[论文解读] CUDA-Accelerated Application Scheduling in Vehicular Clouds Under Advanced Multichannel Operations in WAVE

Yassine Maalej, Elyes Balti|arXiv (Cornell University)|Dec 22, 2020

Vehicular Ad Hoc Networks (VANETs)参考文献 32被引用 8

一句话总结

本文提出了一种先进的活动感知（AAA）调度方案，用于车辆云（VCs），在符合IEEE 1609.4标准的WAVE网络中，动态优化控制信道（CCHI）与服务信道（SCHI）之间的切换，以在确保安全应用低延迟的同时最大化信道利用率。通过利用CUDA加速的马尔可夫决策过程（MDP）优化，该方案实现了32%更快的收敛速度，并在虚拟机（VM）利用率和奖励方面优于贪婪启发式方法，显著提升了非安全应用的吞吐量并降低了延迟。

ABSTRACT

This paper presents a novel Advanced Activity-Aware (AAA) scheme to optimize and improve Multi-Channel Operations based on the IEEE 1609.4 standard in wireless access vehicular environments (WAVE). The proposed scheme relies on the awareness of the vehicular safety load to dynamically find an optimal setup for switching between service channel intervals (SCHI) and control channel intervals (CCHI). SCHI are chosen for non-critical applications (e.g. infotainment), while CCHI are utilized for critical applications (e.g. safety-related). We maximize the channel utilization without sacrificing other application requirements such as latency and bandwidth. Our scheme is implemented and evaluated network simulator-3 (NS3). We guarantee the default Synchronization Interval (SI), like implemented by the standard in vehicular ad hoc networks (VANETs), when tested on real-time simulations of vehicular cloud (VC) load and VANET setups using NS3. We also evaluate a Markov Decision Process (MDP) based scheme and a fast greedy heuristic to optimize the problem of vehicular task placement with both IEEE 1609.4 and an opportunistic V2I version of the proposed AAA scheme. Our solution offers the reward of the VC by taking into account the overall utilization of the distributed virtualized VCs resources and vehicular bag-of-tasks (BOTs) placements both sequentially and in parallel. We present the simulation metrics proving that our proposed solution significantly improve the throughput and decreases the average delay of uploaded packets used for non-safety applications, while maintaining reliable communication (via CCHI) for safety-related applications similar to the IEEE 1609.4 standard.

研究动机与目标

• 解决在IEEE 1609.4多信道操作下，车辆云（VCs）中信道利用率低下和任务调度次优的问题。
• 在保持通过CCHI实现低延迟、高可靠性的安全消息传输的同时，提升非安全应用的V2I通信可靠性与吞吐量。
• 基于实时工作负载监控，开发一种在SCHI与CCHI之间动态、活动感知的切换机制。
• 使用MDP优化分布式VC中的虚拟机（VM）部署与任务调度，并与快速贪婪启发式方法进行比较。
• 利用CUDA通用GPU计算（GPGPU）加速MDP，以实现在高动态车辆环境中实时决策。

提出的方法

• 提出一种先进的活动感知（AAA）方案，根据平均信道工作负载，动态在CCHI（用于安全应用）与SCHI（用于非关键应用）之间切换。
• 将车辆任务调度建模为马尔可夫决策过程（MDP），以最大化长期奖励，同时考虑虚拟机利用率和任务部署成本。
• 实现一种CUDA加速的值迭代算法，以并行方式求解MDP，从而减少计算时间并支持实时调度。
• 使用NS3模拟VANET和VC环境，包含真实的移动性、RSU/车辆密度以及工作负载模式。
• 引入一种BSDI（批量同步迭代）内核，每个线程块包含124个线程，每个多处理器的占用率为64.5%，以实现高效的GPU执行。
• 在标准IEEE 1609.4和一种机会型V2I版本的AAA方案下，评估MDP与贪婪启发式方法的性能。

实验结果

研究问题

• RQ1 如何优化WAVE中的多信道操作，以在不损害安全应用延迟的前提下最大化服务信道利用率？
• RQ2 在车辆云中，基于CUDA加速的MDP调度器相较于贪婪启发式方法，在虚拟机利用率和奖励方面有多大优势？
• RQ3 基于工作负载感知的CCHI与SCHI之间动态切换，能否提升整体VCC吞吐量并降低端到端延迟？
• RQ4 在实时车辆调度环境中，使用CUDA GPGPU加速MDP值迭代能带来多大的性能提升？
• RQ5 在未充分利用的虚拟机数量和VC中任务分布方面，MDP调度器与贪婪方法相比表现如何？

主要发现

• MDP调度器在大多数VC中实现了100%的虚拟机利用率，显著优于贪婪启发式方法，后者因缺乏长期规划而导致大量虚拟机利用率低下。
• CUDA加速的MDP实现相比串行版本实现了32%的速度提升，同时找到了完全相同的最优调度周期。
• 在AAA方案下，VC吞吐量相比默认的IEEE 1609.4标准最高提升了30%，尤其在高负载条件下表现更优。
• 与贪婪方法相比，MDP调度方案将V2I数据包的平均端到端延迟降低了40%，显著改善了非安全应用的性能。
• 在MDP调度下，整个VCC的奖励（βvc=1, βtc=1.2, γvc=1）高于贪婪启发式方法，表明资源利用更具成本效益。
• MDP方案下未充分利用的虚拟机数量大幅减少，任务在可用虚拟机和付费TCC资源之间的分布更加均衡。