[论文解读] Energy-aware Allocation of Graph Jobs in Vehicular Cloud Computing-enabled Software-defined IoV

Minghui Liwang, Zhibin Gao+3 more|arXiv (Cornell University)|Apr 4, 2020

IoT and Edge/Fog Computing参考文献 15被引用 4

一句话总结

该论文提出了一种保持结构的两阶段算法，用于在车联网云环境下的软件定义物联网（V2V网络）中实现面向能耗的图作业分配。该方法通过基于分层树的子图同构技术解耦模板发现，再利用保持结构的模拟退火（SPSA）方法进行功率分配，与基线方法相比，显著降低了作业完成时间和能耗。

ABSTRACT

Software-defined internet of vehicles (SDIoV) has emerged as a promising paradigm to realize flexible and comprehensive resource management, for next generation automobile transportation systems. In this paper, a vehicular cloud computing-based SDIoV framework is studied wherein the joint allocation of transmission power and graph job is formulated as a nonlinear integer programming problem. To effectively address the problem, a structure-preservation-based two-stage allocation scheme is proposed that decouples template searching from power allocation. Specifically, a hierarchical tree-based random subgraph isomorphism mechanism is applied in the first stage by identifying potential mappings (templates) between the components of graph jobs and service providers. A structure-preserving simulated annealing-based power allocation algorithm is adopted in the second stage to achieve the trade-off between the job completion time and energy consumption. Extensive simulations are conducted to verify the performance of the proposed algorithms.

研究动机与目标

• 解决车联网云环境下的软件定义物联网（VCC-SDIoV）中传输功率与图作业分配的联合优化问题。
• 在动态、资源受限的车载网络条件下，最小化作业完成时间与能耗之间的权衡。
• 将复杂的联合分配问题解耦为两个可管理的阶段：模板发现与功率分配。
• 开发一种保持结构的模拟退火（SPSA）算法，在功率分配过程中保持图的拓扑结构。

提出的方法

• 在第一阶段使用基于分层树的随机子图同构机制，识别潜在的组件到服务提供商映射（模板）。
• 在第二阶段应用保持结构的模拟退火（SPSA）算法，优化传输功率分配，同时保持图依赖关系。
• 将联合分配建模为带有数据流、功率限制和任务依赖约束的非线性整数规划问题。
• 采用温度控制的SPSA过程，允许以概率方式接受较差解，从而逃离局部极小值。
• 集成李雅普诺夫优化原理，以在动态网络条件下平衡能耗与延迟。
• 使用归一化目标函数（5），结合执行时间和能耗，其中ε1和ε2用于单位归一化。

实验结果

研究问题

• RQ1 如何在VCC-SDIoV中联合优化图作业分配与传输功率，以最小化完成时间与能耗？
• RQ2 将模板发现与功率分配解耦对车载网络中图作业调度性能有何影响？
• RQ3 保持结构的模拟退火（SPSA）算法能否有效导航复杂解空间，找到近似最优的功率分配？
• RQ4 与均匀分配、水填充法和随机化功率分配策略相比，所提方法在目标函数性能方面表现如何？
• RQ5 SPSA过程在功率分配过程中在多大程度上能够实现从局部极小值的逃逸？

主要发现

• 所提出的TS-HTRS+SPSA算法在所有基线方法（TS-HTRS+UD、TS-HTRS+WF和JRA）中表现最优，实现了更低的目标函数值，表明在能耗与延迟之间具有更优的权衡。
• 在超过273个模板的情况下，HTRS+SPSA方法始终优于其他方法，表明其在不同映射下均具有鲁棒性。
• SPSA过程成功实现了从局部极小值的逃逸，如图4(b)所示，目标值在收敛前呈现波动，最终达到全局近似最优。
• 随着车载云中服务提供商（SPs）数量的增加，所有方法的性能均因更大的分配灵活性而提升，但TS-HTRS+SPSA始终保持最大优势。
• 随机化联合分配（JRA）方法始终产生最高的目标函数值，证实了结构化优化相较于随机分配的优势。