[논문 리뷰] Energy Efficient Processing Allocation in Opportunistic Cloud-Fog-Vehicular Edge Cloud Architectures

Amal A. Alahmadi, Taisir E. H. El-Gorashi외 1명|arXiv (Cornell University)|2020. 06. 25.

IoT and Edge/Fog Computing참고 문헌 45인용 수 5

한 줄 요약

이 논문은 차량이 일시적인 클러스터를 형성하여 계산 자원을 공유하는 기회적 차량 엣지 클라우드 아키텍처에서 에너지 효율적인 작업 할당을 최적화하기 위해 혼합정수선형계획법(MILP) 모델을 제안한다. 특히 작업 분할을 통해 페그 및 차량 노드에서 분산 처리를 활용함으로써, 중앙 집중식 클라우드 처리 대비 최대 70%의 전력 절감을 달성하며, 성능은 차량 밀도와 처리 용량에 크게 의존한다.

ABSTRACT

This paper investigates distributed processing in Vehicular Edge Cloud (VECs), where a group of vehicles in a car park, at a charging station or at a road traffic intersection, cluster and form a temporary vehicular cloud by combining their computational resources in the cluster. We investigated the problem of energy efficient processing task allocation in VEC by developing a Mixed Integer Linear Programming (MILP) model to minimize power consumption by optimizing the allocation of different processing tasks to the available network resources, cloud resources, fog resources and vehicular processing nodes resources. Three dimensions of processing allocation were investigated. The first dimension compared centralized processing (in the central cloud) to distributed processing (in the multi-layer fog nodes). The second dimension introduced opportunistic processing in the vehicular nodes with low and high vehicular node density. The third dimension considered non-splittable tasks (single allocation) versus splittable tasks (distributed allocation), representing real-time versus non real-time applications respectively. The results revealed that a power savings up to 70% can be achieved by allocating processing to the vehicles. However, many factors have an impact on the power saving such the vehicle processing capacities, vehicles density, workload size, and the number of generated tasks. It was observed that the power saving is improved by exploiting the flexibility offered by task splitting among the available vehicles.

연구 동기 및 목표

• 차량 엣지 컴퓨팅 환경에서 중앙 집중식 클라우드 처리의 높은 에너지 소비 문제를 해결하기 위해.
• 동적이고 기회적인 차량 엣지 클라우드 클러스터에서 에너지 효율적인 작업 할당 전략을 탐색하기 위해.
• 차량 밀도, 작업 유형(분할 가능 vs. 비분할 가능) 및 처리 계층(클라우드, 페그, 차량)이 전력 소비에 미치는 영향을 평가하기 위해.
• 전체 시스템 전력 소비를 최소화하면서 작업 처리 요구 조건을 충족시키는 MILP 기반 최적화 모델을 개발하기 위해.

제안 방법

• 클라우드, 페그, 차량 처리 노드 간의 작업 할당을 공동으로 최적화하기 위해 혼합정수선형계획법(MILP) 모델을 수립한다.
• 세 가지 차원을 모델링한다: 중앙 집중식 대 분산 처리, 저밀도/고밀도에서의 차량 기반 기회적 활용, 비분할 가능 작업 대 분할 가능 작업.
• 계산 용량, 작업 마감 시간, 계층 간 통신 에너지 비용에 대한 제약 조건을 통합한다.
• 이진 변수를 사용해 작업 할당 결정을 표현하고, 연속 변수를 자원 활용도 및 에너지 소비에 대해 사용한다.
• 모든 네트워크 계층에서의 처리 및 통신 에너지 소비를 포함한 총 전력 소비를 최적화한다.
• 주어진 시스템 제약 조건 하에서 에너지 소비를 최소화하는 최적의 할당 전략을 찾기 위해 MILP 모델을 해석한다.

실험 결과

연구 질문

• RQ1 에너지 효율성 측면에서 중앙 집중식 클라우드 처리와 페그 및 차량 노드에서의 분산 처리 간 최적의 트레이드오프는 무엇인가?
• RQ2 차량 밀도는 기회적 차량 엣지 클라우드 클러스터에서 달성 가능한 전력 절감에 어떻게 영향을 미치는가?
• RQ3 단일 노드 할당 대비 다수의 차량에 걸쳐 작업을 분할함으로써 에너지 효율성이 얼마나 향상되는가?
• RQ4 작업 크기 및 차량의 계산 용량의 변동은 총 전력 소비에 어떻게 영향을 미치는가?

주요 결과

• 중앙 클라우드에 의존하는 것 대비 차량 노드에 처리 작업을 할당함으로써 최대 70%의 전력 절감을 달성할 수 있다.
• 작업이 다수의 차량에 걸쳐 분할될 경우, 특히 고밀도 차량 클러스터에서 전력 절감이 크게 증가한다.
• 차량 처리 용량과 워크로드 크기는 에너지 절감의 정도에 영향을 미치는 핵심 요소이다.
• 높은 차량 밀도는 분산 처리의 가능성과 효율성을 높이며, 더 큰 에너지 절감을 이끈다.
• 제안된 MILP 모델은 클라우드, 페그, 차량 계층 간의 작업 할당을 효과적으로 균형 잡아 총 에너지 소비를 최소화한다.