[论文解读] Energy Efficient Processing Allocation in Opportunistic Cloud-Fog-Vehicular Edge Cloud Architectures

Amal A. Alahmadi, Taisir E. H. El-Gorashi+1 more|arXiv (Cornell University)|Jun 25, 2020

IoT and Edge/Fog Computing参考文献 45被引用 5

一句话总结

本文提出一种混合整数线性规划（MILP）模型，用于优化机会型车载边缘云架构中的节能任务分配，其中车辆形成临时集群以共享计算资源。通过在雾节点和车载节点之间实现分布式处理——尤其是通过任务拆分——该方法相比集中式云处理可实现高达70%的功耗节省，性能高度依赖于车辆密度和处理能力。

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.

研究动机与目标

• 解决车载边缘计算环境中集中式云处理带来的高能耗问题。
• 探索在动态、机会型车载边缘云集群中实现节能的任务分配策略。
• 评估车辆密度、任务类型（可拆分与不可拆分）以及处理层级（云、雾、车载）对功耗的影响。
• 开发基于MILP的优化模型，以在满足任务处理需求的前提下最小化总系统功耗。

提出的方法

• 构建混合整数线性规划（MILP）模型，联合优化任务在云、雾和车载处理节点之间的分配。
• 建模三个维度：集中式处理与分布式处理的对比、低密度/高密度下对车辆的机会性利用，以及不可拆分任务与可拆分任务的对比。
• 引入对计算容量、任务截止时间以及各层之间通信能耗成本的约束。
• 使用二值变量表示任务分配决策，连续变量表示资源利用率和能耗。
• 以总功耗（包括所有网络层级的处理能耗和通信能耗）为目标进行优化。
• 求解MILP模型，以在给定系统约束下找到最小化能耗的最优分配策略。

实验结果

研究问题

• RQ1 在能效方面，集中式云处理与在雾节点和车载节点之间实现的分布式处理之间，最优权衡是什么？
• RQ2 车辆密度如何影响在机会型车载边缘云集群中可实现的功耗节省？
• RQ3 与单节点分配相比，将任务拆分到多个车辆上能在多大程度上提升能效？
• RQ4 任务大小和车辆计算能力的变化如何影响总功耗？

主要发现

• 通过将处理任务分配给车载节点而非依赖中心云，可实现高达70%的功耗节省。
• 当任务被拆分到多个车辆上时，功耗节省显著增加，尤其是在高密度车辆集群中。
• 车辆处理能力和工作负载大小是影响节能幅度的关键因素。
• 更高的车辆密度可提升分布式处理的可行性与效率，从而带来更大的能耗降低。
• 所提出的MILP模型能有效平衡云、雾和车载层级之间的任务分配，以最小化总能耗。