[论文解读] Multi-Task Offloading over Vehicular Clouds under Graph-based Representation

Minghui Liwang, Zhibin Gao+2 more|arXiv (Cornell University)|Dec 12, 2019

Privacy-Preserving Technologies in Data参考文献 17被引用 5

一句话总结

本文提出了一种基于图的多任务卸载框架，用于车载云（VCs），将任务和虚拟机（VMs）建模为无向加权图，以最小化任务完成时间和数据交换成本。针对低流量场景，提出了一种最优算法；针对高峰时段条件，提出了一种基于连接限制的随机匹配子图同构（CRRM）算法，在保持动态、高密度IoV环境性能的同时，运行时间相比最优方法降低了高达99.84%。

ABSTRACT

Vehicular cloud computing has emerged as a promising paradigm for realizing user requirements in computation-intensive tasks in modern driving environments. In this paper, a novel framework of multi-task offloading over vehicular clouds (VCs) is introduced where tasks and VCs are modeled as undirected weighted graphs. Aiming to achieve a trade-off between minimizing task completion time and data exchange costs, task components are efficiently mapped to available virtual machines in the related VCs. The problem is formulated as a non-linear integer programming problem, mainly under constraints of limited contact between vehicles as well as available resources, and addressed in low-traffic and rush-hour scenarios. In low-traffic cases, we determine optimal solutions; in rush-hour cases, a connection-restricted randommatching-based subgraph isomorphism algorithm is proposed that presents low computational complexity. Evaluations of the proposed algorithms against greedy-based baseline methods are conducted via extensive simulations.

研究动机与目标

• 为解决在传统静态或贪心方法失效的动态、高移动性车载网络中，计算密集型任务卸载的挑战。
• 在受限V2V连接和异构VM资源约束下，将多任务卸载建模为非线性整数规划问题。
• 设计一种高效的卸载机制，在低流量和高流量车载场景下，平衡任务完成时间与通信成本。
• 开发一种适合在高峰时段快速变化、大规模IoV网络中实时部署的低复杂度算法。
• 通过在不同任务类型和车载密度下进行大量仿真，评估所提框架与基于贪心的基线方法的性能。

提出的方法

• 将任务和车载云资源建模为无向加权图，其中组件表示数据源或处理单元，边表示数据依赖关系。
• 通过虚拟机（VMs）表示每辆车的可用计算容量，将VC抽象为具有异构VMs的互联服务节点（SPs）图。
• 将卸载问题形式化为非线性整数规划问题，以最小化任务完成时间与数据交换成本的综合目标。
• 针对高峰时段场景，提出一种基于连接限制的随机匹配子图同构（CRRM）算法，以降低计算复杂度，同时保持性能。
• 在受限V2V连接约束下形成的子图内应用随机匹配策略，实现任务组件到VMs的高效、可扩展映射。
• 采用仿真框架，在低流量和高峰时段条件下，对随机化任务类型和参数进行性能评估。

实验结果

研究问题

• RQ1 如何有效建模车载云中的多任务卸载，以捕捉任务依赖关系和资源异构性？
• RQ2 在动态、低流量和高流量车载环境中，最小化任务完成时间与数据交换成本之间存在何种权衡？
• RQ3 在最优解计算上不可行的高移动性、高峰时段车载网络中，低复杂度算法能否实现近似最优性能？
• RQ4 在不同网络条件下，所提出的CRRM算法与基于贪心的基线方法相比，其运行时间与目标函数值表现如何？
• RQ5 与传统的比特流或仅子任务模型相比，基于图的表示在多大程度上提升了卸载效率？

主要发现

• 在具有三个并发任务的场景中，CRRM算法的平均运行时间相比最优算法降低了高达99.84%，在高密度环境中展现出强大的可扩展性。
• 在车辆密度高、V2V连接受限的高峰时段场景中，CRRM算法保持了低计算复杂度，即使在50个VMs和10个SPs的情况下，运行时间也低于0.53秒。
• 在目标函数值（任务完成时间 + 数据成本）方面，CRRM算法优于DPM和ETPM贪心基线方法，且随着迭代次数增加，优势更加明显。
• 最优算法在复杂配置下实际不可行，例如在包含七个SPs和三个任务的网络中，求解时间超过30,000秒，凸显了启发式替代方案的必要性。
• 在低流量场景中，CRRM与最优解之间的性能差距极小，表明其在降低复杂度的同时仍具备极高的解质量。
• CRRM算法在不同任务类型和车载密度下均保持一致的性能，证明了其在动态IoV环境中的鲁棒性。