文献阅读14

Chimera: An Energy-efficient and Deadline-awareHybrid Edge Computing Framework for VehicularCrowdsensing Applications（Chimera：一种适用于车辆拥挤应用的高能效和可感知截止时间的混合边缘计算框架）

摘要
在本文中，我们提出了一种新颖的混合边缘计算框架Chimera，该框架与新兴的边缘云无线电接入网络集成在一起，以通过利用大量的协作车辆来增加全网范围的车辆资源，以用于未来的大规模车辆人群感知应用。并通过部署在边缘云中的应用程序管理器的控制来控制边缘云中的虚拟机（VM）池。我们提出了一个全面的框架模型，并提出了一个新颖的多车多任务卸载问题，旨在最大程度地减少服务于异构众筹应用的全网招募车辆的能耗，同时兼顾应用截止日期和车辆激励。我们调用Lyapunov优化框架来设计TaskSche（一种在线任务调度算法），该算法仅利用当前系统信息。作为算法的核心组成部分，我们提出了一种基于图变换的任务工作量分配策略和一个基于背包的虚拟机池资源分配策略。严格的理论分析和广泛的跟踪驱动模拟表明，我们的框架实现了卓越的性能（例如，与全车车辆本地处理相比，在不超过全网车辆申请截止日期的情况下节省了20％至68％的能源），并且可以很好地扩展大量车辆和应用程序。
一、引言
从逻辑上讲，越来越多的车辆配备了各种传感器和先进的处理单元。同时，各种车对车（V2V）和车对基础设施（V2I）通信技术，例如专用的短距离通信（DSRC）和长期演进的车辆（LTE-V）[1 ]变得越来越成熟。结果，车辆互联网（IoV）不断涌现，并具有极大的潜力来促进许多有吸引力的应用。
车载人群感知是最有前景的IoV应用之一，它利用了车辆的感应和处理能力以及车辆的移动性来提供基于位置的服务，例如大面积环境监测和停车场检测。一般而言，车载人群感知应用程序需要大量车辆定期从周围环境中感应数据，对它们进行现场处理，例如数据融合和图像/视频处理，然后在特定的期限内将处理后的结果传输到集中式应用程序管理器（例如交通控制中心）进行后处理，例如空间和大数据分析。
随着人工智能和移动互联网时代的发展，未来的汽车需要在QoS，隐私和安全性方面执行许多本地处理任务，以实现自动驾驶和用户娱乐，因此它们可能微不足道以适应新兴功能（例如，种类和复杂性）和需求（例如，数据量和处理期限）。另外，从驾驶员的角度（例如经济问题）的角度来看，车辆（例如电动汽车）为车辆大众感知应用提供服务应该是节能的。因此，在设计车辆招募政策的同时，如何扩展车辆的可用资源以满足不断增长的应用需求，同时降低相应的车辆处理能力，对发展车辆人群感应产业也具有重要意义。
任务卸载是一种增加设备资源并节省设备能量的有前途的技术，已经在学术界和工业界进行了广泛的研究。在过去的十年中，许多研究人员研究了移动云计算[5]，其中移动设备可以将计算密集型任务卸载到资源丰富的远程云中。然而，由于大量的数据交换（例如，图像和视频）以及车辆与云之间的长网络距离，该范例不足以支持等待时间感知的IoV应用。相比之下，移动边缘计算[6]是一种新颖的范例，旨在利用网络边缘的多种设备和设施（例如基站和边缘云）来合作提供低延迟和弹性的资源增强服务，这是有希望的为新兴的IoV应用服务。
出于这种动机，我们提出了如图1所示的Chimera，将其与新兴的边缘云无线电接入网络集成在一起的混合边缘计算框架，以增加车辆资源以进行人群感知应用。在此框架中，使车辆能够利用其本地资源（即本地计算），来自附近车辆的“碎片化资源”（即基于V2V的计算）以及来自虚拟机（VM）池的“块资源”在边缘云中（即，通过基于边缘云中部署的应用程序管理器的控制，可以简化基于感测器的数据处理。与现有的基于RSU的边缘计算框架相比，我们的框架不需要在RSU上额外部署资源，可以充分利用车辆资源共享，并支持多种RAN功能，例如车辆移交管理和V2V连接控制。此外，与现有的基于V2V的边缘计算框架相比，我们的框架充分利用了边缘云中强大的计算能力和全局系统信息来实现最优任务卸载决策。
为了从我们的车载人群感知应用程序框架中获得深远的好处，我们需要满足以下要求：
1）Chimera应该了解应用程序的异构性。随着汽车人群传感行业的发展，车辆将同时支持多种人群传感应用，并且这些应用的特定功能（例如处理密度）和要求（例如延迟）各不相同，这需要我们的框架来提供适用于车辆异构应用的管理策略和任务卸载方案。
2）Chimera应该在线并且可以适应系统动力学。由于网络条件，车辆移动性以及边缘云中车辆和VM池的可用资源的动态性质，因此很难预测未来的系统信息，因此我们的框架应仅仅使用当前信息进行操作。
3）Chimera应提供适当的奖励计划以鼓励车辆合作。我们的框架将在附近的“陌生人”之间挖掘合作机会，因此，迫切需要一种能够有效防止车辆搭便车和超载的良好激励机制。
4）Chimera应该是节能的，具有截止日期的意识并且可扩展。我们的框架应该实现最佳的任务处理，以便在满足人群感知应用程序的延迟要求的同时，节省全网车辆的能量，并且还应该具有可扩展性，以适应大量的车辆和应用程序。
为了解决这些挑战，我们提出了一个全面的框架模型，提出了一种新颖的多车多任务卸载问题，并据此设计了一种最优的在线任务调度算法。本文的主要贡献概括如下：
我们提出了一种混合边缘计算框架，该框架包括具有三种任务处理模式的创新任务排队模型，以管理车辆中的异类人群感知应用程序（第三节）。在这种情况下，我们提出了一种新颖的多车多任务卸载问题，旨在最大程度地减少服务于异构众筹应用的全网招募车辆的能耗，同时长期兼顾应用程序延迟和车辆激励term1（第四节）。
我们调用Lyapunov优化框架来实现TaskSche，这是一种高效的在线任务调度算法，仅在每个时隙使用当前系统信息（第五节）。作为算法的核心组件，我们针对每个时隙设计了基于图转换的任务工作负载分配策略和基于背包的VM池资源分配策略。此外，我们对框架扩展进行了一系列讨论（第六节）。
严格的理论分析和广泛的跟踪驱动模拟结果证实，我们的框架在不超出每个应用程序截止日期的情况下实现了卓越的性能，例如，与ve-ve相比，全网车辆节能20％– 68％，加速1.5倍– 3.6倍。与两个最先进的作品（即DualControl 和D2D-Fogging ）相比，本地处理的性能提高了56％– 130％和28％– 60％。此外，我们的框架可以很好地扩展以支持大量的车辆和应用程序。例如，TaskSche算法的运行时间分别对于2000辆车辆和200个应用程序少于150毫秒和16毫秒（第七节）。
二、相关工作

三、框架模型

四、问题公式化

五、任务库算法设计

六、算法实现

七、性能评估

八、结论
在本文中，我们提出了一种新颖的混合边缘计算框架Chimera，该框架与新兴的边缘云无线电接入网络集成在一起，以通过利用大量的协作车辆来增加网络范围的车辆资源，以用于未来的大规模车辆人群感知应用。和虚拟机池通过边缘云中的应用程序管理器控件。我们提出了一个全面的框架模型，并提出了一个新颖的多车多任务卸载问题，旨在最大程度地减少服务于异构人群感知应用的全网招募车辆的能耗，同时考虑一系列实际约束。我们设计了一种在线任务调度算法TaskSche，其中将基于图变换的高效任务工作负载分配策略和基于背包的VM池资源分配策略设计为核心组件。我们还讨论了该框架的一些实际扩展。严格的理论分析和广泛的跟踪驱动模拟表明，它可以为全网范围的车辆节省大量能源，并可以为大量车辆和应用很好地扩展。