云环境下高效的车载多媒体任务调度架构

赵一瑾

doi:10.13718/j.cnki.xsxb.2021.09.014

摘要: 针对多媒体因资源成本、快速服务响应时间和体验质量严重影响车载通信性能等问题, 提出一种云环境下基于动态优先级的高效车载多媒体任务调度算法. 该算法利用基于动态优先级的车载多媒体作业队列(Job Queue, JQ)处理任何请求的优先级, 以确保向不同优先级的不同多媒体终端用户及时发送响应, 根据工作负载动态分配给每个计算服务器的计算资源, 以便根据多媒体用户体验质量(Quality of Experience, QoE)的要求来处理多媒体任务. 实验结果表明, 该算法在体验质量、服务响应时间和资源成本等方面均有明显改善.

Abstract: To solve the program that the resource cost, fast service response time and experience quality of multimedia seriously affect the vehicle communication performance, an efficient in-vehicle multimedia task scheduling scheme based on dynamic priority in cloud environment has beenproposed. In this scheme, dynamic priority based mobile multimedia job queue is used to process the priority of any request to ensure that the response is sent to different multimedia end users with different priorities in time, and the computing resources are dynamically allocated to each computing server according to the workload, so as to process the multimedia tasks according to the requirements of the quality of multimedia user experience. The experimental results show that the algorithm can significantly improve the quality of experience, service response time and resource cost.

Key words:

全文HTML

车载自组网(Vehicular Ad-hoc Networks，VANET)是传统的移动自组织网络在交通道路上的应用，是一种特殊的移动自组织网络^[1-2]. 在VANET中，车辆节点具有高度的移动性，在其运动过程中车辆之间使用路边基础设施进行通信以共享信息(用于安全驾驶的路线图、道路安全和交通拥堵信息)^[3-4]. 车辆产生大量的关键信息和多媒体数据，如监视视频、交通拥堵图像和其他娱乐数据. 由于有限的计算和存储能力，大量的多媒体相关数据无法在车载独立设备中进行处理，无法确保按时交付所需内容^[5-6]，以维持最终用户所需的体验质量(Quality of Experience，QoE).

车载云计算(Vehicular Cloud Computing，VCC)是VANET倍受关注的网络之一，实现了在快速变化的自组织网络中进行通信和资源共享，为用户提供了低成本高效率的云服务^[7-8]. VCC的目的是为配备低计算设备的车辆提供实时计算功能，优化行驶时间、避免事故和交通拥堵. 此外，VCC提供技术上可行的无线传感器网络、移动云计算和智能交通系统的整合，提高道路安全并确保感知城市交通环境^[9-10]. 多媒体云计算(Multimedia Cloud Computing，MCC)关注如何为多媒体应用提供所需的服务质量^[11]. 车载数据的多媒体处理更加关键和具有挑战性，因为它要求处理及时、响应速度快、成本低.

为了方便车辆搜索和管理所需资源，已有车辆数据处理和资源分配方法相关的研究报道. 文献[12]提出一种车载云结构中资源分配和任务调度的多目标优化技术，它是一个由车辆云、路边云和集中云组成的3层体系结构. 采用遗传算法和自适应粒子群算法相结合的混合自适应粒子群优化算法进行优化，将所需资源分配给资源紧缺的应用和服务(即多媒体服务)，以满足3层云体系结构中任何一种的服务质量要求(Quality of Service，QoS). 文献[13]提出通过车辆云感知体验质量的移动边缘缓存，满足日益增长的互联网内容需求并减少蜂窝基础设施的过载. 该算法在确保用户体验保证的前提下最大化流量卸载，设计2个可变的截止时间策略来考虑对用户体验的影响. 文献[14]提出一种基于优先级的动态信道分配方案，基于物联网的传输时间关键型应用. 该方案利用马尔可夫链模型对所有优先级类的次用户(Secondary User，SU)进行评估，并在此基础上为每个优先级类预留更多的信道以降低其呼叫阻塞概率，同时保持足够的信道利用率，并使低优先级SU的信道数目相似.

上述文献对独立的机载设备如此大量的数据没有足够的处理能力，无法为车载多媒体应用和服务提供快速、高效的任务调度，以维持最终用户所需的QoE. 本文提出一种基于动态优先级的车载多媒体云计算高效资源分配与计算方案，以较低的成本处理基于多媒体任务优先级的时延敏感和多媒体计算. 该方案将多媒体任务分为4个子任务，并分配给相应的专用计算集群进行处理. 为了确保向具有不同优先级的不同多媒体终端用户及时发送响应，该方案利用基于动态优先级的车载多媒体作业队列(Job Queue，JQ)处理任何请求的优先级或紧急性. 为了根据多媒体用户QoE的要求来处理多媒体任务，将工作负载动态分配给每个计算服务器的计算资源. 实验结果表明，该算法在体验质量、服务响应时间和资源成本等方面均有明显提升.

2. 基于动态优先级的车载多媒体云计算任务调度

本文提出的算法主要由车载多媒体作业队列模型和基于动态优先级的车载多媒体任务调度两部分构成. 该算法利用基于动态优先级的车载多媒体JQ处理任何处理请求的优先级，根据工作负载动态分配给每个计算服务器的计算资源，并根据多媒体用户QoE的要求来处理多媒体任务.

2.1. 基于优先级的多媒体作业队列模型

车载多媒体计算中基于优先级的作业队列模型有3种不同的类型：调度队列、计算或作业队列以及传输队列. 本文假设多媒体请求的优先级类，因此每个多媒体请求一次对应一个优先级类. 较小的优先级值代表较高的优先级. 例如，优先级为1的多媒体请求类具有比优先级为2的多媒体请求类更高的优先级.

任何优先级类别的多媒体请求都可以通过4个参数进行分类：用来指定指令总数的平均任务大小TS、优先级为i级的多媒体请求的平均到达率AR_i用来表示每秒的请求数量、平均结果大小RS_i(以位为单位)、服务响应时间的上限BS_i(以秒为单位). 在本文提出的方案中，每个多媒体任务进一步分为4个子任务. 每个多媒体请求的优先级根据其重要性或关键性分配.

2.1.1. 计算或作业队列

计算或作业队列存储车辆媒体任务，并进行云处理. 在本文提出的方案中，每个优先级为i的多媒体任务F_i被分为4个子任务或由F_i^k表示的子阶段，其中k=1，2，3，4，每个子任务代表一个唯一的计算阶段，优先级最高的多媒体任务首先以优先级方式进行计算.

2.1.2. 调度队列

调度队列是指所有车辆提交需要媒体云处理的媒体任务. 调度服务器(Scheduling Server，SS)根据分配或分配的优先级类，以调度速率SR调度多媒体请求. 每个计算群集包含N个优先级队列，如图 1所示. 类似地，N个传输队列存储已处理的数据或结果，以传输速率TR_i转发给预期的最终用户. 利用平均到达率为AR_i的泊松分布，对优先级为i类的多媒体请求进行建模.

2.1.3. 传输队列

通过调度和计算队列处理的多媒体任务最终以传输速率TR_i发送到传输队列，其中N个优先级队列存储RS_i大小的处理结果，然后将其转发给预定的优先级等级为i的最终用户.

2.2. 用户体验质量(QoE)

用户QoE以端到端或RT(Respone Time, RT)时间来衡量，即从车辆媒体请求启动阶段到车辆收到所需响应的时间，QoE与RT值成正比. 如果特定车辆及时收到所需的响应，那么它将体验到更好的QoE. 如果特定车辆没有及时收到要求的响应，则其QoE较低.

2.3. 基于动态优先级的车载多媒体任务调度

基于动态优先级的车载多媒体云计算任务调度算法的主要目标是：高效处理、准时交付及最小化计算成本. 在本文提出的动态资源分配方案中，云有4个专用的媒体集群，安装的虚拟机负责处理多媒体车辆任务. 根据LM估计的车载多媒体请求负载动态地分配给每个CC的计算资源. 如果车辆请求多于分配的资源，则将更多的计算资源分配给CC；如果估计的负载小于已经分配的计算资源，则计算资源被移除. 因此，基于车辆负载估计，计算资源会定期更新，以最小化计算成本为移动车辆提供更好的QoE.

基于优先级的任务调度和处理过程：①对来自不同车辆用户的实时和多媒体任务进行初始分配和分析，所有接收到的多媒体请求根据其优先级值以优先级非抢占的形式进行分析和排序. 在本文中，优先级值越低，表示要处理的任务优先级越高. ②为4个计算集群中的每一个集群都分配了用于作业处理的资源，计算资源分配给每个CC是基于对在时间a_t中接收到的初始工作负载的分析. 因此，计算资源量将根据接收到的工作量而变化，有效地利用计算资源，满足多媒体任务延迟的要求. LM将每个多媒体任务分配给其相应的CC，并将该任务放入其作业队列进行进一步处理. CC处理多媒体任务，根据任务处理的性质将其放入下一计算单元或传输单元的任务队列中. 若任务被完全处理，则将其发送到传输单元的任务队列传输给预期的车辆用户；若任务处理尚未完成，则将其发送到下一个CC的任务队列. ③处理后的多媒体任务被同时转发给其预期的车辆用户，避免任何进一步的排队延迟，满足多媒体任务的延迟截止时间，以获得较好的用户QoE.

4. 结语

为了解决快速响应、保证体验质量和最小化计算资源成本等挑战，本文提出一种云计算环境下基于动态优先级的高效车载多媒体任务调度算法. 为了确保向具有不同优先级的不同多媒体终端用户及时发送响应，该算法利用基于动态优先级的车载多媒体作业队列(Job Queue，JQ)处理任何处理请求的优先级或紧急性. 为了根据多媒体用户QoE的要求来处理多媒体任务，将工作负载动态分配给每个计算服务器的计算资源. 利用Cloudsim模拟器，结合静态资源分配方案和基于单集群的基线计算方案，对本文提出算法的性能进行了评估. 实验结果表明，该算法在体验质量、服务响应时间和资源成本等方面均有明显改善. 未来的工作是针对动态场景中车辆计算资源共享问题，研究提升网络任务卸载能力的算法，满足用户的服务要求.

参考文献 (14)

姓名
	姓名不能为空！
邮箱
	邮箱不能为空！非法的邮箱地址。
手机号码
	电话不能为空！请输入有效手机号!
标题
	标题不能为空！
留言内容
	内容不能为空！
验证码
	验证码不能为空！验证码错误！

[1]	ZHANG D, GE H, ZHANG T, et al. New Multi-Hop Clustering Algorithm for Vehicular Ad Hoc Networks[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(4): 1517-1530. doi: 10.1109/TITS.2018.2853165
[2]	BOUSSOUFA-LAHLAH S, SEMCHEDINE F, BOUALLOUCHE-MEDJKOUNE L. Geographic Routing Protocols for Vehicular Ad Hoc NETworks (VANETs): aSurvey[J]. Vehicular Communications, 2018, 11: 20-31. doi: 10.1016/j.vehcom.2018.01.006
[3]	QIU T, WANG X, CHEN C, et al. TMED: aSpider-Web-Like Transmission Mechanism for Emergency Data in Vehicular Ad Hoc Networks[J]. IEEE Transactions on Vehicular Technology, 2018, 67(9): 8682-8694. doi: 10.1109/TVT.2018.2841348
[4]	SUNY X, GUOX Y, ZHOUS, et al. Learning-Based Task Offloading for Vehicular Cloud Computing Systems[C]//2018 IEEE International Conference on Communications (ICC). Kansas City: IEEE, 2018.
[5]	ASHOK A, STEENKISTE P, BAI F. Vehicular Cloud Computing through Dynamic Computation Offloading[J]. Computer Communications, 2018, 120: 125-137. doi: 10.1016/j.comcom.2017.12.011
[6]	LIH W, LUR X, MISIC J, et al. Security and Privacy of Connected Vehicular Cloud Computing[J]. IEEE Network, 2018, 32(3): 4-6. doi: 10.1109/MNET.2018.8370870
[7]	郭剑岚, 陈俞强. 基于Stackelberg博弈的车载云计算任务卸载优化[J]. 计算机应用研究, 2019, 36(12): 3752-3755, 3784. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201912049.htm
[8]	KIM T, MIN H, CHOI E, et al. Optimal Job Partitioning and Allocation for Vehicular Cloud Computing[J]. Future Generation Computer Systems, 2020, 108: 82-96. doi: 10.1016/j.future.2020.02.007
[9]	BOUKERCHE A, DE GRANDE R E. Vehicular Cloud Computing: Architectures, Applications, and Mobility[J]. Computer Networks, 2018, 135: 171-189. doi: 10.1016/j.comnet.2018.01.004
[10]	ASHRAF M U, ARIF S, BASIT A. Provisioning Quality of Service for Multimedia Applications in Cloud Computing[J]. International Journal of Information Technology and Computer Science, 2018, 10(5): 40-47. doi: 10.5815/ijitcs.2018.05.04
[11]	BHUSHAN K, GUPTA B B. Network Flow Analysis for Detection and Mitigation of Fraudulent Resource Consumption (FRC) Attacks in Multimedia Cloud Computing[J]. Multimedia Tools and Applications, 2019, 78(4): 4267-4298. doi: 10.1007/s11042-017-5522-z
[12]	MIDYA S, ROY A, MAJUMDER K, et al. Multi-Objective Optimization Technique for Resource Allocation and Task Scheduling in Vehicular Cloud Architecture: aHybrid Adaptive Nature Inspired Approach[J]. Journal of Network and Computer Applications, 2018, 103: 58-84. doi: 10.1016/j.jnca.2017.11.016
[13]	VIGNERI L, SPYROPOULOS T, BARAKAT C. Quality of Experience-Aware Mobile Edge Caching through a Vehicular Cloud[J]. IEEE Transactions on Mobile Computing, 2020, 19(9): 2174-2188. doi: 10.1109/TMC.2019.2921765
[14]	ALI A, FENG L, BASHIR A K, et al. Quality of Service Provisioning for Heterogeneous Services in Cognitive Radio-Enabled Internet of Things[J]. IEEE Transactions on Network Science and Engineering, 2020, 7(1): 328-342. doi: 10.1109/TNSE.2018.2877646

留言板