軟件定義異構(gòu)虛擬云車網(wǎng)移動(dòng)大數(shù)據(jù)在線接入設(shè)計(jì)

余 庚

(福建船政交通職業(yè)學(xué)院,福建 福州350007)

0 引言

近年來智能網(wǎng)聯(lián)汽車市場高速發(fā)展促進(jìn)了車聯(lián)網(wǎng)技術(shù)的深度推廣。云計(jì)算技術(shù)在服務(wù)質(zhì)量(Quality of Service,QoS)方面良好地鞏固了車聯(lián)網(wǎng)[1]技術(shù)的部署成效。隨著惠民購車政策相繼出臺(tái),該云車網(wǎng)將涌現(xiàn)出大規(guī)模移動(dòng)智能汽車終端,并由此產(chǎn)生出大規(guī)模隨機(jī)突發(fā)移動(dòng)智能車端應(yīng)用服務(wù)請(qǐng)求。這勢(shì)必在QoS方面給云數(shù)據(jù)中心帶來較大的挑戰(zhàn)。諸如,在不增加投建成本的現(xiàn)實(shí)環(huán)境中,云計(jì)算方案在帶寬有限的廣域網(wǎng)內(nèi)響應(yīng)海量傳感數(shù)據(jù)計(jì)算請(qǐng)求時(shí),既要保證通信時(shí)延效率,也要兼顧數(shù)據(jù)計(jì)算的可信度。不僅如此,對(duì)于大量部署在邊緣方位的云端而言,移動(dòng)計(jì)算依然需在滿足時(shí)延敏感性應(yīng)用服務(wù)要求的同時(shí)確保云端能耗的節(jié)能減排。

在移動(dòng)應(yīng)用請(qǐng)求持續(xù)增長的大數(shù)據(jù)環(huán)境下,為進(jìn)一步延伸云端QoS的有效覆蓋范圍,考慮在移動(dòng)邊緣網(wǎng)絡(luò)定義一個(gè)半虛擬化的霧計(jì)算模式[2]。通過挖掘和調(diào)度邊緣霧計(jì)算資源為移動(dòng)車端應(yīng)用服務(wù)請(qǐng)求提供邊緣分析和響應(yīng)能力,以延伸虛擬云車網(wǎng)應(yīng)對(duì)移動(dòng)大數(shù)據(jù)服務(wù)需求。為弱化大規(guī)模移動(dòng)應(yīng)用請(qǐng)求的隨機(jī)突發(fā)特性對(duì)云端和邊緣霧端產(chǎn)生的偏好[3],在一種效能約束前提下,通過分布式移動(dòng)霧計(jì)算(Distributed Mobile Fog Computing,DMFC)算法協(xié)同異構(gòu)云車網(wǎng)中云霧兩端資源來響應(yīng)邊緣移動(dòng)車端用戶的大數(shù)據(jù)應(yīng)用服務(wù)請(qǐng)求。

1 算法思想

為兼顧移動(dòng)車端用戶請(qǐng)求的QoS與異構(gòu)云車網(wǎng)的效能,考慮通過分布式挖掘邊緣霧端移動(dòng)計(jì)算資源來逐級(jí)配合云計(jì)算的協(xié)作[4]服務(wù)模式。為便于說明異構(gòu)云車網(wǎng)的工作機(jī)制,將全網(wǎng)分為邊緣霧層和遠(yuǎn)端云層。其中,邊緣霧層面向移動(dòng)車端用戶。該層引入管控解耦的軟件定義控制器以便協(xié)作移動(dòng)數(shù)據(jù)通信。經(jīng)由該軟件定義控制器可實(shí)時(shí)監(jiān)視每個(gè)移動(dòng)邊緣網(wǎng)絡(luò)中核心霧節(jié)點(diǎn)的已用資源、剩余可響應(yīng)資源的比例。當(dāng)移動(dòng)車端用戶發(fā)起計(jì)算服務(wù)請(qǐng)求時(shí),此控制器將根據(jù)資源使用情況為每一個(gè)核心霧節(jié)點(diǎn)評(píng)估可受理的數(shù)據(jù)流量規(guī)模。

并按照負(fù)載均衡原則動(dòng)態(tài)調(diào)配各個(gè)核心霧節(jié)點(diǎn)的計(jì)算量。若核心霧節(jié)點(diǎn)可用計(jì)算資源不足以響應(yīng)移動(dòng)車端用戶提請(qǐng)的移動(dòng)計(jì)算請(qǐng)求,則協(xié)作霧節(jié)點(diǎn)在軟件定義控制器的指引下將剩余的超載數(shù)據(jù)量轉(zhuǎn)發(fā)至遠(yuǎn)程云端。所有移動(dòng)車端用戶均通過邊緣霧層的無線基站和路側(cè)單元來實(shí)現(xiàn)移動(dòng)大數(shù)據(jù)應(yīng)用服務(wù)請(qǐng)求接入。

DMFC算法自下而上的分布式均衡計(jì)算機(jī)制可提供包括時(shí)延級(jí)QoS和能耗管理在內(nèi)的個(gè)性化移動(dòng)邊緣服務(wù)。通常在節(jié)假日或上下班交通繁忙時(shí)段,核心霧節(jié)點(diǎn)難以承載大規(guī)模的移動(dòng)大數(shù)據(jù)流量。協(xié)作霧節(jié)點(diǎn)則結(jié)合軟件定義控制器根據(jù)每個(gè)核心霧節(jié)點(diǎn)的數(shù)據(jù)處理能力和空間分布距離制定最佳流量調(diào)度策略,從而實(shí)現(xiàn)時(shí)延級(jí)QoS目標(biāo)。能源管理對(duì)于輕量級(jí)移動(dòng)服務(wù)器構(gòu)成的邊緣霧層而言是一個(gè)敏感的熱點(diǎn)問題,關(guān)乎到整個(gè)異構(gòu)云車網(wǎng)的數(shù)據(jù)通信成本。因此,實(shí)現(xiàn)既定規(guī)模數(shù)據(jù)任務(wù)下的節(jié)能減排也應(yīng)作為FCM算法約束成本的另一目標(biāo)。

為充分挖掘資源節(jié)點(diǎn)的數(shù)據(jù)分析能力,提高數(shù)據(jù)計(jì)算效率,在異構(gòu)云車網(wǎng)中的邊緣霧層嵌入虛擬化技術(shù)以滿足個(gè)性化應(yīng)用請(qǐng)求。每個(gè)節(jié)點(diǎn)內(nèi)部的虛擬機(jī)在數(shù)據(jù)通信效率和能耗方面各有差異,協(xié)作霧節(jié)點(diǎn)下發(fā)移動(dòng)數(shù)據(jù)流量后核心霧節(jié)點(diǎn)將科學(xué)評(píng)估該節(jié)點(diǎn)內(nèi)部每個(gè)虛擬機(jī)的可受理載荷量。力爭以最佳的時(shí)延效率和最低的能耗完成FCM算法的效能[5]目標(biāo)。

2 時(shí)延級(jí)QoS目標(biāo)設(shè)計(jì)

為便于說明FCM算法特性,為異構(gòu)虛擬云車網(wǎng)定義一個(gè)遠(yuǎn)程云數(shù)據(jù)服務(wù)中心C和軟控制設(shè)備S。同時(shí)定義一個(gè)協(xié)作霧節(jié)點(diǎn)F,用于配合n個(gè)核心霧節(jié)點(diǎn)fn開展移動(dòng)大數(shù)據(jù)計(jì)算。由此可構(gòu)建整個(gè)軟件定義異構(gòu)虛擬云車網(wǎng)拓?fù)浣Y(jié)構(gòu)圖,記作G={C,S,F,f1,f2,…,fm,…,fn}。為描述在開展移動(dòng)大數(shù)據(jù)接入計(jì)算時(shí)云霧兩端之間節(jié)點(diǎn)交互性,引入節(jié)點(diǎn)連通度L={lf1-c,lf2-c,…,lfm-c,…,lfn-c,lf1-f2,…,lf1-fm,…,lf1-fn}。其中,lfn-c表示第n個(gè)核心霧節(jié)點(diǎn)fn和云端數(shù)據(jù)服務(wù)中心之間的連通度;lf1-fn表示第1個(gè)核心霧節(jié)點(diǎn)f1和第n個(gè)核心霧節(jié)點(diǎn)fn之間的連通度。假設(shè)遠(yuǎn)程云端和核心霧節(jié)點(diǎn)的數(shù)據(jù)響應(yīng)能力分別為rc和rm。當(dāng)邊緣移動(dòng)車端發(fā)起規(guī)模為q的移動(dòng)大數(shù)據(jù)計(jì)算流量時(shí),在軟控制器和協(xié)作霧節(jié)點(diǎn)的調(diào)度下每一個(gè)核心霧節(jié)點(diǎn)都將被分配到比例為?m的移動(dòng)大數(shù)據(jù)計(jì)算流量,于是算得每個(gè)核心霧節(jié)點(diǎn)要受理的流量規(guī)模為sm=q·?m。當(dāng)協(xié)作霧節(jié)點(diǎn)無法受理移動(dòng)大數(shù)據(jù)流量計(jì)算時(shí),將調(diào)度?c的流量比例到遠(yuǎn)程云端數(shù)據(jù)中心,則云端數(shù)據(jù)中心需受理的流量規(guī)模為sc=q·?c。進(jìn)一步算得霧節(jié)點(diǎn)處理數(shù)據(jù)業(yè)務(wù)的時(shí)延成本為t0=sm/rm。

假設(shè)兩個(gè)核心霧節(jié)點(diǎn)fm和fx的關(guān)聯(lián)度[6]為Wm-x。若節(jié)點(diǎn)對(duì)之間無法數(shù)據(jù)通信則置0;若節(jié)點(diǎn)對(duì)在受理計(jì)算請(qǐng)求時(shí)可實(shí)現(xiàn)數(shù)據(jù)通信則置1。假設(shè)核心霧節(jié)點(diǎn)fm到達(dá)遠(yuǎn)程云端數(shù)據(jù)服務(wù)中心C和核心霧節(jié)點(diǎn)fx的時(shí)延分別為tm-c和tm-x?？汕蟮昧髁總鬏?shù)臅r(shí)延成本為t1=Wm-x·tm-x。

在FCM算法模型下,從核心霧節(jié)點(diǎn)接收到邊緣車端發(fā)起的移動(dòng)大數(shù)據(jù)接入請(qǐng)求到邊緣車端獲得響應(yīng)的時(shí)間作為全程數(shù)據(jù)通信時(shí)延t。將遠(yuǎn)程云端數(shù)據(jù)中心C和核心霧節(jié)點(diǎn)fm的數(shù)據(jù)通信時(shí)延分別設(shè)為Tc和Tm。

Tc=Wm-c·tm-c+(q·?c)/rc,

(1)

Tm=Wm-x·tm-x+(q·?m)/rm.

(2)

mint=min{max{Wm-c·tm-c+q·?c/rc,Wm-x·tm-x+q·?m/rm}}.

(3)

該模型僅研究云車網(wǎng)節(jié)點(diǎn)在單獨(dú)工作情形下的數(shù)據(jù)通信時(shí)延。然而根據(jù)算法思想中關(guān)于QoS的描述,經(jīng)由軟定義控制設(shè)備和協(xié)作霧節(jié)點(diǎn)的調(diào)度,移動(dòng)大數(shù)據(jù)計(jì)算流量可被分配到其他核心霧節(jié)點(diǎn)。故通過引入向量級(jí)流量規(guī)模s來表征遠(yuǎn)端云數(shù)據(jù)服務(wù)中心和n個(gè)節(jié)點(diǎn)所獲取的待分配流量規(guī)模,記作s=(sc,s1,s2,…,sm,…,sn)。相應(yīng)地,遠(yuǎn)端云數(shù)據(jù)服務(wù)中心和n個(gè)節(jié)點(diǎn)所獲取的待分配流量的比例為?=(?c,?1,?2,…,?m,…,?n),當(dāng)邊緣移動(dòng)車端向軟件定義異構(gòu)云車網(wǎng)核心霧節(jié)點(diǎn)f1發(fā)起的服務(wù)計(jì)算請(qǐng)求被成功受理并返回,所消耗的時(shí)延表示為

t(s)=max{t1-c·W1-c+q·?c/rc,q·?1/r1,t1-2·W1-2+q·?2/r2,…,t1-n·W1-n+q·?n/rn}.

(4)

相對(duì)于計(jì)算性能薄弱的輕量級(jí)邊緣霧節(jié)點(diǎn),遠(yuǎn)端云數(shù)據(jù)服務(wù)中心強(qiáng)大的計(jì)算能力在受理一定規(guī)模的移動(dòng)大數(shù)據(jù)服務(wù)計(jì)算請(qǐng)求時(shí)所需時(shí)延基本不會(huì)有較大波動(dòng),且數(shù)據(jù)計(jì)算時(shí)延通常較小。因此遠(yuǎn)端云數(shù)據(jù)服務(wù)中心在響應(yīng)移動(dòng)大數(shù)據(jù)計(jì)算服務(wù)請(qǐng)求時(shí)所產(chǎn)生時(shí)延成本主要來自流量的上傳下達(dá)[7]過程。因此可對(duì)式(4)的第一項(xiàng)云設(shè)備數(shù)據(jù)處理時(shí)延做缺省處理。則有

t(s)=max{t1-c·W1-c,q·?1/r1,t1-2·W1-2+q·?2/r2,…,t1-n·W1-n+q·?n/rn}.

(5)

(6)

進(jìn)一步求得

(7)

針對(duì)求解時(shí)延等QoS目標(biāo)函數(shù)優(yōu)化問題,常用的方法為粒子群算法。該算法下的每一個(gè)粒子通過相互協(xié)作將自身最優(yōu)方位解傳播給群內(nèi)其他所有粒子。該算法精確的計(jì)算精度和良好的傳播協(xié)作特性輔以解耦分離的軟件定義控制器,使其部署在異構(gòu)虛擬云車網(wǎng)中發(fā)揮出目標(biāo)函數(shù)優(yōu)化成為可能。尤其對(duì)于計(jì)算資源有限的霧節(jié)點(diǎn)而言尤為適用。然而該算法同時(shí)存在一些瓶頸。首先,收斂速度與種群多樣性成反比。若將該特征直接用于應(yīng)對(duì)邊緣移動(dòng)車端突發(fā)提請(qǐng)大規(guī)模服務(wù)計(jì)算請(qǐng)求的場景收效甚微。其次,針對(duì)本文FCM算法模型所提出的效能約束問題并不在粒子群算法直接攻克的范圍內(nèi)。這是由于粒子群算法主要目標(biāo)在于目標(biāo)優(yōu)化,面對(duì)目標(biāo)約束性的求解則束手無策。因此可考慮將效能約束的優(yōu)化求解轉(zhuǎn)換成無約束的優(yōu)化求解。

(8)

受遺傳算法[8]求解目標(biāo)約束函數(shù)的啟發(fā),本文FCM算法方案構(gòu)建一個(gè)可行的假設(shè)模型:在搜索最小的優(yōu)化目標(biāo)函數(shù)值時(shí),無效解的目標(biāo)函數(shù)值一定大于所有有效解的目標(biāo)函數(shù)值G(P)。即有效解的值其對(duì)應(yīng)的收斂性最好。相應(yīng)地,有效粒子的有效域D較小。換言之,獲得有效解的種群粒子一定是滿足了算法預(yù)設(shè)的約束前提。為評(píng)估每一個(gè)種群粒子對(duì)于當(dāng)前所獲方位值的適應(yīng)情況,引入適應(yīng)性函數(shù)f(P)。未能遵守任何一個(gè)約束前提的種群粒子都將得到一個(gè)較大的適應(yīng)性變量值。假設(shè)存在一個(gè)種群粒子因不遵守約束前提條件i使其成為一個(gè)無效解。此時(shí),該粒子在搜索空間內(nèi)的方位為P(i),其違背約束的度為Gi(P)。

(9)

(10)

于是,將式(6)的求解轉(zhuǎn)換成式(11)進(jìn)行無約束的優(yōu)化求解:

(11)

其中,c表示為不遵守約束前提條件i的無效種群粒子分配的偏差系數(shù)。

(12)

其中,粒子的移動(dòng)速度表示如下:

(13)

通過頻繁迭代計(jì)算持續(xù)更新粒子移動(dòng)速度和實(shí)時(shí)方位,便可持續(xù)優(yōu)化式(11)的值。由于粒子群算法存在收斂速度與種群多樣性成反比的瓶頸。為解決該問題,本研究要求粒子在頻繁迭代計(jì)算中搜索到最優(yōu)方位解后立即開始反向移動(dòng)執(zhí)行反向優(yōu)化,以避免由于種群多樣性的下降導(dǎo)致出現(xiàn)收斂過快的情形。反向移動(dòng)后的方位表示如下:

(14)

其中,粒子反向移動(dòng)速度為

(15)

關(guān)于粒子群優(yōu)化算法的諸多研討表明,粒子在搜索空間內(nèi)最佳的搜索系數(shù)s的取值區(qū)間應(yīng)在0.3至0.8之間[9],移動(dòng)系數(shù)m1和m2應(yīng)一致取2。這樣的取值最有利于算法性能的發(fā)揮,因此需實(shí)時(shí)更新粒子在反向和正向移動(dòng)期間的搜索系數(shù)。假設(shè)粒子尋找到最佳方位值共開展了FAll次的迭代計(jì)算,搜索系數(shù)的最大值和最小值分別為sH和sL,則粒子反向的實(shí)施搜索系數(shù)s-表征如下:

(16)

粒子正向的實(shí)時(shí)搜索系數(shù)s+表征如下:

(17)

根據(jù)上述算法過程的描述可知,在軟件定義異構(gòu)虛擬云車網(wǎng)中部署了FCM算法的霧節(jié)點(diǎn),最終通過降低移動(dòng)流量的傳輸時(shí)延來實(shí)現(xiàn)全網(wǎng)移動(dòng)流量均衡是完全可行的。

3 能耗管控目標(biāo)設(shè)計(jì)

經(jīng)軟件定義控制器和協(xié)作霧節(jié)點(diǎn)決策后調(diào)度到霧層節(jié)點(diǎn)的移動(dòng)大數(shù)據(jù)計(jì)算流量,FCM算法將為其引入虛擬計(jì)算技術(shù)來實(shí)現(xiàn)邊緣網(wǎng)絡(luò)霧節(jié)點(diǎn)能耗[10]科學(xué)管控的目標(biāo)。霧節(jié)點(diǎn)在應(yīng)對(duì)移動(dòng)大數(shù)據(jù)計(jì)算流量時(shí)通常先執(zhí)行緩存再開展流量計(jì)算,相應(yīng)地產(chǎn)生存儲(chǔ)能耗和計(jì)算能耗。

(18)

節(jié)點(diǎn)在響應(yīng)移動(dòng)大數(shù)據(jù)服務(wù)期間,能耗總是與調(diào)度的移動(dòng)流量規(guī)模成正比。要想獲得最佳目標(biāo)函數(shù)優(yōu)化值就要讓虛擬機(jī)提供的數(shù)據(jù)處理資源恰好能夠受理完所調(diào)度的移動(dòng)載荷規(guī)模。不存在數(shù)據(jù)處理資源冗余或短缺的情形。此情形可用如下函數(shù)表征:

f(pm,dm)=Em.

(19)

當(dāng)虛擬機(jī)實(shí)際功耗取值與每個(gè)虛擬機(jī)在單位時(shí)間受理的計(jì)算量相同時(shí),該函數(shù)的解便是最佳目標(biāo)解。

4 方案測(cè)試

為驗(yàn)證所構(gòu)思的FCM方案模型部署在軟件定義異構(gòu)虛擬云車網(wǎng)中的成效,測(cè)試方案開展了三部分的驗(yàn)證工作。首先,驗(yàn)證云霧結(jié)合共同為軟件定義異構(gòu)虛擬云車網(wǎng)節(jié)點(diǎn)制定移動(dòng)計(jì)算流量分配方案的可行性。其次,針對(duì)基于約束特征的粒子群算法展開通信時(shí)延效率的論證。最后,考察節(jié)點(diǎn)隨著移動(dòng)流量規(guī)模持續(xù)增加所表現(xiàn)出的能耗情況。最終確定全網(wǎng)移動(dòng)QoS成效。

測(cè)試過程引入3個(gè)帶寬為3 Mb/s的節(jié)點(diǎn)作為遠(yuǎn)程云數(shù)據(jù)服務(wù)中心,引入12個(gè)帶寬資源介于[100 Mb/s,250 Mb/s]的節(jié)點(diǎn)視為核心霧節(jié)點(diǎn),并為每個(gè)核心霧節(jié)點(diǎn)內(nèi)部規(guī)劃7個(gè)虛擬服務(wù)模塊。當(dāng)節(jié)點(diǎn)處于滿載時(shí),單位時(shí)間內(nèi)虛擬服務(wù)模塊的數(shù)據(jù)響應(yīng)能力置為25 Mb/s,此時(shí)最高功耗pH取值在區(qū)間[15 J,20 J]內(nèi);當(dāng)節(jié)點(diǎn)處于靜默休眠狀態(tài)時(shí),單位時(shí)間內(nèi)虛擬服務(wù)模塊的數(shù)據(jù)響應(yīng)能力置為20 Mb/s,功耗pL取值在區(qū)間[5 J,10 J]內(nèi)。部署FCM模型時(shí)定義如下相關(guān)參數(shù):A=60,FH=1 200,c=15,m1=m2=3,c(F)=1010。實(shí)際環(huán)境中部署軟件定義異構(gòu)虛擬云車網(wǎng)存在遠(yuǎn)近效應(yīng)[11],這使得移動(dòng)計(jì)算流量在不同節(jié)點(diǎn)之間調(diào)度的時(shí)延成本有所差異。因此測(cè)試方案通過增加核心霧節(jié)點(diǎn)和云數(shù)據(jù)服務(wù)中心節(jié)點(diǎn)之間帶寬差距來表征實(shí)際環(huán)境中遠(yuǎn)近效應(yīng)對(duì)移動(dòng)流量的時(shí)延影響。

圖1中曲線記錄了云車網(wǎng)中3種移動(dòng)流量調(diào)度方案為車端提供的移動(dòng)服務(wù)響應(yīng)時(shí)延。不難看出采用純?cè)品?wù)方式提供移動(dòng)服務(wù)響應(yīng)的時(shí)延較低,效率較高。這是由于云數(shù)據(jù)中心服務(wù)網(wǎng)絡(luò)中的節(jié)點(diǎn)具有絕對(duì)優(yōu)勢(shì)的數(shù)據(jù)處理性能。強(qiáng)大的計(jì)算響應(yīng)能力可允許其在一定規(guī)模的移動(dòng)流量范圍內(nèi)開展低時(shí)延的數(shù)據(jù)響應(yīng)。但受限于云端和終端的物理間距導(dǎo)致,采用純?cè)品?wù)在數(shù)據(jù)上傳和下發(fā)期間消耗較多時(shí)延。倘若通過協(xié)調(diào)各類霧節(jié)點(diǎn)來應(yīng)對(duì)移動(dòng)計(jì)算服務(wù)請(qǐng)求,則要付出更大的時(shí)延代價(jià)。因?yàn)槿鄙僭贫藦?qiáng)大的計(jì)算能力支持,僅依托輕量級(jí)霧節(jié)點(diǎn)有限的數(shù)據(jù)存儲(chǔ)與并行計(jì)算性能,不僅無法受理大規(guī)模移動(dòng)終端發(fā)起的隨機(jī)突發(fā)計(jì)算流,同時(shí)極易在短時(shí)間內(nèi)達(dá)到滿載而顯著降低QoS。因此該方式表現(xiàn)出的時(shí)延代價(jià)最大。隨著發(fā)起的移動(dòng)流量規(guī)模持續(xù)增加,輕量級(jí)霧節(jié)點(diǎn)計(jì)算瓶頸越加凸顯流量阻塞、載荷失衡等一系列QoS異常問題。因此時(shí)延曲線斜率瞬間增大、走勢(shì)瞬間攀升。相應(yīng)地,移動(dòng)服務(wù)響應(yīng)效率瞬間陡降。本文構(gòu)思的云霧結(jié)合服務(wù)方式則通過軟件定義控制、虛擬計(jì)算等全局自適應(yīng)評(píng)估技術(shù)充分考量每個(gè)霧節(jié)點(diǎn)載荷承受度的同時(shí)引入強(qiáng)大的云計(jì)算能力給予高效協(xié)助。通過充分挖掘云霧節(jié)點(diǎn)計(jì)算潛能不僅有效突破霧節(jié)點(diǎn)應(yīng)對(duì)大規(guī)模移動(dòng)流量的瓶頸,同時(shí)良好地規(guī)避了移動(dòng)流量對(duì)云節(jié)點(diǎn)產(chǎn)生的硬件資源偏好風(fēng)險(xiǎn),為移動(dòng)終端贏取良好的時(shí)延級(jí)QoS效果。因此時(shí)延曲線走勢(shì)最低。

圖1 移動(dòng)服務(wù)響應(yīng)效率

在證實(shí)云霧結(jié)合服務(wù)方式的可行性后,針對(duì)本文構(gòu)思的基于約束特征的粒子群算法(Constrained Feature Particle Swarm Optimization,CF)展開通信時(shí)延效率的論證。引用常用經(jīng)典的極值均衡算法[12](Extremum Equalization Algorithm,EEA)、貪心算法[13](Greedy Algorithm,GA)作為本組測(cè)試的對(duì)比方案,考察三種算法方案部署在云霧結(jié)合服務(wù)的虛擬云車網(wǎng)中的移動(dòng)計(jì)算時(shí)延,如圖2所示。根據(jù)圖2曲線走勢(shì)可知,GA算法和EEA算法部署成效較為接近。相對(duì)于CF算法,GA算法和EEA算法的曲線走勢(shì)高,意味著這兩種算法為響應(yīng)終端提請(qǐng)的移動(dòng)服務(wù)計(jì)算請(qǐng)求需要付出較大的數(shù)據(jù)通信時(shí)延代價(jià)。這樣的QoS顯然不符合車聯(lián)網(wǎng)對(duì)應(yīng)用服務(wù)的嚴(yán)苛要求。導(dǎo)致該現(xiàn)象的原因主要是GA算法和EEA算法忽略了霧節(jié)點(diǎn)的數(shù)據(jù)處理能力,未能建立節(jié)點(diǎn)立體化管控模型來實(shí)現(xiàn)不同節(jié)點(diǎn)間信息交互與資源調(diào)度。這些缺乏考慮的性能要素在本文CF算法中均得到了體現(xiàn)。此外,為確保算法所求解具備可信的全局性,CF算法為獲得最優(yōu)解的粒子增設(shè)了反向優(yōu)化機(jī)制。這進(jìn)一步增強(qiáng)了CF算法得到當(dāng)前最優(yōu)解在全局范圍內(nèi)的自適應(yīng)能力。這些優(yōu)勢(shì)使得CF算法在本組測(cè)試中表現(xiàn)出絕對(duì)優(yōu)勢(shì)的通信時(shí)延效率,獲得高可靠性的時(shí)延級(jí)QoS。

圖2 通信時(shí)延效率

能耗作為建設(shè)和維護(hù)虛擬云車網(wǎng)成本的要素,也是衡量QoS的重要指標(biāo)?？茖W(xué)的能耗管理目標(biāo)是當(dāng)發(fā)起的隨機(jī)突發(fā)移動(dòng)計(jì)算流到達(dá)節(jié)點(diǎn)時(shí),節(jié)點(diǎn)能夠自適應(yīng)調(diào)整其內(nèi)部虛擬服務(wù)模塊的計(jì)算參數(shù),以最低的能耗完成每一條移動(dòng)流的響應(yīng)服務(wù)。本文設(shè)計(jì)的能耗自適應(yīng)管控技術(shù)正是以此為目標(biāo)進(jìn)行設(shè)計(jì)。為考察自適應(yīng)管控優(yōu)勢(shì),引入當(dāng)前使用相對(duì)頻繁的能耗固定[14]管控技術(shù)作為對(duì)比。測(cè)試主要通過持續(xù)增加移動(dòng)流量規(guī)模來記錄兩種技術(shù)下節(jié)點(diǎn)的能耗表現(xiàn),如圖3所示。

圖3 不同移動(dòng)流量規(guī)模下的能耗管理

從兩種技術(shù)曲線走勢(shì)可以看出,在發(fā)起小規(guī)模移動(dòng)流計(jì)算請(qǐng)求時(shí)兩種管控技術(shù)下的能耗都較低且高度接近,甚至固定管控技術(shù)略占優(yōu)勢(shì)。原因是自適應(yīng)管控技術(shù)在響應(yīng)每一次提請(qǐng)的移動(dòng)流時(shí),虛擬服務(wù)單元都要開展一次工作狀態(tài)評(píng)估和計(jì)算參數(shù)調(diào)整的工作,額外消耗一系列能耗。而固定管控技術(shù)省去了這一過程。但隨著提請(qǐng)的移動(dòng)計(jì)算流規(guī)模持續(xù)增加,數(shù)據(jù)處理能力較弱的霧節(jié)點(diǎn)很快進(jìn)入重載狀態(tài)并引發(fā)移動(dòng)流擁塞。這導(dǎo)致節(jié)點(diǎn)能耗急劇增加,曲線瞬間陡增。此時(shí)自適應(yīng)管控技術(shù)則逐漸發(fā)揮出管理優(yōu)勢(shì)。因?yàn)樵摷夹g(shù)采用了虛擬化計(jì)算策略,能夠根據(jù)移動(dòng)流規(guī)模的動(dòng)態(tài)變化科學(xué)地評(píng)估每個(gè)虛擬服務(wù)單元可執(zhí)行的計(jì)算量。在確保順利響應(yīng)移動(dòng)計(jì)算服務(wù)的前提下,最小化每個(gè)虛擬機(jī)的能耗,并且在大規(guī)模的移動(dòng)計(jì)算流通信環(huán)境中,自適應(yīng)管控技術(shù)的個(gè)性化流量分配優(yōu)勢(shì)越能得到發(fā)揮,因此曲線斜率并未隨移動(dòng)流量規(guī)模持續(xù)增加而變大。隨著移動(dòng)流量規(guī)模進(jìn)一步增加,全網(wǎng)節(jié)點(diǎn)數(shù)據(jù)存儲(chǔ)和計(jì)算處理能力均趨于飽和,網(wǎng)絡(luò)擁塞現(xiàn)象逐漸顯現(xiàn)。這導(dǎo)致能耗瞬間陡增,曲線斜率陡增。這樣的趨勢(shì)無法避免,因此兩條曲線的末端將逐漸靠近。

5 結(jié)語

本文根據(jù)異構(gòu)車聯(lián)網(wǎng)節(jié)點(diǎn)屬性提出一種基于移動(dòng)計(jì)算資源個(gè)性化響應(yīng)機(jī)制。該機(jī)制由遠(yuǎn)程云端和邊緣霧端協(xié)作分工共同響應(yīng)移動(dòng)大數(shù)據(jù)流量的計(jì)算服務(wù)。所設(shè)計(jì)的自適應(yīng)服務(wù)響應(yīng)機(jī)制在輕量級(jí)移動(dòng)接入中表現(xiàn)穩(wěn)定,在應(yīng)對(duì)邊緣車端發(fā)起大規(guī)模隨機(jī)突發(fā)移動(dòng)接入計(jì)算時(shí),潛在的優(yōu)勢(shì)愈加得到良好的發(fā)揮,為移動(dòng)車端用戶贏得QoS。