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(lái)智能網(wǎng)聯(lián)汽車(chē)市場(chǎng)高速發(fā)展促進(jìn)了車(chē)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(chē)聯(lián)網(wǎng)[1]技術(shù)的部署成效。隨著惠民購(gòu)車(chē)政策相繼出臺(tái),該云車(chē)網(wǎng)將涌現(xiàn)出大規(guī)模移動(dòng)智能汽車(chē)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(chē)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(lái)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(zhǎng)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(guò)挖掘和調(diào)度邊緣霧計(jì)算資源為移動(dòng)車(chē)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(chē)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(guò)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(chē)網(wǎng)中云霧兩端資源來(lái)響應(yīng)邊緣移動(dòng)車(chē)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(chē)端用戶請(qǐng)求的QoS與異構(gòu)云車(chē)網(wǎng)的效能,考慮通過(guò)分布式挖掘邊緣霧端移動(dòng)計(jì)算資源來(lái)逐級(jí)配合云計(jì)算的協(xié)作[4]服務(wù)模式。為便于說(shuō)明異構(gòu)云車(chē)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(chē)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(chē)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(chē)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(chē)端用戶均通過(guò)邊緣霧層的無(wú)線基站和路側(cè)單元來(lái)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(wèn)題,關(guān)乎到整個(gè)異構(gòu)云車(chē)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(chē)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(zhēng)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(shuō)明FCM算法特性,為異構(gòu)虛擬云車(chē)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(kāi)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(chē)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(kāi)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(chē)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(wú)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(wú)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(chē)端發(fā)起的移動(dòng)大數(shù)據(jù)接入請(qǐng)求到邊緣車(chē)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T(mén)c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(chē)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(guò)引入向量級(jí)流量規(guī)模s來(lái)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(chē)端向軟件定義異構(gòu)云車(chē)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(lái)自流量的上傳下達(dá)[7]過(guò)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(wèn)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(guò)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(chē)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(chē)端突發(fā)提請(qǐng)大規(guī)模服務(wù)計(jì)算請(qǐng)求的場(chǎng)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(wèn)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(wú)策。因此可考慮將效能約束的優(yōu)化求解轉(zhuǎn)換成無(wú)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(wú)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(wú)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(wú)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(wú)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(guò)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(wèn)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(kāi)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(guò)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(kāi)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(guò)程的描述可知,在軟件定義異構(gòu)虛擬云車(chē)網(wǎng)中部署了FCM算法的霧節(jié)點(diǎn),最終通過(guò)降低移動(dòng)流量的傳輸時(shí)延來(lái)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(lái)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(kāi)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(chē)網(wǎng)中的成效,測(cè)試方案開(kāi)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(chē)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(kāi)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(guò)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(chē)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(guò)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(lái)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(chē)網(wǎng)中3種移動(dòng)流量調(diào)度方案為車(chē)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(kāi)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(guò)協(xié)調(diào)各類(lèi)霧節(jié)點(diǎn)來(lái)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(wú)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(wèn)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(guò)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(guò)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(kāi)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(chē)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(chē)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(lái)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(chē)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(guò)持續(xù)增加移動(dòng)流量規(guī)模來(lái)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(kāi)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(guò)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(wú)法避免,因此兩條曲線的末端將逐漸靠近。

5 結(jié)語(yǔ)

本文根據(jù)異構(gòu)車(chē)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(chē)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(chē)端用戶贏得QoS。