Escalonamento de Tarefas Ciente de Contexto para Computação de Borda Veicular

• Joahannes B. D. da Costa UNICAMP
• Allan M. de Souza UNICAMP
• Rodolfo I. Meneguette USP
• Eduardo Cerqueira UFPA
• Denis Rosário UFPA
• Leandro A. Villas UNICAMP

DOI: https://doi.org/10.5753/sbrc.2022.221910

Resumo

A Computação de Borda Veicular é um paradigma promissor que fornece serviços de computação em nuvem próximo dos usuários veiculares. Veículos e infraestruturas de comunicação podem cooperativamente atender serviços veiculares com restrições de baixa latência através da formação de nuvens veiculares e utilização dos recursos computacionais dessas nuvens, sendo este último processo chamado de escalonamento de tarefas. Um escalonador de tarefas eficiente precisa decidir qual nuvem veicular executará as tarefas, levando em consideração aspectos como mobilidade veicular e requisitos das tarefas. Isso se faz importante para minimizar o tempo de processamento e o custo monetário na utilização do poder computacional. No entanto, as soluções da literatura não consideram esses aspectos contextuais conjuntamente, o que pode degradar a eficiência geral do sistema. Assim, apresenta-se o CARONTE, um escalonador de tarefas que considera aspectos contextuais em seu processo de decisão. Os resultados mostraram que o CARONTE é capaz de escalonar mais tarefas enquanto minimiza custo monetário, atraso de computação e tempo de fila, quando comparado com abordagens do estado da arte.

Referências

Boukerche, A. and Soto, V. (2020). Computation offloading and retrieval for vehicular edge computing: Algorithms, models, and classification. ACM Computing Surveys (CSUR), 53(4):1–35.

da Costa, J. B. D., Peixoto, M. L. M., Meneguette, R. I., Rosário, D. L., and Villas, L. A. (2020). Morfeu: Mecanismo baseado em otimização combinatória para alocação de tarefas em nuvens veiculares. In Anais do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 505–518. SBC.

de Souza, A. M., Oliveira, H. F., Zhao, Z., Braun, T., Villas, L., and Loureiro, A. A. F. (2020). Enhancing sensing and decision-making of automated driving systems with multi-access edge computing and machine learning. IEEE Intelligent Transportation Systems Magazine, 14(1):44–56.

Guidoni, D. L., Maia, G., Souza, F. S., Villas, L. A., and Loureiro, A. A. (2020). Vehicular traffic management based on traffic engineering for vehicular ad hoc networks. IEEE Access, 8:45167–45183.

Hattab, G., Ucar, S., Higuchi, T., Altintas, O., Dressler, F., and Cabric, D. (2019). Optimized assignment of computational tasks in vehicular micro clouds. In II International Workshop on Edge Systems and Networking (EdgeSys 2019), pages 1–6. ACM.

Li, C., Zhang, B., and Tian, X. (2021). Throughput-optimal dynamic broadcast for sinrbased multi-hop wireless networks with time-varying topology. IEEE Transactions on Vehicular Technology, 00(0):0–0.

Lieira, D. D., Quessada, M. S., da Costa, J. B., Cerqueira, E., Rosário, D., and Meneguette, R. I. (2021). Tovec: Task optimization mechanism for vehicular clouds using meta-heuristic technique. In 2021 International Wireless Communications and Mobile Computing (IWCMC), pages 358–363. IEEE.

Liu, Y., Yu, H., Xie, S., and Zhang, Y. (2019). Deep reinforcement learning for offloading and resource allocation in vehicle edge computing and networks. IEEE Transactions on Vehicular Technology, 68(11):11158–11168.

Luo, Q., Li, C., Luan, T., and Shi, W. (2021). Minimizing the delay and cost of computation offloading for vehicular edge computing. IEEE Transactions on Services Computing, 1374:1–12.

Meneguette, R., De Grande, R., Ueyama, J., Filho, G. P. R., and Madeira, E. (2021). Vehicular edge computing: Architecture, resource management, security, and challenges. ACM Computing Surveys (CSUR), 55(1):1–46.

Sorkhoh, I., Ebrahimi, D., Atallah, R., and Assi, C. (2019). Workload scheduling in vehicular networks with edge cloud capabilities. IEEE Transactions on Vehicular Technology, 68(9):8472–8486.

Wang, X., Ning, Z., Guo, S., and Wang, L. (2020). Imitation learning enabled task scheduling for online vehicular edge computing. IEEE Transactions on Mobile Computing, pages 1–14.

Wu, X., Zhao, S., Zhang, R., and Yang, L. (2020). Mobility prediction-based joint task assignment and resource allocation in vehicular fog computing. In IEEE Wireless Communications and Networking Conference (WCNC), pages 1–6. IEEE.