移动云计算中服务图像定位系统的节能算法

覃 川, 谢显中, 邓茹月

(重庆邮电大学 a. 个人通信研究所； b. 宽带接入网络研究所, 重庆 400065)

0 引 言

随着移动互联网的发展, 云计算服务已经逐渐从单纯的PC机扩展到移动终端设备上[1,2], 因此移动云计算应运而生。移动云计算的出现解决了移动终端本身限制[3]。移动用户可在云平台上运行复杂程序, 同时移动终端并不需要过高配置, 利用瘦客户机(Thin Client)获得丰富的业务与最优的服务, 该方法称为远端显示解决方案[4]。

在远端显示解决方案中, 移动用户通过一个浏览器窗口接受程序运行结果, 从而实现远端显示解决方案, 不仅节约了开发成本, 也降低了应用程序对硬件要求。远端显示解决方案的服务质量直观反应在用户屏幕上, 而服务质量直接取决于用户的网络条件。对于远端显示解决方案, 现有研究主要致力于数据中心的虚拟机定位方面研究[5-7]。文献[8]提出了一种服务图像定位系统, 采用基于虚拟机定位的远端视频图像方案, 给出了一个最小化系统耗能算法, 一旦用户出现移动情况, 系统就重新分配资源, 所以该算法仅适合用户较少移动情况。由此可见, 在系统资源分配方案上还有进一步改善空间。

针对文献[8]中服务图像定位系统在分配资源时过度耗能问题, 笔者在现有系统基础上增加了一个无线信道条件的监测模块, 根据用户移动后的无线信道条件, 给出了一种改进的资源分配方案, 从而为系统节约能量。另外, 笔者根据仿真结果与最新文献比较, 证实了该系统能耗得到较好的改善。

1 服务图像定位系统概念

图1 服务图像定位系统模型

笔者采用的移动云计算架构见文献[1]。图1所示为服务图像定位系统的应用模型[8]。系统采用服务方式是远端显示解决方案, 通过接受用户服务请求, 在云端服务器上完成程序运行, 最终将运行结果返回给用户。

在图1模型中, 各种云内服务由不同服务图像(SIs: Service Images)控制； 而移动云会根据用户请求创建一个远端视频图像(RSIs: Remote Screen Images)运行各种服务, 二者都作为系统内的虚拟机存在。首先用户终端通过连接移动云发出请求, 移动云运营商根据用户请求, 创建一个RSI, 随后RSI将搜寻控制用户所请求服务的SI, 然后RSI将接收来自此SI所提供的数据, 随后在屏幕上运行, 最后将运行结果以截屏方式发送给移动终端。

2 改进的服务图像定位系统架构

由于用户移动, 无线信道条件会发生变化, 为此, 笔者在文献[7,8]描述系统构架基础上, 增加了一个无线信道条件的监测模块, 无线信道监测模块的功能由移动终端接入的基站实现, 基站将用户无线信道监测的数据发送到数据中心进行处理。当系统监测到用户移动时, 原由用户位置监测模块发送给性能监测器的触发信号, 现在只发送给无线信道监测模块, 其构架如图2所示。

图2 改进的服务图像定位系统构架

无线信道监测模块收到用户位置移动的触发信号后, 持续对用户所在的无线信道条件进行监测, 并及时计算用户的服务质量。如服务质量下降到用户接受范围以外, 则向性能监测模块发送一个重新分配资源的触发信号。系统的其他模块则参照文献[8]功能保持不变, 包括对每个服务请求构建资源需求矩阵的资源监测, 网络成本监测、 用户位置监测以及系统性能监测。原系统在用户移动后进行资源分配, 由于增加无线信道监测模块可在一定条件下不为这一部分移动用户分配资源, 从而节约能量。

基于改进服务图像定位系统构架如图3所示, 笔者的服务图像定位系统数据中心网络采用3层树形(Tree)拓扑结构[9]。顶层的核心交换机输出端数目用p2表示, {ai|i=1,2,…,p2}表示从核心交换机到下一层交换机的时间响应。第2层的聚合交换机到下一层交换机的输出端数目用p1表示, {aij|i=1,2,…,p2;j=1,2,…,p1}表示到下一层接入交换机的时间响应。最底层的接入交换机输出端数目用p0表示, 笔者同样假设任何位置到接入交换机的时间响应都为一个定值A。

图3 树形拓扑结构

网络成本矩阵不仅取决于跳数, 同样跟两点之间的时间响应有关, 成本矩阵计算如下[8]

C(i,j)=αh(i,j)+(1-α)t(i,j)

(1)

根据图3所示, 成本矩阵可进一步表示为

(2)

其中C(i,j)为有效位置i和j之间的综合成本,α∈[0,1]是个权衡跳数和两点之间最大时间响应参数, 云运营商根据不同场景设置α值, 文献[8]中对α分别取值并进行了仿真, 笔者仿真时采用了比较适中的取值0.6。“∧”表示逻辑与。h(i,j)指位置i到位置j的跳数,t(i,j)指位置i到位置j的时间响应。举例如图3中的位置1到位置16的跳数为5, 最大时间响应可表示为max(A,a11,a1,a4,a41)。

3 改进的重新分配资源方案

原方案仅适用于用户较少移动的场景, 针对此问题, 笔者根据监测无线信道结果, 提出了一个改进的重新分配资源方案。用户移动后, 原方案则立即为用户在系统内重新分配资源, 既消耗传输能量, 也消耗运行能量。而改进方案中, 当用户所占用的无线信道衰落并不影响用户的服务质量[10]时, 若用户接收的服务图像质量在用户的可接受范围内, 则系统不必为此移动用户再重新分配资源, 从而节约为用户重新分配资源时所消耗的能量。

3.1 服务图像定位系统的能耗计算

假设一个资源或服务由一个SI单独控制, 系统中所有物理机和在云上分配的虚拟机都有相同的配置(即CPU和内存等)。RSI={RSI1,…,RSIn}和SI={SI1,…,SIm}分别表示n个远端视频图像和m个服务图像。一个有效位置指的是可以在主机上分配CPU/内存的一个虚拟机, 一个主机可以支持确定数目的图像, 正是因为可以分配足够多的有效位置, 同时假设RSI都是初始化在离用户最近的有效位置。本文中, 系统总能耗的计算沿用了文献[7]中计算方案, 系统资源分配成本由综合成本矩阵C和资源需求矩阵R计算。综合成本矩阵指有效位置i到j之间根据树形拓扑结构计算的总消耗, 可由式(1)和式(2)进行计算, 而资源需求矩阵R(u,v)指的一项服务或应用所要求的数据资源在SI与RSI之间传输所需能耗, 笔者在计算资源需求矩阵时采用文献[7]中的设定值。因此系统总能耗为系统每分配一次资源的能耗总和, 即

(3)

其中π(x)表示虚拟机x上分配的有效位置。

3.2 图像质量评价

表1 主观评价图像质量等级

1) 主观评价方法。在图像质量评价研究中, 分为主观和客观两种方法, 其中主观质量评价是较为准确的评价方法, 因为主观评价方法是根据人眼的直观感觉评定。例如, 根据ITU-RBt500规定, 将图像质量等级分为5个等级[11]。在标准环境下对图像质量评估标准如表1所示。

2) 客观评价方法。图像质量的客观评价方法较多, 均使用客观的数据进行分析[12], 常用的参数有峰-值信噪比(PSNR： Peak Signal to Noise Ratio,RPSNR)和均方误差(MSE： Mean Square Error,EMSE)[13]。

(4)

(5)

3.3 重新分配资源方案

系统中RSI在处理完数据后, 将运行结果截屏并以图像形式传送给用户, 用户接收到图像后, 根据上述的图像质量评价方法, 结合主观和客观的图像质量评价方法对用户接收到的图像质量进行综合评价, 从而得出用户可接受的图像质量范围, 即服务质量范围。

当出现用户移动情况, 无线信道监测模块将一直监测用户所占用的无线信道的衰落情况。图像在无线信道中传输主要是受信噪比和误码率的影响[14], 当用户移动到新位置时, 无线信道的衰落并不明显, 即信噪比较高且误码率较低, 所以此时对于图像传输影响并不大, 并且根据图像质量评价可得出用户收到的图像在用户可接受的范围内, 即不影响用户的服务质量, 此时系统不再为此类用户重新分配资源, 从而大量节约原方案为此类用户分配资源时消耗的能量。能量的节约量取决于移动后服务质量处于可接受范围以内的用户数。

3.4 服务质量接受范围

图像在无线传输过程中, 除了受到高斯白噪声影响, 还会受到瑞利衰落影响。笔者通过大量仿真模拟无线信道中图像的传输[15], 同时加入加性高斯白噪声或随机噪声影响, 通过观察信噪比(SNR： Signal Noise Ratio,RSNR)以及误码率的调整观察接收图像的PSNR值, 并结合主观和客观的图像质量评价方法, 得到用户服务质量的接受范围。

在高斯信道中, 笔者仿真了从RSNR=-5 dB到RSNR=10 dB的情况, 并对各信噪比条件下接收图像的PSNR进行了计算。图4a为原图像, 图4b～图4f显示了各信噪比条件下用户接收图像。并且在后续仿真中, 图5则显示了在各信噪比条件下对应图像的PSNR值。

结合主观和客观的评价方法, 在高斯信道条件下接收图像中可清晰看到, 在RSNR≈-5 dB时接收图像完全不能观看, 属于5级质量中的“坏”等级, 即MOS为1分情况； 当RSNR=2 dB时对应质量等级中的“差”等级； 当RSNR=5 dB时, 图像能看清大概轮廓, 但仍有少量白点出现, 属于MOS为3的质量“中”等级； 当RSNR=8 dB时, 对应的RPSNR=58 dB时, 图像有较少的劣化, MOS为4, 图像等级为良, 完全不影响观看。所以针对高斯信道, 笔者将此时的SNR及PSNR的值作为系统是否重新分配资源标准, 即系统的无线信道监测模块监测到用户移动后的无线信道条件在RSNR≥8 dB情况下, 系统不再重新分配资源, 从而节省系统再次分配资源的能量。

a 原始图像 b RSNR=-5 dB c RSNR=2 dB

而在瑞利信道中, 由于信道衰落具有随机性, 最终采用多次仿真的平均结果, 方法同高斯信道一样, 在此不将图像一一列举, 但在瑞利信道中, 图像传输对信噪比的条件要求更高, 所以笔者针对瑞利信道中重新分配资源的标准,RPSNR的值不变, 但RSNR≥20 dB, 而在瑞利信道条件下,RSNR和RPSNR之间的关系在仿真图6中也可以清晰地看到。

4 仿真与分析

4.1 仿真设置

笔者使用数据仿真评估系统的能耗, 为与文献[8]方法(简称为原方法)进行比较, 所有仿真所需参数沿用了文献[8]的值, 具体参数如表2所示。在树形拓扑结构的网络中, 核心交换机、 聚合交换机和接入交换机的输出端数目别分设置为p2=5,p1=20,p0=40。物理机的总数能达到4 000台。各交换机的输出端时间响应采用(20,15)的正态分布随机设置。用户数由10递增至1 000, 用户位置随机分配, 并且设定SIs的数目从5递增至500, 各SI上的资源需求同样服从(20,15)正态分布。所有物理机最大能分配的虚拟机数目为4。并且在权衡跳数和时间响应的α取值为0.6。假设满足用户不重新分配资源要求, 即服务质量在用户可接受范围内的用户占移动用户总数的30%。

而在图像传输的仿真中, 对于高斯信道设置信噪比从-5～12 dB的范围, 对于瑞利信道的信噪比范围的设置则从10～23 dB。

(续表2)

取值分布均值方差物理机(PM)容量4用户移动后服务质量在可接受范围内占总用户数比例/%30高斯信道中RSNR/dB-5～12瑞利信道中RSNR/dB10～23

4.2 仿真结果与分析

图5和图6分别表示了在高斯信道和瑞利信道条件下, 图像的PSNR值随着信噪比的增长而增长, 分别在RSNR=8 dB和RSNR=20 dB时达到笔者提出用户可接受的服务质量范围, 即RPSNR=58 dB。

图5 高斯信道条件下PSNR与SNR的关系 图6 瑞利信道条件下PSNR与SNR的关系

图7 系统总能耗比较

从图7仿真系统总能耗可看出, 由于笔者提出的重新分配能量条件, 针对一部分移动后的用户不再重新分配资源, 从而在系统总能耗上, 随着用户数的增多, 节约的能量也显著增加。这个能量节约的幅度可根据用户可接受的服务质量范围确定, 根据笔者仿真条件, 能量节省在30%左右。

5 结 语

笔者在现有服务图像定位系统架构的基础上增加了一个无线信道条件的监测模块, 并给出了一种改进的重新分配资源方案。该方案从无线信道条件出发, 结合主观和客观的图像质量评价方法设定一个用户可接受的服务质量范围, 根据用户移动情况分配资源, 若用户处于可接受的服务质量范围内, 则系统不为其重新分配资源, 从而为系统节约能量。在未来的工作中, 笔者将研究当一个用户同时申请多个服务时, 研究无线信道对各个图像质量的影响, 进一步完善服务质量可接受范围的判定方法, 从而使系统尽可能的节约更多的能量。

参考文献：

[1]邓茹月, 覃川, 谢显中. 移动云计算的应用现状及存在问题分析 [J]. 重庆邮电大学学报, 2012, 24(6): 716-723.

DENG Ru-yue, QIN Chuan, XIE Xian-zhong. The Application Status and Problem Analysis of Mobile Cloud Computing [J]. Journal of Chongqing University of Posts and Telecommunications, 2012, 24(6): 716-723.

[2]NIROSHINIE FERNANDO, SENG W. Loke and Wenny Rahayu, Mobile Cloud Computing: A Survey [J]. Future Generation Computer Systems, 2013(29): 84-106.

[3]KUMAR K, YUNG-HSIANG L. Cloud Computing for Mobile Users: Can Offloading Computation Save Rnergy [J]. Computer, 2010,43(4): 51-56.

[4]PIETER SIMOENS, FILIP DE TURCK, BART DHOEDT, et al. Remote Display Solutions for Mobile Cloud Computing [J]. Computer,2011, 44(8): 46-53.

[5]MENG X, PAPPAS V, ZHANG L. Improving the Scalability of Data Center Networks with Traffic-Aware Virtual Machine Placement [C]∥INFOCOM, 2010 Proceedings IEEE. [S,l.]: IEEE, 2010: 1-9.

[6]PIAO J T, YAN J. A Network-Aware Virtual Machine Placement and Migration Approach in Cloud Computing [C]∥Proceedings of 2010 9th International Conference on Grid and Cooperative Computing (GCC). Nanjing, China: IEEE Press, 2010: 87-92.

[7]FREIMUTH, DOUGLAS M, MENG Xiao-qiao, et al. Placement of Virtual Machines Based on Server Cost and Network Cost [P]. US: Patent 20110225277, 2011-09-15.

[8]NGUYEN TIEN-DUNG, MUI VAN NGUYEN, HUH EUI-NAM. Service Image Placement for Thin Client in Mobile Cloud Computing [C]∥Proceedings of IEEE 5th International Conference on Cloud Computing (CLOUD2012). [S.l.]: IEEE, 2012: 416-422.

[9]AL-FARES M, LOUKISSAS A, VAHDAT A. A Scalable, Commodity Data Center Network Architecture [C]∥Proceedings of the ACMSIGCOMM 2008 Conference on Data Communication, ACM SIGCOMM2008. Seattle, USA: [s.n.], 2008: 63-74.

[10]ZHANG Peng, YAN Zheng. A QoS-Aware System for Mobile Cloud Computing [C]∥Proceedings of IEEE International Conference on Cloud Computing and Intelligence System(CCIS). Beijing, China: IEEE Press, 2011: 518-522.

[11]陈正宇. 无线网络中图像传输的QoS研究 [D]. 南京： 南京邮电大学通信与信息工程学院, 2006.

CHEN Zheng-yu. Research of the QoS for Video Transmission over Wireless Networks [D]. Nanjing: School of Communication and Information Engineering, Nanjing University of Posts and Telecommunications, 2006.

[12]刘树昌, 刘鹏, 王延海, 等. 大容量高速视频图像传输技术研究 [J]. 吉林大学学报: 信息科学版, 2011, 29(1): 21-25.

LIU Shu-chang, LIU Peng, WANG Yan-hai, et al. Research on Large-Capacity High-Speed Video Image Transmission Technology [J]. Journal of Jilin University: Information Science Edition, 2011, 29(1): 21-25.

[13]ADEL ALMOHAMMAD, GHEORGHITA GHINEA. Stego Image Quality and the Reliability of PSNR [C]∥Proceedings of 2010 2nd International Conference on Image Processing Theory Tools and Applications (IPTA). Paris, France: IEEE Press, 2010: 215-220.

[14]康钰, 谢显中. 用智能天线和功率控制提高感知系统信干噪比 [J]. 吉林大学学报: 信息科学版, 2010, 28(4)： 340-346.

KANG Yu, XIE Xian-zhong. Algorithm Based on Beam-Forming and Power Control to Improve SINR in Cognitive Radio [J]. Journal of Jilin University: Information Science Edition, 2010, 28(4)： 340-346.

[15]金鑫. 无线信道传播模型的研究与实现 [D]. 北京： 北京邮电大学信息与通信工程学院, 2010.

JIN Xin. Research and Implementation of Radio Channel Propagation Model [D]. Beijing: School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, 2010.