* DREAM: Dynamic Resource and Task Allocation for Energy Minimization in Mobile Cloud Systems
Jeongho Kwak, Member, IEEE, Yeongjin Kim, Student Member, IEEE, Joohyun Lee, Member, IEEE,
and Song Chong, Member, IEEE를 읽고 작성된 글입니다.
4. Trace and Dataset Driven Simulation
A. Measurement, Traces and Datasets
CPU, network energy 모델의 현실적인 parameter를 얻기 위해 4대의 스마트폰을 활용하였다고 한다.(LTE, 3G)
다양한 clock speed의 CPU아 3G,LTE,WiFi와 같은 네트워크 인터페이스의 에너지 소비를 Monsson power monitor를 활용하여 측정하였다고 한다. 해당 프레임워크는 총 전력 소비만을 측정할 수 있기 때문에 다른 외부요인을 차단하기 위해 오로지 관련 기능만 켜둔다. CPU 측정은 무한 루프 컴퓨팅 작업량을 주입하여 100%를 사용한다. 그 후, 측정 결과를 cpu 에너지 함수에 맞추고 매개 변수를 정리했다.(Table I)
Trace 1(Throughput and WiFi availability)
네트워크 처리량과 WiFi 사용 가능성을 획득하기 위해 스마트폰 용 측정 애플리케이션을 개발하였다고 한다. 이 앱은 20초마다 2MB 파일을 서버로 전송하고 WiFi 사용 가능성을 기록한다. (사용자가 서버에 데이터를 전송할 수 있는 WiFi AP만을 기록) 서버는 전송된 파일 크기를 경과 시간으로 나누어 업링크 처리량을 계산한다.
(업링크 처리량은 데이터가 사용자의 장치에서 인터넷 또는 다른 네트워크 서비스로 전송되는 속도를 이야기한다.)
보통 활동 기간(오전 9시부터 오후 9시까지)의 평균 WiFi 커버리지는 63%였다고 한다.
DataSet 1(workload의 파일 크기 및 처리 밀도)
각 task의 workload, traffic arrival들을 생성하기 위해 YouTube 비디오 크기 분포 데이터 셋을 활용하였다고 한다.
(평균 파일 크기는 6.249 MB였다고 한다.)
Youtube 데이터셋에서 가져온 분포에 따라 베르누이 도착을 생성했다고 한다.
(각 시간 단위에서 특정 확률 p에 따라 파일이 도착하거나 도착하지 않는 것을 모델링할 수 있다.)
Table 2는 다양한 어플리케이션에서의 처리밀도이다.
B. Simulation Setup
시뮬레이션 단계에서는 2가지를 고려할 수 있다. 멀티 타입 시나리오(PA,CA,NA)가 스마트폰에서 동시에 실행되는 경우와 싱글 타입 시나리오(CA또는 NA)만이 실행된다.
PA,CA 및 NA의 평균 arrival rate은 1 Mbps ~ 0.5 Mbps로 설정하고 파일이 베르누이 과정으로 도착한다고 가정하자.
offload 가능한 workload의 최소 offloading 단위는 100 KB로 설정하자.
Schedule 일정 (θc(t), θn(t)) 과 rc(t)에 대한 제어 간격은 1초, l(t)에 대한 간격은 20초로 설정하자.
(Vertical handover delay로 인해 WiFi와 셀룰러 인터페이스 간에 관련 네트워크를 빠르게 변경할 수 없다.)
Dream 알고리즘의 성능을 분석하기 위해 한 파일을 처리하거나 전송하는데 드는 에너지, delay, 다양한 type 간의(NA,PA,CA) delay 공정성, 에너지 소비 비율 이다. 지연 공정성으로는 제인의 공정성 지수를 활용한다.
C. Simulation Results
1. 알고리즘들과의 비교
Fig.3.는 LTE+WiFi 및 멀티 타입 시나리오에서 DREAM과 기존 알고리즘의 에너지-지연 트레이드 오프를 나타낸다.
DREAM이 에너지 절감을 할 수 있는 이유는 시간 슬롯과 함께 CPU 속도를 평활화함으로써 CPU 에너지를 절약할 수 있고 무선 채널 조건이나 네트워크 사용 가능성은 시간에 따라 변하며 더 나은 채널 조건이나 에너지 효율적인 네트워크를 기다림으로써 네트워크 에너지를 절약할 수 있다. DREAM은 목적 함수에 시간 변동성이 있는 무선 채널 상태, 네트워크 사용 가능성 및 모든 유형의 workload arrival을 고려하여 task schedule, CPU clock spd, Network Interface selection을 공동으로 고려하기 때문이다. 또한 세 가지 작업 타입 큐를 공정하게 안정화하기 때문에 그림 (b)에서 보여지듯이 공정성 지수도 높다.
2. dynamic resource selection의 영향(DRS)
DRS의 영향을 분석하기 위해 CA가 CPU에만 할당되는 경우와 CA가 Networking resource만 선택하는 경우를 고려해야한다. Fig.4. , Fig.5.를 보면 DREAM은 CA를 동적으로 다루며 평균적으로 에너지 소비율이 가장 적다는 것을 알 수 있다.
(처리밀도가 증가함에 따라(CPU spd up) CPU 부분의 에너지 소비가 높아지며, DREAM은 network resource 선택을 더 많이하게 된다. 따라서 CA는 cycle이 올라갈 수록 network 선택의 비율이 올라간다.)
3. 처리 밀도의 영향
그럼 5의 a를 보면 처리밀도가 높아질 수록 PA와 CA가 동일한 양의 작업을 처리하는데 더 많은 CPU 에너지를 소비하며, 전체적으로 총 에너지의소비량과 지연시간이 증가한다는 것을 알 수 있다.
4. 파일 크기와 tradeoff parameter의 영향
그림 7(a)를 보면 같은 arrival rate을 가진 3G+Wifi에 대해 파일 크기가 커지고 도착 간격이 짧아짐에 따라 셀룰러 쪽의 전송이 잦아져 tail 에너지가 증가하는 것을 알 수 있고, 이로 인해 네트워크 에너지의 비율이 커짐을 알 수 있다.
그러나 DREAM은 V를 조정함으로써 에너지 효율을 평가하고 네트워크 인터페이스를 선택하게 하여 테일의 수를 줄일 수 있다.
5. WiFi temporal coverage의 영향
Fig. 8.은 WiFi에서 WiFi temporal coverage가 에너지 소비에 미치는 영향을 보여준다. WiFi coverage가 올라갈 수록 CA,NA의 에너지 소모가 줄어드는 것과, DREAM이 Network offloading을 선택하는 비율이 커지는 것을 알 수 있다.
(local CPU의 효율보다 WiFi가 더 좋기 때문에)
5. IMPLEMENTATION AND EXPERIMENT
DREAM의 구조는 다음과 같다. Application이 발생시킨 Task를 Task Classifier에서 분류하여 enqueue한다.
그 후 Queue status를 조회해가며 DREAM 알고리즘이 작동해 Application Scheduler에서 task를 schedule한다.
이 때, 알고리즘의 동작 결과로 CPU speed와 Network Interface를 선택하는 관리자들이 존재한다. 데이터의 속도는 전송의 과거 기록에서 추정하여 처리된다.
(WiFi Coverage를 조정하기 위해 직접 WiFi를 종료했다가 실행시키는 것을 반복했다고 한다.)
6. Conclusion
현대 스마트폰의 높은 CPU clock frequency 및 network energy consumption을 줄이기 위한 방법으로, Mobile Cloud 시스템에서 에너지 효율적인 Offloading policy와 CPU spd control, Network interface selection을 연구했다.
기존 연구들과 다르게 동적인 네트워크 환경에서 3가지 type의 task들을 나누어서 최적화를 했고, 이들간의 Queue Length balancing도 고려를 하였다.
결과적으로 작은 delay를 통해 높은 에너지 절약을 달성할 뿐만 아니라 delay 측면에서 다양한 유형의 작업을 공정하게 스케줄링하여 제약조건을 지킨다는 것을 증명하였다. 또한 실제로 플랫폼에서 구현함으로써 DREAM의 실제 적용 가능성을 입증하였다.