【论文】略读笔记53-前沿-实时任务边缘各类设备组网

📖《RIDIC: Real-Time Intelligent Transportation System With Dispersed Computing》

2024 年发表于 CCF-B 类期刊 IEEE Transactions on Intelligent Transportation Systems。

🎯需求

• 现代交通大数据具有高容量、高速度、高多样性等特点，开发用于数据分析的智能交通系统越来越具有挑战性。
  • 现代交通行业的快速发展使得构建智能交通系统来分析海量交通数据并基于分析做出适当的决策变得越来越具有挑战性。基于交通数据的分析有利于驾驶员和行人，因为智能系统可以做出更准确和个性化的时间表，并提高交通管理部门的效率。
  • 交通数据具有以下特点：高流量、高速度、多样化。
    • 高流量：由于各种数据源包括智能汽车和摄像头、路边摄像头等，生成的交通数据对智能系统准确及时地处理这些数据提出了挑战。
    • 高速度：由于车辆和行人的移动速度很高，因此处理速度也很高。
    • 多样化：虽然我们可以组织一个集群来处理海量工作负载，但这些对象的多样性使集群不稳定，增加了为本地集群提供计算能力的难度。
  • 因此，通过探索智能设备的计算能力，构建智能交通系统，推动交通管理边界成为当务之急。

🚧现状

• 当前的交通系统求助于云计算来部署其应用程序。
  • 云计算的蓬勃发展和广泛应用，为交通数据处理系统的设计提供了更多重要的机遇和可能性。主流云计算以平台即服务（PaaS）为特色，在中央服务器上部署系统和软件，并向外部提供服务。大量的交通数据被传输到数据中心进行进一步分析，如驾驶员违规检测和事故警告和处理。
    • 传统的云计算将数据传输到中央服务器进行处理，给它们带来了巨大的压力。
    • 边缘计算将计算卸载到边缘服务器进行处理，减少数据传输时间和中央服务器的计算压力。边缘计算在智能交通系统的多个方面都发挥了重要作用，例如交通流量预测、视频分割、交通信号控制和深度学习辅助处理。
    • 雾计算是云计算的一种新范式，它将计算需求调度到更靠近数据源的不同分布式计算中心。它还旨在促进智能交通系统的发展，例如，改进交通数据分析和检测，控制道路上的交通信号灯。
• 然而，目前主流的云计算框架仍未很好地解决智能交通系统中的两大挑战，缺乏实时处理和智能路边设备利用不足。
  • 第一个挑战是缺乏对交通大数据的实时处理能力。
    • 无论是边缘计算还是雾计算，数据源都需要将生成的数据传输到数据中心，这使得数据中心的处理压力更加强烈，数据传输时间不容忽视。
    • 然而，由于交通是一个瞬息万变的场景，高时延处理方法无法灵活地对交通数据进行分析和决策。
    • 因此，现代智能交通处理系统考虑如何为大数据提供足够的短距离算力，以降低传输时延，提高灵敏度。
  • 第二个挑战是各种可用的路边智能设备利用不足。
    • 随着路边设备功能的提升，许多设备不再局限于数据感知和传输，还可以进行数据分析和决策。例如，
      • 基于FPGA的智能相机用于实时视频分析和神经计算。
      • 未来的智能汽车可以使用深度学习模型执行车辆检测算法。
    • 现有的智能系统很少关注它们加速工作负载执行的潜力。
• 我们观察到，分散计算（一种新兴的云计算范式）非常适合现代交通系统的要求。它通过缓解数据源和云服务器之间的数据传输来提供实时响应，并通过探索智能设备的计算能力来充分利用智能设备。
  • 幸运的是，我们发现分散计算是云计算的新概念，可以解决智能交通系统在诉诸云计算时面临的挑战。
  • 分散计算是云计算的一种新范式，它将所有具有计算能力的网络节点组合成一个有机体。分散计算的核心是“一劳永逸，一劳永逸”，集群中的每个设备都可以是服务客户或提供商。
  • 分散计算可以从两个方面解决当前智能交通系统的挑战。
    • 它首先解决了通信瓶颈，因为所有计算设备在地理上都是封闭的，从而减轻了数据源和远程云服务器之间繁琐的数据传输。
    • 此外，分散计算可以提高路上异构设备的资源利用率。通过利用闲置的路边资源，分散计算可以节省成本，提高任务执行效率。

🛩创新

• 因此，我们设计了RIDIC，一种具有分散计算的实时智能交通系统，以推动智能交通系统的前沿。RIDIC遵循分散计算的设计理念。
  • 通过充分利用路边设备的算力，RIDIC形成局部分散的计算集群，提升智能交通系统的整体效率。
  • RIDIC 为智能设备加入集群提供了三个阶段：Actor 注册、资源应用和任务执行。
    • 智能设备首先向地理位置封闭的主设备发送注册请求，主设备通过检测心跳确认其可用性。
    • 如果任务需要额外的计算能力来帮助完成任务，则主节点会从虚拟化设备池中选择可用设备，并将连接信息返回给请求。
    • 最后，在执行阶段，根据不同的任务需求，将任务分割并分发到具有不同计算能力的不同可用异构设备执行。
• 我们的贡献如下：
  • 1）我们分析了现有的智能交通系统构建方法，并确定了两个挑战——缺乏实时响应和路边智能设备利用不足，而主流云计算技术无法很好地解决这些问题。
  • 2）我们介绍了RIDIC，这是一种具有分散计算的智能交通系统，可提高交通场景下的工作负载执行效率。据我们所知，RIDIC是第一个通过分散计算优化的运输系统。
  • 3）我们在道路车辆检测和交通信号识别两个真实道路场景中对RIDIC进行了评估，证明了RIDIC在提高系统吞吐量和减少完成延迟方面的有效性。RIDIC可以显著减少单元任务的执行时间，减少对计算资源的设备要求。

📊效果

• 我们在两个经典的路边场景上进行了实验——道路车辆检测和交通信号识别。
  • 道路车辆检测结果表明，RIDIC通过利用边缘设备构建分散计算集群，可以实现更快的计算速度，这意味着更好的实时性能。
  • 交通信号识别结果表明，RIDIC可以通过将任务分散到边缘设备来降低对设备计算性能的需求，从而最大限度地利用设备的计算资源。

🧠疑问

1. 交通场景和一般大数据场景有什么区别？如果考虑移动性，会有什么额外挑战？
2. 分散计算和“边缘计算”、“雾计算”有什么区别？是广义上相同，狭义上有细分差异？
3. 如果所定位的现有研究两大挑战都被“分散计算”解决了，那应该如何定位本文的创新点？以前没有细致地设计且没有实现真实系统？执行了的实验非常丰富，确定了现状不足？

---

---

• 希望这篇博客对你有帮助！如果你有任何问题或需要进一步的帮助，请随时提问。
• 如果你喜欢这篇文章，欢迎动动小手 给我一个follow或star。

🗺参考文献

[1] Z. Cai, Z. Chen, Z. Liu, Q. Xie, R. Ma and H. Guan, “RIDIC: Real-Time Intelligent Transportation System With Dispersed Computing,” in IEEE Transactions on Intelligent Transportation Systems, vol. 25, no. 1, pp. 1013-1022, Jan. 2024, doi: 10.1109/TITS.2023.3303877.