An End-to-End Load Balancer Based on Deep Learning for Vehicular Network Traffic Control admin 2020-01-30 21:28 No Comment 817次浏览 >2019年发表在IEEE IoT上，提出了一种主动式负载均衡方法（E2LB），实现边缘服务器之间的高效协作，并根据预测的道路交通状况在边缘服务器之间进行数据缓存调度，以实现车联网数据流量控制。 [TOC] # **论文摘要** 基于智能网联汽车的自动驾驶或者高级辅助驾驶需要从网络上下载大量的数据，比如：高精度地图、道路拥堵情况、交通事故等信息。然而，由于车辆的分布具有时空不均匀性，导致不同4G/5G基站下的网络数据请求不同，通信资源利用率差异，边缘服务器的通信负载也不均衡。这就导致在边缘服务器过载的情况下，车辆的服务质量可能无法得到保障。 在本文中，我们提出了一种新的主动式负载均衡方法（端到端负载均衡算法：E2LB），该方法可实现边缘服务器之间的高效协作，并根据预测的道路交通状况在边缘服务器之间进行数据缓存调度，以实现车联网数据流量控制。 该方法首先使用卷积神经网络学习交通负载的时空相关性，以预测道路交通状况。其次将数据流量负载的均衡问题表述为非线性规划问题，并采用卷积神经网络来学习非线性优化结果。最后，我们基于端到端训练方式来优化性能，其中输入是历史车辆流量，输出是网络流量调度解决方案。基于E2LB的方案可以保证调度的实时性，基于北京的出租车和公交车轨迹数据的实验也证明了E2LB的效率和有效性。 # **论文的核心算法** 论文提出的端到端负载均衡框架划分为四步，如图1所示： ![1.png][1] 1. 收集信息 智能交通系统中的各种传感器去收集信息。这些传感器包括，车，地感线圈，路边的摄像头等，对城市的实时交通状况进行感知，并上传到边缘云。 2. 边缘信息处理 边缘计算利用其计算与存储能力对收集的数据进行分析处理，只需要把处理的结果上传到远程云，其中处理的结果包括当前边缘云覆盖范围内的实时车流情况。 3. 云端预测与端到端负荷分担 然后，远程云收集到众多边缘云上传的车流信息，来实时重建整个城市范围内的交通状况，并执行提出的端到端负载均衡算法，并把边缘服务器缓存的调度策略下发给边缘云。 4. 策略执行 最后，边缘云根据远程云的调度策略，来缓存数据。 本文的核心是基于深度神经网络的边缘服务器缓存的调度算法，提出的深度神经网络的架构如图2所示： ![2.png][2] 该调度算法分为两个子步骤，分别是： 1. 计算预测。我们把整个城市网格化，每个网格在一个时间段内流入和流出的车的数量被转换为两个矩阵，分别表示流入和流出。然后，把历史几个时刻的车流流入和流出的信息转换为多通道的矩阵，以此为卷积神经网络的输入，并预测未来几个时刻的交通流情况。 2. 负载均衡求解。负载均衡的目的是将可能会拥堵的边缘云服务范围的车到非拥堵的边缘云覆盖范围，以降低拥堵区域的负载。我们首先把这个问题建模为非线性优化问题，通过神经网络来自动学习非线性规划的求解过程。 上述两个子步骤可以合并在一起，组成一个端到端的卷积神经网络，从而进一步优化求解。 # **对比分析** 我们使用北京市3个月的出租车和公交车轨迹数据来验证我们提出的算法。 针对交通流预测问题，我们采用的对比实验包括： - 随机森林，Random Forest (RF) - K近邻，k-Nearest Neighbors Algorithm (KNN) - 普通最小二乘，Ordinary Least Squares (OLS) - 堆叠自动机，Stacked Autoencoder Model (SAE) - 深度时空残差网络，Deep Spatio-Temporal Residual Networks (STResNet) 针对交通流预测的实验评估结果如图3所示： ![3.png][3] 从算法预测的交通流和真实交通流之间的误差可以看到，我们提出的算法性能最好，如图4所示： ![4.png][4] 针对负载均衡问题，我们对比了不使用负载均衡的情况，如图5所示： ![5.png][5] 其中底部是交通流的可视化，中间是不使用负载均衡的时候不能下载的数据量，最上面是使用我们提出的负载均衡算法时不能下载的数据量。 可以看出，我们提出的算法能够提高通信资源的利用率。 # **论文原文与实验代码** 论文引用：Li Jinglin, Luo Guiyang, Cheng Nanet et al. An End-to-End Load Balancer based on Deep Learning for Vehicular Network Traffic Control[J]. IEEE Internet of Things Journal, 2019, 1(6):953-966. 论文索引号：000459709500081 论文原文：[10.1109/JIOT.2018.2866435][6] 论文代码：[code][7] [1]: http://iov.sicrc.cn/usr/uploads/2020/01/426630724.png [2]: http://iov.sicrc.cn/usr/uploads/2020/01/1482533098.png [3]: http://iov.sicrc.cn/usr/uploads/2020/01/3888731740.png [4]: http://iov.sicrc.cn/usr/uploads/2020/01/3712159985.png [5]: http://iov.sicrc.cn/usr/uploads/2020/01/4200717444.png [6]: http://doi.org/10.1109/JIOT.2018.2866435 [7]: https://sicrc.cn/svn/achieve/papers/2018_An_End-to-End_Load_Balancer_based_on_Deep_Learning_for_Vehicular_Network_Traffic_Control/algorithm/