کاهش مصرف انرژی در شبکه‌های خودروی هوشمند با استفاده از مهاجرت پویای بار

شریفی, زهرا; حری, عباس; صمیمی دهکردی, لیلا

doi:10.47176/ECDJ.2025.1632

کاهش مصرف انرژی در شبکه‌های خودروی هوشمند با استفاده از مهاجرت پویای بار

نوع مقاله : مقاله پژوهشی

نویسندگان

زهرا شریفی ¹

عباس حری ²

لیلا صمیمی دهکردی ²

¹ کارشناسی ارشد، دانشگاه شهرکرد، شهرکرد، ایران

² استادیار، دانشگاه شهرکرد، شهرکرد، ایران

10.47176/ECDJ.2025.1632

چکیده

خودروهای هوشمند امروزی به شبکه‌های ارتباطی پیچیده متصل شده و حجم عظیمی از داده را مبادله می‌کنند. این امر منجر به افزایش مصرف انرژی در این شبکه‌ها شده است. در این پژوهش، روشی نوین برای بهینه‌سازی مصرف انرژی در شبکه‌های خودروهای هوشمند ارائه‌شده است. روش پیشنهادی بر پایه دو تکنیک متعادل‌سازی بار پویا طراحی‌شده است: ابتدا، تعیین آستانه‌های پویا بر اساس میانگین بارکاری ماشین‌های مجازی، سپس، پیش‌بینی بار آینده با استفاده از تحلیل رگرسیونی. نتایج شبیه‌سازی نشان می‌دهد که آستانه 10% و 20% بالاتر از میانگین بارکاری ماشین‌ها، مصرف انرژی شبکه را کاهش داده و نرخ تعادل بار را بهبود می‌بخشد. همچنین، مدل پیش‌بینی بار آینده، اختلاف میان بار پیش‌بینی‌شده و بار واقعی را تنها 5% نشان می‌دهد که بیانگر دقت بالای این روش است. این الگوریتم توانست مصرف انرژی را به‌طور قابل‌ملاحظه‌ای کاهش دهد و نرخ موفقیت مهاجرت ماشین‌های مجازی را بهبود ببخشد. این روش می‌تواند در آینده برای مدیریت بهینه منابع در شبکه‌های خودروهای هوشمند به کار گرفته شود و به کاهش هزینه‌های اجرایی و آلودگی محیط‌زیست کمک کند.

کلیدواژه‌ها

خودروهای هوشمند

اینترنت اشیاء

مهاجرت پویای بار

بهینه‌سازی مصرف انرژی

شبکه‌های خودروهای متصل

20.1001.1.23224347.1404.13.4.5.6

موضوعات

مباحث دکترین، راهبردها و آینده پژوهی حوزه های مرتبط

عنوان مقاله English

Energy Efficiency in Smart Vehicular Networks Using Dynamic Load Migration

نویسندگان English

zahra Sharifi ¹

abbas horri ²

leila samimi ²

¹ Master's degree, Shahrekord University, Shahrekord, Iran

² Assistant Professor, Shahrekord University, Shahrekord, Iran

چکیده English

Modern smart vehicles are connected to complex communication networks and exchange a massive volume of data, leading to increased energy consumption in these networks. In this study, a novel method for optimizing energy consumption in smart vehicular networks is proposed. The proposed approach is based on two dynamic load balancing techniques: First, determine dynamic thresholds based on the average workload of virtual machines, then, predict future load using regression analysis. Simulation results demonstrate that using 10% and 20% higher than the average workload threshold reduces energy consumption and improves load balancing efficiency. Additionally, the workload prediction model shows only a 5% deviation between predicted and actual values, indicating high accuracy. This algorithm significantly reduces energy consumption and improves the success rate of virtual machine migrations. The proposed method can be further utilized for efficient resource management in smart vehicular networks, contributing to lower operational costs and environmental sustainability

کلیدواژه‌ها English

Smart vehicle

Internet of Things (IoT)

Dynamic load migration

Energy consumption optimization

Vehicular networks

[1] D. Oladimeji, K. Gupta, N. A. Kose, K. Gundogan, L. Ge, and F. Liang, "Smart Transportation: An Overview of Technologies and Applications," Sensors, vol. 23, no. 8, p. 3880, 2023, doi: 10.3390/s23083880.

[2] Qi Zhu, B. Yu, Z. Wang, J. Tang, Q. A. Chen, Z. Li, X. Liu, Y. Luo, and L. Tu, "Cloud and Edge Computing for Connected and Automated Vehicles," Found. Trends Electron. Des. Autom, vol. 14, no. 1-2, pp. 1-170, 2023. doi: 10.1561/1000000058.

[3] Y. Wu, J. Wu, L. Chen, J. Yan and Y. Han, "Load Balance Guaranteed Vehicle-to-Vehicle Computation Offloading for Min-Max Fairness in VANETs," in IEEE Trans. Intell. Transp. Syst., vol. 23, no. 8, pp. 11994-12013, Aug. 2022, doi: 10.1109/TITS.2021.3109154.

[4] H. Babbar, S. Rani, A. K. Bashir and R. Nawaz, "LBSMT: Load Balancing Switch Migration Algorithm for Cooperative Communication Intelligent Transportation Systems," in IEEE Trans. Green Commun. Netw., vol. 6, no. 3, pp. 1386-1395, Sept. 2022, doi: 10.1109/TGCN.2022.3162237.

[5] A. Patil and R. Patil, "Proactive and dynamic load balancing model for workload spike detection in cloud," Meas. Sens., vol. 27, p. 100799, 2023, doi: 10.1016/j.measen.2023.100799.

[6] Y. Zhou and X. Zhu, "Analysis of Vehicle Network Architecture and Performance Optimization Based on Soft Definition of Integration of Cloud and Fog," in IEEE Access, vol. 7, pp. 101171-101177, 2019, doi: 10.1109/ACCESS.2019.2930405.

[7] S. K. Pande, S. K. Panda, and S. Das, "Dynamic service migration and resource management for vehicular clouds," J. Ambient Intell. Humaniz. Comput., vol. 12, no. 1, pp. 1227–1247, Jan. 2021, doi: 10.1007/s12652-020-02166-w.

[8] G. G. Md. Nawaz Ali, P. H. J. Chong, S. K. Samantha, and E. Chan, "Efficient data dissemination in cooperative multi-RSU Vehicular Ad Hoc Networks (VANETs)," J. Syst. Softw., vol. 117, pp. 508–527, 2016, doi: 10.1016/j.jss.2016.04.005.

[9] D. Saxena, A. K. Singh, and R. Buyya, "OP-MLB: An Online VM Prediction-Based Multi-Objective Load Balancing Framework for Resource Management at Cloud Data Center," IEEE Trans. Cloud Comput., vol. 10, no. 4, pp. 1–14, 2022, doi: 10.1109/TCC.2021.3059096.

[10] S. Y. Hsieh, C. S. Liu, R. Buyya, and A. Y. Zomaya, "Utilization-prediction-aware virtual machine consolidation approach for energy-efficient cloud data centers," J. Parallel Distrib. Comput., vol. 139, pp. 1–13, 2020, doi: 10.1016/j.jpdc.2019.12.014.

[11] Y. Sharma, W. Si, D. Sun, and B. Javadi, “Failure-aware energy-efficient VM consolidation in cloud computing systems,” Futur. Gener. Comput. Syst., vol. 94, 2019, doi: 10.1016/j.future.2018.11.052.

[12] Z. Nezami, E. Chaniotakis, and E. Pournaras, "When Computing follows Vehicles: Decentralized Mobility-Aware Resource Allocation for Edge-to-Cloud Continuum," arXiv, abs/2404.13179, 2024, doi: 10.48550/arxiv.2404.13179.

[13] N. B. Kadu, P. Jadhav, and S. A. Pawar, "Analysis on optimal resource management strategies: A virtual machine migration perspective," in Proc. Smart Technol. Commun. Robot. (STCR), pp. 1-5, 2022, doi: 10.1109/STCR55312.2022.10009243.

[14] Y. Peng, X. Tang, Y. Zhou, J. Li, Y. Qi, L. Liu, H. Lin, "Computing and Communication Cost-Aware Service Migration Enabled by Transfer Reinforcement Learning for Dynamic Vehicular Edge Computing Networks," in IEEE Trans. Mob. Comput., vol. 23, no. 1, pp. 257-269, Jan. 2024, doi: 10.1109/TMC.2022.3225239.

[15] L. Liu and Z. Chen, "Joint Optimization of Multiuser Computation Offloading and Wireless-Caching Resource Allocation With Linearly Related Requests in Vehicular Edge Computing System," in IEEE Internet of Things J., vol. 11, no. 1, pp. 1534-1547, 1 Jan.1, 2024, doi: 10.1109/JIOT.2023.3289994.

[16] F. Rezazadeh, M. Agha Sarram, K. Mizanian, and S. A. Mostafavi, “Distributed Anonymity Based On the Integrated Block Chain in Vehicular Ad Hoc Network,” Journal of Electronical & Cyber Defence, vol. 8, no. 4, Serial No. 32, 2021, DOR: https://dor.isc.ac/dor/20.1001.1.23224347.1399.8.4.4.0%20: (In Persian).

[17] M. H. Lotfi Neko and R. Ghafouri Vayghan, “Improving the Geo-LU routing algorithm by considering the lifetime of links in selecting the next hop toward the destination in VANETs,” Journal of Electronic & Cyber Defense, vol. 12, no. 2, Serial No. 46, Summer 2024, Dor: https://ecdj.ihu.ac.ir/article_209278.html (In Persian).

[18] A. Khosravian, M. Masih-Tehrani, and A. Amirkhani, “The semantic segmentation of autonomous vehicles images with the teacher-student technique,” Journal of Electronical & Cyber Defence, vol. 9, no. 4, Serial No. 36, 2022, DOR: https://dor.isc.ac/dor/20.1001.1.23224347.1400.9.4.1.4 (In Persian).

[19] M. Azizi and A. Naseri, “A routing method in IoT networks based on fuzzy logic and clustering for intelligent transportation,” Electronic and Cyber Defense, vol. 11, no. 4, pp. 133–143, 2024, DOR: https://dor.isc.ac/dor/20.1001.1.23224347.1402.11.4.11.8

[20] S. Sadeghi and A. T. Haghighat, "A dynamic algorithm for virtual machine migration to reduce energy consumption in cloud computing," in Digit. Transform. Intell. Syst., vol. 1, pp. 254-262, 2021, available: https://civilica.com/doc/1383984, (In Persian).

[21] Z. Khodavardian, H. Sadra, M. N. Soleimandarabi, and S. A. Adalatpanah, "Predicting the workload of virtual machines in order to reduce energy consumption in cloud data centers using the combination of deep learning models," Iran J. Inf. Commun. Technol., vol. 15, no. 55, pp. 166–189, Sep. 5, 2023, DOR: 20.1001.1.27170411.1402.15.55.9.0