基于云计算的视频监控系统能耗优化研究

This project studies the energy consumption optimization methods for cloud-computing-based video surveillance systems from three levels, including monitoring nodes, physical nodes and storage nodes. By studying data-driven approaches of modeling the video quality and overall energy consumption of monitoring node, a multi-objective optimization model considering both video quality and energy consumption is established. A low-energy-consumption deployment strategy of monitoring nodes is designed to reduce the energy consumption of the monitoring node, and to ensure the video quality. Through analyzing the performance requirements of virtual machine coming from monitoring tasks, an expert-knowledge-based intelligent evaluation model of virtual machine accessibility is built, which can be updated by a dynamic update method based on the virtual machine overload factor. A virtual machine access scheduling strategy oriented to load balance is devised to cut down the number of virtual machines, with the quality of service guaranteed. Thus both the required number of physical nodes and energy consumption will decrease. By designing static classification methods based on access time constraints in Service Level Agreement (SLA), as well as developing dynamic migration mechanism based on access time feature clustering, a storage management strategy integrating both static classification and dynamic migration is proposed. And a storage nodes running strategy based on the running schedule is established, which reduces storage nodes energy consumption while satisfying the needs of user access. Through theoretical research and experimental evaluation, an effective and feasible new method for energy consumption optimization of cloud-computing-based video surveillance system is established, which is of great theoretical and practical significance.

针对基于云计算的视频监控系统，从监控节点、物理节点和存储节点三个层面研究其能耗优化方法。通过研究基于数据驱动的视频质量和综合能耗建模方法，建立兼顾视频质量和综合能耗的多目标优化模型，设计监控节点低能耗部署策略，在保证视频质量的同时降低监控节点能耗；通过分析监控任务对虚拟机的性能要求，建立基于专家知识的虚拟机接入能力智能评价模型，提出基于虚拟机超载系数的模型动态更新方法，设计面向负载均衡的虚拟机接入调度策略，在兼顾服务质量的同时减少虚拟机数量，从而减少所需物理节点数量，降低能耗；通过设计基于SLA中访问时间约束的静态分类方法和基于访问时间特征聚类的动态迁移机制，提出融合静态分类与动态迁移的存储管理方法，建立基于运行计划表的存储节点运行策略，在符合用户访问需求的同时，减少存储节点能耗。通过理论研究与实验验证，形成对云视频监控系统能耗优化的一套有效的和可行的新方法，具有重要的理论意义和应用价值。

云视频监控系统是云计算技术的一个新兴应用，也是视频监控领域的发展趋势。云视频监控系统巨大的电能消耗是一个不容忽视的重要问题，因此本项目从资源调度、存储管理、任务接入等几个方面研究云视频监控系统的能耗优化方法。.通过深入分析云视频监控过程，以虚拟机的 CPU 利用率、可用内存、存储磁盘和最大可用带宽等参数为约束条件，虚拟机数量最少为优化目标，建立了一种面向能耗优化的云视频监控中心任务调度模型，将四维 bin-packing 模型转换为一维 bin-packing 问题求解，大幅降低了计算复杂度，满足了云视频任务对实时性的要求。使用虚拟机任务接入控制、视频数据分布式存储和数据库主动通信方法等关键技术，使用C++语言开发了一个基于校园网环境的云视频监控实验平台，具有投资与维护成本低、可移植性强、易于扩展、数据安全和共享性高等优点，基于该实验平台的实验结果表明所提调度模型的能耗优化效果显著。.针对云视频监控数据存储过程中的能耗问题，提出了一种基于SLA(Service-Level Agreement，服务等级协议)访问时间段分类的视频数据低能耗存储方法。通过设计一种带访问时间段的SLA，对运行监控和浏览任务的虚拟机以及存储节点进行分类，将全天的云视频监控服务划分成各个时间段的小任务分别进行处理。在此基础上，设计了节点运行计划表，对所有存储节点运行状态进行控制，实现在保证SLA的前提下节省存储节点的电能消耗。在云视频监控实验平台上，将本文方法与传统HDFS方法和斯坦福(Stanford)大学所提方法进行了对比分析，表明了所提低能耗存储方法的有效性。.对云视频监控系统计算节点的任务接入问题进行了分析，提出了一种基于SLA约束的云视频监控任务接入方法。根据SLA约束信息对监控任务进行参数转换，得到实时的虚拟机负载值和接受能力评价值，然后采用一种面向负载均衡的虚拟机选择策略，选择接受能力评价值最高的虚拟机完成任务接入。设计了一种基于CloudSim的云视频监控仿真系统，并对所提方法的任务通信效率、负载均衡性进行了仿真实验，结果表明所提方法明显优于传统方法，且虚拟机数量越多，所提方法的节能效果越明显。