CN107786963A - 一种自组织网络中计算任务的迁移策略 - Google Patents

Abstract

本发明公开了一种自组织网络中计算任务的迁移策略，主要包括获取自组织网络中各智能节点的性能指标；根据智能节点携带的计算任务数据量划分节点类型；统计源节点和目标节点的数量；单源节点到单目标节点的计算迁移方式；单源节点到多目标节点的计算迁移方式；多源节点到多目标节点的计算迁移方式，此类迁移场景下分为源节点数量等于目标节点数量、源节点数量大于目标节点数量、源节点数量小于目标节点数量三种情况；以最低能耗和最小时延为优化目标确定最终一个或一组目标节点。解决智能节点因自身能量受限而无法完成计算的问题，并充分利用自组织网络中闲置的计算资源。降低了整个自组织网络的能量消耗和传输时延，有利于延长自组织网络存活的生命周期。

Description

一种自组织网络中计算任务的迁移策略

技术领域

本发明致力于研究自组织网络中智能节点进行计算任务迁移和调度所遵循的策略方法，针对性解决自组织网络中某些智能节点计算资源受限问题。基于自组织网络中智能节点自身的性能指标制定一种低能耗低时延的计算任务迁移策略。所以本发明所属技术领域有计算迁移、移动计算、无线自组网等。

背景技术

全球移动通讯系统协会(Global System for Mobile CommunicationsAssociation,GSMA)在2014年移动经济报告中指出，截止2013年，全球移动设备联网数量达到69亿，预计2020年，还将增加40亿。目前，移动智能节点已经逐渐成为最流行的计算平台。更加复杂的移动应用，例如富移动应用、增强现实、自然语言处理等，正在越来越多的运行在智能节点上。

云计算(Cloud Computing)的提出和广泛应用，解放了智能节点自身计算资源受限的问题，极大地改善了每个人的工作和生活。云是通过网络渠道提供的一种新的服务，计算资源包括处理器、内存、续航能量都存在云端而非智能节点本身，智能节点只需要通过网络连接到云服务器，就可以使用云端的计算资源来完成智能节点自身的计算任务，并通过网络返回计算结果。例如，亚马逊提供的EC2(Elastic Compute Cloud)和S3(SimpleStorage Service)服务，智能节点的隐私数据通过S3存储在云端，并通过EC2对存储数据进行计算处理。这种计算模式具有很大的商业和社会价值，更加低廉的资本投入、缩短新业务的启动时间、减少维护和操作成本、通过虚拟化实现高可用、高容错。云计算为智能节点提供了一种新的计算方式，为计算任务迁移提供了新的思路。

移动自组织网络将移动通信和计算机网络相结合，是一种新型的网络结构。移动自组织具有动态拓扑、链路带宽受限、容量时变、动力受限、物理上安全有限、完善而又可靠的路由和移动性管理算法、自适应算法和协议、低开销算法和协议、多重路由、可靠的网络结构等特征。由大量智能节点自主连接构建的自组织网络不同于云端，自组网中各智能节点性能差异小、节点的处理速度和内存远不及云端，因此在移动自组织网络中构建高效的计算迁移模型，合理的分配智能节点的计算任务，降低能耗和时延，将极大地提升整个自组织网络的性能和计算效率。

移动智能节点，包括智能手机、传感器节点、无人机、平板电脑等，随着信息技术的进步和发展，智能节点将承担越来越多的计算任务，变成未来主要的计算平台。然而对于智能节点最为关键的问题就是其自身的计算资源和续航能力，大量调查研究表明，智能节点的移动用户最为关注的就是电池续航能力，尤其是智能手机。为了最大限度的降低智能节点自身的能量消耗和时延、最大限度提升自组织网络的整体性能；为了解决智能节点资源受限问题，提出了计算迁移的概念，将计算任务进行迁移并不是什么创造性的想法，一直流行的C/S计算模型就是一个很好的例子。云计算通过虚拟化的方式实现了充当服务器(S)的角色，而自组织网络中的智能节点不同于云，任意智能节点既可以充当传统C/S模型中的客户端(C)也可以充当服务器(S)，主要取决于智能节点所处的计算状态是否有计算资源闲置。

自组织网络中的智能节点具有随机性、移动性及电池供电等特征，这也带来了其计算能力有限、内存容量不足及电池供应能量等问题，这些问题一直以来都是移动计算领域急需解决和减缓的难题，计算迁移技术的提出，提供了一种有效解决智能节点资源受限的方法，自组织网络中的计算迁移技术就是将计算任务从资源受限的智能节点上迁移到计算资源闲置的智能节点，并返回计算结果。将计算迁移技术应用到移动计算领域已经经历了十多年的探索和发展，然而一直以来自组织网络中智能节点计算迁移的技术中最为棘手的问题，就是智能节点的计算任务如何合理的调度分配？

发明内容

有鉴于此，本发明的目的在于提出一种自组织网络中智能节点进行低能耗、低时延计算任务迁移策略，能够有效解决自组织网络中某些智能节点计算资源受限问题，保证整个自组织网络的能量消耗最低、传输及计算时延最小。构建这种低能耗、时延小的计算任务迁移策略包含以下步骤：

步骤一：测量并获取自组织网络中各智能节点的性能指标；

步骤二：根据智能节点携带的计算任务量W，将智能节点划分为源节点或目标节点；

步骤三：分别统计自组织网络中源节点的数量n和目标节点的数量m，并依据两者的数量关系选择相应的迁移方式；

步骤四：单源节点迁移到单目标节点的方式；

步骤五：单源节点迁移到多目标节点中最佳节点的方式；

步骤六：多源节点迁移到多目标节点的方式。

在一些实施方式中，所述步骤一中自组织网络的智能节点的性能指标存在差异性，主要包括：续航能量S、计算或传输速率C、计算或传输功率P、计算任务量W，计算任务具有原子性。不同智能节点所具有的性能指标如下所示：

S代表智能节点自身的续航能量，S_i代表智能节点i的电池持续续航能力，即节点所具有的能量。

C代表智能节点自身的计算或传输速率，C_i代表智能节点i的CPU计算速率，C_si代表智能节点i在计算任务传输过程中的传输速率。

P代表智能节点自身的计算或传输的功率，P_i代表个智能节点i的计算功率，P_si代表智能节点i在计算任务传输过程中的发射功率。

W代表智能节点自身的计算任务数据量，W_i代表智能节点i自身携带的计算任务数据量，智能节点i处于闲置状态时W_i＝0。

在一些实施方式中，所述步骤二中判别个智能节点的计算任务量W_i与0的大小关系：

若W_i>0，将智能节点确定为源节点；

若W_i＝0，将智能节点确定为目标节点；

在一些实施方式中，所述步骤三中分别统计自组织网络中源节点数量n和目标节点数量m：

若n＝1&&m＝1，采用步骤四中的单源节点到单目标节点的迁移方式；

若n＝1&&m>1，采用步骤五中单源节点到多目标节点中最佳节点的迁移方式；

若n>1&&m>1，采用步骤六中多源节点到多目标节点的迁移方式。

在一些实施方式中，所述步骤四中源节点和目标节点的数量关系满足n＝1&&m＝1，源节点N₁的能量为S₁、计算速度为C₁、数据传送速率为C_s1、计算功率为P₁、发射功率为P_s1、计算任务总量为W₁；目标节点N₂处于闲置状态，其能量为S₂、计算速度为C₂、数据传送速率为C_s2、计算功率为P₂、发射功率为P_s2。

源节点将全部计算任务W₁迁移到目标节点。完成整个计算迁移过程后的能量损耗S₁₂为：

公式中，W_{2_1_res}代表N₂节点传送给N₁节点的计算结果数据量。

源节点将全部计算任务W₁迁移到目标节点。完成整个计算迁移过程后的时间消耗T₁₂为：

通过对比源节点执行迁移前后的能量损耗，决定是否进行实际的计算迁移。

在一些实施方式中，所述步骤五中源节点和目标节点的数量关系满足n＝1&&m>1，用N_i代表目标节点i，其中i的取值为1、2、3…、m；按照步骤一中测量各目标节点的能量为S_i、计算速度为C_i、数据传输速率为C_si、计算功率为P_i、发射功率为P_si。

根据上述源节点及目标节点的计算或传输的能耗，可以得出单源节点到各目标节点的计算迁移过程中，迁移到目标节点i的能量消耗为Source_{i_consume}：

迁移到目标节点i的时间消耗为Time_{i_consume}：

依次得出所有目标节点的能耗和时延，从而确定最佳节点。

在一些实施方式中，所述步骤六中源节点和目标节点的数量关系满足n>1&&m>1，通过源节点和目标节点的数量关系进行进一步划分：

若n>1&&m>1&&n＝m，此时任意源节点可以选择任意目标节点进行迁移计算，计算迁移过程中，任意目标节点只能接收并计算任意单一源节点的计算任务。源节点N₁可以从数量m的目标节点中选择任意一个，源节点N₂可以从数量为m-1的目标节点中选择任意一个，依次进行，直到目标节点全被选中为止。保持源节点N_j迁移的相对顺序不变，其中j的取值为1、2、3…、n，将目标节点进行全排列，每一次排列都将源节点的计算任务迁移到次序相对应的目标节点上，将所有目标节点的进行全排列，计算每一种排列的迁移损耗和时延，选择一种最佳目标节点排列，使得多源节点到多目标节点的进行计算迁移的能耗最低和时延最小。

目标节点数量为m进行全排列，共有M＝m！中可能。可以用矩阵来表示目标节点全排列的所有情况：

O_xy表示第x次目标节点的排列上第y位上的目标节点在原序列中的位置序号。

所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上能量消耗为Source_{x_consume}：

所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上时间消耗为Time_{x_consume}：

所有目标节点的排列中，选出最佳的目标节点排列进行实际的迁移计算。

若n>1&&m>1&&n>m，由于目标节点数量限制不能为所有源节点提供计算迁移服务，只能从所有源节点中选择出数量为m的源节点进行迁移计算。同样的，计算迁移过程中，任意目标节点只能接收并计算唯一源节点的计算任务。

从数量为n的源节点中选择出m个，共有C(n,m)中可能的源节点组合，可以用矩阵的方式进行表示：

矩阵表示式中N＝[n*(n-1)*…*(n-m+1)]/m！，M_pq表示源节点组合p中位置q上的源节点在原序列中的位置。

源节点数量为n，用集合A表示为：A＝{N₁,N₂,…,N_n}。进行组合后，组合p可以进行计算迁移的源节点，用集合B表示为： 组合p中剩余的源节点用集合C表示：C＝A-B，且C中源节点的数量为n-m，第p组剩余源节点的位置依次为L_pc,1≤c≤n-m。

目标节点数量为m进行全排列，共有M＝m！中可能。可以用矩阵来表示目标节点全排列的所有情况：

O_xy表示目标节点的排列x中位置为y上的目标节点在目标节点原序列中的位置。

组合p中迁出计算任务的源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出源节点组合p迁移到第x次目标节点的排列上的总能量消耗为Source_{p_x_consume}：

组合p中迁出计算任务的源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出源节点组合p迁移到第x次目标节点的排列上的总时间消耗为Time_{p_x_consume}：

源节点中的每一种组合迁移到所有目标节点的每一种排列中，共有N*M种可能，满足如下条件限制：

1≤q≤m

1≤p≤N＝[n*(n-1)*…*(n-m+1)]/m！

1≤x≤M＝m！

选出最佳的源节点的组合及目标节点排列进行实际的迁移计算。

若n>1&&m>1&&n<m，此时所有源节点中可以选择从全部目标节点中选择任意数量为n的源节点进行迁移计算，计算迁移过程中，任意目标节点只能接收并计算任意唯一源节点的计算任务。保持源节点迁移的相对顺序不变，将目标节点进行排列组合，每一次排列都将源节点的计算任务迁移到次序相对应的目标节点组合上，在所有目标节点中选择数量为n的目标节点进行排列，计算每一种排列的迁移损耗和时延，选择一种最佳目标节点组合。

所有目标节点中挑选出数量为n的目标节点进行排列组合，共有中M＝A(m,n)可能，可以用矩阵来表示n个目标节点排列的情况：

O_xy表示目标节点排列x中位置y上的目标节点在原序列中的位置。

所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上的能量消耗为Source_{x_consume}：

所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上的时间消耗为Time_{x_consume}：

所有目标节点的排列中，选出最佳的目标节点排列进行实际的迁移计算。

从上面所述可以看出，本发明提供的自组织网络中计算任务迁移策略克服了自组织网络中某些智能节点自身计算资源受限的问题，充分的发挥自组织网络中闲置智能节点的计算资源，根据自组织网络中源节点和目标节点的数量关系，针对性采取相应的迁移策略，极大地节省整个自组织网络的能量消耗，使得自组织网络中所有智能节点的计算资源趋于更加合理的分配和使用。

附图说明

图1为本发明提供的自组网中智能节点低能耗低时延计算任务迁移调度策略的流程图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参考附图，对本发明进一步详细说明。

本发明提出的自组织网络中计算任务迁移策略包含以下步骤：

步骤一：测量并获取自组织网络中各智能节点的性能指标；

步骤二：根据智能节点携带的计算任务量W，将智能节点划分为源节点或目标节点；

步骤三：分别统计自组织网络中源节点的数量n和目标节点的数量m，并依据两者的数量关系选择相应的迁移方式；

步骤四：单源节点迁移到单目标节点的方式；

步骤五：单源节点迁移到多目标节点中最佳节点的方式；

步骤六：多源节点迁移到多目标节点的方式。

进一步的，所述步骤一测量并获取自组织网络中各智能节点的性能指标，主要包括：续航能量S、计算或传输速率C、计算或传输功率P、计算任务量W，计算任务具有原子性。智能节点N_i所具有的性能指标如下所示：

S代表智能节点自身的续航能量，S_i代表智能节点i的电池持续续航能力，即节点所具有的能量。

C代表智能节点自身的计算或传输速率，C_i代表智能节点i的CPU计算速率，C_si代表智能节点i在计算任务传输过程中的传输速率。

P代表智能节点自身的计算或传输的功率，P_i代表个智能节点i的计算功率，P_si代表智能节点i在计算任务传输过程中的发射功率。

W代表智能节点自身的计算任务数据量，W_i代表智能节点i自身携带的计算任务数据量，智能节点i处于闲置状态时W_i＝0。

进一步的，所述步骤二中自组织网络中智能节点的类型划分，将智能节点的计算任务量W_i与0作比较：

若W_i>0，将智能节点确定为源节点；

若W_i＝0，将智能节点确定为目标节点。

进一步的，所述步骤三中分别统计自组织网络中源节点数量n和目标节点数量m：

若n＝1&&m＝1，采用步骤四中的单源节点到单目标节点的迁移方式：自组织网络中只存在两个智能节点，恰好是单个源节点和单个目标节点。源节点为了解决自身计算资源受限的问题，并充分利用自组网内目标节点闲置的计算资源，源节点会将计算任务全部迁移到目标节点，目标节点计算完成后，将计算结果返回源节点。这就是单源节点到单目标节点的迁移计算过程，单源节点到单目标节点的迁移方式是最简单最基本的，同样，也是其他迁移策略的基础。源节点N₁的能量为S₁、计算速度为C₁、数据传送速率为C_s1、计算功率为P₁、发射功率为P_s1、计算任务总量为W₁；目标节点N₂处于闲置状态，其能量为S₂、计算速度为C₂、数据传送速率为C_s2、计算功率为P₂、发射功率为P_s2。

源节点将全部计算任务W₁迁移到目标节点。完成整个计算迁移过程后的能量损耗S_{single_single}为：

公式中，W_{2_1_res}代表N₂节点传送给N₁节点的计算结果数据量。

源节点将全部计算任务W₁迁移到目标节点。完成整个计算迁移过程后的时间消耗T_{single_single}为：

若n＝1&&m>1，采用步骤五中单源节点到多目标节点中最佳节点的迁移方式：为了最大限度的节省自组织网络中的能耗和时延，可以将单源节点的计算任务分配到多个目标节点中最佳节点上，发明中衡量最佳的标准是能耗和时延都尽量最小化。单源节点选择最佳节点的依据是最低能耗和最小时延。

单源节点N₀的能量为S₀、计算速度为C₀、数据传送速率为C_s0、计算功率为P₀、发射功率为P_s0、计算任务数据量为W₀。自组织网络中目标节点数量为m，用N_i代表目标节点i，其中i的取值为1、2、3…、m；各目标节点的能量为S_i、计算速度为C_i、数据传输速率为C_si、计算功率为P_i、发射功率为P_si。

假设将源节点计算任务总量分别迁移到各目标节点上，并计算各自的总体能耗和时延，从而确定最佳节点。

源节点传输计算任务时带来的传输能耗为：

源节点传输计算任务时带来的传输耗时为：

目标节点i对接收到的计算任务的计算能耗为：

目标节点i对接收到的计算任务的计算耗时为：

目标节点i计算完成后，对应产生的计算结果数据量为W_{i_0_res}，目标节点i将计算结果返回源节点带来的传送能耗为：

目标节点i将计算结果返回源节点带来的传输耗时为：

根据上述源节点及目标节点的计算或传输的能耗，可以得出单源节点到各目标节点的计算迁移过程中，迁移到目标节点i的能量消耗为Source_{i_consume}：

迁移到目标节点i的时间消耗为Time_{i_consume}：

所有目标节点中，选出最佳的目标节点进行实际的计算迁移：

公式中β,0≤β≤1为能耗和时延的平衡因子，通过该平衡因子可以调节能耗和时延的比重，其中i的取值为1、2、3…、m。

若n>1&&m>1，采用步骤六中多源节点到多目标节点的迁移方式：当自组织网络中具有多源节点和多个目标节点时，这是一种普遍的应用场景，可以将自组网内多源节点的计算任务迁移到多个目标节点上，多源节点到多目标节点的迁移过程更加复杂，却更有实际应用价值和意义。根据源节点和目标节点的数量大小关系，采用不同的迁移策略方式。

源节点数量为n，用N_j代表源节点j，其中j的取值为1、2、3…、n；源节点j的能量为S_j、计算速度为C_j、数据传输速率为C_sj、计算功率为P_j、发射功率为P_sj、计算任务总量为W_j；目标节点数量为m，用N_i代表目标节点i，其中i的取值为1、2、3…、m；目标节点i的能量为S_i、计算速度为C_i、数据传输速率为C_si、计算功率为P_i、发射功率为P_si。

进一步的，所述步骤六中源节点和目标节点的数量关系满足n>1&&m>1，通过源节点和目标节点的数量关系进行进一步划分：

若n>1&&m>1&&n＝m，此时任意源节点可以选择任意目标节点进行迁移计算，计算迁移过程中，任意目标节点只能接收并计算任意单一源节点的计算任务。源节点N₁可以从数量m的目标节点中选择任意一个，源节点N₂可以从数量为m-1的目标节点中选择任意一个，依次进行，直到目标节点全被选中为止。保持源节点N_j迁移的相对顺序不变，其中j的取值为1、2、3…、n，将目标节点进行全排列，每一次排列都将源节点的计算任务迁移到次序相对应的目标节点上，将所有目标节点的进行全排列，计算每一种排列的迁移损耗和时延，选择一种最佳目标节点排列，使得多源节点到多目标节点的进行计算迁移的能耗最低和时延最小。

目标节点数量为m进行全排列，共有M＝m！中可能。常见的全排列算法有四种：字典序法、递增进位制数法、递减进位制数法、邻位对换法。实现智能节点序号的全排列可以采用递归的方式，将所有目标节点序号依次存入到nodes数组、start数组起始位置、end为数组结束位置。目标节点全排列算法如下：

可以用矩阵来表示目标节点全排列的所有情况：

O_xy表示第x次目标节点的排列上第y位上的目标节点在原序列中的位置序号。

所有源节点传输计算任务时带来的总传输耗能为：

所有源节点传输计算任务时带来的传输耗时为：

所有源节点依次将计算任务迁移到第x次目标节点的排列上，各目标节点对接收到的计算任务的计算耗能为：

所有源节点依次将计算任务迁移到第x次目标节点的排列上，各目标节点对接收到的计算任务的计算耗时为：

第x次目标节点的排列上各目标节点计算完成后，对应产生的计算结果数据量分别为各目标节点将计算结果返回源节点带来的传送能耗为：

第x次目标节点的排列上各目标节点计算完成后，对应产生的计算结果数据量分别为各目标节点将计算结果返回源节点带来的传送耗时为：

所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上能量消耗为Source_{x_consume}：

所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上时间消耗为Time_{x_consume}：

由于n＝m，所以上述Source_{x_consume}和Time_{x_consume}均用m来表示。

β*Source_{x_consume}+(1-β)*Time_{x_consume}

公式中β,0≤β≤1为能耗和时延的平衡因子，通过该平衡因子可以调节能耗和时延的比重。

所有目标节点的排列中，选出最佳的目标节点排列进行实际的迁移计算：

min(β*S_{x_consume}+(1-β)*T_{x_consume}),1≤x≤M

公式中共有M＝m！次排列。

若n>1&&m>1&&n>m，由于目标节点数量限制不能为所有源节点提供计算迁移服务，只能从所有源节点中选择出数量为m的源节点进行迁移计算。同样的，计算迁移过程中，任意目标节点只能接收并计算唯一源节点的计算任务。

从数量为n的源节点中选择出m个，共有C(n,m)中可能的源节点组合，可以用矩阵的方式进行表示：

矩阵表示式中N＝[n(n-1)*…*(n-m+1)]/m！，M_pq表示源节点组合p中位置q上的源节点在原序列中的位置。

源节点数量为n，用集合A表示为：A＝{N₁,N₂,…,N_n}。进行组合后，组合p可以进行计算迁移的源节点，用集合B表示为： 组合p中剩余的源节点用集合C表示：C＝A-B，且C中源节点的数量为n-m，第p组剩余源节点的位置依次为L_pc,1≤c≤n-m。

组合p剩余源节点计算耗能为：

组合p剩余源节点计算耗时为：

组合p中迁出计算任务的源节点传输耗能为：

组合p中迁出计算任务的源节点传输耗时为：

目标节点数量为m进行全排列，共有M＝m！中可能。常见的全排列算法有四种：字典序法、递增进位制数法、递减进位制数法、邻位对换法。实现智能节点序号的全排列可以采用递归的方式，将所有目标节点序号依次存入到nodes数组、start数组起始位置、end为数组结束位置。目标节点全排列算法如下：

可以用矩阵来表示目标节点全排列的所有情况：

O_xy表示目标节点的排列x中位置为y上的目标节点在目标节点原序列中的位置。

组合p中的源节点依次将计算任务迁移到第x次目标节点的排列上，目标节点的排列x对接收到的计算任务的计算耗能为：

组合p中迁出计算任务的源节点依次将计算任务迁移到第x次目标节点的排列上，目标节点的排列x对接收到的计算任务的计算耗时为：

组合p中迁出计算任务的源节点依次将计算任务迁移到第x次目标节点的排列上，各目标节点计算完成后对应产生的计算结果数据量分别为各目标节点将计算结果返回源节点带来的传送耗能为：

组合p中迁出计算任务的源节点依次将计算任务迁移到第x次目标节点的排列上，各目标节点计算完成后对应产生的计算结果数据量分别为各目标节点将计算结果返回源节点带来的传送耗时为：

组合p中迁出计算任务的源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出源节点组合p迁移到第x次目标节点的排列上的总能量消耗为Source_{p_x_consume}：

组合p中迁出计算任务的源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出源节点组合p迁移到第x次目标节点的排列上的总时间消耗为Time_{p_x_consume}：

β*Source_{p_x_consume}+(1-β)*Time_{p_x_consume}

公式中β,0≤β≤1为能耗和时延的平衡因子，通过该平衡因子可以调节能耗和时延的比重。

源节点中的每一种组合迁移到所有目标节点的每一种排列中，共有N*M种可能，满足如下条件限制：

1≤q≤m

1≤p≤N＝[n*(n-1)*…*(n-m+1)]/m！

1≤x≤M＝m！

选出最佳的源节点的组合及目标节点排列进行实际的迁移计算：

min(β*Source_{p_x_consume}+(1-β)*Time_{p_x_consume})

若n>1&&m>1&&n<m，此时所有源节点中可以选择从全部目标节点中选择任意数量为n的源节点进行迁移计算，计算迁移过程中，任意目标节点只能接收并计算任意唯一源节点的计算任务。保持源节点迁移的相对顺序不变，将目标节点进行排列组合，每一次排列都将源节点的计算任务迁移到次序相对应的目标节点组合上，在所有目标节点中选择数量为n的目标节点进行排列，计算每一种排列的迁移损耗和时延，选择一种最佳目标节点组合。

所有目标节点中挑选出数量为n的目标节点进行排列组合，共有中M＝A(m,n)可能，可以用矩阵来表示n个目标节点排列的情况：

O_xy表示目标节点排列x中位置y上的目标节点在原序列中的位置。

所有源节点传输计算任务时带来的传输耗能为：

所有源节点传输计算任务时带来的传输耗时为：

所有源节点依次将计算任务迁移到第x次目标节点的排列上，各目标节点对接收到的计算任务的计算能耗为：

所有源节点依次将计算任务迁移到第x次目标节点的排列上，各目标节点对接收到的计算任务的计算耗时为：

第x次目标节点的排列上各目标节点计算完成后，对应产生的计算结果数据量分别为各目标节点将计算结果返回源节点带来的传送能耗为：

第x次目标节点的排列上各目标节点计算完成后，对应产生的计算结果数据量分别为各目标节点将计算结果返回源节点带来的传送耗时为：

所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上的能量消耗为Source_{x_consume}：

所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上的时间消耗为Time_{x_consume}：

所有目标节点的排列中，选出最佳的目标节点排列进行实际的迁移计算：

min(β*S_{x_consume}+(1-β)*T_{x_consume}),1≤x≤M

公式中β,0≤β≤1为能耗和时延的平衡因子，通过该平衡因子可以调节能耗和时延的比重。

为使本发明的设计方案、技术原理更加清晰明了，以上对本发明的具体实施进行详细说明，包括步骤一中准确测量和获取智能节点的性能指标数量值、依据各智能节点自身携带的计算任务数据量划分节点类型、精确统计源节点和目标节点的数量、根据数量关系采取不同的迁移方式、每种迁移方式均遵循最低的能量损耗和最小的迁移时延。本发明提出的自组织网络中计算任务迁移策略，克服了自组织网络中某些智能节点自身计算资源受限的问题，充分的发挥自组织网络中闲置智能节点的计算资源，极大地节省整个自组织网络的能量消耗，使得自组织网络中所有智能节点的计算资源更加合理的分配和使用。

所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种自组织网络中计算任务的迁移策略，核心依据是整个自组织网络的能量消耗最低、节点间通信的传输时延最小。其特征在于，包括以下步骤：

步骤一：测量并获取自组织网络中各智能节点的性能指标；

步骤二：根据智能节点携带的计算任务量W，将智能节点划分为源节点或目标节点；

步骤三：分别统计自组织网络中源节点的数量n和目标节点的数量m，并依据两者的数量关系选择相应的迁移方式；

步骤四：单源节点迁移到单目标节点的方式；

步骤五：单源节点迁移到多目标节点中最佳节点的方式；

步骤六：多源节点迁移到多目标节点的方式。

2.根据权利要求1所述的自组织网络中计算任务的迁移策略，其特征在于，所述步骤一中自组织网络的智能节点的性能指标存在差异性，主要包括：续航能量S、计算或传输速率C、计算或传输功率P、计算任务量W，计算任务具有原子性。智能节点N_i具有如下性能指标：S_i代表智能节点i的所具有的能量、C_i代表智能节点i的CPU计算速率、C_si代表智能节点i在计算任务传输过程中的传输速率、P_i代表智能节点i的计算功率、P_si代表智能节点i在计算任务传输过程中的发射功率、W_i代表智能节点i自身携带的计算任务数据量，智能节点i处于闲置状态时W_i＝0。

3.根据权利要求1所述的自组织网络中计算任务的迁移策略，其特征在于，所述步骤二中判别个智能节点的计算任务量W_i与0的大小关系：

若W_i>0，将智能节点确定为源节点；

若W_i＝0，将智能节点确定为目标节点。

4.根据权利要求1所述的自组织网络中计算任务的迁移策略， 其特征在于，所述步骤三中分别统计自组织网络中源节点数量n和目标节点数量m：

若n＝1&&m＝1，采用步骤四中的迁移方式；

若n＝1&&m>1，采用步骤五中的迁移方式；

若n>1&&m>1，采用步骤六中的迁移方式。

5.根据权利要求1所述的自组织网络中计算任务的迁移策略，其特征在于，所述步骤四中源节点和目标节点的数量关系满足n＝1&&m＝1，源节点N₁的能量为S₁、计算速度为C₁、数据传送速率为C_s1、计算功率为P₁、发射功率为P_s1、计算任务总量为W₁；目标节点N₂处于闲置状态，其能量为S₂、计算速度为C₂、数据传送速率为C_s2、计算功率为P₂、发射功率为P_s2。

源节点将全部计算任务W₁迁移到目标节点。完成整个计算迁移过程后的能量损耗S₁₂为：

公式中，W_{2_1_res}代表N₂节点传送给N₁节点的计算结果数据量。

源节点将全部计算任务W₁迁移到目标节点。完成整个计算迁移过程后的时间消耗T₁₂为：

6.根据权利要求1所述的自组织网络中计算任务的迁移策略，其特征在于，所述步骤五中源节点和目标节点的数量关系满足n＝1&&m>1，用N_i代表目标节点i，其中i的取值为1、2、3…、m；按照步骤一中获取各目标节点的能量为S_i、计算速度为C_i、数据传输速率为C_si、计算功率为P_i、发射功率为P_si。

根据上述源节点及目标节点的计算或传输的能耗，可以得出单源节点到各目标节点的计算迁移过程中，迁移到目标节点i的能量消耗 为Source_{i_consume}：

迁移到目标节点i的时间消耗为Time_{i_consume}：

公式中，W_{i_0_res}代表节点N_i传送给节点N₀的计算结果数据量。

7.根据权利要求1所述的自组织网络中计算任务的迁移策略，其特征在于，所述步骤六自组织网络中源节点和目标节点的数量关系满足n>1&&m>1，通过源节点和目标节点的数量关系进行进一步划分：

若n>1&&m>1&&n＝m，所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上能量消耗为Soure_{x_consume}：

所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上时间消耗为Time_{x_consume}：

若n>1&&m>1&&n>m，组合p中迁出计算任务的源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出源节点组合p迁移到第x次目标节点的排列上的总能量消耗为Source_{p_x_consume}：

组合p中迁出计算任务的源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出源节点组合p迁移到第x次目标节点的排列上的总时间消耗为Time_{p_x_consume}：

源节点中的每一种组合迁移到所有目标节点的每一种排列中，共有N*M种可能，满足如下条件限制：

1≤q≤m

1≤p≤N＝[n*(n-1)*…*(n-m+1)]/m！

1≤x≤M＝m！

若n>1&&m>1&&n<m，所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上的能量消耗为Source_{x_consume}：

所有源节点与第x次目标节点的排列的计算迁移过程中，计算及传输的能耗和时延，可以得出迁移到第x次目标节点的排列上的时间消耗为Time_{x_consume}：