CN110166986A - 一种移动设备云内协同数据共享方法及装置 - Google Patents
一种移动设备云内协同数据共享方法及装置 Download PDFInfo
- Publication number
- CN110166986A CN110166986A CN201910418555.0A CN201910418555A CN110166986A CN 110166986 A CN110166986 A CN 110166986A CN 201910418555 A CN201910418555 A CN 201910418555A CN 110166986 A CN110166986 A CN 110166986A
- Authority
- CN
- China
- Prior art keywords
- mobile device
- data
- node
- device cloud
- mobile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0268—Traffic management, e.g. flow control or congestion control using specific QoS parameters for wireless networks, e.g. QoS class identifier [QCI] or guaranteed bit rate [GBR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0289—Congestion control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/60—Subscription-based services using application servers or record carriers, e.g. SIM application toolkits
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种移动设备云内协同数据共享方法及装置,所述方法包括:基于移动设备云数据共享模型,将移动设备云中数据传输调度问题形式化为移动设备云中数据传输的效能最大化问题;其中,在所述效能最大化问题中,将合作激励机制、不同移动节点的服务质量需求QoE异构性和多接口通信方式作为约束条件;所述合作激励机制用于激励所述移动节点参与数据传输合作,所述不同移动节点的QoE异构性表示不同的移动节点有不同的QoE需求;所述移动节点为所述移动设备;通过在线算法求解所述效能最大化问题以得出最优的辅助变量决策、数据传输决策和接口选择决策,可使所述移动设备云中数据传输效能达到最大化。
Description
技术领域
本发明属于通信技术领域,具体是涉及到一种移动设备云内协同数据共享方法、装置、 终端设备及计算机可读介质。
背景技术
数据的获取、存储和传输是移动设备的重要功能,通常每个节点(包括移动设备和基 站)不仅接收来自远程云端的数据,而且也会接收来自各种传感器(例如,相机,录像机和 GPS等)产生多种多样的数据(例如,图像,视频,语音和位置等信息)。为了克服不同移动设备之间信息的不对称,这些数据需要在各节点间进行共享。例如,在灾害地区,用户 可以利用移动设备来分享自己的态势信息以获得及时的救援与帮助。显然,各移动节点全 部从中心节点(如图1所示的基站BS)下载数据将会导致中心节点通信压力剧增,效率低 下。我们将一组无线连接且协作式共享资源的移动设备称为移动设备云(MDC,Mobile DeviceCloud),针对这种网络资源紧缺的情形,MDC内的移动节点可以通过 D2D(Device-to-Device)通信从而为中心节点转移部分流量,以提高网络效率。因此,在此 模式下设计合适的数据共享模型并优化节点间的数据传输对提高协作式移动设备云中的数 据共享性能至关重要。
不同于传统研究针对D2D环境下的数据共享,分布在MDC各节点的数据可当做一个资源池,各节点不仅扮演数据消费者还是数据生产者,节点需要数据时会向云中请求,同时也会将本地拥有的数据传输给请求数据的节点。鉴于这一特性,在这种环境下进行数据共享具有以下挑战。第一,由于节点的移动性、点对点通讯范围的限制以及应用环境的恶劣性,移动云的网络状态通常不断变化而且呈机会式、间接性连接状态,尤其是在野外条件下如灾难救援和军事行动中甚是明显。第二,用户通常需要受到激励才能参与到移动云中进行合作。第三,设备能源有限和数据高效共享的要求之间存在矛盾,因为更高的数据共享效率需要耗费更多的能源。第四,由于不同节点在移动系统中通常扮演不同的角色,其数据下载速率的用户质量体验(QoE)要求也会不同,(例如,在灾害救援中,承担紧急 任务的人员的QoE要求可能就要高于承担普通任务人员的QoE要求)。
当前,在移动云计算领域的研究主要聚焦于如何将任务卸载至远程云、如何在局部节 点之间迁移计算以减少任务处理时间和减少自身设备的能源消耗。在D2D通信领域,数据 共享也有大量研究,但主要聚焦于频率资源的分配和信道干扰的管理。然而,还少有学者 在机会式、间歇性连接网络条件下进行数据共享研究以最大化网络效用。
发明内容
有鉴于此,本发明实施例提供一种移动设备云内协同数据共享方法、装置、终端设备 及计算机可读介质,能够在机会式、间歇性连接网络条件下进行数据传输效能的最大化。
本发明实施例的第一方面提供了一种移动设备云内协同数据共享方法,包括:
基于移动设备云数据共享模型,将移动设备云中数据传输调度问题形式化为移动设备 云中数据传输的效能最大化问题;其中,在所述效能最大化问题中,将合作激励机制、不 同移动节点的服务质量需求QoE异构性和多接口通信方式作为约束条件;所述合作激励机 制用于激励所述移动节点参与数据传输合作,所述不同移动节点的QoE异构性表示不同的 移动节点有不同的QoE需求;所述移动节点为所述移动设备;
通过在线算法求解所述效用最大化问题以得出最优的辅助变量决策、数据传输决策和 接口选择决策,使所述移动设备云中数据传输效能达到最大化。
本发明实施例的第二方面提供了一种移动设备云内协同数据共享装置,包括:
问题构造模块,用于基于移动设备云数据共享模型,将移动设备云中数据传输调度问 题形式化为移动设备云中数据传输的效能最大化问题;其中,在所述效能最大化问题中, 将合作激励机制、不同移动节点的服务质量需求QoE异构性和多接口通信方式作为约束条 件;所述合作激励机制用于激励所述移动节点参与数据传输合作,所述不同移动节点的QoE 异构性表示不同的移动节点有不同的QoE需求;所述移动节点为所述移动设备;
求解模块,用于通过在线算法求解所述效能最大化问题以得出最优的辅助变量决策、 数据传输决策和接口选择决策,使所述移动设备云中数据传输效能达到最大化。
本发明实施例的第三方法提供了一种终端设备,包括存储器、处理器以及存储在所述 存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现 上述移动设备云内协同数据共享方法的步骤。
本发明实施例的第四方面提供了一种计算机可读介质,所述计算机可读介质存储有计 算机程序,所述计算机程序被处理执行时实现上述移动设备云内协同数据共享方法的步骤。
本发明实施例可基于移动设备云数据共享模型,将移动设备云中数据传输调度问题形 式化为移动设备云中数据传输的效用最大化问题,在所述效用最大化问题中,将合作激励 机制、不同移动节点的服务质量需求QoE异构性和多接口通信方式作为约束条件,并通过 在线算法求解所述效用最大化问题以得出最优的辅助变量决策、数据传输决策和接口选择 决策,使所述移动设备云中数据传输效能在一段时间内达到最大化。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所 需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施 例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附 图获得其他的附图。
图1是本发明实施例提供的移动设备云内协同数据共享方法的流程图;
图2是本发明实施例提供的移动设备云内协同数据共享模型的示意图;
图3是本发明实施例提供的移动设备云内协同数据共享架构图;
图4是本发明实施例提供的各节点的平均效用和队列积压随时隙的变化曲线图;
图5是本发明实施例提供的基站与点点对通讯的效用曲线比较图;
图6是本发明实施例提供的参数V,α对网络效用的影响的实验结果图;
图7是本发明实施例提供的参数V,α对QoE的影响的实验结果显示图;
图8是本发明实施例提供的关于合作激励机制对数据传输的影响的实验结果显示图;
图9是本发明实施例提供的考虑和不考虑QoE时平均网络效用的对比图;
图10是本发明实施例提供的实验中各种算法可达成的平均网络效应的对比图;
图11是本发明实施例提供的优化问题在简化前后的变量数的对比图;
图12是本发明实施例提供的移动设备云内协同数据共享装置的结构示意图;
图13是本发明实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体 细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、 电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
请参阅图1,图1是本发明实施例提供的一种移动设备云内协同数据共享方法的流程图。 如图1所示,本实施例的移动设备云内协同数据共享方法包括以下步骤:
S101:建立移动设备云数据共享模型。
在本发明实施例中,可考虑一个包括多个移动节点和基站的典型移动通信系统(如图2 所示)。基站能够连接到互联网并且有丰富的数据能与用户分享,同样移动设备也会不断 地产生数据并且能够与他人共享。这些节点可以通过无线基站或直接通过点对点的方式进 行传输。基于MDC范式,移动设备和基站可被当作一个移动设备云,各个移动设备都能够 从附近的其他节点或者基站获取可利用的资源。具体来说,我们假设由移动设备和基站组 成的网络里共包含A个节点,并记节点集合为A(即为A=|A|)。设K为战术边缘的移动设备节点集合而B为基站节点结合,可知A=B+K。考虑到基站只是服务的基础设施而 非终端,可假设基站不需要从移动设备请求数据,而每一个用户节点都可以从基站或附近 的节点请求需要的数据。此外,考虑到移动设备可能配置有通信范围不同的通信接口(例 如,4G、WiFi、蓝牙、UWB(超宽带)),且不同接口之间具有不同的能源效用和传输速 率,在数据传输过程中可以根据当前状态选择不同的接口。形式化地,设Lb={4G}为连接 移动用户和基站的通信接口,Lu={WiFi、蓝牙、UWB}作为用户之间的信接口。由于节点 的移动性,各节点间的链路是动态变化的。考虑到蜂窝信号(例如,4G)的较大覆盖范围, 本文认为基站和节点之间的链路是稳定的。在此无线环境,根据实际情况可定义以下约束: 1、每时隙基站a的数据服务能力上限为2、每时隙用户的上传和下载能力上限分别 为和3、两个节点之间能通过某个接口通信仅当双方都配置有该通信接口。例如, 基站必须使用4G接口与移动用户通信,而不能通过点对点通信接口如WiFi进行通信。4、 只有当两个节点在相应接口的通信范围内时,才能实现通信。为应对移动节点之间的网络 的动态变化,本文采用了发布/订阅模式设计数据共享模型。该模型的体系结构如图3,其 中基站作为发布/订阅中间件,所有的移动节点都需向基站注册以进行数据发布和下载。因 此,基站能够捕捉到有关节点状态的全局的信息。在此模式中,用户可以向基站发布自身 的数据或请求其他数据,基站负维护各用户的数据发布/订阅列表并且不间断判断当前的网 络状态(传输速率、拓扑结构等)从而作出数据传输的决定。需要注意的是,由于基站作 为数据发布/订阅的中间件,并且需要与节点交换信息,不可避免会出现中间件通信压力较 大的情况。在本文中,我们认为由于控制信息可以被设计成很小的包,因此基站的信息负 载是可以接受的,具体的设计细节如下:对于每个移动设备来说,都配置了设备状态监测 器(Data StateMonitor,DSM),数据发送代理(Data SendingProxy,DSP)、数据接收代理 (Data ReceivingProxy,DRP)和局部数据管理器(Local Data Manager,LDM)。其中DSM 负责监控设备的状态(例如,电池,位置,处理能力等);DSP负责根据发布/订阅中间件作 出的数据传输调度决定将数据发送到目标节点,而目标节点的DRP则负责接收数据;LDM 主要负责管理本地数据,包括向中间件发布本地元数据,向中间件请求数据以及将来自不 同用户的数据块整合成完整的文件。对于基站来说,它可以被视为一个控制中心,包括移 动设备状态收集模块(Mobile Device State Collector,MDSC),无线信号评估模块(Wireless SignalEstimator,WSE),全局数据管理模块(Global Data Manager,GDM)和数据下载调度 模块(Data Downloading Scheduler,DDS)。MDSC主要负责收集来自节点报告的设备状态 信息;在收集节点状态后,WSE负责评估移动节点之间的无线信号状态(通常基于节点的 位置进行评估)。GDM负责收集节点间数据供需情况(例如,各节点需要哪些数据以及自 身拥有哪些数据)。DDS基于收集到的当前系统信息(全局数据和各个节点的状态)来制 定各个节点是否需要发送和接收数据,并将指令传输给相应节点的DSP和DRP模块。值得 注意的是,由于DDS负责了整个数据的调度,是数据共享系统的核心,本申请主要关注 DDS模块中的优化问题。正如上文所述,由于发布/订阅中间件除了收集必要信息和发布控 制信息外并不会频繁地与用户进行数据交互,因此基站的通信负载是可以接受的。假设系 统以时隙方式运行(例如,1,2,3,···T),时隙间隔可根据数据传输的实时性和大 小设定,若实时性较强且数据传输量小,则时隙间隔小,反之亦然。基于所获得的系统状 态信息,DDS在每个时隙都会进行数据传输的调度。假设所有的文件被分为多个数据包, 每个数据包可以在一个时隙内发送。基于以上提出的系统模型,每个节点在特定时隙内向 发布/订阅中间件报告其当前状态,基站基于收集到的全局信息做出节点间传输调度决策, 以优化移动网络的性能。考虑到不同的通信接口具有不同的能源效用,进行传输调度决策 时不仅需要决定节点间的数据传输量,而且也要选择哪个通信接口进行传输。重要的符号 请参考表1。
表1
S102:基于移动设备云数据共享模型,将移动设备云中数据传输调度问题形式化为移动 设备云中数据传输的效能最大化问题。
在本发明实施例中,对于以上所设计的系统,目标是优化以下变量。
(1)数据传输变量。设为t时刻数据传输决策集合,其中为t时刻从节点a∈A通过接口i传输至节点k∈K的数据量。这些决策都是基于当前状态, 比如影响传输速率的拓扑状态和设备状态。我们假设t时刻系统状态为ω(t)并设其取值范 围在一个无限的集合W内。对于每一个ω(t)∈W,我们定义Ω(ω(t))作为当前系统状态下所有可能的传输行为集合(即,μak∈Ω(ω(t)))。基于前文所述的网络模型, 在Ω(ω(t))中的每个元素都应该满足:
1)其中为t时刻节点a通过接口i传输给节点k的数据 量,对应的链路状态表示为<a,k,i>。
2)对于每个基站a∈B,我们有这表明t时刻内基站的数据服 务上限为
3)对于每个用户k∈K,我们有其中是节点k在某个时隙内能够接收数据包的最大数量。同理,节点k在某一时隙内能够发送数据包的最大数量可表示为:其中表示用户k在t时刻能够发送的数据包数量上限。
(2)接口选择变量。如上文所述,每个节点可能会有多个接口可用来传输数据,而每 个接口又具有不同的数据传输速率、传输范围以及能量消耗。例如,使用WiFi传输数据比 使用4G更加节能,但数据传输速率却较低。因此,在保证系统数据传输效率的前提下,选择一个合适的通信接口有助于减少能耗。设为二进制变量,表示节点a的接口i是否启用。当节点a启用接口i时否则因此,只有当时,节点a和 节点b之间才会有通过接口i进行数据传输。设表示节点a和节点k之间通过接口i形 成的数据链,则:
本发明实施例的目的是最大化网络效用,同时最大限度地减少能源消耗,即最大化所 述移动设备云中数据传输的效能。设Fk(t)为持有用户k所需文件的节点集合,为t时 刻能与节点a通过接口i进行通信的节点集合。记fak(t)表示节点a是否能向用户k传输数据 的标志,我们有:
从以上定义可知,只有节点a拥有节点k所需的数据并且双方都在接口i的通信范围内 时,节点a与节点k才能通过接口i传输数据。由于节点的移动性,fak(t)也会随时间不断 变化,因此在每个时隙都需选择合适的接口进行数据传输。设xk(t)表示t时刻节点k从其他 节点获取的数据量,根据以上变量,我们有:
同理,t时刻节点k向其他节点发送的数据总量yk(t)可表示为:
现有技术中的能量消耗模型显示,对于增益为g的无线衰落信道,能源消耗是由数据 传输量支配的单项式函数(即,),其中u和n分别表示数据传输速率和单项式序(通常设n=2)。考虑到节点无论是接收还是发送数据都需要消耗能量,t时刻节点k消 耗的能量可以表示为;
其中,esi和eri分别表示通过接口i发送和接收数据的能耗系数。因此,代 表节点k通过接口i向节点b发送大小为数据所消耗的能量。
此外,由于不同节点通常在系统中扮演不同的角色,对数据的实时性要求也不尽相同。 从数据消费的视角来看,可视为不同节点有不同QoE需求。例如,在军事行动中,由于指 挥官是行动小组中的关键节点,其要求的数据及时性通常比士兵更加严格,这就意味着指 挥官节点的数据下载速率比其他节点要大。然而,在这种情况下,仅将数据下载速率作为 QoE好坏的测量标准是不合理的。比如,节点所需要的数据下载速率非常高,即使实际下载 速率较大,其QoE也不会很好。因此,还必须考虑实际下载速率与期望下载速率的关系。为了解决此问题,我们假定不同的角色对数据下载速度有不同的期望,用户的QoE需求取决于实际下载速率和期望下载速率。假设mk和γk(t)分别表示用户k的期望下载速率和实际下载速率,则节点k的QoE(即,qk(t))可形式化为:
其中Qmax表示用户能达到的最大QoE级别。通过参考xk(t)的定义可知,实际下载速率 γk(t)实际上等于xk(t)。b是控制函数变化率的常数且0<b<1,表示QoE的下降率。从以上定义我们知道,一方面随着实际下载速率的增大,QoE会不断增大;当实际下载速率γk(t)达 到期望的下载速率mk时,用户k会获得最高的QoE水平且数据下载速率γk(t)的进一步增大 不再提高QoE水平。另一方面,当实际下载速率不断向下偏离期望下载速率时,QoE会变得 越来越小;当实际速率减小至一定量时QoE将为递减至零,代表此时数据下载的延迟已经 超出了用户的最大容忍范围,数据下载不再产生效用。
基于以上分析,可将此问题建模成以下优化问题:
其中,η是控制网络效用和能源消耗平衡的权重,α和β是控制节点间合作行为的常数 并且满足0≤α<1,β>0。和分别表示时隙[1,T]内节点k 的数据下载量xk(t)和上传量yk(t)的平均值。Uk(·)是关于xk的凹函数,代表节点k数据下载 的效用。约束(28)表示用户对外界提供的帮助必须大于自身获取的帮助减去一个固定值, 主要作用在于激励用户参与合作。显然当参数α>0时用户可以以b/a的速率自由下载数据。 因此α的值越大意味着参合作条件越苛刻。当然,通过设置α=β=0,可以去掉约束(28)。 约束(29)意味着所有节点的数据下载速率必须满足最小的QoE水平。约束(30)(31)确保了数据传输速率必须满足上文所述的约束。注意到这些约束条件都是以系统中相关指标的的平均值进行测量,这意味着单个节点数据下载速率不一定满足以上约束条件,而对于整个系统来说则能满足约束。我们认为这在考虑整体性的系统中,通过牺牲某些节点的性能以提高整体的性能是合理的。例如,在军事行动中,就需要某些节点牺牲以达到系统的整体目标。这也是与传统D2D通信所研究的内容共享问题最本质的区别。
由于Uk(·)是非递减函数,实际上可通过添加辅助变量rk(t)将问题P1转化为以下问题 P2:
其中,通过利用lyapunov技术,以上问题转换能够保证满 足原始问题所有的约束并能获得与最优结果相近的结果。
S103:通过在线算法求解所述效能最大化问题以得出最优的辅助变量决策、数据传输决策 和接口选择决策,使所述移动设备云中数据传输效能达到最大化。
在本发明实施例中,由于网络状态不稳定,移动设备本身上下文的动态变化且不可预 测性,求解问题P2非常具有挑战。当问题规模比较大时,考虑到问题求解的复杂性,经过 长时间获得决策结果时系统状态可能已经发生了变化,导致决策已不再适用当前情况,因 而线下方案不可行。因此,设计有效的在线算法进行问题求解是唯一可行的方案。结合问 题的随机特点以,可采用近年来成功应用在随机网络优化云资源管理领域的李雅普诺夫 (Lyapunov)优化框架进行在线算法设计。此方法最突出的特点是能在不需要任何未来的 信息的情况下做出长期的优化决策。
根据Lyapunov优化理论,为了解决P2问题,首先可将上述约束转化为虚拟队列,然后导出漂移-惩罚项。
针对合作激励约束,可定义相应的虚拟队列Hk(t)
Hk(t+1)=max[Hk(t)+αkxk(t)-βk-yk(t),0] (39)
直观地,αkxk(t)可以看成t时刻到达用户k的数据请求量,而βk+yk(t)可以看成实际 的数据服务量。可以证明的是,当Hk(t)保持稳定时,则满足约束(33)。
同样,为了满足约束(34),可以定义相应的队列更新如下:
Qk(t+1)=max[Qk(t)+rk(t)-xk(t),0] (40)
其中,rk(t)可以被视为节点k请求的数据量而xk(t)则为实际接受的。
为了满足约束(35)的要求,相应队列Zk(t)可以被定义为:
Zk(t+1)=max[Zk(t)+Q0-qk(t),0] (41)
关于稳定效应权衡特征,假设H(t)=[Hk(t)],Q(t)=[Qk(t)],Z(t)=[Zk(t)]分别表示上 述虚拟队列矩阵。设Θ(t)=[H(t);Q(t);Z(t)]表示队列的组合矩阵,因此Lyapunov函数可以 定义如下:
其中L(Θ(t))度量了系统队列积压量。直观地,将L(Θ(t))函数维持在一个较低水平的拥 塞时,可以保证队列Hk(t);Qk(t);Zk(t)的稳定。从而,使得约束(33)、(34)和(35)成 立。直观地,当队列积压在时间轴上波动不大时,则可认为队列是稳定的。这种波动的特性可以利用不同时间的积压差值(漂移)来衡量。因而,可引入单时隙Lyapunov漂移以衡 量队列的稳定性:
在Lyapunov理论中,可将原问题转化为最小化以下漂移加惩罚函数:
其中“漂移”可看作是对队列稳定性的度量,“惩罚”可以被看作是对原目标函数的转化。V≤0是一个控制队列的稳定性和系统目标之间权重的参数。直观地说,V越大意味着,相比队列的稳定性,本发明实施例更看中系统总体效用。针对问题(44)本发明实施 例没有直接对其进行求解,而是转为为最小化其上界求其近似解。在问题转换后,可通过 观察Fk(t)的状态,ω(t)的状态,以及队列的状态并贪婪地最小化其上界表达式从而获得 每时隙的决策。先要做的就是寻找其上界。通过对队列更新方程(39),(40)和(41) 进行平方操作并移项,我们可以推导得到式子(44)的上界如下:
其中,Wak(t)=[Qk(t)+NkxZk(t)+1{a∈K}Ha(t)-αkHk(t)], 1{a∈K}为标志函数,节点a为基站,则其值等于1,否则其值等于0。
根据以上分析,已知系统t时刻系统的上下文状态ω(t),通过最小化式子(29),可以对变量进行求解:
(1)辅助变量决策求解。从式子(45)的右式中抽取与rk(t)相关的部分,可得如下子 问题:
由于不同节点间决策相互独立并且Uk(x)=ln(1+vk(x)),对于任意节点k,式子(30)可 表示为:
在式子(47)的目标函数上对rk(t)求微分,可得时目标函数取得最小 的值。进一步,考虑到约束(36),可以推导才出辅助变量rk(t)的解析解:
从以上决策结果可知,辅助变量决策与Qk(t)有直接的关系。当Qk(t)较大时,rk(t)的 值会很小,反之亦然。这就意味着要想保持Qk(t)的稳定性其数据请求必须尽可能的小。
(2)数据传输与接口决策。除了与rk(t)相关的部分,式子(45)右半部分与数据传输 和接口选择相关。通过求解以下问题,可以同时获得数据传输和接口选 择决策。
与问题(47)不同,式子(49)所构成的问题需要优化两个变量,分别为和注意到是指节点a向节点k通过接口i传输数据的接口开关,并且针对此变量无 相关的约束,因而,可根据的决策结果获得的结果。基于以上考虑,首先可设定 的值为1,根据已知的的值来得求变量然后根据的结果求得
对于与相关的问题,注意到f(·)=μ2/g,它是一个整数的凸优化问题。由于为一个二进制变量,因此求解该问题可能有M=2A*K*I种可能的解决方案。当系统节点(例如,A,K)不断增大时,问题的求解将会变的非常复杂。在这种情况下, 即使利用成熟的凸优化工具如YALMIP都不能对问题进行在线求解。因此,首先可对该问 题进简化,然后可利用YALMIP工具包进行求解。
通过研究式子(49)所构成的问题,可发现如果以下不等式成立则的值应为0。
显然,当fak(t)=0是上述不等式也成立。根据式子(21),可知仅当以下两种情况同时满足时fak(t)=1才成立:1)节点拥有用户k所需要的数据或文件;2)两节点处在接口i 的通讯范围内。考虑到节点的移动性、数据状态和网络状态的不断变化,同时满足这两条 件概率较小。因而,大部分的可能方案是无效的,可对问题的规模进行缩减以使问题的求 解时间在可接受的范围之内。从形式上,给出如下的定义:
引理1:假定上述两种情况出现的概率分别为pf和pr,那么式子(49)所构成的问题的规模可以简化至(1+P)A*K*I,其中p=pf·pr。
证明:通过对的可选方案数取期望,很容易证明以上引理。记变量option代表 的可选方案的个数,可知当option=2时,表明的可行方案为0或当option=1表示的可选方案只能是0;考虑到当同时满足前述两个条件时,变量才有两种选择方案,因此可得Pr(option=2)=p,Pr(option=1)=1-p。可行方案数的期望为 E(option)=2p+1-p=1+p。这意味着变量有1+p个期望决策,包含A*K*I个变 量的问题规模从2|A*K*I|缩减至
此外,对于情形fak(t)>0,式子(50)也可能成立。因此,问题的复杂性可以进一步简化(即,问题的变量规模M<(1+p)A*K*I)。
对于变量的求解,可基于的决策结果采取以下步骤:当可设因为当节点a和k之间不需要通信时不需要在量节点间设置接口i的通信链路。当则可以利用式子(21)进行相应的接口开启设置。
至此,可得到t时刻变量rk(t),和的解。结合式子(40),(41)和(42) 中队列的更新规则,我们设计了如表2所示的在线算法。
下面介绍仿真实验对发明实施例提供的算法的性能的验证。实验中设置60个用户节点 (即,K=60)和一个无线基站(即,B=1)。基站配备了4G接口,而移动节点则配备4种通信接口,包括:4G,WiFi,Bluetooth和UWB,其中各接口的详细参数请参见表3,其中, MTR为最大传输速率,CR为通信范围,EC为相应的能耗,ME为最大传输速率与相应能 耗的比值。因此,基站和移动节点之间的数据传输只能通过4G接口,而移动节点之间的数 据传输可以使用WiFi,蓝牙和UWB。当然,各接口之间的传输信号会存在干扰,但能通过 干扰技术加以解决,此问题不在本发明的研究范围,假设多个接口之间能够互不影响地进 行数据传输。可设置基站覆盖范围为400米,并假设用户(移动设备)在以基站为中心的 800半径米的范围内随机游走。每个用户所需的文件大小被设为很大(例如,数据量较大的 视频),因而在短期内数据源是稳定的。由于模型中未将蜂窝信号作为用户点对点传输方 式,因而在蜂窝通信与用户点对点通信之间不存干扰问题,因此这两种通信方式能够同时 存在系统当中。实验中,假设基站可以服务于多个用户且每个用户能够向通信范围内的多 个节点传输数据。考虑到用户对数据下载速率要求的异构性,设置每个用户具有不同的QoE 水平,可随机选择10,20,30这几个用户并分别设它们QoE的要求级别为4,3,2。
表2
在系统实现过程中,各模块功能设计如下:节点k的设备监控模块(DMS)根据其随机游走策略生成自身的位置并且向基站中部署的设备状态收集模块(MDSC)发送Qk(t), Hk(t),Zk(t)等自身状态信息。由于仿真实验不能实现真正的数据传输,其他涉及到数据 传输操作的模块,如数据发送模块(DSP),数据接收模块(DRP)和本地数据管理未在仿 真器中实现。为了模拟无线信号的动态性,基站中部署的无线信号评估器WSE以概率随机生成节点a与节点b的信号速 率。无线信号增益因子在[0.51]的范围内随机产生。同样的,为了模拟Fk的变化性,全局数据管理模块GDM分别在时隙[1,100],[101,200],[201,300],[301,400]以概率分别以 p=0.35,p=0.25,p=0.45,p=0.35的方式随机产生。最后将表2算法部署在数据下载调度模 块DDS中以实现数据传输的优化决策。各通信接口的最大传输速率(MTR),通信范围(CR)以及相应的能耗(EC)详细信息请见表3。在实验中,可将MTR和EC归一化为[0,1]。MTR 和EC之间比值(表示为ME)代表了相应接口的效能比。其他通用的参数设置为: V=10,vk=1,α=0.5,β=0.5,η=0.01,在试验中,可考 虑(效用,QoE,能耗)三个指标对算法进行评估。需要指出的是,这里的效用是纯效用(也 可称为效能),它是利用所获效用减去能耗得出的结果(即,)。
表3
4G | WiFi | Bluetooth | UWB | |
CR(meter) | 400 | 100 | 10 | 10 |
MTR(MB/s) | 400 | 54 | 1 | 110 |
EC(J/MB) | 1.38 | 1.1 | 0.29 | 1.14 |
ME(MTR/EC) | 72.46 | 49.09 | 3.45 | 96.49 |
为研究所提算法的有效性,我们通过设置固定的参数以观察各指标在时间轴上的变化 情况。在实验中,我们设置V=10,α=0.5,β=0.05。图4显示了效用和数据队列积压在时 间轴的波动情况,其中,下凹的曲线代表效用,上凸的曲线代表队列积压,从中可知系统所获得的效用值与各节点所需文件的可用性概率呈现出同步波动的效应。我们还发现系统效用值和数据队列积压之间存在此消彼长的关系,这可能时由于式子(44)中的漂移加惩罚项具有权衡数据队列积压和系统效用值的作用。图5展示了基站与用户间的蜂窝链路和用户间的点对点链路的效用比较,其中,图5中的上面的曲线代表点对点通信的效用,下 面的曲线代表基站通信的效用,从中我们观察到在移动系统中点对点链路效用占整个系统效用的主要部分(用户点对点链路产生的效用与基站-用户链路产生的效用比接近2.6)。这意味着,相比于只利用蜂窝链路进行数据传输,利用点对点链路能显著提高系统数据共享的性能。本发明实施例还研究了参数变化对系统不同指标性能的影响。图6展示了参数V和参数a对系统效用的影响。依图可见随着参数V的增大,系统效用不断增大并且不断趋近于一固定值。因而,在实际系统中,可以通过控制参数V以不断逼近最优决策。注意到当V>10时,系统效用基本保持稳定状态,因而在实际系统部署时可设置V=10。当固定V的值,我 们发现a越大,系统产生的效用却越小,这是因为a越大表明用户参与合作的条件更加严格(参考约束(33)),因而也会导致系统效用值的减小。这说明,选择合适的a既能刺激用 户间合作又能保证系统效用的最大化也非常重要。图7展示了参数V和a对QoE的影响。 注意到随着V和a的变化,QoE>4始终成立,这说明所提算法能够保证QoE约束得到满足。 依图,同样发现,用户获得的QoE水平随着V的增大而增大,这是由于这样一个事实:V越 大,rk(t)的值也会越大(参考式子(48)),从而导致QoE的增大(参考式子(26))。
另外,实验中我们还探索了合作激励机制对数据传输的影响。我们随机选择用户5和 用户9进行实验并研究他们之间的数据传输行为变化情况。图8展示了该实验结果,可见只有当用户5和用户9之间的声誉差大于0时,即H5(t)-H9(t)>0,用户9才会向用户5 传输数据(例如,在时隙[100,200]以及[300,400]).这意味着某个节点帮助其他节点越多, 其将接受来自他人的帮助也将越多,反之亦然。
为了验证考虑QoE异构性对系统性能的影响,我们将所提本发明提供的算法(可称为 UMA)与没有考虑QoE约束的情况进行对比。通过设定Zk(t)=0(k∈K,t∈[1,T]),可 将原问题中的QoE约束消除。如图9显示,考虑QoE异构性时的平均效用曲线位于未考虑 QoE异构性时的平均效用曲线的上方,当考虑QoE异构性时,系统效能相比未考虑QoE异 构时有明显提升。这意味着,考虑QoE异构性可以使得算法合理安排有限的资源以提高系 统的效用。
对比算法中,可将本发明实施例所提算法UMA与一些现有经典算法进行了对比。由于 本发明实施例提供的方法的主要任务就是在节点之间进行传输调度,我们考虑考虑以下几 种数据传输调度策略用以对比,而辅助决策变量rk(t)则统一通过式子(48)进行求解。
1)Random算法。此算法随机选择可用数据源节点进行数据下载,并满足各节点上行
和下行链路容量约束。实际上,这种策略未考虑QoE要求以及能源消耗因素。
2)PriFirst算法。此算法优先安排QoE级别高的用户进行数据下载,并保证各链路的 上下和下行容量约束条件。
3)subcell算法。此算法为了降低问题的复杂度,将通信范围划分成多个子块,并在每 个子块内部进行数据传输优化。主要考虑以下约束:1)每时隙每各子块内部至多存在一个 传输链路且不支持跨子块的链路;2)每个时隙只允许基站向单个用户传输数据。另外,此 调度策略可分为两个方面:1)对于基站a向用户k的传输,选出使得非负且最大值的用户k作为传输对象,若所有值都为负,则不选择节点传输。2)对于各子块内部的点对点传输,在此区域内部节点中选择使得最大的链路<a,k>进行数据传输。相似地, 若所有值都为负,则不进行数据传输。本实验中,可将800mX800m的通信范围划分成16个子块,每个子块大小为200Mx200m。显然,此策略由于严格的条件限制,将会失去大部 分的数据传输机会。
图10展示了各策略的效用对比结果,其中,位于最上面的凹形曲线与本发明实施例提 供的UMA算法对应,从上至下排第二的凹形曲线与PriFirst算法对应,排第三的凹形曲线 与Random算法对应,排最底下的与横坐标紧邻的总体形态接近线形的曲线与Subcell算法 对应,结果显示本发明实施例所提UMA方法表现最好(utility=1.32),而subcell策略表现 较差(utility=0.05)。这就意味着本发明实施例提供的方法UMA比现有技术中的subcell 策略提高了25.4倍(即,1.32/0.05=26.4)。这是因为subcell策略严格限制每时刻基站只 允许向一个用户传输数据且每个子块内部只允许一个传输链路,而UMA却没有这些约束。 因此,subcell策略中的大部分的潜在传输能力都丢失了,导致非常低的系统效用。
由于原整数非线性规划问题规模非常大,例如,当B=1,K=60以及I=4时,需要优化 的变量数为14884,通过实验我们验证即使利用流行的高端服务器(CPU 1.9GHz,128GBRAM)也会出现内存超出的情况。因此,我们按照引理1中的理论分析结果对原问题规模 近简化。为验证所提问题简化方案的有效性,我们将问题简化前后的变量数和求解时间进 行了对比。图11显示,通过利用所提的简化方法,原问题的的规模显著减小。从图11可 见,对K=40,K=60和K=80的情形来说,相比原问题分别缩减了51倍,64倍和64倍,从 而验证了定理4.1中理论分析的正确性。最后,为了验证所提算法的时间效率,我们对问题 缩减后的求解时间进行了对比。图8显示,K=40,K=60和K=80的问题求解平均时间分别只 需要0.06、0.08和0.33秒。
此外,需要指出的时,在本发明的另一个实施例中,移动设备云内协同数据共享方法 还可基于已有的移动设备云数据共享模型而仅仅包含问题S102对应的优化问题的构造步骤 和S103对应的优化问题的求解步骤。
考虑到恶劣环境下数据密集共享需求的情形及其网络资源有限性,如何实现数据的高 效共享至关重要。针对这一问题,基于移动设备云思想,本发明实施例研究了间歇性连接、 不稳定连接以及低宽带连接等战术边缘网络环境下如何进行数据高效共享的问题。首先, 提出了基于发布/订阅模式的数据共享架构,以应对恶劣环境的网络不稳定性;然后,将 此通信条件下的移动云数据共享问题建模成效用最大化的非整数凸优化问题。考虑到原问 题复杂度高,在线求解几乎不可行,通过对原问题进行详细分析并在不影响问题求解结果 的情况下将原问题简化成可在线求解的问题。而后,利用Lyapunov技术设计了在线求解算 法,该算法能够同时作出数据传输和通信接口选择的决策。通过大量的仿真实验验证了本 发明实施例所提算法UMA相比与现有算法在系统效用、能耗方面的优越性。
请参阅图12,图12是本发明实施例提供的移动设备云内协同数据共享装置的结构框图。 如图12所示,本实施例的移动设备云内协同数据共享装置120包括模型建立模块1201、问 题构造模块1202和求解模块1203。模型建立模块1201、问题构造模块1202和求解模块1203 分别用于执行图1中的S101、S102和S103、中的具体方法,详情可参见图1的相关介绍, 在此仅作简单描述:
模型建立模块1201,用于建立所述移动设备云数据共享模型;在所述模型中,基站用 于维护所述移动设备云中的各移动节点的数据发布和订阅列表,并判断所述移动设备云内 的网络状态,以做出数据传输决策。
问题构造模块1202,用于基于移动设备云数据共享模型,将移动设备云中数据传输调 度问题形式化为移动设备云中数据传输的效能最大化问题;其中,在所述效能最大化问题 中,将合作激励机制、不同移动节点的服务质量需求QoE异构性和多接口通信方式作为约 束条件;所述合作激励机制用于激励所述移动节点参与数据传输合作,所述不同移动节点 的QoE异构性表示不同的移动节点有不同的QoE需求;所述移动节点为所述移动设备。
求解模块1203,用于通过在线算法求解所述效能最大化问题以得出最优的辅助变量决 策、数据传输决策和接口选择决策,使所述移动设备云中数据传输效能在一段时间内达到 最大化。
此外,需要指出的时,在本发明的另一个实施例中,移动设备云内协同数据共享装置 还可基于已有的移动设备云数据共享模型而仅仅包含问题构造模块和求解模块。
图13是本发明一实施例提供的终端设备的示意图。如图13所示,该实施例的终端设 备13包括:处理器130、存储器131以及存储在所述存储器131中并可在所述处理器130上运行的计算机程序132,例如控制三电平变流器中点电压波动的程序。所述处理器130执行所述计算机程序132时实现上述方法实施例中的步骤,例如,图1所示的S101至S103。 或者,所述处理器130执行所述计算机程序132时实现上述各装置实施例中各模块/单元的 功能,例如图12所示模块1201至1203的功能。
示例性的,所述计算机程序132可以被分割成一个或多个模块/单元,所述一个或者多 个模块/单元被存储在所述存储器131中,并由所述处理器130执行,以完成本发明。所述 一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于 描述所述计算机程序132在终端设备13中的执行过程。例如,所述计算机程序132可以被 分割成模型建立模块1201、问题构造模块1202和求解模块1203。(虚拟装置中的模块),各模块具体功能如下:
模型建立模块1201,用于建立所述移动设备云数据共享模型;在所述模型中,基站用 于维护所述移动设备云中的各移动节点的数据发布和订阅列表,并判断所述移动设备云内 的网络状态,以做出数据传输决策。
问题构造模块1202,用于基于移动设备云数据共享模型,将移动设备云中数据传输调 度问题形式化为移动设备云中数据传输的效能最大化问题;其中,在所述效能最大化问题 中,将合作激励机制、不同移动节点的服务质量需求QoE异构性和多接口通信方式作为约 束条件;所述合作激励机制用于激励所述移动节点参与数据传输合作,所述不同移动节点 的QoE异构性表示不同的移动节点有不同的QoE需求;所述移动节点为所述移动设备。
求解模块1203,用于通过在线算法求解所述效能最大化问题以得出最优的辅助变量决 策、数据传输决策和接口选择决策,使所述移动设备云中数据传输效能在一段时间内达到 最大化。
所述终端设备13可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。 终端设备13可包括,但不仅限于,处理器130、存储器131。本领域技术人员可以理解,图13仅仅是终端设备13的示例,并不构成对终端设备13的限定,可以包括比图示更多或 更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输 出设备、网络接入设备、总线等。
所述处理器130可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通 用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可 以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器131可以是终端设备13的内部存储单元,例如终端设备13的硬盘或内存。 所述存储器131也可以是终端设备13的外部存储设备,例如所述终端设备13上配备的插 接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器131还可以既包括终端设备13的内部存储单元也包括外部存储设备。所述存储器131用于存储所述计算机程序以及终端设备13所需的其他程序和数据。所述存储器131还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单 元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功 能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上 描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也 可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成 的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能 单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述 系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘 述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的 部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及 算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以 硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可 以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本 发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过 其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述 模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如 多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。 另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装 置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的 部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络 单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各 个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既 可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用 时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例 方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算 机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述 各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代 码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介 质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬 盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存 储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需 要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要 求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包 括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例 对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施 例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者 替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含 在本发明的保护范围之内。
Claims (10)
1.一种移动设备云内协同数据共享方法,其特征在于,包括:
基于移动设备云数据共享模型,将移动设备云中数据传输调度问题形式化为移动设备云中数据传输的效能最大化问题;其中,在所述效能最大化问题中,将合作激励机制、不同移动节点的服务质量需求QoE异构性和多接口通信方式作为约束条件;所述合作激励机制用于激励所述移动节点参与数据传输合作,所述不同移动节点的QoE异构性表示不同的移动节点有不同的QoE需求;所述移动节点为所述移动设备;
通过在线算法求解所述效用最大化问题以得出最优的辅助变量决策、数据传输决策和接口选择决策,使所述移动设备云中数据传输效能达到最大化。
2.根据权利要求1所述的移动设备云内协同数据共享方法,其特征在于,所述基于移动设备云数据共享模型,将移动设备云中数据传输调度问题形式化为移动设备云中数据传输的效能最大化问题之前,还包括:
建立所述移动设备云数据共享模型;在所述模型中,基站用于维护所述移动设备云中的各移动节点的数据发布和订阅列表,并判断所述移动设备云内的网络状态,以做出数据传输决策。
3.根据权利要求1或2所述的移动设备云内协同数据共享方法,其特征在于,所述基于移动设备云数据共享模型,将移动设备云中数据传输调度问题形式化为移动设备云中数据传输的效能最大化问题,包括:
基于移动设备云数据共享模型,将移动设备云中数据传输调度问题形式化如公式(1)~公式(7)的移动设备云中数据传输的最优化问题:
其中,所述Uk(·)是关于rk(t)的凹函数,表示移动节点k的数据下载的效用,rk(t)为移动节点k在时刻t请求的数据量,η是控制网络效用和能源消耗平衡的权重,α和β是控制移动节点间合作行为的常数,且满足0≤α<1,β>0,和分别表示时隙[1,T]内移动节点k的数据下载量和数据上传量的平均值,xk(t)表示移动节点k在时刻t的数据下载量,yk(t)表示移动节点k在时刻t的数据上传量,表示时隙[1,T]内移动节点k消耗的能量的平均值,K表示所述移动设备云内的移动节点的集合,为移动节点k在时隙[1,T]内请求的数据量的平均值,表示节点k在时隙[1,T]内获得的QoE的平均值,表示单时隙内移动节点能接收的最大数据量,表示为t时刻从节点a(a∈A)通过接口i传输至移动节点k(k∈K)的数据量,A表示表示与所述移动设备云相关的所有节点的集合,所述节点包括所述移动设备和与所述移动设备云相关的基站;ω(t)表示t时刻的所述移动设备云的系统状态,ω(t)的取值在一个无限的集合W内,定义Ω(ω(t))表示t时刻的所述系统状态下所有可能的传输行为的集合,表示移动节点a和节点k之间通过接口i形成的数据传输链路状态;Q0为各节点应该保证的最低QoE水平。
4.根据权利要求3所述的移动设备云内协同数据共享方法,其特征在于,所述通过在线算法求解所述效能最大化问题以得出最优的辅助变量决策、数据传输决策和接口选择决策,使所述移动设备云中数据传输效能达到最大化,包括:
将公式(1)~公式(7)所述的最优化问题进行转化,并从转化后的问题中抽取与rk(t)相关的部分,可得如公式(8)所示的子问题:
Minimize:[Qk(t)rk(t)-Vln((1+vkrk(t))]
其中,V是一个控制队列的稳定性和系统目标之间权重的参数,
求解公式(8),得到辅助变量rk(t)的解析解:
从转化后的问题中抽取与和相关的部分,可得到如公式(10)、公式(11)和公式(12)所示的子问题:
其中,Wak(t)=[Qk(t)+NkxZk(t)+1{a∈K}Ha(t)-αkHk(t)], 1{a∈K}为标志函数,节点a为基站,则1{a∈K}的值等于1,否1{a∈K}的值等于0;Qmax为节点能获得的最大QoE水平;Hk(t)、Qk(t)和Zk(t)为虚拟队列;
Hk(t+1)=max[Hk(t)+αkxk(t)-βk-yk(t),0];Ha(t+1)=max[Ha(t)+αaxa(t)-βa-ya(t),0];
Qk(t+1)=max[Qk(t)+rk(t)-xk(t),0];Zk(t+1)=max[Zk(t)+Q0-qk(t),0];esi和eri分别表示通过接口i发送和接收数据的能耗系数;
对如公式(10)、公式(11)和公式(12)所示的子问题进行简化,求得变量的解;
基于变量的解,根据公式(13)求得
基于得到的所述变量rk(t)、和使所述移动设备云中数据传输效能达到最大化。
5.根据权利要求4所述的移动设备云内协同数据共享方法,其特征在于,所述对如公式(10)、公式(11)和公式(12)所示的子问题进行简化,求得变量的解,包括:
将的可能的解决方案的数量从M=2|A*K*I|简化到M<(1+p)|A*K*I|,其中,p=pf·pr,pf为节点a拥有节点k所需要的数据的概率,pr为节点a和节点k处在接口i的通讯范围内的概率,I为所述移动设备云内的通信接口集合;
设利用优化求解工具对简化后的如公式(10)、公式(11)和公式(12)所示的子问题进行求解,从而得到变量的解。
6.一种移动设备云内协同数据共享装置,其特征在于,包括:
问题构造模块,用于基于移动设备云数据共享模型,将移动设备云中数据传输调度问题形式化为移动设备云中数据传输的效能最大化问题;其中,在所述效能最大化问题中,将合作激励机制、不同移动节点的服务质量需求QoE异构性和多接口通信方式作为约束条件;所述合作激励机制用于激励所述移动节点参与数据传输合作,所述不同移动节点的QoE异构性表示不同的移动节点有不同的QoE需求;所述移动节点为所述移动设备;
求解模块,用于通过在线算法求解所述效能最大化问题以得出最优的辅助变量决策、数据传输决策和接口选择决策,使所述移动设备云中数据传输效能达到最大化。
7.根据权利要求6所述的移动设备云内协同数据共享装置,其特征在于,还包括:
模型建立模块,用于建立所述移动设备云数据共享模型;在所述模型中,基站用于维护所述移动设备云中的各移动节点的数据发布和订阅列表,并判断所述移动设备云内的网络状态,以做出数据传输决策。
8.根据权利要求6或7所述的移动设备云内协同数据共享装置,其特征在于,所述问题构造模块具体用于:
基于移动设备云数据共享模型,将移动设备云中数据传输调度问题形式化如公式(14)~公式(20)的移动设备云中数据传输的最优化问题:
其中,所述Uk(·)是关于rk(t)的凹函数,表示移动节点k的数据下载的效用,rk(t)为移动节点k在时刻t请求的数据量,η是控制网络效用和能源消耗平衡的权重,α和β是控制移动节点间合作行为的常数,且满足0≤α<1,β>0,和分别表示时隙[1,T]内移动节点k的数据下载量和数据上传量的平均值,xk(t)表示移动节点k在时刻t的数据下载量,yk(t)表示移动节点k在时刻t的数据上传量,表示时隙[1,T]内移动节点k消耗的能量的平均值,K表示所述移动设备云内的移动节点的集合,为移动节点k在时隙[1,T]内请求的数据量的平均值,表示节点k在时隙[1,T]内获得的QoE的平均值,表示单时隙内移动节点能接收的最大数据量,表示为t时刻从节点a(a∈A)通过接口i传输至移动节点k(k∈K)的数据量,A表示表示与所述移动设备云相关的所有节点的集合,所述节点包括所述移动设备和与所述移动设备云相关的基站;ω(t)表示t时刻的所述移动设备云的系统状态,ω(t)的取值在一个无限的集合W内,定义Ω(ω(t))表示t时刻的所述系统状态下所有可能的传输行为的集合,表示移动节点a和节点k之间通过接口i形成的数据传输链路状态;Q0为各节点应该保证的最低QoE水平。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~5中任一项所述方法的步骤。
10.一种计算机可读介质,所述计算机可读介质存储有计算机程序,其特征在于,所述计算机程序被处理执行时实现如权利要求1~5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910418555.0A CN110166986A (zh) | 2019-05-20 | 2019-05-20 | 一种移动设备云内协同数据共享方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910418555.0A CN110166986A (zh) | 2019-05-20 | 2019-05-20 | 一种移动设备云内协同数据共享方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110166986A true CN110166986A (zh) | 2019-08-23 |
Family
ID=67631427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910418555.0A Pending CN110166986A (zh) | 2019-05-20 | 2019-05-20 | 一种移动设备云内协同数据共享方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110166986A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832879A (zh) * | 2020-04-15 | 2020-10-27 | 中国人民解放军军事科学院战争研究院 | 一种开放式企业级信息系统的信息资源共享与授权方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107370802A (zh) * | 2017-07-10 | 2017-11-21 | 中国人民解放军国防科学技术大学 | 一种基于交替方向乘子法的协同存储调度方法 |
-
2019
- 2019-05-20 CN CN201910418555.0A patent/CN110166986A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107370802A (zh) * | 2017-07-10 | 2017-11-21 | 中国人民解放军国防科学技术大学 | 一种基于交替方向乘子法的协同存储调度方法 |
Non-Patent Citations (1)
Title |
---|
WENHUA XIAO: "Cooperative Data Sharing for Mobile Cloudlets Under Heterogeneous Environments", 《IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832879A (zh) * | 2020-04-15 | 2020-10-27 | 中国人民解放军军事科学院战争研究院 | 一种开放式企业级信息系统的信息资源共享与授权方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Intelligent resource management based on reinforcement learning for ultra-reliable and low-latency IoV communication networks | |
Ning et al. | Deep reinforcement learning for intelligent internet of vehicles: An energy-efficient computational offloading scheme | |
Yoshida et al. | Hybrid-FL for wireless networks: Cooperative learning mechanism using non-IID data | |
Chen et al. | Dynamic task offloading for mobile edge computing with hybrid energy supply | |
Zhang et al. | A hierarchical game framework for resource management in fog computing | |
Gu et al. | Energy efficient task allocation and energy scheduling in green energy powered edge computing | |
Huang et al. | A queuing delay utilization scheme for on-path service aggregation in services-oriented computing networks | |
Yu et al. | An intelligent game-based offloading scheme for maximizing benefits of IoT-edge-cloud ecosystems | |
Zhao et al. | A reinforcement learning method for joint mode selection and power adaptation in the V2V communication network in 5G | |
Sun et al. | Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning | |
Liwang et al. | Game theory based opportunistic computation offloading in cloud-enabled IoV | |
Huang et al. | Software defined energy harvesting networking for 5G green communications | |
Sun et al. | Large-scale user-assisted multi-task online offloading for latency reduction in D2D-enabled heterogeneous networks | |
Chen et al. | A computing and content delivery network in the smart city: Scenario, framework, and analysis | |
Hosny et al. | Impact of user mobility on D2D caching networks | |
Zhou et al. | Learning from peers: Deep transfer reinforcement learning for joint radio and cache resource allocation in 5G RAN slicing | |
Deng et al. | Throughput maximization for multiedge multiuser edge computing systems | |
Baghaie et al. | Energy routing on the future grid: A stochastic network optimization approach | |
Zhao et al. | Survey on social-aware data dissemination over mobile wireless networks | |
Ning et al. | Social-oriented resource management in cloud-based mobile networks | |
Xiao et al. | A novel task allocation for maximizing reliability considering fault-tolerant in VANET real time systems | |
CN101801036A (zh) | 网络流量管理方法及系统、普通节点 | |
Geng et al. | A Reinforcement learning framework for vehicular network routing under peak and average constraints | |
Wu et al. | A game-based incentive-driven offloading framework for dispersed computing | |
Liu et al. | Cost research of Internet of Things service architecture for random mobile users based on edge computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190823 |
|
WD01 | Invention patent application deemed withdrawn after publication |