CN110851429B - 一种基于影响力自适应聚合的边缘计算可信协同服务方法 - Google Patents

一种基于影响力自适应聚合的边缘计算可信协同服务方法 Download PDF

Info

Publication number
CN110851429B
CN110851429B CN201911148360.5A CN201911148360A CN110851429B CN 110851429 B CN110851429 B CN 110851429B CN 201911148360 A CN201911148360 A CN 201911148360A CN 110851429 B CN110851429 B CN 110851429B
Authority
CN
China
Prior art keywords
node
service
cooperative
cooperative service
nodes
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.)
Active
Application number
CN201911148360.5A
Other languages
English (en)
Other versions
CN110851429A (zh
Inventor
乐光学
戴亚盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiaxing University
Original Assignee
Jiaxing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiaxing University filed Critical Jiaxing University
Priority to CN201911148360.5A priority Critical patent/CN110851429B/zh
Publication of CN110851429A publication Critical patent/CN110851429A/zh
Application granted granted Critical
Publication of CN110851429B publication Critical patent/CN110851429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/214—Database migration support
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于影响力自适应聚合的边缘计算可信协同服务方法，该方法基于“负载均衡”研究，运用节点的信任度、贡献度、容量和带宽、链路质量等作为表征节点的特征属性，基于节点影响力评价聚类构建一个边缘计算协同服务系统，以任务驱动方式，由盟主节点基于节点的服务能力和相似性来选择协同服务的节点，构建边缘计算协同服务池，仿真实验表明，通过构建边缘计算协同服务，能有效解决边缘计算服务提供节点过载的问题，实现了协同服务、资源共享、负载均衡的目的，提高了近海港口环境下边缘计算协同服务的服务质量。

Description

一种基于影响力自适应聚合的边缘计算可信协同服务方法
技术领域
本发明涉及边缘计算协同服务领域，具体是一种基于影响力自适应聚合的边缘计算可信协同服务方法。
背景技术
随着云计算、大数据、物联网等技术的迅速发展和智能移动设备的普及应用，开启了以边缘计算为基础的万物互联时代，网络边缘设备量和其产生的数据均在快速增长。高清视频、直播、物联网及VR/AR等大流量、大连接等应用已成为通信网络流量的主要业务。2020年全球数据总量将超过40ZB，边缘计算将处理其中45％的物联网数据。据Cisco数据视觉网络索引(Visual Networking Index，VNI)指出，从2016年开始更多的流量从蜂窝网络卸载到Wi-Fi，到2021年时全球移动数据流量中的仅视频将达到78％以上，全网流量中IP视频流量将达到82％，85％的流量为视频、游戏和多媒体数据流，其中内容分发网络(ContentDelivery Network，CDN)流量将占据全网流量的71％。据CNNIC发布第42次《中国互联网络发展状况统计报告》显示我国网民规模为8.02亿，其中手机网民规模达7.88亿，74.1％的网民使用短视频，仅网络直播用户规模达到4.25亿。由于受数据处理的实时性、带宽、能耗、安全等约束，以集中式处理为核心的云计算模式将不能满足高效处理边缘设备产生的数据需求。研究表明以云计算为核心的边缘计算是解决该问题的有效方法之一。由于边缘计算是移动设备位于无线接入网内，通过边缘服务器或移动设备提供信息和云计算服务的一种新的网络结构，具有高带宽、低延迟和安全性强的特点。由于边缘计算将计算任务下推至数据源节点，甚至迁移至数据源到云计算中心的链路节点上，边缘计算面临三大挑战：
(1)服务发现。计算服务请求者的动态性，如何准确发现周边服务是边缘计算面临的关键问题之一。以适应服务相对静态的DNS服务发现机制不能满足大规模动态边缘计算需求。
(2)快速配置。用户和计算设备的动态无约束性，计算设备的随意上下线导致大量服务迁移，引起浪涌式网络流量。如何快速自适应服务快速配置是边缘计算面临的关键问题之二。
(3)负载均衡。边缘服务器提供服务时，其边缘设备同时产生大量数据。如何动态有效的调度这些数据实现高效边缘计算服务是边缘计算面临的关键问题之三。
发明内容
本发明的目的在于克服现有技术的不足，而提供一种基于影响力自适应聚合的边缘计算可信协同服务方法，该模型运用节点的信任度、影响力、容量和带宽、链路质量等表征节点特征属性，以任务驱动方式，由盟主节点根据候选节点的特征属性选择协同服务的节点，构建边缘计算协同服务系统，实现资源快速融合与计算迁移，为请求用户提供可靠服务。
实现本发明目的的技术方案是：
一种基于影响力自适应聚合的边缘计算可信协同服务方法，包括如下步骤：
1)根据网络节点的网络状态、行为特征、服务质量、服务能力等特征表征其协同服务资源吸引力，结合节点间的相似性评价节点影响力，基于影响力聚类构建边缘计算协同服务系统，每个边缘计算协同服务簇的簇头节点设为初始盟主节点，簇内提供协同服务的节点为盟员节点；
2)每个盟主节点根据盟员节点的影响力，将盟员节点分为Leader级、Cooperation级和Partner级，并定义协同服务规则、协同服务框架、协同边界和服务模式；
3)请求协同服务的节点需定义协同服务任务需求、约束条件和协同服务目标，并发送至边缘计算协同服务节点；接收此次协同服务任务的节点将根据任务需求，组织边缘计算协同服务节点，定义协同服务策略、约束条件、协同服务协议，启动网络资源聚合机制，映射迁移服务和节点特征，完成服务节点间的聚合，协同执行计算任务；
4)执行协同服务时，若盟主节点的负载、信任度、服务能力等性能下降导致其影响力小于设定阈值时，原盟主节点实施降级操作，根据相关策略选取新的盟主节点；若协同服务簇规模超过上界或小于下界时，协同服务簇分裂或合并触发器触发，由原盟主节点根据策略相关引导边缘计算协同服务簇执行分裂或合并操作；
5)边缘计算协同服务节点将执行结果反馈至请求节点；请求节点将在限定的时间内做出评价，更新协同服务节点的信任度、优先级、协同服务能力等特征参数，并将评价结果在协同服务簇内周期推送。
所述步骤1)，具体包括如下步骤：
1-1)在边缘计算协同服务系统中构建信任网络，设边缘计算协同服务系统是一个无向图G＝(V,E)，V是由n个节点组成的节点集合，E是由m条边组成的边集合，设连接矩阵E＝(eij)n×n，eij＝1表示节点i和节点j相连，连接关系强度矩阵A＝(ρij)n×n，的元素ρij计算如(1)式：
Figure BDA0002282854120000033
(1)式中，Rtt(i,j)表示节点i到节点j的延迟；设系统的观察周期为T，在第k个观察期节点i向节点j提供协同服务成功和失败的次数分别为Sij，Fij，则节点j对节点i在第k个观察期的局部信任度函数Trust(i)如(2)式：
Figure BDA0002282854120000034
(2)式中，μ为局部信任度控制因子，ε为第k个观察期节点的不诚信任务迁移处罚因子，t为第k个观察期节点在线时长；节点信任度计算具体包括如下步骤：
1-1-1)由于服务节点周围可能存在若干亚信任节点，这些节点曾经与盟主服务节点构成协同体，以形成一定的信任协同关系，初始化时将其历史交互信息代入(2)式计算节点的初始信任度，并构建节点信任度采样记录表和节点协同服务特征记录表；
1-1-2)在观察周期T内，监测服务节点的协同服务状态，更新节点协同服务特征记录表；将第k个观察期分为d个等长的时间区段，统计每个时间区段中节点的协同服务成功和失败的次数Sij，Fij，根据(2)式迭代计算节点的不诚信任务迁移处罚因子ε；
1-1-3)统计第k个观察期内，节点的协同服务成功和失败总次数分别为Sij，Fij，根据步骤1-1-2)计算得到的ε，代入(2)式计算第k个观察期的节点的信任度，并更新信任度采样记录表；
1-1-4)当需要评价第k个观察期节点信任度时，从信任度采样记录表获取前d个观察期采样获取的信任度，以时间衰减因子e-(k-l)T为权值，l为周期号，T是观察周期时间长度，加权平均计算节点的信任度；
1-2)根据信任网络构建协同服务资源引力网络，节点i对节点j的局部吸引力F(i)如(3)式：
Figure BDA0002282854120000041
(3)式中，f(i)表示节点i的服务能力，Q(i)表示节点i的负载率，dmin,ij表示节点i路由到节点j的最短跳数，
Figure BDA0002282854120000042
表示吸引力传播具有级联衰减性，wi、hi、mi分别表示节点i可提供边缘计算服务的带宽、计算能力、内存大小，ti表示节点i的平均在线时长，
Figure BDA0002282854120000043
分别表示第t个观察期内节点i平均提供的边缘计算服务的计算负载、内存大小和带宽；
构建盟主节点i的影响力模型G(i)如(4)式：
Figure BDA0002282854120000044
(4)式中，αi为离散化因子，jaccard(i,j)系数主要衡量节点i与节点j的关联度，ρik，ρjk定义如式(1)；
1-3)基于影响力聚类构建边缘计算协同服务集，具体包括如下步骤：
1-3-1)设初始边缘计算网络节点均为协同服务盟员，盟主对候选盟员分辨阈值系数λ，λmin≤λ≤λmax，令λ＝λmax，0<λ≤1.
1-3-2)若节点i对节点j局部影响力Gi≥λ(i≠j，i，j≤n)，则节点i和节点j彼此为盟友，将节点j划入节点i的备选盟员集中；否则执行步骤1-3-3)；
1-3-3)λ＝λ-ζ，ζ为系数，循环执行如下操作：
a)转1-3-2)，将边缘计算节点划分为m个不相交的协同服务盟员集；如果某个节点j不属于任何协同服务盟员集，则加入相邻节点中影响力Gi最大的节点i所在的协同服务盟员集中；在划分的协同服务盟员集中，将影响力小的节点加入到相邻节点对其影响力Gi最大的节点i协同服务盟员集中；
b)若边缘计算网络节点集无划分操作，转a)；若边缘计算网络节点集被划分为2个以上协同盟员服务子集，则停止分解，令λ＝λmin，将划分的协同盟员服务子集视为1个新边缘计算网络，令λ＝λmax，转到步骤1-3-2)，直到所有的协同盟员服务子集不能被再划分为止；
c)构建协同盟员服务子集间的关系映射图，标识各协同盟员服务子集分辨系数阈值λ的界。
所述步骤2)，具体包括如下步骤：
2-1)盟主节点通过网络心跳数据检测边缘计算协同服务簇中盟员节点的特征信息，计算其影响力G(i)，将G(i)>λg的盟员节点归入Leader级队列，将G(i)>λc的盟员节点分为Cooperation级队列，G(i)>λp的盟员节点分为Partner级队列；
2-2)当节点发起边缘计算协同服务请求时，按Leader级队列、Cooperation级队列、Partner级队列的顺序选择队列中的节点受理请求，具体包括如下步骤：
2-2-1)首先从Leader级队列中选择节点，通过随机哈希种子函数生成映射键值从队列中提取目标节点，并向目标节点发起协同服务请求，若访问被拒或超时，则根据当前键值，提取其前驱或后继节点发起协同服务请求，若前驱和后继节点均访问被拒或超时，则放弃Leader级队列；
2-2-2)从Cooperation级队列选择协同服务节点，按其影响力从大到小排列，按顺序选择服务节点发起边缘计算任务迁移受理请求，若队列中所有节点均未受理，则放弃Cooperation级队列；
2-2-3)从Partner级队列中选择节点，与Leader级队列中选择节点的过程类似，通过随机哈希种子函数生成映射键值从队列中提取目标节点，并向目标节点发起协同服务请求，若访问被拒或超时，则根据当前键值，提取其前驱或后继节点发起协同服务请求，若前驱和后继节点均访问被拒或超时，则放弃Partner级队列；
2-3)若所有服务节点均未受理，则此次协同服务请求失败。
所述步骤3)，具体包括如下步骤：
3-1)请求节点将定义此次协同服务任务的需求、协同目标、任务内容和服务模式，并发送至协同服务节点；
3-2)协同服务节点根据任务需求，确立协同服务的约束条件、控制策略和服务边界；
3-3)协同服务节点与协同服务盟员进行协商，根据步骤2)选择适宜参与此次协同服务的盟员，并分析协同服务任务量、复杂度、任务执行周期、资源需求等；
3-4)协同服务节点创建或更新协同服务池，实现协同服务虚拟化、资源量化和可视化；
3-5)协同服务节点定义协同服务协议，建立协同服务盟员特征映射关系和协同服务映射关系，调度协同服务资源以映射盟员；
3-6)协同服务节点启动网络资源聚合机制，调度协同服务资源以匹配盟员，并迁移协同任务至盟员执行；
3-7)盟员执行完成后，反馈执行结果至协同服务请求节点，协同服务节点记录盟员服务特征信息，通过被动响应方式在协同服务簇内推送。
所述步骤4)，具体包括如下步骤：
4-1)当盟主节点的影响力在2个观察期持续低于影响力阈值λg，将触发协同服务簇分裂的示警，在观察期结束时，将释放其协同服务资源，并引导边缘计算协同服务簇进行分裂，假设盟主节点i和j的服务辖域相邻时将存在排斥力H(i,j)如(5)式：
Figure BDA0002282854120000061
ρik，ρjk定义如式(1)，协同服务簇分裂操作具体包括如下步骤：
4-1-1)统计簇中服务节点的影响力G(j)(包括盟主节点自身)，若存在两个服务节点l1、l2，满足G(l1)、G(l2)>λg且不存在现有盟主节点排斥力H(ll∈L,l1,2)>λh，则令节点l1、l2成为协同服务簇盟主，重复步骤1-3-2)聚类；
4-1-2)若不存在符合条件的服务节点，则将引导具有多重吸引力的簇内节点归入其他协同服务簇；
4-2)当协同服务簇规模低于下界，盟主节点的影响力在2个观察期内持续高于λg时，将引导协同服务簇与邻簇合并，其具体步骤如下：
4-2-1)盟主节点统计合并后的协同服务簇中服务节点的影响力G(j)(包括盟主节点自身)，若存在某个协同服务盟员l，满足G(l)>λg且不存在现有盟主节点排斥力H(ll∈L,l)>λh，则令该节点l成为盟主节点，原盟主自动成为候选盟主节点，重复步骤1-3-2)聚类；
4-2-2)若不存在符合条件的服务节点，则放弃合并。
本发明的有益效果：基于“负载均衡”研究，运用节点的信任度、贡献度、容量和带宽、链路质量等作为表征节点的特征属性，基于节点影响力评价通过自适应混合粒子群算法进行聚类，构建一个边缘计算协同服务系统，以任务驱动方式，由盟主节点基于节点的服务能力和相似性来选择协同服务的节点，构建边缘计算协同服务池，仿真实验表明，通过构建边缘计算协同服务，能有效解决边缘计算服务提供节点过载的问题，实现了协同服务、资源共享、负载均衡的目的，提高了近海港口环境下边缘计算协同服务的服务质量。
附图说明
图1为海上边缘计算协同服务系统图；
图2为基于影响力自适应聚类构建边缘计算协同服务系统图；
图3为边缘计算可信协同服务模型图；
图4为静态边缘计算协同服务拓扑结构图；
图5为静态边缘计算协同服务盟员流量图；
图6为静态边缘计算协同服务中继基站流量图；
图7为静态边缘计算协同服务盟主节点流量图；
图8为静态边缘计算协同服务带宽图；
图9为静态边缘计算协同服务任务接收率图；
图10为静态边缘计算协同服务成功率图；
图11为静态边缘计算协同服务响应延迟图；
图12为动态边缘计算协同服务拓扑结构图；
图13为动态边缘计算协同服务盟员流量图；
图14为动态边缘计算协同服务总分裂次数图；
图15为动态边缘计算协同服务总聚合次数图；
图16为动态边缘计算协同服务盟主节点数图；
图17为动态边缘计算协同服务响应延迟图；
图18为动态边缘计算协同服务任务接收率图；
图19为动态边缘计算协同服务任务成功率图。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述，但不是对本发明的限定。
实施例：
以近海港口为例构建一个边缘计算协同服务系统，如图1所示。该海上边缘计算网络以岸基数据中心、岸基站为中心，由岛礁中继站、智能浮台中继站、船舰节点、智能移动节点等构成；
所有节点可以随机发起任务迁移请求；从RouterView公开数据集中随机选取1420个网络节点，为模拟真实边缘环境，设其骨干路由网络由1个中心岸基基站和7个中继基站组成，1个源服务发起节点，网络拓扑为分布式随机拓扑结构，节点间自由交互；
实验测试时间为2小时，在第30分钟时启动浪涌式访问至60分钟时结束，浪涌期持续30min，每秒任务迁移请求数由13增长至63。为分析边缘计算协同服务性能，以聚类效率、服务流量、响应延迟、服务效率等为评价指标。从静态和动态两种网络拓扑状态将本文提出的协同服务池算法TCSEC与K-means、KNN对比分析。
其具体实施方案为：
一种基于影响力自适应聚合的边缘计算可信协同服务方法，包括如下步骤：
1)根据网络节点的网络状态、行为特征、服务质量、服务能力等特征表征其协同服务资源吸引力，结合节点间的相似性评价节点影响力，基于影响力聚类构建边缘计算协同服务系统，每个边缘计算协同服务簇的簇头节点设为初始盟主节点，簇内提供协同服务的节点为盟员节点；
2)每个盟主节点根据盟员节点的影响力，将盟员节点分为Leader级、Cooperation级和Partner级，并定义协同服务规则、协同服务框架、协同边界和服务模式；
3)请求协同服务的节点需定义协同服务任务需求、约束条件和协同服务目标，并发送至边缘计算协同服务节点；接收此次协同服务任务的节点将根据任务需求，组织边缘计算协同服务节点，定义协同服务策略、约束条件、协同服务协议，启动网络资源聚合机制，映射迁移服务和节点特征，完成服务节点间的聚合，协同执行计算任务；
4)执行协同服务时，若盟主节点的负载、信任度、服务能力等性能下降导致其影响力小于设定阈值时，原盟主节点实施降级操作，根据相关策略选取新的盟主节点；若协同服务簇规模超过上界或小于下界时，协同服务簇分裂或合并触发器触发，由原盟主节点根据策略相关引导边缘计算协同服务簇执行分裂或合并操作；
5)边缘计算协同服务节点将执行结果反馈至请求节点；请求节点将在限定的时间内做出评价，更新协同服务节点的信任度、优先级、协同服务能力等特征参数，并将评价结果在协同服务簇内周期推送。
所述步骤1)，如图2所示，具体包括如下步骤：
1-1)在边缘计算协同服务系统中构建信任网络，设边缘计算协同服务系统是一个无向图G＝(V,E)，V是由n个节点组成的节点集合，E是由m条边组成的边集合，设连接矩阵E＝(eij)n×n，eij＝1表示节点i和节点j相连，连接关系强度矩阵A＝(ρij)n×n，的元素ρij计算如(1)式：
Figure BDA0002282854120000101
(1)式中，Rtt(i,j)表示节点i到节点j的延迟；设系统的观察周期为T，在第k个观察期节点i向节点j提供协同服务成功和失败的次数分别为Sij，Fij，则节点j对节点i在第k个观察期的局部信任度函数Trust(i)如(2)式：
Figure BDA0002282854120000102
(2)式中，μ为局部信任度控制因子，ε为第k个观察期节点的不诚信任务迁移处罚因子，t为第k个观察期节点在线时长；节点信任度计算具体包括如下步骤：
1-1-1)由于服务节点周围可能存在若干亚信任节点，这些节点曾经与盟主服务节点构成协同体，以形成一定的信任协同关系，初始化时将其历史交互信息代入(2)式计算节点的初始信任度，并构建节点信任度采样记录表和节点协同服务特征记录表；
1-1-2)监测服务节点的协同服务状态，每隔观察周期T，更新节点协同服务特征记录表；将第k个观察期分为d个等长的时间区段，根据节点协同服务特征记录表统计每个时间区段中节点的协同服务成功和失败的次数Sij，Fij，满足每个时间区段中Sij，Fij>10，根据(2)式迭代计算节点的不诚信任务迁移处罚因子ε；
1-1-3)统计第k个观察期内，节点的协同服务成功和失败总次数分别为Sij，Fij，根据步骤1-1-2)计算得到的ε，代入(2)式计算第k个观察期的节点的信任度，并更新信任度采样记录表；
1-1-4)当需要评价第k个观察期节点信任度时，从信任度采样记录表获取前d个观察期采样获取的信任度，以时间衰减因子e-(k-l)T为权值，l为周期号，T是观察周期，加权平均计算节点的信任度；
1-2)根据信任网络构建协同服务资源引力网络，节点i对节点j的局部吸引力F(i)如(3)式：
Figure BDA0002282854120000111
(3)式中，f(i)表示节点i的服务能力，Q(i)表示节点i的负载率，dmin,ij表示节点i路由到节点j的最短跳数，
Figure BDA0002282854120000112
表示吸引力传播具有级联衰减性，wi、hi、mi分别表示节点i可提供边缘计算服务的带宽、计算能力、内存大小，ti表示节点i的平均在线时长，
Figure BDA0002282854120000113
分别表示第t个观察期内节点i平均提供的边缘计算服务的计算负载、内存大小和带宽；
构建盟主节点i的影响力模型G(i)如(4)式：
Figure BDA0002282854120000114
(4)式中，αi为离散化因子，jaccard(i,j)系数主要衡量节点i与节点j的关联度，ρik，ρjk定义如式(1)；
1-3)基于影响力聚类构建边缘计算协同服务集，具体包括如下步骤：
1-3-1)设初始边缘计算网络节点均为协同服务盟员，盟主对候选盟员分辨阈值系数λ，λmin≤λ≤λmax，令λ＝λmax，0<λ≤1.
1-3-2)若节点i对节点j局部影响力Gi≥λ(i≠j，i，j≤n)，则节点i和节点j彼此为盟友，将节点j划入节点i的备选盟员集中；否则转1-3-3)；
1-3-3)λ＝λ-ζ，ζ为系数，循环执行如下操作：
a)转1-3-2)，将边缘计算节点划分为m个不相交的协同服务盟员集；如果某个节点j不属于任何协同服务盟员集，则加入相邻节点中影响力Gi最大的节点i所在的协同服务盟员集中；在划分的协同服务盟员集中，将影响力小的节点加入到相邻节点对其影响力Gi最大的节点i协同服务盟员集中；
b)若边缘计算网络节点集无划分操作，转a)；若边缘计算网络节点集被划分为2个以上协同盟员服务子集，则停止分解，令λ＝λmin，将划分的协同盟员服务子集视为1个新边缘计算网络，令λ＝λmax，转1-3-2)，直到所有的协同盟员服务子集不能被再划分为止；
c)构建协同盟员服务子集间的关系映射图，标识各协同盟员服务子集分辨系数阈值λ的界；
所述步骤2)，具体包括如下步骤：
2-1)盟主节点通过网络心跳数据检测边缘计算协同服务簇中盟员节点的特征信息，计算其影响力G(i)，将G(i)>λg的盟员节点归入Leader级队列，将G(i)>λc的盟员节点分为Cooperation级队列，G(i)>λp的盟员节点分为Partner级队列；
2-2)当节点发起边缘计算协同服务请求时，按Leader级队列、Cooperation级队列、Partner级队列的顺序选择队列中的节点受理请求，具体包括如下步骤：
2-2-1)首先从Leader级队列中选择节点，通过随机哈希种子函数生成映射键值从队列中提取目标节点，并向目标节点发起协同服务请求，若访问被拒或超时，则根据当前键值，提取其前驱或后继节点发起协同服务请求，若前驱和后继节点均访问被拒或超时，则放弃Leader级队列；
2-2-2)从Cooperation级队列选择协同服务节点，按其影响力从大到小排列，按顺序选择服务节点发起边缘计算任务迁移受理请求，若队列中所有节点均未受理，则放弃Cooperation级队列；
2-2-3)从Partner级队列中选择节点，与Leader级队列中选择节点的过程类似，通过随机哈希种子函数生成映射键值从队列中提取目标节点，并向目标节点发起协同服务请求，若访问被拒或超时，则根据当前键值，提取其前驱或后继节点发起协同服务请求，若前驱和后继节点均访问被拒或超时，则放弃Partner级队列；
2-3)若所有服务节点均未受理，则此次协同服务请求失败；
所述步骤3)，如图3所示，具体包括如下步骤：
3-1)请求节点将定义此次协同服务任务的需求、协同目标、任务内容和服务模式，并发送至协同服务节点；
3-2)协同服务节点根据任务需求，确立协同服务的约束条件、控制策略和服务边界；
3-3)协同服务节点与协同服务盟员进行协商，选择适宜参与此次协同服务的盟员，并分析协同服务任务量、复杂度、任务执行周期、资源需求等；
3-4)协同服务节点创建或更新协同服务池，实现协同服务虚拟化、资源量化和可视化；
3-5)协同服务节点定义协同服务协议，建立协同服务盟员特征映射关系和协同服务映射关系，调度协同服务资源以映射盟员；
3-6)协同服务节点启动网络资源聚合机制，调度协同服务资源以匹配盟员，并迁移协同任务至盟员执行；
3-7)盟员执行完成后，反馈结果至协同服务请求节点，协同服务节点记录盟员服务特征信息，通过被动响应方式在协同服务簇内推送；
3-8)假设协同服务池一旦构建完成并稳定后，不再进行合并和分裂操作，以静态协同服务的方式对本方法进行仿真测试。其中节点大小表示节点的服务能力，其边缘计算协同服务拓扑如图4，协同服务簇、中继基站、盟主节点平均流量如图5、图6、图7所示，协同服务速率如图8所示，任务接受率如图9所示，协同服务成功率如图10所示，协同服务响应延迟如图11所示，静态聚类算法性能评价参数如表1，静态边缘计算协同服务池性能评价参数如表2；静态边缘计算协同服务具有如下特征：
a)盟主节点聚类具有相似趋同性和马太效应，能力和性能相当的节点会聚在一起；为了保证系统服务提供的服务能力基本一致，能力相对弱的热心节点所构建的协同服务簇的簇内节点数相对较多；
b)KNN，K-means算法形成13个盟主节点，构成20个边缘计算服务池，分别耗时3.29s和7.84s；TCSEC算法形成15个盟主节点，构成22个边缘计算服务池，耗时10.37s；所构建边缘计算服务池平均规模在46.00～56.69之间，网络平均延迟分别为43ms，30ms，19ms，池内交互平均延迟41ms，39ms，7ms；
c)KNN，K-means算法构建边缘计算服务池时分裂13次，没有合并.聚合度分别为0.44和0.57，协同效率分别0.45和0.58；
d)TCSEC算法构建边缘计算服务池时执行20次分裂，合并5次，聚合度0.83，协同效率0.80；
e)执行协同服务，60min边缘计算协同服务池趋于稳态，TCSEC，KNN，K-means算法平均并发数分别达53，41，39，平均服务流量分别为20973.83MB/min，10254.34MB/min，9770.61MB/min；
实验结果表明：
a)盟主节点均由热心边缘服务器节点形成，协同服务池构建具有马太效应；
b)TCSEC算法构建的边缘计算协同服务池能有效均衡基站和盟主节点的负载，能有效平滑浪涌效应；
c)TCSEC算法构建的边缘计算协同服务池网络平均延迟分别比KNN，K-means算法减少55.81％和36.67％；边缘计算协同服务池内平均延迟TCSEC算法分别比KNN，K-means算法减少82.93％和82.05％；
d)TCSEC算法的协同效率分别比KNN，K-means算法的提高77.78％和37.93％；
e)TCSEC算法基站、盟主节点服务带宽分别比KNN，K-means算法提高3％，21.30％和32.25％、45.50％，系统平均并发数提高35.90％和29.27％，平均服务流量提高1.15倍和1.05倍；
所述步骤4)，具体包括如下步骤：
4-1)当盟主节点的影响力在2个观察期持续低于影响力阈值λg，将触发协同服务簇分裂的示警，在观察期结束时，将释放其协同服务资源，并引导边缘计算协同服务簇进行分裂，假设盟主节点i和j的服务辖域相邻时将存在排斥力H(i,j)如(5)式：
Figure BDA0002282854120000141
具体步骤如下：
4-1-1)统计簇中服务节点的影响力G(j)(包括盟主节点自身)，若存在两个服务节点l1、l2，满足G(l1)、G(l2)>λg且不存在现有盟主节点排斥力H(ll∈L,l1,2)>λh，则令节点l1、l2成为协同服务簇盟主，重复1-3-2)聚类；
4-1-2)若不存在符合条件的服务节点，则将引导具有多重吸引力的簇内节点归入其他协同服务簇；
4-2)当协同服务簇规模低于下界，盟主节点的影响力在2个观察期内持续高于λg时，将引导协同服务簇与邻簇合并，其具体步骤如下：
4-2-1)盟主节点统计合并后的协同服务簇中服务节点的影响力G(j)(包括盟主节点自身)，若存在某个协同服务盟员l，满足G(l)>λg且不存在现有盟主排斥力H(ll∈L,l)>λh，则令该节点l成为盟主节点，原盟主自动成为候选盟主节点，重复1-3-2)聚类；
4-2-2)若不存在符合条件的服务节点，则放弃合并。
动态协同服务即假设协同服务池构建完成后，系统根据虚拟服务池的协同工作状态进行动态合并和分裂操作，其边缘计算协同服务拓扑如图12，协同服务簇平均流量如图13所示，分裂、聚合次数如图14、图15所示，盟主节点数如图16所示，响应延迟、任务接收率、协同服务成功率如图17、图18、图19所示，动态协同服务聚类算法性能评价参数如表3，动态协同服务池性能评价参数表4，具有如下特征：a)KNN、K-means算法在70min达到稳定状态，分别形成20和15个盟主节点，构成27和23个虚拟服务池，平均规模分别为44.53和48.27。TCSEC算法在60min达到稳定状态，形成23个盟主节点，构成30个虚拟服务池，平均规模为36.25。
b)KNN、K-means、TCSEC算法聚合度和协同效率基本一致，但其分裂数分别为110、103和77次，合并数分别为103、99和69次；中继基站平均服务带宽为3549.61MB/min、3587.86MB/min和4016.54MB/min，盟主节点平均服务带宽为2593.29MB/min、2610.50MB/min、2909.53MB/min，网络平均延迟分别为63ms、61ms和20ms，协同服务池内交互平均延迟为19ms、21ms、20ms。
c)边缘计算协同服务池进入稳态工作后，TCSEC、KNN、K-means算法平均服务流量分别为38900.53MB/min、21196.40MB/min和20900.53MB/min。
实验结果表明：
a)TCSEC、KNN、K-means算法在达到相同聚合度和协同效率状态下，TCSEC算法收敛时间比KNN、K-means快18.19％，TCSEC算法分裂合并总次数比KNN、K-means算法分别减少11.11％和17.95％；
b)TCSEC算法盟主节点总服务带宽分别比KNN、K-means算法高22.60％和7.97％，平均吞吐量高26.69％和22.71％；
c)TCSEC算法构建边缘计算协同服务的网络平均响应速度分别比KNN、K-means算法快14.37％和1.40％；
d)动态与静态构建边缘计算协同服务系统相比，TCSEC算法聚合度达到0.97，协同服务系统总平均服务流量提高41.53％，协同效率提高18.98％，协同服务成功率提高28.17％。
e)TCSEC算法综合性能明显优于KNN、K-means算法。
总结：
以数据源边缘服务器、岸基中心基站、岛礁/智能浮台中继基站、盟主节点、船舰、智能移动节点等构建的近海港口边缘计算协同服务面临网络拓扑动态、资源受限、抖动、搭便车、盲区效应、策略和恶意节点等诸多挑战，导致网络服务质量、容量和带宽的不稳定性，使网络效用下降。为保障网络服务效用，构建自适应协同服务系统是一种有效方法。从负载平衡的角度出发，根据边缘计算协同服务的负载情况，动态构造由协同服务盟员组成的边缘计算协同服务来解决目前近海港口边缘计算协同服务中存在拥塞、单点失效、盲区、效率和服务质量不高的问题。提出了一种基于盟主的边缘计算协同服务组织模型TCSEC，模型运用节点的信任度、贡献度、容量和带宽、链路质量等作为表征节点的特征属性，以任务驱动方式，由盟主节点基于节点的服务能力和相似性来选择协同服务的节点，构建边缘计算协同服务。给出了构建边缘计算协同服务的数学模型、约束条件和构造规则，并进行了较为详细的分析。仿真实验表明，通过构建边缘计算协同服务，能有效解决边缘计算服务提供节点过载的问题，实现了协同服务、资源共享、负载均衡的目的，提高了近海港口环境下边缘计算协同服务的服务质量。
表1静态边缘计算协同服务聚类算法性能参数表
Figure BDA0002282854120000171
表2静态边缘计算协同服务池性能参数表
Figure BDA0002282854120000172
表3动态边缘计算协同服务聚类算法性能参数表
Figure BDA0002282854120000173
表4动态边缘计算协同服务池性能参数表
Figure BDA0002282854120000174

Claims (4)

1.一种基于影响力自适应聚合的边缘计算可信协同服务方法，其特征在于，包括如下步骤：
1)根据网络节点的网络状态、行为特征、服务质量、服务能力特征表征其协同服务资源吸引力，结合节点间的相似性评价节点影响力，基于影响力聚类构建边缘计算协同服务系统，每个边缘计算协同服务簇的簇头节点设为初始盟主节点，簇内提供协同服务的节点为盟员节点；
2)每个盟主节点根据盟员节点的影响力，将盟员节点分为Leader级、Cooperation级和Partner级，并定义协同服务规则、协同服务框架、协同边界和服务模式；
3)请求协同服务的节点需定义协同服务任务需求、约束条件和协同服务目标，并发送至边缘计算协同服务节点；接收此次协同服务任务的节点将根据任务需求，组织边缘计算协同服务节点，定义协同服务策略、约束条件、协同服务协议，启动网络资源聚合机制，映射迁移服务和节点特征，完成服务节点间的聚合，协同执行计算任务；
4)执行协同服务时，若盟主节点的负载、信任度、服务能力下降导致其影响力小于设定阈值时，原盟主节点实施降级操作，根据相关策略选取新的盟主节点；若协同服务簇规模超过上界或小于下界时，协同服务簇分裂或合并触发器触发，由原盟主节点根据策略相关引导边缘计算协同服务簇执行分裂或合并操作；
5)边缘计算协同服务节点将执行结果反馈至请求节点；请求节点将在限定的时间内做出评价，更新协同服务节点的信任度、优先级、协同服务能力特征参数，并将评价结果在协同服务簇内周期推送；
所述步骤1)，具体包括如下步骤：
1-1)在边缘计算协同服务系统中构建信任网络，设边缘计算协同服务系统是一个无向图G＝(V,E)，V是由n个节点组成的节点集合，E是由m条边组成的边集合，设连接矩阵E＝(eij)n×n，eij＝1表示节点i和节点j相连，连接关系强度矩阵A＝(ρij)n×n的元素ρij计算如(1)式：
Figure FDA0003491386940000021
(1)式中，Rtt(i,j)表示节点i到节点j的延迟；设系统的观察周期为T，在第k个观察期节点i向节点j提供协同服务成功和失败的次数分别为Sij，Fij，则节点j对节点i在第k个观察期的局部信任度函数Trust(i)如(2)式：
Figure FDA0003491386940000022
(2)式中，μ为局部信任度控制因子，ε为第k个观察期节点的不诚信任务迁移处罚因子，t为第k个观察期节点在线时长；节点信任度计算具体包括如下步骤：
1-1-1)由于服务节点周围可能存在若干亚信任节点，这些节点曾经与盟主服务节点构成协同体，以形成一定的信任协同关系，初始化时将其历史交互信息代入(2)式计算节点的初始信任度，并构建节点信任度采样记录表和节点协同服务特征记录表；
1-1-2)在观察周期T内，监测服务节点的协同服务状态，更新节点协同服务特征记录表；将第k个观察期分为d个等长的时间区段，统计每个时间区段中节点的协同服务成功和失败的次数Sij，Fij，根据(2)式迭代计算节点的不诚信任务迁移处罚因子ε；
1-1-3)统计第k个观察期内，节点的协同服务成功和失败总次数分别为Sij，Fij，根据步骤1-1-2)计算得到的ε，代入(2)式计算第k个观察期的节点的信任度，并更新信任度采样记录表；
1-1-4)当需要评价第k个观察期节点信任度时，从信任度采样记录表获取前d个观察期采样获取的信任度，以时间衰减因子e-(k-l)T为权值，l为周期号，T是观察周期时间长度，加权平均计算节点的信任度；
1-2)根据信任网络构建协同服务资源引力网络，节点i对节点j的局部吸引力F(i)如(3)式：
Figure FDA0003491386940000031
(3)式中，f(i)表示节点i的服务能力，Q(i)表示节点i的负载率，dmin,ij表示节点i路由到节点j的最短跳数，
Figure FDA0003491386940000032
表示吸引力传播具有级联衰减性，wi、hi、mi分别表示节点i可提供边缘计算服务的带宽、计算能力、内存大小，ti表示节点i的平均在线时长，βi (t)、
Figure FDA0003491386940000033
分别表示第t个观察期内节点i平均提供的边缘计算服务的计算负载、内存大小和带宽；
构建盟主节点i的影响力模型G(i)如(4)式：
Figure FDA0003491386940000034
(4)式中，αi为离散化因子，jaccard(i,j)系数主要衡量节点i与节点j的关联度，ρik，ρjk定义如式(1)；
1-3)基于影响力聚类构建边缘计算协同服务集，具体包括如下步骤：
1-3-1)设初始边缘计算网络节点均为协同服务盟员，盟主对候选盟员分辨阈值系数λ，λmin≤λ≤λmax，令λ＝λmax，0<λ≤1
1-3-2)若节点i对节点j局部影响力Gi≥λ(i≠j，i，j≤n)，则节点i和节点j彼此为盟友，将节点j划入节点i的备选盟员集中；否则转1-3-3)；
1-3-3)λ＝λ-ζ，ζ为系数，循环执行如下操作：
a)转1-3-2)，将边缘计算节点划分为m个不相交的协同服务盟员集；如果某个节点j不属于任何协同服务盟员集，则加入相邻节点中影响力Gi最大的节点i所在的协同服务盟员集中；在划分的协同服务盟员集中，将影响力小的节点加入到相邻节点对其影响力Gi最大的节点i协同服务盟员集中；
b)若边缘计算网络节点集无划分操作，转a)；若边缘计算网络节点集被划分为2个以上协同盟员服务子集，则停止分解，令λ＝λmin，将划分的协同盟员服务子集视为1个新边缘计算网络，令λ＝λmax，转1-3-2)，直到所有的协同盟员服务子集不能被再划分为止；
c)构建协同盟员服务子集间的关系映射图，标识各协同盟员服务子集分辨系数阈值λ的界。
2.根据权利要求1所述的一种基于影响力自适应聚合的边缘计算可信协同服务方法，其特征在于，所述步骤2)，具体包括如下步骤：
2-1)盟主节点通过网络心跳数据检测边缘计算协同服务簇中盟员节点的特征信息，计算其影响力G(i)，将G(i)＞λg的盟员节点归入Leader级队列，将G(i)＞λc的盟员节点分为Cooperation级队列，G(i)＞λp的盟员节点分为Partner级队列；
2-2)当节点发起边缘计算协同服务请求时，按Leader级队列、Cooperation级队列、Partner级队列的顺序选择队列中的节点受理请求，具体包括如下步骤：
2-2-1)首先从Leader级队列中选择节点，通过随机哈希种子函数生成映射键值从队列中提取目标节点，并向目标节点发起协同服务请求，若访问被拒或超时，则根据当前键值，提取其前驱或后继节点发起协同服务请求，若前驱和后继节点均访问被拒或超时，则放弃Leader级队列；
2-2-2)从Cooperation级队列选择协同服务节点，按其影响力从大到小排列，按顺序选择服务节点发起边缘计算任务迁移受理请求，若队列中所有节点均未受理，则放弃Cooperation级队列；
2-2-3)从Partner级队列中选择节点，与Leader级队列中选择节点的过程类似，通过随机哈希种子函数生成映射键值从队列中提取目标节点，并向目标节点发起协同服务请求，若访问被拒或超时，则根据当前键值，提取其前驱或后继节点发起协同服务请求，若前驱和后继节点均访问被拒或超时，则放弃Partner级队列；
2-3)若所有服务节点均未受理，则此次协同服务请求失败。
3.根据权利要求1所述的一种基于影响力自适应聚合的边缘计算可信协同服务方法，其特征在于，所述步骤3)，具体包括如下步骤：
3-1)请求节点将定义此次协同服务任务的需求、协同目标、任务内容和服务模式，并发送至协同服务节点；
3-2)协同服务节点根据任务需求，确立协同服务的约束条件、控制策略和服务边界；
3-3)协同服务节点与协同服务盟员进行协商，根据步骤2)选择适宜参与此次协同服务的盟员，并分析协同服务任务量、复杂度、任务执行周期、资源需求；
3-4)协同服务节点创建或更新协同服务池，实现协同服务虚拟化、资源量化和可视化；
3-5)协同服务节点定义协同服务协议，建立协同服务盟员特征映射关系和协同服务映射关系，调度协同服务资源以映射盟员；
3-6)协同服务节点启动网络资源聚合机制，调度协同服务资源以匹配盟员，并迁移协同任务至盟员执行；
3-7)盟员执行完成后，反馈执行结果至协同服务请求节点，协同服务节点记录盟员服务特征信息，通过被动响应方式在协同服务簇内推送。
4.根据权利要求1所述的一种基于影响力自适应聚合的边缘计算可信协同服务方法，其特征在于，所述步骤4)，具体包括如下步骤：
4-1)当盟主节点的影响力在2个观察期持续低于影响力阈值λg，将触发协同服务簇分裂的示警，在观察期结束时，将释放其协同服务资源，并引导边缘计算协同服务簇进行分裂，假设盟主节点i和j的服务辖域相邻时将存在排斥力H(i,j)如(5)式：
Figure FDA0003491386940000051
ρik，ρjk定义如式(1)，协同服务簇分裂操作具体包括如下步骤：
4-1-1)统计簇中服务节点的影响力G(j)， 包括盟主节点自身，若存在两个服务节点l1、l2，满足G(l1)、G(l2)＞λg且不存在现有盟主节点排斥力H(ll∈L,l1,2)＞λh，则令节点l1、l2成为协同服务簇盟主，重复1-3-2)聚类；
4-1-2)若不存在符合条件的服务节点，则将引导具有多重吸引力的簇内节点归入其他协同服务簇；
4-2)当协同服务簇规模低于下界，盟主节点的影响力在2个观察期内持续高于λg时，将引导协同服务簇与邻簇合并，其具体步骤如下：
4-2-1)盟主节点统计合并后的协同服务簇中服务节点的影响力G(j)， 包括盟主节点自身，若存在某个协同服务盟员l，满足G(l)＞λg且不存在现有盟主节点排斥力H(ll∈L,l)＞λh，则令该节点l成为盟主节点，原盟主自动成为候选盟主节点，重复1-3-2)聚类；
4-2-2)若不存在符合条件的服务节点，则放弃合并。
CN201911148360.5A 2019-11-21 2019-11-21 一种基于影响力自适应聚合的边缘计算可信协同服务方法 Active CN110851429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911148360.5A CN110851429B (zh) 2019-11-21 2019-11-21 一种基于影响力自适应聚合的边缘计算可信协同服务方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911148360.5A CN110851429B (zh) 2019-11-21 2019-11-21 一种基于影响力自适应聚合的边缘计算可信协同服务方法

Publications (2)

Publication Number Publication Date
CN110851429A CN110851429A (zh) 2020-02-28
CN110851429B true CN110851429B (zh) 2022-03-29

Family

ID=69603195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911148360.5A Active CN110851429B (zh) 2019-11-21 2019-11-21 一种基于影响力自适应聚合的边缘计算可信协同服务方法

Country Status (1)

Country Link
CN (1) CN110851429B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582628B (zh) * 2020-03-24 2024-04-09 网宿科技股份有限公司 质量评估方法及装置
CN111506408B (zh) * 2020-04-15 2023-06-16 辽宁大学 基于关联数据集合的边缘计算任务调度方法
CN111722926B (zh) * 2020-06-05 2023-12-22 中国科学院自动化研究所 基于付费机制的安全可信边缘协同方法与系统
CN112132202B (zh) * 2020-09-18 2023-11-17 嘉兴学院 一种基于综合信任评价的边缘计算协同盟员发现方法
CN112235385B (zh) * 2020-10-09 2022-08-30 嘉兴学院 一种海上边缘计算低开销云边智能协同盟员发现方法
CN113422803B (zh) * 2021-05-19 2022-11-25 武汉工程大学 一种基于端边云协同的无人机智能巡检任务无缝迁移方法
CN114039980B (zh) * 2021-11-08 2023-06-16 欧亚高科数字技术有限公司 面向边缘协同计算的低时延容器迁移路径选择方法及系统
CN114363328B (zh) * 2021-11-19 2024-02-20 三维通信股份有限公司 一种服务器集群的任务协同方法及系统
CN113899948B (zh) * 2021-12-08 2022-03-04 成都中星世通电子科技有限公司 一种电磁频谱目标特征数据快速提取系统及方法
CN114827153A (zh) * 2022-07-04 2022-07-29 广东电网有限责任公司肇庆供电局 边缘计算协同系统中边缘服务器的选择方法、装置和系统
CN116431349B (zh) * 2023-04-13 2023-11-03 山东华科信息技术有限公司 分布式配电网云边端数据协同方法及其系统
CN116582540B (zh) * 2023-07-10 2024-01-16 北京智芯微电子科技有限公司 边缘计算的通信协同方法、装置、计算机设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109379739A (zh) * 2018-09-28 2019-02-22 嘉兴学院 一种海上无线Mesh网络可信协同服务方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9152969B2 (en) * 2010-04-07 2015-10-06 Rovi Technologies Corporation Recommendation ranking system with distrust
US11074226B2 (en) * 2017-05-24 2021-07-27 3S International, LLC Hierarchical computing network and methods thereof

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109379739A (zh) * 2018-09-28 2019-02-22 嘉兴学院 一种海上无线Mesh网络可信协同服务方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
P2P网络环境下的一种高效虚拟协同服务模型;乐光学等;《计算机研究与发展》;20081115(第11期);全文 *
基于综合信任的边缘计算资源协同研究;邓晓衡等;《计算机研究与发展》;20180315(第03期);全文 *

Also Published As

Publication number Publication date
CN110851429A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110851429B (zh) 一种基于影响力自适应聚合的边缘计算可信协同服务方法
WO2020258920A1 (zh) 一种网络切片资源管理方法及设备
Kliazovich et al. CA-DAG: Modeling communication-aware applications for scheduling in cloud computing
Hao et al. Deep reinforcement learning for edge service placement in softwarized industrial cyber-physical system
WO2018054342A1 (zh) 一种网络数据流分类的方法及系统
CN110502328B (zh) 一种海上边缘计算可信协同任务迁移方法
CN114584581B (zh) 面向智慧城市物联网信物融合的联邦学习系统及联邦学习训练方法
Liu et al. Task scheduling in fog enabled Internet of Things for smart cities
Liu Intelligent routing based on deep reinforcement learning in software-defined data-center networks
Bjurefors et al. Congestion avoidance in a data-centric opportunistic network
CN103176849A (zh) 一种基于资源分类的虚拟机集群的部署方法
CN112235385A (zh) 一种海上边缘计算低开销云边智能协同盟员发现方法
Zhou et al. Strategy optimization of resource scheduling based on cluster rendering
Yu et al. Collaborative computation offloading for multi-access edge computing
Cui et al. A novel method of virtual network embedding based on topology convergence-degree
Imani et al. iSample: Intelligent client sampling in federated learning
Liu et al. Glint: Decentralized federated graph learning with traffic throttling and flow scheduling
Zhang et al. DSOQR: Deep Reinforcement Learning for Online QoS Routing in SDN‐Based Networks
CN113543160B (zh) 5g切片资源配置方法、装置、计算设备及计算机存储介质
Chen et al. A traffic identification based on PSO-RBF neural network in peer-to-peer network
CN114118444B (zh) 一种利用启发式算法降低联邦学习中设备空跑时间的方法
Wang et al. LRA-3C: Learning based resource allocation for communication-computing-caching systems
Jiang et al. Research of load balance algorithm based on resource status for streaming media transmission network
CN114785692A (zh) 一种虚拟电厂聚合调控通信网络流量均衡方法及装置
Liu et al. Influence analysis for celebrities via public cloud and social platform

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
GR01 Patent grant
GR01 Patent grant