CN111083724A - 一种雾计算网络下基于ocwg-topsis的用户关联方法 - Google Patents

Abstract

本发明涉及一种雾计算网络下基于OCWG‑TOPSIS的用户关联方法，属于移动通信技术领域。本发明选取RSRP、Fog Node的剩余计算容量C^r、XeNB的剩余通信容量T^r、衡量用户QoS的时延、FeNB的总能耗、用户所需支付费用，作为六个KPI参数，构成关联决策方案的属性集；具体设计了针对密集异构蜂窝网络雾计算系统场景下的决策属性的数学建模，并设计了结合主观权重与客观权重的最优组合权重，将最优组合权重与属性规范化后的决策矩阵相乘，对关联决策矩阵的属性值进行加权；最后结合TOPSIS方法原理与GRA方法设计了关联决策方案的相对贴合度δ，并依据相对贴合度对关联方案进行排序。本方法可以实现用户与最佳FeNB建立关联，在保证用户QoS的同时，通过约束FeNB的最大负载，平衡业务流量分配，减少FeNB的总能耗。

Description

一种雾计算网络下基于OCWG-TOPSIS的用户关联方法

技术领域

本发明属于移动通信技术领域，特别是雾计算网络下的用户关联技术领域，涉及一种雾计算网络下基于OCWG-TOPSIS的用户关联方法。

背景技术

近年来，物联网技术(Internet of Things,IoT)、人工智能技术(ArtificialIntelligence,AI)、第五代(5th generation,5G)移动通信技术的深入发展与应用，加速了万物互联时代的到来，引发了全社会的智能变革。随着物联网业务量的不断增加，接入网络的终端数量越来越多，终端设备对数据存储和计算量等方面的需求也越来越大，因此可能产生某些技术方面的难题。一方面，终端设备产生的密集数据流需要通过核心网传输到远程云进行处理，消耗核心网络大量带宽和能量；另一方面，由于远程云通常远离终端设备，处理数据流的延迟可能太长，无法满足延迟敏感型应用对超低时延的需求。因此，为了高效及时地处理来自网络中广泛分布的终端设备的多样化任务请求，雾计算(Fog Computing)作为对云计算(Cloud Computing)的扩展和补充应运而生。

雾计算由OpenFog联盟定义为“系统级水平架构”，能够在云到物联网应用之间的任何位置分配及控制计算、存储和网络的资源与服务，而不是局限在遥远的云数据中心。同移动边缘计算(Mobile Edge Computing,MEC)类似，雾计算可以将边缘服务器部署在蜂窝网络的基站一侧，提供更加贴近用户的、远离云端的边缘计算。不同之处在于，雾计算能够把基于云的服务，例如基础设施即服务(Infrastructure-as-a-Service,IaaS)、平台即服务(Platform-as-a-Service,PaaS)、软件即服务(Software-as-a-Service,SaaS)拓展到网络边缘。除此之外，相对于MEC来说，雾计算架构更具层次性与平坦性。雾节点(Fog Node)可以遍布于边缘网络与核心网络，除了边缘服务器外，边缘和核心网络的任何具有计算、存储和连接网络能力的组件(例如核心路由器、广域网路开关、工业控制器等)都可以作为FogNode来提供雾计算的基础设施服务，这一特征使得移动业务的部署更加方便，满足了更广泛的节点接入。正因如此，在雾计算场景下，大量分散、异构的设备可以相互通信，且在没有第三方干预的情况下，设备与网络之间能够协作处理各项任务，而雾计算相对于其他计算模型来说，也是适应物联网结构的最佳选择。

与此同时，随着物联网业务的迅猛发展，移动数据流量呈指数级增长，由宏基站(MeNB)组成的传统蜂窝网络已不足以支持未来通信需求的不断变化与更新。因此，为了改善网络容量与速率，进一步提高传统蜂窝网络的性能以期满足未来海量数据接入、低时延低功耗等一系列服务需求，密集异构网络成为当前移动通信技术研究中最为主流的网络架构。该网络架构在传统蜂窝网络的基础上引入了微基站、家庭基站等覆盖范围小且发射功率低的小小区基站(SeNB)，进行特定区域的加强覆盖，形成宏小区与小小区的混合组网架构。在密集异构蜂窝网络下的MeNB与SeNB一侧部署不同规模的Fog Node，能够将雾计算为用户提供边缘计算的优势与密集异构蜂窝网络使用户享有更高通信质量的优势相结合，满足万物互联时代下，广泛分布的终端设备的多样化任务请求以及高质量的通信需求。因此，密集异构蜂窝网络雾计算系统架构得到业界的广泛关注。

在密集异构蜂窝网络雾计算系统中，Fog Node的物理条件以及实际接纳负载的实时状态限定了其能否接受来自用户的计算任务请求。当用户选择一个无线基站进行初始化接入后，与该基站共处的Fog Node需要处理该用户的计算任务。若该Fog Node缺乏足够能力处理相应计算任务，则需考虑将此部分任务转发至其附近具备足够处理能力的其他FogNode来处理。因此，具有计算任务需求的用户在进行对基站的初始化接入选择时，不仅需要考虑用户的QoS(Quality of Service)以及基站的通信承载力，同样需要考虑与基站共处的Fog Node的计算承载能力。在此场景下，用户关联技术成为了密集异构蜂窝网络雾计算系统中需要考虑的关键技术之一。

本发明提出将密集异构蜂窝网络雾计算系统下的基站与其共处Fog Node看作一个共处体FeNB，即FeNB＝XeNB+Fog Node，这里XeNB可表示MeNB或SeNB。用户与FeNB之间合理的关联，能够保证用户获得满意的QoS，同时能最大化地利用XeNB以及部署在XeNB一侧的FogNode，充分发挥所有FeNB的潜在功效。

在密集异构蜂窝网络雾计算系统中，用户与FeNB关联技术面临的主要问题与技术挑战包括：

(1)如何设计更综合更全面的用户与FeNB关联方案的评价标准，以在满足用户多样化任务需求，充分保证其QoS的同时，最大化发挥FeNB的潜在功效。现有的一些关联方法考虑的关联依据较为单一或者简化，包括基于最大SINR(Signal to Interference plusNoise Ratio)的关联方案、基于最大RSSI(Received Signal Strength Indicator)的关联方案、基于时延与能耗权衡的关联方案等。

(2)同时考虑将多个关键性能指标(Key Performance Indicator,KPI)作为关联决策属性时，如何根据实际需求选取KPI，并设计针对各个属性的最佳权重与决策方法，使所选关联方案能达到上述(1)中的关联效果。

发明内容

有鉴于此，本发明的目的在于提供一种雾计算网络下基于OCWG-TOPSIS(optimalcombination weight and GRA based TOPSIS,OCWG-TOPSIS)的用户关联方法，该方法可以实现用户与最佳FeNB建立关联，在保证用户QoS的同时，通过约束FeNB的最大负载，平衡业务流量分配，减少FeNB的总能耗。

为达到上述目的，本发明提供如下技术方案：

假设密集异构蜂窝网络下的所有MeNB与SeNB一侧都部署有具备一定边缘计算能力的FogNode，由此组成了XeNB(XeNB可表示MeNB或SeNB)与Fog Node的共处体FeNB(FeNB＝XeNB+Fog Node)。各个Fog Node间可以便捷地交换与关联决策相关的有效信息，形成了密集异构蜂窝网络雾计算系统。该网络覆盖范围内的用户需要选择合适的FeNB进行关联，从而在接入FeNB后，由该共处体的Fog Node在网络边缘执行用户的计算任务，不再经由核心网传输至遥远的云数据中心进行处理。用户与FeNB的关联需考虑其与FeNB中XeNB的通信传输过程以及FeNB中Fog Node对该用户计算任务的处理过程。因此，在选取关联决策属性时，为保证用户获取满意的QoS，同时尽可能充分发挥网络中所有FeNB的潜在功效，本发明选取参考信号接收功率(Reference Signal Received Power，RSRP)、Fog Node的剩余计算容量C^r、XeNB的剩余通信容量T^r、衡量用户QoS的时延、FeNB的总能耗、用户所需支付费用，作为六个KPI参数，构成关联决策方案的属性集。通过本发明所提方法，可以实现用户与最佳FeNB建立关联，保证用户获得满意的QoS，同时能最大化地利用XeNB以及部署在XeNB一侧的FogNode，充分发挥所有FeNB的潜在功效。

具体方案如下：

一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，在本方法中，将密集异构蜂窝网络雾计算系统下的基站与其共处FogNode看作一个共处体FeNB，

具体包括以下步骤：

S1：对用户到FeNB的通信传输过程(面向XeNB)及计算过程(面向Fog Node)进行时延、能耗的建模，对用户所需支付的费用建模；

S2：在MeNB一侧设置网络端，收集其覆盖范围内，用户及FeNB上报的属性相关信息；

S3：最优组合权重的设计：依据最小鉴别信息原理将主观权重与客观权重结合构建组合权重，在此基础上釆用拉格朗日乘子法求得最优组合权重表达式；

S4：定义决策矩阵：将用户可以选择关联的FeNB作为待评价方案，对应到关联决策矩阵的行向量，而矩阵的列向量由属性集的各个属性值来确定；

S5：规范化决策矩阵：采用极差变换法对决策矩阵进行规范化处理；

S6：决策矩阵加权：将最优组合权重与规范化的决策矩阵相乘得到加权规范化决策矩阵；

S7：根据网络端保存的属性信息，计算用户与FeNB关联方案的决策矩阵，进而得到所有可关联方案的加权规范化决策矩阵；

S8：根据TOPSIS原理确定关联方案的正理想解与负理想解，并结合GRA计算各决策方案与理想解的相对贴合度δ；

S9：对所有可选择关联方案的相对贴合度进行排序，并选择相对贴合度最大的关联方案作为最佳关联方案。

进一步，在步骤S1中，所述时延、能耗及对用户所需支付的费用建模如下：

1)、用户i(i∈I)与FeNB j(j∈J)相关联，对应的时延为计算时延(面向Fog Nodej)与通信传输时延(面向XeNB j)此两部分的时延总和；其中，通信过程的时延建模集中考虑XeNB j朝向用户i的下行链路传输过程，时延总和表示如下:

其中：等式右边第一项为FeNB j中的Fog Node j处理用户i请求的计算任务所产生的计算时延，等式右边第二项为FeNB j中的XeNB j与用户i通信传输的通信时延。c_ij表示Fog Node j处理来自用户i的计算任务所需的CPU周期；f_j表示Fog Node j的计算能力(服务器的CPU频率)；λ_i为分布密度的参数，表示用户i在单位时间内的任务请求所产生的数据流服从密度为λ_i的泊松分布；d_i表示单位数据流的数据尺寸大小；D_ij表示XeNB j与用户i通信传输过程的数据传输速率。

2)、用户i(i∈I)与FeNB j(j∈J)相关联，对应的能耗为通信能耗(面向XeNB j)与计算能耗(面向Fog Node j)，此两部分的能耗总和表示如下：

其中：等式右边第一项为通信能耗，β_j为线性系数，反映XeNB j与用户i通信所耗能量与通信负载之间的线性关系；λ_i为分布密度的参数，表示用户i在单位时间内的任务请求所产生的数据流服从密度为λ_i的泊松分布；d_i表示单位数据流的数据尺寸大小；等式右边第二项为计算能耗，该能耗为Fog Node j托管的计算机CPU频率f_j的函数。n_j表示当前关联选择周期内，所要关联的Fog Node j开启的计算机数量；A_j和B_j为正常数，p为一正指数，用来体现Fog Node j处能耗随计算任务呈非线性递增的变化关系。其中，p的选取范围为2.5～3。

3)、用户i(i∈I)与FeNB j(j∈J)相关联，对应的支付费用为通信费用(面向XeNBj)与计算费用(面向Fog Node j)，此两部分费用的总和表示如下：

C_ij＝r_Fλ_iρ_i+r_Bλ_id_i (3)

其中：等式右边第一项为用户i与FeNB j关联所耗的计算费用，等式右边第二项为用户i与FeNB j关联所耗的通信费用。r_F和r_B分别为Fog Node j和XeNB j处，单位计算负载与单位流量负载所对应的支付成本。λ_i为分布密度的参数，表示用户i在单位时间内的任务请求所产生的数据流服从密度为λ_i的泊松分布；ρ_i表示单位数据流的计算尺寸大小；d_i表示单位数据流的数据尺寸大小。

进一步，在步骤S2中，网络端负责在关联周期内收集MeNB覆盖范围内的用户及FeNB上报的各种属性信息，且FeNB中的Fog Node先将自身与关联决策相关的有效信息反馈给其共处XeNB，XeNB将所有相关信息汇总一起上报给网络端，具体包括：

S21：用户i(i∈I)根据自身业务需求事先配置好其自身允许接收的最小RSRP值

在用户i的关联决策周期内，用户i需将包括RSRP_ij、

在内的与属性值相关的有效信息上报至网络端；RSRP_ij表示用户i接收到的FeNB j(j∈J)中XeNB j的RSRP值，该值由用户i测量得到；

S22：FeNB j需要从网络端获取来自用户i的有效信息，依据设定的计算方法快速计算时延、能耗、用户所需支付费用三个属性值，并计算FeNB j中，XeNB j与用户i的通信传输过程对应的通信量大小T_ij＝λ_id_i，以及Fog Node j处理来自用户请求计算任务的计算量大小C_ij＝λ_iρ_i；最后将上述计算所得结果连同当前关联选择周期内，Fog Node j的剩余计算容量

以及XeNB j的剩余通信容量

一起上报至网络端；所述

与

中的上标r为剩余计算容量及剩余通信容量的剩余标识，j为FeNB集合J中第j个FeNB的下脚标索引；

S23：网络端首先需根据用户i与FeNB j上报信息中的RSRP_ij、RSRP_min，T_ij、

以及C_ij、

确定当前关联决策周期内，用户i可选择的FeNB待选集合J^*＝{1,2,…,K}，K代表用户i当前可选择关联的FeNB的总个数；确定J^*后，网络端需进一步确定J^*中每个FeNB对应的关联决策属性集。

进一步，在步骤S3中，所述主观权重由用户的实际需求(时延敏感程度、计算密集程度等)以及FeNB处理能力的实际情况等主观因素(剩余容量小的基站对容量KPI更看重)来确定；通过基于对上述主观因素的实际评估来构建正互反矩阵，并将正互反矩阵聚合起来以获取主观权重；设用户与FeNB关联的属性集中各主观权重值为

构成主观权重向量ω^s表示如下：

其中，s为表示主观权重的主观标识，m为权重向量ω^s中第m个权重值元素的下脚标索引，M在此处表示关联决策方案的属性集所包含的属性个数；由于每个属性均对应一个权重值，因此权重向量中权重值元素的总个数为M。

进一步，在步骤S3中，采用熵权法获取属性的客观权重；从网络端保存的属性集信息里选取M个属性的K组信息，这里K为当前用户可选择关联的FeNB的总个数，每个可选择关联的FeNB均对应一组属性信息；

令s_km(k＝1,2,…,K；m＝1,2,…,M)表示第m个属性的第k个信息值，设用户与雾节点关联的属性集各客观权重值为

构成客观权重向量ω^o，

其中，o为表示客观权重的客观标识，应用熵权法确定客观权重值

的步骤如下：

S321：根据信息论中信息熵的定义，第m个属性的熵值e_m表示如下：

其中，

S322：基于熵值e_m，第m个属性的客观权重值

表示如下：

进一步，在步骤S3中，所述最优组合权重计算方法如下：

设用户i与FeNB关联决策方案的属性集合中，第m个属性对应的最优组合权重值为ω_m(m＝1,2,…,M)，现将主观权重值

与客观权重值

相结合，依据最小鉴别信息原理，构建关于求解最优组合权重值ω_m的优化函数如下：

采用拉格朗日乘子法对此目标函数进行求解，即得到第m个属性对应的最优组合权重值ω_m，表示如下：

进一步，在步骤S4中，定义的用户i与FeNB关联决策矩阵A表达如下：

其中，决策矩阵A中的元素a_km(k＝1,2,…,K；m＝1,2,...,M)表示FeNB待选集合J^*中第k个FeNB的第m个属性值。该属性值为原始计算得到的结果，还未进行规范化以及加权处理。本发明实施例中，M＝6。

进一步，在步骤S5中，采用极差变换法对决策矩阵进行规范化处理如下：

对于效益型属性，属性值越大越好。本发明实施例中效益型属性为RSRP、Fog Node的剩余计算容量、基站的剩余通信容量，假设决策矩阵当中的前三列对应RSRP、Fog Node的剩余计算容量、基站的剩余通信容量三个效益型属性，则效益型属性值的计算方法如下：

对于成本型属性，属性值越小越好。本发明实施例中成本型属性为时延、FeNB的总能耗、用户所需支付费用，假设决策矩阵当中的后三列对应时延、FeNB的总能耗、用户所需支付费用三个成本型属性，则成本型属性值的计算方法如下：

其中，

表示关联决策矩阵A第m列中属性最小的属性值；

表示关联决策矩阵A第m列中属性最大的属性值；

最后得到属性规范化后的关联决策矩阵R表示如下：

其中，规范化决策矩阵R中的元素r_km表示FeNB待选集合J^*中第k个FeNB的第m个属性值进行规范化处理得到的对应值，但仍未进行加权。

进一步，在步骤S6中，所述加权规范化处理下：

将各属性的最优组合权重值ω_m与规范化的属性值r_km相乘，即可得到加权规范化的属性值u_ij，由u_ij构成的决策矩阵即加权规范化决策矩阵U,其中k＝1,2,...,K；m＝1,2,...,M；U表示如下：

其中，加权规范化决策矩阵U中的元素u_km(k＝1,2,…,K；m＝1,2,...,M)表示第k个FeNB的第m个属性值在r_km的基础上，进行加权处理后得到的对应值。

进一步，在步骤S8中，所述相对贴合度的计算方法如下：

S81：确定关联方案的正理想解与负理想解：正理想解为设想的最优方案，该方案中每个效益型属性均为备选方案中相应效益型属性的最大值，每个成本型属性均为备选方案中对应成本型属性的最小值；同理，负理想解为设想的最劣方案，其由备选方案中效益型属性的最小值集合与成本型属性的最大值集合一同确定；

正理想解：

负理想解：

其中，u⁺与u^-均为六元行向量，正、负理想解的行向量中前三列取值分别对应所有方案中各效益型属性的最大(最小)取值，后三列分别对应所有方案中各成本型属性的最小(最大)取值；

S82：计算各关联方案与理想解之间的欧氏距离：

将第k个关联方案表示为u_k，u_k＝[u_k1,u_k2,u_k3,u_k4,u_k5,u_k6]，则第k个关联方案u_k与正理想解之间的欧式距离计算如下：

第k个关联方案u_k与负理想解之间的欧式距离计算如下：

其中，||·||₂为向量二范数，即欧氏范数；

S83：计算各关联方案与正、负理想解之间的灰色关联度，以加权规范化决策矩阵为基础，将第k个关联方案的正理想解与负理想解关于第m个属性的灰色关联度系数分别表示为

与

其中，

与

分别表示正理想解u⁺与负理想解u^-中第m个属性的元素值，u_km个属性的元素值表示第k个关联方案u_k的第m个属性的元素值，η是分辨系数，取值范围为0＜η＜1；依据经验通常取0.5。

S84：第k个关联方案与正、负理想解的灰色关联度分别为

S85：为了综合欧式距离与灰色关联度的评价，对欧式距离以及灰色关联度按照下式进行量纲归一化处理：

其中，α_k可分别代入

和

将欧氏距离与灰色关联度联合一起考虑，来评判决策方案与最佳理想解的贴近程度；由于

和

的数值越大，表明决策方案的效果与正理想解越接近；而

与

的数值越大，表明决策方案的效果越偏离正理想解，因此定义综合二者的正负评判指标如下：

其中，ξ为偏好参数，反映对两个不同评价指标的偏好程度，

与

分别表示第i个关联方案与正、负理想解的接近程度；

S86：利用正负评判指标构建相对贴合度δ，表明决策方案与理想解的接近程度：

本发明的有益效果在于：本发明选取RSRP(Reference Signal Received Power)、Fog Node的剩余计算容量C^r、XeNB的剩余通信容量T^r、衡量用户QoS的时延、FeNB的总能耗、用户所需支付费用，作为六个KPI参数，构成关联决策方案的属性集。本发明具体设计了针对密集异构蜂窝网络雾计算系统场景下的决策属性的数学建模，并设计了结合主观权重与客观权重的最优组合权重，将最优组合权重与属性规范化后的决策矩阵相乘，对关联决策矩阵的属性值进行加权。最后结合TOPSIS方法原理与GRA方法设计了关联决策方案的相对贴合度δ，并依据相对贴合度对关联方案进行排序，可快速有效地获取当前综合性能最佳的可关联FeNB。本发明所提方法，可以实现用户与最佳FeNB建立关联，在保证用户QoS的同时，通过约束FeNB的最大负载，平衡业务流量分配，减少FeNB的总能耗。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明所针对的一种密集异构蜂窝网络雾计算系统模型图；

图2为本发明所述方法的流程示意图。

具体实施方式

下面结合附图对本发明的具体实施例进行详细说明。

本发明具体包括以下技术方案：

步骤1：对用户到FeNB的通信传输过程(面向XeNB)及计算过程(面向Fog Node)进行时延、能耗的建模，对用户所需支付的费用建模。

本发明提出一种面向雾计算网络系统的、基于OCWG-TOPSIS的用户关联方法。假设密集异构蜂窝网络下的所有XeNB(XeNB可表示MeNB或SeNB)一侧都部署有具备一定边缘计算能力的Fog Node，组成了XeNB与Fog Node的共处体FeNB(FeNB＝XeNB+Fog Node)。各个Fog Node间可以便捷地交换与关联决策相关的有效信息，形成了密集异构蜂窝网络雾计算系统。为保证用户获取满意的QoS，同时尽可能充分发挥网络中所有FeNB的潜在功效，本发明选取参考信号接收功率(Reference Signal Received Power，RSRP)、Fog Node的剩余计算容量C^r、XeNB的剩余通信容量T^r、衡量用户QoS的时延、FeNB的总能耗、用户所需支付费用，作为六个KPI参数，构成关联决策方案的属性集。

图1为本发明所针对的密集异构蜂窝网络雾计算系统模型图，包括三个MeNB以及以泊松分布方式分布在MeNB覆盖范围内的一定数量的SeNB，SeNB的分布密度为λ_s(表示单位面积内SeNB的个数)。MeNB与SeNB均部署了具有存储、计算及通信能力的Fog Node，组成了XeNB与Fog Node的共处体FeNB。

假定本发明考虑的密集异构蜂窝网络下，接入同一宏小区或小小区的用户均采用正交频分多址接入体制(Orthogonal Frequency Division Multiple Access，OFDMA)接入基站，MeNB之间及SeNB之间可以重复使用频谱以提高频谱利用效率，因此接入同一宏小区或小小区的用户，其内部之间不存在同宏小区或同小小区内干扰。假定MeNB与SeNB采用异频组网方式部署，即宏小区与小小区各自工作于不同的频段，但小小区之间可以工作于同一频段，因此宏小区与小小区之间不存在邻区同频干扰，而小小区之间产生的邻小区同频干扰不能忽略。

假设网络中共包含S个FeNB、W个用户，分别构成FeNB集合J＝{1,2,…,S}、用户集合I＝{1,2,…,W}，由于FeNB＝XeNB+Fog Node，每个FeNB对应唯一的XeNB与Fog Node，因此集合J中的FeNB j(j∈J)，均有唯一的XeNB j与Fog Node j与之对应。假设用户i(i∈I)在单位时间内的任务请求所产生的数据流服从分布密度为λ_i的泊松分布，且单位数据流的数据尺寸大小为d_i，单位数据流对应的计算数据量尺寸为ρ_i。将Fog Node j(j∈J)的计算能力(服务器的CPU频率)表示为f_j，Fog Node j处理来自用户i的计算任务λ_iρ_i所需的CPU周期表示为c_ij。本发明中，FeNB j(j∈J)与用户i(i∈I)的通信需要依靠XeNB j，而FeNB j处理来自用户i的计算任务需要依靠Fog Node j。

(1)用户i与FeNB j相关联，对应的时延为计算时延(面向Fog Node j)与通信传输时延(面向XeNB j)此两部分的时延总和。本发明中，通信过程的时延建模集中考虑XeNB j朝向用户i(i∈I)的下行链路传输过程，时延总和求解如下。

FeNB j与用户i通信依靠XeNB j，此通信过程的信干噪比SINR表示如下：

其中，P_j表示XeNB j的发送功率，g_ij表示XeNB j与用户i通信的信道增益，σ²表示噪声功率。如果XeNB j与用户i通信，用户i占用的信道带宽表示为B_ij，则根据香农公式，XeNB j与用户i通信传输过程的数据传输速率D_ij表示为D_ij＝B_ij log(1+γ_ij)。因此，用户i与FeNB j相关联时，时延总和表示如下：

其中，等式右边第一项为Fog Node j处理用户i请求的计算任务所产生的计算时延，等式右边第二项为XeNB j与用户i通信传输的通信时延。

(2)用户i(i∈I)与FeNB j(j∈J)相关联，对应的能耗为通信能耗(面向XeNB j)与计算能耗(面向Fog Node j)此两部分的能耗总和，求解如下：

其中，等式右边第一项为XeNB j处能耗，β_j为线性系数，可反映XeNB j与用户i通信所耗能量与通信负载λ_id_i之间的线性关系；等式右边第二项表示Fog Node j执行来自用户i的相应计算任务λ_iρ_i所耗能量，该能耗为Fog Node j托管的计算机CPU频率f_j的函数。具体地：假设Fog Node j主要由一定量的同类计算机来处理计算任务，且每台计算机的CPU频率均表示为f_j，n_j为当前关联选择周期内，所要关联的Fog Node j开启的计算机数量(此信息由Fog Node j反馈给XeNB j，XeNB j连同其他与关联决策属性相关的有效信息一起上报给网络端)。A_j和B_j为正常数，p为一正指数，用来体现Fog Node j处能耗随计算任务呈非线性递增的变化关系。其中，p的选取范围为2.5～3。

(3)用户i(i∈I)与FeNB j(j∈J)相关联，对应的支付费用为通信费用(面向XeNBj)与计算费用(面向Fog Node j)此两部分费用的总和，表示如下：

C_ij＝r_Fλ_iρ_i+r_Bλ_id_i (4)

其中，等式右边第一项为用户i与FeNB j关联所耗的计算费用，等式右边第二项为用户i与FeNB j关联所耗的通信费用。r_F和r_B分别为Fog Node j和XeNB j处，单位计算负载与单位流量负载所对应的支付成本。图2为本发明所述方法的流程示意图。

步骤2：在MeNB一侧设置网络端。由于用户的移动性，用户需要周期性地执行针对可选范围内的FeNB的最佳关联选择，因此，网络端负责在关联周期内收集MeNB覆盖范围内的用户及FeNB上报的各种属性信息，且FeNB中的Fog Node先将自身与关联决策相关的有效信息反馈给其共处XeNB，XeNB将所有相关信息汇总一起上报给网络端。具体包括：

步骤2.1：用户i(i∈I)根据自身业务需求事先配置好其自身允许接收的最小RSRP值

在用户i的关联决策周期内，用户i需将RSRP_ij、

等与属性值相关的有效信息上报至网络端。RSRP_ij表示用户i接收到的FeNB j(j∈J)中XeNB j的RSRP值，该值由用户i测量得到。

步骤2.2：FeNB j(j∈J)需要从网络端获取来自用户i的有效信息，依据设定的计算方法快速计算时延、能耗、用户所需支付费用此三个属性值，并计算FeNB j中，XeNB j与用户i的通信传输过程对应的通信量大小T_ij＝λ_id_i以及Fog Node j处理来自用户请求计算任务的计算量大小C_ij＝λ_iρ_i。最后将上述计算所得结果连同当前关联选择周期内，FogNode j的剩余计算容量

以及XeNB j的剩余通信容量

一起上报至网络端。这里

与

中的上标r为剩余计算容量及剩余通信容量的剩余标识，j为FeNB集合J中第j个FeNB的下脚标索引。

步骤2.3：网络端首先需根据用户i与FeNBj上报信息中的RSRP_ij、RSRP_min，T_ij、

以及C_ij、

确定当前关联决策周期内，用户i可选择的FeNB待选集合J^*＝{1,2,…,K}，K代表用户i当前可选择关联的FeNB的总个数。确定J^*后，网络端需进一步确定J^*中每个FeNB对应的关联决策属性集。

步骤3：设计最优组合权重。依据最小鉴别信息原理将主观权重与客观权重结合构建组合权重，在此基础上釆用拉格朗日乘子法求得最优组合权重表达式。

为了使关联决策更切合用户的实际需求与FeNB的当前状态，需要设计针对不同类型属性的最优权重，权重值越大代表其对应的属性更重要，更有利于本发明提出的最终目的，最优权重的设计具体包括：

步骤3.1：主观权重由用户的实际需求(时延敏感程度、计算密集程度等)以及FeNB处理能力的实际情况等主观因素(剩余容量小的基站对容量KPI更看重)来确定。通过基于对上述主观因素的实际评估来构建正互反矩阵，并将正互反矩阵聚合起来以获取主观权重。设用户与FeNB关联的属性集中各主观权重值为

构成主观权重向量ω^s表示如下：

其中，s为表示主观权重的主观标识，m为权重向量ω^s中第m个权重值元素的下脚标索引，M在此处表示关联决策方案的属性集所包含的属性个数。由于每个属性均对应一个权重值，因此权重向量中权重值元素的总个数为M。

步骤3.2：采用熵权法获取属性的客观权重。从网络端保存的属性集信息里选取M个属性的K组信息，这里K为当前用户可选择关联的FeNB的总个数，每个可选择关联的FeNB均对应一组属性信息。

令s_km(k＝1,2,…,K；m＝1,2,…,M)表示第m个属性的第k个信息值。设用户与雾节点关联的属性集各客观权重值为

构成客观权重向量ω^o，

其中，o为表示客观权重的客观标识。应用熵权法确定客观权重值

的步骤如下。

步骤3.2.1：根据信息论中信息熵的定义，第m个属性的熵值e_m表示如下：

其中，

步骤3.2.2：基于熵值e_m，第m个属性的客观权重值

表示如下：

步骤3.3：确定最优组合权重。

设用户i与FeNB关联决策方案的属性集合中，第m个属性对应的最优组合权重值为ω_m(m＝1,2,…,M)。现将主观权重值

与客观权重值

相结合，依据最小鉴别信息原理，构建关于求解最优组合权重值ω_m的优化函数如下：

采用拉格朗日乘子法对此目标函数进行求解，即得到第m个属性对应的最优组合权重值ω_m，表示如下：

步骤4：定义决策矩阵。将用户i(i∈I)可以选择关联的FeNB作为待评价方案，对应到关联决策矩阵的行向量，而矩阵的列向量由属性集的各个属性值来确定。

在用户i的关联决策周期内，根据网络端获取用户i可选择的FeNB集合J^*＝{1,2,…,K}及其对应的属性集信息，构建关联决策矩阵A如下：

其中，决策矩阵A中的元素a_km(k＝1,2,…,K；m＝1,2,...,M)表示FeNB待选集合J^*中第k个FeNB的第m个属性值，该属性值为原始计算得到的结果，还未进行规范化以及加权处理。本发明实施例中，M＝6。

步骤5：规范化决策矩阵。采用极差变换法对决策矩阵的各属性值进行规范化处理，从而得到属性规范化的关联决策矩阵R。将规范化处理后的各属性值表示为r_km(k＝1,2,…,K；m＝1,2,...,M)。获取方法如下：

对于效益型属性，属性值越大越好。本发明实施例中效益型属性为RSRP、Fog Node的剩余计算容量C^r、XeNB的剩余通信容量T^r。假设决策矩阵当中的前三列对应此三个效益型属性，则效益型属性值的计算方法如下：

对于成本型属性，属性值越小越好。本发明实施例中成本型属性为时延、FeNB的总能耗、用户所需支付费用。假设决策矩阵当中的后三列对应此三个成本型属性，则成本型属性值的计算方法如下：

其中，

表示关联决策矩阵A第m列中属性最小的属性值；

表示关联决策矩阵A第m列中属性最大的属性值。

最后得到属性规范化后的关联决策矩阵R表示如下：

其中，规范化决策矩阵R中的元素r_km表示表示FeNB待选集合J^*中第k个FeNB的第m个属性值进行规范化处理得到的对应值，但仍未进行加权。

步骤6：决策矩阵加权。将属性值规范化后的关联决策矩阵R与最优组合权重值ω_m组成的权重向量相乘(权重值ω_m与对应属性值r_km相乘)，即可得到加权规范化决策矩阵U＝[u_km]_K×M＝[ω_mr_km]_K×M。U表示如下：

其中，加权规范化决策矩阵U中的元素u_km(k＝1,2,…,K；m＝1,2,...,M)表示第k个FeNB的第m个属性值在r_km的基础上，进行加权处理后得到的对应值。

步骤7：计算用户与FeNB关联方案的决策矩阵，进而得到所有可关联方案的加权规范化决策矩阵。

步骤8：根据TOPSIS原理确定关联方案的正理想解与负理想解，并结合GRA计算各决策方案与理想解的相对贴合度δ。具体包括：

步骤8.1：确定所有方案的正理想解与负理想解。正理想解为设想的最优方案，该方案中每个效益型属性均为备选方案中相应效益型属性的最大值，每个成本型属性均为备选方案中对应成本型属性的最小值。同理，负理想解为设想的最劣方案，其由备选方案中各效益型属性的最小值与各成本型属性的最大值一同确定。

正理想解：

负理想解：

其中，u⁺与u^-均为六元行向量，正、负理想解的行向量中前三列取值分别对应所有方案中各效益型属性的最大(最小)取值，后三列分别对应所有方案中各成本型属性的最小(最大)取值。

步骤8.2：计算各关联方案与理想解之间的欧氏距离。

将第k个关联方案表示为u_k，u_k＝[u_k1,u_k2,u_k3,u_k4,u_k5,u_k6]，则第k个关联方案u_k与正理想解之间的欧式距离计算如下：

第k个关联方案u_k与负理想解之间的欧式距离计算如下：

其中，||·||₂为向量二范数，即欧氏范数。

步骤8.3：计算各关联方案与正、负理想解之间的灰色关联度。以加权规范化决策矩阵为基础，将第k个关联方案的正理想解与负理想解关于第m个属性的灰色关联度系数分别表示为

与

计算如下：

其中，

与

分别表示正理想解u⁺与负理想解u^-中第m个属性的元素值，u_km表示第k个关联方案u_k的第m个属性的元素值。η是分辨系数，取值范围为0＜η＜1，依据经验通常取0.5。

步骤8.4：第k个关联方案与正、负理想解的灰色关联度分别为

步骤8.5：为了综合欧式距离与灰色关联度的评价，对欧式距离以及灰色关联度按照下式进行量纲归一化处理：

其中，α_k可分别代入

和

至此，将欧氏距离与灰色关联度联合一起考虑，来评判决策方案与最佳理想解的贴近程度。由于

和

的数值越大，表明决策方案的效果与正理想解越接近；而

与

的数值越大，表明决策方案的效果越偏离正理想解。因此，定义综合二者的正负评判指标如下：

其中，ξ为偏好参数，反映对两个不同评价指标的偏好程度。

与

分别表示第k个关联方案与正、负理想解的接近程度。

步骤8.6：利用正负评判指标构建相对贴合度δ，表明决策方案与理想解的接近程度。

步骤9：最后，对所有可选择关联方案的相对贴合度δ进行排序，并选择相对贴合度最大的关联方案作为最佳关联方案。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在本方法中，将密集异构蜂窝网络雾计算系统下的基站与其共处Fog Node看作一个共处体FeNB，

具体包括以下步骤：

S1：对用户到FeNB的通信传输过程及计算过程进行时延、能耗的建模，对用户所需支付的费用建模；

S2：在MeNB一侧设置网络端，收集其覆盖范围内，用户及FeNB上报的属性相关信息；

S3：最优组合权重的设计：依据最小鉴别信息原理将主观权重与客观权重结合构建组合权重，在此基础上釆用拉格朗日乘子法求得最优组合权重表达式；

S4：定义决策矩阵：将用户可以选择关联的FeNB作为待评价方案，对应到关联决策矩阵的行向量，而矩阵的列向量由属性集的各个属性值来确定；

S5：规范化决策矩阵：采用极差变换法对决策矩阵进行规范化处理；

S6：决策矩阵加权：将最优组合权重与规范化的决策矩阵相乘得到加权规范化决策矩阵；

S7：根据网络端保存的属性信息，计算用户与FeNB关联方案的决策矩阵，进而得到所有可关联方案的加权规范化决策矩阵；

S8：根据TOPSIS原理确定关联方案的正理想解与负理想解，并结合GRA计算各决策方案与理想解的相对贴合度δ；

S9：对所有可选择关联方案的相对贴合度进行排序，并选择相对贴合度最大的关联方案作为最佳关联方案。

2.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S1中，所述时延、能耗及对用户所需支付的费用建模如下：

1)、用户i(i∈I)与FeNB j(j∈J)相关联，对应的时延为计算时延与通信传输时延此两部分的时延总和；其中，通信过程的时延建模集中考虑XeNB j朝向用户i的下行链路传输过程，时延总和t_ij表示如下:

其中：等式右边第一项为FeNB j中的Fog Node j处理用户i请求的计算任务所产生的计算时延，等式右边第二项为FeNB j中的XeNB j与用户i通信传输的通信时延；c_ij表示FogNode j处理来自用户i的计算任务所需的CPU周期；f_j表示Fog Node j的计算能力；λ_i为分布密度的参数，表示用户i在单位时间内的任务请求所产生的数据流服从密度为λ_i的泊松分布；d_i表示单位数据流的数据尺寸大小；D_ij表示XeNB j与用户i通信传输过程的数据传输速率；

2)、用户i(i∈I)与FeNB j(j∈J)相关联，对应的能耗为通信能耗与计算能耗，此两部分的能耗总和E_ij表示如下：

其中：等式右边第一项为通信能耗，β_j为线性系数，反映FeNB j中的XeNB j与用户i通信所耗能量与通信负载之间的线性关系；λ_i为分布密度的参数，表示用户i在单位时间内的任务请求所产生的数据流服从密度为λ_i的泊松分布；d_i表示单位数据流的数据尺寸大小；等式右边第二项为计算能耗，该能耗为Fog Node j托管的计算机CPU频率f_j的函数；n_j表示当前关联选择周期内，所要关联的Fog Node j开启的计算机数量；A_j和B_j为正常数，p为一正指数，用来体现Fog Node j处能耗随计算任务呈非线性递增的变化关系，其中，p的选取范围为2.5～3；

3)、用户i(i∈I)与FeNB j(j∈J)相关联，对应的支付费用为通信费用与计算费用，此两部分费用的总和C_ij表示如下：

C_ij＝r_Fλ_iρ_i+r_Bλ_id_i (3)

其中：等式右边第一项为用户i与FeNB j关联所耗的计算费用，等式右边第二项为用户i与FeNB j关联所耗的通信费用；r_F和r_B分别为Fog Node j和XeNB j处，单位计算负载与单位通信负载所对应的支付成本；λ_i为分布密度的参数，表示用户i在单位时间内的任务请求所产生的数据流服从密度为λ_i的泊松分布；ρ_i表示单位数据流的计算尺寸大小；d_i表示单位数据流的数据尺寸大小。

3.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S2中，网络端负责在关联周期内收集MeNB覆盖范围内的用户及FeNB上报的各种属性信息，且FeNB中的Fog Node先将自身与关联决策相关的有效信息反馈给其共处XeNB，XeNB将所有相关信息汇总一起上报给网络端，具体包括：

S21：用户i(i∈I)根据自身业务需求事先配置好其自身允许接收的最小RSRP值

在用户i的关联决策周期内，用户i需将包括RSRP_ij、

在内的与属性值相关的有效信息上报至网络端；RSRP_ij表示用户i接收到的FeNB j(j∈J)中XeNB j的RSRP值，该值由用户i测量得到；

S22：FeNB j需要从网络端获取来自用户i的有效信息，依据设定的计算方法快速计算时延、能耗、用户所需支付费用三个属性值，并计算FeNB j中，XeNB j与用户i的通信传输过程对应的通信量大小T_ij＝λ_id_i，以及Fog Node j处理来自用户请求计算任务的计算量大小C_ij＝λ_iρ_i；最后将上述计算所得结果连同当前关联选择周期内，Fog Node j的剩余计算容量

以及XeNB j的剩余通信容量

一起上报至网络端；所述

与

中的上标r为剩余计算容量及剩余通信容量的剩余标识，j为FeNB集合J中第j个FeNB的下脚标索引；

S23：网络端首先需根据用户i与FeNB j上报信息中的RSRP_ij、RSRP_min，T_ij、

以及C_ij、

确定当前关联决策周期内，用户i可选择的FeNB待选集合J^*＝{1,2,…,K}，K代表用户i当前可选择关联的FeNB的总个数；确定J^*后，网络端需进一步确定J^*中每个FeNB对应的关联决策属性集。

4.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S3中，所述主观权重由用户的实际需求以及FeNB处理能力的实际情况主观因素来确定；通过基于对上述主观因素的实际评估来构建正互反矩阵，并将正互反矩阵聚合起来以获取主观权重；设用户与FeNB关联的属性集中各主观权重值为

构成主观权重向量ω^s表示如下：

其中，s为表示主观权重的主观标识，m为权重向量ω^s中第m个权重值元素的下脚标索引，M在此处表示关联决策方案的属性集所包含的属性个数；由于每个属性均对应一个权重值，因此权重向量中权重值元素的总个数为M。

5.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S3中，采用熵权法获取属性的客观权重；从网络端保存的属性集信息里选取M个属性的K组信息，这里K为当前用户可选择关联的FeNB的总个数，每个可选择关联的FeNB均对应一组属性信息；

令s_km(k＝1,2,…,K；m＝1,2,…,M)表示第m个属性的第k个信息值，设用户与雾节点关联的属性集各客观权重值为

构成客观权重向量ω^o，

其中，o为表示客观权重的客观标识，应用熵权法确定客观权重值

的步骤如下：

S321：根据信息论中信息熵的定义，第m个属性的熵值e_m表示如下：

其中，

S322：基于熵值e_m，第m个属性的客观权重值

表示如下：

6.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S3中，所述最优组合权重计算方法如下：

设用户i与FeNB关联决策方案的属性集合中，第m个属性对应的最优组合权重值为ω_m(m＝1,2,…,M)，现将主观权重值

与客观权重值

相结合，依据最小鉴别信息原理，构建关于求解最优组合权重值ω_m的优化函数如下：

采用拉格朗日乘子法对此目标函数进行求解，即得到第m个属性对应的最优组合权重值ω_m，表示如下：

7.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S4中，定义的用户i与FeNB关联决策矩阵A表达如下：

其中，决策矩阵A中的元素a_km(k＝1,2,…,K；m＝1,2,...,M)表示FeNB待选集合J^*中第k个FeNB的第m个属性值。

8.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S5中，采用极差变换法对决策矩阵进行规范化处理如下：

假设决策矩阵当中的前三列对应RSRP、FogNode的剩余计算容量、基站的剩余通信容量三个效益型属性，则效益型属性值的计算方法如下：

假设决策矩阵当中的后三列对应时延、FeNB的总能耗、用户所需支付费用三个成本型属性，则成本型属性值的计算方法如下：

其中，

表示关联决策矩阵A第m列中属性最小的属性值；

表示关联决策矩阵A第m列中属性最大的属性值；

最后得到属性规范化后的关联决策矩阵R表示如下：

其中，规范化决策矩阵R中的元素r_km表示FeNB待选集合J^*中第k个FeNB的第m个属性值进行规范化处理得到的对应值，但仍未进行加权。

9.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S6中，所述加权规范化处理下：

将各属性的最优组合权重值ω_m与规范化的属性值r_km相乘，即可得到加权规范化的属性值u_ij，由u_ij构成的决策矩阵即加权规范化决策矩阵U,其中k＝1,2,...,K；m＝1,2,...,M；U表示如下：

其中，加权规范化决策矩阵U中的元素u_km(k＝1,2,…,K；m＝1,2,...,M)表示第k个FeNB的第m个属性值在r_km的基础上，进行加权处理后得到的对应值。

10.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S8中，所述相对贴合度的计算方法如下：

S81：确定关联方案的正理想解与负理想解：正理想解为设想的最优方案，该方案中每个效益型属性均为备选方案中相应效益型属性的最大值，每个成本型属性均为备选方案中对应成本型属性的最小值；同理，负理想解为设想的最劣方案，其由备选方案中效益型属性的最小值集合与成本型属性的最大值集合一同确定；

正理想解：

负理想解：

其中，u⁺与u^-均为六元行向量，正、负理想解的行向量中前三列取值分别对应所有方案中各效益型属性的最大(最小)取值，后三列分别对应所有方案中各成本型属性的最小(最大)取值；

S82：计算各关联方案与理想解之间的欧氏距离：

将第k个关联方案表示为u_k，u_k＝[u_k1,u_k2,u_k3,u_k4,u_k5,u_k6]，则第k个关联方案u_k与正理想解之间的欧式距离计算如下：

第k个关联方案u_k与负理想解之间的欧式距离计算如下：

其中，||·||₂为向量二范数，即欧氏范数；

S83：计算各关联方案与正、负理想解之间的灰色关联度，以加权规范化决策矩阵为基础，将第k个关联方案的正理想解与负理想解关于第m个属性的灰色关联度系数分别表示为

与

其中，

与

分别表示正理想解u⁺与负理想解u^-中第m个属性的元素值，u_km个属性的元素值表示第k个关联方案u_k的第m个属性的元素值，η是分辨系数，取值范围为0＜η＜1；

S84：第k个关联方案与正、负理想解的灰色关联度分别为

S85：为了综合欧式距离与灰色关联度的评价，对欧式距离以及灰色关联度按照下式进行量纲归一化处理：

其中，α_k可分别代入

和

将欧氏距离与灰色关联度联合一起考虑，来评判决策方案与最佳理想解的贴近程度；由于

和

的数值越大，表明决策方案的效果与正理想解越接近；而

与

的数值越大，表明决策方案的效果越偏离正理想解，因此定义综合二者的正负评判指标如下：

其中，ξ为偏好参数，反映对两个不同评价指标的偏好程度，

与

分别表示第i个关联方案与正、负理想解的接近程度；

S86：利用正负评判指标构建相对贴合度δ，表明决策方案与理想解的接近程度：

Images