CN112601240A - 物联网资源边缘智能调度方法 - Google Patents
物联网资源边缘智能调度方法 Download PDFInfo
- Publication number
- CN112601240A CN112601240A CN202011467952.6A CN202011467952A CN112601240A CN 112601240 A CN112601240 A CN 112601240A CN 202011467952 A CN202011467952 A CN 202011467952A CN 112601240 A CN112601240 A CN 112601240A
- Authority
- CN
- China
- Prior art keywords
- sensing
- node
- virtual
- nodes
- sensing node
- 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.)
- Withdrawn
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种物联网资源边缘智能调度方法,属于通信技术领域。该方法包括以下步骤:根据传感节点能量状态因素、资源能力与拓扑属性,建立传感节点多指标评价模型,设计多属性决策的目标传感节点选择方法,为虚拟传感节点选择映射目标节点;根据节点的剩余能量以水平及路径通信能耗,估计路径映射开销,为虚拟链路选择映射路径;进而,设计最小迁移开销的重配置策略,动态调整虚拟传感节点与相应的虚拟链路。本发明可以有效均衡网络的能量消耗,延长网络生命周期,并提高虚拟传网络请求接受率。
Description
技术领域
本发明属于通信技术领域,涉及一种物联网资源边缘智能调度方法。
背景技术
无线传感网络(Wireless Sensor Network,WSN)是由大量微型传感器节点以无线通信方式组成的自组织网络,其中传感器以协作方式实时监测采集并处理和传输各种现场信息,作为物联网的关键组件,WSN已广泛应用在环境监测,工业应用,智慧医疗和智慧城市等领域。然而,传统无线传感网络是面向特定领域和既定任务的,每个传感器节点都经过编程以使用自定义协议和数据格式来收集和处理特定的数据类型,为单个应用程序和来自同一权限的用户提供服务,这使得WSN部署与服务之间紧密耦合,当网络空闲时也无法用于其他业务请求,对于新的业务需要重新部署WSN,导致网络资源利用率低。
为适应物联网多样化感知业务需求,研究人员提出了虚拟化无线传感网络体系结构,采用虚拟化技术对WSN资源进行抽象、隔离,使不同用户可共享WSN感知资源,提供了较高的灵活性和可扩展性,从而实现传感即服务。区别于传统WSN,虚拟化无线传感网络将WSN网络服务的角色解耦为无线传感网络基础设施提供商(Wireless Sensor NetworkInfrastructure Provider,WSNInP)和虚拟化无线传感网络服务提供商(Virtual SensorNetwork Service Provider,VSNSP),虚拟传感网络映射(Virtual Sensor NetworkEmbedding,VSNE)技术将带有节点和链路资源需求的虚拟传感网络请求(Virtual SensorNetwork Request,VSNR)映射至WSN,为其分配有效资源以提供相应业务,是WSN虚拟化的核心技术之一。
目前,针对虚拟传感网络映射问题,相关研究工作聚焦于WSN资源有效共享与网络资源利用率最大化方面,在虚拟传感网络映射时并未考虑网络能量消耗因素,对于能量受限的WSN环境适用性较差。而对于数据中心和广域网中的虚拟网络映射方法,虽考虑了网络能耗因素,但未考虑无线网络特性,不适用于虚拟无线传感网络映射。因此,如何为VSNR映射合适的物理传感节点与物理路径并根据网络状态动态调整,以提高虚拟传感网络映射成功率和网络资源利用率,均衡网络能耗,延长网络寿命至关重要。
发明内容
有鉴于此,本发明的目的在于提供一种物联网资源边缘智能调度方法,用于提高虚拟传感网络请求接受率的同时均衡网络的能量消耗,延长网络生命周期。
为达到上述目的,本发明提供如下技术方案:
一种物联网资源边缘智能调度方法,具体包括以下步骤:
S1:构建虚拟传感网络映射模型以及能耗模型;
S2:根据WSN中传感节点的能量状态因素、资源能力和拓扑属性,建立传感节点多指标评价模型进行映射目标传感节点选择;
S3:在底层传感网络中选取最佳的传感节点来承载虚拟传感节点,然后在考虑底层无线链路间干扰约束下,为虚拟链路选取最佳映射路径进行感测数据的传输,完成虚拟传感网络请求映射;
S4:当虚拟传感网络请求因网络资源碎片问题被拒绝时,根据当前网络状态对虚拟传感节点和虚拟链路动态重配置。
进一步,步骤S1中,构建的虚拟传感网映射模型包括:WSN物理网络模型和虚拟传感网络请求模型;
所述WSN物理网络模型为:WSN的物理网络由加权无向图表示,其中,NS表示物理传感网络节点集合,LS表示物理传感网络中传感节点间的链路集合,和分别表示物理传感网络中节点和链路所具有的属性;对于每个物理传感节点ns∈NS的属性包括处理能力c(ns)、初始能量einit(ns)以及位置信息loc(ns);对于每个物理链路ls∈LS的属性由可用的链路带宽b(ls)表示;此外,物理传感网络中任意物理路径由PS表示,物理传感节点和之间的路径集合为
所述虚拟传感网络请求模型为:虚拟传感网络请求由加权有向图表示,其中,NV和LV分别表示虚拟传感网络中虚拟传感节点和虚拟链路集合,和分别表示虚拟传感网络中虚拟传感节点和虚拟链路的资源需求;对于虚拟传感节点nv∈NV,c(nv)表示其处理能力需求,loc(nv)表示业务请求感兴趣的区域位置;对每个虚拟链路lv∈LV,r(lv)表示该虚拟链路对数据传输速率的需求;
构建的能耗模型为:发送k bit数据到距离为d的接收节点的能量消耗为:
接收节点接收到k bit数据所需要的能量为:
erx(k)=keelec
其中,eelec表示无线电发送与接收元件的射频能耗系数,εfs和εmp分别表示自由空间模型和多径衰落模型下信号放大所需的功率,d为节点间的数据传输距离,d0为距离阈值;
传感节点处理k bit多媒体业务数据的能耗为:
ep=kepro
其中,epro表示处理能耗系数。
进一步,步骤S2中,建立传感节点多指标评价模型进行映射目标传感节点选择,包括以下步骤:
S21:根据WSN中传感节点拓扑信息,计算其节点度中心性和紧密度中心性,并结合当前传感节点的能量状态因素和资源能力,建立传感节点多指标评价模型,对传感节点多属性综合分析;
S22:基于传感节点多指标评价模型引入熵权,确定不同传感节点指标对于度量结果的影响,通过多属性决策的目标传感节点选择方法选择最佳映射目标节点。
其中,xij表示第i传感节点的第j个评价指标值;通常,不同的评价指标有不同的测量标准,因此需要将不同的评价指标维度转换为无维度指标,对评价指标值矩阵做归一化处理,得到标准化评价指标值矩阵Y=(yij)m×4,且
第j个传感节点评价指标的信息熵表示为:
传感节点的第j个评价指标的熵权wj表示为:
根据加权标准矩阵Z确定目标传感节点选择方案的正理想解和负理想解,其中正理想解为理想最佳目标传感节点,负理想解为最差目标传感节点;传感节点的正理想解和负理想方案分别用v+和v-表示,表达式如下:
v+={max vij|i=1,2,…,m}
v-={min vij|i=1,2,…,m}
计算各个目标传感节点选择方案到正理想解和负理想解的距离为:
由此,定义各传感节点与理想最佳目标传感节点的相对接近度Ci *为:
进一步,步骤S3中,完成虚拟传感网络请求映射,具体包括以下步骤:
S31:对于随机到达的虚拟传感网络请求中的虚拟传感节点,寻找满足监测能力的物理传感节点,构建其候选物理传感节点集合Ω(nv);控制器根据收集到的WSN信息,综合传感节点的能量状态、资源能力、度中心性和紧密中心性,通过多属性决策的目标传感节点选择方法计算候选物理传感节点集合Ω(nv)中的传感节点与理想最佳目标物理传感节点的相对接近度,优先将虚拟传感节点nv映射到相对节点度值大的物理传感节点上;
S32:对于虚拟传感网络请求中待映射的虚拟链路,采用K最短路径算法选择出在物理传感网络中满足带宽资源约束的最短路径集合,根据集合中路径的当前能量状态及通信能耗,估计路径映射开销,将待映射的虚拟链路映射至路径映射开销值最小的物理路径上来完成感测数据传输。
进一步,步骤S31中,对于随机到达的虚拟传感网络请求,控制器根据资源需求及约束条件为其在物理传感网络中找到合适的传感节点执行请求任务以及相应的路径保证感测的数据传输;对于节点与链路约束包括:节点监测能力约束,以及路由与带宽约束;
所述节点监测能力约束:
其中,dis(loc(ns),为物理传感节点ns地理位置与虚拟传感节点请求感测区域位置之间的欧式距离,δ(ns)为节点ns的有效感知半径;为虚拟传感节点所请求的资源,为所有映射在ns上的虚拟传感节点所占用的处理资源,nv→ns为虚拟传感节点nv映射在节点ns上;
所述带宽资源约束:对于任意时刻需要保证传输到传感节点的数据流与自身生成的数据必须等于其输出的数据流以及确保Sink节点能收到运行监测任务的传感节点所产生的所有数据;对于物理传感网络中的路径需要满足路由约束:
进一步,步骤S31中,构建的候选物理传感节点集合Ω(nv)为:Ω(nv)={ns|dis(loc(ns),loc(nv)≤δ(ns)&c(nv)≤re(ns),ns∈NS}。
进一步,步骤S32中,对于路径中的物理链路需判断是否满足虚拟链路的带宽资源要求,即
其中,B(ns)表示归一化的节点ns带宽资源,当B(ns)为1时,则表示同一信道下所有通信链路处于空闲状态。
进一步,步骤S4中,根据当前网络状态对虚拟传感节点和虚拟链路动态重配置,具体包括步骤:
S41:对于当前因数据处理资源不足而无法映射的虚拟传感节点在底层传感网络中寻找能覆盖虚拟传感节对应地理位置的物理传感节点,构建物理传感节点集合根据多属性决策的目标传感节点选择方法对集合中的传感节点依次排序,优先选择相对接近度大的物理传感节点来承载虚拟传感节点
S42:对于物理传感节点上的虚拟传感节点按照资源需求小到大的顺序依次迁移,直至满足新到来的虚拟传感节点的资源请求;对于待迁移的虚拟传感节点,定义节点迁移开销,将待迁移虚拟传感节点映射至迁移开销最小的迁移目标传感节点上。
本发明的有益效果在于:本发明综合考虑了传感节点的能量状态因素,结合其资源能力与拓扑属性,建立多指标评价模型,采用多属性决策方法为虚拟传感节点选择合适映射目标节点。分析无线链路间的干扰,估计路径映射开销为虚拟链路选择合适映射路径。在此基础上,设计最小迁移开销的重配置策略,动态调整虚拟传感节点和相应的虚拟链路,在均衡网络能量消耗的同时进一步提高虚拟传感网络请求接受率。
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为本发明的虚拟传感网络映射系统架构图;
图2为本发明的虚拟网络映射过程流程图;
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
1、构建虚拟传感网络映射模型以及能耗模型
如图1所示,WSN的物理网络由加权无向图表示,其中NS表示物理传感网络节点集合,LS表示物理传感网络中传感节点间的链路集合,和分别表示物理传感网络中节点和链路所具有的属性。对于每个物理传感节点ns∈NS的属性包括处理能力c(ns),初始能量einit(ns)以及位置信息loc(ns);对于每个物理链路ls∈LS的属性由可用的链路带宽b(ls)表示。此外,物理传感网络中任意物理路径由PS表示,物理传感节点和之间的路径集合为
虚拟传感网络请求由加权有向图表示,其中NV和LV分别表示虚拟传感网络中虚拟传感节点和虚拟链路集合,和分别表示虚拟传感网络中虚拟传感节点和虚拟链路的资源需求。对于每个虚拟传感节点nv∈NV,c(nv)表示其处理能力需求,loc(nv)表示业务请求感兴趣的区域位置。对每个虚拟链路lv∈LV,r(lv)表示该虚拟链路对数据传输速率的需求。
虚拟传感网络请求映射至物理传感网络产生的能耗是指在物理传感节点执行相应请求任务时,物理传感节点感知和融合数据所产生的能耗以及节点收发数据产生的通信能耗。发送k bit数据到距离为d的接收节点的能量消耗为
接收节点接收到kbit数据所需要的能量为
erx(k)=keelec
其中eelec表示无线电发送与接收元件的射频能耗系数,εfs和εmp分别表示自由空间模型和多径衰落模型下信号放大所需的功率,d为节点间的数据传输距离,d0为距离阈值。
传感节点处理kbit多媒体业务数据的能耗为
ep=kepro
其中,epro表示处理能耗系数。
对于随机到达的虚拟传感网络请求,控制器根据资源需求及约束条件为其在物理传感网络中找到合适的传感节点执行请求任务以及相应的路径保证感测的数据传输。对于节点与链路约束问题描述如下。
节点监测能力约束:在物理传感网络中,传感节点若要监测虚拟传感网络请求业务,请求的目标区域必须在其覆盖范围。此外,对于传感节点监测收集的原始数据需要进行处理,因此,虚拟传感网络请求在网络的整个运行期间需要为其虚拟节点分配足够处理资源以满足其业务需求。
其中,dis(loc(ns),为物理传感节点ns地理位置与虚拟传感节点请求感测区域位置之间的欧式距离,δ(ns)为节点ns的有效感知半径。为虚拟传感节点所请求的资源,为所有映射在ns上的虚拟传感节点所占用的处理资源,nv→ns为虚拟传感节点nv映射在节点ns上。
路由与带宽约束:对于任意时刻需要保证传输到传感节点的数据流与自身生成的数据必须等于其输出的数据流以及确保Sink节点可以收到运行监测任务的传感节点所产生的所有数据。对于物理传感网络中的路径需要满足路由约束
2、目标传感节点选择
在对传感节点属性分析时,考虑传感节点的局部拓扑信息和邻居节点的影响,定义了节点中心性,即度中心性和紧密度中心性。同时将物理传感节点的资源能力以及能量状态作为评价指标。
其中,传感节点ns的资源能力越大,其节点ns可用处理资源越多,满足虚拟传感节点资源需求的能力也就越大。
为了综合考虑传感节点的资源能力,拓扑属性以及能量因素对其进行评估,提出了基于多属性决策的目标传感节点选择方法。考虑物理传感网络中有m个待评估传感节点,每个传感节点评价指标分别为资源能力节点的度节点的紧密度中心性和能量因子其评价指标值矩阵X=(xij)m×4表示为
其中xij表示第i传感节点的第j个评价指标值。通常,不同的评价指标有不同的测量标准,因此需要将不同的评价指标维度转换为无维度指标,对评价指标值矩阵做归一化处理,得到标准化评价指标值矩阵Y=(yij)m×4且
为了确定传感节点评价指标和在目标传感节点选择过程中的重要程度,引入熵权的概念,通过指标权重反映各个传感节点评价指标之间存在的相互关系对于目标传感节点选择结果的影响,其中每个评价指标在不同节点选择方案上的水平值越接近,其熵值越大,以此对传感节点评价指标客观赋权值。第j个传感节点评价指标的信息熵表示为
传感节点的第j个评价指标的熵权wj表示为
根据加权标准矩阵Z确定目标传感节点选择方案的正理想解和负理想解,其中正理想解为理想最佳目标传感节点,负理想解为最差目标传感节点。传感节点的正理想解和负理想方案分别用v+和v-表示,表达式如下
v+={max vij|i=1,2,…,m}
v-={min vij|i=1,2,…,m}
计算各个目标传感节点选择方案到正理想解和负理想解的距离
由此,可定义各传感节点与理想最佳目标传感节点的相对接近度Ci *为
3、虚拟传感网络映射过程
如图2所示,为本实施例中映射过程流程图。
1)节点映射过程
对于随机到达的虚拟传感网络请求,在对每一个虚拟传感节点nv进行映射时,首先要在物理传感网络中寻找满足监测能力的物理传感节点,构建其候选物理传感节点集合Ω(nv),即Ω(nv)={ns|dis(loc(ns),loc(nv)≤δ(ns)&c(nv)≤re(ns),ns∈NS},若集合Ω(nv)为空集,则说明当前网络无法承载其对应的监测任务,即该虚拟传感网络请求被拒绝。
对于非空集合Ω(nv)中每个候选物理传感节点ns,中央控制器根据收集的WSN信息,将物理传感节点的能量因子q(ns)、资源能力re(ns)、度中心性deg(ns)和紧密度中心性cc(ns)作为评价属性,采用所提的多属性决策的目标传感节点选择方法,计算各传感节点的相对接近度C*,优先将虚拟传感节点nv映射至C*值最大的候选物理传感节点上来执行相应的监测任务。当虚拟传感节点映射结束,则进入链路映射阶段。
2)链路映射过程
在链路映射阶段,需要为每个虚拟链路选择合适的通信路径以保证可以将感测的数据传输到Sink节点。对于路径中的物理链路需判断是否满足虚拟链路的带宽资源要求,即
其中B(ns)表示归一化的节点ns带宽资源,当B(ns)为1时,则表示同一信道下所有通信链路处于空闲状态。
对于虚拟传感网络请求中待映射的虚拟链路,建立候选物理链路集合。为了进一步提高链路映射的效率,在该阶段首先删除物理传感网络中没有足够带宽资源用于相应虚拟链路的物理链路。
控制器具有物理传感网络的全局信息,采用K最短路径算法,选择出在物理传感网络中满足带宽资源约束的最短路径集合且对于任意路径对于物理传感网络,一条路径的能量剩余情况对于链路质量的影响往往是由该路径中能量最小的节点决定的,在另一方面,考虑整个网络能耗均衡问题,避免网络中节点出现能量瓶颈,选取路径中能量最小的节点能量作为评价路径能量剩余情况的标准。
其中Emin(ns)表示路径Ps中最小能量节点ns的剩余能量值。综合路径中节点剩余能量和通信能耗,本文定义路径映射开销PF(Ps)作为物理路径的选择标准,表示为
其中E(Ps)表示为路径中节点通信能耗。当最小能量节点的剩余能量越大,路径的节点通信能耗越小,则PF(Ps)越小。将待映射的虚拟链路映射至PF值最小的物理路径上来完成感测数据传输。
3)重配置过程
考虑到频繁的重配置操作对已映射的虚拟传感网络的影响,当虚拟传感网络请求因网络资源碎片问题被拒绝时,则进行重配置操作。在虚拟传感网络重配置阶段,首先需要选择需要重配置的物理传感节点。对于当前因数据处理资源不足而无法映射的虚拟传感节点在底层传感网络中寻找可以覆盖虚拟传感节对应地理位置的物理传感节点,构建物理传感节点集合并根据上述多属性决策的目标传感节点选择方法对集合中物理传感节点依次排序,优先重配置大的物理传感节点
由于当前物理传感节点可能正在承载多个虚拟传感网络的不同虚拟传感节点,所以需要进一步选择哪些虚拟传感节点进行迁移。考虑到对于处理资源需求大的虚拟传感节点不容易找到合适的物理传感节点满足其需求,优先选择请求处理资源需求小的虚拟传感节点进行迁移。故对于上的虚拟传感节点按照资源需求小到大的顺序进行排列,若迁移前j个虚拟传感节点,物理传感节点可以满足新到来的虚拟传感节点的资源需求,那么这j个虚拟传感节点作为待迁移节点,需要为其选择合适的迁移目标物理传感节点来执行感测任务。
对于上述待迁移的虚拟传感节点根据其监测能力约束,构建候选迁移目标物理传感节点集合并基于能耗均衡的链路映射策略计算出将虚拟传感节点迁移至相应物理传感节点的路径映射开销。在选择虚拟传感节点迁移方案时,为避免因迁移而造成过多映射开销,所以本文定义了节点迁移开销,即当前在迁移目标物理传感节点的路径映射开销与在物理传感节点的路径映射开销的差值。
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)
1.一种物联网资源边缘智能调度方法,其特征在于,该方法具体包括以下步骤:
S1:构建虚拟传感网络映射模型以及能耗模型;
S2:根据无线传感网络(Wireless Sensor Network,WSN)中传感节点的能量状态因素、资源能力和拓扑属性,建立传感节点多指标评价模型进行映射目标传感节点选择;
S3:在底层传感网络中选取最佳的传感节点来承载虚拟传感节点,然后在考虑底层无线链路间干扰约束下,为虚拟链路选取最佳映射路径进行感测数据的传输,完成虚拟传感网络请求映射;
S4:当虚拟传感网络请求因网络资源碎片问题被拒绝时,根据当前网络状态对虚拟传感节点和虚拟链路动态重配置。
2.根据权利要求1所述的物联网资源边缘智能调度方法,其特征在于,步骤S1中,构建的虚拟传感网映射模型包括:WSN物理网络模型和虚拟传感网络请求模型;
所述WSN物理网络模型为:WSN的物理网络由加权无向图表示,其中,NS表示物理传感网络节点集合,LS表示物理传感网络中传感节点间的链路集合,和分别表示物理传感网络中节点和链路所具有的属性;对于每个物理传感节点ns∈NS的属性包括处理能力c(ns)、初始能量einit(ns)以及位置信息loc(ns);对于每个物理链路ls∈LS的属性由可用的链路带宽b(ls)表示;此外,物理传感网络中任意物理路径由PS表示,物理传感节点和之间的路径集合为
所述虚拟传感网络请求模型为:虚拟传感网络请求由加权有向图表示,其中,NV和LV分别表示虚拟传感网络中虚拟传感节点和虚拟链路集合,和分别表示虚拟传感网络中虚拟传感节点和虚拟链路的资源需求;对于虚拟传感节点nv∈NV,c(nv)表示其处理能力需求,loc(nv)表示业务请求感兴趣的区域位置;对每个虚拟链路lv∈LV,r(lv)表示该虚拟链路对数据传输速率的需求;
构建的能耗模型为:发送k bit数据到距离为d的接收节点的能量消耗为:
接收节点接收到k bit数据所需要的能量为:
erx(k)=keelec
其中,eelec表示无线电发送与接收元件的射频能耗系数,εfs和εmp分别表示自由空间模型和多径衰落模型下信号放大所需的功率,d为节点间的数据传输距离,d0为距离阈值;
传感节点处理k bit多媒体业务数据的能耗为:
ep=kepro
其中,epro表示处理能耗系数。
3.根据权利要求2所述的物联网资源边缘智能调度方法,其特征在于,步骤S2中,建立传感节点多指标评价模型进行映射目标传感节点选择,包括以下步骤:
S21:根据WSN中传感节点拓扑信息,计算其节点度中心性和紧密度中心性,并结合当前传感节点的能量状态因素和资源能力,建立传感节点多指标评价模型,对传感节点多属性综合分析;
S22:基于传感节点多指标评价模型引入熵权,确定不同传感节点指标对于度量结果的影响,通过多属性决策的目标传感节点选择方法选择最佳映射目标节点。
4.根据权利要求1或3所述的物联网资源边缘智能调度方法,其特征在于,步骤S2具体包括:假设物理传感网络中有m个待评估传感节点,每个传感节点评价指标分别为资源能力节点的度节点的紧密度中心性和能量因子其评价指标值矩阵X=(xij)m×4表示为:
其中,xij表示第i传感节点的第j个评价指标值;不同的评价指标维度转换为无维度指标,对评价指标值矩阵做归一化处理,得到标准化评价指标值矩阵Y=(yij)m×4,且
第j个传感节点评价指标的信息熵表示为:
传感节点的第j个评价指标的熵权wj表示为:
根据加权标准矩阵Z确定目标传感节点选择方案的正理想解和负理想解,其中正理想解为理想最佳目标传感节点,负理想解为最差目标传感节点;传感节点的正理想解和负理想方案分别用v+和v-表示,表达式如下:
v+={max vij|i=1,2,…,m}
v-={min vij|i=1,2,…,m}
计算各个目标传感节点选择方案到正理想解和负理想解的距离为:
由此,定义各传感节点与理想最佳目标传感节点的相对接近度Ci *为:
5.根据权利要求3所述的物联网资源边缘智能调度方法,其特征在于,步骤S3中,完成虚拟传感网络请求映射,具体包括以下步骤:
S31:对于随机到达的虚拟传感网络请求中的虚拟传感节点,寻找满足监测能力的物理传感节点,构建其候选物理传感节点集合Ω(nv);控制器根据收集到的WSN信息,综合传感节点的能量状态、资源能力、度中心性和紧密中心性,通过多属性决策的目标传感节点选择方法计算候选物理传感节点集合Ω(nv)中的传感节点与理想最佳目标物理传感节点的相对接近度,优先将虚拟传感节点nv映射到相对节点度值大的物理传感节点上;
S32:对于虚拟传感网络请求中待映射的虚拟链路,采用K最短路径算法选择出在物理传感网络中满足带宽资源约束的最短路径集合,根据集合中路径的当前能量状态及通信能耗,估计路径映射开销,将待映射的虚拟链路映射至路径映射开销值最小的物理路径上来完成感测数据传输。
6.根据权利要求5所述的物联网资源边缘智能调度方法,其特征在于,步骤S31中,对于随机到达的虚拟传感网络请求,控制器根据资源需求及约束条件为其在物理传感网络中找到合适的传感节点执行请求任务以及相应的路径保证感测的数据传输;对于节点与链路约束包括:节点监测能力约束,以及路由与带宽约束;
所述节点监测能力约束:
其中,为物理传感节点ns地理位置与虚拟传感节点请求感测区域位置之间的欧式距离,δ(ns)为节点ns的有效感知半径;为虚拟传感节点所请求的资源,为所有映射在ns上的虚拟传感节点所占用的处理资源,nv→ns为虚拟传感节点nv映射在节点ns上;
所述带宽资源约束:对于任意时刻需要保证传输到传感节点的数据流与自身生成的数据必须等于其输出的数据流以及确保Sink节点能收到运行监测任务的传感节点所产生的所有数据;对于物理传感网络中的路径需要满足路由约束:
7.根据权利要求6所述的物联网资源边缘智能调度方法,其特征在于,步骤S31中,构建的候选物理传感节点集合Ω(nv)为:
Ω(nv)={ns|dis(loc(ns),loc(nv)≤δ(ns)&c(nv)≤re(ns),ns∈NS}。
9.根据权利要求5所述的物联网资源边缘智能调度方法,其特征在于,步骤S4中,根据当前网络状态对虚拟传感节点和虚拟链路动态重配置,具体包括步骤:
S41:对于当前因数据处理资源不足而无法映射的虚拟传感节点在底层传感网络中寻找能覆盖虚拟传感节对应地理位置的物理传感节点,构建物理传感节点集合根据多属性决策的目标传感节点选择方法对集合中的传感节点依次排序,优先选择相对接近度大的物理传感节点来承载虚拟传感节点
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011467952.6A CN112601240A (zh) | 2020-12-11 | 2020-12-11 | 物联网资源边缘智能调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011467952.6A CN112601240A (zh) | 2020-12-11 | 2020-12-11 | 物联网资源边缘智能调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112601240A true CN112601240A (zh) | 2021-04-02 |
Family
ID=75195097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011467952.6A Withdrawn CN112601240A (zh) | 2020-12-11 | 2020-12-11 | 物联网资源边缘智能调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112601240A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114363851A (zh) * | 2022-01-17 | 2022-04-15 | 北京工商大学 | 一种无线传感器网络抗毁性度量方法 |
CN114546603A (zh) * | 2022-04-24 | 2022-05-27 | 睿至科技集团有限公司 | 一种应用于物联网的数据处理方法及系统 |
WO2023066034A1 (zh) * | 2021-10-22 | 2023-04-27 | 大唐移动通信设备有限公司 | 路径回退方法、装置及存储介质 |
CN116827807A (zh) * | 2023-05-30 | 2023-09-29 | 国网吉林省电力有限公司 | 基于多因素评价指标的电力通信网节点重要性评估方法 |
-
2020
- 2020-12-11 CN CN202011467952.6A patent/CN112601240A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023066034A1 (zh) * | 2021-10-22 | 2023-04-27 | 大唐移动通信设备有限公司 | 路径回退方法、装置及存储介质 |
CN114363851A (zh) * | 2022-01-17 | 2022-04-15 | 北京工商大学 | 一种无线传感器网络抗毁性度量方法 |
CN114363851B (zh) * | 2022-01-17 | 2024-04-09 | 北京工商大学 | 一种无线传感器网络抗毁性度量方法 |
CN114546603A (zh) * | 2022-04-24 | 2022-05-27 | 睿至科技集团有限公司 | 一种应用于物联网的数据处理方法及系统 |
CN114546603B (zh) * | 2022-04-24 | 2022-07-29 | 睿至科技集团有限公司 | 一种应用于物联网的数据处理方法及系统 |
CN116827807A (zh) * | 2023-05-30 | 2023-09-29 | 国网吉林省电力有限公司 | 基于多因素评价指标的电力通信网节点重要性评估方法 |
CN116827807B (zh) * | 2023-05-30 | 2024-05-10 | 国网吉林省电力有限公司 | 基于多因素评价指标的电力通信网节点重要性评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112601240A (zh) | 物联网资源边缘智能调度方法 | |
Natarajan et al. | An IoT and machine learning‐based routing protocol for reconfigurable engineering application | |
CN107566194B (zh) | 一种实现跨域虚拟网络映射的方法 | |
Tran et al. | COSTA: Cost-aware service caching and task offloading assignment in mobile-edge computing | |
CN109151864B (zh) | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 | |
CN109947545A (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
Guo et al. | Federated reinforcement learning-based resource allocation for D2D-aided digital twin edge networks in 6G industrial IoT | |
CN107911242A (zh) | 一种基于工业无线网络的认知无线电与边缘计算方法 | |
CN111641973A (zh) | 一种雾计算网络中基于雾节点协作的负载均衡方法 | |
CN114126066B (zh) | 面向mec的服务器资源配置与选址联合优化决策方法 | |
CN109699033B (zh) | 面向成本和负载均衡的LoRa电力物联网基站部署方法及装置 | |
Dhiman et al. | SHANN: an IoT and machine-learning-assisted edge cross-layered routing protocol using spotted hyena optimizer | |
Mirzaei et al. | Towards optimal configuration in MEC Neural networks: deep learning-based optimal resource allocation | |
Kumar et al. | Using clustering approaches for response time aware job scheduling model for internet of things (IoT) | |
CN114374605A (zh) | 一种网络切片场景下服务功能链动态调整和迁移方法 | |
CN109788540A (zh) | D2d系统中基于能量采集的功率控制和信道分配方法 | |
CN113891477A (zh) | 一种车联网中基于mec计算任务卸载的资源分配方法 | |
CN101478352A (zh) | 一种认知无线网络系统和认知网元设备 | |
CN113365323A (zh) | 一种用于无线传感网络中的低能耗多径传输方法 | |
CN103618674B (zh) | 基于自适应服务模型的联合分组调度和信道分配路由方法 | |
Sreethar et al. | A group teaching optimization algorithm for priority-based resource allocation in wireless networks | |
CN109327340B (zh) | 一种基于动态迁移的移动无线网络虚拟网映射方法 | |
CN114222371A (zh) | 一种eMBB和uRLLC设备共存的流量调度方法 | |
Jalilvand Aghdam Bonab et al. | QoS-aware resource allocation in mobile edge computing networks: Using intelligent offloading and caching strategy | |
Li et al. | Energy-aware routing algorithm for wireless sensor networks with optimal relay detecting |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210402 |