CN114666839A - 一种多目标优化的海上边缘计算卸载方法 - Google Patents
一种多目标优化的海上边缘计算卸载方法 Download PDFInfo
- Publication number
- CN114666839A CN114666839A CN202210305515.7A CN202210305515A CN114666839A CN 114666839 A CN114666839 A CN 114666839A CN 202210305515 A CN202210305515 A CN 202210305515A CN 114666839 A CN114666839 A CN 114666839A
- Authority
- CN
- China
- Prior art keywords
- node
- task
- unloading
- representing
- path
- 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
Images
Classifications
-
- 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
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
- H04W28/0975—Quality of Service [QoS] parameters for reducing delays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0917—Management thereof based on the energy state of entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种多目标优化的海上边缘计算卸载方法,该方法基于海上无线Mesh网络和船舶的移动性,分析船舶位置变化和运动轨迹,联合合作性和节点连通概率,构建节点间通信质量评价模型,尽可能避免通信中断引起的网络抖动;为提高网络卸载服务质量,以延迟和能耗为约束,综合考虑资源负载、信道传输和节点执行能力,设计卸载路径寻优方法,将卸载路径寻优问题转化为卸载收益最大化,应用改进的混沌蚁群优化算法寻找最佳卸载路径;仿真结果证明,该方案能有效提高任务执行成功率,降低网络丢包率,保证网络资源负载均衡。
Description
技术领域
本发明涉及海上边缘计算技术领域,具体是一种多目标优化的海上边缘计算 卸载方法。
背景技术
近年来,随着移动互联网的爆炸式增长,越来越多的智能设备与应用涉及到 各个领域,但海洋环境复杂和网络部署困难,海上通信网络的发展明显滞后于陆 地通信网络。随着海事网络的日益频繁和海洋经济的快速发展,海上通信网络系 统的研究受到了广泛关注。基于边缘计算深入研究以船舶为中继节点的海上无线 网状网络,是提高海上船舶通信的效率和经济性的一大重要手段。边缘计算技术 将计算、存储等资源下沉至网络的边缘侧,以分布式和集中式相结合的数据处理 模式,有效降低了数据中心的计算负荷,缓解远程传输带来的网络带宽压力,提 高任务处理效率。
计算卸载是边缘计算的关键技术之一,通过该技术,海上移动终端设备将计 算任务卸载到网络中其他设备,以减少计算、内存、能源等资源约束对边缘计算 性能的不利影响,提高海事网络服务质量。卸载方案是任务卸载的重要组成部分, 受用户偏好、网络连接质量和移动设备性能的影响,任务的卸载过程主要存在两 个问题:是否卸载任务和如何卸载任务。由于海洋地理和气象环境的复杂性,海 上无线通信信道具有不同于陆地的独特传播特性,如稀疏、不稳定等,使得任务 卸载复杂化。在海事网络中,海上移动终端设备通信覆盖范围有限,海上通信服 务的连续性难以保证,当网络边缘面临大量计算任务时,由于设备硬件受限,无 法承载大量数据的计算和传输,任务卸载的趋优特性容易使终端资源过载增加额 外开销。
目前,大量研究工作集中在网络通信链路更加稳定的陆地网络中,对于海上 通信网场景下的任务卸载优化研究较少。因此,实现大量任务在海上通信网络中 的高效可靠卸载方法是海上边缘计算领域亟待解决的问题。
发明内容
本发明的目的在于针对现有海上通信网络受海洋环境、资源约束、通信距离 等诸多因素影响,导致的任务在卸载和执行时出现丢包、失效和节点过载等问题, 而提供一种多目标优化的海上边缘计算卸载方法(task offloading scheme with multi-objectivejoint optimization,MOTO),该方法考虑到船舶的移动性,基于船 舶运动,构建海上无线Mesh网络;分析船舶在网络中的位置变化和运动轨迹, 结合节点合作性,以计算节点间的连通概率衡量其通信情况;为提高网络卸载服 务质量,以延迟和能耗为约束,综合考虑资源负载、信道传输和节点执行能力, 设计一种卸载路径寻优方法,将卸载路径寻优问题转化为卸载收益最大化,应用 改进的混沌蚁群优化算法寻找最佳卸载路径。仿真结果表明,该方案在保证网络 资源负载均衡和稳定的同时,可以提高任务执行成功率。
实现本发明目的的技术方案是:
一种多目标优化的海上边缘计算卸载方法,考虑船舶移动性对海上通信网络 的影响,构建基于多目标优化的任务卸载协同服务系统,实现海上边缘计算环境 下任务可靠、高效卸载服务;
所述的任务卸载协同服务系统,网络结构分为终端、边缘和云三层,以陆地 数据中心为云服务器,边缘层以基站和浮台为边缘服务器(Edge Server,ES), 终端层以船舶、海军舰艇等为海上移动终端(Maritime Mobile Terminal,MMT); 边缘层和终端层通过无线链路组成海上无线Mesh网络,其中ES节点互连构成 无线Mesh骨干网络,以ES为中心,通过无线链路聚合MMT节点构建边缘计 算簇,连入骨干网,实现任务卸载协同;
在任务卸载协同服务系统中,ES节点根据船舶运动情况,获得边缘计算簇 内的节点通信情况,基于节点通信状态,应用改进的混沌蚁群优化(The Improved Chaotic AntColony Optimization,ICACO)算法寻找最佳卸载路径,实现任务的 可靠、高效卸载服务;
所述的海上边缘计算卸载方法,包括如下步骤:
1)任务卸载协同服务系统中,ES节点根据船舶运动特性,构建船舶运动模 型,获得边缘计算簇内MMT节点通信情况,具体包括如下步骤:
1-1)以ES节点为原点,建立极坐标系,船舶在极坐标系中的位置和运动情 况如图1所示,节点ui在极坐标系中的极径和极角分别为ρi和ai,节点ui的位 置表示为Pi(ρi,ai),当ρi<l0时,节点ui(i≥1)可与ES节点直接通信;
1-2)设边缘计算簇网络通信半径为lnet,船舶单位面积到达率服从密度为h的 泊松点分布,n艘船舶在网络通信范围内的概率分布函数如下:
1-3)船舶运动情况下,计算船舶在极坐标中的位置和节点间距离:
设MMT节点单位时隙内的运动距离为边缘计算簇核心区域边 界处存在一组静态的中继节点ES节点通 过这些节点将任务多跳卸载至外围区域的MMT节点执行;假设船舶在边缘计算 簇内作匀速直线运动,将系统时长分为若干个等长且较短的时隙,时隙时长为 τslot,使船舶在单位时隙内的运动轨迹看作一条直线,,如图2所示,设为 船舶运动速度,船舶单位时隙内的运动距离为:
已知节点ui(i≥1)τ时刻的位置为Pi(τ)=(ρi(τ),ai(τ)),并以的q概率性选 择改变运动速度方向,速度极角变化值为Δβi,则节点的速度极角值βi(τ)为:
根据余弦定理和平面向量的坐标运算,节点ui在τ+1时刻的位置计算如下:
其中,节点运动距离|Pi(τ)Pi(τ+1)|为:
边缘计算簇中,各节点间的距离公式如下:
1-4)根据船舶在极坐标系中的位置及运动情况,计算边缘计算组通信矩阵:
以χi表示节点合作性,若χi=1,则节点为合作节点,若χi=0,则节点为 非合作节点,其表达式如下:
以任务卸载源节点ui为参照物,确定该节点与簇中其它节点的通信情况,当 uj(j≥1)节点驶离节点ui的通信范围,两点间的通信被中断,如图3所示;若i=0, 则否则结合MMT节点合作性,节点间的连通概率gi,j(τ) 计算如下:
因此,边缘计算簇的通信矩阵可表示为G(τ)=(gi,j(τ))(n+1)×n;
2)根据任务需求和网络环境,构建卸载开销模型和卸载路径信任模型,具 体如下:
2-1)根据任务需求特征和海上通信信道特性,构建卸载开销模型:
多径衰落是任务传输过程中通信中断的主要原因,其三射线模型主要包括视 线传播、镜面反射和漫反射,如图4所示;漫反射路径和镜面反射路径的功率比 服从高斯分布,海浪表面越“粗糙”,则漫反射强度越大;
将漫反射划分为若干个以海浪浪波为单位计算得到的漫反射,由此,三线模 型路径损耗计算如下:
根据香农定理,节点ui卸载任务至节点uj的传输速率计算如下:
其中fi表示节点计算能力,k表示执行能耗系数;
利用边缘计算簇中,MMT节点资源负载率的均方误差(Mean Square Error, MSE)来衡量网络资源负载均衡性,均方误差越小,说明资源负载均衡性越好; 设任务执行后的资源负载率为得到任务执行后的均方误差
2-2)根据MMT节点任务执行情况和节点间任务传输情况,构建卸载路径 信任模型;具体建模过程如下:
2-2-1)基于MMT节点任务执行情况,利用节点执行成功率,计算节点信任 如下:
2-2-2)基于MMT节点间任务传输情况,计算节点间信道传输信任如下:
3)将卸载路径寻优问题转化为卸载收益最大化问题,应用ICACO算法搜 寻最佳卸载路径,具体包括如下步骤:
其中σ3表示资源均衡性调整系数;
结合式(16)、(21)和(24),计算任务rk在节点ui上的执行收益:
3-2)应用ICACO算法求解卸载收益最大化问题:
ICACO算法中,混沌扰动模型采用logistic混沌映射方式,产生一组由一个 或几个确定性方程诱导的伪随机扰动;蚂蚁m的混沌扰动因子计算如下:
其中v表示信息素挥发系数;
在寻找卸载路径以最大化卸载收益的情况下,节点ui选择ui→uj的路径转 移概率公式如下:
其中θ1>0和θ2>1为启发式常数,控制信息素浓度和卸载收益对路径选择的 影响程度;
4)ES节点根据卸载路径向目标节点卸载任务;
5)将任务执行结果回传,更新网络节点特征信息;根据任务执行情况,更 新节点信任值;根据卸载路径各支路的信道传输情况,更新其传输信任值。
本发明提供的一种多目标优化的海上边缘计算卸载方法,该方法为一种带有 船舶运动轨迹估计功能的任务卸载寻优模型,旨在解决任务卸载执行时出现的丢 包、失效和节点过载等问题,基于船舶移动性和合作性,分析海上网络中船舶位 置变化和MMT节点连通性,构建海上无线Mesh网络,在时延和能量约束下, 综合考虑网络资源、信道传输和节点执行能力,建立任务卸载模型,进行任务卸 载路径寻优;仿真实验表明,本方法在有效提高任务执行成功率、降低网络丢包 率的同时,尽可能地保证了网络资源的负载均衡。
附图说明
图1为船舶位置和运动情况示意图;
图2为单位时隙内船舶运动示意图;
图3为节点连通概率分布;
图4为多径衰落模型;
图5为基于边缘计算的MWMN通信模型;
图6为节点初始分布及其通信情况;
图7为不同速度极角变化值下船舶运动轨迹对比;
图8为边缘计算簇内所有船舶运动轨迹变化图;
图9为节点覆盖率变化图;
图10为海上通信模型对丢包率的影响变化图;
图11为海上通信模型对任务执行成功率的影响变化图;
图12为不同路径寻优方法下丢包率变化图;
图13为不同路径寻优方法下任务执行成功率变化图;
图14为不同路径寻优方法下任务命中率变化图;
图15为不同路径寻优方法下资源负载率均方误差变化图;
图16为不同路径寻优方法下任务决策时长变化图;
图17为不同卸载方案下网络丢包率变化图;
图18为不同卸载方案下任务执行成功率变化图;
图19为不同卸载方案下资源负载率均方误差变化图;
图20为不同卸载方案下任务时间效率变化图;
图21为不同卸载方案下能源利用率均方误差变化图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述,但不是对本发明的限定。
实施例:
在海上无线Mesh网络中,以陆地数据中心为云服务器,基站和浮台为边缘 服务器(Edge Server,ES),海上舰艇、船舶为海上移动终端设备(Maritime Mobile Terminal,MMT),边缘层和终端层通过无线链路组成海上无线Mesh网络,其 中,ES节点互连构成无线Mesh骨干网络,如图5所示,以ES为中心,通过无 线链路聚合MMT构建边缘计算簇,实现任务卸载协同;
假设簇内节点的初始分布服从密度为0.05的泊松点分布,若节点在极坐标 系中的极径,则将该节点设置为中继节点,并划入固定的中继节点集,边缘计 算簇中节点初始分布和通信情况如图6所示,在不考虑非合作节点的前提下, ES可直接与簇内核心区域的MMT节点通信,也可通过边界的中继节点与外围 区域的MMT节点通信;
本实施例将系统时间分为若干个时隙,海上边缘计算中,每个ES节点聚合 MMT节点构建边缘计算簇,每时隙更新一次船舶运动位置状态;实例中分为7 组对照:
·随机卸载方案(Random Offloading Scheme,RO):当节点接收到任务时, 随机选择路径卸载任务;
·改进的随机卸载方案(Improved Random Offloading Scheme,IRO):由海 上通信模型估计船舶运动轨迹和通信状态,当节点接收任务时,随机选择路径卸 载任务;
·丢包率优化任务卸载方案(Packet Loss Rate Optimization TaskOffloading Scheme,POTO):由海上通信模型估计船舶运动轨迹和通信状态,以最小化丢包率为目标,采用ICACO算法寻找最佳路径卸载任务;
·可信节点服务优化任务卸载方案(Trusted Node Service Optimization TaskOffloading Scheme,TNSTO):由海上通信模型估计船舶运动轨迹和通信状态,以 提高任务执行的成功率,采用ICACO算法寻找最佳路径卸载任务;
·负载均衡优化任务卸载方案(Load Balancing Optimization TaskOffloading Scheme,LBTO):由海上通信模型估计船舶运动轨迹和通信状态。以 负载均衡为目标,采用ICACO算法寻找最佳路径卸载任务;
·基于延迟和能量约束的任务卸载方案(Delay And Energy Constraints TaskOffloading Scheme,DETO):由海上通信模型估计船舶运动轨迹和通信状态,在 延迟和能耗约束下,采用ICACO算法寻找最佳路径卸载任务;
·多参数优化任务卸载方案(Multi-Parameter Optimization Task OffloadingScheme,MOTO):由海上通信模型估计船舶运动轨迹和通信状态,在延迟和能 耗约束下,采用ICACO算法寻找最优的卸载路径,在保证网络负载均衡的同时, 降低网络丢包率,提高任务执行成功率;
其中卸载服务系统配置参数和评价指标如表1和表2所示;
1.本实施例提供的一种多目标优化的海上边缘计算卸载方法,面向海上无 线Mesh网络,提出了一种基于多参数优化的任务卸载方案;建立船舶运动模型, 分析其运动轨迹和节点连通性;以时延和能耗为约束,综合考虑网络资源、信道 传输和节点执行能力,设计一种卸载路径寻优方法,将卸载路径寻优问题转化为 卸载收益问题,并应用改进的混沌蚁群优化算法寻找最佳卸载路径;具体包括如 下步骤:
1)任务卸载服务系统中,ES节点根据船舶运动特性,构建船舶运动模型, 获得边缘计算簇内MMT节点通信情况;
1-1)以ES节点为原点,建立极坐标系,船舶在极坐标系中的位置和运动情 况如图1所示,节点ui在极坐标系中的极径和极角分别为ρi和αi,其位置表 示为Pi(ρi,αi),当ρi<l0时,节点ui(i≥1)可与ES节点直接通信;
1-2)设边缘计算簇网络通信半径为lnet,船舶单位面积到达率服从密度为η的 泊松点分布,船舶的概率分布函数如下:
1-3)船舶运动情况下,计算船舶在极坐标中的位置和节点间距离:
设MMT节点单位时隙内的运动距离为边缘计算簇核心区域边 界处存在一组静态的中继节点ES节点通 过这些节点将任务多跳卸载至外围区域的MMT节点执行;假设船舶在边缘计算 簇内作匀速直线运动,将系统时长分为若干个等长且较短的时隙,时隙时长为 τslot,使船舶在单位时隙内的运动轨迹看作一条直线,如图2所示,设为船 舶运动速度,船舶单位时隙内的运动距离为:
已知节点ui(i≥1)τ时刻的位置为Pi(τ)=(ρi(τ),αi(τ)),并以的q概率性选 择改变运动速度方向,速度极角变化值为Δβi,则节点的速度极角值βi(τ)为:
根据余弦定理和平面向量的坐标运算,节点ui在τ+1时刻的位置计算如下:
其中,节点运动距离|Pi(τ)Pi(τ+1)|为:
边缘计算簇中,各节点间的距离公式如下:
1-4)根据船舶在极坐标系中的位置及运动情况,计算边缘计算组通信矩阵:
以χi表示节点合作性,若χi=1,则节点为合作节点,若χi=0,则节点为 非合作节点,其表达式如下:
以任务卸载源节点ui为参照物,确定该节点与簇中其它节点的通信情况,当 uj(j≥1)节点驶离节点ui的通信范围,两点间的通信被中断,如图3所示;若i=0, 则否则结合MMT节点合作性,节点间的连通概率gi,j(τ) 计算如下:
因此,边缘计算簇的通信矩阵可表示为G(τ)=(gi,j(τ))(n+1)×n;
2)根据任务需求和网络环境,构建卸载开销模型和卸载路径信任模型;
2-1)根据任务需求特征和海上通信信道特性,构建卸载开销模型:
多径衰落是任务传输过程中通信中断的主要原因,其三射线模型主要包括视 线传播、镜面反射和漫反射,如图4所示;漫反射路径和镜面反射路径的功率比 服从高斯分布,海浪表面越“粗糙”,则漫反射强度越大;
将漫反射划分为若干个以海浪浪波为单位计算得到的漫反射,由此,三线模 型路径损耗计算如下:
根据香农定理,节点ui卸载任务至节点uj的传输速率计算如下:
其中,fi表示节点计算能力,k表示执行能耗系数;
利用边缘计算簇中,MMT节点资源负载率的均方误差(Mean Square Error, MSE)来衡量网络资源负载均衡性,均方误差越小,说明资源负载均衡性越好; 设任务执行后的资源负载率为得到任务执行后的均方误差
2-2)根据MMT节点任务执行情况和节点间任务传输情况,构建卸载路径 信任模型;具体建模过程如下:
2-2-1)基于MMT节点任务执行情况,利用节点执行成功率,计算节点信任 如下:
2-2-2)基于MMT节点间任务传输情况,计算节点间信道传输信任如下:
3)将卸载路径寻优问题转化为卸载收益最大化问题,应用ICACO算法搜 寻最佳卸载路径;
3-1)将卸载路径寻优问题转化为卸载收益最大化问题:
其中,σ3表示资源均衡性调整系数;
结合式(16)、(21)和(24),计算任务rk在节点ui上的执行收益:
3-2)应用ICACO算法求解卸载收益最大化问题:
ICACO算法中,混沌扰动模型采用logistic混沌映射方式,产生一组由一个 或几个确定性方程诱导的伪随机扰动;蚂蚁m的混沌扰动因子计算如下::
其中,v表示信息素挥发系数;
在寻找卸载路径以最大化卸载收益的情况下,节点ui选择ui→uj的路径转 移概率公式如下:
其中,θ1(θ1>0)和θ2(θ2>1)为启发式常数,控制信息素浓度和卸载收益对路径 选择的影响程度;
4)ES节点根据卸载路径向目标节点卸载任务;
5)将任务执行结果回传,更新网络节点特征信息;根据任务执行情况,更 新节点信任值;根据卸载路径各支路的信道传输情况,更新其传输信任值;
2.实验效果分析
1)海上通信模型性能分析
为分析不同速度极角变化值对船舶运动轨迹的影响,分别将速度极角变化值 设置为2°、5°、10°和15°,对比50艘船舶的运动轨迹,如图7所示;从图中可 以看出,船速极角变化值越小,轨迹越平滑;当速度极角变化值为5°时,轨迹 更接近实际,因此,将角度变化值设为5°;边缘计算簇内所有船舶在海上的运 动轨迹如图8所示;
图9中的3条曲线分别展示了船舶运动过程中边缘计算簇中核心区域、外围 区域和整个区域节点覆盖率的变化情况,从图中可以看出,核心区节点覆盖率变 化相对稳定,平均覆盖率为37%,而外围区域的节点覆盖率波动较大,导致整个 区域节点覆盖率波动随之变大,平均覆盖率分别为28.65%和65.65%;
根据丢包率和任务执行成功率,将IRO方案与RO方案进行对比分析,如 图10、图11所示;从图表中可以看出,提前估计节点连通性可以有效降低网络 丢包率;与RO方案不同,IRO方案增加了海上通信模型,通过分析船舶在海上 的运动轨迹来估计船舶位置,确定节点间的连通性;此外,通过估计船舶运动轨 迹可以及时了解船舶的通信状态,IRO方案在选择卸载路径时排除了断开的节点, 避免了任务卸载过程中通信中断造成的丢包和任务失败,具有更高的任务执行成 功率,同时减少了任务重复卸载决策的次数,增加了一个簇内任务执行的可能性, 与比RO方案相比,降低了1.11%的丢包率,提高了12.48%的任务执行成功率;
2)路径优化方法性能分析
根据丢包率、执行成功率、任务命中率、资源负载率MSE和任务决策时长, 将RO方案、IRO方案和MOTO方案进行对比分析,如图12、图13、图14、图 15和16所示。从图中可以看出,所提卸载路径寻优方法以时间复杂度为代价, 提高了网络的卸载性能;与RO方案和IRO方案相比,MOTO方案的卸载决策 时间增加了一倍,但网络丢包率和任务执行成功率有所提高;由于MOTO方案 的优化目标不仅仅是考虑资源的负载均衡,任务卸载仍有趋于最优的趋势,MSE 更高;此外,卸载路径寻优方法能够有效提高边缘计算簇的任务命中率;MOTO 方案的任务命中率达到99.73%,分别比RO方案和IRO方案高8.44%和7.09%;
3)卸载方案性能分析
将多目标优化的MOTO方案与RO方案、单目标优化方案(包括POTO、 TNSTO、LBTO和DETO方案)进行对比分析;
图17展示了RO、POTO和MOTO方案对网络丢包率的优化效果,可以看 出,POTO方案比其他两种方案表现出更低的网络丢包率,与RO方案相比, MOTO方案降低了2.19%的网络丢包率;POTO方案以最小化丢包率为目标,在 优化丢包率方面更有针对性,最低为2.42%,与RO方案和MOTO方案相比, 分别降低了3.9%和1.71%的丢包率;
图18展示了RO、TNSTO和MOTO方案对任务执行成功率的优化效果,可 以看出,TNSTO方案比其他两种方案表现出更高的任务执行成功率,与RO方 案相比,MOTO方案提高了21.66%的任务执行成功率;TNSTO方案在卸载决策 中仅考虑了MMT的执行信任,任务执行成功率达到96.5%,分别比RO方案和 MOTO方案高30.78%和9.12%;
以资源负载率MSE为评价指标,对RO、POTO、TNSTO、LBTO、DETO 和MOTO方案进行比较分析,资源负载率MSE值越低,负载均衡性越高;由图 19可以看出,LBTO方案侧重于资源负载均衡,且资源负载率MSE较低;POTO 方案和TNSTO方案以丢包率和任务执行成功率为优化目标卸载任务,使卸载效 果趋于最优,MSE较高;MOTO方案在优化其他指标的同时,考虑了节点资源 负载情况,使其尽可能地保证网络资源的负载均衡,其资源负载率MSE仅次于LBTO方案和RO方案;
以任务时间效率和能源利用率MSE分别衡量延迟和能源均衡性的优化效果, 对RO、POTO、TNSTO、LBTO和MOTO方案进行对比分析;由图20、图21 可知,DETO方案侧重于延迟和能耗的联合优化,任务时间效率更高,能源利用 率MSE更低;
图20中,与RO方案、POTO方案、TNSTO和LBTO方案相比,DETO方 案使任务时间效率分别提高3.63%、4.22%、6.9%和3.98%,MOTO方案分别 提高1.21%、1.81%、4.48%和1.56%;
图21中,与RO方案、POTO方案、TNSTO和LBTO方案相比,DETO方 案降低了能源利用率MSE 0.87%、9.35%、9.56%和0.25%;RO方案随机搜索 卸载路径,不具有趋优性的特点,能源利用率MSE较低;LBTO方案以网络资 源的负载均衡为目标卸载任务,对能源均衡性有一定的优化效果,能源利用率 MSE分别比RO方案、POTO方案和TNSTO方案高0.62%、9.1%和9.31%; MOTO方案在优化多个参数的同时,考虑了延迟和能耗约束;与POTO方案和方案相比,MOTO方案提高了7.4%和7.61%的能量利用率MSE;
总结:
MOTO方案构建海上通信模型,通过估计船舶运动轨迹和通信状态提高了一 定的任务执行成功率和任务命中率,降低了一定的丢包率;设计卸载路径寻优方 法,以任务决策时长为代价,提高了任务命中率和资源负载均衡性。
表1参数设置
表2评价指标分析
表3性能对比
Claims (1)
1.一种多目标优化的海上边缘计算卸载方法,其特征在于,考虑船舶移动性对海上通信网络的影响,构建基于多目标优化的任务卸载协同服务系统;
所述的任务卸载协同服务系统,网络结构分为终端、边缘和云三层,以陆地数据中心为云服务器,边缘层以基站和浮台为边缘服务器ES,终端层以船舶、海军舰艇为海上移动终端MMT;边缘层和终端层通过无线链路组成海上无线Mesh网络,其中ES节点互连构成无线Mesh骨干网络,以ES为中心,通过无线链路聚合MMT节点构建边缘计算簇,连入骨干网,实现任务卸载协同;
在任务卸载协同服务系统中,ES节点根据船舶运动情况,获得边缘计算簇内的节点通信情况,基于节点通信状态,应用改进的混沌蚁群优化ICACO算法寻找最佳卸载路径,实现任务的可靠、高效卸载服务;
所述的海上边缘计算卸载方法,包括如下步骤:
1)任务卸载协同服务系统中,ES节点根据船舶运动特性,构建船舶运动模型,获得边缘计算簇内MMT节点通信情况,具体包括如下步骤:
1-1)以ES节点为原点,建立极坐标系,节点ui在极坐标系中的极径和极角分别为ρi和αi,节点ui的位置表示为Pi(ρi,αi),当ρi<l0时,节点ui(i≥1)可与ES节点直接通信;
1-2)设边缘计算簇网络通信半径为lnet,船舶单位面积到达率服从密度为η的泊松点分布,n艘船舶在网络通信范围内的概率分布函数如下:
1-3)船舶运动情况下,计算船舶在极坐标中的位置和节点间距离:
设MMT节点单位时隙内的运动距离为边缘计算簇核心区域边界处存在一组静态的中继节点ES节点通过这些节点将任务多跳卸载至外围区域的MMT节点执行;假设船舶在边缘计算簇内作匀速直线运动,将系统时长分为若干个等长且较短的时隙,时隙时长为τslot,使船舶在单位时隙内的运动轨迹看作一条直线,设为船舶运动速度,船舶单位时隙内的运动距离为:
已知节点ui(i≥1)τ时刻的位置为Pi(τ)=(ρi(τ),αi(τ)),并以的q概率性选择改变运动速度方向,速度极角变化值为Δβi,则节点的速度极角值βi(τ)为:
根据余弦定理和平面向量的坐标运算,节点ui在τ+1时刻的位置计算如下:
其中,节点运动距离|Pi(τ)Pi(τ+1)|为:
边缘计算簇中,各节点间的距离公式如下:
1-4)根据船舶在极坐标系中的位置及运动情况,计算边缘计算组通信矩阵:
以χi表示节点合作性,若χi=1,则节点为合作节点,若χi=0,则节点为非合作节点,其表达式如下:
以任务卸载源节点ui为参照物,确定该节点与簇中其它节点的通信情况,当uj(j≥1)节点驶离节点ui的通信范围,两点间的通信被中断;若i=0,则否则结合MMT节点合作性,节点间的连通概率gi,j(τ)计算如下:
因此,边缘计算簇的通信矩阵可表示为G(τ)=(gi,j(τ))(n+1)×n;
2)根据任务需求和网络环境,构建卸载开销模型和卸载路径信任模型,具体如下:
2-1)根据任务需求特征和海上通信信道特性,构建卸载开销模型:
多径衰落是任务传输过程中通信中断的主要原因,其三射线模型主要包括视线传播、镜面反射和漫反射;漫反射路径和镜面反射路径的功率比服从高斯分布,海浪表面越“粗糙”,则漫反射强度越大;
将漫反射划分为若干个以海浪浪波为单位计算得到的漫反射,由此,三线模型路径损耗计算如下:
根据香农定理,节点ui卸载任务至节点uj的传输速率计算如下:
其中fi表示节点计算能力,k表示执行能耗系数;
利用边缘计算簇中,MMT节点资源负载率的均方误差(Mean Square Error,MSE)来衡量网络资源负载均衡性,均方误差越小,说明资源负载均衡性越好;设任务执行后的资源负载率为得到任务执行后的均方误差
2-2)根据MMT节点任务执行情况和节点间任务传输情况,构建卸载路径信任模型;具体建模过程如下:
2-2-1)基于MMT节点任务执行情况,利用节点执行成功率,计算节点信任如下:
2-2-2)基于MMT节点间任务传输情况,计算节点间信道传输信任如下:
3)将卸载路径寻优问题转化为卸载收益最大化问题,应用ICACO算法搜寻最佳卸载路径,具体包括如下步骤:
其中σ3表示资源均衡性调整系数;
结合式(16)、(21)和(24),计算任务rk在节点ui上的执行收益:
3-2)应用ICACO算法求解卸载收益最大化问题:
在寻找卸载路径以最大化卸载收益的情况下,节点ui选择ui→uj的路径转移概率公式如下:
其中θ1>0和θ2>1为启发式常数,控制信息素浓度和卸载收益对路径选择的影响程度;
4)ES节点根据卸载路径向目标节点卸载任务;
5)将任务执行结果回传,更新网络节点特征信息;根据任务执行情况,更新节点信任值;根据卸载路径各支路的信道传输情况,更新其传输信任值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305515.7A CN114666839A (zh) | 2022-04-15 | 2022-04-15 | 一种多目标优化的海上边缘计算卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305515.7A CN114666839A (zh) | 2022-04-15 | 2022-04-15 | 一种多目标优化的海上边缘计算卸载方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114666839A true CN114666839A (zh) | 2022-06-24 |
Family
ID=82031445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210305515.7A Pending CN114666839A (zh) | 2022-04-15 | 2022-04-15 | 一种多目标优化的海上边缘计算卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114666839A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115915275A (zh) * | 2022-10-25 | 2023-04-04 | 大连海事大学 | 一种面向近海的无人机辅助中继数据卸载方法 |
-
2022
- 2022-04-15 CN CN202210305515.7A patent/CN114666839A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115915275A (zh) * | 2022-10-25 | 2023-04-04 | 大连海事大学 | 一种面向近海的无人机辅助中继数据卸载方法 |
CN115915275B (zh) * | 2022-10-25 | 2023-08-08 | 大连海事大学 | 一种面向近海的无人机辅助中继数据卸载方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070240B (zh) | 一种高效通信的分层联邦学习框架及其优化方法和系统 | |
Coutinho et al. | OMUS: Efficient opportunistic routing in multi-modal underwater sensor networks | |
CN112787920B (zh) | 面向海洋物联网的水声通信边缘计算时延和能耗优化方法 | |
CN110083175B (zh) | 无人机编队网络协同调度方法及装置 | |
CN113613301B (zh) | 一种基于dqn的空天地一体化网络智能切换方法 | |
Zheng et al. | DRL-based offloading for computation delay minimization in wireless-powered multi-access edge computing | |
CN114666839A (zh) | 一种多目标优化的海上边缘计算卸载方法 | |
CN114900225A (zh) | 一种基于低轨巨星座的民航互联网业务管理与接入资源分配方法 | |
Jing et al. | Resource optimization for signal recognition in satellite MEC with federated learning | |
CN109873677B (zh) | 一种水声传感器网络机会路由候选集生成方法 | |
Lu et al. | Routing protocols for underwater acoustic sensor networks: A survey from an application perspective | |
Lan et al. | Blockchain-secured data collection for uav-assisted iot: A ddpg approach | |
Luo et al. | Joint game theory and greedy optimization scheme of computation offloading for UAV-aided network | |
Gheitanchi et al. | Particle swarm optimization for adaptive resource allocation in communication networks | |
Cao et al. | Topological optimization algorithm for HAP assisted multi-unmanned ships communication | |
Xu et al. | An Efficient Deployment Scheme with Network Performance Modeling for Underwater Wireless Sensor Networks | |
Fang et al. | Heterogeneous multi-AUV aided green internet of underwater things | |
CN107682924B (zh) | 一种适用于长延迟sic网络的链路调度方法和系统 | |
Yang et al. | Energy Harvesting UAV-RIS-Assisted Maritime Communications Based on Deep Reinforcement Learning Against Jamming | |
Wang et al. | Three-dimensional trajectory design for multi-user MISO UAV communications: A deep reinforcement learning approach | |
Rahim et al. | Scalability analysis of depth-based routing and energy-efficient depth-based routing protocols in terms of delay, throughput, and path loss in underwater acoustic sensor networks | |
Yang et al. | Intelligent Computation Offloading for Joint Communication and Sensing-Based Vehicular Networks | |
Najeeb et al. | A new advanced energy efficient routing protocol for UWSNs | |
Zhang et al. | Energy-Efficient Transmission and Computation Resource Optimization for UAV-assisted NOMA-based Maritime Internet of Things | |
Dai et al. | Deep Reinforcement Learning‐Based UAV Data Collection and Offloading in NOMA‐Enabled Marine IoT Systems |
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 |