CN115065992A - 一种基于边缘计算的协同感知与资源分配方法 - Google Patents
一种基于边缘计算的协同感知与资源分配方法 Download PDFInfo
- Publication number
- CN115065992A CN115065992A CN202210518992.1A CN202210518992A CN115065992A CN 115065992 A CN115065992 A CN 115065992A CN 202210518992 A CN202210518992 A CN 202210518992A CN 115065992 A CN115065992 A CN 115065992A
- Authority
- CN
- China
- Prior art keywords
- edge
- sensor
- estimator
- edge estimator
- delay
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004364 calculation method Methods 0.000 title claims abstract description 37
- 238000013468 resource allocation Methods 0.000 title claims abstract description 23
- 230000005540 biological transmission Effects 0.000 claims abstract description 106
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 70
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000008447 perception Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005265 energy consumption Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 244000062645 predators Species 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 239000000969 carrier Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 239000002245 particle Substances 0.000 description 9
- 238000004088 simulation Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- 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
-
- 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
本发明提供了一种基于边缘计算的协同感知与资源分配方法,属于无线通信技术领域,该方法包括有如下步骤,基于边缘计算的状态估计方法,分析随机传输时延对状态估计误差的影响;设计基于边缘协作的两阶段信息传输方案,对传感器与边缘估计器的关联关系、子载波分配以及传感器发射功率进行协同优化,实现融合估计误差最小化;基于改进的海洋捕食算法,确定了传感器与边缘估计器之间的关联关系,实现子载波动态分配与计算资源分配。本发明有效地确定传感器与边缘估计器之间的关联关系,实现子载波动态分配,能够提高状态感知精度,有效地解决了协同感知中资源分配问题,实现复杂工业环境的高效监控。
Description
技术领域
本发明涉及无线通信技术领域,具体而言,尤其涉及一种基于边缘计算的协同感知与资源分配方法。
背景技术
随着无线通信技术的快速发展,无线传感器网络也在工业物联网系统中焕发出新的生命力,如智能制造、智能物流、设备故障检测、生产现场监测等领域。工业现场设备之间利用多传感器网络建立实时连接已逐渐成为一种趋势。大量的传感器便意味着有大量的数据将要进行处理,如果信息传输不及时、不准确,就会给工厂造成严重的损失,甚至可能会威胁到人类的生命财产安全。在以往的工业环境监测中,往往采用有线传输方案或者无线传输方案将数据传送到远端的数据处理中心。但是由于现场环境恶劣,设备复杂,导致布线困难、成本高昂,致使有线通信系统难以部署;此外在数据传输过程中将数据全部传输到远端控制中心,这给网络带来了沉重的通信与计算负担,最终导致远端控制中心的状态估计性能难以保证。
此外,由于无线信道的不稳定性,致使感知到的感知信息不能按时到达远端控制中心。那么,在这种条件下远端控制中心必须根据之前的预测值或者传感器前一时刻的测量值进行下一时刻的状态估计,但这可能会引入额外的估计误差从而对系统估计性能造成影响。一旦随机时延超过某一阙值,状态估计性能便会急剧下降。因此,保证传感器与边缘计算节点间的传输可靠性至关重要。此外,由于传感器自身计算能力、通信能力与能源是有限的,在传感器处数据处理并不现实,因此在以往的设计当中,所有传感器的感知信息都传输到远端控制中心。这不仅给控制中心带来了沉重的计算负担,更会导致严重的计算时延以恶化状态估计性能。
综上所述,现有技术存在的问题是:目前大多数的状态监测设计中采用的都是集中式的状态估计,所有传感器的观测数据都传输到远端控制中心。这会给网络带来沉重的计算与通信负担,致使延迟加大;其次,远端中心一般放置在离现场较远的地方,这加大了传输能耗;最后,在只有一个计算中心的前提下,一旦中心发生故障,整个系统就陷入了瘫痪状态。目前的状态感知算法被动地容忍随机时延对工业环境感知的传输可靠性及时延的不利影响,限制了工业环境感知性能的提高。
发明内容
为此目的,本发明提出一种基于边缘计算的协同感知与资源分配方法,包括如下步骤:
S1、基于边缘计算的状态估计方法,分析随机传输时延对状态估计误差的影响;
S2:设计基于边缘协作的两阶段信息传输方案,对传感器与边缘估计器的关联关系、子载波分配以及传感器发射功率进行协同优化,实现融合估计误差最小化;
S3、基于改进的海洋捕食算法,确定了传感器与边缘估计器之间的关联关系,实现子载波动态分配与计算资源分配。
进一步地,该方法适用于网络场景是上行链路的感知信息传输网络。
进一步地,所述基于边缘计算的状态估计方法,分析随机传输时延对状态估计误差的影响,包括如下步骤:
S101、考虑到传感器感知信息是有时延的到达边缘估计器的,引入随机变量di(t)来表示第i个传感器的感知信息所经历的随机传输时延,即:
di(t)={di(t|t)=0,di(t+1|t)=1,…,di(t+di|t)=di} (1)
S103、边缘估计器接收到的带有随机延迟的传感器感知信息表示为:
其中:yi(t-j)表示第i个传感器的测量信息;x(t-j)表示系统的真实状态;Ci表示第i个传感器的测量噪声;j边缘估计器选定的特定时间的延迟信息;vi表示高斯白噪声;
S104、基于边缘估计器接收到的带有随机延迟的传感器感知信息,边缘估计器进行局部估计时观测方程可表示为:
y(t)=Cx(t)+v(t) (4)
S105、边缘估计器根据接收到的感知信息进行的局部估计时,其估计值在随机延迟下的递归更新步骤可表示为:
Pm(t|t-1)=APm(t-1|t-1)AT+Qw
Pm(t|t)=(I-Km(t)C)Pm(t|t-1)(I-Km(t)C)T+Km(t)χKm T(t)
其中,Km(t)=Pm(t|t-1)CT(CPm(t|t-1)CT+χ)表示卡尔曼增益;χ表示在延时下vi的估计协方差矩阵;Qw表示高斯白噪声的方差;
S106、当每个边缘估计器得到局部估计值后,将局部估计值在边缘估计器之间进行互传,那么边缘估计器处的融合估计表示为:
I0=[Ib,…,Ib]T;
进一步地,所述设计基于边缘协作的两阶段信息传输方案,对传感器与边缘估计器的关联关系、子载波分配以及传感器发射功率进行协同优化,实现融合估计误差最小化;包括如下步骤:
S201、将多传感器与边缘估计器间的传输过程分为两个阶段:在第一阶段,每个传感器提供原始测量到与其关联的边缘估计器,第二阶段,每个边缘估计器根据接收到的原始测量值进行局部估计,然后将局部估计值转发给其他边缘估计器进行分布式融合估计;
S202、确定第一阶段中的传输时延,第i个传感器与第m个边缘估计器之间的传输时延通过下述公式得出:
其中,Qi为每个传感器感知到的信息的大小;表示第i个传感器与第m个边缘估计器之间的数据传输速率;二进制变量表示是否将子载波k分配给第i个传感器以将感知信息传递给第m个边缘估计器;pi,k是第i个传感器在第k个子载波上的传输功率,是第k个子载波在第i个传感器与第m个边缘估计器传输时的信道增益,σ2是加性高斯白噪声的功率,第一阶段产生的能耗表示为
S203、确定第二阶段中的计算时延,边缘估计器处理相应任务所产生的计算时延为:
S204、由于边缘估计器计算能力的限制,第m个边缘估计器在分配计算资源给传感器时,需要考虑以下约束:
其中Fm表示第m个边缘估计器的最大计算能力;
S205、确定第二阶段中的传输时延,第m个边缘估计器与第m'个边缘估计器之间的局部估计的传输时延可通过下述公式得出:
其中,表示第m个边缘估计器与第m'个边缘估计器之间的数据传输速率;二进制变量表示是否将子载波k分配给第m个边缘估计器以将局部估计信息传递给第m'个边缘估计器;pm是边缘估计器m的传输功率;是第k个子载波在第m个边缘估计器和第m'个边缘估计器间传输时的信道增益;Ri为任务输出信息大小与任务输入信息大小之比;
S206、对传感器与边缘估计器关联关系确定、两阶段传输过程中子载波分配以及传感器发射功率进行优化,建模成融合估计误差方差最小化的约束优化问题,如下所示:
其中,C1表示传感器向边缘估计器传输感知信息的带宽约束;C2表示边缘估计器之间局部估计信息传输的带宽约束;C3表示每个传感器的传输功率约束;C4表示每个边缘估计器的计算资源约束;C5表示第i个传感器感知信息的最大可容忍延迟;C6表示边缘估计器之间交换局部估计信息的最大可容忍延迟;C7和C8表示每个子载波最多只能被一个传感器/边缘估计器占用一次,求解此混合整数非线性规划问题,能够获得融合估计误差方差最小的传感器与边缘估计器关联关系、两阶段子载波分配以及传感器发射功率分配;
S207、根据两阶段内传输信息内容不同,将混合整数非线性规划问题拆分为两个子问题进行求解:第一阶段中,传感器感知信息传输子问题可表示为:
进一步地,在传输功率给定的情况下,子载波分配和传感器-边缘估计器关联关系问题表示为:
s.t.C1,C4,C5,C7
给定关联关系下的传输功率优化可通过求解以下问题来确定:
s.t.C3,C5
S208、第二阶段中,局部估计传输子问题表示为。
进一步地,所述基于改进的海洋捕食算法,确定传感器与边缘估计器之间的关联关系,实现子载波动态分配与计算资源分配,具体包括如下步骤:
S301、采用归一化因子与反向学习因子对海洋捕食算法进行初始化;
S302、第一次运行改进海洋捕食算法,根据改进海洋捕食算法生成的捕食者矩阵,获取每一传感器对应边缘估计器的偏好列表,其中捕食者矩阵的每一行便代表了不同的偏好列表,在此基础上,计算边缘估计器分配给不同传感器的计算能力;
S303、根据边缘估计器分配所分配计算能力计算当前的传感器与边缘估计器的计算时延;
S304、第二次运行改进海洋捕食算法,根据改进海洋捕食算法生成的捕食者矩阵,获取传感器-边缘估计器关联关系下对应子载波的偏好列表。,其中捕食者矩阵的每一行便代表了不同的偏好列表,在此基础上,进行功率分配,得到传感器与边缘估计器处的数据传输速率;
S305、根据传感器与边缘估计器处的数据传输速率计算传感器与边缘估计器传输时延;
S306、边缘估计器根据得到的延迟的感知信息计算此时的局部估计误差方差;
S307、将第k个信道增益最大的子载波分配给边缘估计器,用于边缘估计器间局部估计值传输,计算当前融合估计误差方差;
S308、重复步骤S301-S307,相邻两次迭代过程中保留使融合估计误差最小的分配方案,直至满足算法迭代次数。
一种基于边缘计算的协同感知与资源分配装置,包括
分析模块:用于基于边缘计算的状态估计方法,分析随机传输时延对状态估计误差的影响;
优化模块:用于设计基于边缘协作的两阶段信息传输方案,对传感器与边缘估计器的关联关系、子载波分配以及传感器发射功率进行协同优化,实现融合估计误差最小化;
确定模块:用于基于改进的海洋捕食算法,确定了传感器与边缘估计器之间的关联关系,实现子载波动态分配与计算资源分配。
本发明提供的一种基于边缘计算的协同感知与资源分配方法,研究基于边缘计算的状态估计方法,分析随机传输时延对状态估计误差的影响;设计基于边缘协作的两阶段信息传输方案,对传感器与边缘估计器的关联关系、子载波分配以及传感器发射功率进行协同优化,实现融合估计误差最小化;设计一种改进的海洋捕食算法,有效地确定传感器与边缘估计器之间的关联关系,实现子载波动态分配与计算资源分配;
该方法主要针对数据传输过程中系统对状态估计性能的要求,将该问题建模为最小化每个估计时间步长融合估计误差。通过改进的海洋捕食算法优化,让传感器关联到最适合自己的边缘估计器,匹配到信道条件最好的信道,找到该问题的优解。根据数据传输内容不同将原始的问题分解成两个子问题,第一个子问题在传感器与边缘估计器进行数据传输中产生,第二个子问题在边缘估计器间进行数据传输中产生。通过分步求解两个子问题来进一步提高工业温度监控的状态估计性能。
本发明通过引入归一化因子与反向学习因子来提高海洋捕食算法的性能,以此来有效求解传感器与边缘估计器关联以及子载波分配问题。
本发明提出了工业网络环境下多传感器协同感知的分层网络架构。传感器只负责数据的采集与发送,将采集到的数据发送给网络边缘的多个边缘估计器进行数据处理。这种模式下,能够显著降低远端控制中心的计算负担,减少不必要的计算时延;此外,边缘估计器一般放置在距离工业现场不远的地方,能够减少传感器的传输能耗与传输时延。在保证边缘估计器状态估计性能的前提下,完成信息高可靠、低延时的传输。
基于上述理由本发明可在无线通信等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实例,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为本发明实施例提供的基于边缘计算的协同感知与资源分配方法流程图;
图2为本发明实施例的使用的网络场景图;
图3为本发明实施例的基于海洋捕食算法改进的算法流程图;
图4为本发明实施例的边缘估计器的局部估计和融合估计的比较图;
图5为本发明实施例的不同算法下融合估计性能比较图;
图6为本发明实施例的不同算法的平均延迟比较图;
图7为本发明实施例的不同算法下平均能耗比较图;
图8为本发明实施例的不同边缘估计器数量下的估计性能比较图;
图9为本发明实施例的不同子载波数量下平均时延比较图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明提供了一种基于边缘计算的协同感知与资源分配方法,包括如下步骤:
S1、基于边缘计算的状态估计方法,分析随机传输时延对状态估计误差的影响;
S2、设计基于边缘协作的两阶段信息传输方案,对传感器与边缘估计器的关联关系、子载波分配以及传感器发射功率进行协同优化,实现融合估计误差最小化;
S3、基于改进的海洋捕食算法,有效地确定传感器与边缘估计器之间的关联关系,实现子载波动态分配与计算资源分配。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,本发明适用的网络场景是上行链路的感知信息传输网络,在指定的工业物联网应用场景中,通过部署多个传感器协同感知来实现状态估计,由N个传感器和M个边缘估计器组成的分层网络结构如图2所示。在该场景中多个传感器节点被部署在工业现场,以协作的方式采集工业现场的温度、湿度等信息,将采集到的传感器感知信息通过无线信道传输到与其关联的边缘估计器,以此来实现对工业现场的实时状态估计。在分层网络结构中,整个传输过程可以分为两个阶段。在第一阶段,每个传感器提供原始测量值到与其关联的边缘估计器。第二阶段,每个边缘估计器根据接收到的原始测量值进行局部估计,然后将局部估计值转发给其他边缘估计器进行分布式融合估计。假设信道增益服从瑞利衰落模型。将总带宽分为K个子载波,每个子载波的带宽ΔB。设N={1,2,…,N},M={1,2,…,M},K={1,2,…,K}分别是传感器、边缘估计器和子载波的集合。
工业过程的温度状态为本发明的估计对象,温度状态表示为x(t+1)=Ax(t)+w(t),此状态由多个传感器共同感知,表示为yi(t)=Cix(t)+vi(t)。其中表示时间步长t时的系统状态,b表示状态向量的维数;
表示第i个传感器在时间步长t时的测量值,ki表示测量向量yi(t)的维数;表示系统的状态转移矩阵;表示第i个传感器的测量矩阵。和是均值为零、方差为Qw和Qvi的高斯白噪声,并且w(t)与vi(t)相互独立,
具体实施时,作为本发明优选的实施方式,所述基于边缘计算的状态估计方法,分析随机传输时延对状态估计误差的影响,包括如下步骤:
S101、考虑到传感器感知信息是有时延的到达边缘估计器的,引入随机变量di(t)来表示第i个传感器的感知信息所经历的随机传输时延,即:
di(t)={di(t|t)=0,di(t+1|t)=1,…,di(t+di|t)=di} (1)
S103、边缘估计器接收到的带有随机延迟的传感器感知信息表示为:
其中:yi(t-j)表示第i个传感器的测量信息;x(t-j)表示系统的真实状态;Ci表示第i个传感器的测量噪声;j边缘估计器选定的特定时间的延迟信息;vi表示高斯白噪声;
S104、基于边缘估计器接收到的带有随机延迟的传感器感知信息,边缘估计器进行局部估计时观测方程可表示为:
y(t)=Cx(t)+v(t) (4)
S105、边缘估计器根据接收到的感知信息进行的局部估计时,其估计值在随机延迟下的递归更新步骤可表示为:
Pm(t|t-1)=APm(t-1|t-1)AT+Qw
Pm(t|t)=(I-Km(t)C)Pm(t|t-1)(I-Km(t)C)T+Km(t)χKm T(t)
其中,Km(t)=Pm(t|t-1)CT(CPm(t|t-1)CT+χ)表示卡尔曼增益;χ表示在延时下vi的估计协方差矩阵;Qw表示高斯白噪声的方差;
S106、当每个边缘估计器得到局部估计值后,为了估计的准确性,将局部估计值在边缘估计器之间进行互传。那么边缘估计器处的融合估计表示为:
I0=[Ib,…,Ib]T;
由上述分析可知,Pm′(t)是关于随机时延的一个隐式表达,传感器与边缘估计器关联关系、子载波分配以及计算资源分配都会影响到时延,因此在S2中研究以上因素的联合优化以可能减少时延,进而降低随机时延对状态估计的影响。
具体实施时,作为本发明优选的实施方式,所述设计基于边缘协作的两阶段信息传输方案,对传感器与边缘估计器的关联关系、子载波分配以及传感器发射功率进行协同优化,实现融合估计误差最小化;具体包括如下步骤:
S201、将多传感器与边缘估计器间的传输过程分为两个阶段。在第一阶段,每个传感器提供原始测量到与其关联的边缘估计器,第二阶段,每个边缘估计器根据接收到的原始测量值进行局部估计,然后将局部估计值转发给其他边缘估计器进行分布式融合估计;
S202、确定第一阶段中的传输时延。第i个传感器与第m个边缘估计器之间的传输时延通过下述公式得出:
其中,Qi为每个传感器感知到的信息的大小;表示第i个传感器与第m个边缘估计器之间的数据传输速率;二进制变量表示是否将子载波k分配给第i个传感器以将感知信息传递给第m个边缘估计器;pi,k是第i个传感器在第k个子载波上的传输功率,是第k个子载波在第i个传感器与第m个边缘估计器传输时的信道增益,σ2是加性高斯白噪声的功率。此外,第一阶段产生的能耗表示为
S203、确定第二阶段中的计算时延。边缘估计器处理相应任务所产生的计算时延为:
S204、由于边缘估计器计算能力的限制,第m个边缘估计器在分配计算资源给传感器时,需要考虑以下约束:
其中Fm表示第m个边缘估计器的最大计算能力;
S205、确定第二阶段中的传输时延。第m个边缘估计器与第m'个边缘估计器之间的局部估计的传输时延可通过下述公式得出:
其中,表示第m个边缘估计器与第m'个边缘估计器之间的数据传输速率;二进制变量表示是否将子载波k分配给第m个边缘估计器以将局部估计信息传递给第m'个边缘估计器;pm是边缘估计器m的传输功率;是第k个子载波在第m个边缘估计器和第m'个边缘估计器间传输时的信道增益;Ri为任务输出信息大小与任务输入信息大小之比;
S206、对传感器与边缘估计器关联关系确定、两阶段传输过程中子载波分配以及传感器发射功率进行优化,以尽可能地减少时延,从而减少融合估计误差方差。将该问题建模成融合估计误差方差最小化的约束优化问题,如下所示:
其中,C1表示传感器向边缘估计器传输感知信息的带宽约束;C2表示边缘估计器之间局部估计信息传输的带宽约束;C3表示每个传感器的传输功率约束;C4表示每个边缘估计器的计算资源约束;C5表示第i个传感器感知信息的最大可容忍延迟;C6表示边缘估计器之间交换局部估计信息的最大可容忍延迟;C7和C8表示每个子载波最多只能被一个传感器/边缘估计器占用一次。求解此混合整数非线性规划问题,能够获得融合估计误差方差最小的传感器与边缘估计器关联关系、两阶段子载波分配以及传感器发射功率分配。
S207、为了便于求解S206中所提出的问题,根据两阶段内传输信息内容不同,将其拆分为两个子问题进行求解。第一阶段中,传感器感知信息传输子问题可表示为:
进一步地,在传输功率给定的情况下,子载波分配和传感器-边缘估计器关联关系问题表示为:
s.t.C1,C4,C5,C7
给定关联关系下的传输功率优化可通过求解以下问题来确定:
s.t.C3,C5
S208、第二阶段中,局部估计传输子问题表示为:
图3为本发明实施例的基于海洋捕食算法改进的算法流程图;
所述基于改进的海洋捕食算法,确定传感器与边缘估计器之间的关联关系,实现子载波动态分配与计算资源分配,具体包括如下步骤:
S301、采用归一化因子与反向学习因子对海洋捕食算法进行初始化;
S302、第一次运行改进海洋捕食算法,根据改进海洋捕食算法生成的捕食者矩阵,获取每一传感器对应边缘估计器的偏好列表。其中捕食者矩阵的每一行便代表了不同的偏好列表,在此基础上,计算边缘估计器分配给不同传感器的计算能力;
S303、根据边缘估计器分配所分配计算能力计算当前的传感器与边缘估计器的计算时延;
S304、第二次运行改进海洋捕食算法,根据改进海洋捕食算法生成的捕食者矩阵,获取传感器-边缘估计器关联关系下对应子载波的偏好列表。其中捕食者矩阵的每一行便代表了不同的偏好列表,在此基础上,进行功率分配,得到传感器与边缘估计器处的数据传输速率;
S305、根据传感器与边缘估计器处的数据传输速率计算传感器与边缘估计器传输时延;
S306、边缘估计器根据得到的延迟的感知信息计算此时的局部估计误差方差;
S307、将第k个信道增益最大的子载波分配给边缘估计器,用于边缘估计器间局部估计值传输,计算当前融合估计误差方差;
S308、重复步骤S301-S307,相邻两次迭代过程中保留使融合估计误差最小的分配方案,直至满足算法迭代次数。
一种基于边缘计算的协同感知与资源分配装置,包括
分析模块:用于基于边缘计算的状态估计方法,分析随机传输时延对状态估计误差的影响;
优化模块:用于设计基于边缘协作的两阶段信息传输方案,对传感器与边缘估计器的关联关系、子载波分配以及传感器发射功率进行协同优化,实现融合估计误差最小化;
确定模块:用于基于改进的海洋捕食算法,确定了传感器与边缘估计器之间的关联关系,实现子载波动态分配与计算资源分配。
下面结合仿真对本发明地应用效果作详细的描述:
一、仿真条件
在仿真场景中,工业环境下的监测范围为[0,50]m*[0,10]m,3个边缘估计器和6个传感器随机布置在此范围内。无线信道总带宽为10MHz,子载波数目为16,传感器的最大传输功率为10dBm,边缘估计器的最大传输功率为20dBm。工业环境下高斯高斯白噪声功率谱密度是-87dBm/Hz,每个传感器的感知数据大小在200-500Kbits之间,边缘估计器的计算总能力在2-4GHz之间,传感器任务所需要的CPU周期数在300-600MCycles之间,最大迭代次数为1500,捕食者的数目为25。
二、仿真内容与结果分析
通过与其他传输方法对比,展示所提算法的性能。
对比算法1—粒子群算法:将传感器与边缘估计器之间的关联关系确定与子载波分配问题认为是在搜索空间中的一个粒子,通过改变粒子的速度和方向在解空间内迭代求解。
对比算法2—随机算法:随机的确定传感器与边缘估计器之间的关联关系,随机的分配子载波给传感器和边缘估计器。基于此,计算在随机策略下的边缘估计器处的融合估计性能。
仿真1:分析边缘节点处局部估计误差与融合估计误差之间对比。
从图4可以看出,由于边缘估计器在局部估计阶段只接收到一部分传感器的感知信息,并且接收到的信息是不完整的且带有时延的,因此,在最终融合阶段,局部估计误差大于融合估计误差。在最后的融合估计阶段,边缘估计器间接接收到所有传感器的感知信息,因此所有边缘估计器的融合估计误差最终收敛到一致的值。特别地,我们可以看到,在初始阶段,不同的边缘估计器的估计误差是不相同的。这是因为每个边缘估计器从不同的传感器以不同的延迟接收感知信息。
仿真2:分析不同算法下性能比较。
从图5-7可以看出,在所有仿真参数一致的前提下,改进的海洋捕食算法性能优于其他两种算法。特别地,从图5可以看出,海洋捕食算法优化下的系统融合估计性能明显优于其他两种算法。这是因为融合估计误差高度依赖于延迟,而在海洋捕食算法中,到达每个边缘估计器的所有传感器的平均延迟(如图6)最小,因此在改进的海洋捕食算法下获得了最佳系统性能。图7显示了不同算法调度下到达每一个边缘估计器的传感器的平均传输能耗。从中我们可以看出,粒子群算法与海洋捕食算法调度下的平均传输能耗基本一致,而在随机分配算法下的能耗是最大的。这是由于相对于其它两种算法而言,随机分配方案并未对传感器与边缘估计器的关联关系以及子载波分配进行优化,因此产生了较高的能耗。
从图6可以看出,在某些边缘估计器上,粒子群算法的平均延迟高于随机算法。这是因为与粒子群算法相比,随机算法中与边缘估计器相关的传感器更少,因此随机边缘估计器的估计误差大于粒子群算法。正是由于在随机算法下建立了较少的传感器-边缘估计器关联关系,因此在随机算法调度下传感器获得了更多的通信与计算资源。所以,粒子群算法的时延比随机算法的时延大。
从图8可以看出,随着边缘估计器数的增多,系统的估计性能变得更好。这是因为在单边缘估计器的情况下下系统不能保证及时处理来自传感器的感知信息,这使得融合估计阶段的处理延迟更大。通过多个边缘估计器,系统能够及时地对感知信息进行预处理,从而保证了估计性能。从图9可以看出,随着子载波数的增加,延迟略有增加,但改进的海洋捕食算法的延迟始终低于其他两种算法。这是合理的,因为子载波的数量会影响传感器和边缘估计器之间候选关联的数量。在子载波数相同的情况下,与海洋捕食算法相比,粒子群算法和随机算法在传感器和边缘估计器之间建立了更多的候选关联,从而导致更高的延迟。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (6)
1.一种基于边缘计算的协同感知与资源分配方法,其特征在于,包括如下步骤:
S1、基于边缘计算的状态估计方法,分析随机传输时延对状态估计误差的影响;
S2:设计基于边缘协作的两阶段信息传输方案,对传感器与边缘估计器的关联关系、子载波分配以及传感器发射功率进行协同优化,实现融合估计误差最小化;
S3、基于改进的海洋捕食算法,确定了传感器与边缘估计器之间的关联关系,实现子载波动态分配与计算资源分配。
2.根据权利要求1所述的一种基于边缘计算的协同感知与资源分配方法,其特征在于,该方法适用于网络场景是上行链路的感知信息传输网络。
3.根据权利要求1所述的一种基于边缘计算的协同感知与资源分配方法,其特征在于,所述基于边缘计算的状态估计方法,分析随机传输时延对状态估计误差的影响,包括如下步骤:
S101、考虑到传感器感知信息是有时延的到达边缘估计器的,引入随机变量di(t)来表示第i个传感器的感知信息所经历的随机传输时延,即:
di(t)={di(t|t)=0,di(t+1|t)=1,…,di(t+di|t)=di} (1)
S103、边缘估计器接收到的带有随机延迟的传感器感知信息表示为:
其中:yi(t-j)表示第i个传感器的测量信息;x(t-j)表示系统的真实状态;Ci表示第i个传感器的测量噪声;j边缘估计器选定的特定时间的延迟信息;vi表示高斯白噪声;
S104、基于边缘估计器接收到的带有随机延迟的传感器感知信息,边缘估计器进行局部估计时观测方程可表示为:
y(t)=Cx(t)+v(t) (4)
S105、边缘估计器根据接收到的感知信息进行的局部估计时,其估计值在随机延迟下的递归更新步骤可表示为:
Pm(t|t-1)=APm(t-1|t-1)AT+Qw
Pm(t|t)=(I-Km(t)C)Pm(t|t-1)(I-Km(t)C)T+Km(t)χKm T(t)
其中,Km(t)=Pm(t|t-1)CT(CPm(t|t-1)CT+χ)表示卡尔曼增益;χ表示在延时下vi的估计协方差矩阵;Qw表示高斯白噪声的方差;
S106、当每个边缘估计器得到局部估计值后,将局部估计值在边缘估计器之间进行互传,那么边缘估计器处的融合估计表示为:
I0=[Ib,…,Ib]T;
4.根据权利要求1所述的一种基于边缘计算的协同感知与资源分配方法,其特征在于,所述设计基于边缘协作的两阶段信息传输方案,对传感器与边缘估计器的关联关系、子载波分配以及传感器发射功率进行协同优化,实现融合估计误差最小化;包括如下步骤:
S201、将多传感器与边缘估计器间的传输过程分为两个阶段:在第一阶段,每个传感器提供原始测量到与其关联的边缘估计器,第二阶段,每个边缘估计器根据接收到的原始测量值进行局部估计,然后将局部估计值转发给其他边缘估计器进行分布式融合估计;
S202、确定第一阶段中的传输时延,第i个传感器与第m个边缘估计器之间的传输时延通过下述公式得出:
其中,Qi为每个传感器感知到的信息的大小;表示第i个传感器与第m个边缘估计器之间的数据传输速率;二进制变量表示是否将子载波k分配给第i个传感器以将感知信息传递给第m个边缘估计器;pi,k是第i个传感器在第k个子载波上的传输功率,是第k个子载波在第i个传感器与第m个边缘估计器传输时的信道增益,σ2是加性高斯白噪声的功率,第一阶段产生的能耗表示为
S203、确定第二阶段中的计算时延,边缘估计器处理相应任务所产生的计算时延为:
S204、由于边缘估计器计算能力的限制,第m个边缘估计器在分配计算资源给传感器时,需要考虑以下约束:
其中Fm表示第m个边缘估计器的最大计算能力;
S205、确定第二阶段中的传输时延,第m个边缘估计器与第m'个边缘估计器之间的局部估计的传输时延可通过下述公式得出:
其中,表示第m个边缘估计器与第m'个边缘估计器之间的数据传输速率;二进制变量表示是否将子载波k分配给第m个边缘估计器以将局部估计信息传递给第m'个边缘估计器;pm是边缘估计器m的传输功率;是第k个子载波在第m个边缘估计器和第m'个边缘估计器间传输时的信道增益;Ri为任务输出信息大小与任务输入信息大小之比;
S206、对传感器与边缘估计器关联关系确定、两阶段传输过程中子载波分配以及传感器发射功率进行优化,建模成融合估计误差方差最小化的约束优化问题,如下所示:
其中,C1表示传感器向边缘估计器传输感知信息的带宽约束;C2表示边缘估计器之间局部估计信息传输的带宽约束;C3表示每个传感器的传输功率约束;C4表示每个边缘估计器的计算资源约束;C5表示第i个传感器感知信息的最大可容忍延迟;C6表示边缘估计器之间交换局部估计信息的最大可容忍延迟;C7和C8表示每个子载波最多只能被一个传感器/边缘估计器占用一次,求解此混合整数非线性规划问题,能够获得融合估计误差方差最小的传感器与边缘估计器关联关系、两阶段子载波分配以及传感器发射功率分配;
S207、根据两阶段内传输信息内容不同,将混合整数非线性规划问题拆分为两个子问题进行求解:第一阶段中,传感器感知信息传输子问题可表示为:
进一步地,在传输功率给定的情况下,子载波分配和传感器-边缘估计器关联关系问题表示为:
给定关联关系下的传输功率优化可通过求解以下问题来确定:
S208、第二阶段中,局部估计传输子问题表示为。
5.根据权利要求1所述的一种基于边缘计算的协同感知与资源分配方法,其特征在于,所述基于改进的海洋捕食算法,确定传感器与边缘估计器之间的关联关系,实现子载波动态分配与计算资源分配,具体包括如下步骤:
S301、采用归一化因子与反向学习因子对海洋捕食算法进行初始化;
S302、第一次运行改进海洋捕食算法,根据改进海洋捕食算法生成的捕食者矩阵,获取每一传感器对应边缘估计器的偏好列表,其中捕食者矩阵的每一行便代表了不同的偏好列表,在此基础上,计算边缘估计器分配给不同传感器的计算能力;
S303、根据边缘估计器分配所分配计算能力计算当前的传感器与边缘估计器的计算时延;
S304、第二次运行改进海洋捕食算法,根据改进海洋捕食算法生成的捕食者矩阵,获取传感器-边缘估计器关联关系下对应子载波的偏好列表。,其中捕食者矩阵的每一行便代表了不同的偏好列表,在此基础上,进行功率分配,得到传感器与边缘估计器处的数据传输速率;
S305、根据传感器与边缘估计器处的数据传输速率计算传感器与边缘估计器传输时延;
S306、边缘估计器根据得到的延迟的感知信息计算此时的局部估计误差方差;
S307、将第k个信道增益最大的子载波分配给边缘估计器,用于边缘估计器间局部估计值传输,计算当前融合估计误差方差;
S308、重复步骤S301-S307,相邻两次迭代过程中保留使融合估计误差最小的分配方案,直至满足算法迭代次数。
6.一种基于边缘计算的协同感知与资源分配装置,其特征在于,包括
分析模块:用于基于边缘计算的状态估计方法,分析随机传输时延对状态估计误差的影响;
优化模块:用于设计基于边缘协作的两阶段信息传输方案,对传感器与边缘估计器的关联关系、子载波分配以及传感器发射功率进行协同优化,实现融合估计误差最小化;
确定模块:用于基于改进的海洋捕食算法,确定了传感器与边缘估计器之间的关联关系,实现子载波动态分配与计算资源分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210518992.1A CN115065992A (zh) | 2022-05-12 | 2022-05-12 | 一种基于边缘计算的协同感知与资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210518992.1A CN115065992A (zh) | 2022-05-12 | 2022-05-12 | 一种基于边缘计算的协同感知与资源分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115065992A true CN115065992A (zh) | 2022-09-16 |
Family
ID=83198887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210518992.1A Pending CN115065992A (zh) | 2022-05-12 | 2022-05-12 | 一种基于边缘计算的协同感知与资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115065992A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115714793A (zh) * | 2022-11-08 | 2023-02-24 | 大连海事大学 | 一种工业物联网中感知信息按需传输方法 |
CN115801829A (zh) * | 2022-11-08 | 2023-03-14 | 大连海事大学 | 一种工业物联网中边缘自适应感知方法 |
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
- 2022-05-12 CN CN202210518992.1A patent/CN115065992A/zh active Pending
Cited By (6)
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 |
CN115714793A (zh) * | 2022-11-08 | 2023-02-24 | 大连海事大学 | 一种工业物联网中感知信息按需传输方法 |
CN115801829A (zh) * | 2022-11-08 | 2023-03-14 | 大连海事大学 | 一种工业物联网中边缘自适应感知方法 |
CN115801829B (zh) * | 2022-11-08 | 2023-09-05 | 大连海事大学 | 一种工业物联网中边缘自适应感知方法 |
CN115714793B (zh) * | 2022-11-08 | 2023-09-15 | 大连海事大学 | 一种工业物联网中感知信息按需传输方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115065992A (zh) | 一种基于边缘计算的协同感知与资源分配方法 | |
CN112181666A (zh) | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质 | |
CN110601777B (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰估计方法 | |
CN113852432B (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
CN106933649A (zh) | 基于移动平均和神经网络的虚拟机负载预测方法及系统 | |
CN112835715B (zh) | 基于强化学习的无人机任务卸载策略的确定方法和装置 | |
CN106507275B (zh) | 一种无线传感器网络的鲁棒分布式滤波方法和装置 | |
CN116708443A (zh) | 多层次算力网络任务调度方法及装置 | |
CN116156563A (zh) | 基于数字孪生的异构任务与资源端边协同调度方法 | |
CN114385272B (zh) | 面向海洋任务的在线自适应计算卸载方法及系统 | |
CN112312299A (zh) | 服务卸载方法、装置及系统 | |
CN111191113B (zh) | 一种基于边缘计算环境的数据资源需求预测和调整方法 | |
CN104331630B (zh) | 一种多速率观测数据的状态估计和数据融合方法 | |
Hribar et al. | Energy-aware deep reinforcement learning scheduling for sensors correlated in time and space | |
CN117114113B (zh) | 一种基于排队论的协同推理加速方法 | |
Jaiswal et al. | Deep transfer learning based radio map estimation for indoor wireless communications | |
CN117177279A (zh) | 含吞吐量预测的多用户多任务计算卸载方法、装置及介质 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN114077482B (zh) | 一种工业智能制造边缘智能计算优化方法 | |
CN115499876A (zh) | Msde场景下基于dqn算法的计算卸载策略 | |
Yu et al. | Learning Algorithms for Data Collection in RF-Charging IIoT Networks | |
CN108833550B (zh) | 一种感知农业优化调度的方法及装置 | |
EP2283615A1 (en) | Auto-adaptive network | |
CN111626494A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN117931460B (zh) | 基于机器学习的智能物联终端边缘计算方法及系统 |
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 |