CN115460567B - 数据处理方法、装置、计算机设备和存储介质 - Google Patents

数据处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115460567B
CN115460567B CN202211401496.4A CN202211401496A CN115460567B CN 115460567 B CN115460567 B CN 115460567B CN 202211401496 A CN202211401496 A CN 202211401496A CN 115460567 B CN115460567 B CN 115460567B
Authority
CN
China
Prior art keywords
underwater
internet
things
preset
data
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
CN202211401496.4A
Other languages
English (en)
Other versions
CN115460567A (zh
Inventor
任勇
侯向往
王景璟
杜军
方政儒
陈健瑞
魏维
张泽楷
王子源
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202211401496.4A priority Critical patent/CN115460567B/zh
Publication of CN115460567A publication Critical patent/CN115460567A/zh
Application granted granted Critical
Publication of CN115460567B publication Critical patent/CN115460567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • 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
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • 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)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请涉及一种数据处理方法、装置、计算机设备和存储介质。本申请涉及水下航行器技术领域。所述方法包括：控制水下航行器按照预设运动轨迹向多个目标设备群运动；目标设备群内包括多个水下物联网设备；针对目标设备群内的各水下物联网设备，获取与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略；根据与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对水下物联网设备中的第一类数据进行数据处理；或根据与水下物联网设备对应的预设数据处理策略，控制水下物联网设备对水下物联网设备中的第二类数据进行本地处理。采用本方法能够提高数据处理效率。

Description

数据处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及水下航行器技术领域，特别是涉及一种数据处理方法、装置、计算机设备和存储介质。
背景技术
水下物联网（Internet of underwater things，IoUT）是开发、利用海洋的关键技术之一。水下物联网一般包括水下物联网设备（IoUT设备）及自主水下航行器(Autonomousunderwater vehicle，AUV)、水面基站及其他设备。通过IoUT设备可以感知海洋中的数据，然后，AUV设备可以从IoUT设备中收集到海洋中的数据，再由AUV设备将海洋中的数据发送至水面基站，最终由水面基站对海洋中的数据进行数据处理或转发至地面基站。
传统方法中，由于IoUT设备不具备数据处理的能力，只能通过AUV设备采集IoUT设备中的数据，并将采集的数据传输至水面基站，才能由水面基站进行数据处理。因此，水面基站若进行数据处理，须得通过AUV设备将IoUT设备中的数据传输至水面基站。显然，这将大大降低了水下物联网中的数据处理效率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高数据处理效率的数据处理方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种数据处理方法。该方法包括：
控制水下航行器按照预设运动轨迹向多个目标设备群运动；该目标设备群内包括多个水下物联网设备；
针对该目标设备群内的各该水下物联网设备，获取与该水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略；
根据与该水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对该水下物联网设备中的第一类数据进行数据处理；或根据与该水下物联网设备对应的预设数据处理策略，控制该水下物联网设备对该水下物联网设备中的第二类数据进行本地处理。
在其中一个实施例中，该预设运动轨迹包括预设移动方向、预设移动速度及预设悬停时间，该预设移动方向包括从起始点指向该目标设备群的方向或从该目标设备群指向下一个该目标设备群的方向；
该控制水下航行器按照预设运动轨迹向多个目标设备群运动，包括：
控制该水下航行器按照该预设移动方向及该预设移动速度向多个该目标设备群运动；
在该水下航行器移动至该目标设备群的该预设范围内时，控制该水下航行器在该预设范围内悬停该预设悬停时间；该预设悬停时间为该目标设备群内各该水下物联网设备在该预设数据处理策略下的数据处理时长的最大值。
在其中一个实施例中，该预设数据处理策略用于配置该水下物联网设备中的第一类数据由该水面基站进行处理及配置该水下物联网设备中的第二类数据由该水下物联网设备进行本地处理；
该预设缓存策略用于为多个该目标设备群内各该水下物联网设备配置待缓存数据的数据量大小，且各该水下物联网设备的待缓存数据的数据量大小之和小于或等于该水面基站的最大存储容量。
在其中一个实施例中，该根据与该水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对该水下物联网设备中的第一类数据进行数据处理，包括：
针对该目标设备群内的各该水下物联网设备，根据与该水下物联网设备对应的该预设资源分配策略为该水下物联网设备分配对应的带宽资源；
获取该水下物联网设备对应的该预设数据处理策略；
在该水下航行器悬停至该目标设备群的预设范围内时，根据与该水下物联网设备对应的该预设数据处理策略，控制该水下航行器按照该带宽资源及为该水下物联网设备所配置的待缓存数据的数据量大小，采集该水下物联网设备中的第一类数据，并将该第一类数据传输至该水面基站；
控制该水面基站对该第一类数据进行数据处理。
在其中一个实施例中，该预设资源分配策略还用于为该水下物联网设备分配对应的计算资源；该控制该水面基站对该第一类数据进行数据处理，包括：
针对该目标设备群内的各该水下物联网设备，获取为该水下物联网设备所分配的该计算资源；
控制该水面基站按照该计算资源，对从该水下物联网设备中所采集的第一类数据进行处理。
在其中一个实施例中，该方法还包括：
获取该水下物联网设备的数据处理时长、该水面基站的数据处理时长及该水下物联网设备将数据卸载至该水面基站的卸载时长；该卸载时长包括该水下航行器从该水下物联网设备采集数据的时长及将所采集到的数据传输至该水面基站的传输时长；
获取该水下物联网设备的能耗、该水下航行器的能耗及该水面基站的能耗；该水下物联网设备的能耗包括该水下物联网设备的传输能耗及计算能耗；该水下航行器的能耗包括该水下航行器的传输能耗及运动能耗；该水面基站的能耗包括该水面基站的计算能耗；
根据该水下物联网设备的能耗、该水下航行器的能耗及该水面基站的能耗、该水下物联网设备的处理时长、该水面基站的处理时长及该水下物联网设备将数据卸载至该水面基站的卸载时长，构建水下物联网系统的资源净增益模型；该水下物联网系统包括该计算机设备、多个目标设备群、多个该水下航行器及该水面基站。
在其中一个实施例中，该根据该水下物联网设备的能耗、该水下航行器的能耗及该水面基站的能耗、该水下物联网设备的处理时长、该水面基站的处理时长及该水下物联网设备将数据卸载至该水面基站的该卸载时长，构建水下物联网系统的资源净增益模型，包括：
根据该水下物联网设备的传输能耗及计算能耗、该水下物联网设备的处理时长、该水面基站的处理时长及该水下物联网设备将数据卸载至该水面基站的卸载时长，计算该水下物联网系统的资源增益数据；
根据该水下航行器的传输能耗、运动能耗及该水面基站的能耗，计算该水下航行器在数据处理过程中的第一资源消耗数据、该水下航行器在运动过程中的第二资源消耗数据及该水面基站在数据处理过程中的第三资源消耗数据；
根据该资源增益数据、该第一资源消耗数据、该第二资源消耗数据及该第三资源消耗数据，构建该水下物联网系统的资源净增益模型。
在其中一个实施例中，该方法还包括：
构建与该水下物联网系统的资源净增益模型对应的马尔科夫决策模型，该马尔科夫决策模型包含与该资源净增益模型对应的奖励函数；
利用深度强化学习算法构建与该奖励函数对应的策略-评价网络；该策略-评价网络包括策略网络及评价网络；
构建该策略网络的损失函数及该评价网络的损失函数，根据该策略网络的损失函数更新该策略网络的初始参数，以及根据该评价网络的损失函数更新该评价网络的初始参数；
根据该策略网络更新后的参数、该评价网络更新后的参数，计算该水下航行器的该预设运动轨迹、与多个该目标设备群内各该水下物联网设备对应的该预设资源分配策略、该预设数据处理策略及该预设缓存策略。
第二方面，本申请还提供了一种数据处理装置。该装置包括：
控制模块，用于控制水下航行器按照预设运动轨迹向多个目标设备群运动；该目标设备群内包括多个水下物联网设备；
第一获取模块，用于针对该目标设备群内的各该水下物联网设备，获取与该水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略；
处理模块，用于根据与该水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对该水下物联网设备中的第一类数据进行数据处理；或根据与该水下物联网设备对应的预设数据处理策略，控制该水下物联网设备对该水下物联网设备中的第二类数据进行本地处理。
第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现上述第一方面中任一方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一方法的步骤。
上述数据处理方法、装置、计算机设备和存储介质，通过控制水下航行器按照预设运动轨迹向多个包含多个水下物联网设备的目标设备群运动，针对目标设备群内的各水下物联网设备，获取与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，并根据与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对水下物联网设备中的第一类数据进行数据处理，或根据与水下物联网设备对应的预设数据处理策略，控制水下物联网设备对水下物联网设备中的第二类数据进行本地处理。由于本申请实施例通过控制水下航行器按照预设运动轨迹向多个包含多个水下物联网设备的目标设备群运动，并在针对各水下物联网设备时，水下物联网设备可以直接对第二类数据进行本地处理，而无需由水面基站对水下物联网设备中的所有数据进行处理。因此，不需要通过水下航行器将水下物联网设备中第二类数据进行采集并传输至水面基站，才能实现水面基站对水下物联网设备的第二类数据进行本地处理。进而，根据预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对水下物联网设备中的第一类数据进行数据处理，或根据预设数据处理策略控制水下物联网设备对水下物联网设备中的第二类数据进行本地处理，从而能够大幅度的提高水下物联网中的数据处理效率。
附图说明
图1为一个实施例中数据处理方法的应用环境图；
图2为一个实施例中数据处理方法的流程示意图；
图3为一个实施例中控制水下航行器向多个目标设备群运动的方法流程示意图；
图4为一个实施例中水面基站进行数据处理的方法流程示意图；
图5为另一个实施例中水面基站进行数据处理的方法流程示意图；
图6为一个实施例中水下物联网系统的资源净增益模型构建方法的流程示意图；
图7为另一个实施例中水下物联网系统的资源净增益模型构建方法的流程示意图；
图8为一个实施例中预设运动轨迹、预设资源分配策略、预设数据处理策略及预设缓存策略的计算方法流程示意图；
图9为一个实施例中数据处理装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的数据处理方法，可以应用于如图1所示的应用环境中。其中，计算机设备102通过网络与水下航行器104进行通信，水下航行器104通过网络与目标设备群内的多个水下物联网设备106进行通信；计算机设备102还可以通过网络与水面基站108进行通信。计算机设备102可以控制水下航行器按照预设运动轨迹向多个目标设备群运动；目标设备群内包括多个水下物联网设备；针对目标设备群内的各水下物联网设备，获取与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略；根据与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对水下物联网设备中的第一类数据进行数据处理；或根据与水下物联网设备对应的预设数据处理策略，控制水下物联网设备对水下物联网设备中的第二类数据进行本地处理。其中，计算机设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。计算机设备102还可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本申请实施例提供的数据处理方法。如图2所示，图2为一个实施例中数据处理方法的流程示意图，以该方法应用于计算机设备，包括以下步骤：
S201、控制水下航行器按照预设运动轨迹向多个目标设备群运动；目标设备群内包括多个水下物联网设备。
其中，控制水下航行器按照预设运动轨迹从水面基站的下方向多个目标设备群运动，且在巡航过程中与水面基站保持通信。
可选的，多个水下航行器用集合
Figure 226464DEST_PATH_IMAGE001
表示，多个目标设 备群用集合
Figure 569720DEST_PATH_IMAGE002
表示，目标设备群内包括多个水下物联网设备，多 个水下物联网设备用集合
Figure 8792DEST_PATH_IMAGE003
表示。为简洁易辨认的目的，用集合
Figure 691577DEST_PATH_IMAGE004
表示多个水下航行器的下标，用集合
Figure 190692DEST_PATH_IMAGE005
表示多个目标设备群 的下标，以及用集合
Figure 21244DEST_PATH_IMAGE006
表示目标设备群内多个水下物联网设备的下标。
可选的，水面基站的三维坐标为
Figure 139373DEST_PATH_IMAGE007
，水下航行器的三维坐标为
Figure 66878DEST_PATH_IMAGE008
，目标设备群的三维坐标为/>
Figure 612260DEST_PATH_IMAGE009
和水下物联网设备的三维坐标为/>
Figure 461267DEST_PATH_IMAGE010
。
S202、针对目标设备群内的各水下物联网设备，获取与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略。
其中，以集合
Figure 710983DEST_PATH_IMAGE011
表示目标设备群内的各水下物联网设备对应的缓存策略，若水下物联网设备中的数据缓存至水面基站，则/>
Figure 102781DEST_PATH_IMAGE012
，若水下物联网设备中的数据不缓存至水面基站，则/>
Figure 209277DEST_PATH_IMAGE013
。
S203、根据与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对水下物联网设备中的第一类数据进行数据处理；或根据与水下物联网设备对应的预设数据处理策略，控制水下物联网设备对水下物联网设备中的第二类数据进行本地处理。
其中，目标设备群内的各水下物联网设备中的数据用
Figure 420947DEST_PATH_IMAGE014
表示，其中，/>
Figure 5512DEST_PATH_IMAGE015
表示数据的大小（以位为单位），/>
Figure 579713DEST_PATH_IMAGE016
表示数据的计算复杂度（以周期/位为单位），以集合/>
Figure 466897DEST_PATH_IMAGE017
表示目标设备群内的各水下物联网设备对应的数据处理策略，若水下物联网设备中的数据由水面基站进行数据处理，则/>
Figure 556076DEST_PATH_IMAGE018
，若水下物联网设备中的数据由水下物联网设备进行本地处理，则/>
Figure 819698DEST_PATH_IMAGE019
。
需要说明的是：数据处理策略其实质是卸载策略，若数据处理策略用于配置水下物联网设备中的第一类数据由水面基站进行处理，则需将水下物联网设备中的第一类数据卸载至水面基站，并由水面基站进行数据处理；若数据处理策略用于配置水下物联网设备中的第二类数据由水下物联网设备进行本地处理，则不需将水下物联网设备中的第二类数据卸载至水面基站，直接由水下物联网设备进行本地处理。
本实施例提供的数据处理方法，通过控制水下航行器按照预设运动轨迹向多个包含多个水下物联网设备的目标设备群运动，针对目标设备群内的各水下物联网设备，获取与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，并根据与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对水下物联网设备中的第一类数据进行数据处理，或根据与水下物联网设备对应的预设数据处理策略，控制水下物联网设备对水下物联网设备中的第二类数据进行本地处理。由于本申请实施例通过控制水下航行器按照预设运动轨迹向多个包含多个水下物联网设备的目标设备群运动，并在针对各水下物联网设备时，水下物联网设备可以直接对第二类数据进行本地处理，而无需由水面基站对水下物联网设备中的所有数据进行处理。因此，不需要通过水下航行器将水下物联网设备中第二类数据进行采集并传输至水面基站，才能实现水面基站对水下物联网设备的第二类数据进行本地处理。进而，根据预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对水下物联网设备中的第一类数据进行数据处理，或根据预设数据处理策略控制水下物联网设备对水下物联网设备中的第二类数据进行本地处理，从而能够大幅度的提高水下物联网中的数据处理效率。
参照图3，图3为一个实施例中控制水下航行器向多个目标设备群运动的方法流程示意图。本实施例涉及的是如何控制水下航行器按照预设运动轨迹向多个目标设备群运动的一种可选的实现方式。在上述实施例的基础上，上述S201具体包括如下步骤：
S301、控制水下航行器按照预设移动方向及预设移动速度向多个目标设备群运动。
其中，水下航行器从起始点（即水面基站的下方）按照恒定的预设移动速度
Figure 310723DEST_PATH_IMAGE020
依次向多个目标设备群运动，最后返回至起始点补充能量。例如，水下航行器/>
Figure 696705DEST_PATH_IMAGE021
服务/>
Figure 882966DEST_PATH_IMAGE022
个目标设备群，用/>
Figure 74913DEST_PATH_IMAGE023
表示水下航行器/>
Figure 295810DEST_PATH_IMAGE021
的运动轨迹，则水下航行器/>
Figure 649431DEST_PATH_IMAGE021
的轨迹是由/>
Figure 650885DEST_PATH_IMAGE024
个子轨迹组成。
可选的，假设移动方向为从目标设备群指向下一个目标设备群的方向，则这两个目标设备群之间的距离用
Figure 256310DEST_PATH_IMAGE025
表示，那么两个目标设备群之间的距离/>
Figure 721926DEST_PATH_IMAGE025
，具体是通过公式（1）计算得到的：
Figure 121815DEST_PATH_IMAGE026
/>
其中，
Figure 407303DEST_PATH_IMAGE027
，/>
Figure 144315DEST_PATH_IMAGE028
表示下一个目标设备群的三维坐标，/>
Figure 74224DEST_PATH_IMAGE029
表示目标设备群的三维坐标。
可选的，水下航行器在每个子轨迹中移动的时间
Figure 769648DEST_PATH_IMAGE030
是根据两个目标设备群之间的距离/>
Figure 683377DEST_PATH_IMAGE025
和水下航行器的移动速度/>
Figure 755239DEST_PATH_IMAGE020
确定的，具体是通过公式（2）计算得到的：
Figure 539655DEST_PATH_IMAGE031
结合上述举例说明，水下航行器
Figure 671559DEST_PATH_IMAGE021
总的移动距离/>
Figure 869322DEST_PATH_IMAGE032
和总的移动时间/>
Figure 620240DEST_PATH_IMAGE033
分别是通过公式（3）和公式（4）计算得到的：
Figure 649376DEST_PATH_IMAGE034
Figure 827548DEST_PATH_IMAGE035
S302、在水下航行器移动至目标设备群的预设范围内时，控制水下航行器在预设范围内悬停预设悬停时间。
其中，预设悬停时间为目标设备群内各水下物联网设备在预设数据处理策略下的数据处理时长的最大值。
可选的，不同水下物联网设备对自身中数据的数据处理能力是不同的，用
Figure 309345DEST_PATH_IMAGE036
表示水下物联网设备/>
Figure 926271DEST_PATH_IMAGE037
的数据处理能力，则水下物联网设备对自身中数据的数据处理时长
Figure 685280DEST_PATH_IMAGE038
是根据水下物联网设备中的数据和水下物联网设备的数据处理能力/>
Figure 424565DEST_PATH_IMAGE036
确定的，具体是通过公式（5）计算得到的：
Figure 269025DEST_PATH_IMAGE039
本实施例提供的方法，通过控制水下航行器按照预设移动方向及预设移动速度向多个目标设备群运动，并在水下航行器移动至目标设备群的预设范围内时，控制水下航行器在预设范围内悬停预设悬停时间，从而能够控制水面基站对水下物联网设备中的第一类数据进行数据处理，以提高数据处理效率。
在上述实施例的基础上，还可以包括如下实现方式：
预设数据处理策略用于配置水下物联网设备中的第一类数据由水面基站进行处理及配置水下物联网设备中的第二类数据由水下物联网设备进行本地处理；预设缓存策略用于为多个目标设备群内各水下物联网设备配置待缓存数据的数据量大小，且各水下物联网设备的待缓存数据的数据量大小之和小于或等于水面基站的最大存储容量。
其中，由于经常有重复请求处理同一水下物联网设备中的数据，适当缓存先前请求的水下物联网设备中的数据能够减少回程延迟，并减轻回程链路的压力。如果水下物联网设备中的数据已经由水面基站缓存，水下物联网设备对应的缓存策略
Figure 486379DEST_PATH_IMAGE040
且水下物联网设备对应的数据处理策略/>
Figure 975261DEST_PATH_IMAGE041
应为1，则无需控制水下物联网设备对自身中的数据进行数据处理，可以节省水下物联设备的能量，减少处理延迟。因此，水下物联网设备对应的缓存策略/>
Figure 823131DEST_PATH_IMAGE042
与水下物联网设备对应的数据处理策略/>
Figure 545099DEST_PATH_IMAGE041
间存在/>
Figure 175932DEST_PATH_IMAGE043
，且由于水面基站的存储容量通常是有限的，因此，水下物联网设备对应的缓存策略/>
Figure 34167DEST_PATH_IMAGE042
应满足
Figure 459463DEST_PATH_IMAGE044
，其中，/>
Figure 606410DEST_PATH_IMAGE045
表示水面基站的最大存储容量。
参照图4，图4为一个实施例中水面基站进行数据处理的方法流程示意图。本实施例涉及的是如何根据与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对水下物联网设备中的第一类数据进行数据处理的一种可选的实现方式。在上述实施例的基础上，上述S203具体包括如下步骤：
S401、针对水下物联网设备，根据与水下物联网设备对应的预设资源分配策略为水下物联网设备分配对应的带宽资源。
其中，用
Figure 165568DEST_PATH_IMAGE046
表示水下航行器分配给水下物联网设备的带宽分配策略，用/>
Figure 19254DEST_PATH_IMAGE047
表示水下航行器分配给水下物联网设备的带宽资源比例。
S402、在水下航行器悬停至目标设备群的预设范围内时，根据与水下物联网设备对应的预设数据处理策略，控制水下航行器按照带宽资源及为水下物联网设备所配置的待缓存数据的数据量大小，采集水下物联网设备中的第一类数据，并将第一类数据传输至水面基站。
其中，预设数据处理策略用于配置水下物联网设备中的数据是由水面基站进行数据处理还是由水下物联网设备进行数据处理，若水下物联网设备中的数据由水面基站进行数据处理，则控制水下航行器采集水下物联网设备中的数据，并传输至水面基站，由水面基站进行数据处理；若水下物联网设备中的数据由水下物联网设备进行数据处理，则控制水下物联网设备对自身中的数据进行数据处理。
S403、控制水面基站对第一类数据进行数据处理。
本实施例提供的方法，根据与水下物联网设备对应的预设资源分配策略为水下物联网设备分配对应的带宽资源，并在水下航行器悬停至目标设备群的预设范围内时，根据与水下物联网设备对应的预设数据处理策略，控制水下航行器按照带宽资源及为水下物联网设备所配置的待缓存数据的数据量大小，采集水下物联网设备中的第一类数据，并将第一类数据传输至水面基站，从而控制水面基站对第一类数据进行数据处理。也就是说，本实施例由于根据水下物联网设备对应的预设数据处理策略，灵活调整水下航行器的作业方式，并控制水下航行器按照带宽资源为水下物联网设备所配置的待缓存数据的数据量大小，采集水下物联网设备中的第一类数据，并将第一类数据传输至水面基站，进而控制水面基站对第一类数据进行数据处理，使水面基站对水下物联网设备中的部分数据进行处理，从而能够大幅度提高水下物联网系统的数据处理效率。
参照图5，图5为另一个实施例中水面基站进行数据处理的方法流程示意图。本实施例涉及的是如何控制水面基站对水下物联网设备中的第一类数据进行数据处理的一种可选的实现方式。在上述实施例的基础上，上述S403具体包括如下步骤：
S501、针对目标设备群内的各水下物联网设备，获取为水下物联网设备所分配的计算资源。
S502、控制水面基站按照计算资源，对从水下物联网设备中所采集的数据进行处理。
其中，用
Figure 5665DEST_PATH_IMAGE048
表示水下航行器分配给水下物联网设备的计算资源分配策略，用/>
Figure 374329DEST_PATH_IMAGE049
表示水下航行器分配给水下物联网设备的计算资源比例。
本实施例提供的方法，通过获取为水下物联网设备所分配的计算资源，并控制水面基站按照计算资源，对从水下物联网设备中所采集的数据进行处理，从而能够合理调配水面基站的计算资源，以提高数据处理效率和降低数据处理能耗。
参照图6，图6为一个实施例中水下物联网系统的资源净增益模型构建方法的流程示意图。本实施例涉及的是如何构建水下物联网系统的资源净增益模型的一种可选的实现方式。在上述实施例的基础上，该方法包括如下步骤：
S601、获取水下物联网设备的数据处理时长、水面基站的数据处理时长及水下物联网设备将数据卸载至水面基站的卸载时长。
其中，卸载时长包括水下航行器从水下物联网设备采集数据的时长及将所采集到的数据传输至水面基站的传输时长。
本实施例中，水面基站的数据处理时长
Figure 346964DEST_PATH_IMAGE050
是根据从水下物理网设备中所采集的数据、分配给水下物联网设备的计算资源比例/>
Figure 179791DEST_PATH_IMAGE051
和水面基站分配给水下航行器的总计算资源/>
Figure 478048DEST_PATH_IMAGE052
确定的，具体是通过公式（6）计算得到的：
Figure 130747DEST_PATH_IMAGE053
其中，分配给水下物联网设备的计算资源应满足
Figure 234969DEST_PATH_IMAGE054
。
可选的，由于水声通信（Underwater acoustic communication，UAC）具有复杂的传播特性，其中，多径效应、多普勒效应和环境噪声都会影响通信链路的质量，为简单起见，假设浅水声传播环境在空间和时间上都是均匀的。由于在海洋中的环境噪声可能是由气泡、航运活动、地表风场等引起的，因此，在通信频率
Figure 63248DEST_PATH_IMAGE055
下以每/>
Figure 391461DEST_PATH_IMAGE056
为单位的组合噪声的功率谱密度以湍流噪声、船舶噪声、波噪声和热噪声这四种噪声的功率谱密度组合确定的。其中，组合噪声的功率谱密度/>
Figure 406821DEST_PATH_IMAGE057
、湍流噪声的功率谱密度/>
Figure 49155DEST_PATH_IMAGE058
、船舶噪声的功率谱密度/>
Figure 590995DEST_PATH_IMAGE059
、波噪声的功率谱密度/>
Figure 231055DEST_PATH_IMAGE060
和热噪声的功率谱密度/>
Figure 858345DEST_PATH_IMAGE061
，具体是通过公式（7）至公式（11）计算得到的：
Figure 964755DEST_PATH_IMAGE062
Figure 361102DEST_PATH_IMAGE063
Figure 234380DEST_PATH_IMAGE064
Figure 224332DEST_PATH_IMAGE065
Figure 536365DEST_PATH_IMAGE066
可选的，水声通信信道是视距（Light-of-sight, LoS）信道和非视距（Non-light-of-sight, NLoS）信道的叠加，其中，非视距信道的传播路径通常包括“水下表面-海床”与“水-空气表面”反射。
可选的，针对水下物联网设备和水下航行器之间的水声通信信道的几何路径，设
Figure 662584DEST_PATH_IMAGE067
表示海面反射点的三维坐标，
Figure 503501DEST_PATH_IMAGE068
表示海床反射点的三维坐标。因此，水下物联网设备和水下航行器之间的视距信道的传播路径的距离/>
Figure 308646DEST_PATH_IMAGE069
是根据水下物联网设备的三维坐标
Figure 768577DEST_PATH_IMAGE070
和水下航行器的三维坐标/>
Figure 139516DEST_PATH_IMAGE071
确定的，具体是通过公式（12）计算得到的：
Figure 292280DEST_PATH_IMAGE072
可选的，水下物联网设备和水下航行器之间以海面反射点的非视距信道的传播路径的距离
Figure 381458DEST_PATH_IMAGE073
是根据水下物联网设备的三维坐标/>
Figure 707397DEST_PATH_IMAGE070
、水下航行器的三维坐标/>
Figure 73788DEST_PATH_IMAGE071
和海面反射点的三维坐标/>
Figure 522087DEST_PATH_IMAGE074
确定的，具体是通过公式（13）计算得到的：
Figure 708349DEST_PATH_IMAGE075
可选的，水下物联网设备和水下航行器之间以海床反射点的非视距信道的传播路径的距离
Figure 837979DEST_PATH_IMAGE076
是根据水下物联网设备的三维坐标/>
Figure 183509DEST_PATH_IMAGE070
、水下航行器的三维坐标/>
Figure 412496DEST_PATH_IMAGE071
和海床反射点的三维坐标/>
Figure 476267DEST_PATH_IMAGE077
确定的，具体是通过公式（14）计算得到的：
Figure 81692DEST_PATH_IMAGE078
/>
可选的，考虑水声通信信道中所有的非视距信道的传播路径是没必要的，一般是通过寻找最小的非视距信道的传播路径，以获得水声通信信道的信噪比(signal-to-noise，SNR)的下界。例如，针对水下物联网设备和水下航行器之间的非视距信道的传播路径，通过公式（13）和公式（14）计算出所有的非视距信道的传播路径的距离，进而能够计算出最短的以海面反射点的非视距信道的传播路径的距离
Figure 281729DEST_PATH_IMAGE079
和以海床反射点的非视距信道的传播路径的距离/>
Figure 9514DEST_PATH_IMAGE080
，具体是通过公式（15）和公式（16）计算得到的：
Figure 170368DEST_PATH_IMAGE081
Figure 704118DEST_PATH_IMAGE082
可选的，由于通信频率
Figure 634027DEST_PATH_IMAGE055
在传播路径上是衰减的，因此，用/>
Figure 595030DEST_PATH_IMAGE083
表示通信频率
Figure 571076DEST_PATH_IMAGE055
在传播路径的衰减量，通信频率/>
Figure 252725DEST_PATH_IMAGE055
在传播路径的衰减量是根据传播路径的距离/>
Figure 427354DEST_PATH_IMAGE084
和吸收系数/>
Figure 434624DEST_PATH_IMAGE085
确定的，具体是通过公式（17）计算得到的：
Figure 694704DEST_PATH_IMAGE086
其中，
Figure 507940DEST_PATH_IMAGE087
表示扩散因子。
可选的，吸收系数
Figure 678021DEST_PATH_IMAGE085
是根据通信频率/>
Figure 980826DEST_PATH_IMAGE055
确定的，具体是通过公式（18）计算得到的：
Figure 337989DEST_PATH_IMAGE088
可选的，水声通信信道的信噪比是根据通信频率
Figure 751653DEST_PATH_IMAGE055
在传播路径的衰减量/>
Figure 838558DEST_PATH_IMAGE083
和组合噪声的功率谱密度/>
Figure 187631DEST_PATH_IMAGE089
确定的，具体是通过公式（19）计算得到的：
Figure 422303DEST_PATH_IMAGE090
可选的，针对水下物联网设备和水下航行器之间的水声通信信道的信噪比的下界
Figure 249445DEST_PATH_IMAGE091
是根据组合噪声的功率谱密度/>
Figure 253173DEST_PATH_IMAGE089
、通信频率/>
Figure 773147DEST_PATH_IMAGE055
在视距信道的传播路径的衰减量/>
Figure 432798DEST_PATH_IMAGE092
、通信频率/>
Figure 188265DEST_PATH_IMAGE055
在最短的以海面反射点的非视距信道的传播路径的衰减量/>
Figure 921866DEST_PATH_IMAGE093
和通信频率/>
Figure 737375DEST_PATH_IMAGE055
在最短的以海床反射点的非视距信道的传播路径的衰减量/>
Figure 884322DEST_PATH_IMAGE094
确定的，具体是通过公式（20）计算得到的：/>
Figure 318846DEST_PATH_IMAGE095
其中，
Figure 297166DEST_PATH_IMAGE096
表示在最短的以海面反射点的非视距信道的传播路径的信道增益，/>
Figure 893364DEST_PATH_IMAGE097
表示在最短的以海床反射点的非视距信道的传播路径的信道增益。
可选的，水下航行器从水下物联网设备采集数据的速率
Figure 324345DEST_PATH_IMAGE098
是根据水下物联网设备和水下航行器之间的水声通信信道的信噪比的下界/>
Figure 624876DEST_PATH_IMAGE091
、分配给水下物联网设备的带宽资源比例/>
Figure 598649DEST_PATH_IMAGE099
和分配给目标设备群的总带宽/>
Figure 490381DEST_PATH_IMAGE100
确定的，具体是通过公式（21）计算得到的：
Figure 284025DEST_PATH_IMAGE101
其中，
Figure 388247DEST_PATH_IMAGE102
表示水下物联网设备的传输功率，/>
Figure 810001DEST_PATH_IMAGE103
表示包括功率放大器和换能器的电子电路的整体效率，/>
Figure 279160DEST_PATH_IMAGE104
表示水下物联网设备的水深。
其中，分配给水下物联网设备的带宽资源比例需满足
Figure 419154DEST_PATH_IMAGE105
可选的，水下航行器从水下物联网设备采集数据的时长
Figure 999171DEST_PATH_IMAGE106
是根据水下物联网设备对应的缓存策略/>
Figure 541011DEST_PATH_IMAGE107
、水下物联网设备中的数据和水下航行器从水下物联网设备采集数据的速率/>
Figure 243388DEST_PATH_IMAGE098
确定的，具体是通过如下公式（22）计算得到的：
Figure 11624DEST_PATH_IMAGE108
可选的，针对水下航行器和水面基站之间的水声通信信道的几何路径，设
Figure 254386DEST_PATH_IMAGE109
为海床反射点的三维坐标。因此，水下航行器和水面基站之间的视距信道的传播路径的距离/>
Figure 853995DEST_PATH_IMAGE110
是根据水下航行器的三维坐标/>
Figure 399377DEST_PATH_IMAGE111
和水面基站的三维坐标/>
Figure 513963DEST_PATH_IMAGE112
确定的，具体是通过公式（23）计算得到的：
Figure 435783DEST_PATH_IMAGE113
可选的，水下航行器和水面基站之间以海床反射点的非视距信道的传播路径的距离
Figure 952215DEST_PATH_IMAGE114
是根据水下航行器的三维坐标/>
Figure 996394DEST_PATH_IMAGE111
、海床反射点的三维坐标/>
Figure 473643DEST_PATH_IMAGE115
和水面基站的三维坐标/>
Figure 58208DEST_PATH_IMAGE112
确定的，具体是通过公式（24）计算得到的：
Figure 570092DEST_PATH_IMAGE116
可选的，根据公式（24）计算出所有的非视距信道的传播路径的距离，进而能够计算出最短的以海床反射点的非视距信道的传播路径的距离
Figure 581910DEST_PATH_IMAGE117
，具体是通过公式（25）计算得到的：
Figure 280876DEST_PATH_IMAGE118
可选的，结合公式（17）至公式（19），针对水下航行器和水面基站之间的水声通信信道的信噪比的下界
Figure 872395DEST_PATH_IMAGE119
根据组合噪声的功率谱密度/>
Figure 363419DEST_PATH_IMAGE089
、通信频率/>
Figure 421505DEST_PATH_IMAGE055
在视距信道的传播路径的衰减量/>
Figure 997979DEST_PATH_IMAGE120
、通信频率/>
Figure 127609DEST_PATH_IMAGE121
在最短的以海床反射点的非视距信道的传播路径的衰减量/>
Figure 94646DEST_PATH_IMAGE122
确定的，具体是通过公式（26）计算得到的：
Figure 979425DEST_PATH_IMAGE123
可选的，水下航行器与水面基站之间的水声通信链路是采用经典的码分多址协议(Code division multiple access，CDMA)，因此，水下航行器将所采集到的数据传输至水面基站的传输速率
Figure 652983DEST_PATH_IMAGE124
是根据水下航行器和水面基站之间的水声通信信道的信噪比的下界/>
Figure 383042DEST_PATH_IMAGE119
和水下航行器与水面基站之间的带宽/>
Figure 520762DEST_PATH_IMAGE125
确定的，具体是通过公式（27）计算得到的：
Figure 186230DEST_PATH_IMAGE126
其中，
Figure 737297DEST_PATH_IMAGE127
表示水下航行器的传输功率，/>
Figure 880833DEST_PATH_IMAGE128
表示水下航行器距离海床的高度。
可选的，水下航行器将所采集到的数据传输至水面基站的传输时长
Figure 935377DEST_PATH_IMAGE129
是根据水下物联网设备对应的缓存策略/>
Figure 99642DEST_PATH_IMAGE130
、水下物联网设备中的数据和水下航行器将所采集到的数据传输至水面基站的传输速率/>
Figure 482213DEST_PATH_IMAGE124
确定的，具体是通过如下公式（28）计算得到的：
Figure 819654DEST_PATH_IMAGE131
可选的，水下物联网设备将数据卸载至水面基站的卸载时长
Figure 869649DEST_PATH_IMAGE132
是根据水下航行器从水下物联网设备采集数据的时长/>
Figure 735974DEST_PATH_IMAGE133
和水下航行器将所采集到的数据传输至水面基站的传输时长/>
Figure 199316DEST_PATH_IMAGE129
确定的，具体是通过如下公式（29）计算得到的：
Figure 684655DEST_PATH_IMAGE134
S602、获取水下物联网设备的能耗、水下航行器的能耗及水面基站的能耗。
其中，水下物联网设备的能耗包括水下物联网设备的传输能耗及计算能耗；水下航行器的能耗包括水下航行器的传输能耗及运动能耗；水面基站的能耗包括水面基站的计算能耗。
本实施例中，水下物联网设备的传输能耗
Figure 979371DEST_PATH_IMAGE135
是根据水下物联网设备和水下航行器之间的水声通信信道的信噪比的下界/>
Figure 891963DEST_PATH_IMAGE136
、水下航行器从水下物联网设备采集数据的速率/>
Figure 639339DEST_PATH_IMAGE137
和水下航行器从水下物联网设备采集数据的时长/>
Figure 256265DEST_PATH_IMAGE133
确定的，具体是通过公式（30）计算得到的：
Figure 15274DEST_PATH_IMAGE138
可选的，水下物联网设备的计算能耗
Figure 754560DEST_PATH_IMAGE139
是根据水下物联网设备对应的CPU频率
Figure 599019DEST_PATH_IMAGE140
和水下物联网设备对自身中数据的数据处理时长/>
Figure 550794DEST_PATH_IMAGE141
确定的，具体是通过公式（31）计算得到的：
Figure 757785DEST_PATH_IMAGE142
其中，
Figure 277759DEST_PATH_IMAGE143
表示依赖于平均开关电容和平均活动因子的常数，/>
Figure 734148DEST_PATH_IMAGE144
表示数值接近于3的常数。
可选的，水下航行器的传输能耗
Figure 692877DEST_PATH_IMAGE145
是根据水下航行器和水面基站之间的水声通信信道的信噪比的下界/>
Figure 426478DEST_PATH_IMAGE119
、水下航行器将所采集到的数据传输至水面基站的传输速率/>
Figure 507566DEST_PATH_IMAGE146
和水下航行器将所采集到的数据传输至水面基站的传输时长/>
Figure 326618DEST_PATH_IMAGE147
确定的，具体是通过公式（32）计算得到的：
Figure 620196DEST_PATH_IMAGE148
/>
可选的，水下物联网设备在水下物联网设备对应的数据处理策略下的数据处理时长
Figure 536199DEST_PATH_IMAGE149
，具体用公式（33）表示：
Figure 397976DEST_PATH_IMAGE150
其中，目标设备群内各水下物联网设备在数据处理策略下的数据处理时长
Figure 94536DEST_PATH_IMAGE151
是根据各水下物联网设备在数据处理策略下的数据处理时长的最大值确定的，具体是通过公式（34）计算得到的：
Figure 67172DEST_PATH_IMAGE152
可选的，由于水下航行器从起始点（即水面基站的下方）出发，即
Figure 634419DEST_PATH_IMAGE153
，依次向多个目标设备群运动，最后返回至起始点补充能量，即/>
Figure 994993DEST_PATH_IMAGE154
。因此，水下航行器的运动轨迹需要满足如公式（35）所示的条件：
Figure 788637DEST_PATH_IMAGE155
可选的，用
Figure 424018DEST_PATH_IMAGE156
表示水下航行器选择目标设备群/>
Figure 986717DEST_PATH_IMAGE157
为第/>
Figure 580510DEST_PATH_IMAGE158
个悬停的目标设备群，用/>
Figure 595870DEST_PATH_IMAGE159
表示水下航行器未选择目标设备群/>
Figure 503783DEST_PATH_IMAGE157
为第/>
Figure 45623DEST_PATH_IMAGE158
个悬停的目标设备群。水下航行器的运动轨迹策略用/>
Figure 685683DEST_PATH_IMAGE160
表示，为了保证每个目标设备群只能被服务一次，水下航行器的运动轨迹需满足公式（36）至公式（38）所示的条件：
Figure 312973DEST_PATH_IMAGE161
Figure 493419DEST_PATH_IMAGE162
Figure 30711DEST_PATH_IMAGE163
可选的，水下航行器的总悬停时间
Figure 700726DEST_PATH_IMAGE164
是根据水下航行器的运动轨迹策略和目标设备群内各水下物联网设备在数据处理策略下的数据处理时长/>
Figure 956258DEST_PATH_IMAGE165
确定的，具体是通过公式（39）计算得到的：
Figure 737133DEST_PATH_IMAGE166
其中，水下航行器的总巡航时间
Figure 456827DEST_PATH_IMAGE167
是根据水下航行器总的移动时间/>
Figure 173110DEST_PATH_IMAGE168
和水下航行器的总悬停时间/>
Figure 774993DEST_PATH_IMAGE164
确定的，具体是通过公式（40）计算得到的：/>
Figure 500503DEST_PATH_IMAGE169
可选的，为了确保水下航行器间的平衡，水下航行器间的巡航时间差异需满足如下公式（41）所示的条件：
Figure 871442DEST_PATH_IMAGE170
其中，
Figure 86522DEST_PATH_IMAGE171
，/>
Figure 785488DEST_PATH_IMAGE172
。
可选的，由于时变的水流速和涡旋等导致水下海洋环境非常复杂且多变，且这会对水下航行器的运动产生重大影响。因此，通过建立一个基于Navier-Stokes方程的模型来量化湍流海洋环境对水下航行器运动的影响。洋流场用如下公式（42）表示：
Figure 439323DEST_PATH_IMAGE173
其中，
Figure 540135DEST_PATH_IMAGE174
，
Figure 926117DEST_PATH_IMAGE175
其中，
Figure 502591DEST_PATH_IMAGE176
表示洋流的速度，/>
Figure 569905DEST_PATH_IMAGE177
表示洋流的涡度，/>
Figure 649856DEST_PATH_IMAGE178
表示流体的粘度，/>
Figure 472319DEST_PATH_IMAGE179
表示梯度，/>
Figure 145876DEST_PATH_IMAGE180
表示拉普拉斯算子。
可选的，为了便于分析，将Navier-Stokes方程处理为如公式（43）至公式（46）所示的形式：
Figure 875935DEST_PATH_IMAGE181
Figure 951338DEST_PATH_IMAGE182
Figure 741440DEST_PATH_IMAGE183
Figure 964611DEST_PATH_IMAGE184
/>
其中，
Figure 373727DEST_PATH_IMAGE185
表示水下航行器的三维坐标，/>
Figure 693850DEST_PATH_IMAGE186
表示涡旋的三维坐标，/>
Figure 264639DEST_PATH_IMAGE187
表示涡旋的强度，/>
Figure 37423DEST_PATH_IMAGE188
表示涡旋的半径。由于水下航行器的大部分能耗是因为需要克服水的阻力而产生的。因此，为了确定维持水下航行器按照设定的恒定的移动速度/>
Figure 312547DEST_PATH_IMAGE189
运动所需的推进力，需先确定水下航行器和海流之间的相对速度/>
Figure 96963DEST_PATH_IMAGE190
。水下航行器和海流之间的相对速度/>
Figure 494446DEST_PATH_IMAGE190
是根据水下航行器的移动速度/>
Figure 364313DEST_PATH_IMAGE189
和水下航行器悬停时所在位置的水流速度
Figure 443128DEST_PATH_IMAGE191
确定的，具体是通过公式（47）计算得到的：
Figure 472264DEST_PATH_IMAGE192
其中，
Figure 638717DEST_PATH_IMAGE193
表示水下航行器的移动方向的单位矢量。
可选的，根据经典的计算流体力学(CFD)方法，水下航行器悬停时所需的阻力是根据水下航行器悬停时所在位置的水流速度
Figure 386093DEST_PATH_IMAGE191
确定的，具体是通过公式（48）计算得到的：
Figure 675123DEST_PATH_IMAGE194
其中，
Figure 762027DEST_PATH_IMAGE195
表示拖曳系数，/>
Figure 970155DEST_PATH_IMAGE196
表示海水的密度，/>
Figure 80193DEST_PATH_IMAGE197
表示水下航行器沿着当前移动方向的横截面积。
可选的，水下航行器运动时所需的阻力是根据水下航行器和海流之间的相对速度
Figure 500810DEST_PATH_IMAGE190
确定的，具体是通过公式（49）计算得到的：
Figure 238959DEST_PATH_IMAGE198
可选的，参照公式（47），水下航行器悬停至第
Figure 758933DEST_PATH_IMAGE158
个目标设备群的预设范围内时所需的拉力/>
Figure 480902DEST_PATH_IMAGE199
是根据水下航行器悬停至第/>
Figure 111734DEST_PATH_IMAGE158
个目标设备群的预设范围内时所在位置的水流速度/>
Figure 969969DEST_PATH_IMAGE200
确定的，具体是通过公式（50）计算得到的：
Figure 988741DEST_PATH_IMAGE201
可选的，水下航行器悬停至第
Figure 807792DEST_PATH_IMAGE158
个目标设备群的预设范围内时所需拉力的电功率
Figure 366949DEST_PATH_IMAGE202
是根据水下航行器悬停至第/>
Figure 955057DEST_PATH_IMAGE158
个目标设备群的预设范围内时所在位置的水流速度
Figure 144729DEST_PATH_IMAGE200
和水下航行器悬停至第/>
Figure 575711DEST_PATH_IMAGE158
个目标设备群的预设范围内时所需的拉力/>
Figure 813925DEST_PATH_IMAGE199
确定的，具体是通过公式（51）计算得到的：
Figure 381173DEST_PATH_IMAGE203
其中，
Figure 741747DEST_PATH_IMAGE204
表示电力转换效率。
可选的，由于在水下航行器的运动过程中，每个点的水流速度都是不同的，因此，将水下航行器的每个子轨迹的起点、中点和终点分别对应的相对流速的平均值来计算子轨迹中的平均相对流速。从第
Figure 269811DEST_PATH_IMAGE158
个目标设备群移动至第/>
Figure 170771DEST_PATH_IMAGE205
个目标设备群的平均相对流速/>
Figure 999050DEST_PATH_IMAGE206
是根据第/>
Figure 327263DEST_PATH_IMAGE158
个目标设备群所在位置的水流速度/>
Figure 670520DEST_PATH_IMAGE207
、位于第
Figure 984958DEST_PATH_IMAGE158
个目标设备群和第/>
Figure 792377DEST_PATH_IMAGE205
个目标设备群之间的中点所在位置的水流速度/>
Figure 166857DEST_PATH_IMAGE208
和第/>
Figure 794148DEST_PATH_IMAGE205
个目标设备群所在位置的水流速度/>
Figure 240173DEST_PATH_IMAGE209
确定的，具体是通过公式（52）计算得到的：
Figure 777464DEST_PATH_IMAGE210
可选的，参照公式（48），水下航行器从第
Figure 713059DEST_PATH_IMAGE158
个目标设备群移动至第/>
Figure 437433DEST_PATH_IMAGE205
个目标设备群所需的阻力/>
Figure 687149DEST_PATH_IMAGE199
是根据水下航行器从第/>
Figure 203581DEST_PATH_IMAGE158
个目标设备群移动至第/>
Figure 185443DEST_PATH_IMAGE205
个目标设备群的平均相对流速/>
Figure 521746DEST_PATH_IMAGE206
确定的，具体是通过公式（53）计算得到的：
Figure 981678DEST_PATH_IMAGE211
可选的，水下航行器从第
Figure 555879DEST_PATH_IMAGE212
个目标设备群移动至第/>
Figure 567697DEST_PATH_IMAGE205
个目标设备群所需阻力的电功率是根据水下航行器从第/>
Figure 797821DEST_PATH_IMAGE212
个目标设备群移动至第/>
Figure 920498DEST_PATH_IMAGE205
个目标设备群的平均相对流速/>
Figure 286888DEST_PATH_IMAGE206
和水下航行器从第/>
Figure 672870DEST_PATH_IMAGE212
个目标设备群移动至第/>
Figure 983766DEST_PATH_IMAGE205
个目标设备群所需的阻力/>
Figure 51079DEST_PATH_IMAGE213
确定的，具体是通过公式（54）计算得到的：
Figure 396610DEST_PATH_IMAGE214
可选的，水下航行器悬停时所需的能耗
Figure 625597DEST_PATH_IMAGE215
是根据水下航行器的总悬停时间/>
Figure 627051DEST_PATH_IMAGE216
和水下航行器悬停至第/>
Figure 357110DEST_PATH_IMAGE212
个目标设备群的预设范围内时所需拉力的电功率/>
Figure 698092DEST_PATH_IMAGE217
确定的，具体是通过公式（55）计算得到的：/>
Figure 425877DEST_PATH_IMAGE218
可选的，水下航行器移动时所需的能耗
Figure 711365DEST_PATH_IMAGE219
是根据水下航行器在每个子轨迹中移动的时间/>
Figure 120480DEST_PATH_IMAGE220
和水下航行器从第/>
Figure 440603DEST_PATH_IMAGE158
个目标设备群移动至第/>
Figure 11393DEST_PATH_IMAGE205
个目标设备群所需阻力的电功率/>
Figure 987439DEST_PATH_IMAGE221
确定的，具体是通过公式（56）计算得到的：
Figure 59300DEST_PATH_IMAGE222
可选的，水下航行器的运动能耗
Figure 109296DEST_PATH_IMAGE223
是根据水下航行器悬停时所需的能耗/>
Figure 241200DEST_PATH_IMAGE224
和水下航行器移动时所需的能耗/>
Figure 438963DEST_PATH_IMAGE225
确定的，具体是通过公式（57）计算得到的：
Figure 189882DEST_PATH_IMAGE226
可选的，由于当水下物联网设备中的数据卸载至水面基站时，水面基站对从水下物联网设备中所采集的数据进行处理。因此，水面基站的计算能耗
Figure 953438DEST_PATH_IMAGE227
是根据水面基站的数据处理时长/>
Figure 131610DEST_PATH_IMAGE228
和分配给水下物联网设备的计算资源比例/>
Figure 878986DEST_PATH_IMAGE229
确定的，具体是通过公式（58）计算得到的：
Figure 168016DEST_PATH_IMAGE230
S603、根据水下物联网设备的能耗、水下航行器的能耗及水面基站的能耗、水下物联网设备的处理时长、水面基站的处理时长及水下物联网设备将数据卸载至水面基站的卸载时长，构建水下物联网系统的资源净增益模型。
其中，水下物联网系统包括计算机设备、多个目标设备群、多个水下航行器及水面基站。
本实施例提供的方法，由于通过构建水下物联网系统的资源净增益模型，联合资源分配策略、运动轨迹策略、数据处理策略和缓存策略，从资源净增益模型中确定水下物联网系统的能够获得的最大资源净增益，从而能够确定使水下物联网系统达到最大资源净增益对应的预设分配策略、预设数据处理策略及预设缓存策略。
参照图7，图7为另一个实施例中水下物联网网系统的资源净增益模型构建方法的流程示意图。本实施例涉及的是如何根据水下物联网设备的能耗、水下航行器的能耗及水面基站的能耗、水下物联网设备的处理时长、水面基站的处理时长及水下物联网设备将数据卸载至水面基站的卸载时长，构建水下物联网系统的资源净增益型的一种可选的实现方式。在上述实施例的基础上，上述S603具体包括如下步骤：
S701、根据水下物联网设备的传输能耗及计算能耗、水下物联网设备的处理时长、水面基站的处理时长及水下物联网设备将数据卸载至水面基站的卸载时长，计算水下物联网系统的资源增益数据。
本实施例中，水下物联网设备能够减少回程的延迟和能耗的改善是水下物联网系统的资源增益数据。其中，水下物联网设备能够减少回程的延迟是根据水下物联网设备的处理时长
Figure 254921DEST_PATH_IMAGE231
、水面基站的处理时长/>
Figure 994207DEST_PATH_IMAGE232
及水下物联网设备将数据卸载至水面基站的卸载时长/>
Figure 838666DEST_PATH_IMAGE233
确定的；水下物联网设备的能耗的改善是根据据水下物联网设备的传输能耗
Figure 259283DEST_PATH_IMAGE234
及计算能耗/>
Figure 997432DEST_PATH_IMAGE235
确定的。
可选的，水下物联网设备能够减少回程的延迟
Figure 782985DEST_PATH_IMAGE236
，具体是根据公式（59）计算得到的：
Figure 239374DEST_PATH_IMAGE237
可选的，水下物联网设备的能耗的改善
Figure 870207DEST_PATH_IMAGE238
，具体是根据公式（60）计算得到的：
Figure 931704DEST_PATH_IMAGE239
可选的，水下物联网系统的资源增益数据
Figure 481634DEST_PATH_IMAGE240
，具体是根据公式（61）计算得到的：
Figure 566264DEST_PATH_IMAGE241
其中，
Figure 125422DEST_PATH_IMAGE242
表示因减少回程的延迟而获得的单位增益，/>
Figure 41425DEST_PATH_IMAGE243
表示因能耗的改善而获得的单位增益。
S702、根据水下航行器的传输能耗、运动能耗及水面基站的能耗，计算水下航行器在数据处理过程中的第一资源消耗数据、水下航行器在运动过程中的第二资源消耗数据及水面基站在数据处理过程中的第三资源消耗数据。
其中，根据水下航行器的传输能耗
Figure 903202DEST_PATH_IMAGE244
，计算水下航行器在数据处理过程中的第一资源消耗数据/>
Figure 334183DEST_PATH_IMAGE245
，具体是通过公式（62）计算得到的：
Figure 318537DEST_PATH_IMAGE246
其中，
Figure 151364DEST_PATH_IMAGE247
表示水下航行器的单位消耗。
可选的，根据水下航行器的运动能耗
Figure 511938DEST_PATH_IMAGE248
，计算水下航行器在运动过程中的第二资源消耗数据/>
Figure 40003DEST_PATH_IMAGE249
，具体是通过公式（63）计算得到的：
Figure 206542DEST_PATH_IMAGE250
/>
可选的，根据水面基站的能耗
Figure 769241DEST_PATH_IMAGE251
，计算水面基站在数据处理过程中的第三资源消耗数据/>
Figure 300717DEST_PATH_IMAGE252
，具体是通过公式（64）计算得到的：
Figure 440711DEST_PATH_IMAGE253
S703、根据资源增益数据、第一资源消耗数据、第二资源消耗数据及第三资源消耗数据，构建水下物联网系统的资源净增益模型。
本实施例中，根据资源增益数据、第一资源消耗数据、第二资源消耗数据及第三资源消耗数据，构建使水下物联网系统的资源净增益达到最大化的资源净增益模型。
可选的，水下物联网系统的消耗数据
Figure 755149DEST_PATH_IMAGE254
是根据第一资源消耗数据/>
Figure 562568DEST_PATH_IMAGE255
和第三资源消耗数据/>
Figure 937049DEST_PATH_IMAGE256
确定的，具体是通过公式（65）计算得到的：
Figure 767601DEST_PATH_IMAGE257
可选的，水下物联网系统的资源净增益数据
Figure 10364DEST_PATH_IMAGE258
是根据资源增益数据/>
Figure 547656DEST_PATH_IMAGE259
、水下物联网系统的消耗数据/>
Figure 217671DEST_PATH_IMAGE260
和第二资源消耗数据/>
Figure 535520DEST_PATH_IMAGE261
确定的，具体是通过公式（66）计算得到的：
Figure 457340DEST_PATH_IMAGE262
可选的，资源净增益模型是联合资源分配策略、运动轨迹策略
Figure 973772DEST_PATH_IMAGE263
、数据处理策略
Figure 690055DEST_PATH_IMAGE264
和缓存策略/>
Figure 291938DEST_PATH_IMAGE265
，根据水下物联网系统的资源净增益数据/>
Figure 79765DEST_PATH_IMAGE258
确定的，具体用公式（67）表示，其中，资源分配策略包括带宽分配策略/>
Figure 326070DEST_PATH_IMAGE266
和计算资源分配策略/>
Figure 337888DEST_PATH_IMAGE267
。
Figure 568012DEST_PATH_IMAGE268
Figure 690689DEST_PATH_IMAGE269
Figure 119396DEST_PATH_IMAGE270
Figure 443061DEST_PATH_IMAGE271
Figure 19536DEST_PATH_IMAGE272
Figure 821270DEST_PATH_IMAGE273
Figure 370063DEST_PATH_IMAGE274
/>
Figure 723684DEST_PATH_IMAGE275
Figure 397242DEST_PATH_IMAGE276
Figure 392880DEST_PATH_IMAGE277
Figure 468283DEST_PATH_IMAGE278
Figure 196068DEST_PATH_IMAGE279
Figure 481556DEST_PATH_IMAGE280
本实例提供的方法，由于根据水下物联网设备的传输能耗及计算能耗、水下物联网设备的处理时长、水面基站的处理时长及水下物联网设备将数据卸载至水面基站的卸载时长，计算水下物联网系统的资源增益数据，进而根据水下航行器的传输能耗、运动能耗及水面基站的能耗，计算水下航行器在数据处理过程中的第一资源消耗数据、水下航行器在运动过程中的第二资源消耗数据及水面基站在数据处理过程中的第三资源消耗数据，从而根据资源增益数据、第一资源消耗数据、第二资源消耗数据及第三资源消耗数据，构建水下物联网系统的资源净增益模型的方法，操作方便简单，实用性强。
参照图8，图8为一个实施例中预设运动轨迹、预设资源分配策略、预设数据处理策略及预设缓存策略的计算方法流程示意图。本实施例涉及的是如何计算预设运动轨迹、预设资源分配策略、预设数据处理策略及预设缓存策略的一种可选的实现方式。在上述实施例的基础上，具体计算方法包括如下步骤：
S801、构建与水下物联网系统的资源净增益模型对应的马尔科夫决策模型，马尔科夫决策模型包含与资源净增益模型对应的奖励函数。
本实例中，由于所构建的水下物联网系统的资源净增益模型是非凸且为NP-hard的，这对于传统的优化方法通常是难以解决的。因此，针对水下物联网系统的资源净增益模型，采用一种高效的分布式深度强化学习方法，即异步优势行动者-评论家( AsynchronousAdvantage Actor-critic，A3C)算法求解资源净增益模型的最大资源增益。
其中，将水下物联网系统的资源净增益模型转换为一个马尔科夫决策模型（Markove decision process, MDP），马尔科夫决策模型主要包括：状态空间、动作空间、策略、状态转移函数和奖励函数。
针对状态空间：在每一回合
Figure 890671DEST_PATH_IMAGE281
，状态/>
Figure 945215DEST_PATH_IMAGE282
包括：
水下航行器在回合
Figure 109480DEST_PATH_IMAGE281
的三维坐标：/>
Figure 757630DEST_PATH_IMAGE283
Figure 829492DEST_PATH_IMAGE284
回合的数据处理策略：/>
Figure 879487DEST_PATH_IMAGE285
/>
Figure 745812DEST_PATH_IMAGE284
回合的缓存策略：/>
Figure 209154DEST_PATH_IMAGE286
Figure 694494DEST_PATH_IMAGE284
回合的带宽分配策略：/>
Figure 989209DEST_PATH_IMAGE287
Figure 167380DEST_PATH_IMAGE284
回合的计算资源分配策略：/>
Figure 852439DEST_PATH_IMAGE288
Figure 266103DEST_PATH_IMAGE284
回合的运动轨迹策略：/>
Figure 25112DEST_PATH_IMAGE289
因此，在每一回合
Figure 764398DEST_PATH_IMAGE281
的状态/>
Figure 936753DEST_PATH_IMAGE290
用公式（68）表示：
Figure 763895DEST_PATH_IMAGE291
针对动作空间：在每一回合
Figure 33202DEST_PATH_IMAGE292
中，智能体根据观察到的状态/>
Figure 553176DEST_PATH_IMAGE290
选择一个动作
Figure 9565DEST_PATH_IMAGE293
，其中，/>
Figure 968294DEST_PATH_IMAGE293
包括：
Figure 436316DEST_PATH_IMAGE281
回合的数据处理策略：/>
Figure 517404DEST_PATH_IMAGE294
Figure 336456DEST_PATH_IMAGE281
回合的缓存策略：/>
Figure 98875DEST_PATH_IMAGE295
Figure 811616DEST_PATH_IMAGE281
回合的带宽分配策略：/>
Figure 407814DEST_PATH_IMAGE296
Figure 104374DEST_PATH_IMAGE281
回合的计算资源分配策略：/>
Figure 77010DEST_PATH_IMAGE297
Figure 113099DEST_PATH_IMAGE281
回合的运动轨迹策略：/>
Figure 4831DEST_PATH_IMAGE298
因此，在每一回合
Figure 64054DEST_PATH_IMAGE281
的动作/>
Figure 965014DEST_PATH_IMAGE299
用公式（69）表示：
Figure 590031DEST_PATH_IMAGE300
针对策略：用
Figure 793610DEST_PATH_IMAGE301
表示策略函数，策略函数是基于观察状态做出决定执行一个动作的概率分布。
针对状态转移函数：用
Figure 199184DEST_PATH_IMAGE302
表示每事件的转移概率，即在观察状态/>
Figure 779201DEST_PATH_IMAGE290
下执行动作/>
Figure 524303DEST_PATH_IMAGE299
进入下一状态/>
Figure 23417DEST_PATH_IMAGE303
的概率。
针对奖励函数：是水下物联网系统的资源净增益模型对应的目标函数，即水下物联网系统的最大资源净增益，用公式（70）表示：
Figure 526074DEST_PATH_IMAGE304
/>
S802、利用深度强化学习算法构建与奖励函数对应的策略-评价网络；策略-评价网络包括策略网络及评价网络。
本实施例中，策略-评价网络是由两个神经网络组成，即参数为
Figure 34415DEST_PATH_IMAGE305
的策略网络(行动者)和参数为/>
Figure 306128DEST_PATH_IMAGE306
的评价网络（评论家）。在每一回合/>
Figure 179406DEST_PATH_IMAGE281
中，评价网络预测的状态值用
Figure 293993DEST_PATH_IMAGE307
表示，智能体先根据当前状态/>
Figure 215812DEST_PATH_IMAGE290
下的策略/>
Figure 732244DEST_PATH_IMAGE308
执行一个动作/>
Figure 776424DEST_PATH_IMAGE299
，环境再切换到下一个状态/>
Figure 241954DEST_PATH_IMAGE303
并产生奖励函数/>
Figure 826519DEST_PATH_IMAGE309
。其中，策略-评价网络的状态值函数用公式（71）表示：
Figure 338403DEST_PATH_IMAGE310
其中，
Figure 350221DEST_PATH_IMAGE311
表示折扣因子，折扣因子用于配置未来的奖励函数/>
Figure 377083DEST_PATH_IMAGE309
影响当前状态的评价。
可选的，策略-评价网络采用
Figure 640705DEST_PATH_IMAGE312
步奖励来更新参数/>
Figure 131729DEST_PATH_IMAGE305
和/>
Figure 189815DEST_PATH_IMAGE306
，用公式（72）表示：
Figure 969552DEST_PATH_IMAGE313
其中，
Figure 895920DEST_PATH_IMAGE312
表示/>
Figure 116817DEST_PATH_IMAGE312
步回报所需要的时间步数。
可选的，为减少估计方差并提高智能体的决策能力，将策略-评价网络的优势函数
Figure 736017DEST_PATH_IMAGE314
用公式（73）表示：
Figure 409575DEST_PATH_IMAGE315
S803、构建策略网络的损失函数及评价网络的损失函数，根据策略网络的损失函数更新策略网络的初始参数，以及根据评价网络的损失函数更新评价网络的初始参数。
其中，根据策略-评价网络的优势函数
Figure 342896DEST_PATH_IMAGE314
，构建策略网络的损失函数，用公式（74）表示：
Figure 277354DEST_PATH_IMAGE316
其中，
Figure 208401DEST_PATH_IMAGE317
表示用于鼓励探索和避免局部最优的熵项，/>
Figure 493889DEST_PATH_IMAGE318
表示管控熵项正则化的强度。
可选的，根据策略-评价网络的优势函数
Figure 965321DEST_PATH_IMAGE314
，构建评价网络的损失函数，用公式（75）表示：/>
Figure 895231DEST_PATH_IMAGE319
可选的，针对根据策略网络的损失函数更新策略网络的初始参数的过程中，策略网络的累积梯度，具体是通过公式（76）更新：
Figure 121813DEST_PATH_IMAGE320
可选的，针对根据评价网络的损失函数更新评价网络的初始参数的过程中，评价网络的累积梯度，具体是通过公式（77）更新：
Figure 504384DEST_PATH_IMAGE321
可选的，为了有效地训练策略-评价网络，采用RMSProp算法，以大幅度的提高梯度下降的速度，其中，RMSProp算法的梯度具体用公式（78）表示：
Figure 576245DEST_PATH_IMAGE322
其中，
Figure 954137DEST_PATH_IMAGE323
表示策略网络的损失函数的累计梯度或评价网络的损失函数的累计梯度，/>
Figure 695828DEST_PATH_IMAGE324
表示动量。
可选的，根据公式（78）更新策略网络的初始参数，具体过程通过公式（79）表示：
Figure 221487DEST_PATH_IMAGE325
其中，
Figure 34723DEST_PATH_IMAGE326
表示一个很小的步数，/>
Figure 939225DEST_PATH_IMAGE327
表示学习速率。
可选的，根据公式（78）更新评价网络的初始参数，具体过程通过公式（80）表示：
Figure 242030DEST_PATH_IMAGE328
S804、根据策略网络更新后的参数、评价网络更新后的参数，计算水下航行器的预设运动轨迹、与多个目标设备群内各水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略。
本实施例中，根据策略网络更新后的参数
Figure 864772DEST_PATH_IMAGE305
、评价网络更新后的参数/>
Figure 278436DEST_PATH_IMAGE306
，确定智能体的最优策略/>
Figure 365341DEST_PATH_IMAGE329
，进而根据最优策略/>
Figure 714414DEST_PATH_IMAGE329
，计算水下航行器的预设运动轨迹、与多个目标设备群内各水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略。
本实施例提供的方法，由于构建的策略-评价网络结合了策略网络和评价网络的强化学习算法的优点，进而能够实现策略网络和评价网络的异步更新过程，以提高学习效率，从而能够快速，准确的计算水下航行器的预设运动轨迹、与多个目标设备群内各水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的数据处理方法的数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个数据处理装置实施例中的具体限定可以参见上文中对于数据处理方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种数据处理装置，该装置900，包括：控制模块901、第一获取模块902和处理模块903，其中：
控制模块901，用于控制水下航行器按照预设运动轨迹向多个目标设备群运动；目标设备群内包括多个水下物联网设备；
第一获取模块902，用于针对目标设备群内的各水下物联网设备，获取与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略；
处理模块903，用于根据与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对水下物联网设备中的第一类数据进行数据处理；或根据与水下物联网设备对应的预设数据处理策略，控制水下物联网设备对水下物联网设备中的第二类数据进行本地处理。
本实施例提供的数据处理装置，通过控制水下航行器按照预设运动轨迹向多个包含多个水下物联网设备的目标设备群运动，针对目标设备群内的各水下物联网设备，获取与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，并根据与水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对水下物联网设备中的第一类数据进行数据处理，或根据与水下物联网设备对应的预设数据处理策略，控制水下物联网设备对水下物联网设备中的第二类数据进行本地处理。由于本申请实施例通过控制水下航行器按照预设运动轨迹向多个包含多个水下物联网设备的目标设备群运动，并在针对各水下物联网设备时，水下物联网设备可以直接对第二类数据进行本地处理，而无需由水面基站对水下物联网设备中的所有数据进行处理。因此，不需要通过水下航行器将水下物联网设备中第二类数据进行采集并传输至水面基站，才能实现水面基站对水下物联网设备的第二类数据进行本地处理。进而，根据预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对水下物联网设备中的第一类数据进行数据处理，或根据预设数据处理策略控制水下物联网设备对水下物联网设备中的第二类数据进行本地处理，从而能够大幅度的提高水下物联网中的数据处理效率。
在一个实施例中，控制模块901，包括：
第一控制单元，用于控制水下航行器按照预设移动方向及预设移动速度向多个目标设备群运动；
第二控制单元，用于在水下航行器移动至目标设备群的预设范围内时，控制水下航行器在预设范围内悬停预设悬停时间；预设悬停时间为目标设备群内各水下物联网设备在预设数据处理策略下的数据处理时长的最大值；
在一个实施例中，预设数据处理策略用于配置水下物联网设备中的第一类数据由水面基站进行处理及配置水下物联网设备中的第二类数据由水下物联网设备进行本地处理；预设缓存策略用于为多个目标设备群内各水下物联网设备配置待缓存数据的数据量大小，且各水下物联网设备的待缓存数据的数据量大小之和小于或等于水面基站的最大存储容量。
在一个实施例中，处理模块903，包括：
分配单元，用于针对水下物联网设备，根据与水下物联网设备对应的预设资源分配策略为水下物联网设备分配对应的带宽资源；
第一采集单元，用于在水下航行器悬停至目标设备群的预设范围内时，根据与水下物联网设备对应的预设数据处理策略，控制水下航行器按照带宽资源及为水下物联网设备所配置的待缓存数据的数据量大小，采集水下物联网设备中的第一类数据，并将第一类数据传输至水面基站；
第三控制单元，用于控制水面基站对第一类数据进行数据处理。
在一个实施例中，第三控制单元具体用于针对目标设备群内的各水下物联网设备，获取为水下物联网设备所分配的计算资源；控制水面基站按照计算资源，对从水下物联网设备中所采集的第一类数据进行处理。
在一个实施例中，该装置900，还包括：
第二获取模块，用于获取水下物联网设备的数据处理时长、水面基站的数据处理时长及水下物联网设备将数据卸载至水面基站的卸载时长；卸载时长包括水下航行器从水下物联网设备采集数据的时长及将所采集到的数据传输至水面基站的传输时长；
第三获取模块，用于获取水下物联网设备的能耗、水下航行器的能耗及水面基站的能耗；水下物联网设备的能耗包括水下物联网设备的传输能耗及计算能耗；水下航行器的能耗包括水下航行器的传输能耗及运动能耗；水面基站的能耗包括水面基站的计算能耗；
第一构建模块，用于根据水下物联网设备的能耗、水下航行器的能耗及水面基站的能耗、水下物联网设备的处理时长、水面基站的处理时长及水下物联网设备将数据卸载至水面基站的卸载时长，构建水下物联网系统的资源净增益模型；水下物联网系统包括计算机设备、多个目标设备群、多个水下航行器及水面基站。
在一个实施例中，第一构建模块，还包括：
第一计算单元，用于根据水下物联网设备的传输能耗及计算能耗、水下物联网设备的处理时长、水面基站的处理时长及水下物联网设备将数据卸载至水面基站的卸载时长，计算水下物联网系统的资源增益数据；
第二计算单元，用于根据水下航行器的传输能耗、运动能耗及水面基站的能耗，计算水下航行器在数据处理过程中的第一资源消耗数据、水下航行器在运动过程中的第二资源消耗数据及水面基站在数据处理过程中的第三资源消耗数据；
构建单元，用于根据资源增益数据、第一资源消耗数据、第二资源消耗数据及第三资源消耗数据，构建水下物联网系统的资源净增益模型。
在一个实施例中，该装置900，还包括：
第二构建模块，用于构建与水下物联网系统的资源净增益模型对应的马尔科夫决策模型，马尔科夫决策模型包含与资源净增益模型对应的奖励函数；
第三构建模块，用于利用深度强化学习算法构建与奖励函数对应的策略-评价网络；策略-评价网络包括策略网络及评价网络；
更新模块，用于构建策略网络的损失函数及评价网络的损失函数，根据策略网络的损失函数更新策略网络的初始参数，以及根据评价网络的损失函数更新评价网络的初始参数；
计算模块，用于根据策略网络更新后的参数、评价网络更新后的参数，计算水下航行器的预设运动轨迹、与多个目标设备群内各水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略。
上述数据处理装置中的各模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储海洋中的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据处理方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (11)

1.一种数据处理方法，其特征在于，应用于计算机设备，所述方法包括：
控制水下航行器按照预设运动轨迹向多个目标设备群运动；所述目标设备群内包括多个水下物联网设备；
针对所述目标设备群内的各所述水下物联网设备，根据水下物联网系统的资源净增益模型获取与所述水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略；所述水下物联网系统包括所述计算机设备、多个目标设备群、多个所述水下航行器及水面基站；所述资源净增益模型为根据所述水下物联网设备的能耗、所述水下航行器的能耗及所述水面基站的能耗、所述水下物联网设备的处理时长、所述水面基站的处理时长及所述水下物联网设备将数据卸载至所述水面基站的卸载时长，所构建的所述水下物联网系统的资源净增益模型；
根据与所述水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制所述水面基站对所述水下物联网设备中的第一类数据进行数据处理；或根据与所述水下物联网设备对应的预设数据处理策略，控制所述水下物联网设备对所述水下物联网设备中的第二类数据进行本地处理。
2.根据权利要求1所述的方法，其特征在于，所述预设运动轨迹包括预设移动方向、预设移动速度及预设悬停时间，所述预设移动方向包括从起始点指向所述目标设备群的方向或从所述目标设备群指向下一个所述目标设备群的方向；
所述控制水下航行器按照预设运动轨迹向多个目标设备群运动，包括：
控制所述水下航行器按照所述预设移动方向及所述预设移动速度向多个所述目标设备群运动；
在所述水下航行器移动至所述目标设备群的预设范围内时，控制所述水下航行器在所述预设范围内悬停所述预设悬停时间；所述预设悬停时间为所述目标设备群内各所述水下物联网设备在所述预设数据处理策略下的数据处理时长的最大值。
3.根据权利要求1所述的方法，其特征在于，所述预设数据处理策略用于配置所述水下物联网设备中的第一类数据由所述水面基站进行处理及配置所述水下物联网设备中的第二类数据由所述水下物联网设备进行本地处理；
所述预设缓存策略用于为多个所述目标设备群内各所述水下物联网设备配置待缓存数据的数据量大小，且各所述水下物联网设备的待缓存数据的数据量大小之和小于或等于所述水面基站的最大存储容量。
4.根据权利要求3所述的方法，其特征在于，所述根据与所述水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制水面基站对所述水下物联网设备中的第一类数据进行数据处理，包括：
针对所述水下物联网设备，根据与所述水下物联网设备对应的所述预设资源分配策略为所述水下物联网设备分配对应的带宽资源；
在所述水下航行器悬停至所述目标设备群的预设范围内时，根据与所述水下物联网设备对应的所述预设数据处理策略，控制所述水下航行器按照所述带宽资源及为所述水下物联网设备所配置的待缓存数据的数据量大小，采集所述水下物联网设备中的第一类数据，并将所述第一类数据传输至所述水面基站；
控制所述水面基站对所述第一类数据进行数据处理。
5.根据权利要求4所述的方法，其特征在于，所述预设资源分配策略还用于为所述水下物联网设备分配对应的计算资源；所述控制所述水面基站对所述第一类数据进行数据处理，包括：
针对所述目标设备群内的各所述水下物联网设备，获取为所述水下物联网设备所分配的所述计算资源；
控制所述水面基站按照所述计算资源，对从所述水下物联网设备中所采集的第一类数据进行处理。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：
获取所述水下物联网设备的数据处理时长、所述水面基站的数据处理时长及所述水下物联网设备将数据卸载至所述水面基站的卸载时长；所述卸载时长包括所述水下航行器从所述水下物联网设备采集数据的时长及将所采集到的数据传输至所述水面基站的传输时长；
获取所述水下物联网设备的能耗、所述水下航行器的能耗及所述水面基站的能耗；所述水下物联网设备的能耗包括所述水下物联网设备的传输能耗及计算能耗；所述水下航行器的能耗包括所述水下航行器的传输能耗及运动能耗；所述水面基站的能耗包括所述水面基站的计算能耗；
根据所述水下物联网设备的能耗、所述水下航行器的能耗及所述水面基站的能耗、所述水下物联网设备的处理时长、所述水面基站的处理时长及所述水下物联网设备将数据卸载至所述水面基站的卸载时长，构建水下物联网系统的资源净增益模型；所述水下物联网系统包括所述计算机设备、多个目标设备群、多个所述水下航行器及所述水面基站。
7.根据权利要求6所述的方法，其特征在于，所述根据所述水下物联网设备的能耗、所述水下航行器的能耗及所述水面基站的能耗、所述水下物联网设备的处理时长、所述水面基站的处理时长及所述水下物联网设备将数据卸载至所述水面基站的卸载时长，构建水下物联网系统的资源净增益模型，包括：
根据所述水下物联网设备的传输能耗及计算能耗、所述水下物联网设备的处理时长、所述水面基站的处理时长及所述水下物联网设备将数据卸载至所述水面基站的卸载时长，计算所述水下物联网系统的资源增益数据；
根据所述水下航行器的传输能耗、运动能耗及所述水面基站的能耗，计算所述水下航行器在数据处理过程中的第一资源消耗数据、所述水下航行器在运动过程中的第二资源消耗数据及所述水面基站在数据处理过程中的第三资源消耗数据；
根据所述资源增益数据、所述第一资源消耗数据、所述第二资源消耗数据及所述第三资源消耗数据，构建所述水下物联网系统的资源净增益模型。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
构建与所述水下物联网系统的资源净增益模型对应的马尔科夫决策模型，所述马尔科夫决策模型包含与所述资源净增益模型对应的奖励函数；
利用深度强化学习算法构建与所述奖励函数对应的策略-评价网络；所述策略-评价网络包括策略网络及评价网络；
构建所述策略网络的损失函数及所述评价网络的损失函数，根据所述策略网络的损失函数更新所述策略网络的初始参数，以及根据所述评价网络的损失函数更新所述评价网络的初始参数；
根据所述策略网络更新后的参数、所述评价网络更新后的参数，计算所述水下航行器的所述预设运动轨迹、与多个所述目标设备群内各所述水下物联网设备对应的所述预设资源分配策略、所述预设数据处理策略及所述预设缓存策略。
9.一种数据处理装置，其特征在于，所述装置包括：
控制模块，用于控制水下航行器按照预设运动轨迹向多个目标设备群运动；所述目标设备群内包括多个水下物联网设备；
第一获取模块，用于针对所述目标设备群内的各所述水下物联网设备，根据水下物联网系统的资源净增益模型获取与所述水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略；所述水下物联网系统包括计算机设备、多个目标设备群、多个所述水下航行器及水面基站；所述资源净增益模型为根据所述水下物联网设备的能耗、所述水下航行器的能耗及所述水面基站的能耗、所述水下物联网设备的处理时长、所述水面基站的处理时长及所述水下物联网设备将数据卸载至所述水面基站的卸载时长，所构建的所述水下物联网系统的资源净增益模型；
处理模块，用于根据与所述水下物联网设备对应的预设资源分配策略、预设数据处理策略及预设缓存策略，控制所述水面基站对所述水下物联网设备中的第一类数据进行数据处理；或根据与所述水下物联网设备对应的预设数据处理策略，控制所述水下物联网设备对所述水下物联网设备中的第二类数据进行本地处理。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202211401496.4A 2022-11-09 2022-11-09 数据处理方法、装置、计算机设备和存储介质 Active CN115460567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211401496.4A CN115460567B (zh) 2022-11-09 2022-11-09 数据处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211401496.4A CN115460567B (zh) 2022-11-09 2022-11-09 数据处理方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN115460567A CN115460567A (zh) 2022-12-09
CN115460567B true CN115460567B (zh) 2023-03-24

Family

ID=84310210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211401496.4A Active CN115460567B (zh) 2022-11-09 2022-11-09 数据处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115460567B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108627802A (zh) * 2018-04-09 2018-10-09 青岛科技大学 多信源海洋物联网定位方法
CN110958591A (zh) * 2019-12-20 2020-04-03 中国船舶工业系统工程研究院 一种广域海洋物联网海上跨域通信管控系统
CN112787920A (zh) * 2021-03-03 2021-05-11 厦门大学 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
CN114021770A (zh) * 2021-09-14 2022-02-08 北京邮电大学 网络资源优化方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4022532A1 (en) * 2019-09-18 2022-07-06 Hartford Steam Boiler Inspection and Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108627802A (zh) * 2018-04-09 2018-10-09 青岛科技大学 多信源海洋物联网定位方法
CN110958591A (zh) * 2019-12-20 2020-04-03 中国船舶工业系统工程研究院 一种广域海洋物联网海上跨域通信管控系统
CN112787920A (zh) * 2021-03-03 2021-05-11 厦门大学 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
CN114021770A (zh) * 2021-09-14 2022-02-08 北京邮电大学 网络资源优化方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AUV-Aided Hierarchical Information Acquisition;Qin Chuan 等;《IEEE GLOBECOM 2020 - 2020 IEEE Global Communications Conference 》;20210125;全文 *
挺进深蓝：从单体仿生到群体智能;陈健瑞 等;《电子学报》;20211230(第12期);全文 *

Also Published As

Publication number Publication date
CN115460567A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN112511250B (zh) 一种基于drl的多无人机空中基站动态部署方法及系统
CN109275099B (zh) 水下无线传感器网络中基于voi的多auv高效数据收集方法
CN113778691B (zh) 一种任务迁移决策的方法、装置及系统
CN113613301B (zh) 一种基于dqn的空天地一体化网络智能切换方法
Yan et al. Data collection optimization of ocean observation network based on AUV path planning and communication
Sonny et al. Autonomous UAV path planning using modified PSO for UAV-assisted wireless networks
Wang et al. Task scheduling for distributed AUV network target hunting and searching: An energy-efficient AoI-aware DMAPPO approach
CN114007231B (zh) 异构无人机数据卸载方法、装置、电子设备及存储介质
Al-Habob et al. Age-optimal information gathering in linear underwater networks: A deep reinforcement learning approach
Liang et al. Influences of temperature and salinity on holistic network performability of multi-AUV cooperative systems
CN113114399B (zh) 基于生成对抗网络的三维频谱态势补全方法和装置
CN115460567B (zh) 数据处理方法、装置、计算机设备和存储介质
Seong et al. Multi-UAV trajectory optimizer: A sustainable system for wireless data harvesting with deep reinforcement learning
Jia et al. Online V2X scheduling for raw-level cooperative perception
WO2017199909A1 (ja) 分散協調情報処理装置、分散協調情報処理方法、及び記録媒体
CN116009590B (zh) 无人机网络分布式轨迹规划方法、系统、设备及介质
CN117580063A (zh) 一种车联网络中多维资源协同管理方法
Yan et al. Service caching for meteorological emergency decision-making in cloud-edge computing
Hazarika et al. Hybrid machine learning approach for resource allocation of digital twin in UAV-aided internet-of-vehicles networks
CN116321181A (zh) 一种多无人机辅助边缘计算的在线轨迹及资源优化方法
CN114384530A (zh) 水下目标追踪方法、装置和计算机设备
Liu et al. AoI-aware UAV-enabled marine MEC networks with integrated sensing, computation, and communication
Yang et al. Intelligent computation offloading for joint communication and sensing-based vehicular networks
CN113381824B (zh) 水声信道测量方法、装置、无人潜航器和存储介质
Wang et al. Multi-AUV Cooperative Underwater Multi-Target Tracking Based on Dynamic-Switching-enabled Multi-Agent Reinforcement Learning

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