文摘

最近,已被称作edge-based移动群体感知已经成为一个重要的传感技术,利用移动设备收集环境信息基于使用的一组移动边缘服务器部署在网络边缘之间的联系用户和中央服务器进行数据过滤和聚合。每个用户可以收集多个集体传感数据类型在移动。促进数据聚合,相同的数据类型被认为是由各种用户上传相同的移动边缘服务器。主要问题是确定服务器应激活处理每个数据类型减少总成本。在这篇文章中,问题是制定不合格的一种形式multicommodity设施选址问题。为了解决这个问题,两个边缘服务器位置提出了策略,使用聚类的方法对移动用户的数据项的集合划分成集群和使用蚁群的方法选择一个移动边缘服务器为每个数据类型在每个集群。广泛的模拟是基于广泛使用的真实数据集进行的。仿真结果表明,该策略实现更好的性能比现有的方法在服务条款和设施成本。

1。介绍

在最近几十年,出现了新的传感模式,已被称作叫做移动群体感知(MCS),由于很多移动设备的存在有效的传感和强大的功能在人类生活中1- - - - - -4]。在MCS,移动设备是用于收集传感数据表单周围环境(5,6]。这个收集的数据可以用于引入各种服务,如建设无线环境地图(7],路边停车管理[8),和评估路面(9]。

以前,传统MCS的体系结构是集中的,有一个中央服务器(CS)接收从手机用户直接上传的传感数据。这种传统MCS的主要缺点是,在大规模场景的情况下,中央服务器可能会收到一个很大数量的数据流从移动用户,这创造了一个非常高的CS和网络上的负载。此外,用户隐私的泄漏风险增加,因为所有收集的数据都存储在CS。幸运的是,由于物联网的快速发展(神往)和5 g通信,移动计算的范式(MEC) [10- - - - - -12)是非常有用的在解决MCS的集中式架构的问题。

移动计算(MEC) (13)可以移动计算和处理任务移动边缘服务器(混乱)位于数据源附近,而不是执行他们在CS (14]。因此,MCS体系结构提出了一种新的层通过分发组CS和移动用户之间的混乱像一座桥。在这个策略,移动用户可以上传传感数据混乱而不是直接上传CS。这一层聚合物和流程上传数据。基于数据类型由移动用户,MCS范式将引导他们不同的边缘服务器上传数据。换句话说,每种类型的数据聚合在一个单一的市场经济地位。然后,聚合和加工数据被发送到CS的MCS提供可用的服务。聚合相同类型的数据在一个MES可以过滤冗余传感数据和删除错误和冗余数据。这个过程减少了数据的大小将被发送到CS,减少计算负荷和CS网络流量。

已被称作edge-based MCS场景中收集数据的群体感知,总成本(TC)包括两个必须考虑成本,服务成本(SC)和设备成本(FC)。SC代表运动的成本的用户上传数据,FC包括服务器激活成本(SAC)代表激活MES的成本和数据处理成本(DPC)代表上传数据的处理成本。通常在日常生活中,手机用户很长时间呆在工作场所和家庭等一些地方,然后他们会把这些地方上传数据,回到他们的起始。因此,SC的总旅行距离用户从最初的位置,之后经过相应的混乱和回到初始位置。如图1SC的用户 成本的总和吗 , , ,和 。ES的足球俱乐部 是 ,其中包括囊和DPC的成本吗 分别的数据类型。因此,基于这种情况,主要问题是哪些MES应该激活处理每种类型的数据的总成本最小化(TC)。这个问题被称为移动边缘服务器激活问题(MESAP)。


图1
问题描述系统edge-based MCS的用户 每天运动成本 , , ,和 上传数据和服务器 这成本 激活服务器 处理数据 (修改后的示例基于[15])。

edge-based MCS范式研究在各个领域,如已被称作车辆群体感知(16),任务分配17),和用户招聘(18,19]。然而,没有人考虑的问题最小化数据卸载edge-based MCS的成本。现有工作任务卸载MEC专注于最小化最大完工时间的(20.,21的任务执行或开销22,23]。因此,他们不考虑用户的运动成本数据卸载过程中,他们不能直接应用于edge-based MCS场景描述。此外,现有的工作在MCS没有考虑数据处理的开销代表服务器视图,但是他们从用户视图关注成本最小化数据上传(24,25]。第一个研究,考虑了服务器视图(设施成本、FC)和用户视图(服务成本,SC)提出了在15]。

本文解决MESAP,服务器和用户的角度是在(15]。基于这些观点,MESAP制定基于问题的uncapacitated multicommodity设施位置,和两个边缘服务器位置的策略建议。每个提议的策略使用聚类方法将移动用户与数据项集划分为集群。第一个策略使用蚁群的方法在第一层为集群中的每个数据类型选择MES。然后,它合并所有混乱的选择集,并使用一个简单的启发式方法二线重新分配每个数据类型它适当的移动边缘服务器,而第二个策略使用蚁群的方法在这两个层次的选择和重新分配的过程。

介绍了本文的主要贡献如下:(我)制定MESAP作为uncapacitated multicommodity设施选址问题(2)使用集群移动用户与数据项集划分为集群(3)利用蚁群的方法为每个数据类型选择合适的ES(iv)提出了一种新的启发式策略称为单层制蚁群clustering-based策略来解决这个问题(v)提出了一种新的启发式策略称为双层蚁群clustering-based策略来解决这个问题(vi)学习和模拟的性能提出策略使用的数据集是广泛用于现实世界:欧洲/流动性,罗马/出租车,geolife轨迹

剩下的纸是组织在以下方式。第二部分的相关工作进行了综述。在本节中,移动边缘服务器激活(MESAP)是描述问题,也提出了集群ant-colony-based策略。在第三节中,评估和仿真结果进行评估提出的策略的性能。最后,本文最后一部分得出结论。

2.1。已被称作Edge-Based移动群体感知(emc)

有一些方法,提出了基于分布式架构的MCS。在[26),提出了一种新的匿名数据收集方法估算数据分布。在[27),作者研究了传感数据的相关性影响微分隐私保护MCS系统,介绍了两种机制的扰动两种不同的观点。从保护的角度来看,他们引入了一个机制,使用微分隐私的标准定义推导出造型的刻度值基于贝叶斯网络的概率遥感数据之间的相关性。在对手的角度来看,他们提出了一个机制,分析了最大相关集团的重要性计算贝叶斯微分隐私泄漏基于高斯相关模型来描述数据的相关性。

在[28),作者提出了两种策略来管理隐私保护声誉和处理恶意参与者在MCS基于边缘计算。Marjanovic et al。29日)提出了MCS MEC范式在MCS提高服务质量。在[16),作者引入了edge-based框架的应用已被称作大型车辆群体感知最小化参与车辆的能源消耗已被称作异类群体感知应用程序。作者在30.)提出了一个edge-based网络选择方案已被称作车辆群体感知和制定问题作为一个与双目标优化问题,用户满意度最大化。在[31日),边缘计算的基础上,作者提出了一个分布式分类框架MCS支持分散的激励。在[32),作者介绍了在MCS edge-assisted激励机制来满足个人的合理性和真实性。在[17),作者提出了一个在MCS fog-assisted任务分配方法。此外,方案与fog-assisted安全数据重复数据删除方法,提出了提高沟通的效率。此外,有一些方法,提出了集中用户招聘edge-aided MCS [18,19,33]。在[18),对稀疏数据收集,作者调查了用户招聘。在[19,33),作者提出了一个在edge-based MCS incentive-aware招聘的机制。此外,在[15],作者研究了MCS的边缘服务器位置问题,提出的策略已被称作边缘服务器位置尽量减少群体感知成本,也考虑了设备成本(server透视图)和服务成本(用户角度)。然而,作者在15)没有考虑负载平衡在MCS混乱的场景。

提到的方法探索edge-based MCS从不同的方面。不过,他们都没有考虑所有方面的设备成本,服务成本,和负载平衡。因此,在本文中,提出了新的边缘服务器位置策略解决边缘服务器位置问题,考虑所有这些问题。

2.2。设施选址的问题(FLP)

设施选址的问题(FLP)是一个典型的优化问题,确定一个仓库或工厂的最佳位置是基于设备成本,运输距离和地理的需求。写下的目标是最大化利润的供应商基于给定的位置和客户的需求。隔爆引发了众多研究人员的兴趣。FLP基于设备的容量,可以分为生产设施的位置34- - - - - -36)和uncapacitated设施位置(37- - - - - -40]。此外,有许多经典的形状隔爆。例如,的问题k中位数是一种隔爆有限制打开设备的数量。在[41),作者制定客户的总运动最小化的问题和设施的问题k中位数。解决的问题k中,作者在42提出了一个贪婪的本地搜索算法。的k程度的FLP uncapacitated是另一个形状的隔爆设施之间的要求必须在一个等级秩序。FLP 2级,有一些作品,如(37,38),提出了近似算法。此外,(43]介绍了多级隔爆的对数近似算法。另一方面,客户可以要求商品的一个子集,在这种情况下,隔爆的问题叫做multicommodity设施选址(漏)。在[39,44uncapacitated MF),作者提出了近似算法,而作者在35为生产漏磁场)提出了一个广泛的方法。此外,一些工作考虑设备中断,一些失败的设施可能遭受(45- - - - - -47]。

FLP本文将代表基于问题的uncapacitated multicommodity设施位置,因为它被认为是在15]。FLP这种形式的不同于经典的漏磁场,这考虑两个约束条件如下:(1)每个商品只能通过单一的服务设施和各种设施(2)之间的旅行距离。这两个约束条件使隔爆问题比经典的漏磁场,所以大多数的方法不适用FLP直接解决问题。

基于上述思想,主要的挑战如下:(1)最简单的隔爆是np困难,(2)有多种数据类型,和旅行的距离移动边缘服务器被认为确定一个设施选址策略以最低的成本,所以它是更加困难比传统的隔爆,只有一种类型的数据,(3)传统的组合优化方法不能很好地工作在多种数据类型的场景。

2.3。移动边缘服务器激活问题(MESAP)
2.3.1。假设和模型

这里,MCS场景描述如下:(1)首先,移动用户收集传感数据,(2)移动用户上传数据到移动边缘服务器,(3)移动边缘服务器执行数据过滤和聚合,(4)聚合数据被发送到中央云服务器、(5)最后,云服务器分析数据,然后生成的知识将用于MCS的提供服务。

为了满足前面提到的场景中,一个架构edge-based MCS是必需的。这里,这个架构包含一个云中央服务器, ,一组移动边缘服务器, ,在哪里 移动边缘服务器的总数,和一组手机用户 ,在哪里 移动用户的总数。此外,还有一组数据类型表示 ,在哪里 是数据类型的总数。每个移动边缘服务器 能够在任何配置操作吗 和成本的处理组合的数据类型来标示 。每个移动边缘服务器 有一个激活的成本 对于每个数据类型 ,有一个增量成本的处理 。因此,设备成本 激活边缘服务器 与配置 定义如下:

每个用户 在 有一组数据项指示为 ,每个数据项 有一个数据类型 在 。因此,每个用户可以携带多个数据类型表示 。在这里,服务成本 为移动用户 代表了一个移动的旅行距离用户上传数据过程中,任何用户的地方 启动的初始位置 然后移动到它的记者移动边缘服务器 一个接一个,最后返回到初始位置。这个服务成本 定义如下: 在哪里 代表两个不同的位置之间的距离旅行成本。

假设所有数据项的完整表示的所有用户 描述如下:

如图2为用户 将转向服务器 , ,和 上传数据, 将消耗成本 ,代表总距离吗 旅行。而对于用户 将服务器 和 上传数据, 将花费成本 ,代表总距离吗 旅行。具体来说,旅行成本命名为起始和服务器之间 例如,服务成本 或 ,和服务器命名之间的旅行费用 服务成本等 。本文使用的主要符号表所示1。


图2
Edge-based MCS系统模型的例子。服务器 , ,和 选择处理数据类型 , ,和 ,(修改后的示例基于[分别15])。
表1
主要使用的符号。
2.3.2。问题公式化

找到一个解决方案决定移动边缘服务器将被激活和数据类型分配给激活移动边缘服务器的总成本最小化,移动边缘服务器激活问题(MESAP)将制定。

基于的描述 为每个移动用户 和 为每个移动边缘服务器 ,一个新的变量 提出了表明是否移动边缘服务器吗 被激活或未激活的。当 被激活, 将1和0,反之亦然。此外,该变量 提出了表明移动边缘服务器呢 流程 数据类型,它是0,否则。变量 如果用户 与 数据类型是分配给服务器 上传数据。考虑到什么时候 激活服务器的成本 ,因此,移动边缘服务器激活问题(MESAP)制定如下: 我们有

第一个约束(15)意味着存在MES处理每种类型的数据由每个用户。第二个约束(16)意味着每个数据类型由单一MES处理。第三个约束(17)意味着只有当MES有能力来处理相应的数据类型,用户可以上传数据。第四个约束(18)确保移动边缘服务器有能力处理数据时激活。第五个约束(19)表明,决策变量的值 , ,和 仅0或1。该策略的目的是找到最好的组混乱,降低总成本,满足上述约束。

2.4。提出的蚁群Clustering-Based策略

在本节中,解决MESAP策略提出了两个边缘服务器位置。第一个策略叫做单层制蚁群clustering-based策略(OTACS)和第二个策略被称为双层蚁群clustering-based策略(TTACS)。在本节的其余部分,提出的策略的关键理念将介绍,然后详细描述两种提出策略。

2.4.1。基本思想

该策略的基本思想取决于那些如下:(1)利用集群移动用户的数据项的集合划分为集群,(2)使用蚁群的方法为每个数据类型选择合适的MES在每个集群,(3)合并选择的子集的移动边缘服务器集群,和(4)重新分配移动边缘服务器为每个类型的数据合并为所有用户基于移动边缘服务器设置。

为了满足该策略的基本思想,首先,蚁群方法的概述将然后提出的两个策略OTACS TTACS将详细描述。

2.4.2。蚁群的方法的概述

蚁群优化(ACO)是一个基于meta-heuristic技术取决于真实蚂蚁的觅食行为。这些蚂蚁寻找食物,构建从巢穴到食物源的最短路径。算法是一种算法,构造基于数据的问题,他们的解决方案,提出了应用离散优化问题。在实际环境中,随机蚂蚁寻找食物来源。当一只蚂蚁发现食物来源,他们携带一些食物回他们的殖民地。此外,当他们沿着路径移动,留下一个化学物质被称为信息素时移动。反过来,费洛蒙的更高的利率代表了更短的路径。通过使用信息素轨迹作为通信机制,每只蚂蚁使决策。费洛蒙留在地面的强度取决于溶液的质量(食物)。与多个蚂蚁信息素轨迹积累在更短的路径,导致更高的密度比长路径,因此增加其吸引力。 By using an evaporation rate, all pheromone remains are eventually reduced. On the other side, an evaporation process introduces the exploration and prevents staying in a local minimum. At the end of each iteration, the values of pheromone are updated [48,49]: 在哪里 蚂蚁的移动的概率是决定 从节点 到节点 。这样的决定取决于信息素和启发式信息的水平。 是一组可能的社区被蚂蚁尚未访问 , 是一个启发式函数,然后呢 上的信息素量的优势在哪里 和 。 和 的参数确定的相对重要性的启发式信息,信息素浓度。信息素更新可以制定以下列方式:

更新过程是由蒸发 在哪里 是不断减少的因素的信息素, 解决方案的成本由蚂蚁吗 ,和 是一个常数。上述优化过程是一定数量的迭代后停止。

2.4.3。单层制蚁群Clustering-Based策略(OTACS)

首次提出策略叫做单层制蚁群clustering-based策略(OTACS)。OTACS包含四个阶段如下:阶段1:聚类阶段在此阶段,减少数量的候选人选拔过程混乱,OTACS使用聚类方法(任何现有的聚类算法可以使用聚类方法)将移动用户的集合 与他们的数据项 基于每个移动用户的初始位置到集群,每个集群必须至少有一个移动边缘服务器。让我们表示一组集群 ,在哪里 创建集群的总数。每个集群 有以下设置:(我)一系列的混乱在一个集群中, ,在哪里 是移动的数量在这个集群和边缘服务器 (2)一组移动用户在一个集群中, ,在哪里 是手机用户的数量在这个集群和 (3)一组数据项为所有手机用户在一个集群中 ,在哪里 (iv)的一组数据类型在一个集群中, 在哪里 在这个集群和数据类型的数量吗 在这里,K算法则是用来创建所需的最优数量的集群和集群获得通过使用轮廓的方法。假设有一组数据点 ,然后点的轮廓系数 , ,是集群效度的测量,定义如下: 在哪里 代表点与其他点的平均距离在同一集群中, 代表,点与点的平均距离最近的集群的集群。的价值 范围从−1 + 1。如果该值的 是接近1,然后重点是放在正确的集群。如果该值的 是负的,重点是放在错误的集群。如果是0,集群之间的对象(50]。然后,平均轮廓值 计算所有集群中的所有点(假设集群的数量 和全部数据点的数量 )如下: 如果该值的 相当高,那么集群的数量 是最优的;换句话说,集群结构 集群是适当的。另一方面,如果该值 往往是非常少或消极,那么集群结构 集群是不合适的,它可能有或多或少数量的集群比最优值。如图3、集群 有一个市场经济地位, ,三个用户, ,和四个数据类型, 。集群 有一个市场经济地位 ,两个用户 ,和三个数据类型 。集群 有两个混乱, ,三个用户 ,和三个数据类型 。集群 有一个市场经济地位, ,两个用户 ,和四个数据类型 。集群 有一个市场经济地位, ,两个用户 ,和三个数据类型 。阶段2:集群中配置阶段在这个阶段,每个集群OTACS使用蚁群(ACO)方法来选择一个移动边缘服务器为每个类型的数据基于设备成本 每个移动边缘服务器 和服务成本 每个移动用户的 。这个阶段的目的是定义如下: 我们有 这个阶段的输出是一组选定的移动边缘服务器, ,代表最合适的混乱过滤和聚合所有数据项在这个集群,每个数据类型是分配给只有一个移动边缘服务器 。阶段3:合并阶段在此阶段,OTACS合并所有集群移动边缘服务器的选择集 成一个一整套选择移动边缘服务器, ,这是定义如下: 阶段4:重新分配阶段在此阶段,OTACS是重新分配移动边缘服务器为每个数据类型为所有用户。为每个数据类型 ,通过使用一系列的选择移动边缘服务器, 。假设整个组选择移动边缘服务器 ,在哪里 表示移动边缘服务器的数量 。这一阶段的目标是制定如下: 我们有 基于这个目标,OTACS使用一个简单的启发式方法来选择最合适的移动边缘服务器为每个类型的数据。OTACS计算所有移动边缘服务器的总成本在整个组选择移动边缘服务器, ,然后为每个数据类型 ,OTACS选择移动边缘服务器与最低总成本, ,这样 在哪里 代表了总成本分配数据类型 移动边缘服务器 。


图3
集群edge-based MCS系统模型的例子。
2.4.4。双层蚁群Clustering-Based策略(TTACS)

OTACS首次提出策略,移动边缘服务器的负载均衡分配用户的数量和分配给每个激活移动服务器的数据项不考虑。因此,第二个提议的策略称为双层蚁群clustering-based策略(TTACS)用于解决这个问题。TTACS由四个阶段OTACS首次提出策略,但它有相同的前三个阶段描述OTACS:聚类阶段,集群中分配阶段,和合并阶段。在第四阶段,重新分配阶段,而不是一个简单的启发式用于OTACS, TTACS使用蚁群(ACO)方法来选择最合适的移动边缘服务器为每个类型的数据。对于每个数据类型,TTACS使用适应度函数依赖于所有移动边缘服务器的总成本在整个组选择移动边缘服务器, ,然后构造最好的移动边缘服务器将所有数据类型设置为激活edge-based场景的MCS考虑改善这激活服务器上的负载平衡。

基于这四个阶段的OTACS TTACS,他们可以选择最合适的移动边缘服务器为每个类型的数据被激活在edge-based MCS的场景。图4介绍一个例子,这四个阶段的OTACS和TTACS提出策略。


图4
提出的策略的四个阶段的例子。
2.4.5。计算复杂度OTACS TTACS

在这里,计算复杂度描述的建议策略是基于战略的阶段。在前两部分,如图所示OTACS TTACS包括四个阶段:聚类阶段,集群中分配阶段,合并阶段,和重新分配的阶段。所以,OTACS的计算复杂度和TTACS取决于每个阶段这四个阶段的复杂性将描述如下:(我)复杂的聚类阶段。在此阶段,OTACS TTACS使用k则算法用于创建k集群,所以这个阶段的计算复杂度 ,在哪里 最大迭代数吗k则和 和 是移动用户和移动边缘服务器的数量,分别。(2)集群中分配阶段的复杂性。在这个阶段,OTACS TTACS使用ACO的方法寻找最合适的移动边缘服务器设置在每个集群,所以这个阶段的计算复杂度 ,在哪里 算法和迭代的最大数量吗 和 是移动边缘服务器的数量和数据类型在集群 ,分别。(3)合并的复杂性相。在此阶段,OTACS和TTACS合并所有选定的组移动边缘服务器集群,所以这个阶段的计算复杂度 ,在哪里 选择移动边缘服务器的总数在整个集合。(iv)重新分配阶段的复杂性。在此阶段,OTACS使用启发式算法进行重新分配的一组选定的服务器,所以OTACS在这个阶段的计算复杂度 ,在哪里 是在系统和数据类型总数 选择移动边缘服务器的总数在整个集合,而TTACS使用一种算法的方式重新分配一组选定的服务器,所以TTACS的计算复杂度在这个阶段是什么 ,在哪里 算法和迭代的最大数量吗 选择移动边缘服务器的总数在整个集合。

因此,最后计算复杂度OTACS和TTACS ,和 ,分别。表2摘要的最后计算复杂度OTACS TTACS。

表2
摘要OTACS最后计算复杂度和TTACS。

3所示。评估和仿真结果

3.1。仿真设置和数据准备

评估拟议的战略,低成本的六个策略的性能首先(低频),最小平均距离(DIS) biogeography-based优化与粒子群优化(BBO_PSO) [47],APX2 [15],CMSA [15),和随机比较OTACS和TTACS提出策略。在低频策略中,移动边缘服务器 最低的加工成本, ,选择为每个数据类型 。在说,移动边缘服务器最低的平均距离移动用户设置为每个数据类型被选中。BBO_PSO,启发式算法用于选择一个移动边缘服务器使总成本最大化的健身为每个数据类型。在随机策略,移动边缘服务器为每个类型的数据是随机选择的。在APX2 [15),选择移动边缘服务器通过使用理论近似方法为基础设施和服务成本。在CMSA [15),选择移动边缘服务器通过使用一个连接可替换主体模拟退火算法基于设施和服务成本。

此外,评估性能的建议策略来最小化传感成本,三个数据集是广泛使用在现实世界中,这是罗马的数据集/出租车[51),epfl)的数据集/流动[52],geolife轨迹数据集[53]。旧金山海湾地区的GPS轨迹大约500辆出租车,美国、欧洲职业足球联盟被记录在/移动设置超过30天。罗马/出租车的数据集在罗马,意大利,这包括大约320辆出租车的GPS协调流动痕迹,收集了超过30天。geolife轨迹的数据集在geolife项目的182名用户,其中包括17621年GPS轨迹采集距离为120万公里。

模拟,使用均匀分布随机生成设备成本,和移动用户的服务成本作为旅行的距离,当上传遥感数据在现实世界的数据集。注意,第一个GPS用户的轨迹的位置选为初始位置和POI职位候选人选择移动边缘服务器的位置。

3.2。评价指标

在这里,评价指标用于评估所有策略描述如下:(我)数量的激活移动边缘服务器(名称)是选择服务器的数量被激活来处理所有的数据类型(2)总成本(TC)是设备成本的总和, ,和服务成本, ,对于所有激活的混乱和移动用户。(3)负载平衡的服务器用户(LBSU)激活混乱之间的平均负载平衡基于移动服务用户的数量由每个激活移动边缘服务器。假设的集合激活混乱来标示 为每个激活MES和负载平衡 用户来标示 。服务器用户的平均负载平衡, ,定义如下: 在哪里 和 是激活移动边缘服务器的数量。(iv)负载平衡的服务器数据(LBSD)激活混乱之间的平均负载平衡的基础上,从移动用户接收的数据项的数量每个激活MES。假设每个激活MES的负载平衡 接收的数据项的表示 。的平均负载平衡服务器数据, ,定义如下: 在哪里 注意,低价值的avgLBSU和avgLBSD更好满足激活服务器上的负载平衡。

3.3。数据类型的数量的影响

这里,不同数量的数据类型的影响对所有策略研究和探讨当移动边缘服务器的数量是20,手机用户的数量是270的欧洲/移动设置,和130年的geolife轨迹和罗马/出租车集。数据5(一个)- - - - - -5 (c)epfl)显示激活移动边缘服务器的数量/流动性,geolife轨迹,分别和罗马/出租车。如图5(一个)- - - - - -5 (c)激活服务器数量的增长,数据类型数量的增加对大多数策略。此外,提出的策略,OTACS TTACS,实现合理的值不是很低或非常高。这是因为OTACS和TTACS使用k - means聚类的方法来减少服务器数量的候选人,也可以选择适当的数量的激活服务器根据适应度函数。此外,激活服务器的数量的TTACS大于OTACS最值的数据类型的数量。这是因为TTACS使用两层改善蚁群的方法激活服务器的负载平衡,而OTACS使用蚁群在一个层。

(一)
(一)
(b)
(b)
(c)
(c)
图5
激活的服务器数量的数据类型:(a)欧洲职业/移动设置,(b) geolife轨迹,和(c)罗马/出租车集。

数据6(一)- - - - - -6 (c)epfl)显示,实现总成本/流动性,geolife轨迹,分别和罗马/出租车。如图6(一)- - - - - -6 (c),实现总成本增加数据类型数量的增加对大多数策略。此外,该策略OTACS和TTACS实现最低的总成本在所有策略。这是因为OTACS和TTACS使用k——聚类方法和蚁群的方法,适应度函数取决于设施和服务成本最小化。

(一)
(一)
(b)
(b)
(c)
(c)
图6
总成本的数据类型:epfl) (a) /流动,(b) geolife轨迹,和(c)罗马/出租车集。

数据7(一)- - - - - -7 (c)显示的平均负载平衡sever-user epfl) (avgLBSU) /流动,geolife轨迹,分别和罗马/出租车。如图7(一)- - - - - -7 (c),avgLBSU减少数据类型数量的增加对大多数策略除了说策略。这是因为当数据项的数量增加,激活服务器数量的增加,负载均衡分布其中。此外,OTACS和TTACS LBSU值低于LBSU值的其他策略。这就是因为OTACS TTACS可以分发服务器负载的用户使用k意味着集群和蚁群的方法。说的策略,avgLBSU值影响较小,改变数据类型的数量。因为说只使用旅行距离选择服务器被激活。

(一)
(一)
(b)
(b)
(c)
(c)
图7
负载平衡的服务器用户(LBSU)的数据类型:epfl) (a) /流动,(b) geolife轨迹,和(c)罗马/出租车集。

数据8(一个)- - - - - -8 (c)显示切断数据的平均负载平衡(avgLBSD)欧洲职业/流动性,geolife轨迹,分别和罗马/出租车。如图8(一个)- - - - - -8 (c),avgLBSD减少数据类型数量的增加对大多数策略除了说策略。这是因为当数据项的数量增加,激活服务器数量的增加,负载均衡分布其中。此外,OTACS和TTACS LBSU值低于LBSU值的其他策略。这是因为OTACS TTACS可以分发服务器负载的用户使用k意味着集群和蚁群的方法。说的策略,avgLBSD值影响较小,改变数据类型的数量。这是因为说只使用旅行距离选择服务器被激活。

(一)
(一)
(b)
(b)
(c)
(c)
图8
负载平衡的服务器数据(LBSD)的数据类型:(一)欧洲/流动,(b) geolife轨迹,和(c)罗马/出租车集。
3.4。的服务器数量的影响

这里,不同的服务器数量的影响进行了研究和讨论策略当数据类型的数量是6和移动用户号码是270的欧洲/移动设置和130的geolife轨迹和罗马/出租车集。数据9(一个)- - - - - -9 (c)epfl)说明激活移动边缘服务器的数量/流动性,geolife轨迹,分别和罗马/出租车。如图9(一个)- - - - - -9(d),激活服务器的数量是影响较小作为大多数候选人服务器数量的增长策略。此外,提出策略,OTACS TTACS,实现更高的价值比其他策略,而在罗马/出租车的情况下,OTACS和TTACS实现合理的值不是很低或高。这是因为OTACS和TTACS使用k——聚类方法来减少服务器数量的候选人,和它可以选择适当的数量的激活服务器基于他们的健身功能。

(一)
(一)
(b)
(b)
(c)
(c)
图9
激活服务器的候选人服务器数量:(a)欧洲职业/移动设置,(b) geolife轨迹,和(c)罗马/出租车集。

数据10 ()- - - - - -10 (c)epfl)显示,实现总成本/流动性,geolife轨迹,分别和罗马/出租车。如图10 ()- - - - - -10 (c),实现总成本影响较小作为大多数候选人服务器数量的增长策略。此外,提出的策略、OTACS TTACS, APX2,达到最低的总成本在所有策略。这是因为OTACS、TTACS APX2考虑设施和服务成本。此外,OTACS和TTACS使用k——聚类方法和蚁群的方法,适应度函数取决于设施和服务成本最小化,APX2使用理论近似算法。

(一)
(一)
(b)
(b)
(c)
(c)
图10
总成本的候选人服务器:epfl) (a) /流动,(b) geolife轨迹,和(c)罗马/出租车集。

数据(11日)- - - - - -11 (c)显示的平均负载平衡sever-user epfl) (avgLBSU) /流动,geolife轨迹,分别和罗马/出租车。如图(11日)- - - - - -11 (c),avgLBSU影响候选人的服务器数量的增加对大多数策略。这就是因为当候选人服务器数量的增加,激活服务器的数量是影响较小,它们之间的负载平衡将被分发。此外,OTACS LBSU值和TTACS低于LBSU值的其他策略。这是因为OTACS TTACS可以分发服务器负载的用户通过使用k-mean集群和蚁群的方法。

(一)
(一)
(b)
(b)
(c)
(c)
图11
负载平衡的服务器用户(LBSU)的候选人服务器:epfl) (a) /流动,(b) geolife轨迹,和(c)罗马/出租车集。

数据12(一个)- - - - - -12 (c)显示切断数据的平均负载平衡(avgLBSD)欧洲职业/流动性,geolife轨迹,分别和罗马/出租车。如图12(一个)- - - - - -12 (c),avgLBSD影响候选人的服务器数量的增加对大多数策略。这是因为当候选人服务器的数量增加,激活服务器的数量是影响较小,它们之间的负载平衡将被分发。此外,OTACS和TTACS LBSU值低于LBSU值的其他策略。这是因为OTACS TTACS可以分发服务器负载的用户使用k意味着集群和蚁群的方法。

(一)
(一)
(b)
(b)
(c)
(c)
图12
负载平衡的服务器数据(LBSD)的候选人服务器:epfl) (a) /流动,(b) geolife轨迹,和(c)罗马/出租车集。
3.5。用户的数量的影响

在这里,不同的用户数量的影响进行了研究和讨论策略当数据类型的数量是6和移动边缘服务器的数量是20 epfl /流动性,geolife轨迹,和罗马/出租车集。数据(13日)- - - - - -13 (c)epfl)显示激活移动边缘服务器的数量/流动性,geolife轨迹,分别和罗马/出租车。如图(13日)- - - - - -13 (c),激活服务器的数量影响候选人的服务器数量的增加对大多数策略。此外,提出的策略,OTACS TTACS,实现更高的价值比其他策略。在罗马/出租车的情况下,OTACS和TTACS实现合理的值不是很低或高。这是因为OTACS和TTACS使用k——聚类方法来减少候选人服务器和它可以选择适当的数量的激活服务器根据适应度函数。

(一)
(一)
(b)
(b)
(c)
(c)
图13
激活服务器的用户数量:(a)欧洲职业/移动设置,(b) geolife轨迹,和(c)罗马/出租车集。

数据14(一)-14epfl) (c)显示,实现总成本/流动性,geolife轨迹,分别和罗马/出租车。如图14(一)-14(c),实现总成本随着用户数量的增加对大多数策略。此外,该策略OTACS TTACS, APX2实现最低的总成本在所有策略。这是因为OTACS、TTACS APX2考虑设施和服务成本。此外,OTACS和TTACS使用k——聚类方法和蚁群的方法,适应度函数取决于设施和服务成本最小化和APX2使用理论近似算法。

(一)
(一)
(b)
(b)
(c)
(c)
图14
总成本的候选人服务器:epfl) (a) /流动,(b) geolife轨迹,和(c)罗马/出租车集。

数据(15日)- - - - - -15 (c)显示的平均负载平衡sever-user epfl) (avgLBSU) /流动,geolife轨迹,分别和罗马/出租车。如图(15日)- - - - - -15 (c),avgLBSU影响随着用户数量的增加对大多数策略。这是因为当用户的数量增加,激活服务器的数量是影响较小,它们之间的负载平衡将被分发。此外,OTACS和TTACS LBSU值低于LBSU值的其他策略。这是因为OTACS TTACS可以分发服务器负载的用户使用k意味着集群和蚁群的方法。

(一)
(一)
(b)
(b)
(c)
(c)
图15
负载平衡的服务器用户(LBSU)的用户:epfl) (a) /流动,(b) geolife轨迹,和(c)罗马/出租车集。

数据(16日)- - - - - -16 (c)显示切断数据的平均负载平衡(avgLBSD)欧洲职业/流动性,geolife轨迹,分别和罗马/出租车。如图(16日)- - - - - -16 (c),avgLBSD影响随着用户数量的增长对于大多数策略。这是因为当用户的数量增加,激活服务器的数量是影响较小,它们之间的负载平衡将被分发。此外,OTACS和TTACS LBSU值低于LBSU值的其他策略。这是因为OTACS TTACS可以分发服务器负载的用户使用k意味着集群和蚁群的方法。

(一)
(一)
(b)
(b)
(c)
(c)
图16
负载平衡的服务器数据(LBSD)的用户:epfl) (a) /流动,(b) geolife轨迹,和(c)罗马/出租车集。

总之,这些进行模拟的结果表明,在第一种情况下“改变数量的数据类型,提出方法OTACS和/或TTACS胜过所有现有方法的总成本和负载平衡服务器用户和他们的服务器数据值低于现有的方法来实现。在第二种情况下“改变”的服务器数量和第三例”的用户数量变化,“OTACS提出方法和/或TTACS胜过所有现有方法的总成本APX2除外。然而,他们比所有现有方法的负载平衡服务器用户和服务器数据他们值低于现有的方法来实现。因此,提出的方法比APX2,因为它们能保证候选人之间的负载平衡服务器但APX2不能。

4所示。结论

本文提出两种边缘服务器位置策略最小化已被称作移动群体感知的设施和服务成本。这两种方法被称为单层制蚁群clustering-based策略(OTACS)和双层蚁群clustering-based策略(TTACS)。每个提议的策略使用聚类的方法将移动用户的数据项的集合划分为集群。OTACS使用蚁群的方法在第一层选择移动边缘服务器为每个数据类型在每个集群。然后,它合并所有移动边缘服务器的选择集,并使用一个简单的启发式方法二线重新分配每个数据类型它适当的移动边缘服务器,而TTACS使用一个蚁群的方法在这两个层的选择和重新分配的过程。提出的策略比较有六个现有的策略。进行模拟是基于广泛使用的数据集在现实世界:ep /流动性,罗马/出租车,geolife轨迹。仿真结果表明,该策略实现更好的性能比现有的方法服务成本,设备成本,负载平衡服务器用户服务器数据分布。在未来的工作中,将被认为是新问题,如能源消耗的移动用户,使用不同的聚类算法和应用不同的MCS场景。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这个项目是由院长以来科研(域),阿卜杜勒·阿齐兹国王大学,吉达,在批准号df - 868 - 130 - 1441。因此,作者承认域的技术和财政支持。