文摘
资源分配一直是一个关键技术在无线传感器网络(WSN),但大多数传统的资源分配算法是基于单一接口网络。多界面和多通道网络的出现和发展解决许多瓶颈问题单界面和单通道网络,它也带来了新的机遇,无线传感器网络的发展,但多界面和多通道技术不仅提高了无线传感器网络的性能,也带来了巨大挑战,无线传感器网络的资源分配。边缘计算云计算改变了传统的集中式处理方法为方法,减少了计算存储容量网络的边缘,面临着用户和终端。的优势实现低延迟、高带宽,和快速的反应。因此,本文提出了一种联合优化算法基于边缘的资源分配计算。我们建立无线传感器分配模型,然后提出了我们的算法模型与边缘计算的优势相结合。相比与传统的分配算法(PCOA、MCMH和TDMA),它可以进一步提高资源利用率,降低网络能耗,增加网络容量,减少计划的复杂性。
1。介绍
无线传感器网络(WSN)是一种分布式传感器网络。其终端的传感器可以感知外部世界并检查。传感器的基础上通过无线方式进行通信,所以网络设置灵活,设备的位置可以改变在任何时候,他们还可以与互联网连接在有线或无线方式。因为它的多次反射、自组织、低成本、广泛的覆盖范围,广泛应用于军事、电脑、和通信、航空航天等领域。无线传感器网络的应用前景非常广泛,可广泛应用于环境监测和预测、医疗、智能家居、建筑物状态监控、复杂机械监控、城市交通、空间探索、大型车间,仓库管理,以及机场、大型工业园区的安全监测等领域(1- - - - - -3]。因此,学者利用云计算的模型和提出一个云计算的计算模型,扩展了设备的物理介质,以便它可以满足各种应用程序的资源需求。
在无线传感器网络通常引用的资源等有限的资源渠道,能源、时段和无线电频率4]。无线传感器网络的资源分配是指协调各种资源通过资源分配计划在有限的资源约束下,然后达到提高资源的利用率,降低了干扰,提高了服务质量,最大化网络吞吐量和网络能力的目标。文献[5,6]研究了联合功率控制的分段算法,速度调整。后转发节点功率分配比例确定,价格算法研究了迭代方法来刺激该节点与其他节点合作。文献[7]提出的多通道网络的电干扰定价模型,使用基于最优效用的定价机制,并基于该模型,提出了一个逐步相关联合优化算法。电力价格和干扰价格调整信道和功率分配的链接网络效用最大化。文献[8- - - - - -11)综合考虑因素,如链接有效容量,网络干扰和流保护和拥塞避免模型建立联合功率控制和信道分配。此外,基于遗传算法的拥塞避免机制。然而,算法需要收集全球信息,这就增加了算法的计算复杂度,相对较大的通信延迟。为了更好的减少干扰和平衡网络能耗,文献[12,13)建立了一个博弈模型于一体的干扰和残余能量收益函数。文献[14]不仅考虑了功率控制和信道分配对网络性能的影响,还考虑了节点分配率的影响和网络层网络上的频率,提出一种跨层资源配置联合设计方法。
许多经典问题在云计算领域仍然存在边缘计算。管理是一个研究的热点,研究如何提高功率效率,缩短任务执行时间,提高任务成功率通过高效的资源管理。然而,不像在云计算资源管理,资源管理在边缘计算需要结合自身的特点,制定相应的管理策略15]。从研究目标的角度来看,虽然设备近年来发展迅速,电池续航能力始终是一个牢不可破的瓶颈,很大程度上限制了设备的发展。为此,可以进一步优化资源管理下边缘计算体系结构,合理配置资源,提高电源效率,并使用有限的力量尽可能完成更多的任务。从资源的角度优化方法、资源管理在边缘计算通常需要计算和通信资源的联合优化。与云计算,它有更多的通过互联网访问云服务提供商(16- - - - - -18]。作为关键技术解决瓶颈在5克,边缘计算近年来发展迅速,受到广泛关注。文献[19)提出了管状的系统,它提供了一种动态和自动配置“正如云系统”,扩大薄云通过协调多个设备。使用附近的未使用的设备提供计算服务在网络的边缘,从而减少网络延迟在传统计算迁移到云计算中心。文献[20.)认为,在一个场景,多个用户使用不同的计算工作量和本地计算能力共享一个边缘服务器,一个凸优化算法用于控制卸载数据的大小和时间分布。尽量减少能源消耗和延迟成本多用户MEC系统与多个任务为每个用户,文献[21)用可分半定松弛法优化处理的成本。上传决策、通信资源和计算资源。
2。相关理论和技术
2.1。计算边缘的概述
计算边缘(EC)由ETSI在2014年首次提出。5克被认为是最密切相关的边缘计算访问网络,5 g将广泛应用用例,边缘和支持率远高于其他网络访问技术。边缘计算为用户提供服务。系统的特点是短距离、低延迟、高带宽。它将提供本地化的云计算功能和实时无线网络和上下文信息。一方面,电子商务可以提高用户体验和节省带宽资源。另一方面,电子商务可以为移动边缘服务器计算能力。通过提供第三方应用程序集成,可以移动服务创新的优势。边缘计算的最新发展,以及生态的新技术前沿的明确的目标定位在中国,为进一步发展奠定了坚实的基础计算。然而,大量的工作需要做利用边缘计算的长期潜力。
欧共体的参考体系结构由ETSI白皮书如图1。体系结构可以分为四个部分:用户设备层(问题),EC系统级别的管理层,EC服务器级别的管理层,和电子商务服务器层。
用户设备运行应用程序可以直接访问电子商务系统,它支持第三方客户,如商业企业通过CFS门户访问电子商务系统。是否用户设备或第三方用户,首先到达MEC系统级别的访问。在这一层,应用程序用户提交的设备首先到达应用程序生命周期,负责调解请求,如开始、终止或迁移应用程序的用户设备在电子商务系统(22]。接下来,OSS决定是否授权请求,并将授权请求发送到移动边缘编排。移动边缘编排主要负责维护全球可用的资源视图和电子商务服务。
边缘计算的实现技术主要包括三个方面:云计算和虚拟化,大容量服务器,应用程序和服务的生态系统。这一转换成功地将应用程序,软件平台,降低硬件资源与监督程序。在一个平台,可以部署到多个虚拟机共享硬件资源控制和灵活的方法。云计算和虚拟化技术已经被电信云计算和虚拟化网络功能。它们正在改变IT行业的转型模式在过去10年里,边缘计算的关键技术。高容量服务器指的是硬件水平,因为边缘计算是将集中的云平台,所以边缘计算对服务器性能的依赖是不容忽视的。高容量的硬件可以促进边缘计算的商业上的成功。
2.2。计算的基本框架和应用优势
与建筑设计的成熟和完善,电子商务技术各领域继续满足多样化的应用需求。几个EC应用场景给出在ETSI白皮书23),包括内容优化和缓存、视频分析、物联网、互联网的车辆,如图2。
2.2.1。内容优化和缓存
内容优化指的是动态优化的内容根据提供的信息网络,如细胞ID、细胞负荷,链接质量,和数据吞吐量,提高网络效率。视频缓存保存核心网络的带宽和处理时间当终端请求视频回放。
2.2.2。增强现实
基于“增大化现实”技术是一种技术,以提高或扩大用户看到的真实世界的图像通过使用额外的元素生成的设备,包括声音、图片和视频。基于“增大化现实”技术的应用程序有大量数据处理的特点和高计算能力需求的设备。它需要获得用户的位置和角度信息来实现图像叠加。
2.2.3。视频分析
视频分析是一种计算机视觉技术,基于视频场景中背景和目标分离,实现目标跟踪和识别和提取目标的特征属性或判断其行为。视频的应用表示:车牌识别、人脸识别和安全监控。视频分析和检测算法通常具有较高的计算复杂度。
2.2.4。物联网
物联网是一种网络连接产品与网络通过各种智能技术来有效地传递和交换信息,实现有效的管理和智能控制产品。卸货所产生的计算密集型任务物联网设备电子商务服务器有助于简化物联网设备和减少能源消耗,延长设备的寿命。电子商务服务器通常有一定的计算资源和覆盖内收集分布式信息的能力。电子商务技术的引入到物联网可以帮助物联网设备从困境中脱离出来,他们必须拥有强大的计算能力来实现功能。
2.2.5。互联网的车辆
车辆的网络之间的信息交换是一个通信系统,实现车辆通过车辆之间的交互和网络,车辆和行人,车辆和路边单元。通过给路边基站计算和存储能力,车辆的应用服务可以从CN转移到网络边缘节点进行处理。减少往返延迟的数据处理、电子商务服务器可以接收、分析、和过程附近的车辆和路边传感器的信息,早期警告危险的道路,和及时通知其他车辆,司机可以提前反应。这种技术的应用也使自动驾驶成为可能。
2.3。相关技术的基础
无线网络是一个网络数据传输系统,独立于计算机设备的位置使用无线电波代替电缆。这是一个重要的现代数据通信系统的发展方向。无线传感器网络是信息领域的研究热点之一,它可以用于信号采集、处理和传输在特殊环境。无线传感器网络(WSN)是一种新的信息获取和处理技术。它在现实生活中应用越来越广泛。目前,作为一种新的技术来获取和处理信息,无线传感器网络被广泛研究。随着通信技术的发展,嵌入式技术,传感器技术,传感器正逐渐向智能化发展,小型化和无线网络。然后,信息传送到数据处理中心或基站通过无线模式,最后发送到观察者意识到物理世界的连接,计算机世界,和人类社会。无线传感器网络系统通常包括传感器节点、水槽节点,和管理节点,如图3。
无线传感器网络主要由传感器单元、数据处理单元、无线接收单元,电池单元。多功能的优势,能源消耗低,利用率高,成本低。在实际应用的过程中,大量的传感器节点分布在监测区域,通过自组织形成良好的网络系统。此时,监测传感器节点收集的数据可以通过附近的传感器节点。这些数据可能是由多个传感器节点和聚集在处理多个传输后的节点,最后,通过卫星或互联网渠道管理节点,技术人员在管理节点配置和管理数据,获得监测数据,分析监测结果。结合无线传感器网络的实际情况,我们可以发现它有一些特点。在实际应用的过程中,为了获得最准确的信息在最大的范围内,技术人员经常安排大量的传感器节点在监测区域,设置数千个节点,并形成大规模传感器网络节点,技术人员通常需要将传感器节点在该地区没有基础设施。他们与周围的传感器节点可以连接形成一个节点网络,构建一个拓扑控制机制,自动形成一个传感器监测数据网络系统,发挥自我组织的优势。在实际应用的过程中,传感器网络的运行状态不是不变的,而是会逐渐改变周围环境的变化和时间的推移,它是动态的。数据的一个重要元素在传感器网络的过程中操作。 Sensor network is a task-based network structure, which mainly uses the data information obtained by sensor nodes to complete the operation task.
3所示。基于边缘的网络资源分配算法计算
3.1。MRMC-WSN资源分配模型
大多数模型都是基于单一接口多通道环境,不适合多界面的多通道网络。在这种情况下,本节以链接的干扰和冲突为约束,为了延长网络生命,最大化网络容量,改善资源分配的平衡和结构资源分配的多目标优化模型。公式如下:
在上面的模型中,方程(1)代表的最大网络生命周期,代表节点的生命周期,表达式所示以下方程: 在哪里意味着节点的能量消耗在槽内。一般来说,网络的生命周期的定义大致可以分为两种。第一个可以定义网络生命周期的持续时间网络直到死亡节点的比例低于给定的阈值。第二个可以被定义为无线传感器网络的生命周期,这是传感器节点的生命周期,是第一个失败由于电池能量的消耗。使用第二种定义方法,我们首先计算节点的最低寿命,然后优化函数最大化最小的节点。为了确保一致性目标函数的多目标优化,方程(1)转化为一个最小化问题,如所示
方程的目的(2)是最大化网络容量链接的链接吗和链接解决方案的能力中描述方程(9)。网络能力在一定程度上反映了通信的质量。同样,方程(1)所示的最小化问题转化为如下方程:
方程(3)显示所有链接的总容量的平衡在每个时间段进行沟通。如果资源分配不平衡,甚至会导致资源的浪费和网络拥塞,导致网络通信延迟。总容量的标准偏差在每个槽用于表示资源分配的平衡。
方程(4)表示每个节点的接口约束。每个节点都有一个有限数量的接口,这是不到正交通道的数量。有限数量的接口将与节点相关联的链接共享相同的接口,和两个链接在一个接口不能在同一时间,传输是所有节点的通信链路的集合和代表节点的数量的接口 。方程(5)是干涉约束。为了不影响正常通信,网络中所有的链接应该满足信噪比条件下 。
MRMC-WSN,增加接口,多个链接的节点可以同时通信。然而,随着交流的链接数的提高同时,冲突的干扰和通信网络也将增加,这将导致能源消耗过度,网络容量有限,资源分配不平衡等问题。资源分配问题是图所示4。通过分析槽调度之间的交互作用,共同的能源消耗模型槽调度、信息分布和功率调整,干扰和网络容量模型,建立了负载平衡评价模型。
3.2。基于边缘MRMC-WSN资源分配的优化算法计算
联合资源优化算法在无线传感器网络可以提高资源利用率,避免了网络通信冲突,减少干扰,提高通信质量和网络吞吐量。然而,传统的资源分配模型和算法设计为单一接口单通道或单一接口多通道无线传感器网络。通过引入传感器节点与多个射频接口为无线传感器网络,网络中的同步通信链接的数量的增加会增加接口。因此,multi-information分布技术的应用可以提高网络吞吐量。然而,尽管改善网络性能的各个方面,这也意味着资源分配算法的复杂性,提高无线传感器网络。因此,本节提出了一种联合优化算法基于边缘计算资源分配的无线传感器网络(ECROA),解决问题的沟通链接之间的冲突。
分析表明,将通信图转换为解决TDMA slot-scheduling冲突图的问题,但这一转变过程是基于单一接口的无线传感器网络。在本节中,联合分配优化方案来解决之前提出MRMC-WSN slot-scheduling模型。首先,邻近的节点的链接,以避免槽造成的冗余故障调度。此外,它不仅可以提高资源的利用率,还考虑槽的公平分配。使用显示链接的数量分配槽 。当槽是分配给链接 ,公平可以表示为
与边缘共同资源分配优化方法计算本文总结如图5。图5所示,边缘计算的目的是使用的策略计算迁移,主要计算密集型任务迁移到云计算中心有足够的资源实现。但是对于大规模的边缘设备和大量的数据,传输影响它的计算能力是一个重要的因素,所以边缘计算模型的迁移策略是减少网络传输的数据迁移策略的目的,而不是边缘设备迁移的计算密集型任务。传感器网络分布的过程中,它可以解决传感器网络的计算资源,提高计算的效率。
4所示。仿真结果和性能分析
为了验证资源联合分配优化算法的性能(ECROA)基于边缘计算,在这一节中使用MATLAB实现各种性能仿真比较。首先,通过分析能源消耗、负载平衡约束决定。其次,使用信息分布的联合控制和优化算法(PCOA),多通道多次反射算法(MCMH)和时分多址(TDMA)无线传感器网络与本文算法比较,本文算法的优势ECROA进行了分析。最后,不同边缘的影响计算资源配置效率的算法提出了分析。
4.1。参数的影响网络容量和能耗
在执行比较分析之前,有必要确定ff在负载平衡的价值评估模型。节点随机分布在40 m×40 m的范围。网络结构如图6(一)。节点和链接的数量是27和28。数字{1,2,…,30}代表节点所代表的位置。从图可以看出,该算法实现无冲突之间的通信链接,链接的数量在每个时间段都是平等的。这是因为公平是在分配时间槽。
(一)
(b)
大量的实验表明,该方案没有收敛能力由于选择范围的缩小,当 。因此,他们将400年、450年、500年和550年,分别为每个参数实验和10。从曲线图可以看出,越小的能源消耗将会导致更大的网络容量。这是由于以上因素相互作用和矛盾的,和更大的影响。因此,删除负载平衡约束将提高网络容量和降低能源消耗。因此,考虑到以上因素,它可以作为= 500。
因为方法不同,不同的主导解决方案对网络性能的影响进行了分析。上述公式平衡的解决方案已经得到帕累托解集。结果如图所示7。其中,左边和右边的图表,分别代表数据解决方案下最好的网络容量和nondominated解决方案和最好的能源消耗。在图中,数字{1,2,…,30} indicate the link ID, and different channels are represented by different identifiers. It can be found from the figure that multifarious schemes are completely multifarious.
(一)
(b)
4.2。比较不同的优化算法
在这一部分中,首先分析网络中的每个链接的干扰情况下的边缘computing-based优化算法的基础资源配置ECROA PCOA和算法,MCMH和TDMA,网络中的每个链接的干扰情况如图8(一)。
(一)
(b)
从图可以看出,ECROA算法的链路干扰低于PCOA, MCMH [24],TDMA (25)算法。在ECROA算法,甚至一些链接几乎零干扰。这是因为ECROA算法共同优化时间段调度。为了进一步分析网络中的干扰情况,平均干扰时记录所有链接的网络的节点数量逐渐从5到30日变化如图8 (b)。的平均干扰PCOA、MCMH和TDMA算法也会增加,但在ECROA算法,平均干扰的节点数量几乎没有变化。此外,平均干扰ECROA算法总是低于PCOA MCMH, TDMA算法。
4.3。分析不同优势资源调度的最优效益
为了更直观地比较不同边缘的影响资源联合无线传感器网络资源的配置效率,这里N= 5000,= 2,= 0.00003,= 0.0004作为基准测试场景图9基实线)。同样,感知应用程序的生命周期仍然是100秒。通过改变这两种不同的参数,可以看出图中的曲线变化趋势是非常不同的。在这两个数字,横坐标代表的执行时间移动群集智能应用程序用于计算边缘。纵坐标代表的传感数据,无线传感器在当前时间点可以收到。因此,这个图可以直观地反映阶段执行期间的计算服务器可以收获最感性的数据。同时,图形的面积形成的曲线和图中的横轴感官收集的数据的总量在相应的现场参数。各种参数对分析结果的影响,联合无线传感器网络资源配置的效率图所示9。
(一)
(b)
通过比较数据9(一个)和9 (b),可以发现,用于计算边缘的服务器数量将影响传感数据的总量和传感效率。不一样的租用更多的基站的边缘。它显然是更具成本效益的服务节点和增加基站和无线传感器网络的通信频率。当基站和移动设备之间的通信频率达到一定的瓶颈,更多的基站作为边缘服务器租用,哪个更划算。另一方面,租用更多的基站意味着无线传感器网络覆盖更大的区域。随着目标区域的扩展,增加移动设备的数量参与群体智能感知可以显著提高团队智能感知的执行效率。
5。结论
针对传感器网络中的资源分配优化问题,采用资源分配优化算法。通过分析和了解无线传感器网络的资源分配任务,多界面和多通道传感器网络是首次提出。同时,边缘移动计算和移动云计算具有很多相似之处,甚至可以被视为一个特殊形式的移动云计算。它分散计算资源在网络的边缘和取代集中式数据中心。结合边缘计算的这些优势,我们采用优化算法模型。仿真结果显示,与传统的分配算法相比,它可以进一步保证用户的服务质量和延长设备使用时间。
数据可用性
没有数据被用来支持这篇文章。
同意
知情同意是获得所有个体参与者包括在这项研究中引用。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的向阳科技计划(高科技领域,批准号2020 abh001191),湖北大学艺术与科学开始科学研究基金会(批准号2059073和2059073),温州的基本软科学研究项目局科技(批准号R20180012),浙江省哲学社会科学基金(批准号19 ndjc145yb)和浙江省公益性技术应用研究计划(批准号LGG19F020004)。