文摘
物联网(物联网)智能移动设备爆炸在复杂的投机取巧的社交网络,在复杂网络的数据量正在增加。大量数据导致延迟高、能耗高、可靠性差的问题在处理计算密集型和对延迟敏感的新兴移动应用程序。因此,我们提出一个分担任务进行运转策略,综合考虑延迟,能源消费和终端的声誉价值(柴油)。分担任务进行运转的模型由决策模型相结合的延迟和能源消耗,和声誉价值模型的分配计算资源的游戏。这两个子应用一种改进的粒子群算法和拉格朗日乘子,分别。移动节点在复杂的社会网络有机会做出决定,这样他们可以选择分享的运算量,对延迟敏感的计算任务与更大的计算能力在同一基站网络。同时,防止恶意竞争结束节点、基站决定的分配计算资源基于声誉值的数据库提供了一个可信的权威。仿真结果表明,该策略能满足服务需求的低延迟、低功耗、高可靠性为新兴的智能应用程序。它有效地实现了总体计算共享资源的优化配置和促进稳定的大规模复杂网络中的数据传输。
1。介绍
近年来,随着物联网技术和产业的深度集成和发展,各种移动设备革命已经渗透到基础设施、生活服务、国防、军事、形成新的物联网智能应用,如智能家居、无人驾驶、增强现实、虚拟现实(AR / VR),和人脸识别1]。这些应用程序生成大量的数据,同时,计算量和时间敏感。特别是一些新应用程序基于大数据和人工智能低延迟传输大容量的数据有很高的要求,使移动设备面临巨大挑战的计算资源和计算能力。
在复杂的投机取巧的社交网络,移动智能终端设备和服务器都可以被视为社会节点。这些社会节点可以交流和共享计算和存储资源2- - - - - -4]。然而,这些节点的频繁沟通,导致流量的激增和高多变量的数据类型,对网络管理构成挑战。当处理计算密集型和对延迟敏感的服务,移动终端可以共享计算任务服务器在基站与更大的计算能力,而不是靠自己的力量执行计算。然后,服务器可以提供通信、存储和计算资源需要通过网络来处理这些功能和服务。与此同时,通过管理和挖掘隐性知识的大量数据,用户可以获得高质量、低延迟、低能耗、高度个性化的服务(5,6]。
然而,在分享的过程中大量的计算任务从终端设备到服务器,如何分配服务器的计算资源以确保智能移动终端的服务性能是一个紧迫的问题要解决7]。此外,无线传感器网络有一些固有的特点,如有限的节点能量、存储空间和计算处理能力。这些特征可以记录节点运动,所以不良行为节点8,9容易存在于网络。不良行为节点进一步分为节点自私行为节点和恶意攻击行为。自私行为节点使用尽可能多的网络资源,和它不做任何/使得网络几乎没有贡献。恶意节点的唯一目的是攻击网络中的其他节点或整个p2p网络。恶意节点伪造假热点资源和网络中其他节点提供恶意资源下载或转发来实现入侵的目的,控制节点,甚至破坏整个网络。恶意节点的直接来源是在对等网络的安全问题。大规模复杂网络上的数据传输数据有更高的要求。如何从大量的排除恶意节点的节点是一个巨大的挑战。
这些问题可以解决两个步骤:首先,要解决的问题决定是否以及何时分享下延迟和能源消费需求的任务。其次,解决问题可靠的共享计算资源分配因恶意竞争。通过合作节点,每个节点的声誉价值更新和恶意节点终于派生。因此,我们试图分配服务器计算资源基于智能移动终端的声誉价值,以防止恶意行为,实现整体资源的优化配置的角度的好处更大的智能移动终端,不仅从经济效益的角度更大的服务提供者。
解决上述问题,本文提出了一种先进的分担任务进行运转模型(柴油),它包含一个分担任务进行运转的决定模型,该模型考虑了延迟和能源消费需求的新物联网应用,和游戏资源分配模型,该模型基于声誉值分配服务器计算资源。其中,共享决策模型采用一种改进的PSO算法实现多个移动终端之间的多任务共享,满足的低延迟和低能耗要求物联网的新应用程序。资源分配模型旨在防止恶意终端竞争,造成不合理的资源分配,它主要实现了拉格朗日乘数法。通过这种方式,计算资源分配合理、整体效用最大化。柴油模型实现大量数据的稳定传输复杂的社交网络。
列出了本文的贡献如下:(1)我们专注于提供低延迟、低能耗和高可靠的服务质量保障时滞和能量敏感,家中的智能移动终端的大数据环境。我们首先提出一个网络模型组成的用户,MEC服务器和信任的政府。然后,我们制定最优配置的整体资源如何分配MEC的计算资源的服务器。最后,我们将优化问题,卸载和卸载分配子问题的决定。(2)把决策问题,本文提出一种分担任务进行运转决策模型为多个智能移动终端在复杂社会网络环境机会。它认为综合能耗和延时。目的是实现一个最优的分担任务进行运转与低延迟和低能耗的解决方案。(3)卸载分配问题,动态分担任务进行运转分配游戏基于智能移动终端的声誉价值,提出了通过拉格朗日乘子法。
论文的其余部分安排如下:第二部分介绍了相关研究的数据传输路由算法在投机取巧的社交网络,第三部分介绍了相关的理论概念和算法模型,第四部分验证的性能模型通过仿真实验对各种标准。论文的最后,我们讨论和总结了全文。
2。相关工作
分担任务进行运转以来所面临的战略承诺解决性能瓶颈移动智能终端在投机取巧的复杂社会网络小说在处理智能应用,如计算密集型和对延迟敏感的应用程序,它得到了学者们的广泛关注,逐渐成为一个研究热点。因此,在本节中,我们将简要介绍分担任务进行运转的研究是否和移动智能终端份额计算任务以及如何分配宏观基站计算资源。
2.1。分担任务进行运转模式
任务共享,有大量研究的结果是否移动智能终端共享任务宏基站。分担任务进行运转的决定计划经常使用延迟和能源消耗为基准。不同的环境和系统有不同的要求分担任务进行运转的决定,和一些应用程序需要一个好的延迟和能量消耗之间的平衡。文献[10]介绍了李雅普诺夫文中针对动态计算卸载算法(LODCO),动态计算基于李雅普诺夫分担任务进行运转算法的优化理论。这方面的优化决策分担任务进行运转的任务运行延迟和任务运行失败,最小化任务处理延迟,并确保数据传输过程的成功率,但忽略了能源消耗和成本等影响因素。文献[11)采用人工鱼群算法设计一个分担任务进行运转策略下的能耗优化延迟约束。链接的策略充分考虑任务的条件数据传输网络,有效地降低了设备的能源消耗,但缺点是算法过于复杂。摘要(12设计一个节能计算分担任务进行运转方案,基于深度学习,解决问题的选择性共享移动应用程序组件。实验结果表明,该方案具有较高的精度和较低的能耗,但计算密集型任务远程交互带来高延迟问题。影响因素考虑在上面的纸分担任务进行运转决策建模过程中不够全面,从而影响的理性执行分担任务进行运转的决定。
摘要(13)考虑多用户MEC系统单个MEC服务器可以处理计算任务由多个用户共享的设备在无线频道。这个解决方案有一个显著减少延迟和能源消耗的总和。文献[14)提出了一种结合李雅普诺夫优化理论最优的自适应电子学习解决问题的方法分享权衡在物联网情况下响应延迟和能源成本。文献[15)优化多用户移动边缘计算分担任务进行运转系统,构造马尔可夫决策问题与延迟和功耗的长期平均开销作为优化目标,并利用凸优化理论解决它们。尽管上面的纸将延迟和能量消耗计算分担任务进行运转过程中的重要组成部分,降低能耗的方法通过约束延迟使分担任务进行运转策略缺乏普遍性。我们注意到有许多优秀的节能策略在物联网(物联网)模式。学者提出的能耗模型都被证明是有效的在组织合作等重要的物联网应用,员工跟踪,物流定位。很多策略强调潜在好处的实现能源和成本,并已上实现真正的考验床(16- - - - - -18]。因此,总结以前的研究基础上,本文介绍了延迟和能源需求系数考虑更全面智能终端节点的延迟和能量消耗计算任务共享。
2.2。资源配置模型
在资源配置方面,目前的研究工作集中在一个分配的设计策略的问题如何为宏观基站分配计算资源。文献[19启用MEC的LTE-V网络使用深q学习方法和提出了一个优化目标下的效用最大化共享系统的给定延迟约束。结果表明,该方案可以共享车辆任务最优效用,同时满足可靠性和等待时间约束但忽略了重要的资源分配方面分担任务进行运转的问题。黄等。20.)提出了一个计算任务计划基于移动用户安全与成本意识在移动计算环境。它的目标是最小化总成本约束下的风险概率和为移动用户提供安全性和成本效率。然而,它忽略了实际需要的节点,这是不利于整体优化资源配置。摘要(21]研究计算密集型任务的共享策略(数据处理任务和区块链挖掘任务)在区块链情况下,解决传统分担任务进行运转策略的失败(例如,拍卖和博弈论策略)调整分享战略环境的变化,但平均资源分配的效率和可靠性方案难以满足服务质量(QoS)需求的用户。
上述论文的研究取得了一些成果资源分配在投机取巧的复杂网络,但它忽略了问题的智能移动终端节点对资源的竞争,这使得它难以实现一个合理和可靠的计算资源分配在机会主义社会物联网系统。如果恶意终端节点的资源竞争行为的监管和计算分担任务进行运转的整体优化配置资源,低延迟、低能耗、高可靠的QoS保证可以提供实验和能量敏感终端节点(22]。我们注意到,信任模型的无线传感器网络(网络)安全由于日常攻击挑战蓬勃发展,这是最流行的物联网(23]。许多策略引入声誉机制来解决这个问题,并取得了良好的结果(24,25]。例如,汉et al。24)补充中立集团现有的谣言传播模型,然后提出了一个新颖的SIFR谣言传播模型,有效地实现了安全监控网络谣言传播的。因此,创新介绍智能移动终端节点声誉值分配计算资源在宏观基站服务器来有效地实现计算资源的优化配置26]。
总而言之,本文构建了一个模型(柴油)地址分担任务进行运转决策和资源分配方法的缺点在复杂社会网络的事情。模型考虑了时延和能量消耗的计算任务和基于声誉价值分配计算资源,有效地达到整体优化,合理、可靠的计算资源分配。
3所示。系统模型设计
3.1。网络模型
MEC服务器分配计算资源来执行不同的计算分担任务进行运转过程对用户环境中的机会主义社交网络的基于智能终端的不同的计算任务需求和声誉值(27]。移动优势智能计算网络模型基于声誉值由用户持有智能移动终端(VR / AR、智能汽车、视频游戏机、电脑显示器、无人机,智能家居,等等),MEC服务器和受信任的机构。这些设备产生大量数据,对网络管理构成挑战。网络模型如图1。,本文中使用的所有首字母缩写的列表如表所示1。
3.1.1。用户
的用户需要执行摘要计算密集型计算任务的计算、GPS、无线通信模块。计算模块执行计算任务,实时GPS模块获得位置信息,使数据传输的无线通信模块。当用户需要运行等新兴应用增强现实技术,图像处理等,并很难计算模块完成相应的计算和存储任务,计算分担任务进行运转请求是由无线通信模块和计算任务发送到指定的MEC服务器。
3.1.2。MEC服务器
分布式MEC服务器部署在附近的用户和负责分配计算资源来执行不同的计算股票和返回数据给用户在完成计算任务。用户有不同的声誉要求计算任务共享。对于部分共享,共享更多的计算任务时,一个小基站设置存储排队等待任务,上传和存储任务的宏观宏观基站空闲时基站。在本文中,我们使用完整的共享的决定,所以我们不考虑的情况下部署一个小基站,但只有MEC的宏观基站服务器,和每个用户根据不同的需求选择不同的分担任务进行运转的方法。
3.1.3。值得信赖的权威
一个可信的权威负责记录事件和更新声誉值数据库。所有用户必须注册与值得信赖的权威,他们的法律身份和用户提供合法的身份有效的声誉值,获取公共和私人密匙对和安全通信所需的证书。可信权威更新实时的声誉价值通过用户的行为记录在不同的时间和为服务提供者提供了访问整个网络声誉值数据库。
3.2。数学模型
节点用户连接到事物的复杂的社会网络有不同的计算分担任务进行运转的需要,除了执行本地计算,他们还可以共享计算任务的宏观基站MEC服务器部署(30.]。在多用户参与的情况下,选择是否共享和任务后如何有效地分配资源共享需要解决的问题(31日]。要解决这些问题,本文提出了一种智能计算共同分担任务进行运转的方法,认为延迟和能源消耗。我们选择适当的分担任务进行运转策略根据不同智能移动终端的性能基准测试用户和智能移动终端的需求实现低延迟、低能耗计算分担任务进行运转的决策。此外,为了实现计算资源的整体优化配置,提出了一种可靠的计算资源分配模型,实现基于用户的讨价还价的游戏声誉值和用户利益最大化32]。
3.2.1之上。共享决策模型
在这篇文章中,一个蜂窝网络模型与多个用户和MEC的部署服务器宏观构造基站。假设 表示米用户持有不同种类的智能移动终端。每个用户有一个计算密集型或对延迟敏感的计算任务。计算任务属于用户我表示为
在这个方程,表示计算任务属于用户我。表示数据大小的计算任务。表示所需要的CPU周期数完成计算任务,和显示用户的最大延迟我可以容忍完成计算任务。
根据智能移动终端用户的不同的需求,对延迟敏感智能移动终端用户有更高需求的时间延迟,而能量敏感智能移动终端用户需求更高节能由于电力短缺,所以权衡机制,介绍了需求和时间系数和能源需求系数表明偏差程度的用户对延迟敏感和节能的需求,分别。计算任务为每个用户可以共享与MEC服务器或本地执行。本文介绍了决策机制 ,在哪里 表示决策模式, 显示用户选择本地计算模型来执行计算任务,和 显示用户选择分享宏观基站的计算模型来执行计算任务。在本文中,我们建立一个分担任务进行运转与全球体系的目标消费决策模型涉及多个智能移动设备,如方程所示(2)。
在这个方程,和表示本地和共享的总延迟宏观基站计算,分别和表示本地和共享的能源消费总量宏观基站计算,分别。分担任务进行运转的决定过程如图2。
(1)局部计算模型。本地计算能力不同的智能移动设备由用户不同,和计算延迟和计算能量消耗智能移动设备当计算
在这个方程,表示本地计算能力的智能移动终端用户我,表示这个终端的能耗我在一个本地CPU周期。当地的计算模式,由于没有其他形式的时间消耗和能源消耗,方程(3)和(4)表示用户的总时间延迟和总能耗我分别年代本地计算。
(2)分担任务进行运转模式。摘要MEC模型构建与正交频分复用是一个异构的网络,用户访问同一个基站之间的通道相互正交,和只有访问宏基站之间干扰。因此,整个分担任务进行运转计算过程包括传输和计算延迟,能源消耗和能源消耗包括传输和执行。(1)任务共享延迟我们表示用户的数据速率我选择访问服务器h作为 在这个方程,H用户表示实际的数据传输速率我将一个上行计算请求发送给服务器h。表示用户之间的权力我和服务器h。表示终端之间的增益我和服务器h。表示存在的干扰其他用户访问服务器和用户之间我。表示背景噪声功率。用户的传输延迟我分享计算任务直接MEC服务器 计算延迟执行完成的任务 在这个方程,表示用户的计算能力我位于服务器h。由于没有进一步的延迟在整个计算分担任务进行运转过程中,用户的总延迟我选择共享直接计算任务到服务器 替代的决定机制到服务器的延迟方程所示(6)的收益率 在这个方程,l表示用户访问服务器,表示的传播力量l由服务器h基于功率控制算法表示用户之间的信道增益我和服务器h。(2)分担任务进行运转的能源消耗用户的能源消耗我直接共享计算任务MEC服务器由两个传输能量和执行能源 ,如方程所示10)和(11)。 在这个方程,代表用户的能源消耗我在一个宏观基站的CPU周期。由于没有进一步的能耗在整个计算共享过程中,总能量消耗该用户我直接选择共享计算任务的服务器可以表示如下: (3)分担任务进行运转的计算
MEC分担任务进行运转计算模型联合考虑延迟和能量消耗
在这个方程中,时间延迟当地的执行方法和时间延迟直接共享的计算任务MEC服务器给出的约束,这两个小于最大延迟需求 。需求的时间因素和能源需求的因素在权衡机制的范围值和他们的总和是1。的决定机制 , 意味着用户我选择当地的计算模型来计算, , 意味着用户我选择分担任务进行运转计算模型来计算到服务器。
3.2.2。资源配置模型
考虑到不合理的资源分配的问题由于恶意竞争引起的不规则行为,本文引入讨价还价博弈模型基于声誉价值实现整体优化配置的计算资源(33]。
假设MEC服务器计算资源来满足所有的要求,MEC服务器接收计算共享任务米用户在一个工作循环,MEC服务器的计算能力来执行K CPU周期每秒。我们假设代表了MEC服务器计算资源分配的相应的用户我。每个用户的计算资源竞争MEC服务器通过讨价还价的游戏过程,给更大的优先级更高的声誉价值,那么资源分配模式34)是
在这个方程,代表了最低计算资源分配给用户我通过MEC服务器,代表用户的权威MEC服务器的计算资源的决定因素,这是与用户当前的声誉价值 ,如方程所示(19)。
我们采用可验证缓存交互消化模式(VCID)提出了裁判。35)获得声誉值 。这种机制适用于新应用程序生成的智能终端在物联网环境下,具有良好的收敛性和可伸缩性。它基于主机的行为评估的可信度。计算过程
在这个方程, 代表了直接信誉,其价值取决于先前的交互体验。代表间接信誉,其价值是基于权力的声誉啊;我可以得到信贷机构和O。是用于调节比重的因素。当小于某个阈值,我将被拒绝授权。
资源分配模型也可以建模为一个利益函数对不同声誉值,声誉价值越高,越大计算资源分配。为了最大化收益,本文采用拉格朗日乘子法来解决分担任务进行运转资源分配博弈模型基础上的声誉价值MEC环境。取对数的资源分配和引入拉格朗日因子 ,构造拉格朗日函数,见方程(20.)。
4所示。模型的解决方案
计算分担任务进行运转决策模型开发的部分3包括一个分担任务进行运转决策模型和资源分配模型,对应于分担任务进行运转决策问题和资源分配问题,分别。分担任务进行运转决定的问题是不确定性多项式(NP)的数学建模,需要适用于multi-competition模型在考虑寻找最优移动边缘计算分担任务进行运转。因此,PSO算法搜索精度高,收敛速度快被认为是解决计算分担任务进行运转模型提出了联合考虑延迟和能量消耗来实现低延迟和低能耗计算分担任务进行运转的决定(35]。同时,可用资源的数量在每个服务器资源分配问题是有限的,和域定义是在服务器的计算资源基地。根据大的值函数的理论与有限域定义,如果大资源分配的值函数存在,它只能获得的最大价值在定义的域或域边界点的定义,和拉格朗日乘子法是一种有效的方法来确定函数的最大值或不36]。因此,放大的收益函数智能移动终端具有不同声誉值,本文使用拉格朗日乘子方法(37)解决分担任务进行运转资源分配博弈理论模型实现最优资源配置合理、可靠。
4.1。基于改进的PSO算法任务共享决策解决
以下4.4.1。PSO算法
PSO算法是一种基于智能随机优化算法基于协作由一群飞鸟寻找食物。PSO算法随机生成粒子形成一个人口在一个n维搜索空间, ,每个粒子代表一个潜在的解决方案,k粒子的位置向量表示 ,速度是表示一个向量 ,k粒子搜索在搜索过程中最可用的位置来标示 ,和粒子的最优位置搜索的人口在全球搜索过程来标示 ,计算k粒子的位置和速度更新
在这个方程,和加速因素,表明粒子在多大程度上受个人价值观和社会认知的影响,分别。表明随机数 。 表明惯性权重,是负的,用来调整解空间的搜索范围。表示迭代次数。
4.1.2。改进的PSO算法
本文提出了MEC分担任务进行运转模型解决了multi-participant NP问题,系统所产生的消费n终端用户选择不同的分担任务进行运转方法是不同的,但考虑到消费价值观不太不同,生成的系统消费总额的不同组合任务共享方法不会改变,更稳定。快速收敛的PSO算法用于解决这个问题。它是容易导致高维系统的消费状态涉及多个用户陷入局部最优,算法是改善经济和探索能力,分别。在经济方面,在优化过程中,惯性权重的模型自适应和动态调整,提高算法的局部和全局优化能力获得更好的解决方案的质量。的探索能力,从突变的角度来看,加速因子的粒子群优化改进算法在解空间的探索能力。
(1)惯性权重的改进。摘要MEC卸载决策模型是面向多个智能移动终端的多任务的决策过程。PSO算法容易陷入局部最优解的早熟收敛解决高维系统消费下的多任务功能。使用单一的调整方法保持不变或线性递减惯性权重,很难保证每个粒子的尺寸往往是最优的同时,使同时寻找一个最优解的概率在系统的每个维度下的消费函数多个参与很小。因此,在本文中,使用一个自适应非线性动态的方法找到最优性,和一个余弦函数介绍基于之前的研究,如方程所示(24)。
在这个方程,表明惯性权重的最大值,通常为0.7,表明很小的重量值,通常为0.1,表示的最大迭代数。的价值 是在0和1之间。由于余弦函数是单调递减区间 , 会增加增加。
惯性的重量控制粒子的历史地位的影响在当前搜索状态,并保持全局搜索和局部搜索之间的平衡,可有效实现自适应非线性调整它的价值,提高算法的效率和情报。早期的算法,提高全局搜索,惯性权重应该有一个更大的价值;在算法后期,他们应该保持一个合理的收敛速度提高局部搜索能力,因此惯性权重应该保持较小。
(2)提高加速度的因素。由于粒子的位置是影响个人和人口极端,认知和社会一部分可以极大地影响粒子收敛的方向和速度。加速度的因素PSO算法通常需要的值为0.43通常需要一个值为0.4。但是,在本文的MEC分担任务进行运转decision-oriented模型,不同的迭代次数时,有一个偏见之间的领先地位的认知和社会。当迭代的数量很小,认知为代表的一部分起着主导的作用,社会为代表的一部分扮演一个次要角色。当迭代的数量很大,社会知识的积累不断增加,恰恰相反。摘要面临动态multi-local计算问题和服务器计算选择问题MEC分担任务进行运转的决定。进一步提高PSO算法探索解空间的能力,我们从变化的角度改进的加速因子。的动态加速度的因素是代替静态加速度的因素如方程所示(25)和(26)。
在这个方程,表示迭代次数。表明个人认知的影响因素,将值从149年到280年在这一场景。表明社会认知的影响因素,将值从0.00013到0.000205在这个场景中。
4.1.3。基于改进的PSO算法的任务共享决策方法
解决方案空间的映射的改进PSO算法分担任务进行运转决策问题如表所示2。
分担任务进行运转decision-solving过程显示了基于改进的PSO算法的算法1。
|
算法1任务共享decision-solving过程基于改进的PSO算法。步骤1。初始化:空间维度 和人口规模 测定;惯性权重极端和分别设置为0.7和0.1;初始位置和初始速度搜索空间中随机生成的。步骤2。找到适应值。计算系统的总消费的基础上适应函数方程所示(13)。步骤3。发现个体极值和人口极端值 。找到最小值选择不同造成的消费系统卸载方法和最优值系统消耗的卸载方法的不同组合。步骤4。更新粒子的位置和速度。更新速度和位置根据方程(21)(26)。每个粒子距离当前系统特征值是一样的。粒子k选择最近的消费目标系统;其他粒子将vectorize头寸相对于粒子k和他们的首选位置远离小系统能量的目标。第5步。更新个人极地的价值和极地的价值 。每个粒子的系统消耗值进行比较 。取代与当前位置是否小于当前的消费值 。然后,比较消费地位的最小系统与 。取代如果系统消费价值小于 。步骤6。确定终止条件。终止条件是判断算法的迭代次数。如果终止条件满意,退出循环并返回上级搜索结果 。如果不能满足终止条件,重复步骤2到5,直到满足终止条件。步骤7。输出最优解,这是小值消耗的系统。
由于资源分配问题是np难,我们使用启发式算法来解决这个问题。它可以从算法的伪代码,运行时间取决于参与分配的移动设备的数量和时间复杂度的迭代次数设置。 ,但自n这通常不是一个很大的数,运行时间是可以接受的。
4.2。资源分配解决方案基于拉格朗日乘子法
资源分配模型是针对智能移动终端的利益函数与不同声誉值,和可用资源的数量智能移动终端不大于MEC的计算资源的服务器。MEC的好处最大化资源,函数的最大值点好处是只能在有限范围内获得或边界点的计算资源。我们知道,拉格朗日乘数法是一种有效的方法来确定收益函数计算资源的最大价值。因此,本文采用拉格朗日乘数法来解决上述基于声誉的卸载游戏资源分配模型的价值。取对数的资源分配模型,并介绍了拉格朗日因子构造拉格朗日函数,见方程(20.)。
使用一次性偏差的导数为0,一次性偏见导数可以确定局部最优可行解,收益率方程(27)。
的二阶偏导数t然后执行得到方程(28)。
因为的二阶偏导数大于零,它可以确定这是一个最有价值的解决方案效益函数。
最终,MEC服务器分配计算资源根据方程的结果(29日计算分担任务进行运转),执行不同的任务,和报告的结果计算终端用户。
解决资源分配的过程显示了基于拉格朗日乘子法的算法2。
|
算法2。解决资源分配的过程基于拉格朗日乘子方法。步骤1。以目标函数的对数为用户提供不同的声望值,引入拉格朗日因子 ,然后构造拉格朗日函数步骤2。执行第一个部分构建效益函数的推导对计算资源的需求每个MEC服务器获得可行的解决方案计算的本地优势资源。然后,执行第二个部分推导,如果第二部分推导不等于0然后证明效益函数有价值的解决方案。步骤3。使偏见的价值效益函数的导数对计算资源的需求对每个MEC服务器等于0,驻点和解决 。步骤4。获得效益函数的偏导数拉格朗日因子一次。 第5步。从公式(28),可以看出函数存在作为最具价值的解决方案。然后,让效益函数的值在拉格朗日因子第一次偏导数等于0,解决方案的价值见公式(27)。
5。实验仿真
在本文中,我们使用一个,一个开源仿真工具,对柴油的性能进行评估。我们比较包转移率、平均端到端延迟(38[],路由开销39FCNS],和能源消耗,可控硅,MILECR,流行的算法(40)来验证柴油的优点的系统开销。此外,我们考虑三种不同方案的效果的整体能耗模型(41),即低能量任务共享,随机分配分担任务进行运转(42),和任务与共同分享延迟和能源消耗。
5.1。参数设置
跟随在短时间内大规模数据传输的特点,在5 g环境中,本文使用真实数据集从喇蛄驱动下载节点活动,从信息通信和数据集5 Infocom 6,剑桥,英特尔选择模拟(43]。具体的仿真环境参数设置如表所示3。
建立在这个实验中节点的数目是50,节点计算能力是随机分配到500 - 1000 MHz / s,和服务器的计算能力分配给5 GHz / s。特定的物理模型参数设置如表所示4。
5.2。指标
指标是用来衡量算法的性能在投机取巧的复杂社会网络。四个选择,他们是包转移率、平均端到端延迟,路由开销,和整体能源消耗。这是一个简单介绍一下他们的意思。(1)包传输比例:收到的数据包数量的比值在目的地的数据包的数量近年来,从源发送的深度集成ts。(2)平均端到端延迟:平均延迟两个节点之间的数据传输。(3)路由开销:路由数据包发送的总大小的维护和路由发现。(4)能源消耗:所有的能量用于两个节点之间的数据传输。
5.3。分析的结果
随着模拟时间的增加,数据的集群酒吧图表3(一个)- - - - - -3 (d)显示数据包传输比例的柴油,FCNS,可控硅,MILECR,流行算法。当模拟时间短,柴油算法的性能优势明显不如其他四个算法,但随着仿真时间的增加,柴油算法的成功率明显高于其他四个算法。这是因为我们的解决方案充分考虑节点的恶意竞争计算资源的问题,并介绍了测量的声誉,在节点分配更多的计算资源,享有较高声誉从而实现整体优化配置计算资源。
(一)
(b)
(c)
(d)
数据4(一)- - - - - -4 (d)的比较结果为柴油平均端到端延迟,FCNS,可控硅,MILECR,流行算法随着仿真时间的增加。在方案的比较中,柴油策略最低平均端到端延时,这种优势更加明显增加仿真时间。这是因为柴油算法介绍了延迟和权衡能耗因素,使全面共享的多任务处理跨多个智能移动设备,计算资源并优化数据传输的路由策略更有效地比其他方案。相比之下,对于流行算法,生成大量的副本信息数据传输期间,这将导致增加转发延迟。此外,可控硅和MILECR算法使用邻居节点的策略合作传播,从而降低节点缓存消息传输的影响,但仍具有较高的延迟实验时更长。FCNS算法更受节点缓存和性能降低当节点缓存空间更小。总之,柴油算法是最好的方法来提高平均端到端延迟的性能在高速通信场景中相对于其他算法。
(一)
(b)
(c)
(d)
数据5(一个)和5 (b)显示的路由开销的比较结果柴油,FCNS,可控硅,MILECR,流行算法在仿真时间增加。柴油可以更好地预测下一跳节点与其他模型相比。通过节点发送消息来满足通信领域的声誉价值,发送消息到其他noncooperating节点的路由成本可以有效地减少。此外,节点不需要使用连续的计算模型计算和决策在消息传输。这可以减少时间和路由资源成本。在流行的算法中,大量的冗余消息副本需要时间和计算资源,和路由开销明显高于其他算法。可控硅和MILECR算法,合作机制促进了计算资源的合理配置,所以这两个算法的成本是在一个中间水平。FCNS算法考虑了移动节点的相似性,但没有充分考虑节点的传输参数,所以它比柴油算法性能较差。结果相比,柴油优于其他四个模型的路由开销。
(一)
(b)
(c)
(d)
图6显示的整体能源消耗的比较三种不同的方案,即低能量任务共享(允许),随机分配任务共享(老鼠)和任务与共同分享时间延迟和能源消耗。如图,结束节点数量的增加,系统的总能量消耗在所有三个方案增加,而能源消费总量的方案提出了总是在最低水平。
6。结论
本文提出一种分担任务进行运转模型(柴油)基于声誉值,解决了高延时的问题,高能源消耗和低可靠性计算共享在新兴的移动应用程序所面临的大数据环境。柴油将计算机会主义的复杂的物联网环境中的共享任务分为两个过程:共享决策和资源分配。实验结果表明,该计算分担任务进行运转模型提出了能满足服务需求的低延迟、低能源消耗,和高可靠性在新兴智能应用程序,并可以有效地实现共享资源的整体优化配置计算。其中,本文的主要创新和贡献如下:(1)本文主要关注提供低延迟、低能量消耗,和高可靠性的服务质量保证为时滞和能量敏感家中智能移动终端在大数据环境。我们提出一个网络模型组成的用户,MEC服务器和受信任的机构。(2)实现多任务计算分担任务进行运转方案为多个智能移动终端,我们提出一个分担任务进行运转决策模型,同时考虑延迟和能源消耗。模型使用一种改进的PSO算法达到最优计算分担任务进行运转方案低延迟和低能耗。(3)针对不合理的资源分配的问题造成恶意竞争资源由于物联网系统的不规则行为,本文提出了基于声誉的讨价还价博弈模型价值,主要使用拉格朗日乘数方法实现计算可靠的资源分配。
在未来,移动设备的计算能力增加机会主义的复杂的社会网络,柴油模型提出了可以应用于5 g的传播环境和大数据网络。我们将收集更多的真实数据集在社交场景和探索提高信息传输性能。
数据可用性
使用的数据来支持本研究的发现正在禁运而研究成果商业化。请求数据,本文的发表之后的12个月内,将被相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了国家自然科学基金(61762051和61762051)。