文摘

为了提高物联网连接的负载均衡控制效果,本文结合了非参数回归模型来提高网络的负载平衡算法的链接。此外,本文提出了一种基于数据负载均衡研究战略飞机数据流,这是旨在提高数据流的负载平衡问题的链接。数据中心网络使用多层脂肪树拓扑流表中存储信息对应的开关数据流处理和转发操作。此外,本文构造了一个智能物联网连接负载平衡模型,通过实验研究验证了本文模型。研究结果表明,物联网连接的负载平衡控制算法基于非参数回归模型提出了能有效提高物联网连接的内部调度系统,促进负载平衡的效果。

1。介绍

与科研人员的深入研究的基础上,他们发现它有一个广泛的应用程序,但也有缺点,如传感器节点能量、通信距离、计算和存储能力非常有限。因为每个传感器节点是由能量有限的电池供电,复杂的部署环境带来很多不便电池更换工作(1]。此外,传感器节点能源的枯竭和添加新的传感器节点,网络的拓扑结构将会改变。在传统的网络层次结构中,只有两个相邻层可以相互通信,,很难两个不相邻层之间相互分享信息。因此,有很大的局限性,不能适应发展需要的基础(2]。如何设计一个性能良好的能源优化算法,以满足高要求的基础网络生命周期已成为近年来研究热点和困难的基础(3]。

高效的无线传感器网络(HRWSN)集成了信息感知、处理和传输,广泛应用于军事、工农业控制、生物医学、环境监测、抢险救灾、等领域。它是传感器网络的关键技术环节的物联网和无处不在的计算。为了满足高质量的视频监控,多元化的信息采集、复杂的任务处理,高精度定位,和其他应用,迫切需要引入信息丰富的图像、音频和视频到高效的传感器网络。高效的传感器网络有丰富的遥感信息的特点,复杂的处理任务,节点移动,动态拓扑的变化,和严重的能量限制。

本文结合了非参数回归模型来提高物联网连接负载平衡算法,构建一个智能模型,并通过研究验证该模型的有效性。

2。相关工作

首先,相关的研究和实际应用的基础理论进行了综述。研究人员积极开展相关研究和实际应用的基础理论,提出了一个接一个传感器节点能量的优化方案。文献[4)提出了浸出(低能量自适应聚类层次)算法,聚类路由算法的典型代表。通过定期随机选择簇头,每个节点成为簇头的概率相等,和网络能耗均衡整个网络;(5使用模拟退火算法把集群,以及节点的剩余能量被认为是在选择集群头;节点作为簇头的次数是在文献[6];编织算法在文献[7把网络和节点剩余能量最高的选为集群在每个分区;文献[8]平衡能耗通过调整数据传输速率;文献[9)提高簇头的选择方法和确定节点和邻居节点的剩余能量。数量和位置信息被认为是;文献[10)使用模糊理论来计算节点作为簇头的概率提高阈值的公式;在文献[LEACH-EC算法11优化簇头的选择通过节点的剩余能量和连通性,近年来,一些新型智能算法也被提出。文献[12)使用粒子群优化(PSO)优化簇头的选择;文献[13)使用蚁群算法来优化数据传输。路径。文献[14)基于细胞膜优化算法完成集群的节点通过浓度的三个因素,能源,和距离;此外,一些研究人员提出新能源供应方法,但它们的成本限制,系统,很难实现考虑体积。在文献[15),无线充电用于传感器节点处理能量空洞问题,和文献[16)使用智能太阳能收集系统提供稳定的电力供应到传感器节点。

数据交换过程涉及多个方面的数据融合和数据处理,负载平衡提出了一定的要求。下面的相关工作进行了分析。传统的数据中心网络通常是一个树拓扑结构有两个或三层交换结构。虽然它可以容纳成千上万的服务器、数据中心规模的迅速扩大和各种新服务的持续流入,有一个基于树的数据中心。结构显示了网络资源的利用率低的缺点和可怜的可伸缩性;因此,数据中心网络拓扑结构已经开始变换的新型网络结构。文学作品的结构(17)已成为一个新的和流行的网络拓扑结构简单、容易部署和非阻塞传输和half-bandwidth的优点。根据其特点,fat-tree结构一般采用ECMP(等于成本multipath-based)或其改进技术,实现交通运输。ECMP,顾名思义,使用多个等价路径转发流量。它使用基本路径的多样性。当一个包到达时,它选择一个路径通过模的路径通过数据包的头部的散列值。通过这种方式,该流将沿着相同的路径转发。自分布概率值平衡的每个流的头之后,每个路径都有一个平等的利用率,在一定程度上,可以平衡流来实现负载平衡的影响。然而,ECMP也有自身的特点和局限性。最关键的问题之一是,虽然大多数的数据中心网络流量很小,少量的连续大流量(稍后我们将它定义为一个稳定的流)占绝大多数。对于大多数带宽(18),一旦选择相同的两个或两个以上的长期稳定的流出口货运,交通拥堵将会发生,导致链路流量分布的不均衡,严重影响了网络传输的性能。在文献[测试结果19]。这意味着传输性能可以减少50%。如果只是为了平衡交通的联系,您也可以使用分组轮询和转发。该方法依次将每个消息转发到每个分店根据先进先出原则,几乎保证每条路径转发的数据包的数量是相同的,但即使是改进的平衡轮询算法(20.)也不能避免问题;即数据包到达的顺序。从TCP流的角度,按顺序到达的数据包被认为是链接拥堵,这减少了发送窗口和显著降低TCP性能。相比之下,ECMP更适合fat-tree结构。如何实现一个动态的流量路由和调度解决拥堵问题引起的稳定流动聚合在ECMP已成为本文的重点。对传统网络,数据中心网络负载平衡在每个网络节点上执行,并且不可能获得所有节点属性和链接信息在实时网络操作。很难达到上述动态负载平衡效果。但幸运的是,随着SDN技术的出现,控制器可以与交换机支持OpenFlow通信协议通过OpenFlow协议(21获得实时的统计信息,可以真正有效地反映了网络状态。基于这些统计信息,我们可以执行计算更准确、高效地从全球的角度来看,也可以实现上述动态负载平衡算法。

3所示。非参数回归模型和局部多项式回归估计

为观察 ,响应变量之间的关系和协变量被定义为以下方程:

其中,是回归函数,变量也被称为功能,和估计的用 。

Nadaraya-Watson内核估计的条件下,我们考虑选择一个估计量 的平方和最小化 。我们定义权函数 并选择 下面的加权平方和最小化:

解决方案是

它是核回归估计。

我们使用一个本地的多项式为了提高估计。为一个值在一个社区 ,多项式是

在一个社区 ,我们使用以下多项式近似平稳回归函数 :

我们选择 最小化后的局部加权平方和来估计 :

据估计,取决于 。 ,的估计是 。我们设置以下:

对角矩阵的吗 ,在哪里 。公式(6)是写成

通过最小化公式(8加权最小二乘估计),得到:

第一行的内积吗和 。

当地的多项式回归估计

其中,

这个估计的均值和方差

(均方误差)的风险

我们需要选择平滑参数 。理想情况下,我们想要选择,最大限度地减少 。然而,取决于未知函数 。相反,估计的将最小化。我们使用定义的失踪crossvalidation得分低于估计的风险。

失踪的crossvalidation分数被定义为

其中,估计得到的吗 - - - - - -th数据点 。

被定义为

其中,

换句话说,的重量是0,和其他权重reregularized所以他们的总和是1。

的直观意义crossvalidation是由于

预测风险= (21),然后

=预测风险。通过这种方式,交叉验证分数几乎是一个无偏估计的风险。

对于线性平滑,有一个简单的计算公式 。

是一个线性平滑;然后,失踪crossvalidation得分可以写成

其中, 是 - - - - - -光滑矩阵的对角元素 。

平滑参数可以选择通过最小化crossvalidation分数吗 。

如果我们不减少crossvalidation得分,我们可以用另一种称为广义crossvalidation的近似方法。在这里,我们替换其平均 ,和 有效自由度。这将最小化以下方程:

一般来说,带宽,最小化广义crossvalidation分数接近最小化crossvalidation分数的带宽。

通过使用近似 ,我们可以获得

其中, 。一般来说,不同的选择 ,许多常见的带宽选择标准可以写成

然后,所有 和倾向于0的速度 。此外,对于一些正常的数字 ,有

通过这种方式,相对的收敛速度是

这缓慢的收敛速度表明,很难估计带宽。带宽选择的收敛速度本质上是一个问题,因为下面的公式还持有:

4所示。物联网的负载平衡控制算法基于非参数回归模型的链接

新的SDN架构提出的想法完全分离控制器和开关。控制平面实现灵活控制数据包的转发平面通过定制编程,它提供了一个良好的创新发展平台在未来新网络和应用程序。它连接业务应用程序之间的交互、网络服务和网络设备通过开放接口,采用集中控制方法,更灵活的软件编程,可以实现不同的网络业务逻辑。其中,网络控制层为业务应用程序提供了一个抽象的网络全局视图层通过北向接口API,以便应用程序层可以直接控制网络的行为。它还可以提供各种应用服务的网络,主要包括网络政策,安全政策,QoS策略和云服务。控制层和底层SDN开关实现数据分组和转发处理通过“控制”通信接口OpenFlow协议。SDN网络之间最大的区别,传统的计算机网络,它可以灵活定制和管理网络交换设备的功能通过软件编程。其中,SDN分离控制的三个基本特征和转发,开放可编程接口、逻辑上集中控制,网络管理人员和应用程序开发人员带来了很大的便利。新SDN架构如图1应用程序,它由四个部分组成:平面,控制平面,数据平面和管理平面。之间不同的接口协议用于通信和互联的各种飞机,这样整个体系结构具有更好的认知和控制能力。

与传统的网络交换设备不同,SDN交换设备架构如图2。控制器连接到固有的交换设备SDN数据平面通过南行接口协议实现数据转发。这种解耦结构设计降低了网络设备的复杂性设计和改善硬件开关设备的可伸缩性。

OpenFlow协议是最常用的南行接口协议连接的数据平面和控制平面SDN架构。它是一种通用的、开放的,并且独立于供应商的接口协议。SDN网络体系结构,OpenFlow协议是一个通信接口用于控制器和开关之间的信息交换。OpenFlow协议体系结构的示意图如图3。它允许控制器在控制平面访问和管理数据的交换设备平面通过发行流表的规则。也就是说,当一个新来的数据包到达OpenFlow开关,它首先流表中搜索匹配。如果有一个匹配项,它将直接执行转发过程。如果没有匹配项,OpenFlow switch将上传数据包通过交互式通信接口控制器OpenFlow协议。控制器使用路由计算,转发的决定,和其他处理,然后发送的数据流的转发模式数据包通过OpenFlow OpenFlow开关协议。此外,流表中存储转发模式切换的后续流表的搜索和匹配操作。

根据数据中心网络流量的特征,相对集中和破裂时,提出了一种基于数据负载均衡研究战略飞机数据流,主要针对数据流的负载平衡问题的链接。数据中心网络通常采用多层脂肪树拓扑。顶级开关在发送端可以访问邻近的状态信息接收端开关或通过层次的底层工人接收端开关开关并保存相应的流表中的信息转换等操作的数据流处理和转发。的整体架构图数据流处理的开关数据平面如图4,包括一个交换机端口模块、负载均衡模块,和一个开关流表模块。

的前提下满足网络连接和覆盖面,不必要的通信链接是通过功率控制或消除骨干网络节点的选择。拓扑控制算法来简化密集部署拓扑如图5(一个)通过一个简单的拓扑功率控制或骨干网络节点的选择,分别如图5 (b)或图5 (c),从而达到改善的目的节点能源利用率和延长网络的生命周期。在图5,圆圈表示节点,黑色节点选择骨干网络节点,虚线代表节点之间的通信链路。

负载平衡应用程序的架构图如图6。Mininet实现了数据中心的拓扑,Iperf模拟虚拟机通信,proxy&iperfcontroller脚本用于收集流量矩阵和维护Iperf过程。数据库是用来记录网络吞吐量和链路负载信息。网络是用于显示网络状态信息和算法控制操作。负载平衡的主要逻辑应用程序上实现照明灯控制器。

我们可以看到在图6,负载平衡应用程序主要由四个部分组成:链接加载组件集合,交通收集组件,负载平衡算法组件和路由配置组件。整个负载平衡应用程序有两个异步执行过程,即流分析过程和链路负载分析的过程。

速度传感器网络中的每个用户可以包括多种类型的服务。系统带宽 ,用户数量的活跃时期 ,副载波的数量 ,每个副载波的带宽/。假设系统可以获得完整的瞬时状态信息的渠道,向基站报告信息通过没有错误的反馈渠道。假设副载波同样分成子信道,副载波几乎平坦衰落信道组成的子信道。为了提高频谱利用率,自适应调制编码(AMC)技术可用于每个子通道。系统把系统时间在单位的数据帧,并可以细分为每个数据帧时间时间槽。假设每个子通道的通道增益在每一帧时间内保持不变,在每一帧的开始,基站估计每个子通道的状态信息CSI的链接根据用户反馈的信息。根据二维可分配资源(子信道、时段)的系统中,共享信道分为多个时频单元作为资源分配的最小单位;就是一个特定的子通道占用的频率,和一个时间段是占领。( )和( ),分别代表子通道的序列号和数据帧内的序列号,以便有总 在一帧块时频单元,每个时频单元只能一个用户占用。

在MAC层,基站分配一个独立的数据队列限制每个用户能力和服务队列的顺序是先购票。基于跨层multi-ervice调度模型图如图7,用户调度算法将用户分为紧急和非紧急用户根据不同参数的MAC层和物理层。然后,它自适应类型的数据包根据用户的信息之间的关系和最大的封包延迟,可以容忍由用户的服务。组分为紧急用户补偿组、应急用户非薪酬类组,非紧急用户补偿组和非紧急用户非薪酬类组。物理层各种载体资源然后分配子信道和相应时段每个数据包调度算法提供的根据排序结果,每个用户的信道状态信息,用户缓冲区的数据包数量,服务的QoS要求。最后,每个用户发送的数据包的数量反馈给调度模型。

在正常情况下,高速传感器网络节点不仅有能力意识和收集数据,还拥有强大的存储和处理能力。实时通信信号高速采集的传感器节点首先分为多个数据块(任务),这些任务可以分配给每个高速传感器节点并行处理。节点有一定的存储和处理能力。由于任务的实时要求,高效的传感器网络系统不仅需要任务处理结果的正确性,也可以确保任务在指定的时间内完成,最后完成任务的时间取决于最后的子任务的完成时间。当任务被划分为多个的子任务,这些复杂的应用程序需要的所有任务合理安排和分配给异构高速传感器节点的处理单元通过一个特定的调度策略,和任务调度的最小完成时间整个任务是追求。调度算法的质量直接影响到任务系统的吞吐率,调度成功率,负载平衡,任务的QoS。实时任务调度算法可以分为两类:静态优先级调度算法和动态优先级调度算法。

静态优先级调度的预先确定的战略安排在系统开始运行。严格的静态调度不能重新安排任务在系统运行时。静态调度算法具有实现简单、低调度开销,和良好的可预测性当系统过载。一般来说,一个静态调度算法调度周期任务。动态优先级调度算法动态地分配任务的优先级,和它的目的是有更大的资源分配和调度的灵活性。动态调度算法通常是用来安排非周期(周期)的任务。因为高效的传感器网络使用的应急医院有高度的不确定性,任务到来的时候,数据的大小,和其他参数不确定,和数据是破裂;因此,应采用动态调度算法。实时任务调度算法分为先发制人的和无优先调度,也就是说,任务是否被其他任务执行期间中断。摘要无优先动态调度算法,以满足需求,这可以大大减少执行任务之间的转换成本,和特别适合应急医院大数据量和严格的延时要求。

在异构高速传感器网络系统中,相同的任务可以分配给不同的节点进行处理,不同的节点有不同的处理能力,相同的任务在不同的节点有不同的处理时间。调度模型可以分为分布式调度模型和一个集中的调度模型。在分布式调度模型中,本地任务的到来是独立的,可以安排与他人。在集中式调度模型中,所有的任务都集中在调度处理单元进行处理。本文采用集中式调度模型。与分布式调度相比,集中调度模型有两个显著的特点。(1)集中调度模型更简单,更容易比分布式调度模型。(2)通过使用备份调度,方便实现容错调度。为了实现调度目标,提出了一种基于crosslayer信息调度模型的基础上,传统的集中式的调度模型,如图8。

传感器网络之间的通信的原理图和IPv6主机如图9。基于ip的无线传感器网络更容易实现数据交互比其他异构网络,使用特定的协议。互联网网关实现了传感节点之间的端到端通信和互联网主机。

图10显示生成的网络拓扑结构图BA模型在一个循环监测区域的半径500米,和200节点随机部署。最初的网络包括三个相互关联的节点3。随后在每个时间步,一个新的节点和两个链接添加到网络。在图10,圆圈表示节点,黑色节点选择骨干网络节点,虚线代表节点之间的通信链路。

基于上述模型,物联网传感器参数的影响进行回归处理模型本文,结果见表1得到了。

从物联网传感器参数回归处理的影响,物联网传感器参数回归方法的效果评价提出了超过85;所以,它有一个良好的效果。

从上面的研究,可以看出,本文提出的非参数回归模型可以扮演特定的角色在物联网的传感器参数回归。这个模型的负载平衡控制效果验证基础设施,和结果见表2下面是获得。

从负载平衡效果,负载平衡控制算法的评估非参数回归模型的基础上提出物联网联系是70以上;所以,它有一个良好的效果。

从以上研究可以看出,物联网连接负载均衡控制算法基于本文提出的非参数回归模型可以有效地改善内部调度的物联网网络链接系统,促进负载平衡的效果。

5。结论

高效的传感器网络处理多个混合服务包括数据、语音、视频、网页浏览、文件传输、多媒体应用程序。在不同的应用程序、数据、语音和视频信息传输质量等参数有不同要求的带宽和延迟。在高效的传感器网络的数据量相对较大,各种类型的服务网络QoS机制有不同的要求,和传感器节点的资源限制相对更严重。因此,确保多个服务的QoS要求,同时满足高效的传感器网络的能源约束的优化提出了迫切需要高效的传感器网络的整体性能。如何协调各子层的特征参数的高效的传感器网络,提高网络的整体性能是一个新的挑战传统无线传感器网络的分层协议设计。物联网传感器参数回归方法的效果评价提出了高于85年,负载平衡控制算法的评估基于物联网连接的非参数回归模型提出了高于70年,本文结合了非参数回归模型来提高物联网连接负载平衡算法,构建一个智能模型,并通过研究验证该模型的有效性。

数据可用性

标签数据集用于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

这项研究是由河南大学的畜牧业和经济。