一种基于智能边缘计算的传感云低耦合控制方法技术

一种基于智能边缘计算的传感云低耦合控制方法，通过引入边缘计算，能更好地控制和管理网络边缘节点，以弥补云计算模式鞭长莫及的缺陷。利用边缘层的计算和存储能力，设置两个缓存队列，其中一个用于缓存用户请求并合并重复的请求命令，另一个用机器学习的学习缓存底层使用最频繁的资源，对问题作预处理，并使用扩展KM算法完成未缓存资源的最优调度，降低传感云的耦合度。本发明专利技术可以应用在大规模高连接的传感云系统中。

A Low Coupling Control Method for Sensor Cloud Based on Intelligent Edge Computing

【技术实现步骤摘要】
一种基于智能边缘计算的传感云低耦合控制方法
本专利技术涉及大规模在线网络中的信息安全，特别是指一种基于智能边缘计算的传感云低耦合控制方法。
技术介绍
随着云计算和物联网的发展，把两者结合起来，组成传感云系统是一个新的研究热点。在传感云系统中，有各种类型的物理传感器。每个虚拟传感器由一种或多种物理传感器组成。虚拟传感器使得用户可以在不考虑传感器的物理位置的情况下应用传感器，然而物理传感器和虚拟传感器之间的关系可能会导致耦合攻击。当恶意用户或攻击者发送大量请求同时控制一个物理传感器时，这些请求可能不一致，如要求底层数据采集的频率不同，会出现耦合问题。解决传感云系统中的耦合攻击问题的关键是管理好底层资源以及及时检测可能出现的耦合攻击。对于如何管理好底层资源，一类常见的方式就是在云端采用相关的资源匹配算法，例如改进Max-min任务调度算法，改进的Max-min算法将任务分配给资源生成的最大执行时间(最大任务)最小完成时间(最慢资源)，而增强的最小分配任务具有平均执行时间(平均或最接近大于平均任务)资源产生最小完成时间(最慢资源)。这种方式的主要问题是云端离底层网络距离较远，受带宽影响，这种管理往往是不及时和不充分的。对于如何检测可能出现的耦合攻击，一种方法是基于机器学习技术以改进网络安全性，例如恶意软件检测，访问控制和认证。诸如支持向量机，最近邻算法，神经网络，朴素贝叶斯，随机森林和深度神经网络之类的机器学习方法可用于标记网络特征以构建回归或分类模型来检测网络状态。例如，底层物理设备可以应用支持向量机来检查欺骗攻击和网络入侵，利用最近邻算法进行攻击检测并预测攻击类型，并使用神经网络来检查DoS攻击。底层物理设备还可以在入侵检测中使用朴素贝叶斯和随机森林分类器。此外，具有足够计算能力的CPS设备可以使用深度神经网络来检测欺骗攻击。基于经典最近邻算法，一种基于向量同态加密的安全可用的最近邻分类方法被实现，该方法可以实现数据和查询记录的机密性。耦合攻击带来了很大的安全风险，例如用户等待时间延长，物理节点调度不平衡，这甚至可能导致系统死锁并缩短系统的使用寿命。不幸的是，以上工作既没有对耦合攻击产生的原因做出具体解释，也过于复杂导致延时过大。并且上述研究提出的方案都无法有效在满足最大匹配的情况下，实现用户和资源可以一对多的匹配。
技术实现思路
本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种基于智能边缘计算的传感云低耦合控制方法，缩短调用时间，提高资源利用率，减小系统耦合度。本专利技术采用如下技术方案：一种基于智能边缘计算的传感云低耦合控制方法，其特征在于，在传感云系统的边缘层设置第一缓冲区和第二缓冲区，该第一缓冲区为命令缓存队列，该第二缓存区为数据缓存队列；当传感云系统存在耦合时，控制方法步骤如下：1)将云层的资源请求输入第一缓冲区；在第一缓冲区中，合并相同的命令，并把合并后的命令向第二缓冲区传输；2)若合并后的命令请求的资源位于第二缓冲区中，则将该资源返回至云层；若否，则进入3)3)采用改进KM算法，向底层传送调度资源请求并将数据返回至云层。在步骤1)中，当资源请求输入第一缓冲区到达预设时间后，再合并相同的命令。所述第一缓冲区采用命令缓存队列算法实现合并相同的命令。所述第二缓冲区中的资源数据是缓存来自底层的部分节点的数据，基于KNN方法结合节点的状态确定所要缓存的节点。由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：1)本专利技术的方法能取得最小的调度轮数、最小的调度时间以及最大的资源利用率。2)本专利技术的方法基于边缘计算，能更好地控制和管理网络边缘节点，以弥补云计算模式鞭长莫及的缺陷，还能实现自我学习缓存底层最需要的数据。3)本专利技术设置第一缓冲区和第二缓冲区，中一个用于缓存用户请求并合并重复的请求命令，另一个用机器学习的学习缓存底层使用最频繁的资源，能对问题作预处理，并使用扩展KM算法完成未缓存资源的最优调度，降低传感云的耦合度。4)采用本专利技术的方法，同一个用户在同一时刻是可以调用多个资源。5)本专利技术的方法优化运行时间明显优于KM算法。附图说明图1为本专利技术传感云系统框架图；图2为传感云系统中资源和用户的关系图；图3为本专利技术涉及的算法流程图；图4为基于正态分布不同场景运行轮数比较图；图5为基于正态分布不同场景资源利用率比较图；图6为基于正态分布不同场景运行时间比较。以下结合附图和具体实施例对本专利技术作进一步详述。具体实施方式以下通过具体实施方式对本专利技术作进一步的描述。参见图1，本专利技术的传感云系统框架图，其包括基于边缘计算的耦合管理平台、云层和底层等，云层的下方设有边缘层。传感器网络处在架构的底层，用于收集数据，将用户需求的数据由各地收集，上传集合到云层中，由云服务进行整合，返回给用户。虚拟传感器组对于用户来讲实际上是透明的，每个虚拟传感器由一种或多种物理传感器组成。虚拟传感器使得用户可以在不考虑传感器的物理位置的情况下应用传感器。边缘计算是一种新的计算方式，图1中边缘计算的耦合管理平台的作用：边缘层离底层的传感器较近(底层一些计算能力较强的传感器也可以作为边缘节点)，可了解底层传感器的状态，可以更快的和底层交互；同时，可以作为一个预处理中心，缓存处理部分数据，减轻云层压力，也利于解耦。传感云系统中资源和用户的关系，如图2中的(a)所示，假设有4种资源A，B，C和D，用户1-5，用户资源的调用关系如图2中的(b)所示，图中的a,b,c和d是4种不同的调度方法取得的结果。本专利技术的一种基于智能边缘计算的传感云低耦合控制方法，当传感云系统中存在耦合时，首先，利用在边缘层的命令缓存队列，合并来自上层的相同命令，并优先调度数据缓存队列里的数据，对问题做一个预处理，对于没有缓存的资源，我们把问题首先利用雾层缓存抽象建模为二分图模型。扩展传统KM算法达到初始最大匹配，最后在KM算法后加入检测，进一步调度满足条件的资源，达到最大资源，进而以最短的时间减小问题耦合度。具体的，本专利技术在传感云系统的边缘层设置第一缓冲区和第二缓冲区，该第一缓冲区为缓存命令队列，该第二缓存区为数据缓存队列；当传感云系统存在耦合时，控制方法步骤如下：1)将云层的资源请求输入第一缓冲区。当资源请求输入第一缓冲区到达预设时间(例如100毫秒)后，再合并相同的命令，并把合并后的命令向第二缓冲区传输。该第一缓冲区采用命令缓存队列算法实现合并相同的命令。通过对问题建模，可知问题的核心是用户请求资源数量过大，而底层传感器数量不足，则可将问题转化为用户通过云层发出的请求和底层节点的关系。该命令缓存队列算法如下：该算法输入是资源请求矩阵(用户和节点的调度关系)，输出是经命令缓存对列处理后的代价矩阵。首先，从资源请求矩阵中获取资源请求。然后，将资源请求放入到一个命令数组中。之后，对数组进行排序，并合并数组中的相同元素。最后，算法在缓存命令队列后输出合并后的命令矩阵。2)若合并后的命令请求的资源位于第二缓冲区中，则将该资源返回至云层；若否，则进入3)。因为第二缓存区大小有限，所以只能缓存底层部分节点的数据。本专利技术基于KNN(K-NearestNeighbor)方法的进行底层节点实时数据缓存，其依赖于节点的状态(优先级，剩余能量和到边缘节点的跳跃)。本专利技术主要依本文档来自技高网...

【技术保护点】
1.一种基于智能边缘计算的传感云低耦合控制方法，其特征在于，在传感云系统的边缘层设置第一缓冲区和第二缓冲区，该第一缓冲区为命令缓存队列，该第二缓存区为数据缓存队列；当传感云系统存在耦合时，控制方法步骤如下：1)将云层的资源请求输入第一缓冲区；在第一缓冲区中，合并相同的命令，并把合并后的命令向第二缓冲区传输；2)若合并后的命令请求的资源位于第二缓冲区中，则将该资源返回至云层；若否，则进入3)3)采用改进KM算法，向底层传送调度资源请求并将数据返回至云层。

【技术特征摘要】
1.一种基于智能边缘计算的传感云低耦合控制方法，其特征在于，在传感云系统的边缘层设置第一缓冲区和第二缓冲区，该第一缓冲区为命令缓存队列，该第二缓存区为数据缓存队列；当传感云系统存在耦合时，控制方法步骤如下：1)将云层的资源请求输入第一缓冲区；在第一缓冲区中，合并相同的命令，并把合并后的命令向第二缓冲区传输；2)若合并后的命令请求的资源位于第二缓冲区中，则将该资源返回至云层；若否，则进入3)3)采用改进KM算法，向底层传送调度资源请求并将数据返回至云层。2....

【专利技术属性】
技术研发人员：王田，梁玉珠，沈雪微，罗皓，杨毅，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建,35