【技术实现步骤摘要】
一种雾计算网络下基于OCWG-TOPSIS的用户关联方法
本专利技术属于移动通信
，特别是雾计算网络下的用户关联
，涉及一种雾计算网络下基于OCWG-TOPSIS的用户关联方法。
技术介绍
近年来，物联网技术(InternetofThings,IoT)、人工智能技术(ArtificialIntelligence,AI)、第五代(5thgeneration,5G)移动通信技术的深入发展与应用，加速了万物互联时代的到来，引发了全社会的智能变革。随着物联网业务量的不断增加，接入网络的终端数量越来越多，终端设备对数据存储和计算量等方面的需求也越来越大，因此可能产生某些技术方面的难题。一方面，终端设备产生的密集数据流需要通过核心网传输到远程云进行处理，消耗核心网络大量带宽和能量；另一方面，由于远程云通常远离终端设备，处理数据流的延迟可能太长，无法满足延迟敏感型应用对超低时延的需求。因此，为了高效及时地处理来自网络中广泛分布的终端设备的多样化任务请求，雾计算(FogComputing)作为对云计算(CloudComputing)的扩展和补充应运而生。雾计算由OpenFog联盟定义为“系统级水平架构”，能够在云到物联网应用之间的任何位置分配及控制计算、存储和网络的资源与服务，而不是局限在遥远的云数据中心。同移动边缘计算(MobileEdgeComputing,MEC)类似，雾计算可以将边缘服务器部署在蜂窝网络的基站一侧，提供更加贴近用户的、远离云端的边缘计算。不同之处在于，雾计算能够把基于云的服务，例如基础设施...
【技术保护点】
1.一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在本方法中，将密集异构蜂窝网络雾计算系统下的基站与其共处Fog Node看作一个共处体FeNB，/n具体包括以下步骤：/nS1：对用户到FeNB的通信传输过程及计算过程进行时延、能耗的建模，对用户所需支付的费用建模；/nS2：在MeNB一侧设置网络端，收集其覆盖范围内，用户及FeNB上报的属性相关信息；/nS3：最优组合权重的设计：依据最小鉴别信息原理将主观权重与客观权重结合构建组合权重，在此基础上釆用拉格朗日乘子法求得最优组合权重表达式；/nS4：定义决策矩阵：将用户可以选择关联的FeNB作为待评价方案，对应到关联决策矩阵的行向量，而矩阵的列向量由属性集的各个属性值来确定；/nS5：规范化决策矩阵：采用极差变换法对决策矩阵进行规范化处理；/nS6：决策矩阵加权：将最优组合权重与规范化的决策矩阵相乘得到加权规范化决策矩阵；/nS7：根据网络端保存的属性信息，计算用户与FeNB关联方案的决策矩阵，进而得到所有可关联方案的加权规范化决策矩阵；/nS8：根据TOPSIS原理确定关联方案的正理想解与负理想解，并结合GRA...
【技术特征摘要】
1.一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在本方法中，将密集异构蜂窝网络雾计算系统下的基站与其共处FogNode看作一个共处体FeNB，
具体包括以下步骤：
S1：对用户到FeNB的通信传输过程及计算过程进行时延、能耗的建模，对用户所需支付的费用建模；
S2：在MeNB一侧设置网络端，收集其覆盖范围内，用户及FeNB上报的属性相关信息；
S3：最优组合权重的设计：依据最小鉴别信息原理将主观权重与客观权重结合构建组合权重，在此基础上釆用拉格朗日乘子法求得最优组合权重表达式；
S4：定义决策矩阵：将用户可以选择关联的FeNB作为待评价方案，对应到关联决策矩阵的行向量，而矩阵的列向量由属性集的各个属性值来确定；
S5：规范化决策矩阵：采用极差变换法对决策矩阵进行规范化处理；
S6：决策矩阵加权：将最优组合权重与规范化的决策矩阵相乘得到加权规范化决策矩阵；
S7：根据网络端保存的属性信息，计算用户与FeNB关联方案的决策矩阵，进而得到所有可关联方案的加权规范化决策矩阵；
S8：根据TOPSIS原理确定关联方案的正理想解与负理想解，并结合GRA计算各决策方案与理想解的相对贴合度δ；
S9：对所有可选择关联方案的相对贴合度进行排序，并选择相对贴合度最大的关联方案作为最佳关联方案。
2.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S1中，所述时延、能耗及对用户所需支付的费用建模如下：
1)、用户i(i∈I)与FeNBj(j∈J)相关联，对应的时延为计算时延与通信传输时延此两部分的时延总和；其中，通信过程的时延建模集中考虑XeNBj朝向用户i的下行链路传输过程，时延总和tij表示如下:
其中：等式右边第一项为FeNBj中的FogNodej处理用户i请求的计算任务所产生的计算时延，等式右边第二项为FeNBj中的XeNBj与用户i通信传输的通信时延；cij表示FogNodej处理来自用户i的计算任务所需的CPU周期；fj表示FogNodej的计算能力；λi为分布密度的参数，表示用户i在单位时间内的任务请求所产生的数据流服从密度为λi的泊松分布；di表示单位数据流的数据尺寸大小；Dij表示XeNBj与用户i通信传输过程的数据传输速率；
2)、用户i(i∈I)与FeNBj(j∈J)相关联，对应的能耗为通信能耗与计算能耗，此两部分的能耗总和Eij表示如下：
其中：等式右边第一项为通信能耗，βj为线性系数，反映FeNBj中的XeNBj与用户i通信所耗能量与通信负载之间的线性关系；λi为分布密度的参数，表示用户i在单位时间内的任务请求所产生的数据流服从密度为λi的泊松分布；di表示单位数据流的数据尺寸大小；等式右边第二项为计算能耗，该能耗为FogNodej托管的计算机CPU频率fj的函数；nj表示当前关联选择周期内，所要关联的FogNodej开启的计算机数量；Aj和Bj为正常数，p为一正指数，用来体现FogNodej处能耗随计算任务呈非线性递增的变化关系，其中，p的选取范围为2.5～3；
3)、用户i(i∈I)与FeNBj(j∈J)相关联，对应的支付费用为通信费用与计算费用，此两部分费用的总和Cij表示如下：
Cij＝rFλiρi+rBλidi(3)
其中：等式右边第一项为用户i与FeNBj关联所耗的计算费用，等式右边第二项为用户i与FeNBj关联所耗的通信费用；rF和rB分别为FogNodej和XeNBj处，单位计算负载与单位通信负载所对应的支付成本；λi为分布密度的参数，表示用户i在单位时间内的任务请求所产生的数据流服从密度为λi的泊松分布；ρi表示单位数据流的计算尺寸大小；di表示单位数据流的数据尺寸大小。
3.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S2中，网络端负责在关联周期内收集MeNB覆盖范围内的用户及FeNB上报的各种属性信息，且FeNB中的FogNode先将自身与关联决策相关的有效信息反馈给其共处XeNB，XeNB将所有相关信息汇总一起上报给网络端，具体包括：
S21：用户i(i∈I)根据自身业务需求事先配置好其自身允许接收的最小RSRP值在用户i的关联决策周期内，用户i需将包括RSRPij、在内的与属性值相关的有效信息上报至网络端；RSRPij表示用户i接收到的FeNBj(j∈J)中XeNBj的RSRP值，该值由用户i测量得到；
S22：FeNBj需要从网络端获取来自用户i的有效信息，依据设定的计算方法快速计算时延、能耗、用户所需支付费用三个属性值，并计算FeNBj中，XeNBj与用户i的通信传输过程对应的通信量大小Tij＝λidi，以及FogNodej处理来自用户请求计算任务的计算量大小Cij＝λiρi；最后将上述计算所得结果连同当前关联选择周期内，FogNodej的剩余计算容量以及XeNBj的剩余通信容量一起上报至网络端；所述与中的上标r为剩余计算容量及剩余通信容量的剩余标识，j为FeNB集合J中第j个FeNB的下脚标索引；
S23：网络端首先需根据用户i与FeNBj上报信息中的RSRPij、RSRPmin，Tij、以及Cij、确定当前关联决策周期内，用户i可选择的FeNB待选集合J*＝{1,2,…,K}，K代表用户i当前可选择关联的FeNB的总个数；确定J*后，网络端需进一步确定J*中每个FeNB对应的关联决策属性集。
4.根据权利要求1所述的一种雾计算网络下基于OCWG-TOPSIS的用户关联方法，其特征在于：在步骤S3中，所述主观权重由用户的实际需求以及FeNB处理能力的实际情况主观因素来确定；通过基于对上述主观因素的实际评估来构建正互反矩阵，并将正互反矩阵聚合起来以获取主观权重；设用户与FeNB关联的属性集中各主观权重值为构成主观权重向量ωs表示如下：
其中，s为表示主观权重的主观标识，m为权重向量ωs中第m个权重值元素的下脚标索...
【专利技术属性】
技术研发人员：申滨，刘笑笑，闫伟，黄晓舸，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。