无线传感器低功耗低时延路径式协同计算方法技术

本发明专利技术涉及无线传感器低功耗低时延路径式协同计算方法，包括以下步骤：(1)、构建WSN云雾网络架构；(2)、制定能耗约束下的任务映射策略；(3)、利用BPSO算法求解最优映射关系模型。本发明专利技术公开的无线传感器低功耗低时延路径式协同计算方法具有以下有益效果：1、基于云雾网络架构，将路径式协同计算技术引入WSN，利用WSN中的汇聚节点构成雾计算层，将DAG形式的时延敏感型业务映射到汇聚节点上，利用其计算能力进行分步骤计算，实现业务的边传输边计算，降低了业务处理时延；2、考虑到WSN节点能耗有限，业务必须在一定的能耗约束下完成，因此将能耗约束考虑进路径式协同计算技术内。

【技术实现步骤摘要】
无线传感器低功耗低时延路径式协同计算方法
本专利技术属于通信领域，具体涉及一种无线传感器低功耗低时延路径式协同计算方法。
技术介绍
随着物联网技术的不断成熟以及5G无线网络的大规模建设，万物互联时代即将到来。而作为物联网底层网络的重要技术形式，无线传感器网络(WirelessSensorNetwork,WSN)得到了快速而广泛的发展，目前已被成功应用到了包括军事、自然环境监测、医疗保健、智能家居、物流跟踪等在内的多个领域之中。现有的WSN系统一般由传感器节点、汇聚(sink)节点、远程管理中心三部分组成。传感器节点一般集成有一个或多个不同类型的传感器，主要负责采集监测区域的信息，并将采集到的数据通过一跳或多跳传递到汇聚节点；汇聚节点是WSN的骨干节点，其主要功能是汇聚和转发网络报文，具有较强的数据处理能力和通信能力；远程管理中心相当于云平台，利用网络资源虚拟化技术构成资源池，存储和处理WSN发来的数据，并将处理过的数据发送给用户。然而，WSN采集的数据传到云计算中心进行计算产生的通信开销大，时延高，无法有效支撑如军事侦察等时延敏感型业务。针对云计算模式存在的高传输时延问题，学者们提出了边缘计算技术，通过将数据分割并利用网络边缘设备(如WSN中的汇聚节点)的计算能力完成计算，缩短了数据的传播距离。但传统的边缘计算技术不适合处理端到端的业务，缺乏边传输边计算的能力。针对传统边缘计算存在的问题，有学者提出了基于步骤可分割的路径式协同计算技术。该技术采用由多个服务功能组成的有向无环图(directedacyclicgraph,DAG)模型表征业务，通过将DAG形式的任务图映射到网络图，利用网络边缘设备的能力，在数据传输的过程中完成业务处理，实现业务的边传输边计算，更适合处理复杂的新型信息业务；而且每个网络节点只需加载映射到其上的服务功能即可，能有效降低单个网络设备的计算负载，适用于负载能力受限的WSN节点。针对路径式协同计算技术的早期研究，学者们为优化网络的路径计算速率，将业务表示为树状图或有向无环图形式并将其映射到网络上。Rost等学者在考虑了节点约束能力的同时，提出了将任务图的边与节点同时映射至网络拓扑图的方案，并在分布式云网络场景中求解了最佳任务调度方案。Michael等制定了具有分支的任务图映射方案，将任务图扩展到任意DAG模型。但是上述关于路径式协同计算的研究均未考虑节点的能耗问题，WSN处理的任务增多导致网络整体能耗增加，缩短WSN节点的工作寿命，且WSN节点通常位于野外，能量受限并难以补充，因此，路径式协同计算如何进行任务映射，使得在能耗约束的前提下业务处理时延最短，成为一个急需解决的技术问题。
技术实现思路
专利技术目的：针对云计算应用于无线传感器网络时延敏感型业务时存在的高传输时延问题，提出了一种无线传感器低功耗低时延路径式协同计算方法。该方法基于一种云雾网络架构，该架构利用汇聚节点组成雾计算层；在数据传输过程中基于雾计算层的计算能力分步骤完成任务计算,降低任务处理时延；由于汇聚节点计算能力较弱，时延降低将导致能耗增加，无线传感器系统工作寿命减短，为此提出能耗约束下的任务映射策略，并利用离散二进制粒子群优化(BinaryParticleSwarmOptimization,BPSO)算法解决能耗约束下的时延优化问题。技术方案：无线传感器低功耗低时延路径式协同计算方法，包括以下步骤：(1)、构建WSN云雾网络架构；(2)、制定能耗约束下的任务映射策略：基于步骤(1)得到的WSN云雾网络架构，将DAG形式的有向无环图G映射至无向连通图U的雾网络中，并构建有向无环图G至无向连通图U的最优映射关系模型；(3)、利用BPSO算法求解步骤(2)得到的最优映射关系模型。进一步地，步骤(1)中的WSN云雾网络架构自下而上包括感知层、雾计算层、云计算层，其中：所述感知层由集成有一个或多个类型传感器的无线传感器组成，用于对所在部署区域进行监测；所述雾计算层由多个具备数据处理能力和通信能力的汇聚节点组成，所述汇聚节点与无线传感器通信互联，所述雾计算层用于转发和处理感知层产生的数据；所述云计算层由多个服务器集群构成，服务器集群通过通信链路与汇聚节点通信互联相连，用于对WSN云雾网络架构进行监控和管理。进一步地，步骤(2)包括以下步骤：(21)、构建DAG形式的有向无环图G至无向连通图U的映射规则模型：在DAG形式的有向无环图G至无向连通图U的映射规则模型中，有向无环图G＝(Ω，Γ)表示任务模型，定义Ω＝{ω1,ω2,…,ωs,ωs+1,…,ωl-1,ωl|s≥1,l＞s+1}为G的节点集合，其中：ω1,ω2,…,ωs是s个任务起点，ωs+1,…,ωl-1是中间任务节点，ωl是任务终点；Γ为G的有向边集合，定义Φ↑(ωi)＝{ωj|(ωj,ωi)∈Γ}为ωi的前向节点集合；此外，WSN拓扑图用无向连通图U＝(V,K)来表示，定义V＝{ν1,ν2,…,νs,νs+1,…,νt-1,νt|s≥1,t＞s+1}为U的节点集合，其中ν1,ν2,…,νs指业务发起节点，νs+1,…,νt-1为中继节点，νt为与用户直连的节点；K为U的边集合，每条边均支持双向数据传输，用来表示节点vi到vj的最短路径；定义为最短路径集合；为最短路径中所经过的数据转发节点集合；为从节点vi到vj沿最短路径传输单位数据量的时延；将图U的网络边传输速率和节点连接关系作为输入，通过Floyed算法可求得有向无环图G至无向连通图U的映射规则如下：定义1.Ω至V的映射规则为ε:Ω→V，且ε需满足式(1)条件：ε将Ω的任务起点ω1,ω2,…,ωs映射为V的任务发起节点ν1,ν2,…,νs；将中间任务节点ωs+1,…,ωl-1映射为任意中继节点νs+1,…,νt-1；将任务终点ωl映射为与用户直连的节点νt；定义2.Γ至P的映射为Υ:Γ→P，且Υ需满足式(2)的条件：Υ将集合Γ中的有向边映射为图U中的节点ε(ωi)至ε(ωj)的最短路径(22)、基于步骤(21)得到的映射规则模型构建时延模型：子任务ωi在某次映射关系中的时延可以表示为式(3)：其中：为进行到子任务ωi时的累积时延；为ωi计算时延；为节点ε(ωi)的计算能力；α为任务计算复杂度系数；则有向无环图G的任务处理时延为任务终点ωl的时延，如式(4)所示：T(G)＝T(ωl)(4)(23)、基于步骤(21)得到的映射规则模型、步骤(22)得到的时延模型构建能耗模型，其中：网络节点vi的能耗等于网络节点vi的空闲能耗与活动能耗之和；(231)、空闲能耗(2311)映射节点ε(ωi)的空闲能耗如式(5)所示：其中，指ε(ωi)空闲状态时的功率；指ε(ωi)在某次任务中本文档来自技高网...

【技术保护点】
1.无线传感器低功耗低时延路径式协同计算方法，其特征在于，包括以下步骤：/n(1)、构建WSN云雾网络架构；/n(2)、制定能耗约束下的任务映射策略：/n基于步骤(1)得到的WSN云雾网络架构，将DAG形式的有向无环图G映射至无向连通图U的雾网络中，并构建有向无环图G至无向连通图U的最优映射关系模型；/n(3)、利用BPSO算法求解步骤(2)得到的最优映射关系模型。/n

【技术特征摘要】
1.无线传感器低功耗低时延路径式协同计算方法，其特征在于，包括以下步骤：
(1)、构建WSN云雾网络架构；
(2)、制定能耗约束下的任务映射策略：
基于步骤(1)得到的WSN云雾网络架构，将DAG形式的有向无环图G映射至无向连通图U的雾网络中，并构建有向无环图G至无向连通图U的最优映射关系模型；
(3)、利用BPSO算法求解步骤(2)得到的最优映射关系模型。


2.如权利要求1所述的无线传感器低功耗低时延路径式协同计算方法，其特征在于，步骤(1)中的WSN云雾网络架构自下而上包括感知层、雾计算层、云计算层，其中：
所述感知层由集成有一个或多个类型传感器的无线传感器组成，用于对所在部署区域进行监测；
所述雾计算层由多个具备数据处理能力和通信能力的汇聚节点组成，所述汇聚节点与无线传感器通信互联，所述雾计算层用于转发和处理感知层产生的数据；
所述云计算层由多个服务器集群构成，服务器集群通过通信链路与汇聚节点通信互联相连，用于对WSN云雾网络架构进行监控和管理。


3.如权利要求1所述的无线传感器低功耗低时延路径式协同计算方法，其特征在于，步骤(2)包括以下步骤：
(21)、构建DAG形式的有向无环图G至无向连通图U的映射规则模型：
在DAG形式的有向无环图G至无向连通图U的映射规则模型中，有向无环图G＝(Ω，Γ)表示任务模型，定义Ω＝{ω1,ω2,…,ωs,ωs+1,…,ωl-1,ωl|s≥1,l＞s+1}为G的节点集合，其中：
ω1,ω2,…,ωs是s个任务起点，ωs+1,…,ωl-1是中间任务节点，ωl是任务终点；
Γ为G的有向边集合，定义Φ↑(ωi)＝{ωj|(ωj,ωi)∈Γ}为ωi的前向节点集合；
此外，WSN拓扑图用无向连通图U＝(V,K)来表示，定义V＝{ν1,ν2,…,νs,νs+1,…,νt-1,νt|s≥1,t＞s+1}为U的节点集合，其中ν1,ν2,…,νs指业务发起节点，νs+1,…,νt-1为中继节点，νt为与用户直连的节点；
K为U的边集合，每条边均支持双向数据传输，用来表示节点vi到vj的最短路径；
定义为最短路径集合；

为最短路径中所经过的数据转发节点集合；

为从节点vi到vj沿最短路径传输单位数据量的时延；
将图U的网络边传输速率和节点连接关系作为输入，通过Floyed算法可求得
有向无环图G至无向连通图U的映射规则如下：
定义1.Ω至V的映射规则为ε:Ω→V，且ε需满足式(1)条件：



ε将Ω的任务起点ω1,ω2,…,ωs映射为V的任务发起节点ν1,ν2,…,νs；将中间任务节点ωs+1,…,ωl-1映射为任意中继节点νs+1,…,νt-1；将任务终点ωl映射为与用户直连的节点νt；
定义2.Γ至P的映射为Υ:Γ→P，且Υ需满足式(2)的条件：



Υ将集合Γ中的有向边映射为图U中的节点ε(ωi)至ε(ωj)的最短路径
(22)、基于步骤(21)得到的映射规则模型构建时延模型：
子任务ωi在某次映射关系中的时延可以表示为式(3)：



其中：

为进行到子任务ωi时的累积时延；

为ωi计算时延；

为节点ε(ωi)的计算能力；
α为任务计算复杂度系数；
则有向无环图G的任务处理时延为任务终点ωl的时延，如式(4)所示：
T(G)＝T(ωl)(4)
(23)、基于步骤(21)得到的映射规则模型、步骤(22)得到的时延模型构建能耗模型，其中：
网络节点vi的能耗等于网络节点vi的空闲能耗与活动能耗之和；
(231)、空闲能耗
(2311)映射节点ε(ωi)的空闲能耗如式(5)所示：



其中，指ε(ωi)空闲状态时的功率；

指ε(ωi)在某次任务中处于空闲状态...

【专利技术属性】
技术研发人员：任智源，王一鸣，程文驰，胡梅霞，陈晨，张海林，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61