基于云霧協同的汽車健康監測網絡傳輸資源分配算法研究

魏秀嶺　杜傳祥　呂建新

摘要：本文針對汽車健康狀態監測需求出發，研究設計了云霧計算協同汽車健康監測網絡系統，提出以蟻群算法為核心的數據傳輸路徑的分配。通過構建模擬仿真環境進行驗證，表明該算法能適應云霧系統網絡的路勁構建的環境下的動態特性;在運算平均吞吐量以及響應時間等方面與SPF最短路徑優先算法、BF（Brute Force）暴風算法進行對比，其更加適合于云霧協同的網絡傳輸環境使用。

關鍵詞：云霧協同;蟻群算法;資源分配

中圖分類號：U491 文獻標識碼：A 文章編號：1007-9416（2019）05-0132-02

0 引言

隨著經濟的高速發展與人民生活水平不斷提升，汽車保有量呈現幾何級數的增加。同時，汽車在使用過程中受外界是行駛環境、汽車本身設計與構造、老化與磨損等諸多因素的影響產生故障在所難免[1]，給人們的生產生活的出行安全帶來了嚴重的影響。傳統的汽車健康狀態研究已經不能滿足當前汽車安全運用要求，而且在研究深度和內容上也應有所改變。

同時，隨著計算機與網絡技術的發展，使得物聯網技術的不斷升級，在這樣的大趨勢下，人們對數據信息提取與處理、智能優化和實時決策等很多方面有了新的要求，傳統的并行技術等已不能為滿足人類日益增長的發展需要。云計算、霧計算等產生以及應用，正是契合了這種需求，云霧協同作為一種新型的并行計算技術也出現在網絡上，使得物聯網技術逐步被應用至汽車健康狀態進行監測提供了發展與應用的契機。

1 云霧計算協同汽車健康監測網絡系統的構建

云計算（Cloud Computing），是指通過互聯網連接共享基礎架構的超級計算模式，通過互聯網為用戶提供各種存儲和計算資源。然而，云計算無法滿足位置感知、低延時、移動性支持、地理分布等[2]。而霧計算的提出彌補了云計算的不足，它采用分布式的架構的網絡邊緣計算，在網絡邊緣設備中實現數據存儲、數據處理和應用服務。云計算的這依賴于服務器，而霧計算中主要依賴本地設備實現數據的存儲。根據霧計算智能前端化思想，構建云霧計算協同汽車網絡系統。分為三個層次的結構：

（1）上層為云計算中心，主要是由服務器和衛星定位系統構成。（2）中間層為霧層由汽車健康監測網絡系統邊緣的霧服務器組成，以此實現提供數據緩存、本地化計算等功能，滿足了云霧計算協同的交互式汽車健康監測網絡系統的高流量和低延遲的需求。（3）下層為傳感器和移動終端層，由車與車、車與人、車與網絡、車與路測單元等構成，實現汽車健康基礎數據的采集、處理與傳輸。

2 汽車健康監測網絡傳輸路徑分配算法

2.1 蟻群算法的模型

蟻群算法（Ant Colony Optimization，ACO），是一種用來在圖中尋找優化路徑的機率型算法[3]。假設：初始時刻時，只螞蟻組成蟻群以為起始地點，為目標地點，各條路徑上的信息素量相等，設τij（0）=C（C為常數），螞蟻（=1，2，3，…，m）根據各條路徑上的信息量濃度選擇路徑，α為信息素啟發系數，β為期望啟發系數。螞蟻從選擇的轉移概率為，其概率公式如（1）所示：

式中：--信息素數量，為t時刻邊上信息素的強度;--啟發函數，，表示節點和節點間的距離。

2.2 信息素更新

在應用蟻群算法過程中，為了使螞蟻運動不重復路徑，建立禁忌表tabu（k），將已通過的路徑加入至tabu（k）[4]。同時，為避免信息素含量過多影響啟發信息作用，完一步或完成對所有備選節點的遍歷后，對所經過節點依照規則對路徑上信息素進行更新。allowedk表示螞蟻可以選擇的下一個節點，尋找tabu（k）外的其他的最優路徑，即allowedk={C-tabu（k）}，具體的更新規則如下：

（1）局部更新規則。當一只螞蟻選擇一個節點走完徑路，依據公式（2）進行局部更新，是初始信息素濃度值。

（2）全局更新規則。若第只螞蟻經過后完成循環，依據公式（3）進行全局信息素更新。為全局揮發因子，為路徑信息素增量，為全局最優路徑：

2.3 算法工作步驟

（1）ACO算法初始化，設定、、ρ、Q、ω等參數，設置ACO算法最大迭代次數的結束條件，設置各個節點的信息素值。（2）對任務信息參數化以及計算狀態轉移頻率;（3）根據轉移概率矩陣，選擇第k只螞蟻并移動L步，并計算概率選擇下一個節點。（4）進行信息素局部更新，第k只螞蟻走過信息素的值，研究k≧螞蟻總數與否。如果不滿足，返回步驟（3）。（5）依據第只螞蟻經過后完成循環帶來的節點信息素，概率選擇下一跳節點，并按公式（3）進行全局信息素更新。（6）在使用循跡信息素時，ACO算法至最大迭代次數則算法結束，任務分配完成，繼續進行下一個任務。否則，清空tabu（k），跳至步驟（3）查找。（7）重復步驟（4）-（6），滿足預設迭代次數釋放資源，則得出路徑最優解。

3 實驗仿真

為了驗證蟻群算法在云霧計算協同汽車健康監測網絡系統的傳輸路徑的優化應用，此次模擬仿真采用CloudSim[5]進行，對蟻群算法結果進行了分析，以檢查算法在云霧計算協同網格環境中的運行情況。對蟻群算法的參數進行設置，取值為=0.2，β=0.3，ρ= 0.7，ρmin=0.3，Q=100，ω=1.2。

為了驗證ACO算法在云霧計算協同汽車健康監測網絡系統的傳輸性能，與SPF最短路徑優先算法、BF暴風算法進行了比較分析，ACO算法的平均吞吐量在參數逐漸增加的條件下效果較為明顯，能夠有效的動態調整云霧協同網絡傳輸路徑選擇和云霧協同網絡傳輸環境下的效率，如圖1所示。同時，算法查詢響應時間比較，ACO算法的時間延遲性最小，響應速度與SPF最短路徑優先算法、BF暴風算法相比較高，SPF最短路徑優先算法的分組路由的時間延遲最大，而BF算法的性能接近于ACO算法;因此，ACO算法在能夠迅速、準確地訪問云霧計算協同汽車健康監測網絡系統所需訪問的數據庫，同等條件下，傳輸速率與其他兩種算法快，有效實現減少和控制局部最優解及收斂速度不穩定問題，如圖2所示。

實驗結果表明，蟻群算法在云霧協同網絡的構建具有功能，低執行時間和成本，同時能讓系統負載始終保持一個均衡的狀態，能夠以更快的速度收斂到全局最優解。

4 結語

本文提出將蟻群算法用于解決云霧協同網絡的汽車健康監測資源分配問題。針對云霧協同網絡傳輸環境特點態地搜尋并分配傳輸路徑。并使用CloudSim進行仿真，結果表明ACO算法能夠有效地云霧協同網絡環境中傳輸路徑分配的工作，在平均吞吐量與查詢相應時間等方面具有良好的表現，驗證了ACO算法的在云霧協同網絡路徑傳輸的有效性。

參考文獻

[1] 宋留勇，王銳，周永旺，等.動態城市交通網絡優化模型研究及算法設計[J].測繪科學，2011，36（1）：134-136.

[2] 陳迎欣.基于改進蟻群算法的車輛路徑優化問題研究[J].計算機應用研究，2012，29（6）：2031-2034.

[3] 汪采萍.蟻群算法的應用研究[D].合肥：合肥工業大學，2007.

[4] 左利云，曹志波.云計算中調度問題研究綜述[J].計算機應用研究，2012（11）：4023-4027.

[5] 王詔遠，李天瑞，易修文.基于MapReduce的蟻群優化算法實現方法[J].計算機科學，2014，41（7）：261-265.