移動邊緣計算任務(wù)切分與物聯(lián)網(wǎng)最優(yōu)數(shù)據(jù)卸載算法設(shè)計

劉向東

摘要：為解決傳統(tǒng)卸載算法在對物聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行卸載時，存在卸載數(shù)據(jù)量與實際需要進(jìn)行卸載的數(shù)據(jù)量相差較大，影響物聯(lián)網(wǎng)高效運(yùn)行問題，開展移動邊緣計算任務(wù)切分與物聯(lián)網(wǎng)最優(yōu)數(shù)據(jù)卸載算法設(shè)計研究。通過物聯(lián)網(wǎng)移動邊緣節(jié)點(diǎn)計算任務(wù)切分、基于完全物聯(lián)網(wǎng)移動邊緣場景的數(shù)據(jù)卸載和基于不完全物聯(lián)網(wǎng)移動邊緣場景的數(shù)據(jù)卸載，提出一種全新的卸載算法。通過對比實驗進(jìn)一步證明，新的卸載算法在實際應(yīng)用中卸載精度更高，更滿足物聯(lián)網(wǎng)高效運(yùn)行需要。

關(guān)鍵詞：移動邊緣計算;任務(wù)切分;物聯(lián)網(wǎng);最優(yōu)數(shù)據(jù);卸載算法

中圖分類號：TN929.52 ? ? ?文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）32-0129-02

當(dāng)前云計算、物聯(lián)網(wǎng)等智能技術(shù)的應(yīng)用逐漸廣泛，智能汽車、虛擬現(xiàn)實技術(shù)等相關(guān)應(yīng)用不斷產(chǎn)生，可穿戴的便攜式設(shè)備、家用電器等數(shù)量呈現(xiàn)出爆發(fā)式的增長，未來網(wǎng)絡(luò)環(huán)境將會逐漸向著分布式的方向發(fā)展和轉(zhuǎn)變[1]。當(dāng)前現(xiàn)代計算技術(shù)雖然能夠更加集中化的數(shù)據(jù)資源，但由于在傳輸過程中會產(chǎn)生海量的數(shù)據(jù)信息，因此在其傳輸?shù)倪^程中還會迫使物聯(lián)網(wǎng)產(chǎn)生更大的壓力，進(jìn)而影響到物聯(lián)網(wǎng)用戶的體驗質(zhì)量[2]。在這樣物聯(lián)網(wǎng)感知設(shè)備數(shù)據(jù)傳輸?shù)倪^程中，數(shù)據(jù)的處理方式也在一定程度上受到了巨大的風(fēng)險和挑戰(zhàn)。當(dāng)前，物聯(lián)網(wǎng)領(lǐng)域相關(guān)研究人員正逐漸將上述方面問題作為研究的重點(diǎn)，以此解決物聯(lián)網(wǎng)移動終端數(shù)據(jù)傳輸?shù)綌?shù)據(jù)中心過程中存在的問題，因此，移動邊緣計算方法應(yīng)運(yùn)而生[3]。移動邊緣計算是在接近物聯(lián)網(wǎng)移動設(shè)備的邊緣，為其布置服務(wù)器，并形成邊緣云結(jié)構(gòu)，以此為物聯(lián)網(wǎng)用戶提供計算和存儲的數(shù)據(jù)資源，更進(jìn)一步為用戶帶來良好的體驗。但由于當(dāng)前物聯(lián)網(wǎng)環(huán)境的當(dāng)中的數(shù)據(jù)呈現(xiàn)出爆發(fā)式的增長趨勢，因此在對數(shù)據(jù)進(jìn)行卸載過程中，仍然沿用傳統(tǒng)的卸載算法很難實現(xiàn)對全部數(shù)據(jù)的精準(zhǔn)卸載，容易造成數(shù)據(jù)的冗余，影響物聯(lián)網(wǎng)的高效運(yùn)行[4]。基于此，本文開展移動邊緣計算任務(wù)切分與物聯(lián)網(wǎng)最優(yōu)數(shù)據(jù)卸載算法設(shè)計研究。

1移動邊緣計算任務(wù)切分與物聯(lián)網(wǎng)最優(yōu)數(shù)據(jù)卸載算法設(shè)計

1.1物聯(lián)網(wǎng)移動邊緣節(jié)點(diǎn)計算任務(wù)切分

本文移動邊緣計算任務(wù)切分與物聯(lián)網(wǎng)最優(yōu)數(shù)據(jù)卸載算法在對物聯(lián)網(wǎng)中需要進(jìn)行卸載的數(shù)據(jù)進(jìn)行處理時，主要以物聯(lián)網(wǎng)傳感器采集到的差異數(shù)據(jù)信息作為基礎(chǔ)，通過對物聯(lián)網(wǎng)移動邊緣節(jié)點(diǎn)計算任務(wù)的切分，并計算器卸載量，完成相應(yīng)的卸載工作。圖1為物聯(lián)網(wǎng)移動邊緣節(jié)點(diǎn)分布式結(jié)構(gòu)示意圖。

圖1中編號1～12分別為物聯(lián)網(wǎng)基站移動邊緣當(dāng)中各個無線傳感器節(jié)點(diǎn)，圖1中箭頭的起始位置與數(shù)據(jù)發(fā)送方相連接，箭頭的終止位置與數(shù)據(jù)接收方相連接。對于物聯(lián)網(wǎng)移動邊緣環(huán)境而言，數(shù)據(jù)的節(jié)點(diǎn)在傳輸過程中，通常是采用超寬頻譜的方式對節(jié)點(diǎn)的計算任務(wù)進(jìn)行選擇，但這種方法針對含量數(shù)據(jù)節(jié)點(diǎn)，會產(chǎn)生較大的負(fù)載壓力，因此造成物聯(lián)網(wǎng)能任務(wù)切分能力受到影響。因此，針對這一問題，本文在對其進(jìn)行任務(wù)切分的過程中引入卸載數(shù)據(jù)特征模糊聚類的思想[5]。將物聯(lián)網(wǎng)移動邊緣節(jié)點(diǎn)數(shù)據(jù)設(shè)置為Wn×m={Wij} n×m，該表達(dá)式是一個由n×m大小構(gòu)成的矩陣，其公式可用如下形式表示：

[Wn×m=w11w12…w1mw21w22…w2m??…?wn1wn2…wnm] ? ? ? ? ? ? ? ? ? ? （1）

公式（1）中，n表示為物聯(lián)網(wǎng)移動邊緣環(huán)境中需要進(jìn)行卸載處理的數(shù)據(jù)節(jié)點(diǎn)個數(shù);m表示為任務(wù)切分相關(guān)性較高的數(shù)據(jù)條數(shù)。根據(jù)上述公式（1）計算，得出每一個具有卸載特征的數(shù)據(jù)節(jié)點(diǎn)。為實現(xiàn)本文卸載算法的高效性，還需要對上述公式（1）進(jìn)行降維處理，并將其變化為如下公式（2）的形式：

[Wn×m=（Im×s+Js×s）/Rs×n] ? ? ? ? ?（2）

公式（2）中，[I]表示為公式（1）中水平方向上的數(shù)據(jù)節(jié)點(diǎn);[J]表示為公式（1）中豎直方向上的數(shù)據(jù)節(jié)點(diǎn);[R]表示為公式（1）中所有數(shù)據(jù)節(jié)點(diǎn);[S]表示為需要進(jìn)行卸載的數(shù)據(jù)節(jié)點(diǎn)量。根據(jù)上述公式計算，得出的結(jié)果即為具體物聯(lián)網(wǎng)移動邊緣節(jié)點(diǎn)計算任務(wù)切分結(jié)果。

1.2基于完全物聯(lián)網(wǎng)移動邊緣場景的數(shù)據(jù)卸載

為實現(xiàn)對物聯(lián)網(wǎng)數(shù)據(jù)的最優(yōu)卸載效果，本文對完全物聯(lián)網(wǎng)移動邊緣場景和不完全物聯(lián)網(wǎng)移動邊緣場景進(jìn)行區(qū)分，分別對其需要進(jìn)行卸載的數(shù)據(jù)進(jìn)行處理[6]。基于完全物聯(lián)網(wǎng)移動邊緣場景的數(shù)據(jù)卸載流程：

第一步，采集物聯(lián)網(wǎng)移動邊緣環(huán)境中記錄的數(shù)據(jù)信息，利用本文上述物聯(lián)網(wǎng)移動邊緣節(jié)點(diǎn)計算任務(wù)切分方法，確定卸載任務(wù);

第二步，對物聯(lián)網(wǎng)結(jié)構(gòu)特征和用戶行為特征進(jìn)行全面分析，并根據(jù)分析結(jié)構(gòu)構(gòu)建隨機(jī)森林分類模型，對用戶機(jī)會連接進(jìn)行預(yù)測;

第三步，將用戶數(shù)據(jù)需求分析引入到卸載操作當(dāng)中，結(jié)合博弈理論，在確保Nash均衡的條件下，通過迭代算法的求解，給出數(shù)據(jù)信息卸載的策略。

根據(jù)上述數(shù)據(jù)卸載流程，得出博弈理論當(dāng)中應(yīng)當(dāng)包含參與者、測量以及效用，共三個要素，分別利用三個要素刻畫一個完整的博弈模型。將用戶的效益最大化作為目標(biāo)，得出博弈模型的表達(dá)式為：

[U=?log（1+f）-p] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

公式（3）中，[U]表示為以用戶效益最大化為目標(biāo)的博弈結(jié)果;[?]表示為用戶參與體驗相關(guān)參數(shù);[f]表示為數(shù)據(jù)內(nèi)容提供用戶和物聯(lián)網(wǎng)運(yùn)營商等跟隨者向內(nèi)容需求用戶提供的數(shù)據(jù)總量之和;[p]表示為給定總數(shù)量。根據(jù)公式（3）計算得出的結(jié)果對單個需求用戶作為領(lǐng)導(dǎo)者，求解出最優(yōu)數(shù)據(jù)卸載策略，通過物聯(lián)網(wǎng)移動邊緣用戶的數(shù)據(jù)需求，以此減少上述模型中迭代次數(shù)，提高本文卸載算法的效率。

1.3基于不完全物聯(lián)網(wǎng)移動邊緣場景的數(shù)據(jù)卸載

完成上述基于完全物聯(lián)網(wǎng)移動邊緣場景的數(shù)據(jù)卸載后，在對基于不完全物聯(lián)網(wǎng)移動邊緣場景的數(shù)據(jù)卸載策略進(jìn)行設(shè)計。將物聯(lián)網(wǎng)運(yùn)營、內(nèi)容提供以及內(nèi)容需求的收益最大化作為目標(biāo)，當(dāng)同時遇到兩個物聯(lián)網(wǎng)用戶時，若無法實現(xiàn)對物聯(lián)網(wǎng)移動邊緣場景的數(shù)據(jù)負(fù)載情況，則需要提前做出對數(shù)據(jù)卸載的決策[7]。基于不完全物聯(lián)網(wǎng)移動邊緣場景的數(shù)據(jù)卸載具體卸載流程為：

第一步，采集物聯(lián)網(wǎng)移動邊緣環(huán)境中記錄的數(shù)據(jù)信息，利用本文上述物聯(lián)網(wǎng)移動邊緣節(jié)點(diǎn)計算任務(wù)切分方法，確定卸載任務(wù);

第二步，對物聯(lián)網(wǎng)移動邊緣場景中的用戶數(shù)據(jù)需求進(jìn)行分析，并通過完成對物聯(lián)網(wǎng)效用函數(shù)的設(shè)計;

第三步，通過數(shù)據(jù)需求分析結(jié)果得出總數(shù)據(jù)分析需求和可卸載數(shù)據(jù);

第四步，利用物聯(lián)網(wǎng)效用函數(shù)從聯(lián)網(wǎng)運(yùn)營、內(nèi)容提供以及內(nèi)容需求三方面最大利益角度分析得出數(shù)據(jù)卸載策略。

根據(jù)上述卸載流程需要，得出物聯(lián)網(wǎng)效用函數(shù)為：

[U'=（p-e）?（q-fx）] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

公式（4）中，[U']表示為物聯(lián)網(wǎng)效用函數(shù)目標(biāo)結(jié)果;[p]表示為數(shù)據(jù)負(fù)載動態(tài)變化參數(shù);[e]表示為物聯(lián)網(wǎng)運(yùn)營環(huán)境單位數(shù)據(jù)的價值;[q]表示為數(shù)據(jù)負(fù)載;[f]表示為可卸載數(shù)據(jù);[x]表示為卸載比例。根據(jù)上述公式（4）計算得出的結(jié)果給出最優(yōu)數(shù)據(jù)卸載策略，完成對物聯(lián)網(wǎng)數(shù)據(jù)的卸載操作。

2對比實驗

隨機(jī)選擇物聯(lián)網(wǎng)環(huán)境當(dāng)中的節(jié)點(diǎn)數(shù)據(jù)2000bit，已知在該數(shù)據(jù)集合當(dāng)中存在250個需要進(jìn)行卸載的數(shù)據(jù)，將其作為本文對比實驗的實驗對象，分別利用本文提出的移動邊緣計算任務(wù)切分與物聯(lián)網(wǎng)最優(yōu)數(shù)據(jù)卸載算法和傳統(tǒng)卸載算法對其卸載隱藏處理。為了確保實驗結(jié)果真實、有效，在實驗開始前，還需要利用與需要卸載的數(shù)據(jù)詳盡的非卸載需要數(shù)據(jù)進(jìn)行替代，對實驗對象當(dāng)中需要卸載的數(shù)據(jù)進(jìn)行隱藏處理，再分別利用被窩呢卸載算法和出臺弄寫在算法對實驗對象卸載隱藏處理。根據(jù)上述實驗準(zhǔn)備，完成兩種卸載算法的實際應(yīng)用后，將兩種算法的實驗結(jié)果進(jìn)行記錄，并繪制成如表1所示的實驗結(jié)果對比表。

表1中，[?]表示為卸載數(shù)據(jù)所在數(shù)據(jù)集合中數(shù)據(jù)總量;[λ]表示為需要進(jìn)行卸載的數(shù)據(jù)量。由表1數(shù)據(jù)結(jié)果可以看出，本文算法卸載數(shù)據(jù)量與[λ]值相比，精度在1bit左右，而傳統(tǒng)算法卸載數(shù)據(jù)量與[λ]值相比相差較大。同時，通過最終總計結(jié)果可以看出，本文算法卸載數(shù)據(jù)量與傳統(tǒng)算法卸載數(shù)據(jù)量相比，超出了接近1倍。因此，通過對比實驗進(jìn)一步得出，本文提出的移動邊緣計算任務(wù)切分與物聯(lián)網(wǎng)最優(yōu)數(shù)據(jù)卸載算法在實際應(yīng)用中具有更高的卸載精度，實現(xiàn)最優(yōu)數(shù)據(jù)卸載目標(biāo)。同時，將本文提出的移動邊緣計算任務(wù)切分與物聯(lián)網(wǎng)最優(yōu)數(shù)據(jù)卸載算法應(yīng)用于實際能夠有效針對利用價值較低的數(shù)據(jù)進(jìn)行合理的卸載，進(jìn)一步提高物聯(lián)網(wǎng)環(huán)境的運(yùn)行效率，實現(xiàn)物聯(lián)網(wǎng)數(shù)據(jù)傳輸環(huán)境的時效性。

3結(jié)束語

本文通過開展移動邊緣計算任務(wù)切分與物聯(lián)網(wǎng)最優(yōu)數(shù)據(jù)卸載算法研究，提出一種全新的數(shù)據(jù)卸載算法，并通過實驗進(jìn)一步證明了該算法的實際應(yīng)用優(yōu)勢。由于研究時間和能力的有限，針對物聯(lián)網(wǎng)中存在異常的卸載數(shù)據(jù)，在卸載過程中對其衰減系數(shù)和相對時延等問題并未進(jìn)行深入的探究。因此，在后續(xù)的研究過程中還將針對這一方面的問題進(jìn)行更加深入的研究，以期為創(chuàng)造用戶滿意度更高的物聯(lián)網(wǎng)環(huán)境提供保障。

參考文獻(xiàn)：

[1] 黃正鵬，王力，張仕學(xué)，等.基于傳統(tǒng)遺傳和數(shù)據(jù)壓縮算法的冗余光纖數(shù)據(jù)存儲優(yōu)化[J].激光雜志，2019，40（3）：135-139.

[2] 梁顯麗，楊海波.基于人工蜂群優(yōu)化算法的激光傳感云數(shù)據(jù)挖掘系統(tǒng)設(shè)計[J].激光雜志，2019，40（8）：94-97.

[3] 翟月.面向數(shù)據(jù)卸載的5G分布式緩存優(yōu)化研究[J].佳木斯大學(xué)學(xué)報（自然科學(xué)版），2020，38（6）：127-129，148.

[4] 張尚偉，劉家佳，許鐵鑫.無人機(jī)輔助的蜂窩數(shù)據(jù)流量卸載及保密傳輸方案[J].西安交通大學(xué)學(xué)報，2021，55（2）：121-128.

[5] 許建平.邊緣計算技術(shù)的發(fā)展及其對抗惡劣環(huán)境數(shù)據(jù)中心技術(shù)的影響[J].艦船電子工程，2019，39（9）：12-16.

[6] 王辰.OGG數(shù)據(jù)卸載平臺中數(shù)據(jù)傳輸高可用方案的論證與設(shè)計[J].信息與電腦（理論版），2020，32（11）：140-142.

[7] 丁旭陽，謝盈，張小松.基于邊緣計算的進(jìn)化多目標(biāo)優(yōu)化圖像隱寫算法[J].計算機(jī)研究與發(fā)展，2020，57（11）：2260-2270.

【通聯(lián)編輯：光文玲】