一種基于邊緣傳感云的LoRaWAN傳感網(wǎng)卸載方案

張占平，趙庶旭，王小龍，韓淑梅，元 琳，張家禎

（蘭州交通大學(xué) 電子與信息工程學(xué)院，蘭州 730070）

在泛在互聯(lián)（internet of everything，IOE）的推動(dòng)下，大量的智能設(shè)備通過無線傳感網(wǎng)接入到Internet中，用戶可通過應(yīng)用程序?qū)崿F(xiàn)設(shè)備的遠(yuǎn)程訪問與管理，然而大多數(shù)智能設(shè)備之間地理位置分散，已有的通信技術(shù)（如藍(lán)牙、WiFi和Z-Wave等）很難滿足遠(yuǎn)距離、低功耗及低成本的要求.長(zhǎng)距離廣域網(wǎng)是低功耗廣域網(wǎng)（low-power wide-area network，LPWAN）的一種實(shí)現(xiàn)方式，具有通信距離遠(yuǎn)、功耗低、成本低等特點(diǎn)［1］，其為IOE提供了一種新的實(shí)現(xiàn)方式.

LoRaWAN由傳感節(jié)點(diǎn)、網(wǎng)關(guān)和云服務(wù)器組成.其中：傳感器節(jié)點(diǎn)負(fù)責(zé)數(shù)據(jù)的采集、計(jì)算及通信；網(wǎng)關(guān)作為匯聚節(jié)點(diǎn)，負(fù)責(zé)傳感節(jié)點(diǎn)數(shù)據(jù)的轉(zhuǎn)發(fā)和管理，同時(shí)在傳感節(jié)點(diǎn)和云服務(wù)器間建立了信息橋梁；云服務(wù)器負(fù)責(zé)傳感節(jié)點(diǎn)數(shù)據(jù)的存儲(chǔ)、計(jì)算及管理.隨著LoRaWAN傳感網(wǎng)應(yīng)用范圍和規(guī)模的增大，傳感節(jié)點(diǎn)產(chǎn)生了大量的數(shù)據(jù)，但這些傳感節(jié)點(diǎn)由于資源受限而無法為數(shù)據(jù)提供足夠的計(jì)算資源.在LoRaWAN傳感網(wǎng)中，通常通過傳感云實(shí)現(xiàn)數(shù)據(jù)的處理，即把傳感節(jié)點(diǎn)數(shù)據(jù)卸載到云服務(wù)器上進(jìn)行處理，并將處理的結(jié) 果 返 回 給 用 戶，如TTN平 臺(tái)［2］.傳 統(tǒng) 的LoRaWAN傳感云架構(gòu)［3］如圖1所示.

圖1 LoRaWAN傳感云架構(gòu)Fig．1 Structure of LoRaWAN sensing cloud

但大規(guī)模傳感節(jié)點(diǎn)產(chǎn)生的海量數(shù)據(jù)在云端集中處理有以下幾點(diǎn)不足：

1）由于云服務(wù)的供應(yīng)商其信譽(yù)度及安全性無法預(yù)測(cè)，這將增加數(shù)據(jù)泄露的風(fēng)險(xiǎn)；

2）LoRaWAN傳感網(wǎng)與核心網(wǎng)之間頻繁的數(shù)據(jù)交換不但會(huì)帶來非必要的能量損耗，而且會(huì)給核心網(wǎng)增加額外的壓力；

3）由于核心網(wǎng)絡(luò)帶寬、吞吐量有限，基于傳感云的數(shù)據(jù)處理方式很難滿足時(shí)延敏感型應(yīng)用程序.

為解決上述問題，本文提出了一種基于LoRaWAN的邊緣傳感云架構(gòu)，它是邊緣計(jì)算和LoRaWAN傳感網(wǎng)技術(shù)融合的產(chǎn)物，旨在靠近傳感網(wǎng)的位置部署邊緣服務(wù)器，提高LoRaWAN傳感節(jié)點(diǎn)的計(jì)算能力及數(shù)據(jù)傳輸安全性，同時(shí)降低計(jì)算時(shí)延、能耗及成本.其中，基于LoRaWAN的邊緣傳感云計(jì)算卸載技術(shù)作為一個(gè)重要的研究方向，已受到國內(nèi)外學(xué)者的廣泛研究.目前，對(duì)卸載策略的研究主要集中于三個(gè)方向：時(shí)延最小化、能耗最小化和二者加權(quán)的聯(lián)合函數(shù)最小化［4］.文獻(xiàn)［5-7］主要側(cè)重于時(shí)延最小化的研究，其中：文獻(xiàn)［5］研究了多用戶場(chǎng)景下的智能卸載計(jì)算問題，提出了一種基于LSTM的任務(wù)數(shù)據(jù)量及復(fù)雜度預(yù)測(cè)算法，根據(jù)預(yù)測(cè)結(jié)果進(jìn)行邊緣資源的分配，從而解決多用戶大數(shù)量下任務(wù)卸載的時(shí)延問題；文獻(xiàn)［6］針對(duì)非正交多址邊緣場(chǎng)景（NOMA-MEC）中任務(wù)卸載的時(shí)延最小化問題，通過構(gòu)建分?jǐn)?shù)規(guī)劃模型，并采用Dinkelbach和牛頓法得到卸載策略；文獻(xiàn)［7］針對(duì)分布式邊緣場(chǎng)景下的時(shí)延優(yōu)化問題，提出了一種邊緣節(jié)點(diǎn)選擇算法，根據(jù)任務(wù)的時(shí)延約束選擇合適的邊緣節(jié)點(diǎn)，進(jìn)行任務(wù)卸載.文獻(xiàn)［8-10］主要側(cè)重于能耗最小化的研究，其中：文獻(xiàn)［8］針對(duì)終端設(shè)備計(jì)算能力受限的問題，構(gòu)建了一種基于ARIMA-BP的節(jié)能卸載策略，并設(shè)計(jì)了一種選擇性卸載算法來獲得能耗最小的卸載策略；文獻(xiàn)［9］研究了車載終端的能耗優(yōu)化問題，提出一種基于交替方向乘子法的資源分配算法，通過該算法為能耗受限的車載終端分配邊緣資源，以降低終端的數(shù)據(jù)處理能耗；文獻(xiàn)［10］針對(duì)電池供電的智能終端，由于其電量無法支撐密集型任務(wù)計(jì)算問題，構(gòu)建了一種部分任務(wù)卸載模型，通過遺傳算法得到終端能耗最小的卸載策略.文獻(xiàn)［11-14］側(cè)重于時(shí)延能耗的聯(lián)合優(yōu)化，其中：文獻(xiàn)［11］構(gòu)建了一種WiFi和蜂窩網(wǎng)絡(luò)同時(shí)覆蓋的卸載場(chǎng)景，該場(chǎng)景下將任務(wù)卸載的時(shí)延及能耗優(yōu)化轉(zhuǎn)化為一種非凸優(yōu)化問題，并結(jié)合線性規(guī)劃與交替優(yōu)化技術(shù)設(shè)計(jì)了一種迭代算法，優(yōu)化系統(tǒng)增益；文獻(xiàn)［12］研究了可分塊任務(wù)卸載的時(shí)延能耗聯(lián)合優(yōu)化問題，通過提出一種基于匈牙利算法的低復(fù)雜度自適應(yīng)算法，得到時(shí)延能耗最優(yōu)的卸載策略；文獻(xiàn)［13］針對(duì)MEC場(chǎng)景中不同終端對(duì)時(shí)延及能耗需求的差異問題，建立了一種資源分配與任務(wù)卸載的聯(lián)合優(yōu)化模型，并提出了一種兩階段啟發(fā)式優(yōu)化算法，尋求系統(tǒng)最優(yōu)策略；文獻(xiàn)［14］在邊緣協(xié)同物聯(lián)網(wǎng)場(chǎng)景中，針對(duì)密集型任務(wù)卸載導(dǎo)致的高時(shí)延問題，提出一種快速非支配排序算法，以平衡任務(wù)卸載中系統(tǒng)的時(shí)延與能耗.

經(jīng)上述分析，文獻(xiàn)［5-7］雖然降低了卸載的時(shí)延，滿足時(shí)延敏感型任務(wù)的要求，但忽略了系統(tǒng)能耗，這將因系統(tǒng)卸載能耗過高而導(dǎo)致穩(wěn)定性變差；文獻(xiàn)［8-10］所提方法能有效降低任務(wù)卸載的能耗，但很難適用于時(shí)延敏感型任務(wù)的卸載，同時(shí)沒有考慮多任務(wù)并發(fā)條件下的任務(wù)排隊(duì)時(shí)延問題；文獻(xiàn)［11］考慮了不同網(wǎng)絡(luò)覆蓋下的時(shí)延能耗聯(lián)合優(yōu)化問題，但側(cè)重于單邊緣服務(wù)器場(chǎng)景的優(yōu)化，且沒有考慮到數(shù)據(jù)卸載的信道選擇；文獻(xiàn)［12-13］所提方法在多邊緣服務(wù)器場(chǎng)景存在后期收斂速度慢的問題；文獻(xiàn)［14］在卸載過程中只對(duì)系統(tǒng)時(shí)延及能耗進(jìn)行平衡，沒有給出時(shí)延能耗聯(lián)合優(yōu)化的卸載方案.

另外，上述研究沒有考慮數(shù)據(jù)卸載傳輸中的安全性、多任務(wù)并發(fā)下的排隊(duì)問題及任務(wù)卸載的價(jià)格.本文在上述研究的基礎(chǔ)上，提出一種基于邊緣傳感云的LoRaWAN傳感網(wǎng)安全卸載方案.首先，考慮到已有的基站及LoRaWAN網(wǎng)關(guān)使用MIMO（multiple input multiple output）通信，在數(shù)據(jù)傳輸階段提出一種基于隱私熵的天線陣列信道選擇方案；其次，為得到時(shí)延、能耗及成本的聯(lián)合最優(yōu)卸載策略，提出一種聯(lián)合優(yōu)化方案；最后，提出一種改進(jìn)的蟻群算法（improved ant colony optimization，IACO），以獲得較好的信道分配及數(shù)據(jù)卸載策略.

1 場(chǎng)景及系統(tǒng)模型

1.1 場(chǎng)景介紹

本文構(gòu)建了一種基于邊緣傳感云的LoRaWAN傳感網(wǎng)安全卸載系統(tǒng)模型，如圖2所示.針對(duì)本文場(chǎng)景作以下假設(shè)：1）LoRaWAN節(jié)點(diǎn)采集的數(shù)據(jù)可切分；2）數(shù)據(jù)傳輸過程傳輸速率穩(wěn)定；3）數(shù)據(jù)塊在邊緣服務(wù)器并行計(jì)算.該系統(tǒng)的處理過程如下：

圖2 系統(tǒng)架構(gòu)Fig．2 System structure

第一步：用戶通過邊緣層基站接入網(wǎng)絡(luò)中，并通過應(yīng)用程序發(fā)出數(shù)據(jù)請(qǐng)求Rq=｛rq1，rq2，…，rqρ｝；

第二步：傳感節(jié)點(diǎn)Node=｛node1，node2，…，noden｝根據(jù)請(qǐng)求集合采集數(shù)據(jù)，并根據(jù)已采集數(shù)據(jù)的類型決策出需卸載數(shù)據(jù)集合Data=｛data1，data2，…，datan｝；

第三步：傳感節(jié)點(diǎn)將所卸載數(shù)據(jù)的屬性發(fā)送給協(xié)同優(yōu)化層，協(xié)同優(yōu)化層檢測(cè)邊緣服務(wù)器狀態(tài)及天線模式；

第四步：根據(jù)應(yīng)用對(duì)數(shù)據(jù)的時(shí)延、能耗、價(jià)格及安全性要求，生成信道分配及數(shù)據(jù)卸載策略，并給傳感節(jié)點(diǎn)返回生成的策略；

第五步：傳感節(jié)點(diǎn)對(duì)卸載數(shù)據(jù)分塊，并根據(jù)所得策略將數(shù)據(jù)卸載到不同的邊緣服務(wù)器ES=｛es1，es2，…，esz｝，用戶通過應(yīng)用從邊緣服務(wù)器獲取計(jì)算結(jié)果．其中：不同邊緣服務(wù)器的計(jì)算速度由集合F=表示．

針對(duì)所提的邊緣傳感云架構(gòu)提出以下3點(diǎn)假設(shè)：1）LoRaWAN傳感節(jié)點(diǎn)采集的密集型數(shù)據(jù)可切分；2）數(shù)據(jù)傳輸中網(wǎng)絡(luò)帶寬穩(wěn)定；3）不同數(shù)據(jù)塊在多個(gè)邊緣服務(wù)器并行計(jì)算.

場(chǎng)景中其它參數(shù)及符號(hào)定義見表1.

表1 符號(hào)說明Tab．1 Symbol description

1.2 傳輸模型

天線陣列能提高通信效率，有效節(jié)約通信資源，已被廣泛應(yīng)用于網(wǎng)關(guān)和基站.現(xiàn)有的天線陣列傳輸模式有隨機(jī)傳輸模式（random antenna transmission，RAT）、最大傳輸模式（max antenna transmission，MAT）、聯(lián)合傳輸模式（joint antenna transmission，JAT）［14］.不同的傳輸模式其傳輸帶寬、成本及能耗都有所不同，服務(wù)提供商可根據(jù)不同場(chǎng)景的要求選擇不同的傳輸模式，而傳感網(wǎng)節(jié)點(diǎn)與網(wǎng)關(guān)之間使用單天線傳輸.

1）傳感網(wǎng)傳輸模式：LoRaWAN節(jié)點(diǎn)與網(wǎng)關(guān)之間通過單模天線傳輸，使用LoRaWAN標(biāo)準(zhǔn)通信，傳輸速率由式（1）表示.

2）RAT傳輸模式：隨機(jī)從天線陣列選出單個(gè)天線進(jìn)行數(shù)據(jù)傳輸，該模式能降低傳輸功率，延長(zhǎng)設(shè)備運(yùn)行壽命，但傳輸時(shí)延高、效率低.該模式的傳輸速率由式（2）表示.

其中：random表示隨機(jī)函數(shù).

3）MAT傳輸模式：首先檢測(cè)多個(gè)天線參數(shù)，從中選擇傳輸速率最大的天線進(jìn)行通信.與RAT模式相比，傳輸時(shí)延較小.傳輸速率由式（3）表示.

其中：max表示最大值函數(shù).

4）JAT傳輸模式：所有天線全功率傳輸，傳輸速率最快，時(shí)延最小，但成本高，能耗大.傳輸速率由式（4）表示.

1.3 信道選擇模型

根據(jù)天線陣列中數(shù)據(jù)傳輸?shù)陌踩岳碚摚?5］，數(shù)據(jù)塊在信道中分布越混亂，表明攻擊者截獲數(shù)據(jù)塊的概率就越小，數(shù)據(jù)傳輸安全性越高．基于此，本文構(gòu)建了基于隱私熵的天線陣列信道選擇模型．?dāng)?shù)據(jù)Data集合與信道分配策略U之間的關(guān)系由式（5）表示，每個(gè)數(shù)據(jù)datan可分成G個(gè)子塊，其在不同信道傳輸概率的Prn，g服從參數(shù)為Ψ的泊松分布［16］，由式（6）表示，子數(shù)據(jù)塊與信道選擇概率的關(guān)系由式（7）表示．

其中：g=1，2，3，…，G；U矩陣為所有數(shù)據(jù)信道分配的策略矩陣；元素un=｛δij｜1≤i≤G，1≤j≤p｝表示數(shù)據(jù)datan子塊的信道分配策略矩陣，其中δij∈｛0，1｝，值為1時(shí)，表示子數(shù)據(jù)塊i在信道j傳輸，否則不在其上傳輸；Prn，g表示數(shù)據(jù)datan的dn，g子塊選擇信道的概率．datan傳輸總隱私熵由式（8）計(jì)算，信道選擇策略與所得隱私熵間的關(guān)系由式（9）表示，所有數(shù)據(jù)的平均隱私熵由式（10）表示．

1．4 數(shù)據(jù)卸載模型

考慮到數(shù)據(jù)卸載對(duì)系統(tǒng)時(shí)延、能耗及價(jià)格的約束，本文建立聯(lián)合優(yōu)化模型．設(shè)卸載策略矩陣為Y=｛yij｜1≤i≤r，1≤j≤z｝，yij∈｛0，1｝，其值為1時(shí)，表示節(jié)點(diǎn)i的數(shù)據(jù)在邊緣服務(wù)器j上計(jì)算，否則不在其上計(jì)算．

在基于邊緣云的LoRaWAN場(chǎng)景中，節(jié)點(diǎn)的密集型數(shù)據(jù)在邊緣服務(wù)器得到處理．為了減少應(yīng)用請(qǐng)求的時(shí)延Tmecij，僅將一些對(duì)時(shí)間不敏感的計(jì)算任務(wù)卸載到云數(shù)據(jù)中心執(zhí)行．應(yīng)用請(qǐng)求的響應(yīng)時(shí)延包括傳感網(wǎng)內(nèi)傳輸時(shí)延、無線網(wǎng)傳播時(shí)延、數(shù)據(jù)在邊緣端排隊(duì)時(shí)延和計(jì)算時(shí)延四個(gè)部分．考慮到邊緣服務(wù)器處于滿載時(shí)，數(shù)據(jù)需要排隊(duì)，本文基于M／M／Z／∞［17-18］排隊(duì)模式，建立排隊(duì)模型并計(jì)算數(shù)據(jù)的排隊(duì)時(shí)延．假設(shè)在ΔT時(shí)隙內(nèi)，數(shù)據(jù)到達(dá)z臺(tái)邊緣服務(wù)器的概率服從參數(shù)為θ的泊松分布，同時(shí)，z臺(tái)邊緣服務(wù)器處理數(shù)據(jù)塊的速度服從參數(shù)為Δ的指數(shù)分布，則z臺(tái)邊緣服務(wù)器的服務(wù)強(qiáng)度PowESz由式（11）表示．因此，第一個(gè)數(shù)據(jù)到達(dá)邊緣服務(wù)器的概率PES0由式（12）表示，根據(jù)PES0得到數(shù)據(jù)datai到邊緣服務(wù)器需要排隊(duì)的概率為PESi，由式（13）表示．datai的排隊(duì)時(shí)延由式（14）表示，不同計(jì)算能力服務(wù)器排隊(duì)時(shí)間變化如圖3所示，其中n表示密集型數(shù)據(jù)的數(shù)量．

圖3 不同服務(wù)強(qiáng)度及密集型數(shù)據(jù)數(shù)量下的排隊(duì)時(shí)延Fig．3 Data queuing delay under different service intensityand number of tasks

數(shù)據(jù)傳輸過程中的時(shí)延和能耗由數(shù)據(jù)量和傳輸帶寬決定，datai卸載到邊緣服務(wù)器j所需的總時(shí)延由式（15）表示，其中為Data集合中密集型數(shù)據(jù)datai的排隊(duì)時(shí)延由式（11）～（14）計(jì)算；Duli表示datai的數(shù)據(jù)量.

數(shù)據(jù)從傳感網(wǎng)節(jié)點(diǎn)卸載到邊緣服務(wù)器，在邊緣服務(wù)器上完成數(shù)據(jù)處理，并將結(jié)果反饋給用戶，該過程所需的總能耗包括傳感網(wǎng)內(nèi)傳輸能耗、核心網(wǎng)傳輸能耗及邊緣服務(wù)器計(jì)算能耗，如式（16）所示．

數(shù)據(jù)datai卸載的總價(jià)格由傳感網(wǎng)、無線核心網(wǎng)絡(luò)的傳輸價(jià)格和邊緣服務(wù)器計(jì)算價(jià)格及數(shù)據(jù)量計(jì)算．不同邊緣服務(wù)器的計(jì)算價(jià)格不同，且與計(jì)算能力成正比，則數(shù)據(jù)datai卸載過程中所需的價(jià)格由式（17）表示．

1．5 問題描述及求解

1．5．1 問題描述

在邊緣傳感云LoRaWAN場(chǎng)景下，數(shù)據(jù)傳輸?shù)淖畲蠡[私熵和卸載過程的最小化卸載成本（時(shí)延、能耗、價(jià)格）是待優(yōu)化的兩個(gè)目標(biāo)．對(duì)場(chǎng)景中響應(yīng)時(shí)延、能耗、價(jià)格進(jìn)行綜合考慮，使用權(quán)重系數(shù)平衡三者的比重，通過聯(lián)合優(yōu)化方式將不同目標(biāo)轉(zhuǎn)化為一個(gè)綜合開銷目標(biāo)，建立最小化開銷的優(yōu)化模型．其中卸載的總時(shí)延、能耗和價(jià)格分別由式（18）～（20）表示．

問題1：尋求信道分配策略U使式（10）取最大隱私熵；

問題2：在問題1條件下，尋求資源分配策略Y使得式（21）聯(lián)合成本最小．

其中：0≤α≤1；0≤β≤1；0≤1-α-β≤1．

1.5.2 求解方法

上述求解信道分配矩陣U和資源分配矩陣Y問題是一個(gè)NP問題，使用數(shù)學(xué)方法雖然能找到所求解，但其計(jì)算規(guī)模較大，計(jì)算時(shí)延較長(zhǎng)，很難滿足需求.蟻群算法［19］（ant colony optimization，ACO）是一種仿生啟發(fā)式算法，適用于求解最優(yōu)問題，但原始的ACO算法應(yīng)用于本文場(chǎng)景時(shí)，存在后期收斂速度慢的問題.為了得到快而準(zhǔn)的策略，本文借鑒粒子群算法中的全局最優(yōu)引導(dǎo)策略［20-21］，提出一種改進(jìn)的蟻群算法IACO.

根據(jù)是否出現(xiàn)新策略設(shè)置信息素的更新方式，若迭代后沒有出現(xiàn)更優(yōu)的卸載策略，則使用式（22）更新信息素；若出現(xiàn)更優(yōu)的策略，則使用式（23）更新信息素.IACO算法記錄了每次搜索產(chǎn)生的最優(yōu)信息素分配策略，當(dāng)每次迭代出現(xiàn)最優(yōu)解時(shí)，通過式（23）增強(qiáng)上次最優(yōu)解對(duì)本次信息素分配的影響，從而縮小本次最優(yōu)解空間的搜索范圍.在更小范圍的解空間中尋找最優(yōu)解，可降低算法的求解時(shí)間，同時(shí)，IACO為了使算法不陷于局部最優(yōu)，與前一次結(jié)果比較，當(dāng)本次迭代后未出現(xiàn)更優(yōu)解時(shí)，通過式（22）進(jìn)行全局信息素更新.與原始ACO相比，本文算法不需要每次從全局尋求最優(yōu)解，而是在得到的滿意解集合中尋求最優(yōu)解，以此減少算法的迭代次數(shù)和搜索時(shí)間，提高后期的收斂速度.然后將其應(yīng)用于求解天線陣列信道選擇策略和邊緣資源分配中.該算法的選擇概率矩陣Φ由式（24）表示，其中：λ為信息素因子；ξ為啟發(fā)因子.IACO算法的處理流程如圖4所示.

圖4 IACO算法處理流程Fig．4 IACO algorithm processing flow

2 實(shí)驗(yàn)及結(jié)果分析

2.1 實(shí)驗(yàn)參數(shù)設(shè)置

本文仿真平臺(tái)的配置為MAC OS 10.14.6，Intel Core i9 2.3 GHz，Python3.7.4.IACO算法求解信道分配策略和卸載策略中設(shè)置λ=0．5，ξ=2.其中：信道選擇策略中設(shè)置蟻群數(shù)量為10，迭代次數(shù)為20，并與基于隨機(jī)信道選擇（random channel selection，RCS）方法和基于ACO信道選擇方法所得隱私熵對(duì)比；在求解卸載策略中設(shè)置螞蟻數(shù)量為20，迭代次數(shù)為30，與基于遺傳算法（GA）的卸載方案［22］、先進(jìn)先出（first in first out，F(xiàn)IFO）算法的卸載方案［23］及ACO算法卸載方案進(jìn)行對(duì)比.實(shí)驗(yàn)其它參數(shù)設(shè)置見表2.

表2 實(shí)驗(yàn)參數(shù)設(shè)置Tab．2 Experimental parameter

2.2 實(shí)驗(yàn)結(jié)果分析

2.2.1 信道選擇分析

針對(duì)不同方法下信道分配的隱私熵進(jìn)行測(cè)試，結(jié)果如圖5所示.隨著迭代次數(shù)增加，IACO方案所得隱私熵收斂于3.32，與ACO方案相比提高了15.5%，所得的隱私熵最大，表明IACO所得策略傳輸安全性最高；而ACO方案得到的隱私熵收斂于2.9，且其收斂速度較慢.通過分析可得：原始的ACO易陷入局部最優(yōu)解，這會(huì)降低信道選擇的隱私熵；而RCS方案在數(shù)據(jù)傳輸中隨機(jī)選擇信道，將導(dǎo)致隱私熵在很大范圍內(nèi)變化，因此無法長(zhǎng)期保證信道分配的安全性.

圖5 不同信道選擇策略的隱私熵對(duì)比Fig．5 Privacy entropy of channel selection with different strategies

針對(duì)不同傳輸模式對(duì)隱私熵進(jìn)行分析，結(jié)果如圖6所示.圖6中，JAT模式下得到的隱私熵最大且收斂于4.3，而RAT模式的隱私熵最小，收斂于2.9.通過分析可得：隨著天線數(shù)量的增加，信道數(shù)量增多，子數(shù)據(jù)塊在信道中分布越混亂，所得熵值越大；而RAT模式下信道數(shù)量相對(duì)較少，所以數(shù)據(jù)塊的信道選擇受限，導(dǎo)致隱私熵較小；MAT的隱私熵收斂于3.3，由于MAT模式在傳輸過程中選擇最大傳輸速率的天線，而該天線中的信道數(shù)量比其它天線多，但小于總信道個(gè)數(shù)，因此得到的隱私熵介于RAT和JAT之間.

圖6 不同傳輸模式隱私熵Fig．6 Privacy entropy for different transmission mode

為了度量所得策略的隱私保護(hù)強(qiáng)度，本文采用Kullback-Leibler（KL）［24-25］散度衡量不同方案的隱私泄露風(fēng)險(xiǎn)，其值越低，表明隱私保護(hù)強(qiáng)度越高，數(shù)據(jù)越不易泄露.

相同迭代數(shù)i下不同信道選擇策略g（xi）和f（xi）的隱私泄漏（CPL）風(fēng)險(xiǎn)由式（25）定義．

其中：N為算法總迭代次數(shù)；g（xi）為隨機(jī)信道選擇策略；f（xi）為基于ACO或IACO的信道選擇策略．

在JAT模式下，針對(duì)不同方案隱私熵的KL散度進(jìn)行對(duì)比，結(jié)果如圖7所示.圖7中，IACO方案的KL散度最小，且收斂于2.2，與ACO方案相比，降低了11.64%，而ACO方案的KL值收斂于2.49，表明IACO方案的策略在數(shù)據(jù)傳輸過程中隱私保護(hù)效果最好.

圖7 不同方法的KL散度對(duì)比Fig．7 KL divergence comparison of different methods

2.2.2 時(shí)延分析

設(shè)置參數(shù)α=1，β=0，即優(yōu)化目標(biāo)函數(shù)為系統(tǒng)的總時(shí)延.針對(duì)不同方法進(jìn)行了時(shí)延測(cè)試，結(jié)果如圖8所示.由圖8可知：本文IACO方案得到的策略在卸載過程所需時(shí)延為336.63 ms，較ACO減少了5.6%，與其他算法相比其卸載時(shí)延最小；而ACO，GA及FIFO得到的卸載策略時(shí)延分別為465.63 ms，356.80 ms和379 ms；GA方案在本場(chǎng)景中收斂速度慢、效率低，導(dǎo)致在規(guī)定的迭代次數(shù)內(nèi)得到的卸載策略時(shí)延較大；FIFO方案由于其卸載較為隨機(jī)，所得卸載策略的時(shí)延分布在［368.90，372.10］范圍內(nèi)；本文所提的IACO方法使數(shù)據(jù)在邊緣服務(wù)器并行計(jì)算，降低了計(jì)算時(shí)延，相對(duì)于上述其他方法，表現(xiàn)更優(yōu).

針對(duì)不同傳輸模式下的時(shí)延進(jìn)行對(duì)比，結(jié)果如圖9所示.由圖9可知：JAT模式卸載時(shí)延最小，為36.47 ms，而MAT和RAT的時(shí)延分別為52.61 ms和335.81 ms，這是因?yàn)椋S著天線陣列中天線增加，數(shù)據(jù)的傳輸時(shí)延降低，導(dǎo)致總時(shí)延降低；而RAT模式下的傳輸時(shí)延遠(yuǎn)大于其它兩種模式，分析可知RAT模式隨機(jī)選擇天線，當(dāng)選擇速率小的天線時(shí)會(huì)增加傳輸時(shí)延，導(dǎo)致總時(shí)延增大.

圖9 不同傳輸模式的卸載時(shí)延Fig．9 Offloading delay for different transmission modes

2.2.3 價(jià)格分析

設(shè)置參數(shù)α=0，β=0時(shí)，其優(yōu)化目標(biāo)函數(shù)為卸載的總價(jià)格.針對(duì)不同方法下卸載價(jià)格進(jìn)行測(cè)試，結(jié)果如圖10所示.由圖10可知：本文所提IACO方案經(jīng)過28次迭代后，最優(yōu)價(jià)格收斂于124.19元，與ACO相比降低了9.67%；而ACO、GA方案雖然收斂速度較快，但其得到的策略在卸載中價(jià)格較高，最低價(jià)格分別為136.04元和156.91元，因?yàn)锳CO和GA方案在迭代次數(shù)較少的情況下只得到局部滿意策略，其策略對(duì)應(yīng)的卸載價(jià)格較高，而IACO能快速得到價(jià)格的最優(yōu)策略.

圖10 不同方法卸載價(jià)格Fig．10 Offloading prices of different methods

針對(duì)不同傳輸模式下的價(jià)格進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果如圖11所示.由圖11可知：RAT模式下本文方法的卸載價(jià)格最低，為155.54元，這是因?yàn)镽AT天線數(shù)量最少，傳輸成本低，從而使總成本最低；而JAT模式和MAT模式下價(jià)格分別為231.65元和199.89元，因?yàn)殡S著天線數(shù)量的增加，傳輸價(jià)格增加，從而導(dǎo)致總卸載價(jià)格增大.

圖11 不同傳輸模式的卸載價(jià)格Fig．11 Offloading prices for different transmission modes

2.2.4 聯(lián)合優(yōu)化分析

通過綜合考慮時(shí)延、能耗及價(jià)格三個(gè)因素，設(shè)置α∈［0，1］，β∈［0，1-α］．針對(duì)不同方案在隨機(jī)權(quán)重因子α=0．2，β=0.3下的卸載開銷對(duì)比，如圖12所示.由圖12可知：經(jīng)過30次迭代，除FIFO方案外，GA，ACO及IACO方案都達(dá)到收斂，但本文所得方案總開銷最小，為147.17，較ACO方案，降低了12.7%；而ACO和GA方案的總開銷分別為156.89和195.23，結(jié)果均大于IACO方案，表明IACO方案在聯(lián)合優(yōu)化下仍能找到最優(yōu)的卸載策略.

圖12 聯(lián)合優(yōu)化卸載成本（α＝0．2，β＝0．3）Fig．12 Joint optimal offloading cost（α＝0．2，β＝0．3）

3 結(jié)論

本文研究了LoRaWAN場(chǎng)景下的可切分?jǐn)?shù)據(jù)的卸載問題，綜合考慮了時(shí)延、能耗、價(jià)格，提出一種聯(lián)合優(yōu)化卸載模型.考慮到天線陣列中數(shù)據(jù)卸載傳輸?shù)陌踩珕栴}，提出了一種基于隱私熵的信道選擇模型，并通過KL散度對(duì)隱私保護(hù)效果評(píng)價(jià)；最后，采用IACO算法求解數(shù)據(jù)卸載和信道選擇的最優(yōu)策略.仿真實(shí)驗(yàn)結(jié)果表明：與FIFO，GA及ACO卸載方案相比，IACO方案在信道選擇和資源分配中具有更好的性能和更高的應(yīng)用價(jià)值.下一步工作，研究引入隱私保護(hù)的卸載效率問題和本方法在真實(shí)場(chǎng)景的差異性.