一种云边端协同的人机物QoS参数规约方法

一种云边端协同的人机物qos参数规约方法
技术领域
1.本发明涉及健康监测领域，具体为一种云边端协同的人机物qos参数规约方法。


背景技术：

2.现有的健康监测任务大多基于云计算范式，研究内容主要集中在提高监测设备的监测精度，降低可穿戴设备功耗，设备长期工作状态下的可靠性，以及系统的响应时间。人体健康监测作为人机物一体化典型的应用场景，其显著特征在于人机物三个群体协同交互时涉及的对象众多，种类复杂，影响因素庞杂。并且健康监测类任务具有时延和安全隐私要求高的特点。单一服务模式下的qos规约不足以描述当前人机物多元复杂的服务关系，需要进一步精确建模才能对服务质量做准确描述。在之前的研究中，qos规约多聚焦于监测设备的监测精度，设备功耗、可靠性，以及异常发生时发出警报的响应时延等方面，只针对定量指标进行单一评价，无法反映用户对健康监测服务qos的满意程度，无法满足人机物融合的健康监测场景下的qos需求。


技术实现要素：

3.本发明是一种在人体健康监测场景下云边端协同的人机物qos参数规约方法。通过引入云边端协同的模式，满足健康监测服务的隐私和时延敏感的要求。从应用角度出发对服务进行维度划分，基于层次分析法和模糊数学的方法，通过定性和定量的qos指标建立对人机物协同提供的健康监测服务的评价机制。本发明提供的服务质量规约方法可用于选择满足用户要求的健康监测服务。
4.本发明的技术方案为：一种云边端协同的人机物qos参数规约方法，所述方法包括：
5.步骤一、通过对健康监测服务的认识，确定该服务的目标后提取出对应的qos指标：具体地，当机作为服务的提供方，即当机为人的健康监测提供计算服务，抽离出响应时间、隐私安全等级等qos指标；步骤二、建立层次结构模型：从健康监测应用的角度出发，将用户对服务的需求划分为时间、空间、数据、资源等多个维度，通过建立层次结构模型，构造判断矩阵，层次单排序，计算层次总排序计算出qos指标的权重；步骤三、通过构造服务评判矩阵，基于模糊层次分析法对健康监测服务进行描述并得出综合评分向量。
6.进一步地，一种云边端协同的人机物qos参数规约方法，所述数据维度包括准确度、精度、泛在接入性、接入安全性、完整性指标；所述时间维度包括时效性、响应时间指标；所述资源维度包括服务花费，易用性、安全性、可用性、可靠性、声誉指标；所述空间维度包括定位精度指标。
7.进一步地，一种云边端协同的人机物qos参数规约方法，所述步骤二中简历层次结构模型具体为：根据步骤一中所述的qos指标，分析健康监测服务选择过程，建立层次结构模型；所述层次结构模型包括：服务目标层、服务维度层、qos指标层、服务对象层、服务提供层。
8.进一步地，一种云边端协同的人机物qos参数规约方法，所述步骤二中，构造判断矩阵具体为：对于每层的某个因素，两两比较其下层的各qos指标的重要性，采用satty的1～9标度法进行赋值，将同一层中n个qos指标进行重要性比较，将重要程度分为同等重要、稍微重要、较强重要、强烈重要、极端重要，判断标度a
ij
分别为1,3,5,7,9；由此得到判断矩阵a＝(a
ij
)
n
×
n
，i＝1，2，3，
…
，n；a中元素应满足条件：当i≠j且a
ij
>0时，当i＝j时，a
ji
＝a
ij
＝1。
9.进一步地，一种云边端协同的人机物qos参数规约方法，所述步骤二中，所述层次单排序首先计算层次单排序向量，然后还需要进行一致性检验。
10.进一步地，一种云边端协同的人机物qos参数规约方法，所述步骤二中，所述层次总排序具体通过计算某一层次即服务维度层的不同维度指标或者qos指标层的不同指标相对于上层即健康服务选择或服务维度层重要性的相对权值向量，由高向低来计算层次总排序向量。
11.进一步地，一种云边端协同的人机物qos参数规约方法，所述步骤三中，构造的服务评判矩阵其中，i,j＝1,2,3,
…
,m，m为可选的健康监测服务个数。
12.进一步地，一种云边端协同的人机物qos参数规约方法，所述步骤三中，qos指标可以分为数值类型、自然语言类型、布尔类型，对不同类型的qos指标构造不同的服务评判矩阵。
13.进一步地，一种云边端协同的人机物qos参数规约方法，所述步骤三中，根据服务评判矩阵p
q
计算qos指标相对健康检测服务的权重。
14.进一步地，一种云边端协同的人机物qos参数规约方法，所述步骤三中，假设qos指标层共有k个指标，利用qos指标相对顶层健康监测的权重向量和服务对于各个qos指标的相对评估矩阵w
q
＝(w
q1
,w
q2
,
…
,w
qk
)
t
,其中w
qi
表示k个指标中指标i的服务评分矩阵；通过矩阵复合运算求出服务选择方案的综合评价值根据各服务的综合评估值做出选择，选取最高综合评分所对应的服务即为最优的健康监测服务。
15.本发明的有益效果为：本发明从健康监测应用角度出发对服务进行划分，基于层次分析法和模糊数学的方法，通过定性和定量的qos指标建立对人机物协同提供的健康监测服务的评价。通过在健康监测场景下对人机物提供的服务进行形式化描述，提供了人机物服务的准确建模，弥补了之前研究中单一服务模式下qos规约不能够描述当前人机物提供多元复杂服务的不足。并且可用于为用户选择最佳的健康监测服务。在健康监测场景中引入云边端协同的模式，能够满足健康监测任务的隐私和时延敏感要求。
附图说明
16.图1为本发明一种云边端协同的人机物qos参数规约方法的健康监测场景架构图；
17.图2为本发明一种云边端协同的人机物qos参数规约方法的人机物qos参数规约指标图；
18.图3为本发明一种云边端协同的人机物qos参数规约方法的健康监测服务选择的
层次分析结构。
具体实施方式
19.下面结合附图来进一步描述本发明的技术方案：
20.本发明引入云边端协同的模式，是一种健康监测场景下的人机物qos参数规约方法。该方法能够有效描述健康监测场景下人机物三元群体提供服务的服务质量，提供的服务质量规约方法可用于选择满足用户要求的健康监测服务。
21.本发明包含下述步骤：步骤一、通过对健康监测服务的认识，确定该服务的目标后提取出对应的qos指标：具体地，当机作为服务的提供方，即当机为人的健康监测提供计算服务，抽离出响应时间、隐私安全等级等qos指标；步骤二、建立层次结构模型：从健康监测应用的角度出发，将用户对服务的需求划分为时间、空间、数据、资源等多个维度，通过建立层次结构模型，构造判断矩阵，层次单排序，计算层次总排序计算出qos指标的权重；步骤三、通过构造服务评判矩阵，基于模糊层次分析法对健康监测服务进行描述并得出综合评分向量。具体的步骤细节描述如下：
22.1.健康监测服务的qos评价指标
23.本发明从健康监测应用的角度出发将服务按时间、空间、资源等维度进行划分和描述，下面给出健康监测服务的维度划分和对应维度下健康监测服务qos指标的定义。
24.1.1数据维度，包括准确度、精度、泛在接入性、接入安全性、完整性等具体的qos指标。
25.(1)准确度：指的是传感器产生一个与被测量的真实值接近的输出结果的能力。因为在健康监测场景中，传感器应该为用户收集准确度高的数据，进而为护理人员和医疗工作者提供正确的信息。
[0026][0027]
上式中，s
a
表示数据准确性指标，x
measure
、x
real
分别表示传感器采集到的用户健康数据的测量值和真实值。
[0028]
(2)精度：描述的是传感器连续产生同一输出的能力。精度与传感器测量的重复性有关，使用下面的公式来计算：
[0029][0030][0031][0032]
上式中，s、分别表示传感器采集n次健康数据的标准偏差、均值。
[0033]
(3)泛在接入性：护理人员和服务提供者应该能够实时获取到用户的健康信息，能
够获取到用户的健康状况数据。
[0034][0035]
式中，n
f
表示在监测过程中不能够实时获取用户健康信息的用户数量，n表示健康监测服务的用户数量。
[0036]
(4)接入安全性：在健康监测场景中数据安全问题是非常重要的，需要限制非法接入和获取用户的健康数据。健康监测服务的接入安全性评级由专家打分得到。
[0037]
(5)完整性：有关用户的健康状况数据需要被佩戴的传感器设备所收集。不完整的数据可能产生的负面监测结果。此外，数据监测的缺失还可能会导致错误的治疗。
[0038][0039]
式中，s
c
表示数据完整性指标，n
c
表示采集的完整数据点个数，n
c
表示采集的总数据点个数。
[0040]
1.2时间维度：包括时效性、响应时间等qos指标。
[0041]
(1)时效性：即用户的健康监测任务是否在要求的响应时间内返回监测结果。
[0042][0043]
上式中，t
a
、t
e
分别表示用户对健康监测任务计算结果的实际到达时间和期望到达时间。
[0044]
(2)响应时间：从传感器采集用户的健康数据通过网络传输到计算设备，到计算设备通过健康数据进行计算分类，最后得出用户的监测结果并且返回给用户的时间。
[0045]
s
rt
＝s
upt
+s
ct
+s
dt
[0046]
式中，s
rt
表示响应时间，s
upt
，s
ct
、s
dt
分别表示健康数据上传到计算设备的时间、在计算设备处进行计算分类的时间和返回监测结果给用户的时间。
[0047]
1.3资源维度：通过服务花费，易用性、安全性、可用性、可靠性和声誉等指标来衡量资源维度。
[0048]
(1)服务花费：指健康监测服务的使用者向服务提供者支付的调用服务产生的费用，包含通信和计算等发明的费用。我们将服务花费记作s
price
＝p
purchase
+p
compute
+p
network
。
[0049]
上式中，s
price
、p
compute
、p
network
分别表示用户购买传感器设备、为健康监测服务提供嵇康服务的费用和健康监测需要的网络通信带来的费用。
[0050]
(2)易用性：使用设备或系统需要身体以及精神上的学习成本。
[0051]
s
usability
＝{容易使用，较容易使用，不容易使用}
[0052]
(3)安全性：系统和协议对用户来说应该是安全的，设备安全性不足可能会对使用系统的用户造成危险。健康监测服务的安全性评级由专家打分得到。
[0053]
(4)可用性：健康监测服务的可用性是指服务可使用的概率，由下列表达式计算：
[0054][0055]
上式中，t
a
(s)表示最近健康监测服务可用时间t中的可用的总时间。
[0056]
(5)可靠性：指对一个请问健康监测服务在预定期望时间内给出正确健康分类响应的概率。可靠性的策略与传感器设备、计算设备和软件的配置环境，以及网络连接等因素相关，能够通过历史数据计算得到。它可以表示为
[0057][0058]
上式中，n
s
表示健康监测服务在期望时间内被成功使用并且给出正确分类结果的次数，n
t
表示调用健康监测服务的总次数。
[0059]
(6)声誉：健康监测服务的声誉是指对它可信度的度量。主要依赖于用户在使用健康监测服务的体验，包含用户对设备的舒适度和可穿戴性等的评价。
[0060][0061]
上式中，r
i
表示用户对使用健康监测服务后的评级，n表示被评级的服务次数。
[0062]
1.4空间维度：包括定位精度这一指标。
[0063]
(1)定位精度：描述的是用户实际位置与其真实位置之间的接近程度。
[0064][0065][0066]
上式中，s
mse
表示用户实际位置估计值和真实值之差平方的期望值，n表示定位次数，x
i
、y
i
、z
i
、x
real
、y
real
、z
real
分别表示用户定位的三维坐标实际值和三维坐标真实值。
[0067]
在人机物服务质量的参数规约中，qos按不同维度进行描述的向量可以定义为：
[0068]
qos＝[q
time
,q
data
,q
space
，q
resource
]
[0069]
式中q
time
、q
data
、q
space
、q
resource
分别表示每一次健康监测服务都能够通过时间、空间、资源和数据等维度来进行描述。
[0070]
q
data
＝[q
accuracy
,q
ubiquitous
,q
asecurity
,q
completeness
,q
precision
]
[0071]
q
time
＝[q
timeliness
，q
responsetime
]
[0072]
q
space
＝[q
locationaccur
]
[0073]
q
resource
＝[q
cost
，q
easy
，q
applicability
，q
reliability
，q
security
，q
reputation
]
[0074]
从健康监测应用的角度出发，为健康监测服务从数据、时间、空间和资源等维度进行划分和描述。上式中各符号的含义如下：
[0075]
q
data
——描述服务质量的数据维度；
[0076]
q
time
——描述服务质量的时间维度；
[0077]
q
space
——描述服务质量的空间维度；
[0078]
q
resource
——描述服务质量的资源维度；
[0079]
q
accuracy
——构成服务质量数据维度的准确度指标；
[0080]
q
ubiquitous
——构成服务质量数据维度的泛在接入性指标；
[0081]
q
asecurity
——构成服务质量数据维度的接入安全性指标；
[0082]
q
completeness
——构成服务质量数据维度的完整性指标；
[0083]
q
precision
——构成服务质量数据维度的精度指标；
[0084]
q
timeliness
——构成服务质量时间维度的时效性指标；
[0085]
q
responsetime
——构成服务质量时间维度的响应时间指标；
[0086]
q
locationaccuracy
——构成服务质量空间维度的定位精度指标；
[0087]
q
cost
——构成服务质量资源维度的服务花费指标；
[0088]
q
easy
——构成服务质量资源维度的易用性指标；
[0089]
q
applicability
——构成服务质量资源维度的可用性指标；
[0090]
q
reliability
——构成服务质量资源维度的可靠性指标；
[0091]
q
security
——构成服务质量资源维度的安全性指标；
[0092]
q
reputation
——构成服务质量资源维度的声誉指标；
[0093]
2.qos指标权重计算
[0094]
2.1建立层次结构模型
[0095]
根据上文中所归纳的重要qos指标，分析健康监测服务选择过程，建立层次结构模型：(1)服务目标层，如何从多个服务中选择最合适的服务。(2)服务维度层，从健康监测应用服务的角度出发，将健康监测服务进行了时间、空间、数据等维度的划分。
[0096]
(3)qos指标层，即健康监测服务质量规约用到的具体qos指标。
[0097]
(4)服务对象层，可选的健康监测服务对象。(5)服务提供层，即服务对象的实际提供者，由人、机、物群体组成。
[0098]
2.2构造判断矩阵
[0099]
对于每层的某个因素，两两比较其下层的各qos指标的重要性，并构造判断矩阵。采用satty的1～9标度法进行赋值，将同一层中n个qos指标进行重要性比较，当重要程度为同等重要、稍微重要、较强重要、强烈重要、极端重要时，判断标度a
ij
分别为1,3,5,7,9。由此得到判断矩阵a＝(a
ij
)
n
×
n
，i＝1，2，3，
…
，n。a中元素应满足条件：当i≠j且a
ij
>0时，当i＝j时，a
ji
＝a
ij
＝1。
[0100]
2.3层次单排序
[0101]
2.3.1计算层次单排序向量
[0102]
利用判断矩阵a计算得到服务维度层中的维度指标相对于服务目标层中的单排序向量，该向量表示服务维度层中维度指标的重要程度。层次单排序向量为矩阵a最大特征值对应的特征向量，即满足aw＝λ
max
w的特征向量，该特征向量记为w＝(w1,w2,w3,
…
,w
n
)
t
。w的元素为同一层次因素相对于上一层次因素相对重要性的排序过程为层次单排序。
[0103]
2.3.2进行一致性检验
[0104][0105][0106]
式中，λ
max
为判断矩阵a的最大特征值，m为判断矩阵a的阶数。r
i
为平均随机一致性指标，一般c
r
越小，判断矩阵的一致性越好，通常认为c
r
＜0.1时，判断矩阵具有满意的一致
性。
[0107]
2.4计算层次总排序
[0108]
本发明通过计算某一层次即服务维度层的不同维度指标或者qos指标层的不同指标相对于上层即健康服务选择或服务维度层重要性的相对权值向量，由高向低来计算层次总排序向量。具体来说，若第二层服务维度层中包含m个维度指标d1，d2，
…
，d
m
,通过satty标注法比较不同维度指标并构造评判矩阵，解评判矩阵的最大特征值对应的特征向量用w代表不同的维度m相对第一层即服务目标层的权重。同理，第三层qos指标层按照同样的方式的计算出相对第二层服务维度层的排序权值最终，第三层qos指标相对顶层服务目标层的总排序权重计算方法为i＝1,2,
…
,n，j＝1,2,
…
,m。
[0109]
3.qos参数规约方法
[0110]
服务对象层的对象是由人、机、物群体构成且向上层提供的具有相同功能的健康监测服务。本发明提出的qos指标可以分为数值类型、布尔类型和自然语言类型。针对这些类型提出针对qos指标相对权重的量化分析方法，基于模糊层次分析法(fahp)对健康监测服务进行综合评估从而得到排名。
[0111]
3.1模糊数学方法
[0112]
引入模糊数学将模糊评价映射为相应的三角模糊数，三角模糊数可表示为l,m,u分别表示三角模糊数下界、核和上界的值。三角模糊数的映射思想是把一个自然语言类型的数据映射到一个区间内的实数上，且区间内的不同实数按照一定的概率与该语言数据等价。三角模糊数的运算法则如下所示：
[0113][0114][0115][0116][0117][0118]
3.2构造服务评价矩阵
[0119]
qos指标可以分为数值、自然语言、布尔等3种类型，需要针对不同类型的qos指标构造服务评判矩阵。本发明构造评价矩阵其中，i,j＝1,2,3,
…
,m，m为可选的健康监测服务个数。假设表示可选的第i个健康监测服务在qos指标层中qos指标q上的值。
[0120]
(1)当qos指标为实数型时，
[0121]
对于正向指标(越大越优型)：
[0122]
对于负向指标(越小越优型)：
[0123]
(2)当qos指标为布尔类型时，
[0124][0125]
(3)当qos指标为自然语言型时，将自然语言映射成模糊数。然后根据三角模糊数的运算法则可得
[0126][0127]
3.3qos指标的权重排序
[0128]
根据服务评判矩阵p
q
计算qos指标相对健康检测服务的权重。在本发明中有多种不同类别的数据类型，按照不同的类别qos指标数据使用对应的方法进行构造评判矩阵。
[0129]
对于数值类型、布尔类型指标相对评分的计算，归结为求解矩阵p
q
最大特征值λ
max
所对应的特征向量v，即满足矩阵方程p
q
·
v＝λ
max
v的特征向量，该特征向量记为w
qi
＝v＝(w1,w2,
…
,w
k
)
t
，w
i
表示第k个服务中对于第i个qos指标的权重。
[0130]
对于自然语言类型的qos指标，本发明引入一种基于可能度的三角模糊数综合权重排序。设共有k个服务，首先根据服务评判矩阵计算服务自然语言因素的模糊权重，即
[0131][0132]
其中a
ij
在评判矩阵中的第i行第j列。
[0133]
模糊权重的可能度函数为
[0134][0135]
一个模糊数大于其他对象模糊数的可能度为
[0136][0137]
这样对三角模糊数权重的排序就转化为可能度的排序。依次计算各服务在自然语言因素上大于其他服务的可能度，并对其进行标准化，即得到服务k相对自然语言指标i的综合权重，w
qi
＝(w1,w2,
…
,w
k
),w
i
表示第k个服务中对于自然语言指标i的评分矩阵。
[0138][0139]
3.4健康监测服务的综合评价
[0140]
假设qos指标层共有k个指标，利用qos指标相对顶层健康监测的权重向量和服务对于各个qos指标的相对评估矩阵w
q
＝(w
q1
,w
q2
,
…
,w
qk
)
t
,其中w
qi
表示k个指标中指标i的服务评分矩阵。通过矩阵复合运算求出服务选择方案的综合评价值根据各服务的综合评估值做出选择，选取最高综合评分所对应的服务即为最优的健康监测服务。