无线传感器低功耗低时延路径式协同计算方法

技术特征：

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的时间；

分别为计算时间、发送数据时间、接收数据时间，并且此三者无重合，其计算公式如式(6)-(8)所示：

由式(5)-(8)得ε(ωi)的空闲能耗如式(9)：

(2312)转发节点的空闲能耗如式(10)所示：

可利用式(11)-(12)计算：

由(10)-(12)得的空闲能耗如式(13)所示：

(232)、活动能耗：

活动能耗包括计算能耗和传输能耗：

(2321)、计算能耗：

计算能耗仅由映射节点ε(ωi)产生，如式(14)：

其中k＞0和σ≥2都是正实数，σ和k分别被设置为3和10^-28；

(2322)、传输能耗：

映射节点ε(ωi)的传输能耗如式(15)-(16)：

其中，pt和pr分别为节点的发送功率和接收功率，因此ε(ωi)的活动能耗如式(17)：

转发节点的活动能耗仅包括传输能耗，如式(18)：

由式(9)、(17)得，映射节点ε(ωi)的总能耗如式(19)：

由式(13)、(18)得，转发节点的总能耗如式(20)：

整个雾网络的总能耗如式(21)所示：

令整个雾网络所含有的最大能量为e^max，则在某次任务g内，网络所产生的能耗需小于等于其最大能耗，如式(22)：

(24)、构建dag形式的有向无环图g至无向连通图u映射规则优化模型——基于步骤(21)-步骤(23)给出dag形式的有向无环图g至无向连通图u的映射规则，优化模型，建立二值优化问题：

定义3.子任务节点ωp和雾网络节点vq的映射关系如下：当时，即为ωp映射为vq；当时，ωp不会映射为vq，则满足式(23)：

基于定义3，ωp至vq的映射可以构建为l×t的映射矩阵x，如式(24)：

则式(5)所表示的子任务ωi的时延可表示为式(25)：

任务g的时延可以表示为x的函数，如式(26)：

t(g)＝f(x)(26)

式(19)所表示的映射节点ε(ωi)的总能耗可表示为式(27)：

式(20)所表示的转发节点的总能耗可表示为式(28)：

则能耗约束下有向无环图g至无向连通图u的最优映射关系建模如下：

x＝argmin(f(x))

4.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(3)中bpso算法主要用于优化离散空间的约束问题，将粒子的位置限制为0或1，适用于式(29)所提出的二值优化问题：

采用bpso算法时，粒子群在搜索空间i内移动寻找最好位置，中nmax为迭代次数最大值，m为粒子群规模，n∈{1,2,…,nmax}为迭代次数；

在第n次迭代中，第i个粒子的位置和速度可分别表示为：

式(30)中，xⁿ(i)∈i，

式(31)中，vⁿ(i)∈o，

第i个粒子在第n次迭代中，速度更新公式如式(32)：

式(32)中，和分别为粒子局部和全局最优位置，w为惯性权重，γ1和γ2为加速因子，β1和β2为在区间[0,1]内均匀分布的随机数；

bpso算法的位置更新公式如式(33)-(34)：

本算法的适应度函数如式(35)：

f(x)＝t(g)＝f(x)(35)。

技术总结
本发明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。

技术研发人员：任智源;王一鸣;程文驰;胡梅霞;陈晨;张海林
受保护的技术使用者：西安电子科技大学
技术研发日：2021.01.12
技术公布日：2021.06.18