一种社交物联网中协作设备组构建方法

本发明属于物联网领域，涉及一种社交物联网中协作设备组构建方法。

背景技术：

1、随着物联网技术的成熟和普及，人们普遍认为物联网代表着下一个范式转变。未来的物联网将由数量巨大的对象组成，这些对象可被控制，同时具有提供有价值的信息的能力。此外，由于这些对象将能够相互交互，它们可以与其他相关对象协作，以便向最终用户提供服务，例如与环境监测、监视、智能家居、医疗保健和产品管理相关的服务。同时，通过将社交网络的概念融入物联网中，有研究人员提出了社交物联网(social internet ofthings,siot)的概念，以更有效的方式支持物联网的新应用和网络服务。与传统的传感器数据监控系统相比，siot能够增强网络的可扩展性和服务发现能力。此外，社会关系有助于提高资源的发现，可以解决特定的任务。然而，目前的研究通常集中在特定方案下siot的体系结构和协议设计。然而，如何有效地利用siot的协作能力来完成复杂的任务在很大程度上还未被探索。

2、社交网络中的社区搜索是一个较为活跃的研究领域。例如，wen等人通过将输入图划分为子图来列举k个顶点连通的组件，以此显著提高效率，而conte等人则通过有效的策略来识别小直径的k-plexes，以提高效率。为了从网络中提取准完全连通子图，saneimehri等人利用核(即极密子图)有效地枚举了top-k个准完全连通子图。chang研究了稀疏网络中的最大团问题，并设计了一个分支归约定界算法来有效地解决这个问题。此外，yang等人采用了新的ucf指数，该指数能够在线性时间内提取不确定图的核。与在社交网络中发现社区不同，最近的一系列研究探索了在社交网络中发现反社区的想法，即在社交网络中提取稀疏子图，这些子图在心理保健治疗组的形成过程中可以得到应用。

3、也有研究人员在思考如何在多层社交网络和异构社交网络中提取密集子图的问题。例如，张等人通过枚举二维空间中的空间团来探索密集子图提取问题，作者利用几何特性来提高空间团枚举的效率。此外，在考虑到社交网络、每个用户的位置和一组交集的情况下，ghosh等人提出了top-k fssgq来识别前k个组和相应的交集，使得每个组都满足相互熟悉和对于组的大小限制。另一方面，sdsq考虑了社交网络中的实时多流场景，它结合了用户的社交紧密度、多流渠道的多样性以及用户和渠道之间的偏好。

4、众包的想法对于包含子任务的任务特别有帮助，而这些子任务对人来说解决起来可能更容易一些。例如，slade分解众包任务可以以最小的成本来实现，maps研究空间众包的定价策略。此外，郑等人进行深入研究以比较大量算法来解决推理问题，而xu等人开发一种基于区块链的方法来保护众包环境中的隐私。

5、另一方面，专家团队的形成也引起了广泛的研究兴趣。组建专家团队就是要找到一组具备所需技能的专家，而选择的专家之间的沟通成本需要最小化，使团队成员之间能够高效地进行沟通。基于这个原因，研究人员在不同的考虑下已经考虑了几种通信成本。例如，拉帕斯等人找到了一个涵盖全部所需技能并最小化团队的社会直径或团队内生成树的总边权重的团队。此外，kargar等人建议为每个技能选择一个领导者，并最小化技能成员与每个技能领导者的社交距离。在论文中，作者进一步考虑了寻找快速响应团队的空间接近度和技能要求。

6、机器学习可以用来解决过去几十年主要通过算法方法解决的组合优化问题，例如旅行商问题、最大独立集问题、最小顶点覆盖、混合整数规划。he等人应用机器学习方法来学习分支定界方法的节点搜索顺序问题。其他几项工作将组合优化问题作为序列转换问题来解决，即从给定的问题输入依次生成答案。

7、强化学习(reinforcement learning,rl)具有有效解决图优化问题的潜力，例如满足性问题、车辆路线问题、旅行商问题和最大独立集。这有两个原因：一方面rl可以学习探索潜在组合并同时利用经验，有效地避免了陷入局部最优。另一方面，rl使用目标作为奖励，而不需要推导最优解决方案作为监督。例如，cappart等人通过使用rl识别变量排序改进了基于决策图的优化，可用于解决mis问题和最大切割问题。此外，为了解决需要对指针网络进行监督的问题，bello等人使用rl优化由指针网络建模的策略，以解决tsp和背包问题。

8、要在siot环境中完成一项复杂任务，基本的解决思路是指定复杂任务的所有必需功能，并在相应的siot对象上执行这些功能。但是，由于siot对象的数量巨大，在所有兼容的siot对象上执行这些功能会造成极大的冗余并使得效率低下，同时用户还根据使用量以租赁费或所需数据成本的形式支付使用成本，因此需要选择出合适数量的设备来执行任务。此外，由于siot的网络需要保证可靠性，因此所选的智能对象之间需要紧密耦合。

9、因此，亟需一种能够解决在siot环境中收到服务请求时查询最佳智能设备组问题的方法。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种社交物联网中减少通信损失或增加鲁棒性的协作设备组构建方法，通过考虑社交物联网中不同设备之间的交互来为某些任务找到最佳的设备组，从而解决在siot环境中收到服务请求时查询最佳智能设备组的问题。

2、为达到上述目的，本发明提供如下技术方案：

3、一种社交物联网中协作设备组构建方法，首先是构建一个异构社交图、任务集、siot对象之间的社交关系以及每个siot对象和任务之间的关系；同时根据不同的实际需求，应用不同的约束，构建基于减少通信损失或增加鲁棒性的设备组选择方法。

4、进一步，该方法具体包括：给定异构图g＝(t,,,)，其中，t是任务集合，即siot设备能够实现的任务的集合；s表示siot设备的集合；e表示设备之间的社会关系，(,v)∈e表示设备u和设备v能够通信；r是任务精度边集，其中每个精度边缘r＝[t,v]连接一个任务顶点t∈t和一个设备顶点v∈s，即用v执行某个任务t的精度作为边缘权重；

5、给定异构图g和任务查询组以及设备的数量p，拟解决的问题目标是找到恰好个数为p的目标设备组来优化y中所选任务的精度；约束p表示根据应用场景，计划控制或携带多少个设备；用y中每个顶点的精度边权重之和来衡量查找出的设备组的解的质量，令if()表示对于任务t∈y的目标设备组f的任务精度边权重之和，即if()＝∑v∈fω[t,v]；用任务查询组y到目标设备组f中所有任务t的事件权重之和来表示对应于任务查询组y到目标设备组f的聚合质量，即目标函数定义为ω(f)＝∑t∈yif()；优化目标是最大化目标函数ω(f)；此外，问题中包含一个精度约束τ，精度约束用于确保在最坏情况下目标设备组的性能；同时，根据不同的实际需求，对y应用不同的约束，以减少通信损失或增加f中所选设备组的鲁棒性。

6、进一步，构建基于减少通信损失的设备组选择方法，具体包括：除优化y中所选任务的精度外，还考虑不同设备之间的通信损失，即为设备之间的跳跃距离设置一个上限约束；该约束是要求f中每对顶点之间的跳数最多为h，即针对由于两个不同边集e和r的相互作用，即具有最大任务精度的设备组并不总是满足跳数的约束的问题，采用基于通信损失的选择方法，具体步骤如下：

7、首先执行预处理步骤，以保证s中的每个设备的所有任务准确度边缘权重至少为τ；对于在目标设备组f中的设备v，任意设备u∈f必须满足即要为每个设备v∈s构造候选设备集sv，其中仅包含h跳内的顶点；对于设备u∈s，α(u)表示为从u链接到y中的任务精度边权重的总和，即α(u)＝∑s∈yw[u,s]；接着从v的候选集中选择p个具有最大α(u)的顶点，构造v的候选解，重复以上步骤，构造不同的候选解，返回ω(f)最大的解作为目标设备组f；由于需要扫描s中的所有顶点，会导致较大的计算开销。考虑到如果以某种预定义的顺序查找顶点，某些顶点可能是不需要验证的，因为它们的候选顶点中注定不会组合出更优质的解方案。因此可以制定一种顶点访问排序和查找策略，以避免不必要的搜索。

8、进一步，所述顶点访问排序和查找策略具体包括：按照α(u)的降序访问每个设备即顶点v∈s，能够更好地评估每个候选组中的解质量，以避免冗余检查；具体来说，为每个顶点v∈s关联一个列表lv，该列表用于存储sv中最大α(·)的top-p个顶点；每次检查顶点v并按照α(v)的降序构造对应的sv时，同时将v插入到每个顶点u的列表lu中，|u|＜；接着采用剪枝策略，在为顶点v∈s构造h跳内的顶点集之前，先检查lv来确定是否会生成比当前解更优质的解，若不能，则直接跳过。

9、进一步，构建基于增加鲁棒性的设备组选择方法，具体包括：除了优化y中所选任务的精度外，还要求f中的每个设备至少有k个相邻的设备才能成功传输消息；即每个设备即顶点也必须在f中至少有k个相邻顶点；根据子图中的边集e将顶点v的内在度表示为它是使得(,v)∈e的顶点u∈h的个数；

10、由于准确度和通信鲁棒性的相互作用，具有高准确性的设备可能不具有鲁棒通信能力，而具有鲁棒通信能力的设备可能并不总是具有最优的精度。为了在解决方案的质量和效率之间取得较好平衡，采用构建部分解ssub的方式逐步构建出完全解，具体包括以下步骤：

11、首先应用过滤策略从g中删除不满足精度约束和节点度数约束的设备u∈s；其次根据精度对候选节点排序，在将新节点加入候选解c时，先计算其鲁棒性是否满足条件，若不满足条件则该节点不纳入部分解ssub；接着分别根据精度和鲁棒性进行剪枝。假设当前部分解中有m个节点，基于精度的剪枝策略是若m个节点的α(v)总和与(-m)个候选节点中α(u)最大值之和仍小于当前候选的完全解的α(v)总和，即∑v∈sα(v)+(p-m)·axu∈cα(u)≤ω(s*)，该部分解能删除，其中ω(s*)表示当前候选的完全解的α(v)总和；基于鲁棒性的剪枝策略是若剩余(-m)个候选节点与m个节点的最小节点度数之和仍小于k，或剩余(-m)个候选节点的节点度数之和小于k(p-m)，则删除该部分解；然而选择合适的策略需要领域知识和耗时的试错过程，考虑到强化学习解决图优化问题的优势，拟采用强化学习探索优化策略。

12、更进一步，所述采用强化学习探索优化策略，具体包括：给定一个异构图g＝(t,,,)、任务查询组y∈t、度约束k、大小约束p和精度约束τ，目标是根据使用强化学习的学习函数h(ξ)提取目标设备组其中ξ是超参数集，使得：

13、1)||＝p；

14、2)

15、3)

16、4)目标值ω(f)最大化；

17、在构建部分解时，强化学习需要根据候选设备判别特征即状态来进行评估；特征信息应该包含图结构的全局信息和局部信息，同时还应考虑得到部分解如何满足约束形成可用的方案；由于解的质量与节点度高度相关，需要提取基于平均度数的特征：

18、1)部分解的平均度数；

19、2)部分解ssub的归一化平均度，即总度数归一化的平均度数；

20、3)平均度数除以k，表示部分解的密集程度；

21、当密度不够高时，选择节点的依据可能是为了增加密度而不是增加目标值ω(f)。因此进一步提取以下三个特征来比较部分解与整个图：

22、4)密度比，部分解的密度与整个图的密度比率，表示在当前输入图中形成密集子图的趋势；

23、5)最小度数比，即部分解中最小度数和整个图的最小度数比率，以此衡量相对最小度数；

24、6)最小密度比，部分解的密度与部分解的最小密度之比。将所有特征信息拼接成多维特征向量fsub，并通过投影矩阵w1进行线性变换，即vsub＝1fsub。vsub中包含了部分解的子图信息和问题的约束信息；

25、在提取部分解的子图特征后，利用图卷积网络(gcn)有效地整合图结构的节点特征和子图特征；首先将增强的特征输入到具有学习参数θ的节点评估函数q中，评估将节点v添加到当前部分解ssub中的性能，即q(ssub,；)；接着逐层聚合节点特征；令α(v)和xv分别表示v的任务精度边缘权重之和以及v是否处于部分解中；通过聚合α(v)、xv和来自前一层的相邻节点特征得出v在(l+1)层的节点特征，用表示，即

26、

27、其中，w2∈rd,3∈rd,4∈rd×d是可学习的参数，relu是激活函数；可以通过现有的图嵌入方法进行初始化；通过l层聚合特征后，可以得到得每个节点v的嵌入，即

28、评估函数q评估顶点v的特征由v的增强特征相邻节点池化总和以及子图的特征嵌入vsub构成；即

29、

30、其中，w6∈rd,7∈rd,5∈rd×d是可学习的参数；如果顶点v的目标值较高，则应优先将其添加到部分解中；如果已将顶点v添加到部分解中，则对其邻居节点n(v)的排序应高于其他顶点；

31、与所需的训练集数相比，现实世界的数据相对稀疏不能满足需要。可使用图生成器合成实例来进行学习，但是真实图的特性与图生成器不同。因此拟采用元学习的思想来探索能够快速适应新环境的模型。

32、更进一步，所述采用元学习的思想来探索能够快速适应新环境的模型架构分为编码器-解码器架构，其中：编码器θe包含{1,w2,w3,w4,w5}，解码器的参数θd＝{6,e7}；元学习的目标是使得编码器参数θe可转移到新的图分布中；在训练时，根据梯度下降函数交替优化编码器参数和解码器参数。在测试过程中，固定编码器参数θe并优化解码器参数θd。

33、本发明的有益效果在于：本发明解决了在siot环境中收到服务请求时查询最佳智能设备组的问题。本发明通过给定一个异构社交图、任务集、siot对象之间的社交关系以及每个siot对象和任务之间的关系，找到可以完成任务池中给定任务集最佳设备组合。针对不同场景，分别考虑减少通信损失或增加鲁棒性并定制不同的策略，即通过考虑社交物联网中不同设备之间的交互来为某些任务找到最佳的设备组。

34、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。