[发明专利]无线传感器低功耗低时延路径式协同计算方法

权利要求书

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，其中：

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；

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,…,ω_s,ω_s+1,…,ω_l-1,ω_l|s≥1,l＞s+1}为G的节点集合，其中：

ω₁,ω₂,…,ω_s是s个任务起点，ω_s+1,…,ω_l-1是中间任务节点，ω_l是任务终点；

Γ为G的有向边集合，定义Φ_↑(ω_i)＝{ω_j|(ω_j,ω_i)∈Γ}为ω_i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,…,ν_s,ν_s+1,…,ν_t-1,ν_t|s≥1,t＞s+1}为U的节点集合，其中ν₁,ν₂,…,ν_s指业务发起节点，ν_s+1,…,ν_t-1为中继节点，ν_t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v_i到v_j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v_i到v_j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,…,ω_s映射为V的任务发起节点ν₁,ν₂,…,ν_s；将中间任务节点ω_s+1,…,ω_l-1映射为任意中继节点ν_s+1,…,ν_t-1；将任务终点ω_l映射为与用户直连的节点ν_t；

定义2.Γ至P的映射为γ:Γ→P，且γ需满足式(2)的条件：

γ将集合Γ中的有向边映射为图U中的节点ε(ω_i)至ε(ω_j)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ω_i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ω_i时的累积时延；

为ω_i计算时延；

为节点ε(ω_i)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ω_l的时延，如式(4)所示：

T(G)＝T(ω_l) (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v_i的能耗等于网络节点v_i的空闲能耗与活动能耗之和；

(231)、空闲能耗

(2311)映射节点ε(ω_i)的空闲能耗如式(5)所示：

其中，指ε(ω_i)空闲状态时的功率；

指ε(ω_i)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(ω_i)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(ω_i)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(ω_i)的传输能耗如式(15)-(16)：

其中，P_T和P_R分别为节点的发送功率和接收功率，因此ε(ω_i)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(ω_i)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ω_p和雾网络节点v_q的映射关系如下：当时，即为ω_p映射为v_q；当时，ω_p不会映射为v_q，则满足式(23)：

基于定义3，ω_p至v_q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ω_i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(ω_i)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))

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N_max为迭代次数最大值，M为粒子群规模，n∈{1,2,…,N_max}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)。