[发明专利]区块链赋能物联网中联合资源分配与控制的智能计算迁移方法

说明书

本发明公开了一种区块链赋能物联网中联合资源分配与控制的智能计算迁移方法，通过对时延、能耗和挖掘成本的综合考量，构建了一个最小化所有任务完成总成本的优化问题。在总成本构成中，基于区块链技术的挖掘成本考量可充分调动终端和雾节点参与计算迁移的能动性，且所设计的奖励分配规则可保证成功挖掘资源终端收获奖励的公平性。为解决上述混合整数非线性规划问题，提出了一种联合通信、计算与控制的智能计算迁移算法，该算法融合深度确定性策略梯度算法思想，设计了基于反梯度更新的双“行动者‑评论家”神经网络结构，使训练过程更加稳定并易于收敛；同时，通过对连读动作输出进行概率离散化运算，使其更加适用于混合整数非线性规划问题的求解。

技术领域

本发明涉及无线通信网络以及无线传感器网络技术领域的雾计算方法，具体涉及一种区块链赋能物联网中联合资源分配与控制的智能计算迁移方法。

背景技术

作为智能物联网(Artificial Intelligence Internet of Things，AIoT)的三大典型应用：工业物联网(Industrial Internet of Things,IIoT)、智慧医疗和自动驾驶，因其对任务处理时延的苛刻要求所面临的挑战成为学者们关注的焦点。传统的云计算模式体系由于离用户距离较远，无法满足用户对时延以及能耗的苛刻要求，该类问题的存在，催生了雾/边缘计算模式。雾计算作为一种新的计算模式，将计算、存储资源下沉到靠近终端设备的网络边缘，可减少端到端的业务服务时延，缓解核心网流量压力和降低通信开销，即可通过借助近距离的边缘节点资源有效提升用户的服务体验。当前，针对雾/边缘计算的研究已引起学术及工业界的深度关注，特别地，针对雾/边缘计算场景下的计算迁移问题成为研究焦点。

将计算任务迁移至离终端较近的雾节点处理能更好地满足延迟或能耗敏感型任务的需求，提升用户的体验。目前，关于计算迁移的研究大致可分为以下三类：

第一类主要利用传统的数学规划方法优化计算迁移中的资源分配和迁移决策。此类方案取得了良好的性能提升效果，为传统数学规划方法求解该类问题奠定了坚实的基础，但该类求解方法存在一个共同的缺点，即采用传统梯度优化方法具有收敛速度慢的特点，在处理大规模数据时算法耗时长，难以适应大数据网络数据处理时效性需求。同时，这些方法均建立在理想的网络环境下，即需提前获知网络状态参数，而这在实际情况中是比较困难的。

第二类研究方案主要基于深度学习方法求解计算迁移问题。此类方案均采用单一的深度学习算法来求解最优的迁移策略，能较好地适应动态的网络环境，并克服第一类研究方案的缺陷，但深度神经网络需要大量的样本数据对其进行训练，而样本数据的生成需要人工获得，且其规模和质量直接影响到深度学习的性能。

第三类研究方案将深度学习的特征感知能力与强化学习的决策能力相融合，使其能够有效解决复杂网络系统中感知与决策问题。此类计算迁移方案在资源优化和成本节约等方面取得了优越的效果，较适应复杂动态的大数据网络环境，尤其将区块链技术结合到计算迁移中，可有效提升系统的安全性。

然而，上述三类研究方案大部分建立在理想的环境基础之上，即雾节点自愿向终端免费提供资源，雾节点和终端参与整个迁移过程的积极性偏弱。尽管存在少数研究方案将基于区块链的激励机制融入到智能计算迁移中，提升了终端和雾节点参与计算迁移的积极性，使其更加贴近实际网络场景，但是该类方案对完成任务计算的网络资源优化考量较为单一，缺乏通信、计算与控制的协同综合考量。也正因如此，如何在现有技术的基础上提出一种全新的雾计算迁移方法，尽可能地克服现有技术中所存在的诸多缺陷，也就成为了本领域内技术人员共同的研究目标。

发明内容

发明目的：针对现有技术存在的上述缺陷，本发明的目的是提出一种区块链赋能物联网中联合资源分配与控制的智能计算迁移方法，能够最小化所有任务完成总成本，满足雾计算场景中计算密集型任务对时延与能耗的要求，同时提高了终端和雾节点参与计算迁移的积极性，使其更加贴合实际网络场景。

技术方案：本发明所述的一种区块链赋能物联网中联合资源分配与控制的智能计算迁移方法：