论文部分内容阅读
移动群智感知将大量的移动设备作为基本感知单元,以大规模协作的方式收集感知数据,实现物理世界的数字化。然而,随着移动群智感知规模的不断扩大,海量感知数据的传输、存储以及处理面临着全新的挑战。边缘计算和端到端(Device-to-Device,简称D2D)通信等技术的出现,为感知任务的快速部署、感知数据的传输与处理,提供了新的契机。借助边缘计算,不仅可以在网络边缘侧实现感知数据的快速处理,还能减少对主干网络资源的占用。因此,为实现大范围、高效率、低成本的移动群智感知,如何有机融合边缘设备与端设备,已成为移动群智感知研究的重要任务之一。针对边缘计算场景,国内外学者目前已经使用边缘计算和D2D通信来优化移动群智感知的执行效率、降低执行成本和能耗。其中,部署边缘计算服务可以加快感知任务的分发和感知数据的收集;而通过在网络边缘使用D2D通信技术,则可以构建一个泛在通信网络环境,有效减少传统蜂窝通信流量。由于群智感知中参与设备众多、运用场景多变,仍有许多影响其执行效率的因素需要深入讨论研究。目前,对于移动群智感知执行优化仍存在以下三个问题:1)端设备的运动状态会改变D2D通信的机率,使移动群智感知执行效率难以预测、优化;2)独立的网络资源、计算资源调度优化策略,均无法充分发挥边缘计算的资源协同管理优势,导致移动群智感知数据处理效率低、代价高;3)大规模移动群智感知中,由于对海量感知数据的分布特征和迁移规律考虑不足,导致边缘服务利用率欠佳。针对以上问题,提出多个针对性机制对边缘计算场景下的移动群智感知执行过程进行优化。针对端设备的运动状态对移动群智感知执行效率的影响,提出了基于边缘计算的群智感知任务调度机制,以提高感知任务在多任务传播源、多数据接收端场景下的执行效率。通过在网络的边缘侧同时使用蜂窝通信和D2D通信,提高群智感知任务在多发射源、多接收端场景下的执行效率。同时,借助随机过程理论分析感知任务的执行过程,挖掘出影响群智感知执行效率的主要因素,如移动设备的移动特征、边缘服务的部署、群智感知生命周期等。基于该模型,设计了最大化感知任务执行效率的时间划分方法,并分析了移动特征等因素对感知任务执行效率的影响。针对群智感知数据处理时计算资源与网络资源相互牵制的问题,基于计算资源、网络资源协同原则,提出了面向计算任务卸载的群智感知网络流调度机制,以提高感知数据处理效率并减少能耗开销。为解决使用计算卸载时所导致感知设备和边缘设备之间存在的大量数据流问题,通过软件定义网络(Software-Defined Networking,简称SDN)技术对这些端到边的数据流进行管理和调度。该方案综合考虑了带宽、时延的约束,以及SDN交换机流表容量约束所带来的影响。首先,利用排队论模型分别描述了端设备和边缘设备上的计算任务处理过程。然后,综合考虑数据处理时延要求、网络资源以及流表容量限制等约束条件,建立计算卸载决策与网络流调度协同优化的整型线性规划模型。并基于该模型进行分析,设计了低计算复杂度的计网协同调度算法,取得了最佳调度方案87.4%的节能效益。针对大规模移动群智感知中海量感知数据的收集问题,提出了基于城市居民移动特征的感知数据收集方法,以提高D2D通信利用率,从而达到节约数据收集成本的目的。首先,将考虑公交网络拓扑以及乘客流动特征的感知数据收集过程描述为多商品流问题,并由此构建了面向边缘服务部署决策的整型线性规划模型。接着,通过分析城市居民的移动规律,判断移动设备聚集的时机和区域,设计了边缘服务部署决策算法,借助D2D通信减少大规模移动群智感知的数据收集成本。与基于整型线性规划模型的最优部署方案相比,所提算法总收集成本仅高出3.02%,优于现有部署方案。综上所述,针对移动群智感知中任务的执行、数据的处理和收集,借助边缘计算和D2D通信,优化了群智感知应用的执行效率、降低感知数据的处理能耗、并减少感知数据的收集成本。