海上边缘计算云边智能协同服务建模

doi:10.12263/DZXB.20200565

电子学报 ›› 2021, Vol. 49 ›› Issue (12): 2407-2420.DOI: 10.12263/DZXB.20200565

海上边缘计算云边智能协同服务建模

乐光学¹, 戴亚盛¹, 杨晓慧¹, 杨忠明¹, 马柏林¹, 刘建华²

^1.嘉兴学院数理与信息工程学院，浙江嘉兴 314001
^2.绍兴文理学院计算机科学与工程系，浙江绍兴 312000

收稿日期:2020-06-15 修回日期:2021-07-19 出版日期:2021-12-25
- 作者简介:
- 乐光学男.1963年11月出生，博士，嘉兴学院教授，研究领域包括边缘计算、多云融合与协同服务、无线Mesh网络和移动云计算．
  戴亚盛男.1993年8月出生，硕士，主要研究方向为边缘计算多云融合与协同服务．E-mail：asdai0591@163.com
  杨晓慧女.1996年5月出生，硕士研究生，CCF会员，主要研究方向为边缘计算与协同服务．
  杨忠明男，1998年8月出生，硕士研究生，主要研究方向为边缘计算与协同服务．
  马柏林男.1961年3月出生，博士，嘉兴学院教授，研究领域包括小波分析、调和分析、智能计算与数学建模．
  刘建华男.1978年出生，博士，副教授，IEEE和CCF成员，主要研究方向为分布式计算、无线通信、多媒体网络、无线传感器网络和机器学习．
- 基金资助:
- 国家自然科学基金 (U19B2015); 浙江省“鲲鹏行动”计划支持项目

Model of Cloud-Edge Cooperative Service for Maritime Edge Computing

YUE Guang-xue¹, DAI Ya-sheng¹, YANG Xiao-hui¹, YANG Zhong-min¹, MA Bo-lin¹, LIU Jian-hua²

^1.School of Mathematics and Information Engineering, Jiaxing University, Jiaxing, Zhejiang 314001, China
^2.Department of Computer Science and Engineering, Shaoxing University, Shaoxing, Zhejiang 312000, China

Received:2020-06-15 Revised:2021-07-19 Online:2021-12-25 Published:2021-12-25
- Supported by:
- National Natural Science Foundation of China (U19B2015); Kunpeng Action Talents Introduction Project of Zhejiang Province

摘要/Abstract

摘要：

由于受环境、资源、能耗、异构等因素制约，海上无线技术发展明显滞后于陆地．以低开销、自适应和自主融合为约束，提出一种海上边缘计算云边智能协同服务策略模型（Model of Cloud-Edge Cooperative Service Scheme for Maritime Edge Computing，MCECS-MEC）．基于边缘计算构建海上云边智能协同服务网络框架，抽象海上边缘计算节点行为特征，建立具有抑制联合作弊的节点信任和推荐量化综合评价模型，根据其综合属性评价将准盟员节点融合聚类到不同的协同服务池，实现分级就近服务；基于协同服务请求的优先级和负载均衡理论，设计协同服务池组建规则和段页式自适应轻量级、自适应过热规避盟员发现算法，以状态机方式描述和分析MCECS-MEC协同服务状态演化．基于Router View公开数据集对MCECS-MEC模型性能进行仿真分析，仿真实验表明，MCECS-MEC相比于AODV（Ad hoc On-Demand Distance Vector Routing）、SR（Stochastic Routing）算法，减少了57.7%和55.04%的冗余传输流量，链路重寻率小于3%，负载率稳定于65%．MCECS-MEC模型能有效降低过载、热区、空洞效应等对网络性能的影响，提高海上边缘计算云边智能协同服务效率和质量．

关键词: 海上边缘计算, 云边智能协同, 信任与推荐, 自适应过热规避, 协同状态演化

Abstract:

Limited by environment, resources, energy consumption, heterogeneity, etc., the development of maritime wireless data network technology is backward. A model of cloud-edge cooperative service scheme for maritime edge computing(MCECS-MEC) is proposed. Based on edge computing, it constructs an intelligent cloud-edge cooperative service network framework in maritime edge computing. The abstracted behavior characteristics of nodes in maritime edge computing are clustered into different cooperative service pools by restraining the joint cheating trust evaluation and recommendation quantitative comprehensive evaluation models. Based on the priority evaluation and the theory of load balancing of cooperative service, the rules of building cooperative service pool and the algorithm of segment page adaptive lightweight and heavy load avoidance are designed to discovery cooperative node. The state evolution of MCECS-MEC cooperative service is described and analyzed by state machine. Based on router view open data set, simulation results show that our algorithm reduces 57.7% and 55.04% redundant transmission traffic compared with ad hoc on-demand distance vector routing(AODV) and stochastic routing(SR). The link retransmission rate is less than 3%, and the load rate is stable at 65%. It can effectively alleviate node overload and hot region, and improve the efficiency and quality of service of cooperative service of maritime edge computing.

Key words: maritime edge computing, intelligent cloud-edge cooperation, trusted recommendation, adaptive over hot avoidance, the state evolution of cooperation

中图分类号:

TP393

乐光学, 戴亚盛, 杨晓慧, 杨忠明, 马柏林, 刘建华. 海上边缘计算云边智能协同服务建模[J]. 电子学报, 2021, 49(12): 2407-2420.

YUE Guang-xue, DAI Ya-sheng, YANG Xiao-hui, YANG Zhong-min, MA Bo-lin, LIU Jian-hua. Model of Cloud-Edge Cooperative Service for Maritime Edge Computing[J]. Acta Electronica Sinica, 2021, 49(12): 2407-2420.

图/表 32

参考文献 9

1	夏明华, 朱又敏, 陈二虎, 等. 海洋通信的发展现状与时代挑战. 中国科学: 信息科学, 2017, 47(6): 677 － 695.
	XiaM H, ZhuY M, ChenE H, et al. The state of the art and challenges of marine communications[J]. Scientia Sinica (Informationis), 2017, 47(6): 677 － 695. (in Chinese)
2	施巍松, 张星洲, 王一帆, 等. 边缘计算:现状与展望[J]. 计算机研究与发展, 2019, 56(1): 69 － 89.
	ShiW S, ZhangX Z, WangY F, et al. Edge computing: state-of-the-art and future directions[J]. Journal of Computer Research and Development, 2019, 56(1): 69 － 89. (in Chinese)
3	ChaiR, LinJ L, ChenM L,et al. Task execution cost minimization‑based joint computation offloading and resource allocation for cellular D2D MEC systems[J]. IEEE Systems Journal, 2019, 13(4): 4110 － 4121.
4	乐光学, 戴亚盛, 杨晓慧, 等. 边缘计算可信协同服务策略建模[J]. 计算机研究与发展, 2020, 57(5): 1080 － 1102.
	YueG X, DaiY S, YangX H, et al. Model of trusted cooperative service for edge computing[J]. Journal of Computer Research and Development, 2020, 57(5): 1080 － 1102. (in Chinese)
5	SunW, LiuJ J, YueY L. AI-enhanced offloading in edge computing: When machine learning meets industrial IoT[J]. IEEE Network, 2019, 33(5): 68 － 74
6	LiuJ H,WangX,YueG X, et al. Data sharing in VANETs based on evolutionary fuzzy game[J]. Future Generation Computer Systems, 2018, 81: 141 － 155.
7	GuoK, YangM C, ZhangY B, et al. Efficient resource assignment in mobile edge computing: A dynamic congestion-aware offloading approach[J]. Journal of Network and Computer Applications, 2019, 134: 40 － 51
8	YangT T, FengH L, GaoS, et al. Two-stage offloading optimization for energy-latency tradeoff with mobile edge computing in maritime internet of things[J]. IEEE Internet of Things Journal, 2020, 7(7): 5954 － 5963.
9	YangT T, ZhangY, DongJ. Collaborative optimization scheduling of maritime communication for mobile edge architecture[A]. 2018 IEEE International Conference on RFID Technology & Application (RFID-TA)[C]. Macau,China: IEEE, 2018. 1 － 5.

协同集合	稳定时间（min）	队列平均长度	队列长度占比	队列长度均方差	峰值服务流量（MB/min）	峰值服务流量占比	平均服务流量（MB/min）	平均服务流量占比	峰值任务并发数	平均任务并发数	服务响应延迟（ms）	服务时长周期占比
A	120	52.33	14.66%	15.96	31498.67	72.12%	16459.66	68.59%	262.48	137.16	23.41	99%
B	120	158.67	44.45%	55.55	6990.71	16.01%	4618.42	19.25%	58.25	38.49	45.23	93%
C	120	136.89	38.34%	68.36	4875.72	11.16%	2871.28	11.97%	40.63	23.93	63.47	71%
D	120	9.11	2.55%	8.38	309.33	0.71%	46.29	0.19%	2.58	0.39	137.78	21%

协同集合	稳定时间（min）	队列平均长度	队列长度占比	队列长度均方差	峰值服务流量（MB/min）	峰值服务流量占比	平均服务流量（MB/min）	平均服务流量占比	峰值任务并发数	平均任务并发数	服务响应延迟（ms）	服务时长周期占比
A	120	52.33	14.66%	15.96	31498.67	72.12%	16459.66	68.59%	262.48	137.16	23.41	99%
B	120	158.67	44.45%	55.55	6990.71	16.01%	4618.42	19.25%	58.25	38.49	45.23	93%
C	120	136.89	38.34%	68.36	4875.72	11.16%	2871.28	11.97%	40.63	23.93	63.47	71%
D	120	9.11	2.55%	8.38	309.33	0.71%	46.29	0.19%	2.58	0.39	137.78	21%

浪涌访问阶段	浪涌冲击	评价指标	AODV	SR	LCR-AODV	LCR-SR	MCECS-MEC
第1阶段	第1次浪涌冲击	峰值流量（MB/min）	10299.35	9789.11	10036.96	8444.16	7031.33
	第1次浪涌冲击	平均流量（MB/min）	9299.35	8633.23	6469.65	6939.65	5138.88
	第2次浪涌冲击	峰值流量（MB/min）	5149.67	4894.55	15055.44	12666.24	10546
	第2次浪涌冲击	平均流量（MB/min）	4328.54	3774.51	9704.475	10409.48	7708.32
	第3次浪涌冲击	峰值流量（MB/min）	2574.84	2447.28	17068.95	17737.83	15820.49
	第3次浪涌冲击	平均流量（MB/min）	1674.83	1857.27	14556.71	15614.21	11562.48
	第4次浪涌冲击	峰值流量（MB/min）	1287.41	1223.63	5603.42	6606.74	17391.35
	第4次浪涌冲击	平均流量（MB/min）	975.16	923.77	1835.07	3421.32	14043.72
第2阶段	第1次浪涌冲击	峰值流量（MB/min）	6777.67	7188.13	5018.48	4222.08	3515.67
	第1次浪涌冲击	平均流量（MB/min）	5149.68	4894.56	3234.83	3469.83	2569.44
	第2次浪涌冲击	峰值流量（MB/min）	4573.83	3747.27	6022.17	5066.53	4218.8
	第2次浪涌冲击	平均流量（MB/min）	1554.50	1365.26	3881.79	4163.18	3083.33
	第3次浪涌冲击	峰值流量（MB/min）	2587.43	3423.78	13922.18	12366.32	5062.56
	第3次浪涌冲击	平均流量（MB/min）	1287.41	1261.63	7781.33	5063.23	3699.99
	第4次浪涌冲击	峰值流量（MB/min）	843.71	812.33	5822.31	4866.5	6075.07
	第4次浪涌冲击	平均流量（MB/min）	583.67	623.82	3681.16	3922.79	4439.99
		平均任务接收率（%）	68.2	68	82	82.1	98.6
		平均任务成功率（%）	68.2	67	82	82.1	98.7

浪涌访问阶段	浪涌冲击	评价指标	AODV	SR	LCR-AODV	LCR-SR	MCECS-MEC
第1阶段	第1次浪涌冲击	峰值流量（MB/min）	10299.35	9789.11	10036.96	8444.16	7031.33
	第1次浪涌冲击	平均流量（MB/min）	9299.35	8633.23	6469.65	6939.65	5138.88
	第2次浪涌冲击	峰值流量（MB/min）	5149.67	4894.55	15055.44	12666.24	10546
	第2次浪涌冲击	平均流量（MB/min）	4328.54	3774.51	9704.475	10409.48	7708.32
	第3次浪涌冲击	峰值流量（MB/min）	2574.84	2447.28	17068.95	17737.83	15820.49
	第3次浪涌冲击	平均流量（MB/min）	1674.83	1857.27	14556.71	15614.21	11562.48
	第4次浪涌冲击	峰值流量（MB/min）	1287.41	1223.63	5603.42	6606.74	17391.35
	第4次浪涌冲击	平均流量（MB/min）	975.16	923.77	1835.07	3421.32	14043.72
第2阶段	第1次浪涌冲击	峰值流量（MB/min）	6777.67	7188.13	5018.48	4222.08	3515.67
	第1次浪涌冲击	平均流量（MB/min）	5149.68	4894.56	3234.83	3469.83	2569.44
	第2次浪涌冲击	峰值流量（MB/min）	4573.83	3747.27	6022.17	5066.53	4218.8
	第2次浪涌冲击	平均流量（MB/min）	1554.50	1365.26	3881.79	4163.18	3083.33
	第3次浪涌冲击	峰值流量（MB/min）	2587.43	3423.78	13922.18	12366.32	5062.56
	第3次浪涌冲击	平均流量（MB/min）	1287.41	1261.63	7781.33	5063.23	3699.99
	第4次浪涌冲击	峰值流量（MB/min）	843.71	812.33	5822.31	4866.5	6075.07
	第4次浪涌冲击	平均流量（MB/min）	583.67	623.82	3681.16	3922.79	4439.99
		平均任务接收率（%）	68.2	68	82	82.1	98.6
		平均任务成功率（%）	68.2	67	82	82.1	98.7

[1]	皮德常, 吴致远, 曹建军. 基于知识图谱表示学习的谣言早期检测方法[J]. 电子学报, 2023, (): 1-11.
[2]	金明, 丁蓉. 一种联合时域和空域残差的网络异常检测与节点定位方法[J]. 电子学报, 2022, (): 1-8.
[3]	胡钢, 牛琼, 许丽鹏, 卢志宇, 过秀成. 基于网络超链接信息熵的节点重要性序结构演化建模分析[J]. 电子学报, 2022, 50(11): 2638-2644.
[4]	杨宏宇, 王泽霖, 张良, 成翔. 面向物联网的多协议僵尸网络检测方法[J]. 电子学报, 2022, (): 1-9.
[5]	孟超, 周倩, 郭林, 王攀, 孙知信. 基于相关性传输模型的无线链路质量估计方法及路由优化算法[J]. 电子学报, 2022, 50(10): 2409-2424.
[6]	蒋伟进, 张婉清, 陈萍萍, 陈君鹏, 孙永霞, 刘权. 基于IWOA群智感知中数量敏感的任务分配方法[J]. 电子学报, 2022, 50(10): 2489-2502.
[7]	杨明亮, 吴春明, 沈丛麒, 邱于兵. 基于IEEE 802.1的TSN交换机队列调度技术研究[J]. 电子学报, 2022, 50(9): 2090-2095.
[8]	熊小峰, 黄淳岚, 乐光学, 戴亚盛, 杨晓慧, 杨忠明. 边缘计算中基于综合信任评价的任务卸载策略[J]. 电子学报, 2022, 50(9): 2134-2145.
[9]	魏振春, 傅宇, 马仲军, 吕增威, 石雷, 张本宏. 带时间窗的无线可充电传感器网络多目标路径规划算法[J]. 电子学报, 2022, 50(8): 1819-1829.
[10]	赵耿, 马英杰, 陈磊, 董有恒, 侯艳丽. 基于扰动时空混沌系统的动态S盒设计[J]. 电子学报, 2022, 50(8): 2037-2042.
[11]	欧阳与点, 谢鲲, 谢高岗, 文吉刚. 面向大规模网络测量的数据恢复算法：基于关联学习的张量填充[J]. 电子学报, 2022, 50(7): 1653-1663.
[12]	陈嘉兴, 程杰, 董云玲, 刘志华. 基于弯曲声线和测距修正的水下节点定位算法[J]. 电子学报, 2022, 50(7): 1567-1572.
[13]	易令, 李泽平. 基于深度强化学习的码率自适应算法研究[J]. 电子学报, 2022, 50(5): 1192-1200.
[14]	王志晓, 张磊, 孙成成, 芮晓彬, 黄珍珍, 张孙贤. 基于社区划分与连边逆序放回的网络分解算法[J]. 电子学报, 2022, 50(3): 540-547.
[15]	周奕涛, 张斌, 刘自豪. 基于多模态深度神经网络的应用层DDoS攻击检测模型[J]. 电子学报, 2022, 50(2): 508-512.

海上边缘计算云边智能协同服务建模

Model of Cloud-Edge Cooperative Service for Maritime Edge Computing

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 32

参考文献 9

相关文章 15

编辑推荐

Metrics