电子学报 ›› 2021, Vol. 49 ›› Issue (12): 2407-2420.DOI: 10.12263/DZXB.20200565
乐光学1, 戴亚盛1, 杨晓慧1, 杨忠明1, 马柏林1, 刘建华2
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:
基金资助:
YUE Guang-xue1, DAI Ya-sheng1, YANG Xiao-hui1, YANG Zhong-min1, MA Bo-lin1, LIU Jian-hua2
Received:
2020-06-15
Revised:
2021-07-19
Online:
2021-12-25
Published:
2021-12-25
Supported by:
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.
中图分类号:
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.
岸基 基站 | 岛礁 基站 | 智能中继浮台基站 | 网络 直径 | 稳定 时间 (min) | 基站簇个数 | 基站簇规模 | 盟主协同服务簇个数 | 盟主协同服务簇平均规模 | 盟主协同服务簇服务覆盖率 | 平均推荐节点数 | 推荐节点数均方差 | 游离 节点数 | 云端平均访问延迟 (ms) | 云端计算服务响应延迟(ms) |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | 4 | 3 | 6 | 15 | 7 | 250 | 24 | 70.5 | 56.40% | 223 | 37.29 | 9 | 23.21 | 45.61 |
表1 MCECS?MEC初始生成特征参数
岸基 基站 | 岛礁 基站 | 智能中继浮台基站 | 网络 直径 | 稳定 时间 (min) | 基站簇个数 | 基站簇规模 | 盟主协同服务簇个数 | 盟主协同服务簇平均规模 | 盟主协同服务簇服务覆盖率 | 平均推荐节点数 | 推荐节点数均方差 | 游离 节点数 | 云端平均访问延迟 (ms) | 云端计算服务响应延迟(ms) |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | 4 | 3 | 6 | 15 | 7 | 250 | 24 | 70.5 | 56.40% | 223 | 37.29 | 9 | 23.21 | 45.61 |
平均推荐节点个数 | 盟员推荐服务参与率 | 推荐盟员平均规模 | 推荐盟员平均服务覆盖率 | 推荐信任度均方差 | 推荐服务节点符合度 | 协同服务节点服务周期占比 | 推荐服务响应延迟(ms) | 游离节点数 | |
---|---|---|---|---|---|---|---|---|---|
近邻推荐服务 | 221.66 | 99.40% | 376.51 | 21.53% | 3.66 | 95.11% | 98.65% | 19.21 | 9 |
表2 MCECS?MEC云边协同盟员推荐服务特征参数表
平均推荐节点个数 | 盟员推荐服务参与率 | 推荐盟员平均规模 | 推荐盟员平均服务覆盖率 | 推荐信任度均方差 | 推荐服务节点符合度 | 协同服务节点服务周期占比 | 推荐服务响应延迟(ms) | 游离节点数 | |
---|---|---|---|---|---|---|---|---|---|
近邻推荐服务 | 221.66 | 99.40% | 376.51 | 21.53% | 3.66 | 95.11% | 98.65% | 19.21 | 9 |
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% |
表3 MCECS?MEC智能协同服务算法特征参数表
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 |
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 | |
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 | |
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 | |
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 |
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 | |
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 | |
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 | |
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 |
表4 MCECS?MEC任务智能协同服务算法特征参数表
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 |
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 | |
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 | |
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 | |
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 |
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 | |
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 | |
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 | |
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 | 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. |
[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. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||