CN103514047A - 一种用于移动社交网络的任务负载平衡方法 - Google Patents

Abstract

本发明公开了一种用于移动社交网络的任务负载平衡方法，该方法包括以下步骤：1、在每个时隙中，每个用户判断其他用户是否在通信范围内；2、从通信范围内的所有用户中任意挑选d个用户；3、比较d个用户的负载；4、将任务分配给d个用户中负载最低者；5、若通信范围内用户不足d个，将任务分配给其中负载最低者；6、若没有用户在通信范围内，等待下一个时隙的分配；7、当一个时隙内所有用户都将任务分配完，则开始下一时隙的分配；8结束。本发明是纯分布式环境下的任务负载平衡，结合考虑能量水平和计算能力，可以应用到异构的移动社交网络中。实现起来十分简单，且当d=2时已能达到很好的负载平衡效果。

Description

一种用于移动社交网络的任务负载平衡方法

技术领域

本发明涉及一种移动社交网络中任务再分配的方法，它的使用可以有效的提高工作效率，节约设备能源。

背景技术

近年来，智能手机以及相关的应用程序使用率显著上升。众包及群智感知的出现让更多的遥感信息持有者无意识、自愿地进行合作。在这样的移动计算环境中，更深层次的协作是必要的。移动用户在共享和重新分配他们自身不同数量的任务时，也要考虑剩余能量和计算能力的高低。例如，电池电量不足的用户将他们的任务卸载到通信范围内具有较高电池电量的用户身上，当然，任务也应该分配给具有高运算能力的节点。

然而，以往的研究工作，由于关注多用户共享与众包数据收集，导致无法在用户之间实现负载均衡。这种情况下，有些用户的队列长度可能是非常高的，这将不可避免地导致能源的耗尽和长时间的延迟。根本原因在于，这些工作都专注于数据共享的效率，而不是分配用户之间的负载平衡。

传统的负载均衡方案不能直接应用于移动社交网络。因为在移动社交网络中，信息收集和任务分配都是分布式的。集中式的方案将不可行，移动社交网络特有的接触时间短、任务排队动态等特点也使得一些已有的分布式算法在保证用户负载均衡这方面失效。

发明内容

技术问题：本发明提出了一种用于移动社交网络的任务负载平衡方法，任务重新分配方法能够有效地将任务迁移到更合适的设备去执行，提高工作效率的同时也节约了设备能源。

技术方案：本发明的一种用于移动社交网络的任务负载平衡方法为：移动社交网络中的用户在分配任务时，每次只需挑选两个或两个以上个用户中负载最小者，而相比于最优分配即每次选择用户中负载最小者以及随机分配即每次从用户中任意选择一个用户的方法，既不用知晓全局信息又能很好地达到用户间的负载平衡，所述方法包括以下步骤：

1)在每个时隙中，每个用户判断其他用户是否在通信范围内；

2)从通信范围内的所有用户中任意挑选若干个用户；

3)比较已挑选用户的负载，找出用户中负载最低者；

4)将任务分配给负载最低者；

5)若没有用户在通信范围内，等待下一个时隙的分配；

6)当一个时隙内所有用户都将任务分配完，则开始下一时隙的分配；

7)结束。

在步骤1)中，

n个用户在有限的地区进行随机游走，其中r为每个移动用户的通信半径，当两个节点都在相互的通信范围内时，任务可以被重新分配，判断是否在通信范围内的依据是：

(X_i-X_j)²+(Y_i-Y_j)²＜r²

其中(X_i,Y_i)和(X_j,Y_j)分别为用户i和用户j的位置坐标，如果上式成立则表明用户i和用户j在通信范围内，可以进行信息交换和任务的再分配，如果上式不成立则标记用户i和用户j不能通信。

用户间的负载平衡，是指任务的均匀分布，最大限度地减少每一个用户间队列长度的差异，可由下式给出：

$\min \underset{i\∈U}{\mathrm{\Σ}}|Q_i-E[Q_i\left]\right|$

其中，U={1,2,...n}为用户集合，i∈U表示用户i属于集合U，Q_i表示用户i的队列长度，E[·]是随机变量的平均值，min为取表达式的最小值。

有益效果：本发明与现有技术相比，其显著优点是:它是纯分布式环境下的任务负载平衡，结合考虑能量水平和计算能力，可以应用到异构的移动社交网络中。实现起来十分简单，且当d=2时已能达到很好的负载平衡效果。

附图说明

图1是任务再分配的基本场景。

图2-图5是通信半径对本方法影响的仿真分析。

图6-图8是任务权重对本方法影响的仿真分析。

图9是用户计算能力对本方法影响的仿真分析。

图10是能量水平对本方法影响的仿真分析。

图11是选择参数d的设置对本方法影响的仿真分析。

其中图2-图11均为累计分布函数曲线图。

具体实施方式

本发明的一种用于移动社交网络的任务负载平衡方法是：移动社交网络中的用户在分配任务时，每次只需挑选两个或两个以上个用户中负载最小者，而相比于最优分配即每次选择用户中负载最小者以及随机分配即每次从用户中任意选择一个用户的方法，既不用知晓全局信息又能很好地达到用户间的负载平衡，所述方法包括以下步骤：

1)在每个时隙中，每个用户判断其他用户是否在通信范围内；

2)从通信范围内的所有用户中任意挑选若干个用户；

3)比较已挑选用户的负载，找出用户中负载最低者；

4)将任务分配给负载最低者；

5)若没有用户在通信范围内，等待下一个时隙的分配；

6)当一个时隙内所有用户都将任务分配完，则开始下一时隙的分配；

7)结束。

在步骤1)中，

n个用户在有限的地区进行随机游走，其中r为每个移动用户的通信半径，当两个节点都在相互的通信范围内时，任务可以被重新分配，判断是否在通信范围内的依据是：

(X_i-X_j)²+(Y_i-Y_j)²＜r²

其中(X_i,Y_i)和(X_j,Y_j)分别为用户i和用户j的位置坐标，如果上式成立则表明用户i和用户j在通信范围内，可以进行信息交换和任务的再分配，如果上式不成立则标记用户i和用户j不能通信。

用户间的负载平衡，是指任务的均匀分布，最大限度地减少每一个用户间队列长度的差异，可由下式给出：

$\min \underset{i\∈U}{\mathrm{\Σ}}|Q_i-E[Q_i\left]\right|$

其中，U={1,2,...n}为用户集合，i∈U表示用户i属于集合U，Q_i表示用户i的队列长度，E[·]是随机变量的平均值，min为取表达式的最小值。

评价用户平均队列长度和最大队列长度之差的最小值，是评价平均情况和最坏情况差距的指标：

在分配方案中，每个任务被赋予不同的权重，则评价可表示为：

$\min \mathrm{ma}{x}_{i,j\∈U}\underset{k=1}{\overset{\left|\right|Q_i\left|\right|}{\mathrm{\Σ}}}w\left(q_{\mathrm{ik}}\right)-E_{i\∈U}\left[W\left(Q_i\right)\right]$

其中，||Q_i||表示用户i中任务的个数，q_ik表示用户i队列中的第k个任务，w(q_ik)表示用户i中第k个任务的权重；

表示考虑任务权重情况下用户i的实际负载；minmax表示取若干集合最大值中的最小值；

当用户节点被赋予不同的计算能力时，表示如下式：

$\min \mathrm{ma}{x}_{i,j\∈U}\underset{k=1}{\overset{\left|\right|Q_i\left|\right|}{\mathrm{\Σ}}}\frac{w\left(q_{\mathrm{ik}}\right)}{c_i}-E_{i\∈U}\left[\hat{W}\left(Q_i\right)\right]$

其中，c_i表示用户的计算能力，

表示考虑计算能力情况下用户i的实际负载。

下面结合附图和实例对本发明作进一步说明。

1.为了具体说明任务再分配的方法，我们对基本场景作如图1说明：在这张图中，我们可以更加清晰地看到任务再分配的过程。当用户1分配任务时，用户则被认为是通信范围的中心。例如，总共有5个用户在用户1的通信范围内。用户1只需随机挑选其中两个（用户2和用户3），将任务交付给负载较小的用户2。当然，用户1也可以根据剩余能量、用户计算能力等不同的指标将任务分配给不同的用户。

2.当一个分配时隙到达时，我们首先随机生成用户的位置(X_i,Y_i)，检查他们与用户j的距离，记录下在用户j通信范围内的用户。选择通信范围内的若干个用户，将任务交付给其中负载最小者，而不是简单的随机分配。如果不幸没有用户在通信半径内，则当下一时隙到来时继续分配。在确定选择交付任务的用户s后，令s的队列长度加1，我们用c_s表示用户s的队列长度，所以c_s=c_s+1。因为任务具有不同权重，每个用户的处理能力也是不同的，实际的负载显然不同于队列长度，我们用w_i表示用户i实际的负载，所以用户s的负载w_s则有，w_s=w_s+任务权重/用户j的能力，继续上述步骤，直到分配结束。

3.仿真分析

(1)仿真设置与说明

在该仿真中，我们模拟如下的移动社交网络场景。对于每个时隙i，n用户随意走在一个100米×100米的正方形区域，随机产生用户的位置（X_i,Y_i)，{0＜X＜100，0＜Y＜100，1≤i≤n}。在以半径为r的通信范围内的用户可以与对方联系，交换基本信息并进行任务的重新分配。在相同时隙，每个用户各自分配自己的一个任务（每一时隙共有n个任务）。对于每个任务，分配者被认为是通信范围的圆心。我们计算他与其他所有用户的距离，找到分配候选人。在候选人中随机挑选其中两个，比较队列长度，将任务分配给任务队列长度较短的用户。更实际地，把任务权重，用户计算能力，能耗等考虑进来，我们在实验中也对各种不同的情况进行了仿真验证。具体参数设置见表1。

(2)通信范围的影响

在第一个实验中，我们比较通信半径r对我们方法表现的影响。这里，我们选择100个用户和30个时隙采样，d=2。不考虑任务权重和用户能力。正如图2中所示，当通信范围设置为5米时，我们的方法和随机分配没有太大的差别。主要原因在于，通信半径r值太小导致找不到到足够的候选人。随着通信半径r的增加，可以发现我们的方法明显优于随机分配。让我们看看图3，当通信半径被设置为10米时，随机分配使得最长队列长度达到38而最短队列长度为17，最大和最小队列长度之间的差异是21。相比之下，本方法有效地将差值缩小到了4，每个用户的队列长度也都与平均值相差不大。此外，如图4所示，r=30时我们的方法也明显优于简单随机分配。

为了进一步证明，我们比较了本发明所提方法和最优情况（直接将任务分给通信范围内负载最少的用户）的表现。如图5所示，由于d=2时的曲线几乎与最优情况重合，我们不无理由相信我们的方法性能是优秀的。在我们的方法中，不会出现有个别节点过于繁忙，而有些节点却出现空闲的情况。

(3)任务权重的影响

在第二个实验中，我们评估任务权重对本方法性能的影响。本次实验中，每个任务都有它自身的重量。众所周知，不同的任务有不同的难度，我们赋予艰巨的任务更大的权重。所以，最后被选择的用户不只是添加队列长度，而是给定的任务权重。如果我们有机会了解每个人的当前负载，我们可以有效提高任务分配的效率。如图6,7,8所示，任务权重分别为{1-5,1-50,1-500}均匀分布。在相同的实验配置条件下，最大负载和最小负载之间的差异已经显著缩小。我们发现，本专利所提方法几乎已经最佳。综上所述，我们的方法实现了更好的性能，而不是简单随机分配。

(4)用户计算能力的影响

在社交网络中，用户计算能力各异。能干的人应该做更多的工作，我们考虑到这一点，量化不同用户的能力，将能力设置成1-5个级别。就是说，如果一个人的能力是4，处理速度会比基本水平即水平1快4倍。在实验中，为明确显示用户计算能力的影响，我们固定通信半径，不考虑任务权重。当一个人被挑选来处理任务时，其队列长度c加1，而负载w增加1/用户j计算能力。当每个人的计算能力已知时，我们可以直接根据负载分配任务，如图9所示，实线为我们提出的方法，虚线代表随机分配方法。很显然，我们的方法比随机分配方法要好得多，因为用户负载较为理想地以平均点为中心略有浮动，说明任务负载的平衡效果很好。

(5)能量消耗的影响

执行任务将耗费移动设备能量。在进行分配时，我们必须考虑用户的能量水平。显然，我们肯定不会给没有足够能量的用户分配任务，尽管这个用户可能负载最小。换句话说，我们首先要保持用户能量水平的均衡，然后再检查用户队列长度。每次我们分配任务时选择2个候选人中能量高的用户，使其能量下降1点。如图10所示，我们的方法（实线）也大大优于随机分配方法（虚线）。

(6)d参数设置的影响

我们完成了上面的所有工作后，开始研究d参数设置的影响。由于随机性的影响，理论上如果我们增加选择数量d，性能会更好。在此基础上，我们分别设置d为{2,3,4}，比较结果示于图11。我们不难发现，虽然d=4的表现要略优于d=2，但这也意味着我们需要了解更多用户的信息，无形当中又增加了耗费，所以我们认为在移动社交网络中，d=2已经足够。

表1仿真参数设置

Claims (3)

1.一种用于移动社交网络的任务负载平衡方法，其特征在于，移动社交网络中的用户在分配任务时，每次只需挑选两个或两个以上个用户中负载最小者，而相比于最优分配即每次选择用户中负载最小者以及随机分配即每次从用户中任意选择一个用户的方法，既不用知晓全局信息又能很好地达到用户间的负载平衡，所述方法包括以下步骤：

1)在每个时隙中，每个用户判断其他用户是否在通信范围内；

2)从通信范围内的所有用户中任意挑选若干个用户；

3)比较已挑选用户的负载，找出用户中负载最低者；

4)将任务分配给负载最低者；

5)若没有用户在通信范围内，等待下一个时隙的分配；

6)当一个时隙内所有用户都将任务分配完，则开始下一时隙的分配；

7)结束。

2.根据权利要求1所述的一种用于移动社交网络的任务负载平衡方法，其特征是：在步骤1)中，

n个用户在有限的地区进行随机游走，其中r为每个移动用户的通信半径，当两个节点都在相互的通信范围内时，任务可以被重新分配，判断是否在通信范围内的依据是：

(X_i-X_j)²+(Y_i-Y_j)²＜r²

其中(X_i,Y_i)和(X_j,Y_j)分别为用户i和用户j的位置坐标，如果上式成立则表明用户i和用户j在通信范围内，可以进行信息交换和任务的再分配，如果上式不成立则标记用户i和用户j不能通信。

3.根据权利要求1所述的一种用于移动社交网络的任务负载平衡方法，其特征是：

用户间的负载平衡，是指任务的均匀分布，最大限度地减少每一个用户间队列长度的差异，可由下式给出：

$\min \underset{i\∈U}{\mathrm{\Σ}}|Q_i-E[Q_i\left]\right|$

其中，U={1,2,...n}为用户集合，i∈U表示用户i属于集合U，Q_i表示用户i的队列长度，E[·]是随机变量的平均值，min为取表达式的最小值。

Images