CN107493334B - 一种增强云雾计算网络架构***可靠性的方法 - Google Patents
一种增强云雾计算网络架构***可靠性的方法 Download PDFInfo
- Publication number
- CN107493334B CN107493334B CN201710712382.4A CN201710712382A CN107493334B CN 107493334 B CN107493334 B CN 107493334B CN 201710712382 A CN201710712382 A CN 201710712382A CN 107493334 B CN107493334 B CN 107493334B
- Authority
- CN
- China
- Prior art keywords
- fog
- node
- cloud
- fog node
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 11
- 239000003595 mist Substances 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims description 18
- 230000035772 mutation Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明涉及一种云雾计算网络架构及增强云雾网络架构可靠性的方法。一种云雾计算网络架构,包括基础设施层、雾计算层和云服务层。增强云雾网络架构可靠性的方法,包括以下步骤:(1)构建云雾网络架构的带权无向图;(2)构建云雾网络架构中雾计算层无故障时的业务处理时延优化模型;(3)构建雾计算层故障时云雾网络架构中的业务处理平均时延优化模型;(4)雾网络无故障情况下时延优化及雾网络故障情况下平均时延优化策略。
Description
技术领域
本发明属于通信技术领域,具体涉及一种云雾计算网络架构及增强云雾网络架构可靠性的方法。
背景技术
信息物理***(CPS)、物联网、大数据、云计算及工业无线网络等技术的快速发展推动了***工业革命的到来,即工业4.0。工业物联网(IIoT)是实施工业4.0的关键技术之一。在工业物联网中,连接至网络的海量智能设备和传感设备产生了爆发式增长的需要处理和存储的数据。同时,在工业4.0的背景下,越来越多的工业物联网应用,如智能生产,工业自动化等应用需要实时的信息处理及更高的可靠性。因此,在工业物联网中一个强大的数据处理中心扮演着非常重要的角色。
云计算由于其强大的计算和存储能力被认为是有效处理大量工业物联网数据,满足工业物联网应用需求的有效技术之一。同时,在工业4.0的背景下,工业云也被引入工业物联网中来支撑智能工业服务。
然而基于云计算的工业物联网架构仍然面临一些挑战。云数据中心往往被部署在距离工业终端较远的地方,将大量的工业物联网数据传输至云服务器经处理后再传回终端用户将导致无法容忍的时延。此外,智能工业终端产生的爆发式增长的数据导致云服务器负载过重,基于云计算的工业物联网网络一旦发生任何错误,将导致大范围的故障,因此基于云计算的工业物联网架构的可靠性及鲁棒性较差。
发明内容
发明目的:为了解决将工业物联网中产生的大量数据传输至云服务器处理带来的高时延问题,及故障情况下业务无法完成等不可靠问题,即本发明的第一个目的在于公开了一种云雾计算网络架构,其应用于工业物联网。本发明的第二个目的在于公开增强云雾网络架构可靠性的方法。
技术方案:一种云雾计算网络架构,包括:
基础设施层,主要由传感器节点和智能终端组成,传感器节点和智能终端之间通过无线链路连接,用于采集数据并将采集到的数据及数据处理请求发送给雾计算层;
雾计算层,与基础设施层相连,雾计算层由多个计算及存储能力较弱的边缘网络设备组成,边缘网络设备即为雾计算层的雾节点,雾节点之间通过无线链路连接,用于处理基础设施层的数据,并将数据处理结果发送给云服务层及基础设施层的传感器节点或智能终端;
云服务层,与雾计算层相连,由多个云服务器组成,用于存储雾计算层上传的数据,实现全局信息共享及数据挖掘。
进一步地,边缘网络设备包括网关、路由器和交换机。
进一步地,雾计算层中选择边缘网络设备作为雾节点。
进一步地,所述智能终端包括智能手机、平板电脑、笔记本电脑。
增强云雾网络架构可靠性的方法,通过降低云雾网络架构中雾计算层无故障时的业务处理时延,并且在雾计算层故障时利用重传及再分配机制降低故障情况下的平均业务处理时延,包括以下步骤:
(1)构建云雾网络架构的带权无向图G=(V,E),其中
V={v1,v2,…,vk,C}为顶点集,顶点vi代表雾计算层的雾节点,节点C 代表云服务层的云服务器;
(2)构建云雾网络架构中雾计算层无故障时的业务处理时延优化模型
在云雾网络架构中,基础设施层的传感器节点或者智能终端首先将请求发送至与其连接的雾节点,该雾节点被认为是主雾节点;其次,基础设施层的传感器节点或者智能终端发送需要处理的应用任务D 至主雾节点;随后,该应用任务D被划分为多个子任务 {D1,D2,…,Di,…,Dk,Dc},这些子任务被所有的雾节点和云服务器分布式协作执行;最终子任务处理的结果由主雾节点整合后返回给基础设施层的传感器节点或者智能终端;因此,在云雾网络架构中,总服务时延t可表示如下:
其中:
lvj,c表示雾节点vj和云服务器C之间是否存在子任务分配关系;
基于停等式ARQ协议,Wvi,vj,Wvj,c表示如下:
其中:
为了降低(1)式中的业务处理时延,需要找到一组最优的任务分配方式{D1,D2,…Di,…Dk},使得(1)式中的目标函数t最小,因此,云雾网络架构中的业务处理时延最小模型表示如下:
(3)构建雾计算层故障时云雾网络架构中的业务处理平均时延优化模型
设子任务在一个雾节点上无法处理完成的概率为Pi,采用任务再分配及重传机制,当雾节点故障时,重新分配故障雾节点上未完成的子任务,并将重新分配后的子任务重传至正常的雾节点及云服务器上进行分布式处理,因此雾网络存在故障时云雾网络架构中的业务处理平均时延ta表示如下:
式中,
V={v1,v2,…,vk}为雾节点的集合;
V′为正常雾节点的集合;
V-V′为故障雾节点的集合;
pn是子任务在雾节点上vn上不能被成功处理的概率;
pi是子任务在雾节点上vi上不能被成功处理的概率;
lvj,c表示雾节点vj和云服务器之间是否存在子任务分配关系
tout为子任务的超时时间;
l'vi,vj表示经过子任务再分配后雾节点vi,vj之间是否存在子任务分配关系;
l'vj,c表示经过子任务再分配后雾节点vj和云服务器之间是否存在子任务分配关系;
tout表示设置的超时时间;
当主雾节点不能在tout时间内收到相应从雾节点上的子任务处理结果时,***认为从雾节点故障,即vn∈V-V′,其次,主雾节点重新分配故障雾节点上未完成的子任务,经过重新分配后的子任务表示为 D'i,D'c;随后,主雾节点传输子任务D'i,D'c至正常的雾节点和云服务器执行分布式计算最后,子任务处理结果被传回主雾节点进行整合并将最终的任务处理结果及时发送给基础设施层的工业设备;
在(6)式中,Di、Dc、D'i,、D'c、l'vi,vj、l'vj,c满足以下约束条件:
0≤Di,Dc,Di′,Dc′≤D (7)
(4)雾网络无故障情况下时延优化及雾网络故障情况下平均时延优化策略
采用一种用于解决约束优化问题的实数编码遗传算法求解式(4) 式及式(6)中的优化问题,该算法运行在雾计算层的主雾节点上,包括以下步骤:
(41)初始化
设置染色体群体规模为m,每个染色体X的长度为k+1,利用实数在搜索空间内随机初始化每个染色体Xi={xi1,xi2,…,xi(k+1)};设置最大迭代次数MaxG;设置交叉概率pc及变异概率pm;初始化群体中全局最优个体的适应度值及局部最优个体的适应度值;
(42)计算群体中每个染色体的适应度值f(X),然后进人步骤 (43),计算表达式如下:
其中,
F是搜索空间S中的可行域;
S-F代表不可行域;
h为惩罚因子;
tj(X)为非可行个体对第j约束的约束违背值;
ξ(X,g)表示在算法执行到第g代对于非可行个体的附加启发值;
tj(X)和ξ(X,g)的表达式分别为:
式(12)中,Worst(g)记录了算法经过g代进化后所获得的拥有最大适应度值的可行个体,该值在迭代过程中保证所有可行个体优于所有非可行个体,其表达式为:
(43)比较每个个体的适应度值,适应度值最高的个体为当前群体中的局部最优个体,其适应度值为局部最优适应度值,将局部最优适应度值与步骤(41)中初始化的全局最优个体的适应度值比较,选取适应度值较高的个体为全局最优个体,该个体的适应度值为全局最优适应度值,完成后进入步骤(44);
(44)选择操作,利用锦标赛选择机制选择个体,在该机制中,从群体中随机选择两个个体并比较这两个个体的适应度值,适应度值较高的个体将会被保留至下一代,适应度值低的个体被淘汰,完成后进入步骤(45);
(45)交叉操作,利用算术交叉机制产生新的个体,完成后进入步骤(46),
在算术交叉机制中依据交叉概率选择两个个体X1,X2进行交叉,交叉后产生的新的个体X'1,X'2是由原来的个体X1,X2产生的,新的个体与原个体之间的关系表示如下:
X1′=λX1+(1-λ)X2 (14)
X2′=λX2+(1-λ)X1 (15)
其中,λ为[0,1]之间的随机数;
(46)变异操作,完成后进入步骤(47)
在经过选择后的种群中利用非均匀变异机制产生新的个体,在变异过程中,依据变异概率选择个体进行变异,在被选择的个体中选择一个基因进行非均匀变异;
(47)将变异后产生的新的群体保留至下一代,比较迭代次数与最大迭代次数MaxG,若迭代次数小于最大迭代次数MaxG,则进入步骤(42),若迭代次数达到最大迭代次数MaxG,所获得的全局最优个体即为所求解的最佳任务分配方式{D1,D2,…Di,…Dk}。
有益效果:本发明公开的一种云雾计算网络架构及增强云雾网络架构可靠性的方法具有以下有益效果:
1、利用云雾网络架构可解决工业物联网中传统的基于云计算的架构业务处理时延高及不可靠问题;
2、在云雾计算网络架构中,采用增强雾计算层可靠性的方法,通过降低雾计算层无故障时及故障时工业物联网中的业务处理时延,提高云雾网络架构可靠性。
附图说明
图1为本发明公开的一种云雾计算网络架构的结构示意图;
图2为云雾网络架构的带权无向图的示意图。
具体实施方式:
下面对本发明的具体实施方式详细说明。
如图1所示,一种云雾计算网络架构,包括:
基础设施层,主要由传感器节点和智能终端组成,传感器节点和智能终端之间通过无线链路连接,用于采集数据并将采集到的数据及数据处理请求发送给雾计算层;
雾计算层,与基础设施层相连,雾计算层由多个计算及存储能力较弱的边缘网络设备组成,边缘网络设备即为雾计算层的雾节点,雾节点之间通过无线链路连接,用于处理基础设施层的数据,并将数据处理结果发送给云服务层及基础设施层的传感器节点或智能终端;
云服务层,与雾计算层相连,由多个云服务器组成,用于存储雾计算层上传的数据,实现全局信息共享及数据挖掘。
进一步地,边缘网络设备包括网关、路由器和交换机。
进一步地,雾计算层中选择边缘网络设备作为雾节点。
进一步地,所述智能终端包括智能手机、平板电脑、笔记本电脑。
增强云雾网络架构可靠性的方法,通过降低云雾网络架构中雾计算层无故障时的业务处理时延,并且在雾计算层故障时利用重传及再分配机制降低故障情况下的平均业务处理时延,包括以下步骤:
(1)构建云雾网络架构的带权无向图G=(V,E),如图2所示,其中
V={v1,v2,…,vk,C}为顶点集,顶点vi代表雾计算层的雾节点,节点C 代表云服务层的云服务器;
(2)构建云雾网络架构中雾计算层无故障时的业务处理时延优化模型
在云雾网络架构中,基础设施层的传感器节点或者智能终端首先将请求发送至与其连接的雾节点,该雾节点被认为是主雾节点;其次,基础设施层的传感器节点或者智能终端发送需要处理的应用任务D 至主雾节点;随后,该应用任务D被划分为多个子任务 {D1,D2,…,Di,…,Dk,Dc},这些子任务被所有的雾节点和云服务器分布式协作执行;最终子任务处理的结果由主雾节点整合后返回给基础设施层的传感器节点或者智能终端;因此,在云雾网络架构中,总服务时延t可表示如下:
其中:
lvj,c表示雾节点vj和云服务器C之间是否存在子任务分配关系;
基于停等式ARQ协议,Wvi,vj,Wvj,c表示如下:
其中:
为了降低(1)式中的业务处理时延,需要找到一组最优的任务分配方式{D1,D2,…Di,…Dk},使得(1)式中的目标函数t最小,因此,云雾网络架构中的业务处理时延最小模型表示如下:
(3)构建雾计算层故障时云雾网络架构中的业务处理平均时延优化模型
设子任务在一个雾节点上无法处理完成的概率为Pi,采用任务再分配及重传机制,当雾节点故障时,重新分配故障雾节点上未完成的子任务,并将重新分配后的子任务重传至正常的雾节点及云服务器上进行分布式处理,因此雾网络存在故障时云雾网络架构中的业务处理平均时延ta表示如下:
式中,
V={v1,v2,…,vk}为雾节点的集合;
V′为正常雾节点的集合;
V-V′为故障雾节点的集合;
pn是子任务在雾节点上vn上不能被成功处理的概率;
pi是子任务在雾节点上vi上不能被成功处理的概率;
lvj,c表示雾节点vj和云服务器之间是否存在子任务分配关系
tout为子任务的超时时间;
l'vj,c表示经过子任务再分配后雾节点vj和云服务器之间是否存在子任务分配关系;
tout表示设置的超时时间;
当主雾节点不能在tout时间内收到相应从雾节点上的子任务处理结果时,***认为从雾节点故障,即vn∈V-V′,其次,主雾节点重新分配故障雾节点上未完成的子任务,经过重新分配后的子任务表示为 D'i,D'c;随后,主雾节点传输子任务D'i,D'c至正常的雾节点和云服务器执行分布式计算最后,子任务处理结果被传回主雾节点进行整合并将最终的任务处理结果及时发送给基础设施层的工业设备;
在(6)式中,Di、Dc、D'i,、D'c、l'vi,vj、l'vj,c满足以下约束条件:
0≤Di,Dc,Di′,Dc′≤D (7)
(4)雾网络无故障情况下时延优化及雾网络故障情况下平均时延优化策略
采用一种用于解决约束优化问题的实数编码遗传算法求解式(4) 式及式(6)中的优化问题,该算法运行在雾计算层的主雾节点上,包括以下步骤:
(41)初始化
设置染色体群体规模为m,每个染色体X的长度为k+1,利用实数在搜索空间内随机初始化每个染色体Xi={xi1,xi2,…,xi(k+1)};设置最大迭代次数MaxG;设置交叉概率pc及变异概率pm;初始化群体中全局最优个体的适应度值及局部最优个体的适应度值;
(42)计算群体中每个染色体的适应度值f(X),然后进人步骤 (43),计算表达式如下:
其中,
F是搜索空间S中的可行域;
S-F代表不可行域;
h为惩罚因子;
tj(X)为非可行个体对第j约束的约束违背值;
ξ(X,g)表示在算法执行到第g代对于非可行个体的附加启发值;
tj(X)和ξ(X,g)的表达式分别为:
式(12)中,Worst(g)记录了算法经过g代进化后所获得的拥有最大适应度值的可行个体,该值在迭代过程中保证所有可行个体优于所有非可行个体,其表达式为:
(43)比较每个个体的适应度值,适应度值最高的个体为当前群体中的局部最优个体,其适应度值为局部最优适应度值,将局部最优适应度值与步骤(41)中初始化的全局最优个体的适应度值比较,选取适应度值较高的个体为全局最优个体,该个体的适应度值为全局最优适应度值,完成后进入步骤(44);
(44)选择操作,利用锦标赛选择机制选择个体,在该机制中,从群体中随机选择两个个体并比较这两个个体的适应度值,适应度值较高的个体将会被保留至下一代,适应度值低的个体被淘汰,完成后进入步骤(45);
(45)交叉操作,利用算术交叉机制产生新的个体,完成后进入步骤(46),
在算术交叉机制中依据交叉概率选择两个个体X1,X2进行交叉,交叉后产生的新的个体X'1,X'2是由原来的个体X1,X2产生的,新的个体与原个体之间的关系表示如下:
X1′=λX1+(1-λ)X2 (14)
X2′=λX2+(1-λ)X1 (15)
其中,λ为[0,1]之间的随机数;
(46)变异操作,完成后进入步骤(47)
在经过选择后的种群中利用非均匀变异机制产生新的个体,在变异过程中,依据变异概率选择个体进行变异,在被选择的个体中选择一个基因进行非均匀变异;
(47)将变异后产生的新的群体保留至下一代,比较迭代次数与最大迭代次数MaxG,若迭代次数小于最大迭代次数MaxG,则进入步骤(42),若迭代次数达到最大迭代次数MaxG,所获得的全局最优个体即为所求解的最佳任务分配方式{D1,D2,…Di,…Dk}。
仿真结果表明基于本方案所用解决约束优化问题的实数编码遗传算法算法及任务再分配及重传机制的云雾网络架构可以在云雾网络架构中有效的降低工业物联网业务处理时延并降低故障情况下的业务处理平均时延,增强***可靠性。
上面对本发明的实施方式做了详细说明。但是本发明并不限于上述实施方式,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (1)
1.增强云雾计算网络架构***可靠性的方法,其特征在于,通过降低云雾计算网络架构***中雾计算层无故障时的业务处理时延,并且在雾计算层故障时利用重传及再分配机制降低故障情况下的平均业务处理时延,包括以下步骤:
(1)构建云雾计算网络架构***的带权无向图G=(V,E),其中
V={v1,v2,…,vk,C}为顶点集,顶点vi代表雾计算层的雾节点,节点C代表云服务层的云服务器;
(2)构建云雾计算网络架构***中雾计算层无故障时的业务处理时延优化模型
在云雾计算网络架构***中,基础设施层的传感器节点或者智能终端首先将请求发送至与其连接的雾节点,该雾节点被认为是主雾节点;其次,基础设施层的传感器节点或者智能终端发送需要处理的应用任务D至主雾节点;随后,该应用任务D被划分为多个子任务{D1,D2,…,Di,…,Dk,Dc},这些子任务被所有的雾节点和云服务器分布式协作执行;最终子任务处理的结果由主雾节点整合后返回给基础设施层的传感器节点或者智能终端;因此,在云雾计算网络架构***中,总服务时延t可表示如下:
其中:
lvj,c表示雾节点vj和云服务器C之间是否存在子任务分配关系;
基于停等式ARQ协议,Wvi,vj,Wvj,c表示如下:
其中:
为了降低(1)式中的业务处理时延,需要找到一组最优的任务分配方式{D1,D2,…Di,…Dk},使得(1)式中的目标函数t最小,因此,云雾计算网络架构***中的业务处理时延最小模型表示如下:
(3)构建雾计算层故障时云雾计算网络架构***中的业务处理平均时延优化模型
设子任务在一个雾节点上无法处理完成的概率为Pi,采用任务再分配及重传机制,当雾节点故障时,重新分配故障雾节点上未完成的子任务,并将重新分配后的子任务重传至正常的雾节点及云服务器上进行分布式处理,因此雾网络存在故障时云雾计算网络架构***中的业务处理平均时延ta表示如下:
式中,
V={v1,v2,L,vk}为雾节点的集合;
V′为正常雾节点的集合;
V-V′为故障雾节点的集合;
pn是子任务在雾节点上vn上不能被成功处理的概率;
pi是子任务在雾节点上vi上不能被成功处理的概率;
lvj,c表示雾节点vj和云服务器C之间是否存在子任务分配关系
tout为子任务的超时时间;
l'vi,vj表示经过子任务再分配后雾节点vi,vj之间是否存在子任务分配关系;
l'vj,c表示经过子任务再分配后雾节点vj和云服务器之间是否存在子任务分配关系;
当主雾节点不能在tout时间内收到相应从雾节点上的子任务处理结果时,***认为从雾节点故障,即vn∈V-V′,其次,主雾节点重新分配故障雾节点上未完成的子任务,经过重新分配后的子任务表示为D'i,D'c;随后,主雾节点传输子任务D'i,D'c至正常的雾节点和云服务器执行分布式计算最后,子任务处理结果被传回主雾节点进行整合并将最终的任务处理结果及时发送给基础设施层的工业设备;
在(6)式中,Di、Dc、D'i,、D'c、l'vi,vj、l'vj,c满足以下约束条件:
0≤Di,Dc,D′i,D′c≤D (7)
(4)雾网络无故障情况下时延优化及雾网络故障情况下平均时延优化策略
采用一种用于解决约束优化问题的实数编码遗传算法求解式(4)式及式(6)中的优化问题,该算法运行在雾计算层的主雾节点上,包括以下步骤:
(41)初始化
设置染色体群体规模为m,每个染色体X的长度为k+1,利用实数在搜索空间内随机初始化每个染色体Xi={xi1,xi2,L,xi(k+1)};设置最大迭代次数MaxG;设置交叉概率pc及变异概率pm;初始化群体中全局最优个体的适应度值及局部最优个体的适应度值;
(42)计算群体中每个染色体的适应度值f(X),然后进人步骤(43),计算表达式如下:
其中,
F是搜索空间S中的可行域;
S-F代表不可行域;
h为惩罚因子;
tj(X)为非可行个体对第j约束的约束违背值;
ξ(X,g)表示在算法执行到第g代对于非可行个体的附加启发值;
tj(X)和ξ(X,g)的表达式分别为:
式(12)中,Worst(g)记录了算法经过g代进化后所获得的拥有最大适应度值的可行个体,该值在迭代过程中保证所有可行个体优于所有非可行个体,其表达式为:
(43)比较每个个体的适应度值,适应度值最高的个体为当前群体中的局部最优个体,其适应度值为局部最优适应度值,将局部最优适应度值与步骤(41)中初始化的全局最优个体的适应度值比较,选取适应度值较高的个体为全局最优个体,该个体的适应度值为全局最优适应度值,完成后进入步骤(44);
(44)选择操作,利用锦标赛选择机制选择个体,在该机制中,从群体中随机选择两个个体并比较这两个个体的适应度值,适应度值较高的个体将会被保留至下一代,适应度值低的个体被淘汰,完成后进入步骤(45);
(45)交叉操作,利用算术交叉机制产生新的个体,完成后进入步骤(46),
在算术交叉机制中依据交叉概率选择两个个体X1,X2进行交叉,交叉后产生的新的个体X'1,X'2是由原来的个体X1,X2产生的,新的个体与原个体之间的关系表示如下:
X′1=λX1+(1-λ)X2 (14)
X′2=λX2+(1-λ)X1 (15)
其中,λ为[0,1]之间的随机数;
(46)变异操作,完成后进入步骤(47)
在经过选择后的种群中利用非均匀变异机制产生新的个体,在变异过程中,依据变异概率选择个体进行变异,在被选择的个体中选择一个基因进行非均匀变异;
(47)将变异后产生的新的群体保留至下一代,比较迭代次数与最大迭代次数MaxG,若迭代次数小于最大迭代次数MaxG,则进入步骤(42),若迭代次数达到最大迭代次数MaxG,所获得的全局最优个体即为所求解的最佳任务分配方式{D1,D2,…Di,…Dk}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710712382.4A CN107493334B (zh) | 2017-08-18 | 2017-08-18 | 一种增强云雾计算网络架构***可靠性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710712382.4A CN107493334B (zh) | 2017-08-18 | 2017-08-18 | 一种增强云雾计算网络架构***可靠性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107493334A CN107493334A (zh) | 2017-12-19 |
CN107493334B true CN107493334B (zh) | 2020-09-15 |
Family
ID=60646684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710712382.4A Active CN107493334B (zh) | 2017-08-18 | 2017-08-18 | 一种增强云雾计算网络架构***可靠性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107493334B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108259573A (zh) * | 2017-12-26 | 2018-07-06 | 西安电子科技大学 | 一种混合sdn和雾计算的车辆自组织网络*** |
CN114448673A (zh) * | 2018-02-13 | 2022-05-06 | 华为云计算技术有限公司 | 设备接入方法、相关平台及计算机存储介质 |
CN108418718B (zh) * | 2018-03-06 | 2020-07-10 | 曲阜师范大学 | 一种基于边缘计算的数据处理延迟优化方法及*** |
CN108540538B (zh) * | 2018-03-20 | 2021-01-26 | 西安电子科技大学 | 一种基于sdn的云雾结合物联网应用构建*** |
CN108156267B (zh) * | 2018-03-22 | 2020-12-29 | 山东大学 | 一种雾计算架构中使用缓存改善网站访问时延的方法 |
CN110351309B (zh) * | 2018-04-02 | 2020-10-09 | 中国科学院上海微***与信息技术研究所 | 网络节点间计算任务卸载平衡方法、***、介质及设备 |
CN108566430B (zh) * | 2018-04-19 | 2020-11-27 | 西安电子科技大学 | 一种数据分配方法 |
CN108597599B (zh) * | 2018-04-28 | 2021-02-19 | 厦门理工学院 | 一种基于云雾资源低延迟调度的健康监护***及方法 |
CN108737560A (zh) * | 2018-05-31 | 2018-11-02 | 南京邮电大学 | 云计算任务智能调度方法及***、可读存储介质、终端 |
CN108924228B (zh) * | 2018-07-06 | 2022-11-04 | 中国联合网络通信集团有限公司 | 基于边缘计算的工业互联网优化*** |
CN109067859B (zh) * | 2018-07-20 | 2021-03-16 | 北京航空航天大学 | 一种面向跨域协同服务的双层云架构***及实现方法 |
CN111245878B (zh) * | 2018-11-29 | 2023-05-16 | 天元瑞信通信技术股份有限公司 | 一种基于混合云计算和雾计算的计算卸载通信网络的方法 |
CN109982283B (zh) * | 2019-02-15 | 2021-10-22 | 江苏商贸职业学院 | 一种面向期望传输能耗的工业云雾架构通信*** |
CN110058934B (zh) * | 2019-04-25 | 2024-07-09 | 中国石油大学(华东) | 一种在大规模云雾计算环境中制定最优任务卸载决策的方法 |
CN110162390B (zh) * | 2019-05-15 | 2021-03-02 | 清华大学 | 一种雾计算***的任务分配方法及*** |
CN112561222A (zh) * | 2019-09-26 | 2021-03-26 | 阿里巴巴集团控股有限公司 | 智能制造、边缘网络服务的处理方法、装置及电子设备 |
CN111245906B (zh) * | 2019-12-31 | 2022-10-25 | 中国电子科技集团公司第五十四研究所 | 一种业务请求分配方法 |
CN111614735B (zh) * | 2020-04-30 | 2022-03-22 | 河南大学 | 基于加权轮转算法的新型雾计算架构及其任务调度方法 |
CN111954236B (zh) * | 2020-07-27 | 2021-11-09 | 河海大学 | 一种基于优先级的分层边缘计算卸载方法 |
CN113156822B (zh) * | 2021-04-22 | 2022-08-26 | 重庆大学 | 基于Mist-边缘-雾-云计算的热误差预测***及热误差补偿*** |
CN116880434B (zh) * | 2023-06-20 | 2024-01-23 | 辽宁工业大学 | 网络攻击下基于云雾计算的无人机-无人车集群协同控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106101199A (zh) * | 2016-06-02 | 2016-11-09 | 西安电子科技大学 | 一种基于sdn的云/雾混合网络架构 |
CN106413024A (zh) * | 2016-08-29 | 2017-02-15 | 华侨大学 | 一种基于雾计算的传感云数据传输算法 |
CN106911762A (zh) * | 2017-01-16 | 2017-06-30 | 西安电子科技大学 | 一种在sdn中基于雾计算的架构及其处理方法 |
-
2017
- 2017-08-18 CN CN201710712382.4A patent/CN107493334B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106101199A (zh) * | 2016-06-02 | 2016-11-09 | 西安电子科技大学 | 一种基于sdn的云/雾混合网络架构 |
CN106413024A (zh) * | 2016-08-29 | 2017-02-15 | 华侨大学 | 一种基于雾计算的传感云数据传输算法 |
CN106911762A (zh) * | 2017-01-16 | 2017-06-30 | 西安电子科技大学 | 一种在sdn中基于雾计算的架构及其处理方法 |
Non-Patent Citations (3)
Title |
---|
A Variation-Aware Approach for Task Allocation in Wireless Distributed Computing Systems;Xiaofu Ma 等;《Globecom 2013 - Wireless Networking Symposium》;20131231;5006-5011 * |
Fog Computing Dynamic Load Balancing Mechanism Based on Graph Repartitioning;SONG Ningning 等;《China Communications》;20160315;156-164 * |
The Fog Computing Service for Healthcare;YingJuan Shi等;《2015 2nd International Symposium on Future Information and Communication Technologies for Ubiquitous HealthCare》;20150817;1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN107493334A (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107493334B (zh) | 一种增强云雾计算网络架构***可靠性的方法 | |
Lin et al. | Task offloading for wireless VR-enabled medical treatment with blockchain security using collective reinforcement learning | |
CN110113388B (zh) | 一种基于改进型聚类算法的区块链***共识的方法和装置 | |
Ng et al. | A comprehensive survey on coded distributed computing: Fundamentals, challenges, and networking applications | |
Xu et al. | Chemical reaction optimization for task scheduling in grid computing | |
CN108667657B (zh) | 一种面向sdn的基于局部特征信息的虚拟网络映射方法 | |
CN112187547A (zh) | 一种基于数字孪生的网络模型 | |
Raeisi-Varzaneh et al. | Resource scheduling in edge computing: Architecture, taxonomy, open issues and future research directions | |
CN108768716A (zh) | 一种微服务路径选择方法及装置 | |
CN114626547A (zh) | 一种基于区块链的群组协同学习方法 | |
Ng et al. | A survey of coded distributed computing | |
Guo et al. | An energy sensitive computation offloading strategy in cloud robotic network based on ga | |
Kanwal et al. | Multiphase fault tolerance genetic algorithm for vm and task scheduling in datacenter | |
CN113312177B (zh) | 一种基于联邦学习的无线边缘计算***、优化方法 | |
Kanwal et al. | A genetic based leader election algorithm for IoT cloud data processing | |
Wang et al. | Fractal-based reliability measure for heterogeneous manufacturing networks | |
CN115686846A (zh) | 边缘计算中融合图神经网络和强化学习的容器集群在线部署方法 | |
CN114172819B (zh) | Nfv网元的需求资源预测方法、***、电子设备和存储介质 | |
CN106603645A (zh) | 一种大规模云存储的副本服务器一致性处理方法及*** | |
Bhuiyan et al. | Fast parallel algorithms for edge-switching to achieve a target visit rate in heterogeneous graphs | |
CN108289115B (zh) | 一种信息处理方法及*** | |
CN114020469A (zh) | 基于边缘节点的多任务学习方法、装置、介质与设备 | |
Tsang et al. | On-Chain and Off-Chain Data Management for Blockchain-Internet of Things: A Multi-Agent Deep Reinforcement Learning Approach | |
WO2017016417A1 (zh) | 一种***控制方法、装置,控制器及控制*** | |
CN104022937B (zh) | 一种基于细胞型p***的虚拟网络映射方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |