CN116744417A - 一种低功耗物联网中能量敏感服务选择方法及*** - Google Patents
一种低功耗物联网中能量敏感服务选择方法及*** Download PDFInfo
- Publication number
- CN116744417A CN116744417A CN202310653398.8A CN202310653398A CN116744417A CN 116744417 A CN116744417 A CN 116744417A CN 202310653398 A CN202310653398 A CN 202310653398A CN 116744417 A CN116744417 A CN 116744417A
- Authority
- CN
- China
- Prior art keywords
- service
- energy
- things
- internet
- algorithm
- 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.)
- Pending
Links
- 238000010187 selection method Methods 0.000 title claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000002787 reinforcement Effects 0.000 claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000005265 energy consumption Methods 0.000 claims description 59
- 230000009471 action Effects 0.000 claims description 45
- 230000007246 mechanism Effects 0.000 claims description 37
- 238000012544 monitoring process Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 239000003795 chemical substances by application Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000002035 prolonged effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 18
- 230000008901 benefit Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
- H04L41/5051—Service on demand, e.g. definition and deployment of services in real time
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/265—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the quality of service QoS
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于信息技术服务技术领域，公开了一种低功耗物联网中能量敏感服务选择方法及***，旨在解决物联网中能量敏感资源的优化利用问题。本发明通过设计一种基于Skyline查询的服务过滤方法来降低后续服务选择的复杂度，并提出一种基于深度强化学习算法的服务选择策略，以实现在保证服务质量的情况下延长物联网***整体寿命。本发明采用基于深度强化学习的服务选择算法，从候选服务中选择最佳服务，同时，***进行状态监测，当QoS与能量变化大于阈值时，重新执行服务筛选以确保服务选择的最优性。本发明可根据用户的请求与约束，动态地选择最合适的服务提供者，为低功耗物联网中能量敏感资源的优化利用提供了新的思路和方法。
Description
技术领域
本发明属于信息技术服务技术领域，尤其涉及一种低功耗物联网中能量敏感服务选择方法。
背景技术
随着物联网技术的快速发展，物联网设备的数量和类型不断增加，这些设备通常具有低功耗的特性，同时，它们也有着有限的计算、存储资源。在这种情况下，为了延长物联网设备的寿命，降低能耗成为一项重要的任务。为用户选择合适的服务，以满足他们的需求和偏好，这是一个至关重要且具有挑战性的任务。同时，由于物联网服务来自不同的服务提供者和网络环境，即使它们具有相同或相似的功能，也会存在不同的服务质量(Quality ofService,QoS)水平。用户在请求服务时一般都有相应的QoS参数要求，例如响应时间、可靠性、吞吐量等。服务选择不仅要考虑服务的功能属性，还需要考虑到非功能属性，如电量、能量消耗率等。因此，在物联网中进行服务选择时，需要综合考虑QoS因素和能量效率因素，并在它们之间寻找一个最优或次优解。然而，由于物联网服务的QoS值可能会在服务的运行时间内发生动态变化，当网络状态发生变化时，物联网服务的QoS值也可能随之变化。此外，在开放式且可扩展性高的物联网***中，可能随时出现新设备加入或旧设备离开网络，并带来新服务或失去旧服务。这些特性都会影响到当前和未来时间段内可用于选择和组合的候选服务集合，并进而影响到整个***运行效率和稳定性。这种特性的存在对物联网服务选择提出了新的需求，即在物联网设备的能耗和其QoS之间找到一个平衡点以延长网络寿命。
服务选择机制的相关研究，已经在节能服务选择以及任务和资源分配等方面取得了一定的进展。但是，这些研究在计算成本方面仍然较高，没有充分利用物联网的计算资源。同时，这些研究也没有很好地适应物联网的动态特性，即如何根据物联网设备和环境的实时变化，灵活地调整服务选择策略。因此，在动态物联网条件下的服务选择机制及其适应性机制方面仍有很大的研究潜力和挑战。
通过上述分析，现有技术存在的问题及缺陷为：现有的服务选择机制在计算成本方面仍然较高，没有充分利用物联网的计算资源；没有很好地考虑到能量因素，能量消耗不均衡；没有很好地适应物联网的动态特性，即如何根据物联网设备和环境的实时变化，灵活地调整服务选择策略。
发明内容
针对现有技术存在的问题，本发明提供了一种低功耗物联网中能量敏感服务选择方法。
本发明是这样实现的，一种低功耗物联网中能量敏感服务选择***，低功耗物联网中能量敏感服务选择***包括：
服务检索模块：从低功耗物联网***中检索所有可用的异构资源和服务；
服务过滤模块：在服务选择算法启动前，预先执行服务过滤，以减少后续服务选择的计算复杂度；
基于深度强化学***与能量状态，通过基于深度强化学习的服务选择算法选择最佳服务，在保证服务质量的情况下延长***整体寿命；
状态监测模块：监测网络质量及能量状态，进行动态调整，以保证服务过滤的有效性。
进一步，低功耗物联网***对其服务存储库进行全面的检索和匹配，以确定目前可被激活的设备与服务，并为后续操作提供支持。
进一步，所述服务过滤模块利用Skyline查询技术对已激活的服务进行筛选，以区分潜在的候选服务和不可能成为最终方案的服务，从而降低后续的服务选择计算复杂度和搜索空间。
进一步，所述基于深度强化学***及能量状态选择最佳服务，在保证服务质量的前提下，延长***整体寿命；该模块需要选择最优策略，以最小化总体能量消耗和最大化服务质量；在此过程中，算法不断尝试不同的策略，并根据不同策略的表现调整其行为，以便逐步学习最佳策略；具体来说，算法通过在不同服务和资源之间选择不同的组合，尝试最大化服务质量并最小化能量消耗；这种选择过程可视为一种动态的决策过程，需要算法不断地更新其状态，并尝试不同的行动以获得最佳结果；
在该模块中，目标是找到一种可以平衡低功耗物联网***中设备能量消耗的解决方案，以提供更长的整体***寿命；在此处，采用所有设备能量消耗情况的标准差作为衡量设备之间能量消耗的相近程度的方法；Uα表示执行服务选择方案α的能量消耗情况，算法的目标是更新服务选择方案α*，最小化所有设备能量消耗的标准差，求解目标以及约束条件为：
P1:
s.t.
其中：
DSij为设备－服务映射矩阵，用于记录每个物联网设备可支持的服务；ΔEij，为设备－服务能量消耗率矩阵，用于记录每个服务的能量消耗率。
进一步，状态监测模块包括：
基于QoS动态调整机制；
基于能量的动态调整机制；
基于QoS的监测机制可以通过两种方式进行调用：1)周期性执行；2)基于用户反馈的被动调用；服务选择的目的是满足用户的功能需求的同时保持可接受的QoS状态，因此QoS动态调整机制对于***的健康运行非常重要；对于事件驱动的服务，如入侵检测，用户通常不知道服务的QoS是否得到保证；另外，对于QoS不敏感的服务，用户通常不会很快察觉到QoS的变化；不仅如此，仅依据用户的反馈是不够的，需要周期性的QoS监控来验证是否发生QoS性能的劣化；在模块中，采用了周期性QoS监测机制，监测机制仅针对激活的服务进行；当QoS指标发生变化时，先前的服务筛选结果可能不是最优的；服务选择方法将从服务筛选开始，执行新一轮服务筛选；
基于能量的监测机制将监视每个已托管物联网服务的设备和其他已激活但未有托管服务的设备的剩余能量，调整机制的调用原则为：
其中，为设备di的能量水平，τ为比例系数；在每个运行设备中，首先计算其他N-1个物联网设备的平均剩余能量，τ的值设置为75％，即当主机设备的能量低于平均能量的75％时，基于能量的动态调整机制将被启动，从服务筛选开始，执行新一轮服务筛选。
本发明的另一目的在于提供一种低功耗物联网中能量敏感服务选择方法，低功耗物联网中能量敏感服务选择方法基于深度强化学习技术，以最小化所有设备能量消耗的标准差为目标；其中，基于深度强化学习的服务选择算法会根据用户请求，网络状态和能量状态，选择最优的动作，以实现***的优化效果；
S1、深度强化学习的状态设计：在DQN算法中，针对某个请求，算法在设备池中选择执行设备；网络在时隙t的状态S为st＝{Pk(t),(t)}，包含以下两个部分：
·低功耗物联网***中各设备的电量等级；
·C(t)：服务缓冲池，即当前仍在数据有效期内的服务数据；
其中，为连接到本物联网服务器的所有设备，即本物联网***设备池中的所有设备；
S2、深度强化学习的动作设计：算法从设备池中选择设备来执行相应的操作；网络在时隙t的动作A可表示为：表示选择哪一个物联网设备来执行当前的服务需求，/>为本物联网设备池中所有的设备；通过服务存储库中存储的相应信息，算法可以计算下一个状态，并更新服务缓冲池和设备电量等级；
S3、深度强化学***衡，从而避免某些设备因为过度消耗电量而导致故障或停机，进而延长物联网***整体的寿命。
奖励函数由三部分构成，其中st为当前时间步数，at为当前采取的动作，Nd是设备数量，Ei是第i个设备在当前时间步的能量状态，σt是各设备能量消耗水平的标准差，Ethr为***能量阈值，表示当前动作下的能量消耗：
rmain(s)：选择动作后各设备之间的能量状态的标准差，通过最小化各个设备能量消耗的标准差，使得各个设备的能量消耗状态尽量接***均值，从而提高***的稳定性和可靠性；
rpenalty(s)：惩罚超过了***能量阈值Ethr的能量状态，从而鼓励智能体在保持***稳定的同时尽可能地延长***运行时间；
rdone(s)：为一个常数，用于体现时间步的重要性。当s为终止时间步时，需要将/>加入奖励函数，以便于优化算法能够更好地关注时间步的重要性；
给出最终的奖励函数为：
r(s)＝αrmain+βrpenalty+γrdone
其中，α，β，γ为超参数，控制奖励函数中各项的权重；
S4、深度强化学习算法设计：算法观察周围环境，并通过传感器获取当前状态st∈S，然后智能体基于该状态选择下一个动作at∈A；智能体执行动作后，刷新服务缓冲池和电量级别，再次观察环境，获取新的状态，并根据新状态和先前状态执行的动作导致的结果获得奖励rs＝R；通过多次迭代训练，DQN算法可使得智能体逐步学习到最优的决策策略，从而解决优化问题。
S5、使用两个结构相同但参数不同的Q-Network，分别用于计算当前Q值和目标Q值。具体而言，当前Q-Network的参数实时更新以适应环境的变化，而目标Q-Network的参数则在一定时间间隔内稳定不变。这样做的目的是有效地减少目标Q值和当前Q值的相关性，提高算法的效率。通过这种方法，我们可以使得目标Q值和当前Q值的估计更加准确，从而提高训练效果。
S6、为了更好地训练深度神经网络，该算法使用的D-DQN算法采用了经验回放技术，避免传统Q-learning中由于立即抽样而导致的发散问题；深度神经网络的训练使用一组来自先前学***滑深度神经网络的训练过程。
进一步，DQN算法具体包括以下步骤：
A1、初始化经验回放池F，时隙计数器N，电量级别记录矩阵P，服务缓冲池C；
A2、初始化评估Q网络的参数θ，目标网络的参数θ-，并使得θ-＝θ；
A3、对于每次训练回合，初始化智能体第一个状态s1；
A4、对每个时间步，将状态st输入到Q网络中，得到所有动作的Q值，并通过贪婪算法选择对应的最优动作at；
A5、完成动作at，得到奖励rt，进入下一状态st+1；
A6、将本轮获得的样本(st，at，rt，st+1)放入经验回放池F；
A7、在经验回放池F中随机采样m组数据(si，ai，ri，si+1)，i＝1，...，m，计算目标Q值；
A8、计算均方差损失函数L(θ)，并利用神经网络梯度的反向传播来改进评估Q网络的参数；
A9、更新智能体的状态st+1；
A10、每隔δ步更新目标网络的参数θ-＝θ，若到达终止状态，转到步骤A11，否则，回到步骤A4；
A11、若未达到最大迭代次数，返回步骤A3，否则直接结束。
本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现低功耗物联网中能量敏感服务选择***。
本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的低功耗物联网中能量敏感服务选择方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的低功耗物联网中能量敏感服务选择方法的步骤。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一，本发明针对低功耗物联网中能量敏感服务选择问题，提出了一种低功耗物联网场景下的能量敏感服务选择方法。该方法通过使用有效的服务过滤算法，以及基于深度强化学习算法的服务选择算法，构建了一个具有高效性、可靠性和扩展性的服务选择方法，为物联网中能量敏感资源的优化利用提供了新的思路。
第二，本发明提供了一种低功耗物联网中能量敏感服务选择方法，主要由以下环节构成：首先，通过对物联网***中可用的异构资源和服务进行检索，并使用服务筛选算法，筛除性能和能耗上不占优的服务，将优质服务组合成候选服务；接着，采用基于深度强化学习的服务选择算法，从候选服务中选择最佳服务，在保证服务质量的同时延长整个***的寿命；同时，***进行状态监测，当QoS与能量变化大于阈值时，重新执行服务筛选以确保服务选择的最优性。
通过本发明，能够提供一种高效、可靠、可扩展的物联网***，可以在考虑能耗的前提下选择最优的服务。本发明中的服务选择方法利用深度强化学习算法，能够在物联网设备和环境实时变化的条件下灵活调整服务选择策略，提高了***的适应性和稳定性。此外，本发明的服务筛选算法能够根据服务的性能和能耗特性，筛选出最优的候选服务，减少了计算成本，提高了低功耗物联网***的效率和性能。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
(1)本发明的技术方案转化后的预期收益和商业价值为：
本发明的技术方案专注于低功耗物联网中能量敏感服务的选择方法。通过采用有效的服务过滤和基于深度强化学习的服务选择算法，***可以在满足用户需求和提供服务质量的前提下，最大程度地延长整个物联网***的寿命。这将带来显著的能源节约，降低能源成本，以及减少对电池更频繁充电或更换的需求，降低后期维护成本。同时，通过部署本发明的技术方案，服务提供商可以提供在不方便进行后期维护的低功耗场景下运行的高效服务，增加其市场竞争力。
(2)本发明的技术方案填补了国内外业内技术空白：
与现有技术相比，本发明利用基于深度强化学习的算法，能够快速且准确地选择最合适的能量敏感服务。通过对服务进行筛选和评估，***能够在复杂的物联网环境下快速做出决策，提高服务选择的效率。
(3)本发明的技术方案是否克服了技术偏见：
本发明的技术方案克服了技术偏见，为低功耗物联网领域带来了全新的视角和解决方案。以往的研究往往偏重于服务功能属性的考虑，忽视了***内所有设备能量消耗的均衡性。这种偏见导致了在服务选择过程中无法充分考虑能量效率因素，从而无法实现低功耗的目标。本发明的技术方案通过引入基于深度强化学习的算法，将***中所有设备能量消耗的均衡性作为重要的选择指标之一，从而有效克服了这种技术偏见。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的低功耗物联网中能量敏感服务选择方法整体执行流程图；
图2是本发明实施例提供的服务过滤模块的原理框图；
图3是本发明实施例提供的深度强化学习算法的原理框图。
图4是本发明实施例提供的低功耗物联网中能量敏感服务选择方法时间效率分析图；
图5是本发明实施例提供的低功耗物联网中能量敏感服务选择方法能量效率分析中掉电设备与服务请求数量关系分析图；
图6是本发明实施例提供的低功耗物联网中能量敏感服务选择方法能量效率分析中设备电量变化分析图；
图7是本发明实施例提供的低功耗物联网中能量敏感服务选择方法能量效率分析中对照方法设备电量变化分析图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种低功耗物联网中能量敏感服务选择方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的低功耗物联网场景下能量敏感服务选择方法，具体包括：
A1：检索物联网***中可用的异构资源与服务；
A11：初始化设备-服务库，来记录设备与服务之间的映射关系；
A12：初始化服务存储库，来记录各个服务当前的QoS指标与能量指标；
A2：针对服务存储库中的服务，进行服务筛选，筛除性能和能耗上不占优的服务，组合成候选服务，过程如图2所示；
A21：输入数据集包含m个服务和n个属性；
A22：初始化一个空的Skyline服务集合一个空的非被支配服务集合/>和一个服务集合/>它包含/>中的所有服务；
A23：从中选择一个服务；
A24：若s被中的任何服务支配，则从/>和删除s；若s支配/>和的任何服务，则从/>中删除被支配的服务，并将s加入/>中；否则，将/>加入/>中，并将s从/>中删除；
A25：修改集合使得/>
A26：若集合非空，返回步骤A23，否则返回Skyline服务集合/>
A3：接收用户的服务请求，基于该请求和异构资源的服务质量水平与能量状态，通过基于深度强化学习的服务选择算法选择最佳服务，返回给用户，过程如图3所示；
A31：初始化经验回放池F，时隙计数器N，电量级别存储矩阵P，服务缓冲池C；
A32：初始化评估Q网络的参数θ，目标网络的参数θ-，并使得θ-＝θ；
A33：初始化时间步t＝1和智能体第一个状态s1；
A34：将状态st输入到Q网络中，得到所有动作的Q值，并通过贪婪算法选择对应的最优动作at；
A35：完成动作at，得到奖励rt，进入下一状态st+1；
A36：将本轮获得的样本(st，at，rt，st+1)放入经验回放池F；
A37：在经验回放池F中随机采样m组数据(si，ai，ri，si+1)，i＝1，...，m，计算目标Q值；
A38：计算均方差损失函数L(θ)，并利用神经网络梯度的反向传播来改进评估Q网络的参数；
A310：更新智能体的状态st+1；
A311：每隔δ步更新目标网络的参数θ-＝θ；
A312：若时间步未达到设定上限，返回步骤A34，否则转到步骤A313；
A313：若迭代次数未达到设定值，返回步骤A33，否则结束；
本发明实施例提供的低功耗物联网中能量敏感服务选择方法，其优化了能量敏感的服务选择，通过有效的服务过滤和基于深度强化学习的能量敏感服务算法，根据用户的请求与约束，可以动态地选择最合适的服务提供者。该***具有以下有益效果：
1.提高低功耗物联网服务选择的效率：该方法通过检索可用的异构资源与服务，对它们进行服务筛选，筛除性能和能耗上不占优的服务，组合成候选服务，然后使用基于深度强化学习的服务选择机制，选择最佳服务，从而大大提高了服务选择的效率。
2.降低物联网***能耗：该方法使用能量敏感的服务算法，可以在保证服务质量的情况下延长***整体寿命，降低了***的能耗。
3.增强物联网***稳定性：该方法执行状态监测，能够及时发现QoS与能量变化大于阈值的情况，重新执行服务筛选，从而增强了***的稳定性和可靠性。
为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明实施例提供了一种低功耗物联网中能量敏感服务选择***，低功耗物联网中能量敏感服务选择***包括：
服务检索模块：从低功耗物联网***中检索所有可用的异构资源和服务；
服务过滤模块：在服务选择算法启动前，预先执行服务过滤，以减少后续服务选择的计算复杂度；
基于深度强化学***与能量状态，通过基于深度强化学习的服务选择算法选择最佳服务，在保证服务质量的情况下延长***整体寿命；
状态监测模块：监测网络质量及能量状态，进行动态调整，以保证服务过滤的有效性。
低功耗物联网***对其服务存储库进行全面的检索和匹配，以确定目前可被激活的设备与服务，并为后续操作提供支持。
服务过滤模块利用Skyline查询技术对已激活的服务进行筛选，以区分潜在的候选服务和不可能成为最终方案的服务，从而降低后续的服务选择计算复杂度和搜索空间。
所述基于深度强化学***及能量状态选择最佳服务，在保证服务质量的前提下，延长***整体寿命；该模块需要选择最优策略，以最小化总体能量消耗和最大化服务质量；在此过程中，算法不断尝试不同的策略，并根据不同策略的表现调整其行为，以便逐步学习最佳策略；具体来说，算法通过在不同服务和资源之间选择不同的组合，尝试最大化服务质量并最小化能量消耗；这种选择过程可视为一种动态的决策过程，需要算法不断地更新其状态，并尝试不同的行动以获得最佳结果；
在该模块中，目标是找到一种可以平衡低功耗物联网***中设备能量消耗的解决方案，以提供更长的整体***寿命；在此处，采用所有设备能量消耗情况的标准差作为衡量设备之间能量消耗的相近程度的方法；Uα表示执行服务选择方案α的能量消耗情况，算法的目标是更新服务选择方案α*，最小化所有设备能量消耗的标准差，求解目标以及约束条件为：
P1:
s.t.
其中：
DSij为设备－服务映射矩阵，用于记录每个物联网设备可支持的服务；ΔEij，为设备－服务能量消耗率矩阵，用于记录每个服务的能量消耗率。
状态监测模块包括：
基于QoS动态调整机制；
基于能量的动态调整机制；
基于QoS的监测机制可以通过两种方式进行调用：1)周期性执行；2)基于用户反馈的被动调用；服务选择的目的是满足用户的功能需求的同时保持可接受的QoS状态，因此QoS动态调整机制对于***的健康运行非常重要；对于事件驱动的服务，如入侵检测，用户通常不知道服务的QoS是否得到保证；另外，对于QoS不敏感的服务，用户通常不会很快察觉到QoS的变化；不仅如此，仅依据用户的反馈是不够的，需要周期性的QoS监控来验证是否发生QoS性能的劣化；在模块中，采用了周期性QoS监测机制，监测机制仅针对激活的服务进行；当QoS指标发生变化时，先前的服务筛选结果可能不是最优的；服务选择方法将从服务筛选开始，执行新一轮服务筛选；
基于能量的监测机制将监视每个已托管物联网服务的设备和其他已激活但未有托管服务的设备的剩余能量，调整机制的调用原则为：
其中，为设备di的能量水平，τ为比例系数；在每个运行设备中，首先计算其他N-1个物联网设备的平均剩余能量，τ的值设置为75％，即当主机设备的能量低于平均能量的75％时，基于能量的动态调整机制将被启动，从服务筛选开始，执行新一轮服务筛选。
本发明实施例提供了一种低功耗物联网中能量敏感服务选择方法，低功耗物联网中能量敏感服务选择方法基于深度强化学习技术，以最小化所有设备能量消耗的标准差为目标；其中，基于深度强化学习的服务选择算法会根据用户请求，网络状态和能量状态，选择最优的动作，以实现***的优化效果；
S1、深度强化学习的状态设计：在DQN算法中，针对某个请求，算法在设备池中选择执行设备；网络在时隙t的状态S为st＝{Pk(t)，C(t)}，包含以下两个部分：
·低功耗物联网***中各设备的电量等级；
·C(t)：服务缓冲池，即当前仍在数据有效期内的服务数据；
其中，为连接到本物联网服务器的所有设备，即本物联网***设备池中的所有设备；
S2、深度强化学习的动作设计：算法从设备池中选择设备来执行相应的操作；网络在时隙t的动作A可表示为：表示选择哪一个物联网设备来执行当前的服务需求，/>为本物联网设备池中所有的设备；通过服务存储库中存储的相应信息，算法可以计算下一个状态，并更新服务缓冲池和设备电量等级；
S3、深度强化学***衡，从而避免某些设备因为过度消耗电量而导致故障或停机，进而延长物联网***整体的寿命。
奖励函数由三部分构成，其中st为当前时间步数，at为当前采取的动作，Nd是设备数量，Ei是第i个设备在当前时间步的能量状态，σt是各设备能量消耗水平的标准差，Ethr为***能量阈值，表示当前动作下的能量消耗：
rmain(s)：选择动作后各设备之间的能量状态的标准差，通过最小化各个设备能量消耗的标准差，使得各个设备的能量消耗状态尽量接***均值，从而提高***的稳定性和可靠性；
rpenalty(s)：惩罚超过了***能量阈值Ethr的能量状态，从而鼓励智能体在保持***稳定的同时尽可能地延长***运行时间；
rdone(s)：为一个常数，用于体现时间步的重要性。当s为终止时间步时，需要将/>加入奖励函数，以便于优化算法能够更好地关注时间步的重要性；
给出最终的奖励函数为：
r(s)＝αrmain+βrpenalty+γrdone
其中，α，β，γ为超参数，控制奖励函数中各项的权重；
S4、深度强化学习算法设计：算法观察周围环境，并通过传感器获取当前状态st∈S，然后智能体基于该状态选择下一个动作at∈A；智能体执行动作后，刷新服务缓冲池和电量级别，再次观察环境，获取新的状态，并根据新状态和先前状态执行的动作导致的结果获得奖励rs＝R；通过多次迭代训练，DQN算法可使得智能体逐步学习到最优的决策策略，从而解决优化问题。
S5、使用两个结构相同但参数不同的Q-Network，分别用于计算当前Q值和目标Q值。具体而言，当前Q-Network的参数实时更新以适应环境的变化，而目标Q-Network的参数则在一定时间间隔内稳定不变。这样做的目的是有效地减少目标Q值和当前Q值的相关性，提高算法的效率。通过这种方法，我们可以使得目标Q值和当前Q值的估计更加准确，从而提高训练效果。
S6、为了更好地训练深度神经网络，该算法使用的D-DQN算法采用了经验回放技术，避免传统Q-learning中由于立即抽样而导致的发散问题；深度神经网络的训练使用一组来自先前学***滑深度神经网络的训练过程。
DQN算法具体包括以下步骤：
A1、初始化经验回放池F，时隙计数器N，电量级别记录矩阵P，服务缓冲池C；
A2、初始化评估Q网络的参数θ，目标网络的参数θ-，并使得θ-＝θ；
A3、对于每次训练回合，初始化智能体第一个状态s1；
A4、对每个时间步，将状态st输入到Q网络中，得到所有动作的Q值，并通过贪婪算法选择对应的最优动作at；
A5、完成动作at，得到奖励rt，进入下一状态st+1；
A6、将本轮获得的样本(st，at，rt，st+1)放入经验回放池F；
A7、在经验回放池F中随机采样m组数据(si，ai，ri，si+1)，i＝1，...，m，计算目标Q值；
A8、计算均方差损失函数L(θ)，并利用神经网络梯度的反向传播来改进评估Q网络的参数；
A9、更新智能体的状态st+1；
A10、每隔δ步更新目标网络的参数θ-＝θ，若到达终止状态，转到步骤A11，否则，回到步骤A4；
A11、若未达到最大迭代次数，返回步骤A3，否则直接结束。
本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
在进行实验之前，需要获得相应的服务与设备数据集。现存的一些数据集仍不足以进行该实验。因此，本文通过分配任意的QoS值与能量消耗率，来生成一个大的QoS数据集，以进行各种详细的评估。为了简单起见，本文中仅采用了三个QoS属性和一个能量属性：执行时间、成本、可用性、能量消耗率。它们的值分别分布在(60,90)，(120,170)，(0.3,1)，(0.012,0.02)范围内。为了评估此物联网***中能量敏感服务选择的效果和可用性，本文构建了一个典型的服务选择案例：每个对于每个工作流W，有m个抽象服务和n个具体服务，通过设置m和n的值，可以得到一组实验设置。对于能量模型，设定每个物联网设备都有1焦耳的初始能量。若有一个设备的能量值低于执行其所能支持的任意服务的最小能量消耗，则定义该设备为一个死亡节点。同时，物联平台均匀地接收来自用户的服务请求，在此处设定为每一秒(每一个时间步)都有一个服务请求到达，并随机生成相应服务请求的QoS约束与用户偏好。
当设计能量敏感的服务选择机制时，需要综合考虑能量效率与服务质量之间的平衡。为了评估基于深度强化学习的能量敏感服务选择机制在实际应用中的可行性与有效性，本节对其进行了详细的性能分析。性能分析是衡量算法优劣的重要手段，可以从多角度反映算法在不同场景下的表现。本节主要采用了时间效率分析、能量效率分析和QoS指标分析三种方法来综合评价算法的性能。在本节中，我们将抽象服务的数量设定为50个，以便对算法在该规模下的性能进行评估。通过综合分析以上三种方法得出的结果，我们可以全面评价基于深度强化学习的能量敏感服务选择机制的性能，并得出相应的结论。
1.时间效率分析
时间效率分析是指对算法在执行过程中所消耗的时间资源进行量化评估，反映了算法运行的速度或快慢，是衡量算法质量的重要指标之一。在本实验中，为了考察不同规模的环境下，服务选择问题的求解效率，我们将设备数量从100逐步增加到1000，每次增加100个设备，并记录相应的求解时间。为了对比本文提出的能量敏感服务选择算法(Energy-Efficient Service Selection,EESS)与传统方法的性能差异，我们引入了该问题的MIP解法作为对照组，并使用Gurobi求解器进行求解。图4展示了具体的性能曲线，其中MIP表示使用整数线性规划方法的求解时间曲线，EESS表示使用本文提出的能量敏感服务选择算法。从图中可以明显看出，在不同规模的设备数量下，EESS算法都能够在很短的时间内得到最优解或近似最优解，而MIP方法则随着设备数量的增加而急剧增长，甚至在某些情况下无法在有限时间内得到可行解。在EESS算法中，我们在进行服务选择之前进行了预先的服务筛选，排除了一些不符合条件的候选服务，从而减少了搜索空间的大小。这种预先筛选的策略可以大幅减少算法的执行时间，使得EESS算法在时间效率方面具有显著的优势，并且随着***规模的增加，这个优势会越来越大。
2.能量效率分析
能量效率分析是对算法在消耗电池电量方面的具体表现进行定量评估的一种方法。它通过观测因电量耗尽而导致设备掉线的节点数量随时间变化的情况来衡量算法的优劣。这种分析能够从侧面反映物联***的整体寿命和稳定性。能量效率的评估不仅反映了算法对资源的有效利用程度，还能反映其对环境的影响程度，在能量敏感的物联网场景中具有重要的意义和价值。
为了验证本文提出的方法在能源效率方面的优势，本实验中设备数量设置为100个，服务数量为25个，并引入整数线性规划作为对照组进行比较。图5展示了具体的性能曲线。从图中可以明显观察到，本文提出的方法在能源效率和网络寿命方面表现更优，相较于MIP方法，在相同请求次数下，掉线设备的数量更少。具体来说，整数线性规划方法中的第一个掉线设备出现在836次请求后，而基于能量敏感服务选择(EESS)方法则出现在3713次后。此外，当整数线性规划方法由于掉线设备过多而无法提供完整服务时，EESS方法仍能够持续提供服务。
在物联网***中，设备之间的电量消耗差异可能导致某些设备过早地耗尽能量而掉线，造成其他设备的电量浪费情况。EESS方法通过引入动态调整策略，平衡设备之间的工作负载，合理分配任务，从而减少某些设备过度消耗能量的情况，提高整体能源利用率。具体来说，EESS方法通过能量感知的机制及时识别并调整能量下降过快的设备。一旦***检测到某个设备的电量下降速度异常，EESS会相应地调整该设备的任务负载，减少其电量消耗速度，从而延长其可用时间。同时，EESS还会根据其他设备的闲置情况，将部分任务重新分配给电量消耗较低的设备，使得***中的能量消耗更加均衡。由图6与图7可见，相较于传统方法，在相同的实验设置下，EESS方法可以避免某些设备过度消耗能量而提前掉线，同时减少了其他设备的闲置情况。这种电量消耗的均衡性使得***中的设备能够更加稳定地运行，并延长了整个物联网***的寿命。
实验证明，基于深度强化学***衡能量效率与服务质量之间的关系，提高***的整体性能，在实际应用中具有较强的可行性与有效性。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行***，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体，或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种低功耗物联网中能量敏感服务选择***，其特征在于，包括：
服务检索模块：从低功耗物联网***中检索所有可用的异构资源和服务；
服务过滤模块：在服务选择算法启动前，预先执行服务过滤，以减少后续服务选择的计算复杂度；
基于深度强化学***与能量状态，通过基于深度强化学习的服务选择算法选择最佳服务，在保证服务质量的情况下延长***整体寿命；
状态监测模块：监测网络质量及能量状态，进行动态调整，以保证服务过滤的有效性。
2.如权利要求1所述的低功耗物联网中能量敏感服务选择***，其特征在于，低功耗物联网***对其服务存储库进行全面的检索和匹配，以确定目前可被激活的设备与服务，并为后续操作提供支持。
3.如权利要求1所述的低功耗物联网中能量敏感服务选择***，其特征在于，所述服务过滤模块利用Skyline查询技术对已激活的服务进行筛选，以区分潜在的候选服务和不可能成为最终方案的服务，从而降低后续的服务选择计算复杂度和搜索空间。
4.如权利要求1所述的低功耗物联网中能量敏感服务选择***，其特征在于，所述基于深度强化学***及能量状态选择最佳服务，在保证服务质量的前提下，延长***整体寿命；该模块需要选择最优策略，以最小化总体能量消耗和最大化服务质量；在此过程中，算法不断尝试不同的策略，并根据不同策略的表现调整其行为，以便逐步学习最佳策略；具体来说，算法通过在不同服务和资源之间选择不同的组合，尝试最大化服务质量并最小化能量消耗；这种选择过程可视为一种动态的决策过程，需要算法不断地更新其状态，并尝试不同的行动以获得最佳结果；
在该模块中，目标是找到一种可以平衡低功耗物联网***中设备能量消耗的解决方案，以提供更长的整体***寿命；在此处，采用所有设备能量消耗情况的标准差作为衡量设备之间能量消耗的相近程度的方法；Uα表示执行服务选择方案α的能量消耗情况，算法的目标是更新服务选择方案α*，最小化所有设备能量消耗的标准差，求解目标以及约束条件为：
P1:
其中：
DSij为设备－服务映射矩阵，用于记录每个物联网设备可支持的服务；ΔEij，为设备－服务能量消耗率矩阵，用于记录每个服务的能量消耗率。
5.如权利要求1所述的低功耗物联网中能量敏感服务选择***，其特征在于，状态监测模块包括：
基于QoS动态调整机制；
基于能量的动态调整机制；
基于QoS的监测机制可以通过两种方式进行调用：1)周期性执行；2)基于用户反馈的被动调用；服务选择的目的是满足用户的功能需求的同时保持可接受的QoS状态，因此QoS动态调整机制对于***的健康运行非常重要；对于事件驱动的服务，如入侵检测，用户通常不知道服务的QoS是否得到保证；另外，对于QoS不敏感的服务，用户通常不会很快察觉到QoS的变化；不仅如此，仅依据用户的反馈是不够的，需要周期性的QoS监控来验证是否发生QoS性能的劣化；在模块中，采用了周期性QoS监测机制，监测机制仅针对激活的服务进行；当QoS指标发生变化时，先前的服务筛选结果可能不是最优的；服务选择方法将从服务筛选开始，执行新一轮服务筛选；
基于能量的监测机制将监视每个已托管物联网服务的设备和其他已激活但未有托管服务的设备的剩余能量，调整机制的调用原则为：
其中，Edi为设备di的能量水平，τ为比例系数；在每个运行设备中，首先计算其他N-1个物联网设备的平均剩余能量，τ的值设置为75％，即当主机设备的能量低于平均能量的75％时，基于能量的动态调整机制将被启动，从服务筛选开始，执行新一轮服务筛选。
6.一种低功耗物联网中能量敏感服务选择方法，其特征在于，低功耗物联网中能量敏感服务选择方法基于深度强化学习技术，以最小化所有设备能量消耗的标准差为目标；其中，基于深度强化学习的服务选择算法会根据用户请求，网络状态和能量状态，选择最优的动作，以实现***的优化效果；
S1、深度强化学习的状态设计：在DQN算法中，针对某个请求，算法在设备池中选择执行设备；网络在时隙t的状态S为st＝{Pk(t),(t)}，包含以下两个部分：
低功耗物联网***中各设备的电量等级；
C(t)：服务缓冲池，即当前仍在数据有效期内的服务数据；
其中，为连接到本物联网服务器的所有设备，即本物联网***设备池中的所有设备；
S2、深度强化学习的动作设计：算法从设备池中选择设备来执行相应的操作；网络在时隙t的动作A可表示为：表示选择哪一个物联网设备来执行当前的服务需求，/>为本物联网设备池中所有的设备；通过服务存储库中存储的相应信息，算法可以计算下一个状态，并更新服务缓冲池和设备电量等级；
S3、深度强化学***衡，从而避免某些设备因为过度消耗电量而导致故障或停机，进而延长物联网***整体的寿命。
奖励函数由三部分构成，其中st为当前时间步数，at为当前采取的动作，Nd是设备数量，Ei是第i个设备在当前时间步的能量状态，σt是各设备能量消耗水平的标准差，thr为***能量阈值，表示当前动作下的能量消耗：
rmain()：选择动作后各设备之间的能量状态的标准差，通过最小化各个设备能量消耗的标准差，使得各个设备的能量消耗状态尽量接***均值，从而提高***的稳定性和可靠性；
rpenalty()：惩罚超过了***能量阈值Ethr的能量状态，从而鼓励智能体在保持***稳定的同时尽可能地延长***运行时间；
rdone()：为一个常数，用于体现时间步的重要性。当s为终止时间步时，需要将/>加入奖励函数，以便于优化算法能够更好地关注时间步的重要性；
给出最终的奖励函数为：
r(s)＝αrmain+βrpenalty+γrdone
其中，α,β,γ为超参数，控制奖励函数中各项的权重；
S4、深度强化学习算法设计：算法观察周围环境，并通过传感器获取当前状态st∈S，然后智能体基于该状态选择下一个动作at∈A；智能体执行动作后，刷新服务缓冲池和电量级别，再次观察环境，获取新的状态，并根据新状态和先前状态执行的动作导致的结果获得奖励rs＝；通过多次迭代训练，DQN算法可使得智能体逐步学习到最优的决策策略，从而解决优化问题。
S5、使用两个结构相同但参数不同的Q-Network，分别用于计算当前Q值和目标Q值。具体而言，当前Q-Network的参数实时更新以适应环境的变化，而目标Q-Network的参数则在一定时间间隔内稳定不变。这样做的目的是有效地减少目标Q值和当前Q值的相关性，提高算法的效率。通过这种方法，我们可以使得目标Q值和当前Q值的估计更加准确，从而提高训练效果。
S6、为了更好地训练深度神经网络，该算法使用的D-DQN算法采用了经验回放技术，避免传统Q-learning中由于立即抽样而导致的发散问题；深度神经网络的训练使用一组来自先前学***滑深度神经网络的训练过程。
7.如权利要求6所述的低功耗物联网中能量敏感服务选择方法，其特征在于，DQN算法具体包括以下步骤：
A1、初始化经验回放池F，时隙计数器N，电量级别记录矩阵P，服务缓冲池C；
A2、初始化评估Q网络的参数θ，目标网络的参数θ-，并使得θ-＝θ；
A3、对于每次训练回合，初始化智能体第一个状态s1；
A4、对每个时间步，将状态st输入到Q网络中，得到所有动作的Q值，并通过贪婪算法选择对应的最优动作at；
A5、完成动作at，得到奖励rt，进入下一状态st+1；
A6、将本轮获得的样本(st,at,rt,st+1)放入经验回放池F；
A7、在经验回放池F中随机采样m组数据(si,ai,ri,si+1),i＝1,…,m，计算目标Q值；
A8、计算均方差损失函数L(θ)，并利用神经网络梯度的反向传播来改进评估Q网络的参数；
A9、更新智能体的状态st+1；
A10、每隔δ步更新目标网络的参数θ-＝θ，若到达终止状态，转到步骤A11，否则，回到步骤A4；
A11、若未达到最大迭代次数，返回步骤A3，否则直接结束。
8.一种信息数据处理终端，其特征在于，信息数据处理终端用于实现如权利要求1～5任意一项所述的低功耗物联网中能量敏感服务选择***。
9.一种计算机设备，其特征在于，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求6～7任意一项所述的低功耗物联网中能量敏感服务选择方法的步骤。
10.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求6～7任意一项所述的低功耗物联网中能量敏感服务选择方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310653398.8A CN116744417A (zh) | 2023-06-05 | 2023-06-05 | 一种低功耗物联网中能量敏感服务选择方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310653398.8A CN116744417A (zh) | 2023-06-05 | 2023-06-05 | 一种低功耗物联网中能量敏感服务选择方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116744417A true CN116744417A (zh) | 2023-09-12 |
Family
ID=87903763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310653398.8A Pending CN116744417A (zh) | 2023-06-05 | 2023-06-05 | 一种低功耗物联网中能量敏感服务选择方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116744417A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117641542A (zh) * | 2024-01-23 | 2024-03-01 | 南京信息工程大学 | 一种物联网终端功耗策略在线优化的方法 |
-
2023
- 2023-06-05 CN CN202310653398.8A patent/CN116744417A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117641542A (zh) * | 2024-01-23 | 2024-03-01 | 南京信息工程大学 | 一种物联网终端功耗策略在线优化的方法 |
| CN117641542B (zh) * | 2024-01-23 | 2024-04-12 | 南京信息工程大学 | 一种物联网终端功耗策略在线优化的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109960395B (zh) | 资源调度方法和计算机设备 | |
| Ghobaei‐Arani et al. | A learning‐based approach for virtual machine placement in cloud data centers | |
| US8533719B2 (en) | Cache-aware thread scheduling in multi-threaded systems | |
| Xiao et al. | Multi-objective VM consolidation based on thresholds and ant colony system in cloud computing | |
| US9026814B2 (en) | Power and load management based on contextual information | |
| US8185893B2 (en) | Starting up at least one virtual machine in a physical machine by a load balancer | |
| US8606919B2 (en) | Resource management tool | |
| US10198059B2 (en) | Adaptive doze to hibernate | |
| Zhao et al. | A heuristic placement selection of live virtual machine migration for energy-saving in cloud computing environment | |
| US20130097415A1 (en) | Central Processing Unit Monitoring and Management Based On A busy-Idle Histogram | |
| CN116744417A (zh) | 一种低功耗物联网中能量敏感服务选择方法及*** | |
| CN111290831B (zh) | 一种云计算基于强化学习的虚拟机迁移方法 | |
| Zhao et al. | A location selection policy of live virtual machine migration for power saving and load balancing | |
| Magotra et al. | Adaptive computational solutions to energy efficiency in cloud computing environment using VM consolidation | |
| US20220269537A1 (en) | Artificial intelligence (ai) workload sharing system and method of using the same | |
| Han et al. | Performance improvement of Linux CPU scheduler using policy gradient reinforcement learning for Android smartphones | |
| Ren et al. | Camel: Smart, adaptive energy optimization for mobile web interactions | |
| Rahmani et al. | Burst‐aware virtual machine migration for improving performance in the cloud | |
| CN108769253A (zh) | 一种分布式***访问性能优化的自适应预取控制方法 | |
| Zhou et al. | Deadline-aware deep-recurrent-q-network governor for smart energy saving | |
| CN113204429B (zh) | 一种数据中心的资源调度方法及***、调度设备、介质 | |
| Garg et al. | Resource optimization using predictive virtual machine consolidation approach in cloud environment | |
| Khargharia et al. | Probabilistic analysis of context caching in Internet of Things applications | |
| Lee et al. | Energy-efficient control of mobile processors based on long short-term memory | |
| Mahmud et al. | Power profiling of context aware systems: a contemporary analysis and framework for power conservation |
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 |