移動邊緣計算任務切分與物聯網最優數據卸載算法設計

劉向東

摘要：為解決傳統卸載算法在對物聯網數據進行卸載時，存在卸載數據量與實際需要進行卸載的數據量相差較大，影響物聯網高效運行問題，開展移動邊緣計算任務切分與物聯網最優數據卸載算法設計研究。通過物聯網移動邊緣節點計算任務切分、基于完全物聯網移動邊緣場景的數據卸載和基于不完全物聯網移動邊緣場景的數據卸載，提出一種全新的卸載算法。通過對比實驗進一步證明，新的卸載算法在實際應用中卸載精度更高，更滿足物聯網高效運行需要。

關鍵詞：移動邊緣計算;任務切分;物聯網;最優數據;卸載算法

中圖分類號：TN929.52 ? ? ?文獻標識碼：A

文章編號：1009-3044（2021）32-0129-02

當前云計算、物聯網等智能技術的應用逐漸廣泛，智能汽車、虛擬現實技術等相關應用不斷產生，可穿戴的便攜式設備、家用電器等數量呈現出爆發式的增長，未來網絡環境將會逐漸向著分布式的方向發展和轉變[1]。當前現代計算技術雖然能夠更加集中化的數據資源，但由于在傳輸過程中會產生海量的數據信息，因此在其傳輸的過程中還會迫使物聯網產生更大的壓力，進而影響到物聯網用戶的體驗質量[2]。在這樣物聯網感知設備數據傳輸的過程中，數據的處理方式也在一定程度上受到了巨大的風險和挑戰。當前，物聯網領域相關研究人員正逐漸將上述方面問題作為研究的重點，以此解決物聯網移動終端數據傳輸到數據中心過程中存在的問題，因此，移動邊緣計算方法應運而生[3]。移動邊緣計算是在接近物聯網移動設備的邊緣，為其布置服務器，并形成邊緣云結構，以此為物聯網用戶提供計算和存儲的數據資源，更進一步為用戶帶來良好的體驗。但由于當前物聯網環境的當中的數據呈現出爆發式的增長趨勢，因此在對數據進行卸載過程中，仍然沿用傳統的卸載算法很難實現對全部數據的精準卸載，容易造成數據的冗余，影響物聯網的高效運行[4]?；诖耍疚拈_展移動邊緣計算任務切分與物聯網最優數據卸載算法設計研究。

1移動邊緣計算任務切分與物聯網最優數據卸載算法設計

1.1物聯網移動邊緣節點計算任務切分

本文移動邊緣計算任務切分與物聯網最優數據卸載算法在對物聯網中需要進行卸載的數據進行處理時，主要以物聯網傳感器采集到的差異數據信息作為基礎，通過對物聯網移動邊緣節點計算任務的切分，并計算器卸載量，完成相應的卸載工作。圖1為物聯網移動邊緣節點分布式結構示意圖。

圖1中編號1～12分別為物聯網基站移動邊緣當中各個無線傳感器節點，圖1中箭頭的起始位置與數據發送方相連接，箭頭的終止位置與數據接收方相連接。對于物聯網移動邊緣環境而言，數據的節點在傳輸過程中，通常是采用超寬頻譜的方式對節點的計算任務進行選擇，但這種方法針對含量數據節點，會產生較大的負載壓力，因此造成物聯網能任務切分能力受到影響。因此，針對這一問題，本文在對其進行任務切分的過程中引入卸載數據特征模糊聚類的思想[5]。將物聯網移動邊緣節點數據設置為Wn×m={Wij} n×m，該表達式是一個由n×m大小構成的矩陣，其公式可用如下形式表示：

[Wn×m=w11w12…w1mw21w22…w2m??…?wn1wn2…wnm] ? ? ? ? ? ? ? ? ? ? （1）

公式（1）中，n表示為物聯網移動邊緣環境中需要進行卸載處理的數據節點個數;m表示為任務切分相關性較高的數據條數。根據上述公式（1）計算，得出每一個具有卸載特征的數據節點。為實現本文卸載算法的高效性，還需要對上述公式（1）進行降維處理，并將其變化為如下公式（2）的形式：

[Wn×m=（Im×s+Js×s）/Rs×n] ? ? ? ? ?（2）

公式（2）中，[I]表示為公式（1）中水平方向上的數據節點;[J]表示為公式（1）中豎直方向上的數據節點;[R]表示為公式（1）中所有數據節點;[S]表示為需要進行卸載的數據節點量。根據上述公式計算，得出的結果即為具體物聯網移動邊緣節點計算任務切分結果。

1.2基于完全物聯網移動邊緣場景的數據卸載

為實現對物聯網數據的最優卸載效果，本文對完全物聯網移動邊緣場景和不完全物聯網移動邊緣場景進行區分，分別對其需要進行卸載的數據進行處理[6]?；谕耆锫摼W移動邊緣場景的數據卸載流程：

第一步，采集物聯網移動邊緣環境中記錄的數據信息，利用本文上述物聯網移動邊緣節點計算任務切分方法，確定卸載任務;

第二步，對物聯網結構特征和用戶行為特征進行全面分析，并根據分析結構構建隨機森林分類模型，對用戶機會連接進行預測;

第三步，將用戶數據需求分析引入到卸載操作當中，結合博弈理論，在確保Nash均衡的條件下，通過迭代算法的求解，給出數據信息卸載的策略。

根據上述數據卸載流程，得出博弈理論當中應當包含參與者、測量以及效用，共三個要素，分別利用三個要素刻畫一個完整的博弈模型。將用戶的效益最大化作為目標，得出博弈模型的表達式為：

[U=?log（1+f）-p] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

公式（3）中，[U]表示為以用戶效益最大化為目標的博弈結果;[?]表示為用戶參與體驗相關參數;[f]表示為數據內容提供用戶和物聯網運營商等跟隨者向內容需求用戶提供的數據總量之和;[p]表示為給定總數量。根據公式（3）計算得出的結果對單個需求用戶作為領導者，求解出最優數據卸載策略，通過物聯網移動邊緣用戶的數據需求，以此減少上述模型中迭代次數，提高本文卸載算法的效率。

1.3基于不完全物聯網移動邊緣場景的數據卸載

完成上述基于完全物聯網移動邊緣場景的數據卸載后，在對基于不完全物聯網移動邊緣場景的數據卸載策略進行設計。將物聯網運營、內容提供以及內容需求的收益最大化作為目標，當同時遇到兩個物聯網用戶時，若無法實現對物聯網移動邊緣場景的數據負載情況，則需要提前做出對數據卸載的決策[7]。基于不完全物聯網移動邊緣場景的數據卸載具體卸載流程為：

第一步，采集物聯網移動邊緣環境中記錄的數據信息，利用本文上述物聯網移動邊緣節點計算任務切分方法，確定卸載任務;

第二步，對物聯網移動邊緣場景中的用戶數據需求進行分析，并通過完成對物聯網效用函數的設計;

第三步，通過數據需求分析結果得出總數據分析需求和可卸載數據;

第四步，利用物聯網效用函數從聯網運營、內容提供以及內容需求三方面最大利益角度分析得出數據卸載策略。

根據上述卸載流程需要，得出物聯網效用函數為：

[U'=（p-e）?（q-fx）] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

公式（4）中，[U']表示為物聯網效用函數目標結果;[p]表示為數據負載動態變化參數;[e]表示為物聯網運營環境單位數據的價值;[q]表示為數據負載;[f]表示為可卸載數據;[x]表示為卸載比例。根據上述公式（4）計算得出的結果給出最優數據卸載策略，完成對物聯網數據的卸載操作。

2對比實驗

隨機選擇物聯網環境當中的節點數據2000bit，已知在該數據集合當中存在250個需要進行卸載的數據，將其作為本文對比實驗的實驗對象，分別利用本文提出的移動邊緣計算任務切分與物聯網最優數據卸載算法和傳統卸載算法對其卸載隱藏處理。為了確保實驗結果真實、有效，在實驗開始前，還需要利用與需要卸載的數據詳盡的非卸載需要數據進行替代，對實驗對象當中需要卸載的數據進行隱藏處理，再分別利用被窩呢卸載算法和出臺弄寫在算法對實驗對象卸載隱藏處理。根據上述實驗準備，完成兩種卸載算法的實際應用后，將兩種算法的實驗結果進行記錄，并繪制成如表1所示的實驗結果對比表。

表1中，[?]表示為卸載數據所在數據集合中數據總量;[λ]表示為需要進行卸載的數據量。由表1數據結果可以看出，本文算法卸載數據量與[λ]值相比，精度在1bit左右，而傳統算法卸載數據量與[λ]值相比相差較大。同時，通過最終總計結果可以看出，本文算法卸載數據量與傳統算法卸載數據量相比，超出了接近1倍。因此，通過對比實驗進一步得出，本文提出的移動邊緣計算任務切分與物聯網最優數據卸載算法在實際應用中具有更高的卸載精度，實現最優數據卸載目標。同時，將本文提出的移動邊緣計算任務切分與物聯網最優數據卸載算法應用于實際能夠有效針對利用價值較低的數據進行合理的卸載，進一步提高物聯網環境的運行效率，實現物聯網數據傳輸環境的時效性。

3結束語

本文通過開展移動邊緣計算任務切分與物聯網最優數據卸載算法研究，提出一種全新的數據卸載算法，并通過實驗進一步證明了該算法的實際應用優勢。由于研究時間和能力的有限，針對物聯網中存在異常的卸載數據，在卸載過程中對其衰減系數和相對時延等問題并未進行深入的探究。因此，在后續的研究過程中還將針對這一方面的問題進行更加深入的研究，以期為創造用戶滿意度更高的物聯網環境提供保障。

參考文獻：

[1] 黃正鵬，王力，張仕學，等.基于傳統遺傳和數據壓縮算法的冗余光纖數據存儲優化[J].激光雜志，2019，40（3）：135-139.

[2] 梁顯麗，楊海波.基于人工蜂群優化算法的激光傳感云數據挖掘系統設計[J].激光雜志，2019，40（8）：94-97.

[3] 翟月.面向數據卸載的5G分布式緩存優化研究[J].佳木斯大學學報（自然科學版），2020，38（6）：127-129，148.

[4] 張尚偉，劉家佳，許鐵鑫.無人機輔助的蜂窩數據流量卸載及保密傳輸方案[J].西安交通大學學報，2021，55（2）：121-128.

[5] 許建平.邊緣計算技術的發展及其對抗惡劣環境數據中心技術的影響[J].艦船電子工程，2019，39（9）：12-16.

[6] 王辰.OGG數據卸載平臺中數據傳輸高可用方案的論證與設計[J].信息與電腦（理論版），2020，32（11）：140-142.

[7] 丁旭陽，謝盈，張小松.基于邊緣計算的進化多目標優化圖像隱寫算法[J].計算機研究與發展，2020，57（11）：2260-2270.

【通聯編輯：光文玲】