基于群智感知計算的多終端引擎任務分配仿真

王 琳,何 春

(1. 成都師范學院物理與工程技術學院,四川 成都 610000 2. 西華師范大學教育信息技術中心,四川 南充 637000)

1 引言

隨著通信技術的發展,融合技術逐漸演變為通信行業的主流[1],其包含網絡融合、終端融合以及業務融合三方面,終端融合使通信終端不再受限于計算機,可以實現終端自由,如娛樂終端和服務終端等多種終端。隨著無線接入技術的更新迭代,多終端越來越復雜,成本越來越高,在不改變用戶生活、工作等習慣的條件下,讓用戶體驗到泛在的服務,是一種可行的技術途徑[2,3]。群智感知技術的出現對無線網絡所產生的成本高、工作效率低等問題有很大的改善,因此更適合完成大量的多終端任務[4,5]。對于不同的終端任務需求,將任務分配給最佳的終端,并提高任務與終端的匹配度與分配效率是群智感知任務分配的重點,這需要通過合理的計算以達到任務完成時間最短、質量完成最好以及成本最少等目的。

目前,國內外眾多學者對多終端任務分配問題展開了研究。文獻[6]采用本體建模技術將復雜的多終端環境進行簡化處理,簡化成單-單、單-多和多-單三種終端環境,基于物理與邏輯決策方案完成多終端的內容適配服務,完善單-單到多-多的過度,實驗結果表明該方法可解決終端能力問題。文獻[7]采用模糊方法對網絡的切換時間進行判斷,利用AHP結合主、客觀因素定義權值,為了使多終端方案更佳,基于TOPSIS方法對終端接入策略的性能作出評價,實驗結果表明,該方法可以使多終端用戶在網絡環境下進行高效切換。文獻[8]通過灰色預測對不同任務的轉換趨勢進行判斷,從而獲得線性規劃模型與任務分配策略,利用設置的感知單元跟蹤感知節點,并對多終端任務的超載狀態做出判斷,根據分配矩陣與隨機游走完成多終端任務的分配工作,實驗結果表明,該方法對多終端任務分配的效率有較大提升。

考慮到多終端引擎與多媒體內容特性不匹配,以及終端的選擇與任務更加匹配等問題,本文提出基于群智感知計算的多終端引擎任務分配方法。采用內容適配技術提高用戶體驗,利用多終端協同算法列出終端與網絡的組合方式,為用戶尋求服務質量最大化的網絡組合,針對任務分配問題采用群智感知方法進行計算。

2 多終端任務分配

2.1 多終端協同適配技術

在單終端環境下,用戶通過手機或PC機可分別利用GPRS或WLA網絡對多媒體內容進行訪問,然而由于這兩種環境存在多方面差異,進而導致適配技術不同。為了增強內容適配,以適應更加復雜的環境,本文設計了多終端協同內容適配服務,如圖1所示。

圖1 多終端協同整體架構

用戶訪問多媒體服務時的內容是按照文檔的形式存儲在內容供應商處。第三方服務主要負責語言和格式等轉換工具的內容適配操作,其通過用戶或內容供應商注冊、訂購。內容適配主要負責處理多媒體內容與傳輸不匹配等問題,經內容適配模塊處理后,可通過匹配最佳網絡、最佳路徑通過終端呈現給用戶,滿足用戶不同需求。本體模型主要負責語義描述,通過本體建模工具將模型存儲到數據庫中,為內容適配模塊的檢索提供便利。

在多終端環境下,本文將內容適配技術的處理分為獲取階段、分析階段、決策階段和執行階段四部分。主要內容如下:

獲取階段:主要負責對傳輸環境信息的獲取。內容適配模塊通過語言對網絡接入信息、設備屬性信息、終端與接入網絡映射關系等進行查詢,并將查詢結果傳遞給分析模塊進行分析。

分析階段:對網絡接入信息和終端設備按照等級進行劃分,分別生成優先級不同的接入網列表和終端設備列表,然后對列表進行篩選、映射,選擇合適的網絡與終端設備。

決策與執行階段:采用邏輯與物理決策選擇與多媒體服務最匹配的終端設備,將結果傳遞給終端控制點,然后由控制節點將多媒體服務驅動到終端設備上。

2.2 協同任務分配算法

與單終端引擎任務相似,多終端引擎任務的協同問題也可以認為是多屬性的決策問題加以考慮,但兩者間又存在不同,單終端情況下求解的是最優網絡,而多終端情況下求解的是網絡與終端的最佳組合。

多終端引擎任務協同的實現需要根據用戶連接的網絡和可用終端,生成網絡組合方式,并通過AHP計算出的網絡權重對網絡進行評估。多終端引擎任務協同的主要目的是為用戶提供更高的服務質量,因此對網絡組合進行評估時,綜合考慮帶寬、功率和費用三個指標使用戶的服務質量最高。結合用戶偏好將三個指標分為兩類,一類是用戶對功率無要求,更偏愛費用低的網絡;二類是用戶對費用無要求,更偏愛低功率的網絡。針對這兩種偏好,構建判斷矩陣,可表示為

(1)

通過一致性檢驗,兩個矩陣的一致性都比較好,最大特征值對應的特征向量可表示為

(2)

經歸一化處理,兩種偏好對應的寬帶、功率和費用的權重向量分別可表示為

(3)

結合TOPSIS算法選擇最大的網絡組合,公式可表示為

(4)

(5)

其中,fij表示候選網絡組合i的相關參數j;fbest＿j表示參數j的最佳值;fwors＿j表示參數j的最差值。候選網絡組合公式可表示為

(6)

(7)

其中,s表示網絡連接組合的終端數量;Gban＿i表示i網絡的帶寬;Gpow＿i表示i網絡的終端功率;Gcos＿i表示i網絡的費用。根據多終端引擎任務協同算法求解出最優的網路組合,實現多終端任務自由切換。

3 群智感知計算模型

群智感知系統主要由數據請求、云平臺、終端和用戶四部分組成。數據請求向云平臺發出請求數據的指令,云平臺則會生成任務集,通過對任務位置的判斷將任務子集發送給對應的終端,通過終端的選擇對任務進行匹配,最后終端將用戶提交的數據上傳到云平臺。

群智感知系統發布感知任務的類型不同,意味著任務需求也不同。只有從任務需求角度出發,選擇出與感知任務匹配度更高的終端引擎參與任務,才能在極大程度上確保任務的效率,以及資源利用的最大化。本文采用任務需求特征提取方法對感知任務類型的關鍵詞進行提取,發布的感知任務屬性向量和終端屬性向量分別可表示為

(8)

其中,Tdes表示任務的文字描述;Tnum表示需要的終端個數;Ttyp表示任務要求的終端類型;Tpos表示感知任務的位置;Tdis表示任務要求的距離;Tpar表示任務要求的終端參與度;Ldat表示終端數據集;Llab表示終端標簽集;Lpos表示終端位置信息。那么任務集和終端集可分別表示為

(9)

任務需求特征提取算法通過隸屬度確定各個數據點屬于哪個聚類的程度,并確定聚類中心的個數,將所有的任務集合轉換成高維空間的向量并進行聚類處理。隸屬度公式為

(10)

其中,Qi表示特征項權重;Qcen＿i表示聚類中心;β表示模糊指數;所有任務到聚類中心的隸屬度之和為1。聚類中心可表示為

(11)

進而目標函數公式為

(12)

為了使任務分配的更加合理,選擇任務需求類別、距離和終端參與度三個因素對感知終端的選擇進行評價。在實際群智感知系統任務分配中,感知平臺更偏向于選擇近距離的感知終端分配任務。為了最小化平臺支出,結合多終端引擎的空間位置,將距離作為任務分配的決定性因素之一,公式表示為

Sij=1-min[logrdis(Tpos＿i,Lpos＿j),1]

(13)

其中,Sij表示任務和終端距離的遠近度;r表示表示感知平臺任務區域的半徑大小;dis(Tpos＿i,Lpos＿j)表示任務位置到終端任務位置的歐式距離。為了選擇更佳的終端引擎參與任務分配工作,提出以終端參與度作為終端選擇的決定性因素,終端在過去任務中累積執行的任務公式可表示為

(14)

其中,Vfin＿j表示終端所執行的總任務次數;Vunf＿j表示終端未執行的任務總次數。感知平臺對終端數據進行評分,根據終端任務分配情況,計算出終端的參與度,公式可表示為

(15)

其中,N表示終端完成任務總數;w(i)表示終端完成任務后的分數;max(i)表示感知平臺最高評分;min(i)表示感知平臺最低評分。

4 仿真與結果分析

為了驗證本文基于群智感知計算的多終端引擎任務分配仿真方法的可行性,選擇電腦1、電腦2、手機1和手機2四個終端設備進行實驗,仿真區域內分布3個WLAN網絡。

首先通過實驗對多終端協同算法與用戶偏好的一致性進行判斷,來驗證多終端協同算法的性能。一類和二類用戶的功率及費用對比結果如圖2所示。

圖2 費用和功率對比結果

從圖中可以看出,在仿真區域中,二類用戶功率均比一類用戶低;一類用戶的費用均比二類用戶低,說明本文設計的多終端協同算法可以較好的體現出用戶的偏好程度。

任務需求特征提取算法主要是為了提高任務類別關鍵詞提取的準確率,分別將IKAnalyzer和LCS算法與本文算法進行對比,仿真三種算法的準確率,如圖3所示。

圖3 任務類別準確率

從圖中可以看出,本文算法的任務類別提取準確率明顯高于其它兩種算法,準確率高達90%以上,這主要是因為本文采用隸屬度對聚類的中心進行確定,進而對任務需求進行聚類處理。

為了驗證本文方法對任務與終端匹配的準確性,采用空間權值向量余弦度量法對任務-終端匹配度進行計算,并通過仿真將IKAnalyzer和LCS算法與本文方法進行對比,任務-終端匹配度實驗結果如圖4所示。

圖4 任務數量與任務-終端匹配度關系

從圖中可以看出,隨著任務數量的增加,采用本文方法的任務-終端匹配度明顯高于LCS算法,略高于IKAnalyzer算法,這是因為LCS算法對終端選擇上,依賴于固定的設置。而本文方法隨著任務數量的不斷增加,對終端標簽進行不斷的更新,使任務-終端的匹配度更加準確,說明本文在對多終端引擎的選擇上具有較大優勢。

5 結束語

針對多終端引擎任務分配問題,提出了一種基于群智感知計算的方法。考慮到終端能力和多媒體服務不匹配等問題,提出內容適配模型,該模型在整體架構中起到核心作用。通過任務需求特征提取方法對任務類別進行提取,解決任務分配具有的多樣性問題,利用任務類別、空間和終端參與度選擇滿足任務需求的終端分配任務。在實驗中選擇4個終端、3個網絡對本文方法的可行性進行仿真驗證,并與其它方法進行對比,實驗結果表明,本文方法能夠滿足用戶偏好,以更短的時間準確選擇合適的終端執行任務,能夠對任務數據進行批量處理。