物聯(lián)網(wǎng)中壓縮感知算法的云加速方法

張永平，張功萱，朱昭萌

(南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 南京 210094)

物聯(lián)網(wǎng)(Internet of things，IoT)是物物相連的網(wǎng)絡(luò)[1]，它通常配置了為數(shù)眾多的數(shù)據(jù)采集設(shè)備，這些設(shè)備時(shí)刻都在產(chǎn)生著大量的采集數(shù)據(jù)。海量采集數(shù)據(jù)的存在嚴(yán)重影響了物聯(lián)網(wǎng)的性能，研究“邊采樣邊壓縮”的采樣方法已成為物聯(lián)網(wǎng)應(yīng)用的一個(gè)重要前提。壓縮感知(compressed sensing，CS)[2]就是一種將數(shù)據(jù)采集和壓縮同時(shí)完成的新型采樣方法，可以在對(duì)信號(hào)采樣的同時(shí)丟棄冗余信息，從而降低采集的數(shù)據(jù)量。

在壓縮感知理論中，信號(hào)的重構(gòu)是通過(guò)求解數(shù)值優(yōu)化問(wèn)題實(shí)現(xiàn)的，算法計(jì)算復(fù)雜度很高。如利用著名的壓縮感知算法——BP(basis pursuit)算法重構(gòu)信號(hào)時(shí)，當(dāng)原始信號(hào)的長(zhǎng)度為8 192時(shí)，重構(gòu)操作的計(jì)算規(guī)模相當(dāng)于求解一個(gè)8 192′262 144的線性規(guī)劃問(wèn)題[3]。算法的高計(jì)算復(fù)雜度會(huì)對(duì)其應(yīng)用帶來(lái)較為不利的影響，快速壓縮感知方法的研究一直都是該領(lǐng)域的一個(gè)熱點(diǎn)。

在物聯(lián)網(wǎng)數(shù)據(jù)采集和處理中引入壓縮感知方法，會(huì)減少采集的數(shù)據(jù)量、降低通信負(fù)擔(dān)，但同時(shí)也會(huì)帶來(lái)計(jì)算量的增加，這對(duì)物聯(lián)網(wǎng)來(lái)說(shuō)是非常不利的(特別是對(duì)實(shí)時(shí)性要求較高的物聯(lián)網(wǎng))。為了加速壓縮感知算法，在物聯(lián)網(wǎng)環(huán)境中，云計(jì)算技術(shù)[4]是一個(gè)很好的選擇。云可以方便地利用網(wǎng)絡(luò)中已有的計(jì)算資源來(lái)加速算法，這對(duì)物聯(lián)網(wǎng)(特別是私有物聯(lián)網(wǎng))有著巨大的吸引力。此外，多核CPU/多CPU[5]和GPGPU(general purpose GPU)[6]并行計(jì)算也是很有效的加速方法，物聯(lián)網(wǎng)中常存在一些這樣的高性能計(jì)算設(shè)備。綜上所述，研究以云計(jì)算技術(shù)為基礎(chǔ)，綜合使用多種加速方法，充分利用物聯(lián)網(wǎng)中各種計(jì)算資源加速壓縮感知算法非常有意義。

1 壓縮感知理論

壓縮感知[7-8]方法可以在某些基框架下用遠(yuǎn)少于Nyquist定理規(guī)定的測(cè)量值表示稀疏的或可壓縮的信號(hào)，并在需要時(shí)能夠從這些較少的測(cè)量值中重構(gòu)原始信號(hào)。

一般地，根據(jù)稀疏表示理論，可假設(shè)信號(hào)sn′1(為了說(shuō)明的簡(jiǎn)便，假設(shè)信號(hào)是一維的)有某個(gè)稀疏表示θ(θ是可壓縮的)：

式中，Ψn×n是s的稀疏變換基。然后利用觀測(cè)矩陣Φm×n(mn)對(duì)系數(shù)θ進(jìn)行壓縮：

這里的Φ是特別設(shè)計(jì)的，它必須與Ψ線性無(wú)關(guān)；原始信號(hào)s與觀測(cè)數(shù)據(jù)y之間的壓縮比為n:m。

獲得s的優(yōu)化近似解?，式(3)是一個(gè)凸優(yōu)化問(wèn)題，可以利用優(yōu)化方法來(lái)求解。

2 云加速方案

優(yōu)化算法的計(jì)算復(fù)雜度一般都很高，通常壓縮感知方法中的信號(hào)的重構(gòu)時(shí)間很長(zhǎng)。本節(jié)研究利用云技術(shù)加速壓縮感知算法的設(shè)計(jì)方案。

2.1 方案設(shè)計(jì)

云計(jì)算技術(shù)可以通過(guò)網(wǎng)絡(luò)為用戶(hù)分配計(jì)算資源、提供按需服務(wù)，以達(dá)到用戶(hù)滿(mǎn)意的加速效果。OpenStack是一個(gè)流行的云服務(wù)框架，易于實(shí)現(xiàn)并具有良好的可擴(kuò)展性，可以部署、運(yùn)行于標(biāo)準(zhǔn)的硬件平臺(tái)。壓縮感知算法的云加速方案就是基于OpenStack架構(gòu)的，它可以利用云平臺(tái)為用戶(hù)提供適量的計(jì)算資源加速Python語(yǔ)言[9]編寫(xiě)的算法。云加速方案之所以面向Python語(yǔ)言，一是因?yàn)镻ython語(yǔ)言功能足夠強(qiáng)大，二是因?yàn)镺penStack本身是用Python語(yǔ)言開(kāi)發(fā)的。

在云加速方案中，采集的數(shù)據(jù)通常以壓縮的形式存在。當(dāng)用戶(hù)要求重構(gòu)信號(hào)時(shí)，計(jì)算復(fù)雜度不高的一般代碼將在本地執(zhí)行，而計(jì)算復(fù)雜度較高的重構(gòu)算法將被自動(dòng)遷移到云端；在云端，云平臺(tái)根據(jù)用戶(hù)的要求(如需要計(jì)算資源數(shù)量、算法運(yùn)行時(shí)間的限制等)提供適量的計(jì)算資源，以實(shí)現(xiàn)算法的加速服務(wù)，并返回最終結(jié)果。計(jì)算的結(jié)果可以是重構(gòu)的原始信號(hào)，也可以是根據(jù)重構(gòu)的信號(hào)獲得的一些結(jié)論。

云加速方案需要解決兩個(gè)問(wèn)題：代碼的遷移及并行化處理。將計(jì)算復(fù)雜度較高的代碼遷移到云端可以利用云環(huán)境中豐富的計(jì)算資源，而并行處理是云計(jì)算的前提。

2.2 算法遷移

云加速設(shè)計(jì)方案的算法遷移是基于函數(shù)的，它定義了一個(gè)“#remote”的標(biāo)簽，如果某個(gè)函數(shù)被該標(biāo)簽標(biāo)記，則該函數(shù)將被自動(dòng)遷移到云端執(zhí)行。如下面代碼中的M ig函數(shù)。

一般地，函數(shù)的遷移有兩種實(shí)現(xiàn)方法：1) 將函數(shù)全部打包并發(fā)送；2) 將函數(shù)對(duì)象和變量序列化后打包并發(fā)送。第一種方法易于實(shí)現(xiàn)，但會(huì)發(fā)送很多冗余信息，增加數(shù)據(jù)傳輸負(fù)擔(dān)，這與引入壓縮感知方法的目的相背。第二種方法傳輸?shù)臄?shù)據(jù)量較少，但實(shí)現(xiàn)復(fù)雜，需要充分了解編程語(yǔ)言特性。云加速方案采用第二種方法來(lái)實(shí)現(xiàn)函數(shù)遷移，通過(guò)重寫(xiě)用于序列化和反序列化的dumps和loads函數(shù)，實(shí)現(xiàn)了對(duì)Python語(yǔ)言編寫(xiě)的函數(shù)遷移，比現(xiàn)有的序列化方法功能更加強(qiáng)大。

2.3 循環(huán)的并行化

如果一個(gè)循環(huán)可以并行處理[10]，就可以使多個(gè)操作同時(shí)向前推進(jìn)，從而加快執(zhí)行速度，但并非所有的循環(huán)都可以并行化。在云加速方案中定義了標(biāo)簽“#parallelize”，只有被這個(gè)標(biāo)簽標(biāo)記的循環(huán)才會(huì)并行處理，如以下的for-循環(huán)將被并行化：

Python語(yǔ)言中，list模式提供了方便的創(chuàng)建列表的方法，而列表很容易實(shí)現(xiàn)并行化。云加速方案的并行化思想就是把循環(huán)語(yǔ)句轉(zhuǎn)化為list模式，通過(guò)設(shè)計(jì)的專(zhuān)門(mén)轉(zhuǎn)換接口，可以自動(dòng)轉(zhuǎn)換標(biāo)記了“#parallelize”標(biāo)簽的循環(huán)語(yǔ)句。

在Python語(yǔ)言中，內(nèi)嵌函數(shù)map常用來(lái)構(gòu)造迭代，但其不適合于并行化，將其重寫(xiě)為pmap函數(shù)。在pmap函數(shù)中定義了一個(gè)繼承l(wèi)ist模式的新類(lèi)，它使程序在迭代時(shí)不必等待本次迭代全部結(jié)束就可以繼續(xù)后面的迭代運(yùn)算，從而實(shí)現(xiàn)并行化。

云加速方案是使用Python語(yǔ)言實(shí)現(xiàn)的，對(duì)Python語(yǔ)言實(shí)現(xiàn)的算法，只需要增加一些接口和標(biāo)簽，就能自動(dòng)并行化指定的循環(huán)并將標(biāo)記的函數(shù)遷移到云端進(jìn)行處理。

3 驗(yàn)證算法及修改

3.1 選擇驗(yàn)證算法

在壓縮感知理論中，信號(hào)重構(gòu)通過(guò)求解數(shù)值優(yōu)化問(wèn)題實(shí)現(xiàn)。根據(jù)重構(gòu)時(shí)所使用優(yōu)化方法的不同，有不同的壓縮感知算法。云加速方案的驗(yàn)證，主要使用了BP和OMP(orthogonal matching pursuit)兩種算法。BP算法[3]通過(guò)基追蹤優(yōu)化方法獲得原始信號(hào)的全局最優(yōu)逼近解，算法的重構(gòu)精度較高，但執(zhí)行速度較慢。OMP算法[11]通過(guò)在每次迭代時(shí)得到一個(gè)新的近似估計(jì)，不斷逼近原始信號(hào)，最終獲得原始信號(hào)的局部最優(yōu)解，算法易于實(shí)現(xiàn)且執(zhí)行速度較快，但重構(gòu)精度一般。BP算法和OMP算法都是經(jīng)典的壓縮感知算法，BP算法在實(shí)驗(yàn)室應(yīng)用較多，而在工程中OMP算法比較常用，很多壓縮感知算法都是從這兩個(gè)算法延伸而來(lái)的。

3.2 算法的修改

為了方便并行化及利用更多的計(jì)算資源，云加速方案驗(yàn)證過(guò)程中處理的基本數(shù)據(jù)對(duì)象是m′n的信號(hào)采樣，重構(gòu)函數(shù)(BP函數(shù)或OMP函數(shù))的每次調(diào)用可以重構(gòu)信號(hào)的一列。這樣，對(duì)于一個(gè)m′n的信號(hào)采樣，通過(guò)調(diào)用n次重構(gòu)函數(shù)就可以獲得原始信號(hào)。為了減少相互之間的關(guān)聯(lián)性，將每次重構(gòu)函數(shù)的調(diào)用均作為一次獨(dú)立操作，不考慮采樣數(shù)據(jù)列之間的關(guān)系。對(duì)于n′1、m′n′k等形式的采樣數(shù)據(jù)，如果需要使用本文方案，可以對(duì)數(shù)據(jù)做簡(jiǎn)單處理轉(zhuǎn)為m′n形式。

由前面的描述可知，要利用云加速方案實(shí)現(xiàn)算法加速，需要為重構(gòu)函數(shù)增添一些說(shuō)明和注釋?zhuān)饕褪恰?remote”和“#parallelize”兩個(gè)標(biāo)簽。添加兩個(gè)標(biāo)簽后的BP算法和OMP的代碼形式為：

根據(jù)云加速方案的設(shè)計(jì)，當(dāng)執(zhí)行for-循環(huán)語(yǔ)句時(shí)，因前面有“#parallelize”標(biāo)簽，系統(tǒng)將同時(shí)啟動(dòng)n個(gè)進(jìn)程，每個(gè)進(jìn)程調(diào)用一次BP或OMP函數(shù)；而函數(shù)BP和OMP因前面存在“#remote”標(biāo)簽，系統(tǒng)將自動(dòng)收集函數(shù)相關(guān)信息并序列化，然后遷移到云端執(zhí)行，利用在云端申請(qǐng)的計(jì)算資源加速算法。

4 實(shí)驗(yàn)和分析

4.1 實(shí)驗(yàn)環(huán)境

云加速方案的驗(yàn)證環(huán)境可以分為本地和云端兩部分。在本地使用的是PC機(jī)，性能參數(shù)為Intel(R)Core(TM) 2 Duo 雙核處理器(E4600，2.4 GHz)、2 GB內(nèi)存、64位、10/100 Mb/s網(wǎng)卡，運(yùn)行Windows 7操作系統(tǒng)。在云端搭建了OpenStack IaaS平臺(tái)，它管理一個(gè)服務(wù)器集群，每個(gè)刀片服務(wù)器性能參數(shù)為Intel Xeon四核處理器(2 GHz)、24 GB內(nèi)存、64位、1 000 Mb/s網(wǎng)卡，運(yùn)行Ubuntu服務(wù)器版操作系統(tǒng)。

圖1 云加速方案資源申請(qǐng)示意圖

在云加速方案中，將云端的計(jì)算資源設(shè)計(jì)為VM實(shí)例，每個(gè)實(shí)例都是相同的，包括1CPU和512 MB RAM。當(dāng)申請(qǐng)計(jì)算資源時(shí)，以VM實(shí)例為基本單位，每次可以根據(jù)用戶(hù)需求申請(qǐng)一個(gè)或多個(gè)實(shí)例。圖1是申請(qǐng)計(jì)算資源時(shí)的請(qǐng)求頁(yè)面，左側(cè)“Flavor”選項(xiàng)可以指定計(jì)算資源類(lèi)型，其中的“tiny 1 VCPU/0 GB Disk/512 MB Ram”即為壓縮感知云加速方案設(shè)計(jì)的實(shí)例；“Instance Count”選項(xiàng)是申請(qǐng)計(jì)算資源的數(shù)量，這需要用戶(hù)指定；右側(cè)的“Project Quotas”選項(xiàng)中列出了當(dāng)前用戶(hù)可申請(qǐng)使用的計(jì)算資源總數(shù)。

為了驗(yàn)證云加速方案，本文設(shè)計(jì)了兩組實(shí)驗(yàn)，分別用于驗(yàn)證方案的正確性和加速效果。在這兩組實(shí)驗(yàn)中，資源的分配只能在用戶(hù)啟動(dòng)重構(gòu)算法時(shí)自行指定，即用戶(hù)需要指明申請(qǐng)的計(jì)算資源的數(shù)量。在以后的工作中可以考慮由用戶(hù)設(shè)定信號(hào)的重構(gòu)條件(如用戶(hù)指定算法執(zhí)行時(shí)間的限制)，系統(tǒng)分配符合用戶(hù)條件的計(jì)算資源數(shù)量的方法。

4.2 正確性驗(yàn)證

在云加速方案的設(shè)計(jì)中，將算法從本地遷移到云端執(zhí)行，取消了采樣數(shù)據(jù)的列相關(guān)性，本組實(shí)驗(yàn)是為了驗(yàn)證這些改動(dòng)并不會(huì)影響重構(gòu)效果。實(shí)驗(yàn)中選取了圖像處理理論常用的3個(gè)標(biāo)準(zhǔn)測(cè)試圖像Lena.bmp(人物)、Peppers.bmp(自然景色)和Finger.bmp(指紋)，對(duì)比其分別在云端和本地重構(gòu)的效果，如表1和圖2、圖3所示。

表1 本地和云端重構(gòu)圖像PSNR比較

從表1可以看出，BP算法的重構(gòu)精度要優(yōu)于OMP算法，但這兩種重構(gòu)算法的本地執(zhí)行和云端執(zhí)行對(duì)重構(gòu)圖像的信噪比(power signal to noise ratio，PSNR)影響不大，一些細(xì)微的差別可能僅是因?yàn)橹貥?gòu)時(shí)使用的隨機(jī)觀測(cè)矩陣不同造成的。從圖2、圖3可知，BP和OMP算法在云端重構(gòu)的信號(hào)的視覺(jué)效果是可以接受的。需要進(jìn)一步說(shuō)明的是，3個(gè)圖像Lena.bmp、Peppers.bmp、Finger.bmp的重構(gòu)效果有一定的差別，Lena.bmp的重構(gòu)效果最好、Finger.bmp最差，這不是云加速方案的原因，而是壓縮感知算法本身對(duì)平滑圖像重構(gòu)能力更好造成的。

圖2 BP算法的云端重構(gòu)效果

圖3 OMP算法的云端重構(gòu)效果

4.3 加速效果驗(yàn)證

本組實(shí)驗(yàn)將用于測(cè)試云加速方案對(duì)壓縮感知算法的加速效果，對(duì)重構(gòu)算法的所有實(shí)驗(yàn)分兩種情況。

1) 使用256′256大小的人物圖像Lena.bmp測(cè)試計(jì)算資源數(shù)量不同時(shí)的加速效果，這里申請(qǐng)的計(jì)算資源數(shù)量從1～16，每一個(gè)計(jì)算資源數(shù)量在不同時(shí)間段總計(jì)執(zhí)行100次，求出平均的計(jì)算時(shí)間和加速比。

2) 在相同的計(jì)算資源數(shù)量下，分別測(cè)試方案對(duì)大小為128′128、256′256、512′512、1 024′1 024的Lena.bmp人物圖像的加速效果，這里比較了1個(gè)、2個(gè)、4個(gè)、8個(gè)和16個(gè)計(jì)算資源的情況。測(cè)試結(jié)果如圖4(BP算法)和圖5(OMP算法)所示，圖中“本地”的意思是直接將算法放在一個(gè)計(jì)算資源上執(zhí)行，而不需要序列化和代碼遷移的過(guò)程。

在圖4、圖5所示的柱狀圖中，第1列描述算法的執(zhí)行時(shí)間，對(duì)比兩個(gè)柱狀圖，BP算法的執(zhí)行時(shí)間遠(yuǎn)遠(yuǎn)大于OMP算法，這與OMP算法的計(jì)算復(fù)雜度小于BP算法是相符的。從圖中可以看到，當(dāng)申請(qǐng)的計(jì)算資源數(shù)量從1～16不斷增加時(shí)，BP和OMP兩個(gè)重構(gòu)算法的執(zhí)行時(shí)間都逐漸減少，而加速比(柱狀圖的第2列)逐漸增加，即加速效果越來(lái)越好。柱狀圖的第2～5列描述不同數(shù)量計(jì)算資源的加速比，它隨著計(jì)算資源數(shù)量的增加而不斷增加。當(dāng)申請(qǐng)的計(jì)算資源數(shù)量相同時(shí)，加速比通常隨著信號(hào)的增大而逐漸增加，這是因?yàn)楫?dāng)信號(hào)尺寸比較小時(shí)，系統(tǒng)的額外耗費(fèi)在執(zhí)行時(shí)間中所占的比例比較大。

圖4 云加速方案對(duì)BP算法的加速效果

圖5 云加速方案對(duì)OMP算法的加速效果

5 物聯(lián)網(wǎng)中云加速方案的應(yīng)用

5.1 多核/多CPU、GPGPU加速和云加速

通過(guò)4.2和4.3節(jié)的實(shí)驗(yàn)可知，云加速方案可以正確地重構(gòu)原始信號(hào)、并極大地提高重構(gòu)算法的執(zhí)行速度。但云加速方案設(shè)定每個(gè)計(jì)算資源是單CPU，在方便實(shí)現(xiàn)的同時(shí)沒(méi)有考慮物聯(lián)網(wǎng)中計(jì)算資源的多樣性。

事實(shí)上，在物聯(lián)網(wǎng)中同樣會(huì)存在一些高性能計(jì)算資源，如多核/多CPU和GPGPU等系統(tǒng)或設(shè)備，而當(dāng)前硬件設(shè)備價(jià)格的不斷下降為高性能計(jì)算設(shè)備的增加帶來(lái)了福音。通常申請(qǐng)一個(gè)這樣的高性能計(jì)算設(shè)備，就能為算法帶來(lái)很好的加速效果。

多核/多CPU方法實(shí)現(xiàn)簡(jiǎn)單，僅需要對(duì)算法做一些簡(jiǎn)單的并行化處理就可以實(shí)現(xiàn)算法加速；不需要遠(yuǎn)距離傳輸數(shù)據(jù)，節(jié)省了額外耗費(fèi)；而且設(shè)備計(jì)算能力利用率比較高，加速能力強(qiáng)。GPGPU系統(tǒng)的計(jì)算核心數(shù)量都很大，可以同時(shí)啟動(dòng)更多的線程，平均每個(gè)核心的花費(fèi)較低。如NVIDIA Tesla C2050就擁有448個(gè)核心，理論上可同時(shí)運(yùn)行448個(gè)線程。文獻(xiàn)[12-13]分別研究多核/多CPU和GPGPU并行加速的方法，獲得了一些實(shí)驗(yàn)數(shù)據(jù)，發(fā)現(xiàn)在云加速方案中引入多核/多CPU和GPGPU可以帶來(lái)加速效果的進(jìn)一步提升，同時(shí)可以為方案提供的服務(wù)帶來(lái)多樣性，為云加速方案走出實(shí)驗(yàn)室?guī)?lái)極大的好處。

5.2 物聯(lián)網(wǎng)中基于云的混合加速方案

多核/多CPU方法實(shí)現(xiàn)簡(jiǎn)單、資源利用率高，GPGPU系統(tǒng)的計(jì)算資源眾多，云技術(shù)能夠很好地利用現(xiàn)有計(jì)算資源、提高資源利用率，這使得它在需要更多計(jì)算資源時(shí)不用追加投資購(gòu)買(mǎi)新的軟硬件資源。如果能結(jié)合3種加速方法的優(yōu)點(diǎn)，可以獲得更好的實(shí)用效果，既獲取更好的加速效果，又節(jié)省資金。圖6設(shè)計(jì)了一個(gè)結(jié)合3種加速方法的壓縮感知算法加速框架，基于物聯(lián)網(wǎng)環(huán)境的該框架以云加速方案為基礎(chǔ)，可以結(jié)合多核/多CPU和GPGPU加速方法，充分利用物聯(lián)網(wǎng)中的已有計(jì)算資源加速壓縮感知算法。

在圖6中，假設(shè)傳感器支持壓縮感知方法，為了獲取連入網(wǎng)絡(luò)中物體的實(shí)時(shí)信息，這些傳感器將不斷地產(chǎn)生以壓縮形式保存的采集數(shù)據(jù)。一般情況下，這些數(shù)據(jù)通過(guò)無(wú)線網(wǎng)絡(luò)被發(fā)送到數(shù)據(jù)存儲(chǔ)中心保存。當(dāng)有用戶(hù)申請(qǐng)使用某些采樣數(shù)據(jù)時(shí)，這些數(shù)據(jù)將被重構(gòu)為原始信號(hào)。為了提高算法的重構(gòu)速度，系統(tǒng)將會(huì)根據(jù)用戶(hù)提出的計(jì)算條件分配相應(yīng)的計(jì)算資源加速重構(gòu)算法。這里的計(jì)算條件，可以是用戶(hù)申請(qǐng)的計(jì)算資源數(shù)量，也可以是用戶(hù)所提出的重構(gòu)信號(hào)的條件，如重構(gòu)時(shí)間限制等。分配給用戶(hù)的計(jì)算資源可能是一些PC機(jī)，如果用戶(hù)的需求比較緊急，也可以提供計(jì)算能力比較強(qiáng)的高性能計(jì)算設(shè)備，如接入網(wǎng)絡(luò)的多核/多CPU或GPGPU計(jì)算資源。

圖6 引入壓縮感知后的物聯(lián)網(wǎng)混合加速理論框架

圖7 混合加速框架重構(gòu)壓縮感知的理論流程圖

5.3 混合加速方案的重構(gòu)流程

可以預(yù)期，在物聯(lián)網(wǎng)環(huán)境中，建立基于云的混合加速框架，能夠更加充分地利用物聯(lián)網(wǎng)中的計(jì)算資源，為壓縮感知算法提供更好的加速效果，但是這樣會(huì)使系統(tǒng)中的計(jì)算資源類(lèi)型變得復(fù)雜，不利于計(jì)算資源的分配。為此，需要重新設(shè)計(jì)計(jì)算資源的分配方法及算法流程，圖7所示是設(shè)計(jì)的混合加速方案流程圖。

通過(guò)圖7的流程圖可知，當(dāng)用戶(hù)申請(qǐng)計(jì)算資源時(shí)，可以直接指定需要的計(jì)算資源，也可以提出重構(gòu)信號(hào)的條件由系統(tǒng)分配。分配計(jì)算資源時(shí)，如果有必要可以使用高性能計(jì)算設(shè)備，但需使用一些輔助方法，這些方法在文獻(xiàn)[12-13]中已有介紹。

6 結(jié) 論

本文將壓縮感知方法引入物聯(lián)網(wǎng)的數(shù)據(jù)采集和處理，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)利用云技術(shù)加速壓縮感知算法的方案。該方案可以加速Python程序，通過(guò)一些定義的標(biāo)簽和重寫(xiě)的Python語(yǔ)言?xún)?nèi)嵌函數(shù)，自動(dòng)地將用Python語(yǔ)言寫(xiě)的算法遷移到云端執(zhí)行，利用云資源加速算法。為了充分利用物聯(lián)網(wǎng)中現(xiàn)有的計(jì)算資源，在將壓縮感知算法的云加速方案搭建于物聯(lián)網(wǎng)時(shí)，提出了基于云加速方案，使用多核/多CPU或GPGPU加速方法的混合加速理論框架，以期能夠在利用壓縮感知方法減少物聯(lián)網(wǎng)中的采集數(shù)據(jù)規(guī)模的同時(shí)，獲得更快的算法執(zhí)行速度。當(dāng)前，混合加速框架還處于理論設(shè)計(jì)階段，接下來(lái)將研究其實(shí)現(xiàn)方法，以檢驗(yàn)方案的可行性、實(shí)用性。

[1] ASHTON K. That ‘Internet of Things’ thing[EB/OL].[2012-12-01]. http://www. rfidjournal. com/articles/view?4986.

[2] ELDAR Y C, KUTYNIOK G. Compressed sensing: Theory and applications[M]. Cambridge: UK, Cambridge University Press, 2012.

[3] CHEN S S, DONOHO D L, SAUNDERS M A. Atomic decomposition by basis pursuit[J]. Siam Review, 2001,43(1): 129-159.

[4] ARMBRUST M, FOX A, GRIFFITH R, et al. A view of cloud computing[J]. Communications of the ACM, 2010,53(4): 50-58.

[5] PACHECO P. An introduction to parallel programming[M].San Francisco, USA: Morgan Kaufmann Publishers, 2011.

[6] SANDERS J, KANDROT E. CUDA by example: an introduction to general-purpose GPU programming[M].Boston: USA, Addison-Wesley Publishers, 2010.

[7] 王妮娜, 桂冠, 蘇泳濤, 等. 基于壓縮感知的M IMOOFDM系統(tǒng)稀疏信道估計(jì)方法[J]. 電子科技大學(xué)學(xué)報(bào),2013, 42(1): 58-62.

WANG Ni-na, GUI Guan, SU Yong-tao, et al. Compressive sensing-based sparse channel estimation method for M IMO-OFDM systems[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(1):58-62.

[8] CANDES E J, WAKIN M B. An introduction to compressive sampling[J]. IEEE Signal Processing Magazine,2008, 25(2): 21-30.

[9] CAI X, LANGTANGEN H P, MOE H. On the performance of the Python programming language for serial and parallel scientific computations[J]. Scientific Programming, 2005,13(1): 31-56.

[10] ALMASI G S, GOTTLIEB A. Highly parallel computing[M]. Redwood, USA: Benjam in-Cumm ings Publishers Co, Inc, 1989.

[11] TROPP J, GILBERT A. Signal recovery from random measurements via orthogonal matching pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(12): 4655-4666.

[12] ZHANG Yong-ping, ZHNAG Gong-xuan, ZHU Zhaomeng, et al. Study on parallel compressed sensing for mass data in Internet of Things[C]//PDPTA’12. Las Vegas:CSREA Press, 2012: 571-576.

[13] YADAV K, M IYYAL A, ANSAR M A, et al. Parallel implementation of compressed sensing algorithm on CUDA-GPU[J]. International Journal of Computer Science and Information Security, 2011, 9(3): 112-119.

編 輯 漆 蓉