基于路徑計算方法的WSN時延優(yōu)化研究

朱鵬,任繼軍,任智源

(1.西安郵電大學 通信與信息工程學院,陜西 西安 710121;2.西安電子科技大學 綜合業(yè)務(wù)網(wǎng)理論及關(guān)鍵技術(shù)國家重點實驗室,陜西 西安 710071)

無線傳感器網(wǎng)絡(luò)(wireless sensor network,WSN)對整個物聯(lián)網(wǎng)(internet of things,IoT)行業(yè)的發(fā)展起著非常重要的作用，是實現(xiàn)物聯(lián)網(wǎng)應(yīng)用的關(guān)鍵技術(shù)，其應(yīng)用領(lǐng)域十分廣泛，包括智慧城市、預警災害、精細農(nóng)業(yè)以及軍事應(yīng)用[1]。一般而言，在這些應(yīng)用中WSN的主要作用是通過大量傳感器節(jié)點捕獲和發(fā)送關(guān)于監(jiān)測區(qū)域內(nèi)感知對象的信息，并使用多跳、自組織無線移動通信網(wǎng)絡(luò)將這一信息傳送給用戶，以便用戶能夠及時了解感知對象的變化。

目前，WSN融合云計算技術(shù)因其強大的任務(wù)處理能力和存儲能力，已在各領(lǐng)域得到充分應(yīng)用。比如：由WSN組成的智能交通系統(tǒng)，通過中心云處理實時大數(shù)據(jù)，實現(xiàn)車流量的管控；由WSN組成的環(huán)境監(jiān)測系統(tǒng)，通過大量傳感器收集環(huán)境數(shù)據(jù)，經(jīng)大數(shù)據(jù)處理和分析后，達到污染治理和預防自然災害的目的。然而，這項技術(shù)要求將WSN收集的數(shù)據(jù)上傳到云中心進行處理，遠程數(shù)據(jù)傳輸往往會產(chǎn)生較高的傳輸時延，同時部署在環(huán)境復雜的WSN存在著能量供應(yīng)問題，因此無法用于監(jiān)測具有低時延和低能耗要求的任務(wù)[2]。

為了解決云計算模式存在的問題，國內(nèi)外許多研究人員在實現(xiàn)數(shù)據(jù)的低時延和低功耗傳輸方面開展了諸多研究[3]。在時延優(yōu)化的研究中，學者們提出了一種路徑式協(xié)同計算方法，利用分布在網(wǎng)絡(luò)邊緣的設(shè)備集群進行多點協(xié)同計算，使數(shù)據(jù)在傳輸?shù)倪^程中得到處理。Shukla等[4]為了改變通信網(wǎng)路徑計算速率緩慢的狀況，使用有向無環(huán)圖表示計算任務(wù)，同時提出一個函數(shù)流模型和線性程序公式，以此確定最大化計算速率，但未將計算節(jié)點的處理能力考慮進去。在能耗優(yōu)化的研究中，牛祺君等[5]針對WSN能耗受限的問題，采用了按照WSN節(jié)點剩余能量的簇首輪詢機制，提出了一種依靠蜂群算法進行分簇的層次路由選擇算法，解決了節(jié)點能耗過快的問題，延長了WSN壽命。雖然該能耗優(yōu)化方法可以在一定程度上降低WSN的能耗，但是沒有考慮到節(jié)點在空閑時的能耗。

針對上述存在的問題，本文研究了一種云霧網(wǎng)絡(luò)架構(gòu)，并基于此架構(gòu)設(shè)計了一種路徑計算方法。首先，該方法使用有向無環(huán)圖(DAG)表示W(wǎng)SN的監(jiān)測任務(wù)，即中心云平臺利用WSN上傳的實時數(shù)據(jù)進行大數(shù)據(jù)分析和處理的任務(wù)，同時利用無向圖(UG)表示霧計算層的霧設(shè)備集群；其次，指定DAG至UG的任務(wù)映射規(guī)則，將監(jiān)測任務(wù)分配給邊緣網(wǎng)絡(luò)設(shè)備，并依靠邊緣網(wǎng)絡(luò)設(shè)備的高算力實現(xiàn)協(xié)同任務(wù)處理；最后，為了求解DAG至UG的最優(yōu)映射關(guān)系，建立了一個關(guān)于時延與能耗的二值優(yōu)化問題，通過模擬退火-離散二值粒子群優(yōu)化(SA-BPSO)算法得到問題的最優(yōu)值[6]。仿真結(jié)果表明，該路徑計算方法可以在能耗約束下實現(xiàn)降低任務(wù)處理時延的目的，能夠完成低時延和低能耗要求的監(jiān)測任務(wù)。

1 云霧網(wǎng)絡(luò)架構(gòu)

為了發(fā)揮邊緣網(wǎng)絡(luò)設(shè)備的任務(wù)處理能力，實現(xiàn)路徑計算，本節(jié)研究了一種云霧網(wǎng)絡(luò)架構(gòu)，該架構(gòu)從上至下有3層，分別為云計算層、霧計算層和感知層[7]，如圖1所示。

圖1 云霧網(wǎng)絡(luò)架構(gòu)

在該網(wǎng)絡(luò)架構(gòu)中，感知層主要由傳感器節(jié)點和無線鏈路連接的智能終端組成，通常用于數(shù)據(jù)采集和傳輸。霧計算層與感知層相連，由計算和存儲能力較弱的邊緣網(wǎng)絡(luò)設(shè)備(匯聚節(jié)點)組成，匯聚節(jié)點之間通過無線鏈路連接。當云計算中心下發(fā)的監(jiān)測任務(wù)到達數(shù)據(jù)傳輸路徑中的匯聚節(jié)點后，監(jiān)測數(shù)據(jù)會被卸載到該節(jié)點上實現(xiàn)任務(wù)的協(xié)同計算，使數(shù)據(jù)在傳輸過程中完成處理，并將數(shù)據(jù)的處理結(jié)果發(fā)送給管理用戶。云計算層與霧計算層相連，由存儲和處理能力十分優(yōu)越的云服務(wù)集群組成，主要負責管理和監(jiān)測WSN，同時需要按照匯聚節(jié)點的任務(wù)處理能力、鏈路狀況等信息制定監(jiān)測任務(wù)的調(diào)度規(guī)則，并將該規(guī)則發(fā)放到具體的匯聚節(jié)點。

2 任務(wù)映射規(guī)則

為了實現(xiàn)將WSN的監(jiān)測任務(wù)從云中心遷移到匯聚節(jié)點，首先需要將具體的監(jiān)測任務(wù)劃分成多個子任務(wù)。由于子任務(wù)之間存在數(shù)據(jù)依賴關(guān)系和處理順序的優(yōu)先級，本文使用DAG表示它們，其中圖的有向邊集可以表示子任務(wù)之間的這種依賴關(guān)系，圖中的箭頭指向能夠表示子任務(wù)之間的優(yōu)先權(quán)約束，這也意味著某個任務(wù)在其前面任務(wù)處理完成之前不能開始執(zhí)行。同時，圖中的無環(huán)代表任務(wù)流程的方向，即總?cè)蝿?wù)的執(zhí)行需要通過若干個子任務(wù)逐步執(zhí)行，最后匯總到任務(wù)終點，不能出現(xiàn)折返式處理子任務(wù)的情況。為了將DAG表示的監(jiān)測任務(wù)映射到UG表示的霧網(wǎng)絡(luò)，本節(jié)介紹了具體的映射方法。

2.1 DAG至UG的映射規(guī)則

本文通過有向無環(huán)圖D=(Ω,Γ)表示監(jiān)測任務(wù)模型，并使用Ω={n1,n2,…,ns,ns+1,ns+2,…,nt-1,nt│s≥1,t≥s+1}代表所有的監(jiān)測子任務(wù)，其中n1,n2,…,ns表示監(jiān)測任務(wù)起點，ns+1,ns+2,…,nt-1表示中間監(jiān)測任務(wù)節(jié)點，nt表示監(jiān)測任務(wù)終點；定義Γ為圖D的有向邊集合，Ψ↑(ni)={nj│(nj,ni)∈Γ}為子任務(wù)節(jié)點ni的所有前向任務(wù)節(jié)點。

此外，本文通過無向圖U=(V,S)展現(xiàn)霧網(wǎng)絡(luò)的拓撲關(guān)系，其中V={v1,v2,…,vs,vs+1,vs+2,…,vm-1,vm│s≥1,m≥s+1}為圖U中的所有子節(jié)點，即霧網(wǎng)絡(luò)中的匯聚節(jié)點，v1,v2,…,vs為任務(wù)起始節(jié)點，vs+1,vs+2,…,vm-1為任務(wù)中轉(zhuǎn)節(jié)點，vm為任務(wù)目標節(jié)點；S為圖U中的所有邊。

圖D至圖U的映射規(guī)則主要包含兩部分:①將圖D中的子任務(wù)節(jié)點映射至圖U中的匯聚節(jié)點；②將有向邊映射為圖U中節(jié)點間的最短通路Pvivj。結(jié)合文獻[8]，具體映射規(guī)則如下：

1) 子任務(wù)映射規(guī)則

圖D中的所有監(jiān)測子任務(wù)Ω映射至圖U中的匯聚節(jié)點V的規(guī)則為γ，如(1)式所示：

(1)

γ將Ω中的任務(wù)起點n1,n2,…,ns映射到V中的任務(wù)起始節(jié)點v1,v2,…,vs；將中間子任務(wù)節(jié)點ns+1,ns+2,…,nt-1隨機映射到任務(wù)中轉(zhuǎn)節(jié)點vs+1,vs+2,…,vm-1；將任務(wù)終點nt映射到任務(wù)目標節(jié)點vm。

同時，在子任務(wù)節(jié)點通過γ映射至匯聚節(jié)點時存在著多對多的映射關(guān)系，本文使用關(guān)系矩陣X來表示這種映射關(guān)系，矩陣X如(2)式所示

在(2)式中，t和m分別表示監(jiān)測子任務(wù)和匯聚節(jié)點的個數(shù)；(3)式中的xnpvq表示某個監(jiān)測子任務(wù)到某個匯聚節(jié)點的映射情況，當xnpvq=1時，說明子任務(wù)節(jié)點np可以映射至匯聚節(jié)點vq；當xnpvq=0時，說明子任務(wù)節(jié)點np無法映射至匯聚節(jié)點vq。

2) 有向邊映射規(guī)則

圖D中的集合Γ映射至圖U中的集合P的規(guī)則為T，如(4)式所示

T(ni,nj)={Pγ(ni )γ(nj)│γ(ni),γ(nj)∈V}

(4)

T將集合Γ中的有向邊(ni,nj)映射到圖U中的節(jié)點γ(ni)至節(jié)點γ(nj)的最短路徑Pγ(ni)γ(nj)。

2.2 映射規(guī)則的改進模型

對于相同的圖D和圖U，如果遵循上述映射規(guī)則，將會有多個映射關(guān)系，從而對應(yīng)于多種任務(wù)計算路徑和任務(wù)處理時延。為了篩選出最小任務(wù)處理時延所對應(yīng)的映射關(guān)系，從時延與能耗角度對2.1節(jié)的映射規(guī)則做出改進，同時建立一個關(guān)于任務(wù)處理時延的最優(yōu)化問題模型。

在某次任務(wù)的映射關(guān)系中，子任務(wù)節(jié)點ni的處理總時延等于進行到此任務(wù)節(jié)點的累積時延與完成此任務(wù)所用的計算時延之和[9]，計算公式為

Ttotal(ni)=Taccu(ni)+Tcalc(ni)

(5)

因為要考慮任務(wù)節(jié)點與匯聚節(jié)點的映射關(guān)系，所以需要對公式(5)進行修改，其中Taccu(ni)與Tcalc(ni)的具體表達式分別為：

在(6)式中，Dnjni表示子任務(wù)節(jié)點nj與ni之間需要傳遞的數(shù)據(jù)量，根據(jù)子任務(wù)映射規(guī)則可知，它還表示圖U中匯聚節(jié)點γ(nj)與γ(ni)之間需要傳遞的數(shù)據(jù)量；xnjvq和xnivp分別表示子任務(wù)節(jié)點nj到匯聚節(jié)點vq的映射關(guān)系和子任務(wù)節(jié)點ni到匯聚節(jié)點vp的映射關(guān)系。由于某一個具體的子任務(wù)節(jié)點與匯聚節(jié)點之間的映射關(guān)系是一對多，對于每個子任務(wù)節(jié)點的累積時延計算都需要遍歷它們與所有的匯聚節(jié)點之間的映射關(guān)系并進行求和。同時，因為子任務(wù)節(jié)點可能存在多個前向任務(wù)節(jié)點，所以對應(yīng)的會有多個累積時延，本文選擇其中的最大值作為該子任務(wù)節(jié)點的累積時延。

在(7)式中，Dni代表在此次映射中子任務(wù)節(jié)點ni的計算數(shù)據(jù)量，通過子任務(wù)映射規(guī)則可知，它也代表圖U中匯聚節(jié)點γ(ni)所需計算的數(shù)據(jù)量；α為當前任務(wù)的難度系數(shù)；pvp為圖U中匯聚節(jié)點vp的任務(wù)處理能力系數(shù)?？紤]到單一子任務(wù)節(jié)點與匯聚節(jié)點的映射關(guān)系，在計算子任務(wù)的計算時延時需要遍歷該節(jié)點與其他所有匯聚節(jié)點之間的映射關(guān)系并進行求和。

通過以上分析可知，模型D的任務(wù)總時延等于節(jié)點nt的處理總時延，即

T(D)=Ttotal(nt)

(8)

同時，由于在處理總時延公式中變化的只有任務(wù)節(jié)點與匯聚節(jié)點的映射關(guān)系，因此圖D的任務(wù)總時延可以表示為關(guān)于X的函數(shù)，如(9)式所示

T(D)=F(X)

(9)

盡管從時延優(yōu)化方面可以進一步求解出最優(yōu)映射關(guān)系，得到最小任務(wù)處理時延，可是考慮到WSN通常部署在野外，面臨著能耗受限的問題，在求解最優(yōu)映射關(guān)系時就必須將能耗約束考慮進去。此外，本文的工作在于如何將監(jiān)測任務(wù)映射至霧網(wǎng)絡(luò)中的匯聚節(jié)點和優(yōu)化映射規(guī)則，以此改善WSN融合云計算的時延性能。因此，接下來在時延優(yōu)化的基礎(chǔ)上，主要從霧網(wǎng)絡(luò)的總能耗要求出發(fā)進一步優(yōu)化映射規(guī)則。WSN執(zhí)行監(jiān)測任務(wù)時，匯聚節(jié)點可能處于工作或者待機狀態(tài)。因此，在活動和空閑時所產(chǎn)生的能耗是圖U中節(jié)點vi的主要能耗來源[10]，即

(10)

結(jié)合上述分析，整個霧網(wǎng)絡(luò)的總能耗為

(13)

假設(shè)在某次監(jiān)測任務(wù)中霧網(wǎng)絡(luò)的最大能量為Emax，通過時延優(yōu)化模型得出的最優(yōu)映射關(guān)系所對應(yīng)的能耗必須滿足整個霧網(wǎng)絡(luò)的能耗約束，即小于或等于Emax。

根據(jù)上文可知，為了找到這種既符合能耗要求，又滿足任務(wù)最小總時延的最優(yōu)映射關(guān)系，需要建立一個優(yōu)化問題模型。同時，由于圖D至圖U的映射關(guān)系結(jié)果只存在是與否2種可能，相當于該時延優(yōu)化問題的問題變量只取0或1，所以該問題是一個二值優(yōu)化問題，因此建立(14)式的二值優(yōu)化問題模型。

3 基于SA的BPSO算法

為求解該二值優(yōu)化問題模型，本文使用了一種基于BPSO的改進算法(SA-BPSO)。因為BPSO算法在迭代后期容易收斂于局部最優(yōu)，同時會出現(xiàn)停滯狀況，從而導致誤差結(jié)果較大。相比BPSO算法，SA-BPSO提高了算法的收斂和全局搜尋能力，減少了發(fā)生陷入局部最優(yōu)的概率，能夠更加快速和準確地求解數(shù)學模型(14)的最優(yōu)映射關(guān)系。

3.1 模擬退火算法

模擬退火(SA)算法在迭代期間有一定的概率接收到不理想的解，因此可以避開局部最優(yōu)。它的思想受固體退火過程的啟發(fā)，利用控制溫度參數(shù)T、降溫速率R和終止條件溫度E等參數(shù)來控制算法的流程，在參數(shù)T逐漸衰減的過程中利用Metropolis接受準則持續(xù)更新可行解，其中接受新可行解的概率如(15)式所示。該算法只要參數(shù)T的取值充分大，且T的衰減速度十分慢，就可以收斂到優(yōu)化問題的全局最優(yōu)可行解。SA算法流程圖如圖2所示。

(15)

圖2 SA算法流程圖

3.2 SA-BPSO算法

在使用SA-BPSO算法求解數(shù)學模型(14)時，假設(shè)粒子群的總體個數(shù)為Q；算法的當前迭代次數(shù)為n，其范圍為n∈{1,2,…,Pmax}，Pmax為迭代的總數(shù)，則第i個粒子的位置矩陣和速度矩陣分別表示如下：

(16)

(17)

在算法的第n次迭代過程中，第i個粒子的速度更新公式為

適用于該算法的自適應(yīng)函數(shù)如(22)式所示

f(X)=F(X)=T(D)

(22)

綜上所述，SA-BPSO算法求解該二值優(yōu)化問題模型的總體流程圖如圖3所示。通過圖3可知，在使用SA-BPSO求解(14)式的優(yōu)化問題模型中，關(guān)于算法復雜度的分析主要包含三部分。第一個是使用Dijkstra算法尋求圖U中兩節(jié)點間傳送單位數(shù)據(jù)量的最短時間和最短路徑，該算法復雜度主要體現(xiàn)在頂點的個數(shù)，即圖U中節(jié)點數(shù)量，同時本文需要求各個節(jié)點之間的最短距離，所以復雜度是O(n3)。第二個是針對任務(wù)總時延和總能耗的計算，該過程的算法復雜度主要體現(xiàn)在遍歷任務(wù)節(jié)點到所有霧節(jié)點的映射情況，所以復雜度為O(n2)。第三個是針對粒子群尋找最優(yōu)映射關(guān)系的過程，其中算法復雜度主要由粒子群數(shù)目和迭代次數(shù)決定，也就是O(NmaxQ)。

圖3 SA-BPSO算法總體流程圖

4 仿真實驗與結(jié)果分析

仿真參數(shù)設(shè)置如表1所示，emax為單個匯聚節(jié)點所能攜帶的最大能量，本次仿真共設(shè)有18個匯聚節(jié)點，所以這些匯聚節(jié)點具有的最大能量范圍為[10,40]J；fc為云服務(wù)器的任務(wù)處理能力；pfog為匯聚節(jié)點的任務(wù)處理能力；Rfog為霧網(wǎng)絡(luò)的鏈路數(shù)據(jù)傳輸速率；α為子任務(wù)的平均難度系數(shù)[13-15]。SA-BPSO算法的參數(shù)為：粒子群的總體數(shù)量Q=40，算法的總迭代次數(shù)Nmax=100，加速常數(shù)c1=c2=1，慣性權(quán)重w=1.5。仿真采用的DAG與UG模型分別如圖4～5所示。

表1 參數(shù)設(shè)置表

圖4 任務(wù)模型圖

圖5 網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖

4.1 路徑計算與WSN融合云計算的任務(wù)處理時延對比

為驗證本文提到的路徑計算方法優(yōu)于傳統(tǒng)的云計算任務(wù)處理方式，在平均任務(wù)難度系數(shù)α和Emax相同的情況下進行仿真，其中Emax設(shè)置為40 J，仿真結(jié)果如圖6所示。由圖6可知在數(shù)據(jù)量為1 Mb時，路徑計算的總時延為0.771 s，而云計算的總時延(0.895 s)稍大于路徑計算。在數(shù)據(jù)量從1 Mb增加至10 Mb的過程中，路徑計算的計算時延平均增速大于傳輸時延，分別是0.451 s/Mb和0.173 s/Mb；云計算的傳輸時延平均增速較大，為0.8 s/Mb，而計算時延平均增速僅為0.095 s/Mb。在數(shù)據(jù)量為10 Mb時，路徑計算的任務(wù)處理總時延比云計算減少了3.547 s，性能提升約40%。綜上可知，路徑計算的時延性能優(yōu)于云計算。

圖6 路徑計算與云計算的時延性能對比

4.2 任務(wù)處理時延與任務(wù)難度系數(shù)的變化關(guān)系

在數(shù)據(jù)量和Emax分別取10 Mb和40 J的情況下，仿真結(jié)果如圖7所示。

圖7 任務(wù)難度系數(shù)對任務(wù)處理時延的影響

從圖7得知，在任務(wù)難度系數(shù)從0.6α提高到1.4α的過程中，路徑計算的傳輸時延與計算時延分別增加了0.184,3.486 s；云計算的傳輸時延未發(fā)生改變，計算時延只增加了0.76 s。路徑計算與云計算的傳輸時延幾乎無變化，兩者的計算時延雖然都呈上升趨勢，但是路徑計算的增幅遠大于云計算。主要原因是任務(wù)難度系數(shù)只會影響計算時延，不會對傳輸時延造成影響，同時隨著任務(wù)難度系數(shù)逐漸提高，云計算會體現(xiàn)出其任務(wù)處理能力優(yōu)勢，而匯聚節(jié)點的任務(wù)處理能力有限，從而導致兩者的計算時延存在較大差距。

4.3 總能耗與數(shù)據(jù)量和任務(wù)難度系數(shù)的關(guān)系

為說明在不同數(shù)據(jù)量和任務(wù)難度系數(shù)下霧網(wǎng)絡(luò)的總能耗特性，在時延優(yōu)化的基礎(chǔ)上進行仿真，其仿真結(jié)果如圖8所示。

圖8 數(shù)據(jù)量和任務(wù)難度系數(shù)對總能耗的影響

仿真結(jié)果顯示當任務(wù)難度系數(shù)固定時，隨著數(shù)據(jù)量增加，霧網(wǎng)絡(luò)的總能耗呈逐漸上升趨勢，同時隨著任務(wù)難度系數(shù)增大，相應(yīng)的總能耗上升幅度也在增加。具體來講，當數(shù)據(jù)量由2 Mb增加至12 Mb，任務(wù)難度系數(shù)分別取0.6α,1.4α時，總能耗的增幅分別為22.8和46.7 J。因為隨著數(shù)據(jù)量與任務(wù)難度系數(shù)的增加，霧節(jié)點處理任務(wù)所需的時延將升高，導致能耗變大。當任務(wù)難度系數(shù)逐漸增大時，較小數(shù)據(jù)量的總能耗增長趨平緩，但隨著數(shù)據(jù)量的增加，增幅變得越來越大。比如：在任務(wù)難度系數(shù)從0.6α增加至1.4α時，數(shù)據(jù)量取2 Mb與12 Mb的能耗分別增加了13%和105%。原因是在數(shù)據(jù)量較小時，任務(wù)難度系數(shù)的改變對任務(wù)處理時延的影響不大，因此能耗變化程度很?。坏S著數(shù)據(jù)量的增加，任務(wù)難度系數(shù)的影響會越發(fā)明顯，所以能耗急劇增長。

4.4 多種映射算法的時延性能對比

本小節(jié)從Emax角度出發(fā)，比較了SA-BPSO算法同貪婪負載均衡算法(Greedy-LB)、加權(quán)輪轉(zhuǎn)算法(WRR)和隨機動態(tài)算法(Pick-KX)的任務(wù)計算時延，仿真結(jié)果如圖9所示。同時將SA-BPSO算法與BPSO算法從收斂速度方面進行了對比，仿真結(jié)果如圖10所示。

圖9在數(shù)據(jù)量與任務(wù)難度系數(shù)分別取10 Mb和α時，隨著Emax的增加，4種算法對應(yīng)的計算時延都逼近為一個常數(shù)，同時在這個過程中SA-BSPO算法的任務(wù)計算時延一直優(yōu)于其他3種算法。在Emax取40 J時，SA-BSPO、Greedy-LB、WRR和Pick-KX的計算時延分別為2.919,6.032,6.647和7.701 s，SA-BSPO算法相比其他3種算法分別降低了51.60%，56.08%和62.09%。

圖9 不同霧網(wǎng)絡(luò)最大能耗對四種算法計算時延的影響

圖10 BPSO算法與SA-BPSO算法收斂速度對比

圖10在Emax取40 J、數(shù)據(jù)量取10 Mb和任務(wù)難度系數(shù)為α的情況下，2種算法隨著迭代次數(shù)增加，都呈現(xiàn)先下降后趨于5.3 s的趨勢，但可以看出SA-BPSO收斂所用的迭代次數(shù)明顯少于BPSO。在迭代次數(shù)為100時，SA-BPSO與BPSO算法的路徑計算總時延分別為5.317 3，5.331 8 s。因此，SA-BPSO算法相比于BPSO算法具有良好的收斂性和魯棒性，求得的解更準確。因為SA-BPSO算法隨著代次數(shù)增加，接收劣值的概率逐步降低，從而改善了BPSO算法收斂性較差的問題；同時SA-BPSO算法相比BPSO算法增強了全局搜索能力，使算法的迭代速度與收斂的精確度得到提高。

5 結(jié) 論

本文針對WSN融合云計算技術(shù)時效性不好的問題，提出了基于云霧網(wǎng)絡(luò)架構(gòu)的路徑計算方法，并研究了基于SA-BPSO算法的映射規(guī)則，同時將WSN的能耗問題納入研究范圍。仿真結(jié)果表明，該方法有效地解決了云計算模式中任務(wù)處理時延比較高的問題，同時對比其他映射算法，本文的映射算法降低了任務(wù)計算時延，實現(xiàn)了對監(jiān)測任務(wù)的最優(yōu)映射。雖然本次研究驗證了該方法的有效性，但是依然存在著許多未考慮的地方，比如：任務(wù)映射規(guī)則僅研究了單任務(wù)場景和約束條件只考慮了霧網(wǎng)絡(luò)的總能耗要求。因此，在以后的研究中應(yīng)該從單個匯聚節(jié)點的能耗要求和剩余能量、多任務(wù)場景或WSN鏈路質(zhì)量等方面出發(fā)繼續(xù)深化研究內(nèi)容，進一步在能耗約束下減少任務(wù)處理時延，延長WSN壽命。