基于群智感知計(jì)算的多終端引擎任務(wù)分配仿真

王 琳,何 春

(1. 成都師范學(xué)院物理與工程技術(shù)學(xué)院,四川 成都 610000 2. 西華師范大學(xué)教育信息技術(shù)中心,四川 南充 637000)

1 引言

隨著通信技術(shù)的發(fā)展,融合技術(shù)逐漸演變?yōu)橥ㄐ判袠I(yè)的主流[1],其包含網(wǎng)絡(luò)融合、終端融合以及業(yè)務(wù)融合三方面,終端融合使通信終端不再受限于計(jì)算機(jī),可以實(shí)現(xiàn)終端自由,如娛樂終端和服務(wù)終端等多種終端。隨著無線接入技術(shù)的更新迭代,多終端越來越復(fù)雜,成本越來越高,在不改變用戶生活、工作等習(xí)慣的條件下,讓用戶體驗(yàn)到泛在的服務(wù),是一種可行的技術(shù)途徑[2,3]。群智感知技術(shù)的出現(xiàn)對無線網(wǎng)絡(luò)所產(chǎn)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(wù)[4,5]。對于不同的終端任務(wù)需求,將任務(wù)分配給最佳的終端,并提高任務(wù)與終端的匹配度與分配效率是群智感知任務(wù)分配的重點(diǎn),這需要通過合理的計(jì)算以達(dá)到任務(wù)完成時(shí)間最短、質(zhì)量完成最好以及成本最少等目的。

目前,國內(nèi)外眾多學(xué)者對多終端任務(wù)分配問題展開了研究。文獻(xiàn)[6]采用本體建模技術(shù)將復(fù)雜的多終端環(huán)境進(jìn)行簡化處理,簡化成單-單、單-多和多-單三種終端環(huán)境,基于物理與邏輯決策方案完成多終端的內(nèi)容適配服務(wù),完善單-單到多-多的過度,實(shí)驗(yàn)結(jié)果表明該方法可解決終端能力問題。文獻(xiàn)[7]采用模糊方法對網(wǎng)絡(luò)的切換時(shí)間進(jìn)行判斷,利用AHP結(jié)合主、客觀因素定義權(quán)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(jià),實(shí)驗(yàn)結(jié)果表明,該方法可以使多終端用戶在網(wǎng)絡(luò)環(huán)境下進(jìn)行高效切換。文獻(xiàn)[8]通過灰色預(yù)測對不同任務(wù)的轉(zhuǎn)換趨勢進(jìn)行判斷,從而獲得線性規(guī)劃模型與任務(wù)分配策略,利用設(shè)置的感知單元跟蹤感知節(jié)點(diǎn),并對多終端任務(wù)的超載狀態(tài)做出判斷,根據(jù)分配矩陣與隨機(jī)游走完成多終端任務(wù)的分配工作,實(shí)驗(yàn)結(jié)果表明,該方法對多終端任務(wù)分配的效率有較大提升。

考慮到多終端引擎與多媒體內(nèi)容特性不匹配,以及終端的選擇與任務(wù)更加匹配等問題,本文提出基于群智感知計(jì)算的多終端引擎任務(wù)分配方法。采用內(nèi)容適配技術(shù)提高用戶體驗(yàn),利用多終端協(xié)同算法列出終端與網(wǎng)絡(luò)的組合方式,為用戶尋求服務(wù)質(zhì)量最大化的網(wǎng)絡(luò)組合,針對任務(wù)分配問題采用群智感知方法進(jìn)行計(jì)算。

2 多終端任務(wù)分配

2.1 多終端協(xié)同適配技術(shù)

在單終端環(huán)境下,用戶通過手機(jī)或PC機(jī)可分別利用GPRS或WLA網(wǎng)絡(luò)對多媒體內(nèi)容進(jìn)行訪問,然而由于這兩種環(huán)境存在多方面差異,進(jìn)而導(dǎo)致適配技術(shù)不同。為了增強(qiáng)內(nèi)容適配,以適應(yīng)更加復(fù)雜的環(huán)境,本文設(shè)計(jì)了多終端協(xié)同內(nèi)容適配服務(wù),如圖1所示。

圖1 多終端協(xié)同整體架構(gòu)

用戶訪問多媒體服務(wù)時(shí)的內(nèi)容是按照文檔的形式存儲(chǔ)在內(nèi)容供應(yīng)商處。第三方服務(wù)主要負(fù)責(zé)語言和格式等轉(zhuǎn)換工具的內(nèi)容適配操作,其通過用戶或內(nèi)容供應(yīng)商注冊、訂購。內(nèi)容適配主要負(fù)責(zé)處理多媒體內(nèi)容與傳輸不匹配等問題,經(jīng)內(nèi)容適配模塊處理后,可通過匹配最佳網(wǎng)絡(luò)、最佳路徑通過終端呈現(xiàn)給用戶,滿足用戶不同需求。本體模型主要負(fù)責(zé)語義描述,通過本體建模工具將模型存儲(chǔ)到數(shù)據(jù)庫中,為內(nèi)容適配模塊的檢索提供便利。

在多終端環(huán)境下,本文將內(nèi)容適配技術(shù)的處理分為獲取階段、分析階段、決策階段和執(zhí)行階段四部分。主要內(nèi)容如下:

獲取階段:主要負(fù)責(zé)對傳輸環(huán)境信息的獲取。內(nèi)容適配模塊通過語言對網(wǎng)絡(luò)接入信息、設(shè)備屬性信息、終端與接入網(wǎng)絡(luò)映射關(guān)系等進(jìn)行查詢,并將查詢結(jié)果傳遞給分析模塊進(jìn)行分析。

分析階段:對網(wǎng)絡(luò)接入信息和終端設(shè)備按照等級進(jìn)行劃分,分別生成優(yōu)先級不同的接入網(wǎng)列表和終端設(shè)備列表,然后對列表進(jìn)行篩選、映射,選擇合適的網(wǎng)絡(luò)與終端設(shè)備。

決策與執(zhí)行階段:采用邏輯與物理決策選擇與多媒體服務(wù)最匹配的終端設(shè)備,將結(jié)果傳遞給終端控制點(diǎn),然后由控制節(jié)點(diǎn)將多媒體服務(wù)驅(qū)動(dòng)到終端設(shè)備上。

2.2 協(xié)同任務(wù)分配算法

與單終端引擎任務(wù)相似,多終端引擎任務(wù)的協(xié)同問題也可以認(rèn)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(yōu)網(wǎng)絡(luò),而多終端情況下求解的是網(wǎng)絡(luò)與終端的最佳組合。

多終端引擎任務(wù)協(xié)同的實(shí)現(xiàn)需要根據(jù)用戶連接的網(wǎng)絡(luò)和可用終端,生成網(wǎng)絡(luò)組合方式,并通過AHP計(jì)算出的網(wǎng)絡(luò)權(quán)重對網(wǎng)絡(luò)進(jìn)行評估。多終端引擎任務(wù)協(xié)同的主要目的是為用戶提供更高的服務(wù)質(zhì)量,因此對網(wǎng)絡(luò)組合進(jìn)行評估時(shí),綜合考慮帶寬、功率和費(fèi)用三個(gè)指標(biāo)使用戶的服務(wù)質(zhì)量最高。結(jié)合用戶偏好將三個(gè)指標(biāo)分為兩類,一類是用戶對功率無要求,更偏愛費(fèi)用低的網(wǎng)絡(luò);二類是用戶對費(fèi)用無要求,更偏愛低功率的網(wǎng)絡(luò)。針對這兩種偏好,構(gòu)建判斷矩陣,可表示為

(1)

通過一致性檢驗(yàn),兩個(gè)矩陣的一致性都比較好,最大特征值對應(yīng)的特征向量可表示為

(2)

經(jīng)歸一化處理,兩種偏好對應(yīng)的寬帶、功率和費(fèi)用的權(quán)重向量分別可表示為

(3)

結(jié)合TOPSIS算法選擇最大的網(wǎng)絡(luò)組合,公式可表示為

(4)

(5)

其中,fij表示候選網(wǎng)絡(luò)組合i的相關(guān)參數(shù)j;fbest＿j表示參數(shù)j的最佳值;fwors＿j表示參數(shù)j的最差值。候選網(wǎng)絡(luò)組合公式可表示為

(6)

(7)

其中,s表示網(wǎng)絡(luò)連接組合的終端數(shù)量;Gban＿i表示i網(wǎng)絡(luò)的帶寬;Gpow＿i表示i網(wǎng)絡(luò)的終端功率;Gcos＿i表示i網(wǎng)絡(luò)的費(fèi)用。根據(jù)多終端引擎任務(wù)協(xié)同算法求解出最優(yōu)的網(wǎng)路組合,實(shí)現(xiàn)多終端任務(wù)自由切換。

3 群智感知計(jì)算模型

群智感知系統(tǒng)主要由數(shù)據(jù)請求、云平臺(tái)、終端和用戶四部分組成。數(shù)據(jù)請求向云平臺(tái)發(fā)出請求數(shù)據(jù)的指令,云平臺(tái)則會(huì)生成任務(wù)集,通過對任務(wù)位置的判斷將任務(wù)子集發(fā)送給對應(yīng)的終端,通過終端的選擇對任務(wù)進(jìn)行匹配,最后終端將用戶提交的數(shù)據(jù)上傳到云平臺(tái)。

群智感知系統(tǒng)發(fā)布感知任務(wù)的類型不同,意味著任務(wù)需求也不同。只有從任務(wù)需求角度出發(fā),選擇出與感知任務(wù)匹配度更高的終端引擎參與任務(wù),才能在極大程度上確保任務(wù)的效率,以及資源利用的最大化。本文采用任務(wù)需求特征提取方法對感知任務(wù)類型的關(guān)鍵詞進(jìn)行提取,發(fā)布的感知任務(wù)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(wù)的文字描述;Tnum表示需要的終端個(gè)數(shù);Ttyp表示任務(wù)要求的終端類型;Tpos表示感知任務(wù)的位置;Tdis表示任務(wù)要求的距離;Tpar表示任務(wù)要求的終端參與度;Ldat表示終端數(shù)據(jù)集;Llab表示終端標(biāo)簽集;Lpos表示終端位置信息。那么任務(wù)集和終端集可分別表示為

(9)

任務(wù)需求特征提取算法通過隸屬度確定各個(gè)數(shù)據(jù)點(diǎn)屬于哪個(gè)聚類的程度,并確定聚類中心的個(gè)數(shù),將所有的任務(wù)集合轉(zhuǎn)換成高維空間的向量并進(jìn)行聚類處理。隸屬度公式為

(10)

其中,Qi表示特征項(xiàng)權(quán)重;Qcen＿i表示聚類中心;β表示模糊指數(shù);所有任務(wù)到聚類中心的隸屬度之和為1。聚類中心可表示為

(11)

進(jìn)而目標(biāo)函數(shù)公式為

(12)

為了使任務(wù)分配的更加合理,選擇任務(wù)需求類別、距離和終端參與度三個(gè)因素對感知終端的選擇進(jìn)行評價(jià)。在實(shí)際群智感知系統(tǒng)任務(wù)分配中,感知平臺(tái)更偏向于選擇近距離的感知終端分配任務(wù)。為了最小化平臺(tái)支出,結(jié)合多終端引擎的空間位置,將距離作為任務(wù)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(wù)和終端距離的遠(yuǎn)近度;r表示表示感知平臺(tái)任務(wù)區(qū)域的半徑大小;dis(Tpos＿i,Lpos＿j)表示任務(wù)位置到終端任務(wù)位置的歐式距離。為了選擇更佳的終端引擎參與任務(wù)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(wù)中累積執(zhí)行的任務(wù)公式可表示為

(14)

其中,Vfin＿j表示終端所執(zhí)行的總?cè)蝿?wù)次數(shù);Vunf＿j表示終端未執(zhí)行的任務(wù)總次數(shù)。感知平臺(tái)對終端數(shù)據(jù)進(jìn)行評分,根據(jù)終端任務(wù)分配情況,計(jì)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(wù)總數(shù);w(i)表示終端完成任務(wù)后的分?jǐn)?shù);max(i)表示感知平臺(tái)最高評分;min(i)表示感知平臺(tái)最低評分。

4 仿真與結(jié)果分析

為了驗(yàn)證本文基于群智感知計(jì)算的多終端引擎任務(wù)分配仿真方法的可行性,選擇電腦1、電腦2、手機(jī)1和手機(jī)2四個(gè)終端設(shè)備進(jìn)行實(shí)驗(yàn),仿真區(qū)域內(nèi)分布3個(gè)WLAN網(wǎng)絡(luò)。

首先通過實(shí)驗(yàn)對多終端協(xié)同算法與用戶偏好的一致性進(jìn)行判斷,來驗(yàn)證多終端協(xié)同算法的性能。一類和二類用戶的功率及費(fèi)用對比結(jié)果如圖2所示。

圖2 費(fèi)用和功率對比結(jié)果

從圖中可以看出,在仿真區(qū)域中,二類用戶功率均比一類用戶低;一類用戶的費(fèi)用均比二類用戶低,說明本文設(shè)計(jì)的多終端協(xié)同算法可以較好的體現(xiàn)出用戶的偏好程度。

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

圖3 任務(wù)類別準(zhǔn)確率

從圖中可以看出,本文算法的任務(wù)類別提取準(zhǔn)確率明顯高于其它兩種算法,準(zhǔn)確率高達(dá)90%以上,這主要是因?yàn)楸疚牟捎秒`屬度對聚類的中心進(jìn)行確定,進(jìn)而對任務(wù)需求進(jìn)行聚類處理。

為了驗(yàn)證本文方法對任務(wù)與終端匹配的準(zhǔn)確性,采用空間權(quán)值向量余弦度量法對任務(wù)-終端匹配度進(jìn)行計(jì)算,并通過仿真將IKAnalyzer和LCS算法與本文方法進(jìn)行對比,任務(wù)-終端匹配度實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 任務(wù)數(shù)量與任務(wù)-終端匹配度關(guān)系

從圖中可以看出,隨著任務(wù)數(shù)量的增加,采用本文方法的任務(wù)-終端匹配度明顯高于LCS算法,略高于IKAnalyzer算法,這是因?yàn)長CS算法對終端選擇上,依賴于固定的設(shè)置。而本文方法隨著任務(wù)數(shù)量的不斷增加,對終端標(biāo)簽進(jìn)行不斷的更新,使任務(wù)-終端的匹配度更加準(zhǔn)確,說明本文在對多終端引擎的選擇上具有較大優(yōu)勢。

5 結(jié)束語

針對多終端引擎任務(wù)分配問題,提出了一種基于群智感知計(jì)算的方法。考慮到終端能力和多媒體服務(wù)不匹配等問題,提出內(nèi)容適配模型,該模型在整體架構(gòu)中起到核心作用。通過任務(wù)需求特征提取方法對任務(wù)類別進(jìn)行提取,解決任務(wù)分配具有的多樣性問題,利用任務(wù)類別、空間和終端參與度選擇滿足任務(wù)需求的終端分配任務(wù)。在實(shí)驗(yàn)中選擇4個(gè)終端、3個(gè)網(wǎng)絡(luò)對本文方法的可行性進(jìn)行仿真驗(yàn)證,并與其它方法進(jìn)行對比,實(shí)驗(yàn)結(jié)果表明,本文方法能夠滿足用戶偏好,以更短的時(shí)間準(zhǔn)確選擇合適的終端執(zhí)行任務(wù),能夠?qū)θ蝿?wù)數(shù)據(jù)進(jìn)行批量處理。