張占平,趙庶旭,王小龍,韓淑梅,元 琳,張家禎
(蘭州交通大學(xué) 電子與信息工程學(xué)院,蘭州 730070)
在泛在互聯(lián)(internet of everything,IOE)的推動(dòng)下,大量的智能設(shè)備通過(guò)無(wú)線傳感網(wǎng)接入到Internet中,用戶可通過(guò)應(yīng)用程序?qū)崿F(xiàn)設(shè)備的遠(yuǎn)程訪問(wèn)與管理,然而大多數(shù)智能設(shè)備之間地理位置分散,已有的通信技術(shù)(如藍(lán)牙、WiFi和Z-Wave等)很難滿足遠(yuǎn)距離、低功耗及低成本的要求.長(zhǎng)距離廣域網(wǎng)是低功耗廣域網(wǎng)(low-power wide-area network,LPWAN)的一種實(shí)現(xiàn)方式,具有通信距離遠(yuǎn)、功耗低、成本低等特點(diǎn)[1],其為IOE提供了一種新的實(shí)現(xiàn)方式.
LoRaWAN由傳感節(jié)點(diǎn)、網(wǎng)關(guān)和云服務(wù)器組成.其中:傳感器節(jié)點(diǎn)負(fù)責(zé)數(shù)據(jù)的采集、計(jì)算及通信;網(wǎng)關(guān)作為匯聚節(jié)點(diǎn),負(fù)責(zé)傳感節(jié)點(diǎn)數(shù)據(jù)的轉(zhuǎn)發(fā)和管理,同時(shí)在傳感節(jié)點(diǎn)和云服務(wù)器間建立了信息橋梁;云服務(wù)器負(fù)責(zé)傳感節(jié)點(diǎn)數(shù)據(jù)的存儲(chǔ)、計(jì)算及管理.隨著LoRaWAN傳感網(wǎng)應(yīng)用范圍和規(guī)模的增大,傳感節(jié)點(diǎn)產(chǎn)生了大量的數(shù)據(jù),但這些傳感節(jié)點(diǎn)由于資源受限而無(wú)法為數(shù)據(jù)提供足夠的計(jì)算資源.在LoRaWAN傳感網(wǎng)中,通常通過(guò)傳感云實(shí)現(xiàn)數(shù)據(jù)的處理,即把傳感節(jié)點(diǎn)數(shù)據(jù)卸載到云服務(wù)器上進(jìn)行處理,并將處理的結(jié) 果 返 回 給 用 戶,如TTN平 臺(tái)[2].傳 統(tǒng) 的LoRaWAN傳感云架構(gòu)[3]如圖1所示.
圖1 LoRaWAN傳感云架構(gòu)Fig.1 Structure of LoRaWAN sensing cloud
但大規(guī)模傳感節(jié)點(diǎn)產(chǎn)生的海量數(shù)據(jù)在云端集中處理有以下幾點(diǎn)不足:
1)由于云服務(wù)的供應(yīng)商其信譽(yù)度及安全性無(wú)法預(yù)測(cè),這將增加數(shù)據(jù)泄露的風(fēng)險(xiǎn);
2)LoRaWAN傳感網(wǎng)與核心網(wǎng)之間頻繁的數(shù)據(jù)交換不但會(huì)帶來(lái)非必要的能量損耗,而且會(huì)給核心網(wǎng)增加額外的壓力;
3)由于核心網(wǎng)絡(luò)帶寬、吞吐量有限,基于傳感云的數(shù)據(jù)處理方式很難滿足時(shí)延敏感型應(yīng)用程序.
為解決上述問(wèn)題,本文提出了一種基于LoRaWAN的邊緣傳感云架構(gòu),它是邊緣計(jì)算和LoRaWAN傳感網(wǎng)技術(shù)融合的產(chǎn)物,旨在靠近傳感網(wǎng)的位置部署邊緣服務(wù)器,提高LoRaWAN傳感節(jié)點(diǎn)的計(jì)算能力及數(shù)據(jù)傳輸安全性,同時(shí)降低計(jì)算時(shí)延、能耗及成本.其中,基于LoRaWAN的邊緣傳感云計(jì)算卸載技術(shù)作為一個(gè)重要的研究方向,已受到國(guó)內(nèi)外學(xué)者的廣泛研究.目前,對(duì)卸載策略的研究主要集中于三個(gè)方向:時(shí)延最小化、能耗最小化和二者加權(quán)的聯(lián)合函數(shù)最小化[4].文獻(xiàn)[5-7]主要側(cè)重于時(shí)延最小化的研究,其中:文獻(xiàn)[5]研究了多用戶場(chǎng)景下的智能卸載計(jì)算問(wèn)題,提出了一種基于LSTM的任務(wù)數(shù)據(jù)量及復(fù)雜度預(yù)測(cè)算法,根據(jù)預(yù)測(cè)結(jié)果進(jìn)行邊緣資源的分配,從而解決多用戶大數(shù)量下任務(wù)卸載的時(shí)延問(wèn)題;文獻(xiàn)[6]針對(duì)非正交多址邊緣場(chǎng)景(NOMA-MEC)中任務(wù)卸載的時(shí)延最小化問(wèn)題,通過(guò)構(gòu)建分?jǐn)?shù)規(guī)劃模型,并采用Dinkelbach和牛頓法得到卸載策略;文獻(xiàn)[7]針對(duì)分布式邊緣場(chǎng)景下的時(shí)延優(yōu)化問(wèn)題,提出了一種邊緣節(jié)點(diǎn)選擇算法,根據(jù)任務(wù)的時(shí)延約束選擇合適的邊緣節(jié)點(diǎn),進(jìn)行任務(wù)卸載.文獻(xiàn)[8-10]主要側(cè)重于能耗最小化的研究,其中:文獻(xiàn)[8]針對(duì)終端設(shè)備計(jì)算能力受限的問(wèn)題,構(gòu)建了一種基于ARIMA-BP的節(jié)能卸載策略,并設(shè)計(jì)了一種選擇性卸載算法來(lái)獲得能耗最小的卸載策略;文獻(xiàn)[9]研究了車載終端的能耗優(yōu)化問(wèn)題,提出一種基于交替方向乘子法的資源分配算法,通過(guò)該算法為能耗受限的車載終端分配邊緣資源,以降低終端的數(shù)據(jù)處理能耗;文獻(xiàn)[10]針對(duì)電池供電的智能終端,由于其電量無(wú)法支撐密集型任務(wù)計(jì)算問(wèn)題,構(gòu)建了一種部分任務(wù)卸載模型,通過(guò)遺傳算法得到終端能耗最小的卸載策略.文獻(xiàn)[11-14]側(cè)重于時(shí)延能耗的聯(lián)合優(yōu)化,其中:文獻(xiàn)[11]構(gòu)建了一種WiFi和蜂窩網(wǎng)絡(luò)同時(shí)覆蓋的卸載場(chǎng)景,該場(chǎng)景下將任務(wù)卸載的時(shí)延及能耗優(yōu)化轉(zhuǎn)化為一種非凸優(yōu)化問(wèn)題,并結(jié)合線性規(guī)劃與交替優(yōu)化技術(shù)設(shè)計(jì)了一種迭代算法,優(yōu)化系統(tǒng)增益;文獻(xiàn)[12]研究了可分塊任務(wù)卸載的時(shí)延能耗聯(lián)合優(yōu)化問(wèn)題,通過(guò)提出一種基于匈牙利算法的低復(fù)雜度自適應(yīng)算法,得到時(shí)延能耗最優(yōu)的卸載策略;文獻(xiàn)[13]針對(duì)MEC場(chǎng)景中不同終端對(duì)時(shí)延及能耗需求的差異問(wèn)題,建立了一種資源分配與任務(wù)卸載的聯(lián)合優(yōu)化模型,并提出了一種兩階段啟發(fā)式優(yōu)化算法,尋求系統(tǒng)最優(yōu)策略;文獻(xiàn)[14]在邊緣協(xié)同物聯(lián)網(wǎng)場(chǎng)景中,針對(duì)密集型任務(wù)卸載導(dǎo)致的高時(shí)延問(wèn)題,提出一種快速非支配排序算法,以平衡任務(wù)卸載中系統(tǒng)的時(shí)延與能耗.
經(jīng)上述分析,文獻(xiàn)[5-7]雖然降低了卸載的時(shí)延,滿足時(shí)延敏感型任務(wù)的要求,但忽略了系統(tǒng)能耗,這將因系統(tǒng)卸載能耗過(guò)高而導(dǎo)致穩(wěn)定性變差;文獻(xiàn)[8-10]所提方法能有效降低任務(wù)卸載的能耗,但很難適用于時(shí)延敏感型任務(wù)的卸載,同時(shí)沒(méi)有考慮多任務(wù)并發(fā)條件下的任務(wù)排隊(duì)時(shí)延問(wèn)題;文獻(xiàn)[11]考慮了不同網(wǎng)絡(luò)覆蓋下的時(shí)延能耗聯(lián)合優(yōu)化問(wèn)題,但側(cè)重于單邊緣服務(wù)器場(chǎng)景的優(yōu)化,且沒(méi)有考慮到數(shù)據(jù)卸載的信道選擇;文獻(xiàn)[12-13]所提方法在多邊緣服務(wù)器場(chǎng)景存在后期收斂速度慢的問(wèn)題;文獻(xiàn)[14]在卸載過(guò)程中只對(duì)系統(tǒng)時(shí)延及能耗進(jìn)行平衡,沒(méi)有給出時(shí)延能耗聯(lián)合優(yōu)化的卸載方案.
另外,上述研究沒(méi)有考慮數(shù)據(jù)卸載傳輸中的安全性、多任務(wù)并發(fā)下的排隊(duì)問(wèn)題及任務(wù)卸載的價(jià)格.本文在上述研究的基礎(chǔ)上,提出一種基于邊緣傳感云的LoRaWAN傳感網(wǎng)安全卸載方案.首先,考慮到已有的基站及LoRaWAN網(wǎng)關(guān)使用MIMO(multiple input multiple output)通信,在數(shù)據(jù)傳輸階段提出一種基于隱私熵的天線陣列信道選擇方案;其次,為得到時(shí)延、能耗及成本的聯(lián)合最優(yōu)卸載策略,提出一種聯(lián)合優(yōu)化方案;最后,提出一種改進(jìn)的蟻群算法(improved ant colony optimization,IACO),以獲得較好的信道分配及數(shù)據(jù)卸載策略.
本文構(gòu)建了一種基于邊緣傳感云的LoRaWAN傳感網(wǎng)安全卸載系統(tǒng)模型,如圖2所示.針對(duì)本文場(chǎng)景作以下假設(shè):1)LoRaWAN節(jié)點(diǎn)采集的數(shù)據(jù)可切分;2)數(shù)據(jù)傳輸過(guò)程傳輸速率穩(wěn)定;3)數(shù)據(jù)塊在邊緣服務(wù)器并行計(jì)算.該系統(tǒng)的處理過(guò)程如下:
圖2 系統(tǒng)架構(gòu)Fig.2 System structure
第一步:用戶通過(guò)邊緣層基站接入網(wǎng)絡(luò)中,并通過(guò)應(yīng)用程序發(fā)出數(shù)據(jù)請(qǐng)求Rq={rq1,rq2,…,rqρ};
第二步:傳感節(jié)點(diǎn)Node={node1,node2,…,noden}根據(jù)請(qǐng)求集合采集數(shù)據(jù),并根據(jù)已采集數(shù)據(jù)的類型決策出需卸載數(shù)據(jù)集合Data={data1,data2,…,datan};
第三步:傳感節(jié)點(diǎn)將所卸載數(shù)據(jù)的屬性發(fā)送給協(xié)同優(yōu)化層,協(xié)同優(yōu)化層檢測(cè)邊緣服務(wù)器狀態(tài)及天線模式;
第四步:根據(jù)應(yīng)用對(duì)數(shù)據(jù)的時(shí)延、能耗、價(jià)格及安全性要求,生成信道分配及數(shù)據(jù)卸載策略,并給傳感節(jié)點(diǎn)返回生成的策略;
第五步:傳感節(jié)點(diǎn)對(duì)卸載數(shù)據(jù)分塊,并根據(jù)所得策略將數(shù)據(jù)卸載到不同的邊緣服務(wù)器ES={es1,es2,…,esz},用戶通過(guò)應(yīng)用從邊緣服務(wù)器獲取計(jì)算結(jié)果.其中:不同邊緣服務(wù)器的計(jì)算速度由集合F=表示.
針對(duì)所提的邊緣傳感云架構(gòu)提出以下3點(diǎn)假設(shè):1)LoRaWAN傳感節(jié)點(diǎn)采集的密集型數(shù)據(jù)可切分;2)數(shù)據(jù)傳輸中網(wǎng)絡(luò)帶寬穩(wěn)定;3)不同數(shù)據(jù)塊在多個(gè)邊緣服務(wù)器并行計(jì)算.
場(chǎng)景中其它參數(shù)及符號(hào)定義見(jiàn)表1.
表1 符號(hào)說(shuō)明Tab.1 Symbol description
天線陣列能提高通信效率,有效節(jié)約通信資源,已被廣泛應(yīng)用于網(wǎng)關(guān)和基站.現(xiàn)有的天線陣列傳輸模式有隨機(jī)傳輸模式(random antenna transmission,RAT)、最大傳輸模式(max antenna transmission,MAT)、聯(lián)合傳輸模式(joint antenna transmission,JAT)[14].不同的傳輸模式其傳輸帶寬、成本及能耗都有所不同,服務(wù)提供商可根據(jù)不同場(chǎng)景的要求選擇不同的傳輸模式,而傳感網(wǎng)節(jié)點(diǎn)與網(wǎng)關(guān)之間使用單天線傳輸.
1)傳感網(wǎng)傳輸模式:LoRaWAN節(jié)點(diǎn)與網(wǎng)關(guān)之間通過(guò)單模天線傳輸,使用LoRaWAN標(biāo)準(zhǔn)通信,傳輸速率由式(1)表示.
2)RAT傳輸模式:隨機(jī)從天線陣列選出單個(gè)天線進(jìn)行數(shù)據(jù)傳輸,該模式能降低傳輸功率,延長(zhǎng)設(shè)備運(yùn)行壽命,但傳輸時(shí)延高、效率低.該模式的傳輸速率由式(2)表示.
其中:random表示隨機(jī)函數(shù).
3)MAT傳輸模式:首先檢測(cè)多個(gè)天線參數(shù),從中選擇傳輸速率最大的天線進(jìn)行通信.與RAT模式相比,傳輸時(shí)延較小.傳輸速率由式(3)表示.
其中:max表示最大值函數(shù).
4)JAT傳輸模式:所有天線全功率傳輸,傳輸速率最快,時(shí)延最小,但成本高,能耗大.傳輸速率由式(4)表示.
根據(jù)天線陣列中數(shù)據(jù)傳輸?shù)陌踩岳碚摚?5],數(shù)據(jù)塊在信道中分布越混亂,表明攻擊者截獲數(shù)據(jù)塊的概率就越小,數(shù)據(jù)傳輸安全性越高.基于此,本文構(gòu)建了基于隱私熵的天線陣列信道選擇模型.?dāng)?shù)據(jù)Data集合與信道分配策略U之間的關(guān)系由式(5)表示,每個(gè)數(shù)據(jù)datan可分成G個(gè)子塊,其在不同信道傳輸概率的Prn,g服從參數(shù)為Ψ的泊松分布[16],由式(6)表示,子數(shù)據(jù)塊與信道選擇概率的關(guān)系由式(7)表示.
其中:g=1,2,3,…,G;U矩陣為所有數(shù)據(jù)信道分配的策略矩陣;元素un={δij|1≤i≤G,1≤j≤p}表示數(shù)據(jù)datan子塊的信道分配策略矩陣,其中δij∈{0,1},值為1時(shí),表示子數(shù)據(jù)塊i在信道j傳輸,否則不在其上傳輸;Prn,g表示數(shù)據(jù)datan的dn,g子塊選擇信道的概率.datan傳輸總隱私熵由式(8)計(jì)算,信道選擇策略與所得隱私熵間的關(guān)系由式(9)表示,所有數(shù)據(jù)的平均隱私熵由式(10)表示.
考慮到數(shù)據(jù)卸載對(duì)系統(tǒng)時(shí)延、能耗及價(jià)格的約束,本文建立聯(lián)合優(yōu)化模型.設(shè)卸載策略矩陣為Y={yij|1≤i≤r,1≤j≤z},yij∈{0,1},其值為1時(shí),表示節(jié)點(diǎn)i的數(shù)據(jù)在邊緣服務(wù)器j上計(jì)算,否則不在其上計(jì)算.
在基于邊緣云的LoRaWAN場(chǎng)景中,節(jié)點(diǎn)的密集型數(shù)據(jù)在邊緣服務(wù)器得到處理.為了減少應(yīng)用請(qǐng)求的時(shí)延Tmecij,僅將一些對(duì)時(shí)間不敏感的計(jì)算任務(wù)卸載到云數(shù)據(jù)中心執(zhí)行.應(yīng)用請(qǐng)求的響應(yīng)時(shí)延包括傳感網(wǎng)內(nèi)傳輸時(shí)延、無(wú)線網(wǎng)傳播時(shí)延、數(shù)據(jù)在邊緣端排隊(duì)時(shí)延和計(jì)算時(shí)延四個(gè)部分.考慮到邊緣服務(wù)器處于滿載時(shí),數(shù)據(jù)需要排隊(duì),本文基于M/M/Z/∞[17-18]排隊(duì)模式,建立排隊(duì)模型并計(jì)算數(shù)據(jù)的排隊(duì)時(shí)延.假設(shè)在ΔT時(shí)隙內(nèi),數(shù)據(jù)到達(dá)z臺(tái)邊緣服務(wù)器的概率服從參數(shù)為θ的泊松分布,同時(shí),z臺(tái)邊緣服務(wù)器處理數(shù)據(jù)塊的速度服從參數(shù)為Δ的指數(shù)分布,則z臺(tái)邊緣服務(wù)器的服務(wù)強(qiáng)度PowESz由式(11)表示.因此,第一個(gè)數(shù)據(jù)到達(dá)邊緣服務(wù)器的概率PES0由式(12)表示,根據(jù)PES0得到數(shù)據(jù)datai到邊緣服務(wù)器需要排隊(duì)的概率為PESi,由式(13)表示.datai的排隊(duì)時(shí)延由式(14)表示,不同計(jì)算能力服務(wù)器排隊(duì)時(shí)間變化如圖3所示,其中n表示密集型數(shù)據(jù)的數(shù)量.
圖3 不同服務(wù)強(qiáng)度及密集型數(shù)據(jù)數(shù)量下的排隊(duì)時(shí)延Fig.3 Data queuing delay under different service intensityand number of tasks
數(shù)據(jù)傳輸過(guò)程中的時(shí)延和能耗由數(shù)據(jù)量和傳輸帶寬決定,datai卸載到邊緣服務(wù)器j所需的總時(shí)延由式(15)表示,其中為Data集合中密集型數(shù)據(jù)datai的排隊(duì)時(shí)延由式(11)~(14)計(jì)算;Duli表示datai的數(shù)據(jù)量.
數(shù)據(jù)從傳感網(wǎng)節(jié)點(diǎn)卸載到邊緣服務(wù)器,在邊緣服務(wù)器上完成數(shù)據(jù)處理,并將結(jié)果反饋給用戶,該過(guò)程所需的總能耗包括傳感網(wǎng)內(nèi)傳輸能耗、核心網(wǎng)傳輸能耗及邊緣服務(wù)器計(jì)算能耗,如式(16)所示.
數(shù)據(jù)datai卸載的總價(jià)格由傳感網(wǎng)、無(wú)線核心網(wǎng)絡(luò)的傳輸價(jià)格和邊緣服務(wù)器計(jì)算價(jià)格及數(shù)據(jù)量計(jì)算.不同邊緣服務(wù)器的計(jì)算價(jià)格不同,且與計(jì)算能力成正比,則數(shù)據(jù)datai卸載過(guò)程中所需的價(jià)格由式(17)表示.
1.5.1 問(wèn)題描述
在邊緣傳感云LoRaWAN場(chǎng)景下,數(shù)據(jù)傳輸?shù)淖畲蠡[私熵和卸載過(guò)程的最小化卸載成本(時(shí)延、能耗、價(jià)格)是待優(yōu)化的兩個(gè)目標(biāo).對(duì)場(chǎng)景中響應(yīng)時(shí)延、能耗、價(jià)格進(jìn)行綜合考慮,使用權(quán)重系數(shù)平衡三者的比重,通過(guò)聯(lián)合優(yōu)化方式將不同目標(biāo)轉(zhuǎn)化為一個(gè)綜合開(kāi)銷目標(biāo),建立最小化開(kāi)銷的優(yōu)化模型.其中卸載的總時(shí)延、能耗和價(jià)格分別由式(18)~(20)表示.
問(wèn)題1:尋求信道分配策略U使式(10)取最大隱私熵;
問(wèn)題2:在問(wèn)題1條件下,尋求資源分配策略Y使得式(21)聯(lián)合成本最?。?/p>
其中:0≤α≤1;0≤β≤1;0≤1-α-β≤1.
1.5.2 求解方法
上述求解信道分配矩陣U和資源分配矩陣Y問(wèn)題是一個(gè)NP問(wèn)題,使用數(shù)學(xué)方法雖然能找到所求解,但其計(jì)算規(guī)模較大,計(jì)算時(shí)延較長(zhǎng),很難滿足需求.蟻群算法[19](ant colony optimization,ACO)是一種仿生啟發(fā)式算法,適用于求解最優(yōu)問(wèn)題,但原始的ACO算法應(yīng)用于本文場(chǎng)景時(shí),存在后期收斂速度慢的問(wèn)題.為了得到快而準(zhǔn)的策略,本文借鑒粒子群算法中的全局最優(yōu)引導(dǎo)策略[20-21],提出一種改進(jìn)的蟻群算法IACO.
根據(jù)是否出現(xiàn)新策略設(shè)置信息素的更新方式,若迭代后沒(méi)有出現(xiàn)更優(yōu)的卸載策略,則使用式(22)更新信息素;若出現(xiàn)更優(yōu)的策略,則使用式(23)更新信息素.IACO算法記錄了每次搜索產(chǎn)生的最優(yōu)信息素分配策略,當(dāng)每次迭代出現(xiàn)最優(yōu)解時(shí),通過(guò)式(23)增強(qiáng)上次最優(yōu)解對(duì)本次信息素分配的影響,從而縮小本次最優(yōu)解空間的搜索范圍.在更小范圍的解空間中尋找最優(yōu)解,可降低算法的求解時(shí)間,同時(shí),IACO為了使算法不陷于局部最優(yōu),與前一次結(jié)果比較,當(dāng)本次迭代后未出現(xiàn)更優(yōu)解時(shí),通過(guò)式(22)進(jìn)行全局信息素更新.與原始ACO相比,本文算法不需要每次從全局尋求最優(yōu)解,而是在得到的滿意解集合中尋求最優(yōu)解,以此減少算法的迭代次數(shù)和搜索時(shí)間,提高后期的收斂速度.然后將其應(yīng)用于求解天線陣列信道選擇策略和邊緣資源分配中.該算法的選擇概率矩陣Φ由式(24)表示,其中:λ為信息素因子;ξ為啟發(fā)因子.IACO算法的處理流程如圖4所示.
圖4 IACO算法處理流程Fig.4 IACO algorithm processing flow
本文仿真平臺(tái)的配置為MAC OS 10.14.6,Intel Core i9 2.3 GHz,Python3.7.4.IACO算法求解信道分配策略和卸載策略中設(shè)置λ=0.5,ξ=2.其中:信道選擇策略中設(shè)置蟻群數(shù)量為10,迭代次數(shù)為20,并與基于隨機(jī)信道選擇(random channel selection,RCS)方法和基于ACO信道選擇方法所得隱私熵對(duì)比;在求解卸載策略中設(shè)置螞蟻數(shù)量為20,迭代次數(shù)為30,與基于遺傳算法(GA)的卸載方案[22]、先進(jìn)先出(first in first out,F(xiàn)IFO)算法的卸載方案[23]及ACO算法卸載方案進(jìn)行對(duì)比.實(shí)驗(yàn)其它參數(shù)設(shè)置見(jiàn)表2.
表2 實(shí)驗(yàn)參數(shù)設(shè)置Tab.2 Experimental parameter
2.2.1 信道選擇分析
針對(duì)不同方法下信道分配的隱私熵進(jìn)行測(cè)試,結(jié)果如圖5所示.隨著迭代次數(shù)增加,IACO方案所得隱私熵收斂于3.32,與ACO方案相比提高了15.5%,所得的隱私熵最大,表明IACO所得策略傳輸安全性最高;而ACO方案得到的隱私熵收斂于2.9,且其收斂速度較慢.通過(guò)分析可得:原始的ACO易陷入局部最優(yōu)解,這會(huì)降低信道選擇的隱私熵;而RCS方案在數(shù)據(jù)傳輸中隨機(jī)選擇信道,將導(dǎo)致隱私熵在很大范圍內(nèi)變化,因此無(wú)法長(zhǎng)期保證信道分配的安全性.
圖5 不同信道選擇策略的隱私熵對(duì)比Fig.5 Privacy entropy of channel selection with different strategies
針對(duì)不同傳輸模式對(duì)隱私熵進(jìn)行分析,結(jié)果如圖6所示.圖6中,JAT模式下得到的隱私熵最大且收斂于4.3,而RAT模式的隱私熵最小,收斂于2.9.通過(guò)分析可得:隨著天線數(shù)量的增加,信道數(shù)量增多,子數(shù)據(jù)塊在信道中分布越混亂,所得熵值越大;而RAT模式下信道數(shù)量相對(duì)較少,所以數(shù)據(jù)塊的信道選擇受限,導(dǎo)致隱私熵較??;MAT的隱私熵收斂于3.3,由于MAT模式在傳輸過(guò)程中選擇最大傳輸速率的天線,而該天線中的信道數(shù)量比其它天線多,但小于總信道個(gè)數(shù),因此得到的隱私熵介于RAT和JAT之間.
圖6 不同傳輸模式隱私熵Fig.6 Privacy entropy for different transmission mode
為了度量所得策略的隱私保護(hù)強(qiáng)度,本文采用Kullback-Leibler(KL)[24-25]散度衡量不同方案的隱私泄露風(fēng)險(xiǎn),其值越低,表明隱私保護(hù)強(qiáng)度越高,數(shù)據(jù)越不易泄露.
相同迭代數(shù)i下不同信道選擇策略g(xi)和f(xi)的隱私泄漏(CPL)風(fēng)險(xiǎn)由式(25)定義.
其中:N為算法總迭代次數(shù);g(xi)為隨機(jī)信道選擇策略;f(xi)為基于ACO或IACO的信道選擇策略.
在JAT模式下,針對(duì)不同方案隱私熵的KL散度進(jìn)行對(duì)比,結(jié)果如圖7所示.圖7中,IACO方案的KL散度最小,且收斂于2.2,與ACO方案相比,降低了11.64%,而ACO方案的KL值收斂于2.49,表明IACO方案的策略在數(shù)據(jù)傳輸過(guò)程中隱私保護(hù)效果最好.
圖7 不同方法的KL散度對(duì)比Fig.7 KL divergence comparison of different methods
2.2.2 時(shí)延分析
設(shè)置參數(shù)α=1,β=0,即優(yōu)化目標(biāo)函數(shù)為系統(tǒng)的總時(shí)延.針對(duì)不同方法進(jìn)行了時(shí)延測(cè)試,結(jié)果如圖8所示.由圖8可知:本文IACO方案得到的策略在卸載過(guò)程所需時(shí)延為336.63 ms,較ACO減少了5.6%,與其他算法相比其卸載時(shí)延最小;而ACO,GA及FIFO得到的卸載策略時(shí)延分別為465.63 ms,356.80 ms和379 ms;GA方案在本場(chǎng)景中收斂速度慢、效率低,導(dǎo)致在規(guī)定的迭代次數(shù)內(nèi)得到的卸載策略時(shí)延較大;FIFO方案由于其卸載較為隨機(jī),所得卸載策略的時(shí)延分布在[368.90,372.10]范圍內(nèi);本文所提的IACO方法使數(shù)據(jù)在邊緣服務(wù)器并行計(jì)算,降低了計(jì)算時(shí)延,相對(duì)于上述其他方法,表現(xiàn)更優(yōu).
針對(duì)不同傳輸模式下的時(shí)延進(jìn)行對(duì)比,結(jié)果如圖9所示.由圖9可知:JAT模式卸載時(shí)延最小,為36.47 ms,而MAT和RAT的時(shí)延分別為52.61 ms和335.81 ms,這是因?yàn)?,隨著天線陣列中天線增加,數(shù)據(jù)的傳輸時(shí)延降低,導(dǎo)致總時(shí)延降低;而RAT模式下的傳輸時(shí)延遠(yuǎn)大于其它兩種模式,分析可知RAT模式隨機(jī)選擇天線,當(dāng)選擇速率小的天線時(shí)會(huì)增加傳輸時(shí)延,導(dǎo)致總時(shí)延增大.
圖9 不同傳輸模式的卸載時(shí)延Fig.9 Offloading delay for different transmission modes
2.2.3 價(jià)格分析
設(shè)置參數(shù)α=0,β=0時(shí),其優(yōu)化目標(biāo)函數(shù)為卸載的總價(jià)格.針對(duì)不同方法下卸載價(jià)格進(jìn)行測(cè)試,結(jié)果如圖10所示.由圖10可知:本文所提IACO方案經(jīng)過(guò)28次迭代后,最優(yōu)價(jià)格收斂于124.19元,與ACO相比降低了9.67%;而ACO、GA方案雖然收斂速度較快,但其得到的策略在卸載中價(jià)格較高,最低價(jià)格分別為136.04元和156.91元,因?yàn)锳CO和GA方案在迭代次數(shù)較少的情況下只得到局部滿意策略,其策略對(duì)應(yīng)的卸載價(jià)格較高,而IACO能快速得到價(jià)格的最優(yōu)策略.
圖10 不同方法卸載價(jià)格Fig.10 Offloading prices of different methods
針對(duì)不同傳輸模式下的價(jià)格進(jìn)行實(shí)驗(yàn)對(duì)比,結(jié)果如圖11所示.由圖11可知:RAT模式下本文方法的卸載價(jià)格最低,為155.54元,這是因?yàn)镽AT天線數(shù)量最少,傳輸成本低,從而使總成本最低;而JAT模式和MAT模式下價(jià)格分別為231.65元和199.89元,因?yàn)殡S著天線數(shù)量的增加,傳輸價(jià)格增加,從而導(dǎo)致總卸載價(jià)格增大.
圖11 不同傳輸模式的卸載價(jià)格Fig.11 Offloading prices for different transmission modes
2.2.4 聯(lián)合優(yōu)化分析
通過(guò)綜合考慮時(shí)延、能耗及價(jià)格三個(gè)因素,設(shè)置α∈[0,1],β∈[0,1-α].針對(duì)不同方案在隨機(jī)權(quán)重因子α=0.2,β=0.3下的卸載開(kāi)銷對(duì)比,如圖12所示.由圖12可知:經(jīng)過(guò)30次迭代,除FIFO方案外,GA,ACO及IACO方案都達(dá)到收斂,但本文所得方案總開(kāi)銷最小,為147.17,較ACO方案,降低了12.7%;而ACO和GA方案的總開(kāi)銷分別為156.89和195.23,結(jié)果均大于IACO方案,表明IACO方案在聯(lián)合優(yōu)化下仍能找到最優(yōu)的卸載策略.
圖12 聯(lián)合優(yōu)化卸載成本(α=0.2,β=0.3)Fig.12 Joint optimal offloading cost(α=0.2,β=0.3)
本文研究了LoRaWAN場(chǎng)景下的可切分?jǐn)?shù)據(jù)的卸載問(wèn)題,綜合考慮了時(shí)延、能耗、價(jià)格,提出一種聯(lián)合優(yōu)化卸載模型.考慮到天線陣列中數(shù)據(jù)卸載傳輸?shù)陌踩珕?wèn)題,提出了一種基于隱私熵的信道選擇模型,并通過(guò)KL散度對(duì)隱私保護(hù)效果評(píng)價(jià);最后,采用IACO算法求解數(shù)據(jù)卸載和信道選擇的最優(yōu)策略.仿真實(shí)驗(yàn)結(jié)果表明:與FIFO,GA及ACO卸載方案相比,IACO方案在信道選擇和資源分配中具有更好的性能和更高的應(yīng)用價(jià)值.下一步工作,研究引入隱私保護(hù)的卸載效率問(wèn)題和本方法在真實(shí)場(chǎng)景的差異性.