趙庶旭，張占平，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 730071)

無線傳感器網(wǎng)絡(luò)(wireless sensor network, WSN)具有部署方便、抗干擾能力強(qiáng)、安裝成本低等特點(diǎn)，它能擴(kuò)展人們收集外界信息的能力[1]。將傳感器節(jié)點(diǎn)部署在不同的環(huán)境中，實(shí)時(shí)、便捷地獲取所需數(shù)據(jù)，實(shí)現(xiàn)了信息世界與物理世界的無縫融合。因此，傳感網(wǎng)已被廣泛應(yīng)用于環(huán)境監(jiān)測(cè)、智能家居、智能制造、智慧醫(yī)療等領(lǐng)域[2]。近年來，日益增長(zhǎng)的應(yīng)用需求和用戶規(guī)模對(duì)傳感網(wǎng)數(shù)據(jù)的多樣性、實(shí)時(shí)性和安全性提出了新的要求。傳感云的誕生為之提供了有效的解決方案。傳感云作為云計(jì)算與傳感網(wǎng)結(jié)合的一種新技術(shù)，給傳感網(wǎng)注入了新的活力，催生了新的應(yīng)用與服務(wù)，同時(shí)拓展了傳感網(wǎng)在數(shù)據(jù)處理和存儲(chǔ)方面的能力[3]。但考慮到云服務(wù)商(cloud service provider, CSP)提供的服務(wù)機(jī)制存在數(shù)據(jù)隱私和數(shù)據(jù)完整性等潛在問題[4]，無論CSP 采取何種可靠措施，基礎(chǔ)設(shè)施都可能出現(xiàn)漏洞。同時(shí)，信譽(yù)度低的CSP 可能會(huì)泄露或隱藏用戶存儲(chǔ)的私人數(shù)據(jù)[5]。邊緣傳感云能為用戶提供低時(shí)延、低能耗和高安全性的服務(wù)，其中邊緣協(xié)同傳感云資源分配已成為當(dāng)前研究的重點(diǎn)問題。

文獻(xiàn)[6]從數(shù)據(jù)采集、存儲(chǔ)、處理及安全性等方面對(duì)傳感云和邊緣協(xié)同傳感網(wǎng)進(jìn)行對(duì)比分析，研究表明基于中心化的傳感云易發(fā)生數(shù)據(jù)泄露，且傳感網(wǎng)與云端頻繁的數(shù)據(jù)交換易導(dǎo)致核心網(wǎng)絡(luò)阻塞及能耗損失加??；同時(shí)該文獻(xiàn)指出邊緣協(xié)同傳感網(wǎng)是一種擴(kuò)展傳感網(wǎng)計(jì)算能力和存儲(chǔ)能力的有效技術(shù)。文獻(xiàn)[7]針對(duì)精準(zhǔn)農(nóng)業(yè)中數(shù)據(jù)采集冗余會(huì)增加WSN能耗和時(shí)延問題，提出一種基于邊緣計(jì)算的低時(shí)延和低能耗多傳感器數(shù)據(jù)采集方法，但沒有考慮到傳感節(jié)點(diǎn)密集型數(shù)據(jù)的處理。文獻(xiàn)[8]在智慧家居場(chǎng)景中針對(duì)傳感云架構(gòu)易出現(xiàn)數(shù)據(jù)丟失及篡改的問題，提出了一種結(jié)合邊緣計(jì)算與區(qū)塊鏈技術(shù)的數(shù)據(jù)處理架構(gòu)，通過在邊緣層部署異常數(shù)據(jù)檢測(cè)算法，以保證傳感網(wǎng)數(shù)據(jù)質(zhì)量，但沒有考慮到時(shí)延及能耗的優(yōu)化。文獻(xiàn)[9]針對(duì)時(shí)空變化場(chǎng)景中WSN 感知質(zhì)量與節(jié)點(diǎn)能耗不平衡的問題，提出了一種分層的邊緣自適應(yīng)框架，通過主成分分析和稀疏貝葉斯學(xué)習(xí)算法得到了感知質(zhì)量和傳感節(jié)點(diǎn)能耗的權(quán)衡策略，但未考慮感知時(shí)延的優(yōu)化。文獻(xiàn)[10]在智慧物流場(chǎng)景中，針對(duì)分布式倉庫管理系統(tǒng)響應(yīng)時(shí)延較長(zhǎng)的問題，構(gòu)建了一種基于邊緣計(jì)算的WSN 快速響應(yīng)系統(tǒng)，并通過一種快速響應(yīng)算法優(yōu)化系統(tǒng)響應(yīng)時(shí)延，但該方法單方面考慮時(shí)延會(huì)導(dǎo)致WSN 節(jié)點(diǎn)電量消耗過快。

上述研究主要集中于邊緣協(xié)同傳感網(wǎng)數(shù)據(jù)質(zhì)量、時(shí)延及能耗方面的優(yōu)化，忽略了密集型數(shù)據(jù)卸載到邊緣服器的隱私泄露問題。為解決該問題，本文設(shè)計(jì)了一種最大化隱私熵的分布式邊緣協(xié)同資源選擇(distributed edge collaborative resource selection,DECRS)聯(lián)合優(yōu)化方案，針對(duì)優(yōu)化問題建立數(shù)學(xué)模型，并采用智能啟發(fā)式算法得到時(shí)延、能耗及隱私熵聯(lián)合優(yōu)化的邊緣資源選擇策略。同時(shí)，考慮到多傳感器傳感網(wǎng)數(shù)據(jù)采集中冗余數(shù)據(jù)導(dǎo)致節(jié)點(diǎn)時(shí)延和能耗增加問題，提出一種邊緣協(xié)同分析節(jié)點(diǎn)選擇(edge collaborative analysis node selection, ECANS)方案，在最大化數(shù)據(jù)質(zhì)量條件下得到數(shù)據(jù)采集策略。

1 系統(tǒng)描述

本文系統(tǒng)模型如圖1 所示。該模型由傳感器網(wǎng)絡(luò)、邊緣服務(wù)器、邊緣優(yōu)化器和應(yīng)用程序組成。其 中， N={N1,N2,···,Nζ}表 示 傳 感 網(wǎng) 集 合，Nζ={n1,n2,···,nψ} 表 示 傳 感 網(wǎng) ζ 的 傳 感 節(jié) 點(diǎn) 集 合，X={x1,x2,,···,xψ}表 示傳感網(wǎng) ζ中每個(gè)傳感節(jié)點(diǎn)的位置信息， ? ={l1,l2,···,lκ}為區(qū)域信息，且滿足式(1)和式(2)。

圖1 系統(tǒng)模型

傳感器集合由P={p1,p2,···,pξ}表示，規(guī)定相同區(qū)域內(nèi)不同傳感節(jié)點(diǎn)的傳感器不完全相同，且能采集聲音、視頻、圖像、濕度、溫度等數(shù)據(jù)。邊緣服務(wù)器由集合Q={q1,q2,···,qω}表示?？紤]到傳感網(wǎng)節(jié)點(diǎn)資源受限，當(dāng)應(yīng)用程序集合Rapp={R1,R2,···,Rτ}中的一個(gè)或多個(gè)應(yīng)用請(qǐng)求計(jì)算密集型數(shù)據(jù)時(shí)，需要把數(shù)據(jù)分塊，然后卸載到邊緣服務(wù)器。與其他物聯(lián)網(wǎng)設(shè)備不同，傳感網(wǎng)中的數(shù)據(jù)可分為直接量和間接量，直接量不需要額外計(jì)算，從傳感器讀取后能直接使用，如溫度、濕度等；而間接量需要把采集的數(shù)據(jù)處理后將結(jié)果提供給應(yīng)用程序，如圖像、視頻目標(biāo)檢測(cè)、語音識(shí)別等[11]。若強(qiáng)行在傳感網(wǎng)節(jié)點(diǎn)計(jì)算間接量，會(huì)消耗大量節(jié)點(diǎn)能耗，導(dǎo)致傳感網(wǎng)節(jié)點(diǎn)過早死亡。

本文架構(gòu)的處理流程主要由數(shù)據(jù)采集和邊緣資源選擇兩階段組成，如圖2 所示。在數(shù)據(jù)采集階段，為降低數(shù)據(jù)采集的時(shí)延與能耗，提出了ECANS方案獲得數(shù)據(jù)采集策略；在邊緣資源選擇階段，提出了一種最大化隱私熵的DECRS 方案，先根據(jù)優(yōu)化目標(biāo)建立模型，然后通過智能啟發(fā)式算法得到最大化隱私熵下的最優(yōu)邊緣資源選擇策略。

圖2 系統(tǒng)處理流程

1.1 ECANS 方案

在多傳感器傳感網(wǎng)數(shù)據(jù)采集中，不合理的數(shù)據(jù)采集策略不但消耗大量的節(jié)點(diǎn)能耗，還會(huì)增加數(shù)據(jù)采集時(shí)延。本文考慮到現(xiàn)有方法存在多傳感器傳感網(wǎng)數(shù)據(jù)采集中采集數(shù)據(jù)冗余度大的問題，設(shè)計(jì)了基于字母編碼(letter coding, LC)的ECANS 方案，通過ECANS 算法得到數(shù)據(jù)質(zhì)量最大化下的節(jié)點(diǎn)選擇策略。定義單個(gè)傳感器與節(jié)點(diǎn)的關(guān)系由式(3)表示，則所有節(jié)點(diǎn)與傳感器的連接關(guān)系由矩陣Π 表示：

用戶通過應(yīng)用程序請(qǐng)求的數(shù)據(jù)集合由Rτ={Rd1,Rd2,···,Rdσ}表示，單個(gè)傳感節(jié)點(diǎn)提供的數(shù)據(jù)由nψ={s1,s2,···,sρ}表 示，其中sρ為一個(gè)三元組， 且 type(type ∈{0,1})為數(shù)據(jù)類型，0 表示直接量(無需卸載)，1 表示間接量(需要卸載)， d ata volum為數(shù)據(jù)量?？紤]到應(yīng)用程序請(qǐng)求數(shù)據(jù)與傳感器提供數(shù)據(jù)存在長(zhǎng)度差異問題，本文提出一種基于LC 的數(shù)據(jù)編碼方法。已知請(qǐng)求數(shù)據(jù)長(zhǎng)度為σ，響應(yīng)數(shù)據(jù)長(zhǎng)度為傳感節(jié)點(diǎn)上傳感器的個(gè)數(shù)。單個(gè)傳感節(jié)點(diǎn)獲取有效數(shù)據(jù)的過程為：

圖3 LC 數(shù)據(jù)編碼流程

所有節(jié)點(diǎn)提供的數(shù)據(jù)與用戶應(yīng)用程序請(qǐng)求數(shù)據(jù)須滿足式(5)：

定 義 有效數(shù)據(jù)與總數(shù)據(jù)的比值為數(shù)據(jù)質(zhì)量(data quality, DQ)，數(shù)據(jù)采集中DQ 值越大，表明節(jié)點(diǎn)選擇策略越好[7]。節(jié)點(diǎn) ξ的數(shù)據(jù)質(zhì)量由式(6)表示。為得到節(jié)點(diǎn)選擇策略，本文設(shè)計(jì)了ECANS 算法，描述如算法1 所示，其中ID 函數(shù)用于返回該數(shù)據(jù)編碼對(duì)應(yīng)的節(jié)點(diǎn)序號(hào)。

返回Nodeout

1.2 分布式資源選擇隱私保護(hù)模型

在傳感網(wǎng)節(jié)點(diǎn)密集型數(shù)據(jù)處理中，基于中心化的計(jì)算模式增加了數(shù)據(jù)泄露風(fēng)險(xiǎn)。為降低該風(fēng)險(xiǎn)，提出一種基于隱私保護(hù)的DECRS 方案。首先將單個(gè)密集型數(shù)據(jù)分塊；然后基于智能啟發(fā)式算法得到最大化隱私熵條件下的邊緣資源選擇策略；最后通過該策略把數(shù)據(jù)卸載到分布式邊緣服務(wù)器(distributed edge server, DES)上。該方法有效提高了數(shù)據(jù)塊在DES 上計(jì)算的分布，從而達(dá)到降低數(shù)據(jù)泄露的目的。

密集型數(shù)據(jù)的資源選擇策略由矩陣Y=[y1,y2,···,yη]表 示，其中yη由 式(7)表示，當(dāng)子數(shù)據(jù)塊 θ在邊緣服務(wù)器qω計(jì) 算時(shí)bθ,ω為1，否則bθ,ω為0。對(duì)于應(yīng)用請(qǐng)求 Rdσ，經(jīng)ECANS 方案節(jié)點(diǎn)選擇及數(shù)據(jù)采集后所得的密集型數(shù)據(jù)由集合Data={data1,data2,···,dataη}表 示。該集合中密集型數(shù)據(jù) Data與資源選擇策略Y的關(guān)系由式(8)表示。且 dataη可被隨機(jī)分成θ個(gè)子塊，如集合 dataη={dη,1,dη,2,···,dη,θ}，為保證數(shù)據(jù)的完整性， θ需滿足式(9)約束，其中 ω為邊緣服務(wù)器數(shù)量。 dataη的子數(shù)據(jù)塊dη,θ卸載到邊緣服務(wù)器的概率 prη,k服從參數(shù)為 χ的泊松分布[12]，如式(10)所示。子數(shù)據(jù)塊dη,θ與其資源分配概率的關(guān)系如式(11)所示。

數(shù)據(jù) dataη的隱私熵由式(12)計(jì)算，則所有數(shù)據(jù) Data的 資源選擇策略Y與隱私熵K的關(guān)系由式(13)表示， D ata中 所有數(shù)據(jù)卸載的平均隱私熵K由式(14)表示。

1.3 分布式資源選擇時(shí)延、能耗模型

為降低邊緣資源分配中的時(shí)延和能耗，建立時(shí)延和能耗的優(yōu)化模型。在場(chǎng)景中，邊緣服務(wù)器的計(jì)算速率由集合F={f1mec,f2mec,···,fωmec}表示，不同計(jì)算速率的邊緣服務(wù)器計(jì)算時(shí)產(chǎn)生的時(shí)延和能耗不同。

1)邊緣資源選擇時(shí)延模型

分布式邊緣資源選擇的時(shí)延包括傳感網(wǎng)數(shù)據(jù)采集時(shí)延、傳感網(wǎng)、核心網(wǎng)的數(shù)據(jù)傳輸時(shí)延和邊緣服務(wù)器上的計(jì)算時(shí)延。設(shè)集合DSData={ds1,ds2,···,dsη}表示 Data的數(shù)據(jù)量。數(shù)據(jù)在WSN 的傳輸速率滿足香農(nóng)定理：

式中，Csensor表 示傳感網(wǎng)傳輸速率；Bsensor表示傳感網(wǎng)帶寬；Ps為 傳輸功率； δs為 天線增益； φs表示信道噪聲。數(shù)據(jù)在傳感網(wǎng)的傳輸時(shí)延由式(16)計(jì)算，其中 dsi為 第i個(gè)傳感網(wǎng)節(jié)點(diǎn)密集型數(shù)據(jù)的數(shù)據(jù)量。

節(jié)點(diǎn)數(shù)據(jù)從WSN 到達(dá)邊緣服務(wù)器需經(jīng)過核心網(wǎng)，其接入方式分為無線網(wǎng)絡(luò)接入和有線網(wǎng)絡(luò)接入[13-14]。本文選擇天線陣列(antenna array, AA)接入，因此數(shù)據(jù)在核心網(wǎng)的傳輸速率仍然滿足香農(nóng)定理，如式(17)，所有數(shù)據(jù) D ata在核心網(wǎng)的傳輸時(shí)延由式(18)計(jì)算。

多個(gè)子數(shù)據(jù)塊dη,θ在邊緣服務(wù)器上并行計(jì)算，計(jì)算時(shí)延tη,j如 式(19)所示，且 dataη的計(jì)算時(shí)延由多個(gè)子塊計(jì)算時(shí)延的最大值tη決定，如式(20)所示。傳感節(jié)點(diǎn)的數(shù)據(jù)采集時(shí)延及計(jì)算時(shí)延如式(21)和式(22)所示。

2)邊緣資源選擇能耗模型

在分布式邊緣資源選擇中，系統(tǒng)能耗主要來源于數(shù)據(jù)采集、傳輸和計(jì)算過程。系統(tǒng)能耗由數(shù)據(jù)量、傳輸功率和計(jì)算功率決定，且不同的邊緣服務(wù)器由于計(jì)算能力的不同，其計(jì)算功率也存在差異。多個(gè)邊緣服務(wù)器單位數(shù)據(jù)的計(jì)算功率由集合PMEC={p1,p2,···,pω}表 示，子數(shù)據(jù)塊 d sη,j的計(jì)算能耗wη,j由式(24)計(jì)算，則 dataη和 Data中全部數(shù)據(jù)計(jì)算所消耗的能耗wη、WMEC分別由式(25)、式(26)表示，其中pi表示邊緣服務(wù)器i計(jì)算的功率。

數(shù)據(jù)在傳感網(wǎng)和核心網(wǎng)的傳輸能耗由式(27)和式(28)計(jì)算，傳感節(jié)點(diǎn)數(shù)據(jù)采集的能耗由式(29)計(jì)算，則邊緣資源選擇的總能耗W由式(30)計(jì)算。

2 邊緣協(xié)同優(yōu)化及求解

2.1 問題描述

在分布式邊緣協(xié)同傳感網(wǎng)場(chǎng)景下，時(shí)延和能耗是資源選擇中最常用的兩個(gè)指標(biāo)，隱私熵用于衡量資源分配的安全性。本文綜合考慮這3 個(gè)因素，構(gòu)建聯(lián)合優(yōu)化函數(shù)如下：

式中， α,β ∈[0, 1]用于調(diào)節(jié)系統(tǒng)資源選擇中對(duì)時(shí)延、能耗及隱私熵的權(quán)衡，若 α值越大，系統(tǒng)資源選擇對(duì)時(shí)延越敏感，若 β值越大，則系統(tǒng)資源選擇對(duì)能耗越敏感，若1 ?α?β值越大，則表明系統(tǒng)對(duì)數(shù)據(jù)隱私越敏感。最終，把邊緣協(xié)同優(yōu)化問題轉(zhuǎn)化為系統(tǒng)隱私熵Kreq、時(shí)延Treq、 能耗Ereq約束下尋找最佳資源選擇策略Y?問題，使得式(32)取最小值，其中Y?為Y的最優(yōu)策略。

2.2 求解方法

針對(duì)上述問題，首先通過ECANS 方案得到節(jié)點(diǎn)選擇策略，并根據(jù)該策略采集數(shù)據(jù)。之后在資源選擇階段使用DECRS 方案得到條件約束下的最優(yōu)卸載策略。由于求解策略矩陣Y?是一個(gè)NP 問題，其凹凸性不確定，用數(shù)學(xué)方法無法在有限時(shí)間內(nèi)得到滿意解，本文使用智能啟發(fā)式蟻群算法求解邊緣資源選擇策略。但由于傳統(tǒng)的蟻群算法每次把數(shù)據(jù)塊分配給大信息素的邊緣服務(wù)器，將導(dǎo)致算法停滯，即算法很難找到最優(yōu)或近似最優(yōu)解。

算法2 DECRS

輸入：密集型數(shù)據(jù)集合D ata， 螞蟻數(shù)量A ntNum，迭代次數(shù)I terNum， 邊緣服務(wù)器計(jì)算速率集合F；

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境及參數(shù)

在仿真實(shí)驗(yàn)環(huán)境下進(jìn)行實(shí)驗(yàn)，操作系統(tǒng)為MAC OS15.6，CPU 為Intel i9 2.30 GHz，內(nèi) 存 為16 GB，硬 盤 為512 GB，編 程 平 臺(tái) 為Pycharm 2019，編程語言為Python。實(shí)驗(yàn)包括數(shù)據(jù)采集和邊緣資源選擇兩部分。根據(jù)本文所提方案，首先在不同區(qū)域傳感網(wǎng)中分別采用多種方法采集數(shù)據(jù)，并分析不同方法的時(shí)延與能耗；然后，針對(duì)密集型數(shù)據(jù)邊緣資源選擇問題，通過DECRS 方案、基于遺傳算法(genetic algorithm, GA)方案[14]、基于粒子群算法(particle swarm optimization, PSO)方案[15]及隨機(jī)選擇(random resource selection, RRS)方案，得到不同方案資源選擇策略的時(shí)延、能耗及隱私熵，并對(duì)其進(jìn)行分析。實(shí)驗(yàn)的其他參數(shù)見表1。

表1 實(shí)驗(yàn)參數(shù)

3.2 實(shí)驗(yàn)結(jié)果分析

1) ECANS 方案時(shí)延及能耗分析

為驗(yàn)證ECANS 方案的數(shù)據(jù)采集性能，將本文方案與文獻(xiàn)[7]的有效節(jié)點(diǎn)選擇方案(effective node sensing, ENS)、區(qū)域節(jié)點(diǎn)周期性采集方案(periodically sensing with all nodes, PSAN)從時(shí)延性能和能耗性能方面進(jìn)行對(duì)比分析。圖4 為數(shù)據(jù)采集的時(shí)延測(cè)試，實(shí)驗(yàn)表明本文ECANS 方案數(shù)據(jù)采集時(shí)延最短，且平均采集時(shí)延為1.45 s；ENS 方案更趨向于滿足應(yīng)用請(qǐng)求的節(jié)點(diǎn)組合，而沒有考慮冗余數(shù)據(jù)對(duì)數(shù)據(jù)采集時(shí)延的影響，平均時(shí)延為3.35 s；PSAN方案采集整個(gè)區(qū)域節(jié)點(diǎn)的數(shù)據(jù)，因此數(shù)據(jù)冗余度更大，從而導(dǎo)致數(shù)據(jù)采集時(shí)延最大且每次都相同[16]，平均時(shí)延為5.00 s。ECANS 方案較ENS 和PSAN，平均時(shí)延分別降低了56.71%和71.00%。

圖4 傳感節(jié)點(diǎn)數(shù)據(jù)采集時(shí)延

圖5 為能耗對(duì)比分析。在多次數(shù)據(jù)采集中本文所提方法的能耗最小，為10.39 J；ENS 方案通過剔除無關(guān)節(jié)點(diǎn)減少了節(jié)點(diǎn)采集數(shù)據(jù)的數(shù)量，從而降低了數(shù)據(jù)采集的能耗，能耗為24.54 J；而PSAN方案在數(shù)據(jù)采集時(shí)，需要采集區(qū)域內(nèi)所有節(jié)點(diǎn)上傳感器的數(shù)據(jù)，這將導(dǎo)致數(shù)據(jù)采集能耗最大，為44.70 J。ECANS 方案較ENS 和PSAN，平均能耗分別降低了57.66%和76.76%。

圖5 傳感節(jié)點(diǎn)數(shù)據(jù)采集能耗

圖6 為不同數(shù)據(jù)采集方案的數(shù)據(jù)質(zhì)量，由圖可得本文的ECANS 方案所得的平均數(shù)據(jù)質(zhì)量最高，為57.66%，經(jīng)分析得本方案有效剔除了無關(guān)及相關(guān)度小的傳感節(jié)點(diǎn)，得到最佳的數(shù)據(jù)采集策略，從而使數(shù)據(jù)質(zhì)量最大化。而ENS 方案和PSAN 方案所得平均數(shù)據(jù)質(zhì)量分別為30.40%和22.93%，這是由于采集無關(guān)傳感節(jié)點(diǎn)的數(shù)據(jù)導(dǎo)致數(shù)據(jù)質(zhì)量降低。

圖6 傳感節(jié)點(diǎn)數(shù)據(jù)采集數(shù)據(jù)質(zhì)量

2) DECRS 方案隱私熵分析

在相同的數(shù)據(jù)分塊方式下，不同邊緣資源選擇方案的隱私熵對(duì)比如圖7 所示。圖中RRS 方案的隱私熵在迭代次數(shù)為25 時(shí)達(dá)到最大3.90，由于隨機(jī)資源選擇的不確定性大，但不能使隱私熵持續(xù)最大化。對(duì)于其他方案，隨著迭代次數(shù)的增加，GA方案的隱私熵收斂于2.90，PSO 方案的隱私熵收斂于3.32，而DECRS 方案最終達(dá)到3.83。分析得出DECRS 方案使用的改進(jìn)蟻群算法收斂速度快，不易陷入局部最優(yōu)，而PSO 方案和GA 方案的核心算法在本場(chǎng)景收斂速度慢、效率低，更易陷入局部最優(yōu)。

圖7 不同方法的隱私熵

針對(duì)不同分塊數(shù)量對(duì)DECRS 方案隱私熵的影響進(jìn)行仿真，結(jié)果如圖8 所示。實(shí)驗(yàn)中分別設(shè)置分塊數(shù)為5、10、15 塊，并對(duì)其進(jìn)行邊緣資源分配。實(shí)驗(yàn)結(jié)果表明，在邊緣服務(wù)器數(shù)量為15 臺(tái)的條件下，隨著分?jǐn)?shù)增加，隱私熵增大，分別為2.29、3.27、3.83。經(jīng)分析得知，隨著分塊數(shù)量越接近邊緣服務(wù)器數(shù)，子數(shù)據(jù)塊被分配到邊緣服務(wù)器越均勻，被攻擊者得到完整數(shù)據(jù)的概率越小，從而數(shù)據(jù)泄露風(fēng)險(xiǎn)越小[17]。

圖8 不同分塊方式的隱私熵

為評(píng)價(jià)隱私保護(hù)強(qiáng)度，本文采用Kiullback-Leibler(KL)[18-21]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。

兩 個(gè)特 征 集 {(xi,yi)|xi,yi∈Rn}和 {(xi′,yi)|x′i,yi∈Rn}最多有一條記錄不同，采用KL 散度，可將不同傳輸模式下的隱私泄漏CPL 定義為：

以隨機(jī)資源選擇所得的最大隱私熵作為標(biāo)準(zhǔn)，分別計(jì)算不同方案在每次資源選擇的KL 散度，如圖9 所示，隨著迭代次數(shù)的增加，GA 方案、PSO方案及DECRS 方案的KL 散度都呈下降趨勢(shì)，這是因?yàn)? 種方案在資源選擇時(shí)以最大化隱私熵為目標(biāo)資源選擇。但3 者達(dá)到收斂分別收斂于2.87、2.20、1.49，有CPL(GA)>CPL(PSO)>CPL(DECRS)，表明DECRS 方案所得的策略隱私泄露風(fēng)險(xiǎn)較低。

圖9 KL 散度對(duì)比

3) DECRS 方案時(shí)延、能耗分析

不同資源選擇方案的時(shí)延如圖10 所示，隨著迭代次數(shù)的增加，RRS 的時(shí)延在[20.25, 83.34]內(nèi)變化，而隨著迭代次數(shù)增加，GA、PSO、DECRS方案的總時(shí)延呈現(xiàn)下降趨勢(shì)，但GA 方案和PSO 方案的收斂效率低，且分別收斂于14.57 s 和12.23 s；DECRS 方案收斂于9.89 s，表現(xiàn)最好。經(jīng)分析，DECRS 方案得到解的效率及精度高，且可使數(shù)據(jù)塊在最小時(shí)延約束下在多個(gè)邊緣服務(wù)器上并行計(jì)算，通過減少計(jì)算時(shí)延降低資源分配的總時(shí)延。

圖10 不同方案的資源選擇時(shí)延

不同資源選擇方案的能耗如圖11 所示，由于RRS 資源選擇的隨機(jī)性，其能耗在[376.49,3 765.64]內(nèi)變化。而DECRS 方案收斂于807.36 J，PSO 方案收斂于872.99 J，GA 方案收斂于979.96 J。DECRS 方案較GA 及POS 方案，能耗分別降低了17.56%和7.51%。經(jīng)分析可得，DECRS 方案收斂速度快，能找到近似最優(yōu)解，而GA 方案和PSO方案得到解的質(zhì)量相對(duì)較差。

圖11 不同方案的資源選擇能耗

考慮不同天線陣列模式對(duì)資源選擇時(shí)延的影響，將DECRS 方案在隨機(jī)天線選擇模式(random antenna selection, RAS)、聯(lián)合天線模式(combining selection, CS)、最 大 傳 輸 模 式 (maximum antenna transmission, MAT)下進(jìn)行對(duì)比[22-23]。從圖12 可知，在3 種天線模式下隨著迭代次數(shù)增加時(shí)延降低，且CS 模式收斂于10.07 s，MAT 模式收斂于15.20 s，RAS 模式收斂于17.33 s；CS 模式與RAS模式和MAT 模式相比，傳輸時(shí)延分別降低了41.89%、33.75%。經(jīng)分析得，CS 模式下所有天線被開啟并傳輸數(shù)據(jù)，使傳輸帶寬增加，從而使傳輸時(shí)延降低，而RAS 模式和MAT 模式的速率均小于CS 模式，因此，傳輸時(shí)延相對(duì)較大。

圖12 不同傳輸模式的資源選擇時(shí)延

不同天線模式的能耗如圖13 所示。RAS 模式能耗收斂于923.59 J，MAT 模式能耗收斂于991.37 J，CS 模 式 收 斂 于1 145.09 J。RAS 模 式 能 耗 較MAT 及CS，分別降低了19.34%和6.84%。經(jīng)分析得，CS 模式下所有天線被開啟后，隨著傳輸速率的增大，系統(tǒng)能耗也會(huì)增大，而RAS 模式隨機(jī)選擇單個(gè)天線傳輸，從而導(dǎo)致總能耗減小。

圖13 不同傳輸模式的資源選擇能耗

隨機(jī)生成權(quán)重因子(本文 α=0.4， β =0.3)的總開銷如圖14 所示，在相同傳輸模式下，RRS 方案的總開銷在[83.81, 767.22]范圍內(nèi)變化，其他3 種方案的總成本均低于RRS 方案。經(jīng)分析得，資源選擇中，DECRS 方案、PSO 方案及GA 方案考慮到時(shí)延、能耗及隱私熵倒數(shù)的聯(lián)合最小，尋找最優(yōu)的資源選擇策略，且分別收斂于166.96、180.82和202.98。但DECRS 方案所得的總開銷較PSO方案及GA 方案有顯著減少。同時(shí)，該參數(shù)下聯(lián)合優(yōu)化的總開銷變化趨勢(shì)與能耗相似，這是由于能耗在總開銷占的比重較大，而時(shí)延和隱私熵占比較小。

圖14 資源選擇聯(lián)合優(yōu)化

4)傳感網(wǎng)性能對(duì)比

針對(duì)本文所提的分布式邊緣協(xié)同方法對(duì)傳感網(wǎng)性能提升問題，從時(shí)延及能耗方面進(jìn)行驗(yàn)證與分析。圖15 針對(duì)傳感網(wǎng)數(shù)據(jù)響應(yīng)時(shí)延，系統(tǒng)中引入ECANS 和DECRS 方案后，傳感網(wǎng)響應(yīng)時(shí)延明顯降低，這是由于本文方法在數(shù)據(jù)采集階段通過ECANS 方案得到最優(yōu)數(shù)據(jù)采集策略，從而降低了數(shù)據(jù)采集時(shí)延；而在計(jì)算階段，本文DECRS 方案考慮到用戶時(shí)延、能耗和隱私熵的要求，得到三者聯(lián)合最優(yōu)策略，通過降低數(shù)據(jù)計(jì)算的時(shí)延和傳輸時(shí)延，降低傳感網(wǎng)響應(yīng)時(shí)延。圖16 為傳感網(wǎng)能耗的優(yōu)化結(jié)果，使用本文方法后，傳感網(wǎng)能耗明顯降低。這是由于ECANS 方案在數(shù)據(jù)采集階段減少了傳感節(jié)點(diǎn)數(shù)量，從而減少數(shù)據(jù)采集及傳輸能耗，導(dǎo)致傳感網(wǎng)能耗降低。在節(jié)點(diǎn)密集型數(shù)據(jù)的卸載階段，通過DECRS 方案得到最優(yōu)的資源選擇策略，并將密集型數(shù)據(jù)卸載到邊緣，從而使節(jié)點(diǎn)端數(shù)據(jù)量減少，導(dǎo)致傳感網(wǎng)平均時(shí)延和能耗分別降低了46.92%和11.26%。

圖15 邊緣協(xié)同傳感網(wǎng)節(jié)點(diǎn)時(shí)延

圖16 邊緣協(xié)同傳感網(wǎng)節(jié)點(diǎn)能耗

4 結(jié) 束 語

本文建立了一種分布式邊緣協(xié)同傳感網(wǎng)安全、節(jié)能和高效的資源選擇模型。在傳感網(wǎng)數(shù)據(jù)采集階段，提出一種ECANS 方案，得到最佳數(shù)據(jù)采集策略，通過降低數(shù)據(jù)冗余度，降低節(jié)點(diǎn)數(shù)據(jù)采集的時(shí)延與能耗。在密集型數(shù)據(jù)計(jì)算階段，本文基于啟發(fā)式智能算法和信息熵理論提出一種分布式邊緣協(xié)同WSN 安全、節(jié)能及高效的DECRS 方案，在降低數(shù)據(jù)泄露風(fēng)險(xiǎn)和能耗的同時(shí)提高計(jì)算效率。下一步工作，將基于KubuEdge 及嵌入式硬件實(shí)現(xiàn)本文所提系統(tǒng)及方法，并在真實(shí)場(chǎng)景部署，驗(yàn)證本文方法的性能。