摘要： 針對鏈路負載控制受物聯網搜索空間的影響， 搜索空間過小會降低負載均衡度的問題， 提出一種基于改進遺傳算法的物聯網鏈路負載均衡控制方法. 首先， 構建物聯網鏈路的頻帶傳輸模型， 利用抽頭間隔采樣控制物聯網鏈路傳輸， 建立物聯網鏈路頻帶模型獲得均衡調度函數， 整合頻帶完成負載均衡配置; 其次， 加入分數間隔均衡設計鏈路， 用頻帶分配原則得到頻帶匹配概率， 調節(jié)均衡器的抽頭數值， 設置鏈路碼間干擾項約束; 再次， 給出遺傳算法的參數編碼， 把所有請求都按一維順序排列， 對適應度函數進行線性尺度轉換， 完成遺傳算法的改進; 最后， 組合基因進化染色體， 擴展物聯網搜索空間， 令迭代數量小于最大系數， 實現鏈路傳輸負載的均衡控制. 實驗結果表明， 該方法能較好控制物聯網鏈路負載均衡， 鏈路負載均衡度可達92%， 并且能減少能量消耗.

關鍵詞： 改進遺傳算法； 物聯網鏈路； 負載均衡控制； 頻帶分配； 適應度函數

中圖分類號： TP391; TN919 文獻標志碼： A 文章編號： 1671-5489（2023）04-0922-07

Load Balancing Control Method of IoT Link Based on Improved Genetic Algorithm

JING Wen1， ZHANG Jie1， FU Wenbo1， CHEN Fu2

（1. School of Computer and Network Engineering， Shanxi Datong University， Datong 037009， Shanxi Province， China;

2. School of Mathematics and Statistics， Shanxi Datong University， Datong 037009， Shanxi Province， China）

Abstract： Aiming at the problem that the control of link load was affected by the search space of the Internet of Things， a small" search space could reduce the load balancing degree， we proposed a load balancing control method of the Internet of Things" link based on" improved genetic algorithm. Firstly， the frequency band transmission model of the Internet of Things link was constructed， and tap interval sampling was used to control the transmission of the Internet of Things link， the frequency band model of the Internet of Things link was established" to obtain the balanced scheduling function， and the frequency band was integrated to complete the load balancing configuration. Secondly， we added" fractional interval equalization to design the link， used the frequency band allocation principle to obtain the frequency band matching probability， adjusted the tap value of the equalizer， and set the inter symbol interference term constraint of the link. Thirdly， we gave the parameter code of genetic algorithm， arranged all requests" in one-dimensional order， and" transformed" linear scale on the fitness function to complete the improvement of genetic algorithm. Finally， we combined" gene evolution chromosomes to expand the search space of the Internet of Things， made the number of iterations less than the maximum coefficient， and realized the balancing control of link transmission load. The experimental results show that the proposed method can effectively" control the load balancing of the Internet of Things link， the link load balancing degree can reach 92%， and can reduce energy consumption.

Keywords： improved genetic algorithm; Internet of Things link; load balancing control; frequency band allocation; fitness function

近年來， 隨著科技的發(fā)展， 一種全新的互聯網——物聯網（IoT）應運而生， 其具有很大的發(fā)展空間［1-2］. 物聯網的目的是把物理與信息世界連接起來， 其本質是由大量傳感器節(jié)點［3］構成的大型復雜網絡， 但節(jié)點能量有限， 因此， 如何降低能耗是該領域的研究重點. 目前有兩種方式： 一是通過不斷使用新的硬件［4］技術， 使節(jié)點能及時獲得更多的能量； 二是分析網絡本身的結構裝置［5］. 在物聯網中數據傳輸是能耗最大的環(huán)節(jié)， 鏈路是信息傳輸的關鍵， 通過合理匹配鏈路和傳感節(jié)點數量， 可提高物聯網的傳輸質量. 負載均衡是指將物聯網內鏈路中某個節(jié)點上的多余負載轉移到其他負載較小的節(jié)點上， 以使全部節(jié)點的負載處于一個較均衡的狀態(tài)， 從而提高物聯網的整體負載能力與響應速度， 因此研究物聯網鏈路負載均衡控制方法具有較大的現實意義.

吳海超等［6］在云和霧計算中， 通過構造云霧混合網絡， 合理配置物聯網設備的需求， 將物聯網服務請求均衡模型轉化為優(yōu)化問題， 使服務請求的總延遲降至最低， 并采用改進蝙蝠算法計算網絡均衡， 把邊緣終端分配給附近的設備， 制定合理資源劃分方案， 實現負載均衡; 姚澤瑋等［7］為解決多邊緣環(huán)境下的負載均衡問題， 基于任務調度減少邊緣集中任務的最大響應時間， 以改善系統(tǒng)的運行效率， 并針對形式化多邊界問題， 應用粒子群遺傳方法實現負載的均衡控制. 但上述方法控制后鏈路負載的均衡度較差， 能量消耗較大， 網絡使用壽命并沒有被有效延長. 為解決現有方法存在的問題， 本文將改進遺傳算法應用到負載均衡控制中， 利用改進遺傳算法擴展物聯網搜索空間， 通過迭代計算實現物聯網鏈路負載均衡控制.

1 鏈路頻帶傳輸模型

4 實 驗

為更好地證明本文方法對鏈路負載均衡控制的有效性， 進行測試實驗. 隨機布置一個200×200的區(qū)域， 并在其中設定200個感知節(jié)點， 10個網關， 長度為4 000 bit的數據包. 因為隨機拓撲網絡可較好表示物聯網節(jié)點的分布情況， 所以實驗選擇該網絡作為模擬環(huán)境. 以網關節(jié)點為中心， 構建物聯網的數據傳輸拓撲圖， 如圖3所示.

實驗參數設置如下： 帶寬為13 MHz; 節(jié)點布局方位角為-11°; 節(jié)點布局距離為110～310 m; 采樣頻率為6 MHz; 信號時長為2 s; 前1 s信號頻率為250 Hz; 后1 s信號頻率為300 Hz. 通過上述參數對物聯網鏈路負載均衡控制， 獲得傳輸過程中的鏈路負載情況如圖4所示.

完成物聯網鏈路負載幅值數據的采集后， 設定遺傳算法的參數， 設置個體數目為50， 迭代次數為200， 交叉概率為0.8， 變異概率為0.03. 對比改進前后遺傳算法的最小誤差， 結果如圖5所示. 由圖5可見， 相比于改進前的遺傳算法， 改進后的遺傳算法的最小誤差明顯降低， 能提高對鏈路負載的控制性能.

為充分驗證本文物聯網鏈路負載均衡控制方法的性能， 以負載均衡度、 網絡剩余能量以及丟包率為實驗對比指標， 將本文方法與文獻［6］、 文獻［7］提出的基于改進蝙蝠算法的控制方法、 基于粒子群遺傳算法的控制方法進行對比驗證.

負載均衡度可體現網絡節(jié)點負載均衡控制的狀況， 其值越大說明其負載均衡控制效果越好， 采用本文方法、 改進蝙蝠方法以及粒子群遺傳方法進行比較， 分析獲得的負載均衡度， 結果如圖6所示. 由圖6可見， 本文方法第一跳的負載均衡度為82.5%， 而粒子群遺傳方法只有65%， 改進蝙蝠方法為58%. 表明本文方法的鏈路負載控制效果較好， 隨著跳數的逐漸增加， 本文方法負載均衡度呈上升的趨勢， 直到第8跳已經達到92%， 說明利用本文方法對鏈路傳輸調整能提高物聯網的負載均衡度.

通過網絡剩余能量能得知物聯網負載均衡情況， 網絡剩余能量越多表示網絡均衡狀況越好. 設置物聯網總能量為300 J， 3種方法剩余能量對比如圖7所示. 由圖7可見， 在相同的時間下， 本文方法控制下網絡剩余能量較多. 隨著時間的增加， 粒子群遺傳方法的能量消耗開始增多， 這是由于該方法沒有關注節(jié)點剩余能量， 所以能量值比本文方法下降速度快. 改進蝙蝠方法考慮到節(jié)點剩余能量， 但是未考慮負載量， 因此剩余能量低于本文方法. 本文方法的剩余能量較多， 在351 s才到達0， 延長了網絡的使用時間， 證明本文方法的均衡控制較好.

丟包率是評估網絡負載均衡性能的重要指標， 3種方法的丟包率對比情況如圖8所示. 由圖8可見， 改進蝙蝠方法的丟包率會隨著數據流量的增加而快速升高， 說明該方法控制下網絡鏈路負載均衡性較差. 本文方法控制后丟包率隨流量的增加也在升高， 但是上升速度較慢. 粒子群遺傳方法的丟包率在其余兩種方法之間， 均衡控制效果比蝙蝠方法好， 但比本文方法略差. 因此， 證明本文方法對物聯網鏈路負載均衡控制效果最佳， 更有利于數據傳輸穩(wěn)定， 延遲網絡使用壽命.

綜上所述， 針對物聯網鏈路負載均衡控制效果差， 會出現網絡能量消耗較多， 造成資源浪費， 且負載均衡性能差會導致網絡傳輸不穩(wěn)定， 易發(fā)生數據發(fā)送接收錯誤的問題， 本文提出了一種基于改進遺傳算法的物聯網鏈路負載均衡控制方法. 首先建立物聯網鏈路頻帶傳輸模型， 其次利用擴頻調制約束鏈路干擾濾波， 最后通過改進遺傳算法完成鏈路負載均衡控制， 保證網絡穩(wěn)定. 實驗結果表明， 與現有方法相比， 本文方法控制下鏈路負載均衡度明顯提升， 最高達到92%， 并且有效降低了鏈路傳輸的丟包率.

參考文獻

［1］徐東明， 譚靜茹， 關文博. 基于改進遺傳算法的C-RAN網絡動態(tài)無線資源分配 ［J］. 電訊技術， 2021， 61（10）： 1225-1232. （XU D M， TAN J R，" GUAN W B. Dynamic Wireless Resource Allocation Based on Improved Genetic Algorithm in C-RAN Networks ［J］. Telecommunication Engineering， 2021， 61（10）： 1225-1232.）

［2］魯垚光， 王興偉， 李福亮， 等. 軟件定義網絡中的動態(tài)負載均衡與節(jié)能機制 ［J］. 計算機學報， 2020， 43（10）： 1969-1982. （LU Y G， WANG X W， LI F L， et al. Dynamic Load Balancing and Energy Saving Mechanism in Software Defined Networking ［J］." Chinese Journal of Computers， 2020， 43（10）： 1969-1982.）

［3］KABIRI Z， BAREKATAIN B， AVOKH A. GOP-SDN： An Enhanced Load Balancing Method Based on Genetic and Optimized Particle Swarm Optimization Algorithm in Distributed SDNs ［J］. Wireless Networks， 2022， 28（6）： 2533-2552.

［4］薛乃陽， 丁丹， 王紅敏， 等. 基于改進遺傳算法的多類測控資源調度方法 ［J］. 系統(tǒng)工程與電子技術， 2021， 43（9）： 2535-2543. （XUE N Y， DING D， WANG H M， et al. Multi-type TTamp;C Resource Scheduling Method Based on Improved Genetic Algorithm ［J］. Systems Engineering and Electronics， 2021， 43（9）： 2535-2543.）

［5］崔子熙， 胡宇翔， 蘭巨龍， 等. 基于流分類的數據中心網絡負載均衡機制 ［J］. 電子學報， 2021， 49（3）： 559-565. （CUI Z X， HU Y X， LAN J L， et al. Load Balancing Based on Flow Classification for Datacenter Network ［J］. Acta Electronica Sinica， 2021， 49（3）： 559-565.）

［6］吳海超， 王新民. 物聯網低時延云霧混合網絡負載均衡策略 ［J］. 計算機工程與設計， 2021， 42（12）： 3323-3332. （WU H C， WANG X M. Load Balancing Strategy for IoT in Low Delay Cloud-Fog Hybrid Network ［J］. Computer Engineering and Design， 2021， 42（12）： 3323-3332.）

［7］姚澤瑋， 林嘉雯， 胡俊欽， 等. 基于PSO-GA的多邊緣負載均衡方法 ［J］. 計算機科學， 2021， 48（增刊2）： 456-463. （YAO Z W， LIN J W， HU J Q， et al. PSO-GA Based Approach to Multi-edge Load Balancing ［J］. Computer Science， 2021， 48（Suppl 2）： 456-463.）

［8］唐靜， 田波， 陳華君. 基于節(jié)點-鏈路評估模型的移動物聯網數據傳輸穩(wěn)定算法 ［J］. 電子測量與儀器學報， 2020， 34（10）： 194-201. （TANG J， TIAN B， CHEN H J. Data Transmission Stability Scheme of Mobile Internet of Things Based on Node Link Evaluation Model ［J］. Journal of Electronic Measurement and Instrumentation， 2020， 34（10）： 194-201.）

［9］趙季紅， 吳豆豆， 曲樺， 等. 面向物聯網的能耗感知虛擬網絡映射算法 ［J］. 計算機工程， 2020， 46（5）： 19-25. （ZHAO J H， WU D D， QU H， et al. Energy-Aware Virtual Network Mapping Algorithm for Internet of Things ［J］. Computer Engineering， 2020， 46（5）： 19-25.）

［10］谷南南， 姚佩陽， 焦志強. 云計算環(huán)境下利用改進遺傳算法結合二次編碼的大規(guī)模資源調度方法 ［J］. 計算機應用研究， 2020， 37（8）： 2390-2394. （GU N N， YAO P Y， JIAO Z Q. Large-Scale Resource Scheduling Method Using Improved Genetic Algorithm Combined with Secondary Coding in Cloud Computing Environment ［J］. Application Research of Computers， 2020， 37（8）： 2390-2394.）

［11］周毅君， 金健， 黃斌， 等. 基于改進遺傳算法的柔性作業(yè)車間調度優(yōu)化 ［J］. 科學技術與工程， 2022， 22（1）： 259-266. （ZHOU Y J， JIN J， HUANG B， et al. Flexible Job Shop Scheduling Optimization Based on Improved Genetic Algorithm ［J］. Science Technology and Engineering， 2022， 22（1）： 259-266.）

［12］RANI S， AHMED S H， RASTOGI R. Dynamic Clustering Approach Based on Wireless Sensor Networks Genetic Algorithm for IoT Applications ［J］. Wireless Networks， 2020， 26（6）： 1-10.

［13］ASGHARI A， SOHRABI M K， YAGHMAEE F. Task Scheduling， Resource Provisioning， and Load Balancing on Scientific Workflows Using Parallel SARSA Reinforcement Learning Agents and Genetic Algorithm ［J］. Journal of Supercomputing， 2020， 77（3）： 1-29.

［14］劉軍， 楊青文， 王金濤， 等. 基于改進遺傳算法的空間信息網恢復策略 ［J］. 東北大學學報（自然科學版）， 2021， 42（4）： 524-530. （LIU J， YANG Q W， WANG J T， et al. Spatial Information Network Restoration Strategy Based on Improved Genetic Algorithm ［J］. Journal of Northeastern University （Natural Science）， 2021， 42（4）： 524-530.）

［15］蔡婷， 林暉， 陳武輝， 等. 區(qū)塊鏈賦能的高效物聯網數據激勵共享方案 ［J］. 軟件學報， 2021， 32（4）： 953-972. （CAI T， LIN H， CHEN W H， et al. Efficient Blockchain-Empowered Data Sharing Incentive Scheme for Internet of Things ［J］. Journal of Software， 2021， 32（4）： 953-972.）

［16］劉音. 基于改進遺傳算法的回歸測試用例優(yōu)先級排序 ［J］. 計算機仿真， 2021， 38（2）： 273-277. （LIU Y. Priority Ranking of Regression Test Cases Based on Improved Genetic Algorithm ［J］. Computer Simulation， 2021， 38（2）： 273-277.）

［17］火元蓮， 龍小強， 連培君， 等. 一種類箕舌線函數的變步長歸一化自適應濾波算法 ［J］. 電子與信息學報， 2021， 43（2）： 335-340. （HUO Y L， LONG X Q， LIAN P J， et al. A Kind of Versoria Function Normalized Adaptive Filtering Algorithm ［J］. Journal of Electronics amp; Information Technology， 2021， 43（2）： 335-340.）

［18］周永華， 嚴梓碩. 基于ISE-ITAE指標與遺傳算法的解耦控制方法 ［J］. 現代電子技術， 2021， 44（10）： 130-134. （ZHOU Y H， YAN Z S. A Decoupling Control Method with ISE-ITAE Index and Genetic Algorithm ［J］. Modern Electronics Technique， 2021， 44（10）： 130-134.）

［19］鐘佩思， 劉金銘， 呂文浩， 等. 基于雙層自適應遺傳算法的機器人參數辨識 ［J］. 科學技術與工程， 2022， 22（3）： 1054-1060. （ZHONG P S， LIU J M， L W H， et al. Robot Parameter Identification Based on Two-Layer Adaptive Genetic Algorithm ［J］. Science Technology and Engineering， 2022， 22（3）： 1054-1060.）

［20］PUNDIR S， OBAIDAT M S， WAZID M， et al. MADP-IIME： Malware Attack Detection Protocol in IoT-Enabled Industrial Multimedia Environment Using Machine Learning Approach ［J］. Multimedia Systems， 2021， 19（4）： 1-13.

（責任編輯： 韓 嘯）

收稿日期： 2022-10-24.

第一作者簡介： 景 雯（1979—）， 女， 漢族， 碩士， 講師， 從事計算機教育應用、 網絡安全和物聯網的研究， E-mail： jingwen@sxdtdx.edu.cn.

基金項目： 國家自然科學基金青年科學基金（批準號： 61803241）和山西省高等學校科技創(chuàng)新項目（批準號： 2021L382）.