張冰雪, 李希勝,2,*, 尤 佳, 宋委任

(1. 北京科技大學自動化學院, 北京 100083; 2. 北京市工業(yè)波譜成像工程技術研究中心, 北京 100083)

0 引 言

近年來,隨著數(shù)據量劇增,對數(shù)據傳輸時效要求提高,采用云計算進行數(shù)據處理和分析的弊端逐漸顯現(xiàn),雖然大型云計算服務器對大量數(shù)據信息能夠實現(xiàn)快速、準確的處理和分析,但云服務器通常設置在距離用戶較遠的地方,在傳輸數(shù)據的過程中會造成傳輸時間的延遲,同時在傳輸過程中會消耗較多的能源。因此,邊緣計算的概念被提出[1],邊緣計算通過在距離設備較近的位置上放置邊緣節(jié)點,利用邊緣節(jié)點上的邊緣服務器對計算任務進行處理和分析。邊緣計算操作的對象包括來自于云服務的下行數(shù)據和來自于萬物互聯(lián)的上行數(shù)據。邊緣計算方案的使用能夠緩解云計算中心的計算壓力,解決云計算中存在的響應時間長、數(shù)據傳輸帶寬成本高以及數(shù)據安全性差和隱私保護性差等問題[2],有效地提高數(shù)據的傳輸效率并降低傳輸能耗,在對傳輸時間要求較高的應用場景中具有較好的應用效果。

隨著智能化與物聯(lián)網的廣泛應用,越來越多的城市交通系統(tǒng)中加入了智慧交通網絡,面對復雜的交通路況,包括交通堵塞、交通事故等問題,需要能夠快速地收集、提取和利用有效信息并及時進行分析、處理和反饋。因此,提高計算能力、減少數(shù)據傳輸過程中的通信時延是智慧交通網絡系統(tǒng)研究的一個重要課題[3]。在車聯(lián)網和智慧交通系統(tǒng)中,有大量終端設備和相關數(shù)據信息,利用邊緣計算系統(tǒng)能夠提供可靠的計算能力,而相對云計算系統(tǒng)可以減少端端通信延時、減少請求時間,節(jié)省網絡帶寬資源,更好地實時監(jiān)測、快速識別及分析處理,針對交通擁堵、交通事故以及其他復雜交通狀況等問題進行更高效的處理解決[4-5]。數(shù)據和任務在智慧交通網絡系統(tǒng)中通過互連的通信鏈路實現(xiàn)傳輸,因此,選擇更短距離的傳輸鏈路能夠有效地縮短數(shù)據和任務在網絡系統(tǒng)中的通信時間,實現(xiàn)降低時延的目的。

目前,多層復雜網絡已常用于對現(xiàn)實系統(tǒng)進行刻畫描述的研究之中,在城市交通網絡研究中已被廣泛應用[6],并在控制科學、計算機科學等領域中也受到了廣泛關注[7-8]。多層復雜網絡的研究[9]最初來源于單層復雜網絡研究[10]。隨著研究的深入,單層復雜網絡已不能準確地描述現(xiàn)實系統(tǒng)中的網絡關系,因此,多層網絡的概念出現(xiàn)并被廣泛使用、研究。Marceau等[11]基于單層復雜網絡模型,提出了在網絡間創(chuàng)建連接、實現(xiàn)多層復雜網絡模型的建立方式。文獻[12]針對5G超密集網絡中的網絡切片,提出了一個基于復雜網絡的管理框架,通過這一框架描述切片網絡的拓撲結構。在理論分析基礎設施網絡的性能方面,隨機幾何分析法是近年來研究分析使用的主要方法之一[13]。文獻[14]設計了一種多層空間隨機網絡模型,并對電網和道路網絡組成的基礎設施系統(tǒng)進行了建模測試,這一模型能夠很好地估計系統(tǒng)的拓撲特性。文獻[15]對隨機節(jié)點分布和隨機計算任務生成的空間隨機網絡進行了建模,研究移動邊緣技術網絡的通信和計算等待時間。文獻[16]在研究邊緣計算網絡中的卸載任務問題上設計了隨機邊緣計算網絡模型,在此模型上提出了最大距離可分離編碼技術,實現(xiàn)了將任務卸載至邊緣節(jié)點并執(zhí)行的目的。文獻[17]通過隨機概率刻畫了多層網絡間的關系,并分析了多層復雜網絡的特性。文獻[18]通過隨機連接和按節(jié)點度大小擇優(yōu)方法在兩個網絡間建立連接了構建多層復雜網絡模型。在上述研究中,多層網絡模型構建以隨機幾何方法為主,對于節(jié)點的特征信息使用較少,沒有充分描述節(jié)點在網絡中的特性信息,在網絡的數(shù)據、任務傳輸方面,利用節(jié)點特性對網絡模型進行優(yōu)化也是提高整個網絡系統(tǒng)通信傳輸效率、降低時延的一種有效方法。因此,利用節(jié)點特性建立網絡優(yōu)化模型也是一個重要的研究內容。文獻[19]使用聚類系數(shù)和節(jié)點中心性兩種特性參數(shù)對復雜網絡鏈路預測問題進行分析,相對其他只考慮節(jié)點度和節(jié)點中心性進行鏈路預測的算法,該方法取得了更好的鏈路預測效果。文獻[20]建立了城市混合交通網絡模型,并使用度中心性、聚類系數(shù)等多個參數(shù)識別混合交通網絡中的關鍵節(jié)點,有助于優(yōu)化混合交通網絡中重要節(jié)點的資源分配問題。文獻[19]和文獻[20]為利用節(jié)點特性建立協(xié)作網絡模型的研究提供了很好的思路。

針對以上問題,本文構建了端-邊緣協(xié)同系統(tǒng)參考架構,以滿足智慧交通系統(tǒng)的通信要求?；趶碗s網絡理論,對端-邊緣協(xié)同系統(tǒng)模型化,重點研究系統(tǒng)不同層之間進行通信傳輸?shù)逆溌愤B接問題。鏈路連接問題包括選擇協(xié)作連接節(jié)點以及匹配網絡間節(jié)點對完成連接。本文考慮節(jié)點特性信息對鏈路連接產生的影響,選擇節(jié)點聚類系數(shù)和介數(shù)中心性兩種特性描述節(jié)點信息,利用兩種特性參數(shù)相結合的方法獲取更全面的節(jié)點信息,對于多層網絡模型建立和優(yōu)化有更好的效果,從而實現(xiàn)降低數(shù)據任務在網絡系統(tǒng)中的傳輸時延的目的。

1 系統(tǒng)架構與建模

本節(jié)考慮智慧交通系統(tǒng)的網絡組成,設計了端-邊緣協(xié)同系統(tǒng)參考架構,介紹系統(tǒng)架構的組成及功能,接下來基于多層復雜網絡設計一個端-邊緣協(xié)同系統(tǒng)協(xié)作架構的數(shù)學模型,通過模型可以更清晰地描述整個系統(tǒng)層內和層間的連接關系,從而進一步提出協(xié)作網絡生成算法。

在對數(shù)據傳輸時間有要求的應用系統(tǒng)中,數(shù)據處理和分析工作將由邊緣節(jié)點計算和部分智能設備直接完成。由此,結合邊緣計算參考架構[21]設計了端-邊緣協(xié)同系統(tǒng),如圖1所示。

圖1 端-邊緣協(xié)同系統(tǒng)參考架構Fig.1 End-edge collaborative system reference architecture

協(xié)同系統(tǒng)由設備層、邊緣層和應用平臺組成,以滿足用戶提出的多樣的服務需求。首先,最底層為設備層,包含各種現(xiàn)場傳感器、智能設備及其接口,各類設備主要負責各種數(shù)據的測量和采集,接口連接現(xiàn)場設備和邊緣層,實現(xiàn)數(shù)據的通信和傳輸;其次,中間層為邊緣層,由邊緣管理器和邊緣節(jié)點組成,邊緣管理器完成資源管理與調度、用戶任務分配等工作,邊緣節(jié)點包含邊緣網關、邊緣控制器、邊緣處理器等,邊緣節(jié)點完成數(shù)據處理及分析工作,并與設備層和應用平臺進行互聯(lián),實現(xiàn)數(shù)據傳輸;最后,最上層為應用平臺,負責收集和顯示所有用戶的任務請求,能夠為邊緣層和檢測設備下達任務指令。

根據各層節(jié)點和設備連接關系,可以得到端-邊緣協(xié)同系統(tǒng)架構的節(jié)點網絡圖,如圖2所示。

圖2 端-邊緣協(xié)同系統(tǒng)節(jié)點網絡Fig.2 End-edge collaborative system node network

在端-邊緣協(xié)同系統(tǒng)節(jié)點網絡中,各層之間的數(shù)據傳輸與通信主要依靠各層的節(jié)點進行,由應用平臺端節(jié)點將控制臺的用戶需求經邊緣節(jié)點傳輸?shù)竭吘壒芾砥髦?各智能設備和傳感器將采集到的數(shù)據信息從設備端傳輸節(jié)點傳輸?shù)竭吘壒?jié)點上,由邊緣節(jié)點完成數(shù)據處理等工作。

在協(xié)同系統(tǒng)節(jié)點網絡中,本文重點關注多層網絡間的層間連接關系,關注各層網絡的節(jié)點特性在鏈路連接建立中的影響。因此,以系統(tǒng)中應用平臺端節(jié)點、邊緣節(jié)點以及設備端傳輸節(jié)點為傳輸網絡的主要組成部分,利用復雜網絡對傳輸網絡進行建模,得到如圖3所示的三層網絡模型。

圖3 多層復雜網絡圖Fig.3 Multilayer complex network diagram

在圖3的三層復雜網絡中,各點表示傳輸系統(tǒng)網絡每層的節(jié)點,各層節(jié)點組成集合Ht,部分節(jié)點依照系統(tǒng)結構向外與傳感器、邊緣管理器及系統(tǒng)中心管理控制臺相連,這部分不在后續(xù)研究問題中涉及,圖3中未繪制。每層節(jié)點之間用實線表示層內連接關系,層內連接集合表示為Kt,不同層節(jié)點之間用虛線表示層間連接關系,層間連接集合表示為Ltr。

2 協(xié)作網絡模型生成算法

本節(jié)基于多層復雜網絡模型分析節(jié)點特性反映出的網絡拓撲信息對網絡層間協(xié)作連接建立的影響,針對網絡模型中任意兩個復雜網絡之間協(xié)作連接的建立提出了一種基于節(jié)點復合特性的連接生成算法,建立和優(yōu)化網絡層間連接鏈路,滿足降低數(shù)據傳輸時延、提高網絡傳輸效率的需求。

層間連接的建立包括兩個過程,首先在各個復雜網絡中選擇一定數(shù)量的節(jié)點作為協(xié)作連接點,其次將兩個網絡中的協(xié)作點集合通過一定的匹配方法組成協(xié)作點對,在協(xié)作點對間建立鏈路連接,實現(xiàn)兩個復雜網絡之間的連接及通信傳輸。

基于上節(jié)提出的端-邊緣協(xié)同系統(tǒng)及多層復雜網絡模型,為了滿足智慧交通系統(tǒng)中低延時的要求,實現(xiàn)數(shù)據在網絡間傳輸延遲的最小化,在多層復雜網絡的各層網絡之間任意兩個節(jié)點間的路徑距離應最短,即減少節(jié)點間最短路徑值。本節(jié)提出了基于節(jié)點復合特性的協(xié)作網絡模型生成算法?，F(xiàn)有的通過隨機概率連邊和按節(jié)點度大小排序擇優(yōu)建立層間連接的方法都沒有對節(jié)點重要性進行考慮,而重要性更高的節(jié)點在整個網絡建模中將發(fā)揮更重要的作用。在重要程度高的節(jié)點上創(chuàng)建層間連接,協(xié)作網絡間的通信、數(shù)據傳輸更高效。因此,本文通過計算節(jié)點特性參數(shù)值,將節(jié)點特性更突出、在網絡中更重要的節(jié)點選作協(xié)作點。

2.1 網絡協(xié)作點選擇算法

網絡協(xié)作點選擇是在一個復雜網絡中選擇與其他復雜網絡建立協(xié)作連接的節(jié)點,是協(xié)作網絡模型建立的第一步。

復雜網絡中常用的節(jié)點特征描述參數(shù)有節(jié)點度、聚類系數(shù)、節(jié)點中心性、平均路徑長度等。聚類系數(shù)主要反映節(jié)點在網絡中的局部的密集度信息[22],節(jié)點中心性則能夠反映節(jié)點在整個網絡中影響力的重要性[23]。所以,本節(jié)基于節(jié)點聚類系數(shù)和介數(shù)中心性兩個參數(shù)對節(jié)點特性進行描述。

節(jié)點聚類系數(shù)CCi的計算如下:

(1)

式中:k表示節(jié)點i的鄰居節(jié)點數(shù);d表示在節(jié)點i的所有k個鄰居間的邊數(shù)。

節(jié)點介數(shù)中心性bi的計算公式如下:

(2)

式中:n表示網絡中的節(jié)點總數(shù),n(n-1)/2表示將節(jié)點介數(shù)中心性標準化;gjl是從節(jié)點j到節(jié)點l的最短路徑總數(shù);gjl(i)是從節(jié)點j經過節(jié)點i到節(jié)點l的最短路徑數(shù)。

由此,本文基于節(jié)點聚類系數(shù)和介數(shù)中心性定義節(jié)點聯(lián)合參數(shù)值φi以反映節(jié)點特性。節(jié)點i的聯(lián)合參數(shù)值函數(shù)φi的定義為

φi=β1CCi+β2bi

(3)

式中:β1、β2分別表示節(jié)點聚類系數(shù)和介數(shù)中心性在節(jié)點聯(lián)合參數(shù)值中所占的比例系數(shù),β1+β2=1。

選擇兩種節(jié)點特征信息對節(jié)點在網絡中的重要性進行描述,能夠更好、更全面地描述節(jié)點特性。

根據節(jié)點聯(lián)合參數(shù)值對網絡節(jié)點進行排序,通過擇優(yōu)選擇算法實現(xiàn)協(xié)作點選擇。節(jié)點聯(lián)合參數(shù)值越大,則該節(jié)點的特征性越明顯、在整個網絡數(shù)據傳輸過程中發(fā)揮的重要性越高。擇優(yōu)選擇算法能夠選擇出在整個網絡中重要性更大的節(jié)點,作為與其他網絡建立協(xié)作連接的協(xié)作點集合。擇優(yōu)選擇算法的流程圖如圖4所示。

圖4 擇優(yōu)選擇協(xié)作點算法流程圖Fig.4 Flowchart of Preferential collaboration point algorithm

2.2 網絡協(xié)作連接建立算法

協(xié)作連接建立是指在兩個不同復雜網絡之間將協(xié)作點組對并互相連接的過程,是協(xié)作網絡模型建立的第二步。

在任意兩個復雜網絡之間,協(xié)作連接的數(shù)量反映兩個網絡之間的協(xié)作程度,在一定數(shù)量協(xié)作連接數(shù)量的情況下,協(xié)作連接建立問題可轉換為兩個復雜網絡協(xié)作點集合之間的匹配問題。匹配理論能夠描述互利關系的形成,早期常用于處理經濟學問題[24]。近幾年,匹配理論也在無線資源管理中實現(xiàn)了應用[25]。雙邊匹配算法能夠利用匹配主體中的偏好信息,將偏好信息轉化為滿意度,建立匹配模型以解決匹配問題[26-27]。通過計算匹配主體滿意度和最大以及兩個匹配主體滿意度差最小實現(xiàn)模型優(yōu)化[28]。

本文使用節(jié)點聚類系數(shù)和介數(shù)中心性兩種節(jié)點特征描述網絡中節(jié)點的偏好信息,偏好值定義為節(jié)點聯(lián)合參數(shù)值的線性相關函數(shù)。

(4)

(5)

在式(4)、式(5)中,節(jié)點聯(lián)合參數(shù)值較高的協(xié)作點具有更高的偏好值,γ1和γ2表示節(jié)點聯(lián)合參數(shù)值的系數(shù),反映偏好值的傾向程度。

在智慧交通應用場景中,協(xié)作連接建立的重點需要滿足降低時延、縮短傳輸路徑的要求,因此,在兩個網絡間建立連接時,選擇節(jié)點聯(lián)合參數(shù)值更高且兩個節(jié)點的聯(lián)合參數(shù)值更相近的協(xié)作點為協(xié)作點對并創(chuàng)建協(xié)作連接,將更能夠滿足要求?；诖?多目標優(yōu)化模型要滿足兩個復雜網絡對于對方的節(jié)點特征偏好值盡量大,并且兩個網絡對于對方的節(jié)點特征偏好值差異盡量小,建立的優(yōu)化模型可以表示為

(6)

優(yōu)化目標的約束條件為每個復雜網絡中的協(xié)作點與其他協(xié)作點之間最多可建立的協(xié)作連接數(shù)的限制o,以及兩個不同復雜網絡之間的協(xié)作連接總數(shù)不超過預設定值N。eik=1表示協(xié)作點i和協(xié)作點k之間建立連接,eik=0表示協(xié)作點i和協(xié)作點k之間沒有建立連接。

通過線性加權法求解多目標優(yōu)化模型(6),將多個優(yōu)化目標進行加權求和,組合成單個目標,得到單目標優(yōu)化模型:

(7)

(8)

多目標優(yōu)化模型轉化為單目標優(yōu)化模型后,利用線性規(guī)劃方法求解可得模型的解,該結果反映的就是網絡間節(jié)點的匹配與連接關系,通過該解將合適的協(xié)作點對連接起來,實現(xiàn)多層網絡的構建。

3 仿真測試與分析

基于以上系統(tǒng)建模及提出的算法,本文在Windows系統(tǒng)2.8GHz英特爾Core i7-1165G7、16G內存下通過Matlab 2019a進行編程仿真。系統(tǒng)仿真使用4種典型復雜網絡模型來模擬具有不同結構特性的網絡,分別為:Erdos-Renyi(ER)隨機網絡模型[29-30]、Barabasi-Albert(BA)無標度網絡模型[31]、Watts-Strogatz(WS)小世界網絡模型[22],Newman-Watts(NW)小世界網絡模型[32]。

不同網絡結構能夠代表不同的實際網絡需求和功能,以在不同結構的復雜網絡之間建立協(xié)作連接,證明結合節(jié)點多種特征參數(shù)生成協(xié)作網絡的算法的可靠性和有效性。

生成4種典型復雜網絡模型的相關參數(shù)設置如表1所示。

表1 復雜網絡模型參數(shù)

通過上述參數(shù)設置得到的4個復雜網絡的節(jié)點聚類系數(shù)和介數(shù)中心性參數(shù)數(shù)值如圖5、圖6所示。

圖5 各網絡節(jié)點聚類系數(shù)參數(shù)值Fig.5 Parameter value of each network node clustering coefficient

圖6 各網絡節(jié)點介數(shù)中心性參數(shù)值Fig.6 Parameter value of each network node betweenness centrality

本文所提協(xié)作網絡生成算法主要以降低系統(tǒng)數(shù)據傳輸時間、提高傳輸效率為目標。在仿真實驗中,假設網絡中的數(shù)據傳輸時間與其部署在網絡上的鏈路路徑長度成正比,各個節(jié)點間的距離相同,根據復雜網絡的結構特征對協(xié)作網絡進行性能分析。因此,網絡中各節(jié)點到協(xié)作點的最短路徑反映出系統(tǒng)中各設備和管理控制器將數(shù)據、任務傳輸?shù)狡渌麑訒r的傳輸距離和時間。在實驗中,網絡設置為無權圖,各個節(jié)點之間都能進行通信傳輸,所以任意兩個節(jié)點間的最短路徑距離能夠反映數(shù)據、任務從一個網絡的節(jié)點傳輸?shù)搅硪痪W絡的路徑及距離。傳輸路徑越短,數(shù)據包傳輸?shù)乃俣仍娇?在傳輸過程中的時延越低。因此,本文選擇最短路徑值作為衡量網絡間傳輸性能的指標。

本文使用4種基本復雜網絡,即ER隨機網絡、BA無標度網絡、WS小世界網絡和NW小世界網絡能夠組成6種協(xié)作網絡:ER-BA、ER-WS、ER-NW、BA-WS、BA-NW、WS-NW協(xié)作網絡。

由圖5、圖6可以看出,節(jié)點聚類系數(shù)和介數(shù)中心性在不同網絡中表現(xiàn)出的差異程度不同,反映了在不同網絡中這兩個特征參數(shù)對節(jié)點重要性的影響程度不同。因此,設置不同的β1、β2系數(shù)值,也會對協(xié)作網絡模型的傳輸性能產生影響。

圖7 ER-WS協(xié)作網絡在不同特征占比情況下的最短路徑值分布情況Fig.7 Shortest road value distribution of the ER-WS collaborative network under different features proportion

近年來,網絡模型在設計和部署方法上主要以隨機幾何方法為主,在網絡中隨機選擇節(jié)點并在隨機節(jié)點對之間建立連接,構成協(xié)作網絡。隨機連接法在網絡模型構建方面缺少對節(jié)點特性的考慮,對系統(tǒng)的數(shù)據和任務傳輸效率有一定的影響。在考慮節(jié)點特性構建網絡時,不同特性參數(shù)反映了節(jié)點的不同信息,綜合兩種節(jié)點特征能夠更全面地描述節(jié)點特性。本文選擇節(jié)點隨機連接法和考慮節(jié)點單一特性的聚類系數(shù)特性網絡生成算法、介數(shù)中心性特性網絡生成算法作為節(jié)點復合特性網絡生成算法的對比算法,分析本文算法的優(yōu)勢。

通過仿真實驗,4種基礎復雜網絡通過上述4種方式生成多層協(xié)作網絡后的節(jié)點間最短路徑值與節(jié)點對數(shù)分布情況如圖8(a)～圖8(f)所示。

圖8 各協(xié)作網絡最短路徑值分布情況Fig.8 Shortest road value distribution of each collaborative network

由圖8可以看出,在加入節(jié)點特性參數(shù)作為節(jié)點重要性衡量指標后,網絡中最短路徑值為1或2的節(jié)點對明顯增多,最短路徑值為3及以上的節(jié)點對明顯減少。同時,相比考慮一種節(jié)點特性參數(shù)所生成的協(xié)作網絡模型,本文提出的基于節(jié)點復合特性的協(xié)作網絡模型生成算法在節(jié)點間的最短路徑上也有進一步的優(yōu)化效果,低節(jié)點間最短路徑值的節(jié)點對數(shù)更多,高節(jié)點間最短路徑值的節(jié)點對數(shù)更少。由此,數(shù)據和任務在網絡間能夠通過更短的路徑進行傳輸,實現(xiàn)降低傳輸時延、提高傳輸效率的目的,并能夠減少傳輸能耗,獲得更好的性能。

文獻[33]提出的高速多層網絡模型,通過增加度值高的節(jié)點平衡了網絡間的負載問題,提高了網絡的流量容量,提高了網絡的傳輸能力,但未考慮網絡間傳輸鏈路的選擇問題。本文提出的基于節(jié)點復合特性的協(xié)作網絡模型生成算法,優(yōu)化了網絡間的傳輸鏈路選擇問題,對比于文獻[33]更進一步縮短了網絡系統(tǒng)數(shù)據傳輸時間,提高了傳輸效率。文獻[34]利用隨機幾何和排隊理論分析了邊緣計算網絡的通信成功概率,通過降低用戶密度和提高邊緣服務器密度,提高了網絡的通信成功概率,這一方法也能夠在一定程度上降低網絡平均延遲,但并不適用于固定用戶數(shù)量和邊緣節(jié)點數(shù)量的系統(tǒng)網絡。本文算法對于固定節(jié)點數(shù)量的多層網絡進行層間鏈路連接上的優(yōu)化,對比于文獻[34]更利于在已確定用戶節(jié)點和邊緣節(jié)點數(shù)量的網絡中降低數(shù)據傳輸時延、提高傳輸效率。文獻[35]提出了基于復雜網絡的多層城市增長與優(yōu)化綜合模型,在交通網絡構建方面,該模型架構降低了網絡建設投資成本,但忽略了交通網絡對龐大數(shù)據量和降低時延的嚴苛需求,本文提出的端-邊緣協(xié)同系統(tǒng)參考架構通過邊緣計算系統(tǒng)滿足這一需求,對交通網絡的構建更加全面。

4 結束語

本文針對時延要求高的智慧交通系統(tǒng)構建了設備端和邊緣節(jié)點協(xié)作運行的端-邊協(xié)同系統(tǒng),并基于復雜網絡理論對協(xié)同系統(tǒng)進行了模型化。對于隨機幾何方法在網絡模型構建方面缺乏節(jié)點特性信息使用的問題,提出了基于節(jié)點復合特性的協(xié)作網絡模型生成算法,構建了優(yōu)化的多層網絡系統(tǒng),實現(xiàn)降低時延、提高系統(tǒng)通信傳輸效率的目的。算法重點強調節(jié)點聚類系數(shù)和介數(shù)中心性兩種特性參數(shù)對節(jié)點特性的共同影響。節(jié)點聚類系數(shù)反映了節(jié)點在網絡局部的密集程度,介數(shù)中心性反映了節(jié)點在整個網絡中的信息傳播能力。本文構造了節(jié)點聯(lián)合參數(shù)值,將兩種特性參數(shù)進行了結合,更加全面地反映出各個節(jié)點在網絡中的重要程度,彌補和改進了隨機網絡對節(jié)點信息描述和使用不足的問題。

本文使用4種典型復雜網絡模型進行協(xié)作網絡構建的仿真,對所提算法進行了驗證。仿真結果表明,本文提出的節(jié)點復合特性協(xié)作網絡生成算法與一般隨機連接法生成網絡以及單獨使用節(jié)點聚類系數(shù)、單獨使用介數(shù)中心性特征進行協(xié)作網絡生成的算法相比,通過節(jié)點間最短路徑值統(tǒng)計結果可以看出,本文算法有效地縮短了整體協(xié)作網絡的節(jié)點間最短路徑,因此,數(shù)據和任務能夠更快地在網絡間進行傳輸,降低傳輸時延,提高傳輸效率,節(jié)約傳輸能耗。

本文所提算法在網絡層內及層間節(jié)點連接距離、節(jié)點容量方面仍存在不足,在實際部署的協(xié)作網絡中,各節(jié)點間距離有一定差異,每個節(jié)點承載的容量也不完全相同,具有不同的執(zhí)行任務的能力,這對節(jié)點在網絡中的重要性也有一定影響,針對以上問題后續(xù)將繼續(xù)開展相關研究。