一种基于边缘传感云的LoRaWAN传感网卸载方案

张占平，赵庶旭，王小龙，韩淑梅，元 琳，张家祯

（兰州交通大学 电子与信息工程学院，兰州 730070）

在泛在互联（internet of everything，IOE）的推动下，大量的智能设备通过无线传感网接入到Internet中，用户可通过应用程序实现设备的远程访问与管理，然而大多数智能设备之间地理位置分散，已有的通信技术（如蓝牙、WiFi和Z-Wave等）很难满足远距离、低功耗及低成本的要求.长距离广域网是低功耗广域网（low-power wide-area network，LPWAN）的一种实现方式，具有通信距离远、功耗低、成本低等特点［1］，其为IOE提供了一种新的实现方式.

LoRaWAN由传感节点、网关和云服务器组成.其中：传感器节点负责数据的采集、计算及通信；网关作为汇聚节点，负责传感节点数据的转发和管理，同时在传感节点和云服务器间建立了信息桥梁；云服务器负责传感节点数据的存储、计算及管理.随着LoRaWAN传感网应用范围和规模的增大，传感节点产生了大量的数据，但这些传感节点由于资源受限而无法为数据提供足够的计算资源.在LoRaWAN传感网中，通常通过传感云实现数据的处理，即把传感节点数据卸载到云服务器上进行处理，并将处理的结 果 返 回 给 用 户，如TTN平 台［2］.传 统 的LoRaWAN传感云架构［3］如图1所示.

图1 LoRaWAN传感云架构Fig．1 Structure of LoRaWAN sensing cloud

但大规模传感节点产生的海量数据在云端集中处理有以下几点不足：

1）由于云服务的供应商其信誉度及安全性无法预测，这将增加数据泄露的风险；

2）LoRaWAN传感网与核心网之间频繁的数据交换不但会带来非必要的能量损耗，而且会给核心网增加额外的压力；

3）由于核心网络带宽、吞吐量有限，基于传感云的数据处理方式很难满足时延敏感型应用程序.

为解决上述问题，本文提出了一种基于LoRaWAN的边缘传感云架构，它是边缘计算和LoRaWAN传感网技术融合的产物，旨在靠近传感网的位置部署边缘服务器，提高LoRaWAN传感节点的计算能力及数据传输安全性，同时降低计算时延、能耗及成本.其中，基于LoRaWAN的边缘传感云计算卸载技术作为一个重要的研究方向，已受到国内外学者的广泛研究.目前，对卸载策略的研究主要集中于三个方向：时延最小化、能耗最小化和二者加权的联合函数最小化［4］.文献［5-7］主要侧重于时延最小化的研究，其中：文献［5］研究了多用户场景下的智能卸载计算问题，提出了一种基于LSTM的任务数据量及复杂度预测算法，根据预测结果进行边缘资源的分配，从而解决多用户大数量下任务卸载的时延问题；文献［6］针对非正交多址边缘场景（NOMA-MEC）中任务卸载的时延最小化问题，通过构建分数规划模型，并采用Dinkelbach和牛顿法得到卸载策略；文献［7］针对分布式边缘场景下的时延优化问题，提出了一种边缘节点选择算法，根据任务的时延约束选择合适的边缘节点，进行任务卸载.文献［8-10］主要侧重于能耗最小化的研究，其中：文献［8］针对终端设备计算能力受限的问题，构建了一种基于ARIMA-BP的节能卸载策略，并设计了一种选择性卸载算法来获得能耗最小的卸载策略；文献［9］研究了车载终端的能耗优化问题，提出一种基于交替方向乘子法的资源分配算法，通过该算法为能耗受限的车载终端分配边缘资源，以降低终端的数据处理能耗；文献［10］针对电池供电的智能终端，由于其电量无法支撑密集型任务计算问题，构建了一种部分任务卸载模型，通过遗传算法得到终端能耗最小的卸载策略.文献［11-14］侧重于时延能耗的联合优化，其中：文献［11］构建了一种WiFi和蜂窝网络同时覆盖的卸载场景，该场景下将任务卸载的时延及能耗优化转化为一种非凸优化问题，并结合线性规划与交替优化技术设计了一种迭代算法，优化系统增益；文献［12］研究了可分块任务卸载的时延能耗联合优化问题，通过提出一种基于匈牙利算法的低复杂度自适应算法，得到时延能耗最优的卸载策略；文献［13］针对MEC场景中不同终端对时延及能耗需求的差异问题，建立了一种资源分配与任务卸载的联合优化模型，并提出了一种两阶段启发式优化算法，寻求系统最优策略；文献［14］在边缘协同物联网场景中，针对密集型任务卸载导致的高时延问题，提出一种快速非支配排序算法，以平衡任务卸载中系统的时延与能耗.

经上述分析，文献［5-7］虽然降低了卸载的时延，满足时延敏感型任务的要求，但忽略了系统能耗，这将因系统卸载能耗过高而导致稳定性变差；文献［8-10］所提方法能有效降低任务卸载的能耗，但很难适用于时延敏感型任务的卸载，同时没有考虑多任务并发条件下的任务排队时延问题；文献［11］考虑了不同网络覆盖下的时延能耗联合优化问题，但侧重于单边缘服务器场景的优化，且没有考虑到数据卸载的信道选择；文献［12-13］所提方法在多边缘服务器场景存在后期收敛速度慢的问题；文献［14］在卸载过程中只对系统时延及能耗进行平衡，没有给出时延能耗联合优化的卸载方案.

另外，上述研究没有考虑数据卸载传输中的安全性、多任务并发下的排队问题及任务卸载的价格.本文在上述研究的基础上，提出一种基于边缘传感云的LoRaWAN传感网安全卸载方案.首先，考虑到已有的基站及LoRaWAN网关使用MIMO（multiple input multiple output）通信，在数据传输阶段提出一种基于隐私熵的天线阵列信道选择方案；其次，为得到时延、能耗及成本的联合最优卸载策略，提出一种联合优化方案；最后，提出一种改进的蚁群算法（improved ant colony optimization，IACO），以获得较好的信道分配及数据卸载策略.

1 场景及系统模型

1.1 场景介绍

本文构建了一种基于边缘传感云的LoRaWAN传感网安全卸载系统模型，如图2所示.针对本文场景作以下假设：1）LoRaWAN节点采集的数据可切分；2）数据传输过程传输速率稳定；3）数据块在边缘服务器并行计算.该系统的处理过程如下：

图2 系统架构Fig．2 System structure

第一步：用户通过边缘层基站接入网络中，并通过应用程序发出数据请求Rq=｛rq1，rq2，…，rqρ｝；

第二步：传感节点Node=｛node1，node2，…，noden｝根据请求集合采集数据，并根据已采集数据的类型决策出需卸载数据集合Data=｛data1，data2，…，datan｝；

第三步：传感节点将所卸载数据的属性发送给协同优化层，协同优化层检测边缘服务器状态及天线模式；

第四步：根据应用对数据的时延、能耗、价格及安全性要求，生成信道分配及数据卸载策略，并给传感节点返回生成的策略；

第五步：传感节点对卸载数据分块，并根据所得策略将数据卸载到不同的边缘服务器ES=｛es1，es2，…，esz｝，用户通过应用从边缘服务器获取计算结果．其中：不同边缘服务器的计算速度由集合F=表示．

针对所提的边缘传感云架构提出以下3点假设：1）LoRaWAN传感节点采集的密集型数据可切分；2）数据传输中网络带宽稳定；3）不同数据块在多个边缘服务器并行计算.

场景中其它参数及符号定义见表1.

表1 符号说明Tab．1 Symbol description

1.2 传输模型

天线阵列能提高通信效率，有效节约通信资源，已被广泛应用于网关和基站.现有的天线阵列传输模式有随机传输模式（random antenna transmission，RAT）、最大传输模式（max antenna transmission，MAT）、联合传输模式（joint antenna transmission，JAT）［14］.不同的传输模式其传输带宽、成本及能耗都有所不同，服务提供商可根据不同场景的要求选择不同的传输模式，而传感网节点与网关之间使用单天线传输.

1）传感网传输模式：LoRaWAN节点与网关之间通过单模天线传输，使用LoRaWAN标准通信，传输速率由式（1）表示.

2）RAT传输模式：随机从天线阵列选出单个天线进行数据传输，该模式能降低传输功率，延长设备运行寿命，但传输时延高、效率低.该模式的传输速率由式（2）表示.

其中：random表示随机函数.

3）MAT传输模式：首先检测多个天线参数，从中选择传输速率最大的天线进行通信.与RAT模式相比，传输时延较小.传输速率由式（3）表示.

其中：max表示最大值函数.

4）JAT传输模式：所有天线全功率传输，传输速率最快，时延最小，但成本高，能耗大.传输速率由式（4）表示.

1.3 信道选择模型

根据天线阵列中数据传输的安全性理论［15］，数据块在信道中分布越混乱，表明攻击者截获数据块的概率就越小，数据传输安全性越高．基于此，本文构建了基于隐私熵的天线阵列信道选择模型．数据Data集合与信道分配策略U之间的关系由式（5）表示，每个数据datan可分成G个子块，其在不同信道传输概率的Prn，g服从参数为Ψ的泊松分布［16］，由式（6）表示，子数据块与信道选择概率的关系由式（7）表示．

其中：g=1，2，3，…，G；U矩阵为所有数据信道分配的策略矩阵；元素un=｛δij｜1≤i≤G，1≤j≤p｝表示数据datan子块的信道分配策略矩阵，其中δij∈｛0，1｝，值为1时，表示子数据块i在信道j传输，否则不在其上传输；Prn，g表示数据datan的dn，g子块选择信道的概率．datan传输总隐私熵由式（8）计算，信道选择策略与所得隐私熵间的关系由式（9）表示，所有数据的平均隐私熵由式（10）表示．

1．4 数据卸载模型

考虑到数据卸载对系统时延、能耗及价格的约束，本文建立联合优化模型．设卸载策略矩阵为Y=｛yij｜1≤i≤r，1≤j≤z｝，yij∈｛0，1｝，其值为1时，表示节点i的数据在边缘服务器j上计算，否则不在其上计算．

在基于边缘云的LoRaWAN场景中，节点的密集型数据在边缘服务器得到处理．为了减少应用请求的时延Tmecij，仅将一些对时间不敏感的计算任务卸载到云数据中心执行．应用请求的响应时延包括传感网内传输时延、无线网传播时延、数据在边缘端排队时延和计算时延四个部分．考虑到边缘服务器处于满载时，数据需要排队，本文基于M／M／Z／∞［17-18］排队模式，建立排队模型并计算数据的排队时延．假设在ΔT时隙内，数据到达z台边缘服务器的概率服从参数为θ的泊松分布，同时，z台边缘服务器处理数据块的速度服从参数为Δ的指数分布，则z台边缘服务器的服务强度PowESz由式（11）表示．因此，第一个数据到达边缘服务器的概率PES0由式（12）表示，根据PES0得到数据datai到边缘服务器需要排队的概率为PESi，由式（13）表示．datai的排队时延由式（14）表示，不同计算能力服务器排队时间变化如图3所示，其中n表示密集型数据的数量．

图3 不同服务强度及密集型数据数量下的排队时延Fig．3 Data queuing delay under different service intensityand number of tasks

数据传输过程中的时延和能耗由数据量和传输带宽决定，datai卸载到边缘服务器j所需的总时延由式（15）表示，其中为Data集合中密集型数据datai的排队时延由式（11）～（14）计算；Duli表示datai的数据量.

数据从传感网节点卸载到边缘服务器，在边缘服务器上完成数据处理，并将结果反馈给用户，该过程所需的总能耗包括传感网内传输能耗、核心网传输能耗及边缘服务器计算能耗，如式（16）所示．

数据datai卸载的总价格由传感网、无线核心网络的传输价格和边缘服务器计算价格及数据量计算．不同边缘服务器的计算价格不同，且与计算能力成正比，则数据datai卸载过程中所需的价格由式（17）表示．

1．5 问题描述及求解

1．5．1 问题描述

在边缘传感云LoRaWAN场景下，数据传输的最大化隐私熵和卸载过程的最小化卸载成本（时延、能耗、价格）是待优化的两个目标．对场景中响应时延、能耗、价格进行综合考虑，使用权重系数平衡三者的比重，通过联合优化方式将不同目标转化为一个综合开销目标，建立最小化开销的优化模型．其中卸载的总时延、能耗和价格分别由式（18）～（20）表示．

问题1：寻求信道分配策略U使式（10）取最大隐私熵；

问题2：在问题1条件下，寻求资源分配策略Y使得式（21）联合成本最小．

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阵U和资源分配矩阵Y问题是一个NP问题，使用数学方法虽然能找到所求解，但其计算规模较大，计算时延较长，很难满足需求.蚁群算法［19］（ant colony optimization，ACO）是一种仿生启发式算法，适用于求解最优问题，但原始的ACO算法应用于本文场景时，存在后期收敛速度慢的问题.为了得到快而准的策略，本文借鉴粒子群算法中的全局最优引导策略［20-21］，提出一种改进的蚁群算法IACO.

根据是否出现新策略设置信息素的更新方式，若迭代后没有出现更优的卸载策略，则使用式（22）更新信息素；若出现更优的策略，则使用式（23）更新信息素.IACO算法记录了每次搜索产生的最优信息素分配策略，当每次迭代出现最优解时，通过式（23）增强上次最优解对本次信息素分配的影响，从而缩小本次最优解空间的搜索范围.在更小范围的解空间中寻找最优解，可降低算法的求解时间，同时，IACO为了使算法不陷于局部最优，与前一次结果比较，当本次迭代后未出现更优解时，通过式（22）进行全局信息素更新.与原始ACO相比，本文算法不需要每次从全局寻求最优解，而是在得到的满意解集合中寻求最优解，以此减少算法的迭代次数和搜索时间，提高后期的收敛速度.然后将其应用于求解天线阵列信道选择策略和边缘资源分配中.该算法的选择概率矩阵Φ由式（24）表示，其中：λ为信息素因子；ξ为启发因子.IACO算法的处理流程如图4所示.

图4 IACO算法处理流程Fig．4 IACO algorithm processing flow

2 实验及结果分析

2.1 实验参数设置

本文仿真平台的配置为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载策略中设置λ=0．5，ξ=2.其中：信道选择策略中设置蚁群数量为10，迭代次数为20，并与基于随机信道选择（random channel selection，RCS）方法和基于ACO信道选择方法所得隐私熵对比；在求解卸载策略中设置蚂蚁数量为20，迭代次数为30，与基于遗传算法（GA）的卸载方案［22］、先进先出（first in first out，FIFO）算法的卸载方案［23］及ACO算法卸载方案进行对比.实验其它参数设置见表2.

表2 实验参数设置Tab．2 Experimental parameter

2.2 实验结果分析

2.2.1 信道选择分析

针对不同方法下信道分配的隐私熵进行测试，结果如图5所示.随着迭代次数增加，IACO方案所得隐私熵收敛于3.32，与ACO方案相比提高了15.5%，所得的隐私熵最大，表明IACO所得策略传输安全性最高；而ACO方案得到的隐私熵收敛于2.9，且其收敛速度较慢.通过分析可得：原始的ACO易陷入局部最优解，这会降低信道选择的隐私熵；而RCS方案在数据传输中随机选择信道，将导致隐私熵在很大范围内变化，因此无法长期保证信道分配的安全性.

图5 不同信道选择策略的隐私熵对比Fig．5 Privacy entropy of channel selection with different strategies

针对不同传输模式对隐私熵进行分析，结果如图6所示.图6中，JAT模式下得到的隐私熵最大且收敛于4.3，而RAT模式的隐私熵最小，收敛于2.9.通过分析可得：随着天线数量的增加，信道数量增多，子数据块在信道中分布越混乱，所得熵值越大；而RAT模式下信道数量相对较少，所以数据块的信道选择受限，导致隐私熵较小；MAT的隐私熵收敛于3.3，由于MAT模式在传输过程中选择最大传输速率的天线，而该天线中的信道数量比其它天线多，但小于总信道个数，因此得到的隐私熵介于RAT和JAT之间.

图6 不同传输模式隐私熵Fig．6 Privacy entropy for different transmission mode

为了度量所得策略的隐私保护强度，本文采用Kullback-Leibler（KL）［24-25］散度衡量不同方案的隐私泄露风险，其值越低，表明隐私保护强度越高，数据越不易泄露.

相同迭代数i下不同信道选择策略g（xi）和f（xi）的隐私泄漏（CPL）风险由式（25）定义．

其中：N为算法总迭代次数；g（xi）为随机信道选择策略；f（xi）为基于ACO或IACO的信道选择策略．

在JAT模式下，针对不同方案隐私熵的KL散度进行对比，结果如图7所示.图7中，IACO方案的KL散度最小，且收敛于2.2，与ACO方案相比，降低了11.64%，而ACO方案的KL值收敛于2.49，表明IACO方案的策略在数据传输过程中隐私保护效果最好.

图7 不同方法的KL散度对比Fig．7 KL divergence comparison of different methods

2.2.2 时延分析

设置参数α=1，β=0，即优化目标函数为系统的总时延.针对不同方法进行了时延测试，结果如图8所示.由图8可知：本文IACO方案得到的策略在卸载过程所需时延为336.63 ms，较ACO减少了5.6%，与其他算法相比其卸载时延最小；而ACO，GA及FIFO得到的卸载策略时延分别为465.63 ms，356.80 ms和379 ms；GA方案在本场景中收敛速度慢、效率低，导致在规定的迭代次数内得到的卸载策略时延较大；FIFO方案由于其卸载较为随机，所得卸载策略的时延分布在［368.90，372.10］范围内；本文所提的IACO方法使数据在边缘服务器并行计算，降低了计算时延，相对于上述其他方法，表现更优.

针对不同传输模式下的时延进行对比，结果如图9所示.由图9可知：JAT模式卸载时延最小，为36.47 ms，而MAT和RAT的时延分别为52.61 ms和335.81 ms，这是因为，随着天线阵列中天线增加，数据的传输时延降低，导致总时延降低；而RAT模式下的传输时延远大于其它两种模式，分析可知RAT模式随机选择天线，当选择速率小的天线时会增加传输时延，导致总时延增大.

图9 不同传输模式的卸载时延Fig．9 Offloading delay for different transmission modes

2.2.3 价格分析

设置参数α=0，β=0时，其优化目标函数为卸载的总价格.针对不同方法下卸载价格进行测试，结果如图10所示.由图10可知：本文所提IACO方案经过28次迭代后，最优价格收敛于124.19元，与ACO相比降低了9.67%；而ACO、GA方案虽然收敛速度较快，但其得到的策略在卸载中价格较高，最低价格分别为136.04元和156.91元，因为ACO和GA方案在迭代次数较少的情况下只得到局部满意策略，其策略对应的卸载价格较高，而IACO能快速得到价格的最优策略.

图10 不同方法卸载价格Fig．10 Offloading prices of different methods

针对不同传输模式下的价格进行实验对比，结果如图11所示.由图11可知：RAT模式下本文方法的卸载价格最低，为155.54元，这是因为RAT天线数量最少，传输成本低，从而使总成本最低；而JAT模式和MAT模式下价格分别为231.65元和199.89元，因为随着天线数量的增加，传输价格增加，从而导致总卸载价格增大.

图11 不同传输模式的卸载价格Fig．11 Offloading prices for different transmission modes

2.2.4 联合优化分析

通过综合考虑时延、能耗及价格三个因素，设置α∈［0，1］，β∈［0，1-α］．针对不同方案在随机权重因子α=0．2，β=0.3下的卸载开销对比，如图12所示.由图12可知：经过30次迭代，除FIFO方案外，GA，ACO及IACO方案都达到收敛，但本文所得方案总开销最小，为147.17，较ACO方案，降低了12.7%；而ACO和GA方案的总开销分别为156.89和195.23，结果均大于IACO方案，表明IACO方案在联合优化下仍能找到最优的卸载策略.

图12 联合优化卸载成本（α＝0．2，β＝0．3）Fig．12 Joint optimal offloading cost（α＝0．2，β＝0．3）

3 结论

本文研究了LoRaWAN场景下的可切分数据的卸载问题，综合考虑了时延、能耗、价格，提出一种联合优化卸载模型.考虑到天线阵列中数据卸载传输的安全问题，提出了一种基于隐私熵的信道选择模型，并通过KL散度对隐私保护效果评价；最后，采用IACO算法求解数据卸载和信道选择的最优策略.仿真实验结果表明：与FIFO，GA及ACO卸载方案相比，IACO方案在信道选择和资源分配中具有更好的性能和更高的应用价值.下一步工作，研究引入隐私保护的卸载效率问题和本方法在真实场景的差异性.