基于群智感知计算的多终端引擎任务分配仿真

王 琳,何 春

(1. 成都师范学院物理与工程技术学院,四川 成都 610000 2. 西华师范大学教育信息技术中心,四川 南充 637000)

1 引言

随着通信技术的发展,融合技术逐渐演变为通信行业的主流[1],其包含网络融合、终端融合以及业务融合三方面,终端融合使通信终端不再受限于计算机,可以实现终端自由,如娱乐终端和服务终端等多种终端。随着无线接入技术的更新迭代,多终端越来越复杂,成本越来越高,在不改变用户生活、工作等习惯的条件下,让用户体验到泛在的服务,是一种可行的技术途径[2,3]。群智感知技术的出现对无线网络所产生的成本高、工作效率低等问题有很大的改善,因此更适合完成大量的多终端任务[4,5]。对于不同的终端任务需求,将任务分配给最佳的终端,并提高任务与终端的匹配度与分配效率是群智感知任务分配的重点,这需要通过合理的计算以达到任务完成时间最短、质量完成最好以及成本最少等目的。

目前,国内外众多学者对多终端任务分配问题展开了研究。文献[6]采用本体建模技术将复杂的多终端环境进行简化处理,简化成单-单、单-多和多-单三种终端环境,基于物理与逻辑决策方案完成多终端的内容适配服务,完善单-单到多-多的过度,实验结果表明该方法可解决终端能力问题。文献[7]采用模糊方法对网络的切换时间进行判断,利用AHP结合主、客观因素定义权值,为了使多终端方案更佳,基于TOPSIS方法对终端接入策略的性能作出评价,实验结果表明,该方法可以使多终端用户在网络环境下进行高效切换。文献[8]通过灰色预测对不同任务的转换趋势进行判断,从而获得线性规划模型与任务分配策略,利用设置的感知单元跟踪感知节点,并对多终端任务的超载状态做出判断,根据分配矩阵与随机游走完成多终端任务的分配工作,实验结果表明,该方法对多终端任务分配的效率有较大提升。

考虑到多终端引擎与多媒体内容特性不匹配,以及终端的选择与任务更加匹配等问题,本文提出基于群智感知计算的多终端引擎任务分配方法。采用内容适配技术提高用户体验,利用多终端协同算法列出终端与网络的组合方式,为用户寻求服务质量最大化的网络组合,针对任务分配问题采用群智感知方法进行计算。

2 多终端任务分配

2.1 多终端协同适配技术

在单终端环境下,用户通过手机或PC机可分别利用GPRS或WLA网络对多媒体内容进行访问,然而由于这两种环境存在多方面差异,进而导致适配技术不同。为了增强内容适配,以适应更加复杂的环境,本文设计了多终端协同内容适配服务,如图1所示。

图1 多终端协同整体架构

用户访问多媒体服务时的内容是按照文档的形式存储在内容供应商处。第三方服务主要负责语言和格式等转换工具的内容适配操作,其通过用户或内容供应商注册、订购。内容适配主要负责处理多媒体内容与传输不匹配等问题,经内容适配模块处理后,可通过匹配最佳网络、最佳路径通过终端呈现给用户,满足用户不同需求。本体模型主要负责语义描述,通过本体建模工具将模型存储到数据库中,为内容适配模块的检索提供便利。

在多终端环境下,本文将内容适配技术的处理分为获取阶段、分析阶段、决策阶段和执行阶段四部分。主要内容如下:

获取阶段:主要负责对传输环境信息的获取。内容适配模块通过语言对网络接入信息、设备属性信息、终端与接入网络映射关系等进行查询,并将查询结果传递给分析模块进行分析。

分析阶段:对网络接入信息和终端设备按照等级进行划分,分别生成优先级不同的接入网列表和终端设备列表,然后对列表进行筛选、映射,选择合适的网络与终端设备。

决策与执行阶段:采用逻辑与物理决策选择与多媒体服务最匹配的终端设备,将结果传递给终端控制点,然后由控制节点将多媒体服务驱动到终端设备上。

2.2 协同任务分配算法

与单终端引擎任务相似,多终端引擎任务的协同问题也可以认为是多属性的决策问题加以考虑,但两者间又存在不同,单终端情况下求解的是最优网络,而多终端情况下求解的是网络与终端的最佳组合。

多终端引擎任务协同的实现需要根据用户连接的网络和可用终端,生成网络组合方式,并通过AHP计算出的网络权重对网络进行评估。多终端引擎任务协同的主要目的是为用户提供更高的服务质量,因此对网络组合进行评估时,综合考虑带宽、功率和费用三个指标使用户的服务质量最高。结合用户偏好将三个指标分为两类,一类是用户对功率无要求,更偏爱费用低的网络;二类是用户对费用无要求,更偏爱低功率的网络。针对这两种偏好,构建判断矩阵,可表示为

(1)

通过一致性检验,两个矩阵的一致性都比较好,最大特征值对应的特征向量可表示为

(2)

经归一化处理,两种偏好对应的宽带、功率和费用的权重向量分别可表示为

(3)

结合TOPSIS算法选择最大的网络组合,公式可表示为

(4)

(5)

其中,fij表示候选网络组合i的相关参数j;fbest＿j表示参数j的最佳值;fwors＿j表示参数j的最差值。候选网络组合公式可表示为

(6)

(7)

其中,s表示网络连接组合的终端数量;Gban＿i表示i网络的带宽;Gpow＿i表示i网络的终端功率;Gcos＿i表示i网络的费用。根据多终端引擎任务协同算法求解出最优的网路组合,实现多终端任务自由切换。

3 群智感知计算模型

群智感知系统主要由数据请求、云平台、终端和用户四部分组成。数据请求向云平台发出请求数据的指令,云平台则会生成任务集,通过对任务位置的判断将任务子集发送给对应的终端,通过终端的选择对任务进行匹配,最后终端将用户提交的数据上传到云平台。

群智感知系统发布感知任务的类型不同,意味着任务需求也不同。只有从任务需求角度出发,选择出与感知任务匹配度更高的终端引擎参与任务,才能在极大程度上确保任务的效率,以及资源利用的最大化。本文采用任务需求特征提取方法对感知任务类型的关键词进行提取,发布的感知任务属性向量和终端属性向量分别可表示为

(8)

其中,Tdes表示任务的文字描述;Tnum表示需要的终端个数;Ttyp表示任务要求的终端类型;Tpos表示感知任务的位置;Tdis表示任务要求的距离;Tpar表示任务要求的终端参与度;Ldat表示终端数据集;Llab表示终端标签集;Lpos表示终端位置信息。那么任务集和终端集可分别表示为

(9)

任务需求特征提取算法通过隶属度确定各个数据点属于哪个聚类的程度,并确定聚类中心的个数,将所有的任务集合转换成高维空间的向量并进行聚类处理。隶属度公式为

(10)

其中,Qi表示特征项权重;Qcen＿i表示聚类中心;β表示模糊指数;所有任务到聚类中心的隶属度之和为1。聚类中心可表示为

(11)

进而目标函数公式为

(12)

为了使任务分配的更加合理,选择任务需求类别、距离和终端参与度三个因素对感知终端的选择进行评价。在实际群智感知系统任务分配中,感知平台更偏向于选择近距离的感知终端分配任务。为了最小化平台支出,结合多终端引擎的空间位置,将距离作为任务分配的决定性因素之一,公式表示为

Sij=1-min[logrdis(Tpos＿i,Lpos＿j),1]

(13)

其中,Sij表示任务和终端距离的远近度;r表示表示感知平台任务区域的半径大小;dis(Tpos＿i,Lpos＿j)表示任务位置到终端任务位置的欧式距离。为了选择更佳的终端引擎参与任务分配工作,提出以终端参与度作为终端选择的决定性因素,终端在过去任务中累积执行的任务公式可表示为

(14)

其中,Vfin＿j表示终端所执行的总任务次数;Vunf＿j表示终端未执行的任务总次数。感知平台对终端数据进行评分,根据终端任务分配情况,计算出终端的参与度,公式可表示为

(15)

其中,N表示终端完成任务总数;w(i)表示终端完成任务后的分数;max(i)表示感知平台最高评分;min(i)表示感知平台最低评分。

4 仿真与结果分析

为了验证本文基于群智感知计算的多终端引擎任务分配仿真方法的可行性,选择电脑1、电脑2、手机1和手机2四个终端设备进行实验,仿真区域内分布3个WLAN网络。

首先通过实验对多终端协同算法与用户偏好的一致性进行判断,来验证多终端协同算法的性能。一类和二类用户的功率及费用对比结果如图2所示。

图2 费用和功率对比结果

从图中可以看出,在仿真区域中,二类用户功率均比一类用户低;一类用户的费用均比二类用户低,说明本文设计的多终端协同算法可以较好的体现出用户的偏好程度。

任务需求特征提取算法主要是为了提高任务类别关键词提取的准确率,分别将IKAnalyzer和LCS算法与本文算法进行对比,仿真三种算法的准确率,如图3所示。

图3 任务类别准确率

从图中可以看出,本文算法的任务类别提取准确率明显高于其它两种算法,准确率高达90%以上,这主要是因为本文采用隶属度对聚类的中心进行确定,进而对任务需求进行聚类处理。

为了验证本文方法对任务与终端匹配的准确性,采用空间权值向量余弦度量法对任务-终端匹配度进行计算,并通过仿真将IKAnalyzer和LCS算法与本文方法进行对比,任务-终端匹配度实验结果如图4所示。

图4 任务数量与任务-终端匹配度关系

从图中可以看出,随着任务数量的增加,采用本文方法的任务-终端匹配度明显高于LCS算法,略高于IKAnalyzer算法,这是因为LCS算法对终端选择上,依赖于固定的设置。而本文方法随着任务数量的不断增加,对终端标签进行不断的更新,使任务-终端的匹配度更加准确,说明本文在对多终端引擎的选择上具有较大优势。

5 结束语

针对多终端引擎任务分配问题,提出了一种基于群智感知计算的方法。考虑到终端能力和多媒体服务不匹配等问题,提出内容适配模型,该模型在整体架构中起到核心作用。通过任务需求特征提取方法对任务类别进行提取,解决任务分配具有的多样性问题,利用任务类别、空间和终端参与度选择满足任务需求的终端分配任务。在实验中选择4个终端、3个网络对本文方法的可行性进行仿真验证,并与其它方法进行对比,实验结果表明,本文方法能够满足用户偏好,以更短的时间准确选择合适的终端执行任务,能够对任务数据进行批量处理。