边缘计算在能量故障和能耗优化中的应用

沙特国王大学学报一种边缘计算李国志a，阎彤a，张戈a，张伟，曾岳ba河南中医药大学信息技术学院，河南郑州450008b南京大学计算机科学与工程系，南京210046阿提奇莱因福奥文章历史记录：2022年7月12日收到2022年11月16日修订2022年12月6日接受2022年12月13日在线发布保留字：人工智能因果推理图能量空洞和消耗平衡（EHCB）问题NS-2A B S T R A C T随着无线传感器网络（WSNs）的运行，能量受限的传感器节点和不适当的能量约束方法逐渐被淘汰，因为它们降低了数据传输的效率。边缘计算和因果图的出现为无线传感器网络的能量故障分析和评估提供了新的契机。因此，通过选择可靠的数据传输路径和平均能耗，提出了一种能量故障和能耗优化（EFCO）算法，用于解决边缘计算无线传感器网络（ECWSNs）中的能量空洞和能耗平衡（EHCB）问题.具体来说，我们首先通过使用边缘计算技术和因果图理论构建了一个新的四层网络然后，能量故障成本（EFC）在ECWSNs被制定为一个优化问题，该问题是由中继节点的能量分配的约束。此外，我们提出了一个因果推理算法推导出单值故障状态概率的中继节点。最后，我们利用第二版的网络模拟器（NS-2）的故障推导和能量分配效率的EFCO算法在ECWSNs进行评估©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍无线传感器网络（WSNs）已经融入到现代社会的各个角落，例如，在深林火灾预警、水污染监测、车辆超速监管和野生动物检测系统中（Li et al.，2018年）。建立高性能的传感器网络是保证传感器任务完成的主要因素.有效的无线传感器网络的主要挑战是由大量传输的数据引起的快速能量消耗以及无法在复杂环境中检测故障传感器节点（Zhou et al.， 2022年）。当一个故障的无线传感器节点作为一个有效的中继节点来传输数据时，会有大量的数据包丢失和多路复用。*通讯作者。电子邮件地址：zhangge@hactcm.edu.cn（G. 张）。沙特国王大学负责同行审查本研究得到了国家自然科学基金项目81703946和河南省高等学校重点科研项目22A520032的资助。重传问题，特别是当故障节点位于目标节点附近的路径上时，这导致网络能量消耗。因此，合理的故障节点能耗诊断策略将延长无线传感器网络的生命周期，从而提高网络检测环境的效率和鲁棒性。因果关系图是基于有向图在动态不确定性下获得因果关系表达式和推理的方法（Liu et al.， 2018年）。信息处理的特性在具有复杂结构的WSN过程的故障诊断中具有独特的优势（Bruni等人，2002年）。因果图用虚拟独立的随机事件表达因果机制，将其量化为随机事件的概率和因果关系的概率，并进行逻辑推理以定性确定故障的概率（Zhang，2012）。 边缘计算（EC）通过将计算和存储从中央云推送到边缘云，赋予边缘实体更强大的信息处理能力和内容交付能力（Guo et al.， 2019年）。 EC还为服务实现提供了高效且低延迟的支持平台（Ma等人， 2021年）。我们将EC技术集成到无线传感器网络中，提出了一种新的网络架构称为边缘计算无线传感器网络（ECWSN），它可以突出EC技术在智能推理网络中的优势。https://doi.org/10.1016/j.jksuci.2022.12.0051319-1578/©2022作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comG. Li，Y.通，G.Zhang等人沙特国王大学学报358与传统的WSN架构相比，ECWSN架构可以更好地利用强大的AI感知节点实现网络状态感知，并执行节点故障推理、数据分析处理等功能（Jain et al.，2022年）。我们将这种AI感知节点称为边缘计算服务器（ECS）。ECWSN中的能耗调度是节点故障的根本原因（Kamal和Adouane，2018）。ECS可以根据实时节点运行状态推断ECWSN的能量故障概率，从而确定可靠的传输链路（Li和Xu，2019）。另一方面，ECS可以通过对全局网络状态的感知来选择具有最合适能量分配的中继节点，以最大程度地避免能量空洞问题（Li和Xu，2019）。在 本 文 中 ， 我 们 考 虑 的 能 量 洞 和 消 费 平 衡 （ EHCB ） 问 题 的ECWSNs。我们的目标是找到可靠的中继节点，并确定最佳的能量分配策略，通过使用所建立的能量故障成本函数。此外，该调度策略还利用因果推理和EC技术，避免了故障节点，实现了能量均衡分配。具体来说，我们首先建立一个四层架构的ECWSN来描述EHCB问题。其次，根据ECWSN的特点，构造了一个因果图，分析了各节点的故障概率。然后，根据可用中继节点的因果关系推理结果，提出了能量故障和消耗优化算法。最后，分析了选择网络仿真软件NS-2的原因，实验结果表明，EFCO算法具有较低的能量故障检测效率和较高的可靠传输率。本文的贡献总结如下。我们制定了一个能量故障成本模型，其特征的多值故障概率状态的感知节点ECWSNs。采用因果推理算法将传感器节点多值故障状态的概率转化为单值故障状态的概率。然后，利用拉格朗日对偶机制对能量故障成本优化模型进行了刻画以最优值为尺度求解能量洞问题。提出了一种通过选择最优EC系统和数据传输路径来最小化故障概率的 EFCO 算 法 ， 该 算 法 既 保 证 了 数 据 的 可 靠 传 输 ， 又 平 衡 了ECWSNs中传感节点的能量消耗。本文的其余部分组织如下。第二部分介绍了相关的研究成果。第三部分给出了系统的网络模型和系统模型.第4节形式化了EHCB问题。在第5节中，给出了EFCO算法第6节评估EFCO算法的性能最后，在第7节中总结了结论。2. 相关工作然而，在传统的无线传感器网络中，能量失效节点的存在使路由算法失效。Dong等人（2019）和Zhu等人（2019）的研究结果解决了这个问题。Dong等人提出的公平协作算法（FCA）是一种基于公平性的协作算法。（2019）将公平性定义为共享资源占剩余资源的比例，并将其作为优化函数中的权重来确定合作策略（Zeng et al.，2019年）。FCA将节点状态发送给当前域中的ECS，ECS建立传输路径，满足资源合作的约束条件。然而，这一过程是建立在健康网络的前提下的。如果ECWSNs中出现能量空洞现象，这种调度策略将失效。Zhuetal.（2019）的自适应多服务网络选择方案（MSNS）旨在解决具有不同节点状态的多服务用户的异构网络选择问题。它结合了模糊逻辑的动态适应性和近似最优多属性决策. MSNS算法基于模糊逻辑理论推断ECWSNs的传输状态。然而，该策略没有考虑网络的全局最优状态，因此找到的路径不能选择合适的中继节点，导致能量消耗均衡效率低下，缩短了ECWSNs的生命周期。虽然这些路由算法可以利用边缘计算的新思想来提高数据传输的性能，但这些调度策略都是基于无故障的路由设备和平均能耗。因此，这些算法不能从根本上解决能量空洞或能量消耗平衡的问题。上述两种策略启发我们寻求一种可靠的数据传输路径，具有最小的故障概率和合理的能量分配。3. 网络和系统模型3.1. 网络模型在无线传感器网络中，我们将ECS部署在具有强大AI计算能力、存储容量和最大剩余能量的传感器上。ECS承担网络故障分析和数据传输的有效调度。这种类型的WSN称为ECWSN。为了缩短ECWSNs中传感器的传输距离，节省能量，通常将ECS部署在感知节点区域的中心。由ECS管理的区域称为边缘计算系统。我们将ECWSN的体系结构分为四个解耦的层：传输层，控制层，应用层，和切换层。图1示出了这种分层结构。我们使用层传输和感知来实现有效的数据传输。故障分析和数据调度策略的制定在控制层进行。应用层确定特定的用户需求。下面详细描述四层ECWSN架构Fig. 1.边缘计算无线传感器网络（ECWSNs）。●●●G. Li，Y.通，G.Zhang等人沙特国王大学学报3591/4f···g我的天(1) 传输层：能量故障较大的传感器可能会形成能量空穴，导致ECWSNs中的数据传输失败。此外，由故障节点引起的更高级别的区域故障可能导致本地网络故障，甚至网络崩溃（Zhang，2018）。因此，从故障预测和数据调度的角度出发，设计传感器间的传输结构和优化资源分配，对网络的数据传输性能至关重要。(2) 控制层：传感器首先向ECS发送传输请求，然后ECS根据节点故障状态制定数据传输需求一般由中继节点转发，ECS发送的控制命令也由中继节点转发。因此，一个突然的节点故障使整个调度任务在ECWSN中无效。该系统可实现传感器之间的控制结构和故障(3) 应用层：ECS需要满足各种网络应用的需求，并根据不同的应用采用相应的调度策略。这些应用主要包括感知环境、数据传输、故障诊断和预测以及网络状态监测。因此，应用程序层的体系结构设计对于加快新应用程序的部署至关重要。(4) 感知层：我们需要考虑各种复杂环境中的各种类型的感知数据。由于相邻的传感器节点具有相似的感知环境，这些节点收集相似或相同的冗余数据，因此消除冗余数据是节省网络资源的重要过程。在传感器的存储器中存储非结构化数据的设计对于有效管理所收集的数据至关重要3.2. 系统模型我们考虑具有j个传感器的边缘计算系统，由集合J1; 2; ;j表示，每个传感器具有感测模块、能量模块、计算和存储模块以及射频（RF）通信模块。ECWSN具有边缘计算系统。 当传感器的感测模块感知到的数据需要传输时，传感器的RF通信模块向当前区域的ECS发送传输要求x。然后，ECS根据ECWSNs的实时状态选择合适的传感器故障有四种类型：传感故障、能量故障、计算和存储故障以及RF通信故障。如果能量模块的故障概率不在有效值范围内，传感器就不能执行数据传输任务，从而导致能量空穴现象。因此，我们需要选择合理的方法来判断机制，以避免能量空穴问题。因果图是在可靠性网络的基础上发展起来的一种基于概率的知识表示方法.许多实例已经证明因果图在系统故障诊断中可以是有效的（Volpe等人，2012年）。本文所考虑的节点故障推理系统模型如图所示。 二、我们为系统模型中的每个元素定义符号如下。rCircle Node：x表示节点事件或节点事件变量。一个节点事件变量接受一组互斥节点事件的元素这些互斥的节点事件构成了节点事件的完整样本空间。对于节点事件变量的有效值范围，其故障概率不超过30%。图二. 因果关系推理图。r方形节点：b表示基本事件或基本事件变量。它是连接事件或连接事件变量的独立方式。对于节点事件变量的有效值范围，其故障概率不超过50%。r有向边：p表示连通事件或连通事件概率。它允许输入事件引起或不引起相应的输出事件。有向边的有效值通常是通过专家的主观可靠性或统计学来确定的。在这些定义中，术语变量表示一组互斥事件或事件向量或矩阵，其每个成员事件被称为对应事件变量的实例或值如果一个变量的故障概率超过其有效值的范围，我们认为这个传感器的故障节点。每个模块的故障概率被调整到有效值范围内。表1列出了节点和基本事件的一些描述和有效值基本事件没有输入，但至少有一个节点事件的输出。一个节点事件至少有一个输入，的产出。有向边可以从基本事件或节点事件开始，但它总是指向节点事件。根据我们的定义，x1表示ECWSN中的RF通信故障，因此我们可以得到x1¼p111b11p 121b12p 31x3p 41x4：11同样，传感故障、能量故障以及计算和存储故障分别表示为x2、x3和x4。因此，节点事件表示如下：表1事件描述。符号描述有效值范围X节点故障概率0-20%X1射频通信模块0-30%X2传感模块0-30%X3能量模块0-20%X4计算和存储模块0-30%B11发送数据0-30%B12接收数据0-20%B2感知数据0-50%B3电压小于1.9 V的概率0-10%b41温度大于70摄氏0-20%B42计算速度0-50%G. Li，Y.通，G.Zhang等人沙特国王大学学报360XX[SSE民Max我我J JXX我X~XKJXX我我我x2¼p22b2[p32x3[p42x4]2英寸OPT-1最小值XXqFXkj;最小值7μ mxk2K j 2JKJ X~3¼p33b33x4¼p414b41[p 424b42[p 34x3：44]在满足8k2K和8j2J的要求下，C1： XXpe>jK Jjpr;传感器故障是一个或多个模块中的故障每个节点KJk2K j2JMax事件由一个或多个基本事件的总和组成，一个基本事件对节点事件的产生有贡献，连接概率p决定节点事件发生的概率。C2：E~∞Xkj∞≤jKJjEmin;k 2 K j2 JC3： qkj2 f0;1g;ð8Þ戒指因此，我们可以得到第i个传感器Xi的故障。Xi¼p1x1p2x25将公式（1）、（2）、（3）、（4）与公式（5）相结合，可以得到如下节点故障因果关系推理模型：Xi¼p1p111b11Sp1p121b12Sp2p22b2Sp1p2p34p42其中Xkj表示ECWSN的第k个边缘计算系统中的第j个中继节点的故障事件，并且Xk j是包含最基本事件的中继节点E~n×kj和Emin分别是第kj个节点的能量消耗和可用传输路径中节点kJ表示传输路径中的中继节点的集合能源故障成本þðp1p31þp2p32ÞÞp33b3ðp1p41þp2p42Þp414b41ðp1þp 2Þp 42p 424b42:ð6Þ函数可以描述如下：F~xp~x1e;0e1;9假设一个数据传输任务需要m个中继节点来完成，这些传感器节点应该具有相对低的故障概率以确保数据传输。因此，必须通过有效的调度策略选择可靠的链路进行数据传输.注意，任何ECS都可以与其他ECS自由通信，并且传感器的能量故障推理不会影响ECWSNs中感知数据的分析或处理。此外，对于每个数据传输，可以找到至少一个有效链路其中~x是由ECWSN中的基本事件和连接事件组成的表达式。e1/E1~E2/Xkj表示节点能量故障的影响因子为了将能量故障成本F转换为故障概率函数，在步骤p中，我们需要将表达式x转换为节点事件的最终切割集。能量故障成本F的函数根据Xkj增加，并且OPT-1函数是严格凸的。当能量耗尽概率p_（？）e_（？）随机故障概率pr的最大值在数据传输上，4. 问题公式化为了保证数据的可靠传输，在传输路径上应尽量避免通过能量空穴区，因此，所选择的传输路径的故障概率必须最低。ECWSNs中由于节点故障和能量消耗不均匀而产生能量空洞现象。我们称之为EHCB问题。ECWSNs由四层组成，控制层负责节点故障分析和感知数据的调度。传输层根据应用层提出的不同用户需求和控制层制定的策略，将感知层的数据传输到目的节点。根据不同应用的要求，数据采集需要能量、传感、计算和存储模块，故障诊断和数据传输的网络功能由能量、计算和存储、传输模块实现。能量模块故障是评估节点故障的关键因素，能量损坏会导致节点失去所有功能。因此，定理1证明了相对论-ECWSN中节点i的能量耗尽概率p_e_n与随机故障概率p_r_n之间的关系定理1. 在ECWSN中的能量故障分析中，第i个节点的能量耗尽概率pe大于节点i的随机故障概率pr，即，pe> pr。因此，在ECWSN中，一个或多个中继节点处于故障的风险中因此，约束C1描述了故障概率条件。 所有模块必须具有足够的能量以确保正常操作;因此，约束C 2指示有效传输链路的总能量消耗不能超过KJ倍的最小能量Emin。有效中继节点的选择尺度用约束C3表示，选择的中继节点具有最低的故障概率和适当的能量消耗。优化函数（OPT-1）通过比较能量耗尽概率和选择适当的能量消耗来最小化ECWSN中的能量故障概率约束C3是一个离散整数变量，我们将此约束重新表述为节点事件的故障概率，如下所示：qkjpkj≤jKJjp最大值; ≤10k2K j 2J其中Pmax是有效数据传输路径不超过的最大故障概率。传统的优化方法是反复计算Xkj。X~是一个复杂的因果推理表达式。这种情况增加了我们提出的EFCO算法的时间复杂度因此，我们认为，我们设ykj<$X~ 并将函数OPT-1重写为OPT-2，如下所示：OPT-2minXXqkjFykj11k2K j 2J证据见附录中的证明HEHCB问题描述了能量故障的函数以8k2K;8j2J为条件，XXpe>jKJjprð12Þ成本然后，所提出的调度策略确保了数据流的可靠传输，并最大限度地节省了能量。KJk2K j 2JMaxECWSN。能量故障成本的优化函数可以由下式给出：E~ykj≤jKJjEmin13k2K j2JG. Li，Y.通，G.Zhang等人沙特国王大学学报361IJð ÞIJð ÞIJ≥ð ÞXwV我IJIJIJX伊季0kk0XXqkjpkj≤jKJjpmax：1414maxpVk0k 2 K j2JIJuVk0k0K0ð17Þ我们采用拉格朗日对偶方法（Sl等人， #20201;解决。函数OPT-2，并确定优化变量yω。最小化函数值Fyω是用于在ECWSN中选择具有平均能量消耗的可靠传输路径的度量。5. 能量故障和消耗优化算法在本节中，我们首先提出因果推理算法来推导当前边缘计算系统中 所 有 节 点 的 能 量 故 障 概 率 pkj 之 后 ， Karush-Kuh n-Tucker（KKT）条件（Liu et al.，2019）的最小化函数（OPT-2）的拉格朗日对偶方法求解。最后，我们提出了一个可靠的路由和能量分配策略，以解决EHCB问题。5.1. 因果推理算法为了解决优化问题（OPT-2），我们需要将每个模块的多值故障状态转换为中继节点的故障概率。在节点因果图中，基本事件变量bij的每个状态具有概率值。我们首先定义事件变量不同状态的发生概率，然后，通过算法1推导出数据传输路径上中继节点的故障概率。定义1（事件状态概率）。 令事件变量Vij（xij或bij）由k0个互斥状态组成;那么，pVk0k01/4其中K0指示节点故障状态的集合。每个ECS负责计算本地区域内节点的故障节点故障概率作为选择可靠传输路径的基本度量。如果通过使用传统的不相交逻辑计算来推导节点事件的故障概率，则由于这种推导过程非常复杂而大大增加了计算的数量，使得其不适合于ECWSNs中有限的资源。因此，我们采用假设2来简化计算过程。此外，假设1在实际应用中对事件故障概率的计算结果没有显著影响（Zhang等人， 2014年）。假设2。假设节点事件xi有一个或多个基本事件，并且基本事件之间的关系是OR。如果一个基本事件可以提供节点事件xi发生的概率wxi，则wxi的值等于节点事件xi基于其他基本事件不发生的假设的个体概率p xi否则，节点事件xi的发生概率等于所有链接的基本事件的故障概率之和。参见（Zhang，2015）算法1中最终割集表达式的解决方案。B是基本事件bij的集合。第k个状态Vk0发生的是w<$Vk0<$，0

下载后可阅读完整内容，剩余1页未读，立即下载