本發(fā)明涉及協(xié)作移動(dòng)云中的數(shù)據(jù)上傳方法，尤其是涉及一種協(xié)作移動(dòng)云中效用感知的帶冗余數(shù)據(jù)上傳方法。
背景技術(shù)：
：隨著移動(dòng)終端的廣泛普及與無(wú)線通信技術(shù)的快速發(fā)展，越來(lái)越多的移動(dòng)終端被用于應(yīng)急處理與健康監(jiān)控等領(lǐng)域。帶冗余數(shù)據(jù)的上傳問題受到越來(lái)越多的關(guān)注與興趣。在協(xié)作移動(dòng)云中帶冗余數(shù)據(jù)上傳問題的一個(gè)挑戰(zhàn)是如何在間斷連接、帶寬不可預(yù)測(cè)的無(wú)線移動(dòng)網(wǎng)絡(luò)中實(shí)現(xiàn)高效用、低能耗的數(shù)據(jù)上傳。1.引言最近幾年，移動(dòng)終端飛速發(fā)展。Cisco預(yù)測(cè)2016年移動(dòng)終端使用者將超過(guò)45億人。隨著移動(dòng)終端的普及和信息技術(shù)的發(fā)展，移動(dòng)終端在各個(gè)方面改變著我們的生活。為了彌補(bǔ)移動(dòng)終端有限的電池容量和計(jì)算能力帶來(lái)的不足，移動(dòng)云可以利用云中無(wú)限的資源來(lái)支持移動(dòng)終端中資源密集型的應(yīng)用。通過(guò)將應(yīng)用與數(shù)據(jù)卸載到云數(shù)據(jù)中心的方法，可以增加移動(dòng)設(shè)備的計(jì)算能力，如存儲(chǔ)容量。上傳數(shù)據(jù)的挑戰(zhàn)。越來(lái)越多的移動(dòng)終端被應(yīng)用于應(yīng)急處理，如災(zāi)難應(yīng)急響應(yīng)和軍事行動(dòng)。裝備了內(nèi)置傳感器(如相機(jī)和麥克風(fēng))的移動(dòng)終端可以用來(lái)收集處理受災(zāi)地區(qū)的圖像視頻數(shù)據(jù)。然而，極端環(huán)境下的通信網(wǎng)絡(luò)是動(dòng)態(tài)變化的，間斷性連接和不可預(yù)測(cè)的通信堵塞使得穩(wěn)定的鏈接和遠(yuǎn)程數(shù)據(jù)上傳變得不實(shí)際。在這些情況下，協(xié)作移動(dòng)云為增強(qiáng)移動(dòng)終端的計(jì)算能力提供了一種新的方法，協(xié)作移動(dòng)云是指一組鄰近的移動(dòng)終端，這些移動(dòng)終端之間相互共享部分計(jì)算能力。協(xié)作移動(dòng)云的現(xiàn)狀。大多數(shù)關(guān)于協(xié)作移動(dòng)云的研究都專注于提升移動(dòng)終端的存儲(chǔ)能力。由一個(gè)移動(dòng)終端產(chǎn)生的圖像、視頻等大型數(shù)據(jù)可以被傳輸?shù)洁徑K端中。將數(shù)據(jù)傳遞并存儲(chǔ)于鄰近的終端中，可以減少遠(yuǎn)端數(shù)據(jù)中心由于連接中斷而產(chǎn)生的壓力。由于采用高帶寬連接且終端之間距離較短，相比向遠(yuǎn)端數(shù)據(jù)中心上傳數(shù)據(jù)，利用附近的移動(dòng)終端可以顯著減少花費(fèi)并提升性能。為了應(yīng)對(duì)無(wú)線連接的不穩(wěn)定性和移動(dòng)終端不可預(yù)測(cè)的移動(dòng)性，冗余的數(shù)據(jù)存儲(chǔ)是協(xié)作移動(dòng)云中流行的做法，這種方法將多份數(shù)據(jù)存儲(chǔ)于幾個(gè)終端中以保證數(shù)據(jù)的可靠性，尤其是在應(yīng)急處理應(yīng)用中。然而，迄今很少有人對(duì)協(xié)作移動(dòng)云中帶冗余數(shù)據(jù)上傳問題進(jìn)行研究。對(duì)于那些需要可靠的分布式數(shù)據(jù)存儲(chǔ)并上傳數(shù)據(jù)到數(shù)據(jù)中心的應(yīng)用(如災(zāi)難響應(yīng)應(yīng)用和山里、沙漠里搜索工作的應(yīng)用)：一方面，協(xié)作移動(dòng)云計(jì)算利用其它移動(dòng)終端存儲(chǔ)視頻、圖像等大量數(shù)據(jù)，另一方面協(xié)作移動(dòng)云需要上傳數(shù)據(jù)到遠(yuǎn)端數(shù)據(jù)中心進(jìn)行數(shù)據(jù)挖掘、備份。當(dāng)動(dòng)態(tài)上傳信道處于較差通信狀態(tài)，數(shù)據(jù)會(huì)被復(fù)制到幾個(gè)臨近移動(dòng)終端中存儲(chǔ)。在若干時(shí)間后，協(xié)作移動(dòng)云中的每一個(gè)移動(dòng)終端都會(huì)決定是否上傳上傳數(shù)據(jù)。如何制定高效的上傳策略對(duì)于協(xié)作移動(dòng)云而言，是一個(gè)很重要且未解決的問題。解決該問題面臨如下挑戰(zhàn)：第一，在災(zāi)難響應(yīng)和軍事行動(dòng)的不良環(huán)境中，對(duì)每一個(gè)移動(dòng)終端使用中心式調(diào)度方案會(huì)導(dǎo)致不可接受的通信和計(jì)算損失。并且，中心式方法會(huì)引起單點(diǎn)失效問題。第二，由于移動(dòng)終端不確定的移動(dòng)性和多跳網(wǎng)絡(luò)的動(dòng)態(tài)性，一個(gè)移動(dòng)終端很難及時(shí)知道其他移動(dòng)終端的情況。兩個(gè)或多個(gè)移動(dòng)終端可能同時(shí)上傳相同的數(shù)據(jù)，浪費(fèi)有限的電量資源并且造成了上傳數(shù)據(jù)的冗余。最后，不穩(wěn)定的網(wǎng)絡(luò)也會(huì)使得設(shè)備環(huán)境動(dòng)態(tài)變化和不可控。在現(xiàn)實(shí)中不可能采用離線最優(yōu)化方法解決上傳問題。2.相關(guān)工作在協(xié)作移動(dòng)云中增強(qiáng)存儲(chǔ)是一個(gè)在行業(yè)、學(xué)術(shù)上都很熱門的問題。Moon提出了一種高效的自足網(wǎng)絡(luò)中的存儲(chǔ)增強(qiáng)方法。Abolfazli設(shè)計(jì)了一種源于服務(wù)的框架，利用周圍的移動(dòng)終端減少存儲(chǔ)限制。為了保證數(shù)據(jù)的可靠性，需要產(chǎn)生大量冗余數(shù)據(jù)。Pheonix作為一種分布式存儲(chǔ)協(xié)議，在單跳網(wǎng)絡(luò)中使用至少兩個(gè)備份以保證數(shù)據(jù)的可靠性。Chen提供了一種koutofn的框架，驗(yàn)證了只要n個(gè)數(shù)據(jù)終端離有k個(gè)是可用的，總可以成功取回、處理數(shù)據(jù)。之前的工作允許使用連接的移動(dòng)終端以增強(qiáng)存儲(chǔ)能力。然而，如何上傳這些數(shù)據(jù)到協(xié)作移動(dòng)云中的問題仍懸而未決。上傳數(shù)據(jù)到遠(yuǎn)端的云數(shù)據(jù)中心給移動(dòng)終端帶來(lái)了很大的能量負(fù)擔(dān)。尤其是上傳信道情況較差時(shí)。很多研究者努力將節(jié)能的數(shù)據(jù)上傳問題放置于動(dòng)態(tài)網(wǎng)絡(luò)中解決。Lombardo利用馬爾科夫模型設(shè)計(jì)了適合上傳通道狀況的節(jié)能傳遞協(xié)議。Xiang將數(shù)據(jù)傳輸問題轉(zhuǎn)化為隨機(jī)離散動(dòng)態(tài)問題，以期同時(shí)優(yōu)化數(shù)據(jù)吞吐量和能量消耗量。Fang利用Lyapunov最優(yōu)化理論為數(shù)據(jù)傳輸?shù)淖顑?yōu)操作提供了一種在線的算法。這種算法可以在避免出現(xiàn)錯(cuò)誤的同時(shí)減少耗能至最小，并且不采用之前的信道狀況的信息。這些已有的研究專注于單個(gè)移動(dòng)終端的節(jié)能問題。本發(fā)明中，我們?cè)诙鄠€(gè)移動(dòng)終端組成的動(dòng)態(tài)網(wǎng)絡(luò)中對(duì)相互關(guān)聯(lián)的上傳過(guò)程進(jìn)行優(yōu)化。在移動(dòng)傳感領(lǐng)域中一些已有的研究嘗試解決分布式數(shù)據(jù)收集問題。然而，這些研究忽視了一些冗余數(shù)據(jù)占用空間卻沒有發(fā)揮作用的現(xiàn)象。另外，這些研究沒有考察上傳信道的具體情況。不同于移動(dòng)傳感領(lǐng)域，我們的工作專注于移動(dòng)終端的節(jié)能數(shù)據(jù)傳輸。上傳信道對(duì)系統(tǒng)表現(xiàn)有很大影響。我們?cè)趧?dòng)態(tài)網(wǎng)絡(luò)中對(duì)冗余數(shù)據(jù)上傳進(jìn)行最優(yōu)化，以此保證移動(dòng)終端以高效的方式上傳數(shù)據(jù)。技術(shù)實(shí)現(xiàn)要素：本發(fā)明中提供了一種協(xié)作移動(dòng)云中效用感知的帶冗余數(shù)據(jù)上傳方法，我們將協(xié)作移動(dòng)云中帶冗余的數(shù)據(jù)上傳問題建模為一個(gè)能耗約束的效用最大化問題，以實(shí)現(xiàn)在一定的能耗約束下，最大化上傳的有效數(shù)據(jù)量。我們提出一種在線的分布式方法使每個(gè)移動(dòng)終端能在不依賴其他終端的狀態(tài)信息以及未來(lái)自身狀態(tài)信息的情況下獨(dú)立做出優(yōu)化決策。嚴(yán)格的理論分析與大量仿真實(shí)驗(yàn)證明了該方法的有效性與優(yōu)越性。其技術(shù)方案如下所述：一種協(xié)作移動(dòng)云中效用感知的帶冗余數(shù)據(jù)上傳方法，協(xié)作移動(dòng)云包含N個(gè)移動(dòng)終端，用t代表協(xié)作云的第t個(gè)上傳過(guò)程，di(t)＝(di1(t),di2(t),...,diK(t))表示第t個(gè)上傳過(guò)程中，數(shù)據(jù)塊k是否存儲(chǔ)于第i個(gè)移動(dòng)終端，K是不同類型數(shù)據(jù)塊的個(gè)數(shù)，ωi(t)表示第t個(gè)上傳過(guò)程中第i個(gè)移動(dòng)終端的信道狀態(tài)，ωi(t)數(shù)值越大表示第i個(gè)移動(dòng)終端的信道處于良好的狀態(tài)；上傳信道可用時(shí)，協(xié)作移動(dòng)云進(jìn)行一次數(shù)據(jù)上傳；包括以下步驟：(1)觀察每個(gè)移動(dòng)終端的信道狀態(tài)ωi(t)，每個(gè)移動(dòng)終端根據(jù)信道狀態(tài)決定是否上傳它的數(shù)據(jù)；觀察用于表示能量消耗約束隊(duì)列Q(t)，所述Q(t)＝(Q1(t),...,QN(t))，所述Qi(t)為每個(gè)移動(dòng)終端定義的虛擬隊(duì)列，隊(duì)列Q(t)越穩(wěn)定，表示能量消耗越?。?2)在第t+D個(gè)上傳過(guò)程中，D是系統(tǒng)的反饋延遲，所有移動(dòng)終端收到關(guān)于第t個(gè)上傳過(guò)程中的所有狀態(tài)與決策信息，在該上傳過(guò)程中的每個(gè)移動(dòng)終端在中選擇一個(gè)策略所述表示所有可能的策略集合，表示一種最優(yōu)策略能使得漂移-懲罰函數(shù)的上限有最小值，其中表示執(zhí)行該策略時(shí)第i個(gè)終端的預(yù)估能耗，表示執(zhí)行該策略的預(yù)估效用，參數(shù)V為的權(quán)重，控制能耗與效用之間的平衡；(3)執(zhí)行確定的最優(yōu)上傳決策表示中第i個(gè)終端上傳決策；(4)在第t次上傳結(jié)束時(shí)，接收關(guān)于信道狀態(tài)的信息ω(t-D)和決策α(t-D)，重新對(duì)Q(t)進(jìn)行更新。進(jìn)一步的，步驟(1)中，所述Qi(t)由下面這個(gè)等式在第t次上傳過(guò)程更新：Qi(t+1)＝max{Qi(t)+pi(t-D)-ci,0}其中，ci是第i個(gè)移動(dòng)終端的平均能量消耗約束值，pi(0)＝0，pi(-1)＝...＝pi(-D)＝0，每一個(gè)移動(dòng)終端維護(hù)了隊(duì)列Q(t)，在每一次上傳過(guò)程結(jié)束后利用反饋信息更新隊(duì)列，當(dāng)虛擬隊(duì)列穩(wěn)定時(shí)，也就是那么就能夠滿足能量消耗約束，其中，E表示求數(shù)學(xué)期望，定義Lyapunov函數(shù)為：L(t)=12Σi=1NQi(t)2---(1)]]>Lyapunov函數(shù)表示了Q(t)隊(duì)列的阻塞程度，L(t)的變化越小表示移動(dòng)終端的虛擬隊(duì)列具有強(qiáng)穩(wěn)定，換言之，能夠滿足能量消耗約束。進(jìn)一步的，步驟(2)中，當(dāng)ωi(t)增大時(shí)最優(yōu)策略中的第i項(xiàng)，即第i個(gè)終端的決策也隨ωi(t)增大，最優(yōu)策略如下形式：α^i(ωi(t))={0ifωi(t)<ωi*(t)1ifωi(t)≥ωi*(t)---(2)]]>ω*(t)表示閾值狀態(tài)，當(dāng)信道狀態(tài)劣于ω*(t)(ωi(t)＜ω*(t))時(shí)，移動(dòng)終端的決策值為0，也就是不上傳；當(dāng)信道狀態(tài)優(yōu)于ω*(t)(ωi(t)≥ω*(t))時(shí)，移動(dòng)終端的決策值為1，也就是上傳數(shù)據(jù)。從而該問題轉(zhuǎn)化為每個(gè)移動(dòng)終端尋找ω*(t),所述ω*(t)有|Ω|個(gè)可能取值，因此，有效解的數(shù)量減少到進(jìn)一步的，步驟(2)中，對(duì)于給定的V>0，在每一個(gè)上傳過(guò)程中：E[Δ(t+D)-Vu(t)|Q(t)]≤A(1+2D)-Σi=1NciQi(t)+E[Σi=1Npi(t)Qi(t)-Vu(t)|Q(t)]---(3)]]>該式由數(shù)學(xué)推導(dǎo)得到，沒有具體的物理含義，僅表示不等式左邊項(xiàng)的上限為不等式的右邊項(xiàng)；E表示求數(shù)學(xué)期望，u(t)表示第t次上傳過(guò)程的效用；參數(shù)V為u(t)的權(quán)重；其中利用漂移加罰技術(shù)，在每個(gè)上傳過(guò)程中每個(gè)移動(dòng)終端在中選擇一個(gè)，來(lái)最小化不等式(3)的右邊項(xiàng)，以解決能耗約束的效用最大化問題。進(jìn)一步的，當(dāng)利用策略時(shí)，各個(gè)移動(dòng)終端i在策略下的預(yù)估能耗和預(yù)估效益u(m)(t)可以近似為：p~i(m)(t)=1SΣs=1Sp^i(a^i(m)(ωi(t-D-s)),ωi(t-D-s))---(4)]]>u~(m)(t)=1SΣs=1Su^(a^(m)(ωi(t-D-s)),d(t-D-s))---(5)]]>其中，S是一個(gè)正數(shù)，表示樣本大小。進(jìn)一步的，對(duì)于移動(dòng)終端的任何一個(gè)信道，對(duì)于任意的V>0和S>0，S是表示樣本大小的正數(shù)，參數(shù)V(>＝0)是為了控制隊(duì)列穩(wěn)定性和效用之間的平衡，較小的V意味著協(xié)作移動(dòng)云傾向于保持隊(duì)列穩(wěn)定也就是更低的能耗，而不是收集更多的有效數(shù)據(jù)塊，然后有：最優(yōu)方法和本方法求得的效用的差距是：u‾opt-1TΣt=0T-1E[u(t)]≤A(1+2D)V+E[L(D)]VT+O(1/S)---(6)]]>其中，表示最優(yōu)方法在能耗約束下的最大平均效用，表示本方法求得的效用；其中T表示總上傳次數(shù)，L(D)表示參數(shù)為D的Lyapunov函數(shù)值，表示包含項(xiàng)的多項(xiàng)式；本方法保證了每個(gè)移動(dòng)終端的平均能耗滿足：1TΣt=0T-1E[pi(t)]≤ci+O(VT),∀i---(7)]]>其中，表示第i個(gè)移動(dòng)終端的平均能耗，ci表示能耗約束值，表示包含項(xiàng)的多項(xiàng)式；協(xié)作式云計(jì)算可以通過(guò)調(diào)整V的大小，在效用和能量損耗間進(jìn)行彈性的決策；另外，更大的S值也可以使解決方案更接近最優(yōu)值；然而，同時(shí)它需要更長(zhǎng)時(shí)間的計(jì)算和更大的存儲(chǔ)空間。所述協(xié)作移動(dòng)云中效用感知的帶冗余數(shù)據(jù)上傳方法，使得每一個(gè)移動(dòng)終端在不知道未來(lái)信道情況下可以獨(dú)立進(jìn)行決策，為減少算法的復(fù)雜度，進(jìn)行了嚴(yán)謹(jǐn)?shù)睦碚摲治觯s小了算法的搜索空間。附圖說(shuō)明圖1a是顯示了隨著V的增加，效用提高，不斷接近最優(yōu)值的示意圖；圖1b是顯示了隨著V的增加，平均能耗不斷提高的示意圖；圖2是平均能量損耗在不同的V的值下明顯下降，并會(huì)快速接近能量損耗約束的示意圖；圖3a顯示隨著D變大，系統(tǒng)效用值下降的示意圖；圖3b顯示了能量損耗的下降，消耗與效用之比顯示了當(dāng)D變大時(shí)，系統(tǒng)的能耗的效率下降；圖4a顯示了900次上傳過(guò)程的平均效用；圖4b描述了每個(gè)上傳過(guò)程的平均能量消耗；圖5a在單個(gè)移動(dòng)終端信道狀態(tài)分布變化時(shí)，平均效用沒有出現(xiàn)明顯變化；圖5b在單個(gè)移動(dòng)終端信道狀態(tài)分布變化時(shí)，平均能量消耗沒有出現(xiàn)明顯變化；圖5c顯示了終端1和終端8在600次上傳過(guò)程中平均決策，終端1在300次后由于信道狀態(tài)變差，傾向于不上傳；終端8在300次后由于信道狀態(tài)變好，傾向于上傳；圖5d顯示了終端1和終端8在600次上傳過(guò)程中的平均累積決策；圖6a顯示了在不同能耗約束下四種算法的效用值比較；圖6b顯示了在不同能耗約束下四種算法的平均能耗比較；圖7是操作步驟流程圖。具體實(shí)施方式協(xié)作移動(dòng)云由一組移動(dòng)終端組成，這些移動(dòng)終端彼此通過(guò)共享存儲(chǔ)能力來(lái)協(xié)同存儲(chǔ)共同產(chǎn)生的數(shù)據(jù)。為了保證穩(wěn)定、可靠的存儲(chǔ)，同一份數(shù)據(jù)會(huì)被復(fù)制到多個(gè)移動(dòng)終端中存儲(chǔ)。為了應(yīng)對(duì)上面提到的上傳問題，我們?cè)O(shè)計(jì)了一種基于分布相關(guān)優(yōu)化的在線分布式調(diào)度方法。這種方法允許每一個(gè)移動(dòng)終端在不依賴自身未來(lái)的信道狀態(tài)以及其他移動(dòng)終端的狀態(tài)下獨(dú)立做出上傳決策。主要的工作如下：就我們掌握的文獻(xiàn)知識(shí)來(lái)看，這是首次將協(xié)作移動(dòng)云中帶冗余的數(shù)據(jù)上傳問題建模為一個(gè)能耗約束的效用最大化問題，以實(shí)現(xiàn)在一定的能耗約束下，最大化上傳的有效數(shù)據(jù)量。第二，提出一種在線分布式優(yōu)化框架，以幫助每一個(gè)移動(dòng)終端制定獨(dú)立的上傳策略。在長(zhǎng)期運(yùn)行過(guò)程中，嚴(yán)格的理論分析證明了我們的算法是接近最優(yōu)的。最后，通過(guò)大量的實(shí)驗(yàn)，展示此最優(yōu)化框架的效果。3.問題建模在我們的研究中，假設(shè)協(xié)作移動(dòng)云包含N個(gè)移動(dòng)終端。移動(dòng)協(xié)作云反復(fù)進(jìn)行數(shù)據(jù)上傳。我們用t代表協(xié)作云的第t個(gè)上傳過(guò)程。在兩次上傳過(guò)程中間，一些移動(dòng)終端產(chǎn)生大量記錄災(zāi)難現(xiàn)場(chǎng)的圖像、視頻數(shù)據(jù)。為了增強(qiáng)一個(gè)移動(dòng)終端的存儲(chǔ)能力，并且提高數(shù)據(jù)的可靠性，這些數(shù)據(jù)被分成幾個(gè)相同大小的數(shù)據(jù)塊，這些數(shù)據(jù)塊被復(fù)制到多個(gè)移動(dòng)終端中分布式存儲(chǔ)。di(t)＝(di1(t),di2(t),...,diK(t))表示第t個(gè)上傳過(guò)程中，數(shù)據(jù)塊k是否存儲(chǔ)于第i個(gè)移動(dòng)終端，K是不同類型數(shù)據(jù)塊的個(gè)數(shù)。dik(t)＝1表示第k個(gè)數(shù)據(jù)塊存儲(chǔ)于第i個(gè)數(shù)據(jù)終端中，dik(t)＝0表示沒有存儲(chǔ)。表示這些di(t)的向量，上傳信道可用時(shí)，協(xié)作移動(dòng)云進(jìn)行一次數(shù)據(jù)上傳?？紤]到移動(dòng)終端處于不同位置，不同移動(dòng)終端的信道狀況可能不同。ωi(t)表示第t個(gè)上傳過(guò)程中第i個(gè)移動(dòng)終端的信道狀態(tài)，ωi(t)數(shù)值越大表示第i個(gè)移動(dòng)終端的信道處于良好的狀態(tài)。因此ωi(t)＝|Ω|-1表示信道狀態(tài)最好，而ωi(t)＝0表示信道狀態(tài)最差。表示這些di(t)的向量。在第t個(gè)上傳過(guò)程，移動(dòng)終端根據(jù)自己觀察到的情況決定是否上傳數(shù)據(jù)塊。二進(jìn)制變量αi(t)∈{0,1}用于表示第i個(gè)移動(dòng)終端的決定。αi(t)＝1表示第i個(gè)移動(dòng)終端決定在第t個(gè)上傳過(guò)程中上傳數(shù)據(jù)塊，αi(t)＝0表示不上傳。是α(t)的向量，其中這樣，第t個(gè)上傳過(guò)程中的有效數(shù)據(jù)塊總數(shù)表示為：u(t)=u^(α(t),d(t))=Σj=1Kmin{Σi=1Ndij(t)αi(t),1}---(1)]]>由于每個(gè)數(shù)據(jù)塊在不同的移動(dòng)終端存儲(chǔ)有多個(gè)備份。當(dāng)兩個(gè)或多個(gè)終端上傳同一個(gè)數(shù)據(jù)塊的備份時(shí)，只有一個(gè)備份有效，其他備份無(wú)效。因此我們可以得到如(1)所示的效用函數(shù)。我們假設(shè)移動(dòng)終端若決定上傳數(shù)據(jù)，就在該上傳過(guò)程中上傳所有數(shù)據(jù)。因此，能量消耗由信道狀態(tài)決定pi(t)是在第t個(gè)上傳過(guò)程中第i個(gè)終端的能量消耗。因此我們有下式：pi(t)=p^(αi(t),ωi(t))---(2)]]>能量消耗公式在經(jīng)驗(yàn)?zāi)芎哪Ｐ椭械玫搅顺浞值难芯?。因此，我們不在這一部分給出具體細(xì)節(jié)。然而，不論能量消耗函數(shù)具體形式是什么，很明顯上傳數(shù)據(jù)時(shí)，較差的信道狀態(tài)會(huì)導(dǎo)致更高的能量損耗。根據(jù)ωi(t)的定義，可以總結(jié)出是變量ωi(t)的非遞增函數(shù)。協(xié)作移動(dòng)云主要的目標(biāo)是使多次上傳過(guò)程中平均的有效數(shù)據(jù)塊達(dá)到最大數(shù)量。但是，考慮到有限的電池容量，能量損耗必須限制在一定范圍之內(nèi)。因此我們給出能量約束的效用最大化問題：max:u‾=limT→∞1TΣt=0t-1u(t)---(3)]]>s.t.:pi‾=limT→∞1TΣt=0t-1pi(t)≤ci,∀i---(4)]]>Decisionsaredistributed.(5)其中，u(t)表示第t次上傳過(guò)程的效用，表示T次上傳過(guò)程的平均效用，pi(t)表示第i個(gè)移動(dòng)終端在第t次上傳過(guò)程中的能量消耗，表示T次上傳過(guò)程中第i個(gè)移動(dòng)終端的平均能量消耗，ci是第i個(gè)移動(dòng)終端的平均能量消耗的約束值。式(5)表示各個(gè)移動(dòng)終端在當(dāng)前決策過(guò)程中不知道其他終端的狀態(tài)信息與決策情況，各個(gè)移動(dòng)終端的上傳決策是分布式的。4.在線分布式優(yōu)化框架在現(xiàn)實(shí)中，解決能量約束的效用最大化問題是一項(xiàng)極富挑戰(zhàn)性的工作。由于終端的移動(dòng)性和上傳信道的不穩(wěn)定性，終端所處的環(huán)境是高度動(dòng)態(tài)的和不可預(yù)測(cè)的，這使得離線最優(yōu)化方法變得不可能。更糟糕的是移動(dòng)終端無(wú)法及時(shí)獲知當(dāng)前時(shí)刻其他終端的狀況以及上傳決策，移動(dòng)終端會(huì)上傳無(wú)用的冗余數(shù)據(jù)塊，同時(shí)又消耗了能量。為了解決這些問題，我們利用了分布式相關(guān)優(yōu)化方法，設(shè)計(jì)了在線的分布式調(diào)度算法，以使得每個(gè)移動(dòng)終端可以根據(jù)自身觀測(cè)到的狀態(tài)做出獨(dú)立的優(yōu)化決策。4.1復(fù)雜度剪枝在一次上傳過(guò)程中，每個(gè)移動(dòng)終端觀察它的信道狀態(tài)，并根據(jù)信道狀態(tài)決定是否上傳它的數(shù)據(jù)。我們定義，表示第i個(gè)終端根據(jù)確定策略做出是否上傳的決策。那么，所有終端的策略可以構(gòu)成一組向量α^(ω)={α^1(ω1),α^2(ω2),...,α^N(ωN)}---(6)]]>定理1：最優(yōu)決策策略是變量ωi的非遞減函數(shù)。證明：給定兩個(gè)信道狀態(tài)ω與γ，ω＜γ。假定這兩種信道狀態(tài)下的最優(yōu)確定決策滿足我們通過(guò)找到一個(gè)新的策略，該策略不僅可以滿足非遞減性，而且不喪失最優(yōu)性，來(lái)證明定理1。因?yàn)樗越o出如下兩個(gè)新的策略：α^ilow(ωi)=α^i(ωi)ifωi∉{ω,γ}0ifωi∈{ω,γ}---(7)]]>α^ihigh(ωi)=α^i(ωi)ifωi∉{ω,γ}1ifωi∈{ω,γ}---(8)]]>顯然，這兩個(gè)策略均滿足非遞減性。假設(shè)第i個(gè)移動(dòng)終端處于信道狀態(tài)ω與γ的概率分別是pri(ω)與pri(γ)。那么，我們定義一種新的隨機(jī)策略以概率pri(γ)/(pri(ω)+pri(γ))為確定策略以概率pri(ω)/(pri(ω)+pri(γ))為確定策略我們用來(lái)表示N維向量α，其中，表示除第i個(gè)終端以外其他終端的上傳決策。那么新策略與原策略下第i個(gè)終端的效用函數(shù)與能耗可以計(jì)算如下：假設(shè)被選定為新策略，并且ωi(t)＝ω，那么，原策略下的效用函數(shù)為新策略下的效用函數(shù)為原策略下的第i個(gè)終端的能耗為新策略下的能耗為假設(shè)被選定為新策略，并且ωi(t)＝γ，那么，原策略下的效用函數(shù)為新策略下的效用函數(shù)為原策略下的第i個(gè)終端的能耗為新策略下的能耗為在其他情況下，u(t)＝u'(t)，pi(t)＝pi'(t)。從而，對(duì)新策略與舊策略的效用函數(shù)與能耗的差值求期望可得：E[u(t)-u′(t)]=ri(ω)pri(γ)pri(ω)+pri(γ).(u^([1,ai-(t)],d(t))-u^([0,ai-(t)],d(t)))+pri(γ)pri(ω)pri(ω)+pri(γ).(u^([0,ai-(t)],d(t))-u^([1,ai-(t)],d(t)))=0---(9)]]>E[pi(t)-pi′(t)]=pri(ω)pri(γ)pri(ω)+pri(γ).(p^(1,ω)-p^(0,ω))+pri(γ)pri(ω)pri(ω)+pri(γ).(p^(0,γ)-p^(1,γ))---(10)]]>當(dāng)上傳決策為0時(shí)，不上傳數(shù)據(jù)，那么能耗也為0，因此，考慮，函數(shù)(·表示任意表達(dá)式)是ωi(t)的非遞增函數(shù)，那么，所以，E[pi(t)-pi'(t)]≥0。因此，我們發(fā)現(xiàn)，新的策略不僅滿足遞減性，而且不增加移動(dòng)終端的能耗，也不降低系統(tǒng)的效用。定理1說(shuō)明了當(dāng)ωi(t)較大時(shí)最優(yōu)策略也增大。因此最有策略如下形式：α^i(ωi(t))=0ifωi(t)<ωi*(t)1ifωi(t)≥ωi*(t)---(11)]]>因此問題轉(zhuǎn)化為為每個(gè)移動(dòng)終端尋找閾值信道狀態(tài)當(dāng)移動(dòng)終端有|Ω|個(gè)可行解時(shí)，有效解的數(shù)量減少到由于一個(gè)地區(qū)中協(xié)作移動(dòng)云中移動(dòng)終端的數(shù)量有限，因此這個(gè)復(fù)雜度是可以接受的。4.2在線分布式調(diào)度算法分布式相關(guān)優(yōu)化方法的核心思路是每個(gè)上傳過(guò)程中的每個(gè)移動(dòng)終端在中尋找最優(yōu)解。我們假設(shè)，在第t+D(D是系統(tǒng)的反饋延遲)個(gè)上傳過(guò)程中，所有移動(dòng)終端收到關(guān)于第t個(gè)上傳過(guò)程中的所有狀態(tài)與決策信息。這個(gè)假設(shè)在現(xiàn)實(shí)中可以由piggybacking技術(shù)實(shí)現(xiàn)。首先，我們將能量消耗約束轉(zhuǎn)化為隊(duì)列穩(wěn)定性問題。對(duì)每個(gè)移動(dòng)終端，定義一個(gè)虛擬隊(duì)列Qi(t),Q(t)＝(Q1(t),...,QN(t))。Qi(t)由下面這個(gè)等式在第t次上傳過(guò)程更新：Qi(t+1)＝max{Qi(t)+pi(t-D)-ci,0}(12)其中，pi(0)＝0，pi(-1)＝...＝pi(-D)＝0。每一個(gè)移動(dòng)終端維護(hù)了隊(duì)列Q(t)。在每一次上傳過(guò)程結(jié)束后利用反饋信息更新隊(duì)列。當(dāng)虛擬隊(duì)列穩(wěn)定時(shí)，也就是那么就可以滿足能量消耗約束。我們定義Lyapunov函數(shù)為：L(t)=12Σi=1NQi(t)2---(13)]]>Lyapunov函數(shù)表示了Q(t)隊(duì)列的阻塞程度。L(t)變化較小表示移動(dòng)終端的虛擬隊(duì)列具有強(qiáng)穩(wěn)定，換言之，可以滿足能量消耗約束。為使Lyapunov不處于阻塞狀態(tài)，我們定義D-slotlyapunov漂移為：Δ(t+D)＝L(t+D+1)-L(t+D)(14)直觀來(lái)看，減少上述D-slotlyapunov漂移，可以保持隊(duì)列穩(wěn)定性。為了使函數(shù)(1)最大化，我們使用漂移加罰技術(shù)。它使能耗約束的效用最大化問題轉(zhuǎn)化為每個(gè)上傳過(guò)程中使下式的上界最小化的問題：E[Δ(t+D)-Vu(t)|Q(t)](15)-Vu(t)可視為懲罰函數(shù)，因?yàn)樵瓎栴}目標(biāo)是使效用u(t)最大化，所以-Vu(t)應(yīng)盡量地小，即懲罰盡量得小。參數(shù)V(>＝0)是為了控制隊(duì)列穩(wěn)定性和效用之間的平衡。較小的V意味著協(xié)作移動(dòng)云傾向于保持隊(duì)列穩(wěn)定(即更低的能耗)而不是收集更多的有效數(shù)據(jù)塊。以下引理給出了式(15)的上界。引理1：對(duì)于給定的V>0，在每一個(gè)上傳過(guò)程中：E[Δ(t+D)-Vu(t)|Q(t)]≤A(1+2D)-Σi=1NciQi(t)+E[Σi=1Npi(t)Qi(t)-Vu(t)|Q(t)]---(16)]]>其中，為一個(gè)常量，Q(t)為虛擬隊(duì)列，D為系統(tǒng)反饋延遲，ci為第i個(gè)終端的平均能耗約束值。為了最小化漂移加罰表達(dá)式，我們的方法是減少不等式的右邊，以此在保證Q(t)穩(wěn)定性的同時(shí)將效用函數(shù)的下限最大化，這意味著可以滿足約束(4)。最終，利用漂移加罰技術(shù)，在每個(gè)上傳過(guò)程中每個(gè)移動(dòng)終端在中選擇一個(gè)，來(lái)最小化不等式(16)的右邊項(xiàng)，以解決能耗約束的效用最大化問題。因?yàn)橐苿?dòng)終端不知道其它終端在當(dāng)前上傳過(guò)程的信道狀態(tài)和決策，移動(dòng)終端不能計(jì)算等式右邊的pi(t)和u(t)。然而，反饋機(jī)制使得關(guān)于信道狀態(tài)的信息ω(t-D)和決策α(t-D)在第t次上傳結(jié)束時(shí)變?yōu)榭捎?。?dāng)利用策略時(shí)，和u(m)(t)可以近似為：p~i(m)(t)=1SΣs=1Sp^i(a^i(m)(ωi(t-D-s)),ωi(t-D-s))---(17)]]>u~(m)(t)=1SΣs=1Su^(a^(m)(ωi(t-D-s)),d(t-D-s))---(18)]]>其中，S是表示樣本大小的正數(shù)。在線分布式調(diào)度算法的偽代碼如圖7所示，對(duì)應(yīng)的中文含義如下所述：1：對(duì)各移動(dòng)終端i∈{1,...,N}：2：觀測(cè)本移動(dòng)終端的信道狀態(tài)ωi(t)和隊(duì)列狀態(tài)Q(t)；3：從策略集中選擇一種策略使得最小化；4：執(zhí)行上傳決策5：接收關(guān)于ω(t-D)和α(t-D)的反饋信息并根據(jù)公式(6)更新Q(t)。4.3性能分析下面的定理二給出了最優(yōu)方案和我們算法給出方案之間的性能差距。定理2：對(duì)于移動(dòng)終端的任何一個(gè)信道，對(duì)于任意的V>0和S>0，我們有：最優(yōu)方法和我們算法提供的效用的差距是：u‾opt-1TΣt=0T-1E[u(t)]≤A(1+2D)V+E[L(D)]n+O(1/S)---(19)]]>表示在能耗約束下的最大平均效用；我們的算法保證了每個(gè)移動(dòng)終端的平均能耗滿足：1TΣt=0T-1E[pi(t)]≤ci+O(VT),∀i---(20)]]>證明：在每一個(gè)上傳過(guò)程里，漂移加罰技術(shù)給出最小化等式右邊的方法。在利用精確相關(guān)調(diào)度算法求解時(shí)，我們有：E[Δ(t+D)-VU(t)|Q(t)]≤A(1+2D)-Vu‾opt---(21)]]>其中，下述幾個(gè)式子均為公式推導(dǎo)過(guò)程，參數(shù)含義一致，并已在上文說(shuō)明。計(jì)算上面不等式的期望，我們有：E[Δ(t+D)-VE[u(t)]]≤A(1+2D)-Vu‾opt---(22)]]>計(jì)算{0,…,T-1}中所有的t，我們有：E[L(T+D)-E[L(D)]]-VΣt=0T-1E[u(t)]≤AT(1+2D)-VTu‾opt---(23)]]>因?yàn)棣L(T+D)]≥0，所以重新計(jì)算上面不等式，我們有:u‾opt-1TΣt=0T-1E[u(t)]≤A(1+2D)V+E[L(D)]VT---(24)]]>我們的算法使用了延遲反饋來(lái)近似精確值。近似算法和精確聯(lián)系分配算法的差距是因此，不等式(19)成立。重新計(jì)算不等式(23)，我們有:E[L(t+D)]≤(V+CV)T(25)其中B＝E[L(D)]+A(1+2D)，C定義為滿足常量根據(jù)L(t)的定義，我們有：E[Σi=1NQi(T+D)2]≤2(B+CV)T---(26)]]>由Jensen’s不等式：E[Σi=1NQi(T+D)]T≤2(B+CV)T---(27)]]>結(jié)合上述兩個(gè)不等式，我們可以總結(jié)出不等式(20)。定理2給出了我們?cè)O(shè)計(jì)的算法的平均能量消耗上限與最優(yōu)方案之間的差距。不等式(19)表示了只要選擇足夠大量的V，平均效用可以任意接近最優(yōu)值。但如不等式(20)所示，太大數(shù)量的V會(huì)產(chǎn)生更高的能量消耗。協(xié)作式云計(jì)算可以通過(guò)調(diào)整V的大小，在效用和能量損耗間進(jìn)行彈性的決策。另外，更大的S值也可以使解決方案更接近最優(yōu)值。然而，同時(shí)它需要更長(zhǎng)時(shí)間的計(jì)算和更大的存儲(chǔ)空間。5.性能評(píng)估為了評(píng)估我們所提出框架的性能，我們?cè)谶@部分完成了一系列的仿真實(shí)驗(yàn)。在我們的實(shí)驗(yàn)中，一個(gè)協(xié)作式云計(jì)算包含8個(gè)移動(dòng)終端。在兩次上傳之間移動(dòng)終端至多產(chǎn)生20種不同類型的數(shù)據(jù)塊。為了保證數(shù)據(jù)的可靠性，每個(gè)數(shù)據(jù)塊被復(fù)制為三個(gè)備份，存儲(chǔ)于這些移動(dòng)終端中。有4種上傳信道的狀態(tài)表示為Ω＝(0,1,2,3)。在每一個(gè)上傳過(guò)程中，信道狀態(tài)以相同概率在Ω中隨機(jī)產(chǎn)生。由經(jīng)驗(yàn)?zāi)芎哪Ｐ涂傻?，傳輸能量和信道狀態(tài)成反比。因此不同信道狀態(tài)下上傳能量的損耗是{60,30,12,6}J。每個(gè)移動(dòng)終端的平均消耗約束為8J。默認(rèn)反饋延遲是D＝2，樣本數(shù)量是S＝30。5.1能耗-效用平衡的驗(yàn)證我們將參數(shù)V作為效用和能量損耗之間的控制變量，首先驗(yàn)證參數(shù)V的有效性。在圖1a和圖1b中，圖1a中橫坐標(biāo)為V值的變化，縱坐標(biāo)為平均效用值；圖1b中橫坐標(biāo)為V值的變化，縱坐標(biāo)為平均能耗。圖1a顯示了隨著V的增加，效用提高，不斷接近最優(yōu)值。然而，提升過(guò)程伴隨著效用接近最優(yōu)值而逐漸減慢。這個(gè)實(shí)驗(yàn)結(jié)果證明了定理二，表明隨著O(1/V)提升平均效用可以達(dá)到最優(yōu)值。然而，效用的提升增加了移動(dòng)終端的能量負(fù)擔(dān)。幸運(yùn)的是當(dāng)V<600時(shí)，平均能量損耗低于約束c＝8J。即使當(dāng)V＝1200時(shí)，平均能量損耗僅僅比約束高了1.67％。總之，結(jié)果顯示效用與能耗之間的平衡，和定理二相符。為了在能量約束下達(dá)到更高的效用，我們?cè)谙旅娴膶?shí)驗(yàn)中設(shè)置V＝600。我們進(jìn)一步驗(yàn)證在不同的V下能量消耗是否滿足約束。圖2可以看出平均能量損耗在不同的V的值下明顯下降，并會(huì)快速接近能量損耗約束。圖2中橫坐標(biāo)為400次上傳過(guò)程，縱坐標(biāo)為各次上傳過(guò)程中的能耗。V值越小，下降速度越快。當(dāng)V＝1,100時(shí)，平均能量損耗在幾次上傳以后快速下降到約束以下。同時(shí)，當(dāng)V＝600，1200的消耗也在t>100后接近了約束。這些結(jié)果表明較大的V可以達(dá)到了更高的效用，然而平均能量損耗接近約束的時(shí)間也延長(zhǎng)了。5.2反饋延遲的影響圖3a和圖3b顯示了參數(shù)D的性能影響。可以在兩幅圖中看出參數(shù)D對(duì)于效用有很顯著影響。圖3a中橫坐標(biāo)為系統(tǒng)反饋延遲，縱坐標(biāo)為平均效用。圖3b中橫坐標(biāo)為系統(tǒng)反饋延遲，左側(cè)縱坐標(biāo)為平均能耗，右側(cè)縱坐標(biāo)為能耗/效用比值，表示能耗的效率。當(dāng)反饋延遲D被延長(zhǎng)，平均效用下降明顯?？梢灾庇^的總結(jié)出減少協(xié)作移動(dòng)云的延遲反饋會(huì)顯著提升它的性能。得益于piggybacking技術(shù)，反饋信息可以在短時(shí)間內(nèi)被傳遞。盡管圖3b顯示了能量損耗的下降，消耗與效用之比顯示了當(dāng)D變大時(shí)，系統(tǒng)的能耗的效率下降。這意味著協(xié)作式移動(dòng)云在上傳數(shù)據(jù)時(shí)消耗了更多能量。5.3信道狀況的影響TABLE1：DistributionofChannelState為了檢驗(yàn)信道狀況的影響以及我們算法的適用性，我們進(jìn)行了一系列的實(shí)驗(yàn)，其中信道狀態(tài)的分布情況發(fā)生改變。上傳過(guò)程的次數(shù)增加到900次，并被分為三個(gè)階段。第一階段(t<300)，所有終端的信道狀態(tài)都是等可能的。階段二是300<t<600，如表一所示，可能性分布變化為類型一(Type1)分布(較差的信道情況)。在階段三，t>600，信道狀況變?yōu)轭愋投?Type2)分布(較好的信道狀態(tài))。圖4a和圖4b顯示了900次上傳過(guò)程的平均效用和平均能量損耗。圖4a橫坐標(biāo)為900次上傳過(guò)程，縱坐標(biāo)為各次上傳過(guò)程中的平均效用；圖4b橫坐標(biāo)為900次上傳過(guò)程，縱坐標(biāo)為各次上傳過(guò)程中的平均能耗。在每一次上傳過(guò)程中都進(jìn)行了平均超過(guò)100次的獨(dú)立仿真實(shí)驗(yàn)。圖4a的垂直線顯示了一旦信道狀態(tài)變化，協(xié)作移動(dòng)云就可以產(chǎn)生新的最優(yōu)值。這一結(jié)果表明我們的算法可以適應(yīng)不可預(yù)測(cè)的通信環(huán)境。另外，第二階段達(dá)到的平均效用低于第一階段，因此我們可以發(fā)現(xiàn)信道狀態(tài)是系統(tǒng)效用提升的瓶頸。圖4b描述了每個(gè)上傳過(guò)程的平均能量消耗。當(dāng)信道狀況波動(dòng)時(shí)，兩個(gè)顯著地波動(dòng)出現(xiàn)。然而，但是在幾次上傳過(guò)程后能量消耗迅速重新接近約束?？紤]到不同移動(dòng)終端的上傳信道狀況不同，我們接下來(lái)證明算法對(duì)于一個(gè)移動(dòng)終端信道狀態(tài)發(fā)生變化的情況。將600個(gè)上傳過(guò)程分為兩個(gè)階段。在第一階段中(t<300)，所有移動(dòng)終端的信道狀態(tài)均勻分布在Ω上。在階段2(t>300)中，移動(dòng)終端1的信道狀態(tài)變?yōu)轭愋鸵环植迹苿?dòng)終端8的信道狀態(tài)變化為類型二分布。其他的移動(dòng)終端保持了相同的可能性分布。圖5a到圖5d中，圖5a橫坐標(biāo)表示600次上傳過(guò)程，縱坐標(biāo)表示各次上傳過(guò)程中的平均效用；圖5b橫坐標(biāo)表示600次上傳過(guò)程，縱坐標(biāo)表示各次上傳過(guò)程中的平均能耗；圖5c橫坐標(biāo)表示600次上傳過(guò)程，縱坐標(biāo)終端1與終端8的平均決策；圖5d橫坐標(biāo)表示600次上傳過(guò)程，縱坐標(biāo)終端1與終端8的累積平均決策。從圖5a和圖5b中可以看出，在信道狀態(tài)分布變化時(shí)，平均效用和平均能量消耗都沒有出現(xiàn)明顯變化。為了研究此現(xiàn)象的原因，我們繪制了移動(dòng)終端1和8平均決策。每一個(gè)上傳過(guò)程重復(fù)進(jìn)行100次獨(dú)立實(shí)驗(yàn)。αi(t)的定義指出，決策值的平均值越大意味著移動(dòng)終端傾向于在這個(gè)上傳過(guò)程中上傳數(shù)據(jù)。在階段一中，終端1的平均決策和終端8的相一致。然而在階段二中，終端1的信道狀態(tài)變得差一些，平均決策劇烈動(dòng)蕩，在很多上傳過(guò)程中降低到0.5以下。相反的，階段二中終端8的平均決策保持在0.95以上。為了清晰的顯示這個(gè)趨勢(shì)，我們?cè)趫D5中繪制了每一個(gè)上傳過(guò)程平均決策的累積值終端1的曲線在t＝300時(shí)顯示了明顯的下降趨勢(shì)，而終端8上升。這些實(shí)驗(yàn)結(jié)果顯示我們算法具有很好的適應(yīng)性。盡管移動(dòng)終端在上傳時(shí)不知道當(dāng)前時(shí)刻其他終端的信道狀態(tài)，依靠分布式相關(guān)優(yōu)化方法，我們的算法依舊可以讓分布式的終端協(xié)同工作。5.4性能比較為了顯示我們算法(分布式相關(guān)上傳決策distributedcorrelateduploaddecision，DCUD)的性能提升，我們與三個(gè)參照算法進(jìn)行比較。貪婪算法：移動(dòng)終端在平均能量損耗低于約束時(shí)決定上傳數(shù)據(jù)。OPERA：提供了一種在線的算法致力于減少能量損耗，降低數(shù)據(jù)的丟包概率。和其他的算法不同的是，基于貪婪算法的中心算法CENTRAL是一種知道所有移動(dòng)終端情況的中心式調(diào)度方法。圖6a和圖6b顯示了在不同能量約束下四種算法的性能比較，結(jié)果顯示我們的算法具有明顯的優(yōu)勢(shì)，尤其是在應(yīng)急處理這種能量約束很強(qiáng)的情況下。圖6a中橫坐標(biāo)表示不同的能耗約束值，縱坐標(biāo)表示不同算法的平均效用；圖6b中橫坐標(biāo)表示不同的能耗約束值，縱坐標(biāo)表示不同算法的平均能耗。其中圖6a和圖6b中每個(gè)圖中都包括四個(gè)柱狀圖，每個(gè)柱狀圖從前到后的四個(gè)柱分別代表DCUD、GREEDY、OPERA、CENTRAL。如圖6a和圖6b，當(dāng)能量約束ci＝1時(shí)，效用比貪婪算法提升了77.5％。當(dāng)能量約束較松時(shí)，我們的算法仍舊比除了中心化算法的其他參考算法好。然而CENTRAL算法采用了集中式的調(diào)度方法，假定可以獲知所有移動(dòng)終端的信息，第一章已說(shuō)明這在惡劣情況下這種假設(shè)并不實(shí)際。6.總結(jié)協(xié)作式移動(dòng)云利用周圍的移動(dòng)終端提升本移動(dòng)終端的存儲(chǔ)能力，是擴(kuò)展移動(dòng)終端計(jì)算能力的一種有效的機(jī)制。這其中主要的一個(gè)挑戰(zhàn)是在協(xié)作式移動(dòng)云中如何上傳帶冗余備份的數(shù)據(jù)到遠(yuǎn)端的云數(shù)據(jù)中心。本文將此問題建模為能耗約束的效用最大化問題。受到分布式相關(guān)優(yōu)化方法的啟發(fā)，我們?cè)O(shè)計(jì)了在線分布式調(diào)度方法，使得每一個(gè)移動(dòng)終端在不知道未來(lái)信道情況下可以獨(dú)立進(jìn)行決策。我們?yōu)闇p少算法的復(fù)雜度，進(jìn)行了嚴(yán)謹(jǐn)?shù)睦碚摲治?，縮小了算法的搜索空間。理論分析表明在滿足能量損耗約束的前提下我們的算法可以接近于最優(yōu)的平均效能。我們進(jìn)行了一系列的仿真實(shí)驗(yàn)，展示了在線分布式優(yōu)化算法的有效性與優(yōu)越性。當(dāng)前第1頁(yè)1 2 3