英语原文共 10 页
互联物联网云代理系统的多目标优化
Teerawat Kumrai、Kaou Ota、Mixiong Dong、Jay Kishigami和Dan Keun Sung。
摘 要：目前，物联网(IoT)连接了90多亿件事物。预计这一数字在不久的将来将超过200亿，而且事物的数量正在迅速增加，这表明将产生大量的数据。有必要建立一个基础设施来管理连接的事物。云计算(CC)在物联网的分析和数据存储方面变得越来越重要。在本文中，我们考虑云代理，它是管理CC中连接的事物的基础设施中的一个中介。我们研究了在最小化请求响应时间和能量消耗的情况下最大化代理的PROfit的优化问题。针对这一问题，提出了一种多目标粒子群优化算法(MOPSO)。将该算法与遗传算法和随机搜索算法的性能进行了比较。结果表明，MOPSO算法在求解多目标优化问题上优于一种著名的遗传算法。索引术语-云代理、物联网(IoT)、多目标优化、粒子群优化(PSO)。
物联网(物联网)是一种互联网技术，通过互联网或无线技术将机器和工具连接在一起，如图1所示，即Wi-Fi、射频IDENTIfi阳离子、蓝牙低能耗、ZigBee等。在物联网中连接的事物和数据数量超过了2011年的世界人口。目前，有90亿件事情是相关的，到2020年这一数字可能会超过240亿[1]。因为事物的数量在迅速增加，所以将来会产生大量的数据。因此，大数据和云计算(CC)将在分析和数据存储方面发挥重要作用。CC是通过基于虚拟化技术的数据中心提供的服务。CC按需向客户或用户提供服务[2]。客户可以随时随地通过Internet使用云服务提供商的软件、系统和计算资源，如图所示。2。此外，使用移动设备(例如智能电话和平板电脑)的一些客户端可以通过设备到设备(D2D)通信检测和使用其他移动设备上的计算资源[3]。CC中的服务分为以下三类：Classifi。fiRST服务是一种软件服务，在这种服务中，客户端可以通过互联网运行软件，而无需安装和维护软件。第二个服务是Platform as a service，它提供一个允许客户端开发、运行和管理应用程序虚拟化服务器的平台。第三种服务是基础设施即服务(IaaS)，组织可以在其中外包支持操作，包括硬件、存储、服务器和网络。服务提供商将由客户拥有设备、工作职责和维护，客户可以选择按实际使用付费。未来的物联网带来的挑战是，大量的事物和数据通过互联网连接在一起。应该开发一个基础设施来管理和支持这一数量的互联事物。为了克服这一挑战，我们利用CC中的IaaS中介来管理物联网中的连接事物和数据。在CC中，来自客户端的请求有时可以通过中介提交给云，中介位于客户端和云服务提供商之间。我们使用它(以下称为云代理)来优化CC中的资源选择。云代理将来自客户的请求与服务提供商提供的服务相匹配。在某种意义上，云代理被期望以最大的专业fit在客户和服务提供商之间简单地fi和最好的交易。另一方面，当客户端向服务提供者提交请求时，应将响应时间(RT)降至最小。此外，由于云服务的快速增长，降低CC的能耗也是一个重要的问题。因此，本文所要解决的问题就是如何在最大化云代理的PROfit的同时，最大限度地减少请求的RT值和CC的总能耗。许多研究集中在CC[4]-[6]中的云代理。在文[4]中，提出了一种多目标遗传算法(GA)和一种贪婪的启发式算法来优化能源消耗、CO2排放和部署成本。在[5]中提出了一个新的框架-云资源代理(CloudResourceBroker)。该框架与基于粒子群优化(PSO)的资源分配方案和基于截止日期的作业调度相结合。目标是最大限度地减少执行时间和成本，并最大限度地增加在截止日期内完成的作业数量。将该框架与遗传算法、基于秩的分配(RBA)机制和蚁群优化算法(ACO)进行了比较。Iturriaga等人。[6]提出了一种新的进化算法(EA)来最大化CC中虚拟机(VM)转租的代理进程(Broker Profit)。该算法是一种并行混合进化算法，并利用云供应商提供的真实数据与贪婪启发式算法进行了比较。然而，这两种方法都不能同时解决云代理的RT、能量消耗和PROfit问题。此外，他们没有提出粒子群算法，该算法比遗传算法更容易收敛且复杂度更低。因此，本研究的主要动机是制定、设计和开发用于云代理系统的粒子群算法，以减少请求的RT和CC的总能耗，同时提高云代理的PROfit。因此，我们研究请求的RT、能量消耗和代理的profit。我们考虑云代理问题是一个多目标优化问题，它有三个目标：最小化用户请求的RT，最小化CC中的能量消耗，最大化代理的profit。我们使用多目标粒子群算法求解这个多目标优化问题的最优解，因为多目标粒子群算法可以用来求解云代理问题的fi和fi-最优解。本文的主要贡献归纳如下。1)通过考虑能量消耗、Broker Profit和RT，研究了云物联网系统中的云代理问题。2)提出了一种新的优化问题，以求最大限度地提高系统的代理成本(Broker Profit)，最大限度地降低系统的能耗和用户的实时响应时间(RT)。提出了一种求解单目标问题的PSO算法，并设计了一种求解多目标问题的MOPSO算法。3)提出了最小二乘粒子群算法(MOPSO)来解决所提出的问题。我们对MOPSO算法进行了大量的仿真研究。将该算法与一种著名的遗传算法和一种随机搜索算法进行了性能比较。本文在第二节对相关工作进行了综述。然后，我们描述了一个系统模型，并在第三节中提出了一个优化问题。第四节介绍了标准粒子群算法和最小粒子群优化算法。第五节通过计算机仿真对所提方法的性能进行了评价。最后，我们在第六节中得出了结论。
与此相关的CC资源管理问题，如调度、负载均衡、映射等都是NP-难问题。这意味着没有最优算法来解决这些问题。然而，这些问题已经通过一些计算智能的方法，如EA，ACO，以及模糊和神经网络来解决。在这一部分中，我们描述了CC中资源管理优化问题的相关工作。在CC[4]-[6]中，有几个研究提出了解决资源管理优化问题的EA。Kessaci等人。[4]研究了一种降低能耗的方案，这是CC中的一个重要问题。他们提出了一个多目标遗传算法和一个贪婪的启发式算法。所提出的算法被用于优化能源消耗、CO2排放和部署成本。对MOGA算法和贪婪启发式算法进行了性能比较。在能源消耗和二氧化碳排放方面，MOGA优于贪婪的启发式算法。该算法已被用来求解无线传感器网络[7]-[9]中各种优化问题的最优解。文[7]提出了一种遗传算法来优化两个目标。目标包括传感器节点的连通性和在k-覆盖热点区域的覆盖。Le Berre等人。[8]提出了一种解决无线传感器网络节点布局问题的遗传算法。该算法最大限度地提高了网络的覆盖范围和网络寿命。EVOLT是在[9]中提出的。这是一种带有新的遗传算子的进化算法，这些算子包括老化、基于年龄的交叉、基于年龄的变异和基于fi因果关系的交叉。EVOLT是为了解决电网通信网络的高维服务质量(QoS)优化问题而提出的。一些研究提出了一种新的算法/框架来解决无线网络中的优化问题[10]，[11]。最近，文献[10]提出了一种覆盖范围多目标优化的复杂联盟策略。它是一种提高无线传感器网络节点覆盖效率和网络生存时间的新算法。作者还提出了一种计算覆盖率、期望值和相称性的方案。刘等人。[11]研究了移动自组网(MANET)中的最优转发问题。提出了一种新的博弈论框架来研究自组网中两跳f-cast中继算法的最优转发问题。该算法指出了转发行为与fiNal吞吐量之间的关系。一些研究提出了一个新的模型/框架来解决CC[12]-[16]中的问题。CSAM-IISG是在[12]中提出的。在CC环境下，云资源分配模型是一个具有隐马尔可夫模型的不完全信息Stackelberg博弈。所提出的模型可以提高服务提供者和申请者的fi。Li等人。[13]提出了多云环境的服务框架和定价策略。该框架能够提供流式大数据计算服务，最大限度地提高多云中间层的fi。与其他定价策略相比，本文所提出的定价策略的fi偏好率较高。最近，[14]中提出了一种以云为中心的多级身份验证服务。建议的方法用于云和物联网设备中的安全公共安全网络。考虑了可伸缩性和时间限制，证明了该方法的有效性。在[15]中，提出了一种称为MCES的多云体系结构。智能疏散服务部署在多云提供商中。该系统能够在紧急情况下承受比单一云服务更多的压力。在文献[16]中，提出了一种基于能量有效fi存储系统的虚拟机在线重复数据消除机制。作者还设计了一种重复数据消除选择算法，以最大限度地减少存储能耗。该机制既可以减少冗余数据块，又不会造成业务中断，降低了能耗。此外，文[17]还综述了几个关于无线宽带(fiber-Wireless，FIFW)网络的研究，主要集中在网络能量效率、fi频率、可扩展性和可靠性等方面。本文综述了基于无线网络的无线Over-fi-BER和无线-fi-BER技术的进展、Qos提供方案、能量效率fi方案、可扩展性改进技术、可靠性增强方案、行业标准化活动和未来工作的新趋势。在文[18]中，提出了一种新的位置识别方法。建议的方法包括支持位置感知服务，特别是签到服务。该方法采用了全球定位系统和混合定位系统。作者还为他们的方法提出了无线指纹的概念。
文[6]提出了一种新的EA，一种并行混合EA。其目标是在云系统中最大限度地提高Broker Profit。将该算法与贪婪启发式算法的性能进行了比较。结果表明，该算法在PROfit值方面优于贪婪启发式算法。在[5]中，提出了一种基于PSO的资源分配和基于截止日期的作业调度的云资源代理框架(CloudResourceBroker，CloudResourceBroker)。目标是最大限度地减少执行时间和成本，并最大限度地增加在截止日期内完成的作业数量。将该框架与GA、ACO和RBA机制的性能进行了比较。结果表明，该框架能够在规定的期限内完成作业。[19]提出了一种分组遗传算法(GGA)。GGA采用模糊多目标评价方法。作者提出了一个由两个层次组成的控制系统。系统管理工作负载到虚拟机的映射以及虚拟机到物理资源的映射。他们认为最大限度地减少资源浪费、电力消耗和云系统的温度是三个优化目标。将所提出的遗传算法与两种算法进行了性能比较，并采用了四种装箱算法和两种单目标方法。粒子群算法(PSO)在文献[20]和[21]中被用来解决CC中的各种问题。Jeyarani等人。[20]提出了一种自适应功率感知VM资源调配机制，作为一种新的元调度器。他们使用自适应粒子群算法(SAPSO)来解决VM配置问题。他们使用fiVE实验对标准粒子群优化算法、多集成粒子群优化算法和自适应粒子群优化算法进行了性能比较。在fi第一次实验中，他们给出了检测和跟踪最优目标服务器的性能比较。接下来，他们分析了VM调配中的故障数量。使用第三个实验分析了使用fi封装和可变蒸发因素时VM调配的失败率。他们演示了在VM调配中利用省电状态以及动态电压频率调整的影响。最后，给出了功率权衡的性能比较。Pandey等人。[21]针对云环境下Workflow调度问题，提出了一种基于粒子群算法的启发式算法，以最大限度地减少计算和通信开销。将该算法与贪婪最优资源选择算法的性能进行了比较。在CC[22]-[24]中，有几项研究提出了ACO来解决各种问题。高等人。[22]研究了CC环境中的VM放置问题。他们提出了一种多目标蚁群算法，以提高功耗、fi效率和资源利用率。将该算法与多目标遗传算法和两个单目标算法进行了比较。实验结果表明，该算法优于其它算法。文[23]提出了一种新的基于蚁群算法的云调度算法，用于在云中进行参数扫描实验。他们还提出了最小化加权flowtime和makespan的问题。Feller等人。[24]研究了CC中的工作负载分配问题。他们提出了一个多维装箱问题和蚁群算法来动态计算布局。
他们比较了他们的算法和贪婪算法的性能，如fi，rst-fi，t递减算法。本文将最小二乘粒子群算法应用于一个云代理系统。我们认为这是一个具有以下三个目标的优化问题：最大化云代理的PROfit，最小化请求的RT和能耗。更多详情载于第三和第四节。
iii。问题陈述在本节中，我们描述了CC中云代理的问题陈述。本文的云模型是IaaS。如图所示。3、模型由N个客户端、1个云代理和M个云服务提供商组成。云代理必须在客户端和云服务提供商之间进行fi和最佳fi配置。我们使用集合U=U1，hellip;，UN表示N个客户端，用集合S=S1，.，SM表示模型中的M个服务提供商。每个服务提供者处理来自客户端的请求的能力有限，服务提供者中处理请求的总数必须大于来自客户端的请求数。为了描述服务提供者的过程，我们引入了一个二进制变量bij(i=1，hellip;，N，j=1，hellip;，M)，如下所示：
客户在向云代理和服务提供商提交请求时，应在最短的时间内完成其工作。因此，我们考虑客户端请求的RT。我们将LIJ设置为客户机i和服务提供者j之间的延迟。它可以测量为LIJ=CTminus;AT，其中CT是当前时间，AT是来自服务提供商j的客户端i请求的到达时间。当服务提供者收到来自客户端的请求时，服务提供者必须花费时间TJ来执行该请求。因此，第一个目标是最大限度地减少请求的RT。其内容如下：
客户端通过云代理向服务提供商提交请求。云代理管理和finds是客户满意的最佳解决方案。同时，预计经纪人将从这项任务中获得一个专业的fit。因此，经纪人的专业fit被认为是第二个目标。我们将PI设置为客户i的价格，CJ设置为服务提供商j的成本。因此，第二个目标是最大化云代理的profit(P)，如下所示：
要执行来自客户端的请求，服务提供商必须以最小的能耗完成任务。因此，我们认为能源消耗是一个重要的问题，在CC作为一个目标。我们假设ej是服务提供商j用来执行作业的能耗。所有服务提供者的总能源消耗情况如下：
最后一个目标是最大限度地减少系统的总能耗。基于上述三个目标，我们将云代理的优化问题看作一个单目标和多目标优化问题。我们在第III-A节中描述了单目标优化问题，在第III-B节中描述了多目标优化问题。
答：单目标优化问题一开始，我们将这三个目标看作一个单目标优化问题，并将云代理的效用函数表述如下：
其中，omega;1、omega;2和omega;3分别是请求的RT、云代理的profit和系统总能耗的加权系数。权重之和等于1(omega;1 omega;2 omega;3=1)。R
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
