海量网络数据传输能耗优化方法*

陶洪建， 张艳红， 汤 峰

(1. 重庆理工大学 计算机科学与工程学院， 重庆 400050； 2. 重庆工业职业技术学院 信息工程学院， 重庆 401120； 3. 广东技术师范学院 信息与传媒学院， 广州 510540； 4. 华南理工大学 软件学院， 广州 510006)

海量网络数据传输能耗优化方法*

陶洪建1，2， 张艳红3， 汤 峰4

(1. 重庆理工大学 计算机科学与工程学院， 重庆 400050； 2. 重庆工业职业技术学院 信息工程学院， 重庆 401120； 3. 广东技术师范学院 信息与传媒学院， 广州 510540； 4. 华南理工大学 软件学院， 广州 510006)

针对传统方法对海量网络数据传输能耗进行优化时存在传输能耗估计不准确、不适合大范围使用的缺陷，提出一种新的海量网络数据传输能耗控制优化方法.通过建立网络数据传输模型，对网络数据节点能耗进行计算.选取合适节点对网络数据进行参数设计，利用分段曲线压缩算法对采集的数据进行压缩传输，结合剩余能量实现海量网络数据传输能耗的优化.结果表明，在不同数据传输距离和数据量条件下，与传统方法相比采用改进算法可以很大程度降低海量数据的传输能耗，改进算法具有的能耗优化效果具有一定的实用性.

海量网络； 传输模型； 能耗； 数据传输； 优化方法； 分段压缩； 剩余能量优化； 节点能耗控制

随着网络技术的发展，网络用户数量逐年增加，借助于移动网络的升级和手机的推广，移动互联网也迅速发展，用户量明显增加，互联网成为了人们生活中不可缺少的一部分.互联网具有结构庞大、复杂的特点[1]，导致其数据量迅速增加，传输量越来越大，随之产生的能耗也越来越大.对网络数据传输能耗进行优化也成为该领域亟待解决的问题，受到广大学者的关注，各种有效算法不断被提出[2-5].

其中，文献[6]提出基于弱监督学习的海量网络数据传输能耗优化方法，通过Bootstrapping思想的协同训练方法对弱监督抽取模型进行强化，并且对预测关系时的协同策略进行详细分析，通过实验证明，此方法可实现网络数据传输过程能耗的优化.文献[7-9]提出基于MapReduce和HBase的海量网络数据传输能耗优化方法，方法主要根据数据特点，结合分布式框架对海量网络数据进行计算，改进网络数据的传输模式和数据存储模式，完成网络数据传输能耗的优化.方案可有效地解决MapReduce读取和解析二进制数据的问题，但是其数据传输速度较快，无法对全部能耗进行优化.文献[10]提出基于层次分析的网络数据传输能耗优化方法，该方法通过构建海量网络数据传输模式的预测模型，从多方面进行了分析，为网络数据的传输提供了基础依据.但针对大规模的网络数据，该方法在解析及传输方面应用均有局限，使得传输能耗估计不准确，不适合大范围的使用.文献[11]提出一种基于多条件休眠的海量网络数据传输能耗优化方法.文献对网络主要状态的稳态概率和协议参数进行推导，获取了节点在每个超帧内的平均能耗，并以此为基础，利用数据包到达率、退避次数等参数对其进行优化，完成了网络数据传输能耗优化，但该方法时间复杂度较高，不易实现.

针对上述产生的问题，提出一种新的海量网络数据传输能耗优化方法，通过建立网络数据传输模型，对网络数据节点能耗进行优化，并以此为基础，对网络数据进行采集.通过分段曲线压缩算法对采集的数据进行压缩传输；基于剩余能量优化方法，对海量网络数据传输能耗进行优化处理，实现海量网络数据传输能耗的优化.通过实验结果分析可知，相比传统的能耗优化方法，改进方法能耗优化效果更好，具有一定的实用性.

1 网络数据节点能耗分析

1.1 网络数据传输模型

在进行网络数据传输能耗优化时，需要建立网络数据传输模型[12]降低数据传输带来的能耗.

在海量网络通信过程中，假设节点m与另一个节点相遇时，可能在相遇之后时间T内的任意一个时刻发送邻居探测信息，则节点m取值为0～T均匀分布，节点m的概率分布函数表示为

(1)

式中，a为概率分布的约束阈值.当a<0时，表示分布过程不符合实际情况，即节点通信时刻与下一节点发出第一个邻居探测信息时刻之间的间隔大于持续时间.当两个节点通信时，可发生通信的概率为1-P(Tx≤0)，节点感知到通信事件的概率分布模型可表示为

(2)

式中：Tx为节点x的通信时间间隔周期；t为通信时间约束阈值.对节点感知到的通信事件的概率分布模型求导，可得到链路持续时间Tf的表达式.

通过获取的节点实际相遇持续时间的概率密度函数建立海量网络数据传输模型，将其作为分析海量数据传输能耗的基础.

1.2 网络数据节点能耗控制参数

在建立网络数据传输模型的基础上，计算网络最大吞吐量，获取网络数据节点的能量消耗值.当相遇节点直接产生通信的概率为Pr时，则其网络数据通信持续时间总和T1及网络数据传输链路持续时间总和T2的表达式分别为

T1=KE(T)

(3)

T2=K(1-Pr)E(Tf)

(4)

式中：E(T)为网络数据节点间通信持续时间的平均值；K为网络中所有数据节点间的总相遇次数；E(Tf)为链路持续过程时间的平均值.

通信时间可用两者比值ρ表示，即

(5)

由式(5)可知，ρ值与K的取值无关，则把该参数带入到网络通信模型，可以得到能耗控制参数，即

c=λβ(1-Pr)E(Tf)

(6)

式中：λ为单位时间节点平均被选次数；β为数据节点的传输速率.λ也被称为数据节点相遇速率，取值由数据节点特性及网络数据节点密度决定.

2 结合控制参数的能耗优化方法

在获取网络数据节点能耗控制参数的基础上，采用分段曲线压缩算法对采集的网络数据进行压缩，并通过控制参数优化剩余能量方法实现海量网络数据传输能耗的优化.

为获取海量网络数据特征，假设海量网络数据传输初始端数据量为V1，传输终止端数据量为V，传输的网络数据量级为N，则此时的网络数据负载量为

(7)

通过分段曲线压缩算法对海量网络数据进行压缩处理，以获得较小数量级的海量网络数能耗，此过程计算公式可表示为

(8)

式中：er为通信概率为Pr时的网络通信能耗；α为传输约束参数；εk为节点k的剩余能量.通过对传输约束参数进行参数控制，降低在采集过程中所需的能耗.结合剩余能量优化方法，对海量网络数据传输能耗进行优化处理，假设T(A)表示数据A发送到簇头所需时间，则其表达式为

(9)

式中：eref(A)为参考能量；et(A)为发送数据A到簇头所需的能量；G为权重参数.

在时间间隔内，若满足T(B)-T(A)-TAB-TS≥0，则可利用控制参数优化剩余能量方法对数据传输时所需能耗进行约束，使其降到最低，完成海量网络数据传输能耗的优化，最终约束表达式为

(10)

式中，ei(A)为数据A在时间i内的剩余能量；ei(B)为数据B在时间i内的剩余能量；TAB为数据A与数据B传输所需时间；r为传输总数据量；p为数据传输率；Tc为数据压缩后传输时间.

3 实验结果与分析

为了验证本文所提出的海量网络数据传输能耗优化方法的有效性，通过仿真实验进行了验证.实验在Red.Hat Linux6.1环境下搭建海量网络数据传输能耗控制仿真平台，平台中的具体实验参数如表1所示，其中网络数据的分布情况如图1所示.

表1 实验参数
Tab.1 Experimental parameters

参数数值网络范围300m×300m通讯数量级1000Mbit数据初始总能量600nJ半径30mmeref(A)参考能量50nJ/biteref(B)参考能量1 3nJ/bitTAB数据传输时间0 05s

图1 海量网络数据分布Fig.1 Data distribution of massive network

在网络数据一定的情况下，采用本文方法与文献[10]的基于层次分析的能耗优化方法、文献[11]的基于多条件休眠的能耗优化方法在不同数据传输距离的条件下，进行传输能耗的比对，结果如图2所示.

图2 不同传输距离下传输能耗对比Fig.2 Comparison in transmission energy consumption under different transmission distances

由图2可知，在传输数据量一定的情况下，采用文献[10]提出的基于层次分析的能耗优化方法对能耗进行优化时，虽然在一开始其能耗最低，但在传输50 m后其传输能耗迅速增加，以至于之后达到最高能耗，由此可知，采用层次分析的能耗优化方法时，其能耗会随着传输距离的增加而增加，不适合传输距离较长的环境；文献[11]基于多条件休眠的能耗优化方法虽然开始时相比本文方法所需的能耗低，但在传输100 m之后，其传输能耗也迅速增加，最终能耗约为921 nJ；在采用本文所提方法时，虽然其能耗一开始均比其它方法的能耗要高，但在100 m之后，明显比其他两种算法的能耗要低，且不会随着传输距离的增加而过多产生能耗，使用不会受到传输距离的过多限制，具有一定的使用优势.

在传输网络距离一定的情况下，采用本文方法与层次分析法、多条件休眠法在不同数据量条件下进行传输能耗的比对结果如图3所示.

图3 不同数据量条件下传输能耗对比图Fig.3 Comparison in transmission energy consumption under different data amounts

由图3可知，在传输数据量一定的情况下，采用层次分析法进行优化时，其能耗在数据量为400 Mbit之后迅速增加，无下降趋势，可知采用层次分析法时其能耗会随着传输数据量的增加而增加，不适合海量数据传输的环境；多条件休眠法所用能耗虽然一开始比本文方法所需的能耗要低，但在传输数据量大于100 Mbit后，其传输能耗也迅速增加，最终能耗高于本文方法；在采用本文方法时，虽然其能耗开始比多条件休眠法所用能耗要高，但在大于100 Mbit后与多条件休眠法出现反差，且不会随着传输数据量的增加而产生过多能耗.

4 结 论

针对传统海量数据传输能耗优化方法一直存在能耗优化效果不佳的问题，提出一种新的海量网络数据传输能耗优化方法.分别通过对传输数据节点、数据压缩过程及数据传输过程的能耗进行优化，以达到海量网络数据传输能耗优化的目的.通过实验结果分析可知，改进方法相比传统的能耗优化方法，其能耗优化效果明显，具有一定的实用性.

[1]卫何.基于ERP应用的企业网络数据传输设计和实现 [J].软件工程师，2015(4)：30-32.

(WEI He.Based on the ERP application of enterprise network data transmission design and implementation [J].Software Engineer，2015(4)：30-32.)

[2]陈志华.分布式云计算环境下的海量数据有效查询方法 [J].科技通报，2015，31(8)：222-224.

(CHEN Zhi-hua.Huge amounts data effective query methods in distributed cloud computing environment [J].Bulletin of Science and Technology，2015，31(8)：222-224.)

[3]尹令，周皓恩，刘才兴，等.无线传感器网络空中下载协议的研究 [J].湘潭大学学报，2010，32(2)：112-117.

(YIN Ling，ZHOU Hao-en，LIU Cai-xing，et al.Research on reprogramming using OTA technology in wireless sensor network [J].Journal of Xiangtan University，2010，32(2)：112-117.)

[4]张俊虎，彭辉，邵峰晶.移动传感器网络路由协议的多跳数据传输及能耗性能分析 [J].计算机应用与软件，2011，28(11)：202-206.

(ZHANG Jun-hu，PENG Hui，SHAO Feng-jing.Performance analysis on multi-hop data transmission and energy consumption of routing protocols for mobile wireless sensor networks [J].Computer Applications and Software，2011，28(11)：202-206.)

[5]张志东，孙雨耕，刘洋，等.无线传感器网络能量模型 [J].天津大学学报，2007，40(9)：1029-1034.

(ZHANG Zhi-dong，SUN Yu-geng，LIU Yang，et al.Energy model in wireless sensor networks [J].Journal of Tianjin University，2007，40(9)：1029-1034.)

[6]王高才，冯鹏，王淖，等.一种速率自适应的能耗优化路由策略研究 [J].计算机学报，2015，38(3)：555-566.

(WANG Gao-cai，FENG Peng，WANG Nao，et al.Study on energy consumption optimization routing strategy based on rate adaptation [J].Chinese Journal of Computers，2015，38(3)：555-566.)

[7]景晗，郑建生，陈鲤文，等.基于MapReduce和HBase的海量网络数据处理 [J].科学技术与工程，2015，34(15)：182-191.

(JING Han，ZHENG Jian-sheng，CHEN Li-wen，et al.MapReduce and HBase based network data processing [J].Science Technology and Engineering，2015，34(15)：182-191.)

[8]廖雪宁，吴振强，周异辉.一种新型无线网络编码数据传输方案 [J].计算机应用与软件，2015，32(3)：97-100.

(LIAO Xue-ning，WU Zhen-qiang，ZHOU Yi-hui.A new type of data transmission scheme for wireless network coding [J].Computer Applications and Software，2015，32(3)：97-100.)

[9]陈娟，徐力生，徐蒙，等.大坝廊道无线传感器网络节点铺设方法 [J].沈阳工业大学学报，2015，37(1)：109-115.

(CHEN Juan，XU Li-sheng，XU Meng，et al.Node placement method for wireless sensor network in dam corridor [J].Journal of Shenyang University of Technology，2015，37(1)：109-115.)

[10]王迤冉，王春霞.多层序列规划的无线多跳网络能耗优化拓扑干预算法 [J].计算机应用研究，2015，32(8)：2475-2479.

(WANG Yi-ran，WANG Chun-xia.Topology intervention algorithm with energy consumption optimization based on multi-layer sequential programming [J].Application Research of Computer，2015，32(8)：2475-2479.)

[11]蒋华，韩平梅，王鑫.关于无线网络传感器节点能耗优化设计与仿真 [J].计算机仿真，2015，32(7)：273-276.

(JIANG Hua，HAN Ping-mei，WANG Xin.Simulation and design of energy optimization of senor node in wireless network [J].Computer Simulation，2015，32(7)：273-276.)

[12]许冬敏，黄有方，杨斌，等.多Agent的集装箱供应链能耗优化数学模型 [J].上海海事大学学报，2014，35(2)：22-27.

(XU Dong-min，HUANG You-fang，YANG Bin，et al.Mathematical energy consumption optimization model of container supply chain with multi-Agents [J].Journal of Shanghai Maritime University，2014，35(2)：22-27.)

(责任编辑：景 勇 英文审校：尹淑英)

Optimization method for energy consumption during data transmission of massive network

TAO Hong-jian1,2, ZHANG Yan-hong3, TANG Feng4

(1. School of Computer Science and Engineering, Chongqing University of Technology, Chongqing 400050, China; 2. School of Information Engineering, Chongqing Industry Polytechnic College, Chongqing 401120, China; 3. Information and Media Academy, Guangdong Polytechnic Normal University, Guangzhou 510540, China; 4. School of Software Engineering, South China University of Technology, Guangzhou 510006, China)

In order to solve the problem that when the energy consumption during data transmission of massive network is optimized with the traditional method, the estimation of transmission energy consumption is not accurate and the traditional method is not suitable for a wide range of use, a new optimization method for the energy consumption control during data transmission of massive network was proposed. Through establishing the transmission model for network data, the energy consumption of network data nodes was calculated. In addition, the appropriate nodes were selected to perform the parameter design for the network data, the compressive transmission for the acquired data was carried out with the piecewise curve compression algorithm, and the optimization of energy consumption during data transmission of massive network was realized in combination with the remaining energy. The results show that under the condition of different data transmission distances and different data amounts, compared with the traditional methods, the improved algorithm can greatly reduce the energy consumption during the data transmission of massive network. Furthermore, the improved method has better optimization effect for the energy consumption, and has a certain practicality.

massive network; transmission model; energy consumption; data transmission; optimization method; subsection compression; remaining energy optimization; node energy consumption control

2016-05-24.

广东省教育厅课题资助项目(14JXN060)； 重庆市教委科技资助项目(渝教科2013-4).

陶洪建(1979-)，男，重庆人，讲师，硕士，主要从事计算机网络工程与检测系统设计等方面的研究.

17∶39在中国知网优先数字出版.

http：∥www.cnki.net/kcms/detail/21.1189.T.20161222.1739.004.html

10.7688/j.issn.1000-1646.2017.01.19

TP 393

A

1000-1646(2017)01-0099-05