基于云雾协同的汽车健康监测网络传输资源分配算法研究

魏秀岭　杜传祥　吕建新

摘要：本文针对汽车健康状态监测需求出发，研究设计了云雾计算协同汽车健康监测网络系统，提出以蚁群算法为核心的数据传输路径的分配。通过构建模拟仿真环境进行验证，表明该算法能适应云雾系统网络的路劲构建的环境下的动态特性;在运算平均吞吐量以及响应时间等方面与SPF最短路径优先算法、BF（Brute Force）暴风算法进行对比，其更加适合于云雾协同的网络传输环境使用。

关键词：云雾协同;蚁群算法;资源分配

中图分类号：U491 文献标识码：A 文章编号：1007-9416（2019）05-0132-02

0 引言

随着经济的高速发展与人民生活水平不断提升，汽车保有量呈现几何级数的增加。同时，汽车在使用过程中受外界是行驶环境、汽车本身设计与构造、老化与磨损等诸多因素的影响产生故障在所难免[1]，给人们的生产生活的出行安全带来了严重的影响。传统的汽车健康状态研究已经不能满足当前汽车安全运用要求，而且在研究深度和内容上也应有所改变。

同时，随着计算机与网络技术的发展，使得物联网技术的不断升级，在这样的大趋势下，人们对数据信息提取与处理、智能优化和实时决策等很多方面有了新的要求，传统的并行技术等已不能为满足人类日益增长的发展需要。云计算、雾计算等产生以及应用，正是契合了这种需求，云雾协同作为一种新型的并行计算技术也出现在网络上，使得物联网技术逐步被应用至汽车健康状态进行监测提供了发展与应用的契机。

1 云雾计算协同汽车健康监测网络系统的构建

云计算（Cloud Computing），是指通过互联网连接共享基础架构的超级计算模式，通过互联网为用户提供各种存储和计算资源。然而，云计算无法满足位置感知、低延时、移动性支持、地理分布等[2]。而雾计算的提出弥补了云计算的不足，它采用分布式的架构的网络边缘计算，在网络边缘设备中实现数据存储、数据处理和应用服务。云计算的这依赖于服务器，而雾计算中主要依赖本地设备实现数据的存储。根据雾计算智能前端化思想，构建云雾计算协同汽车网络系统。分为三个层次的结构：

（1）上层为云计算中心，主要是由服务器和卫星定位系统构成。（2）中间层为雾层由汽车健康监测网络系统边缘的雾服务器组成，以此实现提供数据缓存、本地化计算等功能，满足了云雾计算协同的交互式汽车健康监测网络系统的高流量和低延迟的需求。（3）下层为传感器和移动终端层，由车与车、车与人、车与网络、车与路测单元等构成，实现汽车健康基础数据的采集、处理与传输。

2 汽车健康监测网络传输路径分配算法

2.1 蚁群算法的模型

蚁群算法（Ant Colony Optimization，ACO），是一种用来在图中寻找优化路径的机率型算法[3]。假设：初始时刻时，只蚂蚁组成蚁群以为起始地点，为目标地点，各条路径上的信息素量相等，设τij（0）=C（C为常数），蚂蚁（=1，2，3，…，m）根据各条路径上的信息量浓度选择路径，α为信息素启发系数，β为期望启发系数。蚂蚁从选择的转移概率为，其概率公式如（1）所示：

式中：--信息素数量，为t时刻边上信息素的强度;--启发函数，，表示节点和节点间的距离。

2.2 信息素更新

在应用蚁群算法过程中，为了使蚂蚁运动不重复路径，建立禁忌表tabu（k），将已通过的路径加入至tabu（k）[4]。同时，为避免信息素含量过多影响启发信息作用，完一步或完成对所有备选节点的遍历后，对所经过节点依照规则对路径上信息素进行更新。allowedk表示蚂蚁可以选择的下一个节点，寻找tabu（k）外的其他的最优路径，即allowedk={C-tabu（k）}，具体的更新规则如下：

（1）局部更新规则。当一只蚂蚁选择一个节点走完径路，依据公式（2）进行局部更新，是初始信息素浓度值。

（2）全局更新规则。若第只蚂蚁经过后完成循环，依据公式（3）进行全局信息素更新。为全局挥发因子，为路径信息素增量，为全局最优路径：

2.3 算法工作步骤

（1）ACO算法初始化，设定、、ρ、Q、ω等参数，设置ACO算法最大迭代次数的结束条件，设置各个节点的信息素值。（2）对任务信息参数化以及计算状态转移频率;（3）根据转移概率矩阵，选择第k只蚂蚁并移动L步，并计算概率选择下一个节点。（4）进行信息素局部更新，第k只蚂蚁走过信息素的值，研究k≧蚂蚁总数与否。如果不满足，返回步骤（3）。（5）依据第只蚂蚁经过后完成循环带来的节点信息素，概率选择下一跳节点，并按公式（3）进行全局信息素更新。（6）在使用循迹信息素时，ACO算法至最大迭代次数则算法结束，任务分配完成，继续进行下一个任务。否则，清空tabu（k），跳至步骤（3）查找。（7）重复步骤（4）-（6），满足预设迭代次数释放资源，则得出路径最优解。

3 实验仿真

为了验证蚁群算法在云雾计算协同汽车健康监测网络系统的传输路径的优化应用，此次模拟仿真采用CloudSim[5]进行，对蚁群算法结果进行了分析，以检查算法在云雾计算协同网格环境中的运行情况。对蚁群算法的参数进行设置，取值为=0.2，β=0.3，ρ= 0.7，ρmin=0.3，Q=100，ω=1.2。

为了验证ACO算法在云雾计算协同汽车健康监测网络系统的传输性能，与SPF最短路径优先算法、BF暴风算法进行了比较分析，ACO算法的平均吞吐量在参数逐渐增加的条件下效果较为明显，能够有效的动态调整云雾协同网络传输路径选择和云雾协同网络传输环境下的效率，如图1所示。同时，算法查询响应时间比较，ACO算法的时间延迟性最小，响应速度与SPF最短路径优先算法、BF暴风算法相比较高，SPF最短路徑优先算法的分组路由的时间延迟最大，而BF算法的性能接近于ACO算法;因此，ACO算法在能够迅速、准确地访问云雾计算协同汽车健康监测网络系统所需访问的数据库，同等条件下，传输速率与其他两种算法快，有效实现减少和控制局部最优解及收敛速度不稳定问题，如图2所示。

实验结果表明，蚁群算法在云雾协同网络的构建具有功能，低执行时间和成本，同时能让系统负载始终保持一个均衡的状态，能够以更快的速度收敛到全局最优解。

4 结语

本文提出将蚁群算法用于解决云雾协同网络的汽车健康监测资源分配问题。针对云雾协同网络传输环境特点态地搜寻并分配传输路径。并使用CloudSim进行仿真，结果表明ACO算法能够有效地云雾协同网络环境中传输路径分配的工作，在平均吞吐量与查询相应时间等方面具有良好的表现，验证了ACO算法的在云雾协同网络路径传输的有效性。

参考文献

[1] 宋留勇，王锐，周永旺，等.动态城市交通网络优化模型研究及算法设计[J].测绘科学，2011，36（1）：134-136.

[2] 陈迎欣.基于改进蚁群算法的车辆路径优化问题研究[J].计算机应用研究，2012，29（6）：2031-2034.

[3] 汪采萍.蚁群算法的应用研究[D].合肥：合肥工业大学，2007.

[4] 左利云，曹志波.云计算中调度问题研究综述[J].计算机应用研究，2012（11）：4023-4027.

[5] 王诏远，李天瑞，易修文.基于MapReduce的蚁群优化算法实现方法[J].计算机科学，2014，41（7）：261-265.