基于改进遗传算法的物联网链路负载均衡控制方法

景雯　张杰　傅文博　陈富

摘要： 針对链路负载控制受物联网搜索空间的影响， 搜索空间过小会降低负载均衡度的问题， 提出一种基于改进遗传算法的物联网链路负载均衡控制方法. 首先， 构建物联网链路的频带传输模型， 利用抽头间隔采样控制物联网链路传输， 建立物联网链路频带模型获得均衡调度函数， 整合频带完成负载均衡配置; 其次， 加入分数间隔均衡设计链路， 用频带分配原则得到频带匹配概率， 调节均衡器的抽头数值， 设置链路码间干扰项约束; 再次， 给出遗传算法的参数编码， 把所有请求都按一维顺序排列， 对适应度函数进行线性尺度转换， 完成遗传算法的改进; 最后， 组合基因进化染色体， 扩展物联网搜索空间， 令迭代数量小于最大系数， 实现链路传输负载的均衡控制. 实验结果表明， 该方法能较好控制物联网链路负载均衡， 链路负载均衡度可达92%， 并且能减少能量消耗.

关键词： 改进遗传算法； 物联网链路； 负载均衡控制； 频带分配； 适应度函数

中图分类号： TP391; TN919文献标志码： A文章编号： 1671-5489（2023）04-0922-07

Load Balancing Control Method of IoT Link Based on Improved Genetic Algorithm

JING Wen1， ZHANG Jie1， FU Wenbo1， CHEN Fu2

（1. School of Computer and Network Engineering， Shanxi Datong University， Datong 037009， Shanxi Province， China;

2. School of Mathematics and Statistics， Shanxi Datong University， Datong 037009， Shanxi Province， China）

Abstract： Aiming at the problem that the control of link load was affected by the search space of the Internet of Things， a small  search space could reduce the load balancing degree， we proposed a load balancing control method of the Internet of Things  link based on  improved genetic algorithm. Firstly， the frequency band transmission model of the Internet of Things link was constructed， and tap interval sampling was used to control the transmission of the Internet of Things link， the frequency band model of the Internet of Things link was established  to obtain the balanced scheduling function， and the frequency band was integrated to complete the load balancing configuration. Secondly， we added  fractional interval equalization to design the link， used the frequency band allocation principle to obtain the frequency band matching probability， adjusted the tap value of the equalizer， and set the inter symbol interference term constraint of the link. Thirdly， we gave the parameter code of genetic algorithm， arranged all requests  in one-dimensional order， and  transformed  linear scale on the fitness function to complete the improvement of genetic algorithm. Finally， we combined  gene evolution chromosomes to expand the search space of the Internet of Things， made the number of iterations less than the maximum coefficient， and realized the balancing control of link transmission load. The experimental results show that the proposed method can effectively  control the load balancing of the Internet of Things link， the link load balancing degree can reach 92%， and can reduce energy consumption.

Keywords： improved genetic algorithm; Internet of Things link; load balancing control; frequency band allocation; fitness function

近年来， 随着科技的发展， 一种全新的互联网——物联网（IoT）应运而生， 其具有很大的发展空间［1-2］. 物联网的目的是把物理与信息世界连接起来， 其本质是由大量传感器节点［3］构成的大型复杂网络， 但节点能量有限， 因此， 如何降低能耗是该领域的研究重点. 目前有两种方式： 一是通过不断使用新的硬件［4］技术， 使节点能及时获得更多的能量； 二是分析网络本身的结构装置［5］. 在物联网中数据传输是能耗最大的环节， 链路是信息传输的关键， 通过合理匹配链路和传感节点数量， 可提高物联网的传输质量. 负载均衡是指将物联网内链路中某个节点上的多余负载转移到其他负载较小的节点上， 以使全部节点的负载处于一个较均衡的状态， 从而提高物联网的整体负载能力与响应速度， 因此研究物联网链路负载均衡控制方法具有较大的现实意义.

吴海超等［6］在云和雾计算中， 通过构造云雾混合网络， 合理配置物联网设备的需求， 将物联网服务请求均衡模型转化为优化问题， 使服务请求的总延迟降至最低， 并采用改进蝙蝠算法计算网络均衡， 把边缘终端分配给附近的设备， 制定合理资源划分方案， 实现负载均衡; 姚泽玮等［7］为解决多边缘环境下的负载均衡问题， 基于任务调度减少边缘集中任务的最大响应时间， 以改善系统的运行效率， 并针对形式化多边界问题， 应用粒子群遗传方法实现负载的均衡控制. 但上述方法控制后链路负载的均衡度较差， 能量消耗较大， 网络使用寿命并没有被有效延长. 为解决现有方法存在的问题， 本文将改进遗传算法应用到负载均衡控制中， 利用改进遗传算法扩展物联网搜索空间， 通过迭代计算实现物联网链路负载均衡控制.

1 链路频带传输模型

4 实 验

为更好地证明本文方法对链路负载均衡控制的有效性， 进行测试实验. 随机布置一个200×200的区域， 并在其中设定200个感知节点， 10个网关， 长度为4 000 bit的数据包. 因为随机拓扑网络可较好表示物联网节点的分布情况， 所以实验选择该网络作为模拟环境. 以网关节点为中心， 构建物联网的数据传输拓扑图， 如图3所示.

实验参数设置如下： 带宽为13 MHz; 节点布局方位角为-11°; 节点布局距离为110～310 m; 采样频率为6 MHz; 信号时长为2 s; 前1 s信号频率为250 Hz; 后1 s信号频率为300 Hz. 通过上述参数对物联网链路负载均衡控制， 获得传输过程中的链路负载情况如图4所示.

完成物联网链路负载幅值数据的采集后， 设定遗传算法的参数， 设置个体数目为50， 迭代次数为200， 交叉概率为0.8， 变异概率为0.03. 对比改进前后遗传算法的最小误差， 结果如图5所示. 由图5可见， 相比于改进前的遗传算法， 改进后的遗传算法的最小误差明显降低， 能提高对链路负载的控制性能.

为充分验证本文物联网链路负载均衡控制方法的性能， 以负载均衡度、 网络剩余能量以及丢包率为实验对比指标， 将本文方法与文献［6］、 文献［7］提出的基于改进蝙蝠算法的控制方法、 基于粒子群遗传算法的控制方法进行对比验证.

负载均衡度可体现网络节点负载均衡控制的状况， 其值越大说明其负载均衡控制效果越好， 采用本文方法、 改进蝙蝠方法以及粒子群遗传方法进行比较， 分析获得的负载均衡度， 结果如图6所示. 由图6可见， 本文方法第一跳的负载均衡度为82.5%， 而粒子群遗传方法只有65%， 改进蝙蝠方法为58%. 表明本文方法的链路负载控制效果较好， 随着跳数的逐渐增加， 本文方法负载均衡度呈上升的趋势， 直到第8跳已经达到92%， 说明利用本文方法对链路传输调整能提高物联网的负载均衡度.

通过网络剩余能量能得知物联网负载均衡情况， 网络剩余能量越多表示网络均衡状况越好. 设置物联网总能量为300 J， 3种方法剩余能量对比如图7所示. 由图7可见， 在相同的时间下， 本文方法控制下网络剩余能量较多. 随着时间的增加， 粒子群遗传方法的能量消耗开始增多， 这是由于该方法没有关注节点剩余能量， 所以能量值比本文方法下降速度快. 改进蝙蝠方法考虑到节点剩余能量， 但是未考虑负载量， 因此剩余能量低于本文方法. 本文方法的剩余能量较多， 在351 s才到达0， 延长了网络的使用时间， 证明本文方法的均衡控制较好.

丢包率是评估网络负载均衡性能的重要指标， 3种方法的丢包率对比情况如图8所示. 由图8可见， 改进蝙蝠方法的丢包率会随着数据流量的增加而快速升高， 說明该方法控制下网络链路负载均衡性较差. 本文方法控制后丢包率随流量的增加也在升高， 但是上升速度较慢. 粒子群遗传方法的丢包率在其余两种方法之间， 均衡控制效果比蝙蝠方法好， 但比本文方法略差. 因此， 证明本文方法对物联网链路负载均衡控制效果最佳， 更有利于数据传输稳定， 延迟网络使用寿命.

综上所述， 针对物联网链路负载均衡控制效果差， 会出现网络能量消耗较多， 造成资源浪费， 且负载均衡性能差会导致网络传输不稳定， 易发生数据发送接收错误的问题， 本文提出了一种基于改进遗传算法的物联网链路负载均衡控制方法. 首先建立物联网链路频带传输模型， 其次利用扩频调制约束链路干扰滤波， 最后通过改进遗传算法完成链路负载均衡控制， 保证网络稳定. 实验结果表明， 与现有方法相比， 本文方法控制下链路负载均衡度明显提升， 最高达到92%， 并且有效降低了链路传输的丢包率.

参考文献

［1］徐东明， 谭静茹， 关文博. 基于改进遗传算法的C-RAN网络动态无线资源分配 ［J］. 电讯技术， 2021， 61（10）： 1225-1232. （XU D M， TAN J R，  GUAN W B. Dynamic Wireless Resource Allocation Based on Improved Genetic Algorithm in C-RAN Networks ［J］. Telecommunication Engineering， 2021， 61（10）： 1225-1232.）

［2］鲁垚光， 王兴伟， 李福亮， 等. 软件定义网络中的动态负载均衡与节能机制 ［J］. 计算机学报， 2020， 43（10）： 1969-1982. （LU Y G， WANG X W， LI F L， et al. Dynamic Load Balancing and Energy Saving Mechanism in Software Defined Networking ［J］.  Chinese Journal of Computers， 2020， 43（10）： 1969-1982.）

［3］KABIRI Z， BAREKATAIN B， AVOKH A. GOP-SDN： An Enhanced Load Balancing Method Based on Genetic and Optimized Particle Swarm Optimization Algorithm in Distributed SDNs ［J］. Wireless Networks， 2022， 28（6）： 2533-2552.

［4］薛乃阳， 丁丹， 王红敏， 等. 基于改进遗传算法的多类测控资源调度方法 ［J］. 系统工程与电子技术， 2021， 43（9）： 2535-2543. （XUE N Y， DING D， WANG H M， et al. Multi-type TT&C Resource Scheduling Method Based on Improved Genetic Algorithm ［J］. Systems Engineering and Electronics， 2021， 43（9）： 2535-2543.）

［5］崔子熙， 胡宇翔， 兰巨龙， 等. 基于流分类的数据中心网络负载均衡机制 ［J］. 电子学报， 2021， 49（3）： 559-565. （CUI Z X， HU Y X， LAN J L， et al. Load Balancing Based on Flow Classification for Datacenter Network ［J］. Acta Electronica Sinica， 2021， 49（3）： 559-565.）

［6］吴海超， 王新民. 物联网低时延云雾混合网络负载均衡策略 ［J］. 计算机工程与设计， 2021， 42（12）： 3323-3332. （WU H C， WANG X M. Load Balancing Strategy for IoT in Low Delay Cloud-Fog Hybrid Network ［J］. Computer Engineering and Design， 2021， 42（12）： 3323-3332.）

［7］姚泽玮， 林嘉雯， 胡俊钦， 等. 基于PSO-GA的多边缘负载均衡方法 ［J］. 计算机科学， 2021， 48（增刊2）： 456-463. （YAO Z W， LIN J W， HU J Q， et al. PSO-GA Based Approach to Multi-edge Load Balancing ［J］. Computer Science， 2021， 48（Suppl 2）： 456-463.）

［8］唐静， 田波， 陈华君. 基于节点-链路评估模型的移动物联网数据传输稳定算法 ［J］. 电子测量与仪器学报， 2020， 34（10）： 194-201. （TANG J， TIAN B， CHEN H J. Data Transmission Stability Scheme of Mobile Internet of Things Based on Node Link Evaluation Model ［J］. Journal of Electronic Measurement and Instrumentation， 2020， 34（10）： 194-201.）

［9］赵季红， 吴豆豆， 曲桦， 等. 面向物联网的能耗感知虚拟网络映射算法 ［J］. 计算机工程， 2020， 46（5）： 19-25. （ZHAO J H， WU D D， QU H， et al. Energy-Aware Virtual Network Mapping Algorithm for Internet of Things ［J］. Computer Engineering， 2020， 46（5）： 19-25.）

［10］谷南南， 姚佩陽， 焦志强. 云计算环境下利用改进遗传算法结合二次编码的大规模资源调度方法 ［J］. 计算机应用研究， 2020， 37（8）： 2390-2394. （GU N N， YAO P Y， JIAO Z Q. Large-Scale Resource Scheduling Method Using Improved Genetic Algorithm Combined with Secondary Coding in Cloud Computing Environment ［J］. Application Research of Computers， 2020， 37（8）： 2390-2394.）

［11］周毅君， 金健， 黄斌， 等. 基于改进遗传算法的柔性作业车间调度优化 ［J］. 科学技术与工程， 2022， 22（1）： 259-266. （ZHOU Y J， JIN J， HUANG B， et al. Flexible Job Shop Scheduling Optimization Based on Improved Genetic Algorithm ［J］. Science Technology and Engineering， 2022， 22（1）： 259-266.）

［12］RANI S， AHMED S H， RASTOGI R. Dynamic Clustering Approach Based on Wireless Sensor Networks Genetic Algorithm for IoT Applications ［J］. Wireless Networks， 2020， 26（6）： 1-10.

［13］ASGHARI A， SOHRABI M K， YAGHMAEE F. Task Scheduling， Resource Provisioning， and Load Balancing on Scientific Workflows Using Parallel SARSA Reinforcement Learning Agents and Genetic Algorithm ［J］. Journal of Supercomputing， 2020， 77（3）： 1-29.

［14］劉军， 杨青文， 王金涛， 等. 基于改进遗传算法的空间信息网恢复策略 ［J］. 东北大学学报（自然科学版）， 2021， 42（4）： 524-530. （LIU J， YANG Q W， WANG J T， et al. Spatial Information Network Restoration Strategy Based on Improved Genetic Algorithm ［J］. Journal of Northeastern University （Natural Science）， 2021， 42（4）： 524-530.）

［15］蔡婷， 林晖， 陈武辉， 等. 区块链赋能的高效物联网数据激励共享方案 ［J］. 软件学报， 2021， 32（4）： 953-972. （CAI T， LIN H， CHEN W H， et al. Efficient Blockchain-Empowered Data Sharing Incentive Scheme for Internet of Things ［J］. Journal of Software， 2021， 32（4）： 953-972.）

［16］刘音. 基于改进遗传算法的回归测试用例优先级排序 ［J］. 计算机仿真， 2021， 38（2）： 273-277. （LIU Y. Priority Ranking of Regression Test Cases Based on Improved Genetic Algorithm ［J］. Computer Simulation， 2021， 38（2）： 273-277.）

［17］火元莲， 龙小强， 连培君， 等. 一种类箕舌线函数的变步长归一化自适应滤波算法 ［J］. 电子与信息学报， 2021， 43（2）： 335-340. （HUO Y L， LONG X Q， LIAN P J， et al. A Kind of Versoria Function Normalized Adaptive Filtering Algorithm ［J］. Journal of Electronics & Information Technology， 2021， 43（2）： 335-340.）

［18］周永华， 严梓硕. 基于ISE-ITAE指标与遗传算法的解耦控制方法 ［J］. 现代电子技术， 2021， 44（10）： 130-134. （ZHOU Y H， YAN Z S. A Decoupling Control Method with ISE-ITAE Index and Genetic Algorithm ［J］. Modern Electronics Technique， 2021， 44（10）： 130-134.）

［19］钟佩思， 刘金铭， 吕文浩， 等. 基于双层自适应遗传算法的机器人参数辨识 ［J］. 科学技术与工程， 2022， 22（3）： 1054-1060. （ZHONG P S， LIU J M， L W H， et al. Robot Parameter Identification Based on Two-Layer Adaptive Genetic Algorithm ［J］. Science Technology and Engineering， 2022， 22（3）： 1054-1060.）

［20］PUNDIR S， OBAIDAT M S， WAZID M， et al. MADP-IIME： Malware Attack Detection Protocol in IoT-Enabled Industrial Multimedia Environment Using Machine Learning Approach ［J］. Multimedia Systems， 2021， 19（4）： 1-13.

（责任编辑： 韩 啸）

收稿日期： 2022-10-24.

第一作者简介： 景 雯（1979—）， 女， 汉族， 硕士， 讲师， 从事计算机教育应用、 网络安全和物联网的研究， E-mail： jingwen@sxdtdx.edu.cn.

基金项目： 国家自然科学基金青年科学基金（批准号： 61803241）和山西省高等学校科技创新项目（批准号： 2021L382）.