梁玉珠¹,梅雅欣¹,杨毅¹,马樱²,贾维嘉³,王田¹

¹(华侨大学计算机科学与技术学院 福建厦门 361021);²(数据挖掘与智能推荐福建省高校重点实验室(厦门理工学院) 福建厦门 361024);³(智慧城市物联网国家重点实验室(澳门大学) 澳门 999078) (cs_yuzhuliang@163.com)

出版日期: 2020-03-01


基金资助:数据挖掘与智能推荐福建省高校重点实验室开放基金项目(DM201902);福建省网络计算与智能信息处理重点实验室开放课题(FZDX201908);福建省社会科学规划基金项目(FJ2018B038);福建省自然科学基金项目(2018J01092);华侨大学研究生科研创新基金项目(17013083005)

A Low-Coupling Method in Sensor-Cloud Systems Based on Edge Computing

Liang Yuzhu¹, Mei Yaxin¹, Yang Yi¹, Ma Ying², Jia Weijia³, Wang Tian¹

¹(College of Computer Science and Technology, Huaqiao University, Xiamen, Fujian 361021);²(Key Laboratory of Data Mining and Intelligent Recommendation of Fujian Province University (Xiamen University of Technology), Xiamen, Fujian 361024);³(State Key Laboratory of Internet of Things for Smart City (University of Macau), Macau 999078)

Online: 2020-03-01


Supported by:This work was supported by the Open Fund of Key Laboratory of Data Mining and Intelligent Recommendation of Fujian Province University (DM201902), the Open Foundation of Fujian Provincial Key Laboratory of Network Computing and Intelligent Information Processing (FZDX201908), the General Projects of Social Sciences in Fujian Province (FJ2018B038), the Natural Science Foundation of Fujian Province of China (2018J01092), and the Subsidized Project for Postgraduates’ Innovative Fund in Scientific Research of Huaqiao University (17013083005).

摘要/Abstract

摘要： 随着物联网和云计算的快速发展，衍生了一种新的网络结构——传感云.传感云是物联网和云计算结合的产物.物联网中的物理节点可以通过传感云平台虚拟成多个节点，为用户提供服务.然而，当底层物理传感器节点同时接收多个服务命令时，会出现一些服务冲突，即耦合问题.这种耦合问题可能导致服务的失败，并危及系统安全.为了解决这个问题，提出了一种基于边缘计算思想的扩展KM(Kuhn-Munkres)算法.边缘计算是一种新兴的计算模式，在物联网中得到越来越广泛的应用，特别是那些由于延迟等限制而无法有效利用云计算的应用.边缘计算作为云和物联网层的中间平台，可以提供调度方法.首先，边缘层对重复请求命令进行合并，减少向下传输的命令数量；其次，优先调用边缘层数据缓存队列里的数据；最后利用改进KM算法实现每一轮的最大匹配.理论分析和实验结果表明，提出的方法可以提高资源利用率，减小计算成本，接近最短的时间解决耦合问题.

参考文献

相关文章 15

[1]	张燕咏, 张莎, 张昱, 吉建民, 段逸凡, 黄奕桐, 彭杰, 张宇翔. 基于多模态融合的自动驾驶感知及计算[J]. 计算机研究与发展, 2020, 57(9): 1781-1799.
[2]	黄倩怡, 李志洋, 谢文涛, 张黔. 智能家居中的边缘计算[J]. 计算机研究与发展, 2020, 57(9): 1800-1809.
[3]	刘泽宁, 李凯, 吴连涛, 王智, 杨旸. 多层次算力网络中代价感知任务调度算法[J]. 计算机研究与发展, 2020, 57(9): 1810-1822.
[4]	马惠荣, 陈旭, 周知, 于帅. 绿色能源驱动的移动边缘计算动态任务卸载[J]. 计算机研究与发展, 2020, 57(9): 1823-1838.
[5]	李双峰. TensorFlow Lite：端侧机器学习框架[J]. 计算机研究与发展, 2020, 57(9): 1839-1853.
[6]	王志刚, 王海涛, 佘琪, 史雪松, 张益民. 机器人4.0: 边缘计算支撑下的持续学习和时空智能[J]. 计算机研究与发展, 2020, 57(9): 1854-1863.
[7]	周玉轩, 杨絮, 秦传义, 杨志伟, 朱一峰, 段锦. HDM网络架构与混合式数据分发策略[J]. 计算机研究与发展, 2020, 57(9): 1911-1927.
[8]	卢海峰, 顾春华, 罗飞, 丁炜超, 杨婷, 郑帅. 基于深度强化学习的移动边缘计算任务卸载研究[J]. 计算机研究与发展, 2020, 57(7): 1539-1554.
[9]	廖国琼, 杨乐川, 张海艳, 杨仙佩. 支持RFID供应链路径追溯查询的偏增向量编码策略[J]. 计算机研究与发展, 2020, 57(6): 1323-1334.
[10]	乐光学, 戴亚盛, 杨晓慧, 刘建华, 游真旭, 朱友康. 边缘计算可信协同服务策略建模[J]. 计算机研究与发展, 2020, 57(5): 1080-1102.
[11]	苗新亮, 蒋烈辉, 常瑞. 访问驱动下的Cache侧信道攻击研究综述[J]. 计算机研究与发展, 2020, 57(4): 824-835.
[12]	芦效峰, 廖钰盈, Pietro Lio, Pan Hui. 一种面向边缘计算的高效异步联邦学习机制[J]. 计算机研究与发展, 2020, 57(12): 2571-2582.
[13]	丁旭阳, 谢盈, 张小松. 基于边缘计算的进化多目标优化图像隐写算法[J]. 计算机研究与发展, 2020, 57(11): 2260-2270.
[14]	周俊, 沈华杰, 林中允, 曹珍富, 董晓蕾. 边缘计算隐私保护研究进展[J]. 计算机研究与发展, 2020, 57(10): 2027-2051.
[15]	冯景瑜, 杨锦雯, 张瑞通, 张文波. 抗位置隐私泄露的物联网频谱共享激励机制[J]. 计算机研究与发展, 2020, 57(10): 2209-2220.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4147