基于区块链的雾网络中的任务卸载优化方案研究

黄晓舸; 刘鑫; 何勇; 陈前斌

doi:10.11999/JEIT210413

基于区块链的雾网络中的任务卸载优化方案研究

doi: 10.11999/JEIT210413

重庆邮电大学通信与信息工程学院重庆 400065

基金项目: 国家自然科学基金(61831002)，重庆市科委重庆市基础研究与前沿探索项目(cstc2018jcyjAx0383)

详细信息

作者简介:
黄晓舸：女，1982年生，教授，研究方向为移动通信技术、网络优化、区块链、物联网相关技术

刘鑫：男，1997年生，硕士生，研究方向为移动通信技术、雾计算卸载方案

何勇：男，1996年生，硕士生，研究方向为移动通信技术、区块链技术

陈前斌：男，1967年生，教授，博士生导师，研究方向为新一代移动通信网络、未来网络、LTE-Advanced异构小蜂窝网络

通讯作者:
黄晓舸　huangxg@cqupt.edu.cn

中图分类号: TN92
计量
- 文章访问数: 753
- HTML全文浏览量: 252
- PDF下载量: 117
- 被引次数: 28
出版历程
- 收稿日期: 2021-05-12
- 修回日期: 2021-12-23
- 录用日期: 2021-12-27
- 网络出版日期: 2022-01-14
- 刊出日期: 2022-07-25

Research on Optimization Scheme of Task Offloading in Blockchain-enabled Fog Networks

College of Communication and Information Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China

Funds: The National Natural Science Foundation of China (61831002), The Innovation Project of the Common Key Technology of Chongqing Science and Technology Industry (cstc2018jcyjAx0383)

摘要

摘要: 当前物联网(IoT)应用的快速增长对用户设备的计算能力是一个巨大的挑战。雾计算(FC)网络可为用户设备提供近距离、快速的计算服务，为资源紧张，计算能力有限的用户设备提供了解决方案。该文提出一个基于区块链的雾网络模型，该模型中用户设备可以将计算密集型任务卸载到计算能力强的节点处理。为最小化任务处理时延和能耗，引入两种任务卸载模型，即设备到设备(D2D)协作群组任务卸载和雾节点(FNs)任务卸载。此外，针对雾计算网络任务卸载过程的数据安全问题，引入区块链技术构建去中心化分布式账本，防止恶意节点修改交易信息，实现数据安全可靠传输。为降低共识机制时延和能耗，提出了改进的基于投票的委托权益证明(DPoS)共识机制，得票数超过阈值的FNs组成验证集，验证集中的FN轮流作为管理者生成新区块。最后，以最小化网络成本为目标，联合优化任务卸载决策、传输速率分配和计算资源分配，提出任务卸载决策和资源分配(TODRA)算法进行求解，并通过仿真实验验证了该算法的有效性。
- 任务卸载 /
- 雾计算网络 /
- 区块链 /
- 资源分配
Abstract: The current rapid growth of Internet of Things (IoT) applications is a huge challenge to the computing power of user equipment. The Fog Computing (FC) network can provide short-distance and fast computing services for user equipment, and provides a solution for user equipment with limited resources and limited computing capabilities. A blockchain-enabled fog network model is proposed, in which user equipment can offload computationally intensive tasks to nodes with strong computational capabilities. In order to minimize task processing delay and energy consumption, two task offloading models are introduced, namely Device-to-Device (D2D) collaboration group task offloading and Fog Nodes (FNs) task offloading. In addition, in view of the data security problem of the fog computing network task offloading process, blockchain technology is introduced to build a decentralized distributed ledger to prevent malicious nodes from modifying transaction information and achieve safe and reliable data transmission. In order to reduce the delay and energy consumption of the consensus mechanism, an improved voting-based Delegated-Proof-of-Stake (DPoS) consensus mechanism is proposed. FNs with votes exceeding the threshold form a verification set, and the FNs in the verification set take turns as the manager to generate new blocks. Finally, with the goal of minimizing the network cost, the task offloading decision, transmission rate allocation and computing resource allocation are jointly optimized, and the Task Offloading Decision and Resource Allocation (TODRA) algorithm is proposed to solve the problem. The effectiveness of the algorithm is verified by simulation experiments.
- Task offloading /
- Fog Computing (FC) network /
- Blockchain /
- Resource allocation

HTML全文

1. 引言

电磁频谱监测^[1]是实现无线电管理的技术手段之一。随着通信技术发展和应用普及，无线电频谱管理工作越来越复杂，为更加高效管理无线电资源，避免未知信号源对现有电磁环境干扰，根据频谱监测数据及时对信号进行定位和跟踪一直是电磁频谱研究热点之一。

对信号源定位技术主要有以下几种实现方法，例如信号到达时间差(TDOA)^[2—6]、信号到达角度(AOA)^[5,6]、信号到达频率差(FDOA)^[7,8]以及接收信号强度指示(RSSI)^[9—11]等。其中TDOA, AOA, FDOA及其联合定位的定位精度较高，但需要监测设备拥有额外的硬件^[10]。综合考虑，在频谱监测系统中频谱数据所包含的信号相关参数较少，且地面监测站接收机并没有都配备昂贵的测向设备等特点，因而RSSI定位技术是目前频谱监测中一种比较有效的方法。

由于被监测信号无法控制且没有任何先验知识，只能通过对信号的被动监测，即接收与处理信号来估计信号源位置的情况，无法直接利用RSSI测距定位。本文提出了一种新的定位算法，即将监测站间的接收信号强度指示差值(RSSID)转换成信号源到两监测站的距离之比进行定位。此外，在已知信号源到监测站距离的情况下，距离之比定位(Localization with Ratio-Distance, LRD)比三边测量法(Trilateration)具有更加优越的定位性能^[12]。结合LRD思想，本文提出了一种适用于频谱监测系统对信号源进行有效定位的方法，即RSSID定位算法。

2. 定位原理

2.1 RSSI值求取距离之比

在研究信号源位置估算方法之前，有必要选择一种适合当前环境的无线电波传播的数学模型。本文采用适合解决市区无线电信号源位置估计的Egli电波传播模型^[13]，其经验公式如式(1)所示。

$L = 78 + 20\lg f + 40\lg d - 20{h_t} - 20{h_r}$

(1)

式中， $L$ 为路径衰减，单位dB； $f$ 为信号频率，单位MHz； $d$ 为信号源到监测站的距离，单位km； ${h_t}$ 为信号源发射天线高度，单位m； ${h_r}$ 监测站接收天线的高度，单位m。

发射功率与接收功率之间的关系为

${\rm{RSSI}} = {P_t} - L$

(2)

式中，RSSI为监测站接收功率，单位dB； ${P_t}$ 为信号源发射功率，单位dB。

为了消除信号源的相关参数，通过式(3)消去信号源发射天线高度 ${h_t}$ 以及信号源发射功率 ${P_t}$ 。

${\rm{RSS}}{{\rm{I}}_0} - {\rm{RSS}}{{\rm{I}}_i} = {L_i} - {L_0} = 40\lg \frac{{{d_i}}}{{{d_0}}} + 20\lg \frac{{{h_{{\rm{r}}0}}}}{{{h_{{\rm{ri}}}}}}$

(3)

式中， ${\rm{RSS}}{{\rm{I}}_0}$ 为主监测站接收功率， ${\rm{RSS}}{{\rm{I}}_i}$ 为第 $i$ 个次监测站接收功率，因此信号源到各次监测站距离与到主监测站的距离之比 ${k_{{\rm{i}}0}}$ 为

${k_{{\rm{i}}0}} = \frac{{{d_i}}}{{{d_0}}} = {10^{\frac{{{\rm{RSS}}{{\rm{I}}_0} - {\rm{RSS}}{{\rm{I}}_i} - 20\lg \frac{{{h_{{\rm{r}}0}}}}{{{h_{{\rm{ri}}}}}}}}{{40}}}}$

(4)

2.2 根据距离之比定位

由解析几何可知，信号源到两个监测站的距离之比(比值不等于1)为常数时，其轨迹是一个圆，此圆的圆心位于两监测站位置的连线上并且靠近接收信号大的监测站一侧。假设有3个监测站同时接收到同一信号电平，就可以得到2个距离比圆，得到2个可能的信号源位置解，再根据信号源辐射范围即可确定信号源位置。

设主监测站位置为 ${B_0}\left( {{x_0},{y_0}} \right)$ ，接收天线的高度为 ${h_0}$ ，次监测站位置为 ${B_1}\left( {{x_1},{y_1}} \right)$ , ${B_2}\left( {{x_2},{y_2}} \right)$ ，接收天线高度分别为 ${h_1}$ , ${h_2}$ ，信号源的实际位置为 $S\left( {{x_s},{y_s}} \right)$ ，两个距离比圆的圆心为 ${C_1}\left( {{x_{{\rm{c}}1}},{y_{{\rm{c}}1}}} \right)$ , ${C_2}$ $\left( {{x_{{\rm{c}}2}},{y_{{\rm{c}}2}}} \right)$ ，所以根据距离之比和已知监测站位置，可得到

$\begin{aligned} {k_{{\rm{i}}0}} & = 1{0^{\frac{{{\rm{RSS}}{{\rm{I}}_0} - {\rm{RSS}}{{\rm{I}}_i} - 20\lg \frac{{{h_{{\rm{r}}0}}}}{{{h_{{\rm{ri}}}}}}}}{{40}}}} = \frac{{{d_i}}}{{{d_0}}}\\ & = \frac{{\sqrt {{{\left( {x - {x_i}} \right)}^2} + {{\left( {y - {y_i}} \right)}^2}} }}{{\sqrt {{{\left( {x - {x_0}} \right)}^2} + {{\left( {y - {y_i}} \right)}^2}} }} = \sqrt {{\lambda _i}} \;,\;\; {i = 1,2} \end{aligned}$

(5)

整理式(5)得

$\begin{aligned} & {\left( {x - \frac{{{x_i} - {\lambda _i}{x_0}}}{{1 - {\lambda _i}}}} \right)^2} + {\left( {y - \frac{{{y_i} - {\lambda _i}{y_0}}}{{1 - {\lambda _i}}}} \right)^2} \\ & = \frac{{{\lambda _i}}}{{{{\left( {1 - {\lambda _i}} \right)}^2}}}\left[ {{{\left( {{x_0} - {x_i}} \right)}^2} + {{\left( {{y_0} - {y_i}} \right)}^2}} \right] \\ & = \frac{{{\lambda _i}}}{{{{\left( {1 - {\lambda _i}} \right)}^2}}}d_{{\rm{i}}0}^2 \end{aligned}$

(6)

式(6)中， ${d_{{\rm{i}}0}}$ 为次监测站到主监测站的距离，可以得到距离比圆的信息。圆心坐标为

${x_{{\rm{ci}}}} = \frac{{{x_i} - {\lambda _i}{x_0}}}{{1 - {\lambda _i}}},\;\;{y_{{\rm{ci}}}} = \frac{{{y_i} - {\lambda _i}{y_0}}}{{1 - {\lambda _i}}}$

(7)

距离比圆半径：

${R_i} = \left| {\frac{{{k_{{\rm{i}}0}}}}{{1 - {\lambda _i}}}} \right|{d_{{\rm{i}}0}}$

(8)

因此，至少使用3个监测站才可得到2个距离比圆，两圆在监测站共同覆盖范围的交点即为目标位置。实际情况中，多个监测站进行监测时，可以得到多个距离比圆，由于误差的存在，多个距离比圆相交将产生多个可能的目标解，式(9)对应的目标序号 $j$ 即为所要求的目标解：

$\min \!\left[ {\sum\limits_{i = 0}^n {\sqrt {{{\left( {{x_i} - {x_j}} \right)}^2} \!+\! {{\left( {{y_i}\! -\! {y_j}} \right)}^2}} } } \right],\;\;j \in \!\left[ {0,n \!-\! 1} \right] \hspace{10pt}$

(9)

本文算法的定位原理如图1所示。

图 1 RSSID定位原理图

下载: 全尺寸图片幻灯片

3. 算法步骤

3.1 数据预处理

从式(4)可以看出，信号源到次监测站与主监测站的距离之比与RSSI信号密切相关。但是，在信号的实际传播过程中RSSI信号容易受到电波传播环境影响，例如障碍物尺寸、天气的好坏以及接收节点所在位置的高度等，因此，需要对RSSI信号进行预处理得到平稳变化的RSSI信号。

卡尔曼滤波是基于线性最小均方误差预测和线性递归更新的优化算法^[14]，根据前一时刻的预测值和当前时刻的测量值更新当前时刻的预测值，可以有效解决干扰噪声服从正态分布的滤波问题，适用于RSSI信号的滤波处理^[15—18]。在这项工作中，RSSI信号噪声被假定为高斯噪声，虽然这个假设并不完全准确，但实际测量中RSSI值的误差波动比较集中，此时卡尔曼滤波器可以在一定程度上解决信号漂移和冲击问题^[18]。其次，卡尔曼滤波在求解时不需要储存大量的观测数据，并且当得到新的观测数据时，可随时算得新的参数滤波值，便于实时地处理观测数据。

对RSSI信号进行“测量-预测-更新”，消除系统随机噪声，平滑RSSI信号。主要包括两个阶段：预测和更新。预测阶段为^[16]

$k$ 时刻状态预测：

$x\left( {k\left| {k - 1} \right.} \right) = x\left( {k - 1\left| {k - 1} \right.} \right)$

(10)

协方差预测：

$P\left( {k\left| {k - 1} \right.} \right) = P\left( {k - 1\left| {k - 1} \right.} \right) + Q$

(11)

式中， $x\left( {k - 1\left| {k - 1} \right.} \right)$ 为 $k - 1$ 时刻RSSI信号的状态值， $x\left( {k\left| k \right.} \right)$ 为 $k$ 时刻RSSI信号的状态值， $x\left( {k\left| {k - 1} \right.} \right)$ 为 $k$ 时刻RSSI信号的预测值， $P\left( {k - 1\left| {k - 1} \right.} \right)$ 是对应 $x\left( {k - 1\left| {k - 1} \right.} \right)$ 的系统误差协方差， $P\left( {k\left| {k - 1} \right.} \right)$ 对应 $x\left( {k\left| {k - 1} \right.} \right)$ 的系统误差协方差， $Q$ 状态噪声协方差。递归估计更新阶段^[16]：

卡尔曼增益：

${\rm{Kg}}\left( k \right) = \frac{{P\left( {k\left| {k - 1} \right.} \right)}}{{P\left( {k\left| {k - 1} \right.} \right) + R}}$

(12)

$k$ 时刻状态更新：

$x\left( {k\left| k \right.} \right) \!=\! x\left( {k\left| {k \!-\! 1} \right.} \right) \!+\! {\rm{Kg}}\left( k \right)\left[ {y\left( k \right) \!-\! x\left( {k\left| {k - 1} \right.} \right)} \right] \hspace{15pt}$

(13)

协方差更新：

$P\left( {k\left| {k - 1} \right.} \right) = \left( {1 - {\rm{Kg}}\left( k \right)P\left( {k\left| {k - 1} \right.} \right)} \right)$

(14)

式中， $R$ 是测量噪声协方差， ${\rm{Kg}}\left( k \right)$ 是 $k$ 时刻的卡尔曼增益， $y\left( k \right)$ 是 $k$ 时刻RSSI信号的测量值。当对象模型足够准确且系统状态和参数不发生突变时，卡尔曼滤波性能较好。

3.2 定位算法

实际使用中发现，监测站距离信号源较近时，由于受到传播路径的影响较小， ${\rm{RSSI}}$ 测量值相对较准确^[19]，因此选取 ${\rm{RSSI}}$ 值最大的监测站作为主监测站。根据式(5)可以求得信号源到其余各监测站与主监测站的距离之比。

另外由信号源 $S\left( {{x_s},{y_s}} \right)$ 到达监测站 ${B_i}\left( {{x_i},{y_i}} \right)$ , $i = 1,2, ·\!·\!· ,N + 1$ 的欧式距离公式可得

$k_{{\rm{i}}0}^2 \!=\! \frac{{d_i^2}}{{d_0^2}} \!=\! \frac{{{{\left\| {S - {B_i}} \right\|}^2}}}{{{{\left\| {S - {B_0}} \right\|}^2}}} = \frac{{{{\left( {{x_s} - {x_i}} \right)}^2} \!+\! {{\left( {{y_s} - {y_i}} \right)}^2}}}{{{{\left( {{x_s} \!-\! {x_0}} \right)}^2} + {{\left( {{y_s} - {y_0}} \right)}^2}}}$

(15)

将式(15)整理展开可以得到

$\begin{aligned} & \left( {1 \!-\! k_{{\rm{i}}0}^2} \right)\!\!\left( {{x_s}\!\!^2 \!+\! {y_s}\!\!^2} \right) \!+\! 2\left( {k_{{\rm{i}}0}^2{x_{\rm{0}}} \!-\! {x_i}} \right){x_s} \!+\! 2\left( {k_{{\rm{i}}0}^2{y_{\rm{0}}} \!-\! {y_i}} \right){y_s} \\ & \quad\quad\quad\ = k_{{\rm{i}}0}\!\!^2\left( {{x_{\rm{0}}}\!\!^2 + {y_{\rm{0}}}\!\!^2} \right) - {x_i}\!\!^2 - {y_i}\!\!^2 \end{aligned}$

(16)

设 ${{S}}' = \left[ {{x_s},{y_s},{x_s}\!\!^2 + {y_s}\!\!^2} \right]$ 为未知矢量建立方程， $N$ 个上述方程构成定位矩阵：

${{GS}}' = {{b}}$

(17)

式中，

${{G}} =\!\! \left[\! \begin{array}{l} \begin{array}{*{20}{c}} \!\!{2\left( {k_{10}^2{x_0} - {x_1}} \right)} & {2\left( {k_{10}^2{y_0} - {y_1}} \right)} & {1 - k_{10}^2}\!\!\!\!\\ \!\!{2\left( {k_{20}^2{x_0} - {x_2}} \right)} & {2\left( {k_{20}^2{y_0} - {y_2}} \right)} & {1 - k_{20}^2}\!\!\!\!\\ \!\! \vdots & \vdots & \vdots \!\!\!\! \end{array}\\ \begin{array}{*{20}{c}} \!\!{2\left( {k_{N0}^2{x_0} - {x_N}} \right)} & {2\left( {k_{N0}^2{y_0} - {y_N}} \right)} & {1 - k_{10}^2}\!\!\!\! \end{array} \end{array} \!\right]\!,\;\;\\ {{b}} = \left[ {\begin{array}{*{20}{c}} {k_{10}^2\left( {x_0^2 + y_0^2} \right) - x_1^2 - y_1^2}\\ {k_{20}^2\left( {x_0^2 + y_0^2} \right) - x_2^2 - y_2^2}\\ \vdots \\ {k_{N0}^2\left( {x_0^2 + y_0^2} \right) - x_N^2 - y_N^2} \end{array}} \right]$

(18)

于是得到了 ${{S}}'$ 的最小二乘估计值：

${{S}}' = {\left( {{{{G}}^{\rm{T}}}{{G}}} \right)^{ - 1}}{{{G}}^{\rm{T}}}{{b}}$

(19)

则信号源位置 ${{S}} = {{S}}'[1:3]$ 。

4. 计算机仿真

本文使用Java编程实现RSSI和RSSID定位算法的仿真实验，并利用Python语言对实验结果进行了分析和处理。本文算法已使用Java编程成功应用于国内某频谱大数据监测平台。

为分析本文算法的定位性能，在相同的仿真环境下进行以下仿真分析实验。仿真环境设置为4个监测站，分别位于20 km×20 km的正方形区域的4个顶点上，其坐标为(0, 0), (0, 20), (20, 0)和(20, 20)。另外，为对比本文算法与RSSI测距定位算法的定位性能，以下实验中已知信号源的相关参数，如频率、发射天线高度及发射功率等。

4.1 影响因素分析

分别验证接收信噪比SNR以及监测站间距对定位精度的影响，采用定位结果与真实值之间的均方根误差衡量定位精度，

${\rm{RMSE}}\left( u \right) =\frac{{ \displaystyle\sum\limits_{i = 0}^N {\left\| {{u_{{\rm{obj}},i}} - {u_{{\rm{mea}},i}}} \right\|} }}{N}$

(20)

其中， $N$ 是信号源个数， ${u_{{\rm{obj}},i}}$ 表示第 $i$ 个信号源的真实位置， ${u_{{\rm{mea}},i}}$ 表示 $i$ 个信号源的定位结果。参与比较的算法包括：传统RSSI定位算法，本文所提的RSSID定位算法。

4.1.1 接收信噪比SNR对定位精度的影响

为验证接收信噪比SNR对定位精度的影响，在相同的监测站位置配置下比较不同定位算法的定位性能，设置区域内随机点数 $N = 400$ ，接收信噪比SNR∈[–16, 20] dB。

定位精度随信噪比不同的变化情况如图2所示，对比传统RSSI定位算法，当SNR∈[0, 20] dB时本文算法性能明显提升，这是因为即使估计的距离与真实距离相差较大，距离的比例也没有太大的影响。当SNR≤–4 dB时，噪声在接收信号中起决定性作用，本文算法与RSSI定位算法误差均较大，无法正确估计信号源位置；当SNR≥–4 dB时，本文算法定位性能优于RSSI定位算法。

图 2 随信噪比变化的定位性能

下载: 全尺寸图片幻灯片

4.1.2 监测站间距对定位精度的影响

为验证监测站间距对定位精度的影响，设置信噪比SNR=16 dB，监测区域内信号源个数 $N = 1000$ ，监测站间距 $d \in [1,20]$ km。

定位精度随监测站间距不同的变化情况如图3所示，对比传统RSSI定位算法，随着监测站间距的增大，本文算法定位误差明显较小，性能明显提升。

图 3 随监测站间距变化的定位性能

下载: 全尺寸图片幻灯片

4.2 RSSI定位与RSSID定位误差分析

在此分析监测站接收信号信噪比为SNR=16 dB时，RSSID定位与RSSI定位的定位性能，以及卡尔曼滤波算法对RSSID定位的优化能力。

4.2.1 数据预处理

RSSID定位与RSSI定位的定位精度均受到信号接收强度的影响，因此有必要对RSSI信号进行预处理。本文采用卡尔曼滤波处理RSSI信号，如图4(a)与图4(b)所示，卡尔曼滤波可以实现对RSSI信号的平滑处理，减少RSSI信号的测量误差。

图 4 卡尔曼滤波效果图

下载: 全尺寸图片幻灯片

4.2.2 单目标定位

为对比RSSID定位算法与RSSI定位算法对单个目标的定位性能，对区域内随机一个目标进行200次定位。两种不同算法的定位误差如图5(a)与图5(b)所示，可以看出滤波前后，RSSID定位算法与RSSI定位算法都可以对信号源进行有效定位，RSSID定位算法均比RSSI定位算法定位误差较小。

图 5 单目标定位误差对比

下载: 全尺寸图片幻灯片

为了避免仿真实验的随机性，对1个随机生成的信号源进行10000次定位，分析其误差，如表1所示。

表 1 单目标定位10000次误差统计分析(km)

是否预处理	定位方法	最大误差	最小误差	平均误差
否	RSSI定位	5.0802	0.0239	1.3993
否	RSSID定位	4.6224	0.0076	0.8527
是	RSSI定位	1.4537	0.2273	0.6249
是	RSSID定位	0.8801	0.0068	0.2683

下载: 导出CSV

| 显示表格

4.2.3 多目标定位

为对比RSSID定位算法与RSSI定位算法对多个目标同时定位的定位性能，对区域内随机生成的25个信号源进行200次定位。两种不同算法的定位误差如图6(a)与图6(b)所示，可以看出滤波前后，本文RSSID算法定位性能均明显优于RSSI定位算法。

图 6 多目标定位平均误差对比

下载: 全尺寸图片幻灯片

为避免因为数据量较少出现偶然误差，对200个信号源进行10000次定位，分析每次对200个信号源定位的平均误差，统计结果如表2所示。

表 2 多目标定位10000次平均误差统计分析(km)

是否预处理	定位方法	最大误差	最小误差	平均误差
否	RSSI定位	1.8602	1.3599	1.5911
否	RSSID定位	1.1015	0.7620	0.9170
是	RSSI定位	1.5312	0.9470	1.1530
是	RSSID定位	0.8284	0.1948	0.2930

下载: 导出CSV

| 显示表格

5. 结束语

本文提出了一种运用于频谱监测系统对监测信号有效定位的方法。在频谱监测系统中，被监测信号无法控制并且没有任何先验知识，只能通过对信号的被动监测、接收与处理来估计信号源的位置，此时不适用传统RSSI定位法，而本文RSSID算法是根据监测站地理位置以及各监测站接收信号强度对信号源定位的，不需要任何先验知识。因此，本文算法适用性更广，可用于频谱监测系统对监测到的未知信号进行实时定位。

仿真分析表明，在信号相关参数已知的情况下，本文RSSID算法比传统RSSI定位法受到信噪比的影响较小，定位性能更加优越。另外引入卡尔曼滤波对RSSI值进行预处理可以极大的提高本文算法的定位性能。

图 1 基于区块链的雾网络场景

下载: 全尺寸图片幻灯片

图 2 任务卸载和区块共识流程图

下载: 全尺寸图片幻灯片

图 3 网络场景图

下载: 全尺寸图片幻灯片

图 4 3种成本与数据大小的关系

下载: 全尺寸图片幻灯片

图 5 不同方案的网络成本与用户设备数量的关系

下载: 全尺寸图片幻灯片

图 6 不同方案的网络成本与系统带宽的关系

下载: 全尺寸图片幻灯片

图 7 不同用户设备数量下FNs的得票数

下载: 全尺寸图片幻灯片

图 8 不同方案的网络成本与区块数量的关系

下载: 全尺寸图片幻灯片

表 1 任务卸载决策和资源分配算法

算法1　任务卸载决策和资源分配算法(TODRA)
(1) 初始化 ${\boldsymbol{\rho}}$ , $\varphi$ , ${t_{\max }}$ 和最大容忍 $\varsigma$ ，令 $t{\text{ = }}0$ 。
(2) 步骤1当 $t \le {t_{\max }}$ 时，分配传输速率 ${R_{k,n}}$ 和卸载决策 ${\delta _k}$ 。
(a) 根据式(38)更新对偶变量 ${\boldsymbol{\rho}}$ 和 ${\boldsymbol{\varphi}}$ 。
(b) 如果满足条件 $\|\|\rho (t + 1) - \rho (t)\|\| < \varsigma$ 和　　　　　 $\|\|\varphi (t + 1) - \varphi (t)\|\| < \varsigma$ ，则有　　　　　 $R_{k,n}^{\text{}}{\text{ = }}{R_{k,n}}(t)$ , $\delta _k^{\text{}}{\text{ = }}{\delta _k}(t)$ ，并退出循环。
(c) 否则， $t{\text{ = }}t + 1$ ，进入下一次迭代。
(3) 步骤2 令 ${\phi _{\min }} = \dfrac{{{\delta _k}P_n^{{\text{sta}}}{Q_n}}}{{{E^{\max }} - E_{0,k}^{{\text{tol}}} - {\beta _{k,n}}{P_k}{D_k}}}/\displaystyle\sum\limits_{n = 1}^N {\frac{1}{{{\phi _n}}}}$ , 　　 ${\phi _{\max } } = ({F^{\max } }{\text{ - } }\displaystyle\sum\limits_{k \in {\varOmega _n} } { {f_{n,k} } } )/\sum\limits_{n = 1}^N {\frac{1}{ { {\phi _n} } } }$ ，直到 ${\phi _{\max }}$ 与 ${\phi _{\min }}$ 的差　　值小于等于最大容忍 $\varsigma$ ，返回结果 ${\phi _{{\text{res}}}}$ 。
(a) 定义变量 ${\phi _b} = ({\phi _{{\text{min}}}} + {\phi _{{\text{max}}}})/2$ 。
(b) 如果满足条件 ${\text{\|} }{\phi _{ {\text{max} } } }{{ - } }{\phi _{ {\text{min} } } }\| < \varsigma$ ，则 ${\phi _{{\text{res}}}}{\text{ = }}{\phi _b}$ 。
(c) 否则，利用二分法更新拉格朗日乘子 $\phi$ 。
(d) 如果条件 $\displaystyle\sum\limits_{n = 1}^N {\frac{ { {\phi _b} } }{ { {\phi _n} } } } > {F^{\max } } - {f_{n,w'} }$ 成立， ${\phi _{\max }} = {\phi _b}$ ，否　　　　　则 ${\phi _{\min }} = {\phi _b}$ 。
(e) $b = b + 1$ ，返回(a)。
(f) 把 ${\phi _{{\text{res}}}}$ 代入式(42)，得到计算资源的最优解。
(4) 算法结束。

下载: 导出CSV

参考文献(16)

[1]	MILLER D. Blockchain and the internet of things in the industrial sector[J]. IT Professional, 2018, 20(3): 15–18. doi: 10.1109/MITP.2018.032501742
[2]	MAO Yuyi, YOU Changsheng, ZHANG Jun, et al. A survey on mobile edge computing: The communication perspective[J]. IEEE Communications Surveys & Tutorials, 2017, 19(4): 2322–2358. doi: 10.1109/COMST.2017.2745201
[3]	BACCARELLI E, SCARPINITI M, NARANJO P G V, et al. Fog of social IoT: When the fog becomes social[J]. IEEE Network, 2018, 32(4): 68–80. doi: 10.1109/MNET.2018.1700031
[4]	HUANG Xiaoge, CUI Yifan, CHEN Qianbin, et al. Joint task offloading and QoS-aware resource allocation in fog-enabled internet-of-things networks[J]. IEEE Internet of Things Journal, 2020, 7(8): 7194–7206. doi: 10.1109/JIOT.2020.2982670
[5]	SHARMA P K, CHEN M Y, and PARK J H. A software defined fog node based distributed blockchain cloud architecture for IoT[J]. IEEE Access, 2017, 6: 115–124. doi: 10.1109/ACCESS.2017.2757955
[6]	HUANG Xiaoge, FAN Weiwei, CHEN Qianbin, et al. Energy-efficient resource allocation in fog computing networks with the candidate mechanism[J]. IEEE Internet of Things Journal, 2020, 7(9): 8502–8512. doi: 10.1109/JIOT.2020.2991481
[7]	FERRAG M A, DERDOUR M, MITHUN MUKHERJEE M, et al. Blockchain technologies for the internet of things: Research issues and challenges[J]. IEEE Internet of Things Journal, 2019, 6(2): 2188–2204. doi: 10.1109/JIOT.2018.2882794
[8]	SHARMA P K, SINGH S, JEONG Y S, et al. DistBlockNet: A distributed blockchains-based secure SDN architecture for IoTnetworks[J]. IEEE Communications Magazine, 2017, 55(9): 78–85. doi: 10.1109/MCOM.2017.1700041
[9]	CHEN M H, DONG Min, and LIANG Ben. Resource sharing of a computing access point for multi-user mobile cloud offloading with delay constraints[J]. IEEE Transactions on Mobile Computing, 2018, 17(12): 2868–2881. doi: 10.1109/TMC.2018.2815533
[10]	FENG Jie, YU F R, PEI Qingqi, et al. Joint optimization of radio and computational resources allocation in blockchain-enabled mobile edge computing systems[J]. IEEE Transactions on Wireless Communications, 2020, 19(6): 4321–4334. doi: 10.1109/TWC.2020.2982627
[11]	ZHANG Zhen, HONG Zicong, CHEN Wuhui, et al. Joint computation offloading and coin loaning for blockchain-empowered mobile-edge computing[J]. IEEE Internet of Things Journal, 2019, 6(6): 9934–9950. doi: 10.1109/JIOT.2019.2933445
[12]	YUAN Yingying, FENG Guangsheng, LV Hongwu, et al. A near-optimal resource allocation approach to computation offloading under D2D communications[C]. 2019 IEEE International Conference on Smart Internet of Things, Tianjin, China, 2019: 183–188.
[13]	ZHANG Jing, XIA Weiwei, YAN Feng, et al. Joint computation offloading and resource allocation optimization in heterogeneous networks with mobile edge computing[J]. IEEE Access, 2018, 6: 19324–19337. doi: 10.1109/ACCESS.2018.2819690
[14]	KUMAR G, L SAHA R, RAI M M, et al. Proof-of-work consensus approach in blockchain technology for cloud and fog computing using maximization-factorization statistics[J]. IEEE Internet of Things Journal, 2019, 6(4): 6835–6842. doi: 10.1109/JIOT.2019.2911969
[15]	WANG Siming, YE Dongdong, HUANG Xumin, et al. Consortium blockchain for secure resource sharing in vehicular edge computing: A contract-based approach[J]. IEEE Transactions on Network Science and Engineering, 2021, 8(2): 1189–1201. doi: 10.1109/TNSE.2020.3004475
[16]	XU Chenhan, WANG Kun, LI Peng, et al. Making big data open in edges: A resource-efficient blockchain-based approach[J]. IEEE Transactions on Parallel and Distributed Systems, 2019, 30(4): 870–882. doi: 10.1109/TPDS.2018.2871449

施引文献

期刊类型引用(12)

1.	余修武，彭威，余员琴，刘永. 基于SSO的铀尾矿库无线传感器网络定位算法. 中国安全科学学报. 2023(04): 84-90 . 百度学术
2.	束仁义，朱家兵，沈晓波，蔡俊，夏泐. 基于KF-BA-LSSVR的无线传感器网络节点定位研究. 重庆科技学院学报(自然科学版). 2022(03): 57-61 . 百度学术
3.	吴红生，黄良永. 激光传输过程中的信号捕获与自动跟踪研究. 激光杂志. 2022(07): 139-143 . 百度学术
4.	路韬，黄友朋，党三磊，张捷. 基于改进ELM的计量终端定位算法仿真. 计算机仿真. 2022(09): 377-383 . 百度学术
5.	林逢春，谭文武. 人工智能技术的高速光纤通信链路智能选择研究. 激光杂志. 2022(12): 159-163 . 百度学术
6.	赵书红，董绍武，白杉杉，高喆. 一种优化的频率驾驭算法研究. 电子与信息学报. 2021(05): 1457-1464 . 本站查看
7.	张旭，姚善化. 未调制可见光室内定位. 湖南文理学院学报(自然科学版). 2021(03): 58-61+80 . 百度学术
8.	孙小君，周晗，沈海滨，闫广明. 加权融合鲁棒增量Kalman滤波器. 电子与信息学报. 2021(12): 3680-3686 . 本站查看
9.	郭永宁，李燕龙. 无人机无线电监测混合定位算法. 桂林电子科技大学学报. 2021(05): 362-367 . 百度学术
10.	梁拥军. 基于卡尔曼滤波的无线电台电磁干扰源定位方法研究. 电子设计工程. 2020(09): 112-116 . 百度学术
11.	孙小君，周晗，闫广明. 基于新息的自适应增量Kalman滤波器. 电子与信息学报. 2020(09): 2223-2230 . 本站查看
12.	康颜爽，苏胜君，施伟斌，乐燕芬，韩承毅. 一种基于核岭回归与卡尔曼滤波的定位算法. 软件导刊. 2020(09): 74-77 . 百度学术

其他类型引用(16)

资源附件(0)

访问统计

图(8) / 表(1)

计量

文章访问数: 753
HTML全文浏览量: 252
PDF下载量: 117
被引次数: 28

1. 引言
2. 定位原理
2.1 RSSI值求取距离之比
2.2 根据距离之比定位
3. 算法步骤
3.1 数据预处理
3.2 定位算法
4. 计算机仿真
4.1 影响因素分析
4.2 RSSI定位与RSSID定位误差分析
5. 结束语

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于区块链的雾网络中的任务卸载优化方案研究

doi: 10.11999/JEIT210413

通讯作者:
黄晓舸　huangxg@cqupt.edu.cn

计量

Research on Optimization Scheme of Task Offloading in Blockchain-enabled Fog Networks

1. 引言

2. 定位原理

2.1 RSSI值求取距离之比

2.2 根据距离之比定位

3. 算法步骤

3.1 数据预处理

3.2 定位算法

4. 计算机仿真

4.1 影响因素分析

4.1.1 接收信噪比SNR对定位精度的影响

4.1.2 监测站间距对定位精度的影响

4.2 RSSI定位与RSSID定位误差分析

4.2.1 数据预处理

4.2.2 单目标定位

4.2.3 多目标定位

5. 结束语

期刊类型引用(12)

其他类型引用(16)

计量

目录

1. 引言

2. 定位原理

2.1 RSSI值求取距离之比

2.2 根据距离之比定位

3. 算法步骤

3.1 数据预处理

3.2 定位算法

4. 计算机仿真

4.1 影响因素分析

4.2 RSSI定位与RSSID定位误差分析

5. 结束语

留言板

基于区块链的雾网络中的任务卸载优化方案研究

doi: 10.11999/JEIT210413

通讯作者: 黄晓舸 huangxg@cqupt.edu.cn

计量

出版历程

Research on Optimization Scheme of Task Offloading in Blockchain-enabled Fog Networks

1. 引言

2. 定位原理

2.1 RSSI值求取距离之比

2.2 根据距离之比定位

3. 算法步骤

3.1 数据预处理

3.2 定位算法

4. 计算机仿真

4.1 影响因素分析

4.1.1 接收信噪比SNR对定位精度的影响

4.1.2 监测站间距对定位精度的影响

4.2 RSSI定位与RSSID定位误差分析

4.2.1 数据预处理

4.2.2 单目标定位

4.2.3 多目标定位

5. 结束语

期刊类型引用(12)

其他类型引用(16)

计量

出版历程

目录

1. 引言

2. 定位原理

2.1 RSSI值求取距离之比

2.2 根据距离之比定位

3. 算法步骤

3.1 数据预处理

3.2 定位算法

4. 计算机仿真

4.1 影响因素分析

4.2 RSSI定位与RSSID定位误差分析

5. 结束语

通讯作者:
黄晓舸　huangxg@cqupt.edu.cn