張春光， 曾廣平， 王洪泊， 涂序彥

(北京科技大學(xué) 計算機(jī)與通信工程學(xué)院， 北京 100083)

一種多QoS驅(qū)動的物聯(lián)網(wǎng)資源分層調(diào)度方法*

張春光， 曾廣平， 王洪泊， 涂序彥

(北京科技大學(xué) 計算機(jī)與通信工程學(xué)院， 北京 100083)

現(xiàn)有物聯(lián)網(wǎng)系統(tǒng)普遍采用先來先服務(wù)的單一資源調(diào)度策略， 不能很好地滿足實時性和個性化需求. 針對物聯(lián)網(wǎng)系統(tǒng)的復(fù)雜性及需求目標(biāo)的多樣性， 提出了一種多QoS驅(qū)動的物聯(lián)網(wǎng)資源分層調(diào)度架構(gòu)， 建立了面向物聯(lián)網(wǎng)的多QoS定義及形式化模型， 并在此基礎(chǔ)上提出了一種基于信息熵的、 包含分類請求和精準(zhǔn)選擇兩個過程的多QoS驅(qū)動的調(diào)度方法. 仿真結(jié)果表明該資源調(diào)度方法能有效保障用戶請求相對公平性， 滿足不同用戶的實時性和個性化需求， 提高了資源的利用率.

分層調(diào)度; 多QoS; SOA； 物聯(lián)網(wǎng)

0 引 言

大數(shù)據(jù)時代的到來， 使車聯(lián)網(wǎng)、 智能家庭等物聯(lián)網(wǎng)具體應(yīng)用得以普及， 物聯(lián)網(wǎng)顯現(xiàn)出從單一追求高性能到高效能的發(fā)展趨勢. 物聯(lián)網(wǎng)應(yīng)用層的服務(wù)請求已經(jīng)擴(kuò)展到了對底層具體感知設(shè)備的實時操作， 如在特定場景下需要實時讀取指定溫度計讀數(shù)的同時了解某監(jiān)控設(shè)備的開關(guān)狀態(tài)等， 煤礦生產(chǎn)中也應(yīng)用了物聯(lián)網(wǎng)以保證安全[1]. 但隨著越來越多功能各異、 資源受限的智能終端加入到物聯(lián)網(wǎng)， 系統(tǒng)不僅要對各種異構(gòu)資源進(jìn)行管理和調(diào)度， 而且還必須綜合考慮用戶關(guān)心的如支付費用、 運(yùn)行時間和可靠性等各項服務(wù)質(zhì)量(Quality of Service， 簡稱QoS)[2-3]. 大量不規(guī)則服務(wù)請求的涌現(xiàn)導(dǎo)致系統(tǒng)過載， 重要請求得不到及時響應(yīng)， 實時性和個性化服務(wù)得不到保障. 現(xiàn)有物聯(lián)網(wǎng)系統(tǒng)普遍采用先來先服務(wù)的單一資源調(diào)度策略， 但是它很難在本質(zhì)上解決這一問題. 近年來， 學(xué)術(shù)界開始注重物聯(lián)網(wǎng)中QoS方面的研究， 認(rèn)為把QoS融入到調(diào)度策略中是解決這一問題非常有潛力的方法之一.

現(xiàn)有物聯(lián)網(wǎng)QoS的研究主要集中在服務(wù)等級協(xié)議的制定方面， 這雖然改進(jìn)了資源調(diào)度的部分性能， 但在解決物聯(lián)網(wǎng)實時性和個性化需求方面還存在諸多不足. 在充分考慮物聯(lián)網(wǎng)系統(tǒng)資源動態(tài)性和硬件設(shè)備互異性的基礎(chǔ)上， 本文提出了一種針對物聯(lián)網(wǎng)系統(tǒng)的多QoS模型并研究了多QoS驅(qū)動的物聯(lián)網(wǎng)資源調(diào)度.

本文針對物聯(lián)網(wǎng)需求目標(biāo)的多樣性， 通過借鑒SOA思想， 提出了一種多QoS驅(qū)動的資源分層調(diào)度架構(gòu)； 在總結(jié)有關(guān)物聯(lián)網(wǎng)新特性的基礎(chǔ)上建立了面向物聯(lián)網(wǎng)的多QoS定義及形式化模型； 為了更好滿足物聯(lián)網(wǎng)中服務(wù)請求的實時性和個性化需求， 提出了一種基于信息熵的、 包含分類請求和精準(zhǔn)選擇兩個過程的多QoS驅(qū)動的調(diào)度方法.

1 相關(guān)工作

物聯(lián)網(wǎng)底層的各種感知設(shè)備大多具有動態(tài)、 能量受限和異構(gòu)的特性. 如何充分調(diào)度物聯(lián)網(wǎng)的各種資源以便為大量請求提供高效的物聯(lián)網(wǎng)服務(wù)已引起許多學(xué)者的關(guān)注. 文獻(xiàn)[4]基于改進(jìn)蜂群算法的多維QoS資源調(diào)度， 引入收益比， 有效地避免了過早收斂的發(fā)生； 文獻(xiàn)[5]在粒子群算法中融入遺傳算子， 提出混合粒子群資源優(yōu)化調(diào)度策略， 使得種群在進(jìn)化初期就擁有較強(qiáng)的全局搜索能力， 可實現(xiàn)有效、 快速的資源調(diào)度. 但這些啟發(fā)式資源調(diào)度算法僅適用于傳統(tǒng)云平臺的資源調(diào)度， 在解決物聯(lián)網(wǎng)實時調(diào)度和動態(tài)調(diào)度上， 對資源配置有一定的局限性. 針對大量用戶提出的各種QoS調(diào)度需求, 鄧見光等[6]把任務(wù)的DeadLine、 調(diào)度預(yù)算等QoS目標(biāo)約束條件引入模型， 將其轉(zhuǎn)換為單目標(biāo)資源優(yōu)化調(diào)度問題， 但此算法未能很好地全面顧及各QoS的要求； Li M等[7-8]對蜂群算法進(jìn)行優(yōu)化， 提出了一種改進(jìn)算法， 使物聯(lián)網(wǎng)資源利用率相對提高， 但沒有給出具體實驗方案； Kumar等[9]采用組合加權(quán)法完成對物聯(lián)網(wǎng)資源的優(yōu)化調(diào)度， 并結(jié)合物聯(lián)網(wǎng)資源調(diào)度的特點， 提出選擇模型， 使調(diào)度問題轉(zhuǎn)變成多屬性決策問題， 最終實現(xiàn)實時調(diào)度， 但系統(tǒng)均衡性有待進(jìn)一步改進(jìn)； 米曉萍等[10-11]通過建立物聯(lián)網(wǎng)能耗優(yōu)化模型來改善資源的優(yōu)化調(diào)度.

綜上所述， 由于物聯(lián)網(wǎng)資源調(diào)度非常復(fù)雜， 需要綜合考慮服務(wù)質(zhì)量、 可用資源、 用戶個性化需求等因素， 如果僅從某一方面考慮調(diào)度， 容易引發(fā)負(fù)載不均衡和資源利用率低等問題. 為了有效解決上述問題， 本文針對物聯(lián)網(wǎng)新特性， 提出了一種多QoS驅(qū)動的資源分層調(diào)度方法.

2 一種多QoS驅(qū)動的物聯(lián)網(wǎng)資源調(diào)度架構(gòu)

面向服務(wù)的架構(gòu)(Service Oriented Architecture， SOA)具有粗粒度松耦合特性， 在解決異構(gòu)組件間的協(xié)同與互操作問題上具有先天優(yōu)勢. 基于這一思想， 本文提出把物聯(lián)網(wǎng)眾多智能設(shè)備注冊為物聯(lián)網(wǎng)系統(tǒng)中的服務(wù)， 建立了一種多QoS驅(qū)動的物聯(lián)網(wǎng)資源調(diào)度架構(gòu)， 如圖 1 所示.

2.1 架構(gòu)介紹

本架構(gòu)主要分為3個模塊： QoS創(chuàng)建模塊、 QoS需求管理模塊和QoS請求管理模塊.

2.1.1 QoS創(chuàng)建模塊

QoS創(chuàng)建模塊包含服務(wù)注冊、 QoS注冊和地址與映射. 傳感設(shè)備首次請求注冊加入物聯(lián)網(wǎng)系統(tǒng)時， 在近距離通信接口模塊、 協(xié)議適配模塊和協(xié)議轉(zhuǎn)換模塊的作用下， 物聯(lián)網(wǎng)系統(tǒng)實現(xiàn)了對它的感知.

設(shè)備通過安全驗證后， 地址與映射模塊完成傳感器硬件地址與系統(tǒng)指定地址的映射關(guān)系， 并為其分配唯一的服務(wù)ID. QoS組件從傳感設(shè)備獲得了細(xì)粒度的各項參數(shù)， 為后續(xù)服務(wù)請求提供依據(jù)， 具體包括費用、 安全、 計算資源、 網(wǎng)絡(luò)資源、 可信度等， 對未能提供具體參數(shù)的一些指標(biāo)， 系統(tǒng)也能對其進(jìn)行默認(rèn)處理. 提供各種智能服務(wù)的傳感器節(jié)點都以唯一ID出現(xiàn)， 對上層實現(xiàn)透明化.

2.1.2 QoS需求管理模塊

QoS需求管理模塊包含解析器和評估器. 解析器用于解析到達(dá)的請求， 生成細(xì)粒度的需求信息. 在整個物聯(lián)網(wǎng)系統(tǒng)中， 任務(wù)被分解為若干原子服務(wù)來執(zhí)行， 每個原子服務(wù)所關(guān)注的QoS不同， 比如查詢服務(wù)更關(guān)心數(shù)據(jù)可信度和安全性； 轉(zhuǎn)發(fā)數(shù)據(jù)包更關(guān)注帶寬資源； 精確的地理信息請求服務(wù)關(guān)注的是獲取這項服務(wù)所需要的費用和其可信度. 解析器按照一定的算法對QoS信息進(jìn)行量化， 把結(jié)果發(fā)送到請求分類器中， 請求分類器再按一定規(guī)則把請求信息發(fā)送到不同的請求隊列. 評估器用于評估QoS與預(yù)期的關(guān)系， 如果高于預(yù)期表明系統(tǒng)設(shè)置恰當(dāng)， 如果低于預(yù)期則表明需要調(diào)整. 最后按照一定的算法對其進(jìn)行更新.

2.1.3 QoS請求管理模塊

請求管理模塊由分類器和緩沖隊列組成. 從上層傳輸?shù)秸埱蠊芾砟K的原始請求中包含QoS的粗粒度信息， 請求管理模塊再把相關(guān)的信息傳送給解析器. 解析器根據(jù)算法把這些粗粒度的QoS信息轉(zhuǎn)化為細(xì)粒度信息， 請求分類器按照解析出的細(xì)粒度服務(wù)質(zhì)量需求信息通過特定的調(diào)度算法放入不同的請求隊列， 實現(xiàn)差別化處理， 同時實現(xiàn)資源優(yōu)化處理.

2.2 面向物聯(lián)網(wǎng)的多QoS定義及模型

2.2.1 多QoS定義

在物聯(lián)網(wǎng)環(huán)境下， 由于多QoS相互影響， 使系統(tǒng)對服務(wù)請求的處理變得更加復(fù)雜. 傳統(tǒng)的互聯(lián)網(wǎng)QoS模型已不適應(yīng)物聯(lián)網(wǎng)的新要求. 用戶提出的請求信息是粗粒度的， 但為其提供服務(wù)的各種感知設(shè)備是細(xì)粒度的且在功能和結(jié)構(gòu)上具有異構(gòu)性， 這就存在如何將粗粒度的需求向細(xì)粒度QoS定位的問題.

物聯(lián)網(wǎng)通過智能代理管理感知設(shè)備， 在設(shè)備申請加入系統(tǒng)時， 智能代理負(fù)責(zé)收集每種設(shè)備的各項參數(shù)， 通過映射機(jī)制對各項指標(biāo)進(jìn)行統(tǒng)一管理. 設(shè)備的異構(gòu)性決定了QoS的多樣性和復(fù)雜性， 逐一處理這些QoS有很大難度， 如果通過共性加以抽象處理， 對眾多參數(shù)進(jìn)行分類， 然后在此基礎(chǔ)上建立模型， 那么實現(xiàn)起來就相對容易. 目前研究人員對系統(tǒng)中涉及的QoS提出了不同的考量方案[12-14].

綜合物聯(lián)網(wǎng)的新特點， 本文提出如圖 2 所示的物聯(lián)網(wǎng)環(huán)境下的多QoS模型， 樹形特征是該模型最大的特點， 它具備良好的擴(kuò)展性， 其中樹根表示應(yīng)用層粗粒度的具體任務(wù)信息. 充分考慮物聯(lián)網(wǎng)系統(tǒng)自身特性后， 將物聯(lián)網(wǎng)中相關(guān)的指標(biāo)分為7類， 包括權(quán)限角色、 響應(yīng)時間大小、 資源信任度大小、 使用價格多少、 任務(wù)執(zhí)行成功率大小、 可靠性大小、 數(shù)據(jù)質(zhì)量類型.

圖 2 多QoS模型Fig.2 Multi QoS model

圖 2 模型中的樹枝節(jié)點表示以上屬性， 各個葉子節(jié)點表示物聯(lián)網(wǎng)系統(tǒng)中細(xì)粒度屬性， 它們是不可再分的原子屬性. 請求管理模塊從應(yīng)用層接收的服務(wù)請求中僅包含這里描述的樹根粗粒度信息， 解析器把其解析為本文中的7種抽象數(shù)據(jù).

2.2.2 多QoS的形式化描述

多QoS建模是實現(xiàn)多QoS驅(qū)動的前提和出發(fā)點. 多QoS模型是指系統(tǒng)中多QoS屬性的組織形式和表示方式. 廣義知識表達(dá)法[15-17]非常適合于對本模型的形式化描述， 可為QoS定義一個容易擴(kuò)展的多級遞階結(jié)構(gòu)模型. QoS綜合信息由若干對象(Object,T)組成， 每個對象T又由若干個子對象(SubObject,SubT)和若干個屬性(Property,P)組成， 下面給出模型(QSM)的形式化描述.

QSM 定義為這樣的一個三元組:

QSM =〈Q，T，P〉. 其中:

1)Q表示QSM的綜合值， 是一組由QoS對象T組成的集合， 即Q={T1,T2…,,Tn}(n>0).

2)T是一個由若干個子對象和若干個屬性組成的二元組， 即T=〈∑SubTi，∑Pj〉( 0≤i≤n， 0≤j≤n). 其中，SubTi表示隸屬于對象T的某一子對象， 亦滿足上述關(guān)于對象T的描述;Pj表示隸屬于對象T的某一屬性.

3)P是一個三元組， 它由對象名、 對象值和對象類別組成， 即P=〈Name，Value，L〉. 其中，Name表示對象名，Value表示對象值,L表示對象類別，L={固定型，效益型，成本型}.

3 多QoS分層調(diào)度方法

多QoS分層調(diào)度分兩步實現(xiàn)對資源的優(yōu)化調(diào)度， 第一步是以服務(wù)請求分類器作為調(diào)度中心實施的分類請求調(diào)度， 第二步是以資源分配器作為調(diào)度中心進(jìn)行的精準(zhǔn)選擇調(diào)度， 具體過程如圖 3 所示.

圖 3 多QoS驅(qū)動的調(diào)度模型Fig.3 Multi QoS driven scheduling model

3.1 分類請求調(diào)度

建立分類請求調(diào)度旨在對到達(dá)的服務(wù)請求進(jìn)行分類處理從而提高系統(tǒng)的整體應(yīng)答效率. 面向不同資源的請求進(jìn)入到不同的隊列可以實行并行處理， 對非獨占性資源請求進(jìn)行分類預(yù)處理也可提高處理速度. Request到達(dá)請求分類器時， 解析器對其進(jìn)行解析， 其中包括功能請求信息， 這與系統(tǒng)的具體應(yīng)用背景有關(guān). 為了研究方便， 本文假設(shè)有4種功能請求， 分別是動態(tài)視頻請求、 語音流量請求、 純文字請求和靜態(tài)圖像請求. 設(shè)立4對一定容量的緩沖區(qū)隊列與之對應(yīng)， 使相同類型的服務(wù)請求進(jìn)入同一緩沖隊列. 各隊列的優(yōu)先權(quán)預(yù)先設(shè)定， 權(quán)限高的隊列優(yōu)先得到系統(tǒng)資源. 假設(shè)r1>r2>r3>r4， 則表明隊列r1中的服務(wù)請求優(yōu)先得到處置. 當(dāng)某一隊列的服務(wù)請求數(shù)目等于隊列長度時， 則請求分類器拋棄新到達(dá)的同類請求， 這會直接影響到請求成功率. 為了應(yīng)對這種情況， 加入預(yù)處理機(jī)制對每種到達(dá)的請求進(jìn)行統(tǒng)計， 當(dāng)某種服務(wù)請求頻繁發(fā)生時， 動態(tài)增加其隊列長度或增大隊列的優(yōu)先權(quán)來提高請求成功率. 若某種請求在給定時間段內(nèi)到達(dá)的數(shù)目為零， 對應(yīng)隊列則為空， 那么把當(dāng)前隊列并入優(yōu)先級最高的隊列； 若優(yōu)先級最高的隊列達(dá)到預(yù)定的長度， 則把其并入下一優(yōu)先級的隊列， 應(yīng)用這種策略可有效提高資源的利用率. 通過對QoS粗粒度信息的功能分類實現(xiàn)請求服務(wù)的資源分類差別化調(diào)度[18-19].

3.2 精準(zhǔn)選擇調(diào)度

分類請求調(diào)度實現(xiàn)了對服務(wù)請求的編隊問題， 并將其歸入不同的隊列. 精準(zhǔn)選擇調(diào)度實現(xiàn)了隊列內(nèi)各請求的優(yōu)化調(diào)度， 資源分配器作為調(diào)度中心， 負(fù)責(zé)資源的優(yōu)化配置. 一般情況下， 資源分配器按照輪詢機(jī)制對不同隊列進(jìn)行調(diào)度. 預(yù)處理階段設(shè)置為高優(yōu)先級的隊列比優(yōu)先級低的隊列優(yōu)先得到處理， 非獨占性資源請求也相應(yīng)得到優(yōu)先處理. 通過對優(yōu)先級參數(shù)的動態(tài)在線調(diào)整， 可實時改變系統(tǒng)對不同隊列的處理響應(yīng)時間. 接下來再對隊列內(nèi)的請求進(jìn)行進(jìn)一步處理， 實現(xiàn)精準(zhǔn)選擇調(diào)度. 通過多QoS信息熵的方法先求出隊列內(nèi)各請求的綜合QoS， 然后對綜合QoS進(jìn)行排序來實現(xiàn)隊列內(nèi)擇優(yōu)， 優(yōu)先處理隊列內(nèi)綜合QoS高的請求服務(wù). 本文對QoS進(jìn)行類型歸類， 如果是效益型屬性， 則表明其值越大越有利于綜合QoS的增加， 比如信任度， 可靠性； 如果屬于成本型， 則其值越大越不利于綜合QoS的增加， 比如價格， 響應(yīng)時間. 固定型是表示離某個給定值越近越有利于QoS的增加. 另外， 各QoS的量綱也不相同， 計算綜合QoS成為關(guān)鍵. 如果在未處理的情形下， 某一時間段內(nèi)綜合QoS的值已符合從高到低的優(yōu)先排序， 則等同于隊列內(nèi)先來先服務(wù)的處理機(jī)制.

綜合QoS屬性值是由各屬性的具體數(shù)值和其權(quán)值總和決定的， 其實質(zhì)是一個基于信息熵的多屬性決策問題. 設(shè)向量S={S1,S2,Si,…,Sn}表示隊列中的請求服務(wù)， 0

下面給出計算步驟.

步驟 1： 問題的決策矩陣表示為A=(qij)n×m， 其中qij表示隊列中的第i項服務(wù)請求對第j項QoS的附加條件. 無量綱化處理按式(1)進(jìn)行

規(guī)范化的決策矩陣如下

步驟 3： 計算第j個QoS屬性qj的輸出信息熵

步驟 4： 計算屬性權(quán)重向量ω={ω1，ω2， …，ωn}， 其中

步驟 5： 利用式(6)算出每一個服務(wù)請求的QoS綜合值

步驟 6： 根據(jù)步驟5的計算結(jié)果， 對其進(jìn)行排序選優(yōu).

通過以上計算， 資源分配器會對隊列內(nèi)綜合QoS最高的請求優(yōu)先處理， 滿足不同用戶的個性化需求和實時服務(wù).

3.3 多QoS驅(qū)動的資源調(diào)度算法描述

從應(yīng)用層傳來的服務(wù)請求， 除包括業(yè)務(wù)請求相關(guān)屬性外， 還攜帶著QoS分類模型中所涉及的多QoS屬性， 沒有的屬性按默認(rèn)值替代. 服務(wù)請求分類器按Request的功能把它歸為具體的某一類， 本文把所有的請求歸為4類， 送入相應(yīng)的隊列等待系統(tǒng)處理， 這與傳統(tǒng)的先來先服務(wù)調(diào)度方法有本質(zhì)的不同. 對Request進(jìn)行第一次分類過濾， 使得雖然是后到達(dá)的服務(wù)請求， 但如果其具有高實時性要求， 也可以先得到系統(tǒng)資源， 物聯(lián)網(wǎng)的個性化服務(wù)由此也就有了保障. 進(jìn)入某一隊列的若干Request也不具有先來先服務(wù)的優(yōu)先特權(quán)， 要實施二次排隊， 通過信息熵的加權(quán)計算得到綜合QoS， 并對其進(jìn)行降序排列， 綜合QoS高的優(yōu)先得到系統(tǒng)資源， 首先得到系統(tǒng)的處理. 周期性地檢查各隊列的排隊情況， 如果某隊列為空， 可以并入其它隊列， 以提高系統(tǒng)的平均等待時間， 實現(xiàn)均衡處理.

本文算法采用偽代碼描述如下：

算法基于多QoS驅(qū)動的資源智能調(diào)度1．接收request的請求信息2．While有請求信息到達(dá)do3． For所有請求信息do4．初始化決策矩陣A=(qij)n×m5．求決策矩陣每一列的最大值6．ifqij屬于效益型按(1)效益性計算Elseqij屬于成本型按成本型計算Else按固定型計算Endif7． endfor8． 按式(3)求矩陣R′=(r′ij)n×m9． For所有請求的信息do10． 根據(jù)式(4)按列分別計算出每一列的輸出信息熵．11． endfor12． 利用式(5)計算出所有請求的每一項屬性權(quán)重ωj13． 利用式(6)計算每一項請求的綜合QoS14． 對所有的綜合QoS降序排序15．For所有的請求doIf請求類別為最重要then請求進(jìn)入1號隊列Elseif請求類別為重要then請求進(jìn)入2號隊列Elseif請求為中級then進(jìn)入中級隊列Else進(jìn)入低級隊列Endif16．判斷是否有隊列為空，如果有，則依序并入1，2，3，4隊列17． Fork=1to418．處理隊列里的請求，只有第一隊列里的所有請求全部處理完畢才去處理2隊列里的請求．以此類推．19． Endfor20． endwhile

4 實驗與分析

4.1 實驗環(huán)境設(shè)置

本文利用Matlab7.0仿真軟件搭建了多QoS驅(qū)動的物聯(lián)網(wǎng)資源分層調(diào)度實驗環(huán)境. 首先對實驗數(shù)據(jù)預(yù)先按照優(yōu)先級進(jìn)行分類， 然后采用隨機(jī)序列模擬產(chǎn)生實驗數(shù)據(jù)， 選取部分QoS參數(shù)作為實驗對象. 實驗做出以下假設(shè)： 服務(wù)請求按照優(yōu)先級分為最高、 高、 中、 低4個隊列， 模型輸入服從泊松分布并且各請求相互獨立， 參數(shù)分別為λ1,λ2,λ3,λ4， 排隊規(guī)則采用優(yōu)先權(quán)的等待制[16-17]； 進(jìn)一步設(shè)定各項輸入在時間上符合參數(shù)為v的指數(shù)分布； 設(shè)定各隊列長度都等于20且固定不變， 權(quán)重比例設(shè)為4∶3∶2∶1.

4.2 評估指標(biāo)

本文提出的方法克服了現(xiàn)有單一資源調(diào)度策略的不足， 在保證公平調(diào)度的基礎(chǔ)上， 可滿足實時性和個性化資源調(diào)度的需求. 為了準(zhǔn)確評估算法的性能， 將其與文獻(xiàn)[16-17]中提到的SQoSM和MQoSM算法進(jìn)行了全面的對比， 從下面3個指標(biāo)來檢驗本算法的性能：

1) 平均等待時間： 所有請求等待時間的均值.

2) 平均最優(yōu)服務(wù)度： 不同請求隨請求數(shù)量增大， 系統(tǒng)響應(yīng)服務(wù)的變化率.

3) 服務(wù)請求成功率： 同等請求數(shù)量下， 系統(tǒng)的服務(wù)請求成功率.

4.3 實驗分析

表 1 與圖 4 是根據(jù)文獻(xiàn)設(shè)置環(huán)境后所給出的直觀數(shù)據(jù)， 表示平均等待時間的測評結(jié)果， 表 2 與圖 5 是平均最優(yōu)服務(wù)度的測評結(jié)果.

表 1 平均等待時間

表 2 平均最優(yōu)服務(wù)度

圖 4 平均等待時間Fig.4 Average waiting time

由圖 4 可以看出， 隨著系統(tǒng)總負(fù)荷的增加， 新方法平均等待時間也增大， 具體來說就是優(yōu)先級越高等待時間越短， 而優(yōu)先級越低等待時間越長. 在系統(tǒng)總負(fù)荷相同的情形下， 等待時間與優(yōu)先等級成正比， 優(yōu)先級越高越早得到系統(tǒng)響應(yīng). 相比于SQoSM算法， 平均等待時間明顯減少， 這主要是因為本算法對請求進(jìn)行了分類處理， 提高了系統(tǒng)的并行性， 而SQoSM算法只是對請求進(jìn)行簡單的先來先服務(wù)處理， 只保證了絕對的公平性， 對調(diào)度效率關(guān)注較小. 與MQoSM算法相比較， 在低負(fù)荷時， 兩者運(yùn)行結(jié)果趨于一致， 但當(dāng)負(fù)荷增大時， 新算法平均等待時間變化幅度不大， 主要是因為隊列內(nèi)進(jìn)行了排序， 優(yōu)先調(diào)度綜合QoS高的請求. 因此， 本文提出的模型在保障服務(wù)公平的前提下能保證高優(yōu)先級服務(wù)優(yōu)先得到系統(tǒng)資源， 在一定程度上解決了資源的優(yōu)化配置.

圖 5 反映出平均最優(yōu)服務(wù)度的情況. 各隊列的實驗結(jié)果與系統(tǒng)負(fù)載呈反比關(guān)系， 等級越低變化趨勢越明顯. 和SQoSM算法相比較， 新算法的平均最優(yōu)服務(wù)度維持在高位， 這歸因于新算法對請求根據(jù)優(yōu)先性進(jìn)行分類調(diào)度， 優(yōu)先處理緊急請求， 保證了系統(tǒng)的個性化要求. 對比于MQoSM算法， 系統(tǒng)的各類平均最優(yōu)服務(wù)度下降緩和， 這是由QoS的信息熵處理過程決定的.

從圖 5 中觀察到， 各類結(jié)果均高于84%， 綜合值處于92%. 由此說明， 本模型可滿足用戶的適量個性化需求.

圖 5 平均最優(yōu)服務(wù)度Fig.5 Average optimal service level

為了更進(jìn)一步驗證本方法的優(yōu)越性， 與原有兩種算法的服務(wù)請求成功率進(jìn)行比較， 設(shè)計10次不同的數(shù)據(jù)密集型的訪問服務(wù)， 對比仿真結(jié)果如圖 6 所示.

請求服務(wù)的優(yōu)先權(quán)趨于相同時， 從圖6中看出， 第1次實驗3種算法的服務(wù)請求成功率大致相等， 約等于98.87%； 但當(dāng)優(yōu)先權(quán)較高的服務(wù)請求逐漸增加時， 原有算法和本文算法得出的請求成功率有明顯區(qū)別， 僅從第6次實驗結(jié)果就可觀察到原有算法的服務(wù)成功率接近98.6%， 而本文算法得出的成功率高達(dá)99.4%. 這充分說明本文算法對服務(wù)請求先分類再進(jìn)行隊列內(nèi)信息熵處理， 最后優(yōu)先響應(yīng)綜合QoS高的請求確實起到了重要作用. 所有10次仿真實驗都說明本算法的訪問服務(wù)平均成功率高于傳統(tǒng)的先來先服務(wù)策略.

圖 6 服務(wù)請求成功率Fig.6 Success rate of request

5 結(jié) 論

在物聯(lián)網(wǎng)服務(wù)環(huán)境中， 如何有效管理和調(diào)度各種異構(gòu)、 資源受限的智能設(shè)備一直是研究人員關(guān)注的重點之一. 本文針對物聯(lián)網(wǎng)系統(tǒng)資源調(diào)度機(jī)制存在的缺陷， 對系統(tǒng)的非功能性服務(wù)指標(biāo)QoS進(jìn)行分類建模， 并在此基礎(chǔ)上提出了改進(jìn)的基于多QoS的物聯(lián)網(wǎng)分層資源調(diào)度模型， 考慮到不同服務(wù)請求具有不同的QoS需求， 對其進(jìn)行基于信息熵的處理后， 實現(xiàn)了QoS的具體量化. 通過對不同QoS的差異化處理達(dá)到系統(tǒng)資源的優(yōu)化調(diào)度. 仿真實驗表明該調(diào)度策略能夠在一定程度上保持請求的公平性， 保證高優(yōu)先級服務(wù)請求優(yōu)先得到響應(yīng)， 滿足用戶對服務(wù)的個性化需求. 但本文只從靜態(tài)的QoS提出了調(diào)度的資源管理方案， 如何實現(xiàn)動態(tài)的QoS反饋機(jī)制以及QoS的優(yōu)化算法是下一步研究的方向.

[1] 張生益， 陳俊杰， 張軍朝. 基于SDH/MSTP的煤礦物聯(lián)網(wǎng)設(shè)計[J]. 太原理工大學(xué)學(xué)報， 2012， 43(5)： 564-568.

Zhang Shengyi, Chen Junjie, Zhang Junzhao. The design of SDH/MSTP coal mine content networking[J]. Journal of Taiyuan University of Technology, 2012, 43(5): 564-568. (in Chinese)

[2] 王尚廣， 孫其博， 楊放春. 基于全QoS約束分解的Web服務(wù)動態(tài)選擇[J]. 軟件學(xué)報， 2011， 22(7)： 1426-1439.

Wang Shangguang, Sun Qibo, Yang Fangchun. Web service dynamic selection by the decomposition of global QoS constraints[J]. Journal of Software, 2011, 22(7): 1426-1439. (in Chinese)

[3] 陳海明， 崔莉. 面向服務(wù)的物聯(lián)網(wǎng)軟件體系結(jié)構(gòu)設(shè)計與模型檢測[J]. 計算機(jī)學(xué)報， 2016， 39(5)： 853-871.

Chen Haiming, Cui Li. Design and model checking of service oriented software architecture for Internet of things: a survey[J]. Chinese Journal of Computers, 2016, 39(5): 853-871. (in Chinese)

[4] 顏麗燕， 張桂珠. 基于蜂群算法的多維Qos云計算任務(wù)調(diào)度[J]. 計算機(jī)工程與科學(xué)， 2016， 38(4)： 648-656.

Yan Liyan, Zhang Guizhu. Multi-dimensional QoS cloud task scheduling based on colony algorithm[J]. Computer Engineering and Science, 2016, 38(4): 648-656. (in Chinese)

[5] 李學(xué)俊， 徐佳， 朱二周， 等. 任務(wù)調(diào)度算法中新的自適應(yīng)慣性權(quán)重計算方法[J]. 計算機(jī)研究與發(fā)展， 2016， 53(9)： 1990-1999.

Li Xuejun, Xu Jia, Zhu Erzhou, et al. A novel computation method for adaptive inertia weight of task scheduling algorithm[J]. Journal of Computer Research and Development, 2016, 53(9): 1990-1999. (in Chinese)

[6] 鄧見光， 趙躍龍. 一種多QoS目標(biāo)約束的云計算任務(wù)調(diào)度策略[J]. 計算機(jī)應(yīng)用研究， 2016， 33(8)： 2479-2482.

Deng Jianguang, Zhao Yuelong. Multi-QoS objective constrained task scheduling strategy of cloud computing[J]. Application Research of Computers, 2016, 33(8): 2479-2482. (in Chinese)

[7] Li M， Liu Y， Cai Y. A dynamic processing system for sensor data in IoT[J]. International Journal of Distributed Sensor Networks， 2015， 2015： 1-10.

[8] Kumar N， Vidyarthi D P. A model for resource-constrained project scheduling using adaptive PSO[J]. Soft Computing， 2016， 20(4)： 1-16.

[9] Saima A, Kun Y. A QoS aware message scheduling algorithm in Internet of things environment[C]. IEEE Online Conference on Green Communications, 2013: 175-180.

[10] 米曉萍， 李雪梅. 物聯(lián)網(wǎng)任務(wù)調(diào)度優(yōu)化建模與仿真研究[J]. 計算機(jī)仿真， 2015， 32(3)： 327-330.

Mi Xiaoping, Li Xuemei. Optimization modeling and simulation research on task scheduling in IoT[J]. Computer Simulation, 2015, 32(3): 327-330. (in Chinese)

[11] 劉明麗， 劉洋. 關(guān)于物聯(lián)網(wǎng)環(huán)境下能量損耗優(yōu)化調(diào)度建模仿真[J]. 計算機(jī)仿真， 2015， 32(12)： 276-279.

Liu Mingli, Liu Yang. Modeling and simulation of energy loss optimization scheduling under Internet of things[J]. Computer Simulation, 2015, 32(12): 276-279. (in Chinese)

[12] Sohn I， Sang W Y， Sang H L. Distributed scheduling using belief propagation for internet-of-things (IoT) networks[J]. Peer-to-Peer Networking and Applications， 2016： 1-10.

[13] Liu X X, Li X R, Li Y Z, et al. A new TDD scheme and interference-aware precoding for device-to-device underlay massive MIMO[J]. China Communications, 2016, 13(2): 100-108.

[14] 趙生慧， 吳國新， 張三峰， 等. SOA的QoS研究綜述[J]. 計算機(jī)科學(xué)， 2009， 36(4)： 16-20.

Zhao Shenghui, Wu Guoxin, Zhang Sanfeng, et al. Review on SOA of quality of service research[J]. Computer Science, 2009, 36(4): 16-20. (in Chinese)

[15] 涂序彥， 馬忠貴. 智能系統(tǒng)工程[M]. 北京： 國防工業(yè)出版社， 2015.

[16] 徐九韻， 吳同心， 寧肖， 等. 一種面向物聯(lián)網(wǎng)服務(wù)資源優(yōu)化的調(diào)度模型[J]. 計算機(jī)工程與科學(xué)， 2013， 35(9)： 57-64.

Xu Jiuyun, Wu Tongxin, Ning Xiao, et al. Scheduling model for service resource optimization in Internet of things[J]. Computer Engineer & Science, 2013, 35(9): 57-64. (in Chinese)

[17] 郭子榮， 曾華燊， 竇軍. 一種簡單的平滑公平輪轉(zhuǎn)調(diào)度算法[J]. 計算機(jī)科學(xué)， 2016， 43(1)： 122-127.

Guo Zirong, Zeng Huashen, Dou Jun. Simple and smoothed fair round Robin scheduling agorithm[J]. Computer Science, 2016, 43(1): 122-127. (in Chinese)

[18] 陳梅梅. 基于收益驅(qū)動請求分類的多目標(biāo)動態(tài)優(yōu)先請求調(diào)度[J]. 計算機(jī)科學(xué)， 2016， 43(8)： 199-203.

Chen Meimei. Multi-objective dynamic priority request scheduling based on reward-driven request classification[J]. Computer Science, 2016, 43(8): 199-203. (in Chinese)

[19] 莊媛， 張鵬程， 李雯睿， 等. 一種環(huán)境因素敏感的Web Service QoS監(jiān)控方法[J]. 軟件學(xué)報， 2016， 27(8)： 1978-1992.

Zhuang Yuan, Zhang Pengcheng, Li Wenrui, et al. Web service QoS monitoring approach sensing to environmental factors[J]. Journal of Software, 2016, 27(8): 1978-1992. (in Chinese)

AMulti-QoSDrivenResourceHierarchicalSchedulingMethodforIoT

ZHANG Chun-guang, ZENG Guang-ping, WANG Hong-bo, TU Xu-yan

(School of Computer & Communication Engineering, University of Science Technology Beijing, Beijing 100083, China)

Aimed to the Internet of Things (IoT) systems generally used a single resource scheduling strategy, which couldn’t meet the real-time and personalized requirements. To accommodate the complexity of IoT system and the diversity of the requests, the concept and formal model using a hierarchical scheduling architecture driven by multi-Quality of Service (QoS) resources was first proposed. A multi-QoS scheduling method was explored based on information entropy and contains request classification and precise selection processes. Simulation results show that the method can effectively ensure the relative fairness of user requests, meet the real-time and individual needs of different users, and also improve the resource utilization rate.

hierarchical scheduling; QoS; SOA; internet of things

1673-3193(2017)03-0333-08

2016-11-03

國家自然科學(xué)基金資助項目(61572074)

張春光(1976-)， 男， 講師， 博士生， 主要從事計算機(jī)網(wǎng)絡(luò)、 物聯(lián)網(wǎng)、 智能控制、 算法的研究.

TP301.6

A

10.3969/j.issn.1673-3193.2017.03.015