22、雾计算基础设施中的数据流映射研究

雾计算基础设施中的数据流映射研究

1. 遗传算法解决方案表示与选择

在解决雾计算中的数据流映射问题时，我们采用了基于遗传算法（GA）的解决方案表示方法。由于每个染色体都能映射到原始优化问题的一个解，我们可以将目标函数 1.1 作为问题适应度函数的基础。染色体编码会自动满足约束条件 1.5 和 1.7，而我们需要明确考虑的唯一约束是关于雾节点过载的约束 1.6。为避免在遗传算法中嵌入不可接受解的概念影响启发式算法收敛到解的能力，我们将此信息插入适应度函数，使那些导致一个或多个雾节点过载的个体具有高惩罚值，从而不太可能进入下一代。

在选择遗传算法之前，我们考虑了多种优化算法。贪婪启发式算法的性能严重依赖问题的固有性质，例如非线性目标函数可能阻碍某些贪婪方法的应用，每个雾节点可支持的传感器数量可能对分支限界启发式算法的性能产生重大影响。为了提供一种通用且灵活的方法来解决这个问题，我们更倾向于关注元启发式算法，特别是进化编程，尤其是遗传算法，因为这类启发式算法已被证明在类似问题（如在云基础设施上分配虚拟机的问题）中是可行的选择。

2. 实验测试平台

为评估所提出解决方案的性能，我们考虑了一个现实的雾计算场景。地理分布的传感器产生数据流，这些数据流需要映射到一组雾节点上，雾节点具有有限的计算能力，主要用于聚合和过滤接收到的数据，然后将预处理后的数据发送到云数据中心。

我们根据意大利摩德纳市（约 18 万居民）的实际拓扑结构，对系统所有组件的地理分布进行建模。参考用例是一个交通监控应用，无线传感器位于城市主要街道上，收集街道上汽车数量、速度、其他交通相关指标以及环境质量指标。最终场景由 89 个传感器和 6 个雾节点组成，雾节点与传感器之间的互连延