37、物联网资源分配与管理方法综述

物联网资源分配与管理方法综述

1. 物联网简介

物联网（IoT）是一种将传感器等检测设备和执行器等终端设备连接到互联网的网络结构，它能让这些设备按照特定协议进行通信，以完成监测、识别和管理等任务。借助物联网系统，能在智慧城市、医疗、工业、农业、军事等众多领域开发出高效的应用程序。

从小型可穿戴设备到大型工业系统，基于物联网的方法有着广泛的应用。在物联网系统中，通常会使用可穿戴传感器设备和专用传感器，在人、动物、机器、地下、水下、森林区域等各个位置创建个人区域网络、无线传感器网络和无线体域网。传感器设备检测到的数据会被发送到上层的数据处理和存储设备，该层获得的结果会被发送到处于监控位置的执行器设备。

不过，物联网系统在带来优势的同时，也面临诸多挑战，例如安全需求、软件缺失、受外部因素影响的传感器（如可穿戴设备）、电源和节能需求、高效存储以及数据通信等问题。

2. 研究动机与目标

在物联网中，云、雾和边缘系统通常单独或组合使用，用于数据存储和处理。这些系统中的资源需要由不同任务共享，资源共享、分布式数据处理和时间调度等过程通常被称为资源分配、资源管理和负载平衡。节能、长电池寿命和低计算负载过程通常被称为卸载。通过卸载方法，可以提高资源利用率、处理能力并降低响应时间，从而提升系统性能。

本研究旨在探讨物联网系统中的有限和共享资源，并评估有效共享资源的解决方案。同时，确定近年来系统基础设施以及人工智能和优化方法在该领域的发展趋势，为未来的研究提供指导和参考。

3. 云、雾和边缘计算系统

3.1 雾计算

雾计算为数据处理和存储提供了本地解决方案，它将云计算提供的存储、网络和计算能力扩展到物联网网络的边缘，是提高系统性能和效率的一个重要因素。

雾计算通常采用三层架构：
- 第一层：由传感器节点、智能设备和支持物联网的设备等终端设备组成。
- 第二层：由路由器、网关、交换机和接入点等雾节点组成，这些节点负责存储和计算活动。
- 第三层：由远程云服务器组成，提供高存储和计算服务。

资源受限的终端设备获取的数据由雾节点处理，结果会传输到云端进行永久存储，或者作为响应发送到移动终端设备。这样可以减少延迟并保护传输到云端的数据。

雾计算的特点包括低延迟、创建安全步骤、位置感知和本地化。

3.2 边缘计算

边缘计算和雾计算一样，也为数据管理提供本地解决方案。不同的是，边缘计算的计算负载集中在传感器和移动设备等终端设备上，它是完全本地化的。

在边缘计算系统中，对时间敏感的数据会在智能设备上进行处理和存储，其他数据则会发送到云端。边缘计算可以覆盖比雾计算更大的地理区域，适用于汽车系统、智慧城市等远程和广泛的地理环境。

3.3 云计算

云计算通过远程服务器对数据进行优化和管理，数据会直接发送到云服务器进行存储和处理。不过，由于数据在未加密的情况下通过互联网发送到云端，可能会存在数据安全风险。虽然可以在终端设备上进行数据安全处理，但由于终端设备资源有限，成本较高。

云计算系统适用于任务最大等待容忍度高于某个阈值的物联网应用。而在等待容忍度必须低于某个阈值的物联网应用中，将云计算系统与雾计算或边缘计算结合使用，可以提高应用的性能。

3.4 三种计算方式的比较

特征	云计算	雾计算	边缘计算
延迟	高	低	低
响应时间	高	低	高
数据处理和存储过程	通过互联网访问的设备	雾层中的设备	边缘设备
位置	全局	本地	本地
操作模式	连接互联网	网络边缘	网络边缘
存储和数据处理能力	高	高	低
移动性	受限	支持	支持

4. 物联网系统中的资源管理

4.1 资源管理问题与挑战

在物联网系统中，几乎所有资源，如服务器资源、传输线路、无线资源等，都需要由多个任务和请求共享。因此，高效、有效地设计资源共享过程至关重要。

资源管理面临的主要问题和挑战包括：
- 高计算复杂度
- 高传输延迟
- 范围缩小
- 有限资源的分配
- 低能源效率
- 服务质量（QoS）要求
- 因资源分配效率低下可能导致的安全问题

4.2 资源管理分类

在近期的研究中，资源管理主要涉及以下几个热门问题：
- 过程管理：任务调度和任务卸载
- 内存管理：资源分配
- 能源管理：能源效率
- 通信管理：负载平衡
- 文件管理：虚拟化和存储

4.3 资源分配方法

在物联网应用中，需要在云、雾和边缘计算等服务器资源，以及频率信道、频谱带宽和传输带宽等方面进行高效的资源分配。以下是一些不同计算系统中的资源分配方法：

4.3.1 云计算系统

• 组合拍卖法 ：满足云系统资源分配中的QoS标准，考虑了高效资源分配的紧迫性，确定了任务违反截止日期的概率和预期值，提高了任务完成的成功率。
• 机器学习算法 ：通过人工智能控制器对网络信息进行集中管理，为消息队列遥测传输（MQTT）协议设计算法，降低带宽消耗并建立机器间关系，性能和可用性优于传统物联网通信系统。
• 任务预规划法 ：在WebIDE云系统中，通过任务预规划估算任务并分配可用资源。将任务按要求分为三类，用马尔可夫状态矩阵计算任务间的转移概率，设计预测模型，最后用蚁群算法进行预规划实现云资源分配，减少任务响应时间并提高资源利用率。
• 鲸鱼优化算法 ：降低任务成本和处理时间，为任务分配最合适的资源。对距离算法、螺旋算法、收缩算法和搜索猎物算法进行重新设计，检测资源分配问题并进行优化。

4.3.2 雾计算系统

• 用户关联和资源分配法 ：考虑可靠和低延迟通信以及移动宽带的QoS要求，用层次分析法确定物联网应用QoS要求的优先级，在雾网络协调器中创建双边比较矩阵，进行双边匹配，实现资源分配，提供有效资源分配和用户关系稳定性。
• 学生 - 项目分配游戏算法 ：解决无线电或计算资源分配问题，提高系统优化和用户满意度。同时提出用户导向协作方法，消除外部影响导致的冲突，通过最佳资源分配政策消除外部性，比类似研究更高效。
• 马尔可夫决策过程 ：用于雾无线电接入网络（Fog - RAN）的资源分配，使用强化学习方法（如SARSA、预期SARSA、Q学习和蒙特卡罗）找到最佳策略，使任务在雾节点中充分利用资源，实现低延迟的高性能。
• 多标准决策方法 ：基于多标准决策（MCDM）的负载平衡方法，防止网关拥塞导致的安全问题。用层次分析法解决负载平衡操作，作为多目标优化问题在混合整数线性规划中效果最佳，为用户提供可靠和快速的结果。
• 资源分配方案 ：最小化雾计算开销并满足QoS要求，包括基于层次分析法确定QoS参数和任务优先级、资源块分配方法确定分配资源、双边匹配游戏方法优化关系，实现高效负载平衡，为用户提供QoS并减少额外负载。

4.3.3 边缘计算系统

• 拉格朗日和KKT结构法 ：在边缘服务器（ES）和边缘网关（EG）之间进行资源管理，包括确定边缘服务器和网关的最有效资源分配算法，以及考虑网关工作负载并进行规划的启发式算法，提供工作负载公平性和高效资源分配。
• 资源分配算法 ：找到符合服务级别协议（SLA）可靠性的最佳策略，基于马尔可夫决策过程（MDP）的模型使资源适应服务，通过强化学习（RL）实现高级资源分配，比类似方法更高效。
• 深度强化学习法 ：用于传输功率、资源分配、负载平衡和低延迟的深度强化学习（DRL）资源调度方案。使用相关和正则化堆叠自动编码器（2r - SAE）算法压缩高维数据，采用自适应模拟退火（ASA）定制结构使DRL有效搜索，训练网络并找到最佳负载平衡，达到最佳性能并减少处理时间。
• 联合通信和计算资源分配算法 ：优化智能城市应用中移动边缘计算（MEC）系统的能源和资源受限处理延迟。通过多段Q学习卸载算法和端平台的拉格朗日迁移算法优化计算成本，保持低延迟，在能源消耗和卸载问题上实现更好性能，满足QoS。
• 机器学习算法 ：使用机器学习方法进行边缘系统的动态资源分配。根据k - 均值算法对用户进行分组，最高优先级组在边缘服务器上进行计算，最低优先级组在本地进行计算，其他组根据MDP模型进行处理。使用深度Q网络（DQN）方法控制高维数据并找到最佳策略，以较低成本实现与类似方法相同的性能。
• 优化方案 ：用于物联网系统中使用MEC的异构网络的高效能源消耗、最佳资源分配和负载计算管理。将问题分为最优CPU频率解决方案、基于连续凸逼近（SCA）的功率管理算法和分布式负载计算与资源分配等子问题，开发算法解决这些问题，实现低延迟和高效计算复杂度的处理。
• 合作边缘计算任务分配方案 ：减少任务完成时间，基于改进的粒子群优化（TCA - IPSO）算法设计双边缘节点合作任务分配，通过遗传算法中的交叉和变异改进优化过程，相比类似算法减少平均任务完成时间，可应用于大型物联网系统。
• 高效资源分配政策 ：最小化平均截止日期和平均资源需求，用MDP公式化问题，设计基于DQN的算法解决问题，比标准DQN算法和类似研究更有效地分配资源，减少资源使用和任务完成时间。
• 任务卸载和资源分配方法 ：优化与MEC集成的云无线电接入网络（C - RAN）结构中的网络能源效率。将问题分为Lyapunov优化理论、任务卸载和资源调度的凸分解方法、原始问题和无线电资源分配的匹配游戏等四个子问题，在能源效率和延迟方面取得良好效果。

4.3.4 通用资源分配方法

• 资源分配和传输速度改进模型 ：在绿色物联网中提供优质体验（QoE），使用最短路径树（SPT）、带中心性的最短路径树（SPTC）和DQN算法进行资源分配。在以内容为中心的物联网系统中，针对异构资源同时使用三种算法，实现高效资源分配和高传输速度，达到高QoE性能。
• Lyapunov方案 ：通过开发两个时间尺度的资源分配算法，优化绿色物联网系统的能源成本。该方案包括能源管理、数据收集控制和基于交叉熵的信道规划三个部分，旨在长期提供能源和频谱资源，验证了分析和算法的效率。
• 非正交多址接入法 ：用于异构物联网系统的基于非正交多址接入（NOMA）的能源高效资源分配。为认知无线电网络中的移动用户和物联网用户规划逐步资源分配，用深度递归神经网络（RNN）算法解决问题，以低计算复杂度产生最优解，在功率和能源方面比类似方法更高效。
• 资源分配方案 ：针对窄带物联网（NB - IoT）系统，提出对干扰敏感并最大化速度的资源分配方案，开发合作和迭代算法找到资源分配的最优解，实现下行链路89.2 Kbps和上行链路92 Kbps的数据速率，改善系统性能并节能。
• Stackelberg博弈论法 ：在由混合接入点（HAP）和大量传感器组成的物联网系统中，基于Stackelberg博弈论提出资源分配方案，旨在最小化传输成本和能量转移成本。用Stackelberg博弈模型分析问题，用平均场博弈方法创建目标函数，为HAP和传感器提供最优功率控制并降低成本。
• 自动资源分配模型 ：避免物联网网络中的干扰，使用扩频时间技术和正交频分复用（OFDM）方法防止低功率、带宽限制和干扰，开发联合递归算法在无干扰的情况下分配资源，适用于资源受限的物联网系统。
• 分布式和Q学习算法 ：用于集群物联网网络的时隙规划，防止多信道系统中的干扰并提高信号噪声比（SIR），使每个通信设备在合适的SIR水平进行信道分配，使物联网网络接近无冲突传输。
• 低复杂度框架 ：用于无线物联网网络中频谱和能源等有限资源的高效分配。将用户按信道分组，设计为多对一匹配游戏，开发基于MDP的功率分配算法和信道分配算法，高效且复杂度低。
• 交替方向乘子法 ：解决大规模资源分配问题，使用Dinkelbach算法实现最佳能源效率，用雅可比和ADMM并行算法优化控制器网络延迟，基于Stackelberg博弈方法的两层迭代资源分配算法解决控制器和区域物联网服务器之间的目标冲突，在可扩展性和接近最优方面表现高效。
• 多智能体深度强化学习方案 ：优化共享信道分配和传输功率，使用优先经验回放（PER）提高网络性能和传输效率，确保分布式环境中的协作，通过节能和满足QoS要求提高资源管理性能。

5. 资源分配方法总结与分析

5.1 不同计算系统资源分配方法对比

计算系统	资源分配方法	主要优势
云计算系统	组合拍卖法、机器学习算法、任务预规划法、鲸鱼优化算法	提高任务完成成功率、降低带宽消耗、减少任务响应时间、降低任务成本和处理时间
雾计算系统	用户关联和资源分配法、学生 - 项目分配游戏算法、马尔可夫决策过程、多标准决策方法、资源分配方案	提供有效资源分配和用户关系稳定性、消除外部性、实现低延迟高性能、防止网关拥塞、实现高效负载平衡
边缘计算系统	拉格朗日和KKT结构法、资源分配算法、深度强化学习法、联合通信和计算资源分配算法、机器学习算法、优化方案、合作边缘计算任务分配方案、高效资源分配政策、任务卸载和资源分配方法	提供工作负载公平性、实现高级资源分配、达到最佳性能并减少处理时间、优化能源和资源受限处理延迟、实现低延迟和高效计算复杂度处理、减少任务完成时间、有效分配资源、优化网络能源效率
通用资源分配方法	资源分配和传输速度改进模型、Lyapunov方案、非正交多址接入法、资源分配方案、Stackelberg博弈论法、自动资源分配模型、分布式和Q学习算法、低复杂度框架、交替方向乘子法、多智能体深度强化学习方案	实现高效资源分配和高传输速度、优化能源成本、以低计算复杂度产生最优解、实现高速数据传输并节能、提供最优功率控制并降低成本、避免干扰、防止多信道干扰、高效分配有限资源、解决大规模资源分配问题、优化共享信道分配和传输功率

从上述表格可以看出，不同计算系统的资源分配方法各有其特点和优势，适用于不同的场景和需求。云计算系统的方法更侧重于提高任务完成率和资源利用率；雾计算系统注重解决外部性和实现低延迟；边缘计算系统则强调在资源受限情况下的高效处理和能源优化；通用资源分配方法则具有更广泛的适用性，可解决多种资源分配问题。

5.2 资源分配方法的发展趋势

近年来，资源分配方法呈现出以下发展趋势：
- 智能化 ：越来越多的方法采用人工智能和机器学习技术，如深度学习、强化学习等，以实现更智能、高效的资源分配。例如，鲸鱼优化算法、深度强化学习法等。
- 多目标优化 ：不仅考虑单一目标，如资源利用率或任务完成时间，而是综合考虑多个目标，如能源效率、服务质量等，以实现更全面的优化。例如，联合通信和计算资源分配算法同时考虑了能源和资源受限处理延迟。
- 分布式协作 ：随着物联网系统的规模不断扩大，分布式协作的资源分配方法变得越来越重要。例如，多智能体深度强化学习方案通过多个智能体的协作，实现资源的优化分配。
- 隐私保护 ：在工业物联网等领域，数据隐私问题日益受到关注。因此，一些方法开始注重保护数据隐私，如分布式联邦学习结构。

6. 物联网资源分配与管理的未来展望

6.1 面临的挑战

尽管目前已经有很多资源分配和管理方法，但物联网资源分配与管理仍然面临一些挑战：
- 资源动态性 ：物联网系统中的资源状态和需求是动态变化的，如何实时、高效地进行资源分配是一个挑战。
- 异构性 ：物联网设备和系统具有高度的异构性，包括不同的硬件平台、操作系统、通信协议等，这增加了资源分配和管理的复杂性。
- 安全性 ：随着物联网的发展，安全问题变得越来越重要。如何在资源分配和管理过程中保障数据安全和隐私是一个亟待解决的问题。
- 标准和规范 ：目前物联网领域缺乏统一的标准和规范，这使得不同系统之间的互操作性和资源共享变得困难。

6.2 未来发展方向

为了应对上述挑战，未来物联网资源分配与管理可能朝着以下方向发展：
- 自适应资源分配 ：开发能够根据资源动态变化实时调整分配策略的自适应资源分配方法。
- 跨系统集成 ：研究如何实现不同异构系统之间的资源共享和协同工作，提高整个物联网系统的效率。
- 安全增强型资源管理 ：将安全机制融入资源分配和管理过程中，保障数据安全和隐私。
- 标准化建设 ：推动物联网领域的标准和规范制定，促进不同系统之间的互操作性和资源共享。

6.3 总结

物联网资源分配与管理是物联网发展中的一个关键问题。通过对云、雾、边缘计算等不同计算系统的资源分配方法的研究和分析，我们可以看到各种方法都有其优势和适用场景。未来，随着物联网技术的不断发展，资源分配和管理方法也将不断创新和完善，以应对日益复杂的挑战。

以下是物联网资源分配与管理的整体流程的 mermaid 流程图：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px;

    A([开始]):::startend --> B{选择计算系统}:::decision
    B -->|云计算| C(云计算资源分配方法):::process
    B -->|雾计算| D(雾计算资源分配方法):::process
    B -->|边缘计算| E(边缘计算资源分配方法):::process
    B -->|通用| F(通用资源分配方法):::process
    C --> G(评估资源分配效果):::process
    D --> G
    E --> G
    F --> G
    G --> H{是否满足要求}:::decision
    H -->|是| I([结束]):::startend
    H -->|否| B

该流程图展示了物联网资源分配与管理的基本流程，首先选择计算系统，然后根据选择的系统采用相应的资源分配方法，接着评估资源分配效果，若不满足要求则重新选择计算系统进行资源分配，直到满足要求为止。

总之，物联网资源分配与管理是一个复杂而重要的领域，需要不断地研究和探索，以推动物联网技术的发展和应用。