面向工业智能化服务的云雾计算系统的制作方法

本发明属于工业物联网及雾计算领域，尤其设计一种面向工业智能化服务的云雾计算系统。
背景技术：
：工业4.0背景下，越来越多的物体智能化，万物互联，物联网进入工厂。随着工业物联网的飞速发展，工业数据正呈现出爆炸式增长，这些数据具有较大的价值，为工业智能化服务提供源数据。传统方式下，海量数据的高效处理可以采用云计算的方式实现。然而，工业物联网中组网情况一般比较复杂，底层装备的计算能力有限，其传输带宽和可靠性具有一定约束。此外，工业物联网还具有地理分布范围广和通信数据量小的特点。这些特点使得工业物联网中智能化服务的应用具有多尺度时延敏感性和多尺度计算复杂性需求。雾计算，作为云计算的强大补充，更加适应物联网的数据和通信需求。雾计算是一种分布式的计算模型，位于云数据中心和物联网设备/传感器之间的中间层，它提供了计算、网络和存储设备，让基于云的服务可以离物联网设备和传感器更近。雾计算概念的引入，就是为了应对传统云计算在工业物联网应用时所面临的网络阻塞、高延时、低服务质量等挑战。目前关于物联网中云雾计算架构的研究大多没有针对特定的应用场景，无法满足工业物联网中智能化服务应用对时延敏感性和计算复杂性多尺度需求。技术实现要素：本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种面向工业智能化服务的云雾计算系统，从而满足工业物联网中智能化服务应用对时延敏感性和计算复杂性多尺度需求。本发明的技术方案是：一种面向工业智能化服务的云雾计算系统，包括：iot基础设施子系统，用于采集地理分布式的工业物联网数据并发送至雾计算子系统、向雾计算子系统发送任务请求、及接收雾计算子系统返回的控制指令；雾计算子系统，用于接收所述iot基础设施子系统发送的工业物联网数据和任务请求、根据任务请求分配计算资源、对工业物联网数据进行预处理并向所述iot基础设施子系统返回控制指令和计算结果、将工业物联网数据和任务请求上传至云计算子系统；云计算子系统，用于接收所述雾计算子系统上传的工业物联网数据和任务请求并保存、根据任务请求进行数据处理。进一步地，所述iot基础设施子系统包括传感器节点、终端设备及被控终端；所述传感器节点，用于采集地理分布式的工业物联网数据；所述终端设备，用于向雾计算子系统发送任务请求；所述被控终端，用于接收雾计算子系统返回的控制指令。进一步地，所述雾计算子系统划分为多个雾群，每个雾群包括一个雾管理节点及分别与所述雾管理节点连接的雾节点；所述雾管理节点包括雾网络设备，用于管理雾群中所有雾节点、接收所述iot基础设施子系统发送的任务请求并根据任务请求分配计算资源；所述雾节点包括雾网络设备及虚拟网络功能模块，用于接收所述iot基础设施子系统发送的工业物联网数据、接收所述雾管理节点分配的任务请求、对工业物联网数据进行预处理并保存。进一步地，所述雾计算子系统根据任务请求分配计算资源具体包括以下步骤：a、将资源调度问题中的雾节点的网络拓扑图、任务请求集合和调度问题描述公式化表示，建立资源分配矩阵和双适应度函数；b、初始化自适应遗传算法的种群规模和最大迭代次数，设置种群迭代结束条件，建立染色体编解码方案；c、对种群进行初始化；d、根据适应度函数计算当前种群每条染色体的适应度值；e、分别通过选择算子、交叉算子和变异算子对种群的遗传进行搜索；f、判断当前种群是否满足种群迭代结束条件；若是则完成计算资源分配；若否则返回步骤d。进一步地，所述步骤a中雾节点的网络拓扑图公式化表示为fg＝(f,d)其中，f为所有雾节点集合，d为雾节点之间链路集合；任务请求集合公式化表示为r＝{r1,r2...rm}其中，ri为第i个任务请求；调度问题描述公式化表示为根据雾节点的网络拓扑图fg和任务请求集合r，形成任务请求与雾节点的一一映射；资源分配矩阵为其中，alij为0或1，alij＝1表示任务请求ri分配给雾节点fj执行，alij＝0表示任务请求ri不分配给雾节点fj执行。进一步地，所述步骤b中种群迭代结束条件具体为迭代次数达到最大迭代次数、最优解出现或者迭代时间达到约束时间；建立染色体编解码方案中染色体编码方案为采用间接编码的方式将每一个任务请求映射给一个雾资源，单个任务请求对应单个雾资源，单个雾资源可对应多个任务请求，染色体中的每一位都用正整数来表示任务请求和雾资源的编号，染色体长度为任务请求总数，染色体上的基因值则相当于分配给该任务的雾资源编号，染色体的索引值代表任务请求编号；建立染色体编解码方案中染色体解码方案为根据染色体编码规则将染色体解码表示为资源分配矩阵，得到雾节点分配方案。进一步地，所述步骤c对种群进行初始化具体为设定种群中一条染色体的生成规则为染色体长度为m，基因值为染色体索引值对应任务的来源节点编号，其余染色体的基因值随机生成。进一步地，所述步骤d根据适应度函数计算当前种群每条染色体的适应度值中最大时间跨度适应度函数表示为：其中，tmax为最大完成时间；任务执行的通信开销适应度函数表示为：其中，cload为通信开销。进一步地，所述步骤e中通过选择算子对种群的遗传进行搜索具体包括以下分步骤：e11、分别计算种群中每个染色体si的选择概率p1(i)和p2(i)；e12、分别计算种群中每个染色体si的累计概率q1(i)和q2(i)；e13、从当前的种群中，以概率c1和c2分别选择以选择概率p1(i)或选择概率p2(i)来选择个体，其中0<c1,c2<1，c1+c2＝1；再以选中的选择概率p1(i)或选择概率p2(i)选择下一代个体，得到下一代种群。进一步地，所述步骤e中通过交叉算子和变异算子对种群的遗传进行搜索具体包括以下分步骤：e21、分别计算种群中每个染色体si对于两个适应度函数的适应度值f1(i)和f2(i)，选择其中较小的适应度值作为交叉的标准f(i)，计算平均适应度值f1(avg)和f2(avg)；e22、从种群中任意选择两个染色体，计算染色体的交叉概率pchange和变异概率pvariation；e23、在m-1个交叉点中随机产生一个交叉点，以交叉概率pchange交换两个染色体自该点以后的所有基因；e24、在m个变异点中随机产生一个变异点，以变异概率pvariation从{1,2,3,...,n}基因库中随机产生一个变异基因替换原有基因；e25、重复步骤e22-e24共s次，完成种群遗传搜索。本发明的有益效果是：本方法采用iot基础设施子系统、雾计算子系统和云计算子系统组成云雾计算系统架构，适用于工业智能化服务应用，满足了工业物联网中智能化服务应用对时延敏感性和计算复杂性多尺度需求；同时针对计算架构中雾资源的协同工作采用自适应遗传算法进行资源调度，能够同时兼顾任务的时延性能和通信资源的开销。附图说明图1是本发明的面向工业智能化服务的云雾计算系统的结构示意图。图2是本发明的面向工业智能化服务流向示意图。图3是本发明实施例中计算资源分配流程示意图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。如图1所述，为本发明的面向工业智能化服务的云雾计算系统的结构示意图。一种面向工业智能化服务的云雾计算系统，包括：iot基础设施子系统，用于采集地理分布式的工业物联网数据并发送至雾计算子系统、向雾计算子系统发送任务请求、及接收雾计算子系统返回的控制指令；雾计算子系统，用于接收所述iot基础设施子系统发送的工业物联网数据和任务请求、根据任务请求分配计算资源、对工业物联网数据进行预处理并向所述iot基础设施子系统返回控制指令和计算结果、将工业物联网数据和任务请求上传至云计算子系统；云计算子系统，用于接收所述雾计算子系统上传的工业物联网数据和任务请求并保存、根据任务请求进行数据处理。如图2所示，为本发明的面向工业智能化服务流向示意图。本发明将工业物联网中智能化服务分为三类：一级服务，雾级服务和云级服务。其中：一级服务是针对实时类应用，每个雾节点固定与某些特定请求的服务映射，例如监测固定设备的故障情况和预测预警等，这些服务在固定雾节点中执行。雾级服务是针对具有一定计算量的半实时类应用，这些服务由雾管理节点进行统一调度分配。例如工厂设备监控中心向雾管理节点设备请求对某些设备进行性能评估或工厂内智能机器人等智能终端请求工业数据查询与下载服务，以及工厂内智能机器人等智能终端请求定位等。云级服务是针对必须在云数据中心执行的超大计算量的非实时类应用，例如市场分析和企业决策等。本发明的iot基础设施子系统包括传感器节点、终端设备及被控终端；所述传感器节点，用于采集地理分布式的工业物联网数据；所述终端设备，用于向雾计算子系统发送任务请求；所述被控终端，用于接收雾计算子系统返回的控制指令。iot基础设施子系统中传感器节点采集地理分布式的工业物联网数据，并将数据发送给与之相连的雾节点。iot基础设施层中的工业机器人和其他智能终端，发送任务请求给雾计算层，并接收请求结果。iot基础设施层中的受控终端接收雾计算层发来的相关控制指令。本发明的雾计算子系统由具有一定计算和存储能力的边缘雾网络设备互连组成，其中雾网络设备包括如交换机、路由器等传统硬件设备，以及利用网络功能虚拟化(nfv)技术运行在通用服务器上的虚拟网络功能(vnfs)。雾计算子系统以雾群为单位划分为多个雾群。雾群是指一部分雾网络设备互连组成的群体，其划分依据为：以容量c为阈值，即雾群中雾资源的最大容量，同时考虑区域内雾资源的分布特点及其密度。从雾群中，选择一个功能最强的雾节点作为该雾群的雾管理节点，并保证雾管理节点与雾群中的所有雾节点相连，同时该雾管理节点也作为该雾群的网关节点，即雾节点通过网关节点与外网的云数据中心通信。雾管理节点是能力较强的边缘网关设备，其功能是管理雾群中所有雾节点，接收iot基础设施子系统发送的任务请求并进行统一调度，为任务请求分配合适的雾资源。雾节点是具有一定计算、网络、存储资源的边缘设备或nfv节点，其功能是控制和监视底层iot设备，接收底层工业数据并进行预处理及存储；接收雾管理节点分配的任务请求，本地执行任务，或者将工业数据发送给其他雾节点。雾节点通过单跳低延迟无线链路与邻近的底层iot设备通信。雾计算子系统接收传感器发来的工业物联网数据，并进行数据预处理。雾计算子系统根据不同的服务，有不同的执行方式。一级服务为固定雾节点上的如故障检测等特定请求，这些实时类应用固定部署在雾节点，用于监测固定工业设备和环境。雾节点会根据计算结果将控制指令发送给被控终端。云级服务为必须在云数据中心执行的超大计算量的非实时类应用，例如市场分析和企业决策等。云级服务固定部署在云数据中心，雾计算子系统将云级服务相关数据进行预处理后发送给云数据中心。雾级服务部署在雾节点上，由雾管理节点进行统一调度分配，以达到雾资源协同工作，提高效率和资源利用率。这些服务不对时延有严格要求，雾计算子系统也能处理其计算复杂度要求。雾管理节点收集所有雾级服务请求，并进行周期性地统一调度分配，雾节点接收调度指令，将任务相关数据交与其他雾节点。云计算子系统由高性能的服务器集群组成，具有强大的计算及存储能力；其功能是提供云存储，云计算，大数据分析等高容量、高延迟服务请求。本发明针对上述云雾计算系统提出了一种基于自适应遗传算法的雾资源调度方法，能够同时在任务执行的时延性能和雾通信资源的开销方面有良好的表现。如图3所示，为本发明实施例中计算资源分配流程示意图，包括以下步骤：a、将资源调度问题中的雾节点的网络拓扑图、任务请求集合和调度问题描述公式化表示，建立资源分配矩阵和双适应度函数；b、初始化自适应遗传算法的种群规模和最大迭代次数，设置种群迭代结束条件，建立染色体编解码方案；c、对种群进行初始化；d、根据适应度函数计算当前种群每条染色体的适应度值；e、分别通过选择算子、交叉算子和变异算子对种群的遗传进行搜索；f、判断当前种群是否满足种群迭代结束条件；若是则完成计算资源分配；若否则返回步骤d。在步骤a中，雾节点的网络拓扑图公式化表示为fg＝(f,d)其中，f为为顶点集合，表示所有雾节点集合，即f＝{f1,f2...fn}，fi表示第i个雾节点，每个雾节点的处理速率为fpi；d为边集合，表示雾节点之间链路集合，即d＝{b12,b13...bij}，bij表示雾节点fi与雾节点fj之间的链路带宽，0表示链路不可达。任务请求集合公式化表示为r＝{r1,r2...rm}其中，ri为第i个任务请求；每个任务请求具有三元属性(rwi,rci,si)，rwi表示任务请求ri的工作负载(计算量)，rci表示任务请求ri的通信负载(通信量)，si表示任务请求ri的数据来源节点。问题描述为给定输入为雾节点的网络拓扑图fg和任务请求集合r，调度程序给出合适的资源调度表，即任务与雾资源的一一映射。将调度目标进行公式化，资源分配矩阵为其中，alc为为m＊n的任务分配矩阵，alij取值为0或1，alij＝1表示任务请求ri分配给雾节点fj执行，alij＝0表示任务请求ri不分配给雾节点fj执行。最大完成时间表示为通信开销表示为在步骤b中，本发明基于自适应遗传算法进行雾资源调度，借鉴生物进化论中遗传、突变、自然选择以及杂交等生物现象进行种群优化，寻找最优个体；将种群中的个体(染色体)作为一个解，采用双适应度函数评价个体的优劣。遗传操作主要分为选择、交叉和变异三种算子，在选择操作过程中采用轮盘赌方法，在进行优胜劣汰的同时也能保持基因的多样性。在交叉操作过程中，采用传统单点交叉法，并引入自适应机制，其随机性保持了个体多样性、避免搜索陷入局部最优，很好地保护较优体从而对全局最优值进行自适应定位，满足快速寻优的能力。在变异操作过程中，同样引入自适应机制，对种群中个体的变异概率作自适应变化，在增加种群基因多样性的同时也能保留良好基因。本发明初始化种群规模为s、最大迭代次数为imax，选择概率常数c1和c2，交叉和变异概率的系数常数k1和k2、m1和m2，设置种群迭代结束条件为：迭代次数达到最大迭代次数、最优解出现或者迭代时间达到约束时间；染色体编码方案为：对于一个最优化问题，一定数量的候选解(称为个体)可抽象表示为染色体。遗传算法采用对染色体进行编码的方式，使一个染色体对应优化问题的一个解。一般的编码方式有直接编码和间接编码。本文采用间接编码的方式将每一个任务请求映射给一个雾资源。单个任务请求对应单个雾资源，单个雾资源可对应多个任务请求。染色体中的每一位都用正整数来表示任务请求和雾资源的编号。染色体长度为任务请求总数，染色体上的基因值则相当于分配给该任务的雾资源编号。染色体的索引值代表任务请求编号。雾群中，雾节点总数为n，任务请求总数为m，则染色体编码方式如表1所示。其中，{n1,n2,n3...nx}为1到n的正整数。表1染色体编码方案任务请求编号r1r2r3…rm雾资源编号n1n2n3…nx染色体解码方案为：根据染色体编码规则将染色体解码表示为资源分配矩阵，得到雾节点分配方案。例如，若某个染色体为{3,2,2,1,3,4}，资源分配矩阵表示为则表示雾节点f1执行任务r4，雾节点f2执行任务r2和r3，雾节点f3执行任务r1和r5，雾节点f4执行任务r6。在步骤c中，初始化s条染色体，一条染色体生成规则为：由于每个任务ri都有一个请求来源节点si，即请求所需的输入数据所在的节点。于是该条染色体长度为m，基因值为染色体索引值对应任务的来源节点编号。即每个任务都在其请求来源节点上执行，即所有任务都在本地执行。这样该条染色体的通信负载为最优，但其时间跨度不是最优。其余s-1条染色体随机生成，染色体长度为m，单个基因的随机值范围为[1,2,3,…,n]，这样以保证染色体的多样性，避免局部最优。在步骤d中，适应度函数表示：遗传算法是通过不断迭代，寻找最优个体。在每一代中，都会评价每一个个体，并通过计算适应度函数得到适应度数值。适应度数值越大，代表个体的质量越好。基于适应度从当前种群中选择出后代个体，并通过交叉和变异产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。鉴于雾资源调度中一个重要指标是时延，且边缘设备的通信资源紧缺，那么减少通信负载也是调度优化的重要指标。所以适应度函数的选择方面考虑了任务执行的最大时间跨度和通信开销两方面。将任务执行的最大时间跨度适应度函数表示为：其中，tmax为最大完成时间；根据染色体解码出的资源分配矩阵可计算得到最大时间跨度的适应度数值。任务执行的通信开销适应度函数表示为：其中，cload为通信开销；根据染色体解码出的资源分配矩阵可计算得到通信开销的适应度数值。在步骤e中，本发明进行种群的遗传搜索过程是通过选择、交叉、变异三种具有生物学意义的遗传算子来实现的。其中，选择算子推动种群朝着适应度值更高的方向演化，交叉算子模仿自然界有性繁殖的基因重组过程,将原有的优良基因遗传给下一代个体，变异算子是为种群多样性服务的，其拓展了新的搜索空间,避免种群过早局部收敛。选择算子是模拟生物学中优胜劣汰的概念，本发明采用轮盘赌的选择方式，即各个个体被选中的概率与其适应度大小成正比。选择操作会将优秀的基因保留下来，但是不会产生新的基因，具体选择方式为从当前的种群中，以概率c1和c2分别选择是以p1(i)还是p2(i)来选择个体。其中0<c1,c2<1，c1+c2＝1，c1和c2代表着对时延和通信开销的看重程度。然后再以选中的p1(i)或p2(i)为选择概率，来选择下一代个体。交叉算子是遗传算法中主要的搜索算子,它模仿自然界有性繁殖的基因重组过程,将原有的优良基因遗传给下一代个体。主要方式是通过对当前父代个体的染色体基因进行交叉以产生新的个体。本文采用传统的单点交叉的方式，并引入个体自适应的机制，即其交叉的概率随适应度值改变。每个染色体任意两个相邻基因位之间设一个交叉点，从左到右依次为1,2,…,m-1,共m-1个不同的交叉点。单点交叉是在m-1个交叉点中随机选择一点,交换两个染色体自该点以后的所有基因。交叉概率为其中，f1(avg)和f2(avg)分别为最大时间跨度和通信开销的平均适应度值，pchange为两个个体的交叉概率。两个交叉的个体会分别有两个适应度数值，选择四个适应度数值中最小对应的适应度函数作为交叉的标准，即f1(i)和f2(i)中选择一个作为标准f(i)，即f(i)＝[f1(i)|f2(i)]，f(avg)＝[f1(avg)|f2(avg)]，f'为两个个体中较大的f(i)，fmax为当代种群中最大的f(i)。其中k1,k2为交叉概率的常系数，0<k1,k2<1。变异算子采用基本位变异，随机选择一个新的资源去替换原有的资源。变异会产生新的基因，提供种群多样性。变异也并引入个体自适应的机制，即其变异的概率随适应度值改变。变异概率为其中，pvariation为个体的变异概率。以当前个体较小的适应度数值对应的适应度函数作为变异的标准，即f1(i)和f2(i)中选择一个作为标准f(i)，f(i)＝[f1(i)|f2(i)]，f(avg)＝[f1(avg)|f2(avg)]，f为f(i)对应的适应度数值，fmax为当代种群中较最大的f(i)。其中m1和m2为变异概率的常系数，0<m1,m2<1。本发明通过选择算子对种群的遗传进行搜索具体包括以下分步骤：e11、分别计算种群中每个染色体si的选择概率p1(i)和p2(i)；e12、分别计算种群中每个染色体si的累计概率q1(i)和q2(i)；e13、从当前的种群中，以概率c1和c2分别选择以选择概率p1(i)或选择概率p2(i)来选择个体，其中0<c1,c2<1，c1+c2＝1；再以选中的选择概率p1(i)或选择概率p2(i)选择下一代个体，得到下一代种群。上述步骤e13具体包括：s1、在[0,1]之间产生一个均匀分布的伪随机数r1，若r1≤c1，则以p1(i)概率来选择染色体，进行步骤e15；s2、在[0,1]之间产生一个均匀分布的伪随机数r1，若c1<r1，则以p2(i)概率来选择染色体，进行步骤e16；s3、在[0,1]之间产生一个均匀分布的伪随机数r2，若r2<q1(1)，则选择染色体1；否则选择染色体k，满足q1(k-1)<r2≤q1(k)成立；s4、在[0,1]之间产生一个均匀分布的伪随机数r2，若r2<q2(1)，则选择染色体1；否则选择染色体k，满足q2(k-1)<r2≤q2(k)成立；s5、重复步骤s1-s4共s次，得到下一代种群。本发明通过交叉算子和变异算子对种群的遗传进行搜索具体包括以下分步骤：e21、分别计算种群中每个染色体si对于两个适应度函数的适应度值f1(i)和f2(i)，选择其中较小的适应度值作为交叉的标准f(i)，计算平均适应度值f1(avg)和f2(avg)；e22、从种群中任意选择两个染色体，计算染色体的交叉概率pchange和变异概率pvariation；e23、在m-1个交叉点中随机产生一个交叉点，以交叉概率pchange交换两个染色体自该点以后的所有基因；e24、在m个变异点中随机产生一个变异点，以变异概率pvariation从{1,2,3,...,n}基因库中随机产生一个变异基因替换原有基因；e25、重复步骤e22-e24共s次，完成种群遗传搜索。本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。当前第1页12