本发明属于无线通信与计算技术领域，更具体地，涉及一种不同安全约束下基于距离的车联网雾节点遗传分簇方法。
背景技术：
不久的将来必定是万物互联的物联网时代，车联网是物联网在智能交通方面的主要应用，而无人驾驶则是车联网的一种重要实现形式。道路安全问题是限制无人驾驶发展的最大屏障。据统计，全球每年约有120万人死于交通事故而且还在持续增长，损失的财产更是不计其数。智能交通系统的安全性能亟待提高。
由于车联网处于一个复杂多样的网络环境。研究者们从不同的方面，针对各自所考虑请求的特殊性，结合各自的调度算法，将不同请求通过不同网络架构进行处理。目前，主要的网络架构包括：lte蜂窝网络、车辆自组织网络以及云计算网络等。以此为基础，有些研究者们考虑纳入蓝牙、wifi等无线连接技术。
但是，通过上述的架构解决的主要还是车辆用户的娱乐信息和行车效益信息，并不能对车联网的道路安全做出保证。作为车联网的主要协议标准之一，wave协议标准根据车联网中业务请求的不同特征将业务请求划分为道路安全类、交通效率类、信息娱乐类等三类。最关乎车联网道路安全的是道路安全类请求，该类请求涉及道路局部的实时信息，控制车辆的紧急制动、平稳驾驶等行为，对时延有严格的要求。有效响应率指请求发送后能够在时延等要求内得到正确响应的概率。蜂窝网络和云计算网络都有较大时延，车辆自组织网络动态性太强，都不能保证道路安全类请求的有效响应率。
技术实现要素：
针对现有技术的以上缺陷或改进需求，本发明提供了一种不同安全约束下基于距离的车联网雾节点遗传分簇方法，由此解决现有蜂窝网络和云计算网络在应用于车辆自组织网络中，不能保证道路安全类请求的有效响应率的技术问题。
为实现上述目的，本发明提供了一种不同安全约束下基于距离的车联网雾节点遗传分簇方法，包括：
将道路安全类任务划分为制动类、平稳类以及加速类，并分别为各类设置请求优先权，其中，制动类的请求优先权最高，平稳类的请求优先权次之，加速类的请求优先权最低；
由各类的请求优先权得到各类的相对服务强度，由各类的相对服务强度得到各类的安全系数，进而由各类的安全系数得到雾网络的安全系数；
基于各雾节点的计算服务能力以及雾网络的安全系数，从而在预设安全系数约束下，确定雾网络被划分成簇的个数和每个簇中包含的最小雾节点数；
从所有雾节点中选取个数等于分簇簇数的雾节点作为簇头，对于每个簇的簇头，依据剩余各雾节点距离簇头的距离，将雾网络进行划分，其中，从所有雾节点中选取簇头有
分别将雾网络的每个划分结果作为单独的个体，以各雾节点到其各自对应的簇头距离平方之和作为优化目标进行遗传迭代，将末代中的最优个体作为最终的分簇结果。
优选地，所述将道路安全类任务划分为制动类、平稳类以及加速类包括：
将响应时延要求低于d1的请求作为制动类请求，将响应时延要求介于d1与d2之间的请求作为平稳类请求，将响应时延要求介于d2与d3之间的请求作为加速类请求，其中，d1＜d2＜d3，任一请求对应的响应时延为：τ＝τt+τq+τc，τt表示该请求在雾网络中的通信时延，τq表示该请求在雾网络中的排队时延，τc表示该请求在雾网络中的计算时延。
优选地，所述由各类的请求优先权得到各类的请求服务强度包括：
设雾网络被划分为k簇，则由μ'＝μ/k确定各簇的服务率，其中，k为正整数，μ表示总服务率；
由
由ρi＝λi'/μ',
优选地，所述由各类的相对服务强度得到各类的安全系数，进而由各类的安全系数得到雾网络的安全系数，包括：
用pi,n表示第i,i∈1,2,3类请求任务队长为n的概率，则
由
由
优选地，所述基于各雾节点的计算服务能力以及雾网络的安全系数，从而在预设安全系数约束下，确定雾网络被划分成的簇的个数和每个簇中包含的最小雾节点数，包括：
在s≥sth时，由
由
优选地，所述从所有雾节点中选取个数等于分簇簇数的雾节点作为簇头，对于每个簇的簇头，依据剩余各雾节点距离簇头的距离，将雾网络进行划分，包括：
从所有雾节点中选出互异的雾节点作为簇头，其中，所选的雾节点个数等于分簇簇数；
从不包含簇头的剩余雾节点中，依次将距离各簇头最近的雾节点纳入各簇头对应的簇中；
在各簇规模都达到各簇所需的最小雾节点数后，计算没有被划分簇的剩余各节点到各簇头的距离，将各节点纳入到距离其各自最近的簇头所在的簇中。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)在目前的网络基础上，提出了一种新的车联网安全保障网络框架；
(2)通过对请求进行分类，显著提高了系统的安全系数；
(3)通过对雾节点服务能力的量化，保证系统安全底线的情况下，明确了分簇的数目；
(4)提出的分簇算法具有良好的普适性，在各种雾节点分布下都能较快得到较好的分簇结果。
附图说明
图1是本发明实施例提供的一种不同安全约束下基于距离的车联网雾节点遗传分簇方法的流程示意图；
图2是本发明实施例提供的一种分类后不同类的风险系数与允许等待最大队长的关系图；
图3是本发明实施例提供的一种分簇方法的流程图；
图4是本发明实施例提供的一种分簇结果遗传优化流程图；
图5是本发明实施例提供的一种分簇结果进化目标随进化代数变化关系图；
图6是本发明实施例提供的一种均匀分布的分簇结果示意图。
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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出一种专用的车联网雾网络架构，并提供了一种基于距离的车联网雾节点分簇方法，该方法在保证各簇都满足一定的安全约束下，通过对雾节点进行分簇，最大限度的增强系统资源的可调配性。除此之外，该方法引入遗传算法对结果进行优化，使分得的簇在欧几里德距离空间上具有良好的空间特性，即以各雾节点到各自簇头距离平方和为优化目标，通过交叉、变异、选择等方法反复迭代特定代数后选出最优结果。由此解决计算量庞大且结果收敛缓慢的缺陷。
本发明提出的雾网络主要由路边单元、智能电子眼以及智能家居中辅助的固定设备组成，这些雾节点有固定的地理位置，保证了雾网络固定的骨干形态。基于此，本发明提供了一种不同安全约束下基于距离的车联网雾节点遗传分簇方法，如图1所示，该方法主要由分类提高安全系数、量化确定分簇参数、最小距离确定分簇准则以及遗传算法优化分簇结果等四个步骤组成。
分类提高安全系数主要是将道路安全类请求根据请求内在的时延要求进一步划分为制动类、平稳类和加速类，并将制动类请求的优先权设置为最高，将加速类请求的优先权设置为最低。因其能更精确描述紧要程度，并据此进行调度，故能很大程度上提高系统的安全系数。为加大资源可调配性，可损失微小的安全系数换取系统较大的灵活性。量化雾节点的服务能力，即设定出每个雾结点所能提供的服务能力之后，根据系统所需必备的安全约束，就可确定系统最多可划分的簇数与每簇最少应具备的雾节点规模。以上述两个参数，结合最小距离的准则-“对于每个簇头，依次纳入距离最近的雾节点到该簇，直至簇中雾节点数达到量化步骤中所求出的最小雾节点数，至于剩下的雾节点，则纳入到距离其各自最近的簇头所在的簇中”，就可以确定具体的分簇方法。但是此方法的优劣性很难得到保证，可以把其看成遗传算法中构造个体的方法，利用遗传算法的交叉、变异、选择等操作的反复迭代，最后输出的结果在所考虑的欧几里德空间上就具有了较好的空间特性。
具体地，本发明提供的一种不同安全约束下基于距离的车联网雾节点遗传分簇方法，包括以下步骤：
(1)将道路安全类任务划分为制动类、平稳类以及加速类，并分别为各类设置请求优先权，其中，制动类的请求优先权最高，平稳类的请求优先权次之，加速类的请求优先权最低；
在本发明实施例中，可以根据道路安全类请求个体本身的时延要求对请求个体进行分类，具体为：
响应时延要求低于d1的请求为制动类请求，多是用户高速行驶时的紧急制动请求，此类请求频率很低；响应时延要求介于d1与d2之间的请求为平稳类请求，多是用户中高速行驶时的转弯与平稳行驶等请求，此类请求频率较低；响应时延要求介于d2与d3之间的请求为加速类请求，多是用户中低速行驶时的加速请求，此类请求频率高。其中，d1＜d2＜d3。
在所考虑的雾网络中，λ为道路安全类请求的总到达率，μ为总服务率。其中，制动类到达率λ1＝α·λ；平稳类到达率λ2＝β·λ；加速类到达率λ3＝γ·λ。其中，α、β、γ为比例系数。则：λ1+λ2+λ3＝λ，且d1＜d2＜d3。对于任一具体请求，其响应时延τ可表示为：τ＝τt+τq+τc，其中，τt表示该请求在雾网络中的通信时延，τq表示该请求在雾网络中的排队时延，τc表示该请求在雾网络中的计算时延。为确保请求能得到有效响应，响应时延必须在响应时限内。若上式右端各部分均取最大值仍能满足时限要求，则请求一定能得到有效响应。
一般地，通信的最大时延是在车辆进行簇间切换时产生的时延，最大值可以看为定值。若假设各请求所提交的数据量相当，则计算时延也可以看作定值；进一步的，排队最大时延可表示为最大队长乘以计算时延。然而，由于各用户提交任务可以看成是独立的过程，队长在
若不对请求进行调度，从整体上部署网络节点时，为保证雾网络的安全性，对所有的请求都应付以最严格要求，即把所有请求的时延要求都看为制动类的最小时延要求，这实质是对计算资源的一种浪费。基于精确的各个请求的时延要求，结合排列不等式的结--逆序和不大于乱序和，乱序和不大于顺序和--可以对任务进行精准调度，可以使得计算资源的利用率最大。
实际中，对于某一请求，很难知道其精确的时延要求。但是，根据请求的特征提取，很容易得到该请求所要得到的结果的大致分类，可以将请求分为上述的三类。在调度时，只需要将按类别调度，在一定程度上也能提高计算资源利用率。
在本发明实施例中，设置优先权是根据请求个体的类别对其进行优先权设置，具体为：根据道路安全类请求个体本身内在时延要求的强弱，时延要求越高的请求优先权越高，即制动类请求优先权最高，加速类请求优先权最低。其意义在于：在计算各类请求的服务强度时，应考虑优先权更高的请求对此类请求的影响，即用相对到达率代替请求绝对到达率，用相对服务强度代替绝对服务强度。
设雾网络被划分为k簇，则由μ'＝μ/k确定各簇的服务率，其中，k为正整数，μ表示总服务率；
由
由ρi＝λi'/μ',
(2)由各类的请求优先权得到各类的请求服务强度，由各类的请求服务强度得到各类的安全系数，进而由各类的安全系数得到雾网络的安全系数；
(3)基于各雾节点的计算服务能力以及雾网络的安全系数，从而在预设安全系数约束下，确定雾网络被划分成的簇的个数和每个簇中包含的最小雾节点数；
在本发明实施例中，所有雾节点分为控制雾节点和服务雾节点，服务雾节点中有一定比例用于计算的计算雾节点，此部分雾节点需要量化。各簇服务率即为簇内所有计算雾节点的服务能力之和。
设雾网络中总共有m个节点，需要nk(关于k的函数)个节点参与资源控制与调度，则该雾网络分簇后每簇所能提供的计算能力μ0可表示为：
μ0＝ns·κ·ν，其中，ns表示簇中的最少应该包含的服务雾节点总数，κ表示服务雾节点中参与计算的雾节点比例，ν表示每个雾节点能提供的服务能力。若考虑雾节点的差异性，则上式应写成对所有计算雾节点服务能力求和的形式。
在本发明实施例中，根据请求到达率和簇中服务率，可以从概率论的角度求出各类请求在各自时延要求内的有效响应率，即安全系数。系统安全系数即为各子类安全系数的最小值。
量化过程实质使用一定的数据量表示各雾节点的计算服务能力。简单起见，不考虑雾节点间的差异性，假设各服务雾节点的计算能力相同。由于雾网络中请求的到达和服务都是相互独立的过程，一个请求尚未得到响应，另一个请求就可能已经到达，因此，此雾网络是一个经典的排队系统。
用pi,n表示第i,i∈1,2,3类任务队长为n的概率，则
假设各簇在响应时限di(i＝1,2,3)内最多能处理mi个请求，即请求任务到达时允许该队列待处理的最大队长为mi，则
可定义安全系数：
在本发明实施例中，雾网络的安全系数采用概率的形式描述。任务的到达与服务都可视为相互独立，这就构成了一个马尔科夫过程，采用计算马尔科夫链的方法得到雾网络处于各状态下的概率。满足特定任务处理要求的状态对应的概率之和即为该类任务的安全系数，各类任务安全系数的最小值即为系统安全系数。
另外，依照此方法还可将移动雾节点作为固定雾节点的补充纳入到雾网络中以提高系统安全系数，移动雾节点的入簇和出簇都可看成相互独立，亦可用马尔科夫过程表示。而移动雾节点的纳入和雾网络过剩的服务能力使得雾网络在特定状态下允许部分能量受限节点休眠。
在本发明实施例中，对于特定系统，一般有特定的安全约束sth，请求能在规定时间内得到响应，则认为系统安全，由s≥sth，得：
具体地，
令:
则：
又簇中服务率与节点个数是密切相关的：μ0＝ns·κ·ν
设雾网络中总共有m个节点，需要nk个节点参与资源控制与调度，则可分簇数可表示为：
考虑到k为整数，解得：
此时，每簇对应的服务率即为该簇为保证安全约束的最小服务率，对应的雾节点数即为该簇为保证安全约束的最小规模。若雾节点的服务能力不同，则满足各簇内雾节点的服务率之和不小于上述最小服务率即可。
(4)从所有雾节点中选取个数等于分簇簇数的雾节点作为簇头，对于每个簇的簇头，依据剩余各雾节点距离簇头的距离，将雾网络进行划分，其中，从所有雾节点中选取簇头有
在本发明实施例中，分簇方法基于最小距离准则：在簇的规模未达到要求的最小规模前，以簇头为中心依次纳入最近雾节点；达到要求的最小规模以后，以未操作的雾节点为中心依次纳入到其最近簇头所在的簇。为保证所有雾节点都被不重复且不遗漏地纳入到某一个簇，每次纳入雾节点之后都需要进行剩余节点集的更新。节点集为空则操作终止。具体地，包括以下步骤：
从所有雾节点中选出互异的雾节点作为簇头，其中，所选的雾节点个数等于分簇簇数；
从不包含簇头的剩余雾节点中，依次将距离各簇头最近的雾节点纳入各簇头对应的簇中，直至各簇规模都达到满足安全约束的最小规模；
在各簇规模都达到所需最小规模后，计算没有被划分簇的剩余各节点到各簇头的距离，将各节点纳入到距离其各自最近的簇头所在的簇中。
单从上述分簇方法来看，分簇结果的好坏不仅与所选取的互异簇头有关，还与对各簇头选取最近雾节点的顺序有关。但是此方法的优势在于在事先确定簇头的操作顺序尤其是仿真实现时，由互异的簇头能唯一确定分簇结果。虽然此结果未必最优，但后续步骤将会对此结果进行优化，直至得到满意的结果。
(5)分别将雾网络的每个划分结果作为单独的个体，以各雾节点到其各自对应的簇头距离平方之和作为优化目标进行遗传迭代，将末代中的最优个体作为最终的分簇结果。
在本发明实施例中，根据最小距离准则划分成簇的一种结果即为遗传算法的一个个体。除了设置适当的交叉率和变异率，还引入精英保护和锦标赛选父本的方法来加快结果收敛速度。
精英保护是在遗传的每一代中，无论是变异还是交叉，都不会对该代中的最优几个个体发生作用。也就是说，最优的几个个体必定会遗传到子代中，这可以保证子代的最优个体必不劣于父代的最优个体。锦标赛选父本需要先确定锦标赛规模，然后从父代中随机选取此规模的个体参加锦标赛，适应度越大的个体，在锦标赛中获胜成为父本的概率越大。为保证所有父代中的个体特征都有可能被遗传下来，交叉的另一父本需要对父代进行遍历。由于求出最优解的代价太大，而且无法事先得知最优结果，遗传进化的终止条件可设为进化特定代数，如100000代。循环终止后，末代中的最优个体即所求的较优解。
具体地，遗传算法的主要组成方法包括：初始化种群、选择父本、交叉进化、变异进化、选择进化、终止遗传。
所述初始化种群方法主要是先设定一个确定的种群规模，此规模若过大，则会影响每次迭代的计算时间，考虑到此算法迭代次数比较大，会很影响方法的执行时间；若此规模过小，则在每一代中可供选择的簇头组合会很少，会影响结果趋于最优结果的收敛速度。较好的种群规模可以使分簇结果收敛较快，可根据经验设定。之后，再生成符合此规模个数的随机个体来填充种群，生成随机个体的方法即是前部分所述的分簇方法。
所述选择父本方法中，每次要选择两个父本，暂分别定义为父本和母本。为使父代中的每个分簇特征都有可能遗传下去，可以让母本依次遍历父代中的各个个体。至于父本，可以采用锦标赛的形式选取。先确定一个锦标赛规模，从父代中选取符合规模的互异个体来参加锦标赛。为使遗传结果能够较快收敛，在锦标赛中个体获胜的概率与个体适应度紧密相关。个体适应度即遗传算法的优化目标，在此应用中，可以用所有节点到各自所在簇簇头的距离平方和来表征个体适应度。如同种群规模一样，锦标赛规模也需根据经验适当设置。从组成结构上讲，父本和母本无任何区别，只是选取的方式不同，在后续操作中也无任何区别。
所述交叉进化方法主要用于父代中分簇特征的重新组合。从优化的角度看，这是在已知的局部区域内求解最优值的优化方式。但需要注意的是，由于父本跟母本的选取是独立的，可能具有相同的簇头，故此交叉方法不能使简单的单点交叉或者多点交叉。此问题中，可以从父本和母本中的所有簇头节点中，选出可以构建一个个体的互异节点来构造子个体。由于子个体中的节点不是来自父本，就是来自母本，故子个体同时遗传了父本和母本的分簇特征。
所述变异进化方法主要用于引入父代中不存在的分簇特征。从优化的角度看，这是在拓宽已知的局部区域，使优化函数跳出局部最优解。与同交叉那样，变异后还需要考虑新的节点与原其他簇头是否还能构成一个个体。若不能，则放弃此次变异，或者重新变异一次。
所述选择进化方法则比较简单，只需在每轮进化后选出最优的一些子个体来填充种群，用以准备下一次遗传进化。
所述终止遗传方法实质上是控制进化的终点。由于事先并不知道最优是怎样的结果，也不知道最优结果在数值上具有的特征，故无法设置优化目标达到何等阈值时终止。但随着遗传代数的增加，对目标函数的优化值的改善效果会逐渐减小，可以设置适当的遗传代数当作遗传终止条件。
除上述具体方法外，还需要说明的是，无论是交叉还是变异都需要根据经验设置适当的概率，分别定义为交叉率和变异率。相对而言，交叉率在数值上较大，而变异率在数值上较小。但对两者同样的是，若大于此值，则该操作不会发生；再者，从某一单个迭代过程看，交叉和变异的执行顺序会对遗传结果造成很大影响，但从遗传的整个过程讲，此顺序对最终结果的影响会不大。此外，此遗传算法还引入了精英保护的方法。若父代中的个体属于精英个体，则可以不参与交叉和变异，直接遗传到子代中，这会使得子代的最优个体不劣与父代的最优个体。执行精英保护前需先设定精英数，然后从父代中选取符合此数量的最优几个个体设为精英，其他的都是非精英。
以下结合附图对本发明方法进行详细说明。
如图2显示了三类请求的风险系数随允许等待最大队长的变化关系，系统的风险系数即是三者的最大值。此处的风险系数定义为在特定条件下无法得到有效响应的概率，在数值上与安全系数的和为“1”。图中制动类、平稳类、加速类请求的比例分别为0.05、0.30、0.65，相对服务强度分别为0.04、0.28、0.80。若三类请求允许等待最大队长分别为6、26、56，则通过计算得系统的风险系数为3.74144×10-6。
若不对请求类任务进行分类，则请求的服务强度为0.80，允许等待的最大队长应为6，计算得系统的风险系数高达26.2144％；即使完全放弃制动类请求，系统的风险系数也高达5.3022％。在多数系统中，这样的安全等级都很难达到一般系统的基本要求，更不论安全要求严格的雾网络。
理论上来说，不对请求加以分类，无论是从相对服务强度的角度还是从时延的角度讲，都提高了请求对系统的内在要求，都是对计算资源的浪费。由此可见，将道路安全类请求进一步分类，可以提高系统的安全系数。
本发明中不仅仅提高了安全系数，还致力于提高系统资源的可调配性。先将请求进行分类，使系统安全系数大大高出预期要求，然后在要求的安全约束内，以较小的安全为代价换取更大的可调配性。通过量化雾节点服务能力，可准确得出最适划分的簇数和每簇的最小规模，在此基础上进行分簇。
图3描述了分簇的具体方法，将系统中的总共m个雾节点，分为k个簇，每个簇中至少包含n个雾节点。首先，从总共的m个雾节点中选出互异的k个雾节点做为簇头，并在原雾节点集中除去这些雾节点；然后进行簇的扩张，从第一个簇开始，依次纳入一个最近的雾节点并将其从原雾节点集中清除；之后判断各簇的规模是否都达到n，若否，则继续纳入；达到规模后，则对剩余雾节点进行操作，每次将一个雾节点纳入到最近簇头所在的簇中，并将该雾节点从原雾节点集中清除；最后，判断雾节点集是否为空，不为空，则继续点的操作，为空则可输出分簇结果。分簇的结果也是后续遗传算法中构造的个体。
图4描述了遗传优化的全流程。初始种群中，为保证所有分簇特征都有可能遗传到子代中，可采用遍历各个个体作为父本的方法。若该父本是精英父本，则直接保存到子代中，否则，则需要等经过交叉、变异、选择等操作。交叉与变异都是有一定概率发生的，而且交叉率一般较大，变异率一般较小。若需要交叉，则还需选取母本，母本的选取方法可用前面所述的竞标赛的方法。之后，还需要考虑是否会发生变异。交叉和变异每次都可以不只产生一个个体，但是只需要将最优的一个子个体保存到子代中即可，这就体现了选择的作用。每进化一代，实质都是一次优化，当进化代数足够时，就可结束流程，输出末代中最优的个体。
图5显示了优化目标随进化代数变化的关系。优化目标为所有雾节点到各自簇头距离平方和，体现了一种欧几里德距离空间特性。由于精英保护等方法的引入，故不难理解图中曲线的单调非增性。若不考虑时间代价，经历无穷代遗传进化后，必能遍历所有分簇可能，结合数学中的结论：有下确界的单调非增函数必收敛于其下确界，故图中曲线的结果收敛性也得到保证。再者从图中还可以看出，随着遗传代数的增加，最佳分簇的总距离平方和减小的趋势逐渐减小。故有理由相信，此方法可以在较短时间内得到较优分簇结果。
图6显示了一定区域内均匀分布雾节点的分簇结果。图中实心圆点表示各簇头，其他各颜色点型均表示普通雾节点，不同颜色的不同点型表示不同簇。由于时间复杂度的关系，图示结果并不是最优结果，但从同中仍可有一些感官结论：图中各簇头均匀分布在所选区域，且近乎在各自簇的中心，各簇所服务的能力相当，所覆盖的面积也相当。由于此方法具有很好的适应性，一些其他分布亦可用此方法得到较好结果。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。