基于能量和邻居信息的传感器睡眠调度协议

调度冗余节点轮流工作能够有效延长网络寿命。研究传感器网络节点的随机睡眠调度机制,给出了一种基于能量和节点邻居距离的随机调度机制。传感器节点根据自身的能量大小以及邻居的信息确定睡眠概率,使能量较小,并且工作邻居节点数目大的节点获得较大的睡眠概率。最后分析比较了这种机制与另外两种机制的性能。实验结果表明,基于能量和邻居信息的调度机制能够减少工作节点个数,保证较高的网络覆盖率。     

传感器网络随机睡眠节点调度算法研究及实现

传感器网络是由大量形体较小、能源受限并且配置有计算能力和无线通信能力的传感器节点以Ad Hoc方式组成。传感器节点能源有限性、高密度配置的节点包冲突率高等问题使得节点调度成为必然。该文提出了一种基于动态邻居节点信息的随机睡眠调度机制，并将算法做成了一个可供重复使用的组件嵌入到TinyOS中。通过仿真实验，得到了验证。     

传感器网络中数据驱动的睡眠调度机制

在能量受限的传感器网络中,尽量延长网络寿命同时保证服务质量(如感知覆盖和数据完整)是关键的研究问题.节点睡眠调度能有效延长网络寿命.研究数据驱动的睡眠调度机制,利用感知数据的时空相关性识别冗余节点.核心思想是用非参数回归方法为节点建立预测模型,求解最大支配数的节点支配集,调度多个支配集轮流工作.睡眠节点的数据可以由支配集节点恢复.分别给出集中式、半分布式和分布式3个睡眠调度方法.据知,这是第1个将统计回归模型用于睡眠调度并扩展到大规模网络的研究.实验结果表明,该方法能够有效地减少活跃节点个数,节省能耗从而延长网络寿命,同时在用户指定误差范围内保证数据的完整性.     

无线传感网中一种基于伪随机的高效MAC协议设计

空闲侦听是影响多跳无线传感器网络部署能效和寿命的关键因素。虽然当前的睡眠/唤醒调度协议能避免简单流量模式时的空闲侦听,但无法有效消除随机路由协议的复杂流量模式所导致的空闲侦听问题。提出一种基于伪随机的MAC协议（MAC-PR）,减少了在节点上部署大量睡眠/唤醒调度信息所产生的额外开销。MAC-PR利用伪随机发生器的种子对调度信息进行编码,然后将该种子添加到传输中的数据报文,允许各个接收器/窃听器根据种子计算出它的睡眠/唤醒调度信息。MAC-PR通过额外计算有效避免了昂贵的控制报文传输成本。通过模拟及在TelosB节点上的实际部署,验证了MAC-PR可以有效消除空闲侦听问题,使得基于随机路由协议的数据报文传输具有自稳定、低延时、低成本等特征。     

EasiFCCT:一种保证连通性的传感器网络局部覆盖算法

调度节点轮流工作可以有效延长网络寿命,然而现有的调度协议大部分需要地理位置信息,引入了额外的负担;一些不需要地理位置信息的节点密度控制算法又无法保证有效的网络覆盖度.此外,已有的分析证明了随机算法可以以较大概率保证一定的网络覆盖度,但是因其没有考虑到节点的非连通性会导致网络出现不连通的情况,所以具有一定局限性.提出的局部覆盖算法在随机调度的基础上同时考虑节点的连通性,可以保证网络在具有一定的有效覆盖度的同时能够连通工作.仿真结果表明,算法在网络有效覆盖度方面要优于已有的工作,同时由于新算法建立在随机调度的基础上,因此其复杂度低,较易实现.     

无线传感器网络中节点睡眠调度机制研究

无线传感器网络是由大量低成本的传感器节点构成的自组织网络.因为工作环境或成本原因,传感器节点通常不更换电池,能量十分有限,因此提高能量有效性、延长网络寿命成为传感器网络设计的关键,节点睡眠调度机制是节能的一个有效手段.本文首先分析了采用睡眠调度机制必须考虑的问题,然后介绍和分析了已有典型节点调度机制,指出了各种机制的优势与不足,并时未来研究方向提出了展望.     

基于测距的无线传感器网络均衡式招募调度算法

节点调度是均衡无线传感器网络能量有效方法之一．分析基于测距的睡眠调度算法（RBSS）发现其招募节点能耗过大,造成其过早死亡,影响网络的生命周期．针对这个问题,本文在正六边形覆盖模型的基础上,基于能量均衡思想,提出基于测距的均衡式招募调度算法（RBDRS）．RBDRS算法将协作节点招募的任务转移到新招募的协作节点上,均衡网络能耗．招募节点通过测距招募距其最远的邻居节点作为协作节点,协作节点再依次为招募节点招募新的协作节点,直至无法招募到新的协作节点．仿真实验结果表明,与RBSS算法相比,在不增加额外开销的条件下,RBDRS算法能够有效减少工作节点数目,提高网络覆盖率,均衡网络能耗,延长网络生命周期.     

K连通的分簇式无线传感器网络拓扑控制算法研究

本文提出了一个K连通的分簇式无线传感器网络拓扑控制算法。该算法主要研究分簇过程中簇内骨干节点和冗余骨干节点的选择,以及簇内节点的睡眠调度。骨干节点的选择综合考虑了能量均衡、信道质量、节点失效以及节点移动性问题;睡眠调度则根据不同的节点类型采用不同的调度策略。仿真结果显示,该算法具有较好的拓扑稳定性和网络生存周期,并具有一定的失效容忍性。     

面向目标跟踪的传感器网络睡眠调度协议

移动目标跟踪是无线传感器网络中的一项重要应用,将睡眠调度机制引入到目标跟踪算法中可以大大降低能耗。针对目标跟踪的实际需求,提出一种面向目标跟踪的传感器网络睡眠调度协议。根据目标跟踪不同阶段,分别设计了目标跟踪前和跟踪过程中传感器节点的睡眠调度机制;另外给出了目标丢失时,如何唤醒节点继续跟踪目标的调度策略。结果表明:该算法能够在保证跟踪质量的同时,降低跟踪能耗。     

睡眠调度技术在无线传感器网络的MAC层协议中的应用分析

无线传感器网络是由大量低成本的传感器节点构成的自组织网络。因为工作环境和成本因素,传感器节点通常不会更换电池,能量十分有限。节能是传感器网络中媒体访问控制（MAC）协议设计的首要问题,节点睡眠调度机制是节能的一个有效手段。文章介绍和分析了S-MAC,T-MAC,D-MAC中的睡眠调度机制的特点,并对未来研究方向提出了展望。     

无线传感器网络分簇拓扑的覆盖区域节点调度优化算法研究

利用区域分割的方法建立了一种覆盖区域冗余节点的优化调度机制,实现对完全覆盖区域内冗余节点的休眠调度,并将该机制引入无线传感器网络的分簇结构中,提出一种基于分簇拓扑的节点调度优化算法。算法通过控制簇内冗余节点进行休眠,减少簇首的数据通信量和簇成员中工作的冗余节点个数,降低了网络能耗。仿真结果表明,与未考虑冗余节点休眠调度的分簇算法相比,该算法有效提高了网络能量利用率,延长了网络生命期。     

无线传感器网络中节点调度算法的能量平衡研究

针对无线传感器网络能量分布不均匀的特点,提出一种基于能量平衡的节能机制。在随机性睡眠节点调度机制基础上,引入了反映网络能量状态的概念——能量平衡度。依据能量平衡度来修正节点睡眠概率使网络能量平衡。仿真结果显示机制可以保证较高覆盖率下并使网络能量平衡。     

Stochastic DAG scheduling using a Monte Carlo approach

In heterogeneous computing systems, there is a need for solutions that can cope with the unavoidable uncertainty in individual task execution times, when scheduling DAGs. When such uncertainties occur, static DAG scheduling approaches may suffer, and some rescheduling may be necessary. Assuming that the uncertainty in task execution times is modelled in a stochastic manner, we may be able to use this information to improve static DAG scheduling considerably. In this paper, a novel DAG scheduling approach is proposed to solve this stochastic scheduling problem, based on a Monte Carlo method. The approach is built on the top of a classic static DAG scheduling heuristic and evaluated through extensive simulation. Empirical results show that a significant improvement of average application performance can be achieved by the proposed approach at a reasonable execution time cost.     

A framework for reinforcement-based scheduling in parallelprocessor systems

Task scheduling is important for the proper functioning of parallel processor systems. The static scheduling of tasks onto networks of parallel processors is well-defined and documented in the literature. However, in many practical situations a priori information about the tasks that need to be scheduled is not available. In such situations, tasks usually arrive dynamically and the scheduling should be performed on-line or “on the fly”. In this paper, we present a framework based on stochastic reinforcement learning, which is usually used to solve optimization problems in a simple and efficient way. The use of reinforcement learning reduces the dynamic scheduling problem to that of learning a stochastic approximation of an unknown average error surface. The main advantage of the proposed approach is that no prior information is required about the parallel processor system under consideration. The learning system develops an association between the best action (schedule) and the current state of the environment (parallel system). The performance of reinforcement learning is demonstrated by solving several dynamic scheduling problems. The conditions under which reinforcement learning can used to efficiently solve the dynamic scheduling problem are highlighted     

Kubernetes异构资源细粒度调度策略的设计与实现

在异构资源环境中高效利用计算资源是提升任务效率和集群利用率的关键。Kuberentes作为容器编排领域的首选方案,在异构资源调度场景下调度器缺少GPU细粒度信息无法满足用户自定义需求,并且CPU/GPU节点混合部署下调度器无法感知异构资源从而导致资源竞争。综合考虑异构资源在节点上的分布及其硬件状态,提出一种基于Kubernetes的CPU/GPU异构资源细粒度调度策略。利用设备插件机制收集每个节点上GPU的详细信息,并将GPU资源指标提交给调度算法。在原有CPU和内存过滤算法的基础上,增加自定义GPU信息的过滤,从而筛选出符合用户细粒度需求的节点。针对CPU/GPU节点混合部署的情况,改进调度器的打分算法,动态感知应用类型,对CPU和GPU应用分别采用负载均衡算法和最小最合适算法,保证异构资源调度策略对不同类型应用的正确调度,并且在CPU资源不足的情况下充分利用GPU节点的碎片资源。通过对GPU细粒度调度和CPU/GPU节点混合部署情况下的调度效果进行实验验证,结果表明该策略能够有效进行GPU调度并且避免资源竞争。     

ElasticSim: A Toolkit for Simulating Workflows with Cloud Resource Runtime Auto-Scaling and Stochastic Task Execution Times

Resource provisioning and scheduling are crucial for cloud workflow applications. Simulation is one of the most promising evaluation methods for different resource provisioning and scheduling algorithms. However, existing simulators for Cloud workflow applications fail to provide support for resource runtime auto-scaling and stochastic task execution time modeling. In this paper, a workflow simulator ElasticSim is introduced, which is an extension of the popular used CloudSim simulator by adding support for resource runtime auto-scaling and stochastic task execution time modeling. Most of existing workflow scheduling algorithms are static and are based on deterministic task execution times. By the aid of ElasticSim, the practical performance of existing static algorithms, when they are put into practice with stochastic task execution times, is evaluated. Experimental results show that about 2.8 % to 20 % additional resource rental cost is incurred for different cases and workflow deadlines are violated for most cases because of stochastic task execution times. Therefore, ElasticSim is a promising platform for evaluating the practical performance of workflow resource provisioning and scheduling algorithms, which supports resource runtime auto-scaling and stochastic task execution time modeling.     

面向移动节点定位的传感器网络动态休眠调度机制

由于能量受限的传感器节点一般多采用低功耗的工作方式,即在休眠状态和唤醒状态之间切换,因此,当对移动节点进行定位时,锚节点可能会因为处于休眠状态而没有响应移动节点的定位请求,从而导致定位失败.提出一种基于预唤醒的动态休眠调度机制P-SWIM,该机制提前通知移动节点周边的锚节点进入全勤的工作方式,而网络内其他锚节点则仍然处于低功耗的工作方式.通过P-SWIM,目标节点能够有效地维持足够高的锚节点连通度,从而保证了定位的成功率和精度.实验结果表明,移动节点定位方法采用P-SWIM相比于采用静态休眠调度机制(如RIS和GAF)能够显著地提高定位性能,且P-SWIM引入的运行功耗也是3种机制中最低的,比RIS和GAF最多可节省47.6%和60.2%的功耗.     

面向移动节点定位的传感器网络预唤醒策略

当无线传感器网络对移动节点进行定位时,锚节点可能会因为处于休眠状态而没有响应移动节点的定位请求,从而导致定位失败.提出一种基于预唤醒机制的动态功耗控制策略P-SWIM,该策略提前通知移动节点周边的锚节点进入全勤的工作方式,而网络内其他锚节点则仍然处于低功耗的工作方式.仿真实验结果表明,移动节点定位方法采用P-SWIM相比于采用静态功耗控制策略(RIS和GAF)能够显著地提高定位性能,且P-SWIM引入的功耗也是3种策略中最低的.此外,通过大量的仿真实验,评估了调节3种策略的各项参数对移动节点定位方法性能的影响,为在实际应用中高效的部署网络提供了参考方案.