一种多QoS驱动的物联网资源分层调度方法*

张春光， 曾广平， 王洪泊， 涂序彦

(北京科技大学 计算机与通信工程学院， 北京 100083)

一种多QoS驱动的物联网资源分层调度方法*

张春光， 曾广平， 王洪泊， 涂序彦

(北京科技大学 计算机与通信工程学院， 北京 100083)

现有物联网系统普遍采用先来先服务的单一资源调度策略， 不能很好地满足实时性和个性化需求. 针对物联网系统的复杂性及需求目标的多样性， 提出了一种多QoS驱动的物联网资源分层调度架构， 建立了面向物联网的多QoS定义及形式化模型， 并在此基础上提出了一种基于信息熵的、 包含分类请求和精准选择两个过程的多QoS驱动的调度方法. 仿真结果表明该资源调度方法能有效保障用户请求相对公平性， 满足不同用户的实时性和个性化需求， 提高了资源的利用率.

分层调度; 多QoS; SOA； 物联网

0 引 言

大数据时代的到来， 使车联网、 智能家庭等物联网具体应用得以普及， 物联网显现出从单一追求高性能到高效能的发展趋势. 物联网应用层的服务请求已经扩展到了对底层具体感知设备的实时操作， 如在特定场景下需要实时读取指定温度计读数的同时了解某监控设备的开关状态等， 煤矿生产中也应用了物联网以保证安全[1]. 但随着越来越多功能各异、 资源受限的智能终端加入到物联网， 系统不仅要对各种异构资源进行管理和调度， 而且还必须综合考虑用户关心的如支付费用、 运行时间和可靠性等各项服务质量(Quality of Service， 简称QoS)[2-3]. 大量不规则服务请求的涌现导致系统过载， 重要请求得不到及时响应， 实时性和个性化服务得不到保障. 现有物联网系统普遍采用先来先服务的单一资源调度策略， 但是它很难在本质上解决这一问题. 近年来， 学术界开始注重物联网中QoS方面的研究， 认为把QoS融入到调度策略中是解决这一问题非常有潜力的方法之一.

现有物联网QoS的研究主要集中在服务等级协议的制定方面， 这虽然改进了资源调度的部分性能， 但在解决物联网实时性和个性化需求方面还存在诸多不足. 在充分考虑物联网系统资源动态性和硬件设备互异性的基础上， 本文提出了一种针对物联网系统的多QoS模型并研究了多QoS驱动的物联网资源调度.

本文针对物联网需求目标的多样性， 通过借鉴SOA思想， 提出了一种多QoS驱动的资源分层调度架构； 在总结有关物联网新特性的基础上建立了面向物联网的多QoS定义及形式化模型； 为了更好满足物联网中服务请求的实时性和个性化需求， 提出了一种基于信息熵的、 包含分类请求和精准选择两个过程的多QoS驱动的调度方法.

1 相关工作

物联网底层的各种感知设备大多具有动态、 能量受限和异构的特性. 如何充分调度物联网的各种资源以便为大量请求提供高效的物联网服务已引起许多学者的关注. 文献[4]基于改进蜂群算法的多维QoS资源调度， 引入收益比， 有效地避免了过早收敛的发生； 文献[5]在粒子群算法中融入遗传算子， 提出混合粒子群资源优化调度策略， 使得种群在进化初期就拥有较强的全局搜索能力， 可实现有效、 快速的资源调度. 但这些启发式资源调度算法仅适用于传统云平台的资源调度， 在解决物联网实时调度和动态调度上， 对资源配置有一定的局限性. 针对大量用户提出的各种QoS调度需求, 邓见光等[6]把任务的DeadLine、 调度预算等QoS目标约束条件引入模型， 将其转换为单目标资源优化调度问题， 但此算法未能很好地全面顾及各QoS的要求； Li M等[7-8]对蜂群算法进行优化， 提出了一种改进算法， 使物联网资源利用率相对提高， 但没有给出具体实验方案； Kumar等[9]采用组合加权法完成对物联网资源的优化调度， 并结合物联网资源调度的特点， 提出选择模型， 使调度问题转变成多属性决策问题， 最终实现实时调度， 但系统均衡性有待进一步改进； 米晓萍等[10-11]通过建立物联网能耗优化模型来改善资源的优化调度.

综上所述， 由于物联网资源调度非常复杂， 需要综合考虑服务质量、 可用资源、 用户个性化需求等因素， 如果仅从某一方面考虑调度， 容易引发负载不均衡和资源利用率低等问题. 为了有效解决上述问题， 本文针对物联网新特性， 提出了一种多QoS驱动的资源分层调度方法.

2 一种多QoS驱动的物联网资源调度架构

面向服务的架构(Service Oriented Architecture， SOA)具有粗粒度松耦合特性， 在解决异构组件间的协同与互操作问题上具有先天优势. 基于这一思想， 本文提出把物联网众多智能设备注册为物联网系统中的服务， 建立了一种多QoS驱动的物联网资源调度架构， 如图 1 所示.

2.1 架构介绍

本架构主要分为3个模块： QoS创建模块、 QoS需求管理模块和QoS请求管理模块.

2.1.1 QoS创建模块

QoS创建模块包含服务注册、 QoS注册和地址与映射. 传感设备首次请求注册加入物联网系统时， 在近距离通信接口模块、 协议适配模块和协议转换模块的作用下， 物联网系统实现了对它的感知.

设备通过安全验证后， 地址与映射模块完成传感器硬件地址与系统指定地址的映射关系， 并为其分配唯一的服务ID. QoS组件从传感设备获得了细粒度的各项参数， 为后续服务请求提供依据， 具体包括费用、 安全、 计算资源、 网络资源、 可信度等， 对未能提供具体参数的一些指标， 系统也能对其进行默认处理. 提供各种智能服务的传感器节点都以唯一ID出现， 对上层实现透明化.

2.1.2 QoS需求管理模块

QoS需求管理模块包含解析器和评估器. 解析器用于解析到达的请求， 生成细粒度的需求信息. 在整个物联网系统中， 任务被分解为若干原子服务来执行， 每个原子服务所关注的QoS不同， 比如查询服务更关心数据可信度和安全性； 转发数据包更关注带宽资源； 精确的地理信息请求服务关注的是获取这项服务所需要的费用和其可信度. 解析器按照一定的算法对QoS信息进行量化， 把结果发送到请求分类器中， 请求分类器再按一定规则把请求信息发送到不同的请求队列. 评估器用于评估QoS与预期的关系， 如果高于预期表明系统设置恰当， 如果低于预期则表明需要调整. 最后按照一定的算法对其进行更新.

2.1.3 QoS请求管理模块

请求管理模块由分类器和缓冲队列组成. 从上层传输到请求管理模块的原始请求中包含QoS的粗粒度信息， 请求管理模块再把相关的信息传送给解析器. 解析器根据算法把这些粗粒度的QoS信息转化为细粒度信息， 请求分类器按照解析出的细粒度服务质量需求信息通过特定的调度算法放入不同的请求队列， 实现差别化处理， 同时实现资源优化处理.

2.2 面向物联网的多QoS定义及模型

2.2.1 多QoS定义

在物联网环境下， 由于多QoS相互影响， 使系统对服务请求的处理变得更加复杂. 传统的互联网QoS模型已不适应物联网的新要求. 用户提出的请求信息是粗粒度的， 但为其提供服务的各种感知设备是细粒度的且在功能和结构上具有异构性， 这就存在如何将粗粒度的需求向细粒度QoS定位的问题.

物联网通过智能代理管理感知设备， 在设备申请加入系统时， 智能代理负责收集每种设备的各项参数， 通过映射机制对各项指标进行统一管理. 设备的异构性决定了QoS的多样性和复杂性， 逐一处理这些QoS有很大难度， 如果通过共性加以抽象处理， 对众多参数进行分类， 然后在此基础上建立模型， 那么实现起来就相对容易. 目前研究人员对系统中涉及的QoS提出了不同的考量方案[12-14].

综合物联网的新特点， 本文提出如图 2 所示的物联网环境下的多QoS模型， 树形特征是该模型最大的特点， 它具备良好的扩展性， 其中树根表示应用层粗粒度的具体任务信息. 充分考虑物联网系统自身特性后， 将物联网中相关的指标分为7类， 包括权限角色、 响应时间大小、 资源信任度大小、 使用价格多少、 任务执行成功率大小、 可靠性大小、 数据质量类型.

图 2 多QoS模型Fig.2 Multi QoS model

图 2 模型中的树枝节点表示以上属性， 各个叶子节点表示物联网系统中细粒度属性， 它们是不可再分的原子属性. 请求管理模块从应用层接收的服务请求中仅包含这里描述的树根粗粒度信息， 解析器把其解析为本文中的7种抽象数据.

2.2.2 多QoS的形式化描述

多QoS建模是实现多QoS驱动的前提和出发点. 多QoS模型是指系统中多QoS属性的组织形式和表示方式. 广义知识表达法[15-17]非常适合于对本模型的形式化描述， 可为QoS定义一个容易扩展的多级递阶结构模型. QoS综合信息由若干对象(Object,T)组成， 每个对象T又由若干个子对象(SubObject,SubT)和若干个属性(Property,P)组成， 下面给出模型(QSM)的形式化描述.

QSM 定义为这样的一个三元组:

QSM =〈Q，T，P〉. 其中:

1)Q表示QSM的综合值， 是一组由QoS对象T组成的集合， 即Q={T1,T2…,,Tn}(n>0).

2)T是一个由若干个子对象和若干个属性组成的二元组， 即T=〈∑SubTi，∑Pj〉( 0≤i≤n， 0≤j≤n). 其中，SubTi表示隶属于对象T的某一子对象， 亦满足上述关于对象T的描述;Pj表示隶属于对象T的某一属性.

3)P是一个三元组， 它由对象名、 对象值和对象类别组成， 即P=〈Name，Value，L〉. 其中，Name表示对象名，Value表示对象值,L表示对象类别，L={固定型，效益型，成本型}.

3 多QoS分层调度方法

多QoS分层调度分两步实现对资源的优化调度， 第一步是以服务请求分类器作为调度中心实施的分类请求调度， 第二步是以资源分配器作为调度中心进行的精准选择调度， 具体过程如图 3 所示.

图 3 多QoS驱动的调度模型Fig.3 Multi QoS driven scheduling model

3.1 分类请求调度

建立分类请求调度旨在对到达的服务请求进行分类处理从而提高系统的整体应答效率. 面向不同资源的请求进入到不同的队列可以实行并行处理， 对非独占性资源请求进行分类预处理也可提高处理速度. Request到达请求分类器时， 解析器对其进行解析， 其中包括功能请求信息， 这与系统的具体应用背景有关. 为了研究方便， 本文假设有4种功能请求， 分别是动态视频请求、 语音流量请求、 纯文字请求和静态图像请求. 设立4对一定容量的缓冲区队列与之对应， 使相同类型的服务请求进入同一缓冲队列. 各队列的优先权预先设定， 权限高的队列优先得到系统资源. 假设r1>r2>r3>r4， 则表明队列r1中的服务请求优先得到处置. 当某一队列的服务请求数目等于队列长度时， 则请求分类器抛弃新到达的同类请求， 这会直接影响到请求成功率. 为了应对这种情况， 加入预处理机制对每种到达的请求进行统计， 当某种服务请求频繁发生时， 动态增加其队列长度或增大队列的优先权来提高请求成功率. 若某种请求在给定时间段内到达的数目为零， 对应队列则为空， 那么把当前队列并入优先级最高的队列； 若优先级最高的队列达到预定的长度， 则把其并入下一优先级的队列， 应用这种策略可有效提高资源的利用率. 通过对QoS粗粒度信息的功能分类实现请求服务的资源分类差别化调度[18-19].

3.2 精准选择调度

分类请求调度实现了对服务请求的编队问题， 并将其归入不同的队列. 精准选择调度实现了队列内各请求的优化调度， 资源分配器作为调度中心， 负责资源的优化配置. 一般情况下， 资源分配器按照轮询机制对不同队列进行调度. 预处理阶段设置为高优先级的队列比优先级低的队列优先得到处理， 非独占性资源请求也相应得到优先处理. 通过对优先级参数的动态在线调整， 可实时改变系统对不同队列的处理响应时间. 接下来再对队列内的请求进行进一步处理， 实现精准选择调度. 通过多QoS信息熵的方法先求出队列内各请求的综合QoS， 然后对综合QoS进行排序来实现队列内择优， 优先处理队列内综合QoS高的请求服务. 本文对QoS进行类型归类， 如果是效益型属性， 则表明其值越大越有利于综合QoS的增加， 比如信任度， 可靠性； 如果属于成本型， 则其值越大越不利于综合QoS的增加， 比如价格， 响应时间. 固定型是表示离某个给定值越近越有利于QoS的增加. 另外， 各QoS的量纲也不相同， 计算综合QoS成为关键. 如果在未处理的情形下， 某一时间段内综合QoS的值已符合从高到低的优先排序， 则等同于队列内先来先服务的处理机制.

综合QoS属性值是由各属性的具体数值和其权值总和决定的， 其实质是一个基于信息熵的多属性决策问题. 设向量S={S1,S2,Si,…,Sn}表示队列中的请求服务， 0

下面给出计算步骤.

步骤 1： 问题的决策矩阵表示为A=(qij)n×m， 其中qij表示队列中的第i项服务请求对第j项QoS的附加条件. 无量纲化处理按式(1)进行

规范化的决策矩阵如下

步骤 3： 计算第j个QoS属性qj的输出信息熵

步骤 4： 计算属性权重向量ω={ω1，ω2， …，ωn}， 其中

步骤 5： 利用式(6)算出每一个服务请求的QoS综合值

步骤 6： 根据步骤5的计算结果， 对其进行排序选优.

通过以上计算， 资源分配器会对队列内综合QoS最高的请求优先处理， 满足不同用户的个性化需求和实时服务.

3.3 多QoS驱动的资源调度算法描述

从应用层传来的服务请求， 除包括业务请求相关属性外， 还携带着QoS分类模型中所涉及的多QoS属性， 没有的属性按默认值替代. 服务请求分类器按Request的功能把它归为具体的某一类， 本文把所有的请求归为4类， 送入相应的队列等待系统处理， 这与传统的先来先服务调度方法有本质的不同. 对Request进行第一次分类过滤， 使得虽然是后到达的服务请求， 但如果其具有高实时性要求， 也可以先得到系统资源， 物联网的个性化服务由此也就有了保障. 进入某一队列的若干Request也不具有先来先服务的优先特权， 要实施二次排队， 通过信息熵的加权计算得到综合QoS， 并对其进行降序排列， 综合QoS高的优先得到系统资源， 首先得到系统的处理. 周期性地检查各队列的排队情况， 如果某队列为空， 可以并入其它队列， 以提高系统的平均等待时间， 实现均衡处理.

本文算法采用伪代码描述如下：

算法基于多QoS驱动的资源智能调度1．接收request的请求信息2．While有请求信息到达do3． For所有请求信息do4．初始化决策矩阵A=(qij)n×m5．求决策矩阵每一列的最大值6．ifqij属于效益型按(1)效益性计算Elseqij属于成本型按成本型计算Else按固定型计算Endif7． endfor8． 按式(3)求矩阵R′=(r′ij)n×m9． For所有请求的信息do10． 根据式(4)按列分别计算出每一列的输出信息熵．11． endfor12． 利用式(5)计算出所有请求的每一项属性权重ωj13． 利用式(6)计算每一项请求的综合QoS14． 对所有的综合QoS降序排序15．For所有的请求doIf请求类别为最重要then请求进入1号队列Elseif请求类别为重要then请求进入2号队列Elseif请求为中级then进入中级队列Else进入低级队列Endif16．判断是否有队列为空，如果有，则依序并入1，2，3，4队列17． Fork=1to418．处理队列里的请求，只有第一队列里的所有请求全部处理完毕才去处理2队列里的请求．以此类推．19． Endfor20． endwhile

4 实验与分析

4.1 实验环境设置

本文利用Matlab7.0仿真软件搭建了多QoS驱动的物联网资源分层调度实验环境. 首先对实验数据预先按照优先级进行分类， 然后采用随机序列模拟产生实验数据， 选取部分QoS参数作为实验对象. 实验做出以下假设： 服务请求按照优先级分为最高、 高、 中、 低4个队列， 模型输入服从泊松分布并且各请求相互独立， 参数分别为λ1,λ2,λ3,λ4， 排队规则采用优先权的等待制[16-17]； 进一步设定各项输入在时间上符合参数为v的指数分布； 设定各队列长度都等于20且固定不变， 权重比例设为4∶3∶2∶1.

4.2 评估指标

本文提出的方法克服了现有单一资源调度策略的不足， 在保证公平调度的基础上， 可满足实时性和个性化资源调度的需求. 为了准确评估算法的性能， 将其与文献[16-17]中提到的SQoSM和MQoSM算法进行了全面的对比， 从下面3个指标来检验本算法的性能：

1) 平均等待时间： 所有请求等待时间的均值.

2) 平均最优服务度： 不同请求随请求数量增大， 系统响应服务的变化率.

3) 服务请求成功率： 同等请求数量下， 系统的服务请求成功率.

4.3 实验分析

表 1 与图 4 是根据文献设置环境后所给出的直观数据， 表示平均等待时间的测评结果， 表 2 与图 5 是平均最优服务度的测评结果.

表 1 平均等待时间

表 2 平均最优服务度

图 4 平均等待时间Fig.4 Average waiting time

由图 4 可以看出， 随着系统总负荷的增加， 新方法平均等待时间也增大， 具体来说就是优先级越高等待时间越短， 而优先级越低等待时间越长. 在系统总负荷相同的情形下， 等待时间与优先等级成正比， 优先级越高越早得到系统响应. 相比于SQoSM算法， 平均等待时间明显减少， 这主要是因为本算法对请求进行了分类处理， 提高了系统的并行性， 而SQoSM算法只是对请求进行简单的先来先服务处理， 只保证了绝对的公平性， 对调度效率关注较小. 与MQoSM算法相比较， 在低负荷时， 两者运行结果趋于一致， 但当负荷增大时， 新算法平均等待时间变化幅度不大， 主要是因为队列内进行了排序， 优先调度综合QoS高的请求. 因此， 本文提出的模型在保障服务公平的前提下能保证高优先级服务优先得到系统资源， 在一定程度上解决了资源的优化配置.

图 5 反映出平均最优服务度的情况. 各队列的实验结果与系统负载呈反比关系， 等级越低变化趋势越明显. 和SQoSM算法相比较， 新算法的平均最优服务度维持在高位， 这归因于新算法对请求根据优先性进行分类调度， 优先处理紧急请求， 保证了系统的个性化要求. 对比于MQoSM算法， 系统的各类平均最优服务度下降缓和， 这是由QoS的信息熵处理过程决定的.

从图 5 中观察到， 各类结果均高于84%， 综合值处于92%. 由此说明， 本模型可满足用户的适量个性化需求.

图 5 平均最优服务度Fig.5 Average optimal service level

为了更进一步验证本方法的优越性， 与原有两种算法的服务请求成功率进行比较， 设计10次不同的数据密集型的访问服务， 对比仿真结果如图 6 所示.

请求服务的优先权趋于相同时， 从图6中看出， 第1次实验3种算法的服务请求成功率大致相等， 约等于98.87%； 但当优先权较高的服务请求逐渐增加时， 原有算法和本文算法得出的请求成功率有明显区别， 仅从第6次实验结果就可观察到原有算法的服务成功率接近98.6%， 而本文算法得出的成功率高达99.4%. 这充分说明本文算法对服务请求先分类再进行队列内信息熵处理， 最后优先响应综合QoS高的请求确实起到了重要作用. 所有10次仿真实验都说明本算法的访问服务平均成功率高于传统的先来先服务策略.

图 6 服务请求成功率Fig.6 Success rate of request

5 结 论

在物联网服务环境中， 如何有效管理和调度各种异构、 资源受限的智能设备一直是研究人员关注的重点之一. 本文针对物联网系统资源调度机制存在的缺陷， 对系统的非功能性服务指标QoS进行分类建模， 并在此基础上提出了改进的基于多QoS的物联网分层资源调度模型， 考虑到不同服务请求具有不同的QoS需求， 对其进行基于信息熵的处理后， 实现了QoS的具体量化. 通过对不同QoS的差异化处理达到系统资源的优化调度. 仿真实验表明该调度策略能够在一定程度上保持请求的公平性， 保证高优先级服务请求优先得到响应， 满足用户对服务的个性化需求. 但本文只从静态的QoS提出了调度的资源管理方案， 如何实现动态的QoS反馈机制以及QoS的优化算法是下一步研究的方向.

[1] 张生益， 陈俊杰， 张军朝. 基于SDH/MSTP的煤矿物联网设计[J]. 太原理工大学学报， 2012， 43(5)： 564-568.

Zhang Shengyi, Chen Junjie, Zhang Junzhao. The design of SDH/MSTP coal mine content networking[J]. Journal of Taiyuan University of Technology, 2012, 43(5): 564-568. (in Chinese)

[2] 王尚广， 孙其博， 杨放春. 基于全QoS约束分解的Web服务动态选择[J]. 软件学报， 2011， 22(7)： 1426-1439.

Wang Shangguang, Sun Qibo, Yang Fangchun. Web service dynamic selection by the decomposition of global QoS constraints[J]. Journal of Software, 2011, 22(7): 1426-1439. (in Chinese)

[3] 陈海明， 崔莉. 面向服务的物联网软件体系结构设计与模型检测[J]. 计算机学报， 2016， 39(5)： 853-871.

Chen Haiming, Cui Li. Design and model checking of service oriented software architecture for Internet of things: a survey[J]. Chinese Journal of Computers, 2016, 39(5): 853-871. (in Chinese)

[4] 颜丽燕， 张桂珠. 基于蜂群算法的多维Qos云计算任务调度[J]. 计算机工程与科学， 2016， 38(4)： 648-656.

Yan Liyan, Zhang Guizhu. Multi-dimensional QoS cloud task scheduling based on colony algorithm[J]. Computer Engineering and Science, 2016, 38(4): 648-656. (in Chinese)

[5] 李学俊， 徐佳， 朱二周， 等. 任务调度算法中新的自适应惯性权重计算方法[J]. 计算机研究与发展， 2016， 53(9)： 1990-1999.

Li Xuejun, Xu Jia, Zhu Erzhou, et al. A novel computation method for adaptive inertia weight of task scheduling algorithm[J]. Journal of Computer Research and Development, 2016, 53(9): 1990-1999. (in Chinese)

[6] 邓见光， 赵跃龙. 一种多QoS目标约束的云计算任务调度策略[J]. 计算机应用研究， 2016， 33(8)： 2479-2482.

Deng Jianguang, Zhao Yuelong. Multi-QoS objective constrained task scheduling strategy of cloud computing[J]. Application Research of Computers, 2016, 33(8): 2479-2482. (in Chinese)

[7] Li M， Liu Y， Cai Y. A dynamic processing system for sensor data in IoT[J]. International Journal of Distributed Sensor Networks， 2015， 2015： 1-10.

[8] Kumar N， Vidyarthi D P. A model for resource-constrained project scheduling using adaptive PSO[J]. Soft Computing， 2016， 20(4)： 1-16.

[9] Saima A, Kun Y. A QoS aware message scheduling algorithm in Internet of things environment[C]. IEEE Online Conference on Green Communications, 2013: 175-180.

[10] 米晓萍， 李雪梅. 物联网任务调度优化建模与仿真研究[J]. 计算机仿真， 2015， 32(3)： 327-330.

Mi Xiaoping, Li Xuemei. Optimization modeling and simulation research on task scheduling in IoT[J]. Computer Simulation, 2015, 32(3): 327-330. (in Chinese)

[11] 刘明丽， 刘洋. 关于物联网环境下能量损耗优化调度建模仿真[J]. 计算机仿真， 2015， 32(12)： 276-279.

Liu Mingli, Liu Yang. Modeling and simulation of energy loss optimization scheduling under Internet of things[J]. Computer Simulation, 2015, 32(12): 276-279. (in Chinese)

[12] Sohn I， Sang W Y， Sang H L. Distributed scheduling using belief propagation for internet-of-things (IoT) networks[J]. Peer-to-Peer Networking and Applications， 2016： 1-10.

[13] Liu X X, Li X R, Li Y Z, et al. A new TDD scheme and interference-aware precoding for device-to-device underlay massive MIMO[J]. China Communications, 2016, 13(2): 100-108.

[14] 赵生慧， 吴国新， 张三峰， 等. SOA的QoS研究综述[J]. 计算机科学， 2009， 36(4)： 16-20.

Zhao Shenghui, Wu Guoxin, Zhang Sanfeng, et al. Review on SOA of quality of service research[J]. Computer Science, 2009, 36(4): 16-20. (in Chinese)

[15] 涂序彦， 马忠贵. 智能系统工程[M]. 北京： 国防工业出版社， 2015.

[16] 徐九韵， 吴同心， 宁肖， 等. 一种面向物联网服务资源优化的调度模型[J]. 计算机工程与科学， 2013， 35(9)： 57-64.

Xu Jiuyun, Wu Tongxin, Ning Xiao, et al. Scheduling model for service resource optimization in Internet of things[J]. Computer Engineer & Science, 2013, 35(9): 57-64. (in Chinese)

[17] 郭子荣， 曾华燊， 窦军. 一种简单的平滑公平轮转调度算法[J]. 计算机科学， 2016， 43(1)： 122-127.

Guo Zirong, Zeng Huashen, Dou Jun. Simple and smoothed fair round Robin scheduling agorithm[J]. Computer Science, 2016, 43(1): 122-127. (in Chinese)

[18] 陈梅梅. 基于收益驱动请求分类的多目标动态优先请求调度[J]. 计算机科学， 2016， 43(8)： 199-203.

Chen Meimei. Multi-objective dynamic priority request scheduling based on reward-driven request classification[J]. Computer Science, 2016, 43(8): 199-203. (in Chinese)

[19] 庄媛， 张鹏程， 李雯睿， 等. 一种环境因素敏感的Web Service QoS监控方法[J]. 软件学报， 2016， 27(8)： 1978-1992.

Zhuang Yuan, Zhang Pengcheng, Li Wenrui, et al. Web service QoS monitoring approach sensing to environmental factors[J]. Journal of Software, 2016, 27(8): 1978-1992. (in Chinese)

AMulti-QoSDrivenResourceHierarchicalSchedulingMethodforIoT

ZHANG Chun-guang, ZENG Guang-ping, WANG Hong-bo, TU Xu-yan

(School of Computer & Communication Engineering, University of Science Technology Beijing, Beijing 100083, China)

Aimed to the Internet of Things (IoT) systems generally used a single resource scheduling strategy, which couldn’t meet the real-time and personalized requirements. To accommodate the complexity of IoT system and the diversity of the requests, the concept and formal model using a hierarchical scheduling architecture driven by multi-Quality of Service (QoS) resources was first proposed. A multi-QoS scheduling method was explored based on information entropy and contains request classification and precise selection processes. Simulation results show that the method can effectively ensure the relative fairness of user requests, meet the real-time and individual needs of different users, and also improve the resource utilization rate.

hierarchical scheduling; QoS; SOA; internet of things

1673-3193(2017)03-0333-08

2016-11-03

国家自然科学基金资助项目(61572074)

张春光(1976-)， 男， 讲师， 博士生， 主要从事计算机网络、 物联网、 智能控制、 算法的研究.

TP301.6

A

10.3969/j.issn.1673-3193.2017.03.015