移动群智感知框架下的能源有效性方法研究

来源:用户上传      作者:

　　苏江宾 於志文 刘一萌 郭斌
　　摘要：移动群智感知任务中的数据类型多以图片和长视频为主，因而在其任务执行过程中容易造成大量能耗。以提高群智感知框架下的能源有效性为研究目标，以手机电量消耗为能耗指标，提出面向单体节能技术与面向全局节能技术相结合的方法，实现手机能源最大化利用。结合Android开发过程中的部分算法优化与移动群智感知任务执行中的节能模块（文本转换模块、图片压缩模块、视频压缩模块等），实现单体能耗更低。在此基础上，结合面向全局的参与者优选模型，选择合适的执行团队用更少电量完成一定量任务，实现能耗最小化。通过实验设计和验证，使用单体节能与整体节能相结合的节能方法，在降低整体能耗时能够将手机能耗降低至少20%。
　　关键词：移动群智感知;深度优先搜索算法;参与者优选;单体节能;整体节能
　　DOI：10.11907/rjdk.192763
　　开放科学（资源服务）标识码（OSID）：
　　中图分类号：TP301
　　文献标识码：A
　　文章编号：1672-7800（ 2020）004-0028-09
　　Research on Energy-efficiency in Mobile Crowding Sensing
　　SU Jiang-hin. YU Zhi-wen. LIU Yi-meng， GUO hin
　　（School of Computer Science .NO nhwestern PoMechn ical Univer.sity.Xi ' an710129.China ）Abstract： The data t}'pes of' the mobile crowd sensing task are mainly pictures and long videos. Therefore. it is easy to generate a largeamount of' energy consumption in the execution of the task.The purpose of this paper is to improve the energy ef'ficiency of the f'rame-work of mobile crowd sensing. We take the power consumption of mobile phones as the energy consumption index. In order to maximizethe use of mobile phone energy， a method of' combining the energy saving technology oriented to single people and the energy savingtechnology oriented to the ，，-' hole is proposed in this paper. Specifically ， we combine the method of optimizing some algorithrus in the An-droid development process and the energy saving modules， such as text conversion module， image compression module ， video compres-sion module . etc. Then we achieve lower energy consumption of personal mobile phones. On this basis . we corubine with the overall par-ticipant optimization model . and select the right team to execute task sets in less electricity. Thus ， ，，-hen we execute a certain amount of'tasks by using the method of this paper， we can minunize energy consumption. Experiruents have shown that the energy consumption of'mobile phones can be reduced by at least 20%.Key Words ： mohile crowd sensing; depth first search algorithm; participant optimization; the single energy saving; the overall energysaving
　　O 引言
　　移動群智感知（ Mobile Crowd Sensing，MCS）由众包、参与感知、集体智能、开放式协作等概念发展而来，感知任务的数据类型包括图片、语音、视频等，如暴雨灾害探查、堵车现状、难民迁徙、空气质量等。在MCS数据收集过程中，用户智能手机拍摄的多为高清图片，因而感知数据质量远超MCS任务所需数据质量。当采集某时间段内某街道的人流量信息时，感知数据质量要求可以分辨人数即可，但移动群智感知框架下的能源有效性方法研究大多数手机拍摄的高清图片约为9M、大小为3968x2240，远远超过了MCS任务对感知数据的要求。在此情况下，高清图片、视频等高质量感知数据被采集时会产生很多能耗（手机电量），也会在传输过程中产生手机电量“无意义”消耗、传输速度降低、流量消耗增加等现象。任务数据采集中，“无意义数据”大小约占整体的1/3。同时，能耗增加会极大降低感知数据质量和用户参与意愿。因此，通过能耗最小化提高感知任务节能率，具有一定研究意义。 　　国内外学者对此展开了相关研究，取得系列成果。文献[1]通过提高群智感知网络中的数据传输效率，达到节能效果;文献[2]通过提高移动群智感知质量间接提升能源利用率，分别从时空覆盖质量和数据质量两个层面对移动群智感知网络中感知数据质量度量及保障进行分析，并提出解决办法;文献[3]通过贪心算法或者任务分配算法使任务分配更节能，促使整体任务最快完成，间接实现能耗最小化;文献[4]研究ESCroWd通用框架中的MCS节能技术，分析框架每部分耗能，提出相关技术应用，从而达到节能效果。MCS任务分配和任务质量相关研究[5-6]也能够从侧面实现能耗最小化。移动群智感知技术优化方案，如任务分配、数据传输，以及利用移动用户拨打电话或使用移动应用程序的机会上传数据等相关研究，大多是关于执行者单体或所有参与者整体的单独研究，极少将两者结合起来。基于此，本文提出将单体节能与整体节能相结合进行研究。
　　移动群智感知过程如图1所示，本文将针对能耗严重的3部分进行具体节能算法研究，通过添加节能模块（图片压缩模块、文本转换模块、视频压缩模块），对群智感知过程中的信息收集、信息传输、信息处理等能耗进行优化，将单体节能与整体节能相结合实现能耗最小化。要实现该目标，不仅需要从单体角度探究能耗最小化，还需就单体节能技术和整体节能技术结合后对MCS任务节能率的影响进行分析。
　　本文将重点在以下3方面取得突破：①克服单体节能与整体节能间相互影响、难以协调的问题，将单体节能与整体节能巧妙结合起来，通过实验证明任务执行中用户手机电量消耗更少，即能耗最小化;②将移动群智感知平台APP的任务执行过程细分为六步骤，针对每一步骤进行精确的能耗考虑，并添加适当节能模块实现针对性节能;③通过实验与仿真实验，在移动群智感知平台APP上执行群智感知任务，实现节能率超过20%。
　　1 相关工作
　　1.1 能耗计算与传感器调用
　　本文实验唯一参考量是任务执行时的手机电量，因此电量的精确测量对数据可靠性有着重要意义。本文使用Android库函数测量和手机系统白带测量这两种测量方式，并多次测量求取平均值。
　　I.I.I 手机耗电量计算
　　本文实验使用的手机型号为华为P9。上市时间：2016年4月;操作系统：EMUI 4.1-EMUI 8.0.0;CPU型号：华为麒麟955;CPU核数：八核;CPU主频：ARM 4#Cortex A722.5GHz+4#Cortex A53 1.8GHz+微智核15; GPU： Mali-T880;支持指纹识别;电池类型：锂聚合物，不可拆卸式电池;电池容量：3 000mAh;存储空间：4GB RAM+ 64 GB ROM;SIM卡类型：双Nano SIM卡槽，双卡双待;外部存储扩展为支持;最大扩展容量：128GB。移动群智感知平台APP为西北工业大学白主研制的CrowdOS平台APP。
　　手机电量测量有两种方式：一是利用手机耗电详情功能测量耗电情况;二是通过调用库函数测量。两种测量方式基本原理都是以uid为单位，依次计算此apk的CPU耗电量、wake—Iock耗电量、移动数据耗电量、WIFI数据耗电量、WIFI维持耗电量、WIFI扫描耗电量、传感器耗电量（多种）如式（2）所示。释义如式（3）所示。
　　由于实验测试中未涉及蓝牙、闪光灯等操作，因此未计算没有蓝牙和闪光灯的电量消耗。照相机耗电情况计算和单个apk耗电量分开统计，若在实验中使用相机，则在apk耗能基础上加上其耗电量即可。节能率（取决于节能措施采用前后的耗能多少）是白然数1与节能技术使用前后能耗之比的差，如式（1）所示。
　　1.1.2 节能率
　　本文实验在相同任务情况下，通过对比未采用和采用节能措施的群智感知平台APP执行任务时的能耗，计算式（2）中的节能率。实验中节能率如式（4）所示。
　　在完成相同任务情况下，式（4）中的R代表节能率，E1代表未采用节能措施的群智感知平台APP执行任务能耗总量，E2代表采用节能措施的群智感知平台APP执行任务能耗总量。
　　1.1.3基于任务调度的传感器调用
　　使用群智感知APP执行MCS任务时，大多传感器处于开启状态并一直耗能，最为显著的是GPS传感器。因此，研究GPS传感器在用户执行群智感知任务时的调度问题很有必要。本文根据任务数据要求进行具体调度功能开发，若拍摄长视频，或每隔一段时间拍摄多张照片时，此功能会响应并执行。
　　本文在使用群智感知APP时，通过更合理的传感器开启/关闭调度算法，减少GPS传感器能耗。当遇到需对特定地点进行拍摄或录像的大任务（多图片、长视频任务等）时，只需在任务执行始末进行GPS信息刷新，其余時间GPS传感器处于关闭状态。在信息刷新过程中，若需要的传感器信息已在被允许时间内（将该时间段内的信息当作刷新信息使用）被刷新，直接调用此信息即可。
　　参与者在执行任务时，首先查询此类任务的数据需求，包括任务数据时间、地点精确度、清晰度等。若地点精确度需求程度大于任务中数据要求的标准阈值，此时调用传感器调度算法。
　　1.2基于节能的模块处理技术
　　1.2.1 基于采样率的图片压缩技术
　　群智感知场景不同，对图片质量和大小要求也不同，有的需要高质量图片，有的只需能看出人的数量即可，其中大多对图片质量要求很低，如查看某教室是否有座位、查看某街道人流量、查看道路损坏程度等任务都对图片清晰度要求较低。但参与者拍摄的照片却是高清图片，这必然导致数据收集和传输过程中产生大量能耗（电量），因此可添加图片压缩模块。
　　其算法为：首先通过加载，读取原图片高度和宽度，求解原图片实际宽高与目标图片宽高比率（其一定会大于等于目标图片宽与高），选择其中最小比率，确定inSample-Size的值，从而通过函数调用求解出压缩后的图片数据。 　　基于采样率的图片压缩技术核心思想是通过Bitmap -Factorv.Options缩放图片，并利用其采样率，即其参数inS -ampleSize进行图片压缩。当采样率inSampleSize为1时，压缩后的图片与原始图片大小相同;当采样率inSample-Size为2时，压缩图片宽和高分别为原始图片的1/2，其像素点为原始图片的1/4，占用内存为原始图片的1/4;当采样率inSampleSize小于l时，效果与采样率inSampleSize为1时一样。
　　图片压缩具体流程如下：①BitmapFactory.Options的inju stDecodeBounds参数设置为true;②从BitmapFactory.Options中取出图片的原始宽和高、outWidth、outHeight;③根据需要设置合适的采样率;④BitmapFactory.Options的inju stDeco-deBounds参数设置为false，便可加载图片。
　　1.2.2 图片转换文本技术
　　在MCS任务中，参与者利用智能手机拍摄的图片是高清图片，但大多数任务只需看清图片中的关键信息即可，至于是否有更细节性的信息则对任务没有影响。因此，本文便有了图片转换文本模块，将图片信息转换成文本信息，以节约能耗。
　　具体细节为：①获取高清图片，求取其宽和高，接着，指定图片具体格式，获取其像素;②重置图片大小，进行文本转换和0、l填充;③输出填充文本便可得到转换成文本形式的图片。
　　2 问题定义与整体框架
　　2.1问题约束
　　问题约束如下：①假设每个接收到任务提醒的执行者都会主动完成任务;②假设任务执行时间连续且对时间长度有较高要求;③假设所有任务在执行时间上不会产生冲突;④假设所有手机电量情况对电量消耗程度无影响;⑤假设任何任务执行能耗（消耗的手机电量）都不会超出手机电量的最大值，并且所有任务均有足够的参与者可执行此任务;⑥假设在没有使用参与者优选情况下，对满足以任务为中心的任务执行者的选择是随机的，并保证每个可以执行任务的执行者被选概率相同，此处仅考虑电量因素。
　　2.2能耗最小化
　　2.2.1 能源有效性利用
　　为了在移动群智感知平台APP使用过程中实现能耗最小化（能效最大化），不仅需要通过参与者优选模型选择合适的执行者团队，还需要在任务执行过程中充分利用资源，提高能源利用率。因此，本文将能耗最小化（能效最大化）分为3个层次，可概括为：①将移动群智感知过程中的未利用能源加以利用;②最大程度地提高能源利用效率，减少额外消耗;③通过任务优选方案，在前两层基础上使整体达到最大化利用。3个层次的详细解释如下：
　　（1）第一层对可使用的资源进行最大化利用。调查发现，在使用手机进行MCS过程中，发现一些能耗是不必要的，传感器数据无需更新便可收集数据，如在需要通过传感器收集数据时，基于任务调度的传感器调用，可减少传感器耗能。在特定地区拍照时，并不需要一直开启GPS传感器，只需在拍摄第一张照片时开启即可。在任务执行过程中，可对任务相同的感知数据进行收集（复制），以减少电量消耗。
　　（2）第二层在执行MCS任务时，降低数据收集能耗。本文主要优化移动群智感知过程中的数据收集、数据传输、数据分析能耗，通过使用文本转换模块、图片压缩模块、安卓节能技术模块等，提升这3部分能源利用率，在正常完成任务的情况下减少电量损耗。如执行者在拍摄某时段内某公路车流量变化情况时（每隔一段时间便进行信息采集），使用图片压缩模块，不仅保障了图片质量不影响任务发布者需求，还会极大减小图片规格，使其变成原来的1/8左右（本文基于Android的图片压缩技术已进行验证），语音、视频等感知数据也需如此处理，处理后的信息直接上传云服务器进行再次处理。
　　（2）第三层在第一层和第二层基础上，对整体能耗（电量）进行协调。区别于任务与执行者之间的随机分配，本文采用基于DFS的任务执行者优选模型，选择出针对此任務的专业执行者团队，使得在定量任务下，通过参与者优选，用更短时间、更少人数正常完成任务。
　　2.2.2 问题详情
　　在移动群智感知任务执行过程中，执行者收到系统任
　　苏江宾，於志文，刘一萌，等：移动群智感知框架下的能源有效性方法研究务提醒或者自己的查询信息时，接收新任务并执行，这种随机分配的任务与执行者对应，受任务执行时间、执行者手机电量、执行者执行力度和喜好、任务特征等因素影响，可能导致任务无法执行或者数据收集错误，进而造成能源浪费。因此，需要形成一个最优的专业团队执行任务集，减少团队成员之间的沟通成本。对于同一个项目，有两个技术水平均达标的团队，一个是随机选择互相认识度不高的团队，一个是工作多年配合默契的团队，往往后者更能顺利完成此项目。而对于MCS任务，多任务情况下随机匹配任务执行者，会导致任务完成效率低，感知数据质量得不到有效保证，而考虑到任务执行时间、执行者手机电量、执行者执行力度和喜好、任务特征、信誉等级等因素后，优选出的执行者与待执行任务就像多年配合默契的团队，从而实现能耗最小化。
　　2.3整体架构
　　整体节能架构如图2所示。
　　以手机电量为基本参考量，优化Android开发过程中的部分算法，并在移动群智感知任务执行过程的各阶段添加不同节能模块，以提升能源利用率。将文本转换模块、图片压缩模块、视频压缩模块等相结合，实现单体能耗最低，结合统筹全局的参与者优选模型，利用参与者优选选择专业执行者团队执行任务集，从而将执行者单体节能与统筹全局的整体节能相结合，确保在正常完成任务情况下，用更少时间和电量实现能耗最小化。
　　3 能源有效的参与者优选
　　3.1模型假设
　　本文提出一种新的多任务分配方法：基于移动群智感知平台多任务参与者优选模型，不同于单任务参与者优选，参与者不局限于只完成一个任务，平台也不会随机分配任务，而是根据参与者各种量化能力（信誉量度、执行强度、偏爱喜好等），结合多任务中各种任务具体特征，使用参与者优化算法，使得每个参与者在一定量任务情况下，用更少时间和能源（电量）完成任务，降低任务成本;选出最优参与者集合，使参与者完成任务所耗电量最小、任务执行参与者人数最少，以实现手机能耗最小化。 　　参与者优选有两层含义：①单任务时，考虑如何分配参与者使得任务执行参与者团队满足参与者优选算法;②多任务时，不仅考虑满足单任务的参与者优选，还考虑满足任务集中所有任务被选参与者团队的专业性，使得完成此任务集的所有参与者团队总耗能最小。
　　总能耗计算如式（5）所示。
　　其中，函数F根据现实需求将APP节约的能源、群智感知过程中节约的能源和参与者优选节约的能源通过一定方式进行计算，从而得出总节省能源E 解释如式（6）一式（8）所示。
　　3.2模型建立
　　以手机电量为基本参考量，通过改进算法及资源合理分配，实现感知任务执行过程中的节能和整体能效最大化利用。假设参与者执行任务对时间要求较高，将任务执行情况用时间表示（A任务执行耗时th，可使用th对A任务加以表示），任何任务都拥有足够的参与者。本文重点研究在一定量任务情况下，如何使用更少时间、更少电量及更少人数实现能耗最小化。
　　将任务正常执行所需时间、任务执行力度用统一标准度量（手机电量表示任务执行可用时间），任务完成耗时（正常完成任务所耗时间）Th[i]与参与者拥有的任务执行时间（参与者手机可有的任务执行时间）Ph[j]在时间量度上完全相等。
　　假设使用时间量度对任务进行度量，有n个感知任务 T[i]表示任务;，Th[i]表示完成任务T[i]所耗时间，即完成任务T[i]需要任务执行者使用白己的手机电量为Th[i]，完成任务Th[i]所需执行者数量为Numher[i]。有m个参与者P= ，参与者P[m]拥有的任务执行可用时间为Ph[j].用户j信誉表示为R[j]，用户j的执行力度表示为E[j]，用户i勺偏爱喜好表示为L[j]，占有权重分别为RW[j]、EW[j]、LW[j]。任务发布时随机分配导致的任务消耗总时间表示为Timel[i]，通过任务优选算法导致此任务消耗的总时间表示为Time2[i]。
　　参与者优选算法描述：对于群智感知平台APP，随机将任务发布到参与者数量一定的某区域内用户手机上，或者按先选先得分配原则，该模型使用随机分配算法对此情境进行算法模拟，并开展对比试验，将所有符合选择区间（用户执行时间不小于任务正常执行所需时间的2个时间单位区间）的用户均当作可执行该任务的用户，然后从这些用户中随机选择一定数量用户执行任务，再计算时间总和（包括被选择但没有正常执行完任务的用户消耗时间）。为避免计算的随机性，重复多次并求取最终Timel平均值。
　　确保参与某时刻任务集的各参与者团队都是专业的，并且每个参与者团队的每个成员都有能力正常完成任务，是参与者优选算法目的所在。对于一定量任务，首先计算随机分配时执行任务所耗手机电量，由于结果有很多种，因此采取的计算方式为随机选择多组可能结果进行遍历，再计算平均值;然后计算使用参与者优选方案完成该定量任务时所消耗的电量。在寻找优选方案时，先根据时间满足度选择所有符合要求的任务执行者，并对这些满足要求的参与者进行降序排序，得到序列List，然后根据信誉等级、执行强度、偏爱喜好在用户参与者优选中所占比例（本文按这三者所占比例相等进行处理），对这些参与者进行再次排序，得到执行序列LastList，即可计算出参与者优选方案应用于正常完成这一定量任务时所消耗的电量，最后计算参与者优选算法相对于随机分配方法的节能效率。
　　3.2.1 单任务算法对比
　　执行单个任务时，需考虑分配的用户是否具有足够资格执行该任务，无论用户是否执行成功，计算任务执行完成时所有执行任务用户总耗时（包括未执行完任务，但同样消耗电量和时间的用户所耗电量），执行单任务时的随机分配和参与者优选关键算法如下：
　　在执行单任务时的随机分配中，首先建立一個temp，读取任务T[i]所需执行者数量为Numher[i]，然后经过条件约束，在循环中选择一随机数作为选取的用户，若该用户P[j]满足选择区间（定义为只要不是少于任务所需执行时间2个时间单位的用户均在选择区间里），并满足PH[j]
　　参与者优选算法以时间、参与者特征等为参考量，结合任务特征，进行参与者团队筛选。首先以时间为参考进行降序排序，得到序列S.，然后将S.以R、E、L按照权重进行倒序排序，最终得到序列S，此时选取S的前Number[i]执行任务，并统计总耗时为Time2。
　　最后，求取单任务情况下参与者优选模型节能率1-Time2/Timel。
　　3.2.2 多任务算法对比
　　多任务时不仅要考虑执行单任务时，参与者优选团队执行情况，也要统筹整体任务集，考虑如何分配专业执行者团队去执行任务，实现总耗时最短、耗能最少。
　　单任务参与者优选算法与上述算法一致，统筹整体的参与者优选算法则通过深度优先算法（DFS）计算所有符合选择区间的用户，以及用户团队执行任务所耗时间和执行完任务集的总消耗时间，进而选择出合适的执行策略，即总耗时最短、耗能最少。
　　3.2.3算法详解
　　在非同时多任务情况下，对采用随机分配算法、参与者优选方案后的能耗进行对比发现，参与者优选方案更具优势。其算法核心思想如下：
　　非同时多任务随机分配算法中，首先选择任务集合T与参与者集合P，分别以时间为参考量进行降序排序，得到集合TL pl;对每一个任务T[i]，使用遍历方法，将被选择且在选择区间的所有可选择参与者集合进行任务完成总时间计算，得到Time[i];参与者集合在选择参与者时，若参与者执行时间少于任务时间，则执行Time[i] =Time[i]+Ph[j]，并重新选择执行者并作判断，直至执行者满足条件，则结束;然后计算对于每一个任务T[i]的每一个可选择集合的时间，求取平均值Timel[i]，即随机选择分配时执行一定量任务的总时间，此总时间Timel即可直接代入式（4）中的E1，得到式（9）。 　　非同时多任务参与者优选算法中，首先得到与非同时多任务随机分配算法中完全相同的任务集合T与参与者集合P，同样以时间为参考量进行降序排序，得到集合TL和PL。此时，对于每个任务T[i]，使用遍历方法，将被选择且在选择区间的所有可选择参与者集合进行任务完成总时间计算，得Time[i]。参与者集合在选择参与者时，若此参与者执行时间少于任务时间，则执行Time[i] =Time[il+Ph[j]，并且重新选择一个执行者，直至选择的执行者可以执行此任务，则结束此次循环。计算每个任务T[i]的可选择集合时间，求取平均值Timel[i]，即随机选择分配时执行一定量任务的总时间，此时总时间Time2可直接代人式（9）中的E：，计算式（10）可得节能率R。
　　4 实验结果与分析
　　本文主要对参与者优选模型实验进行分析和验证，得出能耗最小化（能效最大化）后的能源利用率，即最大节能率。使用华为P9，实验过程中确保手机温度在26。C左右，每进行一次实验，都将手机关机，充满电，开机10分钟后继续进行实验，以尽量减少由于手机电量、Cpu工作时间及内存状况等对手机耗电的影响。
　　为了保证手机白带的单个APP电量计算基本正确，本文采用了代码测量方法进行佐证，如图3所示。苏江宾，於志文，刘一萌，等：移动群智感知框架下的能源有效性方法研究
　　从图3（a）低耗电量时耗电量测量方式对比可看出，手机耗电量在OmAh-180mAh区间内，无论是手机白带检测耗电量方式还是代码检测耗电量方式，都能够在手机耗电量较低时对手机耗电量进行准确测量，并且两种方式的测量结果基本一致，相差最大为0.06mAh，最小偏差值为0。从图3（b）高耗电量时耗电量测量方式对比可以看出，在耗电量较高的测量区间进行测量时，两种方式差距很小，最大差距为0.06mAh。由此可见，本文使用的两种测量方式准确度基本一致，符合本文测量需求。为了减小测量误差和误差波动幅度，在计算时求取两种测量方式平均值，这样既能降低误差，也能稳定误差值，使结果更接近准确值。
　　4.1传感器调度实验结果及分析
　　实验场景为：对某市区某时段进行环境情况拍照，若该时间段为上午7：00-9： 00，每隔20分钟取样100张图片，执行者只需在每次拍第一张照片时开启GPS传感器，其它时间段无需开启GPS也可采集之前刷新出来的信息，任务执行过程中的节能率如表l所示。使用华为P9手机在这两个小时内，拍摄数量相同、清晰度一致的照片，开展3组实验。A，组实验条件是一直开启GPS传感器进行数据采集，B.组实验条件是只在拍照过程中开启GPS传感器，即在中间20分钟的时间间隔里关闭GPS传感器，C，组实验条件是每次拍照仅在拍第一张照片时开启GPS传感器，其余时间GPS传感器均为关闭状态。3组实验中拍照时间相同，开始和结束时间也相同，耗电量单位为mAh，其中一组实验数据如表1所示。
　　可以看出，最高节能率可达22%，最低节能率也达17%，随着实验的进行，节能率逐渐降低。经过大量实验与分析可知，随着手机的使用，手机电量减少，手机内部缓存数据增加，导致手机电量额外消耗增加，而GPS传感器耗电量虽有增加，但通过节能技术，GPS传感器调用按照任务调度方法，可以使其能耗极大降低，平常状态下，GPS传感器一直处于开启状态，其相同时间内耗能逐渐增加，从而导致节能率逐渐降低。为保证实验结果准确性，本文在相同条件下共进行10次相同实验，取其节能率平均值，结果如表2所示。
　　经过多组实验结果对比可知，基于任务调度的传感器调用节能技术节能率最大值（平均值的最大值）为16.25%。分析发现，出现节能率误差不仅仅是手机白身原因，也与用户操作有关，若用户操作正确，可在一定程度上降低能耗。在任务执行过程中，只开启APP读取任务功能，关闭APP通过照相机进行拍照，然后在所有任务数据收集结束时，再开启APP统一上传，则能耗会极大降低，最高可达30%，以减少在数据传输以及服务器与APP数据联通时的能耗。
　　4.2基于节能的模块处理实验结果及分析
　　4.2.1 图片压缩模块实验结果及分析
　　实验场景是：为了判断某时段某公路上午8：30-9： 30车道拥挤情况，需要100人每间隔10分钟对该公路拍照10张，分析此路段早上8：30-9： 30道路拥堵情况。通过使用压缩技术和不使用压缩技术两种情况下的耗电量对比，求取节能率。A：组实验数据为不使用压缩技术的耗电量，B：组实验数据为使用压缩技术的耗电量，耗电量单位为mAh，其中l组实验数据如表3所示。
　　使用带有图片压缩技术的群智感知平台APP时产生的节能率为13.3%。获得100人数据后，取平均值可得节能率为12.4%。由表3数据可知，此实验场景下，随着时间的进行和数据收集量的提升，图片压缩模块节能率逐渐提升。经分析可知，图片压缩模块技术主要使用基于采样率的节能技术，通过加载图片、读取图片宽高以及一系列图片转换调整图片转换率，从而按照要求进行图片压缩。利用调节参数inSampleSize进行图片压缩，契合Android开发要求，并经过算法改进，在实验中产生的能耗十分小，因此随着时间推进，节能率会逐渐提升，并最终趋于一个稳定值。
　　4.2.2视频压缩模块实验结果及分析
　　本文在视频压缩部分使用简单视频编码压缩技术，在感知实验过程中，经常会遇到视频录制任务，甚至需要长时间录制，才能完成任务。对某时段某路段的车流量进行实时监控，使用群智感知平台APP分别拍摄Imin、lOmin、30min、th、2h的视频并上传，得出使用视频压缩技术（B。组实验）和不使用视频压缩技术（A3组实验）的电量消耗及节能率，如表4所示。视频压缩技术节能主要体现在移动群智感知六过程中的数据收集和数据传输过程中。
　　总耗电量=手机相机APP耗电量+移动群智感知平台APP耗电量。实验中，手机电容量只有3 000mAh，极大限制了视频长度。由实验结果可以得出，当视频时间较短时，视频压缩技术节能率并不明显，但随着视频时长增加，节能率会逐渐提高，达到10.14%。实验中的节能率一直处于很低状态（相较于前面两种节能技术），若采用节能技术，便需要将视频重新加载一次，耗能极大，导致节能率在10%左右，但随着时间增加，压缩后的被节能视频部分会不断增加，从而使得节能率增加，能耗变小。实验结果显示，节能率并不明显，原因可能是：实验次数少，实验结果代表性不强;视频压缩技术算法有缺陷，导致压缩所耗电量过大;视频较短，压缩技术的优势得不到明显体现，后续可采用充电宝+手机组合形式進行测试。 　　4.2.3 文本转换模块实验结果及分析
　　文本转换模块是将不必需图片，在不影响数据收集情况下，将大容量的图片转换成小容量的文本信息，降低能耗。采用的任务场景是：需要100人采集某时段8：00-9：00某路段的车流量情况，采集数据的时间间隔为lOmin，每次需采集10张图片。此类任务，文本转换模块可将拍摄好的图片直接转换成二进制文本图片，接着直接利用算法计算处于每张图片中的车辆数量，实验结果如表5所示，A4组实验数据为不使用文本转换的耗电量，B4组实验数据为使用文本转换的耗电量，耗电量单位为mAh。由表5可得出，由于图片数量太少，实验中文本转换技术并没有起到一定效果。随着图片增多，节能率会一直增加，直至遇到某个阈值为止。文本压缩模块所用算法是属于移植进入Anciroid内的算法，需要重新加载图片并对图片进行详细”扫描”，从而提取出所需文本信息，导致压缩产生的能耗与所节约的能耗基本一致。
　　4.3参与者优选模型实验结果及分析
　　本文实验数据如下：手机最大电量为10单位，区间[0，10]，任何一个任务执行所需时间最大为10单位，区间[0，10]。以单位1为间隔，采取等差数列{1，2……10}，这10个不同单位所对应的用户数量均为10个，即共有100个用户可执行任务。
　　4.3.1 任务数量改变
　　控制任务所需执行者数量不变，改变每个任务所需电量单位的任务数量。控制任务中每一个任务所需执行者数量均为10，从任何一个任务执行所需时间区间[1，10]中只挑选1个任务，并将这10种结果进行平均值计算。分别使用随机分配和参与者优选分配算法，得出每个任务所需电量单位的任务数量为1时，所消耗电量单位为多少。依此类推，分别使用随机分配和参与者优选分配算法计算每个任务所需电量单位的任务数量为2、3--…10时所消耗的电量单位，如表6所示。
　　在控制任务所需执行者数量不变的情况下，改变每个任务所需电量单位的任务数量。可以发现，随着每个任务所需电量单位任务数量的增加，节能率会不断提升。原因在于，根据问题约束条件，每个任务对执行者数量上的要求都可以得到满足，因此节能率会不断增加。
　　4.3.2执行者数量改变
　　控制每个任务所需电量单位的任务数量不变，改变任务所需执行者数量。控制每个任务所需电量单位的任务数量为10个，每个任务所需执行者数量从1变化至10，同上义实验设置开展进行实验，得出如表7所示结果。
　　参与者优选方法对MCS任务的节能率随任务数量和执行者数量而不断变化，每个任务所需电量单位的任务数量不变，任务所需执行者数量越多，节能率越高，直至平稳变化。任务所需执行者数量不变，每个任务所需电量单位的任务数量与节能率之间的关系无法判断，因为此时执行苏江宾，於志文，刘一萌，等：移动群智感知框架下的能源有效性方法研究者数量为理想状态，按照问题约束永远满足任务，因此无法判断二者关系。
　　4.4实验验证
　　A（Android节能）、M（模块节能）、A+M（And-oid节能与模块节能相结合）节能效率对比如图4所示。
　　通过实验发现，手机电量随着用电时长增加而加速下降，手机电量下降和使用时间增加会降低手机T作效率，手机温度会升高，内存占用率也会相应提高。
　　4.5实验缺陷
　　实验中还存在以下不足：①实验过程中只用了一种手机，实验数据较少，因而代表性不强;②实验中很难控制变量条件，执行任务时室外温度并不恒定，实验控制变量会随着手机的持续使用而产生变化;③经过查询可知，不同手机有不同硬件节能方案，因此实验结果不一定适用于其它手机;④电量消耗和手机运行导致相工作量下手机耗电量增加，因此表格数据未呈现标准线性变化。
　　5 案例分析
　　5.1 某道路状况监测
　　任务场景描述：某交通部门为舒缓某街道在时间段8：00-9：00的车辆拥堵情况，该交通部门需要对此路段该时间段内任意时刻的道路情况进行监测，从而更好地进行交通部门人员协调与分配，以缓解交通压力，减少交通事故。因此，交通部门在移动群智感知平台APP上发布相关任务：录取8：00-9：00时间段内每间隔10分钟某街道的50张图片（图片要求可以看清楚车辆数量），执行者数量为50。
　　5.2算法应用
　　5.2.1基于任务调度的传感器调用节能
　　从Android开发角度分析，任务执行过程中需要GPS位置信息和GPS数据信息，以确认手机拍摄的是该路段图片。可使用基于任务调度的GPS传感器调度算法，根据后台代码，只需在任务最开始和结束时更新GPS数据信息即可。因此，GPS传感器也只需在最开始和最后阶段（每个阶段拍第一张照片和最后一张照片时）开启并更新GPS信息，其余时间GPS传感器都处于关闭状态，以减少手机电量消耗，实现能耗最小化。
　　5.2.2群智感知过程节能
　　在任务执行过程中，数据收集和传输可使用节能算法。收集上午8：00-9：00该路段拥堵图片为任务数据，要求能够看清楚车辆数目即可，使用智能手机拍摄的图片会远远超出任务对于图片清晰度的要求，可使用图片压缩技术，在数据收集和传输过程中节省不必要的电量消耗，从而实现能源有效利用。
　　5.2.3参与者优选全局节能
　　从群智感知任务全局看，此次任务不仅要求执行者使用手机拍摄图片，还需执行者消耗大量时间执行任务，加上部分手机不能够支撑其完成耗电量巨大的任务。为了避免一些任务执行到一半却因为时间或手机电量不足等原因无法继续执行，而导致“无意义的”手机电量消耗，需要使用参与者优选方案。因此，选择100个最适合执行此任务的专业执行团队。
　　5.3案例结果分析
　　实验中共测试50组数据，依次进行3组：第一组是单体节能技术仿真实验，第二组是整体节能仿真实验，第三组是单体节能与整体节能结合仿真实验。实验结果如圖5所示。 　　图5中，左边柱体表示单体节能率，右边柱体表示整体节能率，折线表示（单体节能+整体节能）率。为避免实验结果的随机性，横坐标1-6号实验数据为多次实验取平均值后的结果。可以看出，虽然最终节能率为27.02%，但在实验过程中，节能率在1号实验中达到了最高，可在一定程度上证明已达到节能效果。最终实验结果如表8所示，实验可达到的最大节能率为27.02%。
　　实验过程中也遇到一些问题：手机随着不断拍摄会逐渐发热，手机耗电量在执行相同量任务情况下，温度越高耗电越快，导致实验不断暂停，最后借助空调房散热和风扇散热才勉强解决该问题;手机内存和缓存会对手机运行速度和耗电量产生影响等;在仿真数据上传过程中，网速不稳定也给实验带来极大影响和误差，目前该问题无法有效解决。后续将使用腾讯WeTest中的远程调试进行仿真模拟实验，确保温度、电量、内存、缓存等因素不变，降低实验误差。上述实验只是一天的任务执行情况，节能率已超过20%，随着任务增多，节能效果也将更好。
　　6结语
　　本文从移动群智感知任务源头上进行分析并采取相应节能措施，实现能耗最小化。首先利用单体节能，其包括群智感知平台APP开发过程中的传感器调度节能措施和群智感知任务执行过程中针对耗能较严重步骤的节能模块，使任务执行者在执行任务时减少个人能耗;然后从整体角度出发，使用参与者优选方案减少因随机分配导致任务与任务执行者的不适当分配而产生的额外能耗;最后通过实验对比发现，本文单体节能与整体节能相结合的方法，可以节约更多能源，实现能耗最小化。
　　同时，本文研究也存在待改进之处。一方面，本文实验量较少且实验类型单一，对于广泛存在的多元化手机类型和不具适用性的任务类型而言不太适用，并且未将模型中的时间量度与智能手机的CPU频率、电池、内存、计算能力等因素用公式表达出来，因此准确性有待商榷;另一方面，本文部分节能算法和因素比例关系较简单，多种节能方式结合理想化，但移动群智感知中单体节能和整体节能的研究方向还有很多，如何更有效加以结合，发挥其更大作用值得进一步研究。
　　参考文献：
　　[1]肖甫，姜知非，谢晓辉，等.群智感知网络中一种高效节能的数据传输方法[P] CN10597953IA，CN201610323635.4，2016-09-28.
　　[2]赵东，马华东，刘亮，等.移动群智感知质量度量与保障[J].中兴通讯技术，2015，21（6）：2-5.
　　[3]刘琰 .郭斌 .吴文乐 ，等，移动群智感知参与者优选方法研究[J].计算机学报 ， 2017， 40（8）：1872-1887.
　　[4]WANG J T， WANC Y S. ZHANC D 0， et al. Energy saving techniquesin mobile crowd sensing： current state and future opportunities [c].IEEE Communications Magazine，2018，56（5）：164-169.
　　[5]HAO Y X.ZHANG D Q， CHEN C L， et al. iCrowd ： near-optimal taskallocation for pigg}'hack crowdsensiiig[J] . IEEE Trans.Mohile Comput-ing， 2016.15（8） ： 2010-2022.
　　[6]CANTI R K. FAN Y， HUIL. et al. Mobile crowdsensing ： current stateand future challenges[J] . IEEE Commun.Mag，2011（49） ： 32-39.
　　[7]JIE L. PRIYANTHA B. HART T. et al. CO-GPS： Energy efficientGPS sensing with cloud offloading[J]. IEEE transactions on mohilecomputing， 2016， 15（6）：1348-1361.
　　[8]WANG L Y. ZHANG D Q， YAN Z X. et al. effSense ： a norel mohilecrr，wd-sensiW framework for energy-efficient and cost-effective datauploading[J] . IEEE Transactions on Systems Man &. Cybernetics Sys-tems. 2015. 45（12） ： 1549-1563.
　　[9]WANF J T. WANG Y S， ZHANG D Q， et al. Real-time and generic
　　queue time estimation hased on mobile crowdsensing [J].Frontiers of Computer Science in China ， 2017.11 （I）：49-60.
　　[10]MA H D， ZHAO D， YUAN P Y. Oppoitunities in mobile crowd sens-ing[Jl. Cnmmunications Magazine，IEEE，2014.52（8） ： 29-35.
　　[11]劉云浩.群智感知计算 .中国计算机学会通讯 . 2012，8（10） ：38-41.
　　[12]WANG LY.ZHANG D Q， WANG Y S， et al. Sparse mohile crowd-sensing： challenges and opportunities[J]. IEEE Comniun. Mag.，2016.54（7） ：161-167. 　　[13]GUO B . WAhrG Z， YU Z W. et al. Mobile crowd sensing and comput-ing： the review of an emerging human-powered sensing paradigm[J].ACM Computing Surveys， 2015. 48（1） ： 1-5.
　　[14]HAO Y X. ZHANC D 0， WAhrC L Y， et al.CrowdRecruiter： select-ing partic：ipants for piggyback cro，vdsensing under prohabilistic cor-erage constraint [C]. ACM International Jnint Conference on Perva-sire and Ubiquitous Computing， 2014.
　　[15]WANG L.YU Z W，ZHANG D Q， et al. Heterogeneous multi-task as-signment in mobile crowdsensing using spatiotemporal correlation[Jl. IEEE Transactions on Mohile Cnmputing， 2019， 18（1） ： 84-97.
　　[16]CUO B， CHEN H H， HAhr 0， et aI.Worker-contributed data utilitymeasurement for visual crowdsensing systems [J] . IEEE Transactionson Mobile Computing ， 2016（99） ： 1-3.
　　[17]CANTI. R.K， FAhr Y. HLI L， et al. Mobile crowdsensing： currentstate and future challenges EJI.Communications Magazine IEEE，]2011. 49（ 1IJ ： 32-39.
　　[18]GUO B， YLi Z W， ZHANC D Y， et al. Frrim participatory sensing tomohile crowd sensing [Cl. 12th IEEE International Conference onPerx'asieComputing and Commu nication （PERCOM），2014.
　　（责任编辑：孙娟）
　　收稿日期：2019-12-17
　　作者簡介：苏江宾（1996-），男，西北工业大学计算机学院硕士研究生，研究方向为移动群智感知、普适计算;於志文（1977-），男，博士，CCF高级会员，西北工业大学计算机学院教授、博士生导师，研究方向为移动群智感知、普适计算、HCI;刘一萌（1991-），女，西北工业大学计算机学院博士研究生，研究方向为移动群智感知、泛载操作系统、人工智能;郭斌（1980-），男，博士，CCF高级会员，西北工业大学计算机学院教授、博士生导师，研究方向为移动群智感知、普适计算、HCI。
转载注明来源:https://www.xzbu.com/8/view-15247961.htm