[论文解读] Balanced Wireless Crowd Charging with Mobility Prediction and Social Awareness

Tamoghna Ojha, Theofanis P. Raptis+2 more|arXiv (Cornell University)|Apr 20, 2022

Energy Harvesting in Wireless Networks参考文献 24被引用 9

一句话总结

MoSaBa 提出了一种集中式、兼具移动性和社交意识的对等节点选择方法，用于对等无线群体充电，通过马尔可夫模型预测未来接触机会，并利用社交背景（基于位置的兴趣）和社交关系（自我报告的联系人）来优化能量交换。通过智能配对最小化能量损失，该方法在收敛速度、网络总能量和能量波动距离方面优于现有最先进方法。

ABSTRACT

The advancements in peer-to-peer wireless power transfer (P2P-WPT) have empowered the portable and mobile devices to wirelessly replenish their battery by directly interacting with other nearby devices. The existing works unrealistically assume the users to exchange energy with any of the users and at every such opportunity. However, due to the users' mobility, the inter-node meetings in such opportunistic mobile networks vary, and P2P energy exchange in such scenarios remains uncertain. Additionally, the social interests and interactions of the users influence their mobility as well as the energy exchange between them. The existing P2P-WPT methods did not consider the joint problem for energy exchange due to user's inevitable mobility, and the influence of sociality on the latter. As a result of computing with imprecise information, the energy balance achieved by these works at a slower rate as well as impaired by energy loss for the crowd. Motivated by this problem scenario, in this work, we present a wireless crowd charging method, namely MoSaBa, which leverages mobility prediction and social information for improved energy balancing. MoSaBa incorporates two dimensions of social information, namely social context and social relationships, as additional features for predicting contact opportunities. In this method, we explore the different pairs of peers such that the energy balancing is achieved at a faster rate as well as the energy balance quality improves in terms of maintaining low energy loss for the crowd. We justify the peer selection method in MoSaBa by detailed performance evaluation. Compared to the existing state-of-the-art, the proposed method achieves better performance trade-offs between energy-efficiency, energy balance quality and convergence time.

研究动机与目标

• 解决现有对等无线电力传输（P2P-WPT）方法的局限性，这些方法假设对所有节点有完整知识且交换时间无限制，导致高能量损失和收敛缓慢。
• 通过在节点选择中引入移动性预测与社交信息，提升移动机会网络中的能量均衡质量。
• 通过基于预测接触机会与社交特征选择最优对等节点对，减少能量波动距离并最大化总网络能量。
• 探索移动性与社交性对能量交换效率的联合影响，突破以往仅孤立考虑其中任一因素的局限。

提出的方法

• 使用 O(k) 马尔可夫预测器，基于历史移动数据预测移动设备的未来移动模式。
• 结合两个维度的社交信息：社交背景（基于位置的兴趣）和社交关系（自我报告的联系人），以预测接触机会。
• 执行增量式节点选择——首先基于社交背景，再基于社交关系——旨在最小化能量损失与波动距离。
• 采用集中式决策机制，选择预测接触时长较长且能量损失较低的节点对，确保更快收敛至能量平衡。
• 通过优先选择预测接触时长较长且能量损失较低的节点对，优化能量交换，提升整体网络能量效率。
• 采用启发式节点配对方法，综合考虑能量水平与目标平衡的接近程度，在高负载场景下决策延迟低于 1 ms。

实验结果

研究问题

• RQ1 整合移动性预测与社交信息如何提升对等无线群体充电中的能量均衡性能？
• RQ2 社交背景（基于位置的兴趣）与社交关系（自我报告的联系人）对接触预测准确率与能量交换效率有何影响？
• RQ3 MoSaBa 在收敛速度、能量损失与平衡后总网络能量方面与最先进方法相比如何？
• RQ4 社交特征的引入在多大程度上降低了网络中的能量波动距离？
• RQ5 在具有动态移动性与社交互动的移动机会网络中，集中式、基于知识的方法是否能优于去中心化或反应式节点选择？

主要发现

• MoSaBa 在收敛至能量平衡方面优于 MobiWEB、PGO 和 PFT，尤其在较高能量损失率（β = 0.4）下，达到目标能量水平的节点数量显著更多。
• 平衡后，MoSaBa 的总网络能量始终高于基准方法，表明其能量效率更高且累积损失更低。
• MoSaBa 的能量波动距离最小，证明其通过优化节点配对与减少交换过程中的损失，实现了更优的能量均衡质量。
• MoSaBa 的对等会面次数高于 PGO 与 PFT，且与 MobiWEB 相当，但能量损失更低，展现出更优的性能权衡。
• 在峰值负载迭代（1–5）中，每次迭代的执行时间保持在 1 ms 以下，证实了该方法的可扩展性与低延迟决策能力。
• 随着节点数量增加（m = 150），执行时间呈比例上升，这是由于对等会面频率提高，证实了会面数量与计算成本之间存在直接相关性。