面向物联网感知业务过程去中心化的DECR决策支持方法——业务风险与能耗的双目标权衡

《Sensors》：Decentralising IoT-Aware Business Processes Balancing Business Risk and Energy Consumption

　　

随着物联网（Internet of Things, IoT）设备能力增强，其参与业务过程（business processes, BPs），执行过程活动并作出传统上由中心系统承担的控制决策。这产生了设计时去中心化问题：在设备资源有限、通信故障和电池约束下，决定每个过程元素应在何处执行。现有面向IoT感知BPs的去中心化方法主要关注通信开销、能耗、时延或可靠性等运行准则。然而，这些方法对分析相互竞争准则之间的权衡支持有限，且通常不考虑故障的业务影响。本文提出DECR，一种通过联合考虑能耗与业务风险来实现IoT感知BPs去中心化的决策支持方法。DECR通过结合可靠性与业务价值，将风险建模为期望业务损失，并将去中心化问题形式化为双目标广义分配问题（bi-objective generalised assignment problem），采用改进的双目标模拟退火（simulated annealing）元启发式进行求解。DECR并非提供单一解，而是为过程利益相关者提供潜在Pareto有效（Pareto-efficient）替代方案，以支持根据能耗约束和风险偏好选择去中心化模型，从而实现业务对齐决策。该方法通过基于真实世界IoT原型的灌溉案例研究进行说明，并进一步通过敏感性分析和计算研究进行评估。

论文解读：该文围绕物联网（Internet of Things, IoT）设备参与业务过程（business processes, BPs）后的设计时去中心化问题展开。随着IoT设备具备感知、执行和本地决策能力，其可执行过程活动并承担部分控制决策，过程设计者需决定每个过程元素在中心系统、IoT设备、边缘节点等参与者间的执行位置。现有面向IoT感知BPs的去中心化研究主要优化通信开销、能耗、时延、可靠性等运行指标，对多准则权衡分析支持有限，且多采用单目标或加权聚合并只给出单一解；可靠性本身也不能等同于故障的业务风险。为此，研究人员提出DECR决策支持方法，将能耗与业务风险作为两个独立目标，生成潜在Pareto有效去中心化替代方案，以支持与业务目标和风险偏好对齐的决策。其意义在于显式暴露竞争目标间的权衡，而非规定单一解。

关键技术方法概述：研究人员定义语言无关层次图，抽象过程结构、参与者、可变元素、转移概率、能耗、可靠性和业务价值，并以归约规则计算顺序、并行、条件、循环和容错模式块的风险与能耗；提出decrBPMN扩展，在riskaBPMN基础上增加能耗和可变元素信息，将BPMN（Business Process Model and Notation）模型转换为DECR图；将问题建模为无参与者容量约束的双目标广义分配问题（generalised assignment problem, GAP），用改进双目标模拟退火（simulated annealing, SA）维护潜在非支配解并采用返回基准策略。案例来源为与Lisbon city council合作开发的真实灌溉IoT原型；计算研究使用伪随机生成BP模型。

研究结果：5.1 BPMN Model of the Case Study。研究人员以灌溉系统为案例，用BPMN建模Central Pool与IoT Pool，包含湿度、温度、降雨传感器读取、天气预报、灌溉时长确定、阀门开闭及数据保存等活动，并标出可变BPMN元素及类别，用于说明如何以真实IoT原型构建去中心化决策场景。5.2 DECR Methodology Application to the Case Study。该案例含10个可变任务和2个参与者，问题规模为2¹⁰=1024。改进双目标SA运行十次得到两个解；两解均将IF1、END IF1、IF2、END IF2移至IoT Pool，从而减少通信任务、能耗和风险。两解差异在于ST1的执行参与者：由Central Pool执行时能耗较低，由IoT Pool执行时因减少一对通信任务而风险较低。穷举全部1024个可行分配验证了这两个解为Pareto有效，并显示能耗与业务风险之间的权衡。5.3 Sensitivity Analysis。研究人员对通信可靠性、IoT设备可靠性、Category 1和Category 2业务价值、定时器能耗、通信能耗和IoT设备能耗进行?20%、?10%、+10%、+20%扰动。敏感性分析显示，在所有测试场景中，最优解数量及对应模型保持不变，说明案例解在给定参数变化下稳定；但风险值依赖可靠性和业务价值估计质量，该稳定性不能推广，生成Pareto前沿应结合输入假设和不确定性解释。5.4 Computational Study。研究人员用伪随机BP生成器构造3参与者、10/20/30/40个可变节点、每组30个BP的计算实验。结果显示，多潜在Pareto有效替代方案频繁出现：10节点和20节点分别有66.7%和60%的BP至少产生两个解，30节点和40节点分别为63.4%和80.0%；三个及以上解的比例由20%和23.3%升至36.7%和53.3%；30节点组单个BP最多找到14个解。平均执行时间由4963 ms增至63,424 ms，平均稳定迭代由36,165增至79,699。该研究说明问题常存在多个非支配替代方案，支持采用多目标优化和备选集合决策支持。

讨论与结论：讨论部分指出，DECR的主要决策支持贡献在于显式暴露竞争目标间的权衡，而非规定单一解；该方法可推广到风险不可避免且需考虑其他成本维度的情境。其评估目前限于真实灌溉案例和伪随机生成BP，其他领域适用性尚待实验验证；未来工作包括支持非结构化BP、医疗、工业IoT、云边计算，纳入参与者容量约束，以及研究交互式决策支持机制。第6节 Conclusions 研究结论翻译：本文处理IoT感知业务过程的设计时去中心化，联合考虑能耗与业务风险这两个IoT环境中的关键准则。现有方案主要关注能耗、通信开销或可靠性等运行准则，对评估去中心化决策的业务后果支持有限。为克服该局限，研究人员提出DECR，一种将风险显式集成为故障对业务的期望影响、结合可靠性与业务价值的决策支持方法，以支持符合组织目标的决策；DECR提供潜在Pareto有效替代方案，供利益相关者分析业务风险与能耗之间的权衡。DECR包含面向IoT感知BPs的建模方法，为模型补充去中心化决策所需信息；将去中心化形式化为双目标广义分配问题，并用改进双目标模拟退火算法生成潜在Pareto有效去中心化替代方案。灌溉案例表明去中心化决策存在能耗与业务风险的真实权衡，多个Pareto有效替代方案说明二者在IoT环境中本质冲突，忽视其一可能导致次优或错配决策；敏感性分析表明识别出的替代方案在主要输入参数变化下保持稳定；伪随机BP计算研究表明多个潜在Pareto有效替代方案频繁出现，强化了以决策替代集合而非单一优化解支持利益相关者的重要性。从决策支持角度看，DECR的主要贡献是显式暴露竞争性去中心化目标之间的权衡，使利益相关者能够依据运行约束、业务优先级和风险接受准则分析替代模型。该方法也可应用于风险不可避免且考虑人力资源或云资源货币成本、时延或碳足迹等其他成本维度的情境。尽管DECR在概念上不限于灌溉领域，其评估目前仍限于真实灌溉案例和伪随机生成BP，其他领域的适用性尚待实验验证。未来工作将扩展方法以支持结构化程度较低的BP模型，并评估其在医疗、工业IoT和云边计算等领域的适用性；为此需纳入参与者容量限制及节点资源需求，使优化算法仅生成可行替代方案，并研究交互式决策支持机制以帮助利益相关者从Pareto前沿中选择方案。总之，该工作通过将业务风险和能耗显式集成到IoT感知BPs去中心化中，推进了现有研究，支持分布式IoT环境中更明智、与业务对齐的设计决策。