CN103501232B - 一种移动环境下基于虚拟终端的群组协作系统及方法 - Google Patents

Abstract

本发明公开了一种移动环境下基于虚拟终端的群组协作系统及方法，建立以基于虚拟终端的以个人为中心的群组移动模型为核心的群组协作系统。在用户对业务的Qos需求度不高时，执行移动性预测任务：即通过预测中心节点“用户”移动情况，参与终端自主搜索各自位置的各种状态信息，通过控制器根据业务要求以及用户偏好等因素，预先选择能够为用户实现最佳服务体验的若干终端，构成动态变化的虚拟终端群组；而在用户对业务的Qos需求较高时，执行移动性指导任务：即搜集各终端在当前地点临近区域的状态信息，结合用户的目的方向，判断哪个区域的终端群组最能满足业务需求，作为用户的下一步移动方向，使用户在移动中始终能够享受最佳的服务体验。

Description

一种移动环境下基于虚拟终端的群组协作系统及方法

技术领域

本发明属于通信领域，涉及群组协作系统，特别涉及一种移动环境下基于虚拟终端的群组协作系统及方法。

背景技术

国内外现有的群移动模型的研究基本上源于Ad hoc网络，主要的几种群组移动模型如下：

1)参考点群组移动模型(RPGM)

在该模型中，每个群组都有一个逻辑中心，逻辑中心的移动属性定义了群组节点的运动方式，包括位置、速度、方向和加速度等；群组内每个节点都被分配一个参考点，参考点跟随群组的移动而发生位置变化。节点自由分布在参考点周围并在参考点范围内独立移动，参考点为节点提供配置参数；当参考点发生移动时，首先参考点RP(t)带着群组的位移矢量GM(由逻辑中心的位移决定)发生位移RP(t)--->RP(t+1).然后，新的节点位置由随机的位移矢量RM加到新的参考点RP(t+1)生成。

此外，参考速度群组移动模型(RVGM)，基于虚拟轨迹的移动模型，队列移动模型，游牧团体移动模型，追逐移动模型，狭长的组移动模型(GGM)都是基于参考速度群组移动模型(RVGM)的变种。

2)群组力移动模型

群组力移动模型是一种结合了引力和斥力概念的群组移动模型。该模型借鉴了社会力的概念模型，提出节点之间存在3种类型的“虚拟”群组力，即目标点对节点的吸引力、节点之间避碰的斥力和节点与边界之间的斥力，并利用服从指数分布的群组力来调节移动群组节点的运动，两节点之间的斥力随着节点间距离的增加呈指数下降；当节点间距离增大到某个距离阈值时，斥力转化为引力。

3)参考区域群组移动模型

该模型中，每个群组与一个参考区域关联，群组节点向参考区域运动，当群组内所有节点到达该参考区域后，模型会产生新的参考区域位置；该模型定义了两种类型的群组：活动群组和等待群组。活动群组有确定的目标点，组内节点可以向参考区域运动或者在参考区域范围内运动；等待群组没有分配目标点，组内节点仅在当前区域内运动，直到该群组被分配目标点产生新的参考区域位置为止。

该模型中群组的分解通过设定新目标点来实现。在群组节点的运动过程中，如果出现新的目标点，则距离目标点最近的等待群组将变为活动群组，并向目标点运动；如果没有处于等待状态的群组，则从距离目标点最近的活动群组中随机选择一定数量的节点组成新的群组。当一个群组到达目标点后。该群组将变为等待群组，与目标点范围内的其他等待群组合并成新的群组，并向距离最近的参考区域运动。

4)事件驱动的群体移动模型(EMM)

事件驱动的群体运动模型(EMM)是一种基于节点轨迹的移动模型。节点(士兵的传感器)为完成某一任务在不同的时间运动到不同地点，节点的位移由一连串的“移动、停留”动作构成。首先，节点选择要跟踪的目标；然后，节点根据选择的目标制定移动路线，最后节点根据路线向目标移动。在移动过程中，节点运动的路线采用避开障碍物机制。

5)基于Gibbs分布模拟退火的群组移动模型

通过选择Gibbs势函数，采用分步模拟退火算法，有效的描述了群体移动中的以下行为：聚集行为：表现为分散的大规模移动节点向指定地点的汇集过程，例如战术部队的集结、作战飞机的编队汇合等；分散行为：表现为大规模移动节点在特定区域内的分散和展开过程，例如大规模无人机集群在敌空域内执行区域搜索和侦察任务；线形编队行为：表现为分散的大规模节点形成有规律的线性队形的过程。

上述模型的共同点是没有考虑地理环境因素对节点运动轨迹的影响，所以越来越多的人开始研究基于真实环境的移动模型，提出了一些基于真实环境的移动模型，例如：障碍物移动模型、受限群移动模型等。每种移动模型都有其自身的特点，不同场合节点的运动有其自身不同的方式，因此要根据实际情况选择或构造合理的移动模型。

随着物联网技术的发展，各种以用户为中心的智能化业务逐渐浮出水面。其中，智能医疗业务结合无线传感网技术、条码RFID技术、物联网技术、移动云计算技术、数据融合技术等，将进一步提升医疗服务效率和服务质量，提升医院综合管理水平，实现监护工作无线化，全面改变和解决现代化数字医疗模式。

将物联网技术用于医疗领域，借由数字化、可视化模式，通过射频仪器等相关终端设备在家庭中进行体征信息的实时跟踪与监控，通过有效的物联网，可以实现医院对患者或者是亚健康病人的实时诊断与健康提醒，从而有效地减少和控制病患的发生与发展。随着移动互联网的发展，未来医疗向个性化、移动化方向发展，更多的用户将使用移动医疗应用，而诸如智能胶囊、智能护腕、智能健康检测产品等将会广泛应用；借助智能手持终端和传感器，可以有效地测量和传输用户的即时健康数据。

发明内容

本发明解决的问题在于提供一种移动环境下基于虚拟终端的群组协作系统及方法，关注群组本身的主观因素，对群移动模型进行相应的改进，以满足移动环境中群组协作的要求。

本发明是通过以下技术方案来实现：

一种移动环境下基于虚拟终端的群组协作系统，包括：

虚拟终端：以用户为中心提供统一服务的终端群组，当用户位置移动时终端群组以用户为中心重新构建；虚拟终端周期性的采集用户的位置和状态信息；

网络：包括虚拟终端间进行信息交互的个域网和虚拟终端同控制中心交互的异构网络；

控制器：负责处理虚拟终端所搜集到的信息，进行终端选择、任务分工和信息发送。

所述的虚拟终端中统一服务的终端群组，是以个人业务为中心的服务群组，其中个人为终端群组的中心节点，中心节点对群组内部节点的构成具有决定性的影响，中心节点的行为规律和偏好决定了整个终端群组位置的变化，当中心节点位置变化时终端群组构成及状态相应的变化。

当用户位置移动时，终端群组以用户为中心相应移动，其移动性包括位置移动性和结构移动性；

所述的位置移动性是指整个群组位置和群组内节点相对位置随着用户移动而发生的变化；

所述的结构移动性是指由于环境因素引起的群组内部节点相对运动，内部节点相对运动主要表现为不同终端节点的离开与加入，是一种离散性行为。

所述的位置移动性表现为：

在个人业务质量需求不高的情况下，仅对伴随用户移动的整个终端群组的位置进行预测和模拟，执行移动性预测任务，是由位置移动性决定结构移动性，即通过对用户移动方向的预测，提前做好下一位置的终端选择工作；所述位置的预测，利用数据挖掘技术对用户的以往行为进行总结，得到用户惯常行为路线，再根据上下文信息，判断下一可能位置的服务终端群组构成；

在个人业务质量需求度较高的情况下，需要随时掌握用户的详细信息并将其发往控制中心，用户在前往目的地过程中需要选择能够方便发送数据的路线，执行移动性指导任务；此时由结构移动性决定位置移动性，即通过对用户当前位置邻近区域的网络、交通的状态分析，得到下一步可能行进路线上的终端群组的服务能力，选择最满足用户业务需求的方向作为路线指导。

当用户移动到新的位置时，虚拟终端重新的构建包括终端选择和终端聚合；

所述的终端选择为：每当用户到达一个新的位置，或者对用户要到的下个位置的终端群组进行预测时，不仅考虑当时当地终端是否可用，并结合网络状态、业务需求、用户偏好、成本开销和终端能力进行判定，从中选出若干个最合适的终端协作完成业务；

所述的终端聚合是解决终端选择后的信息发送协调问题，虚拟终端的聚合采用以下两种方式：一种是中心主控式，通过设置控制器，利用个域网为虚拟终端内部各任务终端发送指令；另一种是分布式控制，不设定固定的控制器，根据各终端能力自行调整控制功能归属。

一种基于移动环境下基于虚拟终端的群组协作系统的群组协作方法，包

括以下操作：

(1)在系统中设定好用户预期目的地，标志用户此次行动的终点，也是路线预测的终点；

(2)在系统中设置预测步长，周期性的获取用户的状态信息；

(3)系统获取用户当前位置，及终端、网络的状态信息；

(4)系统根据终端收集的信息对用户业务需求质量进行判定，若高于设定的阈值则转入步骤(5)所述的移动性预测；若低于设定的阈值，则转入步骤(6)所述的移动性指导；

(5)移动性预测：利用数据挖掘的方法，通过搜集的所用户历史数据信息，并根据用户当前位置和状态信息，模拟用户的行动路线，获取用户下一步移动方向；

(6)移动性指导：通过获取用户当前状态信息，采用Floyd算法来进行路径选择，生成目标可达路径；路径的权值由层次分析法获得的权重系数L来确定，权重系数L中每个元素对应了各个终端的选择系数；通过Floyd算法获得从当前到目的地的最优路径，获得下一步长应当前往的位置；

(7)在用户到达下一步移动位置之后，根据层次分析法确定的终端能力权值L，完成终端选择过程；并根据终端选择结果，完成虚拟终端重构聚合；

(8)判断用户的下一位置是否到达目的地，若是，则结束操作，生成包含用户位置和状态信息变化的终端群组的移动路径；若不是，则转入步骤(2)重复操作。

所述的移动性预测为：采用基于行为策略的位置跟踪：收集用户的长期移动日志，挖掘用户的行为规律；利用用户的行为规律统计出其行为随时间变化的概率，从而对用户的位置进行模拟预测；当用户到达预测侧的位置后，随着用户位置的变化，用户周边可使用的终端也发生变化；此时，构成个域网的各终端组件相互广播各自的状态信息，并根据自己当前的状态和业务要求，选择是否加入虚拟终端即有效终端群组的构成。

所述的移动性指导中的Floyd算法为：

对于任意一个顶点v_k∈V，v_i到v_j的最短路径经过v_k或不经过v_k；Floyd算法比较d_ij与d_ik+d_kj，如果d_ij>d_ik+d_kj，则令d_ij＝d_ik+d_kj，保持d_ij是当前搜索到的v_i到v_j的最短距离。重复这一过程，当搜索完所有时，d_ij就是v_i到v_j的最短距离。

所述的移动性指导中的层次分析法为：

将影响终端选择的物理信息、逻辑信息、相对信息作为层次分析法进行终端选择的权重因子，然后构造成对比较矩阵、一致性检验、计算权向量，得到权重系数L。

所述的虚拟终端重构聚合采用以下方式之一：

1)中心控制方式：

在用户最常用的终端设备上，设置中心控制器，其余各终端通过个域网，定时发送各自当前功能信息和网络信息到中心控制器，由中心控制器来整合各终端信息，并通过层析分析法选择出目前状态下构成虚拟终端的终端群；

2)分布式控制方式：

首先为可能构成移动群组的每个终端安装一个控制器，由控制器来负责提供终端信息的广播和发现机制、终端实体的和汇报机制、组件实体的状态管理机制、终端实体动态聚合重构的控制机制；

然后根据终端能力和个人业务变化情况，按照ABE策略设定不同的优先等级；当终端组件聚合重构以后，根据优先级将居于核心地位的控制器定义为主控器；

随着用户在不同的个人业务环境之间移动，主控器不断地相互探测和感知周围其他终端；当业务变化或者有新的终端加入时，立即按照ABE策略重新进行主控器的筛选，完成虚拟终端群组的重构，并由主控器分配各参与终端的发送接收任务。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供的移动环境下基于虚拟终端的群组协作系统及方法，将用户周边可用的各种设备通过有线或无线网络连接成个域网，并通过控制软件将他们联系起来构成一个“虚拟终端”，当用户位置发生变化时，由于位置、网络或终端状态的变化，根据业务要求与终端能力进行最大相关匹配，将虚拟终端进行重构为用户提供最佳的服务体验。

以往各种移动性模型大多考虑的是静态的环境情况，而且不关注群组本身的主观因素，本发明提出对群移动模型进行相应的改进，比如在智能医疗业务等个人应用场景下，群组的移动是受决策控制的，群组周围的环境是动态变化的，而且群组本身也是变化的，而先前Ad hoc网络下的各种群移动模型并不适用。

本发明提供的移动环境下基于虚拟终端的群组协作系统及方法，能够在以往只考虑静态环境的群移动模型基础上融入用户需求、环境变化以及业务内容三个因素，建立新型的群组移动模型，使模型并不单单只是对群组行为的一种描述、预测，更包含了对群组变化趋势的控制、指导功能，使从而达到提供最佳服务体验的理念。

本发明提供的移动环境下基于虚拟终端的群组协作系统及方法，所描述的移动群组，指的是可以提供同一个人服务业务的终端群组；所描述的群组移动性，它不仅指整个群组位置和群内节点相对位置的变化，更包含了随着位置或者网络状态等引起的群内部节点的相对运动，这种运动主要表现为不同终端节点的离开与加入，是一种离散性行为而非连续性的；将以上两种情况概括为：位置移动性和结构移动性；

本发明提供的移动环境下基于虚拟终端的群组协作系统及方法，所描述的协作系统中基于虚拟终端的群组移动模型，是一个包含中心节点的群组移动模型。用户的行为规律决定了整个群组位置的变化，而且由于位置改变引起的网络变化等因素，中心节点“人”对群组内部节点的构成也有决定性的影响。在该移动模型中，用户的行为习惯和兴趣偏好也是关注的重要方面；

本发明提供的移动环境下基于虚拟终端的群组协作系统及方法，针对业务中的不同情况对位置移动性和结构移动性的关系进行了创新性描述。在用户对业务的Qos需求度不高时，由位置移动性决定结构移动性，即通过对用户移动方向的预测，提前做好下一位置的终端选择工作；这里的位置预测，可以利用数据挖掘技术对用户的以往行为进行总结，得到用户惯常行为路线，然后根据上下文信息，判断下一可能位置的服务终端群组构成；而在用户对业务Qos需求度较高的情况下，由结构移动性决定位置移动性，即通过对用户当前地点邻近区域的网络、交通等状态分析，得到下一步可能行进路线上的各点终端群组构成服务能力，选择最满足用户业务需求的方向作为路线指导；

本发明提供的移动环境下基于虚拟终端的群组协作系统及方法，提出的协作系统在对群移动场景的描述中，不仅考虑了用户需求和偏好，还结合了业务和环境两个关键要素。这在从移动群组中选择合适终端构成虚拟终端构成中体现出来。每当用户到达一个新的地点，或者对用户要到的下个地点的终端群组进行预测时，不光要考虑当时当地终端是否可用，更应该结合网络状态、业务需求、用户偏好、成本开销和终端能力进行判定，从中选出若干最合适终端协作完成业务。这里，选择标准基于最佳用户体验准则ABE(Aways BestExperience)。

本发明提供的移动环境下基于虚拟终端的群组协作系统及方法，协作系统中的新型群组移动模型不仅仅是对用户行为的预测、模拟，更带有指导、控制功能。控制功能的具体实现通常有两种方式：一种是中心主控式，在最常用的终端(如手机)上设置主控器，通过个域网为虚拟终端内部各任务终端发送指令；另一种是分布式控制，不设定固定的控制终端，根据各终端能力自行调整控制功能归属。

附图说明

图1是一种设想的移动环境下的业务场景图；

图2是移动性预测数学模型示意图；

图3是智能医疗业务总体流程图；

图4是影响终端选择的几个关键因素；

图5是以基于虚拟终端个人为中心群移动模型结构图；

图6是移动环境下基于虚拟终端的群组协作系统工作的流程图。

具体实施方式

本发明从智能医疗业务出发，对多网络状态下多终端群组移动性管理情况进行了研究，提出了移动环境下基于虚拟终端的群组协作系统及方法。在该系统中，群移动模型的建立是研究的根本。物联网中，异构网下的移动性管理需要实现安全机制、位置管理、切换控制和互操作控制四个关键控制功能，其中的位置管理和切换控制需要移动模型的支持。各种针对异构网的位置管理算法可以在移动模型上仿真以检验其性能。切换控制保证移动终端在改变网络接入点时业务的连续性。为了保证平滑切换，需要终端在接近网络边缘时向网络发出警示，以便提前做好切换准备，即需要预测用户的位置。而位置预测与用户的移动是分不开的，它需要用户过去的移动信息预测用户将来的行为。由此可知，移动模型为移动性管理提供了仿真环境，各种与节点移动有关的功能都需要在移动模型上进行检验，以期望能在实际应用中达到满意的效果。

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

一种移动环境下基于虚拟终端的群组协作系统，包括：

虚拟终端：以用户为中心提供统一服务的终端群组，当用户位置移动时终端群组以用户为中心重新构建；虚拟终端周期性的采集用户的位置和状态信息；

网络：包括虚拟终端间进行信息交互的个域网和虚拟终端同控制中心交互的异构网络；

控制器：负责处理虚拟终端所搜集到的信息，进行终端选择、任务分工和信息发送。

所述的虚拟终端中统一服务的终端群组，是以个人业务为中心的服务群组，其中个人为终端群组的中心节点，中心节点对群组内部节点的构成具有决定性的影响，中心节点的行为规律和偏好决定了整个终端群组位置的变化，当中心节点位置变化时终端群组构成及状态相应的变化。

当用户位置移动时，终端群组以用户为中心相应移动，其移动性包括位置移动性和结构移动性；

所述的位置移动性是指整个群组位置和群组内节点相对位置随着用户移动而发生的变化；

所述的结构移动性是指由于环境因素引起的群组内部节点相对运动，内部节点相对运动主要表现为不同终端节点的离开与加入，是一种离散性行为。

所述的位置移动性表现为：

在个人业务质量需求不高的情况下，仅对伴随用户移动的整个终端群组的位置进行预测和模拟，执行移动性预测任务，是由位置移动性决定结构移动性，即通过对用户移动方向的预测，提前做好下一位置的终端选择工作；所述位置的预测，利用数据挖掘技术对用户的以往行为进行总结，得到用户惯常行为路线，再根据上下文信息，判断下一可能位置的服务终端群组构成；

在个人业务质量需求度较高的情况下，需要随时掌握用户的详细信息并将其发往控制中心，用户在前往目的地过程中需要选择能够方便发送数据的路线，执行移动性指导任务；此时由结构移动性决定位置移动性，即通过对用户当前位置邻近区域的网络、交通的状态分析，得到下一步可能行进路线上的终端群组的服务能力，选择最满足用户业务需求的方向作为路线指导。

当用户移动到新的位置时，虚拟终端重新的构建包括终端选择和终端聚合；

所述的终端选择为：每当用户到达一个新的位置，或者对用户要到的下个位置的终端群组进行预测时，不仅考虑当时当地终端是否可用，并结合网络状态、业务需求、用户偏好、成本开销和终端能力进行判定，从中选出若干个最合适的终端协作完成业务；

所述的终端聚合是解决终端选择后的信息发送协调问题，虚拟终端的聚合采用以下两种方式：一种是中心主控式，通过设置控制器，利用个域网为虚拟终端内部各任务终端发送指令；另一种是分布式控制，不设定固定的控制器，根据各终端能力自行调整控制功能归属。

一种基于移动环境下基于虚拟终端的群组协作系统的群组协作方法，包

括以下操作：

(1)在系统中设定好用户预期目的地，标志用户此次行动的终点，也是路线预测的终点；

(2)在系统中设置预测步长，周期性的获取用户的状态信息；

(3)系统获取用户当前位置，及终端、网络的状态信息；

(4)系统根据终端收集的信息对用户业务需求质量进行判定，若高于设定的阈值则转入步骤(5)所述的移动性预测；若低于设定的阈值，则转入步骤(6)所述的移动性指导；

(5)移动性预测：利用数据挖掘的方法，通过搜集的所用户历史数据信息，并根据用户当前位置和状态信息，模拟用户的行动路线，获取用户下一步移动方向；

(6)移动性指导：通过获取用户当前状态信息，采用Floyd算法来进行路径选择，生成目标可达路径；路径的权值由层次分析法获得的权重系数L来确定，权重系数L中每个元素对应了各个终端的选择系数；通过Floyd算法获得从当前到目的地的最优路径，获得下一步长应当前往的位置；

(7)在用户到达下一步移动位置之后，根据层次分析法确定的终端能力权值L，完成终端选择过程；并根据终端选择结果，完成虚拟终端重构聚合；

判断用户的下一位置是否到达目的地，若是，则结束操作，生成包含用户位置和状态信息变化的终端群组的移动路径；若不是，则转入步骤(2)重复操作。

下面以智能医疗场景的模拟作为移动环境下的群组协作系统的说明：

参见图1，假设Hubert是智能医疗业务的用户。早上起床后，Hubert身上佩戴的血糖计、血压计等对他的相关健康信息进行了采集，此时，可用的传输手段有终端A、终端B、终端C等，将他们构成一个虚拟终端，然后根据健康信息的类型(视频、语音、文字等)和紧急程度，以及目前各终端的服务能力(电量、能够支持的信息类型、处理速率等)和所能连接网络状况(此时可连通的网络有网络1、网络2、网络3等)，选择合适的一个或者多个终端，向医院或指定医生发送各项生理指标，并获得反馈消息；

当用户Hubert出行在路上时，周围的网络分布发生了状况，同时可用的终端变为终端C、终端D、终端E，而网络状况变为网络3、网络4、网络5等，随着环境的变化虚拟终端需要进行重构，根据设定的准则重新选择合适的终端，能够随时发送健康消息；

当用户Hubert抵达目的地点后，可用终端和周围的相关网络条件可能又有了新的变化，这时还是应该根据预先设定的准则，随时更新虚拟终端构成和信息发送终端，为用户完成智能医疗业务。

上述智能医疗业务场景中，移动群组实际指的是分工合作、共同完成健康信息接收和发送功能的终端群组，可以把它理解为一个注册了智能医疗服务的虚拟终端。

随着Hubert位置的改变，当前可用终端和周围可用网络可能同时发生变化，为了满足Hubert最佳的智能医疗服务体验，应当随时根据发送数据类型、可使用终端及能力、可连接网络状况等信息，选择目前状态下最合适的若干终端发送信息到医疗机构；针对于这种情况，提出了基于虚拟终端的以个人为中心的群移动模型。

对预期的智能医疗业务场景分析，可以归纳出以下三个关键点：

1)宏观上，整个终端群组的移动是围绕着一个中心节点进行的，这个中心节点便是用户本身，他决定了终端的位置变化趋势；

2)终端群组的移动性与常规Ad hoc网络群移动模型不同之处于：群组的移动性不仅指整个群组位置和群内节点相对位置的变化，更包含了随着位置或者网络状态等引起的群内部节点的相对运动，这种运动主要表现为不同终端节点的离开与加入，是一种离散性行为而非连续性的；

3)针对于群组内部的离散型变化，需要设计一种合理的聚合及重构机制，使得终端群组能够在环境变化后迅速保持稳定。

移动环境下基于虚拟终端的群组协作系统，它的核心是基于虚拟终端的以个人为中心的群组移动模型，这是提出的用于解决智能医疗业务整个执行流程的一种控制方案，概括来说就是将用户周边可用的各种设备通过有线或无线网络连接成个域网，并通过控制软件将他们联系起来构成一个“虚拟终端”，当用户位置发生变化时，由于位置、网络或终端状态的变化，根据业务要求与终端能力进行最大相关匹配，将虚拟终端进行重构。

下面通过以下三个方面的介绍进一步对本发明进行说明。

1、群组的移动性规律

在类似智能医疗业务下的以个人为中心的群移动场景中，群组的移动主要有两方面的含义：一方面是伴随着中心节点——用户移动的整个虚拟终端的位置的改变；另一方面是，由位置变化、或网络状态、或终端状态等改变引起的虚拟终端内部结构的改变，这涉及到终端的重构。将这两个方面概括为位置移动性和结构移动性。对这两个移动性的分为以下两个方面：

1)在用户的健康程度良好，业务需求度较低的情况下，执行移动性预测任务。这时的主要工作是对于由中心节点—用户引起的具体位置移动性，可以采用基于行为策略的位置跟踪：收集移动用户的长期移动日志，挖掘用户的行为规律；对于特定的人群，日常的活动在时间和空间上都有相对较强的规律性，如老师，学生等；通过利用挖掘出来的用户的移动行为的规律可统计出每个用户的行为随时间变化的概率，从而对用户的位置进行模拟预测；另外，更重要的一点，对于以个人为中心的群移动模型下特定的群内部节点的“移动”。随着用户位置的变化，用户周围的网络环境很有可能随之改变，同时用户周边可使用的终端也会发生变化；这时候，构成个域网的各终端组件相互广播各自的状态信息，并根据自己当前的状态和业务要求，选择是否加入虚拟终端即有效终端群组的构成。

以上概括为实际上就是位置移动性决定结构移动性。

在不考虑不同类型数据同时传输的状态下，以上要求下的群移动模型的静态方案可以简要的通过如下几步来描述：

a)统计用户活动区域的网络分布，并根据以前数据获取各网络不同时段的负载状况，建立一张区域网络分布表(随时间改变而不同)；

b)根据各个区域用户可用终端情况、终端可接入网络的类型、及当地网络的负载状态等，针对当前传输信息的类型和速度、质量等要求，确定合适的门限准则模拟各终端在当地可用的概率；

c)当用户到达一个地方后，根据他历史行为规律，获取下一步最可能到达地点。然后可根据在当地各终端可用的概率及能够传输的数据类型，通过合适的阈值条件，选择合适的终端群来向医院传输消息。

参照图2移动性预测数学模型示意图所示，从具体业务中抽象出来的数学流程如下：

a)设构成移动群组的节点有N个，标记为a1,a2...aN,假定a0为中心节点，代表了整个移动群组的移动核心(即以个人为中心的意思)，每时每刻各构成移动群组的节点状态State(x,y)用0、1表示(0表示不可用，1表示可用)。向量r(t)记录中心节点的矢量移动，因此，各构成节点的矢量移动可以记录为r(t)*State(x,y)；

b)结合智能医疗业务对变量进行说明：r(t)的变化服从某一变化规律，智能医疗业务中，r(t)可以由用户的历史行为规律来模拟；各节点的State(x,y)由坐标点(x,y)的网络信息、和终端状态等来决定；

c)State(x,y)取值0,1的选择只是单纯考虑到各地点终端的可用状态，并未涉及到业务的需求，改进是根据业务需求，及终端能力合理调整权值。

2)而在用户的健康程度较差，业务需求度较高的情况下，执行移动性指导任务。由结构移动性决定位置移动性，即通过对用户当前地点邻近区域的网络、交通等状态分析，得到下一步可能行进路线上的各点终端群组构成服务能力，选择最满足用户业务需求的方向作为路线指导。

将以上数学抽象，同1)中的区别在于r(t)的确定：首先对当前坐标周围一定步长区域(确定准则包括，基础时间间隔或者基础距离间隔)的各节点State(x,y)情况作出统计，根据相关准则(智能医疗业务中的ABE)作出可能路线上的满意度指标函数Target，选取Max作为r(t+1)；

总结以上两个移动性模块在整个移动模型工作流程中的位置如图3所示。

2、终端群组的选择策略

在上面讨论了针对同一数据类型传输时的群组组织重构方法，但实际上，智能医疗业务中，可能同时需要多种数据的传输，比如文字、图像、视频等，这些信息的传送是需要一致发出的；同时，对于不同的数据类型，具体的服务要求也可能不太一样，比如文本信息要尽可能及时发送、视频和图像信息等要保持一定的质量等，因此应该根据具体情况设置合适的终端群组选择策略(见图4)。

终端选择策略概括来说主要受三方面因素的影响，分别是物理信息、逻辑信息和协作信息。

(1)物理信息指的是用户周围的环境情况，以及周围可用终端的状态等客观信息，他们影响着终端当前具体的能力状态；

(2)逻辑信息指的是用户的偏好、主观倾向等一些预先设定的要求类，这是该业务中体现最佳服务体验的需要；

(3)协作信息指的是各终端之间相互协同的能力，这里体现的是群组内部的凝聚力。

终端选择的过程，实际上就是在获取相关逻辑信息和物理信息后，根据不同的发送数据类型要求以及各终端之间的协作关系，选择当前最能满足条件的若干个终端共同构成群组来协调工作。在这里，选择方案是基于ABE(Always Best Experience)的，具体过程如下：

(1)首先根据物理信息判断当前可用的终端，确定每个可用终端的可接入网络；对应不同的发送数据要求，找出能够满足需要的所有终端；

(2)根据逻辑信息中用户的偏好和花费等具体因素，以及物理信息中网络和终端能力，结合不同终端之间的协作关系，确定完成不同发送任务的终端的优先级大小；

(3)根据以上准则，将不同发送任务的最优终端以及对应的发送网络构成发送群组，如果对于同一终端任务有冲突，则根据优先级的大小，逐一的重新筛选。

为了满足以上要求，采取层次分析法来进行终端选择过程，简称为AHP(AnalyticHierarchy Process)。设定α为单个终端的能力系数，他标志着一个终端的综合评价服务能力，α最终由影响终端能力所有因子乘以各自的权重相加得到，所以α求解的关键在于影响终端能力的权重因子的确定。

层次分析法计算权重因子分为三个步骤：构造成对比较矩阵、一致性检验、计算权向量。由于各影响因子的含义和单位的不同，在应用层次分析法之前需要对其做归一化处理。具体步骤如下：

(1)归纳影响终端能力系数的事件因子：假定影响α的因子包括终端能力c，接入网络能力s，终端当前状态t，通信花费情况p等；易知，假设当前终端的服务能力指数为α，那么α与各事件因子的关系为：c，s，t越小，α越小；p越大，α越小。

(2)因为各事件因子的量纲和含义不同，需要对各因子的取值归一化。正向指标的归一化：c′＝c/c_max,s′＝s/s_max,t′＝t/t_max；逆向指标的归一化：p′＝1-p/p_max(p的取值越大，p′的取值越小，满足权值设定要求)

归一化处理之后进行权重因子的确定，具体步骤如下：

(1)构建对比较矩阵：

根据事件因子假定可知，对比较矩阵A是一个4×4的矩阵，其中的元素a_ij表示第i个指标相对于第j个指标的相对重要性。举例如下：

$A=\left[\begin{array}{cccc}1& 1/3& 1/3& 1/5\\ 3& 1& 1& 1/3\\ 3& 1& 1& 1/3\\ 5& 3& 3& 1\end{array}\right]$

A中第1、2、3、4行分别对应终端能力、接入网络能力、终端当前状态和通信花费情况，相应地第1、2、3、4列也分别对应终端能力、接入网络能力、终端当前状态和通信花费情况。a₂₁表明终端能力对接入网络能力的相对重要性为3，相应地接入网络能力对终端能力的相对重要性为1/3，所以A为逆对称矩阵。

(2)一致性检验

A的最大特征值约为4.0435，不一致程度指标一致性比率CR＝CI/RI＝0.0161，其中RI是与A的阶数相关的一致性标准，在这里RI＝0.9。计算出的CR<0.1，所以A的一致性较好。

(3)权向量确定

A的最大的特征值对应的特征向量是[0.1304 0.3337 0.3337 0.8720]^T，归一化后的特征向量W为[0.0718 0.1998 0.1998 0.5222]^T，此向量即为由层次分析法得出的影响终端能力优劣的四种因素的权重因子。

因此，最终每个终端能力系数α的确定如下所示：

α_n＝[c′ s′ t′ p′]*W

由上式可计算出每个终端的当前服务能力指数，接下来需要做的是终端选择聚合过程，因此首先需要对各终端的能力权重进行判断；

这里同样采取上述方法，具体是将各终端能力指数α_n当做各事件因子，构造成对比较矩阵A′：

$A^{\&prime;}=\left[\begin{array}{cccc}{\mathrm{\&alpha;}}_{11}& {\mathrm{\&alpha;}}_{12}& ...& {\mathrm{\&alpha;}}_{1n}\\ {\mathrm{\&alpha;}}_{21}& {\mathrm{\&alpha;}}_{22}& ...& {\mathrm{\&alpha;}}_{2n}\\ ...& ...& ...& ...\\ {\mathrm{\&alpha;}}_{n1}& {\mathrm{\&alpha;}}_{n2}& ...& {\mathrm{\&alpha;}}_{nn}\end{array}\right]$

α_mn代表了终端m相对终端n的重要性；由A′根据前文所述的步骤可以求得新的终端权值向量W′；

终端权值向量W′表示了各终端在用户偏好和业务要求条件下的基本选择比例，这个的前提是各终端当前都处于同样的工作状态；由于不同时间场合下，各终端能力会有相应的变化，即对应了第一步求出的每个终端的当前服务能力指数α_n，因此最终的选择权重系数算法如下：

L＝[α₁*W₁ α₂*W₂ ... α_n*W_n]

L中各元素的值体现了各个终端目前对业务的服务能力优先度，所以就可以从中选取一个或者多个符合具体要求的终端构成群组。

3、终端的聚合及控制方案

在解决了终端群组的选择问题之后，需要考虑的只剩下终端的聚合和控制机制，及如何将选择出来的终端整合到一起，控制他们分工协作，共同完成信息的发送与接收功能。在这里，考虑了两种方案:

(1)中心控制方式

中心控制方案的含义就是在用户最常用的终端设备如手机上，设置中心控制器，其余各终端通过个域网等手段，定时发送各自当前功能信息和网络信息到手机，由中心控制器来整合各终端信息，并通过上面终端选择算法判定，选择出目前状态下构成虚拟终端的终端群。

(2)分布式控制方式

分布式控制采用了分布式终端的构建方案，简要介绍如下所示：

首先，为可能构成群组的每个终端组件安装一个控制器，由它来负责提供组件实体信息的广播和发现机制、终端实体的和汇报机制、组件实体的状态管理机制、终端实体动态聚合重构的控制机制等；

然后，根据终端能力和业务变化情况，按照合适策略设定不同的优先等级；当终端组件聚合重构以后，根据优先级将居于核心地位的控制器定义为主控器；

随着用户在不同的个人业务环境之间移动，主控器不断地相互探测和感知周围其他终端组件；当业务变化或者有新的终端加入时，立即按照既定策略重新进行主控器的筛选，完成虚拟终端群组的重构，并由主控器分配各参与终端的发送接收任务。

将以上三点归纳，可得到整个移动模型的结构图如图5所示。

在此基础上，移动环境下基于虚拟终端的群组协作系统的工作流程可由图6来展示：

(1)在系统中设定好预期目的地，标志用户此次行动的终点，也是路线预测的终点；

(2)在系统中设置预测步长，周期性的获取用户的状态信息；

(3)系统获取用户当前位置，及终端、网络的状态信息；

(4)系统根据终端收集的信息对用户健康状况(业务Qos)进行判定，若高于健康门限，健康状况良好，则转入移动性预测模块，跳到步骤(5)；若低于健康门限，则转入移动性指导模块，跳到步骤(6)；

(5)移动性预测：利用数据挖掘的方法，通过搜集的所用户历史数据信息，并根据用户当前位置和状态信息，模拟用户的行动路线，获取用户下一步移动方向；

(6)移动性指导：通过获取用户当前状态信息，采用Floyd算法来进行路径选择，生成目标可达路径；路径的权值由中层次分析法获得的最终选择权重系数L来确定，L中每个元素对应了各个终端的选择系数；如若只需要考虑第一个终端的能力要素，则可将向量中第一个值作为路径权值。

Floyd算法：对于任意一个顶点v_k∈V，v_i到v_j的最短路径经过v_k或不经过v_k；Floyd算法比较d_ij与d_ik+d_kj，如果d_ij>d_ik+d_kj，则令d_ij＝d_ik+d_kj，保持d_ij是当前搜索到的v_i到v_j的最短距离。重复这一过程，当搜索完所有时，d_ij就是v_i到v_j的最短距离；

通过Floyd算法获得从当前到目的地的最优路径，获得下一步长应当前往的地点；

(7)在用户到达下一步移动位置之后，根据层次分析法确定的终端能力权值L，完成终端选择过程；并根据终端选择结果，完成终端重构聚合；

(8)判断用户的下一位置是否到达目的地，若是，则结束，生成终端群组的移动路径(包含用户位置和状态信息变化)；若不是，则转入步骤(2)。

Claims (8)

1.一种移动环境下基于虚拟终端的群组协作系统，其特征在于，包括：

虚拟终端：以用户为中心提供统一服务的终端群组，当用户位置移动时终端群组以用户为中心重新构建；虚拟终端周期性的采集用户的位置和状态信息；

网络：包括虚拟终端间进行信息交互的个域网和虚拟终端同控制中心交互的异构网络；

控制器：负责处理虚拟终端所搜集到的信息，进行终端选择、任务分工和信息发送；

当用户位置移动时，终端群组以用户为中心相应移动，终端群组移动性包括位置移动性和结构移动性；

所述的位置移动性是指整个群组位置和群组内节点相对位置随着用户移动而发生的变化；

所述的结构移动性是指由于环境因素引起的群组内部节点相对运动，内部节点相对运动表现为不同终端节点的离开与加入，是一种离散性行为；

所述的位置移动性表现为：

在个人业务质量需求不高的情况下，仅对伴随用户移动的整个终端群组的位置进行预测和模拟，执行移动性预测任务，是由位置移动性决定结构移动性，即通过对用户移动方向的预测，提前做好下一位置的终端选择工作；所述位置的预测，利用数据挖掘技术对用户的以往行为进行总结，得到用户惯常行为路线，再根据上下文信息，判断下一可能位置的服务终端群组构成；

在个人业务质量需求度较高的情况下，需要随时掌握用户的详细信息并将其发往控制中心，用户在前往目的地过程中需要选择能够方便发送数据的路线，执行移动性指导任务；此时由结构移动性决定位置移动性，即通过对用户当前位置邻近区域的网络、交通的状态分析，得到下一步可能行进路线上的终端群组的服务能力，选择最满足用户业务需求的方向作为路线指导。

2.如权利要求1所述的移动环境下基于虚拟终端的群组协作系统，其特征在于，所述的虚拟终端中统一服务的终端群组，是以个人业务为中心的服务群组，其中个人为终端群组的中心节点，中心节点对群组内部节点的构成具有决定性的影响，中心节点的行为规律和偏好决定了整个终端群组位置的变化，当中心节点位置变化时终端群组构成及状态相应的变化。

3.如权利要求1所述的移动环境下基于虚拟终端的群组协作系统，其特征在于，当用户移动到新的位置时，虚拟终端重新的构建包括终端选择和终端聚合；

所述的终端选择为：每当用户到达一个新的位置，或者对用户要到的下个位置的终端群组进行预测时，不仅考虑当时当地终端是否可用，并结合网络状态、业务需求、用户偏好、成本开销和终端能力进行判定，从中选出若干个最合适的终端协作完成业务；

所述的终端聚合是解决终端选择后的信息发送协调问题，虚拟终端的聚合采用以下两种方式：一种是中心主控式，通过设置控制器，利用个域网为虚拟终端内部各任务终端发送指令；另一种是分布式控制，不设定固定的控制器，根据各终端能力自行调整控制功能归属。

4.一种基于权利要求1所述系统的群组协作方法，其特征在于，包括以下操作：

(1)在系统中设定好用户预期目的地，标志用户此次行动的终点，也是路线预测的终点；

(2)在系统中设置预测步长，周期性的获取用户的状态信息；

(3)系统获取用户当前位置，及终端、网络的状态信息；

(4)系统根据终端收集的信息对用户业务需求质量进行判定，若高于设定的阈值则转入步骤(5)所述的移动性预测；若低于设定的阈值，则转入步骤(6)所述的移动性指导；

(5)移动性预测：利用数据挖掘的方法，通过搜集的用户历史数据信息，并根据用户当前位置和状态信息，模拟用户的行动路线，获取用户下一步移动方向；

(6)移动性指导：通过获取用户当前状态信息，采用Floyd算法来进行路径选择，生成目标可达路径；路径的权值由层次分析法获得的权重系数L来确定，权重系数L中每个元素对应了各个终端的选择系数；通过Floyd算法获得从当前到目的地的最优路径，获得下一步长应当前往的位置；

(7)在用户到达下一步移动位置之后，根据层次分析法确定的终端能力权值L，完成终端选择过程；并根据终端选择结果，完成虚拟终端重构聚合；

(8)判断用户的下一位置是否到达目的地，若是，则结束操作，生成包含用户位置和状态信息变化的终端群组的移动路径；若不是，则转入步骤(2)重复操作。

5.如权利要求4所述的群组协作方法，其特征在于，所述的移动性预测为：采用基于行为策略的位置跟踪：收集用户的长期移动日志，挖掘用户的行为规律；利用用户的行为规律统计出其行为随时间变化的概率，从而对用户的位置进行模拟预测；当用户到达预测侧的位置后，随着用户位置的变化，用户周边可使用的终端也发生变化；此时，构成个域网的各终端组件相互广播各自的状态信息，并根据自己当前的状态和业务要求，选择是否加入虚拟终端即有效终端群组的构成。

6.如权利要求4所述的群组协作方法，其特征在于，所述的移动性指导中的Floyd算法为：

对于任意一个顶点v_k∈V，v_i到v_j的最短路径经过v_k或不经过v_k；Floyd算法比较d_ij与d_ik+d_kj，如果d_ij＞d_ik+d_kj，则令d_ij＝d_ik+d_kj，保持d_ij是当前搜索到的v_i到v_j的最短距离；重复这一过程，当搜索完所有v_k时，d_ij就是v_i到v_j的最短距离。

7.如权利要求4所述的群组协作方法，其特征在于，所述的移动性指导中的层次分析法为：

将影响终端选择的物理信息、逻辑信息、相对信息作为层次分析法进行终端选择的权重因子，然后构造成对比较矩阵、一致性检验、计算权向量，得到权重系数L。

8.如权利要求4所述的群组协作方法，其特征在于，所述的虚拟终端重构聚合采用以下方式之一：

1)中心控制方式：

在用户最常用的终端设备上，设置中心控制器，其余各终端通过个域网，定时发送各自当前功能信息和网络信息到中心控制器，由中心控制器来整合各终端信息，并通过层析分析法选择出目前状态下构成虚拟终端的终端群；

2)分布式控制方式：

首先为可能构成移动群组的每个终端安装一个控制器，由控制器来负责提供终端信息的广播和发现机制、终端实体的汇报机制、组件实体的状态管理机制、终端实体动态聚合重构的控制机制；

然后根据终端能力和个人业务变化情况，按照ABE策略设定不同的优先等级；当终端组件聚合重构以后，根据优先级将居于核心地位的控制器定义为主控器；

随着用户在不同的个人业务环境之间移动，主控器不断地相互探测和感知周围其他终端；当业务变化或者有新的终端加入时，立即按照ABE策略重新进行主控器的筛选，完成虚拟终端群组的重构，并由主控器分配各参与终端的发送接收任务。