CN105224598A - 一种基于动态特征的异构物联网标识识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于动态特征的异构物联网标识识别方法及系统，解决了物联网标识码(IoTID)在命名空间发生冲突情况下的IoTID识别问题，使用特征向量描述物联网标识类型和待识别IoTID，通过向量距离刻画待识别IoTID对发生冲突的标识类型的隶属度，为构建能兼容各类异构物联网标识的统一物联网解析系统奠定基础，能大幅提升物联网标识的识别率，过程简单，识别速度快。

Description

一种基于动态特征的异构物联网标识识别方法及系统

技术领域

本发明属于物联网技术领域，具体涉及一种基于动态特征的异构物联网标识识别方法及系统。

背景技术

物联网的本质就是通过RFID(RadioFrequencyIdentification，射频识别)、无线传感器以及卫星定位等自动识别和感知技术获取物品的名称与地址等标识信息以及物品自身和周边的相关属性信息，并借助各种通讯技术将物品相关信息集成到信息网络中，进而通过类似互联网中解析、寻址、搜索等标识信息服务，实现海量物品相关信息的智能索引和整合，并利用云计算、模糊识别、数据挖掘以及语义分析等各种智能计算技术，对海量物品相关信息进行分析处理，最终实现对物理世界智能化的决策和控制。

物联网环境中的各种感知信息组成了海量的物联网资源，这是物联网的典型特征。在同一个物联网应用领域内部，或不同应用领域之间，海量物联网资源的互联互通将是物联网发展面临的核心难题，是物联网“物物互联”的关键所在。和传统互联网类似，任何物联网感知资源均需要进行统一标识和解析，如互联网中的域名系统，一旦域名系统出现故障，互联网“物理基础设施层”被割裂，各类互联网业务应用将无法开展，网络间将无法互联互通，互联网将会面临瘫痪。因此，海量物联网资源的标识、解析等技术是促进物联网发展的核心支撑。

由于政治、经济及军事等多方面原因，物联网中的标识类别非常多，不同国家之间甚至一个国家的内部都有很多种异构标识。为实现对各类异构标识的兼容、统一解析，迫切需要一种能自动识别各类物联网标识编码所属物联网标识种类的方法，从而为后续进一步的处理奠定基础。

发明内容

为了解决上述问题，本发明提供了一种基于动态特征的异构物联网标识识别方法及系统，解决了物联网标识码(IoTID)在命名空间发生冲突情况下的IoTID识别问题，使用特征向量描述物联网标识类型和待识别IoTID，通过向量距离刻画待识别IoTID对发生冲突的标识类型的隶属度。

物联网编码命名空间是由各行业的编码标准文件规定的，标准文件规定了IoTID的长度，每一位或几位取值范围以及取值规则。在标准文件中，将IoTID分成了若干部分，每一部分都代表一定的现实含义。如手机号13810380001可以被分为三个部分，第一部分“138”代表运营商，第二部分“1038”代表地区，第三部分“0001”是随机数。我们将每一部分称为一个分片，分片的边界成为切分点。

由于没有统一的管理，两个或者多个不相关的物联网标识类型的编码空间可能是冲突的。因而，依据标准文件中规定的长度和范围的取值规则对待识别IoTID进行正则判定，得到的符合规则条件的物联网标识类型是一个命名空间冲突的结果集，我们称之为冲突域。得到冲突域的过程我们称之为静态识别。

然而实际中我们发现，现实世界(RealWorld)中,IoTID实际使用的编码空间可能仅仅占用了理论编码空间的非常小的一部分。比如，肉类蔬菜流通追溯码由行政区域编码+流通节点码+经营者编码+交易流水号构成，其中“经营者编码”理论编码空间是0000-9999，然而在现实世界中，我们注意到，除去少数超大型的超市、市场，绝大多数的流通节点不能拥有近万家商户。所以，当待识别IoTID的经营者编码位的取值超过一定值时，它属于肉类蔬菜流通追溯码的分类的可能性就会相对降低(尽管该IoTID满足肉类蔬菜流通追溯码每一部分的取值要求)；当这几位的取值在一定范围之内时，它属于肉类蔬菜流通追溯码分类的可能性就会增加。我们将现实世界的取值空间的分布称为动态特征。

拥有了这样的动态特征后，使得在静态识别基础上得到冲突域后进行进一步的识别成为可能。

为了实现“进一步”地识别(我们称作动态识别)，本发明将IoTID与物联网类型分别进行特征表示得到在某一类型下的IoTID特征向量和物联网类型中心向量，然后求取在一个冲突域下，待识别IoTID属于每一个类型的特征向量与冲突域所有类型的类中心向量的距离，距离的大小与对于该类型的隶属度成反比。

具体采用以下技术方案：

一种基于动态特征的异构物联网标识识别方法，包括以下步骤：

1)对待识别的IoTID进行静态识别，得到待识别IoTID的物联网标识类型所属冲突域；

2)根据冲突域中每一种类型的类型切分点，对待识别IoTID依次进行切分，得到IoTID分片，进而求出待识别IoTID在每一种类型下的特征向量；

3)计算在一个冲突域下，待识别IoTID在每一个类型下的特征向量与该类型的类中心向量的距离；

4)根据上述距离的大小得到待识别IoTID对于各物联网标识类型的隶属度，完成对物联网标识的识别。

进一步地，上述静态识别包括：依据物联网编码标准文件中规定的长度和范围的取值规则对待识别IoTID进行正则判定，得到符合规则条件的物联网标识类型。

进一步地，待识别IoTID在某类型下的特征向量(t₁,t₂,...,t_k,...,t_m)通过以下方法求得：

其中，m表示待识别IoTID共有m个分片，t_k表示第k个分片的特征值，

x_i代表一个分片，φ(x_i)为x_i在64位位图表示下的取值，i＝1,2,...,l，所述64位位图用于表示根据物联网编码标准文件划分的IoTID的每一分片的特征值，IoTID中的每一位唯一的用0-61中的一个数字表示，62、63为保留位。

我们希望物联网分类的特征可以精准的描述现实世界中的IoTID的分布情况，因而我们需要获取大量现实世界IoTID作为训练数据集，按照物联网分类进行分组，将其按照公式(1)求出分片的特征值和特征向量，最后求出每组的组平均向量作为该物理网分类的特征，也称作类中心向量。

所述类中心特征向量通过以下方法得出：

1)获取大量现实世界中的IoTID作为输入训练样本，根据其切分点进行分片操作，得出每个输入训练样本的特征向量；

2)求出每一个类型的平均特征向量作为类中心特征向量。

进一步地，上述方法还包括从标准文献中提取物联网分类的切分点保存到数据库。

这样的类中心向量是可以作为线下处理的(off-the-shelf),仅需要将类中心向量保存到数据库中。如果现实世界数据集数量不足，可以使用模拟数据补充。补充的原则是根据调研的实际情况，通过截断，拟合分布等手段，尽量模拟真实世界的IoTID的分布。等日后获取到足够多的现实世界的IoTID或者现实世界数据集发生更新的时候，可以进行替换与类中心向量的重新计算。

进一步地，在一个冲突域下，待识别IoTID属于某一个类型的特征向量与冲突域所有类型的类中心向量的距离通过以下公式计算：

其中，d_i表示待识别IoTID与第i个类型的类中心向量的距离，Τ_ik表示第i个类型的类中心向量的第k个分量，t_ik表示待识别IoTID在类型i下的特征向量的第k个分量，i≤n，n表示冲突域中的物联网标识类型的个数。

进一步地，待识别IoTID对于某一类型的隶属度通过以下公式计算：

其中，μ_i表示待识别IoTID对于类型i的隶属度，d_i表示待识别IoTID与第i个类型的类中心向量的距离，d_j表示待识别IoTID与第j个类型的类中心向量的距离。

一种基于动态特征的异构物联网标识识别系统，包括：

静态识别模块，用于对待识别的IoTID进行静态识别，得到待识别IoTID的物联网标识类型所属冲突域；

IoTID切分模块，用于根据冲突域中每一种类型的类型切分点，对待识别IoTID依次进行切分，得到IoTID分片；

特征向量转化模块，用于将IoTID分片转化为特征向量；

类中心向量计算模块，用于计算每一个类型的平均特征向量作为类中心特征向量；

距离计算模块，用于计算待识别IoTID属于每一个类型的特征向量与冲突域所有类型的类中心向量的距离；

结果转换模块，用于将待识别IoTID属于每一个类型的特征向量与冲突域所有类型的类中心向量的距离转换为待识别IoTID对于各类型的隶属度。

本发明的优点如下：

1)、提供快速、准确识别物联网标识种类的方法，为构建能兼容各类异构物联网标识的统一物联网解析系统奠定基础；

2)、现有技术中只能将一个IoTID识别为一个结果集，即返回用户这可能是某几种标识之一；本发明可以做到给出一个隶属度，告诉用户这更有可能是具体某一个标识，能大幅提升物联网标识的识别率；

3)、过程简单，识别速度快。

附图说明

附图1是本发明基于动态特征的异构物联网标识识别方法及系统示意图。

具体实施方式

结合附图，本发明的基本流程如下：

1)利用静态识别模块(图中未示出)对待识别的IoTID进行静态识别(可采用申请人在申请号为201410186428.X的专利申请“一种物联网异构标识识别方法和系统”中公开的标识识别方法)，得到待识别IoTID的物联网标识类型所属冲突域；

2)利用IoTID切分模块根据冲突域中每一种类型的类型切分点或者是从标准文献中提取物联网分类的切分点，对待识别IoTID及真实世界IoTID模拟生成数据依次进行切分，得到IoTID分片；

3)利用特征向量转化模块将IoTID分片转化为特征向量；

4)利用类中心向量计算模块计算每一个类型的平均特征向量作为类中心特征向量；

5)利用距离计算模块计算待识别IoTID属于每一个类型的特征向量与冲突域所有类型的类中心向量的距离；

6)利用结果转换模块将待识别IoTID属于每一个类型的特征向量与冲突域所有类型的类中心向量的距离转换为待识别IoTID对于各类型的隶属度。

本发明将IoTID的一个分片视为一个特征，特征值使用64进制表示。目前而言，市面上的大多数IoTID标识由数字，字母组成，我们首先将IoTID中的每一位唯一的用0-61中的一个数字表示，62、63为保留位。如果遇到标点符号，缺省默认为62。其对应关系如下表所示：

0	0	16	g	32	w	48	M
								1	1	17	h	33	x	49	N
2	2	18	i	34	y	50	O
								3	3	19	j	35	z	51	P
4	4	20	k	36	A	52	Q
								5	5	21	l	37	B	53	R
6	6	22	m	38	C	54	S
								7	7	23	n	39	D	55	T
8	8	24	o	40	E	56	U
								9	9	9	p	41	F	57	V
10	a	26	q	42	G	58	W
								11	b	27	r	43	H	59	X
12	c	28	s	44	I	60	Y
								13	d	29	t	45	J	61	Z
14	e	30	u	46	K	62	保留位
								15	f	31	v	47	L	63	保留位

实施例1

给定待识别IoTID13810380001，经过静态识别后，其所属的冲突域的类型集里有A，B，C三种物联网标识类型。

查询数据库，分别找到找到A，B，C的切分方法和中心向量。

切分方式：

类型	切分方式
		A	xxx，xxxx，xxxx
B	xxxxx，xx，xxxx
		C	xx，xxx，xxx，xxx

则待识别IoTID在这三种情况下的分片表示方法分别为：

类型	在该类型下的分片表示
		A	138，0138，0001
B	13801，38，0001
		C	13，801，380，001

分别将以上三种表示代入公式(1)，求得的在这三种类型切分情况下的特征向量：

类型	在该类型下的特征向量表示
		A	(6.1968，3.9659，0.2621)
B	(6.3645，8.12，0.2621)
		C	(2.92，8.4096，8.12，0.2621)

从数据库中调取以上三个类型的类中心向量为：

类型	类中心向量
		A	6.1025，5.4345，5.5034
B	8.134，13.228，16.228
		C	9.53，7.229，13.45，6.82

根据公式(2)，求得以上三种切分的对应的三个类型的距离分别为：

根据公式(3)，求得隶属度分别为：

μ_A＝0.5472

μ_B＝0.1767

μ_C＝0.2760

所以待识别IoTID“13801380001”属于类型A的可能性最大。

Claims (10)

1.一种基于动态特征的异构物联网标识识别方法，包括以下步骤：

1)对待识别的IoTID进行静态识别，得到待识别IoTID的物联网标识类型所属冲突域；

2)根据冲突域中每一种类型的类型切分点，对待识别IoTID依次进行切分，求出待识别IoTID在每一种类型下的特征向量；

3)计算在一个冲突域下，待识别IoTID在每一个类型下的特征向量与该类型的类中心向量的距离；

4)根据上述距离的大小得到待识别IoTID对于各物联网标识类型的隶属度，完成对物联网标识的识别。

2.如权利要求1所述的基于动态特征的异构物联网标识识别方法，其特征在于，所述静态识别包括：依据物联网编码标准文件中规定的长度和范围的取值规则对待识别IoTID进行正则判定，得到符合规则条件的物联网标识类型。

3.如权利要求1所述的基于动态特征的异构物联网标识识别方法，其特征在于，待识别IoTID在某类型下的特征向量(t₁,t₂,...,t_k,...,t_m)通过以下方法求得：

其中，m表示待识别IoTID共有m个分片，t_k表示第k个分片的特征值，

(1)，

x_i代表一个分片，φ(x_i)为x_i在64位位图表示下的取值，i＝1,2,...,l，所述64位位图用于表示根据物联网编码标准文件划分的IoTID的每一分片的特征值，IoTID中的每一位唯一的用0-61中的一个数字表示，62、63为保留位。

4.如权利要求1所述的基于动态特征的异构物联网标识识别方法，其特征在于，所述类中心特征向量通过以下方法得出：

1)获取大量现实世界中的IoTID作为输入训练样本，根据其切分点进行分片操作，得出每个输入训练样本的特征向量；

2)求出每一个类型的平均特征向量作为类中心特征向量。

5.如权利要求4所述的基于动态特征的异构物联网标识识别方法，其特征在于，还包括从标准文献中提取物联网分类的切分点保存到数据库。

6.如权利要求1所述的基于动态特征的异构物联网标识识别方法，其特征在于，在一个冲突域下，待识别IoTID属于某一个类型的特征向量与冲突域所有类型的类中心向量的距离通过以下公式计算：

$d_i=\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(t_{ik}-T_{ik})}^2}---\left(2\right)$

其中，d_i表示待识别IoTID与第i个类型的类中心向量的距离，Τ_ik表示第i个类型的类中心向量的第k个分量，t_ik表示待识别IoTID在类型i下的特征向量的第k个分量，i≤n，n表示冲突域中的物联网标识类型的个数。

7.如权利要求6所述的基于动态特征的异构物联网标识识别方法，其特征在于，待识别IoTID对于某一类型的隶属度通过以下公式计算：

${\mathrm{\μ}}_i=\frac{\frac{1}{d_i}}{\underset{j=1}{\overset{l-1}{\Σ}}\frac{1}{d_j}}---\left(3\right)$

其中，μ_i表示待识别IoTID对于类型i的隶属度，d_i表示待识别IoTID与第i个类型的类中心向量的距离，d_j表示待识别IoTID与第j个类型的类中心向量的距离。

8.一种基于动态特征的异构物联网标识识别系统，包括：

静态识别模块，用于对待识别的IoTID进行静态识别，得到待识别IoTID的物联网标识类型所属冲突域；

IoTID切分模块，用于根据冲突域中每一种类型的类型切分点，对待识别IoTID依次进行切分，得到IoTID分片；

特征向量转化模块，用于将IoTID分片转化为特征向量；

类中心向量计算模块，用于计算每一个类型的平均特征向量作为类中心特征向量；

距离计算模块，用于计算待识别IoTID属于每一个类型的特征向量与冲突域所有类型的类中心向量的距离；

结果转换模块，用于将待识别IoTID属于每一个类型的特征向量与冲突域所有类型的类中心向量的距离转换为待识别IoTID对于各类型的隶属度。

9.如权利要求8所述的基于动态特征的异构物联网标识识别系统，其特征在于，在一个冲突域下，待识别IoTID属于某一个类型的特征向量与冲突域所有类型的类中心向量的距离通过以下公式计算：

$d_i=\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(t_{ik}-T_{ik})}^2}---\left(2\right)$

其中，d_i表示待识别IoTID与第i个类型的类中心向量的距离，Τ_ik表示第i个类型的类中心向量的第k个分量，t_ik表示待识别IoTID在类型i下的特征向量的第k个分量，i≤n，n表示冲突域中的物联网标识类型的个数。

10.如权利要求9所述的基于动态特征的异构物联网标识识别系统，其特征在于，待识别IoTID对于某一类型的隶属度通过以下公式计算：

${\mathrm{\μ}}_i=\frac{\frac{1}{d_i}}{\underset{j=1}{\overset{l-1}{\Σ}}\frac{1}{d_j}}---\left(3\right)$

其中，μ_i表示待识别IoTID对于类型i的隶属度，d_i表示待识别IoTID与第i个类型的类中心向量的距离，d_j表示待识别IoTID与第j个类型的类中心向量的距离。