CN106302681A - 一种基于物联网的数据显示服务器系统 - Google Patents

Abstract

本发明公开了一种基于物联网的数据显示服务器系统，包括Zigbee传感器网络模块、服务器、数据库模块、移动客户端；所述移动客户端与所述服务器无线连接，所述服务器与所述Zigbee传感器网络模块无线连接，所述数据库模块与所述服务器无线连接；所述服务器用于接收Zigbee传感器网络模块发送的数据并将该数据存储在所述数据库模块和接收移动客户端发送的查询请求后将数据库模块的存储的数据发送给移动客户端。本发明通过移动客户端实现了数据的远程访问和管理。

Description

一种基于物联网的数据显示服务器系统

技术领域

本发明属于物联网领域，尤其涉及一种基于物联网的数据显示服务器系统。

背景技术

随着计算机、电子通讯、控制、信息等技术的发展，运用计算机物联网技术可为生态农、牧业建设和科学管理提供全方位、完善的监测技术手段。建立生态物联网可对农业、草原牧区土壤和气象环境参数进行实时、高效、快速的检测，对生态产量和质量进行预报，以及对重大农、牧业生态环境污染事故做出预警，是有效扭转我国目前生态农牧发展现状的技术方法之一，这将产生良好的社会和经济效益，推动社会发展。

无线传感器网络的产品备受消费者青睐，然而由于采集数据较多，用户实时性要求较高，PC机笨重不便携的缺点日益凸显。

发明内容

本发明实施例的目的在于提供一种基于物联网的数据显示服务器系统，旨在解决现有物联网无线传感器网络采用PC机，笨重便于携带和操作的问题。

本发明是这样实现的，一种基于物联网的数据显示服务器系统，所述基于物联网的数据显示服务器系统包括Zigbee传感器网络模块、服务器、数据库模块、移动客户端；

所述移动客户端与所述服务器无线连接，所述服务器与所述Zigbee传感器网络模块无线连接，所述数据库模块与所述服务器无线连接；

所述服务器用于接收Zigbee传感器网络模块发送的数据并将该数据存储在所述数据库模块和接收移动客户端发送的查询请求后将数据库模块的存储的数据发送给移动客户端；

所述服务器获得移动客户端最新查询请求时间节点，通过该最新查询请求时间节点锁定该查询时间中获取的Zigbee传感器网络模块的数据；

所述数据库模块内置数据创建子模块、数据读取子模块、数据更新子模块、数据删除子模块。

进一步，所述服务器设置有多元线性回归分析模块，多元线性回归分析模块利用regress函数作多元线性回归分析方法包括：

对于自变量x₁，x₂，x₃…x_p和因变量y的n次独立观测，y关于x₁，x₂，x₃…x_p的p重广义线性回归模型公式：

进一步，所述移动客户端设置有无线体域网快速唤醒关联模块，所述无线体域网快速唤醒关联模块的关联方法包括：

步骤一，Hub根据当前通信的需要设置SSS、Asso_ctrl域为相应的值，构造Wakeup帧；在发送Wakeup帧后，向节点发送T-Poll帧；

步骤二，节点收到唤醒帧后，获得本次关联的配置信息以及Hub的公钥PK_b，然后选择自己的私钥SK_a长为256比特，计算公钥计算公钥PK_a＝SK_a×G，计算出公钥后，节点再计算基于口令的公钥，PK_a'＝PK_a-Q(PW)，Q(PW)＝(Q_X，Q_Y)，Q_X＝2³²×PW+M_X；节点根据收到的Wakeup帧中的Nonce_b以及自身选择的Nonce_a计算：

KMAC_1A

＝CMAC(Temp_1,Add_a□Add_b□Nonce_a□Nonce_b□SSS,64)

KMAC_2A

＝CMAC(Temp_1,Add_b□Add_a□Nonce_b□Nonce_a□SSS,64)；

利用上述计算的信息PK_a、KMAC_2A构造第一关联请求帧，并向Hub发送；

步骤三，Hub收到第一关联请求帧后，首先复原当前节点的公钥PK_a＝PK_a'+Q(PW)，Q(PW)＝(Q_X，Q_Y)，Q_X＝2³²×PW+M_X；M_X为使Q_X满足椭圆曲线上的点的最小非负整数；计算DHKey＝X(SK_b×PK_a)＝X(SK_a×SK_b×G)，这里X()函数是取椭圆曲线密钥的X坐标值，Temp_1＝RMB_128(DHKey)，根据收到的信息以及计算得到的信息计算：

KMAC_1B

＝CMAC(Temp_1,Add_a□Add_b□Nonce_a□Nonce_b□SSS,64)

KMAC_2B

＝CMAC(Temp_1,Add_b□Add_a□Nonce_b□Nonce_a□SSS,64)

对比收到的KMAC_2A和计算得到的KMAC_2B，如果相同则继续构造第二关联请求帧并进入本次关联请求的步骤五，如果不同则取消本次关联请求；

步骤四，节点收到第二关联请求帧，对比在步骤二中计算的KMAC_1A与收到的KMAC_1B，如果不同则取消本次关联请求，如果相同则进入本次关联的步骤五步；

步骤五，节点与Hub计算MK＝CMAC(Temp_2,Nonce_a□Nonce_b,128)，Temp_2＝LMB(DHKey)，为DHKey的最左128位；双方完成唤醒关联。

进一步，所述移动客户端设置有无线体域网极限容量计算模块，所述无线体域网的计算方法如下：

利用Laguerre多项式计算得到：

$C={\∫}_0^{\mathrm{\∞}}{\log }_2(1+\frac{1}{n_t}\mathrm{\ξ}\mathrm{\λ}\underset{k=0}{\overset{m-1}{\Σ}}\frac{k!}{(k+n+m)!}{\[L_k^{n-m}\left(\mathrm{\λ}\right)\]}^2{\mathrm{\λ}}^{n-m}{e}^{-\mathrm{\λ}}d\mathrm{\λ};$

其中，m＝min(N_t,N_r)；

n＝max(N_t,N_r)；

为次数为k的Laguerre多项式；

如果令λ＝n/m，可以推导出如下归一化后的信道容量表示式；

$\underset{n\→\mathrm{\∞}}{\lim }\frac{C}{m}=\frac{1}{2\mathrm{\π}}{\∫}_{v_1}^{v_2}{\log }_2(1+\frac{m\mathrm{\ξ}}{N_t}v)\sqrt{(\frac{v_2}{v}-1(1-\frac{v_1}{v})}dv;$

其中，

在快速瑞利衰落的情况下，令m＝n＝N_t＝N_r，则v₁＝0，v₂＝4；

渐进信道容量为：

$\underset{n\→\mathrm{\∞}}{\lim }\frac{C}{n}=\frac{1}{\mathrm{\π}}{\∫}_0^4{\log }_2(1+\mathrm{\ξ}v)\sqrt{(\frac{1}{v}-\frac{1}{4})}dv;$

利用不等式：

log₂(1+x)≥log₂(x)；

式简化为：

进一步，所述无线体域网极限容量计算模块设置有吞吐量计算模块，所述在一个时间帧内次级网络的平均吞吐量写成如下形式：

$\begin{array}{c}R=E\{\frac{T-{\mathrm{\τ}}_s}{T}\[(1-P_f)P\left(H_0\right){\log }_2(1+\frac{g_{ss}{P}_0}{{\mathrm{\σ}}_u^2})+P_{f}P\left(H_0\right){\log }_2(1+\frac{g_{ss}{P}_1}{{\mathrm{\σ}}_u^2})\\ +(1-P_d)P\left(H_1\right){\log }_2(1+\frac{g_{ss}{P}_0}{h_k{P}_p+{\mathrm{\σ}}_u^2})+P_{d}P\left(H_1\right){\log }_2(1+\frac{g_{ss}{P}_1}{h_k{P}_p+{\mathrm{\σ}}_u^2})\]\}\end{array};$

其中：h_k,g_ss分别是主用户发射机PU-Tx到次级用户发射机SU-Tx次级用户发射机SU-Tx、次级用户发射机SU-Tx到次级用户接收机SU-Rx之间的信道衰减系数，P(H₀)和P(H₁)分别表示主用户PU实际处于闲状态与忙状态的概率。

进一步，所述无线体域网极限容量计算模块设置有信任值计算模块，所述任值计算模块的信任值计算方法包括以下步骤：

步骤一，采集节点间不同时间片的交互次数，根据得到的数据建立时间序列，通过三次指数平滑法来预测节点间下一个时间片的交互次数，将交互次数预测值与实际值的相对误差作为节点的直接信任值；采集网络观测节点i与节点j之间的n个时间片的交互次数：

选取一定时间间隔t作为一个观测时间片，以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标，真实交互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；

预测第n+1个时间片的交互次数：

根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

${\hat{y}}_{n+1}=a_n+b_n+c_n;$

预测系数a_n、b_n、c_n的取值可由如下公式计算得到：

$a_n=3{\hat{y}}_{n+1}^{\left(1\right)}-3{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)};$

$b_n=\frac{\mathrm{\α}}{2{(1-\mathrm{\α})}^2}\[(6-5\mathrm{\α}){\hat{y}}_{n+1}^{\left(1\right)}-2(5-4\mathrm{\α}){\hat{y}}_{n+1}^{\left(2\right)}+(4-3\mathrm{\α}){\hat{y}}_{n+1}^{\left(3\right)}\];$

$c_n=\frac{{\mathrm{\α}}^2}{2{(1-\mathrm{\α})}^2}\[{\hat{y}}_{n+1}^{\left(1\right)}-2{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)}\];$

其中：分别是一次、二次、三次指数平滑数，由如下公式计算得到：

${\hat{y}}_{n+1}^{\left(1\right)}=\mathrm{\α}\×y_n+(1-\mathrm{\α})\×{\hat{y}}_n^{\left(1\right)}$

${\hat{y}}_{n+1}^{\left(2\right)}=\mathrm{\α}\×{\hat{y}}_{n+1}^{\left(1\right)}+(1-\mathrm{\α})\×{\hat{y}}_n^{\left(2\right)};$

${\hat{y}}_{n+1}^{\left(3\right)}=\mathrm{\α}\×{\hat{y}}_{n+1}^{\left(2\right)}+(1-\mathrm{\α})\×{\hat{y}}_n^{\left(3\right)}$

是三次指数平滑法的初始值，其取值为：

${\hat{y}}_0^{\left(1\right)}={\hat{y}}_0^{\left(2\right)}={\hat{y}}_0^{\left(3\right)}=\frac{y_1+y_2+y_3}{3};$

α是平滑系数(0<α<1)，体现信任的时间衰减特性，即离预测值越近的时间片的y_t权重越大，离预测值越远的时间片的y_t权重越小；一般地，如果数据波动较大，且长期趋势变化幅度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，增加近期数据对预测结果的影响；当数据有波动，但长期趋势变化不大时，α在0.1～0.4之间取值；如果数据波动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

节点j的直接信任值TD_ij为预测交互次数和真实交互次数y_n+1的相对误差，

步骤二，采用多路径信任推荐方式而得到的计算式计算间接信任值；收集可信节点对节点j的直接信任值：

节点i向所有满足TD_ik≤φ的可信关联节点询问其对节点j的直接信任值，其中φ为推荐节点的可信度阈值，根据可信度的要求精度，φ的取值范围为0～0.4；

计算间接信任值：

综合计算所收集到的信任值，得到节点j的间接信任值TR_ij，其中，Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TD_ik≤φ的节点集合；

步骤三，由直接信任值和间接信任值整合计算得出综合信任值，综合信任值(T_ij)的计算公式如下：T_ij＝βTD_ij+(1-β)TR_ij，其中β(0≤β≤1)表示直接信任值的权重，当β＝0时，节点i和节点j没有直接交互关系，综合信任值的计算直接来自于间接信任值，判断较客观；当β＝1时，节点i对节点j的综合信任值全部来自于直接信任值，在这种情况下，判断较为主观，实际计算根据需要确定β的取值。

本发明通过移动客户端实现了数据的远程访问和管理。无线体域网的信任值计算方法，包括：直接信任值计算、间接信任值计算和综合信任值计算三个阶段，直接信任值计算首先采集节点间不同时间片的交互次数，根据得到的数据建立时间序列，然后通过三次指数平滑法来预测节点间下一个时间片的交互次数，将交互次数预测值与实际值的相对误差作为节点的直接信任值，间接信任值的计算式采用多路径信任推荐方式而得到的，综合信任值是由直接信任值和间接信任值整合计算得出；本发明为节点信任值计算提供了一种方法，根据网络的具体情况，可选择相适应的平滑系数α、可信度阈值φ、直接信任值权重β的取值，确保信任值的时间衰减特性和客观性，客观准确地描述节点的可信度、计算复杂度低及通信代价小，可适用于无线Mesh网络，具有较强的推广与应用价值。

附图说明

图1是本发明实施例提供的基于物联网的数据显示服务器系统的结构示意图；

图中：1、Zigbee传感器网络模块；2、服务器；3、数据库模块；4、移动客户端。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例的基于物联网的数据显示服务器系统，包括Zigbee传感器网络模块1、服务器2、数据库模块3、移动客户端4。

所述移动客户端4与所述服务器2无线连接，所述服务器2与所述Zigbee传感器网络模块1无线连接，所述数据库模块3与所述服务器2无线连接。

所述服务器2用于接收Zigbee传感器网络模块1发送的数据并将该数据存储在所述数据库模块3和接收移动客户端4发送的查询请求后将数据库模块3的存储的数据发送给移动客户端4。

进一步，所述服务器2获得移动客户端4最新查询请求时间节点，通过该最新查询请求时间节点锁定该查询时间中获取的Zigbee传感器网络模块的数据。

进一步，所述数据库模块3内置数据创建子模块、数据读取子模块、数据更新子模块、数据删除子模块。

当服务器2端获得了客户端发送的最新查询请求(包括区编号以及节点编号)后，需返回给客户端该传感器最新存储到数据库中的数据。首先通过select语句获得该节点的最新查询时间。进而通过该最新查询时间锁定该查询时间中获取的环境参数。

DAO(Data Access Object)层是新建一个访问数据的类，包含了对数据库的创建、读取、更新、删除操作，而不包括任何业务相关的信息。这样就能把底层的数据访问逻辑和上层的逻辑剥离开。使得DAO层能够更加专注于实现数据访问部分的功能。这样做的优势就是实现了功能的模块化，更有利于代码的维护的和升级。

进一步，所述服务器设置有多元线性回归分析模块，多元线性回归分析模块利用regress函数作多元线性回归分析方法包括：

对于自变量x₁，x₂，x₃…x_p和因变量y的n次独立观测，y关于x₁，x₂，x₃…x_p的p重广义线性回归模型公式：

进一步，所述移动客户端设置有无线体域网快速唤醒关联模块，所述无线体域网快速唤醒关联模块的关联方法包括：

步骤一，Hub根据当前通信的需要设置SSS、Asso_ctrl域为相应的值，构造Wakeup帧；在发送Wakeup帧后，向节点发送T-Poll帧；

步骤二，节点收到唤醒帧后，获得本次关联的配置信息以及Hub的公钥PK_b，然后选择自己的私钥SK_a长为256比特，计算公钥计算公钥PK_a＝SK_a×G，计算出公钥后，节点再计算基于口令的公钥，PK_a'＝PK_a-Q(PW)，Q(PW)＝(Q_X，Q_Y)，Q_X＝2³²×PW+M_X；节点根据收到的Wakeup帧中的Nonce_b以及自身选择的Nonce_a计算：

KMAC_1A

＝CMAC(Temp_1,Add_a□Add_b□Nonce_a□Nonce_b□SSS,64)

KMAC_2A

＝CMAC(Temp_1,Add_b□Add_a□Nonce_b□Nonce_a□SSS,64)；

利用上述计算的信息PK_a、KMAC_2A构造第一关联请求帧，并向Hub发送；

步骤三，Hub收到第一关联请求帧后，首先复原当前节点的公钥PK_a＝PK_a'+Q(PW)，Q(PW)＝(Q_X，Q_Y)，Q_X＝2³²×PW+M_X；M_X为使Q_X满足椭圆曲线上的点的最小非负整数；计算DHKey＝X(SK_b×PK_a)＝X(SK_a×SK_b×G)，这里X()函数是取椭圆曲线密钥的X坐标值，Temp_1＝RMB_128(DHKey)，根据收到的信息以及计算得到的信息计算：

KMAC_1B

＝CMAC(Temp_1,Add_a□Add_b□Nonce_a□Nonce_b□SSS,64)

KMAC_2B

＝CMAC(Temp_1,Add_b□Add_a□Nonce_b□Nonce_a□SSS,64)

对比收到的KMAC_2A和计算得到的KMAC_2B，如果相同则继续构造第二关联请求帧并进入本次关联请求的步骤五，如果不同则取消本次关联请求；

步骤四，节点收到第二关联请求帧，对比在步骤二中计算的KMAC_1A与收到的KMAC_1B，如果不同则取消本次关联请求，如果相同则进入本次关联的步骤五步；

步骤五，节点与Hub计算MK＝CMAC(Temp_2,Nonce_a□Nonce_b,128)，Temp_2＝LMB(DHKey)，为DHKey的最左128位；双方完成唤醒关联。

进一步，所述移动客户端设置有无线体域网极限容量计算模块，所述无线体域网的计算方法如下：

利用Laguerre多项式计算得到：

$C={\&Integral;}_0^{\mathrm{\&infin;}}{\log }_2(1+\frac{1}{n_t}\mathrm{\&xi;}\mathrm{\&lambda;}\underset{k=0}{\overset{m-1}{\&Sigma;}}\frac{k!}{(k+n+m)!}{\&lsqb;L_k^{n-m}\left(\mathrm{\&lambda;}\right)\&rsqb;}^2{\mathrm{\&lambda;}}^{n-m}{e}^{-\mathrm{\&lambda;}}d\mathrm{\&lambda;};$

其中，m＝min(N_t,N_r)；

n＝max(N_t,N_r)；

为次数为k的Laguerre多项式；

如果令λ＝n/m，可以推导出如下归一化后的信道容量表示式；

$\underset{n\&RightArrow;\mathrm{\&infin;}}{\lim }\frac{C}{m}=\frac{1}{2\mathrm{\&pi;}}{\&Integral;}_{v_1}^{v_2}{\log }_2(1+\frac{m\mathrm{\&xi;}}{N_t}v)\sqrt{(\frac{v_2}{v}-1(1-\frac{v_1}{v})}dv;$

其中，

在快速瑞利衰落的情况下，令m＝n＝N_t＝N_r，则v₁＝0，v₂＝4；

渐进信道容量为：

$\underset{n\&RightArrow;\mathrm{\&infin;}}{\lim }\frac{C}{n}=\frac{1}{\mathrm{\&pi;}}{\&Integral;}_0^4{\log }_2(1+\mathrm{\&xi;}v)\sqrt{(\frac{1}{v}-\frac{1}{4})}dv;$

利用不等式：

log₂(1+x)≥log₂(x)；

式简化为：

$\underset{n\&RightArrow;\mathrm{\&infin;}}{\lim }\frac{C}{n}=\frac{1}{\mathrm{\&pi;}}{\&Integral;}_0^4{\log }_2\left(\mathrm{\&xi;}v\right)\sqrt{(\frac{1}{v}-\frac{1}{4})}dv\&GreaterEqual;{\log }_2\left(\mathrm{\&xi;}\right)-1.$

进一步，所述无线体域网极限容量计算模块设置有吞吐量计算模块，所述在一个时间帧内次级网络的平均吞吐量写成如下形式：

$\begin{array}{c}R=E\{\frac{T-{\mathrm{\&tau;}}_s}{T}\&lsqb;(1-P_f)P\left(H_0\right){\log }_2(1+\frac{g_{ss}{P}_0}{{\mathrm{\&sigma;}}_u^2})+P_{f}P\left(H_0\right){\log }_2(1+\frac{g_{ss}{P}_1}{{\mathrm{\&sigma;}}_u^2})\\ +(1-P_d)P\left(H_1\right){\log }_2(1+\frac{g_{ss}{P}_0}{h_k{P}_p+{\mathrm{\&sigma;}}_u^2})+P_{d}P\left(H_1\right){\log }_2(1+\frac{g_{ss}{P}_1}{h_k{P}_p+{\mathrm{\&sigma;}}_u^2})\&rsqb;\}\end{array};$

其中：h_k,g_ss分别是主用户发射机PU-Tx到次级用户发射机SU-Tx次级用户发射机SU-Tx、次级用户发射机SU-Tx到次级用户接收机SU-Rx之间的信道衰减系数，P(H₀)和P(H₁)分别表示主用户PU实际处于闲状态与忙状态的概率。

进一步，所述无线体域网极限容量计算模块设置有信任值计算模块，所述任值计算模块的信任值计算方法包括以下步骤：

步骤一，采集节点间不同时间片的交互次数，根据得到的数据建立时间序列，通过三次指数平滑法来预测节点间下一个时间片的交互次数，将交互次数预测值与实际值的相对误差作为节点的直接信任值；采集网络观测节点i与节点j之间的n个时间片的交互次数：

选取一定时间间隔t作为一个观测时间片，以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标，真实交互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；

预测第n+1个时间片的交互次数：

根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

${\hat{y}}_{n+1}=a_n+b_n+c_n;$

预测系数a_n、b_n、c_n的取值可由如下公式计算得到：

$a_n=3{\hat{y}}_{n+1}^{\left(1\right)}-3{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)};$

$b_n=\frac{\mathrm{\&alpha;}}{2{(1-\mathrm{\&alpha;})}^2}\&lsqb;(6-5\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(1\right)}-2(5-4\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(2\right)}+(4-3\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(3\right)}\&rsqb;;$

$c_n=\frac{{\mathrm{\&alpha;}}^2}{2{(1-\mathrm{\&alpha;})}^2}\&lsqb;{\hat{y}}_{n+1}^{\left(1\right)}-2{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)}\&rsqb;;$

其中：分别是一次、二次、三次指数平滑数，由如下公式计算得到：

${\hat{y}}_{n+1}^{\left(1\right)}=\mathrm{\&alpha;}\&times;y_n+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(1\right)}$

${\hat{y}}_{n+1}^{\left(2\right)}=\mathrm{\&alpha;}\&times;{\hat{y}}_{n+1}^{\left(1\right)}+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(2\right)};$

${\hat{y}}_{n+1}^{\left(3\right)}=\mathrm{\&alpha;}\&times;{\hat{y}}_{n+1}^{\left(2\right)}+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(3\right)}$

是三次指数平滑法的初始值，其取值为：

${\hat{y}}_0^{\left(1\right)}={\hat{y}}_0^{\left(2\right)}={\hat{y}}_0^{\left(3\right)}=\frac{y_1+y_2+y_3}{3};$

α是平滑系数(0<α<1)，体现信任的时间衰减特性，即离预测值越近的时间片的y_t权重越大，离预测值越远的时间片的y_t权重越小；一般地，如果数据波动较大，且长期趋势变化幅度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，增加近期数据对预测结果的影响；当数据有波动，但长期趋势变化不大时，α在0.1～0.4之间取值；如果数据波动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

节点j的直接信任值TD_ij为预测交互次数和真实交互次数y_n+1的相对误差，

步骤二，采用多路径信任推荐方式而得到的计算式计算间接信任值；收集可信节点对节点j的直接信任值：

节点i向所有满足TD_ik≤φ的可信关联节点询问其对节点j的直接信任值，其中φ为推荐节点的可信度阈值，根据可信度的要求精度，φ的取值范围为0～0.4；

计算间接信任值：

综合计算所收集到的信任值，得到节点j的间接信任值TR_ij，其中，Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TD_ik≤φ的节点集合；

步骤三，由直接信任值和间接信任值整合计算得出综合信任值，综合信任值(T_ij)的计算公式如下：T_ij＝βTD_ij+(1-β)TR_ij，其中β(0≤β≤1)表示直接信任值的权重，当β＝0时，节点i和节点j没有直接交互关系，综合信任值的计算直接来自于间接信任值，判断较客观；当β＝1时，节点i对节点j的综合信任值全部来自于直接信任值，在这种情况下，判断较为主观，实际计算根据需要确定β的取值。

本发明通过移动客户端实现了数据的远程访问和管理。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于物联网的数据显示服务器系统，其特征在于，所述基于物联网的数据显示服务器系统包括Zigbee传感器网络模块、服务器、数据库模块、移动客户端；

所述移动客户端与所述服务器无线连接，所述服务器与所述Zigbee传感器网络模块无线连接，所述数据库模块与所述服务器无线连接；

所述服务器用于接收Zigbee传感器网络模块发送的数据并将该数据存储在所述数据库模块和接收移动客户端发送的查询请求后将数据库模块的存储的数据发送给移动客户端；

所述服务器获得移动客户端最新查询请求时间节点，通过该最新查询请求时间节点锁定该查询时间中获取的Zigbee传感器网络模块的数据；

所述数据库模块内置数据创建子模块、数据读取子模块、数据更新子模块、数据删除子模块。

2.如权利要求1所述的基于物联网的数据显示服务器系统，其特征在于，所述服务器设置有多元线性回归分析模块，多元线性回归分析模块利用regress函数作多元线性回归分析方法包括：

对于自变量x₁，x₂，x₃…x_p和因变量y的n次独立观测，y关于x₁，x₂，x₃…x_p的p重广义线性回归模型公式：

3.如权利要求1所述的基于物联网的数据显示服务器系统，其特征在于，所述移动客户端设置有无线体域网快速唤醒关联模块，所述无线体域网快速唤醒关联模块的关联方法包括：

步骤一，Hub根据当前通信的需要设置SSS、Asso_ctrl域为相应的值，构造Wakeup帧；在发送Wakeup帧后，向节点发送T-Poll帧；

步骤二，节点收到唤醒帧后，获得本次关联的配置信息以及Hub的公钥PK_b，然后选择自己的私钥SK_a长为256比特，计算公钥计算公钥PK_a＝SK_a×G，计算出公钥后，节点再计算基于口令的公钥，PK_a'＝PK_a-Q(PW)，Q(PW)＝(Q_X，Q_Y)，Q_X＝2³²×PW+M_X；节点根据收到的Wakeup帧中的Nonce_b以及自身选择的Nonce_a计算：

利用上述计算的信息PK_a、KMAC_2A构造第一关联请求帧，并向Hub发送；

步骤三，Hub收到第一关联请求帧后，首先复原当前节点的公钥PK_a＝PK_a'+Q(PW)，Q(PW)＝(Q_X，Q_Y)，Q_X＝2³²×PW+M_X；M_X为使Q_X满足椭圆曲线上的点的最小非负整数；计算DHKey＝X(SK_b×PK_a)＝X(SK_a×SK_b×G)，这里X()函数是取椭圆曲线密钥的X坐标值，Temp_1＝RMB_128(DHKey)，根据收到的信息以及计算得到的信息计算：

对比收到的KMAC_2A和计算得到的KMAC_2B，如果相同则继续构造第二关联请求帧并进入本次关联请求的步骤五，如果不同则取消本次关联请求；

步骤四，节点收到第二关联请求帧，对比在步骤二中计算的KMAC_1A与收到的KMAC_1B，如果不同则取消本次关联请求，如果相同则进入本次关联的步骤五步；

步骤五，节点与Hub计算Temp_2＝LMB(DHKey)，为DHKey的最左128位；双方完成唤醒关联。

4.如权利要求1所述的基于物联网的数据显示服务器系统，其特征在于，所述移动客户端设置有无线体域网极限容量计算模块，所述无线体域网的计算方法如下：

利用Laguerre多项式计算得到：

$C={\&Integral;}_0^{\mathrm{\&infin;}}{\log }_2(1+\frac{1}{n_t}\mathrm{\&xi;}\mathrm{\&lambda;}\underset{k=0}{\overset{m-1}{\&Sigma;}}\frac{k!}{\left(k+n+m\right)!}{\&lsqb;L_k^{n-m}\left(\mathrm{\&lambda;}\right)\&rsqb;}^2{\mathrm{\&lambda;}}^{n-m}{e}^{-\mathrm{\&lambda;}}d\mathrm{\&lambda;};$

其中，m＝min(N_t,N_r)；

n＝max(N_t,N_r)；

为次数为k的Laguerre多项式；

如果令λ＝n/m，可以推导出如下归一化后的信道容量表示式；

$\underset{n\&RightArrow;\mathrm{\&infin;}}{\lim }\frac{C}{m}=\frac{1}{2\mathrm{\&pi;}}{\&Integral;}_{v_1}^{v_2}{\log }_2(1+\frac{m\mathrm{\&xi;}}{N_t}v)\sqrt{(\frac{v_2}{v}-1\left(1-\frac{v_1}{v}\right)}dv;$

其中，

$v_2={(\sqrt{\mathrm{\&tau;}}+1)}^2;$

在快速瑞利衰落的情况下，令m＝n＝N_t＝N_r，则v₁＝0，v₂＝4；

渐进信道容量为：

$\underset{n\&RightArrow;\mathrm{\&infin;}}{\lim }\frac{C}{n}=\frac{1}{\mathrm{\&pi;}}{\&Integral;}_0^4{\log }_2(1+\mathrm{\&xi;}v)\sqrt{\left(\frac{1}{v}-\frac{1}{4}\right)}dv;$

利用不等式：

log₂(1+x)≥log₂(x)；

式简化为：

$\underset{n\&RightArrow;\mathrm{\&infin;}}{\lim }\frac{C}{n}=\frac{1}{\mathrm{\&pi;}}{\&Integral;}_0^4{\log }_2\left(\mathrm{\&xi;}v\right)\sqrt{\left(\frac{1}{v}-\frac{1}{4}\right)}dv\&GreaterEqual;{\log }_2\left(\mathrm{\&xi;}\right)-1.$

5.如权利要求4所述的基于物联网的数据显示服务器系统，其特征在于，所述无线体域网极限容量计算模块设置有吞吐量计算模块，所述在一个时间帧内次级网络的平均吞吐量写成如下形式：

$\begin{array}{c}R=E\{\frac{T-{\mathrm{\&tau;}}_s}{T}\&lsqb;(1-P_f)P\left(H_0\right){\log }_2(1+\frac{g_{ss}{P}_0}{{\mathrm{\&sigma;}}_u^2})+P_{f}P\left(H_0\right){\log }_2(1+\frac{g_{ss}{P}_1}{{\mathrm{\&sigma;}}_u^2})\\ +\left(1-P_d\right)P\left(H_1\right){\log }_2\left(1+\frac{g_{ss}{P}_0}{h_k{P}_p+{\mathrm{\&sigma;}}_u^2}\right)+P_{d}P\left(H_1\right){\log }_2\left(1+\frac{g_{ss}{P}_1}{h_k{P}_p+{\mathrm{\&sigma;}}_u^2}\right)\&rsqb;\}\end{array};$

其中：h_k,g_ss分别是主用户发射机PU-Tx到次级用户发射机SU-Tx次级用户发射机SU-Tx、次级用户发射机SU-Tx到次级用户接收机SU-Rx之间的信道衰减系数，P(H₀)和P(H₁)分别表示主用户PU实际处于闲状态与忙状态的概率。

6.如权利要求4所述的基于物联网的数据显示服务器系统，其特征在于，所述无线体域网极限容量计算模块设置有信任值计算模块，所述任值计算模块的信任值计算方法包括以下步骤：

步骤一，采集节点间不同时间片的交互次数，根据得到的数据建立时间序列，通过三次指数平滑法来预测节点间下一个时间片的交互次数，将交互次数预测值与实际值的相对误差作为节点的直接信任值；采集网络观测节点i与节点j之间的n个时间片的交互次数：

选取一定时间间隔t作为一个观测时间片，以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标，真实交互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；

预测第n+1个时间片的交互次数：

根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

${\hat{y}}_{n+1}=a_n+b_n+c_n;$

预测系数a_n、b_n、c_n的取值可由如下公式计算得到：

$a_n=3{\hat{y}}_{n+1}^{\left(1\right)}-3{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)};$

$b_n=\frac{\mathrm{\&alpha;}}{2{(1-\mathrm{\&alpha;})}^2}\&lsqb;(6-5\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(1\right)}-2(5-4\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(2\right)}+(4-3\mathrm{\&alpha;}){\hat{y}}_{n+1}^{\left(3\right)}\&rsqb;;$

$c_n=\frac{{\mathrm{\&alpha;}}^2}{2{(1-\mathrm{\&alpha;})}^2}\&lsqb;{\hat{y}}_{n+1}^{\left(1\right)}-2{\hat{y}}_{n+1}^{\left(2\right)}+{\hat{y}}_{n+1}^{\left(3\right)}\&rsqb;;$

其中：分别是一次、二次、三次指数平滑数，由如下公式计算得到：

${\hat{y}}_{n+1}^{\left(1\right)}=\mathrm{\&alpha;}\&times;y_n+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(1\right)}$

${\hat{y}}_{n+1}^{\left(2\right)}=\mathrm{\&alpha;}\&times;{\hat{y}}_{n+1}^{\left(1\right)}+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(2\right)};$

${\hat{y}}_{n+1}^{\left(3\right)}=\mathrm{\&alpha;}\&times;{\hat{y}}_{n+1}^{\left(2\right)}+(1-\mathrm{\&alpha;})\&times;{\hat{y}}_n^{\left(3\right)}$

是三次指数平滑法的初始值，其取值为：

${\hat{y}}_0^{\left(1\right)}={\hat{y}}_0^{\left(2\right)}={\hat{y}}_0^{\left(3\right)}=\frac{y_1+y_2+y_3}{3};$

α是平滑系数(0<α<1)，体现信任的时间衰减特性，即离预测值越近的时间片的y_t权重越大，离预测值越远的时间片的y_t权重越小；一般地，如果数据波动较大，且长期趋势变化幅度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，增加近期数据对预测结果的影响；当数据有波动，但长期趋势变化不大时，α在0.1～0.4之间取值；如果数据波动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

节点j的直接信任值TD_ij为预测交互次数和真实交互次数y_n+1的相对误差，

步骤二，采用多路径信任推荐方式而得到的计算式计算间接信任值；收集可信节点对节点j的直接信任值：

节点i向所有满足TD_ik≤φ的可信关联节点询问其对节点j的直接信任值，其中φ为推荐节点的可信度阈值，根据可信度的要求精度，φ的取值范围为0～0.4；

计算间接信任值：

综合计算所收集到的信任值，得到节点j的间接信任值TR_ij，其中，Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TD_ik≤φ的节点集合；

步骤三，由直接信任值和间接信任值整合计算得出综合信任值，综合信任值(T_ij)的计算公式如下：T_ij＝βTD_ij+(1-β)TR_ij，其中β(0≤β≤1)表示直接信任值的权重，当β＝0时，节点i和节点j没有直接交互关系，综合信任值的计算直接来自于间接信任值，判断较客观；当β＝1时，节点i对节点j的综合信任值全部来自于直接信任值，在这种情况下，判断较为主观，实际计算根据需要确定β的取值。