CN108199900A - 用于智能环境的分布式推理节点优化分配方法 - Google Patents

用于智能环境的分布式推理节点优化分配方法 Download PDF

Info

Publication number
CN108199900A
CN108199900A CN201810062163.0A CN201810062163A CN108199900A CN 108199900 A CN108199900 A CN 108199900A CN 201810062163 A CN201810062163 A CN 201810062163A CN 108199900 A CN108199900 A CN 108199900A
Authority
CN
China
Prior art keywords
sensor
node
inference
rule
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810062163.0A
Other languages
English (en)
Other versions
CN108199900B (zh
Inventor
汪成亮
黄心田
马飞
曾卓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201810062163.0A priority Critical patent/CN108199900B/zh
Publication of CN108199900A publication Critical patent/CN108199900A/zh
Application granted granted Critical
Publication of CN108199900B publication Critical patent/CN108199900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS
    • H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • H04L45/122—Shortest path evaluation by minimising distances, e.g. by selecting a route with minimum of number of hops

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种用于智能环境的分布式推理节点优化分配方法，包括如下步骤：S1，根据智能环境采集传感器节点信息，通过传感器节点集合所采集的活动类型、积累的规则，推算出传感器网络活动类型之间的距离，并进行分类，然后分别构造传感器网络推理网络模型；S2，根据智能环境中传感器节点位置以及由传感器节点之间形成的传输邻接边，计算出传感器节点之间的最短距离并保存其传输路径信息；S3，对传感器网络进行资源分配评估和实时性评估，将传感器网络中的推理节点优化分配到各个传感器节点中，从而形成优化的分布式传感器网络。

Description

用于智能环境的分布式推理节点优化分配方法
技术领域
本发明涉及计算机软件控制领域，尤其涉及一种用于智能环境的分布式推理节点优化分配方法。
背景技术
近年来，随着人工智能的普及，人们向往方便快捷的生活方式，智能环境的概念也由此诞生。智能环境之所以智能化，是利用产生式系统的规则推理，在环境中依靠对行为模式的识别以及周围的某些环境因素，将规则与传感器所获取到的事实数据进行匹配，一旦规则的条件满足时，触发相应规则来做出类似人类智能的行为。而在智能环境的嵌入式设备中进行规则推理，还将面临着空间与时间两大问题：
(1)资源分配问题：由于嵌入式设备的存储资源、内存消耗有限，分配推理工作的不合理会导致个别节点过载而其它节点空闲，节点资源利用不充分；
(2)实时性问题：传感器节点之间的传输耗费时间，如果不结合当前环境对推理工作进行分配，将会导致系统响应时间延迟，智能化程度不够。
这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种用于智能环境的分布式推理节点优化分配方法。
为了实现本发明的上述目的，本发明提供了一种用于智能环境的分布式推理节点优化分配方法，包括如下步骤：
S1，根据智能环境采集传感器节点信息，通过传感器节点集合所采集的活动类型、积累的规则，推算出传感器网络活动类型之间的距离，并进行分类，然后分别构造传感器网络推理网络模型；
S2，根据智能环境中传感器节点位置以及由传感器节点之间形成的传输邻接边，计算出传感器节点之间的最短距离并保存其传输路径信息；
S3，对传感器网络进行资源分配评估和实时性评估，将传感器网络中的推理节点优化分配到各个传感器节点中，从而形成优化的分布式传感器网络。
所述的用于智能环境的分布式推理节点优化分配方法，优选的，所述S1包括：
S1-1，建立传感器网络模型的过程：
传感器节点Sensor＝{S1,S2,...Sn}，表示智能环境中所有传感器节点的集合，n表示传感器的数目；S代表传感器节点；
规则Rule＝{R1,R2,...Rm}表示智能环境下所积累的经验提取出的规则库，其中m表示规则的数目；R代表智能环境积累的规则；
活动类型Activity＝{A1,A2,...Al}表示该智能环境可识别的活动类型集，其中l表示活动类型的数目；A代表智能环境下采集的活动类型；
每个活动类型对应着不同的规则集，而每个规则都需要获取不同传感器节点中的数据，所以活动类型之间的规则虽然不同，但是所用到的传感器节点是可能重叠交叉的；
S1-2，RSM＝(aij)n×m，表示规则和节点之间的关系矩阵，其中aij＝Ri(Sj)是一个布尔值，值为1代表第i个规则Ri需要接受传感器sj的数据，值为0代表第i个规则Ri与传感器sj无关；
S1-3，ARM＝(aij)l×n，表示活动类型和规则之间的关系矩阵，其中aij＝Ai(Rj)是一个布尔值，值为1代表第j个规则Rj属于活动Ai，值为0代表第j个规则Rj不属于活动Ai；
S1-4，Es＝{(Si,Sj)|Si,Sj∈Sensor}，表示传感器中存在连接的集合，其中(Si,Sj)代表传感器节点Si,Sj之间的连接边；
SN＝(Sensor,ES)，即Sensor Network，代表整个传感器网络，是一个简单加权无向图；
整个传感器网络的邻接矩阵为ASN＝(aij)m×m，为SN的邻接矩阵，其中
Sij表示传感器节点(Si,Sj)的权值，即Si,Sj之间的传输代价，单位用时间单位ms来表示；
S1-5，cost(Sij)，用来表示传感器Si,Sj的最小传输代价，在后述算法用ASN作为输入得到；
Rete推理网络由以下为规则推理而建立的推理节点构成：
alphaNode＝{α1,α2,...αa}，其中a表示α节点的数目，单输入推理节点，包含一个alpha存储区；
betaNode＝{β1,β2,...βb}，其中b表示β节点的数目，双输入推理节点，包含一个alpha存储区和一个beta存储区；分别输入需要匹配的两个集合，通常是对多个事实的多个条件的匹配测试；
TNode＝{r1,r2,...rm}，其中m表示规则激活节点r的数目，事实过滤到此处时，终结节点被激活，将触发相应规则；
S1-7，RN＝(inferentialNode,ERete)，即Rete Network，表示整个推理网络；inferentialNode包括全部推理节点，ERete是推理网络中传输数据的边，利用规则集进行推理网络的建立。
所述的用于智能环境的分布式推理节点优化分配方法，优选的，所述S2包括：
S2-1，传感器物理节点代价计算的传感器最短路径算法SpoSN，若智能环境中有n个传感器，传感器节点的邻接矩阵用n*n的矩阵ASN来表示，
读取智能环境中布置的所有传感器节点的位置以及邻接点，存储在矩阵ASN中；对ASN采用Floyd算法求出节点之间的传输最短距离，将i到j节点的后驱节点保存，用于后续的分配；
根据规则的活动类型标签建立规则与活动之间的关系矩阵ARM；
根据具体的规则集，以及规则中的事实参数从哪些传感器中获取，建立规则与传感器之间的关系矩阵RSM；
S2-2，用S2-1形成的关系矩阵ARM和RSM作为输入，
ASM＝(aij)l×n，表示活动类型和传感器的关系，aij＝Ai(Sj)是一个布尔值，0表示活动Ai与传感器Sj无关；1表示活动Ai需要从传感器Sj中获取数据；
Ai(Sj)用矩阵ARM与RSM计算得出，下式是对Ai(Sj)的计算：
在得到了活动类型与传感器节点之间的关系矩阵ASM，用下列公式算出两个活动类型之间的Jaccard距离：
从而得到活动类型的距离矩阵，将这个矩阵记作JaccardM；Aa和Ab分别表示两个活动类型。
计算出上述的距离矩阵JaccardM，用作数据聚类；
S2-3，Group＝{g1,g2,…gx}表示分类之后的集合，其中x表示类的数目，Rule(gi)表示与gi有关的所有规则；
在完成聚类后，对每一类的规则使用Rete算法建立其各自的推理网络。
所述的用于智能环境的分布式推理节点优化分配方法，优选的，所述S3包括：
S3-1，资源分配评估
推理节点到传感器的分配应使传感器资源充分利用，因此将每个传感器所分配推理节点的个数作为数据集，用标准差来评判其离散程度从而判断其资源分配的平衡程度；
其中表示传感器Si上推理节点的个数；整个系统的资源平衡程度用STDEV来评估，分配完成之后，STDEV的值越小，推理节点的分配的离散程度就越低，资源利用越高；
S3-3，实时性评估
实时性是指规则推理系统从事实数据进入推理网络，到系统推理出规则是否被触发的响应时间；由于采用分布式推理，传输耗时主要在传感器节点之间的传输上，同一个传感器内的传输也可忽略不计；
S3-4，L(Latency)用来评估数据传输到某个节点的延迟：表示从传感器端接收到数据到传输到αi的延迟；表示数据传输到βi节点的延迟，根据层次延迟性取两个输入的最大值；表示数据到达Ri规则的终端节点的延迟；
S3-5，Rete推理网络延迟某个推理网络的实时性用所有规则的相加得到的参数来评估；
具体执行过程中β1与β′1分别分配在S4与S2传感器节点中；由于α节点就在其获取数据的传感器中，有
根据层次延迟性，每个β节点要等到两个输入同时到达才开始匹配，β1的延迟取决于α1、α2哪个节点后到达，因此L(β1)＝max(cost(S12),0)＝40ms，
L(β′1)＝max(cost(S14),cost(S24))＝30ms，β2的延迟取决于β1、α3哪个节点后到达，因此L(β2)＝max(L(β1)+cost(S24),cost(S34))＝70ms，
L(β′2)＝max(L(β1),cost(S45))＝30ms；
终端节点
因此在分配的时候考虑到活动类型，允许一个传感器存在多个类中的一般不会同时发生匹配的推理节点，对实时性也有所提高；因此用下列参数来评估推理系统存在活动类型的实时性：
S3-6，用所有Rete推理网络的和来评估分配的优化程度；在分配完成之后，Rete推理网络的求和L(total)的值越小，实时性的优化程度就越高。
所述的用于智能环境的分布式推理节点优化分配方法，优选的，所述S3还包括：
S3-A，完成了分类以及各类推理网络的建立之后，再对网络中的推理节点采用以下算法完成优化分配；
beta节点的分配算法见算法AAoRN—2：beta推理节点的分配；
获取其两个输入所在传感器，将终端节点被分配在该规则的输出节点即可；
表示传感器容纳的推理节点上限；根据已建立好的推理网络中的推理节点数以及传感器数目对topRN取值，a是一个常数；rnnode为推理网络中所有的推理节点，sensor是智能环境中所有传感器；
有以下六个传感器位置：beta节点的左输入所在传感器、beta节点的右输入所在传感器、左输入到终端节点所在传感器最短路径中的下一个传感器、右输入到终端节点所在传感器最短路径中的下一个传感器、左输入到终端节点所在传感器最短路径中的下下个传感器、右输入到终端节点所在传感器最短路径中的下下个传感器；分别取两个输入传感器到这六个传感器中较大值，存入最小索引堆；
在最小索引堆取出上述距离的最小值所对应的索引的传感器，若其包含的推理节点已超过上限，则继续在最小索引堆取最小值重复以上步骤；
确定了该推理节点所分配的传感器后，更新推理节点的相关参数，从上往下逐层完成其余beta节点的优化分配。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
规则推理是智能环境体现智能的核心，利用环境中传感器自身的推理能力，采用Rete算法将规则构造成推理节点后分配在各个传感器节点内推理，这便是智能环境下的分布式推理。而分布式推理中推理节点之间的传输变成了传感器之间的传输，每个推理节点需等到其输入都到达后才能匹配输出，加之推理网络的层次性结构，就会导致推理系统的延迟；此外智能环境下的规则具有活动类型标签，相似度不高的两个活动类型下的规则一般不会同时触发，利用上述两个特点才能对分配进一步优化。因此，本发明设计了活动类型基于Jaccard相似度的分类算法CoA(Classification of activity)对活动类型分类后，采用Rete算法分别对其规则建立推理网络，并根据传感器最短路径算法SPoSN(The shortestpath of sensor nodes)计算出传感器节点之间的最短路径，再采用针对层次时延性而设计的分配算法AAoRN(allocation algorithm of Rete network node)，最终将其推理节点最优分配到不同传感器上。理论分析和实验结果表明，本发明方法利用智能环境下分布式规则推理的特点，对推理节点进行优化分配，使每个传感器的资源得以充分利用的同时降低推理延迟从而提升了实时性。
智能环境下的分布式推理系统主要存在延迟性与推理节点的资源分配两大问题，本发明在已有的分布式思想下，利用智能环境下推理的层次延迟性以及活动不相干性的特点，分别提出了AAoRN算法以及CoA算法，得到了更优的分布式分配。仿真实验证明，对比集中式分布与普通分布式的分配，采用AAoRN算法后的分配实时性和资源分配都明显更优，而采用CoA+AAoRN算法之后，推理系统的实时性得到了进一步的改善。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明智能环境下规则推理方法示意图；
图2是本发明Rete算法在智能环境的应用示意图；
图3A是本发明房间的传感器布局示意图；
图3B是本发明房间传感器连接示意图；
图4A-图4C为优化步骤示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示，在智能环境的规则推理中，传感器设备获取周围环境中的原始上下文数据信息经过处理后作为事实库，知识工程师将智能环境相关的专业知识转换成机器能理解的表达形式从而构造规则库，从而进行匹配后推理出某些相应的结论，再将这些结论传送出去，就能对某个室内的设备进行实时地控制，从而达到智能环境的目的。
如图2左就是规则“r1：IFα1^α2^α3THEN…”构造的Rete网络。
图2左是智能环境中布置的传感器节点，图2右的α节点从其中三个传感器中获取的事实数据，通过α节点的过滤之后再在β节点中进行匹配过滤，如果终端节点被触发，也就代表此规则被触发。
而规则集就是其所有规则前件构造的一个庞大的Rete网络，这个网络的α节点的数据都是由传感器节点中获取。
(a)集中式Rete网络：将整个Rete推理网络架设在中心节点称作集中式Rete网络，即将传感器采集到的数据处理后都往中心传输。
(b)分布式Rete网络：将Rete网络的虚拟节点为单位，布置到不同的传感器物理节点，构成分布式Rete网络。
智能环境下的活动类型
智能环境下的规则推理还有一个特点，就是规则带有活动类型的标签。假设有“看电视”这样一条活动，就有与其相关的规则，在人们进行看电视这个活动会触发客厅附近相关传感器节点，并产生类似于节点的距离的数据，根据相关规则可判定这些数据体现了什么的特点，并对其进行记录或者输出一定的人类智能的行为。
由于活动类型的影响，智能环境下的规则触发本来就呈现一定的规律，同一个活动类型下的规则往往是同一时间段会被触发的，而这一时间段一般不会触发其他活动类型的规则。同一活动类型的规则的触发聚集在一起。
一个传感器节点由于同时推理的能力有限，所以要根据其能力分配适当个数的节点。在某个活动类型热度高的时候，一般只有带有此活动类型标签的规则被触发，也就是其它活动类型的推理网络节点一般不会发生匹配。在某个传感器节点中，同一个活动类型下的规则构造的推理网络节点应该有一个上限，而不同活动类型下的规则构造的推理网络节点可以同时存在。
将这一特点运用在分配节点之前，可以对规则推理系统的实时性进一步优化。
建立模型的过程：
传感器节点、规则、活动类型的符号说明如下：
Sensor＝{S1,S2,…Sn}，表示智能环境中所有传感器节点的集合，n表示传感器的数目；S代表传感器节点
Rule＝{R1,R2,…Rm}表示智能环境下所积累的规则经验提取出的规则库，其中m表示规则的数目；R代表智能环境积累的规则。
Activity＝{A1,A2,…Al}表示该智能环境可识别的活动类型集，其中l表示活动类型的数目；A代表智能环境下采集的活动类型。
每个活动类型对应着不同的规则集，而每个规则都需要获取不同传感器节点中的数据，所以活动类型之间的规则虽然不同，但是所用到的传感器节点是可能重叠交叉的。
定义1：RSM＝(aij)n×m，表示规则和节点之间的关系矩阵，其中aij＝Ri(Sj)是一个布尔值，值为1代表第i个规则Ri需要接受传感器sj的数据，值为0代表第i个规则Ri与传感器sj无关。
定义2：ARM＝(aij)l×n，表示活动类型和规则之间的关系矩阵，其中aij＝Ai(Rj)是一个布尔值，值为1代表第j个规则Rj属于活动Ai，值为0代表第j个规则Rj不属于活动Ai。
由于规则从布置在智能环境中的物理传感器节点中得到事实数据，同时又隶属不同的活动，因此在后述算法中我们可以通过规则建立起传感器节点与活动之间的关系。
智能环境中的传感器节点之间互相传输数据，从而构成传感器网络。如图3A展示了图2中客厅的五个传感器节点，可抽象为图3B。
对于某个智能环境下的所有传感器节点，传感器网络模型的符号说明如下：
Es＝{(Si,Sj)|Si,Sj∈Sensor}，表示传感器中存在连接的集合，其中(Si,Sj)代表传感器节点Si,Sj之间的连接边。
定义3：SN＝(Sensor,ES)，即Sensor Network，代表整个传感器网络，是一个简单加权无向图。
定义4：整个传感器网络的活动类型矩阵为ASN＝(aij)m×m，为SN的邻接矩阵，其中
Sij表示传感器节点(Si,Sj)的权值，即Si,Sj之间的传输代价，单位用时间单位ms来表示。
定义5：cost(Sij)，用来表示传感器Si,Sj的最小传输代价，在后述算法用ASN作为输入得到。
Rete推理网络由以下为规则推理而建立的推理节点构成：
alphaNode＝{α1,α2,…αa}，其中a表示α节点的数目，单输入推理节点，包含一个alpha存储区。
betaNode＝{β1,β2,...βb}，其中b表示β节点的数目，双输入推理节点，包含一个alpha存储区和一个beta存储区。分别输入需要匹配的两个集合，通常是对多个事实的多个条件的匹配测试。
TNode＝{r1,r2,…rm}，其中m表示规则激活节点r的数目，事实过滤到此处时，终结节点被激活时，将触发TNode激活规则。
定义6：RN＝(inferentialNode,ERete)，即Rete Network，表示整个推理网络。inferentialNode包括全部推理节点，ERete是推理网络中传输数据的边，利用规则集进行推理网络的建立。
为了改善资源分配问题与实时性，分别设计以下两个参数来评估分配的优化程度。
1、资源分配评估
推理节点到传感器的分配应使传感器资源充分利用，因此将每个传感器所分配推理节点的个数作为数据集，用标准差来评判其离散程度从而判断其资源分配的平衡程度。
定义7：其中表示传感器Si上推理节点的个数。整个系统的资源平衡程度可用STDEV来评估，分配完成之后，STDEV的值越小，推理节点的分配的离散程度就越低，资源利用越高。
2、实时性评估
实时性是指规则推理系统从事实数据进入推理网络，到系统推理出规则是否被触发的响应时间。由于采用分布式推理，传输耗时主要在传感器节点之间的传输上，同一个传感器内的传输也可忽略不计[6]。
定义8：L(Latency)用来评估数据传输到某个节点的延迟：表示从传感器端接收到数据到传输到αi的延迟；表示数据传输到βi节点的延迟，根据层次延迟性取两个输入的最大值；表示数据到达Ri规则的终端节点的延迟。
定义9：Rete推理网络延迟某个推理网络的实时性用所有规则的相加得到的参数来评估；
具体执行过程中β1与β′1分别分配在S4与S2传感器节点中。由于α节点就在其获取数据的传感器中，有
根据层次延迟性，每个β节点要等到两个输入同时到达才开始匹配，β1的延迟取决于α1、α2哪个节点后到达，因此L(β1)＝max(cost(S12),0)＝40ms，L(β′1)＝max(cost(S14),cost(S24))＝30ms，β2的延迟取决于β1、α3哪个节点后到达，因此L(β2)＝max(L(β1)+cost(S24),cost(S34))＝70ms，
L(β′2)＝max(L(β1),cost(S45))＝30ms；
终端节点
因此在分配的时候考虑到活动类型，允许一个传感器存在多个类中的一般不会同时发生匹配的推理节点，对实时性也有所提高。因此用下列参数来评估推理系统存在活动类型的实时性：
定义10：对活动类型分类后分别建立其推理网络，用所有Rete推理网络的和来评估分配的优化程度。在分配完成之后，Rete推理网络的求和L(total)的值越小，实时性的优化程度就越高。
在智能环境下进行推理节点到传感器节点的优化分配包括以下三个阶段：
(Ⅰ)根据智能环境中传感器节点位置以及可传输邻接边，计算出传感器节点之间的最短距离并保存其路径，具体实现见算法1；
(Ⅱ)根据环境中活动类型，规则，传感器的模型，推算出活动类型之间的距离，并分类分别构造其推理网络，具体实现见算法2、3；
(Ⅲ)将网络中推理节点优化分配到各个传感器节点中，具体实现见算法4、5。传感器最短路径计算
算法1：传感器物理节点代价计算的传感器最短路径算法SpoSN，若智能环境中有n个传感器，传感器节点的邻接矩阵用n*n的矩阵ASN来表示，用算法1完成阶段(Ⅰ)；
读取智能环境中布置的所有传感器节点的位置以及邻接点，存储在矩阵ASN中。对ASN采用Floyd算法求出节点之间的传输最短距离，将i到j节点的后驱节点保存，用于后续的分配。
传感器优化活动类型基于节点触发的分类
在已知规则集、每个活动包含哪些规则、每个参数从哪个传感器获取的情况下，可根据算法2完成相关关系矩阵的建立。
算法2：活动类型分类算法CoA—1：ARM；RSM的建立，
根据规则的活动类型标签建立规则与活动之间的关系矩阵ARM。
根据具体的规则集，以及规则中的事实参数从哪些传感器中获取，建立规则与传感器之间的关系矩阵RSM。
用上述关系矩阵ARM和RSM作为输入，根据算法3求出活动类型基于触发节点的Jaccard距离并分类。
算法3：活动类型分类算法CoA—2：ASM的建立及分类
定义11：ASM＝(aij)l×n，表示活动类型和传感器的关系，aij＝Ai(Sj)是一个布尔值，0表示活动Ai与传感器Sj无关；1表示活动Ai需要从传感器Sj中获取数据。
Ai(Sj)用矩阵ARM与RSM计算得出，下式是对Ai(Sj)的计算：
在得到了活动类型与传感器节点之间的关系矩阵ASM，用下列公式算出两个活动类型之间的Jaccard距离：
从而得到活动类型的距离矩阵，将这个矩阵记作JaccardM。
计算出上述的距离矩阵JaccardM，用作数据聚类。
定义12：Group＝{g1,g2,…gx}表示分类之后的集合，其中x表示类的数目，Rule(gi)表示与gi有关的所有规则。
在完成聚类后，对每一类的规则使用Rete算法建立其各自的推理网络。
分配推理节点
完成了分类以及各类推理网络的建立之后，再对网络中的推理节点采用以下算法完成优化分配。
alpha节点的分配算法见算法4：
算法4：层次时延性分配算法AAoRN—1：alpha推理节点的分配
对于α节点，为了让它提前过滤数据减少数据传输量，只需要把它布置到提供其数据来源的传感器节点。
beta节点的分配算法见算法5算法AAoRN—2：beta推理节点的分配；
算法5：算法AAoRN—2:beta推理节点的分配
获取其两个输入所在传感器，将终端节点被分配在该规则的输出节点即可。
定义13：表示传感器容纳的推理节点上限。根据已建立好的推理网络中的推理节点数以及传感器数目对topRN取值，a是一个常数，上述算法中取1.1。
有以下六个传感器位置：beta节点的左输入所在传感器、beta节点的右输入所在传感器、左输入到终端节点所在传感器最短路径中的下一个传感器、右输入到终端节点所在传感器最短路径中的下一个传感器、左输入到终端节点所在传感器最短路径中的下下个传感器、右输入到终端节点所在传感器最短路径中的下下个传感器。分别取两个输入传感器到这六个传感器中较大值，存入最小索引堆。
在最小索引堆取出上述距离的最小值所对应的索引的传感器，若其包含的推理节点已超过上限，则继续在最小索引堆取最小值重复以上步骤。
确定了该推理节点所分配的传感器后，更新推理节点的相关参数，从上往下逐层完成其余beta节点的优化分配。
若有一条规则“IF temperature>presetTValue and humidity<PresetHValueand airconditioneAuto＝1THEN Dehumidification＝1”，前件替换为“IFα1andα2andα3”上述步骤可用图4简单演示：
如图4A，参数temperature、humidit、airconditionAuto分别从传感器S1、S2、S3中获取，对于α节点，将其分配到提供数据来源的传感器节点。而参数Dehumidification从传感器S8中输出，将终端节点分配到S8。
如图4B，对于节点β(1,2)，它的两个输入已经确定被分配在其数据来源S1和S2，输出已经确定被分配在S8，根据算法SPoSN的结果，分别找到S1、S2到S8的最短路径，取上述算法最小索引堆的最小值，其索引表示其所在传感器为S5，因此将β(1,2)分配在S5。
如图4C，找到节点β(1,2)的下一个节点β(1,2,3)，它的两个输入已经确定被分配在S3和S5，输出为S8，根据传感器最短路径算法SPoSN的结果，分别找到S3和S5到S8的最短路径，取上述算法最小索引堆的最小值，其索引表示其所在传感器为S6，因此将β(1,2,3)分配在S6，完成此条规则的分配。
按上述方法继续分配完该类的推理节点之后，将N(Sk)置零，继续分配其他类的推理网络，直至分配完毕。
本发明将规则推理前建立的Rete虚拟推理节点更合理地分配在智能环境中接收数据的传感器物理节点中，本发明利用智能环境中活动类型之间基于触发节点的Jaccard相似度，将活动类型进行分类后分别将其各类规则前件构造成Rete网络，结合推理网络的层次延迟性特点分别将每一类的Rete网络虚拟节点进行分配，从而在克服智能环境下推理的资源分配问题的同时，进一步提升分布式规则推理的实时性。
本发明的主要贡献如下：
(1)设计了分类算法CoA，此算法利用活动类型(Activity)、规则(Rule)、传感器节点(Sensor)三者的相关性，推算出两两活动类型之间基于触发节点的Jaccard距离，在分配之前对活动类型进行分类，从而使后述分配更合理；
(2)设计了推理节点分配算法AAoRN，此算法首先利用Floyd算法计算出的传感器节点之间的最短路径，结合推理网络层次延迟性的特点，逐层将推理网络的beta节点分配到传感器节点，使得该beta节点的两个输入节点所在的传感器都传输到该推理节点的传感器节点的传输耗时尽量少，且传感器节点分配的推理节点数目更合理，从而在已有的分布式Rete推理上，在保证资源充分利用的情况下进一步提升了规则推理的实时性。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种用于智能环境的分布式推理节点优化分配方法，其特征在于，包括如下步骤：
S1，根据智能环境采集传感器节点信息，通过传感器节点集合所采集的活动类型、积累的规则，推算出传感器网络活动类型之间的距离，并进行分类，然后分别构造传感器网络推理网络模型；
S2，根据智能环境中传感器节点位置以及由传感器节点之间形成的传输邻接边，计算出传感器节点之间的最短距离并保存其传输路径信息；
S3，对传感器网络进行资源分配评估和实时性评估，将传感器网络中的推理节点优化分配到各个传感器节点中，从而形成优化的分布式传感器网络。
2.根据权利要求1所述的用于智能环境的分布式推理节点优化分配方法，其特征在于，所述S1包括：
S1-1，建立传感器网络模型的过程：
传感器节点Sensor＝{S1,S2,...Sn}，表示智能环境中所有传感器节点的集合，n表示传感器的数目；S代表传感器节点；
规则Rule＝{R1,R2，...Rm}表示智能环境下所积累的经验提取出的规则库，其中m表示规则的数目；R代表智能环境积累的规则；
活动类型Activity＝{A1,A2,...Al}表示该智能环境可识别的活动类型集，其中l表示活动类型的数目；A代表智能环境下采集的活动类型；
每个活动类型对应着不同的规则集，而每个规则都需要获取不同传感器节点中的数据，所以活动类型之间的规则虽然不同，但是所用到的传感器节点是可能重叠交叉的；
S1-2，RSM＝(aij)n×m，表示规则和节点之间的关系矩阵，其中aij＝Ri(Sj)是一个布尔值，值为1代表第i个规则Ri需要接受传感器sj的数据，值为0代表第i个规则Ri与传感器sj无关；
S1-3，ARM＝(aij)l×n，表示活动类型和规则之间的关系矩阵，其中aij＝Ai(Rj)是一个布尔值，值为1代表第j个规则Rj属于活动Ai，值为0代表第j个规则Rj不属于活动Ai；
S1-4，Es＝{(Si,Sj)|Si,Sj∈Sensor}，表示传感器中存在连接的集合，其中(Si,Sj)代表传感器节点Si,Sj之间的连接边；
SN＝(Sensor,ES)，即Sensor Network，代表整个传感器网络，是一个简单加权无向图；
整个传感器网络的邻接矩阵为ASN＝(aij)m×m，为SN的邻接矩阵，其中
Sij表示传感器节点(Si,Sj)的权值，即Si,Sj之间的传输代价，单位用时间单位ms来表示；
S1-5，cost(Sij)，用来表示传感器Si,Sj的最小传输代价，在后述算法用ASN作为输入得到；
Rete推理网络由以下为规则推理而建立的推理节点构成：
alphaNode＝{α1,α2,...αa}，其中a表示α节点的数目，单输入推理节点，包含一个alpha存储区；
betaNode＝{β1,β2,...βb}，其中b表示β节点的数目，双输入推理节点，包含一个alpha存储区和一个beta存储区；分别输入需要匹配的两个集合，通常是对多个事实的多个条件的匹配测试；
TNode＝{r1,r2,...rm}，其中m表示规则激活节点r的数目，事实过滤到此处时，终结节点被激活，将触发相应规则；
S1-7，RN＝(inferentialNode,ERete)，即Rete Network，表示整个推理网络；inferentialNode包括全部推理节点，ERete是推理网络中传输数据的边，利用规则集进行推理网络的建立。
3.根据权利要求1所述的用于智能环境的分布式推理节点优化分配方法，其特征在于，所述S2包括：
S2-1，传感器物理节点代价计算的传感器最短路径算法SpoSN，若智能环境中有n个传感器，传感器节点的邻接矩阵用n*n的矩阵ASN来表示，
读取智能环境中布置的所有传感器节点的位置以及邻接点，存储在矩阵ASN中；对ASN采用Floyd算法求出节点之间的传输最短距离，将i到j节点的后驱节点保存，用于后续的分配；
根据规则的活动类型标签建立规则与活动之间的关系矩阵ARM；
根据具体的规则集，以及规则中的事实参数从哪些传感器中获取，建立规则与传感器之间的关系矩阵RSM；
S2-2，用S2-1形成的关系矩阵ARM和RSM作为输入，
ASM＝(aij)l×n，表示活动类型和传感器的关系，aij＝Ai(Sj)是一个布尔值，0表示活动Ai与传感器Sj无关；1表示活动Ai需要从传感器Sj中获取数据；
Ai(Sj)用矩阵ARM与RSM计算得出，下式是对Ai(Sj)的计算：
在得到了活动类型与传感器节点之间的关系矩阵ASM，用下列公式算出两个活动类型之间的Jaccard距离：
从而得到活动类型的距离矩阵，将这个矩阵记作JaccardM；Aa和Ab分别表示两个活动类型。
计算出上述的距离矩阵JaccardM，用作数据聚类；
S2-3，Group＝{g1,g2,...gx}表示分类之后的集合，其中x表示类的数目，Rule(gi)表示与gi有关的所有规则；
在完成聚类后，对每一类的规则使用Rete算法建立其各自的推理网络。
4.根据权利要求1所述的用于智能环境的分布式推理节点优化分配方法，其特征在于，所述S3包括：
S3-1，资源分配评估
推理节点到传感器的分配应使传感器资源充分利用，因此将每个传感器所分配推理节点的个数作为数据集，用标准差来评判其离散程度从而判断其资源分配的平衡程度；
S3-2，其中表示传感器Si上推理节点的个数；整个系统的资源平衡程度用STDEV来评估，分配完成之后，STDEV的值越小，推理节点的分配的离散程度就越低，资源利用越高；
S3-3，实时性评估
实时性是指规则推理系统从事实数据进入推理网络，到系统推理出规则是否被触发的响应时间；由于采用分布式推理，传输耗时主要在传感器节点之间的传输上，同一个传感器内的传输也可忽略不计；
S3-4，L(Latency)用来评估数据传输到某个节点的延迟：表示从传感器端接收到数据到传输到αi的延迟；表示数据传输到βi节点的延迟，根据层次延迟性取两个输入的最大值；表示数据到达Ri规则的终端节点的延迟；
S3-5，Rete推理网络延迟某个推理网络的实时性用所有规则的相加得到的参数来评估；
具体执行过程中β1与β′1分别分配在S4与S2传感器节点中；由于α节点就在其获取数据的传感器中，有
根据层次延迟性，每个β节点要等到两个输入同时到达才开始匹配，β1的延迟取决于α1、α2哪个节点后到达，因此L(β1)＝max(cost(S12),0)＝40ms，L(β1′)＝max(cost(S14),cost(S24))＝30ms，β2的延迟取决于β1、α3哪个节点后到达，因此L(β2)＝max(L(β1)+cost(S24),cost(S34))＝70ms，
L(β2′)＝max(L(β1),cost(S45))＝30ms；
终端节点
因此在分配的时候考虑到活动类型，允许一个传感器存在多个类中的一般不会同时发生匹配的推理节点，对实时性也有所提高；因此用下列参数来评估推理系统存在活动类型的实时性：
S3-6，用所有Rete推理网络的和来评估分配的优化程度；在分配完成之后，Rete推理网络的求和L(total)的值越小，实时性的优化程度就越高。
5.根据权利要求4所述的用于智能环境的分布式推理节点优化分配方法，其特征在于，所述S3还包括：
S3-A，完成了分类以及各类推理网络的建立之后，再对网络中的推理节点采用以下算法完成优化分配；
beta节点的分配算法见算法AAoRN—2：beta推理节点的分配；
获取其两个输入所在传感器，将终端节点被分配在该规则的输出节点即可；
S3-B，表示传感器容纳的推理节点上限；根据已建立好的推理网络中的推理节点数以及传感器数目对topRN取值，a是一个常数；rnnode为推理网络中所有的推理节点，sensor是智能环境中所有传感器；
有以下六个传感器位置：beta节点的左输入所在传感器、beta节点的右输入所在传感器、左输入到终端节点所在传感器最短路径中的下一个传感器、右输入到终端节点所在传感器最短路径中的下一个传感器、左输入到终端节点所在传感器最短路径中的下下个传感器、右输入到终端节点所在传感器最短路径中的下下个传感器；分别取两个输入传感器到这六个传感器中较大值，存入最小索引堆；
在最小索引堆取出上述距离的最小值所对应的索引的传感器，若其包含的推理节点已超过上限，则继续在最小索引堆取最小值重复以上步骤；
确定了该推理节点所分配的传感器后，更新推理节点的相关参数，从上往下逐层完成其余beta节点的优化分配。
CN201810062163.0A 2018-01-23 2018-01-23 用于智能环境的分布式推理节点优化分配方法 Active CN108199900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810062163.0A CN108199900B (zh) 2018-01-23 2018-01-23 用于智能环境的分布式推理节点优化分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810062163.0A CN108199900B (zh) 2018-01-23 2018-01-23 用于智能环境的分布式推理节点优化分配方法

Publications (2)

Publication Number Publication Date
CN108199900A true CN108199900A (zh) 2018-06-22
CN108199900B CN108199900B (zh) 2019-11-05

Family

ID=62590742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810062163.0A Active CN108199900B (zh) 2018-01-23 2018-01-23 用于智能环境的分布式推理节点优化分配方法

Country Status (1)

Country Link
CN (1) CN108199900B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108858194A (zh) * 2018-07-10 2018-11-23 华北水利水电大学 一种布尔网络机器人的控制方法及装置
CN110427769A (zh) * 2019-08-12 2019-11-08 重庆大学 基于智能看护系统面向用户活动模式隐私保护实施方法
CN111240649A (zh) * 2020-01-20 2020-06-05 重庆大学 一种支撑智能环境快速实现的软件定义智能架构系统及其方法
WO2020211254A1 (zh) * 2019-04-16 2020-10-22 平安科技（深圳）有限公司 Rete网络的构建方法、装置、计算机设备和存储介质
CN112651506A (zh) * 2020-12-24 2021-04-13 重庆大学 一种智能环境下基于边缘设备规则推理的数据预部署方法
CN112733033A (zh) * 2021-01-20 2021-04-30 渭南双盈未来科技有限公司 一种信息处理方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050246301A1 (en) * 2004-03-18 2005-11-03 Peter Lin System and Method to distribute reasoning and pattern matching in forward and backward chaining rule engines
CN101739294A (zh) * 2009-12-24 2010-06-16 中国科学院计算技术研究所 一种基于规则的分布式推理方法及系统
CN101782768A (zh) * 2010-02-09 2010-07-21 华南理工大学 一种基于上下文感知的智能家居系统
CN102981913A (zh) * 2012-12-04 2013-03-20 公安部第三研究所 支持大规模分布式增量计算的推理控制方法及推理控制系统
CN103093304A (zh) * 2011-10-14 2013-05-08 霍尼韦尔国际公司 用于分布式诊断推理的方法和系统
CN104035396A (zh) * 2014-04-18 2014-09-10 重庆大学 基于无线传感器网络的分布式行为识别方法
CN104615703A (zh) * 2015-01-30 2015-05-13 福州大学 一种结合Rete算法的RDF数据分布式并行推理方法
CN107016110A (zh) * 2017-04-15 2017-08-04 福州大学 结合Spark平台的OWLHorst规则分布式并行推理算法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050246301A1 (en) * 2004-03-18 2005-11-03 Peter Lin System and Method to distribute reasoning and pattern matching in forward and backward chaining rule engines
CN101739294A (zh) * 2009-12-24 2010-06-16 中国科学院计算技术研究所 一种基于规则的分布式推理方法及系统
CN101782768A (zh) * 2010-02-09 2010-07-21 华南理工大学 一种基于上下文感知的智能家居系统
CN103093304A (zh) * 2011-10-14 2013-05-08 霍尼韦尔国际公司 用于分布式诊断推理的方法和系统
CN102981913A (zh) * 2012-12-04 2013-03-20 公安部第三研究所 支持大规模分布式增量计算的推理控制方法及推理控制系统
CN104035396A (zh) * 2014-04-18 2014-09-10 重庆大学 基于无线传感器网络的分布式行为识别方法
CN104615703A (zh) * 2015-01-30 2015-05-13 福州大学 一种结合Rete算法的RDF数据分布式并行推理方法
CN107016110A (zh) * 2017-04-15 2017-08-04 福州大学 结合Spark平台的OWLHorst规则分布式并行推理算法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108858194A (zh) * 2018-07-10 2018-11-23 华北水利水电大学 一种布尔网络机器人的控制方法及装置
CN108858194B (zh) * 2018-07-10 2020-10-27 华北水利水电大学 一种布尔网络机器人的控制方法及装置
WO2020211254A1 (zh) * 2019-04-16 2020-10-22 平安科技（深圳）有限公司 Rete网络的构建方法、装置、计算机设备和存储介质
CN110427769A (zh) * 2019-08-12 2019-11-08 重庆大学 基于智能看护系统面向用户活动模式隐私保护实施方法
CN110427769B (zh) * 2019-08-12 2020-12-25 重庆大学 基于智能看护系统面向用户活动模式隐私保护实施方法
CN111240649A (zh) * 2020-01-20 2020-06-05 重庆大学 一种支撑智能环境快速实现的软件定义智能架构系统及其方法
CN112651506A (zh) * 2020-12-24 2021-04-13 重庆大学 一种智能环境下基于边缘设备规则推理的数据预部署方法
CN112733033A (zh) * 2021-01-20 2021-04-30 渭南双盈未来科技有限公司 一种信息处理方法及系统
CN112733033B (zh) * 2021-01-20 2023-11-10 渭南双盈未来科技有限公司 一种信息处理方法及系统

Also Published As

Publication number Publication date
CN108199900B (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN108199900B (zh) 用于智能环境的分布式推理节点优化分配方法
CN105005204B (zh) 可自动触发智能家居和智慧生活情景的智能引擎系统及方法
CN106446959B (zh) 一种云计算资源动态匹配方法及装置
CN107678845B (zh) 应用程序管控方法、装置、存储介质及电子设备
Tsai et al. Enhanced parallel cat swarm optimization based on the Taguchi method
Li et al. A comparative analysis of evolutionary and memetic algorithms for community detection from signed social networks
CN104104621B (zh) 一种基于非线性降维的虚拟网络资源动态自适应调节方法
CN108337685B (zh) 基于分簇dgm的无线传感器网络数据融合方法
CN107798027A (zh) 一种信息热度预测方法、信息推荐方法及装置
CN103258027A (zh) 基于智能终端的情境感知服务平台
CN107944485A (zh) 基于聚类群组发现的推荐系统及方法、个性化推荐系统
CN107272885A (zh) 一种用于智能机器人的人机交互方法及装置
CN106909942A (zh) 一种面向高维度大数据的子空间聚类方法及装置
Li et al. Swarm decision table and ensemble search methods in fog computing environment: Case of day-ahead prediction of building energy demands using IoT sensors
CN107025486A (zh) 一种事件检测系统及方法
CN111553566A (zh) 一种城市公共服务设施服务范围的界定方法
CN107807919A (zh) 一种利用循环随机游走网络进行微博情感分类预测的方法
CN106649380A (zh) 一种基于标签的热点推荐方法及系统
Mishra et al. Sensor data distribution and knowledge inference framework for a cognitive-based distributed storage sink environment
CN104574368B (zh) 一种自适应的核聚类图像分割方法
CN109145431A (zh) 一种监控电力二次系统运行状态的建模方法及装置
CN103034728B (zh) 利用社会化网络学术资源交互平台进行信息交互的方法
Guo et al. A novel cluster-head selection algorithm based on hybrid genetic optimization for wireless sensor networks
Yousefi et al. Artificial bee colony-based routing for mobile agents on the internet of things
Wei et al. A multi-objective algorithm for joint energy replenishment and data collection in wireless rechargeable sensor networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant