CN111556090A - 智能物联网的功能聚合自组织系统及方法 - Google Patents

智能物联网的功能聚合自组织系统及方法 Download PDF

Info

Publication number
CN111556090A
CN111556090A CN202010197467.5A CN202010197467A CN111556090A CN 111556090 A CN111556090 A CN 111556090A CN 202010197467 A CN202010197467 A CN 202010197467A CN 111556090 A CN111556090 A CN 111556090A
Authority
CN
China
Prior art keywords
node
service
sub
network
things
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
CN202010197467.5A
Other languages
English (en)
Other versions
CN111556090B (zh
Inventor
不公告发明人
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 Terminus Technology Co Ltd
Original Assignee
Chongqing Terminus Technology Co Ltd
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 Terminus Technology Co Ltd filed Critical Chongqing Terminus Technology Co Ltd
Priority to CN202010197467.5A priority Critical patent/CN111556090B/zh
Publication of CN111556090A publication Critical patent/CN111556090A/zh
Application granted granted Critical
Publication of CN111556090B publication Critical patent/CN111556090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • H04L41/0893—Assignment of logical groups to network elements
    • 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
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
    • 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
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
    • H04L41/5051—Service on demand, e.g. definition and deployment of services in real time
    • 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
    • H04L67/50—Network services
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services

Abstract

本申请公开了一种智能物联网的功能聚合自组织系统，其中终端确定模块用于依据当前的待执行任务确定出与任务相关联的物联网终端，子网络自组织模块用于对确定出的物联网终端在网络架构上进行自组织，得到物联网的一个或多个子网络，进程创建及资源分配模块用于依据子网络的对应功能任务为子网络建立进程，为进程分配相应的计算资源，并对子网络单独进行管理和存储，资源回收模块用于在完成功能任务时结束相应子网络的进程并释放相应子网络的计算资源。该系统使得物联网服务的网络结构泛化、功能多样化、具有可定制性，提高了对关键数据响应及时性，增强了对现实需求和实际场景适配性。

Description

智能物联网的功能聚合自组织系统及方法
技术领域
本申请涉及物联网聚合技术领域，特别涉及智能物联网的功能聚合自组织系统及方法。
背景技术
物联网是近年来的新兴的且具有巨大潜力的行业之一，在智能社区、智能建筑、智能写字楼、智能通行廊道等应用场景中，物联网系统发挥着越来越不可或缺的作用，包括利用接入物联网的传感器实现前端信息和数据的感知、采集和上传；通过云端的服务器实现信息和数据的存储、分析、预测以及图形化展示；对接入物联网的智能化设备进行控制、调用，等等。
但是，目前在智能社区、智能建筑、智能写字楼、智能通行廊道等应用场景中的物联网系统存在网络结构僵化、功能不灵活、缺乏可定制性、由于数据量大而造成对关键数据响应不及时、对现实需求和实际场景适配性不强的缺点。
发明内容
(一)申请目的
基于此，为了解决物联网系统存在网络结构僵化、功能不灵活、缺乏可定制性、由于数据量大而造成对关键数据响应不及时、对现实需求和实际场景适配性不强的缺点，本申请提供一种智能化物联网，提出在物联网的网络架构、数据管理、业务流程和功能定义方面实现智能化，从而使智能化物联网基于应用场景和现实需求而实现节点(包括接入物联网的传感器、智能化设备)的网络架构聚合自组织、业务功能的聚合自组织以及数据管理的聚合自组织。具体的，本申请公开了以下技术方案。
(二)技术方案
一方面，提供了一种智能物联网的功能聚合自组织系统，包括：
终端确定模块，用于依据当前的待执行任务确定出与所述任务相关联的物联网终端；
子网络自组织模块，用于对所述确定出的物联网终端在网络架构上进行自组织，得到所述物联网的一个或多个子网络；
进程创建及资源分配模块，用于依据所述子网络的对应功能任务为所述子网络建立进程，为所述进程分配相应的计算资源，并对所述子网络单独进行管理和存储；
资源回收模块，用于在完成功能任务时结束相应子网络的进程并释放相应子网络的计算资源。
在一种可能的实施方式中，该系统还包括子网络服务执行模块，用于控制所述子网络执行物联网服务以完成功能任务，所述服务执行模块包括：
服务链构建单元，用于依据预先建立的物联网服务拓扑关系索引模型以及所述子网络的对应功能任务构建相应的聚合服务链；
服务链选择单元，用于计算构建出的聚合服务链的服务执行成本，选择服务执行成本最低的聚合服务链执行；其中，
所述聚合服务链的服务之间的关系包括串联关系、并联关系、择一关系和循环关系中的一种或多种。
在一种可能的实施方式中，所述服务链构建单元在构建所述聚合服务链时发生未存在与子网络功能任务相对应的服务时：计算子网络功能任务中缺失部分的任务与服务库中各服务之间的语义相似度，并将服务库中语义相似度最高的服务作为替代服务进行聚合服务链的构建；其中，语义相似度计算公式为：
Figure BDA0002418126490000031
其中，α为调节参量，Dis(S1,S2)表示S1节点和S2节点在概念树中的路径长度，B(·)表示节点的兄弟节点数量，LCA(S1,S2)表示S1节点和S2节点的最低共同祖先节点，Dep(·)表示节点在概念树中的深度。
在一种可能的实施方式中，该系统还包括不可信终端节点筛选模块，所述可信终端节点筛选模块包括：
节点聚类单元，用于基于数据密度相关度对物联网终端节点进行聚类；
信任参数计算单元，用于计算各终端节点的数据信任参数、链路信任参数和节点信任参数中的至少一项，并相应确定出感知不可信节点、链路不可信节点和节点不可信节点中的至少一项；
不可信节点筛选单元，用于当确定出节点为感知不可信节点时，丢弃该节点自身产生的数据，当确定出节点为链路不可信节点时，通过可信链路选择可信节点作为该节点的新的父节点，当确定出节点为节点不可信节点时，为该节点的所有子节点重新选择新的父节点。
在一种可能的实施方式中，所述不可信终端节点筛选模块还包括：信任参数更新单元，用于通过以下公式对上一信任参数进行更新：
wdec＝exp(-δ·(t-t0))
其中，δ为调节因子，t为当前信任值的计算时间，t0为上次信任值的计算时间。
在一种可能的实施方式中，所述信任参数计算单元计算数据信任参数T(i)的计算公式为：
T(i)＝2∫v ∞t(x)dx)
其中，T(i)为节点i的数据信任参数，f(x)为概率密度函数，v为节点i的感知数据值。
在一种可能的实施方式中，所述信任参数计算单元计算链路信任参数Lq的计算公式为：
Lq＝(1-Pper)Pprr
其中，Pper为包错误率，Pprr为数据包接收率；
包错误率Pper的计算公式为：
Pper＝1-(1-Pper)n
其中，n为数据包中的有效负载数；
数据包接收率Pprr的计算公式为：
Pprr＝nrec/nsen
其中，nrec为成功接收的数据包的数量，nsen为发送数据包的数量之和。
在一种可能的实施方式中，所述信任参数计算单元计算节点信任参数Tnode的计算公式为：
Tnode＝wdir·Tdir+(1-wdir)·Trec
其中，Tdir为直接信任参数，wdir为直接信任的权重，Trec为间接信任参数；
直接信任参数Tdir的计算公式为：
Figure BDA0002418126490000041
其中，s是通信成功的次数，f是通信失败的次数，Pper为包错误率，Pplr为丢包率。
另一方面，还提供了一种智能物联网的功能聚合自组织方法，包括：
依据当前的待执行任务确定出与所述任务相关联的物联网终端；
对所述确定出的物联网终端在网络架构上进行自组织，得到所述物联网的一个或多个子网络；
依据所述子网络的对应功能任务为所述子网络建立进程，为所述进程分配相应的计算资源，并对所述子网络单独进行管理和存储；
在完成功能任务时结束相应子网络的进程并释放相应子网络的计算资源。
在一种可能的实施方式中，所述子网络执行物联网服务以完成功能任务，包括：
依据预先建立的物联网服务拓扑关系索引模型以及所述子网络的对应功能任务构建相应的聚合服务链；
计算构建出的聚合服务链的服务执行成本，选择服务执行成本最低的聚合服务链执行；其中，
所述聚合服务链的服务之间的关系包括串联关系、并联关系、择一关系和循环关系中的一种或多种。
在一种可能的实施方式中，在构建所述聚合服务链时发生未存在与子网络功能任务相对应的服务时：计算子网络功能任务中缺失部分的任务与服务库中各服务之间的语义相似度，并将服务库中语义相似度最高的服务作为替代服务进行聚合服务链的构建；其中，语义相似度计算公式为：
Figure BDA0002418126490000051
其中，α为调节参量，Dis(S1,S2)表示S1节点和S2节点在概念树中的路径长度，B(·)表示节点的兄弟节点数量，LCA(S1,S2)表示S1节点和S2节点的最低共同祖先节点，Dep(·)表示节点在概念树中的深度。
在一种可能的实施方式中，该方法还包括不可信终端节点筛选步骤，该筛选步骤包括：
基于数据密度相关度对物联网终端节点进行聚类；
计算各终端节点的数据信任参数、链路信任参数和节点信任参数中的至少一项，并相应确定出感知不可信节点、链路不可信节点和节点不可信节点中的至少一项；
当确定出节点为感知不可信节点时，丢弃该节点自身产生的数据；
当确定出节点为链路不可信节点时，通过可信链路选择可信节点作为该节点的新的父节点；
当确定出节点为节点不可信节点时，为该节点的所有子节点重新选择新的父节点。
在一种可能的实施方式中，在所述不可信终端节点筛选步骤中，通过以下公式对上一信任参数进行更新：
wdec＝exp(-δ·(t-t0))
其中，δ为调节因子，t为当前信任值的计算时间，t0为上次信任值的计算时间。
在一种可能的实施方式中，所述数据信任参数T(i)的计算公式为：
T(i)＝2∫v ∞f(x)dx)
其中，T(i)为节点i的数据信任参数，f(x)为概率密度函数，v为节点i的感知数据值。
在一种可能的实施方式中，所述链路信任参数Lq的计算公式为：
Lq＝(1-Pper)Pprr
其中，Pper为包错误率，Pprr为数据包接收率；
包错误率Pper的计算公式为：
Pper＝1-(1-Pper)n
其中，n为数据包中的有效负载数；
数据包接收率Pprr的计算公式为：
Pprr＝nrec/nsen
其中，nrec为成功接收的数据包的数量，nsen为发送数据包的数量之和。
在一种可能的实施方式中，所述节点信任参数Tnode的计算公式为：
Tnode＝wdir·Tdir+(1-wdir)·Trec
其中，Tdir为直接信任参数，wdir为直接信任的权重，Trec为间接信任参数；
直接信任参数Tdir的计算公式为：
Figure BDA0002418126490000071
其中，s是通信成功的次数，f是通信失败的次数，Pper为包错误率，Pplr为丢包率。
(三)有益效果
本申请公开的功能聚合自组织系统及方法，通过对用户定制的功能进行专属的子网络构建以及专属计算资源的配给，使得物联网服务的网络结构泛化、功能多样化、具有可定制性，提高了对关键数据响应及时性，增强了对现实需求和实际场景适配性。
附图说明
以下参考附图描述的实施例是示例性的，旨在用于解释和说明本申请，而不能理解为对本申请的保护范围的限制。
图1是本申请公开的功能聚合自组织系统实施例的结构框图。
图2是聚合服务链中服务之间关系的举例示意图。
图3是服务语义树的树结构举例示意图。
图4是本申请公开的功能聚合自组织方法实施例的流程示意图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。
下面参考图1-图3详细描述本申请公开的智能物联网的功能聚合自组织系统第一实施例。如图1所示，本实施例公开的系统主要包括有：终端确定模块、子网络自组织模块、进程创建及资源分配模块和资源回收模块。
终端确定模块用于依据当前的待执行任务确定出与任务相关联的物联网终端。
本系统通过物联网对建筑设施、社区甚至一片较大城市区域提供物联网服务，服务内容包括数据采集、数据分析处理、设备控制等等功能，同时也提供给用户定制功能的服务，用户可以依据当前自身的需求来选择定制相应的功能。
在用户输入功能需求之后，终端确定模块可以从物联网中确定出实现该功能需求所需要的物联网终端。物联网终端包括了传感器、智能化设备等硬件。例如当前的功能需求是某层楼内各房间的室内温度控制及温度变化实时反馈，则可以确定出温度传感器、中央空调、窗户、电加热设备、通信设备等作为实现温控功能所需的物联网终端。
子网络自组织模块用于对确定出的物联网终端在网络架构上进行自组织，得到物联网的一个或多个子网络。
终端确定模块确定出实现定制功能所需的物联网终端之后，子网络自组织模块会将这些物联网终端进行网络自组织，形成专属的子网络。若用户的功能需求只有一个，则可能只形成一个子网络，若用户的功能需求有多个，则会形成多个子网络。例如在用户的功能需求为温度控制、亮度控制、湿度控制时，该功能需求包含了三种功能，则会形成三个子网络，这三个子网络之间互相不会产生影响。
进程创建及资源分配模块用于依据子网络的对应功能任务为子网络建立进程，为进程分配相应的计算资源，并对子网络单独进行管理和存储。
子网络自组织模块组织出子网络后，进程创建及资源分配模块会创建实现相应功能任务的进程，以及将系统的资源进行分配，复杂的、算力消耗大的功能会多分配一些资源，而简单的、算力消耗小的功能会少分配一些资源。对于子网络的管理和数据存储也是单独进行的，不会与其他子网络混淆和共用。不同的子网络所占用的资源均为专属资源，不与其他子网络以及其他控制单元共享。
在进程创建及资源分配模块建立进程并分配计算资源后，就可以开始控制子网络中的各终端设备提供相应功能的物联网服务，例如通过创建病情监控进程实时监控病床上病人的病情，通过创建远程抄表进程定期对各住户的电表数据进行抄录，通过创建远程控制家电进程在住户离家后实时采集各家电设备的运行情况并向住户手机app进行反馈，通过创建门禁控制进程操作小区门禁系统进行日常识别、放行、阻拦，通过创建道路监控进程操作摄像头对小区道路进行日常视频监控，等等。
资源回收模块用于在完成功能任务时结束相应子网络的进程并释放相应子网络的计算资源。
不同的进程具有不同的生命周期，生命周期的长度也是依据进程实现的功能任务决定的。例如远程抄表进程可能每月创建并执行一次，每次执行可能只持续很短的时间即完成了水表、电表、燃气表的数据抄录，此时该进程完成了相应的功能任务，因此可以结束该进程并释放其占用的资源，以准备为用户提出的其他功能需求时所创建的进程提供资源。而防灾监控进程、门禁控制进程等可能不存在进程结束的时候，因此其始终保持着一定资源的占用。对于一些消耗算力较大的物联网服务来说，进程和计算资源都是专属的，不存在竞争问题。
本系统通过对用户定制的功能进行专属的子网络构建以及专属计算资源的配给，使得物联网服务的网络结构泛化、功能多样化、具有可定制性，提高了对关键数据响应及时性，增强了对现实需求和实际场景适配性。
物联网环境中存在多种多样的服务，服务数量较为庞大，而单个物联网服务的功能比较单一，因此目前只能通过选取多个不同类型的服务组成满足用户需求的多功能服务来满足用户的多元化需求，也因此需要更加方便快捷的利用物联网的海量资源。因此，本实施方式中将物联网服务进行聚合，通过构建动态服务聚合模型并使其适应不断变化的物联网环境。
具体的，在一种实施方式中，该系统还包括子网络服务执行模块，用于控制子网络执行物联网服务以完成功能任务，服务执行模块包括服务链构建单元和服务链选择单元。
服务链构建单元用于依据预先建立的物联网服务拓扑关系索引模型以及子网络的对应功能任务构建相应的聚合服务链。
物联网服务拓扑关系索引模型记录了物联网不同类别、不同级别的服务之间的关系网。例如对于某大厦来说，物联网服务包括了温度调控服务、门禁控制服务、视频监控服务等，三者之间为同级别但不同类别的一级服务，其中温度调控服务则又包括了温度数据采集服务、送风温度调控服务、送风风量控制服务等，则这三种服务均为从属于温度调控服务的同级别但不同类别的二级服务。
功能任务就是用户的输入，通过对用户输入进行语义分析，将分析结果与上述索引模型进行智能匹配选择，得到聚合后的服务，也就是聚合服务链。得到聚合服务链后，还可以其保存到服务链存储库中，以便于之后发生相同的功能任务需求时能够直接调用该聚合服务链而无需重复构建，提高物联网服务效率。
聚合服务链是以物联网服务为节点形成的一条服务执行序列，以使系统具备执行较为复杂功能的能力，满足用户多元化的需求。当子网络需要执行的功能越复杂，聚合服务链的复杂度也就越高。可以理解的是，复杂度不止包括了长度，也包括了各服务之间关系的类别。
聚合服务链的服务之间的关系可以是几种之中的其中一种：串联关系、并联关系、择一关系和循环关系。
如图2所示，串联关系代表两个服务之间存在一先一后的执行顺序，例如先采集温度数据(S11)再将温度数据发送至用户的手机(S21)；并联关系代表多个服务的执行顺序可以不分先后的并行执行，例如同时采集室内温度(S11)、亮度(S12)、湿度(S13)；择一关系代表多个服务较为相似因此择一执行即可，例如选择通过短信通知用户温度数据(S21)或选择通过专属app通知用户温度数据(S22)；循环关系代表某服务具有自循环的特征，循环完成才会继续执行服务链中之后的服务，例如遍历采集多次温度数据并返回平均值(S13)。因此，构建的聚合服务链可能会存在多条，也就是可能存在多种实现子网络功能任务的方式。
服务链选择单元用于计算构建出的聚合服务链的服务执行成本，选择服务执行成本最低的聚合服务链进行执行。
由于可能存在多条聚合服务链，而不同的服务链所需的执行成本不同，例如执行时间有长有短、执行难度有易有难、执行费用有高有低，因此为了提高物联网的服务执行效率，选择执行时间最短的服务链作为系统最终真正实施的服务链。
以执行时间为例说明书执行成本：互相之间为串联关系的服务A和服务B的执行时间为Ta+Tb；互相之间为并联关系的服务A和服务B的执行时间为Max(Ta,Tb)；互相之间为择一关系的服务A和服务B的执行时间为Ta或Tb；具有自循环关系的服务A的执行时间为i*Ta，i为循环次数。
以上通过物联网服务聚合对小粒度的服务进行搭配组合，使得所需服务无需单个调用，实现海量冗余数据的整理、不同领域间数据的融合、物联网功能多样化、网络功耗的降低和网络服务效率的提升，避免了多次服务调用产生的成本，并且同时执行并行的服务也减少了聚合服务的运行时间。
由于系统提供的物联网服务中可能没有包含和用户需求的功能一模一样的服务，因此在一种实施方式中，服务链构建单元在构建聚合服务链时发生未存在与子网络功能任务相对应的服务时，也就是对于系统服务库中未存在完全相同的服务导致可能会使服务链无法顺利聚合时，首先计算子网络功能任务中缺失部分的任务与服务库中各服务之间的语义相似度。
语义相似度是基于服务语义树进行计算的。如图3所示，服务语义树的根节点的深度为0，树结构中的任意两个节点之间都有且只有一条路径。服务语义树中包含了多种服务的语义，包括了服务库中所有服务的语义以及服务库以外其他种类服务、功能和任务的语义。因此，先获取功能任务中缺失部分的任务的语义，以及获取服务库中各服务的语义，此时就得到了这些语义在语义树中的位置，然后计算所需服务与库中各服务的语义相似度。
语义相似度计算公式为：
Figure BDA0002418126490000131
其中，α为调节参量，Dis(S1,S2)表示S1节点和S2节点在概念树中的路径长度，B(·)表示节点的兄弟节点数量，LCA(S1,S2)表示S1节点和S2节点的最低共同祖先节点，Dep(·)表示节点在概念树中的深度。
由该公式可知，节点之间的路径距离越大，其相似度越低；两者的共同祖先越接近根部，相似度也越低；概念拥有的兄弟节点数量越多，相似度越低。并且，当两节点距离为0时，该两节点的相似度为1；当两节点距离为无限大时，该两节点的相似度无限趋近于0；当两节点的最近共同祖先为根节点的时候，说明该两节点属于不同的服务类别，因此相似度为0。
在得到所需服务与库中各服务的语义相似度之后，将服务库中语义相似度最高的服务作为替代服务进行聚合服务链的构建。
子网络服务执行模块利用语义相似度算法计算服务库中与用户需求的功能任务(服务)最相似的服务，并将该最相似的服务作为实现用户功能任务中所缺失的服务聚合到服务链中，保证了服务链聚合的成功率和准确性。
物联网系统通常采用传感器网络作为物联网终端来获取海量信息。但传感器网络中的传感器节点可能会由于受到环境影响或来自内外部恶意攻击而导致节点行为不可靠、感知的数据不准确，同时由于物联网中传感器网络的规模不断增加，使得物联网环境下可信数据聚合的复杂度也进一步增加。因此在一种实施方式中，该系统还包括不可信终端节点筛选模块，可信终端节点筛选模块包括：
节点聚类单元用于基于数据密度相关度对物联网终端节点进行聚类。
首先通过基于数据密度相关度(Data Density Correlation DegreeClustering，DDCDC)的聚类算法将节点进行聚类，聚类后所有数据相关的节点均被划分到同一类中，而数据不相关的节点则会被划分到不同的类中。由于传感器网络中的邻居节点可能是不相关的，因此通过聚类算法将数据相关度的因素考虑进来，同一类中排除了不相关的节点，使得后续得到的信任参数更准确。
信任参数计算单元用于计算各终端节点的数据信任参数、链路信任参数和节点信任参数中的至少一项，并相应确定出感知不可信节点、链路不可信节点和节点不可信节点中的至少一项。
数据信任参数用于评估数据的一致性和容错性。传感器感知的数据是时空相关的，因此同一个类中的传感器检测到的数据是相似的。信任参数计算单元计算数据信任参数T(i)的计算公式为：
Figure BDA0002418126490000141
其中，T(i)为节点i的数据信任参数，f(x)为概率密度函数，v为节点i的感知数据值。可以先对数据进行绝对中位差运算，之后得到的中位数以及绝对中位差分别作为均值和方差代入数据信任参数计算公式中的概率密度函数进行计算，以此来消除异常数据。
链路信任参数由包错误率(Packet Error Rate)和丢包率(Packet Loss Rate)决定。信任参数计算单元计算链路信任参数Lq的计算公式为：Lq＝(1-Pper)Pprr，其中，Pper为包错误率，Pprr为数据包接收率。
包错误率Pper的计算公式为：Pper＝1-(1-Pper)n，n为数据包中的有效负载数。
丢包率Pplr＝1-Pprr，Pprr的计算公式为：Pprr＝nrec/nsen，nrec为成功接收的数据包的数量，nsen为发送数据包的数量之和。
节点信任参数包括直接信任和间接信任。节点信任参数Tnode的计算公式为：Tnode＝wdir·Tdir+(1-wdir)·Trec，其中，Tdir为直接信任参数，wdir为直接信任的权重，Trec为间接信任参数。
直接信任通过通信行为是否成功进行评价，信任参数计算单元计算直接信任参数Tdir的计算公式为：
Figure BDA0002418126490000151
s是通信成功的次数，f是通信失败的次数，Pper为包错误率，Pprr为数据包接收率。
间接信任通过第三方的推荐进行评价，间接信任参数Trec的计算公式为：
Figure BDA0002418126490000152
Tj,i为第j个第三方对节点i的信任值。
不可信节点筛选单元用于当确定出节点i为感知不可信节点时，丢弃该节点i自身产生的数据，该节点i仍然可以作为中间节点汇聚来自其他节点的数据，并发送给下一个节点；当确定出节点i为链路不可信节点时，通过可信链路选择可信节点作为该节点i的新的父节点，如果节点i更新父节点失败，则节点i的所有子节点也要重新选择父节点，并且节点i自身会被丢弃；当确定出节点i为节点不可信节点时，则该节点不能用作聚合节点和转发节点，因此需要为该节点i的所有子节点重新选择新的父节点。
进一步的，不可信终端节点筛选模块还包括信任参数更新单元，用于保持对信任参数进行更新。在每个时间窗口中，在当前信任参数计算得出后，利用以下时间衰减公式对旧的信任参数进行更新：
wdec＝exp(-δ·(t-t0))
其中，δ为调节因子，t为当前信任参数的计算时间，t0为上次信任参数的计算时间。
通过不可信终端节点筛选模块实现在数据聚合过程中将数据相关度、数据信任、链路信任和节点信任作为安全因素考虑进来，提高了系统的修复能力、网络吞吐量和鲁棒性。
下面参考图4详细描述本申请公开的智能物联网的功能聚合自组织方法第一实施例。本实施例用于实施前述的功能聚合自组织系统第一实施例。如图4所示，本实施例公开的方法包括如下步骤100至步骤400：
步骤100，依据当前的待执行任务确定出与任务相关联的物联网终端；
步骤200，对确定出的物联网终端在网络架构上进行自组织，得到物联网的一个或多个子网络；
步骤300，依据子网络的对应功能任务为子网络建立进程，为进程分配相应的计算资源，并对子网络单独进行管理和存储；
步骤400，在完成功能任务时结束相应子网络的进程并释放相应子网络的计算资源。
本方法通过对用户定制的功能进行专属的子网络构建以及专属计算资源的配给，使得物联网服务的网络结构泛化、功能多样化、具有可定制性，提高了对关键数据响应及时性，增强了对现实需求和实际场景适配性。
在一种实施方式中，子网络执行物联网服务以完成功能任务包括：
依据预先建立的物联网服务拓扑关系索引模型以及子网络的对应功能任务构建相应的聚合服务链；
计算构建出的聚合服务链的服务执行成本，选择服务执行成本最低的聚合服务链执行；其中，
聚合服务链的服务之间的关系包括串联关系、并联关系、择一关系和循环关系中的一种或多种。
在一种实施方式中，在构建聚合服务链时发生未存在与子网络功能任务相对应的服务时：计算子网络功能任务中缺失部分的任务与服务库中各服务之间的语义相似度，并将服务库中语义相似度最高的服务作为替代服务进行聚合服务链的构建；其中，语义相似度计算公式为：
Figure BDA0002418126490000171
其中，α为调节参量，Dis(S1,S2)表示S1节点和S2节点在概念树中的路径长度，B(·)表示节点的兄弟节点数量，LCA(S1,S2)表示S1节点和S2节点的最低共同祖先节点，Dep(·)表示节点在概念树中的深度。
该方法利用语义相似度算法计算服务库中与用户需求的功能任务(服务)最相似的服务，并将该最相似的服务作为实现用户功能任务中所缺失的服务聚合到服务链中，保证了服务链聚合的成功率和准确性。
在一种实施方式中，该方法还包括不可信终端节点筛选步骤，该筛选步骤包括：
基于数据密度相关度对物联网终端节点进行聚类；
计算各终端节点的数据信任参数、链路信任参数和节点信任参数中的至少一项，并相应确定出感知不可信节点、链路不可信节点和节点不可信节点中的至少一项；
当确定出节点为感知不可信节点时，丢弃该节点自身产生的数据；
当确定出节点为链路不可信节点时，通过可信链路选择可信节点作为该节点的新的父节点；
当确定出节点为节点不可信节点时，为该节点的所有子节点重新选择新的父节点。
在一种实施方式中，在不可信终端节点筛选步骤中，通过以下公式对上一信任参数进行更新：
wdec＝exp(-δ·(t-t0))
其中，δ为调节因子，t为当前信任值的计算时间，t0为上次信任值的计算时间。
在一种实施方式中，数据信任参数T(i)的计算公式为：
T(i)＝2∫v ∞f(x)dx)
其中，T(i)为节点i的数据信任参数，f(x)为概率密度函数，v为节点i的感知数据值。
在一种实施方式中，链路信任参数Lq的计算公式为：
Lq＝(1-Pper)Pprr
其中，Pper为包错误率，Pprr为数据包接收率；
包错误率Pper的计算公式为：
Pper＝1-(1-Pper)n
其中，n为数据包中的有效负载数；
数据包接收率Pprr的计算公式为：
Pprr＝nrec/nsen
其中，nrec为成功接收的数据包的数量，nsen为发送数据包的数量之和。
在一种实施方式中，节点信任参数Tnode的计算公式为：
Tnode＝wdir·Tdir+(1-wdir)·Trec
其中，Tdir为直接信任参数，wdir为直接信任的权重，Trec为间接信任参数；
直接信任参数Tdir的计算公式为：
Figure BDA0002418126490000191
其中，s是通信成功的次数，f是通信失败的次数，Pper为包错误率，Pplr为丢包率。
间接信任参数Trec的计算公式为：
Figure BDA0002418126490000192
Tj,i为第j个第三方对节点i的信任值。
通过上述不可信终端节点筛选步骤，实现在数据聚合过程中将数据相关度、数据信任、链路信任和节点信任作为安全因素考虑进来，提高了系统的修复能力、网络吞吐量和鲁棒性。
本文中的模块、单元的划分仅仅是一种逻辑功能的划分，在实际实现时可以有其他的划分方式，例如多个模块和/或单元可以结合或集成于另一个系统中。作为分离部件说明的模块、单元在物理上可以是分开的，也可以是不分开的。作为单元显示的部件可以是物理单元，也可以不是物理单元，即可以位于一个具体地方，也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种智能物联网的功能聚合自组织系统，其特征在于，包括：
终端确定模块，用于依据当前的待执行任务确定出与所述任务相关联的物联网终端；
子网络自组织模块，用于对所述确定出的物联网终端在网络架构上进行自组织，得到所述物联网的一个或多个子网络；
进程创建及资源分配模块，用于依据所述子网络的对应功能任务为所述子网络建立进程，为所述进程分配相应的计算资源，并对所述子网络单独进行管理和存储；
资源回收模块，用于在完成功能任务时结束相应子网络的进程并释放相应子网络的计算资源。
2.如权利要求1所述的系统，其特征在于，该系统还包括子网络服务执行模块，用于控制所述子网络执行物联网服务以完成功能任务，所述服务执行模块包括：
服务链构建单元，用于依据预先建立的物联网服务拓扑关系索引模型以及所述子网络的对应功能任务构建相应的聚合服务链；
服务链选择单元，用于计算构建出的聚合服务链的服务执行成本，选择服务执行成本最低的聚合服务链执行；其中，
所述聚合服务链的服务之间的关系包括串联关系、并联关系、择一关系和循环关系中的一种或多种。
3.如权利要求2所述的系统，其特征在于，所述服务链构建单元在构建所述聚合服务链时发生未存在与子网络功能任务相对应的服务时：计算子网络功能任务中缺失部分的任务与服务库中各服务之间的语义相似度，并将服务库中语义相似度最高的服务作为替代服务进行聚合服务链的构建；其中，语义相似度计算公式为：
Figure FDA0002418126480000021
其中，α为调节参量，Dis(S1,S2)表示S1节点和S2节点在概念树中的路径长度，B(·)表示节点的兄弟节点数量，LCA(S1,S2)表示S1节点和S2节点的最低共同祖先节点，Dep(·)表示节点在概念树中的深度。
4.如权利要求1所述的系统，其特征在于，该系统还包括不可信终端节点筛选模块，所述可信终端节点筛选模块包括：
节点聚类单元，用于基于数据密度相关度对物联网终端节点进行聚类；
信任参数计算单元，用于计算各终端节点的数据信任参数、链路信任参数和节点信任参数中的至少一项，并相应确定出感知不可信节点、链路不可信节点和节点不可信节点中的至少一项；
不可信节点筛选单元，用于当确定出节点为感知不可信节点时，丢弃该节点自身产生的数据，当确定出节点为链路不可信节点时，通过可信链路选择可信节点作为该节点的新的父节点，当确定出节点为节点不可信节点时，为该节点的所有子节点重新选择新的父节点。
5.如权利要求4所述的系统，其特征在于，所述不可信终端节点筛选模块还包括：信任参数更新单元，用于通过以下公式对上一信任参数进行更新：
wdec＝exp(-δ·(t-t0))
其中，δ为调节因子，t为当前信任值的计算时间，t0为上次信任值的计算时间。
6.一种智能物联网的功能聚合自组织方法，其特征在于，包括：
依据当前的待执行任务确定出与所述任务相关联的物联网终端；
对所述确定出的物联网终端在网络架构上进行自组织，得到所述物联网的一个或多个子网络；
依据所述子网络的对应功能任务为所述子网络建立进程，为所述进程分配相应的计算资源，并对所述子网络单独进行管理和存储；
在完成功能任务时结束相应子网络的进程并释放相应子网络的计算资源。
7.如权利要求6所述的方法，其特征在于，所述子网络执行物联网服务以完成功能任务，包括：
依据预先建立的物联网服务拓扑关系索引模型以及所述子网络的对应功能任务构建相应的聚合服务链；
计算构建出的聚合服务链的服务执行成本，选择服务执行成本最低的聚合服务链执行；其中，
所述聚合服务链的服务之间的关系包括串联关系、并联关系、择一关系和循环关系中的一种或多种。
8.如权利要求7所述的方法，其特征在于，在构建所述聚合服务链时发生未存在与子网络功能任务相对应的服务时：计算子网络功能任务中缺失部分的任务与服务库中各服务之间的语义相似度，并将服务库中语义相似度最高的服务作为替代服务进行聚合服务链的构建；其中，语义相似度计算公式为：
Figure FDA0002418126480000031
其中，α为调节参量，Dis(S1,S2)表示S1节点和S2节点在概念树中的路径长度，B(·)表示节点的兄弟节点数量，LCA(S1,S2)表示S1节点和S2节点的最低共同祖先节点，Dep(·)表示节点在概念树中的深度。
9.如权利要求6所述的方法，其特征在于，该方法还包括不可信终端节点筛选步骤，该筛选步骤包括：
基于数据密度相关度对物联网终端节点进行聚类；
计算各终端节点的数据信任参数、链路信任参数和节点信任参数中的至少一项，并相应确定出感知不可信节点、链路不可信节点和节点不可信节点中的至少一项；
当确定出节点为感知不可信节点时，丢弃该节点自身产生的数据；
当确定出节点为链路不可信节点时，通过可信链路选择可信节点作为该节点的新的父节点；
当确定出节点为节点不可信节点时，为该节点的所有子节点重新选择新的父节点。
10.如权利要求9所述的方法，其特征在于，在所述不可信终端节点筛选步骤中，通过以下公式对上一信任参数进行更新：
wdec＝exp(-δ·(t-t0))
其中，δ为调节因子，t为当前信任值的计算时间，t0为上次信任值的计算时间。
CN202010197467.5A 2020-03-19 2020-03-19 智能物联网的功能聚合自组织系统及方法 Active CN111556090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010197467.5A CN111556090B (zh) 2020-03-19 2020-03-19 智能物联网的功能聚合自组织系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010197467.5A CN111556090B (zh) 2020-03-19 2020-03-19 智能物联网的功能聚合自组织系统及方法

Publications (2)

Publication Number Publication Date
CN111556090A true CN111556090A (zh) 2020-08-18
CN111556090B CN111556090B (zh) 2021-09-03

Family

ID=72001850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010197467.5A Active CN111556090B (zh) 2020-03-19 2020-03-19 智能物联网的功能聚合自组织系统及方法

Country Status (1)

Country Link
CN (1) CN111556090B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112532442A (zh) * 2020-11-25 2021-03-19 中国人民解放军军事科学院评估论证研究中心 一种用于全域指控网络的任务协同能力评估方法
WO2023109650A1 (zh) * 2021-12-15 2023-06-22 深圳先进技术研究院 一种基于微服务的智能空间并发服务流程执行方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268784A (zh) * 2014-09-04 2015-01-07 浙江托普仪器有限公司 一种基于物联网的农业小环境监测平台
CN109347950A (zh) * 2018-10-17 2019-02-15 南京邮电大学 一种基于Kaa Project的物联网智慧服务系统及其实现方法
CN110011883A (zh) * 2019-03-12 2019-07-12 特斯联（北京）科技有限公司 一种智能建筑物联网信息的边缘化分析及局域控制系统
US20190273629A1 (en) * 2017-06-21 2019-09-05 Siemens Schweiz Ag System and Method for Isolating Device Communications in a BACnet/IP Building Automation Network
CN110881178A (zh) * 2019-11-22 2020-03-13 河海大学 一种基于分支游走的物联网数据聚合方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268784A (zh) * 2014-09-04 2015-01-07 浙江托普仪器有限公司 一种基于物联网的农业小环境监测平台
US20190273629A1 (en) * 2017-06-21 2019-09-05 Siemens Schweiz Ag System and Method for Isolating Device Communications in a BACnet/IP Building Automation Network
CN109347950A (zh) * 2018-10-17 2019-02-15 南京邮电大学 一种基于Kaa Project的物联网智慧服务系统及其实现方法
CN110011883A (zh) * 2019-03-12 2019-07-12 特斯联（北京）科技有限公司 一种智能建筑物联网信息的边缘化分析及局域控制系统
CN110881178A (zh) * 2019-11-22 2020-03-13 河海大学 一种基于分支游走的物联网数据聚合方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张楚璇: "面向QoE的物联网服务动态聚合方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
陆阳阳: "基于物联网平台的业务组合机制的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
陈海明等: "面向服务的物联网软件体系结构设计与模型检测", 《计算机学报》 *
高云全: "物联网环境下数据聚合关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112532442A (zh) * 2020-11-25 2021-03-19 中国人民解放军军事科学院评估论证研究中心 一种用于全域指控网络的任务协同能力评估方法
CN112532442B (zh) * 2020-11-25 2023-02-03 中国人民解放军军事科学院评估论证研究中心 一种用于全域指控网络的任务协同能力评估方法
WO2023109650A1 (zh) * 2021-12-15 2023-06-22 深圳先进技术研究院 一种基于微服务的智能空间并发服务流程执行方法及系统

Also Published As

Publication number Publication date
CN111556090B (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN111556090B (zh) 智能物联网的功能聚合自组织系统及方法
CN113259355B (zh) 一种基于sdn的工业互联网标识切片管理系统
Ashraf et al. TOPSIS-based service arbitration for autonomic internet of things
Bharti et al. Value of information based sensor ranking for efficient sensor service allocation in service oriented wireless sensor networks
CN112486665B (zh) 一种基于对等网络的边缘人工智能计算任务调度方法
Mardini et al. Mining Internet of Things for intelligent objects using genetic algorithm
Zhang et al. Mobility and dependence-aware QoS monitoring in mobile edge computing
Fan et al. Dynamic virtual network embedding of mobile cloud system based on global resources in internet of vehicles
CN111221649A (zh) 边缘资源存储方法、访问方法及装置
Valtorta et al. A clustering approach for profiling LoRaWAN IoT devices
Dehury et al. CCEI-IoT: Clustered and cohesive edge intelligence in internet of things
CN113364608B (zh) 一种基于区块链共识机制的分布式协同优化控制方法
CN111422078B (zh) 一种基于区块链的电动汽车充电数据调配监测方法
Cicirello et al. Designing dependable agent systems for mobile wireless networks
CN103281724B (zh) 泛在网络终端选择方法
Li et al. A cost‐efficient and QoS‐aware adaptive placement of applications in fog computing
Ruiz et al. Functional and information models for the MANNA architecture
Baskaran et al. Hybrid teaching learning approach for improving network lifetime in wireless sensor networks
Lamaazi et al. Trust-3DM: Trustworthiness-Based Data-Driven Decision-Making Framework Using Smart Edge Computing for Continuous Sensing
Nawaz et al. A simulation based proactive approach for smart capacity estimation in the context of dynamic positions and events
Gopal et al. Techniques to identify and eliminate malicious nodes in cooperative wireless networks
Martínez et al. Wireless sensor networks in knowledge management
CN115297050B (zh) 一种基于云化网络的智能量测终端建立方法
Lombriser et al. Organizing context information processing in dynamic wireless sensor networks
Qi et al. Toward Distributively Build Time-Sensitive-Service Coverage in Compute First Networking

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