群智大数据感知网络部署机制研究

李金航　何欣　丁爽

摘 要：移动群智感知是一种新的大规模的感知模式，它将人作为基本的感知单元进行数据的收集，正在被广泛部署并逐步融入到日常生活中。就目前来看，现有的模型和方法已经不能满足在数据处理和数据收集方面的需求，虽然有很多的方法来提高群智感知的数据收集方法与数据传输方法，但是仍然缺少大规模的混合感知框架模型，该文对基础的感知网络框架模型进行分析，为以后的感知框架发展奠定敦实的基础。

关键词：移动群智感知 数据收集 感知模型

中图分类号：TP311.13 文献标识码：A 文章编号：1672-3791（2019）01（c）-0012-04

Abstract： Mobile crowd sensing is a new large-scale perception model that collects data as a basic unit of perception and is being widely deployed and gradually integrated into daily life. At present， the existing models and methods can no longer meet the requirements of data processing and data collection. Although there are many ways to improve the group-aware data collection methods and data transmission methods， there is still a lack of large-scale mixed sensing. This paper analyzes the basic perceptual network framework model and lays a solid foundation for the development of the perception framework in the future.

Key Words： Mobile crowd sensing； Data collection； Sensing model

近年來，由于科技的不断进步，带动物联网、无线传感网络等的高速发展，而作为移动智能终端手机、ipad、车载网络、可穿戴设备等也趋向于平民化，基本上属于人人所持有的设备，而且在日常生活中也逐渐成为了人们所离不开的设备，这也为移动群智感知网络的发展奠定了基础。在此背景下，一种新的感知模式——移动群智感知[5]应运而生，相较于传统的感知技术，它最大的不同就是不依赖于专业的设备与技术人员，而是将所有携带移动智能设备的人、动物、车辆等作为基本的感知单元，形成大规模、及时性的感知系统。

群智感知就是利用人携带智能设备或者可穿戴设备，作为基本的感知单元，在较短的距离内用无线通信的方式进行相互的合作，进行数据的收集与传输。而用户参与数据的收集方式主要体现为：线下移动感知参与，通过（human-in-the-loop）感知模式传输数据；在线社交媒体参与，通过各种移动社交媒体贡献数据。但是受移动节点的自身能力和网络框架的限制，群智感知的网络难以形成较大的规模。该文将正方形网格划分进行细致的分析，并与正六边形网络划分方式相对比，最后给出两者的优劣性，为以后群智感知网络框架的部署策略打下厚实的基础。

1 基于正方形的移动感知部署策略

正方形网格部署就是将整个目标区域用正方形虚拟网络工具划分成若干个正方形网格，并且对周围的地域进行无重叠服务的方式排列。网格内的移动节点可以根据自身的坐标、边长计算出自己所在网格区域，如图1所示。在正方形网格的部署下可以看出，正方形网格的部署简便易操作，比较符合实际中的应用。下面将从网格之间的数据传输能量消耗与网络的连通性两方面来分析。

1.1 能量消耗

该文在论证分析能量时，所采用的能量模型如图2所示，与典型的传统路由协议如LEACH、HEED等所使用的能量模型相同。假设网络中的N个节点的初始能量相同，节点在工作中的能量消耗主要分为3个部分，分别是发送数据、处理数据和接收数据。节点发送kbit数据消耗的能量为：

3 仿真分析

为了验证上面所提出的部署策略，该文使用Matlab 2016a对上面所提到的能量消耗及网络连通稳定性进行分析，如图7和图8所示。

在能量消耗方面，传输kbit数据消耗的能量与传输距离d成正比关系，从图7中可以明显看出正六边形网格划分的传输距离远远低于正方形网格划分的传输距离，因此，正六边形网格划分的传输能量消耗远低于正方形的能量消耗。

在网络连通稳定性上，从图8可以看出随着面积的增加最大欧式距离也逐渐变大，正方形网格划分的最大欧式距离明显高于正六边形网格划分的最大欧式距离，最大欧式距离越大，通信质量逐渐变得不稳定，但是正六边形网格划分相对于正方形网格划分来说是比较低的，因此，正六边形的通信质量比正方形网格划分略微好上一些。

4 结语

该文具体对群智感知中的感知框架进行了分析，着重分析了正方形和正六边形部署策略，可以看出：在相邻网格之间的数据传输时正六边形网格划分的能量消耗比正方形网格划分要低很多，并且在通信方面正六边形的稳定性要比正方形好很多。因此，在以后的工作中，以正六边形网格部署为基础，通过添加和改进网格框架，来提高群智感知网络的性能。

参考文献

[1] 刘云浩.群智感知计算[J].中国计算机学会通讯，2012， 8（10）： 38-41.

[2] Ganti RK，Fan Y，Hui L. Mobile crowdsensing： current state and future challenges[J].IEEE Communications Magazine，2011，49（11）：32-39.

[3] AL-KARAKI JN， UL-MUSTAFA R， KAMAL AE. Data aggregation in wireless sensor networks-exact and approximate algorithms[A].Proceedings of the IEEE Workshop on High Performance Switching and Routing[C].Phoenix： IEEE Computer Society Press，2004：241-245.

[4] Huang C， Tseng Y. A survey of solutions to the coverage problems in wireless sensor networks[J].Journal of Internet Technology，2005，6（1）：1-8.

[5] Ganti R， Ye F， Lei H. Mobile crowdsensing： current state and future challenges[J].IEEE Communications Magazine，2011，49（11）：32-39.

[6] Guo B，Wang Z， Yu ZW， et al. Mobile crowd sensing and computing： the review of an emerging human-powered sensing paradigm[J].ACM Computing Surveys， 2015，48（1）：1-31.

[7] Moser EI，Roudi Y，Witter MP，et al. Grid cells and cortical representation[J].Nature Reviews Neuroscien-ce，2014，15（7）：466-481.

[8] Tian D， Georganas ND. Connectivity maintenance and coverage preservation in wireless sensor networks[J]. Ad Hoc Networks，2005，3（6）：744-761.