基于区域时变聚类采样机制的物联网大数据传输算法

2019-09-18马凤娟崔海亭

井冈山大学学报(自然科学版) 2019年5期

王翠，马凤娟，崔海亭

*王翠1，马凤娟1，崔海亭2

(1. 潍坊工程职业学院信息工程系，山东，潍坊 262500；2. 山东体育学院，山东，济南 10600)

为解决传统物联网大数据传输算法存在的网络链路抖动频繁、传输能力受限以及传输误码率大的不足，提出了一种基于区域时变聚类采样机制的物联网大数据传输算法。首先，根据物联网信号发射中常用的LTE-5G信号特性，采取分信道传输及抽样过滤技术来实现数据传输过程中的正交化，消除节点间因信号频率相似而导致的干涉现象，提高网络数据传输效率；随后，几何聚类机制与能量-阈值映射裁决方法，构建了稳定聚类采样方法，利用功率最佳及能量最佳的方式来实现传输节点的筛选，强化传输链路的稳定性能，降低因链路抖动而导致误码的风险。仿真实验结果表明：与常见的超高斯频率漂移传输提升机制（Transmission Mechanism of Super Gauss Frequency Drift Transmission, SGFD-T机制）及拉普拉斯信道滤波传输机制Laplasse Channel Filtering Transmission Mechanism，LCF-T机制）相比，所提算法具有更大的上传带宽和更低的数据采集错误率与误码率。

；物联网; 大数据传输；分信道传输；抽样过滤；稳定聚类采样；链路抖动；几何聚类机制

0 引言

随着以区块链2.0技术为代表的新网络技术的不断推广，物联网技术也初步从简单采样型逐步朝智能管理型转变，推动着物联网部署实践不断从数据采集向自治-自管-自愈模式转变[1]。此外，随着以LTE-5G技术为代表的新无线通信技术的演进，实践中也推动物联网的数据采集及传输呈现超带宽的发展态势；传统物联网大数据传输算法不仅很难适应自治-自管-自愈模式的转型，且难以进一步在节约传输能量的前提下提高数据传输带宽[2]。因此采取新的适应LTE-5G技术特点的新传输方案，成为物联网实际部署中的一个热点。

为改善当前物联网传输技术存在的不足之处，人们提出了一些改善方案，一定程度上解决了实践中的困难。Syed等[3]提出了一种基于覆盖采样度聚类递归机制的物联网大数据传输算法，该算法首先基于不同区域内物联网节点与采集数据具有相似度的特性，采取匹配机制促进物联网节点与采集环境的深度融合，且使用无线供能方式降低超带宽传输带来的功率衰减问题，具有高性能条件下数据高速采集的优势；不过该算法由于采用层次模式进行聚类覆盖及递归，分区机制复杂，容易导致严重的数据拥塞现象。Yu等[4]提出了一种基于区域联合采样机制的物联网大数据传输算法，该算法采取领域节点旋跳方式实现对相邻区域的高密度采样，具有采样带宽高、传输性能强的优势，可实现对物联网数据实现超宽带一体化采集；不过该算法需要针对相邻区域的核心传输链路进行区域稳定，由于算法中采取旋跳方法来频繁更换区域节点，因此算法的链路稳定性较差，难以完成复杂环境下的物联网数据的采集。Shao等[5]提出了一种基于链路稳定性控制机制的物联网大数据传输算法，该算法考虑到传统算法需要重新采集、重新传输，以及轻链路控制的弊端，通过在不同区域内设置备用链路中继节点的方式，大大减缓了物联网大数据传输过程中存在的链路抖动难题，可以实现高强度采集条件下的捂脸链路稳定，超宽带传输性能优越；不过该算法需要以较强功率进行数据发射，存在能量消耗较大的弊端，节点故障发生率较高，制约了该算法在实际中的部署。

考虑到传统机制存在的弊端，本文基于区域时变聚类采样机制，提出了一种新的物联网大数据传输算法，该机制主要由区域时变预发射功率提升及稳定聚类采样两部分构成：基于物联网节点的LTE-5G信号特性提出区域时变预发射功率提升方法，采取多径传输模型并使用抽样及过滤技术，消除信号间存在的干涉现象，实现了正交状态下的数据信号的高效传输；基于能量-阈值映射裁决的方式并引入聚类机制，提出了稳定聚类采样方法，通过该方法能够获取节点最佳发射功率及能量，实现节点的动态更新，有效增强节点数据传输过程中的稳定性，提高网络传输能力。最后使用MATLAB仿真实验环境，证明了LDT-RTCS算法的有效性。

1 LDT-RTCS算法设计

鉴于当前算法存在的不足，本文提出了一种基于区域时变聚类采样机制的物联网大数据传输算法（Large Data Transfer Algorithms for Internet of Things Based on Region Time-varying Clustering Sampling Mechanism，LDT-RTCS算法），该算法主要针对当前物联网节点发射功率受限及链路抖动控制较差的不足，构建了区域时变预发射功率提升方法及聚类采样稳定方法：通过区域时变预发射功率提升方法，增强算法采集数据过程中对环境噪声的抗噪性能，提升数据传输过程中的准确度；通过聚类采样稳定方法，实现区域节点自适应调节，降低因数据拥塞导致的算法崩溃现象，进一步改善算法的数据传输性能。详情如下：

1.1 区域时变预发射功率提升方法

常见的物联网均使用无线传输技术进行数据采样及传输，为提高传输带宽，一般采用5.12GHZ的超高频LTE-5G信号[6]；传输链路采用多信道传输模型，即物联网节点在进行点对点通信时，均按照频谱分割的方式划分为若干个子载波，并通过子载波方式进行数据发射；接收节点在进行数据接收时，也采用相同的方法进行数据接收，从而实现了数据的点对点传输[7]。

其中，b表示信道加密因子，一般为散列随机变换[8]；a表示节点当前的发射功率；()为时变因子，可通过如下模型获取：

联立模型（1）-（3）可得：

1.2 聚类采样稳定方法

实际部署中，考虑到物联网节点均需要通过区域分割机制进行区域采集及传输，因此需要通过一定的方式进行区域分割[10]。LDT-RTCS算法拟根据能量-功率阈值方式进行强度筛选，并依据能量最佳原则进行聚类，以便实现数据采样过程中的链路稳定，详细步骤如下：

Step 2 ：对模型（1）进行能量采样，获取最大的能量发射系数；该系数获取方式如下：

2 仿真实验

为验证LDT-RTCS算法的性能，使用MATLAB仿真环境，将超高斯频率漂移传输提升机制[12](Transmission Mechanism of Super Gauss Frequency Drift Transmission,SGFD-T机制)，拉普拉斯信道滤波传输机制[13](Laplasse Channel Filtering Transmission Mechanism，LCF-T机制)作为对照组，评估指标为：最大上传带宽、数据采集错误率、链路抖动频率和误码率四个指标。仿真参数表如下：

表1 仿真参数表

2.1 最大上传带宽

图3显示了LDT-RTCS算法与SGFD-T机制、LCF-T机制在节点个数不断增加时的最大上传带宽测试结果。由图可知，随着节点个数的不断增加，最大上传带宽也不断增加，这主要是因为上传带宽为各个节点采集数据的总和，因此随着个数的增加而增加。但是，LDT-RTCS算法的最大上传带宽始终处于显著的优势，且波动较少，原因是LDT-RTCS算法针对采集节点存在的采集抖动问题，构建了区域时变预发射功率提升方法，能够降低数据采集过程中因环境噪声而造成的链路抖动，提高了传输性能，且能够使用聚类采样稳定方法进一步调节区域内采集节点的上传性能，减缓超带宽传输过程中的数据拥塞，因此，LDT-RTCS算法上传带宽较高。SGFD-T机制采用单纯滤波方式进行环境噪声消除，虽然能够在一定程度上减缓环境噪声造成的链路抖动难题，然而由于该算法没有针对节点采集性能进行传输优化，因此在上传带宽性能的提升上并不显著。LCF-T机制虽然在SGFD-T机制进一步针对信道噪声干扰进行了适应性传输，且能够在节点失效时进一步降低因节点失效而导致的链路拥塞现象，然而，该算法仅采取主备模式进行节点切换，当数据传输量较大时容易导致网络拥塞；因此在上传带宽性能上要差于LDT-RTCS算法。

图3 最大上传带宽

2.2 数据采集错误率

图4显示了LDT-RTCS算法与SGFD-T机制、LCF-T机制在节点个数不断增加时数据采集错误率测试结果。显然，LDT-RTCS算法的数据采集率始终较低，具有显著的优势。这是由于LDT-RTCS算法先后构建了区域时变预发射功率提升方法和聚类采样稳定方法，能够综合从节点采集及链路稳定两个维度同时对数据传输性能进行稳定，特别是在聚类采样稳定方法中能够直接采用能量-功率阈值进行最佳传输节点的选取，最大限度地降低了因链路抖动而导致的数据采集错误现象的发生。SGFD-T机制与LCF-T机制由于在链路抖动性能上差于LDT-RTCS算法，容易发生因链路抖动而带来的数据采集错误问题，因此在数据采集错误率性能上，LDT-RTCS算法的优势明显。

图4 数据采集错误率

2.3 链路抖动频率

图5直观地显示了LDT-RTCS算法与SGFD-T机制、LCF-T机制在链路抖动性能测试结果。显然LDT-RTCS算法对应的链路抖动频率要显著低于对照组机制。这是由于LDT-RTCS算法能够在节点采集及链路稳定两个维度上最大限度的提高物联网的传输性能，不但能够提高节点采集效率，而且能大幅度降低链路抖动的发生，因此链路抖动频率较低。SGFD-T机制没有专门对链路抖动问题进行处理，仅采取频率消除的方式降低数据信号与信道噪声之间的干涉现象，因此链路抖动问题难以减缓；LCF-T机制虽然能够在传输节点失效时进行主备切换，然而并未针对节点的性能进行匹配，因此解决链路抖动问题的力度上要差于LDT-RTCS算法，导致链路抖动频率较高。

图5 链路抖动频率

2.4 误码率

图6为LDT-RTCS算法与SGFD-T机制、LCF-T机制在误码率测试结果。由图可知，LDT-RTCS算法的误码率很低，且波动幅度较为缓和。这是由于LDT-RTCS算法在链路稳定性能上具有卓越的优势，数据传输过程中发生抖动的概率较低，特别是LDT-RTCS算法构建了聚类采样稳定方法，能够深入传输节点层次进行能量-功率阈值裁决，降低了因节点失效而导致误码率的概率，因而误码率较低；SGFD-T机制单纯采取基于频率干涉消除信道噪声影响，并未考虑传输节点本身失效的情况下导致的误码现象，因而误码率较高；LCF-T机制仅采取单纯的主备切换模式，难以利用性能最佳的传输节点进行数据传输，链路抖动发生的概率较大，误码率性能上难以与LDT-RTCS算法相匹。

图6 误码率

3 结束语

针对当前常用的物联网大数据传输算法存在的不足，提出了一种基于区域时变聚类采样机制的物联网大数据传输算法。该机制主要由区域时变预发射功率提升方法以及聚类采样稳定方法两部分所构成，能够显著提升网络的抗噪性能，降低传输过程中的误码现象，增强传输带宽，改善因超带宽传输而导致的算法崩溃现象，具有较好的数据传输性能。

下一步，将针对LDT-RTCS算法仅能适用于固定节点的物联网部署场景的不足，拟引入流动性一体化映射机制，解决移动物联网条件下网络拓扑及链路存在严重抖动的问题，进一步提高LDT-RTCS算法对复杂物联网环境的适应性能。

[1] 刘小辉,王力虎. 基于模糊控制的无线传感网络路由算法研究[J].井冈山大学学报:自然科学版,2017,38(04): 62-66.

[2] Sarwesh P, Shekar V, Shet K. Chandrasekaran. ETRT-Cross Layer Model for Optimizing Transmission Range of Nodes in Low Power Wireless Networks,An Internet of Things Perspective[J]. Physical Communication,2018,12(1):56-71.

[3] Syed H A, Shalli R. A Hybrid Approach, Smart Street Use Case and Future Aspects for Internet of Things in Smart Cities[J]. Future Generation Computer Systems, 2018(79):941-951.

[4] Yu C N, Wei L, Wei B. A Dynamic Tradeoff Data Processing Framework for Delay-Sensitive Applications in Cloud of Things systems[J]. Journal of Parallel and Distributed Computing,2018,112(4):53-66.

[5] Shao J W, Chuan H H, Xi C. Energy-Efficient and Delay-aware Distributed Routing with Cooperative Transmission for Internet of Things[J]. Journal of Parallel and Distributed Computing,2018,118(2):46-56.

[6] Khizar H, Abid K, Mansoor A. Towards a Formally Verified Zero Watermarking Scheme for Data Integrity in the Internet of Things Based-wireless Sensor Networks[J]. Future Generation Computer Systems,2018,82(17): 274-289.

[7] Dan X, Wen l J, Zhuang Y. Enabling Robust and Reliable Transmission in Internet of Things with Multiple Gateways[J]. Computer Networks,2018,146(11):183-199.

[8] Chen W, Jian S, Qi L. A Novel Security Scheme Based on Instant Encrypted Transmission for Internet of Things[J]. Security and Communication Networks, 2018 (7): 66-72.

[9] Lian M S, Yi H W. Secure Data Delivery with Linear Network Coding for Multiple Multicasts with Multiple Streams in Internet of Things[J]. Security and Communication Networks,2018(12):117-126.

[10] Yang X, Wang L, Xie J, et al. Cross-layer Model Design in Wireless Ad-Hoc Networks for the Internet of Things.[J]. PloS one,2018,13(5):196-214.

[11] Min R W,Yan H W,Xiao L, et al. Learning-Based Synchronous Approach from Forwarding Nodes to Reduce the Delay for Industrial Internet of Things[J]. EURASIP Journal on Wireless Communications and Networking,2018(1):1-22.

[12] Rahman H, Ahmed H. A QoS-Aware Hybrid Data Aggregation Scheme for Internet of Things[J]. Annals of Telecommunications,2018,73(7-8):475-486.

[13] Ying G, Qing H H, Jin X W, et al. Energy-Aware Localization Algorithm for Ocean Internet of Things[J]. Sensor Review,2018,38(2):129-136.

Large Data Transmission Algorithm of Internet of things Based on Regional Time Varying Clustering Sampling Mechanism

*WANG Cui1, MA Feng-juan1, CUI Hai-ting2

(1. Department of Information Engineering, Weifang Vocational College of Engineering, Weifang, Shandong 262500, China;2. Shandong Institute of Physical Education, Shandong, Jinan10600, China)

In order to solve the shortcomings of the traditional large data transmission algorithm of the Internet of Things, such as frequent link jitter, limited transmission capacity, high switching delay of nodes, and high transmission error rate, a large data transmission algorithm of the Internet of Things based on region time-varying clustering sampling mechanism is proposed. Firstly, according to the characteristics of LTE-5G signal commonly used in the signal transmission of the Internet of Things, sub-channel transmission and sampling filtering technology are adopted to realize the orthogonalization of transmission process, eliminate the interference phenomenon caused by signal frequency similarity between nodes, and improve the efficiency of network data transmission. Then, this paper constructs the clustering sampling stabilization process basing on clustering mechanism and energy-threshold mapping. And the transmission nodes are screened by the best power and energy mode, which greatly strengthens the stability performance of the transmission link and reduces the risk of error caused by link jitter. The simulation results show that compared with the common SGFD-T mechanism LCF-T mechanism, this algorithm has larger upload bandwidth, as well as lower data acquisition error rate and bit error rate.

Internet of things; large data transfer; sub-channel transmission; sampling and filtering; stable clustering sampling; link jitter; geometric clustering mechanism

TP393.04

10.3969/j.issn.1674-8085.2019.05.007

1674-8085(2019)05-0034-06

2019-01-28；

2019-05-13

*王翠(1982-)，女，山东泰安人，讲师，硕士，主要从事大数据、物联网、数字媒体技术等方面的研究(E-mail:wangc822@sina.com);

马凤娟(1975-)，女，山东潍坊人，学士，副教授，主要从事计算机图像、多媒体技术、数据库等方面的研究(E-mail:juanfm@tom.com);

崔海亭(1983-)，男，山东临沂人，讲师，硕士，主要从事大数据、虚拟现实等方面的研究(E-mail:ChaiTg1983dt@126.com).