温度传感器通信模块自修复数据流可视化

2021-11-17李瑞金马艳娥

计算机仿真 2021年4期

李瑞金，马艳娥

(山西农业大学信息学院，山西太谷 030800)

1 引言

由于目前我国使用的通信系统大多是基于无线网络的，如玻璃纤维等，数据传输速度快，但受距离、电磁波、网络时延等影响较大，数据传输不稳定，容易产生数据完整性受损，数据包丢失等问题。在这种情况下，自动恢复过程至关重要，陈海燕等[1]针对大型监测系统中监测点故障和数据异常的问题，提出了一种基于深度降噪自编码网络的监测数据修复方法。训练支持向量回归模型预测待修复的监测数据。贺秦禄等[2]针对基于重删后云存储系统中数据碎片引起恢复性能降低问题，采用自适应碎片分组设计了一个云存储系统中重删后优化数据恢复处理方法。该方法不使用固定大小的读窗口，根据数据块地址关联被分成不同大小的逻辑组，目的是选择有限数量容器，为备份创建提供更多不同的参考块，减少所选容器中重复或非优先块的数量，减少对磁盘的访问，准确识别和删除碎片数据，提高数据恢复效率和数据删除系数。

但是这些方法都是通过读取数据编码计算得出数据的不稳定性完成修复，并没有通过提高理想的数据传输水平来改进通信质量，操作过程复杂且占用内存较多，并且无法直观显示具体流程，导致修复率低、修复质量差，因此本文提出温度传感器通信模块自修复数据流可视化算法，其理论创新在于将遗传算法和温度传感器相结合，依据传感器中的非平稳数据检测结果对通信模块中的数据进行自修复；其技术创新之处在于完成了基于snap1.0版本的可视化系统的总体设计，增加了数据存储、数据查询、模拟显示和分发等功能，用户可以清晰地了解数据恢复的各个过程。

2 传感器通信模块自修复算法

2.1 非平稳数据自动检测

温度传感器种类繁多，大致可分为五类：PN结型、电阻型、热电、辐射型、电容(热敏电阻)。频率(石英温度计)、表面波温度传感器及其它等，其中铂和玻璃封装的绕线式热敏电阻是最稳定的传感器，热电偶和半导体的稳定性则最差，而传感器输出依照类型而有所变化，稳定输出受限，容易产生非平稳数据，主要体现在数据传输过程中的错误或丢失现象。为了快速、准确地完成非平稳数据数据的自动修复，需要对所有传输的数据进行识别[3]。

选择遗传算法完成检测，检测过程如图1所示。

图1 非平稳数据自动检测流程

步骤一：构建一个规模为M的原始群体，然后将其标记为R={r1，r2，…，ri}，在标记中令i表示为群体的总数量。在计算过程时，如果总体中的样本数据近似等于1，则该组中的计算数据应视为稳定数据，否则，如果数据等于0，则该组数据应视为异常不可移动数据。

步骤二：对群体中的样本数据计算，通过计算获取出样本数据的适应度取值。如果通信模块中的数据总共有k个属性，并将其记为{n1，n2，…，ni}，同时影响传输检测中任何属性数据的因素都是不同的。为了得到更方便的计算，在计算过程中对每个数据都给出质量值{w1，w2，…，wi}，从中选取出任意一个属性nj，计算出实际方差

(1)

(2)

式中，D为合理输入值。

步骤三：计算出的适应度值由小到大依次排序，然后根据结果选择两条亲本染色体。

步骤四：(M-1)第一个样本被父母的染色体杂交和突变，最后一个样本是最好的。样本没有交叉和变异以防止损伤[4]。

步骤五：最后一步判定目前结果是否满足终止计算的条件因素：如果满足，则发出结果并自动识别非平稳数据；如果没有，将步骤一添加到迭代中，返回步骤二，无限次迭代[5]。

2.2 非平稳数据自修复

温度传感器节点的能量模块包括传感器模块、处理器模块和通信传输模块。无线传输所消耗的能量主要是由于数据接收和空闲监视的无线模块所消耗的能量，随着集成电路技术的发展，处理器和传感器模块的功耗越来越低，且大部分能量都在无线电通信传输中耗尽。当关键节点失效时，通信模块会将通信网络分割成多个独立的区域，导致节点间的数据传输和协作失效，产生异常数据，分别包括错误、无用和丢失数据，对于错误和无用的数据直接删除处理，但有些错误的数据中包含正确部分并且信息重要程度较高，所以必须先明确错误部分并将其删除。

对丢失的数据分类，同时解析原始丢失数据。相关分析补偿法和同类型平均补偿及挖掘法是两种常用的补偿方法，但由于这两种方法可能会出现分析补偿错误的情况，因此本文设计的补偿程序采用选择了一种新的方法，即将上述非平稳数据自动检测结果作为补偿方法的样本来源，从来源上保证其数据更新和优化。非平稳数据弥补流程如图2所示。

图2 非平稳数据弥补流程

1)根据建立的非平稳数据样本，设置测试样本属性。

2)根据1)创建数据库表，并创建第一个决策树，将表中的数据设置为最初决策树节点。

3)计算过程以计算函数取值熵为主，计算信息熵，并根据信息熵取值结果计算信息增益关系。

4)如果所选节点的属性值是独立的、属性分类是独立的、信息增益的最大值是0，则会在堆栈中弹出一个节点，可以将该节点设置为当前节点，然后返回3)。

5)温度传感器根据计算出的信息增益值，选择信息增益值最高的节点属性[6]。

6)如果所选节点的单个属性值、单个分类属性值或最大信息值等于0，则温度传感器在堆栈中创建一个节点，并将该节点设置为当前节点，并返回到3)。否则，继续下一步。

7)设置温度传感器当前传感节点的子轴树，将子轴树的右侧节点设置为当前节点，所有其它节点插入堆栈并返回到3)。

8)将测试属性作为温度传感器传感节点，创建决策树。

9)无限次迭代判断是否为丢失的数据节点，直到所有丢失的数据成为稳定的数据[7]。

3 数据流可视化实现

数据可视化技术的发展满足了日益增长的数据分析需求，成为数据背后隐藏知识的重要工具。通过数据可视化技术，用户可以交互了解数据流的分类，这样既可根据呈现出的数据流，做出合理的业务决策，并在基于数据可视化技术的无止境应用中映射数据可视化过程。

3.1 可视化系统需求分析

数据流可视化系统可以自动修复温度传感器的通信模块，为用户提供直接反映温度传感器网络状态的信息。在温度传感器网络中，数据的传输是为了通知用户完成特定的任务。考虑到传输网络和可视化系统在数据处理、数据交换以及数据分析方面的各种差异，且现阶段并没有一个能够支持不同的计算机平台和不同类型的传感器网络的通用可视化系统[8]。因此，本次设计以可视化系统需求为着眼点，优化自修复数据流可视化系统的组成。

本文使用的硬件工作内存设为2.4G，应用在ATmegal128平台上开发的Gainz节点。采用温度传感器网络专用芯片即射频芯片CC2420，运行无线ZigBee通信协议。当前版本的snamp1.0节点为通用可视化系统提供了组网、拓扑审查和传感器实时数据查看功能，在基础硬件部分就可以完成温度传感器网络监测的任务，但是snap1.0没有存储和查询数据的功能。此外，还缺乏模拟真实配电网的能力。自动校正数据流可视化系统的用户不关心具体的节点数据，而是关注给定区域内的区域监控。实际节点分布可以帮助用户从实际节点分布的角度监控网络活动。

综上所述，本次设计增加历史数据需求与数据处理、网络数据存储功能、海量需求与数据优化、虚拟仿真节点分布。为了方便网络监控，对snamp的功能进行了扩展。自修复数据流可视化系统主要由数据库规则、数据处理器、后台组件和图形用户界面组成，如图3所示。

图3 可视化系统构成

从图3可以看出，温度传感器可视化系统可以对不同传感器采集的数据进行分析、处理和存储，得到同声传译信息和网络运行环境。数据库用于提供温度传感器网络的所有数据，包括节点属性、配置数据、传感器数据和一些后台管理软件数据。Datasacher负责传输网络与可视化用户界面之间的数据交换、数据分析和数据处理，数据存储在数据库中，从数据库中读取数据，GUI接收数据，并利用数据库中的数据实现一些逻辑或图形显示功能，包括网络拓扑显示组件、节点显示组件、图形字符组件等，可将传感器网络的温度分配给用户[9]。

3.2 可视化系统总体结构设计

在构建该系统时，本文设计的可视化系统将其详细划分为六个模块，各模块功能的详细说明如下：

1)串行口监控模块：监控串行口上的信息，评估接收到的数据是否正确，并进行适当的处理；

2)数据分发存储模块：通过读取上一模块的数据，将发送至不同子模块中预处理，进行可视化处理，利用模块的存储功能，对不同数据存储或是采集；

3)拓扑监测模块：分析传感器网络的逻辑结构，清晰地分析节点之间的链接，实时显示发送消息的节点和消息路径；

4)模拟分布模块：为方便用户观察网络运行情况，从节点的实际分布配置系统；

5)实时显示模块：通过V5可视化程序的控制，观察传感器节点采集的实时曲线；

6)数据查询模块：方便用户查询网络运行状态，监控网络状态，提供决策支持。

数据通过ZigBee无线通信协议传送到节点，当温度传感器网络通过每个传感器节点从监测区域采集数据时，RS-232串口与包括无线网络可视化系统软件的计算机进行节点数据交换[10]。数据订阅模块对接收到的数据包进行分析，以确定它们是否符合预定义的串行通信协议，当满足这些条件时，数据订阅模块将订阅内容发送给数据存储模块；当数据存储模块接收到来自数据分发模块的数据时，根据存储在适当的数据库中数据对节点之间的关系进行评估，并以图形的形式显示出来。实时显示模块以曲线的形式显示数据[11]。仿真显示模块以曲线的形式显示节点图像对应的背景位置。

因此，通过温度传感器网络的可视化系统，可以方便地实时了解网络功能以及其它监测区域的变化。

可视化系统的操作模式如图4所示。

图4 数据流可视化系统流程图

4 仿真研究

为了验证所提方法对通信模块中数据的自动修复能力，是否可以实现通信模块中数据流可视化的需求，在实际仿真环境中，将文献[1]、[2]、[3]与本文方法结果进行比较，分别代表了对照组1、2、3数据以及实验组数据，为了确保结果的精准度，两组实验数据均为Amazon WebServices(AWS)datasets ( https：//aws.amazon.com/cn/datasets/ ) 平台的条件数据，对不可移动数据的修复速度进行实验研究，公式如下

(3)

式中：P为固定修正系数；a和z表示正确修正数据的数量以及经验的数量；b为纠错数据的数量；T为数据的总数；p′为真实数据的比率。

用式(3)计算不同固定系数数据下实验组和对照组的修复系数。结果统计比较如表1所示。

表1 不同异常数据比率下的修复率对比表/%

根据表1中显示的数据流来看，与文献两种方法相比，本文方法还是可以看出较为明显的优势。实验组的修复因子从未应用数据的频率开始时的99.5%下降到公证数据指数结束时的95.2%，周期为5.4%，范围较小，说明其可清楚直观呈现通信模块自恢复数据各参数比例，并且随着模块中异常数据的增加，实时了解不同种类方法数据传输丢包情况。

随机选取五类温度传感器各两个，共十组，测试每一组对非平衡数据的校正程度。测试结果如图5所示。