云信任度评估下物联网海量底层资源寻址模型

2021-12-10杨国才

计算机仿真 2021年11期

李波，杨国才

(1.重庆工程学院计算机与物联网学院，重庆400056；2.西南大学计算机与信息科学学院，重庆 400715)

1 引言

高效率、低能耗的资源寻址模型，是当前物联网领域的一项重要技术，它是现代信息技术的一个重要组成部分，它是指将具有一定感知、计算或执行能力的不同遥感设备部署到物理世界中，通过联网设备进行信息的传输、协调和处理，从而实现人与人之间的交互，其特点是具有普遍感知、互联共享、智能服务等特征。以互联网体系结构(感知层、传输层、应用层)三维体系为基础，以网络的形式紧密地联系到一起，通过数据查询、智能感知以及数据传输和识别，满足现代人与人之间的生活交流和工作交流[1]。万年红，王雪蓉[2]为提高物联网底层信息资源寻址效果，基于对云环境下的物联网底层寻址服务的信任度评估准则等方面的研究，改进信任驱动算法，提出一个云信任驱动的物联网信息资源寻址模型，设计并采用特定约束条件，信任陡度函数，云信任度评估准则及信任约束系数建立寻址模型，该模型有良好的底层资源寻址效果。刘毅[3]介绍了编码式分簇射孔的发展状况，自主研发的固地址编码式自动寻址模型原理及在分簇射孔中的应用，建立了资源寻址赋值矩阵，通过计算寻址平均等待时间，统一底层信任编码，实现对寻址模型的设计。但两个传统模型与预期的效率能耗之间，存在一定差距，因此提出构建一个基于云信任度评估的物联网海量底层资源寻址模型。云信任度评估也就是对海量网络资源的数据评估，根据数据的可靠度，估计底层资源的总体云信任度，为寻址模型在海量数据中的快速、高效与可靠寻址，提供更加科学的技术手段。此次研究充分发挥云信任度评估的特点，优化原有寻址模型，加强用户对物联网资源使用的体验效果。

2 云信任度评估下物联网海量底层资源寻址模型

2.1 制定底层寻址编码方案

构建物联网海量底层资源寻址模型，预先制定编码方案。传统模型制定的编码方案存在三点问题：编码规范差异较大、识别设备受限以及适用范围有限。此次研究摒弃现有规范，按照物联网海量底层资源寻址要求，制定全新的编码方案，将编码作为实体的第二标识码，相当于给每个实体，设置了新的标签。因此结合CPC编码和uCode编码，提出一个由6个字段组成的IECode编码规范。该编码采用64位的十六进制表示，满足绝大多数与物联网相连接资源的标识，其顶级域编码为5位，区域码和划分代码分别为9位和1位，实体类别码和序列号为32位，实体说明码为17位。其中顶级域编码代表城市网络资源；区域码代表城市中的政府、企业、学校以及其它机构的网络资源；划分代码整个字段用于类别划分的显示，因此该代码可以对实体类别码和序列号进行划分，其中A-F属于保留位[4]。划分代码的划分规则如图1所示。

图1 编码划分规则

实体类别码和序列号，分别用于类别识别和类别标识，使每一个底层资源均有一个唯一的编号；实体说明码用于描述资源的详细信息。设置的IECode编码虽然是定长的，但符合树状层次的基本模式，对不同类别的资源标识有明确区分，具有海量资源中的唯一性和可识别性，因此符合构建海量底层资源寻址模型的基本要求[5]。

2.2 采用元胞更新模型寻址规则

为使寻址模型获取的底层资源更加精准，采用元胞更新模型寻址规则。假设物联网中存在的所有节点的集合为W={w1，w2，…，wn}，其中集合内任意两个节点间的有效链路，以组合排列的形式构成元胞空间T，则存在

(1)

公式中：i，j=1，2，…，n；k∈M；每一个阶段均为一个元胞。用S表示元胞的有限离散状态集，则存在S={s1，s2，s3}，其中s1表示底层资源传输状态；s2表示底层资源等待状态；s3表示底层资源空闲状态。则三种状态分别为中心元胞、邻居元胞以及空闲元胞。则元胞链路邻居关系的计算表达式为：

G={Tk*|difference(Tk1-Tk2)≤η，Tk1，Tk2∈Tk}

(2)

公式中：difference(Tk1-Tk2)表示两个链路排列组合之间的差别；G表示元胞链路邻居关系；η表示相差程度[6]。下图2是对计算所获元胞链路，邻居关系的详细说明。

图2 元胞关系示意图

根据图2中的元胞位置关系可知，元胞[52]有8个邻居元胞，当元胞[52]与元胞[0]联系时，元胞[52]处于s1状态，此时邻居元胞为s2状态，除此之外的其它元胞，则为s3状态。此时元胞[52]与元胞[0]之间的链路差别，就可以用来描述链路的邻居关系。根据上述分析，设置四步流程，实现对模型寻址规则的更新。设置演进规则为Z:St→St+1，则第一步初始化基本参数，定义元胞状态；第二步假设空闲元胞的数量为Qn，邻居元胞的数量为Pn，通过判断不同类型的元胞状态，设置下一跳链路：当中心元胞周围有Qn个空闲元胞时，中心元胞通过空闲元胞到下一跳节点；当中心元胞周围没有空闲元胞，只存在Pn个邻居元胞时，则通过邻居元胞到下一跳节点；当中心元胞周围没有任何元胞时，说明所有元胞均处在传输状态，因此中心元胞将底层资源存储到缓存当中，接收到某一元胞发送的释放消息后，再到下一步。第三步根据拓扑结构的动态变化，利用式(2)建立多径传输链路，选择其中最优的数据链路，实现自由选择；第四步更新链路，存储多径路由信息，实现对模型寻址规则的实时更新[7]。

2.3 搜索算法设计寻址逻辑

在构建寻址模型过程中，对于物联网海量底层资源寻址，是通过模型上层、下层网络结构相互协作来实现的，其中利用上层网络中的超级结点路由区域，定位以及搜索下层网络结构中获得的海量底层资源。其中上层网络定位搜索，参考第一节制定的寻址编码方案，对底层信息进行搜索；下层网络的海量底层资源定位，则利用下图3所示的方法进行[8]。

图3 物联网底层资源搜索算法

该算法假设节点K26，发起底层资源查询的编码为IECode-1的资源信息，默认该资源信息的节点为K32，则模型的资源寻址过程，可简化利用计算K26，寻找节点K32。在搜索算法控制下，寻址模型利用计算K26，查看自身旳资源信息表，检索是否有IECode-1信息，有则直接获取资源对应的地址信息，没有则转到链路a。利用链路a将节点K26的数据，发送给K0。然后K0根据IECode-1提取资源是否在本区域内，若在则转到链路b1；若不在则转到链路b2。利用K0查询自身的资源信息表，同样检索IECode-1信息，若有则转到链路d，若没有则向逻辑超级节点集合中的K43和K78，转发资源信息，然后转到链路c。让K43和K78同样查询资源信息表，检索IECode-1，有则转到链路d；若没有则利用节点K0、K43和K78，向表中的节点发送底层资源信息。当节点收到该发送请求时，发起请求的源节点，实现对物联网中，海量底层资源的数据寻址逻辑[9]。

2.4 建立寻址模型云信任度评估推荐模块

为了加快选址模型的选择工作，建立一个云信任度评估推荐模块，使模型根据推荐模块的信息提示，快速展开寻址工作。根据上文设计将推荐节点默认为k，则利用下列计算公式，评估其可靠度

Fk=sim(u，v)·(1-Hk)·Ruk

(3)

公式中：sim(u，v)表示节点(u，v)之间的相似度；Hk表示推荐节点与寻址期望之间的差异度；Ruk表示评估节点u对推荐节点k的云信任度。其中节点相似度是选址节点，与其它邻居节点之间的相似程度，该指标的计算公式为

(4)

公式中：Xu、Xv分别表示与节点u和节点v直接关联的资源列表；fui、fvi则分别表示2个节点的云信任度评估数据表[10]。当该计算结果越大时，越能说明共同节点评分越相似，说明这些底层资源之间具有相似性。而推荐节点与寻址期望之间的差异度Hk，存在恶意推荐影响的现象，因此在求取该值时，设所有推荐节点，对目标节点j的直接信任度期望值为λk，推荐节点k对节点j的直接信任度值，用fkj进行表示，此时存在fkj∈sim(u，v)，则差异度Hk的计算结果为

(5)

将式(4)以及式(5)的计算结果，带回到式(3)中，通过计算求得推荐节点k的可靠度[11]。然后查询请求节点所属信任列表，向信任度值较高的节点请求传输；同理计算两个节点之间的相似度，同时计算差异度和云信任度权重，由此得到节点k的推荐信任度值，计算公式为

(6)

通过上述节点k的推荐可靠度和信任度评估结果，构建寻址模型的推荐模块，至此在云信任度评估下，物联网海量底层资源寻址模型构建完毕[12]。

3 仿真研究

3.1 开销延时测试

实验在虚拟机下安装Cooja仿真软件，通过REID阅读器节点，进行物联网海量底层资源寻址测试，利用圆形节点代表REID节点；正方形节点代表物联网服务；三角形节点为网关节点。在Linux虚拟机下，命令仿真软件建立虚拟机与其自身之间的隧道，利用节点1和节点4，获得整个物联网中的资源地址。分别利用此次研究设计的模型，和传统设计下的寻址模型，获取物联网中海量底层资源地址，三个测试组的协议包抓取效果，如表1所示。

表1 前N次的抓包总和统计

根据表1中的测试结果可知，文中设计的寻址模型，其抓包总和更高。分别从三个测试组中，抽取50个测试样本，令横坐标代表寻址次数，纵坐标代表模型的访问延时，下图4为三个组模型应用下的网络开销延时测试结果。

图4 不同模型应用下的网络开销延时

此次研究构建的寻址模型，在云信任度评估模块的帮助下，将平均延时控制在了100ms左右，提高了模型对海量底层资源的寻址效率。而文献[2]模型与文献[3]模型应用下，寻址时的平均延时，分别在155ms和175ms左右。可见此次研究构建的寻址模型，寻址效率最佳。

3.2 模型寻址效果测试

保证基本测试条件不变，测试三组寻址模型的寻址效果，如下图5所示。

图5 不同模型寻址效果测试

根据图5中的曲线变化可知，三个模型的节点失效率，逐渐从0增加至50%，

因此在每个失效率处进行500次底层资源寻址，计算模型寻址成功概率。根据实验测试结果可知，当节点失效率低于20%时，此次研究构建的模型寻址成功率，几乎没有受到太大影响，只有约1.8%的下降幅度，高于两个传统模型。而当节点失效率达到50%，时，所设计的寻址模型，也能将寻址成功率保持在90%以上，依旧可以用最快的时间，获取最为精确的底层资源，这是此次研究过程中，搜索算法控制下的寻址逻辑带来的效果。根据上述测试数据，计算不同测试组的海量底层资源寻址成功率，结果如下表2所示。