物联网数据网关传感器节点适配度识别仿真

陶雁羽,刘佳祎

(桂林理工大学网络与信息中心,广西 桂林 541004)

1 引言

物联网[1]由互联网技术延伸而来,通过传感器实现事物与网络的连接,由此实现智能化设备识别与科技管理。使用无线通信技术将海量传感器节点汇集成一个自组织网络,集成传感器网络,传感网络负责数据采集与数据的传输,是目前信息领域比较先进的技术,使用该传感网络提升智能设备信息采集数据[2-4]的能力,通过网络传输设备的物理信息,确保使用设备的人能获得更加有效真实的信息。网关是一种硬件设备,也称为协议转换器,在网络传输过程中,通过网关[5]才能实现内容的互相连接,整个网络工作的过程中,网关是最为复杂、最重要的连接设备。在智能设备之中作为转换设备而存在,也就是说网关在两种存在差异的系统之间实现数据语言翻译的角色。网关与网桥之间存在极大差别,网关不能直接实现信息数据的传输而是需要重新打包数据,以便适应两个不同系统之间的需求[6]。网关同时还有信息过滤和安全保障的功能,一般在系统的应用层使用网关,从功能上来看,会把网关分为传输网关与应用网关两种。本文所研究的物联网数据网关传感器是一种传输网关,主要用于传输数据,实现物联网中设备的互联[7]。

随着物联网使用越来越普遍,为实现网络的稳定性,有关网关节点的适配度研究越来越多,物联网存在非同质拓扑结构,导致在不同网络节点的适配度也存在极大不同,部分关键节点遭受网络攻击[8]后直接影响整个传感网络的健康状况。准确识别传感器节点的适配度具有极大学术意义。目前已经有众多学者对传感器网络节点的适配度开展深入研究。有学者从邻居节点入手,结算邻居节点核数制定核算指标扩展方法,通过指标计算节点适配度[9];还有学者综合考虑传感网络拓扑结构,综合节点中心性,创建具有动态融合性质的节点适配性排序法,解决节点适配度问题[10];这些方法虽然也对节点适配度做出深入研究,但是未将属性的相关性考虑进去,没有实现适配度准确识别。

为此,本文研究物联网数据网关传感器节点适配度识别方法,并建立多个指标,验证节点适配度,并通过仿真,验证研究方法的应用结果。

2 物联网数据网关传感器节点适配度识别方法

2.1 节点适配度识别指标

传感器网络建模后的图型用G=(V,E)表示,传感器网络[11]节点集合与网络边集合分别和运用V={v1,v2,v3,…,vn}和E={e1,e2,e3,…,em}代表,|V|=n和|E|=m分别表示网络中节点和边的数目。假设在传感网络之中有一条边连接在节点vj和节点vj之间,此时vij为0,节点本身没有连接的边,因此不管哪个节点i都存在vii为0。节点适配度识别方法需要从多个角度描述节点的适配度,识别过程中指标的计算方法也各不相同。本文研究从多个角度确定识别节点适配度的指标方法:

1)计算度中心指标[12]

通过度中心体现出一级邻居紧密连接节点的数量,使用式(1)计算节点度中心指标DC(i)

(1)

通过度中心指标计算的众多研究发现,若想提升信息传播能力与传播范围,需要较多邻居节点。计算度中心指标能够直接计算节点一级邻居,该指标计算节点适配度时计算复杂度较低、消耗时间短、过程也更加直观。

2)计算紧密度中心性指标

通过计算紧密度中心指标获得节点之间最短路径的总和,假如某个和在全部结果中最小,则说明这个路径能够在最短的时间内完成信息数据的传播,同时也表明这个节点的影响力比较大。使用式(2)计算紧密度中心指标CC(i)

(2)

两个节点之间的距离使用dij表示,n-1用来描述归一化因子。紧密度中心指标是用来评价节点的适配性,评价依据是整个网络结构中节点的位置。经过计算获得紧密度越高说明节点距离网络中心越近,也就证明该节点具有更高的适配性,如果计算得到的紧密度值越小则节点距离中心位置越远,节点的适配性也就越低。

3)节点影响力指标计算

计算指标适配性时使用K-shell,在网络中使用递归方法剥离出度数≥k的节点,由此得到节点适配性排序指标。计算过程如下:

①研究过程由节点度数开始,把度数等于1的节点删除,该类节点重现出现后继续删除,待不再出现该类节点可停止删除,用全部已经删除的节点组成一个1-shell,节点Ks值为1,作为第一层。

②重复以上步骤删除度数等于2的节点,获得2-shell,第二层的值为2。

③不断重复以上过程,一直到全部节点都完成赋值,方可停止步骤重复。

在节点适配性指标计算过程中,节点适配性与Ks值呈现正比例关系,通过Ks值大小判定节点适配性指标。

4)计算网络适配度贡献指标

两个节点之间距离的倒数是节点正确的效率eij。假如两个节点邻近,eij值最大,也就是说eij值为1;假如两个节点不相邻,eij在(0,1)范围中。节点间相互作用由节点对的效率表征,针对传感网络中的n个节点,使用式(3)表示网路效率

(3)

节点之间相互作用的大小不能通过网络效率完全体现出来,所以需要使用以效率矩阵作为基础的节点重要贡献指标判断节点在传感网络中的适配性,计算方式见式(4)

(4)

h1表示在传感网络中第i个节点的适配性。

2.2 节点适配度识别模型

节点适配度识别就是将节点众多适配性识别指标作为方案属性,使得适配性识别工作成为一个多属性决策的研究内容。对属性相关性加以研究,在TOPSIS方法中引入相关系数矩阵,结合属性偏好信息,对理想节点和节点方案之间的贴近度,由此获得节点适配性识别结果。本文模型构建时为了防止出现主观赋权偏差,赋权时使用熵理论。

2.2.1 构建节点适配度识别模型

设置传感器网络存在m个节点,有n个属性能够识别节点适配性,第i个节点的第j个属性使用bij表示。根据以下步骤实现节点适配度识别模型

第一步:构建节点多属性决策矩阵,式(5)为原始决策矩阵

(5)

无量纲化处理式(5),由此得到规范化的决策矩阵U=(uij)m*n

(6)

第二步:将权重赋予到节点属性上。属性权重通过熵理论获得

(7)

W=(ω1,ω2,…,ωj)

(8)

ωj表示第j个属性权重。

第四步:计算两种理想方案到各方案的加权差X(正)与Y(负)

(9)

第五步:计算属性相关系数,式(10)为计算得到的协方差

cov(uφ,uγ)=E(uφ-Euφ)(uγ-Euγ)

(10)

使用式(11)描述相关系数

(11)

属性φ的属性值向量表示为uφ;属性γ的属性值向量则为uγ。

第六步:计算正理想与负理想方案和以相关系数矩阵作为基础的各个方案之间的距离

(12)

∑表示U的相关系矩阵。

第七步:方案i与理想方案之间贴近度Ri计算方式

(13)

贴近度值越大,所对应的方案也就越适配。

2.2.2 基于指标的节点适配度识别过程

从多个特征属性(空间位置、全局与局部)选择多个指标作为节点适配度识别属性,最终获得传感器网络节点适配度。各指标均为效益型指标,值越高,节点适配度越好。节点适配度识别过程如下:

1)通过仿真计算DC(i)、CC(i)、Ks、H(i)指标,建立原始决策矩阵B,通过式(6)获得标准化矩阵;

2)计算各指标属性权重时运用式(7);

3)将正、负理想方案确定下来,根据式(9)获得理想节点与节点评价方案之间的加权差;

4)依据式(10)和式(11)获得各属性相关系数,由该系数建立相关系数矩阵;

5)根据式(12)计算得到理想方案和上文关系矩阵的距离;

6)根据式(13)获得正理想节点和节点方案之间的贴近度,贴近度值与适配性之间呈现正比例关系。

3 仿真研究

在Matlab仿真平台,收集本文所使用的传感器网络,针对物联网数据网关传感器开展节点适配度识别仿真。该传感器网络包含管理、汇集、传感等多个节点。对网络中随机10个节点的各个属性值开展计算,计算结果见表1。

表1 传感网络中节点属性值

从表1中能够看出,节点7的度中心值最大,节点8紧密度中心最大,说明该节点处于传感器网络的关键位置,属于介质传输中心,节点4由于节点5具有较高的网络适配度贡献和最高紧密特性,说明这两个节点处于对称结构。

利用表1中计算的各节点属性值,建立节点适配度原始决策矩阵B。标准化处理矩阵B,获得规范化矩阵U,根据该矩阵,运用式(7)极端得到每个属性的权重:{0.0998,0.7364,0.0222,0.0638};正、负理想评价方案分别为{0.4888,0.6894,0.3794,0.2188}和{0.0827,0,0.1837,0.5852}。属性与属性之间存在的相关系数运用SPSS软件和式(11)计算得到,由此建立相关系数矩阵。

通过式(9)计算正、负理想方案和每个方案之间的加权差。通过式(12)计算得到理想方案和上文关系矩阵的距离,最终根据式(13)获得正理想节点和节点方案之间的贴近度,贴近度计算结果列于表2。

表2 节点适配度识别结果

从表2中能够看出,节点3的贴近度值最大,节点1的贴近度最小,其余节点中,节点5>节点2>节点7>节点9>节点6,其中节点4贴近度与节点5相同,节点9贴近度与节点10相同,节点6贴近度与节点8相同。经过上文矩阵构建结果分析,度中心心性指标与核KS指标的相关系数为0.802,由此证明这两个指标相关性较大。从综合的角度评价质保的适配性,需要充分考虑各个属性之间的相关关系。

分析节点贴近度排序情况可知,在整个传感网络中,节点3处于网络传输的关节位置,该节点适配度最高,如果删除该节点,就会极大成度影响网络连通性;节点4、5属于对称节点,适配度几乎相同,仅次于节点3,删除二者中的任意节点都会提高传感网络平均交互距离;节点2的各个指标计算结果适中,在传感网络中节点2与节点1邻近,如果将节点2删除,会对节点1造成一定程度影响,由此可以看出,节点2属于桥梁节点,适配度低于节点4、5;在网络之中,节点7连接做多边数,该节点只会影响网络的连通冗余情况,不会影响网络连通性,因此适配度也较低;节点6和8、节点9和10,属于两两对应的节点,贴近度与各项指标的值都较低,所以适配度也较低,对于传感网络运行的影响较小。

为进一步验证本文识别方法的可靠性,通过对传感器网络设置连锁故障,通过计算故障发生之前与故障发生之后最大连接节点数比值Q,判断传感器网络鲁棒性变化,仿真过程中将传感网络中的节点不断删除,获得网络鲁棒性变化,根据该变化判断节点适配度识别方法的准确性。比值Q越小说明传感网络遭受的破坏越严重,也就表示识别方法更加准确。

以同类识别方法与本文识别方法相对比,获得适配度识别的对比结果,对比方法分别为文献[9]方法与文献[10]方法。删除节点后各方法的比值变化见图1。

图1 删除节点后比值变化情况

从图1中能够看出,被删除的节点数量不断增加,本文方法比值曲线快速下降,出现极大网络破坏性;文献[10]方法的比值曲线与本文方法比值曲线变化趋势比较接近,但是在删除节点7的时候,本文方法比值最低,且从删除该节点开始比值变化逐渐趋于平稳;与两种对比方法相比,本文方法比值曲线最低,由此可以看出本文方法识别节点适配度时适用性更加准确。

4 结论

本文研究物联网数据网关传感器节点适配度识别仿真方法,融合传感器网络的属性偏好信息,从网络节点拓扑特性的角度出发,选择多个识别指标,构建物联网数据网关传感器节点适配度识别模型,使用全新方法实现传感器网络节点的识别。使用该方法,识别出节点的排序结果,获得节点的适配度结果,同时经过破坏性实验对比,证明本文方法在识别网络节点适配度方面具有更加良好的应用效果。

但是在未来的研究中仍旧有许多可研究方向:

1)本文研究中已经验证该方法在传感器网络中的节点适配度识别性能,未来对于复杂度较高的网络需要作出进一步创新,构建的识别方法需要具备随机一致性,分析动态时序网络下,节点变化规律,并且探寻应对这种复杂网络更加简洁、低能耗的识别方法。

2)本文实验研究中考虑到篇幅限制只随机研究10个传感器网络节点,没有考虑传感器网络中节点的具体数量与样本研究数量,在今后的研究中可以增大研究样本数量,作出更加深入的研究。

3)未来研究可以跳出当前模式,从多个角度开展网络节点适配度识别,进一步提升识别准确性,为将来传感器网络的发展做贡献。