ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ

УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ ЭКОНОМИЧЕСКИЙ

УНИВЕРСИТЕТ»

На правах рукописи

Елизаров Максим Андреевич

МОДЕЛИ И АЛГОРИТМЫ ИНФОРМАЦИОННОГО

ВЗАИМОДЕЙСТВИЯ В СЕТЯХ ИНТЕРНЕТА ВЕЩЕЙ

Специальность 05.13.01 Системный анализ, управление и обработка

информации (технические системы)

Диссертация на соискание ученой степени

кандидата технических наук

Научный руководитель:

д.т.н., доцент Т.М. Татарникова

Санкт-Петербург – 2017

2

Оглавление

Введение ..................................................................................................................... 4

1 Исследование организации сетей Интернета вещей ........................................ 12

1.1 Анализ технологий построения сетей Интернета вещей .......................... 12

1.2. Архитектура сети Интернета-вещей .......................................................... 18

1.3 Обзор способов взаимодействия в сети Интернета вещей ....................... 20

1.3.1 Взаимодействие посредством шлюза ................................................... 21

1.2.2 Взаимодействие посредством централизованного сервера ............... 24

1.3 Облачные технологии в сетях Интернета вещей ....................................... 26

1.5. Протоколы взаимодействия в Интернете вещей ...................................... 29

1.6 Постановка задачи исследования ................................................................ 33

Выводы по первой главе ......................................................................................... 34

2 Модели оценки вероятностно-временных характеристик

информационного взаимодействия в сети Интернета вещей ............................. 36

2.1 Модель информационного взаимодействия ............................................... 36

2.2 Оценка времени доступа в «туманных вычислениях» с

разрешением коллизий источников данных..................................................... 40

2.2.1 Модель доступа в режиме опроса ........................................................ 40

2.2.2 Модель доступа в режиме прерываний ............................................... 44

2.2.3 Модель множественного доступа ......................................................... 47

2.2.4 Особенности реализации имитационной модели доступа ................. 49

2.3 Модель оценки вероятностно-временных характеристик

информационного взаимодействия в сети Интернета вещей ......................... 52

2.3.1 Особенности реализации имитационной модели установления

соединения ....................................................................................................... 53

2.3.2 Оценка времени передачи данных по установленному

информационному взаимодействию ............................................................. 59

Выводы по второй главе ......................................................................................... 64

3 Вероятностные алгоритмы самоорганизации сети Интернета вещей ............ 65

3

3.1 Общее описание генетического алгоритма и используемая

терминология ....................................................................................................... 65

3.2 Генетический алгоритма поиска альтернативных маршрутов ................. 72

3.3 Генетический алгоритм самоорганизации размещения СУ ..................... 73

3.4 Применение нейронных сетей в задачах классификации данных,

поступающих от СУ ............................................................................................ 78

3.4.1 Основные элементы нейронной сети и используемая

терминология ................................................................................................... 79

3.4.2 Обучение нейронной сети и выбор архитектуры ............................... 84

Выводы по третьей главе ........................................................................................ 88

4.1 Анализ результатов моделирования доступа в туманных

вычислениях......................................................................................................... 90

4.2 Эксперимент на модели установления информационного

взаимодействия .................................................................................................... 95

4.3 Оценка работоспособности алгоритмов самоорганизации ...................... 99

4.4 Эксперимент по решению задачи классификации данных от СУ ......... 102

4.4.1 Описание макета системы Интернета вещей для проведения

эксперимента по решению задачи классификации ................................... 103

4.4.2 Эксперимент по подбору архитектуры нейронной сети ................. 107

4.4.3 Тестирование нейронной сети ............................................................ 115

Выводы по четвертой главе.................................................................................. 117

Заключение ............................................................................................................ 119

Литература ............................................................................................................. 120

4

Введение

По поручению президента РФ Путина В.В., разработана программа

«Цифровая экономика», в работе над которой приняли участие порядка 150

экспертов из разных сфер науки и экономики. Программа ориентирована на

рост эффективности всех отраслей благодаря быстрому развитию и внедрению

в них информационных технологий.

Программа содержит девять направлений: регулирование,

информационная инфраструктура, исследования и разработки, система

управления, кадры и образование, информационная безопасность,

государственное управление, "умный город" и цифровое здравоохранение.

Каждое направление планируется реализовать с применением новых

концепций построения вычислительных сетей, одной из которых является

Интернет вещей.

В настоящее время развивающаяся технология Интернета вещей (IoT,

Internet of Things) выглядит многообещающей в различных областях

индустрии – производстве, логистике, медицине, энергетике, транспорте,

городском хозяйстве, управлении чрезвычайными ситуациями и области

применения технологии IoT продолжают стремительно расти [25, 40].

Основная идея Интернета вещей состоит в организации взаимодействия

разнообразных предметов в окружающей человека среде, передачи

информации, генерируемой этими вещами и предоставлении бесперебойного

соединения. Взаимодействие вещей осуществляется посредством уже

имеющихся и разрабатываемых информационно-коммуникационных

технологий [28, 47].

Как технологию инфокоммуникаций Интернет вещей можно записать в

виде следующей символической формулы [73]:

IoT = Сенсоры (датчики) + Данные + Сети + Услуги.

К существующим требованиям технологий инфокомуникации и

взаимодействия, таким как обеспечение связи "в любом месте" и "в любое

5

время", в пространстве Интернета вещей появляется еще одно – "связь с

любой вещью". Под этим требованием понимают, как взаимодействие между

вещами, так и между вещью и человеком [14, 63].

Технология IoT находится на стадии ранней реализации и активных

исследований. На международном уровне данная концепция уже обретает

черты сформировавшейся технологии ведутся активные работы в области

стандартизации архитектуры, технических компонентов, приложений,

одновременно с учетом специфики информационного взаимодействия в

Интернете вещей требуются новые модели и алгоритмы, способствующие

проектированию оптимальных решений IoT [33].

В общем случае модель IoT подразумевает наличие у каждой физической

вещи, как минимум, элемента оборудования для коммуникации и некоторых

опциональных возможностей, например, возможности ввода, хранения,

обработки данных либо измерения каких-либо параметров [14].

Специфика информационного взаимодействия вещей определяется

фундаментальными характеристиками IoT. В соответствии с рекомендациями

Международного Союза Электросвязи (МСЭ-Т) к их числу относятся [38]:

Связность – метрика самоорганизующихся сетей, влияющая на

длительность жизненного цикла беспроводной сенсорной сети наряду с

мобильностью, энергоэффективностью и покрытием. МСЭ-Т определяет

характеристику связности как возможность любой вещи быть связанной с

глобальной инфокоммуникационной структурой. Связность при этом

определяется возможностью идентификации вещей.

Обеспечение вещей услугами – предоставление сетевых услуг без

ограничений, в том числе автономно для физических и виртуальных вещей. К

услугам могут оговариваться необходимость высокого качества и высокой

безопасности предоставления сетевых услуг, например, к Интернету вещей

для тела человека.

Гетерогенность характеристика Интернета Вещей, определяющая

построение IoT-устройств на различных аппаратных, программных

6

платформах и сетях. Устройства также должны иметь возможность

взаимодействовать с иными устройствами через различные сети связи.

Динамические изменения – характеристика, определяющая

динамические изменения статуса вещей, например, от спящих к активным, от

связанных в определенный момент времени с сетью – к несвязанным и т. д.

Число вещей, местоположение, скорость и т. п. также могут меняться

динамически. Именно эта фундаментальная характеристика Интернета Вещей

приводит к необходимости пересмотра принципов построения сети от

существующих инфраструктурных к самоорганизующимся. Самоорганизация

в широком смысле этого слова подразумевает не только случайное число

узлов и взаимосвязей между ними в любой конкретный момент времени, но и

самоуправление, самоконфигурацию, самотестирование, самозащиту,

самооптимизацию и т. п.

Огромное число вещей характеристика, которая базируется на

прогнозных оценках, в соответствии с которыми речь идет о десятках

триллионов вещей и о триллионных сетях соответственно.

Перечисленные особенности не позволяют применять методы и

алгоритмы, на базе которых функционируют традиционные компьютерные

сети к Интернету вещей. Этому есть несколько причин: связность и

динамические изменения делает топологию сети нерегулярной, использование

беспроводных технологий, «туманных» и «облачных» вычислений вызывает

появление коллизий источников данных при доступе к ресурсам Интернета

вещей, а гетерогенность и требование энергоэффективности влияют на

вероятностно-временные характеристики информационного взаимодействия в

Интернете вещей.

Эти обстоятельства необходимо учитывать при проектировании

Интернета вещей и с учетом специфики работы искать новые методы и

алгоритмы, позволяющие получать оптимальные решения по организации

информационного взаимодействия при заданных условиях функционирования

Интернета вещей [10].

7

Фундаментальные характеристики Интернета вещей и необходимость

учёта случайных факторов, возникающих в процессе информационного

взаимодействия в Интернете вещей, делают задачу моделирования таких

систем сложной.

Среди множества методов построения математических моделей и средств

реализации моделирующих алгоритмов особым классом являются имитационные

модели. Такие модели представляют собой компьютерную программу, которая

шаг за шагом воспроизводит события, происходящие в реальной системе [35].

Применительно к Интернету вещей имитационные модели воспроизводят

процессы генерации сообщений приложениями, разбиение сообщений на пакеты

и кадры определенных протоколов, задержки, связанные с обработкой сообщений,

пакетов и кадров внутри операционной системы, процесс получения доступа

вещей к разделяемой сетевой среде, процесс обработки поступающих пакетов

шлюзами и т.д.

Преимуществом имитационных моделей является возможность подмены

процесса смены событий в исследуемой системе в реальном масштабе времени на

ускоренный процесс смены событий в темпе работы программы. В результате за

несколько минут можно воспроизвести работу моделируемой системы и оценить

ее работу в широком диапазоне варьируемых параметров [49].

Так же при имитационном моделировании воспроизводятся реальные

процессы, исследуются особые случаи, воспроизводятся реальные и

гипотетические критические ситуации. Основным достоинством

имитационного моделирования является возможность проведения

разнообразных экспериментов с исследуемым объектом, не прибегая к

физической реализации, что позволяет предсказать и предотвратить большое

число неожиданных ситуаций в процессе эксплуатации, которые могли бы

привести к неоправданным затратам [52].

Результатом работы имитационной модели являются собранные в ходе

наблюдения за протекающими событиями статистические данные о наиболее

важных характеристиках моделируемой системы: временных показателях,

8

загрузки каналов и узлов, вероятности потерь и т.п. [35, 49]

Таким образом, с учетом новизны предметной области,

фундаментальных характеристик и сложности организации IoT, основным

средством исследования на ранних этапах проектирования Интернета вещей

является моделирование и соответствующие алгоритмы, что определяет

актуальность темы диссертационной работы.

По вопросам стандартизации, моделирования, проектирования и

разработки систем и сетей Интернета вещей опубликовано сравнительно

небольшое число работ в силу становления этой области исследования. Среди

работ отечественных и зарубежных авторов отметим труды Б.С. Гольдштейна,

А.Е. Кучерявого, А.В. Рослякова, С.В. Ваняшина, А.Ю. Гребешкова, М.Ю.

Самсонова, В.А. Варгаузина, В.В. Вишневского Л. Черняка, М. Гиббса, М.

Бхуптани, Л. Круза и других, составляющих теоретическую базу

проектирования Интернета вещей, а так же работы Т.И. Алиева, Ю.Г. Карпова,

Л. Клейнрока, О.И. Кутузова, Ю.И. Рыжикова, Б.Я. Советова, Т.М.

Татарниковой, С.А. Яковлева в области моделирования процессов

функционирования распределенных систем и их элементов, к числу которых

относятся сети Интернета вещей. Это новое направление находится в

состоянии постоянного развития.

Объектом исследования является сеть Интернета вещей, построенная

на основе гетерогенных сетевых технологий.

Предметом исследования является применение моделей и алгоритмов

информационного взаимодействия в сетях Интернета вещей.

Цель диссертационной работы состоит в разработке моделей и

алгоритмов информационного взаимодействия в сетях Интернета вещей с

учетом фундаментальных характеристик IoT-технологии.

В соответствии с указанной целью в работе поставлены, обоснованы и

решены следующие задачи:

1. Предложена модель информационного взаимодействия в сети

Интернета вещей.

9

2. Разработан комплекс математических моделей по оценке

вероятностно-временных характеристик информационного взаимодействия в

сети Интернета вещей.

3. Предложены вероятностные алгоритмы структурной организации

«туманных вычислений» и классификации данных в «облачных вычислениях»

сети Интернета вещей.

4. Получены зависимости вероятностно-временных характеристик от

параметров сети Интернета вещей.

Методы исследования. Решение сформулированной в диссертационной

работе проблемы разработки моделей и алгоритмов информационного

взаимодействия в сетях Интернета вещей базируется на методах системного

анализа, теории вероятности, случайных процессов и математической

статистики, методов численного анализа, имитационного моделирования.

Основные новые результаты, полученные в работе и выносимые на

защиту:

1. Модель информационного взаимодействия в сети Интернета вещей.

2. Комплекс математических моделей по оценке вероятностно-временных

характеристик информационного взаимодействия в сети Интернета вещей.

3. Вероятностные алгоритмы структурной организации «туманных

вычислений» и классификации данных в «облачных вычислениях» сети

Интернета вещей.

4. Зависимости вероятностно-временных характеристик от параметров

сети Интернета вещей.

Научная новизна результатов работы.

1. Модель информационного взаимодействия построена с учетом

фундаментальных характеристик технологии Интернета вещей, что позволяет

адекватно оценивать вероятностно-временные характеристики

информационного взаимодействия.

2. Комплекс математических моделей сочетает аналитический и

статистический методы моделирования, что позволяет оценить вероятностно-

10

временные характеристики передачи данных на всех этапах информационного

взаимодействия в сети Интернета вещей.

3. Вероятностные алгоритмы структурной организации «туманных

вычислений» и классификации данных в «облачных вычислениях» построены

с применением теории эволюции и нейронных сетей, что позволяет учесть

особенности информационного взаимодействия в сетях Интернета вещей.

4. Зависимости вероятностно-временных характеристик инвариантны

параметрам сети Интернета вещей, что позволяет осуществлять рациональный

выбор параметров на ранних этапах проектирования Интернета вещей.

Практическая ценность и реализация результатов работы.

Практическая ценность результатов диссертационной работы заключается в

полученных расчетных выражениях, моделях и алгоритмах, реализующих

проектирование сетей Интернета вещей на ранних стадиях.

Основные научные результаты диссертации используются в учебном

процессе на кафедре при изучении дисциплин направления 09.03.02

"Информационные системы и технологии и направления 38.03.05 "Бизнес-

информатика".

Достоверность полученных результатов подтверждена результатами

моделирования и экспериментальных исследований.

Для имитационного моделирования использовалось специализированное

программное обеспечение, подкрепленное апробированными теоретическими

методами исследований моделей компьютерных систем.

Полученные в ходе выполнения диссертационного исследования

результаты не противоречат ранее полученным данным, описанным в

литературе другими авторами.

Апробация работы. Основные научные результаты диссертационной

работы докладывались, обсуждались и были одобрены на Всероссийской

научно-практической конференции «Проблемы развития современного

общества: экономические, правовые и социальные аспекты», Волгоград, 29-30

сентября 2014 г.; на X межвузовской научно-практической конференции

11

преподавателей, аспирантов и докторантов «Проблемы и пути развития

предпринимательской деятельности в современных условиях» СПбГЭУ 13-14

марта 2014 г.; X Санкт-Петербургской межрегиональной конференции

«Информационная безопасность регионов России (ИБРР-2017)», 1-3 ноября

2017 г.; кафедральных семинарах (СПбГЭУ 2014-2017 гг.).

Публикации. Основное содержание диссертации опубликовано в 10

печатных работах, в том числе в четырех работах, рекомендованных ВАК РФ.

Структура и объем работы. Диссертация состоит из введения, четырех

глав, заключения и списка литературы (всего 82 источника). Общий объем

работы – 126 страниц сквозной нумерации, в том числе основного текста – 119

машинописных страниц, 50 рисунков, 4 таблицы.

12

1 Исследование организации сетей Интернета вещей

Для достижения целей технологии Интернета Вещей объединение

различных сенсорных устройств, гетерогенных компьютерных и сенсорных

сетей необходима определённая архитектура. Рекомендованное МСЭ-Т

разделение функций IoT происходит на четыре основных уровня [46, 76]:

Уровень взаимодействия со средой;

Сетевой уровень – отвечающий непосредственно за передачу данных;

Сервисный уровень – для обработки и преобразования информации;

Уровень взаимодействия с пользователем или приложениями;

Такая архитектура удовлетворяет системным характеристикам сети

Интернета Вещей: лёгкость модернизации, модульность, масштабируемость

сети и отвечает требованию адаптивности, что, в свою очередь, позволяет СУ

подстраиваться под изменения или же изменять саму сеть в зависимости от

различных условий функционирования [23].

С точки зрения теории системного анализа, при проектировании сети

Интернета вещей необходимо определить ее топологию, структуру и состав

основных элементов, наиболее важные взаимосвязи между элементами,

сформулировать назначение и основные задачи, критерии и показатели

рационального организации информационного взаимодействия . Эти вопросы

рассматриваются в данной главе.

1.1 Анализ технологий построения сетей Интернета вещей

Интернет вещей, как технология берет начало от территориально-

распределённых сенсорных сетей, сначала развивающихся как локальные

сенсорные сети и, впоследствии, имеющих выход в глобальные сети Internet и GSM.

В [60] сенсорные сети определяются как «распределенные сети,

состоящие из маленьких беспроводных узлов узкой специализации в большом

количестве рассредоточенных (случайно) на некоторой поверхности или

13

области». Таким образом, сенсорные сети основаны на совместной работе

большого числа миниатюрных узлов – сенсорных устройств (СУ),

распределенных в некоторой области с достаточно высокой плотностью. В

области покрытия радиосигнала каждого из СУ должно находиться как

минимум еще одно СУ сосед. Чем больше «соседей» у каждого из СУ, тем

более высокой точностью и надежностью обладает сенсорная сеть.

Технологии радиодоступа, применяемые в СУ и основанные на стандарте

IEEE 802.15.4, позволяют передавать данные на расстояние до нескольких

десятков метров [59, 71].

Сенсорное устройство состоит из четырех основных компонентов, как

показано на рисунке 1.1 [14]: это блоки сбора, обработки, передачи данных и

питания. Так же в составе СУ могут быть модули определения

местонахождения, силовой генератор и мобилизатор. Их наличие зависит от

того, для каких целей проектируется сенсорная сеть.

Программное обеспечение: операционная система, алгоритмы, протоколы

Система обнаружения Мобилизатор

ДатчикПроцессор

Память

ПередатчикАЦП

ГенераторБлок питания

- Обязательный модуль - Необязательный модуль

Рисунок 1.1 – Компоненты СУ

Модуль сбора данных состоит из датчика и аналого-цифрового

преобразователя (АЦП). Аналоговый сигнал, выдаваемый датчиком в

результате наблюдаемого явления, преобразуется в цифровой сигнал с

помощью АЦП, а цифровой сигнал подается уже в блок обработки.

14

Модуль обработки, состоящий из процессора и памяти, реализует

процедуры, которые позволяют совместно с другими узлами выполнять

поставленные задачи наблюдения. Благодаря наличию этого модуля в составе

СУ вместо передачи исходных (сырых) данных, они обрабатываются при

помощи каких-то простых вычислений и далее уже передаются только

необходимые и частично обработанные данные.

Передатчик (трансивер) образует интерфейс СУ с сетью.

Большинству сенсорных устройств необходимо с достаточно высокой

точностью определять свое местоположение. С этой целью в схему СУ

интегрируется модуль определения местоположения. При необходимости

перемещения СУ в схему встраивается мобилизатор. Все эти модули, как

правило, размещаются в один корпус. Размер корпуса может быть от

нескольких десятков кубических сантиметров и до кубического сантиметра и

достаточно легким, чтобы оставаться в воздухе [75].

Помимо размеров, к СУ предъявляются и другие жесткие требования,

например, они должны [32]:

обладать низким энергопотреблением,

взаимодействовать с большим количеством таких же СУ на малых

расстояниях,

иметь низкую себестоимость,

быть в автономном режиме, то есть без присмотра,

адаптироваться к окружающей среде.

Блок питания – это один из основных элементов СУ. Поскольку

сенсорные устройства могут становиться недоступными из-за периодического

перехода в «спящий» режим, то живучесть сенсорной сети зависит от питания

отдельных СУ. Питание является ограниченным ресурсом, например, общий

запас энергии смарт-узла составляет порядка 1 Дж. Для беспроводной

интегрированной сети датчиков (WINS) средний уровень заряда, для

обеспечения длительного времени работы должен быть меньше 30 LA.

Увеличить срок эксплуатации сенсорных сетей можно, используя

15

подзаряжаемые батареи, например, получая энергию из окружающей среды,

то есть солнечные батареи.

Передатчик СУ может быть пассивным или активным оптическим

устройством или радиочастотным передатчиком. Для радиочастотной

передачи необходимы процессы модуляции сигнала при определенной полосе

пропускания, фильтрация, демодуляция, реализация которых в СУ делает их

более сложными и дорогими. Кроме того, возможны потери при передаче

данных между двумя узлами из-за того, что антенны распложены близко к

земле. Тем не менее, радиосвязь является предпочтительной, так как передача

данных осуществляется на низких частотах (как правило, менее 1 Гц), а

периодичность циклов передачи частая из-за малых расстояний. Эти

возможности позволяют использовать низкие частоты. Проектирование

радиопередатчиков с низким энергопотреблением является технически

сложной задачей. Технологии Bluetooth, которые тоже можно использовать

при проектировании сенсорных устройств не являются достаточно

эффективными для сенсорных сетей, поскольку потребляют много энергии.

Помимо рассмотренной классической архитектуры СУ возможны и

другие, что связано, например, с необходимостью не только мониторинга или

контроля измеряемых характеристик, но и воздействия на объект измерений.

Такой элемент, имеющий возможность воздействия на объект, называется

актором, архитектура которого приведена на рисунке 1.2. В отличии от

сенсорного узла в архитектуре актора присутствует активный элемент,

взаимодействующий с внешней средой под управлением контроллера

принятия решения о воздействии на внешнюю среду, например, устройство

ввода инсулина больному диабетом [14].

16

Программное обеспечение: операционная система, алгоритмы, протоколы

Система обнаружения Мобилизатор

Ак

тивн

ый

эл

емен

т Процессор

Память

Передатчик

ЦА

ПГенераторБлок питания

- Обязательный модуль - Необязательный модуль

Ко

нтр

олл

ер

при

нят

ия

реш

ени

й

Рисунок 1.2 Компоненты акторного узла

Еще одной особенностью сенсорных сетей является совместная работа

отдельных сенсорных устройств благодаря наличию в них модуля обработки.

В настоящее время процессоры постоянно уменьшают свои габариты и

увеличивают мощность, но обработка и хранение данных в СУ по-прежнему

остается слабым местом СУ.

Большинство задач, связанных с мониторингом требуют определения

местоположения СУ. Для этих целей, как один из вариантов в каждый узел

встраивается модуль системы глобального позиционирования GPS,

работающий с точностью до 5 метров или другой вариант только некоторые

СУ используют GPS, которые помогают другим устройствам определить свое

положение в пространстве.

Размещение СУ не обязательно предварительно рассчитывать. Данное

свойство позволяет размещать сенсорные устройства случайным образом,

например, в труднодоступных местностях или оперативно разворачивать сеть

при оказании помощи на определенное время. Это означает, что протоколы

сенсорной сети и алгоритмы работы СУ должны обладать возможностью

самоорганизации, которое и реализуется с помощью системы определения

местоположения.

17

Взаимодействия СУ друг с другом в рамках одной сенсорной сети

образуют топологию mesh (англ. mesh петля, ячейка сети, отверстие сита),

т.е. сенсорные устройства объединяются многочисленными соединениями,

образующими ячеистую топологию [9]. Самоорганизующаяся сеть с

топологией mesh позволяет реализовать следующие возможности [42]:

создание зон сплошного информационного покрытия большой

площади;

масштабируемость сети, то есть увеличение площади зоны покрытия

и плотности информационных потоков в режиме самоорганизации;

использование беспроводных транспортных каналов для связи в

режиме «каждый с каждым»;

устойчивость сети к потере отдельных элементов.

Ещё одна технология, которая присутствует в идее Интернета вещей –

это технология M2M (Machine to Machine).

М2М – это общее название технологий, позволяющих машинам

производить обмен информацией между собой, или передавать ее в

одностороннем порядке в автоматическом режиме между устройствами без

участия человека [68]. Это могут быть проводные и беспроводные системы

мониторинга датчиков или каких-либо параметров устройств. Или к примеру,

банкоматы или платёжные терминалы могут автоматически передавать

информацию по GSM-сетям. Технология M2M также используется в системах

безопасности и охраны, системах здравоохранения и системах

позиционирования подвижных объектов на основе систем ГЛОНАСС/GPS.

Совершенство и распространение данной технологии позволило

использовать её в любом мобильном устройстве, в том числе и узлах

сенсорных сетей. Считается, что именно эта технология породила термин

«Интернет вещей», подразумевая под ним некую обособленную

вычислительную среду, состоящую из устройств, самостоятельно

взаимодействующих друг с другом и предоставляющих пользователю

результаты своей совместной деятельности [69].

18

С учетом появившегося термина сенсорное устройство,

интегрированное в какой-либо объект «вещь» так же стали называть

«интернет-вещью».

1.2. Архитектура сети Интернета-вещей

Архитектура IoT показывает, каким образом различные

инфокоммуникационные технологии, обеспечивающие функционирование

сети Интернета вещей связаны друг с другом.

Архитектура IoT включает четыре функциональных уровня,

представленных на рисунке 1.3 и описанных ниже [70].

Уровень взаимодействия со средой (сенсоры и сенсорные сети) – это

самый нижний уровень архитектуры IoT, который состоит из «умных» (смарт)

объектов, интегрированных с СУ. Сенсоры реализуют соединение

физического и виртуального (цифрового) миров, обеспечивая сбор и

обработку информации в реальном масштабе времени. Большинство сенсоров

требуют соединения с агрегатором сенсоров (шлюзом), которые могут быть

реализованы с использованием локальной вычислительной сети, такие как

Ethernet, Wi-Fi или персональной сети (PAN, Personal Area Network).

Сетевой уровень обеспечивает транпорт большим объемам данных,

создаваемых многочисленными СУ на первом уровне IoT и состоит из

конвергентной сетевой инфраструктуры, которая создается путем интеграции

разнородных сетей в единую сетевую платформу.

Сервисный уровень содержит набор информационных услуг, которые

автоматизируют технологические бизнес-операции в IoT: поддержки

операционной и бизнес деятельности, различной аналитической обработки

информации, хранения данных, обеспечения информационной безопасности,

управления бизнес-процессами и других.

19

ШЛЮЗЫ И СЕТЬ WAN

СЕНСОРНЫЕ УСТРОЙСТВА И СЕНСОРНЫЕ СЕТИ

Сенсорные устройства: фотоэлектрические,

электромеханические, инфракрасные,

гороскопы, акселерометры и другие

Сенсорные сети: WiFi, Ethernet, ZigBee,

Bluetooth и другие

Шлюзы: микроконтроллер, радио модуль,

сигнальный процессор и другие

Глобальная сеть: GSM, LTE, и другие

ПРИЛОЖЕНИЯ

Услуги: анализ данных, статистическая аналитика, хранение данных, контроль доступа,

управление устройствами , протоколы, моделирование процессов, выполнение процессов

и другие

Прикладные задачи: окружающая среда, логистика, медицина, наблюдение, энергетика

и другие

......

...

СЕРВИСЫ

Рисунок1.3 Архитектура Интернета вещей

Уровень приложений включает различные типы приложений для

соответствующих промышленных секторов и сфер деятельности, таких как

энергетика, транспорт, торговля, медицина, образование и дригих.

Приложения могут быть «вертикальными», когда они являются

«специфическими» для конкретной отрасли промышленности, а также

20

«горизонтальными», которые могут использоваться в различных секторах

экономики.

1.3 Обзор способов взаимодействия в сети Интернета вещей

На практике реализуют один из трех способов взаимодействия в сетях

Интернета вещей [15]:

прямой доступ,

взаимодействие посредством шлюза,

взаимодействие посредством сервера.

При прямом доступе обращение к интернет-вещи осуществляется

непосредственно из клиентского приложения по IP-адресу,

идентифицирующим интернет-вещь. Интерфейс взаимодействия с интернет-

вещью представляет собой web-ресурс с графическим оформлением,

управляемый посредством веб-браузера [14].

Недостатками такого способа являются:

необходимость фиксированной адресации интернет-вещей, что

вызывает зависимость от провайдера услуги связи с глобальной сетью

Интернет. Решение этой проблемы использованием алиаса приводит к

увеличению времени взаимодействия, поскольку интернет-вещам приходится

обращаться к прокси-серверу для идентификации по псевдониму;

ограничение на количество подключений интернет-вещей к серверу

для передачи данных из-за низкого качества связи и вычислительных

возможностей интернет-вещей. Решение этой проблемы подключением

интернет-вещи к стабильному источнику связи с Интернетом приводит к

потере мобильности.

Альтернативой прямому доступу является взаимодействие посредством

шлюза. Такой способ является более рациональным и в настоящее время

заменяет прямой доступ, особенно при организации связи «туманных

вычислений» с «облачными». Поскольку большая часть стандартов

21

беспроводных сенсорных сетей не поддерживают протокол IP, используя

собственные протоколы взаимодействия малой зоны действия, то данная

особенность вызывает необходимость наличия специального узла −

ретранслятора данных из сенсорной сети в сеть Интернет для согласованности

протоколов. Недостатки подхода реализации взаимодействия посредством

шлюза аналогичны случаю прямого доступа, но распространяются они на

шлюз [50].

При организации доступа посредством сервера все функции

взаимодействия выполняет сервер. В функции сервера входят:

прием и передача сообщений от интернет-вещей пользователям,

обработка принятой информации и ее хранение,

обеспечение пользовательского интерфейса для двустороннего обмена

между пользователем и интернет-вещью.

Такой способ доступа является наиболее рациональным и применяемым,

поскольку позволяет перенести нагрузку, связанную с обработкой запросов

пользователей на централизованный сервер, тем самым разгружая слабый

радио-канал между интернет-вещами на проводные каналы между сервером и

пользователями [31, 50].

Кроме рассмотренных достоинств метода доступа, сервер

предоставляет сервисы хранения и обработки данных, в том числе и

«облачные вычисления». Данный подход не исключает применение шлюзов

для организации связи локальных беспроводных сетей с сервером.

1.3.1 Взаимодействие посредством шлюза

Назначение шлюза в сетях Интернета состоит как в объединении

сенсорных сетей с глобальной сетью, так и организации связи с конечным

пользователем. Шлюз – это центральный узел, имеющий аппаратно-

программные средства для работы с различными беспроводными

технологиями, такими как Wi-Fi, WiMAX, GSM/GPRS, Bluetooth, GPS [55].

22

Есть несколько вариантов построения шлюзов.

Первый вариант заключается в использовании компьютера, к которому

подключается сенсорная сеть. Компьютер для сенсорной сети является точкой

доступа к глобальной сети Интернет. Основными недостатками такого

подхода являются неоправданная стоимость и громоздкость. Поскольку

сенсорные устройства (интернет-вещи) должны работать автономно, то при

такой организации территориально-распределенная сенсорная сеть теряет

свойство автономности, поскольку теперь она зависит от наличия

электричества и точки доступа в Интернет.

Второй вариант заключается в использовании выделенного узла-шлюза,

который является своеобразным посредником, соединяющим сенсорную сеть

с ближайшей проводной сетью, имеющей выход в Интернет. Такой проводной

сетью, как правило, является Ethernet-сеть. На рисунке 1.4 приведена типичная

структура шлюза. Шлюз содержит в своей структуре приемопередатчик,

совместимый с объединяемой сенсорной сетью и порт для подключения к сети

Ethernet и микроконтроллер, выполняющий функции преобразования пакетов

одной сети в формат другой [50, 54].

- сенсорные устройства

.

.

.

Ethernet

Согласование

форматов

Проводная связь

Беспроводная связь

Пр

ием

оп

еред

атч

ик

Рисунок 1.4 –Преобразование пакетов одной сети в формат другой шлюзом

Такой способ отличается меньшей стоимостью, чем первый и размер

такого устройства небольшой, но оно нуждается в относительно высоком

23

энергопотреблении из-за того, что стандартные проводные сети не рассчитаны

на низкий уровень сигнала и потребления энергии. Также такое устройство не

может гарантировать наличие точки доступа в ближайшей проводной сети.

Третий способ заключается в использовании автономного узла-шлюза,

который сам предоставляет точку доступа к сети Интернет. Это возможно при

использовании беспроводных технологий передачи данных. Узел как бы

разделен на две логические части – приемопередатчика, совместимого с

сенсорной сетью и приемопередатчиком, совместимого с той или иной

глобальной беспроводной сетью, в область действия которой попадает

сенсорная сеть. Такими сетями могут служить GSM или WiMAX [8].

Использование сети GSM является экономичнее с точки зрения

энергопотребления.

Существуют также шлюзы, предоставляющие доступ сенсорным сетям к

ближайшим сетям Wi-Fi для поиска точки доступа к сети Интернет. Место

шлюза в распределенной сети Интернета вещей приведено на рисунке 1.5.

Интернет

- шлюз

- сенсорные устройства

- беспроводная связь

- проводная связь

Рисунок 1.5 Шлюз в территориально-распределённых сенсорных сетях

24

Таким образом, если необходимо организовать полностью автономную

территориально-распределенную сенсорную сеть, то используется третий

способ. Если же сенсорная сеть используется как часть какой-либо крупной

проводной сети и, соответственно нет необходимости в ее полной

автономности, то возможно использование первых двух способов.

1.2.2 Взаимодействие посредством централизованного сервера

Централизованный сервер управления интернет-вещами выполняет

функции сбора, хранения, обработки информации, поступающей от интернет-

вещей, а также поиска, контроля и визуализации информации пользователю [65].

Централизованный сервер включает в себя:

модуль обработки информации,

базу данных для хранения собираемой информации,

интерфейс взаимодействия с интернет-вещами (некоторый протокол,

поддерживаемый всеми вещами),

систему контроля пользовательского доступа к вещам, управления их

иерархией, параметрами и функционалом.

Последняя функция может быть перенесена на отдельный сервер и

вынесена в обособленную систему управления, тем самым отделяя базу

хранения собираемых данных и базу данных управления вещами.

Модуль обработки информации решает такие задачи как распаковка

сжатой для ускорения транспортировки информации, выполнение

арифметических и логических вычислений, классификация и преобразование

принятой информации к понятному формату восприятия.

Для хранения информации собираемой датчиками при реализации

мониторинга объектов, а также для предоставления актуальной

опубликованной информации пользователям используется база данных.

Управление интернет-вещами реализуется также средствами сервера.

Пользователь отправляет команду на сервер управления, который в свою очередь,

25

транслирует её адресату. Набор команд управления должен быть минимальным и

общим для всех интернет-вещей для обеспечения полного отделения управления от

данных. Это позволяет значительно упростить обмен информацией между

пользователями и вещами и позволяет стандартизировать методы взаимодействия в

Интернете вещей, а также созданию общего центра управления [17].

Отделение управляющей информации от данных подразумевает выделение

минимального набора команд и сущностей, над которыми эти команды могут

быть выполнены. Например, для выключения лампочки, включения тостера или

переключение режима съёмки видеокамеры можно выполнять одну и ту же

команду – запись. Данными в таком случае будут являться состояния устройств.

Для получения информации необходимо выполнить чтение текущего состояния

устройства или отдельной его составной части [21].

При реализации взаимодействия интернет-вещей с использованием

централизованного сервера, топологию сети можно рассматривать с двух

сторон: реальная физическая топология и топология с учетом виртуальных

соединений логическая.

Физическая топология Интернета вещей – звезда. Сенсорные

устройства и шлюзы концентрируются вокруг сервера, образуя тем самым

«звезду» с сервером в центре, как показано на рисунке 1.6.

Логическая топология mesh. Две интернет-вещи взаимодействуют,

соединяясь друг с другом, как местным беспроводным каналом, так и

внешним – через сервер управления, обеспечивая логическое соединение.

Взаимодействие вещей абсолютно прозрачно вне зависимости от их

территориального расположения. Прозрачность обеспечивается протоколами

взаимодействия [11, 34].

26

- шлюз

- сервер

- сенсорные устройства

- беспроводная связь

- проводная связь

Рисунок 1.6 Физическая топология Интернета вещей с использованием

централизованного сервера

Беспроводная локальная сеть интернет-вещей может быть организована

средствами протоколов ZigBee, Wi-Fi, Bluetooth и других протоколов

беспроводной связи малой зоны действия, а связь с сервером управления

может быть установлена посредством глобальной сети Интернет [78]. При

этом могут использоваться технологии GPRS, WiMAX, проводные каналы

связи.

1.3 Облачные технологии в сетях Интернета вещей

Концепция Интернета вещей подразумевает не только сбор данных с

удалённых и отслеживаемых объектов, не только управление этими объектами, но

и обмен информацией объектов между собой, перераспределение задач,

планировка с учетом доступности тех или иных сервисов в зоне охвата объекта.

27

Интернет-вещи должны иметь возможность самоорганизовывааться, объединяясь

в локальные беспроводные сети, решая совместные задачи [5].

Интернетом вещей могут решаться сложные задачи, которые требуют

значительных вычислительных ресурсов. Например, обработка видео в

реальном масштабе времени, когда локальная беспроводная сеть использует

вычислительные ресурсы облака [64].

Облачные технологии в Интернете вещей разделяются на две:

облачные вычисления (Cloud Computing),

туманные вычисления (Fog Computing).

Облачные вычисления это модель обеспечения удобного сетевого

доступа по требованию к некоторому общему фонду конфигурируемых

вычислительных ресурсов, например, сетям передачи данных, серверам,

устройствам хранения данных, приложениям и сервисам как вместе, так и по

отдельности, которые могут быть оперативно предоставлены провайдером с

минимальными эксплуатационными затратами. Облачные вычисления

реализуются сетевой инфраструктурой центров обработки данных (ЦОД) [45].

Туманные вычисления – это разновидность облачных сервисов,

расположенных не в «облаке», а в окружающей среде, например, на соседнем

сервере. Туманные вычисления реализуются локальными сетями, из которых

интегрируется Интернет вещей (рисунок 1.7). Fog Computing является

дополнением к Cloud Computing при реализации задач, требующих

значительных компьютерных ресурсов. Концепция туманных вычислений

предполагает децентрализацию обработки данных за счет передачи части

работы по обработке данных с «облака» непосредственно вычислительным

ресурсам локальной сенсорной сети – «туману» [66].

28

- шлюз

- сервер

- сенсорные устройства

- ЦОД

- беспроводная связь

- проводная связь

Туманные

вычисления

Туманные

вычисления

Туманные

вычисления

Туманные вычисления

10 U 9 U

Облачные

вычисления

5 U

Рисунок 1.7 – Туманные и облачные вычисления в концепции Интернета вещей

Туманные вычисления можно определить, как некоторую

виртуализированную платформу, поддерживающую три основных типа

сервисов, соответствующих M2M: вычисления, хранение и передачу. Задача

туманных вычислений заключается в обеспечении взаимодействия множества

сенсорных устройств между собой и с облаком, то есть Центром обработки

данных (ЦОД).

Число элементов в «тумане» не является постоянным и, в общем случае,

может изменяться в пределах от 0 до некоторого Nmax. «Туманные

вычисления» являются как раз беспроводными сенсорными сетями,

29

характеризующиеся самоорганизацией, в которых нет общей инфраструктуры

за исключением шлюзов для связи с другими сетями. Каждый из узлов

сенсорной сети должен иметь возможность функционировать как оконечный и

как транзитный узел. В действительности передача данных в сенсорных сетях

осуществляется путем их перенаправления к ближайшему узлу шаг за шагом.

Шлюз в «туманных вычислениях» играет роль агрегирующего узла –

накапливающего данные от разных СУ для дальнейшей передачи на сервер и

роль координатора сенсорной сети [37, 62, 79].

1.5. Протоколы взаимодействия в Интернете вещей

Выделим следующие группы протоколов для решения задач в IoT-

инфраструктуре [41, 70]:

протоколы для сбора данных сенсорными устройствами и передачи их

серверам;

протоколы для соединения СУ с людьми, частный случай такой

схемы, когда люди соединяются с серверами;

протоколы для соединения серверов между собой.

Есть различные варианты их реализации. Применение и выбор

протоколов зависит от нагрузки сети, существующего аппаратного

обеспечения, архитектуры Интернета вещей.

Опишем некоторые основные протоколы.

Протокол CoAP (Constrained Application Protocol) ограниченный

протокол передачи данных, аналогичный HTTP, но адаптированный для

работы с сенсорными устройствами низкой производительности [70].

Протоколы MQTT(Message Queue Telemetry Transport), XMPP(Extensible

Messaging and Presence Protocol), AMQP(Advanced Message Queuing Protocol,

JMS – эти протоколы обмена сообщениями с применением брокера,

реализующие модель типа «издатель-подписчик» (publish/subscribe).

Устройство типа «Издатель» отправляет сообщение, которое публикуется в

30

централизованном сервисе брокере сообщений, а устройство типа

«Подписчик» получает сообщение из брокера. Для использования брокера

необходимо «подписаться» на определенные темы публикуемых сообщений [80].

В настоящее время MQTT является наиболее распространенным

протоколом организации IoT-инфраструктуры. Это обусловлено небольшими

накладными расходами, которые связаны с хорошо продуманным форматом

заголовков, в результате чего расход энергии аккумуляторной батареи

снижается и увеличивается количество передаваемых сообщений в единицу

времени. Протокол MQTT разработан специально для преодоления

ограничений, связанных с подключением быстро растущего числа датчиков,

приводов, телефонов, микрокомпьютеров, планшетов.

Протокол XMPP обеспечивает обмен текстовыми сообщениями между

точками доступа.

В протоколе XMPP используется текстовый формат XML в качестве

встроенного типа, обеспечивая естественную связь между людьми. Подобно

MQTT он работает по TCP или, возможно, по HTTP поверх TCP. Его

преимуществом является метод адресации вида name@domain.com, который

помогает соединять пользователей в огромном пространстве Интернета.

Применительно к «Интернету вещей» XMPP обеспечивает простой

способ адресации устройств. Это особенно удобно, когда данные передаются

между отдалёнными, чаще всего независимыми точками, как в случае связи

между двумя абонентами. Этот протокол не обладает высокой скоростью.

Фактически, в большинстве реализаций этого протокола используется метод

опроса или проверки дополнений только по требованию.

XMPP-протокол реализует существенное преимущество, например, при

подключении домашнего термостата к веб-серверу, так, что пользователь может

получить к нему доступ со смартфона. Сильными сторонами этого протокола

является адресация, безопасность и масштабируемость, что делает его идеальным

для приложений «Интернета вещей» с ориентацией на потребителя.

31

Протокол AMQP (Advanced Message Queuing Protocol, или

усовершенствованный протокол организации очереди сообщений), который

иногда рассматривают как протокол Интернета вещей (протокол IоT). Как

следует из названия AMQP обслуживает исключительно очереди. Он

пересылает транзакционные сообщения между серверами [70].

В протоколе AMQP большое внимание уделено борьбе с потерей

сообщений. Различные коммуникационные линии – от поставщиков контента до

коммутаторов каналов и от списков очередности до пользователей – используют

протокол TCP, который обеспечивает высоконадежное двухточечное соединение.

Кроме того, конечные точки должны подтверждать принятие каждого сообщения.

Данный стандарт описывает также опциональный режим транзакций с

формальной многофазной последовательностью обновления транзакций.

Программное обеспечение AMQP сфокусировано на слежении за всеми

сообщениями и обеспечении их доставки по назначению, независимо от наличия

сбоев и перезагрузки системы.

AMQP используется главным образом в обмене деловыми сообщениями.

Обычно под «устройствами» понимают мобильные телефоны,

поддерживающие связь с центрами обработки данных в операционных

офисах. В случае Интернета вещей AMQP наилучшим образом подходит для

реализации аналитических функций на базе серверов.

WiFi это набор стандартов беспроводной связи IEEE 802.11, который

можно использовать для построения беспроводной локальной вычислительной

сети Интернета вещей на основе стека TCP/IP. Стек протоколов стандарта IEEE

802.11 состоит из физического уровня и канального уровня с подуровнями

управления доступом к среде и логической передачи данных. Протоколы IEEE

802.11 (WiFi) относятся к уровню сетевых интерфейсов в стеке TCP/IP [27].

Беспроводная локальная сеть WiFi подключена к Internet с помощью

шлюза или маршрутизатора. Для построения локальных беспроводных сетей

Интернета вещей организация Wi-Fi Alliance создала новую спецификацию

IEEE 802.11s, которая обеспечивает технологию построения ячеистых сетей.

32

Кроме того, для IoT создан и новый стандарт Wi-Fi HaLow (спецификация

IEEE 802.11ah) с низким энергопотреблением [61].

BLE 4.2 это новая версия стандарта Bluetooth low energy (Bluetooth

LE), которая предназначена для построения беспроводных сетей типа Smart

Home. Новый стандарт Bluetooth Mesh с ячеистой топологией внедрен в 2016

г. Стек коммуникационных протоколов BLE 4.2 поддерживает сетевой

протокол IPv6 over BLUETOOTH(R) Low Energy или 6LoWPAN, протоколы

транспортного (UDP, TCP) и прикладного (CоAP и MQTT) уровней.

Версия BLE 4.2 обеспечивает минимальное энергопотребление

оборудования и выход в IP-сети.

ZigBee – протокол беспроводных сенсорных сетей. ZigBee это по сути не

отдельный протокол, а спецификация сетевых протоколов верхнего уровня

(приложений и сетевого), использующих сервисы нижних уровней уровня

управления доступом к среде и физического уровня, регламентированных

стандартом IEEE 802.15.4. ZigBee и IEEE 802.15.4 описывают беспроводные

персональные вычислительные сети. Спецификация ZigBee ориентирована на

приложения, требующие гарантированной безопасной передачи данных при

относительно небольших скоростях и возможности длительной работы сетевых

устройств от автономных источников питания (батарей) [82].

Основная особенность технологии ZigBee заключается в том, что она

при малом энергопотреблении поддерживает не только простые топологии

сети («точка-точка», «дерево» и «звезда»), но и самоорганизующуюся и

самовосстанавливающуюся ячеистую (mesh) топологию с ретрансляцией и

маршрутизацией сообщений. Кроме того, спецификация ZigBee содержит

возможность выбора алгоритма маршрутизации, в зависимости от требований

приложения и состояния сети, механизм стандартизации приложений

профили приложений, библиотека стандартных кластеров, конечные точки,

привязки, гибкий механизм безопасности, а также обеспечивает простоту

развертывания, обслуживания и модернизации [6].

33

1.6 Постановка задачи исследования

Сформулируем задачу диссертационного исследование, как задачу

разработки моделей и алгоритмов, способствующих выбору оптимальных

режимов информационного взаимодействия в сетях Интернета вещей.

При решении поставленной задачи средствами моделирования будем

оценивать функциональную зависимость между набором параметров Р,

задающих сеть Интернета вещей количественно и вероятностно-временными

характеристиками H, описывающих информационное взаимодействие

качественно, т.е. формально

H=f(P)

В такой постановке это позволит при разных условиях решать все три

вида задач моделирования, необходимых при проектировании:

прямую – оценивать характеристики при имеющихся параметрах сети

Интернета вещей,

обратную – при заданных допустимых значениях характеристик

проектировать сеть Интернета вещей из элементов с соответствующими

параметрам и

настройки – строить модели, основанные на предложенных методах и

алгоритмах, позволяющие выявить функциональную зависимость между

множествами P и H.

Ко множеству параметров Р отнесем потоковые и структурные метрики:

каждое СУ характеризуется интенсивностью идентификации себя в

пространстве Интернета вещей, периодами активности и пассивности;

каждый узел Интернета вещей задается параметрами

производительности;

структура связей соответствует топологии mesh (рисунок 1.8);

34

элементы связей СУ-узел и узел-узел задаются временем передачи

вызова в прямом и обратном направлениях; значениями вероятностей

занятости или отсутствия связи;

Сеть построена как совокупность «туманов», на которые разделяется

территория покрытия, количество «туманов» теоретически не ограничено. В

одном таком «тумане» может размещаться несколько шлюзов, которые

подключаются к магистральному информационному каналу с помощью

оптического либо электрического кабеля или по радиоканалу с

использованием систем широкополосного доступа.

Шлюзы в «тумане» соединяются между собой по радиоканалу. Протоколы,

реализующие функции транспортировки в mesh-сети основаны на создании

таблицы маршрутизации с контролем состояния транспортного канала и

поддержкой динамической маршрутизации, что позволяет каждому из них

отправлять трафик по оптимальному маршруту между соседними узлами. При

потере какого-либо из узлов происходит автоматическое перенаправление

трафика по другому маршруту, что гарантирует не только доставку трафика, а

доставку за минимальное время. В условиях резких скачков трафика как внутри

сети, так и на ее границах проблема может решаться установкой новых шлюзов в

пределах сенсорной сети, интеграция которых в существующую сеть происходит

автоматически. Увеличение зон покрытия сводится к добавлению в сеть новых

СУ и шлюзов, что происходит так же автоматически и таким образом

выполняется масштабирование сети Интернета вещей.

Выводы по первой главе

1. Рассмотрены технологии, на которых построен Интернет вещей –

сенсорные сети, М2М и облачные вычисления, анализ которых позволил

выявить специфику информационного взаимодействия связность вещей,

обеспечение их сетевыми услугами, гетерогенность сети Интернета вещей,

35

динамические изменения статуса вещей и огромное их количество в

пространстве сети Интернета вещей.

2. Показано, что специфика информационного взаимодействия в

Интернете вещей не позволяет применять методы и алгоритмы, на базе

которых функционируют традиционные компьютерные сети.

3. Сформулирована задача диссертационного исследование, как задача

разработки методов и алгоритмов, способствующих выбору оптимальных

режимов информационного взаимодействия в Интернете вещей.

4. Предложено средствами моделирования оценивать вероятностно-

временные характеристики сети Интернета вещей. Модели должны

основываться на оригинальных методах и алгоритмах, учитывающих

специфику информационного взаимодействия в Интернете вещей.

36

2 Модели оценки вероятностно-временных характеристик

информационного взаимодействия в сети Интернета вещей

В данной главе рассматриваются предложенные модели, позволяющие

оценить вероятностно-временные характеристики информационного

взаимодействия на всех этапах прохождения данных в соответствии с

концепцией информационного взаимодействия в сети Интернета вещей и

сформулированной в диссертации задачи.

2.1 Модель информационного взаимодействия

С учетом фундаментальных характеристик сетей Интернета вещей при

разработке модели информационного взаимодействия прибегнем к

имитационному моделированию (ИМ).

В практической реализации имитационное моделирование опирается на

четыре парадигмы: дискретно-событийное моделирование, динамическое

моделирование, системная динамика в смысле Форрестера и мультиагентный

подход [39].

Во всех рассмотренных четырех версиях ИМ симулятор продвигает

вперед системное время и создает на каждом очередном шаге текущий

временной слой системы. Этот слой содержит сведения об возможных

ближайших предстоящих и последних произошедших изменений для

рекуррентного пересчета показателей. Симулятор продвигает этот временной

слой вперед в модельном времени вдоль множества фактов отслеживаемой им

причинно-следственной цепи и достигает заданных целей. Этот принцип и

является сущностью компьютерного ИМ.

Все четыре «парадигмы», по сути, просто разные реализации ИМ,

разные подходы к построению траекторий смены состояний. Все они

используют причинно-следственный механизм продвижения процессов во

времени. Различия относятся лишь к выбору того или иного набора базовых

37

математических и программных объектов, а логика имитации процессов

одинакова. Построение траектории функционирования моделируемого

объекта выполняется продвижением системного времени

С точки зрения реализации математических и программных объектов

остановимся на мультиагентом моделировании информационного взаимодействия.

Модель создана в системе имитационного моделирования AnyLogic [3,

29], структура и окно анимации которой приведены на рисунке 2.1 .

а)

б)

Рисунок 2.1 Имитационная модель взаимодействия

38

Модель функционирует следующим образом: стохастическим образом

заданные запросы поступают от агентов сети. Если агент проходит валидацию и

сертифицирован на прием/передачу информации и передает запрос впервые с

момента обнаружения в сети, то он добавляется в «карту» сети, для

идентификации его в пространстве. После обработки и сохранения информации в

памяти, происходит отправка управляющей команды от сервера агенту, на

которую агент должен отправить нотификацию о получении. В процессе

прохождения всех этапов схемы могут возникнуть следующие ситуации:

1. Запрос агента на передачу данных отклонен в силу возникновения

коллизий источников данных или маршрут для передачи еще не построен.

2. Многократное добавление одного и того же агента в карту. Проблема

решается путем удаления объекта из карты, если по истечении заданного

времени от него не поступает ответ.

3. «Зацикливание» отправка одной и той же команды агенту после

отключения/подключения. Если агент не может выполнить переданную

команду (выражается в отсутствии данных, которые ожидается получить в

ответ), то система будет предлагать выполнить эту команду снова до тех пор,

пока она не будет выполнена, либо по истечении определенного количества

попыток, информация о которых хранится в памяти.

4. Запрос успешно проходит – информационное взаимодействие

состоялось.

Модель работы агента в терминах AnyLogic − окно стейтчата приведена

на рисунке 2.2.

Предполагается, что мобильный объект имеет возможность

перемещаться свободно, или следуя определенному алгоритму. В процессе

своего перемещения он может покидать и входить в зону покрытия сети, в

зависимости от стандарта и используемого частотного диапазона радиус

покрытия может различаться (IEEE 802.11). Таким образом, первые два блока

схемы описывают движение и подключение агента к сети, после которого

становится возможным обмен информацией с другими агентами и

39

участниками сети. Подключившись, агент начинает передавать и получать

сообщения. Следует отметить, что валидация агента (разрешение на прием-

передачу) производится на уровне всей системы, поэтому на данной блок

схеме она не обозначена. При отсутствии ответа на сообщение, агент

считается отключенным от сети. Помимо вероятности отключения агента от

сети, существует также возможность возникновения коллизии между

несколькими объектами, которые пытаются одновременно передать

информацию.

Рисунок 2.2 Модель работы агента

40

2.2 Оценка времени доступа в «туманных вычислениях» с разрешением

коллизий источников данных

Все методы доступа рассматриваются во временной области.

Коллизией или конфликтом называется наложение сигналов от разных

СУ друг на друга.

Предлагаются следующие модели доступа в «туманных вычислениях» с

разрешением коллизий источников данных, реализующие соответственно

режимы: опроса, прерываний и множественный доступ [20].

2.2.1 Модель доступа в режиме опроса

В данной системе есть центральный узел (маршрутизатор, шлюз или

сервер) и некоторое количество СУ, которое в силу динамических изменений

заранее «неизвестно» узлу.

Сенсорные устройства начинают передачу данных только по запросу

центрального узла. Если у СУ нет подготовленного для передачи пакета

данных, то специальный логический механизм СУ формирует

идентификационный пакет, содержащий уникальный идентификационный

номер (ID) сенсорного устройства [16]. Задача центрального узла

идентифицировать все сенсорные устройства, которые находятся в зоне его

покрытия и если у СУ есть данные для передачи, то принять их [72].

Процесс опроса – временной интервал, который разделен на блоки –

окна. Окна – нефиксированные отрезки времени, размер которых

определяется количеством слотов, на которые он делится. Размер слота –

фиксированная величина для каждого сенсорного устройства. Так как слот –

это тоже временной интервал, его размер определяется скоростью передачи

данных от СУ до узла, то есть его определяет оборудование, используемое в

системе [4]. Пример разделения времени опроса приведен на рисунке 2.3.

41

1 2 3 ... Ni 1 2 ... Ni+1

3

Окно iОкно i+1

Слот

Рисунок 2.3 – Разделение времени опроса на окна и слоты

В начале процесса узел посылает сигналы «опроса» всем сенсорным

устройствам, которые находятся в зоне его покрытия. В этих сигналах

содержится время начала доступа и продолжительность, то есть количество

слотов. СУ, приняв эти сигналы, случайным образом выбирают слот, в

котором будут передавать свои данные.

В процессе доступа в слоте возможно возникновение трех событий.

Пусто – в том случае, когда ни одно из СУ не выбрала текущий слот для

передачи данных. Успех – когда только одно СУ передает данные в текущем

слоте. Конфликт – когда более одного СУ начинают передавать данные в

текущем слоте.

Опрос СУ, находящихся в зоне покрытия центрального узла

заканчивается, когда в окне появляются только слоты с успешной передачей и

пустые слоты.

Пример доступа в режиме «опроса» представлен на рисунке 2.4.

Центральный узел посылает сигнал «опроса» со значением времени начала

доступа и количества слотов, в данном случае 5. Сенсорные устройства,

находящиеся в зоне покрытия, в данном примере их 4 штуки, принимают

сигнал и по полученным данным выбирают случайным образом слот от 1 до 5.

На рисунке 2.4 видно, что 4-е СУ выбрало первый слот, а 1-е и 2-е СУ

выбрали второй слот, 3-е СУ выбрало 4-й слот. В соответствии с выбранным

слотом СУ передают свои идентификаторы и данные при наличии.

42

Центральный узел анализирует каждый слот и выполняет некоторые

действия. Если слот – успешный, то он регистрирует СУ по ее

идентификатору и увеличивает счетчик успешных окон, если слот – пустой,

увеличивается счетчик пустых окон, если слот – конфликтный, увеличивается

счетчик конфликтных слотов. По завершению текущего окна, происходит

вычисление размера следующего окна.

Размер следующего окна W определяется от количества конфликтов Er

текущего окна по правилу: W=Er2+1. Счетчик конфликтных слотов

обнуляется. Данный способ является эвристическим, поскольку параметры

выбираются естественным путем. В примере на рисунке 2.4, узел рассчитал

размер следующего окна, равного 3-м слотам.

Сигнал «опроса» 1

ID4 ID3ID1

ID2

Слот 3Слот 2Слот 1 Слот 4 Слот 5

СУ в зоне покрытия

шлюза

Окно 1 с размером W1 бит

ID1

ID4

ID3

ID2

Сигнал «опроса» 2

ID2 ID1

Слот 3Слот 2Слот 1

СУ в зоне покрытия

шлюза

Окно 2 с размером W2 бит

ID1

ID2

Данные Данные

Данные Данные

Рисунок 2.4 – Пример работы режима «опроса»

Время, необходимое для выполнения операции опроса зависит от

физических характеристик канала взаимодействия, которые и определяют

43

задержку распространения.

Время обслуживания ts сенсорного устройства в режиме опроса

формируется следующим образом:

,s p

bt t

C (2.1)

где tp – время, затрачиваемое на сигнал опроса, [c];

b – среднее значение длины пакета, [бит];

С – пропускная способность канала, [бит/с].

Соответственно, полный цикл взаимодействия N сенсорных устройств и

центрального узла составляет T=Nts.

Связь этих переменных представлена на рисунке 2.4.

Время tp включает как время формирования опроса, так и задержку

распространения. Отношение b/C – это время, необходимое для передачи b

бит со скоростью C бит в секунду. Если опрашиваемое СУ не имеет готового

сообщения для передачи, то b – очень мало, поскольку передается только ID

сенсорного устройства. Если же в буфере сформирован пакет данных, то b

равно числу бит идентификационного номера СУ плюс пакет данных.

Опрос Ответ

СУ 1

Опрос Ответ

СУ 2

Опрос Ответ

СУ N

...

tp

ts

b/C

T

t, с

Сервер

Рисунок 2.4 Временная диаграмма реализации режима опроса

44

Отношение (2.1) позволяет оценить среднее время обслуживания одного

СУ при условии, что дисперсия b значительно меньше, чем .b

Если каждое СУ передает в среднем пакетов в секунду, то при наличии

в системе N сенсорных устройств, общая интенсивность потока данных

составит N пакетов в секунду, а средний интервал между их поступлениями

1/N с. Следовательно, во избежание неограниченного роста очередей, время

обслуживания ts должно соответствовать условию:

1.

λs p

bt t

C N (2.2)

Решая (2.2) относительно С, получим условие гарантирующее отсутствие

очереди для каждого сенсорного устройства

λ.

1 λ p

NbC

Nt

(2.3)

Это объясняется тем, что любое из СУ опрашивается каждые 1/ секунд

и в то же время в нем формируется очередной пакет данных.

2.2.2 Модель доступа в режиме прерываний

Отличие режима прерываний от режима опроса в том, что вместо посылки

сигналов опроса, сервер принимает и ставит в очередь сигналы от СУ о

готовности начать передачу. Таким образом, система, управляемая по

прерываниям, предполагает соперничество за право передать данные на сервер

[7]. Сенсорные устройства спонтанно посылают запросы на передачу данных

серверу, который выстраивает их в очередь и направляет положительные

подтверждения. Если по истечении определенного интервала времени такое

45

подтверждение не поступает, запрос автоматически повторяется. При свободном

канале сервер принимает данные от запрашивающего СУ. После завершения

передачи сервер переходит к приему данных от следующего в очереди запроса. На

рисунке 2.5 приведена схема и временная диаграмма реализации режима

прерываний.

Пакет

СУ 1

Пакет

СУ 3

Пакет

СУ 7

...

ts

b/C

t, с

Сервер137

Очередь запросов

1 3 7

ta

Рисунок 2. 5 Схема и временная диаграмма реализации режима прерываний

Для случайно поступающих запросов на передачу данных вероятность

пересечения двух или более запросов равна

λ1 ,N T

cP e (2.4)

где Т – время передачи пакета длиной b бит.

При повторении запросов реальная интенсивность их поступления

превысит . В соответствии с законом Пуассона получим следующую

вероятность возникновения конфликта

46

1 ,T

cP e (2.5)

где – реальная интенсивность поступления пакетов в Т-секундном интервале

=N+Рс.

Тогда производительность такой системы равна NT=Te-T.

Чтобы найти максимальную производительность, продифференцируем

NТ по Т и результат приравняем к нулю:

( λ )0,T Td N T

e Ted T

(2.6)

1-Т=0, Т=1. (2.7)

Подставляя это значение Т в выражение для NT определим

максимальное количество сенсорных устройств Nmax при котором при

заданной полосе пропускания можно избежать критического уровня коллизий

max

λ 1/ .N T e

С учетом того, что Т= b/С

max .λ

CN

e b (2.8)

Эти уравнения получены из предположения о существовании

отдельного канала для посылки запросов.

Время пребывания запросов в очереди ta может быть найдено из

соотношения интенсивностей их поступления и обслуживания. Общее время

обслуживания ts включает время доступа ta и время передачи данных ,b

C где С

пропускная способность канала, [бит/c]. Таким образом

47

.s a

bt t

C (2.9)

Это уравнение аналогично (2.1) для режима опроса. За меру

производительности такого режима взаимодействия можно принять

коэффициент загрузки =Ats .

Если >1, то запросы поступают быстрее, чем они могут быть

обслужены, что приводит к неограниченному росту очередей. При 1очередь

остается конечной. Физический смысл есть отношение среднего времени

обслуживания к среднему интервалу времени между поступлением запросов.

2.2.3 Модель множественного доступа

Доступ к серверу распределяется между конкурирующими СУ в

соответствии с управляемым вероятностным арбитражем. При наличии

данных на обработку СУ начинает передачу пакета на сервер. Передача

аварийно завершается и заново планируется сенсорным устройством при

обнаружении пресечения с пакетами другими СУ. В отсутствии пересечения

пакет будет послан по назначению. Во избежание повторения конфликтов

сенсорные устройства осуществляют повторную передачу в случайные

интервалы времени tr. Чтобы обеспечить оптимальное использование канала

при изменении нагрузки, интервалы повторной передачи пакетов

вычисляются как функции от предыстории конфликтов. Множественный

доступ может быть реализован в режиме тактируемой или нетактируемой

передачи. При нетактируемом режиме СУ предают данные в любой момент

времени. При тактируемом режиме передача разрешена только в заранее

определенные интервалы времени. Такт равен максимальному интервалу

времени между моментом, когда СУ начинает передачу и моментом

обнаружения конфликта [56].

48

Временная диаграмма режима множественного доступа приведена на

рисунке 2.6.

ПакетСУ 1

ПакетСУ 3

ПакетСУ 2

b/C t, с

ПакетПакет Пакет

Пакет

Пакет

СУ 3

СУ 2

ПакетСУ 2

СУ 1СУ 3СУ 2

tr tr

Рисунок 2.6 Временная диаграмма режима множественного доступа

Вероятность отсутствия конфликта определим, как

1

1,1

N

PN

(2.10)

где P – вероятность того, что ровно одно СУ попытается передать пакет в

течение такта и получит доступ к серверу;

N количество СУ в очереди на передачу.

Эффективность режима множественного доступа или доля времени в

течение которого пакеты передаются без повторения, определяется

следующим образом:

ρ .b С

b С WT

(2.11)

49

где W – среднее число тактов, прошедших в интервал конкуренции, пока СУ

не получит доступ для передачи данных, W=(1-P)/P.

Т – длительность такта.

2.2.4 Особенности реализации имитационной модели доступа

Средствами имитационного моделирования оценим время доступа

сенсорных устройств в «туманных вычислениях» для разных режимов в

условиях возникновения коллизий источников данных.

Дано: n количество СУ, взаимодействующих с сервером; Т период

дискретизации. Всем сенсорам назначается идентификатор ID в соответствии

с их IP-адресом в составе сети IoT [57]. Далее для всех сенсорных устройств

генератором случайных положительных целых чисел (обозначим как RND)

разыгрывается значение времени t начала передачи из диапазона [L, R]

t=rT, (2.12)

где r случайное число, rRND .

Центральный узел устанавливает соединение с тем СУ, для которого

1,,min i n

t

t

пусть ID этого СУ равен k. Для остальных СУ новое время начала

передачи определяется по формуле:

JiT= Ji-1T + rpak T + rT, (2.13)

где Ji точка отсчета начала следующей передачи данных;

Ji-1 точка начала передачи данных предыдущего (k-1)-го СУ;

rpak число точек отсчета времени, необходимого для передачи данных –

постоянная величина, зависит от длины пакета данных;

r число, задающее число точек отсчета:

50

для определения времени tp, затрачиваемого на занятие слота k-м СУ

при реализации режима опроса;

для определения времени доступа ta при реализации режима

прерываний;

для определения случайной задержки относительно окончания

передачи данных (k-1)-м СУ при реализации режима множественного доступа.

Выражение (2.13) является основной реализации имитационной модели

[19]. Поясним некоторые особенности предлагаемой модели, которая

реализована на объектно-ориентированном языке С++.

Распределение начала передачи сенсорными устройствами во времени

для каждой итерации представлено как двумерная матрица 1, ; 1,ij i n j m

p

, где m

отсчеты времени. Для каждого СУ разыгрывается случайная задержка

, 1,it i n начала обращения к серверу относительно окончания передачи

данных предыдущего СУ в виде значения случайного числа r RND[L, R].

Например, «1» в первой строке матрицы ijp означает, что для СУ с

ID=0 задержка начала передачи t=3, наличие «1» во второй строке матрицы

ijp означает, что для СУ с ID=1 задержка начала передачи t =1 и т.д.

.

Далее выполняется поиск ID с минимальным запаздыванием начала

передачи, в примере это ID=1. В случае обнаружения коллизии определяются

новые точки отсчета начала передачи в соответствии с выражением (2.13).

Если коллизия отсутствует, тогда управление передается серверу для

0 0 1 0 0 0 0 0

1 0 0 0 0 0 0 0

0 0 0 1 0 0 0 0

0 0 0 0 0 0 0 1

ijp

51

считывания данных с последующей их обработкой и хранением. Разрешение

на считывание данных определяется следующими условиями:

1 , 1, ,k ki iJ J r k n то СУ с ID=k передает данные;

1 , 1, ,k ki iJ J r k n то СУ с ID=k вступил в коллизию и ему

определяется новое значение Ji .

Модель содержит средства накопления и обработки полученных в

результате моделирования статистических данных о времени получения доступа tд

в зависимости от количества n сенсорных устройств, и значений пределов

случайных задержек начала ответа сенсорными устройствами RND[L, R].

После каждого однократного моделирования процесса доступа

накапливается статистика по отсчетам времени начала ответа СУ в виде

гистограммы, представляющей собой функцию распределения y(J) отсчетов

времени J начала ответа СУ на опрос центрального узла.

Вычисление математического ожидание M(j), случайной величины J,

дисперсии D(J) и стандартного отклонения позволяет отыскать зависимость

для определения числа точек отсчета Jд времени, необходимых для получения

доступа сенсорным устройствам с заданной вероятностью p(0J Jд)=0,999.

д

2

0

( ) ( )J

J

M J J M J y J

(2.14)

д

2

0

( ) ( )J

J

D J J D J y J

(2.15)

σ= ( )D J . (2.16)

Примем следующую зависимость определения точек отсчета времени Jд,

необходимых для получения доступа:

Jд =M(j)+6. (2.17)

52

Время получения доступа сенсорным устройством определим, как tд=

JдT, где T – период квантования непрерывного времени.

2.3 Модель оценки вероятностно-временных характеристик

информационного взаимодействия в сети Интернета вещей

В беспроводных сенсорных сетях число СУ в зависимости от решаемой

задачи может изменяться от нескольких сотен до тысяч. Не случайно, в

спецификациях Zig Bee [82] число СУ, расположенных в одной зоне, может

достигать 64000. Сети большого масштаба и высокой плотности с

лимитированной полосой пропускания должны, к тому же, предоставлять

услуги с определенным уровнем качества обслуживания.

В отличие от традиционных сетей беспроводные сенсорные сети

организуются случайным образом, и взаимосвязи СУ в них также случайны во

времени. Сенсорные узлы могут выходить из строя вследствие недостаточного

уровня электропитания, возникновения критических условий во внешней

среде, выхода из строя аппаратной части и т.д. Если вышло из строя несколько

сенсорных узлов, это не должно вызывать существенных последствий как для

сенсорной сети в целом, так и для ее фрагментов. Другими словами, сеть

Интернета вещей должна быть нечувствительна к отказу какого-либо СУ и

продолжать поддерживать далее требуемый уровень качества обслуживания.

Для вычислительных сетей качество обслуживания выражается в

вероятностно-временных характеристиках.

Согласно модели информационного взаимодействия, оценка

вероятностно-временных характеристик информационного взаимодействия в

сети Интернета вещей будет представлять собой сумму:

и.в у.с п.дt t t , (2.18)

где tи.в – время информационного взаимодействия;

53

tу.в – время, необходимое на установление соединения для информационного

взаимодействия;

tп.д – время передачи данных по установленному соединению информационного

взаимодействия.

Для оценки tу.с применим вероятностную модель установления

соединения, предложенную в [36] c приложением на сети Интернета вещей.

Оценку tп.д предлагается выполнить с применением аппарата систем

массового обслуживания.

2.3.1 Особенности реализации имитационной модели установления

соединения

Процесс установления информационного взаимодействия (ИВ) в сети

Интернета вещей может занимать некоторое время в силу ее динамических

свойств: топология сети может многократно изменяться в процессе

функционирования вследствие введения новых узлов, отказов существующих,

критических изменений внешней среды. Все эти возможности должны быть

учтены при разработке модели установления соединения для

информационного взаимодействия [81].

Установить информационное взаимодействие – это значит построить

логический канал, связывающий сенсорное устройство со шлюзом адресата

для последующей передачи по нему данных. Таких логических каналов,

связывающих источник и адресат, может быть несколько в силу mesh-

топологии сети Интернета вещей (рисунок 2.7).

Логический канал состоит из физических каналов, связывающих

соседние СУ. Построение логического канала выполняется посылкой

управляющего сигнала-вызова на установление соединения. При прохождении

вызова от одного СУ к другому состояние физического канала принимает

одно из двух состояний: «1» – канал занят, и данные по нему не пройдут, либо

«0» – канал свободен для передачи данных.

54

14 U14 U

Туманные

вычисления

Облачные

вычисления

Рисунок 2.7 – Логические каналы для передачи данных от СУ в «облако»

Повторные попытки установления соединения придают стохастичность

этому процессу [43], т.к. возникают вынужденные возвращения на

предыдущие СУ и число физических каналов, пройденных вызовом при его

доставке адресату, оказывается случайным числом. Учет данного аспекта

позволяет прибегнуть к имитационному моделированию процесса

установления логического канала для информационного взаимодействия.

Таким образом, время установления информационного взаимодействия

tу.в определим как случайную величину, которая может быть найдена

выражением

ок

у.в к о п п

1 1

,i i

nn

i i

t t t n t

(2.19)

где nк число физических каналов в логическом канале, построенного от СУ-

источника к СУ-адресату;

nо число физических каналов, на которые вызов вернулся обратно при

поиске альтернативного логического канала;

55

nп число попыток в зафиксированной реализации процесса установления

ИВ; общем случае 0nп<nдоп, где nдоп допустимое число попыток

установления ИВ;

кit время прохождения i-го физического канала;

о it время обратного прохождения i-го физического канала;

tп время переключения на другой логический канал.

Каждый эксперимент на имитационной модели дает реализацию трех

случайных величин: nк, nо и nп, что позволяет оценить время установления

информационного взаимодействия tу.в в соответствии с выражением (2.19).

Полученное значение tу.в определяет результат установления ИВ:

если tу.в tдоп, то ИВ установлено;

если tу.в > tдоп, то ИВ установлено, но с низким качеством

обслуживания, и для данных срочной доставки это имеет критическое

значение, т.к. они могли потерять свою актуальность [14];

если nп>nдоп, то соединение не установлено.

Исходными данными для моделирования являются:

множество логических каналов, которые могут быть построены от

источника i к адресату j – обозначим, как Lij. Построение этого множества

выполняется в соответствии с алгоритмом, обсуждаемым в разд. 3.2.

характеристика физических каналов: время передачи сигнала-вызова по

физическому каналу в прямом и обратном направлениях;

значения вероятностей полной занятости физических каналов;

допустимое время установления ИВ;

число попыток установления ИВ;

время, выделенное на повторную попытку – переключение на другой

логический канал.

В модели накапливаются статистики, позволяющие оценить

вероятность установления ИВ за время, не превышающее допустимое, а также

56

средние и среднеквадратические значения tу.в, характеризующие процесс

установления ИВ в сети Интернета вещей.

На всем множестве логических каналов Lij производится их

упорядочивание по числу занятых физических каналов с, т.е. (с=сmin,…,сmax). В

отдельном эксперименте разыгрывается число с номеров занятых физических

каналов во множестве Lij и на полученной реализации имитируется процесс

прохождения вызова от источника i к адресату j. По факту установления ИВ

фиксируются значения nтр, nот и nп. Процедура повторяется N раз. По результатам

экспериментов вычисляется средняя оценка времени установления ИВ.

Реализация количества потерянных физических каналов с сводится к

«выбору наугад» номеров каналов из d возможных, cd. Очередной номер

потерянного физического канала z определяется по формуле 1z Ud ,

где U случайное число, U[0,1], получаемое путем обращения к датчику

случайных чисел. Скобки означают округление в меньшую сторону.

Физическому каналу с номером z присваивается «1» во множестве Lij.

Процедура определения z повторяется c раз.

Задача расчета характеристик установления ИВ может быть сведена к

задаче оценивания математического ожидания M дискретной случайной

величины =f(), где =(1,..., d) имеет закон распределения вероятностей p

(то есть p), который известен. Случайная величина принимает два

значения, т.е. {0,1}:

=0 соответствует установлению соединения,

=1 неустановлению соединения.

Значение M=P{=1} имеет смысл вероятности неустановления

соединения. Случайная величина невырожденная, то есть 0<M<1.

Интерпретируем случайную величину как вектор υ υ1

α ,..., ,α αd

отображающий состояние физических каналов, входящих в моделируемое

множество Lij в смысле их статуса: есть или нет. Случайная величина

57

υ 0,1 , 1, ,αi i d d число физических каналов во множестве Lij. Значение

υ 1αi имеет смысл потери i-го физического канала со скоростью . Случайные

величины υ

α i считаются независимыми, имеет конечное множество

значений X, ; 1,..., ; .2d

jX x j n n Для нее распределение (х), хХ

задается набором вероятностей α 0, 1, .j j jp x P x p j n С учетом

классификации Lij по с оценку М найдем в виде:

max

min

ξ ξ( ),с

с

M M с (2.20)

где ξM оценка вероятности неустановления ИВ при наличии с физических

каналов, непроводящих вызов.

Для задания состояний Lij(с) на k-м розыгрыше применяется случайный

выбор номеров физических каналов с, непроводящих вызов на установление

ИВ. В результате вектор получает конкретную реализацию x, содержащую с

единиц и (d-с) нулей. В соответствии с правилом прохождения вызова по

множеству альтернативных логических каналов Lij и правилом установления

ИВ вычисляется значение

ξ | ,kijk

x c f L

где ξk

x c исход установления (неустановления) ИВ при k-м испытании (k-

й реализации Lij), ξ 0,1 ,k

x c

и вероятность полученной реализации

( ) .kijp x p L

58

Значение ξ 1k

x c имеет место, если сигнал вызова не дошел до

адресата (не построено ни одного логического канала из множества Lij), либо

число попыток превысило допустимое значение, либо вызов дошел до

адресата и установлено ИВ, но без надлежащего качества обслуживания

(tув>tдоп).

Оценка вероятности неустановления ИВ между СУ при с потерянных

физических каналов на множестве всех Lij определяется в виде:

2

12

ξ( )= ξ | 1 ,cNc

d kij

kc

CM c p x cL

N

где Nc число разыгранных состояний (реализаций) множества Lij.

Вероятность p(Lij) рассчитывается по формуле:

1 1

1

= α 1 1 α 1 .h d h

kij i i

i jj

p p pL

Вероятности α 1 , 1,ip i d заданы при решении задачи

распределения потоков.

Окончательная оценка вероятности неустановления соединения между

парой (i,j) примет вид:

max

min 1

ξ( )= ξ | 1 .cc Nc

d kij

c c kc

CM c p x cL

N

(2.21)

Таким образом, выражение (2.21) полностью отражает вероятностный

подход к установлению ИВ в Интернете вещей с топологией mesh.

59

2.3.2 Оценка времени передачи данных по установленному

информационному взаимодействию

При оценке вероятностно-временных характеристик доставки данных

применяют математический аппарат систем массового обслуживания – СМО.

Важнейшая характеристика СМО вероятности их состояний. Для

определения вероятностей состояний исследуют случайные процессы СМО

[36, 52].

Особенности применения теории СМО к моделированию

вычислительных сетей вызывают необходимость учитывать различные виды

взаимодействия отдельных СМО, которыми моделируются узлы сети [18, 74].

Основной вид взаимодействия узлов – последовательное поэтапное. В случае

установленного соединения – это цепочка СУ.

На рисунке 2.7 приведено общепринятое графическое обозначение СМО.

.

.

.

1

2

K

L...1Потери

заявок

Рисунок 2.7 – Система массового обслуживания

СМО задается следующими параметрами:

A(t) – функцией распределения интервала времени между

поступлениями заявок, 0 t;

B(t) – функцией распределения времени обслуживания заявок;

K – количеством каналов обслуживания, K1;

L – длиной очереди, 0L.

Характеристики, оцениваемые с помощью СМО:

60

Pп вероятность потери заявки;

ожT средняя продолжительность ожидания;

L среднее количество заявок в очереди;

M среднее количество заявок в СМО.

В теории СМО для оценки производительности применяется аппарат

преобразования Лапласа-Стилтьеса (ПЛС) [30].

Преобразованием Лапласа-Стилтьеса случайной величины x функции

распределения B(х) называется функция (s), определяемая следующим

образом

0

β( ) ( ),sxs e dB x

где s 0 – параметр ПЛС.

Если x − непрерывная случайная величина, то ПЛС

0

β( ) ( ) ( ),sxs e B x d x

(2.22)

Для оценки вероятностно-временных характеристик используются

известные свойства ПЛС:

1. Преобразование Лапласа-Стилтьеса суммы случайных величин равно

произведению преобразований Лапласа-Стилтьеса каждой из этих величин, то

есть если две независимые случайные величины имеют ПЛС 1(s) и 2(s) их

функций распределений, то ПЛС функции распределения суммы этих величин

является 1(s)2(s).

2. Если Bk есть k-й момент случайной величины относительно начала

координат, то

61

0

β( )( 1)

kk

k k

s

d sB

ds

то есть моменты случайной величины определяются дифференцированием в

нуле (при s=0) соответствующее число раз преобразования Лапласа-Стилтьеса

функции распределения этой величины. Первый центральный момент

определяет математическое ожидание случайной величины,

β( )β

d st

ds , (2.24)

а второй центральный момент нужен для нахождения дисперсии случайной

величины

22

2 2

2 1 2

00

β( ) β( )σ

ss

d s d sB B

ds ds

. (2.25)

3. 0

limlim βts

B ts

.

4. Величина sx

ie B x есть вероятность сложного события, состоящего в

том, что случайная величина не превысит значения xi (сомножитель B(xi)), а

кроме того, за время [0, xi] не произойдет ни одной «катастрофы»

(сомножитель e-sx). Параметр s рассматривается как интенсивность

«катастроф». Интегрирование по всему диапазону дает 0

( ) β( )sxe dB x s

.

Таким образом, вероятностный смысл преобразования Лапласа-

Стилтьеса при оценке tп.д состоит в том, что оно определяет вероятность того,

что за время tдоп будут переданы все данные [30].

Распределение времени передачи данных в Интернете вещей

62

описывается в терминах преобразования Лапласа-Стилтьеса (ПЛС). В

Интернете вещей одновременно передаются между различными ее

элементами K независимых пуассоновских потоков данных различных классов

интенсивности k, k=1,…, K и обслуживаются по произвольному закону, т.е.

каждый участок маршрута есть СМО типа M|G|1.

Для системы M|G|1 известно уравнение Поллачика-Хинчина для пре-

образования Лапласа-Стилтьеса (ПЛС) функции распределения времени

ожидания W(s)

(1 ρ)( )

λ+λβ(s)

sW s

s

,

где − коэффициент загрузки канала;

− интенсивность поступления пакетов в канал;

(s) – ПЛС времени обработки пакета на СУ.

Для вычисления W(s) необходимо найти ПЛС функции распределения

времени обработки пакета (s).

Для случайной величины t – времени обработки пакета с

экспоненциальной функцией распределения

-μ( ) 1 kt

kB t e ,

где k=C/lk – пропускная способность СУ, в пакетах/c,

С – пропускная способность СУ, в битах/c,

lk – длина пакета данных k-го класса в битах, k=1,…, K.

преобразование Лапласа-Стилтьеса

μ 1

β( )μ 1

ss s t

.

63

Для случайной величины t с равномерной функцией распределения

( ) , при ,k

t aB t a t b

b a

преобразование Лапласа-Стилтьеса

β( )

sa sbe es

s b a

.

В соответствии с рассмотренными свойствами ПЛС продолжительность

передачи данных k-го класса от узла i к узлу j определяется как

1

β ( )β ( )N

d

k d dt W t t

, (2.27)

где β ( )d t – ПЛС функции распределения времени обработки пакета в d-м

канале маршрута

Wd(t) – ПЛС функции распределения времени ожидания W(s) в d-м канале

маршрута.

Таким образом, данное распределение будет функцией от векторов

интенсивностей поступления и обслуживания пакетов β ( ) λ ,μk k kt f . Модель

дает распределение времени пребывания данных k-го класса в сети Интернета

вещей, при заданном векторе вероятностей возникновения ошибок на

элементах маршрута для всех пар взаимодействующих СУ.

ПЛС позволяет при ограничениях tдоп на время tп.д некоторого маршрута

определить возможную нагрузку на этот маршрут и осуществить выбор

соответствующего алгоритма самоорганизации сети.

64

Выводы по второй главе

1. Показано, что проектирование систем Интернета вещей связано с

рядом задач, требующих моделирования процессов информационного

взаимодействия, что позволяет при прогнозируемом трафике строить

оптимальные режимы функционирования подобных систем.

2. Разработана имитационная модель информационного взаимодействия

в Интернете вещей, основанная на мультиагентном подходе.

3. Предложены следующие модели доступа в «туманных вычислениях»

с разрешением коллизий источников данных, реализующие соответственно

режимы: опроса, прерываний и множественный доступ. Модели инварианты к

количеству сенсорных устройств, формату пакета данных, среднего времени

передачи данных в условиях возникновения коллизий.

4. Предложена вероятностная модель установления информационного

взаимодействия в сети Интернете вещей с топологией mesh. Модель позволяет

оценить абсолютные и вероятностные характеристики информационного

взаимодействия. В модели учтены условия, соответствующие реальному

процессу информационного взаимодействия – наличие неработоспособных

каналов и точек доступа, ограниченное количество повторных попыток

установления соединений, наличие альтернативных маршрутов.

5. Предложено для оценки времени передачи данных применить аппарат

преобразования Лапласа-Стилтьеса (ПЛС). Первый центральный момент ПЛС

позволяет определить среднее время передачи данных по установленному

информационному взаимодействию. Вероятностный смысл ПЛС позволяет

выполнить оценку вероятности доставки данных.

6. Все предложенные модели могут найти применение на ранних стадиях

проектирования систем Интернета вещей.

65

3 Вероятностные алгоритмы самоорганизации сети Интернета вещей

Эффективная организация информационного взаимодействия в

Интернете вещей зависит, в том числе от построения альтернативных

маршрутов и оптимального размещения сенсорных устройств.

В силу фундаментальных характеристик Интернета вещей, алгоритмы

поиска альтернативных маршрутов и размещения должны носить

вероятностный характер [26].

Одним из подходов для решения подобных задач являются

эволюционные алгоритмы.

Генетические алгоритмы доказали свою конкурентоспособность при

решении многих NP-трудных задач и особенно в практических приложениях,

где математические модели имеют сложную структуру и применение

стандартных методов типа ветвей и границ, динамического или линейного

программирования крайне затруднено.

3.1 Общее описание генетического алгоритма и используемая

терминология

Генетический алгоритм (Genetic algorithm, далее ГА) представляет собой

технику оптимизации, которая моделирует феномен естественной эволюции [13].

При естественной эволюции выживают и дают самое многочисленное

потомство особи, наиболее адаптированные к сложным условиям

окружающей среды. Степень адаптации, в свою очередь, зависит от набора

хромосом конкретной особи, полученных от родителей. Это основа

выживания сильнейшего – не только процесс выживания, но и участие в

формировании следующего поколения. В природе выживание является

определяющей и основной функцией.

Таким образом, работа ГА заключается в поиске оптимального решения в

пространстве поиска решений, заданного ограничениями первого и второго рода.

66

Это пространство под воздействием операторов алгоритма, имитирующих

биологические эволюционные механизмы, изменяется (эволюционирует) в

направлении приближения к оптимальному решению или нескольким решениям.

Результатом эволюции будет пространство поиска, содержащее наилучшие или

приемлемые оптимальные решения, которые обнаруживаются алгоритмом [48].

ГА используются для решения множества задач – машинное обучение,

оптимизация многопараметрических функций, моделирование. Их основное

преимущество – универсальность, методы ГА можно использовать для

решения очень широкого диапазона задач.

Генетические алгоритмы отличаются от традиционных методов

оптимизации несколькими базовыми элементами, в частности [67]:

обрабатывается закодированная форма параметров задачи, а не

значения этих параметров;

поиск решения осуществляется исходя не из единственной точки, а из

их некоторого множества точек;

используется только целевая функция, а не ее производные либо

другая дополнительная информация;

применяются вероятностные, а не детерминированные правила

выбора.

Применение таких алгоритмов обосновано их «всеядностью» нет

требований к виду целевой функции и ограничениям.

Основным известным недостатком ГА является невозможность заранее

определить, сколько понадобится времени для решения задачи оптимизации.

При описании ГА используются определения, заимствованные из

генетики. Соответствие терминологий приведено в таблице 3.1.

67

Таблица 3.1 – Соответствие генетических терминов и терминов

оптимизационных задач

Термин, заимствованный из генетики Термин генетического алгоритма

Ген 1,..., ,...,i j LA a a a Строка символов 1,..., ,...,j La a a ,

которая кодируется либо в двоичном

формате, либо в формате с плавающей

запятой, где aj – бит

Аллель множество возможных

значений гена

«0» или «1»

Хромосома (особь) Chj – набор

генов , =1,iA i N

Решение промежуточное или конечное

MjPCh j ,1 ,

Здоровье – результат фитнесс

функции для хромосомы

Эффективность решения

Популяция MChChChP ,...,, 21 Пространство поиска решений Р

Оценка – вычисление здоровья у всех

хромосом в популяции

Оценка степени близости всех

решений к желаемому результату

Поколение Итерация

Фитнесс функция F Целевая функция задачи оптимизации

Работа ГА – итеративный процесс, продолжающийся вплоть до

выполнения заданных условий остановки: близость полученных решений к

заданному значению, прекращение роста среднего значения фитнесс функции,

минимальная численность популяции, число итераций и др.

На каждой итерации ГА приспособленность каждой особи данной

популяции оценивается фитнесс функцией, и на этой основе создается следующая

популяция особей, составляющих множество потенциальных решений задачи.

Генетический алгоритм осуществляет поиск хромосомы Ch*, для которой

FChFP

max*)( .

68

Работа ГА прекращается при достижении текущей популяцией состояния

адаптации, которое идентифицируется по стягиванию ядра популяции сначала в

круг, а затем в точку. Алгоритм не гарантирует получение глобального

экстремума (хотя это и возможно), а дает некоторое «хорошее» решение за

приемлемое время [13].

Хотя операции в ГА определены не строго, существует общая схема

работы, по которой создается ГА. Это этапы инициализации, оценки, отбора,

рекомбинации и проверки.

Блок-схема основного ГА приведена на рисунке 3.1.

Рисунок 3.1 Схема классического генетического алгоритма

Начало

Генерация начальной популяции

ChChChPM

00

2

0

1,...,,0

Оценивание приспособленности

хромосом в популяции

Условие выхода?

Селекция

Рекомбинация

Создание новой популяции

Pt+1

Нет Да

Выбор

«наилучшей

хромосомы»

Конец

69

Инициализация – начальный этап, на котором создается (или генерируется

на основе некого существующего решения) начальная популяция.

Оценивание приспособленности – это этап, на котором при помощи

фитнесс функции для каждой хромосомы определяется, насколько хорошо

представленное в ней решение подходит для решения задачи. Как правило,

существует некий порог оценки, достигнув которого алгоритм заканчивается.

Условие выхода зависит от конкретного применения ГА. Если известно

оптимальное значение фитнесс функции, то остановка алгоритма может

произойти после достижения ожидаемого оптимального значения с заданной

точностью. Остановка алгоритма также может произойти, если фитнесс функция

на протяжении нескольких поколений не приводит к улучшению уже

достигнутого значения. Работа ГА может быть остановлена при достижении

определенного времени выполнения или после выполнения заданного

количества итераций. Далее выбирается самая здоровая особь в популяции.

Селекция – на этом этапе из популяции выбирается подмножество

наиболее здоровых хромосом. Выбор можно реализовать различными

средствами, как правило это вероятностный отбор, в котором чем больше

показатель здоровья хромосомы по сравнению с общим здоровьем популяции,

тем больше вероятность ее выбора.

В результате селекции создается родительская популяция численностью

М, равная численности текущей популяции.

Основные виды селекции: пропорциональная, турнирная и усечением.

При пропорциональной селекции вероятность выбора i-й особи

реализуется на основе метафоры «колеса рулетки». Колесо рулетки содержит по

одному сектору для каждой особи популяции, соответственно все колесо рулетки

– это сумма значений фитнесс функции всех особей рассматриваемой

популяции. Каждой особи Ai соответствует сектор колеса v(Ai), выраженной в

процентах. Следовательно, особи с более высокой приспособленностью будут

выбираться с большей вероятностью, чем особи с низкой приспособленностью.

При турнирной селекции из популяции Pj случайным образом

70

выбирается подмножество *j jPP и особь с максимальным значением

фитнесс функции отбирается в следующую популяцию Pj+1. Эта операция

повторяется N раз, в результате чего формируется родительский пул.

В стратегии «отбор усечением» родительский пул формируется в

результате сортировки популяции по возрастанию с последующим

установлением порога отсечения особей с низким значением фитнесс функции.

Рекомбинация – этап, на котором происходит изменение генетического

материала популяции. Отобранные ранее хромосомы перемешиваются друг с

другом, используя генетический оператор скрещивания, а также возникают

случайные новые изменения в генах благодаря оператору мутации.

Вероятность скрещивания рсr, как правило, достаточно велика (обычно

0,5 рсr 1), тогда как вероятность мутации ртt устанавливается малым

(обычно 0 ртt 0,1; 0 рin 0,1). Эти вероятностные значения следует из

аналогии с миром живых организмов. Все эти операторы являются

вероятностными, то есть их параметры – случайные величины.

Схема работы оператора скрещивания приведена на рисунке 3.2.

Рисунок 3.2 Условная схема оператора скрещивания

Особи из родительского пула случайным способом объединяются в пары и

в соответствии с вероятностью рсr для каждой пары разыгрывается позиция гена,

определяющая так называемую точку скрещивания. В схеме на рисунке 3.2 точка

скрещивания находится между третьим и четвертым генами и в результате

срабатывания оператора скрещивания получатся потомки (1, 2, 3, 0, 0) и (0, 0, 0,

4, 5). Это пример одноточечного скрещивания. В практике применения ГА

применяются также различные варианты многоточечного скрещивания.

1 2 3 4 5

0 0 0 0 0

1 2 3 0 0

0 0 0 4 5

71

Оператор мутации применяется после скрещивания к особям популяции.

Оператор одноточечной мутации выбирает случайным образом в соответствии с

вероятностью ртt ген особи и меняет его значение на другое из области

допустимых значений – аллелей. Применяется и многоточечная мутация,

являющаяся композицией нескольких одноточечных мутаций.

Скрещивание и мутация порождают новые особи (решения), которые не

встречались в предыдущих популяциях. Для них следует найти значения

фитнесс функции.

Формирование новой популяции. Полученные в результате рекомбинации

особи отбираются в новую популяцию, которая становится текущей для данной

итерации ГА. Таким образом, предшествующая популяция замещается новой

популяцией потомков, имеющей ту же численность.

Выбор наилучшей хромосомы. Если условие остановки алгоритма

выполнено, то следует вывести результат работы, то есть особь Ch* с

наибольшим значением фитнесс функции (здоровьем) F(Ch*).

При создании ГА одной из основных задач является построение

структуры хромосомы. Каждая хромосома представляет собой набор

переменных, представленных в двоичном виде, которые вместе являются

одним вариантом решения задачи. Если количество различных значении

переменной оказывается меньше, чем количество значении соответствующей

двоичной последовательности (например, переменная должна иметь значения

от 0 до 9, для ее представления в двоичном виде необходимо четыре бита, но

четыре бита могут кодировать 16 различных последовательностей), то после

операции скрещивания и мутации могут возникать гены, которые не входят в

область допустимых значений переменной. Для решения подобной проблемы

необходимо либо проводить проверку хромосом, после чего исправлять

поврежденные участки, либо создавать избыточное отображение значения

переменных на двоичную последовательность, что позволит не иметь

запрещенных значений вовсе.

72

3.2 Генетический алгоритма поиска альтернативных маршрутов

Для построения множества Lij логических каналов (альтернативных

маршрутов), соединяющих источник i и адресат j предлагается собственный

алгоритм, основанный на эволюционной теории, рассмотренной в разд. 3.1.

В работе алгоритма используются следующие типы объектов: маршрут,

поколение и сеть.

Маршрут представляет собой упорядоченный список номеров узлов

сети. Первым в списке идет номер узла, от которого требуется найти маршрут

последним – номер конечного узла.

Поколение представляет собой массив из маршрутов, к каждому из

которых будет применяться рекомбинация – скрещивание и мутация.

Размер поколения М выбран равным 20-ти хромосомам (особям).

Сеть представлена графом, заданного двумя матрицами – первая хранит

задержку передачи данных между узлами, вторая – вероятности потерь

пакетов данных между узлами. Матрица вероятности инициализируется

случайными значениями в диапазоне [01], что отражает динамичные

свойства сети Интернет вещей. В процессе работы алгоритма значения

вероятностей потерь изменяются случайным образом.

Для инициализации начального поколения определяются все

существующие маршруты от источника к адресату, вероятности потерь в которых

меньше пороговой величины Pп.д. Далее к этим маршрутам применяется селекция

для приведения размера популяции к заданному значению М.

Оператор скрещивания работает следующим образом: берутся два

маршрута, в маршруте с меньшей длиной выбирается случайный номер узла с

вероятностью скрещивания pcr этот номера узла и будет точкой скрещивания.

В качестве фитнесс функции выбрано время, которое требуется для

доставки данных от источника адресату.

Селекция выполняется методом рулетки. С каждого поколения

сортировкой выбираются шесть маршрутов с наименьшим прогнозным

73

временем доставки данных. Эти маршруты и есть здоровые хромосомы,

которые будут участвовать в скрещивании без отбора.

Оператор мутации представляет собой операцию удаления случайного

промежуточного узла из маршрута, вероятность мутации pmt выбрана равной 0,05.

На вход алгоритма подается граф, заданный матрицей инцидентности. В

этой матрице хранятся значения времени задержки между двумя узлами сети,

в мс. Время задержки не должно принимать отрицательные значения.

Значения на главной диагонали означают время задержки передачи пакета

данных адресованному самому себе. Эти значения могут быть как нулевыми,

так и другими положительными значениями и на правильность работы

алгоритма не влияет.

Отсутствие связей между узлами задано большим значением времени

задержки на три порядка превышающим остальные. Особи (хромосомы), в

маршруте которых присутствуют данное ребро графа сети не попадут в

начальную популяцию, а в процессе работы алгоритма это ребро не появится

ни у одной особи.

На выходе алгоритма получается найденные альтернативные маршруты

в виде упорядоченного списка номеров узлов.

3.3 Генетический алгоритм самоорганизации размещения СУ

Для самоорганизации СУ в пространстве необходим алгоритм, в

соответствии с которым СУ будут автономно распределяться в пространстве с

целью максимального покрытия территории.

Предполагается, что пространство делится на отдельные фрагменты и

может содержать три сущности: свободное место, препятствие и СУ с неким

радиусом действия R.

Если бы СУ были одинаковые, было бы возможно использовать

известные алгоритмы, такие как задача упаковки шаров. Однако, будем

74

считать, что СУ неоднородны, то есть имеют разный R и функционально

предназначены для мониторинга разной информации. Для ее решения

предложен следующий генетический алгоритм.

Область размещения СУ для упрощения можно представить в виде

плоскости (описание вариации алгоритма для трехмерного пространства и его

отличия описаны позже), на которой существуют препятствия и

установленные СУ. Эту плоскость можно представить математически как

матрицу A, в которой пустое место на плоскости обозначается нулем,

препятствие обозначается единицей, а различные СУ цифрами 2...N+1, где N –

количество различных СУ (рисунок 3.3).

а) б)

Рисунок 3.3

а) плоскость с препятствиями и СУ б) представление плоскости в виде матрицы

Затем матрица разбивается на два множества: множество B из идущих

подряд ячеек, в которых нет препятствий, и вспомогательное множество C,

позволяющее восстановить из B оригинальную матрицу (рисунок 3.4).

Разделение происходит следующим образом: производится обход матрицы A,

при котором для каждой ячейки, не являющейся препятствием, во множество

C записываются подряд два значения индексации ячейки по осям матрицы, а

во множество B записывается числовое значение ячейки (ноль или номер СУ).

Размер множества В обозначим как Ni.

75

iN

B

C

A

20...00

.... 32 25 24 23 22

20002

00000

00301

00001

01111

Рисунок 3.4. Разделение матрицы A на множества B и C

Множество B представляет собой все позиции, где возможно разместить

СУ. Для кодирования индекса СУ в этом множество необходимо потратить Nb

бит, то есть Nb =[log2Ni].

Этот закодированный в виде двоичной строки индекс и будет

представлять собой один ген хромосомы.

Хромосома представляет собой набор из идущих подряд индексов в

битовом коде, описывающих расположение набора СУ во множестве B. Из-за

принципов работы ГА (размер всех хромосом должен быть одинаковым), за один

проход алгоритма может рассматриваться только постоянное количество СУ.

Фитнесс функция F в алгоритме реализована следующим образом:

поскольку решается задача покрытия плоскости, необходимо ее восстановление.

Гены из проверяемой хромосомы записываются как СУ в множество B, затем

восстанавливается матрица A. На основе таблицы характеристик определяются

зоны покрытия датчиков. Затем высчитывается суммарная площадь покрытия

датчиками, и это число и есть оценка фитнесс функции.

Расчет площади покрытия совершается следующим образом. Для

решения, записанного в хромосоме Chi, составляется двумерный булевский

массив покрытия X, равный по размерам плоскости и, следовательно,

имеющий аналогичную индексацию. Далее происходит обход по датчикам:

для каждого датчика в зависимости от радиуса определяются четыре границы

в разные стороны на плоскости (если получившиеся граница заходит за

пределы матрицы, то вместо нее берется крайняя ячейка матрицы). По

полученным границам совершается обход квадратной области. Далее

76

проверяется, удовлетворяет ли ячейка условию при помощи простого

уравнения окружности:

222 )()( Rbyax , (3.1)

где a, b – координаты СУ;

x, y – координаты ячейки обходимой области;

R – радиус действия СУ.

Если ячейка удовлетворяет условию, то в X с аналогичным индексом

записывается true. Таким образом, создаются «круги покрытия» вокруг

датчиков, как показано на рисунке 3.5.

Рисунок 3.5 – Создание массива покрытия для плоскости

Значение фитнесс функции F можно вычислить, просуммировав ячейки

массива X, имеющие покрытие по N

0;1 ,)(0

iii xxChFN

i

. (3.2)

На этапе оценки также добавлен механизм сохранения лучшего

решения. Он заключается в том, что после оценки популяции лучший

кандидат этого поколения сравнивается с запомненным лучшим решением.

77

Если выигрывает это решение, то оно заменяет наихудшую хромосому из

этого поколения, а если выигрывает лучший кандидат, то он становится

новым лучшим решением.

Отбор производится следующим образом: для каждой хромосомы

определяется вероятность pi:

N

ii

ii

ChF

ChFp

0

. (3.3)

Сумма вероятностей pi всех хромосом равняется единице. Затем по этой

вероятности отбираются хромосомы в количестве, равном размеру популяции.

Таким образом, хромосомы, имеющие более высокую оценку pi с большей

вероятностью попадают в отбор для рекомбинирования.

Рекомбинирование в алгоритме реализовано стандартными методами:

между случайно попарно взятыми прошедшими отбор хромосомами

производится одноточечное скрещивание. При этом хромосомы побитно

меняются случайно выбранными участками в соответствии с вероятностью

скрещивания pcr, pcr≥0,5. Затем для каждой хромосомы с вероятностью ртt =0,1

будет проведена мутация: при этом один из генов хромосомы будет

случайным образом изменен.

В связи с тем, что гены в зависимости от входных параметров могут

иметь запрещенные значения, каждый ген в каждой получившейся хромосоме

будет проверен на возможную ошибку. При наличии ошибки в гене, он будет

заменен на случайно взятый ген из другой, здоровой хромосомы.

В предлагаемом ГА условие выхода выполняется при достижении

одного из двух ограничений:

1) Прошло максимальное число итераций. Оптимальным решением

размещения будет считаться лучший кандидат.

2) Полное покрытие выполнено и найденное решение невозможно

78

улучшить.

Таким образом, алгоритм в процессе своей работы будет постепенно

оптимизировать решение, пока в результате не появится какое-то решение,

которое не получается улучшить (рисунок 3.6).

Рисунок 3.6 – Результат работы алгоритма

Этот алгоритм возможно реализовать и для трехмерного пространства.

В этом случае для описания территории будут использованы трехмерные

массивы A и X. Кроме этого, для определения, находится ли ячейка внутри

радиуса действия СУ при создании массива X, используется уравнение сферы:

2222 )()()( Rczbyax , (3.4)

где a, b, с – координаты СУ;

x, y, z – координаты ячейки обходимой области;

R – радиус действия СУ.

Размерность множеств B и C для трехмерного пространства не изменится.

3.4 Применение нейронных сетей в задачах классификации данных,

поступающих от СУ

Решение задачи классификации является самым распространенным

приложением нейронных сетей. В случае большого количества разнородных

79

данных, как в сетях Интернета вещей нейронная сеть может служить таким

средством классификации [51].

3.4.1 Основные элементы нейронной сети и используемая терминология

Составляющими элементами нейронной сети являются [53]:

Нейрон – вычислительная единица, которая получает информацию,

производит над ней простое вычисление и передает дальше. Нейроны делятся

на три основных класса: входные, скрытые и выходные нейроны.

В том, случае, когда нейронная сеть состоит из большого количества

нейронов, то вводят термин – слой. Соответственно есть входной слой,

который получает информацию; nскрытых слоев, которые ее обрабатывают и

выходной слой, который выводит результат работы нейронной сети.

Для входного слоя исходные данные подаются с консоли, для остальных

на вход каждого нейрона подается суммарное значение с выходов нейронов

предыдущего слоя, после чего она нормализуется с помощью функции

активации, назовем f(х) и попадает на выход.

Нейроны оперируют с числами в диапазоне [0, 1] или [-1, 1].

Синапс – связь между двумя нейронами. У синапса есть один параметр –

это вес. Благодаря весу, входная информация изменяется, когда передается от

одного нейрона к другому.

Функция активации – способ нормализации входных данных, то есть

если на входе нейрона будет большое число х, то функция активации f(х)

нормализует его и на выходе будут значения в нужном диапазоне.

Каждая нейронная сеть имеет свою функцию активации. В основном в

нейронных сетях используются три функции активации: линейная,

сигмоидальная, гиперболический тангенс, представленные на рисунке 3.7.

Нейрон смещения – не обязательный элемент нейронной сети, однако

используемый в большинстве нейросетей. Нейроны данного типа имеют две

особенности:

80

1. Вход и выход нейрона всегда равняются 1.

2. Нейрон никогда не имеет входных синапсов.

f(x)=x

-10

10

0-10

1

10

1( )

1 xf x

e

а) б)

0-10

1

10

2

2

1( )

1

x

x

ef x

e

-1

в)

Рисунок 4 Функции активации

а) линейная; b) сигмоидальная; с) гиперболический тангенс

Нейроны смещения могут, либо присутствовать по одному на слое, ли

полностью отсутствовать. Соединения у нейронов смещения такие же, как у

обычных нейронов – со всеми нейронами следующего уровня, за исключением

того, что синапсов между двумя нейронами смещения быть не может.

Расположение нейрона смещения показано на рисунке 3.7.

Красным линиями и кругом показаны связи и нейроны соответственно,

который существовать не может.

81

I1

I2

B1

H1

H2

B2

O1

B3

Рисунок 3.7 – Расположение нейрона смещения

Обозначения: I – входной нейрон; H – скрытый нейрон; O – выходной нейрон; B – нейрон смещения

Нейрон смещения нужен для того, чтобы иметь возможность получать

выходной результат, путем сдвига графика функции активации вправо или

влево. Также нейроны смещения помогают в случае, когда все входные

нейроны получают на вход 0 и независимо от весов передадут 0 на

последующие слои.

Тренировочный сет – последовательность данных, которыми оперирует

нейронная сеть.

Итерация – своеобразный счетчик, который увеличивается после

каждого тренировочного сета, другими словами – общее количество

тренировочных сетов, пройденных нейронной сетью.

Эпоха – параметр, который устанавливается вручную и влияет на

качество обучения нейронной сети. При инициализации нейронной сети эта

величина устанавливается в ноль. Чем больше эпох, тем лучше натренирована

нейронная сеть. Последовательность инкремента эпох и итераций следующая

– сначала n раз увеличивается итерация, а потом эпоха.

Ошибка – это процентная величина, которая отражает расхождение

между ожидаемым и полученным ответами. Ошибка формируется каждую

эпоху и должна снижаться. Если этого не происходит, то это означает, что

процесс обучения неверен.

82

Ошибку можно вычислять разными путями:

а) Средняя квадратичная ошибка:

n

ai

MSE

n

jjj

1

2

, (3.5)

где n – количество эпох;

ij – ожидаемый ответ;

aj – получаемый ответ.

б) корень средней квадратичной ошибки:

n

ai

MSE

n

jjj

1

2

(3.6)

в) арктангенс

n

ai

MSE

n

jjj

1

2arctan

. (3.7)

Архитектура нейронной сети – способ объединения нейронов.

Самая распространенная архитектура – многослойный персептрон.

Характеристики многослойного персептрона:

Нейронная сеть состоит из произвольного количества слоев;

Нейроны каждого слоя соединяются с нейронами предыдущего слоя и

последующего слоев по правилу «каждый с каждым»;

Количество нейронов в слоях может быть любым.

83

Обучение нейронной сети – это процесс настройки весов нейронной

сети, при которых ошибка минимальна.

Современные алгоритмы обучение можно разделить на обучение с

учителем и обучение без учителя [48].

Для реализации первого алгоритма сети предоставляются входные и

выходные значения, соответствующие друг другу; а она по некоторому

алгоритму подберет весовые коэффициенты. Перед началом обучения

синопсические связи инициализируются случайными значениями в заданном

диапазоне. Одна итерация обучения состоит из прямого и обратного прохода.

В первом случае сеть работает в обычном режиме, определяя выходные

значения. Далее с помощью выходных значений, заданных «учителем»,

определяется величина ошибки, которая распространяется уже в обратном

направлении.

Для реализации второго алгоритма сети предъявляются только входные

параметры, а выходные формируются самостоятельно с учетом входных и

производных сигналов. Сеть должна подстраивать весовые коэффициенты

таким образом, чтобы при поступлении на вход близких входных значений

система выдавала одинаковые выходы.

Алгоритм обучения с учителем является менее правдоподобным, и даже

критикуется из-за этого некоторыми учеными, однако он способен лучше

обучить сеть определять требуемые последовательности.

Одним же из наиболее применяемых методов обучения является

алгоритм обратного распространения ошибки. Применяется он только для

полносвязных нейронных сетей. Это сети, в которых каждый нейронов одного

слоя связан со всеми нейронами следующего и предыдущего слоев.

Скорость обучения – гиперпараметр нейронной сети, устанавливающий

пороговое значение при достижении которого нейронная сеть закончит обучение.

От скорости обучения зависит возможность нейронной сети верно

подобрать весовые коэффициенты. Слишком маленькое значение данного

гиперпараметра может привести к тому, что сеть не сможет подобрать

84

подходящие веса. Слишком большое может привести к тому, что сеть перескочит

этот самый идеальный вес и продолжит обучаться с увеличением ошибки.

Момент обучения – коэффициент значения веса матрицы связи на

предыдущей итерации.

3.4.2 Обучение нейронной сети и выбор архитектуры

Обучение или тренировка нейронной сети выполняется на некотором

тестовом множестве «вход-выход», где при известном множестве входных

значений известно множество выходных значений. Такой процесс обучения

называется «обучение с учителем». Очевидно, что чем больше тестовых

примеров для обучения, тем лучше обучена нейронная сеть [2].

Процесс обучения нейронной сети представляет собой итерационный

процесс, при котором на каждой итерации на вход нейронной сети подаются

данные, которые проходя сквозь ее слои, преобразуются в выходные значения.

Целью обучения является настройка весовых коэффициентов нейронной сети,

таким образом, что разница между выходным истинным результатом

тестового множества и реально получаемым результатом была не больше

допустимого значения. Корректировка весов осуществляется постепенно от

итерации к итерации. Допустимое значение определяет качество нейронной

сети и устанавливается заранее перед процессом обучения.

Одним из вариантов корректировки весовых коэффициентов является

дельта-правило.

Дельта-правило определяет ошибку следующим образом

=i-a, (3.8)

где i ожидаемый, т.е. истинный вывод нейронной сети;

a реальный вывод нейронной сети.

85

Помимо нейронов выходного слоя ошибки определяют и для нейронов

скрытых слоев. Дельта правило для скрытых слоев выглядит следующим

образом

wik=kxi, (3.9)

где норма обучения – задается перед началом обучения;

xi значение (уровень) сигнала, приходящий от i-го нейрона к k-му;

k ошибка к k-го нейрона.

Одним из распространенных алгоритмов обучения является обратное

распространение ошибки.

В соответствии с этим алгоритмом существует два потока – входные

сигналы, распространяясь от входа к выходу, образуют прямой поток и в

результате чего получается величина ошибки. Величина ошибки

распространяется в обратном направлении, в результате чего происходит

корректировка весовых коэффициентов связей нейронной сети.

Для нейронной сети, решающей задачу классификации, применяется

метод «обучение с учителем». Данный метод построен на основе наличия двух

выборок одного размера: входных и выходных данных. Пары выборок

поочерёдно предоставляются сети, как бы показывая ей, что если на вход

подаётся одна последовательность, то на выходе должна быть

соответствующая ей.

В качестве же метода обучения будет выбран самый популярный –

метод обратного распространения ошибки, использующий градиентный спуск.

Градиентным спуском называется способ определения локального

минимума и максимума функции при помощи движения вдоль градиента, как

показано на рисунке 3.8.

86

f (w)

ww2w1

1

2

Рисунок 3.8 – Градиентный спуск

Обозначения: w – вес нейрона; – ошибка, соответствующая весу w; f’(w) – градиент

На рисунке 3.9 видно, что глобальным минимумом является точка

(w2,2), следовательно, при весе нейрона равного w2 ошибка на выходе

нейронной сети будет минимальной. Однако градиентный спуск также имеет и

локальные минимумы. Если функция будет иметь слишком маленькую

скорость обучения, то не сможет его преодолеть.

Градиент – вектор, определяющий крутизну склона и указывающий его

направление относительно какой-либо из точек на поверхности или графике.

Для нахождения градиента необходимо взять производную от графика по

данной точке для уменьшения ошибки.

Как было указано ранее, главным методом обучения сети является метод

обратного распространения ошибки. Он получил такое название, потому что

имеет два варианта работы: прямой проход и обратный. Во время прямого

прохода сеть работает в стандартном режиме (от входного слоя к выходному),

а во время обратного прохода отправляет значения ошибки, наоборот (от

выходного к входному).

87

f (w)

ww

f (w)

Без момента Слишком малое

значение момента

w

f (w)

Правильное значение

момента

f (w)

w

Слишком большое

значение момента

Рисунок 3.9 – График градиентного спуска с разным моментом обучения

Выбор архитектуры нейронный сети заключается в подборе

гиперпараметров. Гиперпараметрами являются такие величины, как:

количество нейронов во входном и выходном слоях,

количество скрытых слоев,

количество нейронов в каждом из скрытых слоев,

скорость обучения сети,

момента обучения сети,

количество эпох, в течение которых сеть будет проходить обучение.

Каждый из этих параметров влияет на определенные характеристики,

как обучения, так и работы сети.

Нейронная сеть с большим количеством нейронов в выходном слое

будет способна более точно классифицировать то или иное входное значение,

88

так как у нее будет больший выбор к какому классу отнести полученные на

вход данные [44].

Количество же нейронов во входном слое также влиять на увеличение

вероятности распознавания. Чем больше сеть знает об объекте, тем с больше

вероятностью она сможет его правильно классифицировать.

Количество скрытых слоёв влияет на более точную классификацию

объекта. Здесь можно провести аналогию с работой головного мозга. Чем

дольше человек изучает объект, тем больше областей его головного мозга

задействуются для более точного описания, следовательно, и классификации.

Если переводить на язык обучения нейронной сети, то это будет звучать

следующим образом: чем больше нейронов будет задействовано в момент

классификации, тем больше вероятность верного распознавания.

Однако существуют разумные ограничения. Например, для

классификации объектов на два класса, при наличии трех входов, архитектура

сети из 3-5 скрытых слоев по 7-10 нейронов в каждом будет слишком

громоздкой и долгоработающей.

В зависимости от заданной цели подбирает количество нейронов в

скрытых слоях.

Выбор архитектуры нейронной сети возможен через экспериментальный

подбор параметров.

Выводы по третьей главе

1. Предложен алгоритм формирования альтернативных маршрутов,

основанный на эволюционной теории. Алгоритм учитывает накопленную

статистику о доставке данных между узлами. Если вероятность ниже

заданного порога, то канал не участвует в построении альтернативного

маршрута.

2. Предложен алгоритм самоорганизованного размещения сенсорных

устройств в «тумане», основанный на эволюционной теории.

89

3. Предложено для классификации разнородных и многочисленных

данных, поступающих от СУ на обработку в «облаке» применить технологию

нейронных сетей. Для разработки нейронной сети необходимо выбрать с

помощью эксперимента архитектуру нейронной сети и выполнить обучение

сети на тестовых наборах данных.

90

4 Экспериментальная часть

В данной главе приведены результаты экспериментов на моделях и

алгоритмах, предложенных в работе.

4.1 Анализ результатов моделирования доступа в туманных вычислениях

Постановка имитационного эксперимента: оценить время получения

доступа к центральному узлу для разных режимов в соответствии с

предложенной имитационной моделью доступа в туманных вычислениях,

представленной в разд. 2.1.

Результаты исследования получим в виде:

1) F(J), где F – функция распределения отсчетов времени J начала ответа

СУ на опрос центрального узла.

2) Сравнительной оценки средних и с вероятностью p(0J Jд)=0,999

времени получения доступа СУ для заданного их числа и различных значений

rRND[L, R] и минимальных значений Jд.

3) Зависимости максимального числа N сенсорных устройств от

нагрузки на центральный узел в «тумане».

4) Зависимости среднего времени передачи данных st от нагрузки на

центральный узел в «тумане».

На рисунке 4.1 приведены гистограммы функции распределения

отсчетов времени начала ответа СУ на опрос центрального узла для трех

режимов доступа при одинаковых параметрах: n=10, RND[1,14] и rpak =2

(длина пакета 128 байт, С=100 Кбит/с, T=0,1 мc), количество экспериментов –

1000.

91

а)

б)

в)

Рисунок 4.1 – Функция распределения отсчетов времени начала ответа СУ на

опрос центрального узла

а) режим опроса; б) режим прерываний; в) множественный доступ

92

Получена сравнительная оценка средних и с вероятностью p(0J

Jд)=0,999 времени получения доступа сенсорных устройств для заданного их

числа и различных значений rRND[L, R] и минимальных значений Jд.

Результаты сравнительной оценки для десяти СУ приведены в таблице 4.1.

Период квантования принимался равным 1 мс.

Таблица 4.1 Значения tд для 10 СУ при изменении rрак, RND[L, R], Jд,

rрак RND [L, R] M(J) Jд T, мс tд, мс

Среднее С вероятностью

p(0j jд)=0,999

Режим «опроса»

16 [1,8] 298 352 0.082 24.53 28.96

32 [1,8] 532 640 0.045 23.95 28.81

64 [1,14] 778 896 0.022 17.94 19.93

128 [1,22] 1320 1576 0.011 14.53 17.07

256 [1,26] 2489 2928 0.005 12.79 14.50

Режим прерываний

16 [1,8] 216 288 0.073 18.24 22.16

32 [1,8] 405 509 0.037 16.84 19.31

64 [1,14] 703 842 0.018 12.71 15.20

128 [1,22] 1301 1556 0.009 11.74 14.05

256 [1,26] 2478 2903 0.004 10.01 11.69

Множественный доступ

16 [1,8] 197 257 0.062 12.32 16.06

32 [1,8] 349 449 0.031 10.84 14.03

64 [1,14] 669 819 0.016 10.45 12.80

128 [1,22] 1291 1540 0.008 10.09 11.87

256 [1,26] 2475 2883 0.004 9.67 11.26

93

Отмечено уменьшение времени доступа с ростом rрак при всех режимах

доступа. Это объясняется увеличением точности вычисления времени доступа

СУ, поскольку период квантования непрерывного времени Т с ростом rрак

уменьшается и, следовательно, «вес» точки отсчета в суммарном подсчете

точек отсчета уменьшается. С другой стороны, с увеличением rрак время

моделирования резко возрастает. Поэтому для выбора числа точек отсчета,

необходимых для считывания данных, целесообразно воспользоваться

следующей процедурой:

определить среднее время доступа с вероятностью p(0j jидм)=0,999,

пусть при множественном доступе оно получилось равным 14.5;

найти в последней колонке таблицы 2.1 число ближайшее к 14.5,

таким числом является 14.03;

в качестве r принять значение, которое находится на пересечении стоки с

числом 14.03 и колонки rpak, в данном случае получаем для rpak =32, r RND[1, 8].

С увеличением количества СУ, взаимодействующих с сервером, среднее

время передачи увеличивается. Таким образом, исходя из требований ко

времени передачи, модель позволяет определить максимально возможное

количество СУ, подключенных к серверу. На рисунке 4.2 приведена

зависимость максимального числа СУ от нагрузки . Сравнительные

результаты показывают преимущество множественного доступа при

организации взаимодействия СУ с сервером при низких и средних нагрузках.

Таким образом, при планировании организации кластерной структуры сети

IoT модель позволяет выбрать оптимальный режим взаимодействия при

планируемой нагрузке в кластере.

На рисунке 4.3 приведены результаты зависимости среднего времени

передачи данных st от нагрузки при n=10 для разных режимов

взаимодействия СУ и сервера (интенсивность при этом менялась от 0,1 до

100 пакетов/с).

94

Рисунок 4.2 Зависимость N от

Рисунок 4.3 Зависимость st от

Анализ результатов говорит в пользу режима множественного доступа

при нагрузках, уже начиная с >0,1. При этом необходимо учитывать, что

высокая нагрузка предполагает, что сенсорные устройства все время будут

находиться в активном состоянии для получения доступа к серверу, поскольку

в режиме множественного доступа возрастает вероятность возникновения

коллизий. Возникновение коллизий требует своего разрешения, и

95

многократные попытки СУ получить доступ к серверу для передачи данных

«вынуждает» сенсорные устройства находиться в активном состоянии.

Условия высокой нагрузки имеют мало отношения к реальности, т.к. природа

СУ такова, что необходимо чередовать «спящий» режим и режим активности

для сохранения остаточной энергии и срока жизни СУ.

С другой стороны, при малых нагрузках <0,1, что больше

соответствует реальным условиям, режимы отличаются по характеристике

времени незначительно. Тем не менее, в таких условиях режим опроса может

быть предпочтительнее, поскольку все действия выполняет сервер, а СУ могут

не выходить из «спящего» режима при отсутствии данных для передачи и

сохранять остаточную энергию.

Также, представляет интерес результат сравнения режимом опроса и

прерываний: при <0,2 время передачи данных меньше при организации

взаимодействия сенсорных устройств с сервером в режиме прерываний и

наоборот с увеличением взаимодействие в режиме опроса становится

предпочтительнее.

4.2 Эксперимент на модели установления информационного

взаимодействия

Постановка имитационного эксперимента: построим зависимости

абсолютных и вероятностных характеристик установления соединения, такие как

вероятность установления информационного взаимодействия Pу.в и времени

установления соединения у.вt от

количества потерянных каналов с;

количества потерянных сенсорных устройств N;

количества попыток nп.

Эксперимент проведен на сети с топологией mesh, приведенной на

рисунке 4.4. Матрица L задает расстояния между соседними СУ, через

96

которые может быть установлен канал передачи данных

0 52 78 73 65 68 61 45

52 0 70 85 _ _ 114 89

78 70 0 129 _ _ 12 _

73 85 129 0 120 146 _ _

65 _ _ 120 0 52 _ _

68 _ _ 146 52 0 _ 121

61 114 12 _ _ _ 0 145

45 89 _ _ _ 121 145 0

L

1 2

3

4

5

6

78

Рисунок 4.4 Топология mesh-сети

Заданы следующие параметры, характеризующие СУ и каналы связи:

пропускная способность всех каналов связи – 9600 бод;

скорость прохождения i-го физического канала в прямом и обратном

направлениях одинаковы, то есть кit = о i

t

время переключения на другой маршрут tп 10-2 мс;

допустимое время на установление соединения tдоп можно варьировать в

зависимости от требований и рекомендаций к доставке трафика Интернета вещей.

Собранные в результате моделирования статистики позволяют

построить важные вероятностно-временные зависимости, характеризующие

информационное взаимодействие сети.

На рисунке 4.5 приведена зависимость вероятности установления

соединения от допустимого времени на доставку вызова при фиксированных

nп и с. При смене значений c и nп характер графика не изменяется. Назначение

этих зависимостей найти необходимые параметры, обеспечивающие

гарантированное время установления соединения, например, если в

окрестности восьми СУ будет потеряно три канала и одна попытка построить

другой логический канал, то для обеспечения 100% установления

информационного взаимодействия необходимо время не менее 5 мс (рисунок

97

4.5, а), а при тех же условия и при наличии трех попыток, то необходимо

время не менее 4 мс.

а) б)

Рисунок 4.5 –Зависимость Pу.в от tдоп

а) при nп=1 и с=3 б) nп=3 и с=3

Зависимости вероятности установления соединения от числа

потерянных каналов и потерянных СУ приведены на рисунке 4.6,а и 4.6,б

соответственно, результаты получены при nп=3. Очевидно, что вероятность

установления соединения снижается с увеличением количества потерянных

каналов и СУ. Графики позволяют найти максимально возможное количество

потерянных каналов и СУ, при которых гарантируется установление

информационного взаимодействия за допустимое время.

а) б)

Рисунок 4.6 –Зависимость Pу.в от количества потерянных элементов сети nп=3

Pу.в

tдоп

Pу.в

tдоп

с

P

у.в

Pу.в

с

P

у.в

Pу.

в

N

98

На рисунке 4.7 приведены зависимости Pу.в (а) и у.вt (б) от количества

попыток nп. Назначение графиков на рисунке 4.7 определить количество

необходимых попыток при известном количестве потерянных элементов сети.

а) б)

Рисунок 4.7 Вероятностно-временные зависимости от nп

а) при с=4 б) при с=3

Рисунок 4.8 – Зависимость Pу.в от с

Поскольку в модели можно менять допустимое время tдоп, и по

результатам эксперимента рекомендовать его значение при соблюдении

требуемой Pу.в, то соответственно можно оценить условную вероятность

(вероятность установления взаимодействия при условии, что время доставки

nп

Pу.в

nп

с P

у.в

99

меньше допустимого). Графики на рисунке 4.8 показывают зависимость

вероятности и условной вероятности установления соединения от числа

потерянных каналов.

4.3 Оценка работоспособности алгоритмов самоорганизации

Работоспособность предложенных алгоритмов самоорганизации,

основанных на генетическом алгоритме, проверим с помощью эксперимента,

при котором сравнение выполним с алгоритмом полного перебора.

Значение фитнесс функции решений, найденных генетическим

алгоритмом, зависит от числа итераций.

В задаче поиска альтернативных маршрутов сети в качестве значения

фитнесс функции выступает время, которое требуется для прохождения

маршрута [22]. Оптимальные маршруты должны иметь меньшее время

прохождения, и если алгоритм работает правильно оно должно уменьшаться

от поколения к поколению. График зависимости времени лучшего маршрута

от номера поколения изображён на рисунке 4.9.

Рисунок 4.9 – График зависимости времени лучшего решения от номера

поколения

100

Для оценки скорости работы алгоритма был реализован полный перебор

маршрутов. Сравнение скорости работы генетического алгоритма и полного

перебора для сетей с различным числом узлов изображено на рисунке 4.10.

Рисунок 4.10 – Сравнение скорости работы алгоритмов

С увеличением количества узлов эффективность ГА в сравнении с

полным перебором будет еще существеннее.

Предложенный генетический алгоритм размещения СУ для плоскости

был реализован на языке С++. В данной реализации существует класс Grid,

описывающий территорию, и класс ГА, который осуществляет работу

алгоритма. Для всех операций, требующих значение равновероятной

случайной величины, был использованы включенные в стандарт С++11

инструменты – классы uniform_int_distributionи uniform_real_distribution,

значения для которых генерируются датчиком случайных положительных

чисел mt19937 (алгоритм Вихрь Мерсенна).

Класс Grid поддерживает различные размеры плоскости и позволяет

установить препятствия, а также некий начальный вариант расстановки СУ.

На вход ГА подаются следующие параметры:

существующий Grid;

набор СУ, включающий номера СУ и их количество;

101

таблица соответствий СУ и их радиусов действии в виде map<int,int>;

размер популяции М;

вероятность скрещивания pcr;

вероятность мутации хромосомы pmt ;

максимальное число итераций до остановки алгоритма.

Для визуализации результата реализован графический интерфейс на базе

открытой библиотеки wxWidgets. Программа разработана в среде разработки

Сode::Blocks с использованием плагина wxSmith для написания графического

интерфейса. В визуализации отмечаются радиусы действия R всех СУ, что

позволяет визуально оценить качество решения.

Для эксперимента были выбраны следующие параметры:

плоскость размером 100x100 ячеек с расставленными произвольно

препятствиями;

7 датчиков с радиусом действия 15 м;

3 датчика радиусом действия 30 м;

размер популяции 12;

вероятность мутации 0,1;

максимальное количество итерации 100000.

В итоге было найдено решение, занимающее 98% плоскости, показанное

на рисунке 4.11.

102

Рисунок 4.11 – Реализованная визуализация решения на плоскости

Подобные эксперименты проводились для различных препятствий и

разного количества разнородных СУ. Результат работы алгоритма размещения

(покрытия заданной площади) близок к 100%, худшее решение для 100

различных экспериментов составило 97,4% площади.

4.4 Эксперимент по решению задачи классификации данных от СУ

Для проведения эксперимента по классификации данных от СУ был

разработан макет системы Интернета вещей, данные с которых явились

тренировочным сетом для обучения нейронной сети.

103

4.4.1 Описание макета системы Интернета вещей для проведения

эксперимента по решению задачи классификации

Для реализации экспериментов по классификации данных был

разработан следующий макет системы Интернета вещей: цепь из сенсорного,

агрегирующего и центрального устройства.

СУ представляет собой прибор передачи, к которому подключен набор

датчиков. Для реализации макета использовалась платформа Genuino 101 и

программное обеспечение Arduino IDE. Общая схема и фотография

реализованного СУ приведены на рисунках 4.12, 4.13 соответственно [24].

Рисунок 4.12 Общая схема реализованного сенсорного устройства

104

Рисунок 4.13 Фотография реализованного СУ

Агрегирующее устройство (шлюз/маршрутизатор) обеспечивает связь

между узлами системы: связь между СУ и шлюзом осуществляется по технологии

Bluetooth, связь между маршрутизатором и сервером – по беспроводной сети Wi-

Fi. Соответственно маршрутизатор/шлюз должен поддерживать обе технологии.

Для макета была использована платформа Intel Edison [58]. На рисунке 4.14

приведена фотография реализованного агрегирующего устройства.

Рисунок 4.14 Фотография реализованного агрегирующего устройства

105

Центральное устройство (сервер) обрабатывает данные со всех узлов

системы. Оно представляет из себя программное обеспечение на компьютере.

Центральное устройство получает данные через беспроводную сеть, и

предоставляет доступ к веб интерфейсу – имитации «облачных вычислений».

Сервер реализован на программной платформе Node.js [77].

На рисунке 4.15 приведена схема макета системы Интернета вещей, на

которой проводились эксперименты по классификации данных от СУ.

Для набора датчиков использованы распространенные полупроводниковые

датчики серии MQ производства Winsen Electronics Technology Co Ltd: MQ-3, MQ-

5 и MQ-7. Датчик MQ-3 реагирует на пары спирта, что позволяет детектировать

такие угрозы как, например, утечка бензола на предприятии (бензол – крайне

опасное летучее вещество, сильный канцероген и при больших концентрациях в

воздухе взрывоопасен; широко используется в промышленности). Датчик MQ-5

реагирует на природный газ (бутан, метан, пропан). Датчик MQ-7 реагирует на

монооксид углерода (угарный газ) и водород, что позволяет обнаруживать

возгорания на ранней стадии.

Центральное

устройство

ШлюзСУ

Веб-интерфейс

- устройство передачи - датчики

Рисунок 4.15 – Схема макета системы Интернета вещей

Данные с датчиков собираются в виде аналоговых данных –

концентрации веществ.

106

Датчик с некоторым промежутком времени фиксирует значение,

передавая его на аналогово-цифровой преобразователь (АЦП). Сигнал с АЦП

отправляется на сервер, который решает задачу классификации.

Измерение вещества происходит при помощи изменения выходного

напряжения сенсора, которое измеряется как разность между текущем

значением и нормальным уровнем. Далее сигнал, преобразованный с

помощью АЦП, подаётся на цифровой блок, который регистрирует все

поступившие значения и формирует их в исследуемый вектор.

Входами нейронной сети будут датчики запахов.

Длина выходной последовательности равна количеству запахов, которые

должна распознавать сеть, плюс один вектор, который мы получим, если запах

не определён.

Функция активации сигмоидальная. Ее математическая формула

выражается следующим образом:

xexf

α1

1)(

, (4.1)

У сигмоидальной функции есть ряд достоинств, относительно иных

функций активации:

• варьируем угол наклона функции благодаря изменяемому параметру α;

• выходное значение лежит в диапазоне [0,1];

• простая производная:

)),(1)((α)( xfxfxf (4.2)

• дифференцируется на всей оси абсцисс, что благотворно влияет на

обучение;

• усиливает малые сигналы больше, чем большие, что помогает

107

избежать насыщения.

Предварительный этап обучение будет состоять из предъявления на

входе нейронной сети стандартов запахов, которые должна различать сеть.

Эти стандарты во время обучения представляют исследуемые

последовательности.

Следующим этапом является тестирование. Он позволяет определить

качество обучения сети.

При разработке собственной конфигурации сети подбор количества

слоёв и количества нейронов в них выполняется экспериментальным путем.

Задав структуру сети, требуется подобрать величину синапсических связей.

Эта проблема решается путём обучения сети. Качество обучения будет

зависеть от качества подбора весовых коэффициентов, а они в свою очередь

будут зависеть от параметров обучения, таких как количество итераций

обучения (эпох), качество подбора тренировочных сетов, время обучения,

уровня доверия сети, скорости обучения.

4.4.2 Эксперимент по подбору архитектуры нейронной сети

Для того чтобы подобрать архитектуру нейронной сети было принято

провести ряд экспериментов. А именно, обучить нейронную сеть на

различных гиперпараметрах.

По результатам экспериментов, которые подробно описаны ниже, была

построена нейронная сеть с архитектурой, которая приведена рисунке 4.16.

Согласно результатам экспериментов, нейронная сеть с такой архитектурой

показала наименьшую среднеквадратичную ошибку из других возможных.

108

.

.

. .

.

.

1,9iI 1,12i

H 1,4i

O

w1

w2

wn

.

.

.

1

n

i

i

f w

0-10

1

10

Рисунок 4.16 – Архитектура нейронной сети

Сеть состоит из 9 нейронов во входном слое, одного скрытого слоя,

включающего в себя 12 нейронов, 4 нейрона в выходном слое. В качестве

функции активации была выбрана сигмоидальная, так как сеть работает с

числа в диапазоне от 0 до 1. Вход нейрона представляет собой сумматор всех

входных весов, умноженных на значения, соответственно связанных с ними,

нейронов предыдущего слоя. После суммирования берётся функция активации

от веса нейрона. Полученное значение отправляется на следующие нейроны.

Пример значений, подаваемых на входы нейронной сети приведен в

таблице 4.1.

Таблица 4.1 – Пример входа нейронной сети

Название запаха Вход нейронной сети

Метан (CH4) 0,934567318

Угарный газ (СО) 0,592465487

Хлор (Cl2) 0,213243545

Неизвестный 0

109

Первым экспериментом было принято решение подобрать значения

скорости и момент обучения нейронной сети. Для этого были проведены

эксперименты, в которых участвовали сети со всеми комбинациями

следующих гиперпараметров:

• Количество нейронов во входном слое: {3, 5, 7, 9};

• Количество нейронов в выходном слое: {2,3,4};

• Количество скрытых слоёв: 1;

• Количество нейронов в скрытом слое: {4,6,8,10,12,14};

• Скорости обучения: {10-5, 10-4, 10-3, 0.01, 0.05, 0.1, 0.15, 0.5, 0.75};

• Моменты обучения:{10-7, 10-6,10-5, 10-4, 10-3, 0.01, 0.05, 0.1, 0.15, 0.5,

0.75};

• Количество эпох: 100 000;

• Нейроны смещения присутствуют.

На рисунке 4.17 приведен график тенденции изменения MSE от момента

обучения.

Рисунок 4.17 – Диаграмма зависимости среднего значения

среднеквадратичной ошибки от момента обучения

На графике рисунка 4.17 видно, что наименьшее конечное MSE

получается, когда момент обучения становится равным 0.75, однако разница

110

между конечным и минимальным MSE гораздо выше, чем у момента обучения

равного 0.5. Это может свидетельствовать тому, что во время обучения на

моменте обучения 0.75 функция попала в локальный минимум, из которого

выбраться так и не смогла. Наилучшим результатом здесь будет значение 0.5.

Оно же будет являться коэффициентом значения корректировки весов на

предыдущей итерации.

На рисунке 4.18 приведена диаграмма зависимости среднего значения

MSE от скорости обучения.

На диаграмме рисунка 4.18 видно, что при значении скорости обучения

равном 10-5, сеть имеет наибольшее значение MSE и наибольшую разницу

между средним и конечным значением MSE. Это может свидетельствовать о

том, что за заданное количество эпох сеть не успела обучиться.

В диапазоне скорости обучения от 0.5 до 0.75 видно, что нейронная сеть

дошла до одного из локального минимума, однако не смогла обучиться, так

как из-за высокой скорости не смогла подобрать подходящие веса.

Рисунок 4.18 – Диаграмма зависимости MSE от скорости обучения

Результаты эксперимента показали, что наилучшим выбором для

скорости обучения являются значения 0,001 – 0,05.

По окончанию первого эксперимента были выбраны значения скорости

и момента обучения для второго эксперимента.

111

Скорость обучения = 0,001;

Момент обучения = 0,5.

Целью второго эксперимента было подобрать такие гиперпараметры, как

количество скрытых слоев, количество нейронов в скрытых и входных слоях.

На рисунке 4.19 приведена диаграмма зависимости среднего значения

MSE от количества скрытых слоев, из которой видно, что в среднем конечная

MSE оказалась ниже, чем у нейронов с большим количеством слоев, однако

разница между минимальным и конечным достаточно велика, чтобы сказать,

что сеть близка к обучению. А при сравнении графиков двух и трех скрытых

слоев видно, что разница приблизительно одинакова, что свидетельствует о

том, что данная архитектура меньше подвержена попаданиям в локальные

минимумы. Лучшим вариантом в конкретном эксперименте будет сеть с тремя

скрытыми слоями.

Рисунок 4.19 – Диаграмма зависимости среднего значения MSE от количества

скрытых слоев

Диаграмма, приведенная на рисунке 4.20, показывает зависимости

среднего значения MSE от размера входного слоя из которой можно

определить, какое число нейронов во входном слое следует выбрать, чтобы

112

сеть смогла обучиться лучше. Результаты говорят о том, что MSE не сильно

зависит от количества нейронов во входном слое, однако, чем их больше, тем

по большему числу признаком сеть будет способна распознать объект.

Рисунок 4.20 – Диаграмма зависимости MSE от размера входного слоя

На рисунке 4.21 приведена диаграмма зависимости среднего значения

MSE от количества нейронов в первом скрытом слое, из нее видно, что конечное

значение MSE на всех экспериментах было приблизительно равным. В таком

случае следует обратить внимание на минимальное значение MSE. Следует

определить максимальное значение из всех минимальных значений MSE. Оно

будет максимальным в эксперименте с шестью нейронами и с четырнадцатью

нейронами. Следовательно, по результатам второго эксперимента, следует

выбирать между шестью и четырнадцатью.

113

Рисунок 4.21 – Диаграмма зависимости среднего значения MSE от

количества нейронов в первом скрытом слое

На рисунках 4.22 и 4.23 приведены диаграммы зависимости среднего

значения MSE от количества нейронов во втором скрытом слое и зависимости

среднего значения MSE от количества нейронов в третьем скрытом слое

соответственно.

На диаграмме рисунка 4.22 видно, что конечное MSE приблизительно

равно во всех экспериментах, кроме эксперимента с одним скрытым слоем.

Как и в случае с первым скрытым слоем выбираем по максимальному

значению минимального MSE. В данном эксперименте это 10 и 14 нейронов.

114

Рисунок 4.22 – Диаграмма зависимости среднего значения MSE от

количества нейронов во втором скрытом слое

Рисунок 4.23 – Диаграмма зависимости среднего значения MSE от

количества нейронов в третьем скрытом слое

На диаграмме рисунка 4.23 конечные MSE приблизительно равны, а вот

максимальное значение из минимальных имеет сеть с четырнадцатью

нейронами в третье скрытом слое.

115

4.4.3 Тестирование нейронной сети

Алгоритм обучения предлагается следующий:

1. Веса связей инициализируются случайными значениями в заданном

заранее диапазоне.

2. Веса и тренировочные сеты подаются на вход нейронной сети.

3. Нейронная сеть работает на протяжении одной итерации в режиме

прямого прохода. Получается некая выходная последовательность.

4. Подсчитывается дельта выходного слоя:

выхδ i a f x , (8)

где i –целевые значения выходного слоя;

a – реально полученные значения выходного слоя;

f x – производная функции активации.

5. Подсчитывает дельта всех скрытых слоёв:

скр

1

δ δn

i i

i

f x w

, (9)

где wi – исходящий вес связи;

i – дельта слоя, связанного при помощи первого параметра.

6. Аналог производной функции сигмоида:

1f x i i . (10)

7. Градиент:

11δ

j

j jjif

, (11)

где j+1 – дельта слоя, для которого веса связи, для которых считается

градиент, являются входными;

116

ij – значения слоя для которого веса связи, для которых считает градиент,

являются выходными.

8. Корректировка веса:

1αi w iw Ef w , (12)

где E – скорость обучения;

fw – градиент веса w;

– момент обучения;

wi-1 – значение, на которое изменился вес на предыдущей итерации.

9. Обновление веса:

1i i iw w w . (13)

10. Повторять шаги со второго по девятый, пока сеть не достигнет

определённой величины ошибки или пока не пройдёт все итерации цикла.

Тестирование нейронной сети происходит на тестовых сетах. Тестовые

сеты представляют собой специально подготовленные последовательности,

отображающие значение на входе нейронной сети при немного уменьшенной

концентрации вещества.

В таблице 4.2 приведены значения тренировочных сетов, которые

использовались при обучении нейронной сети.

Таблица 4.2 – Тестовые выборки нейронной сети

Вещество Концентрация Тестовые

сеты

Тренировочные

сеты

MSE,%

Метан 0,98 0,953576739 0,934567318 0,0176

Метан 0,95 0,925571325 0,934567318 0,4249

Метан 0,91 0,944998448 0,934567318 0,4718

117

Угарный газ 0,98 0,613585345 0,592465487 0,3408

Угарный газ 0,95 0,590015396 0,592465487 0,4966

Угарный газ 0,91 0,601478379 0,592465487 0,2504

Хлор 0,98 0,221434676 0,213243545 0,0161

Хлор 0,95 0,204423444 0,213243545 0,4831

Хлор 0,91 0,210278622 0,213243545 0,4845

Неизвестный 0,02 0,024312478 0,024312478 0,0094

Из таблицы 4.2 можно сделать вывод, что при подаче на вход вещества

из базы знаний, но с концентрацией меньшей на 2-9%, то на сеть будут

подаваться входные значения близкие по величине с тренировочными сетами.

Значение среднеквадратичной ошибки не будет превышать одного процента.

Программа для моделирования работы нейронной сети и подбора её

архитектуры была написана на языке java без использования специальных

библиотек.

Выводы по четвертой главе

1. Выполнен анализ результатов моделирования доступа в туманных

вычислениях, который показал возможность выбора эффективного метода

доступа при планируемой нагрузке как по количеству подключаемых СУ, так

и по времени получения доступа.

2. Проведен эксперимент на модели установления информационного

взаимодействия между источником и адресатом в сети Интернета вещей,

который показал, что возможно решение как прямой задачи моделирования –

определение времени установления соединения, так и обратной – подбор

параметров для обеспечения допустимого времени установления соединения

при соблюдении вероятности гарантированной доставки вызова.

118

3. Предложен генетический алгоритм поиска альтернативных

маршрутов и показано его преимущество в сравнении с алгоритмом полного

перебора по показателю скорости работы.

4. Предложен генетический алгоритм решения задачи размещения,

который доведен до программной реализации. Эксперименты, которые

проводились для различных препятствий и разного количества СУ показали

результаты близкие к 100% покрытию задаваемой площади, худшее решение

для 100 различных экспериментов составило 97,4% площади.

5. Предложен алгоритм обучения нейронной сети, максимальная ошибка

обучения составила 0,5%.

6. Выполнен эксперимент по выбору архитектуры нейронной сети под

известное (заданное) количество классифицируемых объектов.

119

Заключение

В рамках диссертационного исследования получено решение важной

научно-технической задачи разработки моделей и алгоритмов информационного

взаимодействия в сетях Интернета вещей.

Основные новые результаты работы:

1. Имитационная модель информационного взаимодействия, основанная на

мультиагентном подходе, которая построена с учетом фундаментальных

характеристик технологии Интернета вещей.

2. Комплекс математических моделей включающий:

модели доступа в «туманных вычислениях» с разрешением коллизий

источников данных, реализующие соответственно режимы: опроса, прерываний и

множественного доступа;

вероятностную модель установления информационного взаимодействия в

сети Интернете вещей с топологией mesh, позволяющей оценить абсолютные и

вероятностные характеристики информационного взаимодействия;

модель оценки времени передачи данных с применением аппарата ПЛС,

первый центральный момент которого позволяет определить среднее время

передачи данных по установленному информационному взаимодействию, а

вероятностный смысл выполнить оценку вероятности доставки данных.

3. Вероятностные алгоритмы структурной организации Интернета вещей

реализующие:

формирование альтернативных маршрутов;

самоорганизованное размещение СУ в «тумане»;

классификацию разнородных и многочисленных данных, поступающих от

СУ на обработку в «облаке».

4.Зависимости вероятностно-временных характеристик, которые могут

быть полезны при выборе параметров Интернета вещей на ранних этапах

проектирования.

120

Литература

1. Алиев Т.И. Основы моделирования дискретных систем. – СПб:

СПбГУ ИТМО, 2009. – 363 с.

2. Алпайдин, Э. Машинное обучение: новый искусственный интеллект

- М.: Альпина Паблишер: Точка, 2017. - 208 с.

3. Боев В. Д. Компьютерное моделирование: Пособие для практических

занятий, курсового и дипломного проектирования в AnyLogic7. СПб.: ВАС,

2014.

4. Бхуптани, М. Ш. Морадпур ID-технологии на службе вашего бизнеса.

– М.: Альпина Паблишер, 2007 – 290 с.

5. Варгаузин В.А. Радиосети для сбора данных от сенсоров, мониторинга

и управления на основе стандарта IEEE 802.15.4//ТелеМультиМедиа№6, 2005

6. Варгаузин В.А. Сетевая технология ZigBee// ТелеМультиМедиа,

декабрь, 2005. С. 29-32.

7. Вейцман К. Распределенные системы мини- и микро-ЭВМ. – М.:

Финансы и статистика, 1983.

8. Вишневский В. В., Портной С. Л., Шахнович И. В. Энциклопедия Wi-

Max. Путь к 4G. М.: Техносфера, 2009. 471.

9. В. Вишневский, Д. Лаконцев, А. Сафонов, С. Шпилев Mesh-сети

стандарта IEEE 802.11s – технологи и реализация // Первая миля. – 2008 – №2-

3. – С. 26-31

10. Восков Л.С. Пилипенко Н.А. Web вещей – новый этап развития

интернета вещей// Качество. Инновации. Образование. – 2013 – № 2 – С. 44-49.

11. Галинина О.С., Пяттаев А.В., Андреев С.Д., Тюрликов А.М. Анализ

кооперации M2M устройств в сотовых сетях связи// В мире научных

открытий. 2013. С. 271-296.

12. Гиббс, М. Интернет вещей – не только для «умных»// Сети/network

world. – 2013 – №3.

121

13. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические

алгоритмы: учеб. пособие для вузов. – М.: Физматлит, 2006.

14. Гольдштейн Б.С., Кучерявый А.Е. Сети связи пост-NGN. СПб.:

БХВ-Петербург, 2014.

15. Гольдштейн Б.С., Соколов Н.А., Яновский Г.Г. Сети связи: учебник

для вузов. СПб.: БХВ-Петербург, 2011

16. Джхунян, В.Л. Электронная идентификация. Бесконтактные

идентификаторы и смарт карты/ В.Л. Джхунян, В.Ф. Шаньгин. – М.:

«Издательство АСТ»: Издательство «НТ Пресс», 2004.

17. Елизаров М.А. Архитектура сетей сетецентрического управления//

Вестник Санкт-Петербургского государственного экономического

университета. 2014, №8. С. 91-94.

18. Елизаров М.А. Имитационная модель виртуального канала/Т.М.

Татарникова, М.А. Елизаров//Научно-технический вестник информационных

технологий, механики и оптики. 2016, Т.16. №6. С. 1120-1127.

19. Елизаров М.А. Процедура разрешения коллизий в RFID-системе /

Татарникова, М.А. Елизаров //Известия высших учебных заведений.

Приборостроение. 2017. Т. 60. № 2. С. 150-157.

20. Елизаров М.А. Модель оценки временных характеристик при

взаимодействии в сети интернета вещей/ Татарникова, М.А. Елизаров//

Информационно-управляющие системы. 2017. № 2 (87). С. 44-50.

21. Елизаров М.А. Применение сетецентрического принципа управления

в области экономики и промышленности// XIII Пушкаревские чтения. Россия

сквозь века: История, экономика, право, образование, культура. 2013. С.18-

20

22. Елизаров М.А. Применение алгоритма А* для моделирования поиска

маршрута сети// Имитационное моделирование социотехнических систем.

2013. С.18-20

23. Елизаров М.А. Применение и проблемы развития современных

122

вычислительных систем// Экономика и управление в современном обществе.

2013. С.33-37

24. Елизаров М.А. Проблемы импортозамещения микропроцессорной

электроники// Проблемы развития современного общества: экономические,

правовые и социальные аспекты. 2014. С.33-37

25. Елизаров М.А. Перспективы и проблемы развития рынка интернета

вещей// Nauka-Rastudent. 2015. № 12

26. Елизаров М.А. Алгоритмы и технологии решения типовых проблем в

интернете вещей// Nauka-Rastudent. 2016. № 6.

27. Елисеев С.Н. Беспроводные сети передачи данных: учеб. пособие для

вузов. М.: САЙНС-ПРЕСС, 2008.

28. Интернет вещей и межмашинные коммуникации. Обзор ситуации в

России и мире // Мобильные телекоммуникации. – 2013 – №7. – С. 26-28.

29. Карпов Ю.Г. Имитационное моделирование систем. Введение в

моделирование с AnyLogic 5. СПб.: БХВ-Петербург, 2005. 403 с.

30. Клейнрок Л. Вычислительные системы с очередями. – М.:

Машиностроение, 1979.

31. Кнеллер В.Ю - "Приборное облако" – концепция функционирования

сенсорных систем на основе интернет-технологии // Датчики и системы №8,

2010 (66-69).

32. Колбанёв М.О., Пойманова Е.Д., Татарникова Т.М. Физические ресурсы

информационного процесса сохранения данных//Известия высших учебных

заведений. Приборостроение. Т. 57. № 9. 2014. С.38-42.

33. Кортьюэм, Г., А. Бандара, Н. Смит, М. Ричардс, М. Петре Обучение

поколения Интернета вещей // Открытые системы. СУБД. – 2013 – №4. – С.

23-28.

34. Круз, Л. Сотовые телефоны станут датчиками? // Мобильные

телекоммуникации. – 2013 – №4-5. – С. 36-38.

123

35. Кутузов, О. И. Моделирование систем и сетей телекоммуникаций:

учеб. пособие/О. И. Кутузов, Т. М. Татарникова. СПб.: РГГМУ, 2012.

36. Кутузов О. И., Татарникова Т. М. Инфокоммуникационные сети.

Моделирование и оценка вероятностно-временных характеристик. СПб.:

ГУАП, 2015.

37. Кутузов, О. И. Коммутаторы в корпоративных сетях.

Моделирование и расчет/О. И. Кутузов, В. Г. Сергеев, Т. М. Татарникова.

СПб.: Судостроение, 2003.

38. Кучерявый А.Е., Прокопьев А.В., Кучерявый Е.А.

Самоорганизующиеся сети. СПб.: Изд-во «Любавич», 2011.

39. Лычкина Н.Н. Инновационные парадигмы имитационного

моделирования и их применение в сфере управленческого консалтинга,

логистики и стратегического менеджмента // Логистика и управление цепями

поставок. 2013. №5(58). С. 28–41.

40. Найдич А. «Третья платформа» платформа трансформации ИТ/

Портал compress.ru [Электронный ресурс]. Режим доступа:

http://compress.ru/article.aspx?id=24166 (дата обращения:15.03.2016).

41. Олифер В. Г., Олифер Н. А. Компьютерные сети. Принципы,

технологии, протоколы. 4-е изд. СПб.: Питер, 2010.

42. Осипов И. Е. Mesh-сети: технологии, приложения, оборудование//

Технологии и средства связи. 2006. № 4. С. 38–45.

43. Поляк Ю.Г. Вероятностное моделирование на ЭВМ. М.: Советское

радио, 1971. 400 с.

44. Рассел С., Норвиг П. Искусственный интеллект. Современный

подход. М.: Вильямс, 2006.

45. Риз Джордж Облачные вычисления. СПб: БХВ-Петербург, 2011.

46. Росляков А. В. Сети следующего поколения NGN. М: Эко-Трендз,

2009.

124

47. Росляков А. В., Ваняшин С. В., Гребешков А. Ю., Самсонов М. Ю.

Интернет Вещей. Самара: ПГУТИ, 2014.

48. Рутковская Д., Пилиньский М., Л. Рутковский Л. Нейронные сети,

генетические алгоритмы и нечеткие системы. М.: Горячая линия – Телеком,

2013.

49. Рыжиков Ю.И. Имитационное моделирование. Теория и технология.

СПб: КОРОНА принт, 2015.

50. Скороходов А.Д. Исследование и разработка методов

взаимодействия в интернете вещей. Магистерская диссертация. МИЭМ НИУ

«ВШЭ», 2013

51. Советов Б. Я., Цехановский В.В., Чертовской В.Д. Интеллектуальные

системы и технологии. М.: Академия, 2013. 318 с.

52. Советов Б. Я., Яковлев С.А. Моделирование систем. М.: Юрайт,

2015. 343 с.

53. Тархов Д.А. Нейросетевые модели и алгоритмы. Справочник. – М.:

Радиотехника, 2014.

54. Татарникова Т. М. Структурный синтез центра сопряжения

корпоративных сетей // Информационно-управляющие системы. 2015.

№ 3(76). С. 92-98.

55. Тихвинский В.О., Терентьев С.В. Сети мобильной связи LTE

технологии и архитектура. М.: Изд-во «Эко-Трендз», 2010.

56. Тюрликов, А. М. Методы случайного множественного доступа. СПб:

ГУАП, 2014. – 299 с.

57. Финкенцеллер, К. Справочник по RFID. – М.: Издательский дом

«Додэка-XXI», 2008.

58. Черняк Л. Платформа Интернета-вещей // Открытые системы. СУБД.

– 2012.- №7. – С.44-45.

59. Шахнович И.В. Современные технологии беспроводной связи. – М.:

Техносфера, 2006.

125

60. Akyildiz I.F. Key Wireless Networking Technologies in the Next Decade.

NEW2AN 2006, St. Petersburg, Russia, June 2006. Keynote Speech.

61. Andreev, S. Energy-efficient client relay scheme for machine-to-machine

communication / S. Andreev, O. Galinina, and Y. Koucheryavy // In Global

Telecommunications Conference (GLOBECOM 2011), 2011 IEEE, PP. 1-5. IEEE,

2011.

62. Asharioun H. Lifetime Comparison on Location Base Routing in Wireless

Sensor Networks / H. Asharioun, H. Asadollahi, A.S. Ismail, S. Ramadass //

International Journal of Information and Education Technology. – April 2012. –

Vol. 2, №2.

63. Atzor, L. The Internet of Things: a survey / L. Atzor, A. Iera, & G.

Morabito // Computer Networks, 54 (15), 2787–2805, 2010.

64. Attarzadeh N. A New Threeе Dimensional Clustering Method for

Wireless Sensor Networks / N. Attarzadeh, M. Mehrani // Global Journal of

Computer Science and Technology. V.11, issue 6, version 1.0, April 2011.

65. Benmansour T., Moussaoui S. GMAC: Group Mobility Adaptive

Clustering Scheme for Mobile Wireless Sensor Networks. International Symposium

on Programming and Systems (ISPS). Proceedings, Algiers, Algeria, 25-27 April,

2011.

66. Bonomi F. Fog computing and its role in the internet of things //

Proceedings of the first edition of the MCC workshop on Mobile cloud computing,

2012. С. 13–16.

67. Chambers L. Practical Handbook of Genetic Algorithms. Complex

Coding Systems. Volumes I. II, III. CRC Press, 1999.

68. Dohler, M. Machine-to-Machine: An Emerging Communication

Paradigm/ M. Dohler, J. Alonso, and T. Watteyne // Globecom, 2010.

69. ETSI TS 102 689. V.1.1.1. Machine – to - Machine Communications

(M2M); M2M Service Requirements. August, 2010.

70. Hersent O., Boswarthick D., Elloumi O. The Internet of Things: Key

Applications and Protocols. Willey, 2012.

126

71. Hla Yin M. Fault Management Using Cluster-Based Protocol in Wireless

Sensor Networks / Yin M. Hla, Z. Win // International Journal of Future Computer

and Communication vol. 2, 2014, no. 6, pp. 36-39.

72. IEEE Std 802.11-2007, Revision of IEEE Std 802.11-1999. IEEE

Standard for Information Technology-Telecommunications and information

exchange between systems Local and metropolitan area network – Specific

requirements Part 11: Wireless LAN Medium Access Control (MAC) and Physical

Layer (PHY) specifications. IEEE Computer Society, June 2007.

73. Kellmereit Daniel The Silent Intelligence: The Internet of Things.

Publisher: DND Ventures LLC, 2013.

74. Markovich N. M., Krieger U. R. Statistical Analysis and Modeling of

Peer-to-Peer Multimedia Traffic // Lecture Notes in Computer Science. 2011. Vol.

5233. P. 70–97.

75. May M. Design of a Wireless Sensor Node Platform / M. May //

University of Waikato. – 2012.

76. Recommendation Y.2060. Overview of Internet of Things. ITU-T,

February 2012, Geneva.

77. Recommendation Y.2069. Framework of the WEB of Things. ITU-T, July

2012, Geneva.

78. Stankovic J.A. Realistic applications for wireless sensor networks / J.A.

Stankovic, A.D. Wood, T. He // Theoretical Comput. Sci. (2011) 835–863.

79. Tanenbaum A., Wetherall D. Computer Networks. 5th ed. — Prentice

Hall, 2010. 960 p.

80. Tharini C., Ranjan V. An Energy Efficient Spatial Correlation Base Data

Gathering Algorithm for Wireless Sensor Networks. International Journal of

Distributed and Parallel Systems (IJDPS), v.2, №3, May, 2011.

81. Vinel, A. A simple analytical model for the periodic broadcasting in

vehicular ad-hoc networks / A. Vinel, V. Vishnevsky, and Y. Koucheryavy // in

GLOBECOM Workshops, 2008 IEEE, 30 2008-Dec. 4 2008, PP. 1–5.

82. ZigBee Cluster Library Specification, October 19, 2007, www.zigbee.org.

127