面向物聯(lián)網(wǎng)應用的壓縮感知異常數(shù)據(jù)聚合機制研究

杜 楚，杜新新，刁 金

(1.中國電子科技集團公司第五十四研究所,河北 石家莊 050081；2.中國地質(zhì)大學(北京)信息工程學院，北京 100083)

0 引言

近年來，物聯(lián)網(wǎng)(Internet of Things，IoT)已經(jīng)被廣泛應用到不同的領(lǐng)域(如智能交通系統(tǒng)中的車流量監(jiān)控)[1-2]，通過連續(xù)地收集邊緣端的感知數(shù)據(jù)，對環(huán)境進行實時監(jiān)控和異常檢測[3]。然而，由于物聯(lián)網(wǎng)節(jié)點能量受限，為了檢測一個異常是否發(fā)生和異常的嚴重程度，云服務器通常不需要一個精確的感知數(shù)據(jù)，感知數(shù)據(jù)所屬的區(qū)間足以滿足應用的需求。只有當一個異常已經(jīng)發(fā)生后，才需要將精確的感知數(shù)據(jù)發(fā)送給云服務器，確定異常的詳細信息。如何實現(xiàn)節(jié)能數(shù)據(jù)聚集來支持工業(yè)物聯(lián)網(wǎng)的異常檢測受到了學術(shù)界和工業(yè)界的廣泛關(guān)注。

現(xiàn)有的感知數(shù)據(jù)聚集技術(shù)通常不能兼顧數(shù)據(jù)傳輸?shù)臅r延和能耗。例如，壓縮感知算法通過利用感知數(shù)據(jù)的時空相關(guān)性來減少被傳輸?shù)臄?shù)據(jù)量[4]。壓縮感知算法會受到底層路由方法的影響，并且路由方法通常包括基于樹的路由方法[5]和基于簇的路由方法[6]等。本文通過采用基于簇的壓縮感知算法來聚集密集部署的網(wǎng)絡中的二進制類別數(shù)據(jù)[7]。數(shù)據(jù)預測技術(shù)通過利用預測值代替真實值，減少網(wǎng)絡中感知數(shù)據(jù)的傳輸[8]。由于數(shù)據(jù)預測模型的精度會影響路由到云服務器感知數(shù)據(jù)的數(shù)量，因此選擇一個合適的數(shù)據(jù)預測模型至關(guān)重要。這些策略在確定的條件下能夠獲得非常好的性能，例如，感知數(shù)據(jù)的變化趨勢非常簡單等等。但是，這些方法并不適用于本文的場景。

因此，在密集部署的網(wǎng)絡中，為了對工業(yè)環(huán)境進行實時監(jiān)控和異常檢測，以節(jié)能的方式連續(xù)地收集感知數(shù)據(jù)是一個非常有挑戰(zhàn)性的任務。為了解決這個挑戰(zhàn)，根據(jù)異常檢測的特點和數(shù)據(jù)的時空相關(guān)性，提出了一個基于壓縮感知的節(jié)能數(shù)據(jù)收集策略，通過利用云邊端的協(xié)作實現(xiàn)節(jié)能的感知數(shù)據(jù)收集來支持工業(yè)物聯(lián)網(wǎng)異常檢測，在保證服務質(zhì)量的同時減少網(wǎng)絡能耗。

1 相關(guān)工作

目前，針對節(jié)能數(shù)據(jù)收集的研究主要包括基于數(shù)據(jù)壓縮的節(jié)能數(shù)據(jù)收集算法、基于數(shù)據(jù)預測的節(jié)能數(shù)據(jù)收集方法、基于睡眠喚醒的節(jié)能數(shù)據(jù)收集算法和基于移動傳感器路徑規(guī)劃的節(jié)能數(shù)據(jù)收集算法。

基于數(shù)據(jù)壓縮的節(jié)能數(shù)據(jù)聚集研究通過利用數(shù)據(jù)的相關(guān)性和數(shù)據(jù)壓縮技術(shù)，去除冗余數(shù)據(jù)，得到壓縮后的數(shù)據(jù)，在保證數(shù)據(jù)恢復精度的同時，減少數(shù)據(jù)量[9-11]。傳統(tǒng)的壓縮算法包括香農(nóng)-范諾編碼[12]、哈夫曼編碼法[13]、預測編碼[14]、基于線性擬合的壓縮算法[15]和主成分分析算法[16]等，這些算法具有壓縮過程復雜、解壓過程簡單的特點，使其在資源受限的邊緣設(shè)備上節(jié)能效果并非最優(yōu)。壓縮感知算法具有壓縮過程簡單、解壓過程復雜的特點，使其非常適用于資源受限的邊緣設(shè)備。

基于數(shù)據(jù)預測的節(jié)能數(shù)據(jù)聚集機制通過利用數(shù)據(jù)變化的特點，對下一時刻的數(shù)據(jù)進行預測[17]。因此，物聯(lián)網(wǎng)設(shè)備不需要連續(xù)地感知和收集環(huán)境信息，可以減少網(wǎng)絡中的數(shù)據(jù)傳輸。在文獻[8]中，一個簡單的線性函數(shù)(DBP算法)同時部署在云端和物聯(lián)網(wǎng)節(jié)點，用于預測感知數(shù)據(jù)，只有當預測值不滿足確定應用需求時，才將傳感器節(jié)點的感知數(shù)據(jù)和模型參數(shù)上傳到云服務器，用于和云上的數(shù)據(jù)同步。當數(shù)據(jù)的變化趨勢很簡單并且可預測時，該策略能夠極大地減少網(wǎng)絡傳輸?shù)臄?shù)據(jù)量和網(wǎng)絡能耗。然而，一旦數(shù)據(jù)變化比較劇烈，該策略的性能會急劇降低。

對于不同的物聯(lián)網(wǎng)設(shè)備，同一時隙的感知數(shù)據(jù)具有空間相關(guān)性，導致網(wǎng)絡中存在大量冗余數(shù)據(jù)。因此，通過利用數(shù)據(jù)的空間相關(guān)性，利用近鄰節(jié)點的數(shù)據(jù)估計其他節(jié)點的感知數(shù)據(jù)，能夠在一定程度上減少感知數(shù)據(jù)的傳輸。一些學者提出睡眠/喚醒調(diào)度策略[18]，使部分傳感器節(jié)點處于睡眠狀態(tài)，通過最小化空閑監(jiān)聽時間和減小傳感器節(jié)點狀態(tài)轉(zhuǎn)換次數(shù)，極大地降低網(wǎng)絡的能耗。但這類方法存在網(wǎng)絡熱點問題，使一些物聯(lián)網(wǎng)設(shè)備過早死亡，導致網(wǎng)絡癱瘓，對網(wǎng)絡生命周期造成一定的影響?；谝苿訁R點的數(shù)據(jù)聚集算法[19]利用系統(tǒng)外部的移動設(shè)備能夠成功解決該問題。移動設(shè)備的成本高、能耗大，對低成本的應用并不適用。另外，移動設(shè)備的移動速度過慢會導致時延增加甚至數(shù)據(jù)包的丟失。

綜上所述，這些方法在特定的場景下節(jié)能效果十分顯著，但是并不適用于本文的場景。因此，迫切需要提出一個節(jié)能數(shù)據(jù)收集算法來支持本文的應用。

2 網(wǎng)絡和能量模型

本節(jié)介紹物聯(lián)網(wǎng)節(jié)點、物聯(lián)網(wǎng)以及物聯(lián)網(wǎng)節(jié)點分布偏度的具體定義，并給出了本文算法運行網(wǎng)絡的具體構(gòu)建過程和能量模型。

2.1 網(wǎng)絡模型

定義1 物聯(lián)網(wǎng)節(jié)點(IoT node)。一個物聯(lián)網(wǎng)節(jié)點是一個元組IoTnd= (id,loc,type,cr,engy,sv)，其中，id是物聯(lián)網(wǎng)節(jié)點的唯一標識；loc是物聯(lián)網(wǎng)節(jié)點的地理位置，包括經(jīng)度和緯度；type是物聯(lián)網(wǎng)節(jié)點的類型，可能是智能終端，也可能是邊緣服務器；cr是物聯(lián)網(wǎng)節(jié)點的通信半徑，對于不同類別的物聯(lián)網(wǎng)節(jié)點通信半徑都相同；engy是在當前時隙物聯(lián)網(wǎng)節(jié)點的剩余能量，邊緣服務器的初始能量比智能終端的初始能量更高；sv是物聯(lián)網(wǎng)節(jié)點的感知數(shù)據(jù)。

一個物聯(lián)網(wǎng)包括邊緣網(wǎng)絡和一個云服務器。云服務器負責管理邊緣網(wǎng)絡。在邊緣網(wǎng)絡中，根據(jù)資源數(shù)量的不同，將物聯(lián)網(wǎng)節(jié)點分為智能終端和邊緣服務器。邊緣服務器比智能終端擁有更多的資源并且負責管理其所在邊緣網(wǎng)絡中的智能終端。

定義2 物聯(lián)網(wǎng)(IoT network)。一個物聯(lián)網(wǎng)是一個有向圖，由一個元組表示IoT_net= (ND,LK)，其中ND包括一個云服務器和一些物聯(lián)網(wǎng)節(jié)點(包括邊緣服務器和智能終端)；LK是ND中物聯(lián)網(wǎng)節(jié)點之間連線的集合。只有當2個節(jié)點之間的距離在通信半徑內(nèi)，這2個節(jié)點之間才會有連線。

定義3 偏度(Skewness Degree)。 一個偏度表示物聯(lián)網(wǎng)節(jié)點分布的不均勻情況，網(wǎng)絡偏度的計算公式sd=(dn-sn)÷(dn+sn)，式中，dn和sn分別指在密集區(qū)域和稀疏區(qū)域物聯(lián)網(wǎng)節(jié)點的數(shù)量。偏度0%意味著物聯(lián)網(wǎng)節(jié)點均勻且隨機地部署在物聯(lián)網(wǎng)區(qū)域。

在物聯(lián)網(wǎng)中，網(wǎng)絡結(jié)構(gòu)通常包括基于樹的網(wǎng)絡結(jié)構(gòu)和基于簇的網(wǎng)絡結(jié)構(gòu)等。本文中的物聯(lián)網(wǎng)節(jié)點密集部署在物聯(lián)網(wǎng)中。一個基于簇的網(wǎng)絡結(jié)構(gòu)作為本文的網(wǎng)絡模型，該模型的建立過程如下：

① 物聯(lián)網(wǎng)部署：物聯(lián)網(wǎng)節(jié)點部署在二維矩形區(qū)域內(nèi)，它可能不均勻地部署在物聯(lián)網(wǎng)區(qū)域并且足夠密集，以協(xié)作的方式來監(jiān)控網(wǎng)絡環(huán)境。無論物聯(lián)網(wǎng)節(jié)點是否均勻地部署在網(wǎng)絡中，構(gòu)建網(wǎng)絡模型的過程都是相似的。本文以在網(wǎng)絡中均勻地部署物聯(lián)網(wǎng)節(jié)點為例介紹網(wǎng)絡的構(gòu)建過程。首先，均勻且隨機地在L×L的正方形區(qū)域內(nèi)部署N個物聯(lián)網(wǎng)節(jié)點，并且為每個物聯(lián)網(wǎng)節(jié)點分配一個唯一的標識符id用于區(qū)分它們。

2.2 能量模型

到目前為止，已經(jīng)提出了一些能量模型用于計算物聯(lián)網(wǎng)中數(shù)據(jù)包傳輸?shù)哪芎?。其中最頻繁使用的一個能量模型是一階無線電模型[20]。在本文中，通過利用該模型，計算網(wǎng)絡中數(shù)據(jù)包傳輸所消耗的能量。該模型的參數(shù)如表1所示。

表1 能量模型中的參數(shù)Tab.1 Parameters in the energy model

ETx(k,d)和ERx(k,d)分別表示傳輸一個k比特的數(shù)據(jù)包到距離為d的物聯(lián)網(wǎng)節(jié)點和從距離為d的物聯(lián)網(wǎng)節(jié)點接收一個k比特的數(shù)據(jù)包，即：

ETx(k,d)=ETx-elec(k)+ETx-amp(k,d)=

Eelec×k+εamp×k×dn，

(1)

ERx(k,d)=ERx-elec(k)=Eelec×k。

(2)

因此，從物聯(lián)網(wǎng)節(jié)點i傳輸一個數(shù)據(jù)包到物聯(lián)網(wǎng)節(jié)點j所需要的總能耗為：

Eij(k,d)=ETx(k,d)+ERx(k,d)。

(3)

需要注意的是，傳輸一個數(shù)據(jù)包到物聯(lián)網(wǎng)節(jié)點所消耗的能量不同于傳輸一個數(shù)據(jù)包到云服務器。通常假設(shè)云服務器擁有的能量是不受限的，因此，云服務器接收數(shù)據(jù)包所消耗的能量可以忽略不計。計算Eij(k,d)：

(4)

式中，n為傳輸衰減索引的值，該值由周圍的環(huán)境所決定。如果物聯(lián)網(wǎng)節(jié)點在網(wǎng)絡中轉(zhuǎn)發(fā)數(shù)據(jù)包的過程中沒有障礙，將參數(shù)n設(shè)置為2；否則，將參數(shù)n設(shè)置為3～5的一個值。不失一般性，本文假設(shè)網(wǎng)絡部署在無障礙的區(qū)域內(nèi)，因此，將n設(shè)置為2。

3 數(shù)據(jù)壓縮和預測

在物聯(lián)網(wǎng)環(huán)境中，考慮到感知數(shù)據(jù)是有時空相關(guān)性的。在云端通過利用一個精確的時空數(shù)據(jù)預測模型預測邊緣端物聯(lián)網(wǎng)節(jié)點的感知數(shù)據(jù)，并且在物聯(lián)網(wǎng)節(jié)點根據(jù)數(shù)據(jù)的統(tǒng)計特征和時間相關(guān)性，將感知數(shù)據(jù)分類和稀疏化編碼，然后發(fā)送到邊緣服務器。在邊緣服務器，利用壓縮感知算法將類別數(shù)據(jù)壓縮后，通過最短路徑發(fā)送給云服務器，作為異常檢測的評判標準。下面將詳細介紹物聯(lián)網(wǎng)節(jié)點、邊緣服務器和云服務器上的執(zhí)行操作和異常感知數(shù)據(jù)路由的過程。

3.1 感知數(shù)據(jù)分類和表示

在物聯(lián)網(wǎng)中，物聯(lián)網(wǎng)節(jié)點實時感知環(huán)境信息以獲得數(shù)據(jù)，這些感知數(shù)據(jù)構(gòu)建了一個時間序列數(shù)據(jù)。當前時刻的感知數(shù)據(jù)與前一些時刻的感知數(shù)據(jù)有很強的相關(guān)性，并且差值可能非常小甚至可能是相等的。按照一定的區(qū)間間隔將其劃分到不同的區(qū)間之后，相鄰時隙的感知數(shù)據(jù)很可能屬于相同的區(qū)間，其類別值可能是一致的。通常情況下在工業(yè)應用中，感知數(shù)據(jù)的類別值的比特數(shù)遠小于感知數(shù)據(jù)的比特數(shù)，并且根據(jù)實際應用的需求，自適應地調(diào)整二進制編碼的長度比，用8 bit的固定長度的二進制編碼表示感知數(shù)據(jù)的類別，會使用更少的比特數(shù)。基于以上分析，通過以下策略將感知數(shù)據(jù)編碼為稀疏的二進制類別數(shù)據(jù)。

首先，根據(jù)數(shù)值區(qū)間將感知數(shù)據(jù)劃分到相應的類別中。利用歷史數(shù)據(jù)的統(tǒng)計特征，將感知數(shù)據(jù)的類別進行稀疏化編碼。假設(shè)根據(jù)實際應用需求，需要按照(0，100)，(100，200)，(200，300)，(300，400)，(400，500)和(500，+∞)，這6個數(shù)據(jù)區(qū)間將感知數(shù)據(jù)進行類別劃分。由于區(qū)間的個數(shù)是6，感知數(shù)據(jù)的類別所對應的二進制編碼為000，001，010，100，011，101，110和111。通過統(tǒng)計歷史時隙的感知數(shù)據(jù)，這6個數(shù)據(jù)區(qū)間的頻數(shù)分別為1 000 000，100 000，10 000，1 000，100和10?；跀?shù)據(jù)區(qū)間所對應的二進制編碼和歷史數(shù)據(jù)所屬區(qū)間的頻數(shù)，感知數(shù)據(jù)的區(qū)間和稀疏的二進制類別數(shù)據(jù)一一映射，將感知數(shù)據(jù)進行類別劃分并實現(xiàn)對類別數(shù)據(jù)的稀疏化編碼。例如區(qū)間(0,100)的二進制類別編碼為001，區(qū)間(100,200)的二進制編碼為010，具體的區(qū)間和類別編碼之間的映射關(guān)系如表2所示。

表2 數(shù)據(jù)區(qū)間和二進制類別數(shù)據(jù)之間的映射表Tab.2 Mapping table between data interval and binary category data

針對確定的應用場景，該過程只需要經(jīng)過簡單的判斷即可將感知數(shù)據(jù)編碼為二進制類別編碼，因此，該代碼能夠在資源受限的智能終端完成。

3.2 感知數(shù)據(jù)壓縮

感知數(shù)據(jù)的類別數(shù)據(jù)被稀疏化編碼完成后，網(wǎng)絡中會存在很多稀疏的二進制類別數(shù)據(jù)，促使基于簇的壓縮感知算法在類別數(shù)據(jù)聚集過程中的應用。基于簇的物聯(lián)網(wǎng)如圖1所示，圖1中黑點代表智能終端，藍色的塔代表邊緣服務器，藍色的云代表一個云服務器，CS代表利用壓縮感知算法壓縮類別數(shù)據(jù)。

首先，根據(jù)物聯(lián)網(wǎng)節(jié)點所在的位置，將網(wǎng)絡區(qū)域劃分為多個簇。在每個簇中，邊緣服務器收集智能設(shè)備的稀疏二進制類別數(shù)據(jù)，然后利用壓縮感知算法壓縮類別數(shù)據(jù)生成CS測量值，并通過最短路徑將其發(fā)送到云服務器，云服務器利用基追蹤算法(BP)將其解壓后得到所有類別數(shù)據(jù)。

假設(shè)在物聯(lián)網(wǎng)區(qū)域內(nèi)部署N個物聯(lián)網(wǎng)節(jié)點，編號1～N，并且這些物聯(lián)網(wǎng)節(jié)點的感知數(shù)據(jù)的類別可以用向量x表示，即x=[x1,x2,…,xi,…,xn]，其中xi代表第i個物聯(lián)網(wǎng)節(jié)點的類別數(shù)據(jù)，且它的長度是d。例如，如果xi是001，那么d的值是3。如果在x中非0元素個數(shù)是k，那么數(shù)據(jù)x是k稀疏的(如果xi是001，那么k的值是1)。因此，在已知物聯(lián)網(wǎng)節(jié)點的個數(shù)N、類別數(shù)據(jù)的長度d以及類別數(shù)據(jù)的稀疏度k的前提下，可以計算最小的測量數(shù)Mmin：

(5)

式中，a，b，c，d是常數(shù)。根據(jù)M(M≥Mmin)和N(代表數(shù)據(jù)x的長度)的值，利用隨機數(shù)生成器，在每一列中隨機生成一系列確定個數(shù)的非零元素，從而構(gòu)成一個M行N列的稀疏二進制矩陣，作為測量矩陣Φ(Φ∈RM×N(K

在已知向量y和矩陣Φ的情況下，精確地重構(gòu)稀疏的類別數(shù)據(jù)x的過程能夠轉(zhuǎn)換成如下所示的l1-norm最小化問題：

(6)

在已知測量矩陣和類別數(shù)據(jù)的情況下，利用矩陣乘法即可得到壓縮后的CS測量值。該過程只需要乘法和加法計算，因此數(shù)據(jù)壓縮過程非常簡單，可以在邊緣服務器上快速完成。

3.3 感知數(shù)據(jù)預測

在云服務器上，部署一個精確的時空數(shù)據(jù)預測模型，預測未來時隙的感知數(shù)據(jù)。以智能交通系統(tǒng)為例，不同傳感器所測量不同時隙的車流量數(shù)據(jù)之間具有動態(tài)的時空相關(guān)性。為了學習歷史車流量數(shù)據(jù)中的時間和空間特征，基于Attention的時空圖卷積神經(jīng)網(wǎng)絡模型(ASTGCN)被提出來[7]。它能夠同時考慮數(shù)據(jù)的時空相關(guān)性、數(shù)據(jù)在時間維度上的周期性和趨勢性，從而更精確地預測未來時隙的車流量。如圖2所示，ASTGCN模型主要包括3個獨立的組件，分別抽取近期、日周期和周周期的數(shù)據(jù)特征。每個組件包括6個主要部分：①Tattention，一個時間attention機制，有效地獲取車流量數(shù)據(jù)的動態(tài)的時間相關(guān)性；②Sattention，一個空間attention機制，有效地獲取車流量數(shù)據(jù)的動態(tài)的空間相關(guān)性；③GCN，一個圖卷積網(wǎng)絡，有效地獲取圖結(jié)構(gòu)數(shù)據(jù)的空間特征；④Tconv，一個時間維度的卷積網(wǎng)絡，獲取相鄰時隙的數(shù)據(jù)的時間依賴；⑤Rconv，一個殘差卷積網(wǎng)絡，優(yōu)化模型的訓練效率；⑥FC，一個標準全連接網(wǎng)絡，保證模型的輸出維度與預測目標的維度一致。

圖2 ASTGCN框架Fig.2 The framework of ASTGCN

圖2中Dhour代表最近時隙訓練數(shù)據(jù)，Dday代表日周期的訓練數(shù)據(jù)，Dweek代表周周期的訓練數(shù)據(jù)，D12代表接下來12個時隙的預測值，Tattention代表時間attention，Sattention代表空間attention，GCN代表圖卷積網(wǎng)絡，Tconv代表時間卷積，Rconv代表殘差卷積，F(xiàn)C代表標準的全連接。假設(shè)當前的時隙是T0，預測窗口的大小是Tp，網(wǎng)絡中所有節(jié)點在過去τ時間片內(nèi)的歷史數(shù)據(jù)為X，將臨近于預測時隙的車流量數(shù)據(jù)Th作為最近時隙組件的輸入，即Dhour；將前一天同一時間段內(nèi)的車流量數(shù)據(jù)Td作為天組件的輸入，即Dday；將上一周同一天同一時間段內(nèi)的車流量數(shù)據(jù)Tw作為周組件的輸入，即Dweek。需要注意的是，Dhour，Dday和Dweek這3個輸入的長度是Tp的整數(shù)倍(本文中Dhour是Tp長度的3倍，Dday和Dweek長度是Tp長度的1倍)。通過利用這3個組件分別從輸入數(shù)據(jù)中抽取數(shù)據(jù)的最近、天周期以及周周期特征，將這些特征傳輸給全連接層，全連接層基于歷史數(shù)據(jù)中學到的權(quán)重融合這些特征，得到預測值D12。

3.4 異常感知數(shù)據(jù)路由

感知數(shù)據(jù)同步算法1如下所示。

算法1:感知數(shù)據(jù)同步輸入:d(i)0:第i個物聯(lián)網(wǎng)節(jié)點在當前時隙的感知數(shù)據(jù)輸出:在不降低應用的服務質(zhì)量的前提下對邊緣網(wǎng)絡進行實時監(jiān)控和異常檢測。算法流程:1:for allndi∈all_nodedo2: L(ndi)0←value2label(d(ndi)0)3: upload(L(ndi)0,eni)4:end for5:for all eni∈edge_nodedo6: ki←cal_sparse(eni.L0)7: Mi←a*ki*logd*Niki+b +c8: ifMi

對于每個物聯(lián)網(wǎng)節(jié)點，當前時隙的感知數(shù)據(jù)被采樣后，通過3.1節(jié)介紹的數(shù)據(jù)分類和編碼方法將感知數(shù)據(jù)編碼為二進制類別數(shù)據(jù)，然后通過路由樹將其路由到相應的邊緣服務器(行1～4)。在每個邊緣網(wǎng)絡中，邊緣服務器利用3.2節(jié)介紹的壓縮感知算法將類別數(shù)據(jù)壓縮后通過最短路徑上傳到云服務器。為了保證壓縮感知算法的有效性，根據(jù)數(shù)據(jù)的稀疏度來決定是否壓縮類別數(shù)據(jù)。如果數(shù)據(jù)的稀疏度滿足一個確定的條件(行6～8)，將數(shù)據(jù)壓縮后上傳到云服務器；否則，直接通過路由樹將類別數(shù)據(jù)上傳到云服務器(行5～15)。

在云服務器，通過利用預訓練的ASTGCN模型，基于歷史數(shù)據(jù)預測當前時隙的感知數(shù)據(jù)。為了檢測預測值的類別是否與真實值所屬的類別一致，以智能設(shè)備和邊緣服務器相互協(xié)作的方式將類別數(shù)據(jù)上傳到云服務器，云服務器將其作為判斷預測值準確性的標準。具體步驟如下：

(1) 按照與邊緣端IoT節(jié)點相同的編碼策略，將預測值映射為類別數(shù)據(jù)(行16～19)；

(2) 預測值的類別與邊緣端上傳的類別的對比：

① 如果預測值的類別與邊緣端上傳的類別相等，用預測值更新歷史數(shù)據(jù)；

② 如果預測值的類別與邊緣端上傳的類別不相等，預測值不能被用來代替真實值。同時，云服務器通知相應的物聯(lián)網(wǎng)節(jié)點上傳該時隙的感知數(shù)據(jù)，并利用真實值更新歷史數(shù)據(jù)(行20～25)。

3.5 能量計算

通過2.2節(jié)的能量模型計算網(wǎng)絡中數(shù)據(jù)傳輸?shù)哪芰肯?。網(wǎng)絡的能耗主要用于以下3個過程(包括數(shù)據(jù)傳輸和接收)：

① 智能設(shè)備發(fā)送kbit的數(shù)據(jù)包給邊緣服務器并且邊緣服務器接收kbit的數(shù)據(jù)包。

② 邊緣服務器發(fā)送kbit的數(shù)據(jù)包給一跳物聯(lián)網(wǎng)節(jié)點并且一跳的物聯(lián)網(wǎng)節(jié)點接收kbit的數(shù)據(jù)包。

③ 物聯(lián)網(wǎng)節(jié)點發(fā)送kbit的數(shù)據(jù)包給云服務器，但是云服務器接收該數(shù)據(jù)包的能量消耗可以忽略不計。

4 結(jié)果評估

實驗在筆記本電腦中進行配置，采用Intel(R) Core(TM) i7-7700 CPU 2.80 GHz，16 GB內(nèi)存，64位Windows操作系統(tǒng)，Python編寫實驗。

4.1 數(shù)據(jù)集

加利福尼亞的高速公路數(shù)據(jù)集PeMSD4由加州運輸性能測量系統(tǒng)(PeMS)收集，該網(wǎng)絡中有307個物聯(lián)網(wǎng)節(jié)點。為了收集在2018年1—2月期間該高速公路上的車流量數(shù)據(jù)，每個物聯(lián)網(wǎng)節(jié)點每隔5 min采樣一次感知數(shù)據(jù)。最后，在307個物聯(lián)網(wǎng)節(jié)點中，每個物聯(lián)網(wǎng)設(shè)備都有16 992個感知數(shù)據(jù)。

4.2 實驗設(shè)置

一個物聯(lián)網(wǎng)中有307個物聯(lián)網(wǎng)節(jié)點和一個云服務器，設(shè)備分布在100 m×100 m的區(qū)域中。該區(qū)域中，物聯(lián)網(wǎng)節(jié)點均勻或者以0%，10%或20%的偏度部署，云服務器位于該區(qū)域的中心(50 m，50 m)或者邊界(100 m，50 m)。為了保障網(wǎng)絡的連通性，將通信半徑設(shè)置為35 m，并將簇數(shù)設(shè)置為1，25和64。在壓縮感知算法中，測量數(shù)為：

(7)

式中，N代表物聯(lián)網(wǎng)節(jié)點的個數(shù)；k代表類別數(shù)據(jù)的稀疏度。文獻[10]中，類別數(shù)據(jù)的長度比本文中的類別數(shù)據(jù)的長度更大。因此，Mmin的值更大，數(shù)據(jù)恢復的精度更高。本文實驗的參數(shù)設(shè)置如表3所示。

表3 實驗參數(shù)設(shè)置Tab.3 Experimental parameter setting

4.3 實驗結(jié)果

本文通過和DBP方法對比進行驗證，實驗結(jié)果如圖3所示。

圖3 在不同偏度和云的位置的情況下DBP機制和本文的方法(CCS&ASTGCN)的能耗比較Fig.3 Comparison of energy consumption of DBP and CCS&ASTGCN mechanism with various skewness of nodes distribution and locations of the cloud

由圖3可以看出，在物聯(lián)網(wǎng)節(jié)點和云服務器位置相同的情況下，本文的機制比DBP機制消耗更少的能量。導致該現(xiàn)象的主要原因不是路由到云服務器的感知數(shù)據(jù)量的減少，而是模型參數(shù)不需要路由到云服務器。實驗表明，DBP數(shù)據(jù)預測模型的精度與ASTGCN數(shù)據(jù)預測模型的精度相近，使這2種策略路由到云服務器的感知數(shù)據(jù)的數(shù)量相等。然而，作為一種神經(jīng)網(wǎng)絡模型，ASTGCN模型不需要實時更新模型參數(shù)。當預測值不滿足某些應用的需求時，不需要將ASTGCN模型參數(shù)路由到云服務器，使網(wǎng)絡中傳輸?shù)臄?shù)據(jù)量大幅度地減小，從而使本文的算法更節(jié)能。

為了驗證本算法的有效性，將其與PCA策略進行對比，實驗結(jié)果如圖4所示。

圖4 在不同偏度和云的位置的情況下PCA機制和本文的方法(CCS&ASTGCN)的能耗比較Fig.4 Comparison of energy consumption of PCA and CCS&ASTGCN mechanism with various skewness of nodes distribution and locations of the cloud

由圖4可以看出，在物聯(lián)網(wǎng)節(jié)點分布偏度和云服務器位置相同的情況下，本文的機制比PCA策略更節(jié)能。主要是因為PCA策略中，邊緣服務器實時地將壓縮后的感知數(shù)據(jù)上傳到云服務器。本文策略中，邊緣服務器實時地將壓縮后的類別數(shù)據(jù)上傳到云服務器，只有當預測值不滿足應用需求時，云服務器才通知相應的邊緣設(shè)備上傳該時隙的真實值。因此，減少了大量的感知數(shù)據(jù)在網(wǎng)絡中的傳輸。然而，與PCA策略相比，類別數(shù)據(jù)會產(chǎn)生額外的能耗。通常情況下，相比于感知數(shù)據(jù)，類別數(shù)據(jù)有更少的比特數(shù)，產(chǎn)生更少的能耗。因此，由類別數(shù)據(jù)傳輸所增加的能耗遠小于感知數(shù)據(jù)減少所節(jié)約的能耗，使本文的策略比PCA策略更節(jié)能。

5 結(jié)束語

本文創(chuàng)新性地提出了一種邊緣云協(xié)作下異常感知數(shù)據(jù)分級收集方法，提高網(wǎng)絡能效。在本文所提出的算法中，對于每個邊緣網(wǎng)絡，在邊緣服務器使用壓縮感知算法對類別數(shù)據(jù)進行壓縮，然后通過最短路徑將其路由到云服務器。在云服務器中，利用預訓練的基于Attention的時空圖卷積神經(jīng)網(wǎng)絡模型對邊緣端的感知數(shù)據(jù)進行預測。當預測值的類別與感知值的類別不同時，云服務器才會通知相應的物聯(lián)網(wǎng)節(jié)點上傳該時隙的感知數(shù)據(jù)。通過利用該機制連續(xù)地收集感知數(shù)據(jù)，支持環(huán)境監(jiān)控。實驗結(jié)果表明，本文提出的算法在能耗方面優(yōu)于DBP方法。因此，本文的方法是可行且節(jié)能的。