《52 协同与自治.doc》由会员分享，可在线阅读，更多相关《52 协同与自治.doc（21页珍藏版）》请在金锄头文库上搜索。
1、3.1 协同为方便了解物联网的协同技术，可以将其与人类行为做类比。比如人们需要盖一栋楼，一个人的能力显然是有限的，需要众多人的共同努力。盖一栋楼，需要具有不同能力的人，一组人打地基，一组人砌墙，还有一组人要运输原材料等，这就是人类社会的任务分配。在有共同任务的小组内，需要这一小组人共同完成该项任务，这就是协同处理。不同小组之间需要信息交流及资源分配。物联网的“协同”与人的“协同”极其类似，前者包含协同任务分配、协同信息处理、协同信息传输及协同资源分配等。以下分别讨论。3.1.1 协同任务管理物联网由许多不同角色和能力的异质传感器节点组成，而且应用也是异质的，每一个任务都可能服务大量的用户。在这
2、样的环境下，物联网有限的资源须完成大量的任务。这就要强调任务的分配机制，并在时间和能源效率上有所考虑。任务的分配机制定义为任务分配到物联网中的节点。物联网的协同任务分配问题归根结底是任务分配问题，这个问题已经在许多领域有所讨论和验证。物联网有其自身的特点。本小节介绍一种新颖的任务分配方法：将任务分配映射到分簇协议。分簇问题在无线传感网络中已经讨论多年，正趋于成熟，现有的方法有LEACH, HEED,LSCP,TEEN等。在进一步讨论和验证之前，先提出以下两个限制条件。(1)任务应符合节点所要求的角色和能力;(2)节点要么提供给任务全部的能力，要么不提供，不允许部分完成的任务。本节证明近亲传播(
3、Affinity Propagation, AP)分簇算法如何应用于协同任务的分配。1)近亲传播(AP)算法AP算法基本上依赖矩阵相似的程度，其中，s(i,j)的值表示元素i和元素j的相似程度。经过一定次数的迭代后，算法可以收敛。其中，两种类型的信息在每一对节点中同时交换:责任信息r(i,j)表示积累证据，点k有多适合作为点i的榜样;现有的信息a(i,k)反映积累证据点i有多适合选择k作为它的榜样，并假定支持k的传感器已经变为其他候选簇的成员。相似矩阵成立的另一个重要信息是自我相识度s(i,j)，也称为优先选择，它影响算法产生簇的数量。独立的元素可以增加或者减少它成为簇头的概率，这通过操作它的
4、优先值算法实现。在每一次算法的迭代中，现有的信息和责任信息都分别根据式子(3-1)和（3-2）对每一个数据点重新计算。值得强调的是在每一次算法过程中，每一点都有机会成为簇头和其他点的跟随者。因为交换信息只是实数，不同的应用可根据它们要达成的任何目标自由表达它们的倾向。在正常情况下，分簇问题的目标是最小化簇之间的相似度，同时最大化簇内部的相似度.然而，目标有着很大的不同，不同类型的信息须互相交换，以便达到节点对任务的最好分配。文献证明AP是一个合适的平台，可构造一种有效的决定机制来满足任务分配的目的。然而，要求设计出一种方法来表示先前提到的关于相似度和优先选择的限制，并更新每对节点和任务之间的倾
5、向性，以便最终能得到最好的分配。AP的原始目标是最大化簇内的相似度，同时最小化簇之间的相似度。另一方面.这里的目标是找到一个分割最大化协作任务的最大数，并对网络的生命周期的影响最小。这意味着不得不满足一定的限制，从而确保每一个分区配.备有必要的节点角色来处理它分配的任务。因此，这里必须使这些限制条件确保AP算法得以实现。这里研究的解决办法的核心概念是在算法中重新定义“近亲”的概念，并利用它来满足对特定应用的限制。更加特别的是，“近亲”不再是基于节点的相似度，而是基于一个节点适合并愿意去参加特定任务的服务，并考虑到相同任务的其他节点的“近亲”。图3.1表明分簇问题和任务分配问题之间的结构相似度。
6、AP依赖特定探索式初始化，通过迭代更新“类似”度。选择探索方法，以此优化分簇目标函数。使用不同的面向任务分配问题的探索式方法，这里使用AP找到近似优化WSN对节点的分配。2)模型的进一步延伸这里提出一个新的摸型，能表示许多系统模型，并且足够灵活以便研究更为广泛的物联网应用。在这个模型中，节点作为抽象的服务提供者，任务看作它们服务的消费者。一个任务可以由单个节点解决或者由一堆协同的节点解决。一个节点可以服务一个任务，或者服务多个任务，同时依赖它的能力。特定应用的展性，如节点定位、移动、剩余的能量等，没有明确表示，属于同一网络的节点不必同质，一个节点可能是简单的温度传感器，或者复杂的无人空中交通工
7、具(UAV)。相似的是，考虑到节点角色和任务要求每一个节点的能力，在相同网络上所执行的不同任务需跟据它们的要求而改变。因为任务和节点都受生产者和消费者之间关系的控创，供求关系很适合这里的情况。节点的物理属性是抽象的，相反其能力作为服务特定任务的能力，如供应。相似的是，需求的任务作为需求模型建立，这样满足了特定角色的节点。为满足不同类型的节点和任务，这里将类属性与系统中的每一个实体联系起来。一个任务的类决定了从节点类所要求提供的功能。表3. 1和表3.2分别列出节点和任务的性质。表3. 1 节点性质类描述节点类型或者角色，这决定节点的能力，因此限制它所能涉及的任务类型供应向量提供现有的资源给不同
8、的任务类（如果任务不被该节点处理，则认为为零）费用向量消耗每个任务的费用（不被该节点处理的任务，则认为无穷大）表3.2 任务性质类任务类型。决定所要求的节点角色，执行任务的能力需求向量不同任务类的需求奖励如果任务要求得到满足，则系统获得奖励在原始模型中，系统引起节点/任务分配特定的消耗。在真实的案例中，这表示在WSN中与基站通信的两个节点需不同的能量水平，一个节点比另一个离基站近。而且，对要求被满足每一个的任务，系统获得一定的奖励.因此，在衍生的模型中，被优化的目标函数仍然与先前一样。在文献研究AP算法的过程中，构造出LAP(Location-aware Affinity Propagatio
9、n)算法。接下来将证明如何利用这个协议执行任务的分配，即将任务分配映射到分簇。一旦得到，每一次系统决定它需要改变当前的，节点共同构造一个AP矩阵，作为简单的证明，然后启动LAP循环。LAP的通信和能量消分配耗好于其他众所周知的分簇协议。如HEED和LEACH；节省更多的能量，任务分配实际上增加普通的分簇过程。分簇是根据一定的相似度测量集合中成员之间建立相关联系的过程，结果是多对一的映射，这形成跟随簇头的跟随着。典型地，簇头和成员属于同一类。例如，两者可能都是面部成像、用户建立、传感器节点，或者任意其他的同质项目。为建立两个成员之间的联系，要求有系列相似的测量，如距离、分享属性的数量等。除了这些
10、组的成员不再是同质的，任务分配也可以看作从一组项目映射到另一组。在任务分配中，任务可被看做是簇头，而其他节点在执行中作为簇成员。为了建立任务作为簇头，节点作为贡献节点的关系，使用基于消费和奖励的相似测量，表3.3总结了映射。表3.3 在任务分配问题和分簇之间要求的映射分簇问题任务分配问题簇头任务簇内成员贡献的节点相似测量任务和节点分配的适合度（基于费用和奖励）寻求的解决方法依赖AP矩阵的性质。必须构造矩阵，这样节点永远不会被选为簇头，簇头是仅分配给任务的性质。由于这种关系仅存在于节点和任务之间，不存在于单独的两个群体之间。所以必须建立起近亲关系，这样节点分配到任务，而不会分配到其他节点，反之亦
11、然。另外，节点和任务之间的近亲关系强度应当直接与兼容度成正比，并与任务相关联，而与成对之间相联系的稍耗成反比。AP矩阵按照初始化。矩阵是对称的，由任务和节点共同填充。因此，它的大小是T十N，T和N分别表示任务和节点的数量。倾向性矩阵的每一项A(i.j)是式(3-3)五项中的一项。这里验证所选择的分配，一项的结果如下。(a)i和j都是任务，且i=j：i和j表示相同的任务，这一项是自我相似（优先选择)。在最终的解决方法中，想被选中的任务作为簇头，要分配一个非常高的值给这些项，以便增加被选中的机会。(b) i和j都是任务,且ij：i和j是两个不同的任务。这样在这两个任务之间完全没有近亲关系，因为一个
12、任务要么选作簇头(如果它的要求能满足)，或者根本不被选中(如果所有的资源分配到更加重要的任务)，因此这些项设置为零。(c)i和j都是节点，且i=j：i和j表示相同的节点,这一项是节点优先选择值这项是情形(a)的对立值。节点不可能作为簇头，因此分配一个非常小的值给这一项。实际上，排除了节点成为簇头的可能，并保护了只对任务的可行性。(d)i和j都是节点，且i=j：i和j是不同的节点，与(b)类似，不希望节点之间有任何的倾向性，因为它们都应作为任务的跟随者。因此，将这些值设置为零。i是任务，j是节点(反之亦然):这里定义，系统的开销是c(i.j)，收益是r(i)。这些项表示任务和节点之间的倾向性，它
13、有费用和回报控制。因为任务可能需要特定的节点类.，并不是所有的节点/任务对都合适。在这种情形下，c(i.j)设置为无穷大，这表示节点j从任务i的竞争中移除，任务由更加适合的节点来处理，它的费用小于节点j。然而，对于合适的节点/任务对。A(i,j)取决于以下因素。反比于关系c(i.j)。节点j服务任务的消耗越高，则倾向性越小。这种最小化总耗散量是通过系统涌现考虑使用较便宜的节点。(2)正比于关系r(i)。这样最大化奖赏，通过系统激励有更大收益的任务。综合考虑以上两个因素，A（i，j）初始化为r(i)-c(i,j)。3.1.2 协同信息处理由于物联网单个节点的处理能力有限，所以在对任务协同分配时，
14、有共同任务的节点时需要对信息进行协同处理，共同完成简单的任务。但由于各个任务的类型不一样，可能是追踪、感知环境、医疗监控等，因此很难用一个统一的方法来描述如何协同处理信息，以完成相关的任务。此处以协同监控作为一个特殊的案例，简单阐述如何协同任务信息处理。以及由此带来的一些优点。到目前为止，为解决协同监控问题，大部分方法要求硬件具有测量节点之间距离和角度的能力，或者需要许多标志节点来定位。随后将提出一个基于需求的算法，它使用两项技术：首先使用了定位节点来对未知节点定位，其次使用了来自于中间节点的定位信息，这些节点定位在信息回路上。使用这两项技术，ELoc(有效定位)的方法被证明有更好的速度和成功
15、的概率，通过减少发送的信息，明显减少了能量的消耗。假设L1,.L2,.L.m+n.代表m+n个传感节点在二维空间中的位置。前面的m个节点的位置未知，这组传感器表示为序列LP=(L1，L2，.,Lm.；后面的n个节点的位置已知，这组传感器用序列LB= Lm+1,Lm+2,.,Lm+n表示。LB中的节点称为导向节点或者灯塔节点。在一般情况下,2nm(为找到每个传感器节点的位置，至少需三个灯塔节点)。每个节点的位置以数对(X，Y)表示，这表示在笛卡儿坐标中的节点的长度和宽度。序列LP中的灯塔节点固定，而在系列中有以相对固定速度v移动的节点。所有节点的无线电波传播速度假定为R。所有的节点有两个域，命名
16、为“Flag(标志).和“Location(位置)”。节点放置在定位域，其标志位为1。若Flag=1，则定点位置固定。既然一些节点有移动，所以时间t基于其速度(V)计算出，距离是它们走过的路程。在这段时间内，节点的坐标有效。换言之，在时间t内，Flag的值仍然等于1，之后Flag=0，表示关于位置的数值变无效。此时的问题是如何发现LP系列成员的节点。由于传感器节点可移动，因此节点不会限制在一点，并在它的移动过程中经过许多点，报告所需要的信息。另一方面，节点的位置在有限的时间内有效。因此，提出这个算法的主要原因是有需求，它并不是对所有节点执行定位操作，而是对需求定位报告时间的节点定位。实际上这个方法与许多其他方法相反，没有周期的信息发送到网络。这种基于需求并缺少周期的行为不仅减少负载信息，甚至减为零，也明显减少能量
