CC BY
11Проблемы
оптимизации
сложных
систем
–
2021
К
ВОПРОСУ
О
ПОВЫШЕНИИ
ЭФФЕКТИВНОСТИ
БЕСПРОВОДНЫХ
СИСТЕМ
МОНИТОРИНГА
ИНДУСТРИАЛЬНЫХ
ОБЪЕКТОВ5
В.
В.
Шахов,
А.
Н.
Юргенсон
Институт
вычислительной
математики
и
математической
геофизики
СО
РАН
УДК
004.051
DOI:
10.24412/cl-35066-2021-1-40-47
В
работе
рассматривается
проблематика
организации
мониторинга
индустриальных
объек
тов.
Обоснованы
недостатки
соответствующих
технологий,
применяемых
в
настоящее
время.
Приводятся
краткие
описания
подходов
к
решению
проблем,
возникающих
в
ходе
генерации
и
агрегирования
данных
мониторинга.
Ключевые
слова:
системы
мониторинга,
интеллектуальный
анализ
данных,
Интернет
вещей
Введение
Системы
мониторинга
объектов
индустриальной
инфраструктуры
являются
одним
из
наиболее
перспективных
направлений
развития
Интернета
вещей
(Internet
of
Thing,
IoT)в
рамках
концепции
"Индустрия
4.0".
Технологии
беспроводной
связи
позволяют
значительно
повысить
привлекательность
внедрения
указанных
систем
мониторинга
за
счет
упрощения
развертывания
сети
требуемых
устройств
Интернета
вещей
и
снижения
соответствующих
эксплуатационных
расходов.
Интеллектуальные
автономные
датчики,
расположенные
в
критических
местах
индустриального
объекта,
собирают
данные
о
состоянии
объекта
(температура,
вибрация,
нагрузка
и
т.
п.)
или
производственного
процесса.
Далее,
узлы
сети
мониторинга
по
беспроводным
каналам
передают
собранные
данные
на
базовую
станцию
системы,
и
далее,
при
необходимости,
данные
пересылаются
через
магистральную
сеть
в
некоторый
центр
принятия
решений.
Пересылка
данных
на
базовую
станцию
осуществляется
через
промежуточные
узлы,
которые
также
являются
интеллектуальными
датчиками,
входящими
в
данную
сеть
мониторинга.
Таким
образом,
промежуточные
узлы
обладают
определенными
вычислительными
возможностями,
которые
потенциально
могут
быть
задействованы
для
повышения
эффективности
агрегирования
данных.
Рассматриваемые
системы
мониторинга
могут
продлить
срок
службы
конструкций,
поскольку
позволяют
контролировать
физический
износ
конструктивных
элементов
и
обнаружить
потенциально
опасные
повреждения
на
ранней
стадии,
прогнозировать
разнообразные
проблемы,
обусловленные
нарушением
технологических
норм,
выполнять
локализацию
проблем
в
реальном
времени,
существенно
сократить
расходы
на
плановые
оперативные
инспекции,
повысить
безопасность
строительных
работ,
оказывать
содействие
аварийным
службам
при
чрезвычайных
ситуациях
и
т.
д.
Агрегирование
и
обработка
данных
на
центральном
сервере
в
целях
принятия
оперативных
решений
сопровождается
значительными
расходом
энергоресурсов
устройств
IoT,
затрачиваемых
на
пересылку
огромных
массивов
информации.
Кроме
того,
при
передаче
первичных
данных
по
беспроводным
каналам,
ненадежным
по
своей
природе,
возможно
их
искажение
и,
следовательно,
неверная
интерпретация.
Несмотря
на
то,
что
современные
методы
интеллектуального
анализа
больших
данных
являются
устойчивыми
к
подобным
искажениям,
в
ситуации,
когда
требуется
принимать
решение
в
реальном
времени
на
основе
Работа
выполнена
в
рамках
государственного
задания
ИВМиМГ
СО
РАН
(0251-2021-0005).
В.
В.
Шахов,
А.
Н.
Юргенсон
относительно
небольшой
выборки,
данная
проблема
является
весьма
актуальной.
Эффективность
систем
мониторинга
индустриальных
объектов
можно
значительно
улучшить,
организовав
полную
или
частичную
обработку
данных
по
месту
их
генерации,
в
соответствии
с
концепцией
Edge
Computing
[1].
В
данной
работе
рассматриваются
соответствующие
меры.
1.
Системы
мониторинга
При
развертывании
и
эксплуатации
беспроводных
сетей
датчиков
для
мониторинга
индустриальных
объектов
необходимо
принять
во
внимание
ряд
обстоятельств,
которые
в
других
беспроводных
сетях
(сотовая
связь,
WiFi,
LoRaWAN)
если
и
проявляются,
то
не
являются
характерными.
В
частности,
узлы
сетей
мониторинга
собирают,
обрабатывают
и
ретранслируют
большие
объемы
данных,
плотность
узлов
может
быть
очень
высокой,
а
количество
переходов
(хопов)
от
датчика
до
базовой
станции
может
быть
достаточно
большим.
В
литературе
имеется
подробное
описание
подобных
систем,
уже
внедренных
и
успешно
эксплуатируемых
в
целях
мониторинга
состояния
сооружений,
где
количество
пересылок
пакета
между
узлами
варьируется
от
1
до
46
[2,
3].
Для
систем
мониторинга
протяженных
объектов,
например,
таких
как
транспортная
инфраструктура,
количество
пересылок
будет
значительно
выше.
В
системах
мониторинга,
отвечающих
за
структурную
надежность,
отслеживающих
долговременное
состояние
объектов
наблюдения
в
нормальных
условиях,
относительно
большие
задержки
могут
быть
приемлемы.
Например,
при
контроле
состояния
здания
задержка
при
передаче
данных
может
достигать
нескольких
минут,
что
не
вызывает
проблем,
поскольку
данные
достаточно
актуализировать
с
девятичасовой
периодичностью,
при
условии
обеспечения
достоверности
данных.
Однако
в
случае
систем
мониторинга,
применяемые
для
контроля
производственных
процессов,
а
также
для
отслеживания
природных
или
техногенных
катастроф,
может
потребоваться
гораздо
меньшая
задержки.
Во
многом
задержка
определяется
не
столько
количеством
промежуточных
узлов
и
размером
передаваемых
пакетов,
сколько
эффективностью
синхронизации
соседних
узлов.
В
особенности
это
проявляется
в
беспроводных
сенсорных
сетях,
где
значительную
часть
времени
сенсор
пребывает
в
спящем
режиме,
таким
образом
возникают
сложности
с
тем,
чтобы
обеспечить
синхронную
активацию
сенсоров.
Максимальная
ошибка
синхронизации
узлов
должна
быть
ниже
120
мкс
[4].Тем
не
менее,
в
настоящее
время
проблема
задержки
успешно
решается
и
в
беспроводных
сенсорных
сетях,
используемых
для
мониторинга
сооружений.
Анализа
данных
в
большинстве
существующих
систем
мониторинга
является
централизованными,
т.
е.
большие
массивы
данных,
с
очень
разной
информацией,
передаются
в
единый
центр
и
подвергаются
централизованной
обработке.
В
качестве
примера
можно
указать
систему
мониторинга
моста
Золотые
Ворота
(Golden
Gate
Bridge),
установленную
в
2007
г.
исследователями
Калифорнийского
университета
в
Беркли
[5].
Датчики
фиксируют
вибрации
окружающих
конструкций,
которые
затем
направляют
централизованной
опорной
станции,
оснащенной
средствами
обработки
данных
и
принятия
решения
относительно
общего
состояния
объекта.
Всего
на
мосту
установлено
64
сенсорных
узла.
Время
жизни
сети
составляет
10
недель.
Аналогичная
система
мониторинга,
также
основанная
на
технологиях
беспроводных
сенсорных
сетей,
развернута
на
мосту
Zheng
Dian
в
Китае
[6].
Одним
из
наиболее
важных
соображений
при
проектировании
системы
SHM
является
выбор
характеристик
датчиков
и
измеряемых
параметров.
Такие
факторы,
как
потребляемая
мощность
датчика
и
измеряемые
параметры,
влияют
на
общий
дизайн
сети,
в
значительной
степени
определяя
выбор
протокола
маршрутизации,
выбор
алгоритма
обнаружения
повреждений,
выбор
алгоритма
локализации
повреждений
и
срок
службы
сети.
Проблемы
оптимизации
сложных
систем
–
2021
Несмотря
на
некоторые
уникальные
особенности
относительно
большинства
беспроводных
сетей,
индустриальные
системы
мониторинга
имеют
аналогичные
требования
к
надежности
и
качеству
обслуживания
(quality
of
service,
QoS),
где
основными
показателями
QoS
являются
скорость
потерь
пакетов
(losses
rate),
вычисляемую
на
основе
вероятности
блокировки
пакетов,
и
задержка
при
доставке
пакетов.
Передача
данных
должна
быть
надежной.
Если
потерянные
пакеты
могут
быть
восстановлены
путем
повторной
передачи,
это
повлечет
дополнительный
расход
ресурса
(энергозатраты,
занятость
каналов
и
т.
п.),
что
не
всегда
допустимо.
Вероятность
потери
пакета
или
фатального
искажения
данных
может
быть
высокой,
поскольку
может
потребоваться
передача
через
такие
материалы,
как
бетон
и
сталь.
Сетевые
узлы
должны
функционировать
в
неблагоприятных
условиях,
быть
устойчивыми
к
различным
воздействиям,
обусловленным
суровыми
погодными
условиями
или
сбоем
технологических
процессов.
Таким
образом,
наиболее
критичной
проблемой,
связанной
с
обеспечением
показателей
качества
обслуживания
в
беспроводных
сетях
мониторинга
индустриальных
объектов,
является
разработка
энергосберегающих
механизмов
доставки
пакетов
с
качеством
на
требуемом
для
приложения
уровне.
2.
Парадигма
Edge
computing
Объем
передаваемых
данных
можно
значительно
снизить,
если
реализовать
в
датчиках
предобработку
данных,
в
соответствии
с
парадигмой
Edge
Сomputing
(в
отечественной
литературе
часто
используют
термины
"граничные
вычисления",
"периферийные
вычисления").
В
рамках
данной
парадигмы
большая
часть
пользовательских
вычислительных
задач
выполняется
либо
непосредственно
на
пользовательских
устройствах,
либо
близко
к
ним,
и
лишь
для
меньшей
части
задач
задействованы
облачные
сервисы.
При
данном
способе
вычислений
появляются
возможности
для
сокращения
времени
сетевого
отклика,
более
эффективного
использования
пропускной
способности
сети,
повышения
конфиденциальности
и
приватности
информации
и
т.
д.
Рассмотрим
в
деталях
преимущества
данного
подхода.
Производительность
сети
можно
оценить,
среди
прочего,
по
задержке
пакетов.
Пропускная
способность
каналов
и
вероятность
потери
пакета
также
влияет
на
время
передачи.
Вполне
очевидно,
что
быстрое
время
передачи
пакетов
от
сенсора
к
пользователю
–
одно
из
важных
преимуществ
периферийных
вычислений,
которые
могут
удовлетворить
качество
обслуживания
чувствительных
ко
времени
приложений.
Периферийные
вычисления
позволяют
разработать
подходы
для
решения
проблемы
узких
мест
сетевых
ресурсов
в
IoT.
Путем
снижения
передаваемых
массивов
данных,
уменьшения
вычислительной
нагрузки,
уменьшения
хранимых
данных
конечными
пользователями
время
отклика
и
интенсивность
трафика
будут
значительно
сокращены.
Задержка
вычислений
указывает
время,
затрачиваемое
на
обработку
данных,
которое
зависит
от
вычислительной
мощности
системы,
и,
вообще
говоря,
является
суммой
двух
случайных
величин:
задержки
вычислений
и
задержки
передачи.
Конечно,
производительность
вычислений
датчиков
уступает
сетевым
серверам.
И
тем
не
менее,
передача
данных
между
конечными
устройствами
и
облачными
серверами
приведет
к
значительному
увеличению
задержки
передачи.
Следовательно,
задача
для
граничных
вычислений
состоит
в
том,
чтобы
определить
идеальный
компромисс
между
задержкой
вычислений
и
задержкой
передачи,
что
требует
разработки
оптимальной
схемы
разгрузки
задачи,
чтобы
определить:
следует
ли
выполнять
задачу
обработки
данных
локально,
передавать
ее
на
границу
/
облако
серверов,
либо
в
дальнейшем
выгружены
на
удаленные
облачные
серверы.
В.
В.
Шахов,
А.
Н.
Юргенсон
Кроме
того,
рассматриваемая
концепция
может
быть
применена
для
решения
проблемы
распределения
ресурсов.
Существуют
соответствующие
разнообразные
динамические
схемы.
Например,
привлекательные
перспективы
открываются
для
обслуживания
мобильных
пользователей
с
учетом
оптимальной
схемы
размещения
задач
в
среде
мобильных
граничных
вычислений.
С
помощью
этой
схемы
мобильные
устройства
могут
найти
подходящую
виртуальную
машину
для
быстрого
выполнения
задачи.
Очевидно,
что
перенос
вычислений
из
центрального
облака
на
границу
сети
может
помочь
уменьшить
задержку
передачи
за
счет
правильной
стратегии
загрузки
вычислительных
мощностей.
Для
этого
требуется
исследование
и
разработка
средств
для
принятия
оптимальных
решений
о
размещении
вычислений
и
передаче
полученных
результатов.
В
системах
IoT
развертывается
значительное
количество
датчиков,
соответственно,
и
генерируемых
данных
также
очень
много.
Непосредственная
передача
всех
"сырых"
данных
на
облачные
серверы
без
сжатия
или
обработки
в
отдельных
случаях
может
допускаться,
но
в
целом
представляется
нерациональной.
Большой
объем
данных
потребует
огромной
пропускной
способности
сети
и
приведет
к
ряду
проблем,
таких
как
задержка
передачи
и
потеря
пакетов.
Таким
образом,
некоторые
специализированные
узлы
Интернета
вещей,
размещенные
в
непосредственной
близости
от
источников
данных,
должны
выполнять
предварительную
обработку
и
даже
обобщение
данных
перед
их
пересылкой
на
удаленные
облачные
серверы.
Реализация
подходов,
позволяющих
контролировать
поток
трафика
путем
оптимальной
миграции
задач
обработки
и
агрегирования
данных,
позволит
снизить
требования
к
полосе
пропускания,
выделяемой
системе,
при
сохранении
качества
обслуживания
пользователей.
В
каждом
пакете,
передаваемом
по
сети,
содержатся
служебные
данные
в
заголовке,
не
только
полезная
нагрузка
в
теле
пакета.
Хотя
пакеты
в
IoT
могут
иметь
и
небольшой
размер,
большое
количество
устройств
IoT
может
привести
к
значительным
накладным
расходам.
С
помощью
пограничных
серверов
пакеты,
генерируемые
пользователями,
можно
агрегировать
и
предварительно
обрабатывать,
чтобы
уменьшить
ненужные
накладные
расходы.
Конечные
устройства
в
IoT
могут
различаться
не
только
по
доступным
им
сетевым
ресурсам,
но
также
по
ресурсам
энергопитания
и
емкости
батареи
(аккумуляторов
или
иных
элементов
электропитания).
Планируя
задачи,
назначаемые
оконечному
устройству,
следует
тщательно
учитывать
эти
факторы.
Важно
максимально
продлить
срок
службы
оконечных
устройств,
особенно
тех,
у
кого
емкость
аккумуляторов
заметно
ограничена
(из-за
экономии
стоимости,
износа,
либо
долговременной
эксплуатации).
Для
достижения
этой
цели
периферийные
вычисления
могут
включать
гибкую
схему
распределения
задач,
которая
учитывает
энергоресурсы
каждого
устройства.
Вопросам
энергоэффективности
технологий
IoT
посвящен
ряд
исследовательских
проектов
во
всем
мире.
В
настоящее
время
это
одна
из
наиболее
популярных
исследовательских
задач.
Например,
предложена
концепция
медицинских
киберфизических
систем,
поддерживающих
туманные
вычисления,
для
развертывания
на
компактных
нательных
устройствах
различных
систем
медицинского
назначения.
При
совместном
рассмотрении
множества
взаимосвязанных
факторов,
включающих
особенности
развертывания
базовых
станций
связи,
распределения
каналов,
имеющиеся
вычислительные
мощности
базовых
станций,
размещение
виртуальных
машин
и
критерии
распределения
задач
обычно
предлагаются
эвристические
алгоритмы,
подходы
на
основе
методов
линейного
программирования,
смешанного
целочисленного
линейного
программирования,
эволюционные
методыи
т.
п.
Из-за
того,
что
сервис
IoT
распространяется
на
широкий
ассортимент
разнообразных
устройств,
принадлежащих
разным
типам
пользователей,
вычислительные
ресурсы
или
Проблемы
оптимизации
сложных
систем
–
2021
ресурсы
хранения
предоставляемые
одним
поставщиком
услуг
могут
не
покрывать
всех
потребностей.
Это
означает,
что
пользователи,
которым
требуются
задачи
по
обработке
данных,
должны
платить
за
соответствующие
ресурсы
различным
поставщикам
пограничных
вычислительных
услуг.
Надлежащая
ценовая
политика
будет
поощрять
третьи
стороны
предоставлять
свои
вычислительные
ресурсы
или
ресурсы
хранения
для
IoT,
чтобы
в
конечном
итоге
получить
разовое
вознаграждение
за
обслуживание
или
абонентскую
плату
с
конечных
пользователей.
Кроме
того,
между
поставщиками
услуг
периферийных
вычислений
будет
существовать
как
конкуренция,
так
и
сотрудничество.
Таким
образом,
возникающим
операторам
Edge
computing
услуг
следует
приложить
определенные
усилия
для
достижения
рациональной
ценовой
политики,
принимая
во
внимание
поведение
нескольких
других
поставщиков
услуг,
являющихся
косвенными
или
прямыми
конкурентами,
либо
кооператорами.
Для
этого
могут
использоваться
различные
подходы
бизнес-администрирования,
маркетинговые
приемы,
экономические
практики,
в
частности,
такие
как
аукционы,
также
большие
перспективы
просматриваются
у
методов,
основанных
на
теоретико-игровых
экономических
моделях.
У
датчиков
обычно
весьма
ограниченная
память
для
хранения
данных.
Все
данные,
которые
генерируются
устройствами,
обычно
должны
передаваться
и
храниться
на
центральном
сервере.
Более
того,
существует
приложения
IoT,
когда
множество
устройств
одновременно
генерируют
массивные
данные.
Если
все
такие
датчики
(или
видеокамеры)
одновременно
передают
данные
в
хранилище
на
облачном
сервере,
результатом
будет
значительная
загрузка
сети
с
массовыми
блокировками
пакетов.
Использование
в
данной
ситуации
одних
лишь
технологий
облачных
вычислений
не
приведет
к
удовлетворительному
результату.
Целесообразно,
исходя
из
характеристик
хранилищ,
задействованных
в
операциях
граничных
вычислений,
отправлять
данные
в
разные
граничные
хранилища,
что
серьезно
снизит
интенсивность
трафик
во
всей
сети.
Применительно
к
сетям
мониторинга
концепция
Edge
Сomputing
может
быть
реализована
следующим
образом.
В
программное
обеспечение
датчиков
будут
интегрированы
нормативные
пороговые
значения
для
характеристики
текущего
статуса
наблюдаемого
объекта,
например,
"авария"
или
"норма".
Такие
образом,
не
возникает
необходимости
передавать
все
собираемые
данные
через
сеть.
После
обработки
данных
сформированный
вывод
в
виде
кодовой
последовательности
будет
передаваться
на
центральный
сервер/компьютер,
где
установлена
главная
система
мониторинга
сооружения,
отвечающая
за
принятие
и
реализацию
решений.
В
некоторых
случаях
может
возникнуть
ситуация,
когда
данные
не
дают
явного
представления
о
статусе
объекта,
и
тогда
необходимо
использовать
методы
машинного
обучения.
3.
Анализ
данных
Для
эффективного
применения
интеллектуальных
методов
анализа
данных
в
сложных
информационных
системах
необходимо
сопоставлять
качество
вывода
и
имеющиеся
ресурсы.
Нецелесообразно
оснащать
датчики
мощными
вычислительными
средствами,
тем
самым
значительно
повышая
стоимость
системы
мониторинга.
Следовательно,
при
выборе
подходящих
методов
машинного
обучения
следует
отказаться
от
ресурсозатратных
вычислений,
характерных
для
нейронный
сетей,
сверточных
нейронных
сетей
(convolutional
neural
network,
CNN),
деформируемых
сверточных
сетей
(Deformable
Convolution
Networks,
DCN),
обучения
с
подкреплением
и
т.
п.
Развернутые
на
интеллектуальных
датчиках
методы
должны
быть
"легкими".
В.
В.
Шахов,
А.
Н.
Юргенсон
В
зависимости
от
целей
мониторинга,
прикладных
пользовательских
задач,
имеющихся
программно-аппаратных
средств,
и
политики,
реализуемой
при
обнаружении
событий,
возможны
две
ситуации:
1)
Данные,
которые
собраны
отдельным
датчиком,
однозначно
определяют
состояние
объекта.
2)
Для
классификации
состояния
необходимо
использовать
интеллектуальные
методы
анализа
данных.
В
первом
случае
достаточно
проверить
принадлежат
ли
вектор,
сформированный
данными
(v),
некоторой
области
Ω,
характеризующей
j-е
состояние
объекта,
т.
е.
𝑣
∈
Ω.
По
сути,
сенсор
передает
лишь
код
состояния
объекта
на
сервер,
где,
с
учетом
информации
от
других
сенсоров,
формируется
окончательный
вывод.
Для
обработки
данных,
получения
вывода
достаточно
проверить
одно
или
несколько
неравенств,
которые
заранее
известны.
Во
втором
случае
для
обработки
данных
используются
методы
машинного
обучения.
Обучение
происходит
заранее
на
предварительно
полученных
и
обработанных
данных.
Принимая
во
внимание
ограниченные
ресурсы
узлов
сетей
мониторинга
используемый
алгоритм
машинного
обучения
должен
быть
"легким".
В
данном
случае
предлагается
использовать
метод
k-ближайших
соседей
(k-Nearest
Neighbours,
KNN),
для
чего
имеются
следующие
основания.
–
Подход
основан
на
простой
и
интуитивно
привлекательной
непараметрической
процедуре
классификации[7].
–
Вычислительные
процедуры
KNN
не
являются
трудоемкими
и
схожи
со
случаем,
когда
заданы
правила
однозначного
обнаружения
события,
которое
представляет
интерес
для
пользователя.
–
Качество
метода
KNN
находится
на
уровне
или
уступает
незначительно
ряду
популярных
методов
машинного
обучения,
а
в
задачах
мониторинга
не
уступает
другим
"легким"
методам.
–
В
ряде
недавних
исследований
[8]
по
схожей
тематике
отмечена
целесообразность
выбора
метода
KNN
для
мониторинга
состояния
зданий
(structural
health
monitoring,
SHM).
Поскольку
возрастает
цена
искажения
сообщения,
пересылка
итогового
сообщения
должна
выполняться
с
использованием
помехоустойчивого
кодирования.
4.
Проблема
передачи
информации
В
теории
кодирования
расстояние
Хэмминга
для
двух
строк
равной
длины
определяется
количеством
позиций,
в
которых
соответствующие
символы
различны.
Другими
словами,
данное
расстояние
равно
минимальному
количеству
замен,
необходимых
для
преобразования
одной
строки
в
другую,
или
минимальному
количеству
ошибок,
которые
могли
бы
преобразовать
одну
строку
в
другую.
Таким
образом,
если
расстояние
Хэмминга
достаточно
большое,
аппаратно-программное
обеспечение
базовой
станции
может
не
только
достоверно
обнаружить
присутствие
ошибок
в
полученном
сообщении,
но
и
восстановить
оригинальное
сообщение.
Можно
управлять
надежностью
доставки
сообщения
путем
выбора
длины
слова
и
схемы
формирования
расстояния
Хэмминга
между
словами,
кодирующими
состояние
объекта
мониторинга.
Для
повышения
рентабельности
системы
имеет
смысл
использовать
минимально
допустимое
расстояния
Хэмминга.
Введем
следующие
обозначения:
размер
передаваемого
кадра
N
бит;
количество
ошибок
в
сообщении
𝑛;
вероятность
ошибки
в
любом
символе
(1
бит)
сообщения
s;
помехоустойчивое
кодирование
позволяет
корректно
восстановить
сообщение,
если
ошибок
не
более
чем
k;
расстояние
от
датчика
до
базовой
станции
d.
Проблемы
оптимизации
сложных
систем
–
2021
Предполагая
ошибки
независимыми,
получаем
формулу
для
надежности
беспроводного
канала
[9]:
Þ
𝑃(𝑛Ø
≤𝑘|𝑑
=1)=
𝑁
𝑠(1−𝑠)Ý
𝑗
4
Если
необходимо
учитывать
топологию
сети
мониторинга,
данное
значение
может
использоваться
в
качестве
вероятности
присутствия
ребра
в
случайном
графе
при
расчете
надежности
всей
сети.
Соответствующие
методы
можно
найти
в
статье
[10].
Если
попытка
восстановить
сообщение
предпринимается
только
на
базовой
станции,
то
вероятность
восстановления
сообщения
будет:
Þ
𝑃(𝑛Ø
≤𝑘|𝑑∈ℕ)=
𝑁
(1−(1−𝑠))(1−𝑠)()
𝑗
4
Для
достижения
приемлемой
надежности
необходимо
использовать
большие
строки,
что
негативно
сказывается
на
энергосбережении
датчиков.
В
современных
телекоммуникационных
сетях
надежности
передачи
уделяется
повышенное
внимание,
и
ошибки
в
передаваемых
данных
могут
исправляться
не
только
на
прикладном
и
транспортном,
но
и
канальном
уровне.
Сообщение
может
разбиваться
на
кадры,
которые
передаются
в
разных
потоках,
с
использованием
разных
каналов
и
даже
разных
сред.
Как
только
на
каком-либо
промежуточным
узле
обнаружен
поврежденный
кадр,
он
отбраковывается
и
делается
запрос
на
его
повторную
передачу.
В
сетях
с
обратной
связью
даже
при
отсутствии
восстановления
сообщения
в
промежуточных
узлах,
обеспечивается
высокая
надежность
передачи
данных.
Пусть
p
–
вероятность
корректной
доставки
символа
с
учетом
возможностей
протокола
канального
уровня
при
передаче
кадра
в
одном
канале.
Каналы
являются
однородными,
находятся
в
одних
и
тех
же
условиях.
Тогда
вероятность
отсутствия
ошибки
в
символе
на
базовой
станции
будет
𝑝×
.
Минимальное
допустимое
расстояние
Хэмминга
в
данном
случае
будет:
Ç
𝑁
𝑘∗=argmin
Í
𝑗
𝑝(1−𝑝)Ý
≥𝑏
Þ
где
b
–
допустимая
надежность
доставки
итогового
сообщения,
зависящая
от
политики
повторных
передач,
точности
KNN
и
т.
п.
Данная
формула
позволяет
контролировать
механизмы
обеспечения
надежной
доставки
информации
в
сети.
Если
неравенство
не
выполняется,
необходимо
сократить
количество
кодовых
слов
(например,
объединить
некоторые
состояния),
либо
увеличить
размер
сообщения.
Заключение
Основной
проблемой
современных
систем
мониторинга
индустриальных
объектов
является
высокое
энергопотребление,
и
чрезмерная
нагрузка
на
каналы
связи
из-за
необходимости
передавать
большие
объемы
данных
о
состоянии
объектов,
показателей
технологических
процессов,
параметров
физической
среды
и
т.
п.
Локализация
обработки
данных
по
месту
их
генерации
может
существенно
повысить
эффективность
сетей
интеллектуальных
датчиков.
В
ряде
случаев
для
этого
требуется
использовать
методы
машинного
обучения.
Однако
они
не
должны
быть
трудоемкими,
ввиду
ограниченных
ресурсов
узлов
сетей
мониторинга.
Обеспечение
надежной
доставки
результата
в
центр
принятия
решений
достигается
использованием
помехоустойчивого
кодирования
передаваемых
сообщений.
Предложены
модели,
позволяющие
оптимизировать
схему
передачи
данных.
В. В. Шахов, А. Н. Юргенсон
Список
литературы
1. Zhang
Jiao, Hu
Xiping, Ning
Zhaolongetal
Energy-latency
tradeoff
for
energy-aware
offloading
in
mobile edge computing networks // IEEE
Internet of
Things
J. 2017. Vol.
5, no. 4., pp. 2633–2645.
2. Jang
S. et
al. Structural
health
monitoring
of
a
cable-stayed bridge
using
smart
sensor
technology:
Deployment and evaluation // Struct. Syst., vol. 6, pp.
439–459, 2010.
3. Santos
I. L. D. et
al.
A
localized algorithm
for
structural
health monitoring
using
wireless
sensor
networks
// Inf. Fusion, vol. 15, pp. 114–129, Jan. 2014.
4. Sazonov
E., Krishnamurthy
V.,
and Schilling
R. Wireless
intelligent
sensor
and
actuator
network–
A
scalable
platform
for
time-synchronous
applications
of
structural
health monitoring
//
Struct.
Health
Monitor., vol. 9, no. 5, pp. 465–476, 2010.
5. Kim
S. et
al., Health monitoring
of
civil
infrastructures
using
wireless
sensor
networks
//
in Proc.
6th Int. Symp. Inf. Process. Sensor Netw., Cambridge, MA, USA, 2007, pp. 254–263.
6. Dai
Z., Wang
S., and Yan Z. BSHM-WSN:
A
wireless
sensor
network
for
bridge
structure
health
monitoring
//
in
Proc. Int. Conf. Model.
Identification
Control
(ICMIC), Wuhan,
China, 2012, pp. 708–
712.
7. Hall
Peter;
Park
Byeong
U.;
Samworth, Richard J. (2008)
Choice
of
neighbor
order
in nearestneighbor
classification//
Annals
of Statistics. 36 (5):
2135–2152.
8. Vitola
J, Pozo
F, Tibaduiza
DA, Anaya
M. A
Sensor
Data
Fusion System
Based on k-Nearest
Neighbor
Pattern Classification for Structural Health Monitoring Applications. Sensors. 2017;
17(2):417.
9. Shakhov
V.V., Yurgenson A.N.
Towards
Edge
Computing
Based Monitoring
for
Smart
Ports
//
Springer Lecture
Notes in
Computer Science, vol. 12956, 2021.
10. Shakhov
V.V., Migov
D.
An Effective
Method for
Ensuring
the
Reliability
of
a
Critical
Infrastructure
Monitoring Network // Springer Lecture Notes in Computer Science, vol. 12956, 2021.
Шахов Владимир Владимирович – канд. физ.-мат. наук, ст. науч. сотр.
Ин-та вычислительной математики и математической геофизики СО РАН;
email: shakhov@rav.sscc.ru;
Юргенсон Анастасия
Николаевна – канд. физ.-мат. наук, науч. сотр.
Ин-та вычислительной математики и математической геофизики СО РАН;
email: nastya@rav.sscc.ru
