CC BY
8
УДК 007
А.В. Иващенко, доктор технических наук, профессор кафедры информационных систем и технологий, ФГАОУ ВО «Самарский национальный исследовательский университет имени академика С.П. Королева» e-mail: anton-ivashenko@yandex.ru
Д.В. Купер, заместитель директора филиала, Самарское отделение Научно-исследовательского института радио (ФГУП НИИР - СОНИИР)
МНОГОСЛОЙНАЯ МОДЕЛЬ ПОДВИЖНОЙ СЕНСОРНОЙ СЕТИ
В статье рассматриваются новые аспекты моделирования и построения сенсорных сетей согласно современной концепции Интернета вещей. В частности, предлагается формальная многослойная модель подвижной сенсорной сети, описывающая возможные перемещения автономных устройств сбора и обработки данных в пространстве и времени. Данная модель позволяет сформулировать многокритериальную задачу оптимизации процесса сбора и обработки данных и реализовать алгоритмическое и программное обеспечение открытой и распределенной диагностической системы с использованием мультиагентных технологий. Предложенная модель может быть использована при построении диагностических систем для распределенных объектов технической инфраструктуры (трубопроводов или сетей связи) или медицинской диагностики, для которых необходимо реализовать постоянный мониторинг технического состояния ограниченным по количеству или назначению числом датчиков.
Ключевые слова: интернет вещей, сенсорные сети, большие данные, мультиагентные технологии.
В настоящее время актуальной является научно-техническая задача реализации современной концепции Интернета вещей (the Internet of Things, IoT) [3, 5, 10] в распределенных системах технической диагностики. Такие системы имеют распределенную архитектуру и строятся в виде сетей автономных устройств связи, способных взаимодействовать между собой в режиме реального времени. При этом каждый узел сети может использоваться для сбора, обработки или передачи данных и функционирует под управлением мультиагентно-го программного обеспечения [1, 11], реализующего автономное поведение и информационное взаимодействие с другими узлами сети.
Данные возможности позволяют диагностической системе изменять свою конфигурацию в ответ на события внешней среды, представлять открытые интерфейсы для подключения новых устройств и производить балансировку собственной загрузки в соответствии с возникающими потребностями. Взаимодействие автономных устройств разного типа в гетерогенной открытой информационной среде может быть описано с помощью последовательности событий подключения, обмена сообщениями, идентификации и тому подобное. В современной распределенной диагностической системе таких событий много (большой физический объем данных), они достаточно многообразны и требуют высокоскоростной обработки. В связи с этим, задачу управления сбором и обработкой информации в системе сбора и обработки данных с распределенной архитектуры следует отнести к проблеме BIG DATA [6].
Учитывая характер возникающих событий и действий по их идентификации, для моделиро-
вания процессов взаимодействия диагностических устройств сбора и обработки данных необходимо использовать теорию неэквидистантных временных рядов [4]. Методы и модели данной теории способны обрабатывать потоки данных с неравномерной дискретизацией и, вместе с тем, устойчивы к незначительным отклонениям (опережениям и опозданиям) при решении конкретных диагностических задач.
Распределенная архитектура диагностической системы с учетом концепции Интернета вещей и требований интероперабельности часто представляется в виде сети или графа, узлами которого являются программные или аппаратно-программные компоненты, способные взаимодействовать между собой путем обмена информацией в виде сообщений и обладающие автономным поведением. Для моделирования такой архитектуры используются и предлагаются Р2Р (реег-Ю-реег, равный с равным) модели взаимодействия [7, 12]. Среди ключевых свойств Р2Р сетей отмечается децентрализация (то есть отсутствие единственного контролирующего органа управления), заимствование ресурсов и автономность. Р2Р сеть формируется и изменяется динамически, она может перестраиваться, сохраняя при этом свои способности по передаче информации в режиме реального времени.
В распределенной диагностической сети автономные устройства связи могут вступать друг с другом в попарные отношения различной семантики. Так, устройства разной специализации могут объединяться для выполнения комплексной диагностики, однотипные устройства могут взаимодействовать для уточнения показаний, в рамках выполнения посреднических функций, устройства могут
учитывать территориальное расположение друг друга и тому подобное. В этой связи в распределенной диагностической системе можно выделить реальные и виртуальные подсети, динамические, создаваемые для решения определенных тактических задач. Для моделирования такого решения в рамках пирингового взаимодействия предлагается построить так называемую оверлейную сеть.
Оверлей - операция наложения друг на друга двух или более слоев, в результате которой образуется один производный слой, содержащий композицию пространственных объектов исходных слоев, топологию этой композиции и атрибуты, арифметически или логически производные от значений атрибутов исходных объектов. Таким образом, оверлейная сеть - это виртуальная сеть, структура которой отличается от реальной коммуникационной сети, на базе которой эта оверлейная сеть функционирует. Узлы оверлейной сети связаны между собой логическими ребрами, «сложность» прохождения которых может быть отлична от реального времени или стоимости, которые требует перемещение в пространстве.
В работах [2, 8, 9] описываются технические решения, позволяющие реализовать функциональность посреднической деятельности, которая включает возможности балансировки загрузки в соответствии с интенсивностью потока текущих задач устройства. Развитие данных результатов позволило сформулировать новую модель многослойной подвижной сенсорной сети для современной распределенной диагностической системы.
Определим объект исследования как подвижную сенсорную сеть распределенной диагностики - распределенную, самоорганизующуюся сеть множества датчиков (сенсоров) и исполнительных устройств, которые могут изменять свое положение в пространстве и, таким образом, модифицировать топологию сети в зависимости от поставленных задач. В качестве примера такой сети можно привести беспроводную сеть медицинских устройств диагностики пациентов в стационаре или множество устройств диагностики транспортной инфраструктуры железной дороги, объединенных каналами связи.
Представим подвижную сенсорную сеть в виде набора диагностических устройств сбора и обработки данных с1¡, г = 1.
Операция измерения значения определенного параметра может быть задана в виде
где gj - расположение (локация) устройства в момент измерения;
- измеряемый параметр, характеризующий семантику измерения и тип измеряемой величины;
tijj.fr - время выполнения операции измерения;
л>1,}}£ - полученное значение измеряемой величины.
Между событиями могут быть выстроены различные отношения, определяемые булевыми функциями.
Обозначим план измерений дх. План измерений определяет порядок измерений во времени, то есть содержит последовательность событий:
^ШАх =4еи,1Л'Чх)= {0,1}, (2)
где V
:еЧ,АЛА ФеЫг>кМ '
Будем считать, что измерения в плане упорядочены по времени измерения.
Обозначим маршрут измерений гу. Маршрут содержит последовательность измерений, производимых в разных локациях:
^ШАу = Аеч,1к. ■гу )= {°> 1} ■■ (3).
Будем считать, что локации в маршруте упорядочены по времени посещения.
Таким образом, каждый план или маршрут измерений содержит упорядоченную совокупность событий, которые происходят последовательно в разные моменты времени (или могут планироваться на разные моменты времени в будущем).
Учитывая общий характер группировки событий, совокупность всех планов измерений может быть объединена во временной слой, а перечень всех маршрутов - в пространственный слой подвижной сенсорной сети. Планы и маршруты могут пересекаться по событиям, так как одно событие измерения может входить в несколько планов и маршрутов. Однако, учитывая данные определения, временной и пространственный слои являются ортогональными в силу непересекаемости, неперекрываемости содержимого элементов, образующих целостную систему каждого слоя.
В рамках задачи комплексной диагностики необходимо также выделить семантический слой, для чего определить задачу идентификации в виде паттерна р2 и функции:
ФиЛМ =ф(<уМ'/,г)={0Д}- (4).
Паттерн р2 описывает набор определенных значений V,- у I к, которые измеряемая величина ^ принимает в моменты времени соответственно. Этот набор характеризует высокий риск возникновения нештатной ситуации, поэтому может использоваться в задачах диагностики.
Отметим, что события е\ j г к помечены, так как описывают ожидаемые значения идентифицируемых параметров.
Совокупность пар
О = {^х. {чи,1,к,х}) [гу, }) (рг, {фш,к,г )Л (5)
образует онтологическую многослойную модель подвижной сенсорной сети.
Произведенная формализация позволяет поста-
вить и решить задачу планирования комплекса измерений следующим образом.
Рассмотрим сложную распределенную техническую систему, работу которой можно описать набором параметров, заданных для различных локаций. Для планирования работы такой системы можно выделить реальные события изменения параметров, соответствующие критическим (нештатным) ситуациям. При наличии в базе знаний диагностической сенсорной сети паттернов, описывающих такие ситуации, базовая задача обеспечения своевременной диагностики состоит в планировании событий измерений таким образом, чтобы в момент возникновения нештатной ситуации в локациях и в моменты времени, специфицированные паттернами, измерения были проведены.
Другими словами, для возникающих нештатных ситуаций, описываемых паттернами р2, необходимо обеспечить соответствующие и своевременные события измерения
р=££££ £ £еи,ш 'ф/.лш.г -
г=1/=1;=1/=1И=»2=1 (6)
=и,)№ — ^р ] ^ р тах
где ¿ир - интервал допустимой задержки или опережения измерения;
^ртах - количество всех реальных событий, соответствующих нештатной ситуации и описанных паттернами.
При стационарной сенсорной сети данная цель определяет достаточность дискретизации измерений для идентификации известных колебаний измеряемых сигналов. В подвижной сенсорной сети необходимо дополнительно обеспечивать экономию ресурсов (количества устройств сбора и обработки данных и их энергетические затраты). Данная проблема особенно актуальна при высокой автономности устройств сбора и обработки данных.
В связи с этим, для подвижной сенсорной сети необходимо достигать дополнительно:
л=Лт.еш* 'Ни,к,у -gj-l)^rnia (7),
у=и=\]=1
где L[gj - gj_l) - расстояние между локациями
и
Задача (6-7) является задачей планирования, для решения которой предлагается реализовать конструктивный алгоритм, основанный на последовательном построении графа измерений в многослойной подвижной сенсорной сети для заданного набора паттернов.
1. Для каждого паттерна определяются локации и отметки времени, необходимые для проведения измерений, в результате чего формируются фрагменты маршрутов.
2. С учетом Ыр определяется необходимая периодичность измерений в заданных локациях.
3. Многослойная модель распределенной подвижной диагностической сети позволяет реализовать градиентный алгоритм оптимизации существующего решения методом покоординатного спуска, при этом в качестве координаты будет представлен каждый слой модели.
4. Для сгенерированных фрагментов маршрутов решается задача маршрутизации с использованием жадного алгоритма VRPTW [12]. Были реализованы метод ветвей и границ и муравьиная колония.
5. С учетом возможностей устройств </• по анализу группы параметров производится объединение фрагментов маршрутов и оптимизация решения, полученного на шаге 4.
Предложенный в статье подход был проверен методом имитационного моделирования. Также весьма перспективным представляется его использование при построении диагностических систем для распределенных объектов технической инфраструктуры (трубопроводов или сетей связи), для которых необходимо реализовать постоянный мониторинг технического состояния ограниченным по количеству или назначению числом датчиков. Представленная модель также может быть полезна в медицинской диагностике и системах анализа больших данных.
Литература
1. Городецкий, В.И. Самоорганизация и многоагентные системы. I. Модели многоагентной самоорганизации // Известия РАН. Теория и системы управления. - 2012. - № 2. - С. 92-120.
2. Иващенко, А.В. Модель посредника-медиатора в подвижных сенсорных сетях распределенной диагностики / А.В. Иващенко, А.А. Минаев // Известия Самарского научного центра РАН. - Том 17. -№ 2 (5). - 2015. - С. 1004-1009.
3. Кучерявый, А.Е. Интернет вещей // Электросвязь. - 2013. - № 1. - С. 21-24.
4. Прохоров, С.А. Прикладной анализ случайных процессов / под ред. С.А. Прохорова. - Самара: Издательство СНЦ РАН, 2007. - 582 с.
5. Сарьян, В.К. Прошлое, настоящее и будущее стандартизации Интернета вещей / В.К. Сарьян, Н.А. Сущенко, И.А. Дубнов, Ю.А. Дубнов, С.В. Сахно, А.С. Лутохин // Труды НИИР. - 2014. - № 1. - С. 2-7.
6. Bessis, N. Big Data and Internet of Things: A roadmap for smart environments / N. Bessis, C. Dobre // Studies in computational intelligence, Springer, 2014. - 450 p.
7. Ivaschenko, A. Auction model of P2P interaction in multi-agent software / A. Ivaschenko, A. Lednev // Proceedings of the 5th International Conference on Agents and Artificial Intelligence ICAART 2013, Barcelona, Spain. - Vol. 1. - pp. 431-434.
8. Ivaschenko, A. Multi-agent solution for adaptive data analysis in sensor networks at the intelligent hospital ward / A. Ivaschenko, A. Minaev // Lecture Notes in Computer Science LNCS 8610, Springer International Publishing Switzerland, 2014. - pp. 453-463.
9. Ivaschenko, A. Moving sensors concept for distributed diagnostics / A. Ivaschenko, A. Novikov, D. Kosov, V. Kuzmin // IEEE SAI Intelligent Systems Conference 2015, London, UK. - pp. 1051-1053.
10. Jara, A.J. Determining human dynamics through the Internet of Things / A.J. Jara, Y. Bocchi, D. Genoud // Proceedigs of the 2013 IEEE/WIC/ACM International Conferences on Web Intelligence (WI) and Intelligent Agent Technology (IAT), Atlanta, Georgia, USA, 2013. - pp. 109-113.
11. Lin, H. Architectural design of multi-agent systems: technologies and techniques / ed. Hong Lin, Idea Group Inc (IGI) Global, 2007. - 421 p.
12. New Magenta papers // Ed.A. Ivaschenko. - Vol. 1. - 2012. - 68 p.
13. Schoder, D. Peer-to-peer prospects / D. Schoder, K. Fischbach // Communications of the ACM, 2003. -Vol. 46. - pp. 27-29.
