CC BY
11
05.13.15 ВЫЧИСЛИТЕЛЬНЫЕ МАШИНЫ, КОМПЛЕКСЫ
И КОМПЬЮТЕРНЫЕ СЕТИ
COMPUTERS, COMPLEXES AND COMPUTER NETWORKS
DOI: 10.33693/2313-223X-2020-7-3-62-71
Модели управления процессами сбора данных в сетях интернета вещей с динамической структурой
Аунг Мьо То1, a ©, Аббас Саддам Ахмед2, b ©, Н.А. Жукова3, c ©, В.В. Чернокульский2, d ©
1 Университет ИТМО,
г. Санкт-Петербург, Российская Федерация
2 Санкт-Петербургский электротехнический университет (ЛЭТИ), г. Санкт-Петербург, Российская Федерация
3 Санкт-Петербургский институт информатики и автоматизации Российской академии наук, г. Санкт-Петербург, Российская Федерация
a E-mail: aungmyothaw52660@gmail.com b E-mail: saddamabbas077@gmail.com c E-mail: nazhukova@mail.ru d E-mail: vladimir.chernokulsky@gmail.com
Аннотация. Сбор данных в сетях с динамической структурой представляет собой сложный процесс, который должен выполняться с учетом требований к безопасности, энергоэффективности и уровню задержек. Цель данного исследования -определение моделей, методов и средств сбора данных для сетей интернета вещей, имеющих динамическую структуру, которые одновременно отвечали бы современным требованиям к сбору данных в таких сетях: скорости сбора, обработки и передачи данных, объемам затрачиваемых энергоресурсов, уровню безопасности передаваемых данных в условиях динамического изменения структуры сетей, а также разработка моделей управления сбором данных, позволяющих эффективно реализовывать данный процесс. Для определения оптимальных моделей сбора данных, удовлетворяющих заявленным требованиям, авторами рассмотрены модели и методы сбора данных в динамических сетях, а также процессы управления данными. Исследование позволило определить наиболее эффективные технологии сбора данных в динамических сетях, к которым относятся Fog-технологии и технологии кластеризации. На основе проведенного анализа авторами разработана модель управления сбором данных, которая дает возможность производить построение и перестройку структур моделей в соответствии с предъявляемыми к ним требованиями и условиями сбора данных. Разработанные модели и методы авторы с успехом реализовали на практике: была разработана и апробирована система сбора данных с крановых комплексов, которая предназначена для работы на производственных площадках. В целом проведенное исследование позволило выявить методы и средства, эффективно решающие задачи сбора данных в сетях с динамической структурой, и продемонстрировать решение данных задач на практике.
Ключевые слова: управление процессами сбора данных; динамическая сеть; интернет вещей; вычислительные системы; Fog-технологии; управляющие модели сбора данных
ССЫЛКА НА СТАТЬЮ: Аунг Мьо То, Аббас Саддам Ахмед, Жукова Н.А., Чернокульский В.В. Модели управления процессами сбора данных в сетях интернета вещей с динамической структурой // Computational nanotechnology. 2020. Т. 7. № 3. С. 62-71. DOI: 10.33693/2313-223X-2020-7-3-62-71
DOI: 10.33693/2313-223X-2020-7-3-62-71
Management models of data collection processes in loT networks with the dynamic structure
Aung Myo Thaw1, a ©, Abbas Saddam Ahmed2, b ©, N.A. Zhukova3 c ©, V.V. Chernokulsky2, d ©
1 ITMO University,
St. Petersburg, Russian Federation
2 Saint- Petersburg Electrotechnical University (LETI), St. Petersburg, Russian Federation
3 St. Petersburg Institute of Informatics and Automation of the Russian Academy of Sciences, St. Petersburg, Russian Federation
a E-mail: aungmyothaw52660@gmail.com b E-mail: saddamabbas077@gmail.com c E-mail: nazhukova@mail.ru d E-mail: vladimir.chernokulsky@gmail.com
Abstract. The collection of data from the network with dynamic structure is a complex process that must be performed with considering of security, energy efficiency and latency requirements. To determine the optimal data collection models that meet the stated requirements, the authors analyzed models and methods of data collection in dynamic networks, as well as management processes of data collection. The study allows to determine the most effective technologies for data collection in dynamic networks, which include Fog technologies and clustering technologies. Based on the analysis, the authors have developed the model for data collection managment, which allows to construct and rebuild the structures of data collection models in accordance with the requirements and conditions of data collection. The developed approaches and principles were successfully implemented in practice: a system of data collection was tested for the crane complexes, which is designed to work at production sites. In general, the study allows to identify methods and tools that effectively solve the problems of data collection in the networks with dynamic structure, and to demonstrate the solution of these problems in practice.
Key words: data collection process management; dynamic network; internet of things; computing systems; Fog technologies; management models of data collection
FOR CITATION: Aung Myo Thaw, Abbas Saddam Ahmed, Zhukova N.A., Chernokulsky V.V. Management models of data collection processes in loT networks with the dynamic structure. Computational nanotechnology. 2020. Vol. 7. No. 3. Pp. 62-71. (In Russ.) DOI: 10.33693/2313-223X-2020-7-3-62-71
В последние годы интернет вещей (ИВ) стал оказывать большое влияние на развитие многих областей, таких как промышленность, здравоохранение, транспорт, системы управления для государственных организаций, также все большую популярность набирает концепция умных городов; было реализовано множество приложений ИВ, которые позволили расширить возможности существующих информационных систем, повысить их производительность. К 2030 г., в соответствии с прогнозом «Cisco», 500 миллиардов устройств будут подключены к Интернету, будет происходить интеграция интернета вещей со многими другими технологиями, начнут появляться новые экосистемы.
К основным задачам ИВ относятся следующие: управление сбором, обработкой, передачей и хранением больших объемов данных, совместное использование и управление ресурсами, агрегирование и извлечение информации, а также обеспечение высокого качества обслуживания сети.
В общем виде задача сбора данных может быть представлена как процесс получения данных от разных источников и предоставление их по запросу в требуемой форме. Различные динамические устройства предоставляют данные, которые содержат разнородную информацию. Собранные данные после предварительной обработки используются для решения практических задач, в том числе требующих прогнозирования состояния наблюдаемых объектов/устройств и управления ими при построении моделей технических и природных объектов.
Основной проблемой построения систем сбора данных от разнородных динамических устройств следует считать противоречие между высокой сложностью сетей с такими устройствами и предъявляемыми к ним жесткими требованиями по эффективности функционирования: быстродействию (время отклика, пропускная способность), ограничениям, накладываемым на используемые ресурсы (производительность контроллеров, пропускная способность
каналов связи, энергопотребление), а также уровням надежности и безопасности. Использование существующих подходов и технологий не позволяет эффективно решать указанные задачи, что говорит о необходимости разработки новых технологий построения систем сбора данных, ориентированных на функционирование в составе динамических сетей, с учетом пропускной способности каналов связи и ограничений на производительность вычислителей и стоимость реализации.
ТРЕБОВАНИЯ К СБОРУ ДАННЫХ В СЕТЯХ ИВ
В процессе управления сбором данных в системах ИВ необходимо учитывать ряд требований:
1. Уровень задержек в процессе управления сбором и передачей данных. Динамическая структура сетей обусловливает жесткие ограничения на допустимое время задержки.
2. Эффективное энергопотребление. Большинство сенсорных устройств, взаимодействующих в сетях ИВ, обладают ограниченными энергоресурсами. Время жизни сети сенсорных устройств напрямую зависит от объемов передаваемых данных. На увеличение потребления энергоресурсов влияет применение средств обеспечения безопасности данных. Частично проблему энергопотребления может решить адаптация и масштабирование сетей.
3. Обеспечение безопасности данных. При сборе данных, поступающих от устройств, в том числе имеющих ограниченные ресурсы, должна обеспечиваться защита данных от атак, от потерь при маршрутизации.
Перечисленные требования достаточно тесно взаимосвязаны. Следует учитывать, что сети, передающие и собирающие данные с высокой скоростью, а также реализующие оптимальные модели энергопотребления, как правило, обладают низким уровнем безопасности данных. Для выполнения предъявляемых требований к сбору данных в сетях ИВ с динамической структурой необходимо обеспечить возможность управления этими процессами средствами вычислительных систем.
МОДЕЛИ, МЕТОДЫ И СРЕДСТВА
СБОРА ДАННЫХ В ДИНАМИЧЕСКИХ СЕТЯХ ИВ
Процессы управления сбором данных обеспечиваются при помощи следующих современных технологий сбора и обработки данных:
1. Сенсорные технологии. Сети ИВ могут получать информацию о состоянии объектов с помощью интеллектуальных сенсорных устройств. Сеть предполагает использование большого количества таких устройств, характеризующихся низкой стоимостью и малым энергопотреблением.
2. Промежуточные платформы. Представляют собой интерфейс между аппаратным уровнем и уровнем приложений. На данных платформах осуществляется взаимодействие с устройствами и реализуются процессы управления информацией. Основная задача платформы - предоставить единую модель для взаимодействия с различными устройствами.
3. Облачные вычислительные системы. Данные системы обеспечивают доступ конечных приложений к рас-
пределенным вычислительным ресурсам, к которым приложения обращаются как к локальным сервисам. В состав систем входит множество сервисов (например, сервисы хранения и обработки данных).
4. Системы Fog-вычислений. Применение вычислительных систем, использующих ресурсы туманных сервисов, позволяет сокращать задержки при передаче данных, обеспечивать хранение и обработку данных в условиях динамических сетей. Fog-узлы располагаются как можно ближе к пользователям, обработка информации ведется непосредственно на этих узлах.
5. Модели маршрутизации данных. Применение данных моделей и алгоритмов направлено на обеспечение безопасной передачи больших объемов данных оптимальным образом. Эффективная маршрутизация данных позволяет сократить задержки и снизить энергопотребление.
6. Методы шифрования данных. Для систем ИВ остро стоит вопрос безопасности, так как передаваемые по беспроводным сетям данные подвержены несанкционированному мониторингу и атакам. Для защиты данных применяются, в основном, облегченные методы шифрования, поскольку в ИВ распространены устройства с ограниченными ресурсами.
7. Модели социальных сетей. Данные модели позволяют в сетях мобильного ИВ обеспечить безопасность данных, поступающих от устройств с ограниченными ресурсами, а также снизить объемы энергии, затрачиваемой на сбор данных. Между объектами устанавливаются так называемые «социальные отношения», характеризующиеся частотой и надежностью взаимодействий.
УПРАВЛЕНИЕ ПРОЦЕССАМИ СБОРА ДАННЫХ
В ДИНАМИЧЕСКИХ СЕТЯХ ИВ
Сбор данных в динамических сетях осложнен большими объемами этих данных. Кроме того, при сборе данных следует учитывать динамическую структуру сетей, а также требования к безопасности, энергопотреблению, скорости отклика и пр. Для выполнения этих требований необходимо иметь возможность строить процессы управления данными.
В процесс управления данными входит управление обработкой данных, а также маршрутизация данных при их передаче на Fog-узлы или в облако.
ФИЗИЧЕСКИЙ УРОВЕНЬ
На физическом уровне данные поступают от большого числа разнородных пространственно распределенных устройств, широко используются беспроводные сенсорные сети. Современные сети способны к самоорганизации, имеют динамическую структуру, чаще всего состоят из устройств с ограниченными ресурсами. Все это делает такие сети уязвимыми, а значит, процессы управления сбором данных должны учитывать требования безопасности.
На данном этапе для управления данными предложены линейные протоколы и протоколы кластеризации. Последние имеют значительные преимущества при решении задач маршрутизации данных в сетях мобильного ИВ [Rady, Sabor, Shokair, 2018; Suwandhada, Panyim, 2019; Zhang, Qiu, Zhang, Wu, 2019].
УРОВЕНЬ ПЛАТФОРМ ПРОМЕЖУТОЧНОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
Промежуточные платформы дают возможность интегрировать различные системы. Управление данными основано на блокчейн-системах, находящихся между источниками данных ИВ и облачными серверами [Hao, Kodialam, Lakshman, Mukherjee, 2017]. Платформа на основе блокчейна предоставляет децентрализованные механизмы контроля доступа к данным. Основной недостаток использования таких систем - высокий уровень энергопотребления.
ВЫЧИСЛИТЕЛЬНЫЕ СИСТЕМЫ НА ОСНОВЕ ОБЛАЧНЫХ И ТУМАННЫХ СРЕД
В настоящее время облачные и Fog-технологии являются наиболее востребованными, поскольку позволяют строить системы, имеющие достаточно высокую производительность, способные обеспечить защиту и управление данными в среде ИВ. Вычислительные системы на основе Fog позволяют преобразовывать исходные потоки данных и сокращать объем данных, передаваемых в облако, что способствует уменьшению энергопотребления и задержек. Для этого применятся различные модели обработки данных. Облачные среды располагают большими ресурсами для хранения и управления данными.
УПРАВЛЕНИЕ ПРОЦЕССАМИ ОБЕСПЕЧЕНИЯ БЕЗОПАСНОСТИ СБОРА ДАННЫХ В СЕТЯХ С ДИНАМИЧЕСКОЙ СТРУКТУРОЙ
В динамических сетях состав устройств постоянно изменяется. Новые элементы подключаются к сети, в это время другие устройства выходят из зоны ее действия. Устройства генерируют огромные объемы данных, которые необходимо обрабатывать и хранить. Эти задачи решаются при помощи процессов управления данными. При реализации таких процессов должны учитываться требования к безопасности данных.
БЕЗОПАСНОСТЬ ДАННЫХ НА УРОВНЕ УСТРОЙСТВ И СЕТЕВОМ УРОВНЕ
Основной причиной возникновения угроз является динамическое изменение структуры сетей, связанное с изменением положений мобильных устройств, входящих в их состав. Изменения структуры сетей используются злоумышленниками для организации атак. К возможным атакам относятся DDoS-атаки, также может организовываться прослушивание сетей. Проведение атак может предусматривать захват узлов, внедрение вредоносных узлов. Возможны атаки по побочным каналам. Целью атак может быть получение несанкционированного доступа к данным, нарушение маршрутизации данных, нормального обслуживания потребителей и др. В результате может быть нарушена целостность данных, возникнуть перегрузки в сетях. Для предотвращения атак на устройства динамической сети используются различные методы обеспечения безопасности, такие как аутентификация, контроль доступа, использование криптографических ключей.
БЕЗОПАСНОСТЬ
НА УРОВНЕ ОБРАБОТКИ ДАННЫХ
На рассматриваемом уровне обрабатываются и хранятся разнородные данные, поступающие от устройств. Это могут быть веб-данные, документы, данные датчиков, электронные письма и др. Атаки на облачные сервисы и Fog-узлы являются одним из наиболее распространенных типов атак. Наибольшим угрозам подвержены данные, передаваемые и размещаемые в облаке. В результате атак злоумышленник может получить контроль над общими ресурсами сети, поэтому обеспечение безопасности данных, размещаемых в облаке, можно считать одним из приоритетных направлений в сфере безопасности систем ИВ.
БЕЗОПАСНОСТЬ НА ПРИКЛАДНОМ УРОВНЕ
Управление данными на прикладном уровне должно обеспечивать предоставление данных конечным пользователям. Часто речь идет о конфиденциальных данных, поэтому задача обеспечения безопасности имеет высокий приоритет. На уровне приложений возникновение проблем обеспечения безопасности связано с созданием и использованием компьютерных вирусов, червей, троянских коней, шпионских программ и другого вредоносного программного обеспечения. Атаки на этом уровне могут привести к перехвату данных, подмене данных недостоверными, отказам в обслуживании. Для обеспечения безопасности выявляются возможные уязвимости в приложениях, разграничиваются права доступа к данным; могут также использоваться технологии шифрования данных, однако их применение приводит к существенному увеличению задержек при передаче данных. К другим применяемым механизмам защиты относятся брандмауэры, IDS (система обнаружения вторжений, Intrusion Detection System), антивирусы.
Процессы управления сбором данных в сетях с динамической структурой достаточно сложны. Часто в состав таких сетей входят десятки, сотни, а иногда и тысячи элементов. Все эти элементы некоторым образом связаны друг с другом и находятся в постоянном взаимодействии. Одни составляющие могут оказывать существенное влияние на другие. Большое число составляющих приводит к неоднородности объектов в целом. Отдельно наблюдаемые объекты могут являться элементами других, еще более сложных объектов, о которых требуется получать информацию. Значительное влияние на процессы сбора данных может оказывать окружающая среда.
МОДЕЛЬ УПРАВЛЕНИЯ СБОРОМ ДАННЫХ
Содержание информационных потоков, поступающих от устройств, носит название контента информационных потоков. Условия обработки контента определяют контекст сбора данных.
Собираемые данные представляются в виде:
{ds} = {d0} =
mk), ay}, tk - M < tk,
где ^ - контент; ^ - контекст обработки; tk - заданный момент времени. Возможны следующие постановки задачи сбора данных. Целевые критерии:
1) обеспечение эффективности энергопотребления в процессе сбора данных; ограничения устанавливаются на уровень безопасности и время задержки;
2) задержка сбора данных; ограничения устанавливаются на уровень безопасности и объемы потребляемой энергии;
3) безопасность сбора данных; ограничения устанавливаются на энергопотребление и время задержки.
Для решения представленных задач используются управляющие модели сбора данных, позволяющие производить построение и перестройку структур моделей сбора данных в соответствии с предъявляемыми к ним требованиями и условиями сбора данных [Жукова, Панькин, 2012]. Структура управляющей модели представлена на рис. 1.
Согласно представленной структуре требования к процессам сбора определяются формальными моделями X ,
которые построены на момент времени г. Исходя из предъявляемых требований строятся функциональные (Н) и информационные (5.) модели систем сбора данных. При построении моделей учитываются имеющиеся предметно-и проблемно-ориентированные модели (О.) и условия построения моделей (Е.). Возможно получение дополнительной информации из внешней среды за счет формирования запросов Ояг и Е^ На основе функциональных и информационных моделей строятся процессные и сервисные модели (Сг). В соответствии с ними формируются процессы сбора данных Yr. На процессы сбора данных могут накладываться ограничения (Я^), определяемые со стороны функциональных и информационных моделей.
Рис. 1. Структура управляющей модели:
Rr - ограничения на модели; Мг - модели; ( )- управляющие воздействия; ( )q - запрос на ресурсы; ( )d - элементы данных или их описания
Fig. 1. The structure of the control model:
R - restrictions of the models; М - models; ( ) - managing the impact; ( )q - request for resources; ( )d- data elements and their descriptions
Таким образом, состояния управляющих моделей на момент времени г определяются состояниями функциональных, информационных, процессных и сервисных моделей Бг = {Н., 5., Сг}. При изменении входных параметров выполняется перестройка моделей, приводящая к перестройке процессов сбора данных. Вопросы учета условий Ег при перестройке рассмотрены в рЬш^а, 2015; Водяхо, Жукова, Климов и др., 2018; Osipov, Vodyaho, КПт^ et а1., 2019]. Примеры моделей О. приведены в [Vodyaho, Zhukova, 2014; Коробов, Лапаев, Водяхо, Жукова, 2016; Водяхо, Мустафин, Жукова, 2017].
Для формирования воздействий по построению и перестройке моделей используются связанные классификаторы. Перечень классификаторов и их описания приведены в [Жу-
кова, 2019]. Модели, построенные на основе классификаторов, описывающих требования, предъявляемые к результатам сбора, собираемые данные, процессы сбора, алгоритмы сбора, а также методы оценки получаемых результатов, позволяют с единых позиций описывать различные процессы сбора данных.
СИСТЕМА СБОРА ДАННЫХ
С КРАНОВЫХ КОМПЛЕКСОВ
В качестве примера, иллюстрирующего возможность реализации предлагаемого подхода на практике, рассмотрена система сбора данных с крановых комплексов. В системе используются Fog-технологии и технологии кластеризации.
a
Рис. 2. Внешний вид и структурная схема крана: а - мостового; б - полукозлового
1 - привод перемещения крана; 2 - тележка грузоподъемная; 3 - привод перемещения тележки; 4 - датчик расстояния; 5 - крюк грузозахватный
Fig. 2. Appearance and structural diagram of the crane: a - bridge structure; b- semi-gantry structure 1 - drive unit of crane movement; 2 - lifting trolley; 3 - drive of trolley movement; 4 - distance sensor; 5 - lifting hook
2
1
Рассматриваемая в качестве примера система сбора данных с крановых комплексов рассчитана на применение на производственных площадках. Производственные площадки состоят из нескольких цехов, в которых работают мостовые и полукозловые краны (рис. 2).
На кранах установлены датчики двух типов: аналоговые и дискретные. На основе данных, поступающих от датчиков, решаются задачи оценки состояния кранов и обеспечения их работоспособности. К собираемым данным предъявляются требования по частоте собираемых данных и по оперативности их сбора. В рабочем режиме данные о состоянии предохранителей должны собираться с частотой не менее 2 Гц, с датчиков массы груза - не менее 2 Гц, с датчиков температуры двигателей - не менее 1 Гц. В режиме простоя крана необходимо собирать информацию только о состоянии электросети и температуре окружающей среды. При сборе данных необходимо обеспечить задержку передачи данных с кранов на рабочее место главного механика не более 5 с. На туманных узлах для снижения объема собираемых и сохраняемых данных используется априорная информация об объекте, с которого собирается информация, типах установленных на нем датчиков, динамике изменения измеряемых величин.
Графики на рис. 3 показывают объемы передаваемых данных за одну смену работы крана с использованием традиционной и новой схемы сбора данных. Графики на рис. 4 отражают суммарные объемы собираемых данных в течение 1 месяца. Графики построены для основных режимов работы мостовых/полукозловых кранов.
Режим холостого перемещения соответствует работе приводных механизмов крана в ненагруженном состоянии (отсутствие груза на крюке). При работе крана в данном режиме для управления используется неполный набор датчиков. Количество используемых дискретных датчиков составляет ~40% от их общего количества, а количество аналоговых датчиков ~30%. В режиме перемещения под нагрузкой работа приводных механизмов крана предусматривает наличие
груза на крюке. Количество используемых дискретных датчиков ~60%, аналоговых ~70%. Режим перемещения в тандеме - это режим для кранов с двумя грузоподъемными механизмами. В этом режиме осуществляется одновременное синхронное перемещение кранов. Режим применяется при перемещении крупногабаритных грузов. Количество используемых дискретных датчиков ~90%, аналоговых ~70%. Перемещение в режиме противораскачивания - это специальный режим работы для снижения амплитуды раскачивания груза на тросе. Количество используемых дискретных датчиков ~75%, аналоговых датчиков ~90%.
Таким образом, применение предложенной модели сбора данных позволило обеспечить сокращение объемов передаваемых и сохраняемых данных, снижение нагрузки на канал передачи данных. Внедрение разработанной схемы на предприятии позволило не закупать новые дорогостоящие промышленные накопители данных, позволяющие сохранять срезы регистров программных логистических контроллеров с высокой частотой.
Оперативность передачи данных оценивалась для трех типовых цехов.
Параметры цеха № 1: скорость Ethernet - 10 Мбит/с, скорость WiFi - от 1-10 Мбайт/с, средний уровень электромагнитных помех - 50 дБ.
Параметры цеха № 2: скорость Ethernet - 100 Мбайт/с, скорость WiFi - от 1-10 Мбайт/с, средний уровень электромагнитных помех - 30 дБ.
Параметры цеха № 3: скорость Ethernet - 1 Гбит/с, скорость WiFi - от 1-10 Мбайт/с, средний уровень электромагнитных помех - 15 дБ.
На рис. 5, а - 7, а показаны графики времени передачи данных при использовании традиционной схемы, для новой модели - на рис. 5, б - 7, б.
Повышение оперативности дало возможность быстро выявлять неполадки, возникающие на оборудовании, установленном на кранах, снизить вероятность отказа кранов и простоя производства.
lÜÜÜ
BÜÜ
äo 6üü
4ÜÜ
2ÜÜ
llüü
5ÜÜÜ lüüüü l5 ÜÜÜ 2ÜÜÜÜ 25ÜÜÜ 3ÜÜÜÜ Время (25Ü м^ [Time (25Ü ms)]
lÜÜÜ
ru +J
vo ^
n fD
ю Q O"
9ÜÜ
BÜÜ
7ÜÜ
6ÜÜ
5ÜÜ
- Туманная версия
[Fog version]
-- Классическая версия
[Classic version]
5ÜÜÜ lüüüü l5 ÜÜÜ 2ÜÜÜÜ 25 ÜÜÜ 3ÜÜÜÜ Время (25Ü м^ [Time (25Ü ms)]
b
Ü
a
llüü lÜ5Ü $ lüüü
3«
95Ü
9ÜÜ
_Q TO
ю Q O"
B5Ü
BÜÜ
75Ü 7ÜÜ
5ÜÜÜ lüüüü l5 ÜÜÜ 2ÜÜÜÜ 25 ÜÜÜ 3ÜÜÜÜ Время (25Ü мc) [Time (25Ü ms)]
llüü
lÜÜÜ
fD -M
vo ^
n TO
ю Q
o"
9ÜÜ
BÜÜ
7ÜÜ
5ÜÜÜ lüüüü l5 ÜÜÜ 2ÜÜÜÜ 25 ÜÜÜ 3ÜÜÜÜ Время (25Ü м^ [Time (25Ü ms)]
d
Ü
Ü
c
Рис. 3. Объем передаваемых данных в различных режимах работы крана за одну смену: а - режим холостого перемещения; b - режим перемещения под нагрузкой; c - режим перемещения в тандеме; d - режим противораскачивания
Fig. 3. The volume of transferred data in different operating modes of the crane per movement: a - mode of idle move; b - movement under load mode; c - movement under tandem mode; d- anti-swing mode
2S ÜÜÜ
2ÜÜÜÜ
£ lS ÜÜÜ
lÜÜÜÜ
SÜÜÜ
— Кран № 1 [Crane #1] — Кран №2 [Crane #2] - Кран №3 [Crane #3]
i
! Г
SÜÜÜ lÜÜÜÜ lS ÜÜÜ 2ÜÜÜÜ 25 ÜÜÜ 3ÜÜÜÜ Время симуляции, с [Simulation time, s]
a
2SÜ
2ÜÜ
lSÜ
lÜÜ
SÜ
- Все краны [All cranes]
/ -,
SÜÜÜ lÜÜÜÜ lS ÜÜÜ 2ÜÜÜÜ 25 ÜÜÜ 3ÜÜÜÜ Время (2SÜ мс) [Time (2SÜ ms)]
b
Рис. 5. Оперативность передачи данных в цехе № 1: а - традицианная схема; b - новая модель
Fig. 5. Operativeness of data transmission in the operation 1: a - traditional scheme; b - new model
Ü
Ü
Ü
Ü
1е7
1е7
£
CD -M VD ^ , _Q
lÎ
1
§ cd
.0 CD
Ю Q O"
3,0 2,5 2,0 ,5 1,0 0,5 0,0
ф fü -M
VD ^ , _Q
Ii
X 3
§ CD
ф m
.0 CD
£ Q O"
— Туманная версия [Fog version]
— Классическая версия [dassic version]
3,0
2,5
l-Q 2,0 1,5
о
0 5000 10 000 15 000 20 000 25 000 30 000 Время (250 м^ [Time (250 ms)]
a
1е7
3,0 2,5 2,0 1,5 1,0 0,5 0,0
— Туманная версия [Fog version]
— Классическая версия [dassic version]
ф
CD -M VD ^ , _Q
Uli
X 3
§ CD
ф m _Q CD
£ Q O"
5000 10 000 15 000 20 000 25 000 30 000 Время (250 м^ [Time (250 ms)]
1,0
0,5
0,0
- Туманная верси [Fog version] - Классическая [dassic version] 1я
ерсия /
5000 10 000 15 000 20 000 25 000 30 000 Время (250 м^ [Time (250 ms)]
b
1е7
2,0
1,5
1,0
0,5
0,0
- Туманная верси [Fog version] - Классическая [dassic version] я
ерсия
5000 10 000 15 000 20 000 25 000 30 000 Время (250 м^ [Time (250 ms)]
d
Рис. 4. Суммарный объем передаваемых данных в различных режимах работы крана в течение 1 месяца: а - режим холостого перемещения; b - режим перемещения под нагрузкой; c - режим перемещения в тандеме; d - режим противораскачивания
Fig. 4. The total volume of transmitted data in different operating modes of the crane on an interval of one month: a - mode of idle move; b - movement under load mode; c - movement under tandem mode; d - anti-swing mode
ф
E
■-P
12 000
10 000
8000
6000
4000
2000
- Кран № 1 [Crane #1] Кран № 2 [Crane #2] - - Кран №3 [Crane #3]
5000 10 000 15 000 20 000 25 000 30 000 Время симуляции, с [Simulation time, s]
a
30
25
20
15
a 10
0 5000 10 000 15 000 20 000 25 000 30 000 Время (250 мс) [Time (250 ms)]
b
Рис. 6. Оперативность передачи данных в цехе № 2: а - традицианная схема; b - новая модель
Fig. 6. Operativeness of data transmission in the operation 2:
a - traditional scheme; b - new model
0
0
0
c
5
0
0
0
Ü Süüü lüüüü 1SÜÜÜ Züüüü 25 ÜÜÜ Büüüü ü SÜÜÜ lüüüü 1SÜÜÜ Züüüü 2SÜÜÜ Büüüü
Время симуляции, с [Simulation time, s] Время (2SÜ мс) [Time (2SÜ ms)]
ab
Рис. 7. Оперативность передачи данных в цехе № 3: а - традицианная схема; b - новая модель
Fig. 7. Operativeness of data transmission in the operation 3: a - traditional scheme; b - new model
ЗАКЛЮЧЕНИЕ
Анализ требований к сбору данных и методов, используемых для сбора данных в существующих сетях ИВ, проведенный авторами, предоставил необходимую информацию для построения модели управления сбором данных в сетях с ди-
намической структурой. Выявленные особенности управления процессами сбора данных и обеспечения безопасности были учтены в предлагаемой модели. Предложенная система сбора данных с крановых комплексов показала эффективность в части снижения объемов передаваемых данных и оперативности передачи данных.
Литература
1. Suwandhada K, Panyim K. ALEACH-Plus: An Energy Efficient Cluster Head Based Routing Protocol for Wireless Sensor Network. 7th International Electrical Engineering Congress (iEECON) (Hua Hin, Thailand, Mar. 6-8, 2019). IEEE. 2019. Pp. 1-4. DOI: 10.1109/ ÍEECON45304.2019.8938948.
2. Rady A, Sabor N., Shokair M, El-Rabaie E.-S.M. Mobility based genetic algorithm hierarchical routing protocol in mobile wireless sensor networks. International Japan-Africa Conference on Electronics, Communications and Computations (JAC-ECC) (Alexandria, Egypt, Dec. 17-19, 2018). IEEE. 2018. Pp. 83-86. DOI: 10.1109/JEC-ECC.2018.8679548.
3. Zhang D., Qiu J.-N., Zhang T., Wu H. New energy-efficient hierarchical clustering approach based on neighbor rotation for edge computing of loT. 28th International Conference on Computer Communication and Networks (ICCCN) (Valencia, Spain, 29 July - 1 Aug. 2019). IEEE. 2019. Pp. 1-2. DOI: 10.1109/ICCCN.2019.8847073.
4. Hao F., Kodialam M., Lakshman T.V., Mukherjee S. Online allocation of virtual machines in a distributed cloud. IEEE/ACM Transactions on Networking. 2017. Vol. 25. Iss. 1. Pp. 238-249. DOI: 10.1109/ TNET.2016.2575779.
5. Жукова Н. А., Панькин А. В. Принципы организации управления процессами обработки и анализа многомерных измерений в ИГИС // Материалы 5-й Рос. мультиконф. по проблемам управления «Информационные технологии в управлении» (ИТУ-2012) (СПб., 9-11 окт. 2012 г.). СПб.: АО Концерн «ЦНИИ "Электроприбор"», 2012. С. 403-414.
6. Zhukova N. Dynamic resources management in agile IGIS. Information Fusion and Geographic Information Systems (IF&GIS' 2015): 7th International Workshop on Information Fusion and Geographic Information Systems: Deep Virtualization for Mobile (Grenoble, France, May 18-20, 2015). V. Popovich, C. Claramunt, M. Schrenk, K. Korolenko, J Gensel (eds.). Springer International Publishing, 2015. Pp. 125-145. (Lecture notes in Geoinformation and Cartography).
7. Водяхо А.И., Жукова Н.А., Климов Н.В. и др. Вычислительные модели когнитивных систем мониторинга // Морские интеллектуальные технологии. 2018. Т. 3. № 4 (42). С. 147-153.
References
1. Suwandhada K., Panyim K. ALEACH-Plus: An Energy Efficient Cluster Head Based Routing Protocol for Wireless Sensor Network. 7th International Electrical Engineering Congress (iEECON) (Hua Hin, Thailand, Mar. 6-8, 2019). IEEE. 2019. Pp. 1-4. DOI: 10.1109/ ÍEECON45304.2019.8938948.
2. Rady A, Sabor N., Shokair M, El-Rabaie E.-S.M. Mobility based genetic algorithm hierarchical routing protocol in mobile wireless sensor networks. International Japan-Africa Conference on Electronics, Communications and Computations (JAC-ECC) (Alexandria, Egypt, Dec. 17-19, 2018). IEEE. 2018. Pp. 83-86. DOI: 10.1109/JEC-ECC.2018.8679548.
3. Zhang D., Qiu J.-N., Zhang T., Wu H. New energy-efficient hierarchical clustering approach based on neighbor rotation for edge computing of loT. 28th International Conference on Computer Communication and Networks (ICCCN) (Valencia, Spain, 29 July - 1 Aug. 2019). IEEE. 2019. Pp. 1-2. DOI: 10.1109/ICCCN.2019.8847073.
4. Hao F., Kodialam M., Lakshman T.V., Mukherjee S. Online allocation of virtual machines in a distributed cloud. IEEE/ACM Transactions on Networking. 2017. Vol. 25. Iss. 1. Pp. 238-249. DOI: 10.1109/ TNET.2016.2575779.
5. Zhukova N.A., Pankin A.V. The principles of organization management for the processing and analysis of multidimensional measurements in GIS. Materials of the 5th multiconference on management problems "Information technologies in management" (ITU-2012) (St. Petersburg, Oct. 9-11, 2012). St. Petersburg: AO Concern "TsNII 'Electropribor' ", 2012. Pp. 403-414. (In Russ.)
6. Zhukova N. Dynamic resources management in agile IGIS. Information Fusion and Geographic Information Systems (IF&GIS' 2015): 7th International Workshop on Information Fusion and Geographic Information Systems: Deep Virtualization for Mobile (Grenoble, France, May 18-20, 2015). V. Popovich, C. Claramunt, M. Schrenk, K. Korolenko, J Gensel (eds.). Springer International Publishing, 2015. Pp. 125-145. (Lecture notes in Geoinformation and Cartography).
7. KorobovD.A., LapaevM.V, VodyakhoA.I.,ZhukovaN.A. Computational models of cognitive monitoring systems. Marine Intelligent Technologies. 2018. Vol. 3. No. 4 (42). Pp. 147-153. (In Russ.)
8. Osipov V.U., Vodyaho A.I., Klimov N.V. et al. Computational and technological models of cognitive monitoring systems // Advances in Science, Technology and Engineering Systems Journal. 2019. Vol. 2. Iss. 1. Pp. 197-202.
9. Vodyaho A., Zhukova N. System of ontologies for data processing applications based on implementation of data mining techniques. Proceedings of the 3rd International Conference on Analysis of Images, Social Networks and Texts, AIST 2014 (Yekaterinburg, Russia, April, 2014). 2014. Vol. 1197. Pp. 102-116.
10. Коробов Д.А., Лапаев М.В., Водяхо А.И., Жукова Н.А. Модели представления данных в области медицины // Известия СПбГЭ-ТУ «ЛЭТИ». 2016. № 7. С. 7-13.
11. Водяхо А.И., Мустафин Н.Г., Жукова Н.А. Онтологический подход к построению систем мониторинга ресурсов в сетях кабельного телевидения // Известия СПбГЭТУ «ЛЭТИ». 2017. № 2. C. 29-38.
12. Жукова Н.А. Онтологические модели трансформации данных о состоянии технических объектов // Онтология проектирования. 2019. Т. 9. № 3 (33). С. 345-360.
8. Osipov V.U., Vodyaho A.I., Klimov N.V. et al. Computational and technological models of cognitive monitoring systems. Advances in Science, Technology and Engineering Systems Journal. 2019. Vol. 2. Iss. 1. Pp. 197-202.
9. Vodyaho A., Zhukova N. System of ontologies for data processing applications based on implementation of data mining techniques. Proceedings of the 3rd International Conference on Analysis of Images, Social Networks and Texts, AIST 2014 (Yekaterinburg, Russia, April, 2014). 2014. Vol. 1197. Pp. 102-116.
10. Korobov D.A., Lapaev M.V., Vodyakho A.I., Zhukova N.A. Data presentation models in the field of medicine. News of SPbGETU "LETI". 2016. No. 7. Pp. 7-13. (In Russ.)
11. Vodyakho A.I., Mustafin N.G., Zhukova N.A. Ontological approach to the construction of resource monitoring systems in cable television networks. News of SPbGETU "LETI". 2017. No. 2. Pp. 29-38. (In Russ.)
12. Zhukova N.A. Ontological models of data transformation on the state of technical objects. Ontology Engineering. 2019. Vol. 9. No. 3 (33). Pp. 345-360. (In Russ.)
Статья проверена программой Антиплагиат
Рецензент: Семенов А.С., канд. техн. наук; начальник отдела АО «Научно-исследовательский центр электронной вычислительной техники» (АО "НИЦЭВТ"); доцент Московского государственного университета имени М.В. Ломоносова; ведущий научный сотрудник, Высшая школа экономики. Москва, Российская Федерация. ORCID: 0000-0003-4878-6287. ResearcherlD: V-4265-2018. Scopus, AuthorlD: 57061601800
Статья поступила в редакцию 28.08.2020, принята к публикации 25.09.2020 The article was received on 28.08.2020, accepted for publication 25.09.2020
СВЕДЕНИЯ ОБ АВТОРАХ
Аунг Мьо То, аспирант факультета программной инженерии и компьютерной техники Университета ИТМО. Санкт-Петербург, Российская Федерация. E-mail: aungmyothaw52660@gmail.com
Аббас Саддам Ахмед, аспирант кафедры вычислительной техники Санкт-Петербургского электротехнического университета (ЛЭТИ) им. В.И. Ульянова. Санкт-Петербург, Российская Федерация. E-mail: saddamabbas077@ gmail.com
Жукова Наталия Александровна, кандидат технических наук, доцент; старший научный сотрудник Санкт-Петербургского института информатики и автоматизации Российской академии наук. Санкт-Петербург, Российская Федерация. РИНЦ Author ID: 222968. ORCID: 0000-0001-5877-4461. E-mail: nazhukova@mail.ru Чернокульский Владимир Викторович, аспирант Санкт-Петербургского электротехнического университета (ЛЭТИ) им. В.И. Ульянова. Санкт-Петербург, Российская Федерация. E-mail: vladimir.chernokulsky@gmail.com
ABOUT THE AUTHORS
Aung Myo Thaw, PhD student at the Faculty of Software Engineering and Computer Engineering of the ITMO University. St. Petersburg, Russian Federation. E-mail: aungmyothaw52660@gmail.com
Abbas Saddam Ahmed, PhD student at the Department of Computer Science and Engineering of the Saint-PetersburgElectrotechnicalUniversity(LETI).St.Petersburg, Russian Federation. E-mail: saddamabbas077@gmail.com Natalia A. Zhukova, Cand. Sci. (Eng.), Assoc. Prof.; senior researcher at the St. Petersburg Institute of Informatics and Automation of the Russian Academy of Sciences. St. Petersburg, Russian Federation. Researcher ID: K-9143-2018. Scopus ID: 56406142300. E-mail: nazhukova@ mail.ru
Vladimir V. Chernokulsky, PhD student of the Saint-Petersburg Electrotechnical University (LETI). St. Petersburg, Russian Federation. E-mail: vladimir.chernokulsky@ gmail.com
