群智大數據感知網絡部署機制研究

李金航　何欣　丁爽

摘 要：移動群智感知是一種新的大規模的感知模式，它將人作為基本的感知單元進行數據的收集，正在被廣泛部署并逐步融入到日常生活中。就目前來看，現有的模型和方法已經不能滿足在數據處理和數據收集方面的需求，雖然有很多的方法來提高群智感知的數據收集方法與數據傳輸方法，但是仍然缺少大規模的混合感知框架模型，該文對基礎的感知網絡框架模型進行分析，為以后的感知框架發展奠定敦實的基礎。

關鍵詞：移動群智感知 數據收集 感知模型

中圖分類號：TP311.13 文獻標識碼：A 文章編號：1672-3791（2019）01（c）-0012-04

Abstract： Mobile crowd sensing is a new large-scale perception model that collects data as a basic unit of perception and is being widely deployed and gradually integrated into daily life. At present， the existing models and methods can no longer meet the requirements of data processing and data collection. Although there are many ways to improve the group-aware data collection methods and data transmission methods， there is still a lack of large-scale mixed sensing. This paper analyzes the basic perceptual network framework model and lays a solid foundation for the development of the perception framework in the future.

Key Words： Mobile crowd sensing； Data collection； Sensing model

近年來，由于科技的不斷進步，帶動物聯網、無線傳感網絡等的高速發展，而作為移動智能終端手機、ipad、車載網絡、可穿戴設備等也趨向于平民化，基本上屬于人人所持有的設備，而且在日常生活中也逐漸成為了人們所離不開的設備，這也為移動群智感知網絡的發展奠定了基礎。在此背景下，一種新的感知模式——移動群智感知[5]應運而生，相較于傳統的感知技術，它最大的不同就是不依賴于專業的設備與技術人員，而是將所有攜帶移動智能設備的人、動物、車輛等作為基本的感知單元，形成大規模、及時性的感知系統。

群智感知就是利用人攜帶智能設備或者可穿戴設備，作為基本的感知單元，在較短的距離內用無線通信的方式進行相互的合作，進行數據的收集與傳輸。而用戶參與數據的收集方式主要體現為：線下移動感知參與，通過（human-in-the-loop）感知模式傳輸數據；在線社交媒體參與，通過各種移動社交媒體貢獻數據。但是受移動節點的自身能力和網絡框架的限制，群智感知的網絡難以形成較大的規模。該文將正方形網格劃分進行細致的分析，并與正六邊形網絡劃分方式相對比，最后給出兩者的優劣性，為以后群智感知網絡框架的部署策略打下厚實的基礎。

1 基于正方形的移動感知部署策略

正方形網格部署就是將整個目標區域用正方形虛擬網絡工具劃分成若干個正方形網格，并且對周圍的地域進行無重疊服務的方式排列。網格內的移動節點可以根據自身的坐標、邊長計算出自己所在網格區域，如圖1所示。在正方形網格的部署下可以看出，正方形網格的部署簡便易操作，比較符合實際中的應用。下面將從網格之間的數據傳輸能量消耗與網絡的連通性兩方面來分析。

1.1 能量消耗

該文在論證分析能量時，所采用的能量模型如圖2所示，與典型的傳統路由協議如LEACH、HEED等所使用的能量模型相同。假設網絡中的N個節點的初始能量相同，節點在工作中的能量消耗主要分為3個部分，分別是發送數據、處理數據和接收數據。節點發送kbit數據消耗的能量為：

3 仿真分析

為了驗證上面所提出的部署策略，該文使用Matlab 2016a對上面所提到的能量消耗及網絡連通穩定性進行分析，如圖7和圖8所示。

在能量消耗方面，傳輸kbit數據消耗的能量與傳輸距離d成正比關系，從圖7中可以明顯看出正六邊形網格劃分的傳輸距離遠遠低于正方形網格劃分的傳輸距離，因此，正六邊形網格劃分的傳輸能量消耗遠低于正方形的能量消耗。

在網絡連通穩定性上，從圖8可以看出隨著面積的增加最大歐式距離也逐漸變大，正方形網格劃分的最大歐式距離明顯高于正六邊形網格劃分的最大歐式距離，最大歐式距離越大，通信質量逐漸變得不穩定，但是正六邊形網格劃分相對于正方形網格劃分來說是比較低的，因此，正六邊形的通信質量比正方形網格劃分略微好上一些。

4 結語

該文具體對群智感知中的感知框架進行了分析，著重分析了正方形和正六邊形部署策略，可以看出：在相鄰網格之間的數據傳輸時正六邊形網格劃分的能量消耗比正方形網格劃分要低很多，并且在通信方面正六邊形的穩定性要比正方形好很多。因此，在以后的工作中，以正六邊形網格部署為基礎，通過添加和改進網格框架，來提高群智感知網絡的性能。

參考文獻

[1] 劉云浩.群智感知計算[J].中國計算機學會通訊，2012， 8（10）： 38-41.

[2] Ganti RK，Fan Y，Hui L. Mobile crowdsensing： current state and future challenges[J].IEEE Communications Magazine，2011，49（11）：32-39.

[3] AL-KARAKI JN， UL-MUSTAFA R， KAMAL AE. Data aggregation in wireless sensor networks-exact and approximate algorithms[A].Proceedings of the IEEE Workshop on High Performance Switching and Routing[C].Phoenix： IEEE Computer Society Press，2004：241-245.

[4] Huang C， Tseng Y. A survey of solutions to the coverage problems in wireless sensor networks[J].Journal of Internet Technology，2005，6（1）：1-8.

[5] Ganti R， Ye F， Lei H. Mobile crowdsensing： current state and future challenges[J].IEEE Communications Magazine，2011，49（11）：32-39.

[6] Guo B，Wang Z， Yu ZW， et al. Mobile crowd sensing and computing： the review of an emerging human-powered sensing paradigm[J].ACM Computing Surveys， 2015，48（1）：1-31.

[7] Moser EI，Roudi Y，Witter MP，et al. Grid cells and cortical representation[J].Nature Reviews Neuroscien-ce，2014，15（7）：466-481.

[8] Tian D， Georganas ND. Connectivity maintenance and coverage preservation in wireless sensor networks[J]. Ad Hoc Networks，2005，3（6）：744-761.