云信任度評估下物聯(lián)網(wǎng)海量底層資源尋址模型

李 波，楊國才

(1.重慶工程學(xué)院計算機與物聯(lián)網(wǎng)學(xué)院，重慶400056；2.西南大學(xué)計算機與信息科學(xué)學(xué)院，重慶 400715)

1 引言

高效率、低能耗的資源尋址模型，是當(dāng)前物聯(lián)網(wǎng)領(lǐng)域的一項重要技術(shù)，它是現(xiàn)代信息技術(shù)的一個重要組成部分，它是指將具有一定感知、計算或執(zhí)行能力的不同遙感設(shè)備部署到物理世界中，通過聯(lián)網(wǎng)設(shè)備進行信息的傳輸、協(xié)調(diào)和處理，從而實現(xiàn)人與人之間的交互，其特點是具有普遍感知、互聯(lián)共享、智能服務(wù)等特征。以互聯(lián)網(wǎng)體系結(jié)構(gòu)(感知層、傳輸層、應(yīng)用層)三維體系為基礎(chǔ)，以網(wǎng)絡(luò)的形式緊密地聯(lián)系到一起，通過數(shù)據(jù)查詢、智能感知以及數(shù)據(jù)傳輸和識別，滿足現(xiàn)代人與人之間的生活交流和工作交流[1]。萬年紅，王雪蓉[2]為提高物聯(lián)網(wǎng)底層信息資源尋址效果，基于對云環(huán)境下的物聯(lián)網(wǎng)底層尋址服務(wù)的信任度評估準則等方面的研究，改進信任驅(qū)動算法，提出一個云信任驅(qū)動的物聯(lián)網(wǎng)信息資源尋址模型，設(shè)計并采用特定約束條件，信任陡度函數(shù)，云信任度評估準則及信任約束系數(shù)建立尋址模型，該模型有良好的底層資源尋址效果。劉毅[3]介紹了編碼式分簇射孔的發(fā)展?fàn)顩r，自主研發(fā)的固地址編碼式自動尋址模型原理及在分簇射孔中的應(yīng)用，建立了資源尋址賦值矩陣，通過計算尋址平均等待時間，統(tǒng)一底層信任編碼，實現(xiàn)對尋址模型的設(shè)計。但兩個傳統(tǒng)模型與預(yù)期的效率能耗之間，存在一定差距，因此提出構(gòu)建一個基于云信任度評估的物聯(lián)網(wǎng)海量底層資源尋址模型。云信任度評估也就是對海量網(wǎng)絡(luò)資源的數(shù)據(jù)評估，根據(jù)數(shù)據(jù)的可靠度，估計底層資源的總體云信任度，為尋址模型在海量數(shù)據(jù)中的快速、高效與可靠尋址，提供更加科學(xué)的技術(shù)手段。此次研究充分發(fā)揮云信任度評估的特點，優(yōu)化原有尋址模型，加強用戶對物聯(lián)網(wǎng)資源使用的體驗效果。

2 云信任度評估下物聯(lián)網(wǎng)海量底層資源尋址模型

2.1 制定底層尋址編碼方案

構(gòu)建物聯(lián)網(wǎng)海量底層資源尋址模型，預(yù)先制定編碼方案。傳統(tǒng)模型制定的編碼方案存在三點問題：編碼規(guī)范差異較大、識別設(shè)備受限以及適用范圍有限。此次研究摒棄現(xiàn)有規(guī)范，按照物聯(lián)網(wǎng)海量底層資源尋址要求，制定全新的編碼方案，將編碼作為實體的第二標識碼，相當(dāng)于給每個實體，設(shè)置了新的標簽。因此結(jié)合CPC編碼和uCode編碼，提出一個由6個字段組成的IECode編碼規(guī)范。該編碼采用64位的十六進制表示，滿足絕大多數(shù)與物聯(lián)網(wǎng)相連接資源的標識，其頂級域編碼為5位，區(qū)域碼和劃分代碼分別為9位和1位，實體類別碼和序列號為32位，實體說明碼為17位。其中頂級域編碼代表城市網(wǎng)絡(luò)資源；區(qū)域碼代表城市中的政府、企業(yè)、學(xué)校以及其它機構(gòu)的網(wǎng)絡(luò)資源；劃分代碼整個字段用于類別劃分的顯示，因此該代碼可以對實體類別碼和序列號進行劃分，其中A-F屬于保留位[4]。劃分代碼的劃分規(guī)則如圖1所示。

圖1 編碼劃分規(guī)則

實體類別碼和序列號，分別用于類別識別和類別標識，使每一個底層資源均有一個唯一的編號；實體說明碼用于描述資源的詳細信息。設(shè)置的IECode編碼雖然是定長的，但符合樹狀層次的基本模式，對不同類別的資源標識有明確區(qū)分，具有海量資源中的唯一性和可識別性，因此符合構(gòu)建海量底層資源尋址模型的基本要求[5]。

2.2 采用元胞更新模型尋址規(guī)則

為使尋址模型獲取的底層資源更加精準，采用元胞更新模型尋址規(guī)則。假設(shè)物聯(lián)網(wǎng)中存在的所有節(jié)點的集合為W={w1，w2，…，wn}，其中集合內(nèi)任意兩個節(jié)點間的有效鏈路，以組合排列的形式構(gòu)成元胞空間T，則存在

(1)

公式中：i，j=1，2，…，n；k∈M；每一個階段均為一個元胞。用S表示元胞的有限離散狀態(tài)集，則存在S={s1，s2，s3}，其中s1表示底層資源傳輸狀態(tài)；s2表示底層資源等待狀態(tài)；s3表示底層資源空閑狀態(tài)。則三種狀態(tài)分別為中心元胞、鄰居元胞以及空閑元胞。則元胞鏈路鄰居關(guān)系的計算表達式為：

G={Tk*|difference(Tk1-Tk2)≤η，Tk1，Tk2∈Tk}

(2)

公式中：difference(Tk1-Tk2)表示兩個鏈路排列組合之間的差別；G表示元胞鏈路鄰居關(guān)系；η表示相差程度[6]。下圖2是對計算所獲元胞鏈路，鄰居關(guān)系的詳細說明。

圖2 元胞關(guān)系示意圖

根據(jù)圖2中的元胞位置關(guān)系可知，元胞[52]有8個鄰居元胞，當(dāng)元胞[52]與元胞[0]聯(lián)系時，元胞[52]處于s1狀態(tài)，此時鄰居元胞為s2狀態(tài)，除此之外的其它元胞，則為s3狀態(tài)。此時元胞[52]與元胞[0]之間的鏈路差別，就可以用來描述鏈路的鄰居關(guān)系。根據(jù)上述分析，設(shè)置四步流程，實現(xiàn)對模型尋址規(guī)則的更新。設(shè)置演進規(guī)則為Z:St→St+1，則第一步初始化基本參數(shù)，定義元胞狀態(tài)；第二步假設(shè)空閑元胞的數(shù)量為Qn，鄰居元胞的數(shù)量為Pn，通過判斷不同類型的元胞狀態(tài)，設(shè)置下一跳鏈路：當(dāng)中心元胞周圍有Qn個空閑元胞時，中心元胞通過空閑元胞到下一跳節(jié)點；當(dāng)中心元胞周圍沒有空閑元胞，只存在Pn個鄰居元胞時，則通過鄰居元胞到下一跳節(jié)點；當(dāng)中心元胞周圍沒有任何元胞時，說明所有元胞均處在傳輸狀態(tài)，因此中心元胞將底層資源存儲到緩存當(dāng)中，接收到某一元胞發(fā)送的釋放消息后，再到下一步。第三步根據(jù)拓撲結(jié)構(gòu)的動態(tài)變化，利用式(2)建立多徑傳輸鏈路，選擇其中最優(yōu)的數(shù)據(jù)鏈路，實現(xiàn)自由選擇；第四步更新鏈路，存儲多徑路由信息，實現(xiàn)對模型尋址規(guī)則的實時更新[7]。

2.3 搜索算法設(shè)計尋址邏輯

在構(gòu)建尋址模型過程中，對于物聯(lián)網(wǎng)海量底層資源尋址，是通過模型上層、下層網(wǎng)絡(luò)結(jié)構(gòu)相互協(xié)作來實現(xiàn)的，其中利用上層網(wǎng)絡(luò)中的超級結(jié)點路由區(qū)域，定位以及搜索下層網(wǎng)絡(luò)結(jié)構(gòu)中獲得的海量底層資源。其中上層網(wǎng)絡(luò)定位搜索，參考第一節(jié)制定的尋址編碼方案，對底層信息進行搜索；下層網(wǎng)絡(luò)的海量底層資源定位，則利用下圖3所示的方法進行[8]。

圖3 物聯(lián)網(wǎng)底層資源搜索算法

該算法假設(shè)節(jié)點K26，發(fā)起底層資源查詢的編碼為IECode-1的資源信息，默認該資源信息的節(jié)點為K32，則模型的資源尋址過程，可簡化利用計算K26，尋找節(jié)點K32。在搜索算法控制下，尋址模型利用計算K26，查看自身旳資源信息表，檢索是否有IECode-1信息，有則直接獲取資源對應(yīng)的地址信息，沒有則轉(zhuǎn)到鏈路a。利用鏈路a將節(jié)點K26的數(shù)據(jù)，發(fā)送給K0。然后K0根據(jù)IECode-1提取資源是否在本區(qū)域內(nèi)，若在則轉(zhuǎn)到鏈路b1；若不在則轉(zhuǎn)到鏈路b2。利用K0查詢自身的資源信息表，同樣檢索IECode-1信息，若有則轉(zhuǎn)到鏈路d，若沒有則向邏輯超級節(jié)點集合中的K43和K78，轉(zhuǎn)發(fā)資源信息，然后轉(zhuǎn)到鏈路c。讓K43和K78同樣查詢資源信息表，檢索IECode-1，有則轉(zhuǎn)到鏈路d；若沒有則利用節(jié)點K0、K43和K78，向表中的節(jié)點發(fā)送底層資源信息。當(dāng)節(jié)點收到該發(fā)送請求時，發(fā)起請求的源節(jié)點，實現(xiàn)對物聯(lián)網(wǎng)中，海量底層資源的數(shù)據(jù)尋址邏輯[9]。

2.4 建立尋址模型云信任度評估推薦模塊

為了加快選址模型的選擇工作，建立一個云信任度評估推薦模塊，使模型根據(jù)推薦模塊的信息提示，快速展開尋址工作。根據(jù)上文設(shè)計將推薦節(jié)點默認為k，則利用下列計算公式，評估其可靠度

Fk=sim(u，v)·(1-Hk)·Ruk

(3)

公式中：sim(u，v)表示節(jié)點(u，v)之間的相似度；Hk表示推薦節(jié)點與尋址期望之間的差異度；Ruk表示評估節(jié)點u對推薦節(jié)點k的云信任度。其中節(jié)點相似度是選址節(jié)點，與其它鄰居節(jié)點之間的相似程度，該指標的計算公式為

(4)

公式中：Xu、Xv分別表示與節(jié)點u和節(jié)點v直接關(guān)聯(lián)的資源列表；fui、fvi則分別表示2個節(jié)點的云信任度評估數(shù)據(jù)表[10]。當(dāng)該計算結(jié)果越大時，越能說明共同節(jié)點評分越相似，說明這些底層資源之間具有相似性。而推薦節(jié)點與尋址期望之間的差異度Hk，存在惡意推薦影響的現(xiàn)象，因此在求取該值時，設(shè)所有推薦節(jié)點，對目標節(jié)點j的直接信任度期望值為λk，推薦節(jié)點k對節(jié)點j的直接信任度值，用fkj進行表示，此時存在fkj∈sim(u，v)，則差異度Hk的計算結(jié)果為

(5)

將式(4)以及式(5)的計算結(jié)果，帶回到式(3)中，通過計算求得推薦節(jié)點k的可靠度[11]。然后查詢請求節(jié)點所屬信任列表，向信任度值較高的節(jié)點請求傳輸；同理計算兩個節(jié)點之間的相似度，同時計算差異度和云信任度權(quán)重，由此得到節(jié)點k的推薦信任度值，計算公式為

(6)

通過上述節(jié)點k的推薦可靠度和信任度評估結(jié)果，構(gòu)建尋址模型的推薦模塊，至此在云信任度評估下，物聯(lián)網(wǎng)海量底層資源尋址模型構(gòu)建完畢[12]。

3 仿真研究

3.1 開銷延時測試

實驗在虛擬機下安裝Cooja仿真軟件，通過REID閱讀器節(jié)點，進行物聯(lián)網(wǎng)海量底層資源尋址測試，利用圓形節(jié)點代表REID節(jié)點；正方形節(jié)點代表物聯(lián)網(wǎng)服務(wù)；三角形節(jié)點為網(wǎng)關(guān)節(jié)點。在Linux虛擬機下，命令仿真軟件建立虛擬機與其自身之間的隧道，利用節(jié)點1和節(jié)點4，獲得整個物聯(lián)網(wǎng)中的資源地址。分別利用此次研究設(shè)計的模型，和傳統(tǒng)設(shè)計下的尋址模型，獲取物聯(lián)網(wǎng)中海量底層資源地址，三個測試組的協(xié)議包抓取效果，如表1所示。

表1 前N次的抓包總和統(tǒng)計

根據(jù)表1中的測試結(jié)果可知，文中設(shè)計的尋址模型，其抓包總和更高。分別從三個測試組中，抽取50個測試樣本，令橫坐標代表尋址次數(shù)，縱坐標代表模型的訪問延時，下圖4為三個組模型應(yīng)用下的網(wǎng)絡(luò)開銷延時測試結(jié)果。

圖4 不同模型應(yīng)用下的網(wǎng)絡(luò)開銷延時

此次研究構(gòu)建的尋址模型，在云信任度評估模塊的幫助下，將平均延時控制在了100ms左右，提高了模型對海量底層資源的尋址效率。而文獻[2]模型與文獻[3]模型應(yīng)用下，尋址時的平均延時，分別在155ms和175ms左右。可見此次研究構(gòu)建的尋址模型，尋址效率最佳。

3.2 模型尋址效果測試

保證基本測試條件不變，測試三組尋址模型的尋址效果，如下圖5所示。

圖5 不同模型尋址效果測試

根據(jù)圖5中的曲線變化可知，三個模型的節(jié)點失效率，逐漸從0增加至50%，

因此在每個失效率處進行500次底層資源尋址，計算模型尋址成功概率。根據(jù)實驗測試結(jié)果可知，當(dāng)節(jié)點失效率低于20%時，此次研究構(gòu)建的模型尋址成功率，幾乎沒有受到太大影響，只有約1.8%的下降幅度，高于兩個傳統(tǒng)模型。而當(dāng)節(jié)點失效率達到50%，時，所設(shè)計的尋址模型，也能將尋址成功率保持在90%以上，依舊可以用最快的時間，獲取最為精確的底層資源，這是此次研究過程中，搜索算法控制下的尋址邏輯帶來的效果。根據(jù)上述測試數(shù)據(jù)，計算不同測試組的海量底層資源尋址成功率，結(jié)果如下表2所示。

表2 尋址效果對比

計算上述統(tǒng)計結(jié)果的平均值，可知此次設(shè)計模型的是尋址成功率，比兩個傳統(tǒng)模型分別高出了5.54%和5.58%?？梢娫趯ぶ饭?jié)點出現(xiàn)失效的情況下，此次構(gòu)建的模型也有更好的尋址效果。

4 結(jié)束語

此次研究在傳統(tǒng)方法的基礎(chǔ)上，結(jié)合云信任度評估模塊，完善了原有的尋址模型，并在實驗的證實下，取得了不錯的研究成果。但此次研究還存在一些不足之處，今后的研究工作，可將神經(jīng)網(wǎng)絡(luò)和分類算法應(yīng)用到尋址模型中，加強模型對海量底層資源的尋址效果。