模糊邏輯調度策略在物聯網中的低功耗研究

陳 夏，張傳棟，李志敏，錢美超

（1.濟寧學院，山東 濟寧 273100；2.中國氣象局公共氣象服務中心，北京 100081）

0 引 言

物聯網是二十世紀末期所提出的一個旨在將自然物質世界和人類創造的電腦及互聯網世界整合為一的概念[1]。由于當時受到半導體價格、網絡帶寬和網絡覆蓋的局限，物聯網的發展一度十分緩慢。進入新世紀后，半導體工藝發展迅速，人們可以以更低的價格得到性能更好的電子設備。尤其是隨著近些年云計算技術的逐漸完善以及云端服務的井噴式增長，之前一直被技術瓶頸限制的物聯網技術迎來了發展的春天。現在物聯網已經成為最熱門的學術和應用技術研究方向之一[2]。物聯網的主要結構分為4個層次[3]：

（1）搜集環境相關資料，與環境中的事物進行交流的感知層（Sensing Layer）。在感知層中作為主要工作原件的是小型無線智能系統模塊和傳感器。這兩個原件組成了物聯網中最基本的工作單位—感知節點（Sensor Node）。小型無線智能系統模塊負責對傳感器收集到的數據進行初步處理。在許多實際應用中，感知節點上裝備有多個傳感器，這時小型無線智能系統模塊還要負責調度傳感器的運行與休眠。

（2）負責信息傳輸的網絡層（Networking Layer）。網絡層將所有物聯網相關設備連接在一起，并允許物聯網中各個設備共享信息。另外，網絡層還能夠聚合來自現有IT基礎架構（例如，業務系統、運輸系統、電網、醫療系統、ICT系統等）的信息。

（3）對數據進行分析并作出相應決策的服務層（Service Layer）。服務層依靠提供功能的中間件技術來無縫集成物聯網中的服務和應用程序。中間件技術為物聯網提供了一個經濟高效的平臺，可以在其中重用硬件和軟件平臺。服務層的主要活動涉及中間件的服務規范，該規范由各組織開發。設計良好的服務層將能夠識別常見的應用程序需求，并提供API和協議來支持所需服務、應用程序和用戶需求。

（4）負責與用戶程序以及應用交互的接口層（Interface Layer）。由于物聯網系統經常要集合來自不同生產商并且有著不同通信協議的模塊，導致物聯網系統中設備間的通信面臨許多問題。同時，隨著物聯網系統規模的增大，也會增加與之相對應的由于網絡復雜度上升所帶來的問題。接口層的接口配置文件能夠幫助設備快速建立起即插即用的連接。與此同時，接口概述文件能夠促進物聯網中各種服務之間的交互。同時，接口層上的架構可以使服務層所提供的API接口快速與用戶程序對接，提高系統開發和運行效率。

得益于人工智能技術的飛速發展，以及基于物聯網的云計算平臺的出現[4-7]，越來越多的服務層和接口層問題得到了優化解決方案。隨著5G等新通信標準的出現及部署，同時對網絡層已有的通信技術的深度探索與優化[8]，及新通信協議的開發[9]，為物聯網網絡層的相關問題提供了相應解決方案。而在感知層上，由于半導體工藝的限制，物聯網應用的設備功耗問題在設備的制造層面上還得不到解決。比較常見的解決方案是結合上一級傳感器無線網絡進行調度策略的優化來實現更長的網絡壽命[10-11]。除此以外，如果想要在感知層上達到延長節點使用壽命的目標，應用開發者往往不得不在設備性能上做出讓步或者購買價格更加昂貴的原件。在這種情況下，越來越多的人開始探索如何在同樣的硬件設備條件下，通過直接優化物聯網應用在感知層上的調度策略以達到更加節能的目的。本文所介紹的調度策略即是在這種背景下，針對物聯網感知層，將物聯網應用和模糊計算結合所得到的一種優化策略。

1 模糊計算概述

隨著計算機技術的不斷發展，計算機系統可以解決的問題也越來越復雜。具有一一對應關系的普通計算在解決這些復雜問題的同時往往需要動用過多的計算機資源。在這個背景下，計算機科學家開始把目光放在20世紀60年代由數學家們所提出的模糊計算上，以探求比普通計算更優化的解決方案。模糊邏輯能夠模仿人類大腦對于不確定性概念的判斷、推理思維方式，同時對于未知事物的建模或描述不能確定的系統方面要大大優于普通計算[5]。針對強非線性、大滯后的控制對象，可以應用模糊集合和模糊規則進行推理，以表達過渡性界限或定性知識經驗。在實際應用中，它以數值計算而不是以符號推演為特征，它并不注重如像經典邏輯那樣的基于公理的形式推演或基于賦值的語義運算，而是通過模糊推理的算法，由推理的前提計算出結論。30余年來，模糊推理方法在工業生產控制，特別是在家電產品中的成功應用，使得它們在模糊系統以及自動控制等領域愈來愈受到人們的重視，如今在近似推理中已成為以數值計算而不是以符號推演為特征的一個研究發展方向[12]。

由模糊計算的概念我們可以看出，支撐模糊計算的模糊邏輯是一種接近客觀世界運行規律的處理方式，即函數中的變量是根據其影響因素變化的。由于物聯網就是一個將真實的客觀世界和人類的主觀世界整合唯一的系統，借助模糊計算模擬人腦對于客觀世界的分析方式可以比非黑即白的普通運算有著更高的執行效率和準確程度。所以在物聯網系統中加入模糊運算是一種對于提升物聯網整體性能有著重要意義的嘗試。

2 模糊邏輯調度策略

在物聯網感知層，物聯網設備的主要作用是捕捉周圍環境的數據，傳輸采樣數據并根據數據做出相應的反應。物聯網應用的一般工作流程為對環境數據進行采樣，得到采樣數據后，由負責數據傳輸的網絡層將所采集的數據傳輸給本地或者云端服務器等服務層設備，最后由接口層將數據轉化為用戶可以閱讀的格式。與此同時，服務層的相關應用和設備對數據進行分析與處理，并根據用戶需求給出相應的解決方案，之后通過網絡層將解決方案傳輸給感知層節點，最后感知層節點根據所得數據與真實環境進行交互。我們可以將整個過程抽象為采樣傳輸、處理數據和傳輸反饋3個過程。不難看出，處理數據過程是在服務層完成，傳輸反饋過程往往是基于對真實世界作出反饋的單一動作，調度策略的優化空間十分有限。所以如果要探索通過使用調度策略來減少感知層的功耗，我們應該將主要研究方向定在優化采樣傳輸這個過程中。傳統的物聯網應用一般以一定的時間間隔持續采樣，并在每一組數據采集結束后，將數據通過網絡發送給服務層設備，我們稱這種采樣調度策略為等取樣間隔調度策略。在此種策略下，如果希望得到更高精度的數據，就要設置更短的采樣間隔，通過提高采樣頻率來獲取更高的數據精確度。但是更短的采樣間隔在相同采樣設備的前提下必然會導致更高的功耗。這就使得我們在采用這種調度策略時，會面臨一個在功耗和精度之間進行取舍的問題。這些年，隨著技術的演進，在對嵌入式系統節能技術的不斷探索中，已經有立足于感知層的基于嵌入式Linux系統的調度策略研究[13]出現。越來越多的應用在無線傳感器網絡（WSN）中出于節約成本和提高效率的考慮，已經不再在感知節點上使用操作系統，而是使用更簡單、高效的微處理器-傳感器結構。不同于基于如無線傳感器網（WSN）等兼具網絡層和感知層的調度策略[14]，在感知層的感知節點上直接進行傳感器調度，可以更直觀的減少功耗，且不會受到網絡等不確定因素的影響。在其他研究領域，如多處理器計算中，出現了基于能量節約的實時動態調度算法[15]，可以根據能耗的不同動態對任務進行實時調度。受到這個方法的啟發，在同一個感知節點上裝備多個傳感器時，我們也可以通過使用一定程度的調度策略來達到節省節點功耗的目的。

由前文的論述，我們可以將物聯網由原來的，通過在感知層的感知節點上執行調度策略來解決節約功耗的問題，轉變為尋找在盡量少占用外部資源的前提下，以相同的取樣設備，花費更少的功耗，提高更大數據精度的應用需求。由此我們將眼光放到了根據模糊邏輯建立的調度策略上。我們依據模糊邏輯可以根據不同條件輸出不同結果的特點，通過類似機器學習中“特征工程”的方法對不同取樣環境采取不同的取樣策略來節約功耗。經過我們的實驗，單純將采樣數據作為特征工程的輸入并不能很好地體現出數據的變化規律。我們轉而采用數據的變化率（Slope），而非數據本身作為設定調度策略的參考變量。這樣可以有效減少運算時數據比較的運算成本。使用變化率（Slope）的另一個顯著優點是，它有相較簡單的數值比較，同時，變化率（Slope）能夠更好地反映出環境變化對于環境數據的影響。在物聯網感知層中，如氣溫、濕度、空氣污染等環境數據的變化率往往會在較長的一段時間內保持相對穩定的水平，如一天中上午的氣溫一般都是在平穩緩慢上升，我們將這段時間定義為環境數據的平穩變化階段。區別于平穩變化階段，環境數據會在特殊條件下發生劇烈變化，如日出、日落對于溫度的影響，工廠的工作時間與非工作時間對于環境污染的影響，我們將這部分時間定義為環境數據的劇烈變化階段。通過對數據變化率（Slope）的比較，可以幫助我們從數據的角度更好地分辨出環境數據的平穩變化階段和劇烈變化階段。

首先，我們從對單一環境變量的采樣策略入手。將傳統的等取樣間隔調度策略進行變化，使其不再以固定的等取樣時間對某一環境數據進行監測，而是通過感知節點上的微處理，動態分配相應傳感器相鄰兩次采樣之間的間隔，得到一個依據數據變化率（Slope）進行預測的可變取樣間隔采樣策略（Sample Strategy）。在此采樣策略中，我們設置取樣間隔時間增量為一固定值T，在第i次取樣的實際取樣間隔為STi。實際取樣間隔ST、取樣間隔時間增量T和取樣次數i的關系如公式（1）所示：

設STi=0=0，STi=1=T，Slopei=Slopei-1

式中，第i+1次取樣的時間間隔取決于前兩次取樣數據的變化率，即第i次的取樣變化率Slopei與第i-1次的取樣變化率Slopei-1是否近似。這里，由于我們用于比較的參考變量為取樣數據的變化率（Slope），第i次與第i-1次取樣數據變化率很難做到完全相同，所以在比較時兩者只要在應用需求數據精度相應的變化率范圍內即可。當Slopei近似于Slopei-1時，說明前后兩個采樣點的數據變化模式相似，因此我們可以延長下一次數據的采樣間隔來節約功耗。另一方面，如果Slopei與Slopei-1之間的差距大于我們設置的近似范圍，則說明在第i次與第i-1次取樣之間數據數值發生了比較大幅度的變化，很可能進入了環境數據的劇烈變化階段。此時，應縮小采樣間隔，以增加采樣的頻率，以免漏測數據導致最終得到的數據精度受損。

在確定采樣策略后，我們將所要采樣的每一種類數據單獨進行特征工程處理，確定其中數據變化率的平穩變化階段和劇烈變化階段。針對每種數據設定不同的采樣階段（P1...Pn）來貼合該種數據平穩變化階段和劇烈變化階段的變化規律。對于每個取樣階段（Pi）設置對應取樣間隔時間增量Ti，并依據Ti形成相應的采樣策略（Sample Strategyi），該過程可形式化表達為公式（2）：

根據該調度策略采樣時，在相同數據變化率的情況下，系統會按照不同的取樣階段，對其分配不同的取樣周期。最終達到在對精度影響較小的情況下，有效降低功耗的目的。

3 調度驗證實驗

3.1 應用策略

我們選取物聯網應用中最常見的應用場景之一獲取環境溫度功能作為實驗場景，來測試本文所提出的調度策略。首先通過特征工程篩選，我們選取時間與溫度變化率的對比作為策略比較的標尺。根據溫度隨時間變化的特征規律，我們將一天24個小時分為4個取樣時段，并分配給每個取樣時段不同的取樣間隔時間增量T。詳細信息見表1所列。

表1 實驗范例中的取樣時段和取樣間隔

在表1中，由于在環境數據的平穩變化階段，數據在很長一段時間內保持相對穩定的變化速度，很少發生劇烈變化，所以適當提高平穩變化階段的取樣間隔時間增量T，并不會對最終采樣數據的準確度造成巨大影響。因此，我們將環境數據溫度的平穩變化階段，即階段1與階段3的取樣間隔時間增量T設置為20 min。相對的，在環境數據的劇烈變化階段，由于數據變化劇烈，如果取樣間隔時間增量T設置得太小，則必然會導致最終數據精度丟失。所以，我們將環境數據溫度的劇烈變化階段，即階段2與階段4的取樣間隔時間增量T設置為5 min，以適應日出、日落相對劇烈的溫度變化。接下來，我們將從程序模擬和設備實測2個方向分別運行該調度策略，將運行結果和等取樣間隔調度策略的結果進行比較。

3.2 模擬實驗

模擬實驗采用的模擬程序以取樣間隔為5 min的等取樣間隔調度策略室內氣溫實測數據為輸入，模擬程序將輸入的環境數據按照模糊邏輯調度策略進行模擬，輸出依照模糊邏輯調度策略的模擬取樣數據。5 min等取樣間隔調度策略與實驗結果的模糊邏輯調度策略的比較如圖1所示。

圖1 等取樣間隔調度策略和模糊邏輯調度策略的模擬器實驗結果比較

從兩種策略通過模擬程序實驗得到的結果對比圖可以看出，圖1（b）中由模糊邏輯調度策略數據所繪制出的時間-溫度圖像能達到與圖1（a）所示高精度的等取樣周期策略（5 min取樣間隔）的時間-溫度圖像相近的圖形。2種策略對比模擬實驗的詳細數據量化比較見表2所列。

表2 模擬實驗詳細數據

從表2所示數據中我們可以看出，等取樣時間策略由于不存在預測功能，所以能夠反映出準確的實時環境溫度。但是其缺點也十分突出，即采樣頻率高，采樣點數量相對較大。而采樣點的數量在真實應用中反映了該應用在捕捉采樣數據時的功耗。從模擬實驗結果中，我們能看出模糊邏輯調度策略以犧牲小額精度的代價換取了更少的采樣點數量，也就是降低了應用的功耗。模糊邏輯調度策略的功耗只有5 min取樣間隔等取樣間隔策略的21.9%。相較于5 min取樣間隔等取樣間隔策略的高精度，模糊邏輯調度策略的平均精度只少了在實際應用中可以忽略的0.029 5 ℃。

3.3 設備實測實驗

在設備實測實驗中，我們建立了一個基于ARM Cortex M4 微處理器的實驗環境。我們選取由NXP出品的搭載了ARM Cortex M4微處理器的LPCXpresso5411x開發板作為實驗平臺，使用MikroElektronika出品的搭載了HDC1000溫濕度傳感器的HDC1000 Click傳感器模組作為采樣模塊。通信模塊我們選擇使用低功耗ATK-LORA-01模塊，以LoRa通信協議實現采集節點和網關節點的通信。取樣節點由1節Panasonic NCR18650A可充電鋰電池供電。為了更好地完成整個系統的功耗測量，我們采用德州儀器出品的BQ27z561電池測量計作為數據監控和采集設備，最終完成的測試系統如圖2所示。

圖2 實驗系統

為了方便與模擬器實驗進行比較，我們在設備實測實驗中仍然使用5 min取樣間隔的等取樣間隔調度策略和模糊邏輯調度策略作為實驗的對照組。兩組調度策略的時間-溫度圖像如圖3所示，實驗數據見表3所列。

圖3 設備實測實驗結果

表3 設備實測實驗詳細數據

我們可以看到，設備實測實驗的結果表現出與模擬器實驗相同的對比結果，兩組調度策略的時間-溫度圖像的圖形相似度很高。從表3所提供的數據可知，實測數據表現出在損失對整體數據不構成影響精度的0.037 5 ℃前提下，達到了顯著的節能效果，即模糊邏輯調度策略的功耗只有等取樣間隔策略的24.3%。這個特性也和模擬器實驗所揭示的結論一致。

4 結 語

本文針對物聯網感知層上的環境數據采樣應用提出了一個基于模糊邏輯的調度策略，在損失對整體數據不構成影響精度的前提下，顯著減少感知層設備采集數據時的功耗。并對提出的調度策略從模擬器和設備實測2個方面進行了驗證。實驗結果表明，本文所提出的調度策略達到了預計的精度并降低了功耗的預期。本文提出的調度策略雖然是針對環境數據采樣，但其還是具有一定的通用性，可以擴展使用在所有存在一定變化規律的采樣場景。在時下物聯網應用追求低能耗的行業需求下，本文所介紹的調度策略具有應用價值。在未來的工作中，我們計劃研究通過機器學習方法找到優化的采樣區間劃分方法和對應的取樣區間長度，來對算法進行進一步的優化。