智能物联网-课件 第6章-智能物联网络

×第六章智能物联网络IntelligentnetworkofIOT智能物联网导论课程组西北工业大学计算机学院目录6.1.概述6.2.主要研究方向

6.2.1物联网通信系统结构6.2.2物联网智能接入控制6.2.3物联网智能路由

6.2.4物联网智能传输控制6.3.总结与展望6.4.习题6.1概述目标：引入AI算法对物联网网络协议进行设计，使新型路由协议满足物联网系统的发展，在大规模范围内应用并拥有良好的网络性能优势：人工智能算法为网络协议实现自适应性提供了可能人工智能算法拥有较强的动态性和智能性挑战：AI算法的计算复杂性使得算法难以在资源受限设备运行需平衡AI算法带来的性能提升和学习代价6.1概述智能物联网络物联网通信系统结构物联网通信参考模型物联网通信标准智能接入控制认知MAC协议接入延迟改善缓解无线信道冲突智能路由强化学习神经网络现有协议优化智能传输控制神经网络其他算法链路层网络层传输层目录6.1.概述6.2.主要研究方向

6.2.1物联网通信系统结构6.2.2物联网智能接入控制6.2.3物联网智能路由

6.2.4物联网智能传输控制6.3.总结与展望6.4.习题6.2.1物联网通信系统结构物联网应用的网络结构边缘网：物理环境中相互连接的“物”，如家居、建筑物、工厂和开放环境（如城市或农田）相互连接的各种物体，构成了边缘网络网关：基本功能是在边缘网络协议和Internet协议之间进行数据转换，还可执行数据处理，从而将“智能”从云移到更接近物的位置核心网：将数据传输到用户计算机和数据中心进行存储和处理6.2.1物联网通信参考模型分层设计降低设计复杂度在各层根据需求形成规范6.2.1物联网通信标准物理层电磁波频段ISM频段1.IEEE802.15.4868/915MHz和2.4GHz2.WiFi2.4GHz/5.8GHz3.LoRa,NB-IOT470MHz~510MHz、779MHz~787MHz物联网系统通常使用电磁频谱的特定频率进行无线电传输1.低于1Ghz，波长较长，传播距离远，但带宽较小2.高于1Ghz，信号衰减快，带宽较高6.2.1物联网通信标准数据链路层CSMATDMA1.主节点周期性广播(信标),保证其他节点同步2.定义一个被称为超帧的周期时间间隔，每个节点只能在特定的时隙中传输定义了在共享的物理介质上如何传输数据，其识别节点接口，调节对介质的访问，并对差错进行控制1.CSMA/CA通过优先级和随机退避机制尽量避免冲突2.

duty-cycle节点收发器周期性睡眠和唤醒使用CSMA/CA6.2.1物联网通信标准网络层拓扑结构IP协议1.采用6LowPan对IPv6压缩，以适配较小的物理帧2.RPL路由协议，基于距离矢量和源路由网络层负责在网络拓扑中路由数据包星型树状网状6.2.1物联网通信标准传输层端到端设计TCP/UDP1.TCP面向连接，提供可靠服务，但连接的建立和恢复需要时间，不适合实时通信2.UDP不提供有效的错误控制，节约通信开销传输层负责向网络两个进程之间的通信提供服务1.提供透明的数据传输2.向上层提供可靠服务3.具有复用、分用功能6.2.1物联网通信标准应用层应用层协议定义应用程序数据如何在终端节点之间交换、实现应用逻辑的消息类型和应用数据的语义1.COAP受约束设备的专用Internet应用程序协议2.MQTT轻量级的发布/订阅型消息协议6.2.1智能物联网络协议基于前提条件的数学模型驱动，针对于特定网络场景，开发相应协议在对应网络环境下性能优良网络状态发生变化后协议不再适应导致性能下降对协议修改或设计新协议开销较大传统通信协议智能物联网通信协议引入强化学习、神经网络等AI技术，使通信协议自适应复杂多变的应用环境，在环境变化、节点移动、通信故障等情况下提供较好的性能优点：使协议具有动态性、智能性，在变化的网络中自适应保证网络高效运行在新应用或新环境中根据所获得的新知识进行动态调整，保证系统鲁棒性提高物联网系统自主控制能力，改善系统的智能决策能力缺点：AI提升了协议性能，但AI计算过程大大消耗了物的联网设备能量目录6.1.概述6.2.主要研究方向

6.2.1物联网通信系统结构

6.2.2物联网智能接入控制6.2.3物联网智能路由

6.2.4物联网智能传输控制6.3.总结与展望6.4.习题6.2.2物联网智能接入控制MAC层协议设计过程通常遵循提高吞吐量、降低延迟及能源有效等目标MAC层协议S-MAC、X-MAC：通过duty-cycle方式实现能源有效性T-MAC：引入未来请求发送（FRTS）降低延迟TSCH：通过时隙信道跳变的方式提高传输的可靠性802.11n/ac：通过帧聚合和块确认等技术来提高吞吐量通过机器学习，物联网设备能够观察和学习不同环境状态对网络性能的影响，然后利用这些学习到的经验来可靠地提升网络性能基于机器学习的物联网智能接入控制6.2.2认知MAC协议概念：一个可靠的MAC协议应根据观测到的网络通信状况，动态地选择最合适的MAC访问控制算法，以适应当前的网络条件并满足通信质量需求，这样的MAC协议称为认知MAC(CognitiveMACLayer)全局控制器：实现MAC层性能预测的中心核心：ML模型，从无线节点收集信息来实现预测，进而动态地决定如何配置MAC层无线传感网：一组无线节点的集合，能够生成感知信息并能够在运行时重新配置传输参数认知MAC体系结构图6.2.2认知MAC协议机器学习模型对传感器节点通信数据进行连续采样，提取了预测MAC性能的最相关特征检测节点(d)分组间隔(IPI)接收数据包数量(rP)错误数据包/帧数(errP)ML模型的均方根误差特征向量：x(i)=[d，IPI，rP，errP]T

相应通信可靠性y(i)=plr(丢包率)使用二元组(x(i),y(i))训练结果：在α=0.1的学习速率下，经过2000次训练迭代，能够获得最好的数据分布。在实验基础上，选择30秒作为观测间隔，并确定新的MAC层。6.2.2基于模糊逻辑的接入延迟改善在MAC层保持消息的延迟和传输可靠性，最大限度延长传感器节点（电池驱动）工作时间是一个挑战性问题模糊逻辑系统将模糊逻辑应用于物联网MAC层协议经典的CSMA/CA算法，控制每个节点的队列长度和通信速率，以改善网络延迟，优化能量消耗模糊输入（输入队列长度、流量速率）被模糊为语言变量，输入值在一定范围内具有一定的不确定性，适用于动态变化的场景模糊算法将通信速率测量和动态队列管理相结合，使用动态调度方法控制每个节点的队列长度来确保信道内的通信，以提高能源效率和QoS6.2.2基于模糊逻辑的接入延迟改善实时监控每一个超帧的队列占用率和流量速率，所有的语言变量都具有一个随机数，该随机数由一个隶属函数表示模糊函数输入为三角形式，输出隶属函数为单态函数语言参数的隶属函数6.2.2基于模糊逻辑的接入延迟改善模糊化过程模糊规则中映射如下两组集合：Queue-Length：Qn

∈{Empty,Medium,Full} Traffic-Rate：Tn

∈{Low,Medium,High}状态对的排列组合数为9，面向对每个状态对，为输出模糊变量建立一个适当的状态，即优先级：Priority：Pn∈{Low,Medium,High}使用决策表定义所有基本规则，如下表所示，决策表由9条规则组成，使用最大最小的方法构建

TQLowMediumHighEmptyLowLowMediumMediumLowMediumHighFullMediumHighHigh6.2.2基于模糊逻辑的接入延迟改善基于模糊逻辑调度器，对CSMA/CA算法进行修改，并应用于参与网络流量的所有节点

6.2.2强化学习缓解无线信道冲突强化学习（RL）：尝试使用计算机程序从大型数据集中生成模式或规则，以决定应在特定环境中采取何种行动才能最大化长期奖励。强化学习：被描述为一个马尔可夫决策过程S：可能的状态集A：可能的动作集P：状态转移概率R：行动对应的环境奖励策略(πt:S→A)：从状态到动作的映射目标：找到一个最优策略π*，在该策略下可以累积奖励最大化应用强化学习优点：物联网系统中节点的数量、位置和流量特征动态变化强化学习可以分布式方式适应不断变化的环境，无需任何控制消息开销6.2.2强化学习缓解无线信道冲突基于强化学习的低复杂度MAC协议：CoRLCoRL提出了一种协同预测Q值的方法，节点利用其他节点的通信试验信息更新其价值函数，通过使用共享信道观察获得的协作Q函数来寻找合适的传输时间。使用基于争用的时隙帧协议和Q-learning来减少资源分配时间，采用奖励过程来避免碰撞，引入无状态Q值来降低物联网设备的计算复杂度。将IoT物联网设备作为强化学习框架中的一个代理，代理在一个帧中以随机方式选择其初始时隙。在一个帧中的所有传输结束后，代理通过强化学习选择下一个时隙，以确定适当的传输时间。6.2.2强化学习缓解无线信道冲突基于强化学习的低复杂度MAC协议：CoRL使用协作Q-learning进行时隙分配的步骤如下（1）用随机值Q0(m,a)∈(0,1)初始化每个代理的Q-table；Qf(m,a)为代理m在帧f中的动作a的Q值，Qf(m,a)值存储在Q-table的二维数组中。（2）对于每一帧，代理在前一帧中选定的时隙传输他们的数据；（3）在所有代理传输结束后，代理更新它们的协作Q值；

6.2.2强化学习缓解无线信道冲突基于强化学习的低复杂度MAC协议：CoRL

目录6.1.概述6.2.主要研究方向

6.2.1物联网通信系统结构6.2.2物联网智能接入控制

6.2.3物联网智能路由

6.2.4物联网智能传输控制6.3.总结与展望6.4.习题6.2.3基于强化学习的物联网路由Q-Routing基于最小的传递时间来学习最佳路径，为节点的每个邻居分配一个Q值Q值被定义为当前节点将这个特定的邻居作为到目的地（sink）的下一跳的传送数据包所花费的时间。

6.2.3基于强化学习的物联网路由ATPATP协议的核心是基于强化学习的元路由策略包括三个阶段：初始化、转发和确认阶段

ATP可以实现能量感知的负载平衡，并可以自动删除不对称或断开链路，因此适合于需要高可靠性的应用，对不可预测的链路故障和移动汇聚节点具有鲁棒性。6.2.3基于强化学习的物联网路由FORMS一种基于RL算法的能量感知多播路由协议。每个节点作为agent学习到任意汇聚节点组合的最佳跳数成本行动是数据包的一种可能的路由决策，被定义为一组子行动{a1...ak},对于子行动ai=（ni,Di），它表明邻居ni是预期的下一跳，用于路由到目的地Di一个完整的行动是一组子行动的集合收集路由信息，并估计行动的初始Q值，子行动的初始Q值根据到每个汇聚节点的跳数进行估计当数据开始在网络中流动时，节点以agent方式工作，学习网络中共享路径的真实Q值经过有限步骤后，Q值不再变化，协议收敛，更新探索策略6.2.3基于神经网络的物联网路由SIR传感器智能路由（SIR）是一种由QoS驱动的路由算法每个节点都引入了一个神经网络来管理路由，输入是延迟、吞吐量、错误率和占空比在一个节点收集了一组输入样本后，运行神经元选举算法，选出获胜神经元节点使用输出函数来分配QoS的估计每个节点根据延迟、错误率、占空比和吞吐量等因素来探测邻居以计算链路质量修改Dijkstra算法寻址到从汇聚节点到每个节点的最小成本路径。优点：在平均延迟和能耗方面性能较好在故障节点比例较高的情况下，SIR具有更大的优势缺点：SIR的开销很高，在每个节点上实施神经网络算法需要计算成本探测邻居来计算链路质量也存在额外的成本6.2.3基于人工智能的物联网路由优化智能RPL协议RPL挑战：动态和有损环境无法针对动态环境有效调整链路指标智能RPL协议通过将学习自动机（LearningAutomata,LA）与RPL目标函数（OF）相结合，在RPL中引入认知能力在期望传输次数ETX计算中应用LA，根据环境对ETX进行调整，LA通过与环境的交互进行学习，产生最佳的ETX值基于LA的系统有两类参数：可控参数是输入网络的内部参数，可以根据要求进行改变。可观察参数是指被测量的外部参数或系统的输出。LA将ETX作为可控参数，将丢包PL（PacketLoss）作为可观察参数6.2.3基于人工智能的物联网路由优化智能RPL协议LA-OF采用了两个学习阶段：在线学习阶段根据强化信号在每次迭代中更新概率向量，持续N次迭代在线学习阶段在环境学习阶段被采用，直到终止条件发生。离线学习阶段不更新概率向量，直到不可能发生的条件发生为止。离线学习阶段在ETX的调整后触发，以追踪环境的变化，并避免了由于不重要的事件或临时环境变化而发生的突然变化。网络中的每个节点都分配了LA，它们在运行时同时进行学习在找到最佳行动后，学习过程将停止触发一个离线学习阶段。它分析该变化是否是由不重要的事件引起的。如果它不是一个临时的变化，那么学习过程将被重新启动6.2.3基于人工智能的物联网路由优化智能机会路由机会路由（OR）也被称为任意路径路由。该协议利用了无线网络的基本特征，即数据的广播传输步骤1：向中继候选者广播数据包；步骤2：通过使用转发者列表中的节点之间的协调协议，选择最佳中继；步骤3：将数据包转发到选定的中继节点机会路由优点：使用朴素贝叶斯分类器智能选择潜在的中继节点，实现传感器节点之间的能源效率和可靠性改善传感器网络的寿命、稳定性和吞吐量目录6.1.概述6.2.主要研究方向

6.2.1物联网通信系统结构6.2.2物联网智能接入控制6.2.3物联网智能路由

6.2.4物联网智能传输控制6.3.总结与展望6.4.习题6.2.4物联网智能传输控制网络拥塞会导致数据包丢失，增加端到端的延迟，浪费节点的能量，并显著降低物联网应用的保真度依照拥塞方式不同，分为结点级拥塞和链路级拥塞。基于机器学习的拥塞控制方法可以更准确地估计网络流量，灵活控制拥塞，提高传输效率节点级拥塞链路级拥塞6.2.4基于神经网络的拥塞控制基于自编码器的拥塞控制方法自编码器示例L维原始数据K维压缩数据L>K通过训练学习到最佳编码权重和解码权重6.2.4基于神经网络的拥塞控制传感器节点收集历史数据在基站进行离线训练和建模在发送端对在线数据进行时域或空域压缩（编码）基于自编码器的拥塞控制方法接收端对收到的压缩数据进行近似还原（解码）基于自动编码器的拥塞控制算法流程6.2.4基于神经网络的拥塞控制基于深度信念网络的拥塞控制方法多模式深度信念网络使用深度信念网络构建代理Loadbot，对大量用户数据的分析和网络负载的测量进行网络配置，实现高效的负载平衡使用DBN进行建模DBN由若干层神经元构成，组成元件是受限玻尔兹曼机（RBM）将若干个RBM“串联”构成了一个DBN上一个RBM的隐层即为下一个RBM的显层，上一个RBM的输出即为下一个RBM的输入6.2.4基于神经网络的拥塞控制基于深度信念网络的拥塞控制方法网络负载决策算法采用Q学习来计算和存储当前网络负载并学习结果Q学习算法流程：每种状态下可能进行的动作：6.2.4其它智能拥塞控制方法基于学习自动机的拥塞控制方法基于学习自动机设计认知框架，使用一种具有学习能力的跨层设计物联网认知框架环境监测：感知参数预处理：分类参数、标准化观测值参数估计：评估参数作为学习的环境反馈决策和学习：网络配置、算法学习网络自适应：配置协议栈、环境交互学习数据库：存储可控参数6.2.4其它智能拥塞控制方法基于模糊逻辑的拥塞控制方法综合随机早期检测和模糊比例积分微分控制器（模糊PID）方法，将模糊逻辑与PID相结合来控制目标缓冲队列模糊逻辑控制模型模糊逻辑控制器估计和调整每个节点的发送速率，从而对拥塞进行检测和控制拥塞控制单元RAU拥塞通知单元CNU拥塞检测单元CDU6.2.4其它智能拥塞控制方法基于模糊逻辑的拥塞控制方法将随机早期检测主动队列管理(AQM)和模糊比例积分微分(FuzzyPID)方法集成进行拥塞检测。如果发生拥塞，