陈 夏，张传栋，李志敏，钱美超

（1.济宁学院，山东 济宁 273100；2.中国气象局公共气象服务中心，北京 100081）

0 引 言

物联网是二十世纪末期所提出的一个旨在将自然物质世界和人类创造的电脑及互联网世界整合为一的概念[1]。由于当时受到半导体价格、网络带宽和网络覆盖的局限，物联网的发展一度十分缓慢。进入新世纪后，半导体工艺发展迅速，人们可以以更低的价格得到性能更好的电子设备。尤其是随着近些年云计算技术的逐渐完善以及云端服务的井喷式增长，之前一直被技术瓶颈限制的物联网技术迎来了发展的春天。现在物联网已经成为最热门的学术和应用技术研究方向之一[2]。物联网的主要结构分为4个层次[3]：

（1）搜集环境相关资料，与环境中的事物进行交流的感知层（Sensing Layer）。在感知层中作为主要工作原件的是小型无线智能系统模块和传感器。这两个原件组成了物联网中最基本的工作单位—感知节点（Sensor Node）。小型无线智能系统模块负责对传感器收集到的数据进行初步处理。在许多实际应用中，感知节点上装备有多个传感器，这时小型无线智能系统模块还要负责调度传感器的运行与休眠。

（2）负责信息传输的网络层（Networking Layer）。网络层将所有物联网相关设备连接在一起，并允许物联网中各个设备共享信息。另外，网络层还能够聚合来自现有IT基础架构（例如，业务系统、运输系统、电网、医疗系统、ICT系统等）的信息。

（3）对数据进行分析并作出相应决策的服务层（Service Layer）。服务层依靠提供功能的中间件技术来无缝集成物联网中的服务和应用程序。中间件技术为物联网提供了一个经济高效的平台，可以在其中重用硬件和软件平台。服务层的主要活动涉及中间件的服务规范，该规范由各组织开发。设计良好的服务层将能够识别常见的应用程序需求，并提供API和协议来支持所需服务、应用程序和用户需求。

（4）负责与用户程序以及应用交互的接口层（Interface Layer）。由于物联网系统经常要集合来自不同生产商并且有着不同通信协议的模块，导致物联网系统中设备间的通信面临许多问题。同时，随着物联网系统规模的增大，也会增加与之相对应的由于网络复杂度上升所带来的问题。接口层的接口配置文件能够帮助设备快速建立起即插即用的连接。与此同时，接口概述文件能够促进物联网中各种服务之间的交互。同时，接口层上的架构可以使服务层所提供的API接口快速与用户程序对接，提高系统开发和运行效率。

得益于人工智能技术的飞速发展，以及基于物联网的云计算平台的出现[4-7]，越来越多的服务层和接口层问题得到了优化解决方案。随着5G等新通信标准的出现及部署，同时对网络层已有的通信技术的深度探索与优化[8]，及新通信协议的开发[9]，为物联网网络层的相关问题提供了相应解决方案。而在感知层上，由于半导体工艺的限制，物联网应用的设备功耗问题在设备的制造层面上还得不到解决。比较常见的解决方案是结合上一级传感器无线网络进行调度策略的优化来实现更长的网络寿命[10-11]。除此以外，如果想要在感知层上达到延长节点使用寿命的目标，应用开发者往往不得不在设备性能上做出让步或者购买价格更加昂贵的原件。在这种情况下，越来越多的人开始探索如何在同样的硬件设备条件下，通过直接优化物联网应用在感知层上的调度策略以达到更加节能的目的。本文所介绍的调度策略即是在这种背景下，针对物联网感知层，将物联网应用和模糊计算结合所得到的一种优化策略。

1 模糊计算概述

随着计算机技术的不断发展，计算机系统可以解决的问题也越来越复杂。具有一一对应关系的普通计算在解决这些复杂问题的同时往往需要动用过多的计算机资源。在这个背景下，计算机科学家开始把目光放在20世纪60年代由数学家们所提出的模糊计算上，以探求比普通计算更优化的解决方案。模糊逻辑能够模仿人类大脑对于不确定性概念的判断、推理思维方式，同时对于未知事物的建模或描述不能确定的系统方面要大大优于普通计算[5]。针对强非线性、大滞后的控制对象，可以应用模糊集合和模糊规则进行推理，以表达过渡性界限或定性知识经验。在实际应用中，它以数值计算而不是以符号推演为特征，它并不注重如像经典逻辑那样的基于公理的形式推演或基于赋值的语义运算，而是通过模糊推理的算法，由推理的前提计算出结论。30余年来，模糊推理方法在工业生产控制，特别是在家电产品中的成功应用，使得它们在模糊系统以及自动控制等领域愈来愈受到人们的重视，如今在近似推理中已成为以数值计算而不是以符号推演为特征的一个研究发展方向[12]。

由模糊计算的概念我们可以看出，支撑模糊计算的模糊逻辑是一种接近客观世界运行规律的处理方式，即函数中的变量是根据其影响因素变化的。由于物联网就是一个将真实的客观世界和人类的主观世界整合唯一的系统，借助模糊计算模拟人脑对于客观世界的分析方式可以比非黑即白的普通运算有着更高的执行效率和准确程度。所以在物联网系统中加入模糊运算是一种对于提升物联网整体性能有着重要意义的尝试。

2 模糊逻辑调度策略

在物联网感知层，物联网设备的主要作用是捕捉周围环境的数据，传输采样数据并根据数据做出相应的反应。物联网应用的一般工作流程为对环境数据进行采样，得到采样数据后，由负责数据传输的网络层将所采集的数据传输给本地或者云端服务器等服务层设备，最后由接口层将数据转化为用户可以阅读的格式。与此同时，服务层的相关应用和设备对数据进行分析与处理，并根据用户需求给出相应的解决方案，之后通过网络层将解决方案传输给感知层节点，最后感知层节点根据所得数据与真实环境进行交互。我们可以将整个过程抽象为采样传输、处理数据和传输反馈3个过程。不难看出，处理数据过程是在服务层完成，传输反馈过程往往是基于对真实世界作出反馈的单一动作，调度策略的优化空间十分有限。所以如果要探索通过使用调度策略来减少感知层的功耗，我们应该将主要研究方向定在优化采样传输这个过程中。传统的物联网应用一般以一定的时间间隔持续采样，并在每一组数据采集结束后，将数据通过网络发送给服务层设备，我们称这种采样调度策略为等取样间隔调度策略。在此种策略下，如果希望得到更高精度的数据，就要设置更短的采样间隔，通过提高采样频率来获取更高的数据精确度。但是更短的采样间隔在相同采样设备的前提下必然会导致更高的功耗。这就使得我们在采用这种调度策略时，会面临一个在功耗和精度之间进行取舍的问题。这些年，随着技术的演进，在对嵌入式系统节能技术的不断探索中，已经有立足于感知层的基于嵌入式Linux系统的调度策略研究[13]出现。越来越多的应用在无线传感器网络（WSN）中出于节约成本和提高效率的考虑，已经不再在感知节点上使用操作系统，而是使用更简单、高效的微处理器-传感器结构。不同于基于如无线传感器网（WSN）等兼具网络层和感知层的调度策略[14]，在感知层的感知节点上直接进行传感器调度，可以更直观的减少功耗，且不会受到网络等不确定因素的影响。在其他研究领域，如多处理器计算中，出现了基于能量节约的实时动态调度算法[15]，可以根据能耗的不同动态对任务进行实时调度。受到这个方法的启发，在同一个感知节点上装备多个传感器时，我们也可以通过使用一定程度的调度策略来达到节省节点功耗的目的。

由前文的论述，我们可以将物联网由原来的，通过在感知层的感知节点上执行调度策略来解决节约功耗的问题，转变为寻找在尽量少占用外部资源的前提下，以相同的取样设备，花费更少的功耗，提高更大数据精度的应用需求。由此我们将眼光放到了根据模糊逻辑建立的调度策略上。我们依据模糊逻辑可以根据不同条件输出不同结果的特点，通过类似机器学习中“特征工程”的方法对不同取样环境采取不同的取样策略来节约功耗。经过我们的实验，单纯将采样数据作为特征工程的输入并不能很好地体现出数据的变化规律。我们转而采用数据的变化率（Slope），而非数据本身作为设定调度策略的参考变量。这样可以有效减少运算时数据比较的运算成本。使用变化率（Slope）的另一个显著优点是，它有相较简单的数值比较，同时，变化率（Slope）能够更好地反映出环境变化对于环境数据的影响。在物联网感知层中，如气温、湿度、空气污染等环境数据的变化率往往会在较长的一段时间内保持相对稳定的水平，如一天中上午的气温一般都是在平稳缓慢上升，我们将这段时间定义为环境数据的平稳变化阶段。区别于平稳变化阶段，环境数据会在特殊条件下发生剧烈变化，如日出、日落对于温度的影响，工厂的工作时间与非工作时间对于环境污染的影响，我们将这部分时间定义为环境数据的剧烈变化阶段。通过对数据变化率（Slope）的比较，可以帮助我们从数据的角度更好地分辨出环境数据的平稳变化阶段和剧烈变化阶段。

首先，我们从对单一环境变量的采样策略入手。将传统的等取样间隔调度策略进行变化，使其不再以固定的等取样时间对某一环境数据进行监测，而是通过感知节点上的微处理，动态分配相应传感器相邻两次采样之间的间隔，得到一个依据数据变化率（Slope）进行预测的可变取样间隔采样策略（Sample Strategy）。在此采样策略中，我们设置取样间隔时间增量为一固定值T，在第i次取样的实际取样间隔为STi。实际取样间隔ST、取样间隔时间增量T和取样次数i的关系如公式（1）所示：

设STi=0=0，STi=1=T，Slopei=Slopei-1

式中，第i+1次取样的时间间隔取决于前两次取样数据的变化率，即第i次的取样变化率Slopei与第i-1次的取样变化率Slopei-1是否近似。这里，由于我们用于比较的参考变量为取样数据的变化率（Slope），第i次与第i-1次取样数据变化率很难做到完全相同，所以在比较时两者只要在应用需求数据精度相应的变化率范围内即可。当Slopei近似于Slopei-1时，说明前后两个采样点的数据变化模式相似，因此我们可以延长下一次数据的采样间隔来节约功耗。另一方面，如果Slopei与Slopei-1之间的差距大于我们设置的近似范围，则说明在第i次与第i-1次取样之间数据数值发生了比较大幅度的变化，很可能进入了环境数据的剧烈变化阶段。此时，应缩小采样间隔，以增加采样的频率，以免漏测数据导致最终得到的数据精度受损。

在确定采样策略后，我们将所要采样的每一种类数据单独进行特征工程处理，确定其中数据变化率的平稳变化阶段和剧烈变化阶段。针对每种数据设定不同的采样阶段（P1...Pn）来贴合该种数据平稳变化阶段和剧烈变化阶段的变化规律。对于每个取样阶段（Pi）设置对应取样间隔时间增量Ti，并依据Ti形成相应的采样策略（Sample Strategyi），该过程可形式化表达为公式（2）：

根据该调度策略采样时，在相同数据变化率的情况下，系统会按照不同的取样阶段，对其分配不同的取样周期。最终达到在对精度影响较小的情况下，有效降低功耗的目的。

3 调度验证实验

3.1 应用策略

我们选取物联网应用中最常见的应用场景之一获取环境温度功能作为实验场景，来测试本文所提出的调度策略。首先通过特征工程筛选，我们选取时间与温度变化率的对比作为策略比较的标尺。根据温度随时间变化的特征规律，我们将一天24个小时分为4个取样时段，并分配给每个取样时段不同的取样间隔时间增量T。详细信息见表1所列。

表1 实验范例中的取样时段和取样间隔

在表1中，由于在环境数据的平稳变化阶段，数据在很长一段时间内保持相对稳定的变化速度，很少发生剧烈变化，所以适当提高平稳变化阶段的取样间隔时间增量T，并不会对最终采样数据的准确度造成巨大影响。因此，我们将环境数据温度的平稳变化阶段，即阶段1与阶段3的取样间隔时间增量T设置为20 min。相对的，在环境数据的剧烈变化阶段，由于数据变化剧烈，如果取样间隔时间增量T设置得太小，则必然会导致最终数据精度丢失。所以，我们将环境数据温度的剧烈变化阶段，即阶段2与阶段4的取样间隔时间增量T设置为5 min，以适应日出、日落相对剧烈的温度变化。接下来，我们将从程序模拟和设备实测2个方向分别运行该调度策略，将运行结果和等取样间隔调度策略的结果进行比较。

3.2 模拟实验

模拟实验采用的模拟程序以取样间隔为5 min的等取样间隔调度策略室内气温实测数据为输入，模拟程序将输入的环境数据按照模糊逻辑调度策略进行模拟，输出依照模糊逻辑调度策略的模拟取样数据。5 min等取样间隔调度策略与实验结果的模糊逻辑调度策略的比较如图1所示。

图1 等取样间隔调度策略和模糊逻辑调度策略的模拟器实验结果比较

从两种策略通过模拟程序实验得到的结果对比图可以看出，图1（b）中由模糊逻辑调度策略数据所绘制出的时间-温度图像能达到与图1（a）所示高精度的等取样周期策略（5 min取样间隔）的时间-温度图像相近的图形。2种策略对比模拟实验的详细数据量化比较见表2所列。

表2 模拟实验详细数据

从表2所示数据中我们可以看出，等取样时间策略由于不存在预测功能，所以能够反映出准确的实时环境温度。但是其缺点也十分突出，即采样频率高，采样点数量相对较大。而采样点的数量在真实应用中反映了该应用在捕捉采样数据时的功耗。从模拟实验结果中，我们能看出模糊逻辑调度策略以牺牲小额精度的代价换取了更少的采样点数量，也就是降低了应用的功耗。模糊逻辑调度策略的功耗只有5 min取样间隔等取样间隔策略的21.9%。相较于5 min取样间隔等取样间隔策略的高精度，模糊逻辑调度策略的平均精度只少了在实际应用中可以忽略的0.029 5 ℃。

3.3 设备实测实验

在设备实测实验中，我们建立了一个基于ARM Cortex M4 微处理器的实验环境。我们选取由NXP出品的搭载了ARM Cortex M4微处理器的LPCXpresso5411x开发板作为实验平台，使用MikroElektronika出品的搭载了HDC1000温湿度传感器的HDC1000 Click传感器模组作为采样模块。通信模块我们选择使用低功耗ATK-LORA-01模块，以LoRa通信协议实现采集节点和网关节点的通信。取样节点由1节Panasonic NCR18650A可充电锂电池供电。为了更好地完成整个系统的功耗测量，我们采用德州仪器出品的BQ27z561电池测量计作为数据监控和采集设备，最终完成的测试系统如图2所示。

图2 实验系统

为了方便与模拟器实验进行比较，我们在设备实测实验中仍然使用5 min取样间隔的等取样间隔调度策略和模糊逻辑调度策略作为实验的对照组。两组调度策略的时间-温度图像如图3所示，实验数据见表3所列。

图3 设备实测实验结果

表3 设备实测实验详细数据

我们可以看到，设备实测实验的结果表现出与模拟器实验相同的对比结果，两组调度策略的时间-温度图像的图形相似度很高。从表3所提供的数据可知，实测数据表现出在损失对整体数据不构成影响精度的0.037 5 ℃前提下，达到了显著的节能效果，即模糊逻辑调度策略的功耗只有等取样间隔策略的24.3%。这个特性也和模拟器实验所揭示的结论一致。

4 结 语

本文针对物联网感知层上的环境数据采样应用提出了一个基于模糊逻辑的调度策略，在损失对整体数据不构成影响精度的前提下，显著减少感知层设备采集数据时的功耗。并对提出的调度策略从模拟器和设备实测2个方面进行了验证。实验结果表明，本文所提出的调度策略达到了预计的精度并降低了功耗的预期。本文提出的调度策略虽然是针对环境数据采样，但其还是具有一定的通用性，可以扩展使用在所有存在一定变化规律的采样场景。在时下物联网应用追求低能耗的行业需求下，本文所介绍的调度策略具有应用价值。在未来的工作中，我们计划研究通过机器学习方法找到优化的采样区间划分方法和对应的取样区间长度，来对算法进行进一步的优化。