吴永挺

（福建省第二高级技工学校，福建福州 350007）

0. 引言

随着互联网和移动通信技术的飞速发展，智能终端设备和应用软件在社会中得到极大普及。物联网作为互联网的延伸，利用具有感知和通信能力的智能终端设备采集物理世界的数据信息，通过通信技术将物－物、物－人相连接，进行信息交换与处理，实现智能的识别、监控和管理等目的。物联网具有无处不在的传感和计算能力，可以将数以百万计的物理实体连接到互联网上[1]。这些部署在人们社会生活中的海量物联网设备采集大规模数据信息，通过物联网获取智慧决策，解决与人类生活相关的问题，如能源管理、医疗保健、商业物流、建筑自动化等。同时，随着城市人口的快速增长和生活节奏加快，人们对社区空间的承载能力和管理水平提出了更高的要求。社区作为社会容纳、汇聚人群和提供公共基础设施的区域，其运作模式、服务和管理制度直接影响社区居民的生活质量。传统的基于人工操作的社区服务体系具有响应不及时、服务范围有限、服务成本高等问题，难以适应人们日渐多样化、安全化、便捷化的服务需求。因此，将物联网技术运用于智慧社区的构建成为新时代社会发展的趋势。

智慧社区是指充分借助物联网、云计算、大数据等网络通信和计算机技术对社区建筑、居民医疗、物业管理等领域，形成基于数据互联互通和智能决策处理的现代化、智慧化管理模式，构建新型社区生态服务体系。我国“十四五”规划中明确指出要推进智慧社区的建设，形成惠民、便民的社区服务。智慧社区是智慧城市建设的基础，它充分利用公共资源和基础设施，为居民提供个性化服务。智慧社区有利于解决民生问题和城市治理问题，对改善居民生活质量、降低能源消耗、提高城市人口承载能力等具有重要的现实意义。

然而，当前智慧社区的建设在技术领域面临多个挑战：一是智慧社区系统架构复杂。智慧社区涵盖的应用场景多种多样，每个应用所对应的用户需求各异。此外，物联网中海量且异构的数据传输协议和计算模式不相兼容。因此，设计高效、可拓展的物联网架构是建设智慧社区的重要环节。二是低时延、低能耗的计算模式需求。物联网设备由于其处理器工艺和尺寸受限，导致其计算、存储能力不足和电量供应有限，难以支持计算密集型、时延敏感型应用数据的处理，严重影响用户使用体验。三是物联网设备的大规模接入需求。物联网中无处不在的传感设备采集大规模数据，这些数据需要被快速计算处理，以及时获得反馈结果和决策。然而，传统的正交时频传输资源有限，难以满足海量物联网设备的接入需求，突发式数据传输也会造成上下行链路拥塞。四是数据安全和数据交互之间的矛盾。智慧社区平台采集并存储了大量居民的个人隐私信息，由于存在竞争关系、安全认证和流程审批等因素，使得不同的物联网节点之间的数据交流效率和安全性降低。因此，如何兼顾信息安全和数据共享是智慧社区建设过程中需要考虑的重要因素。

1. 物联网技术在智慧社区的应用

为应对上述挑战，一些新型的物联网技术被运用到智慧社区的建设中。首先介绍基于物联网的智慧社区总体架构，其次分别对边缘计算、非正交多址接入和联邦学习技术在智慧社区中的应用进行详细分析说明。

1.1 基于物联网的智慧社区总体架构

目前，智慧社区常采用物联网三层技术架构，自顶向下分别为：应用层、网络层和感知层。

应用层是直接面向用户的可交互平台，其主要功能是通过数据挖掘和大数据分析技术，对海量异构数据进行标准化数据预处理，根据用户需求，构建与业务相适应的子数据库。各个子系统可以共享数据和应用界面，与使用者完成交互。

网络层起到数据传输的作用，上承应用层与用户连接，下接感知层收集海量数据。网络层可以采用现有的运营商传输网络，也可以组建专用网络。为了提高传输速率、增大网络容量，网络层可以采用边缘计算架构和非正交多址接入的空口技术。

感知层包括海量的智能感知设备，如摄像头、智能电表、温控传感器等，以及所采集的大规模原始数据。由于物联网感知设备计算和存储能力较低、电量有限，因此往往需要利用其他物联网节点辅助计算。此外，各物联网节点之间的传输和共享机制需要保障用户数据的安全性。

以智慧社区中较常见的智慧物业管理子系统为例，水电表数据采集器作为部署在感知层的智能传感器，实时收集居民的水电使用情况，并通过网络层将数据传输至具有计算能力的变压器或者电站。在网络层的传输过程中，有有线或无线两种传输方式。一般而言，有线传输方式具有更高的稳定性、可靠性和更大的传输带宽，可以有效避免多用户数据流量之间的干扰。但是有线传输的可拓展性较低，如果社区中添加新的水电设备，则需要单独为其布线，运维成本较高。无线传输方式更加灵活，可拓展性和适应性强，适用于室内室外等多种环境。然而由于存在电磁干扰和无线网络环境动态复杂，往往造成信号不同程度的衰减，使得接收端的信干噪比难以保证，因此需要合理配置中继实现信号的放大和前传。数据到达计算中心后，经过数据分析和处理，计算结果将被反馈至智能终端设备，如智能手机，用户通过手机应用软件就可以查询到家庭的水电费和使用情况、监测异常数据以及控制家庭的水电开关。

1.2 边缘计算技术与社区无人驾驶

边缘计算是提升物联网计算能力的有效技术，物联网在物理世界中部署大规模传感器以获取周围环境的实时状态。海量的数据需要被及时处理以便物联网设备做出智慧的决策和动作[2]，数据的巨大增长会使资源受限的物联网设备负担过重。传统的集中式云计算网络架构将计算中心部署在核心网，不仅与终端用户距离远，而且传输的转发与路由次数多。由于链路容量有限，在数据流量突发的情况下容易发生链路拥塞，使得网络开销和延迟增加[3]。为了应对物联网中巨大的通信规模和计算需求，边缘计算被视为一种有前景和实用的方法来升级物联网系统。边缘计算的基本原理是在距离移动终端较近的位置部署具有通信、计算、控制和缓存能力的数据处理中心，物联网设备通过将计算任务迁移至边缘设施，如边缘服务器，从而获得更为高效快速的计算服务。

社区无人驾驶是智慧社区重要组成部分，特别是在疫情防控常态化时期，利用小型无人驾驶车可以将医疗物资甚至外卖和快递自动送至家家户户，真正实现人与人的零接触，有效降低疾病传播风险。不同于城市中交通管制的无人驾驶机动车，社区无人驾驶汽车属于电动力车，运动范围在人口密度较高的社区，因此具有行驶速度慢、噪声小、安全性高的特点。社区无人驾驶汽车是物联网智能终端设备，需要实时与外界保持联系，根据一系列物理信息数据做出瞬时决策和相应的动作，如规避障碍、加速减速、转弯照明、开仓关仓等，因此社区无人驾驶对低时延、低能耗的要求较为严格。由于无人驾驶汽车的处理器计算能力和存储空间有限，海量实时感知数据难以在本地设备中完成数据处理。借助边缘计算，这些采集的数据首先被分割为大小不同的子任务，分别传输至不同的边缘服务器，并在边缘服务器上完成快速计算。任务处理时延主要包括数据传输时延和计算时延，边缘计算技术将大量边缘服务器部署在智慧社区内，距离用户更近，覆盖更广，极大地降低了任务传输时延。同时，边缘服务器对比于终端物联网设备具有更强的计算能力，从而使得任务计算时延也大大降低，保证了无人驾驶汽车的快速反应。

1.3 非正交多址接入技术与社区绿化

非正交多址接入是提升网络容量、提高无线接入能力的重要手段，传统的正交多址接入技术利用相互正交的无线资源块承载用户信号。正交时分多址接入将相互不重叠的时隙资源分配给不同用户，多用户共享频域资源，以不同时隙区分信号；正交频分多址接入为不同用户分配相互正交的子载波，在全时域传输信号，避免了同频干扰；码分多址接入以相互正交的编码区分多用户信号，接收端采用相应的码流译码。由于时隙资源、子载波资源和正交码谱有限，正交多址接入方式难以满足物联网设备的大规模接入需求。非正交多址接入支持在相同的子载波和相同时隙下，以不同的电平或者编码来发送信号，通过用户配对和功率配置策略，使得在有限的频段和时间内可以承载更多的用户。对比于正交多址接入，非正交多址接入技术具有更高的能量效率和频谱效率[4]。

绿地是社区居民娱乐休闲的重要场所，也是社区的绿色心脏，社区的绿化建设是提高居民生活质量的重要内容。随着人们对环境美化的要求越来越高，社区的绿色景观覆盖率也逐年增大，景观造型和植物种类也越来越多样，然而，自然环境的复杂多变性给绿地景观的养护带来不小困难。在基于物联网技术的智慧社区中，通过在绿地广泛部署温度、湿度、光照等传感器，将采集到的环境数据上传至数据处理中心。若土壤湿度低于所设定的阈值，则开启相应位置的喷水器，自动调节喷水方向、水量和时间，完成植物的浇灌。此外，还可以根据不同植被类型，有针对性地进行药物滴灌。由于绿地覆盖面广，所安置的传感器种类和数量也极大，海量传感器同时接入容易造成传输链路的拥塞。传统的正交多址接入方式将相互正交的时间或频率资源分配给所需用户，虽然能够避免多信号干扰，但是由于正交资源有限，难以支持海量设备的接入。智慧社区采用非正交多址接入的方式，允许多个数据流在同一时频资源上传输，极大地提高了频谱资源和网络容量，使得智慧社区中的每一块绿地都能得到有效地监测和护理。

1.4 联邦学习技术与社区安防

智慧社区将建立在人工智能技术之上，从而在异构和大规模物联网中实现以数据驱动的机器学习解决方案。然而，传统的机器学习技术需要通过中央服务器集中收集和处理物联网数据，容易出现单点故障，难以保障用户隐私。联邦学习作为一种新兴的具有隐私保护性质的分布式人工智能方法，成为智慧社区中保障数据安全的重要解决方案之一。在联邦学习中，物联网节点设备通过本地数据协作训练共享模型，因此只向中心服务器上传模型参数而不是原始数据。联邦学习是一个协同的机器学习框架，它使参与的设备能够周期性地更新模型参数，同时将所有的训练数据保存在本地设备上。联邦学习往往与边缘计算相结合，从而最大限度地实现模型优化。中心服务器主要部署在云上，具有大量的计算和存储资源。当执行联邦学习时，物联网设备首先从中心服务器下载一个全局模型，用本地采集的数据进行训练，局部模型的训练则采用随机梯度下降法，模型经过几轮本地更新后，将被上传到边缘服务器进行全局聚合，更新与聚合过程不断重复，直到产生预期的模型为止。由于联邦学习分布式的模型训练，以参数共享代替原始数据共享，因此能够有效实现用户的数据隐私保护。

社区智能安防是智慧社区的关键内容之一，而用户行为分析与预测是社区智能安防的基础。在智慧社区中，广泛覆盖的摄像头捕捉居民、宠物、车辆等对象的行为，分析行为内涵，判断行为属性，预测该行为的安全性，最后做出相应的反馈。例如，当社区中大型宠物狗朝人大声吼叫、挣脱遛狗绳，或者发生人与人相互扭打，通过视频画面的采集和实时上传，计算中心得出宠物狗即将或正在伤人的结论，计算中心给社区安保部门发送警报和事件地点，使得社区安保人员能够及时准确到达现场，预防事故发生或及时止损。此外，摄像头还可以通过监测社区车辆和驾驶员信息与行车路径，判断车辆是否属于社区内合法车辆、是否偏离正常路线，通过相应的反馈机制防止非法机动车进入社区，预防社区内的车辆事故。智慧社区中准确的行为预测过程需要计算中心可靠的数据处理能力和数据安全保障机制。智慧社区采用基于联邦学习的数据处理方式，摄像头将采集的实时数据发送至边缘计算服务器的训练模型，由于训练模型的分布式部署，每个子模型保留部分数据并只需更新各自的模型参数，并将更新后的参数传输至中心服务器，从而避免了原始数据的聚合，降低数据泄露的风险。

2.结语

物联网技术从网络架构、计算模式、无线传输模式、安全保障机制等方面对智慧社区的建设提供有效技术支持。物联网三层技术架构中的应用层、网络层和感知层是分别面向智慧社区不同的功能模块。边缘计算技术助力于解决智慧社区对低时延、低能耗的需求；非正交多址接入技术满足海量物联网设备的接入需求；联邦学习技术保障了智慧社区用户数据安全。利用物联网技术，智慧社区将为居民提供更为便捷舒适的服务。