传感云环境下基于雾计算与压缩感知的大规模WSNs数据获取研究

How to effectively manage large scale WSNs to give full play to its performance is still a very challenging problem. Based on large scale WSNs data acquisition and processing problem, a sensor cloud data acquisition and processing method based on combined fog calculation and adaptive block compression perception is proposed, aiming to meet the needs of large-scale WSNs data processing, storage capacity, communication bandwidth, network energy consumption and other aspects, and to provide users with available, convenient and on-demand remote data collection and processing services. The main innovative research contents include: (1) A model of sensing cloud system based on fog calculation build, the specific functions, coordination strategies and implementation techniques of each level of the system are studied, and a perfect series of standard specifications are formed. (2) The dynamic adjustment mechanism of the network topology is proposed, and a robust adaptive block compression sensing data collection and transmission model is built. (3) An adaptive fast reconstruction algorithm for sparsity and a method of node anomaly detection and link quality prediction are designed to improve the accuracy of data acquisition and processing of the system. (4) A new intelligent optimization algorithm as elastic collision optimization algorithm is studied, which provides a more efficient solution tool for the optimization problem in the engineering field. Through this project, a new way of large-scale WSNs data acquisition and processing technology is explored; effectively solve the current problems of data acquisition and processing.

当前如何有效管理大规模无线传感器网络（WSNs）以充分发挥其性能仍然是一个极具挑战性的问题。为满足网络数据处理、存储能力、通信带宽、网络能耗等方面需求的同时给用户提供可用的、便捷的、按需的远程数据获取服务。本项目提出雾计算与压缩感知相结合的传感云数据获取理论及方法，研究内容包括：（1）构建基于雾计算的传感云系统模型，研究系统各个层级具体功能、协同策略以及实现技术，完善系列标准规范；（2）提出网络拓扑结构动态调整机制，构建鲁棒性强的自适应块压缩感知数据收集传输模型；（3）设计稀疏度自适应快速重构算法和节点异常检测与链路质量预测方法，提高系统数据采集处理的精准度；（4）研究全新的弹性碰撞智能优化算法，给出群样本多样性和全局寻优能力理论分析，为工程领域优化问题提供更高效的求解工具。通过本项目研究，探索形成一种新的数据采集理论及技术途径，有效解决目前大规模传感网数据获取处理所面临的难题。

随着WSNs网络规模不断扩大，需要处理的节点数据呈现爆炸式增长，这给大规模WSNs管理提出了严峻挑战，云计算技术的不断成熟发展为解决WSNs面临的诸多问题开辟了新的研究思路，本项目以大规模WSNs数据采集处理为主要研究内容，主要创新研究内容包括：构建基于雾计算的传感云系统模型，研究系统各个层级具体功能、协同策略以及实现技术，形成、完善系列标准规范；提出网络拓扑结构动态调整机制，构建鲁棒性强的自适应块压缩感知数据收集传输模型；研究全新的弹性碰撞智能优化算法，为工程领域优化问题提供更高效的求解工具。通过一年的研究，本项目初步设计一种全新的智能优化算法，并从种群多样的角度对智能优化算法改进策略进行了分析探索，自适应核FCM模糊聚类算法的引入实现了对种群样本多样性实时分析，从而使得种群进化方向更加合理科学，种群样本多样性定量分析和测试函数仿真结果也证明ECO在运算后期仍能够具有较好的种群多样性。在此基础上，从传感云资源调度应用研究入手，构建多目标传感云资源调度优化模型、设计符合工程实际的弹性碰撞优化算法实现流程，实验也验证了基于传感云资源调度方案的有效性，同时通过联合雾计算与自适应块压缩感知的传感云能够有效实现数据采集，自适应块压缩感知的引入使得只需要少量观测节点数据就可以实现目标区域有效监控，大大降低了网络流量；雾计算层移动节点负载均衡分配策略利用移动节点间协同计算处理，明显改善了系统时延特性。结果表明，相比于单纯传感云系统，网络流量减少了约20%，网络任务时延降低了12.8～20.1%。通过本项目研究，初步探索形成一种新的大规模WSNs数据采集处理技术途径，有效解决目前数据采集处理所面临的难题。