文摘

环境智能(AmI)无处不在的计算和通信领域连接在一起,上下文感知和智能用户界面。能源、容错和流动性是AmI的新添加的维度。AmI的上下文中移动ad hoc网络(manet)的概念为“随时随地”可能会在未来发挥更大的作用,支持的人包围,小环境敏感,合作和nonobtrusive设备将帮助我们的日常生活。知识之间的联系和沟通特设网络symbiotic-knowledge代利用ad hoc网络来执行他们的通信需求,和马奈将利用知识生成以增强他们的网络服务。本研究的贡献是一个分布式发展的模糊建模框架(EFMF)观察和分类关系和活动的用户和应用程序级和基于社会环境对manet服务管理做出明智的决定。EFMF雇佣无监督在线一次通过的模糊聚类方法识别节点的移动性上下文从社会场景痕迹,无所不在地学习“朋友”和“陌生人”间接和匿名。

1。介绍

环境智能(AmI)正成为一个新的研究加入无处不在的计算和通信领域的学科,环境敏感和聪明的用户界面。模式也被称为“普适计算”,“想的事情”,“无处不在的计算”,等等。能源、容错和流动性是AmI的新添加的维度(1]。AmI人和社会环境中心的地方,在信息和通信技术以及网络环境背景。新的AmI范式是由收敛的低成本传感器、嵌入式处理器,无线ad hoc网络的新一代工业数字产品和服务。移动ad hoc网络(manet)多次反射无线网络没有固定的基础设施,由移动节点。知识之间的联系和移动ad hoc网络将symbiotic-knowledge代将利用无线ad hoc网络执行他们的通信需求,和马奈将利用知识一代一代增强他们的网络服务。当前移动设备,与我们一起去任何地方,在任何时候,最方便的工具来帮助我们在无处不在的计算,也就是说,介于我们和我们的环境以一种低调的方式。以其他的术语来说,数据处理和通信的背景和必须适应用户的个性。相关的一些决策,沟通必须完全是在运行时通过学习用户的移动模式基于个人的行为、角色和社会网络。路由服务需要本地邻居的观点随着时间的推移(谁是朋友,谁是陌生人)和哪些朋友可以支持传递信息的来源。提出了路由启发式今天社交网络的概念。 Our society is divided into groups of interest, and in groups of moving people and vehicles, entities with similar mobility patterns tend to cluster together and form support groups with certain mobility and social characteristics. Members belonging to one group interact in several ways with members within that group, and the mobility patterns of specific groups are often predictable [2]。此外,社会因素影响特定马奈的有效性,也就是说,用户是否会允许手机参与这样的网络。我们假设用户特定的社交网络应该接受这种力量的电池将自己的手机,手机将第三方之间传递消息对他们没有任何好处。

马奈概念“随时随地”应该支持网络服务独立于应用程序场景。上下文的任何信息,可以用来描述网络环境。上下文感知系统的能力来推断上下文知识为了识别节点的情况。活力在马奈和重大关切,如不可预知的带宽和拓扑结构的变化,使问题分析建模的使用。同时,数据驱动的人工智能(AI)方法能够模拟非线性关系、调整和管理的不确定性通过学习从经验数据而无需人工参与。马奈的“学习”,研究人员经常了解节点本地网络的不断更新视图,给定相同的输入,节点可能会比晚些时候有不同的反应。通常,学习机制使用与相邻节点的交互提取局部拓扑信息和广播学习参数数据包或控制包。在manet的机器学习的焦点一直在监督学习(SL)和强化学习(RL)。在这两种方法中,学习者接收反馈环境是否合适的响应作为输出或奖励。然而,活跃的广播网络学习参数或反馈很容易充血和降低吞吐量当网络拓扑变化频繁。 SL main drawback is the need to know exactly what the learner should do a priory, which cannot meet MANETs unpredictable topology changes. RL main drawbacks are assumptions for finite set of state actions in learner’s environment and its slow convergence speed. At the same time, unsupervised learning (UL) is based on the similarities and differences among data without a feedback from the environment. UL represents the input data in a more efficient way and the system context is the outcome of some cognitive process, for example, data mining. Therefore, we apply an unsupervised approach to learn context from data in a passive (nonintrusive) mode without a priory knowledge and focus our study on context-awareness for routing services. Thus, embedded intelligence in MANETs is supposed to support network services independently on application scenarios by managing uncertainties and inferring contextual knowledge by learning from empirical data without human participation. The contribution of the present study is ubiquitous computing by distributed evolving fuzzy modeling framework (EFMF) for dynamic context-awareness of mobility for routing services. EFMF determines the paths that data packets take across MANETs based on relationships and activities of mobile applications and users that carry mobile devices. The EFMF acts in the routing layer and observes and categorize the “social context” in the layers above to take intelligent routing decisions. EFMF employs unsupervised online one-pass fuzzy clustering method to derive contextual knowledge from social scenario traces and ubiquitously learn “friends” and “strangers” indirectly and anonymously by observing and analyzing fluctuations in local mobility context. The heuristic “care of myself by leaning on friends for support” is applied in a local scope (direct communication in one hop) for packets transmission, while the heuristic “the friends of my friends are my friends too”—in a global scope.

2。问题的定义和我们的解决方案

在本节中,我们提出的框架发展模糊建模,以及什么类型的数据挖掘技术用于知识发现。我们简单介绍一个度量使用趋势波动或上下文的概念,我们以后使用分析网络连接和服务可靠性。

在目前的工作中,我们研究了多播路由服务差别在灾区(DA)中的应用情况。操作,发生在2005年5月在科隆,德国已经模拟(3]。对所有马奈协议通信是一个挑战,因为节点异构成立运动,经过障碍,加入/离开分区。例如,在灾区(DA)场景中,人或车辆行为随时间的变化和“邻居关系”并不是随机的,因为群特别的救援代理以类似的方式作出反应。事件作为移动节点的动机做出反应,根据高层背景的角色。节点的平均密度的增加反应事件由于聚集在“事件位置”。角色援助的学习迁移、节点密度和交通模式。例如,救护团队是固定在抢救病人伤亡的治疗领域和振荡一段时间之前到达下一个治疗领域。警察和消防队员方法”事件的位置”,而病人逃离它。邻居有相似的角色也有类似的流动性和特定的时间应该保持联系。因此,我们可以依靠这些节点支持在本地通信(附近)的信息传播。 As a consequence, if a node logs scenario traces in vicinity over time and categorize them using a relevant clustering algorithm it might learn its behavior dynamically and its local network view over time. “Friends” are all nodes that show up similar mobility behavior. To comply to MANETs concerns, clustering should be a passive, fast, and one-pass algorithm.

首先,我们观察和分析了manet DA场景结构痕迹,特别的,和时间特点和根据上下文,指标下面描述,我们进一步分析网络连接和服务可靠性。我们的结论是,(1)在当地的讨论组的节点定位在一个区域和吞吐量高由于啤酒花的数量,数据包传输,很小(很多单连接);(2)密度较高的节点在DA分区(3附近”事件位置”和入口/出口点可能会导致数据包碰撞和呼吁减少洪水控制数据包;(3)反应事件是重复的。我们相信如果我们利用隐藏的知识从高层上下文和依赖关系的DA场景中,我们将增加服务协议的智能算法。因此,我们调整进化模糊建模,提出Lekova (4),提高底层服务移动ad hoc网络通过观察,在用户和应用程序级别分类的社会活动。

关键因素在manet性能可靠的服务协议的灵活性和适应交通模式。问题的复杂性和缺乏知识的功能依赖运动模式和节点密度随着时间的推移,未来流动性和密度对必要性进行聚类分析,从数据中提取知识和搜索模型由if - then模糊规则库。模糊逻辑(5应用]因为有相关的不确定性估计节点移动性和链接崩溃,以及处理缺失数据缺失的数据观测的结果当节点进入和退出分区。模糊聚类是一个著名的无监督学习技术时数据没有标签和集群我们正在寻找不定义良好和具有光滑边界。此外,模糊数学模型允许扩展控制因素考虑来完成多准则评估。结果,我们设计了无人监督的进化模糊方法来分类节点上下文和服务适应当前场景以nonobtrusive方式改善网络性能。

我们利用二进制编码的概念趋势波动的流动性(BTFM)应用于管理路由服务。BTFM描述运动背景下的动态特性。通过交换它邻国,流动在当地可以分析范围。我们研究了有序的场景痕迹在连续数据时间序列,由于我们有兴趣跟踪活力。不使用任何统计指标的原因之一是,所有样品 连续时间显示相同的步骤的意思是和标准偏差有不同的波动趋势。使用BTFM的额外的好处是,它是计算密集型比标准差。因此,我们使用以2为底数字系统代码“1”移动的状态和“0”静止和获得一个数字二进制格式。BTFM十进制数表示为十进编码的趋势波动的流动性(DTFM)。它促进BTFM广播和分类的运动环境。例如,如果八步骤之后的BTFM“救护车代理”是11011000,相应的DTFM是216。所有节点在附近DTFM = 216索引是朋友,其他陌生人。我们提出的启发式的关键理念“依靠朋友的支持”是提高destination-initiated基于网格多播协议,如营(6),通过增加路由的生活时间经过精心挑选确保稳定的航线代理在接下来的时期。我们选择最可靠的节点(朋友),保持联系 连续时间的步骤。这些节点显示类似的移动模式作为目标节点在未来 跳的范围。的价值DTFM和播放连接查询ODMRP协议的消息。后把DTFM转换成二进制数系统,逐位运算”和“为节点的BTFM BTFM的目标节点连接查询执行决定哪个节点是一个“朋友”转发数据包。

3所示。进化的模糊建模框架的概述

在本节中,进化模糊建模框架和LEFCM算法描述和解释为在二维空间中一个例子。

一种自适应模糊建模的任务要求,一生和分布式分区方式输入数据空间为了识别规则和模型参数的确定根据模糊推理规则。进化模糊聚类和推理在每个节点上执行,以确保一个系统来发展其结构和功能逐渐从一个连续的输入数据流。进化聚类方法不需要指定集群的数量。他们的算法一次通过的批处理模式、快速、不保留任何信息传递的例子;因此,他们适用于移动应用在manet的运行不浪费资源。LEFCM是一个基于距离,少计算密集型算法。数据空间集群由DTFM和的意思是在坐标的实际值偏差 连续时间步骤,提取每个移动节点的运动轨迹(相对坐标)。量化DTFM之后,流动性随时间波动的趋势是派生来预测即将到来的可靠性和根据相关启发式,特定于实现的路由协议、路由管理服务。

图1代表相应的聚类分区节点附近”事件的网站”。点和星团中心给出的数据。重复的类别的节点移动模式有三个特性不容小视的意思是和一个节点运动在过去的趋势 步骤,一个节点运动的趋势 步骤。的预测模型是由模糊规则所代表的价值观是cluster-centered坐标。在每个节点上的隶属度 集群对输入数据向量 匹配网络,在哪里 一个索引相关即时的时间。流动性-脆的输出值 是返回的模糊推理模型。使用的具体指标,以2为底的数字运算转换为八进制数数,和如何在这两个数字的差数字系统相互可比,造成一个很大的值意思是阈值(4),如0.8被分配。这导致更多的规则更正确的估计模型。


图1
集群的数据从DA的场景。
3.1。轻量级进化的模糊聚类方法的概述

在在线聚类过程中,给定的数据集包含的输入向量(例子) 这是 点问- - - - - -维空间, 。例子来自一个数据流,以及算法从一个空的集群。当一个新的集群 创建( 索引相关时间即时),当前的输入向量分配是一个集群中心吗 及其集群半径(俄文)是最初设置为0。然后,这个集群更新或创建新集群根据阈值 影响集群的数量。的最大距离任何集群中心的例子属于这个集群不大于阈值 。因此, 影响集群通过更新现有集群的数量改变中心的位置和增加他们的半径或创建新集群。估计数量的集群网络意味着在线优化的阈值 。我们把模糊隶属度和距离参考中心对于每个集群的集群过程(实心方块表示参考图中的两个集群中心2)。输入向量被绑定到每个集群的隶属度 ,这是一个在0和1之间,并使集群更准确的重叠集群。一种新的多维隶属函数方程(1提出了获取数据和中心集群之间的隶属程度: 在哪里 ,当 , 是加权指数系数决定了集群可能重叠。我们设置 等于2,从模糊聚类文献中,的值 是常用的值。


图2
一个简短的聚类过程使用LEFCM与输入向量 来 在一个二维空间。 导致LEFCM创建一个新的集群 与中心 和半径 ; 更新集群 与中心 ; :创建一个新的集群 ; 和 ——没有什么; 和 更新集群 ; 更新集群 与中心 。

一个参考中心(算术平均值) 每个集群 被其中心坐标 空间 。 在哪里 和 集群的数量输入数据 。

当当前的输入向量 来了,这个新输入和之间的距离意味着每个集群中心 , ,计算。我们引入了两个新的阈值:(1) 阈值 范围内 ;(2)意味着阈值 范围内 。我们建立 = 0.5, = 0.6我们获得最优(或至少是可行的)集群中心和半径。这些数字是用于图2。当 是小于等于 ,我们可以增加此集群的半径,否则我们作出新的集群。换句话说,如果集群将不会被更新 大于可接受的公差的中心。当数据没有输入空间分区,即稀疏数据存在, 应该更大。的增加 到0.6或减少 0.5导致更多的集群。

LEFCM算法描述如下。

步骤1。建立了一个小值 ,也就是0.1。正常的输入向量在 使用(3): 在的范围 是 和 。
创建第一个集群 通过第一个例子从输入流的位置作为第一个集群中心 集群的半径,然后设置一个值 。增加的价值 来 并设置输入的电话号码在这个集群为1。

步骤2。如果所有的数据流处理,算法结束。当前输入的例子, 了,这个例子和之间的距离 已经创建集群中心 , , ,计算。

步骤3。如果有任何距离值, 等于或小于,至少有一个半径,俄文j,这意味着当前的例子属于集群 的最小距离 受到约束 , 。
增加的价值 来 并在集群增加输入的数量 由一个。
在这种情况下,创建一个新的集群和任何现有的集群更新,返回步骤和算法2。

步骤4。别的,找到集群 (中心 和聚类半径 从所有现有的集群中心通过计算值 , ,然后选择集群中心 的最小值 :

第5步。计算 根据(1)。

步骤6。计算新输入和之间的距离意思是中心每个集群- , , 。

步骤7。如果 大于 和 ,然后 。这意味着输入示例非常接近集群和它意思是中心和 建立生产集群更新,而不是创建新集群。

步骤8。如果 大于 ,该示例不属于任何现有的集群。以相同的方式创建一个新的集群中描述的步骤1返回步骤和算法2。

第9步。如果 不大于 ,集群 通过移动更新它的中心, 增加它的半径的值, 。更新后的新半径 设置等于什么 / 2,新中心位于点线连接 和 ,新中心的距离 重要的是 等于 。增加的价值 来 集群和增量输入的数量 。该算法返回步骤2。

让我们通过一个二维的例子解释集群过程显示在图2。输入向量 导致LEFCM创建一个新的集群 与中心 和半径 根据步骤1。相应地, 更新集群 与中心 。 创建一个新的集群 ; 和 ——没有什么; 和 更新集群 。当 来了,如果 = 0.1 会创建一个新的集群,如果 = 0.6,两个集群updated-cluster候选人 或集群 因为第一和第二集群的距离几乎相等( 和 )。应用LEFCM算法,阈值 是调优在线数据和中心集群之间的隶属程度评估以及参考中心。根据步骤6, 和 。根据步骤7和9、集群 必须更新吗 与中心 和半径 。

在本节中,简要描述相关的作品。他们提出了监测和评估的通用模型链接节点在manet的质量。

相关工作高效的路由管理基于社区的链接质量研究。预测稳定的路线可能是基于简单的启发式(7];“图论”算法(8];人工智能技术:模糊逻辑方法(9- - - - - -12];多准则决策、其他理论(13,14]。经常提到的算法依赖于更新和广播的信息特别从底层的路由协议,获得的拓扑参数如邻居,改变邻居,连续接收的数据包,和GPS位置信息。每个节点的路由表和控制数据包通过新领域扩展额外信息,增加这些数据结构的负担和开销,因为额外的信息传播。相比之下,我们总结和预测移动上下文作为一个数字,这是容易传播或相比,这些的邻居。

只有少数研究学习节点移动运动行为。分类现有的移动预测方法可以发现在15]。作者确定流动预测过程未来移动节点的位置。的预案应用证据理论Dempster-Shafer为了预测未来移动节点的位置通过评估本身有关的标准。在[7),作者提出了基于GPS跟踪移动预测方案帮助选择稳定的路线和执行重路由的拓扑变化。在[16),移动节点学习使用隐马尔科夫模型预测未来的主人的运动状态。模糊表达适用性(使用的相邻节点之间的匹配程度17]。在[13),作者介绍一种自适应移动预测使用学习自动化来估计一个简单的自适应滤波器的系数来预测未来两个相邻节点的距离。分布式bioinspired路由算法探索网络和学习好的路线,使用不同的强化学习(RL)。这些算法是自适应马奈拓扑活力和变化联系成本;然而,他们固有的上述RL缺点。GA-ODMRP [18)优化使用粒子群优化的路线选择。PIDIS [19)利用群体智能跟踪不断变化的拓扑结构的正/负强化和放大的本地网络波动。

只有少数研究处理社交网络路由(2,20.]。在[20.),作者用“社会相似性”目标节点在无线网络信息传播。我们所知,我们的框架更继承,广义,涉及更抽象的社会水平。它可以用于提高服务协议算法发送数据包从源到目的地的无监督和被动模式。是被动的环境事件在基于角色模式推导知识从用户和应用高级上下文。

5。结论

主要和小说的贡献是分布式进化模糊建模框架(EFMF)观察和分类关系和活动的用户和应用程序级和基于社会环境做出明智的决定关于环境智能移动ad hoc网络(manet)服务管理。尤其是EFMF采用无监督在线一次通过的模糊聚类方法识别节点移动性上下文从社会场景痕迹,无所不在地学习“朋友”和“陌生人”间接和匿名。拟议中的进化模糊建模框架(EFMF)适用于移动环境敏感和路由服务;然而,EFMF是灵活的,可以扩展到学习无所不在地交通模式随着时间的推移或援助安全services-misbehaving节点可以检测并向上层报告和其他节点。自私的或恶意节点可以发现他们的社会反应环境事件在多元化角色的模式。其他节点可以分离行为不端的节点,导致马奈只有well-behaving节点组成。