文摘

目前,精准农业和智能农业是热门话题,基于有效利用无线传感器网络数据收集(轮)。然而,网络农业仍面临许多挑战,如一心多用的同时,数据质量,和延迟。在本文中,我们提出一个有效的解决方案,多个数据收集任务利用边缘computing-enabled无线传感器网络在智能农业。首先,提出了一种新颖的数据收集框架合并基础上和边缘计算。第二,数据收集过程建模,包括多元化的传感器和任务。接下来,根据每个特定的任务和任务和传感器之间的相关性,计算边缘服务器,建立双重选择策略来确定最好的节点和传感器网络实现数据质量和数据收集时间限制的任务。此外,数据收集算法设计,基于质量数据的设置值。最后,构造一个模拟环境,提出策略,和结果进行了分析和比较传统的方法。根据比较结果,建议指标优于传统方法。

1。介绍

目前,精准农业和智能农业吸引了学术界和工业界的广泛关注,被视为新方法实现粮食增长(1- - - - - -3]。随着人工智能技术数据是农业的基础,大数据分析,和其他应用程序,不同的数据是最重要的推动力量实现智能农业(4- - - - - -7]。因此,数据采集和记录是第一步的科学研究和应用的智能农业。通常情况下,网络设备领域内的数据采集结束或传感层。网络中支持技术,农业是最重要的,他们通常是负责数据采集。

随着农业的发展,数据收集的主要关键一步的WSN (8,9]。与此同时,网络攻击的基础是研究人员的另一个热门话题10,11]。因此,越来越多的研究关注的主题不同的视角,尤其是网络攻击,数据收集。关于多个传感器数据任务,研究人员提出了不同的方法来满足需求从硬件(12- - - - - -14和任务调度和优化15,16]。在感知层面上,这些方法可以总结成两个大组:定期传感与所有节点(PSAN)和有效的节点传感(实体)。在第一组中,网络节点配备多种传感器和定期收集所有数据从所有网络节点,来处理多个任务。第二组包括网络,首先选择任务相关节点,然后收集数据。

比较传统的WSN,多个数据收集任务轮仍面临一些新的挑战17- - - - - -19]。首先,网络都受制于有限的能源,低带宽,和有限的计算和存储能力20.- - - - - -22]。所以,似乎加深之间的矛盾WSN约束和多个任务的实际需求,特别是在有效的传感器数据采集。其次,大量的应用程序变得更加严苛,因为需求上升和多个任务(特别是对于数据采集)在一个系统需要总结。这意味着WSN使用传统的数据收集方法将花费大量的时间和精力与无效数据感知和传输更多的数据,这将影响质量的数据(QoD)和整个系统的延迟。总之,这两个指标成为多个数据收集任务的非常重要的指标的WSN在智能农业。正如上面所讨论的,相对研究本文引用,但必须指出的是,只有少数人关注QoD和延迟。当前数据采集框架和策略缺乏考虑这些指标,整个系统农业网络和物联网的花费相当长的时间来保险丝或分析的原始数据。

改善QoD满足数据收集的延迟需求,我们设计了一个边缘computing-enabled无线传感器网络在智能农业和WSN节点选择,提出了一个新颖的方法包括传感参数优化、基于云计算和大数据分析。我们的贡献总结如下:(1)构造的框架边缘computing-enabled WSN考虑QoD和数据收集的时间约束(2)优势computing-enabled提供有效的数据收集方法,基于节点位置,数据类型,和其他参数,确保实时执行,QoD高(3)提出的数据采集方法应用在模拟环境中,比较传统的方法

本文组织如下。节2文献综述,从不同的方面给出了相关的多个任务在WSN和多个传感器的数据收集方法。节3,边缘computing-enabled WSN的框架设计。节4了网络,构造的数学模型。节5,多个数据收集任务算法基于边缘计算。并给出了仿真结果6。最后,结论部分中概述7。

2。相关工作

显然,数据采集是数据驱动的应用程序的基础。在本节中,我们将回顾现有的物联网与传感器网络的多任务工作部门和多个传感器系统。

2.1。多任务在网络

有很多研究人员在网络的多个任务。在[23),以避免多个任务数据的传输通过相同的路由路径,提出节点weights-driven任务分配算法,基于SD-WSNs框架(软件定义无线传感器网络)。在[24),通过考虑最低能源消耗和多任务调度在SDSNs(软件定义传感器网络),作者建立一个MILP(混合整数线性规划)配方处理多任务处理的问题;在线策略,提出了基于局部信息来解决动态任务的问题。在[25),一个重叠的联盟形成了网络策略旨在处理多任务。基于这一战略,作者开发了一种合作和竞争蚁群解决多个任务调度。在[26基于采样数据的共享,为多个任务,作者提出了一个算法求解多个任务和调度系统的采样间隔。接下来,构造一个有料的实验,证明了方案可以减少能源消耗。在[27),作者提出了一种自适应谈判进程配置网络资源,基于QoI(质量信息)网络容量。此外,WSN多个任务的管理方法,在动态环境中,进行了研究。广泛的研究已经成功地证明了多个任务的可行性在无线传感器网络数据收集。然而,很少有研究关注多个任务的数据质量,考虑数据采集的低延迟。

2.2。多个传感器的数据收集

网络,一个重要的问题是每个节点的感知能力。多个传感器安装在一个传感节点是最好的选择。只有少数研究已经关注这个问题,在文献中。在[28),蒸散的多传感器数据采集系统是建立在酿酒葡萄生长在地中海气候,与新热红外传感器和数据采集系统。在[29日),多个传感器(有限公司有限公司₂、烟雾、空气温度和相对湿度)集成到一个节点的传感器网络探测森林火灾。然后,进行了一个实验,从剩余的森林燃烧的材料被用来测试每个传感器节点的响应。在[30.),采用多传感器系统在煤矿地下通道条件,在多载波码分多址(mc - cdma)开发,充分利用网络资源。传感器网络感知价值会降低经过长时间的使用;因此,在[31日),加强多种感觉的测量的准确性,一种方法,提出了基于区间投票,。在[32),多传感器网络系统是用于高分辨率热监测葡萄树对夏季非生物胁迫的响应。

大部分工作集中在数据融合或多传感器WSN-specific应用程序。然而,没有一个现有的作品共同关注遥感数据的质量和数据采集时间。因此,我们的工作,基于多传感器网络,专注于传感器数据质量的策略,在多个传感任务条件下,低延迟的约束。

3所示。框架边缘Computing-Enabled农业基础

在本节中,一个框架的边缘computing-enabled农业基础上提出;与此同时,工作机制进行了探讨。

众所周知,传统的WSN多个数据收集任务有一些缺点,如无效数据,为数据传输和处理有害,因为更多的能量,为无效数据带宽,和时间支出。因此,我们可以控制QoD传感层的基础数据源。最近,边缘计算技术已被证明是一个有效的援助方案。提高计算能力和智慧,边缘计算和其他组件引入到传统农业基础上建立一个新的框架。提出的体系结构包括三层,WSN,边缘计算层和应用程序层,显示在图1。在所有层高度互联的无线和有线网络,边缘服务器部署在传感器网络节点提供计算服务。

工作处理框架的解释为:首先,多个数据收集任务发给边缘服务器或网络节点根据实际要求从应用程序层。然后,边缘服务器分析了任务和任务传感参数考虑过滤无效数据。此外,WSN节点完成数据收集后的传感参数对应的边缘服务器。最后,集合了网络传输数据到磨边机服务器或云。

4所示。系统数学模型

在本节中,多任务数据采集系统的数学模型。

为简化数学模型,以下假设:(1)传感器网络拓扑结构是固定的,和WSN节点配备多传感器和采用串行传感方法;(2)数据速率是恒定的;(3)不同传感器的感应时间是固定的;和(4)每个任务的传感器的重量是恒定的。多传感器系统运行监控区域 ,和多传感器系统传感器。让 节点的集合。对于任何一个节点 ,的位置是 。让系统中传感器的设置, ,在哪里 是传感器网络传感器的数量。与此同时,每个节点还没有安装的传感器。因此,对于任何节点和任何传感器 ,节点连接到传感器的功能 给药 在哪里 意味着节点连接到传感器 。

让TA是数据收集的任务: ,与任务权向量 。任务权重约束会见以下配方

每一个任务 发生在一个固定的区域 。假设每个任务区域是独立的,它是描述如下

众所周知,不同的传感器类型有不同重量的任务 。所以,我们可以创建一个权重向量 为和传感器组 ,制定的 在哪里传感器的重量值吗的任务 。同时,传感器体重任务矩阵可以制定 行表示任务和列表示传感器。

认为一心多用会随机出现在监控区域 ,在有限的时间。关联矩阵( )显示之间的关系和助教。第一节课是第二个是助教;的每个元素的矩阵有一个行 ,和一个列的每个元素 。行中的条目 和列 是1,如果 和 是相关的,如果他们不是和0。根据上述假设,发病率函数 的任务 和节点 可以表示为

此外,关联矩阵( )和节点之间的任务是制定如下 节点的行和列的任务是这个矩阵。

数据采集时间必须小于极限的一个真正的应用程序。我们建议以下定义和分析。

定义1。数据收集时间(DCT)来自多传感器的WSN节点感知数据的时间点数据服务器时收到了所有的数据。

根据DCT的多个任务的定义,为每个节点包含节点感知时间( ),数据传输时间( ),和队列等待时间( )在数据服务器,如方程所示(9)

特别是,DCT 传感器节点的的任务被描述为 在哪里 是 - - - - - -传感器传感节点的时间的任务 , 传感器网络节点的数据量的任务 , 传感器网络的通信速度, 是无线通信中等待时间,是网络路由跳数提供节点的数据到服务器 。此外,众所周知,DCT的任务是由最大 。让是数据收集时间的任务 ,定义为

与此同时,能源消耗的这种策略 在哪里 功耗的传感、通信、分别和等待时间的任务。

定义2。QoD(数据)质量指数的比率是有效的数据收集的数据之和,为每一个任务。因此,QoD指数任务的被定义为: 在哪里任务的有效数据吗是收集数据的总和的WSN的任务 。因此,多任务的总QoD指数可以规定为:

据了解,该模型对DCT很敏感。因此,在本文中,我们关注的时间作为主要指标。与此同时,能源消耗是DCT密切相关,其中包含传输时间,等待时间和检测时间。这意味着更多的DCT导致更高的能源消耗。所以,我们相应地调节DCT,限制能源消耗。最大QoD的问题可以制定

在方程(15),数据收集时间必须满足的约束不到时间分配的任务 。

5。为有效数据计算驱动的边缘检测算法

根据假设(1)-(4)和方程(3)和(4),每个任务都是独立的。因此,方程(制定的问题15)可以简化搜索的最大QoD每个任务,分别。这是制定

定义3。节点关联度(非传染性疾病)的产品是节点( ),发病率( ),和传感器总重量 为任务 。此外,根据问题的分析,我们可以用节点关联度QoD演示。为此,重量被定义为节点数据

所以,在方程(定义的子问题,16),可以作为制定

换句话说,我们可以删除无关紧要的或不那么相关节点和传感器数据,为了提高收集的数据的质量,而其指定的时间内完成各自的任务。DCT可以只是局限于有效的WSN节点及其传感器的数量。

5.1。我们的建议框架

根据上面的分析,我们可以得出结论,两个因素是影响数据重量:多传感器WSN节点和传感器。因此,我们提出一种两步方法,如图2。建议大纲如下:第一,创建多传感器网络时,每个节点传输参数来计算边缘服务器平台(比如位置和传感器)。第二,边缘计算平台计算的重量传感器数据为一个特定的任务通过使用算法1。第三,多任务发生时,边缘计算平台选择一个传感器节点,根据它的位置,然后根据传感器的重量。最后,WSN系统完成数据的沟通和收集。一般来说,应用程序(多个任务)直接连接到有线/无线网络计算平台的边缘。此外,所有节点参数存储在边缘服务器。因此,边缘服务器根据全球信息可以计算结果。

5.2。边缘计算驱动的多个传感器传感策略

据的分析部分5.1,我们提议的主要步骤的细节描述,传感器网络节点和传感器选择策略中概述的算法1。

该算法可分为以下步骤。第一步是在设置值的初始化参数。与此同时,一个临时的WSN节点集选择的任务是基于节点位置是否在任务区域。第二步是删除多传感器的WSN节点不包含传感器发生率。第三步是计算感应时间和传输时间,根据方程(10)。然后,根据时间限制,一个优化的WSN节点处理多任务是选择。最后,返回优化传感器节点集为任务 。

6。仿真和结果

在本节中,建立一个仿真平台,该方法评估和两种典型的传感策略相比,PSAN和切入。

6.1。仿真设置

我们在MATLAB评估我们的方法的性能。图3显示了仿真流程图。仿真主要包括以下步骤:初始化、传感器网络部署、任务发生,和数据收集。最后,我们可以多次仿真运行后的结果。模拟的细节如下。基础平台包含1000个传感器网络中传感器节点。每个节点与10传感器。五项任务发生在不同的空间领域。每个任务区域覆盖固定数量的传感器节点(10 - 100),而一个有效的传感器数量范围在1到10之间。

以下假设,对于仿真场景,是:(1)传感器节点是同构的,(2)所有传感器节点配备相同数量的传感器,(3)仿真平台上所有节点都统一部署,(4)感知时间是一个恒定值,和(5)数据率是一个恒定值。10迭代后,平均评价结果。其他有关的细节参数表中列出1。接下来,我们提出策略相比ECDSC(边缘计算驱动传感控制)与当前流行的方法:有效节点传感(实体)(发病率节点感知数据)和定期传感与所有节点(PSAN)。三个指标用于评估性能:(1)延迟(包括通信延迟和DCT);(2)能源消耗(EC):能量用于传感、传输、和等待;和(3)的质量数据(QoD)。

6.2。结果分析

通信延迟和DTC是用来评估算法的延迟。图4显示了延迟的结果在不同的数据速率,包括节点数量。不同方法的平均通信延迟生产最好的结果,在不同的数据速率,在4有效的传感器数量和每个任务区域包括10个传感器节点,如图4(一)。作为演示,通信延迟的值的三种方法减少随着数据速率的增加,因为更高的数据速率可以减少数据传输时间。图4 (b)演示了各种覆盖节点的DCT数字的结果。ECDSC DCT将增加和ESN虽然PSAN演示了几乎相同的DCT值。相比之下,我们的建议给出了最小通信延迟和DCT值在不同的数据速率和包含的节点数,在这种方法中,有效的数据收集和交付将在网络,从而为每个任务有效地限制无效数据。PSAN方法展示了最大通信时间和DCT,因为所有节点和传感器收集的数据基础上。因为ESN使用选定的部分传感器节点,而不是完成任务,它可以实现更好的性能比PSAN通信延迟和DCT。具体来说,如图4(一)当数据率50 Mbps, ECDSC可以减少通信延迟超过10%和20%相比ESN PSAN,分别。

数据质量是最好的指标基础上为多个任务。比较结果的平均质量数据显示在图5,包括对各种有效的传感器和节点数,以固定期限10年代的时间表。众所周知,ECDSC将得到100% QoD各种有效的传感器数据,作为一个有效的传感器网络节点和时间被认为是策略。同样,比PSAN ESN展示了更好的性能。如图5(一个)有效的传感器数量是6时,为每个WSN节点,(ECDSC, ESN PSAN为100%,60%,和12%,分别。如图5 (b)包括节点数量增加时,ECDSC QoD和ESN将保持一个恒定值,虽然QoD PSAN将会增加。这意味着ECDSC可以收集比其他方法更有效数据。

能源消耗的比较在各种有效的传感器和覆盖节点数量呈现在图6。显然,当数据率10 Mbps和有效的传感器数量的增加,ECDSC的能源消耗也增加,显示在图6(一)。同样的趋势如图6 (b),对各种覆盖节点数。这是由于我们的方法采用策略选择方法,根据有效的传感器和节点。与此同时,它表明PSAN到达最大能源消耗和作用于一个常数最大能源消耗水平。我们建议的策略演示了三种方法的最佳性能。切入和PSAN不考虑在他们的算法,有效的传感器ECDSC优于他们,在能源消费方面。

7所示。结论

优势computing-enabled轮为多个数据收集任务策略提出了本文旨在实现更高容量的有效数据和较低的数据收集时间。首先,我们开发一个框架基础上通过合并计算和模型边缘多个任务和传感器的数据收集方案。然后,完成不同的任务在一个较低的数据收集时间,由一个选择的WSN节点和传感器节点动态配置关闭/打开传感器根据具体任务,在设定时间内,利用边缘计算。最后,借助模拟,提出的WSN数据收集策略的性能评价和比较传统的方法。结果表明,方案优于传统的方法,在数据收集方面,质量数据和能源消耗。

我们评估框架和策略在模拟环境中,结果反映在不同方面的成功。在未来,我们打算实现拟议的框架的边缘计算驱动的农业基础和现实农业环境数据收集算法。

数据可用性

使用的数据来支持本研究的发现可以从第一或通讯作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

支持的纸是中国广东省自然科学基金资助下2019 a1515011346和关键领域的研究和发展项目下的中国广东省2019 b020223003格兰特。