文摘

对物联网的世界里,人们利用知识从传感器在各种智能应用程序流。传感装置的数量随着遥感数据的数量迅速增加。因此,本地网关的瓶颈问题引起了高度关注。一个示例场景是聪明的老房子在农村地区,其中每个房子安装成千上万的传感器和连接到资源有限和不稳定的2 g / 3 g网络。瓶颈状态可以产生不可接受的延迟和丢失重要数据由于有限的等待队列。活动的现有解决方案,我们提出一个两级优先级系统,提高信息质量,表示VoI在本地网关。提出系统设计支持几个需求与一些相互冲突的标准共享传感流。我们的方法采用多准则决策分析技术需求和评估VoI合并。介绍了框架,可以通过precalculation降低计算成本。通过建筑管理系统的案例研究,我们已经表明我们的合并算法可以提供0.995余弦相似性代表所有用户需求和评价方法可以获得满意值约3倍邵阳市的天真的策略数据。

1。介绍

越来越靠近的世界物联网,各种各样的应用前景,例如,健康监测、产品监测、结构监测、智能家电控制、和智能建筑,出现(1- - - - - -6]。这些应用程序可以由pb级别的数据流。不仅大量收集和元数据值,但种类和速度的流也具有挑战性7]。这些流不断传送到云服务根据用户需求来获得一些知识。然而,它通常是可能网关之间的通信链路的容量在监测领域和一个遥远的服务器是有限的,如图1。例如,从我们以前的工作8),实际系统multiapplication服务器远程控制分支机构建设在农村地区(靠近丰田市)已开发和部署。在大楼里,即使一个3 g网络访问,数据不稳定,造成一些损失由于远程基站之间的距离和山区。

在过去的十年里,许多研究者贡献毕生精力处理的瓶颈问题。在服务水平,减少数据可以通过聚合和压缩技术,无论应用程序信息,例如,在[9]。随着数量减少,服务质量(QoS)吞吐量和延迟等也可以指定和控制(10]。以上服务水平,解决方案在应用程序级利用指定的要求画只请求的数据流(即。,删除未被要求的流)11- - - - - -13]。例如,在智能建筑的照明控制系统,运动和入住率传感器的数据是重要而温度和热探测器的数据是可忽略的。不同QoS的服务水平,有几个研究信息在应用程序级别的质量。其中最关键的观点是,任何特定的传感数据的“重要性”对于一个应用程序可以为其他应用程序是不同的。例如,烟雾和气体探测器的传感数据视为非常重要的火灾探测应用程序但没有照明控制应用程序。此外,还有许多其他的属性信息质量(智商),可以考虑,例如,来源可靠性、时空相关性,和准确性14]。Bisdikian等人所描述的概念对无线传感器网络的价值评估价值的信息(VoI) [15]。VoI是信息的效用的“评估”(一种效用函数)关于先天属性(信息质量,智商)。根据评估价值,我们可以数字显示运动数据的重要性和入住率传感器照明控制系统等不同的应用程序和火灾探测系统。文献[15)也提出了一个框架来确定VoI基于多属性决策方法。然而,有一些还没有提到的挑战。多种需求的第一个挑战是,不仅不同属性的重要性在一个应用程序,但系统经理应该能够为不同的应用程序指定不同的优先级。例如,通常在智能建筑系统中,控制开关装置应用程序应该有一个优先级低于安全应用程序。因此,效用函数应该明确评估传感数据通过考虑应用程序优先级冲突的属性在每个应用程序一起best-mixed。一个框架是必要的,使这种功能。第二个挑战是延迟由于评价过程。这样的延误会导致一个不满足条件的实时系统和数据损失由于内存限制在本地网关。因此,一个轻量级决策是可取的。

在这项研究中,一个VoI优先级系统基础数据流在共享无线传感器网络(网络),操作在服务器端和local-gateway-side提出。我们关注下面的场景。用户向服务器提交请求的优先级在成对比较。一个请求包含一个表相互矛盾的属性,作为标准,和选择的多个表。标准表呈现不同的每个属性对一个应用程序的重要性。选择表是指重要性分类组的每个属性的值在两两相互比较。

我们的系统主要是利用多准则决策分析(MCDA)技术来评估每个传感器数据的重要性得分总体用户需求的考虑。网关订单的优先队列数据相应的评估值。如果缓冲队列超过极限时,它将把最低优先级项目。特别是一线服务器将执行大部分的重计算当用户提交他们的需求。二线的本地网关只会计算简单的分类和乘法操作。

提出评估我们的系统,我们引入了一个监控系统作为一个实际案例研究上我们以前提出的数据收集系统(8]。仿真结果表明,我们的系统可以达到最好的满足给定的要求,特别是在首要标准政策高43.29%,3次noncriterion政策三大项目。我们也评估合并算法通过比较相似的合并要求和原始的用户。结果显示0.995余弦相似性。

剩下的纸是组织如下。部分2提到相关的工作,包括现有的压缩解决方案和数据优先级。在同一节中,我们也在最后的贡献。在同一节中,我们解决我们的最后贡献。接下来,我们介绍一下我们提出的系统部分3以及一个说明性的例子。根据这个例子中,我们设置环境模拟和显示性能评估的结果部分4。部分5介绍一些讨论问题的限制我们的工作和研究方向。

2。背景和相关工作

处理发生在基于云计算的物联网服务的瓶颈问题,许多努力迄今为止。一种优化可以实现在服务水平或应用程序级别。优化服务水平上没有考虑语义。它基本上是关于压缩技术和服务质量(QoS)。另一方面,应用程序级支付方面的优化用户需要的数据内容和上下文。有几种技术已被引入,例如,流查询,发布/订阅机制,语境分析。一些研究提到信息质量(智商)以类似的方式QoS的服务层。两层可以采用正交优化工作。在本文中,我们专注于满足用户指定的信息质量在应用程序级别的优化。本节简要背景和讨论现有的优化方法。

2.1。服务水平数据简化和质量控制

压缩数据,许多研究者关注编码技术,例如,在[8,9]。效率矩阵数据大小、时间和内容的损失。其中一个已知的实现是Packedobjects (PO)。这是XML格式的压缩库易于实现和高度可靠和可接受的效率。根据(9使用PO库),可以减少数据量只有8%的原始大小。PO-compressed-XML传感器值的大小大约是31个字节。此外,延迟和丢包的影响是显著低。此外,减压时间很短。

的活动,服务质量(QoS)代表用户满意度在通信服务的性能。QoS的常见标准是吞吐量,延迟,和可用性。目前,大多数标准的沟通渠道已经嵌入QoS-controlling支持。一个例子是IEEE 802.11 [10]。

2.2。减少应用程序级的数据和质量控制

应用程序级别的数据大大减少存在于实时系统。与指定的请求,数据不包括可以过滤掉处于初级状态。这可以通过很多方法,例如,基于规则的引擎(11[],基于查询的收购系统16),和发布-订阅过程(12,13]。

同样的QoS,信息质量(智商)介绍了代表高质量的信息内容14]。对于不确定的环境,像移动ad hoc网络,大多数研究预测智商的一些常识。例如,一个新的方案叫做"延迟和覆盖优化的数据收集介绍了通过车载ad hoc网络收集传感数据。如果有必要丢弃一些数据到数据中心的路上,将考虑作出决定的延迟和覆盖率。每个移动车辆将流程dual-optimization受限的情况下,优先考虑数据和丢弃一个越少。在[收集系统提出17源的潜力,推断数据偏好。RushNet在[18)确定间歇数据作为紧急信息在处理连续数据作为delay-insensitive信息。然而,一些研究让源代码本身通知如何通过一些紧急的数据感知机制。例如,在[19),一个自适应通信控制基于差异化的延迟(ACCDS)计划提出了自适应控制QoS在传感器和致动器网络使用差异化推迟框架。ACCDS方案可以显著减少实现网络延迟对延迟敏感数据和通信成本降低delay-insensitive有趣的数据。

然而,不仅主题、空间性和来源的可靠性,而且其他属性,如准确性和及时性,应该考虑。引入了一个总体框架(15]运用多准则决策分析(MCDA)技术层次分析法(AHP)。的MCDA是一种明确的方法评估多个相互冲突的标准进行排序推荐列表或做出最后的决定20.]。例如,您可以使用MCDA来帮你在超市选择两个项目通过考虑价格和质量(冲突的标准)。有许多正式MCDA技术,广泛接受。它们之间的显著差异是他们如何把值从所有标准。一个最简单的MCDA技术是一个线性相加模型。线性相加的方法用算术方法增加了分数的乘法结果和相应的重量为每个标准来表示每个替代的最后得分。层次分析法是另一个技术发展的线性相加模型得到的重量标准和选择成对比较,而不是独立的绝对值。AHP是另一个技术发展的线性相加模型得到的重量标准和选择成对比较,而不是独立的绝对值。不幸的是,AHP面对严厉批评的不受欢迎的现象叫做秩逆转(21]。后,修改版本叫做伦勃朗的AHP阻止这种现象(22- - - - - -24]。

根据定义在[15),信息的价值(VoI)是一种评估的效用信息产品使用时在一个特定的使用环境。的作者(15)也在传感器网络VoI属性的分类定义和现在如何VoI取决于信息的质量特征(QoI)提及容易从QoI VoI可诱导的关系。一些研究人员聚焦评价函数特定属性(25,26]。然而,我们认为这样的功能已经存在。尽管大多数这些方法都集中在优先传感器数据与多个标准,据我们调查,没有提案处理一些多准则的需求,然而,没有轻优先级实时操作系统在本地网关。

2.3。我们的贡献

有两个重要的贡献我们的建议优先实时信息的价值。首先,我们提出了系统生成一个合并要求代表一些多准则的需求,有不同的优先级,从用户。结果表明,合并后的要求有99.5%相似到原始用户的优先级要求。此外,仿真结果表明该方法的满意疗效相比,天真的方法。其次,我们的两级优先级系统可以减少计算负荷优先级数据特别是细节在本地网关从指数多项式复杂性。

3所示。该方法

本章简要概述拟议的系统和相关技术工具。

3.1。初步

在本文中,我们使用术语“要求”和“请求”几乎可以互换参考规范,为应用程序指定了令人满意的信息价值。需求是一个现成的规范,这是来自请求的用户定义的形式。一个请求是由一个标准表和多个选择表。“标准”的意思是标准用来判断一些事情。“选择”是判断的事情。在我们的工作中,有两种可能的标准,它被定义为标准:应用程序和信息质量(智商)属性。系统管理员控制的第一标准,应用程序,系统用户可以自定义第二个时,智商财产。我们使用这两个标准来判断传感数据的值。注意,术语“信息素质”可能会取代“财产”和“属性”这个词在某些情况下。

3.2。系统概述

拟议的系统依赖于场景如图2。用户提交他们的足智多谋的感应流云服务器的请求。然后,云服务器将请求转发到无资力的本地网关。本地网关传输传感流回服务器根据请求。请求包括多准则规范指示信息的价值,每一个拥有不同的优先级。在我们的研究中,无资力的指通信链路带宽不足和网关缓冲能力保留和传输的所有数据流在满足延迟抵达实时系统。我们注意到我们的系统被设计为独立工作与数据收集过程传感来源和服务器的查询过程。

我们的方法达到VoI优先级根据各种多准则要求与双重操作方式,一个云服务器上,另一个在本地网关。特别是,云服务器需要责任(i)合并所有请求到一个一致的要求和(2)计算每个合并信息类别的值在每个标准。同时,本地网关负责(i)分类信息流动流为每个标准,合并后的集团之一(ii)总结最终价值乘以所有分类值,并根据总结(iii)优先发送队列的值。优先队列,最有价值的数据应该是先发送到服务器。另一方面,它将丢弃最小值的数据如果存储数据大小超过缓冲区容量。我们的大多数程序已经通过裁剪多准则决策分析(MCDA)技术伦布兰特多准则与varied-alternatives分析而不是恒定的替代品。提出系统驱动两个过程。一个是request-merging在云服务器上执行。另一种是价值取向的选择在两层执行。

3.3。多准则决策分析:伦勃朗

根据(20.),多准则决策分析(MCDA总之)是一种分析做出决定在现有的标准对考虑的备选方案。人们使用MCDA等多种用途的技术识别最优先的选择,排名,跳跃列表和区分可接受的可能性。许多标准的技术中,层次分析法(AHP)技术是有吸引力的因为成对比较规模容易指定。然而,也有一些批评的AHP Saaty设计(21]。最显著的现象排名逆转(21,22]。有很多方法,修改原来的以避免或摆脱这种现象。根据(22),一个是最有效的手段伦布兰特系统。

伦勃朗系统是一个乘法AHP方法的版本。它使用几何平均算术平均价值计算,而不是以防止逆转。此外,在21),其他好处的伦勃朗系统已被证明。过程总结如图3。计算最后得分的替代品(传感数据),我们需要每个的重量选择在考虑个人的标准(用),每个标准的体重的重要性,也就是说,对所有标准(用标准)。注意的重量标准表达是多么重要在考虑所有标准。

有四个并行步骤计算选择重量,,标准体重,。第一步是改变成员相比矩阵伦布兰特规模的指数函数表示为不同阶层之间的价值定义的几何尺度Lootsma (23]。第二步是将Rembrandt-scale成员转换为对数尺度的指数函数本身乘以尺度参数使用为标准,来获得,的替代品,来获取。第三步是一点计算行操作几何平均转换后的值。第四步是分析正常化一点所有行操作手段。第四步的归一化值和分别对标准和替代。每个选择的最后得分在所有标准用计算产品功能,制定

现有框架考虑遥感数据作为一个选择。换句话说,我们不能开始评估选择的分数,也就是说,传感数据,可以在本地网关。但整个评估的计算复杂度是指数,在实时系统中是不可接受的。因此,我们引入一个varied-alternative MCDA框架来减少复杂性在本地网关线性范围。特别是,我们使用一组或每个属性的可能值范围作为替代方案,而不是个人的传感数据。有这样一个框架,我们可以初步计算部分的任何可能的所有属性的值超过考虑的标准,。

3.4。Request-Merging过程

request-merging过程是一个互补的过程,从用户支持多个应用程序请求。它合并成一个代表所有请求计算得分表提交到网关作为合并的要求。执行合并过程如图4(一)。输入(i)应用程序比较矩阵,(ii) criteria-comparison矩阵为每个应用程序,和(3)alternatives-comparison矩阵为每个应用程序在每个标准。

第一步是重组所有请求的标准和选择,也就是说,分别输入(2)和(3)。重整旗鼓集分离和交叉组成的集从所有现有集。注意,我们使用术语集对于离散和连续的范围。然后,我们计算每个重整旗鼓的最后得分修改设定的伦勃朗算法在考虑应用程序比较矩阵为标准。

第二步是反向最后得分伦勃朗的价值水平。为此,我们必须使用转换函数所示

第三步是创建重整旗鼓的成对比较表组的一员比较表的区别是伦勃朗层面的价值选择,用的选择,用。

最后一步是选择表构造映射到相应的标准表。的合并后的请求包括构建标准表和选择映射表。

3.5。价值取向的选择过程

价值取向的选择过程是优先级过程根据用户请求在本地网关,如图4 (b)。有四个事件可以驱动一个行动的过程。第一个事件是一个云服务器从应用程序得到一个新的请求。这样的应用程序必须定义标准和相应的选择并创建一个请求包括比较表的标准,以及为每个标准的替代品。然后,将创建一个云服务器要求从所有应用程序请求应用程序比较表每一对之间的优先级值相比,它包含的应用程序。

request-merging解释的过程中,创建合并请求代表所有用户请求。然后,用于创建一个合并后的请求要求。需求是指定义在每个标准和分类的选择引用得分表。评分参考分数表包含一个预先计算的影响。预先计算的影响一点一点分数是一个行操作几何平均由行操作几何的母公司标准,等待重量计算步骤的伦勃朗系统。

第二个激活事件是传感器收集到的数据发送到网关。之后,网关将数据分为为每个标准定义的替代品之一,持续计算的最后一步。然后网关使用优先级数据的结果在其使用优先级排队功能发送队列的拥塞管理。异常的时间标准,遥感数据的分数必须定期重新计算优先级队列。

根据发送的优先级队列,它将发送高优先级数据链接时用于数据传输(即。第三个事件)。另一方面,它将移除最低优先级数据当缓冲区满(即。、第四事件)。

3.6。说明性的例子

本文使用的是智能建筑系统为例来说明用户请求的概念。智能建筑通常关注提高能源效率、用户舒适和安全的居民和属性。在这样一个系统,有多个应用程序共享数据流从传感器安装在建筑物。我们捡起四个应用程序如下:暖通空调,air-quality-and-window控制,开关设备和安全保障。每个应用程序定义了一种不同的请求和持有不同的优先级。表2给出了一个应用程序比较矩阵。指定应用程序优先级根据AHP在表1。例如,空调请求相同的情况下,适度高,和适度低优先级相比,空气质量要求,切换请求,分别和安全要求。

我们定义标准使用VoI属性分类(15]。没有影响到我们的研究中,我们假设从值得信赖的传感器和传感器数据都已经在兼容的格式。我们使用四个标准的内容数据如下:主题相关性、时空相关性,准确性和及时性。我们确定主题相关性判据通过使用传感器类型根据cross-tabulated智能构建应用程序和传感器(5]。总之,有五个选择传感器类型:温度传感器和热探测器,运动和入住率传感器、烟雾和气体探测器、传感器状态,和玻璃破碎传感器。每个应用程序可能需要不同的传感器类型。例如,暖通空调的应用程序是用于监控温度和建筑部分诸如打开窗户的状态与温度和热探测器和运动和入住率传感器,分别。在同一时间,一个空气质量应用程序处理的危险强度气体在空气中,例如,,从烟雾和气体探测器(即。MEMS)。显然,在主题相关性标准,相关的值选择(即。、传感器类型)必须高于其他人尽可能多。

为了简化时空标准的一个例子,我们假设所有传感器静态安装。所以,这一标准将把空间维度。表3显示了暖通空调应用程序请求。请求由比较矩阵的标准,其次是替代品。空调是一个应用程序提供室内热舒适性和空气质量可以接受。它通常关注以下标准:主题,精度,及时性。根据Saaty的规模,暖通空调的标准表请求显示主题一步更高的优先级,更重要,比及时性和两步高,更重要的是,多精度。对于每个标准,可能值分组和定义为另一个。例如,主题包含两个选择,组1,代表了被认为是类型的传感器温度和热和运动和入住率和其他人(即。,the other types of sensors). The possible values of accuracy are in the range of floating number from 0 to 1. According to the accuracy table, the possible values are grouped into three alternatives:高,可接受的,低。我们定义及时性价值比率的选择和发送的数据量,生成数据的数量在一个特定时间窗口。因此,它不是静态的,而是动态的变化。

从上述定义,我们创建的输入请求,包括应用程序比较表,暖通空调要求,air-quality-and-window-control请求,开关装置的要求,保障和安全的要求。最后三个应用程序请求如表所示4,5,6,分别。

4所示。实验结果

我们使用一个网络模拟器Scenargie版本1.8模拟我们的场景。其强大的GUI和协议集的精确建模非常有利于各种模拟器用户。我们已经实现了gateway-side计算(价值聚合、排序和选择算法)在c++中并将它们纳入模拟器代码。然而,服务器端计算(合并算法)在Java中实现考虑未来使用的系统。

4.1。仿真设置

评估我们的系统,我们有我们的方法应用于智能建筑系统中描述的部分3.6和设置的重要输入仿真包括传感器数据、应用需求和资源约束如下。

以下4.4.1。传感器数据

传感器数据,描述相关的价值评估由传感器id、类型,采样率,和准确性。我们生成的数据从200年五种传感器具有相同采样率(100 ms⁻¹)。每个类型都有相同数量的传感器(即。为每个类型),40个传感器。传感器id运行数字从1到200以下订单类型:(i)的温度和热量,(ii)运动和入住率,(3)烟雾和气体,(iv)状态和(v)玻璃破碎。然后,我们随机数据序列和随机分配传感器的精度。

4.1.2。应用程序需求

合并要求由定义分类重整旗鼓的替代品在每个映射的标准和参考分数表合并请求。单个应用程序请求中定义部分3.6。在应用中描述的合并算法部分3,我们获得一个合并的要求和参考分数表如表所示7和8,分别。我们使用合并后的需求作为输入网关选择决策的模拟。

然而,及时性是一个特殊的标准。根据前一节中,我们定义流的及时性作为选择频率。提高总分,我们逆转比分的及时性网关的鼓励很少选择流被选中。新分数必须范围之间的最低分数和及时性标准的最大比分保持扭转之前影响最后得分一样。因此,我们制定一个反向功能,的,关于最高影响替代(HIA)和最低影响替代(LIA)所示(3)。请注意,表示选择的分数在参考表中。

4.2。仿真结果

在我们的实验中,我们定义术语满意度值作为评价指标。每个传感数据项的满意度值计算中所示(4)。请注意,是属于标准的匹配选择的预先计算的分数吗传感数据根据得分表和参考是最大的生产结果分数标准。

满意度值将匹配的100%时,传感器数据条目的得分最高的选择标准。发送所有数据并不意味着满意价值将成为一个反映了一个事实,不是所有生成的数据是必要的。我们比较我们的方法对传统的先进先出法(noncriteria:数控)和只使用最高标准(影响的方法首要标准:TC)。

展示我们的合并过程的性能,我们比较所有可能的优先序列的相似性传感数据合并的案例研究从原始需求的要求。注意,一组可能的传感数据项相当于一组可能的组合的选择标准。我们直接计算出最后得分的每个替代由以下步骤根据原始需求。第一步是找到所有备选方案的最终分数只在考虑个人需求使用修改伦勃朗系统部分中解释3.3。第二步是把所有选择的最后得分从所有需求考虑每个需求的优先级(1)。我们小区的优先序列合并要求在横轴上,另一个从多个用户需求在纵轴上,如图5。结果表明,这两个序列之间的余弦相似性是0.995(84.2°),皮尔逊相关性达到0.979。我们也观察到有小的区别在高级和低级数据比中级的。

如果我们允许用户指定更多的标准,满意度值显著提高尤其是在resource-insufficient环境。呈现这一事实,我们进行两个模拟场景。一个有足够的缓冲区大小,但限制了可用带宽。其他有足够的带宽,但限制了缓冲区大小。

对于第一个场景中,我们限制了可用带宽为128 kbps, 256 kbps, 384 kbps, 512 kbps。平均满意度值的结果总运行时呈现在图6。正如所料,平均满意度值多准则(MC)和首要标准(TC)时得到低资源变得越来越大,因为更多的数据传输。换句话说,网关可以传输更多的低价值数据。在512 kbps,它可以传输到所有数据。我们还观察到相当大的区别使用多个标准,只使用一个首要标准,而不是使用任何标准的resource-insufficient场景。

在128 kbps,提出MC的平均满意度值增量TC和FIFO的方法达到73%和19%,分别。特别是,图7显示传感器数据的数量在每个范围的满意度与累积值。累积的FIFO高满意度和快速低增长缓慢。相反,累积的MC方法有高增长高值直到温和,然后保持不变。TC的增长趋势方法类似于MC。然而,中间的斜率是浅。

此外,零售业的平均价值数据项,列在表中9,从MC方法是43.29%,高出200% MC和福利只限于方法,分别。注意数据ID()是指的顺序分配的数据计数器传感器网关和席德是一个缩写的ID。同时我们也注意到零售业数据项的MC方法和TC方法只包含一个传感器类型、运动和入住率,FIFO方法传送许多类型的传感器数据。我们发现,运动和入住率的得分是2倍示例中的其他要求。但是,与TC,提出MC方法仍然给出了数据与其他类型被选中的机会从其他标准。如果他们有更高的分数

第二个场景中,我们限制缓冲区大小支持12.5%,25%,37.5%,50%,62.5%,75%,87.5%的总数传感器流。如图8使用多准则,丢弃的平均满意度值总是小于其他人。类似于第一个场景中,使用首要标准方法的结果之间存在的多准则和noncriteria方法。我们也观察到较大的缓冲网关,平均值越低,就会失去。

在较低的缓冲实验中,图中的条形图9显示了上涨和下降值的比较三种方法。最坏的方法,noncriteria,使获得的价值几乎一样的价值下降。多准则和首要标准方法,他们获得高价值和低价值下降。然而,我们不推荐的首要标准方法,尽管它似乎导致效率高。因为当首要标准不是时间,一些数据可能陷入饥饿状态。本文给出的仿真的首要标准是主题,选择低带宽条件下主要包含一个数据类型、运动和占用,影响最大的选择。此外,根据数值,我们也发现,使用多准则方法总收益更好的价值,失去了低价值的结果相比,首要标准方法。

5。讨论

品质控制信息,评估可能执行单独为每个传感数据项完全是为每个流源。后者可以减少数据选择的复杂性和带宽管理。然而,它可能会失去精度评估一些不相关源的属性。所以,满意的精度和复杂度之间的权衡应该考虑。同时,它仍然是开放学习更多关于使用推荐系统的知名技术数据流从无线传感器网络来满足用户的要求。降低复杂性和保持可接受的精度,我们组可能的感知价值为每个属性和预计算得分表的引用。

复杂性评估每个传感数据的数量取决于考虑属性和组的数量为每个属性。因此,在实时系统中,我们可以保证满足延误网关通过限制组的数量。此外,我们设计的系统可以运行在动态网络。不仅用户需求也感应来源可以改变操作期间,因为价值评估不参考源标识符。

该方法还可以与其他的优化技术,例如,数据压缩,流查询,以数据为中心的发布/订阅机制,或数据采集系统在ad hoc网络监控区域。数据压缩方法可以选择发送数据之前执行。同时,其他技术可以申请前执行我们的选择。该方法旨在提高用户满意度的信息质量的场景资源仍然不足,即使其他正交优化技术已经在使用。

然而,有几个问题我们想提到对未来改进由于用户定义的需求。第一个问题是夸大了满意值由于low-varied需求。实际上,实际满意度损失不能直接测量。然而,我们建议申请队列理论技术(27]估计潜在的满意度损失为每个需求反馈给用户。如果他们表现出太多的满意度损失,用户应该调整他们的需求来区分分组更明确。

第二个问题是高度安全的系统的用户权限。在我们的程序中,用户必须定义每个组之间的比较值,每一个属性。当前系统无效如果不允许用户直接提交他们的需求。我们现在考虑一个额外的功能,可以生成一个需求,兼容我们的系统自动进行。然而,它仍然允许用户发送一些反馈,直接或间接的方式,适应在操作期间。

第三个问题是评价指标、满意值。在本文中,我们假设最令人满意的传感数据将有100%满意的价值。我们定义满足函数只考虑用户和指定的分数每个应用程序的优先级。然而,最令人满意的数据可能不局限于这些值。只考虑指定优先级可引起饥饿的低优先级的应用程序。避免,首选的函数来计算满意度值应该考虑平衡的所有应用程序。

也从过去的散点图,我们的合并算法仍有差距情节点和一个趋势线在中间序列。在未来的工作中,我们计划找到更合适的变换函数更复杂但更精确。

6。结论

我们的研究集中在最大化满足信息质量据几位priority-various多准则要求使用轻量级优先机制在本地网关转发到网络服务器通过资源有限的链接。我们提出了一个两级优先级系统裁剪多准则决策分析技术称为伦布兰特。我们建议的方法,所有的计算,包括改变对数的规模和一点找到行操作几何意味着requirement-merge和分类得分,只polynomial-complex初步执行在线服务器和操作,包括有条件的匹配和最终分数乘法,剩下的在当地的网关。我们提出我们的系统与智能建筑的一个典型案例研究。我们的合并机制获得一个代表要求达到0.995余弦相似性的满意度值比所有最初输入的要求。仿真结果证实了运用多准则要求可以提供更高的满意度的价值相比,天真的方法。零售业尤其是传感数据项从我们的多准则方法有1.4倍的平均满意度值从noncriterion one-top-criterion方法和3倍的方法。

信息披露

这部分工作开展的合作研究项目计划下RIEC,东北大学。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作的部分支持由jsp KAKENHI (JP15H02690, JP26220001, JP26220001)。