文摘
终端技术的发展和应用领域的扩大,物联网的应用价值和服务需求继续增加。高效的数据传输是一个可靠的保证物联网的发展和应用。区块链技术存储和提供分布式数据提供了一个解决方案。在此基础上,以工业物联网为研究对象,建立了blockchain-based数据传输优化方法。首先,完成一个无向图模型用于描述网络场景。一个矩阵网格模型用于取代随机分布的数据节点集。然后,提出了一种双层优化方法。我们设计的数学描述和晶格匹配决策问题的建模方法,设计了人工神经网络找到问题的最优解。最后,一个例子是用于验证政府数据传输方法的技术性能和丢包率。它取得了至少20%和30%的改善优化静态聚合节点和数据传输的网络生活,分别。 While improving the robustness of the network, it also shows a stable advantage in terms of network energy efficiency indicators.
1。介绍
物联网感知(物联网)及其终端设备将极大地影响人类生产力的发展。国家情报委员会预测物联网节点将连接所有的在我们的生活中,到2025年,比如食物、包裹、家具、纸和文件(1,2]。可以看出物联网设备有很强的渗透特性,可以在日常生活中发挥积极作用。它有一个伟大的可能性成为一个经济增长点,提供真正的全球经济复苏和生产技术力量(3]。从技术角度来看,物联网可以理解的作用和影响通过无线电频率识别(RFID)和传感器技术。根据一定的标准,综合定位系统和激光、红外等传感技术是基于某些协议通过成熟或开发4]。网络体系结构连接与人类密切相关的东西,共享数据和信息,并最终实现智能识别和管理世界上一切的5]。
物联网的本质是世界上数字收集有用信息的实体及其环境,通过各种异构网络可靠传输,最后用它在生活的各个方面,科学研究、生产,等,提供数据支持和决策系统(6]。近年来物联网技术已经成熟并应用于农业生产、交通运输、工业控制、智能电网,智能家居,公共安全,和许多其他领域。可以看出,物联网是互联网信息的世界连接真实的东西(7]。
近年来,随着相关技术的有效发展,如传感器、射频识别标签,和物联网,对可穿戴设备和其他应用领域的需求增加了。物联网已经成为当今学术研究领域和工业制造领域。这是一个受欢迎的技术,并将在未来新的互联网世界中占有重要位置。
物联网使用各种传感设备连接人类探索和人和事在任何时间和任何地点通过任何网络活动的范围或服务提供大量跨行业数据服务。如今,物联网已广泛应用于交通、健康、和公用事业8,9]。在互联网的庞大且多样的网络环境,数据聚合的可靠性已经成为互联网信息服务的基础的东西。优化数据传输的一个重要的角色在促进物联网的数据聚合。本文以工业物联网为研究对象。它建立了一个数据传输优化方法基于区块链。
剩下的纸是组织如下。节2,相关的研究工作之后,数据传输优化部分3。人工神经网络在部分4节,并给出用例的验证5。最后,部分6总结了纸。
2。相关工作
在下面几节中,详细的文献研究了物联网的上下文和区块链技术。
2.1。物联网技术
当电子标签经过这个区域时,它将是令人兴奋的。感应电流形成的能量传输的信息存储在电子标签和读写设备传输信息的信息存储在数据库或其他应用程序进行处理10]。典型的物联网结构技术的原理图如图1。
特定的实体信息的描述语言是PML, PML构成EPC描述的服务。因此,国家统计局需要提供自动化网络数据服务(11,12]。低功耗物联网数据传输的基本架构图所示2。本文中的块结构设计使用散列指针确保存储数据的完整性和难以篡改。除了保持一个指向前一块单元,散列指针链结构形式。与此同时,哈希散列值的指针数据结构还维护通过哈希函数前面的数据块。这样,区块链的链结构确保存储物联网公共密钥数据很难干预。
2.2。区块链技术
区块链技术使用一个链结构来记录整个事务信息,不能篡改,它有一个强大的角色在增加信任13]。这项技术有一个自然匹配基于交易金融供应链的特征。从区块链技术的引入,区块链技术的应用到供应链占最高比例的各种金融交易的研究。相关研究主要认为区块链将扩大覆盖面的供应链,降低中小企业的资金负担,促进供应链的金融资产的证券化。
3所示。数据传输优化
最新的研究表明,移动聚合节点能有效地提高能源效率的性能的物联网数据聚合。然而,环境或人为因素可能影响水槽节点,和运动轨迹是受限制的。这种移动汇聚节点被称为trajectory-limited移动汇聚节点14,15]。trajectory-limited移动汇聚节点能源效率的影响具有很高的研究价值。rail-type移动聚合的数据传输优化问题进行了研究。文献研究highway-type移动聚合数据传输的优化问题。在山区、河流、隧道、智能电网检测场景中,或在数据聚合应用程序场景限制飞行限制和飞行条件下,聚合节点可能受到自然环境和人为因素的影响。他们也可能沿着固定的轨迹和聚合数据16]。
在场景中移动汇聚节点的轨迹是有限的,节点的能耗具有分层的特点,形成多个热点。其中,数据节点在数据传输优化轨迹有更高的要求,因为他们需要传递信息的数据节点。部署的随机性导致不均匀的所有数据节点的能耗,形成分散的热点。因此,在场景移动汇聚节点的轨迹是有限的,节点的联合能源效率优化需要从以上两个层次(17]。本节研究的影响trajectory-constrained移动聚合节点网络的能源效率。它建立了能源消耗模型通过图论分析和改进和模型双数据传输优化问题。提出的设计是基于一个人工神经网络来搜索最优问题的解决方案。解决方案是使用一个路由发现算法实现基于网格模型的最短路径的数据报告。
3.1。基本的网络模型
本节主要模型和分析数据聚合网络和进一步的描述和分析了网络模型通过图论的基本思想。在此基础上,网络节点能耗建模和分析(17]。
这图是用来表示数据聚合场景的物联网。在这个图中,n静态数据节点随机部署。移动汇聚节点的运动轨迹点(18]。Na节点可以执行与Sm节点单跳通信两边的点也称为静态水槽节点。物联网网络模型的原理图的场景移动聚合节点如图3。
此外,Na的初始能量e S和S节点节点有足够的能量和计算能力,以一个恒定的速度来回移动的速度V和点(18]。当年代点的节点到达端点年代节点立即转身,旅行到另一个端点的点以同样的速度。所有节点的最大通信距离,包括年代节点,给出了在18,19]。每个节点有足够的存储空间存储路由信息和数据缓存信息。此外,所有节点可以获取和部署完成时挽救他们的位置信息。因为所有节点是静止的,只有一次获得的位置信息是部署完成。能源消耗的定位是微不足道的。
3.2。描述和分析网格网络模型
研究表明,图论可以促进网络模型分析。从图论的角度来看,物联网或传感器网络的拓扑结构具有很高的相似性与顶点之间的关系在图论的基本概念。网络节点可以被视为图的顶点集对象通过合理的图形描述。之间的连接节点抽象为图边缘组(20.]。数据聚合行为和网络通信行为通过图的顶点和边简化网络模型。它还降低了计算复杂度和进一步深入网络模型通过vertices-vertices和vertices-edges之间的关系。添加连接节点之间的层次关系(21]。物联网的原理图网络模型基于图论分析如图4(22]。
图划分后,Nd节点具有类似位置属性分为相同的广场。数据包报道的数据网格节点的节点都可以达到一个特定年代节点网格通过相同的路径(23]。因此,节点在这些相同的广场被认为是一个实体,将描述战略匹配的节点和S节点广场匹配问题。然后,用来表示的kthNa节点广场匹配的气体(24]。根据图论的基本概念,顶点V和E构成g在这个系统模型中,顶点网格中的节点,边E代表网格中的节点之间的连通性。每一对顶点不同G有一个边缘连接是双向的。因此,G是一个完整的无向图。通过图部门操作,计算网络中节点的匹配问题的复杂性降低(18]。
4所示。人工神经网络
误差反向传播算法的多层前馈网络。它已成为使用最广泛的人工神经网络学习算法。它提出了许多改进的神经网络算法25]。节点和节点之间的连通性之间的关系增加了层次关系。(26]。通过调整权重系数和阈值的输入层和隐层,隐层和输出层,培训过程中可以减少误差沿梯度方向。它形成时的阈值集误差是最小的,完成了培训27]。
4.1。前馈计算
神经网络在使用前必须培训网络。样本数据的一部分用于学习和培训,另一部分是用于预测。假设有N个样本作为学习样本数据,输入信息和输出信息的某些样本选择培训网络,和训练后获得的输出信息28]。这个过程可以用一个公式表示,隐层的信息可以获得:
第一个节点的输出
使用乙状结肠函数作为激活函数。
微分方程的函数(3)是
通过调整加权系数的值的隐藏层,获得的第一个节点的信息隐藏层传送到下一层的对应节点。输出层的输入值可以表示为29日] 在哪里问是在隐层节点的数目。因此,实际的输出数据的第一个输出层的神经元
如果是有区别的输出结果网络训练和目标价值,错误训练获得的传递从输出层。通过一系列的修正,输出信息中的每个节点权重系数修正,所以最终的输出结果是无限接近目标值(30.]。相同的步骤后,火车N学习样本完成学习过程(31日]。
4.2。体重调整
样本的误差函数可以表示为
系统的平均误差函数
神经网络学习的目的是不断调整加权系数通过寻找最短路径,以减少误差达到最优值的加权系数32]。
方程(8)可以简单地表示为
4.3。调整输出层的权重系数
为了使网络输出值接近目标价值和减少错误E加权系数是根据梯度算法调整: 在哪里是学习速率。
因此,修正公式在输出层神经元的权重系数
5。政府数据传输的实际用例的验证
5.1。仿真参数设置
在本节中,上面的数据传输优化方法将模拟和验证。主机使用英特尔酷睿i7 64双核处理器和8 GB内存运行。在仿真程序中,WiFi无线传输标准,物理层标准是80211 b, MAC是Ashco类型。无线传播延迟模型是恒定的速度传播延迟模型。传播损耗模型范围传播损耗模型。在随后的仿真验证,使用了相同的系统环境和无线传输模型。在仿真,本文的数据传输优化模型将与其他方法相比。
5.2。数据测试
积累了大量的数据丢失,不能持续实时恢复。图5显示了丢包率的测试结果误差工业物联网数据传输。图6显示了结果的数据传输响应错误工业物联网。
通过上述指标的性能测试,相关结果如图6和7。根据测试结果,分析测试相关指标已经达到了标准要求和实验设置工业物联网数据传输的动态优化。接下来,我们将进行进一步的深入测试的其他指标。上述试验了通信的加密和解密数据和存储数据的blockchainization整个安全体系结构。物联网通信伙伴的公钥数据检测非对称加密和解密实现预期的结果。物联网设备之间对称会话密钥的生成也测试和最终生成的两个物联网通信方。会话的blockchainization对称密钥是相同的存储数据。主要测试的共识过程筏集群和区块链的查询过程数据。
5.3。政府事务数据传输技术的比较
为了验证的可靠性参数,所使用的数据传输优化技术。使用的测试工具测试场景的结果页面是用户周期工具,生成和相关数据。得到以下实验结果,如图7和8。图7比较的数据传输性能工业物联网标准1。
图8显示的数据传输性能的比较结果工业物联网标准2。
从数据可以看出7和8,工业物联网的数据传输性能符合相关的要求。本文取得了更好的性能优势条件下的标准2。该模型有利于相对性能和实际应用过程的效率。图8显示的数据传输性能的比较工业物联网的标准2。这也比较验证模型的适用性在本文中在不同的标准。深入探索未来,在本文中建立的模型提供了一个更好的参考。一般而言,上述实验测试满足安全体系结构需求的数据通信加密和数据存储的可靠性。然而,随机周期值设置为筏集群心跳检测需要进一步提高在未来的实践。物理设备允许的性能时,随机周期值应该是尽可能降低,哪个更符合物联网通信的实时特性。
6。结论
工业物联网的情况下,通过节点有限的轨迹数据聚合。本文将网络场景划分为网格矩阵模型与位置信息通过图论的概念和特点设计一个人工神经网络寻求有效的匹配。拟议的战略平衡节点网格之间的能源消耗和减少网络节点的整体能源消耗。我们使用优化方法获得更好的结果的政府数据传输的物联网的应用领域不断扩大。与新技术的发展,仍有许多问题值得研究的数据传输优化。我们将进一步探索优化方法适用于政府数据传输提供科学参考相关行业的发展。
数据可用性
和/或使用的数据集分析在当前研究可从相应的作者以合理的要求。
的利益冲突
作者宣称没有利益冲突。
确认
(1)项目支持的这项研究是由珠海Industry-University-Research合作项目:研究跨域数据遵从性和相互信任计算的关键技术在珠海和澳门(没有。ZH22017002200011PWC),(2)知识型概率图形模型理论研究基于多源数据(FDCT-NSFC项目:0066/2019 / AFJ),和(3)的研究和应用多智能体平台合作日子制造服务(0058/2019 / AMJ)。