一种低功耗物联网的边缘数据查询、计算的方法及系统与流程

本发明涉及通信领域，具体地，本发明涉及一种低功耗物联网的边缘数据查询、计算的方法及系统。

背景技术：

低功耗物联网是由多个分散的低功耗网络节点通过无线通信连接而形成的网络，在低功耗物联网中，各个低功耗网络节点从环境中采集数据，以便于对环境进行实时监控，针对环境监控的数据查询，主要采用消耗较少传输带宽和能量的自上而下查询环境实时数据，根据处理的需要，发送查询信息到相应位置的传感器节点，低功耗网络节点反馈查询结果到系统中心节点，同时低功耗网络节点还接受执行指令，以完成特定的控制功能。

但是，低功耗网络节点由于其分布特性，不同的阳光照射、不同的工作时长以及不同的传输架构会导致各低功耗网络节点在能量采集、能量消耗方面有高有低，而各节点的综合能耗将显著影响低功耗网络节点的使用效率，而现有技术中只有针对单个网络节点进行独立节能处理，没有对整个网络进行综合能耗控制，导致低功耗物联网总体能耗不可控，效率无法提升。

技术实现要素：

本发明的目的在于提供一种低功耗物联网的数据查询方法及系统，解决现有技术中由于没有针对整个节点综合能耗进行控制而导致能耗不可控的问题。

为实现上述目的，本发明提供如下技术方案：

一种低功耗物联网的边缘数据查询及计算的方法，该方法包括以下步骤:

所述低功耗物联网中各网络节点采集自身的历史能量采集信息、能量消耗数据以及环境数据，并通过深度学习算法预测计算预设时间内所述各节点自身综合能量采集、消耗数据；

将预测预设时间内综合能耗最小的一个节点确定为网络中心节点；

其余非网络中心节点采集自身数据，并将采集到的自身数据分别发送至所述网络中心节点，并在发送后进入睡眠模式；

所述网络中心节点接收所述各非网络中心节点的自身数据，并将所述业务数据定时主动上报至服务器，并应答服务器下发的查询请求和控制执行指令。

可选地，所述自身历史能量采集信息，包括：太阳能电池板、风力发电机、地热发电设备及水力发电设备的时变发电量数据。

可选地，所述自身能量消耗数据，包括：时变的电池电量数据、节点各功能单元的能量消耗数据，以及各功能单元的工作周期时段数据，其中，所述各功能单元的工作周期时段数据包括待机时段、工作时段、关机时段。

可选地，所述节点各功能单元包括数据采集单元、控制单元、执行单元、计算单元及通信单元。

可选地，所述物联网各节点预测未来预设时间内综合能耗最小，包括：

将所述节点自身历史能量采集数据、历史能量消耗数据及历史功能单元工作周期时段数据作为输入，采用的非线性回归分析算法和深度神经网络和/或卷积神经网络计算出未来预设时间内综合能耗预测值。

可选地，所述方法还包括：

所述物联网各节点相互广播自身工作时长预测值，并将未来预设时间内综合能耗最小的节点作为网络中心节点；

当到达预设的数据更新时间点时，所述中心节点对收集到的各节点未来预设时间内综合能耗预测值进行统计比较处理，非中心节点忽略其他节点发送的广播数据。

可选地，所述方法还包括：

对物联网各节点的未来预设时间内综合能耗预测值相差值设定切换门限，当到达预设门限时，触发所述网络中心节点的切换，由中心节点通知备选中心节点进行工作状态转换。

本发明实施例还提供一种低功耗物联网的边缘数据查询及计算系统，所述系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行上述方法。

与现有技术相比，本发明的有益效果如下：该方法和系统能在网络中减少总能量消耗的基础上，提升各节点的能量使用效率，从而提升物联网整体是使用时长，提升使用效率。

附图说明

图1是本发明实施例中传感器网络结构拓扑图；

图2是本发明实施例中低功耗物联网的边缘数据查询及计算的方法流程图；

图3是本发明实施例中低功耗物联网的边缘数据查询及计算的方法另一流程图；

图4是本发明实施例中单节点非线性回归预测计算网络工作原理图；

图5是本发明实施例中单节点非线性回归预测计算网络结构示意图；

图6是本发明实施例中低功耗物联网的边缘数据查询及计算组成结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

传感器网络的典型拓扑架构如图1所示，由于传感器节点的布置方式和应用环境的限制，频繁的更换电池是不容易实施的，所以，节省传感器节点的能量消耗，从而延长网络寿命十分重要。传感器节点的能量消耗可以控制的主要来源是传感器节点的收发机，传感器节点的收发机可以处于三种工作状态：发送状态、监听状态以及睡眠状态。传感器节点的发动机打开发送数据时处于发送状态，传感器节点的接收机打开接受数据和等待接收数据时处于监听状态，传感器节点的发送机和接收机都关闭时处于睡眠状态，处于发送状态、监听状态时传感器节点会消耗较多的能量，处于睡眠状态时传感器节点消耗的能量很少，所以为了节省传感器网络总能量消耗，希望大多数节点在使用过程中尽可能地处于睡眠状态。

传感器网络的寿命是从传感器节点布置完成到第一个传感器节点能量消耗完毕，所以在减少传感器网络总能量消耗的同时，应尽可能使各个传感器之间的能量消耗达到平衡，以最大限度的延长网络寿命。

为达到以上目的，如图1所示，本发明实施例提供了一种低功耗物联网的边缘数据查询及计算的方法，该方法包括以下步骤:

s101、所述低功耗物联网中各网络节点采集自身的历史能量采集信息、能量消耗数据以及环境数据，并通过深度学习算法预测计算预设时间内所述各节点自身综合能量采集、消耗数据；

在对环境进行监控之前，需要根据具体的应用环境来布置传感器节点。传感器节点的布置可以采用随机的或者特定的方式。随机的方式可以采用飞机等播洒传感器节点，这种方式多用于诸如森林、草原等室外环境；特定方式可以采用人为布置，多用于室内环境。

低功耗物联网节点可以为2个或2个以上，以形成不同的组网架构，通常而言可形成一个星形组网，由一个中心节点及多个非中心节点组成，其中非中心节点可将自身采集数据发送给中心节点，例如通过广播通信或单点通信的方式。

其中，所述自身历史能量采集信息，包括太阳能电池板、风力发电机、地热发电设备及水力发电设备的时变发电量数据。

其中，所述自身能量消耗数据，包括时变的电池电量数据、节点各功能单元的能量消耗数据，以及各功能单元的工作周期时段数据，其中，所述各功能单元的工作周期时段数据包括待机时段、工作时段、关机时段。

在本发明实施例中，所述节点各功能单元包括数据采集单元、控制单元、执行单元、计算单元及通信单元。

能量消耗数据的检测和剩余工作时长的监测可以通过在每个传感器节点中设置能量检测模块，通过传感器节点的总寿命和已使用时间来检测。检测网络节点剩余能量信息的方法现有技术中已有，所以在此处不再赘述。

可选地，所述物联网各节点预测计算其工作时长，包括：

将所述节点自身历史能量采集数据、历史能量消耗数据及历史功能单元工作周期时段数据作为输入，采用的非线性回归分析算法和深度神经网络和/或卷积神经网络计算出未来一段预设时间内综合能耗预测值。

s102、将预测工作时间最长的一个节点确定为网络中心节点；

网络中心节点，是用于对传感器网络进行控制的装置，中心节点负责和后端的服务器进行通信，并主动汇总并上报采集结果。其中，预测工作时长可以通过后端服务器进行预测，也可以通过各节点自身进行预测。

s103、其余非网络中心节点采集自身数据，并将采集到的自身数据分别发送至所述网络中心节点，并在发送后进入睡眠模式；

s104、所述网络中心节点接收所述各非网络中心节点的自身数据，并将所述业务数据定时主动上报至服务器，并应答服务器下发的查询请求。

可选地，所述方法还包括：

所述物联网各节点相互广播自身未来预设时间内综合能耗预测值，并将预测未来预设时间内综合能耗最小的节点作为网络中心节点；

当到达预设的数据更新时间点时，所述中心节点对收集到的各节点未来预设时间内综合能耗预测值进行统计比较处理，非中心节点忽略其他节点发送的广播数据。

可选地，所述方法还包括：

对物联网各节点的未来预设时间内综合能耗预测值相差值设定切换门限，当到达预设门限时，触发所述网络中心节点的切换，由中心节点通知备选中心节点进行工作状态转换。

图3采用了流程图的形式用于说明本发明实施例中中心节点切换的工作原理。图4是单节点非线性回归预测计算网络工作原理图；图5是本发明实施例中单节点非线性回归预测计算网络结构示意图。

如图3所示，其中，输入参数分为三类：1.能量采集数据；2.能量消耗数据；3.历史功能单元工作周期时长。

能量采集数据包括但不限于：a.太阳光照强度；b.风力强度；c.气温；d.地热温度；e.水流速度；f.平均发电电量；g.各能量采集单元能量转换效率。

能量消耗数据包括但不限于：a.电池电压差；b.各数据采集单元功耗；c.各控制单元功耗；d.各执行单元功耗；e.计算单元功耗；f.各通信单元功耗。

功能单元工作周期时长包括但不限于：a.各数据采集单元实际工作时长；b.各控制单元实际工作时长；c.各执行单元实际工作时长；d.计算单元实际工作时长；e.各通信单元实际工作时长；f.节点实际工作时间段。

数据标签为节点在统计时段内的实际综合能耗。

本发明实施例中，将以上三类数据作为张量数据，输入到预测计算网络。预测计算网络采用卷积神经网络和非线性回归分析算法，网络结构包含三个卷积层，分别提取上述三类输入参数的特征，其后紧跟若干全连接网络。系统利用历史采集到的参数数据进行模型训练。

当定时器2计时时间到时，系统通过利用历史采集数据(含标签，即在统计时段内的实际综合能耗数据)，输入预测计算网络，然后通过训练学习算法计算预设时间内综合能耗y与多变量(即输入参数x)之间的关系，从而获得训练一个网络模型y＝f(x)。然后利用当前采集到的数据(不包含标签)进行非线性回归分析，计算出节点预测未来预设时间内的综合能耗，即利用当前的输入参数x，输入到训练网络模型y＝h(x)，回归计算出预测的未来预设时间内综合能耗y。(如图4所示)

输入参数为前述节点自身历史能量采集数据、历史能量消耗数据及历史功能单元工作周期时段数据，依次排列后组成32x32x3的多个张量数据。并先后经过3个卷积层，逐次对数据进行特征增强，并降低数据噪声(如图5所示)。本发明实施例中卷积层1可以采用尺寸为3x3，输入通道为3，输出通道为5的卷积核，卷积计算时采用0填充以便保持输入、输出数据尺寸一致，卷积步长为1；卷积层2可以采用尺寸为3x3，输入通道为5，输出通道为5的卷积核，卷积计算时卷积计算时可以采用0填充，卷积步长为1；卷积层3采用尺寸为3x3，输入通道为5，输出通道为5的卷积核，卷积计算时卷积计算时采用0填充，卷积步长为1。

各卷积层之间的池化层用来降低网络训练参数及模型的过拟合程度，本发明实施例中使用尺寸为2x2平均池化进行降维。

本发明实施例中，卷积层3的输出是一个8x8x5的张量，进行数据拉伸整理后，输入进入全连接网络。本发明实施例中的全连接网络为一个320个输入节点，两个隐藏层，1个输出节点的网络，其中第一隐藏层具有512个神经元，第二隐藏层具有128个神经元。

全连接网络模型训练时采用的损失函数为均方误差(mse)：

模型训练过程中学习率设定0.001，使用随机梯度下降法进行计算。训练过程中，若损失函数迭代过程中总体损失率小于0.002，或者连续10次计算所得总体损失率的变化率小于1％时，则降低训练频度(即增加定时器3的计时时长)，以达到进一步降低系统功耗，增加网络生命周期的目的。

当定时器3计时时间到，系统将触发节点历史数据采集过程。单节点非线性回归预测计算网络输入参数为前述节点自身当前能量采集数据、历史能量消耗数据及历史功能单元工作周期时段数据，依次排列后组成32x32x3的张量数据。

当定时器1计时时间到，系统将触发数据广播过程。经过预测计算网络的回归分析计算，将输出该节点的预测的未来预设时间内综合能耗参数，用于网络节点进行工作状态切换判断。

图6为一个实施例中低功耗物联网节点系统的内部结构示意图。如图6所示，该系统包括通过系统总线连接的处理器、存储器和网络接口。其中，该处理器用于提供计算和控制能力，支撑整个电子设备的运行。存储器用于存储数据、程序等，存储器上存储至少一个计算机程序，该计算机程序可被处理器执行，以实现本申请实施例中提供的适用于电子设备的无线网络通信方法。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的一种方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等，用于与外部的电子设备进行通信。该电子设备可以是无线网络传感器、智能系统等。

本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行低功耗物联网的边缘数据查询及计算方法的步骤。

一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行低功耗物联网的边缘数据查询及计算方法。

应理解，在本申请的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、系统和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本说明书的各个部分均采用递进的方式进行描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点介绍的都是与其他实施例不同之处。尤其，对于系统和系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。

最后，需要说明的是：以上仅为本申请技术方案的较佳实施例而已，并非用于限定本申请的保护范围。显然，本领域技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。