基于物聯網和SOM算法的信息監控系統設計

張 華，王金蘭

(廣州鐵路職業技術學院 信息工程系，廣州 510430)

基于物聯網和SOM算法的信息監控系統設計

張 華，王金蘭

(廣州鐵路職業技術學院 信息工程系，廣州 510430)

在物聯網環境下進行信息監控系統設計，實現對網絡信息的監控和自適應采集，保障網絡安全；針對采用傳統的神經網絡控制方法進行信息監控的數據挖掘準確性不好的問題，提出一種基于物聯網和自組織映射SOM算法的信息監控系統設計方法，首先進行信息監控系統的總體設計和功能模塊化分析，然后設計改進的SOM算法，應用在信息監控的數據挖掘和分類識別中，在程序加載模塊中進行算法加載，最后在物聯網環境下構建嵌入式Linux內核進行信息監控系統的軟件設計和開發；系統仿真實驗結果表明，采用該信息監控系統進行大型物聯網的數據信息監控，對數據的準確挖掘和識別性能較好。

物聯網；SOM算法；信息監控；數據挖掘

0 引言

隨著網絡信息技術的發展，大量的數據信息在網絡空間中傳播和存儲，需要進行信息監控識別，實現準確的數據信息挖掘和分類處理，提高網絡管理的能力，信息監控在網絡信息安全管理中具有重要的意義。物聯網作為一種物體與物體相連的網絡，隨著局域網和無線傳感網絡技術的發展，物聯網在智能家居控制和大型信息設備交互中發揮著重要的作用，物聯網必將成為未來實現網絡智能化集成控制的大型網絡結構，在物聯網環境下，海量的信息數據需要加工、存儲、處理，在信息處理中需要進行信息監控，保障網絡安全[1]。

在物聯網環境下進行信息監控系統設計，實現對網絡信息的監控和自適應采集，確保物聯網信息安全，傳統方法中，對物聯網信息監控系統的設計主要有基于嵌入式E-Learning系統的信息監控系統設計方法、基于匯聚樹協議的信息監控系統設計方法和基于嵌入式Linux環境的信息監控系統等[2-4]，通過開發Linux設備驅動程序，將采集的大型物聯網環境中信息數據進行嵌入式管理和調度，結合程序控制和集成調度設計，實現信息的準確管理和監控，取得了一定的成果，其中，文獻[5]提出一種基于云環境web信息抓取技術，實現信息監控系統設計和分類調度，采用web信息抓取關注用戶服務評價，實現對物聯網信息的反饋和云資源調度，取得了較好的監控效果，但是該方法對物聯網中的敏感信息準確提取性能不好，且隨著干擾量的增多，數據挖掘精度不好；文獻[6]采用神經網絡控制方法進行信息監控，在數據尋優過程中容易陷入局部最優解，導致信息數據挖掘的準確度不高，且計算開銷較大，針對上述問題，本文提出一種基于物聯網和自組織映射SOM算法的信息監控系統設計方法，首先進行信息監控系統的總體設計和功能模塊化分析，然后設計改進的SOM算法應用在信息監控的數據挖掘和分類識別中，最后進行系統的軟件設計和開發，通過仿真實驗進行了性能測試，得出有效性結論。

1 系統總體設計描述及功能模塊分析

1.1 面向物聯網的信息監控系統總體設計

首先分析面向物聯網的信息監控系統總體設計，并進行功能模塊分析和介紹，面向物聯網的信息監控系統建立在通用計算機平臺上，信息監控系統可以安裝Windows系統，也可以安裝Linux系統，具有可移植性和兼容性。為了提高信息監控系統的穩健性，在嵌入式Linux環境下采用Linux內核進行程序控制和數據調度[7-10]，信息監控系統的開發中，采用Linux操作系統進行數據移植，采用X86架構的GNU開發工具進行信息監控系統集成設計，信息監控系統主要由物聯網進程管理、路由節點管理、文件系統、物聯網設備管理、網絡系統管理等子系統組成，物聯網環境下的信息監控系統工作結構如圖1所示。

圖1 物聯網環境下的信息監控系統工作結構框圖

根據圖1所示的物聯網環境下的信息監控系統工作結構框圖進行系統的總體設計，構建可視化的操作界面進行數據輸出和人機交互，在AD7656驅動主控存儲器中實現監控信息的數據寄存和輸出，得到信息監控系統的總體結構如圖2所示。

圖2 信息監控系統的總體結構

1.2 信息監控系統的功能模塊及技術指標分析

根據上述對面向物聯網的信息監控系統軟件模塊總體設計結構，進行系統的功能模塊分析，面向物聯網的信息監控系統軟件開發的處理基本流程：

1)物聯網信息的采集過程。通過物聯網信息的采集，為物聯網信息監控系統集成智能控制提供數據輸入基礎，采用傳感器進行數據采集，采用VIX總線技術對物聯網信息進行準確測量，為信息監控系統提供準確的數據輸入。

2)信息監控的數據加工處理過程。在Linux內核下進行監控信息加載和信息加工，在程序加載模塊，通過多通道物聯網信息傳輸和回放，實現對物聯網信息監控系統集成智能控制信息處理。

3)數據挖掘存儲和人機交互過程。采用交叉編譯環境進行物聯網環境下的信息監控系統數據挖掘和人機交互，在Linux內核下的引導加載程序(Boot loader)進行GUI人機的交互，采用LabWindows/CVI實現物聯網信息監控系統集成智能控制和可視化的數據分析。

根據上述功能模塊分析，分析本文設計的面向物聯網的信息監控系統的技術指標描述如下：

1)物聯網信息監控系統與VXI總線數據采集功能，數據記錄動態范圍：-10～+20 dB，信號輸出通道的幅度±10 V，輸出監控信息中數據挖掘的精度為98.67%；

2)面向物聯網的信息監控系統中收發轉換采樣通道為：8通道同步、異步輸入；

3)數據的頻譜特征采樣率：>200 kHz；

4)VME總線傳輸的A/D分辨率：10位(至少)；

5)驅動程序的D/A轉換分辨率：12位(至少)；

6)信息監控系統MXI總線控制的回放速率：≥200 kHz；

根據上述功能模塊分析和信息監控系統的技術指標描述，進行面向物聯網的信息監控系統的軟件開發設計。

2 SOM算法設計

在上述進行物聯網的信息監控系統的總體設計描述和功能技術指標分析的基礎上，進行物聯網互聯信息數據挖掘和特征采樣，設計改進的SOM算法應用在信息監控的數據挖掘和分類識別中，自組織映射(Self-Organizing Maps, SOM)算法作為一種聚類和高維可視化的無監督學習算法，在信息監控中具有較好的應用價值，SOM的學習模型如圖3所示。

圖3 SOM自組織映射網絡結構模型

選擇物聯網路由信息鏈交換的特征信息，在圖3所示的SOM自組織映射網絡中進行信息加工和數據挖掘，過程如下：

1)選定SOM自組織映射網絡輸入訓練矢量集x(t)=(x0(t),x1(t),···,xk-1(t))T；其中k為訓練矢量個數；給出基于物聯網的信息監控系統中待挖掘的數據樣本個數N及輸入節點，令x(t)，t=0,1,···,n-1，進行SOM網絡的初始化處理，在輸入層，設定時間采樣節點的初始值t=0；

2)對輸入物聯網中的傳輸數據設定頻率響應器，結合自組織神經網絡映射，構建信息監控識別的訓練向量模式x(t)=(x0(t),x1(t),···,xk-1(t))T；

3)設置自組織神經網絡(N,M)，計算輸入到監控系統的敏感特征信息向量x(t)，采用隱含層的神經元進行自組織學習，得到全部輸出節點所連權向量ωj的距離：

(1)

其中:ωj=(ω0j,ω1j,···,ωk-1,j)T；

5)訓練完所有的L個訓練矢量，調整與輸出節點Nj*的自適應加權權重，在Nj*幾何鄰域NEj*(t)中進行數據的特征挖掘，其中，權重迭代公式為：

ωij(t+1)=ωij(t)+α(t)(xi(t)-ωij(t))

(2)

其中:Nj∈Ej*(t)，0≤i≤k-10≤α(t)≤1是幾何拓撲鄰域NEj*(t)中進行神經元訓練的敏感特征參數，它和NEj*(t)一樣隨時間遞減；

3 監控系統軟件開發設計與實現

根據上述設計，改進的SOM算法應用在信息監控的數據挖掘和分類識別中，在程序加載模塊中進行算法加載，在物聯網環境下構建嵌入式Linux內核進行信息監控系統的軟件設計和開發。用嵌入式Linux技術進行系統的軟件開發，構建面向物聯網的信息監控系統的嵌入式Linux的開發環境，通過LCD控制器來完成編譯，得到嵌入式Linux環境下的rootfs數據編譯庫，通過網線、232串口、USB進行信息監控系統的應用程序開發，面向物聯網的信息監控系統的邏輯時序控制信號通過高性能的MAX7000AE處理芯片進行SOM算法的程序加載，程序加載模塊的程控編碼設計為：

defineMISC_s3c2440_pwm_255 //主設備號

defines3cQt/Embedded"pwm"http://設備文件名

intretev_fops_ootfilesystem();

ret=s3c2440_compilation/makefile(&misc);

通過引導加載程序進行物聯網信息監控系統的信息分類，在SOM算法控制下，建立Linux的根文件系統進行信息監控系統的數據寫入和敏感信息特征提取，把編譯器路徑加入系統環境變量，并執行init進程，進程控制代碼為：

Generates Settings --->

Spectral feature sampling of data --->

[*]downloaded //SOM自組織映射網絡算法下載

Applets Linux Kernel (as soft-links) --->// Linux Kernel內核啟動

(/home/Arm-angstrom/nfs) makefile 920t -gnueabi Installation Application

然后采用Qt/Embedded 4.6創建物聯網信息監控系統的圖形用戶接口，實現可視化控制和人機交互，Qt/Embedded開發環境建立在x86上，把編譯器路徑加入系統環境變量，輸入命令Generate bin, SBIN folder -x86.sh，開始信息化監控系統的可視化程序的編譯、安裝，如圖4所示。

程序開始后采用Server/Client實現上位機通信，執行時鐘頻率初始化、存儲器初始化、中斷初始化，初始化程序代碼為：

Applets Install root file system in file system (as soft-links) --->

(/home/Documents/ File System) Kernel_configuration Installation prefix

Root file systemTuning --->

[*] Cross compile environment edit.Bashrc file

[*] filesystem SBIN Applets links//設定PLL_LOCKCNT寄存器

[*] ADSP-BF537:aliased

[*] Copy register_handler

[*] Script SPORT0_TFSDIV// SPORT0_TCLKDIV寄存器初始化

Shells --->

--- SPORT0_TCLKDIV//服務器配置文件

[*]Check SPORT0_TFSDIV//串口發送時鐘

[*]Lash(SPORT0_RILDN-linux)// lib目錄下提供內核

對CAN的相關寄存器和RAM進行初始化, 運行make以及make install進行編譯和安裝，實現面向物聯網的信息監控系統的算法編譯和程序加載，軟件實現過程如圖5所示。

圖5 信息監控系統的軟件實現過程

4 系統仿真實驗與調試

為了測試本文設計的面向物聯網的信息監控系統的應用性能，進行系統調試和仿真實驗分析，在嵌入式設備上運行Qt C++ API執行SOM自組織映射網絡數據挖掘和識別算法的程序加載和數據寫入，構建物聯網信息監控系統集成智能控制的Linux內核，監控系統的數據輸入通道為4塊采集卡的任意通道，系統調試過程使用的設備為：Inter Pentium TYP3220A 隨機數據發生器和Opengl32PST3202 可編程控制器，數據采集中設定地址00H，復位值f0H，VIX總線數據采樣帶寬為12 dB，系統的初始頻率為2 kHz，采樣時間間隔為5.2 ms。根據上述仿真環境和參數設定，采用傳統方法和本文方法，對監控信息挖掘數據的精度進行對比研究，不同方法下的信息監控挖掘性能對比曲線如圖6所示。

圖6 信息監控性能對比

從圖6可見，采用本文設計的系統進行物聯網信息監控，對特征數據挖掘的精度遠高于傳統方法，滿足提出的監控信息中數據挖掘精度為98.67%的設計技術指標，展示了本文方法的優越性能。

5 結束語

在物聯網環境下進行信息監控系統設計，通過對監控對象中特定數據挖掘，保障網絡安全。本文提出一種基于物聯網和自組織映射SOM算法的信息監控系統設計方法，首先進行信息監控系統的總體設計和功能模塊化分析，然后設計改進的SOM算法應用在信息監控的數據挖掘和分類識別中，在程序加載模塊中進行算法加載，在物聯網環境下構建嵌入式Linux內核進行信息監控系統的軟件設計和開發。系統仿真實驗結果表明，采用該信息監控系統進行大型物聯網的數據信息監控，對數據的準確挖掘和識別性能較好，具有較好的應用價值。

[1] 邱 濤. 基于無線自組織物聯網的智能語音預警系統設計方法[J]. 計算機測量與控制,2014, 22(10):3320-3322.

[2] Moradi M, Keyvanpour M R. An analytical review of XML association rules mining[J]. Artificial Intelligence Review, 2015, 43(2):277-300.

[3] Dong G L, Ryu K S, Bashir M, et al. Discovering medical knowledge using association rule mining in young adults with acute myocardial infarction[J]. Journal of Medical Systems, 2013, 37(2):1-10.

[4] Khalili A, Sami A. SysDetect:a systematic approach to critical state determination for industrial intrusion detection systems using Apriori algorithm[J]. Journal of Process Control, 2015, 27(6):154-160.

[5] 李方偉, 張新躍, 朱 江, 等. 基于信息融合的網絡安全態勢評估模型[J]. 計算機應用, 2015, 35(7): 1882-1887.

[6] Keshavamurthy B N, Khan A M, Toshniwal D. Privacy preserving association rule mining over distributed databases using genetic algorithm[J]. Neural Computing & Applications, 2013, 22(1):351-364.

[7] Czibula G, Marian Z, Czibula I G. Detecting software design defects using relational association rule mining[J]. Knowledge and Information Systems, 2015, 42(3):545-577.

[8] Hills J, Bagnall A, Iglesia B D L, et al. BruteSuppresion:a size reduction method for Apriori rule sets[J]. Journal of Intelligent Information Systems, 2013, 40(3):431-454.

[9] 李牧東,趙 輝,翁興偉,等. 基于最優高斯隨機游走和個體篩選策略的差分進化算法[J]. 控制與決策, 2016, 31(8): 1379-1386.

[10] Mernik M, Liu S H, Karaboga M D, et al. On clarifying misconceptions when comparing variants of the Artificial Bee Colony Algorithm by offering a new implementation[J]. Information Sciences, 2015, 29 (10): 115-127.

Design of Information Monitoring System Based on Internet of Things and SOM Algorithm

Zhang Hua,Wang Jilan

(Department of Information Engineering, Guangzhou Railway Polytechnic,Guangzhou 510430, China)

The design of information monitoring system in the complex network environment, realization of network information monitoring and adaptive acquisition. Data mining accuracy information monitoring for neural network control of the traditional method is not good, put forward a design method based on networking and information monitoring system of self-organizing mapping SOM algorithm. firstly analyzing the overall design and function module of information monitoring system, and then design the improved SOM algorithm is applied in the monitoring information of data mining and classification, the algorithm is loaded in the program loading module, the software design and development of network information monitoring system of embedded Linux kernel environment in. The system simulation results show that the information monitoring system is used to monitor the data information of the large-scale Internet of things, and the accuracy of the data mining and recognition performance is better.

internet of things; SOM algorithm; information monitoring; data mining

2016-11-03；

2016-11-25。

2015年廣東省公益研究與能力建設專項資金(2015A010103001)。

張 華(1977-)，男，湖南益陽人，碩士，副教授，主要從事物聯網應用技術、算法分析等方向的研究。

1671-4598(2017)04-0084-03

10.16526/j.cnki.11-4762/tp.2017.04.024

TP391

A