云信任度評估下物聯網海量底層資源尋址模型

李 波，楊國才

(1.重慶工程學院計算機與物聯網學院，重慶400056；2.西南大學計算機與信息科學學院，重慶 400715)

1 引言

高效率、低能耗的資源尋址模型，是當前物聯網領域的一項重要技術，它是現代信息技術的一個重要組成部分，它是指將具有一定感知、計算或執行能力的不同遙感設備部署到物理世界中，通過聯網設備進行信息的傳輸、協調和處理，從而實現人與人之間的交互，其特點是具有普遍感知、互聯共享、智能服務等特征。以互聯網體系結構(感知層、傳輸層、應用層)三維體系為基礎，以網絡的形式緊密地聯系到一起，通過數據查詢、智能感知以及數據傳輸和識別，滿足現代人與人之間的生活交流和工作交流[1]。萬年紅，王雪蓉[2]為提高物聯網底層信息資源尋址效果，基于對云環境下的物聯網底層尋址服務的信任度評估準則等方面的研究，改進信任驅動算法，提出一個云信任驅動的物聯網信息資源尋址模型，設計并采用特定約束條件，信任陡度函數，云信任度評估準則及信任約束系數建立尋址模型，該模型有良好的底層資源尋址效果。劉毅[3]介紹了編碼式分簇射孔的發展狀況，自主研發的固地址編碼式自動尋址模型原理及在分簇射孔中的應用，建立了資源尋址賦值矩陣，通過計算尋址平均等待時間，統一底層信任編碼，實現對尋址模型的設計。但兩個傳統模型與預期的效率能耗之間，存在一定差距，因此提出構建一個基于云信任度評估的物聯網海量底層資源尋址模型。云信任度評估也就是對海量網絡資源的數據評估，根據數據的可靠度，估計底層資源的總體云信任度，為尋址模型在海量數據中的快速、高效與可靠尋址，提供更加科學的技術手段。此次研究充分發揮云信任度評估的特點，優化原有尋址模型，加強用戶對物聯網資源使用的體驗效果。

2 云信任度評估下物聯網海量底層資源尋址模型

2.1 制定底層尋址編碼方案

構建物聯網海量底層資源尋址模型，預先制定編碼方案。傳統模型制定的編碼方案存在三點問題：編碼規范差異較大、識別設備受限以及適用范圍有限。此次研究摒棄現有規范，按照物聯網海量底層資源尋址要求，制定全新的編碼方案，將編碼作為實體的第二標識碼，相當于給每個實體，設置了新的標簽。因此結合CPC編碼和uCode編碼，提出一個由6個字段組成的IECode編碼規范。該編碼采用64位的十六進制表示，滿足絕大多數與物聯網相連接資源的標識，其頂級域編碼為5位，區域碼和劃分代碼分別為9位和1位，實體類別碼和序列號為32位，實體說明碼為17位。其中頂級域編碼代表城市網絡資源；區域碼代表城市中的政府、企業、學校以及其它機構的網絡資源；劃分代碼整個字段用于類別劃分的顯示，因此該代碼可以對實體類別碼和序列號進行劃分，其中A-F屬于保留位[4]。劃分代碼的劃分規則如圖1所示。

圖1 編碼劃分規則

實體類別碼和序列號，分別用于類別識別和類別標識，使每一個底層資源均有一個唯一的編號；實體說明碼用于描述資源的詳細信息。設置的IECode編碼雖然是定長的，但符合樹狀層次的基本模式，對不同類別的資源標識有明確區分，具有海量資源中的唯一性和可識別性，因此符合構建海量底層資源尋址模型的基本要求[5]。

2.2 采用元胞更新模型尋址規則

為使尋址模型獲取的底層資源更加精準，采用元胞更新模型尋址規則。假設物聯網中存在的所有節點的集合為W={w1，w2，…，wn}，其中集合內任意兩個節點間的有效鏈路，以組合排列的形式構成元胞空間T，則存在

(1)

公式中：i，j=1，2，…，n；k∈M；每一個階段均為一個元胞。用S表示元胞的有限離散狀態集，則存在S={s1，s2，s3}，其中s1表示底層資源傳輸狀態；s2表示底層資源等待狀態；s3表示底層資源空閑狀態。則三種狀態分別為中心元胞、鄰居元胞以及空閑元胞。則元胞鏈路鄰居關系的計算表達式為：

G={Tk*|difference(Tk1-Tk2)≤η，Tk1，Tk2∈Tk}

(2)

公式中：difference(Tk1-Tk2)表示兩個鏈路排列組合之間的差別；G表示元胞鏈路鄰居關系；η表示相差程度[6]。下圖2是對計算所獲元胞鏈路，鄰居關系的詳細說明。

圖2 元胞關系示意圖

根據圖2中的元胞位置關系可知，元胞[52]有8個鄰居元胞，當元胞[52]與元胞[0]聯系時，元胞[52]處于s1狀態，此時鄰居元胞為s2狀態，除此之外的其它元胞，則為s3狀態。此時元胞[52]與元胞[0]之間的鏈路差別，就可以用來描述鏈路的鄰居關系。根據上述分析，設置四步流程，實現對模型尋址規則的更新。設置演進規則為Z:St→St+1，則第一步初始化基本參數，定義元胞狀態；第二步假設空閑元胞的數量為Qn，鄰居元胞的數量為Pn，通過判斷不同類型的元胞狀態，設置下一跳鏈路：當中心元胞周圍有Qn個空閑元胞時，中心元胞通過空閑元胞到下一跳節點；當中心元胞周圍沒有空閑元胞，只存在Pn個鄰居元胞時，則通過鄰居元胞到下一跳節點；當中心元胞周圍沒有任何元胞時，說明所有元胞均處在傳輸狀態，因此中心元胞將底層資源存儲到緩存當中，接收到某一元胞發送的釋放消息后，再到下一步。第三步根據拓撲結構的動態變化，利用式(2)建立多徑傳輸鏈路，選擇其中最優的數據鏈路，實現自由選擇；第四步更新鏈路，存儲多徑路由信息，實現對模型尋址規則的實時更新[7]。

2.3 搜索算法設計尋址邏輯

在構建尋址模型過程中，對于物聯網海量底層資源尋址，是通過模型上層、下層網絡結構相互協作來實現的，其中利用上層網絡中的超級結點路由區域，定位以及搜索下層網絡結構中獲得的海量底層資源。其中上層網絡定位搜索，參考第一節制定的尋址編碼方案，對底層信息進行搜索；下層網絡的海量底層資源定位，則利用下圖3所示的方法進行[8]。

圖3 物聯網底層資源搜索算法

該算法假設節點K26，發起底層資源查詢的編碼為IECode-1的資源信息，默認該資源信息的節點為K32，則模型的資源尋址過程，可簡化利用計算K26，尋找節點K32。在搜索算法控制下，尋址模型利用計算K26，查看自身旳資源信息表，檢索是否有IECode-1信息，有則直接獲取資源對應的地址信息，沒有則轉到鏈路a。利用鏈路a將節點K26的數據，發送給K0。然后K0根據IECode-1提取資源是否在本區域內，若在則轉到鏈路b1；若不在則轉到鏈路b2。利用K0查詢自身的資源信息表，同樣檢索IECode-1信息，若有則轉到鏈路d，若沒有則向邏輯超級節點集合中的K43和K78，轉發資源信息，然后轉到鏈路c。讓K43和K78同樣查詢資源信息表，檢索IECode-1，有則轉到鏈路d；若沒有則利用節點K0、K43和K78，向表中的節點發送底層資源信息。當節點收到該發送請求時，發起請求的源節點，實現對物聯網中，海量底層資源的數據尋址邏輯[9]。

2.4 建立尋址模型云信任度評估推薦模塊

為了加快選址模型的選擇工作，建立一個云信任度評估推薦模塊，使模型根據推薦模塊的信息提示，快速展開尋址工作。根據上文設計將推薦節點默認為k，則利用下列計算公式，評估其可靠度

Fk=sim(u，v)·(1-Hk)·Ruk

(3)

公式中：sim(u，v)表示節點(u，v)之間的相似度；Hk表示推薦節點與尋址期望之間的差異度；Ruk表示評估節點u對推薦節點k的云信任度。其中節點相似度是選址節點，與其它鄰居節點之間的相似程度，該指標的計算公式為

(4)

公式中：Xu、Xv分別表示與節點u和節點v直接關聯的資源列表；fui、fvi則分別表示2個節點的云信任度評估數據表[10]。當該計算結果越大時，越能說明共同節點評分越相似，說明這些底層資源之間具有相似性。而推薦節點與尋址期望之間的差異度Hk，存在惡意推薦影響的現象，因此在求取該值時，設所有推薦節點，對目標節點j的直接信任度期望值為λk，推薦節點k對節點j的直接信任度值，用fkj進行表示，此時存在fkj∈sim(u，v)，則差異度Hk的計算結果為

(5)

將式(4)以及式(5)的計算結果，帶回到式(3)中，通過計算求得推薦節點k的可靠度[11]。然后查詢請求節點所屬信任列表，向信任度值較高的節點請求傳輸；同理計算兩個節點之間的相似度，同時計算差異度和云信任度權重，由此得到節點k的推薦信任度值，計算公式為

(6)

通過上述節點k的推薦可靠度和信任度評估結果，構建尋址模型的推薦模塊，至此在云信任度評估下，物聯網海量底層資源尋址模型構建完畢[12]。

3 仿真研究

3.1 開銷延時測試

實驗在虛擬機下安裝Cooja仿真軟件，通過REID閱讀器節點，進行物聯網海量底層資源尋址測試，利用圓形節點代表REID節點；正方形節點代表物聯網服務；三角形節點為網關節點。在Linux虛擬機下，命令仿真軟件建立虛擬機與其自身之間的隧道，利用節點1和節點4，獲得整個物聯網中的資源地址。分別利用此次研究設計的模型，和傳統設計下的尋址模型，獲取物聯網中海量底層資源地址，三個測試組的協議包抓取效果，如表1所示。

表1 前N次的抓包總和統計

根據表1中的測試結果可知，文中設計的尋址模型，其抓包總和更高。分別從三個測試組中，抽取50個測試樣本，令橫坐標代表尋址次數，縱坐標代表模型的訪問延時，下圖4為三個組模型應用下的網絡開銷延時測試結果。

圖4 不同模型應用下的網絡開銷延時

此次研究構建的尋址模型，在云信任度評估模塊的幫助下，將平均延時控制在了100ms左右，提高了模型對海量底層資源的尋址效率。而文獻[2]模型與文獻[3]模型應用下，尋址時的平均延時，分別在155ms和175ms左右。可見此次研究構建的尋址模型，尋址效率最佳。

3.2 模型尋址效果測試

保證基本測試條件不變，測試三組尋址模型的尋址效果，如下圖5所示。

圖5 不同模型尋址效果測試

根據圖5中的曲線變化可知，三個模型的節點失效率，逐漸從0增加至50%，

因此在每個失效率處進行500次底層資源尋址，計算模型尋址成功概率。根據實驗測試結果可知，當節點失效率低于20%時，此次研究構建的模型尋址成功率，幾乎沒有受到太大影響，只有約1.8%的下降幅度，高于兩個傳統模型。而當節點失效率達到50%，時，所設計的尋址模型，也能將尋址成功率保持在90%以上，依舊可以用最快的時間，獲取最為精確的底層資源，這是此次研究過程中，搜索算法控制下的尋址邏輯帶來的效果。根據上述測試數據，計算不同測試組的海量底層資源尋址成功率，結果如下表2所示。

表2 尋址效果對比

計算上述統計結果的平均值，可知此次設計模型的是尋址成功率，比兩個傳統模型分別高出了5.54%和5.58%。可見在尋址節點出現失效的情況下，此次構建的模型也有更好的尋址效果。

4 結束語

此次研究在傳統方法的基礎上，結合云信任度評估模塊，完善了原有的尋址模型，并在實驗的證實下，取得了不錯的研究成果。但此次研究還存在一些不足之處，今后的研究工作，可將神經網絡和分類算法應用到尋址模型中，加強模型對海量底層資源的尋址效果。