基于物联网的电子设备由各类传感器、RFID射频器件、通信网络、应用服务及算法组成。传感器采集海洋开发及航运中所需的各类物理数据、RFID通过读写器读取各类设备的电子标签信息,最终通过通信网络传输至信息处理中心,按照业务类型调用不同的算法,最终结果可以通过各类终端(如Android的移动端或PC终端)显示。
随着业务类型的增加,传输的数据量及频率急剧增加,通信网络的性能成为各类物联网设备的瓶颈。本文重点研究了基于无线宽带网络的物联网层次的关键技术,为解决基于物联网电子设备的数据通信瓶颈提供了参考。
1 物联网层次模型基于物联网的电子设备按照数据采集、信号传输、处理及结果显示,可以分为物理层、数据链路通信层及应用层。
物理层中传感器采集具体的物理数据,RFID读写器则读取设备电子标签信息。同时,在物理层需要做模数转换(A/D)、数据冗余校验及编码等,使采集的各类物理设备符合传输标准[1]。
数据链路通信层则通过各类通信网络(无线通信、传感网络及专用网络等)进行数据传输。
应用层完成各类应用的算法处理及结果在终端的显示。
物联网层次结构如图 1所示。
下面按照不同的层次对无线带宽网络的实现进行具体描述。
① 物理层
传感网为分布式多节点结构,首先把传感器节点按照一定的逻辑划分为若干子网络,按照负载均衡原理在一个传输周期内选择一个簇首节点。若某一节点S需要对另一网络中的节点M传输数据,则首先将数据通过子网络的短距离通信网络传输给簇首节点,簇首节点通过网关G传输给另外一子网络的簇首节点,最后传输至节点M[2]。子网中的数据传输由控制器S完成。而网关G则可以通过光纤或IB和无线宽带通信网络网关连接。
物理层的节点数据传输模型如图 2所示。
② 数据链路通信层
数据联网通信层主要实现海洋采集各类数据的远程传输,如舰船将雷达数据传输至海洋军事指挥中心、地形气象数据则传输至各类气象环境部门等。数据链路层的作用是将船舶携带的各类物联网设备通过无线宽带网络(如WiFi、3G/4G、PSTN)等,连接远程的业务中心。这需要船舶物联网设备中物理层数据与无线宽带网络接口及无线宽带网络接口与业务中心接口匹配。在此可以在网关中通过中间件技术实现数据匹配。
现阶段数据链路通信层的核心技术包括路由技术、数据有效融合技术、以及网关寻址技术。当通过海洋无线宽带网络接入物理设备时,通过PCF接入空中接口,并通过三次握手机制确保链路的建立,随后进行数据传输阶段。
网关是整个数据链路通信层的关键,数据汇聚、节点管理、不同网络的数据传输及协议适配都是在网关中实现:
数据汇聚是将需要传输的传感器节点通过簇首节点进行汇聚,然后传输至网关。
协议适配:实现了传感网络数据格式及通信协议、无线宽带网络数据格式及通信协议、远程业务中心的数据格式及通信协议之间适配。
数据传输:当数据汇聚及协议适配完成后,进行数据传输阶段。
节点管理:由于传感器各子网络,及子网中的各节点的传输能力及能量不同,需要进行负载均衡,提高整个无线传感网络节点通信能力利用率,提高整个网络生命周期。
③ 应用层
应用层主要实现各类业务的算法及结果的展示,由各类计算服务器、存储及网络组成。随着海上应用业务类型及数据量的极速增加,基于大数据的业务类型也越来越多。分布式的计算架构、应用程序的并行处理逐渐成为应用层的发展重点。
随着虚拟化技术(virtualization technology)、分布式技术(Distributed Computing)及并行处理技术(Paralled Computing)的发展,基于云计算机及存储平台逐渐成为了应用层服务器的主要实现架构。同时,按照业务实现层次划分,云平台可以划分为物理架构、网络架构及程序服务[3]。
基于云平台的业务层数据架构需要与物联网设备进行连接,为数据通信及程序运行提供统一的接口,同时存储格式、数据处理流程都需要进行量化,其云平台与物联网的连接有如下两方面:
1)利用云平台中的计算及存储资源实现物联网设备的数据处理平台,按照业务类型的不同能够实现各类船舶物联网设备的分类处理。且整个架构具有扩展性强、可靠性高的特点。
2)云平台
云平台中的计算资源及存储资源由于各类业务的数据大小不同,其资源利用效率不高。在构建基于海洋物联网及云平台架构之前,需要对各类业务数据量进行分析归类,并按照分析结果对计算机及存储资源合理的进行虚拟资源划分。同时在程序调度过程中,通过实时的负载监控,利用负载均衡算法实现了云平台各类资源的最大利用。
3 结语本文分析了海洋物联网结构层次,结合无线宽带网络给出了各个层次的关键技术,最后分析了基于云平台的应用层实现。
[1] | 牛新征, 梁帆, 周明天. 基于无线传感器的物联网网络拓扑发现算法研究[J]. 计算机科学, 2012 (4): 35–39. |
[2] | 毛燕琴, 沈苏彬. 物联网信息模型与能力分析[J]. 软件学报, 2014 (8): 45–54. |
[3] | DEAN J, GHEMAWAT S. MapReduce:Simplied data processing on large clusters[C]//Proceeding of the 6th Symposium on Operating System Design and Implementation, New York, 2004:137-150. |