2

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ ...................................................................................................................................... 5

ГЛАВА 1. АНАЛИЗ КОНЦЕПЦИИ ИНТЕРНЕТА ВЕЩЕЙ И ВОЗМОЖНОСТИ

ИСПОЛЬЗОВАНИЯ НЕЧЕТКОЙ ЛОГИКИ В ЕЕ СЕТЯХ .................................................... 14

1.1. Концепция Интернета Вещей .................................................................................. 14

1.1.1. Стандартизация Интернета Вещей ................................................................ 15

1.1.2. Основные принципы Интернета Вещей ........................................................ 16

1.1.3. Фундаментальные характеристики концепции Интернета Вещей ............. 18

1.1.4. Анализ развития концепции Интернета Вещей и основных ее сетей ......... 20

1.1.5. Направления практического применения Интернета Вещей ...................... 21

1.1.6. Планы и прогнозы внедрения Интернета Вещей ......................................... 22

1.2. Основные понятия нечеткой логики ....................................................................... 25

1.2.1. Основные понятия теории нечетких множеств ............................................ 26

1.2.2. Системы нечеткого логического вывода ...................................................... 28

1.2.3. Основные алгоритмы нечеткого логического вывода ................................. 34

1.3. Выводы по первой главе .......................................................................................... 36

ГЛАВА 2. ИССЛЕДОВАНИЕ МОДЕЛЕЙ И МЕТОДОВ ОЦЕНКИ КАЧЕСТВА

ОБСЛУЖИВАНИЯ В СЕТЯХ M2M ДЛЯ СИСТЕМЫ ЭЛЕКТРОННОГО ЗДОРОВЬЯ НА

ОСНОВЕ НЕЧЕТКОЙ ЛОГИКИ ................................................................................................ 37

2.1. Разработка модели и метода оценки качества предоставления услуги

физиологического мониторинга .................................................................................... 37

2.1.1. Модель на основе нечеткой логики ............................................................... 39

2.1.2. Метод построения модели и анализ программного обеспечения на основе

нечеткой логики ........................................................................................................ 45

2.2. Разработка и исследование моделей трафика для нового типа сетей – сетей с

малыми задержками ........................................................................................................ 50

2.2.1. Эволюция требований по качеству обслуживания в сетях связи................ 50

2.2.2. Новые виды трафика и ужесточение требований к задержкам ................... 55

2.2.3. Гигабитные сети доступа ............................................................................... 56

2.2.4. Методы оценки качества обслуживания в сетях с малыми задержками .... 59

2.3. Выводы по второй главе .......................................................................................... 63

3

ГЛАВА 3. ИССЛЕДОВАНИЕ И РАЗРАБОТКА АЛГОРИТМА КЛАСТЕРИЗАЦИИ И

ВЫБОРА ГОЛОВНОГО УЗЛА КЛАСТЕРА ДЛЯ ВСЕПРОНИКАЮЩИХ СЕНСОРНЫХ

СЕТЕЙ С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКОЙ ЛОГИКИ И ДИАГРАММ ВОРОНОГО ... 64

3.1. Основные принципы построения всепроникающих сенсорных сетей ................. 65

3.1.1. Архитектура и состав всепроникающих сенсорных сетей .......................... 65

3.1.2. Типовые архитектуры и топологии всепроникающих сенсорных сетей .... 67

3.2. Приложения всепроникающих сенсорных сетей ................................................... 69

3.3. Разработка алгоритма кластеризации и выбора головного узла кластера для

всепроникающих сенсорных сетей ................................................................................ 73

3.3.1. Анализ существующих алгоритмов кластеризации во всепроникающих

сенсорных сетях ........................................................................................................ 73

3.3.2. Радиомодель сети ............................................................................................ 76

3.3.3. Формирование кластеров с использованием диаграмм Вороного .............. 79

3.3.4. Выбор головного узла кластера на основе нечеткой логики ....................... 79

3.4. Сравнение характеристик разработанного алгоритма с существующими

алгоритмами .................................................................................................................... 85

3.4.1. Настройка параметров имитационного моделирования .............................. 85

3.4.2. Результаты и анализ имитационного моделирования .................................. 85

3.5. Выводы по третьей главе ......................................................................................... 90

ГЛАВА 4. РАЗРАБОТКА МЕТОДА КЛАСТЕРИЗАЦИИ В БЕСПРОВОДНЫХ

НАТЕЛЬНЫХ СЕНСОРНЫХ СЕТЯХ С ПРИМЕНЕНИЕМ НЕЧЕТКОЙ ЛОГИКИ ......... 91

4.1. Анализ современных представлений о беспроводных нательных сенсорных

сетях ................................................................................................................................. 91

4.1.1. История развития стандарта IEEE 802.15.6 и беспроводных нательных

сетей ........................................................................................................................... 91

4.1.2. Требования к беспроводным нательным сенсорным сетям в стандарте

IEEE 802.15.6 ............................................................................................................ 93

4.1.3. Классификация узлов в беспроводных нательных сенсорных сетях .......... 94

4.1.4. Топология беспроводной нательной сенсорной сети .................................. 95

4.2. Разработка модели и метода кластеризации для беспроводных нательных

сенсорных сетей .............................................................................................................. 97

4.2.1. Модель и архитектура беспроводной нательной сенсорной сети ................... 97

4

4.2.2. Разработка метода кластеризации для беспроводных нательных

сенсорных сетей ....................................................................................................... 98

4.2.3. Реализация метода с использованием нечеткой логики ............................ 100

4.2.4. Формирование кластеров ............................................................................. 101

4.2.5. Выбор головного узла кластера на основе нечеткой логики ..................... 102

4.3. Сравнение разработанного метода кластеризации с существующими методами

построения беспроводных нательных сенсорных сетей ........................................... 106

4.3.1. Метрики эффективности предлагаемого метода ........................................ 106

4.3.2. Результаты и анализ моделирования ........................................................... 107

4.4. Выводы по четвертой главе .................................................................................. 110

ЗАКЛЮЧЕНИЕ ........................................................................................................................... 111

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ ............................................ 113

СЛОВАРЬ ТЕРМИНОВ ............................................................................................................. 115

СПИСОК ЛИТЕРАТУРЫ .......................................................................................................... 117

СПИСОК ИЛЛЮСТРАТИВНОГО МАТЕРИАЛА ................................................................ 125

СПИСОК ТАБЛИЦ ..................................................................................................................... 127

Приложение А. Основные виды функций принадлежности, применяемые в теории

нечетких множеств ...................................................................................................................... 128

Приложение Б. Программный код оценки качества предоставления услуги

физиологического мониторинга ................................................................................................ 129

Приложение В. Программный код оценки качества предоставления услуги “Аудио и

видео системы, в том числе для оперативного вмешательства” ........................................... 134

Приложение Г. Программный код моделирования алгоритма кластеризации и выбора

головного узла кластера для всепроникающих сенсорных сетях ......................................... 142

Приложение Д. Программный код моделирования метода кластеризации в беспроводных

нательных сенсорных сетях ....................................................................................................... 155

Приложение Е. Акт о внедрении научных результатов ......................................................... 163

5

ВВЕДЕНИЕ

Актуальность темы диссертации. Для современного уровня формирования

информационного общества характерно интенсивное развитие технологий сетей

пост-NGN и концепции Интернета Вещей (ИВ). Происходит интенсивное развитие

самоорганизующихся сетей связи, в которых абонентами являются не только люди,

но и разнообразные автоматические устройства, которые осуществляют информа-

ционное взаимодействие друг с другом без прямого участия человека в рамках

межмашинной коммуникации (M2M).

Согласно концепции Интернета Вещей и ряду прогнозов в ближайшем буду-

щем в глобальную сеть связи войдет несколько триллионов телекоммуникацион-

ных устройств. Большая часть этих устройств будет так называемыми «вещами»,

то есть, в соответствии с определением международного союза электросвязи, дан-

ным в рекомендации Y.2060, «предметами физического или информационного ми-

ра, которые могут быть идентифицированы и интегрированы в сети связи».

Среди телекоммуникационных устройств, ориентированных не на взаимодей-

ствие между людьми, а на взаимодействие между человеком и некой неодушевлен-

ной «вещью» или между «вещами», значительную долю составляют разнообразные

сенсорные (чувствительные, измерительные) устройства. С помощью, входящих в

их состав сенсоров, они способны получать информацию о различных свойствах

окружающей среды и находящихся в ней объектах, а также передавать эту инфор-

мацию по беспроводным каналам связи другим подобным устройствам. Ряд специ-

фических требований к таким устройствам (низкое потребление электроэнергии,

малая стоимость, простота инсталляции, самоорганизация сети), а также растущая

потребность в таких сетях привели к формированию направления развития сетей

связи – сетей Интернета Вещей.

Концепция Интернета Вещей значительно расширяет область применения сетей

связи и набор предоставляемых ими услуг. Появляются такие сети как, всепрони-

кающие сенсорные сети USN (Ubiquitous Sensor Networks), целевые сети транс-

портных средств VANET (Vehicular Ad Hoc Networks), нательные медицинские се-

ти MBAN (Medical Body Area Networks) и т.д. Появление множества сетей различ-

6

ного назначения приводит к необходимости разработки методов управления (кла-

стеризации, выбора головных узлов кластеров, маршрутизации и др.) ими и пере-

смотру требований к качеству обслуживания QoS (Quality of Service).

В частности, медицинские сети являются одним из важнейших сетей концепции

Интернета Вещей. В работах международного союза электросвязи по стандартиза-

ции сетей связи для предоставления услуг электронного здоровья (e-health) пред-

полагается широко использовать новые технологические достижения в области се-

тей M2M. При этом особое внимание уделяется проблемам стандартизации новых

классов услуг и параметров качества обслуживания. Работы по созданию стандар-

тов для медицинских сетей ведет рабочая группа IEEE 802.15.6. Целью создания

беспроводных нательных сетей (WBAN - Wireless Body Area Network) является

предоставление услуг в области медицины, например удаленный мониторинг со-

стояния жизненных показателей человеческого организма.

Одной из задач построения всепроникающих сенсорных сетей (ВСС) и беспро-

водных нательных сенсорных сетей (БНСС) является выбор их архитектуры. Эф-

фективным способом решения этой задачи является кластеризация сетевой струк-

туры, благодаря которой возможно влиять на основные параметры сети, например,

увеличение жизненного цикла и уменьшение энергопотребления.

В диссертации нечеткая логика будет использована для решения задач в обла-

сти сетей связи, порожденных концепцией Интернета Вещей. В связи с изложен-

ным исследование методов кластеризации и оценки качества обслуживания в сетях

Интернета Вещей на основе методов нечеткой логики представляется актуальным.

Объектом диссертации являются сети Интернета Вещей.

Предметом диссертации являются методы кластеризации и оценки качества

обслуживания в сетях Интернета Вещей.

Степень разработанности темы. Концепция Интернета Вещей и основанные

на ней сети порождают множество разнообразных проблем. Отметим здесь некото-

рые из них, такие как:

эффективность применяемых методов выбора конфигурации сети (методов

кластеризации и алгоритмов выбора головного узла кластера);

7

увеличение периода стабильности и жизненного цикла сети;

уменьшение энергопотребления и увеличение пропускной способности.

обеспечение качества обслуживания при передаче данных;

На данный момент существует довольно большое количество работ в области

темы диссертации, которые можно разделить на три группы:

Первая группа исследовательских работ, в которых рассматриваются вопросы

оценки качества обслуживания для различных классов трафика в сетях M2M для

системы электронного здоровья. В ряде работ зарубежных авторов (H. Lee, K. J.

Park, Y. B. Ko, C. H. Choi, D. M. Shrestha, N. H. Vaidya, L. Sha) в качестве объектов

исследования выбираются параметры задержки, пиковой и средней скорости. На

наш взгляд этого недостаточно из-за отсутствия требований по потерям пакетов. В

данной диссертационной работе разработаны и исследованы моделей и методов

оценки качества обслуживания в сетях M2M для системы электронного здоровья

на основе нечеткой логики.

Вторая группа. На данный момент существует много работ, посвященных во-

просам выбора архитектуры сети. Как правило, эти задачи касаются кластеризации

и выбора головного узла кластера в ВСС. В ряде отечественных и зарубежных ра-

бот кластеризация и выбор головного узла кластера рассматриваются как эффек-

тивный способ продления жизненного цикла и уменьшения энергопотребления для

всепроникающих сенсорных сетей с использованием диаграммы Вороного (Куче-

рявый А. Е., Салим А., Chandrakasan A. P., Balakrishnan H.). Во многих работах

применение теории нечетких множеств и методов нечеткой логики рассматривает-

ся как эффективный способ решения задач кластеризации и выбора головного узла

кластера ВСС (Ben Alla S., Ezzati A., Mohsen A., Hadjila M., Guyennet H., Feham M.,

Jin-Shyan Lee, Senior Member, Wei-Liang Cheng., Karimi A., Abedini S. M., Zarafshan

F., Al-Haddad S.A.R.). В диссертационной работе предложен новый алгоритм, кото-

рый использует для формирования кластеров диаграммы Вороного, а нечеткую ло-

гику для выбора головного узла кластера в ВСС.

Работы третей группы посвящены задачам кластеризации в беспроводных

нательных сенсорных сетях в целях снижения энергопотребления и увеличения

8

пропускной способности сети. В ряде зарубежных работ (Pham Th. H., Nguyen H.

H., Rafatkhah O., Lighvan M. Z., Nadeem Q., Javaid N., Mohammad S. N., Khan M. Y.,

Sarfraz S., Gull M.) рассматривается топология звезды. В данной топологии сенсор-

ный узел должен передавать сигнал достаточно большой мощности, так как коор-

динатор не всегда может находиться рядом. При этом жизненный цикл сенсорных

узлов уменьшается. В данной диссертационной работе разработан новый метод

кластеризации для беспроводных нательных сенсорных сетей с применением не-

четкой логики. Проведено сравнение его эффективности с архитектурой ‘звезда’.

Цель и задачи диссертации. Целью диссертации является разработка и иссле-

дование методов оценки качества обслуживания для системы электронного здоро-

вья в сети M2M, а также методов кластеризации и алгоритмов выбора головного

узла кластера в ВСС и БНСС на основе нечеткой логики.

Для достижения поставленной цели в диссертации решаются следующие задачи:

анализ развития концепции Интернета Вещей и основных ее сетей, а также ос-

новных понятий нечеткой логики;

разработка модели и метода оценки качества представления услуги физиологи-

ческого мониторинга в сети M2M для системы электронного здоровья на основе

нечеткой логики;

разработка и исследование модели для сетей с малыми задержками и метода

оценки качества представления услуги “Аудио и видео системы, в том числе для

оперативного вмешательства” с использованием нечеткой логики;

анализ современного состояния развития всепроникающих сенсорных сетей и

приложений их использования, определение наиболее важных архитектурных

особенностей;

разработка алгоритма кластеризации и выбора головного узла кластера для ВСС

с использованием нечеткой логики и диаграмм Вороного и его сравнение с базо-

выми алгоритмами выбора головных узлов по следующим показателям: жизнен-

ный цикл сети, энергопотребление в сети;

анализ современных представлений о беспроводных нательных сенсорных сетях,

определение наиболее важных топологий;

9

разработка нового метода кластеризации для беспроводных нательных сенсор-

ных сетей и сравнение его эффективности с архитектурой ‘звезда’ по следую-

щим показателям: период стабильности сети, жизненный цикл сети, энергопо-

требление в сети, пропускная способность сети.

Научная новизна. Основные результаты диссертации, обладающие научной

новизной:

1) Предложен метод оценки качества обслуживания для сетей с малыми задержка-

ми, отличающийся от известных использованием для оценки параметров каче-

ства обслуживания в таких сетях теории нечетких множеств и нечеткой логики.

2) Разработан алгоритм кластеризации ВСС на основе нечеткой логики, отличаю-

щийся тем, что центральность расположения сенсорного узла определяется на

основе диаграмм Вороного, за счет чего достигается увеличение жизненного

цикла сети на 90% по сравнению с базовым алгоритмом LEACH и на 70% по

сравнению с наиболее близким по сути алгоритмом Fuzzy C-Means, а также

уменьшение энергопотребления.

3) Разработан новый метод построения БНСС, отличающийся от известного ис-

пользованием кластерной архитектуры, что позволяет существенно увеличить

период стабильности (около трех раз) и жизненный цикл (около двух раз) по

сравнению с архитектурой ‘звезда’. Кроме того, обеспечивается уменьшение

энергопотребления в сети и увеличение пропускной способности сети.

Теоретическая и практическая значимость диссертации.

Теоретическая значимость работы состоит в разработке моделей для новых

услуг в новых сетях связи с малыми задержками и методы оценки качества обслу-

живания для этих сетей на основе использования теории нечетких множеств и не-

четкой логики, в разработке нового алгоритма кластеризации и выбора головного

узла кластера для всепроникающих сенсорных сетей с использованием нечеткой

логики и диаграмм Вороного, основанный на использовании оптимальности диа-

грамм Вороного для выбора центральности расположения сенсорного узла, а также

впервые использована метода кластеризация для построения беспроводных

нательных сенсорных сетей и подтверждена ее эффективность.

10

Практическая значимость диссертационной работы состоит в возможности

научно-обоснованного планирования обеспечения качества обслуживания для

услуг физиологического мониторинга и “Аудио и видео системы, в том числе для

оперативного вмешательства” в сетях с малыми задержками. Использование алго-

ритма кластеризации и выбора головного узла кластера для всепроникающих сен-

сорных сетей на практике существенно увеличивает длительность жизненного

цикла сенсорной сети с одновременным уменьшением энергопотребления. Воз-

можность научно-обоснованного планирования беспроводных нательных сенсор-

ных сетей. Полученные в диссертационной работе результаты использованы в

учебном процессе кафедры сетей связи и передачи данных Санкт-Петербургского

Государственного Университета Телекоммуникаций им. проф. М.А. Бонч-Бруевича

(СПбГУТ) при чтении лекций, проведении практических занятий и лабораторных

работ по курсам “Современные проблемы науки в области телекоммуникаций”,

“Интернет Вещей и самоорганизующиеся сети” и “Математические методы теории

сетей связи и передачи данных”.

Методология и методы диссертации. Методология исследования построена

на общенаучных принципах объективности и всесторонности. В качестве методов

исследования использовались методы преобразования входных данных с использо-

ванием нечеткой логики в продукционных правилах: формирование базы правил,

фаззификация, агрегирование, активизация, аккумуляция, дефаззификация; теория

нечетких множеств; методы математического программирования, методы теории

телетрафика и массового обслуживания. В качестве инструментов имитационного

моделирования использовался программный пакет Fuzzy Logic Toolbox (пакет не-

четкой логики в среде MatLab), а также для обработки результатов моделирования

использовалось программирование в MatLab.

Тематика и область диссертации. Содержание диссертации соответствует

следующим пунктам паспорта специальности 05.12.13 – «Системы, сети и устрой-

ства телекоммуникаций»: п. 2. «Исследование процессов генерации, представления,

передачи, хранения и отображения аналоговой, цифровой, видео-, аудио- и мульти-

медиа информации; разработка рекомендаций по совершенствованию и созданию

11

новых соответствующих алгоритмов и процедур», п. 12. «Разработка методов эф-

фективного использования сетей, систем и устройств телекоммуникаций в различ-

ных отраслях народного хозяйства», п. 14. «Разработка методов исследования, моде-

лирования и проектирования сетей, систем и устройств телекоммуникаций».

Основные положения, выносимые на защиту:

1) Модель и метод оценки качества представления услуги физиологического мо-

ниторинга в сети M2M для системы электронного здоровья на основе теории

нечеткой логики, модель и метод сетей с малыми задержками для оценки каче-

ства представления услуги “Аудио и видео системы, в том числе для оператив-

ного вмешательства” с использованием нечеткой логики;

2) Алгоритм кластеризации и выбора головного узла кластера для всепроникаю-

щих сенсорных сетей с использованием нечеткой логики и диаграмм Вороного;

3) Метод кластеризации и выбора головного узла кластера с применением нечет-

кой логики для беспроводных нательных сенсорных сетей.

Степень достоверности и апробация результатов. Достоверность результа-

тов подтверждается корректным использованием математических методов иссле-

дования и результатами имитационного моделирования. Основные результаты, по-

лученные в диссертационной работе, докладывались и обсуждались на следующих

международных и всероссийских конференциях и семинарах: на семинаре “Инфо-

коммуникационные технологии в цифровом мире”, ЛЭТИ, (Санкт-Петербург,

2012); на международной конференции «INternet of THings and ITs ENablers - The

INTHITEN», SUT, (St.-Petersburg, Russia, 2013); на 14-ой международной конфе-

ренции «Internet of Things, Smart Spaces, and Next Generation Networking NEW2AN»

(St.-Petersburg, Russia, 2014); на 69-й и 70-й конференциях СПбНТОРЭС им. А.С.

Попова (Санкт-Петербург, 2014, 2015); на II-ой и III-ой международных научно-

технических и научно-методических конференциях «Актуальные проблемы инфо-

телекоммуникаций в науке и образовании» СПбГУТ (Санкт-Петербург, 2013,

2014), а также на заседаниях кафедры сетей связи и передачи данных СПбГУТ.

Публикации по теме диссертации. Материалы, отражающие основные ре-

зультаты диссертационной работы, опубликованы в сборниках научно-технических

12

конференций, в том числе международных, а также в журналах отрасли. Всего

опубликовано 11 работ, из них 1 статья в зарубежном научно-техническом сборни-

ке (Scopus), 3 статьи в рецензируемых научных журналах, входящих в перечень

изданий, рекомендуемых ВАК министерства образования и науки Российской Фе-

дерации, 4 статьи в журналах, включенных в РИНЦ и тезисы докладов в количе-

стве 3 в материалах научных конференций.

Структура и объём диссертации. Диссертация включает введение, 4 главы,

заключение, список сокращений и условных обозначений, словарь терминов, спи-

сок литературы, включающий 115 наименований, список иллюстративного матери-

ала, список таблиц и шесть приложений. Основная часть диссертации (без прило-

жений) изложена на 127 страницах машинописного текста, содержит 50 рисунков и

14 таблиц.

Личный вклад автора. Все основные научные положения и результаты дис-

сертации, разработаны и получены автором самостоятельно.

Краткое содержание диссертации. Во введении обоснована актуальность

диссертации; рассмотрено состояние исследуемой проблемы; сформулированы

объект, предмет, цель и задачи диссертации; перечислены основные научные ре-

зультаты диссертации; определена научная новизна; теоретическая и практическая

ценность результатов; методология и методы диссертации; приведена область их

применения; представлены основные положения, выносимые на защиту; приведе-

ны сведения об апробации работы и о публикациях по теме диссертации; описана

структура диссертации и её объем, краткое содержание глав диссертации.

В первой главе диссертации исследованы основные принципы, фундаменталь-

ные характеристики и направления практического применения концепции Интер-

нета Вещей; проведен анализ развития концепции Интернета Вещей и основных ее

сетей. Рассмотрены и исследованы основные понятия теории нечетких множеств;

проанализированы основные понятия нечеткой логики и алгоритмы нечеткого ло-

гического вывода. При использовании теории нечетких множеств и нечеткой логи-

ки в области концепции Интернета Вещей и основных ее сетей наиболее предпо-

чтительным представляется использование алгоритма Мамдани.

13

Вторая глава диссертации посвящена разработке модели и метода оценки ка-

чества предоставления услуги физиологического мониторинга в сети M2M для

электронного здоровья на основе нечеткой логики. Кроме того, вторая глава со-

держит описание модели для сетей с малыми задержками и метод оценки качества

обслуживания предоставления услуги “Аудио и видео системы, в том числе для

оперативного вмешательства” с использованием метода нечеткой логики. Такие се-

ти требуется создавать, например, при внедрении системы электронного здоровья

e-health. С помощью моделирования доказано, что для построения таких сетей тре-

буются гигабитные сети доступа. При разработке моделей и методов показано эф-

фективное использование инструментария нечеткой логики с использованием па-

кета Fuzzy Logic Toolbox вычислительной системы MatLab.

В третьей главе диссертации проведен анализ современного состояния разви-

тия всепроникающих сенсорных сетей; определение наиболее важных архитектур-

ных особенностей и приложений их использования. В основном, третья глава по-

священа разработке алгоритма кластеризации с использованием диаграмм Вороно-

го и выбора головного узла кластера на основе нечеткой логики для ВСС. Проведе-

но его эффективности по сравнению с LEACH и Fuzzy C-Means алгоритмами путем

моделирования по следующим показателям: жизненный цикл сети, энергопотреб-

ление. В качестве инструментов моделирования использовался программный пакет

Fuzzy Logic Toolbox (пакет нечеткой логики в среде MatLab), для обработки ре-

зультатов моделирования использовалось программирование в MatLab.

Четвертая глава диссертации посвящена анализу современных представлений

о беспроводных нательных сенсорных сетях; определению наиболее важных их то-

пологий. В четвертой главе разработан метод кластеризации и выбора головного

узла кластера в БНСС с применением нечеткой логики. Проведено сравнение его

эффективности с архитектурой ‘звезда’ по следующим показателям: период ста-

бильности сети, жизненный цикл сети, энергопотребление в сети, пропускная спо-

собность сети. Для моделирования использовалась вычислительная система MatLab.

В заключении приводится описание основных выводов и научных результатов

диссертации.

14

ГЛАВА 1. АНАЛИЗ КОНЦЕПЦИИ ИНТЕРНЕТА ВЕЩЕЙ И ВОЗМОЖНОСТИ

ИСПОЛЬЗОВАНИЯ НЕЧЕТКОЙ ЛОГИКИ В ЕЕ СЕТЯХ

1.1. Концепция Интернета Вещей

В начале XXI века развитие сетей связи общего пользования (ССОП) происхо-

дило на основе концепции построения сетей связи следующего поколения (NGN –

Next Generation Network). Сама концепция построения NGN предусматривает по-

степенный эволюционный переход от сетей, использующих коммутацию каналов к

сетям с коммутацией пакетов. Эта концепция в настоящее время реализована в ви-

де фрагментов сетей связи или в виде крупномасштабных сетей с коммутацией па-

кетов. Такие сети уже построены практически всеми ведущими операторами связи

в мире. Параллельно с этим процессом в начале XXI века начался процесс конвер-

сии сенсорных сетей и создание теории и практических реализаций, так называе-

мых всепроникающих сенсорных сетей (USN – Ubiquitous Sensor Networks).

Клиентская база, в которой основным конечным потребителем и производите-

лем трафика является человек, пользующийся терминалами в виде фиксированных

и мобильных устройств, исчерпала себя. Обеспечение возможности функциониро-

вания и взаимодействия автоматических устройств между собой без непосред-

ственного участия человека поставили вопрос о необходимости разработки новой

концепции развития ССОП. Оправдавшая себя концепция NGN вместе была рас-

считана на обслуживание единиц и нескольких десятков миллиардов пользовате-

лей. Потенциальная возможность взаимодействия множества различных устройств

между собой заставляет задуматься о построении триллионной сети, т.е. сети, в ко-

торой число пользователей (устройств) будет измеряться единицами и десятками

триллионов. Эта концепция получила название Интернета Вещей (ИВ). [14], [38]

Суть идеи Интернета Вещей состоит в следующем. Предположим, что все

предметы и устройства, в нашем окружении (бытовые приборы, утварь, продукты,

одежда, промышленное оборудование, автомобили и др.) оснащены миниатюрны-

ми контроллерами и сенсорными (чувствительными) устройствами. В таком случае

при наличии возможности организации связи с этими устройствами можно не

только находить эти объекты, их параметры размещения в пространстве и времени,

15

но и осуществлять управление ими, а также использовать получаемую от них ин-

формацию в общей «умной планете». В целом, с точки зрения инфокоммуникаций

Интернет Вещей можно символически представить в виде следующей формулы:

ИВ = Сенсоры (датчики) + Данные + Сети + Услуги (1.1)

Интернет Вещей представляет собой глобальную сеть связи, в которую вклю-

чены компьютеры, датчики (сенсоры) и/или исполнительные устройства (актуа-

торы), которые связываются между собой с использованием интернет протокола

IP (Internet Protocol) или специальных протоколов (например, стека протоколов

ZigBee). [38], [111]

1.1.1. Стандартизация Интернета Вещей

По причине интенсивного развития сетей с коммутацией пакетов, в первую

очередь Интернета в начале 2000-х годов мировое телекоммуникационное сообще-

ство разработало концепцию новой ступени развития коммуникаций – сетей сле-

дующего поколения NGN (Next Generation Networks) [39] и приступило к ее реали-

зации. Технологии построения NGN уже прошли путь развития от гибких комму-

таторов (Softswitch) до подсистем мультимедийной связи IMS (IP Multimedia Sub-

system) и сетей беспроводной связи долговременной эволюции LTE (Long Term

Evolution) [14]. В ходе этого процесса считалось, что основными пользователями

сетей NGN будут люди и следовательно, максимально возможное число пользова-

телей (абонентов) в таких сетях будет определяться численностью населения

нашей планеты [44]. По данным группы консалтинга Cisco IBSG в период с 2008 по

2009 годы количество включенных в Интернет устройств превысило количество

людей, а к 2020 году возрастет до 50 миллиардов как показано на рисунке 1.1. [68]

Таким образом, в настоящее время в эволюции телекоммуникаций происходит

переход от «Интернета людей» к «Интернету Вещей». В рекомендациях серии

МСЭ-Т Y.2ххх, посвященных сетям связи следующего поколения NGN, уже при-

нят ряд основных рекомендаций, посвященных именно Интернету Вещей: Y.2060

«Обзор Интернета Вещей» [104], Y.2063 «Основа WЕВ Вещей» [105] и Y.2069

«Термины и определения Интернета Вещей» [106]. В последнее время также при-

(2.5)

16

нят ряд Рекомендаций МСЭ-Т в смежных областях, которые относятся и Интернета

Вещей (Y.2061, Y.2062, серия Н.642.х, F.747.1 и др.).

Число

подключенных

устройств

Число

подключенных

устройств на

одного человека

Мировое

население

Подключенных устройств

сколько и людей

Рисунок 1.1 – Временная шкала изменения количества людей и предметов,

подключенных к интернету (Источник: Cisco IBSG, апрель 2011 г.)

1.1.2. Основные принципы Интернета Вещей

Интернет Вещей основан на трех основных принципах. Первый принцип – это

широко развитая и распространенная инфокоммуникационная инфраструктура,

второй принцип – глобальная система идентификации каждого из объектов и тре-

тий принцип – возможность каждого объекта получать и отправлять данные через

доступные сети.

Наиболее существенными отличиями Интернета Вещей от Интернета людей

являются:

– центр внимания на вещах, а не на человеке;

– значительно большее количество подключенных элементов (объектов);

– минимальные размеры объектов и относительно невысокие скорости пере-

дачи данных (по крайней мере на начальном этапе);

– центр внимания на получении данных, а не на взаимосвязях объектов (по

крайней мере на начальном этапе развития);

– необходимость формирования новой инфраструктуры и соответствующих

стандартов.

17

В концепции сетей следующего поколения NGN предполагается возможность

взаимосвязи людей (непосредственно или через вычислительные устройства) в

произвольное время и в произвольной точке пространства. Концепция Интернета

Вещей в дополнение к этому включает еще одну возможность – взаимодействие

любых устройств или вещей (рисунок 1.2). [43]

Рисунок 1.2 – Новое направление взаимосвязи, реализуемое Интернетом Вещей

(Источник: МСЭ-Т Y.2060)

Определение Интернета Вещей сформулировано и приведено в документе

МСЭ-Т Y.2060 [104], в соответствие с которым Интернет Вещей – это глобальная

инфраструктура информационного общества, которая обеспечивает передовые

услуги путем организации связей между вещами (физическими или виртуальны-

ми) с использованием существующих и перспективных инфокоммуникационных

технологий.

В данной концепции под «Вещами – Things» понимаются физические объекты

(физические вещи) или объекты виртуального (информационного) мира (вирту-

альная вещь это, например, мультимедийный контент или прикладная програм-

ма). Вещи могут быть идентифицированы и объединены через инфокоммуника-

ционные сети. Кроме данного понятия «вещь», МСЭ-Т также использует понятие

«Устройство – Device». Под этим понимается часть оборудования с обязательны-

ми функциями по обеспечению взаимосвязи и опциональными (необязательными)

функциями по восприятию / зондированию, активации вещи, сбору, обработке и

хранению данных. Из этого следует, что МСЭ-Т уделяет большее внимание сете-

18

вым аспектам, нежели приложениям Интернета Вещей. Схема отображения физи-

ческих и виртуальных Интернет Вещей представлена на рисунке 1.3. [43]

Из рисунка 1.3 видно, что виртуальные вещи могут существовать и без их фи-

зических воплощений. Физическим объектам (вещам) обязательно должен соот-

ветствовать минимально один виртуальный объект. При этом основную роль иг-

рают устройства, которые могут собирать различную информацию (в общем слу-

чае - сенсоры) и передавать её по инфокоммуникационным сетям различными

способами: через шлюзы в сеть связи общего пользования; без шлюзов, но через

сеть связи или напрямую между собой.

Рисунок 1.3 – Схема отображения физических и виртуальных вещей

(Источник: МСЭ-Т Y.2060)

В документе Y.2060 описываются различные сочетания перечисленных спо-

собов взаимоотношений (соединений). Это говорит о том, что МСЭ-Т предусмат-

ривает использование для Интернета Вещей множества разнообразных сетевых

технологий, т.е.: глобальных сетей связи, локальных вычислительных сетей, бес-

проводных самоорганизующихся сетей (ad-hoc) и ячеистых сетей (mesh). Упомя-

нутые сети связи выполняют функции по доставке данных, собранных устрой-

ствами, к соответствующим приложениям, а также для доставки команд от при-

ложений к этим устройствам.

1.1.3. Фундаментальные характеристики концепции Интернета Вещей

В соответствии с рекомендациями МСЭ-Т к таким характеристикам относится

следующее: [24]

19

Связность. Одна из основных характеристик самоорганизующихся сетей.

В [80], например, доказано, что связность в это основной фактор, влияющий на

длительность жизненного цикла беспроводной сенсорной сети. Степень его влия-

ния выше, например, чем влияние мобильности, энергоэффективности и покры-

тия территории. МСЭ-Т определяет связность как возможность любой вещи быть

связанной с глобальной инфокоммуникационной структурой. Связность при этом

также определяется возможностью идентификации вещей (адресное поле IPv6).

Обеспечение вещей услугами. Сеть связи, в обще случае, предназначена для

обеспечения клиентов услугами связи. В отношении вещей предполагается, что

услуги, относящиеся к конкретной вещи как элементу клиентской базы, должны

предоставляться без ограничений для физических и виртуальных вещей. Также

предполагается возможность автономного (в отрыве от иных элементов сети)

предоставления услуг. Следует заметить, что поскольку на/в теле человека также

возможно создание сетей [85], в рамках концепции ИВ предполагается необходи-

мость высококачественного и безопасного предоставления услуг для тела человека.

Гетерогенность. Эта базовая характеристика ИВ дает возможность реализо-

вывать ИВ с применением различных аппаратных средств, программных плат-

форм и сетей. При этом необходимо, чтобы все устройства ИВ имели возмож-

ность взаимодействия с другими устройствами (в том числе и ИВ) через различ-

ные сети связи.

Динамические изменения. Состояние ИВ может изменяться динамически,

например, переходя от спящего состояния к активному, от связанного в определен-

ный момент времени с сетью – к несвязанному и т.д. Число вещей, их местополо-

жение, характер движения, скорость и т.п. также могут динамически изменяться.

Именно эта базовая характеристика ИВ приводит к необходимости пересмотра

принципов построения сети, которые изменяются от существующих инфраструк-

турных принципов на самоорганизующиеся. Самоорганизация в широком смысле

этого слова подразумевает не только случайное число узлов сети и взаимосвязей

между ними в любой конкретный момент времени, но автоматическое управление,

конфигурирование, самотестирование, самозащиту, самооптимизацию и т.п.

20

Огромная шкала вещей. Как было отмечено выше, в соответствии с совре-

менными представлениями речь идет о десятках триллионов вещей, что и позво-

ляет говорить о триллионных сетях.

1.1.4. Анализ развития концепции Интернета Вещей и основных ее сетей

Предложенная и стандартизованная МСЭ-Т в рекомендациях серии

Y.206x [104], [105], [106] концепция Интернета Вещей (IoT – Internet of Things),

принципиально изменила представление научного и инженерного сообщества о

сетях связи, как в количественном, так и в качественном отношении. В соответ-

ствии с рекомендацией Y.2060 ИВ могут быть как физическими, так и виртуаль-

ными. Предполагается, что виртуальные вещи существуют в информационном

мире, в то время как физические, естественно, – в физическом. Для того чтобы

объект физического или информационного мира мог быть отнесен к Интернету

Вещей необходимо, чтобы этот объект можно было идентифицировать и интегри-

ровать в сети связи. Данное определение вещей приводит к оценкам числа вещей в

сетях Интернета Вещей в триллионы единиц: к 2017-2020 годам прогнозируется 7

триллионов вещей [110], а уровень насыщения оценивается в 50 триллионов ве-

щей [112]. Существующие ранее инфраструктурные сети строились из расчета на

несколько миллиардов, в крайнем случае, на несколько десятков миллиардов поль-

зователей.

При реализации концепции Интернета Вещей речь идет о принципиально

ином масштабе сети связи. Такая сеть уже получила название триллионной се-

ти [31]. Принципы построения триллионной сети существенным образом отлича-

ются от принципов построения традиционных инфраструктурных сетей связи.

Триллионные сети используют принципы самоорганизации, т.е. являются сетями,

в которых и число узлов, и связи между узлами являются случайными величина-

ми, которые изменяются во времени [26], [27]. Следует заметить, что такое боль-

шое число узлов в триллионных сетях приводит к широкому использованию кла-

стерной организации сетей, в которой одной из важных задач является выбор

структуры кластера и головного узла кластера [1], [2], [6], [23], [60], [80]. Важной

21

особенностью таких сетей также является их возможный когнитивный харак-

тер [36].

Концепция Интернета Вещей [75] существенно расширяет область примене-

ния сетей связи и предоставляемых ими услуг. В ней появляются новые виды се-

тей, такие как всепроникающие сенсорные сети USN (Ubiquitous Sensor

Networks) [14], [26], [35], [79], [107]; целевые сети для транспортных средств

VANET (Vehicular Ad Hoc Networks) [14], [26], [83]; медицинские нательные сети

MBAN (Medical Body Area Networks) [3], [4], [59], [82], [85] и т.д.

Сейчас развитие сетей для физических вещей Интернета Вещей опережает

развитие сетей для Интернета Вещей информационного мира в силу того, что

концептуально, например, USN и VANET были проработаны раньше, чем возник-

ла всеобъемлющая концепция Интернета Вещей. Многие из этих сетей уже нахо-

дятся уже на стадии внедрения. Для таких и подобных сетей получило широкое

распространение название сети машина-машина M2M (Machine-to-

Machine) [7], [47], [81], [96], [108]. Именно такие сети охватывают объекты физи-

ческого мира концепции Интернета Вещей.

1.1.5. Направления практического применения Интернета Вещей

На основе Интернета Вещей, возможно, реализовать различные «умные» при-

ложения во всевозможных сферах деятельности и областях жизни человека (ри-

сунок 1.4): [43]

• «Умная планета» – человек всегда сможет своевременно реагировать на мно-

гие экологические проблемы (например: упущения в планировании хозяйств, за-

грязнения) и, следовательно, более рационально распоряжаться невозобновляе-

мыми ресурсами.

• «Умный город» – городская инфраструктура и муниципальные услуги, (об-

разование, здравоохранение, Жилищно-коммунальное хозяйство (ЖКХ), обще-

ственная безопасность) будут лучше взаимосвязаны и эффективны [42].

• «Умный дом» – система, способная распознавать различные ситуации, про-

исходящие в доме, и реагировать на них соответствующим образом, что обеспе-

22

чит безопасность и комфорт жильцов, а так же будет способствовать лучшему

сбережению ресурсов.

• «Умная энергетика» – обеспечение надежной и качественной передачи элек-

тричества от источника к потребителю в нужное время и в необходимом количе-

стве.

• «Умный транспорт» – увеличение скорости перемещения пассажиров из од-

ной точки пространства в другую, а так же повышение их безопасности.

• «Умная медицина» – возможность для врачей и пациентов получить удален-

ный доступ к дорогостоящему медицинскому оборудованию или к электронной

истории болезни в любом месте, реализация системы удаленного мониторинга

здоровья, автоматизированная выдача препаратов больным и многое другое.

Рисунок 1.4 – Умные приложения на основе Интернета Вещей

1.1.6. Планы и прогнозы внедрения Интернета Вещей

Возможности Интернета Вещей в генерировании, сборе, передаче, анализе и

распределении огромного объема данных в мировом масштабе предоставят чело-

вечеству возможность, получить новые знания, необходимые не только для вы-

живания, но и для полноценного процветания на протяжении многих веков. Под-

тверждение этому – включение Интернета Вещей в список прорывных техноло-

23

гий в США и стал одной из семи формирующихся стратегических отраслей про-

мышленности в Китае. [38]

Единые стандарты только начинают появляться, но масштабные проекты в

направлении «Интернета Вещей» энергично развиваются уже сейчас. Так, амери-

канское агентство NASA при поддержке компании Cisco создает систему гло-

бального сбора данных о Земле «Кожа планеты» (Planetary skin). «Умные» дома

становятся все более популярны по всему миру, а в Японии уже не редкость «ум-

ные» заводы.

В разных странах существуют конкретные программы и планы практического

внедрения Интернета Вещей. Так, программа по развитию ИВ в Евросоюзе вклю-

чает 14 направлений. В будущем времени активно ведутся разработки в Россий-

ской Федерации, Японии, Великобритании, Р. Корея, Австралии и других странах.

На рисунке 1.5 приведен прогноз развития мирового Интернета Вещей в 2010-

2020 гг. [18], [49]

Рисунок 1.5 – Прогноз развития мирового рынка Интернета Вещей в 2010-2020 гг.

(Источник: J'son & Partners Consulting, 2013)

Определить размер рынка Интернета Вещей сложно, так как существует мно-

жество определений Интернета Вещей, каждое из которых претендует на большую

системность и полноту. В рамках исследования, проведенного J'son & Partners, под

рынком Интернета Вещей понимается совокупность рынков оборудования, техно-

логий и услуг, обеспечивающих межмашинную связь: RFID (Radio Frequency Iden-

tification – радиочастотная идентификация); сенсоры; шлюзы; облачные услуги;

24

NFC-сенсоры (Near field communication – коммуникация ближнего поля); (СЕР –

Соmрleх Еvent Processing) системы для обработки сложных событий; SСАDА-

приложения (Supervisory Control And Data Acquisition – диспетчерское управление

и сбор данных); ZigBee-устройства; и IDS (Intrusion Detection Systems – системы

обнаружения вторжений).

Эксперты J'son & Partners использовали оценки, полученные на основе анализа

и компиляции прогнозов ряда агентств, таких как GSMA, Harbor Research, ABI

Research и т.д. По оценкам J'son & Partners, в 2013-м объем мирового рынка Ин-

тернета Вещей составил 98 млрд. долл. и 14,3 млрд. устройств, а к 2020-му вырас-

тет до 359 млрд. долл. и 34,2 млрд. устройств. При этом основную долю в объеме

мирового рынка Интернета Вещей занимают технологии RFID (27%), сенсо-

ры/датчики (18%) и NFC-сенсоры (13%) (рисунок 1.6). [17]

Рисунок 1.6 – Структура мирового рынка приложений ИВ

(Источник: J'son & Partners, 2013)

25

1.2. Основные понятия нечеткой логики

Нечеткая логика появилась в 1965 году, когда американский математик и ло-

гик Лотфи Заде опубликовал свой фундаментальный труд «Fuzzy sets» [113]. Заде

является не просто основателем научной теории, он практически сразу прорабо-

тал многие варианты ее практического применения. Он описал свой подход в

1973 году в тексте «Outline of a New Approach to the Analysis of Complex Systems

and Decision Processes» (опубликованном в журнале IEEE Transactions on Sys-

tems) [114]. Примечательно, что сразу после его выхода одна предприимчивая

датская фирма весьма успешно применила изложенные в нем принципы для усо-

вершенствования своей системы управления сложным производственным процес-

сом.

Основная идея нечеткой логики состоит в том, что интеллектуальный способ

рассуждений, опирающийся на естественный язык общения человека, не может

быть описан традиционными математическими формулами. Формальному подхо-

ду присуща строгая однозначность интерпретации, а все, что связано с примене-

нием естественного языка, имеет многозначную интерпретацию.

Нечеткая логика предназначена для формализации человеческих способностей

к неточным или приближенным рассуждениям, которые позволяют более адек-

ватно описывать ситуации с неопределенностью. Классическая логика по своей

сути игнорирует проблему неопределенности, поскольку все высказывания и рас-

суждения в формальных логических системах могут иметь только значение "ис-

тина" (И, 1) или значение "ложь" (Л, 0). В отличие от этого в нечеткой логике ис-

тинность рассуждений оценивается в некоторой степени, которая может прини-

мать и другие отличные {И, Л} значения.

Л. Заде вводит понятие нечеткого множества и наряду с этим он также предла-

гает обобщить классическую логику с помощью бесконечного множества значений

истинности. В теории нечеткой логики истинные значения высказываний могут

принимать любые значения истинности из интервала действительных чисел [0 ; 1].

Это положение позволяет построить логическую систему, в которой можно делать

суждения с неопределенностью и оценивать степень истинности высказываний.

26

Одним из понятий нечеткой логики является понятие элементарного нечетко-

го высказывания. Элементарное нечеткое высказывание представляет собой по-

вествовательное предложение, которое выражает законченную мысль, относи-

тельно которой можно судить об ее истинности или ложности с некоторой опре-

деленной степенью уверенности.

1.2.1. Основные понятия теории нечетких множеств

Рассмотрим ряд понятий, являющихся базовыми для теории нечетких мно-

жеств [54], [64], [93], [94]. Нечетким множеством называется совокупность упо-

рядоченных пар или кортежей:

{⟨ | ( )⟩}

где – элемент некоторого универсального множества или универсума , ( ) –

функция принадлежности, которая ставит в соответствие каждому некото-

рое действительное число из замкнутого интервала [0 ; 1], т.е. данная функция

определяется в форме отображения:

( )

Нечеткая переменная определяется как кортеж:

⟨ ⟩

где – наименование нечеткой переменной; – область ее определения (универ-

сум); {⟨ | ( )⟩} – нечеткое множество , описывающее возможные значе-

ния, которые может принимать нечеткая переменная .

Лингвистическая переменная определяется как кортеж:

⟨ ⟩

где: – наименование лингвистической переменной; – базовое терм-множество

лингвистической переменной или множество ее значений (термов), каждое из ко-

торых представляет собой наименование отдельной нечеткой переменной ; –

область определения (универсум) нечетких переменных, которые входят в опре-

деление лингвистической переменной ; – некоторая синтаксическая процеду-

ра, которая описывает процесс образования из множества новых, осмысленных

в рассматриваемом контексте значений для данной лингвистической переменной;

(1.2)

(1.3)

(1.4)

(1.5)

27

– семантическая процедура, которая позволяет поставить в соответствие каж-

дому новому значению данной лингвистической переменной, получаемому с по-

мощью процедуры , некоторое осмысленное содержание посредством формиро-

вания соответствующего нечеткого множества.

Множество допустимых значений лингвистической переменной называется

терм-множеством. Термом называется любой элемент терм-множества. В теории

нечетких множеств терм формализуется нечетким множеством с помощью функ-

ции принадлежности.

Основным инструментом аппарата нечеткой логики является функция при-

надлежности. Это инструмент перевода лингвистических переменных на матема-

тический язык для дальнейшего применения метода нечетких множеств. Функци-

ей принадлежности ( ) является некая математическая функция, задающая

степень или уверенность, с которой элементы некоторого множества принадле-

жат заданному нечеткому множеству . Чем больше аргумент соответствует не-

четкому множеству , тем больше значение ( ), т.е. тем ближе значение аргу-

мента к единице.

Функция принадлежности показывает степень принадлежности каждого эле-

мента классического множества к данному нечеткому множеству. Для данного

пространства рассуждения и данной функции принадлежности ,

нечеткое множество определяется как:

{⟨( ( ))| ⟩}

Значение ( ) , говорит о том, что элемент не включен в нечеткое мно-

жество, значение ( ) означает, что элемент множества абсолютно при-

надлежит ему. Промежуточные значения характеризуют степень принадлежно-

сти элементов, нечетко включенных в рассматриваемое множество. Основные

типы функций принадлежности: кусочно-линейные (треугольная, трапециевид-

ная), Z-образная и S-образная (к ним относятся также сигмоидальная, линейные

Z-образная и S-образная), П-образная (кривые, которые напоминают по форме

колокол, сглаженную трапецию, букву “П”). [21], [33]

(1.6)

28

1.2.2. Системы нечеткого логического вывода

Нечеткая логика (НЛ) подразумевает проведение операции нечеткого логиче-

ского вывода, основой которого является база правил, а также функция принад-

лежности лингвистических терм. Результатом является четкое значение перемен-

ной. Нечетким логическим выводом называется аппроксимация зависимости

( ) с помощью нечеткой базы знаний и операций над нечеткими

множествами.

Для того что бы выполнить нечеткий логический вывод необходимы следую-

щие условия: [53]

– должно существовать как минимум одно правило для каждого лингвистиче-

ского терма выходной переменной;

– для любого терма входной переменной должно быть хотя бы одно правило, в

которой этот терм используется в качестве предпосылки;

– между правилами не должно быть противоречий и корреляции.

На рисунке 1.7 изображена последовательность действий при использовании

процесса нечеткого логического вывода.

Формирование базы правил

Входные данные

Фаззификация

Агрегирование подусловий

Активизация подзаключений

Аккумулирование заключений

Дефаззификация Выходные

данные

Рисунок 1.7 – Последовательность действий при использовании

процесса нечеткого логического вывода

Центральное место в нечеткой логике занимает нечеткий логический вывод в

системах нечеткого управления. Процесс нечеткого вывода представляет собой

процедуру или алгоритм получения нечетких заключений на основе нечетких

условий или предпосылок.

29

Системы нечеткого логического вывода можно рассматривать как частный

случай так называемых продукционных нечетких систем. В таких системах усло-

вия и логические заключения различных правил формулируются в виде нечетких

высказываний сделанных относительно значений некоторых лингвистических пе-

ременных. Разработка и применение систем нечеткого логического вывода состо-

ит из нескольких этапов, реализация которых производится с помощью рассмот-

ренных выше основных положений теории нечетких множеств.

На вход системы нечеткого логического вывода подаются входные перемен-

ные, которые несут информацию, полученную каким-либо образом, например,

путем измерения некоторой физической величины. Эти переменные рассматри-

ваются как реальные переменные процесса управления. На выходе системы

управления формируются управляющие переменные нечеткого логического вы-

вода. Таким образом, системы нечеткого логического вывода производят преоб-

разование значений входных переменных процесса управления в выходные пере-

менные на основе определенных нечетких правил продукций. Наиболее часто ис-

пользуется в системах нечеткого логического вывода простейший вариант прави-

ла нечеткой продукции, который, записывается в форме:

ПРАВИЛО<#>: ЕСЛИ “β1 есть α1”,ТО “β2 есть α2”

В (1.7) нечеткое высказывание “β1 есть α1” представляет собой условие данно-

го правила нечеткой продукции. Нечеткое высказывание “β2 есть α2” – это нечет-

кое заключение данного правила. Они сформулированы в терминах нечетких

лингвистических высказываний. При этом предполагается, что β1 ≠ β2.

Основные этапы получения нечеткого логического вывода и особенности

каждого из этапов более подробно рассмотрены ниже: [50]

1) Формирование базы правил. База правил систем нечеткого логического вы-

вода предназначена для формального описания эмпирических знаний или знаний

экспертов в той или иной проблемной области и представляет собой совокупность

правил нечетких продукций вида:

ПРАВИЛО_1: ЕСЛИ “Условие _1”,ТО “Заключение_1”(F1)

ПРАВИЛО_2: ЕСЛИ “Условие _2”,ТО “Заключение_2”(F2)

…

ПРАВИЛО_n: ЕСЛИ “Условие _n”,ТО “Заключение_n”(Fn)

(1.8)

(1.7)

30

где Fi (i принадлежит {1, 2, …, n}) это коэффициенты определенности или весовые

коэффициенты соответствующих правил. Они могут принимать значения из ин-

тервала [0 ; 1]. Если не указано иного, то Fi=1.

База правил считается заданной, если для нее определено множество правил

нечетких продукций, а также множество входных лингвистических переменных и

множество выходных лингвистических переменных.

2) Фаззификация (введение нечеткости) является процессом или процедурой

получения значений функций принадлежности нечетких множеств (термов) на

основе заданных (четких) исходных данных. В результате завершения этого этапа

для всех входных переменных должны быть определены конкретные значения

функций принадлежности для каждого из лингвистических термов, используемых

в наборе условий базы правил системы нечеткого логического вывода.

3) Агрегирование это процедура в ходе, которой определяется степень истин-

ности условий по каждому из правил системы нечеткого логического вывода. Ко-

гда условие правила имеет простую форму, то его истинность равна соответству-

ющему значению функции принадлежности входной переменной к терму, кото-

рый используется в данном условии. Если условие состоит из нескольких под-

условий вида:

ПРАВИЛО<#>: ЕСЛИ “β1 есть α1” И “β2 есть α2”,ТО “β3 есть ν”, или

ПРАВИЛО<#>: ЕСЛИ “β1 есть α1” ИЛИ “β2 есть α2”,,ТО “β3 есть ν”,

то определяется степень истинности сложного высказывания. Она определяет-

ся на основе известных значений истинности подусловий. При этом применяются

соответствующие выражения для выполнения операций нечеткой конъюнкции и

нечеткой дизъюнкции:

Операция нечеткой логической конъюнкции (И)

( ) { ( ) ( )}

Операция нечеткой логической дизъюнкции (ИЛИ)

( ) { ( ) ( )}

4) Активизация это процесс нахождения степени истинности каждого из подза-

ключений правил нечетких продукций. Перед началом данного этапа предполага-

(1.9)

(1.10)

(1.11)

31

ется, что известны степень истинности и весовой коэффициент (Fi) для каждого из

правил. Далее рассматривается каждое из заключений правил системы нечеткого

логического вывода. Когда заключение правила представляет собой одно нечеткое

высказывание, степень его истинности приравнивается алгебраическому произве-

дению соответствующей степени истинности условия на весовой коэффициент.

Когда заключение состоит из нескольких подзаключений вида:

ПРАВИЛО<#>: ЕСЛИ “β1 есть α1” ТО “β2 есть α2” И “β3 есть ν”, или

ПРАВИЛО<#>: ЕСЛИ “β1 есть α1” ТО “β2 есть α2” ИЛИ “β3 есть ν”,

то степень истинности каждого из подзаключений равна алгебраическому произ-

ведению соответствующего значения степени истинности условия на весовой ко-

эффициент.

5) Аккумуляция является процессом нахождения функции принадлежности

для каждой из выходных лингвистических переменных. Цель этапа аккумуляции

– объединить все степени истинности заключений (подзаключений) для получе-

ния функции принадлежности каждой из выходных переменных. Необходимость

этого этапа заключается в том, что подзаключения, которые относятся к одной и

той же выходной лингвистической переменной, принадлежат различным прави-

лам системы нечеткого логического вывода. Объединение нечетких множеств

производят при помощи выражения:

{ },

где – модальное значение (мода) нечеткого множества, соответствующего вы-

ходной переменной после этапа аккумуляции, полученное в соответствии с выра-

жением:

{ ( )}

6) Дефаззификация (приведение к четкости) представляет собой процедуру

определения обычного (четкого) значения для каждой из выходных лингвистиче-

ских переменных. Цель этого этапа заключается в том, чтобы, используя резуль-

таты аккумуляции всех выходных лингвистических переменных, получить обыч-

ное количественное значение каждой из выходных переменных. Это значение

может быть использовано специальными устройствами, внешними по отношению

(1.12)

(1.13)

(1.14)

32

к системе нечеткого логического вывода. Для выполнения численных расчетов на

завершающем данном этапе могут быть использованы следующие методы дефаз-

зификации (рисунок 1.8):

1

0 2 3 4 5 6

0

7 8 9 101

Наименьший из максимумов Наибольший из максимумов Центр площади

Центр максимумов Центр тяжести

Рисунок 1.8 – Основные методы дефаззификации

1. Метод центра тяжести (Centre of Gravity) считается одним из самых простых

по вычислительной сложности, но достаточно точным методом. Расчет произво-

дится по формуле:

( ( )) ∫ ( )

∫ ( )

где – это результат дефаззификации (точное значение выходной переменной);

– границы интервала носителя нечеткого множества выходной пере-

менной; ( ) – функция принадлежности нечеткого множества, соответствующе-

го выходной переменной после этапа аккумуляции.

Для дискретного варианта:

∑ ( )

∑ ( )

где – число элементов в области для вычисления «центра тяжести».

2. Метод центра площади (Centre of Area):

∫ ( )

∫ ( )

(1.15)

(1.16)

(1.17)

33

где – это результат дефаззификации (точное значение выходной переменной);

Min и Max – левая и правая точка носителя нечеткого множества выходной пере-

менной; ( ) – функция принадлежности нечеткого множества, соответствующе-

го выходной переменной после этапа аккумуляции.

3. Метод “ центр максимумов ” вычисляется по формуле:

∫

∫

{ | ( ) ⏟

( )}

где – это результат дефаззификации (точное значение выходной переменной);

– базовое пространство выходной переменной, ; ( ) – функция принад-

лежности нечеткого множества, соответствующего выходной переменной после

этапа аккумуляции; Max – правая точка носителя нечеткого множества выходной

переменной.

4. Метод “наименьший из максимумов” предполагает определение наимень-

шего значения, при котором достигается максимум нечеткого множества выход-

ной переменной:

( | ( ) ⏟

( ))

где – это результат дефаззификации (точное значение выходной переменной);

– базовое пространство выходной переменной, ; ( ) – функция принад-

лежности нечеткого множества, соответствующего выходной переменной после

этапа аккумуляции. Min и Max – левая и правая точка носителя нечеткого множе-

ства выходной переменной.

5. Метод “ наибольший из максимумов ”

( | ( ) ⏟

( ))

где – это результат дефаззификации (точное значение выходной переменной);

– базовое пространство выходной переменной, ; ( ) – функция принад-

лежности нечеткого множества, соответствующего выходной переменной после

этапа аккумуляции. Max – правая точка носителя нечеткого множества выходной

переменной.

(1.18)

(1.19)

(1.20)

34

1.2.3. Основные алгоритмы нечеткого логического вывода

Рассмотренные выше этапы системы нечеткого логического вывода могут ре-

ализовываться неоднозначным образом. К настоящему времени предложено не-

сколько алгоритмов нечеткого логического вывода. Комплексная схема для не-

четкого логического вывода показана на рисунке 1.9.

Входные значения (четкие)

ЕСЛИ А ИЛИ В , ТО D

ЕСЛИ А И В , ТО С

Правило 1

Фаззификация с применением

функций принадлежности

Треугольная

Трапециевидная

Сигмоидальная

Z-образная

S-образная

П-образная и т.д.

Правило n

Типы функций

принадлежности

Входные переменные

(нечеткие)

Выходная переменная (нечеткая)

Входное

значение

(четкое)

- Алгоритм Мамдани (Mamdani)

- Алгоритм Такаги-Сугэно (Takagi-Sugeno)

- Алгоритм Ларсена (Larsen)

- Алгоритм Цукамото (Tsukamoto)

Алгоритмы импликации

(нечеткого логического вывода)

- центр тяжести; - центра площади;

- наименьший из максимумов;

- наибольший из максимумов;

- центр максимумов.

Треугольной нормой

(t-нормой)

Методы дефаззификации

Агрегирование

Дефаззификация

Процесс нечеткой импликации

стандартное пересечение

пересечение по Заде

вероятностное пересечение

пересечение по Лукасевичу

стандартное объединение

объединение по Заде

вероятностное объединение

объединение по Лукасевичу

Треугольной конормой

(s-нормой)

Неч

етк

ий

логи

ческ

ий

вы

вод

Рисунок 1.9 – Комплексная схема для нечеткого логического вывода

35

Наиболее распространены четыре алгоритма нечеткого логического вывода,

которые уточняются до оператора нечеткой импликации:

1. В алгоритме нечеткого логического вывода по Мамдани (Mamdani) импли-

кация моделируется минимумом, а агрегация максимумом. Можно назвать эту

схему базовой для всех остальных, так как исторически она была первой.

2. Алгоритм Цукамото (Tsukamoto) представляет собой модификацию схемы

Мамдани, но предназначен только для монотонных функций принадлежности, по-

этому вычисления выходной переменной сводятся к усреднению значений, полу-

ченных по разным правилам.

3. Алгоритм Такаги-Сугэно (Takagi-Sugeno) в отличие от схемы Мамдани

ограничивает правые части правил вывода линейным случаем.

4. Алгоритм по Ларсену (Larsen) в отличие от Мамдани выполняет имплика-

цию с помощью произведения.

Наибольшее распространение получил алгоритм Мамдани, преимуществом

которого является то, что созданные на его основе нечеткие базы знаний являются

прозрачными и интуитивно понятными, тогда как при использовании других ал-

горитмов возникает сложность при выборе линейных зависимостей между иссле-

дуемыми параметрами.

36

1.3. Выводы по первой главе

1. Исследованы основные принципы, фундаментальные характеристики и направле-

ния практического применения концепции Интернета Вещей, проведен анализ развития

концепции Интернета Вещей и основных ее сетей.

2. Создание и внедрение концепции Интернета Вещей обеспечит общество новыми,

ранее недоступными услугами сетей связи по контролю и управлению за любыми веща-

ми. Реализация концепции Интернета Вещей требует создания самоорганизующихся се-

тей, которые, в отличие от существующих инфраструктурных, имеют триллионную кли-

ентскую базу и более подобны живому миру, чем этим сетям.

3. С середины 1960-х гг. начали проводиться исследования по созданию интеллекту-

альных систем, способных адекватно взаимодействовать с человеком. Значимый шаг в

этом направлении был сделан около полувека назад профессором Калифорнийского

университета (Беркли) Лотфи А. Заде. Его работа «Fuzzy Sets», опубликованная в 1965 г.

в журнале Information and Control, определила основы моделирования интеллектуальной

деятельности человека. За публикацией Заде последовало бурное развитие теории не-

четких множеств и нечеткой логики. Появилось понятие «мягких вычислений» что при-

вело к тому, что в математическом моделировании стало возможным использовать каче-

ственные элементы в виде понятий и отношений с нечеткими границами, логических

высказываний с многозначной шкалой истинности и расплывчатых (нечетких) количе-

ственных оценок. Это позволило расширить возможности в части использования раз-

личных видов неопределённости, для описания которых ранее в моделях применялись

методы теории вероятностей и математической статистики.

4. Проанализированы основные понятия нечеткой логики понятия, теории нечетких

множеств и алгоритмы нечеткого логического вывода. При использовании теории не-

четких множеств и нечеткой логики в области концепции Интернета Вещей и основных

ее сетей наиболее предпочтительным представляется использование алгоритма Мамда-

ни, преимуществом которого является то, что созданные на его основе базы знаний яв-

ляются прозрачными и интуитивно понятными, тогда как при использовании других ал-

горитмов возникает сложность при выборе линейных зависимостей между исследуемы-

ми параметрами.

37

ГЛАВА 2. ИССЛЕДОВАНИЕ МОДЕЛЕЙ И МЕТОДОВ ОЦЕНКИ КАЧЕСТВА

ОБСЛУЖИВАНИЯ В СЕТЯХ M2M ДЛЯ СИСТЕМЫ ЭЛЕКТРОННОГО

ЗДОРОВЬЯ НА ОСНОВЕ НЕЧЕТКОЙ ЛОГИКИ

Концепция Интернета Вещей реализуется во множестве приложений, среди

которых одними из наиболее важных являются медицинские сети [14], [26]. Ме-

дицинские сети создают информационно-технологическую базу для реализации

системы электронного здоровья (e-здоровье, e-health), которая охватывает не

только ставшую уже традиционной телемедицину, но и такие подсистемы как,

например, мобильное здоровье (m-health) [76].

2.1. Разработка модели и метода оценки качества предоставления услуги

физиологического мониторинга

Одним из важнейших сетей концепции Интернета Вещей являются медицин-

ские сети. В работах МСЭ по стандартизации сетей связи для предоставления услуг

системы электронного здоровья предполагается широко использовать новые тех-

нологические достижения в области построения сетей M2M. Также уделяется

большое внимание вопросам стандартизации новых классов услуг и параметров

качества обслуживания. Традиционно проблемы качества обслуживания находи-

лись и сейчас находятся в центре внимания сектора стандартизации телекоммуни-

каций МСЭ. В рекомендациях МСЭ-Т по определению и разработке классов и па-

раметров качества обслуживания для сетей M2M, используемых для предоставле-

ния услуг в системе e-health [65] определены новые классы обслуживания и пара-

метры для сетей связи (таблица 2.1).

Таблица 2.1 – Требования МСЭ-Т по классам и параметрам качества обслуживания для

услуг системы электронного здоровья (e-health)

Услуга системы электронного

здоровья (e-health) Скорость передачи Задержки

Потери

пакетов

Физиологический мониторинг в

реальном времени 10 – 100 кбит/с < 300 мс 10

-6

Аудио и видео системы, в том

числе для оперативного

вмешательства

10 кбит/с – 1 Мб/c 10 – 250 мс 10-4

Доступ к базе данных пациента

(например, с мобильного

устройства)

1 – 10 Мб/с < 1 с

Услуга

толерантна

к потерям

38

В данной главе предлагаются модель и метод оценки качества предоставления

услуги физиологического мониторинга, как одной из подсистем мобильного здоро-

вья, на основе использования возможностей нечеткой логики. Сети связи общего

пользования создаются на основе требований к классам и параметрам качества об-

служивания, предложенным в рекомендации Y.1541 [101].

Однако стремительное развитие новых технологий в ряде случаев приводит к

отставанию процесса стандартизации от процесса развития и внедрения новых

услуг. Так, например, в рекомендации Y.1541 отсутствуют требованию к парамет-

рам задержки для таких приложений как игры в реальном времени. Эта величина

определена только в документах 3GPP [55] и составляет 50 мс, что в два раза

меньше, чем требования к минимальным задержкам в рекомендации Y.1541. С це-

лью недопущения двоякого толкования требований для системы e-health в МСЭ-Т

была создана специальная группа по разработке рекомендаций для межмашинного

взаимодействия (M2M), в том числе и для системы e-health. К настоящему времени

этой группой были разработаны временные рекомендации по классам и парамет-

рам качества обслуживания для подсистемы мобильного здоровья [65].

В некоторых публикациях [86], [92] в исследованиях рассматриваются пара-

метры задержки, пиковой и средней скорости передачи данных, что на наш взгляд

недостаточно из-за отсутствия требований к коэффициенту потерь пакетов. В ре-

комендациях МСЭ-Т рассматриваются следующие услуги подсистемы мобильно-

го здоровья: физиологический мониторинг в реальном времени, медицинские си-

стемы аудио и видеоконференцсвязи, доступ к базам данных о здоровье пациента

и медицинским данным и файлам, удаленное управление медицинскими робота-

ми. Для предметного исследования в данной главе выбрана услуга физиологиче-

ского мониторинга в реальном времени.

В качестве параметров для предоставления услуги физиологического монито-

ринга в [65] предложены скорость передачи информации 10–100 кбит/с, задержки

не более 300 мс и доля потерянных пакетов – не более 10-6, с помощью которых

контролируются объективные показатели качества предоставления услуг связи.

39

Предоставление услуги физиологического мониторинга напрямую связано с

рисками для правильной оценки здоровья пациента. Поэтому, необходима некая

объективная комплексная оценка качества предоставления услуги сетью, для чего

в диссертации предлагается использовать возможности нечеткой логики.

2.1.1. Модель на основе нечеткой логики

В модели мы используем следующие функции принадлежности:

Z-образная функция принадлежности описывается следующим образом:

( ) {

S-образная функция принадлежности также описывается следующим образом:

( ) {

Треугольная функция принадлежности, может быть, описываться следую-

щим образом:

( )

{

где – числовые параметры, удовлетворяющие условию .

Нечеткий логический вывод по алгоритму Мамдани выполняется по нечеткой

базе знаний:

⋃(⋂

)

в которой значения входных н выходной переменных заданы нечеткими множе-

ствами. Введем следующие обозначения:

( ) – функция принадлежности входа нечеткому терму

, т.е.

∫

( ) ⁄ [ ]

( ) – функция принадлежности выхода у нечеткому терму , т.е.

∫ ( )

⁄ [ ]

(2.1)

(2.4)

(2.3)

(2.2)

(2.5)

(2.6)

40

Степени принадлежности входного вектора (

) нечетким тер-

мам из базы знаний рассчитывается следующим образом:

( ) ⋁

⋀ [ ( )]

где ⋁ (⋀) – операция из s-конормы (t-нормы), т.е. из множества реализаций ло-

гической операции ИЛИ (И). Наиболее часто используются следующие реализа-

ции: для операции ‘ИЛИ’ – нахождение максимума и для операции ‘И’ – нахож-

дение минимума.

В результате получаем такое нечеткое множество , соответствующее вход-

ному вектору :

(

)

( )

( )

Особенностью этого нечеткого множества является то, что универсальным

множеством для него является терм-множество выходной переменной . Такие

нечеткие множества называются нечеткими множествами второго порядка. Для

перехода от нечеткого множества, заданного на универсальном множестве нечет-

ких термов { } к нечеткому множеству на интервале [ ] необходимо:

1) "срезать” функции принадлежности ( ) на уровне;

2) объединить (агрегировать) полученные нечеткие множества.

Математически это записывается следующим образом:

⏟

(∫

[ ( )

( )] )

где agg – агрегирование нечетких множеств, в системе нечеткого логического вы-

вода по Мамдани наиболее часто оно реализуется операцией нахождения макси-

мума. Четкое значение выхода , соответствующее входному вектору , опреде-

ляется в результате дефаззификации нечеткого множества . Наиболее часто при-

меняется дефаззификация по методу центра тяжести.

∫

( ) ∫

( ) ⁄

где , – значения, задающие область определения.

(2.7)

(2.8)

(2.9)

(2.10)

41

Основные этапы нечеткого логического вывода (см. рисунок 1.7 на первой

главе):

Формирование базы правил систем нечеткого логического вывода;

Фаззификация входных переменных;

Агрегирование подусловий в нечетких правилах продукций;

Активизация (композиция) подзаключений в нечетких правилах продукций;

Аккумулирование заключений нечетких правил продукций;

Дефаззификация выходных переменных.

Все этапы применения нечеткой логики для оценки качества обслуживания

системы электронного здоровья будут рассмотрены для случая, в котором в каче-

стве входных лингвистических переменных используются скорость передачи ин-

формации, задержка и доля потери пакетов, в качестве выходной лингвистиче-

ской переменной – предоставление услуги физиологического мониторинга.

При формировании базы правил используются формализованные эксперт-

ные знания, созданные с привлечением специалистов в области оценки качества

обслуживания в сетях связи. Конечное множество правил образуют базу правил

нечетких продукций и описываются для большинства алгоритмов нечеткого ло-

гического вывода в следующем виде:

ПРАВИЛО 1: ЕСЛИ "Условие 1" ТО "Заключение 1"(F1),

ПРАВИЛО 2: ЕСЛИ "Условие 2" ТО "Заключение 2"(F2),

...

ПРАВИЛО n: ЕСЛИ "Условие n" ТО "Заключение n"(Fn).

где ( { }) – весовые коэффициенты соответствующих правил, прини-

мающие значения из интервала [0 ; 1].

База правил нечеткого логического вывода при оценке качества предоставле-

ния услуги физиологического мониторинга машинных агрегатов формируется на

основании следующего алгоритма. В таблице 2.2 сформированы правила системы

нечеткого логического вывода.

На первом этапе генерируются, множество правил исходя из всех возможных

сочетаний входных и выходных переменных. При этом разработанная база нечет-

ких правил соответствует структуре MISO (Multiple Input – Single Output), в кото-

(2.11)

42

рой трём входным переменным соответствует одна выходная переменная. На вто-

ром этапе каждому правилу присваивается свой весовой коэффициент, позволяю-

щий ранжировать правила по степени важности. При первоначальном составлении

правил значения весовых коэффициентов принимаются равными единице.

Таблица 2.2 – Правила нечеткого логического вывода для оценки качества предо-

ставления услуги физиологического мониторинга

№

правила

Если

Скорость

передачи

информации

И

Задержка

И

Доля потери

пакетов

То

Качество

предоставления услуги

физиологического

мониторинга

1 Низкая Маленькая Приемлемая Среднее

2 Низкая Маленькая Невыносимая Очень низкое

3 Низкая Средняя Приемлемая Среднее

4 Низкая Средняя Невыносимая Очень низкое

5 Низкая Большая Приемлемая Низкое

6 Низкая Большая Невыносимая Очень низкое

7 Средняя Маленькая Приемлемая Высокое

8 Средняя Маленькая Невыносимая Низкое

9 Средняя Средняя Приемлемая Среднее

10 Средняя Средняя Невыносимая Низкое

11 Средняя Большая Приемлемая Среднее

12 Средняя Большая Невыносимая Очень низкое

13 Высокая Маленькая Приемлемая Очень высокое

14 Высокая Маленькая Невыносимая Среднее

15 Высокая Средняя Приемлемая Высокое

16 Высокая Средняя Невыносимая Низкое

17 Высокая Большая Приемлемая Среднее

18 Высокая Большая Невыносимая Очень низкое

В дальнейшем, при необходимости оптимизации базы правил нечеткого логи-

ческого вывода, значения весовых коэффициентов уточняются. На третьем этапе

проводится исключение противоречащих друг другу правил, в которых одинако-

вые предпосылки приводят к разным заключениям. Правила нечеткого логического

вывода должны удовлетворять требованию слабой согласованности, которое пред-

полагает, что произвольные малые приращения входных параметров не должны

приводить к скачкообразному изменению выходного параметра. База правил не-

четкого логического вывода включает в себя множество правил нечетких продук-

ций, наименование входных и выходных лингвистических переменных.

43

Фаззификация (введение нечеткости) необходима для установления связи

между нечетким значением входной переменной и значением функции принадлеж-

ности для соответствующего терма входной лингвистической переменной, исполь-

зуемой в подусловиях базы правил.

Агрегирование представляет собой процедуру определения степени истинно-

сти условий по каждому из правил системы нечеткого логического вывода.

В процедуре активации функции принадлежности для подзаключений могут

быть найдены при помощи использования одного из методов нечеткой компози-

ции: prod-активизация, min-активизация, average-активизация.

С целью нахождения функции принадлежности для выходных лингвистиче-

ских переменных используется процедура аккумуляции. На данном этапе

происходит аккумулирование всех степеней истинности заключений.

Для нахождения числовых значений для выходных переменных нечетких

множеств используется процедура дефаззификации (процедура приведения к чет-

кости). Четкое значение качества предоставления услуги физиологического мони-

торинга у, соответствующее входному вектору факторов определяется в результате

дефаззификации нечеткого множества. Наиболее распространённым методом де-

фаззификации является метод центра тяжести.

Параметры функций принадлежности лингвистических переменных при оценке

качества предоставления услуги физиологического мониторинга представлены в

таблице 2.3.

Функции принадлежности представлены на рисунке 2.1 для термов входной

лингвистической переменной «Скорость передачи информации», на рисунке 2.2

для термов входной лингвистической переменной «Задержка», на рисунке 2.3 для

термов входной лингвистической переменной «Доля потери пакетов», на рисунке

2.4 для термов выходной лингвистической переменной «Качество предоставления

услуги физиологического мониторинга».

На данных графиках по оси абсцисс откладывается значение исследуемого па-

раметра, а по оси ординат определяется степень принадлежности (μData rate, μDelay,

μPacket loss, μQoS) искомого значения к соответствующему терму множества.

44

Таблица 2.3 – Параметры функций принадлежности лингвистических переменных при

оценке качества предоставления услуги физиологического мониторинга

Тип

переменной

Наименование

переменной

Терм

множества

Тип функции

принадлежности

Значения

параметров

функции

принадлежности

Входная

Скорость передачи

информации

[10 ; 100] кбит/с

Низкая z-подобная [10 ; 20 ; 40]

Средняя Треугольная [30 ; 55 ; 80]

Высокая s-подобная [70 ; 90 ; 100]

Задержка

[0 ; 300] мс

Маленькая z-подобная [0 ; 25 ; 100]

Средняя Треугольная [50 ; 150 ; 250]

Большая s-подобная [200 ; 275 ; 300]

Доля потери

пакетов

[10-10

; 10-1

]

Приемлемая z-подобная [10-10

; 10-6

; 10-5

]

Невыносимая s-подобная [10-6

; 10-5

; 10-1

]

Выходная

Качество

предоставления

услуги

физиологического

мониторинга

[0 ; 100] %

Очень низкое z-подобная [0 ; 10 ; 20]

Низкое Треугольная [10 ; 25 ; 40]

Среднее Треугольная [35 ; 50 ; 65]

Высокое Треугольная [60 ; 75 ; 90]

Очень высокое s-подобная [80 ; 90 ; 100]

Низкая Средняя Высокая

Скорость передачи Информации , Кбит/с

μData rate

Сте

пе

нь

пр

ин

ад

ле

жн

ост

и

Рисунок 2.1 – Графики функций принадлежности для термов входной

лингвистической переменной «Скорость передачи информации»

Маленькая Средняя Большая

Задержка , мс

μDelay

Сте

пе

нь

пр

ин

ад

ле

жн

ост

и

Рисунок 2.2 – Графики функций принадлежности для термов входной

лингвистической переменной «Задержка»

45

Приемлемая Невыносимая

Доля потерь пакетов

μPacket loss

Сте

пе

нь

пр

ин

ад

ле

жн

ост

и

Рисунок 2.3 – Графики функций принадлежности для термов входной

лингвистической переменной «Доля потери пакетов»

Низкое Среднее ВысокаяμQoS

Сте

пе

нь

пр

ин

ад

ле

жн

ост

и

Очень низкое Очень высокое

Качество предоставления услуги физиологического мониторинга , %

Рисунок 2.4 – Графики функций принадлежности для термов выходной лингвистической пере-

менной «Качество предоставления услуги физиологического мониторинга»

2.1.2. Метод построения модели и анализ программного обеспечения на

основе нечеткой логики

На сегодняшний день существует большое количество программных средств,

основанных на положениях теории нечеткой логики и ориентированных на реше-

ние задач в различных областях [37]. При моделировании сложных технических

систем наибольшей универсальностью обладают такие программные средства как

FuzzyTECH и Fuzzy Logic Toolbox для MatLab [33]. Большинство этих программ-

ных средств ориентированы на построение нечетких систем, в которых параметры

функций принадлежности и правила задаются экспертом. Реализация методов

разработки (обучения) адаптивных нечетких моделей более сложна и трудоемка,

чем реализация методов других интеллектуальных моделей. Основные сложности

связаны с построением базы нечетких правил и коррекцией формы функций при-

надлежности [20]. В настоящее время не существует единого общепризнанного ме-

46

тода обучения нечетких моделей. Поэтому, задача разработки и поиска новых, эф-

фективных методов является актуальной. По большинству мнений, скорее всего,

наиболее перспективное направление исследований находится в области использо-

вания генетических алгоритмов в процессе обучения нечетких моделей [8], [33].

Для построения нечеткой модели оценки качества предоставления услуги фи-

зиологического мониторинга и проверки степени ее адекватности используем пакет

Fuzzy Logic Toolbox вычислительной системы MatLab, предназначенный для про-

ектирования и исследования систем на нечеткой логике.

Анализ известных программных средств нечеткого моделирования показал,

что для построения системы оценки качества предоставления услуги физиологи-

ческого мониторинга целесообразно использовать пакет Fuzzy Logic Toolbox вы-

числительной системы MatLab. Достоинством использования данного программ-

ного средства является наличие достаточного объема документации и иных ин-

формационных источников, в которых описаны способы его применения в раз-

личных областях, в том числе в области телекоммуникаций и управления каче-

ством обслуживания. На рисунке 2.5 представлена модель оценки качества предо-

ставления услуги физиологического мониторинга.

Скорость передачи

информации

Задержка

Доля потерь

пакетов

Оценка качества

представления услуги

физиологического мониторинга

Оценка качества представления услуги

физиологического мониторинга в сети M2M для

электронного здоровья

Метод Мамдани

18 правил

Рисунок 2.5 – Модель оценки качества предоставления услуги

физиологического мониторинга

На рисунке 2.6 представлены этапы оценки качества предоставления услуги

физиологического мониторинга на основе нечеткой логики для всех 18 правил

системы нечеткого логического вывода.

47

Входные переменные Выходная переменная

Скорость передачи

Информации, Кбит/c Задержка, мсДоля потерь

пакетов

Оценка качества представления

услуги физиологического

мониторинга, %

Ак

ти

ва

ци

я п

од

зак

лю

чен

ий

ак

ку

му

ли

ро

ва

ни

е

зак

лю

чен

ий

Значения входных переменных

76.6 40 -785

Результат дефаззификации -

количественная оценка качества услуги

физиологического мониторинга

10 10

10

Рисунок 2.6 – Этапы оценки этапы оценки качества предоставления услуги

физиологического мониторинга на основе нечеткой логики

В качестве примера рассмотрим: Если {входная лингвистическая переменная

«Скорость передачи информации» принимает значение 76.6 кбит/c, входная линг-

вистическая переменная «Задержка» – 40 мс и входная лингвистическая перемен-

ная «Доля потери пакетов» – 10-7

}, тогда {при данных значениях выходная линг-

вистическая переменная принимает значение 85%, что соответствует высокой

оценке качества предоставления услуги физиологического мониторинга}.

Система оценки качества предоставления услуги физиологического монито-

ринга в сети M2M для электронного здоровья (рисунок 2.7), реализована также с

использованием пакетов Simulink и Fuzzy Logic Toolbox вычислительной системы

MatLab. Значения трех входных переменных поступают на вход мультиплексора,

в котором происходит объединение данных. Далее производится оценка качества

предоставления услуги физиологического мониторинга с использование аппарата

нечеткой логики на основе разработанных нечетких правил. Значение оценки вы-

водится на виртуальный дисплей.

48

Скорость передачи

информации

Задержка

Доля потери

пакетов

Значение оценки

качества

предоставления

услуги

физиологического

мониторинга

Блок оценки качества

предоставления услуги

физиологического

мониторинга на основе

нечеткой логики

76.6

40 85

0.0000001

Рисунок 2.7 – Система оценки качества предоставления услуги физиологического

мониторинга с использованием пакетов Simulink и Fuzzy Logic Toolbox

вычислительной системы MatLab

В процессе симуляции были использованы три объективных параметров каче-

ства телекоммуникационной сети связи, при оценке качества предоставления услу-

ги физиологического мониторинга используется алгоритм нечеткого логического

вывода Мамдани удалось получить адекватную причинно-следственную связь

между объективными параметрами производительности сети связи с одной сторо-

ны и субъективными консолидированными оценками пользователей с другой.

Общее качество предоставления услуги физиологического мониторинга не

превышает величину 92% при максимальной величине, относительно умеренно

уменьшается с ростом задержек, с уменьшением скорости передачи информации

и резко падает при превышении доли потерянных пакетов 10-6

. Сеть связи обеспе-

чивает удовлетворительные оценки качества предоставления услуги физиологи-

ческого мониторинга при задержках до 300 мс и скоростях передачи выше 80

кб/с, а также при скоростях передачи выше 50 кб/с и задержках до 100 мс и при

доле потерянных пакетов – не более 10-6

.

На рисунке 2.8 приведена зависимость качества предоставления сетью связи

услуги физиологического мониторинга в процентах от (а) скорости передачи ин-

формации и задержки, (б) задержки и доли потери пакетов и (в) скорости переда-

чи информации и доли потерянных пакетов.

49

Оц

ен

ка

ка

чест

ва

пр

ед

ста

вл

ен

ия

усл

уги

ф

изи

ол

оги

ческ

ого

мо

ни

тор

ин

га, %

Скорость передачи информации, кбит/с

Задержка, мс

(а)

Оц

енка

кач

еств

а пр

едст

авле

ния

услу

ги

фи

зиол

оги

ческ

ого

мон

ито

ринг

а, %

Задержка, мс Доля потери пакетов

(б)

Оц

енка

кач

еств

а п

ред

став

лен

ия

усл

уги

ф

изи

ол

оги

ческ

ого

мо

ни

тор

ин

га, %

Доля потери пакетов

Скорость передачи информации, кбит/с

(в)

Рисунок 2.8 – Зависимость, отображающая влияния входных лингвистических переменных на зна-

чение выходной лингвистической переменной

50

2.2. Разработка и исследование моделей трафика для нового типа сетей – се-

тей с малыми задержками

На протяжении длительного периода развития сетей связи общего пользова-

ния (ССОП) технические решения были ориентированы на обслуживание речево-

го трафика. Такой подход был естественным для гомогенной сети связи общего

пользования (ТфОП). В гетерогенной сети связи следующего поколения с комму-

тацией пакетов (NGN), услуга передача речевого трафика стала одним из прило-

жений. К данному приложению предъявлялись наиболее жесткие требования по

временным параметрам [101]. Такой тренд развития происходил до разработки

новых приложений, которые предъявляют еще более жесткие требования, чем пе-

редача речевого трафика и поверх протокола IP. Такие приложения оказали зна-

чительное влияние на требования и характеристики сетей связи следующего по-

коления. В связи с этим, предлагается выделить сети, предоставляющие услуги с

жесткими требованиями к временным параметрам в новый класс сетей и назвать

их сетями с малыми задержками [29].

2.2.1. Эволюция требований по качеству обслуживания в сетях связи

Проектирование и планирование ТфОП с использованием аналоговых техно-

логий производилось, как правило, на основе моделей с систем массового обслу-

живания потерями (отказами) с использованием для расчетов первой формулы

Эрланга [9], [34]. При этом допустимая вероятность потери вызова из конца в ко-

нец, например для городских телефонных сетей, должна была быть не более 5%, а

на ступенях искания коммутационных устройств она нормировались в пределах

(2–5) 10–3

[16]. Системы обслуживания с ожиданием применялись в ТфОП

весьма редко, например, для управления установлением соединения на ступени

абонентского искания в целях обеспечения заданной длительности ожидания сиг-

нала «Ответ станции» [22]. Переход к цифровым ТфОП с точки зрения требова-

ний к параметрам качества обслуживания не внес принципиально новых измене-

ний, поскольку структура сети оставалась гомогенной [13].

51

Разработка и развитие концепции построения сетей связи следующего поко-

ления [30], [102], [103] привела не только к замене технологии коммутации кана-

лов на коммутацию пакетов в сети связи общего пользования, но и к тому, что

структура сети стала гетерогенной со множеством приложений, требующих диф-

ференциации трафика различных услуг по классам обслуживания (QoS – Quality

of Service) [101].

Поскольку пользователем большинства услуг связи является человек, то для

адекватного определения требований к параметрам, характеризующих QoS в по-

следние годы была введена еще одна метрика – качество восприятия (QoE –

Quality of Experience), которая определяет субъективную оценку услуги пользова-

телем, например, качество восприятия передачи видео [98]. Основное внимание в

данной главе уделяется новому классу сетей – сетям с малыми задержками, по-

этому, далее подробнее рассмотрим характеристики QoS, которые предложены в

рекомендации Y.1541 сектора стандартизации телекоммуникаций международно-

го союза электросвязи (МСЭ-Т).

В отличие от сетей предшествующих поколений сети связи следующего поко-

ления являются гетерогенными и способны предоставлять пользователю различ-

ные услуги связи. Одной из наиболее важных проблем их функционирования яв-

ляется обеспечение гарантированного уровня качества обслуживания для каждой

из предоставляемых услуг (Quality of Service – QoS). Требования к параметрам,

характеризующим QoS специфичны для разных приложений. Различие требова-

ний к QoS для разных услуг не позволяет просто объединить их и предъявить

некие общие требования к единым сетевым ресурсам.

В документе ITU Y.1540 [100] определен ряд сетевых характеристик, рассмат-

риваемых как наиболее важных с точки зрения их влияния на качество обслужи-

вания трафика (между интерфейсами пользователь-сеть User Network Interface –

UNI). Это такие параметры как:

пропускная способность;

надёжность сети/сетевых элементов;

задержка (мс) и вариация задержки (джиттер);

52

коэффициент (вероятность) потерь (%);

живучесть сети – возможность сохранения работоспособности сети при вы-

ходе из строя отдельных элементов.

Пропускная способность (или скорость передачи данных) определяется как

эффективная скорость передачи, которая измеряется в битах в секунду. В доку-

менте ITU-T Y.1540 не приведены значения требований к пропускной способно-

сти для разных приложений (услуг). Там же отмечено, что параметры, связанные

с пропускной способностью, могут быть определены с в соответствие с рекомен-

дацией ITU-T Y.1221 [99].

Надёжность сети связи и ее элементов определяется рядом параметров, среди

которых чаще всего применяется коэффициент готовности. Коэффициент готов-

ности представляет собой отношение времени работоспособного состояния объ-

екта к общему времени наблюдения. При абсолютной надежности (в идеальном

случае) коэффициент готовности должен быть равен 1, что означает 100%-ю го-

товность сети. Такая величина, практически недостижима, поэтому коэффициент

готовности нормируется значениями меньшими, но достаточно близкими к еди-

нице.

Задержка передачи пакета данных (IPTD) определяется как интервал времени

t2 − t1 между событиями – поступления пакета на исходящий интерфейс UNI в

момент t1 и уходом пакета из входящего интерфейса UNI в момент t2 , где t2 > t1 и

t2 – t1 ≤ Tmax. В общем случае, задержка передачи пакета данных IPTD определяет-

ся как время доставки пакета от входа в сеть через UNI отправителя до выхода из

сети через UNI получателя для всех пакетов. Средняя задержка доставки IP пакета

определяется как среднее арифметическое задержек каждого из пакетов, в рас-

сматриваемой выборке переданных и принятых пакетов. Увеличение интенсивно-

сти нагрузки и уменьшение доступных сетевых ресурсов ведут к росту длины

очередей в узлах сети и, как следствие, к увеличению средней задержки доставки

пакета данных.

Вариация задержки доставки IP пакета vk (IPDV) между точками входа в сеть

и выхода из сети характеризует разброс значений задержки, т.е. ее отклонение от

53

средней величины. Вариация задержки IP пакета, часто называемая также джит-

тером, проявляется, например в том, что регулярно передаваемые в сеть пакеты

прибывают к получателю в нерегулярные моменты времени. При предоставлении

услуг IP-телефонии, например, это приводит к искажениям звука, а также может

привести к снижению разборчивости речи.

Коэффициент потерь IP-пакетов (IPLR) определяется как отношение суммар-

ного числа потерянных пакетов к общему числу переданных пакетов в рассматри-

ваемой выборке переданных и принятых пакетов. При потере пакетов то, в зави-

симости от применяемого протокола транспортного уровня, возможна их повтор-

ная передача.

Коэффициент ошибок в IP-пакетах (IPER) определяется как отношение сум-

марного числа пакетов, принятых с ошибками, к числу успешно принятых паке-

тов и пакетов, принятых с ошибками.

В таблице 2.4 представлены параметры, характеризующие качество обслужи-

вания и требования к ним для различных классов обслуживания трафика, преду-

смотренных в NGN.

Таблица 2.4 – Классы и параметры качества обслуживания (Y.1541)

Сетевые характеристики Классы QoS

0 1 2 3 4 5

Задержка передачи пакетов

(IPTD – IP Time Delay)

100 мс 400 мс 100 мс 400 мс 1с Н

Вариация задержки (джиттер)

(IPDV – IP Delay Variance)

50 мс 50 мс Н Н Н Н

Коэффициент потери пакетов

(IPLR – IP Loss Ratio)

1×10-3

1×10-3

1×10-3

1×10-3

1×10-3

Н

Коэффициент ошибок пакетов

(IPER –IP Error Rate)

1×10-4

1×10-4

1×10-4

1×10-4

1×10-4

Н

Примечание: Н – не нормировано

Как видно из таблицы, наиболее жесткие требования к параметрам предъявля-

ется к нулевому классу обслуживания. Этот класс обслуживания используется для

передачи речи в реальном времени на расстояния, не превосходящие наибольшие

географические диагонали США (Сиэттл – Дайтона Бич) и Европы (Москва –

Лиссабон), т.е. не превышающих 4000 – 4500 тысячи километров, что обусловле-

но длительностью распространения сигналов по каналам связи.

54

Нормативные значения параметров, в таблице 2.4, соответствуют, соответ-

ственно, верхним границам для средних значений задержки, джиттера, коэффици-

ентов потерь и ошибок в пакетах данных. Рекомендация Y.1541 [101] также опре-

деляет соответствие между классами качества обслуживания трафика и приложе-

ниями:

Класс 0: Определен для приложений реального времени, которые чувстви-

тельны к джиттеру и характеризуются высоким уровнем интерактивности (VoIP,

видеоконференции).

Класс 1: Определен для приложений реального времени, чувствительных к

джиттеру и интерактивных (VoIP, видеоконференции).

Класс 2: Определен для транзакций данных, характеризуемых высоким

уровнем интерактивности (например, сигнализация).

Класс 3: Определен для транзакций данных интерактивных приложений.

Класс 4: Определен для приложений, допускающих низкий уровень потерь

(короткие транзакции, массивы данных, потоковое видео).

Класс 5: Определен для традиционных видов приложений в IP сетях.

Сети связи следующего поколения планируются и проектируются исходя из

требований того, что средняя задержка пакета не должна превышать 100 мс, а

джиттер – 50 мс. Следует отметить что, несмотря на требуемое значение

джиттера, с данным явлением достаточно успешно справляются за счет так

называемых буферов деджиттеризации, созданных на базе одной из модификаций

классического метода Token Bucket (ведро жетонов), позволяющего задавать

любую функцию для времени обслуживания поступающих пакетов [32]. Что

касается требований к коэффициенту потерь пакетов и коэффициенту ошибок в

пакетах, то на сегодняшний день выполнение приведенных в таблице 2.4 норм не

представляет больших сложностей.

Таким образом, в настоящее время, средняя задержка доставки пакета с

учетом требования не превышения 100 мс является наиболее критичным параметр

качества обслуживания, определенном в рекомендациях МСЭ-Т.

55

2.2.2. Новые виды трафика и ужесточение требований к задержкам

В последнее время были разработаны новые приложения и появились новые

виды трафика, требующие ужесточения норм к задержкам. В таблице 2.5 приве-

дены требования 3GPP [56] к средней задержке и коэффициенту потерь пакетов

для различных видов трафика, передаваемых с различными приоритетами в си-

стемах современной мобильной связи при внедрении мультимедийной подсисте-

мы IMS (IP Multimedia Subsystem) [52]. Наиболее приоритетным в этом случае яв-

ляется трафик управления соединениями – трафик сигнализации, за ним следует

трафик передачи речи и далее трафик игр в реальном времени.

Таблица 2.5 – Требования к задержкам и потерям (3GPP, TS 23.203)

Приоритет Задержки Потери Приложения

1 100 мс 10-6

Сигнализация IMS

2 100 мс 10-2

VoIP

3 50 мс 10-3

Игры в реальном времени

4 150 мс 10-3

Видеозвонки

5 300 мс 10-6

Потоковые услуги

6 300 мс 10-6

Web

7 100 мс 10-3

Интерактивные игры

8 300 мс 10-6

e-mail

9 300 мс 10-6

Загрузка файлов

Представленные в таблице требования ориентированы на использование в мо-

бильных сетях связи систем длительной эволюции LTE (Long Term

Evolution) [40], [48]. В таких сетях уже приняты меры по обеспечению средней

величины задержки, необходимой для игр реального времени, т. е. 50 мс [84]. Это

значение вдвое меньше, чем требование к задержке для передачи речи поверх IP.

Его выполнение требует значительного увеличения скорости передачи данных на

уровне доступа пользователя в сеть.

В соответствии с [84] изменение требований к задержке доставки пакета в си-

стемах, стандартизованных 3GPP, происходило следующим образом. В системах

связи 3G, реализованных в соответствие со стандартами 3GPP 1999 года, средняя

величина задержки составляла 68 мс. Внедрение технологии высокоскоростного

доступа HSPA (High Speed Packet Access) позволило уменьшить среднюю вели-

56

чину задержки в системах 3G до 51 мс, а при дальнейшем развитии этой техноло-

гии (до HSPA+) задержка была уменьшена до величины менее 30 мс. Принципи-

альные изменения величины задержки в системах сотовой подвижной связи про-

изошли при внедрении LTE. При обслуживании трафика по расписанию удалось

снизить задержку до 20 мс, а при резервировании с предварительным распределе-

нием ресурсов – до 15 мс.

Изменения требований к времени доставки пакета для современных сетей

связи на сегодняшний день не исчерпываются только появлением услуги игр

реального времени. В течение нескольких последних лет значительно повысилось

внимание к системам электронного здоровья (e-health) [76]. Система e-health

представляет собой общий подход к информатизации в области медицины и

медицинских услуг. Она предусматривает использование современных сетей

связи с достаточно высоким уровнем развития для предоставления услуг передачи

информации между устройствами медицинского назначения. В настоящее время в

качестве таких сетей рассматриваются сети машина-машина (M2M) [61]. Как

видно из таблицы 2.1 среди параметров качества обслуживания для новых услуг

системы e-health требование к значениям задержки усилилось до уровня 10 мс.

Необходимо отметить, в современных условиях обеспечить задержку в 10 мс очень

сложно даже в мегабитных сетях, что будет доказано в следующем разделе работы.

2.2.3. Гигабитные сети доступа

Как было отмечено выше, внедрение таких новых услуг, как игры реального

времени и услуги системы e-health, требует существенно меньших значений

задержки доставки пакетов, чем при передаче речи в сетях с пакетной

коммутацией. Далее рассмотрим новые требования, которые могут быть

предъявлены к сетям связи с малым задержками, а также как эти требования

могут быть обеспечены уже в настоящее время.

На рисунке 2.9 приведена структура гипотетической сети, состоящая из

восьми узлов, что соответствует рекомендации Y.1541. Узлы со второго по

седьмой соединены линиями связи с высокой пропускной способностью (10 Гб/с),

57

а первый со вторым и седьмой с восьмым – линиями связи с низкой пропускной

способностью 4 Мб/с (сети доступа). В качестве модели узла будем использовать

Систему Массового Обслуживания (СМО) с ожиданием и постоянным временем

обслуживания [19], [45]. Также будем полагать, что на узлы поступает фоновый

трафик, который определяет их использование (загрузку), рисунок 2.9.

Рисунок 2.9 – Гипотетическая сеть из 8 узлов

Фоновый трафик после обслуживания соответствующим узлом выводится из

системы (завершается). Наряду с фоновым трафиком, на вход первого узла модели

поступает испытательный трафик, который после обслуживания передается на

вход последующего узла. Интенсивность испытательного трафика значительно

меньше интенсивности фонового трафика. Значения параметров функционирования

данной модели оцениваются как параметры обслуживания испытательного трафика.

В качестве модели фонового трафика были использованы два типа потоков:

простейший поток заявок и самоподобный поток, значение коэффициента Хёрста

для которого H=0,8. В результате имитационного эксперимента получены зави-

симости средней величины задержки от интенсивности нагрузки в Эрлангах. При

моделировании величина загрузки всех узлов была принята равной. На рисунке

2.10 приведены результаты моделирования, полученные для случая использова-

ния сети доступа со скоростью передачи данных 4 Мб/с.

Как видно из полученных зависимостей, при достаточно большой интенсив-

ности нагрузки значения задержек измеряются в десятках миллисекунд, как для

простейшего, так и для самоподобного потоков. Эти результаты показывают то,

что сети доступа с относительной низкой скоростью передачи данных вряд ли мо-

гут обеспечить требования к качеству обслуживания не только для услуг системы

e-health, но и для услуги игр реального времени.

58

Рисунок 2.10 – Результаты моделирования для участка гипотетической сети

со скоростью 4 Мб/с

На рисунке 2.11 приведены результаты имитационного эксперимента для

участка модельной сети со скоростью передачи данных 10 Гб/c. В этом случае за-

держки измеряются в долях миллисекунд, что позволяет говорить о потенциаль-

ной возможности использования такой сети для предоставления услуг e-health, а

также и услуг игр реального времени. Поэтом, необходимо проанализировать

технологические возможности в области сетей доступа. Сделаем это для сетей

беспроводного доступа.

Рисунок 2.11 – Результаты моделирования для участка гипотетической сети

со скоростью 10 Гб/с

59

В рамках работ, проводимых по 12 версии систем длительной эволюции,

предусмотрено достижение пиковых значений скоростей передачи данных на

уровне 3 Гб/с [73]. В стандартах рабочей группы IEEE 802.11, таких как

IEEE 802.11ac и IEEE 802.11 ad, предусматривается повышение достижимой

скорости передачи данных до 3,6 Гб/с и 7 Гб/с соответственно. Таким образом,

технологически внедрение сетей с малыми задержками может быть обеспечено

уже сегодня.

2.2.4. Методы оценки качества обслуживания в сетях с малыми задержками

Выше отмечено, что появлению сетей с малыми задержками во многом

способствовало развитие медицинских сетей. При этом одной из важных

особенностей эволюции сетей связи сегодня и на перспективу является так

называемая конвергенция отраслей, когда сеть связи общего пользования

начинает оказывать услуги для специализированных провайдеров из любых

отраслей народного хозяйства: медицины, жилищно-коммунального комплекса,

промышленности и т.д. Важнейшим элементом оценки качества обслуживания в

сетях, предоставляющих услуги для провайдеров других отраслей, является

разделение ответственности между сетью и провайдером за конечное качество

предоставления услуги.

Рассмотрим методы оценки качества обслуживания в таких сетях на примере

оказания услуг системы e-health. Принципиальным решением по оценке качества

обслуживания в сетях при конвергенции отраслей является использование

методов нечеткой логики, которые представляют оценки качества обслуживания

не в задержках или джиттере, а в хорошо понятных для специалистов любой

отрасли оценках “хорошо”, “плохо”, “удовлетворительно” и их модификациях.

Методы нечеткой логики в 21 веке находят применение в сетях связи для выбора

головного узла в сенсорных сетях [109], оценке качества предоставления услуги

IPTV [88], алгоритмах маршрутизации для мобильных Ad Hoc сетей [41].

Рассмотрим далее использование методов нечеткой логики для оценки каче-

ства обслуживания в сетях с малыми задержками при предоставлении услуги

60

“Аудио и видео системы, в том числе для оперативного вмешательства”. Подоб-

ные решения для предоставления услуги “Физиологический мониторинг в реаль-

ном времени” приведены в работе [81]. В качестве входных параметров для оцен-

ки качества предоставления сетью связи услуги “Аудио и видео системы, в том

числе для оперативного вмешательства” примем в соответствии с таблицей 2.1

скорость передачи данных, задержку и долю потерь пакетов. На выходе контрол-

лера нечеткой логики при этом будем формировать комплексную оценку качества

предоставления сетью связи услуги в процентах.

В таблице 2.6 приводятся параметры системы нечеткого логического вывода.

В качестве нечеткого логического контроллера будем использовать контроллер

Мамдани. На основе таблицы 2.6 для нечетких множеств этих входных парамет-

ров, используя программное обеспечение MatLab, можно найти функции принад-

лежности для параметров услуги “Аудио и видео системы, в том числе для опера-

тивного вмешательства”, а затем и сформировать правила нечеткого вывода (таб-

лица 2.7).

Таблица 2.6 – Параметры системы нечеткого логического вывода для оценки качества

предоставления услуги “Аудио и видео системы, в том числе для оперативного вмешательства”

Переменные

системы

Лингвистические

переменные

Лингвистические

значения

Нечеткие

интервалы

входные

переменные

x1

Скорость передачи

информации

[10 ; 1000] кбит/с

Низкая [0 ; 300]

Средняя [200 ; 800]

Высокая [700 ; 1000]

x2 Задержка

[10 ; 250] мс

Маленькая [0 ; 50]

Средняя [50 ; 100]

Большая [100 ; 250]

x3 Потери пакетов

[10-10

; 10-1

]

Приемлемые [10-10

; 10-4

]

Неприемлемые [10-4

; 10-1

]

Выходные пе-

ременные

y

Качество предоставления

услуги “Аудио и видео

системы, в том числе для

оперативного

вмешательства” [0 ; 100] %

Очень низкое [0 ; 20]

Низкое [20 ; 40]

Среднее [40 ; 60]

Высокое [60 ; 80]

Очень Высокое [80 ; 100]

Совокупность правил, приведенных в таблице 2.7, представляет собой доста-

точно точный набор решений, инвариантных по отношению к специализации

провайдеров. Проводя далее дефаззификацию выходных значений правил нечет-

61

кого вывода, можно получить и оценку качества обслуживания в процентах. Де-

фаззификацию в нашем конкретном случае проводим по методу центра тяжести.

После дефаззификации можно построить поверхность нечеткого вывода, позво-

ляющую в нашем случае сформировать трехмерную поверхность как зависимость

качества услуги “Аудио и видео системы, в том числе для оперативного вмеша-

тельства” от любых двух входных параметров.

На рисунке 2.12 для примера приведена такая зависимость для задержки и

скорости передачи. Как видим, использование методов нечеткой логики для оцен-

ки качества обслуживания в сетях связи с малыми задержками позволяет и опера-

торам сети связи общего пользования, и специализированным провайдерам полу-

чить единый и понятный обеим сторонам инструментарий. В условиях прибли-

жающейся конвергенции отраслей целесообразно разработать правила примене-

ния нечеткой логики для оценки качества обслуживания в таких сложных систе-

мах.

Таблица 2.7 – Правила нечеткого вывода для оценки качества предоставления услуги

“Аудио и видео системы, в том числе для оперативного вмешательства”

№

правила

Если

Скорость

передачи

информации

И

Задержка

И

Потери

пакетов

Тогда

Качество предоставления

услуги “Аудио и видео системы,

в том числе для оперативного

вмешательства”

1 Низкая Маленькая Приемлемые Высокое

2 Низкая Маленькая Невыносимые Очень низкое

3 Низкая Средняя Приемлемые Среднее

4 Низкая Средняя Невыносимые Очень низкое

5 Низкая Большая Приемлемые Низкое

6 Низкая Большая Невыносимые Очень низкое

7 Средняя Маленькая Приемлемые Очень высокое

8 Средняя Маленькая Невыносимые Низкое

9 Средняя Средняя Приемлемые Среднее

10 Средняя Средняя Невыносимые Низкое

11 Средняя Большая Приемлемые Среднее

12 Средняя Большая Невыносимые Очень низкое

13 Высокая Маленькая Приемлемые Очень высокое

14 Высокая Маленькая Невыносимые Среднее

15 Высокая Средняя Приемлемые Очень высокое

16 Высокая Средняя Невыносимые Низкое

17 Высокая Большая Приемлемые Высокое

18 Высокая Большая Невыносимые Очень низкое

62

Оц

ен

ка к

аче

ства

пр

ед

став

ле

ни

я ус

луг

и

“Ауд

ио

и в

ид

ео

си

сте

мы

, в т

ом

чи

сле

дл

я о

пе

рат

ивн

ого

вм

еш

ате

льс

тва”

, %

Задержка, мсСкорость передачи

информации, кбит/с

Рисунок 2.12 – Зависимость оценки качества предоставления услуги

“Аудио и видео системы, в том числе для оперативного вмешательства”

от задержки и скорости передачи информации

63

2.3. Выводы по второй главе

1. Разработаны модель и метод оценки качества предоставления услуги физиологи-

ческого мониторинга, которая используется в сети M2M для электронного здоровья на

основе нечеткой логики. Введены лингвистические переменные, которые определяют

параметры для оценки (скорость передачи информации, задержка и доля потерянных

пакетов). При оценке качества предоставления услуги физиологического мониторинга

используется алгоритм нечеткого логического вывода Мамдани. При агрегировании

подусловий применяются логические операции min-конъюнкции и max-дизъюнкции,

при аккумуляции заключений правил проводится объединение нечетких множеств по

формуле max-дизъюнкции, при дефаззификации используется наиболее распространен-

ный метод – метод центра тяжести.

2. Сеть связи обеспечивает удовлетворительные оценки качества предоставления

услуги физиологического мониторинга при задержках до 300 мс и скоростях передачи

выше 80 кб/с, а также при скоростях передачи выше 50 кб/с и задержках до 100 мс и при

доле потерянных пакетов – не более 10-6

.

3. Сети связи следующего поколения создавались с учетом требований по обеспе-

чению гарантированного уровня качества обслуживания, наиболее сложным из которых

является обеспечение задержки в 100 мс для услуги VoIP. В настоящее время появляют-

ся новые услуги, требующие существенно (в несколько раз) меньшего значения задерж-

ки. В главе анализируются услуги игр в реальном времени, для которых критичным яв-

ляется значение задержки в 50 мс, и услуги системы e-health, одна из которых требует

обеспечения задержки в 10 мс, для этого предлагается ввести новый класс сетей – сети с

малыми задержками.

4. Результаты моделирования гипотетической сети, выполненной в соответствии с

рекомендацией Y.1541, доказывают, что в сетях связи с малыми задержками сети досту-

па должны быть выполнены на гигабитных технологиях.

5. Внедрение сетей связи с малыми задержками, создаваемыми, как правило, для

предоставления услуг специализированных провайдеров, например, медицинских, тре-

бует изменения подхода к оценке качества обслуживания. На примере услуги “Аудио и

видео системы, в том числе для оперативного вмешательства” предлагается использо-

вать для этой цели методы нечеткой логики.

64

ГЛАВА 3. ИССЛЕДОВАНИЕ И РАЗРАБОТКА АЛГОРИТМА

КЛАСТЕРИЗАЦИИ И ВЫБОРА ГОЛОВНОГО УЗЛА КЛАСТЕРА ДЛЯ

ВСЕПРОНИКАЮЩИХ СЕНСОРНЫХ СЕТЕЙ С ИСПОЛЬЗОВАНИЕМ

НЕЧЕТКОЙ ЛОГИКИ И ДИАГРАММ ВОРОНОГО

Сенсорная сеть – система распределенных сенсорных узлов, взаимодейству-

ющих между собой, а также с другими сетями для запросов, обработки, передачи

и предоставления информации, полученной от объектов реального физического

мира с целью выработки ответной реакции на данную информацию. Сенсорная

сеть может включать в себя как сенсорные, так и актуаторные и коммуникацион-

ные узлы. [38]

Основной областью применения сенсорных сетей является мониторинг изме-

ряемых параметров физических сред и объектов, а в некоторых случаях – управ-

ление этими объектами (активация в них определенных процессов). Как видно из

определения, сенсорные сети могут использоваться в любых областях жизнедея-

тельности человека. Поэтому, их называют еще всепроникающие сенсорные сети

(USN – Ubiquitous Sensor Networks). Наряду с этим названием в литературе широ-

ко используется и название беспроводные сенсорные сети (БСС). Сенсорные сети

относятся к самоорганизующимся сетям. Далее будем использовать термин все-

проникающие сенсорные сети, поскольку он включает в себя и беспроводные, и

проводные сенсорные сети.

Самоорганизующаяся сеть связи – сеть, в которой число узлов является случай-

ной величиной во времени и может изменяться от 0 до некоторого максимального

значения. Взаимосвязи между узлами в такой сети также случайны во времени и

образуются для передачи информации между подобными узлами и во внешнюю

сеть связи.

Всепроникающие сенсорные сети (ВСС) представляют собой самоорганизую-

щиеся сети, состоящие из одной или нескольких базовых станций и множества

беспроводных сенсорных узлов, распределенных в пространстве и предназначен-

ных для мониторинга характеристик окружающей среды или объектов, располо-

женных в ней [28], [67], [104]. Всепроникающие сенсорные сети являются техно-

логической основой для внедрения концепции Интернета Вещей [24].

65

3.1. Основные принципы построения всепроникающих сенсорных сетей

Широкомасштабное внедрение ВСС и приоритет развития взаимодействий

вещь-вещь в обозримом будущем предусматривают множество таких новых при-

ложений, как умные дома, медицинские сети для системы электронного здоровья

(e-здоровье, e-health), сети автомобильного транспорта и т.д. [14], [26]. Очевидно,

что всепроникающая сенсорная сеть, состоящая из большого количества сенсо-

ров, должна быть структурирована. Иначе большой объем передаваемой инфор-

мации может снизить надежность узлов, находящихся в непосредственной близо-

сти к шлюзу.

3.1.1. Архитектура и состав всепроникающих сенсорных сетей

ВСС состоят из множества сенсорных узлов, способных фиксировать состояние

окружающей среды (температуру, влажность, состав атмосферы) или характери-

стики объектов, находящихся в ней (размеры, скорость передвижения), хранить и

анализировать эту информацию (в ограниченных пределах), а также передавать ее

по каналам связи. ВСС, как значимая часть концепции ИВ, имеет большие пер-

спективы развития, что подчеркивает важность и насущную необходимость иссле-

дования различных аспектов проектирования и функционирования ВСС.

Алгоритмы кластеризации и маршрутизации в ВСС решают задачи:

- Самоорганизация узлов сети (самоконфигурирование, самовосстановление);

- Маршрутизация и адресация узлов;

- Минимизация энергопотребления узлов сети и увеличение общего времени

жизни всей сети;

- Сбор и агрегация данных;

- Скорость передачи и обработки данных в сети;

- Максимизация зоны покрытия сети;

- Качество обслуживания (QoS);

Кроме сенсорных узлов в сенсорной сети может присутствовать ряд других

элементов, выполняющих функции сбора, преобразования, обработки, хранения

собранных сенсорами данных, а также предоставления их конечным потребителям:

66

а) Коллектор данных. Среди данных блоков в первую очередь необходимо от-

метить коллектор данных (sink) – устройство, предназначенное для сбора данных

от сенсорных узлов. [25]

б) Сопряжение протоколов. ВСС имеют ряд особенностей, которые требуют

новых подходов к разработке протоколов связи. Повсеместно использующийся

стандарт, стек TCP/IP, может быть использован для организации ВСС далеко не

всегда, в связи с чем, для сопряжения ВСС с другими сетями, использующими

стек TCP/IP, может быть необходимо наличие шлюза, осуществляющего преобра-

зование протоколов передачи данных (Рисунок 3.1). Если сделать допущение, что

к узлам некой ВСС не предъявляются специфические требования в части стоимо-

сти, массогабаритных показателей, энергопотребления, вычислительной мощно-

сти и объема памяти, то применение стека протоколов TCP/IP в таких ВСС явля-

ется вполне оправданным.

в) Агрегирование, обработка и представление данных конечному потребителю.

Одной из важных функций ВСС является обработка данных, получаемых от сен-

сорных датчиков (узлов), и предоставление их конечному потребителю. Эта функ-

ция может выполняться в устройстве, которое реализует функцию сбора (коллек-

тора) данных и преобразования протоколов (Рисунок 3.1). Также эта функция мо-

жет быть вынесена в отдельное оборудование за пределы ВСС. Кроме этого в со-

ставе ВСС могут быть устройства, выполняющие операции предварительного агре-

гирования данных. Агрегирование данных в промежуточных узлах ВСС, также яв-

ляется формой обработки исходных данных и позволяет решать ряд проблем, свя-

занных с потреблением энергии узлами сети. Значительная часть потребляемой

электроэнергии расходуется узлом сети именно на передачу данных [57], а не на

процесс получения данных от сенсорных устройств из окружающей среды и их об-

работку. Поэтому, одним из путей уменьшения энергопотребления узла является

уменьшение объема передаваемых данных, что может быть достигнуто путем их

предварительной обработки в промежуточных узлах связи. Агрегирование данных

в промежуточных узлах может быть целесообразно по той причине, что при доста-

точно плотном размещении сенсорных узлов в сенсорном поле, данные от близле-

67

жащих (соседних) узлов с высокой вероятностью могут совпадать, т.е. иметь избы-

точность. Это позволяет объединить полностью или частично совпадающие дан-

ные с целью уменьшения объема передаваемых узлами данных. [87]

Рисунок 3.1 – Обобщенная архитектура ВСС

3.1.2. Типовые архитектуры и топологии всепроникающих сенсорных сетей

Выделяют два типа архитектуры всепроникающих сенсорных сетей: однород-

ные (одноранговые) и иерархические (кластерные) [38]. Однородность сети под-

разумевает, что все узлы выполняют одинаковые функции при сборе, обработке и

передаче информации. Этот подход в некоторых случаях позволяет обеспечить

приемлемую маршрутизацию сообщений.

Кроме того, для критически важных данных может быть организована переда-

ча по наиболее надёжному пути. Агрегирование данных, если необходимо, про-

исходит по мере следования сообщений к координатору. Однако при такой орга-

низации сети формирование связей между узлами происходит спонтанно, что мо-

жет приводить к конфликтам в обслуживании пакетов и к возникновению задер-

жек, связанных с выходом из спящего режима узлов, находящихся на выбранном

пути передачи. Кроме того, даже в идеальном случае длительность передачи ин-

68

формации между территориально разнесенными узлами может быть слишком ве-

лика, поскольку только на одном сенсорном поле протокола ZigBee может быть

размещено более 64 тысяч сенсорных узлов.

Альтернативным подходом является иерархическая (древовидная) маршрути-

зация. Она основана на делении сети на области, называемые кластерами. В кла-

стере выбирается головной узел, который собирает информацию от всех других

узлов кластера, и передает ее на коллектор или на шлюз. Головной узел периоди-

чески подвергается ротации, что позволяет достаточно равномерно распределять

среди сенсорных узлов энергетические затраты, связанные с выполнением узлом

функций головного.

Возможные топологии сенсорной сети приведены на рисунке 3.2.

Маршрутизатор Оконечный узел Координатор

Точка-точка

Звезда

Кластерное дерево

Ячеистая топология

Рисунок 3.2 – Возможные топологии ВСС

Одноранговые сети могут формировать произвольные топологические струк-

туры (точка-точка, звезда), ограниченные только дистанцией между каждой парой

узлов. Ячеистая топология (Mesh Topology) – базовая полносвязная топология, в

которой каждый маршрутизатор сети соединяется с несколькими другими марш-

рутизаторами этой же сети. Характеризуется высокой отказоустойчивостью, но и

более сложной настройкой.

Сенсорные узлы могут быть стационарными, а также иметь относительную

мобильность, то есть произвольно перемещаться друг относительно друга в неко-

тором пространстве, не нарушая при этом логической связанности сети. В по-

следнем случае сенсорная сеть не имеет фиксированной постоянной топологии, и

ее структура динамически изменяется с течением времени.

69

3.2. Приложения всепроникающих сенсорных сетей

Такие качества ВСС, как малые массогабаритные показатели узлов, малое по-

требление энергии, радио интерфейс, достаточные вычислительные возможности,

сравнительно малая стоимость, привели к их широкому использованию во многих

сферах деятельности человека. ВСС используются в целях автоматизации процессов

сбора информации, мониторинга и контроля характеристик разнообразных техниче-

ских и природных объектов. ВСС могут использоваться для решения широкого кру-

га задач, в частности следующих задач: [35]

– мониторинг инфраструктуры телекоммуникационных сетей;

– мониторинг в сфере транспорта (автомагистралей, железных дорог, метрополите-

на и др.), нефтепроводов и газопроводов, инженерных сетей энерго- и теплоснаб-

жения производственных и жилых помещений;

– мониторинг и анализ транспортных грузопотоков;

– мониторинг окружающей среды, биологический и медицинский мониторинг;

– автоматизация в системах класса "Умный дом";

– выявление и предупреждение чрезвычайных ситуаций (мониторинг сейсмической

активности и вулканической деятельности, анализ атмосферы и прогноз погоды

для своевременного предупреждения о наступлении стихийных бедствий) и другие.

Можно отметить следующие области применения ВСС: [12]

а) Мониторинг состояния окружающей среды. Широкое распространение полу-

чили различные системы измерения параметров окружающей среды (как вне зда-

ний и сооружений, так и внутри них). Они позволяют получать данные о таких па-

раметрах как температура, влажность, давление, содержание различных веществ в

воздухе и воде и т.д. Достоинства применения для этих целей ВСС состоят в значи-

тельной степени автономности таких сетей (нет необходимости частого техниче-

ского обслуживания), простая процедура инсталляции сети (не требуется наличие

специальной инфраструктуры сети связи). Такие системы удобны в эксплуатации

при сложных условиях (например, в регионах с суровым климатом или в районах

стихийных бедствий).

70

б) Мониторинг состояния промышленных объектов. Кроме наблюдения за

окружающей средой объектом мониторинга могут быть различные параметры

промышленных объектов. Среди таких систем следует отметить системы монито-

ринга состояния трубопроводов (и наличия утечек в них), степени износа оборудо-

вания, механических колебаний и вибраций и других, опасных для промышленного

объекта состояний. Такие системы могут сочетать в себе функции мониторинга

окружающей среды.

в) Мониторинг транспорта. Существует два основных подхода к мониторингу

транспорта и загруженности дорог – централизованный и распределенный. При ис-

пользовании централизованного подхода данные о загруженности дорог, скорости

транспортных потоков и т.д. получают от устройств мониторинга, которые распо-

ложены на объектах дорожной инфраструктуры и транспорте (камеры,

GPS/ГЛОНАСС устройства, сенсоры, вмонтированные в дорожное полотно) в еди-

ный центр. В центре эта информация обрабатывается и предоставляется конечным

потребителям, например, службам управления движением, водителям транспорта.

Более современным и перспективным подходом является распределенный подход,

который подразумевает, что обмен информацией происходит непосредственно

между участниками дорожного движения и, возможно, сенсорами, расположенны-

ми на объектах дорожной инфраструктуры. В таком случае нет необходимости в

наличии единого центра обработки информации. Распределенные системы орга-

нично вписываются в концепцию построения самоорганизующихся ad hoc сетей.

Преимущества именно распределенного подхода к мониторингу состояния дорог и

транспорта подчеркиваются интенсивным развитием технологии VANET.

г) Здравоохранение. Одним из интенсивно развивающихся направлений разви-

тия ВСС является построение сетей, предназначенных для мониторинга состояния

жизненных показателей человеческого организма. В таких сетях могут применять-

ся сенсоры температуры тела, пульса, артериального давления, сенсоры постоянно-

го мониторинга уровня глюкозы и других веществ в крови и т.д. Из наборов подоб-

ных сенсоров и шлюза могут строиться системы наблюдения за состоянием здоро-

вья пациентов лечебных учреждений, людей находящихся вне медицинских учре-

71

ждений. При этом получаемые сенсорами данные через, например, сети сотовой

связи передаются на сервер и предоставляются лечащему врачу. Использование

подобных ВСС позволяет без потери контроля за состоянием здоровья пациента

сократить частоту его визитов в медицинские учреждения, что может быть акту-

ально для удаленных населенных пунктов, жителям которых сложно попасть в ме-

дицинское учреждение. Также сети могут применяться и в рамках инфраструктуры

самого медицинского учреждения. Это позволяет отказаться от использования про-

водных медицинских сенсоров и увеличить мобильность пациентов.

д) Системы обнаружения вторжений и слежения за целью. Еще одним направ-

лением использования ВСС являются системы, позволяющие регистрировать про-

никновение в охраняемые объекты и территории, а также следить за передвижени-

ями объектов по территории. В таких системах сенсорные узлы, размещенные на

контролируемой территории (или по ее периметру), контролируют наличие объек-

тов в охраняемой зоне сканирования и в случае наличия таких объектов, передают

информацию об через шлюз ВСС. При достаточной плотности расположения сен-

сорных узлов такие системы позволяют с требуемой точностью восстановить тра-

екторию движения объекта. Традиционно в системах слежения за целью использо-

вались GPS/ГЛОНАСС-сенсоры, размещенные на цели. Однако применение рас-

пределенной по территории ВСС дает ряд преимуществ, по сравнению с этим спо-

собом. Во-первых, в случае использования ВСС нет необходимости использовать

GPS/ГЛОНАСС-сенсор в составе цели, достаточно расположить, например, сенсо-

ры движения на контролируемой местности. Это достоинство особенно актуально,

например в случае, когда требуется отслеживать передвижения диких животных

(отсутствует необходимость в их предварительном отлове), а также в зоне боевых

действий. Кроме этого, размещение сенсоров на контролируемой территории в

случае использования самоорганизующихся беспроводных сетей является не

слишком трудоемким процессом. Сенсорные датчики, как правило, имеют мень-

шую стоимость, чем средства спутникового слежения, однако стоит отметить, что

последнее преимущество компенсируется тем, что для выполнения той же задачи

обычно требуется гораздо больше сенсорных узлов, чем устройств GPS/ГЛОНАСС.

72

Существующий успех и большие перспективы развития ВСС в значительной

мере связаны с тем, что сенсорные сети, построенные по одним и тем же принци-

пам, могут применяться в совершенно различных областях человеческой деятель-

ности. Приложения всепроникающих сенсорных сетей показаны на рисунке 3.3.

Рисунок 3.3 – Приложения всепроникающих сенсорных сетей

73

3.3. Разработка алгоритма кластеризации и выбора головного узла кластера

для всепроникающих сенсорных сетей

Важное место в решение проблем внедрения ВСС занимает архитектура по-

строения сетей. Кластеризация является эффективным способом увеличения жиз-

ненного цикла и уменьшения энергопотребления для всепроникающих сенсорных

сетей [72], [79], [80]. Применение методов нечеткой логики считается эффектив-

ным для кластеризации ВСС [63], [71], [77], [78]. На рисунке 3.4 показана кла-

стерная архитектура в ВСС.

Рисунок 3.4 – Кластерная архитектура в ВСС

3.3.1. Анализ существующих алгоритмов кластеризации во всепроника-

ющих сенсорных сетях

Алгоритм LEACH (Low-Energy Adaptive Clustering Hierarchy) [72]

Иерархический протокол адаптивной кластеризации с низким потреблением

энергии (LEACH) является базовым иерархическим алгоритмом и предназначен

для обеспечения баланса расхода энергии. Жизненный цикл сети состоит из эта-

пов формирования кластера и передачи собранной информации в шлюз, они ил-

люстрируются на рисунке 3.5 [26]. Как правило, все вновь разработанные алго-

ритмы проходят проверку на сравнение с характеристиками алгоритма LEACH.

Этап формирования кластера (Set-up Phase). На этапе формирования кластера

каждый сенсорный узел генерирует случайное число от 0 до 1. Каждый из узлов

сети вычисляет пороговую величину – Т(x), которая соответствует заранее задан-

74

ному числу головных сенсорных узлов в сети. Если полученное случайное число

меньше, чем величины порога – Т(x), то сенсорный узел может стать головным в

текущем раунде ВСС, в противном случае этот узел остаётся в роли члена класте-

ра. Вычисление пороговой величины Т(x) является основной задачей при реализа-

ции алгоритма LEACH.

( ) {

(

)

(3.1)

В (3.1) (Р) – заданная доля головных узлов среди всех сенсорных узлов сети. Ра-

циональное значение (Р) определено эмпирически и оценивается в 5 % от общего

числа узлов сети. Переменная (r) соответствует текущему номеру интервала функ-

ционирования сети, (G) это число сенсорных узлов, которые не были выбраны в ка-

честве головных узлов за последние (1/р) интервалов функционирования. При выбо-

ре головного узла остальные (не головные) узлы выбирают, к какому кластеру, они

будут присоединены на основе мощности сигнала (RSS – Received Signal Strength),

принимаемого от доступных головных узлов. Когда все узлы организованы в кла-

стеры, головной узел формирует расписание передачи данных на основе метода

временного разделения (TDMA), исключает коллизии при передаче сообщений.

Головной

узел Формирование

кластера

Фаза

формирования

кластера

Фаза передачи данных

Раунд Фрейм

ВИ: Временной Интервал

ВИ 1 ВИ 2 ВИ n...

Рисунок 3.5 – Этапы жизненного цикла сети для алгоритма LEACH

Передача данных (Steady-state phase). Головной узел кластера широкополос-

ным способом рассылает расписание передачи и запрашивает своих членов кла-

стера о передаче данных. Узлы передают данные в соответствующие отведенные

для каждого из них интервалы времени. После получения сообщений от всех уз-

лов кластера головной узел формирует свои сообщения и передает их в шлюз или

75

базовую станцию (рисунок 3.5). Для распределения расхода энергии узлами сети

головные узлы периодически переизбираются так, что каждый из членов кластера

имеет и реализует возможность стать головным узлом.

Алгоритм Fuzzy C-Means [71] включает этапы формирования кластера и вы-

бора головного узла кластера в ВСС. Авторы использовали технику Fuzzy C-

Means для формирования кластеров и систему нечеткой логики, основанную на

двух параметрах: уровень энергии и центральность для выбора головного узла

кластера, после этого данные передаются от головного узла кластера к другому

головному узлу до достижения базовой станции. Результаты моделирования пока-

зывают, что предложенный алгоритм увеличивает жизненный цикл сети на 34.13%

по сравнению с алгоритмом LEACH. Длительность жизненного цикла сети рас-

сматривается как временной интервал до гибели последнего сенсорного узла.

Метод Fuzzy C-Means для формирования кластеров относится к нечетким ме-

тодам [10], [11]. Эти методы используют не бинарную логику, которая предпола-

гает четкость во всем. В четких методах элемент принадлежит либо одному кла-

стеру, либо другому. В нечетких методах делается предположение, что каждый

элемент с определенной степенью принадлежит каждому кластеру. В данном ме-

тоде минимизация происходит на основе функции описанной в [11]:

∑ ∑

( ) (3.2)

где – объект, а – центр кластера. | | | | , m – мера нечеткости.

Описание выполнения метода представлено согласно: [11]

Шаг 1. Сначала выбирается количество кластеров M, мера нечеткости

(определяет нечеткость, размазанность кластеров), функция расстояний

( ), а также параметр остановки метода .

Шаг 2. Задается матрица { ( ) } принадлежности объек-

тов к кластеру с центроидом для всех точек и кластеров. Принад-

лежность кластеру выбирается случайно.

Шаг 3. Задаются ограничения: и ∑ для ;

∑ для . Эти ограничения следуют из нечеткой определений

принадлежности [33].

76

Шаг 4. вычисляются центры кластеров по формуле:

∑

∑

(3.3)

Шаг 5. На данном шаге заново вычисляются принадлежности:

∑ ( ( )

( )) ( )⁄

(3.4)

Шаг 6. Проверяется условие ‖ ‖ . Если да, то метод завершает

свою работу, если условие не выполняется, то возвращаемся к шагу 4.

3.3.2. Радиомодель сети

Предполагается, что S сенсоров распределены случайным образом на плоско-

сти, например, для мониторинга окружающей среды, i-й сенсор обозначается si и,

соответственно, множество сенсорных узлов S=s1,s2,.....,sn.

Сенсорное поле разделяется на 2 логических области (первая область от 0 – 50

м и вторая область 50 – 100 м) для эффективной коммуникации между головными

узлами и базовой станцией. Шлюз и головные узлы в непосредственной близости

от БС используют прямую передачу (single hop), головные узлы дальше 50 м от

БС используют шлюз для передачи (multi-hops).

Примем следующие исходные положения:

базовая станция (БС) расположена вне сенсорного поля сети;

сенсорные узлы и БС стационарны;

стационарный шлюз расположен в центре сенсорного поля;

все сенсорные узлы гомогенны (однородны) и имеют одинаковую началь-

ную энергию;

Используется традиционная радиомодель сети, аналогичная

лям [71], [72], [115]. Эта модель представляет собой диссипацию энергии сенсор-

ных узлов для передачи, приема и агрегирования данных. Передатчик рассеивает

больше энергии, чем приемник, так как требует больше энергии для передатчика

электроники и усилителя. С другой стороны, в приемнике, только электронные

схемы рассеивают энергию, как показано на рисунке 3.6.

77

Пакет бит

Передающая

электроника

Принимающая

электроника

Антенна

Tx

Антенна

Rx

Усиление

Пакет бит

Рисунок 3.6 – Радиомодель сети

Уравнение 3.5 показывает формулу, используемую для передачи данных. Она

представляет собой энергию передачи для k битов данных на расстояние d.

( ) ( ) ( ) (3.5)

где ( ) – энергия, затрачиваемая на передачу, ( ) и ( ) – энер-

гии, необходимые для работы электронной схемы передатчика.

Два передающих усилителя используются, как описано [79]. Использование

каждого усилителя передачи на основе порогового расстояния обозначается фор-

мулой 3.6 распространение в свободном пространстве и многолучевого распро-

странения замирания показано в уравнении. 3.7. Если расстояние между передат-

чиком и приемником меньше, чем пороговое d0 , то используется модель Efs.

√

(3.6)

где Efs – постоянное усиление, – мультисетевая постоянная.

Уравнение 3.7 энергия передатчика вместе с энергией агрегации данных EDA. В

алгоритме кластеризации головной узел будет выполнять агрегирование данных,

чтобы сжать полученные данные членов кластера и обеспечить передачу только

одного пакета о событии. Модифицированная модель будет применяться только в

головном узле для передачи данных в базовую станцию.

( ) { ( )

( )

(3.7)

где d – расстояние между передатчиком и приемником.

Для получения k битов данных, полученная энергия радиомодели выражена,

как показано в уравнении. 3.8.

78

( ) (3.8)

где ( ) – энергия, потребляемая при приеме, – энергия передачи и прие-

ма, – размер пакета данных.

Ниже предлагается новый алгоритм выбора головного узла кластера ВСС, ис-

пользующий одновременно преимущества, как диаграмм Вороного, так и методов

нечеткой логики. В блок-схеме, на рисунке 3.7 представлено выполнение алгорит-

ма кластеризации и выбора головного узла кластера для всепроникающих сенсор-

ных сетей в программе «MatLab».

Начало

Размещение

сенсорных узлов

Формирование кластеров с

использованием диаграмм

Вороного

База нечетких

правил

Ввод данных от сенсорных узлов

Остаточная энергия,

Центральность по диаграммам Вороного

Нечеткий

логический

вывод

Приведение к

нечеткости входных

переменных

(фаззификация)

Приведение к четкости

выходной

переменной

(дефаззификация)

Выбор функций

принадлежности

Выбор головного узла кластера на основе нечеткой логики

Сбор и передача данных от

сенсорных узлов к их

головным узлам

Агрегация и передача полученных

данных от головных узлов к

базовой станции

Расстояние

головного узла до

базовой станции

> 50 м ?

Базовая

станция

Агрегация и передача

полученных данных

через шлюз к базовой

станции

Конец

Да Нет

Вывод значения вероятности

выбора головного узла

Рисунок 3.7 – Блок-схем алгоритма кластеризации и выбора головного узла кластера для

всепроникающих сенсорных сетей

79

3.3.3. Формирование кластеров с использованием диаграмм Вороного

Диаграммы Вороного, также известные как разбиение Дирихле, представляют

собой одну из фундаментальных структур, данных в вычислительной геометрии.

Структура Диаграммы Вороного показана на рисунке 3.8. Эти диаграммы с успе-

хом использовались для кластеризации сенсорных сетей [5], [79].

Вершина Вороного

Клетка Вороного

Край Вороного

Рисунок 3.8 – Структура диаграммы Вороного

В разработанном алгоритме формирование кластера осуществляется на основе

диаграмм Вороного. В каждом раунде сенсорное поле разделяется в случайном

порядке. После выбора головного узла кластера в каждом кластере вычисляется

расстояние между сенсорными узлами и головным узлом кластера с использова-

нием формулы (3.9).

( ) ∑ √( )

(3.9)

где – сенсорный узел i в кластере (i=1,…,m) и – головной узел j кластера

(j=1,...,k).

3.3.4. Выбор головного узла кластера на основе нечеткой логики

В разработанном алгоритме используются два параметра для выбора головного

узла кластера в ВСС: остаточная энергия и центральность по диаграммам Вороно-

го. Остаточная энергия и центральность по диаграммам Вороного оцениваются на

основе методов нечеткой логики. Контролер нечеткой логики FLC (Fuzzy Logic

Controller) состоит из следующих компонентов (рисунок 3.9): блока фаззификации,

базы правил, блока нечеткого вывода и блока дефаззификации [33], [51].

Рассмотрим работу данного алгоритма подробнее. От всех сенсорных узлов на

вход контролера нечеткой логики поступают данные о состоянии каждого сен-

сорного узла.

80

Рисунок 3.9 – Контролер нечеткой логики выбора головного узла

Фаззификация – процесс преобразует точные значения входных переменных в

значения лингвистических (нечетких) переменных посредством применения

определенных функций принадлежности.

В таблице 3.1 показаны параметры системы нечеткого вывода и их нечеткие

множества. На выходе из FLC мы будем иметь вероятность выбора головного уз-

ла в процентах.

Таблица 3.1 – Параметры системы нечеткого вывода и их нечеткие множества

Тип

переменной

Наименование

переменной

Терм

множества

Тип функции

принадлежности

Значения

параметров

функции

принадлежности

Входная

Остаточная энергия

[0 ; 0.1] Дж

Малая z-подобная [0 ; 0.02 ; 0.05]

Средняя Треугольная [0.02 ; 0.05; 0.08]

Высокая s-подобная [0.05 ; 0.08; 0.1]

Центральность по

диаграммам Вороного

[0 ; 100] %

Дальняя z-подобная [0 ; 25 ; 50]

Средняя Треугольная [20 ; 50 ; 80]

Близкая s-подобная [50 ; 75 ; 100]

Выходная

Вероятность выбора

головного узла

[0 ; 100] %

Очень малая z-подобная [0 ; 5 ; 15]

Малая Треугольная [5 ; 15 ; 25]

Больше малой Треугольная [15 ; 25 ; 35]

Меньше средней Треугольная [25 ; 35 ; 45]

Средняя Треугольная [35 ; 50 ; 65]

Больше средней Треугольная [55 ; 65 ; 75]

Небольшая Треугольная [65 ; 75 ; 85]

Большая Треугольная [75 ; 80 ; 95]

Очень большая s-подобная [85 ; 95 ; 100]

В качестве функций принадлежности для каждого терма всех лингвистических

переменных выбираем треугольные функции принадлежности. После определе-

ния функции принадлежности и входных параметров необходимо определить ба-

зу правил для соответствующих параметров. На основе таблицы 3.1 для нечетких

множеств указанных параметров, используя программный пакет Fuzzy Logic

81

Toolbox (пакет нечеткой логики в среде MatLab) [69], [89] можно получить функ-

ции принадлежности, которые приведены на рисунке 3.10. На выходе нечеткого

контроллера получаем вероятность выбора головного узла, которая получается в

результате дефаззификации выходного нечеткого решения.

(а)

(б)

(в)

Рисунок 3.10 – Функции принадлежности входных параметров:

а) Остаточная энергия, б) Центральность по диаграммам Вороного

и выходного параметра: в) Вероятность выбора головного узла

База правил, иногда называемая лингвистической моделью, представляет со-

бой множество нечетких правил , k = 1, ..., N вида:

(

)

(

) (3.10)

где n – количество нечетких правил;

– нечеткие множества

, .

82

В таблице 3.2 показаны правила нечеткого вывода для выбора головного узла.

Таблица 3.2 – Правила нечеткого вывода для выбора головного узла

№

правила

Если

Остаточная

энергия

И

Центральность по

диаграммам Вороного

Тогда

Вероятность выбора

головного узла

1 малая дальняя очень малая

2 малая средняя малая

3 малая близкая больше малой

4 средняя дальняя меньше средней

5 средняя средняя средняя

6 средняя близкая больше средней

7 высокая дальняя небольшая

8 высокая средняя большая

9 высокая близкая очень большая

В качестве Т-нормы будем использовать операцию минимума (min), в каче-

стве S-нормы - операцию максимума (max):

( ) ( ) ( ) ( ) (3.11)

( ) ( ) ( ) ( ) (3.12)

Правило нечеткой импликации мы задаем правилом Мамдани:

( ) ( ) ( ) ( ) ( ) ( ) (3.13)

где и – нечеткие множества , отношение R определено на .

Поскольку на выходе блока выработки решения мы получаем одно нечеткое

множество

(вероятность выбора головного узла), то нечеткий вывод опре-

деляется таким образом:

Условие: ( ) это , где

Импликация: ⋃ ( ) ( ) ( ) ( ) (3.14)

Вывод: это ,

Таким образом, вероятность выбора головного узла вычисляется как:

⋃ ( ) (3.15)

Так как правило, нечеткой импликации мы определили Т-нормой типа min, то

выполняется:

⋃ ( ) ⋃ ( )

(3.16)

Следовательно, функция принадлежности нечеткого множества равна:

( )

( )

(3.17)

где функция принадлежности

( ) задается выражением:

( ) ( ) ( )( )

(3.18)

83

Таким образом, на вход нечеткого контроллера подается ( ). Исходя из

(3.18), получаем:

( ) ( ) ( )( )

(

) ( ) (3.19)

Так как в качестве нечеткой импликации используется правило минимума, а

декартово произведение нечетких множеств задается также операцией минимум,

получаем:

( ) { (

) ( )} {

( )

( ) ( )} (3.20)

В результате, используя выражение (3.17), получаем:

( ) {

( ) ( ) ( )}

(3.21)

где и – соответственно входные параметры (остаточная энергия сенсорного

узла и центральность по диаграммам Вороного), и

– соответствующие им

нечеткие множества, k=1,…,N – правила нечеткого вывода, N – количество правил

нечеткого вывода (N=32=9), у – выходной параметр (вероятность выбора головного

узла), – соответствующее ей множество.

В соответствии с полученной базой правил можно выполнить операцию не-

четкого вывода. В качестве вывода для каждого правила используется лингвисти-

ческая переменная «вероятность выбора головного узла» y, множество значений

которой состоит из девяти термов: «очень малая», «малая», «больше малой»,

«меньше средней», «средняя», «больше средней», «небольшая», «большая» и

«очень большая». Значение вероятности выбора головного узла получается в ре-

зультате операции дефаззификации выходного нечеткого множества. Дефаззифи-

кацию выходного значения контроллера (значение вероятности выбора головного

узла) будем производить по методу центра тяжести, используя формулу:

(∑ ∫ ( )

) (∑ ∫

( )

)⁄ (3.22)

где ( ) – функция принадлежности правила выходного нечеткого множества k-

го правила базы правил, k = 1, ..., n ; является точкой, в которой данная функция

принадлежности принимает значение 1.

Результат применения правил нечеткого вывода для выбора головного узла

представлен на рисунке 3.11.

84

Вероятность выбора головного узла = 80 %

Центральность по диаграммам Вороного = 75.8 %

Остаточная энергия = 0.075 Дж

Рисунок 3.11 – Результат применения правил нечеткого вывода для выбора головного узла

Предложенный алгоритм эффективно использован для выбора головного узла

кластера во всепроникающих сенсорных сетях, что показано на рисунке 3.12. Ни-

же это будет доказано при сравнении с известными алгоритмами.

Рисунок 3.12 – Зависимость вероятности выбора головного узла от остаточной энергии

и центральности по диаграммам Вороного

85

3.4. Сравнение характеристик разработанного алгоритма с существую-

щими алгоритмами

В качестве инструментов имитационного моделирования использовался про-

граммный пакет Fuzzy Logic Toolbox (пакет нечеткой логики в среде MatLab), а

также для обработки результатов моделирования использовалось программирова-

ние в MatLab. Моделирование разработанного алгоритма кластеризации произво-

дилось на персональном компьютере (Apple MacBook Pro with Retina Display Mid

2014) с характеристиками: процессор - Intel Core i5 2,8 ГГц; оперативная память -

8ГБ; операционная система - Windows 7 Professional и OS X Yosemite 10.10.5. Мо-

делирование производилось в среде MathWorks MatLab R2011a и R2015b .

3.4.1. Настройка параметров имитационного моделирования

Параметры и их значения для имитационного моделирования приведены в

таблице 3.3.

Таблица 3.3 – Параметры и их значения для имитационного моделирования

Тип Параметр Значение

Топология

сети

Количество узлов (n) (100) Шт.

Вероятность головных узлов (Popt) (10) %

Покрытие сети (Xm) , (Ym) (0, 100) м , (0, 100) м

Расположение базовой станции (BS) (50, 105) м

Расположение шлюза (GW) (50, 50) м

Радиомодель

сети

Первичная энергия на узел (Eo ) (0.1) Дж

Энергия для агрегирования данных (EDA) (5) нДж/бит

Энергия передачи и приема(Eelec) (50) нДж/бит

Постоянное усиление (Efs) (10) пДж/бит/м2

Мультисетевая постоянная (Emp) (0.0013) пДж/бит/м4

Размер пакета данных (k) (1000) бит

3.4.2. Результаты и анализ имитационного моделирования

В качестве модели сети используется модель из 100 узлов, распределенных слу-

чайным образом на плоскости размером 100*100 м2, как показано на рисунке 3.13.

После того, как узлы распределены случайном образом, происходит переход к фор-

мированию кластеров с использованием диаграмм Вороного и выбору головного уз-

ла кластера на основе нечеткой логики (рисунок 3.14). На рисунке 3.15 показаны ре-

зультаты моделирования формирования кластеров с использованием диаграмм Во-

роного и выбора головного узла кластера на основе нечеткой логики при раунде 800.

86

Ра

сс

то

ян

ие

на

ос

и-Y

, м

Расстояние на оси-X, м

BS – Базовая станция GW – Шлюз

Рисунок 3.13 – Распределение сенсорных узлов случайным образом

Расстояние на оси-X, м

Ра

сс

то

ян

ие

на

ос

и-Y

, м

BS – Базовая станция GW – Шлюз

Рисунок 3.14 – Формирование кластеров с использованием диаграмм Вороного

и выбор головного узла кластера на основе нечеткой логики

Расстояние на оси-X, м

Ра

сс

то

ян

ие

на

ос

и-Y

, м

BS – Базовая станция GW – Шлюз

Рисунок 3.15 – Результаты моделирования при раунде 800

87

Для того чтобы оценить эффективность предложенного алгоритма, воспользу-

емся общепризнанными для сравнения метриками: потреблением энергии в сети и

жизненным циклом сети. Жизненным циклом всепроникающей сенсорной сети

называется интервал времени между началом функционирования и гибелью по-

следнего из функционирующих сенсорных узлов. Для алгоритмов кластеризации

жизненный цикл сенсорной сети делится на раунды. Раунд в разработанном алго-

ритме кластеризации состоит из двух фаз, которые в свою очередь делятся на два

этапа: формирование кластера и выбор головного узла кластера, агрегирование

данных и передача данных (см. Рисунок 3.16).

Рисунок 3.16 – Блок-схема раунда в разработанном алгоритме кластеризации

(процесс кластеризации)

На рисунке 3.17 и рисунке 3.18 показаны потребление энергии в сети и жиз-

ненный цикл сети соответственно для предложенного алгоритма по сравнению с

базовым алгоритмом LEACH и хорошо известным алгоритмом с использованием

нечеткой логики Fuzzy C-Means.

Ос

та

то

чн

ая

эн

ер

гия

, Д

ж

Число раундов, время в секундах

Потребление энергии в сети

Алгоритм LEACH

Алгоритм Fuzzy C-Means

Алгоритм CHS–FL–VD

Рисунок 3.17 – Зависимость остаточной энергии от числа раундов

88

Чи

сл

о ж

ив

ущ

их

узл

ов

, Ш

т.

Жизненный цикл сети

Алгоритм LEACH

Алгоритм Fuzzy C-Means

Алгоритм CHS–FL–VD

Число раундов, время в секундах Рисунок 3.18 – Зависимость числа живущих узлов от числа раундов

Как видим, использование диаграмм Вороного в качестве меры центральности

расположения узла (в совокупности с остаточной энергией) и нечеткой логики

позволило существенно (почти в два раза) увеличить жизненный цикл сети по

сравнению и с базовым алгоритмом LEACH, и с алгоритмом Fuzzy C-Means, ос-

нованном также на использовании методов нечеткой логики.

На рисунке 3.19 показано число раундов до гибели первого сенсорного узла,

половины узлов и последнего узла. Погибшим считается сенсорный узел, исчер-

павший свою энергию. Представление характеристик жизненного цикла сенсор-

ной сети в таком виде также подтверждает значительное преимущество предло-

женного алгоритма перед алгоритмами LEACH и Fuzzy C-Means.

Чи

сл

о р

ау

нд

ов

, с

Погибший первый узел

Погибший узел до половины

Погибший последний узел

Алгоритм CHS–FL–VD

Алгоритм Fuzzy C-Means

Алгоритм LEACH

Рисунок 3.19 – Число раундов до гибели первого, половины и последнего узлов

89

Исходя из графиков, выделим для каждого алгоритма кластеризации ВСС зна-

чение показателя – жизненного цикла сети, который соответствуют начальной

энергии узлов Дж, принятой в качестве входного значения при моде-

лировании. В качестве элемента питания узлов ВСС достаточно часто используют

2 элемента питания АА с энергией ~ 18878.4 Дж.

Значения начальной энергии Дж и

Дж (2 батарейки АА), использованные при моделировании и теоретиче-

ском расчете соответственно, для наглядности переведем в миллиампер-часы при

напряжении питания узлов ВСС равным 1.2 В:

⁄ (3.23)

где q – заряд, E – энергия, U – напряжение.

Получим следующие значения зарядов, использованных при моделировании и

теоретическом расчете соответственно в миллиампер-часах:

В ⁄ (3.24)

В ⁄ (3.25)

В таблице 3.4. Полученные значения жизненного цикла сети для разработанно-

го алгоритма по сравнению с известными алгоритмами LEACH и Fuzzy C-Means

для кластеризации ВСС в результате моделирования и теоретического расчета.

Таблица 3.4 – Полученные значения жизненного цикла сети для всех алгоритмов кластери-

зации во ВСС в результате моделирования и теоретического расчета.

Алгоритм

кластеризации

ВСС

Жизненный цикл сети

(секунд) в результате мо-

делирования при значе-

нии начальной энергии

Дж

Жизненный цикл сети (дней)

в результате теоретического

расчета при значении

начальной энергии

Дж

Алгоритм

LEACH 1046 2285

Алгоритм

Fuzzy C-Means 1163 2541

Разработанный

алгоритм

CHS–FL–VD 1992 4352

90

3.5. Выводы по третьей главе

1. Проведен анализ современного состояния развития всепроникающих сенсорных

сетей; определение наиболее важных архитектурных особенностей и приложений их ис-

пользования.

2. Разработан новый алгоритм кластеризации выбора головного кластерного узла с

использованием нечеткой логики и диаграмм Вороного для всепроникающих сенсорных

сетей (CHS–FL–VD). Проведено сравнение с известными алгоритмами LEACH и Fuzzy

C–Means.

3. Разработанный алгоритм выбора головного узла кластера использует в качестве

параметров выбора центральность узла по диаграммам Вороного и остаточную энергию.

Принятие решения о выборе головного узла осуществляется методами нечеткой логики

с помощью правила Мамдани и центра тяжести для дефаззификации.

4. Результаты моделирования показывают, что разработанный алгоритм уменьшает

потребление энергии и продлевает жизненный цикл сети по сравнению с известными

алгоритмами.

5. Результаты моделирования доказали, что разработанный алгоритм позволяет су-

щественно увеличить жизненный цикл сенсорной сети по сравнению с известными ал-

горитмами (на 90% по сравнению с алгоритмом LEACH и на 70% с алгоритмом Fuzzy C-

Means).

91

ГЛАВА 4. РАЗРАБОТКА МЕТОДА КЛАСТЕРИЗАЦИИ В БЕСПРОВОДНЫХ

НАТЕЛЬНЫХ СЕНСОРНЫХ СЕТЯХ С ПРИМЕНЕНИЕМ НЕЧЕТКОЙ ЛОГИКИ

Беспроводные нательные сенсорные сети (БНСС) представляют собой сети сен-

сорных узлов, расположенных либо в непосредственной окрестности тела челове-

ка, либо на и внутри его тела, и взаимодействующих между собой и с центральным

координирующим узлом посредством беспроводной связи, как правило, на основе

стандарта IEEE 802.15.6 [14], [15], [26]. БНСС имеют большой потенциал для рево-

люционного преобразования будущих оздоровительных технологий.

БНСС в соответствии со стандартом IEEE 802.15.6 поддерживают не только

обширную область медицинских приложений, но могут использоваться и для спор-

тивных приложений. БНСС характеризуются следующими особенностями: [66]

– очень низкая мощность передачи как для обеспечения совместимости с другим

медицинским оборудованием, так и для снижения потребления энергии,

– относительно высокая скорость передачи данных с целью обеспечения тре-

буемых параметров качества обслуживания,

– низкая стоимость, небольшая сложность и миниатюрность размеров для

размещения на и в теле человека.

4.1. Анализ современных представлений о беспроводных нательных сен-

сорных сетях

БНСС поддерживает обширную область приложений медицинской и потреби-

тельской электроники. Например, БНСС позволяют производить удаленный мони-

торинг состояния здоровья пациентов в течение длительного времени без ограни-

чений его/ее нормальной активности. Для успешного внедрения БНСС требуется

стандартная модель, которая будет предназначена как для медицинских, так и для

потребительских приложений.

4.1.1. История развития стандарта IEEE 802.15.6 и беспроводных натель-

ных сетей

Стандарту IEEE 802.15.6 предшествовала разработка множества ряда суще-

ствующих в настоящее время и широко используемых стандартов беспроводной

92

связи. Наиболее значимыми из них являются IEEE 802.11 (WLAN), IEEE 802.15

(WPAN), включающий стандарты IEEE 802.15.1 (Bluetooth), IEEE 802.15.4 (ZigBee)

и др. Первый, черновой вариант стандарта IEEE 802.15.6 был опубликован иссле-

довательской группой в мае 2010 года. Окончательная версия стандарта была

опубликована 29 февраля 2012 года [74]. Первые разработки в беспроводных пер-

сональных сетях (WPANs) были сначала сделаны в 90-х годах различными группа-

ми, работающими в MIT (Массачусетский технологический институт). Их началь-

ная цель состояла в том, чтобы соединить информационные устройства, присоеди-

ненные к человеческому телу. Исследователи намеревались использовать электри-

ческое поле, распознающееся расположение тела, посредством которого была по-

нятна бы возможность модуляции электрического поля для передачи данных по

всему телу. Недавние разработки в беспроводных технологиях сфокусированы на

повышении пропускной способности сети, уменьшение энергопотребления и низ-

кой стоимости. Жизненный цикл сети имеет большое значение для БНСС и ее

устройств, требующих стабильного функционирования сети в течение длительного

периода времени. У рабочей группы IEEE 802 было много достижений в реализа-

ции международной стандартизации для БНСС [85]. Постоянный комитет и группа

Wireless Next Generation (WNG) были основаны в январе 2006 года в WG15 (Рабо-

чая группа), целью которых было исследование новых тем и направлений [62]. В

мае 2006 года заинтересованная группа БНСС, а именно (IG-WBAN), начала свою

работу. Исполнительный комитет IEEE 802 WG15 официально утвердил IG-WBAN

как исследовательскую группу SG-WBAN [62]. В 2007 году Комитет IEEE 802 об-

разовал Целевую Группу, названную IEEE 802.15.6 для стандартизации БНСС.

Задача Группы заключалась в определении новых физического уровня и уровня

доступа к среде для БНСС. Выбор физического уровня (частотных диапазонов был

одним из основных вопросов). Доступные для БНСС частоты определяются в раз-

ных странах соответствующими органами [62]. В январе 2008 года SG-WBAN да-

лее рассматривалась как исследовательская группа (TG6) подгруппы стандартов

802.15 [74]. Прием заявок для приложений БНСС к группе TG6 был позже закрыт в

мае 2008 года и все поданные заявления скомпилированы в единый документ. Ра-

93

бочая группа IEEE 802.15.6 создала первый проект коммуникационного стандарта

БНСС в апреле 2010 года для узлов на теле и в теле человека с низким энергопо-

треблением для различных медицинских и не медицинских приложений [85].

Утвержденная версия стандарта IEEE 802.15.6 была ратифицирована в феврале

2012 года [74] и представляет свою цель следующим образом: “Разработать комму-

никационный стандарт для устройств низкой мощности и работы на, в или вокруг

человеческого тела (но не ограниченный людьми), чтобы служить множеству при-

ложений включая медицинские, бытовую электронику, персональные развлечения

и т.п.”. Основной задачей рабочей группы IEEE 802.15.6 являлась разработка MAC

уровня с поддержкой нескольких физических уровней (PHY) для нательных бес-

проводных сетей. Целью создания беспроводных нательных сетей является обслу-

живание различных приложений медицинского направления, например удаленный

контроль состояния здоровья человека, а также приложений для бытовой техники и

персонального развлечения.

4.1.2. Требования к беспроводным нательным сенсорным сетям в

стандарте IEEE 802.15.6

Для БНСС по стандарту IEEE 802.15.6 должны выполняться следующие ос-

новные требования по масштабируемости и жизнеспособности сетей: [90]

• Каналы БНСС должны поддерживать скорости передачи в диапазоне от 10

Кбит/с до 10 Мбит/с.

• Узлы должны быть способны удаляться и добавляться к сети меньше чем за

3 секунды.

• Каждая БНСС должна быть способна к поддержке 256 узлов.

• Узлы должны быть способны к надежной коммуникации, даже когда человек

перемещается в пространстве. Несмотря на то, что для пропускной способности

сети приемлемо некоторое снижение, данные не должны быть потеряны из-за не-

стабильных условий канала.

• Узлы на и в теле человека должны быть способны к сосуществованию.

• БНСС должны быть способны работать в гетерогенной среде, где сети раз-

личных стандартов взаимодействуют между собой, чтобы получить информацию.

94

• Все устройства должны быть способны к передаче на 0,1 мВт (-10 дБм), а

максимальная излучаемая мощность передачи должна быть 1 мВт (0 дБм). Это

соответствует удельному коэффициенту поглощения (SAR) федеральной комис-

сии по связи 1.6 Вт/кг в 1 г ткани тела.

• БНСС может включать технологию UWB – это беспроводная сверхширокопо-

лосная технология связи на малых расстояниях при низких затратах энергии, а также

технологии с узкополосной передачей, чтобы покрыть различные среды и поддер-

живать высокие скорости передачи данных.

• Механизмы энергосбережения должны использоваться, чтобы позволить

БНСС работать в среде с ограничениями по электропитанию.

• Гарантированная полоса пропускания и сосуществование с другими БНСС.

4.1.3. Классификация узлов в беспроводных нательных сенсорных сетях

Узлы в БНСС могут быть классифицированы на две различные группы в зави-

симости от их реализации и роли в сети. Пример

размещения сенсоров на теле человека показан на

рисунке 4.1. В стандарте IEEE 802.15.6 предложена

следующая классификация для узлов в БНСС на

основе того, как они реализуются относительно те-

ла человека: [26], [70], [90]

Имплантированный узел (Implant Node) – узел,

который помещен внутри тела человека или разме-

щен непосредственно под кожей или значительно

глубже внутри тела.

Поверхностный узел (Surface Node) – узел, кото-

рый расположен на поверхности тела, или на рас-

стоянии от него до 2 сантиметров.

Внешний узел (External Node) – узел, который не

контактирует с кожей человека и расположен вне

тела на расстояниях от нескольких сантиметров до 5 метров.

Рисунок 4.1 – Разрешение сен-

соров на \ в теле человека

95

Там же рассматривается классификация узлов в WBANs на основе их роли в

сети:

Координатор (Coordinator) – шлюз к внешнему миру, к другой БНСС, довери-

тельному центру или координатору доступа к сети.

Дочерние «оконечные узлы» (End Nodes) – функции дочерних узлов в БНСС

определяются требованиями выполняемого ими приложения БНСС.

Родительские «транзитные узлы» (Relay Nodes) – выполняют функции транзитно-

го узла для дочерних, обработки и передачи информации от дочерних узлов к коор-

динатору, а также между дочерними узлами при необходимости.

4.1.4. Топология беспроводной нательной сенсорной сети

Рабочая группа IEEE 802.15.6 рассмотрела функционирование БНСС в одноша-

говом (one-hop) и двушаговом режимах (two-hop) топологии ‘звезда’ с узлом в цен-

тре звезды, который находится на талии человека. При этом рассматриваются два

вида передачи данных: передача от устройства к координатору и передача от коор-

динатора к устройству. Взаимодействие может осуществляться как в режиме с мая-

ком, так и без маяка.

В режиме с маяком сетевой координатор, который является узлом в центре то-

пологии ‘звезда’, управляет взаимодействием узлов сети. Он передает периодиче-

ские маяки, чтобы определить начало и конец суперкадра, и чтобы задействовать

сетевое управление ассоциацией и синхронизацию устройства. Рабочий цикл си-

стемы, который является продолжительностью периода маяка, может быть опре-

делен пользователем на основе стандарта БНСС.

В режиме без маяка узел сети может передавать данные к координатору и мо-

жет использовать множественный доступ с контролем несущей и предотвращени-

ем коллизий (CSMA/CA) в случае необходимости. При этом узлы БНСС опраши-

вают координатор для приема данных. Координатор не может общаться с узлами

все время, узлы должны ожидать до тех пор, пока они будут приглашены к уча-

стию во взаимодействии с координатором.

96

Рассмотрим две топологии построения БНСС [95], [97]. В первом случае воз-

можно использование передачи информации на один шаг (one-hop), а во втором –

на множество шагов (multi-hops). БНСС можно классифицировать по используе-

мой топологии:

Звездная топология (One-hop). Сенсор должен потратить достаточно боль-

шую мощность для передачи сигнала, поскольку координатор не всегда может

находиться рядом. При этом жизненный цикл сенсоров уменьшается, а каждый

сенсор, кроме того, может вызвать помехи для других сенсоров в своей области.

Заметим также, что соединение между сенсорами и координатором может быть

прервано из-за сбоя, который возможен при перемещении человека. Все сенсоры

передают жизненно важные данные по направлению к координатору. В системе

БНСС на основе топологии ‘звезда’ все сенсоры передают свои данные непосред-

ственно к координатору. Следует отметить, что топология ‘звезда’ считается

наименее надежной, поскольку для сенсорного узла существует только один путь

передачи данных к координатору.

Кластерная топология (multi-hops). Поскольку каждый сенсор передает сиг-

нал соседнему сенсору, мощность передачи, зона передачи и эффективная пло-

щадь меньше, чем при топологии ‘звезда’. Таким образом, жизненный цикл сен-

сорного узла может увеличиться. Кроме того, если при прямой связи между сен-

сорным узлом и координатором передача данных не удалась, то сенсорный узел

может передать данные к координатору через другой сенсорный узел, который

связан с координатором. По определению топологии сети в стандарте IEEE

802.15.6 топология двух скачков рассматривается как кластерная. Сенсорные уз-

лы в кластере передают пакеты данных на головной узел, а головной узел направ-

ляет полученные пакеты данных к координатору. Итак, в топологии на основе

кластера сенсорный узел может передавать сигнал на свой головной узел кластера

или, при необходимости, на головной узел соседнего кластера, вместо координа-

тора. Так как все сенсорные узлы генерируют пакеты данных и передают их к ко-

ординатору через головной узел кластера, мощность передачи для всех сенсорных

узлов уменьшается, а пропускная способность, скорее всего, увеличивается.

97

4.2. Разработка модели и метода кластеризации для беспроводных

нательных сенсорных сетей

Сенсорные узлы в БНСС являются гетерогенными с тем, чтобы интегрировать

любые возможности для организма человека. Тип и количество сенсорных узлов

отличаются от одного пациента к другому в зависимости от их состояния. Наибо-

лее распространенными типами сенсорных узлов являются ЭЭГ "Электроэнцефа-

лография" для измерения электрической активности мозга, ЭКГ "Электрокардио-

грамма" для записи электрической активности сердца, ЭМГ "Электромиография"

для оценки физиологических свойств мышц. Кроме того, достаточно часто исполь-

зуются сенсорные узлы для измерения кровяного давления, пульса, мониторинга

глюкозы, пульсовой оксиметрии (SpO2), чтобы измерить насыщение кислородом в

крови, для измерения температуры тела, частоты дыхания и т.д. [66], [70], [90].

4.2.1. Модель и архитектура беспроводной нательной сенсорной сети

Модель и архитектура БНСС показана на рисунке 4.2. БНСС состоит из сен-

сорных узлов, координатора и каналов связи для передачи собранной информации

по беспроводной сети, а далее через Интернет/NGN в центры мониторинга, управ-

ления и т.п. [58]

Рисунок 4.2 – Модель и архитектура беспроводной нательной сенсорной сети

98

Классификация узлов в БНСС на основе их роли в сети выглядит следующим

образом:

Координатор – обеспечивает взаимодействие БНСС со шлюзом к внешнему

миру, с другой БНСС, с центром управления и т.п. Все остальные узлы БНСС мо-

гут общаться через координатор.

Сенсоры – сенсорные узлы БНСС, предназначенные для внутренних или внеш-

них измерений определенных параметров около, на и в теле человека. Некоторые

существующие типы сенсоров могут быть использованы в наручных часах, мо-

бильных терминалах, и следовательно, позволяют обеспечить беспроводный мони-

торинг человека в любом месте и в любое время.

Различные виды сенсоров могут быть прикреплены к одежде или размещены на

теле человека, а также имплантированы под кожу. Пациенты не должны физически

присутствовать в клинике врача для рутинной диагностической проверки, если они

оснащены узлами БНСС. Беспроводные сенсорные узлы собирают информацию о

теле человека, чтобы передать ее через координатор в сеть и сохранить биологиче-

скую информацию в центре обработки данных. Хорошо известно, что кластериза-

ция является эффективным методом для построения сенсорных сетей. Далее в дис-

сертации рассмотрим возможности применения кластеризации для БНСС и оценим

эффективность ее применения в сравнении с существующей архитектурой постро-

ения БНСС.

4.2.2. Разработка метода кластеризации для беспроводных нательных

сенсорных сетей

Для кластеризации БНСС используем метод нечеткой логики. В качестве ра-

диомодели используем типовую модель для беспроводных сенсорных сетей,

предложенную в [91]:

Звездная топология (Single-hop):

( ) ( ) ( ) ; ; (4.1)

Если расстояние между передатчиком и приемником меньше, чем пороговое d0

, то используется модель Efs. √

где Efs – постоянное усиление, – мультисетевая постоянная.

99

( ) { ( )

( ) (4.2)

( ) ( ) ( ) ; ( ) (4.3)

где – энергия, затрачиваемая на передачу, – энергия, потребляемая при

приеме, и – энергии, необходимые для работы электронной схемы

передатчика и приемника, соответственно. – энергия, необходимая для схе-

мы усилителя, – размер пакета, d – расстояние между передатчиком и приемни-

ком.

Кластерная топология (multi-hops):

Уравнение 4.4 показывает формулу, используемую для передачи данных. Она

представляет собой энергию передачи для k битов данных на расстояние d.

( ) ( ) ( ) ; ; (4.4)

где ( ) – энергия, затрачиваемая на передачу, ( ) и ( ) –

энергии, необходимые для работы электронной схемы передатчика.

Если расстояние между передатчиком и приемником меньше, чем пороговое ,

то используется модель . √

где – постоянное усиление, – мультисетевая постоянная.

Уравнение 4.5 энергия передатчика вместе с энергией агрегации данных .

( ) { ( )

( ) (4.5)

где – расстояние между передатчиком и приемником.

Для получения k битов данных, полученная энергия радиомодели выражена,

как показано в уравнении. 4.6.

( ) ( ) ( ) ; ( ) (4.6)

где ( ) – энергия, потребляемая при приеме, – энергия передачи и при-

ема, – размер пакета данных.

Предположим далее:

Распределение сенсорных узлов на теле человека осуществляется в фикси-

рованных местах.

Размещение координатора производится на талии.

Все сенсорные узлы гетерогенны.

100

4.2.3. Реализация метода с использованием нечеткой логики

Интеллектуальные функции выбора головного узла кластера предлагается ре-

ализовать на основе аппроксимации зависимостей «входы – выход», построенных

на основе логических высказываний:

⟨

⇒

⇒ ⟩ (4.7)

Лингвистические входные переменные задаются в виде:

⟨ ⟩ (4.8)

где – имя переменной; – терм-множество, каждый элемент которого задается

нечетким множеством на универсальном множестве ; – синтаксические пра-

вила, порождающие функции принадлежности (ФП) названия термов; – семан-

тические правила, задающие функции принадлежности нечетких термов, порож-

денных синтаксическими правилами из . Нечеткий логический вывод предлага-

ется проводить на основе метода Мамдани, который выполняется по базе знаний,

имеющей вид:

( )

⇒ , , (4.9)

где – нечеткий терм, которым оценивается переменная , в j–ом правиле базы

знаний, – заключение j-ого правила, – количество правил в базе знаний,

⇒ –

операция нечеткой импликации, ( | | ) – весовые коэффициенты для

каждого j-ого правила базы знаний, – логическая операция, связывающая по-

сылки в j-ом правиле базы знаний.

В выражении (4.9) все значения входных и выходных переменных заданы не-

четкими множествами. Предположим: ( ) – функция принадлежности входа

[ ], соответствующая нечеткому терму ; ( ) – функция принадлеж-

ности выхода [ ] для нечеткого терма .

Тогда степень выполнения j-го правила для текущего конкретного входного

вектора определяется как:

( ) [ ( ) ( ) ( )] , , (4.10)

где оператор определяется следующим образом:

101

{

(4.11)

Результат нечеткого вывода можно представить как

{ ( )

( )

( )

} (4.12)

Носителем нечеткого множества (4.12) является множество нечетких термов

{ }. Для перехода к нечеткому множеству, заданном на носителе [ ],

выполняются операции импликации и агрегирования. В результате выполнения

операции дефаззификации нечеткого множества , которую можно провести,

например, с помощью метода определения центра тяжести, получается четкое

значение выхода .

4.2.4. Формирование кластеров

В разработанном методе формирование кластеров осуществляется следую-

щим образом: сенсорное поле (тело человека) разделяется на 2 логические обла-

сти (первая область 0 – 100 см и вторая область 100 – 200 см). В каждом раунде

выбор головного узла кластера осуществляется на основе метода нечеткой логи-

ки. После выбора головного узла кластера в каждом кластере вычисляется рас-

стояние между сенсорными узлами и головным узлом кластера с использовани-

ем формулы:

( ) ∑ √( )

(4.13)

где – сенсорный узел i в кластере (i=1,…,m) и – головной узел j кластера

(j=1,...,k).

Расстояние между координатором и головными узлами вычисляется с ис-

пользованием формулы:

( ) √( ) ( ) (4.14)

где – координата головного узла и координатора по оси ,

– координата головного узла и координатора по оси .

102

4.2.5. Выбор головного узла кластера на основе нечеткой логики

В разработанном методе используются два параметра для выбора головного

узла кластера в БНСС: остаточная энергия и расстояние до координатора. Оста-

точная энергия и расстояние до координатора оцениваются на основе методов

нечеткой логики. Рассмотрим работу данного метода подробнее. От всех сен-

сорных узлов на вход контроллера нечеткой логики поступают данные о состоя-

нии каждого сенсорного узла.

Первый этап: Фаззификация – процесс преобразует точные значения вход-

ных переменных в значения лингвистических (нечетких) переменных посред-

ством применения определенных функций принадлежности.

В таблице 4.1 показаны входные и выходные переменные, а также их нечет-

кие значения.

Таблица 4.1 – Входные и выходные переменные и их нечеткие значения

Переменные

системы

Лингвистические

переменные

Лингвистические

значения

Нечеткие

интервалы

входные

переменные

x1 Остаточная

энергия

[0 ; 0.5] Дж

малая [0 ; 0.25]

средняя [0.15 ; 0.35]

высокая [0.25 ; 0.5]

x2 Расстояние

до координатора

[0 ; 100] см

близкая [0 ; 60]

средняя [40 ; 80]

дальняя [70 ; 100]

выходные

переменные

y

Вероятность

выбора

головного

узла

[0 ; 100] %

очень малая [0 ; 15]

малая [5 ; 25]

больше малой [15 ; 35]

меньше средней [25 ; 45]

средняя [35 ; 65]

больше средней [55 ; 75]

небольшая [65 ; 85]

большая [75 ; 95]

очень большая [85 ; 100]

На основе таблицы 4.1 для нечетких множеств указанных параметров, используя

программное обеспечение MatLab [33], [46], [51], [69] можно получить функции

принадлежности. В качестве функций принадлежности для каждого терма всех

лингвистических переменных выбираем треугольные функции принадлежности. По-

сле определения функции принадлежности и входных параметров необходимо опре-

делить базу правил для соответствующих параметров.

103

Второй этап: База правил, иногда называемая лингвистической моделью,

представляет собой множество нечетких правил , k = 1,..., N вида:

(

)

(

) (4.15)

где n – количество нечетких правил; – нечеткие множества

.

. В таблице 4.2 показаны правила нечеткого вывода.

Таблица 4.2 – Правила нечеткого вывода для выбора головного узла

№

правила

Если

Остаточная

энергия

И

Расстояние

до координатора

Тогда

Вероятность выбора

головного узла

1 малая дальняя очень малая

2 малая средняя малая

3 малая близкая больше малой

4 средняя дальняя меньше средней

5 средняя средняя средняя

6 средняя близкая больше средней

7 высокая дальняя небольшая

8 высокая средняя большая

9 высокая близкая очень большая

Третий этап: в качестве правила для блока нечеткого вывода будем исполь-

зовать правило Мамдани:

( ) ( ) ( ) ( ) ( ) ( ) (4.16)

где А и В – нечеткие множества , отношение R определено на .

В результате получаем, что:

( ) { [ ( )

( ) ( )]} (4.17)

где и – соответственно входные параметры (остаточная энергия сенсорного

узла и расстояние до координатора), и

– соответствующие им нечеткие

множества, k=1,…,N – правила нечеткого вывода, N – количество правил нечетко-

го вывода (N = 32 = 9), у – выходной параметр (вероятность выбора головного уз-

ла), – соответствующее ей множество.

В соответствии с полученной базой правил можно выполнить операцию не-

четкого вывода. В качестве вывода для каждого правила используется лингви-

стическая переменная «вероятность выбора головного узла» y, множество значе-

ний которой состоит из девяти термов: «очень малая», «малая», «больше малой»,

«меньше средней», «средняя», «больше средней», «небольшая», «большая» и

«очень большая».

104

Четвертый этап: Значение вероятности выбора головного узла получается в

результате операции дефаззификации выходного нечеткого множества. Дефаз-

зификацию выходного значения контроллера (значение вероятности выбора го-

ловного узла) будем производить по методу центра тяжести, используя формулу:

(∑ ∫ ( )

) (∑ ∫

( )

)⁄ (4.18)

где ( ) – функция принадлежности правила выходного нечеткого множества

k-го правила базы правил, k=1, ..., n; является точкой, в которой данная функ-

ция принадлежности принимает значение 1.

В качестве примера использования рассмотренного метода можно привести

следующий: Если (остаточная энергия сенсорного узла – высокая) И (расстояние

до координатора – близкая), Тогда (вероятность выбора головного узла – очень

большая). Результат применения правил нечеткого вывода для выбора головного

узла представлен на рисунке 4.3.

Рисунок 4.3 – Результат применения правил нечеткого вывода для выбора головного узла

Предложенный метод эффективно использован для выбора головного узла

кластера в БНСС, как показывают результаты моделирования на рисунках 4.4.а и

4.4.б, а также на рисунке 4.5.

105

(а)

(б)

Рисунок 4.4 – Зависимость вероятности выбора головного узла:

а) от остаточной энергии при 40,70 и 90 см расстояний до координатора;

б) от расстояния до координатора при 0.10,0.25 и 0.40 Дж остаточной энергии

Рисунок 4.5 – Зависимость вероятности выбора головного узла от

остаточной энергии и расстояния до координатора

106

4.3. Сравнение разработанного метода кластеризации с существующими

методами построения беспроводных нательных сенсорных сетей

Сравнение разработанного метода кластеризации с существующими методами

построения беспроводных нательных сетей проводилось путем моделирования. В

этом разделе представлены результаты моделирования.

В качестве инструментов моделирования использовался программный пакет

нечеткой логики в среде MatLab, а также для обработки результатов моделирова-

ния использовалось программирование в MatLab. Параметры и их значения для

моделирования приведены в таблице 4.3.

Таблица 4.3 – Параметры и их значения для моделирования

Тип Параметр Значение

Топология

сети

Количество сенсорных узлов (n) (10) Шт.

Вероятность выбора головных узлов (Popt) (20) %

Покрытие сети (Xm) , (Ym) (0, 100) см , (0, 200) см

Высота человеческого тела (180) см

Ширина человеческого тела (60) см

Расположение координатора (45, 110) см

Радио модель

сети

Первичная энергия на узел (Eo ) (0.5) Дж

Энергия для агрегирования данных (EDA) (5) нДж /бит

Энергия передачи (Etx-elec) (16.7) нДж /бит

Энергия приема (Erx-elec) (36.1) нДж /бит

Постоянное усиление (Efs) (10) пДж/бит/м2

Мультисетевая постоянная (Emp) (0.0013) пДж/бит/м4

Размер пакета данных (k) (4000) бит

4.3.1. Метрики эффективности предлагаемого метода

Для того чтобы оценить эффективность предложенного метода кластерной

топологии, используем для сравнения следующие метрики: период стабильности

сети, жизненный цикла сети, энергопотребление в сети и пропускную способ-

ность сети:

1) Жизненный цикл сети представляет собой общее время работы сети до

гибели последнего узла.

2) Периодом стабильности сети является промежуток времени работы сети

до гибели первого узла. Период времени, после момента гибели первого узла до

момента гибели последнего узла называется периодом нестабильности.

107

3) Пропускная способность сети представляет собой общее число пакетов,

успешно полученных на координаторе.

4) Энергопотребление в сети: для того, чтобы исследовать энергопотребле-

ние сенсорных узлов за один раунд, мы рассматриваем параметр остаточной

энергии для анализа потребления энергии в сети.

4.3.2. Результаты и анализ моделирования

В качестве модели сети используется модель из 10 узлов, распределенных

на фиксированных местах на теле человека (высота 180 см и ширина 60 см) как

показано на рисунке 4.6 (а). После того, как узлы распределены, происходит пе-

реход к формированию кластеров и выбору головного узла кластера на основе

нечеткой логики. Топология ‘звезда’ и кластерная топология показаны на рисун-

ках 4.6 (б, в) соответственно.

(а) (б) (в)

Рисунок 4.6 – Результаты моделирования в среде MatLab при раунде 500

На рисунках 4.7, 4.8 и 4.9 показаны результаты моделирования следующих

метрик: периода стабильности сети, жизненного цикла сети, потребления энер-

гии в сети и пропускной способности сети в сравнении для разработанного ме-

тода кластерной топологии с методом звездной топологии.

108

, время в секундах

, Ш

т.

Рисунок 4.7 – Зависимость числа живых узлов от числа раундов

, время в секундах

Рисунок 4.8 – Зависимость остаточной энергии от числа раундов

, время в секундах

Рисунок 4.9 – Зависимость числа пакетов, успешно полученных координатору

от числа раундов

109

На рисунке 4.10 показано число раундов до гибели первого сенсорного узла и

последнего узла для предложенного метода кластерной топологии по сравнению

с методом звездной топологии. Погибшим считается сенсорный узел, исчерпав-

ший свою энергию.

, с

Рисунок 4.10 – Число раундов до гибели первого и последнего узлов

110

4.4. Выводы по четвертой главе

1. В главе исследуются возможности кластеризации для применения в беспровод-

ных нательных сенсорных сетях. Беспроводные нательные сенсорные сети использу-

ются для мониторинга здоровья, а также для контроля медицинских параметров и в

спортивных мероприятиях.

2. Были исследованы Беспроводные нательные сенсорные сети (медицинские сети),

которые являются одним из важнейших сетей концепции Интернета Вещей.

3. Разработан метод кластеризации беспроводной нательной сенсорной сети на ос-

нове нечеткой логики с использованием в качестве параметров расстояния до коорди-

натора и остаточной энергии. Принятие решение о выборе головного узла осуществля-

ется методами нечеткой логики с использованием правила Мамдани и метода центра

тяжести для дефаззификации.

4. Результаты моделирования доказали, что предложенный метод кластеризации

позволяет существенно увеличить период стабильности (около трех раз) и жизненный

цикл БНСС (около двух раз) по сравнению с архитектурой ‘звезда’. Кроме того, обес-

печивается уменьшение энергопотребления в сети и увеличение пропускной способно-

сти сети.

111

ЗАКЛЮЧЕНИЕ

В диссертации разработаны и исследованы методы кластеризации и оценки

качества обслуживания в сетях Интернета Вещей на основе нечеткой логики. Ос-

новные выводы и научные результаты диссертации заключаются в следующем:

1. Анализ концепции Интернета Вещей и особенностей сетей, порожденных

этой концепцией, позволил выявить ряд новых исследовательских задач в области

оценки качества обслуживания для современных сетей связи общего пользования

и в области кластеризации для всепроникающих сенсорных сетей и беспроводных

нательных сенсорных сетей.

2. Были исследованы всепроникающие сенсорные сети и беспроводные

нательные сенсорные сетей сети, которые являются одним из важнейших сетей

концепции Интернета Вещей.

3. Анализ методов нечеткой логики и их применения для решения задач в об-

ласти систем, сетей и устройств телекоммуникаций доказал возможность исполь-

зования для решения вышеуказанных исследовательских задач теории и методов

нечеткой логики.

4. В программе MatLab использовались возможности системы нечеткой ло-

гики, которые позволили провести моделирование, показывающее, что данные

методы будет работать эффективно. В качестве инструментов имитационного мо-

делирования использовался программный пакет Fuzzy Logic Toolbox (пакет не-

четкой логики в среде MatLab), а также для обработки результатов моделирования

использовалось программирование в MatLab.

5. Предложены модель и метод оценки качества предоставления услуги фи-

зиологического мониторинга в сети M2M для электронного здоровья на основе

нечеткой логики. При разработке модели и метода доказано эффективное исполь-

зование нечеткой логики с использованием пакета Fuzzy Logic Toolbox в MatLab.

6. Сеть связи обеспечивает удовлетворительные оценки качества предостав-

ления услуги физиологического мониторинга при задержках до 300 мс и скоро-

стях передачи выше 80 кб/с, а также при скоростях передачи выше 50 кб/с и за-

держках до 100 мс и при доле потерянных пакетов – не более 10-6

.

112

7. Предложен новый класс сетей – сети с малыми задержками. Их появление

обусловлено предоставлением новых услуг игр в реальном времени, для которых

критична задержка в 50 мс, и услуг системы электронного здоровья (e-health), од-

на из которых требует обеспечения задержки в 10 мс.

8. Результаты моделирования гипотетической сети, выполненной в соответ-

ствии с Рек. Y.1541, доказывают, что в сетях связи с малыми задержками сети до-

ступа должны быть выполнены на гигабитных технологиях.

9. Внедрение сетей связи с малыми задержками, создаваемыми, как правило,

для предоставления услуг специализированных провайдеров, например, медицин-

ских, требует изменения подхода к оценке качества обслуживания (QoS). На при-

мере услуги «Аудио и видео системы, в том числе для оперативного вмешатель-

ства» для этой цели предложено использовать методы нечеткой логики.

10. Разработан алгоритм кластеризации с использованием диаграмм Вороного

и выбора головного узла кластера осуществляется методами нечеткой логики, ре-

зультаты моделирования доказали, что предложенный алгоритм позволяет суще-

ственно увеличить жизненный цикл сенсорной сети по сравнению с известными

алгоритмами (на 90% по сравнению с алгоритмом LEACH и на 70% по сравнению

с Fuzzy C-Means алгоритмом).

11. На основе проведённого анализа современных представлений о беспровод-

ных нательных сенсорных сетях определены наиболее важные топологии для

БНСС. Доказаны возможности использования кластеризации для применения в

беспроводных нательных сенсорных сетях.

12. Предложен новый метод кластеризации и выбора головного узла кластера

в БНСС с применением нечеткой логики, результаты моделирования доказали,

что предложенный метод позволяет существенно увеличить период стабильности

(около трех раз) и жизненный цикл БНСС (около двух раз) по сравнению с архи-

тектурой ‘звезда’. Кроме того, обеспечивается уменьшение энергопотребления в

сети и увеличение пропускной способности сети.

113

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

Русскоязычные сокращения

БС Базовая станция

БСС Беспроводная сенсорная сеть

БНСС Беспроводная нательная сенсорная сеть

ВСС Всепроникающая сенсорная сеть

ГЛОНАСС Глобальная навигационная спутниковая система

ИВ Интернет Вещей

МСЭ Международный союз электросвязи

МСЭ-Т Сектор стандартизации телекоммуникаций международного

союза электросвязи

НЛ Нечеткая логика

СМО Система массового обслуживания

ССОП Сеть связи общего пользования

ТфОП Телефонная сеть общего пользования

ЭКГ Электрокардиограмма

ЭМГ Электромиография

ЭЭГ Электроэнцефалография

Англоязычные сокращения

3G 3rd Generation

3GPP 3rd Generation Partnership Project

СЕР Comрleх Еvent Processing

Cisco IBSG Internet Business Solutions Group – Cisco

CSMA/CA Carrier sensing multiple access with collision avoidance

e-health Электронное здоровье

FL Fuzzy Logic

FLC Fuzzy Logic Controller

GPS Global Positioning System

GSI Global Standards Initiative

HANET Home Ad Нос Network

HSPA High Speed Packet Access

IDS Intrusion Detection System

IEEE Institute of Electrical and Electronics Engineers

IMS IP Multimedia Subsystem

IoT Internet of Things

IP Internet Protocol

IPDV IP Delay Variance

IPER IP Error Rate

IPLR IP Loss Ratio

IPTD IP Time Delay

IPTV IP Television

IPv4 Internet Protocol version 4

IPv6 Internet Protocol version 6

114

ITU International Telecommunication Union

ITU-T International Telecommunication Union - Telecommunication

sector

LEACH Low-Energy Adaptive Clustering Hierarchy

LTE Long Term Evolution

M2M Machine-to-Machine communication

MAC Media Access Control

MatLab Matrix Laboratory — пакет прикладных программ для реше-

ния задач технических вычислений и одноимённый язык

программирования, используемый в этом пакете.

MBAN Medical Body Area Networks

MISO Multiple Input, Single Output

NFC Near Field Communication

NGN Next Generation Network

NID Network Identifier

PHY Physical layer

QoE Quality of Experience

QoS Quality of Service

RFID Radio Frequency Identification

RSS Received Signal Strength

SAR Specific Absorption Rate (Удельный коэффициент поглоще-

ния) электромагнитной энергии — показатель, определяю-

щий энергию электромагнитного поля, выделяющуюся в тка-

нях тела человека.

SCADA Supervisory Control And Data Acquisition

TCP Transmission Control Protocol

TDMA Time Division Multiple Access

UNI User Network Interface

USN Ubiquitous Sensor Network

UWB Ultra-Wide Band

VANET Vehicle Ad hoc NETwork

WBAN Wireless Body Area Network

WLAN Wireless Local Area Network

WNG Wireless Next Generation

WoT Web of Things

WPAN Wireless Personal Area Network

WSN Wireless Sensor Network

115

СЛОВАРЬ ТЕРМИНОВ

Актор (Actuator): Исполнительное устройство, воздействующее на окружающую

среду в соответствии с получаемыми им командами.

Базовая станция (Base Station): управляющий узел всей сети, на который переда-

ются данные со всех остальных узлов.

Беспроводная или всепроникающая сенсорная сеть (Wireless/Ubiquitous Sensor

Network): Самоорганизующаяся сеть связи, объединяющая большое количество сенсор-

ных узлов с низким потреблением энергии, передающих на шлюз (ы) сети данные о со-

стоянии окружающей среды или расположенных в ней объектов.

Беспроводные нательные сенсорные сети (Wireless Body Area Networks): Пред-

ставляют собой сети сенсорных узлов, расположенных либо в непосредственной

окрестности тела человека, либо на и внутри его тела, и взаимодействующих между

собой и с центральным координирующим узлом посредством беспроводной связи, как

правило, на основе стандарта IEEE 802.15.6.

Вещь (Thing): Применительно к интернету вещей означает предмет физического

или информационного мира, который может быть идентифицирован и интегрирован в

сети связи.

Гетерогенная сеть (Heterogeneous network): Сеть, состоящая из узлов разного ти-

па, например с разными по емкости источниками энергии.

Головной узел кластера всепроникающей сенсорной сети (Ubiquitous sensor

network cluster head node): Узел, осуществляющий функцию коллектора данных для

сенсорных узлов, входящих в кластер, передающий собранные данные в общие для всей

сети шлюзы, а также в некоторых случаях осуществляющий функцию координации вза-

имодействия узлов кластера.

Гомогенная сеть (Homogeneous network): Сеть с однородной структурой, в кото-

рой используется совместимое оборудование и общие протоколы обмена.

Жизненный цикл сети (Lifetime network): Интервал времени между началом

функционирования и гибелью последнего из функционирующих сенсорных узлов.

Интернет Вещей (Internet of Things): Концепция развития сетей связи, представ-

ляющая глобальную инфраструктуру для информационного общества, которая обеспе-

чивает возможность предоставления услуг путем соединения друг с другом (физических

и виртуальных) вещей на основе существующих и развивающихся функционально сов-

местимых информационно-коммуникационных технологий. В широком смысле – кон-

цепция, согласно которой планируется практически каждое устройство оснастить под-

ключением к сети Интернет.

116

Качество обслуживания (Quality of Service): Гарантированный показатель каче-

ства, определяющий тип трафика и его основные вероятностно-временные характери-

стики: допустимую задержку в обслуживании, достоверность передачи информации,

вероятность отказа в обслуживании, пропускную способность среды передачи инфор-

мации, количество пакетов, потерянных в сети во время передачи.

Кластер всепроникающей сенсорной сети (Ubiquitous sensor network cluster):

Часть всепроникающей сенсорной сети, представляющая собой группу сенсорных уз-

лов, осуществляющих передачу данных в головной узел кластера и только посредством

узлов, входящих в тот же кластер.

Кластеризация (Clustering): Разделение узлов сети на отдельные группы, во главе

которых ставится узел, производящий сбор данных со всех узлов кластера.

Межмашинная коммуникация (Machine-to-Machine Communication): Концеп-

ция, объединяющая ряд технологий, позволяющих организовывать взаимодействие

между различными объектами (устройствами и приложениями) без участия человека

или с участием человека в роли конечного потребителя данных, передаваемых объекта-

ми.

Пакет (Packet): Единица информации, которую компьютер или другое устройство

передают друг другу по сети.

Самоорганизация беспроводных сенсорных сетей (Wireless sensor network self-

organization): Изменения, которые должен осуществить каждый из узлов БСС в своем

поведении, для того, чтобы взаимодействовать с соседними узлами для выполнения

определенной задачи или достижения определенной цели.

Сенсор (Sensor): Устройство, предназначенное для сбора данных об окружающей

среде.

Сенсорное поле (Sensing field): Пространство, покрываемое всепроникающей сен-

сорной сетью.

Сенсорный узел (Sensor node): Устройство, состоящее из сенсора, блока обработки

информации, блока приема и передачи данных по беспроводному каналу, а также ис-

точника питания. Сенсорный узел является частью сенсорной сети и предназначен для

фиксации состояния окружающей среды, обработки полученных данных и передачи их

шлюзу сенсорной сети.

Шлюз всепроникающей сенсорной сети (Wireless sensor network gateway):

Устройство, осуществляющее преобразование протоколов между всепроникающей сен-

сорной сетью и другими сетями связи, которое также может выполнять ряд других

функций.

117

СПИСОК ЛИТЕРАТУРЫ

[1] Аль-Наггар, Я. М. Алгоритм выбора головного узла кластера для всепроникаю-

щих сенсорных сетей / Я. М. Аль-Наггар // Электросвязь. – 2014. – № 9. – С. 14-

18.

[2] Аль-Наггар, Я. М. Кластеризация в беспроводной сенсорной сети на основе не-

четкой логики / Я. М. Аль-Наггар, А. Е. Кучерявый // Труды семинара “Инфоком-

муникационные технологии в цифровом мире”. ЛЭТИ. – 05 декабря 2012. – С. 9-

11.

[3] Аль-Наггар, Я. М. Кластеризация в беспроводных нательных сенсорных сетях

[Электронный документ] / Я. М. Аль-Наггар // Электронный научный журнал

"Информационные технологии и телекоммуникации". Выпуск 1(9)-2015.

СПбГУТ. – С. 4-18. – Режим доступа: http://www.sut.ru/doci/nauka/review/1-15.pdf.

[4] Аль-Наггар, Я. М. Кластеризация в медицинской сети / Я. М. Аль-Наггар // Санкт-

Петербургская организация Общероссийской общественной организации «Рос-

сийское научно-техническое общество радиотехники, электроники и связи им. А.

С. Попова» (СПбНТОРЭС). Юбилейная 70-я научно-техническая конференция,

посвященная дню радио. Труды конференции. – СПб, 21-29 апреля 2015г. – С.

222-223.

[5] Аль-Наггар, Я. М. Кластеризация для всепроникающих сенсорных сетей с ис-

пользованием диаграмм Вороного / Я. М. Аль-Наггар // Санкт-Петербургская ор-

ганизация Общероссийской общественной организации «Российское научно-

техническое общество радиотехники, электроники и связи им. А. С. Попова»

(СПбНТОРЭС). 69-я научно-техническая конференция, посвященная дню радио.

Труды конференции. – СПб, 17-25 Апрель 2014 г. – С. 160-162.

[6] Аль-Наггар, Я. М. Методы нечеткой логики для кластеризации во всепроникаю-

щих сенсорных сетях [Электронный документ] / Я. М. Аль-Наггар // Электрон-

ный научный журнал "Информационные технологии и телекоммуникации". Вы-

пуск 2(6)-2014. СПбГУТ, – С. 34-41. – Режим доступа:

http://www.sut.ru/doci/nauka/review/2-14.pdf.

[7] Аль-Наггар, Я. М. Оценка качества услуги физиологического мониторинга в сети

M2M [Электронный документ] / Я. М. Аль-Наггар, А. Е. Кучерявый // II Между-

народная научно-техническая и научно-методическая конференция «Актуальные

проблемы инфотелекоммуникаций в науке и образовании»: сб. науч. тр.– СПб.:

СПбГУТ. – 26 - 27 февраля 2013. – С. 42-45. – Режим доступа:

http://www.sut.ru/doci/nauka/sbornic_confsut_2013_no_copy.pdf.

[8] Атанов, С. К. Анализ программных средств построения адаптивных моделей с не-

четкой логикой / С. К. Атанов // Вестник науки. Костанайский СТУ им. З. Алдам-

жара. – 2008. – № 3. – С. 2.

[9] Базилевич, К. В. Трафик и работа приборов соединения автоматических телефон-

ных станций / К. В. Базилевич, В.А. Говорков. – М.: Связьтехиздат, 1933. – 176 c.

118

[10] Борисов, А. Н. Принятие решений на основе нечетких моделей: Примеры исполь-

зования / А. Н. Борисов, О. А. Крумберг, И. П. Федоров. – Рига: Зинатне, 1990. –

184 с.

[11] Боровиков, В. П. STATISTICA. Искусство анализа данных на компьютере: Для

профессионалов / В. Боровиков. 2-е изд. (+CD) – СПб.: Питер, 2003. – 688 с.

[12] Выборнова, А. И. Исследование характеристик трафика в беспроводных сенсор-

ных сетях: дис. … канд. техн. наук / А. И. Выборнова. – СПбГУТ, СПб.: 2014. –

183 с.

[13] Голубев, А. Н. Системы коммутации в конце ХХ – начале ХХI века. Проблемы

разработки, внедрения и эксплуатации цифровых систем коммутации / А. Н. Го-

лубев, А. Е. Кучерявый, А. С. Миков // Семинар РНТОРЭС. – Пермь, – 21-23 ап-

реля 1997. – C. 6.

[14] Гольдштейн, Б. С. Сети связи пост-NGN / Б. С. Гольдштейн, А. Е. Кучерявый. –

Санкт-Петербург: БХВ-С. Петербург, 2013. – 160 с.

[15] Дмитриев, А. С. Сверхширокополосные беспроводные нательные сенсорные сети

/ А. С. Дмитриев, В. А. Лазарев, М. И. Герасимов, А. И. Рыжов // Сборник трудов.

Институт радиотехники и электроники им. В. А. Котельникова РАН, Москва. –

2012. – С. 55-61.

[16] Жданов, И. М. Построение городских телефонных сетей / И. М. Жданов, Е.И. Ку-

черявый. – M.: Связь, 1972. – 134 с.

[17] Интернет вещей «взорвется» в 2015 году [Электронный ресурс] – Режим доступа:

http://www.osp.ru/news/2013/0626/13019562/ (дата обращения 15.12.2015).

[18] Интернет вещей и межмашинные коммуникации: современные технологии, трен-

ды, дорожные карты. Обзор ситуации в России и Мире. – J'son & Partners

Consulting, 2013. [Электронный ресурс] – Режим доступа:

http://json.tv/ict_telecom_analytics_view/internet-veschey-i-mejmashinnye-

kommunikatsii-obzor-situatsii-v-rossii-i-mire (дата обращения 22.12.2013).

[19] Клейнрок, Л. Теория массового обслуживания / Л. Клейнрок. – М.: Машиностро-

ение, 1979. – 432 с.

[20] Конышева, Л. К. Основы теории нечетких множеств / Конышева, Л. К., Назаров

Д. М. – М.: Питер, 2011. – 192 с.

[21] Круглов, В. В. Нечеткая логика и искусственные нейронные сети / В. В. Круглов,

М. И. Дли, Р. Ю. Голунов – М.: Физматлит, 2001. – 224 с.

[22] Куташов, П. Д. Городские координатные АТС типа АТСК / П. Д. Куташов, Б. С.

Лившиц, А. Л. Пошерстник, Ханин Г.Б. - М.: Связь, 1970. – 304 с.

[23] Кучерявый, А. Е. Выбор головного узла кластера в однородной беспроводной

сенсорной сети / А. Е. Кучерявый, А. Салим // Электросвязь. – 2009. – № 8. – С.

32-36.

[24] Кучерявый, А. Е. Интернет Вещей / А. Е. Кучерявый // Электросвязь. – 2013. – №

1. – С. 21-24.

[25] Кучерявый, А. Е. Модели трафика для сенсорных сетей в u-России / А. Е. Кучеря-

вый, А. И. Парамонов // Электросвязь. – 2006. – № 6. – С. 15-18.

119

[26] Кучерявый, А. Е. Самоорганизующиеся сети / А. Е. Кучерявый, А. В. Прокопьев,

Е. А. Кучерявый. – СПб.: Любавич, 2011. – 312 с.

[27] Кучерявый, А. Е. Самоорганизующиеся сети и новые услуги / А. Е. Кучерявый //

Электросвязь. – 2009. – № 1. – С. 19-23.

[28] Кучерявый, А. Е. Сети связи общего пользования. Тенденции развития и методы

расчёта / А. Е. Кучерявый, А. И. Парамонов, Е. А. Кучерявый. – М.: ФГУП

ЦНИИС, 2008. – 290 с.

[29] Кучерявый, А. Е. Сети связи с малыми задержками / А. Е. Кучерявый, А. И. Па-

рамонов, Я. М. Аль-Наггар // Электросвязь. – 2013. – № 12. – С. 15-19.

[30] Кучерявый, А. Е. Сети связи следующего поколения / А. Е. Кучерявый, А. Л.

Цуприков. – М.: Центральный научно-исследовательский институт связи

(ЦНИИС), 2006. – 278 с.

[31] Кучерявый, А. Е. Триллионные сети / А. Е. Кучерявый // Телекоммуникации:

спецвыпуск. – 2013. – С. 19-22.

[32] Кучерявый, Е. А. Управление трафиком и качество обслуживания в сети Интернет

/ Е. А. Кучерявый. – СПб.: Наука и техника, 2004. – 336 с.

[33] Леоненков, А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH / А. В.

Леоненков. – СПб.: БХВ–Петербург, 2005. – 736 с.

[34] Лившиц, Б. С. Теория телетрафика / Б. С. Лившиц, А. П. Пшеничников, А. Д.

Харкевич. – М.: Связь, 1979. – 224 с.

[35] Молчанов, Д. А. Приложения беспроводных сенсорных сетей / Д. А. Молчанов, Е.

А. Кучерявый // Электросвязь. – 2006. – № 6. – С. 20-23.

[36] Осадчий, А. И. Проблемы управления беспроводными когнитивными сетями / А.

И. Осадчий, В. И. Комашинский, А. И. Парамонов // Создание потенциала в обла-

сти стратегического управления в электросвязи: семинар центра Мастерства

МСЭ, СПб. – 28 февраля-1 марта 2012. – C. 58.

[37] Пегат, А. Нечеткое моделирование и управление [Электронный ресурс] / А. Пе-

гат; пер. с англ. 2-е издание (электронное) А. Г. Подвесовского, Ю. В. Тюменцева

под редакцией Ю. В. Тюменцева. – М.: БИНОМ. Лаборатория знаний, 2013. – 798

с.

[38] Росляков, А. В. Интернет вещей / Росляков А. В., Ваняшин С. В., Гребешков А.

Ю., Самсонов М. Ю.; под ред. А. В. Рослякова. Самара: ПГУТИ, ООО «Издатель-

ство Ас Гард», 2014. – 342 с.

[39] Рослякова, А. В. Сети следующего поколения NGN / Под ред. А. В. Рослякова. –

М.: Эко–Трендз, 2008. – 424 с.

[40] Рыжков, А. Е. Системы и сети радиодоступа 4G: LTE, WiMAX / А. Е. Рыжков, М.

А. Сиверс, В. О. Воробьев, А. С. Гусаров, А. С. Слышков, Р. В. Шуньков. – СПб.:

Линк, 2012. – 268 с.

[41] Саид, М. А. С. Алгоритм маршрутизации в MANET с прогнозированием QoS на

основе нечеткой логики / М. А. С. Саид, В. И. Комашинский // 63-я НТК: матери-

алы / СПбГУТ. – СПб, 2010. – С. 51-52.

120

[42] Самсонов, М. Ю. Интернет вещей в умном городе / М.Ю. Самсонов, А.Ю. Гре-

бешков, А.В. Росляков, С.В. Ваняшин // ИнформКурьер-Связь. – 2013. – № 10. –

С. 58-61.

[43] Самсонов, М. Ю. От интернета людей к интернету вещей / М. Ю. Самсонов, А. В.

Росляков, С. В. Ваняшин // ИнформКурьер-Связь. –2013. – № 5. – С. 62-64.

[44] Самсонов, М. Ю. Стандартизация Интернета вещей / М. Ю. Самсонов, А. Ю. Гре-

бешков, А. В. Росляков, С. В. Ваняшин // Электросвязь. – 2013. – № 8. – С. 10-13.

[45] Соколов, Н. А. Задачи планирования сетей связи / Н. А. Соколов. – СПб.: Техника

связи, 2012. – 428 с.

[46] Тарасян, В. С. Пакет Fuzzy Logic Toolbox for Matlab: учеб. пособие / В. С. Тара-

сян. – Екатеринбург: Изд–во УрГУПС, 2013. – 112 с.

[47] Тихвинский, В. О. Использование инфраструктуры сетей LTE при построении се-

тей M2M / В. О. Тихвинский, С. В. Терентьев // Электросвязь. – 2012. – № 9. – С.

31-34.

[48] Тихвинский, В. О. Сети мобильной связи LTE. Технологии и архитектура / В. О.

Тихвинский, С. В. Терентьев, А. Б. Юрчук. – М.: Эко-Трендз., 2010. – 284 с.

[49] Чеклецов, В. В. Чувство планеты. Интернет Вещей и следующая технологическая

революция / В. В. Чеклецов. – М.: Российский исследовательский центр по Ин-

тернету Вещей, 2013. – 132 с.

[50] Штовба, С. Д. Введение в теорию нечетких множеств и нечеткую логику [Элек-

тронный ресурс] – Режим доступа: http://matlab.exponenta.ru/fuzzylogic/book1/ (да-

та обращения 15.01.2014).

[51] Штовба, С. Д. Проектирование нечетких систем средствами MATLAB / С. Д.

Штовба. – М.: Горячая линия – Телеком, 2007. – 288 с.

[52] Яновский, Г. Г. IP Multimedia subsystem: принципы, стандарты и архитектура / Г.

Г. Яновский // Вестник связи. – 2006. – № 3. – С. 71-76.

[53] Ярушкина, Н. Г. Основы теории нечетких и гибридных систем / Н.Г. Ярушкина:

учеб. пособие. – М.: Финансы и статистика, 2004. – 320 с.

[54] Яхъяева, Г. Э. Нечеткие множества и нейронные сети: учеб. пособие / Г. Э. Яхъ-

яева. – М.: Интернет-Университет Информационных Технологий; БИНОМ. Лабо-

ратория знаний, 2006. – 315 с.

[55] 3GPP TS 23.203. V 8.9.0., Technical Specification. March, 2010. – 117 p.

[56] 3GPP TS 23.203. V 10.6.0, Technical Specification. March, 2012. – 234 p.

[57] Akyildiz, I.F. A Survey on Sensor Networks / I.F. Akyildiz, W. Su, Y. Sankarasubra-

maniam, and E. Cayirci // IEEE Communications Magazine. – August 2002. – Vol. 40.

– № 8. – PP. 102-114.

[58] Al Masud, S. Study and Analysis of Scientific Scopes, Issues and Challenges towards

Developing a Righteous Wireless Body Area Network / Shah Murtaza Rashid Al Masud

// International Journal of Soft Computing and Engineering (IJSCE) ISSN: 2231–2307. –

May 2013. – Volume-3, Issue-2. – PP. 243-251.

121

[59] Al-Naggar, Y. A novel clustering method for wireless body area sensor networks using

fuzzy logic / Yahya Al-Naggar. // T–Comm: Телекоммуникации и транспорт. – М. T–

Comm. – 2015. – Vol 9. No. 6. – PP. 78-83.

[60] Al-Naggar, Y. Fuzzy Logic and Voronoi Diagram Using for Cluster Head Selection in

Ubiquitous Sensor Networks / Yahya Al-Naggar, Andrey Koucheryavy // Internet of

Things, Smart Spaces, and Next Generation Networks and Systems. 14th International

Conference NEW2AN 2014 and 7th Conference ruSMART 2014, Saint-Petersburg, Rus-

sia. – Proceedings. Springer, LNCS 8638. – August 27-29, 2014. – PP. 319-330.

[61] Andreev, S. Energy-efficient client relay scheme for machine-to-machine communica-

tion / S. Andreev, O. Galinina, Y. Koucheryavy // Global Telecommunications Confer-

ence (GLOBECOM 2011), Proceedings, Houston, Texas, USA. – 5-9 December 2011.

– PP. 1-5.

[62] Astrin, A. W. Standardization for body area networks / Astrin A. W., Li H.B., and Kohno

R. // IEICE Trans. Commun., – 2009. Vol. No. 2. – PP. 366-372.

[63] Ben Alla, S. Gateway and Cluster Head Election using Fuzzy Logic in heterogeneous

wireless sensor networks / Ben Alla S., Ezzati A., Mohsen A. // International Conference

on Multimedia Computing and Systems (ICMCS).10–12, May 2012. – РP. 761-766.

[64] Buckley, J. The Fuzzy Mathematics of Finance / J. Buckley // Fuzzy Sets & Systems,

1987 – № 21. – 39 p.

[65] Carugi, M. M2M enabled ecosystems: e–health. Chapter 9.2 / M. Carugi, C. Li, J.-Y.

Ahn, H. Chen // ITU-T, FG M2M, San Jose. – 13-15November, 2012. – 2 p.

[66] Chehri, A. Survivable and Scalable Wireless Solution for E-health and Emergency Appli-

cations/ Chehri A., Hussein T. Moutah // In EICS4MED 2011. Proceedings of the 1st In-

ternational Workshop on Engineering Interactive Computing Systems for Medicine and

Health Care. Pisa, Italy. – 2011. – PP. 25-29.

[67] ETSI TS 102 689. V.1.1.1. Machine-to-Machine Communications (M2M); M2M Service

Requirements. – Aug. – 2010. – 34 p.

[68] Evans, D. The Internet of Things. How the next evolution of the Internet is changing eve-

rything // Cisco White Paper. Cisco Internet Business Solutions Group. – April 2011

[Электронный ресурс] – Режим доступа:

http://www.cisco.com/web/about/ac79/docs/innov/IoT_IBSG_0411FINAL pdf. (дата

обращения 15.05.2014).

[69] Fuzzy Logic Toolbox™ User’s Guide © COPYRIGHT 1995–2012 // The MathWorks,

Inc. – 351 p.

[70] Garth, V. Wireless Body Area Networks for Healthcare: A Survey / Garth V. Crosby,

Tirthankar Ghosh, Renita Murimi, Craig A. Chin // International Journal of Ad hoc, Sen-

sor & Ubiquitous Computing (IJASUC). – June 2012. Vol.3, No.3. – PP. 1-26.

[71] Hadjila, M. A Routing Algorithm based on Fuzzy Logic Approach to Prolong the Life-

time of Wireless Sensor Networks / Hadjila M., Guyennet H., Feham M // International

Journal of Open Scientific Research IJOSR. – Oct. 2013. – Vol.1, № 5. – PР.24-35.

122

[72] Heinzelman, W. R. An application–specific protocol architecture for wireless microsensor

networks / Heinzelman W. R., Chandrakasan A. P., Balakrishnan H. // IEEE Transactions

on Wireless Communications. – October 2002. – Vol. 1, № 4. – PР.660-670.

[73] Holma, H. LTE for UMTS OFDMA and SC–FDMA Based Radio Access / Holma H.,

Toskala A. – John Wiley and Sons, Ltd. – 2009. – 432 p.

[74] IEEE standard for local and metropolitan area networks: Part 15.6: Wireless body area

networks, IEEE submission. – 29 February 2012. –257 p.

[75] Iera, A. The Internet of Things / A. Iera, C. Floerkemeier, J. Mitsugi, G. Morabito // IEEE

Wireless Communications. – Dec. 2010. – Vol.17., No 6. – PP. 8-9.

[76] ITU Technology Watch Report. E–health Standards and Interoperability. Geneva. –

April, 2012. – 20 p.

[77] Jin–Shyan, L. Fuzzy–Logic–Based Clustering Approach for Wireless Sensor Networks

Using Energy Predication / Jin–Shyan Lee, Senior Member, Wei–Liang Cheng // IEEE

Sensors Journal. – September 2012. – Vol. 12, № 9. – PР.2891-2897.

[78] Karimi, A. Cluster Head Selection Using Fuzzy Logic and Chaotic Based Genetic Algo-

rithm in Wireless Sensor Network / Karimi A., Abedini S. M., Zarafshan F., Al–Haddad

S.A.R. // Journal of Basic and Applied Scientific Research. – 2013. – 3 (4). – PР.694-703.

[79] Koucheryavy, А. Cluster head selection for homogeneous Wireless Sensor Networks / А.

Koucheryavy, A. Salim // Advanced Communicat ion Technology. ICACT 2009. 11th In-

ternational Conference IEEE. – Phoenix Park, Korea. – Feb. 2009. – Vol. 03. – PР. 2141-

2146.

[80] Koucheryavy, A. Prediction-based Clustering Algorithm for Mobile Wireless Sensor

Networks / A. Koucheryavy, A. Salim //International Conference on Advanced Commu-

nication Technology, ICACT 2010. – Phoenix Park, Korea. – 2010. – PP. 1209-1215.

[81] Koucheryavy, A. The QoS Estimation for Physiological Monitoring Service in the

M2M network / A. Koucheryavy, Y. Al-Naggar // Internet of Things and its Enablers

(INTHITEN): Proceedings. Conference, State University of Telecommunication (SUT),

St. Petersburg, Russia. – June 3-4, 2013. – PP. 133-139.

[82] Koucheryavy, A. Ubiquitous Sensor Networks Traffic Models for Medical and Tracking

Applications / A. Koucheryavy, A. Vybornova // The 12th International Conference on

Next Generation Wired/Wireless Networking NEW2AN 2012. Saint-Petersburg. Springer

LNCS 7469. – Aug. 2012. – PP. 27-29.

[83] Koucheryavy, Y. Research Challenges in Vehicular Ad hoc Networks / Y. Koucheryavy,

J. Jakubiak // IEEE CCNC 2008: Proceedings, Las Vegas, USA. – January 10-12, 2008. –

PP. 912-916.

[84] Koucheryavy, Y. Wireless Technologies for IoT: M2M, 3GPP, EE and Cooperative / Y.

Koucheryavy. – SPb.: SUT. – October 2012. – 141 p.

[85] Kwak, K. S. An Overview of IEEE 802.15.6 Standard / Kwak K.S., Ullah S., Ullah N. //

3rd

International Symposium, Applied Science in Biomedical and Communication Tech-

nologies (ISABEL): Proceedings, Rome, Italy. – November 7–10, 2010. –PP. 1-6.

123

[86] Lee, H. Wireless LAN with Medical–Grade QoS for E–Healthcare / H. Lee, K.–J. Park,

Y.–B. Ko1, C.–H. Choi // Journal of Communications and Networks. – April 2011. –

Vol.13, n.2. – PP. 149-159.

[87] Liang, B. A Data Fusion Approach for Power Saving in Wireless Sensor Networks / B.

Liang, Q. Liu // First International Multi–Symposiums on Computer and Computational

Sciences (IMSCCS '06). – 2006. – Vol. 2. – PP. 582-586.

[88] Maraj, A. Analysis of Routing Metrics for Offering IPTV over WiMax using Fuzzy Logic

/ A. Maraj, S. Rugova // WSEAS Transaction on Communications. – July 2010. – Vol. 9,

issue 7. – PP. 439-451.

[89] MathWorks — MATLAB and Simulink for Technical Computing, Fuzzy Logic Toolbox,

Documentation Center. – Режим доступа:

http://www.mathworks.com/help/fuzzy/index.html (дата обращения 20.09.2014).

[90] Movassaghi, S. Wireless Body Area Networks: A Survey. / S. Movassaghi, M. Abolha-

san, J. Lipman, D. Smith, A. Jamalipour // Communications Surveys & Tutorials, IEEE. –

14 Jan. 2014. – Volume: 16, Issue: 3. – PP. 1658-1686.

[91] Nadeem, Q. SIMPLE: Stable Increased–Throughput Multi-hop Protocol for Link Effi-

ciency in Wireless Body Area Networks / Q. Nadeem, N. Javaid, S. N. Mohammad, M.

Y. Khan, S. Sarfraz, M. Gull // Broadband and Wireless Computing, Communication and

Applications (BWCCA), Eighth International Conference on. – 28–30 Oct. 2013. – PP.

221–226.

[92] Park, K.J. IEEE 802.11 WLAN for Medical-grade QoS / K.J.Park, D.M.Shrestha, Y.-

B.Ko, N.H.Vaidya, L.Sha // WiMD’09, New Orleans, Louisiana, USA. – May 18, 2009.

– PP. 3-8.

[93] Pfeiffer, B. M. Succesful Applications of Fuzzy Logic and Fuzzy Control (Part 1) / B. M.

Pfeiffer, J. Jakel, A. Krollet // Automatisierungstechnik. – 2002. – № 10. – PP. 461-471.

[94] Pfeiffer, B. M. Succesful Applications of Fuzzy Logic and Fuzzy Control (Part 2) / B. M.

Pfeiffer, J. Jakel, A. Krollet et al. // Automatisierungstechnik. – 2002. – № 11. – PP. 511-

521.

[95] Pham, T. Maximizing Throughput of Cluster–Based WBAN with IEEE 802.15.6

CSMA/CA / Pham Thanh Hiep, Nguyen Huy Hoang // International Journal of Multime-

dia and Ubiquitous Engineering. – 2014. – Vol.9, No.5 – PP. 391–402.

[96] Potsch, T. Influence of Future M2M Communication on the LTE System / T. Potsch,

S.N.K. Marwat, Y. Zaki, C. Gorg // Wireless and Mobile Networking Conference. Dubai,

United Arab Emirates. – 23-25 April 2013. – 4 p.

[97] Rafatkhah, O. M2E

2: A Novel Multi–hop Routing Protocol for Wireless Body Sensor

Network / O. Rafatkhah M. Z. Lighvan // International Journal of Computer Networks

and Communications Security. – August 2014. – Vol. 2, No. 8, – PP. 260–267.

[98] Recommendation ITU–T G.1011. Reference Guide to Quality of Experience Assessment

Methodologies. – Geneva. – June, 2015. – 26 p.

[99] Recommendation ITU–T. Y.1221. Traffic control and congestion control in IP-based

networks. – Geneva. – June, 2010. – 40 p.

124

[100] Recommendation ITU–T. Y.1540. Internet protocol data communication service – IP

packet transfer and availability performance parameters. – Geneva. – March, 2010. – 52

p.

[101] Recommendation ITU–T. Y.1541. Network Performance Objectives for IP Based Ser-

vices. – Geneva. – December, 2011. – 66 p.

[102] Recommendation ITU–T. Y. 2012. Functional requirements and architecture of next gen-

eration networks. – Geneva. – April, 2010. – 96 p.

[103] Recommendation ITU–T. Y. 2021. IMS for Next Generation Network. – Geneva. – Sep-

tember, 2006. – 20 p.

[104] Recommendation ITU–T. Y.2060. Overview of Internet of Things. – Geneva. – June,

2012. – 22 p.

[105] Recommendation ITU–T. Y.2063. Framework of the WEB of Things. – Geneva. – July,

2012. – 30 p.

[106] Recommendation ITU–T. Y.2069. Terms and definitions for the Internet of things. – Ge-

neva. – July, 2012. – 14 p.

[107] Recommendation ITU–T. Y. 2221. Requirements for Support of Ubiquitous Sensor Net-

work (USN) Applications and Services in the NGN Environment. Geneva. – 2010. – Ge-

neva. – January, 2010. – 32 p.

[108] Shafig, M. Z. A First Look at Cellular Machine–to–Machine Traffic: Large Scale Meas-

urement and Characterization / M.Z. Shafig and all. // 12th ACM Sigmetrics/Performance

International Conference. London, England, UK. – 11-15 June 2012. – PP. 65-76.

[109] Singh, K. An Energy Efficient Approach for Clustering in WSN using Fuzzy Logic / K.

Singh, S. Goutell, S. Verma, N. Pirohit // International Journal of Computer Applications.

– April, 2012. – Vol. 48, № 18. – PP. 8-12.

[110] Sorensen, L. Use scenarios 2020 – a worldwide wireless future / L. Sorensen, K.E.

Skouby // Visions and research directions for the Wireless World. Outlook. Wireless

World Research Forum. – July 2009. – №4. – 42 p.

[111] Vision and Challenges for realizing the Internet of Things. European Commission. –

2010. – 230 p.

[112] Waldner, J.B. Nanocomputers and Swarm Intelligence / J.B. Waldner. – ISTE, – London:

Wiley&Sons, 2008. – 285 p.

[113] Zadeh, L.A. Fuzzy sets / L.A. Zadeh // Information and Control. –1965 (8) – PP. 338-353.

[114] Zadeh, L.A. Outline of a New Approach to the Analysis of Complex Systems and Deci-

sion Processes / L.A. Zadeh // IEEE Transactions on Systems. – 1973. – №1. – PP. 28-45.

[115] Zhan, W. Comparative Study of Various Cluster Formation Algorithms in Wireless Sen-

sor Networks / Zhan Wei Siew, Yit Kwong Chin, Aroland Kiring et al. // 7th International

Conference on Computing and Convergence Technology (ICCCT). – 3-5 Dec. 2012. –

PР.772-777.

125

СПИСОК ИЛЛЮСТРАТИВНОГО МАТЕРИАЛА

Рисунок 1.1 – Временная шкала изменения количества людей и предметов, подключен-

ных к интернету (Источник: Cisco IBSG, апрель 2011 г.) ............................................16

Рисунок 1.2 – Новое направление взаимосвязи, реализуемое Интернетом Вещей (Источ-

ник: МСЭ-Т Y.2060) .........................................................................................................17

Рисунок 1.3 – Схема отображения физических и виртуальных вещей (Источник: МСЭ-Т

Y.2060) ...............................................................................................................................18

Рисунок 1.4 – Умные приложения на основе Интернета Вещей .........................................22

Рисунок 1.5 – Прогноз развития мирового рынка Интернета Вещей в 2010-2020 гг. (Ис-

точник: J'son & Partners Consulting, 2013) ......................................................................23

Рисунок 1.6 – Структура мирового рынка приложений ИВ (Источник: J'son & Partners,

2013)...................................................................................................................................24

Рисунок 1.7 – Последовательность действий при использовании процесса нечеткого ло-

гического вывода ..............................................................................................................28

Рисунок 1.8 – Основные методы дефаззификации ................................................................32

Рисунок 1.9 – Комплексная схема для нечеткого логического вывода...............................34

Рисунок 2.1 – Графики функций принадлежности для термов входной лингвистической

переменной «Скорость передачи информации» ...........................................................44

Рисунок 2.2 – Графики функций принадлежности для термов входной лингвистической

переменной «Задержка» ..................................................................................................44

Рисунок 2.3 – Графики функций принадлежности для термов входной лингвистической

переменной «Доля потери пакетов» ...............................................................................45

Рисунок 2.4 – Графики функций принадлежности для термов выходной лингвистической

переменной «Качество предоставления услуги физиологического мониторинга» .... 45

Рисунок 2.5 – Модель оценки качества предоставления услуги физиологического мони-

торинга ..............................................................................................................................46

Рисунок 2.6 – Этапы оценки этапы оценки качества предоставления услуги физиологи-

ческого мониторинга на основе нечеткой логики ........................................................47

Рисунок 2.7 – Система оценки качества предоставления услуги физиологического мони-

торинга с использованием пакетов Simulink и Fuzzy Logic Toolbox вычислитель-

ной системы MatLab .......................................................................................................48

Рисунок 2.8 – Зависимость, отображающая влияния входных лингвистических перемен-

ных на значение выходной лингвистической переменной ..........................................49

Рисунок 2.9 – Гипотетическая сеть из 8 узлов .......................................................................57

Рисунок 2.10 – Результаты моделирования для участка гипотетической сети со скоро-

стью 4 Мб/с .......................................................................................................................58

Рисунок 2.11 – Результаты моделирования для участка гипотетической сети со скоро-

стью 10 Гб/с ......................................................................................................................58

Рисунок 2.12 – Зависимость оценки качества предоставления услуги “Аудио и видео си-

стемы, в том числе для оперативного вмешательства” от задержки и скорости пере-

дачи информации .............................................................................................................62

126

Рисунок 3.1 – Обобщенная архитектура ВСС........................................................................67

Рисунок 3.2 – Возможные топологии ВСС ............................................................................68

Рисунок 3.3 – Приложения всепроникающих сенсорных сетей ..........................................72

Рисунок 3.4 – Кластерная архитектура в ВСС .......................................................................73

Рисунок 3.5 – Этапы жизненного цикла сети для алгоритма LEACH ................................74

Рисунок 3.6 – Радиомодель сети .............................................................................................77

Рисунок 3.7 – Блок-схем алгоритма кластеризации и выбора головного узла кластера для

всепроникающих сенсорных сетей ................................................................................78

Рисунок 3.8 – Структура диаграммы Вороного .....................................................................79

Рисунок 3.9 – Контролер нечеткой логики выбора головного узла ....................................80

Рисунок 3.10 – Функции принадлежности входных параметров: а) Остаточная энергия,

б) Центральность по диаграммам Вороного и выходного параметра: в) Вероят-

ность выбора головного узла .........................................................................................81

Рисунок 3.11 – Результат применения правил нечеткого вывода для выбора головного

узла.....................................................................................................................................84

Рисунок 3.12 – Зависимость вероятности выбора головного узла от остаточной энергии

и центральности по диаграммам Вороного ...................................................................84

Рисунок 3.13 – Распределение сенсорных узлов случайным образом ................................86

Рисунок 3.14 – Формирование кластеров с использованием диаграмм Вороного и выбор

головного узла кластера на основе нечеткой логики ...................................................86

Рисунок 3.15 – Результаты моделирования при раунде 800 ................................................86

Рисунок 3.16 – Блок-схема раунда в разработанном алгоритме кластеризации ................87

Рисунок 3.17 – Зависимость остаточной энергии от числа раундов ...................................87

Рисунок 3.18 – Зависимость числа живущих узлов от числа раундов ................................88

Рисунок 3.19 – Число раундов до гибели первого, половины и последнего узлов ............88

Рисунок 4.1 – Разрешение сенсоров на \ в теле человека ....................................................94

Рисунок 4.2 – Модель и архитектура беспроводной нательной сенсорной сети ...............97

Рисунок 4.3 – Результат применения правил нечеткого вывода для выбора головного уз-

ла ..................................................................................................................................... 104

Рисунок 4.4 – Зависимость вероятности выбора головного узла: а) от остаточной энер-

гии при 40, 70 и 90 см расстояний до координатора; б) от расстояния до координа-

тора при 0.10, 0.25 и 0.40 Дж остаточной энергии .................................................... 105

Рисунок 4.5 – Зависимость вероятности выбора головного узла от остаточной энергии и

расстояния до координатора ....................................................................................... 105

Рисунок 4.6. Результаты моделирования в среде MatLab при раунде 500 ...................... 107

Рисунок 4.7 – Зависимость числа живых узлов от числа раундов.................................... 108

Рисунок 4.8 – Зависимость остаточной энергии от числа раундов .................................. 108

Рисунок 4.9 – Зависимость числа пакетов, успешно полученных координатором от числа

раундов ........................................................................................................................... 108

Рисунок 4.10 – Число раундов до гибели первого и последнего узлов ............................ 109

127

СПИСОК ТАБЛИЦ

Таблица 2.1 – Требования МСЭ-Т по классам и параметрам качества обслуживания для

услуг системы электронного здоровья (e-health) .........................................................37

Таблица 2.2 – Правила нечеткого логического вывода для оценки качества предостав-

ления услуги физиологического мониторинга ........................................................ 42

Таблица 2.3 – Параметры функций принадлежности лингвистических переменных при

оценке качества предоставления услуги физиологического мониторинга ........... 44

Таблица 2.4 – Классы и параметры качества обслуживания (Y.1541) ........................... 53

Таблица 2.5 – Требования к задержкам и потерям (3GPP, TS 23.203) ........................... 55

Таблица 2.6 – Параметры системы нечеткого логического вывода для оценки качества

предоставления услуги “Аудио и видео системы, в том числе для оперативного

вмешательства ............................................................................................................ 60

Таблица 2.7 – Правила нечеткого вывода для оценки качества предоставления услуги

“Аудио и видео системы, в том числе для оперативного вмешательства” ........... 61

Таблица 3.1 – Параметры системы нечеткого вывода и их нечеткие множества .......... 80

Таблица 3.2 – Правила нечеткого вывода для выбора головного узла .......................... 80

Таблица 3.3 – Параметры и их значения для имитационного моделирования .............. 85

Таблица 3.4 – Полученные значения жизненного цикла сети для всех алгоритмов кла-

стеризации во ВСС в результате моделирования и теоретического расчета ........ 89

Таблица 4.1 – Входные и выходные переменные и их нечеткие значения ................... 102

Таблица 4.2 – Правила нечеткого вывода для выбора головного узла ........................ 103

Таблица 4.3 – Параметры и их значения для моделирования ........................................ 106

128

Приложение А

Основные виды функций принадлежности, применяемые в теории нечетких множеств:[*]

Наименование

функции принад-

лежности

Функция График

Сплайн-функция S-типа

( )

{

(

)

(

)

Сплайн-функция π-типа

( ) { ( ) ( )

Сплайн-функция Z-типа

( )

{

(

)

(

)

Трапециевидная функция π-типа

( )

{

Экспоненциальная функция

( ) [ ( )

]

Z-образная функция

( ) {

S-образные функция ( ) {

Треугольная функция

( )

{

[*] Штовба С. Д. "Введение в теорию нечетких множеств и нечеткую логику". Модели функций принадлежно-

сти. http://matlab.exponenta.ru/fuzzylogic/book1/6.php

129

Приложение Б

130

131

132

133

134

Приложение В

135

136

137

138

139

140

141

142

Приложение Г

Программный код моделирования алгоритма кластеризации и выбора головно-

го узла кластера для всепроникающих сенсорных сетей с использованием MatLab. %******************************************************************************************

% Name: CHS-FL-VD Algorithm consumes less energy, prolongs the network life time for USN

%******************************************************************************************

% MATLAB SOURCE CODE OF ALGORITHM FOR CLUSTERING BASED VORONOI DIAGRAM & FUZZY LOGIC in USN

% PROPOSED AND IMPLEMENTED BY YAHYA AL-NAGGAR

% STUDENT OF PhD AT SUT IN ST.PTETERSPURG (RUSSIA)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

clc

clear all;

close all;

%%%%%%%%%%%%%%%%%%%%%%%%%% PARAMETERS %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%Field Dimensions - x and y maximum (in meters)

xm=100;

ym=100;

%x and y Coordinates of the BS

BS.x=50;

BS.y=108;

n=100 %Number of Nodes in the field

%Optimal Election Probability of a node to become cluster head

p=0.1;

%Energy Model (all values in Joules)

%Initial Energy

Eo=0.1; %Energy supplied to each node

%Eelec=Etx=Erx

ETX=50*0.000000001; % transmitter energy per node

ERX=50*0.000000001; % receiver energy per node

%Transmit Amplifier types

Efs=10*0.000000000001; %amplification energy when d is less than d0

Emp=0.0013*0.000000000001; %amplification energy when d is greater than d0

%Data Aggregation Energy

EDA=5*0.000000001;

%\alpha

a=1;

xylabel=10;

legendsize=10;

sink.x = 50;

sink.y = 108 ;

gw_node.x = 50 ;

gw_node.y = 50 ;

do=sqrt(Efs/Emp);

allive = n;

%maximum number of rounds

rmax1=2200

%%%%%%%%%%%%%%%%%%%%%%%%% END OF PARAMETERS %%%%%%%%%%%%%%%%%%%%%%%%

%Computation of do

do=sqrt(Efs/Emp); %distance between cluster head and base station

figure(1);

for i=1:1:n

S(i).xd=rand(1,1)*xm; %it will distribute the nodes in 1 dimension in x axis randomly

XR(i)=S(i).xd; %we store its value in xr

S(i).yd=rand(1,1)*ym; %it will distribute the nodes in 1 dimension in y axis randomly

YR(i)=S(i).yd; %we store its value in yr

S(i).G=0; % as the no of node that have been cluster head is zero 0

%initially there is no cluster heads any nodes

S(i).type='N'; %%% defines type of node %%%%

temp_rnd0=i;

%Random Election of homogenous Nodes

S(i).E=Eo; %%% for homogenous energy distribution %%%

S(i).ENERGY=0;

plot(S(i).xd,S(i).yd,'bo');

hold on;

end

%plot Base station

S(n+1).xd=BS.x; %BS is a n+1 node, x-axis postion of a node

S(n+1).yd=BS.y; %BS is a n+1 node, y-axis postion of a node

143

S(n+1).xd = xm/2;

S(n+1).yd = ym+4;

plot(S(n+1).xd,S(n+1).yd,'--rs','LineWidth',2,...

'MarkerEdgeColor','k',...

'MarkerFaceColor','g',...

'MarkerSize',10)

text(S(n+1).xd+2,S(n+1).yd,'BS');

plot((S(n+1).xd),(S(n+1).yd/2)-2,'--rs','LineWidth',2,...

'MarkerEdgeColor','k',...

'MarkerFaceColor','g',...

'MarkerSize',10)

text((S(n+1).xd)+2,S(n+1).yd/2-2,'GW');

xlabel('Distance-X, m','FontSize',10,'FontWeight','bold','Color','k')

ylabel('Distance-Y, m','FontSize',10,'FontWeight','bold','Color','k')

title('Randomly deployment of sensor

nodes','FontSize',12,'FontWeight','bold','Color','k')

axis([-9 109 -9 109]);

%% Open fuzzy interference systems

fuzzy CHS.fis

LL = readfis('CHS.fis');

% Energy 0-0.1

% DV 0-100

%% Evaluate Selection Cluster head fuzzy system for different diagram Voronoi

dV1 = 25;

dV2 = 50;

dV3 = 75;

idx =0;

for ii = 0:0.01:0.1

e =ii;

idx = idx+1;

LQ1(idx) = evalfis([e dV1],LL);

LQ2(idx) = evalfis([e dV2],LL);

LQ3(idx) = evalfis([e dV3],LL);

end

E = 0:0.01:0.1;

figure(2);

plot(E,LQ1,'rs-')

hold on

plot(E,LQ2,'g>--')

plot(E,LQ3,'bo:')

title('Cluster head Selection Using Fuzzy Logic');

xlabel('Remaining energy, J');

ylabel('Probability of Cluster-head selection, %');

legend('Centrality by Voronoi diagram = 25','Centrality by Voronoi diagram =

50','Centrality by Voronoi diagram = 75')

grid on

clear LQ LQ1 LQ2 LQ3

%% Evaluate Selection Cluster head fuzzy system for different energy

e1 = 0.02;

e2 = 0.05;

e3 = 0.08;

idx =0;

for ii = 1:10:100

dV =ii;

idx = idx+1;

LQ1(idx) = evalfis([e1 dV],LL);

LQ2(idx) = evalfis([e2 dV],LL);

LQ3(idx) = evalfis([e3 dV],LL);

end

DV = 1:10:100;

figure(3);

plot(DV,LQ1,'rs-')

hold on

plot(DV,LQ2,'g>--')

plot(DV,LQ3,'bo:')

title('Cluster head Selection Using Fuzzy Logic');

xlabel('Centrality by Voronoi diagram, %');

ylabel('Probability of Cluster-head selection, %');

legend('Remaining energy = 0.02','Remaining energy = 0.05','Remaining energy = 0.08')

grid on

144

%%

rmax=200;

for r=0:1:rmax

r

%Election Probability for Nodes

p_homogenous=( p/ (1+a) );

%Operation for homogenous Nodes epoch

if(mod(r, round(1/p_homogenous) )==0)

for i=1:1:n

S(i).G=0;

S(i).cl=0;

end

end

hold off;

%Number of dead nodes

dead=0;

%Number of dead homogenous Nodes

dead_homogenous=0;

%counter for bit transmitted to Bases Station and to Cluster Heads

packets_TO_BS=0;

packets_TO_CH=0;

%counter for bit transmitted to Bases Station and to Cluster Heads per round

PACKETS_TO_BS(r+1)=0;

PACKETS_TO_CH(r+1)=0;

figure(4);

for i=1:1:n

%checking if there is a dead node

if (S(i).E<=0)

plot(S(i).xd,S(i).yd,'bo');

dead=dead+1;

if(S(i).ENERGY==0)

dead_homogenous=dead_homogenous+1;

end

hold on;

end

if S(i).E>0

S(i).type='N';

if (S(i).ENERGY==0)

plot(S(i).xd,S(i).yd,'bo');

end

hold on;

end

end

S(n+1).xd = xm/2;

S(n+1).yd = ym+4;

plot(S(n+1).xd,S(n+1).yd,'--rs','LineWidth',2,...

'MarkerEdgeColor','k',...

'MarkerFaceColor','g',...

'MarkerSize',10)

text(S(n+1).xd+2,S(n+1).yd,'BS');

plot((S(n+1).xd),(S(n+1).yd/2)-2,'--rs','LineWidth',2,...

'MarkerEdgeColor','k',...

'MarkerFaceColor','g',...

'MarkerSize',10)

text((S(n+1).xd)+2,S(n+1).yd/2-2,'GW');

xlabel('Distance-X, m','FontSize',10,'FontWeight','bold','Color','k')

ylabel('Distance-Y, m','FontSize',10,'FontWeight','bold','Color','k')

title('Clustering of the nodes for simula-

tion','FontSize',12,'FontWeight','bold','Color','k')

axis([-9 109 -9 109]);

countCHs=0; %variable, counts the cluster head counter for CHs per round

rcountCHs=0;

cluster=1; %cluster is initialized as 1

for i=1:1:n

if(S(i).E>0)

temp_rand=rand;

if ( (S(i).G)<=0)

%Election of Cluster Heads for homogenous nodes

if((S(i).E>0 && (temp_rand <=(p_homogenous/(1-

p_homogenous*mod(r,round(1/p_homogenous)))))));

countCHs=countCHs+1;

145

packets_TO_BS=packets_TO_BS+1;

PACKETS_TO_BS(r+1)=packets_TO_BS;

S(i).type='C';

S(i).G=100;

C(cluster).xd=S(i).xd;

C(cluster).yd=S(i).yd;

plot(S(i).xd,S(i).yd,'g*');

distance=sqrt( (S(i).xd-(S(n+1).xd) )^2 + (S(i).yd-(S(n+1).yd) )^2 );

C(cluster).distance=distance;

C(cluster).id=i;

X(cluster)=S(i).xd;

Y(cluster)=S(i).yd;

cluster=cluster+1;

%Calculation of Energy dissipated

distance;

if (distance>do)

S(i).E=S(i).E-((ETX+EDA)*(1000)+ Emp*1000*(distance*distance*distance*distance));

end

if (distance<=do)

S(i).E=S(i).E-((ETX+EDA)*(1000) + Efs*1000*(distance*distance));

end

end

end

end

end

%Election of Associated Cluster Head for homogenous Nodes

for i=1:1:n

if ( S(i).type=='N' && S(i).E>0 )

if(cluster-1>=1)

min_dis=sqrt( (S(i).xd-S(n+1).xd)^2 + (S(i).yd-S(n+1).yd)^2 );

min_dis_cluster=1;

for c=1:1:cluster-1

temp=min(min_dis,sqrt( (S(i).xd-C(c).xd)^2 + (S(i).yd-C(c).yd)^2 ) );

if ( temp<min_dis )

min_dis=temp;

min_dis_cluster=c;

end

end

%Energy dissipated by associated Cluster Head

min_dis;

if (min_dis>do)

S(i).E=S(i).E- ( ETX*(1000) + Emp*1000*( min_dis * min_dis * min_dis * min_dis));

end

if (min_dis<=do)

S(i).E=S(i).E- ( ETX*(1000) + Efs*1000*( min_dis * min_dis));

end

%Energy dissipated

if(min_dis>0)

S(C(min_dis_cluster).id).E = S(C(min_dis_cluster).id).E- ( (ERX + EDA)*1000 );

PACKETS_TO_CH(r+1)=n-dead-cluster+1;

end

end

S(i).min_dis=min_dis;

S(i).min_dis_cluster=min_dis_cluster;

end

end

hold on;

%Code for Voronoi Cells Unfortunately if there is a small

%number of cells, Matlab's Voronoi procedure has some problems

[vx,vy]=voronoi(X,Y);

hold on;

voronoi(X,Y);

axis([-9 109 -9 109]);

end

%============================================

% write by Ryms

%============================================

% get size of C

[nn countC] = size(C);

countC

for i=1:1:n

146

GG(i).x = S(i).xd;

GG(i).y = S(i).yd;

GG(i).del = 0;

GG(i).ENERGY = S(i).ENERGY;

var_min.id = 1;

var_min.dis = sqrt( (S(i).xd-C(1).xd)^2 + (S(i).yd-C(1).yd)^2 );

for j=2:1:countC

dis = sqrt( (S(i).xd-C(j).xd)^2 + (S(i).yd-C(j).yd)^2 );

if(dis~=0)

if(dis<var_min.dis)

var_min.dis = dis;

var_min.id = j;

end;

else

GG(i).x = 0;

GG(i).y = 0;

GG(i).del = 1;

end;

end;

GG(i).id = var_min.id;

end;

figure (5);

plot(X,Y,'r*',vx,vy,'k-');

hold on;

for i=1:1:n

if(GG(i).del==0 && GG(i).ENERGY~=0.5)

plot(GG(i).x ,GG(i).y, 'bo');

hold on;

plot(C(GG(i).id).xd ,C(GG(i).id).yd, 'ro');

hold on;

plot(C(GG(i).id).xd ,C(GG(i).id).yd, 'g*');

hold on;

if(C(GG(i).id).yd <= ym/2)

plot([C(GG(i).id).xd xm/2],[C(GG(i).id).yd ym/2],':r');

hold on;

else

plot([C(GG(i).id).xd xm/2],[C(GG(i).id).yd ym+4],':r');

hold on;

end

plot([GG(i).x C(GG(i).id).xd],[GG(i).y C(GG(i).id).yd]);

hold on;

end;

plot([xm/2 xm/2],[ym/2 ym+4],'--g');

hold on;

end;

axis([-9 109 -9 109]);

plot(S(n+1).xd,S(n+1).yd,'--rs','LineWidth',2,...

'MarkerEdgeColor','k',...

'MarkerFaceColor','g',...

'MarkerSize',10)

text(S(n+1).xd+2,S(n+1).yd,'BS');

plot((S(n+1).xd),(S(n+1).yd/2)-2,'--rs','LineWidth',2,...

'MarkerEdgeColor','k',...

'MarkerFaceColor','g',...

'MarkerSize',10)

text((S(n+1).xd)+2,S(n+1).yd/2-2,'GW');

xlabel('Distance-X, m','FontSize',10,'FontWeight','bold','Color','k')

ylabel('Distance-Y, m','FontSize',10,'FontWeight','bold','Color','k')

title('Simulation results of Cluster-head selection with Voronoi Dia-

gram','FontSize',12,'FontWeight','bold','Color','k')

axis([-9 109 -9 109]);

%************************************************************************

% MATLAB SOURCE CODE (ALLIVE & E)

%************************************************************************

packets_to_bs = 0;

packets_to_ch = 0;

packets_to_gw = 0;

%**************************************************************************

147

for i = 1 : 1 :n

S(i).xd = rand(1,1)*xm ;

S(i).yd = rand (1,1)*ym ;

xd(i) = S(i).xd ;

yd(i) = S(i).yd ;

S(i).id = i;

S(i).type = 0;

S(i).g = 0 ;

S(i).E = Eo ;

S(i).type = 0 ;

end

%--------------------------------------------------------------------------

% Region-1 node, direct communication to BS

%--------------------------------------------------------------------------

a0 = 1 ;

count_dir = 0;

x0 = [];

for i = 1:1:n

if ((S(i).xd >= 0) && (S(i).xd <=100) && (S(i).yd >= 80) && (S(i).yd <= 100));

x0{a0} = S(i).id ;

count_dir = count_dir+1;

S0(a0).id = S(i).id;

S0(a0).E = Eo ;

S0(i).id = i;

S0(a0).type = 0 ;

S0(a0).xd = S(i).xd ;

S0(a0).yd = S(i).yd ;

a0 = a0+1 ;

end

end

%--------------------------------------------------------------------------

% Region-2 node direct communication to GW

%--------------------------------------------------------------------------

a = 1 ;

count_dir_gw = 0 ;

x1 = [];

for i = 1:1:n

if ((S(i).xd >= 30) && (S(i).xd <=70) && (S(i).yd >= 30) && (S(i).yd <= 70));

x1{a} = S(i).id ;

count_dir_gw = count_dir_gw + 1 ;

g1(a).id = S(i).id;

g1(a).E = Eo ;

g(i).id = i;

g1(a).g = 0;

g1(a).xd = S(i).xd ;

g1(a).yd = S(i).yd ;

g1(a).type = 0;

a=a+1;

end

end

%-----------------------------------------------------------------------

% Clusters Region-1

%-----------------------------------------------------------------------

b = 1 ;

x2 = [];

countr1 = 0;

for i = 1:1:n

if( (S(i).xd >= 0) && (S(i).xd <30) && (S(i).yd >= 0) && (S(i).yd < 80)||(S(i).xd >

30) && (S(i).xd <=50) && (S(i).yd >= 0) && (S(i).yd < 30)||(S(i).xd > 30) && (S(i).xd <=

50)&&(S(i).yd > 70) && (S(i).yd < 80));

x2{b} = S(i).id ;

countr1 = countr1+1 ;

S2(b).id = S(i).id;

S2(b).E = Eo ;

S2(i).id = i;

S2(b).xd = S(i).xd ;

S2(b).yd = S(i).yd ;

S2(b).type = 0;

b=b+1;

end

end

148

%-----------------------------------------------------------------------

% Clusters Region-2

%-----------------------------------------------------------------------

c0 = 1 ;

x3 = [];

countr2 = 0;

for i = 1:1:n

if ( (S(i).xd > 50) && (S(i).xd <70) && (S(i).yd >= 0) && (S(i).yd < 30)|| (S(i).xd >

70) && (S(i).xd <=100) && (S(i).yd >= 0) && (S(i).yd < 80)||(S(i).xd > 50) && (S(i).xd <

70)&&(S(i).yd > 70) && (S(i).yd < 80));

x3{c0} = S(i).id ;

countr2 = countr2+1 ;

S3(c0).id = S(i).id;

S3(c0).E = Eo ;

S3(i).id = i;

S3(c0).g = 0;

S3(c0).xd = S(i).xd ;

S3(c0).yd = S(i).yd ;

S3(c0).type = 0;

c0=c0+1;

end

end

%--------------------------------------------------------------------------

for r= 0:1:rmax1

r

if(mod(r, round(1/p) )==0)

for i = 1:1:length(x2)

S2(i).type = 0;

S3(i).type = 0;

end

end

%---------------------------------------------------------------------

% dead nodes communicating directly to BS

%---------------------------------------------------------------------

dead_dir= 0;

E1 = 0;

for i = 1:1:length(x0)

if(S0(i).E <= 0)

dead_dir = dead_dir+1 ;

S0(i).id = i;

end

if (S0(i).E>0)

S0(i).type=0;

E1 = E1+S0(i).E ;

end

end

%-------------------------------------------------------------------------

% dead nodes communicating directly to GW

%-------------------------------------------------------------------------

E2 = 0;

dead_dir_gw = 0;

for i = 1:1:length(x1)

if(g1(i).E <= 0)

dead_dir_gw = dead_dir_gw+1 ;

g1(i).id = i;

end

if (g1(i).E>0)

g1(i).type=0;

E2= E2+g1(i).E;

end

end

%--------------------------------------------------------------------------

% dead node in clusters Region-1

%-------------------------------------------------------------------------

dead_c1 = 0;

E3 = 0;

for i = 1:1:length(x2)

if(S2(i).E <= 0)

dead_c1 = dead_c1+1 ;

end

if (S2(i).E>0)

149

S2(i).type=0;

E3= E3+S2(i).E;

end

end

%--------------------------------------------------------------------------

% dead node in clusters Region-2

%-------------------------------------------------------------------------

dead_c2 = 0 ;

E4 = 0;

for i = 1:1:length(x3)

if(S3(i).E <= 0)

dead_c2 = dead_c2+1 ;

S2(i).id = i;

end

if (S3(i).E>0)

S3(i).type=0;

E4= E4+S3(i).E;

end

end

STATISTICS.E(r+1)= E1+E2+E3+E4 ;

dead = dead_c1+dead_c2+dead_dir+dead_dir_gw ;

STATISTICS.DEAD(r+1)= dead_c1+dead_c2+dead_dir+dead_dir_gw ;

STATISTICS.ALLIVE(r+1)=allive-dead ;

%--------------------------------------------------------------------------

% direct packet transfer to BS

%--------------------------------------------------------------------------

for i = 1:1:length(x0)

if(S0(i).type == 0 && S0(i).E >0)

dist0=sqrt( (S0(i).xd-(sink.x) )^2 + (S0(i).yd-(sink.y) )^2 );

if (dist0>do)

S0(i).E= S0(i).E- ( (ETX)*(1000) + Emp*1000*(dist0*dist0*dist0*dist0 ));

end

if (dist0<=do)

S0(i).E= S0(i).E- ( (ETX)*(1000) + Efs*1000*(dist0 * dist0 ));

end

packets_to_bs = packets_to_bs+1;

end

end

%----------------------------------------------------------------------

% direct packet transfer to GW

%----------------------------------------------------------------------

for i = 1:1:length(x1)

if(g1(i).type == 0 && g1(i).E >0)

dist_to_gw =sqrt( (g1(i).xd-(gw_node.x) )^2 + (g1(i).yd-(gw_node.y) )^2 );

if (dist_to_gw>do)

g1(i).E= g1(i).E-((ETX)*(1000)+Emp*1000*(dist_to_gw*dist_to_gw*dist_to_gw*dist_to_gw));

end

if (dist_to_gw<=do)

g1(i).E= g1(i).E- ( (ETX)*(1000) + Efs*1000*(dist_to_gw * dist_to_gw ));

end

packets_to_gw = packets_to_gw+1;

packets_to_bs = packets_to_bs+1;

end

end

%-------------------------------------------------------------------

% Thrshold based CH selection Region-1

%-------------------------------------------------------------

countCHs=0;

cluster=1;

for i = 1:1:length(x2)

if(S2(i).E >0 && S2(i).type ==0)

temp_rand=rand;

if(temp_rand<= (p/(1-p*mod(r,round(1/p)))))

countCHs=countCHs+1;

packets_to_gw= packets_to_gw+1;

packets_to_bs = packets_to_bs+1;

S2(i).type=1;

S2(i).g=round(1/p)-1;

C(cluster).xd=S2(i).xd;

C(cluster).yd=S2(i).yd;

distance=sqrt((S2(i).xd-(gw_node.x) )^2 + (S2(i).yd-(gw_node.y) )^2 );

150

C(cluster).distance=distance;

C(cluster).id=i;

X(cluster)=S(i).xd;

Y(cluster)=S(i).yd;

cluster=cluster+1;

distance;

if (distance>do)

S2(i).E=S2(i).E-((ETX+EDA)*(1000)+Emp*1000*(distance*distance*distance*distance));

end

if (distance<=do)

S2(i).E=S2(i).E- ( (ETX+EDA)*(1000) + Efs*1000*(distance * distance ));

end

if(countCHs == (countr1/6))

break ;

end

end

if(countCHs == (countr1/6))

break ;

end

end

end

%---------------------------------------------------------------------------

% Thrshold based CH selection Region-2

%--------------------------------------------------------------------

countCHs1=0;

cluster1=1;

for i = 1:1:length(x3)

if(S3(i).E >0 && S3(i).type ==0)

temp_rand1=rand;

if(temp_rand1<= (p/(1-p*mod(r,round(1/p)))))

countCHs1=countCHs1+1;

packets_to_gw= packets_to_gw+1;

packets_to_bs = packets_to_bs+1;

S3(i).type=1;

S3(i).g=round(1/p)-1;

C1(cluster1).xd=S3(i).xd;

C1(cluster1).yd=S3(i).yd;

distance1=sqrt((S3(i).xd-(gw_node.x) )^2 + (S3(i).yd-(gw_node.y) )^2 );

C1(cluster1).distance1=distance1;

C1(cluster1).id=i;

X(cluster1)=S3(i).xd;

Y(cluster1)=S3(i).yd;

cluster1=cluster1+1;

distance1;

if (distance1>do)

S3(i).E=S3(i).E-((ETX+EDA)*(1000)+Emp*1000*(distance1*distance1*distance1*distance1));

end

if (distance1<=do)

S3(i).E=S3(i).E- ( (ETX+EDA)*(1000) + Efs*1000*(distance1 * distance1 ));

end

if(countCHs1 == (countr2/6))

break ;

end

end

if(countCHs1 == (countr2/6))

break ;

end

end

end

%-------------------------------------------------

% node association to CH region-1

%-------------------------------------------------

for i=1:1:length(x2)

if ( S2(i).type==0)

if(S2(i).E>0 )

if(cluster-1>=1)

min_dis=Inf;

min_dis_cluster=0;

for c=1:1:cluster-1

temp=min(min_dis,sqrt( (S2(i).xd-(C(c).xd))^2 + (S2(i).yd-(C(c).yd))^2 ) );

if ( temp<min_dis )

151

min_dis=temp;

min_dis_cluster=c;

end

end

min_dis;

if (min_dis>do)

S2(i).E=S2(i).E-((ETX)*(1000)+Emp*1000*(min_dis*min_dis*min_dis*min_dis));

end

if (min_dis<=do)

S2(i).E=S2(i).E-((ETX)*(1000)+ Efs*1000*(min_dis*min_dis));

end

S2(C(min_dis_cluster).id).E =S2(C(min_dis_cluster).id).E- ( (ERX )*1000 );

packets_to_ch=packets_to_ch+1;

S2(i).min_dis=min_dis;

S2(i).min_dis_cluster=min_dis_cluster;

else

min_dis=sqrt( (S2(i).xd-(gw_node.x))^2 + (S2(i).yd-(gw_node.y))^2 );

if (min_dis>do)

S2(i).E=S2(i).E-((ETX)*(1000)+Emp*1000*(min_dis*min_dis* min_dis*min_dis));

end

if (min_dis<=do)

S2(i).E=S2(i).E- ( (ETX)*(1000) + Efs*1000*( min_dis * min_dis));

end

packets_to_gw=packets_to_gw+1;

packets_to_bs = packets_to_bs+1;

end

end

end

end

%--------------------------------------------------------------------

% node association to CH region-2

%-------------------------------------------------

for i=1:1:length(x3)

if ( S3(i).type==0 && S3(i).E>0 )

if(cluster1-1>=1)

min_dis1=Inf;

min_dis_cluster1=0;

for c1=1:1:cluster1-1

temp1=min(min_dis1,sqrt((S3(i).xd-(C1(c1).xd))^2+(S3(i).yd-(C1(c1).yd))^2));

if ( temp1<min_dis1 )

min_dis1=temp1;

min_dis_cluster1=c1;

end

end

min_dis1;

if (min_dis1>do)

S3(i).E=S3(i).E-((ETX)*(1000)+Emp*1000*(min_dis1*min_dis1*min_dis1*min_dis1));

end

if (min_dis1<=do)

S3(i).E=S3(i).E- ((ETX)*(1000)+Efs*1000*(min_dis1*min_dis1));

end

S3(C1(min_dis_cluster1).id).E =S3(C1(min_dis_cluster1).id).E- ( (ERX )*1000 );

packets_to_ch=packets_to_ch+1;

S3(i).min_dis1=min_dis1;

S3(i).min_dis_cluster1=min_dis_cluster1;

else

min_dis1=sqrt( (S3(i).xd-(gw_node.x))^2 + (S3(i).yd-(gw_node.y))^2 );

if (min_dis1>do)

S3(i).E=S3(i).E-((ETX)*(1000)+Emp*1000*(min_dis1*min_dis1*min_dis1*min_dis1));

end

if (min_dis1<=do)

S3(i).E=S3(i).E- ( (ETX)*(1000) + Efs*1000*( min_dis1 * min_dis1));

end

packets_to_gw=packets_to_gw+1;

STATISTICS.PACKETS_TO_BS(r+1)=packets_to_bs;

end

end

end

end

end

STATISTICS.ALLIVE(r+1); STATISTICS.E(r+1);

152

r=0:rmax1;

figure(6)

plot(r,STATISTICS.ALLIVE,'r','linewidth',2);

xlabel('Number of rounds','FontSize',xylabel,'FontName','Arial');

ylabel('Number of Alive Nodes','FontSize',xylabel,'FontName','Arial');

title('Network Lifetime','FontSize',10,'FontWeight','bold','Color','k');

legend1=legend('CHS-FL-VD algorithm');

set(legend1,'FontSize',legendsize)

axis on ; axis ([0 rmax1 0 109]);

grid on;

figure(7)

plot(r,STATISTICS.E,'r','linewidth',2)

xlabel('Number of rounds','FontSize',xylabel,'FontName','Arial');

ylabel('Remaining Energy','FontSize',xylabel,'FontName','Arial');

title('Residual Energy of Network','FontSize',10,'FontWeight','bold','Color','k');

legend1=legend('CHS-FL-VD algorithm');

set(legend1,'FontSize',legendsize);

axis on ; axis ([0 rmax1 0 10.9]);

grid on;

%------------------------------------------------------------

Модель вероятности выбора головного узла от остаточной энергии

и центральности по диаграммам Вороного

Зависимость вероятности выбора головного узла:

а) от остаточной энергии при 25, 50 и 75 м центральности по диаграммам Вороного;

б) от центральности по диаграммам Вороного при 0. 02, 0.05 и 0.08 Дж остаточной энергии

153

На рисунке показано число раундов до гибели первого сенсорного узла, половины узлов и по-

следнего узла предложенного алгоритма CHS-FL-DV

154

На рисунке показано число раундов до гибели первого сенсорного узла, половины узлов и по-

следнего узла предложенного алгоритма CHS-FL-DV по сравнению и с базовым алгоритмом

LEACH, и с алгоритмом Fuzzy C-Means.

figure(6);

Y=[1001 1242 1992

766 1085 1163

654 825 1046];

width = 0.7;

legendsize=12;

figure(8)

bar3(Y,width);

for ii = 1:size(Y,1)

for jj = 1:size(Y,2)

text(jj,ii,Y(ii,jj),num2str(Y(ii,jj)),'fontsize',15,'horizontalalignment','center');

end

end

%%% trick to personnalize the color of each bar:

cd=repmat(1:numel(Y),5,1);

cd=[cd(:);nan];

colormap([[0,1,1];[0,1,0];[1,0,0]

[0,1,1];[0,1,0];[1,0,0]

[0,1,1];[0,1,0];[1,0,0]]);

set(gca,'YGrid','on')

set(gca,'XGrid','on')

zlim([0 2500]);

set(gca,'XTickLabel',{'FND','HND','LND'},'fontsize',12)

set(gca,'YTickLabel',{' CHS-FL-VD algorithm','Fuzzy C-Means algorithm','LEACH algo-

rithm'},'fontsize',12)

zlabel('Number of rounds','fontsize',12)

title('Duration of first, half and last nodes in the network','fontsize',15)

155

Приложение Д

Программный код моделирования метода кластеризации в беспроводных

нательных сенсорных сетях с использованием MatLab.

%************************************************************************

% Name: Method consumes less energy, prolongs the network life time and Stable Increased

% Throughput Efficient for MBAN.

%************************************************************************

% MATLAB SOURCE CODE OF METHOD E-HEALTH FOR MBAN

% PROPOSED AND IMPLEMENTED BY YAHYA AL-NAGGAR

% STUDENT OF PhD AT SUT IN ST.PTETERSPURG (RUSSIA)

%%%%%%%%%%%%%%%%%%%%%%%%%% PARAMETERS %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

clc;

clear all;

close all;

%Field Dimensions(human body) - x and y maximum (in cm)

xm=100; %The width of human body, cm

ym=200; %The height of human body, cm

%Energy Model (all values in Joules)

Eo=0.5; %Initial Energy given to each node

% x and y Coordinates of the coordinator

coordinator.x=45;

coordinator.y=110;

n=10; %Number of Nodes in the field

%Optimal Election Probability of a node to become cluster head

p=0.2;

%Field Dimensions - x and y maximum (in cm)

xm=100; %The width of human body, cm

ym=200; %The height of human body, cm

%Energy Model (all values in Joules)

%Eelec=Etx=Erx

ETX=16.7*0.000000001; % transmitter energy per node

ERX=36.1*0.000000001; % receiver energy per node

Eo=0.5; %Initial Energy given to each node

EDA=5*0.000000001; %5 nJoul %Data Aggregation Energy

%transmit amplifier types

Eelec=50*0.000000001; %50 nJoul

Efs=10*0.000000000001; %amplification energy when d is less than d0

Emp=0.0013*0.000000000001; %amplification energy when d is greater than d0

%%%counter for bit transmitted to Bases Station

packets_TO_COORDINATOR=0;

k=4000; % no of bits in a frame

rmax=8000 %maximum number of rounds

%%%%%%%%%%%%%%%%%%%%%%%%% END OF PARAMETERS %%%%%%%%%%%%%%%%%%%%%%%%

%Computation of do

do=sqrt(Efs/Emp); %distance between cluster head and base station

%x and y Coordinates of the COORDINATOR

% Network establishment

SA(1).xd=50;

SA(1).yd=178; % EEG (head)

SA(2).xd=60;

SA(2).yd=140; % ECG (chest-left)

SA(3).xd=42;

SA(3).yd=140; % Respiration (chest-right)

SA(4).xd=32;

SA(4).yd=128; % Blood pressure (arm)

SA(5).xd=15;

SA(5).yd=83; % Pluse Oximetry - SpO2 (finger)

SA(6).xd=58;

SA(6).yd=120; % Glucose (abdomen)

SA(7).xd=79;

SA(7).yd=100; % Blood Oxygen (wrist)

SA(8).xd=43;

SA(8).yd=70; % EMG (thigh-right)

SA(9).xd=61;

SA(9).yd=55; % Temperature (knee)

SA(10).xd=34;

SA(10).yd=24; % Motion (shin)

156

figure(1);

img=imread('body.png');

% set the range of the axes

% The image will be stretched to this.

min_x = 10;

max_x = 90;

min_y = 0;

max_y = 185;

imshow(img);

imagesc(img);

imagesc([min_x max_x], [min_y max_y],(img));

flipdim(img,1);

axis on ;

axis ([0 100 0 200]) ;

% set the y-axis back to normal.

set(gca,'ydir','normal');

hold on ;

for i = 1:1:n

XR(i)=SA(i).xd;

YR(i)=SA(i).yd;

SA(i).G=0;

SA(i).E=Eo

plot(SA(i).xd ,SA(i).yd, 'ro','LineWidth',2,...

'MarkerEdgeColor','k',...

'MarkerFaceColor','g',...

'MarkerSize',10);

end

plot(Coordinator1.x , Coordinator1.y, '--rs','LineWidth',2,...

'MarkerEdgeColor','k',...

'MarkerFaceColor','r',...

'MarkerSize',12);

%text(sink1.x-0.12 ,sink1.y+0.05,'Coordinator');

xlabel('The width of human body, cm','FontSize',10,'FontWeight','bold','Color','k')

ylabel('The heigth of human body, cm','FontSize',10,'FontWeight','bold','Color','k')

title('Nodes deployment on human body','FontSize',12,'FontWeight','bold','Color','k')

xx=0;

Efs=10*0.000000000001;

do=sqrt(Efs/Emp);

x=rmax;

img=imread('body.png');

hold on ;

% set the range of the axes

% The image will be stretched to this.

min_x = 10;

max_x = 90;

min_y = 0;

max_y = 185;

imshow(img);

imagesc(img);

imagesc([min_x max_x], [min_y max_y],(img));

flipdim(img,1);

axis on ;

axis ([0 100 0 200]) ;

% set the y-axis back to normal.

set(gca,'ydir','normal');

hold on ;

grid on ;

for r=0:rmax

r

hold off;

dead=0;

figure(2);

for i=1:n

if (SA(i).E<=0)

dead=dead+1; % no. of dead nodes for current round

plot(SA(i).xd ,SA(i).yd,'r.'); % plot dead nodes

hold on;

end

if (SA(i).E>0) % healthy nodes

plot(SA(i).xd ,SA(i).yd, 'ro','LineWidth',2,...

'MarkerEdgeColor','k',...

157

'MarkerFaceColor','g',...

'MarkerSize',10);

hold on;

line([SA(i).xd Coordinator1.x], [SA(i).yd Coordinator1.y], 'LineStyle', ':');

end

end

plot(Coordinator1.x ,Coordinator1.y, '--rs','LineWidth',2,...

'MarkerEdgeColor','k',...

'MarkerFaceColor','r',...

'MarkerSize',12);

xlabel('The width of human body, cm','FontSize',10,'FontWeight','bold','Color','k')

ylabel('The heigth of human body, cm','FontSize',10,'FontWeight','bold','Color','k')

title('Direct connection-Star Topology','FontSize',12,'FontWeight','bold','Color','k')

hold on;

DEAD(r+1)=dead; % holding no of dead nodes in rth round..

ALIVE(r+1)=n-dead;

% Calculating energy consumption for the current round

energy=0;

for i=1:n

if (SA(i).E>0)

D(i)=sqrt( (SA(i).xd-(Coordinator1.x) )^2 + (SA(i).yd-(Coordinator1.y) )^2 );

if (D(i)>do)

Etx(i)=( Eelec+Emp*D(i)*D(i)*D(i)*D(i) )*k;

else

Etx(i)=( Eelec+Efs*D(i)*D(i) )*k;

end

SA(i).E=SA(i).E-Etx(i);

energy=energy+SA(i).E; % Energy in the network

end

packets_TO_COORDINATOR=packets_TO_COORDINATOR+1;

PACKETS_TO_COORDINATOR(r+1)=packets_TO_COORDINATOR;

end

STATISTICS.PACKETS_TO_COORDINATOR(r+1)=packets_TO_COORDINATOR;

residue_energy(r+1)=energy;

end

for i=1:1:x+1

q(i)=i;

end

STATISTICS.PACKETS_TO_COORDINATOR(r+1);

r=0:rmax;

legendsize=10;

figure(3);

plot(q,ALIVE,'r','linewidth',2);

xlabel('Number of rounds (r)','FontSize',10,'FontWeight','bold','Color','k');

ylabel('Number of Alive Nodes','FontSize',10,'FontWeight','bold','Color','k');

title('The network stability period & Network Life-

time','FontSize',12,'FontWeight','bold','Color','k');

legend1=legend('Via direct connection’);

set(legend1,'FontSize',legendsize);

axis on ; axis ([0 rmax 0 10.8]);

grid on;

figure(4);

plot(q,residue_energy,'r','linewidth',2);

xlabel('Number of rounds (r)','FontSize',10,'FontWeight','bold','Color','k');

ylabel('Remainig Energy of the network

(J)','FontSize',10,'FontWeight','bold','Color','k');

title('Residual Energy','FontSize',12,'FontWeight','bold','Color','k');

legend1=legend('Via direct connection’);

set(legend1,'FontSize',legendsize);

axis on ; axis ([0 rmax 0 5.8]);

grid on;

figure(5);

plot(r,STATISTICS.PACKETS_TO_COORDINATOR,'r','linewidth',2)

xlabel('Number of rounds (r)','FontSize',10,'FontWeight','bold','Color','k');

ylabel('Number of packets received successfully to Coordina-

tor','FontSize',10,'FontWeight','bold','Color','k');

title('Throughput of Network','FontSize',12,'FontWeight','bold','Color','k');

legend1=legend('Via direct connection’);

set(legend1,'FontSize',legendsize);

grid on;

%-------------------------------------------------------------

158

% Network establishment

S(1).xd=50;

S(1).yd=178; % EEG (head)

S(2).xd=60;

S(2).yd=140; % ECG (chest-left)

S(3).xd=42;

S(3).yd=140; % Respiration (chest-right)

S(4).xd=32;

S(4).yd=128; % Blood pressure (arm)

S(5).xd=15;

S(5).yd=83; % Pulse Oximetry - SpO2 (finger)

S(6).xd=58;

S(6).yd=120; % Glucose (abdomen)

S(7).xd=79;

S(7).yd=100; % Blood Oxygen (wrist)

S(8).xd=43;

S(8).yd=70; % EMG (thigh-right)

S(9).xd=61;

S(9).yd=55; % Temperature (knee)

S(10).xd=34;

S(10).yd=24; % Motion (shin)

img=imread('body.png');

% set the range of the axes

% The image will be stretched to this.

min_x = 10;

max_x = 90;

min_y = 0;

max_y = 185;

imshow(img);

imagesc(img);

imagesc([min_x max_x], [min_y max_y],(img));

flipdim(img,1);

axis on ;

axis ([0 100 0 200]) ;

set(gca,'ydir','normal'); % set the y-axis back to normal.

hold on ;

%--------------------------------------------------------------------------

legendsize=10;

allive = n;

packets_to_coor = 0;

packets_to_ch1 = 0;

packets_to_ch2 = 0;

%--------------------------------------------------------------------------

figure(6);

for i = 1:1:n

XR(i)=S(i).xd;

YR(i)=S(i).yd;

S(i).G=0;

S(i).E=Eo

plot(S(i).xd ,S(i).yd, 'ro','LineWidth',2,...

'MarkerEdgeColor','k',...

'MarkerFaceColor','g',...

'MarkerSize',10);

end

plot(coordinator.x , coordinator.y, '--rs','LineWidth',2,...

'MarkerEdgeColor','k',...

'MarkerFaceColor','r',...

'MarkerSize',12);

%text(sink1.x-0.12 ,sink1.y+0.05,'Coordinator');

xlabel('The width of human body, cm','FontSize',10,'FontWeight','bold','Color','k')

ylabel('The heigth of human body, cm','FontSize',10,'FontWeight','bold','Color','k')

title('Cluster-head connection - Cluster Topolo-

gy','FontSize',12,'FontWeight','bold','Color','k')

% Cluster R1

%--------------------------------------------------------------

for i = 1:1:n

if( (S(i).xd >= 0) && (S(i).xd <100) && (S(i).yd >= 0) && (S(i).yd < 100));

S1(i).E = Eo ;

S1(i).g = 0;

S1(i).xd = S(i).xd ;

S1(i).yd = S(i).yd ;

159

S1(i).type = 0;

end

end

% Cluster R2

%-----------------------------------------------------------------------

for i = 1:1:n

if( (S(i).xd >= 0) && (S(i).xd <100) && (S(i).yd >= 100) && (S(i).yd < 200));

S2(i).E = Eo ;

S2(i).xd = S(i).xd ;

S2(i).yd = S(i).yd ;

S2(i).type = 0;

end

end

%--------------------------------------------------------------------------

for r= 0:1:rmax

r

if(mod(r, round(1/p) )==0)

for i = 1:1:n

S1(i).type = 0;

S2(i).type = 0;

end

end

% dead node in cluster 1

%-------------------------------------------------------------------------

dead_c1 = 0;

E1 = 0;

for i = 1:1:n

if(S1(i).E <= 0)

dead_c1 = dead_c1+1 ;

end

if (S1(i).E>0)

S1(i).type=0;

E1= E1+S1(i).E;

end

end

% dead node in cluster 2

%-------------------------------------------------------------------------

dead_c2 = 0 ;

E2 = 0;

for i = 1:1:n

if(S2(i).E <= 0)

dead_c2 = dead_c2+1 ;

end

if (S2(i).E>0)

S2(i).type=0;

E2= E2+S2(i).E;

end

end

STATISTICS.E(r+1)= E1+E2 ;

dead = dead_c1+dead_c2 ;

STATISTICS.DEAD(r+1)= dead_c1+dead_c2 ;

STATISTICS.ALLIVE(r+1)=allive-dead ;

%-------------------------------------------------------------------------

% Open fuzzy interference systems

fuzzy WBANyahya.fis

LL = readfis('WBANyahya.fis');

% Residual energy 0-0.5 ---J

% Distance to coordinator 1-100 ---cm

%% Evaluate local level fuzzy system for different energy

non1 = 40;

non2 = 70;

non3 = 90;

idx =0;

for ii = 0:0.05:0.5

e =ii;

idx = idx+1;

LQ1(idx) = evalfis([e non1],LL);

LQ2(idx) = evalfis([e non2],LL);

LQ3(idx) = evalfis([e non3],LL);

end

E = 0:0.05:0.5;

160

figure(7)

plot(E,LQ1,'rs-','LineWidth',2);

hold on

plot(E,LQ2,'g>-','LineWidth',2)

plot(E,LQ3,'bo-','LineWidth',2)

title('Fuzzy Logic Cluster-head selection','FontSize',12,'FontWeight','bold','Color','k');

xlabel('Residual energy, J','FontSize',10,'FontWeight','bold','Color','k');

ylabel('Probability of cluster-head selection,

%','FontSize',10,'FontWeight','bold','Color','k');

legend('Distance to coordinator = 40','Distance to coordinator = 70','Distance to coordina-

tor = 90')

axis on ; axis ([0 0.5 0 100]) ;

grid on

clear LQ LQ1 LQ2 LQ3

%% Evaluate local level fuzzy system for different Distance to coordinator

e1 = 0.10;

e2 = 0.25;

e3 = 0.40;

idx = 0;

for ii = 0:10:100

non =ii;

idx = idx+1;

LQ1(idx) = evalfis([e1 non],LL);

LQ2(idx) = evalfis([e2 non],LL);

LQ3(idx) = evalfis([e3 non],LL);

end

NON = 0:10:100;

figure(8)

plot(NON,LQ1,'rs-','LineWidth',2)

hold on

plot(NON,LQ2,'g>-','LineWidth',2)

plot(NON,LQ3,'bo-','LineWidth',2)

title('Fuzzy Logic Cluster-head selection','FontSize',12,'FontWeight','bold','Color','k');

xlabel('Distance to coordinator','FontSize',10,'FontWeight','bold','Color','k');

ylabel('Probability of cluster-head selection,

%','FontSize',10,'FontWeight','bold','Color','k');

legend('Residual energy = 0.10 J','Residual energy = 0.25 J','Residual energy = 0.40 J')

axis on ; axis ([0 100 0 100]) ;

grid on

clear LQ LQ1 LQ2 LQ3

% CH selection R1

%-------------------------------------------------------------

cluster1=1;

for i = 1:1:n

if(S(i).E >0 && S1(i).type ==0)

temp_rand=rand;

if(temp_rand<= (p/(1-p*mod(r,round(1/p)))))

packets_to_coor = packets_to_coor+1;

S1(i).type=1;

S1(i).g=round(1/p)-1;

C1(cluster1).xd=S(i).xd;

C1(cluster1).yd=S(i).yd;

distance1=sqrt((S(i).xd-(coordinator.x))^2 +(S(i).yd-(coordinator.y) )^2 );

C1(cluster1).distance1=distance1;

X(cluster1)=S(i).xd;

Y(cluster1)=S(i).yd;

distance1;

if (distance1>do)

S1(i).E=S1(i).E-((ETX+EDA)*(4000)+ Emp*4000*(distance1*distance1*distance1*distance1));

end

if (distance1<=do)

S1(i).E=S1(i).E- ((ETX+EDA)*(4000)+ Efs*4000*(distance1 * distance1 ));

end

end

end

end

161

% CH selection R2

%--------------------------------------------------------------------

cluster2=1;

for i = 1:1:n

if(S(i).E >0 && S2(i).type ==0)

temp_rand1=rand;

if(temp_rand1<= (p/(1-p*mod(r,round(1/p)))))

packets_to_coor = packets_to_coor+1;

S2(i).type=1;

S2(i).g=round(1/p)-1;

C2(cluster2).xd=S(i).xd;

C2(cluster2).yd=S(i).yd;

distance2=sqrt((S(i).xd-(coordinator.x) )^2 +(S(i).yd-(coordinator.y))^2 );

C2(cluster2).distance2=distance2;

C2(cluster2).id=i;

X(cluster2)=S(i).xd;

Y(cluster2)=S(i).yd;

distance2;

if (distance2>do)

S2(i).E=S2(i).E-((ETX+EDA)*(4000)+Emp*4000*(distance2*distance2*distance2*distance2 ));

end

if (distance2<=do)

S2(i).E=S2(i).E- ((ETX+EDA)*(4000)+ Efs*4000*(distance2 * distance2 ));

end

end

end

end

% node association to CH region-1

%-------------------------------------------------

for i=1:1:n

if ( S1(i).type==0)

if(S(i).E>0 )

min_dis1=Inf;

min_dis_cluster1=0;

temp=min(min_dis1,sqrt((S(i).xd-(cluster1))^2+(S(i).yd-(cluster1))^2) );

if ( temp<min_dis1 )

min_dis1=temp;

end

min_dis1;

if (min_dis1>do)

S1(i).E=S1(i).E-((ETX)*(4000)+Emp*4000*(min_dis1 *min_dis1 * min_dis1 * min_dis1));

end

if (min_dis1<=do)

S1(i).E=S1(i).E- ( (ETX)*(4000) + Efs*4000*( min_dis1 * min_dis1));

end

packets_to_ch1=packets_to_ch1+1;

S1(i).min_dis1=min_dis1;

S1(i).min_dis_cluster1=min_dis_cluster1;

packets_to_coor = packets_to_coor+1;

end

end

end

% node association to CH region-2

%-------------------------------------------------

for i=1:1:n

if ( S2(i).type==0)

if(S(i).E>0 )

min_dis2=Inf;

min_dis_cluster2=0;

temp=min(min_dis2,sqrt((S(i).xd-(cluster2))^2 +(S(i).yd-(cluster2))^2));

if ( temp<min_dis2 )

min_dis2=temp;

end

min_dis2;

if (min_dis2>do)

S2(i).E=S2(i).E-((ETX)*(4000)+Emp*4000*(min_dis2*min_dis2*min_dis2*min_dis2));

end

if (min_dis2<=do)

S2(i).E=S2(i).E- ( (ETX)*(4000) + Efs*4000*( min_dis2 * min_dis2));

end

packets_to_ch2=packets_to_ch2+1;

162

S2(i).min_dis2=min_dis2;

S2(i).min_dis_cluster2=min_dis_cluster2;

packets_to_coor = packets_to_coor+1;

end

end

end

STATISTICS.PACKETS_TO_COORDINATOR(r+1)=packets_to_coor;

end

%------------------------

STATISTICS.ALLIVE(r+1)

STATISTICS.E(r+1)

STATISTICS.PACKETS_TO_COORDINATOR(r+1)

%-------------------------------------------------

r=0:rmax;

figure(9);

plot(r,STATISTICS.ALLIVE,'r','linewidth',2);

xlabel('Number of rounds (r)','FontSize',10,'FontWeight','bold','Color','k');

ylabel('Number of Alive Nodes','FontSize',10,'FontWeight','bold','Color','k');

title('Network Lifetime','FontSize',12,'FontWeight','bold','Color','k');

legend1=legend('Via cluster-head connection');

set(legend1,'FontSize',legendsize);

axis on ; axis ([0 rmax 0 10.5]);

grid on;

figure(10);

plot(r,STATISTICS.E,'r','linewidth',2)

xlabel('Number of rounds (r)','FontSize',10,'FontWeight','bold','Color','k');

ylabel('Remainig Energy of the network

(J)','FontSize',10,'FontWeight','bold','Color','k');

title('Residual Energy','FontSize',12,'FontWeight','bold','Color','k');

legend1=legend('Via cluster-head connection');

set(legend1,'FontSize',legendsize);

axis on ; axis ([0 rmax 0 5.4]);

grid on;

figure(11);

plot(r, STATISTICS.PACKETS_TO_BS,'r','linewidth',2)

xlabel('Number of rounds (r)','FontSize',10,'FontWeight','bold','Color','k');

ylabel('Number of packets received successfully at sink

','FontSize',10,'FontWeight','bold','Color','k');

title('Throughput of network','FontSize',12,'FontWeight','bold','Color','k');

legend1=legend('Via cluster-head connection') ;

set(legend1,'FontSize',legendsize);

grid on;

На рисунке показано число раундов до гибели первого сенсорного узла и последнего узла

для предложенного метода кластерной топологии по сравнению с методом звездной тополо-

гии.

figure(12);

Y=[574 2265

2120 6577];

width = 0.7;

legendsize=12;

figure(1)

b=bar(1:2,Y,width); % bar plot

%%% trick to personnalize the color of each bar:

ch=get(b,'children');

cd=repmat(1:numel(Y),5,1);

cd=[cd(:);nan];

colormap([[0,0,1];[1,0,0]

[0,0,1];[1,0,0]]);

set(gca,'YGrid','on')

set(gca,'XGrid','on')

ylim([0 8000]);

set(gca,'XTickLabel',{'Network stability','Network lifetime'},'fontsize',12)

legend1=legend('Cluster-head connection','Direct connection');

ylabel('Number of rounds','fontsize',15)

title('Duration of first and last nodes in the network','fontsize',15)

163

Приложение Е

Акт о внедрении научных результотов

164

165