[发明专利]用于智能环境的分布式推理节点优化分配方法

权利要求书

1.一种用于智能环境的分布式推理节点优化分配方法，其特征在于，包括如下步骤：

S1，根据智能环境采集传感器节点信息，通过传感器节点集合所采集的活动类型、积累的规则，推算出传感器网络活动类型之间的距离，并进行分类，然后分别构造传感器网络推理网络模型；

S1-1，建立传感器网络模型的过程：

传感器节点Sensor＝{S₁,S₂,...S_n}，表示智能环境中所有传感器节点的集合，n表示传感器的数目；S代表传感器节点；

规则Rule＝{R₁,R₂,...R_m}表示智能环境下所积累的经验提取出的规则库，其中m表示规则的数目；R代表智能环境积累的规则；

活动类型Activity＝{A₁,A₂,...A_l}表示该智能环境可识别的活动类型集，其中l表示活动类型的数目；A代表智能环境下采集的活动类型；

每个活动类型对应着不同的规则集，而每个规则都需要获取不同传感器节点中的数据，所以活动类型之间的规则虽然不同，但是所用到的传感器节点是可能重叠交叉的；

S1-2，RSM＝(a_ij)_n×m，表示规则和节点之间的关系矩阵，其中a_ij＝R_i(S_j)是一个布尔值，值为1代表第i个规则R_i需要接受传感器s_j的数据，值为0代表第i个规则R_i与传感器s_j无关；

S1-3，ARM＝(a_ij)_l×n，表示活动类型和规则之间的关系矩阵，其中a_ij＝A_i(R_j)是一个布尔值，值为1代表第j个规则R_j属于活动A_i，值为0代表第j个规则R_j不属于活动A_i；

S1-4，Es＝{(S_i,S_j)|S_i,S_j∈Sensor}，表示传感器中存在连接的集合，其中(S_i,S_j)代表传感器节点S_i,S_j之间的连接边；

SN＝(Sensor,E_S)，即Sensor Network，代表整个传感器网络，是一个简单加权无向图；

整个传感器网络的邻接矩阵为A_SN＝(a_ij)_m×m，为SN的邻接矩阵，其中

S_ij表示传感器节点(S_i,S_j)的权值，即S_i,S_j之间的传输代价，单位用时间单位ms来表示；

S1-5，cost(S_ij)，用来表示传感器S_i,S_j的最小传输代价，在后述算法用A_SN作为输入得到；

Rete推理网络由以下为规则推理而建立的推理节点构成：

alphaNode＝{α₁,α₂,...α_a}，其中a表示α节点的数目，单输入推理节点，包含一个alpha存储区；

betaNode＝{β₁,β₂,...β_b}，其中b表示β节点的数目，双输入推理节点，包含一个alpha存储区和一个beta存储区；分别输入需要匹配的两个集合，通常是对多个事实的多个条件的匹配测试；

TNode＝{r₁,r₂,...r_m}，其中m表示规则激活节点r的数目，事实过滤到此处时，终结节点被激活，将触发相应规则；

S1-7，RN＝(inferentialNode,E_Rete)，即Rete Network，表示整个推理网络；inferentialNode包括全部推理节点，E_Rete是推理网络中传输数据的边，利用规则集进行推理网络的建立；

S2，根据智能环境中传感器节点位置以及由传感器节点之间形成的传输邻接边，计算出传感器节点之间的最短距离并保存其传输路径信息；

S2-1，传感器物理节点代价计算的传感器最短路径算法SpoSN，若智能环境中有n个传感器，传感器节点的邻接矩阵用n*n的矩阵A_SN来表示，

读取智能环境中布置的所有传感器节点的位置以及邻接点，存储在矩阵A_SN中；对A_SN采用Floyd算法求出节点之间的传输最短距离，将i到j节点的后驱节点保存，用于后续的分配；

根据规则的活动类型标签建立规则与活动之间的关系矩阵ARM；

根据具体的规则集，以及规则中的事实参数从哪些传感器中获取，建立规则与传感器之间的关系矩阵RSM；

S2-2，用S2-1形成的关系矩阵ARM和RSM作为输入，

ASM＝(a_ij)_l×n，表示活动类型和传感器的关系，a_ij＝A_i(S_j)是一个布尔值，0表示活动A_i与传感器S_j无关；1表示活动A_i需要从传感器S_j中获取数据；

A_i(S_j)用矩阵ARM与RSM计算得出，下式是对A_i(S_j)的计算：

在得到了活动类型与传感器节点之间的关系矩阵ASM，用下列公式算出两个活动类型之间的Jaccard距离：

从而得到活动类型的距离矩阵，将这个矩阵记作JaccardM；Aa和Ab分别表示两个活动类型；

计算出上述的距离矩阵JaccardM，用作数据聚类；

S2-3，Group＝{g₁,g₂,...g_x}表示分类之后的集合，其中x表示类的数目，Rule(g_i)表示与g_i有关的所有规则；

在完成聚类后，对每一类的规则使用Rete算法建立其各自的推理网络；

S3，对传感器网络进行资源分配评估和实时性评估，将传感器网络中的推理节点优化分配到各个传感器节点中，从而形成优化的分布式传感器网络；

其中对传感器网络进行资源分配评估和实时性评估过程为：

S3-1，资源分配评估

推理节点到传感器的分配应使传感器资源充分利用，因此将每个传感器所分配推理节点的个数作为数据集，用标准差来评判其离散程度从而判断其资源分配的平衡程度；

S3-2，其中表示传感器S_i上推理节点的个数；整个系统的资源平衡程度用STDEV来评估，分配完成之后，STDEV的值越小，推理节点的分配的离散程度就越低，资源利用越高；

S3-3，实时性评估

实时性是指规则推理系统从事实数据进入推理网络，到系统推理出规则是否被触发的响应时间；由于采用分布式推理，传输耗时主要在传感器节点之间的传输上，同一个传感器内的传输也可忽略不计；

S3-4，L(Latency)用来评估数据传输到某个节点的延迟：表示从传感器端接收到数据到传输到α_i的延迟；表示数据传输到β_i节点的延迟，根据层次延迟性取两个输入的最大值；表示数据到达R_i规则的终端节点的延迟；

S3-5，Rete推理网络延迟某个推理网络的实时性用所有规则的相加得到的参数来评估；

具体执行过程中β₁与β′₁分别分配在S₄与S₂传感器节点中；由于α节点就在其获取数据的传感器中，有

根据层次延迟性，每个β节点要等到两个输入同时到达才开始匹配，β₁的延迟取决于α₁、α₂哪个节点后到达，因此L(β₁)＝max(cost(S₁₂),0)＝40ms，L(β₁′)＝max(cost(S₁₄),cost(S₂₄))＝30ms，β₂的延迟取决于β₁、α₃哪个节点后到达，因此L(β₂)＝max(L(β₁)+cost(S₂₄),cost(S₃₄))＝70ms，

L(β₂′)＝max(L(β₁),cost(S₄₅))＝30ms；

终端节点

因此在分配的时候考虑到活动类型，允许一个传感器存在多个类中的一般不会同时发生匹配的推理节点，对实时性也有所提高；因此用下列参数来评估推理系统存在活动类型的实时性：

S3-6，用所有Rete推理网络的和来评估分配的优化程度；在分配完成之后，Rete推理网络的求和L_(total)的值越小，实时性的优化程度就越高；

所述S3中将传感器网络中的推理节点优化分配到各个传感器节点中，从而形成优化的分布式传感器网络过程包括：

S3-A，完成了分类以及各类推理网络的建立之后，再对网络中的推理节点采用以下算法完成优化分配；

beta节点的分配算法见算法AAoRN—2：beta推理节点的分配；

获取其两个输入所在传感器，将终端节点被分配在该规则的输出节点即可；

S3-B，表示传感器容纳的推理节点上限；根据已建立好的推理网络中的推理节点数以及传感器数目对topRN取值，a是一个常数；rnnode为推理网络中所有的推理节点，sensor是智能环境中所有传感器；

有以下六个传感器位置：beta节点的左输入所在传感器、beta节点的右输入所在传感器、左输入到终端节点所在传感器最短路径中的下一个传感器、右输入到终端节点所在传感器最短路径中的下一个传感器、左输入到终端节点所在传感器最短路径中的下下个传感器、右输入到终端节点所在传感器最短路径中的下下个传感器；分别取两个输入传感器到这六个传感器中较大值，存入最小索引堆；

在最小索引堆取出上述距离的最小值所对应的索引的传感器，若其包含的推理节点已超过上限，则继续在最小索引堆取最小值重复以上步骤；

确定了该推理节点所分配的传感器后，更新推理节点的相关参数，从上往下逐层完成其余beta节点的优化分配。