Информационное письмо
Образец оформления статьи
Анкета автора
16.06.2016

Алгоритмы и технологии решения типовых проблем в интернете вещей

Елизаров Максим Андреевич
кафедра информационных систем и технологий Санкт-Петербургский государственный экономический университет г. Санкт-Петербург, Российская Федерация
Аннотация: В статье рассматриваются основные задачи, требующие решения для разработки и реализации продукта или услуги, базирующейся на концепции «интернета вещей». Приводятся примеры алгоритмов и различных технологий решения этих задач. Анализируются возможные проблемы реализации этих решений.
Ключевые слова: интернет вещей, большие данные, рынок ИТ-услуг, ячеистые сети
Электронная версия
Скачать (583.5 Kb)

С момента своего появления в 1969 году интернет прошел многие ступени эволюции. Сегодняшний этап развития исследователи [1] называют этапом интернета вещей. В промежутке между 2003-м и 2010-м годами количество подключенных устройств к интернету превысило население планеты, что ознаменовало переход в состояние «Интернет вещей». Количество подключенных устройств на одного человека из числа интернет-пользователей в 2010 году составило 6,25 штук. Согласно IDC, «Интернет вещей» (IoT) — это проводная или беспроводная сеть, соединяющая устройства, имеющие автономное обеспечение, управляются интеллектуальными системами, снабженными высокоуровневой операционной системой, автономно подключены к Интернету, могут исполнять собственные или облачные приложения и анализировать собираемые данные. Кроме того, они могут захватывать, анализировать и передавать (принимать данные) от других систем.

В современном мире в условиях сильнейшей конкурентной борьбы, экономического кризиса, ситуации высокого риска и неопределенности – задачи по увеличению эффективности деятельности предприятия хорошо решаются путем внедрения корпоративной информационной системы [2] в основу которых также может быть положен интернет вещей. Данная концепция применима практически во всех сферах жизни, поэтому спектр продуктов, предлагаемых на рынке информационных технологий (к которому относится рынок IoT) очень широк. В пользовательском сегменте в качестве примера можно привести различные электронные персональные устройства, такие как «умные» часы, google glass, фитнес-браслеты, представляющие собой спортивный браслет, который может работать с iPhone и Android-платформой. Устройство позволяет отслеживать сон, рацион питания, количество пройденных шагов и сожженные калории. Браслет имеет вибрационный двигатель, который может либо служить будильником, либо напоминать, что пользователь слишком долго находится в сидячем положении. В сфере бизнеса продуктами IoT рынка является программное обеспечение для подключения IoT/M2M-устройств с целью осуществления сбора и анализа информации. Платформа дает возможность управлять подпиской, контролировать тарифные планы и управлять ими. Этот слой предоставляет клиентам соглашение об уровне обслуживания, нацелен на улучшение качества и обеспечение безопасности решений. Или решения, которые позволяют увеличить эффективность бизнеса на основе принятия более эффективных решений на базе собранных с помощью IoT-технологии данных, в том числе с применением технологии Big Datа. К данному сектору также относятся появляющиеся аналитические решения, которые позволят обеспечивать интеграцию данных, полученных на базе мониторинга IoT и социальных сетей. Широкое применение технология IoT находит в энергетике (смарт­счетчики, системы выявления потерь или краж в электрической сети). В нефтегазовом секторе, например, используется удаленный мониторинг трубопроводов. В целом, динамика отрасли связи показывает опережающий рост предоставляемых услуг (голосовой связи, доставки контента, передачи данных пользовательских программных приложений, сотен телевизионных каналов, видеосвязи и т.п.) [3]

Нетрудно заметить, что такой широкий спектр применения технологии не может обойтись без информационного и математического «фундамента», на основе которого разрабатываются новые продукты и услуги, связанные с интернетом вещей, а также обеспечивается их предоставление конечному пользователю. Также очевидно, что разнородность сфер применения интернета вещей не позволяет сформировать четкий набор конкретных технологий, на основе которых может вестись дальнейшая разработка продуктов, или научные изыскания. Поскольку особенности той или иной области применения будут накладывать свой отпечаток на практическую реализацию алгоритма, архитектуры или модели.

Тем не менее, можно выделить общие задачи, решение которых должно быть реализовано в процессе разработки продукта, в не зависимости, является ли данный продукт сервисом, устройством, и т.д.

Большое число участников сети.

Концепция интернета вещей подразумевает связь «всего со всем». И в зависимости от уровня детализации, под участниками сети могут подразумеваться, как несколько исполняющих программ на сервере, так и несколько пользователей сети или же кластер устройств, состоящий, как из технических элементов, так и из пользователей сети. В пространстве интернета вещей кроме существующих требований к технологиям связи и взаимодействия, таким как обеспечение связи "в любом месте" и "в любое время", появляется еще одно – "связь с любой вещью" [4]. При этом количество задействованных элементов может динамично изменяться, таким образом, возникает проблема масштабирования сети. Данная проблема решается применением топологий ad-hoc сетей: mesh-сетей, MANET. Перечисленные топологии сетей объединяет использование протокола OLSR, в качестве решения проблемы маршрутизации и, как следствие, масштабирования системы. OLSR (Optimized Link-State Routing) — протокол маршрутизации для беспроводных сетей, который изначально разрабатывался для MANET. OLSR использует обмен сообщениями приветствия и контроля для получения информации о топологии сети, тем самым он является проактивным протоколом. Информация из приветственных сообщений используется узлами для определения следующего прыжка в пути маршрутизуемого пакета. Для обновления информации о топологии сети используется механизм широковещательной рассылки. Этой информацией владеет каждый узел сети, что является особенностью протокола. В OLSR сетевой узел отсылает так называемое HELLO-сообщение. А с помощью аналогичных сообщений, полученных от соседних узлов, отслеживаются изменения в сетевой топологии. В этих сообщениях содержится перечень всех соседей узла, тип соединения (асимметричное или симметричное), адреса соседей, а так же адрес самого узла, инициировавшего отправку сообщения. Данным способом узел сообщает о доступных ему связях своим соседям. Узел сети хранит информацию только о соседях, находящихся в одном и двух шагах. Отправка HELLO-сообщений производится с определенной задержкой. Связь между узлами считается разорванной, если в течение заданного временного интервала узел не принимает сообщение. Данное изменение вносится в таблицу сетевой топологии. Кроме HELLO-сообщения, узлы также передают широковещательное TC-сообщение (topology control). В этом сообщении содержится информация только о том, каким образом соединен абонент со своими соседями, находящимися в одном шаге. На основании собранной информации, узлом строится граф, описывающий карту сети для этого узла. На основе данного графа производится построение таблицы кратчайших путей до каждого узла. Существенный недостаток такого способа построения связи между узлами - когда сосед, находящийся в двух шагах, является также одношаговым для нескольких одношаговых соседей узла, осуществляющего передачу. Тогда произойдет следующее: двухшаговый сосед получит HELLO-сообщение многократно. Решение этой проблемы осуществляется с помощью метода оптимизации рассылки сетевой информации о текущих состояниях MPR (Multipoint Relay). Узел, по таблице маршрутизации сети, выбирает соседей в одном шаге (MPR_Relay), связанных симметричным способом и являющихся хотя бы одному двушаговому соседу данного узла одношаговыми соседями. С помощью чего осуществляется снижение траффика широковещательной рассылки [5].

Большой объем данных

Ранее было сказано, что при реализации технологии интернета вещей, количество задействованных агентов может динамично изменяться. Таким же образом изменяется поток данных, используемый в работе сети. Возникает проблема обработки, хранения и передачи данных, для решения которых применяют стек технологий big data

Говоря о термине "биг дата" используют популярное определение трех «V», что означает Volume – объем данных, Velocity – необходимость обрабатывать информацию с большой скоростью и Variety – многообразие и зачастую недостаточную структурированность данных. К примеру, время операции по проверке баланса на карте при снятии наличных исчисляется в миллисекундах. Такие требования диктует рынок. Третья сторона вопроса – это разнообразие и неструктурированность информации. Довольно часто приходится оперировать медиа контентом, записями в блогах, слабо структурированными документами и т.д. С помощью стандартного оборудования и открытых программных средств управления этой распределенной файловой системой (например, Hadoop), возможно реализовать надежные хранилища данных в масштабе петабайт. Анализируя сотни терабайт или петабайт данных, невозможно извлечь данные в какое-либо другое место для анализа (например, в STATISTICA Enterprise Analysis Server).

Процесс переноса данных по каналам на отдельный сервер или сервера (для параллельной обработки) занимает слишком много времени и потребует слишком большого трафика.

Поэтому, аналитические вычисления должны быть выполнены физически близко к месту, где хранятся данные.

Алгоритм Map-Reduce представляет собой модель для распределенных вычислений. Принцип его работы заключается в следующем: происходит распределение входных данных на рабочие узлы (individual nodes) распределенной файловой системы для предварительной обработки (map-шаг) и, затем, свертка (объединение) уже предварительно обработанных данных (reduce-шаг).

Таким образом, для получения итоговой суммы, алгоритм будет параллельно вычислять промежуточные суммы в каждом из узлов распределенной файловой системы, и затем суммировать эти промежуточные значения.

Проблема выбора

Вне зависимости от того, является ли система централизованной или децентрализованной, при реализации управления на разных уровнях возникает необходимость принятия решения. Следует различать решения, принятые человеком, для реализации которых служат отдельные классы систем и алгоритмов принятия решений (поддержки принятия решений), и машинные решения, осуществляемые с помощью нейронных сетей и самообучающихся систем. В случае с решениями, которые принимает ответственное лицо, для облегчения выбора и его обоснования необходима прозрачная и понятная процедура, которая позволит с одной стороны однозначно определить решение или комплекс решений, подходящих для каждой конкретной ситуации [6], а с другой нивелировать влияние множества противоречивых критериев разработки и выбора подходящей альтернативы решения задач [7]. Для этой цели в настоящее время успешно применяются экспертные системы и различные вариации метода анализа иерархий.

Более динамично развивающаяся отрасль, занимающаяся проблемами принятия решений – машинное обучение, которая рассматривает различные способы и алгоритмы, позволяющие устройствам и программам совершать вариативные действия без участия человека. Хорошие результаты показывают технологи, базирующиеся на нейронных сетях. Нейронные сети, сконструированные по аналогии с нервной системой, обладают способностью к самообучению. В начале деятельности над конкретным проектом в нейронную сеть передаются реальные данные и начинается алгоритм обучения. После обработки первых результатов исходные данные корректируются вплоть до замены архитектуры сети и процесс обучения возобновляется. На практике эти системы используют один алгоритм для обработки представления ввода, а затем передают его следующему слою для обработки другим алгоритмом, который даст более высокоуровневое понимание, и так далее, в зависимости от требуемой точности или степенью удовлетворения результатом.

Таким образом, несмотря на устойчивый рост технологий и продуктов, базирующихся на концепции интернета вещей, при их разработке и реализации возникают типовые задачи, которые могут быть решены описанными в статье методами и алгоритмами, дополненными с учетом особенностей области применения.

Список литературы:

1. Evans D. The Internet of Things How the Next Evolution of the Internet Is Changing Everything // Cisco Internet Business Solutions Group (IBSG). 2011.

2. Путькина Л.В. Особенности применения бизнес-моделей в сфере услуг // Naukarastudent.ru. – 2015. – No. 10 (22) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/22/2976/

3. Галстян А.Ш., Шиянова А.А., Минаков В.Ф., Минакова Т.Е. Верификация экономико-математической модели инновационного развития связи и инфотелекоммуникаций России // Вестник Северо-Кавказского федерального университета. – 2015. – № 3 (48). – С. 78-84.

4. Елизаров М.А. Перспективы и проблемы развития рынка интернета вещей // Nauka-rastudent.ru. – 2015. – No. 12 (24) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/24/3127/

5. Clausen T. H., Hansen G., Christensen L., and Behrmann G. The optimized link state routing protocol, evaluation through experiments and simulation // Proceedings of the IEEE conference on Wireless Personal Multimedia Communications (WPMC). — October 2001

6. Проснеков С.А. Выбор и обоснование комплексного решения ИБ на основе метода анализа иерархий // Nauka-rastudent.ru. – 2015. – No. 12 (24) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/24/3085/

7. Багрова О.М. Повышение эффективности управленческих решений тренера по городошному спорту путем интеграции информационных технологий и традиционной системы спортивной подготовки // Nauka-rastudent.ru. – 2015. – No. 12 (24) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/24/3119/