Full Text

Интеллектуализация системы управления узлом в реагирующих беспроводных сенсорных сетях¹

Введение. Беспроводные сенсорные сети (БСС) за счет таких характеристик, как низкое потребление энергии узлами, низкая стоимость, самоорганизация, небольшой размер и возможность определять местоположение событий получили применение в различных областях [1, 2, 3]. Увеличение объемов информации, передаваемой в БСС, породило ряд проблем, которые стали центром исследований в области беспроводных сенсорных сетей [1, 4, 5]. Они направлены на поиск путей расширения функциональности узлов сети, особенно при их применении в средах, характеризуемых неопределенностью [6]. Основные из них: осуществлять предварительную обработку информации, включающую кластеризацию, агрегацию и слияние разнородных данных [7, 8]; выполнять анализ обстановки; принимать решения с учетом получаемых данных от других узлов сети. Кроме того, система управления узлом должна осуществлять распределенную обработку сложных запросов внутри сети и маршрутизацию с оптимизацией расхода энергии. Реализация этих требований возможна путем совершенствования интеллектуальной составляющей системы управления, как сети в целом, так и отдельным узлом в частности. Работа посвящена разработке методов, расширяющих функциональность беспроводных сенсорных сетей и превращающих их в реагирующие беспроводные сенсорные сети (РБСС) [8]. Наиболее удобной для построения интеллектуальных систем распознавания ситуаций и поддержки принятия решений на основе сенсорных сетей является модель нечеткого сенсора [8, 9], ядром которого является машина вывода [7]. В узлы по сети могут пересылаться шаблоны правил (номера переменных и термов, входящие в левую и правую часть базы знаний, параметры новых термов, параметры триангулярных норм) [7]. При решении задачи, например, слежения за целью, такие пересылки могут осуществляться узлами самостоятельно, на основании имеющихся правил, в зависимости от положения цели и содержания запроса. 

1. Проблемы обработки данных в РБСС, требующие интеллектуализации сенсоров. Основными факторами, влияющими на функционирование РБСС, являются [8]:

• ограниченные вычислительные возможности узлов;
• малый радиус коммуникации между узлами (в военных приложениях он ограничен из-за требований скрытности);
• узлы и/или отдельные каналы связи могут временно прекращать функционировать, что приводит к изменению топологии РБСС;
• необходимость иметь множество дублирующих маршрутов передачи данных;
• неравномерный расход энергии в узлах;
• рост энергетических и временных затрат на передачу данных с увеличением размеров сети.

Две последние проблемы представляют для пользователя особую важность. Малая пропускная способность сети предполагает поиск решений снижения потока передаваемых данных через сеть за счет добавления распределенной иерархической обработки данных внутри сети и передачи пользователю лишь релевантных ответов на запрос. Известные же алгоритмы предполагают пересылку по сети больших объемов данных. Для решения данной проблемы предлагается дополнить пересылку данных пересылкой знаний, требуемых для необходимой настройки локальных узлов с целью решения задач предварительной обработки первичных данных, их агрегирования и комплексирования. Подобные решения позволяют рассматривать узел как интеллектуального агента, функционирующего в неопределенной, слабоструктурированной среде. Схемы поведения таких агентов, связанные с принятием решений и использованием «мягких» измерений, рассмотрены в [8]. Их реализация требует наличия базы знаний о себе и о среде, что делает агента способным к самостоятельному принятию решений, в том числе и в составе группы. Кроме того, у узла-агента возникает возможность управления имеющимися знаниями и их передачи другому узлу. Так, в [10] приведена схема интеграции алгоритмов поведения агента и интеграция схемы с языками машинного обучения

Ограниченные вычислительные ресурсы в условиях жестких требований к времени отклика, радиусу радиообмена и энергопотреблению предполагают разработку относительно простых алгоритмов для системы управления узлом РБСС. Известен ряд подходов к решению этой задачи. Так, в [11] предложено использовать процедурную матрицу знаний для «связывания» базы знаний с наблюдаемой ситуацией для выбора релевантного решения. Проблема при этом подходе состоит в формировании базы знаний, включающей способы действия и описание множества ситуаций, в которых они используются. Предлагаемая в данной статье технология основана на использовании методов нечеткой логики и эффективного опыта в форме паттернов [6, 8]. Пользователь задает характеристики объекта (виртуальные атрибуты), значения которых надо вычислить, и правила, при помощи которых эти атрибуты будут подсчитаны, и определяет правила обмена знаниями между узлами в сети.

2. Формальное определение паттерна. Паттерн – это модель поведения, получаемая как результат деятельности естественного или искусственного объекта, связанная с мониторингом среды, принятием решения, его реализацией и т.д. [12]. Паттерн рассматривается, как шаблон (образец) для повторных действий в аналогичных типовых ситуациях (ТС). Поведение в ТС складывается из следующих компонентов:

• субъект, осуществляющий выбор (агент) k ∈ K;
• окружение выбора S – множество элементов среды и их существенных свойств, изменение в любом из которых может стать причиной или продуцировать изменение состояния выбора;
• доступные способы действий $c_j^k\in C^k, j=\overline{\mathrm{1,} n}$ k-го агента, которые ему известны и могут быть использованы для достижения i-го результата;
• возможные в окружении S результаты, существенные для агента – $o_i^k\in O^k, i=\overline{\mathrm{1,} m}$;
• способы оценки свойств получаемых результатов, отражающих их ценность для агента;
• модель ограничений, как требования на значения выходных переменных и выбор способов действия;
• модель предметной области, представляющая собой множество соотношений, описывающих зависимость результатов от выбора способа действия и возмущений (база знаний).

В соответствии с гипотезой о рациональном поведении агент формирует решение в соответствии с моделью [12]:

$$\begin{gathered} P_i^k(s\in S)=\underset{c_j^k}{Arg\max }(\sum _{j\in J}E{\varphi }_i\left(o_i^k\right(c_j^k\left)\right)-E{E}_i^k\left(o_i^k\right(c_j^k\left)\right)) \\ {c}_j^k\in C^k(I_t^i), I_t^i\subseteq M, o_i^k\in O^k \\ \sum _i{\chi }_{i1}^k\left(E{\varphi }_i^k\right)\ge {\chi }_1^0, \sum _i{\chi }_{i2}^k\left(E{E}_i^k\right)\ge {\chi }_2^0 \\ {\sigma }^k(E{s}^k\left(X\right))\ge {\sigma }_0^k \end{gathered}$$ (1)

Такая модель индивидуального поведения агента предполагает формирование базы знаний путем обучения на основе как экспериментального опыта, так и опыта эксперта, что позволяет реализовать эволюцию «кооперативного интеллекта», аналогичного тому, что имеет место у естественных сущностей.  Как показано в [12], описание паттерна имеет форму алгоритмической модели. Набор моделей или поведенческих паттернов формирует опыт или базу паттернов. Соответствующая методика построения алгоритмической модели паттерна описана в [12]. Все компоненты такой модели, за исключением логических связок, могут быть языковыми конструкциями на естественном или ограниченном профессиональном языке.

Реализация предложенного подхода связана: 1) с правильным соотнесением вектора координат ситуации с тем или иным паттерном, как с точки зрения их количества, так и с точки зрения формы представления каждой координаты; 2) с полнотой описания ситуации.

На узле установлены сенсоры, воспринимающие различные сигналы физической природы. Поскольку оператор описывает ситуацию средствами естественного языка, то координаты ситуационного вектора являются лингвистическими переменными. Для этого количественные шкалы в датчиках преобразуются в лингвистические. Результат затем может использоваться, например, для определения типа цели, степени ее угрозы и т.п. Вычисления значений в таком виртуальном сенсоре целесообразно выполнять средствами нечеткого вывода. Для двух типов данных в узле k должны храниться списки имен, таблицы значений атрибутов. Для вычисляемых атрибутов должны храниться нечеткие правила для вычисления атрибутов, параметры функций принадлежности термов.

3. База знаний на основе паттернов. Пусть состояние ситуации описывается ситуационным вектором $x_i, i=\overline{\mathrm{1,} n}$, каждая координата которого – лингвистическая переменная x_i с множеством термов $A_i=\left\{a_i^k, k=\overline{\mathrm{1,} K^i}\right\}$ [8, 13]. Пусть определен набор классов реализаций ситуационного вектора, для которых есть паттерны поведения с успешным разрешением любой ситуации класса. При этом значения удельной ценности по результату и удельной ценности по эффективности превышают некоторый пороговый уровень при реализации паттерна.

Пусть накоплено множество паттернов $d_j, j=\overline{\mathrm{1,} p}$, каждый из которых связан с множеством ситуаций кластера, для разрешения которых он был выбран. Тогда можно составить матрицу соответствия между классами ситуаций и располагаемым множеством паттернов поведения. Если сгруппировать строки матрицы по паттернам, где каждая строка матрицы представляет собой конкретный ситуационный кластер, при котором успешно реализован соответствующий паттерн, то в результате можно получить кластер типовой ситуации. Для него паттерн поведения по структуре будет один и тот же, отличие будет в значениях параметров. Пронумеруем строки блока паттерна двумя индексами: первый индекс – номер паттерна (он же номер блока); второй индекс – это номер ситуации, входящий в j-й кластер. Такая матрица определяет систему логических высказываний вида: если … То …, иначе … (их примеры приведены ниже). Полученную упорядоченную таким образом систему логических высказываний будем называть нечеткой матрицей знаний или базой паттернов.

Первоначально каждый узел k имеет некоторый список физических атрибутов, который соответствуют его набору датчиков, пустую оболочку машины вывода и пустой список лингвистических атрибутов. Пользователь может добавить в список лингвистических атрибутов узла k новые лингвистические внутренние (выходные) атрибуты и послать правила их вычисления. После установления базы правил лингвистических атрибутов в машину вывода узел k начинает измерять значения внутренних физических атрибутов, получать от сети и пользователя значения внешних физических и лингвистических атрибутов [6, 7], и производить вычисления внутренних лингвистических атрибутов. Полученные значения внутренних физических и лингвистических атрибутов сохраняются в соответствующих списках и по требованию предоставляются пользователю или другим узлам сети. Пользователь или другие узлы сети могут добавлять в узел k или исключать лингвистические атрибуты базы правил. 

4. Алгоритм вычисления функции принадлежности паттерна. Бортовая интеллектуальная система с помощью своих измерительных средств формирует вектор $x_i^{*}, i=\overline{\mathrm{1,} n}$ с количественными характеристиками координат. В этой точке, полученной на момент t, требуется определить значение функции принадлежности паттерна $d_j\left(x_i, i=\overline{\mathrm{1,} n}\right), j\in \overline{\mathrm{1,} p}$. В этом случае функция принадлежности рассчитывается для каждого блока. Наиболее предпочтительным для разрешения проблемной ситуации будет паттерн $d_j^{*}$, вычисленный по правилу (2) [13]

$d*\left(x_i^{*}, i=\overline{\mathrm{1,} n}\right)=m\underset{j\in \mathrm{1,}p}{\underset{¯}{ax}}{d}_j(x_i, i=\overline{\mathrm{1,} n})$ (2)

Блок логических высказываний, относящийся к паттерну d_j, представляет собой объединение соответствующих нечетких множеств, образованных строками выделенного блока. Тогда функция принадлежности этого объединения будет определяться [13]:

${\mu }_{\left(d_j\right)}(x_i, i=\overline{\mathrm{1,} n})=\underset{j=1}{\overset{p}{\vee }}\underset{i=1}{\overset{n}{\wedge }}{\mu }_i^{j{K}_j}\left(x_i\right)$,

где «∧» и «∨» означают операции min и max соответственно.

Формально алгоритм определения функции принадлежности паттерна d_j можно записать в виде:

1. Фиксируем произвольную точку $x_i^{*}\in U_i, i=\overline{\mathrm{1,} n}$, где «×» – символ n кратного декартового произведения множества U на себя.
2. Для каждого блока матрицы знаний, соответствующего d_j, определим ${\mu }_{d_j}\left(x_i, i=\overline{\mathrm{1,} n}\right)$ в этой точке согласно правилу, приведенному в [13].

Проводя такие вычисления для каждой точки универсального множества, получим требуемые значения функции принадлежности.

Окончательно алгоритм определения функции принадлежности паттерна d_j можно записать в виде:

1. Фиксируем произвольную точку $x_i^{*}\in U_i, i=\overline{\mathrm{1,} n}$.
2. Для каждого блока матрицы знаний, соответствующего d_j, определим ${\mu }_{d_j}\left(x_i, i=\overline{\mathrm{1,} n}\right)$ в этой точке.

Операция $\underset{i}{\min }{\left(a_i^{is}\right)}^{*}$ производится над числами, стоящими в строках «i» $\overline{\mathrm{1,} n}$ и в столбец «min» заносится минимальное число в соответствующей строке. Операция $\underset{js}{\max } {\left(a_i^{js}\right)}^{*}$ определяет в полученном массиве строчных минимумов $j_s\in \overline{\mathrm{1,} K_j}$ наибольшее значение. Проводя такие вычисления для каждой точки универсального множества, получим требуемые значения функции принадлежности.

Код каждого порождающего правила является самодостаточным, т.е. весь необходимый контекст активизации правила содержится только в его предпосылках. В теории нечеткого вывода отсутствует способ вызова из одного правила другого, сходного при вызове процедур. Единственный способ сделать это – использовать метаправила. Они направляют ход измерений и вычислений атрибутов, но не принимают непосредственное участие в процессе вычисления. Как показано в [7], для управления передачей баз правил по сети могут использоваться нечеткие продукционные правила, что позволяет считать их метаправилами и ввести в сеть два типа нечетких сенсоров: сенсоры-координаторы и сенсоры, соответствующие уровням представления данных. Следовательно, при управлении РБСС каждый пакет данных может сопровождаться капсулами с правилами для их обработки узлом. Таким образом, в сети существуют два вида уровня трафика: трафик данных и трафик знаний, причем трафик знаний ставит целью минимизацию трафика данных. Это требует использования специализированного нечеткого языка представления знаний.

5. Использование нечеткого сенсора для комплексирования данных. В оценке текущей ситуации при использовании паттернов важную роль играют механизмы восприятия и понимания [14, 15, 16]. Во-первых, необходимо использование в информационных моделях обстановки лингвистических переменных. Это предполагает: 1) представление первичной информации от датчиков в вербальной форме, например, объект проникновения находится близко, над и т.п.; 2) связывание первичных данных и лингвистических данных для определения идентичности или распознавания объектов, например, объект проникновения танк, животное, солдат и т.п. [17]. В последнем случае используется числовая информация и информация, представленная в нечисловой форме. Во-вторых, для понимания и оценки обстановки необходимо ввести «виртуальные» переменные. Эта операция может быть выполнена алгоритмами комплексирования.

В работе [17] обосновано значение влияния виртуальных параметров на оценку ситуации. Показано, что построение и использование этих параметров имеет фундаментальное значение для восприятия ситуации и напрямую определяют поведение автономных систем. Однако предложенные методы сложны для реализации и не могут быть скорректированы в реальном времени оператором. В [18] предложено объединять несколько атрибутов с одного узла РБСС, используя байесовский подход.  Однако он требует знания соответствующих законов распределения и выполнения предположения о стационарности. В [16] описан метод комплексирования данных, основанный на структуре доверия, для уменьшения атрибуции в грубом наборе с несколькими гранулами данных. Изучены фактические характеристики неполных упорядоченных информационных систем с несколькими гранулами. Однако их использование связано с разработкой достаточно громоздких алгоритмов, что затрудняет их использование в РБСС.

Анализ показал, что в указанных выше двух случаях целесообразно использовать нечеткие сенсоры, которые вычисляют и передают лингвистические значения результатов агрегации и слияния численных измерений [19]. В этом случае могут быть использованы следующие два метода для комплексирования базовых измерений. Первый из них осуществляет комбинацию существенных параметров с помощью выраженных связей между ними в виде правил. Во втором методе агрегация и слияние данных реализованы с помощью нечеткого разбиения числового многомерного пространства измерений [3]. Наилучший результат дает гибридизация этих двух подходов. Кроме того, этот подход привлекателен из-за его простоты и сходства с человеческим мышлением. Он позволяет в экспериментальной установке создавать условия для имитации ситуаций миссии различной интенсивности. Результаты экспериментов подтверждают обоснованность предложенного подхода с точки зрения точности и меньшего количества ложных срабатываний.

Слияние данных внутри сети может быть осуществлено иерархией узлов, между которыми динамически распределяются знания, необходимые для обработки данных в конкретном узле и в конкретной ситуации. Следующий пример иллюстрирует механизм вычисление значения лингвистического атрибута степени опасности от объекта проникновения на основе измерения параметров вибрации, акустики и магнитного поля путем агрегирования данных.

R(1): ЕСЛИ (мощность сигнала сейсмодатчика – СРЕДНЯЯ И мощность акустического сигнала – ВЫСОКАЯ И сила сигнала магнитного датчика – ВЫСОКАЯ), ТО (опасность – ОЧЕНЬ ВЫСОКАЯ)

R(2): ЕСЛИ (мощность сигнала сейсмодатчика – НИЗКАЯ И мощность акустического сигнала – НИЗКАЯ И сила сигнала магнитного датчика – НИЗКАЯ), ТО (опасность – ОЧЕНЬ НИЗКАЯ)

R(3): ЕСЛИ (мощность сигнала сейсмодатчика – СРЕДНЯЯ И мощность акустического сигнала – СРЕДНЯЯ И сила сигнала магнитного датчика – НИЗКАЯ), ТО (опасность – НИЗКАЯ)

На рис. 1 представлена диаграмма передачи данных и знаний по сети при обработке запроса «Сообщите ID ближайшего узла, вблизи которого находится объект проникновения, и соответствующую степень опасности».

 

Рис. 1. Пример обработки запроса

 

Узел-координатор получил сообщение о фиксации тремя узлами факта нахождения объекта проникновения в их зоне ответственности. Очевидно, что выполнение запроса о его нахождении равносильно задаче поиска максимума в массиве (параметр степень опасности имеет числовой тип) для случая, когда его элементы распределены по узлам. Для решения задачи поиска узел-координатор запрашивает у ближайшего к нему узла ID и значение параметра степень опасности, запоминает его в переменной St₀, формирует правило

ЕСЛИ (St₀ < степень опасности), ТО (St₀ = степень опасности, Id₀=Id),

и посылает это правило в базу знаний второму ближайшему узлу, затем активизирует его. Полученные данные запоминаются, формируется правило для следующего узла и т.д. В результате формируется массив значений и будет установлено, что ближайший узел к объекту проникновения – это узел_3. Очевидно, что узел-координатор должен иметь таблицу подчиненных ему узлов с соответствующими данными.

6. Обнаружение и локализация вторжения. Одной из важнейших функциональностей узлов РБСС является реализация двух задач: обнаружение объекта и локализация его в пространстве [10, 16]. Если, по крайней мере, три интеллектуальных узла (ИСУ) фиксируют событие проникновения, то для локализации объекта вторжения можно использовать эффективный метод триангуляции для локализации объекта. Три сенсора с достаточной степенью точности локализуют объект [20].

Поскольку ИСУ будут активизироваться по событиям, то поток данных будет направляться по нескольким ветвям сети от различных ИСУ из зоны вторжения. В связи с этим возникает задача (например, в пункте управления, или в головном узле кластера, или в обоих местах одновременно) обработки таких данных. Например, вторжение группы танков или бронемашин, или вторжение танков с мотопехотой и т.п. В этом случае от различных ИСУ, фиксирующих факт проникновения, будут поступать данные, предполагающие как слияние данных, так и слияние решений. При этом данные могут образовывать комбинацию зависимых (коррелированных) или независимых (некоррелированных) компонентов. Корреляция будет свидетельствовать об обнаружении одного и того же объекта различными ИСУ. Тогда обработка данных будет включать алгоритмы триангуляции с последующим агрегированием данных для уточнения сигнатуры объекта вторжения. В противном случае либо уточняются сигнатуры, либо фиксируется новый объект и выполняется его локализация [6, 21].

Поскольку сенсоры ИСУ рассчитаны на диапазон сигналов, то путем установки различных порогов можно обнаруживать и идентифицировать объекты с сигнатурами, характеризуемыми отличающимися частотными диапазонами и мощностями спектров излучения. Узел должен иметь возможность хранить массив, например, измерений акустического поля: частота излучения, мощность излучения, формируемые с заданным интервалом дискретизации (определяется точностью измерения).

Полученные и обработанные данные в пункте управления РБСС используются для отображения ситуации вторжения и активизации задачи слежения за объектами вторжения. Алгоритм слежения включает в себя: идентификацию таким ИСУ, который близок к объекту вторжения (сбор данных об изменении положения объекта, локализацию зоны вторжения, оценку основных параметров объекта вторжения, формирование сигнатур объектов вторжения, моделирование сигнатур, сопоставление записей с модельными, прогнозирование и оценка возможной траектории, создание и обновление записей о траектории объекта).

На рис. 2 иллюстрирована процедура активизации узлов, ближайших к узлу, обнаружившему факт проникновения объекта противника.

 

Рис. 2. Активизация ближайших узлов к узлу, зафиксировавшему факт проникновения в зону защиты

 

Пусть несколько ИСУ засекли цель и ее локализовали [6]. Возникает проблема, какой из этих ИСУ будет ее сопровождать. Пусть  в сети РБСС выполняется отслеживание одной цели.

R(1): ЕСЛИ (степень опасности > d), ТО (активизировать узлы согласно таблице связей с соседними узлами).

Каждый объект вторжения в поле сенсора ИСУ генерирует изменяющееся во времени поле пространственной сигнатуры, которое воспринимается с использованием нескольких модальностей. Тогда движущийся объект – это пространственный пик в поле сигнатуры, который перемещается во времени. Следовательно, отслеживание цели – это отслеживание местоположения пика в течение времени. Для этого с помощью правила в примере (рис. 2) в поле РБСС динамически определяется пространственная ячейка. Внутри ячейки узел ИСУ с максимальной степенью опасности координирует задачи слежения. Можно сформулировать пять основных шагов алгоритма слежения:

1. ИСУ вблизи центра кластера потенциальных целевых траекторий должны быть активированы. ИСУ внутри кластеров должны взаимодействовать для определения факта присутствия цели в кластере.
2. Ближайший ИСУ должен быть активирован, начать передавать информацию об объекте (тип и т.п.), инициировать отслеживание данным ИСУ.
3. ИСУ передает в центр информацию: оценку местонахождения цели, направление движения, скорость. Вычисляется прогноз будущей позиции цели.
4. Эта информация передается в соседние ИСУ и кластеры (для облегчения слежения).
5. Если цель обнаружена в зоне ответственности предупрежденного ИСУ, этот ИСУ активируется, и работа алгоритма повторяется с п. 1. Шаг траектории цели отображается в пункте управления.

Заключение. Предложен достаточно простой способ представления знаний в узле РБСС в виде нечетких продукций. Так как задание функций принадлежности нечетких лингвистических переменных, извлечения правил из данных представляет достаточно длительный процесс, то использование обучающей выборки, отражающей мнение эксперта о процессе измерения и поведения, может значительно его ускорить.

Ближайшей целью разработчиков является использование, помимо нечетких сенсоров, нейро-нечетких сетей (вложенных в один узел или распределенных по РБСС), алгоритмов для управления адаптацией и обучением нечетких сенсоров. Это существенно повысит эффективность РБСС в решении для таких задач, как слежение за стационарными и мобильными объектами, мониторинг внешней среды. Описанный подход реализован в форме программного продукта. Он написан на языке программирования диалекте C, как набор взаимодействующих задач и процессов. Его дополнительные инструменты представлены в форме Java-приложений и интерфейсов для shell-скриптов. Операционная система содержит встроенные интерфейсы, модули и специфические настройки, которые позволяют создавать программу как набор модулей, реализующих заданные функциональности и обеспечивают интерфейс к стандартным аппаратным средствам ввода, вывода и датчикам.

Конфликт интересов. Процесс написания и содержание статьи не дают оснований для постановки вопроса о конфликте интересов.

¹ Статья является расширенной версией доклада автора на конференции КИИ-23 в г. Смоленске [1].

About the authors

Gennady P. Vinogradov

Centerprogramsystem Research Institute

Author for correspondence.
Email: wgp272ng@mail.ru
ORCID iD: 0000-0001-5757-2753
SPIN-code: 7288-4042
Scopus Author ID: 23976986500

Head of the Laboratory, Member of the Russian Association of Artificial Intelligence, Member of the Russian Association of Fuzzy Systems and Soft Computing

Russian Federation, 3A, Nikolay Korytkov Ave., Tver, 170024

References

Supplementary files