一种管控监测方法和系统与流程

本发明涉及物联网领域，特别是涉及一种利用检测设备面向管控监测的支持动态资源连接表示及访问的系统和方法。

背景技术：

随着无线通信技术的发展，智能物联网设备在军事及民用领域得到了广泛的应用，异常目标的监测和追踪是其中最常见的应用领域，其中“监测——告警”是解决该问题的最基本的方法，即监测到目标后主动或被动的发出通知。然而动态目标具有在被监测的区域内突然出现或消失以及连续移动的特点，比如自然保护区中的珍惜物种，国境边防线的入侵者和偷渡者等。因此传统的“监测——告警”方法对于管控监测动态目标并不能非常好的适用。在管控监测中动态资源的生成及获取也有相当的难度，主要有三个原因：第一，传统物联网设备受到成本和功耗的制约，导致其计算及存储能力有限，无法支持深度学习算法的运行，无法存储大量的训练集也不能在本地训练模型。第二，管控监测应用对目标的发现和访问的时效性要求较高，同时又对设备的能耗有较高需求。传统方法在异常目标数据访问和主动追踪方面，延迟和能耗均较大，“监测——告警”方法也很难实时获取目标的当前状态。第三，传统的物联网应用中，在设备部署完成后，应用更新成本高，更换监测目标困难。

当前国内外产品和专利中的类似技术包括：中国国家专利“一种基于物联网的园林监测系统”，申请号cn201420310577.8[p].2014，利用传感器网络对园林环境进行监测。它使用client/server网络结构，传感器将园林环境的实时变化信息通过网络传送到物联网监测主机，该监测系统利用的就是传统的“监测——告警”方法，系统只能监测某种特定的环境信息，client/server结构也限制了网络的可扩展性。中国国家专利“无线传感器网络中基于呼吸机制的有毒气体监测与追踪方法”，申请号cn201420494224.2[p]2014，是一种利用无线传感器网络的监测和追踪有毒气体边界的方法，利用网络间节点的互相协作找出有毒气体在当前环境下的扩散规律进而对有毒气体的边界进行追踪。与第一种方法相比本方法是对连续目标的监测。这种方法并不适用监测动态目标，动态目标可能随时出现或消失，变化也不一定是连续的。中国国家专利“森林防火及生态保护物联网监测预警指挥系统”，申请号cn201320125104.6[p]2013，是基于前端监测设备的森林防火的预警指挥系统，能根据当前采集的信息判断森林大火的可能性，同样采用client/server结构。以上发明都是基于物端设备的检测应用，但是它们监测目标单一并且都无法监测随时出现或消失的动态目标。

此外，关于神经网络在物联网系统中应用的关键技术背景包括：中国国家专利“基于物联网的目标识别方法及装置”，申请号cn201320590706.3[p]2013，是利用对预定目标所采集的测量值作为bp神经网络的输入量，对所述预定目标进行模式识别，该发明的神经网络的训练和识别都不是在物联网节点上进行，物联网端设备并不能利用识别结果。中国国家专利“一种基于物联网和神经网络的可自我优化的高效公共交通系统”，申请号cn20160252092.1[p]2016，通过采集公交站台的候车人数和车内乘客数量对公共交通的调度进行调整。该发明利用bp算法来预测出各车次各个时段的需求人数趋势，该发明利用bp算法的结果来改进决策。但是这两个发明都没有根据实际使用的情况对神经网络模型不断改进，因此它们的预测的正确率也不会不断提高。

技术实现要素：

针对上述问题，本发明提出一种管控监测方法，包括：节点注册步骤，将监测设备注册为管控监测系统的节点，为该节点设置节点id，并将该节点进一步划分为控制节点或普通节点；模型建立步骤，该节点采集已知目标的初始特征数据并通过该管控监测系统的边界网关发送至该管控监测系统的云端子系统，该云端子系统以该初始特征数据建立bp神经网络模型作为该追踪模型，并将同步至所有该节点；目标监测步骤，通过该节点采集监测目标的特征数据，获取该监测目标的当前位置信息以生成为动态资源，并通过追踪模型获取该监测目标的预测位置信息；模型更新步骤，该控制节点通过该管控监测系统的边界网关发送该动态资源至该管控监测系统的云端子系统，该云端子系统对该动态资源分别提取训练特征和实际结果，通过该训练特征和实际结果根据bp神经网络的负反馈学习过程训练该追踪模型；并将该追踪模型同步至所有该节点；资源保存步骤，将该动态资源和获取该动态资源的节点的节点id转发至所有该控制节点；用户控制步骤，用户通过该管控监测系统的控制设备向该节点发送请求，以获取该动态资源和该预测位置信息，或通过该节点id对该节点进行操作。

本发明所述的管控监测方法，所述用户控制步骤具体包括：

资源操作步骤，该用户通过该控制设备向该节点发出对该动态资源的操作请求，若接收该操作请求的节点为控制节点，则将该操作请求转发至生成该动态资源的节点或该动态资源的预测位置信息对应的节点，以响应该操作请求；反之则将该操作请求转发至与之连接的控制节点；

资源获取步骤，该用户通过该控制设备向该节点发出对该动态资源的获取请求，若接收该获取请求的节点为控制节点，则返回该动态资源；反之则将该获取请求转发至与之连接的控制节点；

目标更换步骤，该用户通过该控制设备向该节点发出对该监测目标的更换请求，接收该更换请求的节点通过洪泛法将该更换请求转发至所有该节点，所有该节点响应该更换请求；

资源删除步骤，该用户通过该控制设备向该节点发出对该动态资源的删除请求，接收该删除请求的节点通过洪泛法将该删除请求转发至所有该节点，所有该节点响应该删除请求。

本发明还涉及一种管控监测系统，包括：

监测设备、边界网关、注册服务器、云端子系统和控制设备；以及

节点注册模块，用于将该监测设备注册为该管控监测系统的节点，为该节点设置节点id，并将该节点进一步划分为控制节点或普通节点；

目标监测模块，用于通过该节点采集监测目标的特征数据为动态资源，并通过追踪模型获取该监测目标的预测位置信息；

资源保存模块，用于将该动态资源和获取该动态资源的节点的节点id转发至所有该控制节点；

用户控制模块，用于用户通过该管控监测系统的控制设备向该节点发送请求，以获取该动态资源和该预测位置信息，或通过该节点id对该节点进行操作；

模型建立模块，用于建立该追踪模型；该节点采集已知目标的初始特征数据并通过该管控监测系统的边界网关发送至该管控监测系统的云端子系统，该云端子系统以该初始特征数据建立bp神经网络模型作为该追踪模型，并将同步至所有该节点；

模型更新模块，用于更新该追踪模型；该控制节点通过该管控监测系统的边界网关发送该动态资源至该管控监测系统的云端子系统，该云端子系统对该动态资源分别提取训练特征和实际结果，通过该训练特征和实际结果根据bp神经网络的负反馈学习过程训练该追踪模型；并将该追踪模型同步至所有该节点。

本发明所述的管控监测系统，所述用户控制模块具体包括：

资源操作模块，用于对该动态资源进行操作；该用户通过该控制设备向该节点发出对该动态资源的操作请求，若接收该操作请求的节点为控制节点，则将该操作请求转发至生成该动态资源的节点或该动态资源的预测位置信息对应的节点，以响应该操作请求；反之则将该操作请求转发至与之连接的控制节点；

资源获取模块，用于获取该动态资源；该用户通过该控制设备向该节点发出对该动态资源的获取请求，若接收该获取请求的节点为控制节点，则返回该动态资源；反之则将该获取请求转发至与之连接的控制节点；

目标更换模块，用于更换该监测目标；该用户通过该控制设备向该节点发出对该监测目标的更换请求，接收该更换请求的节点通过洪泛法将该更换请求转发至所有该节点，所有该节点响应该更换请求；

资源删除模块，用于删除该动态资源；该用户通过该控制设备向该节点发出对该动态资源的删除请求，接收该删除请求的节点通过洪泛法将该删除请求转发至所有该节点，所有该节点响应该删除请求。

本发明通过监测目标在节点间的移动路径以及节点采集到的特征数据，结合神经网络模型，能够预测监测目标下一时刻的位置，结合预测结果和资源保存算法可以提高动态目标资源可访问率，缩短获取动态的目标资源的时间。

附图说明

图1是本发明实施例的管控监测系统构成图。

图2是本发明实施例的管控监测系统的检测设备结构图。

图3是本发明实施例的管控监测系统节点网络拓扑图。

图4是本发明实施例的管控监测方法总体工作流程图。

图5是本发明实施例的管控监测系统监测设备功能模块示意图。

图6是本发明实施例的管控监测方法的追踪模型训练流程图。

图7是本发明实施例的管控监测方法的保存位置选择算法流程图。

图8是本发明实施例的管控监测方法的用户控制流程图。

其中，附图标识为：

100：管控监测系统101：云端子系统

102：控制设备103：注册服务器

104：边界网关105：监测设备

106：追踪模型数据107：模型训练数据

201：资源生成/感知模块202：直接内存访问控制器

203：神经网络协处理器204：主处理器

205：网络通信模块301：普通节点

302：控制节点501：资源感知/生成模块

502：通信模块503：决策模块

504：行动/响应模块505：监测感知模块

506：资源生成模块507：目标追踪预测模块

508：资源保存模块601：训练数据集

602：预处理603：训练数据

604：验证数据605：第二次预处理

606：训练特征607：实际结果

608：负反馈学习过程610：监测目标的行动数据及资源

611：追踪模型612：预测结果

s401、s402、s403、s404、s405、s406：步骤

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明提出的一种管控监测系统和方法进一步详细说明。应当理解，此处所描述的具体实施方法仅仅用以解释本发明，并不用于限定本发明。

当前的物联网管控监测应用普遍采用传统的“监测——警告”方法，缺乏对目标的行动进行预测，对动态性和实时性较强的目标监测效果较差，另外几乎所有应用的监测目标单一且固定，只能获得特定的资源。针对这些问题，本发明提供一种面向管控监测的支持动态资源链接表示和访问的智能物联网系统及其处理方法。通过无线部分程序映像更新的方法更改设备监测目标的种类，更新设备捕捉、生成和管理资源的能力。通过对监测目标在网络节点间的移动轨迹和设备采集的目标资源提取目标追踪特征，并利用bp神经网络对该特征数据建模，结合目标资源的保存，大大增强了对动态性和实时性较强的目标的监测效果，充分解决了预测目标行动的问题。另外，智能物联网系统会利用节点采集的真实数据重新训练及更新所用的bp神经网络模型，不断提高设备的预测能力。

图1是本发明实施例的管控监测系统构成图。如图1所示，本发明以支持动态资源链接表示和访问的方法为核心构建了一个基于智能物联网的管控监测系统100，管控监测系统100包括：云端子系统101、控制设备102、注册服务器103、边界网关104和监测设备105。云端子系统101用于训练bp神经网络(backpropagation)模型并通过网络与检测设备105交换数据。数据交换分为两个部分：追踪模型数据106，监测设备105根据云端子系统101的训练结果获得更新后的追踪模型，以便不断提高其预测准确度；模型训练数据104，监测设备106将采集到的监测目标特征数据上传至云端子系统101作为追踪模型的训练数据集。边界网关104接收控制设备102的请求并将请求发送至监测设备105，监测设备105通过边界网关104把请求响应发送至控制设备102。本系统需要适用于监测设备105的javascript的引擎和支持bp神经网络的云计算环境为监测设备105运行支持动态资源链接表示和访问方法提供必要的环境支持。

图2是本发明实施例的管控监测系统的检测设备结构图。如图2所示，监测设备105包括：资源生成/感知模块201、直接内存访问控制器202、神经网络协处理器203、主处理器204和网络通信模块205，其中资源生成/感知模块201负责采集监测数据，例如对边界入侵者进行图像及其他信息的采集，具备神经网络协处理器203负责处理追踪模型(bp神经网络模型)，网络通信模块205负责处理webservice请求，或与其邻居节点通信，转发资源等。

图3是本发明实施例的管控监测系统节点网络拓扑图。本发明中监测设备105按照图3的网络拓扑部署在监测范围的边界，圆形表示监测设备105，其中空心者为普通节点301，实心者为控制节点302。在图3的示例中按照连通度大于log2n的规则选取控制节点302，n为网络中节点总数。控制节点302的选取规则可以根据具体的应用更改。

在网络中，普通节点301只知晓其邻居节点的地址(节点id)和连通度，控制节点302除了知晓邻居节点的地址外还与其他控制节点302相互连接。边界网关104具有将http协议转换为本发明的动态链接与表示的方法的能力，将用户的请求发送至任一节点，接收节点的返回数据并转换为http响应。

监测设备105部署后，首先需要利用注册服务器103将监测设备105注册为节点，并对节点的路由信息初始化。节点在加入网络时，注册服务器103会为节点随机分配若干邻居节点；离开网络时需要向注册服务器103发送注销请求。注册服务器103会根据当前节点间的连接情况选出控制节点302，并使控制节点302相互连接。图3中实线代表普通节点301与其邻居节点的连接情况，虚线代表控制节点302间的连接情况。

在设备正式部署之前需要利用管控监测系统所获取的已知目标特征数据的数据集来训练出一个初始的追踪模型。为了获取这个数据集，首先需要将监测设备105部署在需要监测的边界上，仅仅利用监测设备105的资源生成/感知模块201采集监测目标在监测设备105间的行动数据和各种监测数据。积累到一定的数据量后将所有监测设备105收集的数据整合成一个初始的数据集，在云端子系统101上进行训练，并将训练出的追踪模型作为监测设备105上的初始的追踪模型。

本发明中支持动态资源链接表示和访问的方法运行在管控监测系统100上，训练追踪模型在云端子系统101中完成。

图4是本发明实施例的管控监测方法总体工作流程图。本发明中支持动态资源链接表示和访问的方法的总体工作流程如图4所示，整体流程包括：

步骤s401，将监测设备注册为管控监测系统的节点，为注册成功的节点设置节点id，并进一步将节点划分为控制节点或普通节点；

步骤s402，节点采集已知目标的初始特征数据并发送至云端子系统101，云端子系统101建立追踪模型，并将同步至所有节点；

步骤s403，节点采集监测目标的监测数据以获取监测目标的当前位置信息，并利用追踪模型预测监测目标下一时刻可能出现的位置即获取预测位置信息；

步骤s404，云端子系统101定期根据节点采集的数据重新训练并更新监测设备106的追踪模型；

步骤s405，节点利用资源保存位置选择算法将预测结果、监测数据和监测目标所处范围节点的节点id转发至控制节点；

步骤s406，用户利用支持动态资源的链接生成、链接实访地址预测和表达管理的方法提供的上层接口获取/改变资源或者更改检测设备的监测目标。

下面详细介绍本发明技术方案。

(1)步骤s401：

管控监测系统100的注册服务器103将该监测设备105注册为管控监测系统100的节点，为该节点设置节点id，并为节点随机分配多个与该节点相邻的邻居节点；获取节点与该邻居节点的连通度，若连通度大于log2n，则将节点划分为控制节点302，反之则划分为普通节点301，其中n为管控监测系统的节点总数；控制节点302的选取规则可以根据具体的应用更改。

(2)步骤s402：

不同于传统的“监测——告警”方法，本发明具有对监测目标下一步动态进行预测的能力。本发明使用bp神经网络来实现这一功能。bp神经网络是由一个输入层、若干隐藏层和一个输出层组成的神经网络模型。网络中每个神经元之间的权重通过反向传播算法不断修改直至误差收敛至特定值，利用一个训练好的模型和新的输入就能得到预测结果。节点采集已知目标的初始特征数据并通过边界网关发送至云端子系统101，云端子系统101以初始特征数据建立bp神经网络模型作为该追踪模型，并将同步至所有节点。

(3)步骤s403：

图5是本发明实施例的管控监测系统监测设备功能模块示意图。如图5所示，监测设备105从功能上可以划分为资源感知/生成模块501、通信模块502、决策模块503和行动/响应模块504，资源感知/生成模块501还可以具体划分为监测感知模块505和资源生成模块506，行动/响应模块504则可以进一步划分为目标追踪预测模块507和资源保存模块508。当监测目标在监测设备105监测范围内进入或离开时，资源感知/生成模块501会感知监测目标并采集监测数据生成动态资源。监测感知模块505负责对监测目标是否存在进行感知，该模块会通知资源生成模块506监测范围内是否存在监测目标。资源生成模块506负责采集目标的特征数据以得到监测目标的当前位置信息，例如图像、停留时间等，这些特征数据就是针对该监测目标生成的动态资源。监测设备105还会通过通信模块502将监测数据发送至云端子系统101，为不断更新追踪模型的数据集提供特征数据。资源感知/生成模块501会把生成的动态资源传送至决策模块503，利用资源保存模块508中保存位置选择算法的执行结果，利用目标追踪预测子模块507得到的监测目标的预测位置信息，通过通信模块502把动态资源保存在网络中。

(4)步骤s404：

图6是本发明实施例的管控监测方法的追踪模型训练流程图。图6展示了追踪模型训练方法的具体过程。监测设备105会定期对追踪模型进行更新，为了使预测准确度不断提高，追踪模型需要不断被优化。在检测设备105正式部署之后，物联网端系统会利用资源感知生成模块501生成的监测目标的行动数据及资源610通过网络上传至云端子系统(更新训练数据过程104)。云端子系统会定期利用更新的数据集对bp神经网络模型再次训练，并将更新的模型发送至网络所有节点。

传统物联网设备受到功耗和成本的制约导致其运算能力差、存储空间小，因此bp神经网络的训练过程很难在设备本地进行。本系统采用云端子系统101来完成bp神经网络训练，监测设备105通过边界网关104与云端子系统101通信并更新追踪模型。

首先，云端子系统101上的训练数据601集需要经过预处理过程602将其分为训练数据603和验证数据604。

接着，训练数据603和验证数据604在进行第二次预处理605后，会将被训练的特征606和实际结果607分离开，放入bp神经网络进行学习。训练特征包括但不限于目标在设备间移动的轨迹信息、在设备范围内停留的时间、设备采集到的传感信息例如图像等。

最后，根据bp神经网络的负反馈学习过程608训练出目标检测模型并通过网络将模型发送至检测设备。

在设备正式部署之后，物联网端应用就能利用训练出的模型611和采集到的目标信息510预测出目标离开该设备后到达的下一设备的位置612。该预测过程主要由检测设备的决策模块503负责，该模块由目标追踪预测507和资源保存508两个子模块组成。目标追踪模型611保存在目标追踪预测子模块507中，目标追踪预测子模块507负责将资源生成/感知模块501采集的特征数据作为bp神经网络的输入利用监测目标预测模型611得到目标下一时刻可能到达的节点位置的预测结果612。

预测结果也需要通过检测设备的网络通信模块502转发存储在网络的控制节点中。

(5)步骤s405：

动态资源在本发明中具体是指监测设备105监测到监测目标后对监测目标采集的监测目标的当前位置信息。监测目标的动态性导致了动态资源的动态性。当用户希望获取某个动态资源时可能无法得知动态资源在管控监测系统中位置。为了降低用户获取资源的时延，将动态资源保存在管控监测系统100中就非常必要。而为了使目标追踪预测模块507得到的预测结果与网络中其他节点共享，监测目标的预测位置信息也需要保存在管控监测系统100中。

图7是本发明实施例的管控监测方法的保存位置选择算法流程图。如图7所示，本发明使用的保存位置选择算法的最终目的是将网络中的最新资源和获取动态资源的节点的节点id保存在所有控制节点中。若目标在某个设备监测范围内活动，该设备就能生成针对目标的资源。当新的资源在网络中生成，生成节点需要将该资源最新的版本号通过洪泛法通知网络中的所有节点。所谓洪泛法(flooding)是指节点向其所有邻居(除了原发送消息的节点)转发收到的消息，直到该消息到达网络中所有节点。当节点从其他节点收到某个资源时需要检查版本号，如果收到的是过时的资源则丢弃，若为新生成的资源或收到的新资源则将其保存至中心节点。

资源需要在控制节点上保存。若该节点是控制节点，则需将新资源转发至其他控制节点；若结点是普通节点，则需要将资源转发至一个控制节点，由于普通节点并不知晓控制节点的地址，利用控制节点是网络中连通度较高的节点这个特性，普通节点只需将资源不断转发至连通度比自己高的邻居，最后总能到达一个控制节点。控制节点保存收到的新资源并转发给其他控制节点。

最后设备对自己生成的新资源进行本地保存，替换旧资源。

(6)步骤s406：

步骤s405主要涉及链接实访地址预测和表达管理的方法响应流程。

本发明中链接实访地址预测和表达管理的方法将本发明提供的功能封装成基于restfulweb方法的接口为上层应用提供服务。当用户希望获取网络中动态资源或者更改检测设备的监测目标和生成资源的能力时，需要调用该方法提供的接口。图8是本发明实施例的管控监测方法的用户控制流程图，如图8所示。下面对封装后的post、get、put、delete四个方法分别详细说明。

若用户希望对监测目标的资源进行操作，则应该将具体操作用javascript描述，并利用post接口发出请求。

当一个监测设备收到post请求时，首先判断本节点是否控制节点，若是，则该节点拥有目标资源的保存。改变目标资源的工作只能在当前能监测到目标的节点上实现，由于目标的动态性，它可能还在生成该资源的节点范围内，或者已经离开原节点。因此该控制节点会根据保存中的信息将该请求同时发送至生成资源的节点和追踪预测出的下一节点。判断监测目标是否还在该节点的检测范围内。若目标不在原节点和预测节点活动，则只能通过洪泛法将post请求转发至网络中所有节点，直到将post请求转发至能监测到目标的节点。

在能监测到目标的检测设备上，通信模块502将post的具体请求内容交予行动/响应模块504，行动/响应模块504负责执行用户请求对资源进行操作并将请求结果通过通信模块502反馈至用户。

若用户希望获取监测目标的最新资源，直接访问目标资源的url，也就是利用get接口发出请求。

当一个节点收到get请求时，首先判断本节点是否控制节点，若是，则该节点拥有目标资源的保存。直接返回被请求的资源即可。若结点只是普通节点，则需要找到拥有资源保存的原生成节点或控制节点。因此节点将get请求转发至连通度比自己高的邻居，如果在到达一个中心节点之前先找到了原生成节点，则直接返回资源，否则，从控制节点返回资源。

当用户希望更新检测设备的监测目标或生成资源的能力，例如更换自然保护区中的监测对象时，需利用put接口更新节点上运行的javascript脚本程序。本发明中所有节点需要拥有相同的能力，因此节点通过洪泛法将收到put的脚本程序散布至网络中所有节点。

当用户希望在网络中删除某个特定的资源时，需要利用delete接口。由于资源会在网络中进行保存，因此每个节点会通过洪泛法将delete请求转发至网络中所有节点，每个节点检查本地是否有该资源，若有则删除。