本发明涉及物联网和云计算技术领域，特别是一种基于人工智能的异构网络空间多层次移动物联网云系统。
背景技术：
云计算技术和物联网技术的快速发展必将给人类的生产、生活带来一场巨大变革，物联网技术的发展离不开云计算技术的支撑。随着下一代关键基础设施网络的建设规模越来越大，因此，对网络的管理和监测的需求越来越大，要求也越来越高；因此，基于将物联网感知技术以及云计算技术，设计一种能够适应大规模基础设施网络的多层次物联网云系统能够适应领域发展的趋势。
技术实现要素：
针对上述问题，本发明旨在提供一种基于人工智能的异构网络空间多层次移动物联网云系统。
本发明的目的采用以下技术方案来实现：
一种基于人工智能的异构网络空间多层次移动物联网云系统，包括：
感知层，用于对基础设施网络进行数据采集和感知；
传输层，与所述感知层连接，用于对所述感知层获取的数据进行标准化的描述和统一的资源访问管理，由硬件网关接口，接口驱动及嵌入式中间模块构成；
网络层，与所述传输层连接，用于将所述传输层的模块接入到传输的网络中，借助无线或有线的通信网络实现数据的交换和共享；
共享层，与所述网络层连接，用于利用Web Service设计通信接口，以XML作为数据交换的中间载体，建立基于SOA服务架构的数据共享中心；
应用层，与所述共享层连接，包括云平台，所述云平台包括数据储存模块，设备管理模块，智能监控模块，应急处理模块，用于对接收到的数据及网络中设备信息进行储存，实现对基础设施网络的智能监控，当监控到异常数据时自动选择应急处理方案。
本发明提供了一种基于人工智能的异构网络空间多层次移动物联网云系统，构建五层结构系统，实现了对基础设施网络进行全方位的管理和数据采集，通过感知层对网络中的数据进行采集和感知，将数据传输到传输层，由传输层进行异构数据的格式化和融合处理，再由网络层将处理后的数据传输到应用层中，由应用层实现对数据的监控和处理，在应用层和网络层中，特别设置了共享层作为数据传输的中间载体，能够有效解决应用层中不同系统或模块间数据资源无法共享的问题，并提高数据交换的效率；整个系统层次化结构完善，能适应实际系统中的不同需求；同时，本系统能够对系统网络中的数据进行实时监控，当监控到异常数据时自动选择应急预案，整个系统可靠性强，智能化水平高，满足高安全性、高可靠性系统的需要。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的框架结构图；
图2为本发明另一种实施方式的框架结构图；
图3为本发明嵌入式中间模块的框架结构图；
图4为本发明云平台的框架结构图；
图5为本发明数据融合模块的框架结构图。
附图标记：
感知层1、传输层2、网络层3、共享层4、应用层5、传感器10、硬件网关接口21、接口驱动22、嵌入式中间模块23、数据配置模块231、通信协议转换模块232、数据融合模块233、预处理单元2331、数据融合单元2332、融合修正单元2333、数据封装模块234、数据共享中心40、云平台50、数据储存模块51、设备管理模块52、智能监控模块53、应急处理模块54
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1，其示出一种基于人工智能的异构网络空间多层次移动物联网云系统，包括：
感知层1，用于对基础设施网络进行数据采集和感知；
传输层2，与所述感知层1连接，用于对所述感知层1获取的数据进行标准化的描述和统一的资源访问管理，由硬件网关接口21，接口驱动22及嵌入式中间模块23构成；
网络层3，与所述传输层2连接，用于将所述传输层2的模块接入到传输的网络中，借助无线或有线的通信网络实现数据的交换和共享；
共享层4，与所述网络层3连接，用于利用Web Service设计通信接口，以XML作为数据交换的中间载体，建立基于SOA服务架构的数据共享中心40；
应用层5，与所述共享层4连接，包括云平台50，所述云平台50包括数据储存模块51，设备管理模块52，智能监控模块53，应急处理模块54，用于对接收到的数据及网络中设备信息进行储存，实现对基础设施网络的智能监控，当监控到异常数据时自动选择应急处理方案。
本发明上述实施方式，构建五层结构系统，能够实现对基础设施网络进行全方位的管理和数据采集，通过感知层对网络中的数据进行采集和感知，将数据传输到传输层，由传输层进行异构数据的格式化和融合处理，再由网络层将处理后的数据传输到应用层中，由应用层实现对数据的监控和处理，在应用层和网络层中，特别设置了共享层作为数据传输的中间载体，能够有效解决应用层中不同系统或模块间数据资源无法共享的问题，并提高数据交换的效率；整个系统层次化结构完善，能适应实际系统中的不同需求。
优选地，参见图2，所述感知层1包括设置在所述基础设施网络中的多个传感器10，所述传感器用于对所述基础设施网络中的设备状态、服务器状态和网络性能进行数据采集和获取。
优选地，所述传感器10还通过WIFI，ZigBee等通信协议将采集的实时数据发送至传输层2。
优选地，所述传感器10还包括，获取网络环境中主机、交换设备、安全设备等各种异构数据源信息。
本发明上述实施方式，通过在基础设施网络中设置不同类型的传感器，能够有效对网络中的设备，服务器及网络数据进行采集，能够根据实际情况设定传感器的类型，采集所需的数据，适应性强；同时将采集到的数据传输至上层进行处理，为实现上层云平台对系统的管理奠定了基础。
优选地，所述传输层2中，所述硬件网关接口21包括硬件网关输入接口和硬件网关输出接口，其中，所述硬件网关输入接口包括RS232，RS485，WIFI等，用于实现与不同感知设备的连接，所述硬件网关输出接口包括WIFI，RJ45，GPRS，LTE等，供管理者根据实际情况选择输出方式；所述接口驱动22用于为所述嵌入式中间模块23提供驱动程序。
优选地，参见图3，所述嵌入式中间模块23包括数据配置模块231，通信协议转换模块232，数据融合模块233，数据封装模块234，所述数据配置模块231用于对传感器采集的数据进行配置，所述通信协议转换模块232用于将接收到的数据进行解码并转换成统一的通信协议，所述数据融合模块233用于将从不同传感器采集的数据进行数据融合，所述数据封装模块234用于将所述数据融合模块233的融合数据根据不同的大类进行统一封装，封装后的数据经所述硬件网关输出接口输出到所述网络层3。
本发明上述实施方式，通过在传输层中设置不同的网关输入和输出接口，能够适应下层中不同传感器获取的不同数据类型，同时提供了可根据实际需要选择的数据输出接口类型，灵活性强；传输层中还设置了嵌入式中间模块，实现下层采集数据的通信协议转换，数据融合，数据封装的功能，有效地降低了数据的冗余度，降低了系统的处理负担。
优选地，所述共享层4中数据共享中心40，用于当上层应用申请共享数据时，通过共享层4的数据访问接口接受所述上层应用向数据共享中心40提出服务请求，查找该服务是否存在，如果存在则请求相应的服务提供模块做出响应，然后将获取的相应数据返回给提出申请的应用；当上层应用需要共享自身数据源时，通过数据访问接口接收需要共享的数据，并推送到目标设备中。
本发明上述实施方式，共享层中设置了数据共享中心，能够协调应用层中不同模块或系统对数据的请求，实现数据的调度，能够有效地提高系统的应用层中的数据处理速度。
优选地，参见图4，云平台中，所述数据储存模块51，用于储存接收到的数据，供其他模块调用；
所述设备管理模块52，用于获取并储存所述基础设施网络中设备和服务器的基础信息；
所述智能监控模块53，用于对获取的数据进行分析，对所述基础设施网络进行监控，并对基础设施网络的性能和安全态势进行感知；
所述应急处理模块54，用于当所述智能监控模块发现异常数据时，对异常数据进行分析，自动选择应急处理预案。
本发明上述实施方式，应用层中设置有云平台，能够对基础设施网络中的设备以及其获取的数据进行管理，实现对基础设施网络的监控，当发现异常数据时，能够智能地对异常数据进行分析，并及时执行相应的应急预案，提高了基础设施网络的安全性能，同时提高了系统的智能化水平。
优选地，所述应急处理模块54还包括：
获取不同异常数据样本，采用基于SVM算法的异常数据分类器实现数据样本分类，通过对样本数据进行训练，构建出不同异常情况下的应急处理预案，建立应急处理预案库；
当所述智能监控模块发现异常数据时，判断异常数据的分类，并调用所述应急处理预案库中对应的应急处理预案进而实现对网络状态的主动防护。
本发明上述实施方式，根据获取的不同异常类型的异常数据样本，采用智能分类器对异常数据样本进行分类处理，并且通过对不同类型的样本进行训练，构建出针对不同异常数据类型的应急处理远，当监控模块发现异常数据时，能够根据判断出的异常数据类型自动选择对应的应急处理预案，对系统进行主动防护，提高系统的稳定性和安全性。
优选地，参见图5，所述数据融合模块233还用于将不同传感器采集的数据进行异构数据融合，包括预处理单元2331，数据融合单元2332，融合修正单元2333，其中，
所述预处理单元2331，用于采用无向图模型对不同传感器获取的数据进行分类处理；
所述数据融合单元2332，用于将所述预处理单元2331中采用无向图模型获取的分类数据作为信息源，对来自不同信息源的数据进行融合和二次分类处理；
所述融合修正单元2333，用于对融合的数据进行修正，确定最终的数据融合结果。
本发明上述实施方式，由于感知层中不同传感器采集的数据类型并不相同，为了降低数据的冗余度，提高上层对数据处理的速度，传输层设置有数据融合模块对下层采集的数据进行分类和融合处理，将同类型的数据进行融合再向上层发送，能够有效地减轻系统中网络的负担，提高系统的处理性能，为之后的上层应用对数据的处理提供必要的支持；同时，采用上述的三段式处理方式对数据进行融合，能够有效降低噪声及不确定数据带来的不利影响，提高模块中对数据的分析能力。
优选地，所述预处理单元2331具体包括：采用无向图模型训练分类器对不同传感器获取的数据进行分类处理；
其中，所述分类器的训练具体包括：
(1)初始化用于训练分类器的已标注训练样本集μ，从所述传感器获取的数据序列作为未标注样本，记入样本集ν(k)，测试样本集l，采用训练样本集训练初始分类器D(k)，其中迭代次数k＝0，并使用分类器D(k)对样本集ν(k)中的未标注样本进行概率预测；
(2)根据无向图模型在样本集ν(k)上构造无向图，并剔除图像图中的孤立点，即噪声样本点，并且将孤立点从样本集ν(k)中剔除；
(3)在无向图中的每个连通区域内利用分类器D(k)预测样本属于每个类别的概率，并获取每个未标注样本的当前价值，从每个连通区域内挑选当前价值最大的样本组成候选样本集Ψ，并获取候选样本集Ψ的样本优化值，
其中，所述样本当前价值的获取函数为：
式中，a表示未标注样本，Q(a,D(k))表示未标注样本a对分类器D(k)的价值，和分别表示未标注样本a利用分类器D(k)预测的最优和次优类别概率，b1和b2分别是该样本的最优和次优类别标签；
即候选样本集Ψ可表示为：
式中，a表示未标注样本，ν表示未标注样本集；
其中，采用的样本优化值函数为：
式中，Y(a)表示样本集Ψ中样本a的优化值，和分别表示未标注样本a利用分类器D(k)预测的最优类别b1和次优类别b1概率，和分别表示未标注样本a利用临时分类器D(k+1)(b1)预测的最优类别b′1和次优类别b′2概率，其中所述临时分类器D(k+1)(b1)是采用当前训练样本集μ加上候选样本集Ψ的样本a与其最优分类标签b1训练所得，和分别表示未标注样本a利用临时分类器D(k+1)(b2)预测的最优类别b″1和次优类别b″2概率，其中所述临时分类器D(k+1)(b2)是采用当前训练样本集μ加上候选样本集Ψ的样本a与其次优分类标签b2训练所得；
将样本集Ψ中优化值大于设定的阈值W的未标注样本进行标注，并添加到训练样本集μ中；
(4)利用训练样本集μ更新分类器D(k)，使用更新后的分类器在测试样本集l上进行测试，计算分类器的分类正确率，如果正确率大于设定的阈值Z，或者训练样本数达到设定的阈值，或者前后两次测试中训练样本集μ大小不再增大，则结束训练；否则跳转至(3)继续选择合适的样本进行训练，将迭代次数k加1。
本发明上述实施方式，采用上述的方法训练分类器，采用基于无向图模型的数据分类处理方法，能够有效地表现出数据之间的依赖关系，能够首先剔除噪声数据，去除噪声数据对分类带来的不利影响；采用样本优化值函数来选取无向图模型中不同类别的最优化数据，来对分类器进行训练，能够使分类器对从传感器采集的数据有更好的适应性，提高数据分类的准确度，同时为之后的数据融合处理奠定基础。
所述数据融合单元2332，用于将所述预处理单元2331中采用无向图模型获取的分类数据作为信息源，对来自不同信息源的数据进行融合和二次分类处理；
优选地，所述数据融合单元2332将所述预处理单元2331中采用无向图模型获取的分类数据作为信息源，对来自不同信息源的数据进行融合和二次分类处理，包括：将采用不同无向图模型获取的分类数据作为不同信息源，通过采用基于D-S证据理论联合规则对信息源进行融合处理，从而形成一个新的合并信息源，具体包括：
(1)获取来自不同传感器的信息源，记所述信息源的数量为V，建立识别框架S＝[s1,s2,…,sN]，其中s1,s2,…,sN表示数据目标类型，N表示设定的数据类型的总数，第n类数据类型的特征向量可表示为：Hn＝[hn1,hn2,…,hnK]T，其中信息源和识别框架都为K维特征向量；
(2)对于每一个信息源X，计算信息源X与识别框架S构成的特征向量矩阵M，M＝(M1,M2,…,MN+1)＝(X,H1,H2,…,HN)，其中，其中X＝[q1,q2,…,qK]T，q表示信息源的数据特征分量；
(3)计算矩阵M中各个分量之间的相似关系zn,j，构成X与Hn的关系矩阵Z：
式中，表示第n1个数据类型中的第k维特征向量；
(4)将关系矩阵Z转化为其传递闭包矩阵其中传递闭包矩阵中的行向量的元素是融合时将待识别目标和识别框架中目标sn-1划分为一类的信度值，设定即Cn表示待识别数据被识别为目标类型sn的信度值；
(5)获取信息源X对目标类型sn的信度函数值U(n),
其中采用的信度函数值函数为：
式中，Cn表示待识别数据被识别为目标类型sn的信度值，σ表示信度函数值调节因子；
如果信息源X对所有目标类型sn的信度函数值U(n)均小于设定的阈值，则将信息源X标记为不确定类型；否则选取信度函数值U(n)最大所对应的目标类型sn作为信息源X的数据类型；
(6)对于全部信息源，采用Dempster组合规则将属于同一目标分类sn的信息源进行融合，获取数据融合结果。
本发明上述实施方式，采用上述的方法对从不同传感器获取的经预处理单元处理后的信息源进行融合处理，采用D-S证据理论联合规则对数据不同的信息源进行处理，分别获取根据信息源和识别框架构成的特征矩阵，获取信息源对不同分类的信度函数值，再采用基于Dempster组合规则的方法对属于相同分类的信息源进行融合，能够有效提高数据融合的性能。
所述融合修正单元2333，还包括：采用二次分类器G(c)对所述标记为不确定类型的信息源进行再次分类，确定其最终分类结果，其中，所述二次分类器的建立具体包括：
(1)采用所述数据融合单元2332中分类成功的信息源作为训练样本(c1,y1),(c2,y2),…,(cI,yI)，其中ci∈C，C表示训练样本空间，I表示训练样本总数，yi表示信息源ci的分类向量表示yi的第n维子分量，表示将ci划分为分类的概率向量，N表示设定的数据类型的总数；
(2)记迭代次数δ＝1，初始化训练样本权重，初始分类器Gδ(c)；
(3)计算数据样本分布pδ，并将所述数据样本分布pδ传递给分类器Gδ(c)并拟合训练样本，计算Gδ(c)的误差τδ，
(4)设定调整因子计算判断因子γ，其中采用的判断因子函数为：
式中，表示训练样本ci的第n维分类子向量；
(5)对判断因子进行判断：
如果判断因子γ大于设定的阈值，则调整权重分配并重新进行第δ次迭代，
否则，重新分配权重并且进行下一轮迭代，δ＝δ+1，其中，
式中，[|Gδ(ci)＝yi|]表示第δ次迭代中的分类器Gδ(c)将样本ci分类其对应的目标分类y′i的概率；
当达到最大迭代次数时，整合获取分类器G(c)，其中分类器G(c)满足的条件为：
其中，选取符合上述要求的Gδ(c)作为最终确定的二次分类器G(c)。
本发明上述实施方式，采用上述的方法对数据融合模块中标记为不确定类型的信息源进行二次分类，选取融合模块中被成功分类的数据作为训练样本，对二次分类器进行训练，通过调整训练样本中不同样本的权重，并且采用权重调整后的样本集对二次分类器进行训练，使得二次分类器对获取的数据有更好的适应性，使得二次分类器对标记为不确定类型的信息源的判断更准确；同时，引入判断因子对分类器的性能进行判断，从而确定样本权重的调整策略，使得样本权重的调整更为准确。
采用上述“三段式”处理方法，首先通过预处理单元将从不同传感器获取的数据中属于同一类型的数据分类到一起，然后通过数据融合单元对不同类型的数据确定其分类并进行融合处理，最后通过融合修正单元将不确定类型的数据进行二次分类，最终确认其类型，数据融合精确度高。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。