基于物联网和SOM算法的信息监控系统设计

张 华，王金兰

(广州铁路职业技术学院 信息工程系，广州 510430)

基于物联网和SOM算法的信息监控系统设计

张 华，王金兰

(广州铁路职业技术学院 信息工程系，广州 510430)

在物联网环境下进行信息监控系统设计，实现对网络信息的监控和自适应采集，保障网络安全；针对采用传统的神经网络控制方法进行信息监控的数据挖掘准确性不好的问题，提出一种基于物联网和自组织映射SOM算法的信息监控系统设计方法，首先进行信息监控系统的总体设计和功能模块化分析，然后设计改进的SOM算法，应用在信息监控的数据挖掘和分类识别中，在程序加载模块中进行算法加载，最后在物联网环境下构建嵌入式Linux内核进行信息监控系统的软件设计和开发；系统仿真实验结果表明，采用该信息监控系统进行大型物联网的数据信息监控，对数据的准确挖掘和识别性能较好。

物联网；SOM算法；信息监控；数据挖掘

0 引言

随着网络信息技术的发展，大量的数据信息在网络空间中传播和存储，需要进行信息监控识别，实现准确的数据信息挖掘和分类处理，提高网络管理的能力，信息监控在网络信息安全管理中具有重要的意义。物联网作为一种物体与物体相连的网络，随着局域网和无线传感网络技术的发展，物联网在智能家居控制和大型信息设备交互中发挥着重要的作用，物联网必将成为未来实现网络智能化集成控制的大型网络结构，在物联网环境下，海量的信息数据需要加工、存储、处理，在信息处理中需要进行信息监控，保障网络安全[1]。

在物联网环境下进行信息监控系统设计，实现对网络信息的监控和自适应采集，确保物联网信息安全，传统方法中，对物联网信息监控系统的设计主要有基于嵌入式E-Learning系统的信息监控系统设计方法、基于汇聚树协议的信息监控系统设计方法和基于嵌入式Linux环境的信息监控系统等[2-4]，通过开发Linux设备驱动程序，将采集的大型物联网环境中信息数据进行嵌入式管理和调度，结合程序控制和集成调度设计，实现信息的准确管理和监控，取得了一定的成果，其中，文献[5]提出一种基于云环境web信息抓取技术，实现信息监控系统设计和分类调度，采用web信息抓取关注用户服务评价，实现对物联网信息的反馈和云资源调度，取得了较好的监控效果，但是该方法对物联网中的敏感信息准确提取性能不好，且随着干扰量的增多，数据挖掘精度不好；文献[6]采用神经网络控制方法进行信息监控，在数据寻优过程中容易陷入局部最优解，导致信息数据挖掘的准确度不高，且计算开销较大，针对上述问题，本文提出一种基于物联网和自组织映射SOM算法的信息监控系统设计方法，首先进行信息监控系统的总体设计和功能模块化分析，然后设计改进的SOM算法应用在信息监控的数据挖掘和分类识别中，最后进行系统的软件设计和开发，通过仿真实验进行了性能测试，得出有效性结论。

1 系统总体设计描述及功能模块分析

1.1 面向物联网的信息监控系统总体设计

首先分析面向物联网的信息监控系统总体设计，并进行功能模块分析和介绍，面向物联网的信息监控系统建立在通用计算机平台上，信息监控系统可以安装Windows系统，也可以安装Linux系统，具有可移植性和兼容性。为了提高信息监控系统的稳健性，在嵌入式Linux环境下采用Linux内核进行程序控制和数据调度[7-10]，信息监控系统的开发中，采用Linux操作系统进行数据移植，采用X86架构的GNU开发工具进行信息监控系统集成设计，信息监控系统主要由物联网进程管理、路由节点管理、文件系统、物联网设备管理、网络系统管理等子系统组成，物联网环境下的信息监控系统工作结构如图1所示。

图1 物联网环境下的信息监控系统工作结构框图

根据图1所示的物联网环境下的信息监控系统工作结构框图进行系统的总体设计，构建可视化的操作界面进行数据输出和人机交互，在AD7656驱动主控存储器中实现监控信息的数据寄存和输出，得到信息监控系统的总体结构如图2所示。

图2 信息监控系统的总体结构

1.2 信息监控系统的功能模块及技术指标分析

根据上述对面向物联网的信息监控系统软件模块总体设计结构，进行系统的功能模块分析，面向物联网的信息监控系统软件开发的处理基本流程：

1)物联网信息的采集过程。通过物联网信息的采集，为物联网信息监控系统集成智能控制提供数据输入基础，采用传感器进行数据采集，采用VIX总线技术对物联网信息进行准确测量，为信息监控系统提供准确的数据输入。

2)信息监控的数据加工处理过程。在Linux内核下进行监控信息加载和信息加工，在程序加载模块，通过多通道物联网信息传输和回放，实现对物联网信息监控系统集成智能控制信息处理。

3)数据挖掘存储和人机交互过程。采用交叉编译环境进行物联网环境下的信息监控系统数据挖掘和人机交互，在Linux内核下的引导加载程序(Boot loader)进行GUI人机的交互，采用LabWindows/CVI实现物联网信息监控系统集成智能控制和可视化的数据分析。

根据上述功能模块分析，分析本文设计的面向物联网的信息监控系统的技术指标描述如下：

1)物联网信息监控系统与VXI总线数据采集功能，数据记录动态范围：-10～+20 dB，信号输出通道的幅度±10 V，输出监控信息中数据挖掘的精度为98.67%；

2)面向物联网的信息监控系统中收发转换采样通道为：8通道同步、异步输入；

3)数据的频谱特征采样率：>200 kHz；

4)VME总线传输的A/D分辨率：10位(至少)；

5)驱动程序的D/A转换分辨率：12位(至少)；

6)信息监控系统MXI总线控制的回放速率：≥200 kHz；

根据上述功能模块分析和信息监控系统的技术指标描述，进行面向物联网的信息监控系统的软件开发设计。

2 SOM算法设计

在上述进行物联网的信息监控系统的总体设计描述和功能技术指标分析的基础上，进行物联网互联信息数据挖掘和特征采样，设计改进的SOM算法应用在信息监控的数据挖掘和分类识别中，自组织映射(Self-Organizing Maps, SOM)算法作为一种聚类和高维可视化的无监督学习算法，在信息监控中具有较好的应用价值，SOM的学习模型如图3所示。

图3 SOM自组织映射网络结构模型

选择物联网路由信息链交换的特征信息，在图3所示的SOM自组织映射网络中进行信息加工和数据挖掘，过程如下：

1)选定SOM自组织映射网络输入训练矢量集x(t)=(x0(t),x1(t),···,xk-1(t))T；其中k为训练矢量个数；给出基于物联网的信息监控系统中待挖掘的数据样本个数N及输入节点，令x(t)，t=0,1,···,n-1，进行SOM网络的初始化处理，在输入层，设定时间采样节点的初始值t=0；

2)对输入物联网中的传输数据设定频率响应器，结合自组织神经网络映射，构建信息监控识别的训练向量模式x(t)=(x0(t),x1(t),···,xk-1(t))T；

3)设置自组织神经网络(N,M)，计算输入到监控系统的敏感特征信息向量x(t)，采用隐含层的神经元进行自组织学习，得到全部输出节点所连权向量ωj的距离：

(1)

其中:ωj=(ω0j,ω1j,···,ωk-1,j)T；

5)训练完所有的L个训练矢量，调整与输出节点Nj*的自适应加权权重，在Nj*几何邻域NEj*(t)中进行数据的特征挖掘，其中，权重迭代公式为：

ωij(t+1)=ωij(t)+α(t)(xi(t)-ωij(t))

(2)

其中:Nj∈Ej*(t)，0≤i≤k-10≤α(t)≤1是几何拓扑邻域NEj*(t)中进行神经元训练的敏感特征参数，它和NEj*(t)一样随时间递减；

3 监控系统软件开发设计与实现

根据上述设计，改进的SOM算法应用在信息监控的数据挖掘和分类识别中，在程序加载模块中进行算法加载，在物联网环境下构建嵌入式Linux内核进行信息监控系统的软件设计和开发。用嵌入式Linux技术进行系统的软件开发，构建面向物联网的信息监控系统的嵌入式Linux的开发环境，通过LCD控制器来完成编译，得到嵌入式Linux环境下的rootfs数据编译库，通过网线、232串口、USB进行信息监控系统的应用程序开发，面向物联网的信息监控系统的逻辑时序控制信号通过高性能的MAX7000AE处理芯片进行SOM算法的程序加载，程序加载模块的程控编码设计为：

defineMISC_s3c2440_pwm_255 //主设备号

defines3cQt/Embedded"pwm"//设备文件名

intretev_fops_ootfilesystem();

ret=s3c2440_compilation/makefile(&misc);

通过引导加载程序进行物联网信息监控系统的信息分类，在SOM算法控制下，建立Linux的根文件系统进行信息监控系统的数据写入和敏感信息特征提取，把编译器路径加入系统环境变量，并执行init进程，进程控制代码为：

Generates Settings --->

Spectral feature sampling of data --->

[*]downloaded //SOM自组织映射网络算法下载

Applets Linux Kernel (as soft-links) --->// Linux Kernel内核启动

(/home/Arm-angstrom/nfs) makefile 920t -gnueabi Installation Application

然后采用Qt/Embedded 4.6创建物联网信息监控系统的图形用户接口，实现可视化控制和人机交互，Qt/Embedded开发环境建立在x86上，把编译器路径加入系统环境变量，输入命令Generate bin, SBIN folder -x86.sh，开始信息化监控系统的可视化程序的编译、安装，如图4所示。

程序开始后采用Server/Client实现上位机通信，执行时钟频率初始化、存储器初始化、中断初始化，初始化程序代码为：

Applets Install root file system in file system (as soft-links) --->

(/home/Documents/ File System) Kernel_configuration Installation prefix

Root file systemTuning --->

[*] Cross compile environment edit.Bashrc file

[*] filesystem SBIN Applets links//设定PLL_LOCKCNT寄存器

[*] ADSP-BF537:aliased

[*] Copy register_handler

[*] Script SPORT0_TFSDIV// SPORT0_TCLKDIV寄存器初始化

Shells --->

--- SPORT0_TCLKDIV//服务器配置文件

[*]Check SPORT0_TFSDIV//串口发送时钟

[*]Lash(SPORT0_RILDN-linux)// lib目录下提供内核

对CAN的相关寄存器和RAM进行初始化, 运行make以及make install进行编译和安装，实现面向物联网的信息监控系统的算法编译和程序加载，软件实现过程如图5所示。

图5 信息监控系统的软件实现过程

4 系统仿真实验与调试

为了测试本文设计的面向物联网的信息监控系统的应用性能，进行系统调试和仿真实验分析，在嵌入式设备上运行Qt C++ API执行SOM自组织映射网络数据挖掘和识别算法的程序加载和数据写入，构建物联网信息监控系统集成智能控制的Linux内核，监控系统的数据输入通道为4块采集卡的任意通道，系统调试过程使用的设备为：Inter Pentium TYP3220A 随机数据发生器和Opengl32PST3202 可编程控制器，数据采集中设定地址00H，复位值f0H，VIX总线数据采样带宽为12 dB，系统的初始频率为2 kHz，采样时间间隔为5.2 ms。根据上述仿真环境和参数设定，采用传统方法和本文方法，对监控信息挖掘数据的精度进行对比研究，不同方法下的信息监控挖掘性能对比曲线如图6所示。

图6 信息监控性能对比

从图6可见，采用本文设计的系统进行物联网信息监控，对特征数据挖掘的精度远高于传统方法，满足提出的监控信息中数据挖掘精度为98.67%的设计技术指标，展示了本文方法的优越性能。

5 结束语

在物联网环境下进行信息监控系统设计，通过对监控对象中特定数据挖掘，保障网络安全。本文提出一种基于物联网和自组织映射SOM算法的信息监控系统设计方法，首先进行信息监控系统的总体设计和功能模块化分析，然后设计改进的SOM算法应用在信息监控的数据挖掘和分类识别中，在程序加载模块中进行算法加载，在物联网环境下构建嵌入式Linux内核进行信息监控系统的软件设计和开发。系统仿真实验结果表明，采用该信息监控系统进行大型物联网的数据信息监控，对数据的准确挖掘和识别性能较好，具有较好的应用价值。

[1] 邱 涛. 基于无线自组织物联网的智能语音预警系统设计方法[J]. 计算机测量与控制,2014, 22(10):3320-3322.

[2] Moradi M, Keyvanpour M R. An analytical review of XML association rules mining[J]. Artificial Intelligence Review, 2015, 43(2):277-300.

[3] Dong G L, Ryu K S, Bashir M, et al. Discovering medical knowledge using association rule mining in young adults with acute myocardial infarction[J]. Journal of Medical Systems, 2013, 37(2):1-10.

[4] Khalili A, Sami A. SysDetect:a systematic approach to critical state determination for industrial intrusion detection systems using Apriori algorithm[J]. Journal of Process Control, 2015, 27(6):154-160.

[5] 李方伟, 张新跃, 朱 江, 等. 基于信息融合的网络安全态势评估模型[J]. 计算机应用, 2015, 35(7): 1882-1887.

[6] Keshavamurthy B N, Khan A M, Toshniwal D. Privacy preserving association rule mining over distributed databases using genetic algorithm[J]. Neural Computing & Applications, 2013, 22(1):351-364.

[7] Czibula G, Marian Z, Czibula I G. Detecting software design defects using relational association rule mining[J]. Knowledge and Information Systems, 2015, 42(3):545-577.

[8] Hills J, Bagnall A, Iglesia B D L, et al. BruteSuppresion:a size reduction method for Apriori rule sets[J]. Journal of Intelligent Information Systems, 2013, 40(3):431-454.

[9] 李牧东,赵 辉,翁兴伟,等. 基于最优高斯随机游走和个体筛选策略的差分进化算法[J]. 控制与决策, 2016, 31(8): 1379-1386.

[10] Mernik M, Liu S H, Karaboga M D, et al. On clarifying misconceptions when comparing variants of the Artificial Bee Colony Algorithm by offering a new implementation[J]. Information Sciences, 2015, 29 (10): 115-127.

Design of Information Monitoring System Based on Internet of Things and SOM Algorithm

Zhang Hua,Wang Jilan

(Department of Information Engineering, Guangzhou Railway Polytechnic,Guangzhou 510430, China)

The design of information monitoring system in the complex network environment, realization of network information monitoring and adaptive acquisition. Data mining accuracy information monitoring for neural network control of the traditional method is not good, put forward a design method based on networking and information monitoring system of self-organizing mapping SOM algorithm. firstly analyzing the overall design and function module of information monitoring system, and then design the improved SOM algorithm is applied in the monitoring information of data mining and classification, the algorithm is loaded in the program loading module, the software design and development of network information monitoring system of embedded Linux kernel environment in. The system simulation results show that the information monitoring system is used to monitor the data information of the large-scale Internet of things, and the accuracy of the data mining and recognition performance is better.

internet of things; SOM algorithm; information monitoring; data mining

2016-11-03；

2016-11-25。

2015年广东省公益研究与能力建设专项资金(2015A010103001)。

张 华(1977-)，男，湖南益阳人，硕士，副教授，主要从事物联网应用技术、算法分析等方向的研究。

1671-4598(2017)04-0084-03

10.16526/j.cnki.11-4762/tp.2017.04.024

TP391

A