基于高通量计算的海量传感器信息分析虚拟芯片平台研究∗

朱静宜

（浙江长征职业技术学院计算机与信息技术系 杭州 310023）

基于高通量计算的海量传感器信息分析虚拟芯片平台研究∗

朱静宜

（浙江长征职业技术学院计算机与信息技术系 杭州 310023）

为了适合高通量应用的需求，针对农业物联网中海量传感器检测信息的高通量计算分析方法，通过搭建非线性双稳态动力学模型并行提取多传感器信息特征，以获取农业物联网信息。采用非线性信号特征分析模型，最终构建海量传感器信息高通量计算分析虚拟芯片平台，解决了农业物联网中海量传感器信息计算延迟问题。

高通量；传感器；虚拟芯片

1 引言

物联网被世界公认为是继计算机、互联网与移动通信网之后的世界信息产业第三次浪潮。它是以感知为前提，实现人与人、人与物、物与物全面互联的网络［1］。在这背后，则是在物体上植入各种微型芯片，用这些传感器获取物理世界的各种信息，再通过局部的无线网络、互联网、移动通信网等各种通信网路交互传递，从而实现对世界的感知［2］。农业物联网，即在大棚控制系统中，运用物联网系统的温度传感器、湿度传感器、pH值传感器、光传感器、CO2传感器等设备，检测环境中的温度、相对湿度、pH值、光照强度、土壤养分、CO2浓度等物理量参数，通过各种仪器仪表实时显示或作为自动控制的参变量参与到自动控制中，保证农作物有一个良好的、适宜的生长环境。远程控制的实现使技术人员在办公室就能对多个大棚的环境进行监测控制［3～4］。采用无线网络来测量获得作物生长的最佳条件，可以为温室精准调控提供科学依据，达到增产、改善品质、调节生长周期、提高经济效益的目的［5～6］。当前，我国农业现代化进程明显加快，但也面临着资源、环境与市场的多重约束，保障粮食安全、食品安全、生态安全的压力依然存在，确保农民稳定增收的任务越来越重。实施区试工程，对于探索农业物联网理论研究、系统集成、重点领域、发展模式及推进路径，提高农业物联网理论及应用水平，促进农业生产方式转变、农民增收有重要意义［7～9］。

2 海量传感器信息计算分析虚拟芯片平台构建

海量传感器信息计算分析虚拟芯片平台构建是本文研究的重点，其架构如图1所示。虚拟芯片平台设置了多传感器信号虚拟入口，该部分主要将来自于无线网络传输的传感器信号（主要是温度、相对湿度、pH值、光照强度、土壤养分、CO2浓度等）经过调理之后，变成统一固定格式输入到非线性双稳态动力学模块各子单元阵列中去，这样做的好处在于使处于不同数量级的不同传感器信号量化为统一的可比较范围之内，以便后续进行计算分析。

图1 海量传感器信息计算分析虚拟芯片架构

非线性双稳态动力学模块子单元阵列是具有若干个并行非线性双稳态动力学模块的结构，每个模块子单元的传感器信息计算处理能力是有限的，因此我们构想设计若干个模块子单元并行结构，传感器信号实时输入到虚拟芯片中来，根据各模块子单元的实时工作负荷情况，在任务调度系统的实时干预下，优先将传感器信息调度至负荷较低的模块子单元进行计算分析，从而提高整体传感器信息计算处理能力。任务调度系统主要是根据各模块子单元的实时计算任务负载情况，优化信息任务队列，从而提升整体的传感器信息处理能力，提高多传感器信号特征数据提取的效率。

在非线性双稳态动力学模块子单元实现多传感器信息计算处理目标基础之上，我们得到了多传感器的特征数据，但是由于任务调度系统的干预，同一节点的不同传感器的特征自有可能不处于同一特征数据结构单元中，因此，传感器特征数据阵列单元的主要任务就是依据传感器的实际物理位置归属，实现每个节点各传感器特征信息量的重聚集，为农业物联网提供数据支撑。

传感器特征数据配置管理单元的主要任务是量化各节点传感器之间的相似性和差异性，在量化的基础之上，实现被测节点实时物理状态的大致判断，为农业物联网系统提供决策体系支撑。

传感器信息按需聚合、智能协同、按需输出单元主要任务是统计归纳相似物理情况节点，同一类物理情况节点给予相同实时干预措施，如灌溉、施肥等等。并且该单元还要实时响应管理客户端提交的节点查询请求，按照查询的实际需求输出相应的节点传感器信息和物理工况判断，为专家决策提供及时的传感器特征信息响应，提高物联网的使用效率。

3 非线性双稳态动力学虚拟模块搭建

非线性双稳态动力学模型理论是1981年意大利学者Benzi等在研究地球古冰川期问题时提出的，经过多年实验验证和深入研究，这个非线性动力学领域中的反直观现象在信号处理领域得到长足发展［10］。该模型系统包含三个因素：输入信号，双稳态系统和外噪声源，常用在一个双稳态势阱中通过周期力驱动的过阻尼布朗运动粒子来描述系统特性：

V(x)为非线性对称势函数，ξ(t)为高斯白噪声，其自相关函数为：E[ξ ( t)ξ(0)]=2Dδ(t)，a 是输入信号强度，f0是调制信号频率，D是噪声强度，μ是一个实参数：

因此式（1）可以改写为

信噪比是表征非线性双稳态动力学模型特性常用的参量，我们将信噪比定义为

S(ω)是信号频谱密度，SN(Ω)是信号频率范围内的噪声强度。已有许多学者对信噪比参数随系统输入参数变化进行了研究［12～13］，同时该研究在传感技术领域的信号检测及特征提取研究中有着广泛的应用［11～16］。非线性双稳态动力学模型信噪比谱分析技术的关键性思想是在噪声的帮助下，放大输入的弱信号，在适合的噪声强度下，系统输出信噪比可达到极大值，并且转换成信噪比谱图，将其作为结果输出，使特征信息得到完整表达［17］。非线性双稳态动力学模型信噪比分析路线图如图2所示。从信号处理角度出发，非线性双稳态动力学模型是在非线性信号传输过程中，通过调节外噪声的强度或者系统其它参数，使系统输出达到最佳值，实际上也可以认为是输入信号、非线性系统、噪声的协同状态。一般情况下，双稳态模型中输入外力可被认为是理想传感器系统的信号，噪声是检测过程中引入的信道噪声，而双稳态系统的输入作为传感器系统实际的检测信号。在激励噪声的影响下，系统产生非线性双稳态动力学模型，此时输出信号大于输入信号，起到了信号放大的作用。同时，非线性双稳态动力学模型将部分检测信号中的噪声能量转换到信号中去，有效的抑制了检测信号中的噪声量。因此，非线性双稳态动力学模型系统相当于提高输出信号信噪比的作用，实际中可以把信号、激励噪声和双稳态系统看成为一个高效信号处理器。

图2 非线性双稳态动力学虚拟模块结构图

4 海量传感器信息分析虚拟芯片平台关键技术研究

4.1 非线性双稳态动力学虚拟模块负荷监测技术研究

非线性双稳态动力学虚拟模块任务调度系统的工作基础是模块负荷监测方法，如上图1所示。由于是虚拟化芯片平台结构，因此我们在虚拟结构中着重研究虚拟模块负荷监测技术，在每个模块子单元中设置虚拟芯片工作时钟，通过工作时钟的计数输出实现对模块子单元的工作负荷监控，从而实现任务调度系统对全部虚拟模块子单元的任务分解、加载和撤销等操作，进一步优化多传感器信息的计算处理效率。

4.2 多传感器特征信息按需配置、组合及智能化输出技术研究

传感器信息按需聚合、智能协同、按需输出单元主要任务是统计归纳相似物理情况节点，同一类物理情况节点给予相同实时干预措施，如灌溉、施肥等等。并且该单元还要实时响应管理客户端提交的节点查询请求，按照查询的实际需求输出相应的节点传感器信息和物理工况判断，为专家决策提供及时的传感器特征信息响应，提高物联网的使用效率。

我们为每一条输出虚拟芯片的传感器信息定制一条头寸信息，其中包含该传感器所在的节点信息、传感器的类型信息等，在经过动态信息处理调配之后，依据这些信息仍能快速地按照节点归属、传感器类型所属等方式进行分类智能化配置和输出，提高了传感器的处理效率。

4.3 基于非线性双稳态动力学模型的传感器特征信息提取方法研究

传统意义上的非线性双稳态动力学模型是采用无色噪声诱发非线性系统达到共振状态。因此，我们提出一种基于非对称噪声驱动的非线性双稳态动力学模型。无色噪声指噪声能量在频率上分布是均匀。与此相反，非对称噪声是指噪声的能量在某些特殊频率上能量大，而其他则很小（或者0），将实验结果作为实际农业物联网系统的指导，有利于解决海量传感器信息容易丢失、延迟等。非线性双稳态动力学模型包括三大要素：双稳态势阱、输入信号和激励噪声，参数数量众多并且相互之间具有依赖关系，因此通过理论模型研究，探索非线性双稳态动力学模型影响较大的若干参数，作为可调参数，而其它参数设定为固定值。这样就极大地简化了系统参数的选择问题，着重探讨若干个重要参数的选值，配合非对称噪声激励系统，提升模型的共振效率。

5 结语

本文提出一种针对农业物联网中海量传感器检测信息的高通量计算分析方法，为了适应高通量信息计算的要求，同时满足可扩展、高效能和高可靠性等特点，采用非线性信号特征分析模型，构建传感器信息高通量计算分析虚拟芯片平台。另外，在虚拟芯片体系结构的片上资源管理方面，提出并实现了用于高通量计算的新思想和方法。最终形成的可扩展、高效能、高可靠的高通量处理虚拟芯片，着力解决农业物联网中海量传感器信息计算延迟问题，为农业物联网的发展提供技术体系支撑。

［1］Ballou，R.H.，Gilbert，S.M.，Mukherjee，A.New mana⁃gerial challenges fromsupply chain opportunities.Industri⁃al Marketing Management，2000，29（1）：7-18.

［2］Brooks Jr，F.P.What's real about virtual reality？Comput⁃er Graphics andApplications，IEEE，1999，19（6）：16-27.

［3］Carmigniani，J.，Furht，B.，Anisetti，M.，Ceravolo，P.，Damiani，E.，Ivkovic， M.Augmented reality technolo⁃gies，systems and applications.Multimedia Toolsand Ap⁃plications，2011，51（1）：341-377.

［4］Chandrashekar，A.，Schary，P.B.Toward the virtual sup⁃ply chain：theconvergence of IT and organization.Interna⁃tional Journal of LogisticsManagement，1999，10 （2）：27-40.

［5］Clarke，M.P.Virtual logistics：an introduction and over⁃view of the concepts.International Journal of Physical Dis⁃tribution and Logistics Management，1998，28 （7）：486-507.

［6］ Cooper，M.C.，Ellram，L.M.Characteristics of supply chain management andthe implications for purchasing and logistics strategy.International Journal ofLogistics Manage⁃ment，1993，4（2）：13-24.

［7］ Crowston，K.，Sieber，S.，Wynn，E.，Crowston，K.，Sieber，S.Virtuality andVirtualization.Springer，Boston，pp.2007，1-7.

［8］ Davenport，T.H.，Short，J.E.The new industrial-engi⁃neering-informationtechnology and business process rede⁃sign.Sloan Management Review，1990，31（4）：11-27.

［9］ Day，G.S.The capabilities of market-driven organiza⁃tions.Journal ofMarketing，1994，58（4）：37-52.

［10］Lee，H.L.，Whang，S.J.Information sharing in a supply chain.InternationalJournal of Technology Management，2000，20（3-4）：373-387.

［11］Li，G.，Lin，Y.，Wang，S.，Yan，H.Enhancing agility by timely sharing of supplyinformation.Supply［］Chain Management：An International Journal，2007，12（2）：139-149.

［12］Lu，S.C.Y.，Shpitalni，M.，Gadh，R.Virtual and aug⁃mented reality technologiesfor product realization.CIRP Annals-ManufacturingTechnology，1999，48 （2）：471-495.

［13］Ma，H.D.Internet of Things：objectives and scientific challenges.Journal ofComputer Science and Technology，2011，26（6）：919-924.

［14］Wu C，Du L，Wang D，Zhao L，Wang P.A biomimetic olfactory-based biosensor with high efficiency immobili⁃zation of molecular detectors［J］.Biosensors and Bioelec⁃tronics，2012，31：44-48.

［15］Benzi R，Sutera A，Vulpiana A.The mechanism of sto⁃chastic resonance，J Phys A.1981，14：L453-L456.

［16］L Gammaitoni，P Hanggi.Stochastic resonance［J］.Re⁃views of Modern Physics，1998，71：223-287.

［17］T.Wellens，V.Shatokhin，A.Buchleitner.Stochastic resonance，Report on Progress in Physics，2004，67（1）：45-105.

Research on Massive Sensor Information Analysis Virtual Chip Platform Based on High-throughput Computing

ZHU Jingyi
（Department of Computer and Information Technology，Zhejiang Changzheng Vocational&Technical College，Hangzhou 310023）

In order to meet the needs of the application for high-throughput，high-throughput mass sensors in agricultural IOT detection information analysis method，through setting up nonlinear bistable dynamics model of parallel multi sensor informa⁃tion extraction features，to get information of agricultural IOT.The nonlinear signal characteristic analysis model is used to build a high throughput computing and analysis virtual chip platform for mass sensor information，which solves the problem of computing de⁃lay of massive sensor information in agricultural internet of things.

high-throughput，sensor，virtual chip

Class Number TP311

TP311

10.3969/j.issn.1672-9722.2017.12.033

2017年6月10日，

2017年7月29日

2016年度浙江省公益技术应用研究计划项目“农业物联网中多传感器信息高通量计算关键技术研究”（编号：2016C31058）；国家自然科学基金项目“基于多收缩系数的参数估计自适应算法在无线传感器系统中的研究”（编号：61503339）资助。

朱静宜，女，硕士，副教授，研究方向：无线传感网络，物联网。