情景感知的物联网服务推荐方法研究

如何根据用户实时的情景高效地为其推荐最为合适的物联网服务,已经成为当前服务计算与物联网领域亟需解决的关键问题之一。针对这一问题,提出了一种基于情景感知的物联网服务推荐方法。首先基于改进的FolkRank算法生成当前用户可用的物联网服务列表;之后,依据用户当前关键的情景构建用户情景信息模型,根据用户的情景模型从服务列表中筛选出最能满足用户当前情景的物联网服务。实验结果表明,所提出的情景感知的物联网服务推荐方法是可行的与有效的。     

面向物联网环境的高效通信接收机设计

物联网（IoT）通信系统具有活跃用户数低、数据帧短等特性,而信道估计和多用户识别所需的导频和用户识别码会显著降低IoT系统的通信效率和响应速度。针对上述问题,提出了一种基于非正交多址接入（NOMA）的盲信道估计和多用户检测算法。首先,利用码分多址（CDMA）系统中的扩频矩阵对每个用户所占用载波进行分配,并采用差分编码解决盲估计所引发的星座点旋转问题;其次,根据用户所分配载波具有的稀疏性,引入伯努利-高斯（B-G）分布作为先验分布,利用变量间的隐马尔可夫特性进行因式分解和建模,由用户数据的稀疏特征进行多用户识别;最后,应用消息传递算法对上述模型进行推导,解决NOMA引起的多用户干扰,得到面向IoT环境的联合信道估计和检测接收算法。仿真结果表明,相对于块稀疏单测量向量（BS-SMV）算法和块稀疏自适应子空间求解（BSASP）算法,所提算法能够在不提高复杂度的条件下获得约1 dB的性能增益。     

Hadoop环境下分布式物联网设备状态分析处理系统

设备故障可能会引起严重的生产事故,对企业、社会和人身安全造成严重威胁.因此,对物联网设备状态分析并进行合理的处理具有重要意义.针对物联网设备数据量大且复杂的特性,本文提出了一种针对物联网设备的海量数据处理架构,同时结合Dask分布式计算框架,设计了基于Hadoop环境的分布式物联网设备状态分析处理系统.本系统主要包括数据服务、数据分析和数据存储3个模块,并通过合理的节点调度方案保证了算法的高效运行和分布式计算的稳定性.系统运行表明能有效的处理大批量数据并实时准确预测设备状态,满足工业智能制造过程中的实际应用.     

智能家居示范工程中的家庭组网问题分析

如今,单纯的智能家居应用演示已无法对物联网产业的发展形成持续的推动力,加快智能家居示范工程建设势在必行。家庭组网是智能家居应用示范建设中的关键环节,为此,文中对应用示范工程中所采用的家庭组网技术从业务应用需求、家庭内部建筑结构等方面进行了分析研究,认为家庭组网不仅要从家庭组网技术本身来进行理论性分析,更要从示范工程的实际需求与后续运营维护升级的角度来考虑。     

Secure and privacy-preserving crowdsensing using smart contracts: Issues and solutions

The advent of Blockchain and smart contracts is empowering many technologies and systems to automate commerce and facilitate the exchange, tracking and the provision of goods, data and services in a reliable and auditable way. Crowdsensing systems is one type of systems that have been receiving a lot of attention in the past few years. In crowdsensing systems consumer devices such as mobile phones and Internet of Things devices are used to deploy wide-scale sensor networks. We identify some of the major security and privacy issues associated with the development of crowdsensing systems based on smart contracts and Blockchain. We also explore possible solutions that can address major security concerns with these systems.     

一种物联网环境下的分布式异常流量检测方案

物联网终端设备数量的急剧增加带来了诸多安全隐患,如何高效地进行异常流量检测成为物联网安全研究中的一项重要任务。现有检测方法存在计算开销大的问题,且不能显式地捕捉流量数据中的关系和结构,难以应对新型网络攻击。考虑网络结构和节点设备之间的复杂通信模式,提出一种基于图神经网络的分布式异常流量检测方案。结合物联网环境对卷积神经网络进行改进,识别节点之间的复杂关系,同时在物联网设备、转发器和雾节点上设计并部署分布式检测单元,通过分布式检测架构实现本地化的异常流量检测,从而降低检测延迟和时间开销。在此基础上,引入注意力模块强化对关键特征的提取,增强模型的可解释性,进一步提高检测精度。在公开数据集CTU-13上的实验结果表明,该方案准确率和AUC值达到99.93%和0.99,只需9.26 s即可完成检测,且带宽消耗仅为845 kb/s。     

Expanded cloud plumes hiding Big Data ecosystem

Today, a paradigm shift is being observed in science, where the focus is gradually shifting away from operation to data, which is greatly influencing the decision making also. The data is being inundated proactively from several sources in various forms; especially social media and in modern data science vocabulary is being recognized as Big Data. Today, Big Data is permeating through the bigger aspect of human life for scientific and commercial dependencies, especially for massive scale data analytics of beyond the exabyte magnitude. As the footprint of Big Data applications is continuously expanding, the reliability on cloud environments is also increasing to obtain appropriate, robust and affordable services to deal with Big Data challenges. Cloud computing avoids any need to locally maintain the overly scaled computing infrastructure that include not only dedicated space, but the expensive hardware and software also. Several data models to process Big Data are already developed and a number of such models are still emerging, potentially relying on heterogeneous underlying storage technologies, including cloud computing. In this paper, we investigate the growing role of cloud computing in Big Data ecosystem. Also, we propose a novel XCLOUDX {XCloudX, X…X}classification to zoom in to gauge the intuitiveness of the scientific name of the cloud-assisted NoSQL Big Data models and analyze whether XCloudX always uses cloud computing underneath or vice versa. XCloudX symbolizes those NoSQL Big Data models that embody the term “cloud” in their name, where X is any alphanumeric variable. The discussion is strengthen by a set of important case studies. Furthermore, we study the emergence of as-a-Service era, motivated by cloud computing drive and explore the new members beyond traditional cloud computing stack, developed in the past couple of years.     

物联网网关中轻量化规则引擎的设计与实现

针对物联网网关不适用于多个应用场景的问题,提出了在网关上实现规则引擎的方法。该方法通过"关联事实"属性和 "议程推理"机制,解决了传统规则引擎如JRules等无法应用于轻量级网关设备并且运行时间和响应时间较长的问题。添加"关联事实"属性能减小匹配规则集的大小,"议程推理"机制能避免匹配过程中不必要的等待时间。基于上述方法,在物联网网关上设计并实现了一种快速轻量化规则引擎(FLRE),并用规模不等的数据集测试。实验结果表明,添加"关联事实"属性能将规则引擎的运行速度提高8%~30%,"议程推理"机制能将规则引擎的响应速度提高7%~35%,使规则引擎能够高效地应用于物联网网关上。     

全双工无线供能物联网的物理层安全性能分析

面对干扰和窃听,传统的安全信息传输大都基于密钥加密的方法,在面向动态变化无线网络环境时会产生对称性密码系统的密钥分配、非对称性密码系统的高计算复杂度等问题。而快速增长的无线业务流量和物联网类型的海量设备接入,会引起计算复杂度的进一步提升和能量开销的激增。针对此问题,提出一种基于物理层安全技术的全双工无线供能物联网的安全通信方法,利用噪声和无线信道随机性来限制窃听者接收信息量。该方法首先基于信息论对全双工无线供能物联网安全容量进行分析,然后根据安全容量的分析模型推导得到了安全中断概率（SOP）的闭合表达式。最后,考虑到噪声、干扰机干扰、空间互干扰,以及残余自干扰等因素对安全容量的影响,提出一种全双工无线供能物联网安全波束成形方法,该方法通过降低联合干扰来增加发送和接收端的互信息量,提高全双工无线功能物联网的安全容量。通过蒙特卡罗仿真验证了推导结果的准确性,仿真结果表明,在安全容量和SOP指标上,全双工无线供能物联网比传统半双工无线功能物联网有较大性能增益。     

工业物联网数据流自适应聚类方法

5G通讯技术的迅猛发展使工业物联网得到了全面提升, 工业物联网数据规模将越来越大、数据维度也越来越高, 如何高效利用流聚类进行工业物联网数据挖掘工作是一个亟需解决的问题. 提出了一种基于工业物联网数据流自适应聚类方法. 该算法利用微簇之间的高密性, 计算各微簇节点的局部密度峰值以自适应产生宏簇数; 采用引力能量函数对微...