计算能力弱、存储容量小是普通物联网节点的典型特征,复杂的部署环境和不稳定的无线链路又会导致物联网网络状态频繁变化.所以,物联网中固定的传输路径无法提供高效的感知及数据传输服务.例如典型的树型路由结构中,靠近树根的节点要提供的传输任务较重,能量消耗更快,会导致整个网络部署周期变短.本文提出了一种路径可实时定义的物联网传输模型(IoT Transmission Model with Real-time Path Definition,ITRP),物联子网中所有节点将邻接关系上报给网关设备,由性能占优的有源供电网关设备来定义网络的实时路由树.网关向物联子网节点发送报文时会携带转发标签,后续转发节点只需根据标签完成报文传输,并根据上一跳信息建立其到网关的反向传输路径.ITRP模型可围绕特定的网络服务目标(节能、传输安全、带宽保障等)收集相关网络状态信息,并周期性调整路由拓扑,实现物联网传输服务的优化.实验面向能量均衡目标展开,经过10个信息采集周期,ITRP模型相对确定性路由模型能量最低节点的能耗比为44%~86%,相对自适应多径传输模型能量最低节点的能耗比为63%~86%;而且,ITRP模型只需较小的标签代价,实验环境中报文的平均标签长度不超过5比特.
车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决的难题.联邦学习采用“数据不动模型动”的方式,为保护用户隐私和实现良好性能提供了可行方案.然而,受限于采集设备、地域环境、个人习惯的差异,多台车辆采集的数据通常表现为非独立同分布(non-independent and identically distributed,non-IID)数据,而传统的联邦学习算法在non-IID数据环境中,其模型收敛速度较慢.针对这一挑战,提出了一种面向non-IID数据的车联网多阶段联邦学习机制,称为FedWO.第1阶段采用联邦平均算法,使得全局模型快速达到一个基本的模型准确度;第2阶段采用联邦加权多方计算,依据各车辆的数据特性计算其在全局模型中的权重,聚合后得到性能更优的全局模型,同时采用传输控制策略,减少模型传输带来的通信开销;第3阶段为个性化计算阶段,车辆利用各自的数据进行个性化学习,微调本地模型获得与本地数据更匹配的模型.实验采用了驾驶行为数据集进行实验评估,结果表明相较于传统方法,在non-IID数据场景下,FedWO机制保护了数据隐私,同时提高了算法的准确度.
