在5G时代,大规模物联网应用对网络架构提出了异构性、可扩展性、移动性和安全性四大挑战。基于TCP/IP的网络架构存在IP标识与位置绑定的二义重载问题,难以应对这四大挑战。命名数据网络(Named Data Networking,NDN)将内容作为第一语义,具有网络层和应用层逻辑拓扑一致性。NDN对这四大挑战的支持分别体现在:网络层命名屏蔽了底层异构细节,端到端解耦及网络层缓存使得NDN天然支持多对多通信和广播,消费者驱动的通信模式为消费者移动性提供原生支持,面向内容的内生安全更轻量可信。文中总结了基于NDN构建物联网亟待解决的问题,并对NDN与边缘计算、软件定义网络和区块链结合来构建边缘存储和计算模型、集中式与分布式结合的控制模型、分布式安全模型提出了展望。

物联网(Internet of Things,IoT)的大规模部署应用,使得有漏洞的物联网设备也可能联入网中。攻击者利用有漏洞的设备接入目标内部网络,就可潜伏伺机发起进一步的攻击。为防范这类攻击,需要开发一种对可疑设备接入控制并管理内部设备的安全机制。首先,为实现对可疑设备的接入控制,文中给出了一种设备识别方法,通过设置白名单,构建通信流量特征指纹,使用随机森林方法来训练设备识别模型;其次,为管理内部设备,提出了一种智能安全管理模型,构建基于资产、漏洞、安全机制等的本体威胁模型;最后,通过实验验证了设备识别模型的检测效果,其识别准确率达到96%以上,并将其与已有类似方法进行对比,结果证明了所提方法具有更好的检测稳定性。

针对室内场景中存在获取目标对象相对位置的需求,RFID(Radio Frequency Identification)因其轻便、成本低的特点成为最经济的解决方案之一。通过研究基于相位和时间序列预测模型ARIMA来解决目标相对位置定位的问题,提出了基于UHF(Ultra-High Frequency) RFID无源标签的室内相对位置定位算法。使用RFID无源标签、阅读器和移动RFID天线来获取相位的变化,选取天线移动过程中一个相位翻转周期的时间序列值,运用ARIMA模型对该时间序列后续值进行预测,并选择达到某些值的时间戳,给预测时间戳和相位变化过程中关键相位点的时间戳分配权重,得到最终的时间戳并进行相对位置排序。实验结果表明,提出的RFID室内相对位置定位算法在图书馆环境下对图书顺序侦测的识别准确率可以达到96.48%,与经典的STPP算法和HMRL算法相比具有更好的定位性能。

无线传感器网络等物联网系统通常具有资源高度受限且与物理世界耦合的特性,这使得该类系统部署后的设备通常难以调试。因此,在部署前对整个系统进行充分的测试与评价显得尤为重要。传统基于串口的网络化测试手段具有较大的侵入性,且无法对资源受限设备的运行情况进行详细的跟踪。文中对硬件辅助追踪技术在物联网测试评价中的应用进行了研究,设计并实现了一种硬件辅助追踪测试平台——HATBED(Hardware Assisted Tracing Testbed)。HATBED由控制器、观察者以及被测目标组成,可以提供网络级远程调试、灵活的软件追踪以及非侵入式软件分析等主要功能,并在不依赖操作系统与应用的前提下,实现对系统的非侵入式追踪与分析。实验中,首先使用裸机与FreeRTOS操作系统下的标准例程,从功耗开销、时间精度以及代码覆盖率3个方面对HATBED进行了基准性能的测试;然后,以物联网RIOT-OS代码库程序为例,通过HATBED实现了ping6的高精度时间特性分析,及其底层gnrc协议栈UDP通信过程函数覆盖与基本块覆盖的评估。实例分析表明,借助硬件辅助追踪技术,HATBED可以对资源受限的物联网系统开展更加高效、充分的测试与评价。

近年来,随着科技的快速发展,智能移动设备已经成为人们生活的一部分。智能移动设备的普及为实现声呐感知理论的应用做好了充分的物理支持。声呐信号在传播时受到传播空间和生命活动的调制,因此携带着丰富的生命状态和空间信息。智能手机的普及、通讯技术的成熟以及声学信号的创新型应用,使得声呐感知设备可以实现低成本细粒度的感知收集和计算。利用声学信号在声呐感知技术中无需额外特制硬件的支撑,以及其特有的隐蔽性和高精度等优点,通过提取声学信号的有效特征信息,就可对周边空间信息进行定位计算。文中详细阐述了声学信号在空间定位感知使用技术领域中的已有研究,并对主要技术的基本原理进行了总结,最后分析了声学信号在移动感知应用技术中存在的问题以及未来的发展趋势。

随着物联网和5G技术的快速发展,以深度学习为基础的人工智能应用越来越多,使基于时空数据的医疗影像、城市安防、自动驾驶等视觉领域成为物联网方向的研究热点。物联网系统采集到的视频数据、图片数据、温湿度与气体浓度数据同时也急剧增长,最终使得物联网系统的处理速度和反馈速度越来越慢。针对物联网节点采集的时空数据量大且可能存在短暂性异常的问题,文中设计了基于长短记忆网络的EPLSN(Exception Processing Long and Short Memory Network)算法。首先,对输入门的逻辑结构进行设计,并对网络模型结构进行改进,解决了短暂性异常数据与时空数据分类的问题,提高了EPLSN算法对物联网时空数据的分类精度,并能够对异常数据进行数据清洗。其次,依据传感器采集的时空数据特点,将数据存储到不同的数据块中,采用时序数据库对时空数据进行短暂性存储,并提出基于时空数据的物联网搜索架构,加快了物联网系统搜索的速度。

随着物联网(Internet of Things,IoT)技术的快速发展,出现了大量具有不同功能的设备(如多种带不同传感器的智能家居设备、移动智能交通设备、智能物流或仓储管理设备等),它们相互连接,被广泛应用于智能城市、智慧工厂等领域。然而,这些物联网设备的处理能力有限,很难满足延迟敏感、计算密集型应用的需求。移动边缘计算(Mobile Edge Computing,MEC)的出现有效解决了这一问题。物联网设备可以将任务卸载到MEC服务器上,借助它们完成相应的计算任务。这些服务器通常由网络运营商部署在网络边缘,即靠近用户端的网络接入层,用于汇聚用户网络的网络层面。某一段时间内,物联网设备可能处于多个MEC服务器的覆盖区域中,多个设备共享服务器有限的计算和通信资源。在这个复杂环境下,制定一个任务卸载和资源分配方案,使得任务完成的时延或物联网设备的能耗达到最优化,是一个NP-难问题。目前,已有许多工作对这一问题进行了研究,并取得了一定的成果,但在实际的应用中仍面临着一些问题。为了更深入地推进该领域的研究,文中对近几年的最新研究成果进行了分析、归纳和总结,对比分析了它们的优缺点,并对未来的工作进行了展望。

随着物联网技术的飞速发展,射频识别(Radio Frequency Identification,RFID)系统因具有非接触、快速识别等优点而成为了解决物联网问题的首选方案。RFID网络规划问题要考虑多个目标,被证明是多目标优化的问题。群体智能(Swarm Intelligence,SI)算法在解决多目标优化问题方面得到了广泛的关注。文中提出了一种改进型灰狼算法(Improved Grey Wolf Optimizer,IGWO),利用高斯变异算子和惯性常量策略来实现RFID网络规划。通过建立优化模型,在满足标签100%覆盖率、部署更少的阅读器、避免信号干扰、消耗更少的功率4个目标的基础上,将所提算法与粒子群算法( Particle Swarm Optimization,PSO)、遗传算法(Genetic Algorithm,GA)、帝王蝶算法(Monarch Butterfly Algorithm,MMBO)进行了对比分析。实验结果表明,灰狼算法在RFID网络规划时表现更优异,在相同的实验环境下,相较于其他算法,IGWO的适应度值比GA提高了20.2%,比PSO提高了13.5%,比MMBO提高了9.66%;并且覆盖的标签数更多,可以更有效地求出最优化方案。

随着新型发电、直流输电、电能存储等技术的发展,新能源发电、电动汽车等柔性负荷以及可充放电的储能装置不断并入电网中,使得传统配电网架构发生了巨大变化。由于新型源网荷储存在较大的不稳定性,给配电网调度带来了巨大挑战,尤其是难以控制调度的额外电损。借助泛在电力物联网的建设,可实现对源网荷储的实时信息采集与分析,为实时数据驱动的源网荷储协同调度提供了契机。配电网中的源网荷储协同具有天然的分布式特性,因此可以利用电力物联网的感知能力构建一个分布式状态实时感知系统,使得协同调度具有更高的调度精度。文中分析了泛在电力物联网背景下的配电网架构,对分布式环境下的源网荷储及其交互方式进行了建模,并据此提出了一种电力物联网下分布式状态感知的源网荷储协同调度机制,明确了源网荷储各端的响应策略,实现了削峰填谷、降低调度损耗的目标。基于部分电网真实数据,设计了模拟验证实验,其结果验证了源网荷储协同调度机制的有效性。

在包括物联网(Internet of Things,IoT)设备的绝大部分边缘计算应用中,基于互联网应用技术(通常被称为Web技术)开发的应用程序接口(Application Programming Interface,API)是设备与远程服务器进行信息交互的核心。相比传统的Web应用,大部分用户无法直接接触到边缘设备使用的API,使得其遭受的攻击相对较少。但随着物联网设备的普及,针对API的攻击逐渐成为热点。因此,文中提出了一种面向物联网服务的Web攻击向量检测方法,用于对物联网服务收到的Web流量进行检测,并挖掘出其中的恶意流量,从而为安全运营中心(Security Operation Center,SOC)提供安全情报。该方法在对超文本传输协议(Hypertext Transfer Protocol,HTTP)请求的文本序列进行特征抽取的基础上,针对API请求的报文格式相对固定的特点,结合双向长短期记忆网络(Bidirectional Long Short-Term Memory,BLSTM)实现对Web流量的攻击向量检测。实验结果表明,相比基于规则的Web应用防火墙(Web Application Firewall,WAF)和传统的机器学习方法,所提方法针对面向物联网服务API的攻击具有更好的识别能力。