龐春雨，于賢達(dá)，蔡 欽

(東北林業(yè)大學(xué)，黑龍江 哈爾濱 150000)

1 引言

作為城市的基本構(gòu)成單元，社區(qū)是人類日常生活的集聚地，不僅規(guī)劃布局多種多樣，且生活設(shè)施與綠化、道路等各項服務(wù)設(shè)施也比較全面，三維再現(xiàn)社區(qū)空間可以不受方向、角度以及環(huán)境限制，在沉浸式環(huán)境中實現(xiàn)規(guī)劃改造及社區(qū)管理，故社區(qū)虛擬化改造系統(tǒng)具有重要的現(xiàn)實意義，能夠完成規(guī)劃可視化的編輯與管理[1]。為確保數(shù)據(jù)傳輸?shù)陌踩耘c隱私性，故生成本地隱藏數(shù)據(jù)，為此，文獻(xiàn)[2]基于節(jié)點度-限制的數(shù)據(jù)融合樹構(gòu)建DC-DATC算法，降低了數(shù)據(jù)傳輸量，減少了高節(jié)點度對數(shù)據(jù)融合時延的影響，平衡了網(wǎng)絡(luò)能耗，提高了能量利用率。文獻(xiàn)[3]在查詢方面，對具有時間標(biāo)簽的非結(jié)構(gòu)化數(shù)據(jù)各節(jié)點查詢子結(jié)果進(jìn)行配置與整合，按照時間標(biāo)簽進(jìn)行分片與配置，有效提升網(wǎng)絡(luò)吞吐量性能。文獻(xiàn)[4]設(shè)計了一種改進(jìn)的節(jié)點狀態(tài)轉(zhuǎn)換過程，考慮隱藏終端問題，對模型網(wǎng)絡(luò)吞吐量性能進(jìn)行分析，考慮隱藏終端問題的數(shù)據(jù)碰撞概率，計算提高802.15.4網(wǎng)絡(luò)吞吐量性能，對節(jié)點接入信道過程進(jìn)行精準(zhǔn)的動態(tài)分析，仿真結(jié)果表明該工作是可行的和有效的。

為了擴(kuò)展虛擬社區(qū)開放性、平等性、互聯(lián)性等特征，整合上述研究經(jīng)驗，提出一種基于社區(qū)虛擬化改造系統(tǒng)的本地隱藏數(shù)據(jù)識別方法，執(zhí)行待識別隱藏數(shù)據(jù)的融合操作，保證識別出的隱藏數(shù)據(jù)具有一定的完整性，降低數(shù)據(jù)的遺漏概率；改造系統(tǒng)本地隱藏數(shù)據(jù)的信號解析模型，提升隱藏數(shù)據(jù)識別的瞬時性；利用小波信號完成數(shù)據(jù)信號到小波基的投影，優(yōu)化數(shù)據(jù)信號，降低數(shù)據(jù)噪聲。

2 社區(qū)虛擬化改造系統(tǒng)下本地隱藏數(shù)據(jù)融合

假設(shè)[Vlb，Vub]是需要識別的數(shù)據(jù)值范圍，滿足均勻分布的節(jié)點生成隨機(jī)數(shù)為ri(ri∈(-1，1))，為各節(jié)點分配四個字節(jié)的儲存空間來存儲額外數(shù)據(jù)，確保數(shù)據(jù)識別的完整度。如果社區(qū)虛擬化改造系統(tǒng)的拓?fù)浣Y(jié)構(gòu)中，數(shù)據(jù)融合循環(huán)最大次數(shù)為L，數(shù)據(jù)融合樹的極大深度為MD，節(jié)點的單詞數(shù)據(jù)分片與融合操作延時為ED，通過等分?jǐn)?shù)據(jù)分片延時SD與各層數(shù)據(jù)融合延時AD，為了減少數(shù)據(jù)碰撞，設(shè)兩類延時的計算公式分別為

(1)

(2)

本地隱藏數(shù)據(jù)融合流程描述如下：

1)預(yù)備階段：系統(tǒng)網(wǎng)絡(luò)內(nèi)各葉子節(jié)點任意選擇相鄰節(jié)點集合Si，通過執(zhí)行TAG(Tiny Aggregation，輕量級融合)算法生成數(shù)據(jù)融合樹，在融合處理過程中，統(tǒng)計各子節(jié)點個數(shù)chdi，如圖1所示。

圖1 數(shù)據(jù)融合預(yù)備階段示意圖

在密鑰預(yù)分配過程中，將隨機(jī)產(chǎn)生的節(jié)點隱藏種子設(shè)為s，該種子只對QS(Query Server，查詢服務(wù)器)與當(dāng)前節(jié)點公開，假設(shè)某個指定查詢?nèi)蝿?wù)里，每個節(jié)點共享的全局變量為隱藏種子m，該種子數(shù)值隨著查詢服務(wù)器展示的搜索結(jié)果發(fā)生隨機(jī)變化，以此來確保數(shù)據(jù)融合樹安全性與對外部節(jié)點的保密性；

2)傳感數(shù)據(jù)轉(zhuǎn)化階段：各節(jié)點把隱藏種子(s，m)嵌入傳感數(shù)據(jù)d內(nèi)進(jìn)行格式轉(zhuǎn)化，得到數(shù)據(jù)D=〈d1，d2〉，其中，d1=(d+s)m，d2=dm+s；

3)數(shù)據(jù)分片融合階段：若節(jié)點i經(jīng)過上步操作，得到數(shù)據(jù)Di=〈di1，di2〉，經(jīng)過分片融合得到數(shù)據(jù)fi，如圖2所示。

圖2 隱藏數(shù)據(jù)分片融合過程示意圖

在分片延時時段中，葉子節(jié)點任意選取相鄰節(jié)點集合Si內(nèi)的節(jié)點j，并向該節(jié)點發(fā)送加密的數(shù)據(jù)分片Pij，與此同時，去掉原本數(shù)據(jù)內(nèi)已發(fā)送的數(shù)據(jù)分片Pij，非葉子節(jié)點僅做數(shù)據(jù)接收動作，數(shù)據(jù)分片是節(jié)點i在限定數(shù)據(jù)范圍中任意生成的，表達(dá)式如下所示

Pij=〈r1，r2〉×(Vub-Vlb)

(3)

節(jié)點i的分片后數(shù)據(jù)描述為

fi=Di-Pij

(4)

節(jié)點j解密后，將數(shù)據(jù)加入自身數(shù)據(jù)中，則接收的加密數(shù)據(jù)分片節(jié)點j的數(shù)據(jù)表達(dá)式為

fj=Dj+Pij

(5)

4)數(shù)據(jù)融合階段：在融合延時時段中，利用輕量級的數(shù)據(jù)融合算法，按照預(yù)備階段中架構(gòu)的數(shù)據(jù)融合樹依層完成節(jié)點數(shù)據(jù)融合，那么將循環(huán)次數(shù)l+1后，令查詢服務(wù)器獲取最后的隱藏數(shù)據(jù)融合結(jié)果；

5)隱藏數(shù)據(jù)完整性檢測階段：查詢服務(wù)器接收并解密各節(jié)點發(fā)來的中間融合數(shù)據(jù)，獲取偽數(shù)據(jù)SMD=〈SMd1，SMd2〉，統(tǒng)計出共同融合的節(jié)點個數(shù)k，解得融合節(jié)點隱藏種子數(shù)量和，表達(dá)式如下所示

(6)

由上列各式推導(dǎo)出下列實際融合數(shù)據(jù)表達(dá)式

(7)

(8)

基于理想情況的融合數(shù)據(jù)SM1與SM2相一致，但實際情況會存在細(xì)微偏差。根據(jù)先驗知識，設(shè)定允許誤差值TH=0.5，如果兩融合數(shù)據(jù)偏差未超出允許誤差值，則認(rèn)為待識別的隱藏數(shù)據(jù)具有一定的完整性，融合結(jié)果可被接受，相反，若兩融合數(shù)據(jù)偏差大于允許誤差值，則認(rèn)為待識別的隱藏數(shù)據(jù)存在遺漏數(shù)據(jù)，融合結(jié)果被去除。如果循環(huán)次數(shù)l達(dá)到數(shù)據(jù)融合循環(huán)的最大次數(shù)L，停止融合操作，相反，則返回第三步開始下一循環(huán)周期。

3 社區(qū)虛擬化改造系統(tǒng)下本地隱藏數(shù)據(jù)瞬時識別

3.1 系統(tǒng)本地隱藏數(shù)據(jù)傳輸模型

由于改造系統(tǒng)網(wǎng)絡(luò)內(nèi)的協(xié)議與信道各不相同，故資源調(diào)度無法由云儲存實現(xiàn)，假設(shè)系統(tǒng)網(wǎng)絡(luò)的所有信道有限排隊模型狀態(tài)空間描述為

S={(k，n)，0≤k≤K，0≤n≤N}

(9)

式中，改造系統(tǒng)網(wǎng)絡(luò)節(jié)點為k，節(jié)點數(shù)量總和為K，節(jié)點接收功率為n，接收的總功率為N。

在改造系統(tǒng)運行過程中，數(shù)據(jù)因傳輸調(diào)度形成隱藏數(shù)據(jù)。

系統(tǒng)中的交叉項信息鏈表示為

CUB(g)=CBT(g)×CB

(10)

改造系統(tǒng)中的數(shù)據(jù)包個數(shù)用CB表示，數(shù)據(jù)傳輸?shù)南臅r長用T表示，系統(tǒng)處理過程中的數(shù)據(jù)包數(shù)量總和用g表示。

假定網(wǎng)絡(luò)節(jié)點接收功率與總功率相等，改造系統(tǒng)處理數(shù)據(jù)包，即

n=N

(11)

若n=1，…，N-1，可推算出信息鏈的狀態(tài)概率[5]。假定節(jié)點k附近的鄰域節(jié)點個數(shù)是ν，吞吐量均值是γ，則通過下列計算公式求取平均吞吐量γ

(12)

式中，吞吐系數(shù)用μ表示，節(jié)點吞吐概率用p表示。

(13)

式中，損耗量為Q，當(dāng)前拓?fù)浣Y(jié)構(gòu)里第k個數(shù)據(jù)所需路徑長度為Zk。

3.2 隱藏數(shù)據(jù)信號解析模型

在識別系統(tǒng)中的本地隱藏數(shù)據(jù)之前，先創(chuàng)建本地隱藏數(shù)據(jù)信號模型。利用隱藏數(shù)據(jù)信號解析模型，分析系統(tǒng)中的本地隱藏數(shù)據(jù)信號，表達(dá)式為

z(t)=x(t)+gy(t)=a(t)eiθ(t)

(14)

式中，改造系統(tǒng)中的本地隱藏數(shù)據(jù)信號為z(t)，數(shù)據(jù)信號解析模型的實部為x(t)，隱藏數(shù)據(jù)信號的固有模態(tài)函數(shù)為y(t)[6]，窄帶信號為e。

依據(jù)經(jīng)驗?zāi)B(tài)分解方法，把系統(tǒng)中的本地隱藏數(shù)據(jù)劃分成多個窄帶信號[7]，隱藏數(shù)據(jù)包絡(luò)特征描述為

(15)

式中，高頻分量為θ(t)，與此同時，θ(t)同樣指代系統(tǒng)相位信息，而系統(tǒng)干擾特征幅度用a(t)表示。

本地隱藏數(shù)據(jù)的干擾頻率特征的求解公式為

(16)

系統(tǒng)中本地隱藏數(shù)據(jù)的發(fā)生權(quán)值解得

wij=βw(ek)

(17)

式中，大于1的常數(shù)為β，權(quán)值為w。

由以上各式架構(gòu)出改造系統(tǒng)目標(biāo)端數(shù)據(jù)信息采集的信息分量表達(dá)式為

r=x(t)-wij

(18)

基于上述步驟，構(gòu)建改造系統(tǒng)本地隱藏數(shù)據(jù)的信號解析模型，提升隱藏數(shù)據(jù)識別的瞬時性。

3.3 本地隱藏數(shù)據(jù)識別

通過小波分解法預(yù)處理數(shù)據(jù)所含噪聲，展示流量序列的細(xì)節(jié)信號，即可實現(xiàn)本地隱藏數(shù)據(jù)的瞬時識別。

下式所示即為本地隱藏數(shù)據(jù)信號的小波變化表達(dá)式

(19)

式中，母小波用ψ表示，伸縮因子用a表示，平移因子用b表示。

利用小波信號完成數(shù)據(jù)信號到小波基的投影，通過分解處理，重構(gòu)含有噪聲的數(shù)據(jù)信號，降低數(shù)據(jù)噪聲。基于歐幾里得空間[8]，應(yīng)用伸縮與基底平移完成小波基的組建，則系統(tǒng)中雙正交小波的求解公式如下所示

u(t)=A(t)expλ(t)

(20)

式中，系統(tǒng)流量序列數(shù)據(jù)信號包絡(luò)為A(t)，擾動偏移相位為λ(t)，其中，參數(shù)t可由下列計算公式解得

(21)

式中，小波雙正交變化階段的中心算術(shù)頻率為f0，隱藏數(shù)據(jù)擾動帶寬為B。

求取隱藏數(shù)據(jù)雙曲調(diào)頻小波的瞬時頻率

(22)

針對雙正交提升小波，用伸縮因子a來指代系統(tǒng)細(xì)節(jié)信號尺度算子，故二維空間內(nèi)的母小波平移伸縮等于細(xì)節(jié)信號尺度算子a。

把隱藏數(shù)據(jù)信號特征映射至雙正交空間后進(jìn)行小波計算，小波轉(zhuǎn)變過程描述為

(23)

描述改造系統(tǒng)中的小波變化特征模制

(24)

式中，小波變化峰值為τ*。

系統(tǒng)中雙正交提升小波擾動隱藏數(shù)據(jù)信號的軌跡表達(dá)式為

b=(1-a)f0

(25)

式中，系統(tǒng)流量序列的帶寬B、尺度因子a以及中心頻率f0之間的關(guān)系屬于定量分解。該式所描述的是一條直線軌跡，表明信號尺度與延時耦合，應(yīng)用雙正交提升小波去除耦合性[9]，分解系統(tǒng)中的本地隱藏細(xì)節(jié)信息，獲取特征性相對更強(qiáng)的隱藏數(shù)據(jù)信號[10]。假設(shè)系統(tǒng)流量序列為x(k)，則下列方程組描述的是經(jīng)過多層小波分解后，本地隱藏數(shù)據(jù)信號表達(dá)式

(26)

綜上所述，先分解處理改造系統(tǒng)中的本地數(shù)據(jù)，再實現(xiàn)本地隱藏數(shù)據(jù)的瞬時識別。

4 實例分析

4.1 實驗環(huán)境

調(diào)用JPBC庫，進(jìn)行隱藏數(shù)據(jù)識別的仿真。采用一臺E5-2403型號四核處理器、運行內(nèi)存為8GB的服務(wù)器，兩臺的配置為I5-4210M雙核處理器、8GB運行內(nèi)存的計算機(jī)，統(tǒng)一對10個虛擬的移動客戶端進(jìn)行虛擬化，利用Java語言軟件完成識別方法。

在Awesome PublicDatasets (https： //github.com/caesar0301/awesome-public-datasets) 中選取某社區(qū)虛擬化改造系統(tǒng)中的可用數(shù)據(jù)350個。為驗證本文方法的可行性與有效性，通過控制變量法，將VT(Verify Time，識別任務(wù)執(zhí)行能力)、AOV(Accumulation Of Value，隨時間增長的任務(wù)價值積累)以及MDR(Miss Deadline Ratio，任務(wù)截止期錯失率)作為識別實驗的重要評價指標(biāo)，將本文方法與文獻(xiàn)[2]、[3]、[4]方法進(jìn)行對比，以對比結(jié)果反映識別方法性能的優(yōu)劣。

4.2 識別任務(wù)執(zhí)行能力分析

圖3所示為AOV對比驗證結(jié)果，可以準(zhǔn)確反饋結(jié)果的識別任務(wù)個數(shù)變化。

圖3 識別時長與任務(wù)執(zhí)行能力關(guān)系圖

由圖3可知，隨著時間的延長，本文方法因融合了本地隱藏數(shù)據(jù)，所以，識別出的隱藏數(shù)據(jù)越來越多，且增幅較大，盡管文獻(xiàn)[2]方法在0-100s之間高于其它方法，但是整體識別數(shù)據(jù)量都有不同程度的降低，對比結(jié)果顯示，本文方法可以有效推動虛擬技術(shù)在社區(qū)虛擬化系統(tǒng)中的廣泛應(yīng)用。

4.3 任務(wù)價值積累分析

假設(shè)實驗的隱藏數(shù)據(jù)塊價值為v，取值范圍是v∈[1，20]，隨著時間的延長，本文方法的價值積累變化趨勢如圖4所示。

圖4 任務(wù)價值積累示意圖

根據(jù)圖4中曲線走勢可知，在識別任務(wù)分配執(zhí)行階段內(nèi)，本文方法因利用隱藏數(shù)據(jù)信號解析模型，分析了系統(tǒng)中的本地隱藏數(shù)據(jù)信號，故識別表現(xiàn)較好，在0-100s時，本文方法的價值積累上升趨勢明顯，且一直保持穩(wěn)定上升趨勢，積累價值較高。

4.4 任務(wù)錯失率分析

由于用戶對識別結(jié)果的需求較復(fù)雜，所以，識別任務(wù)錯失率要一直保持較低水平，以滿足更多的用戶數(shù)據(jù)需求，基于隱藏數(shù)據(jù)的識別時長，調(diào)整截止時間分配，得到如圖5所示的實驗結(jié)果。

圖5 任務(wù)錯失率示意圖

由圖5可知，錯失率表示隱藏數(shù)據(jù)分配執(zhí)行時間與預(yù)估執(zhí)行時間比率，本文方法在數(shù)據(jù)選取時將時間作為優(yōu)先考慮因素，對時間較緊迫的任務(wù)執(zhí)行優(yōu)先調(diào)度處理的可能性極高，因此，錯失率持續(xù)下降，在1.675s達(dá)到最低。

5 結(jié)論

社區(qū)虛擬化改造系統(tǒng)實現(xiàn)了真正意義上的虛擬環(huán)境構(gòu)建，本文以該系統(tǒng)為研究對象，設(shè)計一種本地隱藏數(shù)據(jù)瞬時識別方法，根據(jù)對比實驗得出如下結(jié)論：

1)以VT為驗證指標(biāo)驗證本文方法的識別性能，本文方法融合了本地隱藏數(shù)據(jù)后，識別出的隱藏數(shù)據(jù)越來越多，且增幅較大，說明其對各類網(wǎng)絡(luò)數(shù)據(jù)均具備較高的識別率。

2)AOV對比測試結(jié)果顯示，在0-100s時，本文方法的價值積累上升趨勢明顯，可以滿足用戶的實時性需求。

3)以MDR為實驗指標(biāo)驗證時，本文方法錯失率持續(xù)下降，在1.675s達(dá)到最低，高效識別出各類網(wǎng)絡(luò)結(jié)構(gòu)中的隱藏數(shù)據(jù)。