景 旭 馬 蓓

(西北農(nóng)林科技大學 信息工程學院，陜西 楊凌 712100)

智能溫室群數(shù)據(jù)共享及決策是指溫室群中的智能控制系統(tǒng)工作過程中不同設備和控制系統(tǒng)之間交互數(shù)據(jù)的共享，以及在共享的基礎上進一步做出決策，可以使得溫室群中的數(shù)據(jù)得到合理的利用。不同溫室內的物聯(lián)網(wǎng)設備實現(xiàn)數(shù)據(jù)共享獲取統(tǒng)一的決策標準，能夠更加精準的控制溫室內的環(huán)境。智能溫室群的數(shù)據(jù)共享及決策可以為作物提供更優(yōu)的生長環(huán)境[1]，實現(xiàn)高效、連續(xù)的生產(chǎn)從而提高土地的利用率，并且可以使總體控制系統(tǒng)參照全局數(shù)據(jù)實現(xiàn)整體控制，避免了因為局部數(shù)據(jù)的局限做出不適宜作物生長的決策。智能溫室群的數(shù)據(jù)共享及決策能夠提升溫室群的工作效率，提高作物的質量及產(chǎn)量，符合綠色發(fā)展的理念，具有重要的研究意義。

傳統(tǒng)的農(nóng)業(yè)物聯(lián)網(wǎng)通過建立管理設備的控制系統(tǒng)實現(xiàn)數(shù)據(jù)的共享。例如，在單溫室內設計分布式多源農(nóng)林物聯(lián)網(wǎng)感知數(shù)據(jù)共享平臺[2]、環(huán)境信息采集和發(fā)布系統(tǒng)[3]、溫室智能監(jiān)控系統(tǒng)[4]、溫室信息管理系統(tǒng)[5]、溫度場監(jiān)測系統(tǒng)[6]和分區(qū)灌溉系統(tǒng)[7]，和提出溫室環(huán)境相關活動自動化優(yōu)化方案[8]、數(shù)據(jù)預處理和決策融合方法[9]等對農(nóng)業(yè)物聯(lián)網(wǎng)數(shù)據(jù)進行共享。在溫室群中建立溫室群雙模糊調控系統(tǒng)[10]、溫室群監(jiān)控系統(tǒng)軟件[11]、溫室群環(huán)境遠程監(jiān)控系統(tǒng)[12]，設計物聯(lián)網(wǎng)群控終端變量協(xié)調控制方法[13]，實現(xiàn)對溫室群的管控。現(xiàn)有文獻可以看出，目前無論是單個溫室還是溫室群數(shù)據(jù)在共享過程中，數(shù)據(jù)管理均存在超級管理員，具有任意篡改原始數(shù)據(jù)的權限，導致共享數(shù)據(jù)和決策結果不可信；在各個控制系統(tǒng)內，設備對決策的執(zhí)行情況無法驗證，不能準確判斷設備工作狀態(tài)。

聯(lián)盟鏈[14]是僅對特定的組織團體開放的區(qū)塊鏈[15]系統(tǒng)，主要特點是共識[16]過程受到預選節(jié)點的控制，其數(shù)據(jù)可能允許所有用戶可讀，也可能只允許受限于參與者讀取。在結構上，聯(lián)盟鏈采用“部分去中心化”的方式，將節(jié)點運行在組成聯(lián)盟共同體的有限數(shù)量機構中[17]。聯(lián)盟鏈由聯(lián)盟成員機構共同維護，聯(lián)盟節(jié)點通過成員機構的網(wǎng)關節(jié)點接入，并且聯(lián)盟鏈具有防篡改性、可追溯性的特點，因此適用于智能溫室群物聯(lián)網(wǎng)多成員機構動態(tài)數(shù)據(jù)的存儲、管理[18]。

針對上述問題，本研究擬采用聯(lián)盟鏈實現(xiàn)智能溫室群的數(shù)據(jù)共享及決策協(xié)同，以期解決溫室群中數(shù)據(jù)共享不可信以及決策執(zhí)行情況無法驗證的問題，保證溫室數(shù)據(jù)的可信共享以及決策執(zhí)行結果的真實性。

1 基于聯(lián)盟鏈的智能溫室群數(shù)據(jù)共享與決策協(xié)同方案

1.1 智能溫室群業(yè)務

單智能溫室控制系統(tǒng)以獨立溫室的自動控制為主，主要關注局域環(huán)境的自動調控，缺乏多智能溫室集中控制，缺少局域環(huán)境間的信息交換。它的調控機制一般是比較死板的程式化設置參數(shù)，缺少基于專家知識、針對具體作物生理特點和生長規(guī)律的靈活調控。

智能溫室群是由數(shù)個智能溫室組成的群體，可跨智能溫室交換信息，在培育同一種作物的狀態(tài)下，不同溫室之間產(chǎn)生的環(huán)境數(shù)據(jù)和決策數(shù)據(jù)可相互作為信息源，為總體控制提供全面的數(shù)據(jù)依據(jù)，使溫室內的環(huán)境控制做決策時更具有準確性，從而提高溫室管理效率。多個溫室在一個整體區(qū)域內分布，溫室群分布要使各個溫室盡可能的光照分布均勻、間距合適、方位合理[19]。在溫室分布合理的基礎上，需要各個溫室單獨控制溫室內環(huán)境，即每個智能溫室內都有獨立的控制系統(tǒng)，控制系統(tǒng)主要由一些控制裝置、傳感器[20]以及邊緣服務器整體聯(lián)動構成。每個邊緣服務器將傳感器采集到的數(shù)據(jù)收集起來，作為決策的基礎。根據(jù)做出的決策，邊緣服務器發(fā)送命令至控制裝置，最終達到調控環(huán)境的目的。通過建立智能溫室群，在空間結構上可以解決獨立管理復雜的問題。但是智能溫室群數(shù)據(jù)共享時可能會存在數(shù)據(jù)不可信的問題，會導致協(xié)同決策結果不可信，不能為作物提供最優(yōu)的生長環(huán)境；也可能會出現(xiàn)決策結果沒有協(xié)同執(zhí)行，影響溫室群的總體調控效果。

1.2 方案總體框架

借助聯(lián)盟鏈的數(shù)據(jù)防篡改性、強共識性保障數(shù)據(jù)高度可信等特點，本研究將單個智能溫室的邊緣服務器作為節(jié)點，以智能溫室群組成聯(lián)盟鏈，實現(xiàn)聯(lián)盟鏈在智能溫室群內共享數(shù)據(jù)，保證數(shù)據(jù)可信；聯(lián)盟鏈上存儲一段時間內環(huán)境數(shù)據(jù)的散列，將完整的數(shù)據(jù)匯聚到數(shù)據(jù)決策方，平衡了數(shù)據(jù)可信與環(huán)境數(shù)據(jù)上鏈存儲量過大的矛盾；在可信數(shù)據(jù)集上基于人工神經(jīng)網(wǎng)絡的決策結果更加全面和準確；基于聯(lián)盟鏈決策協(xié)同的執(zhí)行過程，保證智能溫室群精準控制，構建基于聯(lián)盟鏈的智能溫室群數(shù)據(jù)共享與決策協(xié)同方案。

本研究每個溫室內的邊緣服務器按角色劃分為數(shù)據(jù)提供方和決策分析方。按照邊緣服務器的角色和數(shù)據(jù)決策方為節(jié)點搭建聯(lián)盟鏈網(wǎng)絡，形成智能溫室群聯(lián)盟鏈網(wǎng)絡的總體框架見圖1。

圖1 智能溫室群聯(lián)盟鏈網(wǎng)絡的總體框架Fig.1 General frame of consortium blockchain network of the intelligent greenhouse group

1)傳感器：主要包括土壤溫濕度傳感器、空氣溫濕度傳感器、二氧化碳傳感器、光照強度傳感器等，與對應的邊緣服務器連接，主要是用于采集智能溫室環(huán)境信息。

2)控制裝置：主要包括風機、濕簾、灌溉、遮陽、溫控、天窗等裝置，主要用于控制智能溫室改變環(huán)境的狀態(tài)。

3)數(shù)據(jù)提供方：集中采集類傳感器采集的數(shù)據(jù)，為數(shù)據(jù)決策方提供數(shù)據(jù)。

4)數(shù)據(jù)決策方：利用數(shù)據(jù)提供方的歷史數(shù)據(jù)離線訓練決策模型；根據(jù)最近的環(huán)境數(shù)據(jù)，基于訓練好的模型做出決策。

5)決策執(zhí)行方：執(zhí)行數(shù)據(jù)決策方的決策結果，調動控制裝置執(zhí)行。

6)聯(lián)盟鏈網(wǎng)絡：以數(shù)據(jù)提供方、數(shù)據(jù)決策方以及決策分析方作為聯(lián)盟鏈節(jié)點，形成聯(lián)盟鏈網(wǎng)絡。聯(lián)盟鏈網(wǎng)絡中記錄了智能溫室群中不同節(jié)點間的交互日志[21]。

7)智能合約[22]：一系列部署在區(qū)塊鏈上模塊化、可重用、自動執(zhí)行的鏈上代碼。數(shù)據(jù)提供方、模型訓練方和決策分析方通過調用智能合約在聯(lián)盟鏈中存儲或獲取數(shù)據(jù)。

1.3 基于聯(lián)盟鏈的智能溫室群數(shù)據(jù)共享及決策協(xié)同交互流程

基于聯(lián)盟鏈的智能溫室群數(shù)據(jù)共享及決策協(xié)同的交互過程是數(shù)據(jù)提供方、數(shù)據(jù)決策方及決策分析方在聯(lián)盟鏈網(wǎng)絡中調用各類智能合約對數(shù)據(jù)進行操作。數(shù)據(jù)提供方將數(shù)據(jù)摘要上鏈，為數(shù)據(jù)決策方提供數(shù)據(jù)源可驗證的依據(jù)。數(shù)據(jù)決策方將決策數(shù)據(jù)摘要上鏈以便于決策分析方從鏈上獲取可驗證的決策結果，發(fā)送至控制裝置實現(xiàn)控制。決策分析方將執(zhí)行狀態(tài)數(shù)據(jù)及哈希值上鏈以便于驗證決策結果執(zhí)行的真實性?；诼?lián)盟鏈的智能溫室群數(shù)據(jù)交互流程如下：

1)各類傳感器采集溫室內的環(huán)境數(shù)據(jù)后，傳送到本溫室的數(shù)據(jù)提供方，如圖2中的①所示。

2)數(shù)據(jù)提供方調用存儲數(shù)據(jù)的智能合約將自身數(shù)據(jù)資源的摘要存儲到聯(lián)盟鏈上；聯(lián)盟鏈向數(shù)據(jù)提供方返回摘要的存儲地址。數(shù)據(jù)摘要包含邊緣服務器編號、哈希生成時間、哈希值A，如圖2中的②所示。

3)數(shù)據(jù)決策方接收到數(shù)據(jù)提供方提供的數(shù)據(jù)，使用SHA256散列函數(shù)生成哈希值B；同時，從聯(lián)盟鏈中獲取相同數(shù)據(jù)存儲在鏈上的哈希值A；將A與B比對一致的數(shù)據(jù)存儲到數(shù)據(jù)決策方的本地數(shù)據(jù)庫；數(shù)據(jù)決策方利用本地數(shù)據(jù)庫的數(shù)據(jù)訓練決策模型。

4)數(shù)據(jù)決策方利用數(shù)據(jù)提供方發(fā)送最近的環(huán)境數(shù)據(jù)傳入決策模型輸出決策結果，利用SHA256生成散列值，調用存儲決策數(shù)據(jù)摘要的智能合約將數(shù)據(jù)存儲到聯(lián)盟鏈上，如圖2中的③所示。

5)決策數(shù)據(jù)摘要存儲到聯(lián)盟鏈后，各決策分析方從聯(lián)盟鏈上獲取決策數(shù)據(jù)摘要并分析，將分析后的數(shù)據(jù)發(fā)送至控制裝置，如圖2中的④所示。

6)控制裝置按照接收的分析結果執(zhí)行指令，執(zhí)行狀態(tài)發(fā)生變化，向決策分析方返回當前執(zhí)行狀態(tài)；決策分析方調用存儲狀態(tài)數(shù)據(jù)的智能合約將返回的執(zhí)行狀態(tài)存儲到聯(lián)盟鏈上，保證決策結果的執(zhí)行的可信性，如圖2中的⑤所示。

圖2 基于聯(lián)盟鏈的智能溫室群數(shù)據(jù)交互流程Fig.2 Data interaction process of intelligent greenhouse group on consortium blockchain

1.4 數(shù)據(jù)提供方數(shù)據(jù)存儲流程

智能溫室群中，每個邊緣服務器對應不同的溫室，邊緣服務器記為ESi，i為邊緣服務器的編號，i∈Z。在每個邊緣服務器下層，連接著各種類型的傳感器和控制裝置?？刂蒲b置標記如下：風機SDF、濕簾SWP、灌溉SRW、遮陽SSU、溫控STR、天窗SSK。

考慮到各類傳感器采集環(huán)境數(shù)據(jù)的頻率不同，對邊緣服務器設定合理的存儲數(shù)據(jù)的時間間隔，使數(shù)據(jù)提供方可以周期性地將數(shù)據(jù)摘要存儲到鏈上。邊緣服務器既是數(shù)據(jù)提供方又是決策分析方，則數(shù)據(jù)提供方可以提供決策分析方的決策結果。數(shù)據(jù)提供方的基礎數(shù)據(jù)項包括服務器編號、傳感器編號、采集時間、采集數(shù)據(jù)和決策結果。采集數(shù)據(jù)的數(shù)據(jù)項包括空氣溫度、空氣濕度、二氧化碳濃度、光照強度、土壤濕度及土壤溫度等。決策結果包括控制裝置的類型和執(zhí)行動作。數(shù)據(jù)提供方以設定時間段內的數(shù)據(jù)為一批次，借助于SHA256散列函數(shù)生成哈希值，記為哈希值A，并且記錄生成哈希值的時間，記為T。數(shù)據(jù)提供方為了保證自身數(shù)據(jù)可驗證，以key-value的形式將數(shù)據(jù)摘要上鏈，key值設定為邊緣服務器編號ESi拼接哈希生成時間T，value值設定為哈希值A。數(shù)據(jù)提供方數(shù)據(jù)存儲流程如圖3所示。

圖3 數(shù)據(jù)提供方數(shù)據(jù)存儲流程Fig.3 Data storage procedure of the data provider

1.5 決策協(xié)同流程

1.5.1數(shù)據(jù)準備

數(shù)據(jù)決策方接收到數(shù)據(jù)提供方發(fā)送的基礎環(huán)境數(shù)據(jù)和哈希生成時間(數(shù)據(jù)決策方標記為MT)，利用SHA256散列函數(shù)生成哈希值B，并且根據(jù)數(shù)據(jù)提供方邊緣服務器編號和提供的哈希生成時間作為key值，從鏈上獲得相匹配的value值即哈希值A。數(shù)據(jù)決策方比對哈希值A和B，若比對成功，將數(shù)據(jù)提供方發(fā)送的數(shù)據(jù)保存至數(shù)據(jù)決策方的本地數(shù)據(jù)庫；否則，不接受數(shù)據(jù)，以此保證數(shù)據(jù)的可信性。

1.5.2決策模型

人工神經(jīng)網(wǎng)絡[23]是基于現(xiàn)代神經(jīng)網(wǎng)絡對生物神經(jīng)網(wǎng)絡的研究抽象所得的運算模型，具有良好的自適應和自學習能力[24]，可以很好地處理非線性問題。通常包含3層結構：輸入層、隱藏層、輸出層。輸入層輸入向量為X=(x1,x2,…,xn)T；隱藏層輸出向量為H=(h1,h2,…,hm)T；輸出層輸出向量為O=(o1,o2,…,oi)T。輸入層到隱藏層之間的權值用wij表示，閾值用vj表示；隱含層到輸出層之間的權值用wjk表示，閾值用vk表示。具體人工神經(jīng)網(wǎng)絡示意圖見圖4。

x1,x2,…,xn為輸入層輸入向量X的元素；h1,h2,…,hm為隱藏層輸出向量H的元素；o1,o2,…,oi為輸出層輸出向量O的元素；wij，vj分別表示輸入層到隱藏層之間的權值和閾值；wjk,vk分別表示隱含層到輸出層之間的權值和閾值。x1,x2,…,xn are the elements of the input vector X of the input layer；h1,h2,…,hm are the elements of the hidden layer output vector H;o1,o2,…,oi are the elements of the output vector O of the output layer；wij,vj respectively represent the weights and thresholds between the input layer and the hidden layer;wjk and vk respectively represent the weights and thresholds between the hidden layer and the output layer.圖4 人工神經(jīng)網(wǎng)絡示意圖Fig.4 Schematic diagram of artificial neural network

溫室本身是一個多變量、高耦合、時變的非線性復雜系統(tǒng)[25]，很難建立準確的數(shù)學模型，需要選擇一個非線性的模型處理數(shù)據(jù)，所以本方案選用人工神經(jīng)網(wǎng)絡建立決策模型。溫室群內決策時要同時確定控制裝置類型和執(zhí)行操作，共同組成決策結果。本研究使用2個人工神經(jīng)網(wǎng)絡，2個網(wǎng)絡的輸入?yún)?shù)一致，都以溫室群內的基礎環(huán)境數(shù)據(jù)和決策結果作為輸入層的參數(shù)，第一個網(wǎng)絡用于預測控制裝置類型，第二個網(wǎng)絡用于預測執(zhí)行動作。輸入層節(jié)點個數(shù)由輸入量決定，則輸入層確定為8個節(jié)點。輸出層的節(jié)點由輸出結果所決定，溫室中的控制裝置包括風機、濕簾、灌溉、遮陽、溫控、天窗，則第一個網(wǎng)絡對應的輸出結果有6個；控制裝置當中連續(xù)設備執(zhí)行動作包括增大(上升)和減小(下降)2種狀態(tài)，開關設備執(zhí)行動作包括工作和關閉兩種狀態(tài)，則第二個網(wǎng)絡對應的輸出結果有4個。采用式(3)確定第一個人工神經(jīng)網(wǎng)絡隱藏層的節(jié)點數(shù)為11個，第二個人工神經(jīng)網(wǎng)絡隱藏層的節(jié)點數(shù)為6個。各層節(jié)點數(shù)確定，以第一個人工神經(jīng)網(wǎng)絡為例，信號傳播過程為：

式中：hj為隱藏層輸出向量H的元素；oi為輸出層輸出向量O的元素；wij，vj分別表示輸入層到隱藏層之間的權值和閾值；wjk,vk分別表示隱含層到輸出層之間的權值和閾值，其中i，k為輸入層節(jié)點數(shù)，j為隱藏層節(jié)點數(shù)。f表示激活函數(shù)，這里選用sigmoid函數(shù)：

隱藏層節(jié)點數(shù)計算公式為：

式中：n為輸入層節(jié)點個數(shù);l為輸出層節(jié)點個數(shù);m為隱藏層節(jié)點數(shù)。

模型訓練過程中，將訓練數(shù)據(jù)分為訓練集和測試集，訓練集用來計算梯度和神經(jīng)網(wǎng)絡的權值，測試集用于驗證模型的有效性，依此建立決策模型。

1.5.3決策數(shù)據(jù)上鏈

數(shù)據(jù)決策方得到?jīng)Q策模型后，將基礎環(huán)境數(shù)據(jù)傳入決策模型，從而輸出基礎環(huán)境數(shù)據(jù)對應的決策，將決策數(shù)據(jù)摘要以key-value的方式存儲至聯(lián)盟鏈中，key值設為服務器編號和利用基礎環(huán)境數(shù)據(jù)生成哈希值的拼接，value值為控制裝置、執(zhí)行操作和決策數(shù)據(jù)哈希值。

1.5.4決策數(shù)據(jù)執(zhí)行

當決策數(shù)據(jù)摘要存儲到聯(lián)盟鏈后，各決策分析方根據(jù)服務器編號和基礎數(shù)據(jù)哈希值從鏈上查詢匹配的決策結果。若匹配成功，則解析決策數(shù)據(jù)，解析結果發(fā)送至控制裝置，控制裝置執(zhí)行解析結果并返回執(zhí)行結果。決策分析方接收到控制裝置的執(zhí)行結果，記錄決策返回時間，以決策返回時間和控制裝置的編號為key值，決策執(zhí)行結果為value值，存儲控制裝置的狀態(tài)數(shù)據(jù)至聯(lián)盟鏈?？刂蒲b置執(zhí)行狀態(tài)被存儲，使得決策結果有反饋，能更準確的控制溫室內的環(huán)境。若是匹配不成功，則無決策結果可執(zhí)行，重新發(fā)送數(shù)據(jù)至數(shù)據(jù)決策方做決策。

2 基于聯(lián)盟鏈的智能溫室群數(shù)據(jù)共享與決策協(xié)同智能合約

在智能溫室群中數(shù)據(jù)共享及決策協(xié)同的整個過程，多次調用智能合約完成節(jié)點在聯(lián)盟鏈中存儲和獲取數(shù)據(jù)。存儲的數(shù)據(jù)包括數(shù)據(jù)提供方數(shù)據(jù)摘要、數(shù)據(jù)決策方?jīng)Q策數(shù)據(jù)摘要以及決策分析方狀態(tài)數(shù)據(jù)。獲取的數(shù)據(jù)主要包括數(shù)據(jù)決策方哈希值和決策分析方?jīng)Q策數(shù)據(jù)。

1)數(shù)據(jù)決策方?jīng)Q策數(shù)據(jù)上鏈。

根據(jù)決策數(shù)據(jù)的存儲流程，將設定好的key值和value值放入結構體DecisionInfo，DecisionInfo作為參數(shù)傳入智能合約算法Decisioninfoupload (DecisionInfo)，判斷參數(shù)是否符合要求，符合執(zhí)行PutState函數(shù)完成數(shù)據(jù)存儲，不符合輸出錯誤信息，如算法1所示。

算法1:

Decisioninfoupload (DecisionInfo)

輸入:DecisionInfo

輸出:("Decision data store Success/Decision data store Error")

var decisioninfo DecisionInfo

function,args：= stub.GetFunctionAndParameters()∥獲取函數(shù)名，以及字符串

if function == "Decisioninfoupload" {∥函數(shù)名是否相同

if len(args) !=5 {∥判斷參數(shù)個數(shù)

return shim.Error("Decision data store Error ")

} else {

DercisionInfoBytes，err：= json.Marshal(decisioninfo) ∥生成json數(shù)據(jù)

return PutState(DecisionInfoBytes) ∥數(shù)據(jù)上鏈}}

2)決策分析方?jīng)Q策數(shù)據(jù)獲取。

將服務器編號ESi和基礎數(shù)據(jù)哈希值BaseHashedValue放入結構體DecisionKey，作為唯一標識從鏈上查詢對應的結果，判斷參數(shù)是否符合要求，符合執(zhí)行GetHistory函數(shù)完成數(shù)據(jù)查詢，不符合輸出錯誤信息，如算法2所示。

算法2:

Decisioninfodownload(DecisionKey)

輸入:DecisionKey

輸出:("Decision data store Success/Decision data store Error")

if function == " Decisioninfodownload" {

if len(args) !=3{

return shim.Error("Decision data store Error ")

} else {

return GetHistory(DecisionKey)}

3 測試與分析

3.1 測試環(huán)境

1)智能溫室群的試驗條件：智能溫室4個，均種植了相同的番茄幼苗，對應ES1、ES2、ES3、ES4邊緣服務器，控制裝置包括風機、濕簾、灌溉、遮陽、溫控、天窗各1個。

2)數(shù)據(jù)形式：數(shù)據(jù)來源于陜西省楊凌區(qū)揉谷鎮(zhèn)溫室群番茄幼苗生長1個月的數(shù)據(jù)，包括二氧化碳傳感器、光照強度傳感器、土壤溫度傳感器、土壤濕度傳感器和空氣溫度傳感器采集的數(shù)據(jù)。

3)聯(lián)盟鏈網(wǎng)絡：選用Hyperledger Fabric 1.4.0搭建聯(lián)盟鏈網(wǎng)絡。ES1、ES2、ES3、ES4、MT等peer節(jié)點充當記賬節(jié)點，獨立部署1個order節(jié)點。狀態(tài)數(shù)據(jù)庫采用levelDB，區(qū)塊最大交易數(shù)為10 筆，最大打包時間間隔4 s。

4)人工神經(jīng)網(wǎng)絡算法：選用patrikeh的人工神經(jīng)網(wǎng)絡算法(https:∥github.com/patrikeh/go-deep.git)完成決策模型的訓練。

5)系統(tǒng)環(huán)境：ubuntu虛擬機18.04，8 G內存，70 G存儲磁盤。

6)性能測試工具：Hyperledger Caliper是一個通用的區(qū)塊鏈性能測試框架，允許用戶使用自定義的用例測試不同的區(qū)塊鏈解決方案，并得到一組性能測試結果。

3.2 功能測試

1)智能溫室群聯(lián)盟鏈網(wǎng)絡搭建。

本方案以智能溫室群的邊緣服務器和決策服務器作為節(jié)點搭建聯(lián)盟鏈網(wǎng)絡，分為邊緣服務器組織和數(shù)據(jù)決策方組織。邊緣服務器組織egdeserver有peer0.egdeserver.itcast.cn，peer1.egdeserver.itcast.cn，peer2.egdeserver.itcast.cn，peer3.egdeserver.itcast.cn等4個節(jié)點，既是數(shù)據(jù)提供方又是決策分析方，對應ES1、ES2、ES3、ES4；數(shù)據(jù)決策方組織training只有1個peer0.training.itcast.cn節(jié)點，對應MT。

2)數(shù)據(jù)提供方數(shù)據(jù)摘要存儲及數(shù)據(jù)共享。

數(shù)據(jù)提供方向數(shù)據(jù)決策方發(fā)送了10 000條數(shù)據(jù)，將這些數(shù)據(jù)的摘要存儲到鏈上，采用Hyperledger Fabric的命令行模式調用Sensorinfoupload函數(shù)完成數(shù)據(jù)上鏈，數(shù)據(jù)摘要存儲后可使用Hyperledger explorer查看存儲結果(圖5)。決策數(shù)據(jù)上鏈的key值為ES1_2022-4-12 21:50，value值為：5362F9EF26CCE079BF48A39723D22C832FAF58BB149FCF1B5B95049C81048879，數(shù)據(jù)提供方發(fā)送數(shù)據(jù)證據(jù)存儲成功。

3)模型決策過程。

數(shù)據(jù)決策方利用環(huán)境數(shù)據(jù)做決策，第一個神經(jīng)網(wǎng)絡決策出需要執(zhí)行的控制裝置，輸入環(huán)境數(shù)據(jù)為：空氣溫度21.46 ℃，空氣相對濕度29.49%，光照強度21 535 Lx，土壤相對濕度56.13%，土壤溫度18.1 ℃，二氧化碳濃度2 613.95 μmol/L；控制裝置中風機、濕簾、灌溉、遮陽、溫控、天窗，分別對應矩陣的1，2，…，6列，輸出的矩陣為[0 0 0 1 0 0]，控制裝置的決策中第4列為1，代表遮陽控制裝置將執(zhí)行動作。第二個神經(jīng)網(wǎng)絡決策出控制裝置要執(zhí)行的操作，設備狀態(tài)包括打開、關閉、增大、減小，分別對應矩陣的1，2，…，4列，輸出的矩陣為[1 0 0 0]，設備執(zhí)行動作的決策中第1列為1，代表要將遮陽板打開，以此降低溫室的光照強度。

模型訓練的過程中，隨著訓練次數(shù)的增加，第一個網(wǎng)絡和第二個網(wǎng)絡的精確度不斷提升，訓練次數(shù)達到3 000 次時，模型趨于穩(wěn)定(圖6(a))；訓練時間與訓練次數(shù)呈正相關，訓練次數(shù)為2 400 次時，第一個網(wǎng)絡所需訓練時間為44.43 s，第二個網(wǎng)絡所需訓練時間為33.69 s，整體上第一個網(wǎng)絡所花費時間多于第二個網(wǎng)絡(圖6(b))。

圖5 數(shù)據(jù)提供方數(shù)據(jù)摘要的存儲結果Fig.5 Data summary storage results for data provider

圖6 決策模型的訓練效果Fig.6 Training effect of the decision model

4)決策數(shù)據(jù)存儲。

數(shù)據(jù)決策方將決策數(shù)據(jù)摘要同樣以key-value的形式使用invoke調用Decisioninfoupload函數(shù)完成數(shù)據(jù)上鏈，使用Hyperledger explorer查看存儲結果(圖7)。決策數(shù)據(jù)上鏈的key值為：ES1_c0 ed8e698101b2c95968a1b703b19c6f7cf85c91791b2c6977e5c84543422acd，value值為Control:4，decision：1，hashedValue:b11cefcc254daf1311f1a871f218b7ef667ffda7089cc7c5e530167112a9064d，ES1邊緣服務器基礎環(huán)境數(shù)據(jù)對應的決策數(shù)據(jù)上鏈成功。

圖7 數(shù)據(jù)決策方的決策數(shù)據(jù)摘要存儲結果Fig.7 The decision data summary storage results of the data decision maker

5)決策數(shù)據(jù)執(zhí)行過程。

① 決策分析方從鏈上查詢決策數(shù)據(jù)，使用invoke調用Decisioninfodownload函數(shù)完成數(shù)據(jù)鏈上查詢,結果見圖7。

②根據(jù)決策結果，決策分析方首先判斷服務器編號，屬于自身的服務器編號，對基礎數(shù)據(jù)的哈希值進行比對，服務器編號和基礎數(shù)據(jù)哈希值同時比對成功后解析決策數(shù)據(jù)，確定為1號溫室內將遮陽裝置打開。

③決策分析方將分析結果發(fā)送至控制裝置，控制裝置接收到指令，將遮陽板打開。

④控制裝置接收到?jīng)Q策分析方的命令并執(zhí)行后，向決策分析方返回執(zhí)行狀態(tài)，決策分析方將控制裝置的執(zhí)行狀態(tài)上鏈，調用Stateinfoupload函數(shù)完成數(shù)據(jù)上鏈，使用Hyperledger explorer查看存儲結果(圖8)。狀態(tài)數(shù)據(jù)上鏈的key值為：2021-10-12 9:10_SSU，value值為sensordata:1，hashvalue:26ea6c55f47a86db219f34acea41b4355244dd36e4195548ad7e40a86b2b8bbf；狀態(tài)數(shù)據(jù)上鏈成功，可查詢到遮陽裝置的執(zhí)行狀態(tài)為1，代表遮陽裝置執(zhí)行了操作，決策結果得到了反饋，提高了決策的可信性。若是未達到環(huán)境控制的目的，可從鏈上查看設備執(zhí)行情況。

圖8 決策分析方的狀態(tài)數(shù)據(jù)存儲結果Fig.8 State data storage results for decision analysts

3.3 性能測試

在區(qū)塊的最大打包數(shù)和最大存儲量確定的情況下，改變區(qū)塊打包時間，以此來測試向聯(lián)盟鏈存儲數(shù)據(jù)和從聯(lián)盟鏈查詢數(shù)據(jù)時的平均時延和吞吐量。

區(qū)塊打包時間由2 s遞增至10 s，設定決策數(shù)據(jù)上鏈與查鏈的交易總量為1 000，交易發(fā)送率為100事務數(shù)/s。區(qū)塊打包時間為4 s時決策數(shù)據(jù)上鏈的平均時延最小為30.4 s(圖9(a))；區(qū)塊打包時間5 或6 s時，決策數(shù)據(jù)查鏈的平均時延最小為0.022 s(圖9(b))。

圖9 決策數(shù)據(jù)上鏈和查鏈的平均時延Fig.9 Average delay on blockchain and query blockchain of the decision data

區(qū)塊打包時間由2 s遞增至10 s的過程中，區(qū)塊打包時間為4 s時，決策數(shù)據(jù)上鏈吞吐量最大為27.3事務數(shù)/s(10(a))；4 s之后，隨著區(qū)塊打包時間的增大，決策數(shù)據(jù)上鏈的吞吐量在不斷下降。決策數(shù)據(jù)查鏈6 s時吞吐量最大(10(b))，但總體上隨著區(qū)塊打包時間的變化，決策數(shù)據(jù)查鏈吞吐量變化不大。因此，最終將區(qū)塊打包時間設置為4 s。

圖10 決策數(shù)據(jù)存儲和查詢的吞吐量Fig.10 Throughput of decision data storage and query

4 結 論

本研究分析了國內外智能溫室數(shù)據(jù)共享及決策的現(xiàn)狀，指出智能溫室中數(shù)據(jù)共享及決策中數(shù)據(jù)不可信以及決策執(zhí)行情況無法驗證的問題，結合聯(lián)盟鏈具有的防篡改和可驗證的特點，提出了基于聯(lián)盟鏈的智能溫室群數(shù)據(jù)共享及決策協(xié)同方案。

本研究中每個溫室內的邊緣服務器按角色劃分為數(shù)據(jù)提供方和決策分析方，以邊緣服務器和數(shù)據(jù)決策方為節(jié)點搭建聯(lián)盟鏈網(wǎng)絡，形成符合智能溫室群管理的總體框架；基于聯(lián)盟鏈的智能溫室群數(shù)據(jù)共享及決策協(xié)同的交互過程是數(shù)據(jù)提供方、數(shù)據(jù)決策方及決策分析方在聯(lián)盟鏈中調用智能合約對數(shù)據(jù)進行操作，基于時序圖設計了傳感器、數(shù)據(jù)提供方、智能合約、聯(lián)盟鏈網(wǎng)絡、數(shù)據(jù)決策方、決策分析方、控制裝置等實體之間的數(shù)據(jù)交互流程；數(shù)據(jù)提供方將時間段內的溫室環(huán)境數(shù)據(jù)傳送給數(shù)據(jù)決策方，并將數(shù)據(jù)摘要上鏈，以鏈上鏈下的方式實現(xiàn)數(shù)據(jù)哈?？沈炞C；數(shù)據(jù)決策方接收可信的數(shù)據(jù)基于決策模型離線決策，將決策數(shù)據(jù)摘要以key-value的形式上鏈；決策分析方從聯(lián)盟鏈上獲得決策結果后，發(fā)送給控制裝置執(zhí)行，將執(zhí)行結果存儲到聯(lián)盟鏈。利用Hyperledger Fabric 1.4.0搭建聯(lián)盟鏈網(wǎng)絡進行測試分析，結果表明該方案可以實現(xiàn)數(shù)據(jù)提供方摘要數(shù)據(jù)存儲及數(shù)據(jù)共享、決策模型訓練、決策數(shù)據(jù)摘要上鏈與決策過程的鏈上執(zhí)行；當區(qū)塊的最大打包數(shù)和最大存儲字節(jié)確定的條件下，改變區(qū)塊打包時間為2～10 s，得出當區(qū)塊打包時間為4 s時，數(shù)據(jù)存儲到聯(lián)盟鏈中平均時延最低為30.4 s，吞吐量最大27.3事務數(shù)/s。