随着工业4.0及智能制造时代的到来，物联网应用进入快速发展及普及时期。到2020年，物联网连接规模将会超过24亿台设备[1]。常见的物联网应用都基于传统的网络架构，而传统的IP标准无法处理物联网网络对象数目巨大、信息海量且网络结构异构的问题。同时，传统网络的分布式体系并不能如实反映出网络的整体状况，有效的网络策略难以制定。SDN将网络控制和网络数据解耦，能够屏蔽底层网络的异构，简化网络配置及资源管理[2]。同时，SDN集中式的结构使得控制器能够根据网络整体状况制定动态的网络策略[3]。因此，利用SDN的集中化控制、抽象化及灵活的特性，通过SDN部署IoT，将会解决传统网络无法适应IoT的诸多问题。

目前，SDN的研究焦点集中于改善传统网络的性能，虽然有部分研究人员意识到在IoT环境中部署SDN技术的益处，但相关研究较少，尚处于尝试阶段。文献[4]提出了一个在智能电网设置中使用SDN技术的通信控制平台架构。文献[5]提出了一个可编程模型PatRICIA，开发者通过该模型能够简单有效的在云中部署IoT应用。文献[6]通过在SDN控制器中增加IoT控制器模块的方法简化网络的管理和控制操作，允许异构网络中的节点使用IPV6通信。

本文提出了一种SDN-IoT架构，基于该架构设计了机器人焊接物联网监测系统，并提出了一种萤火虫优化的负载均衡路由算法GSOR以满足SDN-IoT网络中数据流的QoS要求。在机器人焊接过程中，通过物联网监测系统对焊机的工作状态进行实时监测，能够对焊机进行精细化、集约化的管理，规范焊机操作。同时，物联网监测系统能够对焊接熔池状态进行监测，实现焊接件焊接质量的实时监测，并能够对焊接件生产物流进行管理，从而提高工业制造的水平，实现智能制造[7]。

2 基于SDN的IoT架构

2.1 架构层次

物联网的技术体系架构包括感知层、网络层和应用层[8]。SDN架构包括基础设施层、控制层和应用层[9]。结合SDN及IoT体系架构的特点，本文提出的SDN-IoT架构如图1所示。

  

图1 SDN-IoT架构

该架构包括以下三个层次：

(1)物理层。该层由感知网络簇及其他网络簇组成。感知网络簇包括IoT感知层中的所有传感设备和感知网络，采集到的数据由代理或IoT网关负责将其进行转换和映射成为标准格式。其他网络簇包括交换机、路由器群及安全设备集群等。物理层通过南向接口与控制层交互信息。

本文的创新点在于：（1）将管理层能力、技术创新以及影响二者关系的内外部治理因素纳入统一研究框架，试图进一步探究管理层能力影响微观企业自主创新的作用机理；（2）区分企业产权性质，对比分析治理因素可能存在的影响差异，为明晰混合所有制改革背景下国企改革着力点、从管理层能力视角提升企业研发意愿提供理论支持和针对性建议。

(3) 焊接件管理模块根据焊接件RFID标签信息对焊接件进行生产管理。焊接件从原料车间配送到生产线上进行焊接，该模块获取焊接件对应的RFID标签信息。当焊接件焊接过程完成，该模块读取RFID标签中的质量信息。质量信息为焊接合格的焊接件入库，焊接不合格的焊接件进入返修车间。同时，该模块将焊接件的RFID标签信息写入数据库中。

3)循环次数N=N+1；

2.2 控制层的工作流程

控制层中的IoT-C通过南向接口获取感知网络簇中所有的设备信息，并将其存放于设备DB，SDN-C负责获取所有网络的状态信息并将其存放于网络DB。网络中的数据流均在SDN-C中注册，SDN-C能够实现流量感知，获取数据流的QoS要求、数据包大小及数据包速率等特征。

应用层中的应用通常以抽象方式描述并与物理层中的网络和设备资源无关。因而，网络控制层使用语义技术描述物理层网络和设备资源的特征、能力及服务，并使用分层语义任务将应用层的高层应用描述为低层任务序列。当控制层接收到应用层调用任务需求时，进行任务与资源的匹配，将任务映射为资源。

IoT-C根据设备DB中设备资源所能够提供的服务为任务提供解决方案。确定解决方案之后，由SDN-C将解决方案中所涉及的资源、服务映射成为任务对网络服务的质量要求。SDN-C访问网络DB，对网络中的数据流进行路径规划，以满足网络服务的质量要求。数据流路径规划完成，SDN-C将流表信息下发到数据平面的交换机。

3 体系结构和功能模块

3.1 体系结构

基于SDN的机器人焊接物联网监测系统采用2.2节所提出的SDN-IoT架构。

(1)物理层负责通过传感器网络采集焊接机器人的工作电压、工作电流、行走速度等物理量并转换为数字信息，通过RFID标签及RFID读写器获取焊接件信息，同时通过工业相机获取焊接件焊接状态的熔池图像信息。物理层中的交换机负责接收控制层中的SDN-C控制器下发的流表，根据流表实现数据包的转发。

红军在茂县收购粮食，每斗玉米（约40斤）付给银元四至五元。茂县苏维埃每天在县城附近地带为红军筹粮，有时候一天可筹集四五千斤。城西区苏维埃每天也可为红军筹粮约1000斤。

(2)控制层通过IoT-C对物理层中的网络设备和资源进行集中控制，通过SDN-C进行数据流路径规划，实现信息的传送和通信。IoT-C采用OpenIoT平台屏蔽物理层网络与设备的差异，SDN-C采用OpenDayLight平台实现控制平面的功能。

(3)应用层实现信息处理、信息管理及人机交互等功能。

创作内容自由选取，所见所闻、所作所想，皆可入联；写人记事、写景状物，不作限制，尽可随心所欲地表情达意。归纳起来，通常有如下途径：

(4)北向接口使用REST API实现应用层与控制层之间的交互，南向接口使用OpenFlow协议实现控制层与物理层之间的交互。

3.2 功能模块

监测系统的功能模块主要包括监测信息采集、焊接过程远程监测、焊接件管理及可视化显示四个功能子模块。

(1)监测信息采集模块利用电流电压传感器采集焊机工作的电流、电压信号，利用PLC读取焊机行走速度，将采集到的信息使用ZigBee将信息传送到无线网关。同时该模块利用RFID读写器读取焊接件的RFID标签信息并传送到无线网关。为了对焊接状态进行监测，该模块还利用工业相机获取焊接熔池的图像信息，使用IEEE802.11g协议将图像信息传送到无线网关，并将熔池的图像信息与焊接件的RFID标签及焊机工作的电流、电压、行走速度信息对应。应用层软件通过控制层IoT-C向无线网关发送协议指令使用轮询的方式进行监测信息采集，同时该模块也可以采用数据定时主动上报的方式采集监测信息。

在国际工程中，工程项目现场条件对工程项目和施工进度的影响不容小视。特别是一些大型设施，工程占地面积大，一旦现场条件对施工造成影响，损失将会很大，另外对于一些长距离的运输管道，可能会遇到各种地下障碍。因此，项目现场环境给承包商所带来的风险主要是由于合同所给的项目现场条件与现场有实际的差异，如地形地貌、地质条件、土壤类别等。这些因素都会给承包商带来额外的工程量，改变工程施工的方法，从而影响施工进度，和施工费用的增加。

(2)焊接过程远程监测模块负责将监测信息采集模块采集到的物理层信息保存到数据库，并对监测信息进行处理。根据熔池图像的状态及其所对应的焊机电流、电压、行走速度判断焊接件焊接质量的优劣，并通过控制层IoT-C将焊接质量信息写入焊接件的RFID标签。当监测到焊机的电流、电压及行走速度异常时，发出警报。

(2)控制层。控制层由软件定义的SDN-C控制器与IoT-C控制器组成。管理员通过西向接口以软件的方式对设备进行重新定义和配置。控制层通过东向接口进行扩展，与其他的控制器节点进行交互，从而实现更高层次的负载均衡、性能提升。感知网络簇中感知设备和传感器网络的详细信息(ID、协议类型、信号发送频率)，资源能力，所提供的服务存放于数据库池群中的设备DB中，各个网络的状态信息存放于网络DB中。

(4)可视化显示模块主要实现制造过程的可视化。焊机工作状态的电流、电压、行走速度及焊接熔池图像、焊接件RFID标签信息均以实时状态进行显示。管理员可以访问数据库中的历史信息，以时间为横轴显示焊机焊接参数的变化状态，并以RFID标签信息为依据显示焊接件的生产流程。利用该模块，可以随时了解焊接过程及焊机运行状态。

4 SDN-IoT中的流量均衡路由协议

随着越来越多的设备接入IoT，迅猛增长的网络流量给网络链路带来了巨大挑战。在IoT中，科学分配业务流量，最大化使用网络带宽，避免网络出现拥塞是在部署网络应用时必须考虑的问题。ECMP(Equal-Cost Multi-Path,等价多效路由)能够实现在等值情况下的多路径负载均衡和链路备份，因而传统网络大多采用ECMP来实现流量均衡。但是，由于IoT网络的异构性，在IoT中存在多个具有不同QoS要求的数据流。ECMP没有考虑实时的链路状态参数，无法依据应用程序的需求进行网络配置和优化，因而并不适用于IoT。

在SDN-IoT中，SDN-C通过Openflow协议与交换机通信实时获取网络状态信息、拓扑信息和应用需求信息。SDN-C能够根据网络实时状态和数据流的网络需求来规划路由并分析路由对网络端到端性能的影响，从而对网络中的数据流进行动态的分析、预测和管理。

在机器人焊接物联网监测系统中，需要传输大量的实时数据，特别是熔池的图像信息实时性要求高。因此，SDN-C必须根据网络实时的链路状态，选择满足数据流QoS要求的路由，从而避免拥塞的发生，实现网络流量均衡。

4.1 问题描述

设G=(V,E)为包含n个节点的有向图，V是节点集合且n=|V|，E是链路的集合且链路l∈E，该链路可用带宽为B(l)。F为数据流集合且数据流fi∈F。考虑到机器人焊接物联网监测系统网络传输的特性，设定fi的QoS要求向量Qi=〈wb,wd,wj,wl〉，其中wb为fi的瓶颈带宽，wd为端到端时延，wj为抖动，wl为丢包率。为fi规划路由p，使得

输入：数据流fi源节点vs，目的节点vd，QoS向量Qi；

Xi(p)=〈xb,xd,xj,xl〉 (xb≥wb∧xd≤wd∧xj≤wj∧xl≤wl)

(1)

公式(1)中，Xi(p)为fi使用路由p时的QoS向量。在路由p的每条链路l上，有B(l)≥wb。xb、xd、xj、xl分别为fi使用路由p时的可用带宽、端到端时延、抖动及丢包率。

4.2 算法描述

求包含Qi中四个限制条件的最优路由p是一个多约束的组合优化问题，被证明是NP难问题。近年来，群智能优化算法在NP问题的求解上体现出了优良的特性。萤火虫算法是一种模拟自然界萤火虫求偶和觅食行为的群智能优化算法，具有较强的全局搜索能力和收敛性。本文将萤火虫算法引入SDN-C，提出一种新的路由算法GSOR，该路由算法通过监测网络中的实时情况，寻求满足QoS的优化路由，使有限的网络资源得到优化配置，达到网络流量均衡的目的。

建构主义的教学设计是自上而下地展开教学进程，即首先呈现整体性任务，让学习者尝试解决问题并发现完成整体任务需要事先完成的各级子任务及其所需的知识技能。而传统教学设计则是自下而上，从小单元到整体知识。

4.2.1 状态转移规则

为了利用萤火虫算法来进行路由选择，网络中节点vn的每个连接端口都有一个驻留萤火虫Fnp，对应不同的链路l。Fnp携带该节点t时刻的荧光素值Ln(t)。当需要为数据流fi进行路由发现时，源节点会根据需要创建搜索萤火虫FS。当FS位于vi时，它将按照公式(2)来计算vj作为下一跳节点的概率：

 

(2)

公式(2)中，Li(t)为t时刻节点vi上驻留萤火虫Fip的荧光素值，Lj(t)为t时刻节点vj上的驻留萤火虫Fjp的荧光素值。Ni(t)为t时刻与vi直接链路相连的邻居节点集合。dij为vi、vj节点间的距离，该距离用 vi、vj之间链路li,j的可用带宽率用η表示，η由公式(3)计算：

 

(3)

公式(2)中m,n∈N,通过调节m和n的值，可以调整荧光素差值和链路可用带宽率对FS选择下一跳的影响程度。FS移动到下一跳节点vj后，更新当前位置及邻域半径，邻域集合更新为与节点vj直接连路相连的邻居节点集合Nj(t)。FS将所经过的节点Vn信息及链路QoS信息存储到自身数据栈data中。

这一节中,首先给出Γ中η值平方可积函数f修正随机梯度的定义,这里“修正”是指本文的定义是在文献[8]关于随机梯度定义的基础上,考虑函数真正的“湮灭”而进行了修正,进而定义修正点态随机梯度。

4.2.2 荧光素的更新

公式(6)中, ΔL为荧光素增量常量。λd、λj、λl分别为衡量时延、抖动及丢包率的指标，由公式(7)、(8)、(9)计算。

Li(t+1)=(1-ρ)×Li(t)+γ×J(xi(t+1))

(4)

Li(t+1)=(1-ρ)×Li(t)

(5)

公式(4)、(5)中Li(t+1)为t+1时刻节点vi上Fip的荧光素值，Li(t)为t时刻Fip的荧光素值，ρ表示荧光素值的挥发系数且ρ∈[0,1]，γ表示荧光素值增强系数，J(xi(t+1))表示t+1时刻节点vi的适应度函数值大小，亦可以看作节点vi在t+1时刻荧光素值的增量。有

J(xi(t+1))=f(λd,λj,λl)ΔL

(6)

FS由vi移动到vj后，对FS的数据栈data中所有节点驻留萤火虫的荧光素值按照公式(4)更新，对vj的其他链路相连邻居节点驻留萤火虫的荧光素值按照公式(5)更新：

 

(7)

 

(8)

 

(9)

公式(7)中，为FS所经过每个节点及每条链路的时延，为节点vi、vj间链路及vj时延。公式(8)中，为vi、vj间链路的抖动。公式(9)中，为FS所经过每个节点的丢包率。在SDN-IoT中，通过SDN-C查询交换机端口状态能够获取链路的可用带宽、丢包率及节点处理时延，通过改进的网络演算能够获取链路的时延及抖动。令

国际竹藤组织于2009年在埃塞设立了东非办事处，目前有联合国农发基金——欧盟项目、荷兰—中国—东非项目和世行可持续土地管理项目等竹子项目及20多位项目员工。国际竹藤组织将继续推动埃塞的竹林可持续经营和加工利用。目前国际竹藤组织正与埃塞政府合作准备埃塞竹业发展策略。

f(λd,λj,λl)=eα(βdλd+βjλj+βlλl)

(10)

公式(10)中，βd+βj+βl=1，α为大于等于1的调整参数。

通过公式(10)将节点驻留萤火虫荧光素值的更新规则映射成为当前网络状态与数据流QoS要求的函数，从而优化网络资源的配置，实现流量均衡。

4.2.3 算法描述

在SDN-IoT网络中，当数据流进入网络，openflow交换机首先将数据流与流表匹配，若匹配成功，则执行流表的动作。否则，openflow交换机将数据流上交给SDN-C，由SDN-C执行GSOR为数据流规划路径，更新流表并将流表下发给openflow交换机，openflow交换机按照更新的流表处理数据流。

4)FS数目k=N+1；

SDN-IoT中萤火虫优化的负载均衡路由算法GSOR描述如下：

遇到错误资料很难完全避免，因此遇到资料错误时，我们应该调整好心态，把这当成是挑战自我的机会。遇到错误资料时，建议用倒推法解决，顺着执行部件的连线反向倒推，对相关线路进行逐一排查。

3.12 易腐食品。蛋白质或碳水化合物含量较高（通常酸碱度（pH）大于4.6且水分活度（Aw）大于0.85），常温下容易腐败变质的食品。

输出：流量均衡优化路由p；

1)对相关参数进行初始化，设置最大迭代次数Tmax，初始化网络节点上的驻留萤火虫荧光素值，p←Φ；

2)若vs不是目的节点vd，则创建M只搜索萤火虫FS；

近年来，随着教育体制的改革，高校招生数量逐年增加，而图书馆流通部门是学生们的第二课堂，这就无疑加重了流通馆员的工作量，不仅如此，每天都是重复一些相同的工作，借书还书、整理书架、上书，单调乏味，纯属体力活，尤其是我们医学院校，专业书籍精装本很重，而且随着经费的大量投入，购书量增加，还需要经常倒架，更会费时费力。再就是流通部门是图书馆的窗口，每天接待大批量读者，这里面不乏有些素质较差，修养不高的学生，对待这类人就得格外精心，否则就会引起他们的不满，严重时会故意刁难工作人员，这也会加重馆员的心理负担，对工作产生厌烦情绪。

(3)应用层。应用层中的应用程序通过北向接口与控制层交互，按需调用网络资源。

1.2 方法 ①按年度和医疗机构类型分别统计HIV抗体检测量；②按报告地和终审日期筛选2012年和2016年报告的HIV感染者传染病报告卡和随访表；③晚发现定义：报告时诊断为艾滋病病人或报告时为艾滋病感染者且一年内转为艾滋病病人［4］。

5)FS根据公式(2) 选择下一跳节点vi，将vi加入数据栈FS.data；

所以说陆九渊心学在挑战以朱熹为代表的程朱理学的时候如增能理论一样，也是在努力进行一场由权威在外到权威在内的范式转换。

6)若vi收到的FS重复或者FS.data出现环路，则丢弃该FS；

7)若vi不是目的节点vd，跳转到5；

8)若vi是目的节点vd，则按照公式(4)对FS.data中所有节点的驻留萤火虫荧光素值进行更新，按照公式(5)对FS.data中所有节点的邻居节点驻留萤火虫荧光素值进行更新；

毛氏“文缘世降”说意识到了文学与时代之间存在联系，并且注意到文学的发展与时代的变化并不是同步的，“元未亡而已见南曲”，便是这种不同步的表现之一。但将这种联系必然化绝对化，是不可取的。实际上，时代的变化只是影响文学的一个因素，并不是其决定性因素，文学自身的发展规律才是最根本的因素。这种文学发展观多少带有一种厚古薄今的意味，早在《庄子·外物》中就有：“夫尊古而卑今，学者之流也”，厚古薄今由来已久。这并不是对自身的一种妄自菲薄，而是虚心的反思自身的不足，希望自身的文学成就不至于落于古人之后，带有一种文学复古的意味。正是在这种意识的促使下，毛氏提出了另一文学主张“稽古日新”，主张向古人学习。

9)若k!=M，跳转到4；

10)若N=Tmax，则循环结束，输出全局最优FS.data，FS.data的路径信息即为p。否则跳转到3，并按照公式(4)、公式(5)更新网络中驻留萤火虫荧光素值。

4.3 仿真实验与性能分析

在网络仿真软件Mininet中对GSOR进行仿真，使用OpenDayLight控制器，使用OpenFlow1.0协议。考虑到基于SDN的机器人焊接物联网监测系统的应用环境，采用如图2所示的拓扑结构。网络中有8台OpenFlow交换机，2台服务器(Server1提供数据存储服务，Server2提供图像处理服务)分别连接到S1及S2上，其余6台交换机一共提供18个网络接入点，设备以WIFI形式接入网络，为了满足大量的图像传输，使用IEEE802.1g协议。网络中链路带宽均为100 Mbps。网络中某一时刻只有一个控制器Controller节点。随机选择10个网络接入点，使用iperf软件模拟10个数据流的发送，持续时间为100 s。 1-5号数据流访问Serve1，速率为2 Mbp，Qi=〈5 Mbps,1.5 ms,10-3,0.5 ms〉；5-10号数据流访问Server2，速率为5 Mbps，Qi=〈10 Mbps,0.5 ms,10-3,0.1ms〉。

  

图2 网络拓扑结构图

仿真实验中，GSOR中的各参数取值如下：m=1，n=2，ρ=0.5，γ=0.3，α=2，βd=0.4，βj=0.2，βl=0.4，ΔL=10。最大迭代次数Tmax=50，搜索萤火虫FS的个数M=20。为了分析GSOR的性能，在相同场景下对ECMP进行仿真对比。

  

图3 性能比较

从图3中，可以看到GSOR在端到端延迟、丢包率及端到端抖动方面都体现了优于ECMP的性能。由于给定了数据流的QoS要求，因而GSOR在路由过程中会综合考虑网络资源的使用情况，做到网络资源的优化配置，从而达到均衡流量的效果。对于不同应用的数据流，GSOR的端到端延迟、丢包率和抖动性能均满足了给定的QoS要求，端到端延迟控制在0.3 ms以内，丢包率控制在0.5%以内，抖动控制在0.05 ms以内，能够满足机器人焊接物联网监测系统的网络性能需求。而ECMP为3号、5号数据流选择的路由明显出现了网络拥塞的情况，而且对于不同的数据流表现出来的性能有较大差异。这是因为ECMP将各条链路的代价都认可为相同，因而不能对网络中每条链路上的状况进行实时反应。

5 结束语

SDN采用集中控制，将控制平面与数据平面分开，因而能够满足IoT底层网络异构、接入设备规模巨大的需求。本文基于SDN与IoT的特点，提出了一种SDN-IoT网络架构，并基于此架构设计了基于SDN的机器人焊接物联网检测系统，对焊接的工业生产过程进行智能化监控。SDN-IoT中，存在大量不同QoS要求的数据流，而控制器中的SDN-C能够实时获取网络资源和整体状态信息，易于对网络中的数据流进行优化的路径规划。实验证明，本文提出的萤火虫优化的负载均衡路由算法GSOR在端到端时延、丢包率和抖动方面均体现出了优于ECMP协议的性能，能够满足机器人焊接物联网检测系统的需求。下一步将继续优化GSOR算法，对其中的参数进行进一优化以提高算法性能并在不同的网络环境中对GSOR算法的性能进行验证。

参考文献

[1] L Yan, Y Zhang, LT Yang, et al. The internet of things: from RFID to the next generation pervasive networked systems[M]. New York: Auerbach Publications, 2008:1-332.

[2] Sydney A. The evaluation of software defined networking for communication and control of cyber physical systems[D]. Department of Electrical and Computer Engineering College of Engineering, KANSAS STATE UNIVERSITY, Manhattan, Kansas, 2013.

[3] 张朝昆, 崔勇,唐翯祎,等. 软件定义网络(SDN)研究进展[J]. 软件学报, 2015, 26(1):62-81.

[4] Luo T, Tan H-P, QueknT. Sensor openow: Enabling softwaredened wireless sensor networks[J]. Communications Letters, 2012, 16:1896-1899.

[5] Coetzee L, and Eksteen J.The Internet of Things - promise for the future? An introduction[C]// 1ST-Africa Conference Proceedings, IEEE,2011: 1-9.

[6] Catapang S A, Roberts Z J M, Wang I K, et al. An infrastructure for integrating heterogeneous embedded 6LoWPAN networks for Internet of Things applications[C]// International Conference on Sensing Technology. IEEE, 2014:741-746.

[7] Bi Z, Xu L D, Wang C. Internet of Things for Enterprise Systems of Modern Manufacturing[J]. IEEE Transactions on Industrial Informatics, 2014, 10(2):1537-1546.

[8] Liu J, Yu J. Research on the Framework of Internet of Things in Manufacturing for Aircraft Large Components Assembly Site[C]// IEEE International Conference on Green Computing and Communications and IEEE Internet of Things and IEEE Cyber, Physical and Social Computing. IEEE Computer Society, 2013:1192-1196.

[9] Tao F, Zuo Y, Xu L D, et al. IoT-Based Intelligent Perception and Access of Manufacturing Resource Toward Cloud Manufacturing[J]. IEEE Transactions on Industrial Informatics, 2014, 10(2):1547-1557.