物联网智能感知节点π网低功耗软硬件划分建模.pdf

第44卷 第 “ 期 2018年9月 工矿自动化 Industry and Mine Automation Vol. 44 No. 9 Sep. 2018 文章编号671-251X201809-0059-08 D O I 10. 13272/j. issn. 1671-251x. 2018020045 物 联 网 智 能 感 知 节 点K网 诋 功 耗 软 硬 件 划 分 建 模 刘晓霞S 李芳2 1.四川水利职业技术学院信息工程系，四 川 崇 州 611231 2. College of Computer Science, Chongqing University, Chongqing 400044, China Abstract Advantages and disadvantages of low power consumption hardware and software partitioning for intelligent sensing nodes of Internet of ThingsIoT directly affect the endurance and network life of nodes. In view of problem of high energy consumption in hardware and software partitioning of intelligent sensor nodes of IoT, a low power consumption hardware and software partitioning model based on A-net was proposed. Firstly, the intelligent sensor nodes of IoT was defined with constraints, and the constrained model of the intelligent sensor nodes was obtained. Then, the hardware and software partitioning model of intelligent sensing nodes based on A-net was established by using the A-net theory, and the low power consumption hardware and software partitioning based on IP core power consumption of hardware and software and the overall power consumption constraints of the system were realized, and the model was analyzed for evolution. The analysis and simulation results show that the model has certain advantages and practicability in terms of fitness, cution time division and minimum system partition energy consumption compared with models based on tabu search algorithm and genetic algorithm, which 收稿日期2018-02-27;修回日期2018-04-28;责任编辑 张强。 基金项目 国家自然科学基金（ 青年科学基金） 项目（61701331;四川省教育厅自然科学基金一般项目（18ZB0498;四川省水利厅2017年科研 计划项目（SL2017-01。 作者筒介刘晓霞（1976 女 ， 河南鄢陵人， 副教授， 硕 士 ， 研究方向为计算机应用技术、 物联网，E-mail03601638qq. com。 引用格式刘 晓 霞 ， 李芳.物联网智能感知节点a网 低 功 耗 软 硬 件 划 分 建 模 工 矿 自 动 化 ，2018,4499-66. LIU Xiaoxia， LI Fang. Modeling on low power consumption hardware and software partitioning for intelligent sensing nodes of Internet of things based on A-net[J]. Industry and Mine Automation,2018,449 59-66. 60 工 矿 自 动 化2 0 1 8 年 第 4 4 卷 can reduce the energy consumption of intelligent sensing nodes of IoT and improve their endurance. Key words Internet of things; intelligent sensing node; -net; low power consumption hardware and software partitioning； endurance 〇 引言 随着物联网技术的发展和应用不断深人， 智能 感知节点（Intelligent Sensing Nodes, ISN应用范 围和数量不断攀升， 其性能、 功耗等要求越来越高。 为提高I S N的续航能力， 必须对其进行低功耗软硬 件 划 分 （L o w Power Consumption Hardware and Software Partitioning，L P H S P。在 ISN 设计和研 发过程中， 软硬件划分属于顶层规划与设计范畴， 因 此 ， 对I S N进行低功耗软硬件划分是其设计和研发 过程的最高层次低功耗的抽象， 使其能耗达到最优 化 。低功耗软硬件划分对I S N至关重要， 且有利于 降低节点能耗， 提高续航能力。 国内外研究者对低功耗软硬件划分算法进行了 相关研究。文献[1]对双目标多选择软硬件划分进 行了研究， 提出了快速生成近似解的启发式算法， 用 定制禁忌搜索算法改进近似解算法和快速计算精确 解的动态规划算法来研究软硬件划分。文献[2]对 智能系统可变需求下的软硬件划分进行了研究， 提 出了一组增强的硬件/软件资源共享参数的划分算 法 。文 献 [3]对 异 构 多 处 理 器 片 上 系 统 （Multi processor System-on-Chip， M P S o C 的软硬件划分 进行了研究， 提出了一种利用优化的整数线性规划 算法来解决小输人的软硬件划分问题的方法。文 献[4]对片上可编程门阵列作为控制器的软硬件划 分进行了研究， 提出了非主流排序遗传算法， 并对算 法进行了验证。文献[5 ]对复杂嵌人式系统软硬件 划分进行了研究， 提出了一种更加适合软硬件划分 的盲优化算法， 并对算法进行了验证和对比分析。 文献[6]对大规模软硬件划分进行了研究， 提出了 一种爬山淘汰粒子群算法， 并对算法进行了验证与 分析。这些研究提出的低功耗软硬件划分算法、 方 法和策略， 为研究I S N低功耗软硬件划分问题提供 了很好的参考， 但未针对物联网I S N进行低功耗软 硬件划分研究。 网是一种能够处理并发事件的建模工具， 融 人 了 （演 算 和Petri网， 是Petri网发展的高级阶 段[7]。鉴此， 针对物联网I S N设计时对低功耗的要 求 ， 根 据 （网理论， 建 立I S N低功耗软硬件划分模 型 ， 并对模型进行分析和仿真实验。分析与仿真实 验结果表明， 与基于禁忌搜索算法和遗传算法的模 型相比， 该模型在适应度和划分执行时间等方面具 有一定的优越性和实用性， 可降低物联网智能感知 节点能耗， 提高其续航能力。 1智能感知节点约束模型 感知层作为物联网的最底层， 由多种不同类型 的感知设备、 感知节点构成， 这些设备大多为智能型 设备， 能够完成感知、 处理和传输任务， 故可抽象为 I S N， 其功能需求可用任务流程图法来描述[]。 任务流程图法是依据待完成目标对象的要求及 其主要过程， 采用图表进行分析和选择实现目标所 需的实际线路， 描述实现顺序和过程的一种计划管 理方法。智能感知节点具有一定的约朿条件， 特别 是功耗和能耗方面的约朿。为更好地描述智能感知 节点， 使用任务流程图来描述I S N划分任务。任务 流程图通过有向无环图（ Directed AcyclicGraph， D A G予以描述， 物联网的若干I S N也可以抽象为 D A G， 故可用定义1 来描述。 定 义 1若物联网I S N的软硬件划分问题为加 权D A G， 则可定义其软硬件划分任务流程为一个 五元组表， 即 P C G {V， ，W，f c〇 。 }。 P C G为I S N的加权D A G;V为候选的I P核顶 点集合，V {ti，t ， ， ％ }， 且I P核为具有一定功 能的软件或硬件组件;E为中顶点间有向边的集合， 即 V，w， , ，i，3 [1， 2 ， ，w] ， 〜为顶点 w,到顶点％ 的有向边， 亦 表 示顶点w, , 间的依赖 关系；W为专用复杂功能组件加权集合，W {Pro， ，A p， 尽 ，R， ，A p， _Rp， 込 分 别 为 处 理 器 核、F P G A或C P L D核 、A S I C核、R S I C核和其他IP 内核;R c为各种I P核功耗/能耗加权函数；O。 为面 积、 执行时间等其他指标的加权函数集合。 定 义 2物联网I S N能耗。若I S N的第， 个IP 核的能耗主要由空闲能耗和运行能耗构成式（ 1， 则I S N的总能耗为式（ 2。 C, 〇J P C G Qf 11 式中R f是在定义5 的八元组上对时间的抽象与进 程Qf的弱时间等价。 此 模 Pjphsp 库所 新 库所后， 新库所能够和与之适应的服务组件进行交 互 ， 从而参与模型Njphsp的变迁。 若模 型Njphsp的库所Af要进行变化或升级， 则 需对原库所进行语义更新和扩展更新[10]。对模型 Njphsp的库所A f进行语义更新时， 其更新规贝为规 1。 规 则 1 设 候 选IP核Cp,0的 接 口 为 少 ， 组件 Cp,1的 接 口 为 仏 若 少 成 立 ， 并 3 “ 和M， 有 / M 3f2 M成立， 则 称Cp, 1可 使Cp, 0进行保持 义 新 。 右 模 型Pjphsp 的库所Af 需进行扩展更新， 利用 规 则 2 对原有库所进行扩展更新。 规 则 2设候选I P核Cp, 0的接口为r ， Cp,1的接 口 为 仏 若r和g使以下条件同时成立 ① /„r ; /„〇， 即r的 自 由 名 字 是g自 由 名 字 的 子 集 ； xz ② 如 果r广 ， 那 么b g7，g c g ③ 如 果r , 广 ， . xz z Z , y 那 么 3 7，g----------g7 ;④ 如 果r， xy x- y- 那 么 3 g，g ,g， 贝 J进 程g对r进行了 扩展性更新，标记为r d g。故Cpa对Cp, 0进行了扩 新 。 综上分析可知， 当模型Plphsp 有新 IP 时， 经过模型 Pjphsp 库所创建 程 、 库所注册 程 和库所在候选库中的注册进程而融人模型Njphsp， 成为模型Nlphsp的一部分。因此， 模型 Pjphsp目 这 够 对库所Af 进行增加和更新， 即模型NjphSP能够进行 动态增加和更新演化。 3实验与仿真 以具体物联网I S N为例， 对 模 型NjphSP进行验 证与优化[ 11]。 以温度湿度感知采集节点为例， 用 模 型Njphsp 对其进行描述， 并按照模型步骤进行低功耗软硬件 划分。候 选I P核在此以硬件核和软件核来区分， 并 按照功能模块予以分类描述， 即 模 型Njphsp的库所 由硬件库所和软件库所构成， 且库所又按照功能来 区别。多 参 数 感 知 采 集 节 点 的 库 所Af { Acw， AsW}， 其 中Acd 为 硬 件I P核 ， 且Acd {Proc， M e m，C o m ， Sen 贝 } ，Proc，M e m，C o m ， Sen 分别为 候选的处理器核、 存储器核、 通信核、 传感器核， 而 每 个 候 选 硬 件 核 又 对 应 多 个 选 项 ， 如Proc可为 M C S- 51 核 、A R M7T D M I 核 、m〇to68K 核和 A R M Cortex M x核等，S e n为按照感知信号的不同进行 分类的候选传感器核集合， 比如温度传感器核可为 D H T11、 金属热电阻、 热电偶、D S18B20、 铜电阻和 热敏电阻等；AsW 为 软 件I P核，即能够实现一定功 能的软件核， 如模块初始化程序、 板级驱动程序、 操 作系统、 网络协议和应用软件模型等。模 型Njphsp 的变迁为Sp。 』]。 为 库 所I P核对应的功耗和其他 性能指标约朿集合。由此， 温度湿度感知采集节点 Njphsp模型划分如图4 所示。 64 工 矿 自 动 化2 0 1 8 年 第 4 4 卷 图4温度湿度感知采集节点NjPHSP模型划分 Fig. 4 Partitioning of NjP H SP model of temperature and humidity sensing acquisition node 实 验 测 试 时 ，ZigBee模 块 选 用F8913D，diFi 选 用C C2540,蓝 牙 采 用RKi6000,处 理 器 使 用 Cortex M系列， 软 件I P核采用标准C语言编写的 功能核。测试时采用运行测试和源代码级程序分析 相结合的方式， 综合得到实验数据。在测试过程中， 每种算法使用相同的面积、 体积和其他参数， 具体实 验得到的数据见表1。 利 用 表 1 数 据 作 为 属 性D A G - P C G， 并输入 Nlphsp 模型、 基于遗传算法[1213]的模型、 基于蚂蚁优 化算法的模型[14]和基于禁忌搜索算法[1516]的模型， 利 用Matlab编程仿真每个模型的适应度、 划分运行 时间和最小系统划分能耗， 得 到 如 图 5 所示的比较 。 节点数 适 应 度 节点数 b划分执行时间 节点数 “最小系统划分能耗 图5模型Nlphsp与其他算法模型的适应度、 执行时间和最小系统划分能耗的比较曲线 Fig. 5 Comparison curves of N lPHSP model and other algorithms model in fitness， partitioning cution time and minimum system partition energy consumption 本实验在一定的约束条件下优化其软硬件划 分 。从 图 5a可看出， 与其他算法相比， 当 候 选IP 核增加时， 模 型Nlphsp的适应度曲线总的趋势是在 增加， 但适应度值较其他算法小， 说明更加容易适应 候 选I P核数量的增加。从 图 5b可看出， 在相同 候 选I P核下， 模 型Nlphsp软硬件划分执行时间比其 他算法少， 说明其运行速度比较快。从 图 5c可看 出， 随着候选I P核数量的增加， 各模型执行时能耗 增 ， 但模Nlphsp 耗增 小 ， 模 Nlphsp 在能量消耗方面具有优越性。 实验及仿真结果表明， 与基于蚂蚁优化算法、 禁 忌搜索算法和遗传算法的模型相比， 模型 Nlphsp 在 适应 、 划分 时间 小 划分 耗 方 具有一定的优越性和实用性[17]， 可降低物联网i s n 能耗， 提高其续航能力。 2 0 1 8 年 第 9 期 刘 晓 霞 等 物 联 网 智 能 感 知 节 点 网 低 功 耗 软 硬 件 划 分 建 模 . 6 5 . Table1 表1候 选IP核 参 数 及 其 实 验 数 据 Parameters of candidate IP core and its experimental data 功能模块IP运行时功耗/能耗 其他指标 执行时间/,s适应度可用性 TIMSP43295 ,A/MHz-0.999 7 0.9991 STM32L476100 ,A/MHz- 0.99960.9993 处理器Atmel SAML2135 mA/MHz-0.99920.9992 Cortex M〇35 mA/MHz 5 0.99990.9995 ROM150 ,A10“200.99990.9996 存储器 RAM Nor Flash 170 ,A 9 mA 10“20 10“20 0.9998 0.9993 0.9995 0.9994 Nand Flash 9 mA 10“20 0.99940.9996 DHT113 m W150.99950 . 999 7 传感器 DS18B202 . 6 m W 210.99940.9999 湿度传感器1.8 m W320.99920.9995 WiFt模块 发送 72 m W 接收 58. 8 m W 0.99910.9926 模块ZigBee模块 发 96.1 m W 接收 91 7 m W 0.99950.9932 蓝牙 发 60m W 接收 60 m W 0.99920.9945 Csw1113 ,W630.99590.9343 CsW28 ,W4220.95410.9434 CsW321 ,W4830.92130.9201 0SW4231 ,W490.95620 . 957 1 软 件IP核0SW5251 ,W6980.93420.9341 CsW6342 ,W920.967 10 . 967 3 CsW7207 ,W6530.957 30.9314 0SW8239 ,W5490.9235 0 . 936 7 CsW9213 ,W490.99120.9235 4结语 物 联 网 IS N 的低功耗软硬件划分的优劣直接 影响节点的续航能力和网络寿命。首先对物联网 ISN 进行带约朿定义， 得到了 IS N 的约朿模型； 然 后 根 据 网 理 论 ， 建 立 了 基 于 网 的 物 联 网 ISN 软 硬件低功耗划分模型， 实现了依据软硬件IP 核功耗 和系统总体功耗约朿下的低功耗软硬件划分， 并对 模型进行了演化分析;最后， 与基于禁忌搜索算法和 遗传算法等的模型进行了对比实验。分析与实验仿 真结果表明， 与基于禁忌搜索算法和遗传算法等的 模型相比， 该模型在适应度、 划分执行时间和最小系 统划分能耗等方面具有一定的优越性和实用性， 可 降低物联网ISN 能耗， 提高其续航能力。 参考文献（References 1 * S H I W J, W U J G, L A M S K, et al. Algorithms for bi objective multiple-choice hardware/ software partitioning J * . Computers j Electrical Engineering ,2016,03 127-142. 2 * W A N G R, H U N G W, Y A N G G, et al. Uncertainty model for configurable hardware/ software and resource partitioning J *. IEEE Transactions on 66 工 矿 自 动 化2 0 1 8 年 第 4 4 卷 Computers,2016,6510 3217-3223. [3] O U Y A N G Aijia, PENG Xuyu, LIU Jing, et al. Hardware/software partitioning for heterogenous MPSoC considering communication overhead [ J ] . International Journal of Parallel Programming, 2017, 45 ⑷ -24. [4 ] BAHRI I， IDKHAJINE L ， M O N M A S S O N E ， et l Original articles optimal hardware/ software partitioning of a system on chip FPGA-based sensorless AC drive current controller [ J ]. Mathematics j Computers in Simulation, 2013, 90245-161. [5 ] Z H A N G Tao, Z H A O Xin, A N Xinqi， et l Using blind optimization algorithm for hardware/software partitioning [J ]. IEEE Access , 2017 , 5 99 1353 13628 [6 ]鄢小虎， 何发智， 陈壹林.求解大规模软硬件划分问题 的爬山淘汰粒子群算法[J].东南大学学报（ 自然科学 版） ， 2017， 47225-230. Y A N Xiaohu， H E Fazhi , C H E N Yilin. Elimination particle swarm optimization with hill climbing algorithm for solving large-scale hardware / software partitioning problem [ J ]. Journal of Southeast University Natural Science Edition , 2017， 47 2 225-230. [ 7 ] 曹木亮， 吴智铭， 杨根科.一类新型的模块化高级 Petri网---（网[J].上海交通大学学报， 2004, 3812-58. CAO Muliang , W U Zhiming , Y A N G Genke. -nets a new modular high level Petri net [ J ]. Journal of Shanghai Jiaotong University， 2004， 381 2-58. [8 ] S H A E ， LI W ， Z H U G E Q F ， et l Power efficiency for hardware/software partitioning with time and area constraints on MPSoC [J]. International Journal of Parallel Programming , 2015,433 381-402. [9] RIABI M ， MANAI Y ， H A G G E G E J. Hardware/ software partitioning approach for embedded system design based on genetic algorithm [J]. International Journal of Scientific Research j Engineering Technology， 2015， 33 20-25. [10] TALEB M, LECLERCQ E, LEFEBVRE D. Model predictive control for discrete and continuous timed Petti nets[J]. International Journal of Automation j Computing, 20182 -14. [11] C H A K R A B O R T Y D , G U H A D , D U T T A B. Multi objective optimization problem under fuzzy rule constraints using particle swarm optimization[J]. Soft Computing， 2016， 206 245-2259. [ 2 ] 侯能， 何发智.混合并行两步调整遗传策略的软硬件 划分算法[J].华中科技大学学报（ 自然科学版） ， 2017， 4512 9-45. H O U Neng， H E Fazhi. Hybrid parallel genetic strategy with two-step adjustment for H W / S W partitioning [J]. Journal of Huazhong University of Science j Technology Natural Science Edition， 2017， 4512 9-45. [ 3 ] 朱峰军.多选择软硬件划分问题的算法研究[D].天 津 天津工业大学， 2014. [ 4 ] 潘颖， 阮文惠.基于改进蚁群算法的嵌入式系统软硬 件划分[J].现代电子技术， 2017， 40364-166. PAN Ying， R U A N Wenhui. Embedded system hardware and software partition based on improved ant colony algorithm [ J ]. Modern Electronics Technique , 2017,403 164-166. [ 5 ] 高健， 李涛.三种软硬件划分算法的比较分析[J].计 算机工程与设计， 2007， 2814 3426-3428. G A O Jian , LI Tao. Comparison and analysis of three hardware/software partitioning algorithms [ J ]. Computer Engineering and Design， 2007， 28 14 3426-3428 [ 6 ] 周立秋.可重构系统中的一种动态软硬件划分算法 [D].长沙 湖南大学， 2009. [ 7 ] 焦素敏， 王彩红， 王学梅.应用于大规模S〇C软硬件 划分的多种群协同进化方法研究[J].计算机应用研 究， 2011， 2810 690-3693. JIAO Sumin , W A N G Caihong , W A N G Xuemei. Multi group co-evolutionary research applied in large scale SoC hardware/software partitioning [J]. Application Research of Computers， 2011， 28 10 3690-36938