物联网[1](Internet of things, IoT)被公认为是继计算机、互联网技术之后，信息技术领域的又一次重大变革.随着“Smart City”倡议的引入，城市将成为未来物联网信息服务系统[2](IoT information service system, IoT ISS)架构设计下创新和实验的中心，作为全球经济增长的巨大引擎之一，对未来IoT ISS及其相关操作系统(operating system, OS)的影响将十分巨大.IoT ISS可以将世界上的各种无线传感设备通过无线网络实时地连接在一起，实现世间万物的互联互通，其可以广泛地应用于各种领域，例如智慧家居、智慧城市、智慧电网、智能医疗以及环境检测、可穿戴设备等.随着IoT时代的到来，大量终端应用服务需求的迅猛增长，这种爆炸式的物联网应用服务需求催发了研究人员对于IoT ISS结构以及物联网信息服务样式的研究.从20世纪90年代开始，基于PC平台的Windows操作系统即被应用于千家万户，在基于应用服务器平台的Linux操作系统(Linux OS)配合下形成了如今的客户端服务器C-S(client-server)架构[3]下的互联网(Internet).随着爱立信、诺基亚与华为5G服务的全球部署，新一代具备服务于物联网(IoT)的新型物联网信息服务架构与操作系统(OS)也将随之出现.
第5代移动通信网络(5G)中，终端设备直连技术(device to device, D2D)[4-5]与大规模多入多出技术(massive multiple input & multiple output, Massive MIMO)[6-7]被广泛采用于移动终端底层组网和终端、基站天线中，由此而出现的D2D-MIMO信息服务网络，是5G通信中的重要技术，该信息服务网络具备降低直连组网干扰及相关功耗、提高终端设备频谱利用率的功能，为未来海量物联网终端节点实时的网络信息服务提供了良好的无线通信链路保障.
数字信号处理器(digital signal processor, DSP)[8-9]是ISS数据处理的关键，现有的终端设备基本均采用独立集成的异构DSP芯片结构，为终端设备提供优异的数据处理能力，作为DSP芯片信息处理的核心，快速傅里叶变换(fast Fourier transform, FFT)至关重要，其为DSP提供优异的数字信号处理性能，本文在CT FFT(cooley-tukey FFT)算法[10]基础上，提出了一种HKICT FFT算法(hybrid-kpcaiwknn-cooleytukey FFT)，利用improved FFT加速器[11]结构配合Cordova & Node.js框架实现终端DSP芯片的高速信息服务.
混合式开发(hybrid development, HD)[12]是一种基于移动终端(mobile terminal, MT)节点的跨平台(cross platform)开发技术，通过跨平台开发框架(Cordova & Node.js)实现应用的多类型平台同时部署，这2种开发框架均基于同一引擎并通过JavaScript运行底层脚本，适合于未来海量物联网终端大规模部署下需要的较为简易、通用的开发模式.
针对以上IoT ISS网络层研究的思想及方法，本文提出了一种HYBRID-D2D-MIMO网络架构(HDM)与混合式数据分发策略(hybrid data dis-tributing strategy, HDDS)，在D2D-MIMO网络架构中利用相关混合式开发策略结合Cordova框架开发混合式终端应用(hybrid terminal app)，利用混合式终端(hybrid terminal)跨平台部署的特性，可以方便快捷地将混合式应用(hybrid app)移植到移动终端或未来的物联网终端中，实现终端利用JavaScript调用设备原生功能(native function)促使终端设备D2D自组织网络的构建，进而利用浏览器框架构建联通终端和服务器的信息服务网络结构，为即将到来的5G时代IoT ISS网络层结构的设计提供了一种样本方案.
本文的主要贡献有4点：
1) 基于D2D-MIMO网络架构提出了一种HDM(HYBRID-D2D-MIMO)信息服务网络使混合式开发(HD)的终端设备可以以较高的传输速率链接信息服务网络；
2) 为提高基于Cordova框架开发的混合式应用的数据处理能力，在基于终端设备DSP芯片的基础上，提出利用JavaScript配合Cordova API接口直接访问异构处理系统，促使HDM网络的信息服务更加高效，提高频谱利用效率；
3) 在终端DSP芯片架构的基础上，提出了一种基于HKICT FFT & MTHBB算法的信息服务数据处理方案，该方案进一步提升了混合式终端在HDM网络中的数据处理能力，为HDM网络底层SON自组织网络D2D通信链路的稳定通畅提供可能；
4) 提出了一种混合式数据分发策略(HDDS)，该策略基于IoT ISS架构，可实现ISS对不同类型混合式终端节点兼容服务，为基于HDM+HDDS的IoT ISS融入互联网应用生态圈提供基础，保证HDM+HDDS服务下的IoT ISS能够正常为移动、物联网终端节点提供实时的高效信息服务.
本节详细讨论了基于IoT ISS架构下信息服务网络研究的相关工作，主要包括3点：基于Cordova & Node.js & D2D-MIMO的网络结构；DSP在异构网络中的数据处理方案；基于混合式终端DSP的混合式数据分发策略.
Cordova & Node.js开发框架采用JavaScript运行底层脚本文件，文献[13-16]详细介绍了利用Cordova & Node.js框架如何构建基于移动终端平台和服务器的应用程序架构，VS(visual studio)作为系统的集成开发环境(integrated development environment, IDE)，通过VS IDE引入Cordova框架并调用WiFi,Bluetooth,5G,DSP模块的API接口，实现对设备原生功能的操作；同样，VS IDE也集成了Node.js框架，开发人员可以通过调用Node.js提供的各种功能模块以及相关框架结构，实现对物联网应用服务器的开发与设计，文献[17-20]详细介绍了基于Cordova & Node.js框架的终端与应用服务器混合式开发方式.
D2D与MIMO早在4G通信的LTE-A网络中就已大规模应用，随着网络密集化程度的提高，终端设备对自组织网络(self-organizing network, SON)的需求也在增长，文献[4]中提到了SON网络中D2D通信的4个关键技术：D2D设备发现与链路构建；系统间资源分配与干扰调节；D2D缓存网络；D2D-MIMO.在系统间资源分配与干扰条件方面，文献[21]介绍了将MIMO技术运用于D2D系统中，从而达到扩展空间维度的目的，使信息可以在多个独立的空间信道内传递不同的数据流，进一步增加网络的数据传输速率.
在数据流的传输过程中，混合式开发的终端设备为数据流中的JS脚本代码访问设备原生功能提供了便利，数据流在终端中一般以数字信号为主，通过终端设备内的高效能DSP芯片处理信息服务网络中的相关数据可以加速数据传输效率.文献[22]提出了一种改进的高能效FFT加速器，通过Cooley-Tukey FFT算法配合特定指令集提高FFT加速器计算效率，从而提升DSP芯片对数据流信息处理能效.文献[23]对DSP在数据帧的处理方式上进行了详细的分析和研究，对FFT加速器结构进行了重新设计，提出了一种基于基本块的转置算法.在DSP功能的确定上，文献[24-25]提出了一种基于终端浏览器框架下HTML
CSSJavaScript Web文本代码数据帧在DSP下的处理流程，实现了终端DSP芯片对网络浏览器HTML5超级文本数据帧的信息处理，通过同步突发式静态RAM(synchronous burst static random access memory, SBSRAM)，HTMLCSSJS脚本数据被缓存并提取，通过DSP进行相关数据筛选通过PCI模块将数据翻译并通过紧凑型PCI接口(compact peripheral component interconnect, CPCI)传递给浏览器的Cookies & Session缓存中，并在合适的时机传输给Cordova API接口.
混合式开发(HD)技术是一种基于移动终端Cordova和基于应用服务器端Node.js框架的跨平台开发部署技术，以JavaScript为桥梁构建基于终端与服务器端具有跨平台兼容能力的ISS.作为数字信号处理的核心，DSP在终端节点的信息处理性能决定了设备与设备间能否实现D2D设备的发现与建立有效而稳定的通信链路，文献[26]提出了一种基于WLAN的室内定位方法，终端设备进而也可以通过5G通信网络中的MIMO信号实现临近终端设备的发现，构建D2D网络，从而影响了信息服务网络架构和数据分发策略的性能，HD技术作为实现这一稳定链路的桥梁，是HDM网络与HDDS策略应用于现实环境的基础.
对基于物联网操作系统(IoT operating system, IoT OS)架构下的IoT ISS，其信息服务网络结构的研究至关重要，本节以HD技术和D2D-MIMO信息服务网络架构为基础，研究互联网中浏览器架构下超文本链接语言在网络构件中的具体方案.
D2D-MIMO网络在终端设备通信链路构建过程中作用明显但却各有着重：D2D支撑起移动蜂窝网络中的各种应用，其短距通信方式具有较高的通信速率、较低的时延和较高的频谱利用率；MIMO开发了空间维度，可以通过在多个独立的空间信道上传递不同的数据流，提高数据传输的峰值速率，图1为4G,5G网络中MIMO基站(base station, BS)的覆盖.
传统4G网络中，基站设备庞大，其覆盖范围广，终端距基站远近不同时RSS信号特征也不同；5G网络中，massive MIMO技术使基站可以很小，同一位置多个基站使RSS信号分布均匀的同时也使空间位置指纹的特征明显，通过WLAN室内定位方法可以利用MIMO RSS信号的特征进行终端设备的发现，构建直连网络为系统提高良好的SON链路.
Fig. 1 The signal coverage of MIMO-BS in 4G,5G
图1 4G & 5G网络中MIMO基站的信号覆盖范围
Fig. 2 The flow chart of hybrid development
图2 混合式开发流程
混合式开发是一种跨平台的开发技术，本文主要利用Apache Cordova和Node.js框架通过Crome V8引擎利用JavaScript实现基于移动终端(client)节点与应用服务器(server)节点的跨平台开发部署.
目前终端设备本身都有Native Platform API，本文研究的无线终端设备通过API可以访问设备原生功能，例如相机、电话、网络状态甚至WiFi、Bluetooth、5G Massive MIMO终端天线,DSP.iOS和Android是目前两大移动终端操作系统平台，嵌入了这2种操作系统的移动终端内部都会有Web控件，在Web控件中会内嵌相应的浏览器控件.开发人员可以利用HTML,CSS,JavaScript制作一个Web App，利用Cordova所提供的Cordova Plugins，通过JavaScript调用无线终端设备的原生功能.本文所需的设备原生功能为WiFi,Bluetooth,5G,DSP.图2为混合式开发流程图.
基于HD的终端节点和应用服务器可以实现设备通过浏览器框架调用终端设备原生功能，进而为下一步终端设备的D2D自组织网络的构建以及HYBRID-D2D-MIMO网络架构的设计提供基础.
在LTE网络时代，覆盖同样一片区域所需要的5G基站数量将远远超过4G基站数量.在一个空间环境中，会存在许多个WiFi接入节点(access point, AP)与MIMO小基站(MIMO-BS)，这些热点必然会发射出具有一定强度的无线电波信号，在移动终端WLAN环境下室内定位主要采用的是基于WiFi信号的接收信号强度(received signal strength, RSS)的空间位置指纹，通过相关算法在离线(offline)状态下训练、在线(online)状态下定位从而确定终端设备的位置信息，5G场景中MIMO-BS中的Massive MIMO天线具备与WiFi路由器(router) 4×48×8 MIMO天线同样作用.
我们首先描述终端设备直连D2D网络中2用户(CUa,CUb)握手过程.由于WiFi接入节点WiFi AP和5G中的MIMO-BS向外散射WiFi RSS & MIMO RSS信号，因此，Hybrid终端节点的WiFi、MIMO阵列天线接收到的数据组成的向量Xa=(rss0,rss1,…,rssn)和Xb=(rss0,rss1,…,rssn)也会存在相似属性.
Fig. 3 The device discovery and handshake of two terminals(CUa & CUb) in D2D network
图3 D2D网络中2终端(CUa& CUb)设备发现与握手
如图3所示.在混合式开发下，终端设备将可以直接利用Cordova提供的WiFi-Control模块的wifi_signal_strength方法获取终端原生设备天线所获取的RSS源信号，通过在VS IDE设计工程开发的Project.js对JS脚本文件进行编辑，进而可以确认WiFi RSS与MIMO RSS信号所组成的空间位置指纹向量Xa=(rss0,rss1,…,rssn),Xb=(rss0,rss1,…,rssn)存在相似特征.作为互联网中浏览器缓存结构，Cookies & Session可实现数据的实时存储与释放，对于混合式终端节点而言，使用Cookies & Session作为空间位置指纹的中继可以提高信息服务网络的效能，其也是HDM网络架构的优点之一.
HDM网络结构主要由5部分组成：1)互联网；2)混合式移动或物联网应用(hybrid mobile or IoT app)；3)基于Cordova的客户端平台(client platform)；4)DSP芯片(DSP chip)；5)基于Node.js的应用服务器(application server).根据给定的Cordova,Node.js API入口通过JavaScript构建Client-Server架构，进而使用混合式跨平台方法发现互联网中存在的现有应用资源(即融入互联网应用生态圈).
如图4所示为HDM网络架构整体框图，该网络架构有7个功能：
1) 利用HTML & CSS & JavaScript设计一个web-app应用[27]，将其嵌入终端设备CUi的Safari或者其他IE浏览器框架中实现对终端节点的一些基本操作；
2) 在web-app应用中利用EJS模板引擎(EJS template engine)生成的实时动态HTMLCSS欺骗代码(dynamic HTMLCSS cheating code, DHCCC)，将DHCCC嵌入Dynamic JS file中，web-app会将Static JS file与Dynamic JS file打包嵌入web-app的JavaScript脚本中；
3) 混合式终端节点WiFiBluetooth模块接收WiFi热点的WiFi RSS信号；
Fig. 4 The network architecture of HYBRID-D2D-MIMO (HDM)
图4 HYBRID-D2D-MIMO (HDM)网络架构
4) 混合式终端节点Massive MIMO(5G)模块接收Massive MIMO小基站的MIMO RSS信号；
5) 混合式终端节点DSP模块接收由Safari 或者其他IE浏览器框架处理好的HDJSD数据进行高速数据处理(high data processing, HDP)后通过WiFi5G模块传输给应用服务器；
6) WiFi模块通过WiFi热点链接互联网，通过互联网云中的HTML,CSS,JavaScript网状文本数据在服务器中进行实时处理；
7) 在服务器中QueryString模块实时切割接收的数据包，分析数据包中给定的CUi和CUi+1这2个临近终端匹配度d(CUi,CUi+1)是否小于θ.如果成立，则服务器判定CUi和CUi+1为临近终端，可进行HDM组网服务；否则，不允许.
HDM网络架构为混合式数据分发策略的研究提供了前提和保障，结合Cordova,Node.js框架的各种模块化设计，可以实现一系列兼容互联网生态圈的操作，其可以配合类似鸿蒙物联网操作系统(Harmong OS, HM OS)作为实现物联网信息服务架构设计的一种形式.
本节详细介绍了在HDM网络架构下基于终端内置DSP芯片设计的混合式数据分发策略(hybrid data distributing strategy, HDDS).进而使用Cordova & Node.js各模块和Hybrid-KpcaIwknn-Cooley-Tukey FFT算法(HKICT)&基于混合式基本块的矩阵转置(matrix transpose based on hybrid basic blocks, MTHBB)算法配合终端内置DSP实现混合式终端节点的高效数据传输.
为适应基于互联网生态圈的浏览器架构HTMLCSSJavaScript网状文本显示和HDM网络应用服务器实现数据的快速处理，如图5为HDJSD数据帧格式修改与QueryString模块操作.
Fig. 5 TCP/HDJSD datagram & QueryString module
图5 TCP/HDJSD数据帧与QueryString模块
图5(a)为TCP数据帧格式，在互联网应用服务中，互联网根据TCPIP协议，会将数据划分为以TCP数据帧样式作为最小处理单元进行相关操作.
混合式动态JavaScript数据帧(hybrid dynamic JavaScript datagram, HDJSD)格式如图5(b)所示，根据已有的TCP数据帧样式，在TCP数据帧的body的前部切割一处新的head作为放置识别混合式应用终端类型标头(ID_Header)；促发Cordova API工作标头(EN_Header)；动态HTMLCSS样式欺骗JS脚本文件(Dhcsc.js)，如图5(c).根据Node.js中Express框架内的QueryString模块，对HDJSD数据帧进行处理，如图5(d)所示，通过QueryString Parameter类对数据帧各个部位进行标记命名，为接下来信息服务网络中的HDDS策略和HKICT & MTHBB算法的部署设置前提及保障.
数字信号处理器[28](DSP)是移动终端中一种专门负责处理数字信号运算的微处理器，其可以快速地实现各种数字信号处理算法.在本节的HDDS策略的研究中，通过Codrova提供的DSP模块对设备原生DSP功能进行操作，在3.1节对HDJSD数据帧样式的介绍中，HDJSD数据帧主要通过HTML & CSS & JS的样式在终端与应用服务器设备浏览器框架内进行传输，如图6所示为DSP高速数据处理流程图.
Fig. 6 The flow diagram of high-spreed data processing
图6 DSP高速数据处理流程
5G通信网络中的MIMO-BS小基站会将MIMO RSS信号(rss0,rss1,…,rssn)MIMO传输给混合式终端节点上的大规模MIMO阵列天线也会接收周围环境中WiFi热点构建的(rss0,rss1,…,rssn)WiFi，处于相同物理位置的混合式终端空间环境中多个WiFi热点和5G MIMO-BS小基站会形成相似的2组空间位置指纹信息，混合式终端通过其存储的Static JS file中启动Cordova DSP模块的类、方法以及相应的函数获取终端DSP芯片的实时参数并对包装成HTML & CSS & JS的空间位置指纹进行处理以获取相似核函数从而判断混合式终端处于相似物理位置并通过自组织网络技术[29](self-organizing network, SON)学习外部环境的空间位置指纹的变化，通过自主决策适应相关变化并实现终端设备发现以及握手，提高HDM网络的底层通信链路的效能.
在HDDS策略中，算法是决定DSP数据处理效能的关键，本节在CT FTT和基于块的矩阵转置(MTboBB)算法[22]的基础上，设计并实现一种兼容HDM网络架构的高效新型算法.
如图7所示为传统CT FFT算法对数据帧的处理流程以及在HDDS策略下本文设计的HKICT FFT新型算法数据对HDJSD数据帧的访问顺序，HDM网络架构及HDDS策略是实现临近物理位置下的混合式终端节点SON网络的构建关键，其中D2D链路的构建是基于DSP HDDS的重点环节.
Fig. 7 The process for CT FFT & HKICT FFT algorithms to access HDDS
图7 CT FFT & HKICT FFT算法对于混合式数据分发策略(HDDS)的访问流程
作为浏览器框架操作的核心，利用JavaScript开发Project_Main.js工程脚本，操控Cordova & Node.js开发框架实现对Cordova API,MySQL,QueryString模块与HTMLCSSJS数据帧的调用.通过互联网中的云与Project_Main.js工程实现HDJSD逐条数据帧的筛查，Node.js的QueryString模块对事先预设的HDJSD数据帧切割点LQ0到LQ5进行切割分段，将分割完成的head & body分段在Cookies缓存进行存储，并通过SQ0与SQ1切割点Hi3的HDJSD header进行2次切割，将2次切割分段的ID_H,EN_H,Dhcsc.js第2级标头存储于低速缓存区，并通过高速数据网络(high_speed data network, HSDN)与共享存储器缓存(shared memory cache, SMC)分片区缓存于DDR3 DIMM的DBA到DBE的缓存区内，通过CT FFT & HKICT FFT算法实现变换并利用KPCA算法的降维功能实现位置指纹的线性转换.
FFT是DSP芯片中的核心算法，CT FFT可以实现大规模的FFT计算，非常适合于本文混合式开发下的HDM网络架构对于终端DSP芯片的操作.对于以HTML & CSS & JS样式缓存的混合式终端WiFi & MIMO RSS值(rss0,rss1,…,rssn)WiFi,(rss0,rss1,…,rssn)MIMO所组成的位置指纹空间，可以采用CT FFT算法实现FFT过程，由HDJSD数据帧样式可以看出其R&C=N×5，算法列方向的计算会进行5次N点FFT运算，N为WiFi或MIMO RSS的空间位置指纹.
位置指纹的定义为：
m=5k1+k2，
(1)
其中，k1,k2表示行、列的迭代系数.
在FFT计算中，对于CT FFT算法的转置中存在旋转补偿，lrow和lcol分别代表行、列方向上的旋转补偿因子.
(2)
(3)
对于WiFi & MIMO RSS信号空间位置指纹数据集列方向上的FFT计算，会进行5次Nc点FFT运算，根据式(4)可以实现5Nc的矩阵迭代，从而为DSP芯片的高效数据处理[30](high data processing, HDP)提供可能.
(4)
本节采用CT FFT算法来实现大规模FFT计算，该算法通过对小规模2维排列的Nc行HDJSD数据帧进行数据集转换实现.
lrow.
(5)
在DSP处理空间位置指纹信息的过程中，其主要是通过特征提取与降维的方法实现采集WiFi & MIMO RSS信号并计算出相似特征，本节在李华亮等人[31]提出的基于核函数特征提取的室内定位(KPCA-IWKNN)算法的基础上，对CT FFT处理后的空间位置指纹核信息进行计算.基于核函数特征分析(kernel principal component analysis, KPCA) Core的计算公式为：
(6)
其中ε为Gauss Core的宽度；P,Q为WiFi和MIMO RSS信号的原始空间.
基于F输入空间下提取的核矩阵K(p,q)需要提取输入空间F的特征值位置指纹空间，根据式(7)可计算出特征位置指纹空间F′：
F′=Kcα,
(7)
其中Kc为修正的核矩阵，其可作为RSS信号特征量.F表示离线状态下输入空间的特征向量.
根据式(8)，可以对在线状态下的WiFi & MIMO空间位置指纹进行处理.
(8)
其中αt表示输入空间的特征向量集合.
基于改进的加权k近邻算法(improved weight k-nearest neighbor, IWKNN)采集CT FFT计算的F′,S′间的相似程度
和rssij分别代表在线特征位置指纹空间和RSS源信号2个聚类.根据式(9)，若被服务混合式终端节点RSS源信号的多数对象聚类中心特征相似，且经过多次KPCA算法迭代仍可维持，则可进行底层链路的握手操作.
(9)
CT FFT算法本身并不具备终端设备混合组网实现5G网络D2D设备发现的功能，其识别移动或物联网混合式终端节点的能力也较差，本节在KPCA-IWKNN & CT FFT算法的基础上，通过混合式开发框架的Cordova & Node.js模块结合HDJSD数据帧结构样式，提出了一种Hybrid & KPCA-IWKNN & Cooley Tukey FFT (HKICT FFT)算法.
算法1. HKICT FFT算法.
输入：HDJSD_data,(rss0,rss1,…,rssn)WiFi,(rss0,rss1,…,rssn)MIMO；
输出：被服务终端CUi,CUi+1位置指纹空间相似度d(CUi,CUi+1).
① 初始化系统节点,RWiFi←null,RMIMO←null；
② RWiFi←(rss0,rss1,…,rssn)WiFi
RMIMO←(rss0,rss1,…,rssn)MIMO；
③ while listened “deviceready” *设备监听服务指令*
④ if 数据帧是WiFi RSS
⑤
⑥ else *当数据帧为MIMO RSS信号时*
⑦
⑧ end if
⑨ 根据式(6)计算输入空间F的核矩阵K；
⑩ 修正K,得到修正后的核矩阵Kc；
根据式(3)计算出lcol；
对RWiFi或RMIMO迭代并且基于式(4)进行5次N点的列方向FFT运算；
根据式(2)计算出lrow；
根据式(5)对RWiFi或RMIMO行方向进行N次5点FFT运算；
if device is offline *当混合式终端处于离线训练状态*
根据式(7)求出原始特征位置指纹空间F′并以核矩阵K为参考点对在线状态下的RSS信号矩阵进行修正；
else *当混合式终端处于在线定位状态*
根据式(8)求出在线特征位置指纹空间S′；
end if
while监听到设备呼叫Express框架
调用Express框架对特征位置指纹空间F′进行封装，并跳转至算法2，对F′进行基本块和块处理;
根据式(9)计算出
end while
while d≤θ *当相似程度小于阈值θ时，算法判断为相似*
output d;
end while
end while
Fig. 8 The MT of basic block based on position fingerprint space
图8 基于位置指纹空间的基本块矩阵转置
HKICT FFT算法实现了多种并行策略下小规模FFT与大规模HKICT FFT算法指令和任务集的并行运算，在KPCA-IWKNN算法的配合下对离线状态的输入空间的位置指纹数据集进行训练，在线状态下实现对数据库中的数据指纹特征向量的匹配，从而确定被服务终端是否采集到相似的位置空间指纹.
在混合式终端节点请求D2D设备发现服务中，HKICT FFT算法通过改进的FFT加速器结构[22]提高了FFT的计算效率，实现在混合式终端利用Cordova API调用设备底层功能过程中相关运行处理效率的提升.
在HDM网络架构的HDDS策略服务中，终端DSP芯片对数据处理过程主要分为基本块(Bbb)和块(Bb)两部分，系统以矩阵转置的方法实现DSP芯片在同等内核计算资源状况下的高效率运行.
图8为DSP对基本块数据的处理.HDM网络架构终端发现中KPCA-IWKNN算法采集的WiFi,MIMO RSS信号空间位置指纹主要存于HDJSD数据帧的header部，在FFT-PE结构下通过多维变换及核特征提取的方式实现了DSP在同等资源利用的情况下提高了终端间握手效率，保证链路通畅.
图9为DSP对块数据的处理.根据HDJSD数据帧结构，将互联网应用架构中TCPIP数据帧以HTML & CSS & JS网状文本格式上传至终端浏览器框架Cookies缓存中，Session缓存调用Static JS file操作DSP芯片对大规模基本块组成的块进行转置处理，通过MTHBB算法实现数据集的有效传输并直接与HDM网络中请求服务的混合式终端节点相关联并加入到动态JS文本(dynastic JS file)中.
Fig. 9 The MT of block based on HDJSD datagram
图9 基于HDJSD数据结构的块矩阵转置
作为HDM网络的核心，混合式终端能否高效地进行数据转换处理是实现HDM网络数据快速传输的关键，而DSP作为终端数字信号处理的核心部件，其FFT加速器结构的设计和处理策略的研究也至关重要，本文以文献[22]设计的新型FFT加速器为基础，通过HDDS策略在MBDM存储器内运行基于混合式基本块的转置算法(matrix transpose based on hybrid basic blocks, MTHBB)，该算法流程如下.
算法2. MTHBB算法.
输入：MWiFi，MMIMO；
输出：dhmt.js & dhiott.js.
① 初始化系统节点,i←0,Bbb←null；
② if 混合式终端是WiFi RSS
③ Bbb←MWiFi；
④ else
⑤ Bbb←MMIMO；
⑥ end if
⑦ while i≤p
⑧ connection.query (“select from num_bank”,(Bbb[i,0])；
⑨ i++, PE_RAM←connection.query
(“insert into FFT-PE”,post,(Bbb[i,0])；
⑩ while j≤q
PE_RAM←connection.query (“delete from login where id=addr_bank”,(Bbb[i,j])；
PE_RAM←connection.query (“insert into login where id=addr_bank”,post,(Bbb[i,j]),j++；
jump to ⑩;
end while
jump to ⑦;
end while
调用Express框架的QureyString模块,block←PE_RAM；
while I≤4
J=0,connection.query (“select from
PE_RAM ”,(Bb[I,J])；
HDJSD(I,J)←connection.query (“insert
into HDJSD datagram”,post,(Bb[I,J])；
while J≤N-1
J++,HDJSD(I,J)←connection.query
(“select from PE-RAM”,(Bb[I,J]),I++；
jump to ；
end while
调用QureyString模块对HDJSD(I,J)的Header & Body部进行分割,HDJSD_head←QueryString.cutting(LQ3,LQ4),HDJSD_body←QueryString.cutting(LQ4,LQ5)；
end while
if head is hybrid mobile teminal
dhmt.js←HDJSD datagram；
else
dhiott.js←HDJSD datagram；
end if
Fig. 10 Hybrid data distributing strategy
图10 混合式数据分发策略(HDDS)
根据HKICT FFT & MTHBB算法的相关内容，混合式终端节点通过DSP的HDP对用户(users)与传感器(sensors)的数据请求进行分层处理实现了终端的信息服务效率的提升.
图10为基于HKICT FFT & MTHBB算法下的混合式数据分发策略(HDDS)图.通过对文献[22] DSP芯片高效FFT加速器结构和相关算法的研究，提出了HKICT FFT & MTHBB算法，结合HDDS策略在HDM网络架构实现了终端节点数据传输效率的提升，在混合式开发框架Cordova & Node.js的基础上实现了物联网终端节点与移动终端的兼容，为未来物联网应用的扩展与构建新型物联网信息服务系统架构融入互联网生态提供了良好的实验研究成果.
为了验证本文所提出的HYBRID-D2D-MIMO(HDM)网络架构与混合式数据分发策略(HDDS)的可行性与有效性，本节将设计实验仿真场景对该网络架构及相关数据分发策略进行实验检测.本文将以Matlab 2016 b为仿真平台通过Simulink环境[32]设计部署HDM网络架构并对HDDS策略进行测试，实验场景中的实物主要模块及相关参数如表1所示：
Table 1 The Related Simulation Parameters of Major Device in the Experimental Scene
表1 实验场景中主要设备的相关参数
Main ModulesPlatformsFunctionsHuawei Mate10Android OS(Linux)Mobile TerminalRaspberry PiWindows 10IoT TerminalE103-IPXRaspberry PiWiFi Access PointWiFi RouterRouter OS(Linux)WiFi RSSAcer-T5000 PCNode.js(Linux)ServerSMA-ECPN01 BSEnea OS(Linux)MIMO RSSWF-4G003-SMANRF24∕01+PA+LNAMIMO AntennaLenovo-340C PCWindows 10Database
表1中，Huawei Mate10和Raspberry Pi[33]作为本文的混合式终端节点；WiFi Router和SMA-ECPN01 BS表示用以实现WiFi和MIMO RSS信号的位置指纹空间；Acer-T5000 PC & Lenovo-340C PC作为服务端是实现HDM网络应用服务和HDDS策略的关键.
图11为接入HDM网络用户数量以及HDDS服务过程对信息服务效率的影响.
Fig. 11 Number of users & the sample rate varies on the efficiency of information service
图11 用户数量&采样速率变化对信息服务效率的影响
从图11(a)中可以看出：随着接入4GLTE-A网络[34]与接入HDM & HDDS中的原生应用与混合式应用用户数量的增多，其信息服务效率基本一致，这说明本文研究设计的HDM & HDDS的基本指标接近传统4GLTE-A网络.
图11(b)所示为终端内置DSP芯片在3种状态下的相关表现：1)无策略方案(none)；2)基于传统cooley-tukey FFT+MTboBB算法[22]；3)基于HKICT FFT & MTHBB算法下，采样速率对HDM网络信息服务效率的影响，该实验结果说明HKICT FFT & MTHBB算法可以实现终端DSP芯片的HDP，为HDM中D2D直连链路的畅通以及HDDS策略的高效数据处理提供了基础.
Fig. 12 Experimental comparison of HDM+HDDS performance and data transfer rate & number of sampling frames
图12 HDM+HDDS系统效能与数据传输速率&采样帧数量实验结果对比
在已有的HDM网络架构中，随着数据传输速率(data transfer rate, DTR)的变化，HDM+HDDS在服务不同数量的WiFi Router & MIMO-BS时，其信噪比(signal to noise rate, SNR)、网络容量(network capacity, NC)、功耗(power)变化也不同，图12(a)～(f)为HDM+HDDS的数据传输速率对SNR,NC,Power的影响情况，图12中的4条曲线分别代表WiFi AP & MIMO-BS的数量：1,5,10,20，图12(a)(d)显示WiFi与MIMO热点的数量决定了HDM网络SNR的高低，而传输速率的变化对其基本没有影响，这说明了在HDM网络架构与HDDS策略中，混合式终端节点的通信链路的稳定需要具备一定数量的WiFi Router & MIMO-BS，以便HDDS可以获取信息去构建稳定的HDM通信网络链路.
图12(b)(e)反映了WiFi Router和MIMO-BS热点依旧对NC值存在影响，随着信息传输速率的提升，NC略有降低，但之后随着HDM网络数据量的增多，系统会通过HDDS策略利用HDM+HDDS服务器调节系统平衡，使HDM网络处于稳定状态.
图12(c)(f)进一步反映了热点数量对于HDM网络以及HDDS策略的影响，无论是WiFi Router还是MIMO-BS，随着热点数量的增加，HDM+HDDS系统功耗也会随之增加，同时数据传输速率(DTR)的增长也会影响系统功耗.
从HDM+HDDS的纵向观察本文设计的网络架构以及服务策略，如图12(g)～(i)所示，在与4GLTE & LTE-A网络的比较中可以发现随着HDM+HDDS中平均每帧需要搜索点的数量的增加，每帧需要搜索的点数会离散分布在一定的数值区域内，同时当接入服务的移动蜂窝用户数量达到一定规模时，搜索点的离散程度基本不变，这一系列实验证明HDDS策略在HDM网络架构的构建中起到稳定网络结构体系、保证通信链路通畅的作用.
HDM+HDDS是物联网信息服务系统(IoT ISS)实现高效信息服务的关键，图13显示了IoT ISS在HDM网络架构与HDDS策略下系统传输速率对CDF值的影响.从图13可以明显地看出在本文HDM+HDDS服务下，IoT ISS的起始与中止状态下系统工作速率均高于LTE-A网络架构中的mobile cellular和D2D-MIMO网络，取任意CDF值[35]点，HDM+HDDS服务下系统效能高于传统蜂窝网络，这进一步证明HYBRID-D2D-MIMO网路架构与混合式数据分发策略具备可行性、有效性.
Fig. 13 The impact of system rate on CDF
图13 系统传输速率对CDF的影响
本文提出了一种HYBRID-D2D-MIMO信息服务网络架构与混合式数据分发策略(HDM+HDDS)：在D2D-MIMO网络架构的基础上，利用混合式跨平台开发框架Cordova,Node.js实现JavaScript构建基于C-S架构下的前后端兼容的新型IoT ISS网络架构HDM；提出了一种HDDS策略，通过对MIMO技术下RSS信号的位置指纹空间特性的研究，利用混合式终端节点的Cordova API实现WiFi & MIMO RSS信号的获取并通过设置浏览器框架的Native API实现SON网络架构下D2D终端底层链路构建，配合设备在新型结构设计下DSP的HDP模块，利用HKICT FFT & MTHBB算法实现在HDDS策略下HDM网络的高效数据运算.
HDM+HDDS可作为一种可行的IoT ISS架构的实现方案，未来基于类似HM OS物联网操作系统，可充分调用现有互联网应用资源，为未来物联网应用的大规模部署以及万物互联提供一种可行的模式.
[1] Ma Huadong. Internet of things: Objectives and scientific challenges[J]. Journal of Computer Science and Technology, 2011, 26(6): 919-924
[2] Li Minbo, Zhu Zhu, Chen Guangyu. Information service system of agriculture IoT[J]. Automatika, 2013, 54(4): 415-426
[3] Todescato M, Carron A, Carli R, et al. Multi-robots Gaussian estimation and coverage control: From client-server to peer-to-peer architectures[J]. Automatica, 2017, 80(2): 284-294
[4] Qian Zhihong, Wang Xue. Reviews of D2D technology for 5G communication networks[J]. Journal on Communications, 2016, 37(7): 1-14 (in Chinese)
(钱志鸿, 王雪. 面向5G通信网的D2D技术综述[J]. 通信学报, 2016, 37(7): 1-14
[5] Doppler K, Rinne M, Wijting C, et al. Device-to-Device communication as an underlay to LTE-Advanced networks[J]. IEEE Communications Magazine, 2010, 47(12): 42-49
[6] Yang Xi, Lu Wenjun, Wang Ning, et al. Design and implementation of a TDD-based 128-antenna massive MIMO prototype system[J]. China Communications, 2017, 14(12): 162-187
[7] Gao Hongyuan, Su Yumeng, Zhang Shibo, et al. Antenna selection and power allocation design for 5G massive MIMO uplink networks[J]. China Communications, 2019, 16(4): 1-15
[8] Mao Mingzhi, Giddings R P, Cao Baoyu, et al. DSP-enabled reconfigurable and transparent spectral converters for converging optical and mobile front-haul/back-haul networks[J]. Optics Express, 2017, 25(12): 13-36
[9] Wu Zhijin, Naik S M. DSP applications in engine control and on board diagnostics: Enabling greener automobiles[J]. IEEE Signal Processing Magazine, 2017, 34(2): 70-81
[10] Noskov M V, Tutatchikov V S. Modification of a two-dimensional fast Fourier transform algorithm with an analog of the Cooley-Tukey algorithm for image processing[J]. Pattern Recognition and Image Analysis, 2017, 27(1): 110-113
[11] Avinash L, Enz C C, Palem K V, et al. Highly energy-efficient and quality-tunable inexact FFT accelerators[C] //Proc of IEEE CICC’14. Piscataway, NJ: IEEE, 2014: 56-71
[12] Kuhrmann M, Diebold P, Munch J, et al. Hybrid software development approaches in practice: A European perspective[J]. IEEE Software, 2018, 26(4): 1-7
[13] Xiao Min. Development of Apache Cordova based cross-platform smart home terminal application[D]. Guangzhou: South China University of Technology, 2015 (in Chinese)
(肖敏. 基于Apache Cordova的跨平台智能家居终端应用研发[D]. 广州: 华南理工大学, 2015)
[14] Xia Dongxiang. Optimized Cordova based hybrid application platform development[D]. Dalian: Dalian University of Technology, 2015 (in Chinese)
(夏东翔. 基于优化的Cordova的混合型应用平台开发[D]. 大连: 大连理工大学, 2015)
[15] Tilkov S, Vinoski S. Node.js: Using JavaScript to build high-performance network programs[J]. IEEE Internet Computing, 2010, 14(6): 80-83
[16] Maatouki A, Meyer J, Szuba M, et al. A horizontally-scalable multiprocessing platform based on Node.js[C] //Proc of IEEE ISPA’15. Piscataway, NJ: IEEE, 2015: 250-255
[17] Mohamed S, Abeer A J. Reducing attack surface on Cordova-based hybrid mobile apps[J]. Splash, 2014, 20(10): 1-8
[18] Bosnic S, Istvan P, Novak S. The development of hybrid mobile applications with Apache Cordova[C] //Proc of IEEE TELFOR’17. Piscataway, NJ: IEEE, 2017: 873-879
[19] Wu Haoqi. Design and implementation of driving and peering interactive platform based on hybrid development model[D]. Dalian: Dalian University of Technology, 2016 (in Chinese)
(吴昊奇. 基于Hybrid开发模式的驾培互动平台设计与实现[D]. 大连: 大连理工大学, 2016)
[20] Carter B. HTML architecture, a novel development system (HANDS): An approach for Web development[C] //Proc of IEEE GOCICT’14. Piscataway, NJ: IEEE, 2014: 90-95
[21] Yin Yun, Wang Ying, Lin Wenxuan. A downlink precoding-based interference mitigation scheme in device-to-device communications[J]. Journal of Electronic & Information Technology, 2014, 36(10): 2314-2319 (in Chinese)
(尹允, 王莹, 林文轩. D2D-MIMO系统中基于下行预编码的干扰抑制策略[J]. 电子与信息学报, 2014, 36(10): 2314-2319)
[22] Lei Yuanwu, Chen Xiaowen, Peng Yuanxi. A high energy efficiency FFT accelerator on DSP chip[J]. Journal of Computer Research and Development, 2016, 53(7): 1438-1446 (in Chinese)
(雷元武, 陈小文, 彭元喜. DSP芯片中的高能效FFT加速器[J]. 计算机研究与发展, 2016, 53(7): 1438-1446)
[23] Wang Xiong, Xiong Wenlin, Zhang Zhimin, et al. An online emission spectral tomography system with digital signal processor[J]. Optics Express, 2009, 17(7): 79-84
[24] Leis J. Animating algorithms as a DSP teaching tool[J]. International Journal of Electrical Engineering Education, 2012, 49(3): 321-333
[25] Ma Ji, Qiao Shuang, Li Dan. Design of embedded DSP measurement and control system based on Web[J]. Journal of Northeast Normal University: Natural Science Edition, 2007, 12(1): 41-45 (in Chinese)
(马骥, 乔双, 李丹. 基于Web的嵌入式DSP测控系统设计[J]. 东北师范大学学报: 自然科学版, 2007, 12(1): 41-45)
[26] Zhang Yong, Li Feiteng, Wang Yujie. Indoor positioning algorithm for WLAN based on KDDA and SFLA-LSSVR[J]. Journal of Computer Research and Development, 2017, 54(5): 979-985 (in Chinese)
(张勇, 李飞腾, 王昱洁. 基于KDDA和SFLA-LSSVR算法的WLAN室内定位算法[J]. 计算机研究与发展, 2017, 54(5): 979-985)
[27] Srinivasan S M, Sangwan R S. Web app security: A comparison and categorization of testing frameworks[J]. IEEE Software, 2017, 34(1): 99-102
[28] Dhiman K, Arya S C. A full-duplex optical fiber/wireless coherent communication system with digital signal processing at the receiver[J]. Optik, 2018, 171(5): 190-199
[29] Li Jiandong, Teng Wei, Sheng Min. Self-organizing techniques in ultra-dense wireless network[J]. Journal on Communications, 2016, 37(7): 30-37 (in Chinese)
(李建东, 腾伟, 盛敏. 超高密度无线网络的自组织技术[J]. 通信学报, 2016, 37(7): 30-37
[30] Zhang Kai, Chen Shuming, Wang Yaohua. Design tradeoffs of high permformance DSPs for general-purpose HPC[J]. Chinese Journal of Computers, 2013, 36(4): 790-798 (in Chinese)
(张凯, 陈书明, 王耀华. 面向通用HPC的高性能DSP设计权衡[J]. 计算机学报, 2013, 36(4): 790-798)
[31] Li Hualiang, Qian Zhihong, Tian Hongliang. Research on indoor localization algorithm based on kernel principal component analysis[J]. Journal on Communications, 2017, 38(1): 158-167 (in Chinese)
(李华亮, 钱志鸿, 田洪亮. 基于核函数特征提取的室内定位算法研究[J]. 通信学报, 2017, 38(1): 158-167)
[32] Liu Hao, Han Jing. Software Engineering: A Practitioner’s Approach[M]. Beijing: Publishing House of Electronics Industry, 2019 (in Chinese)
(刘浩, 韩晶. MATLAB R2018a完全自学一本通[M]. 北京: 电子工业出版社, 2019)
[33] Ferdoush S, Li Xin. Wireless sensor network system design using raspberry Pi and arduino for environmental monitoring applications[J]. Procedia Computer Science, 2014, 34(2): 103-110
[34] Parne B L, Gupta S, Chaudhari N S. PSE-AKA: Performance and security enhanced authentication key agreement protocol for IoT enabled LTE/LTE-A networks[J]. Peer-to-Peer Networking and Applications, 2019, 12(2): 1156-1177
[35] Jebely F M, Zare K, Deiri E. Efficient estimation of the PDF and the CDF of the inverse Rayleigh distribution[J]. Annals of Data Science, 2017, 4(12): 1-15
Zhou Yuxuan, born in 1993. Master. His main research interests include information processing and Internet of things.
Yang Xu, born in 1980. PhD, associate professor, master supervisor. Her main research interests include signal processing, machine learning, and high speed optical communication.
Qin Chuanyi, born in 1993. MSc candidate. His main research interests include digital signal processing and video coding.
Yang Zhiwei, born in 1992. PhD candidate. His main research interests include machine learning and artificial intelligence.
Zhu Yifeng, born in 1979. PhD, associate professor, master supervisor. His main research interests include optical communication and Internet of things.
Duan Jin, born in 1977. PhD, professor, PhD supervisor. His main research interests include image processing, information processing, and pattern recognition.