Aufbau von Zeit, Netzwerkgeschwindigkeit und Routing: Wie wir unser Mesh-Netzwerk verbessert haben und ein bisschen über neuronale Netzwerke

Auf dieser Ressource schreiben sie regelmäßig über Mesh-Netzwerke. Wir möchten erläutern, wie wir sie in unserem Projekt verwenden, um ein adaptives Raumautomatisierungssystem zu erstellen. Die Technologie selbstorganisierender Netzwerke ermöglicht es uns, das System nicht nur schnell bereitzustellen, sondern auch hohe Indikatoren für seine Fehlertoleranz und Geschwindigkeit zu erzielen. Wir haben unsere Lösung erfolgreich an einem realen Standort mit einer Netzwerkkapazität von 120 Geräten getestet.

Warum brauchen wir ein Mesh-Netzwerk?

Seit dem Aufkommen des Konzepts „Smart Home“ gilt die Headunit als „Herz“ und „Gehirn“. Aber nach und nach hören die Hubs auf, notwendig zu sein und verschwinden bald vollständig in der Vergangenheit. Auch große Player wie Google und Amazon bestätigen diesen Trend. Google bietet seit mehreren Jahren Mobilfunk-Router an, und Amazon hat kürzlich Eero gekauft, um seine Position auf dem Smart-Home-Markt zu stärken.

In unseren Produkten verwenden wir Mesh-Netzwerke, da sie mehrere Probleme gleichzeitig lösen. Zum einen gewährleisten sie den reibungslosen Betrieb des Systems. Wenn der Hub abstürzt oder seine Verbindung zum Internet verliert, wird das System normalerweise heruntergefahren, die Geräte reagieren nicht mehr und führen ihre Grundfunktionen aus. Mesh-Netzwerke vermeiden dies. Selbst wenn ein Gerät ausfällt, arbeitet der Rest im selben Modus weiter. Der Benutzer erhält nur eine Benachrichtigung über die Störung.

Zweitens helfen Mesh-Netzwerke dabei, den Verkehr weiterzuleiten. In unserem System können alle Geräte das Signal weiterleiten, sodass der Netzabdeckungsbereich nahezu unbegrenzt wird. Im Falle einer Änderung der Netzwerkkonfiguration ermittelt das System unabhängig die optimale Route.

In einem Netzwerk, das auf Basis unserer Lösung erstellt wurde, kann eine nahezu unbegrenzte Anzahl von Geräten in beträchtlichem Abstand voneinander arbeiten. Durch die Berechnungsmethode erhalten, beträgt diese Zahl 10 bis 10 Grad, was angesichts der begrenzten Menge an RAM in den Geräten derzeit nicht möglich ist.

Was ist ein "Smart Home" (unserer Meinung nach)

Die meisten Lösungen auf dem heutigen Markt sind lediglich eine Reihe von Sensoren und Aktoren, deren Funktionen begrenzt sind. In der Regel handelt es sich hierbei um eine Fernbedienung in Form einer mobilen Anwendung, eines separaten Tablets oder eines intelligenten Lautsprechers, mit der Sie die Temperatur einstellen, Haushaltsgeräte ein- und ausschalten, die Beleuchtung anpassen und primitive Batterielebensdauer-Szenarien einrichten können. Lassen Sie uns zugeben, dass das „Kluge“ nicht genug ist, dies ist nur ein weiteres Spielzeug.

Daher haben wir uns zum Ziel gesetzt, ein adaptives Hausautomationssystem auf Basis eines Mesh-Netzwerks zu schaffen. Während Sie es verwenden, analysiert unser System Benutzergewohnheiten und -verhalten. Aus diesem Grund beginnt sie im Laufe der Zeit, alle Szenarien und Einstellungen für einen bestimmten Benutzer anzupassen, neue Szenarien anzubieten und diese nach Zustimmung des Eigentümers selbst zu konfigurieren.

Die Systemarchitektur ist so konzipiert, dass kein Headbox erforderlich ist. Ein separat genommenes Gerät kann von selbst arbeiten und alle darin eingebetteten Funktionen nutzen.

Ein weiteres Merkmal unserer Lösung: Bevor eine Entscheidung getroffen wird, sammelt das System Daten aus mehreren Quellen gleichzeitig (z. B. von einer Kamera, einem Luftqualitätssensor, einem Anwesenheitssensor usw.). Dies ist möglich geworden, weil alle Geräte des Systems autark sind und Informationen direkt untereinander austauschen können. Dadurch konnten wir die Wahrscheinlichkeit einer fehlerhaften Umsetzung von Maßnahmen im Rahmen eines bestimmten Szenarios erheblich verringern.

Alle Informationen werden im System (und nicht vom Server oder vom zentralen Hub) verteilt verarbeitet. Was meinst du Wenn eines der Geräte mit autonomer Stromversorgung komplexe und energieintensive Berechnungen durchführen muss, leitet das System diese Aufgabe an das nächstgelegene Gerät mit konstanter Netzstromversorgung weiter. Dieser Ansatz bietet eine akzeptable Akkulaufzeit für Geräte mit eigener Stromversorgung und beschleunigt den Entscheidungsprozess.

Ich möchte auch auf die Einfachheit des Verbindungsvorgangs hinweisen. Dazu müssen Sie nichts konfigurieren, QR-Codes scannen und vieles mehr. Es reicht aus, das Telefon mit der Anwendung an das Gerät anzuschließen - und das war's: Es ist bereits im Netzwerk, hat die Grundeinstellungen erhalten und kann loslegen!

Hauptmerkmale unseres Mesh-Netzwerks

Zunächst wollten wir die kostengünstige Espressif ESP-MESH-Lösung verwenden. Aber nachdem wir es analysiert hatten, stellten wir fest, dass es nicht ganz zu uns passt. Deshalb musste ich meine eigenen erfinden. Unsere Hauptvorteile sind Bauzeit, automatischer Kanalwechsel beim Laden, Netzwerkgeschwindigkeit und Routing.

Selbstheilung ist die automatische Erkennung und Beseitigung von Netzwerkfehlern. Wenn plötzlich ein Gerät ausfällt und das Signal verloren geht, wird das Netzwerk der verbleibenden Geräte von selbst neu aufgebaut. Die Netzwerkbaugruppe dauert ab dem Moment des Einschaltens bis zu 15 Sekunden, und die Wiederherstellung dauert nicht länger als 6 Sekunden. Die Unterstützung zwischen Knoten für die Umleitung beträgt weniger als 10 Millisekunden. Und dies sind reelle Zahlen, die beim Testen in einer unserer großen Einrichtungen erhalten wurden. Im Allgemeinen ist dies ein durchschnittlicher Indikator für militärische Einrichtungen und in unserem Segment übermäßig. Wir können sagen, wir haben ein riesiges Angebot!

Ein weiterer wichtiger Parameter ist das Routing, wie das Signal von einem Gerät zum anderen übertragen wird. Normalerweise arbeiten alle Elemente ähnlicher Lösungen mit den gleichen Frequenzen wie Wi-Fi - 2,4 Hz. Protokolle verwenden Algorithmen, die auf dem Zustand der Luftkanäle basieren. Mit unserer Lösung können Sie den Kanal wechseln, ohne die Netzwerkleistung zu beeinträchtigen. In der Einrichtung arbeiten beispielsweise alle Geräte rund um den Perimeter auf Kanal 13. Aber in der Mitte des Raumes auf diesem Kanal gab es Störungen. In diesem Fall wechselt das Gerät, das das Signal sendet, automatisch den Kanal und umgeht den Problembereich. Die übrigen mit unserem Modul ausgestatteten Geräte sind untereinander organisiert und wählen die optimalen Frequenzen.

Um eine hohe Routing-Geschwindigkeit zu erreichen, haben wir die gesamte Software für die Hardware optimiert. Für jeden Prozessor und Coprozessor haben sie Code in Assembler geschrieben. Dadurch konnten wir den Stromverbrauch senken und die Netzwerkgeschwindigkeit um das 15-fache erhöhen.

Die theoretische maximale Kapazität unseres Netzwerks ist enorm. In der Praxis können wir dies natürlich nicht überprüfen. Während der Tests haben wir mehr als 300 Geräte an das Netzwerk angeschlossen, und das System hat stabil funktioniert. Das heißt, unsere Lösung macht es einfach, das Einkaufszentrum abzudecken, und dafür müssen Sie die Wände nicht wegwerfen, zusätzliche Kabel verlegen und das Netzwerk für eine lange und schmerzhafte Zeit konfigurieren. Es reicht aus, unsere Geräte bei Bedarf zu installieren. Selbst wenn es sich um eine mobile Website handelt, sind sie immer online.

Für die Sicherheit der Benutzerdaten verwenden wir die doppelte Verschlüsselung, die auf dem AES-Protokoll basiert und als eines der zuverlässigsten anerkannt ist. Der Datenverkehr wird zwischen dem Server und dem Gerät oder zwischen zwei Geräten getunnelt. Dadurch wird die Möglichkeit ausgeschlossen, durch Hacken eines WIFI-Netzwerks Zugriff auf das System zu erhalten.

Wir haben ein Patent für ein Gebrauchsmuster zur Anwendung unseres selbstorganisierenden Netzwerkalgorithmus zur Automatisierung von Räumen angemeldet. Sie hat eine vorläufige Beurteilung durchlaufen und wird derzeit geprüft.

Ein Beispiel für die Implementierung unserer Lösung

Unser Team führte ein Großprojekt zur Modernisierung der Beleuchtung des Khimik-Eispalastes in Nowopolotsk durch. Dort werden alle Beleuchtungsgeräte (in Höhe von 120 Einheiten) mit der Funktion der Fernsteuerung der Lichtintensität und des Fernein- / Ausschaltzugriffs über WLAN und Bluetooth hergestellt.

Es ist auch möglich, eigenständige Arbeitsszenarien zu konfigurieren. Im Standby-Modus sollte beispielsweise die Beleuchtungsstärke 100 Lux nicht überschreiten, um Strom zu sparen. Während des Trainings - 600. Und während eines Hockeyspiels mit Sendung sollte dieser Indikator mindestens 1200 Lux betragen. Um das System zu installieren, mussten keine zusätzlichen Kabel verlegt, die Netzwerkkonfiguration geändert oder andere Kosten verursacht werden. Die Systemarchitektur basiert vollständig auf unserem Mesh-Netzwerk. Es genügte, neue LED-Lampen mit Steuergeräten zu installieren.

Nach der Modernisierung begann die Eisarena in Bezug auf die Beleuchtung, die strengen Anforderungen des Hockeyverbandes der Republik Belarus für direkte internationale Fernsehsendungen zu erfüllen.

Warum brauchen wir neuronale Netze und wie trainieren wir sie?

Bei unserer Entscheidung verwenden wir auch Technologien der künstlichen Intelligenz, insbesondere neuronale Netze. Wie bereits erwähnt, werden alle Daten von den in den Geräten des Raumautomationssystems installierten Modulen erfasst und alle Berechnungen im System durchgeführt. Je mehr Geräte sich im System befinden, desto besser und schneller verteilen sie komplexe Berechnungen untereinander.

In der Regel trainieren Entwickler neuronale Netze in großen Datenmengen. In unserem Fall ist das Training jedoch spezifisch. Unser neuronales Netzwerk muss nicht wissen, wie afrikanische Affen bedingt aussehen. Gleichzeitig werden Trigger benötigt, um das Netzwerk zu trainieren. Wir haben herausgefunden, wie die Geräte bei bestimmten Ereignissen auf Hardwareebene lernen können. Das System untersucht gezielt die Benutzergewohnheiten. Das Netzwerk implementiert zunächst gut durchdachte Szenarien, um zu verstehen, welche Bedingungen für Benutzer am angenehmsten sind. Anschließend wählt sie anhand der gesammelten Erfahrung die Beleuchtungs-, Heizungs- und Lüftungsmodi aus, die für einen bestimmten Benutzer am bequemsten sind. Im Laufe der Zeit übernimmt das System einen Teil der Funktionen zur Verwaltung eines Hauses, einer Wohnung oder einer anderen Einrichtung.

Unsere Aufgabe ist es, die Benutzer so komfortabel wie möglich zu gestalten und sie selbst praktisch nichts an den Systemeinstellungen zu ändern. Sie sind alle glücklich.

Aufgrund der Tatsache, dass das System vollständig autonom ist und Daten im nichtflüchtigen Speicher der Geräte selbst gespeichert werden, hängt der Betrieb des Systems nicht vom Internetzugang ab. Wenn er plötzlich verschwand, arbeitete sie weiter, bot Skripte an und lernte selbst. In unserem Fall wird das Internet nur zum Organisieren des Fernzugriffs und der Kommunikation mit dem Server benötigt, wenn der Benutzer bestimmte Daten in der Cloud speichern möchte (z. B. Aufzeichnungen von Videokameras).

Vision-Implementierungspläne

Bis Ende des Jahres planen wir die teilweise Freigabe einer Reihe von Geräten für unser adaptives Raumautomationssystem. Es wird fast alles enthalten, was oben aufgeführt ist, mit Ausnahme von Videokameras.

Eine Videokamera mit Elementen des technischen Sehens wird derzeit entwickelt. Wir planen, Videodaten von mehreren Kameras gleichzeitig zu übertragen. Wir versuchen auch, einen innovativen Ansatz einzuführen. Unsere Lösung verwendet zwei neuronale Netze, um Personen in einem Raum (die Multitracking-Aufgabe wird gelöst) in Echtzeit mithilfe der CUDA-Technologie zu erkennen und zu verfolgen. Begleitend dazu wurde ein neuronales Netzwerkmodell vorgeschlagen und trainiert, das laut den Testergebnissen DeepSort in vier Hauptparametern übertrifft, die im Rahmen der MOTChallenge die besten Ergebnisse im MOT16-Wettbewerb zeigten.

Es ist bekannt, dass der Entwurf von Modellen neuronaler Netze erhebliche Zeitressourcen für die Entwicklung erfordert. Außerdem müssen viele Experimente durchgeführt werden. Auf diese Weise kennt das System nicht nur die Anzahl der Personen im Raum, sondern liefert auch deren Verfolgung, die auch in Situationen, in denen Personen den Rahmen verlassen, stabil funktioniert. und dann komm zurück. Unser neuronales Netzwerk erkennt Menschen bereits an 128 Zeichen und bestimmt sie nach dem „Freund / Feind“ -System. Bisher ist die Umsetzung von Arbeiten zur Anpassung der Technologie der Begleitung von Personen mithilfe von Videosequenzen, die von verschiedenen Kameras in Innenräumen stammen, vielversprechend. Im Laufe der Zeit planen wir, eine Definition von nicht standardmäßigen Verhaltensmustern (z. B. Fallen oder Kämpfen) und die Erkennung von Flammen oder Rauch hinzuzufügen. Entwicklungen in diesen Bereichen sind bereits verfügbar.