作为新一代信息技术的重要组成部分，物联网具有巨大的市场效益，是战略新兴产业和未来经济的增长点。正如当前互联网和移动互联网正在迅猛融合并渗透于社会生活的方方面面，未来物联网也将发展到与全社会的生产生活息息相关的程度。

　　物联网技术是融合了传感器、计算机、通信与互联网等信息及相关技术的一种复杂的系统应用。其技术组成体系涵盖了智能感知、可靠传输、智慧支撑以及管理应用等诸多层次，如图1所示。

　　从已建设的诸多物联网系统应用中不难看出，当前物联网技术的发展和普及都已取得了相当的进展，特别是垂直独立式的物联网系统技术已经日臻成熟，形成了对此类系统建设的支撑。

　　水平化共享与从底层到顶层的创新

　　我们有理由相信，物联网作为大数据的重要来源之一，未来的物联网不仅能使得万物相连，更是连接物理世界和虚拟世界以及人类社会的桥梁，随着海量资源、海量用户、海量个性化应用需求的不断产生，物联网的应用将会超越当前的垂直独立构建模式，而向水平化共享式发展，真正实现资源的无处不有和应用的无处不在。

　　如何面向海量资源、用户、应用任务，实现物联网的水平化共享式构建？从技术角度，我们认为，需要建立一套新的核心技术体系。提出了面向大网络大数据时代的物联网技术生态系统，该生态系统以海量资源的水平化利用和海量用户的个性化应用为目标，描述了一套完整的未来物联网技术支撑体系，如图2所示。

　　该技术支撑体系涵盖了智能感知、可靠传输、智慧支撑以及管理应用等诸多层次，通过“核心装备线”、“基础软件线”以及“物联网数据线”这三条核心技术主线体现与贯穿，旨在为各类物联网系统应用提供从海端（感知）到云端的基础技术支撑，可适应未来网络中各类资源的爆发式增长趋势以及物联网应用需求的个性化与多样化，以全新的装备、协议软件和信息处理方法实现从独立的物网构建向水平化、互通互联的物联网形成的根本转变。

　　物联网传感器

　　传感器以及相应的信息处理技术方面。传感器以及相关信息处理技术的落后和缺失，严重阻碍了我国物联网技术在环境监测领域的大规模应用和产业化推广。同时，当前的传感器大都是为单点测量的应用来进行设计，在指标上更多考虑的是测量精度和稳定性，对功耗、成本、体积等因素考虑较少。而物联网应用往往在一个区域内部署多个节点，测量某些物理量的空间分布情况，对传感器的功耗、成本、体积等指标要求较高。传感器性能指标上存在不匹配情况。

　　在这三大问题中，传感器的成本是最基本也是最关键的问题，为当前急需解决的技术挑战。为此，在科技部863项目的支持下，我们正在研制成本低，功耗低，体积小，一致性好的物联网水质传感器，如图3所示。

　　我们研制的物联网水质传感器的特点是：在传感器设计方面，更看重成本、功耗、体积、一致性等指标，采用微电极型电化学传感器取代现有的敏感膜光学型传感器，对精度，稳定性等指标则通过区域群体监测以及相关的自校准、自补偿等算法进行弥补。

　　在空间数据处理计算方面。我们对物理量以及监测环境进行归类，并研究相应的面数据计算和预测方法，使得在该类应用中，一旦确定物理量特性以及部署环境，能过通过设定参数（扩散常数、介质流动性、部署密度、位置等），快速定制出相关的算法并在系统中执行。

　　在精度漂移方面。通过网络信息共享以及传感器先验的精度漂移模型，结合不同物理量之间的重叠和互补特性，实现自校准、自测试、自诊断、自适应等智能化功能，以大幅提高传感器的稳定性和抗污染、抗漂移能力。

　　面向海量受限设备的web服务协议

　　在大数据时代，海量的低功耗感知设备为人们提供了丰富的物理信息和可使用资源。物联网提供的数据成为大数据中不可或缺的一个重要组成部分。在水平化的物联网体系架构下，为了实现海量资源的统一获取，解决下层的数据和通信异构性的问题十分重要，因而需要在上层建立一套通用水平化的应用层协议。目前的研究趋势是将web引入物联网，利用web服务实现资源共享，将物联网的概念由“Internet　of　Things”进化成“Webof　Things”，如图4所示。然而由于物联网面临与互联网不同的应用环境，特别是在受限设备中应用web服务会面临很多的挑战和问题，包括：1）设备的休眠问题。对于受限设备，因为能量受限而采用休眠机制，一般会影响用户请求的正常响应；2）对并发操作的支持。传统web服务协议缺少对海量资源批量并发操作的支持，而物联网中存在大量的并发请求等操作；3）对实体资源的管理。区别于互联网中的虚拟资源，物联网面临实体资源管理的新挑战；4）轻量级的协议设计。由于受限设备的计算能力有限，物联网中的web服务协议需要轻量级的设计。

　　因此我们需要面向海量的受限设备设计符合物联网特点的web服务协议，达到物理资源水平共享的目的。目前我们基于REST风格提出了SeaHttp协议，支持海量资源并发请求的COMBINE和BRANCH原语，降低了在并发请求情景下受限设备的传输功耗。基于实体资源的时空属性，在传统URI中加入时间和空间元素，支持物理世界中实体资源的访问和管理。

　　资源发现与描述

　　基于物联网的资源搜索技术相较于传统搜索技术更具挑战性，表现在：物联网中的资源是海量的，在原有的手工描述资源的方式变得几乎不可行；物联网设备是能力受限的，由于存储空间和计算能力的限制，原有用于传感网中的集中式的注册与索引方式在物联网场景下将不再适用；由于搜索目标是物联网中的设备，搜索任务将更为多样，且存在准确率与效率间的权衡。

　　目前，我们提出了一种基于设备数值特征聚类的自动的资源描述方法，以减少人工干预，解决人工描述资源的问题。设计了一种合理的分布式索引机制，权衡存储代价、更新代价与通讯开销，以解决索引的空间存储和维护问题。我们还研究了面对海量资源的更为智能的检索策略以优化搜索过程。

　　物联网并发任务执行机制

　　未来物联网需要为海量用户提供需求各异的服务，因而需要具备支持并发任务高效执行的能力，能够实现对海量、动态的实体及虚拟资源的优化协调与调度，在满足应用性能需求的前提下，最小化网络开销。

　　实现物联网并发任务高效执行存在诸多挑战：物联网设备的动态性特点，如休眠、移动、失效等，导致任务鲁棒性较低；并发任务之间对网络资源的竞争，高优先级的任务可能长时间占用某些网络资源，导致部分低优先级任务的实时性难以满足；并发任务对网络资源使用程度的冷热不均，造成部分过热资源的功耗过早耗尽，使得网络寿命难以保证。

　　因此我们提出一种并发任务执行框架，重点解决任务鲁棒性、任务实时性、任务均衡等问题。其任务执行流程如图5所示。为解决任务鲁棒性问题，在任务映射过程将物联网设备的动态性作为一个重要参数参与资源调度；在任务实时性方面，利用并发任务之间的数据共享，从数据采集与传输两方面同时保证任务执行的实时性；为保证任务均衡，考虑网络中传感器的时空相似性与任务相关性，将相关度较低的任务调度至其它相似传感器中执行，避免热点的产生同时引入尽可能少的开销。

　　异构物联网普适宏编程技术

　　随着物联网的不断扩展及商用模式的成熟，可能导致专用私有子物网向公用共享子物网的转化；以及子网拥有者或资源提供者与应用构建者或使用者身份的分离。

　　因此未来普通用户也有可能成为应用的构建者，可以利用无处不在的物联网资源按照自身个性化需求构建应用。但是应用构建者面对的可能是众多异构型设备，如何降低应用开发的难度和复杂度，需要提供一种新的编程语言通过屏蔽设备异构性导致的编程差异性，来解决编程困难的问题。

　　为此，我们提出了一种面向资源的普适物联网宏编程架构。其核心思想是通过将物联网中的功能实体抽象为使用统一资源定位符（Uniform　Resource　Locator，URL）索引的资源，并在运行时实现资源自身的组合与繁衍，以此屏蔽设备的异构性，提高编程效率。

　　图6给出了面向资源的宏编程架构中的主要组成。首先是位于云端设备上的编程系统平台研究，主要负责统一宏程序的解释和代码的生成。其次是位于传统物联网网关设备上的资源管理系统研究，主要是维护应用程序部署后的执行的稳定性，并通过一系列的优化手段保证任务执行的高效性。最后，是位于物联网感知节点设备上的节点运行时系统研究，主要考虑如何以较低的功耗完成可执行代码在资源受限设备上的加载，以及如何通过感知和传输的融合降低能量开销。

　　物联网智能数据分析与处理

　　如何实现物联网海量数据的高效、智能化分析与处理，从中获取有用信息，进而提供智能决策，是物联网面临的另一个关键问题。通过对海量数据的分析和交叉使用，将衍生商业模式各异的多种应用，创造物联网的商业价值。

　　物联网数据的海量规模、多模态、时空动态等内在特点，应用对数据分析的效用需求（如能耗、时间、精度等），数据所有者对隐私、安全的要求，以及物联网数据分析未来的生存模式和商业模式，为物联网环境下的数据分析与处理带来了新的问题和挑战，主要有：为了缓解后台云端集中式数据分析的压力，降低前端到云端的数据迁移的能量和通信开销，增强数据分析处理的实时性，保持原始数据的隐私性和保真性，需要解决感知前端的数据就近分析计算问题；为了有效利用感知前端的有限计算资源进行复杂数据分析，充分挖掘多个感知前端采集数据的时空相关性，需要解决前端多个节点之间的协同数据分析问题，其核心问题是如何设计前后端的协作模式和协同数据分析方法；对于后台云端收集的多源、异构、多模态的海量历史数据，核心问题是如何针对数据特性建立高效的数据融合与智能信息挖掘模型与方法，实现数据-信息-知识的转化，并进一步结合经验知识，实现智能推理与决策支持。

　　我们研究的重点在于轻量级就近计算方法，协同数据建模与分析，多模态、动态时空数据的融合与预测。目前，在就近计算方面，设计并实现了嵌入式、轻量级的蓝藻图像识别算法，应用于太湖蓝藻监测；基于环境监测流数据，采用随机梯度下降的方法建立了在线预测模型。在协同数据分析方面，基于主动学习实现了前后端协同的分类模型建模。在多模态数据融合与预测方面，提出了基于高斯过程的多模数据融合方法和时间序列预测模型。一组对温湿度的预测结果如图7所示。

　　物联网技术不仅仅涉及了一系列协议、软硬件和系统的工程研发和实践工作，也涉及到诸多理论层面的基础研究，以支持物联网技术生态体系的建立。例如，我们今年来开展了软件体系结构的设计与验证工作，我们以物理模型、感执模型和应用模型为构件，提出了一种基于物理资源模型的物联网软件体系结构(PMDA)，并对该体系结构具有的有效互联性质（不死锁、不发散和不中止）进行了验证。我们将进一步对该软件体系结构进行求精和演化性研究，旨在该体系结构能够指导物联网软件的设计开发，并能够满足不同应用的动态化需求。

　　我们认为，物联网技术发展刚刚起步、方兴未艾，在物联网系统的核心装备方面未来发展潜力巨大，在物联网核心技术方面未来创新空间也十分巨大，需要不断持续和深入的研究。

　　作者单位：中国科学院计算技术研究所