呂錫民：水下物聯網如何實現智能海洋

【大紀元2019年12月09日訊】對人類而言，海洋不僅擁有大量石油、天然氣和魚類資源，而且還是國際貿易的重要渠道和潛在能源，如潮汐能和洋流發電。然而，由於水下環境的複雜性和水下設備的昂貴，海洋仍然缺乏智能和方便上的應用。

隨著物聯網(IoT)往水下環境擴展，水下物聯網（UIoT）日益成熟，已成開發智能海洋（SmartOcean）強大技術背景。我們將UIoT定義為一種具有自我學習和智慧運算的智能網絡。UIot通過有線或無線通信，來感測、監視和識別水下物體，從而構建智能海洋。

儘管具有獨特特徵的海洋可給人類帶來許多好處，但也對UIoT發展帶來限制。UIoT無法直接採用陸基IoT模型來設計，例如，洋流對UIoT的干擾，構成實際部屬上的不可忽視問題。洋流引起的UIoT水下節點移動，會影響網絡覆蓋範圍和數據傳輸質量。此外，水下聲學通信模式由於成本高、帶寬窄、誤碼率高、傳輸速度慢、能耗高等缺點，從而嚴重限制數據傳輸效率。尤其是，由於海水腐蝕和海水壓力影響，無法方便為節點電池充電，UIoT傳感器節點電池電量因此受到嚴格限制。未來UIoT應該智能地連接水下實體，就像目前陸基互聯網一樣。更重要的是，未來需要將人工智慧（AI）和霧運算結合在一起，帶給UIoT網絡一定的自我學習和智慧計算功能，使其能夠適應複雜水下環境，同時滿足海洋應用上的不同需求。

UIoT模型通常包括水下感應和傳輸組件（如，水下傳感器節點和水面節點）、水下計算和傳輸組件（如，自主水下航行器-AUV）、地面計算和傳輸組件（如，地面基地站-BS、水面艦艇和水面節點）和海岸控制組件（如，海岸BS和海岸控制中心）。

UIoT的簡單操作程序如下。首先，水下傳感器節點收集大量有價值海洋數據。然後，經由節點和AUV傳輸，完成相應數據融合和智慧計算。接著，數據透過水下節點和AUV，使用各種水下通信技術，傳輸到水面計算和傳輸組件。邊緣伺服器在地面上對水下有價值數據進行分析，用於水下網絡和海洋應用（如，資源勘探平台和深度範圍偵測等），其餘則通過無線電通信，傳輸到Internet雲伺服器或海岸控制中心。海岸控制中心從海洋和Internet雲伺服器收集數據，生成一系列智能決策，以促進人類海洋活動。此外，水下無線傳感器網絡（UWSN）可以提供海洋信息，實現用戶監視和預測水下環境事件，這也是UIoT的重要組成。

UIoT功能和結構與陸基IoT相似。但是，與IoT相比，UIoT還具有自己的網絡特性；例如，它是一個動態網絡，密度稀疏，本身是一個大型網絡，但水下通信通道質量較差。這些特性反而使得UIoT成為需要作更進一步研究的新型網絡。

眾所周知，目前UIoT採用大量異構設備，如，水下節點、水面艦艇和水下機器人，從而產生大量水下感知數據。從這些數據中提取知識時，需要使用雲運算和霧運算，以進行快速而準確的複雜計算。與IoT陸地環境相比，複雜的海洋環境使得UIoT水下網絡拓撲易受破壞。因此，需要人工智慧來優化網絡拓撲。也就是說，通過使用雲運算、霧運算和人工智慧，UIoT可在水下網絡中，建設更加實用的服務。

UIoT是一個包含多異構網絡的複雜系統，主要分為水下和非水下兩大部分，架構則細分五層：應用、融合、網絡、通信和傳感，其中每一層都具有獨立功能和可伸縮性。應用UIoT系統架構時，經由雲運算、霧運算和人工智慧等智能技術，可對IoT發展產生巨大影響。

其中的雲運算被定義為一種模型，可對配置計算資源共享池，提供無處不在、方便、按需網絡存取功能。該資源可通過最少管理工作或服務，進行交互而快速的配置與釋放。作為雲運算的擴展，霧運算對時間更加敏感，它是一個高度虛擬化平台，可在終端設備與傳統雲伺服器之間提供計算、存儲和聯網服務。另一方面，AI中的機器學習可以解決UIoT許多挑戰，例如，對象定位、事件檢測、數據傳輸、網絡安全和服務品質，透過檢測和訓練數據，機器學習是一種在一致性模式下提高機器性能的演算法。

實現UIoT願景並非易事，因為我們必須解決許多問題。構建UIoT主要理論隸屬四大部門：海洋學、通信理論、網絡理論、計算理論。在海洋學當中，有幾個重要理論影響著UIoT系統的架構設計，如海洋光學、海洋聲學、海洋電磁學、海洋動力學。通信理論包括水下編碼技術、水下聲學通信協定和各種水下通信技術。在構建UIoT水下網絡時，應該考慮主要水下網絡理論，如水下拓撲控制、水下路由協議、水下網絡設計、水下網絡修復。最後，計算理論包括演算法設計，以及可以智能處理水下數據的人工智慧。上述這些理論在建立UIoT水下網絡、設計思路與分析模式上，可以提供強健的研發基礎。

UIoT當前面臨另一主要挑戰和開放性問題是，脆弱的水下頻道會干擾水下無線通信品質。在水面環境下，無線電信號吸收速度非常快，而且會被嚴重干擾。水下光通信和磁感應通信不能實現長距離通信。因此，水下聲學通信（UAC）目前是大規模UIoT主要通信方法。但是，UAC的主要缺點在於，傳輸速度慢、多徑效應、時變效應、帶寬窄、誤碼率高、以及聲音信號容易受到各種因素影響。

水下無線通信技術，如聲學、無線光學、磁感應通信，已在全球許多研究機構研究多年。但是，當前大多數緊急海洋應用都依賴海底電纜進行數據傳輸，這是因為在水下長距離傳輸上，無線通信的性能比有線通信差，因此，對於UIoT的水下數據傳輸，基本上是以多種水下無線通信技術的水下多模態通信為主。

洋流移動性是UIoT水下傳感器網絡中不可避免的問題，UIoT水下網絡很容易發生中斷，進而嚴重破壞網絡拓撲的可靠性。此外，水下定位準確性也很容易受到洋流運動影響。儘管在UIoT模擬中已經應用某些洋流模型，但是這些模型不能準確描述海洋實際環境，因為洋流受許多因素（例如風和溫度）影響，這大大增加水下聯網難度。UIoT所有網絡元素優化有利於通信遂行，而最大化水下網絡效率也是當前研究人員研究熱點。

由於水下環境複雜、水下通信技術效率低且不可靠，所以，水下網絡可靠性很差。特別是，當水下網絡規模很大時，現有聯網策略已經不適用。基於機器學習的聯網和路由策略，在強大自我適應和計算能力驅動下，學者已針對IoT中大型地面無線傳感器網絡進行廣泛研究。但是，另一方面，UIoT各種水下網絡性能難以陸基IoT傳統方法來進行控制和優化，因為海洋環境比陸地環境要為複雜和多變。在未來UIoT研究當中，研究人員應關注大型水下網絡的可靠性和安全性，以確保及時、完整海量感知數據的傳輸。

展望未來，在大型UIoT網絡層的水下多模式下，網絡路由設計和AUV路徑規劃，使得機器學習前景看好。另外，具有自我學習功能的水下拓撲控制、拓撲重構和惡意節點檢測等方法至關重要。由於洋流的不規則動態運動，使得水下拓撲生成和網絡部署，需要有效的水下節點定位策略。

另一方面，為了取得高效、快速處理功能，其他主要挑戰尚有大數據(尤其是UAC傳輸來自不同水下網絡的數據)的計算協作。由於，海洋數據龐大且UAC帶寬狹窄，因此，數據收集間隔通常太長，往往不能保證協同運算的實時性能。此外，水下環境特別容易受到惡意攻擊，UIoT傳感器節點始終部署在無法接觸、無人看管、甚至是敵對的環境中，使得它們極易遭受各種類型破壞和威脅，即，協作運算準確性受到嚴厲挑戰。

除了上述挑戰之外，UIoT還面臨著與IoT相同的安全性和標準化問題。在UIoT建設早期階段，全球尚無統一標準來規範大型異構水下設備之間的傳輸和通信。因此，其有必要建立通用的UIoT全球標準，以簡化水下設備之間的傳輸和互動行為。

智能海洋被廣泛應用於與人類密切相關的海洋活動當中，例如智能海洋污染監測、智能深度監視、智能水下導航、智能水下資源勘探、智能水下旅遊、智能災難預警和智能水下入侵檢測。它可以幫助人們更全面了解海洋，更充分利用海洋能資源潛力，更方便管理海洋，從而更佳為人類提供服務。智能海洋要求UIoT在海洋中傳輸、計算、處理和保護各種有價值數據。也就是說，智能海洋實現取決於UIoT以下五項研究特點：水下無線通信、水下網絡、協作運算、安全性、標準化。如何加快UIoT這些研究，對於智能海洋發展尤具特殊意義。

（作者為台灣工研院能環所前研究員）

資料來源：http://www.epochtimes.com/b5/19/12/9/n11711158.htm?fbclid=IwAR07hKXlcrGV6WN1GaoFShl8T8Cr3Reo5A2-c0-b76mib99FvRjOAQswOi0