Анализ и моделирование протокола радиочастотной идентификации транспортных средств на автодорогах

Чтобы избежать вероятностного шума на графиках, каждая точка была усреднена на основе 5 тысяч прогонов.



Заключение

В данной работе была описана система радиочастотной идентификации (RFID) и варианты её применения, включая использование в системах обеспечения безопасности дорожного движения; проанализирован и изучен протокол пассивной радиочастотной идентификации стандарта EPC Class 1 Generation 2. Рассмотрены преимущества и недостатки RFID-систем, выявлены характеристики меток в зависимости от ряда различных факторов, произведена классификация меток по основным параметрам. В ходе дипломной работы были определены параметры протокола EPC Class 1 Generation 2, влияющие на исследуемые характеристики (вероятность идентификации меток, вероятность коллизии, среднее время до первой успешной идентификации метки), был разработан алгоритм, моделирующий взаимодействие меток и считывателя, приведено его описание в виде блок-схемы. На его основе было написано программное обеспечение на языке Python 3, которое, в свою очередь, имитирует опрос множества меток и на основе модели выстраивает и производит анализ зависимости количества успешно прочитанных меток от настроек считывателя.

Был проведен численный анализ построенной модели взаимодействия считывателя и меток. Полученные зависимости представлены в работе. К недостатком модели можно отнести неточность описания деталей протокола и отсутствие расчета вероятности доставки сообщений в зависимости от состояния окружения. Улучшение предложенной модели выходит за рамки данной работы и является предметом дальнейшего исследования.



Список использованных источников

1. EPC Radio-Frequency Identity Protocols Generation-2 UHF RFID/ Ed. By EPCglobal Inc, 2015

2. Vishnevsky V.M., Larionov A.A., Ivanov R.E. Analysis and Simulation of UHF RFID Vehicle Identification System / Communications in Computer and Information Science (CCIS). Distributed Computer and Communication Networks. Heidelberg: Springer International Publishing AG, 2016. Volume 678

3. Минниханов Р.Н. (общая редакция) Опыт применения систем видеофиксации нарушений правил дорожного движения (на примере Республики Татарстан). - Казань: ГУ «НЦ БЖД», 2009

4. В.М. Вишневский, Р.Н. Минниханов. Автоматизированная система безопасности на автодорогах с использованием RFID-технологий и новейших беспроводных средств. Проблемы информатики. 2012. № 1

5. Вишневский В.М., Портной С.Л., Шахнович С.Л. Энциклопедия WiMAX. Путь к 4G - М.: Техносфера, 2010

6. Вишневский В.М., Минниханов Р.Н. Патент № 99207 от 10.11.2010 «Автоматизированная система контроля нарушений ПДД на базе широкополосных беспроводных сетей и RFID-технологии».

7. Вишневский В.М. Теоретические основы проектирования компьютерных сетей. - М.: Техносфера, 2003

8. Таненбаум Э. Компьютерные сети 5-е изд. СПб.: Питер, 2012

9. Романов Б.Н., Краснов С.В. Теория электрической связи. Сообщения, сигналы, помехи, их математические модели. Ульяновск: 2008

10. Компания «ДатаКарт». «RFID - радиочастотная идентификация». URL: http://www.datakrat.ru/technology/7942.html (дата обращения 08.04.2017)

11. «RFID. Что это такое?». Классификация RFID - меток. URL: http://www.avislab.com/blog/rfid_ru/ (дата обращения 20.04.2017)

12. «Основные принципы работы RFID». Характеристики RFID-систем. URL: http://megaobuchalka.ru/6/22860.html (дата обращения 08.04.2017)

Приложение 1

Код программы

import random

import numpy as np

from matplotlib import pyplot as plt

import pandas as pd

from pandas import DataFrame

%matplotlib notebook

class RfidSimulator(object):

def __init__(self, Tquery, Tqrep, Trn16, Tack, Tresp, T1, T2, T3, Q=4):

self.Tquery = Tquery

self.Tqrep = Tqrep

self.Trn16 = Trn16

self.Tack = Tack

self.Tresp = Tresp

self.T1 = T1

self.T2 = T2

self.T3 = T3

self.Q = Q

self.sim_time = 0.

self.nreads = []

self.ncollisions = 0

self.nempty_slots = 0

self.t_read = []

self.reading_prob = 0.

self.collision_prob = 0.

self.mean_t_read = 0.

def refresh(self):

self.sim_time = 0.

self.nreads = []

self.ncollisions = 0

self.nempty_slots = 0

self.t_read = []

self.reading_prob = 0.

self.collision_prob = 0.

self.mean_t_read = 0.

def run(self, ntags, nrounds, prob_rn16=0.7, prob_resp=0.7,

verbose=False):

self.nreads = [0] * ntags

self.t_read = [0] * ntags

for i_round in range(nrounds):

reader_slot = 0

while reader_slot < 2 ** self.Q:

if reader_slot == 0:

self.sim_time += self.Tquery

tag_slots = []

for i in range(0, ntags):

tag_slots.append(random.randrange(0, 2 ** self.Q, 1))

else:

self.sim_time += self.Tqrep

replying_tags = []

for i in range(0, len(tag_slots)):

if tag_slots[i] == 0:

replying_tags.append(i)

if verbose:

print("Slot #{}: tag slots: {}, replying tags: {} ".format(

reader_slot, tag_slots, replying_tags))

n_resp_tags = len(replying_tags)

test_prob_rn16 = random.uniform(0, 1)

test_prob_resp = random.uniform(0, 1)

if n_resp_tags == 0:

self.sim_time += self.T3

self.nempty_slots += 1

elif n_resp_tags == 1:

if test_prob_rn16 < prob_rn16:

self.sim_time += (self.Tack + self.T1 +

self.Tresp + self.T2)

if test_prob_resp < prob_resp:

for i in replying_tags:

# first time read

if self.nreads[i] == 0:

self.t_read[i] = self.sim_time

self.nreads[i] += 1

else:

self.sim_time += self.T1 + self.T2

self.ncollisions += 1

reader_slot += 1

for i in range(0, len(tag_slots)):

tag_slots[i] -= 1

if verbose:

p_str = "test_prob_rn16: {}, test_prob_resp: {} nreads: {}"

print(p_str.format(test_prob_rn16, test_prob_resp,

self.nreads))

read_tags = len([1 for x in self.nreads if x != 0])

self.reading_prob = float(read_tags) / ntags

tx_slots = nrounds * 2 ** self.Q - self.nempty_slots

self.collision_prob = 0 if tx_slots == 0 else float(self.ncollisions) / tx_slots

for i, tr in enumerate(self.t_read):

if tr == 0:

self.t_read[i] = self.sim_time

self.mean_t_read = sum(self.t_read) / ntags

return self.reading_prob, self.collision_prob, self.mean_t_read

params = [{'Tquery': 209.38, 'Tqrep': 59.38, 'Trn16': 89.84, 'Tack': 150.00,

'Tresp': 527.34, 'T1': 44.97, 'T2': 78.12, 'T3': 112.31},

{'Tquery': 406.25, 'Tqrep': 106.25, 'Trn16': 179.69, 'Tack': 287.50,

'Tresp': 527.34, 'T1': 85.59, 'T2': 156, 'T3': 193.75},

{'Tquery': 603.13, 'Tqrep': 153.13, 'Trn16': 269.53, 'Tack': 425.00,

'Tresp': 1582.03, 'T1': 123.86, 'T2': 234.36, 'T3': 310.71},

{'Tquery': 800.00, 'Tqrep': 200.00, 'Trn16': 359.38, 'Tack': 562.50,

'Tresp': 2109.38, 'T1': 164.50, 'T2': 312.50, 'T3': 479.45}]

def sim_t_params(ntags, nrounds):

for ps in params:

simulator = RfidSimulator(**ps)

simulator.run(ntags=ntags, nrounds=nrounds)

print_str = ('nreads={} ncollisions={:<3} P_reading={:<7.3} ' +

'P_collision={:<6.3} mean_t_read={:<5} us')

print(print_str.format(simulator.nreads, simulator.ncollisions,

simulator.reading_prob, simulator.collision_prob,

int(simulator.mean_t_read)))

def sim_ntags(ntags, tparams, nrounds=6, prob_rn16=0.7, prob_resp=0.7, n=200):

reading_probs = np.zeros(ntags.shape)

collision_probs = np.zeros(ntags.shape)

mean_treads = np.zeros(ntags.shape)

simulator = RfidSimulator(**tparams)

for i, nt in enumerate(ntags):

rps = np.zeros(n)

cps = np.zeros(n)

trs = np.zeros(n)

for j in range(n):

simulator.refresh()

rp, cp, tr = simulator.run(nt, nrounds, prob_rn16, prob_resp)

rps[j] = rp

cps[j] = cp

trs[j] = tr

reading_probs[i] = rps.mean()

collision_probs[i] = cps.mean()

mean_treads[i] = trs.mean()

return reading_probs, collision_probs, mean_treads

def sim_nrounds(nrounds, tparams, ntags=5, prob_rn16=0.7, prob_resp=0.7, n=200):

reading_probs = np.zeros(nrounds.shape)

collision_probs = np.zeros(nrounds.shape)

mean_treads = np.zeros(nrounds.shape)

simulator = RfidSimulator(**tparams)

for i, nr in enumerate(nrounds):

rps = np.zeros(n)

cps = np.zeros(n)

trs = np.zeros(n)

for j in range(n):

simulator.refresh()

rp, cp, tr = simulator.run(ntags, nr, prob_rn16, prob_resp)

rps[j] = rp

cps[j] = cp

trs[j] = tr

reading_probs[i] = rps.mean()

collision_probs[i] = cps.mean()

mean_treads[i] = trs.mean()

return reading_probs, collision_probs, mean_treads

def sim_prob(probs, tparams, nrounds=6, ntags=5, n=200):

reading_probs = np.zeros(probs.shape)

collision_probs = np.zeros(probs.shape)

mean_treads = np.zeros(probs.shape)

simulator = RfidSimulator(**tparams)

for i, prob in enumerate(probs):

rps = np.zeros(n)

cps = np.zeros(n)

trs = np.zeros(n)

for j in range(n):

simulator.refresh()

rp, cp, tr = simulator.run(ntags, nrounds, prob, prob)

rps[j] = rp

cps[j] = cp

trs[j] = tr

reading_probs[i] = rps.mean()

collision_probs[i] = cps.mean()

mean_treads[i] = trs.mean()

return reading_probs, collision_probs, mean_treads

def show_plots(x, r_probs, c_probs, mean_trs, figno):

plt.figure(figno, figsize=(8,3))

ax1 = subplot2grid((1,3), (0,0))

ax2 = subplot2grid((1,3), (0,1))

ax3 = subplot2grid((1,3), (0,2))

ax1.plot(x, r_probs, 'g')

ax2.plot(x, c_probs, 'b')

ax3.plot(x, mean_trs, 'r')

ax1.set_title('reading probability')

ax2.set_title('collision probability')

ax3.set_title('mean first read time, us')

ax1.set_yticks(np.arange(0, 1.1, 0.1))

ax2.set_yticks(np.arange(0, 1, 0.1))

subplots_adjust(wspace=.4, hspace=0.0)

tight_layout()

plt.savefig('{}.png'.format(figno))

Размещено на Allbest.ru

...