应用于溯源系统的RFID标签估算方法和装置

摘要

本发明公开了应用于溯源系统的RFID标签估算方法和装置，方法包括：以系统时间为种子得到的第一随机数与通过LFSR产生的第二随机数进行异或运算，并在寄存器中进行循环移位生成第三随机数；分别获取上一帧中的空闲时隙、独占时隙和冲突时隙的观察值；根据标签达到服从泊松分布得到参数为λ的泊松频率函数；根据泊松频率函数分别得到同一帧中的空闲标签、独占标签和冲突标签的数目期望值表达式；根据上一帧中的空闲时隙、独占时隙和冲突时隙的观察值，以及同一帧中的空闲标签、独占标签和冲突标签的数目期望值表达式，分别计算得出空闲标签、独占标签和冲突标签的数目估算值。本发明采用最大似然法对RFID标签的数目进行快速、准确估算。

说明书

技术领域

本发明涉及无线通信技术领域，具体涉及应用于溯源系统的RFID标签估算方法和装置。

背景技术

在食品安全溯源系统中，为确保食品在养殖、生产、加工、运输、批发、口岸查验、零售等全产业链中得到监控、跟踪，普遍采用在食品的外包装上加贴RFID电子标签，通过RFID电子标签阅读器，即可追溯到食品的源头信息。

由于RFID标签与阅读器之间是通过无线进行传输，因此数据传输的一致性和完整性就体现RFID系统无线通信性能，而影响数据传输的一致性和完整性的主要原因有2个：一是外部信号干扰。对于外部信号干扰，可以在传输数据中加上奇偶校验位来解决；二是信道冲突，即标签和阅读器之间同时分配了同一个信道，从而产生了信道冲突。对于信道冲突，业内提出了多种防碰撞算法来解决这个问题。而其中最主要的防碰撞算法是动态帧时隙ALOHA算法(DFSA)。动态帧时隙ALOHA算法的关键是通过获取上一帧的帧长、碰撞时隙和空闲时隙来快速、准确估算目前标签数目，再根据标签数目动态计算出合理帧长。

目前，业界提出的标签数目估算方法主要有Vogt、Quan、UPE等三种算法。一是Vogt算法。Vogt算法主要采用遍历搜索算法对所有符合碰撞时隙、空时隙、独占时隙3种时隙的数目进行遍历，搜索出一种最优算法，该算法估算准确，但计算复杂度太高。同时，Vogt算法还根据独占时隙、空时隙之间的关系做了一个线性组合，再依据这个组合估算出标签数目。这个算法计算复杂度较低，可以较方便的进行估算，但由于估算误差也与标签数目成正比关系，因此，当标签数目较大时，估算误差偏高。二是UPE算法。UPE算法也是依据独占时隙、空时隙之间的线性关系进行估算，该算法计算复杂度低，操作方便，但随着标签数目的增加，估算误差率也能成线性增加。三是Quan算法。Quan算法是依据独占时隙、空时隙之间的统计关系进行估算，该算法估算准确，但计算复杂度较高，随着标签数量的增加，误差率也成比例增加。

为明确标签数目估算在动态帧时隙ALOHA算法中的重要性，我们先通过对动态帧时隙ALOHA算法效率进行分析，首先定义：

S：标签通信的有效吞吐率，即标签在时段内成功完成通信的平均次数。

G：时段内标签平均到达次数。

P_e：标签完成通信的概率。

由于标签到达的数目是按照泊松分布，那么在t秒到达n个标签的概率是：$P\left(n\right)=\frac{{\left(\lambda t\right)}^n{e}^{-\lambda t}}{n!}$

其中λ为平均每秒到达的标签数目，则输入负载为：G＝λT₀，同时，在一个时隙内没有其他标签信息到达的概率为：P_e＝e^-G，因此，标签通信的有效吞吐率为：S＝GP_e＝Ge^-G。

由上式可知，当G＝1时，即n＝l，标签通信的吞吐率为最大；当G＜1时，即n＜l，标签空闲时隙就会增加，造成时间浪费；而当G＞1时，即n＞l，标签碰撞时隙就会增加，从而造成重复发送的次数增加，导致时间浪费。因此，如何合理的设置l就是算法效率的关键，而l的设置必须先准确估算标签数量n。

发明内容

为了克服现有技术的不足，本发明的目的在于提供应用于溯源系统的RFID标签估算方法和装置，采用最大似然法估算出当前标签数目，同时，采用LFSR实现哈希函数，使得标签能够均匀选择不同的时隙，减少估算的误差。

为解决上述问题，本发明所采用的技术方案如下：

方案一：

应用于溯源系统的RFID标签估算方法，包括以下步骤：

S1：以系统时间为种子得到的第一随机数与通过LFSR产生的第二随机数进行异或运算，并在寄存器中进行循环移位生成第三随机数，以使标签能够线性选择时隙；

S2：分别获取上一帧中的空闲时隙、独占时隙和冲突时隙的观察值；

S3：根据标签达到服从泊松分布得到二项频率函数，由二项频率函数得到参数为λ的泊松频率函数；

S4：根据泊松频率函数分别得到同一帧中的空闲标签、独占标签和冲突标签的数目期望值表达式；

S5：根据上一帧中的空闲时隙、独占时隙和冲突时隙的观察值，以及同一帧中的空闲标签、独占标签和冲突标签的数目期望值表达式，分别计算得出空闲标签、独占标签和冲突标签的数目估算值。

优选的，在步骤S1中，以系统时间为种子，通过voidsrand函数产生第一随机数。

优选的，在步骤S2中，若为首次估算，则将设定的测试帧作为上一帧，从而得到其中空闲时隙、独占时隙和冲突时隙的观察值。

优选的，在步骤S3中，二项频率函数为：其中，p为第i个时隙为空闲时隙的概率，m为实验次数；基于假设mp＝λ，λ为载入因子，其中，λ＝n/l，n为标签的个数，l为时隙的个数，当n→∞，则可得到参数为λ的泊松频率函数为：$P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda },k=0,1,2,\mathrm{....}$

优选的，在步骤S4中，空闲标签的数目期望值表达式为：E[N₀]≈le^-λ，独占标签的数目期望值表达式为：E[N₁]≈lλe^-λ，冲突标签的数目期望值表达式为：E[N₂]≈l-le^-λ-lλe^-λ；在步骤S5中，将上一帧中的空闲时隙、独占时隙和冲突时隙的观察值分别记为m₀、m₁、m₂,将上一帧中的空闲时隙、独占时隙和冲突时隙的数量分别记为M₀、M₁、M₂，将空闲标签、独占标签和冲突标签的数目估算值记为n₀、n₁、n₂，则有如下关系式：$m_1=E\left[M_1\right]=l(n_1/l)e^{-n_1/l},m_2=E\left[M_2\right]=l-(l+n_2)e^{-n_2/l},$从而求得n₀、n₁、n₂。

方案二：

应用于溯源系统的RFID标签估算装置，包括以下模块：

随机数生成模块：用于以系统时间为种子得到的第一随机数与通过LFSR产生的第二随机数进行异或运算，并在寄存器中进行循环移位生成第三随机数，以使标签能够线性选择时隙；

时隙观察值获取模块：用于分别获取上一帧中的空闲时隙、独占时隙和冲突时隙的观察值；

泊松频率函数生成模块：用于根据标签达到服从泊松分布得到二项频率函数，由二项频率函数得到参数为λ的泊松频率函数；

标签数目期望值表达式生成模块：用于根据泊松频率函数分别得到同一帧中的空闲标签、独占标签和冲突标签的数目期望值表达式；

标签数目估算值计算模块：用于根据上一帧中的空闲时隙、独占时隙和冲突时隙的观察值，以及同一帧中的空闲标签、独占标签和冲突标签的数目期望值表达式，分别计算得出空闲标签、独占标签和冲突标签的数目估算值。

优选的，在随机数生成模块中，以系统时间为种子，通过voidsrand函数产生第一随机数。

优选的，在时隙观察值获取模块中，若为首次估算，则将设定的测试帧作为上一帧，从而得到其中空闲时隙、独占时隙和冲突时隙的观察值。

优选的，在泊松频率函数生成模块中，二项频率函数为：其中，p为第i个时隙为空闲时隙的概率，m为实验次数；基于假设mp＝λ，λ为载入因子，其中，λ＝n/l，n为标签的个数，l为时隙的个数，当n→∞，则可得到参数为λ的泊松频率函数为：$P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda },k=0,1,2,\mathrm{....}$

优选的，在标签数目期望值表达式生成模块中，空闲标签的数目期望值表达式为：E[N₀]≈le^-λ，独占标签的数目期望值表达式为：E[N₁]≈lλe^-λ，冲突标签的数目期望值表达式为：E[N₂]≈l-le^-λ-lλe^-λ；在标签数目估算值计算模块中，将上一帧中的空闲时隙、独占时隙和冲突时隙的观察值分别记为m₀、m₁、m₂,将上一帧中的空闲时隙、独占时隙和冲突时隙的数量分别记为M₀、M₁、M₂，将空闲标签、独占标签和冲突标签的数目估算值记为n₀、n₁、n₂，则有如下关系式：$m_0=E\left[M_0\right]={\mathrm{le}}^{-n_0/l},m_1=E\left[M_1\right]=l(n_1/l)e^{-n_1/l},m_2=E\left[M_2\right]=1-(l+n_2)e^{-n_2/l},$从而求得n₀、n₁、n₂。

相比现有技术，本发明的有益效果在于：通过对RFID标签数目的快速、准确估算，来提高DFSA的效率，从而有效解决RFID数据传输的一致性和完整性问题。具体通过获取的上一帧的空闲时隙数、冲突时隙数、正常时隙数以及目前的帧长，采用最大似然估计法，估算出目前标签数目，同时，采用LFSR来实现哈希函数，使得标签能够均匀选择不同的时隙，减少估算的误差，降低误差率。

附图说明

图1为本发明的应用于溯源系统的RFID标签估算方法的流程图。

图2为本发明的应用于溯源系统的RFID标签估算方法的Aerr实验结果图。

图3为本发明的三种误差算法误差比较图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述：

参考图1为本发明的应用于溯源系统的RFID标签估算方法，包括以下步骤：

S1：以系统时间为种子得到的第一随机数与通过LFSR产生的第二随机数进行异或运算，并在寄存器中进行循环移位生成第三随机数，以使标签能够线性选择时隙；

S2：分别获取上一帧中的空闲时隙、独占时隙和冲突时隙的观察值；

S3：根据标签达到服从泊松分布得到二项频率函数，由二项频率函数得到参数为λ的泊松频率函数；

S4：根据泊松频率函数分别得到同一帧中的空闲标签、独占标签和冲突标签的数目期望值表达式；

S5：根据上一帧中的空闲时隙、独占时隙和冲突时隙的观察值，以及同一帧中的空闲标签、独占标签和冲突标签的数目期望值表达式，分别计算得出空闲标签、独占标签和冲突标签的数目估算值。

执行步骤S1是为了使RFID标签能够线性选择时隙，减少标签之间的碰撞。根据哈希函数的线性特性来计算选择时隙，即H(key)∈[0,l-1]。哈希函数应满足三个条件：一是不重复性，即对于给定的k1，k2，其H(K1)，H(K2)的值相等的可能性基本为0；二是单向性，即由H(K1)的值反推k1的值的可能性基本为0；三是实现简单，即可以通过软硬件设备简单实现。因此，采用线性反馈移位寄存器来实现哈希函数。

线性反馈移位寄存器(LFSR，LinerFeedbackShiftRegister)由一系列移位寄存器和少量异或元件组成，用来产生二进制序列，可用于产生伪随机数。线性反馈移位寄存器由随机数种子来初始化，每一个时钟，则寄存器的值就向右移动一位，其产生的值进行异或运算后将结果放到寄存器单元的最左边，同时输出一个位。这时，如果种子没有被泄露，则LFSR就可产生加密的伪随机数。而且，LFSR产生的伪随机数具有很好的统计特性，方便应用到统计算法中。LFSR的结构可以用生成多项式表示：G(x)＝g_mx^m+g_m-1x^m-1+…+g₁x+g₀。但是，LFSR产生的伪随机数也存在二个缺点：一是重复性。由于LFSR生成的随机数是以2^L-1为周期，即2^L-1步后随机数将重复，因此，若连续获得2^L位的数据，就可以破解。二是LFSR随机数是由数学多项式推导而来，具有线性特性，导致数据不能直接用于加密。因此，在本方案中，并不是直接使用LFSR随机数，而是将其与真正的随机数进行异或运算，并在寄存器中进行循环移位，可以有效避开LFSR随机数的缺点，而真正的随机数即以系统时间为种子，通过voidsrand函数产生的随机数。

在步骤S2中，需要获取上一帧中的空闲时隙、独占时隙和冲突时隙的观察值，而获取时隙的观察值为现有技术。需要说明的是，若为首次估算，即没有上一帧时，则将设定的测试帧作为上一帧，从而得到其中空闲时隙、独占时隙和冲突时隙的观察值。

在步骤S3中，根据概率论，标签的到达是服从泊松分布的，而泊松分布可由二项分布的极限得到，二项频率函数为：其中，p为第i个时隙为空闲时隙的概率，m为实验次数。假设mp＝λ，其中，λ为载入因子，其中，λ＝n/l，n为标签的个数，l为时隙的个数，则得到：由$P\left(k\right)=\frac{m!}{k!(m-k)!}{\left(\frac{\lambda }{m}\right)}^k{(1-\frac{\lambda }{m})}^{m-k}$得$P\left(k\right)=\frac{{\lambda }^k}{k!}\frac{1}{m^k}\frac{m!}{(m-k)!}{(1-\frac{\lambda }{m})}^m{(1-\frac{\lambda }{m})}^{-k},$当n→∞，则有：因此可得参数为λ的泊松频率函数：

在步骤S4中，将在第i时隙为空闲时隙、独占时隙、冲突时隙分别以X_i、Y_i、Z_i表示，当第i时隙为空闲时隙，则X_i＝1，当第i时隙为独占时隙，则Y_i＝1，当第i时隙为冲突时隙，则Z_i＝1。则假设第i时隙为空闲时隙时，有而由于有因此P[X_i＝1]≈e^-λ，从而可以得到空闲标签的数目期望值为：同理，假设第i时隙为独占时隙时，有$P[Y_i=1]=n\frac{1}{l}{(1-\frac{1}{l})}^{n-1}\approx {\mathrm{\lambda e}}^{-\lambda },$则独占标签的数目期望值为：E[N₁]≈lλe^-λ。而对于冲突标签的数目期望值，由于有X_i+Y_i+Z_i＝1，因此，冲突标签的数目期望值为：E[N₂]≈l-le^-λ-lλe^-λ。

在步骤S5中，将上一帧中的空闲时隙、独占时隙和冲突时隙的观察值分别记为m₀、m₁、m₂,将上一帧中的空闲时隙、独占时隙和冲突时隙的数量分别记为M₀、M₁、M₂，将空闲标签、独占标签和冲突标签的数目估算值记为n₀、n₁、n₂。由于λ＝n/l，E[N₀]＝le^-λ，所以有，$m_0=E\left[M_0\right]={\mathrm{le}}^{-n_0/l};$同理，得到$m_1=E\left[M_1\right]=l(n_1/l)e^{-n_1/l},$以及$m_2=E\left[M_2\right]=l-(l+n_2)e^{-n_2/l}.$由$m_0=E\left[M_0\right]={\mathrm{le}}^{-n_0/l}$可得到：n₀＝-l*ln(m₀/l)，即得到空闲标签的数目估算值；但因为与均为超级方程，根据参数的取值(m₁*e和l的大小)分为无解、1个解和2个解三种情况，即空闲标签和冲突标签的数目估算值需要满足一定的参数取值条件才有解。

下面针对上述应用于溯源系统的RFID标签估算方法，采用Matlab软件进行仿真测试，仿真范围为10*10平方米，仿真时间为60秒，均值采用500微秒，数据请求符合指数分布，仿真环境为自由空间传输路径损耗，不考虑衰减。RFID阅读器的读写距离为1.7米，工作频率为915MHz，移动速率不超过0.5米/秒，阅读器最初分布随机。RFID标签均匀分布。所有仿真结果采用计算平均值的方式，每个结果重复100次。其计算公式为：得到的Aerr(％)实验结果如图2所示。

由图2可知，当时隙数目l很小时，估算误差率很大，超过30％，即当n＞＞l时，帧中的所有时隙将以高概率遭遇冲突，估算的误差很大，但随着时隙数目l增加，即载入因子λ逐渐减少，估算误差率依次减少，当超过256后，误差率小于5％。同时，随着标签数目n的增加，载入因子λ逐渐增加，估算误差率也随着增加，但只要在估算范围内进行估算，当时隙数超过256后，估算误差率都小于5％。

如图3所示，为Vogt算法、UPE算法和ML算法的误差比较图，其中，ML算法即采用本发明的应用于溯源系统的RFID标签估算方法的算法。从图3可得到，Vogt算法的误差率与λ成正比，即随λ的增加，估算误差率随着上升，但总体估算比较准确，基本在15％以下。这是由于Vogt算法是采用符合碰撞时隙、空时隙、独占时隙3种时隙的数目进行遍历，搜索出最优算法，故估算比较准确。UPE算法的误差率也是与λ成正比，但其估算误差率比较大，基本在40％以上。ML算法误差率与λ成反比，当λ＞2左右时，ML算法误差率基本维持在5％，同时，当λ＞1.2时，ML算法误差率比Vogt算法、UPE算法的误差率要低。

因此，本发明的RFID标签估算方法，通过对RFID标签数目的快速、准确估算，来提高DFSA的效率，从而有效解决RFID数据传输的一致性和完整性问题。具体通过获取的上一帧的空闲时隙数、冲突时隙数、正常时隙数以及目前的帧长，采用最大似然估计法，估算出目前标签数目，同时，采用LFSR来实现哈希函数，使得标签能够均匀选择不同的时隙，减少估算的误差，降低误差率。

对应于上述的应用于溯源系统的RFID标签估算方法，本发明还公开了应用于溯源系统的RFID标签估算装置，包括以下模块：

随机数生成模块：用于以系统时间为种子得到的第一随机数与通过LFSR产生的第二随机数进行异或运算，并在寄存器中进行循环移位生成第三随机数，以使标签能够线性选择时隙；

时隙观察值获取模块：用于分别获取上一帧中的空闲时隙、独占时隙和冲突时隙的观察值；

泊松频率函数生成模块：用于根据标签达到服从泊松分布得到二项频率函数，由二项频率函数得到参数为λ的泊松频率函数；

标签数目期望值表达式生成模块：用于根据泊松频率函数分别得到同一帧中的空闲标签、独占标签和冲突标签的数目期望值表达式；

标签数目估算值计算模块：用于根据上一帧中的空闲时隙、独占时隙和冲突时隙的观察值，以及同一帧中的空闲标签、独占标签和冲突标签的数目期望值表达式，分别计算得出空闲标签、独占标签和冲突标签的数目估算值。

优选的，在随机数生成模块中，以系统时间为种子，通过voidsrand函数产生第一随机数。

优选的，在时隙观察值获取模块中，若为首次估算，则将设定的测试帧作为上一帧，从而得到其中空闲时隙、独占时隙和冲突时隙的观察值。

优选的，在泊松频率函数生成模块中，二项频率函数为：其中，p为第i个时隙为空闲时隙的概率，m为实验次数；基于假设mp＝λ，λ为载入因子，其中，λ＝n/l，n为标签的个数，l为时隙的个数，当n→∞，则可得到参数为λ的泊松频率函数为：$P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda },k=0,1,2,\mathrm{....}$

优选的，在标签数目期望值表达式生成模块中，空闲标签的数目期望值表达式为：E[N₀]≈le^-λ，独占标签的数目期望值表达式为：E[N₁]≈lλe^-λ，冲突标签的数目期望值表达式为：E[N₂]≈l-le^-λ-lλe^-λ；在标签数目估算值计算模块中，将上一帧中的空闲时隙、独占时隙和冲突时隙的观察值分别记为m₀、m₁、m₂,将上一帧中的空闲时隙、独占时隙和冲突时隙的数量分别记为M₀、M₁、M₂，将空闲标签、独占标签和冲突标签的数目估算值记为n₀、n₁、n₂，则有如下关系式：$m_0=E\left[M_0\right]={\mathrm{le}}^{-n_0/l},m_1=E\left[M_1\right]=l(n_1/l)e^{-n_1/l},m_2=E\left[M_2\right]=l-(l+n_2)e^{-n_2/l},$从而求得n₀、n₁、n₂。

对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。