天猫精灵蓝牙mesh设备模型解析

本文涉及的产品
公共DNS(含HTTPDNS解析),每月1000万次HTTP解析
云解析 DNS,旗舰版 1个月
全局流量管理 GTM,标准版 1个月
简介: 本文根据《蓝牙mesh协议》,介绍与天猫精灵适配的蓝牙mesh设备在软件上的模型架构;希望通过该文章让初次接触蓝牙mesh的同学掌握蓝牙mesh设备的模型概念,理解蓝牙mesh设备模型与设备之间的关联。根据《蓝牙mesh协议》中定义,蓝牙mesh设备的模型架构主要分为Element(元素)、Model(模型)两部分;天猫精灵蓝牙mesh设备在这两部分的基础上增加属性概念(具体可参考《蓝牙mesh扩展协议》)。在创建一个适配于天猫精灵生态的蓝牙mesh设备时,我们先根据产品具体特性,抽象出产品具体属性,然后根据属性选择对应的Model,最后再根据设备特性确定Element。

一、蓝牙mesh设备模型概念介绍

1.1 产品属性
产品属性是一个类型产品具体要实现的功能抽象。
例:
一个灯要具备开关功能,则该设备需要具备“开关”属性。
一个风扇需要能支持控制左右摇头,则该设备需要具备“摇头”属性。
具体一个产品需要支持的基础属性可以参考相应品类的《产品规范》。

1.2 Model
根据《蓝牙mesh协议》定义,Model分为Server Model和Client Model;在天猫精灵蓝牙mesh设备上配置的Model均为Server Model,表示该设备具有特定的业务能力。
在《蓝牙mesh协议》中,将不同场景下的一系列相关操作定义为Model;可以认为Model就是对一系列特定属性的操作合集。
类似的,在天猫精灵生态中,根据产品抽象的属性,选择对应的Model。可以认为每个Model对应一个特定的业务。
《蓝牙mesh协议》中定义了Configuration Server Model和Health Server Model用于配置和管理蓝牙mesh网络。其中Configuration Server Model仅存在于设备的Primary Element(主元素)上,其他Element不需要添加该model;Health Server Model必须存在于设备的Primary Element上,其他Element则可以根据需要选择是否添加该模型。

1.3 Element
天猫精灵蓝牙mesh设备定义一个Element代表一个具有完整功能属性的设备;对于重复型设备(比如多位开关/插座),每个独立控制单元做为一个Element;对于复合型设备(比如风扇灯),不同Element控制设备上对应的设备属性(比如风扇和灯由2个不同的Element控制)。
根据《蓝牙mesh协议》定义,Element定义了mesh设备所支持的Model。每个Element上可以存在多个不同的Model,相同的Model也可以存在于一个设备不同的Element上。

1.4 天猫精灵蓝牙mesh设备Model
1.4.1 Configuration Server Model
如上文所述,该Model存在于设备Primary Element上。
1.4.2 Health Server Model
天猫精灵蓝牙mesh设备的Health Server Model主要用于上报心跳包,因此规定需要在Primary Element上添加该Model,其他Element上不用添加Health Server Model。
1.4.3 业务相关Model
除上述Configuration Server Model和Health Server Model之外,天猫精灵蓝牙mesh设备还使用了5种Model来实现设备具体功能。
• Generic OnOff Server Model
• Lightness Server Model
• CTL Server Model
• Scenes Server Model
• Vendor Server Model
当一个设备需要有一个开关属性时,则必须配置Generic Onoff Server Model。
Lightness Server Model、CTL Server Model、Scenes Server Model这3个model分别对应设备的亮度、色温、场景属性。
设备定义的其他属性均在Vendor Server Model中实现,具体看参考《蓝牙mesh扩展协议》。

二、模型范例

2.1 灯
2.1.1 属性分析
灯是目前天猫精灵生态中应用最广泛的产品品类,该类型产品包含各种不一样的灯具,常见的除了支持开关的普通灯外,还有调光灯、色温灯、彩灯、色温+彩色灯;部分灯具还会有场景模式要求;因此该类型设备需要用的属性分别是开关、亮度、色彩、色温、场景共5个属性。根据前面提到的天猫精灵蓝牙mesh设备支持的5种设备模型,此类设备需要支持的Model是Generic OnOff Server Model、Lightness Server Model、CTL Server Model、Scenes Server Model与Vendor Server Model。

2.1.2 设备模型
具体该品类设备模型如下表:
image.png

2.2 单孔插座
2.2.1 属性分析
单孔插座类型的产品需要具备最基础的开关功能,同时部分插座有定时开关的功能需求;因此此类设备需要支持的Model是Generic OnOff Server Model与Vendor Server Model。
2.2.2 设备模型
具体该品类设备模型如下表:
image.png

2.3 多位面板/多孔插座
2.3.1 属性分析
多位面板/插座功能属性于单孔插座一致,但需要支持更多的控制位/孔位;因此定义此类设备为多Element设备,每个Element需要支持的Model是Generic OnOff Server Model与Vendor Server Model。
2.3.2 设备模型
具体该品类设备模型如下表:
image.png
image.png

2.4 风扇灯
2.4.1 属性分析
风扇灯品类是一个复合型产品,灯和风扇都要有独立的开关控制;因此定义此类设备为多Element设备,不同Element分别对应风扇的属性操作和灯的属性操作。控制风扇的Element包括Generic OnOff Server Model用于控制风扇开关,以及Vendor Server Model用于控制风扇其他属性,如:风速、摇头、定时等。控制灯的Element参考本文1.1章节。
2.4.2 设备模型
具体该品类设备模型如下表:
image.png

相关文章
|
1月前
|
机器学习/深度学习 人工智能 算法
模型无关的局部解释(LIME)技术原理解析及多领域应用实践
在当前数据驱动的商业环境中,人工智能(AI)和机器学习(ML)已成为各行业决策的关键工具,但随之而来的是“黑盒”问题:模型内部机制难以理解,引发信任缺失、监管合规难题及伦理考量。LIME(局部可解释模型无关解释)应运而生,通过解析复杂模型的个别预测,提供清晰、可解释的结果。LIME由华盛顿大学的研究者于2016年提出,旨在解决AI模型的透明度问题。它具有模型无关性、直观解释和局部保真度等优点,在金融、医疗等领域广泛应用。LIME不仅帮助企业提升决策透明度,还促进了模型优化和监管合规,是实现可解释AI的重要工具。
88 9
|
1月前
|
开发框架 供应链 监控
并行开发模型详解:类型、步骤及其应用解析
在现代研发环境中,企业需要在有限时间内推出高质量的产品,以满足客户不断变化的需求。传统的线性开发模式往往拖慢进度,导致资源浪费和延迟交付。并行开发模型通过允许多个开发阶段同时进行,极大提高了产品开发的效率和响应能力。本文将深入解析并行开发模型,涵盖其类型、步骤及如何通过辅助工具优化团队协作和管理工作流。
61 3
|
8天前
|
存储 网络协议 安全
30 道初级网络工程师面试题,涵盖 OSI 模型、TCP/IP 协议栈、IP 地址、子网掩码、VLAN、STP、DHCP、DNS、防火墙、NAT、VPN 等基础知识和技术,帮助小白们充分准备面试,顺利踏入职场
本文精选了 30 道初级网络工程师面试题,涵盖 OSI 模型、TCP/IP 协议栈、IP 地址、子网掩码、VLAN、STP、DHCP、DNS、防火墙、NAT、VPN 等基础知识和技术,帮助小白们充分准备面试,顺利踏入职场。
25 2
|
8天前
|
存储 安全 Linux
Golang的GMP调度模型与源码解析
【11月更文挑战第11天】GMP 调度模型是 Go 语言运行时系统的核心部分,用于高效管理和调度大量协程(goroutine)。它通过少量的操作系统线程(M)和逻辑处理器(P)来调度大量的轻量级协程(G),从而实现高性能的并发处理。GMP 模型通过本地队列和全局队列来减少锁竞争,提高调度效率。在 Go 源码中,`runtime.h` 文件定义了关键数据结构,`schedule()` 和 `findrunnable()` 函数实现了核心调度逻辑。通过深入研究 GMP 模型,可以更好地理解 Go 语言的并发机制。
|
1月前
|
机器学习/深度学习 搜索推荐 大数据
深度解析:如何通过精妙的特征工程与创新模型结构大幅提升推荐系统中的召回率,带你一步步攻克大数据检索难题
【10月更文挑战第2天】在处理大规模数据集的推荐系统项目时,提高检索模型的召回率成为关键挑战。本文分享了通过改进特征工程(如加入用户活跃时段和物品相似度)和优化模型结构(引入注意力机制)来提升召回率的具体策略与实现代码。严格的A/B测试验证了新模型的有效性,为改善用户体验奠定了基础。这次实践加深了对特征工程与模型优化的理解,并为未来的技术探索提供了方向。
96 2
深度解析:如何通过精妙的特征工程与创新模型结构大幅提升推荐系统中的召回率,带你一步步攻克大数据检索难题
|
27天前
|
安全 Java
Java多线程通信新解:本文通过生产者-消费者模型案例,深入解析wait()、notify()、notifyAll()方法的实用技巧
【10月更文挑战第20天】Java多线程通信新解:本文通过生产者-消费者模型案例,深入解析wait()、notify()、notifyAll()方法的实用技巧,包括避免在循环外调用wait()、优先使用notifyAll()、确保线程安全及处理InterruptedException等,帮助读者更好地掌握这些方法的应用。
17 1
|
1月前
|
机器学习/深度学习 算法 Python
深度解析机器学习中过拟合与欠拟合现象:理解模型偏差背后的原因及其解决方案,附带Python示例代码助你轻松掌握平衡技巧
【10月更文挑战第10天】机器学习模型旨在从数据中学习规律并预测新数据。训练过程中常遇过拟合和欠拟合问题。过拟合指模型在训练集上表现优异但泛化能力差,欠拟合则指模型未能充分学习数据规律,两者均影响模型效果。解决方法包括正则化、增加训练数据和特征选择等。示例代码展示了如何使用Python和Scikit-learn进行线性回归建模,并观察不同情况下的表现。
296 3
|
2月前
|
机器学习/深度学习 存储 人工智能
让模型评估模型:构建双代理RAG评估系统的步骤解析
在当前大语言模型(LLM)应用开发中,评估模型输出的准确性成为关键问题。本文介绍了一个基于双代理的RAG(检索增强生成)评估系统,使用生成代理和反馈代理对输出进行评估。文中详细描述了系统的构建过程,并展示了基于四种提示工程技术(ReAct、思维链、自一致性和角色提示)的不同结果。实验结果显示,ReAct和思维链技术表现相似,自一致性技术则呈现相反结果,角色提示技术最为不稳定。研究强调了多角度评估的重要性,并提供了系统实现的详细代码。
60 10
让模型评估模型:构建双代理RAG评估系统的步骤解析
|
15天前
|
安全 测试技术 Go
Go语言中的并发编程模型解析####
在当今的软件开发领域,高效的并发处理能力是提升系统性能的关键。本文深入探讨了Go语言独特的并发编程模型——goroutines和channels,通过实例解析其工作原理、优势及最佳实践,旨在为开发者提供实用的Go语言并发编程指南。 ####
|
2月前
|
负载均衡 监控 安全
Wi-Fi漫游深入解析:确保设备连接的有效策略
Wi-Fi漫游深入解析:确保设备连接的有效策略
127 9

推荐镜像

更多
下一篇
无影云桌面