CN100553377C - 一种用于无线传感器网络降低能耗的压缩判决方法 - Google Patents

Abstract

一种用于无线传感器网络的降低能耗的压缩判决方法，属于无线传感器网络技术，尤其是能耗优化设计技术领域，在无线传感器的微处理器MCU的数据处理中设立了一个压缩判决模块，一旦射频模块的发射功率，或者是用户的精度要求发生变化，便可利用预设的执行LTC压缩算法的最佳压缩比预测模型以及执行最短时间预测模型，得到压缩单字节数据的时间开销，便可根据MCU压缩1字节数据的时间开销与发送1字节的时间开销之比、MCU的功率与发射功率之比这两个参数，就能确定损益平衡点的最佳压缩比，以此来判断压缩后再发送还是直接发送。本发明能有效地避免不必要的能量损失，最高可达到10%～30%。

Description

一种用于无线传感器网络降低能耗的压缩判决方法

技术领域

“一种用于无线传感器网络降低能耗的压缩判决方法”直接应用的技术领域是无线传感器网络中压缩算法能耗的优化设计。将本发明所述的方法与无线传感器网络中普遍使用的数据压缩技术相结合，可以对整个传感器节点的能量进行优化控制。在满足应用需求的前提下，传感器节点能够节省更多的能量消耗，延长其生存时间。

背景技术

无线传感器网络(Wireless Sensor Networks，WSNs)凭借其高集成度、低成本以及自组织等特性，被广泛应用于生态监测、军事监控、医疗保健以及智能家居等领域中。其典型的运作模式是在指定的监测区域内，由广泛部署的传感器节点(Sensor Node)，将采集的监测数据以多跳传递的方式，路由到汇聚节点(Sink Node)，进而送达上层管理终端作后续处理。由此，数据收集成为无线传感器网络最基本的功能。

作为网络构成的基本单位，传感器节点可分为四个主要模块：传感模块、射频通信模块、处理器模块以及能源供应模块。其中，传感模块从物理环境中采集数据，并将其转换为电信号；射频通信模块将数据以无线方式发送给邻近节点；处理器模块负责整个运作过程的控制与调度。通常情况下，传感器节点以电池充当其能源供应模块，为其余各个模块供电。高密度、大范围的节点部署，增加了给节点更换电池、补充电量的难度。因此，能量的高效使用成为设计者面对的首要设计目标，这也是无线传感器网络区别于其他无线网络的最根本的特性。

近年来的研究指出，射频通信模块的能量消耗约占节点总能耗的90％以上(见文献D.Estrin；Tutorial“Wireless sensor networks”PartIV：Sensor networks protocols；MobiCom，2002)；同时，通信能耗与计算能耗的关系被认为是发送1比特数据相当于执行200条指令(见文献M.Srivastava；Tutorial“Wireless sensor networks”Part II：SensorNode Platforms&Energy Issues；MobiCom，2002)。因此，设计者提出以计算能耗换取通信能耗的方式来节省节点的总能耗，即在满足应用需求的前提下，对数据进行适当地网内处理，减少数据传输量，从而有效地节省网络能耗，延长网络生存周期。鉴于节点采集的数据普遍存在着时间和空间上的信息冗余，无线传感器网络的能量优化策略分别引入了数据压缩(Data Compression)技术和数据聚合(Data Aggregation)技术。采用这两种网内数据处理技术，可以有效地去除原始数据在时域和空域中的相关性，进而减少所需的数据传输量，大幅度降低节点在数据通信上的能量损耗。

然而，“以计算代价换取通信代价”的做法并不能确保在任何情况下都能达到能量节省的效果：

第一，网内数据处理引入的额外计算能耗往往超出设计的预期。传感器节点不仅能量有限，其计算能力亦相当有限。因此，在节点上实现数据处理需要较多的指令来完成，这就导致了计算时间的延长。以MicaZ节点(由加州大学伯克利分校开发的一款传感器试验节点)为例，执行一次32位整数除法操作就需要花费大约600个时钟周期(约75微秒)，而除法运算在数据处理算法中又是相当常见的。因此，相比于数据发送(250kbps，即发送1比特数据需4微秒)，网内数据处理需要消耗更长的执行时间，从而产生较大的计算能耗。

第二，传感器节点的射频功率可以根据不同的应用背景以及网络拓扑结构进行可配置操作。目前开发的大多数节点都具备发射功率可配置的功能，即针对不同的通信距离，调整射频模块的发射功率。这一特性使节点不再需要时刻保持最大的发射功率。事实上，网络的非均匀部署，使节点间的距离跨度从几米到几十米，合理设置发射功率，既可以节省能量，又能避免信息互扰。因此，很多实际应用充分利用了节点的这一特性：当其进行短距离通信时，降低节点的发射功率。然而，随着发射功率的不断降低，射频模块的功耗会慢慢接近节点的计算功耗(即处理器功耗)。

第三，网内数据处理所能获得的节能效果依赖于原始数据的特性以及应用对数据精度的要求。以数据压缩算法为例，如果数据本身的冗余度较小，即原始数据并不是强相关的，压缩算法的执行就很难大幅度减少数据量；如果应用对数据精度的要求较高，比如要求数据无损，则压缩算法同样不能获得令人满意的压缩比。这就导致压缩算法只能获得很少的通信能耗的节省。

综合以上三点可以发现，在某些情况下，网内数据处理未必能达到预期的节能效果，反而会因为额外增加的计算能耗大大超过了节省的通信能耗，使执行压缩算法得不偿失。此时，需要一种判决方法能够作用于数据处理算法，避免算法引入不必要的能量损失。

发明内容

本发明提出了一种压缩判决方法，对应用于时域去相关的节点级数据压缩算法，通过预测压缩算法的压缩比损益平衡点，给出能量最优的控制决策，即实行数据压缩或是直接发送原始数据。

本发明的特征在于：所述方法是在各个无线传感器的微处理器MCU中依次按以下步骤实现的：

步骤(1)，初始化：在所述微处理器MCU中设置一个压缩判决模块和一个数据压缩模块：

所述压缩判决模块从所述微处理器MCU的应用层中提取以下预设的初始信息：数据类型、精度要求e、以及轻量级时域压缩算法LTC，上述初始信息在所述无线传感器节点部署前是通过用户接口预先设置的；

所述压缩判决模块从所述微处理器MCU的网络传输层提取以下初始信息：发射功率，其数值取自所述无线传感器节点中的消息帧，还有数据传输速率和MCU计算功率，所述数据传输速率和MCU计算功率是从所述微处理器MCU的物理层经过数据链路层后，再传输到所述网络层中的；

所述压缩判决模块再把包括数据类型、精度要求e、压缩算法类型、发射功率、数据传输速率、微处理器MCU计算功率在内的所述初始信息送入所述微处理器的存储单元；

所述压缩判决模块再把预设的基于所述轻量级时域压缩算法LTC的一个压缩比预测模型和一个压缩执行时间的预测模型存入所述微处理器MCU的存储单元，其中：

压缩比预测模型是：

自变量e为精度要求，因变量CR为最佳压缩比，a、b、c、e₁、e₂为设定值：对应数据类型为相对湿度，a等于-0.27、b等于0.88、c等于0.04、e₁等于0、e₂等于3；对应数据类型为海面压强，a等于-0.59、b等于0.83、c等于0.04、e₁等于0、e₂等于1.4；对应数据类型为大气温度，a等于-2.72、b等于0.88、c等于0.04、e₁等于0、e₂等于0.3；

压缩执行时间的预测模型是：f(CR)＝pCR+q，自变量CR为预测的最佳压缩比，

因变量f(CR)为压缩算法执行时间预测值，单位为毫秒，参数取值为： $\left\{\begin{array}{c}p=-1.12\\ q=3.13\end{array}\right.;$

步骤(2)，在所述无线传感器节点部署后，所述压缩判决模块判断所述发射功率和精度要求e是否发生变化：若发射功率和精度要求任何一个发生变化，则顺序执行步骤(3)-(7)：

步骤(3)，所述压缩判决模块从所述应用层提取以下信息：数据类型、精度要求e以及算法类型，即所述轻量级时域压缩算法LTC；

步骤(4)，所述压缩判决模块基于应用背景给出的精度要求，预测所述轻量级时域压缩算法所能获得的最佳压缩比CR；同时，预测轻量级压缩算法所需的最短执行时间：是通过微处理器MCU指令集仿真工具AVR Studio结合MATLAB统计工具，再估计执行所述LTC算法所需的最短时间；

步骤(5)，所述压缩判决模块从所述网络传输层获取发射功率、数据传输速率以及MCU计算功率；

步骤(6)，所述压缩判决模块按下式计算所述LTC算法的压缩比损益平衡点CR′：

${\mathrm{CR}}^{\′}=1-\mathrm{\α}\frac{T_{\mathrm{MCU}}\left(e\right)}{P_{\mathrm{RF}}\left(d\right)}$

其中：T_MCU为在已知精度要求e下，节点压缩1个字节数据的时间开销，根据步骤(1)所述的压缩执行时间的预测模型而计算得到；d为所述节点间的通信距离；P_RF(d)为所述射频模块发射功率； $\mathrm{\α}=\frac{P_{\mathrm{MCU}}}{T_{\mathrm{tran}}},$ 其中P_MCU为所述微处理器的功率，T_tran为节点发送1个字节数据所需的时间，由所述数据传输速率决定；

步骤(7)，比较所述损益平衡点CR′与步骤(4)中得到的预测的最佳压缩比CR：

若CR′≥CR，则对原始数据进行压缩操作后发送；

若CR′＜CR，则直接发送所述的原始数据。

在满足应用需求的前提下，将本发明用于传统的数据压缩算法，既能发挥数据压缩在节省能耗方面的优势，又能有效避免算法可能引入不必要能量损失的情况，使节点总能耗达到优化，延长节点的生存周期。针对不同特性的原始数据，与传统的数据压缩算法在等同条件下的比较结果显示，结合本发明所提出的压缩判决方法，可以获得的能量节省最高达到10％～30％，而同时引入的额外计算开销通常比压缩单个数据的开销还要小。由于压缩判决方法仅当发射功率或精度要求发生变化时才会被执行，因此其执行频率远远低于数据压缩，从而使判决方法本身引入的额外开销往往可以忽略不计。也就是说，本发明所提出的压缩判决方法可以在引入很小额外开销的情况下，有效地提高传统压缩算法的能量效率。

附图说明

以下，结合附图来详细说明本发明的实施例，其中：

图1.本发明使用的传感器节点的硬件框架；

图2.本发明提出的节点级压缩判决方法的软件架构体系；

图3.本发明提出的节点级压缩判决方法的工作流程；

图4.本发明使用的三种典型环境数据基于轻量级时域压缩算法LTC压缩算法的精度要求-压缩比变化曲线；

图5.本发明作用于速变型数据(相对湿度)时获取的能量节省比例；

图6.本发明作用于渐变型数据(海面压强)时获取的能量节省比例；

图7.本发明作用于缓变型数据(大气温度)时获取的能量节省比例；

具体实施方式

实施例

图1为本发明使用的传感器节点的硬件框架。该基本架构以微处理器为主要控制单元，实现对通信协议的控制和各种应用的处理；同时，微处理器兼备一定的存储功能，负责保存传感数据、各类帧信息(数据帧、消息帧、控制帧)以及用户预设的各种应用相关数值等。其余各个模块的功能如下：传感器(或称为执行器)负责实现数据采集；射频收发器进行数据的无线传输；能量供应单元分别给射频收发器、微处理器以及传感器提供能量；用户接口负责节点与上层管理终端的通信连接，包括应用参数的设置以及相关信息的读取。

图2为本发明提出的节点级压缩判决方法的软件架构体系，该体系位于节点微处理器的处理单元内。与传统的软件架构相比，该体系在数据处理层中添加了压缩判决的模块，以此实现节点级的压缩判决方法。

整个软件体系共分五个层次，与互联网所使用的五层协议类似，从顶至下依次为：应用层、数据处理层、网络传输层、数据链路层以及物理层。其中，数据处理层包括两个子功能模块：数据压缩和压缩判决。对压缩判决模块而言，在执行判决前，需要预知的信息包括：数据类型、精度要求、压缩算法类型、发射功率、数据传输速率、MCU计算功率。其中，数据类型、精度要求以及压缩算法类型由应用层提供；发射功率取决于网络传输层；数据传输速率和MCU计算功率由节点硬件决定，该信息通过协议栈最底层(物理层)逐级传送至压缩判决模块。所需的预知信息均读取自微处理器的存储单元，分别由与微处理器连接的各个模块提供。

通过压缩判决可以得到两种判决结果：如果预测出数据压缩可以节省能耗，则执行压缩算法；反之，则直接将原始数据无线发送。压缩判决模块将其判决结果发送给同层的数据压缩模块，同时下行传送至物理层。如果判决结果为需要执行压缩，则由物理层将原始数据上行传送到数据处理层，同时启动该层的数据压缩模块，按照应用层所提供的精度要求，在数据压缩模块执行压缩操作，并将压缩后的数据结果下行返回给物理层进行无线发送。另一方面，如果判决结果为不需要执行压缩，则无需启动数据压缩模块，原始数据将直接经由无线信道传输。

整个压缩判决方法分为两个阶段：学习阶段和执行阶段。由于压缩判决方法需要预测出压缩算法的损益平衡点，因此在执行判决前要建立相应的预测模型。本发明涉及到的预测模型包括：压缩比的预测模型和压缩执行时间的预测模型。对这两种模型的建立，采用不同类型及特性的原始数据，以基于同一种数据压缩算法，根据不同精度要求下获得的压缩比作为预测输入，使用MATLAB提供的数据分析与统计工具，对数据进行统计分析及数据拟合，进而构筑所需的预测模型。本发明所需的预测模型，是基于精度要求e的一元函数，通过最小二乘法构筑，即：

求f(e)，使 $\mathrm{\δ}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left[f(e_i-y_i)\right]}^2$ 达到最小

其中，δ_i为点(e_i，y_i)与曲线y＝f(e)的距离。最小二乘准则就是使所有散点到曲线的距离平方和最小。根据实际的统计结果，可以采用不同的数据拟合模型，其中包括：

一次函数：f(e)＝ae+b  a、b为待定系数

分段函数： $f\left(e\right)=\left\{\begin{array}{cc}\mathrm{ae}+b& e_1<e<e_2\\ c& \mathrm{else}\end{array}\right.$ a、b、c、e₁、e₂为待定系数

多项式函数：f(e)＝a₀+a₁e+a₂e²+...+a_neⁿ    a₀、a₁、…、a_n为待定系数

指数函数：f(e)＝a^e  a为待定系数，a＞0且a≠1

以上过程称为压缩判决的学习阶段。该学习阶段由系统后台完成，建模结果告知传感器节点，并将其存储于微处理器中。压缩判决的执行阶段即为实际执行判决的过程。图3为本发明提出的节点级压缩判决方法的工作流程。整个工作流程包括以下几个步骤：

步骤01：如果压缩判决所需的任一预知信息发生改变，则压缩判决启动。

六种预知信息中，数据传输速率、MCU计算功率由节点的硬件结构决定，故可视为恒定常量；对于同一种应用背景，数据类型及压缩算法类型亦固定不变。由此，压缩判决所需的预知信息之中，发射功率和精度要求的变化相对频繁，故而成为启动压缩判决方法的主要因素。

步骤02：压缩判决模块从应用层中获取相关信息。

所涉及的信息包括：数据类型、精度要求以及压缩算法种类，相应地保存于微处理器的存储单元内，可以通过用户接口预先设置(节点部署前)，也可以取自射频模块提供的控制帧信息(节点部署后)。

步骤03：根据应用层提供的相关信息，预测压缩算法(本文为轻量级时域压缩算法LTC)所能获得的最佳压缩比。

预测过程需要借助压缩判决方法在学习阶段建立的预测模型。本文涉及到的压缩比，其定义为压缩后的数据总量与原始数据量之比。经由大量的样本统计所获得的压缩比预测模型，可以预测出确定类型的原始数据，在特定的压缩算法和不同的精度要求下，能够达到的最佳压缩比。本文的精度要求是指应用背景给出的数据精度要求。

步骤04：根据应用层提供的相关信息，预测执行压缩算法(本文为轻量级时域压缩算法LTC)所需的最短时间。

该预测过程与步骤03中所述的过程相类似。其构筑的压缩执行时间预测模型根据应用层指定的精度要求，采用微处理器指令级仿真工具(本文为AVR Studio软件包)结合MATLAB统计工具，估计执行相应的压缩算法所需的最短时间。

步骤05：压缩判决模块从网络传输层中获取相关信息，包括：发射功率、数据传输速率以及MCU计算功率。

其中，发射功率由网络传输层决定，其数值取自消息帧，由射频模块提供；数据传输速率和MCU计算功率取决于节点的硬件结构，相关信息预置于微处理器的存储单元中，通过物理层逐级上行传送。

步骤06：计算压缩算法的压缩比损益平衡点CR′。

计算压缩比损益平衡点CR′的过程经由以下数学推导实现：

记E_uncomp为节点直接发送原始数据所需的通信能耗；E_comp为节点压缩原始数据并发送压缩后数据的总能耗，该能耗由两部分组成：处理器(MCU)执行压缩的能耗以及射频(RF)的通信能耗。于是有：

E_uncomp＝P_RF(d)*L*T_tran          (1)

E_comp＝E_MCU+E_RF                  (2)

E_MCU＝P_MCU*L*T_MCU(e)             (3)

E_RF＝P_RF(d)*L*CR(e)*T_tran        (4)

其中，T_tran表示节点发送单字节(1 byte)数据所需时间，由数据传输速率决定；T_MCU表示节点压缩单字节(1 byte)数据的时间开销，根据已建立的压缩执行时间预测模型，在步骤04中得到。射频模块的发射功率P_RF取决于节点的通信距离d；处理器模块(MCU)的功率P_MCU则由硬件决定。L为原始数据量；CR表示压缩可以获得的压缩比，该数值由步骤03得到。

可以看出，压缩算法的压缩比损益平衡点出现在直接发送和压缩后发送的总能耗相等的时候，即式(1)等于式(2)，此时压缩算法的压缩比损益平衡点CR′为：

${\mathrm{CR}}^{\&prime;}=1-\mathrm{\&alpha;}\frac{T_{\mathrm{MCU}}\left(e\right)}{P_{\mathrm{RF}}\left(d\right)}---\left(5\right)$

由于P_MCU与T_tran对于特定传感器节点来说可以视为常量，故使用 $\mathrm{\&alpha;}=\frac{P_{\mathrm{MCU}}}{T_{\mathrm{tran}}}$ 来表述其取值。由式(5)可以发现，对于特定的节点，CR′的数值取决于应用对精度要求e和通信距离d的要求。

步骤07：比较压缩比损益平衡点CR′与预测的最佳压缩比CR。

步骤08：如果CR′≥CR，对原始数据进行压缩操作后发送。

CR′指示了压缩算法可以获得节能收益的临界点，即如果所执行的压缩未能达到临界点的要求，则压缩算法将无法获得节能收益。由此，当且仅当预测的最佳压缩比CR小于等于CR′时，压缩才有可能节省能量，此时的判决结果为执行压缩操作。

步骤09：如果CR′＜CR，直接发送原始数据。

CR′＜CR表明，预测的最佳压缩比CR无法达到临界点CR′的要求，即算法可能获得的最佳效果都无法达到损益平衡，故此时的判决结果为直接发送原始数据。

步骤10：节点结束一次压缩判决过程。

为了检验节点级压缩判决方法对节点能耗的优化作用，我们首先选取采自于实际物理环境下的传感器数据及适用于该数据特性的压缩算法，以此建立所需的两种预测模型，即完成压缩判决方法的学习阶段；然后通过仿真，比较传统的数据压缩算法与结合了压缩判决方法的数据压缩算法，在等同条件下的能耗差异。

我们所选取的原始数据来自于太平洋海洋环境实验室的热带大气海洋计划(TropicalAtmosphere Ocean Project，TAO)。该系统能够实时采集与海洋及气象相关的数据用于后续研究。此外，我们选择轻量级时域压缩算法LTC作为指定的数据压缩算法。轻量级时域压缩算法(见文献T.Schoellhammer，B.Greenstein，E.Osterweil，M.Wimbrow，and D.Estrin；Lightweight temporal compression of microclimate datasets；Proceedings of the 29thAnnual IEEE International Conference on Local Computer Networks，2004)是一种针对环境数据的低复杂度数据压缩技术，它充分利用了环境数据连续及近似线性变化的特性，能够获取比传统基于字典的压缩算法LZW及小波变换更好的压缩效果。需要特别指出的是，根据我们对大量数据类型和压缩算法的仿真，本发明提出的压缩判决方法并不局限于特定的数据类型和压缩算法，这里选择特定的数据类型和压缩算法只是为了更好地说明这一方法所能获得的效果。

图4显示了三类具有代表性的环境数据在轻量级时域压缩算法作用下所能获得的最佳压缩比。其中，横坐标表述的精度要求，其单位对应于各类数据的国际标准单位。三类数据分别为：代表速变型数据的相对湿度、代表渐变型数据的海面压强以及代表缓变型数据的大气温度。判决方法需要的压缩比预测模型即根据图4显示的统计结果，对不同类型的数据进行建模得到。我们采用的拟合模型为分段一次函数，即

自变量e为精度要求，因变量CR为最佳压缩比。针对上述三种实验数据，相应的参数取值如表1所示。

表1最佳压缩比预测模型各参数值

环境数据类型	a	b	c	e1	e2
						相对湿度	-0.27	0.88	0.04	0	3
海面压强	-0.59	0.83	0.04	0	1.4
						大气温度	-2.72	0.88	0.04	0	0.3

同理可以获得压缩算法执行时间的预测模型。由于压缩算法的执行时间与具体数值无关，仅取决于压缩比不同引起的所执行循环体的不同，而压缩比由精度要求决定，因此可以使用之前获得的最佳压缩比CR作为自变量，建立相应的压缩比-执行时间模型，以此间接表征精度要求与执行时间的函数关系。我们采用的拟合模型为一次函数，即f(CR)＝pCR+q，自变量CR为预测的最佳压缩比，因变量f(CR)为压缩算法执行时间预测值，单位为毫秒。其中，参数的取值为：

$\left\{\begin{array}{c}p=-1.12\\ q=3.13\end{array}\right.$

图5、图6和图7分别显示了压缩判决方法作用于速变型数据(相对湿度)、渐变型数据(海面压强)以及缓变型数据(大气温度)时获取的能量节省比例。验证实验采用的硬件平台为加州大学伯克利分校开发的MicaZ试验节点，该节点使用的射频芯片为CC2420，具有32个可配置的发射功率级别。以50个数据为单位(组)执行压缩，每类数据选取20组。为了确保验证的准确性，所用的原始数据不同于判决学习阶段使用的统计样本。能量节省比例定义为(使用传统数据压缩的节点总能耗-结合压缩判决方法的节点总能耗)/使用传统数据压缩的节点总能耗×100％。

从图5、图6和图7中可以看出，结合了压缩判决方法的数据压缩算法，作用于各种类型的环境数据，均能获得节省能耗的效果。尤其当射频发射功率较低时，最大的能量节省比例可以达到10％～30％。结果表明，当压缩算法本身无法达到节省能耗的效果时，压缩判决方法能够准确作出预测，并给出相应的能量优化控制决策。随着发射功率的增大，射频模块能耗所占的比重随之增加，而对数据压缩算法计算能耗的要求则变得相对宽裕，判决方法预测出此种情况下执行压缩更能节省能耗，故此时的能量节省比例为0，即传统的压缩算法和结合了判决的数据压缩所消耗的总能量相等。

另一方面，压缩判决方法引入的额外开销即为MCU执行该判决需要消耗的能量，仿真结果标明，判决方法引入的额外开销通常比压缩单个数据的开销还要小。同时，由于压缩判决方法仅当发射功率或精度要求发射变化时才会被执行，因此其执行频率远远低于数据压缩，从而使判决方法本身引入的额外开销往往可以忽略不计。

实验证明，在引入很小额外开销的情况下，本发明提出的节点级压缩判决方法能够准确地预测出压缩算法的损益平衡点，并给出能量最优的控制决策。在满足应用需求的前提下，结合了压缩判决方法的数据压缩算法，既能发挥压缩算法在节省能耗方面的优势，又能有效地避免压缩算法引入不必要的能量损失，从而使节点总能耗得到优化，延长了节点的生存周期。

Claims (1)

1、一种用于无线传感器网络的降低能耗的压缩判决方法，其特征在于，所述方法是在各个无线传感器的微处理器MCU中依次按以下步骤实现的：

步骤(1)，初始化：在所述微处理器MCU中设置一个压缩判决模块和一个数据压缩模块：

所述压缩判决模块从所述微处理器MCU的应用层中提取以下预设的初始信息：数据类型、精度要求e、以及轻量级时域压缩算法LTC，上述初始信息在所述无线传感器节点部署前是通过用户接口预先设置的；

所述压缩判决模块从所述微处理器MCU的网络传输层提取以下初始信息：发射功率，其数值取自所述无线传感器节点中的消息帧，还有数据传输速率和MCU计算功率，所述数据传输速率和MCU计算功率是从所述微处理器MCU的物理层经过数据链路层后，再传输到所述网络层中的；

所述压缩判决模块再把包括数据类型、精度要求e、压缩算法类型、发射功率、数据传输速率、微处理器MCU计算功率在内的所述初始信息送入所述微处理器的存储单元；

所述压缩判决模块再把预设的基于所述轻量级时域压缩算法LTC的一个压缩比预测模型和一个压缩执行时间的预测模型存入所述微处理器MCU的存储单元，其中：

压缩比预测模型是：自变量e为精度要求，因变量CR为最佳压缩比，a、b、c、e₁、e₂为设定值：对应数据类型为相对湿度，a等于-0.27、b等于0.88、c等于0.04、e₁等于0、e₂等于3；对应数据类型为海面压强，a等于-0.59、b等于0.83、c等于0.04、e₁等于0、e₂等于1.4；对应数据类型为大气温度，a等于-2.72、b等于0.88、c等于0.04、e₁等于0、e₂等于0.3；

压缩执行时间的预测模型是：f(CR)＝pCR+q，自变量CR为预测的最佳压缩比，因变量f(CR)为压缩算法执行时间预测值，单位为毫秒，参数取值为： $\left\{\begin{array}{c}p=-1.12\\ q=3.13\end{array},;\right.$

步骤(2)，在所述无线传感器节点部署后，所述压缩判决模块判断所述发射功率和精度要求e是否发生变化：若发射功率和精度要求任何一个发生变化，则顺序执行步骤(3)-(7)：

步骤(3)，所述压缩判决模块从所述应用层提取以下信息：数据类型、精度要求e以及算法类型，即所述轻量级时域压缩算法LTC；

步骤(4)，所述压缩判决模块基于应用背景给出的精度要求，预测所述轻量级时域压缩算法所能获得的最佳压缩比CR；同时，预测轻量级压缩算法所需的最短执行时间：是通过微处理器MCU指令集仿真工具AVR Studio结合MATLAB统计工具，再估计执行所述LTC算法所需的最短时间；

步骤(5)，所述压缩判决模块从所述网络传输层获取发射功率、数据传输速率以及MCU计算功率；

步骤(6)，所述压缩判决模块按下式计算所述LTC算法的压缩比损益平衡点CR′：

${\mathrm{CR}}^{\&prime;}=1-\mathrm{\&alpha;}\frac{T_{\mathrm{MCU}}\left(e\right)}{P_{\mathrm{RF}}\left(d\right)}$

其中：T_MCU为在已知精度要求e下，节点压缩1个字节数据的时间开销，根据步骤(1)所述的压缩执行时间的预测模型而计算得到；d为所述节点间的通信距离；P_RF(d)为所述射频模块发射功率； $\mathrm{\&alpha;}=\frac{P_{\mathrm{MCU}}}{T_{\mathrm{tran}}},$ 其中P_MCU为所述微处理器的功率，T_tran为节点发送1个字节数据所需的时间，由所述数据传输速率决定；

步骤(7)，比较所述损益平衡点CR′与步骤(4)中得到的预测的最佳压缩比CR：

若CR′≥CR，则对原始数据进行压缩操作后发送；

若CR′＜CR，则直接发送所述的原始数据。

Images