CN102118819A - 属性相关的数据聚合方法 - Google Patents

Abstract

本发明公开了一种属性相关的数据聚合方法，该方法包括步骤：S1.请求采集数据；S2.若有数据包到来，则执行步骤S2，若计数器启动，则执行步骤S6；S3.修改包头的延迟修改为数据包在本地节点等待的时间，将数据包放入DA队列；S4.按照延迟大小排序，若计时器未启动，则按照最小时延启动计时器，否则，若新监听到的数据包的延迟比当前计时器的剩余时间小，则修改计时器为新监听到的数据包的延迟；S5.更新DA队列的大小，返回步骤S2；S6.取出与DA队列的队首属于同一个应用程序的所有数据包，进行聚集操作；S7.基于势能场模型，确定下一跳地址发送聚合的数据包。本发明的方法能够适应各种应用，提高含有相关信息的数据包的聚合度，具有能量有效性以及可扩展性。

Description

属性相关的数据聚合方法

技术领域

本发明涉及无线传感器网络(WSN)技术领域，尤其涉及一种动态路由支持的属性相关的数据聚合方法。

背景技术

近十年来，无线传感器网络蓬勃发展，可以方便快捷的部署在各种各样的环境中自主组网，收集信息。例如，环境监测、侵入性监测、事故监测等。但是无线传感器网络中能量资源非常有限，而且难以及时的得到补充。由于无线传感器网络中的节点通常比较密集，节点采集到的原始数据具有较高的冗余度。数据聚合协议能够在中间节点上压缩采集的数据，从而降低通信量，节省能量，延长无线传感器网络寿命。数据聚合协议的主要挑战是如何增强数据包的空间和时间聚合度。现有的数据聚合协议基本都采用静态路由。但是，静态路由在很多情况下不能有效的提高聚合度。例如，如果网络中有多个应用程序，静态路由只是尽量增强所有数据包之间的聚合度，而不考虑数据包之间的相关性。但是，不含有相关信息的数据包即使相遇了，也不能被聚集掉。常用的基于簇的、基于树的数据聚合协议一般都是采用静态路由。

发明内容

(一)要解决的技术问题

本发明所要解决的技术问题是：提出一种适用于任何应用、能够有效节省能量的数据聚合协议，从而有效提高聚合度。

(二)技术方案

为解决上述问题，本发明提供了一种属性相关的数据聚合方法， 该方法包括步骤：

S1.监听应用程序请求，并根据应用程序请求采集数据；

S2.监听事件，若事件为有数据包到来，则执行步骤S2，若事件为计数器启动，则执行步骤S6；

S3.按照包驱动的时间方案修改数据包包头中的延迟域，将延迟修改为数据包在本地节点等待的时间，并将修改后的数据包放入数据聚合队列；

S4.按照延迟大小排序，若计时器未启动，则按照最小时延启动计时器，否则，若新监听到的数据包的延迟比当前计时器的剩余时间小，则修改计时器为新监听到的数据包的延迟；

S5.更新数据聚合队列的大小，并返回步骤S2；

S6.取出与数据聚合队列的队首数据包属于同一个应用程序的所有数据包，进行聚集操作；

S7.基于势能场模型，确定下一跳地址，发送聚合的数据包至所述下一跳。

其中，步骤S1前还包括步骤：

初始化基站的深度为0，其它节点的深度为0xff，基站发送包含其深度值的更新包，接收到该更新包的节点将包中的深度值加1作为自身的深度值，并发送含有自身深度值的更新包。

其中，步骤S3中的所述包驱动的时间方案为：

每个节点收到第一个数据包之后启动计时器为T_F，收到新的数据包之后，按照下式更新计时器为T_P：

$T_P=T_F\×(1-\frac{N_u}{S\×\mathrm{\φ}})$

其中，N_u是节点u处的包的数目，当缓冲池中的队列占有率为φ(0＜φ＜1)时，计时器为0，保证所述队列中的数据包立刻被聚集然后发送到下一跳，如果节点在相同时刻采集到数据，那么父亲节点可以在采集到数据后经过单跳延迟的时间后收到子节点的数据，所述T_F的 最小值为单跳延迟。

其中，步骤S7后还包括步骤：

S8.清除被聚合的应用的数据包；

S9.更新聚合队列的大小；

S10.重复执行步骤S2-S10，直至应用结束。

其中，在步骤S7中，基于势能场模型，确定下一跳地址的方法为：

假设两个节点之间的距离一样，假设当前待传输的数据包的属性是δ，本地节点是u，Ω_u是u的邻居节点集合，确定具有最大混合势能场差 

的邻居节点为下一跳，其中：

$F_{u\→v}^h=(1-\mathrm{\α})F_{u\→v}^d+\mathrm{\α}{F}_{u\→v}^p\left(\mathrm{\δ}\right),$

α为权重， 

V_d(u)、V_d(v)分别是节点u、v的深度， 

V_p(u，δ)＝1-τ(u，δ)，V_p(v，δ)＝1-τ(v，δ)τ(i，δ)、τ(v，δ)分别为节点i、v处属性δ对应的信息素含量。

其中，τ(i，δ)初始化为0，每到达一个新的数据包，则对应属性的信息素增加Δτ，当有新的数据包到达或者在数据聚集操作之后，按照以下公式更新信息素含量：

τ(u，δ)＝ρ×τ(u，δ)+I×Δτ，0＜ρ＜1。

(三)有益效果

本发明的方法能够适应各种应用，提高含有相关信息的数据包的聚合度，具有能量有效性以及可扩展性。

附图说明

图1(a)-图1(b)为本发明的动态路由支持的属性相关的数据聚合方法的动机示意图；

图2为依照本发明一种实施方式的属性相关的数据聚合方法流程图；

图3为一个随机部署的300个节点的WSN和三个圆形的事件；

图4(a)-4(b)分别为依照本发明一种实施方式的ADADR和CT的路由图；

图5(a)-5(b)分别为不同节点密度场景的平均发送次数和聚合度；

图6(a)-6(b)分别为不同事件大小场景的平均发送次数和聚合度；

图7(a)7(b)分别为不同规模场景的平均发送次数和聚合度；

图8(a)为一个10000*10000矩形拓扑中的移动事件；

图8(b)为移动场景下的平均发送次数和聚合度；

图9为不同节点密度场景下的平均端到端延迟；

图10为不同节点密度场景下的丢包数目；

图11(a)-图11(b)为不同α下的平均发送次数和聚合度。

具体实施方式

本发明提出的属性相关的数据聚合方法，结合附图和实施例说明如下。

本发明的特征在于路由层与应用层之间增加一个数据聚集层，路由层向数据聚集层提供接口：getDanymicParent()，此接口基于势能场模型提供数据包的下一跳动态地址，能够让含有相关信息的数据包空间聚集程度增强。数据聚集层通过缓冲池中的队列长度以及计时器控制聚集操作。协议是事件驱动的，主要步骤如下：

本发明应用势能场理论设计了一种动态路由支持的属性相关的数据聚合协议ADADR，目的是提高数据聚合协议的聚合度，延长WSN的寿命。仿真试验结果表明，ADADR能够适应各种应用，提高含有相关信息的数据包的聚合度，具有能量有效性以及可扩展性。

在经典场论中有这样几个概念：势，势能场，场强，力，势差，方向导数和梯度。

假设(x₀，y₀)处有正电荷+Q，那么在它的周围将形成一个电磁场 V(x，y)：

$V(x,y)=\frac{Q}{4\mathrm{\π}{\mathrm{\ξ}}_0\sqrt{{(x-x_0)}^2+{(y-y_0)}^2}}$

其中ξ₀是常熟，V(x，y)代表在(x，y)处的电势，场强 

为：

$\stackrel{\→}{F}(x,y)=(\frac{\mathrm{dV}}{\mathrm{dx}},\frac{\mathrm{dV}}{\mathrm{dy}})$

负电荷的受力方向与场强 

的方向一致，同时，上式也表明场强方向与梯度 

的方向也是一致的。

这样，在初始静止情况下负电荷就将沿着梯度的方向运动，也就是电势变化最快的方向。在方向 

上的方向导数定义为单位负电荷在方向 所受的力，梯度的定义则是最大的方向导数，而方向导数可以近似表示为两点之间的势差与距离的比值。所以，如果能计算出一个点与它周围所有的点的之间方向导数，然后选择最大的那个点，这两点之间确定的方向就是梯度的方向了。

Basu A，Lin A等人提出了传统有线网络中基于势的路由框架。该框架的主要思想就是建立一个与电势场类似的势能场，在这个场中数据包被看作负电荷，数据包的流动类似于负电荷在电场中的移动。所以，一个节点只需要知道它与所有的邻居节点之间的方向导数，然后选择具有最大方向导数的那个邻居节点作为路由的下一跳节点。

每个节点u被赋予一个势能值V(u)。节点u处的数据包p需要通过u的邻居v∈nbr(u)到达基站。为了决定选择哪个邻居作为下一跳，建立u与v之间的势能差如下式所示。

F(u，v)＝V(u)-V(v)

数据包p选择具有最大F的邻居作为下一跳。也就是沿着梯度方向发向基站。

基于BasuA，LinA等人提出的势能场理论，本发明的方法设计了适合于数据聚合的动态路由。主要思想就是让含有相关信息的数据包 沿相同的路径发向基站。如图1所示，App1和App2分别用白色圆圈和灰色圆圈表示。中间有加号的圆圈是中间节点。图1(a)是最短路径树方案，基站为树根。每个节点将采集到的数据沿着最短路径发送给基站。父亲节点将收集到的孩子节点的数据包聚集以后发送。但是，不同应用的数据包即使聚拢到一起也不能被聚集。例如，将App1的数据包发送给App2的源节点(例如，A-＞B)对提高聚合效率是无用的。为了解决这个问题，本发明的方法提出了基于势能场的动态路由，促使关于同一个应用程序的数据包沿着相同的路径发向基站。如图1(b)所示，节点A选择节点C而不是节点B作为下一跳。因为，节点C含有与A相关的信息，而B没有。这样，关于同一个应用程序的数据包都沿着相同的路径发向了基站。可以显著提高聚合度。

路由协议中的动态的选择下一跳是由混合势能场决定的。本发明的动态路由协议主要由两个势能场组成：深度势能场保证数据包最终到达基站。信息素势能场目的是让含有相关信息的数据包空间上更加集中。最后通过线性加权得到混合势能场。具体计算如下：

1、深度势能场

$F_{u\→v}^d=V_d\left(u\right)-V_d\left(v\right)$

其中V_d(u)是节点u的深度。

2、信息素势能场

V_p(u，δ)＝1-τ(u，δ)

$F_{u\→v}^p\left(\mathrm{\δ}\right)=V_p(u,\mathrm{\δ})-V_p(v,\mathrm{\δ})$

其中，τ(i，δ)为节点i处属性δ对应的信息素含量。τ(i，δ)初始化为0，每到达一个新的数据包，则对应属性的信息素增加Δτ。另外，自然界的信息素会随时间挥发，用系数ρ(0＜ρ＜1)来表示挥发系数，当有新的数据包到达或者在数据聚集操作之后，按照以下公式更新信息素。

τ(u，δ)＝ρ×τ(u，δ)+I×Δτ

3、混合势能场

$F_{u\→v}^h=(1-\mathrm{\α})F_{u\→v}^d+\mathrm{\α}{F}_{u\→v}^p\left(\mathrm{\δ}\right)$

动态路由协议实现了下一跳的选择。

为了提高聚集度，不仅要在空间上聚拢相同应用的数据包，而且时间上也要控制含有冗余信息的数据包在中间节点上能够相遇。本发明提出了一个包驱动的时间方案与动态路由协同工作。该方案如下：

每个节点收到第一个数据包之后启动计时器为T_F，在收到新的数据包之后，按照下式更新计时器为T_P：

$T_P=T_F\×(1-\frac{N_u}{S\×\mathrm{\φ}})$

其中，N_u是节点u处的包的数目S为缓冲池大小。当缓冲池中的队列占有率为φ(0＜φ＜1)时，计时器为0。保证队列中的数据包立刻被聚集然后发送到下一跳。如果节点在相同时刻采集到数据，那么父亲节点可以在采集到数据后经过单跳延迟(single hop delay，shd)的时间后收到子节点的数据。所以，T_F的最小值为shd。当然，大的T_F有利于提高聚合度，但是会增大端到端延迟。

本发明路由层与应用层之间增加一个数据聚合层(DA)层，路由层向数据聚集层提供接口：getDanymicParent()，此接口基于势能场模型提供数据包的下一跳动态地址，能够让含有相关信息的数据包空间聚集程度增强。数据聚集层通过缓冲池中的队列长度以及计时器控制聚集操作。协议是事件驱动的，如图2所示，依照本发明一种实施方式的属性相关的数据聚合方法包括步骤：

初始化基站的深度为0，其它节点的深度为0xff，基站发送包含其深度值的更新包，接收到该更新包的节点将包中的深度值加1作为自身的深度值，并发送含有自身深度值的更新包。其后进行一下步骤：

S1.监听事件，如果收到应用程序请求，则开始根据应用程序请求采集数据；

S2.监听事件，若数据聚集层监听到有数据包到来，则执行步骤 S2，若监听到计数器启动，则执行步骤S6；

S3.按照上述包驱动的时间方案修改数据包包头中的延迟(delay)域，将delay修改为数据包在本地节点等待的时间，并将修改后的数据包放入DA队列；

S4.按照delay大小排序，若timer未启动，则按照数据包头中最小的delay值启动timer，否则，若新监听到的数据包的delay比当前timer的剩余时间小，则修改timer为新监听到的数据包的delay；

S5.路由层更新DA队列的大小，并返回步骤S2；

S6.取出与数据聚合队列的队首数据包属于同一个应用程序的所有数据包，进行聚集操作；

S7.路由层按照上述动态路由方法，基于势能场模型，确定下一跳地址，发送聚合的数据包至所述下一跳；

S8.清除被聚合的应用的数据包；

S9.更新聚合队列的大小；

S10.重复执行步骤S2-S10，直至应用结束。

在TinyOS操作系统集成的TOSSIM模拟器上对本发明所提出的ADADR进行了验证和性能评价。模拟实验使用一种线性的能量消耗模型，在这种模型下能量的消耗与接收或发送一个数据包持续的时间成正比。假定所有的数据包长度是一样的，所以接收或发送一个数据包所消耗的能量是一个常数。由于发送一个数据包往往比接收需要更多的能量，所以假定发送一个数据包消耗3单位能源，而接收一个则消耗2单位。为了消除网络协议栈中其它层次特别是MAC层对实验结果的影响，假设了一个完美的MAC，它能提供稳定的链路带宽。

仿真配置的一些参数详见表1：

表1.仿真主要参数

图3举例说明了一个随机部署的网络和三个监测区域。为了更好的说明协议性能，选择Cascading Timeout(CT)以及最短路径树(SPT)进行测试对比。采用平面网络拓扑结构。图4显示了ADADR和CT的路由图，直观看出ADADR使得相同应用的数据包在空间上更加集中。在ADADR中，具有相同属性的数据包走的路径更加集中，有利于数据聚合。而在CT中，具有不同属性的数据包混在一起，比较分散。不利于具有冗余信息的数据包在中间节点相遇。

为了量化的验证ADADR的优势，提出两个衡量指标：(1)平均传输次数；(2)聚合度：源节点产生的数据包总数除以基站接收到的数据包数目。设计了四组场景：不同节点密度，不同事件大小，不同网络规模以及移动场景。除不同网络规模和移动场景是10000*10000的矩形随机平面拓扑外，其他均是1000*1000。另外，选取三个典型的α值：0.18，0.28，0.78，进行仿真实验。如果α＝0.18，那么，深度势能场占得的权重就会很大，数据包会沿着最短路径发向基站。如果α＝0.28，那么，一个节点可能会将数据发向跟自己深度相同但是信息素含量较高的节点。而如果α＝0.78，信息素势能场占的权重很大，节点甚至可能把数据包发向比自己深度高的节点。

图5显示了不同密度场景下的平均发送次数和聚合度对比。可以看到，ADADR比CT和SPT平均发送次数小，聚合度高。图6错误！未找到引用源。显示了不同事件大小场景下的结果对比。图7显示了不同规模下的各种方案的聚合效果。可以看出，在不同网络规模下， ADADR都具有比较明显的优势。图8(a)是一个10000*10000矩形拓扑中的移动事件。图8(错误！未找到引用源。b)显示了仿真结果。图9是在不同节点密度场景下的平均端到端延迟。由于SPT中，没有时间方案，所以，延迟最小。而CT中，每个节点要等待尽量长的时间，所以，CT的端到端延迟接近于应用的延迟界。而ADADR的延迟相对CT来说小很多。而且，通过图10可以看到，CT的丢包数目随着节点数目的增多而明显增多。因为，在CT中，父亲节点等待尽量长时间，但是，可能孩子节点发来的数据包会淹没缓冲池，导致丢包。而ADADR由于在缓冲池中的数据包到达一定数量时，就会立即聚集并发送数据包，所以，无丢包。SPT由于不等待，丢包数目也为0。最后，图11显示了参数α对数据聚集效率的影响。可以看出，ADADR对α的取值不是很敏感。当α取值为0.05到0.80之间时，ADADR平均传输次数都远小于CT和SPT，而聚合度高于CT和SPT。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (6)

1.一种属性相关的数据聚合方法，其特征在于，该方法包括步骤：

S1.监听应用程序请求，并根据应用程序请求采集数据；

S2.监听事件，若事件为有数据包到来，则执行步骤S2，若事件为计数器启动，则执行步骤S6；

S3.按照包驱动的时间方案修改数据包包头中的延迟域，将延迟修改为数据包在本地节点等待的时间，并将修改后的数据包放入数据聚合队列；

S4.按照延迟大小排序，若计时器未启动，则按照数据包头中最小的延迟值启动计时器，否则，若新监听到的数据包的延迟比当前计时器的剩余时间小，则修改计时器为新监听到的数据包的延迟；

S5.更新数据聚合队列的大小，并返回步骤S2；

S6.取出与数据聚合队列的队首数据包属于同一个应用程序的所有数据包，进行聚集操作；

S7.基于势能场模型，确定下一跳地址，发送聚合的数据包至所述下一跳。

2.如权利要求1所述的属性相关的数据聚合方法，其特征在于，步骤S1前还包括步骤：

初始化基站的深度为0，其它节点的深度为0xff，基站发送包含其深度值的更新包，接收到该更新包的节点将包中的深度值加1作为自身的深度值，并发送含有自身深度值的更新包。

3.如权利要求1所述的属性相关的数据聚合方法，其特征在于，步骤S3中的所述包驱动的时间方案为：

每个节点收到第一个数据包之后启动计时器为T_F，收到新的数据包之后，按照下式更新计时器为T_P：

$T_P=T_F\×(1-\frac{N_u}{S\×\mathrm{\φ}})$

其中，N_u是节点u处的包的数目，S为缓冲池大小，当缓冲池中的队列占有率为φ(0＜φ＜1)时，计时器为0，保证所述队列中的数据包立刻被聚集然后发送到下一跳，如果节点在相同时刻采集到数据，那么父亲节点可以在采集到数据后经过单跳延迟的时间后收到子节点的数据，所述TF的最小值为单跳延迟。

4.如权利要求1所述的属性相关的数据聚合方法，其特征在于，步骤S7后还包括步骤：

S8.清除被聚合的应用的数据包；

S9.更新聚合队列的大小；

S10.重复执行步骤S2-S10，直至应用结束。

5.如权利要求2所述的属性相关的数据聚合方法，其特征在于，在步骤S7中，基于势能场模型，确定下一跳地址的方法为：

假设两个节点之间的距离一样，假设当前待传输的数据包的属性是δ，本地节点是u，Ω_u是u的邻居节点集合，确定具有最大混合势能场差

的邻居节点为下一跳，其中：

$F_{u\→v}^h=(1-\mathrm{\α})F_{u\→v}^d+\mathrm{\α}{F}_{u\→v}^p\left(\mathrm{\δ}\right),$

α为权重，

V_d(u)、V_d(v)分别是节点u、v的深度，

V_p(u，δ)＝1-τ(u，δ)，V_p(v，δ)＝1-τ(v，δ)τ(i，δ)、τ(v，δ)分别为节点i、v处属性δ对应的信息素含量。

6.如权利要求5所述的属性相关的数据聚合方法，其特征在于，τ(i，δ)初始化为0，每到达一个新的数据包，则对应属性的信息素增加Δτ，当有新的数据包到达或者在数据聚集操作之后，按照以下公式更新信息素含量：

τ(u，δ)＝ρ×τ(u，δ)+I×Δτ，0＜ρ＜1。

Images