CN102625486B - 一种代理节点、传感器网络数据获取方法及传感器网络 - Google Patents

Abstract

本发明涉及一种代理节点，可应用在传感器网络中，包括多个由传感器节点组成的传感器域、每个传感器域设置的至少一代理节点以及应用终端，包括：预测引擎模块，其接收用户目标数据ID请求信息，并依照用户目标数据ID请求信息当前状态和用户目标数据ID历史查询状态，计算预测值；目标数据拉取模块，其接收所述预测值，在所述预测值超过判定阈值时，向与所述用户目标数据ID对应的传感器节点发送命令，控制所述传感器节点上报该传感器存储的感知数据。本发明针对用户目标数据ID从传感器层中读取相应的感知数据，减少了分发用户目标之外的数据所导致的额外能耗和网络负载。

Description

一种代理节点、传感器网络数据获取方法及传感器网络

技术领域

本发明涉及无线传感领域，具体涉及到一种代理节点、应用该代理节点的传感器网络以及基于所述代理节点进行传感器网络数据获取方法。 

背景技术

无线传感器网络(wireless sensor network，WSN)通过部署在监测区域内的传感器节点实时地收集区域的各种变量数据，并以有效地方式组织管理这些数据，用户可以随时随地地获取所感兴趣的数据，具备十分广泛的应用前景。现有的传感器网络数据管理主要分为基于扁平网络架构的数据管理和基于分层网络架构的数据管理这两种方式。 

基于扁平网络架构的数据管理属于传统的传感器网络数据管理方式，传感器节点自身受限的资源均难以满足用户多样化的数据需求，如较低延时的数据查询、历史数据的查询等。 

基于分层网络架构的数据管理方式，如TSAR，PRESTO方案，这种分层网络架构如图1所示，从下至上依次可分为传感器层、代理层和逻辑存储层和应用层： 

传感器层也称为sensor层，该层由传感器节点组成，这些节点基于地理区域或其它自定义策略被分成多个域，域内节点基于WSN自组网协议实现节点间的通信，而每个域的传感器节点有一个代理层的代理节点进行集中式的管理。 

代理层，通常称之为Proxy层，该层由一定数量资源丰富的Proxy代理节点组成，如Crossbow Stargate、嵌入式网关等，这些Proxy节点通常有足够强大的计算、存储能力来支撑复杂的功能运算和容量存储，它负责对所辖域内的传感器节点的管理。在通信能力方面，它集成了802.15.4模块实现与传感器节点的通信，同时还集成了以太网模块或802.11模块，实现这些Proxy节点间地互联互通，最终形成一个完整的数据共享网络； 

逻辑存储层是一个逻辑上的视图层，它通过一致的数据组织方式将分布在不同Proxy节点上的传感器数据呈现给上层用户，并提供的统一数据访问接口，来自本地或网络用户的数据请求在该层被分发到具体的某个Proxy节点进行处理； 

应用层是用户通过各种终端设备如PC、智能手机等，利用逻辑存储层提供的统一数据访问接口获取目标数据的逻辑层。 

基于这种Proxy/Sensor分层架构，网络数据同时存储在Proxy层和Sensor层。在TSAR方案中，传感器节点相关元数据信息(如节点ID、传感器ID、位置坐标等)被存储在Proxy层节点上，而采集到的感知数据则被存储在Sensor层节点上，通过Proxy层的元数据可以定位目标数据所在的Sensor层节点，降低扁平网络架构方案中在节点上实施较为复杂的查询策略所带来的高能耗；同时，Sensor层还可以将感知数据上报到Proxy层，实施持久化存储以提供历史数据查询与分析支持。 

在PRESTO方案中，采用预测技术在Proxy层建立数据预测模型，在Proxy层节点上存储的是基于预测模型得到的预估数据，而在Sensor层存储的是传感器节点采集的感知数据，当预估数据与感知数据有较大偏差时，Sensor层将感知数据上报给Proxy层以修正预估数据。这种基于Proxy/Sensor分层架构的数据管理方式充分利用了资源不受限制的Proxy节点，最小化传感器节点的查询能量消耗，并且通过Proxy层缓存数据，一方面能提供更加能效的传感器数据服务，另一方面提供对历史数据的查询支持。 

但是在最先进的PRESTO方案中，无法针对用户对数据的选择性和时段性设计，即用户在一段时间内只对某些感知数据感兴趣，那么分发用户目标之外的数据将导致额外的能耗，因此本发明所要解决的问题就是针对用户对数据的选择性和时段性，基于用户数据需求特性的进行设计，道道减小能耗的目的。 

发明内容

本发明的目的是提供一种代理节点，以解决现有技术的传感器网络无法针对用户对数据的需求特性设计，而造成数据冗余和传输消耗较大的问题。 

为实现上述目的，本发明一方面提供了一种代理节点，应用在传感器网络中，所述传感器网络包括多个由传感器节点组成的传感器域、每个传感器域设置的至少一代理节点以及应用终端，包括： 

预测引擎模块，其接收用户目标数据ID请求信息，并依照用户目标数据ID请求信息当前状态和用户目标数据ID历史查询状态，计算预测值； 

目标数据拉取模块，其接收所述预测值，在所述预测值超过判定阈值时，向与所述用户目标数据ID对应的传感器节点发送命令，控制所述传感器节点上报该传感器存储的感知数据。 

本发明另一方面提供了一种传感器网络数据获取方法，包括： 

接收用户数据读取请求； 

解析用户数据读取请求，获取用户目标数据ID； 

依据所述用户目标数据ID请求状态，计算预测值； 

依据所述预测值，判断是否超过判定阈值； 

若是，则向传感器节点发送数据读取命令； 

接收并存储传感器节点发送的感知数据； 

将在获取到的感知数据中查找到的与用户目标数据ID对应的目标感知数据反馈给用户。 

相应的，本发明还提供了一种传感器网络，包括多个由传感器节点组成的传感器域、每个传感器域设置的至少一代理节点以及应用终端，所述代理节点包括： 

预测引擎模块，其接收用户目标数据ID请求信息，并依照用户目标数据ID请求信息当前状态和用户目标数据ID历史查询状态，计算预测值； 

目标数据拉取模块，其接收所述预测值，在所述预测值超过判定阈值时，向与所述用户目标数据ID对应的传感器节点发送命令，控制所述传感器节点上报该传感器存储的感知数据。 

由于采用了以上的技术特征，使得份发明相比于现有技术，具有如下的优点和积极效果： 

采用本发明一实施例提供的代理节点构建的传感器网络通过基于用户的历史查询记录，建立能够预测数据需求的时间序列模型，对解析的网络用户 查询请求进行判断，过滤误报或存在差错的数据请求ID，筛选用户目标数据ID，只针对用户目标数据ID从传感器层中读取相应的感知数据，减少了分发用户目标之外的数据所导致的额外能耗。 

依据本发明另一实施例提供的传感器网络，能够实时监测传感器节点数据存储空间的负载状态，在负载达到一定范围后，将数据上报到应用层，完成后清空存储空间，减少因传感器节点存储空间限制所造成的数据丢失。 

附图说明

图1为基于代理/传感器的传感器网络分层架构图； 

图2为依据本发明一实施例的传感器网络框图； 

图3为不同平滑因子下的指数平滑法时间序列预测结果图表； 

图4是应用本发明第一实施例的数据查询流程图； 

图5是依据本发明另一实施例的传感器网络框图； 

图6是应用本发明第二实施例的数据存储流程图。 

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。 

本发明的核心思想是在借鉴PRESTO和TSAR的设计基础上提供一种新的传感器网络也就是在Proxy代理层，基于用户的历史查询记录建立时间序列预测模型，利用该预测模型推断未来的用户数据需求，并通过Model-Pull拉取策略从Sensor传感器层获取相关的感知数据，以减少非用户目标数据读取带来的网络负担和能耗。 

图2是依照本发明一实施例的代理节点功能框图，该代理节点应用在传感器网络中，所述传感器网络包括由多个传感器域组成的传感器层、由每个传感器域代理节点组成的代理层和由应用终端组成的应用层，其架构可参考图1所示的分层传感器网络架构图。每个传感器域又包含多个设置在不同位置的传感器节点，分别可以采集温度、湿度等感知信息；而代理节点则可以采用网关或者服务器的形式，具备存储和数据处理功能；应用层包含多个应用终端，具体可以是智能手机、PC或者的平板电脑等。 

由图2可见，所述代理节点包括与应用层直接数据交互的查询处理模块201、对用户目标数据进行预测引擎模块202、对用户目标数据查询的数据缓存模块203、依照预测引擎模块202预测数据从传感器节点拉取感知数据的目标数据拉取模块204以及接受传感器节点上报数据包并对数据包进行解析的存储引擎模块205。 

所述查询处理模块201接收到来自于应用层的用户请求数据包，之后对其进行解析，获取用户目标数据ID，并将该ID信息发送给预测引擎模块202以及数据缓存模块203。 

数据缓存模块203以设定的规则存储所述的存储引擎模块205从传感器节点获取的数据包。根据查询处理模块201传送的目标数据ID在其存储的数据中查找目标数据，如果查找成功，则将查找到的数据反馈给应用层的终端设备。若查找失败，则将此ID发送给预测引擎模块，在等待一段时间后，再次在数据缓存模块203中查找目标数据。当然也可以设置计时器，若查找失败，则将此ID发送给预测引擎模块，设置计时器，等待一段时间，在设定的计时时间到达后，再次在数据缓存模块203中查找目标数据，若成功则将数据反馈给用户端，若失败则此次查询失败。 

预测引擎模块为一代理节点的管理范围内的传感器数据建立对应用户数据需求时间序列模型，在接收到所述查询处理模块解析的用户目标数据ID后，通过时间序列模型计算输出一判断是否需要查询此ID号的传感器数据的预测值； 

所述目标数据拉取模块接收所述预测值，在所述预测值超过判定阈值时，向与所述ID对应的传感器节点发送命令，控制所述传感器节点主动上报该传感器存储的感知数据。 

预测引擎模块202的作用的依据用户的查询习惯建立对应用户数据需求的时间序列模型。以下介绍依据指数平滑法建立时间序列模型的原理。 

时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列，时间序列预测技术就是通过对预测目标自身时间序列的处理，来分析它随时间的变化趋势，并建立数学模型进行外推的定量预测方法。 

指数平滑法时间序列预测模型描述如下： 

设X₀，X₁，...X_n为时间序列观察值，S₁，S₂，...，S_n为时间t的观察值的指数平滑值，α为平滑系数，0＜α＜1，则指数平滑值为： 

$S_t^{\left(1\right)}=\mathrm{\α}{X}_t+\mathrm{\α}(1-\mathrm{\α})X_{t-1}+{\mathrm{\α}(1-\mathrm{\α})}^2{X}_{t-2}+...=\mathrm{\α}{X}_t+(1-\mathrm{\α})S_{t-1}---\left(1\right)$

观察上式，实际值X_t，X_t-1，X_t-2的权系数分别为α、α(1-α)、α(1-α)².依次类推，离现在时刻越远的数据，其权系数越小。预测公式如下 

${\hat{X}}_{t+1}=S_t---\left(2\right)$

在利用该公式进行预测时，首先需要选择平滑系数α，研究(1)(2)可以发现α的大小规定了在新预测值中新数据和原预测值所占的比重，α越大，新数据所占的比重就越大，反之亦然。 

α值应根据时间序列的具体性质在0～1之间选择，具体如何选择一般可遵循下列原则：①如果时间序列波动不大，比较平稳，则α应取小一点，如(0.1～0.5)，使预测模型能包含较长时间序列的信息；②如果时间序列具有迅速且明显的变动倾向，则α应取大一点，如(0.6～0.8)，使预测模型灵敏度高一些，以便迅速跟上数据的变化。 

在本实施例中，代理层节点记录用户的每次查询，包括查询的时间次序、目标数据ID等，并以此得到时间序列观察值，利用(1)(2)得到监测区域内感知数据的时间序列预测公式。 

例如代理层节点记录的用户对监测区域内感知温度数据的时间序列观察值为[00001111000000110000001000]，每个观察值表示在Δt时间内温度数据被用户查询与否，0表示未查询，1表示被查询，在α＝0.2、0.5、0.7、0.8时，Matlab仿真结果如图2所示。 

分析仿真结果可以发现，基于指数平滑法建立的时间序列模型得到的预测值序列能较好的反映历史观察值序列的变化趋势，但是在平滑因子取不同值条件下，预测序列会有不同的跟踪势能。在传感器网络应用中，用户对数据的查询通常具有一定的时段性，且具有明显的变动倾向，根据上文所述的平滑因子选择原则并经实验仿真发现当α＝0.5，以0.51作为判定阈值，预测模型能较好地平衡预测性能和能效性能，即取α＝0.5，当预测值不小于0.51时，判定未来时间内用户对该数据有需求，应实施Model-Pull目标数据拉取模块204提取Sensor层相应的感知数据到Proxy层实施持久化存储。 

具体地，预测引擎模块利用上节所述的方法，为该Proxy节点范围内的传感器数据建立时间序列预测模型。当然也可以依据移动平均法或者自适应滤波法进行时间序列预测。但基于指数平滑法是计算最为简单，且最适合对于传感器网络的应用。 

预测引擎模块202在一个计时器的控制下，基于查询处理模块201传送来的用户目标数据ID信息，实时更新当前Δt时间内的用户数据需求，若在计时段内接收到某一ID数据请求，则将其X_t置1，否则保持其默认值0，计时段结束后，利用X_t和S_t-1得到S_t，即为预测值X_t+1，同时将S_t更新到S_t-1，预测引擎的预测值将被送往Model-Pull模块。 

Model-Pull目标数据拉取模块204的输入是预测引擎模块的预测值输出，当预测值大于判定阈值时，生成WSN命令包，下发到Sensor层相关的传感器节点，该传感器节点将主动上报其本地存储的感知数据。上报之后，数据缓存模块203会根据ID再次查找数据，如果查找成功则返回给用户，不成功则查询失败。 

请参考图4，其为应用上述实施例进行数据查询的流程图。代理层200的代理节点接收来自应用层终端的网络或本地用户的查询，在查询处理模块201中进行解析，解析后的用户目标数据ID被送往数据缓存模块202中以查询相应的目标数据，同时被预测引擎模块201捕获以进行下一时段的预测. 

当数据缓存模块202中获得目标数据时，目标数据被返回给用户，否则，在设定的时段后重新查询。在设定的时段内，预测引擎模块201计算出预测值，Model-Pull在预测值大于判定阈值时，生成WSN命令包，下发到Sensor层相关的传感器节点，该传感器节点将主动上报其本地存储的感知数据。上报之后，数据缓存模块203会根据ID再次查找数据，如果查找成功则返回给用户，不成功则查询失败。 

依据上述实施例，可以建立一种根据用户查询历史的时间序列模型，只对用户选择性的数据进行读取，而对于在用户的历史查询记录模型中得出的并非用户的目标数据的部分不进行存取操作，这样减少了网络传输和数据冗余，降低能耗。 

相应的，本发明还提供一种传感器网络，包括由多个传感器域组成的传 感器层、由每个传感器域代理节点组成的代理层和由应用终端组成的应用层，其架构可参考图1所示的分层传感器网络架构图。每个传感器域又包含多个设置在不同位置的传感器节点，分别可以采集温度、湿度等感知信息；而代理节点则可以采用网关或者服务器的形式，具备存储和数据处理功能；应用层包含多个应用终端，具体可以是智能手机、PC或者的平板电脑等。 

前述的代理节点应用在此传感器网络中，具体代理节点不再详细叙述。通过此传感器网络对用户选择性的数据进行读取，而对于在用户的历史查询记录模型中得出的并非用户的目标数据的部分不进行存取操作，这样减少了网络传输和数据冗余，降低能耗。 

图4是传感器网络在传感器节点的功能框图。传感器节点采集到监测数据后存储在自身的存储空间内，但是受限于节点的能耗和成本设计等因素，传感器节点的存储能力有限，当有限的存储空间耗尽后，原来的数据会丢失。因此，该实施例在传感器节点中增加了本地负载监控模块301和请求响应处理模块302。 

其中，本地负载监控模块301实时地监测节点数据存储空间的负载状态，通过预先设定的阈值，当监测到节点数据存储空间负载达到该阈值时，启动感知数据上报过程，主动将存储空间内的所有感知数据传送给Proxy层，完成后清空数据存储空间； 

请求响应处理模块302在传感器节点接收到来自代理层的Model-Pull的确定ID数据的请求后，启动数据上报过程，将数据存储空间内所有的目标数据上报给Proxy代理层，同时启动计时器，在预定的计时范围内，将最新采集到的感知数据通过存储引擎模块205转发给数据缓存模块203，从而上报给代理层。 

图6是采用本实施例进行数据存储的流程图。由图可见，传感器节点周期性的采集环境数据，并将采集到的感知数据存储到本地数据存储空间。 

传感器节点监听来自Proxy代理层的Model-Pull请求(MPR)消息，当收到MPR消息时，节点启动计时器，并开始上报采集到的目标数据，计时结束停止数据上报，若计时期间再次收到Model-Pull消息，重新开始计时器。 

另一方面，传感器节点通过本地负载监控模块301监测数据存储区的负 载状态，当监测到负载达到预定阈值时，将其数据存储区内的感知数据全部封包上传，之后清空数据存储区。 

Proxy代理节点收到传感器节点上报的感知数据包时，通过存储引擎模块将感知数据存储其数据缓存区。 

本实施例通过传感器节点不仅能够实现传统传感器网络中的数据响应服务，还通过主动数据上报，实现了历史数据查询服务的支持；此外，还避免了传感器节点有限的存储空间耗尽后，原来的数据会丢失的危险。 

此外，本发明还提供了一种传感器网络数据获取方法，该方法包括： 

接收用户数据读取请求； 

解析用户数据读取请求，获取用户目标数据ID； 

依据所述用户目标数据ID请求状态，计算预测值； 

依据所述预测值，判断是否超过判定阈值； 

若是，则向传感器节点发送数据读取命令； 

接收并存储传感器节点发送的感知数据； 

将在获取到的感知数据中查找到的与用户目标数据ID对应的目标感知数据反馈给用户。 

在获取用户目标数据ID的步骤之后，还包括在代理节点内查找与用户目标数据ID对应的感知数据，若查找成功，则向用户反馈感知数据。 

在代理节点内查找与用户目标数据ID对应的感知数据，若查找不成功，则等待一段设定时间后，再次在代理节点内查找与用户目标数据ID对应的感知数据。 

所述依据所述用户目标数据ID，计算预测值的步骤中，是采用指数平滑法，依据所述用户目标数据ID请求状态和历史查询记录，计算预测值。 

具体地，所述方法的实施过程可参考，关于代理节点工作的过程，不加赘述。 

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来 执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。 

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。 

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (12)

1.一种代理节点，应用在传感器网络中，所述传感器网络包括多个由传感器节点组成的传感器域、每个传感器域设置的至少一代理节点以及应用终端，其特征在于，包括：

预测引擎模块，其接收用户目标数据ID请求信息，并依照用户的查询习惯建立对应用户数据需求的时间序列模型，通过时间序列模型计算输出查询目标数据ID号的传感器数据的预测值；

目标数据拉取模块，其接收所述预测值，在所述预测值超过判定阈值时，向与所述用户目标数据ID对应的传感器节点发送命令，控制所述传感器节点上报该传感器存储的感知数据。

2.如权利要求1所述的代理节点，其特征在于，还包括一查询处理模块，用以解析用户请求数据包，获取用户目标数据ID。

3.如权利要求1所述的代理节点，其特征在于，还包括一数据缓存模块、用以存储传感器节点上报的感知数据。

4.如权利要求3所述的代理节点，其特征在于，所述数据缓存模块接收所述的用户目标数据ID，之后查找目标数据，如果查找成功，则将查找到的数据返回给用户。

5.如权利要求3所述的代理节点，其特征在于，所述数据缓存模块接收所述的用户目标数据ID，之后查找目标数据，如果查找不成功，则发送所述ID给预测引擎模块，在一定时间之后重新在数据缓存模块中查找该数据，若成功则返回，否则查询失败。

6.一种传感器网络数据获取方法，其特征在于，包括：

接收用户数据读取请求；

解析用户数据读取请求，获取用户目标数据ID；

依据所述用户的查询习惯建立对应用户数据需求的时间序列模型，通过时间序列模型计算输出判断查询目标数据ID号的传感器数据的预测值；

依据所述预测值，判断是否超过判定阈值；

若是，则向传感器节点发送数据读取命令；

接收并存储传感器节点发送的感知数据；

将在获取到的感知数据中查找到的与用户目标数据ID对应的目标感知数据反馈给用户。

7.如权利要求6所述的方法，其特征在于，在所述解析用户数据读取请求，获取用户目标数据ID步骤之后，所述依据所述用户目标数据ID请求状态，计算预测值步骤之前，还包括在代理节点内查找与用户目标数据ID对应的感知数据，若查找成功，则向用户反馈感知数据。

8.如权利要求7所述的方法，其特征在于，在代理节点内查找与用户目标数据ID对应的感知数据，若查找不成功，则等待一段设定时间后，再次在代理节点内查找与用户目标数据ID对应的感知数据。

9.如权利要求6所述的方法，其特征在于，所述依据所述用户目标数据ID，计算预测值的步骤中，是采用指数平滑法，依据所述用户目标数据ID请求状态和历史查询记录，计算预测值。

10.一种传感器网络，包括多个由传感器节点组成的传感器域、每个传感器域设置的至少一代理节点以及应用终端，其特征在于，所述代理节点包括：

预测引擎模块，其接收用户目标数据ID请求信息，并依照用户的查询习惯建立对应用户数据需求的时间序列模型，通过时间序列模型计算输出判断查询目标数据ID号的传感器数据的预测值；

目标数据拉取模块，其接收所述预测值，在所述预测值超过判定阈值时，向与所述用户目标数据ID对应的传感器节点发送命令，控制所述传感器节点上报该传感器存储的感知数据。

11.如权利要求10所述的传感器网络，其特征在于，所述传感器节点包括一本地负载监控模块，该本地负载监控模块监测传感器节点数据存储空间的负载状态，通过设定的阈值，当监测到传感器节点数据存储空间负载达到该阈值时，启动感知数据上报过程，将存储空间内的所有感知数据传送给代理节点，完成后清空数据存储空间。

12.如权利要求10所述的传感器网络，其特征在于，所述传感器节点还包括一请求响应处理模块，当该传感器节点接收到来自代理节点对一确定ID数据的请求后，开始计时，上报该传感器节点采集到的目标数据给代理节点，计时结束后，停止上报。