CN102883359B - 一种用于无线传感器网络的关键节点的测量的方法、装置以及系统 - Google Patents

Abstract

本发明公开了一种用于无线传感器网络的关键节点的测量的方法，包括：S1.抓取无线传感器所有节点的信息，生成一个有向连通图G(V,E)；S2.将每一个传感器节点经由的数据包通过哈希处理嵌入自己的ID；S3.基站收集具有ID信息的数据包进行解码，判断获得的关键节点，所述的关键节点通过如下的公式进行识别：其中,V_P(v)表示的是节点v的父亲集合，S_i表示v的第i个父节点，在隐马尔科夫模型中属于隐藏状态，a_ji表示S_j到S_i的转移概率。本发明还公开了一种用于无线传感器网络的关键节点的测量的装置和系统。本发明的一种用于无线传感器网络的关键节点的测量的方法，装置以及系统能查找到无线传感器网络的关键节点。

Description

一种用于无线传感器网络的关键节点的测量的方法、装置以及系统

技术领域

本发明涉及用于无线传感器网络领域，尤其涉及一种无线传感器网络管理的方法、装置以及系统。

背景技术

随着无线通信技术的日益成熟和嵌入式系统的快速发展，无线传感器网络被广泛的应用到环境检测，生态科学观察以及国防军事等领域。为了保证网络的连通性和覆盖范围，大规模的无线传感器网络通常需要部署成千上万个传感器节点。每个传感器节点不仅要周期性的感知周围的信息，还需要通过特定的路由协议1来寻找自己的下一条节点地址，这样才能保证基站可以成功回收感知区域里的信息。自组织网络的多跳传输特性要求大部分的节点要负责转发其他节点的数据；一旦某些位置的关键节点（瓶颈节点）无法工作，网络可能会产生分割，即远处某个区域里的节点再也无法将采集到的数据发回给基站。

在网络出现分割之前，管理员是非常有必要了解整个网络存在哪些瓶颈节点的。一方面，如果选择故障发生之后再对网络进行诊断，则分割区域里的诊断数据是无法获取的，也就是说，管理员无法准确判断是哪些节点导致了这些区域被分割，从而不能恢复网络；另一方面，许多应用需要网络本身拥有快速恢复功能，比如危机妨害、基础设施保护等。因此，我们期望在网络本身运行较为良好的情况下采集系统相关数据，然后确定出网络潜在的瓶颈节点，等到故障发生的时候，我们就可以对故障源进行预测。更进一步的，管理员还可以对当前网络进行针对的重部署，从而最大程度的避免网络分割的发生。

发明内容

本发明的目的在于提出一种用于无线传感器网络的关键节点的测量的方法、装置以及系统，能够系统评估当前网络的运行状况，以及寻找潜在的瓶颈节点，帮助管理员快速的应对网络分割等系统故障的问题。

为达此目的，本发明采用以下技术方案：

本发明公开了一种用于无线传感器网络的关键节点的测量的方法，包括：

S1.抓取无线传感器所有节点的信息,生成一个有向连通图G(V,E);

S2.将每一个传感器节点经由的数据包通过哈希处理嵌入自己的ID;

S3.基站收集具有ID信息的数据包进行解码,判断获得的关键节点，所述的关键节点通过如下的公式进行识别:

$D=(v,S_i)=\left({\mathrm{\Σ}}_{1\≤j\≤V_p\left(v\right)}{a}_{\mathrm{ji}}\right)/\left|V_p\left(v\right)\right|$

其中,V表示节点集合，E表示边集合，每一条有向边(i,j)表示j是i的父节点,V_P(v)表示的是节点v的父亲集合,S_i表示v的第i个父节点，在隐马尔科夫模型中属于隐藏状态,a_ji表示S_j到S_i的转移概率。

在本发明所述的用于无线传感器网络的关键节点的测量的方法中，所述的步骤S2及步骤S3间还包括步骤S21,通过布隆过滤器对所述的ID进行加密处理。

在本发明所述的用于无线传感器网络的关键节点的测量的方法中，利用隐马尔科夫模型推断每一对父子节点的依赖性。

在本发明所述的用于无线传感器网络的关键节点的测量的方法中，所述的步骤S3后还包括步骤S4，重部署流量预测步骤。

本发明公开了一种用于无线传感器网络的关键节点的测量的装置，包括：

连通图生成单元，用于抓取无线传感器所有节点的信息,生成一个有向连通图G(V,E);

数据包处理单元，用于将每一个传感器节点经由的数据包通过哈希处理嵌入自己的ID;

关键节点识别单元,用于基站收集具有ID信息的数据包进行解码,判断获得的关键节点，所述的关键节点通过如下的公式进行识别:

$D(v,S_i)=\left({\mathrm{\Σ}}_{1\≤j\≤V_p\left(v\right)}{a}_{\mathrm{ji}}\right)/\left|V_p\left(v\right)\right|$

其中,V_P(v)表示的是节点v的父亲集合,S_i表示v的第i个父节点，在隐马尔科夫模型中属于隐藏状态,a_ji表示S_j到S_i的转移概率。

在本发明所述的用于无线传感器网络的关键节点的测量的装置中，所述的数据包处理单元及关键节点识别单元还包括加密单元,用于通过布隆过滤器对所述的ID进行加密处理。

在本发明所述的用于无线传感器网络的关键节点的测量的装置中，所述的关键节点识别单元通过利用隐马尔科夫模型推断每一对父子节点的依赖性。

本发明公开了一种用于无线传感器网络的关键节点的测量的系统，包括多个无线传感器,信息接收终端,其中,多个无线传感器将测试的信息传送到信息接收终端,其特征在于,所述的用于无线传感器网络的关键节点的测量的系统还包括连接于所述的无线传感器与信息接收终端间的如上述的用于无线传感器网络的关键节点的测量的装置.

在本发明所述的用于无线传感器网络的关键节点的测量的系统中，所述的信息接收终端包括智能手机、电脑。

在本发明所述的用于无线传感器网络的关键节点的测量的系统中，所述的用于无线传感器网络的关键节点的测量的装置通过wifi或3G或gprs与所述的信息接收终端相通讯。

实施本发明的一种无线传感器网络管理的方法、装置以及系统，具有如下有益的技术效果：

区别于现有技术的用于无线传感器网络的没有查找关键节点的技术,本技术方案能系统评估当前网络的运行状况，以及寻找潜在的瓶颈节点，帮助管理员快速的应对网络分割。

附图说明

图1是本发明用于无线传感器网络的关键节点的测量的方法的流程图;

图2是本发明用于无线传感器网络的关键节点的测量的装置方框图；

图3是本发明用于无线传感器网络的关键节点的测量的系统方框图;

图4是本发明网络拓扑对路由表现的影响图;

图5是本发明网络协议对路由表现的影响图；

图6是本发明利用布隆过滤器对节点过滤示意图;

图7是本发明利用布隆过滤器对链路权重赋值示意图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

请参阅图1，本发明的较佳实施例，一种用于无线传感器网络的关键节点的测量的方法，包括：

S1.抓取无线传感器所有节点的信息,生成一个有向连通图G(V,E);

S2.将每一个传感器节点经由的数据包通过哈希处理嵌入自己的ID;

S3.基站收集具有ID信息的数据包进行解码,判断获得的关键节点，所述的关键节点通过如下的公式进行识别:

$D(v,S_i)=\left({\mathrm{\Σ}}_{1\≤j\≤V_p\left(v\right)}{a}_{\mathrm{ji}}\right)/\left|V_p\left(v\right)\right|$

其中,其中V表示节点集合，E表示边集合，V_P(v)表示的是节点v的父亲集合,S_i表示v的第i个父节点，在隐马尔科夫模型中属于隐藏状态,a_ji表示S_j到S_i的转移概率。

较佳地，所述的步骤S2及步骤S3间还包括步骤S21,通过布隆过滤器对所述的ID进行加密处理。

其中，利用隐马尔科夫模型推断每一对父子节点的依赖性以及所述的步骤S3后还包括步骤S4，重部署流量预测步骤。

下文进行详细说明：

鉴于以上分析，本发明提出一种通用于任何网络拓扑和路由协议的关键点检测系统BOND(BOttleneck Node Detector)，旨在帮助管理员在一个正常运行的无线传感器网络当中检测出潜在的瓶颈节点，这些节点十分有可能造成网络的分割。该系统由三个部分组成，分别是路由推断，关键点检测，重部署流量预测。在路由推断中，每个传感器终端需要对所有经过自己的数据包通过哈希处理嵌入自己的ID(Identity)，基站统一收集之后再进行解码，则可以从概率上推断出每一个包所经历过的节点号；然后利用隐马尔科夫模型(HiddenMarkov Model)推断出每一对父子节点的依赖性，再通过全局整合得到整个网络不同位置上的关键节点。重部署流量预测可以帮助管理员在实施部署前预测网络的流量变化，从而优化部署方案。

在一个大规模多跳无线传感器网络中记录每一个包的传输路径是开支非常大的工作。每一个数据包最多包含110K左右的字节，假设我们用2个字节来记录一个节点的ID，对于一个30跳的数据包，就要花费60个字节来记录路径，那么剩余的空间可能就不足以存储有用的感知数据。我们采用了布隆过滤器(Bloom Filter)来对ID进行加密存储，然后在基站处进行解码，从而避免了中间传输开支过大。布隆过滤器是一种空间效率很高的随机数据结构。它利用位数组来表示一个集合，并能很快判断一个元素是否属于这个集合。当然，这种高效性也是有一定代价的，在判断一个元素是否属于某个集合的时候，布隆过滤器会误把一个本不属于这个集合的元素认为属于该集合。在我们的应用场景中，这种低错误率是可以被容忍的，且可以极大节省节点内部的存储空间。

在得到了每个数据包之后，我们怎么去计算每对父子节点的依赖性呢？首先，我们考虑的无线传感器网络是一个单信道的网络，每对处于通讯范围之内的节点都可以相互发送数据。我们定义整个网络为一个有向连通图G={V,E}，其中V代表的是节点集合，E则是边集合，每一条有向边(i,j)表示j是i的父节点。值得注意的是，根节点没有出边，并且网络中可能出现环，在实际意义中表示这些点受到网络协议和环境的影响，构成了这种环的父子关系。我们定义一个节点i的父亲集合为V_p(i)={P_ij|(i,j)∈E}，现实意义中也就是每个节点自己维护的路由表。当i要发送数据的时候，它可以根据路由协议去选择当前最优的一个父节点进行传输。在实际节点设计中，路由表的大小通常有个上限，比如说16。在该模型中，我们并没有限制父亲集合的大小，凡是在测量时间里面产生了转发关系的节点对都会被考虑。另外，我们的模型是建立在网络拓扑已知的假设下，很多方法都可以满足该要求，比如说被动在线测量2。最后，每一个节点i需要花费2个字节来维护一个计数器F(i)，用来记录测量时间内通过该节点的流量。流量会被嵌到数据包当中，以便基站用来验证概率性的推断结果。

接下来，我们对节点的数据传输建立一个马尔科夫链(Markov Chain)模型。假设节点v在测量时间里有L个数据包需要传输，且有V_p(v)={P_v1,P_v2，...,P_vN}这N个父节点可以选择。我们这样描述从P_vi到P_vj的一次父节点转移事件：对于包s，节点v选择P_vi作为父节点传输，当要传输下一个包s+1的时候，路由参数产生了变化，从而导致v不再选择P_vi，而是把数据转发给P_vj。因此，如果我们把L个包的传输对应到一个长度为L的马尔科夫链，则每个状态表示相对应的包所选择的父节点。上面提到我们为了节省存储空间，并没有明确的把每一个包所经过的路径记录下来，而是通过前端加密后台解密的概率性推断。也就是说，每一个包究竟选择了哪个父节点作为下一跳传输，对于我们是隐藏状态；我们能观察到的状态是每一个包里用布隆过滤器加密过的位数数组。为了从观测状态推断出隐藏状态以及隐藏状态之间的转移概率，我们选择用隐马尔科夫模型。

隐马尔科夫模型作为一种常见的统计分析模型，已经成为信号处理的一个重要方向，被大量应用于行为识别、语音文字识别、生物信息科学和故障诊断等重要领域。它属于马尔科夫链的一种，其隐藏状态不能直接被观察到，但能通过观测向量序列观察到，且每个观测向量都是通过不同的概率密度分布而产生的。利用隐马尔科夫模型可以解决三类问题：

已知模型参数，计算某一特定输出序列的概率。

已知模型参数，寻找最可能的能产生某一特定输出序列的隐含状态的序列。

已知输出序列，寻找最可能的状态转移以及输出概率。

在我们的应用当中，我们的问题可以归为上述的第三类，也就是说，我们已经在基站拥有了观测到的序列，想反推出隐藏状态之间的转移概率。使用的优化算法是Baum-Welch算法。该转移概率在我们的实际问题中表示的是这样的场景：节点A当前选择的是父节点是P，那么下一次选择父节点Q的概率就是一个从P到Q的转移概率。对于点v，下面我们描述隐马尔科夫的五个关键元素，包括2个状态集合和3个概率矩阵：

隐藏状态S_v，|S_v|=N+1=|V_p(N)|+1。S_v={S_i|i=0,1,2...N}，且S_i=P_vi,i=1,2...N。S₀是一个虚拟状态，表示的是v并没有发送该包，该虚拟状态有助于基站计算布隆过滤器的结果。

观测状态T_v，|T_v|=M=2^k，k是布隆过滤器中设计好的位数数组的大小。在我们的实验中，k=24。|T_v|={T_i|i=0,1,2...M-1}。

隐藏状态的转移矩阵A_v={a_ij}，其中a_ij＝P(S_j|S_i)，1≤i,j≤N，表示的是从S_i到S_j的转移概率。该转移矩阵是未知的参数，我们期望从观测状态中把它逆推出来。

隐藏状态和观测状态之间的产生概率矩阵B_v={b_ij}，其中b_ij＝P(T_i|S_j)，1≤i≤M,1≤j≤N，表示的是在S_j隐藏状态下，T_i发生的概率。该转移矩阵是可以根据网络拓扑和设定参数进行计算的，我们会在下面详细说明。

模型初始设定向量π_v＝{π_i|i=1,2...N}，πi表示的是隐藏状态序列的第一个值是S_i的概率。我们简单设定π_i＝1/N,i=1,2...N。

利用隐马尔科夫模型解决这类问题的最核心的问题是如何构造和计算隐藏转台和观测状态之间的产生概率B_v。具体点，我们需要计算T_i在隐藏状态下的发生概率b_ij＝P(T_i|S_j)。在我们的设定中，S_j表示的是v把数据包发送给P_vj这个父节点；T_i是嵌在包里的关于传输路径的位数数组，该位数数组是路径上的节点将自己的ID经过哈希变换依次生成的。我们根据网络的实际拓扑和真实的流量分四步来计算B_v：

第一步是节点过滤。如图6所示，数据包由节点A产生。如果我们仅仅通过网络拓扑来分析，则会有五条不同的路径到达基站。我们使用布隆过滤器对节点进行记录，等基站收到该数据的时候，通过查询嵌入的位数数组，我们可以排除掉某些不可能在路径中的节点。在这个例子中，如果我们能够排除掉节点C和F，则我们可以说，该数据包是依次通过了节点B，E到达基站的。

第二步是链路权重赋值。因为布隆过滤器会有一定的误算率，如图7所示，在F节点被过滤之后，还是存在两条可能的路径。当我们在分析A究竟是把数据包发给了B还是C的时候，我们倾向于把概率平摊化，也就是说A有50%的可能发给了B，50%的可能发给了C；但是无论是B还是C，他们肯定是都把包发给了E，因为D和基站已经被分离开了。为了在复杂网络里计算每个中转节点转发包的概率，我们需要为每一条链路赋予权重，以表示在这些可能的路径当中，有多少条都包含了这条链路。算法1仔细的描述了权重赋值的过程，需要注意的是，如果我们理解整个网络拓扑为一个以基站为根节点的树，该算法是从根到叶子节点计算的。

第三步是概率计算。在图5的例子中，假设第一步之后没有节点被排除在外，所以一共有五条可能的路径从A到基站。其中有三条是经过节点B的，另外两条则经过C。同样的，对于节点B而言，假设B收到了这条来自于A的数据包，从B节点到基站的可能路径中，两条是要经过E的，剩下一条是经过D的。也就是说，在B收到该包的假设下，有66.6%的可能性B会继续把数据包发送给E，再由E发给基站。另外，即使B没有收到该数据包，E还是会从节点C处得到该数据包，这也是为什么我们要引入S₀这样的虚拟状态。需要注意的是，我们在考虑所有可能路径的时候，我们必须要保证该路径所产生的位数数组和基站收到的实际位数数组保持一致。算法2描述了整个过程，和算法1不同，该算法是从源节点出发，最后再到基站。

第四步是概率转换。第三步结束的时候，对于节点v，我们已经能够确定P(S_i|T_j),1≤i≤N,1≤j≤M。从贝叶斯理论我们可以知道P(T_j|S_i)=P(S_i|T_j)P(T_j)/P(S_i)。简单的计算一下T_j在基站收集包中出现的次数，可以得到P(T_j)。为了计算P(S_i)，我们让每一个节点v都计算了自己的发包次数F(v)，因此我们可以近似的得到至此，我么融合了网络的实际拓扑，和真实的网络运行状况，确定了B_v。

对于点v，从观察到的数据序列O_v，我们可以利用Baum-Welch算法，通过反复迭代学习的方式得到最优的一组隐马尔科夫参数λv=(A_v,B_v,π_v)，从而使得P(O_v|λ_v)最大。事实上，在我们的实验中，我们设定迭代次数为20。当然，迭代次数越多，准确率越高，需要的计算量也越大，这里需要注意的是，我们并不会重置B_v，因为它已经可以通过上面的分析从数据中准确得到。隐藏状态之间的转移概率矩阵B_v才是我们需要关心的对象。从S_i到S_j小的转移概率如果非常大，表示当S_i不可用的时候，S_j很有可能会被选为替代的中转节点。因此，我们可以这样来计算节点v对父节点S_i的依赖性：

$D(v,S_i)=\left({\mathrm{\Σ}}_{1\≤j\≤V_p\left(v\right)}{a}_{\mathrm{ji}}\right)/\left|V_p\left(v\right)\right|$

即把其他父节点到S_i的转移概率进行了均一化。可以看到，D(v,S_i)越大，表示S_i对于v的数据转发非常重要；从另一个角度来看，一旦v被网络分割了，管理员十分有必要去检查S_i是否发生了故障。

下面我们介绍该发明系统的最后一个部分：重部署流量预测。利用以上测量获得的转移概率矩阵，我们不仅能够检测出网络中潜在的关键节点，还可以用来指导管理员对网络进行重部署。我们知道，在网络重部署之前，管理员希望对新网络的表现进行一个预估评测。重部署流量预测就是用来做这样的事情，它可以对新网络进行流量预测，从而能够保证重部署的效率和实用性。下面我们将会对两种原子情况进行描述，分别是一个节点从原网络中被拿走，和在原网络中加入一个新的节点。那么其他复杂的重部署操作可以是这些原子情况的累加。值得注意的是，我们的预测针对的是非关键性节点，因为上述分析已经指出，当关键性节点不存在于网络当中的时候，网络可能会被分割，从而造成大量网络流量消失。

假设节点v即将被管理员从网络中拿走。对于v的任意一个子节点u，我们首先计算从u到v的流量。利用上述学习之后的隐马尔科夫模型λ_u=(A_u,B_u,π_u)，以及观测序列T_u，我们能够利用维特比(Viterbi)算法得到最有可能发生的隐藏序列S_u，然后我们只要在序列中计算出以v为父节点的传输的比率，记为R_uv。最后乘上u的总流量F(u)，我们能够得到从u到v的包流量为TP(u,v)=R_uv·F(u)。

下一步则是要预测当v不在网络的时候，这些流量会怎样分布到其他节点。利用父节点转移概率矩阵，我们得到DP(u,P_uk)=TP(u,v)·a_lk/∑_j≠1a_1j，其中假设v=P_u1。也就是说，那些原本属于v的流量TP(u,v)，都分摊到了其他的父节点。最后，对于任意u的其他父节点w，我们还要分析这些多出来的流量的走向。假设t是w的一个父节点，利用前面的流量走向分析，可以得到t  的增量为DP(w,t)=DP(u,w)·R_wt/∑R_wi。同理，我们还要考虑掉那些因为v不在而流量减少的节点，比如v的父节点。通过迭代的对流量的增减量进行计算，直到基站，我们就可以对新的网络获得一个新的流量走向图。

当一个节点v被管理员加入网络的时候，我们的预测是基于网络实际拓扑已知的假设下的。事实上，一个重部署的工作通常都是满足这个要求的。首先，我们需要在v的通讯范围内寻找一个和v最相近的节点v'，然后我们考虑v'的任意一个子节点u，且u和v是可以互相通讯的。然后，我们要修改λ_u=(A_u,B_u,π_u)：

对于A_u={a_ij},1≤i,j≤N，我们需要加入一行和一列，因为u增加了一个新的父节点v。不失一般性，我们假设v'=P_uN，v=P_u(N+1)。然后：

a′_ij=a_ij/(a_iN+1),1≤i≤N,1≤j≤N

a′_ij=a_iN/(a_iN+1),1≤i≤N,j=N+1

最后，使得a′_(N+1)j＝a′_Nj,1≤j≤N+1。

对于B_u={b_ij},1≤i≤M,1≤j≤N，我们在概率矩阵中加入一列，使得b_i(N+1)=b_iN,1≤i≤M。

对于π_u＝{π_i,1≤i≤N}，我们这样转化：

π_i′=π_i/(π_N+1),1≤i≤N

π′_N+1=π_N/(π_N+1)

经过上述的转换之后，相当于我们已经对和v'相关的点的路由表里面加入了v'这个选择，然后再对网络流量的增减量做之前同样的分析，直到流量到达基站为止。

请参阅图2、一种用于无线传感器网络的关键节点的测量的装置1，包括：

连通图生成单元10，用于抓取无线传感器所有节点的信息,生成一个有向连通图G(V,E);

数据包处理单元20，用于将每一个传感器节点经由的数据包通过哈希处理嵌入自己的ID;

关键节点识别单元30,用于基站收集具有ID信息的数据包进行解码,判断获得的关键节点，所述的关键节点通过如下的公式进行识别:

$D(v,S_i)=\left({\mathrm{\Σ}}_{1\≤j\≤V_p\left(v\right)}{a}_{\mathrm{ji}}\right)/\left|V_p\left(v\right)\right|$

其中,V_P(v)表示的是节点v的父亲集合,S_i表示v的第i个父节点，在隐马尔科夫模型中属于隐藏状态,a_ji表示S_j到S_i的转移概率。

进一步地，数据包处理单元20及关键节点识别单元30还包括加密单元25,用于通过布隆过滤器对所述的ID进行加密处理。

其中，关键节点识别单元30通过利用隐马尔科夫模型推断每一对父子节点的依赖性。

请参阅图3、一种用于无线传感器网络的关键节点的测量的系统，包括多个无线传感器400,信息接收终端500,其中,多个传感器400将测试的信息传送到信息接收终端500,用于无线传感器网络的关键节点的测量的系统还包括连接于传感器400与信息接收终端间500的上述的用于无线传感器网络的关键节点的测量的装置1。

进一步地，信息接收终端500包括智能手机、电脑，所述的多用于无线传感器网络的关键节点的测量的装置通过wifi或3G或gprs与信息接收终端500相通讯.

实践中，由于缺少先前的工作准备，我们很难准确定位到故障是由哪些节点引起的。最后我们只能重启了边缘附近的节点，网络才恢复正常。最初我们认为，这些瓶颈节点是因为网络拓扑引起的，由于地理环境造成的不完善的部署，会导致非常少量的节点却需要负责转发大量节点的数据。

例如，我们在路口等流量繁忙的地方布上较多的节点，以免当某些节点损坏了的时候，其他节点也能转发数据。同时，为了避免无线信号会被城市中的高楼挡住，我们在建筑物旁边也有规划的部署了足够多的节点。即使如此，我们还是在网络运行中发现了这样的关键节点，当它们失效的时候，网络会产生分割，导致许多数据无法传回。因此，我们意识到，关键节点是存在于网络层的，除了网络拓扑的影响，还应当和网络的路由协议有关。本发明旨在提出一种通用的检测方法，对于任意的网络系统，我们都能探测出潜在的关键节点，从而保证网络的修复工作。

为了衡量出一个点对网络的重要性，我们首先提出点依赖性的概念。准确的说，点依赖性是用来衡量一个点和它的一个父节点之间的路由依赖性。比如说，对于节点A，如果它十分依赖于父节点B，则当B出现故障的时候，节点A并不会立刻转移路由目标，而是表现为持续等待节点B的复苏，然后再将数据传给B。反之，A并不会因为B的故障而失去路由目标和停止发送数据。可以看到，我们完全根据节点在路由层的表现来测量相关点依赖性的值，也就是说屏蔽掉了网络拓扑和具体的路由协议，保证了方法的通用性。实际上，节点的路由表现和许多因素相关，比如说网络拓扑、链路质量、路由协议等等。

图4解释了网络拓扑对路由表现的影响。在点E加入网络之前，A只有A'一个父节点，所有由A产生或转发的数据包都必须由A’来继续转发。从依赖性的角度来看，A完全依赖于A'，一旦A'发生故障，则A会被网络隔离出去。这种依赖性同样存在于B和B'，C和C'，D和D'。在网络中放入点E之后，点A的路由表就会发生改变，E会和A'分摊来自于A的流量。从A的角度来看，路由变得不再那么单一，即使A'从网络中被拿走，A可以选择把数据包传送给E'，然后E'可以传送给B',C'和D'中的任意一个。也就是说，网络拓扑的变化进一步改变了点与点之间的相互依赖性。

图5解释了网络路由协议对路由表现的影响。图中点D是A和B的父节点，点E是B和C的父节点。我们假设A和C的发包率是相同的。在基于能量的路由协议下，点B可能会将流量平摊到D和E，这样才能平衡两者的能量。另一方面，在基于链路质量的路由协议下，我们假设B从D到基站的链路质量要更好，则B的大部分流量会由D来转发，也就是说B会更依赖于D。

我们通过一个多月运行期所产生的总共865901个数据包，我们在每个节点里面都嵌入了路径记录模块，从而可以验证我们用布隆过滤器来推断数据返回路径这个方法的效果；另外，我们还收集了网络运行期出现分割的案例，以及对应的解决方案，比如说重启了哪些关键性节点之类的，这类数据可以用来验证我们的关键点检测方法是否有效；最后，我们还在我们的测试床上检验了重部署流量预测的模块，测试方法主要就是通过增加或者减少节点，不断的改变网络的拓扑，然后用改变后的流量和理论推断值进行比较。

实验结果表明，我们用布隆过滤器能够正确的推断出至少77.6％的传输对。对于一些离基站较近的节点，比如说3跳以内，我们可以对其中超过50%的节点做出正确率高达85.2%的预测。从节点的存储空间对比的话，如果要全部记录下路径经过的所有节点号，最远的点需要32个字节，而我们的方法只需要24位，即3个字节，空间节省率高于10%。从上面可以看到，隐马尔科夫模型的正确率是和布隆过滤器的效果相关的。从我们的实验结果来看，对于网络分割的情况，我们可以事先在运行正常的网络中，正确预测率高达85.7%，且错误预测率只有10.7%。也就是说，BOND能够帮助管理员事先推断出网络中85%左右的关键节点，且在认为是关键节点的节点当中，只有10%左右的节点不是关键节点。当网络一旦发生分割，管理员可以十分有效的找出祸源，恢复网络。当网络拓扑发生改变的时候，BOND能够对一半节点做出不高于25%的绝对误差的流量预测。且对于所有节点，BOND可以准确预测出流量变化是增量还是减量，且相对误差不高于3%。

实施本发明的一种无线传感器网络管理的方法、装置以及系统，具有如下有益的技术效果：

区别于现有技术的用于无线传感器网络的没有查找关键节点的技术,本技术方案能系统评估当前网络的运行状况，以及寻找潜在的瓶颈节点，帮助管理员快速的应对网络分割。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种用于无线传感器网络的关键节点的测量的方法，其特征在于，包括：

S1.抓取无线传感器所有节点的信息,生成一个有向连通图G(V,E)；

S2.将每一个传感器节点经由的数据包通过哈希处理嵌入自己的ID；

S3.基站收集具有ID信息的数据包进行解码,判断获得的关键节点，所述的关键节点通过如下的公式进行识别:

$D(v,S_i)=\left({\mathrm{\Σ}}_{1\≤j\≤V_p\left(v\right)}{a}_{\mathrm{ji}}\right)/\left|V_p\left(v\right)\right|$

其中,V表示节点集合，E表示边集合，每一条有向边(i,j)表示j是i的父节点,V_P(v)表示的是节点v的父亲集合,S_i表示v的第i个父节点，在隐马尔科夫模型中属于隐藏状态,a_ji表示S_j到S_i的转移概率；

其中，利用隐马尔科夫模型推断每一对父子节点的依赖性。

2.根据权利要求1所述的用于无线传感器网络的关键节点的测量的方法，其特征在于，所述的步骤S2及步骤S3间还包括步骤S21,通过布隆过滤器对所述的ID进行加密处理。

3.根据权利要求1或2任一项所述的用于无线传感器网络的关键节点的测量的方法，所述的步骤S3后还包括步骤S4，重部署流量预测步骤。

4.一种用于无线传感器网络的关键节点的测量的装置，其特征在于，包括：

连通图生成单元，用于抓取无线传感器所有节点的信息,生成一个有向连通图G(V,E)；

数据包处理单元，用于将每一个传感器节点经由的数据包通过哈希处理嵌入自己的ID；

关键节点识别单元,用于基站收集具有ID信息的数据包进行解码,判断获得的关键节点，所述的关键节点通过如下的公式进行识别:

$D(v,S_i)=\left({\mathrm{\Σ}}_{1\≤j\≤V_p\left(v\right)}{a}_{\mathrm{ji}}\right)/\left|V_p\left(v\right)\right|$

其中,V表示节点集合，E表示边集合，每一条有向边(i,j)表示j是i的父节点,V_P(v)表示的是节点v的父亲集合,S_i表示v的第i个父节点，在隐马尔科夫模型中属于隐藏状态,a_ji表示S_j到S_i的转移概率；

其中，所述的关键节点识别单元通过利用隐马尔科夫模型推断每一对父子节点的依赖性。

5.根据权利要求4所述的用于无线传感器网络的关键节点的测量的装置，其特征在于，所述的数据包处理单元及关键节点识别单元还包括加密单元,用于通过布隆过滤器对所述的ID进行加密处理。

6.一种用于无线传感器网络的关键节点的测量的系统，包括多个无线传感器,信息接收终端,其中,多个无线传感器将测试的信息传送到信息接收终端,其特征在于,所述的用于无线传感器网络的关键节点的测量的系统还包括连接于所述的无线传感器与信息接收终端间的如权利要求4至5任一项所述的用于无线传感器网络的关键节点的测量的装置。

7.根据权利要求6所述的用于无线传感器网络的关键节点的测量的系统，其特征在于，所述的信息接收终端包括智能手机、电脑。

8.根据权利要求6所述的用于无线传感器网络的关键节点的测量的系统，其特征在于，所述的用于无线传感器网络的关键节点的测量的装置通过wifi或3G或gprs与所述的信息接收终端相通讯。