CN103237364B - 一种集成的无线传感器网络数据收集机制 - Google Patents

Abstract

本发明公开了一种集成的无线传感器网络数据收集机制和一种针对该机制的一般性性能分析模型。该机制将部分节点选择和压缩感知两种数据收集方法有效地结合起来，降低网络通信量，适合于大规模周期性监测型的无线传感器网络。在该机制的性能分析模型中，将现实场景分为固定路由拓扑结构和功率、拓扑可调两种形式，分别为两种场景设定了优化评价指标，推导两个目标与各个网络参数之间的关系，并提出了一种基于环境变化的概率分析模型。

Description

一种集成的无线传感器网络数据收集机制

技术领域

本发明涉及无线通信网络领域，尤其涉及一种集成的无线传感器网络数据收集机制。该机制主要用于大规模周期性监测型无线传感器网络中，是一种能更好降低网络能耗的数据收集机制。

背景技术

近年来，随着通信技术、嵌入式技术和传感器技术的飞速发展，无线传感器网络大规模应用趋势逐渐形成。作为“物联网”的底层支撑技术，无线传感器网络将人类的触角向物理世界延伸一步。因此具有十分广阔的应用前景，目前已经应用于军事国防、工农业控制、环境监测、抢险救灾、智能城市、生物医疗和智能交通等诸多领域。

无线传感器网络是由大量部署在监测区域，具有计算、存储和通信能力的微型传感器节点，通过无线通信方式自组织形成的一个多跳网络，其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息，并发送给簇头节点（Sink），进而上传至基站或处理中心。资源有限是无线传感器节点的固有缺陷，主要包括能量、计算、存储等资源。多数无线传感器节点均由电池供电，能量资源极其有限，再加上节点个数多，分布区域广，有些甚至部署在危险区域，很难通过更换电池的方式来对传感器节点补充能量。另外，无线传感器网络与应用高度相关，其研究必须优先充分考虑应用的特殊性。不仅如此，它还是一种以数据为中心的网络，其关键技术的研究均要围绕数据收集的整个过程。一直以来，如何设计出节能高效的数据收集机制，以此最大化网络寿命是传感器网络研究面临的重要挑战。

综合不同的数据收集机制以优化网络能耗，是提高网络寿命的一种有效方法。无线传感器网络数据收集机制主要包括以下几种：1）直接上传；2）查询处理；3）部分节点选择；4）数据压缩。其中，直接上传是一种简单的数据收集方式，节点监测到数据后直接上传，该方法适用于小规模网络，当网络规模增大时，该方法存在较多冲突，且所收集数据具有较大冗余，过多的数据收集会大大降低网络寿命；查询处理是继直接上传方式的一种改进，Sink节点首先广播自己的兴趣信息，各节点收到兴趣信息后判断是否发包，因此，只有部分Sink节点感兴趣的信息被选择上传，一定程度降低了能量消耗，该方法适用于具有不同信息特征的数据收集场景，如事件驱动型网络和多元数据监测型网络，但在具有相似数据的大规模监测型网络中，该方法优势大大降低；部分节点选择是通过节点自组织推选出最具有代表性的节点进行数据上传工作，该方法最大程度降低了数据传输的冗余，提高了数据收集的效率，但这是一种有损的数据收集，其实施条件是该应用能够容忍一定程度的监测误差；数据压缩是相对于部分节点选择的一种无损收集方式，它通过压缩技术对收集数据进行压缩，降低数据传输量，提高传输效率，最小化数据误差，压缩比率和重建误差是一对矛盾目标；综上所述，各种方法均存在优缺点，如何结合不同的方法提高数据收集效率、降低网络能耗，进而提高网络生命期是一个非常值得研究的问题。

在大规模周期性监测的传感器网络中，能量的过多消耗是导致网络失效的主要原因，大规模周期性的数据上传也会产生大量的链路冲突，进一步增加能量消耗。另外，随着数据收集链路上数据量的累加，靠近Sink的部分传感器能量消耗过快，网络中存在严重的负载不均衡问题。因此，如何在大规模周期性监测的传感器网络中设计出负载较低且均衡的数据收集机制是数据收集机制研究的一个重要课题。南加州大学的SUNHEEYOON和CYRUSSHAHABI提出了CAG算法，该方法将一定读数范围内的节点划分为一个组，在这些相似的读数之间，只选择一个节点上传自己的数据，有效节省了数据通信量，但这种部分节点选择的方法没有解决负载均衡问题。压缩感知是一种新颖的数据压缩收集方法，在解决数据收集的负载均衡问题上，具有独特的优势，但该方法只适用于大规模网络，且对于链路的前端节点来讲，负载有所增加，相对不够公平。混合压缩感知(Hybrid-CS)一定程度解决了前两者面临的共同问题，但直接上传的方式没有充分利用空间相关性的特点，作用范围十分有限，集成程度较低。因此，提出一种更加集成的数据收集机制，进一步降低通信量具有重要意义。

发明内容

本发明首先提供一种集成的无线传感器网络数据收集机制（Integrateddatagathering,IDG），旨在于降低数据收集时的网络通信量，实现各个节点在数据收集过程中公平性。其次，本发明提供该机制的性能分析模型，在满足一般性的条件下，从理论上分析论证该机制降低数据通信量的效果。

本发明提供一种集成的无线传感器网络数据收集机制，其主要思想是结合部分节点选择和压缩感知两种方法进行数据收集。

本发明首先作如下定义：1）参与部分节点选择的节点分布在数据收集树的边缘区域，包括叶子节点和其附近的若干父亲节点，由于其邻近叶子节点，而非全部为叶子，本发明称其为“伪叶子”节点；2）参与压缩感知的节点分布在数据收集树的上层，由于该集合不包括全部的中间节点，本发明称之为“伪中间”节点；3）临近“伪叶子”节点的“伪中间”节点称为“临界”节点；4）数据收集树各节点发送数据包数量的总和为该收集树的“代价”。其中“伪叶子”节点、“临界”节点以及“伪中间”节点之间的关系如图1所示。

在“伪叶子”节点区域，本发明利用一个简单的门限值δ有效抑制数据包的发送。在一个数据收集周期内，当节点收到数据信息时与自身监测数据对比，若差值不超过δ，则只负责转发数据，节点本身数据不再上传，若数据收集结束节点仍未收集到数据，则节点直接上传自身监测数据。门限值δ不高于具体应用所能允许的最大误差限。由于部分节点选择所导致的数据缺失一定程度破坏了全网监测数据的稀疏性，本发明启动“临界”节点负责部分被抑制上传数据的恢复工作，根据路由拓扑信息，利用简单的差值方法即可有效恢复缺失数据。从“临界”节点开始的“伪中间”节点均采用压缩感知的方法收集全部数据。如图2所示，利用这种方法，“伪叶子”节点区域扩大，数据收集树的代价降低。

本发明为这种集成的数据收集机制提供一般性的性能分析模型，分为两种场景：1）当通信功率和路由拓扑固定时，本发明以降低通信开销为目标，假设收集树代价降低为W_R’；2）当功率可控，即通信距离L可调时，以能量开销为评价标准，设为J。在前一种场景下，与混合的数据收集机制相比，本发明能够降低公式（1）的通信开销，这种比较只限于IDG中“伪叶子”节点区域以及与其同区域内Hybrid-CS节点区域的包开销；在第二种场景下，一个周期下，整个路由树的能量消耗设为E，如公式（2）所示。

$W_R^{\′}=\frac{W_R}{W_I}=\frac{W_H^{\′}-W_I}{W_H^{\′}}=\frac{W_{\mathrm{Ht}}+W_{\mathrm{Hcs}}-W_I}{W_{\mathrm{Ht}}+W_{\mathrm{Hcs}}}---\left(1\right)$

$E=W\·\stackrel{\‾}{J}---\left(2\right)$

其中W_R是包开销降低比例，W_I是IDG中“伪叶子”节点区域的包开销，是与IDG同跳Hybrid-CS节点区域的包开销，等于直接上传的包开销W_Ht和压缩感知包开销W_Hcs之和，W代表整个路由树的包开销。

当IDG机制实施在树状拓扑结构下时，第n跳节点的包开销为(3),而混合压缩感知第n跳节点的包开销为(4),最大跳数为N=D/L，D是叶子节点到Sink的最大距离。因此，W_I，W_Ht，W_Hcs和W可以分别描述为(5),(6)和(7)，m为执行部分节点选择数据收集机制的节点数。

$b_1=1,b_2=C,b_3=C^2,...,b_{\mathrm{E\δ}+1}=C^{\mathrm{E\δ}}$

$a_n=\left\{\begin{array}{c}{b}_n,b_n<M\\ M,b_n\&GreaterEqual;M\end{array}\right.---\left(3\right)$

$\left\{\begin{array}{c}{c}_1=1\\ c_n={\mathrm{Cc}}_{n-1}+1\end{array}\right.$

$d_n=\left\{\begin{array}{c}{c}_n,c_n<M\\ M,c_n\&GreaterEqual;M\end{array}\right.---\left(4\right)$

$W_1=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i,a_n<M=a_{n+1}---\left(5\right)$

$\left\{\begin{array}{c}{W}_{\mathrm{Ht}}=\underset{i=0}{\overset{m}{\mathrm{\&Sigma;}}}{d}_i\\ W_{\mathrm{Hcs}}=\underset{i=m+1}{\overset{n}{\mathrm{\&Sigma;}}}{d}_i\end{array}\right.,d_m<M=d_{m+1}---\left(6\right)$

$W=\underset{i=1}{\overset{D/L}{\mathrm{\&Sigma;}}}{a}_i---\left(7\right)$

公式(2)中表示一个数据包所消耗的平均能量，其表达式为公式(8)，l_p是数据包长，R_T是节点的传输率。假设接受灵敏度是s，传输损耗lfs如公式(9)所示，L是传输距离，f是频率单位是MHz。传输功率P_T如公式(10)所示。

$\stackrel{\&OverBar;}{J}=\frac{l_p}{R_T}\&CenterDot;P_T---\left(8\right)$

[lfs]=32.44+20lg(L/1000)+20lg(f)(9)

P_T=10^lfs+s(10)

如果网络规模足够大，本发明能够有效扩展“伪叶子“节点区域。在公式(3)-(6)中，M是压缩感知所需的测量数，δ代表判定读数是否上传的门限值，C代表平均子节点数，E_δ如公式(11)所示，代表一个门限δ所能跨越的平均跳数。

$E_{\mathrm{\&delta;}}=\underset{i=1}{\overset{N-1}{\mathrm{\&Sigma;}}}\left(i{P}_{\mathrm{\&delta;}}^i\right)+\underset{i=N}{\overset{\&infin;}{\mathrm{\&Sigma;}}}N{P}_{\mathrm{\&delta;}}^i---\left(11\right)$

其中，N代表路由拓扑的最大跳数。代表单个门限δ可以跨越i跳的概率，如公式(12)所示。

$P_{\mathrm{\&delta;}}^i={\left(P_{\mathrm{\&delta;}}\right)}^{i-1}(1-P_{\mathrm{\&delta;}})---\left(12\right)$

其中P_δ单个门限可以跨越一跳的概率。如图3描述了一个简单的基于环境变化的概率分析模型。假设沿向量方向的变化率为λ，节点位置A和O与向量方向形成的夹角为θ。如果有多个节点，假设所有节点与节点O所组成最大的夹角为α。

随着现象的变化，节点A和O之间度数差不超过门限的概率为(13)。

$P_{\mathrm{\&delta;}}^A=\frac{2}{\mathrm{\&pi;}}{\&Integral;}_0^{\frac{\mathrm{\&pi;}}{2}}{e}^{-\mathrm{\&Lambda;}L\cos \mathrm{\&theta;}}\mathrm{d\&theta;}---\left(13\right)$

其中当B的投影b落在区间[0,a]之间时，条件概率相反，如果A的投影a落在[0,b]之间，条件概率否则，他们是相互独立的，因此 $P_{\mathrm{\&delta;}}^{\mathrm{AB}}=P_{\mathrm{\&delta;}}^A\&CenterDot;P_{\mathrm{\&delta;}}^B.$

$P_{\mathrm{\&delta;}}^{\mathrm{AB}}=\frac{2}{\mathrm{\&pi;}}({\&Integral;}_{\mathrm{\&alpha;}-\frac{\mathrm{\&pi;}}{2}}^{\frac{\mathrm{\&alpha;}}{2}}{e}^{-\mathrm{\&Lambda;}L\cos \mathrm{\&theta;}}\mathrm{d\&theta;}+{\&Integral;}_{\frac{\mathrm{\&alpha;}-\mathrm{\&pi;}}{2}}^{\mathrm{\&alpha;}-\frac{\mathrm{\&pi;}}{2}}{e}^{-\mathrm{\&Lambda;}L\cos \mathrm{\&theta;}}\&CenterDot;e^{-\mathrm{\&Lambda;}L\cos (\mathrm{\&pi;}-\mathrm{\&alpha;}+\mathrm{\&theta;})}\mathrm{d\&theta;})---\left(14\right)$

因为∠BOA内所有节点的投影均落在[b,a]之中，任意节点C的条件概率并且 $P_{\mathrm{\&delta;}}=P_{\mathrm{\&delta;}}^{\mathrm{AB}}.$

附图说明

图1为本发明中不同类型节点的逻辑关系。

图2为本发明中集成数据收集机制的基本思想和优势体现。

图3为本发明中的基于环境变化的概率分析模型。

图4为本发明中节点执行数据收集机制的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施

本发明是针对于大规模周期性监测型无线传感器网络而提出的集成的数据收集机制。本实施例是基于如图2所示的树状拓扑图，节点执行如图4所示流程图。具体步骤如下：

1.网络初始化，确定网络拓扑以及数据上传周期T；

2.若节点为叶子节点则上传数据至下一跳，否则执行步骤3；

3.若收到全部下游节点数据或者该周期结束，执行步骤4，否则等待；

4.通过从上游收集到的数据包判断当前数据收集类型，若为部分节点选择则执行步骤5，若全部为压缩感知，则执行步骤8；若两种收集方式都存在，则执行步骤9；

5.判断是否为“临界”节点，若是，执行步骤6，否则执行步骤7；

6.根据路由拓扑信息，为下游各节点生成系数矩阵并利用插值方法恢复各数据包中所缺失的数据，启动压缩感知；

7.与“邻居数据集”中的所有元素比较，若差值超过门限值δ，则添加自身采集数据，更新“邻居数据集”，否则直接转发数据；

8.执行压缩感知；

9.针对部分节点选择方法所收集的数据，根据路由拓扑信息，为其下游节点生成系数矩阵并利用差值方法恢复该数据包中所缺失的数据，启动压缩感知，并与其他下游节点的压缩感知所得到的数据向量合并；

按照以上步骤，各节点可以在不同的环境下执行IDG机制，不同的λ条件下，可以自由伸缩“伪叶子”节点区域；当λ=0时，本发明完全退避成部分节点选择方法，随着λ的增大，本发明退避成混合压缩感知。

Claims (2)

1.一种集成部分节点选择和压缩感知的无线传感器网络数据收集方法(IDG)，权利要求1的特征在于包括如下步骤和定义及判定要求：

步骤：

步骤A.从叶子节点开始，到数据包规模未达到压缩感知的采样规模M之前，按照部分节点选择的方式进行数据收集；

步骤B.随着步骤A的执行，在某节点数据包规模逐渐达到压缩感知的采样规模，该节点按照路由拓扑信息对所收集数据中的缺失数据进行估计和重建；

步骤C.步骤B中所述节点根据其上游节点特征进行采样，生成系数矩阵并启动基于压缩感知的数据收集模式；

步骤D.步骤C所述节点的下游节点执行压缩感知数据收集模式；定义及判定要求：

涉及本步骤A的节点包括叶子节点及其附近的若干中间节点，称之为“伪叶子”节点；涉及步骤B和步骤C中的节点，负责缺失数据的重建，以及压缩感知的启动，称为“临界”节点；涉及步骤B、步骤C和步骤D中负责启动或执行压缩感知的节点称为“伪中间”节点；IDG实施过程中依据以上定义对各节点类型进行判定。

2.权利要求1中的IDG分别在路由拓扑固定以及功率可控两种场景下的性能分析方法,用于IDG实施前的可行性分析，权利要求2的特征在于包括如下步骤：

步骤A.对于路由拓扑固定的场景，选择IDG“伪叶子”节点区域与传统混合压缩感知数据收集方法(Hybrid-CS)中相对应同区域的包开销的比值W_R’作为IDG性能评价的指标；对于功率可控,即通信距离L可调的场景，选择单个数据收集周期全网的能量消耗E作为评价指标，E等于路由拓扑的包开销W与单个包的平均能耗之积；

步骤B.通过对步骤A中两个指标的推导，得出性能指标W_R’、E与网络参数C、M和P_δ之间的关系，其中，C为平均子路由数，M为压缩感知采样规模，P_δ指一个门限值能够跨越一跳的概率；

步骤C.建立求解步骤B中概率P_δ的基于环境变化的概率分析模型，求得概率P_δ与通信距离L、节点位置到参照节点位置与向量方向形成的夹角θ、环境信息沿向量方向的变化率λ以及判定读数是否上传的门限值δ之间关系的积分公式，进而得到步骤A中两个性能指标与参数L、θ、λ以及δ之间的关系。