CN103957582B - 无线传感器网络自适应压缩方法 - Google Patents

Abstract

本发明公开了一种能够实现全网级别的能量优化的无线传感器网络自适应压缩方法，它包括压缩判决过程，压缩判决过程中比较执行压缩时的总能耗E_comp以及不执行压缩时的总能耗E_uncomp，若E_comp大于E_uncomp，则原始数据不压缩，直接发送，若E_comp小于E_uncomp，则执行数据压缩过程，原始数据被压缩后再发送，若E_comp等于E_uncomp，则原始数据不压缩，直接发送，或者，原始数据压缩后再发送。

Description

无线传感器网络自适应压缩方法

技术领域

本发明涉及无线传感器网络技术领域，具体讲是一种无线传感器网络自适应压缩方法。

背景技术

无线传感器网络(Wireless Sensor Networks，WSNs)被广泛应用于环境监测、医疗保健、智能家居、交通监视、军事监控等多个领域。通常情况下，网络中的传感器节点以电池供电。高密度、大范围的部署，增加了给节点更换电池、补充能量的难度，因此，能量的高效使用是WSN的首要设计目标。数据压缩(Data Compression)技术被引入WSN中，得益于其在去除数据冗余方面的能力。在满足应用需求的前提下，对原始数据进行适当地网内处理，减少数据传输量，进而有效地节省能耗，延长网络生存寿命，是数据压缩的基本功能。

然而，通过对现有时域压缩算法的节能效益进行评估后发现，数据压缩算法不能保证在任何情况下都能获得节能效果。在某些应用场合中，节点的密集部署使得通信的射频功率降低，而数据的精度要求较高则直接影响压缩的执行效果。在这种情况下，执行网内数据压缩未必能够实现预期的节能目的，反而会因为额外增加的计算能耗大大超过节省的通信能耗，使执行压缩算法得不偿失。由此，一种针对单一时域压缩算法进行节能优化的节点级压缩判决机制被提出并用来在执行压缩前，对压缩是否节能进行预判(见授权专利杨华中，应蓓华，刘伟等；一种用于无线传感器网络降低能耗的压缩判决方法；中国，ZL200810238934.3；2009-10-21)。

将“压缩判决方法”应用于传感器节点，能够有效地避免压缩可能带来的不必要的能量损失，但此方法仍然存在着一定的不足，详述如下：

压缩判决仅针对单个节点进行能量优化，并未考虑网络全局和无线通信的信道质量。该方法从节点自身的能量损失来判断压缩是否节能，通过将节点执行压缩的计算能耗与节点发送压缩后数据能够节省的发射能耗进行比较，得到判决结果。由此可见，此方法只实现了节点级的能量优化，并未涉及网络中普遍存在的多跳传输的情况以及实际信道的多变性。在多跳传输中，压缩带来的通信数据量的减少，不仅能够节省本地节点的发射能耗，同时也能降低后续中继节点的通信能耗，与此同时，无线信道的不确定性带来了数据重传的可能。因此，在压缩与否的判决中，需要进一步考虑网络中的其他节点和实际信道质量，实现全网级别的能量优化。

发明内容

本发明要解决的技术问题是，提供一种能够实现全网级别的能量优化的无线传感器网络自适应压缩方法。

本发明的技术方案是，本发明无线传感器网络自适应压缩方法，它包括压缩判决过程，

压缩判决过程中比较执行压缩时的总能耗E_comp以及不执行压缩时的总能耗E_uncomp，若E_comp大于E_uncomp，则原始数据不压缩，直接发送，若E_comp小于E_uncomp，则执行数据压缩过程，原始数据被压缩后再发送，若E_comp等于E_uncomp，则原始数据不压缩，直接发送，或者，原始数据压缩后再发送；其中，所述E_comp、E_uncomp的计算式为：

其中：P_MCU为处理器的功率；L为原始数据总长度；T_MCU为所采用的压缩算法下节点压缩1个字节数据的时间开销；e为精度要求；P_TX为节点间通信距离d下(节点i的通信距离标记为d_i)，射频模块的发射功率；CR为所采用的压缩算法的压缩比；T_tran为节点发送1个字节数据所需的时间；P_RX为射频模块的接收功率；h为节点位置，由该节点距离汇聚节点的跳数来表征；γ表示数据重传率(节点i的数据重传率标记为γ_i)，其数值上等于重发数据量与发送数据总量之比。

采用上述方法后，本发明与现有技术相比，具有以下优点：因为考虑了h和γ的影响，h是节点距离汇聚节点的跳数，为自然数；γ是数据重传率，为正数，用来表征无线信道的通信质量，即由于无线信道的不稳定引起接收数据的误码，需要重新发送该数据的情况。这样，每个节点的数据被传递至汇聚节点的总能耗就能够较为精确的获知，再根据总能耗来判断是否压缩，所以本发明具有能够实现全网级别的能量优化的优点。

作为改进，压缩判决过程采用多种压缩算法来分别获得不同压缩算法下的E_comp，这样，形成E_comp组，该E_comp组中各值与E_uncomp比较，若最小值落于E_comp组中，则选定其中最小值所对应的压缩算法进行原始数据压缩再发送，否则，原始数据不压缩，直接发送，这样，压缩判决并非在全网执行同一种压缩算法，每个节点因各自的h不同且所选通信线路的γ也不同，经压缩判决后，就能够确定适用于该节点的压缩算法，相应地能够得到更好的节能效果。

作为改进，由节点经过机器学习建立预测压缩比的数据库关系模型和预测压缩执行时间的数据库关系模型，由预测压缩比的数据库关系模型得到CR，由预测压缩执行时间的数据库关系模型得到T_MCU；压缩比的关系模型和压缩执行时间的关系模型均是基于精度e的二维表，在两种表格的建立过程中，采用不同的压缩算法，基于同一种原始数据，以不同精度要求e下获得的压缩比和执行时间作为表格输入，在节点中对数据进行统计分析及插值运算得到两种二维表格，进而完成关系模型的建立，这样，区别于现有技术的离线建模的方案，使节点在线建模，能够实现模型在节点层面进行调整，从而克服现有技术缺陷，即现有技术压缩判决中涉及的压缩比预测模型和执行时间预测模型是离线构筑的，无法自适应地进行调整，WSN应用环境的变化会直接影响数据特性，如果预测模型固定不变，将严重影响判决结果的准确性，有可能带来更大的能量损失；另一方面，本发明采用数据库技术和插值算法取代现有技术的数据拟合(包括最小二乘拟合)方案，省去了在线计算模型参数的过程，使两种预测只需要简单的查表即可完成，不需要反复的在线优化计算，不仅提高了预测的速度，而且大大降低了节点的计算量，节省了计算能耗。

作为改进，在网络运行中，节点随机选取若干新样本进行模型验证，若其预测误差超过设定的阈值则触发节点进入新一轮的机器学习，对预测压缩比的数据库关系模型和预测压缩执行时间的数据库关系模型予以修正和调整，这样，能够及时跟踪应用环境数据特性的变化，使预测模型更加准确，从而提高压缩判决的准确性。

附图说明

图1、本发明举例的传感器节点的硬件框架；

图2、本发明举例的自适应压缩方法的软件架构体系；

图3、本发明举例的自适应压缩方法的工作流程；

图4、本发明举例的验证实验使用的网络拓扑；

图5(a)、本发明作用于精度要求级别：1，发射功率级别：3，数据重传率10％下的最佳压缩执行策略的选择结果。

图5(b)、本发明作用于精度要求级别：12，发射功率级别：3，数据重传率10％下的最佳压缩执行策略的选择结果。

图5(c)、本发明作用于精度要求级别：1，发射功率级别：23，数据重传率10％下的最佳压缩执行策略的选择结果。

图5(d)、本发明作用于精度要求级别：12，发射功率级别：3，数据重传率100％下的最佳压缩执行策略的选择结果。

其中，图5(a)、图5(b)、图5(c)、图5(d)中所示，□表示PMC-MR、+表示LTC、◇表示不压缩。

具体实施方式

下面结合附图对本发明作进一步说明。

图1为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为软件架构体系，该体系位于节点微处理器的处理单元内，该体系在数据处理层中添加了压缩决策的模块，以此实现自适应压缩控制。

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：数据压缩和压缩决策，压缩决策执行本发明所阐述的压缩判决过程，数据压缩执行数据压缩过程。对压缩决策模块而言，在执行决策前，需要预知的信息包括：数据类型、精度要求、压缩算法种类(本例中预先设置的压缩算法有一次移动平均预测、LAA、PMC-MR和LTC这四种)、发射功率、接收功率、节点位置、数据重传率、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种类由应用层提供；发射功率、节点位置、数据重传率取决于网络传输层，其数值取自消息帧，在网络初始化阶段即开始获得；接收功率、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)逐级传送至压缩决策模块。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。

通过压缩决策可以得到最佳的压缩执行策略：执行备选压缩算法中的一种或是不执行任何压缩操作。压缩决策模块将其选择结果发送给同层的数据压缩模块，同时下行传送至物理层。如果选择结果为需要执行备选压缩算法中的一种，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相应的压缩操作，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，如果选择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。

本例中，整个自适应压缩方法包括两个部分：建模和决策执行。由于压缩决策需要预测出各种备选压缩策略的总能耗并加以比较，因此在执行决策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。通过数据库技术建立的这两种预测模型，采用不同种类的备选压缩算法，基于同一种原始数据，以不同精度要求下获得的压缩比和执行时间作为建模输入，在MCU中对数据进行统计分析及插值计算，进而构筑预测所需的二维表格，当压缩比的预测模型和压缩执行时间的预测模型建立后，通过查表的方式，由压缩比的预测模型得到CR，由压缩执行时间的预测模型得到T_MCU。本发明所需的预测模型，是基于精度要求e的二维表，其属性分别为：

压缩比预测表＝{(精度要求)，(平均压缩比)}；

压缩执行时间预测表＝{(精度要求)，(平均压缩时间)}；

不同的压缩算法均构筑对应的两张预测二维表，并通过查表完成压缩比和压缩执行时间的预测。若应用提出的精度要求无法直接在表中查得，则采用插值运算获得所需值。在实际操作中，可以采用不同的插值算法，比如分段多项式插值、拉格朗日插值、牛顿插值、样条插值等，本例中采用分段多项式插值中的分段线性插值，当然，其他低复杂度量的插值运算也可用于本发明，不限上述几种。

分段线性插值的基本原理是：设函数y＝f(x)在节点：a≤x₀＜x₁＜…＜x_n≤b上的函数值为：f(x₀),f(x₁),…,f(x_n)，则在区间[x_k,x_k+1]上，对应节点x的插值I(x)可由下式计算得到：

以上建模过程称为自适应压缩方法的机器学习，由节点在线完成。其具体实施内容为在节点的微处理器MCU中内置机器学习程序，分别执行各种压缩算法，得到压缩后的数据量，对比原始数据长度得到压缩比CR；同时设置MCU的定时器中断，对压缩的执行进行计时，得到T_MCU。机器学习程序使用所记录的样本数据，通过统计分析和插值计算，得到两种预测模型的二维表格，以此取代人工输入参数的离线建模方式。

在网络运行初期，节点执行各种备选压缩算法，记录不同精度要求下各种算法的压缩比和压缩执行时间，以此作为样本输入，构筑两种预测模型的二维表，并将其存储于微处理器中，完成首次建模。为了保证预测的准确性，在之后的网络运行过程中，节点将随机选取若干新样本进行模型验证，若其预测误差超过设定的阈值将触发节点再次进入机器学习，对模型予以修正和调整。机器学习过程中，节点将不执行任何压缩算法，直接传输原始数据。

自适应压缩方法的决策执行部分即为实际执行压缩判决的过程。图3为本发明提出的压缩决策的工作流程。整个工作流程包括以下几个步骤：

步骤01：如果压缩决策所需的任一预知信息发生改变，则压缩决策启动。

九种预知信息中，接收功率、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，数据类型及备选压缩算法种类亦固定不变。由此，压缩决策所需的预知信息之中，发射功率、精度要求、节点位置(跳数)和数据重传率的变化相对频繁，故而成为启动压缩决策的主要因素。

步骤02：压缩决策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，预测各种备选压缩算法(本文为一次移动平均预测、LAA、PMC-MR和LTC)所能获得的平均压缩比CR。

预测过程需要借助自适应压缩方法在机器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。经由样本统计所获得的压缩比预测模型，通过查表或插值运算，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，能够达到的平均压缩比CR。本文的精度要求也可表示为应用背景给出的数据误差容限。

步骤04：根据应用层提供的相关信息，预测执行各种备选压缩算法(本文为一次移动平均预测、LAA、PMC-MR和LTC)所需的平均时间作为T_MCU。

该预测过程与步骤03中所述的过程相类似，即预测过程需要借助自适应压缩方法在机器学习阶段建立的预测模型。经由样本统计获得压缩执行时间的预测模型，通过查表或插值运算，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，能够达到的平均压缩时间T_MCU。

步骤05：压缩决策模块从网络传输层中获取相关信息，包括：发射功率、节点位置(跳数)、数据重传率、接收功率、数据传输速率以及MCU计算功率。

其中，发射功率、节点位置和数据重传率由网络传输层决定，其数值取自消息帧，由射频模块提供；接收功率、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：计算各种备选压缩算法的总能耗E_comp以及不执行压缩时的总能耗E_uncomp。

压缩算法的总能耗E_comp和不执行压缩时的总能耗E_uncomp经由以下推导给出：

压缩算法的总能耗由两部分组成：微处理器(MCU)执行压缩的能耗和射频(RF)模块的通信能耗；不执行压缩时的总能耗则仅有射频模块的通信能耗。考虑到射频模块的唤醒能耗是所有情况共有的(无论是否执行压缩算法，或是执行哪种压缩算法)，因此不会对能耗比较结果产生影响；同时，数据帧的帧头部分长度相比于数据部分而言微乎其微，也是可以忽略的，因此，总能耗E_comp和E_uncomp可以简化为：

其中，P_MCU为微处理器MCU的功率；L为原始数据总长度；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，由压缩执行时间的预测模型计算得到(步骤04)；P_TX为节点间通信距离d下，射频模块的发射功率；CR为在已知精度要求e下，算法的平均压缩比，根据压缩比预测模型计算得到(步骤03)；T_tran为节点发送1个字节数据所需的时间，由数据传输速率决定；P_RX为射频模块的接收功率；节点位置即跳数h＝1表示的是汇聚节点的邻居节点，由于汇聚节点是能量不受限的超级节点，因此这种情况下的总能耗仅考虑发射部分，而无需包含接收部分；数据重传率γ反映出节点多跳路由中通信信道质量，数值越大，表示接收误码率越高，通信信道越恶劣。

步骤07：比较各种备选压缩算法的总能耗E_comp和不执行压缩时的总能耗E_uncomp，选择其中能耗最低的一种压缩策略，并予以执行。

能耗最低即表示策略的节能效果最佳，其比较结果可能为备选压缩算法中的一种，也可能是不执行任何压缩，直接发送原始数据。

步骤08：节点结束一次压缩决策过程。

为了检验自适应压缩方法对网络能耗的优化作用，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，即完成自适应压缩方法的机器学习阶段；然后通过仿真，比较传统的数据压缩算法与结合了压缩决策的自适应压缩方法，在等同条件下的能耗差异。此外，为了验证预测模型的在线建模方式对数据特性变化的跟踪能力，我们选择两种不同变化特性的数据样本，比较其与离线建模方式的预测准确性，并同时对本发明采用数据库建模技术取代数据拟合方式的可行性进行了验证。

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(Tropical Atmosphere 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，我们选择的4种备选压缩算法分别代表了复杂度和压缩效果的不同折中，包括复杂度较低，但压缩效果较差的LAA(见文献Ying L,Loke S W,Ramakrishna MV；Energy-saving data approximation for data and queries in sensor networks；Proceedings of the 6th International Conference on ITS Telecommunications,2006)和一次移动平均预测(见文献回春立,崔莉；无线传感器网络中基于预测的时域数据融合技术；计算机工程与应用,2007)，以及复杂度较高，但压缩效果较好的PMC-MR(见文献Lazaridis I,Mehrotra S；Capturing sensor-generated time series with qualityguarantees；Proceedings of the 19th International Data Engineering,2003)和LTC(见文献T.Schoellhammer,B.Greenstein,E.Osterweil,M.Wimbrow,and D.Estrin；Lightweight temporal compression of microclimate datasets；Proceedings of the29th Annual IEEE International Conference on Local Computer Networks,2004)。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，本发明提出的自适应压缩方法并不局限于特定的数据类型和备选压缩算法，这里选择特定的数据类型和备选压缩算法只是为了更好地说明这一方法所能获得的效果。

表1给出了TAO中原始数据大气温度在一次移动平均预测算法作用下获得的平均压缩比二维表。同理可以获得压缩算法执行时间的预测模型。为了比较数据拟合与本发明所述的数据库关系模型在预测精度上的差异，我们选取实际数据的真实压缩比进行对比，如表2所示。其中，“查表值”即为关系模型建立后得到的二维表中的数值。可以看出，基于数据库技术的压缩比预测并未引入太多的误差，反而大大简化了预测过程，降低了预测的计算量和复杂度。

表1一次移动平均预测的平均压缩比表

精度要求℃	0.18	0.30	0.42	0.54	0.66	0.78	0.90	1.02	1.14	1.26
											平均压缩比	0.71	0.51	0.38	0.28	0.22	0.17	0.14	0.13	0.11	0.10

表2数据拟合和关系模型对比

精度要求℃	0.18	0.30	0.42	0.54	0.66	0.78	0.90	1.02	1.14	1.26
											真实值	0.72	0.52	0.44	0.36	0.32	0.18	0.18	0.10	0.10	0.10
拟合值	0.73	0.57	0.41	0.25	0.10	0.10	0.10	0.10	0.10	0.10
											查表值	0.71	0.51	0.38	0.28	0.22	0.17	0.14	0.13	0.11	0.10

若二维表中无法查到所需的预测值，本发明提出可通过插值计算得到。表3所示为插值得到的压缩比预测，作为对比，同时给出数据拟合下的压缩比预测值和真值。从表3的对比结果可以看到，通过插值计算得到的压缩比预测并未损失太多的准确度。

表3数据拟合和插值计算对比

精度要求℃	0.24	0.36	0.48	0.60	0.72	0.84	0.96	1.08	1.20	1.32
											真实值	0.70	0.50	0.34	0.30	0.18	0.18	0.10	0.10	0.10	0.10
拟合值	0.65	0.49	0.33	0.10	0.10	0.10	0.10	0.10	0.10	0.10
											插值	0.61	0.45	0.33	0.25	0.20	0.15	0.14	0.12	0.11	0.10

在之后的网络运行过程中，节点随机选取若干新样本进行模型验证，若其预测压缩比CR与真实压缩比之差的绝对值超过设定的阈值(阈值要求为正数，此处阈值设定为0.1)，则触发节点进入机器学习，对预测模型予以修正和调整。为了验证该特性，测试采用两种不同特性的原始数据作为样本，以此模拟数据特性发生变化，进而触发机器学习的情况。表4给出的是启动新一轮机器学习后，一次移动平均预测的平均压缩比表。进一步的，表5所示为修正前后两张二维表的压缩预测值对比。由此可见，本发明提出的基于机器学习的在线建模方式和结合插值计算的关系模型构筑能够很好地实现对压缩比和压缩执行时间的预测，为后续的压缩决策提供准确的参考指标。

表4一次移动平均预测的平均压缩比表

精度要求℃	0.18	0.30	0.42	0.54	0.66	0.78	0.90	1.02	1.14	1.26
											平均压缩比	0.89	0.79	0.67	0.56	0.41	0.30	0.22	0.17	0.15	0.14

表5修正前后二维表的预测对比

精度要求℃	0.18	0.30	0.42	0.54	0.66	0.78	0.90	1.02	1.14	1.26
											真实值	0.92	0.81	0.69	0.59	0.46	0.32	0.25	0.20	0.16	0.15
修正前	0.71	0.51	0.38	0.28	0.22	0.17	0.14	0.13	0.11	0.10
											修正后	0.89	0.79	0.67	0.56	0.41	0.30	0.22	0.17	0.15	0.14

能量优化的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，共选取100组。为了确保验证的准确性，所用的原始数据不同于机器学习阶段使用的统计样本。实验中的网络拓扑采用等密度分布的栅格(grid)结构，如图4 所示。网络规模为25*25，共625个节点，其中，汇聚节点位于全网中心(用较大的实心圆表示)，其余为同构的传感器节点。源节点以最短路径树(SPT，Shortest Path Tree)的形式路由到汇聚节点。由于源节点的分布密度相等，因此假定节点采用统一级别的发射功率进行数据传送，且各无线信道设定为相同的数据重传率。随着网络节点的失效，网络密度将会降低，射频发射功率和数据重传率则相应增大。

图5显示了在不同精度要求、发射功率级别和数据重传率设置下，通过自适应压缩方法，对最佳压缩执行策略进行选择的结果。其中，考虑到实际应用的情况，精度要求的变化级别设定为1～12，发射功率的变化级别为3～31，数据重传率为10％～150％。

比较图5(a)和图5(b)可以得到数据精度对节能策略选择的影响。可以看到，选择结果中出现了三种备选策略：PMC-MR、LTC和不执行压缩策略。当精度级别设置较高(数值较小)时，邻近汇聚节点的源节点更多地选择了不执行压缩的节能策略，这一结果与压缩不节能现象吻合。此时，由于压缩算法无法达到令人满意的压缩效果，其计算开销不能够被节省的通信能耗所弥补，因此，从节点总能耗的角度考虑，不执行压缩操作反而能够获得更低的能量损耗。随着源节点到汇聚节点的距离增加，数据压缩给节点通信能耗带来的节省也随之增加，此时，节点更倾向于选择压缩效果较好的算法(图中为LTC)作为其实际执行策略。

增大精度要求级别的设置，压缩算法能够获得的压缩效果逐渐明显，此时，节点更多地选择先对原始数据执行压缩，再传送压缩后的数据。而在算法类型的选择上，距离汇聚节点较近的源节点会考虑在算法的计算复杂度和压缩效果之间做折中，而距离汇聚节点相对较远的源节点，则仍然以压缩效果作为其选择的首要考虑。因此，从图5(b)的结果看，虽然LTC能在几种备选算法中获得最小的压缩比，但是由于其计算复杂度较高，在邻近汇聚节点的源节点中，PMC-MR算法成为最佳的节能策略。

比较图5(a)和图5(c)可以得到发射功率对节能策略选择的影响。发射功率越小时，压缩算法出现不节能情况的几率就越大，因此，图5(a)中显示有50％以上的情况，节点选择不执行压缩操作。随着发射功率的增大，数据压缩的节能优势趋于明显，于是，将有更多的节点选择执行压缩操作，如图5(c)所示。

比较图5(b)和图5(d)可以得到数据重传率对节能策略选择的影响。数据重传率越低，距离汇聚节点较近的源节点还有可能出现选择不执行压缩的情况。随着信道质量的恶化，数据重传率升高，通信能耗大大增加，在节能策略的选择上，各节点将逐渐倾向于压缩效果好的算法。

事实上，如果节点的每组数据都能采用能耗最低的策略完成数据传送任务，则可认为是网络节能的最理想情况。实验即以该理想情况作为参照，将各种情况下节点总能耗的统计结果与之相比，给出各种实现方式相对于理想情况的最大偏差(用百分比表示)，如表6所示。表中“E”代表所设精度要求级别，“RF”代表发射功率级别，“γ”代表数据重传率，即“E2_RF7_γ0.1”表示所设精度要求的级别为2，发射功率级别为7，数据重传率为10％。

表6各种实现方式与理想情况的最大能耗偏差

从表6中的统计结果可以看到，加入了压缩决策的自适应压缩方法，针对不同的精度要求、发射功率和数据重传率，全网节点都能以接近能耗最优的情况完成数据传送任务。当精度要求较高时(如“E2”)，压缩算法未能达到理想的数据压缩效果，反而增加了额外的计算损耗，由此，节点的总能量损失背离理想情况较多，此时，不执行压缩或是执行复杂度较低的算法反而会使能耗逼近最优值。随着精度要求的降低，压缩算法逐级显露出在节能上的优势，尤其是压缩效果好且执行复杂度低算法，将被越来越多的节点所采用，而此时，不执行压缩却逐渐增大了其与理想情况的偏离程度。

由于受到压缩比及压缩时间预测精度的限制，在实现节能优化机制过程中，不可避免地会有误判产生，这也导致了某些情况下，单一执行压缩策略的能耗更接近最优情况(如“E10_R7_γ0.1”)。但从总体而言，自适应压缩方法能够为节点提供较为准确的节能策略，使其能以能耗接近最优的情况完成数据传送，最高的偏离度不超过5％。

Claims (4)

1.一种无线传感器网络自适应压缩方法，它包括压缩判决过程，其特征在于，

压缩判决过程中比较执行压缩时的总能耗E_comp以及不执行压缩时的总能耗E_uncomp，若E_comp大于E_uncomp，则原始数据不压缩，直接发送，若E_comp小于E_uncomp，则执行数据压缩过程，原始数据被压缩后再发送，若E_comp等于E_uncomp，则原始数据不压缩，直接发送，或者，原始数据压缩后再发送；其中，所述E_comp、E_uncomp的计算式为：

$E_{comp}=\left\{\begin{array}{cc}{P}_{MCU}*L*T_{MCU}\left(e\right)+P_{TX}\left(d\right)*L*CR\left(e\right)*T_{tran}*(1+\mathrm{\γ})& (h=1)\\ P_{MCU}*L*T_{MCU}\left(e\right)+\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{P}_{TX}\left(d_i\right)*L*CR\left(e\right)*T_{tran}*(1+{\mathrm{\γ}}_i)+\underset{i=1}{\overset{h-1}{\mathrm{\Σ}}}{P}_{PX}*L*CR\left(e\right)*T_{tran}*(1+{\mathrm{\γ}}_i)& (h>1)\end{array}\right.$

$E_{uncomp}=\left\{\begin{array}{cc}{P}_{TX}\left(d\right)*L*T_{tran}*(1+\mathrm{\γ})& (h=1)\\ \underset{i=1}{\overset{h}{\mathrm{\Σ}}}{P}_{TX}\left(d_i\right)*L*T_{tran}*(1+{\mathrm{\γ}}_i)+\underset{i=1}{\overset{h-1}{\mathrm{\Σ}}}{P}_{PX}*L*T_{tran}*(1+{\mathrm{\γ}}_i)& (h>1)\end{array}\right.$

其中：P_MCU为处理器的功率；L为原始数据总长度；T_MCU为所采用的压缩算法下节点压缩1个字节数据的时间开销；e为精度要求；P_TX为节点间通信距离d下，射频模块的发射功率；CR为所采用的压缩算法的压缩比；T_tran为节点发送1个字节数据所需的时间；P_RX为射频模块的接收功率；h为节点位置，由该节点距离汇聚节点的跳数来表征；γ表示数据重传率，其数值上等于重发数据量与发送数据总量之比；节点i的通信距离标记为d_i；节点i的数据重传率标记为γ_i。

2.根据权利要求1的无线传感器网络自适应压缩方法，其特征在于，压缩判决过程采用多种压缩算法来分别获得不同压缩算法下的E_comp，这样，形成E_comp组，该E_comp组中各值与E_uncomp比较，若最小值落于E_comp组中，则选定其中最小值所对应的压缩算法进行原始数据压缩再发送，否则，原始数据不压缩，直接发送。

3.根据权利要求1的无线传感器网络自适应压缩方法，其特征在于，由节点经过机器学习建立预测压缩比的数据库关系模型和预测压缩执行时间的数据库关系模型，由预测压缩比的数据库关系模型得到CR，由预测压缩执行时间的数据库关系模型得到T_MCU；压缩比的关系模型和压缩执行时间的关系模型均是基于精度e的二维表，在两种表格的建立过程中，采用不同的压缩算法，基于同一种原始数据，以不同精度要求e下获得的压缩比和执行时间作为表格输入，在节点中对数据进行统计分析及插值运算得到两种二维表格，进而完成关系模型的建立。

4.根据权利要求3的无线传感器网络自适应压缩方法，其特征在于，在网络运行中，节点随机选取若干新样本进行模型验证，若其预测误差超过设定的阈值则触发节点进入新一轮的机器学习，对预测压缩比的数据库关系模型和预测压缩执行时间的数据库关系模型予以修正和调整。