CN103974393A - 一种改良的无线传感器网络数据节能压缩方案 - Google Patents

Abstract

本发明公开了一种改良的无线传感器网络数据节能压缩方案，在节点处，首先应用数据判别机制，评判是否采用一种基于小波变换的数据压缩方式；在整个网络系统中，由于采集的数据存在较大的相关性，对收到的数据进行分裂、预测、更新三个步骤的小波提升变换，有效的减少了数据处理的运算量，较为良好的提高了数据的压缩效率；对任意基于分布式的传感器网络，都可以应用此压缩算法，较大程度提高了压缩效率，进而明显的降低传感器网络中的能量损耗。

Description

一种改良的无线传感器网络数据节能压缩方案

技术领域

本发明属于无线传感器网络数据压缩技术领域，涉及一种改良的无线传感器网络数据节能压缩方案。

背景技术

微机电系统以及无线通信技术快速发展，直接推动着传感器网络低成本化、高智能化、无线网络化的方向不断转变，极大的丰富了各种无线传感器网络理论的学习资源和学习手段。同时，这种转变所带来的机遇与挑战也吸引了国内外广大学者的关注，促成了无线传感器网络节点能量降低新概念的提出以及基于节点采集数据的压缩方式的研究讨论和实际应用。

目前，对无线传感器网络学习行为的研究大都集中在低功耗学习的相关理论研究，例如拓扑控制、路由协议、低功耗MAC协议、数据压缩方式等，即对无线传感器网络学习环境下的节点与网络组成以及数据处理和传输过程进行研究，从而为节约无线传感器网络能量有效利用提供理论依据；

无线传感器网络平台的构建，即研究如何在相关理论的基础上，使用无线通信技术将传感器节点进行组网整合，从而方便对数据信息实时的采集和传输，并通常提供一定的反馈机制；传感器与新领域的交叉结合，即研究如何将传感器节点与无线通信网络领域的现有技术相结合，从而为无线传感器网络平台系统的构建提供技术支持。

由此可见，无线传感器网络研究重点也逐渐从数据信息采集转向无线传感器网络能量消耗问题上。尤其是无线传感网络变得越来越低成本化、高智能化、无线网络化，呈现出与传统无线自组织网完全不同的特性。对无线传感器网络进行深入全面地研究，有利于传感网络感知数据的开发；有利于环境监测及灾害对策领域的研究；有利于提高有限资源的合理利用；有利于人类认知世界的能力。

当前对于无线传感器网络节点数据压缩的研究要么是处于初级的、理论的、辅助性的研究，在数据的压缩效率上和还原上还存在着一定的不足之处，真正地对基于分布式无线传感网络节点数据的压缩进行系统的研究则很少。

在现有的研究中，国内外学者所采取的数据压缩方式大致上可以分为两种方法：a.基于数据传输特性的压缩方法。b.基于节点采集数据间相关性的压缩方法。第一种压缩方法的不足之处在于：虽然计算简单，但是没有充分的利用传感器数据自身的相关性，压缩率低；第二种方法属于分布式信源编码，不足之处在于：对传感器节点的数据处理能力有一定的要求，基于现阶段的传感器节点各自的处理能力低、能量有限致使对分布式信源编码技术研究有所限制。

而由于受节点计算能力弱和存储空间小的限制，现有研究对无线传感器节点数据压缩的一些问题没有给出令人满意的研究结论，如何无失真的传输数据？如何充分的利用传感器数据自身的相关性？如何最大化的节约节点信息能量损耗问题等。

本方法以数据判别机制和小波提升理论为基础,构建了无线传感器网络仿真平台,应用数据判别机制分析与评价节点新旧数据时间相关性的新特征；利用小波提升变换对节点数据进行压缩,揭示了无线传感器数据时-空相关性的新特征,对于解决当前无线传感器网络节点数据压缩瓶颈问题具有重要意义。

发明内容

本发明的目的在于提供一种改良的无线传感器网络数据节能压缩方案，解决了现有的无线网络数据压缩传输中网络能耗量大的问题。

本发明所采用的技术方案是按照以下步骤进行：

步骤1：初始化，将传感器网络分为多个簇，并且假定簇内节点间可以直接通信，每个簇选举一个节点作为簇头，簇头收集簇内各成员节点监测到的数据，并将数据报文发送到基站；

步骤2：将所有簇划分为网格，每个网格选取一个节点构建成一个环，环上邻近的节点属于空间相邻的虚拟网格，环上的节点从邻居节点接收数据，与自身的数据进行对比处理后将数据传送到簇头节点。

步骤3：对每一网格中的节点加装晶体振荡器；系统晶振周期性的进入低功耗模式，计数周期性间断；晶体振荡器周期性的唤醒休眠节点，网格中所有的节点唤醒时间不同，保证一定时间间隔轮流唤醒，每次唤醒后发射信息，得到工作节点回应，则再次进入休眠状态，如果工作节点故障，没有回应，则接入环状网络代替工作节点工作；

步骤4：将虚拟网格采集的数据传输到环上的节点，由环首开始，环首由初始设置决定，而后环上节点依次进行小波提升变换的数据压缩，同时更新节点的所存数据。

进一步，所述步骤2中，环上的节点从邻居节点接收数据，与自身的数据进行对比处理过程为：如果其差值满足一定的阈值，那么该节点采集的数据就不再次参与小波提升变换，而只具有路由功能，即如果该节点所处位置采集到的数据没有变化或者变化比较小的情况下，节点将仅作为一个数据传递节点，如果节点采集的数据变化超过一定的阈值，则表示网络内部需要进行数据处理和数据传输，此时节点将数据传输到同一网格的环上节点。

本发明的有益效果是采用构建环状节点压缩数据，对多余节点采用休眠机制，节省了网络能量。

附图说明

图1为本发明基于无线传感器数据选择机制示意框图；

图2为本发明基于小波提升算法的数据压缩机制流程示意图；

图3为本发明基于环状的虚拟网格图；

图4为本发明WLT与Huffman平均能耗对比；

图5为本发明WLT与Huffman算法总体耗能对比；

图6为本发明中提出的算法与Huffman算法平均能耗对比；

图7为本发明中提出的算法与Huffman算法总体能耗对比；

图8为本发明中提出的算法与Huffman算法压缩率对比。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的目的是提供一种节约无线传感器网络能量的方法，根据无线传感器网络采集数据之间的时-空相关性，设计一种基于环模型的虚拟网络(Ring Topology based on Virtual Grid，简称VGRT)，以簇为单位，将簇内各虚拟网络中的工作节点结成一个环，初步解决传感器数据空间相关性的问题。进而通过节点采集数据前后进行阈值判断，看数据是否发生大的变化，进行数据选择方案，而后在将数据传输到环上节点，本发明采用WLT方式，即通过对节点数据进行小波提升变换来降低传输数据所需要的能量。

技术实现方案总体分为术语说明、无线传感器数据判别机制与基于小波提升算法的数据压缩机制3个部分：

1.术语说明：

DWT：离散小波变换，

SN：Sensor Node，传感器节点，

Sink：网关节点，

Cluster Node：簇头节点，

△I：Delta information，信息量阈值，

WSN：Wireless sensor networks无线传感器网络，

Mobile ad-hoc network：无线自组织网络，

Odd samples：奇采样，

Even samples：偶采样，

VGRT：Ring topology based on virtual grid，环状的虚拟网格，

LWT：Lazy Wavelet Transformation，懒惰性小波变换，

Data compressing：数据压缩，

Split stage：分裂阶段，

date selecting：数据选择，

Prediction stage：预测阶段，

Update stage：更新阶段，

WLT：Wavelet lifting transform，小波提升算法。

本发明按照以下步骤进行：

步骤1：初始化，由于网络部署的随机性(如飞机随即投放)等原因，为了有效地进行数据处理，将传感器网络分为多个簇(cluster)，并且假定簇内节点间可以直接通信，每个簇选举一个节点作为簇头(cluster head)，簇头收集簇内各成员节点监测到的数据，并将数据报文发送到基站。簇与簇之间可以形成超级簇。由于传感器网络部署的随机性等原因，使得簇内的成员节点分布不均匀，因此存在冗余，这些冗余节点因侦听、接收和传送数据给网络带来了额外的能耗。

步骤2：将所有簇划分为网格，每个网格选取一个节点构建成一个环，环上邻近的节点属于空间相邻的虚拟网格，环上的节点从邻居节点接收数据，与自身的数据进行对比处理后将数据传送到簇头节点。具体内容如下：将所有簇划分为小的区域，每一个小区域就是一个小的虚拟网格，任意的两个相邻的虚拟网格可以互相通信，这里假设每个虚拟网格内同时工作的节点数只有一个，其他节点处于休眠状态。

步骤3：休眠和唤醒方式可采用以下方式：对每一网格中的节点加装晶体振荡器；系统晶振周期性的进入低功耗模式，计数周期性间断；晶体振荡器周期性的唤醒休眠节点，网格中所有的节点唤醒时间不同，保证一定时间间隔轮流唤醒，每次唤醒后发射信息，得到工作节点回应，则再次进入休眠状态，如果工作节点故障，没有回应，则接入环状网络代替工作节点工作。这样，构建的环路不会中断，并且使其余节点进入休眠状态节省了网络能量。

这样当工作节点故障时，不需要构建新的环。所以，这样就能保证网络的正常工作，达到延长网络生存时间的目的，

本发明构建的网格如图3所示，图中网格A与虚拟网格B相邻，A中任意的节点可以与B中任意节点通信，反之亦然。环上相邻的节点属于空间相邻的网络，环上的节点从邻居节点接受数据，与自身数据进行处理后传送到下一个邻居节点，只有“合适”的节点才向环上的簇头节点传送数据，在环上进行小波提升变换，“合适”的节点就是存储着低频小波系数和大于某一阈值的高频小波系数的节点。网络初始状态中，选择一个节点作为环首节点，小波提升变换在环首节点开始执行。随后轮次的变更，环上各节点依次成为环首节点。当环上某个节点由于能耗或其他原因失效时，可以让同一网格中的醒休眠节点代替，无需重新构建一个新的环，即节省网络能耗，且能保证网络相对稳定的运行。

步骤4：如图1所示为本发明无线传感器数据选择机制。图2为本发明小波提升算法的数据压缩机制流程示意图。由于分布式数据压缩方式需要节点之间进行信息交互，节点距离大则需要更多的能量损耗来传输交互信息。所以，本发明建立一个环状的虚拟网络，由环上的节点进行小波提升变换，环上的节点更新则由上段介绍的方式进行。环不包括所有节点，环上节点对各自所在的虚拟网格节点进行信息收集，而后在环上进行数据压缩。环主要的作用是减少小波提升变换各个节点之间信息交互所需的能量损耗。

将虚拟网格采集的数据传输到环上的节点，由环首开始，环首由初始设置决定。而后环上节点依次进行小波提升变换的数据压缩。

引入对比阈值分析法将传感器数据时间相关性上的新特征分析与评价。构建一个基于节点单元的数据选择机制，以逐步减少节点传输数据的能耗、节约整个无线传感器网络的功耗。在基于环状虚拟网格的WSN基础上，为了节约节点传输数据所损耗的能力，在各个网格中的节点需要对数据进行初步的处理，本专利提出一种基于节点采集数据的选择方案。由于传感器采集数据量大，节点自身电源能量、存储能力和计算能力有限等缺点。我们需要在WSN网格中各节点采集数据时对数据进一步处理，通过数据选择方案除去采集数据中冗余的信息量。本发明对已采集的数据和原有的数据进行一个比较：如果其差值满足一定的阈值(该阈值的设定根据所取环境而定)，那么该节点采集的数据就不再次参与小波提升变换，而只具有路由功能，即如果该节点所处位置采集到的数据没有变化或者变化比较小的情况下，节点将仅作为一个数据传递节点。如果节点采集的数据变化超过一定的阈值，则表示网络内部需要进行数据处理和数据传输，此时节点将数据传输到同一网格的环上节点，在环上节点进一步进行小波提升变换，同时更新节点的所存数据。

节点的数据选择代码过程如下：

本发明基于现有的小波提升算法的数据压缩方法对节点进行数据压缩。采用基于小波提升算法的数据压缩机制，根据现有的理论、无线传感器网络数据的特征为基础，结合分布式信源编码理论，传感器技术和无线通信技术的实验设计，运用先进的建模工具(如Omnet++)和实验网络架构工具(如统一建模语言C++)等，结合分布式数据压缩编码理论，构建了较为全面的定量化的无线传感器网络节点数据压缩的规范和方法。在此基础上，构建了统一的、可扩展的无线传感器网络模型系统。以期实现无线传感器网络的低功耗，定期采集各类检测数据，提高有限资源的合理利用。各个环上节点将各虚拟环内节点的数据从环首开始执行小波提升变换。基于小波变化的数据压缩属于信源编码，对于分布式的传感器网络而言，传感器采集数据之间存在着：a时间相关性。b空间(多属性间)相关性。而小波变换能有效的去除这些数据间的统计冗余，提高压缩效率，并且基于5/3小波的无损压缩方式能有效的、准确的压缩数据。但是这些传统意义上的小波变化压缩算法没有充分考虑到无线传感器节点内存和能量的有限性。而本应用中提出的基于小波提升的数据压缩算法可实现更快速的小波变换算法，提高节点的压缩效率和有效的节约存储空间，有效的减少冗余数据的传输。

设信号的长度为N，当N为偶数时，变换后的低频信号与高频信号的长度为N/2；当N为奇数时，变换后的低频信号的长度为(N+1)/2，高频信号为(N-1)/2。因此得出的结论：不论信号的长度如何，小波变换后的低频信号长度都是，高频信号的长度都是，其中低频是向上取整，高频是向下取整。考虑到信号经过一级小波变换后得到的低频信号和高频信号。所以一般来说，小波变换提升算法由三步组成：Split(分裂)、Predict(预测)、Update(更新)。

其具体步骤是：

(a)Split(分裂)

分裂的目的是将给定的数据集分解成相互关联的两个小子集和，且两个子集的相关性愈强，分裂效果愈好。分裂采用惰性(Lazy)小波变换的分解方法，即按照数据的奇偶序号对数据进行间隔采样，偶数集合为；奇数集合为。

(b)Predict(预测)

经过第一步分裂后，数据集中留下了很多冗余，预测的目的是消除第一步留下的冗余，给出更紧凑的数据表示。

对于一个局部相关性较强的信号，它的奇偶子集是高度相关的。因此，知道其中的任何一个，就可以利用它在合理的精度范围内预测另外一个。通常用偶子集预测奇子集。一般作为的预测器，预测误差。

(c)Update(更新)

更新的目的是保障某一全局性质，低频信号的一个关键性质是：它与原信号应具有相同的平均值，也就是

s与j无关，这样就能保证变换系数是原信号的平均值。更新操作可以保证该性质成立。

以上三步操作相当于对信号进行了一级小波变换，将信号分解为低频和高频。以上操作都可以原位实现，无需再增加内存即偶数位置用低频重写，奇数位置用细节重写。

得到正向的小波变换，很容易就得到反向变换，需要做的只是改变加减符号。这样就能实现逆小波变换。

能量分析模型与仿真结果：

我们选择一种无线模型进行网络能耗分析。在这种模型下，在距离D下传输K比特的数据的传输能耗与接收能耗可以通过下面公式给出。

传输能耗，接收能耗。其中，，表示这传输功率放大器的能耗系数。小波压缩数据处理的能耗，在此N是每一次小波变换的操作周期数，C是每操作周期所转换的数据量，是节点所提供的电压。

我们在OMNeT++软件上对提出的数据压缩方案进行仿真。随机产生节点数100个，节点平均距离为5米，每个节点定义的能量值为8个单位，实验数据取自Berkeley-Intel(伯克利因特尔)研究实验室的温度检测数据集。温度阈值设置为3°，运行时间为200秒。从能耗跟压缩比来进行验证。然后模拟实验50次取平均值作为实验结果。

与Huffman算法对比，小波提升变换具有更低运算量，更快的运算输的，所以平均能耗比Huffman低0.6个单位如图4：总体能耗如图5。

结合WLT和DSM算法与Huffman进行能耗对比，因为节点温度变化没有超过阈值则只需传输少量的数据i。所以在能耗上又有较为大的减少。如图6，算法平均能耗对比图。图7是总体能耗对比图，可以看出本发明能耗明显较低。

为了更好的验证我们的实验结果，我们这里进行了算法压缩率的对比。相对于Huffman算法，结合WLT和DSM算法具体有更为高的压缩率，图8所示为本发明中提出的算法与Huffman算法压缩率对比。可以看出本发明的压缩率高于Huffman算法压缩率。

本发明采用一种基于小波变换的数据压缩方式，对任意基于分布式的传感器网络，都可以应用此压缩算法，较大程度提高了压缩效率，进而明显的降低传感器网络中的能量损耗。在基于无线传感器的网络系统中，数据处理和数据传输的能量损耗直接影响着节点的工作效率，同时制约着无线传感器网络的生命周期。

Claims (2)

1.一种改良的无线传感器网络数据压缩节能方案，其特征在于按照以下步骤进行：

步骤1：初始化，将传感器网络分为多个簇，并且假定簇内节点间可以直接通信，每个簇选举一个节点作为簇头，簇头收集簇内各成员节点监测到的数据，并将数据报文发送到基站；

步骤2：将所有簇划分为网格，每个网格选取一个节点构建成一个环，环上邻近的节点属于空间相邻的虚拟网格，环上的节点从邻居节点接收数据，与自身的数据进行对比处理后将数据传送到簇头节点；

步骤3：对每一网格中的节点加装晶体振荡器；系统晶振周期性的进入低功耗模式，计数周期性间断；晶体振荡器周期性的唤醒休眠节点，网格中所有的节点唤醒时间不同，保证一定时间间隔轮流唤醒，每次唤醒后发射信息，得到工作节点回应，则再次进入休眠状态，如果工作节点故障，没有回应，则接入环状网络代替工作节点工作；

步骤4：将虚拟网格采集的数据传输到环上的节点，由环首开始，环首由初始设置决定，而后环上节点依次进行小波提升变换的数据压缩，同时更新节点的所存数据。

2.按照权利要求1所述一种改良的无线传感器网络数据压缩节能方案，其特征在于：所述步骤2中，环上的节点从邻居节点接收数据，与自身的数据进行对比处理过程为：如果其差值满足一定的阈值，那么该节点采集的数据就不再次参与小波提升变换，而只具有路由功能，即如果该节点所处位置采集到的数据没有变化或者变化比较小的情况下，节点将仅作为一个数据传递节点，如果节点采集的数据变化超过一定的阈值，则表示网络内部需要进行数据处理和数据传输，此时节点将数据传输到同一网格的环上节点。