CN104519543A - 无线传感网Sink节点的选择方法及系统 - Google Patents

Abstract

本发明提供一种无线传感网Sink节点的选择方法及系统，涉及无线传感网络通信技术领域。该方法包含步骤:S1、建立朴素贝叶斯分类模型；S2、依据所述朴素贝叶斯分类模型，源节点在发送信息之前选择最优的Sink节点；S3、计算源节点或者转发节点到下一跳节点的概率；所述源节点或者转发节点依据计算出的概率选择下一跳转发节点，并最终到达所述最优的Sink节点。本发明通过源节点在发送信息之前首先判断将信息发送到当前相对最优的sink节点去，从而优化了传感网的路径选择。

Description

无线传感网Sink节点的选择方法及系统

技术领域

本发明涉及无线传感网通信技术领域，具体涉及一种无线传感网Sink节点的选择方法及系统。

背景技术

无线通信、信息处理与传感技术的发展促进了无线传感网技术（wireless sensor networks，简称WSNs)的发展。无线传感网由许许多多功能相同或不同的廉价微型传感器节点组成，通过无线通信方式组成了一个多跳的自组织的网络系统，微型传感器节点能够监测外部环境状态信息，并把这些数据转换成能够被处理的电信号，以揭示围绕这些节点的环境状态，借此还可获得一些远距离的、不易采集到的区域信息。无线传感网技术在军事国防、环境监测、生物医疗、智能家居等方面都有了广阔的应用前景。

在无线传感网领域，目前多sink节点路由领域也已经被广泛研究，多sink节点传感器网络能产生不同的路由算法，在单一的sink节点环境下，路由路径由单个sink节点初始化，沿固定的方向传输数据，而在多sink节点无线传感网中，路由路径可由不同的sink节点初始化，数据能够沿不同的路径传输。

随着无线传感网的广泛应用，多sink节点无线传感网路由算法存在目标sink节点选择单一的问题：大多数节点的目标sink节点都是固定好的。在源节点发送信息的时候没有充分考虑当前最优的目标sink节点，因此将使网络的负载不够均衡，减少了无线传感网络的生存时间，同时还增加无线传感网络的拥塞度。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供一种无线传感网Sink节点的选择方法及系统，优化了传感网的路径选择。

（二）技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种无线传感网Sink节点的选择方法，包含以下步骤：

S1、建立朴素贝叶斯分类模型；

S2、依据所述朴素贝叶斯分类模型，源节点在发送信息之前选择最优的Sink节点。

优选的，步骤S1中建立的朴素贝叶斯分类模型的方法为：

假设D是由m个Sink节点构成的集合，集合D中的每个Sink节点用(n+1)维特征向量(a₁,a₂,…,a_i,c)来描述n个属性的值和1个类变量值，其中a_i为属性变量，i∈1，2，…，n，c为类变量；依据条件独立性假设得到第一公式：

$P(a_1,a_2,a_3,...,a_n|c)=\underset{i=1}{\overset{m}{\mathrm{\Π}}}P\left(a_i\right|c).$

优选的，步骤S2中源节点在发送信息之前选择最优的Sink节点的方法为：

S21、依据所述集合D和所述第一公式计算集合D中每一个Sink节点的各预设条件概率密度之积P(x|c_i)，i∈1，2，…，m；并计算集合D中每一个Sink节点的类别先验概率P(c_i)，i∈1，2，…，m；

S22、依据所述条件概率密度之积P(x|c_i)和所述类别先验概率P(c_i)，计算集合D中每一个Sink节点的类别后验概率P(c_i|x)，，i∈1，2，…，m；

S23、依据所述类别后验概率P(c_i|x)，得到集合D中所述类别后验概率P(c_i|x)最大时所对应的类变量c；

S24、将所述类变量c对应的Sink节点作为最优sink节点。

优选的，步骤S21中计算集合D中每一个Sink节点的条件概率密度P(x|c_i)的表达式为：

P(x|c_i)=P(x₁|c_i)*P(x₂|c_i)*…*P（x_n|c_i)

式中，P(x₁|c_i)、P(x₂|c_i)…P(x_n|c_i)分别为集合D中每一Sink节点所对应的各预设条件的概率密度;

步骤S22中计算类别后验概率P(c_i|x)的表达式为：

$P\left(c_i\right|x)=\frac{P\left(x\right|c_i)P\left(c_i\right)}{P\left(x\right)}=\frac{P\left(c_i\right)P\left(x\right|c_i)}{{\mathrm{\Σ}}_{i=1}^{l}P\left(c_i\right)P\left(x\right|c_i)};$

步骤S23中的得到集合D中的类变量c的表达式为：

$c=\underset{1\≤i\≤l}{\arg \max }\left\{P\left(x\right|c_i)P\left(c_i\right)\right\}.$

优选的，步骤S2后，进一部包含步骤S3：

S3、计算源节点或转发节点到下一跳节点的概率；所述源节点或转发节点依据计算出的概率选择下一跳转发节点，并最终到达所述最优的Sink节点。

优选的，步骤S3中通过源节点或者转发节点的周围节点的剩余能量计算所述源节点或者转发节点到下一跳节点的概率，计算概率的表达式为：

$P\left(x\right)=\frac{R}{T}$

式中，分子为源节点或者转发节点的某个下一跳节点的剩余能量，分母为源节点或者转发节点的所有下一跳节点的剩余能量。

本发明还提供了一种无线传感网Sink节点的选择系统，其特征在于，包含以下模块：

模型建立模块，建立朴素贝叶斯分类模型；

最优节点选择模块，依据所述朴素贝叶斯分类模型，源节点在发送信息之前选择最优的Sink节点。

优选的，该系统进一步包含模块：

概率路由选择模块，计算源节点或转发节点到下一跳节点的概率；所述源节点或转发节点依据计算出的概率选择下一跳转发节点，并最终到达所述最优的Sink节点。

（三）有益效果

本发明通过提供了一种无线传感网Sink节点的选择方法及系统，引入朴素贝叶斯模型到无线传感网Sink节点的选择方法中，利用朴素贝叶斯分类模型，把信息看成是要分类的样本，具体的某个sink节点看做分类的种类，源节点在发送信息之前首先判断将信息发送到当前相对最优的sink节点去，从而优化了传感网的路径选择。

本发明进一步通过概率路由选择机制，很好地平衡网络负载和整体能耗，进而增加了多sink节点的无线传感网的网络生存时间和信息包的正确到达率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的无线传感网Sink节点的选择方法的流程示意图；

图2为本发明实施例的无线传感网Sink节点的选择系统的模块示意图；

图3为本发明实施例的集合D中每一个Sink节点的多个预设条件示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

如图1所示，本发明实施例提供了一种无线传感网Sink节点的选择方法，包含以下步骤：

S1、建立朴素贝叶斯分类模型；

S2、依据所述朴素贝叶斯分类模型，源节点在发送信息之前选择最优的Sink节点。

本发明实施例通过引入朴素贝叶斯模型到无线传感网Sink节点的选择方法中，利用朴素贝叶斯分类模型，把信息看成是要分类的样本，具体的某个sink节点看做分类的种类，源节点在发送信息之前首先判断将信息发送到当前相对最优的sink节点去，从而优化了传感网的路径选择。

下面对本实施例所提供的方法进行详细的说明：

一种无线传感网Sink节点的选择方法，包含以下步骤：

S1、建立朴素贝叶斯分类模型；

步骤S1中建立的朴素贝叶斯分类模型的方法为：

假设D是由m个Sink节点构成的集合，集合D中的每个Sink节点用(n+1)维特征向量(a₁,a₂,…,a_i,c)来描述n个属性的值和1个类变量值，其中a_i为属性变量，i∈1，2，…，n，c为类变量；依据条件独立性假设得到第一公式：

$P(a_1,a_2,a_3,...,a_n|c)=\underset{i=1}{\overset{m}{\mathrm{\Π}}}P\left(a_i\right|c)---\left(1\right)$

S2、依据所述朴素贝叶斯分类模型，源节点在发送信息之前选择最优的Sink节点。

步骤S2中源节点在发送信息之前选择最优的Sink节点的方法为：

S21、依据所述集合D和所述第一公式计算集合D中每一个Sink节点的各预设条件概率密度之积P(x|c_i)，i∈1，2，…，m；并计算集合D中每一个Sink节点的类别先验概率P(c_i)，i∈1，2，…，m；

要说的是，如图3所示，在选择Sink节点的时候，可以考虑多方面的因素，下面仅以信息要发送到相应Sink节点所消耗的能量和Sink节点周围感知节点的剩余能量为例进行说明。这样可以在感知节点要发送信息时，综合考虑发送的代价，最终选出一个相对最优的Sink节点。

信息发送到某个sink节点的能量消耗因子描述如下式：

$P\left(x_1\right|c_i)=\frac{c}{t}---\left(2\right)$

式中，分子c为感知节点到某个Sink节点跳数的倒数，分母t为感知节点到各个sink节点跳数的倒数和。

每个Sink节点周围节点剩余能量因子能够描述如式（6）。

$P\left(x_2\right|c_i)=\frac{r}{t}---\left(3\right)$

式中，分子r为某个sink节点周围的剩余能量，分母t为集合D中的各Sink节点周围总的剩余能量。

进而得到：

集合D中某个Sink节点的条件概率密度P(x|c_i)的表达式为：

P(x|c_i)=P(x₁|c_i)*P(x₂|c_i)*…*P（x_n|c_i)  (4)

式中，P(x₁|c_i)、P(x₂|c_i)…P(x_n|c_i)分别为集合D中某个Sink节点所对应的各预设条件的概率密度;

S22、依据所述条件概率密度之积P(x|c_i)和所述类别先验概率P(c_i)，计算集合D中每一个Sink节点的类别后验概率P(c_i|x)，i∈1，2，…，m；

步骤S22中计算类别后验概率P(c_i|x)的表达式为：

$P\left(c_i\right|x)=\frac{P\left(x\right|c_i)P\left(c_i\right)}{P\left(x\right)}=\frac{P\left(c_i\right)P\left(x\right|c_i)}{{\mathrm{\Σ}}_{i=1}^{l}P\left(c_i\right)P\left(x\right|c_i)}---\left(5\right)$

S23、依据所述类别后验概率P(c_i|x)，得到集合D中所述类别后验概率P(c_i|x)最大时所对应的类变量c；

步骤S23中的得到集合D中的类变量c的表达式为：

在使用0～1损失函数的情况下，为使分类误差最小化，类变量c的表达式确定为：

$c=\underset{1\≤i\≤l}{\arg \max }\left\{P\left(c_i\right|x)\right\}---\left(6\right)$

由于对于每个Sink节点来说为常数，通过表达式(5)、式（6)，进而得到：

$c=\underset{1\≤i\≤l}{\arg \max }\{P\left(x\right|c_i)P\left(c_i\right)\}---\left(7\right)$

S24、将所述类变量c对应的Sink节点作为最优sink节点。

另外，由于现有技术中感知节点到各个sink节点的路由路径都是固定的，这样一旦路径中有一个节点失效，那么该节点将无法将信息发送到相应的目标sink节点，从而只能选择次优的目标sink节点。同时在发送信息时一直都用的是同一条路径，那么该路径上的节点能量将被过快消耗，而周围节点的能量又很充裕，使得网络能量消耗不均衡。这样就大大降低了网络的可靠性和网络的生存时间。

作为对发明实施例的改进，在步骤S2后进一步包含步骤S3，

S3、计算源节点或转发节点到下一跳节点的概率；所述源节点或转发节点依据计算出的概率选择下一跳转发节点，并最终到达所述最优的Sink节点。

步骤S3中通过源节点或者转发节点的周围节点的剩余能量计算所述源节点或者转发节点到下一跳节点的概率，计算概率的表达式为：

$P\left(x\right)=\frac{R}{T}$

式中，分子为源节点或者转发节点的某个下一跳节点的剩余能量，分母为源节点或者转发节点的所有下一跳节点的剩余能量。

本发明进一步通过概率路由选择机制，很好地平衡网络负载和整体能耗，进而增加了多sink节点的无线传感网的网络生存时间和信息包的正确到达率。

实施例2：

如图3所示，本发明实施例还提供了一种无线传感网Sink节点的选择系统，其特征在于，包含以下模块：

模型建立模块，建立朴素贝叶斯分类模型；

最优节点选择模块，依据所述朴素贝叶斯分类模型，源节点在发送信息之前选择最优的Sink节点。

优选的，本发明实施例所提供的系统进一步包含模块：

概率路由选择模块，计算源节点或转发节点到下一跳节点的概率；所述源节点或转发节点依据计算出的概率选择下一跳转发节点，并最终到达所述最优的Sink节点。

综上，本发明通过提供了一种无线传感网Sink节点的选择方法及系统，引入朴素贝叶斯模型（Naive Bayesian Model，NBC）到无线传感网Sink节点的选择方法中，利用朴素贝叶斯分类模型，把信息看成是要分类的样本，具体的某个sink节点看作分类的种类，源节点在发送信息之前首先判断将信息发送到当前相对最优的sink节点去，从而优化了传感网的路径选择。

本发明进一步通过概率路由选择机制，很好地平衡网络负载和整体能耗。

进而增加了多sink节点的无线传感网的网络生存时间和信息包的正确到达率。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种无线传感网Sink节点的选择方法，其特征在于，包含以下步骤：

S1、建立朴素贝叶斯分类模型；

S2、依据所述朴素贝叶斯分类模型，源节点在发送信息之前选择最优的Sink节点。

2.如权利要求1所述的选择方法，其特征在于，步骤S1中建立的朴素贝叶斯分类模型的方法为：

假设D是由m个Sink节点构成的集合，集合D中的每个Sink节点用(n+1)维特征向量(a₁,a₂,…,a_i,c)来描述n个属性的值和1个类变量值，其中a_i为属性变量，i∈1，2，…，n，c为类变量；依据条件独立性假设得到第一公式：

$P(a_1,a_2,a_3,...,a_n|c)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}P\left(a_i\right|c).$

3.如权利要求2所述的选择方法，其特征在于，步骤S2中源节点在发送信息之前选择最优的Sink节点的方法为：

S21、依据所述集合D和所述第一公式计算集合D中每一个Sink节点的各预设条件概率密度之积P(x|c_i)，i∈1，2，…，m；并计算集合D中每一个Sink节点的类别先验概率P(c_i)，i∈1，2，…，m；

S22、依据所述条件概率密度之积P(x|c_i)和所述类别先验概率P(c_i)，计算集合D中每一个Sink节点的类别后验概率P(c_i|x)，i∈1，2，…，m；

S23、依据所述类别后验概率P(c_i|x)，得到集合D中所述类别后验概率P(c_i|x)最大时所对应的类变量c；

S24、将所述类变量c对应的Sink节点作为最优sink节点。

4.如权利要求3所述的选择方法，其特征在于，

步骤S21中计算集合D中每一个Sink节点的条件概率密度P(x|c_i)的表达式为：

P(x|c_i)=P(x₁|c_i)*P(x₂|c_i)*…*P(x_n|c_i)

式中，P(x₁|c_i)、P(x₂|c_i)…P(x_n|c_i)分别为集合D中每一Sink节点所对应的各预设条件的概率密度;

步骤S22中计算类别后验概率P(c_i|x)的表达式为：

$P\left(c_i\right|x)=\frac{P\left(x\right|c_i)P\left(c_i\right)}{P\left(x\right)}=\frac{P\left(c_i\right)P\left(x\right|c_i)}{{\mathrm{\Σ}}_{i=1}^{l}P\left(c_i\right)P\left(x\right|c_i)};$

步骤S23中的得到集合D中的类变量c的表达式为：

$c=\underset{1\≤i\≤l}{\arg \max }\left\{P\left(x\right|c_i)P\left(c_i\right)\right\}.$

5.如权利要求1所述的选择方法，其特征在于，步骤S2后，进一部包含步骤S3：

S3、计算源节点或转发节点到下一跳节点的概率；所述源节点或转发节点依据计算出的概率选择下一跳转发节点，并最终到达所述最优的Sink节点。

6.如权利要求5所述的选择方法，其特征在于，步骤S3中通过源节点或者转发节点的周围节点的剩余能量计算所述源节点或者转发节点到下一跳节点的概率，计算概率的表达式为：

$P\left(x\right)=\frac{R}{T}$

式中，分子为源节点或者转发节点的某个下一跳节点的剩余能量，分母为源节点或者转发节点的所有下一跳节点的剩余能量。

7.一种无线传感网Sink节点的选择系统，其特征在于，包含以下模块：

模型建立模块，建立朴素贝叶斯分类模型；

最优节点选择模块，依据所述朴素贝叶斯分类模型，源节点在发送信息之前选择最优的Sink节点。

8.如权利要求7所述的选择协同，其特征在于，进一步包含模块：

概率路由选择模块，计算源节点或转发节点到下一跳节点的概率；所述源节点或转发节点依据计算出的概率选择下一跳转发节点，并最终到达所述最优的Sink节点。