CN105898789B - 一种无线传感器网络数据聚合方法 - Google Patents

Abstract

本发明公开了一种无线传感器网络数据聚合方法。由于微型电池供能的无线传感器网络能量有限，因此一旦网络中某一传感器节点能量耗尽，该节点将失去作用，将会影响到整个网络的通信状况。本发明采用基于空间自相关模型的无线传感器网络数据聚合方案，将节点调度、数据预测和数据聚合算法相结合，调度剩余能量较低的普通节点进行休眠，同时基于无线传感器网络相邻节点之间的数据相关性，利用Delaunay三角剖分算法和空间自相关模型，对休眠节点的缺失数据进行预测，最后由簇头节点进行聚合操作。本专利方法在保证数据精度的同时，减少簇内冗余数据的传输，节约传感器节点的能耗，有效延长网络寿命。

Description

一种无线传感器网络数据聚合方法

技术领域

本发明涉及无线节点资源的通信路由技术，主要解决在能量有限的应用场景中，如何减少数据传输并保证信息质量的问题，具体涉及一种无线传感器网络数据聚合方法。

背景技术

无线传感器网络(Wireless Sensor Networks，WSNs)是由大量微型的、廉价的、低功耗的传感器节点通过无线通信的方式形成一个自组织的网络系统，节点之间通过感知、采集、处理和传输周围环境中的标量数据(如湿度、温度、光强)或者媒体数据(如音视频、图像)信息，并通过多跳路由和数据聚合处理后，将信息汇聚至基站节点(sink)，再通过通讯方式把这些信息发送给网络的所有者。

WSNs通常是由传感器节点上的微型电池提供能量，而电池能量有限，并且节点通常运行在恶劣甚至危险的自然环境中，能量难以补充，所以一旦电池能量耗尽，节点就失去了作用。因此，如何降低和均衡节点能耗，延长网络生存周期成为无线传感器网络应用的关键。

目前，数据聚合算法是延长网络生存周期的一种有效方法，通过丢弃重复数据包和数据融合等技术手段，对采集或者接收到的多个数据进行聚合处理，可以有效地去除冗余数据，减少网络中传输的数据量，消除无线传感器网络中存在着的数据生产和数据消费的不平衡，最终节约网络能耗，实现延长网络寿命的目标。

按照聚合过程是否涉及语义逻辑处理，数据聚合可以分为数据级聚合和应用级聚合。数据级聚合在数据处理过程中不涉及语义与应用逻辑的处理，融合方法比较简单，一般通过数据包合并、数据包抑制等手段实现冗余数据的去除，数据压缩也是常用的技术手段之一。应用级聚合技术在进行数据聚合时，一般会涉及到具体的目标任务或者应用逻辑，比如求平均值、最小值和最大值等。

数据级聚合和应用级聚合都能有效消除网络中的冗余数据，提升信息的精度与质量。相对而言，数据级聚合方法比较简单，它通过对数据本身的处理来减少冗余数据，与具体应用无关，也不涉及语义逻辑的分析处理。应用级聚合一般需要结合具体的业务逻辑和语义信息来设计，设计相对复杂，但只要设计合理，其数据压缩效率更高，聚合结果的信息量也更多。

数据聚合算法在具有上述优点的同时，现有的算法仍然存在数据传输量大、数据的精确性低的缺点。

发明内容

本发明的目的是解决传统无线传感器网络中的数据冗余、能量有限、网络服务质量低和数据无法高效传输的问题。

为解决上述问题，本发明提出的技术方案为一种无线传感器网络数据聚合方法，包含以下步骤：

步骤1：进行初始化，网络正常工作若干轮，普通节点收集信息，发送给簇头节点；

步骤2：几轮工作结束后，簇头节点根据簇内普通节点的剩余能量，选择簇内剩余能量较低的节点进行休眠，记录下休眠节点的编号V_i；

步骤3：被选中的节点进行休眠，其他节点正常工作，持续发送数据给各自的簇头节点。

步骤4：利用Delaunay三角剖分算法，找到簇内节点的空间邻接矩阵W，即找到簇内节点之间的空间邻接关系；

步骤5：利用空间自相关模型，估算休眠节点的缺失数据；

步骤6：簇头节点接收到簇内所有节点的数据后进行聚合处理，并将处理后的数据转发给sink节点；

步骤7：簇头节点唤醒休眠节点，让其继续发送数据，并取消标记，转至步骤2，直至簇内第一个节点死亡，确定该节点失去作用。

进一步，步骤4中空间邻接矩阵W的生成包含以下步骤：

步骤1：根据节点的位置分布生成对应的Voronoi图；

步骤2：进行Delaunay三角剖分；

步骤3：得到相应的空间邻接矩阵W。

进一步，步骤5中估算休眠节点缺失数据的方法如下：

步骤1：构建基于多元线性回归模型的空间自相关模型：y＝ρWy+xβ+ε；

步骤2：上述模型在具有n+1个可观测的非空间属性，其中1个因变量，n个自变量时转换为y＝(I-ρW)^-1(β₀+β₁x₁+β₂x₂+...+β_nx_n+ε)，其中，

y为因变量，x＝{x₁,x₂,...,x_n}为自变量矩阵，β₀,β₁,...,β_n和ρ为未知参数，ε为误差向量，服从标准正态分布，m为对象数量；

步骤3：收集簇内所有节点时刻t-m+1～t-1的数据形成矩阵X，作为空间自相关模型中参数ρ和β的历史数据；

步骤4：利用极大似然估计和贝叶斯统计方法得到参数的估计；

步骤5：利用空间自相关模型y＝(I-ρW)^-1(xβ+ε)、三角剖分算法得到的W矩阵、计算出的参数ρ和以及未休眠节点在t时刻的数据，对休眠节点V_i的第t轮数据进行预测，最后求出的y＝{y₁,y₂,...,y_m}分别对应休眠节点V_i的t时刻预测数据，其中i为数字1,2....,m。

又进一步，步骤4中，为简单起见，给参数ρ赋1，进而利用极大似然估计法预测出参数β的估计值其中I为单位矩阵，X'为矩阵X的转置，为β的最小无偏估计。

本发明的有益效果：

(1)去除冗余数据，提高网络性能

采用了基于空间自相关模型的数据聚合方法，可以降低网内数据的传输量，还能进一步降低信道的冲突概率、提高数据的采集效率，有助于提高网络的通信性能。

(2)提升服务质量

在减少数据的冗余的基础上，可以提升信息的精度和质量，增强用户的体验，并提升用户对感知区域的认知。

(3)节约网络能耗，最大化网络生命周期

采用数据聚合和节点调度算法相结合，由簇头节点调度簇内剩余能量低的节点进行休眠，有效均衡和降低节点能耗，从而实现节约网络能耗和最大化网络生命周期的目标。同时利用Delaunay三角剖分算法和空间自相关模型对休眠节点的缺失数据进行预测，减少数据误差、保证数据精度。

附图说明

图1是传感器网络的拓扑结构图。

图2是传感器节点集合{v₁,v₂,...,v₇}的Voronoi图。

图3是感器节点集合{v₁,v₂,...,v₇}的Delaunay三角剖分图。

图4是基于空间自相关模型的WSNs数据聚合方案流程图。

图5是休眠节点数据预测流程图。

具体实施方式

现结合附图对本发明的具体实施做进一步详细的说明。

本发明基于层簇式无线传感器网络，即将网络中节点分为汇聚节点、簇头节点和普通节点，如图1所示，在该网络中，簇头节点负责收集簇内的数据，并将融合后的数据转交给基站节点。

本发明假设簇头节点可以获取簇内普通节点的位置，并且所有节点在部署完成后静止不再移动；每个簇的簇头节点的部署为确定部署，无需进行簇头节点的选举；网络中的普通节点围绕簇头节点为中心进行部署；为了节约成本和节省能耗，网络中的簇头节点监测自己簇内的普通节点；与普通节点相比，簇头节点具有相对较高的计算能力、存储空间和能量水平，汇聚节点的能量水平与计算能力最强。

本发明是一种基于空间自相关模型的无线传感器网络数据聚合方法，将数据聚合、节点调度与数据预测算法相结合，流程图如图4所示。首先簇内节点正常工作若干轮，再由簇头节点收集簇内节点的信息，进行聚合操作后发送给汇聚节点。接着由簇头节点调度剩余能量较低的节点休眠，并利用Delaunay三角剖分算法和空间自相关模型对休眠节点的缺失数据进行预测，图5是休眠节点数据预测流程图。该方案在保证数据精度的同时，减少网内数据量，实现节能和最大化网络生命周期的目标。

为了方便描述，假定有如下应用实例：开发一个无线传感器网络的数据聚合应用，应用的基本需求是减少冗余数据、节约网络能耗，同时保证数据精度。此发明设计了基于空间自相关模型的无线传感器网络数据聚合方法。基于节点调度、数据预测和数据聚合算法，选择剩余能量较低的传感器节点进行休眠，减少网内数据量，节约节点能耗，延长网络寿命。同时利用Delaunay三角剖分和空间自相关模型预测休眠节点缺失数据，最后由簇头节点对簇内数据进行聚合操作，并发送至sink节点。

具体数据聚合实现步骤如下：

(1)网络正常工作若干轮。普通节点收集信息，并向簇头节点发送。簇头节点根据簇内普通节点的剩余能量，选择簇内剩余能量较低的节点进行休眠。即休眠节点停止发送数据，其余节点正常向簇头节点提交数据。

(2)预测休眠节点的数据。采用Delaunay三角剖分，找到休眠节点的邻接矩阵W，进而通过空间自相关模型对休眠节点的缺失数据进行预测。

(3)数据聚合操作。簇头节点收到所有簇内普通节点的数据之后，进行数据聚合操作，并将数据发送给sink节点。

在部署无线传感器网络时，为了尽可能获取精确、完整的信息，通常会在目标区域高密度的部署传感器节点，这会导致节点的覆盖区域出现重叠，从而产生冗余数据。针对此问题，本发明提出基于节点调度策略的数据聚合方法，并引入了Delaunay三角剖分算法和空间自相关模型，不仅能够减少冗余数据，节约网络能耗，延长网络生存周期，还可以通过数据预测减少数据的误差，提高数据精度。

具体方法流程如下：

1、初始化：网络正常工作若干轮。普通节点收集信息，并向簇头节点发送。

2、几轮工作结束后，簇头节点根据簇内普通节点的剩余能量，合理选择簇内剩余能量较低的节点进行休眠，记录下休眠节点的编号V_i。

3、被选中的节点进行休眠，其他节点正常工作，即发送数据给各自的簇头节点。

4、利用Delaunay三角剖分算法，计算簇内节点的空间邻接矩阵W，即找到簇内节点之间空间上的邻接关系。

由于无线传感器网络中节点为不规则分布，本发明首先根据节点的位置分布，作出其对应的Voronoi图，并进行Delaunay三角剖分。Voronoi图是分别由两个相邻节点的垂直平分线连接而成的多边形，在此基础上，连接所有相邻多边形的中心所形成的三角剖分就称为Delaunay三角剖分。图2是一个Voronoi图示例，它对应于一个包含7个节点{v₁,v₂,...,v₇}的传感器网络。图3是图2所对应的Delaunay三角剖分图。

根据Delaunay三角剖分，就可以获知节点之间的邻接关系，并得到相应的空间邻接矩阵W，如式(1)所示。

其中，w_ij的取值如式(2)所示。

例如，图3所对应的W矩阵如下。

如果两个节点在Delaunay三角剖分中相连或者在Voronoi图中自然相邻，则它们互为邻域对象，就可以认为它们的数据存在较高的相关性。这样，对每个休眠的节点，也就可以找到空间相关性较大的节点集合。

5、利用空间自相关模型，估算休眠节点的缺失数据。

空间自相关模型是在多元线性回归模型的基础上发展起来的面向空间数据预测的一类方法，其基本假设是节点的采集数据在空间上存在着自相关性，即相邻节点之间的感知数据存在着相关性，其表达式如公式(4)所示。

y＝ρWy+xβ+ε (4)

即假设某一空间对象具有n+1个可观测的非空间属性，其中1个因变量，n个自变量，则空间自相关模型可转换成公式(5)：

y＝(I-ρW)^-1(β₀+β₁x₁+β₂x₂+...+β_nx_n+ε) (5)

其中y为因变量，x＝{x₁,x₂,...,x_n}为自变量矩阵，β₀,β₁,...,β_n和ρ为未知参数，ε为误差向量，服从标准正态分布，m为对象数量。

簇内所有节点时刻t-m+1～t-1的数据形成矩阵X，作为空间自相关模型中参数ρ和β的历史数据，参数的估计一般是利用极大似然估计和贝叶斯统计方法得到，但它计算代价较大，在该聚合方法中，为简单起见，给参数ρ赋1，进而利用极大似然估计法预测出参数β的估计值其中I为单位矩阵，X'为矩阵X的转置，为β的最小无偏估计。

利用空间自相关模型y＝(I-ρW)^-1(xβ+ε)、三角剖分算法得到的W矩阵、计算出的参数ρ和以及未休眠节点在t时刻的数据，对休眠节点V_i的第t轮数据进行预测，最后求出的y＝{y₁,y₂,...,y_m}分别对应休眠节点V_i的t时刻预测数据，其中i为数字1,2....,m。

6、簇头节点对簇内所有节点的数据进行聚合处理，并将处理后的数据转发给sink节点。

7、簇头节点唤醒休眠节点，让其继续发送数据，并取消标记，转至步骤2，直至簇内第一个节点死亡，确定该节点失去作用。

以上所述仅为本发明的优选实施案例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行改进，或者对其中部分技术进行同等替换。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 (3)

1.一种无线传感器网络数据聚合方法，其特征在于包含以下步骤：

步骤1：进行初始化，网络正常工作若干轮，普通节点收集信息，发送给簇头节点；

步骤2：几轮工作结束后，簇头节点根据簇内普通节点的剩余能量，选择簇内剩余能量较低的节点进行休眠，记录下休眠节点的编号V_i；

步骤3：被选中的节点进行休眠，其他节点正常工作，持续发送数据给各自的簇头节点；

步骤4：利用Delaunay三角剖分算法，找到簇内节点的空间邻接矩阵W，即找到簇内节点之间的空间邻接关系；

步骤5：利用空间自相关模型，估算休眠节点的缺失数据，所述估算休眠节点缺失数据的方法如下；

步骤5-1：构建基于多元线性回归模型的空间自相关模型：y＝ρWy+xβ+ε；

步骤5-2：上述模型在具有n+1个可观测的非空间属性，其中1个因变量，n个自变量时转换为y＝(I-ρW)^-1(β₀+β₁x₁+β₂x₂+...+β_nx_n+ε)，其中，

y为因变量，I为为单位矩阵，x＝{x₁,x₂,...,x_n}为自变量矩阵，β₀,β₁,...,β_n和ρ为未知参数，ε为误差向量，服从标准正态分布，m为对象数量；

步骤5-3：收集簇内所有节点时刻t-m+1～t-1的数据形成矩阵X，作为空间自相关模型中参数ρ和β的历史数据；

步骤5-4：利用极大似然估计和贝叶斯统计方法得到参数的估计；

步骤5-5：利用空间自相关模型y＝(I-ρW)^-1(xβ+ε)、三角剖分算法得到的W矩阵、计算出的参数ρ和 以及未休眠节点在t时刻的数据，对休眠节点V_i的第t轮数据进行预测，最后求出的y＝{y₁,y₂,...,y_m}分别对应休眠节点V_i的t时刻预测数据，其中i为数字1,2....,m；

步骤6：簇头节点接收到簇内所有节点的数据后进行聚合处理，并将处理后的数据转发给sink节点；

步骤7：簇头节点唤醒休眠节点，让其继续发送数据，并取消标记，转至步骤2，直至簇内第一个节点死亡，确定该节点失去作用。

2.如权利要求1所述的一种无线传感器网络数据聚合方法，其特征在于步骤4中空间邻接矩阵W的生成包含以下步骤：

步骤1：根据节点的位置分布生成对应的Voronoi图；

步骤2：进行Delaunay三角剖分；

步骤3：得到相应的空间邻接矩阵W。

3.如权利要求1所述的一种无线传感器网络数据聚合方法，其特征在于步骤4中，为简单起见，给参数ρ赋1，进而利用极大似然估计法预测出参数β的估计值其中I为单位矩阵，X'为矩阵X的转置，为β的最小无偏估计。