CN107318116B - 一种可充电无线传感器网络中最大化异常事件捕捉率的方法 - Google Patents

Abstract

一种可充电传感器网络中最大化异常事件捕捉率的方法，所述方法包括以下步骤：S1、视基站为超级节点，各个传感器节点的工作状态由基站统一调度，将多对一问题简化成一对一问题；S2、根据能耗价值比计算每个周期的最优任务分配方案；S3、基站根据各个节点能量信息选择节点集完成所分配的任务；S4、任务周期结束后，各个节点向基站上传自身能量信息，基站根据能量信息重新选择节点集准备进入下一任务周期。本发明提供一种复杂度较小、节能性较好、能量捕获效率较高的可充电无线传感器网络中最大化异常事件捕捉率的方法。

Description

一种可充电无线传感器网络中最大化异常事件捕捉率的方法

技术领域

本发明涉及可充电无线传感器领域，具体涉及一种可充电无线传感器网络中最大化异常事件捕捉率的方法。

背景技术

通过部署无线传感器节点来监测特定区域是无线传感器网络中一个重要的应用。传统的传感器节点受限于节点电池容量，无法满足一些需要长期监测的应用场景的需求。一个可行的方法是部署可充电的传感器节点，这类节点可以通过捕获环境或者专用能量源来提供自身的工作能量消耗。此外，由于单个节点监测一个目标点存在不确定性，因此需要增大对目标点的节点覆盖密度来保证事件监测的可靠性。为了得到更好的事件监测效率，可以考虑让多个节点协同工作来监测同一目标点。

但目前而言，可充电传感器节点的能量捕获效率都是比较弱的，高效的能量管理策略是更好发挥可充电无线传感器网络(Wireless Rechargeable Sensor Networks,WRSN)优势的至关重要的因素。

发明内容

为了克服已有无线传感器网络的能量捕获效率较低、复杂度较大、节能性较差的不足，本发明提供一种复杂度较小、节能性较好、能量捕获效率较高的可充电无线传感器网络中最大化异常事件捕捉率的方法。

本发明解决其技术问题所采用的技术方案是：

一种可充电无线传感器网络中最大化异常事件捕捉率的方法，所述方法包括以下步骤：

S1、视基站为超级节点，各个传感器节点的工作状态由基站统一调度，将多对一问题简化成一对一问题；

S2、根据能耗价值比计算每个周期的最优任务分配方案；

S3、基站根据各个节点能量信息选择节点集完成所分配的任务；

S4、任务周期结束后，各个节点向基站上传自身能量信息，基站根据能量信息重新选择节点集准备进入下一任务周期。

进一步，所述步骤S1包括以下步骤：

1.1)所述的异常事件监测场景是通过部署多个可充电传感器节点来监测一个目标点的异常事件发生，该异常事件的发生无法直接由单个传感器数据进行判断，而需要有多种不同类型的传感数据联合来进行推断；

1.2)每个传感器节点上集成了多种类型的传感器，节点的采集数据及能量状态信息以单跳方式直接上传至基站。

再进一步，所述的步骤S2包括以下步骤：

2.1)定义传感器节点的能量消耗和与之产生的价值的比值为能耗价值比。

2.2)不失一般性，假设事件的发生服从泊松分布，推导出性质：打开传感器个数与能耗价值比成反比；

2.3)根据性质一基于贪心算法得到每个周期的最优任务分配方案。

更进一步，所述的步骤S3包括以下步骤：

3.1)基站在每个工作周期开始前周期性的盘询各个节点的能量状态信息；

3.2)根据各个节点的能量状态信息，选择首次能满足工作任务的节点集；

3.3)处在工作集中的节点按照基站分配的工作任务打开相应类型的传感器，开始工作至该周期结束。

本发明的技术构思为：本发明考虑通过部署多个可充电的传感器节点来监测特定区域的随机异常事件，不同于其他研究大多考虑随机事件的发生是基于单一因素的，例如在监测森林火灾的场景中，仅仅通过温度超过阈值这一单一因素来代表随机事件火灾的发生。在实际场景中，温度的骤变并不能确定一定是火灾发生，也可能是监测区域正好遭遇瞬间雷击。为了更加准确的预测异常事件的发生，需要有能反应异常事件发生的多种类型的传感数据来综合参考。而为了获取不同类型的传感数据，可以考虑部署具有不同感知功能的节点，但随着节点数量的增多，部署成本以及网络规模也会随之增加。因此给每个节点配置多种类型的传感器是必要的，这样一来既可以减小网络规模又一定程度上降低了部署成本。这种可充电节点在实际应用中也有现实模型的。例如由英特尔西雅图研究院推出的WISP(Wireless Identification and Sensing Platform)节点可以通过捕获射频能来提供自身的工作能耗，该节点内置加速度传感器、温度传感器和光照传感器，并且还可以根据实际需求配置其他类型的低功耗传感器。

本发明的有益效果主要表现在：利用贫瘠的能量来最大化异常事件的成功捕捉率，复杂度较小、节能性较好。

附图说明

图1为异常事件监测模型。

图2为传感器节点的能量模型。

图3为求解总任务算法流程图。

图4为节点任务分配算法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图4，一种可充电无线传感器网络中最大化异常事件捕捉率的方法，所述方法包括以下步骤：

S1、视基站为超级节点，各个传感器节点的工作状态由基站统一调度，将多对一问题简化成一对一问题；

S2、根据能耗价值比计算每个周期的最优任务分配方案；

S3、基站根据各个节点能量信息选择节点集完成所分配的任务；

S4、任务周期结束后，各个节点向基站上传自身能量信息，基站根据能量信息重新选择节点集准备进入下一任务周期。

进一步，所述步骤S1包括以下步骤：

1.1)所述的异常事件监测场景是通过部署多个可充电传感器节点来监测一个目标点的异常事件发生，该异常事件的发生无法直接由单个传感器数据进行判断，而需要有多种不同类型的传感数据联合来进行推断；

1.2)每个传感器节点上集成了多种类型的传感器，节点的采集数据及能量状态信息以单跳方式直接上传至基站。

再进一步，所述的步骤S2包括以下步骤：

2.1)定义传感器节点的能量消耗和与之产生的价值的比值为能耗价值比。

2.2)不失一般性，假设事件的发生服从泊松分布，推导出性质：打开传感器个数与能耗价值比成反比；

2.3)根据性质一基于贪心算法得到每个周期的最优任务分配方案。

更进一步，所述的步骤S3包括以下步骤：

3.1)基站在每个工作周期开始前周期性的盘询各个节点的能量状态信息；

3.2)根据各个节点的能量状态信息，选择首次能满足工作任务的节点集；

3.3)处在工作集中的节点按照基站分配的工作任务打开相应类型的传感器，开始工作至该周期结束。

本发明所涉及到的无线传感器网络异常事件捕获场景是在一个确定区域内随机部署了N个传感器节点,它们共同来监测1个目标点的异常事件，该异常事件后称混合型事件，包含k个原子事件(即混合型事件发生时一定会伴随有k个原子事件的发生)如图1所示。为不失一般性，本发明假设随机事件的发生服从泊松分布。每个可充电传感器节点上装配有k个不同类型的传感器分别用来监测这k个原子事件，节点可以通过捕获周围环境能量来提供自身工作的能量消耗。当某一类型的传感器采集值超过一定阈值时即认为该类型原子事件发生。各种原子事件的发生情况共同决定混合型事件是否发生，我们用权值关系来反应这种相关性：

π＝ω₁p₁+ω₂p₂+…+ω_kp_k (1)

其中ω_i表示第k类型事件发生可以预测混合型事件发生的权重，p_i表示第k 类型事件发生后，在该时隙所有的传感器节点能够联合捕获到该事件的概率，p_i的具体表达式为：

P_d＝1-(1-p)^m (2)

其中m是同时打开捕获该类型原子事件传感器的个数。

受限于可充电传感器节点的能量捕捉速率，无法一直保证节点的各个传感都处于工作状态，这样就会导致异常事件漏捕。为了获得最大的混合型(异常)事件捕捉率，需要以最优的方法对各个节点的能耗情况进行管理。

由于每个节点是监测同一个目标点，所以各个节点之间的工作存在关联性。为获取总的最优，需要各个节点之间采用合理的协同工作策略。下面，我们给出异常事件成功捕捉率的数学模型U(θ)：

其中x_t取值0或1，表示t时隙混合型事件是否发生，a_i,j,t取值0和1,表示第i个节点在t时隙是否开启第j类型传感器，w_j表示第j类事件的权值，p表示某个原子事件发生后被捕获到的概率。

考虑到实际情况，当预测混合型事件发生的概率需要超过一定阈值时，采集数据才是具有价值的，即：

其中0<ε<1，取值由人为经验确定。由于是可充电传感器节点，每个节点的能量模型可由如图2所示。其中假设在t时隙内，节点从环境中能够捕获的能量为he，其中h为不小于0的整数，e为单位能量,B为电池容量。节点的耗能情况可分为二种情况，第一种是当节点关闭传感器时，这时的能耗主要来自于保持节点自身不复位和必要的信息同步耗能，用δ₀表示。第二种是节点开启传感器的情况，此时节点的能耗除了自身的工作耗能，还有开启传感器采集数据耗能和传递数据耗能，用δ+δ₀表示。其中δ表示节点开启传感器采集数据的能耗和将数据上传给基站的能耗总和，它与开启的传感器数量和种类有关。

每个时隙传感器节点的剩余能量可以用下式表示：

那么上述的问题转换成下面的最优化问题：

maxU(θ)

0≤p≤1

(4)and(5)

从总的周期T上看，节点i开启传感器的行为可以用如下矩阵A表示，其中a_xy取值0或1分别表示节点i在第x时隙关闭或打开第y种类型的传感器， i＝1,2,3…n，x＝1,2,…T,y＝1,2,…k：

为了满足(4)式约束条件，一般需要在同一时隙内同时开启多个传感器节点。这样各个节点之间需要协同工作，每个节点需要掌握其他节点的工作状态，将带来比较大的通信和计算开销。而考虑到每个节点是以单跳的方式直接将传感数据上传给同一个基站进行处理，我们可以依赖基站对各个节点进行统一管理。基站是有源的，不需要考虑能量不足问题，它负责对各个节点的传感数据进行统一收集并做出异常处理。基于等效思想，我们可以假设基站是一个超级节点，那么对于多个节点监测一个目标点的问题可以转化为一个节点监测一个目标点的问题。类似的，超级传感器节点开启传感器的行为就可以用矩阵A^*表示，其中

取值0,1,…n，x＝1,2,…T,y＝1,2,…k如下：

记μ＝1-p,用c_tj表示在第t个时隙超级节点打开第j类型传感器的个数，那么U(θ)的表达式变成：

考虑到泊松过程的特征，数据与动态事件发生没有内在联系。由于超级节点的电池容量B是有限的，当超级节点在保证每个决策时隙产生的数据都可能带来价值(π>ε)的情况下，以最优的能量分配方案(即每次捕获的能量都能收获最大价值)进行调度将会得到总的最大事件捕捉率。我们引入一个变量γ来反应耗能与产生价值的关系，后称能耗价值比。

计

有

同时需满足：

注意到

是关于c_j的减函数，c_j＝0,1,2,3…n。可以发现对同一种原子事件的监测，当开启最少的传感器数时能得到最大的能耗价值比。所以对于超级节点来讲，找到能满足阈值条件下最节能的传感器打开策略并按照该策略周期性的进行将得到全局最优。而对于实际的每个节点而言，超级节点每周期性的开传感器任务是由各个实际节点联合完成的，这就需要一种合理均匀的任务分配方案。

本发明提出一种高效的任务分配方案。方案分为两步：

第一步是得到满足阈值条件的总任务，即通过贪心算法寻找出每种传感器至少需要打开的数量。

第二步是将总任务分配给满足任务需求的节点集，即确定该任务周期各个节点需要开启的传感器种类。

首先，得到每个工作周期总任务的算法步骤如下：

步骤1：判断超级节点的能量捕捉速率是否大于开启所有传感器的能量消耗速率，若大于则开启所有传感器，并一直保持该工作方式。若小于，进入步骤2。

步骤2：计算打开每种传感器的能耗价值比，并递减排序。将递减序列记录在一个队列Q中。

步骤3：每种传感器的打开数量初始化为0，记录在一个传感器打开数量数组A＝[0,0,…,0]中。

步骤4：选择当前队列Q中能得到能耗价值比最大的传感器类型i，并对该传感器类型的打开数量加1(A[i]++)，该传感器类型从Q先出队后入队。

步骤5：判断当前达到的预测概率π，若π>ε,进行下一步。否则，重复步骤4。

步骤6：输出A，即为满足阈值条件下，每种类型的传感器需要打开的数量。

接下来是寻找能满足任务A的节点集。考虑到各个节点的电池容量是有限的，为了避免过充导致的能量浪费，每个任务周期结束后，各个节点的剩余能量需要比较均衡。现提出一种算法步骤如下：

步骤1：将A内元素A[i]整理成具有传感器名称，打开数量和耗能速率三个属性的数据结构类型，即 A[i]＝{传感器名称：name,打开数量：count,耗能数率：ratio}。根据耗能速率对A进行递减排序。

步骤2：初始化索引值loop＝0。

步骤3：初始化各个传感器节点的任务分配向量W_i＝[0,0,…,0]。

步骤4：开始迭代。

步骤5：选择当前剩余能量最多的节点S_i。

步骤6：若A[loop].count>0,即该类型传感器任务未分配完，进行步骤7。否则loop+＝1，重复步骤6。

步骤7：若S_i未分配过该任务，根据A[loop].name找到该传感器索引值j，赋值W_i[j]＝1。进行步骤8。否则，找到剩余能量次之的节点重复步骤7。

步骤8：loop+＝1，若loop＝传感器类型数k，进行步骤9，否则更新分配后的能量信息，进行步骤5。

步骤9：判断总任务是否分配完，即A[i].count＝0,(i＝0,…,k-1)。若是进行步骤11，否则进行步骤10。

步骤10：loop＝0，更新分配后的能量信息，进行步骤5。

步骤11：输出每个传感器节点任务分配向量W_i。

通过上面的方法，根据各个传感器当前时隙的能量剩余情况，计算出了下一个时隙每个节点将会分得的任务。接下来就是关闭所有节点的传感器和通信模块，使各个节点以最大的能量补充速率进行蓄电。等到每个节点的能量情况都能满足下一时隙的工作能耗时，启动任务。具体步骤如下：

步骤1:初始化变量t＝1。

步骤2：基站基于上一工作时隙各个节点能量剩余情况计算下一工作时隙各个节点的任务。

步骤3：基站判断每个节点的能量情况是否都满足工作能耗，若是，进行步骤4.否则，重复步骤2。

步骤4：基站以广播的方式通知各个传感器节点启动各自任务。

步骤5：当前时隙结束，t+＝1，重复进行步骤2

通过以上操作，经过一个较长的时间T后，可以统计无线传感器网络对异常事件的成功捕捉率：

Claims (1)

1.一种可充电无线传感器网络中最大化异常事件捕捉率的方法，其特征在于：

所述方法包括以下步骤：

S1、视基站为超级节点，各个传感器节点的工作状态由基站统一调度，将多对一问题简化成一对一问题；

S2、根据能耗价值比计算每个周期的最优任务分配方案；

S3、基站根据各个节点能量信息选择节点集完成所分配的任务；

S4、任务周期结束后，各个节点向基站上传自身能量信息，基站根据能量信息重新选择节点集准备进入下一任务周期；

所述步骤S1包括以下步骤：

1.1)所述的异常事件监测场景是通过部署多个可充电传感器节点来监测一个目标点的异常事件发生，该异常事件的发生无法直接由单个传感器数据进行判断，而需要有多种不同类型的传感数据联合来进行推断；

1.2)每个传感器节点上集成了多种类型的传感器，节点的采集数据及能量状态信息以单跳方式直接上传至基站；

所述的步骤S2包括以下步骤：

2.1)定义传感器节点的能量消耗和与之产生的价值的比值为能耗价值比；

2.2)不失一般性，假设事件的发生服从泊松分布，推导出性质：打开传感器个数与能耗价值比成反比；

2.3)根据性质一基于贪心算法得到每个周期的最优任务分配方案；

所述的步骤S3包括以下步骤：

3.1)基站在每个工作周期开始前周期性的盘询各个节点的能量状态信息；

3.2)根据各个节点的能量状态信息，选择首次能满足工作任务的节点集；

3.3)处在工作集中的节点按照基站分配的工作任务打开相应类型的传感器，开始工作至该周期结束。

Images