CN108243478A - 一种crsn中能量有效的节点选择算法 - Google Patents

Abstract

本发明涉及一种CRSN中能量有效的节点选择算法，属于无线传感器网络技术领域。该算法综合考虑节点在协作频谱感知中的总能量消耗和性能参数，构成节点选择的优先级函数，根据节点的优先级排序对节点进行选择；采取“OR”融合规则，仅将判决为“1”的节点的本地判决结果传送给融合中心。本发明在提高感知准确性的同时可以有效的节省频谱感知的能耗，提高认知传感器网络的性能。

Description

一种CRSN中能量有效的节点选择算法

技术领域

本发明属于无线传感器网络技术领域，涉及一种无线认知传感器网络中基于协作频谱感知能量有效的节点选择算法。

背景技术

随着无线新技术应用不断出现，无线传感器网络(Wireless Sensor Network,WSN)的工作频段即免授权频谱段变得越来越拥挤。然而，目前授权频谱的静态分配策略导致授权频谱利用率不足。为了提升WSN的传输性能，认知无线电(Cognitive Radio，CR)技术被引入到WSN，从而形成了一种新型网络：无线认知传感器网络(Cognitive Radio SensorNetwork，CRSN)。这种网络能够通过CR的动态频谱接入策略实现频谱共享，从而提高授权频段的频谱利用率。

在无线传感器网络中采用认知无线电技术，使传感器网络节点可以实时感知周围环境中的频谱信息，获取可用频谱资源，在通信过程中能够动态选择未被占用的频谱资源来完成通信过程。这样，不仅能缓解公用频段的拥挤状况，并且可提高网络对空闲频谱的利用率，增加节点可选的工作带宽；由于节点可以动态地去选择空闲信道工作，减少了节点因竞争信道而带来的等待和冲突，因此可以提高网络的吞吐量并缩短网络的通信时延。与传统WSN相比，CRSN在动态频谱接入、并发数据的伺机信道使用、适应性地降低能耗、多个异构WSN的重叠部署、不同频谱管理政策下工作方面拥有巨大的优势，具有重大应用价值和远大的发展前景，也被认为是下一代WSN。然而，在CRSN中的传感器节点额外增加了频谱感知、频谱切换等功能，极大消耗了传感器节点本已受限的能量和处理能力；另外，无线认知传感器节点处理能力有限，常常需要多个传感器节点进行协作频谱感知然后通过协调器融合判决，他们之间感知信息的相互交流也导致了大量的能耗。这些由认知功能带来的额外的能耗和处理要求与传感器节点固有的资源约束产生了巨大的矛盾，极大地增加了功率高效的认知传感器节点的设计难度，将极大地缩短了CRSN生存时间，阻碍CRSN发展与应用。

现有的CRSN中的所有节点为无线认知传感器节点，都具有认知功能，在此基础上所有节点进行频谱感知，提高频谱利用率。一方面所有CRSN节点进行频谱感知，频谱切换等功能，极大消耗了传感器节点本已受限的能量和处理能力，而CRSN传感器节点处理能力有限，常常需要多个传感器节点进行协作频谱感知然后通过协调器融合判决(认知传感器节点与协调器交互过程繁琐：节点触发—网络协调器控制—节点感知—协调器融合信息判断、分配—节点接受信道、发送数据)，他们之间感知信息的相互交流也导致了大量的能耗。另一方面，CR接收机的灵敏度远高于普通传感器节点所用的接收机，因而其生产成本也高于普通接收机，在每个传感器节点上都装载一个CR接收机，显而易见极大地增加了认知传感器节点的生产成本，进而增加了低成本认知传感器节点的设计难度。

与传统WSN相比，CRSN中的传感器节点额外增加了频谱感知、频谱切换等功能，极大消耗了传感器节点本已受限的能量和处理能力，使能耗问题成为制约认知无线传感器发展的主要问题。因此，需要一种基于协作频谱感知技术的节点选择算法在满足感知性能的同时有效降低能耗。

发明内容

有鉴于此，本发明的目的在于提供一个基于协作频谱感知技术的节点选择算法，该算法综合考虑了节点的感知能耗和性能参数(检测率，虚警率)，构成节点选择的优先级函数，根据节点的优先级排序对节点进行选择，最大限度地减少了能量消耗。并且，本发明提出仅判决为“1”的节点将本地感知结果传送给融合中心，因此可以尽可能地减少在传输过程中的能耗，达到节能的目的。

为达到上述目的，本发明提供如下技术方案：

一种CRSN中能量有效的节点选择算法，该算法具体包括以下步骤：

S1：综合考虑节点在协作频谱感知中的总能量消耗和性能参数；

S2：采取“OR”融合规则，仅将判决为“1”的节点的本地判决结果传送给融合中心，减少在传输过程中的能量消耗；

S3：构成节点选择的优先级函数；

S4：根据节点的优先级排序对节点进行选择，最大限度地减少能量消耗。

进一步，在所述步骤S1中，所述的总能量消耗包括两个部分：第一部分是感知信道和处理信号所消耗的能量E_c，第二部分是向融合中心传送可靠的信息所消耗的能量

假设所有节点的感知能量相同，则总能量消耗E_total计算如下：

其中，d_i表示节点到融合中心的距离，e_fs为节点发射放大电路在单位面积内传播每比特信号所消耗的能量，E_t-elec、E_elec均表示发射或接受每比特信息所消耗的能量。

进一步，在所述步骤S2中，设本地判决结果为“1”的节点的概率为则的计算如下：

因此总能量消耗的计算公式变为：

其中，P(H₀)为信道空闲的概率，P(H₁)为信道被占用的概率，为虚警率，为检测率，X_i表示节点是否被选为感知节点。

将能量最小化问题转化为如下问题：

P1：Min|E_total(n)|

X_i∈{0,1}，

其中，表示融合中心处的检测率，为融合中心处的虚警率，α、β表示检测率、虚警率的极值。

问题P1是一个0-1非线性规划问题，0-1非线性规划问题复杂度较高，求解困难，因此对约束条件进行合理的转化，进而将问题进行简化为：

P2：Min|E_total(n)|

X_i∈{0,1}；

进一步，在所述步骤S3中，构造代表节点的优先顺序的优先级函数为：

其中，E_i表示节点的初始能量，根据优先级函数，对节点进行选择。

进一步，在所述步骤S4中，节点的选择算法具体过程如下：

1)令k_min＝0，k_max＝c，其中c为小于1且相对较大的数；当|k_max-k_min|＞ε时，

2)按照优先级函数计算每个节点的优先顺序，并按升序排列；经过多次迭代后，得到最优的k值和最小的节点数n。

经过多次迭代后，得到最优的k值和最小的节点数n。

本发明的有益效果在于：本发明通过最小化参与感知的节点数目来减少频谱感知过程中的能耗，通过分析考虑对频谱感知性能影响的因素(检测率，虚警率)，形成一个频谱感知节点的优先级函数，再通过节点选择算法，对节点进行选择，该算法在提高感知准确性的同时可以有效的节省频谱感知的能耗，提高认知传感器网络的性能。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为CRSN系统结构模型示意图；

图2为本发明中节点工作时隙结构示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

如图1所示，一种CRSN中能量有效的节点选择算法，该算法为了最小化能量消耗，需计算在协作频谱感知中的总能量消耗，其包括两个部分：第一部分是感知信道和处理信号所消耗的能量E_c，第二部分是向融合中心传送可靠的信息所消耗的能量

如图2所示，假设所有节点的感知能量相同，则总能量消耗E_total计算如下：

其中，d_i表示节点到融合中心的距离，d_i表示节点到融合中心的距离，e_fs表示节点发射放大电路在单位面积内传播每比特信号所消耗的能量，E_t-elec、E_elec均表示发射或接受每比特信息所消耗的能量。

在传统的关于频谱感知的文献中，都规定所有参与感知的节点均将本地的感知结果传送给融合中心。因为本文采取“OR”融合规则，判决结果为“0”的节点并不会对融合结果产生影响，因此为了减小节点传输能耗，仅将判决为“1”的节点的本地判决结果传送给融合中心。

设本地判决结果为“1”的节点的概率为则的计算如下：

因此总能量消耗的计算公式变为：

其中，P(H₀)为信道空闲的概率，P(H₁)为信道被占用的概率，为虚警率，为检测率，X_i表示节点是否被选为感知节点。

将能量最小化问题转化为如下问题：

P1：Min|E_total(n)|

X_i∈{0,1}，

其中，表示融合中心处的检测率，为融合中心处的虚警率，α、β表示检测率、虚警率的极值。

问题P1是一个0-1非线性规划问题，0-1非线性规划问题复杂度较高，求解困难，因此可以对该模型下的约束条件进行合理的转化，进而将问题进行简化，简化过程如下：

(1)对P₁中的第一个约束条件进行转化，两端取对数，因为对数函数为增函数，因此将不等式两边取对数后不改变两边的大小关系，两边取对数得：

因为X_i∈{0,1}，则则该限制条件转化为：

(2)对P₁中的第二个约束条件进行转化，两边取对数得：

因此将转化后的两个约束条件代入到P₁得：

P2：Min|E_total(n)|

X_i∈{0,1}

求解0-1整数线性规划问题的最优解可使用分支定界法或者Gomory割平面法等较为成熟的算法，分支定界法是一种搜索与迭代的方法，Gomory割平面法在求最优解的过程中，在旋转迭代中要计算分数，计算量很大，这类算法的时间和空间的复杂度都比较高，特别是随着n的增加算法的复杂度也随之增加。因此在满足一定精度的条件下，可以采用启发式算法来解决不等式约束下的最优化问题，可通过求解线性规划问题下的次优解来代替最优解的方式，减小整个算法的复杂度，由分析可知被选择进行频谱感知的节点应该具有较小的E_i，较小的较大的因此可以根据这几个因素构造代表节点优先级的函数c(i)，可根据c(i)的大小对节点进行优先级排序，即：

其中，E_i表示节点的初始能量，根据优先级函数，对节点进行选择。

节点选择算法具体过程如下：

(1)令k_min＝0，k_max＝c，其中c为小于1且相对较大的数；当|k_max-k_min|＞ε时，

(2)按照优先级函数计算每个节点的优先顺序，并按升序排列；

随机选择n个节点，计算

while(p_d-temp≥α)；

n＝n-1，更新p_d-temp；

end；

n＝n+1，计算

得到最小节点数n，且令k_max＝k；

无法得到合适的n，且令k_min＝k；

end；

while(p_d-temp＜α)；

n＝n+1，更新p_d-temp；

end；

计算

得到最小节点数n，且令k_max＝k；

无法得到合适的n，且令k_min＝k；

end；

end；

经过多次迭代后，得到最优的k值和最小的节点数n。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种CRSN(Cognitive Radio Sensor Network，无线认知传感器网络)中能量有效的节点选择算法，其特征在于，该算法具体包括以下步骤：

S1：综合考虑节点在协作频谱感知中的总能量消耗和性能参数；

S2：采取“OR”融合规则，仅将判决为“1”的节点的本地判决结果传送给融合中心，减少在传输过程中的能量消耗；

S3：构成节点选择的优先级函数；

S4：根据节点的优先级排序对节点进行选择，最大限度地减少能量消耗。

2.根据权利要求1中所述的一种CRSN中能量有效的节点选择算法，其特征在于，在所述步骤S1中，所述的总能量消耗包括两个部分：第一部分是感知信道和处理信号所消耗的能量E_c，第二部分是向融合中心传送可靠的信息所消耗的能量

假设所有节点的感知能量相同，则总能量消耗E_total计算如下：

其中，d_i表示节点到融合中心的距离，e_fs表示节点发射放大电路在单位面积内传播每比特信号所消耗的能量，E_t-elec、E_elec均表示发射或接受每比特信息所消耗的能量。

3.根据权利要求1中所述的一种CRSN中能量有效的节点选择算法，其特征在于，在所述步骤S2中，设本地判决结果为“1”的节点的概率为则的计算如下：

因此总能量消耗的计算公式变为：

其中，P(H₀)为信道空闲的概率，P(H₁)为信道被占用的概率，为虚警率，为检测率，X_i表示节点是否被选为感知节点；

将能量最小化问题转化为如下问题：

P1：Min|E_total(n)|

X_i∈{0,1}，

其中，表示融合中心处的检测率，为融合中心处的虚警率，α、β表示检测率、虚警率的极值；

问题P1是一个0-1非线性规划问题，0-1非线性规划问题复杂度较高，求解困难，因此对约束条件进行合理的转化，进而将问题进行简化为：

P2：Min|E_total(n)|

X_i∈{0,1}。

4.根据权利要求1中所述的一种CRSN中能量有效的节点选择算法，其特征在于，在所述步骤S3中，构造代表节点的优先顺序的优先级函数为：

其中，E_i表示节点的初始能量；根据优先级函数，对节点进行选择。

5.根据权利要求2中所述的一种CRSN中能量有效的节点选择算法，其特征在于，在所述步骤S4中，节点的选择算法具体过程如下：

1)令k_min＝0，k_max＝c，其中c为小于1且相对较大的数；当|k_max-k_min|＞ε时，

2)按照优先级函数计算每个节点的优先顺序，并按升序排列；经过多次迭代后，得到最优的k值和最小的节点数n。