CN109313841B - 用于在传感器网络中实现自适应聚类的方法和系统 - Google Patents

用于在传感器网络中实现自适应聚类的方法和系统 Download PDF

Info

Publication number
CN109313841B
CN109313841B CN201780028997.3A CN201780028997A CN109313841B CN 109313841 B CN109313841 B CN 109313841B CN 201780028997 A CN201780028997 A CN 201780028997A CN 109313841 B CN109313841 B CN 109313841B
Authority
CN
China
Prior art keywords
clustering
sensor nodes
level
parameters
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201780028997.3A
Other languages
English (en)
Other versions
CN109313841A (zh
Inventor
萨纳特·萨朗吉
斯里尼瓦苏·帕普拉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tata Consultancy Services Ltd
Original Assignee
Tata Consultancy Services Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tata Consultancy Services Ltd filed Critical Tata Consultancy Services Ltd
Publication of CN109313841A publication Critical patent/CN109313841A/zh
Application granted granted Critical
Publication of CN109313841B publication Critical patent/CN109313841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • H04W84/20—Master-slave selection or change arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0251—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Small-Scale Networks (AREA)

Abstract

已经解释了用于在传感器网络中实现自适应聚类的系统和方法。系统在传感器网络中执行分层聚类，以最大化网络的寿命。该系统包括一组传感器节点和汇聚节点。传感器网络中的聚类是由大量部署的节点自动形成的，其中聚类特性由终端用户定义的测量要求驱动。该系统还采用聚类算法来实现自适应聚类。处理器还包括第一级聚类模块，用于基于测量结果将该组传感器节点分组为数据级聚类。处理器还包括第二级聚类模块，用于基于位置将数据级聚类中的该组传感器节点分组为位置级聚类。在另一个实施例中，该聚类可以继续进行到多于两级。

Description

用于在传感器网络中实现自适应聚类的方法和系统
优先权要求
本专利申请要求于2016年5月9日提交的印度说明书(标题：用于在传感器网络中实现自适应聚类的方法和系统)编号为201621016128的优先权。
技术领域
本文的实施例总体上涉及无线传感器网络领域，并且更具体地，涉及用于使用终端用户信息级属性作为聚类的标准以节能方式在传感器网络中实现自适应聚类的方法和系统。
背景技术
无线传感器网络是通过利用设置在预定区域中的传感器，将检测到的信息转换为数据，以及将数据无线传输到收集数据的汇聚节点(sink node)来检测目标的行为和环境的技术。通常，传感器网络由一组物理节点组成，这些物理节点监视一个或多个参数的地理区域并将所感测的值发送到管理网络的中央网关(也称为汇聚(sink))。到目前为止，传感器网络中的聚类和数据聚合基于诸如位置和移动性的物理特性对传感器节点进行分组，使得感测的数据可以被聚合并传输到汇聚，从而在该过程中节能。传感器网络正在集成到物联网(IoT)的较大结构中，其中大量目标应用具有不同要求。现有的聚类方法不适应感测目标的特性。为了解决这些问题，正在进行用于高效部署规划的传感器网络和数据聚合技术的研究。
到目前为止，传感器网络和IoT系统中的聚类主要利用与诸如位置和移动性的聚类相关联的物理参数来工作。典型传感器网络部署中的节点在数量上是冗余的，并且并非所有传感器节点都针对每个感测要求被分派任务。更新近的传感器网络和IoT应用的要求是监视具有用于感测目标的特定服务级协议(SLA)的系统，例如，以节能的方式监视跨区域的参数值的变化。
在传感器网络和IoT中的聚类的背景下，已经在该部分中使用了许多现有技术。它们主要使用物理特性来执行聚类。使用诸如与数据相关联的标签的应用特定特性的一些工作已被用于执行优化的数据传输。现有技术中的工作尚未报告执行传感器网络的应用自适应聚类和组织，其中测量级的精度被用作网络中节点的自适应和组织的基础。
发明内容
以下呈现了本公开的一些实施例的简化概述，以便提供对实施例的基本理解。该概述不是实施例的广泛概述。其并未旨在标识实施例的关键/重要元素或描绘实施例的范围。其唯一目的是以简化形式呈现一些实施例，作为下面呈现的更详细描述的序言。
鉴于前述内容，本文的实施例提供了一种用于在传感器网络中实现自适应聚类的系统。该系统包括一组传感器节点、用户接口、汇聚节点、存储器和处理器。该组传感器节点被配置为测量多个参数，其中传感器节点中的每一个包括存在于区域中的多个位置处的多个传感器。用户接口生成用户发送测量的多个参数的请求。汇聚节点接收由该组传感器节点测量的多个参数。处理器还包括第一级聚类模块、第二级聚类模块、指定模块和传送模块。第一级聚类模块执行第一级聚类，用于基于所测量的多个参数将该组传感器节点分组为数据级聚类。第二级聚类模块执行第二级聚类，用于基于多个位置将数据级聚类中的该组传感器节点分组为位置级聚类。指定模块在数据和位置级聚类之后指定聚类头以达成聚类决策。传送模块将聚类决策传送回该组传感器节点以自适应地将它们重新排列成聚类。
在另一方面，提供了一种用于在传感器网络中实现自适应聚类的方法。最初在该方法中，通过一组传感器节点测量多个参数，其中传感器节点中的每一个包括存在于区域中的多个位置处的多个传感器。在下一步骤处，通过用户接口向该组传感器节点发送针对发送在多个传感器节点处测量的多个参数的请求。此外，响应于该请求，将多个参数发送到汇聚节点。在下一步骤处，由处理器执行第一级聚类，用于基于所测量的多个参数将该组传感器节点分组为数据级聚类。此外，由处理器执行第二级聚类，用于基于多个位置将数据级聚类中的该组传感器节点分组为位置级聚类；。在下一步骤处，由处理器为在数据级和位置级聚类之后形成的聚类中每一个指定节点作为聚类头以达成聚类决策。并且最后，聚类决策被传送回该组传感器节点以自适应地将该组传感器节点重新排列成聚类。
在又另一方面，提供了一种非暂时性计算机可读介质，在其上体现有用于执行以在传感器网络中实现自适应聚类的计算机程序。最初在该方法中，通过一组传感器节点测量多个参数，其中传感器节点中的每一个包括存在于区域中的多个位置处的多个传感器。在下一步骤处，通过用户接口向该组传感器节点发送请求以发送在多个传感器节点处测量的多个参数。此外，响应于该请求，将多个参数发送到汇聚节点。在下一步骤处，由处理器执行第一级聚类，用于基于所测量的多个参数将该组传感器节点分组为数据级聚类。此外，由处理器执行第二级聚类，用于基于多个位置将数据级聚类中的该组传感器节点分组为位置级聚类；在下一步骤处，处理器为在数据级和位置级聚类之后形成的聚类中的每一个指定节点作为聚类头以达成聚类决策。并且最后，聚类决策被传送回该组传感器节点以自适应地将该组传感器节点重新排列成聚类。
本领域技术人员应当理解的是，本文的任何框图表示体现本主题的原理的说明性系统的概念视图。类似地，应当理解的是，任何流程图、流程图、状态转换图、伪代码等表示可以基本上在计算机可读介质中表示并且因此由计算设备或处理器执行的各种过程，无论是否明确地示出了这样的计算设备或处理器。
附图说明
通过参考附图的以下详细描述，将更好地理解本文的实施例，其中：
图1示出了根据本公开的实施例的用于在传感器网络中实现自适应聚类的框图；
图2示出了根据本公开的实施例的传感器网络部署设置；和
图3A-3B是示出了根据本公开的实施例的用于在传感器网络中实现自适应聚类所涉及的步骤的流程图。
具体实施方式
参考在附图中示出并在以下描述中详述的非限制性实施例，更全面地解释本文的实施例及其各种特征和有利细节。本文使用的示例仅旨在便于理解可以实践本文的实施例的方式，并且进一步使本领域技术人员能够实践本文的实施例。因此，示例不应被解释为限制本文实施例的范围。
术语表-在实施例中使用的术语
在本公开的上下文中的表述“传感器网络”指的是在本发明的任何领域中使用的互连传感器的网络。例如，在农业、物联网或任何其他技术方面。
在本公开的上下文中的表述“一组传感器节点”或“传感器节点”指的是存在多个传感器的特定位置。根据传感器网络部署的区域，具体选择传感器节点。
在本公开的上下文中的表述“汇聚节点”指的是特定位置。汇聚节点充当外部环境的网关。
现在参考附图，并且更具体地参考图1至图3A-3B，其中类似的附图标记在整个附图中始终表示相应的特征，示出了优选实施例，并且这些实施例在以下示例性系统和/或方法的上下文中描述。
根据本公开的实施例，用于在传感器网络102中实现自适应聚类的系统100在图1中示出。系统100自动地适应传感器网络102中的节能分层聚类以最大化传感器网络102的寿命。传感器网络中的聚类由大量部署的节点自动形成，其中聚类特性由终端用户定义的测量要求驱动。本公开使用终端用户信息级属性作为聚类的标准。
根据本公开的实施例，系统100包括一组传感器节点104、用户接口106、汇聚节点108、存储器110和处理器112，如图1所示。该组传感器节点104和汇聚节点108与处理器108通信。部署该组传感器节点104用于监视区域。该组传感器节点104可以监视现场中的特定区域。汇聚节点108充当这些节点与外部世界的网关。多个传感器(未示出)可以存在于该组传感器节点104中。在示例中，多个传感器可以附接到在现场中工作的人。在另一示例中，应当理解的是，多个传感器也可以在现场上独立地存在，捕获现场上的数据。典型的传感器网络102部署通常由与汇聚节点108或管理网络的网关对话的该组传感器节点104组成，如图2所示。
处理器112与存储器110通信。处理器112被配置为执行存储在存储器110中的算法。该算法在汇聚节点108上执行，并以特定方式编排该组传感器节点104以实现分层应用特定的聚类。为了实现这一点，该组传感器节点104监视区域并将原始测量结果发送到汇聚节点108。该组传感器节点104被配置为测量多个参数，其中传感器节点中的每一个包括存在于区域中的多个位置处的多个传感器。
根据本公开的实施例，用户接口106被配置为生成发送在该组传感器节点104处测量的所测量的多个参数的请求。用户接口106由用户操作。用户接口106可以包括各种软件和硬件接口，例如，web接口、图形用户接口等，并且可以促进各种网络N/W和协议类型(包括有线网络，例如，LAN、电缆等，以及无线网络，诸如WLAN、蜂窝或卫星)内的多种通信。在实施例中，用户接口106可以包括一个或多个端口，用于将多个设备彼此连接或连接到另一个服务器。
基于由用户接口106生成的请求，汇聚节点108接收由该组传感器节点104测量的多个参数。汇聚节点108根据该组传感器节点104所覆盖的区域的监视要求的精度而具有预定义的服务级协议(SLA)。汇聚节点108使用分层聚类算法来找到该组传感器节点104的最终聚类。聚类信息被传送到传感器网络102中的节点，因此它们相应地定向自己并将测量结果发送到汇聚节点106。
根据本公开的实施例，处理器112还包括用于执行功能的多个模块。处理器112可以包括第一级聚类模块114、第二级聚类模块116。处理器112被配置为处理所测量的参数以达成聚类决策。第一级聚类模块114执行第一级聚类，用于基于所测量的多个参数将该组传感器节点104分组为数据级聚类。来自传感器节点104中的每一个的测量结果是通过变换函数获得的。变换函数的输出用于形成聚类，其中聚类中的节点具有类似的测量结果。作为示例，具有特定阈值内的输出的节点可以被视为属于相同的聚类。
根据本公开的另一实施例，第二级聚类模块116执行第二级聚类，用于基于多个位置将数据级聚类中的该组传感器节点104分组为位置级聚类。节点中的每一个的位置用作将每个聚类子聚类(sub-clustering)成另外的群集的标准。在该过程之后形成的聚类具有节点的两个特征：在相似级处的测量结果和彼此接近的位置。借助于本公开的后面部分中的示例也解释了自适应聚类的过程。应当理解的是，聚类不限于两级，在另一个实施例中，聚类可以继续进行到多于两级，并且不限于2级。
根据本公开的实施例，指定模块118在数据和位置级聚类之后指定聚类头以达成聚类决策。然后，传送模块120进一步将聚类决策传送回该组传感器节点104，以自适应地将该组传感器节点104重新排列成聚类。根据本公开的另一个实施例，聚类也可以以多于两级发生，其中每级取决于多个参数和多个位置。
根据本发明的实施例，第一级和第二级聚类模块114和116执行称为自适应数据中心聚类算法(adaptive data centric clustering algorithm，ADCS)的聚类算法，其将无监督学习与n级分层数据融合和传输机制相结合以实现网络中的节能。ADCS基于应用级测量特性来调整性质、大小和聚类成员数量。使用ADCS，引入了上下文聚类，其中根据每个聚类内所覆盖的节点数量的聚类大小由终端用户定义的监视/感测目标所定义的监视要求的精度决定。通过统计测量来自节点的测量结果之间的相似性水平作为执行聚类的其步骤之一来实现聚类，以便最大化网络生命周期。
ADCS在汇聚节点/网关上执行，并且足够通用以允许使用各种分析模型来实现上下文聚类。一旦网关处完成聚类，它们就被发送回网络进行配置。诸如此的动态变化的条件使得它们自己可以用无监督的学习模型进行建模以供分析。
根据本公开的另一个实施例，可以使用ADCS算法的三种变体，ADCS-DB、ADCS-KM和ADCSAG(DBSCAN，K Means和Agglomerative)，其中每个变体使用不同的算法进行无监督聚类。可以基于聚类要求导出更多这样的变体。例如，测量具有平均值m和具有特定标准偏差s的区域的温度的要求可以形成覆盖一组节点n的特定大小S的聚类。如果将标准偏差放宽到2s，则ADCS可以扩展聚类大小以包括更多节点。
在操作中，图3A-3B中示出了说明在传感器网络102中实现自适应聚类所涉及的步骤的流程图200。最初在步骤202处，由一组传感器节点104测量多个参数。该组传感器节点104中的每一个包括存在于区域中的多个位置处的多个传感器。多个传感器被配置为测量该区域中人或多个位置的各种参数。在下一步骤204处，通过用户接口106向该组传感器节点104发送针对发送在多个传感器节点处测量的多个参数的请求。在步骤206处，响应于该请求，将多个参数发送到汇聚节点108；
在下一步骤208处，由第一级聚类模块114执行第一级聚类，用于基于所测量的多个参数将该组传感器节点104分组为数据级聚类。类似地，在步骤210处，由第二级聚类模块116执行第二级聚类，用于基于多个位置将数据级聚类中的该组传感器节点分组为位置级聚类。应当理解的是，聚类可以继续进行到多于两级，并且不限于两级。在步骤212处，使用指定模块118将数据级聚类进一步划分为位置级聚类，并将每个聚类中的节点中的一个指定为聚类头。并且最后在步骤214处，将聚类决策传送回该组传感器节点104以自适应地将该组传感器节点重新排列成聚类。
根据本公开的实施例，可以借助以下示例来解释系统100。由一组S个传感器节点覆盖的区域R(其中每个节点s(i)∈S)以给定间隔定期地测量参数。令V(i)表示来自传感器节点s(i)的一组n个测量结果{v(1)，...，v(n)}i。对于任何两个s(i)、s(j)∈S，其中V(i)的数据点具有与V(j)相同的趋势，两个节点的位置和现场特性确定它们是否可被视为测量相同或不同的条件。例如，如果s(i)、s(j)在地理上相隔很远的距离，则观察值的相似性可能是时间上的巧合。另一方面，即使节点彼此靠近放置，海拔或顶部植被(例如伪装)的差异也将决定观察到的趋势是否保持相同或随时间变化。可能存在若干这样的约束，这些约束决定相似程度并因此决定聚类。此外，节点周围的条件可能随时间而变化，因此在给定时间点进行的聚类决策将定期改变。为清楚起见，已经讨论了以两级L0和L1聚类的ADCS算法，其中L0处于数据级而L1处于位置级。该原则足够通用，以扩展到任意数量的级。
ADCS假设n节点WSN部署，其中su(网关)作为端点。ADCS算法在汇聚上执行。它从汇聚请求所有节点发送其数据开始。在汇聚处处理数据以达成聚类决策，然后将其传送回网络节点。注意到网络节点可以通过直接传输将其数据发送到汇聚，或者通过网络中的其他节点来路由其数据。为清楚起见，假设直接传输策略，其中聚类决策意味着一组聚类，其中每个聚类具有聚类头和一些聚类成员。聚类成员传输到聚类头，并且聚类头发送到汇聚。在网关级处的聚类引起计算开销，该计算开销是网络中节点数量的函数f。f的阶数取决于为L0聚类执行的测量数据的相似度的标准。
输入组生成之后的第一步骤是L0聚类以识别处于相似数据级的节点。此步骤为要使用的任何无监督的聚类方法给出了范围。以这种方式识别的聚类可能在地理上分散。输入组通过L1聚类传递，该聚类将那些处于彼此的特定物理分离内的节点进行聚类。同样存在两种方式来实现这一点：预定义边界和无监督聚类空间。在没有预定义边界的情况下，执行无监督聚类以实现该第二级聚类。在L1聚类之后随机选择聚类头。在L0和L1聚类过程期间，某些节点可能会被遗漏。
有效地，使用ADCS创建自适应聚类框架，其足够通用以允许使用各种模型。一旦聚类在汇聚(网关)处最终确定，它们就被发送回网络以进行配置。
根据本公开的实施例，使用不同版本的学习模型来模拟系统100，并且最终绘制和呈现比较。此外，由于上述原因，数据的性质可能随时间而改变。使用变化的数据值进行多轮模拟以建立结果。诸如此的动态变化的条件使得它们自己可以使用无监督的学习模型进行建模。ADCS已配置为使用各种无监督学习算法来执行L0和L1聚类。
书面描述描述了本文的主题，以使本领域技术人员能够制造和使用实施例。主题实施例的范围由权利要求限定，并且可以包括本领域技术人员想到的其他修改。如果这些其他修改具有与权利要求的字面语言没有不同的相似元素，或者如果它们包括与权利要求的字面语言无实质差别的等效元素，则这些其他修改旨在落入权利要求的范围内。
本公开的实施例在此解决了传感器网络和IoT中的聚类的未解决的问题。因此，该实施例提供了用于在传感器网络中实现自适应聚类的系统和方法。
然而，应该理解的是，保护范围扩展到这样的程序，并且除了其中具有消息的计算机可读装置之外；当程序在服务器或移动设备或任何合适的可编程设备上运行时，这种计算机可读存储装置包含用于实现该方法的一个或多个步骤的程序代码装置。硬件设备可以是任何类型的可以编程的设备，包括例如任何类型的计算机，如服务器或个人计算机等，或其任何组合。该设备还可包括以下装置，其可以是例如硬件装置，如专用集成电路(ASIC)、现场可编程门阵列(FPGA)，或硬件和软件装置的组合，例如，ASIC和FPGA，或至少一个微处理器和至少一个存储器，其具有位于其中的软件模块。因此，该装置可以包括硬件装置和软件装置两者。本文描述的方法实施例可以用硬件和软件实现。该设备还可以包括软件装置。可替选地，实施例可以例如使用多个CPU在不同的硬件设备上实现。
本文的实施例可包括硬件和软件元件。以软件实现的实施例包括但不限于固件、驻留软件、微代码等。由本文描述的各种模块执行的功能可以在其他模块或其他模块的组合中实现。出于该描述的目的，计算机可用或计算机可读介质可以是能够包括、存储、通信、传播或传输程序以供指令执行系统、装置或设备使用或与其结合使用的任何装置。
介质可以是电、磁、光、电磁、红外或半导体系统(或装置或设备)或传播介质。计算机可读介质的示例包括半导体或固态存储器、磁带、可移动计算机磁盘、随机存取存储器(RAM)、只读存储器(ROM)、刚性磁盘和光盘。光盘的当前示例包括压缩盘-只读存储器(CD-ROM)、压缩盘-读/写(CD-R/W)和DVD。
适用于存储和/或执行程序代码的数据处理系统将包括通过系统总线直接或间接耦合到存储器元件的至少一个处理器。存储器元件可以包括在程序代码的实际执行期间使用的本地存储器、大容量存储器和高速缓冲存储器，其提供至少一些程序代码的临时存储，以便减少在执行期间必须从大容量存储器检索代码的次数。
输入/输出(I/O)设备(包括但不限于键盘、显示器、指示设备等)可以直接或通过中间I/O控制器耦合到系统。网络适配器还可以耦合到系统，以使数据处理系统能够通过中间私有或公共网络耦合到其他数据处理系统或远程打印机或存储设备。调制解调器、电缆调制解调器和以太网卡只是当前可用类型的网络适配器中的少数几种。
用于实践实施例的代表性硬件环境可以包括根据本文的实施例的信息处理/计算机系统的硬件配置。本文的系统包括至少一个处理器或中央处理单元(CPU)。CPU通过系统总线互连到各种设备，诸如随机存取存储器(RAM)、只读存储器(ROM)和输入/输出(I/O)适配器。I/O适配器可以连接到外围设备，诸如磁盘单元和磁带驱动器，或系统可读的其他程序存储设备。系统可以在程序存储设备上读取创造性指令，并遵循这些指令来执行本文实施例的方法。
该系统还包括用户接口适配器，其将键盘、鼠标、扬声器、麦克风和/或其他用户接口设备(诸如触摸屏设备(未示出))连接到总线以收集用户输入。另外，通信适配器将总线连接到数据处理网络，并且显示适配器将总线连接到显示设备，该显示设备可以实现为输出设备，诸如例如监视器、打印机或发送器。
已经参考各种实施例呈现了前面的描述。本申请所属领域的普通技术人员将理解，在不有意地脱离原理、精神和范围的情况下可以实践所描述的结构和操作方法的改变和变化。

Claims (16)

1.一种用于在传感器网络(102)中实现自适应聚类的方法，所述方法包括：
通过一组传感器节点(104)测量多个参数，其中所述传感器节点中的每一个包括存在于区域中的多个位置处的多个传感器；
通过用户接口(106)向所述一组传感器节点发送针对发送在所述一组传感器节点处测量的多个参数的请求；
响应于所述请求，将所述多个参数发送到汇聚节点(108)；
由处理器(112)执行第一级聚类，用于基于所测量的多个参数将所述一组传感器节点分组为数据级聚类；
由所述处理器执行第二级聚类，用于基于所述多个位置将所述数据级聚类中的所述一组传感器节点分组为位置级聚类，其中在每个位置级聚类中的所述一组传感器节点中的每一个包括下列特征：在相似级处的测量结果和传感器节点彼此接近的位置；
由所述处理器将所述数据级聚类和所述位置级聚类中的每一个中的节点指定为聚类头，以达成聚类决策；和
由所述处理器将所述聚类决策传送回所述一组传感器节点，以自适应地将所述一组传感器节点重新排列成聚类。
2.根据权利要求1所述的方法，其中，使用自适应数据中心聚类(ADCS)算法来执行所述第一级聚类和所述第二级聚类的步骤。
3.根据权利要求2所述的方法，其中，所述ADCS算法调整性质、大小和聚类成员数量。
4.根据权利要求2所述的方法，其中，在所述汇聚节点上执行所述ADCS算法。
5.根据权利要求1所述的方法，其中，根据由所述一组传感器节点覆盖的区域的监视精度对预定义的服务级协议(SLA)执行所述聚类。
6.根据权利要求1所述的方法，还被配置为允许使用多个算法进行聚类以实现改进的性能。
7.一种用于在传感器网络(102)中实现自适应聚类的系统，所述系统包括：
一组传感器节点(104)，其被配置为测量多个参数，其中所述传感器节点中的每一个包括存在于区域中的多个位置处的多个传感器；
用户接口(106)，用于生成用户发送所测量的多个参数的请求；
汇聚节点(108)，用于接收由所述一组传感器节点测量的多个参数；
存储器(110)；和
与所述存储器通信的处理器(112)，所述处理器还包括：
第一级聚类模块(114)，用于执行第一级聚类，用于基于所测量的多个参数将所述一组传感器节点分组为数据级聚类；
第二级聚类模块(116)，用于执行第二级聚类，用于基于所述多个位置将所述数据级聚类中的所述一组传感器节点分组为位置级聚类，其中在每个位置级聚类中的所述一组传感器节点中的每一个包括下列特征：在相似级处的测量结果和传感器节点彼此接近的位置；
指定模块(118)，用于在所述数据级聚类和所述位置级聚类之后指定聚类头以达成聚类决策；和
传送模块(120)，用于将所述聚类决策传送回所述一组传感器节点，以自适应地将所述一组传感器节点重新排列成聚类。
8.根据权利要求7所述的系统，其中，所述一组传感器节点中的每一个与所述多个传感器电通信。
9.根据权利要求7所述的系统，其中，所述汇聚节点被配置为用作到外部环境的网关。
10.根据权利要求7所述的系统，其中，所述聚类还能够以多于两级发生，其中每个级取决于所述多个参数和所述多个位置。
11.一种或多种非暂时性机器可读信息存储介质，其包括一个或多个指令，当由一个或多个硬件处理器执行时，所述一个或多个指令导致：
通过一组传感器节点(104)测量多个参数，其中所述传感器节点中的每一个包括存在于区域中的多个位置处的多个传感器；
通过用户界面(106)向所述一组传感器节点发送针对发送在所述一组传感器节点处测量的多个参数的请求；
响应于所述请求，将所述多个参数发送到汇聚节点(108)；
由处理器(112)执行第一级聚类，用于基于所测量的多个参数将所述一组传感器节点分组成数据级聚类；
由所述处理器执行第二级聚类，用于基于所述多个位置将所述数据级聚类中的所述一组传感器节点分组成位置级聚类，其中在每个位置级聚类中的所述一组传感器节点中的每一个包括下列特征：在相似级处的测量结果和传感器节点彼此接近的位置；
由所述处理器将所述数据级聚类和所述位置级聚类中的每一个中的节点指定为聚类头，以达成聚类决策；和
由所述处理器将所述聚类决策传送回所述一组传感器节点，以自适应地将所述一组传感器节点重新排列成聚类。
12.根据权利要求11所述的一种或多种非暂时性机器可读信息存储介质，其中，使用自适应数据为中心聚类(ADCS)算法来执行所述第一级聚类和所述第二级聚类的步骤。
13.根据权利要求12所述的一种或多种非暂时性机器可读信息存储介质，其中，所述ADCS算法调整性质、大小和聚类成员数量。
14.根据权利要求12所述的一种或多种非暂时性机器可读信息存储介质，其中，在所述汇聚节点上执行所述ADCS算法。
15.根据权利要求11所述的一种或多种非暂时性机器可读信息存储介质，其中，根据由所述一组传感器节点覆盖的区域的监视精度对预定义的服务级协议(SLA)执行所述聚类。
16.根据权利要求11所述的一种或多种非暂时性机器可读信息存储介质，还被配置为允许使用多个算法进行聚类以实现改进的性能。
CN201780028997.3A 2016-05-09 2017-05-08 用于在传感器网络中实现自适应聚类的方法和系统 Active CN109313841B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
IN201621016128 2016-05-09
IN201621016128 2016-05-09
PCT/IB2017/052658 WO2017195089A1 (en) 2016-05-09 2017-05-08 Method and system for achieving auto-adaptive clustering in a sensor network

Publications (2)

Publication Number Publication Date
CN109313841A CN109313841A (zh) 2019-02-05
CN109313841B true CN109313841B (zh) 2021-02-26

Family

ID=60267864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780028997.3A Active CN109313841B (zh) 2016-05-09 2017-05-08 用于在传感器网络中实现自适应聚类的方法和系统

Country Status (7)

Country Link
US (1) US11425628B2 (zh)
JP (1) JP6940522B2 (zh)
CN (1) CN109313841B (zh)
BR (1) BR112018072934A2 (zh)
CO (1) CO2018013181A2 (zh)
WO (1) WO2017195089A1 (zh)
ZA (1) ZA201807721B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200372412A1 (en) * 2018-01-03 2020-11-26 Signify Holding B.V. System and methods to share machine learning functionality between cloud and an iot network
US20230041074A1 (en) * 2020-01-10 2023-02-09 Telefonaktiebolaget Lm Ericsson (Publ) Distributed machine learning using network measurements
CN111553404B (zh) * 2020-04-23 2023-05-23 中国电子科技集团公司第五十四研究所 一种通信网络节点自适应动态规划方法
CN111669325B (zh) * 2020-06-09 2022-01-25 南京邮电大学 一种基于能量供给的混合式能量中心簇方法
CN115134221B (zh) * 2021-03-11 2024-05-14 中国电信股份有限公司 终端的质差识别方法及装置、存储介质及电子设备
CN113300457B (zh) * 2021-04-21 2022-06-10 浙江纳特智能网络工程有限公司 基于智能物联的弱电监控系统
CN114615262B (zh) * 2022-01-30 2024-05-14 阿里巴巴（中国）有限公司 网络聚合方法、存储介质、处理器以及系统
CN115349835A (zh) * 2022-08-09 2022-11-18 嘉兴温芯智能科技有限公司 一种动物监护系统和方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101043407A (zh) * 2007-04-05 2007-09-26 华为技术有限公司 传感器网络的数据查询方法和系统以及传感器节点
EP1934851A1 (en) * 2005-08-16 2008-06-25 BAE Systems Bofors AB Network for combat control of ground-based units
CN102076049A (zh) * 2010-12-10 2011-05-25 清华大学 基于势能场的能量平衡的路由方法
KR101057660B1 (ko) * 2008-12-02 2011-08-18 한국전자통신연구원 무선 센서 네트워크를 구성하는 센서 노드의 동작 방법
CN102831193A (zh) * 2012-08-03 2012-12-19 人民搜索网络股份公司 基于分布式多级聚类的话题检测装置及方法
CN102983948A (zh) * 2012-12-19 2013-03-20 山东黄金集团有限公司 一种无线传感网络自适应聚类传输发法及其装置
CN103067900A (zh) * 2011-10-19 2013-04-24 上海海洋大学 认知移动终端无线网络系统及网络自组织方法
CN103262483A (zh) * 2011-02-02 2013-08-21 塔塔咨询服务有限公司 聚集和估计多个网络接口的带宽的系统和方法
CN104636354A (zh) * 2013-11-07 2015-05-20 华为技术有限公司 一种位置兴趣点聚类方法和相关装置
CN105263149A (zh) * 2015-09-29 2016-01-20 上海交通大学 移动无线传感器网络中节点自适应分布式重聚类方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB473061A (en) 1936-03-05 1937-10-05 Adolf Heinrich Rosenthal Light intensity and colour modulating device
JP3293998B2 (ja) * 1994-03-25 2002-06-17 能美防災株式会社 火災報知設備における火災受信機
US7035240B1 (en) 2000-12-27 2006-04-25 Massachusetts Institute Of Technology Method for low-energy adaptive clustering hierarchy
WO2006038163A1 (en) 2004-10-01 2006-04-13 Nortel Networks Limited Segmentation and clustering in a sensor network
FI118291B (fi) * 2004-12-22 2007-09-14 Timo D Haemaelaeinen Energiatehokas langaton anturiverkko, solmulaitteita sitä varten sekä menetelmä tietoliikenteen järjestämiseksi langattomassa anturiverkossa
KR100679250B1 (ko) * 2005-07-22 2007-02-05 한국전자통신연구원 무선 센서 네트워크에서의 클러스터 헤더 자동 선출 방법및 보안 무선 센서 네트워크의 동적 구성 방법
WO2007060698A1 (en) 2005-11-25 2007-05-31 Tessitura Tele Metalliche Rossi Oliviero & C. Srl. Device for protection from accidents
US8107397B1 (en) * 2006-06-05 2012-01-31 Purdue Research Foundation Protocol for secure and energy-efficient reprogramming of wireless multi-hop sensor networks
JP2008078963A (ja) * 2006-09-21 2008-04-03 Univ Waseda 無線センサネットワークの通信方法及びセンサノード
US20100064532A1 (en) 2007-07-31 2010-03-18 Edward Raymond Wittke Chain saw 3D relative positional monitoring and anti-kickback actuation system
KR20090065230A (ko) * 2007-12-17 2009-06-22 한국전자통신연구원 계층 구조를 갖는 무선 센서망 및 이를 위한 라우팅 방법
CN101808289B (zh) * 2010-04-07 2012-09-05 上海交通大学 基于移动汇聚节点的无线传感器网络的数据收集方法
US8855011B2 (en) 2010-07-12 2014-10-07 University Of Southern California Distributed transforms for efficient data gathering in sensor networks
AU2011366152B2 (en) 2011-04-21 2015-06-04 Tata Consultancy Services Limited A method and system for preserving privacy during data aggregation in a wireless sensor network
US8547982B2 (en) * 2011-11-23 2013-10-01 King Fahd University Of Petroleum And Minerals Wireless sensor network with energy efficient protocols
KR102191427B1 (ko) * 2014-01-23 2020-12-15 한국전자통신연구원 센서 네트워크 시스템 및 센서 데이터를 처리하는 방법
JP2015192382A (ja) * 2014-03-28 2015-11-02 パナソニックＩｐマネジメント株式会社 データ収集システム及び通信機器登録方法
CN104981002B (zh) * 2015-05-07 2019-01-22 水利部南京水利水文自动化研究所 一种无线传感器网络中汇聚节点的位置确定方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1934851A1 (en) * 2005-08-16 2008-06-25 BAE Systems Bofors AB Network for combat control of ground-based units
CN101043407A (zh) * 2007-04-05 2007-09-26 华为技术有限公司 传感器网络的数据查询方法和系统以及传感器节点
KR101057660B1 (ko) * 2008-12-02 2011-08-18 한국전자통신연구원 무선 센서 네트워크를 구성하는 센서 노드의 동작 방법
CN102076049A (zh) * 2010-12-10 2011-05-25 清华大学 基于势能场的能量平衡的路由方法
CN103262483A (zh) * 2011-02-02 2013-08-21 塔塔咨询服务有限公司 聚集和估计多个网络接口的带宽的系统和方法
CN103067900A (zh) * 2011-10-19 2013-04-24 上海海洋大学 认知移动终端无线网络系统及网络自组织方法
CN102831193A (zh) * 2012-08-03 2012-12-19 人民搜索网络股份公司 基于分布式多级聚类的话题检测装置及方法
CN102983948A (zh) * 2012-12-19 2013-03-20 山东黄金集团有限公司 一种无线传感网络自适应聚类传输发法及其装置
CN104636354A (zh) * 2013-11-07 2015-05-20 华为技术有限公司 一种位置兴趣点聚类方法和相关装置
CN105263149A (zh) * 2015-09-29 2016-01-20 上海交通大学 移动无线传感器网络中节点自适应分布式重聚类方法

Also Published As

Publication number Publication date
US20190141604A1 (en) 2019-05-09
JP6940522B2 (ja) 2021-09-29
CO2018013181A2 (es) 2019-02-19
BR112018072934A2 (pt) 2019-02-19
US11425628B2 (en) 2022-08-23
WO2017195089A1 (en) 2017-11-16
CN109313841A (zh) 2019-02-05
JP2019522392A (ja) 2019-08-08
ZA201807721B (en) 2019-07-31

Similar Documents

Publication Publication Date Title
CN109313841B (zh) 用于在传感器网络中实现自适应聚类的方法和系统
Preeth et al. An adaptive fuzzy rule based energy efficient clustering and immune-inspired routing protocol for WSN-assisted IoT system
Lau et al. Probabilistic fault detector for wireless sensor network
Priyadarshi et al. Wireless sensor networks deployment: a result oriented analysis
US10003502B1 (en) Integrated wireless sensor network (WSN) and massively parallel processing database management system (MPP DBMS)
Hancke Jr et al. Special Section on Industrial Wireless Sensor Networks
Billet et al. From task graphs to concrete actions: a new task mapping algorithm for the future internet of things
US9794122B2 (en) Method for propagating network management data for energy-efficient IoT network management and energy-efficient IoT node apparatus
Saranraj et al. A novel data aggregation using multi objective based male lion optimization algorithm (DA-MOMLOA) in wireless sensor network
Alejandrino et al. A hybrid data acquisition model using artificial intelligence and IoT messaging protocol for precision farming
Li et al. Layered fault management scheme for end-to-end transmission in internet of things
Qureshi et al. Enhanced robustness strategy for IoT in smart cities based on data driven approach
Jeong et al. Adaptive resource management scheme for monitoring of CPS
Srilakshmi et al. Selection of machine learning techniques for network lifetime parameters and synchronization issues in wireless networks
Misra et al. Knowledge discovery for enabling smart Internet of Things: A survey
Abd Algani et al. Topological Dependencies in Deep Learning for Mobile Edge: Distributed and Collaborative High-Speed Inference
Bhunia et al. Fuzzy assisted event driven data collection from sensor nodes in sensor-cloud infrastructure
Wang et al. RSSI-based node selection using neural network parameterised by particle swarm optimisation
Sangeetha et al. Time situate recurrence estimation technique for efficient data collection in war field sensor network
Kumari et al. Cluster head selection in mobile wireless sensor networks: a survey
Dhivya et al. Cluster based approximate data collection for wireless sensor networks
Chen et al. An intersection-based coverage algorithm for PEGASIS architecture in wireless sensor networks
Khan et al. Deployment of sensors to optimize the network coverage using genetic algorithm
de Oliveira et al. An energy-aware data cleaning workflow for real-time stream processing in the internet of things
JP2017038148A (ja) ツリー経路決定装置、及びツリー経路決定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant