無線傳感器網絡中數據匯聚方案的研究

周 林，陳揚揚

(重慶郵電大學通信與信息工程學院，重慶400065)

無線傳感器網絡是由大量傳感節點構成，能夠相互協作，實時地感知、采集和監測網絡覆蓋區域的信息［1］。因為大量的傳感器節點隨機分布，會出現相鄰節點的監測區域是交叉重疊的，所以會獲得一些相似數據。而傳感節點能量有限、存儲有限。節點能量制約著網絡的生存周期，存儲過多數據會導致網絡擁塞。傳感器所消耗能耗中，數據傳輸占了絕大部分，因此大量數據傳輸就會過多地消耗傳感器的能量，縮短網絡的壽命。為了避免這些問題，在數據采集的過程中，人們采用了數據匯聚技術。這樣既可以有效地利用電源能量，又提高了帶寬利用率。

數據匯聚就是利用傳感器節點本地的處理能力，把采集到的大量原始數據進行篩選、合并的過程。節點在傳輸之前，先去除冗余的數據，只將有用的結果傳輸到SINK節點。數據匯聚利用了不同的時間與空間資源，把按照時序采集到的數據在一定的規則下進行分析、綜合，它生成的結果更加準確、及時、有效。用戶一般不關心單個傳感器節點的數據，只對監測區域的環境變化感興趣。數據匯聚就可以滿足這樣的需求，對監測目標做出有效的評估。數據匯聚具有自適應的能力，每一輪數據采集的過程中，動態地調整［2］。選擇出合適的簇頭，這將有助于提高數據采集的效率和節省能量。

1 數據匯聚策略

本文的研究是在分簇網絡拓撲結構中，如圖1所示，選擇簇頭作為匯聚節點，簇頭不僅要感知數據，同時還要在簇間進行數據的傳輸。匯聚位置的選擇也至關重要，如果只在終端節點進行匯聚，這會影響到數據的準確性;如果只在匯聚節點進行匯聚，將會造成無線信道的擁塞。

圖1 分簇網絡結構

1.1 網絡模型的構建

假設有N個傳感器節點隨機部署在正方形區域A(l×l)中，傳感器網絡被分成若干個簇，一個簇中包含了一個簇頭和若干個簇成員節點。簇成員只負責采集和傳遞數據，而簇頭除了具備傳感節點的功能外，還要對簇內的成員進行管理。建立如下網絡模型［3］:

1)觀測區域A是一個靜態的網絡，傳感節點和Sink節點在分布后就固定不變。Sink節點位于觀測區域附近，這些節點分布不均勻。

2)除了Sink節點外，傳感節點和簇頭節點是同構的，每個節點都有自己的ID號。

3)鄰近的節點在同一時刻采集到的數據具有相似性，每個節點都可以進行數據匯聚。

4)節點周期性的采集數據，并做出決策是否轉發每次的數據。

5)節點能夠獲取自身的位置信息。

1.2 簇頭的選擇機制

分簇網絡結構能夠節省能量，簇頭的節點通常是采用多跳的方式與下一跳簇頭或者Sink節點通信。LEACH算法［4］中節點的位置和能量是未知的，簇頭的選擇是隨機的，該算法在統計上是均勻的，但是實際上簇頭的分布是不均勻的。一方面如果簇頭偏離了大多數節點，這樣簇內數據傳輸能耗就會增加。另一方面如果剩余能量少的節點被選舉為簇頭，會很快耗盡能量。因此LEACH算法不能保證網絡內的能耗均衡，會導致部分節點過早地耗盡能量，降低網絡的穩定性。因此本文動態地選擇簇頭［5］，可以有效地克服以上的缺陷。當選的簇頭節點就會廣播消息，通知周圍節點加入該簇。網絡中的節點布置好之后，節點間進行信息交換，可以獲取鄰近節點位置和到Sink節點距離的信息。由于簇頭節點不僅要進行簇內節點的數據融合，還要轉發簇間的數據，所以簇頭節點能量消耗較多。如果不合理地選擇簇頭，其續航能力有限，很快成為死亡節點，影響整個網絡的生命周期。假設一個區域m個節點啟動并且初始化，每個節點都開始競選簇頭。每個節點成為簇頭的優先權值P(i)，P(i)與節點的密集程度和剩余能量成正比例關系。P(i)的值越大，節點成為簇頭的概率也越大。

式中:節點i密集程度為Di，周圍有m個鄰居節點。節點i與旁邊的第t個鄰居節點的距離為dt，鄰居節點與它都是單跳連接的。而節點i覆蓋的區域半徑為r。節點當前的剩余能量為Espare(i)，μ為能量權重，λ為密集權重。由式(1)，(2)可以推導出每個節點成為簇頭的概率，概率較大的就成為了簇頭節點。然后簇頭開始廣播成簇的消息［6］，廣播消息包含簇頭ID、剩余能量、傳輸跳數k，在簇頭的傳播過程中跳數遞減，直到為零。同一個節點可能收到附近幾個簇的成簇消息，根據信號強度大小決定加入哪個簇。過了一段時間后，Sink節點發動新一輪的傳輸消息，無線傳感網絡進入下一個數據采集周期，要求再次選舉簇頭，每個節點根據自身的狀況計算優先權值，從而選出新的簇頭。

1.3 數據匯聚算法

現有的算法絕大部分是在簇頭進行數據聚合的，但是簇內的成員節點在數量上具有絕對優勢，所以本文提出在簇內節點匯聚的一種算法，它能更有效地減少數據的傳輸量。之前也有TEEN算法［7］設置軟硬門限值，用來確定是否發送監測數據。但是該算法對監測數據的不確定性，在概率統計上缺乏科學的度量，并且不適合用在周期性采集的系統中。本文提出簇內節點比較前后兩次接收的數據的差別，求出該節點新鮮性信息熵［8］，如)

式中:x'是當前采集到或者接收到的數據;x是前一次采集到或者接收到的數據。并且根據目標區域的特征建立一個樣本，x和x'從樣本(x1，x2，x3…，xn)中取值。同時滿足

F的結果越小代表節點前后兩次接收到的信息越相似，即存在著很大的冗余性，需要對重復的信息進行去除。這里設置一個閾值m，當F≥m時，說明數據比較新鮮，中間節點就應該把數據向上游節點傳送;當F＜m時，說明數據冗余，就不發送數據，但是把數據記錄在節點中，用來與下次發送的數據進行比較。在一段時間內，當簇頭節點接收到簇內成員節點的數據包后，通過進一步的處理，把相同的包頭開銷去掉［9］，保留有用的信息。然后把有用的信息聚合在一起再加上包頭，傳送到下一個簇頭或Sink節點。

傳感器節點在一輪數據采集中，如果監測的物理量沒有明顯的變化，那么節點就不會與匯聚節點通信，用戶就不能周期性采集到數據。為了避免這種情況發生，就需要對采集的數據取平均值。在一輪采集周期結束時，把平均值發送給簇頭節點。傳感器匯聚的算法執行中也要有學習過程［10］，Sink節點接收到的數據的性質和變化規律不同，就需要設置一個不同的閾值m。服務器分析接收到數據的準確性，調整閾值m并反饋給簇內成員節點。然后傳感器節點根據調整后閾值來發送數據，提高監測結果的準確性。

2 仿真實驗

從節點的平均能耗和存活數量進行分析對比。選擇120個相同的傳感器節點，非均勻地隨機部署在100 m×100 m的環境中。其中簇頭所占的比例為5%，Sink節點的位置為(60 m，55 m)。每個傳感器節點能夠覆蓋的半徑為1 m，初始能量為2 J。μ=λ=1，用戶監測到的物理變量取5個樣本值，事件對應發生的概率為0.15，0.2，0.3，0.2，0.15。信息的閾值m取0.065，當新鮮性信息熵大于該值時就把本次的數據發送出去。

圖2顯示了在800 s的仿真時間內每個節點平均消耗的能量。從圖中可以看出采用新鮮性信息熵算法明顯降低了能耗，節約了近20%的能量。這是因為LEACH算法中傳感器節點的數據不聚合，傳送到簇頭節點再匯聚。而新鮮性信息熵算法在簇內的傳感節點就進行匯聚，只發送變化顯著的數據，這樣就減少了數據量，從而節約了能量。

圖2 單個節點平均消耗的能量

圖3 顯示改進算法與LEACH算法隨時間變化節點存活數量的比較，在0～300 s傳感器網絡剛開始工作，所有節點能量都很充足，死亡的節點很少，兩種算法也相差不大。在500 s以后，改進算法比LEACH算法有明顯的改進。這是因為改進算法根據剩余能量和密集程度來選擇簇頭，能量較多的節點被選擇當簇頭的概率增加，這樣能耗就比較均衡。同時傳感節點比較信息熵值減少了傳送的數據量，從而使整個網絡的能量消耗更加合理，增加了網絡中節點存活的數量。

圖3 節點存活數量

3 小結

由于傳感器節點密集分布，監測區域的物理量大部分時間保持穩定狀態，以及相鄰的傳感器節點對同一目標區域采集相似的結果［11］，所以傳感器網絡的數據有很大的冗余性。過多的數據傳輸要消耗能量，會影響網絡的生命周期。本文提出根據節點的密集程度和新鮮性信息熵的概念來選舉簇頭，然后簇頭廣播成簇消息，附近的節點自動加入簇結構。與LEACH算法相比，能耗更加均衡，剩余能量較少的節點被選為簇頭的概率降低，因此可以減少節點的死亡。同時簇內的成員節點采用了新鮮性信息熵算法，對沒有顯著變化的數據暫存本地節點中不發送，這樣就有效地減少了數據的發送。仿真實驗表明改進算法明顯減少了能量消耗，延長了網絡壽命。在以后的工作中，數據的安全和數據延遲還有待于進一步研究。

［1］崔遜學，左從菊.無線傳感器網絡簡明教程［M］.北京:清華大學出版社，2009.

［2］HUA C，YUM T S.Optimal routing and data aggregation for maxinizing lifetime of wireless sensor networks［J］.IEEE/ACM Trans.Networking，2008，16(4):892-903.

［3］李菲菲，徐汀榮.基于能量感知的雙簇頭數據收集協議［J］.計算機工程與設計，2011，32(7):2290-2293.

［4］HEINZELMAN W，CHANDRAKASAN A，BALAKRISHNAN H.Energyefficient communication protocol forwireless micmsensor networks［C］//Proc.the 33rd Annual Hawaii Int’t Conf.on System Sciences.Maui:IEEE Computer Society，2000:3005-3014.

［5］李敏，羅挺，周俊.一種無線傳感器網絡動態成簇數據融合算法［J］.計算機系統應用，2011，20(7):61-64.

［6］孫凌逸，黃先祥，蔡偉，等.基于神經網絡的無線傳感器網絡數據融合算法［J］.傳感技術學報，2011，24(1):122-126.

［7］MANJESHWAR A，AGRAWAL D，MANJESHWAR A，et al.TEEN:a protocol for enhanced efficiency in wireless sensornetworks［C］//Proc.the 15th Parallel and Distributed Processing Symp.San Francisco:IEEE Computer Society，2001:2009-2015.

［8］張強，盧瀟，崔曉臣.基于分簇的無線傳感器網絡數據聚合方案研究［J］.傳感技術學報，2010，23(12):1778-1782.

［9］陳妍.無線傳感器網絡MAC層數據融合的研究［J］.湖北工業大學學報，2011，26(5):81-84.

［10］彭愛平，郭曉松，蔡偉，等.基于估計機制的分簇傳感器網絡數據融合算法［J］.傳感技術學報，2011，24(1):128-133.

［11］林蔚，祝啟龍.無線傳感器網絡節能型數據融合算法［J］.哈爾濱工程大學學報，2011，32(10):1386-1389.