節點信息重要程度耦合能耗聯合判斷機制的WSN關鍵點裁決算法
2016-04-12 00:00:00張繼成黃向黨羊秋玲
現代電子技術 2016年21期
摘 要： 針對現有的無線傳感網絡的關鍵點裁決過程中指標判定單一，判斷過程復雜，難以改善區域內數據傳輸和匯聚性能的不足，提出節點信息重要程度耦合能耗聯合判斷機制的WSN關鍵點裁決算法。利用無線傳感節點之間的層次關系，通過節點信息重要程度實現對節點與鄰居節點的信息交互，獲取該節點信息對整個網絡關鍵程度的估計計算，并得到數字特征值；隨后根據當前節點的能耗水平及節點與下層節點之間的關聯，設計了能耗聯合判斷機制，結合數字特征值及節點發送數據的能耗增加量，最終獲取關鍵點裁決因子，通過排序實現了傳感網內關鍵點的準確判斷。仿真實驗表明，與當前WSN關鍵點裁決算法相比，該算法挖掘了更多的裁決關鍵點數量，降低了對網絡運行的性能影響，其網絡擁塞發生時間更低，網絡數據匯聚帶寬總利用率與穩定運行時間更高。
關鍵詞： 無線傳感網絡； 關鍵點裁決； 節點信息重要程度； 數字特征值； 能耗聯合判斷機制； 裁決因子
中圖分類號： TN711?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2016）21?0015?06
WSN key point decision algorithm based on node information importance degree
and energy consumption joint judgment mechanism
ZHANG Jicheng1， HUANG Xiangdang2， YANG Qiuling2
（1. Yangtze University College of Technology Engineering， Jingzhou 434020， China；
2. College of Information Science and Technology， Hainan University， Haikou 570228， China）
Abstract： Since the key point decision of the available wireless sensor network （WSN） has unified decision indicator and complex decision process， and it is difficult to improve the insufficient of data transmission and convergence performance in the region， a new WSN key point decision algorithm based on node information important degree and energy consumption joint judgment mechanism is proposed. The hierarchical relationship among the wireless sensor nodes and node information important degree are used to realize the information interaction of current node and neighbor node. The node information is acquired to estimate and calculate the criticality of the whole network， and obtain the numerical character value. According to the energy consumption level of current node and correlation between current node and underlayer node， the energy consumption joint judgment mechanism was designed. In combination with the energy consumption increment of node sending data and numerical character value， the key point decision factor is acquired. The sensor network key point is judged accurately with sorting. The results of simulation experiment show that， in comparison with the available WSN key point decision algorithm， the proposed algorithm mined more key point quantity for decision， reduced the performance influence on network operation and network congestion occurrence time， and improved the whole bandwidth utilization of network data aggregation and stable running time.
Keywords： wireless sensor network； key point decision； node information important degree； numerical character value； energy consumption joint judgment mechanism； decision factor
0 引 言
隨著無線傳感技術的不斷發展，無線傳感網廣泛地運用于工業生產、環境監控、應急管理等領域，發揮了良好的社會及經濟效益[1]。然而，無線傳感網技術也存在很多的局限性，特別是因節點能量受限或因環境惡劣而導致節點失效時，整個網絡的運行質量會受到很大的影響[2]。為降低這種現象的發生，通過一定的算法和檢測技術對無線傳感網中關鍵性節點進行判斷裁決，并且對這些節點進行重點保障，能夠有效地提升網絡的運行質量，降低網絡因節點失效而出現運行不暢的現象[3?4]。
對此，研究者提出了很多基于能量調控機制的WSN網絡關鍵點裁決算法，常用的指標有精密程度與度量連通度等裁決指標，在網絡性能良好時能夠有效地對關鍵點進行裁決。如文獻[5]提出了一種基于聚類思想的中心評估裁決算法，通過對網絡中節點的信息收發性能及功率裁決，實現了對網絡關鍵點的初步裁決，其精度達到了很高的水平。但是，該算法由于沒有考慮到節點能量受限情況，在網絡節點收發強度較大時，其裁決收斂性能較差，容易導致節點失效。文獻[6]提出了一種基于等級質量遞歸的節點裁決機制，通過對網絡中全部節點建立等級信息表，優先保障等級質量較高的節點，實現了對關鍵點的迅速裁決，裁決的時間成本很低。然而引入周期輪詢機制后，由于需要按周期對網絡中全部節點進行輪詢，并對先前輪詢的結果進行更新，當網絡節點采集頻率較高時，裁決的精確度也會隨之降低。楊國寧等提出了一種基于能量閾值控制的WSN關鍵點裁決算法[7]，通過網絡中節點的能量剩余消耗周期來評估其關鍵，對于選取的節點而言，能夠高效地將該節點從節點集合中選取出來。但是，由于單純采取能量閾值的機制對節點能量進行評估，容易將一些休眠節點作為關鍵點加入需要維護的關鍵集合中，形成大量的誤判節點，增加了網絡的維護開支。
為解決上述難題，考慮到單純使用一種指標進行裁決將存在較大的弊端，本文提出了基于節點信息重要程度及節點能耗聯合判斷機制的WSN關鍵點裁決算法，通過綜合考慮當前節點的能耗水平及節點與節點信息之間的影響程度，得到關鍵點的詳細數字特征，并綜合能耗增加因素進行關鍵點裁決，從而實現了對網絡中關鍵點的判定。最后通過NS2仿真平臺對本文算法進行仿真實驗。
1 網絡拓撲結構模型及能量傳輸模型
由于WSN網絡節點之間的通信采用無線射頻信號進行信息傳輸及數據傳輸，因此，對于某個節點而言，其通信范圍內能影響的節點數目越大，則其在網絡中的重要程度也就越高。此外，由于WSN網絡節點屬于一次性部署，一旦節點能量耗盡，則不但自身失效，同時與之相關的節點也都會受到很大影響[8]。現有基于單一重要程度裁決的算法中僅僅考慮自身能量的限制因素，當節點性能受限時，容易導致裁決缺失的現象發生，因此需要綜合能量及其他節點信息的情況實現關鍵點的裁決[9]。
1.1 網絡拓撲結構模型
由于無線傳感網均采用大規模節點部署方式進行傳感數據的采集、匯聚、上傳，最終傳輸到sink節點中進行數據處理，其中除了sink節點外，其他節點的能量均受限制；網絡節點按照sink節點中保存的路由表跳數進行層次劃分，傳感數據通過各層節點的匯聚，實現傳感數據的分層匯聚[10]，如圖1所示。
為方便研究，本文做如下的模型假設：
（1） 除第一層傳感節點外，其余傳感節點均需要通過其他節點的匯聚實現數據的傳輸，且各個傳感節點在不同的時間內，對周圍環境數據的采集頻率、強度、功率均有所不同；
（2） sink節點除了可以將全部的傳感數據匯聚到自身緩存中之外，還可以保存任意一個傳感節點詳細的坐標信息；
（3） 每一個層次的傳感節點在進行數據匯聚過程中不具備獨立性，當前某個傳感節點一旦因節點能量耗盡而難以正常工作時，對該節點所處層次的上下各層節點的數據匯聚均有顯著的影響。
1.2 能量傳輸模型
由于無線傳感網的傳感節點是通過無線射頻信號方式進行數據傳輸，因此其能量的消耗主要用于數據的接收和發送[11]。本文采用的能量模型為簡單收發模型，對于第[i]層傳感節點而言，發送數據所消耗的能量大小[Ei（k）]為：
[Ei（k）=Psend+kR3Pnest] （1）
式中：[Pnest]為第[i-1]層中負責匯聚的節點在當前時刻接收數據的功率；[Psend]為第[i]層傳感節點在當前時刻發送數據時的功率；[R]為第[i]層傳感節點的最大通信半徑；[k]為該時刻發送數據的節點發射的數據總量，單位為bit。
則第[i-1]層中負責匯聚的節點在當前時刻接收數據消耗的能量[Ei（k，i-1）]為：
[Ei（k，i-1）=R3Pnest] （2）
從模型（1）和模型（2）中可知，基于分層結構的WSN網絡在進行數據匯聚時，發射節點的能量消耗與接收節點的能量消耗均呈現一定的三次方關系； 因傳感節點的射頻信號在空間中以球面傳播形式進行傳播，信號的衰減也呈現三次方關系。對于發射節點而言其能量的消耗還與其負責發送的數據量有關，數據量越大消耗的能量也就越大。此外，對于發射節點和接收節點而言，其相應的發射功率和接收功率與當前發送的數據特別是網絡控制信息及寫入緩存的數據信息等有密切的關系。因此，在實際中可以通過一定的能量處理機制，對節點在收發信息時的能量進行調整，以便降低節點在收發信號時的功率水平，從而達到降低節點能耗的目的。
2 本文WSN關鍵點裁決算法設計
根據前面提及的網絡拓撲結構模型及能量傳輸模型，本文提出了一種基于區域數據及能耗判斷機制的WSN關鍵點裁決算法（Point Decision Algorithm based on Regional Data and Energy Consumption，RDEC算法），整個算法通過節點信息及能耗判斷，綜合得出節點相對于整個網絡的關鍵程度，從而實現對關鍵點的精確裁決，整個算法過程由節點信息重要程度判斷、能耗程度判斷、關鍵點裁決三個部分構成，如圖2所示。
2.1 節點信息重要程度判斷
在判斷某個關鍵點對于網絡是否重要時，該節點與周圍節點的信息交互情況是非常重要的決策因素[12]。對于某個節點而言，其節點信息的重要程度主要由三個因素決定：一級連通程度，即當前節點與周圍節點的連接程度；二級連通程度，即周圍節點與其他節點的連通程度；信息交互度，即當前節點與其他節點在除數據匯聚之外尚有其他信息交互時的信息交互程度。通過綜合考慮上述三種因素，得到節點信息重要程度的數字特征，即節點信息裁決因子[η]。
對于任意無線傳感網拓撲結構圖[G=
[ηi=v∈Vvij] （3）
其中[v]為[V]中任意一個節點。
此外[vij]滿足如下的關系：
[vij=1] （4）
當僅當節點[i]與節點[j]間存在無向邊時，模型（4）成立。
通過[ηi]可知，與節點[i]發生信息交互的節點個數越多，節點[i]的重要程度也就越高；但是，由于該項指標無法準確反映與節點[i]相鄰的其他節點的狀況，而相鄰節點的運行狀況對節點[i]也會有重要影響，因此單獨的[ηi]無法準確地對節點重要程度進行評估，需要綜合節點[i]的相鄰情況進行修正。
設[ηij]為節點[i]相鄰的全部節點[j]的度數，并設[ηj]為[j]的一級連通程度，則：
[ηij=jηj] （5）
綜合模型（3）與模型（5），可得節點[i]的總連通程度[μi]滿足如下的表達式：
[μi=ηi+ηij] （6）
節點[i]的總連通程度反映了節點[i]與周圍節點的聯系情況，特別是在一級連通程度基礎上修正后的二級連通程度，不僅能反映節點[i]將數據匯聚到其他節點的情況，而且能夠體現其他與節點[i]相鄰的節點進行數據匯聚的情況。從圖論[13]角度而言，模型（6）僅僅反映了各個節點之間的邊集合關系，難以反映節點間的緊密程度，故本文定義節點[i]的緊密系數[ξi]為：
[ξi=Ei_maxηi] （7）
式中：[ηi]的定義同模型（3）；[Ei_max]表示節點[i]所屬層次的節點最大的一級連通程度，[Ei_max]可以通過模型（3）的定義，不斷遞歸第[i]層節點而計算得到，當節點[i]的層次已定時，[Ei_max]為一個常數。顯然[ξi]的數值越小，則節點[i]與相鄰節點的緊密程度更高。
綜合模型（3）和模型（7）可形成同時反映節點[i]連通程度及緊密程度的數字特征值[ωi]：
[ωi=ξi×μi] （8）
在模型（8）中，緊密系數[ξi]越大，則[ωi]越大，節點的總連通程度[μi]越大，則[ωi]也就越大；且[ξi]與[μi]呈現明顯的正相關關系。通過模型（8）可知，某個節點[i]對整個網絡的重要程度，通過數字特征值[ωi]不但可以裁決出連通程度很高的關鍵點，還可以將本身連通程度不高，但緊密程度非常高的關鍵點裁決出來，判斷過程中不需要對網絡整體進行評估，僅需要對節點相鄰的區域內的全部節點進行評估，即可得到該關鍵點的數字特征，在進行網絡保障過程中，選取數字特征值較大的節點進行重點保障，即可以達到增強網絡數據傳輸性能的目的。
2.2 能耗聯合判斷機制
由于整個網絡中傳感節點進行數據匯聚采用層層匯聚的方式，當某個節點[i]因能量消耗殆盡而導致無法上傳數據時，其他需要通過節點[i]進行數據匯聚的節點就需要根據2.1節所示的節點信息重要程度判斷的方式，通過再次計算相應的數字特征值獲取關鍵點。與采用原有節點[i]進行匯聚相比，在選取過程中，獲取的新數據匯聚路徑的能耗會增加，顯然該增加部分越大，說明原節點[i]的重要程度越高。
當節點[i]暫時無法正常工作時，其下級的各個節點就需要重新在節點[i]對應的層次中重新尋找其他節點作為替代，以便進行數據匯聚傳輸。因此，本文將節點[i]作為匯聚節點，其需要被替代的概率[Pr（i）]定義為：
[Pr（i）=Elast（i）Eall（i）ηi] （9）
式中：[ηi]的定義同模型（3）；[Elast（i）]表示節點[i]的剩余能量大小；[Eall（i）]表示節點[i]在初始時刻的總能量大小。
若節點[i]的剩余能量越大，且連通程度越小，則[i]繼續承擔數據匯聚功能的可能性也就越大。設節點[j]為節點[i]的下層節點，據模型（9）可知，節點[j]需要重新選擇匯聚節點的概率[Pr（i）]為：
[Pr（i）=Pr（i）k∈iPr（k）] （10）
式（10）反映了第[i]個節點在出現故障時，綜合考慮其他同層節點的歸一化因素以后被替代的概率，其中[k]表示與節點[i]處于同一層節點的全部其他節點。
設節點[i]在[t]時刻失效，則當前時刻其下層節點傳輸[l]比特數據消耗的能量[E（l，t）]為：
[E（l，t）=Ei（l）i=1MPr（i）i=t] （11）
式中：[Pr（i）i=t]表示[t]時刻時[Pr（i）]的數值；[M]表示節點[i]的全部同層節點的集合（[i]除外）。
根據模型（11）可知，當節點[i]下一時刻（即[t+Δt]時刻）失效時，其下層節點在發送[l]比特數據時，額外需要增加的能量大小[ΔE（l，t）]滿足：
[ΔE（l，t）=E（l，t+Δt）-E（l，t）] （12）
將上述模型簡化為：
[ΔE（l，t）=Ei（l）i=1MPr（i）i=t+Δt-i=1MPr（i）i=t] （13）
模型（13）反映了當某個匯聚節點[i]失效后，該節點在能耗上對網絡的重要程度，該數值越大，則說明節點[i]的重要程度越高。
2.3 關鍵點裁決
綜合評估某個節點的重要程度時，僅僅以某一方面的重要程度作為裁決該節點是否隸屬于關鍵節點會存在較大的不足。因此，需要結合節點信息重要程度及能耗重要程度進行綜合判斷。本文算法在關鍵點裁決的過程中，綜合上述兩個因素，給出的關鍵點裁決因子[f（i）]為：
[f（i）=（ωi）m1[ΔE（l，t）]m2] （14）
其中，[m1+m2=1，][m1]和[f（i）]為裁決因子，介于0～1之間。
將模型（8）和模型（12）代入模型（14），則關鍵點裁決因子為：
[f（i）=（ξi×μi）m1Ei（l）i=1MPr（i）i=t+Δt-i=1MPr（i）i=tm2] （15）
在進行關鍵點裁決時，可以根據關鍵點裁決因子[f（i）]的大小進行升序排序，數值越大者，其關鍵程度越高，需要給予重點保障。
本文算法流程如圖3所示，步驟如下：
Step1：首先進行網絡初始化，根據距離sink的跳數多少，從大到小對節點進行層次排序，相同大小跳數的節點歸入同一層。進行完層次排序之后，各個節點將自身路由信息發送至sink節點進行信息備份；
Step2：每個節點依次按照模型（3）～（6），計算自身的總連通程度，并結合模型（7）計算得到的數字特征值；
Step3：得到數字特征后，每個節點依次對下級的各個節點進行統計匯總，按照模型（9）～（13）計算得到自身的能耗重要程度；
Step4：通過Step3，Step4 得到相關參數，代入模型（15）進行關鍵點裁決因子計算；
Step5：再對各個節點的關鍵點裁決因子進行排序，并將結果發送到sink節點中進行保存，數值越大的節點其重要程度越高，網絡維護時，將重點保障這些節點的穩定可靠運行。
3 仿真實驗
由于無線傳感網中各個節點是采取分層結構進行組織的，上一層節點均承擔下一層節點的數據匯聚任務。其中各個層次的關鍵點需要承擔更多的數據匯聚任務，當這些關鍵點因故障無法正常工作時，整個網絡的運轉也將受到極大的影響。因此本文仿真實驗主要從關鍵點裁決數量、網絡擁塞發生時間、網絡數據匯聚帶寬總利用率、網絡穩定運行時間四個指標出發，同當前廣泛用到的ENCAST算法[14]、CNDBE算法[15]進行對比，以便驗證本文算法的優勢。本文仿真采取NS2仿真平臺，詳細仿真參數見表1。
3.1 關鍵點裁決數量
在不同網絡節點分層數量情況下，三種算法的關鍵點裁決數量測試結果，如圖4所示。由圖4可知，隨著網絡節點最大分層數量的不斷增加，網絡結構逐漸復雜，本文算法在裁決關鍵點的數量上始終優于ENCAST算法、CNDBE算法。這是因為傳感網絡關鍵點的數量與結構復雜程度密切相關，隨著網絡結構的逐漸復雜，網絡中關鍵點的數量也逐漸增加。而本文算法采取基于節點信息重要程度及節點能耗聯合判斷機制，因此能夠有效地從網絡中篩選出關鍵點，隨著網絡結構逐漸復雜，能夠篩選出的關鍵點數量也就越來越多。而ENCAST算法、CNDBE算法僅僅從單一方面進行篩選，對于其他不同類型關鍵程度的節點容易遺漏。
3.2 網絡擁塞發生時間
在網絡節點密度不斷增加的情況下，三種關鍵點裁決算法的網絡擁塞發生時間測試結果，如圖5所示。由圖5可知，隨著網絡節點密度的不斷增加，ENCAST算法、CNDBE算法的網絡擁塞發生時間也不斷增加，而本文算法的網絡擁塞時間處于相對穩定的狀態。這是因為隨著網絡節點密度的增加，傳感節點采集的數據量也呈現出不斷增加的態勢，使得每層節點向上匯聚的數據量也不斷增加。而本文算法是綜合信息重要程度及節點能耗兩個方面同時對承擔匯聚功能的關鍵點進行裁決，在進行網絡維護時，能夠根據裁決因子的高低對最容易發生故障的關鍵點進行重點維護，且能夠裁決出的關鍵點數量要高于單一裁決因素時的數量，因此能夠有效防止承擔匯聚功能的關鍵點發生的故障，從而降低了網絡擁塞發生的頻率，延緩了網絡擁塞發生時間。
3.3 網絡數據匯聚帶寬總利用率
在網絡節點分層數量不斷增加的情況下，本文算法、ENCAST算法、CNDBE算法的網絡數據匯聚帶寬總利用率測試結果，如圖6所示。由圖6可知，隨著網絡節點分層數量的不斷增加，本文算法的網絡數據匯聚帶寬總利用率始終優于ENCAST算法、CNDBE算法。這是因為無線傳感網的匯聚帶寬是由各個關鍵點匯聚的總帶寬決定的，當關鍵點上出現擁塞現象導致網絡數據匯聚受阻時，網絡數據匯聚帶寬總利用率也會不斷下降。而本文算法從信息重要程度及節點能耗兩個方面入手，通過提高對關鍵點的裁決程度，在裁決出承擔匯聚功能的各個關鍵點的同時，對這些節點進行排序，從而做到重點保障數據匯聚節點的正常匯聚，最終降低了網絡數據匯聚帶寬總利用率的減緩程度。而ENCAST算法、CNDBE算法由于無法高效裁決出關鍵點，當這些關鍵點因故障不能發揮作用時，因其未能檢測到這些關鍵點而無法按關鍵點的保障標準對這些節點進行保障，導致這些節點在發生故障后無法正常的進行修復，從而導致網絡數據匯聚受阻，使其帶寬總利用率下降幅度也隨之擴大。
寬總利用率測試結果
3.4 網絡穩定運行時間
在網絡節點密度不斷增加的情況下，本文算法與ENCAST算法、CNDBE算法的網絡穩定運行時間測試結果，如圖7所示。由圖7可知，隨著網絡節點密度的不斷增加，ENCAST算法、CNDBE算法對應的網絡穩定運行時間呈現不斷下降的趨勢，而本文算法對應的網絡穩定運行時間始終處于基本穩定不變的態勢。這是因為無線傳感網主要承擔數據采集和匯聚工作，特別是當數據匯聚過程受阻時，網絡處于擁塞狀態，從而導致網絡穩定運行時間下降。本文算法由于能夠將承擔匯聚工作的各個關鍵點裁決出來，且裁決出的關鍵點數量要高于對照組算法（見圖4），因此，本文算法能夠盡可能多的將關鍵點裁決出來并保障其運行，當網絡出現擁塞現象時，能夠更多地實現對故障點的覆蓋，因此大大降低了因擁塞等發生而導致的網絡難以穩定運行的情況。而ENCAST算法、CNDBE算法是單純從某個方面對網絡中關鍵點進行裁決，導致關鍵點裁決出的數量過少，當剩余未被裁決出來的關鍵點因故障而無法工作時，由于sink信息表中沒有這些關鍵點的信息，因而難以對這些關鍵點進行保障，從而導致網絡因故障因素影響到網絡穩定運行時間，出現時間不斷下降的現象。
4 結 語
本文提出了一種基于節點信息重要程度及節點能耗聯合判斷機制的WSN關鍵點裁決算法，主要通過綜合評估節點信息重要程度及節點能耗來判斷某個節點對整個網絡的關鍵程度，當網絡進行初始化之后，對于任意一個網絡節點，均根據其與周圍節點的信息交互程度及其他下層節點在該節點出現故障而不能工作時的能量開銷增加值來進行裁決因子的計算，且通過排序對其數值最大值的節點進行重點保障，從而實現對網絡中關鍵點盡量多的全覆蓋。仿真實驗表明，與常用的ENCAST算法、CNDBE算法相比，本文提出的算法能夠在同一傳感網絡中盡量多的挖掘出關鍵點，且對網絡各項性能指標有明顯的改善，具有較好的實踐價值。
注：本文通訊作者為黃向黨。
參考文獻
[1] JENKINS R， BURTON A M. A survey of 100% energy accuracy in WSN [J]. Autonomous robots， 2013， 451（31）： 435?441.
[2] CHEN D， Lü L， SHANG M S， et al. Identifying influential nodes in complex networks [J]. Fuel energy abstracts， 2012， 391（4）： 1777?1787.
[3] RUSEK F， PERSSON D， LAU B K. Scaling up WSN：opportunities and challenges with very large arrays [J]. IEEE signal process magazine， 2012， 30（1）： 40?46.
[4] ZHANG X， ZHU J， WANG Q， et al. Identifying influential nodes in complex networks with community structure [J]. Knowledge?based systems， 2013， 42： 74?84.
[5] WANG J S， WU X P， YAN B， et al. Improved method of node importance evaluation based on node contraction in complex networks [J]. Proscenia engineering， 2011， 15（8）： 1600?1604.
[6] GAO C， LAN X， ZHANG X G， et al. A bio?inspired methodology of identifying influential nodes in complex networks [J]. PloS One， 2013， 8（6）： 1?11.
[7] 楊國寧，馮秀芳，樊劉娟.一種基于最優融合集的多傳感器數據融合算法[J].軟件學報，2012，23（2）：134?140.
[8] 鄔厚民.無線傳感網絡中能量和距離改良的LEACH分簇算法[J].中國測試，2012，38（5）： 62?66.
[9] WANG L， GENG X. A community?driven hierarchical message transmission scheme in opportunistic networks [J]. Smart computing review， 2011， 1（1）： 85?94.
[10] AMMARI H M， DAS S. A study of k?coverage and measures of connectivity in wireless sensor networks [J]. IEEE transactions on computers， 2010， 59（2）： 258?267.
[11] CHEN A， KUMAR S， LAI T H. Local barrier coverage in wireless sensor networks [J]. IEEE transactions on mobile computing， 2010， 9（4）： 491?504.
[12] 方富貴.圖論的算法和應用研究[J].計算機與數字工程，2012，8（2）：52?57.
[13] 劉建國，任卓明.復雜網絡中節點重要性排序的研究進展[J].物理學報，2013，62（17）：178?184.
[14] HAO X C， JIA N， LIU B. Multi?path optimizing routing protocol based on predicting congestion for wireless sensor network [J]. Journal of electronics information technology， 2011， 33（5）： 1261?1265.
[15] 劉彬，王文吉，李雅倩，等.基于能量因素的無線傳感網絡關鍵節點判定算法[J].電子與信息學報，2014，36（7）：1728?1734.
