不可靠鏈路下基于壓縮感知的WSN數據收集算法

2016-11-24 06:59:19張策張霞李鷗梅關林韓哲張大龍劉廣怡

通信學報 2016年9期

張策，張霞，李鷗，梅關林，韓哲，張大龍，劉廣怡

（1. 解放軍信息工程大學信息系統工程學院，河南鄭州 450001；2. 鄭州大學信息工程學院，河南鄭州 450001）

張策1，張霞1，李鷗1，梅關林1，韓哲1，張大龍2，劉廣怡1

（1. 解放軍信息工程大學信息系統工程學院，河南鄭州 450001；2. 鄭州大學信息工程學院，河南鄭州 450001）

為了解決WSN中基于壓縮感知（CS, compressive sensing）的數據收集方法會受不可靠鏈路影響的問題，首先通過實驗對基于CS的數據收集算法中數據重構信噪比與鏈路誤碼率的關系進行了定量研究，根據WSN鏈路分組丟失特性將分組丟失問題分為輕負載和重負載2種情況。針對輕負載下的鏈路不可靠，建立隨機分組丟失模型，并提出了基于鄰居拓撲空間相關預測的CS數據收集算法，利用數據空間相關性減小錯傳的影響。針對重負載下的鏈路不可靠，建立節點偽失效模型，并提出了基于稀疏調度的CS數據收集算法，通過改變觀測矩陣稀疏度，避免觀測出錯數據，弱化不可靠鏈路的影響。仿真分析表明，在不增加能耗的前提下有效提高了數據重構質量，降低了不可靠鏈路對CS數據收集的影響。

無線傳感網；數據收集；壓縮感知；不可靠鏈路；空間相關性

1 引言

無線傳感網（WSN）正在逐步從實驗室走向實際應用，在此過程中，傳感網仍受到諸多限制，面臨許多挑戰：傳感器節點通常使用電池作為能源，能源受限；所采集原始數據冗余度高，傳輸能耗高；節點能耗不均衡，靠近sink的節點能耗快，易形成能量空洞，影響網絡壽命；傳感網無線鏈路不可靠，存在較高誤碼率。

近年來，基于壓縮感知的數據收集方法受到研究者的關注[1～3]。將壓縮感知理論[4,5]應用于 WSN數據收集中，具有如下優勢：第一，有效利用傳感器節點所采集的原始信息的空間相關性，減少數據傳輸能耗；第二，壓縮感知數據收集方法具有天然的能耗均衡特性，能降低甚至克服能量洞問題，從而延長網絡壽命；第三，相對于分布式數據壓縮等傳統的壓縮方法，該方法具有壓縮過程簡單而數據重構過程復雜的特點，十分適合傳感器節點信息處理能力和能源受限的要求。文獻[6]將CS技術與 Pegasis路由協議相結合，在路由鏈中壓縮數據以均衡能耗、延長網絡壽命，但是該方法的網絡頑健性差。文獻[2～7]將CS技術與最小路徑樹路由協議相結合，以降低整個數據傳輸路徑上的能耗。文獻[8]指出，簡單地在樹形路由中使用 CS，將增加葉節點和距離葉節點較近的中間節點的通信量，針對該問題提出了混合壓縮感知(hybrid-CS)數據收集方法，僅對一部分通信量高的父節點使用壓縮感知技術，以此減少網絡數據通信量。當網絡規模較大時，通過分簇構建層次化網絡結構，更有助于提高網絡數據傳輸和管理的效率。文獻[9]借鑒Leach的思想，在簇內壓縮感知模式下計算出全網最優簇首個數，并使簇首均勻分布在全網中，以減少網絡能耗。

以上文獻都假定傳輸鏈路是可靠的，在實際應用場景中，傳感器節點被大量布置在森林、火山和戰場等環境中[10]，受環境因素、障礙物阻擋、節點布置高度[11]、天線方向[12]、不對稱鏈路[13]和信道沖突堵塞等原因的影響，無線鏈路不可靠現象普遍存在。

傳統的數據收集方法中，一個分組丟失或出錯，僅影響單個傳感器，然而在分布式壓縮感知數據收集中，多個傳感器節點采集的信息通過隨機觀測和求和操作，被合并為一個數據分組，一旦該分組丟失或錯傳，參與本次壓縮感知的所有傳感器節點都將受到影響,不可靠無線鏈路對基于壓縮感知的數據收集方法的影響不容忽視，然而，現有研究中對此問題的討論還很少。文獻[14]考慮了樹形路由中不可靠鏈路對壓縮感知的影響，分析了分組丟失對數據重構精度的影響。首先根據預先設定的調度概率隨機選擇出本輪數據收集需要參與的節點，并通過最短路由將這些節點采集數據傳輸至sink節點，不可靠鏈路會使其中部分數據丟失。sink根據收到的正確數據分組構造觀測矩陣，令觀測矩陣每列只有一個非零值，使通過最短路由方式收到的數據即為壓縮感知觀測值，并構造出與此觀測矩陣相對應的稀疏基。最后根據重構精度的高低，動態調整調度概率和觀測數，以滿足最小重構精度。由于sink根據最終接收到的數據構造觀測矩陣，避免觀測發生分組丟失的節點，能夠抵抗由于不可靠鏈路對數據收集帶來的影響，但其數據分組通過最短路由方式傳輸，仍然存在網絡能耗不均衡問題，且沒有考慮被監測網絡中事件源對數據相關性的影響。

為此，本文在有事件源發生的傳感網中、在不可靠無線鏈路的條件下，研究了基于壓縮感知的數據收集算法。首先，通過實驗的方法定量研究了在壓縮感知數據收集中，數據重構信噪比，即重構精度，與無線鏈路誤碼率的關系；分別針對網絡負載較輕、無線鏈路隨機分組丟失和網絡負載較重、無線鏈路由于擁塞連續分組丟失的2種情況，建立無線鏈路分組丟失模型，并提出了基于鄰居拓撲空間相關性預測的壓縮感知數據收集算法(CS-NTSC,neighbor topology spatial correlation prediction based CS data gathering)和基于稀疏調度的壓縮感知數據收集算法(CS-SSDG, sparse schedule for CS data gathering)，降低不可靠鏈路對數據收集的影響；最后驗證了方法的有效性，實現對不可靠鏈路中有損數據高精度、低能耗的數據收集。

2 系統模型

本節首先介紹整個網絡的數據空間相關性模型，考慮網絡內有事件源發生時節點空間相關性并建立模型，介紹了傳感網中基于壓縮感知的分簇數據收集方法。

2.1 傳感網數據空間相關性模型

假設監測區域中有突發事件源發生，如森林中的著火點。用方陣G記錄網絡中的突發事件源的信號強度，其中，gij表示子區域(i, j)中的事件源的信號強度，表示該子區域中無突發事件源。

本文將方陣轉化為向量的形式來表示整個區域中傳感器節點和事件源，即

傳感網中每個傳感器節點采集的信號強度是由網絡中Ns個事件源的信號疊加而成的[15]，即

其中，Ψ為傳感器感知數據隨距離衰減系數矩陣。本文利用歐氏距離的空間相關性模型[16]，假定傳感器節點i和j的坐標為和，兩節點之間距離為

若在節點i處有事件源發生，節點i接收到信號功率為 Pi，節點j接收到信號功率為Pj，信號按歐氏距離衰減，則有

其中，C為常數，n為信號的衰減系數。不同類型的事件源衰減系數不同。2個區域中節點采集到的信息之間的相關性與其歐氏距離成反比，距離越近，衰減系數n越小，節點采集到的信息越接近，相關性越大。本文令

本文研究均基于本節的全網相關性數據模型，提出相關算法。

2.2 基于壓縮感知的分簇數據收集方法

假定網絡采用分簇結構，以距離事件源最近的節點為簇首，若網絡中有Ns個事件源，將整個網絡劃分為Ns個簇[16]，在每個簇內，使用壓縮感知技術進行數據收集，如圖1所示，重點研究簇內不可靠鏈路對基于壓縮感知的數據收集方法的影響及相應對策。

假設簇內有N1個成員節點，隨機觀測矩陣為，其中，M?N1，使用文獻[17]中給出的觀測矩陣。

圖1 網內分簇數據收集示意

其中，s控制觀測矩陣的稀疏程度，p為 3種情況出現的概率。若，則Φ中每一行有個非零

簇首將本簇的觀測向量發送至sink，sink根據觀測矩陣重構簇內數據，其計算過程可轉化為一個求解凸優化問題。

3 不可靠鏈路對簇內數據收集影響分析

在無線傳感網中，鏈路質量并不完全可靠，因系統噪聲和隨機噪聲等環境因素干擾導致節點間傳輸數據發生錯誤。本文通過實驗的方法，定量地研究不可靠鏈路對壓縮感知數據收集方法的影響。在有一定誤碼率的信道中，當節點發送數據分組發生錯傳時，若接收節點通過信道譯碼無法恢復發生的錯傳位，此時接收節點將丟棄錯傳數據分組，即分組丟失。

在一個簇中使用壓縮感知技術進行數據收集，成員節點通過單跳的方式將收集到數據傳輸到簇首節點，如圖1所示，在簇首節點處進行數據觀測。假設簇中有N1個節點，在可靠鏈路下收集數據，沒有發生錯傳時，簇首收到的數據為則觀測矢量Y為

為了評估感知數據恢復質量，本文用重構數據信噪比來衡量數據重構精度，定義為

由式(9)可知，X為原數據，X?為重構數據，重構信噪比越高，算法性能越好。圖2給出了觀測次數M與數據重構信噪比的關系，仿真中假定簇內有 900個節點，一個事件源，衰減系數n=0.01且誤碼率Pb=0。隨著M的增加，重構數據信噪比也在增加，當Mgt;450后，信噪比趨于平穩。由于不同的用戶對重構數據信噪比要求不盡相同，相應的M也不同。為了便于比較，在后續的仿真實驗中，本文選取作為比較基準，由圖2可得此時M=450。

圖2 觀測次數與信噪比關系

此時，由于一個節點的發送數據發生錯誤，導致觀測向量Y′中每一個觀測值都受到了影響。圖3所示為當觀測次數M=450時，不同誤碼率對簇內壓縮感知數據重構精度的影響，在高誤碼率環境中，重構數據信噪比遠遠低于無誤碼情況下的重構信噪比36.16 dB；隨著誤碼率的減小，重構精度也在增加。在實際的無線傳感網中，鏈路質量十分不可靠，且誤碼率較高，此時利用壓縮感知收集到的數據進行重構，會得到低精度甚至無用的數據。

圖3 誤碼率對重構精度影響

進一步分析給定誤碼率條件下不同比特發生錯誤對重構信噪比的影響。若傳感器節點將采集到的數據轉換成8 bit二進制符號進行傳輸，即第i個節點采集到數據為

圖4 錯誤發生位數對重構精度影響

由以上仿真實驗可知，不可靠鏈路對分布式壓縮感知數據收集有一定影響，當誤碼率較低，錯誤位發生在低位時，重構精度受影響程度小；在誤碼率較高的信道環境和錯誤位發生在高位時，數據重構精度會大幅降低，甚至無法使用。下面針對受不可靠鏈路影響較大的情況開展研究，建立相應的分組丟失模型和數據收集算法，給出對策。

4 分組丟失模型建立

傳感網中當節點采集數據和回傳頻率低時，單個節點數據分組發送任務減少，全網負載輕；當節點采集數據和回傳的頻率高，單個節點數據分組發送任務增多，全網負載加重，網絡易發生擁塞。基于傳感網負載輕重與文獻[18]中多種分組丟失模型，本文將分組丟失分成如下2種情形。第一種情況考慮網絡輕負載、有隨機干擾或噪聲，此時節點在每個數據傳輸周期隨機分組丟失；第二種情況考慮網絡局部突然產生大量負載、鏈路存在噪聲和擁塞，此時節點會在多個相鄰數據傳輸周期連續分組丟失。分別針對以上2種情形，總結出2種分組丟失模型：隨機分組丟失模型和節點偽失效模型。

在誤碼率為Pb的無線信道中，假設節點 A發送一個Lbyte的數據分組，則數據分組成功發送的概率為

4.1 隨機分組丟失模型

若網絡沒有發生擁塞，且每個節點在每個時刻發生分組丟失是獨立隨機的，即在一輪數據收集發生錯傳后，下一輪數據收集并不受影響，本文將這種分組丟失模型稱為隨機分組丟失模型，如圖5(a)所示，該模型一般由環境噪聲和信道沖突造成的，單個節點在第t輪數據收集時數據分組成功發送概率為

根據節點隨機丟失發送數據的特點，可以利用鄰居節點之間的空間相關性“合成”A節點采集數據的預測值。

4.2 節點偽失效模型

若網絡發生擁塞，節點A在t輪數據收集分組丟失后，在t+1輪數據收集時則有更大概率分組丟失，即在一段時間內節點如同失效，不能成功收發數據，會影響多輪的數據收集，本文將這種分組丟失模型稱為節點偽失效模型，如圖5(b)所示，該模型下單個節點在第t輪數據收集時數據分組成功發送概率為

圖5 分組丟失模型示意

5 算法設計

本節分別針對以上 2種分組丟失模型，提出CS-NTSC算法和CS-SSDG算法。由于在鏈路可靠性較低的情況下，重傳不僅會帶來極大的通信開銷與傳輸時延，而且在有些情況下可能惡化系統性能[19],本文所提算法均設定在不重傳的前提下來提高數據重構精度，減小誤差。

5.1 CS-NTSC算法

針對隨機分組丟失模型，根據對數據空間相關性特性的分析，提出基于鄰居拓撲空間相關性預測的壓縮感知數據收集算法。

在傳感網中，傳感器節點通常可以根據距離來判斷節點是否在自己鄰居范圍內，假設此范圍為引入矩陣即令距離，。若第ke個節點發生錯傳，則令矩陣A的第ke列為0

矩陣A表示節點與其鄰居節點的相關性，利用節點之間的距離表示相關性強弱。若節點z0與鄰居節點z1距離較近，則其相關性強，較大；若節點z0與鄰居節點z1距離較遠，則其相關性弱，較小；若節點z0的鄰居節點z1發生錯傳，則其相關性為0，即

其中，X*(i,1)為經過鄰居拓撲矩陣處理后的節點i的采集數據，丟棄節點i的錯傳數據，利用鄰居節點的空間相關性，矩陣H保證了相關性強的節點權值大，相關性弱的節點權值小，合成估計值，使由式(19)可知，錯傳節點i對應的矩陣H中第i列為0，所以錯傳節點i并不參與其需要估計的鄰居節點的估計。由X*與觀測矩陣Φ可得觀測向量Y*。

通過Y*重構X，如式(23)，具體數據算法如算法1所示。

算法1 CS-NTSC算法

1) 簇首收到整個簇的鄰居矩陣A;

4) if 第 xi′個數據分組有錯

7) end for

8) Ω←i /* 記錄錯誤節點號的索引*/;

該算法的復雜度為O(N1)，簇首只需在首次數據傳輸前，根據網絡中節點布設拓撲結構獲取矩陣A，在每輪數據傳輸時根據錯傳節點號和矩陣A得到鄰居拓撲矩陣H；在數據處理時，簇首只需做簡單的乘、加線性運算，無大量復雜運算，最終快速得到本簇觀測向量，具有實時性。

5.2 CS-SSDG算法

當網絡發生擁塞時，網絡一定范圍內的多個節點均會發生偽失效，即偽失效節點與鄰居節點均會傳輸數據失敗，此時無法利用其空間相關性。針對節點偽失效模型，提出基于稀疏調度的壓縮感知數據收集算法，通過改變觀測矩陣的稀疏度，避免觀測錯誤或丟失的數據，弱化錯傳和分組丟失對整體信息采集的影響，利用信息之間的相關性，重構原始數據。

假設觀測矩陣Φ為

當第r個節點發生偽失效時，令Φ(r)=0，即第r列置為0，改變觀測矩陣的稀疏度，則

每輪數據收集時，并沒有對節點r進行觀測，對數據重構起作用的是其他沒有發生分組丟失的節點，第i個觀測值yi如式(26)，此時將節點r對數據重構的影響降到了最低。當sink節點用矩陣Φ*進行數據重構時，即可重構出原始數據，具體數據收集算法如算法2所示。

算法2 CS-SSDG算法

3) if 節點r發生偽失效

5) end if

6) end for

7) for i=1:M

9) end for

11) end if

由算法 2可知，該算法的復雜度為O(N1)，且簇首可根據收到的數據實時計算觀測矩陣Φ*，相關運算均為簡單的線性運算，具有實時性與可使用性。

5.3 網絡負載判斷機制

簇首根據節點傳輸數據的歷史情況，來判斷網絡負載情況，進而確定當前采用 CS-SSDG還是CS-NTSC算法。具體判斷策略如下：在首輪數據收集中，假設網絡沒有發生擁塞，即網絡運行在輕負載下，節點的分組丟失模型為隨機分組丟失模型。簇首在收集數據的同時，記錄并存儲數據傳送失敗的成員節點號；若在連續3個數據收集周期內均傳輸失敗的節點個數超過本簇內成員節點總數的，此時簇首即認為網絡內負載變重，節點分組丟失模型為節點偽失效模型。簇首判斷網絡負載具體流程如下。

3) if 第 xi′個數據分組有錯

4) Ωt←i /* 記錄第 t輪錯誤節點號的索引*/;

5) end if

6) end for

7) j=0;

8) end if

11) j=j+1;

12) end if

13) end for

15) 簇首使用CS-SSDG算法;

16) else 簇首使用CS-NTSC算法;

17) end if

當簇首判斷網絡是重負載時，則簇首采用CS-SSDG算法；若在連續3個數據收集周期內均傳輸失敗的節點個數少于本簇內成員節點總數的，則重新采用CS-NTSC算法。網絡算法流程如圖6所示。

6 仿真與分析

為了驗證算法的有效性，在 MATLAB平臺下進行仿真分析，仿真環境設置如下：在一個簇內，簇成員節點通過單跳將數據傳輸給簇首，由簇首進行數據壓縮，將觀測矩陣發送給sink節點，在sink處進行數據重構，發送數據分組長度為10 byte；設定簇內有 900個節點隨機均勻分布在30×30區域內，簇內有一個事件源，其衰減系數n=0.01，觀測次數M=450；采用正交匹配追蹤算法(OMP,orthogonal matching pursuit)作為重構算法。

本文假設在有一定誤比特率的無線信道中，簇首接收到有誤碼的數據分組時不重傳，利用一輪重構數據精度作為算法性能指標；同時，還將所提方法與基本的壓縮感知數據收集(CDG, compressive data gathering)算法[2]和 SRS-DG (sparsest random scheduling based CDG scheme)算法[14]對比。文獻[2]中傳統CS數據收集算法利用壓縮感知技術收集并重構數據，并不考慮誤比特率對算法的影響，文獻[14]中SRS-DG算法考慮到鏈路中存在分組丟失，利用構造的極稀疏矩陣（sparsest measurement matrix）觀測無錯數據。

6.1 CS-NTSC算法仿真與分析

6.1.1 CS-NTSC算法性能分析

當事件源衰減系數n=0.01，鄰居范圍RThr=2時，CS-NTSC算法性能如圖7所示。在誤碼率較小時，3種算法性能接近；當誤碼率較高為時，CS-NTSC算法具有較好的性能，由圖7可知，此時CDG算法的重構數據信噪比為27.33 dB，高誤碼率對CDG算法具有較大的影響；SRS-DG算法的數據信噪比為29.72 dB，由于SRS-DG算法是針對分組丟失設計的算法，數據分組一旦有錯傳即丟棄，利用稀疏觀測矩陣觀測無錯節點，導致每次數據觀測信息量減少，該算法通過下一輪數據收集增加觀測數來彌補丟失的數據分組，提高重構信噪比，因此，本輪數據重構信噪比并不高；CS-NTSC算法得到重構數據信噪比為35.91 dB，在一定條件下利用數據的空間相關性預測錯傳數據，避免丟棄使信息量減少。因此，在高誤碼率的無線環境中，CS-NTSC算法沒有增加額外的通信能耗，能夠克服錯傳數據分組對數據重構的影響，具有有效性。

圖6 網絡算法流程

圖7 CS-NTSC算法性能

6.1.2 影響CS-NTSC算法因素分析

CS-NTSC算法利用了節點之間的空間相關性以降低不可靠鏈路對壓縮感知數據收集的影響，所以事件的衰減系數n、鄰居范圍RThr和數據分組長度都會影響 CS-NTSC的性能，下面通過仿真討論上述因素對算法性能的影響。

由于事件源的衰減系數n會影響全網數據的空間相關性，所以衰減系數會影響 CS-NTSC算法性能，如圖8所示，為數據分組為10 byte時，衰減系數n與SNR的關系。當衰減系數較小時，即事件源的影響范圍大，此時全簇的節點均較大程度地受到事件源影響，節點空間相關性強，在鄰居范圍內，節點與節點采集數據接近，CS-NTSC算法性能好；當衰減系數較大時，即事件源的影響范圍小，距離事件源較遠節點受到影響小，全簇節點的空間相關性弱，CS-NTSC算法性能較差。當ngt;0.5，此算法的數據重構精度變差。

圖8 衰減系數與重構信噪比的關系

鄰居范圍RThr也會影響算法性能，如圖9所示，為信噪比和衰減系數不變時，RThr與SNR的關系。隨著RThr的增大，節點的鄰居節點數會隨之增加，在事件源影響范圍不變的情況下，RThr過大會使鄰居節點之間的空間相關性減小，CS-NTSC算法性能變差，算法不再適用。

圖9 鄰居范圍與重構信噪比關系

信道誤碼率一定時，數據分組越長，會使網絡的分組丟失率越高。圖10反映了時，分組長與數據重構精度的關系。由圖可知，在n較小，分組長較短的情況下，由于網絡節點空間相關性強，分組丟失率低，此時 CS-NTSC算法的數據重構精度高；當n增大，分組長變長時，節點空間相關性弱，分組丟失率高，此情況下CS-NTSC算法性能變差，不再適用。

圖10 分組長與重構信噪比的關系（CS-NTSC）

由以上仿真結果可以得出，當網絡中事件源衰減系數較小，鄰居范圍小且數據分組短時，CS-NTSC算法能夠在不分組丟失也不重傳的情況下，抵抗不可靠鏈路對數據重構的影響，以較高精度重構出數據，性能優勢明顯。

6.2 CS-SSDG算法仿真與分析

圖11 CS-SSDG算法性能

圖12 分組長與重構信噪比的關系（CS-SSDG）

7 結束語

本文針對鏈路不可靠的無線傳感網，首先利用仿真的方法，詳細分析了不可靠鏈路對簇內壓縮感知數據收集的影響，誤碼較高的信道環境對壓縮感知數據收集具有很大影響。根據真實網絡提出2種分組丟失模型，針對隨機丟失模型，提出了CS-NTSC算法，分析了網絡中的空間相關性，并利用空間相關性和鄰居拓撲矩陣對發生錯傳的數據進行估計，減小錯誤幅度。討論了衰減系數和鄰居范圍對 CS-NTSC算法的影響，算法在衰減系數小和鄰居范圍小時，重構精度更高；針對節點偽失效模型，提出了 CS-SSDG算法，將發生失效節點的相關觀測列向量置為 0，來避免收集發生失效的節點數據，只收集完整正確的數據，以減小錯傳或分組丟失對整個數據收集和重構的影響。仿真結果表明，CS-NTSC算法與CS-SSDG算法能夠在高誤碼率的環境中高精度重構出數據，具有有效性。

本文分別針對輕負載、隨機分組丟失和重負載、偽隨機失效2種情況研究了不可靠鏈路下的壓縮感知數據收集算法，并簡單討論了2種算法的切換條件。然而在實際傳感網中，節點分組丟失模型可能會出現2種分組丟失模型的混合，如何將算法有效地應用于混合分組丟失模型下，是下一步研究的重點。

[1] RABBAT M, HAUPT J, SINGH A, et al. Decentralized compression and predistribution via randomized gossiping[C] //The 5th Int Conf on Information Processing in Sensor Networks. New York: ACM, 2006: 51-59.

[2] LUO C, WU F, SUN J, et al. Compressive data gathering for large-scale wireless sensor networks[C] //The 15th Annual Int Conf on Mobile Computing and Networking. New York: ACM, 2009: 145-156.

[3] WANG J, TANG S, YIN B, et al. Data gathering in wireless sensor networks through intelligent compressive sensing[C]// IEEE INFOCOM 2012. Piscataway, NJ: IEEE, 2012: 603-611.

[4] DONOHO D L. Compressed sensing[J]. IEEE Trans on Information Theory, 2006, 52(4): 1289-1306.

[5] BARANIUK R. Compressive sensing[J]. IEEE Signal Processing Magazine, 2007, 56(4): 4-5.

[6] OSAMY W, SALIM A, AZIZ A. Efficient compressive sensing based technique for routing in wireless sensor networks[J]. Infocomp Journal of Computer Science, 2013, 12(1): 1-9.

[7] LUO C, WU F, SUN J, et al. Efficient measurement generation and pervasive sparsity for compressive data gathering[J]. IEEE Trans on Wireless Communications, 2010, 9(12): 3728-3738.

[8] LUO J, XIANG L, ROSENBERG C. Does compressed sensing improve the throughput of wireless sensor networks?[C]// IEEE Int Conf on Communications (ICC 2010). New York: IEEE Communications Society, 2010: 1-6.

[9] WU X, XIONG Y, HUANG W, et al. An efficient compressive data gathering routing scheme for large-scale wireless sensor networks[J].Computers amp; Electrical Engineering, 2013, 39(6): 1935-1946.

[10] AKYILDIZ I F, SU W, SANKARASUBRAMANIAM Y, et al. Wireless sensor networks: a survey[J]. Computer Networks, 2002, 38(4):393-422.

[11] NDZI D L, ARIF M A M, SHAKAFF A Y M, et al. Signal propagation analysis for low data rate wireless sensor network applications in sport grounds and on roads[J]. Progress in Electromagnetics Research, 2012,125(17):1-19.

[12] AHMED N, KANHERE S S, JHA S. Utilizing link characterization for improving the performance of aerial wireless sensor networks[J]. IEEE Journal on Selected Areas in Communications, 2013, 31(8): 1639-1649.

[13] BACCOUR N, KOUBAA A, MOTTOLA L, et al. Radio link quality estimation in wireless sensor networks: a survey[J]. ACM Transactions on Sensor Networks, 2012, 8(4):688.

[14] WU X, YANG P, JUNG T, et al. Compressive sensing meets unreliable link: sparsest random scheduling for compressive data gathering in lossy WSN[C]//The 15th ACM Int Symposium on Mobile Ad Hoc Networking and Computing. New York: ACM, 2014: 13-22.

[15] 唐亮, 周正, 石磊, 等. 基于 LEACH 和壓縮感知的無線傳感網目標探測[J]. 北京郵電大學學報, 2011, 34(3): 8-11.TANG L, ZHOU Z, SHI L, et al. Source detection in wireless sensor network by leach and compressive sensing[J]. Journal of Beijing University of Posts amp; Telecommunications, 2011, 34(3): 8-11.

[16] 張策, 張霞, 李鷗, 等. 基于CS的無線傳感網動態分簇數據收集算法[J/OL]. http://crad.ict.ac/cn/CN/abstract/abstract3059.shtml.ZHANG C, ZHANG X , LI O, et al. Data gathering using dynamic clustering based on WSN compressive sensing algorithm[J/OL].http://crad.ict.ac/cn/CN/abstract/abstract3059.shtml.

[17] WANG W, GAROFALAKIS M, RAMCHANDRAN K. Distributed sparse random projections for refinable approximation[C] //The 6th Int Conf on Information Processing in Sensor Networks. New York: ACM,2007: 331-339

[18] KONG L, XIA M, LIU X Y, et al. Data loss and reconstruction in sensor networks[C]// IEEE INFOCOM 2012. Piscataway, NJ: IEEE,2013: 1654-1662.

[19] WU L, YU K, DU T, et al. Efficient information transmission under lossy WSNs link using compressive sensing[C] //2014 IEEE 9th Conference on Industrial Electronics and Applications (ICIEA). NJ: IEEE,2014:493-498.

Compressive sensing based data gathering algorithm over unreliable links in WSN

ZHANG Ce1, ZHANG Xia1, LI Ou1, MEI Guan-lin1, HAN Zhe1, ZHANG Da-long2, LIU Guang-yi1
(1. School of Information Systems Engineering, PLA Information Engineering University, Zhengzhou 450001, China;2. School of Information Engineering, Zhengzhou University, Zhengzhou 450001, China)

To solve the problem that the ubiquitous unreliable links in the WSN influence the performance of the compressive sensing (CS) based data gathering, first the relationship between the reconstruction SNR of CS-based data gathering algorithm and the bit-error-ratio (BER) were simulated quantitatively. Then classify two cases were classified,namely light-payload and heavy-payload, relying on the analysis of wireless link packet loss characteristics. The random packet loss model was conceived to describe the packet loss under light-payload scenario. Further the neighbor topology spatial correlation prediction-based CS data gathering (CS-NTSC) algorithm was proposed, which utilized the nodes spatial correlation to reduce the impact of error. Additionally, the node pseudo-failure model was conceived to describe the packet loss occurred in network congestion, and then the sparse schedule-aided CS data gathering (CS-SSDG) algorithm were conceived, for the purpose of changing the sparsity of measurement matrix and avoiding measurements amongst the nodes affected by unreliable links, thus weakening the impact of error/loss on data reconstruction. Simulation analysis indicates that the proposed algorithms are not only capable of improving the accuracy of the data reconstruction without extra energy, but also effectively reducing the impact affected by the unreliable links imposed on CS-based data gathering.

WSN, data gather, compressive sensing, unreliable link, spatial correlation

The National Science and Technology Major Projects of China (No.2014zx03006003)

TP393

10.11959/j.issn.1000-436x.2016185

2016-01-24；

2016-08-05

國家科技重大專項基金資助項目（No.2014zx03006003）