無線傳感器網絡中敏感數據分布密度控制方法研究

蔣傳健 唐禎蔚

摘 要： 為了解決傳統基于參數可變遺傳方法對無線傳感網絡敏感數據分布密度控制不健全，導致敏感數據分布密度失衡，且能量消耗過高的問題。提出基于改進差分蜂群算法的無線傳感器網絡節點分布密度控制方法，其綜合考慮節點信息感知和信息傳遞的能耗，對圓形區域和帶狀區域的節點能耗進行分析，從理論上分別給出適用于這兩種場景的節點非均勻分布方法，在此基礎上采用改進差分蜂群算法，通過以網絡覆蓋率為目標函數對覆蓋區域的節點進行分布密度優化控制，實現節點中敏感數據分布密度的均衡控制。實驗結果說明，所提方法可實現節點中敏感數據分布密度的均衡控制，降低能量消耗。

關鍵詞： 無線傳感網絡； 節點； 敏感數據； 分布密度； 控制方法； 節點能耗； 蜂群算法

中圖分類號： TN711?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2018）07?0080?05

Research on distribution density control method for sensitive

data in wireless sensor networks

JIANG Chuanjian， TANG Zhenwei

（Chongqing Normal University Foreign Trade and Business College， Chongqing 401520， China）

Abstract： The traditional genetic method based on parameter variation has poor distribution density control for sensitive data in wireless sensor networks， which leads to the distribution density imbalance of the sensitive data and excessive energy consumption. Therefore， an improved differential bee colony algorithm based distribution density control method of wireless sensor network node is proposed， in which the energy consumptions of node information perception and information transfer are considered comprehensively. The node energy consumption of the circular area and zonal area is analyzed. The node nonuniform distribution method suitable for the above scenes is given in theory. On this basis， the improved differential bee colony algorithm is adopted， and the network coverage rate is taken as the target function to perform the distribution density optimization control for the node within the coverage area， and realize the distribution density balance control of sensitive data in the node. The experimental results show that the proposed method can realize the balance control of the distribution density of sensitive data in the node， and reduce the energy consumption.

Keywords： wireless sensor network； node； sensitive data； distribution density； control method； node energy consumption； bee colony algorithm

0 引 言

無線傳感器網絡是一項新興技術，被廣泛應用于國防、工業、環境、醫療等多個領域，一個典型的無線傳感器網絡是由大量具有感知能力的節點構成，節點上存很多數據信息，包括一些敏感數據信息。傳統基于參數可變遺傳方法對無線傳感網絡敏感數據分布密度控制不健全，導致敏感數據分布密度失衡，且耗費大量的資源。為解決該問題，本文采用基于差分蜂群算法的無線傳感器網絡節點分布密度控制法對節點進行能耗分析，實現節點的非均勻分布[1]，對節點中存儲的敏感數據分布密度進行均衡控制。

1 無線傳感器網絡節點非均勻分布

1.1 節點能耗分析

無線傳感器網絡的敏感數據節點與傳感器的接觸區域有關系，一定面積內網絡產生的敏感數據信息用[c bit（s×m2）]表示，各個節點的能量消耗由感知信息、發送信息和回傳信息三部分組成，單位時間能源消耗的表達式如下：

式中：[b]表示單位時間內無線傳感器接收的敏感信息量，[b]的值等于一定面積內產生的數據信息[c]和面積的乘積，面積用[A]表示；[α1]和[γ1]表示感知和接收單位的能量消耗；[β1]代表節點輸送確定量比特的能量消耗[2]；[β2]代表路徑不同消耗系數不同的常數；[n]代表路徑，規定值為2或4。

將無線傳感器的接觸面積劃分為不同的層，第[i]層的節點數用[Ni]表示，[Ei]表示第[i]層節點的能量消耗總量，用下面的算法計算不同層的單位時間能量消耗，所求[R]層總能量消耗由該層所有節點的感知消耗和發送信息消耗共同構成：

第[i]層[i]的取值范圍是[1，R]，第[i]層的能量消耗還包括輻射外部數據產生的能量消耗，表達式如下：

為了得到各個節點上的敏感數據分布[3]，就要讓各節點能量消耗相同，則節點存活時間為：

將上述兩式進行轉換可得：

1.2 節點非均勻分布

根據式（6）可知，一定范圍內節點上敏感數據與節點能量消耗和區域大小有關[4]，在一定空間范圍內，已知節點的能量消耗和網絡規模后，節點間的比值關系可以確定，以下給出圓形區域和帶狀區域的節點間比例關系，圓形范圍的面積計算公式為：

將式（8）代入到式（6）得出：[NiNi-1=（2i-1）+μ（R2-i2）（2i-1）+μ（R2-（i-1）2）=1+2-μ（2i-1）（2i-3）+μ（R2-（i-1）2）， 1≤i≤R] （9）

由式（7）得出，當[μ<2（2i-1）]時，發生[Ni>Ni-1]的情況，這種情況下[α1>γ1，]傳感器感知信息是能量消耗的主要原因[5]，圓形區域的外部面積遠大于內部面積，感知信息消耗的能量會更多，所以此時的外部就會出現較多的敏感數據，當出現[f=節點集所覆蓋的網格數網格數]時，節點信息傳遞是能量消耗的主要原因，出現[Ni≤Ni-1]的情況，內部的能量消耗更多轉發到外部節點[6]，內部會出現較多的敏感數據，則根據式（9）得出：

可以得出節點網絡的生存周期為：

當無線傳感網絡節點的區域分布呈現帶狀，則有[Ai=Ai-1=H，][1≤i≤R]，得出：

帶狀區域下會出現[Ni

節點網絡生存周期為：

以上內容通過傳感器感知不同區域，利用能耗分析算法得出在一定網絡環境下，節點數與節點能耗之間可以實現無線傳感網絡中節點的非均勻分布。在此基礎上采用下文方法對無線傳感網絡節點分布密度實施優化控制，進而完成節點中敏感數據分布密度的均衡控制，降低網絡節點能耗。

2 差分蜂群算法的無線傳感器網絡節點分布密

度控制法

2.1 節點編碼設計

本文采用基于差分蜂群算法對1.2節完成非均勻分布的傳感節點中的敏感數據分布密度實施均衡控制，為了實現敏感數據分布的健全性，以網絡覆蓋率為目標函數，維數[D=2N，][XY]表示單個個體，得到一種節點密度分布方案[X=x1，x2，…，xN，Y=y1，y2，…，yN，]個體的適應度用[f（XY）]表示，其中：

[f=節點集所覆蓋的網格數網格數] （15）

節點編碼設計如圖1所示。

2.2 算法步驟

對無線傳感網絡節點種群進行初始化，則初始種群表示為：

式中：[j∈1，2，…，D；][Xjx]表示維度為[D]的分向量；[rand（0，1）]表示區間[0，1]內的任意數。

在種群附近搜索，根據式（17）尋找新的向量[Vi]：

式中：[k∈1，2，…，NP]，[k]和[i]的值都是隨機產生且大小不同；[φji]為-1～1之間的隨機數且[Vi∈Ω]。

差分策略可隨機選取不同的向量，將其向量縮放后進行合成得到：

式中：[F]為縮放因子，在0～1之間；[r1，r2，r3]代表3個隨機向量。交叉操作中新的分解向量[X′i]由[Xi]和[Vi]交叉得到：

式中：分解向量維度[j]是[1～D]的整數；CR代表交叉概率；[sn]代表任意維度。

基于差分蜂群算法對節點上產生的敏感數據進行分布密度控制的步驟如下：

1） 設[n=0，]根據式（16）得到初始的種群[X（0）]，根據種群得到向量的適應度值。

2） 由第[n]代種群[X（n）]求出分解向量[Xi，]對式（15）、式（19）進行差分進化法通過變形得到新向量[X′i，]且新向量的取值范圍[X′i∈Ω，]求出新向量的適應度值用[f（X′i）]表示。

3） 新向量的適應度值與原向量的適應度值相比，若大于原向量適應度值，用新向量的適應度值代替原向量的適應度值，若不是則保持不變[9?10]。

4） 計算[Xi]的適應度值，再求出各個分解向量的概率[P。]

5） 隨機選擇一個分解向量，按照[Vji=][Xjr1+F（Xjr2-Xjr3）]在這個向量的周圍進行搜索，得到新的向量[Vi]，同時保證新向量[Vi∈Ω，]計算新向量的適度值用[f（Vi）]表示。

6） 利用比較值選擇法，將[Vi]和[Xi]中適應度值進行比較，若[Vi]的適應度值大于[Xi]的適應度值，用[Vi]代替[Xi，]將得到結果作為節點敏感數據的最優適應度值[f_best，]得到對應參數[（x1，x2，…，xn）]。

7） 若分解向量的周圍向量搜索全部完成，沒有找到最優結果，根據上文[Vji=Xjx+φji（Xji-Xjk）]把該向量進行替換。

8） 假設[n]等于最大迭代數[Gmax，]停止運算得到最優的適應度值[f_best]和[（x1，x2，…，xn）]。

通過上述過程對本文中的無線傳感網絡非均勻分布的節點分布密度實施優化控制，其中編碼設計提高了控制效率，算法步驟的細化實現了節點中敏感數據分布密度的均衡控制。

3 實驗分析

為了驗證本文方法的控制性能，采用Matlab對三種檢測方法進行測試。將線圈個數NP=40的無線傳感器網絡節點置入到邊長為100 m的正方形檢測區域內，已知傳感器網絡感知節點半徑為12 m，將檢測區域劃分為100個大小相同的正方形區域，將最大迭代數定為500，實驗采用本文方法、基于參數可變遺傳方法以及基于蝙蝠優化方法對實驗區域敏感數據分布密度實施100次控制，進而驗證方法能夠有效控制敏感數據的分布密度。

本文方法將NP固定為15，最大迭代次數為120；基于參數可變遺傳方法的NP也固定為15，最大迭代次數為100；基于蝙蝠優化方法的NP為10。三種方法對覆蓋區域中節點敏感數據分布密度實施控制，本文方法在88次迭代后得到最優的密度分布曲線，基于參數可變遺傳方法在第196次迭代后得到最優的密度分布曲線，基于蝙蝠優化方法無法得出最優分布，實驗結果如圖2所示。

對三種檢測方法重復進行100次，根據結果計算出密度分布的平均數、標準差和最差值得出的數值制作成如表1所示的三種方法的運行結果。

從表1可以得出，無論從哪個角度來看，本文方法的節點分布密度效果都要好于基于參數可變遺傳方法和基于蝙蝠優化方法，能夠實現敏感數據的完全分布密度控制。從圖2可以看出，本文方法對敏感數據的密度控制收斂速度快，節點分布密度覆蓋范圍廣，可以避免局部區域數據冗雜。

為進一步驗證本文方法對敏感數據的均衡控制效果，設計節點散播密度的網絡仿真實驗，圖3是不同方法下的節點密度變化曲線。

從圖3中能夠得出，節點在隨機分布的模型下，節點上敏感數據的分布密度要達到90%以上的概率，本文方法一共需要安裝35個無線傳感網絡，基于參數可變遺傳方法和基于蝙蝠優化方法都至少需要40個無線傳感網絡。若要實現節點的完全覆蓋本文方法需要40個無線傳感器網絡，基于參數可變遺傳方法和基于蝙蝠優化方法需要50個。說明可通過更少的節點數達到更高的網絡覆蓋率。

節點感知范圍半徑的大小也會影響節點分布密度變化曲線，圖4是在節點數為40個情況下，不同控制方法下感知半徑變化對節點密度變化曲線造成的影響。

從以上實驗結果可以得出，一定數量的節點分布在一定范圍的區域時，在無線傳感網絡節點感知半徑逐漸增大的情況下，本文方法的網絡節點分布密度較其他兩種方法領先，三種方法同時都達到覆蓋率100%時的感知半徑為13 m。

圖5和圖6對控制方法下初始節點和最終節點的敏感數據分布進行對比，初始情況下無線傳感網絡節點上敏感數據的分布雜亂無章，在經過本文方法的作用下，敏感數據分布密度變得清晰，有規律可尋，事實證明了本文方法可以對無線傳感網絡中的敏感數據進行均衡分布控制。

表2是三種方法在無線傳感器節點為40個時，傳感區域為10 m×10 m的正方形區域內，初始節點能量和最終節點能量的對比情況，由表2數據可以得出，本文方法相較于其他兩種方法消耗的能量較少。

4 結 論

本文對無線傳感器網絡敏感數據分布密度控制問題進行研究，采用基于差分蜂群算法的無線傳感器網絡節點分布密度控制方法，提高了節點上敏感數據的分布密度控制效率，實現了節點中敏感數據分布密度的均衡控制，減少了能量消耗。

參考文獻

[1] 成國營，王艷.無線傳感器網絡中多移動Agent協同控制數據分流方法[J].計算機應用，2015，35（4）：910?915.

CHENG Guoying， WANG Yan. Multi?mobile Agent collaborative control data separation method in wireless sensor network [J]. Journal of computer applications， 2015， 35（4）： 910?915.

[2] 袁飛，詹宜巨，王永華.無線傳感器網絡中數據密度相關度融合算法[J].控制理論與應用，2014，31（11）：1568?1573.

YUAN Fei， ZHAN Yiju， WANG Yonghua. Data density correlation degree based aggregation algorithm in wireless sensor network [J]. Control theory & applications， 2014， 31（11）： 1568?1573.

[3] 熊偉麗，劉欣，陳敏芳，等.基于差分蜂群算法的無線傳感器網絡節點分布優化[J].控制工程，2014，21（6）：1036?1040.

XIONG Weili， LIU Xin， CHEN Minfang， et al. Node distribution optimization in wireless sensor networks based on differential bee colony algorithm [J]. Control engineering of China， 2014， 21（6）： 1036?1040.

[4] 徐立鴻，早明華，蔚瑞華，等.溫室無線傳感器網絡節點發射功率自適應控制算法[J].農業工程學報，2014，30（8）：142?148.

XU Lihong， ZAO Minghua， WEI Ruihua， et al. Adaptive control algorithms of transmitting power for greenhouse WSN nodes [J]. Transactions of the Chinese society of agricultural engineering， 2014， 30（8）： 142?148.

[5] 及歆榮，侯翠琴，侯義斌.無線傳感器網絡下線性支持向量機分布式協同訓練方法研究[J].電子與信息學報，2015，37（3）：708?714.

JI Xinrong， HOU Cuiqin， HOU Yibin. Research on the distri?buted training method for linear SVM in WSN [J]. Journal of electronics & information technology， 2015， 37（3）： 708?714.

[6] 游子毅，章俊華，陳世國，等.基于無線傳感網絡的數據融合方法及其在智能交通系統中的應用研究[J].計算機應用研究，2014，31（6）：1719?1722.

YOU Ziyi， ZHANG Junhua， CHEN Shiguo， et al. Data aggregation scheme based on wireless sensor networks and its application research in intelligent transportation system [J]. Application research of computers， 2014， 31（6）： 1719?1722.

[7] 孫澤宇，李傳鋒，邢蕭飛，等.聯合感知無線傳感網的優化覆蓋控制算法[J].西安交通大學學報，2016，50（10）：86?92.

SUN Zeyu， LI Chuanfeng， XING Xiaofei， et al. An optimal coverage control algorithm with joint sensing for wireless sensor networks [J]. Journal of Xian Jiaotong University， 2016， 50（10）： 86?92.

[8] 蔣文賢，繆海星，王田，等.無線傳感器網絡中移動式覆蓋控制研究綜述[J].小型微型計算機系統，2017，38（3）：417?424.

JIANG Wenxian， MIAO Haixing， WANG Tian， et al. Survey on coverage control with mobile elements in wireless sensor networks [J]. Journal of Chinese computer systems， 2017， 38（3）： 417?424.

[9] 孫澤宇，伍衛國，王換招，等.無線傳感器網絡基于參數可調增強型覆蓋控制算法[J].電子學報，2015，43（3）：466?474.

SUN Zeyu， WU Weiguo， WANG Huanzhao， et al. An enhanced coverage control algorithm for wireless sensor networks based on adjustable parameters [J]. Acta electronica sinica， 2015， 43（3）： 466?474.

[10] 王建平，薛雪，孫偉.智能配電網無線傳感器網絡數據通信的QoS?MAC層模型[J].電力系統自動化，2014，38（9）：160?167.

WANG Jianping， XUE Xue， SUN Wei. QoS?MAC model of wireless sensor networks for smart distribution power grid data communication [J]. Automation of electric power systems， 2014， 38（9）： 160?167.