混合環境下無線傳感器網絡中位置估算方法的改進

李依霖 蒙詩堯

摘 要：在無線傳感器網絡中，最關鍵的是獲取傳感器上的數據節點位置。目前最常用的獲取數據節點位置的方法是自我組織映射傳感器節點位置估算法。這種方法利用少量的錨節點，在不使用測距設備的情況下，精確地估算出節點位置，并且在預測范圍內存在障礙物的混合環境下，估算位置的精度較過去的測距和定位方法也有所提高。但在混合環境下利用這種方法估算節點位置仍不夠理想，并且還存在傳感器節點間通信量增大時電力不足的問題。為了解決以上問題，本文提出以云計算為前提的匯集型自我組織定位節點估算方法，首先通過匯集各傳感節點的鄰節點信息，提高確認未知節點的精度，其次即使因各節點間交換位置信息而增加通信次數，也能降低感應節點的電力消耗。

關鍵詞：云計算；無線傳感器網絡；高精度同步；節點

中圖分類號：TP368；TN929.5 文獻標識碼：A 文章編號：2096-4706（2019）03-0057-03

Improvement of Location Estimation Method in Wireless Sensor Networks under

Mixed Environment

LI Yilin，MENG Shiyao

（College of Computer Science and Engineering，The City College of Jilin Jianzhu University，Changchun 130114，China）

Abstract：In wireless sensor networks，the key problem is how to get the location of data nodes on sensors. At present，the most commonly used method to obtain the location of data nodes is self-organizing mapping sensor node location estimation method. This method uses a small number of anchor nodes to accurately estimate the location of nodes without using ranging equipment. In the mixed environment where obstacles exist in the range of prediction，the accuracy of the location estimation is higher than that of the previous ranging and positioning methods. However，it is not ideal to use this method to estimate the location of sensor nodes in mixed environment，and there is also the problem of insufficient power when the traffic between sensor nodes increases. In order to solve the above problems，this paper proposes a centralized self-organizing localization node estimation method based on cloud computing. Firstly，the accuracy of identifying unknown nodes is improved by collecting the neighboring node information of each sensor node. Secondly，the power consumption of the induction nodes can be reduced even if the number of communications is increased due to the exchange of location information among the nodes.

Keywords：cloud computing；wireless sensor networks；high-precision synchronization；nodes

0 引 言

無線終端和傳感器組合的無線傳感器網絡[1]是以服務外部世界為目標，網絡環境下的重要技術。在外部世界的服務實現上，獲取物理位置信息是重要條件。為此，精確估算無線傳感器在網絡中的節點位置是需要解決的研究問題。節點位置估算的常用技術有測距算法[2]和定位算法[3]。雖然測距算法能高精度地估算節點位置，但因為必須使用測距設備，所以無法解決傳感器節點大量消耗成本和電力的問題[4，5]。用定位算法進行高精度位置估算必須配置大量的錨節點。因此，存在限制使用環境和延時的缺點[6，7]。

為了解決以上算法的缺點，有研究者提出自我組織映射[8]的感應節點位置估算方法。即不使用測距設備，并只利用少量錨節點，就能較精確地估算出感應器的節點位置。但在無線傳感器網絡下，因為需要對節點的物理位置進行長期測量，并且獲取各節點間交換位置信息時，通信次數也不斷增加，各感應節點電力消耗的問題就成了急需解決的難題。另外，估算感應器節點位置時必須確定各節點間的未知節點數量。然而在混合環境下，無法確認估算節點附近的未知節點個數，這就產生了精度劣化的問題。

本文為了解決以上問題，提出以云計算[9]為前提的匯集型自我組織定位方法。在云環境下匯集各傳感節點的鄰節點信息，構成在虛擬無線傳感器網絡下使用自我組織定位的方法，不僅能降低感應節點的電力消耗，并能提高估算節點附近未知節點的精度。

1 研究方法

位置估算的算法，中的自我組織定位方法通過以下3步進行位置估算。

（1）各節點隨機生成自身位置，作為虛擬位置。當節點i修正第t次的虛擬位置表示為wi（t）。各節點轉播自身虛擬位置給1次附近節點；

（2）接收從1次附近節點j開始虛擬自身位置wi（t）的節點i，虛擬自身位置wi（t）和1次附近節點j的虛擬自身位置在wi（t）的直線上，從節點j到節點d修正1跳距離的1次附近修正向量（t）算出下式。1跳距離d不是絕對距離，作為相當距離的跳數為：

和1次附近節點修正相同，在節點i從2次附近節點k開始2跳距離的2次附近修正公式（t）算出下式：

用以上兩個修正公式修正節點的虛擬位置。

節點i在距1次附近節點j和2次附近節點k更遠的虛擬位置上時，如果2次附近節點的相對關系正確時，則僅修正1次附近修正向量。

從節點i到1次附近節點j比到2次附近節點k的距離近時，虛擬自身位置為（wi（t）-wj（t））≥（wi（t）-wk（t））時，和1次附近節點的相對關系正確，對1次附近修正向量和2次附近修正向量同時開始修正虛擬自身位置wi（t）；

（3）添加自身的虛擬位置wi（t），隨機選擇1次附近節點的自身位置wj（t），轉播這兩個節點的虛擬位置節點，估算各節點的位置來實現網絡拓撲。

2 改進的研究方法

本文在自我組織定位方法的基礎上提出了新的改進研究方法——匯集型自我組織定位方法。先將兩種方法進行比較。

2.1 自我組織定位方法存在的問題

自我組織定位方法是各節點估算自身位置的方式。但是為了各節點單獨進行估算，要考慮到下述的問題：

（1）在混合環境下，因為附近節點數量的不足產生精度下降，估算拓撲形成折曲拓撲，這是造成位置精度下降的主要原因；

（2）當各節點的通信次數增加時，感應節點的電力消耗嚴重。

虛擬無線傳感器網絡為了收集全部節點的附近節點信息，必須組織完整的拓撲結構信息。因為拓撲結構的形狀是隨機生成的，匯集型自我組織定位方法正適用于構成完整拓撲信息的虛擬無線傳感器網絡。

為了解決前文提出的問題，提出以下處理過程：

（1）精度降低的原因是產生了彎曲拓撲。因為距離判斷中不能找出拓撲矛盾，所以添加了角度判斷；

（2）根據使用完整拓撲信息的n次附近節點更新，從大范圍的信息中提高全部拓撲形狀的精度再現；

（3）對云客戶端感應節點的附近節點進行搜索，使通信次數大幅減少。

2.2 在云環境下用拓撲信息估算節點位置的算法

2.2.1 虛擬無線傳感器網絡的構成

各感應節點按下面所述步驟收集附近節點信息，生成服務器內的虛擬網絡。

（1）自身節點ID作為數據發送轉播；

（2）接收各感應節點的轉播，取得附近節點的ID，將獲取的節點ID記錄作為附近節點的信息傳送給服務器；

（3）服務器將信息傳送到云環境。

根據以上方法，云環境取得全部節點的附近節點信息，匯集型自我組織定位方法將獲取的附近節點信息在云環境下構成如下拓撲：

（1）包含節點i的鄰節點信息，作為節點i的1次附近節點；

（2）包含上述1次附近節點j的鄰節點信息，節點i及不包含節點i-1次的鄰節點信息的節點作為轉播節點i的節點j的2次附近節點；

（3）同理，包含n次附近節點x的鄰節點信息，不包含n-1次的附近節點群的鄰節點信息的節點作為轉播節點i的節點x的n+1次附近節點；

（4）重復上述步驟，擴大節點i的附近拓撲，通過網絡設定節點i的多次附近節點。

實施以上處理云環境下全部節點，各節點每次設定多次附近節點，形成虛擬無線傳感器網絡。

2.2.2 n次附近節點的位置估算

用匯集型自我組織定位方法根據跳數增加節點間距離，選擇其節點，被選的節點是從節點i的n次附近節點，且滿足到n-1次附近節點的任意節點到i的遠距離位置條件。位置更新時用距離d乘以跳數n。根據多跳n次的附近修正向量求得式（3），wn（t）是n次附近節點的虛擬自身位置。位置修正開始時，用大部分的附近節點形成大范圍的拓撲，修正階段進行和位置修正時減少附近節點信息，形成局部拓撲。利用公式（4）進行虛擬自身位置信息的更新。

3 仿真實驗

3.1 通信情況

因為在有障礙物的情況下，節點間的通信處于混合狀態，障礙物間的節點不能通信。

3.2 通信次數

利用自我組織定位方法和匯集型自我組織定位方法比較位置估算時全部節點的送信次數。實驗證明，匯集型自我組織定位方法大大減少了送信的次數。自我組織定位方法在各節點執行位置更新，節點間更新虛擬自身位置時通信量增大。匯集型自我組織定位方法執行位置更新是在云環境下的虛擬無線傳感器網絡中進行的，各節點位置更新時不需要交換虛擬自身位置，只傳送給云服務器虛擬無線傳感器網絡中的自身附近節點信息。

3.3 相對位置和絕對位置比較

進行相對位置和絕對位置比較有兩種方法。相對位置評價根據估算的節點位置構成網絡的形狀和原型網絡形狀的相似性進行評價，即根據式（5）進行評價：

估算位置節點i和節點j的距離，在原型網絡上，設N為位置估算節點的集合。當平均值趨近于1時，估算網絡形狀和原型的網絡形狀相同，分散V[rij]趨近于0時，估算網絡形狀和原型的網絡形狀近似。當為1，V[rij]為0時，估算網絡形狀和原型網絡形狀一致。

絕對位置評價則要估算各節點的位置和真實位置的歐幾里得距離總和的平均值，位置估算誤差為Errave。

（6）

因此，與自我組織定位方法比較，匯集型自我組織定位方法有位置估算誤差非常小、精度高的優點。

自我組織定位方法在少數的網絡拓撲中，雖然能正確地估算部分形狀，但發生曲折的大范圍拓撲時產生的誤差過大，這樣就大大提高了全網絡拓撲中的平均誤差。匯集型自我組織定位方法完全抑制了曲折拓撲，穩定地保持低誤差。匯集型自我組織定位方法中的值比自我組織定位方法中的值低，并且趨近于1。利用匯集型自我組織定位方法時V[rij]的值比自我組織定位方法時的V[rij]值低，趨近于0。因此，匯集型自我組織定位方法估算網絡中節點的拓撲形狀更準確，與原型網絡形狀幾乎一致。

根據以上理論，匯集型自我組織定位方法在混合環境下，能夠實現原型網絡高精度再現，并高精度地估算出節點位置。

4 結 論

本文提出在云環境下的匯集型自我組織定位方法，并在仿真實驗中確定了能夠實現混合環境下高精度的估算節點位置，能夠大量減少通信次數，降低感應節點的電力消耗。驗證了混合環境下利用匯集型自我組織定位方法的可行性和有效性。

參考文獻：

[1] 秦紹華.無線傳感器網絡多信道通信技術的研究 [D].濟南：山東大學，2014.

[2] 陳羽.廣域行波測距算法及其形式化驗證 [D].上海：上海交通大學，2013.

[3] 孫順遠.無線傳感器網絡定位算法及應用研究 [D].無錫：江南大學，2014.

[4] 羅勃.基于UWB技術的TDOA定位算法的研究與實現 [D].海口：海南大學，2017.

[5] 楊玲玲.IR-UWB無線傳感器網絡精確TOA測距定位研究 [D].太原：太原理工大學，2011.

[6] 劉菁原.無線傳感網中距離相關加權定位算法分析研究 [D].昆明：昆明理工大學，2016.

[7] 李亞杰.基于DV-Hop的無線傳感器網絡定位算法研究 [D].贛州：江西理工大學，2017.

[8] 寇磊.基于SOM算法改進的K-medoids算法及其研究 [D].太原：太原理工大學，2017.

[9] 石勇.面向云計算的可信虛擬環境關鍵技術研究 [D].北京：北京交通大學，2017.

作者簡介：李依霖（1981-），女，漢族，遼寧遼陽人，講師，碩士，主要研究方向：智能控制、網絡教育。