事件驅動傳感器網絡中基于學習向量量化模型的數據融合機制

孫海全 王崢 郭彥 李良 臧志成

（北京智芯微電子科技有限公司 北京市 100192）

1 引言

無線傳感器網絡(Wireless Sensor Network, WSN) 是由部署在某一監測區域的若干傳感器節點組成的，以環境監測、目標追蹤等為目的的一種新型自組織網絡[1]-[3]。根據數據收集方式的不同可以將無線傳感器網絡劃分為：時間驅動型傳感器網絡和事件驅動型傳感器網絡。時間驅動型傳感器網絡由傳感器節點通過固定的時間實現周期性的檢測數據采集，然后根據固定的網絡拓撲將檢測數據上傳到匯聚節點；而事件驅動型傳感器網絡則是大部分感知節點處于休眠狀態，只有當突發性事件發生后才會采集數據并自主成簇后上傳到匯聚節點。因此，相比于時間驅動型傳感器網絡，事件驅動型傳感器網絡更加節能，在電網故障監測、入侵檢測等很多領域具有較大的應用潛力[4]-[5]。然而，由于事件的突發性，事件驅動型傳感器網絡數據采集是很難預測的，因而，如何保證事件驅動型傳感器網絡檢測和收集數據的實時性是當前學術界和工業界共同關注的熱點問題之一[6]-[9]。

在事件驅動型傳感器網絡中，當有事件發生時會激活此區域的感知節點來完成數據感測的任務。由于此類感知節點通常分布較為密集且采集功能相似，相鄰感知節點感測的數據具有較高的冗余性。因此，如何有效地剔除感知節點間冗余的感知數據，進而實時地將有效的感知數據傳送到匯聚節點中是一個亟待解決的問題[10]-[12]。其中，數據融合技術能夠充分利用多源數據的互補性來降低網絡傳輸數據量，從而達到提高信息質量并降低能耗的目的。高效的數據融合算法能夠顯著減少冗余數據的傳輸，降低數據沖突，減輕網絡擁塞，有效地節省能源開銷，顯著地延長網絡生存時間[13]。顯然，對于事件驅動型傳感去網絡來說，研究高效的數據融合策略對提高網絡性能、充分利用網絡資源十分關鍵。

針對事件驅動型傳感器網絡中數據融合問題，研究者們提出了多種解決方案。文獻[14]考慮了全局沖突情況下節點間感知信息的相互影響，利用動態沖突信譽值和新的組合規則模擬行為的不確定性，構建感知信息證據理論融合模型，用于解決環境輔助生活系統（AAL, ambient assisted living）中行為識別沖突問題，該融合方法提高了行為識別的有效性和準確性。文獻[15]定義了一種多傳感器數據融合以及普適計算的應用提供了一種靈活的框架。該框架能夠實現對聯合事件的精確分類和檢測。文獻[16]采用了基于數據融合的功率優化技術，通過增大共享路徑上傳輸數據總量，減少每比特的傳輸能量，從而降低網絡的能量能耗。但是該數據融合只是通過設定發送時間限制不同節點的數據融合，并沒有對冗余數據進行處理，因此無法適用于對數據實時性要求較高的網絡應用場景。文獻[17]中介紹的無線傳感器網絡中基于自回歸預測、移動平均預測、指數平滑預測的數據融合算法，文獻[18]提出的無線傳感器網絡中基于灰色支持向量機預測模型的數據融合算法，都能降低網絡能量消耗，但是高復雜度的預測算法不適用于事件驅動型傳感器網絡。

圖1：事件驅動傳感器網絡數據收集模型

圖2：基于二進制表示的感知數據狀態分類

當前大部分的數據融合常用的技術手段主要包括壓縮、合并、丟棄、抑制發送、過濾、評估、預測等[21]。然而，在事件驅動型傳感器網絡中，由于感知節點感知到的數據種類多，直接對感知數據進行融合是不可行的。因此，事件驅動型傳感器網絡中數據融合策略的研究仍然面臨巨大挑戰。此外，不同于時間驅動型傳感器網絡在事件發生前已經構建的層次型數據轉發結構。事件驅動型傳感器網絡需要根據感測區域自主尋找傳輸路徑。因此，如何在事件區域內構建低功耗的路由也是一個需要考慮的重要問題。

針對以上的問題，本文提出一種在事件驅動傳感器網絡中基于學習向量量化模型的數據融合機制。首先，對感知的原始數據進行預處理，主要是對感知數據狀態進行分類，及時反饋異常狀態數據，周期反饋常規狀態數據，極大程度上避免了無用數據傳輸。然后，基于學習向量量化模型對反饋數據進行分類融合，減少數據傳輸的能耗和時延。最后，利用粒子群算法動態的選擇在最優路徑。仿真結果表明，在傳感器節點處進行數據融合，不僅能滿足對感知數據實時性的要求，而且能夠減少網絡內部冗余數據的傳輸，達到降低傳輸能耗、延長網絡生命周期的目的。

2 網絡模型

如圖1 所示，在事件驅動型傳感器網絡中，根據傳感器節點功能的不同，將其分為普通節點，代表節點，轉發節點和聚合節點四類。其中，普通節點負責收集感知區域內的數據；代表節點是通過篩選選擇能夠代表感知區域數據的感知節點，主要負責反饋事件區域內的常規數據和異常數據；轉發節點的作用負責收集并轉發代表節點的數據給下一跳。聚合節點是路徑中的分叉節點或父節點，負責融合不同區域、不同類型節點的數據。最終，將融合后的數據傳送到匯聚節點中。

3 數據預處理

事件驅動型傳感器網絡適用于電網安全監測、入侵檢測、災害預防等很多應用，對網絡的實時性要求很高。這些應用場景要求節點對突發事件產生的異常數據具有較高的敏感度，而對常規數據并不敏感。因此，并不需要把采集的大量原始數據全部反饋給匯聚節點，只需要先檢驗是否有異常數據產生，如果有異常數據產生立即反饋異常的數據，而常規數據周期性發送即可，這樣就可以減少數據區域的數據傳輸量，避免由大量相似數據傳輸而導致網絡擁塞。

如圖2 所示，本文將感知到的數據狀態分為兩大類，一類為“常規”狀態，即當前感知數據屬于正常范圍內中，用二進制數0 示；另一類為“異常”狀態，即當前感知數據超出了正常范圍中，用二進制數1 示。基于感知數據的狀態分類結果即為一組含有0 和1 的二進制時間序列。

其中，不同類型數據（例如溫度數據、濕度數據、信號強度數據等）正常范圍也不相同，因此，需要將采集到的數據根據其類型設定閾值范圍進行比較。在設定的閾值范圍內，則判斷感知到的數據狀態處于“常規”狀態，用二進制數0 表示；超出設定的閥值范圍，則判斷感知到數據狀態為“異常”狀態，用二進制數1 表示，由此可以得出一組含有二進制數0 和1 的分類結果序列。當感知結果為1 時，立即傳輸該數據；而當感知結果為0 時，則周期性傳輸該數據。

4 代表節點選取

為了節約能耗，需要在事件區域內的普通節點中選擇出一個代表節點反饋事件區域內的常規數據和異常數據。由于節點的能量有限，因此，能量是一個必不可少的衡量因素。其中，事件驅動傳感器網絡中的能耗主要來自于無線通信和數據處理，如式（1）所示。

其中，Etotal表示節點產生的總的能量消耗，Et是發送數據時產生的能量消耗，Er是接收數據產生的能量消耗，Ep則表示數據處理消耗的能量，其中：

其中Ee為發送1bit 的能耗，Eamp為放大器產生的能耗，n 為數據長度，d 為數據傳輸距離，a 為路徑損耗因子。

采用壓縮感知和網絡編碼對大量數據進行處理時計算過程產生的能量消耗Ep不能忽略，因此網絡中收發nbits 數據產生的總能耗如式（3）所示。

因此，節點的剩余能量Erei可以表示為：

其中，Eo表示原始能量。為了均衡能量，選擇剩余能量最多的普通節點作為代表節點，以保證整個網絡的生命周期。

5 基于學習向量量化的聚類融合機制

通過選取代表節點，極大地減少了冗余數據反饋到匯聚節點處。然而，反饋的異常數據仍具有很高的冗余性，需要在聚合節點處進一步進行數據融合。由于異常數據種類的多樣性，因此需要對異常數據進行聚類融合。對此，采取了一種學習向量量化的方法對感知的異常數據進行聚類融合，與k 均值聚類算法不同，該方法首先將數據進行類別標記，之后在學習過程中利用這些標記信息進行聚類融合。

算法1 基于學習向量量化的聚類融合機制輸入：異常數據集D；學習率 ；過程：1：從 初始化一組融合向量 ；2： repeat 3：從 中隨機選擇樣本xj 4：計算樣本xj 與融合向量的距離；5：找出與xj 距離最近的融合向量pi；6：更新融images/BZ_214_1486_1702_1540_1748.png量pi： ；7：until 滿足停止條件。輸出：融合向量

6 最優轉發路徑構建

在進行數據融合之前，需要構建代表節點到匯聚節點的轉發路徑以穩定傳輸數據。本文引入粒子群優化算法（Particle Swarm Optimization，PSO）算法，以優化最優路徑的構建。PSO 是由Kennedy 和Eberhat 提出的一種基于群體智能的元啟發式算法[]，他們的靈感來源于群體鳥群間的協作通信，智能是由于鳥群的行為可以導致群體模擬復雜的全局模式。

在PSO 中，有三個主要的組成部分：粒子，粒子的社交和認知組成部分，粒子的速度。在一個問題空間中，可能有不止一個解決方法，需要求出最優解決方案。粒子的學習主要有兩個來源，一個是源于粒子的自身經驗，稱為認知學習；另一個是結合整個群體的學習，稱為社會學習。認知學習用個體極值(Personal Best, pbest)表示，社會學習用全局極值(Global Best, gbest)表示。個體極值是粒子在它的歷史行為中的最佳解決方案，全局極值是群體實現的最好位置。結合認知學習和社會學習，可以用粒子的速度計算出他們的下一個位置。基于PSO 的最優轉發路徑構建具體過程如下：

6.1 初始化粒子

6.2 轉發路徑的構建

圖3：網絡剩余能量比較

圖4：生存數比較

圖5：延遲的比較

根據廣播的消息構建代表節點的鄰居表，為每個代表節點構建到達匯聚節點的轉發樹，樹的每條分支表示代表節點到達匯聚節點的轉發路徑。每條轉發路徑的構建從當前的代表節點開始，在轉發路徑構建的每一步中，會選擇與當前代表節點有著直接鏈路且優先級較高的轉發節點作為下一跳節點。這個過程一直持續直到到達匯聚節點，所有的代表節點與匯聚節點相連接。其中，最優的粒子包含了較高優先級的節點構成的最優轉發樹。

6.3 適應度函數

本文采用加權和方法構建最優轉發路徑的多目標適應度函數，函數的目標是優化節點的能量存儲以及節點的能量均衡：

6.3.1 節點的能量存儲

為了確保代表節點轉發路徑上節點能量的有效性，要考慮的主要因素之一是合理使用節點的能量。由于節點轉發數據消耗的能量最大，因此，為了增加節點的能量存儲，可以最小化節點間轉發數據的最大傳輸距離，本文采用式（7）來實現粒子j 有關節點能量存儲的適應度：

6.3.2 節點的能量均衡

代表節點轉發路徑上節點間的能量均衡性是影響節點能量有效性的另一個重要因素。在節點間轉發數據的過程中，靠近匯聚節點的中繼節點轉發的數據量大，能量消耗的速度更快，因此，合理均衡轉發路徑上節點間的能量消耗可以提高節點的能量有效性。為了實現節點的能量均衡，避免一直采用最短路徑轉發使得部分中繼節點過早死亡，應最小化節點間轉發數據的最大傳輸跳數，本文采用式（8）來實現粒子j 有關節點能量均衡的適應度：

因此，綜合以上兩個重要因素，本文構建最優轉發路徑的適應度函數如式（9）所示：

7 數值結果及性能分析

為了評估所提出算法的性能，本文采用Matlab 仿真平臺對網絡場景進行模擬，并將本文算法與TEEN[19]、YEAST[20]算法進行仿真對比。其中，TEEN 根據突發事件監測的特點對LEACH 的數據傳輸機制進行了改進，簇頭分別廣播硬閥值（H）和軟閥值（S）。當監測數據第一次超過硬閥值時，節點將其發送給簇頭。如果監測數據大于硬閥值且變化量不小于軟閥值，節點才能繼續傳送最新的數據。YEAST 機制自組織地根據事件屬性構造層次性簇結構。具體的仿真參數，如表1 所示。

表1：仿真參數

圖3 反應了三種機制在網絡剩余能量的對比。TEEN 機制的網絡能量消耗速度最快，在第2500 輪事件后剩余能量基本變為0；YEAST 機制的網絡能耗較TEEN 機制少了很多，網絡剩余能量在10000 輪事件后才趨于0，而本文算法的網絡剩余能量下降最緩，持續到13000 輪事件后。這是因為該算法采用相關性的融合，更大程度地減少了能耗。由此可見，本文算法在節約能耗方面優勢明顯。

圖4 反映了節點存活數目的比較，盡管前面兩個機制的節點能耗高于本文算法，初始階段并不會立即導致節點死亡，所以從圖中可以看出在少于1500 輪之前，三個協議的節點死亡率相近。但隨著時間的推進、事件的增多，由于本文算法有效的事件分簇，及限制性廣播和利用時間相關性，降低通信量，節約能量，因此在一定輪數之后，本文算法的節點死亡率明顯低于前兩個機制。

圖5 反映了數據的平均傳輸延遲。為了便于分析，在傳輸數據時通過改變事件發生率分析平均延遲。通過圖示觀測可知。TEEN協議的延遲很明顯大于YEAST 和本文算法，而本文算法延遲比起YEAST 更小。仿真表明，本文所提算法能夠在有效應對突發事件，保障數據傳輸的實時性。

8 總結

本文提出一種在事件驅動傳感器網絡中基于學習向量量化模型的數據融合機制。首先，對感知的原始數據進行預處理，主要是對感知數據狀態進行分類，及時反饋異常狀態數據，周期反饋常規狀態數據，極大程度上避免了無用數據傳輸。然后，針對反饋數據的多樣性和冗余性對數據進行融合，減少數據傳輸的能耗。此外，通過計算剩余能量選擇出最佳的代表節點。最后，通過PSO 為代表節點構建最佳的轉達路徑。通過仿真表明，本文算法在網絡剩余能量，節點存活率及傳輸延時各方面都優于TEEN 和YESAT 算法。同時，本文算法合理地利用了節點的能量，在保證時延的情況下有效地延長了網絡的壽命。