水下傳感網絡中能效感知的相似數據融合算法

劉小強

（1.河南科技大學應用工程學院，河南 三門峽 472000；2.三門峽職業技術學院，河南 三門峽 472000）

0 引言

水下傳感網絡（Underwater Sensor Networks，USNs）由微型、具有感知和通信能力的傳感節點組成。將這些傳感節點部署于水下環境，并由它們感知自身周圍環境數據，再將所感知的數據傳輸至信宿或者控制中心。通常，這些傳感節點是由電池供電。一旦電池能量用盡，也不便以給節點替換電池或補充能量。因此，如何有效地利用節點能量，進而延長網絡壽命，成為USNs 的研究熱點［2-3］。

分簇是延長網絡壽命的有效技術手段［4-5］。每個簇由一個簇頭和多個簇成員構成。簇頭收集本簇內成員節點數據；收集后，再傳輸至信宿。因此，簇頭具有融合節點類似操作行為。目前，已有多種形成簇的技術。本文是以已構成簇的WSNs 為研究對象，討論如何進行數據融合，進而減少數據冗余。

在同一個簇內的傳感節點所處的地理位置相距較近。由于處于同一個物理區域，這些節點所感知的數據也存在一定相似，甚至重復。若它們只是簡單地將數據傳輸至簇頭，或者簇頭對所收集的數據不進行處理，如減少冗余操作，這會增加節點傳輸的數據量，加大網絡負擔。

數據壓縮是控制數據冗余的有效途徑。文獻［6］利用數據壓縮策略進行融合感測的數據，并提出基于模塊對角矩陣的數據融合算法。類似地，文獻［7］也提出了基于分布式壓縮感知技術。

文獻［8］針對UWSNs，提出基于數據融合的構建簇算法，旨在減少UWSNs 內的冗余數據的傳輸。文獻［9-10］將相似函數引入網絡，并利用相似函數計算數據間的相似度。盡管這些技術減少了一些相似數據，但信宿所收到的數據仍存在冗余。

為此，提出能效感知的相似數據融合（Energy efficiency-simlarity Aggregation，EESA）算法。EESA算法基于簇化的網絡拓撲結構，簇頭對簇內成員節點的數據進行壓縮，減少數據傳輸量，進而控制能耗。

1 EESA 算法

1.1 網絡模型

考慮簇化的網絡結構。即網絡內已形成多個簇，每個簇由一個簇頭和簇成員構成，如圖1 所示。簇頭收集簇內成員所傳輸的數據，并進行數據壓縮處理。然后，再由簇頭將數據傳輸至水面上的信宿，然后通過衛星通信將數據傳輸至數據收集中心。

圖1 網絡模型

1.2 數據收集模型

考慮周期的數據收集模式。每個節點周期性向簇頭傳輸數據。簇頭再傳輸至信宿［11］。令p 表示周期的時長，每個時長又劃分 個時隙，節點在時隙ti內感測數據。令ki表示節點在時隙ti內感測的數據（簡稱為數據元），且i=1，…，。

1.3 能耗模型

引用文獻［1］的能量消耗。水下傳感節點以聲波作為傳輸數據的媒介。信號功率隨傳輸距離的增加而衰減。當聲波的傳輸距離為d 時，所衰減的功率為：

其中，f 為聲波信號頻率。

2 EESA 算法

2.1 數據相似度

在周期p 應用中，每個節點在向簇頭傳輸數據前，先建立數據矢量。令Ri表示節點si的數據矢量，如式（7）所示：

其中，表示在周期p 中總的數據元個數。

為了消除Ri內數據冗余，計算數據元內間的相似度。若兩個數據元間的相似度小于預定閾值，則認為它們間數據冗余。具體而言，令ri，j表示數據元ki與kj的相似度，其定義如式（8）所示：

若ri，j＜δ，則認為數據元ki與kj間存在冗余。其中，δ 為數據元相似度的閾值。

2.2 數據壓縮點

節點si在每個時期p 建立了數據矢量后，并依式（8）計算相似度，若相似度小于δ，則說明存在冗余。在這種情況下，需要對數據矢量進行處理。

EESA 算法引用數據壓縮點策略。即將數據矢量Ri轉換成代表性的點，并由這些點表述數據矢量Ri。再將這點數據傳輸至簇頭，進而降低數據傳輸量，也減少了簇頭收集數據量。

EESA 算法引用局部融合遞歸（Local Aggregation Recursive，LAR）算法構建數壓點集，其過程如算法1 所示。

節點先計算數據矢量首尾數據元的連線距離，其中定義如式（9）所示：

start、end 分別表示數據矢量第一個數據元索引下標、最后一個數據元索引下標。

然后，再將Ed與閾值td進行比較。如果Ed≤td，則將第一個數據元加入至Pi，如式（10）所示：

節點si先將數據壓縮點集Pi和Di傳輸至自己的簇頭。

3 性能分析

3.1 仿真環境

為了更好地分析EESA 算法性能，利用Java 建立仿真平臺。在5 000 m×5 000 m 區域內均勻部署180～360 個節點，節點部署的深度為2 000 m。具體的仿真參數如表1 所示。

表1 仿真參數

節點收集海域內海水鹽度數據。將這些節點劃分2～4 個簇。考慮兩個場景：1）場景1：2 個簇，第1個簇有60 個節點；第2 個簇有120 個節點。這2 個簇頭分別標記為CH1 和CH2；2）場景2：4 個簇，每個簇的節點為60 個節點。4 個簇頭分別標記為CH1、CH2、CH3 和CH4。每個節點收集數據，再傳輸至自己的簇頭。

同時，選擇基于優適相似度的（Well-suited Similarity Functions，WSF）［10］數據融合算法作為參照，并分析它們的性能。在實驗中，考慮不同的 尺寸和閾值td對性能影響。

3.2 數據分析

3.2.1 實驗1

本次實驗分析在場景1 環境下，節點發給簇頭的數據比例（簡稱節點傳簇頭數據比），如圖2 所示。 分別取值128、256、512 和1024。閾值δ 從0.001、0.005、0.01 和0.025 變化。

圖2 節點傳簇頭數據比（場景1）

從圖2 可知，EESA 算法有效地降低了節點傳輸至簇頭的數據比。最大的節點傳簇頭數據比也不過40%，最低為3%。這說明：利用EESA 算法能夠有效壓縮數據，極大地降低了數據冗余量。此外，從圖2可知，δ 或 的增加，降低了節點傳簇頭數據比。原因在于：隨著δ 或 的增加，認定數據冗余的條件變得苛刻，因此，壓縮數據的力度越大，使節點向簇頭傳輸的數據量越小。

3.2.2 實驗2

本次實驗分析在場景1 環境下，信宿所收到來自CH1 和CH2 的數據比例，并與WSF 算法進行比較，如圖3 所示，其中閾值δ 取0.005。

圖3 簇頭向信宿傳輸的數據比（場景1）

從圖3 可知，EESA 算法中每個簇頭（CH1 和CH2）向信宿傳輸的數據比遠低于WSF 算法。在 變化期間，EESA 算法的性能均優于WSF 算法，傳輸至信宿的數據比低于4%。可是WSF 算法的簇頭向信宿傳輸的比例達到50%。此外，CH1 和CH2 向信宿傳輸的數據比例相近。

3.2.3 實驗3

本次實驗分析EESA 算法執行時間，并與WSF算法進行比較，其中閾值δ 取0.005。圖4 顯示了場景1 環境下，EESA 算法和WSF 算法的兩個簇頭（CH1 和CH2）的執行時間。

圖4 2 個簇頭的運行時間（場景1）

從圖4 可知，相比于WSF 算法，EESA 算法有效地控制了算法的運行時間。例如，在=1 024 時，EESA 算法的執行時間約50 ms，而WSF 算法的執行時間達到150 ms。這歸功于EESA 算法利用歐式距離對數據壓縮，減少了數據處理量，極大地縮短了運行時間。

圖5 給出場景2 環境下EESA 算法和WSF 算法的4 個簇頭的平均運行時間。從圖可知，平均運行時間隨數據元個數的增加而呈上漲趨勢。原因在于：數據元個數越多，簇頭需要處理的數據量就越大，必然增加了運行時間。

圖5 4 個簇頭的平均運行時間（場景2）

此外，相比于場景1，場景2 環境中簇內的節點數減少，運行時間下降，并且WSF 算法與EESA 算法的運行時間差距縮小。

3.2.4 實驗4

引用文獻［4］的能耗模型，本次實驗分析EESA算法的節點能耗。

圖6 EESA 算法中節點的平均能耗（場景一）

表2 給出EESA 算法與WSF 算法的節點平均能耗，其中，EESA 算法的數據來自取δ=0.001 情況。從表2 可知，相比于WSF 算法，EESA 算法有效地減少了節點能耗。并且隨著 的增加，EESA 算法在能耗方面的優勢越大。原因在于：EESA 算法通過壓縮冗余數據，減少了節點所傳輸的數據量，進而減少了節點能耗。

表2 EESA 算法與WSF 算法的節點平均能耗

3.2.5 實驗5

本次實驗分析數據壓縮誤差。壓縮誤差體現了數據經壓縮解壓后數據的失真度。壓縮誤差越大，信息失真度越大，信息丟失越嚴重。壓縮誤差的定義如式（12）所示：

圖7 壓縮誤差

4 結論

本文提出能效感知的相似數據融合算法EESA。EESA 算法對節點傳輸的數據進行壓縮，減少數據冗余量。每個節點將收集的數據進行壓縮，再傳輸至簇頭，避免了冗余數據在網絡內的傳輸。相比于WSF 算法，EESA 算法控制網絡數量流量，減少了能耗。