基于數據驅動的無線傳感網絡多等級通信技術研究

中圖分類號：TN92 文獻標志碼：A

0 引言

無線傳感網絡作為物聯網的核心組成部分，隨著應用場景的日益復雜和多樣化，面臨通信異常入侵、節點覆蓋不均、節點分類困難以及數據通信協議不適應海洋等特殊環境的問題，嚴重制約了無線傳感網絡的通信能力和整體性能。

肖衡等[1通過構建支持向量機節點定位模型，明確網絡通信狀態，并推算異常行為造成的潛在損失，從而有效隔離異常節點。然而，該方法雖然能夠準確檢測異常入侵，但在面對大規模網絡或復雜攻擊模式時，計算復雜度和實時性可能受到限制，導致通信能力下降。韋修喜等[2]通過結合麻雀搜索算法、引入自適應權重系數以及柯西變異擾動等策略，有效提高了節點覆蓋率。然而，該算法在優化過程中可能陷入局部最優解，且對于動態變化的網絡環境適應性較差，從而影響通信能力的穩定性。周澄等[3]通過提取節點的Embedding、入度、出度等共引屬性特征，利用節點分類模型進行訓練，實現了對節點的準確分類。然而，該方法在處理大規模網絡時，特征提取和模型訓練的計算開銷較大，且對于節點特征的動態變化敏感性不足，可能導致通信能力的波動。史博等4通過軟件仿真分析，搭建了無線數據傳輸系統并開展了外場湖面環境下單節點無線電臺的往復通信測試。然而，該方法對于其他復雜環境下的通信協議適應性較差，且未充分考慮網絡節點的能耗和安全性問題，從而限制了其在更廣泛場景下的通信能力。

針對上述存在的問題，本文進一步探索基于數據驅動的無線傳感網絡多等級通信技術，實現對網絡通信資源的優化配置，提升通信能力。

1基于數據驅動壓縮無線傳感網絡通信信號

為有效降低無線傳感網絡中通信信號數據的冗余度，節約大數據存儲資源，同時提升信號通信的效率，本文引人數據驅動技術對海量的無線傳感網絡通信信號數據進行壓縮處理，具體流程如下。

在無線傳感網絡中，將所有采集到的通信信號視為與時間緊密相關的時間序列 s 。其中 s 包含了有效信號與噪聲信號，基于數據驅動技術，從 s 中精準剔除噪聲信號，降噪公式為：

Sd=S-Po（S）（1）

式中， 表示估計出的噪聲部分。

完成上述對通信信號的受限等距性質分析后，觀測向量 G 中雖然有效信號被一定程度壓縮，但其中蘊含的網絡通信鏈路狀態信號特征仍可被挖掘。利用數據驅動技術，獲取壓縮后的無線傳感網絡通信信號，公式為：

式中， W（n） 表示數據驅動系數， y（n） 表示數據驅動的輸出序列。

2設置無線傳感網絡多等級通信節點

在壓縮后的無線傳感網絡通信信號基礎上，設置無線傳感網絡多等級通信節點，考慮節點能耗均衡和節點等級劃分[5]。將 N 個壓縮后的無線傳感網絡通信信號傳輸到目標接收節點，以此增強無線傳感網絡多等級節點的協同通信能力，無線傳感網絡多等級通信節點模型如圖1所示。

多等級通信節點在無線傳感網絡中廣播特定的等級標識信息，當等級標識信息傳輸到所有相關節點時，記錄此時的本地時間戳服務模式[6]，多等級通信節點將記錄的本地時間戳信息交互給其他節點，得到無線傳感網絡多等級通信節點過程可通過下式描述：

圖1無線傳感網絡多等級通信節點模型

式中， t（i） 表示通信節點 i 記錄的本地時間戳，t（j） 表示通信節點 j 記錄的本地時間戳。

根據上述計算，能夠設置無線傳感網絡多等級通信節點，從而完成無線傳感網絡在壓縮信號基礎上的高效通信。

3實現無線傳感網絡多等級通信能力分配

在無線傳感網絡多等級通信節點的基礎上實現無線傳感網絡多等級通信能力分配，即把多等級通信節點的通信能力特征劃分為 K 個類，每一個節點的通信能力特征唯一對應一個類別，并且在各個聚類當中，節點與所屬聚類中心之間的間距選址優化達到最小[7]

將無線傳感網絡多等級通信節點的通信能力特征視為樣本數據集合，表示為 R=[r₁，r₂，…，r_m] ，其中 m 為樣本數量。假定將 K 值確定為3，此時就需要把樣本數據集合里的樣本歸類到 C₁，C₂ 以及 C₃ 中。采用歐式距離衡量兩個多等級通信節點通信能力特征之間的相似度，公式為：

式中， r_i 和 r_j 分別表示第 i 個和第 j 個通信節點的通信能力特征向量， z 表示特征向量的維度。

在無線傳感網絡多等級通信能力類別的條件概率 φ（C_u∣r） 基礎上，引入支持向量機（SVM），將拉格朗日乘子轉化為對偶乘子，最終的無線傳感網絡多等級通信能力分配公式為：

式中， f 表示支持向量機的核函數， α 表示拉格朗日乘子。通過求解公式（9），得到支持向量機的分類結果，從而完成無線傳感網絡多等級通信能力的精準分配。

4實驗測試

為驗證基于數據驅動的無線傳感網絡多等級通信技術的實際效能，需開展實驗測試。借助MATLAB平臺構建仿真環境，模擬復雜通信場景，引入泊松噪聲。將信號頻率確定為 2000Hz ，采樣頻率設定為20kHz ，信噪比設置為 15dB 。依據表1的實驗設計參數，搭建多層次仿真架構，以全面評估技術性能。

表1實驗設計參數

仿真實驗場景設定為圓形目標監測區域，基站置于圓心位置，隨機分布異構節點120個，節點部署固定后位置保持不變。簇首選擇比例設定為0.08，即每輪簇首節點數量理論上維持在10個左右。在此環境下，運用基于數據驅動的無線傳感網絡多等級通信技術，采集通信過程中的信號數據，進行預處理與特征分析，以驗證該技術在多等級通信場景下的傳輸效能。劃定實驗區域為 300m×300m 的正方形場地，所有傳感器節點均隨機部署于該區域內，每個節點的有效通信覆蓋半徑設定為 30m 。選定最遠端節點12作為核心信源節點，此節點上連接著溫濕度傳感器，該傳感器借助RS-485總線與節點12相連通，總線通信速率配置為96Kbit/s，無線傳感網絡空中接口波特率設置為 300Kbit/s 。

采用本文技術采集的原始無線傳感信號與經過多等級融合處理后的信號波形對比圖，如圖2所示。

由圖2可知，原始無線傳感信號波形分布極為緊湊，而通過本技術的多等級融合處理后，信號波形分布變得較為疏松，且整體變化趨勢與原始波形保持一致。由此可見，本技術既能有效降低原始信號的冗余程度，又能很好地保留信號的關鍵特征，為后續的多等級通信傳輸提供了有力保障。

采用基于數據驅動的無線傳感網絡多等級通信技術、肖衡等\"基于機器學習的無線傳感網絡通信異常入侵檢測技術、韋修喜等基于多策略改進蝴蝶優化算法的無線傳感網絡節點覆蓋優化、周澄等[3]基于多共引特征的ZigBee無線傳感網絡節點分類以及史博等[4海面無線局域傳感網絡的數據通信協議開展對比測試。通過模擬復雜通信場景，全面評估不同方法在通信方面的綜合表現。隨機挑選18個原始無線傳感信號與25個多等級融合信號開展通信判決測試，并在測試集中額外注人12組模擬干擾數據，5種方法的通信判決測試結果，如圖3所示。

圖2信號波形對比

由圖3可知，肖衡等[1方法的信號分布極為雜亂，各類信號相互交織，難以有效辨識其具體類型，顯示出較弱的信號區分能力。韋修喜等2方法雖然在一定程度上實現了信號的分類，但存在明顯的錯判現象，且對噪聲數據較為敏感。周澄等[3]方法在信號聚類上表現較好，然而在面對復雜噪聲環境時，其抗干擾能力顯得不足，導致部分信號誤判。史博等4方法雖有一定改進，但仍未能完全解決信號混淆和噪聲干擾的問題。而本文設計技術展現出了顯著的優勢，不僅能夠將原始無線傳感信號和多等級融合信號精準地聚類到不同區域，而且在整個測試過程中未出現任何錯判情況，完全不受噪聲數據的干擾，始終保持著穩定的通信信號判決能力，證明其具有更為理想的通信信號判決能力，在無線通信網絡中通信能力更強。

圖35種方法的通信判決測試結果

為深入評估所提技術的實際效能，在循環迭代輪次設定為300至1500次的區間內開展實驗，重點監測不同迭代次數下各傳感器節點的累積時間偏差分布情況，5種方法的誤差累積分布曲線，如圖4所示。

由圖4可知，本文設計技術在各節點上的誤差累積均顯著小于其他4種文獻方法。肖衡等1方法在各節點的誤差范圍大致為 11.8～16.0ms ，韋修喜等[2]方法的誤差為 9.3～13.0ms ，周澄等[3]方法的誤差處于 7.1～10.2ms ，史博等[4]方法的誤差為 6.2～ 8.0ms 。而本文設計技術的誤差則穩定維持在1.8～2.5ms 的超低水平。該數據充分表明，本文設計技術在無線通信網絡中能夠實現更精準的時間同步，有效降低通信延遲和誤差，具備更強的通信能力，為無線通信網絡的高效穩定運行提供了有力保障，

圖45種方法的誤差累積分布曲線

5結語

基于數據驅動的無線傳感網絡多等級通信技術，本文通過充分挖掘數據價值，實現了對網絡通信資源的精準調配，有效提高了通信能力。本文在保障通信安全、優化節點覆蓋、精準節點分類及適配通信協議等方面取得了一定成果，但仍存在復雜環境下穩定性欠佳、計算復雜度高、能耗考慮不足等問題。未來，需結合新興技術如邊緣計算、人工智能等，持續優化該通信技術，在提升通信性能的同時，兼顧能耗與成本，推動無線傳感網絡在更多領域實現高效、穩定、可持續的通信，為物聯網的蓬勃發展提供堅實支撐。

參考文獻

[1]肖衡，龍草芳.基于機器學習的無線傳感網絡通信異常入侵檢測技術[J].傳感技術學報，2022（5）：692-697.

[2]韋修喜，彭茂松，黃華娟.基于多策略改進蝴蝶優化算法的無線傳感網絡節點覆蓋優化[J].計算機應用，2024（4）：1009-1017.

[3]周澄，許勝.基于多共引特征的ZigBee無線傳感網絡節點分類［J].傳感技術學報，2024（11）：1976-1982.

[4]史博，蘆雪松，陳琳，等.海面無線局域傳感網絡的數據通信協議研究[J].艦船科學技術，2022（19）：123-128.

[5]卜瀏.大數據挖掘的無線傳感網絡節點入侵風險檢測方法[J].無線互聯科技，2024（22）：119-121.

[6]莊培華.多模態數據驅動的移動圖書館情境化知識服務模式研究［J].江蘇科技信息，2024（5）：94-96.

[7]孫宇，許昌，韓星星，等.基于蜉蝣算法的變間距規則排布海上風電場微觀選址優化方法[J].新能源科技，2025（1） ：28-34.

（編輯戴啟潤）

Research on multi-level communication technology of wireless sensor networks based on data driven approach

ZHANG Chunyan （Jiangxi Vocational and Technical College of Communications， Nanchang 33O1O5， China）

Abstract：In wirelessensor networks，compressed signals can only be obtained based on signal uniqueness，which leads to weak communication ability.Therefore，amulti-level communicationtechnologybased ondata-driven wireless sensor networks isdesigned.Thecolected wirelessensor network communication signals are regarded as time series， and the noise is accurately removed based on data driving to obtain compressd signals.Onthe basis of compressed signals，themulti-levelcommunicationnodemodelof wirelesssensor network isconstructed，andthemulti-level communication node setting of wireless sensor network is completed.Euclidean distance is used to measure the similaritybetween thecommunication capabilitycharacteristicsof two multi-level communicationnodes，and thedual multiplierissolved to complete the multi-levelcommunicationcapabilityallocationof wireless sensor networks and realize effcient communication of wireless sensor networks.The experimental results show thatthedesigned technology canaccuratelycluster theoriginal wireless sensorsignal and multi-level fusion signal，without misjudgmentand noise interference，andtheeroraccumulationofeach nodeissignificantlylower than thatof theotherfourliterature methods，and itremains attheultra-low level of1.8～2.5ms，which proves thatit has strongercommunication ability in wireless sensor networks.

Key words：data-driven;restricted equidistant property；wireless sensor network；multi-level communication technology;multi-level fusion signal

作者簡介：張春燕（1987—），女，講師，碩士研究生；研究方向：計算機網絡。