傳感器網(wǎng)絡(luò)文獻(xiàn)報(bào)告

ALossInferenceAlgorithmforWirelessSensorNetworkstoImproveDataReliabilityofDigitalEcosystems

報(bào)告人：XXX2126IEEETRANSACTIONSONINDUSTRIALELECTRONICS,VOL.58,NO.6,JUNE2011內(nèi)容簡(jiǎn)介1背景介紹2解決方法3模型構(gòu)建以及算法描述4仿真5結(jié)論優(yōu)缺點(diǎn)分析1背景抽象的數(shù)字生態(tài)系統(tǒng)（DEs）是基于大量分布式數(shù)據(jù)的，而這些數(shù)據(jù)是從物理設(shè)備獲取的，特別是來自無線傳感器網(wǎng)絡(luò)（WSN）。由于固有帶寬和能量的約束，節(jié)能機(jī)制是傳感器網(wǎng)絡(luò)正常運(yùn)行的關(guān)鍵，并且對(duì)于提高（DEs）數(shù)據(jù)的可靠性至關(guān)重要。傳統(tǒng)的網(wǎng)絡(luò)性能檢測(cè)采用主動(dòng)測(cè)量的方法，因此耗費(fèi)系統(tǒng)資源（帶寬和能量），可擴(kuò)展性差。2解決方法本文提出了一種新的算法，采用基于被動(dòng)測(cè)量（LIPM）算法來推斷WSN鏈路損耗性能。該LIPM算法被動(dòng)地監(jiān)測(cè)傳感器節(jié)點(diǎn)和sink節(jié)點(diǎn)之間的應(yīng)用流量，然后使用網(wǎng)絡(luò)斷層掃描技術(shù)，以推斷網(wǎng)絡(luò)內(nèi)部性能。此外，等高線地圖——一種著名的數(shù)據(jù)表示方法，首次在WSN中的損耗性能推斷中被使用，它可以幫助LIPM算法快速識(shí)別有損地區(qū)。最后，該算法通過模擬驗(yàn)證，并表現(xiàn)出良好的性能和可擴(kuò)展性。

基于反向組播樹的數(shù)據(jù)聚合通信模式3模型構(gòu)建該圖是反向多播樹。在這個(gè)模型中，一個(gè)感興趣的事件發(fā)生在感測(cè)區(qū)域。然后，距離該事件S（稱為感測(cè)范圍）內(nèi)的傳感器節(jié)點(diǎn)被感知并和其他相關(guān)的節(jié)點(diǎn)構(gòu)造成反向組播樹，sink節(jié)點(diǎn)通過該事件收集信息。TreemodelLetT=(V,L)denoteareversemulticastaggregationtreeconsistingofasetofnodesVandasetoflinksL.Thespecialnodereferredtoasthesink,whichisdenotedbys；InL,alinkisanorderedpairlj=(j,k)∈V×V,whichmeansthatjsendsitsdatadirectlytok.Foreachnodej∈Vapartfroms,thereisauniqueparentnodek=f(j)suchthat(j,k)∈L.Definefn(j)recursivelybyfn(j)=f(fn?1(j)).Particularly：f0(j)=j.Letj→idenotethepathfromjtoiinT.（if?n≥0,i>=j,i=fn(j);）TreemodelDenotethesetofchildrenofnodekbyd(k),thatis,d(k)={j∈V|(j,k)∈L}DefinethesetofleafnodesbyR,i.e.,R={j∈V|d(j)=?}.For?k∈V\R,letT(k)=(V(k),L(k))denotethesubtreewithinTrootedatk.Then,R(k)=R∩V(k)isdefinedasthesetofleafnodesthataredescendedfromk.注意：不考慮單子節(jié)點(diǎn)的情形LossModel?k∈V\{s},用αk表示節(jié)點(diǎn)k通過路徑lk發(fā)送至節(jié)點(diǎn)f(k)成功的概率lk的丟包率表示為=1-αkXi,j∈{0,1}.Xi,j=1表示數(shù)據(jù)從節(jié)點(diǎn)j成功發(fā)送至節(jié)點(diǎn)i，Xi,j=0表示i節(jié)點(diǎn)接受數(shù)據(jù)失敗γ(k)表示在一個(gè)試驗(yàn)中至少有一個(gè)節(jié)點(diǎn)(R(k))的數(shù)據(jù)到達(dá)sink節(jié)點(diǎn)的概率γ(k)=P[Vj∈R(k)Xs,j=1](1)對(duì)于?k∈V\R，定義β(k)為R(k)中至少有一個(gè)節(jié)點(diǎn)成功到達(dá)節(jié)點(diǎn)k的概率β(k)=P[Vj∈R(k)Xk,j=1](2)LossModel(k)=1?β(k)表示k未接受任何來自R(k)中的數(shù)據(jù)，有兩種原因，其一：k未成功接受任何來自R(k)中的數(shù)據(jù)，其二：數(shù)據(jù)在鏈路Lj中丟掉了。因此

設(shè)A(k)表示在數(shù)據(jù)到達(dá)K節(jié)點(diǎn)的情況下，至少有一個(gè)節(jié)點(diǎn)（在R(k)中）的數(shù)據(jù)到達(dá)sink的概率LossModel基于伯努利分布的假設(shè)，很顯然而結(jié)合公式（1），（2），和（4），用于?k∈V\R，可以是發(fā)現(xiàn)γ(k)=β(k)·A(k)。（6）而組合（3），（5），（6），用于?k∈V\R，則可以求出：LossModelγ(k)可以通過在sink中的觀測(cè)進(jìn)行估計(jì)，k(m)k∈R,m=1,...,n表示第m次數(shù)據(jù)收集的估計(jì)值因此γ(k)的估計(jì)值是：LossModel鏈路的傳輸率的估計(jì)最終可從（5）得到因此，（7）-（11）式建立了鏈路傳輸/損失率以及在sink中的觀察值的關(guān)系。（8）-（10）式表示γ(k)可以從(m)中估計(jì)獲得，A（K）可以根據(jù)（7）求得。因此αk可以從式（11）中得到。InferenceAlgorithmA.ProblemDefinition1)反向多播樹的拓?fù)銽=(V,L);2)n次數(shù)據(jù)收集;3)記錄每次實(shí)驗(yàn)中葉節(jié)點(diǎn)發(fā)數(shù)據(jù)送至sink節(jié)點(diǎn)的(m)k∈R,m=1,2...n的值B.AlgorithmDescription本文采用LIPM算法（LossInferencebasedonPassiveMeasurement）該算法的偽代碼如右圖所示：程序infer_subtree用于推斷節(jié)點(diǎn)K（K不屬于R）的鏈路傳播率

APPLICABILITYDISCUSSIONLIPM算法在實(shí)際的工業(yè)和環(huán)境監(jiān)測(cè)的適用性現(xiàn)實(shí)世界中的無線傳感器網(wǎng)絡(luò)會(huì)有很多單子節(jié)點(diǎn)在拓?fù)錁渲?，然而LIPM算法適用于解決多個(gè)子節(jié)點(diǎn)的拓?fù)浣Y(jié)構(gòu)，因此該算法對(duì)于具有單子節(jié)點(diǎn)的情況是無效的。本文提出虛子節(jié)點(diǎn)的概念，如下圖所示：在數(shù)據(jù)采集的過程中，當(dāng)節(jié)點(diǎn)?收到來自他的子節(jié)點(diǎn)的數(shù)據(jù)時(shí)，它把自己的ID傳給匯總數(shù)據(jù)包，在sink節(jié)點(diǎn)看來，它收到兩個(gè)ID地址一樣的數(shù)據(jù)。LIPM算法可以有效利用于周期性數(shù)據(jù)采集??或小概率事件檢測(cè)定期收集數(shù)據(jù)，例如跟蹤監(jiān)測(cè)流動(dòng)材料的設(shè)備的健康狀況，很明顯LIPM算法非常適合于這些應(yīng)用。另一方面，在罕見的事件檢測(cè)中，傳感器節(jié)點(diǎn)用于檢測(cè)和區(qū)分稀有事件，如報(bào)警和故障檢測(cè)通知。對(duì)于這些基于隨機(jī)事件的應(yīng)用，如果部署一個(gè)基于反向組播樹的數(shù)據(jù)聚合通信模式，盡管感興趣的事件發(fā)生的持續(xù)時(shí)間相對(duì)較長(zhǎng)，該LIPM算法也將因?yàn)槠淞己玫氖諗啃远l(fā)揮作用。對(duì)于短暫事件的情形，其中沒有多大的傳輸發(fā)生時(shí)，數(shù)據(jù)聚集通信模式通常不采用。因此，LIPM算法不適合于此種情形。4仿真仿真環(huán)境：OMNeT++網(wǎng)絡(luò)模擬器仿真模型：分別由1000和2000個(gè)節(jié)點(diǎn)組成的隨機(jī)網(wǎng)絡(luò)。采用兩種不同的分布來表示丟包率LD1：丟包率隨機(jī)的分布在[0.01,0.4]之間LD2：丟包率為0.2衡量標(biāo)準(zhǔn)：A.ComparisonWithPreviousAlgorithmsB.SimulationsinPeriodicDataCollectionScenarios仿真模型：分別由1000和2000個(gè)節(jié)點(diǎn)組成的節(jié)點(diǎn)隨機(jī)分布的網(wǎng)絡(luò)。每個(gè)節(jié)點(diǎn)有2~10個(gè)子節(jié)點(diǎn)丟包過程：（1）BP：Bernoulliprocess（2）GP：Gilbertprocess衡量標(biāo)準(zhǔn)：inferenceabsoluteerrors(IAEs)Fig.5.CumulativedistributionofIAEofN1000withLD1(periodicdatacollectionscenarios).(a)UnderBP.(b)UnderGP.Fig.6.CumulativedistributionofIAEofN2000withLD1(periodicdatacollectionscenarios).(a)UnderBP.(b)UnderGP.Fig.7.CumulativedistributionofIAEofN1000withLD2(periodicdatacollectionscenarios).(a)UnderBP.(b)UnderGP.Fig.8.CumulativedistributionofIAEofN2000withLD2(periodicdatacollectionscenarios).(a)UnderBP.(b)UnderGP.C.SimulationsinEvent-BasedScenarios仿真模型：1000個(gè)節(jié)點(diǎn)任意放置在D=1000的正方形區(qū)域內(nèi)sink節(jié)點(diǎn)位于正方形中心的左上方傳感器節(jié)點(diǎn)的通信半徑設(shè)為50~150m100個(gè)隨機(jī)事件相繼發(fā)生Fig.9.CumulativedistributionofIAEofN1000withLD1(event-basedscenarios).(a)UnderBP.(b)UnderGP.Fig.10.CumulativedistributionofIAEofN1000withLD2(event-basedscenarios).(a)UnderBP.(b)UnderGP.Fig.11.Evaluationontheconvergence.(a)LD1.(b)LD2.D.LossyAreaIdentification仿真模型：1000個(gè)節(jié)點(diǎn)任意放置在D=1000的正方形區(qū)域內(nèi)丟包區(qū)域中心（750m，250m），半徑為100mFS1:丟包區(qū)域的丟包率隨機(jī)分布在[0.3,0.4]，其他區(qū)域丟包率分布在[0.01,0.1]FS2:丟包區(qū)域的丟包率隨機(jī)分布在[0.3,0.4]，其他區(qū)域丟包率為0.1仿真模型：1000個(gè)節(jié)點(diǎn)任意放置在D=1000的正方形區(qū)域內(nèi)

FS3:所有節(jié)點(diǎn)的丟包率均分布在[0.01,0.1]

FS4:所有節(jié)點(diǎn)的丟包率均為0.1

5結(jié)論WSN是DEs的一個(gè)組成部分，并為DEs從環(huán)境中提取有用數(shù)據(jù)。顯然，WSN的大規(guī)模應(yīng)