论文部分内容阅读
近年来，随着微机电技术(Micro-Electro-Mechanical Systems，MEMS)的不断发展，无线传感器网络（Wireless Sensor Network，WSN）在国际上备受关注并取得了广泛应用。典型的无线传感器网络通常无基础设施，并将大量的无线传感器节点随机部署于无人看管的恶劣环境中，用于采集各种数据。每个传感器的传感能力、处理能力和通信能力都是有限的。传感单元可以测量传感器感知到的周围环境参数并将其转换成电信号。在实际应用中，为了降低开销，往往需要设备至少生存几年，因此我们面临着一个挑战，因为部署在恶劣环境中的传感器不能被充电或者更换电池。 因此，如何有效使用传感器的能量是延长网络寿命的关键点，因为当一个传感器的能量耗尽时会与整个网络断开连接，进而影响实际应用的效果。 把网络中的传感器分为互不重叠的部分，并通过每一部分的头节点来向基站发送数据的方法被称为分簇，分簇可以有效地节省网络能量、提高系统的可扩展性。 分簇技术可以有效降低能耗是因为每个簇头可以控制簇内活动性，并与其他簇头和基站进行通信。分簇协议涉及两个重要的方面，一个是簇头的选择，另一个是节点如何选择其所归属的簇头。由于簇头可以控制该簇的活动性，因此簇内节点大多数时间可切换为低功耗的睡眠模式，从而降低能耗。 在无线传感器网络中，传感器节点所采集的数据无线传输至Sink节点。通过监测节点地理位置，传感器节点可将所采集的感知信息无线传送至中继节点。为了实现节能的目的，可在簇头或Sink节点上采用适当的数据聚合函数来处理从传感器发来的大量数据。在数据聚合过程中，一些信息可被整合在一起并由相同的位数表示，从而实现通信过程中的节能，数据发送的频率则取决于特定的应用。 无线传感器网络中会出现多对一的情况，这将导致靠近Sink节点的节点比远离Sink节点的节点更容易引发严重的竞争和拥塞。当竞争和拥塞加剧，丢包率也会随之加大，因为靠近Sink的节点承担巨大的数据包传输任务，因而需要消耗更多的能量，导致能量过早耗完，使此Sink节点与网络的其它部分断开连接。 由于单个传感节点的性能差异，数据融合技术还存在一些障碍，网络中的传感器节点面临着一些挑战: 传感器节点的低可靠性问题。网络层中的问题，如传感器的内存、处理能力及电池寿命有限。处理技术和通信协议需容忍单个节点故障、适应不断变化的环境、检查传感数据的完整性，并在有限的条件下，提取有效信息并进行时-空数据聚合。还有传感数据中的异常与噪声、NP难数据聚合时间、数据传输中的能耗，另外由于数据流是每次一条消息，所以如何获取完整的邻居节点信息和聚合信息也是一个挑战。 针对传感器能量有限的问题，本文提出了一系列解决此问题的算法。 首先，我们提出了一种新型聚类算法:高效能源聚类算法(EECR)，通过有效利用传感器的能源，以延长无线传感器网络寿命。EECR延长网络生存期并且提高性能，这是因为它有能力处理大量随机分布的传感器，同时能够处理特殊形状的簇，适应于各种不同大小的簇。 EECR采用一个小数量的传感器网络，每个传感器都代表一个簇。如果在任何一对传感器节点中两个簇之间的距离是最短的，合并两个簇。然后从每个簇中选择数量恒定的一小部分节点作为簇代表，传感器彼此之间尽可能远（位于簇的边界）。一般来说，簇内传感器的恒定数量应大于10。如果值小于10，那么代表节点将不能真实反映簇的结构。接着，如果两个簇内各有一个代表性的传感器，且这两个传感器足够接近，那么合并两个簇。重复这一合并的步骤，直到不再有足够接近的簇。这样每个传感器Si与簇代表传感器进行比较，如果某个代表传感器与Si距离较近，则Si被分配到此代表传感器相应的簇。 每个簇的质心（协调中心）是已知的，最接近质心的传感器将被选为簇头，用来平衡所有传感器和其簇头间的距离。这样可以减少在传感器和簇头之间进行长距离数据分组传输的能量消耗。在这点的WSN簇形成，簇头为每个传感节点分配了一个TDMA时隙。 在每一次EECR聚类算法中，传感器监测环境、记录事件，并将其报告给它的簇头。如果簇头的剩余能量低于其阈值，在非簇头节点中选出一个比簇头节点能量高的点作为下一轮的备用簇头，以此避免分簇的额外开销。由于传感器在感知、处理数据以及将数据包传输到簇头的过程中，其能量会不断消耗殆尽以致失效，所以当一半以上的传感器失效时，会启动重聚类过程，根据新的参数，如传感器数量、传感器能量以及融合阈值来重新聚合未失效的传感器。 EECR算法的时间复杂度为O(1)，空间复杂度与n成线性关系，这要优于LEACH算法。 我们根据事件等级将事件分为三种类:正常事件，重要事件，关键事件（事件分类取决于具体应用）。本文采用Cuckoo Search Optimization, CSO算法，让每种类型的事件能高效地找到最佳的传感节点来转发记录的数据包。 CSO算法的灵感来自于Xin-she Yang和Suash Deb提出的元启发式优化算法，即巢里每个蛋代表一种解决方法，而一个蛋代表一种新的解决方法。这样做的目地在于用新的以及可能的更好的方法（杜鹃）来取代在巢比较差的方法。CSO算法有以下三个基本原则: 1、每个杜鹃一次只下一个蛋，并把蛋随机放在一个巢中。 2、具有高质量的蛋的巢将会延续给下一代。 3、可用的主巢的数量是固定的，主巢中的鸟找到以固定概率下蛋的杜鹃所下的蛋。 随机游动和莱维飞行应用于通用方程的新的解决方案的计算，并且随机游动与杜鹃蛋和主巢的鸟蛋间的相似性有联系。 一个重要的问题是如何在通用方程中应用莱维飞行和随机游动，来产生新的解决方案。对于一个固定的迭代次数，步长决定随机游动能走多远。如果步长太大，则产生的新方法离原来的方法太远（甚至跳出了边界），所以这样的移动是不能接受的。如果步长太小，变化太小以至于变化没有意义，从而导致这样搜索的效率不高。因此，适当的步长对于尽可能维持搜索的高效性是很重要的。 其次，本文提出利用CSO算法的离散形式作为一个自然启发的元启发式算法，用来寻找最佳传感节点，该节点将把感知的本地事件数据包转发给簇头（每种类型的事件有不同数量的传感器）。 每种类型的事件可以在兴趣领域被若干传感器检测出来，并且每个传感器能够把报告发送给汇聚节点或其簇头，但是这样做将传送冗余数据，从而导致传感节点浪费能量去转发重复数据，造成网络拥塞，簇头在接收数据时会损耗能量并失去额外可聚合这些数据的能量。 如果在TI内，第三个传感器Rel Sens收到了来自B_Sens的数据包，Rel_Sens将把该数据包发送给邻近的簇头。另外，如果Rel_Sens出现硬件错误或存在信道故障，没有收到该数据包，那么Rel_Sens将给Cont_Sens发送一个控制信息来通知Rel_Sens没有获得该数据包并要求获得这个数据包。Cont_Sens将会接收到来自Rel_Sens的控制信息并发送数据包给Rel_Sens。然后Rel_Sens将接收到的数据包发送给其簇头。 运用杜鹃优化算法通过以下的元组R=寻找以最小能耗发送数据包到簇头的最佳传感器。 在TNS中，每个巢有许多蛋，每个蛋代表一种解决方法，最好的解决方法是杜鹃，将传递给下一代。 这个函数返回三个最优传感器，这个返回结果将会被如下利用:最优传感器表示很可靠传输数据包的传感器，而次优传感器表示可靠的交换和接力传感器的控制消息，第三个最优传感器将数据包转发至基站。 对于多节点的选择，本文和具有代表性的两种算法进行了比较，和LEACH协议进行比较时，我们的算法在在降低能耗、提高网络生命周期与网络吞吐率上有着较高的优势。 MNS选择方案包括双节点选择和三节点选择，也通过能量消耗、网络生命周期、网络吞吐率来衡量其性能。 短时间内，LEACH的稳定时期和不稳定时期分别比MNS少70％和30％，而到具体的事件时，就会有5％的丢包率，这也影响了网络的生命周期。 通过存活节点数目衡量网络生命周期时，我们的DNS，MNS方案在70％的特殊事件和30％的重要事件上比LEACH有明显的优势，因为他们只在很少的传感器上进行数据传输，而不需要大量的簇内传感器。 整个的网络能量消耗显示LEACH协议在数据聚合时消耗了大量能量，然而在我们的方案保留了足够的量能，可以让它持续运行更多的周期。 最后比较了整体吞吐量（所有从常规节点到簇头节点和从簇头节点到基站的传输的数据包）。EECR的整体吞吐量比LEACH，MH-LEACH，和E-LEACH要高，因为EECR稳定时段和不稳定时段都比LEACH，MH-LEACH，和E-LEACH要长，这提高了在网络中的数据传输。 Vir_ Clu_ Gen的性能评估显示，它比E-LEACH和EECR算法更可靠。这是因为E-LEACH和EECR的不稳定时段与稳定时段相对较短。Vir_ Clu_Gen可提高网络内存活节点的数量，这也就提高了网络寿命。在整体网络能耗方面，E-LEACH和EECR消耗能量的速度比Vir_Clu_Gen快得多。在整体吞吐量方面，由于E-LEACH和EECR的不稳定时段和稳定时段都比Vir_ Clu_ Gen要短，所以Vir_ Clu_ Gen有较高的数据传输量。