无线传感网络中基于数据融合的路由协议研究

【前言】无线传感网络中基于数据融合的路由协议研究由文秘帮小编整理而成，但愿对你的学习工作带来帮助。基于以上问题，现有的无线传感器网络的研究主要有网络覆盖与节点布设、网路层路由协议、数据融合与处理等[2]。这些研究从不同的方面发展了无线传感器网络，其中减小网络节点能耗、延长网络寿命、增强网络健壮性和可扩展性、减小网络时延、提高信息精确度等成为无线传...

摘要：

数据融合技术是目前无线传感器网络研究的热点，数据融合算法的主要是通过收集和聚合数据来减少冗余信息量，节约能耗，从而延长网络的生命周期。无线传感器网络在采用数据融合技术节省能耗的同时，也会增加网络的传输时延，降低数据收集的精度。基于以上问题，本文分析当前典型的各类数据聚合算法的主要机制，详细比较了当前已有算法的特点、性能差异。

关键词：无线传感器网络;数据融合协议;聚合时机;服务质量

一、无线传感器网络

当前，信息技术可以实现信息的海量存储、高速传输和快速处理，但信息获取仍未达到自动化水平。微传感器技术、微电子技术、无线通信技术以及计算技术的进步，极大地推动了集信息采集、处理、无线传输等功能于一体的无线传感器网络（wireless sensor networks，简称WSNs）的发展。WSNs正在给人类生活和生产的各个领域带来深远影响，在国防军事、医疗卫生、环境监测、城市交通以及空间探索等领域具有广阔的应用前景[1]。尽管无线传感器网络具有广阔的发展前景，但是基于现有技术，传感器网络还存在一些问题。第一，传感器节点能量有限，网络寿命较短，节点的意外死亡可能会造成路由的中断或某些重要信息的丢失;第二，网络的拓扑结构会因节点的休眠、死亡、网络的扩展等不断变化，给网络维护和路由带来额外的负担;第三 ，网络的QoS支持不够完善。

基于以上问题，现有的无线传感器网络的研究主要有网络覆盖与节点布设、网路层路由协议、数据融合与处理等[2]。这些研究从不同的方面发展了无线传感器网络，其中减小网络节点能耗、延长网络寿命、增强网络健壮性和可扩展性、减小网络时延、提高信息精确度等成为无线传感器网络的设计目标和评价标准。

二、数据融合

数据融合实际上是把来自多个源节点的传感数据进行合并。由于传感器采集的数据通常是小报文段数据，每个传感器节点采集的数据不进行合并直接发送给SINK（汇聚节点）节点将需要过多的数据转发次数。而在路由操作中，能耗最大的就是数据的转发。所以，为了达到节能的目的，通常采用数据融合的方法，将小数据包合并成较大的数据包后发送。数据聚合也面临着一些挑战，如数据聚合点可能会因过多的工作负担而造成能量提前耗尽、数据聚合产生较大的时延造成对事件的监测反应缓慢、数据聚合点的选择欠佳造成不能尽可能多地进行数据聚合、数据聚合时机选择欠佳造成更大的网络时延。解决以上问题的关键是结合数据路由提出更加高效合理的数据聚合结构和分组转发机制。

三、WSN中的数据融合技术

数据融合处理是一种重要的网内处理技术，它可以消除冗余信息，降低传输的数据量，从而降低网络的通信能耗。无限传感器网络中的数据融合技术主要分为如下五类。

1、基于簇的数据收集协议

基于簇的数据收集协议是在网络中选择一部分节点作为簇头，将它作为聚合节点，其它节点选择加入簇中。首先簇内成员节点把数据传输到簇头，其次簇头收到所有簇内成员节点的数据后，根据聚合函数进行数据聚合，最后经过单跳或多跳把数据发送到SINK节点。比较典型的基于簇的数据收集协议有LEACH， CEDA， BCDCP等。虽然分簇的数据收集协议便于实现和管理，但是由于网络中簇头数目的多少，簇头的分布不均匀，都会引起簇头负载很大，最终导致簇头节点死亡，网络失效，而且，如果簇内有失效节点无法发送数据，簇头将一直等待簇成员节点发送数据，引起网络延迟增大。

LEACH算法是一种自适应分簇拓扑算法，它的执行过程是周期性的，每轮循环分为簇的建立阶段和稳定的数据通信阶段。在簇的建立阶段，每个节点随机的选择一个0～1之间的随机数，如果这个数小于阈值，则选择为簇头。的计算公式如式（1）所示。

式（1）

其中， P表示簇头在所有节点中所占的百分比， r表示选举轮数，r mod（1/P）代表这一轮循环中当选过簇头的节点的个数， G是这一轮循环中未当选过簇头的节点集合。

2、基于链的数据收集协议

基于链的数据收集协议将网络中所有的节点构成一条链，并在链上选择一个节点作为头节点与SINK节点直接通信，链两端数据沿链传输到头结点。比较典型的基于链的数据收集协议有PEGASIS， CCS等。基于链的数据收集协议的优点是减少了分簇算法在簇重构过程中所产生的开销，节点采用小功率与最近邻居节点通信，从而降低了能量的消耗。但是，链中距离较远的节点会引起较大的数据延迟，而且唯一的头节点会使得它会成为严重的瓶颈。

3、基于树的数据收集协议

基于树的数据收集协议以SINK为根将网络中所有节点组成一棵生成树，每个节点接收其孩子节点发送来的数据，连同自己感知到的数据一起发送给父节点。由于树结构是支持网络连通性的最小图结构，因此，基于树的数据收集协议能够有效保证网络的连通性和可靠性，具有保证QoS、容易实现高效的能量管理等优点，是目前研究的热点。比较典型的基于树的数据收集协议有PEDAP和PEDAP-PA， MLDGA等。

4、基于统计信息模型的数据聚合协议

只收集感知数据的统计信息而不是所有数据在许多情况下是具有实际意义的。首先，大部分的感知数据并不能使对查询的回复变得更精确。其次，目前一些数据聚合策略忽略了感知数据间的关联和不关联性。另外，在许多情况下，统计信息即可以人工检验，也可以利用程序检验。许多基于统计信息模型的数据聚合协议已经提出。

Ma YJ在文献[3]中提出了一种局部空间成簇算法，主要是利用欧氏距离较近的节点感知的数据具有较高相关性的特点来成簇。节点在部署完成后会首先采集一轮数据，用一组向量来表示。假设节点和采集的数据分别为X=（x1，x2，L xn）和Y=（y1，y2，L yn），则可以利用类似于欧氏距离的计算方式来表示其感知数据的相关性，如式（3）所示，然后给出权值计算公式（4）。

式（2）

式（3）

其中|N（i）|表示邻居节点的数目之和，di表示i节点与所有邻居节点感知数据相关性求和的均值，D（dij）表示dij的方差。根据节点权值ωi的大小选择簇头，簇头选择完毕后，非簇头节点选择与簇头dij值较小的加入。网络建立后由簇头节点代表本簇向网关发送数据，非簇头节点不采集也不传递数据。仿真结果表明，该算法具有较高的精确性。但该算法仅适用于监测一些数据变化较缓慢的场景，例如城市空气质量监测等，有一定的局限性。

5、基于地理网格的数据聚合协议

在无线传感器网络中，为了获取更加有效准确的信息，网络有时需要获得地理信息，因此基于地理位置信息的路由研究也广泛起来。节点获取地理位置信息的方式分为两种，第一种是节点自身带有GPS定位系统，可以精确获取网络坐标信息。第二种是节点本身不带GPS定位系统，可以利用信号强度来估算自己的地理位置信息。典型的节点带有GPS定位系统的算法有GRID， EADA等，节点利用信号强度来估算自己的地理位置信息的算法有BEES[4]。

BEES协议是节点在没有安装GPS设备时如何利用信号强度来估算自己的地理位置信息的分布式算法。该协议将网络等分为六个扇形，再将扇形划分为等大小的正六边形，每个正六边形利用一个三元组表示，例如表示第4个扇形第3行第2列的正六边形。每个六边形相当于一个簇，在每个簇中选择最靠近六边形中心的节点作为簇首节点。以SINK为中心建立直角坐标系，SINK首先以初始角θ1向节点发送角度估算消息，然后偏转Δθ继续发送，节点则根据公式（5）计算出自身和SINK连线与x轴正方向的夹角。

式（4）

其中Prm代表节点接收到θm的消息的信号强度。利用θ及节点间的距离关系可以计算出节点的地理位置坐标，仿真表明该算法具有较高的精确性。然而该算法每次选择的簇首节点总是在正六边形中心附近，虽然设置了代替机制，但节点的能量消耗却极不均匀，造成能量空洞问题。

四、总结与展望

近年来，研究人员针对WSNs的应用需求和新特性进行了大量卓有成效的研究，新的网络层协议层出不穷。数据融合这一概念被提出，通过对各种WSNs数据融合协议进行分析和比较，我们发现目前大多数研究工作的重点都放在为数据融合提出有效的路由机制上。数据融合技术在节省能量、提高信息准确度的同时，要牺牲其它方面的性能作为代价。首先是延迟的代价：在数据传送过程中，寻找易于进行数据融合的路由、进行数据融合操作、为融合而等待其它数据的到来，这三方面都可能增加网络的平均延迟。其次是抗毁性代价：数据融合可以大幅度降低数据的冗余性，但丢失相同的数据量可能损失更多的信息，因此相对而言也降低了网络的抗毁性。现有支持QoS的数据融合技术大多局限在仅支持部分QoS 指标， 还应该进一步考虑如何在支持网络生命周期、抗毁、数据时延及数据质量之间进行折中。

[参考文献]

[1] Ameer Ahmed Abbasi， Mohamed Younis. A survey on clustering algorithms for wireless sensor networks. Computer Communications，2007，30（15）：2826-2841.

[2] Klaoudatou E， Konstantinou E， Kambourakis G， et al. A survey on cluter-based group key agreement protocols for WSNs. Communications Surveys & Tutorials，2011，13（3）：429-442.

[3] Ma YJ， Guo YK. Distributed clustering-based aggregation algorithm for spatial correlated sensor networks. IEEE Sensors Journal， 2011，11（1）：641-648.

[4] AbdelSalam H， Olariu S. BEES： bioinspired backbone selection in wireless sensor networks. IEEE Transactions on Parallel and Distributed Systems， 2012，23（1）：44-51.

（作者单位：浙江警察学院，浙江 杭州 310053）