基于矩阵的无线传感器网络数据融合方案*

黄海辉，王海丽，张晓迪

(重庆邮电大学 通信与信息工程学院，重庆400065)

0 引 言

无线传感器网络(wireless sensor networks，WSNs)由于大量的传感器节点随机分布，会出现相邻节点的监测区域交叉重叠，所以，采集的信息可能具有很大的冗余度。如果数据不加处理地发送到汇聚节点，将极大地消耗网络能量，同时存储过多的数据还会导致网络拥塞。实验表明:传输1 bit数据100 m 需要的能耗大约可以用来执行3 000 条计算指令［1］，因此，在WSNs 中采用数据融合技术显得尤为重要。

随着WSNs 理论研究向实际应用的加速进展，WSNs 数据融合技术成为重要研究方向，也是当今热门研究领域［2］。数据融合技术就是充分利用传感器节点本地计算能力和处理能力，将多份数据或者信息去除冗余、提取互补，组合出更有效、更符合用户需求的数据，从而达到节省能量和带宽以及延长网络生存期的目的。

目前提出的WSNs 数据融合算法有很多，也各有其优点，但是也都存在一定缺陷，而且没有一种是用矩阵的概念来解决数据融合的问题。本文针对数据变化范围大、数据需要分段处理的情况，提出新的数据融合算法，即基于矩阵的数据融合方案。该算法架构于分簇路由协议基础上，在确定新的簇头选举机制的同时，利用矩阵的思想对簇内节点进行融合处理，以减少能量消耗，延长网络生存期［3］。

1 网络模型的构建

本文假设有n 个传感器节点随机部署在监测区域内，监测区域假设是边长为a 的正方形区域，基站设置在监测区域外。网络节点通过自组织形成WSNs，在分簇式网络中，节点又被分为簇头节点和簇内普通节点两类，每个节点除具有采集和传递数据的功能外，还具备数据融合的功能。对网络模型作如下假设［4］:

1)监测区域是一个静态网络，传感器节点和基站分布后位置不再移动。

2)Sink 节点不考虑能量消耗，具有向全网广播的能力，并且有足够的存储能力和计算能力。

3)网络中节点是同构的，每个节点都有唯一的标识(ID)，具有相同的系统硬件配置和电池容量。

4)节点周期性地采集融合数据，并根据融合结果决定是否转发数据。

5)节点可根据与接收节点的距离调整发射功率，以此来节约能量。

2 基于矩阵的数据融合方案

2.1 簇头选举机制

簇头节点的选择直接决定簇的大小和网络的能量消耗，簇头节点要对簇内节点的数据进行融合处理并转发数据，所以，簇头节点要比普通节点消耗更多的能量。LEACH协议［5］中簇头节点是随机选择的，如果剩余能量较少的节点被选举为簇头节点，那么，该节点会因能量耗尽而较早死亡，这不仅缩短了网络生存期，还影响数据收集的准确性［6］。为了解决上述问题，本文在选举簇头时综合考虑节点剩余能量和相对密度。

每轮结束后都要重新计算存活节点个数A、每个节点的剩余能量Eres、存活节点的平均剩余能量以及邻居节点个数Nnei。邻居节点定义为:对于传感器节点i，如果节点j 与它的距离小于阈值R，则节点j 称为节点i 的邻居节点。节点相对密度ρ 的计算如公式为

其中，S 为监测区域的面积。

簇头选举过程如下:每个存活的节点随机产生一个0～1 之间的数temp_rand，将这个随机产生的数temp_rand 与阈值T(n)进行比较，如果随机数小于阈值，那么，该节点就被选举为簇头节点。阈值是与簇头节点占总节点的百分比和剩余能量有关的数，阈值表达式为

其中，r 为当前轮数，p 为簇头节点占总节点的百分比，Eres为每个节点的剩余能量为存活节点的平均剩余能量，α，β 分别为节点剩余能量和相对密度的权值，且α+β=1，G 为在最近1/p 轮中未被选中当簇头的节点集合。

2.2 数据融合

在分簇的WSNs 中，现有的算法研究基本上都是在簇头进行数据融合，但簇内成员节点在数量上占绝大比例，每个传感器节点不同时刻采集的数据具有很大冗余性，所以，在数据进行发送前对簇内节点进行数据融合处理能有效减少数据的发送量，进而节约能耗、延长网络生存期。基于矩阵的数据融合算法基本思想是:每个传感器节点都保留当前采集的数据，当节点再次采集到新的数据时，通过矩阵算法来计算前后两次采集的数据是否具有冗余，以此判断是否发送数据。具体实现方法如下:

表示该节点相邻两次采集的信息存在很大的冗余性，不需要进行传输，但要把本次采集的数据记录在节点中，用来与下一次采集的数据进行比较;如果

表示节点当前采集的数据与上次采集的数据有很大差距，应该将数据传送到簇头节点。

簇头节点不仅要接收簇内各成员节点所发送的数据，还要将数据转发到Sink 节点，距离较近的节点采集的数据具有冗余性，所以，当簇头节点接收到簇内成员节点发送的数据时，还要进一步融合，去掉相同的包头并整合成一个数据包［8］，以减少冗余信息的传输和发送数据包的个数，然后把经过融合后的数据传送到Sink 节点。

在一轮数据采集的过程中，如果节点采集到的数据没有明显变化，那么，Sink 节点就不会收到该节点发送的任何数据，用户就得不到周期性采集的数据，也无法判断该节点是否失效。为了避免这种情况，在一个周期结束时，就需要把平均值发送给簇头节点。服务器对接收到的数据进行分析，调整数据(或者数据区间)的值，以适应数据的变化［9］，提高监测结果的准确性。

3 仿真与结果分析

本文采用Matlab 作为仿真平台，从网络生存周期和每轮发送数据包个数两方面验证本文提出的数据融合方案的性能。网络结构如图1 所示，图中，○表示传感器节点，☆表示Sink 节点。网络中传感器节点个数为100，网络监测范围为100 m×100 m，簇头节点所占比例为5%，Sink 节点位置设置为(50，175)m，节点初始能量为0.5 J。假设服务器端记录的历史数据库中有5 个样本值(或者样本区间)，且每个样本值(或者样本区间)发生的概率为10%，20%，40%，20%，10%，阈值R 设为26 m，DABM 表示本文提出的基于矩阵的数据融合方案。经反复实验验证:α，β 分别设置为0.6，0.4。

图1 节点分布图Fig 1 Node distribution

图2 是LEACH 算法与DABM 算法网络生存期的对比图。由图2 可以看出:从传感器网络刚开始工作到642 轮，两种算法都没有节点死亡，这是因为刚开始时节点能量充足。LEACH 算法和DABM 算法中第一个节点死亡分别发生在第642 轮和第823 轮，DABM 算法较LEACH 算法延长28%;LEACH 算法和DABM 算法中第50 个节点死亡分别发生在第814 轮和第961 轮，后者较前者延长18%;直到第2000 轮，LEACH 算法中的节点已全部死亡，而DABM 算法中还有少量存活节点，这是因为在选举簇头时，考虑了每个节点的剩余能量和相对密度，使剩余能量多，且周围节点分布密集的节点有较大的概率成为簇头，避免剩余能量少，且周围节点分布较稀疏的节点成为簇头导致节点过早死亡的现象;另外，节点在发送数据前对采集和接收的数据进行数据融合，避免了冗余数据的传输，从而节约了能量消耗，延长了网络的生存周期。

图2 网络生存期Fig 2 Lifetime of network

图3 分别显示了LEACH 算法与DABM 算法每轮发送的数据包数量。由图3 可以看出:LEACH 协议每轮每个节点都要发送数据，DABM 算法在发送数据前进行数据融合，节点前后两次采集数据相同则不发送，在730 轮之前，DABM 算法发送数据包数目较LEACH 算法有明显减少;在730 轮之后，DABM 算法中发送数据包数目较LEACH 算法多，这是因为730 轮左右LEACH 算法中节点急剧减少，而DABM 算法中存活节点依然很多，所以，730 轮后LEACH 算法中发送数据包的个数比DABM 算法少。

图3 每轮发送数据包数量Fig 3 Number of packets sent per round

4 结 论

本文提出一种新的WSNs 数据融合方案——DABM 算法，该算法首先在簇头选举时考虑节点的剩余能量和相对密度，然后利用矩阵理论，在发送数据前对簇内节点采集的数据进行融合处理，最后将新的数据融合方案与LEACH 协议进行对比分析。结果表明:较之LEACH 协议，DABM 算法有效减少了数据传输量、节约了能耗、延长了网络生存期。该方案尤其适用于采集数据变化范围大，并且需要分段处理的情况，但该方案并没有考虑LEACH 协议中路由方面存在的缺陷，WSNs 路由机制与数据融合相结合将是下一步研究的重点之一。

［1］ 张 强，卢 潇，崔晓臣.基于分簇的无线传感器网络数据聚合方案研究［J］.传感技术学报，2010，23(12):1778－1782.

［2］ 周 林，陈扬扬.无线传感器网络中数据汇聚方案的研究［J］.电视技术，2012，36(13):71－73.

［3］ Zhang Jiao，Ren Fengyuan，He Tao，et al.Attribute－aware data aggregation using dynamic routing in wireless sensor networks［C］∥The 11th IEEE International Symposium on a World of Wireless，Mobile and Multimedia Networks(WOWMOM 2010)，Montreal，Canada，2010.

［4］ 李菲菲，徐汀荣.基于能量感知的双簇头数据收集协议［J］.计算机工程与设计，2011，32(7):2290－2293.

［5］ Heinzelman W R，Chandrakasan A，Balakrishnan H.Energy－efficient communication protocol for wireless microsensor networks［C］∥Proceeding of the 33rd Annual Hawaii Int’l Conf on System Sciences，Maui:IEEE Computer Society，2000:3005－3014.

［6］ 李 敏，罗 挺，周 俊.一种无线传感器网络动态成簇数据融合算法［J］.计算机系统应用，2011，20(7):25，61－64.

［7］ 乐 俊，张维明，肖卫东，等.无结构动态适应无线传感器网络数据融合算法［J］.通信学报，2012，33(9):53－65.

［8］ 郭江鸿，陈德礼，刘志宏.无线传感器网络簇内数据汇聚方法［J］.微电子学与计算机，2013，30(9):13－17.

［9］ 张 强，卢 潇，崔晓臣.基于分簇的无线传感器网络数据聚合方案研究［J］.传感技术学报，2010，23(12):1778－1782.