无线传感器网络中的信息处理(共13页)

1、无线传感器网络(wnglu)中的信息处理摘要：本文对无线传感器网络的概念和现状进行了概括性介绍，指出信息处理是无线传感器网络的核心问题。然后着重介绍了传感器网络信息处理的挑战、基本内容、国内外研究现状及最新进展，对前人所研究的各种算法(sun f)优缺点进行评述，并指出了其关键问题。关键词：无线传感器网络 信息处理 数据压缩 分布式数据存储(cn ch)与查询 数据融合1无线传感器网络近年来无线通信、集成电路、传感器以及微机电系统(MEMS)等技术的飞速发展，使得低成本、低功耗、多功能的微型无线传感器的大规模应用成为可能。这些微型无线传感器具有无线通信、数据收集和处理、协同合作等功能，共同组成

2、了无线传感器网络(Wireless Sensor Networks, WSN)，带来了一种全新的信息获取和处理模式，是因特网从虚拟世界到物理世界的延伸。因特网改变了人与人之间交流、沟通的方式，而无线传感器网络将逻辑上的信息世界与真实物理世界融合在一起，将改变人与自然交互的方式。无线传感器网络是继因特网之后的IT热点技术，具有广阔的应用前景，引起了学术界和工业界的高度重视1。无线传感器网络是由大量无处不在的、具有无线通信与计算能力的微小传感器节点构成的自组织分布式网络系统，是能根据环境自主完成指定任务的“智能”系统。它通过无线通信方式形成多跳自组织的网络系统，能够协同地感知、采集和处理网络覆盖地

3、理区域中对象的信息，并传送给观察者。网络中的每个节点都含有一个体积小、价格便宜、低能耗、支持短距离通信的多功能传感器。每个传感器节点具备信号采集、数据处理、相互通信的功能，直接嵌入到相应的设备或环境当中，具有很大的灵活性和移动性2。通过自动随机部署(比如无人驾驶飞机播撒)在监测区域的传感器节点，自组织形成网络，并通过接收器(Sink)或具有较强通信、存储和处理能力、配备足够电力的基站(Base Station)将各种传感信号通过卫星、无线网络或Internet等传送到控制中心服务器，用户可以通过服务器查看、查询、搜索相关数据，并通过控制服务器发送相应的命令，实现远程监控和操作。典型的无线传感器

4、网络体系结构如图1.1所示。图1.1无线传感器网络(wnglu)同构型结构根据开发系统互联参考模型(Open System Interconnect Reference Model, OSI)的七层模型，结合无线传感器网络的节点组成结构，可以用图1.2来表示(biosh)带协议栈的节点组成结构3。其中(qzhng)，物理层负责数据的调制、发送与接收，涉及传输的媒介、频段的选择、载波产生、信号检测、调制解调方式、数据加密和硬件设计等4。数据链路层包括差错控制和媒介访问控制(MAC)。目前的数据通信网中两种重要的差错控制是：前向纠错(Forward Error Correction, FEC)及自

5、动重复请求(Automatic RepeatreQuest, ARQ)。网络层主要是对路由协议进行设计，实现数据的实时多跳传输和整个网络的节能。传输层协议主要实现与Internet或其它的网络进行互联。应用层主要是面向应用提供专用的服务，它通过协调控制整个网络，提供可供操作的的“人网交互”界面。图1.2无线传感器网络节点组成结构图2无线传感器网络(wnglu)以信息处理为中心无线传感器网络是面向物理世界的一种崭新信息处理系统，是一种新的计算(j sun)模型，涉及网络的组织、管理和服务框架、信息传输路径的建立机制、面向需求的分布信息处理模式等等问题。无线传感器网络作为当今信息领域的研究热点，涉

6、及多学校交叉的研究领域，有非常多的关键技术和研究热点5，如路由协议、时间同步(tngb)、跟踪定位等等，吸引了众多的学者进行各方面的研究，每个领域都己经有许多的研究成果，并有新的不断涌现。从无线传感器网络的功能上，可以把它划分为通信体系、中间件和应用系统三大部分2，各部分所包含的功能和对应的研究热点如图1.3所示。图1.3一种典型的无线传感器网络的体系结构图通信体系(Communication Architecture)模块的主要功能是组网和通信，包括各种网络通信协议(物理层、数据链路层、网络层和传输层)，以及低功耗的无线射频通信电路设计，为物理数据传输提供基本保证2；中间件(Middlewa

7、re)主要提供低通信开销、低成本、动态可扩展的核心服务，包括部署/拓扑控制、时间同步、系统管理和节点定位等，为上层应用系统提供基础支持；应用系统提供节点与网络的服务接口。面向通用的系统提供一套通用的服务接口，而面向专用系统则提供不同的专用服务。通过协调控制整个网络，优化现有的网络资源，以获得网络资源的最大利用率和单个任务的最少消耗量，同时提供可操作的“人网交互”界面。衡量应用系统协调的好坏，主要考虑采集信息的完整性和精确性、信息的可传输性和系统能耗(即网络寿命)。其热点问题包括动态资源管理、信息处理、协调控制、信息处理、数据查询和安全问题等。无线传感器网络直接面向感知的物理信息，与Ad hoc

8、网络的一个区别是以数据为中心，而不是以通信连接为中心。无线传感器网络的最终目标始终是感知和采集各种环境或监测对象的信息，并对其进行(jnxng)处理，以更少的能耗、更快捷的方式传送到这些信息的用户。通信体系和中间件都是为上层应用服务，用户直接访问的是信息处理的结果。基于传感器网络的任何应用系统都离不开信息(感知数据)的管理和处理技术。不言而喻，传感网数据管理和处理(chl)技术是确定传感网可用性和有效性的关键技术，是无线传感器网络的核心问题，关系到感知网的成败。对于(duy)观察者来说，传感器网络的核心是感知数据，而不是网络硬件。观察者感兴趣的是传感器产生的数据，而不是传感器本身。传感器网络是

9、一种以数据为中心的网络。传感器网络以数据为中心的特点使得其设计方法不同于其他计算机网络(包括Internet)。传感器网络的设计必须以感知数据管理和处理为中心，把数据库技术和网络技术紧密结合，从逻辑概念和软、硬件技术两个方面实现一个高性能的以数据为中心的网络系统，为用户或观察者提供一个有效的感知数据空间或感知数据库管理和处理系统。传感器网络信息处理的目的是把传感器网络上的数据的逻辑视图(命名，传输、存取和操作)和网络的物理实现分离开来，使得传感器网络用户和应用程序只需关心所要提出的查询的逻辑结构，而无需关心传感器网络的细节。从数据处理的角度来看，传感器可视为感知数据流或感知数据源，而传感器网络

10、类似于分布式数据库系统，但不同于传统的分布式数据库系统。传感器网络数据管理系统组织和管理传感器网络监测区域的感知信息，回答来自用户或应用程序的查询，使用户如同使用通常的数据库管理系统和数据处理系统一样自如地在传感器网络上进行感知数据的管理和处理。信息处理技术主要包括数据的压缩、存储、查询、分析、挖掘、理解以及基于感知数据决策和行为的理论和技术。传感器网络的各种实现技术必须与这些技术密切结合，融为一体，而不是像目前其他网络设计那样分而治之。只有这样，我们才能够设计实现高效率的以数据为中心的传感器网络系统。3无线传感器网络信息处理的挑战无线传感器网络与传统的Ad hoc网络相比，有很多相似之处，但

11、同时也存在着很大的差别。传感器网络是集成了监测、控制以及无线通信的网络系统，节点数目更为庞大(上千甚至上万)，节点分布更为密集；由于环境影响和能量耗尽，节点更容易出现故障；环境干扰和节点故障造成网络拓扑结构的变化；通常情况下，大多数传感器节点是固定不动的。另外，传感器节点具有的能量、处理能力、存储能力和通信能力等都十分有限。传统无线网络的首要设计目标是提供服务质量和高效带宽利用，其次才考虑节约能源；而传感器网络的首要设计目标是能源的高效利用，这也是传感器网络和传统网络最重要的区别之一。无线传感器网络(wnglu)不同于传统网络的特点给它的信息处理带来了许多新的挑战，如：以数据为中心，要求数据在

12、网路中路由时必须对数据内容进行处理，而不是像传统(chuntng)网络那样仅仅转发数据；面向具体应用，决定了传感器网络的信息处理方法必须结合(jih)具体应用特点，因此很难找到一种适用于所有应用的统一处理方法；超大网络规模，对算法的可扩展性提出了严峻挑战；高密度节点分布，要求算法必须能有效地消除节点数据间的相关性，避免因传输大量冗余数据所带来的通信能耗；单个节点的计算、存储能力极其有限，要求采取完全分布式处理策略，各节点负担尽可能均匀分布，同时还要考虑到节点的能量状况，以便尽可能延长节点寿命和整个系统的有效工作时间；网络拓朴结构变化频繁，对算法的鲁棒性和适应性提出了很高的要求。理论分析和实验研

13、究表明，无线传感器网络环境下，通信在能量消耗中占据主要因素。有研究数据表明，每传输1字节数据所消耗的能量可以用来执行数千条CPU条指令，而且所消耗的时间也少得多6，因此可以采取用计算量的增加换取通信量的降低的方法。为此，研究者采取了一系列措施，如在传输过程中进行网内数据处理，在节点本地对数据进行融合，只传输结果数据，用计算量的增加来换取数据通信量的降低；节点发送数据前对数据进行一定的压缩，节点接收到数据后再进行解压缩：将传感器网络作为一个分布式数据系统，以节点的地理位置为索引，以便进行高效的数据查询操作。4信息处理的研究现状在美国自然科学基金委员会的推动下，美国的加州大学伯克利分校、麻省理工学

14、院、康奈尔大学、加州大学洛杉矶分校等学校开始了传感器网络的基础理论和关键技术的研究。英国、日本、意大利等国家的一些大学和研究机构也纷纷开展了该领域的研究工作。我国的哈尔滨工业大学、黑龙江大学和浙江大学也从2002年起开始了对传感器网络的研究。学术界的研究主要集中在传感器网络技术和通信协议的研究上，也开展了一些感知数据管理和处理技术的研究，取得了一些初步研究结果。目前的研究工作还处于起步阶段，大量的问题还没有涉及到，未来的研究工作任重而道远。下面，我们介绍一下目前在感知数据管理和处理技术的主要研究进展。加州大学伯克利分校研究了传感器网络的数据查询(chxn)技术，提出了实现可动态调整的连续查询的

15、处理方法和管理传感器网络上多查询的方法，应用数据库技术实现了传感器网络上的数据聚集函数，提出了在低能源、分布式无线传感器网络环境下实现聚集函数的方法，并研制了一个感知数据库系统TinyDB7。康奈尔大学在感知数据查询处理技术方面开展的研究(ynji)工作较多8。他们研制了一个测试感知(gnzh)数据查询技术性能的COUGAR系统，提出了在传感器网络上计算聚集函数的容错和可扩展算法，并探索了把传感器网络表示为数据库的思想，探讨了如何把分布式查询处理技术应用于感知数据查询的处理。南加州大学研究了传感器网络上的聚集函数的计算方法，提出了节省能源的计算聚集的树构造算法，并通过实验证明了无线通信机制对聚

16、集计算的性能有很大的影响9。哈尔滨工业大学和黑龙江大学在传感器数据管理系统方面开展了研究工作，提出了以数据为中心的传感器网络的数据模型、一系列的能源有效的感知数据操作算法和感知数据查询处理技术，并研制了一个传感器网络数据管理系统10。5信息处理研究的关键技术和难点问题本节根据传感器网络研究的最新研究进展，着重描述了目前无线传感器网络中数据压缩、分布式存储与查询、网内数据融合等信息处理方法，对各种方法的原理和特点进行了阐述，并指出了其中仍然需要研究的问题。5.1数据压缩/解压缩采用网内数据融合方法适用于仅对检测目标的统计结果感兴趣，而不关心中间数据记录的应用场合，而对另外一类需要同时保留中间观测

17、数据的应用，该方法就不能使用，典型的应用如:生物栖息地监测，希望从长期的历史记录数据中总结归纳出生物的生活习性。一种可行的方案是，在传感器节点和Sink节点处分别采用压缩和解压缩处理，节点发送数据前，对发送数据进行压缩，Sink节点收到数据后先进行解压处理。这样虽然加重了CPU处理的负担，有一些存储空间和运行时间方面的代价，但是只要设计合理，与直接传输原始数据所消耗的巨大能量相比，这些代价还是十分值得的。 (a)基于数据相关性压缩算法 Jim Chou等提出了传感器网络的分布式压缩数据传输模型11。在所有的传感器节点中，选择一个节点发送完整的数据到Sink节点，其它节点只发送压缩后的信息。Si

18、nk节点收到数据后，通过压缩数据和未压缩数据之间的相关性进行解压缩，从而恢复原始数据。实现该方法的关键问题在于需要一个低复杂度、支持多压缩率的压缩算法和一种简单、高效的相关性跟踪算法。进一步地，Jim Chou等提出了一个简单的预测模型用于跟踪和确定节点数据之间的相关性。Sundeep Pattern等讨论了相关性对数据压缩效果(xiogu)的影响。作者用联合熵和位跳值分别来度量被压缩信息的大小和数据传输的总能耗，对比分析了DSC、RDC和CDR这三种不同处理策略下的能耗情况。理论分析结果表明，相关性较低时，没有信息可以压缩，RDC方法能耗较低；相关性较高时，通过压缩可以节省大量能耗，CDR节

19、能效果要好。另外，在相关性处于中等范围时，RDC和CDR两者性能相当，这表明可以采用一种混合式方法进行处理，即：传感器节点形成较小的集群，集群内的数据在集群首领(shulng)处融合，集群首领沿着最短路径向Sink节点传输融合结果。 (b)基于(jy)性能优化的压缩算法 Seung Jun Baek等基于贪婪算法和聚合代价的单Sink节点最优分布式数据压缩算法12。研究表明，最后结果与节点的分布无关，只与其聚合代价的相对顺序有关。作者提出了个由Sinks(顶层)、Aggregators/Compressors(中间层)和Sensors(底层)组成的简化三层式结构。通过采用合理的能量度量尺度函数

20、，最后将这个最优层次组织问题转化为一个John-Mehl tessellation问题，通过采用随机几何理论，将其与Voroni tessellation方法进行了比较。研究结果表明，根据压缩率的不同，采用该方法可以从一定程度上节省能耗。 Tarik Arici等提出了基于管道思想的网内数据压缩方法，即：将传感器数据缓存在网络中，根据指定的延迟值等待合适时间后再传输。通过管道压缩方法将数据组合起来形成组数据，降低数据中的冗余度，从而减少节点间的通信量，也就降低了通信能耗。另外，不同组数据还可以进行再压缩，或者与其它高效路由算法结合，可以进一步减小能耗。 (c)基于编码方式的压缩方法 Xiong

21、等提出了把Slepian-Wolf编码和Wyner-Ziv编码方式引入到传感器网络中来，用于消除节点之间的数据相关性，Kusuma等在此基础上提出了用于无线传感器网络的分布式压缩算法，通过简化使整个算法的实现只需很少内存，适合在资源受限的传感器节点中实现。Pradhan等采用均衡速率对分布式编码进行了研究，Pradhan等研究用于密集传感网的分布式压缩算法，Ishwar等将压缩应用于鲁棒性的估计。 由于数据融合方法和数据压缩方法针对的是两类不同的应用类别，为了最大限度地提高算法的可重用性，可以将数据融合和数据压缩方法进行综合考虑，这样可以兼顾数据融合和数据压缩方法各自的优点，能够满足更加广泛的

22、应用对象。现有的传感器网络数据压缩算法研究与应用高度相关，不易于将同一种(y zhn)算法用于更广泛的应用对象，可以考虑对通用数据压缩算法进行适当的裁减和简化，将其移植到传感器网络环境下，从而降低算法对应用特性的依赖性，增强算法的适应性和可扩展性。5.2分布式数据存储(cn ch)与查询 从数据库研究的观点来看，无线传感器网络构成了一个(y )分布式的数据库系统，每个节点仅保存着整个系统的很小一部分数据。与传统的基于中心服务器的数据库系统所采用的集中式处理方式不同，传感器网络采用一种完全分布式的处理方法。每个节点都能对查询操作进行响应，在节点本地进行处理，产生部分查询结果。当查询操作在网络中传

23、播和路由时，不断地被分解。当查询操作被完全分解时，查询操作即告完成。受单个传感器节点的存储空间和计算能力的限制，分布式数据库管理需要解决的关键问题是节点数据的高效存储和查询的快速响应，必须采取合理的表示和索引策略，使得数据的存储占用尽可能少的空间，并且能够被快速检索。由于事件信息需要事先保存起来，然后再通过查询把事件信息从网络中提取出来。因此，我们介绍一下目前传感器网络存储方面的研究工作。这方面的研究主要包括： (a)通用数据模型和查询结构 目前，人们对传感器网络数据模型已经进行了一些研究。现有的研究主要是对传统的关系模型、对象关系模型或时间序列模型的扩展。 美国加州大学伯克利分校的TinyD

24、B系统。TinyDB系统的数据模型是对传感的关系模型的扩展，它把传感器网络数据定义为一个单一的，无限长的虚拟关系表，网络中每个传感器节点产生的每一个读数都对应关系表中的一行。因此，这个虚拟表就是一个无限流数据库，对传感器网络数据的查询就是对这个虚拟关系表的查询。 康奈尔大学的Cougar系统把传感器网络看成是一个大型分布式数据(shj)库，每个传感器对应于分布式数据库的一个节点，存储部分数据。Cougar系统的数据模型支持两种类型的数据，即存储数据和传感器实时产生的感知数据。存储数据用传统关系来表示，而感知数据用时间序列来表示。对存储和感知数据的查询也就是对关系和时间序列的查询，每个连续查询定

25、义为给定时间内保持不变的一个永久视图，被查询的关系和时间序列可以被更新。(b)以数据(shj)为中心的存储方法James Newsome等提出(t ch)了GEM13 (Graphic EMbedding for sensor networks)算法。它在传感器网络中建立一个标签图(labeled graph)，并采用高效的分布式模式嵌入到原始网络拓扑结构中。在标签图中，每个节点都被赋予一个标签值，该标签值的编码保存了该节点在原始网络拓扑结构中的位置信息。这样，消息在网络中传递时，每个节点仅需要知道其邻居节点的标签值，就可以很快地找到正确的传输路径。Boris Jan Bonfils等讨论了传

26、感器网络中进行融合查询时查询操作符在节点中的最优部署位置问题。它需要将由过滤器、融合函数以及关系等组成的查询树放置到传感器节点上以便能够使网络中所传输的数据量降低到最少。研究表明，该问题是任务分配问题的一个变体，但已有的多项式算法是集中式的，不能用于传感器网络。为此，作者提出一种自适应分布式算法，通过遍历邻居节点可以改善操作符的部署位置，在不同几何拓扑结构下都可以得到近似最优的部署位置结果，从而降低能耗。(c)基于层次检索结构存储查询 Deepak Ganesan等针对应用特性事先未知这类传感器应用，提出了支持多分辨率存储的方法，并在Linux上进行实现。该系统利用数据的小波系数来处理大规模数

27、据集上的近似查询，采用基于小波的网内摘要和概要老化方法，可以在存储和通信受限的传感器网络上进行长期查询。5.3分布式数据融合 数据融合(Data Aggregation或Data Fusion)是减少传感器网络中数据通信量的有效方法之一。采用该方法，一般是按照某种准则，在传感器网络中建立一种由父、子节点构成的层次式逻辑结构。传感数据由子节点传向其对应的父节点，在父节点处对数据进行融合处理。父节点仅传输经过处理后的少量有用数据，而不是像早期所采用的平坦数据采集方式那样，直接将所有的原始数据全部传输到处理中心统一进行计算和处理。这样就大大降低了通信过程中的冗余数据传输，节省了通信能耗，从而延长了网

28、络和整个应用系统的寿命。目前的数据融合算法，根据其出发点的不同，可分为4类，即：以数据为中心的、基于剩余能量的、最优的和基于性能的融合算法。 (a)以数据(shj)为中心的融合算法Intanagonwiwat等和Heidemann等提出的定向(dn xin)扩散14(Directed Diffusion)方法，是关于传感器网络数据融合方面较早的研究之一。其基本思想为：将节点数据以属性值对的方式命名，所有网络通信都针对命名数据进行。Sink节点通过发送对命名数据的兴趣来请求数据，并广播兴趣消息，通知网络中的所有节点，只有与兴趣匹配的节点其数据才被提取。传感数据在节点本地进行融合，并采用路径选择、

29、本地数据缓存等策略，来减小网络中的数据通信量。在兴趣传播(chunb)过程中，节点可以选择缓存或者传送数据，也可以根据前次缓存的数据继续转发兴趣。传输数据之前首先建立一个梯度场，开始时节点沿着多条路径向Sink节点传输数据，然后从这些路径中提炼出一条最优路径，最后数据就沿着该最优路径传输。 采用定向扩散融合方法，所有通信都在相邻节点间进行，不需要额外的节点寻址机制；每个节点都可以进行融合和缓存;另外，因为是按需查询，不需要保持全局的网络拓扑，所以算法的能效性很高。但它也存在一些缺陷：首先，采用按需查询机制，使得它不能有效地工作在那些需要将数据持续传送到基站的应用中，如环境状态监测；其次，定向扩

30、散使用的命名机制高度依赖于应用，每次都需要事先定义，算法的可重用性比较差；第三，数据和查询的匹配过程可能会在节点中引入一些额外的开销；最后，兴趣消息的扩散需要以广播的方式遍历网内所有节点，当节点数目增加时，时延很大，因此它在实时应用中的可扩展性不好；另外，由于命名机制的选择直接影响到任务的精确表达和泛洪算法的性能，因此如何根据传感器网络应用的具体特点，快速确定合适的命名方法，是一个值得研究的课题。 (b)基于剩余能量的融合算法 Min Ding等提出了建立基于节点剩余能量的EADAT(Energy Aware Distributed Aggregation Tree)的思想15。它在传感器网络

31、中建立和维护一颗融合树，为减少广播消息数量，关闭树中所有叶子节点的射频单元以便节约能量，只有非叶子节点参与数据融合和响应。根据每个节点的剩余能量确定发送数据之前的等待时间，剩余能量越高，等待时间越短。这样使得各个节点的能耗比较均匀，也使得具有较高能量的节点更有机会成为非叶子节点，参与数据融合和任务响应。 采用这种处理方法，有效地节省了非叶子节点的能耗，可以有效地延长网络寿命，同时也提高了数据传输的效率;另外，节点部署密度越大，网络寿命越长，这一点也使得该算法的扩展性很好。但是，采用该方法时，必须考虑叶子节点和非叶子节点的合理分布问题，应当使其尽量均匀，并确保非叶子节点处于正常(zhngchng

32、)工作状态。否则，当外部事件发生时，如果不能及时唤醒处于休眠状态的非叶子节点，则很可能使系统的响应能力受到严重影响。 (c)最优融合(rngh)方法Chalermek等提出(t ch)了一种贪婪融合算法(Greedy Aggregation)16。其基本思想是：在网络中建立一颗贪婪增量树(GIT，Greedy IncrementalTree)，仅为第一个源节点到Sink节点建立一条最短路径，其它节点均增量式地连接到增量树中最近的节点上，通过不断地调整融合节点的位置来增加路径共享的数量，使得通信时的数据传输量最小。与定向扩散方法相比较，在传感器网络密度较大时，GIT方法可以节省更多的能量，并且不

33、会对延迟和鲁棒性造成过大影响。由于最优融合方法都是以某种系统参数最优为目标，其计算结果的性能一般都可得到保证。但是，需要注意的问题是，采用最优算法时其计算时间和复杂度不能太高，必须考虑到无线传感器网络密集分布和单个节点资源极其有限这两个特点，需要在结果的最优性和对计算资源的消耗方面进行合理的折中处理。(d)基于性能的融合算法 Jerry Zhao等探讨了连续计算融合17对网络性能(丢包率、能量水平等)的影响。所提出的树结构建立算法，可以针对部分融合函数进行高能效计算。研究和实验表明，通过丢弃高丢包率和非对称性链路，可以大大提高结果的准确性。 Athanassions Boulis等考察了传感器

34、网络中数据融合的能耗和结果准确性之间的平衡问题。文中针对周期性融合问题，提出利用各节点数据之间的时空相关性作为融合估计值的思想，建立了能耗和准确性的折中准则。结果表明，用户所能忍受的估计误差越大，则能耗越低;反之亦然。根据上述各种融合算法的特点，对其进行综合比较，结果如表1所示。表1. 各种融合算法(sun f)的综合比较融合算法节能效果准确性自适应性可扩展性复杂度以数据为中心一般好一般一般低基于剩余能量较好好好好较低最优最好一般好最好高基于性能较好一般一般较好高信息处理方法一般与网络协议栈，如物理层协议、路由算法、应用层协议等紧密相关，因为传感网的通信质量、节点分簇、位置部署、应用的对象等等

35、均对信息处理的方式、能耗(nn ho)和准确性有影响。目前一般可以认为信息处理技术可以分为三类：依赖于应用，独立于应用和两种技术结合的信息处理。一个重要的研究方向就是将信息处理与路由、拓扑控制等其它方面综合起来考虑。参考文献于海斌，曾鹏等，智能(zh nn)无线传感器网络系统.北京，科学出版社，2006.1林瑞仲，面向目标跟踪的无线传感器网络研究.浙江大学博士学位论文，2005.5.Zhao F., Guibas L. Wireless sensor networks: an information processing approach. Boston: Elsevier-Morgan Ka

36、ufmann, 2004.李建中，李金宝，石胜飞，传感器网络及其数据管理的概念、问题与进展.软件学报.2003, 14(10): 1717-1727.孙利民，李建中，陈渝，朱红松，无线传感器网络.清华大学出版社，2005.1.Min R., Bhardwaj M., HChoi S., Ickes N., Shih E.,Sinha A.,Wang A. Energy-centric enabling technologies for wireless sensor networks. In: IEEE Wireless Communications, August, 2002, pp. 28

37、-39.Madden S.R., Szewczyk R., Franklin M.J., Culler D. Supporting aggregate queries over ad-hoc wireless sensor networks. Proceedings of the Workshop on Mobile Computing and Systems Applications, 2002, pp.49-58.Yao Y., Gehrke J. The cougar approach to in-network query processing in sensor networks.

38、SIGMOD Record, 2002,31(3):9-18.Zhao J., Govindan R. Computing aggregates for monitoring wireless sensor networks. Proceedings of the International Workshop on Sensor Network Protocols and Applications. Piscataway, 2003, pp.37-48.Subramanian L., Katz R.H. An architecture for building self configurable systems. Proceedings of IEEE/ACM Workshop on Mobile Ad Hoc Networking and Computing，Boston, MA, August, 2000.Chou J., Petrovic D., Ramchandran K. Signals, Tracking and exploiting correlations in dense sensor networks. In: ACM