传感器网络文献报告

ALossInferenceAlgorithmforWirelessSensorNetworkstoImproveDataReliabilityofDigitalEcosystems

报告人：XXX2126IEEETRANSACTIONSONINDUSTRIALELECTRONICS,VOL.58,NO.6,JUNE2011内容简介1背景介绍2解决方法3模型构建以及算法描述4仿真5结论优缺点分析1背景抽象的数字生态系统（DEs）是基于大量分布式数据的，而这些数据是从物理设备获取的，特别是来自无线传感器网络（WSN）。由于固有带宽和能量的约束，节能机制是传感器网络正常运行的关键，并且对于提高（DEs）数据的可靠性至关重要。传统的网络性能检测采用主动测量的方法，因此耗费系统资源（带宽和能量），可扩展性差。2解决方法本文提出了一种新的算法，采用基于被动测量（LIPM）算法来推断WSN链路损耗性能。该LIPM算法被动地监测传感器节点和sink节点之间的应用流量，然后使用网络断层扫描技术，以推断网络内部性能。此外，等高线地图——一种著名的数据表示方法，首次在WSN中的损耗性能推断中被使用，它可以帮助LIPM算法快速识别有损地区。最后，该算法通过模拟验证，并表现出良好的性能和可扩展性。

基于反向组播树的数据聚合通信模式3模型构建该图是反向多播树。在这个模型中，一个感兴趣的事件发生在感测区域。然后，距离该事件S（称为感测范围）内的传感器节点被感知并和其他相关的节点构造成反向组播树，sink节点通过该事件收集信息。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：不考虑单子节点的情形LossModel∀k∈V\{s},用αk表示节点k通过路径lk发送至节点f(k)成功的概率lk的丢包率表示为=1-αkXi,j∈{0,1}.Xi,j=1表示数据从节点j成功发送至节点i，Xi,j=0表示i节点接受数据失败γ(k)表示在一个试验中至少有一个节点(R(k))的数据到达sink节点的概率γ(k)=P[Vj∈R(k)Xs,j=1](1)对于∀k∈V\R，定义β(k)为R(k)中至少有一个节点成功到达节点k的概率β(k)=P[Vj∈R(k)Xk,j=1](2)LossModel(k)=1−β(k)表示k未接受任何来自R(k)中的数据，有两种原因，其一：k未成功接受任何来自R(k)中的数据，其二：数据在链路Lj中丢掉了。因此

设A(k)表示在数据到达K节点的情况下，至少有一个节点（在R(k)中）的数据到达sink的概率LossModel基于伯努利分布的假设，很显然而结合公式（1），（2），和（4），用于∀k∈V\R，可以是发现γ(k)=β(k)·A(k)。（6）而组合（3），（5），（6），用于∀k∈V\R，则可以求出：LossModelγ(k)可以通过在sink中的观测进行估计，k(m)k∈R,m=1,...,n表示第m次数据收集的估计值因此γ(k)的估计值是：LossModel链路的传输率的估计最终可从（5）得到因此，（7）-（11）式建立了链路传输/损失率以及在sink中的观察值的关系。（8）-（10）式表示γ(k)可以从(m)中估计获得，A（K）可以根据（7）求得。因此αk可以从式（11）中得到。InferenceAlgorithmA.ProblemDefinition1)反向多播树的拓扑T=(V,L);2)n次数据收集;3)记录每次实验中叶节点发数据送至sink节点的(m)k∈R,m=1,2...n的值B.AlgorithmDescription本文采用LIPM算法（LossInferencebasedonPassiveMeasurement）该算法的伪代码如右图所示：程序infer_subtree用于推断节点K（K不属于R）的链路传播率

APPLICABILITYDISCUSSIONLIPM算法在实际的工业和环境监测的适用性现实世界中的无线传感器网络会有很多单子节点在拓扑树中，然而LIPM算法适用于解决多个子节点的拓扑结构，因此该算法对于具有单子节点的情况是无效的。本文提出虚子节点的概念，如下图所示：在数据采集的过程中，当节点ķ收到来自他的子节点的数据时，它把自己的ID传给汇总数据包，在sink节点看来，它收到两个ID地址一样的数据。LIPM算法可以有效利用于周期性数据采集​​或小概率事件检测定期收集数据，例如跟踪监测流动材料的设备的健康状况，很明显LIPM算法非常适合于这些应用。另一方面，在罕见的事件检测中，传感器节点用于检测和区分稀有事件，如报警和故障检测通知。对于这些基于随机事件的应用，如果部署一个基于反向组播树的数据聚合通信模式，尽管感兴趣的事件发生的持续时间相对较长，该LIPM算法也将因为其良好的收敛性而发挥作用。对于短暂事件的情形，其中没有多大的传输发生时，数据聚集通信模式通常不采用。因此，LIPM算法不适合于此种情形。4仿真仿真环境：OMNeT++网络模拟器仿真模型：分别由1000和2000个节点组成的随机网络。采用两种不同的分布来表示丢包率LD1：丢包率随机的分布在[0.01,0.4]之间LD2：丢包率为0.2衡量标准：A.ComparisonWithPreviousAlgorithmsB.SimulationsinPeriodicDataCollectionScenarios仿真模型：分别由1000和2000个节点组成的节点随机分布的网络。每个节点有2~10个子节点丢包过程：（1）BP：Bernoulliprocess（2）GP：Gilbertprocess衡量标准：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个节点任意放置在D=1000的正方形区域内sink节点位于正方形中心的左上方传感器节点的通信半径设为50~150m100个随机事件相继发生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个节点任意放置在D=1000的正方形区域内丢包区域中心（750m，250m），半径为100mFS1:丢包区域的丢包率随机分布在[0.3,0.4]，其他区域丢包率分布在[0.01,0.1]FS2:丢包区域的丢包率随机分布在[0.3,0.4]，其他区域丢包率为0.1仿真模型：1000个节点任意放置在D=1000的正方形区域内

FS3:所有节点的丢包率均分布在[0.01,0.1]

FS4:所有节点的丢包率均为0.1

5结论WSN是DEs的一个组成部分，并为DEs从环境中提取有用数据。显然，WSN的大规模应