无线传感器网络数据可靠性分析与reecp研究

无线传感器网络数据可靠性分析与reecp研究

1基于能量有效的分簇通信协议无线通信节点的处理能力、存储能力和通信能力相对较弱。由于传输能量有限，在传输后无法充电。所以能量有效协议成为传感器网络的重要问题之一[2~4]。为了减少整个网络的能量消耗,OcakogluO通过运用统计方法来设计评估预期的目标,提出了一种随机的睡眠唤醒策略。EktaJ也运用了利用了统计的方法分析节点的行为,进而用来分析传感器网络的生命周期。但是方案过于依赖网络全局拓扑信息且没有提供对于分簇通信协议的分析。集中式协议对于实际环境下部署的传感器网络是不实际的,虽然易于实现和能满足于精度的要求,但是较分簇的方法来说会增加能量的消耗。LEACH是一种能量有效同时也是一种去中心化的分簇通信协议。SEP在LEACH基础上加入了高级节点来增加网络的生命周期。DEEC在SEP的基础上针对多级异构网络对LEACH进行了改进。DEEH则针对大规模无线传感网络进行了改进。文献基于LEACH设计了分布式的数据收集和聚合协议。然而这些协议没有考虑对于传感任务非常重要的数据可靠性。由于簇头进行数据融合的质量极大程度上依赖于其成员节点提供的数据。对于诸如环境监测这样的以数据为中心的传感任务来说,数据融合依赖于成员节点采集的数据。如果不能保证所依赖数据的可靠性,那么仅延长网络的生命周期是没有意义的。本文提出了一种可靠的能量有效的分簇通信协议REECP(reliableenergy-efficientcluster-basedprotocol)。利用RBD(reliabilityblockdiagram)来对分簇网络的层次性数据融合进行建模分析,保证了网络数据融合的可靠性。通过估算的节点平均生命周期检测出可能对簇的数据融合的精确性产生危害的异常节点。然后使检测出的异常节点与友节点协作来减少异常节点的能量消耗,并且不会影响数据传输任务。2联合协议分析一般来说,基于LEACH的协议按轮(round)运行,每轮分为簇头选举、簇的形成、稳定状态和数据融合这几个阶段。2.1改进节点剩余能量LEACH协议在簇头选举阶段存在不能动态反映节点能量消耗的不足,所以节点的当前能量必须被考虑进来。针对这一点,DCHS考虑了节点剩余能量,改进了簇头选举阈值的计算式,使剩余能量高的节点当选为簇头的概率增大。式(1)中为LEACH的簇头选举阈值的计算式,式(2)为DCHS的对节点n的簇头选举概率的改进计算式。p表示节点成为簇头的概率,取为k/N,k为预期的簇头数,N为网络的节点数。r表示当前轮数,rs表示节点连续未当选为簇头的轮数。E(n)是节点n当前剩余能量,Einit(n)是节点n初始能量。2.2改进的网络模型在簇的形成阶段,节点应该选择使之能量消耗最小的簇。LEACH中节点依据簇头节点广播射频信号的强弱来选择离自己最近的簇,但是它没有考虑簇头与基站之间的能量消耗,因为每个节点都有可能当选为簇头,仅考虑节点与簇头的能耗会导致整个网络多余的能量消耗,EECS改进了这些不足。cost(j,i)是节点Pj加入CHi的代价;dg_max=max{d(CHi,BS)}是节点到CH的距离,f子式保证使节点的通信代价最小;d(CHi,BS)是簇头i到基站的距离;g子式保证使簇头i到基站的通信代价最小;权值w的设置则是根据具体应用,在成员节点能量与簇头能量耗费之间的权衡。在本文中将考虑网络的数据可靠性对式(3)进行进一步的改进。2.3节点能量消耗模型网络生命周期的估计对于优化LEACH协议有着重要的意义,其估计的主要依据是平均能量消耗。LEACH-C使用了集中式的方法来选择簇头,基站利用接收到的节点的位置和能量来计算当前网络平均的能量,小于平均能量的节点不能当选为簇头。在DEEC中将节点当前能量与估计的网络平均能量的比率考虑进了簇头选举的阈值中。LEACH-C使用的最直接的消息传递方法将能量信息传递给基站,但是这样会导致多余的能量消耗。用统计方法来预测网络生命周期是另一种可行的方法,在统计模型中,最直接有效的方法是利用节点寿命的先验知识来得到节点寿命的估计,然而实际中先验数据往往难于获得。EktaJ研究了节点在具有活跃(active)和空闲(idle)状态时的能量消耗情况下网络中单个节点的生命周期趋近于正态分布。Mini利用马尔可夫过程和ARIMA模型来预测节点的剩余能量从而减少了节点剩余能量数据包的传递次数,构建了EnergyMap得到网络能量分布图。但是模型的建立需要一定的先验数据,利用频率得到近似的转移概率矩阵的需要大量的数据,这样对模型的应用具有很大的局限性。另一方面由于ARIMA模型参数繁多且不容易确定,运用起来也较为困难。本文假设节点在所分配的时隙中发送的数据量不会经常发生突变,故可利用DEEC中节点能量消耗模型来估计每轮的能耗及网络的平均生命周期,即假定N个传感器节点均匀地分布在一个M×M的矩形区域内,基站位于该区域的中间,基站的任意放置不会对分析结果造成本质的影响。每个簇的成员节点在每一轮中向簇头节点发送约L比特的消息,则平均生命周期可由式(4)得到式(5)表示第r轮平均能量消耗。其中,Eelec、EDA表示电路和数据融合的能量消耗;εamp、εfs表示Multipath和Frissfree-space2种无线信道传播模型参数;dtoBS和dtoCH表示节点到基站和簇头的平均距离,k为簇头数;Einit表示网络初始化时总能量。这种估计的不足在于对于促发的数据所导致的能量消耗和由其导致的节点突然死亡会引起一定的误差,但是能适合诸如环境监测等数据量较稳定的以数据为中心的传感任务。3异常节点检测传感器网络的能量消耗包括:通信、传感、数据融合和数据处理。在许多应用中,虽然传感和数据处理任务同样消耗能量,但多数的能量消耗在通信中。所以,本节中的REECP一方面定义并检测异常节点(MN,malfunctioningnode)并利用友节点(FN,friendlynode)减小其对网络数据可靠性的影响;另一方面,为了延长网络的有效生命周期,需给MN分配轻量级的任务。3.1基于网络数据的可靠性分析首先给出与异常节点的讨论相关的有效生命周期的定义。定义1(有效生命周期):网络有效生命周期是指网络中的节点可以维系指定的传感任务目标时的生命周期。定义2(异常节点):称具有以下特点的传感器节点为网络中的异常节点(MN):1)其不能维系本轮或以后几轮的网络或自身的运行;2)对于数据融合的准确性有着潜在的威胁。在簇中,成员节点的突然死亡会影响簇范围的数据融合的精度(如图1(a)所示)。由于位于高层次的节点有更多的能量消耗,所以簇头必须保证有足够的能量提供本轮的运行。作为簇头节点,如果在某轮的中途死亡,那么这一轮的数据融合将无法进行(如图1(b)所示),基站也接收不到簇头的数据,从而导致本轮任务的失效。如果网络中有多个簇发生此现象,那么会导致数据的误差传播,使传感任务失效。由于在本文的讨论中,传感任务主要目标是保证可靠的数据融合,这时网络的有效生命周期就会受到这种数据误差传播的影响。所以,MN可以导致网络的任务的失效,侦测出MN然后消除其不利的影响是非常必要的。为了提高数据的可靠性和降低能量的消耗,提出了REECP。采用了LEACH协议的主要阶段,并且进行了改进,加入了对MN的检测和处理机制。假设节点j具有能够取得自身剩余能量E(j)和根据信号强度估计节点位置的能力,协议中定义MN的提前预警轮数为v,第i个簇的数据可靠性为βi,网络数据可靠性为β,协议框架描述如下:1)结合分簇网络特点建立数据可靠性模型,并得到网络数据可靠度表达式Rnetwork;2)网络生命周期(网络平均运行的轮数)估计模型;3)侦测异常节点,并记录在簇头中;4)减小异常节点的影响;5)分配轻量级任务给异常节点。在步骤1)中,主要考察节点的可靠度如何对网络数据可靠度产生影响,从而能够让节点在簇的加入过程中选择数据可靠性较大的簇。步骤2)中网络的生命周期的估计是步骤3)中侦测异常节点的依据。由于簇头会对FN发出的融合包进行解析后得到簇中MN的数量,然后报告给BS。由于需要计算可靠性指标,节点需要知道周边MN节点的数量,可以通过BS将MN的情况广播给节点的方式得到。在簇的形成阶段,节点将可以对所加入簇的数据可靠性的大小加以综合考虑。数据可靠性建模的目的是针对网络协议作出簇范围内的数据融合依赖关系,从而利用簇头对网络数据可靠性进行评估和调整,即在设定的ν下,当簇i中的MN节点数量超过保证簇内数据可靠性的MN节点所占比例βi时,利用FN对MN节点的影响进行抑制。本节其余部分将针对协议进行具体的描述和分析。3.3分簇网络的可靠性评估传感器网络是一种依赖于节点间协作的事件驱动模型,一般诸如环境监测型传感任务中的节点在所部属的区域内协同工作。RMST协议利用定向扩散(directdiffusion)研究了无线传感器网络端到端的可靠传输问题,ESRT针对多个事件驱动的无线传感器网络的传输可靠性问题进行了研究。传输可靠性主要研究链路可靠性的模型,而本文利用分簇网络的特点,利用RBD研究数据靠性问题,并将之加入LEACH的簇形成和评估分析中。图2(a)表示网络层次性数据融合的依赖关系,可见簇的融合数据极大地依赖于成员节点,其中基站BS处于最高层次,簇头CH其次。若采集的传感数据具有时-空信息,成员节点与簇头间、簇头和簇头间的数据融合依赖关系则更加明显,因为此时簇头或成员节点的死亡都会造融合的数据中的时-空信息的缺失,导致重要监测数据的丢失。针对此种情况,假设网络中的簇为保证可靠数据融合的自治单元,且发送到基站的数据依赖于各簇的融合数据,对于分簇网络的数据可靠性进行建模。任何复杂的系统都可以描述成串联与并联模块的组合,可靠性理论利用串行子系统和并行子系统或混合的子系统对整个系统进行建模。EktaJ利用分析了具有空闲、活跃两个随机状态下节点的寿命情况,并且假设节点处于这2种状态下的概率符合二项分布,对六边形和正方形部署下节点与周围节点的生存依赖关系的情况利用RBD进行分析,但是没有考虑节点发送的不同数据包带来的能量消耗对节点寿命的影响。对基于分簇的网络来说,网络的数据融合依赖于每个簇(如图2(b)所示),所以簇间数据的依赖关系可以用RBD模型可以表示成图3的形式。基于以上的分析,单个簇的数据可靠性可以表示为Ri是节点i的数据可靠性,若RCH表示簇头的数据可靠性,进一步可以得到整个网络的数据可靠性可以表示为Rcluster,i表示第i个簇的数据可靠性。一般来说,如果网络节点的数量为N,那么假定所有节点具有相同的可靠性R,Ci表示第i个簇的节点数。所以式(8)可表示为式(9)。如果用N/k表示簇中平均节点数,那么可以得到近似表示式(10)。利用式(10)可以估算和评估分簇网络的数据可靠性,从中可以说明节点对应的数据可靠性与网络数据可靠性的影响。图4表明在同样的节点数据可靠性下,随着簇头数k的增长,网络数据可靠性相应的降低。因为更多的簇头表明数据可能发生更多的数据融合误差。可以利用簇头周边MN节点数量m占平均簇节点数量N/k的比率来表示成簇的可靠性,即km/N。然后计算出第i个簇的Rnetwork,i并加入到簇头广播包中。由于不同的簇头将会计算出不同的Rnetwork,在簇的形成阶段节点会根据簇头所形成的簇的可靠度来选择所要加入的簇,这样就可以使形成后的簇具有较好的数据可靠性。为了避免仅用射频强度和数据可靠性作为指标来选择簇头可能会造成的网络中簇的可靠性不均等的问题,还必须考虑簇头与基站间的关系所造成的通信代价,改进EECS中的簇加入代价函数,将式(3)加入数据可靠性的权值θ,那么节点j选择是否加入簇i的代价如式(11)所示。3.4mn节点的判断式(5)中已求出网络每轮的能量消耗E(r),这样异常节点就可以用下式侦测在每一轮的开始,当节点i的剩余能量E(i)小于维系后v轮运行所需的能量时,节点就可以判断为MN节点。对于不同传感应用任务,网络生命周期的预测模型可以有不同形式,但只要得到预测出的生命周期前v轮时网络的平均能量,就可以运用到REECP中作为MN节点的侦测阈值。3.5基于reecp的数据融合为了减小MN的不利影响,使用友节点FN(如图5所示)来与MN协作。FN是簇中离MN节点最近的正常成员节点,主要负责接收MN的数据。针对不同的应用情况,FN的确定可以有2种方法。1)在LEACH协议中,接收到多个簇头广播的节点根据接收到的射频信号强弱来选择加入哪一个簇,在节点在分配的时隙中向簇头发送数据时,节点通过监听友节点发送信号的强弱确定自己的友节点。2)利用定位算法可以得到每个节点的位置。定位信息的获得既可以通过距离相关的方法得知,也可以通过如DV-Hop、Hop-TERRIAN用跳数估算得知。当应用中需要节点采集的数据包含时空信息时,定位过程是必须的,这样REECP就不会对识别FN节点而进行多余的花费。在网络初始化阶段节点将FN节点记录,并且按照从近到远的顺序排序,在之后的运行中将变为MN的友节点剔除列表。当FN收到MN的数据后便进行简单的数据融合并且不增加数据帧的长度,这样FN协助MN所增加的能量消耗可以忽略。然后FN将数据一并发送到簇头。通过这种方法,保证了MN的出现对于簇头的数据融合是透明的,而且减少了MN的能量消耗,避免了可能出现的节点突然死亡对于网络数据可靠性的影响,过程描述如下。1)当节点侦测为MN后,将求助于FN。为了减少通信的消耗,节点将数据发送到FN,FN进行简单的数据融合后在规定的时隙内将自己和MN的数据融合后发送到簇头,融合的数据中有MN的标识字段,但并不影响簇头的融合精度;2)簇头将FN发送的数据与正常节点发送的数据进行融合后发送至BS;3)当,即超过预设比率β时,BS对不可靠数据进行标记。由于LEACH协议中对于簇中节点在所分配的时隙中发送数据包,节点间并不进行通信,然而步骤2)中MN需要FN节点的协助通信,所以必须对时隙分配的顺序稍作修改。簇头节点对于簇内的MN节点进行排序,然后将按照优先MN节点的原则将TDMA时隙分配给各节点,即MN节点在一轮中的开始进行数据发送,而此时其它的节点仅对自己周边的MN时隙进行监听状态,一旦FN收到了其对应的MN的求助数据包,将之存入自己的缓存中,由于FN节点会收到簇头分配时隙时所加入的MN的信息,所以FN节点在监听自己的MN节点的时隙后便进入睡眠状态,直到分配给自己时隙到达时将融合后的数据发送给CH。由于MN范围内可能有多个FN进行监听,MN数据被多个FN传输至簇头,但由于FN的融合帧长度不会发生大的变化,因此不会造成过重的网络负担。事实上,如果节点被检测出为MN,那么对于需要节点承担计算任务的传感器网络来说,可以将任务进行分解后分配给MN,这样可以减少繁重的数据处理所引起的能量消耗。4reecp的稳定性整个网络节点均匀随机部署在100m×100m的平面中,使用文献中的收发机能量消耗模型,具体参数如表1所示。REECP在Matlab7.0下仿真,为了在公平环境下与SEP与LEACH对比,设置10%的高级节点的能量为1J,其余节点能量为0.5J。CH发送的数据包大小为8000bit。成员节点发送的数据包大小6000bit;同时考虑到实际负载环境,节点每轮发送数据加入了随机噪声偏移。簇头选择概率p=0.1,提前预警轮数v=10,加入簇时数据可靠性权值θ=0.5,w=0.3。图6(a)中是SEP和LEACH每轮的平均能量消耗,图6(b)中是REECP的每轮能量消耗。可以看到,SEP较LEACH的平均能量消耗曲线平滑,而REECP则较SEP更加平滑。这是由于REECP中对MN节点进行了有效的抑制,节省了网络平均能量消耗,使得网络能量平滑下降,增加了稳定周期。由于MN对网络数据的可靠性有潜在的威胁,虽然LEACH和SEP可以延长网络的生命周期,但是却不能保证网络数据的可靠性。对于数据为中心的传感任务来说,仅仅着眼于延长网络生命周期是没有意义的,必须提高网络的数据可靠性,仿真中使用死亡节点占所有节点比率代表实际可靠度R。图7(a)显示了LEACH、SEP和REECP到达相应可靠度的起始轮数,最左边的点表示R由100%降到90%时3种协议下的开始时间(轮数)。在R从80%到10%的变化中REECP发生变化的轮数均大于LEACH和SEP。图7(b)中为R变化时维持的时间(轮数),用R发生变化时的相应轮数与第一个节点死亡的轮数的差值,从中可以清晰地看到REECP的维持某个可靠度的时间高于LEACH和SEP,这说明REECP具有更好的稳定性。比如,在数据需要提供80%的可靠度时