无线传感器网络中数据汇聚方案的研究

周 林，陈扬扬

(重庆邮电大学通信与信息工程学院，重庆400065)

无线传感器网络是由大量传感节点构成，能够相互协作，实时地感知、采集和监测网络覆盖区域的信息［1］。因为大量的传感器节点随机分布，会出现相邻节点的监测区域是交叉重叠的，所以会获得一些相似数据。而传感节点能量有限、存储有限。节点能量制约着网络的生存周期，存储过多数据会导致网络拥塞。传感器所消耗能耗中，数据传输占了绝大部分，因此大量数据传输就会过多地消耗传感器的能量，缩短网络的寿命。为了避免这些问题，在数据采集的过程中，人们采用了数据汇聚技术。这样既可以有效地利用电源能量，又提高了带宽利用率。

数据汇聚就是利用传感器节点本地的处理能力，把采集到的大量原始数据进行筛选、合并的过程。节点在传输之前，先去除冗余的数据，只将有用的结果传输到SINK节点。数据汇聚利用了不同的时间与空间资源，把按照时序采集到的数据在一定的规则下进行分析、综合，它生成的结果更加准确、及时、有效。用户一般不关心单个传感器节点的数据，只对监测区域的环境变化感兴趣。数据汇聚就可以满足这样的需求，对监测目标做出有效的评估。数据汇聚具有自适应的能力，每一轮数据采集的过程中，动态地调整［2］。选择出合适的簇头，这将有助于提高数据采集的效率和节省能量。

1 数据汇聚策略

本文的研究是在分簇网络拓扑结构中，如图1所示，选择簇头作为汇聚节点，簇头不仅要感知数据，同时还要在簇间进行数据的传输。汇聚位置的选择也至关重要，如果只在终端节点进行汇聚，这会影响到数据的准确性;如果只在汇聚节点进行汇聚，将会造成无线信道的拥塞。

图1 分簇网络结构

1.1 网络模型的构建

假设有N个传感器节点随机部署在正方形区域A(l×l)中，传感器网络被分成若干个簇，一个簇中包含了一个簇头和若干个簇成员节点。簇成员只负责采集和传递数据，而簇头除了具备传感节点的功能外，还要对簇内的成员进行管理。建立如下网络模型［3］:

1)观测区域A是一个静态的网络，传感节点和Sink节点在分布后就固定不变。Sink节点位于观测区域附近，这些节点分布不均匀。

2)除了Sink节点外，传感节点和簇头节点是同构的，每个节点都有自己的ID号。

3)邻近的节点在同一时刻采集到的数据具有相似性，每个节点都可以进行数据汇聚。

4)节点周期性的采集数据，并做出决策是否转发每次的数据。

5)节点能够获取自身的位置信息。

1.2 簇头的选择机制

分簇网络结构能够节省能量，簇头的节点通常是采用多跳的方式与下一跳簇头或者Sink节点通信。LEACH算法［4］中节点的位置和能量是未知的，簇头的选择是随机的，该算法在统计上是均匀的，但是实际上簇头的分布是不均匀的。一方面如果簇头偏离了大多数节点，这样簇内数据传输能耗就会增加。另一方面如果剩余能量少的节点被选举为簇头，会很快耗尽能量。因此LEACH算法不能保证网络内的能耗均衡，会导致部分节点过早地耗尽能量，降低网络的稳定性。因此本文动态地选择簇头［5］，可以有效地克服以上的缺陷。当选的簇头节点就会广播消息，通知周围节点加入该簇。网络中的节点布置好之后，节点间进行信息交换，可以获取邻近节点位置和到Sink节点距离的信息。由于簇头节点不仅要进行簇内节点的数据融合，还要转发簇间的数据，所以簇头节点能量消耗较多。如果不合理地选择簇头，其续航能力有限，很快成为死亡节点，影响整个网络的生命周期。假设一个区域m个节点启动并且初始化，每个节点都开始竞选簇头。每个节点成为簇头的优先权值P(i)，P(i)与节点的密集程度和剩余能量成正比例关系。P(i)的值越大，节点成为簇头的概率也越大。

式中:节点i密集程度为Di，周围有m个邻居节点。节点i与旁边的第t个邻居节点的距离为dt，邻居节点与它都是单跳连接的。而节点i覆盖的区域半径为r。节点当前的剩余能量为Espare(i)，μ为能量权重，λ为密集权重。由式(1)，(2)可以推导出每个节点成为簇头的概率，概率较大的就成为了簇头节点。然后簇头开始广播成簇的消息［6］，广播消息包含簇头ID、剩余能量、传输跳数k，在簇头的传播过程中跳数递减，直到为零。同一个节点可能收到附近几个簇的成簇消息，根据信号强度大小决定加入哪个簇。过了一段时间后，Sink节点发动新一轮的传输消息，无线传感网络进入下一个数据采集周期，要求再次选举簇头，每个节点根据自身的状况计算优先权值，从而选出新的簇头。

1.3 数据汇聚算法

现有的算法绝大部分是在簇头进行数据聚合的，但是簇内的成员节点在数量上具有绝对优势，所以本文提出在簇内节点汇聚的一种算法，它能更有效地减少数据的传输量。之前也有TEEN算法［7］设置软硬门限值，用来确定是否发送监测数据。但是该算法对监测数据的不确定性，在概率统计上缺乏科学的度量，并且不适合用在周期性采集的系统中。本文提出簇内节点比较前后两次接收的数据的差别，求出该节点新鲜性信息熵［8］，如)

式中:x'是当前采集到或者接收到的数据;x是前一次采集到或者接收到的数据。并且根据目标区域的特征建立一个样本，x和x'从样本(x1，x2，x3…，xn)中取值。同时满足

F的结果越小代表节点前后两次接收到的信息越相似，即存在着很大的冗余性，需要对重复的信息进行去除。这里设置一个阈值m，当F≥m时，说明数据比较新鲜，中间节点就应该把数据向上游节点传送;当F＜m时，说明数据冗余，就不发送数据，但是把数据记录在节点中，用来与下次发送的数据进行比较。在一段时间内，当簇头节点接收到簇内成员节点的数据包后，通过进一步的处理，把相同的包头开销去掉［9］，保留有用的信息。然后把有用的信息聚合在一起再加上包头，传送到下一个簇头或Sink节点。

传感器节点在一轮数据采集中，如果监测的物理量没有明显的变化，那么节点就不会与汇聚节点通信，用户就不能周期性采集到数据。为了避免这种情况发生，就需要对采集的数据取平均值。在一轮采集周期结束时，把平均值发送给簇头节点。传感器汇聚的算法执行中也要有学习过程［10］，Sink节点接收到的数据的性质和变化规律不同，就需要设置一个不同的阈值m。服务器分析接收到数据的准确性，调整阈值m并反馈给簇内成员节点。然后传感器节点根据调整后阈值来发送数据，提高监测结果的准确性。

2 仿真实验

从节点的平均能耗和存活数量进行分析对比。选择120个相同的传感器节点，非均匀地随机部署在100 m×100 m的环境中。其中簇头所占的比例为5%，Sink节点的位置为(60 m，55 m)。每个传感器节点能够覆盖的半径为1 m，初始能量为2 J。μ=λ=1，用户监测到的物理变量取5个样本值，事件对应发生的概率为0.15，0.2，0.3，0.2，0.15。信息的阈值m取0.065，当新鲜性信息熵大于该值时就把本次的数据发送出去。

图2显示了在800 s的仿真时间内每个节点平均消耗的能量。从图中可以看出采用新鲜性信息熵算法明显降低了能耗，节约了近20%的能量。这是因为LEACH算法中传感器节点的数据不聚合，传送到簇头节点再汇聚。而新鲜性信息熵算法在簇内的传感节点就进行汇聚，只发送变化显著的数据，这样就减少了数据量，从而节约了能量。

图2 单个节点平均消耗的能量

图3 显示改进算法与LEACH算法随时间变化节点存活数量的比较，在0～300 s传感器网络刚开始工作，所有节点能量都很充足，死亡的节点很少，两种算法也相差不大。在500 s以后，改进算法比LEACH算法有明显的改进。这是因为改进算法根据剩余能量和密集程度来选择簇头，能量较多的节点被选择当簇头的概率增加，这样能耗就比较均衡。同时传感节点比较信息熵值减少了传送的数据量，从而使整个网络的能量消耗更加合理，增加了网络中节点存活的数量。

图3 节点存活数量

3 小结

由于传感器节点密集分布，监测区域的物理量大部分时间保持稳定状态，以及相邻的传感器节点对同一目标区域采集相似的结果［11］，所以传感器网络的数据有很大的冗余性。过多的数据传输要消耗能量，会影响网络的生命周期。本文提出根据节点的密集程度和新鲜性信息熵的概念来选举簇头，然后簇头广播成簇消息，附近的节点自动加入簇结构。与LEACH算法相比，能耗更加均衡，剩余能量较少的节点被选为簇头的概率降低，因此可以减少节点的死亡。同时簇内的成员节点采用了新鲜性信息熵算法，对没有显著变化的数据暂存本地节点中不发送，这样就有效地减少了数据的发送。仿真实验表明改进算法明显减少了能量消耗，延长了网络寿命。在以后的工作中，数据的安全和数据延迟还有待于进一步研究。

［1］崔逊学，左从菊.无线传感器网络简明教程［M］.北京:清华大学出版社，2009.

［2］HUA C，YUM T S.Optimal routing and data aggregation for maxinizing lifetime of wireless sensor networks［J］.IEEE/ACM Trans.Networking，2008，16(4):892-903.

［3］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.

［4］HEINZELMAN W，CHANDRAKASAN A，BALAKRISHNAN H.Energyefficient communication protocol forwireless micmsensor networks［C］//Proc.the 33rd Annual Hawaii Int’t Conf.on System Sciences.Maui:IEEE Computer Society，2000:3005-3014.

［5］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):61-64.

［6］孙凌逸，黄先祥，蔡伟，等.基于神经网络的无线传感器网络数据融合算法［J］.传感技术学报，2011，24(1):122-126.

［7］MANJESHWAR A，AGRAWAL D，MANJESHWAR A，et al.TEEN:a protocol for enhanced efficiency in wireless sensornetworks［C］//Proc.the 15th Parallel and Distributed Processing Symp.San Francisco:IEEE Computer Society，2001:2009-2015.

［8］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.

［9］陈妍.无线传感器网络MAC层数据融合的研究［J］.湖北工业大学学报，2011，26(5):81-84.

［10］彭爱平，郭晓松，蔡伟，等.基于估计机制的分簇传感器网络数据融合算法［J］.传感技术学报，2011，24(1):128-133.

［11］林蔚，祝启龙.无线传感器网络节能型数据融合算法［J］.哈尔滨工程大学学报，2011，32(10):1386-1389.