一种基于混合自动机模型的节点动态功耗管理机制研究*

李 强，刘琳岚* ，陈宇斌，舒 坚，臧 超

(1.南昌航空大学信息工程学院，南昌330063;2.南昌航空大学物联网技术研究所，南昌330063;3.南昌航空大学软件学院，南昌330063)

传感网络WSNs(Wireless Sensor Networks)在军事、环境监测、医疗健康、工业控制等方面有着十分广阔的应用前景。突发性事件监测是事件驱动型传感网络的一个典型应用，能够应用于地震监测、森林火灾、城市消防、入侵检测和战场检测等方面。由于传感器节点通常使用能量有限且不易更换的电池供电，因此传感网络的首要设计目标就是节省能量。

近年来，国内外研究人员针对传感网络提出了一些降低传感器节点功耗的方法。MIT的Sinha等人［1］根据传感器节点状态组合的有效性将整个节点的工作状态划分为五种，并且假设被监测事件服从一定的泊松分布和空间分布，然后使用自适应滤波(Adaptive Filtering)方法，依据历史事件的发生时间预测下一事件的到来时间，从而能够在嵌入式操作系统的支持下选择最合适的工作状态，以降低节点的能耗;文献［2］在文献［1］的基础上进行了改进，提出一种“两层”动态功耗管理策略，该策略采用异步唤醒节点的方法，权衡了节点通信和能量消耗的均衡性，当节点进入完全关闭状态时考虑了节点剩余能量，在不影响系统性能的情况下，延长节点的寿命;Passos M 等人［3］拓展了文献［4］提出的能量状态机模型，提出一种基于应用驱动的动态功耗管理策略，该策略把节点的工作状态划分为三种，以混合自动机(Hybrid Automata)原理作为理论支撑，利用传感器监测对环境条件的依赖性动态切换系统的功耗状态，该方法在事件发生概率不是很大的情况下可以有效降低传感器节点功耗，一旦事件发生概率变大，节点功耗也将会逐渐增大，当概率大于某阈值后，节点便不能节能反而消耗更多能量;文献［5］提出的传感网络动态功耗管理机制使用了最优地理密度控制(OptimalGeographicalDensity Control)技术，在其满足网络连通覆盖特性的前提下，使处于活动状态的节点数量达到最少，以提高动态功耗管理的效率;文献［6－7］分别提出了基于预定切换模式和基于模式切换的动态功耗管理机制，均是基于电池能量的可恢复性特点来延长节点的使用寿命;文献［8－9］把节点工作状态之间的转换看作是一种基于“平均奖赏”的马尔可夫决策过程，利用动态规划方法来优化这一过程，提高了节点的能量利用率;田丰民等人［10］提出一种预测方法，该方法使用了小波和卡尔曼滤波以及自回归分析技术，根据历史事件的到达时间来预测下一事件的发生的时间，以决定节点进入何种功耗状态。然而，在森林火灾监测、洪水爆发监测等应用领域中，事件发生概率很小，且具有偶然性，历史数据难以获得，针对此种情况，李国徽等人［11］使用小波分析和自回归技术对Sink节点上现有的数据流进行分析以产生预测值，在后续的工作周期内，如果节点上的观测值没有超过给定阈值，那么就不向Sink节点发送报文，通过减少节点的工作时间和通信时间及次数来减少能量消耗;魏海龙等人［12］根据传感器节点上的历史数据使用灰色模型预测未来值，预测过程中可以动态调整预测参数，实现自适应预测，与小波自回归预测算法相比，提高了预测的准确性。

在上述研究的基础之上，本文针对森林火灾监测，提出一种改进的基于混合自动机模型的节点动态功耗管理方法。森林火灾的发生具有突发性和偶然性，节点上各单元无需一直保持在正常工作状态，可将其切换到低功耗状态，甚至完全关闭状态，在必要时加以唤醒，可以有效降低节点的能量损耗。动态功耗管理DPM(Dynamic Power Management)的基本思想是:设备在空闲时关闭，在需要时加以唤醒［3］。本文在前述研究的基础上，把传感器节点的工作状态划分为四种，然后利用混合自动机原理建立节点工作状态转移模型，该模型通过对环境变量(状态控制变量)是否满足跳变条件的判断来决定节点处于何种工作状态，同时该模型考虑了节点的剩余能量，可均衡节点能量的使用。

1 传感器节点的硬件组成

一般传感器节点由四部分组成:数据采集模块、数据处理模块、无线通信模块和电源模块，如图1所示。

图1 传感器节点硬件组成结构示意图

图2给出的是Deborah Estrin在Mobicom2002会议上的特邀报告(Wireless Sensor Networks，PartⅣ:Sensor Network Protocols)［13］中所述传感器节点各模块的能量消耗情况。从图中可以知道，传感器节点的绝大部分能量消耗在无线通信模块上，而且无线通信模块在空闲状态和接收状态的能量消耗接近。

图2 传感器节点各模块的能耗情况

2 传感器节点工作状态的划分

传感器节点的每个模块都有多种工作模式，例如数据采集模块有打开、关闭两种模式，数据处理模块有活动、空闲、休眠三种模式。每种工作模式都具有各自的功耗状态，通过这些不同的功耗状态，可以定义出节点不同的工作状态。

在文献［3］所提出的动态功率管理方法中，传感器节点的工作状态被划分三种:活动状态(高速率数据采集和发送)、次活动状态(低速率数据采集和发送)和关闭状态，该方法通过判断环境温度的变化值是否满足跳变条件来控制节点工作状态的转换。森林火灾发生的概率比较小，且具有突发性，节点各工作状态之间没有必要的频繁转换会带来额外的能耗，特别是完全关闭状态和活动状态之间的转换会消耗更多的能量，且节点处于关闭状态的时间越多，事件丢失的可能性越大，为了降低这种额外能耗和减少事件丢失率，本文将传感器节点的有效工作状态划分为四种:S0、S1、S2、S3，如表 1 所示。

表1 传感器节点的工作状态

表1中，S0和S1分别表示活动状态和次活动状态，此时节点各模块都处于正常活动状态，两者的区别在于S0的数据采集速率和发送速率都比S1高，但数据采集频率必须满足采样定律，即采样频率大于信号频率的两倍;S2为“感知”状态，此时传感器为打开状态，处理器为活动状态，无线收发器可以接收数据，因此节点能够感知外界变化，但不能进行消息的发送;S3为睡眠状态，此时处理器处于睡眠状态，传感器和无线收发器处于关闭状态，节点无法感知外界环境的变化。

从实用的角度来看，传感器节点工作状态之间的切换会消耗一定的能量并有一定的时间延迟，因此，若节点状态转换所节约的能量不足以弥补状态转换所带来的额外能量消耗，那么此次状态转换完全没有意义。所以，需要对节点休眠阈值进行合理的设定。

3 休眠阈值分析

由上一节内容可知，节点的工作状态被划分为S0、S1、S2、S3四个部分，S0表示活动状态，此时节点消耗的能量最大;S1表示次活动状态;S2表示感知状态;S3表示节点处于睡眠状态，此时节点消耗的能量最小。为了更直观的分析节点的休眠阈值，我们假设某节点在t1时刻完成对上一事件的处理，下一事件将发生在t2=t1+ti时刻，那么ti即为该节点处于空闲的时间段;状态 Sk的功耗为 Pk(k=0，1，2，3)，状态转换时间和恢复时间分别为τd，k和τu，k，如图3 所示。

图3 状态转换示意图

从图3中可以看出，节点在t1时刻开始从状态S0转换到状态Sk，在t2时刻又开始恢复到S0状态，很显然，这一状态转换过程中节约的能量为:

如果式(1)要有实际意义，那么必须满足 Esave，k＞0，从Esave，k＞0可以推导得到节点的门限阈值:

即节点在下一事件到来之前至少要保持的空闲时间。由于节点的状态转换本身也存在额外的能量消耗，所以节点处于状态Sk的保持时间应大于Tth，k，才能保证转换是有意义的。

针对表1描述的四种节点工作状态，表2仅给出传感器节点各工作状态的功耗和各状态切换到状态S0所需要的时间。其中，由于节点在状态S0和S1下各组成模块都处于完全正常工作状态，所以S1切换至S0的时间可忽略不计，如表2所示。

表2 节点各状态的功耗和切换时间

根据表2，传感器节点各工作状态对应的门限时间可以由式(2)计算得出。针对节点处于睡眠状态S3的情况，我们做特殊处理。当节点处于睡眠状态时，其能耗最少，此状态保持的时间越长节约的能量越多。但是，节点在睡眠状态时无法感知外界环境的变化，被监测事件可能会丢失，如果事件丢失率过大则会大大降低系统的性能。另外，事件的随机性可能会导致部分节点能量消耗过快而过早死亡，从而影响网络寿命。因此，为了提高节点能量使用的均衡性，本文结合传感器节点剩余能量给出了节点处于睡眠状态时的保持时间，如下:

式(3)必须满足条件 Esave，k＞0，其中，τ为可调系数，根据被监测事件的严重程度和事件发生的频率可调节其大小，vsta为节点电池的标准电压，vpre为节点电池的当前电压。

4 基于混合自动机模型的动态功耗管理

4.1 混合自动机原理

混合自动机是混杂系统研究中常用的模型之一，从根本上来看混合自动机模型属于有限状态机模型，每个离散的状态都对应一个特定的连续动态。它不仅可以描述系统的离散动态行为，而且具有描述系统连续动态行为的能力。由文献［14］可知，一个混合自动机主要由如下几个部分组成:①变量:是一个实数变量的有限集合;②控制图:是一个有向多元图(V，E)，顶点V被称作控制模态，边E被称作控制切换;③初始值、不变条件和流条件:每个顶点上的三个标识函数init，inv和flow为相应的控制模态提供了判断;④跳变条件:每条边上的标识函数jump为每一个相应的控制切换提供了判断;⑤事件:一个有限的事件集合，而对应每条边上的标识函数为每个控制切换提供了事件。

为了更好的理解混合自动机原理，本文给出一个实例，如图4所示。

图4 温控器混合自动机模型

在图4中，温控器混合自动机模型有两个控制模态:系统关闭状态(Off)和系统加热状态(On)。假设初始状态为Off，在控制模态Off下，温度初始值x为20摄氏度，根据流条件˙x=－0.1x可知，温度会逐渐下降，当温度下降到18摄氏度时，根据跳变条件x＜19，系统将会自动切换到控制模态On下。在控制模态On下，温控器开始加热，温度逐渐上升，当温度升到22时，满足跳变条件x＞21，系统又将切换到控制模态Off下，可以看出温控器始终将温度维持在18℃至22℃之间。

4.2 基于混合自动机的DPM模型

森林火灾是一种突发性强、破坏性大的自然灾害。导致森林火灾发生的因素有很多，主要包括:温度、相对湿度、降水量、风速以及人为因素等，其中影响权重最大的因子是温度和湿度，当环境温度较低或相对湿度较高时火灾发生概率相对较小，反之火灾发生概率较大［15］。为了减少事件丢失率，本文定义了两个环境变量，即状态转换控制变量，分别为温度和相对湿度，它们的值是由温湿度传感器采集得到的。传感器节点根据这两个控制变量的连续变化，对节点工作状态进行离散处理，即当温湿度值变化到达设定的临界条件时，传感器节点的工作状态将进行相应转换。我们设定变量X表示所监测环境的温度，它是控制变节点工作状态转换的主要变量;变量Xold表示更新前的环境温度;变量Y表示所监测环境的相对湿度;变量Z表示时钟，它用于计算节点处于所在工作状态的保持时间;S0、S1、S2、S3分别表示节点的四种工作状态:活动状态、次活动状态、感知状态和睡眠状态。根据混合自动机原理，设计出传感器节点的工作状态转换模型，如图5所示。

图5 节点工作状态转换模型示意图

在图5中，节点的初始状态为S1，这里规定数据采集频率小于数据发送频率。节点在状态S1的保持时间为10 s，在保持时间内，若环境变量值满足跳变条件:a)温度大于35度;b)当前温度和前一刻温度相差大于等于5度;c)湿度小于等于30%，即不等式 X＞35‖X＞=Xold+5‖Y＜=30成立，那么节点将由状态S1切换到状态S0。

如果节点处于状态S1的时间超过10 s，环境变量的值又满足跳变条件:a)温度小于25°;b)当前温度小于前一刻温度;c)当前温度和前一刻温度之差不超过0.5°，即 X＜25‖X＜Xold‖X＜=Xold+0.5＆＆Z＞10成立，节点状态将由S1切换到S2。

当节点在状态S1的时间超过10 s时，同时满足当前温度值与前一刻温度值之差大于0.5且小于5的条件，则节点仍保持S1状态不变。

对于节点在其他3种工作状态时，只要环境变量的值满足所在状态的跳变条件，节点就会根据跳变条件切换到相应的工作状态。在实际应用中，对于睡眠状态S3，因为节点无法感知外界环境的变化，所以其只能依靠自身内置的定时器发出硬中断来唤醒自己，其中定时器的定时长度可以由式(3)计算出。

5 仿真结果与分析

5.1 仿真说明

在数学领域中，泊松分布常被用来描述一段时间内随机事件的发生情况。假设传感网络覆盖区域中被监测事件的发生情况服从参数为λ的泊松分布(Poisson)，设5 000 s内有250个事件发生，则根据泊松分布的定义有P(x=k)=(λk/k!)e－λ。我们可以给定不同的火灾发生概率P来确定相应的λ值，再由λ值来获得满足我们实验要求的数据(250个随机数)。为验证本文方法的合理性和有效性，本文利用文献［3］的实验数据进行实验，并与其进行比较。设定具体场景参数设置如下:在50 m×50 m的监测区域内随机布设100个传感器节点，节点上事件发生的数量不确定，消息均可以由一跳到达Sink节点。节点的初始能量为100 J，其所在的位置可监测到相应给定的温度值。温度值的变化看作是事件的发生，事件随机发生在区域的任何位置。如果两个或两个以上事件影响到相同的区域范围，则新的温度值取这些事件的平均值。事件影响的区域半径5 m≤r≤50 m，事件的持续时间为25 s≤t≤200 s。

5.2 结果分析

实验1:观察某节点在不同火灾发生概率条件下工作5 000 s后的能量消耗情况(100次实验的平均值)，如图6所示。

图6 不同火灾发生概率下节点能耗比较

在图6中，NDPM表示在没有采用任何DPM策略的情况下节点在每个工作周期内消耗的能量情况，此时节点的能量消耗与事件的发生无关，始终按照自己设定的周期工作;DPM［3］表示该节点使用了文献［3］中的方法后其耗能情况;DPM表示节点使用了本文方法后的耗能情况。从整体上看，当火灾发生概率小于60%时，本文的方法和文献［3］方法都能可以降低节点的能耗，但随着火灾发生概率变大，节点能耗也相对增大，当火灾发生概率大于一定值后，这两种方法不但无法节能反而使节点消耗更多的能量，这是因为在火灾发生概率较大时，节点处于最活跃状态的时间和次数都增大，节点能耗将上升。单独比较DPM和DPM［3］可以看出，在火灾发生概率小于50%时，本文提出的方法要优于文献［3］中的方法，这是因为在火灾发生概率较小时，使用本文方法的节点更多的时间处于感知状态S2和睡眠状态S3，因此节点整体消耗能量小，而采用文献［3］方法的节点更多时间处于活动状态和睡眠状态，并且转换频繁，所以节点消耗的能量相对较大。

实验2:为进一步考察本文DPM模型的性能，我们设定火灾发生概率分别为0%和50%，观察100个节点在5 000 s后剩余能量的情况，如图7和图8所示。

图7 火灾发生概率为0%时各节点剩余能量情况

图8 火灾发生概率为50%时各节点剩余能量情况

从上述两图中可以看出，当火灾发生概率为0%时，使用本文方法的大多数节点的剩余能量高于使用DPM［3］方法的节点，且呈现不规则性，这是因为本文提出的方法中增加了低功耗状态S2，节点的工作状态在S1、S2、S3之间随机切换，而使用 DPM［3］方法的节点其工作状态始终在状态S1和S3之间转换;当火灾发生概率为50%时，使用本文方法的节点和使用文献［3］方法的节点其剩余能量都呈现出不规则性，这是由于火灾可随机发生在任何位置，并且持续时间不等造成的，此时两种方法都可以节约节点能耗，且节能效果相当。结合实验一的结论，我们可以得出，在火灾发生概率小于50%时本文提出的方法具有较好的节能效果。实际上，森林火灾发生的概率一般都远低于50%，所以本文的方法更符合实际情况。

6 结论

突发性事件监测是事件驱动型传感网络一个非常典型的应用，本文以森林火灾监测为应用背景，提出一种基于混合自动机模型的传感网络节点动态功耗管理方法。根据应用环境的特点以及传感器节点状态组合的有效性将节点工作状态划分为四种，然后，利用混合自动机原理建立了节点状态转换模型，该模型通过环境变量的连续变化来控制离散状态(节点工作状态)的转换。同时，该方法考了节点剩余能量，提高了节点能量使用的均衡性。实验结果证明了该方法的有效性。在以后的工作中，将进一步研究在消息多跳传送的情况下如何设计和完善节点DPM模型。

［1］ Sinha A，Chandrakasan A． Dynamic Power Management in Wireless Sensor Networks ［J］． IEEE Design and Test of Computers， 2001，18( 4) : 62－74．

［2］ Luo R C，Tu L C，Chen O.An Efficient Dynamic Power Management Policy on Sensor Network［C］//IEEE Proceedings of the 19th International Conference on Advanced Information Networking and Applications，2005:1－4.

［3］ Rodrigo M Passos，Claudionor J N Coelho Jr，Antonio A F Loureiro，et al.Dynamic Power Management in Wireless Sensor Networks:An Application-Driven Approach［C］//Second Annual Conference on Wireless On-demand Network Systems and Services(WONS 2005)，2005:2－3.

［4］ Zuquim A P，Vieira L F M，Vieira M A，et al.Efficient Power Management in Real-time Embedded Systems.IEEE International Conference on Emerging Technologies and Factory Automation-ETFA'03，2003:496－505.

［5］ Lin Chuan，He Yan-Xiang，Xiong Nai-xue.An Energy-Efficient Dynamic Power Management in Wireless Sensor Networks［C］//IEEE/ISPDC，2006.

［6］ Sausen P S，SousaB，Spohn M A，etal.Dynamic Power Management with Scheduled Switching Modes［J］.Computer Communications，2008，31(15):3625－3637.

［7］ Sausen P S，Spohn M A，Salvadori F，etal.Applying Dynamic Power Management with Mode Switching in Wireless Sensor Networks［J］.IEEE 2008:1713－1717.

［8］ Kianpisheh S，Charkari N M.Dynamic Power Management for Sensor Node in WSN Using Average Reward MDP［C］//International Conference on Wireless Algorithms，Systems and Applications，LNCS 5682，Springer，USA，2009:53－61.

［9］ Kianpisheh S，Charkari N M.A Power Control Mechanism for Sensor Node Based on Dynamic Programming［C］//2010Second International Conference on Communication Software and Networks，2010:114－118.

［10］田丰民，陈向东，张传武.无线传感器网络动态功耗管理方法［J］.传感器技术，2005，24(11):33－35.

［11］李国徽，江德平.基于流预测的无线传感器网络动态功耗管理［J］.华中科技大学学报，2007，35(7):27－30.

［12］魏海龙，李迅波，沈艳，张海.基于灰色模型的无线传感器网络动态功耗管理研究［J］.传感技术学报，2011，24(1):141－144.

［13］ Deborah Estrin.Wireless Sensor Networks Tutorial Part IV:Sensor Network Protocols［R］.Mobicom，Sep.23－28，Westin Peachtree Plaza，Atlanta，Georgia，USA，2002.

［14］ Henzinger T A.“The Theory of Hybrid Automata，”Proc.of LICS，1996:278－292.

［15］宋国伟，马剑，Satoh K，等.森林火险与气象因素的多元相关性及其分析［J］.中国工程科学，2006，8(2):61－65.