无线传感网络数据压缩方法

刘 涛

（阜阳职业技术学院工程科技学院，安徽阜阳 236031）

0 引 言

无线传感器网络能够很好地实现人们对于监测对象的远程实时动态监控，在现代社会多个领域中有着广阔的发展前景，但由于无线传感器网络节点的计算、存储能力及电源能量、通信宽带有限，同时节点内及各节点间存在着严重的冗余数据，数据传输需要消耗大量的能量，影响到网络的使用寿命，不利于实时监测，因此必须在数据传输前对数据进行压缩处理，以消除冗余，降低能量消耗。关于无线传感器网络数据压缩方法国内外有较多的研究，但多数研究仍是基于传统的压缩方法提出的，在应用中需要大量的采样数据，不能很好地适应无线传感器网络发展的要求，因此，有必要构建一种新的采样机制来实现无线传感器网络的数据压缩。

1 无线传感网络概述

无线传感器网络（WSN）是以无线通信的方式将大量静止或移动的传感器节点组合形成的一个多跳的自组织无线网络，在网络覆盖区域内，无线传感器网络可以感知、采集、处理和传输所有被感知对象的信息，并将经过处理的信息最终传送给网络所有者，系统中类型众多的传感器可探测周边环境的各种现象，如电磁、温度、噪声、光强度、压力、速度方向等，在包括军事、航空、防爆、医疗、工业、环境等在内的多个领域中有着广阔的应用前景。

无线传感器网络系统一般由传感器节点（End Device）、汇聚节点（Router）、管理节点（Coordinator）组成，具有大规模、自组织、动态性、集成化、以数据为中心、密集节点布置、协作执行任务等特点［1－2］。传感器由小容量电池供电，节点处理、存储和通信的能力较弱，在无线传感器网络系统中，传感器节点的主要任务是收集并处理本地的信息数据，存储、管理、融合其它节点传送来的数据，协作其它节点完成一些特定任务；汇聚节点是用于连接传感器与其它外部网络的网关，节点处理、存储和通信的能力相对更强，可以将更多的信息传输到计算机中，并利用汇编软件将信息转换为汇编文件格式，分析传感器节点存储的机密信息，同时还可对程序代码进行修改，在无线传感器网络中，汇聚节点主要负责实现传感器网络与外部网络协议间的转换，将无线传感网络收集的数据发布到外部网络中，并将来自管理节点的监测任务传送到传感器节点中；管理节点是无线传感器网络中用于管理的部分，网络所有者通过管理节点，可对无线传感器网络进行动态管理，访问无线传感器网络中的资源。

无线传感器网络体系结构如图1所示。

图1 无线传感器网络体系结构

在实际应用中，随机部署在监测区域内部或附近的大量传感器节点可通过自组织构成网络，传感器节点监测的数据以多跳的形式在各传感器节点中传输，经过多个节点的处理最终达到汇聚点，再经由互联网、卫星通信网等外部网络到达管理节点，用户通过管理节点完成数据的存储、融合等管理，实现监测数据的收集和监测任务的发布。

无线传感器网络大规模的特点使得其系统可以通过不同空间视角获得信噪比更大的信息，覆盖更大监测区域；采集信息的分布式处理可减低对单个传感器节点的精度要求；存在的大量冗余节点使系统容错性能更强。但随着无线传感器网络的发展，节点不断增加，系统中存在着严重的数据冗余，若直接传输则不仅无法充分利用有限的带宽，还会导致系统存在较大的时延，影响到对监测对象的实时监测，同时，大量数据的传输会严重耗费节点的能量，缩短整个系统寿命，因此，在数据传输前必须先对传输的数据进行处理。而由于无线传感器网络自身存在的计算能力弱、存储空间小等特点，传统的压缩方法不适用于无线传感器网络数据压缩中，因此，建立一种简单有效的无线传感器网络数据压缩机制，寻找数据压缩方法十分必要。

2 无线传感网络的数据压缩算法

2.1 基于数据传输特性和封包结构的压缩算法

基于数据传输特性和封包结构的压缩算法中较为典型的有基于排序和基于管道的数据压缩算法两种。基于排序的数据压缩算法是在传感器聚合节点收到各个节点发送来的数据后，按照数据排列顺序与数据间的映射关系对数据进行排序，完成数据压缩；基于管道的数据压缩算法是在传感器聚合节点收到各个节点发送来的数据后，将节点数据整合为一个单一的数据包，在数据整合的过程中删除冗余数据，该类算法相对较为简单，但未充分利用传输数据间的相关性，数据压缩的效率较低［3］。

2.2 基于节点间数据相关性的压缩算法

基于节点间数据相关性的压缩算法是利用传输数据间存在的相关性对传输数据进行压缩，相对于基于数据传输特性和封包结构的压缩算法来说这种算法的效率更高。目前有基于时空相关性、基于小波变换和分布式数据压缩算法。

2.2.1 基于时空相关性的数据压缩算法

基于时空相关性的数据压缩算法基本思想是在无线传感器网络中，各个传感器节点之间存在着时间上的相关性，利用这一相关性可以从传输数据序列中提取部分可体现所有数据分布特性的子序列作为基础信号，实现传输数据的压缩，常用的方法有预测编码技术和时间序列线性拟合技术。

预测编码是根据离散信号间存在的关联性，利用前一个或多个信号对下一个信号进行预测，再对预测误差进行编码，通常若预测的较为准确，则误差就会很小，编码所需要的比特少，即可实现数据的压缩，该方法可有效地降低网络冗余信息，降低能量消耗，延长无线传感器网络寿命，但关于大数据量的图像传输目前尚无研究［4－5］。

在实际监测过程中，传感器的监测数据在一个较长的时间内均保持着相对稳定的趋势，监测对象信息的采集在时间上构成一个时间序列。时间序列线性拟合技术即是根据采集数据在时间上的相关性，通过建立数据模型得到近似数据后进行压缩，利用近似数据代替原时间序列进行传输，来降低网络通信的能量消耗。目前有基于曲线拟合技术的流数据压缩传输方法和基于一元线性回归模型的空时数据压缩算法，前者是将最小二乘法曲线拟合技术与流数据传输相结合，对每个传感器节点数据进行压缩后在基站还原，该算法难度较高，且算法中没有考虑到传感器数据延迟时间的影响；后者是通过在传感器节点消除采集信号的时间冗余，在传感器聚合节点消除空间冗余来实现传输数据的压缩，该方法通过分别消除冗余的能够较为有效地降低数据冗余带来的能量消耗，但在研究的过程中没有考虑到异常数据的情况［6］。

2.2.2 基于小波变换的数据压缩算法

小波变换是指用有限长或快速衰竭的母小波的震荡来表示信号，是目前数学中迅速发展的新领域，为时频分析方法的一种，具有时域和频域良好、可自动调节时频窗的特点［7］，国外有研究者结合小波变换的多分辨率滤波技术提出了基于二阶样条小波变换的数据压缩方法，根据传感器网络中数据的流数据特性对数据进行压缩。小波变换所具有的多级分解特性能够很好地缓解传感器网络异常数据对整体数据的影响，在存在异常波动的数据压缩中也有较好的效果，但基于小波变换的方法属于有损压缩，可引起边界效应和块效应。

在城市扩张形态上，利用紧凑度指数计算了城市各个时期建成区的紧凑度（见图3）．由图3可见，在研究期内，城市的紧凑度指数下降较为明显．在研究初期的1997年，城市紧凑度指数为0.79，到了2010年，紧凑度指数仅为0.50．表明这段时间内城市的扩张并非以城市重心为圆心均匀地向外扩张，而是如空间方位所分析的结果一致．在2011—2017年这一研究时期内，城市紧凑度指数出现小幅度上升，是由于城市重心东移，向东扩展速度低于前一研究阶段，导致城市的紧凑度指数变大．

2.2.3 分布式数据压缩算法

分布式数据压缩算法是在可实现集中和分散两种信息服务的基础上，利用各节点间的协作，将计算量分布到各个节点中来减少无线传感器网络内数据总量，其运行的效率较高。目前的研究一般将小波变换与分布式相结合，将小波变换中较为复杂的计算通过分布式分散到各节点中，使得每个节点的能耗都较小，从而在节点能量有限的传感器网络系统中实现数据的压缩；将分布式融入到信源编码的数据压缩方法是利用数据间的相关性进行数据压缩的一种较为有效的算法，是利用分布式对相关信息源进行编码，在解码端联合解码，该方法综合考虑了传感器陈列的特点，可进行单个节点的独立解码，同时可消除节点的冗余数据，充分利用了传感器网络数据间的相关性，提高了编码效率，是当前领域内研究的热点之一。

3 基于压缩感知技术的数据压缩方法

对于无线传感器网络数据压缩算法目前有较多的研究，但前面所述的算法均是基于传统的压缩算法提出的，必须先对大量数据进行采样，再进行压缩才能实现降低节点能耗的目的。在计算过程中，由于要使用的原始数据量十分大，对存储容量和处理速度有很高的要求，同时在计算后又要丢弃大部分的分量，浪费了计算资源。压缩感知理论是基于逼近论和泛函数分析理论，同时综合了小波分析、傅里叶变换等理论而形成的一种理论［8］，与按照乃奎斯特采样定理的传统信号处理方式相比，压缩感知理论下的采集表示可压缩信号的频率更低，可探究信号内部的稀疏性与信号间的关联性，高概率精确重构原始信号，且具有分散式编码特征，可实现数据的边压缩边传输，提高数据传输效率，在无线传感器网络中有着广阔的应用前景。

3.1 压缩感知理论的压缩采样过程

传统的数据压缩一般只关注局部信息，压缩感知理论则关注的是全局信息，它可以在采样的同时实现数据压缩，其具体压缩采样过程如图2所示。

图2 压缩感知理论采集压缩过程

在无线传感器网络中，若信号在某个紧框架上是可压缩的，则求出信号的等价或逼近表示的变化系数，接着设计一个与紧框架不相关的平稳的观测矩阵M×N，将变换系数投影到观测矩阵空间中得到观测集合，对信号通过矩阵进行非自适应观测，最后在接收端重构信号后利用最优化理论求解信号的近似逼近。

3.2 基于压缩感知的数据压缩设计

压缩感知包括信号稀疏表示、编码测量和信息重构，在应用压缩感知理论时，其前提条件是信号能够稀疏表示，也即是要求信号可以被压缩，信号稀疏表示也可以看作是寻找信号内样本的过程，其稀疏度对数据采集、存储和传输的效率有着决定性的影响；在编码测量中，感知矩阵满足约束等距性是保证信号精确重构的基本条件。

3.2.1 网络编码

在基于压缩感知的无线传感器网络中，设计能够满足条件的网络编码是数据压缩和重构的基础，在设计过程中首先要使网络编码方案满足压缩感知的约束等距性条件。以往研究表明，在数据压缩过程中，利用随机投影，通过解决一个优化问题即可以高概率重构原始稀疏信号，根据这一研究结论，文中网络编码方案采取伯努利／拉德马赫随机矩阵作为观测矩阵，其表达式如下：

式中：p——概率；

s——投影稀疏程度。

压缩感知的网络编码格式如图3所示。

图3 压缩感知的网络编码格式

3.2.2 编码过程

压缩感知的编码过程包括两个阶段：合成稀疏的随机投影合并阶段和向数据收集器转发投影的转发阶段。在前一阶段中，各个节点根据各自计划广播测量值，邻近苏醒的节点接收到广播后，如可以满足合并的条件，则合并到一起，若不能满足条件，则不合并。数据包如头部没有多余的空槽则为饱和，不再合并数据，而只存储和转发，由数据收集处将其收集；否则，由节点继续广播，寻找可满足条件的数据继续合并至饱和。饱和的数据包在转发阶段将数据进行简单存储并准备转发。

3.2.3 解码过程

饱和的数据包由收集点进行收集，收集到的饱和数据包能够满足精确重构的目的后，进行解码，即是根据收集的数据包重建原始测量值，这一过程也即是解码的过程，可看做是满足下式的最小化范数。

3.3 仿真实验

采用Matlab仿真工具，利用二维高斯分布模拟无线传感器网络的空间相关数据，数据时间的相关性通过改变数据场σ值实现，通过对监测对象温度监测的仿真模拟试验，选取投影数目为90，压缩比为0.4，经试验后发现，经过压缩重构的温度信号与原始信号虽有小部分的差别，但基本保持了原始温度信号的特征和变化趋势。将稀疏投影算法与随机路由压缩感知和密度随机投影压缩感知算法进行比较，发现密度随机投影感知算法的重构精度最高，同时节点能量消耗最大，稀疏投影算法与随机路由压缩感知重构精度相同，但稀疏投影算法节点能量消耗低于随机路由压缩感知，证明了采用稀疏投影构建基于压缩感知的数据压缩方法可很好地满足无线传感器网络中低能量消耗的要求，且信号重构的精度较高，可满足监测要求。

4 结 语

提出了一种基于压缩感知的无线传感器网络数据压缩方法，介绍了目前无线传感器网络数据压缩算法相关研究，通过仿真模拟试验，证明了采用稀疏投影构建基于压缩感知的数据压缩方法信号重构的精度较高，可满足监测要求，同时节点能量消耗较低，可很好地满足无线传感器网络中低能量消耗的要求。

［1］ 史久根，刘胜.基于压缩感知的无线传感网络数据压缩［J］.计算机工程与应用，2013，11：1-7.

［2］ 林蔚，韩丽红.无线传感器网络的数据压缩算法综述［J］.小型微型计算机系统，2012，33（9）：2043-2048.

［3］ 龚静.无线传感器网络中基于压缩感知技术的数据压缩方法研究［D］：［硕士学位论文］.成都：西南交通大学，2011.

［4］ 尹亚光，丁贵广.无线传感器网络中的数据压缩技术研究［J］.计算机应用与软件，2010，27（7）：1-4.

［5］ 李胜强.传感器网络数据压缩方法研究［D］：［硕士学位论文］.杭州：杭州电子科技大学，2010.

［6］ 朱铁军，林亚平，周四望，等.无线传感器网络中基于小波的自适应多模数据压缩算法［J］.通信学报，2009，30（3）：48-53.

［7］ 宋宇，王美玲，翟双，等.基于小波变换的图像压缩算法［J］.长春工业大学学报：自然科学版，2011，32（6）：558-561.

［8］ 蒋卫寅，李斌，凌力，等.针对无线传感网络的内存数据压缩算法［J］.微型电脑应用，2011，27（5）：1-3.