无线传感器网络关键技术研究

毕冉　李建中

摘 要：由具有感知、计算和通信功能的造价低廉的传感器节点以无线通信方式形成的自组织地网络系统即为无线传感器网络（WSNs）。无线传感器网络通过协作地采集、感知、分析环境信息，达到监测用户感兴趣的事件的目的。无线传感器网络的自组织性和协作性为其开辟了广阔的应用前景。然而，无线传感器网络具有资源受限和设计约束的特点。资源受限是指传感器节点具有受限的无线通信范围、有限的电源供给、低带宽、有限的计算能力和存储能力等特点。设计约束是指无线传感器网络的设计取决于其应用目的和所监测的物理环境。本文首先介绍了无线传感器的概念，阐述了传无线传感器网络的特点给研究带来的挑战。其次，本文分别从网络标准、通信协议、网络管理技术、以及数据压缩技术等方面介绍了代表性地研究工作。最后，本文对传感器网络的研究前景做出展望。

关键词：无线传感器网络；关键技术；通信协议；网络管理技术

中图分类号：TP393 文献标识码：A 文章编号：2095-2163（2014）06-

Abstract： With the capabilities of sensing， computation and communication， cheap sensor nodes organize themselves as wireless sensor networks （WSNs） by wireless communication. Wireless sensor networks aim at monitoring the event of user interest by collaboratively collecting， sensing and analyzing environment information. The self-organization and collaboration of WSNs open up the potential of wide applications. However， wireless sensor networks exhibit resource constraints and design limitations. Resource constraints include short communication range， limited energy， low bandwidth and restricted capability of computation and storage. Design limitations are that the design of WSNs relies on the application and the monitored environment. Firstly， this paper introduces the concept of wireless sensor networks and presents the challenges， which are brought by the characteristics of WSNs. Secondly， this paper introduces the research work in terms of network standard， communication protocol， network management， and data compression. Finally， the paper discusses the research issues of WSNs in the future.

Keywords： Wireless Sensor Networks； Key Issues； Communication Protocol； Network Management Technology

0 引 言

传感器节点由无线电收发器、微控制器、电源以及多类型感知器组成。将具有感知，计算和通信能力的传感器节点部署在指定的监测区域，这些节点同构协作地采集和处理监测区域内的感知对象的信息，并以无线通信方式交联形成的自组织网络系统即为无线传感器网络（WSNs）。无线传感器网络构建了物理世界与虚拟计算世界的有效连接，使得物理对象与逻辑计算单元的互联互通成为可能。无线传感器网络满足了人们低成本地探索和监测物理世界的实际需求，是传统感知方式的重大进步。

传感器节点可以随机地布设在监测区域内，为了保证无线传感器网络的整体性能，应用于网络中的策略和算法必须具有自组织性。与传统的感知方式不同，传感器节点不必将全部的初始感知数据发送至汇聚（Sink） 节点，而是于本地对采集的感知数据进行处理、计算和融合，并仅将用户感兴趣的数据发送至汇聚节点。因此，无线传感器网络具有高效的协作性。

无线传感器网络的自组织性和协作性为其开辟了广阔的应用前景，例如，空间探索、电力监控、医疗护理等领域。在医疗护理方面，医生可以远程监控病人的各项指标。高频、多指标的生理数据使得医生更准确地了解患者的健康状况，为其制定有效的治疗方案提供了可靠依据。传感器网络亦可应用于污染监控与防治领域。感知数据有助于确认污染物的类别、种类、以及污染源的位置。事实上，无线传感器网络能够智能地获取监测环境的有效信息，为人们描绘了清晰、准确的物理世界。时至今日，除上述应用外，无线传感器网络已广泛地应用于智能交通、绿色建筑、智能家居、灾难预警等领域。

1 无线传感器网络带来的挑战

1.1 无线传感器网络的特点

不同于传统的网络系统，无线传感器网络具有设计约束和资源受限的特点。具体地，资源受限是指传感器节点呈现出受限的无线通信范围、有限的电源供给、低带宽、有限的计算能力和存储能力等指标特性。而设计约束则是指无线传感器网络的设计取决于其应用目的和所监测的物理环境。其中，物理环境决定了网络规模、节点部署、网络拓扑等因素。通常，网络规模将随其监测的物理环境不同而发生变化。例如，室内监测应用仅需十几个节点，然而，大规模的户外监测应用却需要几千个节点才能满足覆盖率。物理世界中的障碍物还会限制传感器节点间的无线通信，进而降低网络拓扑的连通性。基于此，无线传感器网络的研究致力于引进新的设计理念、创新或改进当前的网络协议、设计新的算法，旨在满足设计约束，以及提升提高网络性能。

1.2 无线传感器网络的关键技

无线传感器网络研究的关键技术可以概括性地分为三组，如图1 所示。首先，第一组为系统。每个传感器节点皆为单独的系统。为了满足传感器网络的应用需求，设计研发新的平台、操作系统以及存储模式即是首要任务。其次，第二组为通信协议。通信协议不仅保证传感器节点间的无线通信，更需要为上层应用与底层节点建立“通信”。最后，第三组为服务。无线传感器网络的服务研究旨在改进网络性能，提高系统效率，从而提升产业应用水平。

从应用需求和网络管理的角度分析，传感器节点的自组织性具有全局关键地位。传感器节点不仅能够自发地组织为多跳的无线网络系统，并且使得高效的分布式节点管理和节点控制成为可能。由于传感器节点的电源能量、计算能力和存储能力有限，因此开展满足上述需求的通信协议和管理服务的研究即具有重要意义与价值。

通信协议的标准一般分为5个层，具体来说就是应用层、传输层、网络层、数据链路层、以及物理层。不同层的通信协议对能量消耗、端对端延迟、网络拥塞、以及网络吞吐量等方面有着重要影响。因此，高效的通信算法研究也成为领域发展重点。不同协议层间的信息共享与交互则使得跨层的优化算法也成为可能。

传感器节点仅以电池为能源供给能量，配额自然有限。一旦节点电源能量耗尽，节点将失效并逻辑地脱离传感器网络，这就降低了传感器网络的可靠性。传感器网络的寿命取决于有效的节点数量与网络连通性。因此，能效性即已成为衡量传感器网络算法性能的首要指标。

大量的研究工作是通过建立可靠的无线通信、构建优化的节点布置、设计完备的数据聚集方法，并藉此达到高能效性以及应用的良好服务质量（QoS） 要求。而且，针对通信的结果模式，拥塞控制、缓冲区监测、信息确认机制、数据包恢复等策略的提出和实现即为数据包的可靠性传输提供了基础技术保障。另外，由现有研究可知，无线通信强度则取决于传感器节点的配置。稀疏的配置方案势将使得节点间进入远程通信，导致较高的能量消耗。而密集的配置方案虽然降低了通信能量消耗，却易引起通信冲突。

2 网络标准

传感器硬件种类各异、参差不齐，如何使得多种传感器节点实现稳定、有机结合则为传感器网络的平台开发和系统设计提出了重大研究课题。为了接入多种网络，网络标准为传感器节点定义了局域网的物理层和媒体接入控制协议。文献[1]提出了IEEE 802.15.4标准。IEEE 802.15.4标准使得低速率、低开销、低功耗、低复杂度拓扑结构的无线局域网络成为现实可能。而且，IEEE 802.15.4 为物理层和数据链路层提供了标准，并在智能家居、环境监测、工业自动化等热门领域获得了广泛应用。

基于IEEE 802.15.4 标准，文献[2-3]进一步设计了ZigBee标准。ZigBee标准定义了高层的网络通信协议。ZigBee 技术是一种简单的无线通信技术，而且具有低开销、低功耗的优点。ZigBee 采用网状拓扑结构，可以连接成百上千的无线通信设备。

同时，文献[4-5]开展了WirelessHART技术的研究。WirelessHART技术是一种可靠、安全、高能效的无线通信技术，可为信道跳频和消息传递同步提供技术支持，而且适用于多种网络拓扑结构，具体则包括网状网络、星形网络以及混合组网等

3 通信协议

传感器节点通过协议栈与其它节点进行无线通信，为了确保传感器节点能够高效能、协作化地进行网内数据传输，围绕传输层、网络层、数据链路层以及跨层的网络通信协议的设计开展了大量工作。重要成果有：文献[6]设计了SCTP （Sensor transmission control protocol）协议。该协议为传输层提供拥塞检测，是一种可靠的传输层协议。文献[7]则提出了PORT （Price-oriented reliable transport protocol） 协议。 PORT协议提供了拥塞避免机制，在满足传输层可靠性要求的条件下，实现通信开销最小化。文献[8]进而提出了PSFQ （Pump slowly，fetch quickly）协议。PSFQ协议是一种具有可扩展性和鲁棒性的较为理想的传输层协议。并且，该协议保证了数据分段传输，同时也提供了数据恢复策略。在上述成国外，文献[9]又提出了CODA （Congestion detectionand avoidance） 协议。 CODA协议可以迅速地缓和网络拥塞，是一种高能效的拥塞控制策略。综上可知，网络层协议主要针对网内的数据路由，旨在面临有限的能量供给和通信带宽的条件下，实现高效的数据传输。

4 网络管理技术

网络管理技术主要致力于节点定位、拓扑控制、时间同步等方面的研究。重要成果有：文献[10] 提出了无需GPS 以及信标节点辅助的分布式定位算法。文献[11]则给出了MAL （Mobile-assisted localization） 定位算法。该算法是根据移动节点与静态传感器节点间的距离确定传感器节点的位置。随即，文献[12]又设计了SeRloc算法。SeRloc算法是根据配备了定向天线的定位器节点的监测信息，而为传感器节点提供位置信息。进一步地，通过预防恶意信标节点提供虚假的位置信息，文献[13]继而开展了安全定位算法的研究，该算法确保了定位过程的安全性。另外，文献[14]设计了DRBTS （distributedreputation and trust-based security） 协议。DRBTS协议可根据信标节点的监测信息识别虚假的位置信息。

5 数据压缩技术

传感器网络的分布式数据压缩方法主要分为以下四种，具体描述为：分布式信源模拟（DSM） 技术、分布式转码（DTC） 技术、分布式信源编码（DSC） 技术、以及压缩感知（CS） 技术。其中，DSM 方法主要分为参数模型方法以及非参数模型方法。文献[15-17]则基于参数模型的信源模拟算法将感知数据视为随机过程并且对其统计信息参数估计进行了优化实现。当感知数据的统计学结构已知时，参数模型方法即显示出优越的性能。然而，当感知数据稀疏或者先验知识模糊时，非参数模型方法就显示出较高的健壮性。而非参数模型方法主要致力于感知数据的拟合函数的研究。

以其为基础，文献[18]提出了基于核线性回归模型的分布式拟合函数（DKLR）。而文献[19-21]则提出了基于非参数核的分布式数据拟合方法（DNKB）。相比较而言，DKLR 方法的回归函数基于线性函数，而DKNB 方法的回归函数却基于非线性函数。以最小化风险二乘法函数值（least square risk functional objective） 为优化目标，文献[22]进一步 给出了分布式的KL（Karhunen–Loeve） 转码方法。并且，文献[23] 设计了基于小波变换的分布式转码策略。相应地，鉴于感知节点的硬件特性和感知数据的高相关性， Donoho [24] 也重点提出了基于采样理论的压缩感知（CS） 方法。

6 结束语

研究者开展了大量的无线传感器网络的研究。然而，传感器节点感知硬件的低敏感性却限制了感知数据的可用性。随着传感器技术的不断发展，基于大规模传感器网络的监测应用已然成为可能。然而，针对大规模传感网络数据及其感知数据可用性研究是一个尚未获得深度研究的学术领域。因此，下一步应综合考虑上述特点，并结合传感器网络的应用场景，提出更有效的实用算法。

参考文献：

[1] HOWITT I， GUTIERREZ J A. IEEE 802.15.4 low rate - wireless personal area network coexistence issues[C]//2003 IEEE Wireless Communications and Networking， WCNC 2003. New York， NY， USA： ACM， 2003：1481–1486.

[2] CUOMO F， ABBAGNALE A， CIPOLLONE E. Cross-layer network formation for energy efficient IEEE 802.15.4/ZigBee Wireless Sensor Networks[J]. Ad Hoc Networks，2013， 11（2）：672–686.

[3] JOHN M， JOSEPHPALAI A. ZigBee based wireless data acquisition using LabVIEW for implementing smart driving skill evaluation system[J]. CoRR， 2013， abs/1308.3579.

[4] KHADER O， WILLIG A. An energy consumption analysis of the Wireless HART TDMA protocol[J]. Computer Communications， 2013， 36（7）：804–816.

[5] KIM A N， HEKLAND F， PETERSEN S， et al. When HART goes wireless： Understanding and implementing the WirelessHART standard[C]//Proceedings of 13th IEEE International Conference on Emerging Technologies. New York， NY， USA： IEEE， 2008：899–907.

[6] IYER Y G， GANDHAM S， VENKATESAN S. STCP： a generic transport layer protocol for wireless sensor networks[C]//Proceedings of the 14th International Conference On Computer Communications and Networks， ICCCN. New York， NY， USA： IEEE， 2005：449–454.

[7] ZHOU Y， LYU M R. PORT： A price-oriented reliable transport protocol for Wireless Sensor Networks[C]//16th International Symposium on Software Reliability Engineering. New York， NY， USA： IEEE， 2005：117–126.

[8] WAN C， CAMPBELL A T， KRISHNAMURTHY L. Pump-slowly， fetch-quickly （PSFQ）： a reliable transport protocol for sensor networks[J]. IEEE Journal on Selected Areas in Communications， 2005， 23（4）：862–872.

[9] WAN C， EISENMAN S B， CAMPBELL A T. CODA： congestion detection and avoidance in sensor networks[C]//Proceedings of the 1st International Conference on Embedded Networked Sensor Systems， SenSys. New York， NY， USA： ACM， 2003：266–279.

[10] MOORE D C， LEONARD J J， RUS D， et al. Robust distributed network localization with noisy range measurements[C]//Proceedings of the 2nd International Conference on Embedded Networked Sensor Systems. New York， NY， USA： ACM， 2004：50–61.

[11] PRIYANTHA N B， BALAKRISHNAN H， DEMAINE E D， et al. Mobile-assisted localization in wireless sensor networks[C]//24th Annual Joint Conference of the IEEE Computer and Communications Societies， INFOCOM. New York， NY， USA： IEEE， 2005：172–183.

[12] Lazos L， Poovendran R. Secure Localization for Wireless Sensor Networks using Range-Independent Methods[M]//Secure Localization and Time Synchronization for Wireless Sensor and Ad Hoc Networks. Berlin： Springer， 2007：185–214.

[13] JIANG J， HAN G， ZHU C， et al. Secure localization in Wireless Sensor Networks： A Survey[J]. JCM， 2011， 6（6）：460–470.

[14] SRINIVASAN A， TEITELBAUM J， WU J. DRBTS： Distributed reputation-based Beacon Trust System[C]//Second International Symposium on Dependable Autonomic and Secure Computing （DASC 2006）. Washington， USA： IEEE Computer Society， 2006：277–283.

[15] XIAO J， CUI S， LUO Z， et al. Power scheduling of universal decentralized estimation in sensor networks[J]. IEEE Transactions on Signal Processing， 2006， 54（2）：413–422.

[16] LI J， AL-REGIB G. Distributed estimation in energy-constrained wireless sensor networks[J]. IEEE Transactions on Signal Processing， 2009， 57（10）：3746–3758.

[17] LI J， ALREGIB G. Rate-constrained distributed estimation in Wireless Sensor Networks[J]. IEEE Transactions on Signal Processing， 2007， 55（5-1）：1634–1643.

[18] GUETRIN C， BODIK P， THIBAUX R， et al. Distributed regression： an efficient framework for modeling sensor network data[C]//Proceedings of the Third International Symposium on Information Processing in Sensor Networks， IPSN. New York， NY， USA： ACM， 2004：1–10.

[19] NGUYEN X， WAINWRIGHT M J， JORDAN M I. Decentralized detection and classification using kernel methods[C]//Machine Learning， Proceedings of the Twenty-first International Conference （ICML 2004）. New York， NY， USA： ACM， 2004：1–10.

[20] PREDD J B， KULKARNI S R， POOR H V. A Collaborative Training Algorithm for Distributed Learning[J]. IEEE Transactions on Information Theory， 2009， 55（4）：1856– 1871.

[21] PEREZ-CRUZ F， KULKARNI S R. Robust and low complexity distributed kernel least squares learning in Sensor Networks[J]. IEEE Signal Process. Lett.， 2010， 17（4）：355–358.

[22] GASTPAR M， DRAGOTTI P L， VETTERLI M. The distributed Karhunen-Loeve transform[C]//IEEE 5th Workshop on Multimedia Signal Processing， MMSP 2002. New York， NY， USA： IEEE， 2002：57–60.

[23] CIANCIO A G， ORTEGA A. A distributed wavelet compression algorithm for wireless multi-hop sensor networks using lifting[C]//IEEE International Conference on Acoustics， Speech， and Signal Processing， ICASSP. New York， NY， USA： IEEE， 2005：825–828.

[24] DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory， 2006， 52（4）：1289–1306.