基于指数平均模型的无线传感器网络动态功耗管理*

沈 玲,夏银水,叶益迭

(宁波大学信息科学与工程学院,浙江 宁波 315211)



基于指数平均模型的无线传感器网络动态功耗管理*

沈 玲,夏银水*,叶益迭

(宁波大学信息科学与工程学院,浙江 宁波 315211)

能耗一直是制约无线传感器网络WSN(Wireless Sensor Networks)发展的关键因素。为了降低节点的功耗,延长WSN的寿命,一种改进指数平均模型的动态功耗管理DPM(Dynamic Power Management)方法被提出。该方法利用历史空闲时间来对未来空闲时间进行预测,预测结果作为节点是否转换为低功耗状态的依据。理论分析和实验仿真表明,本文提出的DPM在突发情况时能够快速自适应地调整,提高了预测的准确性,降低了WSN的功耗。

无线传感器网络;动态功耗管理;指数平均模型;预测

随着传感器、微电子、计算机、无线通信等技术的发展和相互融合,产生了无线传感器网络WSN(Wireless Sensor Network)。无线传感器网络的相关研究和应用已引起了人们的极大关注,但是由于无线传感器网络节点能量受限,使其工程应用受到了挑战[1]。因此,如何降低节点功耗,延长无线传感器网络的生存周期是WSN应用需要解决的首要问题之一。

近年来,国内外研究者针对如何降低嵌入式系统功耗问题,提出了一系列动态功耗管理DPM(Dynamic Power Management)策略[2-4],其基本原理为:当监测区域内没有事件发生时,节点将转换到合适的休眠状态;当有事件发生时唤醒节点,并开始对发生的事件进行处理。文献[5]利用指数平均模型预测未来空闲时间,再按需把系统切换至低功耗状态,但该方法不能很好的适应突变情况;文献[6]根据历史条件预测出未来事件发生时间,使嵌入式系统处于合理的工作状态以便降低单个节点功耗,但是对于整个监测系统来说功耗没有得到明显的降低;文献[7]则在文献[6]的基础上进行了两点改进,首先考虑了电池的状态,通过预测未来状况,使得节点逐步深入睡眠状态,其次为了减少节点唤醒时的能量浪费,节点通过寻呼信号按需唤醒;文献[8]提出了自适应分层动态功耗管理方案,通过对一系列非平稳请求过程建立一一对应的马尔可夫决策模型,然后根据实际情况预测,在线切换到最优模式;文献[9]把博弈论应用于无线传感网络动态功耗管理中,策略复杂度比较低,节能性能比较好;文献[10]利用EN-Elman模型来预测未来空闲时间,但是需要大量的在线数据训练,才能保证后续算法的准确性。纵观现有研究,比较注重单个传感器节点的性能,而对整个无线传感器网络节点之间的联系研究不足,而且有些方法自适应比较差,需要手动调节才能有比较好的节能效果。

基于以上研究的不足,本文提出了一种改进的指数平均预测动态功耗管理方法,以应用于整个无线传感器网络中。基本思想是假设发生事件的前后时间具有一定的因果关系,未来的空闲时间可以通过记录的历史时间进行预测,通过预测出的未来时间与系统切换时间阈值进行比较,使得传感器网络处于合适的低功耗休眠状态,最终达到降低系统功耗的目的。

1 现有的DPM预测方法

在使用DPM预测策略时可能会过高或过低地预测空闲时间,这样功耗不仅不会有太大的降低,而且还会影响监测网络的实时性。过高的预测空闲时间,因传感器节点没有及时的被唤醒,监测到的事件减少,影响监测系统的实时性;过低的预测空闲时间,由于传感器节点过早地被唤醒,使得能量消耗过大,缩短了节点可工作时间,影响无线传感器网络寿命,增加了使用成本。所以就预测DPM策略而言,预测算法的准确性是至关重要的。

近年来国内外学者针对DPM预测策略开展了一系列研究,其中应用比较广泛的是指数平均预测算法。

2000年Wang H等人[11]首次提出并定义指数平均预测算法为:

Tp(n+1)=bT(n)+(1-b)Tp(n)

(1)

其中,Tp(n+1)为第n+1次空闲时间的预测值;T(n)为第n次实际空闲时间值;Tp(n)为第n次空闲时间的预测值;b表示与上次实测值和预测值的趋近程度的权重系数,可根据系统具体情况手动调整,取值范围为0≤b≤1。

指数平均预测算法是在假设空闲时间局部相关的前提下进行的,适合局部环境比较稳定的情况下使用。对于空闲时间起伏很大的情况,预测结果会有很大的偏差。为了解决这个问题,研究者分别从两个方面进行了研究。

第1种方法是Jie Chen等人[12]在2009年提出的,引进微分调节因子a,对H Wang[11]提出的指数平均预测算法进行优化,来适应实际空闲时间发生突变的情况,得到优化后的预测算法如下:

Tp(n+1)=a(bT(n)+(1-b)Tp(n))

(2)

(3)

其中,权重系数b,取值范围为0≤b≤1,可根据系统具体情况进行调整;比值下限Umin和比值上限Umax的取值由具体的应用环境所决定。该算法能够基本满足实际空闲时间发生突变的情况,但是该算法在计算Tp(n+1)时,微分调节因子a由T(n)/T(n-1)的比值决定,其本身有一定的延迟,会影响该算法的实时性。而且式(2)中常数比较多,对系统的自适应也有影响。另外,当T(n)/T(n-1)较大时,该算法的预测误差也会比较大。

第2种方法是直接把权重系数b设计成与Tp(n)和T(n)有关的函数[13],考虑到

(4)

可以反映真实值与预测值的偏离程度,并且取值范围在0～1之间,所以把系数b设计为:

(5)

即:

(6)

通过对权重系数b值的改进提高了系统的自适应,但是预测的准确性没有得到明显的改善。文献[14]把权重系数设计为:

b=1-e(-a|T(n)-Tp(n)|)

(7)

即:

Tp(n+1)=(1-e(-a|T(n)-Tp(n)|))T(n)+e(-a|T(n)-Tp(n)|)Tp(n)

(8)

其中a(a>0)是调节指数收敛速度的常数,提出的算法使得系统的准确性有了一定的提高,但是因为算法中存在常数,自适应还存在一定的不足。

灰色预测模型[15-16]可以实现自适应的预测,但由于使用的样本数据比较少,当数据序列变化比较大时,预测误差较大。文献[17]对灰色模型进行了改进,解决了数据波动比较大时的准确度问题,但是由于没有对系数取值具体化所以还是存在一定的不足。此外,文献[18]利用接受发送器(Sink)节点已有的数据流,使用小波分析和自回归预测算法产生预测值,再与特殊事件值比较,决定是否发送数据,该方法通过减少节点的通信时间降低系统功耗。文献[19]建立了一种基于混合自动机的节点工作状态转换模型,通过环境变量是否发生突变来决定节点处于何种状态,同时该模型还考虑了节点的剩余能量,提高了节点能量使用的均衡性,但研究表明当事件发生的频率较高时,节点节能效果不够理想。

综上所述,基于DPM预测策略在降低WSN系统功耗方面还远没有达到满意的地步。

2 基于指数平均模型的动态功耗管理

2.1 状态转换平衡时间的确定

传感器节点一般由数据采集模块、数据处理模块、数据通信模块和供电模块组成[20],如图1所示。

图1 无线传感器节点结构

每个模块可以工作在不同的状态,如活动状态、空闲状态或休眠状态。据此Sinha等人[6]将传感器节点分为5种有效的工作状态,如表1所示。

表1 传感器节点有效工作状态

由表2可知,5种工作状态的功耗依次降低,其中S0的功耗最高,S4的功耗最低。DPM策略主要就是根据实际情况使得节点处于不同的工作状态(见表1),从而达到降低功耗的目的。

表2 节点各状态的功耗和切换时间

但是有时频繁地变换节点的工作状态可能不能达到降低功耗的效果,反而还会增加系统负担,降低监测系统的性能。所以要使系统低功耗地工作,且不影响系统监测性能,关键是要找到准确的转换时间阈值。以下是传感器节点的状态转换过程,如图2所示。

图2 节点状态转换示意图

假设在t1时刻前,节点工作在S0状态下,在t1时刻没有监测到事件发生,节点状态由S0转换为Si低功耗状态,在这个过程中,设其状态转换的时间开销为Δta。直到t2时刻监测到事件发生,节点由低功耗状态Si转换为S0状态,时间开销为Δtw。在状态转换的几个阶段中,节点的能量开销分别为:

(9)

E2=Pi(ti-Δta)

(10)

(11)

假设节点在转换过程中节省的总能量为E,则可以节省的能量为:

(12)

化简得:

(13)

要实现能量节省,则必须E>0,即式(13)的值大于0,由此可以得到转换到低功耗状态Si的时间阈值Tthi的表达式如下:

(14)

由以上分析可知,要使得系统转换到低功耗状态,那么预测的空闲时间必须大于转换的时间阈值Tthi。

2.2 改进指数平均预测模型

在典型的指数平均预测算法中,b值一般是常量,当负载变化很大时系数b要手动修改,这样系统的自适应就比较差。为了解决这个问题,设计了自适应的b值。针对式(1),把b设计为与T(n)、Tp(n)、T(n-1)、Tp(n-1)有关的函数,考虑到b取值要在0～1之间,可以把b设计为:

(15)

故预测的未来空闲时间值的表达式为:

(16)

图3 DPM模型

通过更新权重系数b,使得整个系统可以自适应地调节,预测值更加逼近实际值。此外,当节点处于S4状态时几乎所有的模块都处于休眠状态,节点几乎和外界没有了联系,因此,还应该有自动唤醒时间。考虑到节点剩余能量和实际环境情况,可以把唤醒时间定义为:

(17)

其中,Vstd是节点标准工作电压,其值是固定的;Vpre为节点当前实际电压值,该值会随着时间变化。当节点剩余能量比较少时,Vpre电压值变小,Vstd/Vpre值变大,S4状态下的休眠时间ts4变长,这样在一定程度上延长了节点的工作寿命。

T(n)是第n次实际空闲时间值,Tp(n)是第n次预测空闲时间值,当T(n)变小时,Tp(n)变化会延迟变小,则T(n)/Tp(n)值变小,节点的休眠时间ts4变短,反之节点的休眠时间ts4变长。

基于上述的分析,提出以下动态功耗管理算法如下:①系统初始化,S0状态下得到初始历史数据。②动态的构造原始数据序列,代入式(15)中计算出权重系数b值,如果T(n-1)=Tp(n-1),则使b=0.5。③得到b值后代入式(16)中得到Tp(n+1)。④功耗转换的决策。比较Tp(n+1)与Tthi,当Tp(n+1)≤Tthi时不进行休眠模式转换;当Tp(n+1)>Tthi时设备转换到合适的休眠模式,当系统处于S4休眠状态,则使得系统在S4状态下持续ts4时间,然后再转换到S3状态下。⑤待到本次空闲时间结束,记录本次实际空闲时间,转到第②步。

2.3 节点能量消耗分析

假设所有的节点初始时均处于S0状态,节点的一个完整工作周期为t。节点首先以S0状态工作,得到空闲时间值,进而使用指数平均模型对下次空闲时间值进行预测,通过预测值与切换阈值比较使得Sink节点进入合适的休眠状态。这样,如果一个周期内节点工作时间设为:S0状态工作t0时间、S1状态工作t1时间、S2状态工作t2时间、S3状态工作t3时间、余下时间节点处于S4状态,则节点消耗的能量为:

W1=S0t0+S1t1+S2t2+S3t3+S4(t-t0-t1-t2-t3)

(18)

在随后的几个周期内,如果没有突变的事件发生,只需要保留部分节点感知环境情况,但是不发送数据,其余的节点处于休眠状态。一个周期内的节点消耗能量为:

W2=S1t1+S2t2+S3t3+S4(t-t1-t2-t3)

(19)

经过N+1个周期后有突发事件发生,则在N个周期内使用动态功耗管理的功耗为:

Wd=W1+W2(N-1)

(20)

不使用动态功耗管理的功耗为:

Wn=W1N

(21)

式(20)、式(21)给出了使用和不使用动态功耗管理能量,表明工作时间越长节能效果越明显。

3 仿真实验及其结果

为了与已发表的算法和所提出的算法进行公平的比较,所有算法均用MATLAB(7.10.0)加以仿真实现。假设监测环境中传感器节点随机分布,单个节点的一个工作周期为30 min,并且节点之间可以相互通信构成一个自组织网络。如果使用了动态功耗管理,各个节点感知时间和通信时间均由系统环境预测决定;反之,各个节点感知时间和通信时间基本相同。

图4给出了其中一个节点的空闲时间仿真结果,图中纵坐标表示空闲时间的长度,横坐标表示空闲时间序列。图5给出的是节点在10 h内所消耗的能量情况,图中纵坐标表示节点能量消耗,横坐标表示节点工作周期。

图4 预测算法比较的曲线图

从图4可以看出,所有算法在空闲时间比较平稳的状态下预测结果优于空闲时间波动较大的时候;在空闲时间波动比较大时预测结果均出现了比较大的误差,但是,所提出的预测算法能够很快的自适应地纠正预测错误,后续预测结果能够较快逼近实际值。

由图5可知,采用了动态功耗管理的节点能量消耗明显比没有采用动态功耗管理的节点要少的多,且随着工作时间的延长,节能效果越明显。本文采用的动态功耗管理方法在环境比较平稳时和灰色动态功耗管理方法消耗的能量[16]相差不大。但当环境中出现突变事件时(如图5,在监测的第5个小时发生异常事件),使用本文预测算法的节点所消耗的能量明显比使用灰色预测算法时所消耗的能量要少。

图5 节点能耗比较

4 总结

为了解决传统指数平均预测模型中负载适应性比较差的问题,设计了自适应权重系数,提出了改进的指数平均预测模型和动态功耗管理算法。仿真结果表明,所提出的算法在稳定状态下比传统算法预测值逼近实际值,对于非稳定状态下算法能够很好地自适应调节,在一定程度上提高了预测的准确度,降低了无线传感器网络系统能耗,延长了无线传感器网络的寿命。

[1] Dargie W. Dynamic Power Management in Wireless Sensor Networks:State of the art[J]. IEEE Sensors Journal,2012,12(5):1518-1528.

[2]Jiang Q,Xi H S,Yin B Q. Adaptive Optimization of Timeout Policy for Dynamic Power Management Based on Semi-Markov Control Processes[J]. IET Control Theory and Applications,2010,4(10):1945-1958.

[3]Sesic A,Dautovic S,Malbasa V. Dynamic Power Management of a System with a Two-Priority Request Queue Using Probabilistic-Model Checking[J]. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems,2008,27(2):403-407.

[4]Paul A,Chen B W,Jeong J,et al. Dynamic Power Management for Embedded Ubiquitous Systems[C]//2013 IEEE International Conference on Orange Technologies,2013:67-71.

[5]钟伟军,刘明业,彭刚. 嵌入式系统动态电源管理预测算法研究[J]. 微电子学与计算机,2006,22(11):56-58.

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

[7]Chiasserini C F,Rao R R. Improving Energy Saving in Wireless Systems by Using Dynamic Power Management[J]. IEEE Transactions on Wireless Communications,2003,2(5):1090-1100.

[8]Ren Z,Krogh B H,Marculescu R. Hierarchical Adaptive Dynamic Power Management[J]. IEEE Transactions on Computers,2005,54(4):409-420.

[9]Zhang X,Cai Y,Zhang H. A Game-Theoretic Dynamic Power Management Policy on Wireless Sensor Network[C]//2006 IEEE International Conference on Communication Technology,2006:1-4.

[10]Rajasekaran P,Prabakaran R,Thanigaiselvan R. Implementation of EN-Elman Backprop for Dynamic Power Management[C]//2011 IEEE International Conference on Devices and Communications,2011:1-5.

[11]Hwang C H,Wu A C H. A Predictive System Shutdown Method for Energy Saving of Event-Driven Computation[J]. ACM Transactions on Design Automation of Electronic Systems,2000,5(2):226-241.

[12]Chen J,Gao D,Zheng Q. A Research on an Optimized Adaptive Dynamic Power Management[C]//2009 IEEE International Conference on Computer Science and Information Technology,2009:52-55.

[13]朱翠涛,王艳欢. 基于滑动窗口的指数平均动态电源管理预测算法[J]. 中南民族大学学报(自然科学版),2009,28(4):102-105.

[14]李顺,曾超,李军. 一种自适应的动态功耗管理预测策略[J]. 信息与电子工程,2010,8(4):485-488.

[15]钟伟军,刘明业. 基于灰色模型的动态功率管理空闲预测算法[J]. 北京理工大学学报,2006,25(11):963-966.

[16]Feng Y,Wang X. Dynamic Power Management of WSN Based on Data Stream Grey Forecasting[C]//2011 IEEE International Conference on Computer Science and Service System,2011:3209-3212.

[17]魏海龙,李迅波,沈艳,等. 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):140-144.

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

[19]李强,刘琳岚,陈宇斌,等. 一种基于混合自动机模型的节点动态功耗管理机制研究[J]. 传感技术学报,2013,26(5):745-750.

[20]Mahajan S,Malhotra J,Sharma S. Improved Enhanced Chain Based Energy Efficient Wireless Sensor Network[J]. Wireless Sensor Network,2013,5(4):85-89.

沈玲(1989-)女,江西上饶人,硕士研究生,宁波大学信息科学与工程学院,主要研究方向为无线传感器网络,jxsl89@126.com;

夏银水(1963-),男,浙江余姚人,教授/博士生导师,宁波大学信息科学与工程学院,主要研究方向为低功耗集成电路设计,电子设计自动化,xiayinshui@nbu.edu.cn。

DynamicPowerManagementBasedonExponentialAverageModelforWSN*

SHENLing,XIAYinshui*,YEYidie

(College of Information Science and Engineering,Ningbo University,Ningbo Zhejiang 315211,China)

The key factor hindering the development of Wireless sensor network(WSN)is the energy. In order to reduce the power consumption and extend the node life time of WSN,an effective method of dynamic power management strategy based on exponential average model is proposed in this paper. The strategy uses historical idle time to make predictions about the future idle time,and the prediction result will be the basis to decide whether the node is converted into a low power state or not. Facing the burst situations,theoretical analysis and experimental results show that the proposed algorithm can adjust quickly adaptive to improve the accuracy of forecasts and reduce the power consumption of the system.

wireless sensor networks;dynamic power management;exponential average model;prediction

项目来源:国家自然科学基金重点项目(61131001);宁波市创新团队(C01280114302);宁波市自然科学基金(A610119);浙江省新苗人才计划(2013R405074)

2014-07-18修改日期:2014-10-10

10.3969/j.issn.1004-1699.2014.11.020

TP212.5

:A

:1004-1699(2014)11-1551-06