WSN 中一种基于时空相关性的网内数据聚合路由协议＊

陈雪寒，陈志刚，曾 锋，吴 嘉

（中南大学软件学院，湖南 长沙410075）

1 引言

无线传感器网络WSN（Wireless Sensor Network）［1，2］是由空间分布的传感器组成的，用于协同感知各种环境条件，广泛应用于环境监测、国土安全、通讯、制造业等领域。无线传感器网络是数据驱动的网络，通常会产生大量的数据，数据在传感器节点与sink节点之间多跳传输。鉴于传感器节点能量的有限性，在数据传输过程中合理选择传感器节点与sink节点之间的数据传送路径将有助于降低节点能量消耗和延长网络寿命，这正是无线传感器网络路由协议面临的问题。

在合理选择传送路径之外，减少网络中的冗余数据、降低传送相同数据造成的能量开销也是延长网络寿命的有效手段。由于网络中传感器节点的采集范围重叠，邻近的节点数据之间往往存在着空间相关性，并且同一个节点在一个时间序列内采集到的数据往往存在着时间相关性［3］。因此，采集到的数据存在冗余，sink节点可能会多次接收到相同的数据。为减少冗余数据，出现了数据聚合技术［4］。通过数据聚合可以减少网络中的冗余数据，减少通信负载，从而节约能量。

优化的路由机制和有效的数据聚合策略是延长无线传感网络寿命的两个方面，两者紧密结合将进一步延长提高网络寿命。本文在对路由协议和数据聚合技术进行结合研究的同时，还综合考虑数据的时空相关性对网络中的采集数据进行管理。在分析数据聚合技术和时空相关性协议的基础上，提出了一种基于时空相关性的网内数据聚合路由算法ST－INDAR。在ST－INDAR 中，根据网络中节点感知数据的空间相关性将事件区域划分为多个相关区域，每一个区域选取一个代表节点，并对代表节点采取轮换机制。相关区域的大小由事件中心与sink节点之间的距离来决定。根据数据之间的时间相关性对数据采取时间抑制，通过路由树的建立和更新来提高网络中数据聚合的几率。相比较已有的路由算法，本文提出的ST－INDAR 算法不仅考虑了网络中的总体通信负载，而且还综合考虑了网络中节点能耗的均衡以及数据的有效性和准确性。ST－INDAR算法在确保数据精确性的同时，增大了网络中数据聚合的几率，减少了网络中的冗余数据量，降低了网络中的能量消耗。

本文接下来的组织结构如下：第2节是相关工作的介绍；第3节对本文所提出的基于时空相关性的网内数据聚合路由算法ST－INDAR 进行了描述；第4节是算法的性能评估；最后一节总结全文，并提出接下来的工作。

2 相关工作

无线传感器网络的主要功能是对周边环境信息进行采集和管理，并将感知到的数据发送到基站。由于其广泛的应用前景，现已成为当前研究的热点［5，6］。为了提高采集信息的准确性，网络中传感器节点的密度越来越高，节点的采集范围重叠。因此，网络中存在着大量的冗余数据，这些冗余数据的传送需要消耗大量的能量。为减少网络中的冗余数据，降低网络中的数据传输能耗，时空相关性协议以及网内数据聚合技术被提出并应用于许多WSN 协议的设计中。

（1）时空相关性协议。

数据之间的相关性主要有三种：时间相关性（Temporal Correlation）［7］、空 间 相 关 性（Spatial Correlation）［3，8，9］和 时 空 相 关 性（Spatio－temporal Correlation）［10］。目前已经有很多针对数据相关性的研究。文献［7］提出了一种以数据为中心的协议，利用节点连续观测值之间的时间相关性来减少网络中的数据传输量，从而降低通信开销。文献［3］研究了需要传送采集信息的传感器节点的个数与事件信息可靠性之间的关系。文献［8］利用数据的空间相关性提出了另外一种基于簇的算法EEDC （Energy－Efficient Data Collection framework）。在EEDC 算法中，节点连续地采集数据，将具有空间相关性数据的节点形成一个簇。算法要求网络中的节点与sink节点或者数据中心节点可以直接通信，并且sink节点需要了解全局的网络数据信息。文献［9］通过动态地调整相关区域的大小来实现所需的可靠性。簇头节点将节点之间的能量水平和亲密程度作为衡量标准来识别冗余以及关闭相关的活动节点。文献［10］利用数据的空间相关性将感知到同一事件的节点划分为一个簇并将簇划分为多个相关区域，并通过数据的时间相关性对数据采取时间抑制（Temporal Suppression）策略。每一个相关区域内选取一个代表节点将采集到的数据发送到簇头节点，然后由簇头节点通过最短路径将数据传送至sink节点。

（2）网内数据聚合。

由于节点数据之间的相关性，网内数据聚合在能量受限的无线传感器网络中扮演着重要的角色，采用网内数据聚合技术可以减少网络中的数据传输量，降低网络的能量消耗。数据聚合的一个关键方面是确保节点数据传输之间的同步，主要有三种时机策略［11，12］：周期性简单聚合、周期性逐跳聚合和定期每跳调整聚合。现有的网内数据聚合技术主要包括基于树的数据聚合技术［13］以及基于集群的数据聚合技术［14，15］。文献［13］提出了一种最短路径树算法SPT（Shortest Path Tree），节点一旦感应到事件发生，就将感应数据沿着最短路径传送至sink节点，当出现路由重叠时就进行数据聚合。但是，最短路径树的维护需要消耗大量的能量。文献［14］将检测到同一事件发生的节点划分为一个簇，簇头节点融合簇内所有节点数据后再将融合后的数据传送至sink节点。文献［15］在路由建立过程中综合考虑网络中已有的路由路径以最大化重叠路由，增加数据聚合的几率，从而减少网络中的数据通信量，降低网络的能耗。

尽管相比网络中不采用数据聚合技术以及时空相关性协议的情况，上述的策略可以大大减少网络中的数据通信量，降低网络的能量消耗，提高网络的性能，延长网络的寿命，但是都没有综合考虑网络中节点能耗的均衡以及网络的动态性，并且也没有考虑数据的有效性。基于以上讨论，本文研究无线传感器网络中基于网内数据聚合的路由策略，结合数据的时空相关性提出了一种基于时空相关性的网内数据聚合路由算法ST－INDAR，通过动态分簇以及相关区域的动态调整来适应网络的动态性，通过路由树的建立和更新来最大化数据聚合的几率，通过数据聚合和数据相关性协议来减少网络中的数据传输量，从而降低网络的通信开销，通过相关区域代表节点和路由下一跳节点的选择来均衡网络中节点的能耗，通过时间抑制策略来确保数据的有效性。通过模拟仿真实验验证了算法的有效性以及优势。

3 基于时空相关性的网内数据聚合路由算法TS－INDAR

本节给出本文所涉及的时空相关模型并提出TS－INDAR算法，并对TS－INDAR 算法进行详 细的介绍。TS－INDAR算法的关键在于相关区域的划分及动态调整，以实现数据采集的准确性和路由的建立，以最大化重叠路由，从而实现数据聚合的最大化，尽可能地降低网络中的通信开销。

3.1 空间相关性模型

地理位置邻近的传感器节点所采集到的数据之间具有一定的相似性。采集数据相似的节点之间的距离取决于应用的需求和事件的特征。有些应用比较重要并且对采集数据的精确度要求比较高，这就要求节点之间的距离较小，即要求相关区域较小。反之，相关区域可以更大一些。接下来给出相关区域的定义。

定义1（相关区域R（Correlation Region））本文定义相关区域为这样一个区域：区域内的节点所采集的数据具有极大的相似性，因此区域内任何一个节点的数据就可以代表整个区域的信息。

3.2 时间相关性模型

传感器节点采集数据通常是周期性的、连续的。由于物理现象的基本特征，传感器节点连续感知的数据在短时期内通常具有较大的相似性。在这种情况下，如果当前读数相对于最近的一次读数在一个可接受的错误阈内，节点则不需要把每一次的数据都进行传送。sink节点可以假设性地认为没有汇报的数据与先前接收到的数据没有任何变化。下面给出时间抑制的定义，与文献［10］中一致。

定义2（时间抑制（Temporal Suppression））每一个源节点都记录最近的一次读数Rlater。若当前读数Rcurr是可以得到的，则将Rcurr和Rlater进行比较。如果相对值大于给定的时间一致性容忍tct（Temporal Coherency Tolerance），即若（（｜（Rcurr－Rlater）｜）/Rlater）×100＞tct，则将当前读数传送至sink节点，否则将不会被传送至sink节点，即认为是被抑制的。

3.3 TS－INDAR算法的设计

本文所提出的TS－INDAR算法的主要目标在于在确保数据精确性的前提下，最小化网络中的通信负载，降低网络中的通信开销，并均衡网络中节点的能耗。在TS－INDAR 算法中，利用节点数据之间的时空相关性减少网络中的数据量，并在路由路径建立的过程中综合考虑已有的路由路径，以最大化数据聚合的几率，以进一步减少网络中的数据通信量，从而降低网络通信开销。通过代表节点和路由下一跳节点的动态选择以及相关区域大小的动态调整来均衡网络中节点的能耗。TS－INDAR将网络中的节点分为以下五种角色：

（1）簇头节点：每一个簇都有一个簇头节点，簇头节点用于收集和聚合簇内所有节点的数据信息，最后将聚合后的数据通过多跳传输传送至sink节点。

（2）代表节点：在每一个相关区域内选取一个代表节点。根据相关区域的定义，区域内任何一个节点的数据就可以代表整个区域的信息。代表节点将自身的数据和所接收到的数据进行聚合，然后将聚合后的信息通过多跳传输至簇头节点。

（3）中继节点：将数据由簇头节点传输至sink节点的中间节点。

（4）成员节点：普通节点，在一定情况下会成为代表节点。

（5）sink节点：用于接收网络中的数据。

TS－INDAR 算 法 分 为 以 下 四 个 阶 段：Hop 树的建立；簇的形成和相关区域的划分；路由的形成；Hop树的更新以及数据传输。

3.3.1 Hop树的建立

Hop树建立阶段的主要目标在于建立一棵将网络中的所有节点与sink节点连接起来的树。网络中的节点与sink节点之间的距离根据Hop 数（跳数）来计算。Hop树的建立通过洪泛的方式来实现，最终得到一棵如图1 所示的最短路径Hop树。网络中所有节点都保存了sink节点的位置信息（xs，ys）和其邻居节点的位置信息（xn，yn）、源节点到达sink节点所需要的Hop数（HopToSink值）以及它的上一跳节点的ID。在图1中，圆圈内的数据表示该节点到达sink 节点所需要的最小Hop数。

Figure 1 Establishment of the Hop tree图1 Hop树的建立

3.3.2 簇的形成和相关区域的划分

本文采用基于事件的分簇，即当一个事件发生后，网络中的一个或者多个节点将会监测到事件的发生，这些监测到同一事件的节点将会形成一个簇，在簇形成的同时会进行簇头节点的选择。由于簇头节点需要接收簇内所有数据并将所接收到的数据与自己的数据进行聚合，最后将聚合后的数据传送至sink节点。因此，为了均衡节点的能耗以及确保数据传输的实时性，本文结合节点的当前剩余能量以及节点与sink节点之间的距离（HopTo－Sink值）来进行簇头节点的选择。ID 值为i的传感器节点被选取为簇C的簇头节点应满足：

其中，HopToSink为传感器节点i的HopToSink值，H为网络中距离sink 节点最远的节点的HopToSink值，为节点i的当前剩余能量，为网络中传感器节点所能存储的最大能量。由式（1）可知，每次都选取簇内剩余能量较多并且离sink节点较近的节点作为簇头节点。

在簇形成以及簇头节点选取后，开始对事件区域进行相关区域的划分。本文假设事件区域为一个圆形（事件区域可以为任何形状的区域），并将事件区域划分为个相关区域，其中re为事件的最大感应半径，c为相关区域的大小。如图2所示，事件区域被划分为16个相关区域，每一个相关区域对应一个坐标。令事件中心的位置为（xe，ye），对应每一个相关区域的坐标(xnc，ync)就是该区域中心的坐标，可以通过事件中心的坐标计算得到。簇内节点会根据Hop树建立过程中所保存的相关位置信息自动计算自己属于哪一个相关区域。在相关区域的划分结束之后，就开始执行代表节点的选取，在本文中，每次都选取相关区域中剩余能量最多的节点担任代表节点。为了均衡网络中节点的能耗，代表节点会进行周期性轮换。在代表节点选取结束之后，簇内节点只有代表节点处于活动状态，将簇内其他节点都转换为休眠状态。

Figure 2 Division of the event area图2 事件区域的划分

相关区域的大小（c）可以根据事件的特征以及应用的具体要求进行相应的调整。为了均衡网络中节点的能耗，本文相关区域的大小（c）根据事件区域中心与sink 节点之间的距离来决定。离sink节点较近的节点的能耗较大，故增大相关区域以节省能量消耗。离sink节点较远的相关区域的大小可以适当减少，以提高监测的精确性。令c∈［0，cmax］，则相关区域的大小可以通过式（2）进行计算：

其中，Dmax为网络中与sink节点最远的距离，d∈［0，Dmax］为事件区域中心与sink 节点之间的距离。由式（2）可知，当d＝0时，c取得最大值cmax；当d＝Dmax时，c取得最小值0。c随着d的增大而减少。

为了确保网络的正常通信以及能够采用最短路径。如图3所示，相关区域达到最大时，通信半径正好为两个相关区域R1和R2所构成的矩形的斜边，因此有：。故相关区域的大小c应满足：。当c＝0时，事件区域内的节点都不具有空间相关性，每一个节点都是一个独立的节点。

igure 3 Calculation of the upper bound of the relevant area图3 相关区域大小上限计算

3.3.3 路由的形成与Hop树的更新

为了确保数据传输的可靠性以及降低网络的通信能耗，就需要找到一条合适的由簇头节点到sink节点的路由路径，此时路由的形成过程开始。在路由的建立过程中，由簇头节点开始，每一次节点都会选择最优的邻居节点作为自己的下一跳，同时广播Hop树更新信息用于Hop树的更新，Hop树的更新与Hop树的建立过程类似。为了确保数据传输的实时性，这里将最优的邻居节点定义为HopToSink值最小的邻居节点，即选取最短路径对数据进行传送。被选择的节点就成为一个中继节点，并将其HopToSink值设置为0，然后中继节点继续选择下一跳节点并进行Hop树的更新过程直至到达sink节点。如图4所示为第一个事件发生时所形成的路由，该路由为一条由簇头节点到sink节点的最短路径。在路由的形成过程中同时进行了Hop树的更新操作，更新后的Hop树如图5所示，此时圆圈内的数字代表的是该节点与sink节点的距离和与网络中已有路由路径的距离之间的最小值。如图6所示为当同时有第二个事件发生时所形成的路由路径，该路由路径不再是由簇头节点到sink节点的最短路径，而是一条汇聚到网络中已有路径的路由。通过对网络中已有路由路径的综合考虑，增大了网络中的重叠路由，提高了网络中数据聚合的几率。

Figure 4 Routing of the first event图4 第一个事件路由形成

Figure 5 Update of the Hop tree图5 路由形成后Hop树的更新

Figure 6 Routing of the second event图6 第二个并发事件路由形成

3.3.4 数据传输

在TS－INDAR算法中，代表节点将代表相关区域的信息和接收到的其他代表节点的数据进行聚合之后，将聚合后的数据通过簇内其他代表节点采用多跳的方式传送至簇头节点，簇头节点在将接收到的来自多个代表节点的数据进行聚合之后，再将聚合后的信息按照已经建立好的路由路径通过中继节点采用多跳的方式将数据传送至sink 节点。代表节点在发送数据之前会计算当前数据与最近一次数据的相对域，如果相对域大于所给定的时间一致性容忍tct，则将其进行传送；否则，该数据将被抑制，即不会被传送至sink 节点。中继节点在接收到多个数据包时，也会将这些数据进行聚合之后再进行传送。经过代表节点、簇头节点和中继节点三处的数据聚合以及相应的时空相关性策略，大大地减少了网络中的数据传输量，降低了网络的通信开销。

4 实验结果与分析

4.1 实验设置

本文利用OMNeT＋＋4.2 仿真平台对所提出的TS－INDAR算法进行模拟仿真，并在仿真的基础上对算法的有效性和性能进行分析。在TSINDAR 的仿真过程中，sink节点位于监测网络区域的右上角，传感器节点均匀地分布在整个监测区域内，网络节点的密度用来计算，其中n为节点的个数，rc为传输半径，S为感应区域的面积。为保持节点的密度不变，传感区域的大小应该根据网络中传感器节点数目的不同而有所调整。将实验结果与文献［15］中的DRINA（Data Routing for In－Network Aggregation）算 法 和 文 献［10］中的EAST（Efficient Data Collection Aware of Spatio－Temporal Correlation）算 法 进 行 对 比。相应的参数值设定如表1所示。

Table 1 Simulation parameters表1 实验参数的设定

4.2 事件模型

在实验仿真过程中，所有事件发生的时间和位置都是随机的。无论节点接收到多少个数据包，都将其聚合成一个固定长度的包之后再进行传送，并采用周期性简单聚合［16］，即周期性接收和聚集信息。

本文采用的事件模型与文献［10］中的事件模型一致，即采用一组收集自巴西亚马逊雨林一周的环境温度数据（摄氏度）［17］。事件区域内坐标为（x，y）的点A 处的温度根据式子temperature＝TE－（DE×TD）来计算，其中TE为事件中心的温度，DE为点A 到事件中心之间的Euclidean距离，TD为温度降低率（℃/m）。

4.3 性能分析

（1）相关区域的大小。相关区域的大小直接影响着网络的能耗，即相关区域内节点的能耗与相关区域的大小成负相关。在多跳无线传感器网络中，近sink的节点由于需要承担更多的通信负载能耗较多，而远sink的节点能耗较少。因此，为了均衡网络中的能量消耗，本文根据事件区域中心与sink节点之间的距离来决定相关区域的大小，并给出了式（2）用于计算相关区域的大小。在仿真实验过程中，将相应的数据代入式（2）可得：

Figure 7 Relationship between the correlation region c and the distance from event area centre to sink nodes图7 相关区域大小c与事件区域中心到sink节点距离的关系

（2）数据精确度。是指观测值相比原始数据的精确性。由于TS－INDAR 相比较EAST 算法和DRINA 算法减少了网络中传送至sink节点的数据量，因此TS－INDAR 的数据精确度要低于EAST 算法和DRINA 算法。图8 显示了当时间一致性容忍tct＝0时数据精确度与相关区域大小c之间的关系。由图8可以看出，随着相关区域的增大，数据的精确度降低。原因在于相关区域越大，网络中的代表节点越少，传送至sink节点的数据量越少，从而导致数据精确度降低。由图7可以得到。由图8 可 知，虽然TS－INDAR的数据精确度要低于EAST 算法和DRINA算法，但是在相关区域大小的可取范围内，数据的精确度至少可以保证在99.35%以上。

Figure 8 Relationship between data accuracy and the correlation region c图8 数据精确度与相关区域c的关系

在仿真实验过程中，三个并发事件的事件区域中心（事件的发生位置是随机的）与sink节点的距离分别为113.62m、578.43m、923.51m。由此通过计算可以得到相对应的相关区域的大小分别为31.67m、14.87m、2.40m。图9显示了仿真实验过程中针对这三个并发事件sink节点所接到的的数据精确度与时间一致性容忍tct之间的关系。由图9可以看出，虽然TS－INDAR 的数据精确度要低于EAST 算法和DRINA 算法，当时间一致性容忍tct＝0 时，网络中数据的精确度可以达到99.82%，并随着tct的增大，数据的精确度降低。当满足tct≤2时，网络中数据的精确度可以达到99.5%以上。

（3）能量消耗。由于无线传感器网络中节点能量受限的特点，能量消耗是衡量路由协议性能的一个重要指标。图10 显示了在给定并发事件数为3、时间一致性容忍tct＝1的情况下网络中的能量消耗与事件持续时间之间的关系。由图10可知，TS－INDAR的能耗相对于DRINA 降低了25%，相对于EAST 降低了12.6%。原因在于当并发事件数增多时，每一个事件区域都形成一个簇，簇内节点感知到的数据通过网络中的中继节点传送至sink节点，TS－INDAR 算法通过网内数据聚合和时空相关性协议减少了网络中的数据通信量，从而降低了网络中的通信开销。

Figure 9 Relationship between data accuracy and tct图9 网络数据精确度与时间一致性容忍tct的关系

Figure 10 Relationship between energy consumption and event duration图10 能量消耗与事件持续时间的关系

5 结束语

本文以降低网络中冗余数据量为目的，研究了无线传感器网络中局域数据聚合的路由协议以及时空相关性协议。提出了一种基于时空相关性的数据聚合路由协议TS－INDAR，其主要包括四个过程：Hop 树的形成；簇的形成和相关区域的划分；路由的形成；Hop树的更新和数据传输。通过动态分簇来适应网络的动态性，通过路由树的建立和更新来最大化数据聚合的几率，通过数据聚合和数据相关性协议来减少网络中的数据传输量，从而降低网络的通信开销，通过相关区域代表节点和路由下一跳节点的选择以及相关区域的动态调整来均衡网络中节点的能耗。仿真结果显示，TS－INDAR 协议能够在确保数据较高精确度的前提下，减少网络中的数据通信量，降低网络通信开销。下一步的工作计划是研究如何针对网络中不同区域的能耗情况来调整相关区域的大小，使得网络中的节点能耗能够得到均衡以及网络性能的最大化。

［1］ Akyildiz I F，Su W，Sankarasubramaniam Y，et al.Wireless sensor networks：A survey［J］.Computer nNetworks，2002，38（4）：393－422.

［2］ Anastasi G，Conti M，Di Francesco M，et al.Energy conservation in wireless sensor networks：A survey［J］.Ad Hoc Networks，2009，7（3）：537－568.

［3］ Akyildiz I F，Vuran M C，Akan O B.On exploiting spatial and temporal correlation in wireless sensor networks［C］//Proc of WiOpt，2004：71－80.

［4］ Nakamura E F，Loureiro A A F，Frery A C.Information fusion for wireless sensor networks：Methods，models，and classifications［J］.ACM Computing Surveys（CSUR），2007，39（3）：9.

［5］ Li Jian－zhong，Gao Hong.Survey on sensor network research［J］.Journal of Computer Research and Development，2008，45（1）：1－15.（in Chinese）

［6］ Ye F，Luo H，Cheng J，et al.A two－tier data dissemination model for large－scale wireless sensor networks［C］∥Proc of the 8th Annual International Conference on Mobile Computing and Networking，2002：148－159.

［7］ Vuran M C，AkanÖB，Akyildiz I F.Spatio－temporal correlation：Theory and applications for wireless sensor networks［J］.Computer Networks，2004，45（3）：245－259.

［8］ Liu C，Wu K，Pei J.An energy－efficient data collection framework for wireless sensor networks by exploiting spatiotemporal correlation［J］.IEEE Transactions on Parallel and Distributed Systems，2007，18（7）：1010－1023.

［9］ Shah G A，Bozyigit M.Exploiting energy－aware spatial correlation in wireless sensor networks［C］∥Proc of the 2nd International Conference on Communication Systems Software and Middleware，2007：1－6.

［10］ Villas L A，Boukerche A，Guidoni D L，et al.An energy－aware spatio－temporal correlation mechanism to perform efficient data collection in wireless sensor networks［J］.Computer Communications，2013，36（9）：1054－1066.

［11］ Hu F，Cao X，May C.Optimized scheduling for data aggregation in wireless sensor networks［C］∥Proc of IEEE International Conference on Information Technology：Coding and Computing，2005：557－561.

［12］ Solis I，Obraczka K.The impact of timing in data aggregation for sensor networks［C］∥Proc of 2004IEEE International Conference on Communications，2004：3640－3645.

［13］ Krishnamachari B，Estrin D，Wicker S B.The impact of data aggregation in wireless sensor networks［C］∥Proc of the 22nd International Conference Distributed Computing Systems（ICDCSW ’02），2002：575－578.

［14］ Nakamura E F，de Oliveira H A B F，Pontello L F，et al.On demand role assignment for event－detection in sensor networks［C］∥Proc of IEEE 11th Sympium on Computers and Comm，2006：941－947.

［15］ Villas L A，Boukerche A，Ramos H S，et al.DRINA：A lightweight and reliable routing approach for in－network aggregation in wireless sensor networks［J］.IEEE Transactions on Computers，2013，62（4）：676－689.

［16］ Younis O，Krunz M，Ramasubramanina S.Node clustering in wireless sensor networks：Recent developments and deployment challenges［J］.IEEE Network，2006，20（3）：20－25.

［17］ Horacio.Data collected of Amazon forest in Brazil［EB/OL］.［2011－05－17］.http：www.destination360.com/southamerica/brazil/amazon.

附中文参考文献：

［5］ 李建中，高宏.无线传感器网络的研究进展［J］.计算机研究与发展，2008，45：1－15.