基于云模型和熵权法的无线传感器网络鲁棒性研究

秦　勤，米　捷

(河南工程学院 计算机学院，河南 郑州 451191)



基于云模型和熵权法的无线传感器网络鲁棒性研究

秦勤，米捷

(河南工程学院 计算机学院，河南 郑州 451191)

摘要：结合无线传感器网络的特点，提出了运用云模型对无线传感器网络鲁棒性进行研究的方法，构建了评估指标体系和基于云模型的评估模型，采用熵权法对评估指标的权重进行处理.仿真实验证明，该方法能够有效解决鲁棒性评估过程中的人为因素、随机性及模糊性等问题，为无线传感器网络鲁棒性的研究提供了新的思路和方法.

关键词：云模型；熵权法；无线传感器网络；鲁棒性

无线传感器网络(Wireless Sensor Networks, WSN)是由一个或多个传感器节点构成，采用无线通信技术部署在监测区域的自组织性网络，它经常会受到网络拓扑结构的变化、传感器节点的增加或减少、各种敌对环境因素的影响，导致整个网络系统的不确定性和不稳定性[1-2].鲁棒性是指当无线传感器网络内部或外部的各种参数发生变化时，该网络的整体结构和性能依旧能够保持稳定性的能力[3].鲁棒性能的这种分析方法对于不同领域的科学家而言，在评判标准和科学评估这两个方面都有很大的理论意义和实践价值.为了保证无线传感器网络具有较强的适应性和稳定性，需要对网络的鲁棒性进行评价，而如何建立一个科学的评价体系并进行评估是值得研究的问题.

闫斌[4]提出了基于簇的无线传感器网络路由及其鲁棒性评估；余根坚等[5]提出了一个具有大概率强连通鲁棒性的无线传感器网络构造算法；邵叙宁[6]提出了一种名为自适应随机分簇(ARC)的拓扑控制算法来评估网络的鲁棒性；杨云等[7]提出了一种具有鲁棒性的异构传感器网络部署策略；焦磊等[8]提出了一种室内环境下对受阻碍的视距(OLOS)误差具有鲁棒性的低计算量的残差加权无线传感器网络定位算法；陈熙[9]提出了一种鲁棒性分段组播路由算法.本研究在总结已有研究的基础上，根据影响无线传感器网络鲁棒性的因素来构建评估模型，采用熵权法处理各个影响因素的权重问题，运用云模型来解决评语中的随机性、不确定性和模糊性等问题， 有效地避免了人为因素的影响.

1鲁棒性能指标的构建

1.1　指标的选取

对于网络的设计和应用来说，网络鲁棒性能的评估指标非常重要.根据无线传感器网络的特点，结合传统网络指标，遵循评估指标选取的全面性、相关性和可测性等原则，确定无线传感器网络性能评估的标准，即功能实现、通信性能、感知精度、能耗控制和容错性[10-11].

(1)功能实现

无线传感器网络一般是为完成的独特功能而设计的，虽然在不同的环境下系统功能不同，但事件监测、目标定位跟踪与识别、参数评估等功能是相同的.因此，无线传感器网络功能实现的评估指标主要有监测估计精度与误差、定位精度与误差、识别精度与误差等.

(2)通信性能

无线传感器网络的通信性能主要表现在对监测目标的感知能力和各个节点的独立处理能力、协调处理能力等.因此，无线传感器网络通信性能的评估指标主要有网络的响应时间、时间延迟、吞吐量、丢包率和容错性等.

(3)感知精度

感知精度指用户接收到所需要信息数据的精度.对网络感知精度的评估指标主要有传感器自身的感知能力、感知精度、节点处理信息的能力和方法、协调与通信协议等.

(4)能耗控制

网络的生存周期是能耗控制最直接的反映，是指从整个网络系统开始启动到不能够提供任何所需要的信息为止持续工作的时间.在无线传感器网络的设计和应用过程中，要充分考虑能源的有效性，尽最大可能降低传感器的节点能耗，使生存周期最大化.

(5)容错性

容错性是指无线传感器网络在环境变化、传感器节点故障甚至失效或其他因素的影响下，系统监测采集信息仍能保持高效性和精确性.

针对无线传感器网络性能的评估标准，结合指标选取的原则，选取网络时延、网络吞吐量与丢包率作为无线传感器网络性能的评估指标.

1.2　定义鲁棒性等级

对无线传感器网络鲁棒性优劣进行综合评估，得出由自然语言表述定性概念的评估语言集合.但网络鲁棒性是相对的，没有明显的界线区分.因此，鲁棒性评语等级划分过于密集或过于稀疏，都不利于鲁棒性的评估.

根据文献[3]的研究成果，根据鲁棒度值集合[0，30)，[30，45)，[45，55]，(55，70]，(70，100]把鲁棒性评语集分为5个等级：差(E)、较差(D)、中(C)、良(B)、优(A).差(E)表示网络不具有鲁棒性；较差(D)表示网络具有较差的鲁棒性；中(C)表示网络具有一定的鲁棒性，但网络不稳定；良(B)表示网络具有较好的鲁棒性，有一定的抗干扰能力；优(A)表示网络的鲁棒性极高，在影响较大的情况下仍然可以恢复正常运行，稳定性极高.

2鲁棒性能量化评估模型

由于影响无线传感器网络鲁棒性的各因素是不断变化的，所以鲁棒性评估结果具有一定的随机性，评估语集可能会同时出现优、差的模糊性.鲁棒性的判断评估是在一定参数的基础上计算得出的，但由于运用不同技术和不同计算工具，在不同时间上也会有一定的不确定性和随机性.另外，对于同一个传感器网络来说，不同领域的不同专家在不同时间、不同地点的判断评估也不尽相同，具有一定的主观因素[12].为了解决上述问题，引入云模型以更科学地描述无线传感器网络的鲁棒性.

2.1　云模型

云模型综合考虑随机性和模糊性，用期望值Ex、熵En、超熵He这3个数字特征来表征描述的云图，实现定性概念和定量数据的转换，把模糊性和随机性有效地集合在一起，为定性与定量的信息传递提供了有力手段，成为一种处理模糊信息的有效工具[13].

设P={p1， p2，…，pn}为无线传感器网络鲁棒性的评估结果集合，pi(i=1，2，3，…，n)是每次的评估量值，T是P上的定性概念，对于任意pi(pi∈P)，都存在一个稳定倾向的随机数η∈CT(pi)， η∈[0，1].η是pi对T的隶属度在数据区间上的分布，称为隶属云，简称云，即Cloud(Ex，En，He).Ex是期望，是最具代表性概念的一个点；En是熵，表示云滴的离散程度，揭示了随机性和模糊性之间的关联；He是超熵，即熵的熵，是对熵的不确定性度量，即偏离度.

由云的数字特征(Ex，En，He)生成以En为期望值、He为方差的正态随机数Eni=N(En，He)，然后再生成以Ex为期望值、En为方差的正态随机数xi=N(Ex，Eni)，称为云滴.根据随机数和正态分布函数，得出隶属度

(1)

生成云滴的计算过程称为正态云发生器，记为C(Ex，En，He)，云滴的主要作用区域为[Ex-3En， Ex+3En].生成云滴xi的平均值

(2)

云滴的中心距

(3)

方差

(4)

所有云滴表示的定性概念数字特征(Ex，En，He)为

(5)

2.2　确定指标权重

无线传感器网络鲁棒性能的判断评估为网络规划、管理、配置及维护提供了科学的依据.因此,在判断评估中，一个比较重要的问题是各指标权重的确定.采用熵权法确定指标权重，既具有客观性，又摈弃了主观因素的影响，在剔除对评估结果贡献相对较小的指标的同时，又保证了评估结果的精度.

设有n个无线传感器网络鲁棒性评估指标和m个评估对象组成的矩阵K,

K=(kij)m×n, (i=1,2,…,n;j=1,2,…,m).

(6)

对矩阵K进行归一化处理：

(7)

则评估指标的熵值为

(8)

式中： i=1,2,…,n; j=1,2,…,m; 0≤φi≤1.第i个评估指标的熵权

(9)

根据熵权的计算可知，熵值和熵权成反比关系，熵值越小则熵权越大，代表其对应的指标信息量越大，则该指标重要；反之，说明该指标不重要.因此，运用熵权法可以客观计算出指标权重的大小.

2.3　评估思路与步骤

基于云模型的无线传感器网络鲁棒性评估模型有效地解决了网络鲁棒性的随机性和模糊性，评估结果更能反映实际情况.采用熵权法处理权重问题，能客观地反映指标权重的大小.评估数据处理的具体思想与步骤如下：

①构建影响评估对象的指标因素矩阵K=(k1,k2,…,kn)；

②构建评估结果的评语集C=(c1,c2,…,cn)；

③采集样本数据，并对数据进行处理；

④运用熵权法计算影响评估对象的指标权重W=(ω1,ω2,…,ωn)；

⑤根据权重计算和修正影响鲁棒性能的网络时延、网络吞吐量与丢包率的期望值.

3仿真与分析

根据鲁棒等级和鲁棒度构造对应云模型的对应关系，如表1所示.选取文献[14]中样本数据(如表2所示)进行仿真.

表1　等级表Tab.1　Grade division

表2　性能数据Tab.2　Performance data

首先对样本进行数据处理，然后采用熵权法来确定权重，得到时延、丢包率和吞吐量的熵及熵权值，如表3所示.

表3　熵和熵权Tab.3　Entropy and entropy weight

根据鲁棒等级、鲁棒度与云模型的对应关系可知，该网络鲁棒度的云滴主要落在等级为“中”的区域上，如图1所示.另外，云滴也有大部分落在等级为“良”的区域内，还有很少的一部分云滴落在等级为“较差”和“优”的区域内.比较发现，落在“中”区域的比落在“良”区域的多.因此，该网络的鲁棒性能更准确的说法应该是“中+”，即中上的意思.

图1　仿真结果Fig.1　Simulation result

4结语

结合无线传感器网络性能的特点构建了鲁棒性评估指标，采用熵权法对各个评估指标的权重进行处理，解决了人为因素的干扰，具有客观性、合理性与科学性.采用云模型进行定量与定性的评估对应，有效解决了鲁棒性能的模糊性与随机性等问题，评估模型具有科学性和普遍适用性.

参考文献：

[1]崔逊学，左从菊.无线传感器网络简明教程[M].北京:清华大学出版社，2009.

[2]何永强，张文欣,李可.基于贝叶斯理论的传感器网络节点故障检测方法[J].河南工程学院学报：自然科学版，2014，26(4):65-68.

[3]安军.鲁棒性分析的方法论意义[J].科学技术哲学研究，2011(5)：26-30.

[4]闫斌.基于簇的无线传感器网络路由及其鲁棒性评估研究[D].成都:电子科技大学，2009.

[5]余根坚，郑宝玉.一种大概率强连通鲁棒性的无线传感器网络构造算法[J].福州大学学报:自然科学版，2006，34(4)：481-484.

[6]邵叙宁.无线网络中的鲁棒性资源分配算法研究[D].杭州:浙江大学，2011.

[7]杨云，石婷婷，徐平,等.一种具有鲁棒性的异构传感器网络部署策略[J].计算机应用与软件，2011，28(6)：51-53,68.

[8]焦磊，邢建平，张军，等.室内环境下对OLOS误差具有鲁棒性的TOA无线传感器网络定位算法[J].传感技术学报，2008,21(1):163-168.

[9]陈熙，洪佩琳，卢昊.无线传感器网络中的鲁棒性分段组播路由算法[J].小型微型计算机系统，2015,36(3):478-482.

[10]LAN E，WELILIAN S.A survey on sensor networks[J].IEEE Communications，2002(8):102-114.

[11]NG H S，SIM M L，TAN C M.Security issues of wireless sensor networks in health care applications[J].BT Technology Jounal，2006，24(2)：138-144.

[12]罗赞骞，夏靖波，陈天平.基于云模型和熵权的网络性能综合评估模型[J].重庆邮电大学学报：自然科学版，2009(6)：771-775.

[13]叶琼，李绍稳，张友华，等.云模型及应用综述[J].计算机工程与设计，2011,32(12):4198-4201.

[14]周婵，李听.工业无线传感器网络性能综合评价研究[J].计算机工程，2010(16):82-84,87.

Study on the robustness of wireless sensor networks based

on cloud model and entropy weight

QIN Qin，MI Jie

(CollegeofComputer，HenanInstituteofEngineering，Zhengzhou451191，China)

Abstract:This paper combined with the characteristics of wireless sensor networks, proposes the research method of robustness of wireless sensor networks based on cloud model. The evaluation index system and evaluation model based on cloud model are constructed, and the entropy method is used to process the evaluation index weights. Through simulation analysis, this method can effectively solve the human factor, randomness, fuzziness and other issues in robustness of the assessment process, providing new ideas and methods for robust wireless sensor network research.

Key words:cloud model; entropy weight; wireless sensor network; robustness

作者简介：秦勤(1983-)，女，山东成武人，讲师，主要研究方向为计算机网络与人工智能.

基金项目：河南省科技厅科技计划课题(152102210027)；河南省高等学校重点科研项目(15A520054)

收稿日期：2015-09-30

中图分类号：TP399

文献标志码：A

文章编号：1674-330X(2015)04-0069-04