旋转分区耦合簇头节点定位的WSN数据优化汇聚机制研究

张飞

（黄淮学院信息工程学院，河南　驻马店　463000）

旋转分区耦合簇头节点定位的WSN数据优化汇聚机制研究

张飞

（黄淮学院信息工程学院，河南驻马店463000）

为解决当前无线传感网络数据汇聚过程中的路径冲突严重、数据丢包频繁、难以有效减少外界信号干扰以及汇聚带宽受限等问题，提出旋转分区耦合簇头节点定位的无线传感数据优化汇聚机制。首先，通过地理位置信息将整个无线传感器网络节点划分为若干个子区域，并设计信号最强搜寻算法，在子区域中搜寻到性能最优的节点作为簇头节点；然后通过旋转分区的方式对区域内节点进行组织及数据初始化；根据地理位置坐标，在旋转分区内定义节点区域判定规则，通过节点归类办法对初始化后的数据进行汇聚，通过簇头节点完成数据上传。理论及实验结果表明：对于无线传感网络的部署，提出的优化机制可显著降低汇聚数据通信开销，有效缓解网络中数据汇聚节点的使用强度；和其他解决方案比较，该文技术用于汇聚传输数据的沉默节点数量提高10%以上。

无线传感器网络；数据汇聚；信号最强搜寻算法；旋转分区；区域判定

0　引言

为降低无线传感数据在上传时对传感器节点的能量消耗，Howard A等［1］采用基于预测的数据汇聚方案，通过动态预测下一时刻节点数据接收情况来合理地对无线传感数据上传带宽进行分配，从而有效减少了数据上传带宽；但是由于该技术对整个无线传感网络节点分区情况缺乏考虑，处于高干扰的环境下，其网络节点传输的数据包丢失较高。Jenkins R等［2］按地理位置对无线传感网络节点进行分区，然后在每个区域内选取合适的簇头，完成数据上传，显著降低了高干扰环境下的丢包率；但是该技术的分区机制是根据地理位置进行机械分割，在面对分区数量较大时，其汇聚带宽的利用率不佳，导致其数据上传性能不理想。瞿佳俊等［3］考虑到传感器节点在汇聚过程中相邻节点采集数据往往具有高度的相似性，故其利用相邻节点数据的冗余，以减少上传数据量；但没有对传感器区域进行有效分区，在数据量较大的情况下，易造成数据频繁丢失。

为了解决上述问题，本文提出了基于旋转分区机制（rotary partition mechanism）的无线传感器网络数据优化汇聚方案。

1　网络模型及相关假设

由于本文方案中的无线传感器网络是基于地理位置形成，主要用于物理、生物数据采集［4］，故作出假设如下：

1）整个网络基于地理位置形成，不限于平面结构，可以依据分簇算法进行分簇［5］，并对整个网络按照一定的规则划分为若干个子区域。假设一个子区域中仅存在一个簇头，且该簇头可在有限跳数n-hop内覆盖整个子区域。由于当前无线传感网络节点大都是对等节点，即组成各节点的传感器的功能、性能类似，因此无线传感器网络数据在汇聚到簇头之后，将直接上传到数据中心进行汇总［5-6］。整体结构如图1所示。

2）随机布置节点，其相应的位置在布设前处于不可知状态；且节点的具体地理位置坐标只能通过传感器信号来确定［7］。

3）整个网络采集数据呈现多样化，需要部署多种不同功能的传感器进行相应物理数据采集［8］。

图1　无线传感器网络组成及汇聚结构示意

2　本文无线传感器网络数据优化汇聚机制

本文方案由两部分组成：首先基于接收信号强度定位机制（received signal strength indication，RSSI），按地理位置区域搜寻信号最强的传感器作为簇头节点，通过簇头节点完成数据上传；然后通过每个区域的簇头节点来重新将该覆盖区域进行旋转分区，以获取3个独立的区域，再针对每个分区内的不同类型节点，进行不同的数据优化处理，从而提高汇聚带宽利用率。整个过程如图2所示。

2.1基于接收信号强度定位的簇头搜寻机制设计

为了确保簇头能有效地将数据上传到控制中心，需要选择性能最强的节点作为簇头节点。因此，根据控制中心对区域内节点的接收信号的强度进行判断。由于测量信号存在误差，故簇头节点的具体地理坐标需要通过其他节点位置坐标进行计算来得到。

由于传感器信号强度会随着到控制中心距离的增加呈现递减规律，故控制中心接收到的信号强度RSSI与传感器之间的距离满足关系式：

式中：n——环境因子，理想状态下取自然对数e；

d——传感器到控制中心的距离；

d′——传感器距离控制中心1m时，控制中心所接收到的信号强度。

假设某一分区域内节点总数为n，其坐标为（x1，y1），（x2，y2），…，（xn，yn）。其中簇头节点的坐标位置（xi，yi），其余节点到簇头节点的距离分别为d1，d2，…，dn，则通过求解如下方程组，得到簇头节点的详细地理位置数据：

其中（xi，yi）是该区域内簇头节点的地理位置坐标。

2.2无线传感器网络数据优化汇聚

若网络中节点分别为x1，x2，…，xn。在对其初始化时，赋予x1，x2，…，xn的ID号分别为N1，N2，…，Nn。根据2.1节中的信号搜索机制，定位出每个区域内的簇头节点。假设每个区域内的任意节点Ni的地理坐标为（XNi，YNi），且簇头信息能被节点Ni感知，且簇头节点可以每隔一段时间向区域内其他节点广播其位置信息。

图2　本文WSN数据汇聚方案

2.2.1划簇区域的旋转分区机制

簇头覆盖区域的旋转分区划分过程如图3所示。首先，确定簇头P的具体坐标（XP，YP）。簇头P按照逆时针旋转将区域分割为3个独立分区，旋转角度为（0，2π/3），（2π/3，4π/3），（4π/3，2π），并以A、B、C 3点作为分区界限点。再以A、B、C做圆心，以簇头A的区域通信半径做圆SA、SB。其中，SR为报告区域，且满足SR=SA∩SB。图3中SA与SB交叉部分即为SR区域，“·”为SR区域内的节点，其他节点都在SR区域外。

图3　基于划簇区域的旋转分区

由于旋转分区的数目与WSN数据汇聚有重要关系，故需要确定合适的划分数量。而分区数目是由旋转角度决定的，旋转角度越小，分区数目越多。但是旋转分区过多会导致整个簇头覆盖区域内的报告节点数目增多。若划分数量较少或不进行旋转分区，则整个区域的节点都将直接通过簇头进行数据汇聚，容易造成汇聚带宽拥塞的现象。如图3（a）所示，仅对其划分为两个分区，则有可能导致一部分节点无法被纳入旋转分区中。因此，本文设定旋转分区的个数设定为3。

分区完成后，簇头首先需要搜寻分区点（图3（b）中的A、B、C 3点）的具体坐标（XA，YA），（XB，YB），（XC， YC）。随后，簇头将自己的坐标（XP，YP）以及A、B、C 3点的坐标向覆盖区域内的全部节点进行广播，根据节点Ni的坐标（XNi，YNi，定义区域判定准则：

对于一个区域内的任意一个节点Ni，判定规则如下：

1）若YNi＞YP，θ∈（0，2π/3），则Ni∈SA。

2）若YNi＞YP，θ∈（2π/3，2π），则Ni∈SB。

3）若YNi＜YP，θ∈（0，2π/3），则Ni∈SC。

4）若YNi＜YP，θ∈（2π/3，2π），则Ni∈SB。

随后判断Ni是否位于某个分区的报告区域中，该报告区域为图3（b）中所示的D部分。假设Ni所在的分区为SC，Ni距离簇头P及B、C的距离分别为dP，dB，dC，当且仅当如下条件成立时，Ni位于SC分区之中：

其中R为簇头P的覆盖半径。

当节点Ni判断完自身所在的分区之后，单播（ID，Area，Type，Count）信息到簇头节点（其中ID为节点的标示号码；Area为节点隶属的分区；Type为节点类型；Count以0或1标示节点是否位于报告区域中）。当簇头P接收到该消息后，将消息添加到自身的缓存中，控制中心通过访问缓存，即可知道区域内全部节点的位置消息及类型。

在完成节点标识后，簇头会选取报告区域内信号最强的节点Ni作为旋转分区的归类点，并将该节点的信息写入缓存。假定区域内节点由A、B、C 3类所构成，则簇头缓存需要保存的信息如表1所示。其中“Count”用作节点数量的统计指标，NA1表示第1分区中A类节点的数量。依据表1，簇头P会在区域内对旋转分区归类点Ni的信息进行广播，播送格式为（ID，区域，类型），参照表1可有（N1，1，A），（N2，2，A）等。

表1　旋转分区归类点信息

2.2.2区域内无线传感器网络数据的优化汇聚

当WSN中的节点开始采集数据并通过簇头节点进行数据上传时，各个旋转分区内的归类点首先将自身数据汇聚到簇头节点，并将分区内所有与归类点类型相同的节点进行数据比对，如果比较结果不相同，就发送（ID，Area，Type，count）到簇头节点，否则保持沉默状态。本方案中将符合该项特征的节点视为沉默节点；如果旋转分区内不存在与某种节点同类型的归类点，则该类型节点直接将自身数据汇聚到簇头节点中。簇头节点完成数据上传的步骤如下。

1）数据汇聚：以表1为例，簇头P根据写入缓存的信息将表1进行初始化：簇头P收到分区3中C类节点N3的数据后，先将对应的Count值设定为-1。再遍历表2，查找表中所有与N3处于同分区且类型相同的点。如果Ni与N3的数据相同，则将Ni对应的Count值+1。如果Ni与N3的数据不相同，则添加（N3，3，1，C，DA2）到表2中。簇头P在接收数据时对全部节点数据都做类似的处理。

表2　汇聚数据初始化表

2）数据整合：在数据汇聚的基础上对其进行整合处理，得到区域内各种数据类型测量值及对应计数值，见表3。完成数据整合后，即可将数据通过簇头汇聚到控制中心。

3　仿真实验及分析

为体现方案的优越性，将常用的基准方案设为对照组：首先划分分区，然后任意指定一个节点作为簇头，其他全部节点通过该簇头将数据上传到控制中心。再采用NS2工具对本文方案与对照组进行仿真。并采用节点消耗能量时的通信开销及存储开销来评估本文方案的网络性能［9-10］。仿真参数如表4所示。

表3　 数据汇聚表

表4　仿真参数表

3.1本文方案的存储开销分析

假设节点ID长度为2Byte，网络中部署的节点数最多为个节点；节点长度为6Byte，类型上不超过26个。按照本文给出的旋转分区数为3，每个分区字段长度与节点ID长度相等。计数字段长度为1Byte；节点位置信息为（X，Y），每个分量长度为2Bytes。区域内的其他普通节点，需要存储自身ID、簇头ID、坐标信息等，大致需要24Bytes的存储空间；簇头另外还需要保存数据汇聚得到的表1、表2、表3。一般情况下，部署的节点类型≤10，节点周围邻居数量≤100，则表1的缓存大小≤10×3×11=300Byte，汇聚表缓存≤12×100=1.2kB。而当前常用的典型传感器一般为256～512 kB的存储空间［11］。因此典型的传感器是可以满足本文方案中的节点缓存开销的。

3.2通信开销对比分析

由于全部汇聚数据都是由传感器节点产生的，因此可以用传感器节点数目来进行开销对比分析，本文对含有9个子区域分区的无线传感器网络进行仿真，测试了在随机布点的情况下各划簇区域（划簇区域是根据簇ID来进行识别的）全网络中发送数据消息的节点数目。其中，基准方案中所有节点以平等方式将数据汇聚到簇头。设定划簇区域内1类节点和2类节点在簇区内服从均匀分布，数目为0.5/m2，单个传感器节点信号覆盖半径为30 m，在不同节点密度（K=20，K=40）及不同σ值下，各个划簇区域的簇内区域发送数据的节点数见图4、图5。由图可知，在不同的标准差下及节点密度下，划簇区域内处于发送数据节点始终小于基准方案里的节点数量。这是因为网络数据冗余程度增加的情况下，划簇区域内处于沉默状态的节点数始终会高于基准方案。

图4　实验结果对比图（K=20）

图5　实验结果对比图（K=40）

图6显示了整个网络内部节点发送消息的传感器节点数量的理论值与实际值的对比。“理论”数据汇聚过程中沉默节点数量比例的理论值与实验值情况见表5。由表可知，当K=30，即传感器节点分布稀疏时，仿真结果和理论值有一定的差距。这主要是由于当传感器节点分布稀疏时，有些报告区域内不存在归类点，导致区域内所有节点将数据全部汇聚到簇头节点。当K=50，即传感器节点分布比较密集时，仿真结果和理论值符合程度较好，这主要是由于当传感器节点分布密集时，归类点的存在使得仿真实验结果更加精确。与基准方案相比，本文方案大大减少了数据汇聚时的非沉默节点数，缓解了数据汇聚带宽的压力，降低了通信开销。特别是在数据冗余较大时，其效果更加明显。如σ=0.2，K=50时，有42.86%的节点处于沉默状态，大大降低了整体网络的通信开销，节约了上传数据的带宽。

表5　沉默节点数占网络节点数的比例情况

3.3不同WSN数据汇聚方案性能比较

为了进一步体现本文方案的通信性能，将当前较为先进的WSN数据汇聚机制视为对照组：文献［12］-DASP方案，文献［13］-DASL方案，分别视为A、B技术。采取NS2仿真工具，借助网络内沉默节点数量来验证3种技术的性能优劣。沉默节点数量越多，则其通信开销越小，能耗越低，则其网络性能越好。设定仿真参数，如表6所示。

表6　 仿真参数表

图6　实验结果对比图

图7、图8显示了在不同的节点密度下，本文方案与对照组技术在整个网络内沉默节点数量的对比情况。从图7可知，随着标准差的增加，本文方案的沉默节点数量始终处于最高水平，而对照组方案呈现整体下降趋势，当子节点播撒密度为0.8/m2时，本文方案中的网络内沉默节点数量可以保持80（K=20）乃至更高的水平（K=40），与DASP、DASL方案相比，其网络内沉默节点数量能提高10%以上。因为本文方案设计了旋转分区机制，综合考虑分区内数据信息的均衡，特别是分区归类点，提高了簇头节点的数据汇聚效率，从而减少了数据汇聚开销；而对照组技术没有考虑到对簇头节点控制区域内节点进行归类，当节点离散程度的增加，网络中数据流也会平均分布在各个节点之上，导致沉默节点数呈现不稳定甚至不断下降趋势，因此总体上看性能呈现下降趋势。

图7　3种不同方案对应的沉默节点数量

图8　3种不同方案对应的沉默节点数量

另外，依据图8，当K值增大后，DASP、DASL方案中网络节点沉默数量下降幅度更大，而本文方案始终保持较高水平的沉默节点数量。这是因为随着网络节点密度的增大，通过分类归类点，可以将更多的节点纳入分区之内，故簇头节点可以服务更多的网络节点，从而降低了其余节点充当数据汇聚节点的频率，改善了网络中整体数据汇聚的能量消耗。

4　结束语

本文提出了簇头节点定位耦合旋转分区的无线传感器网络数据优化汇聚机制，基于旋转方式将划簇区域按簇头旋转角度划分为3个分区，传感器通过计算自身位置坐标来确定自身所属分区，簇头通过分区中的报告区域确定归类点。在进行数据汇聚时，归类点首先通过广播形式告知区域内的全部传感器节点，节点在收到同类型归类点数据后，再进行数据比对，只有当数据存在差异时才将采集的数据汇聚到簇头之中，有效增加了沉默节点的数量，大大减少了通信开销。仿真实验结果显示，本文WSN数据优化汇聚方案可以有效增加区域内沉默节点数量，降低通信开销，从而减少了传感器节点的能量消耗。特别是对于一次性部署后难以更换节点的无线传感网络部署，本文方案具有一定的参考及应用价值。

［1］HOWARD A，MATARI M J，SUKHATME G S.An incrementalself deployment algorithm for WSN［J］.Autonomous Robots，2014，21（1）：113-126.

［2］JENKINS R，BURTON A M.A survey of 100%energy accuracyinWSN［J］.AutonomousRobots，2013，451 （31）：435-441.

［3］瞿佳俊，严军，朱渊婧.无线传感网低开销型数据可靠传输方法的研究［J］.电子测量技术，2014，37（1）：92-96.

［4］任条娟，杨海波，陈友荣.Sink节点移动的无线传感网生存时间优化算法 ［J］.传感技术学报，2012，25（5）：683-690.

［5］杨国宁，冯秀芳，樊刘娟.一种基于最优融合集的多传感器数据融合算法［J］.软件学报，2012，23（7）：134-140.

［6］陈友荣，王章权，程菊花.基于最短路径树的优化生存时间路由算法［J］.传感技术学报，2012，25（3）：406-412.

［7］CHATTERJEE P，DAS N.Coverage constrained non-uniform node deployment in wireless sensor networks for load balancing［J］.Applications and Innovations，2014，27 （12）：126-132.

［8］RICHARD.Broadcasting in WSN based on self-pruning ［C］∥INFOCOM2003：Twenty-second Annual Joint Conference of the IEEE Computer and Communications Societies，2013，3（6）：2240-2250.

［9］ALI M，STEWART B G.Congestion adaptive multipath routing for load balancing in mobile WSN［J］.Innovations in Information Technology，2012，21（16）：305-309.

［10］邬厚民.无线传感网络中能量和距离改良的LEACH分簇算法［J］.中国测试，2012，38（5）：62-66.

［11］冯钧，黄成，徐志良.多节点协作的WSN监测目标和定位算法研究［J］.河南理工大学学报（自然科学版），2014，33（2）210-215.

［12］NATARAJAN P，BAKER F，AMER P.Data aggregationscheme of WSN based on DSAP［J］.IEEE Internet Computing，2014，13（12）：81-85.

［13］DEMUTH H，BEALE M，HAGAN H A cluster head partitionmechanism of WSN based om DSAL［M］.Matick The Math Works Inc，2014（1）：1245-1248.

（编辑：李刚）

Study on WSN data optimization aggregation scheme based on rotary partition coupled cluster node location

ZHANG Fei
（College of Information Engineering，Huanghuai University，Zhumadian 463000，China）

In order to solve the bottleneck problem in data aggregation of WSN，as like the path conflictsinthe nodedataaggregationprocession，frequentlylossof data packet，difficult to effectively reduce the external signal interference and limited bandwidth.So the data aggregation scheme of WSN that based on Cluster partition mechanism is indexed in the paper.Firstly，

WSN；data aggregation；strongest signal search algorithm；rotary partition；regional determination

A

1674-5124（2016）08-0077-06

10.11857/j.issn.1674-5124.2016.08.016

2016-01-31；

2016-03-08

河南省科技攻关计划项目（122102210430）；河南省重点科技攻关项目（142102210335）

张飞（1974-），男，河南遂平县人，副教授，硕士，研究方向为无线传感器网络、图像处理。

through the information of geographical position will be the entire sensor network node is divided into several sub areas，and the design of the strongest signal search algorithm，in the sub region to search for the optimal performance of the nodes as cluster node for uploading data；then by rotating the way of partitioning the nodes are organized within the region and data initialization；then in the rotational zone，according to the geographical location coordinate，define the node by node region decision rules，classification processing method to gather and upload data by cluster node after initialization of convergence.The results showed that：take some means to coverage area of WSN partition，and by organizing node data upload can effectively improve the quality of data aggregation in WSN.So for the wireless sensor network deployment，the solves in paper could proposed optimization scheme in reducing aggregation data communication overhead，and effectively alleviating the using intensity of nodes in network data aggregation；Compared with other solutions，this mechanism can improved the number of Silent node for translating network data more than 10%.