WSN中事件驱动与信任分配加权的层次数据融合*

余修武,张 枫,周利兴,刘 永,3,刘 琴,雷 林,汪 弘

(1.南华大学环境保护与安全工程学院,湖南 衡阳 421001;2.金属矿山安全与健康国家重点实验室,安徽 马鞍山 243000;3.湖南省铀尾矿库退役治理技术工程技术研究中心,湖南 衡阳 421001)

WSN中事件驱动与信任分配加权的层次数据融合*

余修武1,2,3*,张 枫1,2,周利兴1,2,刘 永1,2,3,刘 琴1,2,雷 林1,汪 弘1

(1.南华大学环境保护与安全工程学院,湖南 衡阳 421001;2.金属矿山安全与健康国家重点实验室,安徽 马鞍山 243000;
3.湖南省铀尾矿库退役治理技术工程技术研究中心,湖南 衡阳 421001)

针对WSN监测突发事件及节点能量受限问题,提出了一种基于事件驱动与信任度分配加权的层次数据融合算法(EDBA)。通过设置监测阈值,仅在事件发生时,相关部分节点才进入高频次数据采集和传输的兴奋状态,其他情况节点处于低频次采集(或传输)的抑制(或活动)状态,采用证据理论及信任分配函数对网络监测数据进行多层次融合,以减少监测数据传输量。仿真表明,在通常情况下,EDBA算法能耗分别是EBPDF、LEACH的50%和21%,有效地降低了网络能耗。

无线传感器网络;层次融合;事件驱动;信任分配

无线传感器网络(WSN)[1]在环境监测、军事、实时目标追踪中广泛应用,其能量主要用于数据采集感知、信号处理与数据传输,数据传输能耗比其他两者更多。传感器节点一定程度上监测的数据近似甚至重复,通过融合数据来减少数据传输量,可有效降低能耗[2-3]。

基于事件驱动网络监测与其他周期性监测不同,只当事件发生时,才会以较高的速率采集和传输数据[4-5]。文献[6]提出了一种基于事件驱动的动态分簇BP神经网络数据融合算法(EBPDF),采用事件驱动来分簇,利用BP神经网络模型对监测到的大量数据进行融合处理,提取出特征数据传送给Sink节点。文献[7]提出了一种事件驱动的时间分簇方法,选择在事件位置与Sink节点间符合条件的节点成簇,事件结束即解散,降低由不必要地成簇和维护开销所带来的能耗。D-S证据理论[8]利用证据和组合将主观的、不确定的、冲突的信息转换为客观的决策结果,可提高WSN融合的可靠性(精度),许多学者以此为基础提出了改进研究[9-10]。文献[11]提出一种基于D-S证据理论和极限学习机的集成模型,建立合理的基本信任分配函数,并将其证据合成得到总信任分配,以改进的极端学习机来做最后决策,获得可靠的决策级数据融合结果。文献[12]根据监测值与真值的偏差把监测值分组视为辨识框架,将各监测值转换成证据,分配基本信任函数进行组合,合成证据的信任函数即为各监测值的权值分配函数,将各分组融合结果加权求和得到总融合结果。

以上基于事件驱动和基于D-S证据理论的两类数据融合研究文献的不足,在于只考虑了减少网络能耗或提高融合数据精度,未同时兼顾控制网络能耗和提高融合数据精度问题。本文综上两种融合方法提出一种基于事件驱动与信任度分配加权的层次数据融合算法EDBA(Event-Driven and Belief Assignment),来改进融合效率(降低能耗)和加强可靠性(提高融合数据精度)。

1 D-S证据理论基础

D-S证据理论基本思路为首先建立辨识框架,对命题A建立初始信任分配,再利用证据合成公式计算对所有命题的信任度。在证据理论中,对于一个判决问题而言,其所有两两互斥的可能结果组成的集合Θ={θ1,θ2,…,θn}称为辨识框架。由辨识框架Θ的所有子集组成一个有限集合即Θ的幂集合,记作2Θ,它的基数为2|Θ|,其中的集合表示命题。

1.1 基本概念

若函数m是2Θ→[0,1]的映射,∀A⊆Θ,0≤m(A)≤1满足式(1):

(1)

则称之为基本信任分配函数(BBAF)。由于基本信任反映了证据对各子集的支持程度,通常将BBAF与∀A⊆Θ,m(A)称为A的基本概率质量,表示证据对命题A的支持度。

1.2 证据组合规则

设m1,m2,…,mn是辨识框架Θ上n个相互独立的基本可信度,对∀A⊆Θ,组合后可得BBAF,如式(2):

m1,…,n(A) =m1(A1)⊕…⊕mn(An)

(2)

2 EDBA数据融合算法

2.1 网络模型

WSN监测区域中包含N个非均匀分布的传感节点与1个Sink节点,且具备以下条件:①节点布置后不可移动,已知自身位置信息。②所有传感节点能量有限且相同,但Sink节点为有线供电,能量不限。③传感节点链接呈动态变化,各节点储有其局部链接的拓扑结构信息。④节点成簇受事件驱动,成为簇头的节点可根据通信距离需要来调整发射功率。EDBA网络模型如图1所示,节点有抑制(低频次采集侦听,不传输数据)、活动(低频次采集侦听,并建立路由拓扑传输数据)和兴奋(高频次采集,并建立路由拓扑传输数据)3种状态,监测值Ti与阈值比较,节点可以切换不同状态。

图1 事件驱动网络拓扑模型

2.2 阈值定义

监测区域WSN节点通常为抑制或活动状态,进行低频次周期性采集或传输数据,事件突发时,节点监测值Ti与设置阈值比较,可判断监测数据异常,切换节点进入兴奋状态,进行高频次(间隔时间短)数据采集及传输处理。

定义1差值阈值BT(Biased Threshold),用于判断会导致节点由抑制状态转为活动状态的最小变化量。若节点ti时刻监测到的数据Ti与初始时t0监测到的数据T0之差大于BT,则节点转到活动状态。

定义2刺激阈值ST(Stimulation Threshold),用于判断突发事件发生的初始值,若节点ti时刻监测到的数据Ti>ST,节点切换至兴奋状态。

定义3事件刺激程度ESL(Event Stimulation Level),ESL=Ti-ST,用于评定事件发生的严重程度,ESL越大表示事件越严重。

定义4簇头竞选值P,节点成为簇头的可能性与P值成正比,如式(3)所示:

(3)

式中:Es表示节点的剩余能量,El表示成为簇头所需的最低能量,dtoS表示节点到Sink节点的距离,λ1与λ2分别表示两者的权重值,且λ1+λ2=1。

2.3 事件驱动成簇

Step 1 网络配置完成,所有节点获取自身的位置信息与Sink节点的距离,以及邻居节点的相关信息,而后定期监测数据。

Step 2 某区域WSN节点ti时监测到的数据Ti,若|Ti-T0|≥BT,则节点转到活动状态;若Ti≥ST,节点转为兴奋状态;若Ti≥ST和|Ti-T0|≥BT同时满足,直接越变为兴奋状态。兴奋节点计算P值,与周围兴奋节点交换信息,信息包括位置、ID、到Sink节点的距离,若自身P值最大则成为簇头,向全网广播。

Step 3 当节点收到簇头的成簇消息后,判断自身所处状态,做出不同的响应或成为簇成员节点。节点为兴奋或活动状态,将消息转发给一跳邻居节点,距离Sink节点更近的一跳邻居节点成为事件区域簇的数据传输链路节点,事件区域簇外的传输链路节点变为活动状态。

Step 4 当事件解除时,新簇结构解散,恢复原状,以均衡簇节点能耗。待有新的突发事件发生,在事件区域将重新进行簇头选举。

2.4 融合处理

数据融合共分为3个层次,首先是监测节点融合,其次为簇头融合,最后为Sink节点融合。融合处理模型,如图2所示。

图2 EDBA融合模型

①监测节点融合

监测节点融合是通过设置数据上传差值阈值BT来处理。在非事件突发时,WSN低频次采集,若|Ti-T0|

②簇头节点融合

簇标识号相同的j个节点t时刻监测数据由小至大排序{T1,T2,…,Tj}作为一个分组,建立为辨识框架,并把每个簇当做辨识框架的各个证据。由簇头先对簇内节点生成的信任分配值进行组合,得到的证据组合中的各个监测值的基本信任分配值作为融合的加权系数,经过加权融合得到本组数据结果。

由统计学理论,有效的监测值落在真值的某一特定邻域内,而在邻域外的值受到了环境噪声、人为干扰或系统误差等的影响。对于测量值Ti获得的基本可信度分配值如式(4)所示:

(4)

对于第k组数据获得的信任分配值,如式(5)所示:

mk=mk(T1)⊕…⊕mk(Ti)

(5)

第k组数据融合结果,如式(6)所示:

(6)

③Sink节点融合

对于每组(各簇)获得的结果重新进行分配,得到最后的融合结果。

针对事件发生机制的WSN监测,需要考虑节点距离事件中心的距离,离事件中心越近的节点,其监测结果越具有参考价值,但事件中心并不能准确判断,此以监测结果记录时间t最早的位置为模糊的事件中心。

引入Jousselme距离[13]dmass(m1,m2),如式(7)所示:

(7)

(8)

式中:m1,m2表示证据向量,A和B为辨识框架的子集,dmass(m1,m2)大(小)可估量参与证据组合的各证据体的相似性程度低(高)。

对于第k组数据其获得的合成信任分配值mk给定一个信任权重,如式(9)所示:

(9)

式中:m0表示事件发生标记时刻最早的一组数据的信任分配值,ηk越大表明距离事件源越近,其可信度越大。有利于减少证据间的冲突,从而增加监测数据的可靠性。

(10)

对所得的n个融合结果进行加权,得最终结果如式(11)所示:

(11)

3 仿真结果与分析

采用MATLAB仿真分析来验证EDBA算法的优越性,节点布置位置随机,网络能耗模型采取与LEACH协议相同的模型[14],仿真参数如表1所示。

表1 实验仿真参数

为测试不同事件突发频次f(次/h,指每小时突发事件的次数)下的网络节点平均能耗,设置f由0开始,以5次/h递增至60次/h,运行1 000轮。图3显示了EDBA算法的节点平均能耗明显低于LEACH与EBPDF算法,在f=0,EDBA和EBPDF能耗小于0.01 J,而LEACH能耗为0.46 J;当f=60,EDBA、EBPDF、LEACH算法能耗分别为0.37 J、0.43 J、0.48 J。这是因LEACH无论事件突发与否均处在兴奋状态,而EDBA和EBPDF均是基于事件驱动型算法,其能耗与f密切正相关,又由于EDBA结合了D-S证据融合去冗数据,所以EDBA能耗最低。在通常监测情况下,事件突发占监测期较小部分时间,在此以f=20(占60次的30%)近似等效,EDBA、EBPDF、LEACH算法能耗分别为0.10 J、0.20 J、0.47 J,EDBA能耗分别是EBPDF、LEACH的50%、21%。

图3 f对能耗的影响(r=1 000)

假设突发事件在整个监测区域内周期性发生(f=60),图4显示了LEACH、EBPDF和EDBA算法在设定轮数内节点的平均剩余能量。EDBA算法由于引入了证据理论,并结合事件驱动监测的层次融合处理,在非事件发生时,由于监测节点均处于低频次数据采集的抑制状态或少量数据上传的活动状态(网络节点仅在事件突发时,才进入高频次采集和数据传输的兴奋状态),EDBA算法能够有效减少节点的通信数据量,节省了监测网络节点的大部分能量。在运行r=1 000时,LEACH、EBPDF和EDBA算法的节点平均剩余能量分别为0.02 J、0.09 J、0.16 J,EDBA平均剩余能量分别是EBPDF和LEACH的1.8倍和8倍。

图4 r对剩余能量的影响(f=60次/h)

图5 簇组采样

本文以正态分布函数输出5组随机数,设置5个簇头收集得簇内同一时间段的20个节点监测数据。假设第(c)组数据时间戳最早(距事件中心越近监测的记录时间越早),作为原始参照数据,其他组则为事件中心周边采集的数据,如图5所示。

将样本数据分别以均值、EBPDF算法及EDBA算法处理后,并与第(c)组的监测值作对比计算误差,如图6所示。EDBA算法的误差绝对值曲线位于另外两种算法的下方,且误差波动变化小,说明可靠性更稳定,从而说明EDBA算法在融合数据精度(可靠性)上高于另外两种算法。均值、EBPDF算法、EDBA算法的最大误差绝对值分别为2.64、1.06、0.28,均值、EBPDF算法、EDBA算法的平均误差绝对值分别为1.07、0.49、0.19。EDBA算法的平均误差绝对值分别是均值的18%、EBPDF算法的39%。

图6 数据精度(可靠性)对比

4 结语

面对监测期中突发事件所占时间较小及WSN监测数据重叠、节点能量受限的情况,提出了一种基于事件驱动与信任分配加权的层次数据融合(EDBA)。首先,通过设置阈值,在正常情况下,节点处于低频次数据采集的抑制状态或低频次数据采集兼传输的活动状态,能耗极低,仅在事件突发时节点才处于高频次数据采集及传输的兴奋状态;其次,运用证据理论来对监测数据进行多层融合处理,以减少数据传输量,且保证了监测数据有较高的可靠性。经仿真分析表明,EDBA算法在降低能耗、融合数据精度(可靠性)方面都有明显的提高。

[1] Martirosyan A,Boukerche A. LIP:An Efficient Lightweight Iterative Positioning Algorithm for Wireless Sensor Networks[J]. Wireless Networks,2016,22(3):825-838.

[2] 余修武,范飞生,周利兴,等. 无线传感器网络自适应预测加权数据融合算法[J]. 传感技术学报,2017(5):1-5.

[3] Izadi D,Abawajy J H,Ghanavati S,et al. A Data Fusion Method in Wireless Sensor Networks[J]. Sensors,2015,15(2):2964-2979.

[4] Pinto A R,Montez C,Araújo G,et al. An Approach to Implement Data Fusion Techniques in Wireless Sensor Networks Using Genetic Machine Learning Algorithms[J]. Information Fusion,2014,15(1):90-101.

[5] 谭德坤,付雪峰,赵嘉,等. 基于异常数据驱动的WSN簇内数据融合方法[J]. 传感技术学报,2017,30(2):306-312.

[6] 侯鑫,张东文,钟鸣. 基于事件驱动和神经网络的无线传感器网络数据融合算法研究[J]. 传感技术学报,2014,27(1):142-148.

[7] Ozger M,Akan O B. Event-Driven Spectrum-Aware Clustering in Cognitive Radio Sensor Networks[J]. Proceedings—IEEE INFOCOM,2013,12(11):1483-1491.

[8] Shafer G. A Mathematical Theory of Evidence,Turns 40[J]. International Journal of Approximate Reasoning,2016,79:7-25.

[9] Lin G,Liang J,Qian Y. An Information Fusion Approach by Combining Multigranulation Rough Sets and Evidence Theory[J]. Information Sciences,2015,314:184-199.

[10] Dubois D,Liu W,Ma J,et al. The Basic Principles of Uncertain Information Fusion:An Organized Review of Merging Rules in Different Representation Frameworks[J]. Information Fusion,2016,32:12-39.

[11] Shen B,Liu Y,Fu J S. An Integrated Model for Robust Multisensor Data Fusion[J]. Sensors,2014,14(10):19669-86.

[12] 王文庆,杨远玲,杨春杰. 一种基于证据理论的数据融合算法[J]. 控制与决策,2013,28(9):1427-1430.

[13] Jousselme A L,Maupin P. Distances in Evidence Theory:Comprehensive Survey and Generalizations[J]. International Journal of Approximate Reasoning,2012,53(2):118-145.

[14] Heinzelman W B,Chandrakasan A P,Balakrishnan H. An Application Specific Protocol Architecture for Wireless Microsensor Networks[C]//IEEE Transactions on Wireless Communication,2002:660-670.

HierarchicalDataFusionUsingEvent-DrivenandBeliefAssignmentinWSN*

YUXiuwu1,2,3*,ZHANGFeng1,2,ZHOULixing1,2,LIUYong1,2,3,LIUQin1,2,LEILin1,WANGHong1

(1.University of South China,Environmental protection and safety engineering institute,Hengyang Hu’nan 421001,China;2.State Key Laboratory of Safety and Health for Metal Mines,Maanshan Anhui 243000,China;3.Hunan Engineering Research Center for Uranium Tailings Decommission and Treatment,Hengyang Hu’nan 421001,China)

In view of unexpected events and node energy limitation in WSN,a data fusion algorithm using event-driven and belief assignment(EDBA)is proposed.By setting monitoring threshold,only when the unexpected events occurs,the relevant nodes switching to excited state which can collect and transfer data in high frequency,in other cases,nodes keeping suppressed or active state to collect and transfer data.Monitoring data is fused through evidence theory and belief assignment function to reduce the amount of transmitted data.Simulation and analysis show that under normal circumstances,energy consumption of EDBA algorithm are respectively 50% of EBPDF and 21% of LEACH.EDBA can effectively save network energy.

wireless sensor network(WSN);hierarchical data fusion;event-driven;belief assignment

10.3969/j.issn.1004-1699.2017.12.027

项目来源:金属矿山安全与健康国家重点实验室开放基金项目(2016-JSKSSYS-04);湖南省教育厅科研重点项目(15A161);江西省自然科学基金项目(20122BAB201050)

2017-05-04修改日期2017-07-15

TP393

A

1004-1699(2017)12-1948-06

余修武(1976-),男,博士,副教授,硕导,主要研究方向为无线传感器网络,安全智能监测预警技术,yxw2008xy@163.com;

张枫(1993-),女,硕士研究生,主要研究方向为安全监测与监控,无线传感器网络数据融合技术。