基于带状无线传感器网络的实时智能数据收集算法

摘要： 为减少在带状无线传感器网络下数据传输延时，提出一种基于数据压缩和线路调度的实时智能数据收集算法. 首先通过对采集数据进行变换训练评估数据相关性，确定分割编码最长尺度，以此重编码实现冗余信息压缩； 然后计算数据收集占用的最大时间槽长度，调度网络收集链路，最小化时延； 最后通过多路径传输机制构建传输能耗模型，利用Lagrange函数算法求解，完成数据收集. 仿真实验结果表明，该算法网络负载均衡，数据收集传输时延较小，能量消耗小，鲁棒性较好.

关键词： 带状无线传感网络； Lagrange函数算法； 实时数据收集； 链路调度

中图分类号： TP391; TN915  文献标志码： A  文章编号： 1671-5489（2023）02-0393-07

Real-Time Intelligent Data Collection AlgorithmBased on Banded Wireless Sensor Networks

ZHANG Yee

（College of Computer and Network Engineering，Shanxi Datong University，Datong 037009，Shanxi Province，China）

Abstract： In order to reduce the delay of data transmission in banded wireless sensor networks，the author proposed a real-time intelligent data collection algorithm based

on data compression and line scheduling. Firstly，through the transformation training of the collected data，the correlation of the data was evaluated，and

the longest scale of segmentation coding was determined，so that the redundant information was compressed by recoding. Secondly，the author calculated the maximum time slot length oc

cupied by data collection，scheduled network collection links，and minimized time delay.  Finally，the transmission energy consumption model was built by multi-path transmi

ssion mechanism，and solved by Lagrange function algorithm to complete data collection. The simulation results show that the proposed algorithm has the advant

ages of network load balancing，small data collection  transmission delay，low energy consumption and good robustness.

Keywords： banded  wireless sensor network; Lagrange function algorithm; real-time data collection; link scheduling

收稿日期： 2022-04-15.

作者簡介： 张叶娥（1975—），女，汉族，硕士，讲师，从事无线传感器网络数据收集和深度学习的研究，E-mail： zhangyee0022@163.com.

基金项目： 山西省自然科学基金（批准号： 201801D121117）和山西大同大学2019年度科研基金（批准号： 2019K14）.

无线传感器具有成本低、 可适应各种恶劣环境、 灵活装置等优点，目前已广泛应用于特定场所探测观测及故障诊断等领域. 传感器节点众多，可通过各节点间的多跳和相互协作，完成数据的实时收集和传输［1］. 带状无线传感器网络相比于普通的无线传感器网络，更适用于带状区域中，例如对铁路、 公路及桥梁交通的状态诊断，管道、 河流、 煤矿［2］等情况的探测，都具有较好的数据收集和传输功效，其网络结构不同于传统的无线传感器网络，特有的拓扑性可通过相邻Sink节点之间进行探测包交换，完成两个节点间的有效连通，并在此基础上，完成对整个网络链路的故障诊断及状态排查. 刘潇潇等［3］提出了一种低开销数据采集法，其利用传感器信号的稀疏特性，将数据间的变换系数进行转换处理，在数据采集过程中形成对数据的低维观测向量，利用函数求解稀疏特性量值，达到传感信号精确化的目的，通过稀疏矩阵训练使采集到的数据得到压缩，完成数据的传输； 陈辉等［4］利用箱型模型对采集数据进行筛选，去除变化量较大的数据采集节点，通过筛选判断采集节点是否存在异常情况，明确异常和正常节点在总节点数量中的占比，以数据采集节点的可信度决定是否采集该组数据，再结合数据传输机制，完成数据的快速采集. 但上述两种方法均未考虑在数据收集过程中可能会发生的网络链路拥堵情况，因此在传输时延方面无法做到实时收集和传输.

本文方法从多方面考虑可能影响传感器实时收集数据的相关因素，为减少传感器收集到的冗余数据，降低采样点的关联性，减少数据占用的空间，在一定程度上减小冗余数据过大导致的路径拥堵问题； 同时为达到数据实时收集、 传输的效果，通过将网络链路的实时调度和多路径传输机制相结合，辅助数据收集算法完成实时作业，加速了数据收集时效，并优化了带状无线传感器网络的使用寿命.

4 仿真实验

为验证本文算法是否能有效完成数据的实时收集，在MATLAB R2018a环境下进行仿真实验测试. 将140个传感器节点均匀分布在实验环境内，监测其多轮数据采集的性能. 为使实验结果更准确，已知经过800轮以上的运行时，节点的能耗、 采集及负载等性能基本趋于稳定，因此本文在进行仿真实验时将测试轮数设为1 400轮，各传感器节点的初始能耗均为1 J，数据收集的速率随机变化. 為减少数据收集发生冗余，本文方法中利用了数据压缩算法，将数据的压缩率设为75%，带状无线传感器网络内收发电路在处理1 bit数据量时，需消耗50×10-9 J/bit的能量，传感器单个节点能承载的最大数据量为8.0×104 bit，本文在50 m×15 m通信覆盖实验范围内，对本文方法、 低开销数据采集法和信任模型采集法进行各项性能的仿真实验.本文方法通过链路调度和传输机制的调配，可构建出6条网络子树作用于数据收集，随着传感器采集节点数量的变化，这6条子树的负载情况会随之变化，如图1所示.

由图1可见，随着带状无线传感器网络中采集节点数量的增加，节点收集到的数据包流量也会随之增多，此时网络内各条子树上的负载也随着增加. 根据图1进一步计算节点数量恒定情况下，各条子树之间负载的变化差，结果如图2所示.

由图1和图2可见，在相同节点数量情况下，6条子树的负载波动情况较小，标准差变化保持在1.4～2.5内，变化相对微弱，证明各条子树的负载相对均衡. 表明本文方法在带状无线传感器网络进行数据收集时，能保证各条网络链路的负载均衡，避免网络中某一条传输链路发生链路拥堵.

采用测试方法对数据进行实时收集时的时延情况判断各算法的实时数据收集性能. 设定带状无线传感器网络中负责传输的时间槽长度为50 ms，可根据网络中时间槽总数量及每个时间槽的长度，计算求得数据收集过程中所用时间，在此基础上，通过将本文方法与低开销数据采集法、 信任模型采集法进行仿真实验对比，结果如图3所示.

由图3可见，当逐渐增加节点数量时，3种方法在完成数据收集过程中，所耗用的时间都会随之增加，但对比之下，本文方法所耗费的时间是3种方法中最短的.

因为本文方法在缩减网络链路传输负担的同时，通过网络链路的实时调度及设定的传输机制，使各条网络链路尽可能多而快地完成数据收集后的传输，减少了网络传输拥堵，使算法拥有较好的实时性能.

无线传感器网络的寿命通常有限，传感器节点能耗过大的情况下会影响网络的使用寿命. 为验证本文方法的能耗性能，将本文方法、 低开销数据采集法和信任模型采集法的传感器网络能量消耗情况进行仿真实验对比，结果如图4所示.

由图4可见，随着数据采集轮数的不断增加，节点的能量消耗也随之增加，对比3种方法的能耗量可知，信任模型采集法的能耗相对更大，低开销数据采集法次之，而本文方法的能耗最小. 因此在数据采集轮数作为变量的情况下本文方法的能耗更优.

综上所述，本文算法考虑了传感器在进行数据收集过程中产生的冗余数据问题，进行了一定程度的数据压缩，减少了单条网络链路的负载，使无线传感器网络内的各条传输链路均能保持负载均衡，此时各节点的能量消耗也会相对均衡，网络相对稳定，再通过链路的实时调度，避免数据收集路径及传输路径的拥堵，有效提高了数据收集的实时性，减少了时延. 仿真实验结果表明，本文方法在各方面的性能均良好，数据收集性能稳定，鲁棒性较好.

参考文献

［1］ 国强，崔玉强，王勇. 无线传感器网络中基于动态簇的节点调度算法 ［J］. 吉林大学学报（工学版），2022，52（6）： 1466-1476.

（GUO Q，CUI Y Q，WANG Y. Nodes Scheduling Algorithm Based on Dynamic Cluster in Wireless Sensor Network ［J］. Journal of Jilin University （Engineering and Technology Edition），

2022，52（6）： 1466-1476.）

［2］ 张楠，霍羽. 煤矿环境下人员移动无线传感器节点协同定位算法 ［J］. 吉林大学学报（工学版），2022，52（5）： 1168-1173.

（ZHANG N，HUO Y. Cooperative Localization Algorithm of Personnel Mobile Wireless Sensor Nodes in Coal Mine Environment ［J］.

Journal of Jilin University （Engineering and Technology Edition），2022，52（5）： 1168-1173.）

［3］ 刘潇潇，田家政，谢鲲，等. 基于压缩传感的低开销电力数据采集方法 ［J］. 计算机应用研究，2020，37（增刊1）： 266-268. （LIU X X，TIAN J Z，XIE K，et al. Low-C

ost Power Data Acquisition Method Based on Compression Sensing ［J］. Application Research of Computers，2020，37（Suppl 1）： 266-268.）

［4］ 陈辉，张春雨. 基于信任模型的分簇WSNs可靠数据采集方法 ［J］. 传感技术学报，2021，34（11）： 1530-1536. （CHEN H，ZHANG C Y. A Reliable Da

ta Gathering Algorithm for Clustering WSNs Based on Trust Model ［J］. Chinese Journal of Sensors and Actuators，2021，34（11）： 1530-1536.）

［5］ 魏博垚，唐晓岚，陈文龙. 无线传感器网络部分覆盖和数据收集算法 ［J］. 小型微型计算机系统，2020，41（10）： 2116-2121. （WEI B Y，TANG X L，

CHEN W L. Partial Coverage and Data Collection Algorithm in Wireless Sensor Networks ［J］. Journal of Chinese Computer Systems，2020，41（10）： 2116-2121.）

［6］ 洪悅，郭承军. 基于K-Means和SOM的水下传感器数据采集方法 ［J］. 数据采集与处理，2021，36（2）： 280-288. （HONG Y，GUO C J. Data Collection Me

thod of Underwater Sensor Based on K-Means and SOM ［J］. Journal of Data Acquisition & Processing，2021，36（2）： 280-288.）

［7］ 刘宇，张泉，路永乐，等. 超宽带矢量测距与惯性传感组合的精准步长计算算法 ［J］. 重庆邮电大学学报（自然科学版），2022，34（5）：

894-901. （LIU Y，ZHANG Q，LU Y L，et al. Accurate Step Length Calculation Algorithm Combining Ultra-Wide Band Vector Ranging And Inertial Sensing ［J］. Journal of Chongqing

University of Posts and Telecommunications （Natural Science Edition），2022，34（5）： 894-901.）

［8］ 何建华，赵辉，徐晓斌，等. 基于改进双层LT码的天基物联网数据收集方法 ［J］. 北京邮电大学学报，2020，43（6）： 118-125.

（HE J H，ZHAO H，XU X B，et al. Data Collection Method of Space-Based Internet

of Things Based on Improved Double Level Distributed LT Code ［J］. Journal of Beijing University of Posts and Telecommunications，2020，43（6）： 118-125.）

［9］ 宫金良，陈涛，张彦斐，等. 一种基于多区域信息融合约束的改进帧间差分目标检测与跟踪算法 ［J］. 江苏大学学报（自然科学版），2022，43（3）：

302-309. （GONG J L，CHEN T，ZHANG Y F，et al. An Improved Interframe Differential Target Detection and Tracking Algorithm Based on Multi-region Information Fusion Constraints

［J］. Journal of Jiangsu University （Natural Science Edition），2022，43（3）： 302-309.）

［10］ 张啸剑，付楠，孟小峰. 基于本地差分隐私的键-值数据精确收集方法 ［J］. 计算机学报，2020，43（8）： 1479-1492.

（ZHANG X J，FU N，MENG X F. Key-Value Data Accurate Collection under Local Differential Privacy ［J］. Chinese Journal of Computers，2020，43（8）： 1479-1492.）

［11］ 钟萍，徐爱昆，张艺雯，等. 一种高效低能耗移动数据采集与无线充电策略 ［J］. 软件学报，2021，32（9）： 2867-2886.

（ZHONG P，XU A K，ZHANG Y W，et al. Effective Low-Energy Scheme for Mobile Data Collection and Wireless Charging ［J］. Journal of Software，2021，32（9）： 2867-2886.）

［12］ 徐胜超，熊茂华. 基于移动边缘计算的超密集异构网络数据存储 ［J］. 吉林大学学报（信息科学版），2022，40（5）： 862-867.

（XU S C，XIONG M H. Ultra-Dense Heterogeneous Network Data Storage Based on Mobile Edge Computing ［J］. Journal of Jilin University （Information Science Edition），2022，40（5）： 862-867.）

［13］ 任磊磊，周建，罗萃文，等. 基于以太网的分布式数据采集与双模式管理系统 ［J］. 核聚变与等离子体物理，2020，40（1）： 72-78.

（REN L L，ZHOU J，LUO C W，et al. Distributed Data Acquisition and Dual-mode Management System Based on Ethernet ［J］. Nuclear Fusion and Plasma Physics，2020，40（1）： 72-78.）

［14］ 黄珍，潘颖，苑毅. WSNs中基于锚节点优先级节点定位算法 ［J］. 吉林大学学报（信息科学版），2022，40（2）： 247-252. （HUANG Z，PAN Y，YUAN Y.

Priority-Anchor Node-Based Centroid Localization Algorithm in Wireless Sensor Network ［J］. Journal of Jilin University （Information Science Edition），2022，40（2）： 247-252.）

［15］ 卢继哲，阿辽沙·叶，刘宣，等. 基于区块链技术的分布式電能计量数据采集及安全机制研究 ［J］. 电测与仪表，2021，58（6）： 13-20.

（LU J Z，ALIOSHA Y，LIU X，et al. Research on Distributed Energy Metering Data Collection and Security Mechanism Based on Blockchain Technology ［J］. Electrica

l Measurement & Instrumentation，2021，58（6）： 13-20.）

［16］ 王明华，姜开武，邓贤君. 重采样和天牛须协同演化粒子群的WSN覆盖控制算法 ［J］. 重庆邮电大学学报（自然科学版），2022，34（3）： 553-564.

（WANG M H，JIANG K W，DENG X J. Particle Swarm Optimization Based on Co-evolution of Resampling and Beetle Antennae Search for Coverage Control in WSN ［J］.

Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition），2022，34（3）： 553-564. ）

［17］ 陈苏浩，刘小洋，谢春丽，等. 具有外部干扰的耦合时滞神经网络固定时间二分同步 ［J］. 江苏大学学报（自然科学版），2021，42（6）： 702-708.

（CHEN S H，LIU X Y，XIE C L，et al. Fixed-Time Bipartite Synchronization of Coupled Delayed Neural Networks with External Disturbances ［J］. Journal of

Jiangsu University （Natural Science Edition），2021，42（6）： 702-708.）

［18］ 任彦宗，卢占武，张新彦，等. 便携式节点地震仪数据采集和处理技术进展 ［J］. 地球物理学进展，2021，36（2）： 779-791.

（REN Y Z，LU Z W，ZHANG X Y，et al. Progress in Data Acquisition and Processing Technology of Portable Node Seismographs ［J］. Progress in Geophysics，2021，36（2）： 779-791.）

（责任编辑： 韩 啸）