基于指數(shù)平均模型的無線傳感器網(wǎng)絡(luò)動態(tài)功耗管理*

沈 玲,夏銀水,葉益迭

(寧波大學(xué)信息科學(xué)與工程學(xué)院,浙江 寧波 315211)

?

基于指數(shù)平均模型的無線傳感器網(wǎng)絡(luò)動態(tài)功耗管理*

沈 玲,夏銀水*,葉益迭

(寧波大學(xué)信息科學(xué)與工程學(xué)院,浙江 寧波 315211)

能耗一直是制約無線傳感器網(wǎng)絡(luò)WSN(Wireless Sensor Networks)發(fā)展的關(guān)鍵因素。為了降低節(jié)點(diǎn)的功耗,延長WSN的壽命,一種改進(jìn)指數(shù)平均模型的動態(tài)功耗管理DPM(Dynamic Power Management)方法被提出。該方法利用歷史空閑時間來對未來空閑時間進(jìn)行預(yù)測,預(yù)測結(jié)果作為節(jié)點(diǎn)是否轉(zhuǎn)換為低功耗狀態(tài)的依據(jù)。理論分析和實(shí)驗(yàn)仿真表明,本文提出的DPM在突發(fā)情況時能夠快速自適應(yīng)地調(diào)整,提高了預(yù)測的準(zhǔn)確性,降低了WSN的功耗。

無線傳感器網(wǎng)絡(luò);動態(tài)功耗管理;指數(shù)平均模型;預(yù)測

隨著傳感器、微電子、計(jì)算機(jī)、無線通信等技術(shù)的發(fā)展和相互融合,產(chǎn)生了無線傳感器網(wǎng)絡(luò)WSN(Wireless Sensor Network)。無線傳感器網(wǎng)絡(luò)的相關(guān)研究和應(yīng)用已引起了人們的極大關(guān)注,但是由于無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)能量受限,使其工程應(yīng)用受到了挑戰(zhàn)[1]。因此,如何降低節(jié)點(diǎn)功耗,延長無線傳感器網(wǎng)絡(luò)的生存周期是WSN應(yīng)用需要解決的首要問題之一。

近年來,國內(nèi)外研究者針對如何降低嵌入式系統(tǒng)功耗問題,提出了一系列動態(tài)功耗管理DPM(Dynamic Power Management)策略[2-4],其基本原理為:當(dāng)監(jiān)測區(qū)域內(nèi)沒有事件發(fā)生時,節(jié)點(diǎn)將轉(zhuǎn)換到合適的休眠狀態(tài);當(dāng)有事件發(fā)生時喚醒節(jié)點(diǎn),并開始對發(fā)生的事件進(jìn)行處理。文獻(xiàn)[5]利用指數(shù)平均模型預(yù)測未來空閑時間,再按需把系統(tǒng)切換至低功耗狀態(tài),但該方法不能很好的適應(yīng)突變情況;文獻(xiàn)[6]根據(jù)歷史條件預(yù)測出未來事件發(fā)生時間,使嵌入式系統(tǒng)處于合理的工作狀態(tài)以便降低單個節(jié)點(diǎn)功耗,但是對于整個監(jiān)測系統(tǒng)來說功耗沒有得到明顯的降低;文獻(xiàn)[7]則在文獻(xiàn)[6]的基礎(chǔ)上進(jìn)行了兩點(diǎn)改進(jìn),首先考慮了電池的狀態(tài),通過預(yù)測未來狀況,使得節(jié)點(diǎn)逐步深入睡眠狀態(tài),其次為了減少節(jié)點(diǎn)喚醒時的能量浪費(fèi),節(jié)點(diǎn)通過尋呼信號按需喚醒;文獻(xiàn)[8]提出了自適應(yīng)分層動態(tài)功耗管理方案,通過對一系列非平穩(wěn)請求過程建立一一對應(yīng)的馬爾可夫決策模型,然后根據(jù)實(shí)際情況預(yù)測,在線切換到最優(yōu)模式;文獻(xiàn)[9]把博弈論應(yīng)用于無線傳感網(wǎng)絡(luò)動態(tài)功耗管理中,策略復(fù)雜度比較低,節(jié)能性能比較好;文獻(xiàn)[10]利用EN-Elman模型來預(yù)測未來空閑時間,但是需要大量的在線數(shù)據(jù)訓(xùn)練,才能保證后續(xù)算法的準(zhǔn)確性?？v觀現(xiàn)有研究,比較注重單個傳感器節(jié)點(diǎn)的性能,而對整個無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)之間的聯(lián)系研究不足,而且有些方法自適應(yīng)比較差,需要手動調(diào)節(jié)才能有比較好的節(jié)能效果。

基于以上研究的不足,本文提出了一種改進(jìn)的指數(shù)平均預(yù)測動態(tài)功耗管理方法,以應(yīng)用于整個無線傳感器網(wǎng)絡(luò)中。基本思想是假設(shè)發(fā)生事件的前后時間具有一定的因果關(guān)系,未來的空閑時間可以通過記錄的歷史時間進(jìn)行預(yù)測,通過預(yù)測出的未來時間與系統(tǒng)切換時間閾值進(jìn)行比較,使得傳感器網(wǎng)絡(luò)處于合適的低功耗休眠狀態(tài),最終達(dá)到降低系統(tǒng)功耗的目的。

1 現(xiàn)有的DPM預(yù)測方法

在使用DPM預(yù)測策略時可能會過高或過低地預(yù)測空閑時間,這樣功耗不僅不會有太大的降低,而且還會影響監(jiān)測網(wǎng)絡(luò)的實(shí)時性。過高的預(yù)測空閑時間,因傳感器節(jié)點(diǎn)沒有及時的被喚醒,監(jiān)測到的事件減少,影響監(jiān)測系統(tǒng)的實(shí)時性;過低的預(yù)測空閑時間,由于傳感器節(jié)點(diǎn)過早地被喚醒,使得能量消耗過大,縮短了節(jié)點(diǎn)可工作時間,影響無線傳感器網(wǎng)絡(luò)壽命,增加了使用成本。所以就預(yù)測DPM策略而言,預(yù)測算法的準(zhǔn)確性是至關(guān)重要的。

近年來國內(nèi)外學(xué)者針對DPM預(yù)測策略開展了一系列研究,其中應(yīng)用比較廣泛的是指數(shù)平均預(yù)測算法。

2000年Wang H等人[11]首次提出并定義指數(shù)平均預(yù)測算法為:

Tp(n+1)=bT(n)+(1-b)Tp(n)

(1)

其中,Tp(n+1)為第n+1次空閑時間的預(yù)測值;T(n)為第n次實(shí)際空閑時間值;Tp(n)為第n次空閑時間的預(yù)測值;b表示與上次實(shí)測值和預(yù)測值的趨近程度的權(quán)重系數(shù),可根據(jù)系統(tǒng)具體情況手動調(diào)整,取值范圍為0≤b≤1。

指數(shù)平均預(yù)測算法是在假設(shè)空閑時間局部相關(guān)的前提下進(jìn)行的,適合局部環(huán)境比較穩(wěn)定的情況下使用。對于空閑時間起伏很大的情況,預(yù)測結(jié)果會有很大的偏差。為了解決這個問題,研究者分別從兩個方面進(jìn)行了研究。

第1種方法是Jie Chen等人[12]在2009年提出的,引進(jìn)微分調(diào)節(jié)因子a,對H Wang[11]提出的指數(shù)平均預(yù)測算法進(jìn)行優(yōu)化,來適應(yīng)實(shí)際空閑時間發(fā)生突變的情況,得到優(yōu)化后的預(yù)測算法如下:

Tp(n+1)=a(bT(n)+(1-b)Tp(n))

(2)

(3)

其中,權(quán)重系數(shù)b,取值范圍為0≤b≤1,可根據(jù)系統(tǒng)具體情況進(jìn)行調(diào)整;比值下限Umin和比值上限Umax的取值由具體的應(yīng)用環(huán)境所決定。該算法能夠基本滿足實(shí)際空閑時間發(fā)生突變的情況,但是該算法在計(jì)算Tp(n+1)時,微分調(diào)節(jié)因子a由T(n)/T(n-1)的比值決定,其本身有一定的延遲,會影響該算法的實(shí)時性。而且式(2)中常數(shù)比較多,對系統(tǒng)的自適應(yīng)也有影響。另外,當(dāng)T(n)/T(n-1)較大時,該算法的預(yù)測誤差也會比較大。

第2種方法是直接把權(quán)重系數(shù)b設(shè)計(jì)成與Tp(n)和T(n)有關(guān)的函數(shù)[13],考慮到

(4)

可以反映真實(shí)值與預(yù)測值的偏離程度,并且取值范圍在0～1之間,所以把系數(shù)b設(shè)計(jì)為:

(5)

即:

(6)

通過對權(quán)重系數(shù)b值的改進(jìn)提高了系統(tǒng)的自適應(yīng),但是預(yù)測的準(zhǔn)確性沒有得到明顯的改善。文獻(xiàn)[14]把權(quán)重系數(shù)設(shè)計(jì)為:

b=1-e(-a|T(n)-Tp(n)|)

(7)

即:

Tp(n+1)=(1-e(-a|T(n)-Tp(n)|))T(n)+e(-a|T(n)-Tp(n)|)Tp(n)

(8)

其中a(a>0)是調(diào)節(jié)指數(shù)收斂速度的常數(shù),提出的算法使得系統(tǒng)的準(zhǔn)確性有了一定的提高,但是因?yàn)樗惴ㄖ写嬖诔?shù),自適應(yīng)還存在一定的不足。

灰色預(yù)測模型[15-16]可以實(shí)現(xiàn)自適應(yīng)的預(yù)測,但由于使用的樣本數(shù)據(jù)比較少,當(dāng)數(shù)據(jù)序列變化比較大時,預(yù)測誤差較大。文獻(xiàn)[17]對灰色模型進(jìn)行了改進(jìn),解決了數(shù)據(jù)波動比較大時的準(zhǔn)確度問題,但是由于沒有對系數(shù)取值具體化所以還是存在一定的不足。此外,文獻(xiàn)[18]利用接受發(fā)送器(Sink)節(jié)點(diǎn)已有的數(shù)據(jù)流,使用小波分析和自回歸預(yù)測算法產(chǎn)生預(yù)測值,再與特殊事件值比較,決定是否發(fā)送數(shù)據(jù),該方法通過減少節(jié)點(diǎn)的通信時間降低系統(tǒng)功耗。文獻(xiàn)[19]建立了一種基于混合自動機(jī)的節(jié)點(diǎn)工作狀態(tài)轉(zhuǎn)換模型,通過環(huán)境變量是否發(fā)生突變來決定節(jié)點(diǎn)處于何種狀態(tài),同時該模型還考慮了節(jié)點(diǎn)的剩余能量,提高了節(jié)點(diǎn)能量使用的均衡性,但研究表明當(dāng)事件發(fā)生的頻率較高時,節(jié)點(diǎn)節(jié)能效果不夠理想。

綜上所述,基于DPM預(yù)測策略在降低WSN系統(tǒng)功耗方面還遠(yuǎn)沒有達(dá)到滿意的地步。

2 基于指數(shù)平均模型的動態(tài)功耗管理

2.1 狀態(tài)轉(zhuǎn)換平衡時間的確定

傳感器節(jié)點(diǎn)一般由數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、數(shù)據(jù)通信模塊和供電模塊組成[20],如圖1所示。

圖1 無線傳感器節(jié)點(diǎn)結(jié)構(gòu)

每個模塊可以工作在不同的狀態(tài),如活動狀態(tài)、空閑狀態(tài)或休眠狀態(tài)。據(jù)此Sinha等人[6]將傳感器節(jié)點(diǎn)分為5種有效的工作狀態(tài),如表1所示。

表1 傳感器節(jié)點(diǎn)有效工作狀態(tài)

由表2可知,5種工作狀態(tài)的功耗依次降低,其中S0的功耗最高,S4的功耗最低。DPM策略主要就是根據(jù)實(shí)際情況使得節(jié)點(diǎn)處于不同的工作狀態(tài)(見表1),從而達(dá)到降低功耗的目的。

表2 節(jié)點(diǎn)各狀態(tài)的功耗和切換時間

但是有時頻繁地變換節(jié)點(diǎn)的工作狀態(tài)可能不能達(dá)到降低功耗的效果,反而還會增加系統(tǒng)負(fù)擔(dān),降低監(jiān)測系統(tǒng)的性能。所以要使系統(tǒng)低功耗地工作,且不影響系統(tǒng)監(jiān)測性能,關(guān)鍵是要找到準(zhǔn)確的轉(zhuǎn)換時間閾值。以下是傳感器節(jié)點(diǎn)的狀態(tài)轉(zhuǎn)換過程,如圖2所示。

圖2 節(jié)點(diǎn)狀態(tài)轉(zhuǎn)換示意圖

假設(shè)在t1時刻前,節(jié)點(diǎn)工作在S0狀態(tài)下,在t1時刻沒有監(jiān)測到事件發(fā)生,節(jié)點(diǎn)狀態(tài)由S0轉(zhuǎn)換為Si低功耗狀態(tài),在這個過程中,設(shè)其狀態(tài)轉(zhuǎn)換的時間開銷為Δta。直到t2時刻監(jiān)測到事件發(fā)生,節(jié)點(diǎn)由低功耗狀態(tài)Si轉(zhuǎn)換為S0狀態(tài),時間開銷為Δtw。在狀態(tài)轉(zhuǎn)換的幾個階段中,節(jié)點(diǎn)的能量開銷分別為:

(9)

E2=Pi(ti-Δta)

(10)

(11)

假設(shè)節(jié)點(diǎn)在轉(zhuǎn)換過程中節(jié)省的總能量為E,則可以節(jié)省的能量為:

(12)

化簡得:

(13)

要實(shí)現(xiàn)能量節(jié)省,則必須E>0,即式(13)的值大于0,由此可以得到轉(zhuǎn)換到低功耗狀態(tài)Si的時間閾值Tthi的表達(dá)式如下:

(14)

由以上分析可知,要使得系統(tǒng)轉(zhuǎn)換到低功耗狀態(tài),那么預(yù)測的空閑時間必須大于轉(zhuǎn)換的時間閾值Tthi。

2.2 改進(jìn)指數(shù)平均預(yù)測模型

在典型的指數(shù)平均預(yù)測算法中,b值一般是常量,當(dāng)負(fù)載變化很大時系數(shù)b要手動修改,這樣系統(tǒng)的自適應(yīng)就比較差。為了解決這個問題,設(shè)計(jì)了自適應(yīng)的b值。針對式(1),把b設(shè)計(jì)為與T(n)、Tp(n)、T(n-1)、Tp(n-1)有關(guān)的函數(shù),考慮到b取值要在0～1之間,可以把b設(shè)計(jì)為:

(15)

故預(yù)測的未來空閑時間值的表達(dá)式為:

(16)

圖3 DPM模型

通過更新權(quán)重系數(shù)b,使得整個系統(tǒng)可以自適應(yīng)地調(diào)節(jié),預(yù)測值更加逼近實(shí)際值。此外,當(dāng)節(jié)點(diǎn)處于S4狀態(tài)時幾乎所有的模塊都處于休眠狀態(tài),節(jié)點(diǎn)幾乎和外界沒有了聯(lián)系,因此,還應(yīng)該有自動喚醒時間。考慮到節(jié)點(diǎn)剩余能量和實(shí)際環(huán)境情況,可以把喚醒時間定義為:

(17)

其中,Vstd是節(jié)點(diǎn)標(biāo)準(zhǔn)工作電壓,其值是固定的;Vpre為節(jié)點(diǎn)當(dāng)前實(shí)際電壓值,該值會隨著時間變化。當(dāng)節(jié)點(diǎn)剩余能量比較少時,Vpre電壓值變小,Vstd/Vpre值變大,S4狀態(tài)下的休眠時間ts4變長,這樣在一定程度上延長了節(jié)點(diǎn)的工作壽命。

T(n)是第n次實(shí)際空閑時間值,Tp(n)是第n次預(yù)測空閑時間值,當(dāng)T(n)變小時,Tp(n)變化會延遲變小,則T(n)/Tp(n)值變小,節(jié)點(diǎn)的休眠時間ts4變短,反之節(jié)點(diǎn)的休眠時間ts4變長。

基于上述的分析,提出以下動態(tài)功耗管理算法如下:①系統(tǒng)初始化,S0狀態(tài)下得到初始?xì)v史數(shù)據(jù)。②動態(tài)的構(gòu)造原始數(shù)據(jù)序列,代入式(15)中計(jì)算出權(quán)重系數(shù)b值,如果T(n-1)=Tp(n-1),則使b=0.5。③得到b值后代入式(16)中得到Tp(n+1)。④功耗轉(zhuǎn)換的決策。比較Tp(n+1)與Tthi,當(dāng)Tp(n+1)≤Tthi時不進(jìn)行休眠模式轉(zhuǎn)換;當(dāng)Tp(n+1)>Tthi時設(shè)備轉(zhuǎn)換到合適的休眠模式,當(dāng)系統(tǒng)處于S4休眠狀態(tài),則使得系統(tǒng)在S4狀態(tài)下持續(xù)ts4時間,然后再轉(zhuǎn)換到S3狀態(tài)下。⑤待到本次空閑時間結(jié)束,記錄本次實(shí)際空閑時間,轉(zhuǎn)到第②步。

2.3 節(jié)點(diǎn)能量消耗分析

假設(shè)所有的節(jié)點(diǎn)初始時均處于S0狀態(tài),節(jié)點(diǎn)的一個完整工作周期為t。節(jié)點(diǎn)首先以S0狀態(tài)工作,得到空閑時間值,進(jìn)而使用指數(shù)平均模型對下次空閑時間值進(jìn)行預(yù)測,通過預(yù)測值與切換閾值比較使得Sink節(jié)點(diǎn)進(jìn)入合適的休眠狀態(tài)。這樣,如果一個周期內(nèi)節(jié)點(diǎn)工作時間設(shè)為:S0狀態(tài)工作t0時間、S1狀態(tài)工作t1時間、S2狀態(tài)工作t2時間、S3狀態(tài)工作t3時間、余下時間節(jié)點(diǎn)處于S4狀態(tài),則節(jié)點(diǎn)消耗的能量為:

W1=S0t0+S1t1+S2t2+S3t3+S4(t-t0-t1-t2-t3)

(18)

在隨后的幾個周期內(nèi),如果沒有突變的事件發(fā)生,只需要保留部分節(jié)點(diǎn)感知環(huán)境情況,但是不發(fā)送數(shù)據(jù),其余的節(jié)點(diǎn)處于休眠狀態(tài)。一個周期內(nèi)的節(jié)點(diǎn)消耗能量為:

W2=S1t1+S2t2+S3t3+S4(t-t1-t2-t3)

(19)

經(jīng)過N+1個周期后有突發(fā)事件發(fā)生,則在N個周期內(nèi)使用動態(tài)功耗管理的功耗為:

Wd=W1+W2(N-1)

(20)

不使用動態(tài)功耗管理的功耗為:

Wn=W1N

(21)

式(20)、式(21)給出了使用和不使用動態(tài)功耗管理能量,表明工作時間越長節(jié)能效果越明顯。

3 仿真實(shí)驗(yàn)及其結(jié)果

為了與已發(fā)表的算法和所提出的算法進(jìn)行公平的比較,所有算法均用MATLAB(7.10.0)加以仿真實(shí)現(xiàn)。假設(shè)監(jiān)測環(huán)境中傳感器節(jié)點(diǎn)隨機(jī)分布,單個節(jié)點(diǎn)的一個工作周期為30 min,并且節(jié)點(diǎn)之間可以相互通信構(gòu)成一個自組織網(wǎng)絡(luò)。如果使用了動態(tài)功耗管理,各個節(jié)點(diǎn)感知時間和通信時間均由系統(tǒng)環(huán)境預(yù)測決定;反之,各個節(jié)點(diǎn)感知時間和通信時間基本相同。

圖4給出了其中一個節(jié)點(diǎn)的空閑時間仿真結(jié)果,圖中縱坐標(biāo)表示空閑時間的長度,橫坐標(biāo)表示空閑時間序列。圖5給出的是節(jié)點(diǎn)在10 h內(nèi)所消耗的能量情況,圖中縱坐標(biāo)表示節(jié)點(diǎn)能量消耗,橫坐標(biāo)表示節(jié)點(diǎn)工作周期。

圖4 預(yù)測算法比較的曲線圖

從圖4可以看出,所有算法在空閑時間比較平穩(wěn)的狀態(tài)下預(yù)測結(jié)果優(yōu)于空閑時間波動較大的時候;在空閑時間波動比較大時預(yù)測結(jié)果均出現(xiàn)了比較大的誤差,但是,所提出的預(yù)測算法能夠很快的自適應(yīng)地糾正預(yù)測錯誤,后續(xù)預(yù)測結(jié)果能夠較快逼近實(shí)際值。

由圖5可知,采用了動態(tài)功耗管理的節(jié)點(diǎn)能量消耗明顯比沒有采用動態(tài)功耗管理的節(jié)點(diǎn)要少的多,且隨著工作時間的延長,節(jié)能效果越明顯。本文采用的動態(tài)功耗管理方法在環(huán)境比較平穩(wěn)時和灰色動態(tài)功耗管理方法消耗的能量[16]相差不大。但當(dāng)環(huán)境中出現(xiàn)突變事件時(如圖5,在監(jiān)測的第5個小時發(fā)生異常事件),使用本文預(yù)測算法的節(jié)點(diǎn)所消耗的能量明顯比使用灰色預(yù)測算法時所消耗的能量要少。

圖5 節(jié)點(diǎn)能耗比較

4 總結(jié)

為了解決傳統(tǒng)指數(shù)平均預(yù)測模型中負(fù)載適應(yīng)性比較差的問題,設(shè)計(jì)了自適應(yīng)權(quán)重系數(shù),提出了改進(jìn)的指數(shù)平均預(yù)測模型和動態(tài)功耗管理算法。仿真結(jié)果表明,所提出的算法在穩(wěn)定狀態(tài)下比傳統(tǒng)算法預(yù)測值逼近實(shí)際值,對于非穩(wěn)定狀態(tài)下算法能夠很好地自適應(yīng)調(diào)節(jié),在一定程度上提高了預(yù)測的準(zhǔn)確度,降低了無線傳感器網(wǎng)絡(luò)系統(tǒng)能耗,延長了無線傳感器網(wǎng)絡(luò)的壽命。

[1] Dargie W. Dynamic Power Management in Wireless Sensor Networks:State of the art[J]. IEEE Sensors Journal,2012,12(5):1518-1528.

[2]Jiang Q,Xi H S,Yin B Q. Adaptive Optimization of Timeout Policy for Dynamic Power Management Based on Semi-Markov Control Processes[J]. IET Control Theory and Applications,2010,4(10):1945-1958.

[3]Sesic A,Dautovic S,Malbasa V. Dynamic Power Management of a System with a Two-Priority Request Queue Using Probabilistic-Model Checking[J]. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems,2008,27(2):403-407.

[4]Paul A,Chen B W,Jeong J,et al. Dynamic Power Management for Embedded Ubiquitous Systems[C]//2013 IEEE International Conference on Orange Technologies,2013:67-71.

[5]鐘偉軍,劉明業(yè),彭剛. 嵌入式系統(tǒng)動態(tài)電源管理預(yù)測算法研究[J]. 微電子學(xué)與計(jì)算機(jī),2006,22(11):56-58.

[6]Sinha A,Chandrakasan A. Dynamic Power Management in Wireless Sensor Networks[J]. IEEE Design and Test of Computers,2001,18(4):62-74.

[7]Chiasserini C F,Rao R R. Improving Energy Saving in Wireless Systems by Using Dynamic Power Management[J]. IEEE Transactions on Wireless Communications,2003,2(5):1090-1100.

[8]Ren Z,Krogh B H,Marculescu R. Hierarchical Adaptive Dynamic Power Management[J]. IEEE Transactions on Computers,2005,54(4):409-420.

[9]Zhang X,Cai Y,Zhang H. A Game-Theoretic Dynamic Power Management Policy on Wireless Sensor Network[C]//2006 IEEE International Conference on Communication Technology,2006:1-4.

[10]Rajasekaran P,Prabakaran R,Thanigaiselvan R. Implementation of EN-Elman Backprop for Dynamic Power Management[C]//2011 IEEE International Conference on Devices and Communications,2011:1-5.

[11]Hwang C H,Wu A C H. A Predictive System Shutdown Method for Energy Saving of Event-Driven Computation[J]. ACM Transactions on Design Automation of Electronic Systems,2000,5(2):226-241.

[12]Chen J,Gao D,Zheng Q. A Research on an Optimized Adaptive Dynamic Power Management[C]//2009 IEEE International Conference on Computer Science and Information Technology,2009:52-55.

[13]朱翠濤,王艷歡. 基于滑動窗口的指數(shù)平均動態(tài)電源管理預(yù)測算法[J]. 中南民族大學(xué)學(xué)報(自然科學(xué)版),2009,28(4):102-105.

[14]李順,曾超,李軍. 一種自適應(yīng)的動態(tài)功耗管理預(yù)測策略[J]. 信息與電子工程,2010,8(4):485-488.

[15]鐘偉軍,劉明業(yè). 基于灰色模型的動態(tài)功率管理空閑預(yù)測算法[J]. 北京理工大學(xué)學(xué)報,2006,25(11):963-966.

[16]Feng Y,Wang X. Dynamic Power Management of WSN Based on Data Stream Grey Forecasting[C]//2011 IEEE International Conference on Computer Science and Service System,2011:3209-3212.

[17]魏海龍,李迅波,沈艷,等. 基于灰色模型的無線傳感器網(wǎng)絡(luò)動態(tài)功耗管理研究[J]. 傳感技術(shù)學(xué)報,2011,24(1):140-144.

[18]李國徽,江德平. 基于流預(yù)測的無線傳感器網(wǎng)絡(luò)動態(tài)功率管理[J]. 華中科技大學(xué)學(xué)報:自然科學(xué)版,2007,35(7):27-30.

[19]李強(qiáng),劉琳嵐,陳宇斌,等. 一種基于混合自動機(jī)模型的節(jié)點(diǎn)動態(tài)功耗管理機(jī)制研究[J]. 傳感技術(shù)學(xué)報,2013,26(5):745-750.

[20]Mahajan S,Malhotra J,Sharma S. Improved Enhanced Chain Based Energy Efficient Wireless Sensor Network[J]. Wireless Sensor Network,2013,5(4):85-89.

沈玲(1989-)女,江西上饒人,碩士研究生,寧波大學(xué)信息科學(xué)與工程學(xué)院,主要研究方向?yàn)闊o線傳感器網(wǎng)絡(luò),jxsl89@126.com;

夏銀水(1963-),男,浙江余姚人,教授/博士生導(dǎo)師,寧波大學(xué)信息科學(xué)與工程學(xué)院,主要研究方向?yàn)榈凸募呻娐吩O(shè)計(jì),電子設(shè)計(jì)自動化,xiayinshui@nbu.edu.cn。

DynamicPowerManagementBasedonExponentialAverageModelforWSN*

SHENLing,XIAYinshui*,YEYidie

(College of Information Science and Engineering,Ningbo University,Ningbo Zhejiang 315211,China)

The key factor hindering the development of Wireless sensor network(WSN)is the energy. In order to reduce the power consumption and extend the node life time of WSN,an effective method of dynamic power management strategy based on exponential average model is proposed in this paper. The strategy uses historical idle time to make predictions about the future idle time,and the prediction result will be the basis to decide whether the node is converted into a low power state or not. Facing the burst situations,theoretical analysis and experimental results show that the proposed algorithm can adjust quickly adaptive to improve the accuracy of forecasts and reduce the power consumption of the system.

wireless sensor networks;dynamic power management;exponential average model;prediction

項(xiàng)目來源:國家自然科學(xué)基金重點(diǎn)項(xiàng)目(61131001);寧波市創(chuàng)新團(tuán)隊(duì)(C01280114302);寧波市自然科學(xué)基金(A610119);浙江省新苗人才計(jì)劃(2013R405074)

2014-07-18修改日期:2014-10-10

10.3969/j.issn.1004-1699.2014.11.020

TP212.5

:A

:1004-1699(2014)11-1551-06