基于貝葉斯網(wǎng)絡(luò)的WSNs鏈路質(zhì)量評(píng)估機(jī)制研究*

劉　松， 舒　堅(jiān)， 劉琳嵐， 谷小樂

(南昌航空大學(xué) 物聯(lián)網(wǎng)技術(shù)研究所，江西 南昌 330063)

基于貝葉斯網(wǎng)絡(luò)的WSNs鏈路質(zhì)量評(píng)估機(jī)制研究*

劉松， 舒堅(jiān)， 劉琳嵐， 谷小樂

(南昌航空大學(xué) 物聯(lián)網(wǎng)技術(shù)研究所，江西 南昌 330063)

摘要:在無線傳感器網(wǎng)絡(luò)(WSNs)應(yīng)用中，鏈路質(zhì)量的有效評(píng)估是保障數(shù)據(jù)可靠傳輸和上層網(wǎng)絡(luò)協(xié)議性能的基礎(chǔ)性問題。針對(duì)現(xiàn)有無線鏈路質(zhì)量評(píng)估研究中，鏈路質(zhì)量等級(jí)劃分仍無統(tǒng)一標(biāo)準(zhǔn)和模型缺乏環(huán)境自適應(yīng)性問題，提出了一種基于貝葉斯網(wǎng)絡(luò)的鏈路質(zhì)量評(píng)估機(jī)制。從鏈路質(zhì)量多屬性角度出發(fā)，采用貼近度分析法對(duì)鏈路質(zhì)量等級(jí)進(jìn)行劃分，利用貝葉斯網(wǎng)絡(luò)對(duì)鏈路質(zhì)量進(jìn)行不確定性推理與評(píng)估建模。通過多應(yīng)用場(chǎng)景的訓(xùn)練與測(cè)試，最后實(shí)際測(cè)試表明:基于貝葉斯網(wǎng)絡(luò)的評(píng)估模型在不同應(yīng)用環(huán)境具有較高準(zhǔn)確率和泛化能力，體現(xiàn)了良好的自適應(yīng)性。

關(guān)鍵詞：無線傳感器網(wǎng)絡(luò)； 貼近度分析法； 貝葉斯網(wǎng)絡(luò)； 鏈路質(zhì)量評(píng)估

0引言

在無線傳感器網(wǎng)絡(luò)(wireless sensor networks,WSNs)應(yīng)用[1～3]中，傳感器節(jié)點(diǎn)所處環(huán)境一般較為惡劣，這使能量有限和采用低功率射頻信號(hào)通信的節(jié)點(diǎn)易受到環(huán)境噪聲和多徑效應(yīng)的影響，造成數(shù)據(jù)丟失，鏈路質(zhì)量呈現(xiàn)出方向性、對(duì)稱性、波動(dòng)性及可能出現(xiàn)“灰區(qū)”等時(shí)空特性[4]。在通信過程中，若數(shù)據(jù)包在低質(zhì)量的鏈路上進(jìn)行傳輸，雖有重傳機(jī)制保證數(shù)據(jù)包的完整性，但這必將導(dǎo)致傳送效率的下降和能耗的增加。因此，通過鏈路質(zhì)量評(píng)估機(jī)制，選擇具有高質(zhì)量的鏈路進(jìn)行通信不僅可以保障數(shù)據(jù)的可靠傳輸，提高整網(wǎng)的數(shù)據(jù)吞吐率，還將降低節(jié)點(diǎn)的能耗，延遲網(wǎng)絡(luò)壽命。同時(shí)，精確、穩(wěn)定、靈敏的鏈路質(zhì)量評(píng)估也是保證上層協(xié)議性能的基礎(chǔ)，尤其對(duì)路由協(xié)議的設(shè)計(jì)者而言至關(guān)重要。

近年來，國(guó)內(nèi)外在WSNs無線鏈路質(zhì)量評(píng)估中做了大量的研究。文獻(xiàn)[5]通過動(dòng)態(tài)獲取鏈路的信息，采用滑動(dòng)窗口指數(shù)加權(quán)移動(dòng)平均(WMEWMA) 機(jī)制計(jì)算30 m內(nèi)的包接收率并對(duì)其進(jìn)行平滑處理?；诮y(tǒng)計(jì)的評(píng)估方法能夠較為全面地反映鏈路狀況，但會(huì)造成延時(shí)且開銷較大；文獻(xiàn)[6]中，F(xiàn)arkas K針對(duì)鏈路質(zhì)量與網(wǎng)絡(luò)模型問題進(jìn)行分析，提出了一種基于信噪比(SNR)的模式匹配的XCoPred預(yù)測(cè)機(jī)制，但文獻(xiàn)中只考慮了SNR值，對(duì)鏈路質(zhì)量的描述不夠全面。文獻(xiàn)[7]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的鏈路質(zhì)量預(yù)測(cè)機(jī)制，利用BP神經(jīng)網(wǎng)絡(luò)在基于時(shí)間序列預(yù)測(cè)上的優(yōu)點(diǎn)與指數(shù)加權(quán)移動(dòng)平均(exponentially weighted moving

average,EWMA)方法相比具有較高預(yù)測(cè)精度，但存在實(shí)際應(yīng)用中計(jì)算量大，無法廣泛應(yīng)用于能量受限WSNs中。文獻(xiàn)[8]提出了一種基于綜合性評(píng)估的鏈路質(zhì)量分類預(yù)測(cè)機(jī)制，定義了綜合性評(píng)估指標(biāo)FLI，但模型中鏈路等級(jí)劃分較少，只分為好與壞兩級(jí)，未考慮到鏈路質(zhì)量特性中“灰區(qū)”的存在，易導(dǎo)致鏈路質(zhì)量等級(jí)劃分失效。文獻(xiàn)[9]指出基于貝葉斯估計(jì)的鏈路選擇(BLSP-HE)算法能有效避免傳統(tǒng)的鏈路選擇的方法中發(fā)送大量探測(cè)數(shù)據(jù)包的不足，并比傳統(tǒng)方法高出10 %～20 %,其中BLSP-HE算法最穩(wěn)健,性能較好。貼近度分析法[10]是一種具有模糊識(shí)別功能的評(píng)價(jià)方法，對(duì)等級(jí)劃分具有一定適用性，廣泛應(yīng)用于土壤重金屬污染水平和水環(huán)境質(zhì)量的評(píng)價(jià)。

本文綜合無線鏈路的信號(hào)強(qiáng)度、鏈路指示、信號(hào)質(zhì)量等屬性，采用貼近度分析法對(duì)鏈路質(zhì)量等級(jí)進(jìn)行劃分，基于貝葉斯網(wǎng)絡(luò)建立鏈路質(zhì)量評(píng)估模型。

1鏈路質(zhì)量等級(jí)劃分

1.1評(píng)估參數(shù)的選取與離散化

為了綜合評(píng)價(jià)無線鏈路質(zhì)量和避免發(fā)送大量探測(cè)包帶來的能量消耗，本文選用易于測(cè)試的物理層參數(shù)：接收信號(hào)強(qiáng)度指示(RSSI)、鏈路質(zhì)量指示(link quality indication,LQI)、SNR。為提高評(píng)估精度，在鏈路質(zhì)量等級(jí)劃分和構(gòu)建貝葉斯網(wǎng)絡(luò)模型前需對(duì)實(shí)驗(yàn)樣本進(jìn)行離散化預(yù)處理。

通過大量的實(shí)際采樣，可以得出RSSI的變化范圍為RSSI∈[-100,-20]dBm，LQI的變化范圍為L(zhǎng)QI∈[50,110]，SNR的變化范圍為SNR∈[0,50]dBm。將各個(gè)特征變量進(jìn)行離散化并劃分為5個(gè)等級(jí)，如表1。

表1　特征變量的離散化與等級(jí)劃分

1.2基于貼近度分析法的鏈路質(zhì)量等級(jí)劃分

現(xiàn)有鏈路質(zhì)量等級(jí)劃分方法中大多采用單一指標(biāo)和定性的劃分，這無疑具有一定片面性和主觀性。本文應(yīng)用貼近度分析法在解決多屬性決策問題上的優(yōu)勢(shì)，綜合地對(duì)鏈路質(zhì)量樣本等級(jí)進(jìn)行劃分?；谫N近度分析法的鏈路質(zhì)量等級(jí)劃分算法描述如下：

1)將鏈路質(zhì)量參數(shù)離散化后，用矩陣R表示鏈路質(zhì)量測(cè)試樣本。

3)樣本可以表示為Ci=W·Ri，理想目標(biāo)等級(jí)向量可表示為Dj=(0,…,1,…0)，(其中,1是第j個(gè)分量)。貼近度等級(jí)劃分原則：對(duì)任何樣本Ci,計(jì)算它與所有理想目標(biāo)等級(jí)向量之間的貼近度N(Ci,Dj)(j=1,…,n)，若N(Ci,Dl)=max{N(Ci,Dj)}，則Ci∈Dl，(l=1,…,n)，即樣本的屬于等級(jí)Dl。貼近度計(jì)算方法為

P≥1

(1)

2鏈路質(zhì)量評(píng)估的貝葉斯網(wǎng)絡(luò)模型

貝葉斯網(wǎng)絡(luò)[11]是采用有向圖來描述概率關(guān)系的理論，由貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和模型參數(shù)(條件概率表)組成。貝葉斯網(wǎng)絡(luò)模型的建立分為結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)兩部分。

2.1貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)

貝葉斯網(wǎng)絡(luò)，即以非循環(huán)有向圖表示模型結(jié)構(gòu)屬性，節(jié)點(diǎn)對(duì)應(yīng)于模型中的變量，有向邊代表變量的條件依賴關(guān)系。結(jié)構(gòu)學(xué)習(xí)，即結(jié)合已有鏈路質(zhì)量評(píng)估先驗(yàn)知識(shí)和選擇的鏈路質(zhì)量評(píng)估參數(shù)確立擬合樣本數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。

根據(jù)貝葉斯定理

(2)

式中Ci為基于綜合性評(píng)估指標(biāo)劃分的鏈路質(zhì)量類型，即鏈路質(zhì)量評(píng)價(jià)等級(jí)，Xi為鏈路質(zhì)量屬性值。因此，用于鏈路質(zhì)量評(píng)估的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)模型如圖1所示。

圖1　貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)模型Fig 1　Bayesian network structure model

2.2貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)

貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)的主要方法有最大似然(maximum likelihood，ML)估計(jì)、貝葉斯估計(jì)(Bayesian estimation，BE)等。BE方法采用順序計(jì)算方法，繼承之前所有工作，克服了ML方法中未利用先驗(yàn)知識(shí)和收斂速度較慢的缺點(diǎn)，因此,本文選用了BE參數(shù)學(xué)習(xí)法。

給定一個(gè)含有未知參數(shù)的分布和一個(gè)完整的觀測(cè)數(shù)據(jù)集合X，θ是一個(gè)隨機(jī)變量，具有一個(gè)先驗(yàn)分布P(θ)，可以根據(jù)以往的知識(shí)估計(jì)，或者認(rèn)為P(θ)是一個(gè)均勻分布。參數(shù)θ的信息發(fā)生變化，表示為P(θ|X)，稱為參數(shù)θ的后驗(yàn)概率。BE參數(shù)學(xué)習(xí)的任務(wù)就是計(jì)算這個(gè)后驗(yàn)概率(式(3))，并作為參數(shù)估計(jì)的依據(jù)

(3)

依據(jù)貝葉斯概率理論，可以計(jì)算某種條件下的聯(lián)合概率為

(4)

Class=max{P(Ci,X)}

(5)

最后，聯(lián)合概率的最大值所對(duì)應(yīng)的等級(jí)Ci，即為當(dāng)前鏈路質(zhì)量等級(jí)。

3實(shí)驗(yàn)與分析

3.1實(shí)驗(yàn)平臺(tái)與場(chǎng)景描述

實(shí)驗(yàn)選用兩個(gè)TelosB節(jié)點(diǎn)，其中一個(gè)節(jié)點(diǎn)作為發(fā)送端TX，另一節(jié)點(diǎn)作為接收端RX，接收端與PC端應(yīng)用程序通過串口通信。通過WSNs鏈路質(zhì)量測(cè)試平臺(tái)(WSNs link quality testbed，WSNs-LQT)，對(duì)不同應(yīng)用場(chǎng)景的鏈路質(zhì)量參數(shù)進(jìn)行測(cè)試。WSNs-LQT平臺(tái)由南昌航空大學(xué)物聯(lián)網(wǎng)技術(shù)研究所設(shè)計(jì)。最后，在Matlab 2012平臺(tái)上使用貝葉斯網(wǎng)絡(luò)工具箱FullBNT—1.0.4建立基于貝葉斯網(wǎng)絡(luò)的WSNs鏈路質(zhì)量評(píng)估模型。

鑒于WSNs現(xiàn)有的工業(yè)應(yīng)用場(chǎng)景，本文設(shè)定的實(shí)驗(yàn)場(chǎng)景為：小樹林、室內(nèi)走廊、公路旁，分別模擬環(huán)境監(jiān)測(cè)、智能家居、智能交通等應(yīng)用環(huán)境?；緟?shù)設(shè)置如下：發(fā)送功率為0 dBm;信道為26；探測(cè)包數(shù)量為50個(gè)；發(fā)包速率為0個(gè)/s；測(cè)試周期為10 s。

如圖2(a)，小樹林環(huán)境下，節(jié)點(diǎn)通信處于非視距狀態(tài)下，受多徑效應(yīng)影響較大。脈沖重復(fù)變化率(PRR)呈現(xiàn)出一定的波動(dòng)性，但仍處于較好狀態(tài)。如圖2(b)所示,室內(nèi)環(huán)境中，節(jié)點(diǎn)間鏈路處于高質(zhì)量狀態(tài)下進(jìn)行通信，PRR趨近于100 %且比較平穩(wěn)，圖2(c)為車流量較大的公路旁的鏈路狀態(tài)，由于通信環(huán)境變化劇烈背景噪聲繁多，鏈路的PRR值在20 %～80 %范圍內(nèi)波動(dòng)較大，鏈路質(zhì)量十分不穩(wěn)定。

(a)小樹林(40 m)

(b) 室內(nèi)走廊(40 m)

(c) 公路旁(60 m)圖2　多場(chǎng)景下脈沖重復(fù)率變化情況Fig 2　Change of PRR in multiple scenarios

3.2參數(shù)學(xué)習(xí)

在確定貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)后，分別將上述三種場(chǎng)景下的鏈路質(zhì)量測(cè)試樣本采用BE[11]算法進(jìn)行參數(shù)學(xué)習(xí)。

通過參數(shù)學(xué)習(xí)后得到的貝葉斯網(wǎng)節(jié)點(diǎn)先驗(yàn)概率，從圖3(a)可以看出，小樹林等環(huán)境監(jiān)測(cè)應(yīng)用場(chǎng)景下鏈路質(zhì)量等級(jí)分布較為均衡，鏈路質(zhì)量等級(jí)為好的概率為38 %。圖3(b)室內(nèi)環(huán)境下鏈路為好的概率為96 %，同時(shí)從其他參數(shù)的等級(jí)分布可以看出室內(nèi)環(huán)境下鏈路質(zhì)量較好且穩(wěn)定。圖3(c)所示，公路旁鏈路質(zhì)量等級(jí)普遍分布在II～V 之間跨度較大且其他參數(shù)等級(jí)較低，說明公路旁鏈路質(zhì)量穩(wěn)定性較差。因此，經(jīng)過參數(shù)學(xué)習(xí)得到的先驗(yàn)概率能基本符合各應(yīng)用場(chǎng)景下鏈路質(zhì)量情況。

圖3　多場(chǎng)景下的貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)先驗(yàn)概率Fig 3　Prior probability of Bayesian network node in multiple scenarios

對(duì)多場(chǎng)景下的訓(xùn)練樣本進(jìn)行參數(shù)學(xué)習(xí)后，最終得到各特征量節(jié)點(diǎn)的先驗(yàn)概率及用于貝葉斯網(wǎng)絡(luò)概率推理的條件概率表。

3.3驗(yàn)證對(duì)比

通過以上步驟建立了基于貝葉斯網(wǎng)絡(luò)的鏈路質(zhì)量評(píng)估(BN—LQE)模型，為驗(yàn)證模型的準(zhǔn)確性和泛化能力，分別取不同應(yīng)用場(chǎng)景下未參加訓(xùn)練的測(cè)試樣本進(jìn)行實(shí)驗(yàn)。與BP神經(jīng)網(wǎng)絡(luò)鏈路質(zhì)量評(píng)估模型[7]進(jìn)行對(duì)比，如圖4所示。

(a)　小樹林

(b)　室內(nèi)走廊

(c)　公路旁圖4　多場(chǎng)景下評(píng)估模型對(duì)比Fig 4　Contrast of estimation model in multiple scenarios

從實(shí)驗(yàn)對(duì)比結(jié)果表2可以看出:BN-LQE模型，在多應(yīng)用環(huán)境下的評(píng)估性能普遍優(yōu)于BP神經(jīng)網(wǎng)絡(luò)評(píng)估方法，在小樹林和室內(nèi)等穩(wěn)定環(huán)境下的評(píng)估性能更為突出，基本貼近鏈路質(zhì)量等級(jí)真實(shí)值，在如公路等環(huán)境變化較為劇烈的情況下，評(píng)估精度有少許下滑?？傊?，BN-LQE模型評(píng)估準(zhǔn)確率較高，并具有一定的環(huán)境自適應(yīng)性。

表2　評(píng)估模型準(zhǔn)確率對(duì)比表

4結(jié)論

本文從鏈路質(zhì)量多屬性角度出發(fā)，基于貼近度分析法對(duì)鏈路質(zhì)量等級(jí)進(jìn)行劃分，利用貝葉斯網(wǎng)絡(luò)對(duì)鏈路質(zhì)量進(jìn)行不確定性推理與評(píng)估建模。設(shè)計(jì)出BN-LQE機(jī)制。通過多應(yīng)用場(chǎng)景的訓(xùn)練與測(cè)試，實(shí)際測(cè)試表明：BN-LQE模型在不同應(yīng)用環(huán)境具有較高準(zhǔn)確率和泛化能力，體現(xiàn)了良好的自適應(yīng)性。

參考文獻(xiàn):

[1]于海斌，梁煒，曾鵬.智能無線傳感器網(wǎng)絡(luò)系統(tǒng)[M].北京：科學(xué)出版社,2013.

[2]徐顯榮，高清維，李中一.一種用于農(nóng)業(yè)環(huán)境監(jiān)測(cè)的無線傳感器網(wǎng)絡(luò)設(shè)計(jì)[J].傳感器與微系統(tǒng)，2009，28(7):98-100.

[3]沙超，王汝傳，張悅.一種基于無線傳感器網(wǎng)絡(luò)的智能交通系統(tǒng)[J].傳感器與微系統(tǒng)，2012，31(10):81-83.

[4]BaccourN.Radiolinkqualityestimationinwirelesssensornetworks:Asurvey[J].ACMTransactionsonSensorNetworks(TOSN),2012,8(4):688.

[5]高澤鵬，程良倫，胡莘.一種基于SPRR的鏈路質(zhì)量預(yù)測(cè)算法[J].傳感技術(shù)學(xué)報(bào),2011(7):1070-1074.

[6]FarkasK,HossmannT,LegendreF,etal.Linkqualitypredictioninmeshnetworks[J].ComputerCommunications，2008,31(8):1497-1512.

[7]樊佑磊.無線傳感網(wǎng)絡(luò)鏈路質(zhì)量預(yù)測(cè)機(jī)制研究[D].南昌：南昌航空大學(xué)，2012.

[8]郭志強(qiáng)，王沁，萬亞東，等.基于綜合性評(píng)估的無線鏈路質(zhì)量分類預(yù)測(cè)機(jī)制[J].計(jì)算機(jī)研究與發(fā)展,2013(6):1227-1238.

[9]羅來俊，黃文宜，余秋明.基于Bayes與多層Bayes估計(jì)的WSNs鏈路選擇算法[J].計(jì)算機(jī)工程與應(yīng)用,2012(17):114-118.

[10] 趙志淼，孫麗娜，陳蘇，等.貼近度分析法在遼河干流鐵嶺段河岸帶健康評(píng)價(jià)中的應(yīng)用[J].生態(tài)學(xué)雜志,2014(3):735-740.

[11] 肖秦琨，高嵩.貝葉斯網(wǎng)絡(luò)在智能信息處理中的應(yīng)用[M].北京：國(guó)防工業(yè)出版社,2012.

Research on link quality estimation mechanism for WSNs based on Bayesian networks*

LIU Song, SHU Jian, LIU Lin-lan, GU Xiao-le

(Institute of Internet of Things Technology，Nanchang Hangkong Unversity,Nanchang 330063,China)

Abstract:In application of wireless sensor networks(WSNs),effective estimation for link quality is a basic issue in guarantying data reliable transmission and upper layer network protocol performance.Aiming at problem that in existing wireless link quality estimation study,link quality hierarchy division has no uniform standard and models are lack of environmental adaptability,a link quality evaluation mechanism based on Bayesian networks is proposed.As link quality has multiple attributes,close degree analysis method is used for link quality grade division,and use Bayesian networks for link quality uncertainty reasoning and estimation modeling.Through training and testing in multi-application scenarios,practical testing results demonstrate that the link quality estimation model based on Bayesian network has high accuracy and generalization ability in different application environments,reflect good adaptability.

Key words:wireless sensor networks(WSNs); close degree analysis method; Bayesian networks; link quality estimation

DOI:10.13873/J.1000—9787(2016)04—0052—04

收稿日期：2015—07—09

*基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61262020,61363015)

中圖分類號(hào)：TP 393

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000—9787(2016)04—0052—04

作者簡(jiǎn)介:

劉松(1990-)，男，江西泰和人，碩士研究生，主要研究方向?yàn)闊o線傳感器網(wǎng)絡(luò)、軟件工程。