一種改進(jìn)區(qū)域生長法的WSN數(shù)據(jù)采集算法研究

應(yīng)可珍,周賢年,毛科技,陳慶章

1(浙江工業(yè)大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院,杭州 310014) 2(浙江財經(jīng)大學(xué) 東方學(xué)院,浙江 海寧 314408)

1 引 言

無線傳感器網(wǎng)絡(luò)的主要功能是數(shù)據(jù)采集,在大規(guī)模的多跳自組織傳感器網(wǎng)絡(luò)中,大量的數(shù)據(jù)被采集和轉(zhuǎn)發(fā),導(dǎo)致傳感器節(jié)點消耗大量能量而使得傳感器網(wǎng)絡(luò)過早死亡.目前的研究主要通過在WSN中進(jìn)行數(shù)據(jù)融合從而降低數(shù)據(jù)冗余量,減少WSN能量消耗.如參考文獻(xiàn)[1]提出了一種多稀疏基分簇壓縮感知的WSN數(shù)據(jù)融合方法,該方法首先基于多稀疏基對WSN網(wǎng)絡(luò)進(jìn)行分簇,然后選擇能力強(qiáng)的節(jié)點出任簇首,在簇首中進(jìn)行數(shù)據(jù)融合,最終將融合后的數(shù)據(jù)發(fā)送至Sink節(jié)點.文獻(xiàn)[2]提出了一種誤差可控的WSN數(shù)據(jù)融合算法,該方法在基于WSN分簇的條件下,傳感器節(jié)點根據(jù)歷史數(shù)據(jù)動態(tài)調(diào)整傳輸閾值,實現(xiàn)有效控制數(shù)據(jù)融合的誤差并減少了網(wǎng)絡(luò)中大量的冗余數(shù)據(jù).文獻(xiàn)[3]提出了一種基于異常數(shù)據(jù)驅(qū)動的WSN簇內(nèi)數(shù)據(jù)融合方法,該方法首先對節(jié)點進(jìn)行分簇,簇首節(jié)點判斷是否出現(xiàn)異常數(shù)據(jù),當(dāng)出現(xiàn)異常數(shù)據(jù)時,將該數(shù)據(jù)傳輸至Sink節(jié)點.文獻(xiàn)[4]提出一種數(shù)據(jù)融合方法,該方法通過貝葉斯估計與聚類方法將誤差數(shù)據(jù)進(jìn)行排除提高融合后數(shù)據(jù)的準(zhǔn)確性,融合后網(wǎng)絡(luò)中減少了大量的冗余數(shù)據(jù).文獻(xiàn)[5-9]都研究了利用數(shù)據(jù)融合方法減少傳感器網(wǎng)絡(luò)中的數(shù)據(jù)量從而節(jié)約網(wǎng)絡(luò)的能耗.

目前在降低傳感器網(wǎng)絡(luò)冗余數(shù)據(jù)量方面的研究,大部分的做法是將傳感器網(wǎng)絡(luò)進(jìn)行分簇,然后簇首節(jié)點進(jìn)行簇內(nèi)數(shù)據(jù)融合,最終將融合后的數(shù)據(jù)發(fā)送至Sink節(jié)點[10,11],但是這些研究需要傳感器網(wǎng)絡(luò)中所有的節(jié)點都需要進(jìn)行數(shù)據(jù)采集且每次采集數(shù)據(jù)后簇首節(jié)點都需要進(jìn)行數(shù)據(jù)融合,導(dǎo)致簇首節(jié)點能量和傳感器網(wǎng)絡(luò)的平均能量消耗過快.經(jīng)過分析傳感器網(wǎng)絡(luò)采集的數(shù)據(jù)在小范圍內(nèi)冗余情況比較嚴(yán)重,即小范圍內(nèi)的采集數(shù)據(jù)是相關(guān)聯(lián)的,如果能夠?qū)⒈O(jiān)測區(qū)域劃分為若干個小范圍區(qū)域,而每個區(qū)域內(nèi)采集的數(shù)據(jù)都比較接近,則可在每個區(qū)域中選擇一個代表節(jié)點進(jìn)行數(shù)據(jù)采集,關(guān)閉小范圍區(qū)域內(nèi)其他傳感器節(jié)點,從而能夠大幅降低傳感器網(wǎng)絡(luò)冗余數(shù)據(jù)的采集.在圖像分割中,區(qū)域生長算法能夠較好的完成相近像素區(qū)域的劃分,因此本文對區(qū)域生長算法進(jìn)行改進(jìn),并提出一種改進(jìn)區(qū)域生長法的WSN數(shù)據(jù)采集算法,該算法首先在網(wǎng)絡(luò)中隨機(jī)的選取種子節(jié)點,然后利用區(qū)域生長法將傳感器網(wǎng)絡(luò)分割為若干子區(qū)域[12-15],每個子區(qū)域中傳感器節(jié)點采集的數(shù)據(jù)相似性極高,接著在子區(qū)域中選擇代表節(jié)點,最后將代表節(jié)點采集的數(shù)據(jù)發(fā)送至Sink節(jié)點,完成數(shù)據(jù)采集.

2 傳感器網(wǎng)絡(luò)假設(shè)與定義

2.1 相關(guān)假設(shè)

1)傳感器網(wǎng)絡(luò)中節(jié)點的位置已經(jīng)通過GPS、WSN定位等方法獲取,且在小范圍內(nèi),傳感器節(jié)點采集的數(shù)值大小接近.如無線傳感器網(wǎng)絡(luò)采集樹林中的溫度,在小范圍內(nèi)溫度值都是非常接近的.

2)傳感器網(wǎng)絡(luò)中所有節(jié)點同構(gòu),每個節(jié)點的初始能量相同且都為E0.

3)本文提出的數(shù)據(jù)采集算法需要變更路由,但這不是本文研究的重點,假設(shè)無線傳感器網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)變化時,能夠自行重新組織路由.

4)本文將N個傳感器節(jié)點均勻部署在一個長為L,寬為H的矩形區(qū)域中.

2.2 相關(guān)定義

1)傳感器節(jié)點的感知半徑為r,如圖1所示,傳感器節(jié)點i采集的數(shù)據(jù)能夠代表感知范圍內(nèi)任一數(shù)據(jù)采樣點的數(shù)據(jù)信息,因此本文對傳感器節(jié)點i的相鄰傳感器節(jié)點的定義N(i,j)如公式(1)所示.

圖1 感知范圍圖Fig.1 Range of sensing

(1)

公式(1)中N(i,j)為1則表示節(jié)點i與節(jié)點j相鄰,為0則表明節(jié)點i與節(jié)點j不相鄰,ed(i,j)為歐式距離.

2)冗余數(shù)據(jù):假設(shè)傳感器節(jié)點i與傳感器節(jié)點j之間的距離小于節(jié)點感知半徑r,且節(jié)點i與節(jié)點j采集的相對誤差小于10%,則認(rèn)為傳感器節(jié)點i和節(jié)點j采集的數(shù)據(jù)為冗余數(shù)據(jù).

3 區(qū)域生長法劃分相似區(qū)域

根據(jù)假設(shè)1,小范圍內(nèi)傳感器網(wǎng)絡(luò)采集的數(shù)據(jù)趨向一致性,因此本文通過區(qū)域生長算法將數(shù)據(jù)接近的區(qū)域進(jìn)行劃分,然后在該區(qū)域內(nèi)選擇一個代表節(jié)點,該代表節(jié)點采集的數(shù)據(jù)與該子區(qū)域的數(shù)值和數(shù)據(jù)變化趨勢最接近,然后將代表節(jié)點的數(shù)據(jù)傳輸至Sink節(jié)點,利用代表節(jié)點采集的數(shù)據(jù)代表子區(qū)域的數(shù)據(jù).本章3.1小節(jié)介紹了區(qū)域生長法種子點的選取,3.2小節(jié)研究了根據(jù)種子節(jié)點進(jìn)行相似區(qū)域的生長過程.

3.1 種子節(jié)點選擇

種子節(jié)點的選取主要考慮分布均勻原則,種子節(jié)點在傳感器網(wǎng)絡(luò)部署區(qū)域中分布均勻,才能全面的采集部署區(qū)域的信息.本文采用隨機(jī)數(shù)方法選取種子節(jié)點,傳感器網(wǎng)絡(luò)中每個傳感器節(jié)點k都能生成一個(0,1)之間均勻分布的隨機(jī)數(shù)rand(k),當(dāng)rand(k)大于閾值T時,則該節(jié)點稱為種子節(jié)點,閾值T如公式(2)所示.

T=1-P

(2)

公式(2)中P為傳感器網(wǎng)絡(luò)中需要選取種子節(jié)點的百分比.

由于本文的隨機(jī)數(shù)滿足均勻分布,因此選擇的種子節(jié)點能夠均勻分布在部署區(qū)域中,保證了監(jiān)測區(qū)域的完整性.在后期重新選擇節(jié)種子節(jié)點時,由于每個節(jié)點生成均勻隨機(jī)數(shù),因此所有節(jié)點等概率的成為種子節(jié)點,避免了某些節(jié)點重復(fù)成為種子節(jié)點的可能性.

3.2 區(qū)域生長

區(qū)域生長算法能夠較好的進(jìn)行相似屬性區(qū)域的劃分,如圖像研究中可以利用區(qū)域生長法分割像素相似的區(qū)域,將像素值接近的部分劃分到同一塊區(qū)域中,而像素值差距較大的部分劃分為不同區(qū)域,且區(qū)域生長法劃分的區(qū)域在物理位置上是連續(xù)的,因此將區(qū)域生長法進(jìn)行相應(yīng)的改進(jìn)后能夠適用于WSN相似區(qū)域的劃分.

傳統(tǒng)的區(qū)域生長法一般用于圖像分割,如圖2所示,圖2(a)為像素點編號,圖2(b)為像素點對應(yīng)的像素值,首先從種子點1開始生長,判斷種子點4鄰域(2、3、4、5號像素點)的像素點與種子點像素值之差的絕對值是否小于一定閾值(這里閾值為1),如果小于閾值,則往該像素點方向生長,最終結(jié)果如圖2(c)所示,區(qū)域第一步向4號像素點生長,接著以4號節(jié)點為種子節(jié)點,向6號像素點生長,直到達(dá)到區(qū)域生長結(jié)束條件,算法停止迭代,完成區(qū)域生長.區(qū)域生長后,同一片區(qū)域的像素值大小非常接近.

圖2 區(qū)域生長原理圖Fig.2 Principle of region growing method

上述介紹了區(qū)域生長法在圖像分割中的應(yīng)用,發(fā)現(xiàn)區(qū)域生長經(jīng)過改進(jìn)后同樣可以應(yīng)用于WSN相似區(qū)域生長問題.在WSN網(wǎng)絡(luò)中并不采用圖像中的四鄰域或八鄰域等,而是采用相鄰傳感器節(jié)點作為區(qū)域生長法的鄰域,可通過公式(1)判斷傳感器節(jié)點是否相鄰.

在初始時刻,傳感器網(wǎng)絡(luò)已經(jīng)采集了一部分?jǐn)?shù)據(jù),假設(shè)節(jié)點j采集的數(shù)據(jù)為datai={d1,d2,d3,…,dm},j∈「1,N?,且節(jié)點j是種子節(jié)點i的相鄰傳感器節(jié)點,當(dāng)節(jié)點j滿足公式(3)時,區(qū)域向節(jié)點j方向生長.

|avg(dataj)-avg(datai)|≤Td

(3)

公式(3)中Td為閾值,可根據(jù)實際情況取值,avg為求集合元素平均值的函數(shù),datai是種子節(jié)點采集的歷史數(shù)據(jù).

通過3.1小節(jié)方法選擇的種子節(jié)點編號集合為S={s1,s2,s3,…,sk,…,ssum},具體的WSN相似區(qū)域生長算法如表1所示,最終傳感器網(wǎng)絡(luò)被分割為sum個子區(qū)域,如圖3所示,每個子區(qū)域中的傳感器節(jié)點采集的數(shù)據(jù)信息相似性較高.

圖3 區(qū)域生長圖Fig.3 Region growing

表1 WSN相似區(qū)域生長算法表Table 1 Similar region growing algorithm

4 代表節(jié)點

本章第2節(jié)研究了傳感器網(wǎng)絡(luò)節(jié)點相似區(qū)域劃分方法,本章主要研究在子區(qū)域中選擇一個代表節(jié)點,該代表節(jié)點采集的數(shù)據(jù)能夠代表整個子區(qū)域的數(shù)據(jù)信息,因此代表節(jié)點采集的數(shù)據(jù)應(yīng)該與整個子區(qū)域的傳感器節(jié)點采集的數(shù)據(jù)大小最接近且數(shù)據(jù)變化趨勢也最符合.

代表節(jié)點的歷史數(shù)據(jù)曲線a與子區(qū)域中所有傳感器節(jié)點歷史數(shù)據(jù)均值曲線b應(yīng)該滿足以下兩種情況之一:

1)曲線a與曲線b的變化趨勢始終一致,且數(shù)值大小最接近.

2)曲線a與曲線b初始時刻趨勢不一致,且數(shù)值大小也不一定接近,但是到后來兩條曲線逐漸逼近,且數(shù)值大小也越來越接近.

上述兩種情況如圖4所示,因為隨著環(huán)境信息的改變,傳感器節(jié)點采集的數(shù)據(jù)也會隨之改變,因此初始時刻曲線a與曲線b不吻合,但是隨著時間的推移,代表節(jié)點的歷史數(shù)據(jù)曲線a可能與曲線b吻合程度較好.

圖4 歷史數(shù)據(jù)曲線圖Fig.4 Historical data graph

針對上述兩種曲線相似情況,提出了一種適宜的曲線相似性描述方法,假設(shè)某個子區(qū)域的歷史數(shù)據(jù)均值曲線b可描述為點集合avg_data={Y1,Y2,Y3,…,Yt,…,Ym},m為歷史數(shù)據(jù)數(shù)量,子區(qū)域中一個傳感器節(jié)點的歷史數(shù)據(jù)曲線a可描述為點集合data={y1,y2,y3,…,yt,…,ym},則曲線a與b的相似度計算方法如公式(4)所示.

(4)

公式(4)中h為子區(qū)域中傳感器節(jié)點的數(shù)量,G是一個常數(shù),表示誤差范圍,S表示曲線相似度,S越接近1,表明兩條曲線的相似度越高,而且該相似度計算公式為較后面的歷史數(shù)據(jù)分配的權(quán)重值越大,因此能夠較好的適用于本文中曲線相似度的描述.

在子區(qū)域中選擇代表節(jié)點的具體步驟如下:

1)求子區(qū)域中所有傳感器節(jié)點(h個節(jié)點)每個時刻采集數(shù)據(jù)的平均值,即計算avg_data;

2)遍歷子區(qū)域中所有傳感器節(jié)點,并利用公式(4)計算每個傳感器節(jié)點的歷史數(shù)據(jù)曲線集合data與集合avg_data的相似度,選擇相似度最高的傳感器節(jié)點為代表節(jié)點.

5 算法迭代

通過第2章節(jié)和第3章節(jié)已經(jīng)完成了相似區(qū)域的劃分和代表節(jié)點的選擇,最后傳感器網(wǎng)絡(luò)只需要將代表節(jié)點采集的數(shù)據(jù)傳輸至Sink節(jié)點,然后Sink節(jié)點將數(shù)據(jù)傳輸至服務(wù)器端即可完成對整個區(qū)域的信息采集,該過程是一輪完整的數(shù)據(jù)采集過程.為了使代表節(jié)點采集的數(shù)據(jù)能夠更準(zhǔn)確的代表子區(qū)域的信息以及均衡傳感器節(jié)點能耗,本文的數(shù)據(jù)采集算法運行一定時間后會重新進(jìn)行下一輪數(shù)據(jù)采集過程,即相似區(qū)域劃分以及代表節(jié)點選擇.具體的算法迭代如表2所示.

6 仿真實驗

在一個長為2000m,寬為1500m的矩形區(qū)域中均勻部署了1000個傳感器節(jié)點,傳感器節(jié)點的采集半徑r=40m,假設(shè)傳感器網(wǎng)絡(luò)采集矩形區(qū)域中的溫度數(shù)據(jù),由于實際環(huán)境中溫度分布是連續(xù)的,即在小范圍內(nèi)溫度值變化微小,比較適宜做本文數(shù)據(jù)采集方法的研究對象,因此仿真實驗利用matlab的插值函數(shù)為每個節(jié)點仿真采集的溫度數(shù)據(jù),保證溫度分布連續(xù).在插值前,隨機(jī)的指定傳感器節(jié)點為插值樣本點,且該樣本點的溫度數(shù)據(jù)通過隨機(jī)方法獲得,保證每次仿真溫度數(shù)據(jù)都不同,實驗中選取種子節(jié)點的數(shù)量為所有部署節(jié)點的10%,將部署區(qū)域劃分為100個子區(qū)域.假設(shè)傳感器節(jié)點采集的數(shù)據(jù)直接發(fā)送至Sink節(jié)點,如目前的LoRaWAN傳感器網(wǎng)絡(luò)、NB-iot傳感器網(wǎng)絡(luò)等都是終端節(jié)點與網(wǎng)關(guān)節(jié)點進(jìn)行直接通訊.

表2 DAA-RGM迭代過程表
Table 2 DAA-RGM iterative process table

DAA-RGM算法迭代Algorithm:1:運行整個傳感器網(wǎng)絡(luò),采集一段時間的數(shù)據(jù)信息;2:根據(jù)步驟1采集的歷史數(shù)據(jù),按照第二章的區(qū)域生長法進(jìn)行相似區(qū)域劃分;3:按照第三章的代表節(jié)點選擇方法為每個子區(qū)域選擇代表節(jié)點;4:被選擇的代表節(jié)點運行一段時間,采集區(qū)域信息;5:返回步驟1.

6.1 子區(qū)域數(shù)據(jù)相似性分析

實驗驗證利用區(qū)域生長法劃分傳感器網(wǎng)絡(luò)部署區(qū)域,劃分后每個子區(qū)域內(nèi)傳感器節(jié)點采集的數(shù)據(jù)具有較高的相似性,區(qū)域生長法中閾值Td設(shè)置為2.實驗隨機(jī)的從100個子區(qū)域中選擇8個子區(qū)域,并統(tǒng)計這些子區(qū)域中所有傳感器節(jié)點采集的溫度信息,實驗結(jié)果以箱線圖表示,如圖5所示,橫坐標(biāo)為子區(qū)域的序號,縱坐標(biāo)為溫度,圖中每個箱形代表一個子區(qū)域內(nèi)所有傳感器節(jié)點采集一次的溫度.

圖5 子區(qū)域數(shù)據(jù)圖Fig.5 Subarea data graph

實驗結(jié)果表明每個子區(qū)域中的傳感器節(jié)點采集的溫度數(shù)據(jù)最大值與最小值之間的差值小于或等于閾值Td,因此提出的區(qū)域生長法對WSN部署區(qū)域進(jìn)行數(shù)據(jù)相似性劃分是有效的.

6.2 代表節(jié)點分析

根據(jù)子區(qū)域的歷史數(shù)據(jù)曲線選擇代表節(jié)點,代表節(jié)點采集的數(shù)據(jù)與子區(qū)域歷史數(shù)據(jù)均值最接近.本實驗驗證代表節(jié)點在后續(xù)數(shù)據(jù)采集階段采集的溫度數(shù)據(jù)是否能夠代表子區(qū)域的溫度信息.實驗結(jié)果如圖6所示,實驗對比了代表節(jié)點采集的溫度數(shù)據(jù)與子區(qū)域所有傳感器節(jié)點采集的溫度數(shù)據(jù)均值,隨機(jī)選取4個子區(qū)域進(jìn)行驗證,橫坐標(biāo)為數(shù)據(jù)采集次數(shù),縱坐標(biāo)為采集的溫度.

圖6 代表節(jié)點分析圖Fig.6 Analysis of representative nodes

實驗結(jié)果表明代表節(jié)點采集的溫度數(shù)據(jù)與子區(qū)域采集的數(shù)據(jù)均值變化趨勢和數(shù)值大小基本相同,區(qū)域1的曲線相似度為95.86%,區(qū)域2的曲線相似度為98.38%,區(qū)域3的曲線相似度為96.01%,區(qū)域4的曲線相似度為96.02%,實驗隨機(jī)選取的4個子區(qū)域都具有較高的相似度,因此通過第三章提出的代表節(jié)點選擇方法選擇的代表節(jié)點能夠有效的代表子區(qū)域,同時也表明本文提出的DAA-RGM數(shù)據(jù)采集算法能夠減少大量冗余數(shù)據(jù)且保證采集的數(shù)據(jù)誤差在5%以內(nèi).

當(dāng)種子節(jié)點選取的百分比不同時,代表節(jié)點與子區(qū)域均值的相似度也會不同,理論上代表節(jié)點百分比越大,則劃分的子區(qū)域數(shù)量越多,每個子區(qū)域內(nèi)包含的傳感器節(jié)點數(shù)量越少,因此相似度越高,反之則反.種子節(jié)點占總節(jié)點數(shù)百分比與相似度之間的關(guān)系如圖7所示,圖中橫坐標(biāo)為種子節(jié)點百分比,縱坐標(biāo)為代表節(jié)點采集的數(shù)據(jù)與子區(qū)域的數(shù)據(jù)均值相似度.

圖7 相似度圖Fig.7 Similarity analysis

實驗結(jié)果與分析一致,當(dāng)種子節(jié)點的比例越大,代表節(jié)點采集的數(shù)據(jù)與子區(qū)域數(shù)據(jù)均值的相似度越高,因為種子節(jié)點的比例越大,則劃分的子區(qū)域數(shù)量越多,每個子區(qū)域的面積越小,子區(qū)域范圍越小,則代表節(jié)點代表該區(qū)域的能力越強(qiáng).隨著種子節(jié)點比例的增加,相似度也會逐漸增加,但增加的幅度逐漸變小,且種子節(jié)點百分比大于12%時,相似度基本不會繼續(xù)升高,因為本文采集區(qū)域的溫度信息在一定范圍內(nèi)是接近的,因此種子節(jié)點數(shù)量到達(dá)一定比例時,相似度并不會繼續(xù)提高.

6.3 冗余數(shù)據(jù)分析

本文提出的數(shù)據(jù)采集方法目的是減少傳感器網(wǎng)絡(luò)的冗余數(shù)據(jù),降低網(wǎng)絡(luò)的能量消耗,從而達(dá)到延長網(wǎng)絡(luò)生存時間的目的,同時大量的冗余數(shù)據(jù)會造成網(wǎng)絡(luò)的擁塞.冗余數(shù)據(jù)的定義如2.2小節(jié)定義2所示.本實驗對比本文提出的DAA-RGM數(shù)據(jù)采集算法與傳統(tǒng)的數(shù)據(jù)采集方法(所有傳感器節(jié)點都進(jìn)行數(shù)據(jù)采集并直接發(fā)送至Sink節(jié)點)、分簇-數(shù)據(jù)融合的數(shù)據(jù)采集方法(先對傳感器網(wǎng)絡(luò)進(jìn)行分簇,然后簇首收集簇成員節(jié)點的數(shù)據(jù)進(jìn)行數(shù)據(jù)融合,該方法每次簇成員節(jié)點都需要采集數(shù)據(jù),然后將采集的數(shù)據(jù)發(fā)送至簇首節(jié)點進(jìn)行數(shù)據(jù)融合,融合后簇首節(jié)點將數(shù)據(jù)直接發(fā)送至Sink節(jié)點,根據(jù)目前WSN數(shù)據(jù)壓縮方面的研究,假設(shè)本文的數(shù)據(jù)融合后壓縮為原來的70%大小[16,17].),每次實驗重復(fù)100次,實驗結(jié)果如圖8所示,橫坐標(biāo)為種子節(jié)點百分比,縱坐標(biāo)為冗余數(shù)據(jù)百分比.

圖8 冗余數(shù)據(jù)圖Fig.8 Redundant data

實驗中分簇-融合算法的種子節(jié)點比例代表簇首節(jié)點比例,傳統(tǒng)采集方法不選擇種子節(jié)點,傳感器網(wǎng)絡(luò)中所有節(jié)點都采集數(shù)據(jù).實驗結(jié)果表明隨著種子節(jié)點比例的增加,分簇-融合采集方法和DAA-RGM采集方法所采集數(shù)據(jù)的冗余比例會逐漸降低,當(dāng)達(dá)到一定低點后,采集數(shù)據(jù)冗余比例會逐漸增加,因為在初始時刻種子節(jié)點比例較低,隨著種子節(jié)點比例的增加,檢測區(qū)域被劃分的越來越準(zhǔn)確,因此每個區(qū)域內(nèi)采集的冗余數(shù)據(jù)逐漸降低,而隨著種子節(jié)點比例的增加,區(qū)域被劃分的越來越小(或簇規(guī)模被細(xì)分的越來越小),從而導(dǎo)致相鄰的幾個子區(qū)域(或簇)采集的數(shù)據(jù)存在冗余情況,因此傳感器網(wǎng)絡(luò)采集的數(shù)據(jù)冗余比例逐漸增加.DAA-RGM采集方法的最佳種子節(jié)點比例為17%,分簇-融合數(shù)據(jù)采集方法的最佳種子節(jié)點比例為16%.

從實驗結(jié)果可知,本文提出的DAA-RGM采集方法采集的數(shù)據(jù)冗余比例低于分簇-融合方法和傳統(tǒng)的采集方法,且傳統(tǒng)的采集方法采集的數(shù)據(jù)冗余比例最大.

6.4 生存時間分析

為了方便實驗,假設(shè)傳感器網(wǎng)絡(luò)中每個傳感器節(jié)點都可以直接與網(wǎng)關(guān)節(jié)點進(jìn)行通訊,傳感器節(jié)點采集數(shù)據(jù)后可直接發(fā)送至Sink節(jié)點.實驗驗證傳感器網(wǎng)絡(luò)的生存時間,實驗對比了提出的DAA-RGM數(shù)據(jù)采集算法、傳統(tǒng)的數(shù)據(jù)采集算法和分簇-數(shù)據(jù)融合方法的網(wǎng)絡(luò)生存時間,實驗中第一個節(jié)點死亡標(biāo)志著傳感器網(wǎng)絡(luò)死亡.假設(shè)傳感器節(jié)點的初始能量E0為0.05J,傳感器節(jié)點每次采集和發(fā)送數(shù)據(jù)需要消耗500nJ/bit能量,簇首節(jié)點融合1bit數(shù)據(jù)需要消耗的能量為30nJ,為了保證DAA-RGM算法采集的數(shù)據(jù)準(zhǔn)確性大于95%,種子節(jié)點的比例分別為10%、12%、14%、16%、18%,實驗結(jié)果如圖9所示,橫坐標(biāo)為種子節(jié)點占總節(jié)點數(shù)量的百分比(對于分簇-數(shù)據(jù)融合方法,橫坐標(biāo)為簇首數(shù)量),縱坐標(biāo)為傳感器網(wǎng)絡(luò)死亡前總共進(jìn)行的數(shù)據(jù)采集次數(shù).

圖9 網(wǎng)絡(luò)采集次數(shù)圖Fig.9 Frequency of data acquisition

實驗結(jié)果表明傳統(tǒng)的數(shù)據(jù)采集方法能夠采集數(shù)據(jù)的次數(shù)遠(yuǎn)遠(yuǎn)低于DAA-RGM采集方法和分簇-融合方法,且本文提出的DAA-RGM采集方法使得網(wǎng)絡(luò)的生存時間高于目前比較經(jīng)典的分簇-融合方法.DAA-RGM采集方法的種子節(jié)點所占比例為10%時,代表節(jié)點采集的數(shù)據(jù)與子區(qū)域數(shù)據(jù)均值相似度大于95%,數(shù)據(jù)采集數(shù)量約為傳統(tǒng)采集方法的9倍,分簇融合方法的1.5倍.隨著種子節(jié)點所占比例的增加,DAA-RGM方法的網(wǎng)絡(luò)數(shù)據(jù)采集次數(shù)也會逐漸降低,因為種子節(jié)點數(shù)量增加,劃分的子區(qū)域數(shù)量也會增加,則某些節(jié)點被重復(fù)選擇為代表節(jié)點的概率增加,導(dǎo)致能量消耗過快,從而加快了傳感器網(wǎng)絡(luò)的死亡速度.

假設(shè)傳感器網(wǎng)絡(luò)中第一個節(jié)點能量耗盡之前,這段時間為傳感器網(wǎng)絡(luò)的生存時間,則DAA-RGM方法與其他方法的生存時間對比實驗結(jié)果如圖10所示,實驗中傳感器網(wǎng)絡(luò)每隔1分鐘采集一次數(shù)據(jù),種子節(jié)點的比例為14%、16%、18%.

圖10 生存時間圖Fig.10 Lifetime chart

實驗結(jié)果表明提出的DAA-RGM在不同種子節(jié)點比例下生存時間都高于傳統(tǒng)的“分簇-融合”類型的數(shù)據(jù)采集算法,且隨著種子節(jié)點比例增加,網(wǎng)絡(luò)生存時間逐漸降低,因為種子節(jié)點比例增加,傳感器網(wǎng)絡(luò)被細(xì)分的數(shù)量越多,種子節(jié)點越多,導(dǎo)致消耗的能量越多,因此網(wǎng)絡(luò)生存時間會降低.

7 結(jié)束語

研究了一種WSN數(shù)據(jù)采集算法(DAA-RGM),該算法首先根據(jù)傳感器網(wǎng)絡(luò)采集的歷史數(shù)據(jù),利用區(qū)域生長法將相似區(qū)域進(jìn)行劃分,然后在每個子區(qū)域中選擇最佳的節(jié)點作為代表節(jié)點,代表節(jié)點采集的數(shù)據(jù)與子區(qū)域采集的數(shù)據(jù)具有較高相似性,最后休眠其他傳感器節(jié)點,只運行代表節(jié)點采集數(shù)據(jù).實驗結(jié)果驗證了該方法的可行性和有效性,后續(xù)工作希望在此基礎(chǔ)上進(jìn)一步研究更加準(zhǔn)確且節(jié)能的WSN數(shù)據(jù)采集方法.