基于存儲(chǔ)縮減方案的WSN數(shù)據(jù)恢復(fù)算法

王 文 飛

(滁州職業(yè)技術(shù)學(xué)院信息工程學(xué)院， 安徽 滁州 239000)

0 前言

無(wú)線傳感網(wǎng)(wireless sensor networks，WSN)是大數(shù)據(jù)體系下數(shù)據(jù)采集及重建的重要載體[1]。在傳感網(wǎng)絡(luò)初始化過(guò)程中，采用節(jié)點(diǎn)部署方式，使用無(wú)線組網(wǎng)技術(shù)實(shí)現(xiàn)數(shù)據(jù)采集、匯聚和傳輸，相應(yīng)節(jié)點(diǎn)均具有便于制造的廉價(jià)特性[2]。由于數(shù)據(jù)匯聚過(guò)程完全依賴無(wú)線信道進(jìn)行數(shù)據(jù)傳輸，sink節(jié)點(diǎn)接收數(shù)據(jù)時(shí)極易產(chǎn)生嚴(yán)重的數(shù)據(jù)丟失及混淆現(xiàn)象，使得網(wǎng)絡(luò)工作效率下降。為了充分發(fā)掘數(shù)據(jù)價(jià)值，數(shù)據(jù)恢復(fù)方法成為當(dāng)前無(wú)線傳感網(wǎng)研究的熱點(diǎn)之一[3]。實(shí)踐中，多采取數(shù)學(xué)擬合方式進(jìn)行傳感數(shù)據(jù)恢復(fù)[4]。

Thomas等人提出了一種基于N級(jí)臨近節(jié)點(diǎn)存留數(shù)據(jù)分析機(jī)制的WSN數(shù)據(jù)恢復(fù)算法[5]。該算法利用傳感節(jié)點(diǎn)數(shù)據(jù)具有的相似特性，在確定數(shù)據(jù)丟失節(jié)點(diǎn)臨近N級(jí)節(jié)點(diǎn)狀態(tài)后，采用均衡分析方案估算丟失比率，從而實(shí)現(xiàn)丟失數(shù)據(jù)的還原及歸真。該算法也存在一定的弊端，特別是在低密集環(huán)境下存在臨近節(jié)點(diǎn)數(shù)據(jù)丟失現(xiàn)象，難以實(shí)現(xiàn)數(shù)據(jù)的完整還原。

Xu等人提出了一種基于插值還原方案的非參數(shù)WSN數(shù)據(jù)恢復(fù)算法[6]。該算法利用傳感數(shù)據(jù)頻譜在廣域上的統(tǒng)一特性，依次替補(bǔ)傳輸節(jié)點(diǎn)丟失的信號(hào)頻譜，采用非參數(shù)方式對(duì)數(shù)據(jù)進(jìn)行多次恢復(fù)。該算法能使數(shù)據(jù)恢復(fù)效率得到顯著提高，可有效規(guī)避因參數(shù)選取不當(dāng)而難以高效恢復(fù)網(wǎng)絡(luò)數(shù)據(jù)的問(wèn)題，實(shí)際可操作性很強(qiáng)。不過(guò)，在應(yīng)用中需要針對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)及傳輸中的數(shù)據(jù)進(jìn)行長(zhǎng)周期平穩(wěn)窗口流動(dòng)性評(píng)估，算法的收斂性能較差，難以實(shí)現(xiàn)大規(guī)模的應(yīng)用推廣。

Ghanbar等人基于多屬性壓縮感知機(jī)制，提出了一種差錯(cuò)率可控的WSN數(shù)據(jù)恢復(fù)算法[7]。該算法采用多屬性建模方式提取恢復(fù)參數(shù)，對(duì)傳輸中的數(shù)據(jù)采用壓縮感知方案進(jìn)行特征捕捉，提高了數(shù)據(jù)恢復(fù)的準(zhǔn)確性。此外，通過(guò)預(yù)測(cè)編碼方案進(jìn)一步降低數(shù)據(jù)恢復(fù)差錯(cuò)率。其不足之處是，需要進(jìn)行泛建模操作，且存在建模參數(shù)過(guò)多的問(wèn)題，無(wú)法適應(yīng)稀疏網(wǎng)絡(luò)節(jié)點(diǎn)分布情形，實(shí)踐成本過(guò)高。

在本次研究中，嘗試采用基于存儲(chǔ)縮減方案的WSN數(shù)據(jù)恢復(fù)算法。首先，通過(guò)傳感矩陣進(jìn)行數(shù)據(jù)壓縮感知，部分恢復(fù)傳感節(jié)點(diǎn)丟失的數(shù)據(jù)，結(jié)合現(xiàn)有正常節(jié)點(diǎn)存量數(shù)據(jù)，采取縮減方式進(jìn)行剩余數(shù)據(jù)恢復(fù)。然后，采取自感知方法設(shè)計(jì)骨干匯聚鏈路并確定傳輸節(jié)點(diǎn)，提高數(shù)據(jù)重構(gòu)準(zhǔn)確性并增強(qiáng)鄰居節(jié)點(diǎn)對(duì)評(píng)估節(jié)點(diǎn)的失效監(jiān)測(cè)效率，從而進(jìn)一步提升數(shù)據(jù)恢復(fù)質(zhì)量。

1 算法設(shè)計(jì)

本次算法主要由兩部分內(nèi)容構(gòu)成：一是采用基于傳感二次型優(yōu)化傳輸?shù)拇鎯?chǔ)縮減方法進(jìn)行數(shù)據(jù)壓縮感知，最大限度地恢復(fù)傳感數(shù)據(jù)；二是基于線性數(shù)據(jù)自感知方式恢復(fù)骨干鏈路，提高網(wǎng)絡(luò)監(jiān)測(cè)恢復(fù)效率。

1.1 基于傳感二次型優(yōu)化傳輸?shù)拇鎯?chǔ)縮減算法

對(duì)于典型無(wú)線傳感網(wǎng)網(wǎng)絡(luò)，采用隨機(jī)部署模式[8]，將節(jié)點(diǎn)隨機(jī)分布在區(qū)域內(nèi)(見圖1)。 設(shè)某一時(shí)刻網(wǎng)絡(luò)中有n個(gè)節(jié)點(diǎn)，其數(shù)據(jù)矢量為D(n)，模型如下：

D(n)=Xn

(1)

式中：Xn表示當(dāng)前時(shí)刻第n個(gè)節(jié)點(diǎn)對(duì)應(yīng)的數(shù)據(jù)，n=1，2，…，i。

圖1 網(wǎng)絡(luò)部署圖

任意節(jié)點(diǎn)在進(jìn)行數(shù)據(jù)發(fā)送之前，根據(jù)當(dāng)前節(jié)點(diǎn)數(shù)據(jù)隨機(jī)抽樣生成指紋矢量R(i)，i=1，2，…，n，模型如下：

R(i)=Ai

(2)

式中：Ai表示隨機(jī)投影面積，可根據(jù)文獻(xiàn)[9]所提供的方案獲取。

傳感節(jié)點(diǎn)同時(shí)進(jìn)行數(shù)據(jù)收發(fā)的過(guò)程具有等價(jià)性，即同一時(shí)刻進(jìn)出節(jié)點(diǎn)的數(shù)據(jù)流量相同。因此，按照以上模型在t時(shí)刻逐個(gè)對(duì)節(jié)點(diǎn)進(jìn)行操作，即可獲取各節(jié)點(diǎn)對(duì)應(yīng)的數(shù)據(jù)矢量及指紋矢量。聯(lián)立式(1)、(2)可得傳感矩陣矢量Ht(n)，模型如下：

(3)

式中：t=mT，m=1，2，…，T表示數(shù)據(jù)傳輸周期。按傳輸周期對(duì)模型(3)進(jìn)行計(jì)算并排序，獲取傳感矩陣H(n)：

(4)

由于傳輸過(guò)程中存在信道噪聲，網(wǎng)絡(luò)中sink節(jié)點(diǎn)獲取的數(shù)據(jù)與初始數(shù)據(jù)之間存在一定的誤差[10]，因此，sink節(jié)點(diǎn)最終獲取的數(shù)據(jù)矢量T(n)可由以下模型獲?。?/p>

T(n)=H(n)R(i)+G(n)

(5)

其中，G(n)表示各節(jié)點(diǎn)累計(jì)的信道噪聲，可由如下模型獲取：

G(n)=[G(1)，G(2)，…，G(i)，…，G(n)]K

(6)

式中：G(i)表示第i個(gè)節(jié)點(diǎn)的信道噪聲；K表示轉(zhuǎn)置操作。

為了降低傳輸誤差，在此采用線性規(guī)劃理論對(duì)模型(5)(6)進(jìn)行降噪操作[11]：

T(n)=arg min‖T(i)‖i=1，2，…，n

(7)

‖T(n)-H(n)R(i)i=1，2…n‖≤ε

(8)

式中ε表示任意小的實(shí)數(shù)。

對(duì)模型(7)進(jìn)行差分，可得：

Z(n)=T(n)-T(n-1)

(9)

聯(lián)立模型(7)(8)，可得：

(10)

其中：

(11)

(12)

(13)

式中：Zi(j)表示第j周期內(nèi)第i個(gè)節(jié)點(diǎn)按模型(9)獲取的參數(shù)，模型(13)參數(shù)同模型(4)。到第n個(gè)周期時(shí)，通過(guò)模型(10)即可恢復(fù)相應(yīng)的數(shù)據(jù)。

1.2 基于線性數(shù)據(jù)自感知機(jī)制的骨干鏈路恢復(fù)算法

無(wú)線傳感節(jié)點(diǎn)均具有一定的拓?fù)湟苿?dòng)能力[11]，且鏈路為雙向傳輸，因此，可根據(jù)初始傳輸節(jié)點(diǎn)構(gòu)建鏈路骨干鏈路樹，并從中選取跳數(shù)最小的樹枝作為傳輸鏈路。圖2所示為基于線性數(shù)據(jù)自感知機(jī)制的骨干鏈路恢復(fù)過(guò)程。方案設(shè)計(jì)如下：

Step 1：針對(duì)任意初始節(jié)點(diǎn)i，構(gòu)建初始鏈路樹Tree(i，…，m，sink)。

Step 2 ：遍歷初始鏈路樹Tree(i，…，m，sink)，獲取各節(jié)點(diǎn)的可達(dá)節(jié)點(diǎn)集合Ω。

Step 3 ：從Ω中獲取Tree(i，…，m，sink)可達(dá)的最遠(yuǎn)節(jié)點(diǎn)，記為v。

Step 4 ：從Tree(i，…，m，sink)中搜尋與v距離最短的節(jié)點(diǎn)，記為u。

Step 5 ：將v與u進(jìn)行連通操作，并轉(zhuǎn)下一個(gè)初始節(jié)點(diǎn)i+1,繼續(xù)從Step 1開始進(jìn)行操作。

圖2 基于線性數(shù)據(jù)自感知機(jī)制的骨干鏈路恢復(fù)過(guò)程

當(dāng)鏈路恢復(fù)正常狀態(tài)后，整體鏈路樹可根據(jù)節(jié)點(diǎn)遍歷方式進(jìn)行實(shí)時(shí)更新。待鏈路樹初始化完成，sink節(jié)點(diǎn)即可根據(jù)遍歷鏈路樹方式獲取全部可達(dá)節(jié)點(diǎn)的集合。因此，將失效狀態(tài)的節(jié)點(diǎn)予以剔除，可大幅減少因節(jié)點(diǎn)失效而導(dǎo)致的傳輸受阻現(xiàn)象。此外，篩選最短節(jié)點(diǎn)和最遠(yuǎn)節(jié)點(diǎn)時(shí)，可在網(wǎng)絡(luò)中拓?fù)渚嚯x最遠(yuǎn)節(jié)點(diǎn)之間建立傳輸鏈路。該傳輸鏈路可作為備用鏈路用于數(shù)據(jù)恢復(fù)，且此項(xiàng)流程可根據(jù)網(wǎng)絡(luò)拓?fù)錉顟B(tài)進(jìn)行實(shí)時(shí)更新，從而進(jìn)一步提高對(duì)網(wǎng)絡(luò)數(shù)據(jù)的恢復(fù)能力。

2 仿真實(shí)驗(yàn)

為了驗(yàn)證本次設(shè)計(jì)算法的性能，在Matlab仿真實(shí)驗(yàn)環(huán)境下，與當(dāng)前無(wú)線傳感網(wǎng)數(shù)據(jù)恢復(fù)領(lǐng)域常見的基于信任模型的無(wú)線傳感器網(wǎng)絡(luò)壓縮感知數(shù)據(jù)恢復(fù)算法(trust based data prediction，aggregation and reconstruction using compressed sensing for clustered wireless sensor networks，TDBP-AR算法)[12]和基于單純壓縮感知機(jī)制的數(shù)據(jù)恢復(fù)算法(in-network data processing based on compressed sensing in WSN：a survey，DP-CS算法)[13]進(jìn)行仿真對(duì)比。不失一般性，網(wǎng)絡(luò)采取矩形布陣方式，節(jié)點(diǎn)均采用隨機(jī)游走模型。此外，考慮到當(dāng)前5G網(wǎng)絡(luò)大規(guī)模推廣的應(yīng)用環(huán)境及其與WSN技術(shù)融合的特性，節(jié)點(diǎn)均采用128-PSK調(diào)制模式，傳輸信道采用萊斯信道。仿真參數(shù)如表1所示。

表1 仿真參數(shù)

2.1 數(shù)據(jù)恢復(fù)率

數(shù)據(jù)恢復(fù)率的仿真對(duì)比情況如圖3所示?？梢钥闯?，本算法的數(shù)據(jù)恢復(fù)率較高且較為穩(wěn)定。這是因?yàn)?，本算法基于傳感二次型?yōu)化傳輸?shù)拇鎯?chǔ)縮減方法，可通過(guò)指紋矢量逐個(gè)對(duì)當(dāng)前節(jié)點(diǎn)及鄰近節(jié)點(diǎn)進(jìn)行數(shù)據(jù)匹配，特別是在匹配過(guò)程中引入線性規(guī)劃理論對(duì)傳輸過(guò)程進(jìn)行降噪操作，最大限度地降低了信道中萊斯噪聲對(duì)數(shù)據(jù)恢復(fù)過(guò)程的不利影響。TDBP-AR算法采用鄰近節(jié)點(diǎn)進(jìn)行數(shù)據(jù)匹配，但進(jìn)行數(shù)據(jù)恢復(fù)時(shí)采用的是均衡方式，未從網(wǎng)絡(luò)節(jié)點(diǎn)整體數(shù)據(jù)及信道降噪的維度綜合進(jìn)行數(shù)據(jù)匹配，因此數(shù)據(jù)恢復(fù)率較低。DP-CS算法通過(guò)設(shè)計(jì)傳輸矩陣方式進(jìn)行數(shù)據(jù)恢復(fù)，卻采用一次成型模式進(jìn)行有限傳輸感知，未能進(jìn)一步采取差分模式優(yōu)化恢復(fù)精度，因此數(shù)據(jù)恢復(fù)率也較低。

2.2 數(shù)據(jù)恢復(fù)時(shí)間

數(shù)據(jù)恢復(fù)時(shí)間對(duì)比情況如圖4所示?？梢钥闯?，本算法的數(shù)據(jù)恢復(fù)時(shí)間始終最短，恢復(fù)最快，收斂性能最優(yōu)。這是由于，本算法在基于傳感二次型優(yōu)化傳輸?shù)拇鎯?chǔ)縮減方法進(jìn)行傳輸降噪操作的同時(shí)，針對(duì)無(wú)線傳感網(wǎng)絡(luò)骨干節(jié)點(diǎn)易癱瘓的問(wèn)題設(shè)計(jì)了基于線性數(shù)據(jù)自感知機(jī)制的骨干鏈路恢復(fù)方案，能夠從骨干鏈路樹中迅速搜尋出傳輸性能優(yōu)良的最佳路徑。TDBP-AR算法僅考慮了數(shù)據(jù)層面的壓縮感知，感知過(guò)程中采用的是簡(jiǎn)單均衡模型，未考慮傳輸鏈路的恢復(fù)，因此網(wǎng)絡(luò)鏈路發(fā)生抖動(dòng)的概率較高，使得數(shù)據(jù)恢復(fù)時(shí)間也大大延長(zhǎng)。DP-CS算法存在傳輸感知受限問(wèn)題，數(shù)據(jù)恢復(fù)過(guò)程比較單一，未綜合數(shù)據(jù)-鏈路因素進(jìn)行恢復(fù)，因此數(shù)據(jù)恢復(fù)時(shí)間較長(zhǎng)。

圖3 數(shù)據(jù)恢復(fù)率

圖4 數(shù)據(jù)恢復(fù)時(shí)間

3 結(jié) 語(yǔ)

為了解決當(dāng)前無(wú)線傳感網(wǎng)中數(shù)據(jù)恢復(fù)性能較差的問(wèn)題，提出了一種基于存儲(chǔ)縮減方案的WSN數(shù)據(jù)恢復(fù)算法。本算法主要由基于傳感二次型優(yōu)化傳輸?shù)拇鎯?chǔ)縮減和基于線性數(shù)據(jù)自感知機(jī)制的骨干鏈路恢復(fù)兩部分構(gòu)成，分別從數(shù)據(jù)層和鏈路層兩方面對(duì)數(shù)據(jù)恢復(fù)性能進(jìn)行了優(yōu)化。其優(yōu)勢(shì)是，可顯著提高數(shù)據(jù)恢復(fù)率，縮短數(shù)據(jù)恢復(fù)時(shí)間，具有較強(qiáng)的數(shù)據(jù)恢復(fù)效率和算法收斂能力，實(shí)際應(yīng)用中部署價(jià)值較高。