水下傳感網(wǎng)絡(luò)中能效感知的相似數(shù)據(jù)融合算法

劉小強(qiáng)

（1.河南科技大學(xué)應(yīng)用工程學(xué)院，河南 三門峽 472000；2.三門峽職業(yè)技術(shù)學(xué)院，河南 三門峽 472000）

0 引言

水下傳感網(wǎng)絡(luò)（Underwater Sensor Networks，USNs）由微型、具有感知和通信能力的傳感節(jié)點組成。將這些傳感節(jié)點部署于水下環(huán)境，并由它們感知自身周圍環(huán)境數(shù)據(jù)，再將所感知的數(shù)據(jù)傳輸至信宿或者控制中心。通常，這些傳感節(jié)點是由電池供電。一旦電池能量用盡，也不便以給節(jié)點替換電池或補(bǔ)充能量。因此，如何有效地利用節(jié)點能量，進(jìn)而延長網(wǎng)絡(luò)壽命，成為USNs 的研究熱點［2-3］。

分簇是延長網(wǎng)絡(luò)壽命的有效技術(shù)手段［4-5］。每個簇由一個簇頭和多個簇成員構(gòu)成。簇頭收集本簇內(nèi)成員節(jié)點數(shù)據(jù)；收集后，再傳輸至信宿。因此，簇頭具有融合節(jié)點類似操作行為。目前，已有多種形成簇的技術(shù)。本文是以已構(gòu)成簇的WSNs 為研究對象，討論如何進(jìn)行數(shù)據(jù)融合，進(jìn)而減少數(shù)據(jù)冗余。

在同一個簇內(nèi)的傳感節(jié)點所處的地理位置相距較近。由于處于同一個物理區(qū)域，這些節(jié)點所感知的數(shù)據(jù)也存在一定相似，甚至重復(fù)。若它們只是簡單地將數(shù)據(jù)傳輸至簇頭，或者簇頭對所收集的數(shù)據(jù)不進(jìn)行處理，如減少冗余操作，這會增加節(jié)點傳輸?shù)臄?shù)據(jù)量，加大網(wǎng)絡(luò)負(fù)擔(dān)。

數(shù)據(jù)壓縮是控制數(shù)據(jù)冗余的有效途徑。文獻(xiàn)［6］利用數(shù)據(jù)壓縮策略進(jìn)行融合感測的數(shù)據(jù)，并提出基于模塊對角矩陣的數(shù)據(jù)融合算法。類似地，文獻(xiàn)［7］也提出了基于分布式壓縮感知技術(shù)。

文獻(xiàn)［8］針對UWSNs，提出基于數(shù)據(jù)融合的構(gòu)建簇算法，旨在減少UWSNs 內(nèi)的冗余數(shù)據(jù)的傳輸。文獻(xiàn)［9-10］將相似函數(shù)引入網(wǎng)絡(luò)，并利用相似函數(shù)計算數(shù)據(jù)間的相似度。盡管這些技術(shù)減少了一些相似數(shù)據(jù)，但信宿所收到的數(shù)據(jù)仍存在冗余。

為此，提出能效感知的相似數(shù)據(jù)融合（Energy efficiency-simlarity Aggregation，EESA）算法。EESA算法基于簇化的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，簇頭對簇內(nèi)成員節(jié)點的數(shù)據(jù)進(jìn)行壓縮，減少數(shù)據(jù)傳輸量，進(jìn)而控制能耗。

1 EESA 算法

1.1 網(wǎng)絡(luò)模型

考慮簇化的網(wǎng)絡(luò)結(jié)構(gòu)。即網(wǎng)絡(luò)內(nèi)已形成多個簇，每個簇由一個簇頭和簇成員構(gòu)成，如圖1 所示。簇頭收集簇內(nèi)成員所傳輸?shù)臄?shù)據(jù)，并進(jìn)行數(shù)據(jù)壓縮處理。然后，再由簇頭將數(shù)據(jù)傳輸至水面上的信宿，然后通過衛(wèi)星通信將數(shù)據(jù)傳輸至數(shù)據(jù)收集中心。

圖1 網(wǎng)絡(luò)模型

1.2 數(shù)據(jù)收集模型

考慮周期的數(shù)據(jù)收集模式。每個節(jié)點周期性向簇頭傳輸數(shù)據(jù)。簇頭再傳輸至信宿［11］。令p 表示周期的時長，每個時長又劃分 個時隙，節(jié)點在時隙ti內(nèi)感測數(shù)據(jù)。令ki表示節(jié)點在時隙ti內(nèi)感測的數(shù)據(jù)（簡稱為數(shù)據(jù)元），且i=1，…，。

1.3 能耗模型

引用文獻(xiàn)［1］的能量消耗。水下傳感節(jié)點以聲波作為傳輸數(shù)據(jù)的媒介。信號功率隨傳輸距離的增加而衰減。當(dāng)聲波的傳輸距離為d 時，所衰減的功率為：

其中，f 為聲波信號頻率。

2 EESA 算法

2.1 數(shù)據(jù)相似度

在周期p 應(yīng)用中，每個節(jié)點在向簇頭傳輸數(shù)據(jù)前，先建立數(shù)據(jù)矢量。令Ri表示節(jié)點si的數(shù)據(jù)矢量，如式（7）所示：

其中，表示在周期p 中總的數(shù)據(jù)元個數(shù)。

為了消除Ri內(nèi)數(shù)據(jù)冗余，計算數(shù)據(jù)元內(nèi)間的相似度。若兩個數(shù)據(jù)元間的相似度小于預(yù)定閾值，則認(rèn)為它們間數(shù)據(jù)冗余。具體而言，令ri，j表示數(shù)據(jù)元ki與kj的相似度，其定義如式（8）所示：

若ri，j＜δ，則認(rèn)為數(shù)據(jù)元ki與kj間存在冗余。其中，δ 為數(shù)據(jù)元相似度的閾值。

2.2 數(shù)據(jù)壓縮點

節(jié)點si在每個時期p 建立了數(shù)據(jù)矢量后，并依式（8）計算相似度，若相似度小于δ，則說明存在冗余。在這種情況下，需要對數(shù)據(jù)矢量進(jìn)行處理。

EESA 算法引用數(shù)據(jù)壓縮點策略。即將數(shù)據(jù)矢量Ri轉(zhuǎn)換成代表性的點，并由這些點表述數(shù)據(jù)矢量Ri。再將這點數(shù)據(jù)傳輸至簇頭，進(jìn)而降低數(shù)據(jù)傳輸量，也減少了簇頭收集數(shù)據(jù)量。

EESA 算法引用局部融合遞歸（Local Aggregation Recursive，LAR）算法構(gòu)建數(shù)壓點集，其過程如算法1 所示。

節(jié)點先計算數(shù)據(jù)矢量首尾數(shù)據(jù)元的連線距離，其中定義如式（9）所示：

start、end 分別表示數(shù)據(jù)矢量第一個數(shù)據(jù)元索引下標(biāo)、最后一個數(shù)據(jù)元索引下標(biāo)。

然后，再將Ed與閾值td進(jìn)行比較。如果Ed≤td，則將第一個數(shù)據(jù)元加入至Pi，如式（10）所示：

節(jié)點si先將數(shù)據(jù)壓縮點集Pi和Di傳輸至自己的簇頭。

3 性能分析

3.1 仿真環(huán)境

為了更好地分析EESA 算法性能，利用Java 建立仿真平臺。在5 000 m×5 000 m 區(qū)域內(nèi)均勻部署180～360 個節(jié)點，節(jié)點部署的深度為2 000 m。具體的仿真參數(shù)如表1 所示。

表1 仿真參數(shù)

節(jié)點收集海域內(nèi)海水鹽度數(shù)據(jù)。將這些節(jié)點劃分2～4 個簇?？紤]兩個場景：1）場景1：2 個簇，第1個簇有60 個節(jié)點；第2 個簇有120 個節(jié)點。這2 個簇頭分別標(biāo)記為CH1 和CH2；2）場景2：4 個簇，每個簇的節(jié)點為60 個節(jié)點。4 個簇頭分別標(biāo)記為CH1、CH2、CH3 和CH4。每個節(jié)點收集數(shù)據(jù)，再傳輸至自己的簇頭。

同時，選擇基于優(yōu)適相似度的（Well-suited Similarity Functions，WSF）［10］數(shù)據(jù)融合算法作為參照，并分析它們的性能。在實驗中，考慮不同的 尺寸和閾值td對性能影響。

3.2 數(shù)據(jù)分析

3.2.1 實驗1

本次實驗分析在場景1 環(huán)境下，節(jié)點發(fā)給簇頭的數(shù)據(jù)比例（簡稱節(jié)點傳簇頭數(shù)據(jù)比），如圖2 所示。 分別取值128、256、512 和1024。閾值δ 從0.001、0.005、0.01 和0.025 變化。

圖2 節(jié)點傳簇頭數(shù)據(jù)比（場景1）

從圖2 可知，EESA 算法有效地降低了節(jié)點傳輸至簇頭的數(shù)據(jù)比。最大的節(jié)點傳簇頭數(shù)據(jù)比也不過40%，最低為3%。這說明：利用EESA 算法能夠有效壓縮數(shù)據(jù)，極大地降低了數(shù)據(jù)冗余量。此外，從圖2可知，δ 或 的增加，降低了節(jié)點傳簇頭數(shù)據(jù)比。原因在于：隨著δ 或 的增加，認(rèn)定數(shù)據(jù)冗余的條件變得苛刻，因此，壓縮數(shù)據(jù)的力度越大，使節(jié)點向簇頭傳輸?shù)臄?shù)據(jù)量越小。

3.2.2 實驗2

本次實驗分析在場景1 環(huán)境下，信宿所收到來自CH1 和CH2 的數(shù)據(jù)比例，并與WSF 算法進(jìn)行比較，如圖3 所示，其中閾值δ 取0.005。

圖3 簇頭向信宿傳輸?shù)臄?shù)據(jù)比（場景1）

從圖3 可知，EESA 算法中每個簇頭（CH1 和CH2）向信宿傳輸?shù)臄?shù)據(jù)比遠(yuǎn)低于WSF 算法。在 變化期間，EESA 算法的性能均優(yōu)于WSF 算法，傳輸至信宿的數(shù)據(jù)比低于4%。可是WSF 算法的簇頭向信宿傳輸?shù)谋壤_(dá)到50%。此外，CH1 和CH2 向信宿傳輸?shù)臄?shù)據(jù)比例相近。

3.2.3 實驗3

本次實驗分析EESA 算法執(zhí)行時間，并與WSF算法進(jìn)行比較，其中閾值δ 取0.005。圖4 顯示了場景1 環(huán)境下，EESA 算法和WSF 算法的兩個簇頭（CH1 和CH2）的執(zhí)行時間。

圖4 2 個簇頭的運(yùn)行時間（場景1）

從圖4 可知，相比于WSF 算法，EESA 算法有效地控制了算法的運(yùn)行時間。例如，在=1 024 時，EESA 算法的執(zhí)行時間約50 ms，而WSF 算法的執(zhí)行時間達(dá)到150 ms。這歸功于EESA 算法利用歐式距離對數(shù)據(jù)壓縮，減少了數(shù)據(jù)處理量，極大地縮短了運(yùn)行時間。

圖5 給出場景2 環(huán)境下EESA 算法和WSF 算法的4 個簇頭的平均運(yùn)行時間。從圖可知，平均運(yùn)行時間隨數(shù)據(jù)元個數(shù)的增加而呈上漲趨勢。原因在于：數(shù)據(jù)元個數(shù)越多，簇頭需要處理的數(shù)據(jù)量就越大，必然增加了運(yùn)行時間。

圖5 4 個簇頭的平均運(yùn)行時間（場景2）

此外，相比于場景1，場景2 環(huán)境中簇內(nèi)的節(jié)點數(shù)減少，運(yùn)行時間下降，并且WSF 算法與EESA 算法的運(yùn)行時間差距縮小。

3.2.4 實驗4

引用文獻(xiàn)［4］的能耗模型，本次實驗分析EESA算法的節(jié)點能耗。

圖6 EESA 算法中節(jié)點的平均能耗（場景一）

表2 給出EESA 算法與WSF 算法的節(jié)點平均能耗，其中，EESA 算法的數(shù)據(jù)來自取δ=0.001 情況。從表2 可知，相比于WSF 算法，EESA 算法有效地減少了節(jié)點能耗。并且隨著 的增加，EESA 算法在能耗方面的優(yōu)勢越大。原因在于：EESA 算法通過壓縮冗余數(shù)據(jù)，減少了節(jié)點所傳輸?shù)臄?shù)據(jù)量，進(jìn)而減少了節(jié)點能耗。

表2 EESA 算法與WSF 算法的節(jié)點平均能耗

3.2.5 實驗5

本次實驗分析數(shù)據(jù)壓縮誤差。壓縮誤差體現(xiàn)了數(shù)據(jù)經(jīng)壓縮解壓后數(shù)據(jù)的失真度。壓縮誤差越大，信息失真度越大，信息丟失越嚴(yán)重。壓縮誤差的定義如式（12）所示：

圖7 壓縮誤差

4 結(jié)論

本文提出能效感知的相似數(shù)據(jù)融合算法EESA。EESA 算法對節(jié)點傳輸?shù)臄?shù)據(jù)進(jìn)行壓縮，減少數(shù)據(jù)冗余量。每個節(jié)點將收集的數(shù)據(jù)進(jìn)行壓縮，再傳輸至簇頭，避免了冗余數(shù)據(jù)在網(wǎng)絡(luò)內(nèi)的傳輸。相比于WSF 算法，EESA 算法控制網(wǎng)絡(luò)數(shù)量流量，減少了能耗。