基于物聯(lián)網(wǎng)定位模型的網(wǎng)絡(luò)節(jié)點能耗感知識別

孫皓月，田 亮，郝 娟，楊 陽

(1.河北建筑工程學(xué)院，河北張家口075000；2.河北師范大學(xué)，河北石家莊050024)

1 引言

隨著物聯(lián)網(wǎng)定位技術(shù)的快速發(fā)展，網(wǎng)絡(luò)節(jié)點能耗問題已成為目前的研究熱點[1]。物聯(lián)網(wǎng)分布于人類難以接近的區(qū)域，長期執(zhí)行對網(wǎng)絡(luò)節(jié)點的監(jiān)測與控制任務(wù)，使網(wǎng)絡(luò)生存壽命長達數(shù)月或數(shù)年。網(wǎng)絡(luò)節(jié)點能耗是影響網(wǎng)絡(luò)生命周期的重要因素，網(wǎng)絡(luò)節(jié)點被隨機分布的各種網(wǎng)絡(luò)中，需通過某種方式對網(wǎng)絡(luò)節(jié)點進行感知與識別，并進行反饋。由于網(wǎng)絡(luò)節(jié)點一般采用容量有限的電池供電，能量耗盡很快，因此，對感知與識別網(wǎng)絡(luò)節(jié)點能耗問題的研究具有重要意義[2]。

劉逸韜[3]等人提出基于分簇網(wǎng)絡(luò)的網(wǎng)絡(luò)節(jié)點能耗協(xié)作頻譜感知識別方法，構(gòu)建多變量非線性優(yōu)化問題模型，對各個變量進行優(yōu)化與求解，實現(xiàn)對網(wǎng)絡(luò)節(jié)點能耗的感知與識別。該方法在節(jié)點定位過程中沒有對信號進行映射，導(dǎo)致感知識別結(jié)果的可信度較差。胡旭光[4]等人提出基于異構(gòu)數(shù)據(jù)模型的網(wǎng)絡(luò)節(jié)點能耗感知識別方法，將子網(wǎng)絡(luò)交互影響與相應(yīng)網(wǎng)絡(luò)節(jié)點變化過程作為依據(jù)，建立不同子網(wǎng)絡(luò)對應(yīng)特征的異構(gòu)數(shù)據(jù)模型，結(jié)合譜分布最大特征向量獲取發(fā)生變化的網(wǎng)絡(luò)節(jié)點，實現(xiàn)網(wǎng)絡(luò)節(jié)點能耗的感知與識別。該方法在對網(wǎng)絡(luò)節(jié)點能耗感知識別過程中沒有對網(wǎng)絡(luò)節(jié)點所對應(yīng)的物理位置進行定位，導(dǎo)致感知識別結(jié)果的準確性較低。盧光躍[5]等人提出基于LSTM的網(wǎng)絡(luò)節(jié)點能耗感知識別方法，利用LSTM對網(wǎng)絡(luò)節(jié)點特征向量進行訓(xùn)練，獲取對應(yīng)節(jié)點數(shù)據(jù)分類器，通過訓(xùn)練好的節(jié)點數(shù)據(jù)特征向量模型實現(xiàn)網(wǎng)絡(luò)節(jié)點能耗感知與識別。該方法在對網(wǎng)絡(luò)節(jié)點能耗感知識別過程中對于沒有對節(jié)點信號進行映射，對未知節(jié)點位置進行估計，導(dǎo)致感知識別速度較慢。

為了解決上述方法存在的問題，提出基于物聯(lián)網(wǎng)定位模型的網(wǎng)絡(luò)節(jié)點能耗感知識別方法，該方法在建立物聯(lián)網(wǎng)定位模型的基礎(chǔ)上，對網(wǎng)絡(luò)節(jié)點的能量消耗問題進行感知與識別。

2 建立物聯(lián)網(wǎng)定位模型

在基于物聯(lián)網(wǎng)定位模型中，一般情況下，網(wǎng)絡(luò)節(jié)點的定位分為兩個層次，分別是訓(xùn)練層與定位層。在訓(xùn)練層次中，提取已知的網(wǎng)絡(luò)節(jié)點信號強度，對信號空間進行映射，獲取網(wǎng)絡(luò)節(jié)點的物理坐標對物理空間進行映射，來實現(xiàn)定位模型的建立[6]。在定位層次中，通過上述得到的映射對未知網(wǎng)絡(luò)節(jié)點的位置進行估計。

(1)

對信號空間到物理空間進行映射時，就CCA方法而言，僅能夠?qū)?shù)據(jù)間的線性關(guān)系進行挖掘，并沒有結(jié)合網(wǎng)絡(luò)的局部結(jié)構(gòu)信息，為了解決該問題，將CCA方法與網(wǎng)絡(luò)的局部結(jié)構(gòu)信息相結(jié)合，形成LE-LPCCA方法，把全局區(qū)域內(nèi)的非線性問題進行劃分，分為若干個局部線性問題進行求解，通過計算每個小鄰域內(nèi)的對應(yīng)問題，對局部線性小問題進行求解，達到解決非線性問題的目的[7]。

通過LE-LPCCA方法進行求解前，首先對網(wǎng)絡(luò)中近鄰節(jié)點進行定義，與節(jié)點i所接收到的信號強度相似的節(jié)點集合，表示為ne(i)，局部區(qū)域的近鄰樣本下標集表示為ki，其中，把局部區(qū)域近鄰樣本通過k-近鄰定義法進行劃分，如果sj(zj)是ki(zi)的k-近鄰樣本，那么sj(zj)即是si(zi)的局部近鄰。

(2)

把全局網(wǎng)絡(luò)的非線性問題進行分解計算，分為m個局部的線性子問題，將這些線性子問題進行計算，取得結(jié)果的集合則是原始全部非線性問題的總和，也就是全局網(wǎng)絡(luò)的非線性問題得到解決，最終的計算公式是在CCA方法計算的基礎(chǔ)上進行優(yōu)化[8]，計算公式如下

(3)

通過上式計算，完成信號空間到物理空間的映射，把數(shù)據(jù)間的映射與信號空間到物理空間的映射相結(jié)合，來實現(xiàn)定位模型的建立。

3 網(wǎng)絡(luò)節(jié)點能耗感知識別方法

基于物聯(lián)網(wǎng)定位模型的網(wǎng)絡(luò)節(jié)點能耗感知識別方法首先選擇對應(yīng)的簇首節(jié)點，根據(jù)簇首節(jié)點設(shè)置感知識別區(qū)域，對感知區(qū)域中節(jié)點能耗的相關(guān)數(shù)據(jù)進行采集，構(gòu)建數(shù)據(jù)回傳節(jié)點集，并對前置感知識別區(qū)域與數(shù)據(jù)回傳節(jié)點集進行分析，通過數(shù)據(jù)回傳節(jié)點集計算節(jié)點能耗，實現(xiàn)節(jié)點能耗的感知識別[9]，具體步驟如下：

1)選擇簇頭

首先是對簇首節(jié)點的選取，每進行一次節(jié)點傳輸時，均需要對存活節(jié)點的剩余能量進行計算，得到網(wǎng)絡(luò)中節(jié)點的平均能量，其計算公式如下

(4)

式中，存活節(jié)點f的剩余能量表示為Ni，死亡節(jié)點的數(shù)量表示為σ，存活節(jié)點總數(shù)表示為M。

將每個節(jié)點的剩余能量與平均能量進行對比，若節(jié)點的剩余能量高于平均能量，則該節(jié)點被分化到簇首節(jié)點的候選節(jié)點集當(dāng)中，候選簇首節(jié)點集表示為CH_G。在候選節(jié)點集中，每個節(jié)點均產(chǎn)生不同的隨機數(shù)，若產(chǎn)生的隨機數(shù)大于閾值，則該節(jié)點被選為簇頭。對于閾值定義為E(w)，取值范圍如下：

(5)

式中，網(wǎng)絡(luò)中簇頭數(shù)量占總節(jié)點數(shù)的比例可表示為p，進行傳輸?shù)拇螖?shù)表示為r，目前1/p次候選簇頭節(jié)點的集合表示為CH_G，候選節(jié)點集中的節(jié)點可表示為w。

2)設(shè)定感知區(qū)域以及數(shù)據(jù)回傳節(jié)點集

其次是將感知識別區(qū)域與數(shù)據(jù)回傳節(jié)點集進行設(shè)定與分析，在每個節(jié)點集中，其中一部分節(jié)點至節(jié)點間的歐式距離會小于簇頭節(jié)點至節(jié)點間的距離，此部分的節(jié)點會把信息傳輸給簇頭節(jié)點。如果重復(fù)這種信息回傳的操作，會使節(jié)點能量造成浪費[10]。為了對產(chǎn)生信息回傳的節(jié)點進行準確定位，以及了解所在區(qū)域，需設(shè)置前置感知區(qū)域，并進行定義，如圖1所示，圖1分別由以簇首節(jié)點f為圓心，d(f，l)為半徑的圓與Sink節(jié)點為圓心，d(f，Sink)為半徑的圓所構(gòu)成，網(wǎng)絡(luò)中每個簇頭f的前置感知識別區(qū)域表示為FA(f)，假設(shè)簇首節(jié)點f距離最近節(jié)點的歐式距離的集合為Qf。圖中，集合Qf距離簇首節(jié)點f最遠的節(jié)點表示為l。

圖1 前置感知區(qū)域

通過上述的前置感知識別區(qū)域，對數(shù)據(jù)回傳節(jié)點的具體路由行為進行分析[11]。

如圖2所示，CB(f)表示每個簇首節(jié)點f所對應(yīng)數(shù)據(jù)回傳節(jié)點集合，當(dāng)d(f，l)d(f，Sink)時，此時的節(jié)點l會把數(shù)據(jù)信息傳輸給Sink節(jié)點并且節(jié)點能量得到降低。

圖2 數(shù)據(jù)回傳節(jié)點分布圖

圖3 數(shù)據(jù)回傳節(jié)點分布圖

3)數(shù)據(jù)回傳節(jié)點集計算節(jié)點能耗

最終處于前置感知識別區(qū)域中，結(jié)合數(shù)據(jù)回傳節(jié)點集CB(f)的節(jié)點位置以及節(jié)點能量信息對感知識別區(qū)域中的節(jié)點能耗進行計算，計算公式如下

(6)

式中，節(jié)點l與Sink節(jié)點間的距離表示為d(l，Sink)，附屬簇頭節(jié)點表示為Tf(l)，節(jié)點l的剩余能量表示為Nl，即完成對前置感知區(qū)域中節(jié)點能耗的計算，實現(xiàn)對網(wǎng)絡(luò)節(jié)點能耗感知識別[12]。

4 實驗與結(jié)果

為了驗證基于物聯(lián)網(wǎng)定位模型的網(wǎng)絡(luò)節(jié)點能耗感知識別方法的可行性與有效性，需對基于物聯(lián)網(wǎng)定位模型的網(wǎng)絡(luò)節(jié)點能耗感知識別方法進行相關(guān)實驗。本次實驗環(huán)境為MATLAB，計算環(huán)境為Intel(R)Core(TM)i7-6700，CPU運行速度為6.80GHz，內(nèi)存16GB。

在物聯(lián)網(wǎng)環(huán)境下，將基于物聯(lián)網(wǎng)定位模型的網(wǎng)絡(luò)節(jié)點能耗感知識別方法(所提方法)與基于分簇網(wǎng)絡(luò)的網(wǎng)絡(luò)節(jié)點能耗協(xié)作頻譜感知識別方法(文獻[2]方法)、基于異構(gòu)數(shù)據(jù)模型的網(wǎng)絡(luò)節(jié)點能耗感知識別方法(文獻[3]方法)進行測試與分析，對比3種方法的感知識別速度，測試結(jié)果如圖4所示。

圖4 不同方法的感知識別速度對比圖

據(jù)圖4數(shù)據(jù)可知，文獻[2]方法與文獻[3]方法的感知識別速度均低于所提方法，證明所提方法的感知識別速度更快且感知識別性能更強，因為所提方法在對網(wǎng)絡(luò)節(jié)點能耗問題進行感知識別時，是通過建立物聯(lián)網(wǎng)定位模型，對網(wǎng)絡(luò)節(jié)點信號強度進行映射，獲取網(wǎng)絡(luò)節(jié)點的物理坐標位置，促使所提的感知識別速度得到大幅度提升。

在相同的感知識別范圍內(nèi)，將3種方法對于網(wǎng)絡(luò)節(jié)點能耗問題的感知識別準確性進行對比，具體測試結(jié)果如圖5所示。

圖5 對比不同方法的感知識別準確率

由圖5中數(shù)據(jù)可知，所提方法的感知識別準確性要好于文獻[2]方法與文獻[3]方法，證明所提方法的感知識別效果更好，由于所提方法在對網(wǎng)絡(luò)節(jié)點能耗問題進行感知識別時，通過物聯(lián)網(wǎng)定位模型，將全局網(wǎng)絡(luò)非線性問題進行劃分，分別進行求解，對網(wǎng)絡(luò)節(jié)點進行定位，為網(wǎng)絡(luò)節(jié)點能耗感知奠定基礎(chǔ)，從而提高了感知識別準確性。

將感知識別結(jié)果可信度作為測試指標，對3種分別進行測試，測試結(jié)果如圖6所示。

圖6 不同方法的感知識別可信度對比圖

分析圖6數(shù)據(jù)可知，所提方法的感知識別結(jié)果可信度最高，文獻[2]方法與文獻[3]方法的感知識別結(jié)果可信度次之，因為所提方法在對網(wǎng)絡(luò)節(jié)點能耗問題進行感知識別時，通過物聯(lián)網(wǎng)定位模型對網(wǎng)絡(luò)節(jié)點信號進行映射，達到對未知網(wǎng)絡(luò)節(jié)點的位置估計，對網(wǎng)絡(luò)節(jié)點的感知識別準確度有所提高，進而使感知識別結(jié)果的可信度更高。

5 結(jié)束語

針對感知識別結(jié)果的準確性較低以及可信度較弱等情況。對此問題提出基于物聯(lián)網(wǎng)定位模型的網(wǎng)絡(luò)節(jié)點能耗感知識別方法，通過建立物聯(lián)網(wǎng)定位模型，對網(wǎng)絡(luò)節(jié)點信號進行映射，對未知網(wǎng)絡(luò)節(jié)點的位置估計，將全局網(wǎng)絡(luò)非線性問題進行劃分，分別進行求解，最終結(jié)合網(wǎng)絡(luò)節(jié)點能耗感知識別方法來完成對網(wǎng)絡(luò)節(jié)點能耗問題的感知與識別，該方法有效地解決了目前方法中存在的問題，在提高感知識別準確性的同時，增加了對感知識別結(jié)果的可信度。