无线传感器网络(Wireless sensor networks,WSN)目的是对周边环境进行信息采集和简单处理,并将感知到的数据发送到基站进行进一步的处理。由于节点的能量有限,在WSN研究中,网络生存期成为了评价网络性能的一项关键指标。然而,由于网络的服务性质及目的各不相同,布置节点的初始密度、冗余度会有较大差异,同时用户对网络生存期影响因素的要求也会有所不同,因此面向服务的生存期研究是十分必要的。

在现有的生存期研究中,应用最广泛的两种判别方法为FND(First node dies)^{[ 1]}和LND(Last node dies)^{[ 2]}方法。Blough等^{[ 3]}曾在此基础上给出一种更进步的生存期评价方法CCN——基于覆盖度(Coverage)、连接率(Connectivity)和剩余节点数(Number of sensor nodes)的生存期评价方法,该方法利用向量( c₁, c₂, c₃)表征这三个特性,能够允许用户一定程度上动态调整生存期的定义。Champ等^{[ 4]}总结了当时所有生存期判断方法,并提出了两种新的方法——平均节点率法和监控兴趣点比例法。Ozgovde等^{[ 5]}量化地研究了FND和LND的不足之处,同时证明了平均节点率法也存在不足,在此基础上,他们将WSN生存期划分为4个片段,认为WSN生存期是从网络开始服务直到其不能够满足服务为止。

本文在现有研究的基础上建立了WSN生存期的四层模型,同时提出WSN广义生存期的概念,最后通过试验证明了相比于现有生存期判断方法,广义生存期判断方法具有更大的优势。

在WSN中,影响生存期的因素有很多,研究中大多关注覆盖度、连通度、时延和剩余节点数^{[ 4, 5, 6, 7]}。如今,如何能够综合考虑各种影响因素,更准确地面向服务判断WSN生存期成为越来越多研究者关注的问题。

由于WSN是一种旨在服务于用户的网络,因此服务质量(Quality of service,Qos)是WSN生存期评价中一项有效标准,只有能够满足用户服务质量需求的网络才可以认为是存活的网络。在WSN生存期中,用户自上而下地向网络提出服务需求,WSN自下而上根据用户需求提供有效服务直到生存期结束。

综合考虑WSN服务过程,本文建立了三明治模型,将WSN生存期划分为4个层次,如 图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 面向服务的WSN四层三明治模型Fig.1 4-layer Sandwich Model for Service-oriented WSN

该模型将WSN分为4个层次:用户交互层(User interaction layer,UIL)、网络传输层(Network transport layer,NTL)、网络部署层(Network deployment layer,NDL)和节点物理层(Node physical layer,NPL)。当WSN生存期开始时,用户在UIL层向网络提出需求,网络将感知到的兴趣数据及时、有效且完整地传输过来。UIL层将此需求向下传递给NTL层,要求该层提供无冲突的高效安全传输。为了提供这样的传输,NTL层要求NDL层能够保证有足够多的有效兴趣节点,而节点是否存活则是由NPL层判定。

定义1(有效兴趣节点) 一个节点被称为有效兴趣节点,当且仅当该节点:①存活;②至少有一条路径能够将兴趣数据传递到Sink节点。

定义2(存活节点) 一个节点被认为存活,当且仅当该节点:①有足够剩余能量;②能够正常感知用户有兴趣的数据③有足够存储空间存储感知到的但尚未发送的数据。

在此模型中,用户的需求被层层向下传递,而良好的下层服务能够保证上层服务的质量。当且仅当用户的需求被良好地满足时,网络被认为仍处于生存状态。

然而,在实际应用中,用户并不一定要综合考察模型中所有影响WSN生存期的因素,而仅需面向服务地考查其中若干因素。例如,Blough和Santi^{[ 3]}选择了覆盖度、连通度和剩余节点数;煤气抄表网络中,覆盖度、准确度和完整性更加重要,而及时性相比之下并不十分重要;森林防火网络中,覆盖度、及时性、准确性都十分重要;教室温测网络中,由于温度的连续性以及对记录时效性要求并不严格,覆盖度和及时性相比之下就不十分重要。因此,本文根据三明治模型总结出一种更具有一般性的网络生存期评估方法。

假设用户选择了 m种影响因素 c₁, c₂,…, c_m,用户可以根据自身对于影响因素 c_i的需求强度为其赋予权重 w_i,同时用 b_i表示该因素能否被满足。如果其中某一因素 c_i能够被良好地满足,则对应 b_i=1,反之 b_i=0。这样,WSN生存期判断问题即变成了判断式(1)中 Con_living是否为1的布尔问题:

Conliving=∏i=1mbi1

式中: Con_living是代表WSN是否处于生存期中的布尔变量,如果存在影响因子权重,则式(1)可转化为式(2):

Conliving=∑i=1mbi×wi2

此时可以根据用户对WSN服务质量的需求,设置 Con_living准值∈(0,1],这样,WSN生存期判断问题就变成了判断式(2)中 Con_living是否不小于 Con_living准值的问题。

本文进一步扩展变量 b_i的物理意义为所对应因素的满足程度,此时 b_i∈[0,1],可以更加量化地通过式(2)考查WSN的服务质量。

然而,并不是所有影响生存期的因素都是易于量化的,如覆盖度、节点冗余度等因素易于量化,而网络连通度等很多因素则较为抽象,不易量化。为了解决这个问题,将第一类易于量化的指标量化在[0,1]内,而将第二类不易量化的指标量化为0或1,即满足或不满足。例如,覆盖度可以被量化为有效覆盖面积和总面积的比值;而连通度 v_connection则被量化为:能满足网络服务需求则 v_connection =1;反之 v_connection =0。

目前,很多研究中都涉及了WSN缺失数据估计的相关内容。Halatchev等^{[ 8]}提出了缺失值估计算法——WARM算法;Jiang等^{[ 9]}提出了WARM算法的改进算法CARM算法;基于以上两种算法,潘立强等^{[ 10]}提出了一种基于时空相关性的缺失值估计算法——LM算法。但到目前为止,尚未有研究将缺失值估计相关算法和生存期判断结合在一起,然而这是十分有意义的。事实上,用户仅仅会与WSN的UIL层进行交互,向它提出服务请求并从中接收感知数据,而对下层网络运行过程并无兴趣,甚至只要数据能够反映用户感兴趣区域的兴趣指标,用户并不在乎数据是真实采集还是根据采集数据进行估测。因此,本文基于三明治模型提出了一种WSN的广义生存期。

2.1 广义生存期的概念

在实际应用中,不同服务对监测数据的精确度要求各不相同。比如,煤气抄表由于涉及用户交费,必须保证数据绝对精确,因此用户不允许出现任何缺失值估计。而室内温度测量记录由于温度的时空连续性,允许在一定程度上根据已测数据的时空相关性进行估计,这样不影响用户对室内温度的了解。从这一角度讲,WSN生存期研究中真正关心的应该是用户感知的面向服务的生存期( 图2中从 T=0到 T= T_GENER)。因此,本文提出了如 图2所示的面向服务的WSN广义生存期。

在 图2所示的五段式WSN生存期中,毫无疑问在第一个节点死亡之前( T= T_FND前)网络是处于生存状态的。从第一个节点死亡( T= T_FND)到网络实际采集数据不能满足用户需求( 图2中 T= T_REAL),部分服务中的用户是可以接受这部分缺失的,如丛林野生动物活动研究网络等。而

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 五段式WSN生存周期划分示意图Fig.2 Five-piece WSN Timeline

针对某些数据易于估测的网络,当实际数据已不能满足用户需求时,如果估测数据可以弥补这部分缺失,仍可以认为网络继续存活( T= T_REAL到 T= T_GENER),如室内温度采集记录网络等。此外,还有一部分服务中的用户认为网络一直处于存活状态直至最后一个节点死亡( T= T_LND),如某些生态采样研究网络等。

本文研究的广义WSN生存期为从 T=0到 T= T_GENER的部分,根据服务不同,可能存在 T_GENER= T_REAL或 T_GENER= T_LND或 T_REAL< T_GENER< T_LND。

通过MATLAB仿真对比了不同生存期判断方法的效果。网络初始节点布置如 图3所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 试验初始节点布置Fig.3 Nodes distribution diagram

试验中,在边长100 m的仿真区域内随机布置400个节点,Sink节点在网络监测区域中心(图中以“☆”表示)。节点平均密度0.026~0.061 个/m²,节点传输半径设置为10 m,初始能量为1 J,感知数据随机产生,每个数据包为512 bits。节点能量耗尽或无法与Sink节点通信,则认为节点已经死亡。

本文试验中能量消耗模型采用WSN研究中常用的自由空间/多路径衰减模型^{[ 11]},如式(7)所示:

ET1(n,d)=nEelec+nεfsd2,d<d0ET2(n,d)=nEelec+nεampd4,d≥d0ER(n)=nEelec7

式中: E_T1( n, d)为传输距离 d小于阈值 d₀时的能量消耗自由空间模型; E_T2( n, d)为传输距离 d大于等于阈值 d₀时的能量消耗多路径衰减模型; E_R( n)为接收数据时的能量消耗; E_elct为电路能量消耗(参考其他研究试验,本试验中取为50 nJ/bit); n为数据包比特数; ε_fs、 ε_amp为两种模型下的功率放大系数(参考其他研究试验,本试验中分别取为100 pJ/(bit·m²)和0.013 pJ/(bit·m⁴))^{[ 12]}。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 WSN服务的4种生存期判断方法对比Fig.4 Comparison diagram of four different kinds of lifetime

本文对比了不同种类WSN服务下,各生存期判断方法判定生存期结束时的剩余节点数,如 图4所示。其中, 图4(a)为对数值精度要求极高的煤气抄表网络,不允许任何误差和盲区存在,因此通过FND、CCN及广义生存期方法(GEN)所判断的生存期结束时间一致,LND方法不能满足用户需求。 图4(b)为野生动物活动情况采集网络,目的是采集尽可能多的野生动物活动情况,且野生动物个体间独立,因此只要有数据传回,即可继续进行监测,网络可以认为能够满足用户需求直至最后一个节点死亡,此时FND方法会造成大量能量的浪费,且会造成后续很多有效数据的丢弃,大大降低了网络能量的有效利用率,CCN、GEN和LND方法则生存期结束时间一致。 图4(c)为室内温度监测网络,由于温度的时空相关性,在节点不能满足覆盖度等需求时,仍可通过缺失值估计满足用户需求,故FND和CCN方法会造成能量浪费,而LND方法不一定能够满足用户需求。此时,GEN方法在满足用户需求的前提下能量有效利用率最高。 图4(d)为森林火灾预警网络,由于突发事件具有较强随机性,因此不能采用缺失值估计,此时节点不满足覆盖度等需求即认为网络失效,FND方法会造成能量浪费,CCN和GEN方法所判断的生存期结束时间一致,LND方法不能满足用户需求。综上,在满足用户需求的前提下,各种服务采用GEN方式进行生存期判断时,其能量有效利用率最高。

本文以室内温度监测网络为例,考查3种(FND、CCN和GEN)不同生存期评价标准下的剩余节点分布情况。如 图5(a)所示,当WSN第一个节点死亡时,网络仍剩余较大能量,且仍能提供有效服务。显然针对此类网络采用FND方法判断生存期结束会造成大量能量的浪费。如 图5(b)所示,当采用CCN方法判定WSN生存期结束时,网络中已存在盲区,但由于温度的时空相关性较高,部分盲区的存在并不会影响用户对整体感知区域温度的监测,因此此时判断WSN生存期结束,也会造成一定的能量浪费。如 图5(c)所示,当采用广义生存期判定WSN生存期结束时,中心接近Sink节点的区域已存在大量盲区,该区域温度缺失值已无法通过实测数据的一次估计取得,此时网络已无法为用户提供有效服务,因此此时判断网络生存期结束更加准确,且能量利用率更高。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 室内温度监测网络三种生存期判断方法剩余节点分布图Fig.5 Residual nodes distribution diagram of indoor temperature monitoring networks

通过对WSN生存期影响因素及服务过程的研究,首先提出一种面向服务的通用WSN三明治模型。该模型将WSN服务分为4个层次,用户能够更容易地选择各个层次中影响WSN生存期的因素,从而更准确地进行面向服务的WSN生存期判定。基于三明治模型,提出了WSN中广义生存期的概念,即针对某些对数据精度要求不高的网络,在用户能够接受的范围内对缺失数据进行合理估计,从而延长用户感知生存期。试验结果证明,广义生存期能够兼容现有各生存期判断方法,并能在一定程度上延长某些网络对用户的服务时间,提高了网络能量的利用率,减少了部分能量的浪费。