权衡能耗与延迟的数据融合算法研究

袁甜甜，徐敬东，李凯

1.天津理工大学聋人工学院，天津 300384

2.南开大学信息技术科学学院，天津 300071

◎博士论坛◎

权衡能耗与延迟的数据融合算法研究

袁甜甜1，徐敬东2，李凯1

1.天津理工大学聋人工学院，天津 300384

2.南开大学信息技术科学学院，天津 300071

在无线传感器网络的路由协议中考虑数据融合能极大地提高网络生存期性能，但随之会带来网络可靠性下降、数据传输延迟增加等问题。设计一种新的可权衡能耗与延迟的数据融合算法ECLT，通过二级模糊综合评判的方式来调整原有的路由信息，增加数据传输路径间的交叠，以提高数据融合度、延长网络生存期；同时，传感节点在转发数据的过程中还可根据本身状态来动态调整进行数据融合的等待时间，从而在均衡网络中各节点能耗的同时减少了数据传输延迟。经仿真验证，该算法能在极大的延长无线传感器网络使用寿命的同时降低数据的平均传输延迟。

无线传感器网络；多汇聚节点；数据融合；定时机制；网络生存期；传输延迟

1 引言

目前，大部分数据融合算法均偏向于路由协议方面的设计，仅强调了数据融合的重要性，而并未给出具体的融合方法，或只简单地提供了融合时机，如融合计时器溢出、节点缓存已满等等，即仅采用了周期性简单融合或周期性每跳融合定时策略[1]。近年来，研究者们已逐渐意识到上述方法的缺陷，于是将数据融合方法的研究转向如何提高数据传输时的融合度和提供周期性每跳适应融合定时机制等方面。

文献[2]通过计算汇聚节点数量、传感节点到汇聚节点的跳数及传感节点所承担的数据转发路径数等三个因素的线性组合在原有树结构的基础上重新选择父节点，从而减少参与传输的节点数和链路数，以达到延长网络生存期的目的，但该算法假设只有部分节点作为源节点周期性的产生并发送监测信息。文献[3-5]利用蚁群算法在原有路由的基础上，寻找其他新路径并增加它们之间的交叠，使网络中的信息流动更有利于数据融合。如文献[3]提出的ADADR算法使用节点深度及其拥有的信息素来选择下一跳节点，令数据包平均传输的次数大幅减少，达到节省传感节点能量的目的。同时文中还具体提供了融合定时机制PT，该机制可使融合计时器随数据包在节点缓存中的积聚而不断更新，直至溢出再转发融合后的数据。文献[6-7]将融合时机问题作为研究重点。如文献[6]提出的Cascading timing机制（CT）使传感节点的融合等待时间与其到汇聚节点的距离成正比，令距离汇聚节点较近的传感节点接收更多的数据包，以提高融合度。虽然该方法与全部传感节点等待相同时间的情况相比，其融合度较高且数据传输延迟较小，但一旦汇聚树构建完毕，各层次节点的融合等待时间并不允许随实际情况发生变化。文献[7]对CT进行了修改，即融合时机由传感节点深度及其拥有的子节点数同时决定，使拥有子节点数较多分支的融合等待时间较长以接收更多数据。该方法较CT机制可在一定程度上提高融合度但同时也会因此增加数据传输延迟，而且与CT机制一样也不允许动态调整融合时机。

本文提出了一种可权衡能耗和延迟的数据融合算法ECLT，该算法可在原有路由基础上考虑一段时间内邻居节点转发的数据包个数，并通过二级模糊综合评判来重新选择下一跳节点以增加路径间交叠、提高数据融合度。同时，本文还提供一种新的周期性每跳适应融合定时机制，使网络运行期间的平均能耗与传输延迟取得更好的平衡。

2 算法描述

本文在研究多汇聚节点无线传感器网络数据融合策略时所采用的系统模型仍使用文献[8]提出的模型。

2.1 调整路由

算法使用MSOR算法[8]获得的路由作为原有路由，且将其评判结果作为一级模糊综合评判结果，与传感节点路由表中一跳邻居在一段时间内转发的数据包个数Nforward做二级模糊综合评判，来决策网络中考虑数据融合时路由的优劣顺序，其中邻居节点的Nforward可通过传感节点自身的监听功能进行收集。

设ECLT算法中二级模糊综合评判使用的因素集和评语集分别如公式（1）和（2）所示。其中，因素集包含MSOR算法中一级模糊综合评判所得路由信息评价结果RESULT1以及传感节点路由表中邻居节点在一段时期内转发的数据包个数Nforward。另外，评语集的设置与MSOR算法所使用的评语集相一致。

该算法的二级模糊评判矩阵包括两部分，其中第一部分为MSOR算法中一级模糊综合评判得出的评价结果，如公式（3）所示：

而第二部分则为传感节点路由表中一跳邻居于一段时间内转发数据包个数Nforward的精确值相对三种评语所得到的模糊化结果，该过程使用的隶属函数分布如图1所示。因此，二级评判矩阵可由上述模糊化结果与共同生成。又由于二级模糊综合评判中各

因素对评判的影响也各不相同，故也须对各因素设置相应权重，表示成U上的模糊集A˜(2)，如公式（4）所示。通过模糊集A˜(2)与评判矩阵进行模糊运算，可得二级模糊综合评判的结果如公式（5）所示。其中，为二级模糊综合评判结果，且模糊运算中使用的模糊算子仍为加权平均型[9]。最后仍需要归一化，以便对模糊结果进行判断。

图1 N forward因素对评语集的隶属函数分布

上述过程使ECLT算法对未考虑数据融合时的最优路由进行了调整，令传感节点在数据转发时不仅可优先选择距离汇聚节点跳数较小、路径最小剩余能量较大及最小平均链路质量较大的路径进行传输，还能同时考虑一段时间内转发数据包个数较多的一跳邻居节点来传送数据，从而有效增加了路径间的交叠，为提高数据融合度提供了优质保障。ECLT算法将在传感节点周期性重新计算路由表时进行，其得到的模糊评判结果仍按评语集中三种评价的顺序进行排序，并调整原来的路由表，且其中的首项仍为主路由，其他项仍为替代路由。

2.2 timing机制

当传感节点需发送新采集的数据信息时，首先应判断其数据缓存是否为空，若非空，则须将新产生的数据信息也存入缓存，进行排队并等待融合，否则可直接通过主路由将监测数据发送至下一跳节点，以减少不必要的传输延迟。而当传感节点的数据缓存为空，并接收到第一个需转发的数据包时，则须启动等待融合的定时机制，记为定时器twait，其计算公式如式（6）所示：其中，tfix为预先设置的某一固定等待时间，Emax为传感节点的初始能量，而Ere为传感节点当前的剩余能量，Ndata为传感节点当前数据缓存中排队等待融合的数据包个数，Nbuffer为传感节点的数据缓存容量，Dhop为选择某条路径时传感节点到汇聚节点的跳数。由公式（6）可见，融合等待时间twait随Ndata的增多而减少，以动态减少等待时间、降低平均传输延迟；并且Dhop越大，twait越小，使距离汇聚节点较远的传感节点融合等待的时间较短，反之则较长，该特点符合数据融合要求，有利于融合度的提高；另外，Ere越大，则twait越小，使传感节点可较频繁地转发融合数据，以吸引更多数据包经过此节点，反之则可降低传感节点转发数据的频率，从而抑制过多数据包的接收，间接起到均衡网络节点能耗的作用。

当twait减少至0时，即融合定时器溢出，传感节点需将其数据缓存中的全部数据包进行融合并选择最优路由来转发。此外，为提升该类网络的鲁棒性，规定若出现丢包现象，则传感节点在重新发送原数据时须将其融合方式设为不允许融合，中间节点接收到这类数据则会采取立即转发的方式，而不会将其存入数据缓存等待融合。

3 算法分析

3.1 执行流程

该算法的执行流程如图2所示。

3.2 数据分析

这里利用一个实例来对上述算法进行分析。假设传感节点A在其传输范围内存在三个一跳邻居节点B、C和D，其利用MSOR算法获得的一级模糊综合评判结果由表1给出。此时，若在网络中不考虑数据融合，则通过评判结果的比较可知，传感节点A将会优先选择邻居节点B作为下一跳节点来传输数据信息。然而针对本文需要考虑数据融合的情况，因此这里又假设传感节点A在一段时间内监听到其一跳邻居节点B、C和D转发的数据包个数Nforward分别为5、15和10，则根据图1和表2对各精确数值进行模糊化并归一化后，可分别形成传感节点B、C和D的二级模糊评判矩阵如公式（7）所示：

图2 算法执行流程图

表1 传感节点的一级模糊评判结果

表2 N forward隶属函数分布中的极值

另设RESULT1和Nforward两因素在二级评判中所占权重分别为0.6、0.4，则根据公式（5），传感节点B、C和D的二级模糊评判结果如表3所示。经过比较，可知当网络中考虑数据融合时，传感节点A会由于一跳邻居节点C在该时期内能更频繁地转发数据包而将原来的下一跳节点B更改为传感节点C，这种在路由方面的调整可有效加强传输路径间的交叠，提高数据融合度，使最优传输路径朝着更有利于数据融合的方向去调整，从而更好地延长了网络生存期。

表3 传感节点的二级模糊评判结果

另外，再假设传感节点B、C和D在计算当前各自twait时具有表4所示的属性参数，则根据公式（6），它们的twait分别为0.351、0.37和0.179。从结果可得，在Emax相同、Ndata均为20个、Nbuffer及tfix均分别一致的情况下，虽然传感节点B和C距离某汇聚节点的跳数相同，但由于节点B的剩余能量较大使得其融合等待时间较短，与节点C相比能更频繁地转发数据包，以吸引更多的数据信息经过此节点进行转发，这种剩余能量较大节点能更频繁转发数据包的方式可有效均衡网络中各节点的能耗。同时，又由于传感节点D与某汇聚节点有两跳的距离，因此其融合等待时间较节点B和C均短很多，以适应网络层次结构对数据融合的影响。上述分析为对ECLT算法在理论方面的分析，其合理性及高效性也可通过仿真实验进行验证。

表4 计算t wait时的传感节点参数

4 仿真结果及分析

4.1 环境假设

（1）网络的路由协议采用MSOR最优路由选择算法[8]，而多个汇聚节点在网络运行期间的重定位策略则采用EEMSR算法[10]。

（2）由于在ECLT算法中传感节点需要通过监听功能来获取其一跳邻居节点在某段时间内转发的数据包个数Nforward，因此这里设置传感节点的监听范围与其传输范围相一致，同样为Rt。

（3）假设传感节点在进行数据融合时选择了无损融合与重复不敏感的融合方式，且可将所有等待融合的数据压缩为一个数据包进行传输。

4.2 实验设计

本文的仿真实验主要在网络生存期、数据包交付率、平均传输延迟及融合度等四方面将未考虑数据融合的MSOR算法、可权衡能耗与延迟的数据融合算法ECLT和基于节点深度及信息素计算的ADADR算法[3]进行比较。其中，由于ADADR算法未考虑网络中存在多个汇聚节点及它们的移动性等问题，因此为公平起见，除了将ADADR算法在汇聚节点个数方面进行修改，还令上述三种算法中多个汇聚节点的重定位机制均使用EEMSR算法进行决策，以使这三种算法因多汇聚节点移动对网络性能产生的影响相一致。

（1）网络生存期，即网络从启用到死亡节点deadnode[8]与孤立节点isonode[8]个数之和达到传感节点总数一半时结束的持续时间。

（2）数据包交付率，指汇聚节点接收的数据包与传感节点产生的数据包之间的比率。交付率越高，说明无线网络的可靠性越好。由于本文考虑了网络中存在数据融合的情形，因此这里特别规定汇聚节点接收的数据包数量为从融合数据包中还原的单个数据信息个数之和。

（3）平均传输延迟，无线传感器网络中的传输延迟[11]可定义为数据信息从源节点产生直至某个汇聚节点所经历的时间，一般包括三部分：数据传播延迟、处理延迟及融合延迟。假设本文的仿真实验可忽略数据处理延迟，且由于实验中所部署的无线传感器网络规模属于大规模高密度网络结构，可忽略数据的传播延迟，因此本文仿真实验所指传输延迟仅包含因数据融合所产生的延迟时间，以精确地通过对平均传输延迟的比较来评价各算法在数据融合方面的性能。

（4）融合度，又称融合率（aggregation ratio），可定义为传感节点产生的数据包成功传送至汇聚节点的总数与汇聚节点所接收到的全部数据包数量间的比率[3]。融合度一般均在1以上，且其值越大说明数据的融合度越高。

本文的仿真实验使用OMNeT++4.1平台，且采取在三维场景下节点随机布设的方式，布设范围随传感节点数量进行改变，以使网络中节点密度的变化较小。实验规模为将传感节点数量分别设置为300、500和800，其对应的监测区域范围分别为300×300×10、500×500×10和800×800×10，实验中汇聚节点数量只设为4个。另外，实验中传感节点在发送和接收信息时使用的能耗模型为First Order Radio Propagation model[12]，且模糊综合评判中使用的隶属函数阈值均利用有关小实验进行确定，以保证合理有效。本文仿真实验所使用的其他参数如表5所示，且实验的最终结果为五次仿真结果的平均值。

表5 仿真参数

4.3 实验结果分析

（1）网络生存期

如图3所示，对不同传感节点数量的仿真结果表明，ECLT算法和ADADR算法的网络生存期均明显高于未使用数据融合的MSOR算法，且ECLT算法的网络生存期又高于ADADR算法。前者所得比较结果是由于ECLT算法和ADADR算法都考虑了数据融合，使它们的网络生存期均比未考虑数据融合的MSOR算法有明显延长，从而体现数据融合对网络生存期性能的积极影响。但对于后者得出的比较结果，即在同样考虑数据融合时，由于ECLT算法使新的数据转发路径既能考虑传感节点到汇聚节点的跳数、路径最小剩余能量及路径最小平均链路质量等因素，以均衡网络中各节点能耗并有效提高了网络可靠性，又可考虑一跳邻居节点一段时间内转发的数据包数量，以增加原有路径间的交叠，提高了数据融合度；而ADADR算法则在选择下一跳节点时仅使用了传感节点深度及该节点所转发数据包个数等两项因素来进行决策，致使该算法在网络可靠性及流量均衡性等方面较ECLT算法均表现得较差。因此，采用ECLT算法的网络生存期必然会长于ADADR算法提供的网络生存期。另外，在融合定时机制中，由于ECLT算法同时考虑了传感节点当前的剩余能量、距离汇聚节点的跳数及其数据缓存占用率等三方面的因素，使剩余能量较大、转发数据量较多的传感节点可较频繁地转发融合数据，以有效均衡网络中各节点的能耗，同时也为距离汇聚节点较近的传感节点设置较长的融合等待时间，以适应网络结构对数据融合产生的影响；而ADADR算法只考虑了传感节点数据缓存占有率的单方面因素，使网络在能耗均衡性及结构对数据融合的影响等方面均表现得不如ECLT算法。由此可见，ECLT算法可更有效地延长无线传感器网络的使用寿命。

图3 三种算法的网络生存期对比

（2）数据包交付率

在图4中，ECLT算法和ADADR算法的数据包交付率均略低于未使用数据融合的MSOR算法，但这是由于数据融合本身的原因，即丢失相同的数据量将损失更多的数据信息，因此它们的鲁棒性降低是正常的。而且随着传感节点数量的增多，三种算法的数据包交付率均有所下降，其原因是由于传感节点到汇聚节点的平均跳数增加造成的，即节点间跳数变多会增加数据传输失败的可能性。而在同样都使用了数据融合的ECLT算法和ADADR算法中，前者的数据包交付率又高于后者，其主要原因在于ECLT算法的路由层协议采用了MSOR最优路由选择算法，因考虑了路径最小平均链路质量，故能有效提高网络中数据包传输的成功率，从而提升整个网络的可靠性。此外，当网络中出现丢包情况，则数据源节点会采取不允许融合的方式重新发送丢失数据，极大降低了数据信息再次丢失的概率，从而有效提高了网络的鲁棒性。而ADADR算法由于只考虑了传感节点深度及信息素等两方面的因素，因此只能保证数据信息经过较少的跳数到达某汇聚节点，来降低数据丢失的概率，而并没有从链路质量方面进行更多的考虑，导致其数据包交付率低于ECLT算法，且这种差异会随着传感节点数量的增加变得更为明显。另外，在融合定时机制中，由于ECLT算法考虑了传感节点距离汇聚节点的跳数因素，使融合等待时间与传感节点在网络中所处位置相适应，即传感节点的融合等待时间较短，则其发送的融合数据包中包含的单个数据信息必定较少，因此若这类数据包出现丢失，则损失的单个数据信息也会相对较少，可从另一侧面提高网络的数据包交付率；而ADADR算法的融合等待时间则只由数据缓存占用率来驱动，对传感节点的层次结构没有任何感知。当融合数据包压缩了相同数量的单个数据信息时，若其经历的跳数越多，则越容易丢包，即丢失更多单个数据信息，导致ADADR算法提供的网络可靠性不高。

图4 三种算法的数据包交付率对比

（3）平均传输延迟

如图5所示，ECLT算法产生的平均传输延迟要少于ADADR算法，这是由于ECLT算法在进行数据传输及融合等待时采取了多种措施从多个方面来考虑的。首先，当传感节点采集到新的数据信息并在发送时发现其数据缓存中无其他数据包等待融合时，会采取立即发送的方式将数据包传送至下一跳节点，在降低传输延迟的同时只增加了很有限的节点能耗；其次，当数据传输失败时，传感节点会立即重传丢失的数据并将其融合属性设为不允许融合，极大减少了因数据重传而产生的重复传输延迟，很好地将平均传输延迟控制在一个较小的范围；最后，ECLT算法的融合定时机制会根据传感节点数据缓存的占用率及其距离某汇聚节点的跳数来动态决定融合等待时间，以减少网络中的传输延迟。ECLT算法提出的上述三项措施均保证了在网络运行期间最大程度地减少平均数据传输延迟，且从上述分析也可得出该算法是可在节点能耗与传输延迟间进行权衡的数据融合算法。而ADADR算法为延长网络生存期、提升数据融合度，并没有对因数据融合产生的传输延迟进行过多的研究，且算法使用的融合等待定时机制也只考虑了传感节点数据缓存的占用率变化，而没有意识到传感节点在网络中所处的位置信息也应作为决定融合等待时间的重要因素，所以ADADR算法产生的平均传输延迟势必较大。另外，在图5中也可看到，随着传感节点数量的增多，两种算法的平均传输延迟均有所增加，这同样也是由传感节点到汇聚节点的平均跳数增加造成的。

（4）融合度

图5 两种算法的平均传输延迟对比

如图6所示，采用ECLT算法的数据融合度要高于ADADR算法，这是由于ECLT算法在决定下一跳转发节点时除了优先考虑距离汇聚节点近、路径最小平均链路质量大及路径最小剩余能量大的邻节点外，还会进一步衡量哪个一跳邻居节点可更频繁地转发数据包，有效提高了网络中的数据融合度。而ADADR算法因考虑网络中存在了不同应用，假设只有相同属性的数据才可融合，故其数据融合度会差于ECLT算法。但从另一方面，ADADR算法这种区分不同数据属性的融合方式正是其优势所在，该方法可很好地适用于多汇聚节点无线传感器网络，因此这也是ECLT算法需改进的方向。另外，在融合定时机制方面，ECLT算法提供的定时策略由于考虑了传感节点在网络中的层次位置，为适应汇聚节点附近传感节点数据转发任务较重的特点，使其等待更长的时间以便融合更多数据信息，从而在有效节约节点能源的同时，很好地提高了数据融合效率。而ADADR算法则只利用了传感节点数据缓存的占用率来控制传输延迟，对融合度的提升没有任何影响，因此ADADR算法在数据融合定时策略方面的表现也较逊色。在图6中，还可看到，虽然随着传感节点数量的增多，但数据融合度的提升并不明显，其原因也与传感节点到汇聚节点间的平均跳数增加有关。由于节点间跳数的增多，数据传输失败的可能性会相应变大，而ECLT算法在处理丢包现象时，会采取重新发送丢失数据且不允许融合的方式，因此这类数据信息的传输将会增加融合度统计时汇聚节点接收的数据包总量，导致数据融合度随传感节点密度增加引起的性能提升表现得并不明显。

图6 两种算法的融合度对比

5 结束语

本文提出了一种可权衡能耗与延迟的数据融合算法ECLT，该算法包括调整路由和timing机制两部分。调整路由部分将原有路由信息和邻居节点一段时间内转发的数据包个数进行二级模糊综合评判，以增加路径间交叠，提高数据融合度；timing机制则是利用节点数据缓存的占用率、剩余能量和距离汇聚节点的跳数来设置融合等待时间，既有利于均衡各节点能耗，又能尽量减少延迟。另外，ECLT算法对丢包现象的处理还可提高网络的鲁棒性。仿真结果表明，在同样使用了EEMSR算法作为多汇聚节点重定位策略的情况下，ECLT算法较MSOR算法能平均延长约1倍的网络生存时间，但会降低约3%的数据包交付率；较ADADR算法也能平均延长约10%的网络生存时间，并提高约6%的数据包交付率，降低约6%的平均数据延迟，提升约16%的数据融合度。虽然ECLT算法在网络生存期、可靠性等方面取得了不错的效果，但算法复杂度并不很理想，这也需要在下一步工作中进行改进。

[1]Fasolo E，Rossi M，Widmer J，et al.In-network aggregation techniques for wireless sensor networks：a survey[J].IEEE Wireless Communications，2007，14（2）：70-87.

[2]Pietro C，Luca M，Gian P.Efficient routing from multiple sources to multiple sinks in wireless sensor networks[J].Wireless Sensor Networks，2007，2007（4）：34-50.

[3]Jiao Z，Ren F Y，He T，et al.Attribute-aware data aggregation using dynamic routing in wireless sensor networks[C]//Proceedings of the International Symposium on a World of Wireless Mobile and Multimedia Networks（WoWMoM）.Montreal：IEEE，2010.

[4]Wang H P，Luo N.An improved ant-based algorithm for data aggregation in wireless sensor networks[C]//Proceedings of the International Conference on Communications and Mobile Computing（CMC）.Shenzhen：IEEE，2010.

[5]Kakeru M，Akihide U，Hisao Y.Bio-inspired data transmission scheme to multiple sinks for the long-term operation of wireless sensor networks[J].Artificial Life and Robotics，2010，15（2）：189-194.

[6]Solis I，Obraczka K.The impact of timing in data aggregation for sensor networks[C]//Proceedings of the International Conference on Communications（ICC）.Santa Cruz：IEEE，2004.

[7]Li H，Yu H Y，Yang B W，et al.Timing control for delayconstrained data aggregation in wireless sensor networks[J].International Journal of Communication Systems，2007，20（7）：875-887.

[8]袁甜甜，徐敬东，张建忠.基于模糊综合评判的多sink最优路由算法[J].计算机工程，2012，38（7）：73-76.

[9]刘普寅，吴孟达.模糊理论及其应用[M].长沙：国防科技大学出版社，1998.

[10]袁甜甜，徐敬东，张建忠.无线传感网中能量有效的多sink重定位算法[J].计算机工程与应用，2013，49（2）：19-23.

[11]Rajagopalan R，Varshney P K.Data-aggregation techniques in sensor networks：a survey[J].IEEE Communications Surveys &Tutorials，2006，8（4）：48-63.

[12]Minhas M R，Gopalakrishnan S，Leung V.Fuzzy algorithms for maximum lifetime routing in wireless sensor networks[C]//IEEE Global Telecommunications Conference（IEEE GLOBECOM）.New Orleans：IEEE，2008.

YUAN Tiantian1,XU Jingdong2,LI Kai1

1.Technical College for the Deaf, Tianjin University of Technology, Tianjin 300384, China
2.College of Information Technical Science, Nankai University, Tianjin 300071, China

Considering data aggregation can greatly improve the performance of network lifetime in the routing protocol of wireless sensor networks, but it will bring some problems, such as decreasing network reliability and increasing data transmission delay. In this paper, a new data aggregation algorithm ECLT is designed for balancing energy consumption and transmission delay. It can adjust the original routing information by using the two stage fuzzy comprehensive evaluation, and increase overlap between the data transmission path, in order to improve the degree of data aggregation and prolong the network lifetime. At the same time, the timing mechanism of data aggregation also can be dynamically adjusted according to sensor node’s state in the process of forwarding data, thereby balancing the energy consumption of all thenodes in the network and reducing the data transmission delay. By means of simulating in OMNeT ++ , the algorithm ECLT can greatly extend the service life of wireless sensor networks and reduce the average transmission delay.

wireless sensor networks; multi-sink; data aggregation; timing mechanism; network lifetime; transmission delay

YUAN Tiantian, XU Jingdong, LI Kai. Energy consumption and latency trade-off algorithm for data aggregation.Computer Engineering and Applications, 2014, 50（17）：1-6.

A

TP391

10.3778/j.issn.1002-8331.1309-0448

天津市信息化项目（No.082044012）；教育部人文社科规划基金项目（No.12YJA 740037）。

袁甜甜（1980—），女，博士，讲师，主要研究领域为无线传感器网络、对等计算与移动计算；徐敬东（1966—），女，教授，博士生导师；李凯（1969—），女，副教授。E-mail：yuantt2013@126.com

2013-09-27

2013-11-29

1002-8331（2014）17-0001-06

CNKI网络优先出版：2014-06-12,http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1309-0448.htm l