基于贝叶斯网络的WSNs链路质量评估机制研究*

刘　松， 舒　坚， 刘琳岚， 谷小乐

(南昌航空大学 物联网技术研究所，江西 南昌 330063)

基于贝叶斯网络的WSNs链路质量评估机制研究*

刘松， 舒坚， 刘琳岚， 谷小乐

(南昌航空大学 物联网技术研究所，江西 南昌 330063)

摘要:在无线传感器网络(WSNs)应用中，链路质量的有效评估是保障数据可靠传输和上层网络协议性能的基础性问题。针对现有无线链路质量评估研究中，链路质量等级划分仍无统一标准和模型缺乏环境自适应性问题，提出了一种基于贝叶斯网络的链路质量评估机制。从链路质量多属性角度出发，采用贴近度分析法对链路质量等级进行划分，利用贝叶斯网络对链路质量进行不确定性推理与评估建模。通过多应用场景的训练与测试，最后实际测试表明:基于贝叶斯网络的评估模型在不同应用环境具有较高准确率和泛化能力，体现了良好的自适应性。

关键词：无线传感器网络； 贴近度分析法； 贝叶斯网络； 链路质量评估

0引言

在无线传感器网络(wireless sensor networks,WSNs)应用[1～3]中，传感器节点所处环境一般较为恶劣，这使能量有限和采用低功率射频信号通信的节点易受到环境噪声和多径效应的影响，造成数据丢失，链路质量呈现出方向性、对称性、波动性及可能出现“灰区”等时空特性[4]。在通信过程中，若数据包在低质量的链路上进行传输，虽有重传机制保证数据包的完整性，但这必将导致传送效率的下降和能耗的增加。因此，通过链路质量评估机制，选择具有高质量的链路进行通信不仅可以保障数据的可靠传输，提高整网的数据吞吐率，还将降低节点的能耗，延迟网络寿命。同时，精确、稳定、灵敏的链路质量评估也是保证上层协议性能的基础，尤其对路由协议的设计者而言至关重要。

近年来，国内外在WSNs无线链路质量评估中做了大量的研究。文献[5]通过动态获取链路的信息，采用滑动窗口指数加权移动平均(WMEWMA) 机制计算30 m内的包接收率并对其进行平滑处理。基于统计的评估方法能够较为全面地反映链路状况，但会造成延时且开销较大；文献[6]中，Farkas K针对链路质量与网络模型问题进行分析，提出了一种基于信噪比(SNR)的模式匹配的XCoPred预测机制，但文献中只考虑了SNR值，对链路质量的描述不够全面。文献[7]提出了一种基于BP神经网络的链路质量预测机制，利用BP神经网络在基于时间序列预测上的优点与指数加权移动平均(exponentially weighted moving

average,EWMA)方法相比具有较高预测精度，但存在实际应用中计算量大，无法广泛应用于能量受限WSNs中。文献[8]提出了一种基于综合性评估的链路质量分类预测机制，定义了综合性评估指标FLI，但模型中链路等级划分较少，只分为好与坏两级，未考虑到链路质量特性中“灰区”的存在，易导致链路质量等级划分失效。文献[9]指出基于贝叶斯估计的链路选择(BLSP-HE)算法能有效避免传统的链路选择的方法中发送大量探测数据包的不足，并比传统方法高出10 %～20 %,其中BLSP-HE算法最稳健,性能较好。贴近度分析法[10]是一种具有模糊识别功能的评价方法，对等级划分具有一定适用性，广泛应用于土壤重金属污染水平和水环境质量的评价。

本文综合无线链路的信号强度、链路指示、信号质量等属性，采用贴近度分析法对链路质量等级进行划分，基于贝叶斯网络建立链路质量评估模型。

1链路质量等级划分

1.1评估参数的选取与离散化

为了综合评价无线链路质量和避免发送大量探测包带来的能量消耗，本文选用易于测试的物理层参数：接收信号强度指示(RSSI)、链路质量指示(link quality indication,LQI)、SNR。为提高评估精度，在链路质量等级划分和构建贝叶斯网络模型前需对实验样本进行离散化预处理。

通过大量的实际采样，可以得出RSSI的变化范围为RSSI∈[-100,-20]dBm，LQI的变化范围为LQI∈[50,110]，SNR的变化范围为SNR∈[0,50]dBm。将各个特征变量进行离散化并划分为5个等级，如表1。

表1　特征变量的离散化与等级划分

1.2基于贴近度分析法的链路质量等级划分

现有链路质量等级划分方法中大多采用单一指标和定性的划分，这无疑具有一定片面性和主观性。本文应用贴近度分析法在解决多属性决策问题上的优势，综合地对链路质量样本等级进行划分。基于贴近度分析法的链路质量等级划分算法描述如下：

1)将链路质量参数离散化后，用矩阵R表示链路质量测试样本。

3)样本可以表示为Ci=W·Ri，理想目标等级向量可表示为Dj=(0,…,1,…0)，(其中,1是第j个分量)。贴近度等级划分原则：对任何样本Ci,计算它与所有理想目标等级向量之间的贴近度N(Ci,Dj)(j=1,…,n)，若N(Ci,Dl)=max{N(Ci,Dj)}，则Ci∈Dl，(l=1,…,n)，即样本的属于等级Dl。贴近度计算方法为

P≥1

(1)

2链路质量评估的贝叶斯网络模型

贝叶斯网络[11]是采用有向图来描述概率关系的理论，由贝叶斯网络结构和模型参数(条件概率表)组成。贝叶斯网络模型的建立分为结构学习和参数学习两部分。

2.1贝叶斯网络结构学习

贝叶斯网络，即以非循环有向图表示模型结构属性，节点对应于模型中的变量，有向边代表变量的条件依赖关系。结构学习，即结合已有链路质量评估先验知识和选择的链路质量评估参数确立拟合样本数据的贝叶斯网络结构。

根据贝叶斯定理

(2)

式中Ci为基于综合性评估指标划分的链路质量类型，即链路质量评价等级，Xi为链路质量属性值。因此，用于链路质量评估的贝叶斯网络结构模型如图1所示。

图1　贝叶斯网络结构模型Fig 1　Bayesian network structure model

2.2贝叶斯网络参数学习

贝叶斯网络参数学习的主要方法有最大似然(maximum likelihood，ML)估计、贝叶斯估计(Bayesian estimation，BE)等。BE方法采用顺序计算方法，继承之前所有工作，克服了ML方法中未利用先验知识和收敛速度较慢的缺点，因此,本文选用了BE参数学习法。

给定一个含有未知参数的分布和一个完整的观测数据集合X，θ是一个随机变量，具有一个先验分布P(θ)，可以根据以往的知识估计，或者认为P(θ)是一个均匀分布。参数θ的信息发生变化，表示为P(θ|X)，称为参数θ的后验概率。BE参数学习的任务就是计算这个后验概率(式(3))，并作为参数估计的依据

(3)

依据贝叶斯概率理论，可以计算某种条件下的联合概率为

(4)

Class=max{P(Ci,X)}

(5)

最后，联合概率的最大值所对应的等级Ci，即为当前链路质量等级。

3实验与分析

3.1实验平台与场景描述

实验选用两个TelosB节点，其中一个节点作为发送端TX，另一节点作为接收端RX，接收端与PC端应用程序通过串口通信。通过WSNs链路质量测试平台(WSNs link quality testbed，WSNs-LQT)，对不同应用场景的链路质量参数进行测试。WSNs-LQT平台由南昌航空大学物联网技术研究所设计。最后，在Matlab 2012平台上使用贝叶斯网络工具箱FullBNT—1.0.4建立基于贝叶斯网络的WSNs链路质量评估模型。

鉴于WSNs现有的工业应用场景，本文设定的实验场景为：小树林、室内走廊、公路旁，分别模拟环境监测、智能家居、智能交通等应用环境。基本参数设置如下：发送功率为0 dBm;信道为26；探测包数量为50个；发包速率为0个/s；测试周期为10 s。

如图2(a)，小树林环境下，节点通信处于非视距状态下，受多径效应影响较大。脉冲重复变化率(PRR)呈现出一定的波动性，但仍处于较好状态。如图2(b)所示,室内环境中，节点间链路处于高质量状态下进行通信，PRR趋近于100 %且比较平稳，图2(c)为车流量较大的公路旁的链路状态，由于通信环境变化剧烈背景噪声繁多，链路的PRR值在20 %～80 %范围内波动较大，链路质量十分不稳定。

(a)小树林(40 m)

(b) 室内走廊(40 m)

(c) 公路旁(60 m)图2　多场景下脉冲重复率变化情况Fig 2　Change of PRR in multiple scenarios

3.2参数学习

在确定贝叶斯网络结构后，分别将上述三种场景下的链路质量测试样本采用BE[11]算法进行参数学习。

通过参数学习后得到的贝叶斯网节点先验概率，从图3(a)可以看出，小树林等环境监测应用场景下链路质量等级分布较为均衡，链路质量等级为好的概率为38 %。图3(b)室内环境下链路为好的概率为96 %，同时从其他参数的等级分布可以看出室内环境下链路质量较好且稳定。图3(c)所示，公路旁链路质量等级普遍分布在II～V 之间跨度较大且其他参数等级较低，说明公路旁链路质量稳定性较差。因此，经过参数学习得到的先验概率能基本符合各应用场景下链路质量情况。

图3　多场景下的贝叶斯网络节点先验概率Fig 3　Prior probability of Bayesian network node in multiple scenarios

对多场景下的训练样本进行参数学习后，最终得到各特征量节点的先验概率及用于贝叶斯网络概率推理的条件概率表。

3.3验证对比

通过以上步骤建立了基于贝叶斯网络的链路质量评估(BN—LQE)模型，为验证模型的准确性和泛化能力，分别取不同应用场景下未参加训练的测试样本进行实验。与BP神经网络链路质量评估模型[7]进行对比，如图4所示。

(a)　小树林

(b)　室内走廊

(c)　公路旁图4　多场景下评估模型对比Fig 4　Contrast of estimation model in multiple scenarios

从实验对比结果表2可以看出:BN-LQE模型，在多应用环境下的评估性能普遍优于BP神经网络评估方法，在小树林和室内等稳定环境下的评估性能更为突出，基本贴近链路质量等级真实值，在如公路等环境变化较为剧烈的情况下，评估精度有少许下滑。总之，BN-LQE模型评估准确率较高，并具有一定的环境自适应性。

表2　评估模型准确率对比表

4结论

本文从链路质量多属性角度出发，基于贴近度分析法对链路质量等级进行划分，利用贝叶斯网络对链路质量进行不确定性推理与评估建模。设计出BN-LQE机制。通过多应用场景的训练与测试，实际测试表明：BN-LQE模型在不同应用环境具有较高准确率和泛化能力，体现了良好的自适应性。

参考文献:

[1]于海斌，梁炜，曾鹏.智能无线传感器网络系统[M].北京：科学出版社,2013.

[2]徐显荣，高清维，李中一.一种用于农业环境监测的无线传感器网络设计[J].传感器与微系统，2009，28(7):98-100.

[3]沙超，王汝传，张悦.一种基于无线传感器网络的智能交通系统[J].传感器与微系统，2012，31(10):81-83.

[4]BaccourN.Radiolinkqualityestimationinwirelesssensornetworks:Asurvey[J].ACMTransactionsonSensorNetworks(TOSN),2012,8(4):688.

[5]高泽鹏，程良伦，胡莘.一种基于SPRR的链路质量预测算法[J].传感技术学报,2011(7):1070-1074.

[6]FarkasK,HossmannT,LegendreF,etal.Linkqualitypredictioninmeshnetworks[J].ComputerCommunications，2008,31(8):1497-1512.

[7]樊佑磊.无线传感网络链路质量预测机制研究[D].南昌：南昌航空大学，2012.

[8]郭志强，王沁，万亚东，等.基于综合性评估的无线链路质量分类预测机制[J].计算机研究与发展,2013(6):1227-1238.

[9]罗来俊，黄文宜，余秋明.基于Bayes与多层Bayes估计的WSNs链路选择算法[J].计算机工程与应用,2012(17):114-118.

[10] 赵志淼，孙丽娜，陈苏，等.贴近度分析法在辽河干流铁岭段河岸带健康评价中的应用[J].生态学杂志,2014(3):735-740.

[11] 肖秦琨，高嵩.贝叶斯网络在智能信息处理中的应用[M].北京：国防工业出版社,2012.

Research on link quality estimation mechanism for WSNs based on Bayesian networks*

LIU Song, SHU Jian, LIU Lin-lan, GU Xiao-le

(Institute of Internet of Things Technology，Nanchang Hangkong Unversity,Nanchang 330063,China)

Abstract:In application of wireless sensor networks(WSNs),effective estimation for link quality is a basic issue in guarantying data reliable transmission and upper layer network protocol performance.Aiming at problem that in existing wireless link quality estimation study,link quality hierarchy division has no uniform standard and models are lack of environmental adaptability,a link quality evaluation mechanism based on Bayesian networks is proposed.As link quality has multiple attributes,close degree analysis method is used for link quality grade division,and use Bayesian networks for link quality uncertainty reasoning and estimation modeling.Through training and testing in multi-application scenarios,practical testing results demonstrate that the link quality estimation model based on Bayesian network has high accuracy and generalization ability in different application environments,reflect good adaptability.

Key words:wireless sensor networks(WSNs); close degree analysis method; Bayesian networks; link quality estimation

DOI:10.13873/J.1000—9787(2016)04—0052—04

收稿日期：2015—07—09

*基金项目：国家自然科学基金资助项目(61262020,61363015)

中图分类号：TP 393

文献标识码：A

文章编号：1000—9787(2016)04—0052—04

作者简介:

刘松(1990-)，男，江西泰和人，硕士研究生，主要研究方向为无线传感器网络、软件工程。