基于混沌度量机制的移动传感网络节点定位算法研究*

庄绪强

(陕西青年职业学院信息工程系　西安　710068)



基于混沌度量机制的移动传感网络节点定位算法研究*

庄绪强

(陕西青年职业学院信息工程系西安710068)

摘要为解决移动传感网络部署过程中遇到的节点定位困难、精确度低以及控制开销大等问题，论文提出了基于混沌度量机制的移动传感网络节点定位算法。首先通过对信号节点传感射频强度进行混沌推断，减少了直接采取信号强度定位过程中遇到的控制运算复杂等问题，随后同时采取了高适应纠错机制，大大改善了定位过程中遇到的精度问题，同时也减少了控制开销。仿真实验表明：与DFGA算法相比，论文算法的时间复杂度与网络控制开销更低，定位精确度更高，对移动传感网的部署具有较强的指导意义。

关键词移动传感网络; 节点定位; 混沌度量; 传感射频强度; 高适应纠错机制

Class NumberTP393

1引言

随着移动传感网技术的不断发展，基于节点定位的移动传感网定位技术也不断得以提高，定位技术是传感网部署中诸如跟踪、采集、检测等应用的基础技术，成为当前研究领域的重要研究热点[1]。迄今为止人们提出了许多定位算法，不过由于当前的技术条件及算法本身局限性，使得这些算法在精度、误差、网络拓扑、节点性能上均存在诸多限制[2]。由于传感技术的特点即是通过广泛部署具有自主管理及射频信号收发能力的节点所构成，且当节点能量耗尽时随即失效，使得定位技术需要考虑到当前节点的能量消耗特性[3]。因此如何通过一定的算法降低无线传感节点能量消耗，减少环境背景噪声对无线射频信号的衰减，实现高效及精确的节点定位就成了当前移动传感网定位算法中的非常重要的组成部分[4]。

为解决当前研究中存在的这些问题，研究者提出了很多具有前瞻性的研究算法。Davide[5]提出可一种利用节点信息线性相关耦合机制，实现了节点在背景噪声强度低的情况下的精准定位。然而，由于该机制由于未能考虑到人为噪声强度与节点信号的相关特性，导致出现人为干扰时难以精确进行定位。叶苗等[6]提出一种基于多维定位机制的移动传感网定位算法，在面临高强度干扰时能够有效的实现精确定位。但是，由于该算法没有考虑到节点分布对定位的影响，导致当节点密度稀疏时定位精度大打折扣。赵雁航[7]等提出了一种基于节点拓扑无射频定位机制的定位算法，首先通过基于节点间的关联顺序，在已知锚节点的情况下对节点实现精确定位。但是，由于该算法严重依赖于锚节点的具体地理位置坐标，一旦锚节点失效则整个算法处于不可用的状态。

对此，本文提出了基于混沌度量机制的移动传感网络节点定位算法，通过对节点信号进行混沌推断，实现对信号的精确捕获，同时采取基于迭代的纠错机制，实现了对信号的精确定位。最后通过NS2仿真平台对本文算法进行了仿真。

2网络模型结构及能量传输

由于移动传感网节点具有能量受限的特性，一旦节点能量耗尽就将无法正常工作[8]，据此本文传感网结构做如下的假设：

1) 拓扑结构不可变更，即网络节点一旦部署则不能移动位置，其坐标也不会改变[9]；

2) 节点能量受限，即传感器节点依靠电池提供能源，一旦电池电力耗尽则传感器节点将整体失效[9]；

3) 传感器之间通过一定频率的无线射频信号进行信息交互，环境噪声的频率、强度对无线射频信号的传输及接收具有一定程度的影响[10]；

4) 整个网络存在一个超级中心sink节点，该节点可以通过人工直接控制，且能量不受限，信息处理能力处于无穷大的状态[10]；

5) 网络本身具有一定的抗毁性能，可以针对异常做出自我修复[11]。

从上述假设可知，由于整个网络信号采取无线传输模式，因此电池电力主要用于供给传感节点进行能量的收发。整个网络节点(sink节点除外)发送数据的能量E(k)满足如下的表达式：

E(k)=kPs+R3Pn

(1)

其中Pn为某节点在接收k比特数据时所消耗的功率，Ps为某节点在接收k比特数据并将其转发出去所消耗的功率值，R为该节点当前最大的信号覆盖半径。

当该节点的下一跳节点在接收k比特数据时所消耗的能量满足如下的表达式：

E′(k)=R3Pn

(2)

从上述模型可以看到，整个移动传感网在进行定位时需要通过消耗一定的功率，且节点在进行定位过程中的能量消耗与其信号覆盖半径呈现一定的立方关系，这是因为节点在进行定位时其信号传输是沿着欧式几何球面进行传播，因此定位信号在经过一定距离之后的衰减将呈现极为严重的下降趋势。若某个节点在进行定位的同时还需要进行数据传输，则其能量的消耗还需要承担这些比特流的射频能量消耗，因此若要实现节能定位，就必须考虑到能量消耗因素。

3本文移动传感网络节点定位算法

根据上述提出的网络模型结构及能量传输假设，本文提出了基于混沌度量机制的移动传感网络节点定位算法(A node localization algorithm for mobile sensor networks based on chaotic measurement mechanism，CMM算法)，整个算法通过信号节点传感射频强度混沌推断和高适应纠错两个部分所构成。

3.1信号节点传感射频强度混沌推断

在进行节点定位过程时，该节点与其他节点间的定位及位置关系是极为重要的定位判断因素。该节点与周围节点的数据交换关系越密切，则定位的精确程度也就越高，同时该节点的传感射频强度越大，则定位精确程度越高。由于定位节点与周围节点存在强烈的信息交互关系，因此若对一个节点进行充分定位，则其定位主要由该节点与周围节点的定位连通因子有关，通过综合考虑周围节点与该节点的定位连通因子进行基于信号射频强度的混沌推断，可以有效的实现对节点的精确定位。

设i为某个待定位的节点，其与之进行数据交换的节点个数为λi，则λi满足如下的关系：

(3)

其中v为与i相邻的节点j的集合，与i相邻的节点数量越多，则λi的权值越大。

不妨设i的初始定位坐标为ηij，则ηij满足如下的关系：

(4)

相关参数同模型(1)和模型(2)。

模型(4)所示的初始坐标反映了待定位的节点坐标与周围节点连通程度之间的关系，然而该定位为初步定位，难以在精确度上得到提高，同时由于单纯考虑节点坐标与周围节点连通程度关系无法有效的进行二次定位，故本文引入射频强度阈值，通过混沌判断对模型(4)的定位坐标进行二次定位，以便提高精确度。

首先选取能量剩余情况最好的节点作为定位参照节点，待定位节点通过这些节点进行精确定位。待定位节点通过广播机制与之相连的其他节点的同时，根据其他节点射频强度阈值大小进行排序，其中射频强度阈值E(r)计算为

(5)

其中,T为更新周期，r为定位节点进行数据定位的最大周期数，PC为下一个时刻待定位节点能够进行正常工作的概率，Pr为当前节点坐标精确度，ηij定义同模型(4)。

(6)

相应的ηij也需要进行修正，其相应的表达式如下：

(7)

相应参数同模型(1)、(2)所定义。

综合模型(6)、(7)可得待定位坐标的精度误差ωi满足如下的表达式：

(8)

可见，待定位坐标的精度误差ωi满足二次函数关系，与定位轮数有关。

3.2高适应纠错

由3.1知可知，通过模型(6)可以求得待定位节点的初始坐标，通过模型(8)实现了对初始坐标的误差精度进行了计算，同时可以知道通过模型求得最佳定位轮数，并通过该轮数直接带入模型(6)计算，即可得到最佳精度下的定位坐标[12]。

设模型(8)为r的函数，对模型(8)求二阶偏导数可得r的二次导数f″(r)满足：

(9)

(10)

由模型(10)可知，本文算法最多通过2轮定位，即可以将精度缩小到0，有效地改善了算法的收敛性能，从而进一步提高定位精度。

4仿真实验

本文采用NS2仿真平台对本文算法进行仿真，为验证本文算法的有效性，将与当前广泛使用的DFGA节点定位算法[13～14]视为对照组，并从定位消息传输成功率、定位数据存储时延、定位消息传输时延、定位精度四个指标上进行分析。具体仿真参数表1所示。

表1　仿真参数表

4.1定位消息传输成功率

图1显示了本文算法与对照组算法的消息成功传输率测试结果，从图中可知，三种算法随着网络节点数量增加均呈现不断增加的趋势，但是本文算法的定位消息传输成功率始终要好于对照组算法，这是因为本文算法引入了混沌度量机制，能够通过多轮度量增加定位精度，因此能够有效的改善定位消息的传输成功率，而对照组算法仅采取一次定位机制，当定位出现错误时难以实现实时纠正导致定位消息传输成功率低于本文算法。

图1　定位消息成功传输率测试结果

4.2定位数据存储时延

图2显示了三种算法在定位数据存储时延测试结果，从图中可知，本文算法与对照组算法都是随着网络节点数量的增加均呈现不断增加的趋势，但是本文算法的定位数据存储时延始终要好于对照组算法，这是因为本文算法引入了混沌度量机制，在节点进行数据存储时可以根据节点当前状况自主决定数据存储与否，而对照组采取简单分发模式，当网络节点出现数据拥塞现象时难以正常实现数据分发，因此导致数据存储时延较大。

图2　各算法的存储时延测试

4.3定位消息传输时延

图3显示了三种算法的定位消息传输时延测试结果，从图中可以看到，本文算法的定位消息传输时延始终要低于对照组算法，这是因为本文算法通过高效纠错机制实现了当节点传输错误时对节点的重新定位，因此能够有效的改善定位消息传输时延，当出现节点传输错误时，由于对照组无法进行多轮传输，因此，导致定位数据出现错误时难以将消息顺利发出，从而导致定位消息传输时延上比本文算法要差。

图3　定位消息传输时延测试

4.4定位精度

图4显示了本文算法与对照组算法在定位精度测试结果，依图可知，本文算法的定位精度始终要高于对照组算法，这是因为本文算法引入了高效纠错机制当节点定位精度较低时可以通过纠错及时将节点定位精度提高，且可以通过多轮定位实现节点精度的进一步提高，因此本文算法在定位精度上要好于对照组算法。

图4　三种算法的定位精度测试

5结语

本文提出了一种基于混沌度量机制的移动传感网络节点定位算法，通过对待定位节点与周围节点间关系的引入，采取基于节点射频信号强度的混沌判断，实现对节点定位的初步判断。随后分析了节点定位的精度与初步定位时的关系，采取高适应纠错方式，通过计算二次导数对节点定位的轮数做出了精确的计算，从而提高其定位精度，且仅需要通过不超过3轮定位就可实现对移动传感网络节点的精确定位。仿真实验表明，与DFGA算法相比，本文算法在定位消息传输成功率、定位数据存储时延、定位消息传输时延、定位精度上具有明显的优势，对实践具有一定的指导意义。

下一步将着重从实际部署出发，对高移动性的传感网络中如何减少定位误差上进行研究，进一步推动本文算法对各种极端网络环境的适应性能，有效的实现对复杂网络环境的全覆盖。

参 考 文 献

[1] 武时龙,张万礼,杨小莹.RSSI修正的WSN定位算法[J].重庆大学学报,2014,8(3):144-150.

WU Shilong, ZHANG Wanli, YANG Xiaobao. WSN positioning algorithm based on modified RSSI[J]. Journal of Chongqing University,2014,8(3):144-150.

[2] George Fu. WSN subunit interacts with M2 proteins of influenza A and B node[J]. Science China,2012,9(117):1098-1105.

[3] 马润泽,余志军,刘海涛.引入数据融合的WSN定位算法[J].南京邮电大学学报,2012,1(6):21-33.

MA Runze, YU Zhijun, LIU Haitao. WSN location algorithm based on data fusion[J]. Journal of Nanjing University of Posts and Telecommunications,2012,1(6):21-33.

[4] Fackle. Coverage of communication-based sensor nodes deployed location and energy efficient clustering algorithm in WSN[J]. Journal of Systems Engineering and Electronics,2010,4(12):698-704.

[5] Davide. AOD estimation in WSN localization system with synthetic aperture technique[J]. Science China,2012,10(251):2216-2225.

[6] 叶苗,王宇平.基于变方差概率模型和进化计算的WSN定位算法[J].软件学报,2013,4(21):859-872.

YE Miao, WANG Yunping. WSN localization algorithm based on variable variance probability model and evolutionary computation[J]. Software Journal,2013,4(21):859-872.

[7] 赵雁航,钱志鸿.基于跳距修正粒子群优化的WSN定位算法[J].通信学报,2013,9(8):105-114.

ZHAO Yanhang, QIAN Zhihong. WSN location algorithm based on the optimization of particle swarm optimization with jump distance[J]. Journal of Communication,2013,9(8):105-114.

[8] 顾海军,王永,崔启帆.简易WSN定位算法及其实现[J].吉林大学学报,2013,5(11):443-448.

GU Haijun, WANG Yong, CUI Qihang. Simple WSN positioning algorithm and its implementation[J]. Journal of Jilin University,2013,5(11):443-448.

[9] LI Bin, WANG Wenjie, YIN Qinye. An energy-efficient geographic routing based on cooperative transmission in wireless sensor networks[J]. Science China,2013,7(22):42-51.

[10] CHEN Guangzhu, MENG Qingchun, ZHANG Lei. Chain-type wireless sensor network node scheduling strategy[J]. Journal of Systems Engineering and Electronics,2014,2(48):203-210.

[11] ZENG Xiangxiang, PAN. Small universal simple spiking neural P systems with WSN[J]. Science China,2014,9(16):19-29.

[12] 张浩,吕真.采用入侵杂草优化算法的WSN定位精度提高方法[J].电视技术,2014,3(16):146-162.

ZHANG Hao, LV zhen. WSN positioning accuracy improvement method based on invasive weed optimization algorithm[J]. Video Technology,2014,3(16):146-162.

[13] Lee. Y. D. Fuzzy adaptive Kalmat filter with WSN integrated method[J]. Journal of South University,2015,4(27):1324-1333.

[14] GONG Weibing. An adaptive path selection model for WSN multipath routing inspired by metabolism behaviors[J]. Science China(Information Sciences),2015,10(59):133-147.

收稿日期:2016年1月8日,修回日期:2016年2月13日

作者简介:庄绪强,男,硕士,讲师,研究方向：计算机网络与网络安全。

中图分类号TP393

DOI:10.3969/j.issn.1672-9722.2016.07.021

Research and Simulation of Node Localization Algorithm Based on Chaotic Measurement Mechanism

ZHUANG Xuqiang

(Department of Information Engineering, Shaanxi Youth Vocational College, Xi’an710068)

AbstractIn order to solve the problem of node localization, accuracy and control overhead in mobile sensor network deployment, a new node localization algorithm based on chaos measurement is proposed. By using the chaotic inference of the signal intensity of the signal node, it can reduce the complexity of the control operation in the process of signal intensity. The simulation results show that the proposed algorithm can reduce the time complexity of the localization and improve the accuracy of the localization, and can greatly reduce the network control overhead.

Key Wordsmobile sensor network, node localization, chaos measurement, sensing radio frequency intensity, high adaptive error correction mechanism