基于异常事件驱动的簇结构的检测算法

常坤 武风波 张渤 刘海强

摘 要： 有效地使用传感节点能量，并提高检测异常事件概率，成为无线传感网络应用研究热点。为此，提出基于异常事件驱动的簇结构的检测算法（AEDCTD）。AEDCTD算法通过异常事件位置建立簇，然后由簇内节点检测事件。在建立簇时，考虑了节点对事件的检测概率及节点剩余能量，只有当剩余能量大于能量阈值的节点才可能加入簇。同时，引用动态能量阈值，平衡能耗。实验数据表明，AEDCTD算法具有较低的漏检率，同时，AEDCTD算法与CCM和GEP?ADS算法的能耗相比分别降低了近4.1%和5.8%。

关键词： 无线传感网； 异常事件； 簇； 节点能量； 检测算法； 漏检率

中图分类号： TN911?34； TPT393 文献标识码： A 文章编号： 1004?373X（2018）20?0037?05

Abstract： Effective use of sensor node energy and improvement of abnormal event detection probability have become hot research spots in wireless sensor network application. Therefore， an algorithm for abnormal event driven cluster topology detection （AEDCTD） is proposed. In the AEDCTD algorithm， the cluster is constructed according to the positions of abnormal events， and events are detected by nodes in the cluster. During cluster construction， the event detection probability and residual energy of nodes are considered， and only the nodes whose residual energy is larger than the energy threshold can join the cluster. The dynamic energy threshold is introduced to balance energy consumption. The experimental results show that in comparison with the CCM and GEP?ADS algorithms， the AEDCTD algorithm has lower missed detection probability， and can save energy consumption of about 4.1% and 5.8% respectively.

Keywords： wireless sensor network； abnormal event； cluster； node energy； detection algorithm； missed detection probability

0 引 言

無线传感网络（Wireless Sensor Networks，WSNs）已在各类应用中广泛使用[1?3]，如环境监测、健康医疗、战场勘察。WSNs通过传感节点实时感测环境数据，实现对应用环境的监测。一旦检测异常事件，就感测环境数据，并将数据传输到信宿，如图1所示。检测异常事件是WSNs的重要应用之一[4]。一旦发生异常事件，如火灾、污染物泄漏，就希望传感节点及时地感测异常事件发生位置，并向此信息传递至信宿。然而，由于外界环境干扰及传感节点自身特性的影响，可能会发生对异常事件的漏检情况。其中，传感节点自身资源受限，如存储容量、数据处理能力及能量受限，尤其是能量受限。由于WSNs常部署于野外恶劣环境，给传感节点补给能量或更换电池都不具有可操作性[5]。因此，降低传感节点能耗，提高节点的能量使用率，延长对环境的检测时间成为WSNs的研究重点。

文献[6]利用机器学习算法检测异常事件，并通过K?近邻算法对传感节点进行分簇。文献[7]引用了下降迭代算法检测异常事件，并且通过调整参数提高检测概率。然而这些检测算法并没有考虑到节点能量问题。

为此，本文针对异常事件的检测问题，提出基于异常事件驱动的簇结构的检测（Abnormal Event Driven Cluster Topology Detection，AEDCTD） 算法。AEDCTD算法先计算传感节点对异常事件的检测概率，然后通过此概率和节点剩余能量建立簇，即每个事件建立一个簇，通过此簇负责对异常事件的检测。

1 GDET?CH算法

图2所示为能量传输模型，其中图2a）表示发射机模块、图2b）为接收机模块。传输每比特的所消耗的总能量[Ebit]为：

针对特定的事件，选择一群节点感测该事件成为无线传感网络研究热点之一。传感节点的核心任务之一是监测、收集重要的突发事件信息。

AEDCTD算法依据事件建立能感应该事件的群节点。建立群节点主要是根据节点与事件的发生距离，然后通过距离建立事件感测概率，最后依据概率形成群节点。

2.1 群节点

2.2 事件感测概率

假定传感节点的感测半径为[Rs]，并且每个节点的感测范围是以节点位置为中心，以[Rs]为半径的圆。考虑到外界环境干扰，节点的感测半径存在误差。假定感测误差为[Ru]，则节点的感测范围如图3所示。

2.3 能量因子

GDET?CH算法在选择簇头时，充分考虑了节点剩余能量。当节点剩余能量[Ere]大于阈值[Eth]时，才可能成为簇头，而阈值[Eth]的设定起到关键作用。为此，采用自适应的阈值机制。

首先，引用[ψ=ψ1，ψ2，…，ψm]表示节点能量的范围，且[ψ∈0，1]。随着节点工作的进行，节点能量肯定逐渐下降。换而言之，最初，阈值[Eth]可以较高，因为多数节点的能量较为充足。但是，经过一段时间后，节点能量肯定下降，如果节点阈值[Eth]过高，或者不随进行改变，那多数节点的能量肯定低于阈值[Eth]。

最初，引用[E1th]作为阈值。当网格内所有节点已做过簇头后，再引用[E2th]作为阈值，依次类推。通过这种方式，使得阈值能与网络能耗保持一致。

2.4 群形成过程

接下来，AEDCTD算法对矩阵[D1]进行排序，在第一行，按距离从小至大排序。即[σ1?←Sortσ1l]，且[?=1，2，…，k]。同时，引用序值矢量[p1k]表示各个节点的序值。相应地，排序后的矩阵[D1]表示为[D1]，序值矩阵为[P1]。

簇头产生过程的伪代码如图4所示。先将矩阵[D1]，[P1]和[Qs]初始化，并将矢量[σ1]，[p1]也初始化。其中[Qs]为节点状态矩阵，维数为[k×p]。

然后，从第一个事件开始，依据式（10），每个节点计算离此事件距离，即形成[σ11]，再进行排序。再从第二个事件，重复上述过程，直至所有传感网络均计算了离各事件距离。

接下來，依据排序后的矩阵[D1]。然后在此矩阵[D1]的每一行找出第一个事件感测概率最大的节点，并将此节点纳入群内。考虑到每个群最多只容纳[p]个节点。而在形成群时，只考虑每个群容纳[m]个节点，且[m≤p]。为此，引用变量[m]，限定群内节点数。

从第一行开始，[τ]的初值为1，找到剩余能量大于阈值，就将此节点加入到群，并且[τ]值加1，直到[τ>m]。然后，再从第二行开始，并重复上述过程，直到建立[k]个群。

3 性能仿真

3.1 仿真参数及性能指标

为了更好地估计GDET?CH算法性能，通过Matlab软件建立仿真平台。选择100 m×100 m的感测区域，且传感节点数为100。每个节点的初始能量[E0=50 J]。其他有关的能量参数如表1所示。

此外，异常事件发生率[λ]从[1]～5变化。仿真时间为100 s，每次实验独立重复50次，取均值作为最终的实验数据。

此外，利用漏检率和能耗分析AEDCTD的性能，并与CCM[9]和GEP?ADS[10]算法进行比较。之所以选择CCM和GEP?ADS作为参照，是因为它们是典型的异常事件检测算法。

3.2 漏检率

漏检率随异常事件发生率的变化曲线如图4所示。从图4可知，随着异常事件发生率[λ]的增加，漏检率呈上升趋势。在[λ]从1～3变化区间，AEDCTD的漏检率比CCM和GEP?ADS算法分别下降了40%～66.7%和29%～55%。这主要是因为AEDCTD通过事件驱动建立簇，并依据事件感测概率和剩余能量判断节点是否加入簇，具有好的检测率。

3.3 能 耗

图5分析了3个算法的能耗情况。从图5可知，随着漏检率的增加，它们能耗均在下降。当漏检率一定时，AEDCTD算法的能耗最少。与CCM和GEP?ADS算法相比，AEDCTD算法的能耗分别下降了4.1%和5.8%。这主要因为AEDCTD算法是基于事件驱动建立簇，降低了通信代价，减少了能耗。

4 结 语

异常事件检测是无线传感网络的应用之一。为此，本文提出异常事件驱动的簇结构的检测算法AEDCTD。AEDCTD算法以事件发生位置建立簇。在建立簇时，考虑了传感节点的能量及传感节点对事件的检测概率。实验数据表明，提出的AEDCTD算法减少了能耗，并且提高了对异常事件的检测率。

参考文献

[1] MURUGANATHAN S D， MA D C F， BHASIN R I， et al. A centralized energy?efficient routing protocol for wireless sensor networks [J]. IEEE communications magazine， 2005， 43（3）： 8?13.

[2] 归奕红.无线传感器网络HEDSA数据聚合研究[J].计算机工程，2011，37（7）：160?162.

GUI Yihong. Research on HEDSA data aggregation of wireless sensor network [J]. Computer engineering， 2011， 37（7）： 160?162.

[3] 沈艳霞，薛小松.无线传感器网络移动信标节点路径优化策略[J].传感器与微系统，2012，31（12）：42?44.

SHEN Yanxia， XUE Xiaosong. Path optimization strategy of WSNs mobile beacon nodes [J]. Transducer and microsystem technologies， 2012， 31（12）： 42?44.

[4] 曹冬磊，曹建农，金蓓弘.一种无线传感器网络中事件区域检测的容错算法[J].计算机学报，2007，30（10）：1770?1776.

CAO Donglei， CAO Jiannong， JIN Beihong. A fault?tolerant algorithm for event region detection in wireless sensor networks [J]. Chinese journal of computers， 2007， 30（10）： 1770?1776.

[5] TYAGI S， KUMAR N. A systematic review on clustering and routing techniques based upon LEACH protocol for wireless sensor networks [J]. Journal of network & computer applications， 2013， 36（2）： 623?645.

[6] 肖政宏，陈志刚，李庆华.WSN中基于分布式机器學习的异常检测仿真研究[J].系统仿真学报，2011，23（1）：181?187.

XIAO Zhenghong， CHEN Zhigang， LI Qinghua. Simulation study of anomaly detection based on distributed machine learning for WSN [J]. Journal of system simulation， 2011， 23（1）： 181?187.

[7] 朱翠涛，瞿毅.基于压缩感知的稀疏事件检测[J].中南民族大学学报（自然科学版），2011，30（1）：80?83.

ZHU Cuitao， QU Yi. Sparse event detection based on compressive sensing [J]. Journal of South?Central University for Nationalities （Natural science edition）， 2011， 30（1）： 80?83.

[8] JAVAID N， QURESHI T N， KHAN A H， et al. EDDEEC： enhanced developed distributed energy?efficient clustering for heterogeneous wireless sensor networks [J]. Procedia computer science， 2013， 19： 914?919.

[9] GAO Honglei， CHEN Guolong， GUO Wenzhong. A GEP?based anomaly detection scheme in wireless sensor networks [C]// Proceedings of International Conference on Computational Science and Engineering. Vancouver： IEEE， 2009： 817?822.

[10] SOUSA L D， FRERY A C， NAKAMURA E F， et al. Event detection framework for wireless sensor networks considering data anomaly [C]// Proceedings of IEEE Symposium on Computers and Communications. Cappadocia： IEEE， 2012： 500?507.