基于信道冲击成型自适应机制的WSN大数据采集算法

翁业林，周 泓



基于信道冲击成型自适应机制的WSN大数据采集算法

*翁业林1，周 泓2

(1. 江苏财经职业技术学院，江苏，淮安 223003；2. 淮阴工学院，江苏，淮安 223003)

为解决无线传感网采集算法普遍存在的节点故障率高、链路抖动严重及抗噪性能较低等不足，提出了一种基于信道冲击成型自适应机制的无线传感网大数据采集算法。首先，根据无线传感网节点信号具有的分区及偏移特性设计了信道冲击成型方法，并基于编码率-信噪比-信号发射强度增益等参量构建能量密度与信道衰落匹配过滤方式，提高信号发射过程中能量密度；随后，通过传输信号与信道噪声具有的正交特性建立自适应抽样机制，根据垂直信号与噪声信号互相干涉中产生的正交效应进行匹配滤波，并针对节点采取了载波过滤的方式进行遍历过滤，降低了网络信号拥塞现象的发生。仿真实验表明：与当前常见的拉普拉斯抗噪传输算法（Laplasse Anti-Noise Transmission Algorithm，ANT-L机制）以及傅氏信号解析抗噪传输算法（Fourier Noise Analysis Algorithm for Noise Immunity，NI-FNA机制）相比，本文算法具有更高的数据吞吐性能，有效地降低了网络链路抖动现象，取得更低的传输误码率。

无线传感网; 大数据采集；载波过滤；信道冲击成型；信号拥塞；自适应抽样

0 引言

新移动传感网技术对传输质量及流动性控制具有很高的保障，对强干扰环境下的信道噪声具有很好的抗噪作用，成为当前WSN大数据采集算法中的热点研究领域[1-2]。

为改善当前无线传感网大数据采集算法的实际适用性能，人们提出了一系列的WSN数据采集方法，如Prabhudutta等[3]提出了一种基于距离分割传输机制的WSN大数据采集算法，该机制通过中心频率漂移方式进行载波传输，能够实现强干扰条件下大数据的抗噪采集，传输带宽较强。但是，该算法需要在节点稀疏条件下方能稳定传输，且数据吞吐性较差。Yatish等[4]提出了一种基于特征频谱混叠特征一体化传输机制的WSN大数据采集算法，该算法通过正交滤波方式实现对节点、信道传输信号频率及漂移的精确捕捉，能够实现低负载条件下数据稳定传输。但是，该算法对信号稳定性考虑不足，影响了传输带宽的进一步提升。Rong等[5]提出了一种基于投影矢量自适应机制的WSN大数据采集算法，该算法采用蜂窝区域分割方式，提高了信号正交特性，增强了算法的传输性能。但是，该算法对节点接入性能要求较高，且传输过程中容易出现卡顿现象，制约了该算法在实践中的应用。

针对当前常用的WSN大数据采集算法存在的不足，本文提出了一种基于信道冲击成型自适应机制的WSN大数据采集算法。信道冲击成型中采取基于编码率、信噪比及信号发射强度增益的综合评估方式提高信号发射过程中的能量密度；且根据信号干涉过程中的正交效应，构建自适应抽样过程，分离垂直信号与噪声信号并进行匹配滤波，减缓信道抖动，降低数据传输链路抖动频率，增强网络拥塞控制能力，实现对高干扰环境下无线传感网的高质量数据采集。最后通过NS2仿真实验环境，证明本文算法具有的优越性能。

1 本文WSN大数据采集算法

本文WSN大数据采集过程见图1。由图可知，本文算法实现步骤如下：①信道冲击成型：通过信道冲击成型发射步骤，可实现对传感数据的预采集，且实现区域数据于采集节点的信号的一一匹配，从而能够使用高密度方式对射频信号进行预发射处理；②自适应抽样：通过自适应抽样过程，可对信号强度进行提升，增强算法对传感数据的传输性能。

图1 本文WSN数据采集算法的过程

1.1 信道冲击成型

当前移动传感网数据采集均采用分区模式，处于各区域内的无线传感节点均使用无线方式进行数据采集[6]，见图2。不妨设整个网络内部的区域数量为M，采集节点个数也为M；对于任意一个采集节点而言，能够同时以K个信道的方式进行数据发送。此外，针对该采集节点而言，采集-上传的信道均具有唯一性，即数据的采集频率与信道载波频率相同。

图2 数据采集与上传模型

当用仅当式（5）、式（6）同时成立时，信号冲击成型的质量处于最优水平。

1.2 自适应抽样

由图1可知，传感信号需要经过抽样、传输、采样等过程，其数学解析形式可记为[7]：

使用模型（7）可获取网络中节点在任意时刻的传输数据，数据上传过程中需要过滤信道噪声，见图3，采用低通滤波方式即可实现对信号的强度提升，经过抗噪处理后网络信号可由如下形式表示：

图 3 自适应抽样过程

Fig.3 Sampling adaptive process

2 仿真实验

为验证本文算法的性能，本文拟采用NS2仿真实验环境，采用拉普拉斯抗噪传输算法[12]（Laplasse Anti-Noise Transmission Algorithm，ANT-L机制）以及傅氏信号解析抗噪传输算法[13]（Fourier Noise Analysis Algorithm for Noise Immunity，NI-FNA机制）进行仿真，仿真指标选取数据吞吐带宽、链路抖动率、节点故障频率、传输误码率四个指标，仿真参数如下：

表1 仿真参数表

2.1 数据吞吐带宽

图4显示了本文算法与ANT-L机制、NI-FNA机制在节点传输率不断增加时的数据吞吐带宽仿真对比。由图可知，随着节点传输率的上升，数据吞吐带宽也随之上升。然而，本文算法的数据吞吐带宽始终处于优势地位；这是由于本文算法针对信号传输过程中存在的抖动现象，构建了信道冲击成型方法，可降低因信道噪声而导致的吞吐性能下降的现象，提高了传输性能；且能够使自适应采样机制进一步提高节点对高干扰环境下的信号抖动的适应性能，减缓噪声干扰带来的垃圾数据拥塞，因此本文算法吞吐带宽较高。ANT-L机制采用单纯滤波方式进行环境噪声消除，然而由于该算法没有针对节点信号与信道噪声信号进行交互过滤，因此在数据吞吐性能的提升上并不显著。NI-FNA机制虽然在ANT-L机制上进行了简单的拥塞控制，然而该算法对信道噪声造成的垃圾数据现象考虑不足，因此在数据吞吐性能上要差于本文算法。

图4 数据吞吐带宽

2.2 链路抖动率

图5显示了本文算法与ANT-L机制、NI-FNA机制在节点传输率不断增加时链路抖动率的仿真对比，可以看出本文算法的链路抖动率始终较低。这是由于本文算法先后构建了信道冲击成型方法和自适应抽样机制，能够在进行抗噪传输的同时大大提高节点的拥塞控制效率，特别是在自适应抽样机制中能够直接采用过滤方式对可能产生噪声污染的节点进行逐个滤波，降低了因信道干扰而导致的传输错误的发生。ANT-L机制、NI-FNA机制由于数据吞吐性能不佳，容易发生因数据拥塞而带来的传输链路抖动问题，因此在链路抖动性能上要差于本文算法。

图5 链路抖动率

2.3 节点故障频率

图6显示了本文算法与ANT-L机制、NI-FNA机制在节点故障频率上的对比。由图可知，本文算法的节点故障频率要显著低于对照组机制。这是由于本文算法能够在信道冲击成型方法和自适应抽样机制中显著的对信道噪声进行抗噪处理，降低因拥塞现象带来的节点故障，且链路抖动较低，因此不同节点之间出现故障时不会出现互相串扰的现象。ANT-L机制没有专门对拥塞现象进行控制，仅采取信道噪声过滤的方式降低信号与信道噪声之间的干涉现象，因此容易发生链路抖动；NI-FNA机制虽然能够进行简单的拥塞控制，然而也存在着链路抖动较强的问题，因此节点故障频率要高于本文算法。

图6 节点故障频率

2.4 传输误码率

图7为本文算法与ANT-L机制、NI-FNA机制在传输误码率性能上的仿真对比。由图可知，本文算法的传输误码率始终较低。这是由于本文算法在节点故障频率要显著低于对照组算法，数据传输过程中发生数据误传的概率较低，特别是本文算法构建了信道冲击成型方法，能够显著的增强网络吞吐性能的同时，进一步改善传输链路抖动现象，网络运行质量较高，因而传输误码率较低；ANT-L机制单纯采取基于过滤方式进行抗噪处理，并未考虑节点故障而导致的误码现象，因而传输误码率较高；NI-FNA机制仅采取简单的拥塞控制方式，难以深入到信号层面进行抗噪处理，因而信道噪声对数据传输的影响较大，使得传输误码率较高。

图7 传输误码率

3 结束语

考虑到当前无线传感网大数据采集算法的一些不尽人意之处，提出了一种基于信道冲击成型自适应机制的WSN大数据采集算法。本文算法由信道冲击成型及抽样自适应两个方法组成，可提高传感数据采集及传输过程中的抗干扰性能，大大降低节点故障概率，提高链路抖动的适应性能，数据传输性能优越。

下一步，将针对本文机制在高密度节点环境下存在的效率较低的问题，拟采取节点-信号匹配自适应机制，解决因节点密集情况下存在的信号干涉难题，增强本文算法在高密度传感节点条件下的性能。

[1] Christos P, Nikolaos S V. Resource Efficient Data Compression Algorithms for Demanding, WSN Based Biomedical Applications[J]. Journal of Biomedical Informatics, 2016,59(12):1-14.

[2] 吕敬祥,廖海红. 分区大规模无线传感网络多跳LEACH协议[J]. 井冈山大学学报:自然科学版,2017(6): 38-42.

[3] Prabhudutta M, Manas R K. Energy Efficient Structure- Free Data Aggregation and Delivery in WSN[J]. Egyptian Informatics Journal, 2016, 17(3): 273-284.

[4] Yatish K, Mohamed Y. Restoring Connectivity in a Resource Constrained WSN[J]. Journal of Network and Computer Applications, 2016, 66(7):151-165.

[5] Rong B Z, Yang Q. Method for Monitoring the Cotton Plant Vigor Based on the WSN Technology[J]. Computers and Electronics in Agriculture,2017,133(12): 68-79.

[6] Ramnik S, Anil K V. Energy Efficient Cross Layer Based Adaptive Threshold Routing Protocol for WSN[J]. AEUE International Journal of Electronics and Communications, 2017, 72(31): 166-173.

[7] Gaddafi A S, Abdul H A. A Comparative Analysis of Energy Conservation Approaches in Hybrid Wireless Sensor Networks Data Collection Protocols[J]. Telecommunication Systems, 2016, 61(1): 159-179.

[8] Xin Q X. Applying CS and WSN Methods for Improving Efficiency of Frozen and Chilled Aquatic Products Monitoring System in Cold Chain Logistics[J]. Food Control, 2016, 60(2): 656-666.

[9] Peng W H, Xiao W L. Energy-Efficient Adaptive Slice-Based Secure Data Aggregation Scheme in WSN[J]. Procedia Computer Science, 2018, 129(19): 188-193.

[10] Sanu T, Thomaskutty M. Lossless Address Data Compression Using Quadtree Clustering of the Sensors in a Grid Based WSN[J]. Ad Hoc Networks,2016(36). 477-492.

[11] Mohamed E, Hamdy E, Alaa R. A Secure Data Routing Schema for WSN Using Elliptic Curve Cryptography and Homomorphic Encryption[J]. Journal of King Saud University-Computer and Information Sciences, 2016, 28(3): 262-275.

[12] Malathi L. Energy Efficient Data Collection Through Hybrid Unequal Clustering for Wireless Sensor Networks[J]. Computers and Electrical Engineering,2015, 48(9).358-370.

[13] Joe A J. A WSN-based Automatic Monitoring System for the Foraging Behavior of Honey Bees and Environmental Factors of Beehives[J]. Computers and Electronics in Agriculture, 2016,123(17)304-318.

Large Data Acquisition Algorithm of WSN that Based on Adaptive Mechanism of Channel Impact Shaping

*WENG Ye-lin1, ZHOU Hong2

(1. Jiangsu finance and economics Career Technical College, Huaian, Jiangsu 223003, China; 2. Huaiyin University of Technology, Huaian, Jiangsu 223003, China)

In order to solve the shortcomings of wireless sensor network acquisition algorithms, such as high rate of node failure, severe link jitter and low level of anti-noise performance, a large data acquisition algorithm based on the adaptive mechanism of channel impact shaping is proposed. Firstly, according to the signal partition and offset characteristics of nodes, a channel impact shaping method is designed.Based on the parameters of coding rate, signal-to-noise ratio and signal transmission intensity gain, a matching filtering method of energy density and channel fading is constructed to improve the energy density in signal transmitting. The orthogonal characteristic of signal and channel noise establishes an adaptive sampling mechanism, which combines the orthogonal effect of signal interference that carry out matched filtering and adopts traversal filtering to reduce network signal congestion and improves network throughput performance. The simulation results show that the proposed algorithm has better data throughput performance than Laplasse Anti-Noise Transmission Algorithms and Fourier Noise Analysis Algorithms for Noise Immunity, which effectively reduce link jitter and has lower transmission error rate.

Wireless sensor network; Large data acquisition; Carrier filtering; Channel impact molding; Signal congestion; Adaptive sampling

1674-8085(2019)03-0056-06

TP393.04

A

10.3969/j.issn.1674-8085.2019.03.010

2018-12-03；

2019-03-29

*翁业林(1981-)，男，江苏仪征人，讲师，硕士，主要从事网络通信、计算机网络技术等研究(E-mail: wenyeling@aliyun.com);

周 泓(1980-)，女，江苏淮安人，副教授，博士，主要从事无线传感器、软件技术等研究(E-mail: zhouh1980ha@126.com).