WSN中利用双重接收器结合自适应加权数据融合的簇首优化聚类算法

刘功民 朱俊杰

1(柳州铁道职业技术学院信息技术学院 广西 柳州 545616) 2(中南林业科技大学计算机与信息工程学院 湖南 长沙 410004)

0 引 言

无线传感器网络(WSN)具有布线成本低、检测精度高和可远程控制等优势，已广泛应用于环境科学、智能家居和智能交通等领域[1-2]。同时，WSN由于节点数量多且能量有限难以补充等问题，其发展与应用也受到限制。因此如何降低传感器节点的能耗，延长网络的寿命成为一个重要的研究热点[3]。

目前，针对WSN中的能耗控制大多通过MAC层协议和路由技术来实现，其中LEACH协议是最具有代表性的一种层次路由器[4]。文献[5]提出了前端领先的节能簇首(FLEECH)，用于从多个聚类中选择簇首。通过在通信网络中组织传感器节点并将数据从传感器节点路由到远程接收器以克服聚类和网络通信方面的困难。孙彦景等[6]提出EBFA路由协议，采用一种社会福利函数，预先衡量中继节点的能量消耗情况。文献[7]基于NB-IoT窄宽物联网技术设计了一种能够进行数据帧转换和处理的双模网关，以实现在WSN与NB-IoT间高效的数据融合。文献[8-9]提出了一种基于数据聚合的传感器网络可调模型，通过该模型降低了能耗，并且延长了网络的存活时间。Sinha[9]利用无线通道的广播特性以减少数据的传输量，并且是在数据融合的最后选出簇首。

由于簇首需要实现簇内与簇间通信，因此能耗比一般节点较高，这导致负载不均衡，甚至影响网络通信。文献[10]针对簇间负载不均衡性，结合能耗提出了以种群粒子优劣为依据的自适应惯性权重调整策略的簇首选举机制。文献[11]提出了EEUC(Energy Efficient Unequal Clustering)路由协议，它是一个非均匀分簇路由协议，其簇成员数量少，节约能量用于簇间多跳转发数据。文献[12-13]采用不同的聚类算法，如K-means、MRRCE(Multi-hop Routing Reducing Consumed Energy)等，并考虑剩余能量和距离等因素，实现簇首选择的最优化，以提升网络的生命周期。

此外，在连续监测应用中，移动接收器的使用可能导致延时限制，并且通信所花费的时间更长。因此引入静态和移动接收器(称为双重接收器)的组合以缓解能量漏洞，减少延时限制[14-15]，使用受控移动接收器为无线传感器网络引入了节能竞争聚类算法[16]，能够改善传感器网络的性能。

以上关于不等簇首选择方法以及网络中使用静态和移动接收器的研究侧重于解决能耗与延时等问题，但在能量利用率、网络寿命、网络密度、聚类通信成本等方面降低了WSN性能。因此，本文提出了基于双重接收器结合自适应加权数据融合的WSN簇首优化聚类算法。主要的创新点如下：

(1) 传统的节能方法无法有效地延长网络寿命和能量分配，而所提具有双重接收器的能量感知不等聚类路由算法增加了基站，能有效地转发数据、均衡负载的能量分配。

(2) 静态接收器附近的聚类耗能较多，靠近静态接收器选择簇首更是如此。因此，本文方法采用静态接收器和移动接收器(双重接收器)进行数据收集，以降低能耗。

(3) 大量传感器节点会产生海量数据，因此引入大数据技术，利用自适应加权数据融合技术减少了数据的传递数目，提高数据处理速度，降低能耗，提高了WSN的性能。

1 系统模型

1.1 网络模型

网络模型由传感器节点组成，且传感器节点在网络中均匀分布，相对于簇首(Cluster Head,CH)聚类。基站位于每个传感器区域，簇首和基站在整个过程中保持不变，每个节点分配唯一ID，根据传输范围更改属性。在WSN中这些网络模型具有以下属性：

(1) 传感器节点始终是静态的，它永远不会改变其位置。这些节点用于收集周围数据并通过无线通信将数据转发到基站。

(2) 当发射功率级别降低时，节点可能具有动态调节其功率级别的能力。

(3) 传感器区域的位置搜索中，每个传感器节点是基于接收的信号强度而不是基于GPS设备来计算它们的位置。

1.2 能量消耗模型

在LEACH协议中，仅当传感器节点选择的随机数小于阈值Ti时，传感器节点才被选为当前旋转轮的簇首。Ti的计算如下所示：

(1)

(2)

式中：Eelec是电能，是发送或接收1比特信息的能量消耗；φfs和φmp的比值是常数。在接收器中实现相同的过程并且为无线电消耗的能量是：

ERx(m)=m×Eelec

(3)

与通信能量相比，计算和存储过程所消耗的能量要低得多。因此，仅考虑通信的能耗。为了结合数字s的这些信息，能量消耗可表示为：

EDx=s×k×Emerge

(4)

式中：Emerge是合并1比特信息的能量消耗；k为能量消耗系数，通常取0.95。当距离小于Ti时，使用自由空间信道模型；当距离大于Ti时，使用多径衰落信道模型。

2 簇首优化聚类算法

基于上述系统模型，设计了基于双重接收器结合数据融合技术(Dual Receivers Combined with Data Fusion Technology,DR-DFT)的簇首优化聚类算法，以降低通信成本，节约能量并延长网络寿命。算法的流程如图1所示。

图1 本文方法整体流程

本文系统的网络模型的聚类构造如图2所示。该系统由具有簇首的许多聚类组成，簇首在每一轮中形成，具有信号强度和无线电范围。静态和移动接收器位于网络中心路径，其功能是从簇首收集数据。在网络中心，静态接收器是固定的，移动接收器在网络区域中以直线移动。节点在每一轮中聚类，由静态和移动接收器收集数据。

图2 本文方法的网络模型聚类构造

2.1 簇首选择

簇首选择基于两个过程，即TCH选择和FCH选择。基于能量的计时器(EBT)被分配给节点以选择TCH，并且基于节点的整体信任值来计算信任值，选择拥有最高信任值和能量的节点作为TCH。TCH根据竞争范围、冗余能量、节点度和簇首数等参数竞争成为FCH。

2.1.1临时簇首选择

(1) 基于能量计时器(EBT)的TCH选择。根据每个节点的能量，把传感器节点分配给定时器，并根据能量，确定分配给节点的等待时间。本文方法使用两个标准来分配等待时间，即具有较高能量的节点将被分配较短的等待时间，具有较低能量的节点将被分配较长的等待时间。将计时器值最先到期的节点选为临时簇首(TCH)。

(5)

式中：E(in)表示节点i的第n个近邻节点in的能量。对于任意传感器节点ID：Si，基于能量的等待时间值为：

(6)

根据式(6)，可知等待时间随着节点能量的增加而减小，选择此节点作为临时簇首。

(2) 基于信任值的TCH选择。使用信任值(TV)检测节点行为、节点质量和节点服务，也把它用于传感器节点的数据聚合、重新配置和路由。本文方法使用信任值收集数据并监视节点中的不同事件，结合基于能量的计时器(EBT)以寻得临时簇首。节点的信任值计算式为：

(7)

式中：NFD是转发数据包的数量；NREC是接收数据包的数量。计算单个节点的信任值，并选择具有最高信任值的节点作为临时簇首。

2.1.2最终簇首选择

基于传感器节点的能量消耗，识别聚类的死节点和活节点。附带在节点上的边数称为节点度，通过节点度这个指标衡量WSN的连通性，而增加节点度可以通过减少跳数来节省能量。通过评估每个节点的能量消耗来确定最佳节点度，其目的在于观察由传输范围控制的节点度变化引起的影响。

根据节点度和能量选择簇首节点。N的平均节点度是：

(8)

式中：d(n)是节点的度；n是节点的近邻数。网络的最小节点度定义为：

(9)

与EEUC相比，dmin和dmean提供了有效的结果。节点度降低了簇首选择的总体通信成本，增加了网络的整体寿命。每个普通节点只属于一个聚类，最小化聚类数可最大化聚类大小平均值。选择部署在密集区域的高级节点作为簇首。

假设S1、S2、S3、S4、S5是被选定的五个临时簇首，临时簇首间的竞争范围如图3所示。

图3 临时簇首之间的竞争范围

临时簇首和最终簇首选择具体步骤如下：

初始化：能量E，临时簇首Sj，总能量Etotal，转发数据包NFD，数据包总数NREC，节点非聚类集G，节点数N。

例1 临时簇首选择

1. ∀节点i∈[网络区域内]，E(i)←节点i的能量级别

2. 初始化定时器(i)←k，近邻节点in，传感器网络的第n个近邻节点Si，选择簇首为n

3. ifn为簇首

then 检查聚类距离dmax=max(dmax,距离)且dmin=max(dmin,距离)

4. 根据式(5)、式(6)分别计算平均能量和等待时间

5. 重复步骤3和步骤4，直至达到高频率的临时簇首

6. ifn发送广告并结合请求到G

节点的非聚类检查并验证簇首dmax、dmin、总能量Etotal=Etotal+E

else 创建新的聚首，形成剩余节点的非聚类集

7. 根据式(7)计算信任值

例2 最终簇首选择

8. 根据式(8)、式(9)计算节点度和平均节点度

9. 对于所有密集区域，计算临时簇首的竞争范围：

10. if 距离d(Si,静态接收器)增大

then 竞争范围Ri增大

else if 距离d(Si,静态接收器)减小

then 竞争范围Ri减小

11. 选择CH为FCH

2.2 能量消耗

本文算法在每轮中测量的冗余能量(RE)，其从当前的Round(轮次)开始，直到达到最终节点。

在本轮中，CH消耗的能量为：

冗余能量=RE+S(i)×E

(10)

平均冗余能量(ARE)：

(11)

则每轮的总能量消耗(TEC)：

TEC(Round+1)=E0×n-RE(Round+1)

(12)

如果网络中有n层可用，节点平均能耗为：

(13)

TEC由所有传输能量、接收能量、空闲能量和睡眠模式能量的平均值组成。结果显示系统中存在总的死亡和活动节点，对于这种情况，每个节点都能够将2 000位的数据包传输到接收器。此时，当传输距离较小和/或无线电能量较高时，则使用等量的能量进行发送和接收。

2.3 用于数据传输的双重接收器

在连续监测应用中使用双重接收器可减少能耗问题。所提出的双重接收器基于静态和移动接收器用于聚合数据传输网络模型。在网络的中心，固定静态接收器从附近的CH收集数据，移动接收器在网络区域中以直线运动形式朝静态接收器移动。

在传输m比特信息时，静态接收器的网络坐标表示为：

(14)

移动接收器的线性路径坐标表示为：

(15)

数据包到接收器的传输取决于簇首到移动或静态接收器之间的最小距离，在聚类间具体的通信流程如图4所示。

图4 聚类间通信的流程

2.4 自适应加权数据融合

在无线传感器网络中，由于节点的部署具有随机性与高密度性，所感应的信息具有冗余性、实时性、成本低等特点，而数据融合便可充分利用数据特征，有效减少冗余性，增强互补性。

为了更加客观地对数据权重进行处理，提出一种自适应加权数据融合技术，准确度更高，并且能够减少异常数据。提出的自适应加权数据融合技术中，当总方差最小时，自适应地寻找最优加权因子，从而得到最优的融合数据。

(16)

总方差σ2为：

(17)

(18)

(19)

对函数求极值，可得模型所对应的最优加权因子以及总方差的最小值：

(20)

3 仿真实验

3.1 实验设置

在实验过程中，基于有效的簇首选择以及基于DR-DFT的簇首优化聚类算法使用双重接收器进行数据传输，分析了网络中每个节点的特性及其性能。使用MATLAB测试所提出的方法。在这项工作中，用100个节点模拟1 000 m×1 000 m的地形区域。假定网络区域的最大竞争范围为40 m。

在仿真结果中，讨论了本文方法与现有的EEUC技术[11]、MRRCE技术[13]的比较。除此之外，通过实验以确定活动节点和死节点的数量、冗余能量、平均冗余能量、总能量损耗、平均能量损耗和网络寿命。仿真所用参数如表1所示。

表1 WSN仿真参数

3.2 实验结果对比与分析

在仿真时，每个节点都有自己的能量，能量用于与近邻节点通信以进行数据传输。活动节点具有4 250个随机选择轮，如图5所示。本文方法与EEUC技术、MRRCE技术进行比较。本文算法将活动节点数保持为较高的值，直到系统达到4 250轮。

图5 活动节点数

图6显示了不同轮次的死节点数，且本文系统的死节点数很少。当第一个节点失去其完整能量时，该轮数即网络寿命。可以看出，第一个节点在1 150轮处死亡，因此网络寿命为1 150。

图6 死节点数

图7显示了本文方法与现有的EEUC技术、MRRCE技术的冗余能量。平均4 200个节点的聚类节点的能量损耗是平衡的且接近最小值。

图7 对应轮次每个节点的冗余能量

图8显示了在不同轮次中的平均冗余能量。

图8 对应轮次每个节点的平均冗余能量

图9显示了考虑TCH和FCH方案的情况下，三种方法总能耗的比较。当考虑平衡能耗方案时，使用最佳能量配置。本文方法平衡了能耗，增加了每个传感器节点的传输速率。因为考虑到这一点，所以每个传感器节点的能耗都很低。

图9 对应轮次每个节点的总能耗

图10显示了每个节点的执行时间。将本文方法与EEUC技术和MRRCE技术进行比较，其中EEUC和MRRCE都采用单接收器。

图10 对应轮次每个节点的执行时间

可以看出，相比其他两种方法，本文方法执行时间较长。分析可知，由于双向接收器中的静态接收器位置相对固定，接收信号范围有限，而动态接收器在移动过程中会占用一定的时间，因此，相比基于单接收器的方法，本文方法一定程度上增加了耗时。但总体上看，相比其他2种方法而言，本文方法执行时间并未增加太多，仍然在可以接受的范围内。

将本文方法与现有的EEUC技术、MRRCE技术的网络寿命进行比较如表2所示。可以观察到，本文方法具有更长的网络寿命。

表2 网络寿命比较

4 结 语

针对WSN中能量分布不均衡且网络寿命较短等问题，提出一种利用双传感器结合自适应加权数据融合技术的WSN簇首优化聚类算法，以减少能耗，延长网络寿命。数据采集和传输过程中，该方法使用双重接收器，通过移动接收器减少了节点的能量消耗，利用自适应加权数据融合技术对节点收集的数据进行有效信息提取。实验结果表明，与EEUC和MRRCE技术相比，本文方法在活动节点数量、冗余能量、平均冗余能量、总能耗等方面取得了更好的结果。虽然在执行时间上略有增加，但显著提高了连续监测无线传感器网络的网络寿命以及降低了能量损耗。

未来会在双重接收器的基础上，考虑使用多重接收器进行数据搜集和传输，并利用机器学习优化聚类算法降低WSN的能耗，从而进一步提高生命周期。