水下传感网络中能效感知的相似数据融合算法

刘小强

（1.河南科技大学应用工程学院，河南 三门峡 472000；2.三门峡职业技术学院，河南 三门峡 472000）

0 引言

水下传感网络（Underwater Sensor Networks，USNs）由微型、具有感知和通信能力的传感节点组成。将这些传感节点部署于水下环境，并由它们感知自身周围环境数据，再将所感知的数据传输至信宿或者控制中心。通常，这些传感节点是由电池供电。一旦电池能量用尽，也不便以给节点替换电池或补充能量。因此，如何有效地利用节点能量，进而延长网络寿命，成为USNs 的研究热点［2-3］。

分簇是延长网络寿命的有效技术手段［4-5］。每个簇由一个簇头和多个簇成员构成。簇头收集本簇内成员节点数据；收集后，再传输至信宿。因此，簇头具有融合节点类似操作行为。目前，已有多种形成簇的技术。本文是以已构成簇的WSNs 为研究对象，讨论如何进行数据融合，进而减少数据冗余。

在同一个簇内的传感节点所处的地理位置相距较近。由于处于同一个物理区域，这些节点所感知的数据也存在一定相似，甚至重复。若它们只是简单地将数据传输至簇头，或者簇头对所收集的数据不进行处理，如减少冗余操作，这会增加节点传输的数据量，加大网络负担。

数据压缩是控制数据冗余的有效途径。文献［6］利用数据压缩策略进行融合感测的数据，并提出基于模块对角矩阵的数据融合算法。类似地，文献［7］也提出了基于分布式压缩感知技术。

文献［8］针对UWSNs，提出基于数据融合的构建簇算法，旨在减少UWSNs 内的冗余数据的传输。文献［9-10］将相似函数引入网络，并利用相似函数计算数据间的相似度。尽管这些技术减少了一些相似数据，但信宿所收到的数据仍存在冗余。

为此，提出能效感知的相似数据融合（Energy efficiency-simlarity Aggregation，EESA）算法。EESA算法基于簇化的网络拓扑结构，簇头对簇内成员节点的数据进行压缩，减少数据传输量，进而控制能耗。

1 EESA 算法

1.1 网络模型

考虑簇化的网络结构。即网络内已形成多个簇，每个簇由一个簇头和簇成员构成，如图1 所示。簇头收集簇内成员所传输的数据，并进行数据压缩处理。然后，再由簇头将数据传输至水面上的信宿，然后通过卫星通信将数据传输至数据收集中心。

图1 网络模型

1.2 数据收集模型

考虑周期的数据收集模式。每个节点周期性向簇头传输数据。簇头再传输至信宿［11］。令p 表示周期的时长，每个时长又划分 个时隙，节点在时隙ti内感测数据。令ki表示节点在时隙ti内感测的数据（简称为数据元），且i=1，…，。

1.3 能耗模型

引用文献［1］的能量消耗。水下传感节点以声波作为传输数据的媒介。信号功率随传输距离的增加而衰减。当声波的传输距离为d 时，所衰减的功率为：

其中，f 为声波信号频率。

2 EESA 算法

2.1 数据相似度

在周期p 应用中，每个节点在向簇头传输数据前，先建立数据矢量。令Ri表示节点si的数据矢量，如式（7）所示：

其中，表示在周期p 中总的数据元个数。

为了消除Ri内数据冗余，计算数据元内间的相似度。若两个数据元间的相似度小于预定阈值，则认为它们间数据冗余。具体而言，令ri，j表示数据元ki与kj的相似度，其定义如式（8）所示：

若ri，j＜δ，则认为数据元ki与kj间存在冗余。其中，δ 为数据元相似度的阈值。

2.2 数据压缩点

节点si在每个时期p 建立了数据矢量后，并依式（8）计算相似度，若相似度小于δ，则说明存在冗余。在这种情况下，需要对数据矢量进行处理。

EESA 算法引用数据压缩点策略。即将数据矢量Ri转换成代表性的点，并由这些点表述数据矢量Ri。再将这点数据传输至簇头，进而降低数据传输量，也减少了簇头收集数据量。

EESA 算法引用局部融合递归（Local Aggregation Recursive，LAR）算法构建数压点集，其过程如算法1 所示。

节点先计算数据矢量首尾数据元的连线距离，其中定义如式（9）所示：

start、end 分别表示数据矢量第一个数据元索引下标、最后一个数据元索引下标。

然后，再将Ed与阈值td进行比较。如果Ed≤td，则将第一个数据元加入至Pi，如式（10）所示：

节点si先将数据压缩点集Pi和Di传输至自己的簇头。

3 性能分析

3.1 仿真环境

为了更好地分析EESA 算法性能，利用Java 建立仿真平台。在5 000 m×5 000 m 区域内均匀部署180～360 个节点，节点部署的深度为2 000 m。具体的仿真参数如表1 所示。

表1 仿真参数

节点收集海域内海水盐度数据。将这些节点划分2～4 个簇。考虑两个场景：1）场景1：2 个簇，第1个簇有60 个节点；第2 个簇有120 个节点。这2 个簇头分别标记为CH1 和CH2；2）场景2：4 个簇，每个簇的节点为60 个节点。4 个簇头分别标记为CH1、CH2、CH3 和CH4。每个节点收集数据，再传输至自己的簇头。

同时，选择基于优适相似度的（Well-suited Similarity Functions，WSF）［10］数据融合算法作为参照，并分析它们的性能。在实验中，考虑不同的 尺寸和阈值td对性能影响。

3.2 数据分析

3.2.1 实验1

本次实验分析在场景1 环境下，节点发给簇头的数据比例（简称节点传簇头数据比），如图2 所示。 分别取值128、256、512 和1024。阈值δ 从0.001、0.005、0.01 和0.025 变化。

图2 节点传簇头数据比（场景1）

从图2 可知，EESA 算法有效地降低了节点传输至簇头的数据比。最大的节点传簇头数据比也不过40%，最低为3%。这说明：利用EESA 算法能够有效压缩数据，极大地降低了数据冗余量。此外，从图2可知，δ 或 的增加，降低了节点传簇头数据比。原因在于：随着δ 或 的增加，认定数据冗余的条件变得苛刻，因此，压缩数据的力度越大，使节点向簇头传输的数据量越小。

3.2.2 实验2

本次实验分析在场景1 环境下，信宿所收到来自CH1 和CH2 的数据比例，并与WSF 算法进行比较，如图3 所示，其中阈值δ 取0.005。

图3 簇头向信宿传输的数据比（场景1）

从图3 可知，EESA 算法中每个簇头（CH1 和CH2）向信宿传输的数据比远低于WSF 算法。在 变化期间，EESA 算法的性能均优于WSF 算法，传输至信宿的数据比低于4%。可是WSF 算法的簇头向信宿传输的比例达到50%。此外，CH1 和CH2 向信宿传输的数据比例相近。

3.2.3 实验3

本次实验分析EESA 算法执行时间，并与WSF算法进行比较，其中阈值δ 取0.005。图4 显示了场景1 环境下，EESA 算法和WSF 算法的两个簇头（CH1 和CH2）的执行时间。

图4 2 个簇头的运行时间（场景1）

从图4 可知，相比于WSF 算法，EESA 算法有效地控制了算法的运行时间。例如，在=1 024 时，EESA 算法的执行时间约50 ms，而WSF 算法的执行时间达到150 ms。这归功于EESA 算法利用欧式距离对数据压缩，减少了数据处理量，极大地缩短了运行时间。

图5 给出场景2 环境下EESA 算法和WSF 算法的4 个簇头的平均运行时间。从图可知，平均运行时间随数据元个数的增加而呈上涨趋势。原因在于：数据元个数越多，簇头需要处理的数据量就越大，必然增加了运行时间。

图5 4 个簇头的平均运行时间（场景2）

此外，相比于场景1，场景2 环境中簇内的节点数减少，运行时间下降，并且WSF 算法与EESA 算法的运行时间差距缩小。

3.2.4 实验4

引用文献［4］的能耗模型，本次实验分析EESA算法的节点能耗。

图6 EESA 算法中节点的平均能耗（场景一）

表2 给出EESA 算法与WSF 算法的节点平均能耗，其中，EESA 算法的数据来自取δ=0.001 情况。从表2 可知，相比于WSF 算法，EESA 算法有效地减少了节点能耗。并且随着 的增加，EESA 算法在能耗方面的优势越大。原因在于：EESA 算法通过压缩冗余数据，减少了节点所传输的数据量，进而减少了节点能耗。

表2 EESA 算法与WSF 算法的节点平均能耗

3.2.5 实验5

本次实验分析数据压缩误差。压缩误差体现了数据经压缩解压后数据的失真度。压缩误差越大，信息失真度越大，信息丢失越严重。压缩误差的定义如式（12）所示：

图7 压缩误差

4 结论

本文提出能效感知的相似数据融合算法EESA。EESA 算法对节点传输的数据进行压缩，减少数据冗余量。每个节点将收集的数据进行压缩，再传输至簇头，避免了冗余数据在网络内的传输。相比于WSF 算法，EESA 算法控制网络数量流量，减少了能耗。