基于物联网定位模型的网络节点能耗感知识别

孙皓月，田 亮，郝 娟，杨 阳

(1.河北建筑工程学院，河北张家口075000；2.河北师范大学，河北石家庄050024)

1 引言

随着物联网定位技术的快速发展，网络节点能耗问题已成为目前的研究热点[1]。物联网分布于人类难以接近的区域，长期执行对网络节点的监测与控制任务，使网络生存寿命长达数月或数年。网络节点能耗是影响网络生命周期的重要因素，网络节点被随机分布的各种网络中，需通过某种方式对网络节点进行感知与识别，并进行反馈。由于网络节点一般采用容量有限的电池供电，能量耗尽很快，因此，对感知与识别网络节点能耗问题的研究具有重要意义[2]。

刘逸韬[3]等人提出基于分簇网络的网络节点能耗协作频谱感知识别方法，构建多变量非线性优化问题模型，对各个变量进行优化与求解，实现对网络节点能耗的感知与识别。该方法在节点定位过程中没有对信号进行映射，导致感知识别结果的可信度较差。胡旭光[4]等人提出基于异构数据模型的网络节点能耗感知识别方法，将子网络交互影响与相应网络节点变化过程作为依据，建立不同子网络对应特征的异构数据模型，结合谱分布最大特征向量获取发生变化的网络节点，实现网络节点能耗的感知与识别。该方法在对网络节点能耗感知识别过程中没有对网络节点所对应的物理位置进行定位，导致感知识别结果的准确性较低。卢光跃[5]等人提出基于LSTM的网络节点能耗感知识别方法，利用LSTM对网络节点特征向量进行训练，获取对应节点数据分类器，通过训练好的节点数据特征向量模型实现网络节点能耗感知与识别。该方法在对网络节点能耗感知识别过程中对于没有对节点信号进行映射，对未知节点位置进行估计，导致感知识别速度较慢。

为了解决上述方法存在的问题，提出基于物联网定位模型的网络节点能耗感知识别方法，该方法在建立物联网定位模型的基础上，对网络节点的能量消耗问题进行感知与识别。

2 建立物联网定位模型

在基于物联网定位模型中，一般情况下，网络节点的定位分为两个层次，分别是训练层与定位层。在训练层次中，提取已知的网络节点信号强度，对信号空间进行映射，获取网络节点的物理坐标对物理空间进行映射，来实现定位模型的建立[6]。在定位层次中，通过上述得到的映射对未知网络节点的位置进行估计。

(1)

对信号空间到物理空间进行映射时，就CCA方法而言，仅能够对数据间的线性关系进行挖掘，并没有结合网络的局部结构信息，为了解决该问题，将CCA方法与网络的局部结构信息相结合，形成LE-LPCCA方法，把全局区域内的非线性问题进行划分，分为若干个局部线性问题进行求解，通过计算每个小邻域内的对应问题，对局部线性小问题进行求解，达到解决非线性问题的目的[7]。

通过LE-LPCCA方法进行求解前，首先对网络中近邻节点进行定义，与节点i所接收到的信号强度相似的节点集合，表示为ne(i)，局部区域的近邻样本下标集表示为ki，其中，把局部区域近邻样本通过k-近邻定义法进行划分，如果sj(zj)是ki(zi)的k-近邻样本，那么sj(zj)即是si(zi)的局部近邻。

(2)

把全局网络的非线性问题进行分解计算，分为m个局部的线性子问题，将这些线性子问题进行计算，取得结果的集合则是原始全部非线性问题的总和，也就是全局网络的非线性问题得到解决，最终的计算公式是在CCA方法计算的基础上进行优化[8]，计算公式如下

(3)

通过上式计算，完成信号空间到物理空间的映射，把数据间的映射与信号空间到物理空间的映射相结合，来实现定位模型的建立。

3 网络节点能耗感知识别方法

基于物联网定位模型的网络节点能耗感知识别方法首先选择对应的簇首节点，根据簇首节点设置感知识别区域，对感知区域中节点能耗的相关数据进行采集，构建数据回传节点集，并对前置感知识别区域与数据回传节点集进行分析，通过数据回传节点集计算节点能耗，实现节点能耗的感知识别[9]，具体步骤如下：

1)选择簇头

首先是对簇首节点的选取，每进行一次节点传输时，均需要对存活节点的剩余能量进行计算，得到网络中节点的平均能量，其计算公式如下

(4)

式中，存活节点f的剩余能量表示为Ni，死亡节点的数量表示为σ，存活节点总数表示为M。

将每个节点的剩余能量与平均能量进行对比，若节点的剩余能量高于平均能量，则该节点被分化到簇首节点的候选节点集当中，候选簇首节点集表示为CH_G。在候选节点集中，每个节点均产生不同的随机数，若产生的随机数大于阈值，则该节点被选为簇头。对于阈值定义为E(w)，取值范围如下：

(5)

式中，网络中簇头数量占总节点数的比例可表示为p，进行传输的次数表示为r，目前1/p次候选簇头节点的集合表示为CH_G，候选节点集中的节点可表示为w。

2)设定感知区域以及数据回传节点集

其次是将感知识别区域与数据回传节点集进行设定与分析，在每个节点集中，其中一部分节点至节点间的欧式距离会小于簇头节点至节点间的距离，此部分的节点会把信息传输给簇头节点。如果重复这种信息回传的操作，会使节点能量造成浪费[10]。为了对产生信息回传的节点进行准确定位，以及了解所在区域，需设置前置感知区域，并进行定义，如图1所示，图1分别由以簇首节点f为圆心，d(f，l)为半径的圆与Sink节点为圆心，d(f，Sink)为半径的圆所构成，网络中每个簇头f的前置感知识别区域表示为FA(f)，假设簇首节点f距离最近节点的欧式距离的集合为Qf。图中，集合Qf距离簇首节点f最远的节点表示为l。

图1 前置感知区域

通过上述的前置感知识别区域，对数据回传节点的具体路由行为进行分析[11]。

如图2所示，CB(f)表示每个簇首节点f所对应数据回传节点集合，当d(f，l)d(f，Sink)时，此时的节点l会把数据信息传输给Sink节点并且节点能量得到降低。

图2 数据回传节点分布图

图3 数据回传节点分布图

3)数据回传节点集计算节点能耗

最终处于前置感知识别区域中，结合数据回传节点集CB(f)的节点位置以及节点能量信息对感知识别区域中的节点能耗进行计算，计算公式如下

(6)

式中，节点l与Sink节点间的距离表示为d(l，Sink)，附属簇头节点表示为Tf(l)，节点l的剩余能量表示为Nl，即完成对前置感知区域中节点能耗的计算，实现对网络节点能耗感知识别[12]。

4 实验与结果

为了验证基于物联网定位模型的网络节点能耗感知识别方法的可行性与有效性，需对基于物联网定位模型的网络节点能耗感知识别方法进行相关实验。本次实验环境为MATLAB，计算环境为Intel(R)Core(TM)i7-6700，CPU运行速度为6.80GHz，内存16GB。

在物联网环境下，将基于物联网定位模型的网络节点能耗感知识别方法(所提方法)与基于分簇网络的网络节点能耗协作频谱感知识别方法(文献[2]方法)、基于异构数据模型的网络节点能耗感知识别方法(文献[3]方法)进行测试与分析，对比3种方法的感知识别速度，测试结果如图4所示。

图4 不同方法的感知识别速度对比图

据图4数据可知，文献[2]方法与文献[3]方法的感知识别速度均低于所提方法，证明所提方法的感知识别速度更快且感知识别性能更强，因为所提方法在对网络节点能耗问题进行感知识别时，是通过建立物联网定位模型，对网络节点信号强度进行映射，获取网络节点的物理坐标位置，促使所提的感知识别速度得到大幅度提升。

在相同的感知识别范围内，将3种方法对于网络节点能耗问题的感知识别准确性进行对比，具体测试结果如图5所示。

图5 对比不同方法的感知识别准确率

由图5中数据可知，所提方法的感知识别准确性要好于文献[2]方法与文献[3]方法，证明所提方法的感知识别效果更好，由于所提方法在对网络节点能耗问题进行感知识别时，通过物联网定位模型，将全局网络非线性问题进行划分，分别进行求解，对网络节点进行定位，为网络节点能耗感知奠定基础，从而提高了感知识别准确性。

将感知识别结果可信度作为测试指标，对3种分别进行测试，测试结果如图6所示。

图6 不同方法的感知识别可信度对比图

分析图6数据可知，所提方法的感知识别结果可信度最高，文献[2]方法与文献[3]方法的感知识别结果可信度次之，因为所提方法在对网络节点能耗问题进行感知识别时，通过物联网定位模型对网络节点信号进行映射，达到对未知网络节点的位置估计，对网络节点的感知识别准确度有所提高，进而使感知识别结果的可信度更高。

5 结束语

针对感知识别结果的准确性较低以及可信度较弱等情况。对此问题提出基于物联网定位模型的网络节点能耗感知识别方法，通过建立物联网定位模型，对网络节点信号进行映射，对未知网络节点的位置估计，将全局网络非线性问题进行划分，分别进行求解，最终结合网络节点能耗感知识别方法来完成对网络节点能耗问题的感知与识别，该方法有效地解决了目前方法中存在的问题，在提高感知识别准确性的同时，增加了对感知识别结果的可信度。