一種基于時空相關(guān)性和異常檢測的改進(jìn)WSN節(jié)能策略*

萬葉晶,葉繼華,江愛文

(江西師范大學(xué)計算機(jī)信息工程學(xué)院,南昌 330022)

一種基于時空相關(guān)性和異常檢測的改進(jìn)WSN節(jié)能策略*

萬葉晶,葉繼華*,江愛文

(江西師范大學(xué)計算機(jī)信息工程學(xué)院,南昌 330022)

針對降低無線傳感網(wǎng)能耗和保證數(shù)據(jù)精度之間的矛盾,提出了自適應(yīng)采樣數(shù)據(jù)并利用壓縮感知進(jìn)行壓縮的方法。傳統(tǒng)的基于壓縮感知的無線傳感器數(shù)據(jù)壓縮,只采樣部分節(jié)點的數(shù)據(jù),對于未被采樣節(jié)點感知到的突發(fā)事件很有可能發(fā)生漏檢情況。本文方法檢測所有節(jié)點上傳的數(shù)據(jù)再進(jìn)行壓縮,可以有效避免漏檢情況的發(fā)生。根據(jù)信號具有時間相關(guān)性的特點,本文采用基于方差分析ANOVA(Analysis of Variance)原理改進(jìn)的傳感器自適應(yīng)采樣頻率方法,并考慮節(jié)點剩余能量,減少平穩(wěn)信號的采集次數(shù),均衡網(wǎng)絡(luò)節(jié)點能耗。在LEACH協(xié)議基礎(chǔ)上,對簇內(nèi)數(shù)據(jù)進(jìn)行壓縮感知的方法對數(shù)據(jù)進(jìn)行壓縮從而減少數(shù)據(jù)的空間相關(guān)性并傳輸?shù)絽R聚節(jié)點,以減少網(wǎng)絡(luò)整體的能量消耗。針對可能的漏報情況,提出一種改進(jìn)的局部事件監(jiān)測算法—滑動窗口局部事件監(jiān)測SW-LED(Sliding Window-Local Event Detection)算法,實現(xiàn)了實時準(zhǔn)確的異常檢測和預(yù)警。實驗結(jié)果表明本文方法既可以有效的均衡網(wǎng)絡(luò)節(jié)點能耗以提高網(wǎng)絡(luò)生存周期,同時保證了數(shù)據(jù)的精度,對于異常情況的識別率也有很大的提高。

無線傳感網(wǎng);時空相關(guān)性;SW-LED;ANOVA;壓縮感知;異常檢測

無線傳感網(wǎng)中,節(jié)點通常是由能量有限的電池供電,且部署完成后很難再次充電,網(wǎng)絡(luò)的節(jié)點生存時間存在著能量約束,因此,降低網(wǎng)絡(luò)能耗是非常重要的問題。許多學(xué)者從多個方面提出降低網(wǎng)絡(luò)能耗的算法,文獻(xiàn)[1-2]是通過對網(wǎng)絡(luò)協(xié)議的改進(jìn)和優(yōu)化達(dá)到降低能耗的效果但是并沒有考慮異常事件和數(shù)據(jù)的處理。文獻(xiàn)[3]中提出的Modified LED算法,將測量數(shù)據(jù)離散化為一些有限的等級區(qū)間,再根據(jù)等級編號變化來決定是否傳輸數(shù)據(jù),雖然可以在一定程度上減少數(shù)據(jù)傳輸量,但極大的削弱了數(shù)據(jù)的精度,因此不適宜用在數(shù)據(jù)精度要求高的場景和應(yīng)用中。為了減少網(wǎng)絡(luò)的通信量以降低能耗,在文獻(xiàn)[4-5]中提出各種網(wǎng)內(nèi)數(shù)據(jù)融合方法,如使用BP神經(jīng)網(wǎng)絡(luò)、多區(qū)域能量感知等能在某一特定應(yīng)用場合起到很好的效果,但是算法復(fù)雜且不具有通用性。文獻(xiàn)[6-8]提出使用壓縮感知的方法對數(shù)據(jù)進(jìn)行壓縮,簇首收集簇成員發(fā)送的數(shù)據(jù)并根據(jù)數(shù)據(jù)的空間相關(guān)性對數(shù)據(jù)進(jìn)行壓縮。傳統(tǒng)的基于壓縮感知的無線傳感器數(shù)據(jù)壓縮,只采樣部分節(jié)點的數(shù)據(jù),對于未被采樣節(jié)點感知到的突發(fā)事件很有可能發(fā)生漏檢情況。本文在考慮避免漏檢情況發(fā)生的情況下,檢測所有節(jié)點上傳的數(shù)據(jù)再進(jìn)行壓縮,可以有效避免漏檢情況的發(fā)生。

針對上述不足,本文綜合考慮了實際采集過程所獲取數(shù)據(jù)的時間相關(guān)性,采用減少采樣頻率以達(dá)到延長數(shù)據(jù)采集和發(fā)送周期的目的。傳感器基于LEACH路由協(xié)議采集數(shù)據(jù),采用壓縮感知的方法,將數(shù)據(jù)投影至低維空間,減少簇首節(jié)點與Sink節(jié)點間的通信量。在數(shù)據(jù)采集過程中,為避免因減少數(shù)據(jù)采集次數(shù)而對異常信號漏檢的情況,本文增加對異常信號的判斷和處理,對于節(jié)點產(chǎn)生的異常數(shù)據(jù)進(jìn)行滑動窗口校驗[9]結(jié)合鄰居節(jié)點數(shù)據(jù)判斷是節(jié)點故障或網(wǎng)絡(luò)傳輸錯誤還是發(fā)生異常事件。

1 網(wǎng)絡(luò)模型

針對網(wǎng)絡(luò)模型作以下常見假設(shè)[2]:所有節(jié)點在區(qū)域范圍內(nèi)隨機(jī)均勻分布,不隨時間移動,可以感知自身剩余能量;節(jié)點具有一定的儲存和處理數(shù)據(jù)的能力;匯聚節(jié)點位于區(qū)域中心。

無線傳感網(wǎng)絡(luò)中,采用與文獻(xiàn)[10]所用相同網(wǎng)絡(luò)能耗模型,節(jié)點數(shù)據(jù)傳輸模型如下所示:

ETx(l,d)=ETx-elec(l)+ETx-amp(l,d)=

(1)

ERx(l)=ERx-elec(l)=lEelec

(2)

2 自適應(yīng)采樣WSN壓縮感知數(shù)據(jù)融合

2.1 自適應(yīng)采樣和改進(jìn)算法

對于物理信號的采集,固定采樣周期的節(jié)點對于變化緩慢的信號常常會過采樣,這樣不僅增加了能量的消耗,也增加了許多不必要的數(shù)據(jù)傳輸,本文采用自適應(yīng)采樣方法可以根據(jù)信號的變化快慢調(diào)節(jié)采樣頻率,充分利用信號的時間相關(guān)性,減少冗余信號的感知和傳輸。

自適應(yīng)采樣周期算法的原理是:節(jié)點數(shù)據(jù)傳輸周期為P,m個周期為一輪,節(jié)點每經(jīng)過一輪就調(diào)整采樣頻率。本文采樣頻率調(diào)整策略為比較這一輪的m個周期間所測得數(shù)據(jù)均值(一個周期內(nèi)進(jìn)行多次采樣)變化是否在可接受區(qū)域內(nèi),周期間的方差可以被認(rèn)為是測量差異的一個度量值。因此本文對其進(jìn)行方差一致性檢驗,使用F分布中的統(tǒng)計檢驗量F的大小來檢驗判斷m個周期內(nèi)測量數(shù)據(jù)均值是否有顯著變化。經(jīng)過計算得到檢驗統(tǒng)計量F,把F與給定的顯著性水平a所對應(yīng)的閾值Ft進(jìn)行比較,在F小于閾值的情況下,即在F分布接受域中,下一輪的采樣頻率即調(diào)整為F值所對應(yīng)的函數(shù)值。檢驗統(tǒng)計量F越大,說明物理信號的變化速度越快,相應(yīng)地,我們應(yīng)該加快采樣頻率?？梢缘贸?F與采樣頻率成正比關(guān)系,為了刻畫不同情況下的正比關(guān)系,故本文使用二次貝塞爾曲線來刻畫采樣頻率和F值的關(guān)系。

2.1.1 方差分析

首先假設(shè)每個周期內(nèi)采集的數(shù)據(jù)服從獨(dú)立正態(tài)分布,且方差相等,方差分析的目標(biāo)是比較節(jié)點在不同周期內(nèi)測量數(shù)據(jù)均值的差異。假設(shè)采集了J個周期的共N個數(shù)據(jù)。定義ST為測的數(shù)據(jù)總方差,SR為周期內(nèi)測量數(shù)據(jù)方差,SF為周期間測量數(shù)據(jù)均方差。

由假設(shè)條件可知,SR,SF均服從正態(tài)總體分布,并進(jìn)一步可以推導(dǎo)出:

(3)

所以,我們可以使用F檢驗的方法來比較各周期測量均值的差異,規(guī)定閾值Ft=F1-a(J-1,N-J),a為顯著性水平。根據(jù)測得的數(shù)據(jù)計算出J個周期中N個數(shù)據(jù)計算出F的值,將其和閾值Ft比較,當(dāng):①F>Ft時,可知周期間均值不同,節(jié)點采樣頻率調(diào)節(jié)到最大采樣頻率Smax;②F

2.1.2 貝塞爾曲線和參數(shù)k的選取

為了刻畫采樣頻率和F之間的變化關(guān)系,引入二次貝塞爾曲線,由(0,0),(Ft,Smax)和參數(shù)k確定一條平滑貝塞爾曲線B(F,Ft,k,Smax),其中0

2.1.3 自適應(yīng)采樣改進(jìn)算法

本文在[11]的基礎(chǔ)上,自適應(yīng)調(diào)整采樣周期的同時,將節(jié)點剩余能量考慮進(jìn)去,進(jìn)一步提升節(jié)點能量使用效率,均衡網(wǎng)絡(luò)中的節(jié)點能量消耗,延長網(wǎng)絡(luò)的生命周期。在文獻(xiàn)[11]中,參數(shù)k為根據(jù)場景應(yīng)用人為指定,本文提出根據(jù)節(jié)點剩余能量Eres來動態(tài)調(diào)節(jié)參數(shù)k,即:

(4)

式中:Etotal是節(jié)點初始能量,k0為節(jié)點初始預(yù)設(shè)參數(shù)。

采用動態(tài)調(diào)整參數(shù)k的方法,可以在節(jié)點剩余能量不多的情況下自適應(yīng)的減少數(shù)據(jù)的采集和傳輸,避免某些節(jié)點過早死亡,增加節(jié)點壽命,從而延長整個網(wǎng)絡(luò)生存時間。自適應(yīng)采樣算法如下所示。

1ASAlgorithm(自適應(yīng)采樣算法)

輸入:一輪周期數(shù)m,最大采樣頻率Smax

1:初始化:實時采樣頻率St←Smax;輪數(shù)r←0;周期數(shù)i←0

2:WhileEres>0do

3:forr←r+1

4:fori=1→mdo

5:takesmeasuresatStspeed

6:endfor

7:computeSR,SF,F

8:ifN

9:St←Smax

10:else

11:findFt

12:ifF

13:ifEres>1/2*Etotalthen

14:St←BV(F,Ft,k0,Smax)

15:else

16: k←Eres/Etotal

17:St←BV(F,Ft,k,Smax)

18:endif

19:endif

20:endif

21:endwhile

2.2 壓縮感知

在大規(guī)模無線傳感監(jiān)測網(wǎng)絡(luò)的應(yīng)用中,為了保證監(jiān)測數(shù)據(jù)的準(zhǔn)確性和網(wǎng)絡(luò)整體的連通性,節(jié)點通常是高密度分布的,因此網(wǎng)絡(luò)傳輸數(shù)據(jù)量中有許多冗余數(shù)據(jù)。鄰近的傳感器采樣值在空間上具有很大的相關(guān)性,在經(jīng)過異常檢測后無異常情況后,本文采用壓縮感知的方法來去除這些數(shù)據(jù)在空間上的相關(guān)性,減少數(shù)據(jù)的傳輸以達(dá)到節(jié)能的效果。由先驗知識可知傳感器信號分布在小波空間具有稀疏性[12],生成的隨機(jī)矩陣與小波基組成的矩陣不相干程度非常大,且隨機(jī)矩陣的生成并不復(fù)雜。將原始數(shù)據(jù)投影到隨機(jī)矩陣后實現(xiàn)了數(shù)據(jù)壓縮,并在匯聚節(jié)點使用一些非線性方法可以解原始數(shù)據(jù)組成的欠定方程,進(jìn)而重構(gòu)出原始數(shù)據(jù)。本文采用壓縮感知對簇內(nèi)節(jié)點發(fā)送過來的數(shù)據(jù)進(jìn)行壓縮,減少網(wǎng)絡(luò)中冗余數(shù)據(jù)的傳輸,降低傳輸能量,提高網(wǎng)絡(luò)的生存時間。

2.2.1 隨機(jī)投影

在LEACH協(xié)議中,網(wǎng)絡(luò)隨機(jī)分簇并根據(jù)閾值選出簇頭,所有簇成員節(jié)點將自己在每一周期內(nèi)采集的數(shù)據(jù)發(fā)送給簇頭,簇頭將簇內(nèi)節(jié)點發(fā)送的數(shù)據(jù)整合轉(zhuǎn)發(fā)給匯聚節(jié)點。本文使用壓縮感知,在簇頭將數(shù)據(jù)進(jìn)行隨機(jī)投影壓縮后,將壓縮后小的多的數(shù)據(jù)發(fā)送給匯聚節(jié)點。所有簇首同步產(chǎn)生隨機(jī)觀測矩陣G,設(shè)第I個簇內(nèi)節(jié)點數(shù)為ni,簇內(nèi)節(jié)點數(shù)據(jù)向量為s(I)=[x1,x2,…,xni]T,將數(shù)據(jù)向量投影到觀測矩陣G上,則有

(5)

上式[7]中ym(I)是第I個簇首對簇內(nèi)節(jié)點進(jìn)行線性壓縮投影的信息,是一個m維的列向量,且m?n;定義m/n為數(shù)據(jù)的壓縮比,是實際觀測數(shù)據(jù)個數(shù)與原始數(shù)據(jù)個數(shù)比例。原始數(shù)據(jù)經(jīng)過投影到隨機(jī)矩陣G后達(dá)到數(shù)據(jù)壓縮的效果,m的大小由ni和簇內(nèi)節(jié)點信號的稀疏度決定。假設(shè)總節(jié)點數(shù)為N,在某一輪中形成C個簇,簇I經(jīng)過隨機(jī)投影壓縮后的數(shù)據(jù)傳輸量為ni+m-1,整個網(wǎng)絡(luò)的通信負(fù)載為N+C*(m-1)。由于m?n,可以得出,壓縮后的數(shù)據(jù)傳輸量遠(yuǎn)小于未經(jīng)壓縮的數(shù)據(jù)傳輸量。

2.2.2 數(shù)據(jù)重構(gòu)

(6)

匯聚節(jié)點利用非線性數(shù)值方法如BP算法(基追蹤)、貪婪算法[13]和閾值迭代算法[14-15]等對壓縮數(shù)據(jù)進(jìn)行重構(gòu)。貪婪算法的實現(xiàn)形式有很多,應(yīng)用較廣,如正交匹配算法(OMP)、最優(yōu)正交匹配算法(OOMP)、規(guī)范化正交貪婪算法(ROMP)、梯度貪婪算法等。數(shù)據(jù)重構(gòu)的理論依據(jù)是:當(dāng)信號存在稀疏或在變換域上具有稀疏性,觀測矩陣G在滿足RIP的條件下只需要采集m=O(klogN)維的數(shù)據(jù)就可以在理論上計算出原始信號。匯聚節(jié)點重構(gòu)每個簇的數(shù)據(jù)就是求如式(6)條件約束下稀疏的0范數(shù)的最小值。本文中采用OMP算法作為重構(gòu)算法,解出式(6),最終可以得到對原始數(shù)據(jù)的重構(gòu)信息。

定義重構(gòu)信號與原始信號的均方誤差NMSE(Normalizedmeansquareerror):

(7)

2.3 異常檢測算法SW-LED

2.3.1 異常檢測策略

對于監(jiān)測系統(tǒng)而言,異?；蛘咄话l(fā)事件往往具有突發(fā)性和暫時性。由于本文采用自適應(yīng)采樣算法來實現(xiàn)降低網(wǎng)絡(luò)能耗的目的,根據(jù)上一階段的信號變化情況來決定當(dāng)前時段的采樣頻率,因此當(dāng)有突發(fā)事件發(fā)生時,很可能由于采樣周期過長而發(fā)生漏檢情況。因此為了防止由于減少數(shù)據(jù)量的采集和發(fā)送而造成異常事件的漏檢,本文提出一種實時的異常檢測方法。WSN在事件監(jiān)測中所面臨的主要問題是檢測精度受環(huán)境噪聲和設(shè)備不穩(wěn)定性的影響,節(jié)點的監(jiān)測數(shù)據(jù)存在錯誤。顯然,故障和事件都可能會使節(jié)點采樣值超出正常范圍,當(dāng)使用簡單的閾值比較方法來對事件進(jìn)行判斷時,很容易造成WSN誤判事件的發(fā)生。為了提高WSN檢測事件的可靠性,消除瞬時性故障對節(jié)點監(jiān)測結(jié)果的影響,本文基于Ding M等人[16]的方法,提出SW-LED(Move-Local Event Detection)算法來對節(jié)點監(jiān)測到的異常情況進(jìn)行可靠性校驗。

(8)

式中:W表示滑動窗口大小。

簇首接收到來自節(jié)點的異常數(shù)據(jù)Si后,向簇內(nèi)其他節(jié)點發(fā)送傳輸數(shù)據(jù)請求。簇內(nèi)其他節(jié)點將當(dāng)前測量值發(fā)送給簇首,簇首接收簇內(nèi)所有節(jié)點發(fā)送的測量數(shù)據(jù)進(jìn)行排序,得到中間數(shù)值(若為偶數(shù)個,則取中間兩數(shù)的均值)med,計算各個節(jié)點與中值med的差值。假設(shè)共有n個節(jié)點的數(shù)據(jù),則各節(jié)點與中值差值集合為{d1,d2,…,di,…,dn},得到差值集合的均值μ和方差σ2。計算Si的標(biāo)準(zhǔn)化值Zi=(Si-μ)/σ,當(dāng)Zi大于預(yù)設(shè)門限θ時,認(rèn)為節(jié)點發(fā)送數(shù)據(jù)為故障數(shù)據(jù),否則,認(rèn)為節(jié)點所監(jiān)測區(qū)域發(fā)生異常情況,向匯聚節(jié)點發(fā)送預(yù)警信號。

2.4 數(shù)據(jù)發(fā)送策略

本文在LEACH網(wǎng)絡(luò)協(xié)議上提出自適應(yīng)采樣算法和數(shù)據(jù)壓縮感知,相應(yīng)的網(wǎng)絡(luò)分簇和數(shù)據(jù)傳輸過程如下:

(1)標(biāo)記仿真輪數(shù)r,根據(jù)閾值選擇簇頭節(jié)點,然后形成簇。

(2)每經(jīng)過一個傳輸周期P,簇內(nèi)節(jié)點在周期P開始將第1次采樣數(shù)據(jù)發(fā)送給簇首節(jié)點。在周期P內(nèi)其他的采樣值,采樣值小于監(jiān)測閾值T時,并不向簇首發(fā)送數(shù)據(jù)。當(dāng)采樣值大于監(jiān)測閾值時,按照2.3.1節(jié)異常檢測策略來對異常信號進(jìn)行判斷,若檢測為異常情況,則向匯聚節(jié)點發(fā)送預(yù)警信號。

(3)簇首對簇內(nèi)節(jié)點在傳輸周期的初始測量值數(shù)據(jù)進(jìn)行投影壓縮并向匯聚節(jié)點傳輸,計算簇內(nèi)節(jié)點和簇頭節(jié)點的能量E。

①簇頭能量消耗

Ifd

E=E-Eagg-l*((k+1)Eelec+Efs*d2)*node(c)

Ifd≥d0

E=E-Eagg-l*((k+1)Eelec+Emp*d4)*node(c)

d是簇頭節(jié)點距離匯聚節(jié)點的距離,l是每次傳輸?shù)臄?shù)據(jù)包長度,node(c)是當(dāng)前簇內(nèi)節(jié)點總數(shù),Eagg是簇頭對數(shù)據(jù)進(jìn)行一次投影壓縮的所消耗的能量。k是數(shù)據(jù)壓縮比。

② 簇內(nèi)節(jié)點能量消耗

E=E-l*Eelec

4 記錄網(wǎng)絡(luò)節(jié)點死亡的情況

IfE=0 node_dead=node_dead+1

If node_dead=1 firstdead_round=r

If node_dead=N*10% teenthdead_round=r

If node_dead=Nalldead_round=r

3 實驗分析

本文主要針對大規(guī)模傳感網(wǎng)的森林溫度監(jiān)測和實時火險探測,實驗采用模擬火災(zāi)場景。

3.1 采樣頻率的變化情況

使用MATLAB 2014作為仿真工具,驗證本文采用的自適應(yīng)采樣頻率算法在實際溫度數(shù)據(jù)下的有效性。實驗數(shù)據(jù)采用美國加州大學(xué)伯克利分校在Intel Berkeley Research Lab[17]部署54個無線傳感網(wǎng)節(jié)點釆集的真實數(shù)據(jù)中所測得的真實環(huán)境數(shù)據(jù)集。在該傳感器網(wǎng)中,每31 s收集一次數(shù)據(jù),共有溫度,濕度,光照強(qiáng)度和節(jié)點電壓4種數(shù)據(jù)類型。實驗中只使用數(shù)據(jù)集中的溫度這一項數(shù)據(jù)。圖1為實驗所選取其中一節(jié)點在2004-02-28日0:00—10:00的溫度數(shù)據(jù),其變化情況如圖1所示。

圖1 溫度變化曲線

周期P時間長度為5min,最大采樣頻率Smax為每周期內(nèi)10次,最小采樣頻率為每周期內(nèi)采樣2次,貝塞爾曲線的初始參數(shù)值k0取0.8,顯著性水平a為0.05。每經(jīng)過一輪時間,節(jié)點重新計算新的的采樣頻率。分別選取m=2,m=3作為一輪的周期數(shù),觀察本文自適應(yīng)算法中采樣頻率的變化情況,將每周期的采樣次數(shù)的圖表展示如圖2、圖3所示。

圖2 m=2,F值和節(jié)點采樣次數(shù)變化曲線

圖3 m=3,F值和節(jié)點采樣次數(shù)變化曲線

從實際的溫度曲線變化圖中,我們可以直觀的觀察到本文算法根據(jù)信號變化的快慢對采樣頻率所做的調(diào)整。對比于固定的最大采樣頻率每周期采樣十次的情況,本文算法有效地減少了節(jié)點采樣的次數(shù),節(jié)省節(jié)點采樣能量的同時減少了冗余數(shù)據(jù)的產(chǎn)生。本文算法還將節(jié)點剩余能量考慮進(jìn)去,在節(jié)點剩余能量不多的情況下可以進(jìn)一步減少采樣次數(shù)。上面兩個圖中可以看出本文自適應(yīng)采樣頻率的有效性,可以根據(jù)信號的變化情況相應(yīng)的調(diào)整數(shù)據(jù)采樣次數(shù),當(dāng)m=2時,采樣頻率的改變相比m=3時更加頻繁,適用于實時性更高的場合。

3.2 對壓縮信號進(jìn)行重構(gòu)

使用MATLAB2014作為仿真工具,驗證WSN數(shù)據(jù)相關(guān)性的數(shù)據(jù)源采用二維高斯分布來進(jìn)行場景模擬。假設(shè)事件區(qū)域范圍大小為200 m×200 m,考慮在該區(qū)域內(nèi)每次隨機(jī)均勻部署50個、100個、150個傳感器節(jié)點,研究不同壓縮比對重構(gòu)誤差的影響?？紤]匯聚節(jié)點收集的壓縮投影信息具有同構(gòu)特征,因此這里只考慮所有節(jié)點成一個簇的情況。由先驗知識可知傳感網(wǎng)測得數(shù)據(jù)在小波空間具有稀疏性,據(jù)此本文選取DB1小波基和sym4小波基,使用OMP算法對信號進(jìn)行重構(gòu)。圖4為不同壓縮比下的NMSE對比圖,重構(gòu)采用DB1小波稀疏基。圖5為相同條件下用sym4小波基進(jìn)行重構(gòu)的NMSE。

圖4、圖5所示是在WSN節(jié)點個數(shù)不相同的情況下,分別使用DB1和sym4信號重構(gòu)原始信號的NMSE隨壓縮比變化的關(guān)系曲線,從圖中可以看出,當(dāng)觀測數(shù)目增大時,即壓縮比增大時,NMSE呈現(xiàn)出逐漸減小的趨勢,當(dāng)觀測值接近原數(shù)據(jù)時,NMSE趨于0,可以精確重構(gòu)出原始數(shù)據(jù)。從兩圖對比中可看出,使用DB1小波基對信號有更好的重構(gòu)效果。

圖4 不同節(jié)點數(shù)信號重構(gòu)DB1

圖5 不同節(jié)點數(shù)信號sym4重構(gòu)

3.3 網(wǎng)絡(luò)生命周期實驗分析

為驗證本文方法的對提高網(wǎng)絡(luò)生存時間的效果,在MATLAB2014平臺下進(jìn)行仿真實驗并與未經(jīng)壓縮的數(shù)據(jù)傳輸網(wǎng)絡(luò)進(jìn)行對比。設(shè)置簇首壓縮比為0.4。仿真實驗設(shè)置節(jié)點分布區(qū)域大小是200m×200m的矩形區(qū)域,節(jié)點隨機(jī)分布,匯聚節(jié)點位于區(qū)域中心,坐標(biāo)為(100m,100m)。仿真參數(shù)設(shè)置如表1所示。

表1 網(wǎng)絡(luò)仿真實驗參數(shù)設(shè)置

本文網(wǎng)絡(luò)結(jié)構(gòu)是基于LEACH協(xié)議上,提出的節(jié)點自適應(yīng)采樣頻率和數(shù)據(jù)壓縮的節(jié)能算法。網(wǎng)絡(luò)生命周期仿真結(jié)果如圖6所示。將本文算法與傳統(tǒng)LEACH算法和參考文獻(xiàn)[2]中提出的ACPSEB-LEACH算法進(jìn)行對比。

圖6 網(wǎng)絡(luò)生命周期仿真結(jié)果

圖7 節(jié)點剩余能量仿真結(jié)果

本文提出的算法根據(jù)信號變化的快慢和節(jié)點自身剩余能量來調(diào)節(jié)采樣頻率從而減少了能量的消耗和冗余數(shù)據(jù)的產(chǎn)生,均衡網(wǎng)絡(luò)節(jié)點能量。在保證數(shù)據(jù)精度的條件下對數(shù)據(jù)進(jìn)行壓縮傳輸,減少了數(shù)據(jù)量的傳輸。從圖中可以看出,相比只是單純通過優(yōu)化分簇路由協(xié)議來降低網(wǎng)絡(luò)能耗的傳統(tǒng)LEACH算法和ACPSEB-LEACH算法,本文算法在降低網(wǎng)絡(luò)能耗,提升網(wǎng)絡(luò)生存時間方面的效果更好,顯著提高了網(wǎng)絡(luò)生存周期。

3.4 異常檢測有效性

查閱火災(zāi)資料,規(guī)定火災(zāi)報警溫度的閾值T為57 ℃,標(biāo)準(zhǔn)差的閾值θ取0.5,選用Intel Berkeley Research Lab中的從2004-02-28日到2004-03-28日期間的真實測量的溫度數(shù)據(jù)。模擬故障方法為節(jié)點以不同概率加入大隨機(jī)噪聲。設(shè)置網(wǎng)絡(luò)中節(jié)點發(fā)生故障的概率分別從0.05到0.5之間變化,比較本文方法和滑動窗口MV和文獻(xiàn)[16]中提出的基于LEBD的3種算法的錯誤警報率。

圖8 不同故障概率下錯誤報警率

從仿真實驗結(jié)果可以看出,本文提出的SW-LED算法對比于SW(滑動窗口)和LEBD算法,有效的降低了由于節(jié)點故障而產(chǎn)生的異常情況誤報率。本文方法在節(jié)點故障小范圍內(nèi)可以保證很好的精確性,但是節(jié)點故障概率大于0.25后,誤報率迅速增加。

4 結(jié)論

本文提出將節(jié)點自適應(yīng)采樣與WSN數(shù)據(jù)壓縮感知結(jié)合的方法來減少采集數(shù)據(jù)的相關(guān)性,仿真結(jié)果表明本文方法相比于經(jīng)典路由協(xié)議可以有效的減少數(shù)據(jù)量的采集,在保證數(shù)據(jù)精度的同時減少數(shù)據(jù)量的傳輸。本文提出SW-LED算法來檢測異常事件,可以實現(xiàn)較為可靠的網(wǎng)絡(luò)異常事件檢測,減少異常誤報率。

[1]張文梅,廖福保. 改進(jìn)的無線傳感網(wǎng)絡(luò)非均勻分簇路由算法[J]. 傳感技術(shù)學(xué)報,2016,28(5):739-743.

[2]葉繼華,王文,江愛文. 一種基于LEACH的異構(gòu)WSN能量均衡成簇協(xié)議[J]. 傳感技術(shù)學(xué)報,2015,28(12):1853-1860.

[3]Carol Habib,Abdallah Makhoul,Rony Darazi. Self-Adaptive Data Collection and Fusion for Health Monitoring Based on Body Sensor Networks[J]. IEEE Transactions on Industrial Informatics,2016,12(6):2342-2352.

[4]Li Shi,Liu Mengyao,Xia Li. WSN Data Fusion Approach Based on Improved BP Algorithm and Clustering Protocol[C]//27th Chinese Control and Decision Conference pages 1450-1454,May 2015.

[5]Shivaprasad Yadav S G. An Energy Aware Framework for Multiple-Zone Data Fusion Technique in WSN[J]. International Journal of Applied Engineering Research,2016,11(4):2263-2270.

[6]吉書強(qiáng). 基于壓縮感知的氣象傳感網(wǎng)絡(luò)融合計算研究[D]. 南京:南京信息工程大學(xué),2015.

[7]朱路,劉媛媛,慈白山,等. 多稀疏基分簇壓縮感知的WSN數(shù)據(jù)融合方法[J]. 傳感技術(shù)學(xué)報,2016,29(3):417-42.

[8]王 全,張納溫,張金成,等. 壓縮感知在無線傳感器網(wǎng)絡(luò)數(shù)據(jù)采集中的應(yīng)用[J]. 傳感技術(shù)學(xué)報,2014,27(11):1562-1567.

[9]陳分雄. 無線傳感網(wǎng)中事件檢測的壓縮感知與異常檢測算法研究[D]. 武漢:中國地質(zhì)大學(xué),2013.

[10]Younis O,Fahmy S,Hee D. A Hybrid,Energy-Efficient Distributed Clustering Approach for Ad-Hoc Sensor Networks[J]. IEEE Trans on Mobile Computing,2004,3(4):660-669.

[11]Laiymani D,Makhoul A. Adaptive Data Collection Approach for Periodic Sensor Networks[C]//9th International Wireless Communications and Mobile Computing Conference,2013:1448-1453.

[12]戴瓊海,付長軍,季向陽. 壓縮感知研究[J]. 計算機(jī)學(xué)報,2011,34(3):425-434.

[13]Mallat S G,Zhang Zhifeng. Matching Pursuits with Time-Frequency Dictionaries[C]//IEEE Transactions on Signal Processing,1993,41(12):3397-3415.

[14]Khoramian S. An Iterative Thresholding Algorithm for Linear Inverse Problems with Multi-Constraints and Its Applications[J]. Applied and Computational Harmonic Analysis,2012,32(1):109-130.

[15]Fornasier M,Rauhut H. Iterative Thresholding Algorithms[J]. Applied and Computational Harmonic Analysis,2008,25(2):187-208.

[16]Ding M,Chen D,xing K,et al. Localized Fault-Tolerant Event Boundary Detection in Sensor Networks[C]//INFOCOM 2005. 24th Annual Joint Conference of the IEEE Computer and Communications Societies. Proceedings IEEE. IEEE,2005,2:902-913.

[17]Samuel Madden. http://db.csail.mit.edu/labdata/labdata.html.

An Improved WSN Energy Saving Strategy Based on Spatio-TemporalCorrelation and Anomaly Detection*

WANYejing,YEJihua*,JIANGAiwen

(College of Computer Information Engineering,Jiangxi Normal University,Nanchang 330022,China)

In order to reduce the contradiction between the network energy consumption and the accuracy of the data,we consider the spatial and temporal correlation of the data collected by the network and propose an method of adaptive sampling and using compressed sensing. Wireless sensor data compression based on the traditional compressed sensing only sampling data of a few nodes and the incidents detected by those not sampled nodes maybe be ignored. This paper detect all nodes’ data and compress,so it can effectively avoid failure report. According to the characteristics of time correlation,this paper adopts adaptive sampling frequency method based on variance analysis ANOVA(Analysis of Variance)and take nodes’ residual energy into consideration to reduce the smooth signal acquisition and equilibrium the energy consumption of network. On the basis of LEACH protocol,the data of cluster is compressed and transmitted to the Sink node to reduce the overall energy consumption of the network. In order to reduce the failure report caused by the adaptive sampling and traditional compressed sensing method,an improved local event monitoring algorithm sliding window local event monitoring SW-LED(Sliding Window-Local Event Detection)algorithm is proposed,which realizes real-time and accurate anomaly detection and early warning. The experimental results show that this method can effectively balance the nodes’ energy consumption to improve the network lifetime,ensuring the accuracy of the data and the recognition rate of abnormal situation is also greatly improved.

wireless sensor network;spatio-temporal correlation;SW-LED;ANOVA;anomaly identification

萬葉晶(1993-)，女，江西豐城人，碩士研究生，研究方向為物聯(lián)網(wǎng)技術(shù)；葉繼華(1966-)，男，江西廣豐人，教授，中國計算機(jī)學(xué)會虛擬現(xiàn)實與可視化專委會委員、中國系統(tǒng)仿真學(xué)會數(shù)字娛樂仿真專業(yè)委員會委員、中國圖象圖形學(xué)學(xué)會虛擬現(xiàn)實專委會委員、江西省自動化學(xué)會常務(wù)理事。研究方向為物聯(lián)網(wǎng)技術(shù)、數(shù)據(jù)融合、圖像處理等，在研國家課程三項，發(fā)表學(xué)術(shù)論文八十余篇，yjhwcL@163．com； 江愛文(1984-)，男，江西景德鎮(zhèn)人，博士/副教授，研究方向為智能信息處理、圖像處理等。

項目來源:國家自然科學(xué)基金項目(61462042,61365002);江西師范大學(xué)研究生創(chuàng)新基金項目(YJS2016086)

2016-10-20 修改日期:2017-03-30

TP212

A

1004-1699(2017)08-1267-07

C:6150P

10.3969/j.issn.1004-1699.2017.08.023