基于多因子分析的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估模型設(shè)計(jì)

芮立

摘 ?要： 采用判決反饋方法評(píng)估無(wú)線(xiàn)傳感器網(wǎng)絡(luò)時(shí)，僅從網(wǎng)絡(luò)鏈路穩(wěn)定性因素方面考慮，未考慮影響網(wǎng)絡(luò)可靠性的多種因素，自適應(yīng)能力和可靠性評(píng)估效果差。設(shè)計(jì)基于多因子分析的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估模型，利用多因子分析過(guò)程將無(wú)線(xiàn)傳感器網(wǎng)絡(luò)復(fù)雜的變量關(guān)系簡(jiǎn)單化。由5個(gè)主指標(biāo)與20個(gè)有相互關(guān)聯(lián)的子指標(biāo)建立無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估指標(biāo)體系，通過(guò)主成分分析方法分析指標(biāo)體系獲取11個(gè)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性指標(biāo)主因子。將這些因子輸入神經(jīng)網(wǎng)絡(luò)模型中，構(gòu)建無(wú)線(xiàn)傳感器神經(jīng)網(wǎng)絡(luò)可靠性評(píng)估模型，完成無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估。實(shí)驗(yàn)結(jié)果表明，該模型的可靠性評(píng)估精度均值為98%，該模型下的無(wú)線(xiàn)傳感網(wǎng)絡(luò)可靠性最高達(dá)到98%，極大提高了無(wú)線(xiàn)傳感器的安全性能。

關(guān)鍵詞： 多因子分析; 無(wú)線(xiàn)傳感器; 可靠性評(píng)估; 主成分分析方法; 神經(jīng)網(wǎng)絡(luò); 模型設(shè)計(jì)

中圖分類(lèi)號(hào)： TN915?34; TP311 ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）12?0156?05

Abstract： Only the stability factor of the network link is considered， and various factors affecting network reliability are not considered when the decision feedback method is used for wireless sensor network evaluation， resulting in poor adaptive ability and reliability evaluation effect. Therefore， a reliability evaluation model based on multi?factor analysis is designed for the wireless sensor network. The complex variable relationship of the wireless sensor network is simplified by using the multi?factor analysis process. The reliability evaluation index system of the wireless sensor network is built by using five main indexes and 20 interrelated sub?indexes. 11 main factors for the reliability index of the wireless sensor network are obtained by analyzing the index system with the principal component analysis method. These factors are input into the neural network model to build the reliability evaluation model of the wireless sensor neural network， so as to complete the reliability evaluation of the wireless sensor network. The experimental results show that the mean value for reliability evaluation accuracy of the model is 98%， and the maximum reliability of the wireless sensor network under the model reaches 98%， which can greatly improve the safety performance of the wireless sensor.

Keywords： multifactor analysis; wireless sensor; reliability evaluation; principal component analysis method; neural network; model design

0 ?引 ?言

無(wú)線(xiàn)傳感網(wǎng)絡(luò)（Wireless Sensor Network，WSN）被大范圍應(yīng)用在各個(gè)領(lǐng)域內(nèi)[1]，WSN具備無(wú)線(xiàn)通信、成本低等優(yōu)點(diǎn)。在確保WSN的可靠性的前提下，提高網(wǎng)絡(luò)智能服務(wù)效率，同時(shí)以解決網(wǎng)絡(luò)延遲、網(wǎng)絡(luò)冗余與環(huán)境干擾等性能指標(biāo)問(wèn)題為目標(biāo)建立WSN，并且各個(gè)性能指標(biāo)相互制衡[2]。建立的WSN是否符合實(shí)際要求是由建立各個(gè)性能指標(biāo)和傳感器網(wǎng)絡(luò)可靠性之間的關(guān)系驗(yàn)證。無(wú)線(xiàn)傳感網(wǎng)絡(luò)領(lǐng)域相關(guān)學(xué)者，越來(lái)越注重對(duì)網(wǎng)絡(luò)可靠性的研究，設(shè)計(jì)高質(zhì)量的無(wú)線(xiàn)網(wǎng)絡(luò)可靠性評(píng)估模型具有重要的應(yīng)用意義[3]。以往采用判決反饋方法評(píng)估無(wú)線(xiàn)傳感器網(wǎng)絡(luò)時(shí)，僅從網(wǎng)絡(luò)鏈路穩(wěn)定性因素方面考慮，未考慮影響網(wǎng)絡(luò)可靠性的不同因素，自適應(yīng)能力以及評(píng)估效果差。因此，本文從無(wú)線(xiàn)傳感網(wǎng)絡(luò)可靠性評(píng)估指標(biāo)的多樣性出發(fā)，設(shè)計(jì)有效的無(wú)線(xiàn)傳感網(wǎng)絡(luò)可靠性評(píng)估模型，增強(qiáng)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性[4]。

1 ?基于多因子分析的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估模型設(shè)計(jì)

1.1 ?多因子分析

為了全面評(píng)估無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的穩(wěn)定性問(wèn)題，在無(wú)線(xiàn)傳感器網(wǎng)絡(luò)內(nèi)收集大量的，能體現(xiàn)網(wǎng)絡(luò)可靠性的多個(gè)變量，但無(wú)線(xiàn)傳感器網(wǎng)絡(luò)收集可靠性多變量大樣本的過(guò)程導(dǎo)致數(shù)據(jù)收集負(fù)擔(dān)加大。同時(shí)出現(xiàn)重復(fù)收集數(shù)據(jù)造成數(shù)據(jù)冗余問(wèn)題，導(dǎo)致無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的各個(gè)屬性不能依據(jù)各個(gè)變量響應(yīng)，存在差異的變量并不代表輸電網(wǎng)的屬性差異，因?yàn)榇罅孔兞恐g在大部分情形下具有一定的關(guān)聯(lián)性。反應(yīng)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性原變量中涵蓋的關(guān)鍵信息，通過(guò)在大量指標(biāo)中選取少量的綜合性變量體現(xiàn)，將繁雜的變量關(guān)系簡(jiǎn)單化的過(guò)程為多因子分析[5]。

大量的原變量信息被少量的相互獨(dú)立因子變量替代，這一替代過(guò)程為多因子分析需要考慮的方向，數(shù)學(xué)模型為：

采用因子分析將各初始變量劃分成：

1） 公共因子由整個(gè)變量?jī)?nèi)少量的因子形成;

2） 特殊因子由各變量自身存在的不同因素形成。

1.2 ?評(píng)估指標(biāo)的多因子分析

由5個(gè)主指標(biāo)與20個(gè)有相互關(guān)聯(lián)的子指標(biāo)建立無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估指標(biāo)體系[6]，同時(shí)各子指標(biāo)與5個(gè)主指標(biāo)相互關(guān)聯(lián)。多因子分析某地區(qū)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的20組穩(wěn)定性評(píng)估指標(biāo)的樣本數(shù)據(jù)。通過(guò)多因子分析了解到，指標(biāo)樣本的巴特利球度檢驗(yàn)幾率是0，檢測(cè)統(tǒng)計(jì)量是131.051。由此可得相關(guān)系數(shù)矩陣與單元陣差異明顯，并且依據(jù)KMO（Kaiser Meyer Olkin）的度量標(biāo)準(zhǔn)得知[7]，KMO<0.6時(shí)無(wú)法實(shí)施因子分析，本文KMO的值是0.826，能夠進(jìn)行因子分析。

全部指標(biāo)變量的共同方差數(shù)據(jù)由表1多因子分析的原始結(jié)果呈現(xiàn)。[B1?B20]為原始指標(biāo)變量。采用因子分析方法獲取原始解下指標(biāo)變量共同方差用第2列描述，其是從原有20個(gè)指標(biāo)變量中獲取的20個(gè)特征值，那么可描述原指標(biāo)變量的全部方差，指標(biāo)變量的共同方差的平均值是1。第3列提取特征值時(shí)的共同方差是依據(jù)本文要求提取11個(gè)因子的條件提取，原始指標(biāo)變量的數(shù)量比因子變量的數(shù)量多，所以各指標(biāo)變量的共同度小于1。全部指標(biāo)變量依據(jù)表1因子分析的原始結(jié)果得知共同方差均較高，不同指標(biāo)變量信息被遺棄的幾率較低，則因子提取的整體效果較好[8]。

表1 ?多因子分析的原始結(jié)果

多因子分析貢獻(xiàn)率如表2所示。通過(guò)多因子分析可行性運(yùn)算轉(zhuǎn)動(dòng)后的因子載荷矩陣、貢獻(xiàn)率等信息結(jié)果。前11個(gè)合計(jì)貢獻(xiàn)率為94.852%，原20個(gè)指標(biāo)變量大部分信息包括在提取的11個(gè)主因子內(nèi)，因此可簡(jiǎn)化提取11個(gè)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性指標(biāo)主因子。

表2內(nèi)，因子編號(hào)為提取的11個(gè)主因子變量。公共因子[Gj]中的各變量[Xi]的因子負(fù)荷量的平方總計(jì)為特征值，其也是式（1）內(nèi)[dij]的平方總計(jì)。各因子解釋原始數(shù)據(jù)的能力為因子貢獻(xiàn)率，通過(guò)各因子解釋的總方差度量，等同于各因子相關(guān)的因子負(fù)荷的平方和，該平方和為式（1）內(nèi)[dij]的平方和。提取因子指標(biāo)解釋原指標(biāo)變量的能力為合計(jì)貢獻(xiàn)率，原始數(shù)據(jù)信息數(shù)量通過(guò)其體現(xiàn)。

評(píng)估指標(biāo)之間的關(guān)聯(lián)性隨著指標(biāo)變量的因子分析減少，無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性也可通過(guò)指標(biāo)變量的因子分析結(jié)果，過(guò)濾低作用的指標(biāo)變量，實(shí)現(xiàn)簡(jiǎn)化計(jì)算[9]，提高無(wú)線(xiàn)傳感器網(wǎng)絡(luò)評(píng)估的準(zhǔn)確性。通過(guò)表1可得原指標(biāo)變量的94.852%信息由11個(gè)主因子指標(biāo)獲取，同時(shí)降低了評(píng)估指標(biāo)數(shù)量與評(píng)估成本，評(píng)估指標(biāo)的科學(xué)性有所提升，為建立后續(xù)神經(jīng)網(wǎng)絡(luò)可靠性評(píng)估模型確立可靠分析基礎(chǔ)。

表2 ?多因子分析貢獻(xiàn)率

1.3 ?無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估

1.3.1 ?神經(jīng)網(wǎng)絡(luò)模型

隨著人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）的不斷發(fā)展，ANN受到無(wú)線(xiàn)傳感器網(wǎng)絡(luò)分析人員的關(guān)注。大量的神經(jīng)元（Neural）相互連接形成的網(wǎng)絡(luò)為ANN。ANN在信號(hào)處理機(jī)制中具有大范圍并行分布處理等屬性，相互連接的神經(jīng)元間的連接權(quán)中反應(yīng)了信息的存儲(chǔ)過(guò)程[10]。

ANN具備神經(jīng)網(wǎng)絡(luò)運(yùn)算能力、高度并行運(yùn)算以及自適應(yīng)性等優(yōu)點(diǎn)，基于這些優(yōu)點(diǎn)采用ANN可極大提高無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性運(yùn)算自適應(yīng)性和精度。

圖1描述神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)，[W]為其輸入層的單元數(shù)，[K]為隱含層的單元數(shù)，[N]是輸出層的單元數(shù)。輸入模式由各個(gè)隱單元運(yùn)算1個(gè)核函數(shù)，所有核函數(shù)線(xiàn)性加權(quán)和為分類(lèi)器的輸出，則有：

訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型內(nèi)的各個(gè)子網(wǎng)滿(mǎn)足神經(jīng)網(wǎng)絡(luò)的各個(gè)目的。一個(gè)多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為一個(gè)子網(wǎng)。圖1內(nèi)要求分配器將特定目標(biāo)核函數(shù)分配給各子網(wǎng)，則依據(jù)不同子網(wǎng)的作用采用差異樣本進(jìn)行訓(xùn)練。之后子網(wǎng)輸出數(shù)據(jù)特征通過(guò)分配器檢索，獲取的檢索數(shù)據(jù)結(jié)果反饋給對(duì)應(yīng)的子網(wǎng)。

圖1 ?神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)

式中，期望輸出和真實(shí)輸出分別為[hrj]和[Qrj];網(wǎng)絡(luò)輸入向量的第[i]個(gè)元素為[irj]。

通過(guò)預(yù)處理器訓(xùn)練樣本后，向神經(jīng)網(wǎng)絡(luò)模型中輸入訓(xùn)練樣本，可極大提高模型的訓(xùn)練效率。變換輸入數(shù)據(jù)的域，即線(xiàn)性映射為預(yù)處理器。-1～1之間為輸入數(shù)據(jù)的值，0.1～0.9之間為輸出數(shù)據(jù)的值，訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)最靠近的域是輸出數(shù)據(jù)的值。為增強(qiáng)訓(xùn)練算法的性能，將訓(xùn)練樣本輸入與輸出數(shù)據(jù)的域通過(guò)處理器線(xiàn)性地轉(zhuǎn)換成上述的域。結(jié)束訓(xùn)練后，最終輸出的數(shù)據(jù)由后處理器進(jìn)行線(xiàn)性轉(zhuǎn)換到真實(shí)域中。

1.3.2 ?無(wú)線(xiàn)傳感器神經(jīng)網(wǎng)絡(luò)可靠性評(píng)估模型

圖2為依據(jù)第1.2節(jié)的多因子分析結(jié)果獲取的11個(gè)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估指標(biāo)主因子，結(jié)合神經(jīng)網(wǎng)絡(luò)模型構(gòu)建無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估模型，采用該模型實(shí)現(xiàn)考慮影響無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性的多種因子情況下網(wǎng)絡(luò)可靠性的全面、準(zhǔn)確評(píng)估。

2 ?實(shí)驗(yàn)分析

實(shí)驗(yàn)測(cè)試本文模型評(píng)估某無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性的有效性時(shí)，對(duì)比分析本文模型、馬爾可夫模型與云模型對(duì)無(wú)線(xiàn)傳感網(wǎng)絡(luò)評(píng)估的實(shí)驗(yàn)網(wǎng)絡(luò)可靠性和傳感器密度的關(guān)系，結(jié)果如圖3所示。

圖2 ?可靠評(píng)估模型構(gòu)建流程

圖3 ?可靠性和傳感器密度關(guān)系

分析圖3可知，3種模型評(píng)估的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性隨著傳感器密度增大而增大;本文模型評(píng)估的網(wǎng)絡(luò)可靠性平均值為49%，最高可靠性達(dá)到98%，馬爾可夫模型和云模型評(píng)估的網(wǎng)絡(luò)可靠性平均值為43.5%和25%，本文模型評(píng)估的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性均值比其他兩種模型分別高5.5%和24%，說(shuō)明本文模型評(píng)估下的無(wú)線(xiàn)網(wǎng)絡(luò)可靠性較高。

無(wú)線(xiàn)傳感網(wǎng)絡(luò)節(jié)點(diǎn)存活數(shù)目隨時(shí)間變化越穩(wěn)定，時(shí)間越長(zhǎng)，節(jié)點(diǎn)存活數(shù)目越高，說(shuō)明無(wú)線(xiàn)傳感網(wǎng)絡(luò)越穩(wěn)定，當(dāng)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)大小分別為100 m×100 m，200 m×200 m時(shí)，實(shí)驗(yàn)檢測(cè)3種模型下無(wú)線(xiàn)傳感網(wǎng)絡(luò)節(jié)點(diǎn)存活數(shù)目與時(shí)間的對(duì)比情況如圖4所示。

實(shí)驗(yàn)統(tǒng)計(jì)3種模型對(duì)上述兩種無(wú)線(xiàn)傳感器網(wǎng)絡(luò)進(jìn)行可靠性評(píng)估的時(shí)間和精度情況，結(jié)果分別如表3與表4所示。

表3 ?3種模型可靠性評(píng)估時(shí)間

? ? ? ? ? ? ? ??

圖4 ?節(jié)點(diǎn)存活數(shù)目隨時(shí)間變化狀況

分析表3中3種模型對(duì)兩種無(wú)線(xiàn)傳感網(wǎng)絡(luò)實(shí)施可靠性評(píng)估的時(shí)間得知，無(wú)線(xiàn)傳感器網(wǎng)絡(luò)大小為100 m×100 m時(shí)，本文模型可靠性評(píng)估時(shí)間均值比馬爾可夫模型、云模型可靠性評(píng)估時(shí)間均值分別低6.72 s，7.5 s;無(wú)線(xiàn)傳感網(wǎng)絡(luò)大小為200 m×200 m時(shí)，本文模型可靠性評(píng)估時(shí)間均值比馬爾可夫模型、云模型可靠性評(píng)估時(shí)間均值分別低7.26 s，8.5 s，說(shuō)明本文模型對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)實(shí)時(shí)可靠性評(píng)估用時(shí)最短。

分析表4得知，無(wú)線(xiàn)傳感器網(wǎng)絡(luò)大小為100 m×100 m時(shí)，本文模型可靠性評(píng)估精度均值比馬爾可夫模型、云模型可靠性評(píng)估精度均值分別高12%，21%;無(wú)線(xiàn)傳感器網(wǎng)絡(luò)大小為200 m×200 m時(shí)，本文模型可靠性評(píng)估精度的平均值比馬爾可夫模型、云模型可靠性評(píng)估精度的平均值分別高13%，21%，說(shuō)明本文模型更能精準(zhǔn)完成無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估。

3 ?結(jié) ?論

為了從多種角度充分考慮影響無(wú)線(xiàn)傳感網(wǎng)絡(luò)可靠性的因素，提高無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估的精度和全面性，本文設(shè)計(jì)基于多因子分析的無(wú)線(xiàn)傳感器可靠性評(píng)估模型。通過(guò)5個(gè)主指標(biāo)與20個(gè)有相互關(guān)聯(lián)的子指標(biāo)建立的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估指標(biāo)體系后，通過(guò)主成分分析方法獲取11個(gè)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性指標(biāo)主因子，達(dá)到過(guò)濾低作用指標(biāo)變量，降低評(píng)估指標(biāo)數(shù)量和評(píng)估成本，提高評(píng)估指標(biāo)科學(xué)性的目的;將11個(gè)主因子作為神經(jīng)網(wǎng)絡(luò)的輸入值，構(gòu)建無(wú)線(xiàn)傳感器神經(jīng)網(wǎng)絡(luò)可靠性評(píng)估模型，能準(zhǔn)確評(píng)估無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的可靠性。

參考文獻(xiàn)

[1] 劉邏，哈清華，王安邦.基于FABP的軟件可靠性增長(zhǎng)模型[J].計(jì)算機(jī)仿真，2015，32（6）：440?446.

LIU Luo， HA Qinghua， WANG Anbang. Software reliability growth model based on FABP [J]. Computer simulation， 2015， 32（6）： 440?446.

[2] 劉創(chuàng)，王珺，杜蔚琪，等.基于網(wǎng)絡(luò)編碼的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)多徑路由模型分析[J].計(jì)算機(jī)工程，2016，42（4）：37?43.

LIU Chuang， WANG Jun， DU Weiqi， et al. Analysis of multipath routing model in wireless sensor network based on network coding [J]. Computer engineering， 2016， 42（4）： 37?43.

[3] 趙治國(guó)，譚敏生，夏石瑩，等.基于時(shí)間因素的無(wú)線(xiàn)傳感網(wǎng)絡(luò)信任模型[J].計(jì)算機(jī)工程與設(shè)計(jì)，2017，38（4）：883?887.

ZHAO Zhiguo， TAN Minsheng， XIA Shiying， et al. Wireless sensor network trust model based on time factor [J]. Computer engineering and design， 2017， 38（4）： 883?887.

[4] 李建平，王曉凱.基于模糊神經(jīng)網(wǎng)絡(luò)的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可靠性評(píng)估[J].計(jì)算機(jī)應(yīng)用，2016，36（z2）：69?72.

LI Jianping， WANG Xiaokai. WSN reliability evaluation based on fuzzy neural network [J]. Journal of computer applications， 2016， 36（S2）： 69?72.

[5] 程紅霞，譚新蓮.多次重傳的鏈狀無(wú)線(xiàn)傳感網(wǎng)絡(luò)可靠性分析[J].計(jì)算機(jī)工程與應(yīng)用，2018，54（5）：79?84.

CHENG Hongxia， TAN Xinlian. Analysis of reliability for wireless sensor network with chain topology based on multiple retransmission strategy [J]. Computer engineering and applications， 2018， 54（5）： 79?84.

[6] 王珺，杜蔚琪，劉輝，等.一種基于相交多徑網(wǎng)絡(luò)編碼模型的無(wú)線(xiàn)傳感網(wǎng)多徑路由協(xié)議[J].計(jì)算機(jī)科學(xué)，2016，43（11）：135?141.

WANG Jun， DU Weiqi， LIU Hui， et al. Multipath routing protocol based on braid?multipath network coding model for wireless sensor networks [J]. Computer science， 2016， 43（11）： 135?141.

[7] 王楓，祁彥鵬，傅正財(cái).面向開(kāi)關(guān)的復(fù)雜配電網(wǎng)可靠性評(píng)估簡(jiǎn)化模型[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2015，27（2）：57?63.

WANG Feng， QI Yanpeng， FU Zhengcai. Switch oriented simplified model of reliability evaluation of complex distribution system [J]. Proceedings of the CSU?EPSA， 2015， 27（2）： 57?63.

[8] 馬麗瑛，李劍波，王智穎，等.基于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的可靠性模型及上界[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2016，46（12）：130?138.

MA Liying， LI Jianbo， WANG Zhiying， et al. The math model and the upper bound of the network reliability based on the wireless sensor network [J]. Mathematics in practice and theory， 2016， 46（12）： 130?138.

[9] 唐清明，趙菊敏，李燈熬，等.基于組合指標(biāo)的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)安全路由算法[J].電視技術(shù)，2016，40（11）：59?63.

TANG Qingming， ZHAO Jumin， LI Dengao， et al. Combination routing metric based routing algorithm for WSN [J]. Video engineering， 2016， 40（11）： 59?63.

[10] 楊棟，李書(shū)琴.自適應(yīng)速率規(guī)劃的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)傳輸優(yōu)化模型[J].計(jì)算機(jī)工程與設(shè)計(jì)，2017，38（5）：1148?1151.

YANG Dong， LI Shuqin. Wireless sensor network transmission optimization model based on adaptive rate planning [J]. Computer engineering and design， 2017， 38（5）： 1148?1151.