用于實驗室安全無線感知網絡的低功耗自適應混合集群分層型協(xié)議研究*

湯旭翔周峰程吳功興

(1.浙江工商大學統(tǒng)計與數學學院，浙江 杭州 310018；2.浙江工商大學數字化辦公室，浙江 杭州 310018；3.浙江工商大學管理工程與電子商務學院，浙江 杭州 310018)

隨著高等教育的發(fā)展，世界各個國家的大學越來越重視學生動手能力的培養(yǎng)，因此大學實驗室承擔著實踐技能培養(yǎng)的重要角色[1]。 近年來，大學實驗室安全事故頻發(fā)，給實驗教育工作形成了極大的安全隱患[2]。 基于以上考慮，很多學校均不遺余力的配套各具特色的實驗室安全監(jiān)測系統(tǒng)、構建實驗室安全科學管理體系、增加智能化安全功能等措施，切實提高學校實驗室安全風險防范能力。 Oliver 等開展了相關實驗，并探索了實驗室安全決策的問題[3]。

無線感知網絡(wireless sensor networks，WSN)屬于一類分布式集群感知網絡系統(tǒng)，它的前端是感知物理或者化學信號的傳感器。 WSN 中的傳感器以無線方式傳輸數據，網絡布置方式靈活，設備位置可以自由移動，也能與互聯(lián)網以有線或無線的方式進行連接[4]。 由于電子科學與技術、無線通訊技術的發(fā)展，WSN 也呈現集成化、智能化的發(fā)展趨勢[5]。因此，WSN 已經在環(huán)境保護、臨床醫(yī)學、國防軍事、智能家居、智慧交通等領域得到切實應用[6]。 Sun等探索了基于實驗室信息傳遞的實驗室生物安全性的課題，從安全和監(jiān)測效率角度進行了切實的研究工作[7]。 數據的準確性是監(jiān)測網絡工作的重要前提，因此WSN 中異常數據分析技術凸顯其價值[8-10]。 因此，WSN 網絡應實時消除異常數據，以全面提升實驗室安全監(jiān)測的精確度[11-13]，為切實提升實驗室安全監(jiān)管可靠性提供了新的技術支撐[13-14]。

本文針對用于實驗室安全無線感知網絡的低功耗自適應混合集群分層型協(xié)議開展研究，采取混合集群策略，通過優(yōu)化自適應混合集群參數，尋求一種WSN 能耗的優(yōu)化途徑，并依據WSN 的網絡布置特性，設定網絡結構包含若干個實驗室和獨立單元的結構，對應的在WSN 架構中引入自適應混合集群分層型的數據傳輸方案，以期提高WSN 網絡的生命周期。

1 網絡模型

本文提出一種具有低功耗自適應功能的混合式集群分層型網絡數據傳輸協(xié)議(leach-hybrid clusters，LEACH-HC)，基于實驗室安全監(jiān)測WSN 中諸多傳感器節(jié)點的異構化特點，建立抽象空間模型，假設單個實驗室的結構為13 m×8 m 的長方形。 針對獨立單元而言，隔離門的尺寸為3 m×4 m，防火區(qū)的尺寸為3 m×4 m。 因此，本文研究的WSN 節(jié)點監(jiān)控空間總體可以簡化為一個矩形。

模型為了有效延長實驗室監(jiān)測網絡生命周期和各區(qū)域能量平衡消耗，確保WSN 活躍節(jié)點數量穩(wěn)定和實驗室監(jiān)測面積覆蓋，將各個感知節(jié)點根據開啟頻次需求區(qū)分為1-3 級，其消耗能量逐級遞增，最終節(jié)點布置方法是:數據首發(fā)頻率較高的感知節(jié)點被布置在感知區(qū)域的中間位置，并依據節(jié)點的采樣頻率逐漸向感知區(qū)域邊緣方向鋪設其他的感知節(jié)點，鋪設方式如圖1 所示。

圖1 網絡感知節(jié)點布置示意圖

LEACH-HC 協(xié)議基于混合式集群型策略，它允許通過選舉產生的簇頭節(jié)點與指定節(jié)點共同成為固定簇頭并存。 由于3 級感知節(jié)點能量高于其他類型節(jié)點，因此存在冗余，可以分配更多任務。 因此，將3 級節(jié)點設定為固定簇頭并擔任簇頭節(jié)點。 1 級與2 級節(jié)點采用“選舉”的方式產生必要數量的簇頭。最佳簇頭數與WSN 網絡的規(guī)模相關，并應用在實驗室監(jiān)測區(qū)域的拓撲模型中，與部署面積相同的正方形對應的邊長:M＝，代入式(1)中計算。

將X＝13，Y＝8 代入式(1)中計算如下:

因此本協(xié)議中最佳簇頭數Clubest計算如式(3)所示。

固定簇頭的引入增加了簇頭總數，1 級和2 級節(jié)點選簇的概率則為Clubest/n。 因此，依據節(jié)點類型把節(jié)點當選簇頭的概率分為兩類情況:①在簇頭選舉過程，所有1 級和2 級節(jié)點參加選舉。 期間發(fā)生的簇頭數占除3 級節(jié)點之外總數的一成；②除1級節(jié)點之外其他的節(jié)點被定義為固定簇頭類型的節(jié)點，并且節(jié)點選舉的概率為1。

明確簇頭的選舉，并且把競選簇頭的信息通過網絡廣播通知，其他節(jié)點依據收到的信息確認加入某個集群，完成節(jié)點的成簇過程，圖2 顯示的是該過程的流程圖。

圖2 WSN 協(xié)議成簇階段運行圖

2 數據預處理與網絡設定

2.1 異常數據預處理

實驗室安全感知節(jié)點異常數據來源主要包括:①系統(tǒng)故障；②硬件問題；③軟件缺陷；④系統(tǒng)工作環(huán)境波動導致。 本研究工作采用的異常數據判定如下:設定感知節(jié)點信號s(t)，如果｜s(t)-d｜≥δ(d為s(t)信號中經由簇頭的最新異常的數據)，則s(t)就是異常的數據；δ是異常數據統(tǒng)計性閾值。 根據上文方式對s(t)做二值化分析，若s(t)異常，就將s(t)置1，若非異常就把s(t)置0。 若s(t)置1，后續(xù)則考察統(tǒng)計之前P-1 個檢測數據的轉換結果是否50%以上置1，若是則置1，二值化為y(t)＝1；若非則y(t)＝0。P為判定窗口尺寸。y(t)＝0 表示窗口尺寸內異常數據低于50%，則s(t)為瞬時異常數據，不向外傳輸。 若y(t)＝1 表明s(t)是非瞬時異常數據，s(t)會被傳輸。

2.2 數據前處理

傳統(tǒng)意義上的無線感知網絡中具有一些數量的感知節(jié)點，所以網絡中節(jié)點故障是難以避免的。 基于以上考慮，本文選擇充足的樣本數量用于訓練，采用最大似然估計(MLE)作為概率密度函數去使用[6]。 因此，假設訓練特征集為S＝{s1，s2，…，sk}，將其密度表示如下:

θ的最大似然估計定為有較大置信的最大似然函數，我們采用對數MLE 的優(yōu)化算法代替θ的最大似然估計去增加算法的執(zhí)行速度:

若模型具有m個類C1，C2，…，Cm，假定t類是一組具有n維的向量集合，其表示方法為DCt＝表示數據i在t類中的出現概率。S＝{s1，s2，…，sk}是WSN 工作的k種模式。 模式s1的MLE 設定為在該模式中某個數據涌現的概率:

Ni為數據i在模式s1中涌現的數量，假定P(DCt)是分類型任務集合，那么對于P(DCt)的先驗性分布，這個模型的最大后驗概率為[15]:

2.3 集群的密度分析

假定每個子單元內網絡節(jié)點分布狀態(tài)是均勻的，那么節(jié)點密度定義為，其中n是節(jié)點的數目，r為節(jié)點的周邊半徑，那么WSN 節(jié)點距離的期望函數則定義為:

式(9)所示為WSN 節(jié)點中能量損耗模型:

全網絡節(jié)點總的能量消耗定義為Qall＝

3 仿真研究結果

3.1 仿真參數設定與模式

在本研究中，我們依據不同的監(jiān)測對象而選用不同的傳感器，以實現感知的目的。 表1 為所選用傳感器的性能參數。 傳感器搜集感知數據，然后通過網絡模塊經由WSN 將數據傳輸到數據堆棧進行保存，并進行相關的分析工作。

表1 WSN 中傳感器性能參數

在編程軟件中編碼對WSN 模型進行參數配置和仿真計算，考察本研究設定的WSN 網絡和協(xié)議的仿真運行狀況，網絡參數配置情況如表2 所示。 為了比較WSN 數據傳輸效率，本文選擇LEACH、SEP作為對照協(xié)議，與HEACH-HC 協(xié)議進行有效對比。

表2 網絡仿真參數

3.2 仿真結果分析

圖3 顯示了LEACH、SEP 和LEACH-HC 三個傳輸協(xié)議的節(jié)點存活數量變化，本研究假定WSN 中第一次出現死亡節(jié)點就是網絡完整性缺失的開始，網絡完整性缺失情況就是網絡生存能力的重要表征方法。 如圖所示，所研究的協(xié)議在第一個50 輪仿真后都出現若干個死亡節(jié)點，并且SEP 在第二個50 輪之后死亡節(jié)點數量明顯大于LEACH 和LEACHHC。 在后續(xù)仿真過程中，LEACH 協(xié)議死亡節(jié)點數量突然加快，在不到600 輪時死亡節(jié)點已經幾乎達到了一半，而在仿真結束時基本全部死亡，結果證明未經優(yōu)化的LEACH 協(xié)議在600 輪之前尚能在一定程度上保持其完整性，但是之后其完整性在采用的三種協(xié)議中表現較差。 SEP 后半程節(jié)點死亡速率小于LEACH，但顯著大于LEACH-HC，SEP 協(xié)議在仿真900 輪時死亡節(jié)點占比53%，在仿真結束時達到60%左右。 本研究提出的LEACH-HC 協(xié)議在仿真結束時，存活節(jié)點占比在76%左右，相比SEP 和LEACH，LEACH-HC 的生存周期長，能夠最大程度保持網絡的完整性。

圖3 三種網絡協(xié)議的存活節(jié)點數量

WSN 節(jié)點能量損耗是其生存能力的重要考察指標，LEACH-HC 網絡基站區(qū)域內不同距離的死亡節(jié)點數量仿真結果如圖4 所示，本研究選取距離基站100 m、200 m、300 m 和400 m 范圍內進行仿真研究。 仿真結果表明，不同區(qū)域距離下死亡節(jié)點數量均隨著仿真輪數的增加而增加，WSN 網絡的完整性都有下降。 距離越遠的區(qū)域內(300 m 與400 m)節(jié)點的死亡數量多于較近的區(qū)域(100 m 與200 m)。仿真輪數越多，節(jié)點死亡率越大，從1 000 輪到2 000輪這個時間段內，300 m 與400 m 距離節(jié)點死亡率上升至220%和170%；而100 m 與200 m 區(qū)域內的WSN 節(jié)點對應輪數區(qū)間死亡率則增長較緩慢。 結果證明LEACH-HC 在靠近基站區(qū)域中節(jié)點能耗分布相對均勻，位于不同距離的區(qū)域中節(jié)點死亡速率合理，節(jié)點的能量消耗較為平衡。

圖4 網絡不同區(qū)域節(jié)點生存率的比較

無線網絡簇頭數量變化研究結果如圖5 所示，LEACH-HC 的簇頭總量優(yōu)于SEP、LEACH 等協(xié)議，初始時LEACH-HC 簇頭總量是另外兩種協(xié)議的2.4倍，在經歷了1000 輪仿真運行之后，LEACH-HC 的簇頭總數仍優(yōu)于SEP、LEACH 協(xié)議，表明LEACHHC 具有更高的數據傳送性能和網絡完整性。

圖5 LEACH-HC 簇頭數目與時間變化曲線圖

LEACH-HC、SEP 與LEACH 協(xié)議的數據吞吐量仿真結果如圖6 所示，仿真結果表明SEP 協(xié)議與未優(yōu)化過的LEACH 協(xié)議數據吞吐量隨著仿真輪數的增加而略有增加，基本一直處于較低的數量級。 而LEACH-HC 協(xié)議則保持上升的狀態(tài)，并且在仿真1 000輪時達到將近8 萬多的吞吐量，數據吞吐能力優(yōu)于其他兩種協(xié)議。

圖6 節(jié)點數據的吞吐仿真圖

4 結論

本文探索了一種用于實驗室安全無線感知網絡(WSN)的低功耗自適應混合集群分層型協(xié)議(LEACHHC)，協(xié)議采用混合式集群的策略，通過選舉生成簇頭節(jié)點并與特定節(jié)點構成固定簇頭共同存在。 本研究定義3 級節(jié)點額外承擔網絡傳輸任務。 通過優(yōu)化自適應混合集群參數，尋求發(fā)現一種WSN 能耗的優(yōu)化途徑，從而延長實驗室安全監(jiān)測WSN 的生命周期。 依據WSN 的網絡布置特性，設定網絡包含若干個實驗室和獨立單元的結構，對應的在WSN 架構中引入自適應混合集群分層型的數據傳輸方案，提高傳感器監(jiān)測數據傳輸效率。 仿真結果表明，LEACH-HC 協(xié)議在仿真結束時，存活節(jié)點占比在76%左右，相比SEP 和LEACH，LEACH-HC 的生存周期長，能夠最大程度保持網絡的完整性。 LEACH-HC 在靠近基站區(qū)域中節(jié)點能耗分布均勻，在不同距離的各個區(qū)域內節(jié)點死亡率增長符合規(guī)律，可以保持能耗相對均衡。 初始時LEACH-HC 協(xié)議簇頭數是其他協(xié)議的2.4 倍，在經歷了1 000 輪仿真運行之后，LEACH-HC 協(xié)議簇頭數量仍高于SEP、LEACH 協(xié)議。 LEACH-HC 協(xié)議在仿真1 000 輪時達到將近8 萬多的吞吐量，具有很大的數據吞吐優(yōu)勢。 以上結果表明，所探索的LEACH-HC 協(xié)議適合實驗室安全監(jiān)測網絡的數據傳輸。