一種逐步分類預測群首的WSN組網(wǎng)策略

【摘要】? ? 本文提出一種無線傳感器網(wǎng)絡（WSN）組網(wǎng)策略，旨在生成合理群首分布，均攤能耗，延長WSN穩(wěn)定期。首先，在穩(wěn)定期內(nèi)，本文選擇SEARCH協(xié)議產(chǎn)生每輪群首，并從中優(yōu)選相對合適的群首分布。其次，將這批優(yōu)選數(shù)據(jù)用于訓練，調(diào)優(yōu)多個級聯(lián)的機器學習模型。經(jīng)交叉驗證，達到收斂的模型可預測每輪合理群首分布，延長WSN穩(wěn)定期。同時，本文策略適用于低時延應用場景。

【關(guān)鍵詞】? ? 穩(wěn)定期? ? 群首選擇? ? WSN

引言：

WSN由眾多隨意分布的，能量、傳輸距離有限的傳感器節(jié)點組成。這些節(jié)點可感知周圍環(huán)境數(shù)據(jù)，如光照，溫度，濕度等。

近年，WSN在智能家居，醫(yī)療健康，環(huán)境監(jiān)測等領(lǐng)域產(chǎn)出累累碩果，取得廣泛關(guān)注。

WSN的高效路由協(xié)議主要分為4類[1]：基于網(wǎng)絡結(jié)構(gòu)（扁平化或?qū)蛹壔?，基于通信模型，基于拓撲以及基于可靠路由。本文是基于層級化網(wǎng)絡結(jié)構(gòu)的路由協(xié)議。

層級化協(xié)議以輪為單位運作。每輪隨機或者指定選擇幾個節(jié)點成為群首，剩余非群首則感知環(huán)境數(shù)據(jù)并傳給群首。群首收到信息，整合匯總，轉(zhuǎn)發(fā)給遠處基站。

每輪運作耗費節(jié)點能量，尤其群首開銷更大。若某節(jié)點能量耗盡，則其無法感知數(shù)據(jù)，導致WSN失去這塊區(qū)域感知能力。因此，層級化協(xié)議希望能耗均攤，每輪選擇不同節(jié)點成為群首。

誠然，合理群首分布更易促成能耗均攤，但群首選擇是NP-hard問題。幸而許多文獻已對此做出針對性研究。

Heinzelman et al.[2]提出LEACH協(xié)議，為層級化協(xié)議奠定基礎，影響深遠。每輪開始，LEACH設置統(tǒng)一閾值依概率選擇群首，當每個節(jié)點都做過群首，即達成1個epoch。新epoch周而復始，直至所有節(jié)點能量耗盡。并且其研究列出詳細實驗參數(shù)[3]，可實現(xiàn)模擬仿真。

基于LEACH，研究者們提出更多升級版本。

有些研究依概率隨機選擇群首。Smaragdakis et al.[4]考慮差異化初始節(jié)點能量，延長WSN運作周期。Wang et al.[5]根據(jù)剩余節(jié)點能量，節(jié)點至群首距離，節(jié)點至基站距離優(yōu)化群首閾值，并指出穩(wěn)定期（首個死亡節(jié)點之前的運作輪數(shù)）是WSN運作周期的重中之重，此階段WSN對目標區(qū)域具備完全感知能力。

有些借助基站控制，指定群首。Heinzelman et al.[3]采用模擬退火算法。Masaeli et al.[6]尋求FLP問題次優(yōu)解。

通常，依概率隨機選擇群首不保證每輪達成合理分布，而基站控制指定群首時延較高。本文提出一種新穎思路，權(quán)衡兩者優(yōu)點，提出Cluster Head Iterative Prediction（CHIP）協(xié)議，生成合理群首分布，同時時延較低。

一、過程描述

本節(jié)闡述CHIP運作流程。類似[3]，[6]，基站指定群首;類似[4]，[5]，WSN具備差異化初始節(jié)點能量。

重復（直至產(chǎn)生足夠均衡樣本）;

重復（穩(wěn)定期內(nèi)，每輪）;

SEARCH選擇k個群首，獲得詳細節(jié)點數(shù)據(jù);

將每輪節(jié)點能耗匯總，按總能耗升序排列;

保留總能耗前40%的每輪數(shù)據(jù)（此時群首和非群首數(shù)量不均衡）;

樣本均衡;

重復（群首3至群首5的均衡樣本）;

利用群首i樣本訓練模型i;

驗證模型i;

模型推理。

（一）樣本生成和精煉

穩(wěn)定期內(nèi)，每輪記錄明細數(shù)據(jù)：節(jié)點ID，能耗，剩余能量，至基站距離，至最近群首距離，至最遠群首距離，是否有機會成為群首，是否群首。

SEARCH依概率隨機選擇群首，但仍有一部分群首分布相對合理，本文僅保留總能耗較低的前40%輪數(shù)據(jù)。在層級化協(xié)議中，群首數(shù)量遠少于非群首，因此樣本不均衡，影響模型預測能力。

本文對保留數(shù)據(jù)做下采樣，每輪取k個群首，以及至最近群首距離降序排列的前2k個非群首數(shù)據(jù)。以此達成樣本均衡。

重復以上操作，直至產(chǎn)生足夠訓練，驗證，測試的均衡樣本。

（二）模型訓練

顯然，上述過程獲得的結(jié)構(gòu)化小樣本數(shù)據(jù)更適合傳統(tǒng)機器學習，而非深度學習，因而本文未采用CNN或LSTM相關(guān)的卷積模型。

經(jīng)探索性數(shù)據(jù)分析及特征工程，選取以下特征：節(jié)點ID，剩余能量/平均剩余能量，max{至基站距離/其他群首至基站平均距離}/min{至基站距離/其他群首至基站平均距離}，至最近群首距離（正則化），至最遠群首距離（正則化），是否群首。

考慮到群首選擇問題復雜性，本文將其轉(zhuǎn)化為逐步分類建模。因變量為是否群首。每輪選擇群首1，群首2時條件寬松，由SEARCH依概率直接選出。從群首3開始逐步分類建模，60%樣本用于訓練，20%用于驗證，20%用于測試。

以預測群首i為例，選擇群首1，群首2，...，群首i-1已定，群首i待定樣本訓練xgboost模型i，進行參數(shù)調(diào)優(yōu)。模型收斂條件為F1 score >= 0.75。

至此，一批節(jié)點樣本輸入，模型i選擇評估值最高的節(jié)點成為群首i。

（三）模型推理

每輪，SEARCH選擇群首1，群首2，繼而模型i選擇群首i（i從3至5）。輕量級機器學習模型參數(shù)較少，推理時間短，因而CHIP時延較低。

二、數(shù)值模擬

本文沿用LEACH實驗參數(shù)[3]。模擬場地呈100×100矩形?；咀鴺耍?0， 175）。

Eelec = 50nJ/bit

EDA = 5nJ/bit

?fs = 10pJ/（bit·m2）

?mp = 0.0013pJ/（bit·m4）

E0 = 0.25J

l = 2000bit

N = 100

k = 5

m = 0.2

β = 3

Eelec ，EDA ，?fs ，?mp 是固定無線電參數(shù)，E0是初始節(jié)點能量，l代表數(shù)據(jù)包長度，N為節(jié)點數(shù)，k為群首個數(shù)，m表示高級節(jié)點（初始能量多）占比，β表示附加能量系數(shù)。在模擬環(huán)境中，普通節(jié)點能量為E0，高級節(jié)點能量為（1+β）*E0，初始能量有差異，更貼合實際場景。

傳輸能耗如下，d為傳輸距離：

本文基于新生成的拓撲，節(jié)點數(shù)據(jù)，以及不同的高級節(jié)點占比，對CHIP，SEARCH，LEACH進行性能分析，結(jié)果見表1，圖1。

易見，更大m值意味更多剩余能量，因而具備更持久穩(wěn)定期。LEACH忽略差異化初始節(jié)點能量，導致普通節(jié)點過早耗盡，提前結(jié)束穩(wěn)定期。

CHIP穩(wěn)定期在各m值情景下都超越SEARCH，平均增幅達5.69%，收效顯著。

作為對比，SEARCH僅依概率選擇群首，不能保證每輪達成合理群首分布，穩(wěn)定期稍遜一籌。

三、結(jié)束語

本文提出一種樣本精煉及群首預測機制，顯著延長WSN穩(wěn)定期。通過逐步分類建模，CHIP逐個選擇合理位置群首，使能耗均攤。同時，因為采用輕量級機器學習模型，CHIP推理時間短，時延較低。

參? 考? 文? 獻

[1] N. A. Pantazis， S. A. Nikolidakis， and D. D. Vergados， “Energy-efficient routing protocols in wireless sensor networks： A survey，” IEEE Communications Surveys Tutorials， vol. 15， no. 2， pp. 551–591， 2013.

[2] W. R. Heinzelman， A. Chandrakasan， and H. Balakrishnan， “Energy-efficient communication protocol for wireless microsensor networks，” in Proceedings of the 33rd Annual Hawaii International Conference on System Sciences， vol. 2， 2000.

[3]W. B. Heinzelman， A. P. Chandrakasan， and H. Balakrishnan， “An application-specific protocol architecture for wireless microsensor networks，” IEEE Transactions on Wireless Communications， vol. 1， no. 4， pp. 660–670， 2002.

[4] G. Smaragdakis， I. Matta， and A. Bestavros， “SEP： A Stable Election Protocol for clustered heterogeneous wireless sensor networks，” in Proceedings of Second International Workshop on Sensor and Actor Network Protocols and Applications， 2004.

[5] M. Y. Wang， J. Ding， W. P. Chen， and W. Q. Guan， “SEARCH： A Stochastic Election Approach for Heterogeneous Wireless Sensor Networks，” IEEE Communications Letters， vol. 19， no. 3， pp. 443–446， 2015.

[6] N. Masaeli， H. H. S. Javadi， and E. Noori， “Optimistic selection of cluster heads based on facility location problem in cluster-based routing protocols，” Wireless Personal Communications， vol. 72， pp. 2721–2740， 2013.

基金項目：江蘇省軌道交通控制工程技術(shù)研究開發(fā)中心基金項目（KFJ2109）;

王旻毅（1989.09-），男，漢族，江蘇南京，研究生學歷，工程師職稱，研究方向：通信與信息系統(tǒng)。