ALossInferenceAlgorithmforWirelessSensorNetworkstoImproveDataReliabilityofDigitalEcosystems

報告人：XXX2126IEEETRANSACTIONSONINDUSTRIALELECTRONICS,VOL.58,NO.6,JUNE2011內容簡介1背景介紹2解決方法3模型構建以及算法描述4仿真5結論優缺點分析1背景抽象的數字生態系統（DEs）是基于大量分布式數據的，而這些數據是從物理設備獲取的，特別是來自無線傳感器網絡（WSN）。由于固有帶寬和能量的約束，節能機制是傳感器網絡正常運行的關鍵，并且對于提高（DEs）數據的可靠性至關重要。傳統的網絡性能檢測采用主動測量的方法，因此耗費系統資源（帶寬和能量），可擴展性差。2解決方法本文提出了一種新的算法，采用基于被動測量（LIPM）算法來推斷WSN鏈路損耗性能。該LIPM算法被動地監測傳感器節點和sink節點之間的應用流量，然后使用網絡斷層掃描技術，以推斷網絡內部性能。此外，等高線地圖——一種著名的數據表示方法，首次在WSN中的損耗性能推斷中被使用，它可以幫助LIPM算法快速識別有損地區。最后，該算法通過模擬驗證，并表現出良好的性能和可擴展性。

基于反向組播樹的數據聚合通信模式3模型構建該圖是反向多播樹。在這個模型中，一個感興趣的事件發生在感測區域。然后，距離該事件S（稱為感測范圍）內的傳感器節點被感知并和其他相關的節點構造成反向組播樹，sink節點通過該事件收集信息。TreemodelLetT=(V,L)denoteareversemulticastaggregationtreeconsistingofasetofnodesVandasetoflinksL.Thespecialnodereferredtoasthesink,whichisdenotedbys；InL,alinkisanorderedpairlj=(j,k)∈V×V,whichmeansthatjsendsitsdatadirectlytok.Foreachnodej∈Vapartfroms,thereisauniqueparentnodek=f(j)suchthat(j,k)∈L.Definefn(j)recursivelybyfn(j)=f(fn?1(j)).Particularly：f0(j)=j.Letj→idenotethepathfromjtoiinT.（if?n≥0,i>=j,i=fn(j);）TreemodelDenotethesetofchildrenofnodekbyd(k),thatis,d(k)={j∈V|(j,k)∈L}DefinethesetofleafnodesbyR,i.e.,R={j∈V|d(j)=?}.For?k∈V\R,letT(k)=(V(k),L(k))denotethesubtreewithinTrootedatk.Then,R(k)=R∩V(k)isdefinedasthesetofleafnodesthataredescendedfromk.注意：不考慮單子節點的情形LossModel?k∈V\{s},用αk表示節點k通過路徑lk發送至節點f(k)成功的概率lk的丟包率表示為=1-αkXi,j∈{0,1}.Xi,j=1表示數據從節點j成功發送至節點i，Xi,j=0表示i節點接受數據失敗γ(k)表示在一個試驗中至少有一個節點(R(k))的數據到達sink節點的概率γ(k)=P[Vj∈R(k)Xs,j=1](1)對于?k∈V\R，定義β(k)為R(k)中至少有一個節點成功到達節點k的概率β(k)=P[Vj∈R(k)Xk,j=1](2)LossModel(k)=1?β(k)表示k未接受任何來自R(k)中的數據，有兩種原因，其一：k未成功接受任何來自R(k)中的數據，其二：數據在鏈路Lj中丟掉了。因此

設A(k)表示在數據到達K節點的情況下，至少有一個節點（在R(k)中）的數據到達sink的概率LossModel基于伯努利分布的假設，很顯然而結合公式（1），（2），和（4），用于?k∈V\R，可以是發現γ(k)=β(k)·A(k)。（6）而組合（3），（5），（6），用于?k∈V\R，則可以求出：LossModelγ(k)可以通過在sink中的觀測進行估計，k(m)k∈R,m=1,...,n表示第m次數據收集的估計值因此γ(k)的估計值是：LossModel鏈路的傳輸率的估計最終可從（5）得到因此，（7）-（11）式建立了鏈路傳輸/損失率以及在sink中的觀察值的關系。（8）-（10）式表示γ(k)可以從(m)中估計獲得，A（K）可以根據（7）求得。因此αk可以從式（11）中得到。InferenceAlgorithmA.ProblemDefinition1)反向多播樹的拓撲T=(V,L);2)n次數據收集;3)記錄每次實驗中葉節點發數據送至sink節點的(m)k∈R,m=1,2...n的值B.AlgorithmDescription本文采用LIPM算法（LossInferencebasedonPassiveMeasurement）該算法的偽代碼如右圖所示：程序infer_subtree用于推斷節點K（K不屬于R）的鏈路傳播率

APPLICABILITYDISCUSSIONLIPM算法在實際的工業和環境監測的適用性現實世界中的無線傳感器網絡會有很多單子節點在拓撲樹中，然而LIPM算法適用于解決多個子節點的拓撲結構，因此該算法對于具有單子節點的情況是無效的。本文提出虛子節點的概念，如下圖所示：在數據采集的過程中，當節點?收到來自他的子節點的數據時，它把自己的ID傳給匯總數據包，在sink節點看來，它收到兩個ID地址一樣的數據。LIPM算法可以有效利用于周期性數據采集??或小概率事件檢測定期收集數據，例如跟蹤監測流動材料的設備的健康狀況，很明顯LIPM算法非常適合于這些應用。另一方面，在罕見的事件檢測中，傳感器節點用于檢測和區分稀有事件，如報警和故障檢測通知。對于這些基于隨機事件的應用，如果部署一個基于反向組播樹的數據聚合通信模式，盡管感興趣的事件發生的持續時間相對較長，該LIPM算法也將因為其良好的收斂性而發揮作用。對于短暫事件的情形，其中沒有多大的傳輸發生時，數據聚集通信模式通常不采用。因此，LIPM算法不適合于此種情形。4仿真仿真環境：OMNeT++網絡模擬器仿真模型：分別由1000和2000個節點組成的隨機網絡。采用兩種不同的分布來表示丟包率LD1：丟包率隨機的分布在[0.01,0.4]之間LD2：丟包率為0.2衡量標準：A.ComparisonWithPreviousAlgorithmsB.SimulationsinPeriodicDataCollectionScenarios仿真模型：分別由1000和2000個節點組成的節點隨機分布的網絡。每個節點有2~10個子節點丟包過程：（1）BP：Bernoulliprocess（2）GP：Gilbertprocess衡量標準：inferenceabsoluteerrors(IAEs)Fig.5.CumulativedistributionofIAEofN1000withLD1(periodicdatacollectionscenarios).(a)UnderBP.(b)UnderGP.Fig.6.CumulativedistributionofIAEofN2000withLD1(periodicdatacollectionscenarios).(a)UnderBP.(b)UnderGP.Fig.7.CumulativedistributionofIAEofN1000withLD2(periodicdatacollectionscenarios).(a)UnderBP.(b)UnderGP.Fig.8.CumulativedistributionofIAEofN2000withLD2(periodicdatacollectionscenarios).(a)UnderBP.(b)UnderGP.C.SimulationsinEvent-BasedScenarios仿真模型：1000個節點任意放置在D=1000的正方形區域內sink節點位于正方形中心的左上方傳感器節點的通信半徑設為50~150m100個隨機事件相繼發生Fig.9.CumulativedistributionofIAEofN1000withLD1(event-basedscenarios).(a)UnderBP.(b)UnderGP.Fig.10.CumulativedistributionofIAEofN1000withLD2(event-basedscenarios).(a)UnderBP.(b)UnderGP.Fig.11.Evaluationontheconvergence.(a)LD1.(b)LD2.D.LossyAreaIdentification仿真模型：1000個節點任意放置在D=1000的正方形區域內丟包區域中心（750m，250m），半徑為100mFS1:丟包區域的丟包率隨機分布在[0.3,0.4]，其他區域丟包率分布在[0.01,0.1]FS2:丟包區域的丟包率隨機分布在[0.3,0.4]，其他區域丟包率為0.1仿真模型：1000個節點任意放置在D=1000的正方形區域內

FS3:所有節點的丟包率均分布在[0.01,0.1]

FS4:所有節點的丟包率均為0.1

5結論WSN是DEs的一個組成部分，并為DEs從環境中提取有用數據。顯然，WSN的大規模應