传感网中基于能量窗口的监测方法

李兰英，蒋维成，何 勇，李华兵

(成都理工大学 工程技术学院，四川 乐山 614000)

0 引 言

无线传感器常布置在野外，实现对某一任务的监测，能量对无线传感器网络的运行十分重要[1-4]。由于无线传感器网络在军事、医疗、生产和生活中的重要作用，引起了广泛的研究[5-7]。簇树结构是无线传感网络的一种常用网络，文献[8]设计不平衡的分簇，采用调度算法进行传输任务的分配来保证传输时延满足条件。文献[9]采用自适应信标交换算法和基于过渡带思想的贪婪转发策略，提出了一种实时可靠的贪婪路由算法，提高了数据实时传输的可靠性。这些文献侧重研究实时数据的延迟。

为了对无线传感器网络中的节点进行管理，LEACH算法[10-12]采用分簇的方式，把无线传感器网络中的节点分为簇头节点和普通成员节点，每个节点以一定的概率当选为簇头。簇头负责数据的转发和簇内节点的管理，普通成员节点进行数据的采集。由于簇头能量消耗比较多，经过一段时间要进行簇头轮换。然而LEACH算法的分簇是随机进行的，不足在于簇头聚集在一起。

为了充分利用区域中无线传感器节点能量，使得各节点能量的消耗均衡化，提出了一种能量均衡的地理位置监测方法。

1 算法框架

文献[13]指出无线传感器在不同状态下的能量消耗存在某种关系，在空闲状态、数据接收和数据发送时的能量消耗是1∶1∶5。

为了研究无线传感器网络中各种不同状态下任务量之间的关系，定义一个标准任务。

定义1：标准任务是对无线传感器所执行的众多任务的抽象，用来衡量其他任务的任务量大小，用S0表示。

无线传感器在执行各种不同任务时可以通过标准任务量来衡量任务的大小。无线传感器在执行数据采集任务时的任务量可以表示为：S1=α·S0，其中α为比例系数，表示数据采集的任务量与标准任务之间的关系。无线传感器在执行接收数据任务时的任务量可以表示为：S2=β·S0，其中β为比例系数，表示接收数据的任务量与标准任务之间的关系。无线传感器在执行发送数据任务时的任务量可以表示为S3=γ·S0，其中γ为比例系数，表示发送数据的任务量与标准任务之间的关系。

定义2：能量窗口指无线传感器的剩余能量与标准任务之间的乘积。

若能量窗口用W表示，则有：

W=E·S0

(1)

其中，E表示无线传感器的剩余能量。

能量窗口反映无线传感器节点在剩余时间里所能完成的任务量的多少。能量窗口越大，节点所能完成的任务量越多；反之，则越少。

无线传感器在执行一定的任务之后，就将能量窗口减少一定的量Δθ。如图1所示，无线传感器在执行某任务之后，能量窗口由θ1变成θ2。

图1 能量窗口

有了能量窗口之后，就可以清楚地知道区域内各节点的能量窗口大小，在分配任务时就可以根据任务量的大小选择不同的执行节点，也可以优先把任务分配给能量窗口大的无线传感器，这些无线传感器可以完成更多的任务。

无线传感器的监测范围是有限的。距离事发点位置越近的无线传感器，监测效果越佳。设事件发生位置的中心O坐标为(x0,y0)，无线传感器i的位置坐标为(xi,yi)，那么无线传感器i到O的距离为：

(2)

取距离的倒数F为:

(3)

其中，f0为监测允许范围的最小值。由式3可知，F的值越大，无线传感器离事发中心的距离越近，监测效果越好。

选取F和W作为参考量，构建能距关系式，表示为：

(4)

其中，k1,k2为比例系数，表示F和W所占的比例。通过系数k1,k2在D和W之间进行折衷和权衡来选择区域中的无线传感器作为任务的执行节点，将满足条件的无线传感器构成一个集合，把监测的任务分担给集合中的节点，来执行监测任务。使得任务监测的能量消耗分散在区域中的不同节点之间。

由式4可知，在能量窗口相同的情况下，任务的执行优先选择距离事发地点较近位置的无线传感器，随着任务监测的进行，节点的能量不断消耗，使得G值减小，当减少到一定量后，选择其他节点来执行任务。

如图2所示，事件发生的中心位置位于O点，任务执行节点首先选择与O点较近的节点i，随着能量的消耗，E值不断减小，从而G值不断减小，在O点附件存在比i点G值更大的无线传感器j，从而使得j成为任务执行节点，当j的能量消耗到一定量后，又由k节点担任任务的监测。从而对O的监测能耗分散在不同的节点之间，避免了节点提前死亡。

图2 节点选择

2 任务分配

2.1 分配树

定义3：分配树是由无线传感器的F值和W值构成的有序树，用来对无线传感器进行任务分配。

在分配树中，中间节点均是无线传感器的G值，并且满足如下性质：第一，每个左子树或者为空，或者左子树上的所有节点小于它的父节点；第二，每个右子树或者为空，或者不小于它的父节点。分配树中所有的叶子节点均为无线传感器的F值或W值，如果该叶子节点位于某子树的左叶子位置，则为该无线传感器的F值，位于右叶子位置则为该无线传感器的W值。

如图3所示，无线传感器i1和i2的能量窗口W均为0.5，i1与事发中心的距离为50 m，其F值为0.02，G值为0.224；无线传感器i2与事发中心的距离为14 m，其F值为0.07，G值为0.232；由于i2的G值比i1大，所以i1位于i2的左侧。无线传感器i3和i4与事发中心的距离均为10 m，F值为0.1，i3的能量窗口W为0.7，G值为0.326，i4的能量窗口W为0.8，G为0.369，由于i4的G值比i3大，所以i4位于i3的右侧。

根据分配树的性质，任务的执行可以选择分配树的右子树所对应的无线传感器，因为右子树的G值更大。在图3所示的分配树中，优先选择右侧的节点，可以选择无线传感器i4执行任务。

图3 分配树

2.2 聚类处理

为了使处理简单和减少执行任务过程中节点的频繁变换，若t1时刻的G值为G1，t2时刻的为G2，其中t2>t1。设置一个阈值h0，当|G2-G1|≤h0时视为不变，只有当|G2-G1|>h0时，才认为发生改变，此刻进行节点间的轮换。

由于区域中的无线传感器数量比较多，考虑实际的G值之间的差异，将无线传感器进行聚类处理，把G值相同的无线传感器归为一类，这样就可以简化操作。

根据区域中无线传感器G值的分布情况进行划分。设Gn是某一类G值中数量较多无线传感器的中心值，那么可以根据式5计算属于该类的无线传感器。

(5)

其中，ρ为阈值，表示无线传感器允许偏离中心值Gn的范围。根据式5可以将区域中的无线传感器划分成不同的类，每一类无线传感器中的节点是等效的。在实际应用中，可以根据具体情况，针对G值进行不同的划分。

对区域中的无线传感器进行聚类处理之后，无线传感器节点就属于不同的集合，同一集合中的无线传感器均是等效的，对于同一集合中的节点就可以按某种概率进行选择。若集合中有n个元素，那么选择该集合中的某一无线传感器节点i的概率为：

(6)

这样就可以将任务分配给这n个节点。一方面将能量消耗分散在这n个节点之间，另外，由于这n个节点是等效的，也提高了系统的可靠性。

3 仿真结果

为了研究文中算法的性能，采用Matlab对文中算法和Leach算法构建模型，进行仿真实验。

从图4可以看出，文中算法的死亡出现时间要比LEACH算法晚，在相同时间条件下，文中算法在无线传感器死亡数量上也较LEACH算法少。这主要因为文中算法将数据监测的任务分配给符合条件的无线传感器节点集合，使得能量的消耗均衡化，减少了节点的过度能耗。

图4 死亡数

任务的执行是通过无线传感器完成的，区域中一定数量的存活无线传感器是保证任务的完成的前提[14]。在相同条件下，文中算法和LEACH算法中的节点存活数随时间的变化如图5所示。可以看出，在相同时间条件下，文中算法的节点存活数比LEACH算法要多，因而文中算法比LEACH算法有更长的网络生存期。

图5 存活数

4 结束语

为了充分利用该无线传感器的能量，提出了能量窗口的概念，在监测效果允许范围内，构建监测距离和能量窗口关系式，在能量窗口和监测距离之间进行权衡选择，把能量消耗分散在众多等效无线传感器节点之间。根据监测距离和能量窗口构建任务分配树，实现对无线传感器的快速指派，同时，根据无线传感器节点的特性，将区域内的无线传感器进行聚类处理，把共同特性的无线传感器归为一类，简化操作，提高算法的可靠性。最后，通过仿真实验验证了该算法的正确性。