摘 要： 事件監(jiān)測是無線傳感器網(wǎng)絡(luò)中的重要應(yīng)用之一，而準確檢測出故障節(jié)點是提高事件監(jiān)測效率的前提。為了實現(xiàn)多應(yīng)用目標傳感器網(wǎng)絡(luò)中較高的節(jié)點故障識別率，在基于簇狀樹的虛擬傳感網(wǎng)架構(gòu)上，提出一種基于節(jié)點鄰域中值的事件監(jiān)測容錯算法。該算法充分利用了無線傳感網(wǎng)節(jié)點之間的空間相關(guān)性，融合鄰域各節(jié)點的測量值，通過節(jié)點的數(shù)值與鄰域中值之間的差值來判斷節(jié)點狀態(tài)。仿真實驗結(jié)果表明，即使是在節(jié)點故障概率比較高的情況下，該算法依然具有優(yōu)越的容錯性能。
關(guān)鍵詞： 容錯；虛擬傳感器網(wǎng)絡(luò)；事件監(jiān)測
0 引言
目前大多數(shù)無線傳感器網(wǎng)絡(luò)的部署都是為特定的應(yīng)用服務(wù)，為每個應(yīng)用部署相應(yīng)的專用傳感器網(wǎng)絡(luò)往往成本過高，效率低下。虛擬傳感器網(wǎng)絡(luò)（Virtual Sensor Networks，VSN）則從一系列傳感器當中挑選出若干節(jié)點形成一種邏輯網(wǎng)絡(luò)，為某類特定的應(yīng)用服務(wù)，其基本概念與在物理拓撲之上建立服務(wù)于特定用戶的虛擬網(wǎng)絡(luò)技術(shù)有異曲同工之妙。部署在相同地理區(qū)域內(nèi)，并且互相協(xié)作的傳感器節(jié)點可以根據(jù)不同的監(jiān)測任務(wù)，在邏輯上構(gòu)成多個不同的VSN[1]。
在傳統(tǒng)的無線傳感網(wǎng)事件監(jiān)測過程中，往往由于節(jié)點的質(zhì)量較差、被損壞以及無線通信受噪聲干擾等問題，導致節(jié)點故障，產(chǎn)生錯誤的采樣數(shù)值，降低事件監(jiān)測的準確性。實現(xiàn)準確度較高的事件監(jiān)測，良好的容錯算法必不可少。然而，在虛擬傳感網(wǎng)架構(gòu)中，傳感節(jié)點的容錯需求除了檢測出故障節(jié)點外，還要考慮在VSN內(nèi)的故障節(jié)點拓撲管理問題，這是傳統(tǒng)無線傳感網(wǎng)容錯算法所欠缺的。因此，本文的主要研究目標是提出適用于虛擬傳感網(wǎng)架構(gòu)，且具有優(yōu)越性能的容錯算法。
1 相關(guān)成果
參考文獻[2]提出了一種利用節(jié)點測量值的平均值來消除噪聲對傳感器讀數(shù)干擾的容錯算法。但是該算法僅適用于節(jié)點故障率較低的傳感網(wǎng)。參考文獻[3]同時考慮到了事件的時間、空間相關(guān)性，提出了一種分布式的事件區(qū)域檢測容錯算法，但該算法僅局限于固定事件區(qū)域的監(jiān)測。而在虛擬傳感器網(wǎng)絡(luò)架構(gòu)下的容錯處理方面，僅有參考文獻[1]利用隨機過程描述事件的時間相關(guān)性，提出了一種基于統(tǒng)計假設(shè)檢驗的容錯策略，通過檢驗本地采樣數(shù)據(jù)構(gòu)成的時間序列與事件統(tǒng)計特征的符合程度來判斷節(jié)點是否發(fā)生錯誤。
依照參考文獻[1]，傳感器錯誤分為如下兩類[3]：一是誤判錯誤，即監(jiān)測環(huán)境處于正常狀態(tài)時，傳感器節(jié)點卻報告有相應(yīng)事件發(fā)生；二是失判錯誤，即事件發(fā)生時，傳感器節(jié)點卻沒有報告。如果節(jié)點失判，由于鄰居節(jié)點大多都正常工作，已監(jiān)測到了該事件，所以參考文獻[1]認為出現(xiàn)失判無關(guān)緊要而不做處理；如果節(jié)點發(fā)生誤判，則不再接受此節(jié)點消息。參考文獻[1]的容錯策略不當之處在于：（1）很多傳感網(wǎng)應(yīng)用并不是僅僅以監(jiān)測到事件發(fā)生為最終目的，還需要將采集到的數(shù)據(jù)匯總并進行運算處理。失判情況下，如果放任錯誤數(shù)據(jù)不管，對傳感網(wǎng)應(yīng)用的結(jié)果準確度會產(chǎn)生影響；（2）節(jié)點故障狀況中存在瞬時測量值故障[4]，即由于監(jiān)測環(huán)境的突然變化使得傳感節(jié)點極短時間內(nèi)采樣數(shù)據(jù)異常。這樣的故障是暫時的、可恢復(fù)的。若因為一次瞬時測量值故障，就再不采用該節(jié)點所傳輸?shù)臄?shù)據(jù)，會降低傳感網(wǎng)的效率。
2 事件監(jiān)測的容錯算法
2.1 基于節(jié)點鄰域中值的容錯算法
在發(fā)生例如森林火災(zāi)、化工毒氣泄漏的監(jiān)測區(qū)域中，鄰居節(jié)點間在正常情況下的測量數(shù)值是相同或者相近的，則稱該區(qū)域內(nèi)的節(jié)點測量值具有空間相關(guān)性[5]。但節(jié)點誤判或者失判通常是視為隨機獨立的，不具有空間相關(guān)性。本文利用采集數(shù)據(jù)之間的空間相關(guān)性，對可能存在錯誤的傳感數(shù)據(jù)進行處理。
假設(shè)在傳感節(jié)點Si的通信半徑范圍內(nèi)共有m-1個鄰居節(jié)點，這m個節(jié)點的集合構(gòu)成了Si的節(jié)點鄰域，記為N（Si）。其中，Si的第k個鄰居節(jié)點記為Sik，1≤k≤m-1，其在某時刻所采集到的數(shù)據(jù)記為D（Sik）。因為節(jié)點采樣值中有可能會出現(xiàn)與正常數(shù)據(jù)偏差極大的錯誤值，所以如果用樣本均值來估計中心節(jié)點鄰域內(nèi)的總體狀態(tài)是不合理的。因此，本文用鄰域數(shù)據(jù)中值來反映樣本中心。令N（Si）的中值為M（Si），假設(shè)Si的鄰域N（Si）中，各個鄰居節(jié)點所采集的數(shù)據(jù)按照數(shù)值大小升序排列，D（Si）≤D（Si1）≤…≤D（Si（m-1）），中值M（Si）的計算公式如下：
M（Si）=D（Si（m-1）/2），m為奇數(shù)[D（Si（m/2）+D（Si（m/2-1））]/2，m為偶數(shù)（1）
得出中值后，再計算出Si的采樣數(shù)值與M（Si）的差值pi。
pi=|D（Si）-M（Si）|（2）
得出差值pi后，根據(jù)式（3）計算出pi的均值與方差。
之后再由式（4）對傳感節(jié)點數(shù)值與中值的差值pi進行標準化處理。
本文假設(shè)在應(yīng)用場景中，所部署的各個傳感器的采樣數(shù)值都是獨立同正態(tài)分布的，這意味著理論上N（Si）的均值與中值相同，但中值相比于均值能更為準確地反映出樣本中心。而當樣本數(shù)目i足夠大時，經(jīng)過標準化的中值差值序列g(shù)1，g2…gi可視為服從N（0，1）標準正態(tài)分布的一個樣本。
最后，根據(jù)式（5）來檢測Si是否出現(xiàn)故障。將經(jīng)過標準化的gi與預(yù)先給定的閾值θ相比較，其中θ>1。
如果|gi|-θ≥0，則Ri=1，表明Si發(fā)生故障。查詢標準正態(tài)分布表，如果設(shè)定判決閾值θ為1.65，則|gi|-θ≥0的概率大約是10％，這意味著如果某些偏離正常采樣值范圍的極值出現(xiàn)概率不超過10％，則可視作節(jié)點故障。其他節(jié)點故障率與對應(yīng)的判決閾值如表1所示。
2.2 節(jié)點信譽機制
為了解決瞬時測量值故障導致傳感網(wǎng)效率降低的問題，本文提出了節(jié)點信譽機制。首先，定義變量LTC和STC，分別代表Si的長期信譽和短期信譽，假設(shè)max（LTC）為5，max（STC）為3，初始值都為0。status為節(jié)點暫時狀態(tài)，正常時為0，故障時為1，表示正處于考察階段。final_status為節(jié)點最終狀態(tài)，若為1，則永不采用其采樣值。sample為節(jié)點信譽未破產(chǎn)階段的采樣許可標識，值為1時正常采樣，值為0且final_status為0時采樣數(shù)據(jù)仍參與節(jié)點故障檢測，但僅對此采樣數(shù)據(jù)的對錯進行判斷，并不采用。算法偽代碼如下：
max（LTC）=5；max（STC）=3；
LTC=0；STC=0；
status=0；final_status=0；sample=1；
WHILE（final_status!=1）
{
IF（LTC==5）
{
final_status=1；
}
IF（status==1）
{
LTC++；
STC=0；
sample=0；
}
ELSE
IF（status==0&<C!=0）
{
STC++；
IF（STC==3）
{
sample=1；
}
}
}
一旦該節(jié)點發(fā)生故障，則LTC加1，STC無論為何值都重新歸零。在Si標識為故障節(jié)點期間仍然可以傳輸其他節(jié)點數(shù)據(jù)，并且其之后的采樣數(shù)據(jù)仍參與節(jié)點故障檢測，但僅對此采樣數(shù)據(jù)的對錯進行判斷，并不采用。如果之后的采樣數(shù)據(jù)在正常范圍內(nèi)，則STC加1，直到STC等于3時撤銷對節(jié)點Si的故障標識，并正常采用其采樣數(shù)據(jù)。這樣可以有效規(guī)避因某一時刻的瞬時測量值故障而使得節(jié)點不再被信任。如果LTC累加到5，可視為Si信譽破產(chǎn)，不再與Si進行任何數(shù)據(jù)交換，更不會采用其采樣值。
3 容錯處理流程
參考文獻[6]提出了一種基于自頂向下的簇樹狀結(jié)構(gòu)的VSN組建算法，使得傳感網(wǎng)部署區(qū)域內(nèi)監(jiān)測到相同事件的節(jié)點構(gòu)成一個VSN。
在VSN中，監(jiān)測到事件后需要將消息上傳到根節(jié)點，每個簇頭節(jié)點都在VSN簇樹構(gòu)建過程中向路由表內(nèi)添加條目建立路由，連通監(jiān)測到相同事件的所有節(jié)點。簇頭節(jié)點處理VSN構(gòu)建消息的流程圖如圖1所示。
根據(jù)參考文獻[6]所提出的虛擬傳感網(wǎng)架構(gòu)，當VSN內(nèi)某傳感節(jié)點經(jīng)本文第2節(jié)容錯算法確認為故障節(jié)點時，就會進行如圖2所示容錯處理流程。
如果Si是VSN簇頭節(jié)點（Cluster Head，CH），當CH失判時，簇內(nèi)節(jié)點只要有一個監(jiān)測到了事件，都會上報給CH，并將CH納入VSN事件內(nèi)。因此，CH失判對事件能否被監(jiān)測到影響并不大，但是為了保證失判時CH所提交的錯誤數(shù)據(jù)不影響匯總數(shù)據(jù)的精確性，無論失判還是誤判，都需要及時刪除并重新選擇CH。
4 仿真結(jié)果與性能分析
在仿真實驗中，將總數(shù)n=5 000個傳感節(jié)點隨機均勻地部署在500 m×500 m的平面區(qū)域內(nèi)，sink節(jié)點部署在區(qū)域中央。每個節(jié)點有8個鄰居節(jié)點，節(jié)點采樣頻率為10 Hz，max（LTC）=3，max（STC）=3。判決閾值θ= 1.96。考慮同一監(jiān)測事件發(fā)生在單個區(qū)域和三個不同區(qū)域內(nèi)兩種情況。事件區(qū)域內(nèi)節(jié)點測量值服從正態(tài)分布N（100，10），故障節(jié)點測量值服從均勻分布U（40，100），正常區(qū)域節(jié)點測量值服從正態(tài)分布N（40，10）。比較本文算法與參考文獻[1]基于統(tǒng)計假設(shè)檢驗的容錯算法在不同節(jié)點故障率下的性能優(yōu)劣。節(jié)點故障率與錯誤節(jié)點數(shù)目對應(yīng)關(guān)系如表2所示。
容錯準確率=
，其中，num（Identify）指檢測出來的錯誤節(jié)點數(shù)目，num（fault）指錯誤節(jié)點總數(shù)。事件監(jiān)測準確率=
，其中，num（IEvent）指監(jiān)測到事件的傳感節(jié)點數(shù)目，num（Event）指位于事件區(qū)域內(nèi)的傳感節(jié)點數(shù)目。
圖3顯示了在同事件單區(qū)域和多區(qū)域的場景中，相同傳感節(jié)點錯誤率的情況下，本文算法與參考文獻[1]算法的容錯準確率。圖4則顯示了兩種應(yīng)用場景中，兩種算法事件監(jiān)測準確率隨節(jié)點錯誤率的變化。圖中，標有空心菱形節(jié)點的scheme1是參考文獻[1]算法性能曲線，標有空心圓節(jié)點的scheme2是本文算法性能曲線。由圖3、圖4可以看出，本文所提出的基于節(jié)點鄰域中值的事件監(jiān)測容錯算法無論在單目標區(qū)域還是多目標區(qū)域的事件監(jiān)測場景中，性能都要比參考文獻[1]基于統(tǒng)計假設(shè)檢驗的容錯算法更為優(yōu)越。
5 結(jié)束語
本文研究了虛擬傳感器網(wǎng)絡(luò)架構(gòu)下的事件監(jiān)測容錯問題，組建了相應(yīng)的網(wǎng)絡(luò)模型，提出了一種基于節(jié)點鄰域中值的事件監(jiān)測容錯算法，利用鄰域節(jié)點采樣值之間的空間相關(guān)性，對節(jié)點的觀測數(shù)值的正誤進行判斷，最后提出了節(jié)點信譽機制，有效規(guī)避了因瞬時測量值故障導致相應(yīng)節(jié)點被棄用而使得傳感網(wǎng)效率降低的問題。仿真實驗結(jié)果表明，即便是在節(jié)點故障概率比較高的情況下，本文提出的算法依然具有優(yōu)越的容錯性能。
參考文獻
[1] 宋欣，王翠榮.基于統(tǒng)計假設(shè)檢驗的虛擬傳感網(wǎng)容錯策略[J].東北大學學報（自然科學版），2012，33（3）：361-364.
[2] JIN G， NITTEL S. Ned： an efficient noise-tolerant event and event boundary detection algorithm in wireless sensor networks[C]. Mobile Data Management， 2006. 7th International Conference on. IEEE， 2006： 153-153.
[3] 曹冬磊，曹建農(nóng)，金蓓弘.一種無線傳感器網(wǎng)絡(luò)中事件區(qū)域檢測的容錯算法[J].計算機學報，2007，30（10）：1770-1776.
[4] 徐小龍，耿衛(wèi)建，楊庚，等.高效容錯的無線傳感網(wǎng)事件及其邊界檢測算法[J].計算機研究與發(fā)展，2014，51（5）：997-1008.
[5] JI S， YUAN S F， MA T H， et al. Distributed fault detection for wireless sensor based on weighted average[C]. Networks Security Wireless Communications and Trusted Computing（NSWCTC）， 2010 Second International Conference on. IEEE， 2010：57-60.
[6] BANDARA H M N D， JAYASUMANA A P， ILLANGASEKARE T H. Cluster tree based self organization of virtual sensor networks[C]. GLOBECOM Workshops， 2008 IEEE. 2008：1-6.