摘  要： 事件監(jiān)測(cè)是無(wú)線傳感器網(wǎng)絡(luò)中的重要應(yīng)用之一，而準(zhǔn)確檢測(cè)出故障節(jié)點(diǎn)是提高事件監(jiān)測(cè)效率的前提。為了實(shí)現(xiàn)多應(yīng)用目標(biāo)傳感器網(wǎng)絡(luò)中較高的節(jié)點(diǎn)故障識(shí)別率，在基于簇狀樹(shù)的虛擬傳感網(wǎng)架構(gòu)上，提出一種基于節(jié)點(diǎn)鄰域中值的事件監(jiān)測(cè)容錯(cuò)算法。該算法充分利用了無(wú)線傳感網(wǎng)節(jié)點(diǎn)之間的空間相關(guān)性，融合鄰域各節(jié)點(diǎn)的測(cè)量值，通過(guò)節(jié)點(diǎn)的數(shù)值與鄰域中值之間的差值來(lái)判斷節(jié)點(diǎn)狀態(tài)。仿真實(shí)驗(yàn)結(jié)果表明，即使是在節(jié)點(diǎn)故障概率比較高的情況下，該算法依然具有優(yōu)越的容錯(cuò)性能。

　　關(guān)鍵詞： 容錯(cuò)；虛擬傳感器網(wǎng)絡(luò)；事件監(jiān)測(cè)

0 引言

　　目前大多數(shù)無(wú)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(gè)應(yīng)用部署相應(yīng)的專用傳感器網(wǎng)絡(luò)往往成本過(guò)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(dāng)中挑選出若干節(jié)點(diǎn)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?fù)渲辖⒎?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(diǎn)可以根據(jù)不同的監(jiān)測(cè)任務(wù)，在邏輯上構(gòu)成多個(gè)不同的VSN[1]。

　　在傳統(tǒng)的無(wú)線傳感網(wǎng)事件監(jiān)測(cè)過(guò)程中，往往由于節(jié)點(diǎn)的質(zhì)量較差、被損壞以及無(wú)線通信受噪聲干擾等問(wèn)題，導(dǎo)致節(jié)點(diǎn)故障，產(chǎn)生錯(cuò)誤的采樣數(shù)值，降低事件監(jiān)測(cè)的準(zhǔn)確性。實(shí)現(xiàn)準(zhǔn)確度較高的事件監(jiān)測(cè)，良好的容錯(cuò)算法必不可少。然而，在虛擬傳感網(wǎng)架構(gòu)中，傳感節(jié)點(diǎn)的容錯(cuò)需求除了檢測(cè)出故障節(jié)點(diǎn)外，還要考慮在VSN內(nèi)的故障節(jié)點(diǎn)拓?fù)涔芾韱?wèn)題，這是傳統(tǒng)無(wú)線傳感網(wǎng)容錯(cuò)算法所欠缺的。因此，本文的主要研究目標(biāo)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(cuò)算法。

1 相關(guān)成果

　　參考文獻(xiàn)[2]提出了一種利用節(jié)點(diǎn)測(cè)量值的平均值來(lái)消除噪聲對(duì)傳感器讀數(shù)干擾的容錯(cuò)算法。但是該算法僅適用于節(jié)點(diǎn)故障率較低的傳感網(wǎng)。參考文獻(xiàn)[3]同時(shí)考慮到了事件的時(shí)間、空間相關(guān)性，提出了一種分布式的事件區(qū)域檢測(cè)容錯(cuò)算法，但該算法僅局限于固定事件區(qū)域的監(jiān)測(cè)。而在虛擬傳感器網(wǎng)絡(luò)架構(gòu)下的容錯(cuò)處理方面，僅有參考文獻(xiàn)[1]利用隨機(jī)過(guò)程描述事件的時(shí)間相關(guān)性，提出了一種基于統(tǒng)計(jì)假設(shè)檢驗(yàn)的容錯(cuò)策略，通過(guò)檢驗(yàn)本地采樣數(shù)據(jù)構(gòu)成的時(shí)間序列與事件統(tǒng)計(jì)特征的符合程度來(lái)判斷節(jié)點(diǎn)是否發(fā)生錯(cuò)誤。

　　依照參考文獻(xiàn)[1]，傳感器錯(cuò)誤分為如下兩類[3]：一是誤判錯(cuò)誤，即監(jiān)測(cè)環(huán)境處于正常狀態(tài)時(shí)，傳感器節(jié)點(diǎn)卻報(bào)告有相應(yīng)事件發(fā)生；二是失判錯(cuò)誤，即事件發(fā)生時(shí)，傳感器節(jié)點(diǎn)卻沒(méi)有報(bào)告。如果節(jié)點(diǎn)失判，由于鄰居節(jié)點(diǎn)大多都正常工作，已監(jiān)測(cè)到了該事件，所以參考文獻(xiàn)[1]認(rèn)為出現(xiàn)失判無(wú)關(guān)緊要而不做處理；如果節(jié)點(diǎn)發(fā)生誤判，則不再接受此節(jié)點(diǎn)消息。參考文獻(xiàn)[1]的容錯(cuò)策略不當(dāng)之處在于：（1）很多傳感網(wǎng)應(yīng)用并不是僅僅以監(jiān)測(cè)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(jìn)行運(yùn)算處理。失判情況下，如果放任錯(cuò)誤數(shù)據(jù)不管，對(duì)傳感網(wǎng)應(yīng)用的結(jié)果準(zhǔn)確度會(huì)產(chǎn)生影響；（2）節(jié)點(diǎn)故障狀況中存在瞬時(shí)測(cè)量值故障[4]，即由于監(jiān)測(cè)環(huán)境的突然變化使得傳感節(jié)點(diǎn)極短時(shí)間內(nèi)采樣數(shù)據(jù)異常。這樣的故障是暫時(shí)的、可恢復(fù)的。若因?yàn)橐淮嗡矔r(shí)測(cè)量值故障，就再不采用該節(jié)點(diǎn)所傳輸?shù)臄?shù)據(jù)，會(huì)降低傳感網(wǎng)的效率。

2 事件監(jiān)測(cè)的容錯(cuò)算法

　　2.1 基于節(jié)點(diǎn)鄰域中值的容錯(cuò)算法

　　在發(fā)生例如森林火災(zāi)、化工毒氣泄漏的監(jiān)測(cè)區(qū)域中，鄰居節(jié)點(diǎn)間在正常情況下的測(cè)量數(shù)值是相同或者相近的，則稱該區(qū)域內(nèi)的節(jié)點(diǎn)測(cè)量值具有空間相關(guān)性[5]。但節(jié)點(diǎn)誤判或者失判通常是視為隨機(jī)獨(dú)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(duì)可能存在錯(cuò)誤的傳感數(shù)據(jù)進(jìn)行處理。

　　假設(shè)在傳感節(jié)點(diǎn)Si的通信半徑范圍內(nèi)共有m-1個(gè)鄰居節(jié)點(diǎn)，這m個(gè)節(jié)點(diǎn)的集合構(gòu)成了Si的節(jié)點(diǎn)鄰域，記為N（Si）。其中，Si的第k個(gè)鄰居節(jié)點(diǎn)記為Sik，1≤k≤m-1，其在某時(shí)刻所采集到的數(shù)據(jù)記為D（Sik）。因?yàn)楣?jié)點(diǎn)采樣值中有可能會(huì)出現(xiàn)與正常數(shù)據(jù)偏差極大的錯(cuò)誤值，所以如果用樣本均值來(lái)估計(jì)中心節(jié)點(diǎn)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(lái)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(gè)鄰居節(jié)點(diǎn)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(jì)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(jì)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(jì)算出pi的均值與方差。

　　之后再由式（4）對(duì)傳感節(jié)點(diǎn)數(shù)值與中值的差值pi進(jìn)行標(biāo)準(zhǔn)化處理。

　　本文假設(shè)在應(yīng)用場(chǎng)景中，所部署的各個(gè)傳感器的采樣數(shù)值都是獨(dú)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(zhǔn)確地反映出樣本中心。而當(dāng)樣本數(shù)目i足夠大時(shí)，經(jīng)過(guò)標(biāo)準(zhǔn)化的中值差值序列g(shù)1，g2…gi可視為服從N（0，1）標(biāo)準(zhǔn)正態(tài)分布的一個(gè)樣本。

　　最后，根據(jù)式（5）來(lái)檢測(cè)Si是否出現(xiàn)故障。將經(jīng)過(guò)標(biāo)準(zhǔn)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(biāo)準(zhǔn)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(guò)10％，則可視作節(jié)點(diǎn)故障。其他節(jié)點(diǎn)故障率與對(duì)應(yīng)的判決閾值如表1所示。

　　2.2 節(jié)點(diǎn)信譽(yù)機(jī)制

　　為了解決瞬時(shí)測(cè)量值故障導(dǎo)致傳感網(wǎng)效率降低的問(wèn)題，本文提出了節(jié)點(diǎn)信譽(yù)機(jī)制。首先，定義變量LTC和STC，分別代表Si的長(zhǎng)期信譽(yù)和短期信譽(yù)，假設(shè)max（LTC）為5，max（STC）為3，初始值都為0。status為節(jié)點(diǎn)暫時(shí)狀態(tài)，正常時(shí)為0，故障時(shí)為1，表示正處于考察階段。final_status為節(jié)點(diǎn)最終狀態(tài)，若為1，則永不采用其采樣值。sample為節(jié)點(diǎn)信譽(yù)未破產(chǎn)階段的采樣許可標(biāo)識(shí)，值為1時(shí)正常采樣，值為0且final_status為0時(shí)采樣數(shù)據(jù)仍參與節(jié)點(diǎn)故障檢測(cè)，但僅對(duì)此采樣數(shù)據(jù)的對(duì)錯(cuò)進(jìn)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&&LTC!=0）

　　{

　　STC++；

　　IF（STC==3）

　　{

　　sample=1；

　　}

　　}

　　}

　　一旦該節(jié)點(diǎn)發(fā)生故障，則LTC加1，STC無(wú)論為何值都重新歸零。在Si標(biāo)識(shí)為故障節(jié)點(diǎn)期間仍然可以傳輸其他節(jié)點(diǎn)數(shù)據(jù)，并且其之后的采樣數(shù)據(jù)仍參與節(jié)點(diǎn)故障檢測(cè)，但僅對(duì)此采樣數(shù)據(jù)的對(duì)錯(cuò)進(jìn)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(shí)撤銷對(duì)節(jié)點(diǎn)Si的故障標(biāo)識(shí)，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(shí)刻的瞬時(shí)測(cè)量值故障而使得節(jié)點(diǎn)不再被信任。如果LTC累加到5，可視為Si信譽(yù)破產(chǎn)，不再與Si進(jìn)行任何數(shù)據(jù)交換，更不會(huì)采用其采樣值。

3 容錯(cuò)處理流程

　　參考文獻(xiàn)[6]提出了一種基于自頂向下的簇樹(shù)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(cè)到相同事件的節(jié)點(diǎn)構(gòu)成一個(gè)VSN。

　　在VSN中，監(jiān)測(cè)到事件后需要將消息上傳到根節(jié)點(diǎn)，每個(gè)簇頭節(jié)點(diǎn)都在VSN簇樹(shù)構(gòu)建過(guò)程中向路由表內(nèi)添加條目建立路由，連通監(jiān)測(cè)到相同事件的所有節(jié)點(diǎn)。簇頭節(jié)點(diǎn)處理VSN構(gòu)建消息的流程圖如圖1所示。

　　根據(jù)參考文獻(xiàn)[6]所提出的虛擬傳感網(wǎng)架構(gòu)，當(dāng)VSN內(nèi)某傳感節(jié)點(diǎn)經(jīng)本文第2節(jié)容錯(cuò)算法確認(rèn)為故障節(jié)點(diǎn)時(shí)，就會(huì)進(jìn)行如圖2所示容錯(cuò)處理流程。

　　如果Si是VSN簇頭節(jié)點(diǎn)（Cluster Head，CH），當(dāng)CH失判時(shí)，簇內(nèi)節(jié)點(diǎn)只要有一個(gè)監(jiān)測(cè)到了事件，都會(huì)上報(bào)給CH，并將CH納入VSN事件內(nèi)。因此，CH失判對(duì)事件能否被監(jiān)測(cè)到影響并不大，但是為了保證失判時(shí)CH所提交的錯(cuò)誤數(shù)據(jù)不影響匯總數(shù)據(jù)的精確性，無(wú)論失判還是誤判，都需要及時(shí)刪除并重新選擇CH。

4 仿真結(jié)果與性能分析

　　在仿真實(shí)驗(yàn)中，將總數(shù)n=5 000個(gè)傳感節(jié)點(diǎn)隨機(jī)均勻地部署在500 m×500 m的平面區(qū)域內(nèi)，sink節(jié)點(diǎn)部署在區(qū)域中央。每個(gè)節(jié)點(diǎn)有8個(gè)鄰居節(jié)點(diǎn)，節(jié)點(diǎn)采樣頻率為10 Hz，max（LTC）=3，max（STC）=3。判決閾值θ= 1.96?？紤]同一監(jiān)測(cè)事件發(fā)生在單個(gè)區(qū)域和三個(gè)不同區(qū)域內(nèi)兩種情況。事件區(qū)域內(nèi)節(jié)點(diǎn)測(cè)量值服從正態(tài)分布N（100，10），故障節(jié)點(diǎn)測(cè)量值服從均勻分布U（40，100），正常區(qū)域節(jié)點(diǎn)測(cè)量值服從正態(tài)分布N（40，10）。比較本文算法與參考文獻(xiàn)[1]基于統(tǒng)計(jì)假設(shè)檢驗(yàn)的容錯(cuò)算法在不同節(jié)點(diǎn)故障率下的性能優(yōu)劣。節(jié)點(diǎn)故障率與錯(cuò)誤節(jié)點(diǎn)數(shù)目對(duì)應(yīng)關(guān)系如表2所示。

　　容錯(cuò)準(zhǔn)確率=，其中，num（Identify）指檢測(cè)出來(lái)的錯(cuò)誤節(jié)點(diǎn)數(shù)目，num（fault）指錯(cuò)誤節(jié)點(diǎn)總數(shù)。事件監(jiān)測(cè)準(zhǔn)確率=，其中，num（IEvent）指監(jiān)測(cè)到事件的傳感節(jié)點(diǎn)數(shù)目，num（Event）指位于事件區(qū)域內(nèi)的傳感節(jié)點(diǎn)數(shù)目。

　　圖3顯示了在同事件單區(qū)域和多區(qū)域的場(chǎng)景中，相同傳感節(jié)點(diǎn)錯(cuò)誤率的情況下，本文算法與參考文獻(xiàn)[1]算法的容錯(cuò)準(zhǔn)確率。圖4則顯示了兩種應(yīng)用場(chǎng)景中，兩種算法事件監(jiān)測(cè)準(zhǔn)確率隨節(jié)點(diǎn)錯(cuò)誤率的變化。圖中，標(biāo)有空心菱形節(jié)點(diǎn)的scheme1是參考文獻(xiàn)[1]算法性能曲線，標(biāo)有空心圓節(jié)點(diǎn)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(diǎn)鄰域中值的事件監(jiān)測(cè)容錯(cuò)算法無(wú)論在單目標(biāo)區(qū)域還是多目標(biāo)區(qū)域的事件監(jiān)測(cè)場(chǎng)景中，性能都要比參考文獻(xiàn)[1]基于統(tǒng)計(jì)假設(shè)檢驗(yàn)的容錯(cuò)算法更為優(yōu)越。

5 結(jié)束語(yǔ)

　　本文研究了虛擬傳感器網(wǎng)絡(luò)架構(gòu)下的事件監(jiān)測(cè)容錯(cuò)問(wèn)題，組建了相應(yīng)的網(wǎng)絡(luò)模型，提出了一種基于節(jié)點(diǎn)鄰域中值的事件監(jiān)測(cè)容錯(cuò)算法，利用鄰域節(jié)點(diǎn)采樣值之間的空間相關(guān)性，對(duì)節(jié)點(diǎn)的觀測(cè)數(shù)值的正誤進(jìn)行判斷，最后提出了節(jié)點(diǎn)信譽(yù)機(jī)制，有效規(guī)避了因瞬時(shí)測(cè)量值故障導(dǎo)致相應(yīng)節(jié)點(diǎn)被棄用而使得傳感網(wǎng)效率降低的問(wèn)題。仿真實(shí)驗(yàn)結(jié)果表明，即便是在節(jié)點(diǎn)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(cuò)性能。

參考文獻(xiàn)

　　[1] 宋欣，王翠榮.基于統(tǒng)計(jì)假設(shè)檢驗(yàn)的虛擬傳感網(wǎng)容錯(cuò)策略[J].東北大學(xué)學(xué)報(bào)（自然科學(xué)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(wú)線傳感器網(wǎng)絡(luò)中事件區(qū)域檢測(cè)的容錯(cuò)算法[J].計(jì)算機(jī)學(xué)報(bào)，2007，30（10）：1770-1776.

　　[4] 徐小龍，耿衛(wèi)建，楊庚，等.高效容錯(cuò)的無(wú)線傳感網(wǎng)事件及其邊界檢測(cè)算法[J].計(jì)算機(jī)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.