引 言
如今無線傳感器網(wǎng)絡(luò)已經(jīng)成為一種極具潛力的測量工具。它是一個由微型、廉價、能量受限的傳感器節(jié)點所組成，通過無線方式進行通信的多跳網(wǎng)絡(luò)，其目的是對所覆蓋區(qū)域內(nèi)的信息進行采集、處理和傳遞。然而，傳感器節(jié)點體積小，依靠電池供電，且更換電池不便，如何高效使用能量，提高節(jié)點生命周期，是傳感器網(wǎng)絡(luò)面臨的首要問題。這里討論傳感器網(wǎng)絡(luò)的數(shù)據(jù)傳輸，并列舉了幾種通過網(wǎng)絡(luò)內(nèi)部的數(shù)據(jù)壓縮機制(數(shù)據(jù)在網(wǎng)絡(luò)內(nèi)部通過鏈路傳輸時，進行匯聚和壓縮)來減少數(shù)據(jù)傳輸量的節(jié)能算法。
1 傳統(tǒng)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)傳輸
1．1 直接傳輸模型
直接傳輸模型是指傳感器節(jié)點將采集到的數(shù)據(jù)通過較大的功率直接一跳傳輸?shù)絊ink節(jié)點上，進行集中式處理，如圖1所示。這種方法的缺點在于：距離Sink節(jié)點較遠的傳感器節(jié)點需要很大的發(fā)送功率才可以達到與sink節(jié)點通信的目的，而傳感器節(jié)點的通信距離有限，因此距離Sink較遠的節(jié)點往往無法與Sink節(jié)點進行可靠的通信，這是不能被接受的。且在較大通信距離上的節(jié)點需耗費很大的能量才能完成與Sink節(jié)點的通信，容易造成有關(guān)節(jié)點的能量很快耗盡，這樣的傳感器網(wǎng)絡(luò)在實際中難以得到應(yīng)用。
1．2 多跳傳輸模型
這種方式類似于AD-Hoc網(wǎng)絡(luò)模型，如圖2所示。每個節(jié)點自身不對數(shù)據(jù)進行任何處理，而是調(diào)整發(fā)送功率，以較小功率經(jīng)過多跳將測量數(shù)據(jù)傳輸?shù)絊ink節(jié)點中再進行集中處理。多跳傳輸模型很好地改善了直接傳輸?shù)娜毕荩沟媚芰康玫搅溯^有效的利用，這是傳感器網(wǎng)絡(luò)得到廣泛利用的前提。
該方法的缺點在于：當網(wǎng)絡(luò)規(guī)模較大時，會出現(xiàn)熱點問題，即位于兩條或多條路徑交叉處的節(jié)點，以及距離Sink節(jié)點一跳的節(jié)點(將它稱之為瓶頸節(jié)點)，如圖2中N1，N2，N3，N4，它們除了自身的傳輸之外，還要在多跳傳遞中充當中介。在這種情況下，這些節(jié)點的能量將會很快耗盡。對于以節(jié)能為前提的傳感器網(wǎng)絡(luò)而言，這顯然不是一種很有效的方式。
2 無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)
在大規(guī)模的無線傳感器網(wǎng)絡(luò)中，由于每個傳感器的監(jiān)測范圍以及可靠性都是有限的，在放置傳感器節(jié)點時，有時要使傳感器節(jié)點的監(jiān)測范圍互相交疊，以增強整個網(wǎng)絡(luò)所采集的信息的魯棒性和準確性。那么，在無線傳感器網(wǎng)絡(luò)中的感測數(shù)據(jù)就會具有一定的空間相關(guān)性，即距離相近的節(jié)點所傳輸?shù)臄?shù)據(jù)具有一定的冗余度。在傳統(tǒng)的數(shù)據(jù)傳輸模式下，每個節(jié)點都將傳輸全部的感測信息，這其中就包含了大量的冗余信息，即有相當一部分的能量用于不必要的數(shù)據(jù)傳輸。而傳感器網(wǎng)絡(luò)中傳輸數(shù)據(jù)的能耗遠大于處理數(shù)據(jù)的能耗。因此，在大規(guī)模無線傳感器網(wǎng)絡(luò)中，使各個節(jié)點多跳傳輸感測數(shù)據(jù)到Sink節(jié)點前，先對數(shù)據(jù)進行融合處理是非常有必要的，數(shù)據(jù)融合技術(shù)應(yīng)運而生。
2．1 集中式數(shù)據(jù)融合算法
2．1．1 分簇模型的LEACH算法
為了改善熱點問題，Wendi Rabiner Heinzelman等提出了在無線傳感器網(wǎng)絡(luò)中使用分簇概念，其將網(wǎng)絡(luò)分為不同層次的LEACH算法：通過某種方式周期性隨機選舉簇頭，簇頭在無線信道中廣播信息，其余節(jié)點檢測信號并選擇信號最強的簇頭加入，從而形成不同的簇。簇頭之間的連接構(gòu)成上層骨干網(wǎng)，所有簇間通信都通過骨干網(wǎng)進行轉(zhuǎn)發(fā)。簇內(nèi)成員將數(shù)據(jù)傳輸給簇頭節(jié)點，簇頭節(jié)點再向上一級簇頭傳輸，直至Sink節(jié)點。圖3所示為兩層分簇結(jié)構(gòu)。這種方式降低了節(jié)點發(fā)送功率，減少了不必要的鏈路，減少節(jié)點間干擾，達到保持網(wǎng)絡(luò)內(nèi)部能量消耗的均衡，延長網(wǎng)絡(luò)壽命的目的。該算法的缺點在于：分簇的實現(xiàn)以及簇頭的選擇都需要相當一部分的開銷，且簇內(nèi)成員過多地依賴簇頭進行數(shù)據(jù)傳輸與處理，使得簇頭的能量消耗很快。為避免簇頭能量耗盡，需頻繁選擇簇頭。同時，簇頭與簇內(nèi)成員為點對多點的一跳通信，可擴展性差，不適用于大規(guī)模網(wǎng)絡(luò)。
2．1．2 PEGASIS算法
Stephanie Lindsey等人在LEACH的基礎(chǔ)上，提出了PEGASIS算法。此算法假定網(wǎng)絡(luò)中的每個節(jié)點都是同構(gòu)的且靜止不動，節(jié)點通過通信來獲得與其他節(jié)點之間的位置關(guān)系。每個節(jié)點通過貪婪算法找到與其最近的鄰居并連接，從而整個網(wǎng)絡(luò)形成一個鏈，同時設(shè)定一個距離Sink最近的節(jié)點為鏈頭節(jié)點，它與Sink進行一跳通信。數(shù)據(jù)總是在某個節(jié)點與其鄰居之間傳輸，節(jié)點通過多跳方式輪流傳輸數(shù)據(jù)到Sink處。如圖4所示。
該算法缺點也很明顯，首先每個節(jié)點必須知道網(wǎng)絡(luò)中其他各節(jié)點的位置信息。其次，鏈頭節(jié)點為瓶頸節(jié)點，它的存在至關(guān)重要，若它的能量耗盡則有關(guān)路由將會失效。再次，較長的鏈會造成較大的傳輸時延。
2．2 分布式數(shù)據(jù)融合算法
可以將一個規(guī)則傳感器網(wǎng)絡(luò)拓撲圖等效于一幅圖像，獲得一種將小波變換應(yīng)用到無線傳感器網(wǎng)絡(luò)中的分布式數(shù)據(jù)融合技術(shù)。這方面的研究已取得了一些階段性成果，下面就對其進行介紹。
2．2．1 規(guī)則網(wǎng)絡(luò)情況
Servetto首先研究了小波變換的分布式實現(xiàn)，并將其用于解決無線傳感器網(wǎng)絡(luò)中的廣播問題。南加州大學(xué)的A．Ciancio進一步研究了無線傳感器網(wǎng)絡(luò)中的分布式數(shù)據(jù)融合算法，引入lifting變換，提出一種基于lifting的規(guī)則網(wǎng)絡(luò)中分布式小波變換數(shù)據(jù)融合算法(DWT_RE)，并將其應(yīng)用于規(guī)則網(wǎng)絡(luò)中。如圖5所示，網(wǎng)絡(luò)中節(jié)點規(guī)則分布，每個節(jié)點只與其相鄰的左右兩個鄰居進行通信，對數(shù)據(jù)進行去相關(guān)計算。
DWT_RE算法的實現(xiàn)分為兩步，第一步，奇數(shù)節(jié)點接收到來自它們偶數(shù)鄰居節(jié)點的感測數(shù)據(jù)，并經(jīng)過計算得出細節(jié)小波系數(shù)；第二步，奇數(shù)節(jié)點把這些系數(shù)送至它們的偶數(shù)鄰居節(jié)點以及Sink節(jié)點中，偶數(shù)鄰居節(jié)點利用這些信息計算出近似小波系數(shù)，也將這些系數(shù)送至Sink節(jié)點中。
小波變換在規(guī)則分布網(wǎng)絡(luò)中的應(yīng)用是數(shù)據(jù)融合算法的重要突破，但是實際應(yīng)用中節(jié)點分布是不規(guī)則的，因此需要找到一種算法解決不規(guī)則網(wǎng)絡(luò)的數(shù)據(jù)融合問題。
2．2．2 不規(guī)則網(wǎng)絡(luò)情況
萊斯大學(xué)的R Wagner在其博士論文中首次提出了一種不規(guī)則網(wǎng)絡(luò)環(huán)境下的分布式小波變換方案即Distributed Wavelet Transform_IRR(DWT_IRR)，并將其擴展到三維情況。萊斯大學(xué)的COMPASS項目組已經(jīng)對此算法進行了檢驗，下面對其進行介紹。DWT_IRR算法是建立在lifting算法的基礎(chǔ)上，它的具體思想如圖6～圖8所示，分成三步：分裂，預(yù)測和更新。
首先根據(jù)節(jié)點之間的不同距離(數(shù)據(jù)相關(guān)性不同)按一定算法將節(jié)點分為偶數(shù)集合Ej和奇數(shù)集合Oj。以O(shè)j中的數(shù)據(jù)進行預(yù)測，根據(jù)Oj節(jié)點與其相鄰的Ej節(jié)點進行通信后，用Ej節(jié)點信息預(yù)測出Oj節(jié)點信息，將該信息與原來Oj中的信息相減，從而得到細節(jié)分量dj。然后，Oi發(fā)送dj至參與預(yù)測的Ej中，Ej節(jié)點將原來信息與dj相加，從而得到近似分量sj，該分量將參與下一輪的迭代。以此類推，直到j(luò)=0為止。
該算法依靠節(jié)點與一定范圍內(nèi)的鄰居進行通信。經(jīng)過多次迭代后，節(jié)點之間的距離進一步擴大，小波也由精細尺度變換到了粗糙尺度，近似信息被集中在了少數(shù)節(jié)點中，細節(jié)信息被集中在了多數(shù)節(jié)點中，從而實現(xiàn)了網(wǎng)絡(luò)數(shù)據(jù)的稀疏變換。通過對小波系數(shù)進行篩選，將所需信息進行l(wèi)ifting逆變換，可以應(yīng)用于有損壓縮處理。它的優(yōu)點是：充分利用感測數(shù)據(jù)的相關(guān)性，進行有效的壓縮變換；分布式計算，無中心節(jié)點，避免熱點問題；將原來網(wǎng)絡(luò)中瓶頸節(jié)點以及簇頭節(jié)點的能量平均到整個網(wǎng)絡(luò)中，充分起到了節(jié)能作用，延長了整個網(wǎng)絡(luò)的壽命。
然而，該算法也有其自身的一些設(shè)計缺陷：首先，節(jié)點必須知道全網(wǎng)位置信息；其次，雖然最終與Sink節(jié)點的通信數(shù)據(jù)量是減少了，但是有很多額外開銷用于了鄰居節(jié)點之間的局部信號處理上，即很多能量消耗在了局部通信上。對于越密集、相關(guān)性越強的網(wǎng)絡(luò)，該算法的效果越好。
在此基礎(chǔ)上，南加州大學(xué)的Godwin Shen考慮到DWT_IRR算法中沒有討論的關(guān)于計算反向鏈路所需的開銷，從而對該算法進行了優(yōu)化。由于反向鏈路加重了不必要的通信開銷，Godwin Shen提出預(yù)先為整個網(wǎng)絡(luò)建立一棵最優(yōu)路由樹，使節(jié)點記錄通信路由，從而消除反向鏈路開銷。
3 總 結(jié)
基于應(yīng)用領(lǐng)域的不同，以上算法各有其優(yōu)缺點，如表1所示。
4 結(jié) 語
這里介紹了幾類常用的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法，并比較了其優(yōu)缺點。數(shù)據(jù)融合是實現(xiàn)無線傳感器節(jié)點節(jié)能目的的重要手段之一，目前的各種研究技術(shù)都還未成熟，新技術(shù)正不斷涌現(xiàn)。例如當傳感器節(jié)點具有移動能力時，網(wǎng)絡(luò)拓撲如何保持實時更新；當環(huán)境惡劣時，如何保障通信的安全；如何進一步降低能耗；以及如何更好地借助數(shù)據(jù)稀疏性理論（如Compressd Sening）在圖像處理中的應(yīng)用，而將其引入到傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮中改善融合效果，以上都是待解決的問題。未來還會有更多、更好、更合面的算法被不斷提出。
