A LightWeight Fault-Tolerant Event Detection Method in Wireless Sensor Networks*

DONG Chuanming，LIU Kezhong，*，LUO Guang，JIN Huting

(1.School of Navigation，Wuhan University of Technology，Wuhan 430063，China;2.School of Information Engineering，Wuhan University of Technology，Wuhan 430070，China;3.Zhejiang Institute of Communications，Hangzhou 311112，China)

A LightWeight Fault-Tolerant Event Detection Method in Wireless Sensor Networks*

DONG Chuanming1，LIU Kezhong1，2*，LUO Guang2，JIN Huting3

(1.School of Navigation，Wuhan University of Technology，Wuhan 430063，China;2.School of Information Engineering，Wuhan University of Technology，Wuhan 430070，China;3.Zhejiang Institute of Communications，Hangzhou 311112，China)

Due to harsh environment and limited resources，nodes are prone to missed alarm and false alarm errors when in the process of running，so fault－tolerant event detection methods attractmuch attention in recent years.But traditional algorithms showed high computational complexity and high energy consumption.Aim at this，we adopt the Cth/m detection idea in radar target detection，and propose a detection method based on spatial－temporal characteristics.By observing the agreement between sample’s changing rate and the spatial－temporal characteristics，nodes can determine whether event happens or error occurs.During the detecting process，nodes are only required to dom times distance comparison and one time neighbor query，then it canmake decision，reflecting the lightweighting and low power consumption characteristics of themethod.Simulation results show that themethod also has low missed alarm rate and false alarm rate，and high fault recognition rate.In addition，as credibility adaptive adjustmentmechanism is introduced，the method can ensure event detection probability maintained at a high level in the iterative process and not deteriorate over time.

wireless sensor networks;event detection;fault tolerant;spatial－temporal characteristics

無線傳感器網絡因價格低廉、配置靈活、抗毀性強等一系列特點［1］被廣泛應用于眾多事件檢測，如火災檢測、化學物質泄漏檢測等。但由于網絡通常部署無人看守的地方，節點容易受惡劣環境的干擾，加之節點自身資源的有限性，往往會引起節點信息采集錯誤。傳感器節點容易產生的錯誤主要有漏警錯誤和虛警錯誤。漏警錯誤指事件發生了但節點未檢測到;虛警錯誤指事件未發生但節點虛報有事件發生。在實際應用中，我們期望這兩類錯誤越小越好。

在無線傳感器網絡用于事件檢測時，確保采集數據的可靠性和消除檢測錯誤的干擾，是事件檢測需要解決的一個關鍵問題。張樹奎等［2］提出了一種新的分布式容錯檢測算法，通過構建的融合樹獲得事件檢測的屬性值，將檢測錯誤率控制在可接受的范圍內。Nguyen－Thanh N等［3］基于證據理論設計了一種自適應的事件探測器，該探測器通過比較采樣數據與經驗分布對比，根據其符合程度來驗證事件發生的假設成立與否，從而實現事件檢測。文獻［4］針對感興趣的事件周圍失效節點的識別問題，提出局部失效節點識別和可容錯的事件邊緣監測算法。這些方法能夠獲得較好的檢測效果，對事件區域檢測具有一定的借鑒意義，但這些方法未考慮數據在容錯檢測過程中的計算復雜度，以及如何在保證糾錯效果的同時延長網絡的生存周期等問題。

一般情況下，檢測環境在短時間內不會發生改變，傳感器節點在較短時間內的檢測值也是彼此相關的。因而可以利用節點的時間相關性對節點出現的錯誤信息進行容錯處理。Ould－Ahmed－Vall E等［5］考慮了一種容錯的事件檢測方法，節點通過統計歷史數據來確定自己的出錯概率，從而決定自己在鄰域投票中所占的權重。但是，利用時間容錯檢測也有一定的局限性，它只能對暫時性錯誤進行糾正，而對于永久性錯誤的節點產生的錯誤束手無策;同時，由于節點是離散分布在事件檢測區域，而時間相關性是針對每一節點的容錯處理，單個節點有時不能對事件信息進行完整表達，因而時間相關性的容錯只能算是數據的預處理，不能達到事件容錯的目的。

相鄰節點在檢測環境中是具有空間相關性，利用相鄰節點間的相關的冗余信息對節點事件檢測進行容錯處理。文獻［6－7］都利用鄰居節點協作，通過共同決策形成具有故障容忍能力的故障檢測方法。黃日茂等［8］采用一種基于鄰居節點數據分析的WSN故障檢測方法，將節點數據與覆蓋范圍內可信鄰居節點的數據進行比較分析，判定節點是否故障。文獻［9］提出了一種空間相關的事件容錯檢測方法，當某節點檢測到數據偏離了正常值，或者鄰居節點的檢測數據超過了預定的閾值，則可能是某事件發生或是節點出現故障。以上算法要求鄰居節點間相互通信，會消耗較多的能量，尤其在算法較為復雜時，網絡壽命會受到嚴重影響。

隨著時間的變化，當節點采集到的數據保持平穩，一般認為該區域對傳感器事件檢測來說是時空相關的［10］，本文提出一種分布式的輕量級的事件容錯檢測方法，該方法通過匹配節點采樣值變化率與時間特性的相似度來實現事件檢測。方法實現過程中，節點只需要進行m次距離比較并詢問一次鄰居節點就可以實現檢測，因此算法是輕量級的。在詢問鄰居過程中，由于節點是m個采樣間隔才交換一次數據且每次交換的數據是節點決策后的二元信息，所以算法是高能效的。

1 事件檢測的過程

事件是指每個事件都可以看作由若干個事件屬性組合而成的，如火災這個事件由溫度、煙霧濃度、光照強度等屬性組成。事件屬性是事件本身固有的性質，是事件最基本的、必然的、不可再分的特性，它可以從某個方面表現事件?；馂氖录校瑴囟?、煙霧濃度、光照強度是不可再分的火災事件本身的特性，溫度升高，煙霧濃度升高，光照強度的變化都是火災的表現。本文對事件的檢測是一個從模糊到清晰過程，其分為3個步驟:發現準事件，基本認定事件，核實精確事件。

因此，事件檢測程序包括3個環節，第1個環節為發現準事件，節點自身檢測環節，節點通過匹配采樣值變化率與模式的關系初步判斷事件是否發生。為了進一步確認事件，節點還要詢問鄰居，節點根據鄰居狀態和自身的狀態確定是事件發生還是自身出錯，即第2環節。第3環節為節點可信度調整環節?？尚哦戎腹濣c檢測到的數據可靠程度，可信度越大的節點對鄰居決策貢獻越大，可信度越小的節點對鄰居決策貢獻越小?？尚哦日{整的原則為:若節點正確地檢測到了事件，就增加其可信度，否則就減小其可信度。

1.1 節點自身檢測

通過先驗學習，抽象出檢測區域中感興趣的事件的主要的事件屬性—時間特性。當事件發生時，將節點采樣值變化率與樣本時間特性進行匹配。假設n個傳感器節點均勻分布在感興趣的區域，用于檢測某個特定事件。特定事件的時間序列為{s(ΔT)，s(2ΔT)，…，s(k)}，k=ΔT，2ΔT，…，nΔT時間序列在k時刻的數據變化率(斜率)記為r(k)，則r(k)=(s(k)－s(k－ΔT))/ΔT。根據先驗經驗，r(k)作為事件的時間特性通常是可以預知的，且在節點部署前已保存在節點的內存中。

節點以ΔT為時間間隔進行均勻采樣，并建立緩存隊列保存當前采樣值s(k)和前一時刻s(k－ΔT)。當s(k)超過閾值Sth，說明特定事件發生或節點發生錯誤，這時節點啟動事件檢測程序，并記當前時刻為k=0。

當s(k)超過閾值Sth，節點啟動事件檢測程序。如果是事件發生且節點可靠，那么節點采樣值在k時刻的變化率與r(k)應該相差不大，即滿足式(1)。但由于節點的不可靠性，正常節點采樣值的變化率在少數情況下無法滿足式(1)，而故障節點采樣值的變化率少數情況下能夠滿足式(1)。

為減小以上情況的影響，本文引入雷達目標檢測中Cth/m的檢測思想［10］，即節點連續檢測m次，若節點采樣值每次都大于Sth且變化率滿足式(1)的次數(記為C)超過Cth，那么節點初步認為自己檢測到了事件，否則節點初步認為自己發生了錯誤。為方便描述，記正常狀態下的節點狀態為Normal，記初步檢測到事件的節點狀態為SE，記初步發生錯誤的節點狀態為SF。節點自身檢測算法描述見算法1。

算法1:節點自身檢測

輸入:節點采樣值;輸出:節點初步檢測狀態

%for each node

status=Normal;C=0;

while(s(·)≤Sth);%do nothing until sample exceeds threshold %start event detection procedure

BufferLast=s(·);%create buffer

k=0;

%phase one:local detection

while(everyΔT time)do

k=k+1;

Buffer Current=s(k);

if s(k)＞Sth＆＆|(BufferCurrent－BufferLast)/ΔT－r(k)|≤δ

C=C+1;

end

BufferLast=BufferCurrent;

if k==m

break; end

end

if C≥Cth

status=SE;

else

status=SF;

end

1.2 事件決策

節點自身檢測是節點的自身行為，而自身檢測并不能將固有錯誤消除，其檢測結果仍存在著不可靠性。由于通常事件都會覆蓋一定的區域和多數節點，于是節點可以通過詢問鄰居狀態來確認事件是否真實發生。鄰居節點是指某一節點檢測范圍內的節點的集合，本文假設節點的檢測范圍是相同的，且不隨能量變化而變化。在某一檢測區域中，當一個節點接受到另一節點作為鄰居節點的請求后，將會拒絕做其他節點的鄰居節點。當該節點同時收到兩個或兩個以上的節點尋求鄰居的請求時，節點優先選擇與自己距離較近的節點成為鄰居，如果存在與兩個或兩個以上節點的距離相等的情況，那么該節點隨機選擇一個節點作為其鄰居。本文假設檢測區域的節點布置較為密集，任一鄰居節點集合都有2個以上的鄰居節點。

鄰居節點在返回的數據包中會包含其自身檢測狀態和數據可信度。節點收到這些數據包后，做以下運算:

其中，N為節點鄰居的個數;εi反映了鄰居的狀態，如果鄰居為SE狀態，那么εi取1，如果為SF狀態就取0;CR(i)為鄰居節點i的可信度，CRself為節點自身可信度。處理完鄰居的信息，節點得到處理值W。

根據節點間協作檢測的原則［11］，如果節點自身狀態為SE且W＞CRself·N/2，那么節點認為自己正確檢測到了事件，狀態轉移為Event;否則認為自己發生了虛警錯誤，狀態轉移為Fault。如果節點自身狀態為SF且W＞CRself·N/2，那么節點認為自己發生了漏警錯誤，狀態轉移為Fault;否則認為沒有事件發生，狀態轉移為Normal。檢測到事件的節點隨著事件的消亡也會逐漸恢復正常狀態，檢測偶爾出錯的節點能夠回歸正常狀態，而永久錯誤節點會被淘汰或棄用。節點狀態轉移如圖1所示。

圖1 節點狀態轉移圖

1.3 節點可信度調整

可信度模型是指局部網絡區域中節點與鄰居節點間可信度的建立、更新和整合的一套機制，根據可信度的分布狀況確定節點所處的檢測狀態，然后根據節點檢測狀態和能量狀態更新節點的可信度。對于正確檢測到事件的節點，增加其可信度;對于發生虛警錯誤和漏警錯誤的節點，減小其可信度。同時，隨著節點能量的消耗，其可信度值也隨著下降?？尚哦鹊挠嬎阕裾帐?3)和式(4):

其中，ycurr為節點的故障函數，其最初值為0，ylast為ycurr的上一步的值;q為節點平均出錯概率，也即故障節點在所有節點中所占的比例;CR(i)的取值范圍為(0，1);ψ為歸一化系數;Ec/Eint為節點的能量狀態，Ec當前剩余能量，Eint初始能量;s1，s2，s3，s4分別表示圖1中狀態判定的邏輯變量，TURE表示狀態發生。

可見，如果節點持續錯誤，其可信度將一直減小;如果節點發生偶然錯誤，其可信度將很快恢復正常值。同時，隨著能量的消耗，節點的可信度也會降低。當CRself的值低于閾值εerror時，說明節點的能量消耗過大或節點經常發生錯誤，我們認為該節點為無效節點，節點從此不再參與事件檢測。

節點事件決策和可信度調整的算法描述見算法2。

算法2:事件決策和可信度調整

輸入:節點初步檢測狀態;輸出:事件

W=0;y=0;

%phase two:query neighbor

query and receive neighbor’s status and credit…

for i=1:N

if neighbor’s status==SE

W=W+e－y;%y presents neighbor’s credit

end

end

%phase three:make decision and adjust credit

if status==SE

status=Event;%event is detected

if ylast≤q%ylastpresents neighbor’s last step credit

y=0;%y presents node’s own credit

else

y=ylast－q;

end

else

status=Fault;%false alarm

y=ylast+1－q;

end

end

if status==SF

status=Fault;%missed alarm

y=ylast+1－q;

else

status=Normal;%no event happens

end

end

2 算法性能分析及參數討論

由算法1可以看出，節點在自身檢測中會出現兩類錯誤。第1類錯誤為將檢測到事件的節點認定為故障節點，即偽故障錯誤;第2類錯誤為將故障節點認定為檢測到事件的節點，即偽正常錯誤。通常我們都希望這兩類錯誤越小越好。

產生第1類錯誤的原因是，在m次連續采樣中，節點采樣值變化率滿足式(1)的次數未達到Cth次，即至多有Cth－1次滿足式(1)。如果記

那么第1類錯誤可以表示為

結論1:當節點通過自身檢測的采樣值斜率與r(k)匹配次數的閾值Cth越小，同時節點與r(k)相匹配的區分度δ越大，偽故障錯誤發生的概率越小。

產生第2類錯誤的原因是，在m次連續采樣中，節點采樣值變化率滿足式(1)的次數超過Cth次。如果記故障節點的采樣值為s'(k)，并記

那么第2錯誤可以表示為

結論2:當節點通過自身檢測的采樣值斜率與r(k)匹配次數的閾值Cth越大，同時節點與r(k)相匹配的區分度δ越小，偽正常錯誤發生概率越小。

由結論1和結論2可以看出，偽故障錯誤與偽正常錯誤是互斥的。由于通常正常節點比故障節點多，因此應該優先考慮降低偽故障錯誤。

Cth和δ的取值與實際需求和s(k)服從的分布有關。s(k)作為節點的采樣值，一般與sm(k)偏離不大，可以認為s(k)服從以sm(k)為均值、以σ2為方差的正態分布，同理s(k－ΔT)服從N(sm(k－ΔT)，σ2)。由于s(k)與s(k－ΔT)的均值不同，可以認為s(k)與s(k－ΔT)相互獨立。如果記

結論3:當給定偽故障錯誤概率θ，即p1＜θ，根據式(5)就可以求出Cth和p，進而解得δ。

p2的取值與s'(k)服從的分布有關。由于故障節點在功能上發生了問題，其產生的采樣值是隨機的，因此可以認為故障節點的采樣值服從［a，b］上的均勻分布，且所有的采樣值相互獨立。如果記

那么可以得到Z的概率密度函數為

進一步計算得到

p'在區間(0，+∞)上先單調遞增后單調遞減，在ΔT ·δ+(ΔT·r2(k))/δ處取得最大值。

結論4:如果要求偽正確錯誤的概率越小，b－a就應該越大。當取定δ后，可以算出p'，再結合Cth就可以得到p2。

3 仿真實驗

3.1 實驗參數

假設1 024個節點網格化部署在32 m×32 m的區域中，節點通信半徑為m，事件區域為以(18.5，20.5)中心、半徑為8 m的圓形區域，如圖2所示。圖中虛線交叉點為正常節點，實心點為故障節點，圓圈所示區域表示事件區域。

圖2 一次實驗快照(故障節點率為0.1)

假設節點采樣頻率ΔT=1，s(k)服從的正態分布的方差σ2=1。如果要求第1類錯誤的概率小于0.05，那么意味著p1的最大值要小于0.05。由于事件發生后大部分節點能以較大概率檢測到事件，即p較大(接近1)，此時p1為i的增函數，因此當i=Cth－1時，p1取最大值。如果節點每采樣10次做一次自身檢測，即m=10，要使p1＜0.05，那么只要CCth－110·pCth－1·(1－p)11－Cth＜0.05即可，解得0.91≤p≤0.96和1≤Cth≤8。本文中取p=0.95，Cth= 8。依據式(7)，進一步解得δ=2.771 4。

假設模式序列的變化率r(k)=1。為有效降低第2類錯誤，取a=Sth，b－a=10，即故障節點服從均勻分布U(Sth，Sth+10)。為保證故障節點快速得到排除，取節點可信度閾值εerror=0.3。

3.2 實驗與結果分析

為驗證算法性能，下面進行3組實驗。

第1組實驗考察節點在空間上的協同對漏警率、故障識別率和虛警率的影響。漏警率定義為事件發生時未檢測到事件的節點的數目與事件區域總節點數目的比值，故障識別率定義為最終狀態為Fault的故障節點的數目與事件區域內總故障節點數目的比值，虛警率定義為事件未發生時虛稱檢測到事件的節點的數目與事件區域總節點數目的比值。

從圖3可以看到，當節點故障率低于0.1時，基于時間和基于時空的方法的漏警率都低于0.08，即事件檢測概率都大于0.92。但隨著節點故障率的增加，利用時空相關性進行檢測時的漏警率偏大，這是因為初步檢測到事件的節點受到鄰居未檢測到事件節點的影響，尤其是在節點故障率較大的情況下，初步檢測到事件的節點容易轉換為Fault狀態。

圖3 節點故障率與漏警率的關系

從圖4可以看出，當節點故障率低于0.2時，兩種方法的故障節點識別率都能達到0.93以上，且性能相差不大，這是因為大部分故障節點通過節點自身檢測被濾除掉了。但隨著故障率的增加，基于時空相關性的事件檢測方法性能下降，這是因為故障節點受到鄰居未檢測到事件節點的影響，誤認為沒有事件發生，而轉換為Normal狀態了。

圖4 節點故障率與故障識別率的關系

從圖5可以看出，利用時空相關性進行事件檢測的虛警率遠遠低于利用時間相關性的，這是因為虛稱有事件發生的節點被鄰居節點糾正了。

圖5 節點故障率與虛警率的關系

綜合以上可以看出，當節點故障率較小(＜0.15)時，兩種方法在漏警率和故障識別率上相差不大，但由于基于時空相關性的事件檢測方法在虛警率上遠勝于基于時間相關性的，因此基于時空相關性的事件檢測方法略勝一籌。但當節點故障率較大(＞0.15)時，就需要根據實際需求進行選擇了。由于虛警率和漏警率難以同時達到最優，此時若用戶更關注漏警率，那么可以選擇基于時間相關性的事件檢測方法;若更關注虛警率，那么可以選擇基于時空相關性的事件檢測方法。

第2組實驗考察引入節點可信度機制對事件檢測概率的影響。仿真中，設定節點故障率為0.1。

由圖6可見，引入節點可信度機制的事件檢測方法在事件檢測概率上一直保持在90%左右;而未引入節點可信度機制的事件檢測方法，其事件檢測概率在第6次迭代后就開始下降，最后趨近于零。這是因為前者方法在迭代過程中將無效節點不斷的排除掉了，由于剩下的節點都是有效節點，所以事件檢測概率能保持較高的值。排除掉的節點與故障節點的關系如圖7所示。

圖6 引入節點可信度機制與未引入的比較

由圖7可見，在前19次迭代過程中，事件區域內剩余有效節點比例曲線下降比較快，而且排除掉的故障節點占排除掉的節點達70%以上的比例，這說明大部分故障節點都得到了排除。第19次迭代后，由于故障節點所占比例越來越小，事件區域內剩余有效節點比例曲線下降變緩。

圖7 故障節點與無效節點的關系

第3組實驗考察網絡能耗。網絡能耗與節點個數n、信息交換頻率f、鄰居節點個數N和數據序列長度L有關。傳統算法中，節點采集到數據后就與鄰居交換進行事件判斷，因此能量消耗為n·f·N·L;有些算法在數據交換上采用了數據壓縮的策略［12］，其能量消耗為n·f·N·(αL)，0＜α＜1;本文中節點與鄰居交換的是決策后的信息，即二元決策，其數據長度為1，且本文數據交換頻率為f/m(m為時間特性匹配的次數)，因此本文方法的能量消耗為n·(f/m)·N·1。從圖8對比可見，本文的方法是高能效的。

圖8 不同算法節點能量消耗對比圖

4 結論

本文討論了無線傳感器網絡下一種分布式的輕量級的事件檢測方法，該方法充分利用了節點在時間和空間上的相關性。當節點故障率較小的時候，該方法能夠獲得較低漏警率和虛警率以及較高的故障識別率。由于引入了節點可信度機制，通過不斷排除故障節點，該方法能夠一直保持較高的事件檢測概率。仿真還表明，本文提出的算法是高能效的。

［1］Yick J，Mukherjee B，Ghosal D.Wireless Sensor Network Survey［J］.Computer Networks，2008，52(12):2292－2330.

［2］張書奎，崔志明，樊建席，等.基于伸展樹的無線傳感器網絡事件區域檢測［J］.電子學報，2010，38(B02):194－201.

［3］Nguyen－Thanh N，Koo I.Empirical Distribution－Based Event Detection in Wireless Sensor Networks:An Approach Based on Evidence Theory［J］.Sensors Journal，IEEE，2012，12(6): 2222－2228.

［4］Ding M，Chen D，Xing K，et al.Localized Fault－Tolerant Event Boundary Detection in Sensor Networks［C］//INFOCOM2005.24th Annual JointConference of the IEEEComputer and Communications Societies.Proceedings IEEE.IEEE，2005，2:902－913.

［5］Ould－Ahmed－Vall E，Heck Ferri B，Riley G.Distributed Fault－Tolerance for Event Detection Using Heterogeneous Wireless Sensor Networks［J］.Mobile Computing，IEEE Transaction on，2012，11 (12):1994－2007.

［6］Wittenburg G，Dziengel N，Wartenburger C，etal.A System for Distributed Event Detection in Wireless Sensor Networks［C］//Proceedings of the 9th ACM/IEEE International Conference on Information Processing in Sensor Networks.ACM，2010:94－104.

［7］Yim S J，Choi Y H.An Adaptive Fault－Tolerant Event Detection Scheme forWireless Sensor Networks［J］.Sensors，2010，10(3): 2332－2347.

［8］黃日茂，邱雪松，高志鵬，等.無線傳感器網絡中鄰居數據分析的故障檢測方法［J］.北京郵電大學學報，2011，34(3):31－34.

［9］朱藝華，沈丹丹，吳萬登，等.無線傳感器網絡優化生存時間的動態路由算法［J］.電子學報，2009，37(5):1041－1045.

［10］李建中，李金寶，石勝飛.傳感器網絡及其數據管理的概念，問題與進展［J］.軟件學報，2003，14(10):1717－1727.

［11］許小劍，黃培康.雷達系統及其信息處理［M］.電子工業出版社，2010.

［12］Krishnamachari B，Iyengar S.Distributed Bayesian Algorithms for Fault－Tolerant Event Region Detection in Wireless Sensor Networks［J］.IEEE Transactions on Computers，2004，53(3):241－250.

［13］張偉.無線傳感器網絡中復雜事件檢測關鍵技術的研究［D］.哈爾濱:哈爾濱工業大學，2012.

董傳明(1987－)，男，山東菏澤人，武漢理工大學碩士研究生，主要研究方向為無線傳感器網絡和交通信息工程;

劉克中(1975－)，男，湖北石首人，教授，博士，中國海事科技專家委員會信息分委會委員，主要研究方向為普適計算、無線傳感器網絡和交通信息工程。

無線傳感器網絡環境下的一種輕量級事件容錯檢測算法*

董傳明1，劉克中1，2*，羅廣2，金湖庭3
(1.武漢理工大學航運學院，武漢430063;2.武漢理工大學信息工程學院，武漢430070;浙江交通職業技術學院，杭州311112)

無線傳感器網絡;事件檢測;容錯;時空特征

TP391.9

A

1004－1699(2014)01－0135－07

2013－10－08修改日期:2013－12－18

C:6150P

10.3969/j.issn.1004－1699.2014.01.025摘要:由于節點經常布置于惡劣的環境中以及節點自身資源的有限性，節點在運行過程中容易發生漏警錯誤和虛警錯誤，因此容錯的事件檢測方法受到了廣泛的重視與研究。但傳統方法在性能上表現出計算復雜度高和能耗大的特點，針對此，引入雷達目標檢測中Cth/m的檢測思想，提出一種基于時空特性的檢測方法。該方法通過觀察節點采樣值數據變化率與時間特性相似度來判斷是事件發生還是節點出錯。方法在一次迭代過程中，節點只需做m次距離比較和一次鄰居狀態查詢，根據節點間的空間特性做出決策，表現出輕量級和低能耗的特點。仿真表明，方法還具有較低的漏警率和虛警率以及較高的故障識別率。此外，由于引入了節點可信度自適應調整機制，方法能夠保證事件檢測概率在迭代過程中一直保持較高水平，而不隨時間惡化。

項目來源:國家自然科學基金項目(51279151);中央高校基本科研業務費專項資金項目(2012－IV－28，2013－ZY－104);浙江省交通運輸廳科技計劃項目(2012w05，2012w06)