基于指數平均模型的無線傳感器網絡動態功耗管理*

沈 玲,夏銀水,葉益迭

(寧波大學信息科學與工程學院,浙江 寧波 315211)

?

基于指數平均模型的無線傳感器網絡動態功耗管理*

沈 玲,夏銀水*,葉益迭

(寧波大學信息科學與工程學院,浙江 寧波 315211)

能耗一直是制約無線傳感器網絡WSN(Wireless Sensor Networks)發展的關鍵因素。為了降低節點的功耗,延長WSN的壽命,一種改進指數平均模型的動態功耗管理DPM(Dynamic Power Management)方法被提出。該方法利用歷史空閑時間來對未來空閑時間進行預測,預測結果作為節點是否轉換為低功耗狀態的依據。理論分析和實驗仿真表明,本文提出的DPM在突發情況時能夠快速自適應地調整,提高了預測的準確性,降低了WSN的功耗。

無線傳感器網絡;動態功耗管理;指數平均模型;預測

隨著傳感器、微電子、計算機、無線通信等技術的發展和相互融合,產生了無線傳感器網絡WSN(Wireless Sensor Network)。無線傳感器網絡的相關研究和應用已引起了人們的極大關注,但是由于無線傳感器網絡節點能量受限,使其工程應用受到了挑戰[1]。因此,如何降低節點功耗,延長無線傳感器網絡的生存周期是WSN應用需要解決的首要問題之一。

近年來,國內外研究者針對如何降低嵌入式系統功耗問題,提出了一系列動態功耗管理DPM(Dynamic Power Management)策略[2-4],其基本原理為:當監測區域內沒有事件發生時,節點將轉換到合適的休眠狀態;當有事件發生時喚醒節點,并開始對發生的事件進行處理。文獻[5]利用指數平均模型預測未來空閑時間,再按需把系統切換至低功耗狀態,但該方法不能很好的適應突變情況;文獻[6]根據歷史條件預測出未來事件發生時間,使嵌入式系統處于合理的工作狀態以便降低單個節點功耗,但是對于整個監測系統來說功耗沒有得到明顯的降低;文獻[7]則在文獻[6]的基礎上進行了兩點改進,首先考慮了電池的狀態,通過預測未來狀況,使得節點逐步深入睡眠狀態,其次為了減少節點喚醒時的能量浪費,節點通過尋呼信號按需喚醒;文獻[8]提出了自適應分層動態功耗管理方案,通過對一系列非平穩請求過程建立一一對應的馬爾可夫決策模型,然后根據實際情況預測,在線切換到最優模式;文獻[9]把博弈論應用于無線傳感網絡動態功耗管理中,策略復雜度比較低,節能性能比較好;文獻[10]利用EN-Elman模型來預測未來空閑時間,但是需要大量的在線數據訓練,才能保證后續算法的準確性。縱觀現有研究,比較注重單個傳感器節點的性能,而對整個無線傳感器網絡節點之間的聯系研究不足,而且有些方法自適應比較差,需要手動調節才能有比較好的節能效果。

基于以上研究的不足,本文提出了一種改進的指數平均預測動態功耗管理方法,以應用于整個無線傳感器網絡中。基本思想是假設發生事件的前后時間具有一定的因果關系,未來的空閑時間可以通過記錄的歷史時間進行預測,通過預測出的未來時間與系統切換時間閾值進行比較,使得傳感器網絡處于合適的低功耗休眠狀態,最終達到降低系統功耗的目的。

1 現有的DPM預測方法

在使用DPM預測策略時可能會過高或過低地預測空閑時間,這樣功耗不僅不會有太大的降低,而且還會影響監測網絡的實時性。過高的預測空閑時間,因傳感器節點沒有及時的被喚醒,監測到的事件減少,影響監測系統的實時性;過低的預測空閑時間,由于傳感器節點過早地被喚醒,使得能量消耗過大,縮短了節點可工作時間,影響無線傳感器網絡壽命,增加了使用成本。所以就預測DPM策略而言,預測算法的準確性是至關重要的。

近年來國內外學者針對DPM預測策略開展了一系列研究,其中應用比較廣泛的是指數平均預測算法。

2000年Wang H等人[11]首次提出并定義指數平均預測算法為:

Tp(n+1)=bT(n)+(1-b)Tp(n)

(1)

其中,Tp(n+1)為第n+1次空閑時間的預測值;T(n)為第n次實際空閑時間值;Tp(n)為第n次空閑時間的預測值;b表示與上次實測值和預測值的趨近程度的權重系數,可根據系統具體情況手動調整,取值范圍為0≤b≤1。

指數平均預測算法是在假設空閑時間局部相關的前提下進行的,適合局部環境比較穩定的情況下使用。對于空閑時間起伏很大的情況,預測結果會有很大的偏差。為了解決這個問題,研究者分別從兩個方面進行了研究。

第1種方法是Jie Chen等人[12]在2009年提出的,引進微分調節因子a,對H Wang[11]提出的指數平均預測算法進行優化,來適應實際空閑時間發生突變的情況,得到優化后的預測算法如下:

Tp(n+1)=a(bT(n)+(1-b)Tp(n))

(2)

(3)

其中,權重系數b,取值范圍為0≤b≤1,可根據系統具體情況進行調整;比值下限Umin和比值上限Umax的取值由具體的應用環境所決定。該算法能夠基本滿足實際空閑時間發生突變的情況,但是該算法在計算Tp(n+1)時,微分調節因子a由T(n)/T(n-1)的比值決定,其本身有一定的延遲,會影響該算法的實時性。而且式(2)中常數比較多,對系統的自適應也有影響。另外,當T(n)/T(n-1)較大時,該算法的預測誤差也會比較大。

第2種方法是直接把權重系數b設計成與Tp(n)和T(n)有關的函數[13],考慮到

(4)

可以反映真實值與預測值的偏離程度,并且取值范圍在0～1之間,所以把系數b設計為:

(5)

即:

(6)

通過對權重系數b值的改進提高了系統的自適應,但是預測的準確性沒有得到明顯的改善。文獻[14]把權重系數設計為:

b=1-e(-a|T(n)-Tp(n)|)

(7)

即:

Tp(n+1)=(1-e(-a|T(n)-Tp(n)|))T(n)+e(-a|T(n)-Tp(n)|)Tp(n)

(8)

其中a(a>0)是調節指數收斂速度的常數,提出的算法使得系統的準確性有了一定的提高,但是因為算法中存在常數,自適應還存在一定的不足。

灰色預測模型[15-16]可以實現自適應的預測,但由于使用的樣本數據比較少,當數據序列變化比較大時,預測誤差較大。文獻[17]對灰色模型進行了改進,解決了數據波動比較大時的準確度問題,但是由于沒有對系數取值具體化所以還是存在一定的不足。此外,文獻[18]利用接受發送器(Sink)節點已有的數據流,使用小波分析和自回歸預測算法產生預測值,再與特殊事件值比較,決定是否發送數據,該方法通過減少節點的通信時間降低系統功耗。文獻[19]建立了一種基于混合自動機的節點工作狀態轉換模型,通過環境變量是否發生突變來決定節點處于何種狀態,同時該模型還考慮了節點的剩余能量,提高了節點能量使用的均衡性,但研究表明當事件發生的頻率較高時,節點節能效果不夠理想。

綜上所述,基于DPM預測策略在降低WSN系統功耗方面還遠沒有達到滿意的地步。

2 基于指數平均模型的動態功耗管理

2.1 狀態轉換平衡時間的確定

傳感器節點一般由數據采集模塊、數據處理模塊、數據通信模塊和供電模塊組成[20],如圖1所示。

圖1 無線傳感器節點結構

每個模塊可以工作在不同的狀態,如活動狀態、空閑狀態或休眠狀態。據此Sinha等人[6]將傳感器節點分為5種有效的工作狀態,如表1所示。

表1 傳感器節點有效工作狀態

由表2可知,5種工作狀態的功耗依次降低,其中S0的功耗最高,S4的功耗最低。DPM策略主要就是根據實際情況使得節點處于不同的工作狀態(見表1),從而達到降低功耗的目的。

表2 節點各狀態的功耗和切換時間

但是有時頻繁地變換節點的工作狀態可能不能達到降低功耗的效果,反而還會增加系統負擔,降低監測系統的性能。所以要使系統低功耗地工作,且不影響系統監測性能,關鍵是要找到準確的轉換時間閾值。以下是傳感器節點的狀態轉換過程,如圖2所示。

圖2 節點狀態轉換示意圖

假設在t1時刻前,節點工作在S0狀態下,在t1時刻沒有監測到事件發生,節點狀態由S0轉換為Si低功耗狀態,在這個過程中,設其狀態轉換的時間開銷為Δta。直到t2時刻監測到事件發生,節點由低功耗狀態Si轉換為S0狀態,時間開銷為Δtw。在狀態轉換的幾個階段中,節點的能量開銷分別為:

(9)

E2=Pi(ti-Δta)

(10)

(11)

假設節點在轉換過程中節省的總能量為E,則可以節省的能量為:

(12)

化簡得:

(13)

要實現能量節省,則必須E>0,即式(13)的值大于0,由此可以得到轉換到低功耗狀態Si的時間閾值Tthi的表達式如下:

(14)

由以上分析可知,要使得系統轉換到低功耗狀態,那么預測的空閑時間必須大于轉換的時間閾值Tthi。

2.2 改進指數平均預測模型

在典型的指數平均預測算法中,b值一般是常量,當負載變化很大時系數b要手動修改,這樣系統的自適應就比較差。為了解決這個問題,設計了自適應的b值。針對式(1),把b設計為與T(n)、Tp(n)、T(n-1)、Tp(n-1)有關的函數,考慮到b取值要在0～1之間,可以把b設計為:

(15)

故預測的未來空閑時間值的表達式為:

(16)

圖3 DPM模型

通過更新權重系數b,使得整個系統可以自適應地調節,預測值更加逼近實際值。此外,當節點處于S4狀態時幾乎所有的模塊都處于休眠狀態,節點幾乎和外界沒有了聯系,因此,還應該有自動喚醒時間。考慮到節點剩余能量和實際環境情況,可以把喚醒時間定義為:

(17)

其中,Vstd是節點標準工作電壓,其值是固定的;Vpre為節點當前實際電壓值,該值會隨著時間變化。當節點剩余能量比較少時,Vpre電壓值變小,Vstd/Vpre值變大,S4狀態下的休眠時間ts4變長,這樣在一定程度上延長了節點的工作壽命。

T(n)是第n次實際空閑時間值,Tp(n)是第n次預測空閑時間值,當T(n)變小時,Tp(n)變化會延遲變小,則T(n)/Tp(n)值變小,節點的休眠時間ts4變短,反之節點的休眠時間ts4變長。

基于上述的分析,提出以下動態功耗管理算法如下:①系統初始化,S0狀態下得到初始歷史數據。②動態的構造原始數據序列,代入式(15)中計算出權重系數b值,如果T(n-1)=Tp(n-1),則使b=0.5。③得到b值后代入式(16)中得到Tp(n+1)。④功耗轉換的決策。比較Tp(n+1)與Tthi,當Tp(n+1)≤Tthi時不進行休眠模式轉換;當Tp(n+1)>Tthi時設備轉換到合適的休眠模式,當系統處于S4休眠狀態,則使得系統在S4狀態下持續ts4時間,然后再轉換到S3狀態下。⑤待到本次空閑時間結束,記錄本次實際空閑時間,轉到第②步。

2.3 節點能量消耗分析

假設所有的節點初始時均處于S0狀態,節點的一個完整工作周期為t。節點首先以S0狀態工作,得到空閑時間值,進而使用指數平均模型對下次空閑時間值進行預測,通過預測值與切換閾值比較使得Sink節點進入合適的休眠狀態。這樣,如果一個周期內節點工作時間設為:S0狀態工作t0時間、S1狀態工作t1時間、S2狀態工作t2時間、S3狀態工作t3時間、余下時間節點處于S4狀態,則節點消耗的能量為:

W1=S0t0+S1t1+S2t2+S3t3+S4(t-t0-t1-t2-t3)

(18)

在隨后的幾個周期內,如果沒有突變的事件發生,只需要保留部分節點感知環境情況,但是不發送數據,其余的節點處于休眠狀態。一個周期內的節點消耗能量為:

W2=S1t1+S2t2+S3t3+S4(t-t1-t2-t3)

(19)

經過N+1個周期后有突發事件發生,則在N個周期內使用動態功耗管理的功耗為:

Wd=W1+W2(N-1)

(20)

不使用動態功耗管理的功耗為:

Wn=W1N

(21)

式(20)、式(21)給出了使用和不使用動態功耗管理能量,表明工作時間越長節能效果越明顯。

3 仿真實驗及其結果

為了與已發表的算法和所提出的算法進行公平的比較,所有算法均用MATLAB(7.10.0)加以仿真實現。假設監測環境中傳感器節點隨機分布,單個節點的一個工作周期為30 min,并且節點之間可以相互通信構成一個自組織網絡。如果使用了動態功耗管理,各個節點感知時間和通信時間均由系統環境預測決定;反之,各個節點感知時間和通信時間基本相同。

圖4給出了其中一個節點的空閑時間仿真結果,圖中縱坐標表示空閑時間的長度,橫坐標表示空閑時間序列。圖5給出的是節點在10 h內所消耗的能量情況,圖中縱坐標表示節點能量消耗,橫坐標表示節點工作周期。

圖4 預測算法比較的曲線圖

從圖4可以看出,所有算法在空閑時間比較平穩的狀態下預測結果優于空閑時間波動較大的時候;在空閑時間波動比較大時預測結果均出現了比較大的誤差,但是,所提出的預測算法能夠很快的自適應地糾正預測錯誤,后續預測結果能夠較快逼近實際值。

由圖5可知,采用了動態功耗管理的節點能量消耗明顯比沒有采用動態功耗管理的節點要少的多,且隨著工作時間的延長,節能效果越明顯。本文采用的動態功耗管理方法在環境比較平穩時和灰色動態功耗管理方法消耗的能量[16]相差不大。但當環境中出現突變事件時(如圖5,在監測的第5個小時發生異常事件),使用本文預測算法的節點所消耗的能量明顯比使用灰色預測算法時所消耗的能量要少。

圖5 節點能耗比較

4 總結

為了解決傳統指數平均預測模型中負載適應性比較差的問題,設計了自適應權重系數,提出了改進的指數平均預測模型和動態功耗管理算法。仿真結果表明,所提出的算法在穩定狀態下比傳統算法預測值逼近實際值,對于非穩定狀態下算法能夠很好地自適應調節,在一定程度上提高了預測的準確度,降低了無線傳感器網絡系統能耗,延長了無線傳感器網絡的壽命。

[1] Dargie W. Dynamic Power Management in Wireless Sensor Networks:State of the art[J]. IEEE Sensors Journal,2012,12(5):1518-1528.

[2]Jiang Q,Xi H S,Yin B Q. Adaptive Optimization of Timeout Policy for Dynamic Power Management Based on Semi-Markov Control Processes[J]. IET Control Theory and Applications,2010,4(10):1945-1958.

[3]Sesic A,Dautovic S,Malbasa V. Dynamic Power Management of a System with a Two-Priority Request Queue Using Probabilistic-Model Checking[J]. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems,2008,27(2):403-407.

[4]Paul A,Chen B W,Jeong J,et al. Dynamic Power Management for Embedded Ubiquitous Systems[C]//2013 IEEE International Conference on Orange Technologies,2013:67-71.

[5]鐘偉軍,劉明業,彭剛. 嵌入式系統動態電源管理預測算法研究[J]. 微電子學與計算機,2006,22(11):56-58.

[6]Sinha A,Chandrakasan A. Dynamic Power Management in Wireless Sensor Networks[J]. IEEE Design and Test of Computers,2001,18(4):62-74.

[7]Chiasserini C F,Rao R R. Improving Energy Saving in Wireless Systems by Using Dynamic Power Management[J]. IEEE Transactions on Wireless Communications,2003,2(5):1090-1100.

[8]Ren Z,Krogh B H,Marculescu R. Hierarchical Adaptive Dynamic Power Management[J]. IEEE Transactions on Computers,2005,54(4):409-420.

[9]Zhang X,Cai Y,Zhang H. A Game-Theoretic Dynamic Power Management Policy on Wireless Sensor Network[C]//2006 IEEE International Conference on Communication Technology,2006:1-4.

[10]Rajasekaran P,Prabakaran R,Thanigaiselvan R. Implementation of EN-Elman Backprop for Dynamic Power Management[C]//2011 IEEE International Conference on Devices and Communications,2011:1-5.

[11]Hwang C H,Wu A C H. A Predictive System Shutdown Method for Energy Saving of Event-Driven Computation[J]. ACM Transactions on Design Automation of Electronic Systems,2000,5(2):226-241.

[12]Chen J,Gao D,Zheng Q. A Research on an Optimized Adaptive Dynamic Power Management[C]//2009 IEEE International Conference on Computer Science and Information Technology,2009:52-55.

[13]朱翠濤,王艷歡. 基于滑動窗口的指數平均動態電源管理預測算法[J]. 中南民族大學學報(自然科學版),2009,28(4):102-105.

[14]李順,曾超,李軍. 一種自適應的動態功耗管理預測策略[J]. 信息與電子工程,2010,8(4):485-488.

[15]鐘偉軍,劉明業. 基于灰色模型的動態功率管理空閑預測算法[J]. 北京理工大學學報,2006,25(11):963-966.

[16]Feng Y,Wang X. Dynamic Power Management of WSN Based on Data Stream Grey Forecasting[C]//2011 IEEE International Conference on Computer Science and Service System,2011:3209-3212.

[17]魏海龍,李迅波,沈艷,等. 基于灰色模型的無線傳感器網絡動態功耗管理研究[J]. 傳感技術學報,2011,24(1):140-144.

[18]李國徽,江德平. 基于流預測的無線傳感器網絡動態功率管理[J]. 華中科技大學學報:自然科學版,2007,35(7):27-30.

[19]李強,劉琳嵐,陳宇斌,等. 一種基于混合自動機模型的節點動態功耗管理機制研究[J]. 傳感技術學報,2013,26(5):745-750.

[20]Mahajan S,Malhotra J,Sharma S. Improved Enhanced Chain Based Energy Efficient Wireless Sensor Network[J]. Wireless Sensor Network,2013,5(4):85-89.

沈玲(1989-)女,江西上饒人,碩士研究生,寧波大學信息科學與工程學院,主要研究方向為無線傳感器網絡,jxsl89@126.com;

夏銀水(1963-),男,浙江余姚人,教授/博士生導師,寧波大學信息科學與工程學院,主要研究方向為低功耗集成電路設計,電子設計自動化,xiayinshui@nbu.edu.cn。

DynamicPowerManagementBasedonExponentialAverageModelforWSN*

SHENLing,XIAYinshui*,YEYidie

(College of Information Science and Engineering,Ningbo University,Ningbo Zhejiang 315211,China)

The key factor hindering the development of Wireless sensor network(WSN)is the energy. In order to reduce the power consumption and extend the node life time of WSN,an effective method of dynamic power management strategy based on exponential average model is proposed in this paper. The strategy uses historical idle time to make predictions about the future idle time,and the prediction result will be the basis to decide whether the node is converted into a low power state or not. Facing the burst situations,theoretical analysis and experimental results show that the proposed algorithm can adjust quickly adaptive to improve the accuracy of forecasts and reduce the power consumption of the system.

wireless sensor networks;dynamic power management;exponential average model;prediction

項目來源:國家自然科學基金重點項目(61131001);寧波市創新團隊(C01280114302);寧波市自然科學基金(A610119);浙江省新苗人才計劃(2013R405074)

2014-07-18修改日期:2014-10-10

10.3969/j.issn.1004-1699.2014.11.020

TP212.5

:A

:1004-1699(2014)11-1551-06