WSN中事件驅動與信任分配加權的層次數據融合*

余修武,張 楓,周利興,劉 永,3,劉 琴,雷 林,汪 弘

(1.南華大學環境保護與安全工程學院,湖南 衡陽 421001;2.金屬礦山安全與健康國家重點實驗室,安徽 馬鞍山 243000;3.湖南省鈾尾礦庫退役治理技術工程技術研究中心,湖南 衡陽 421001)

WSN中事件驅動與信任分配加權的層次數據融合*

余修武1,2,3*,張 楓1,2,周利興1,2,劉 永1,2,3,劉 琴1,2,雷 林1,汪 弘1

(1.南華大學環境保護與安全工程學院,湖南 衡陽 421001;2.金屬礦山安全與健康國家重點實驗室,安徽 馬鞍山 243000;
3.湖南省鈾尾礦庫退役治理技術工程技術研究中心,湖南 衡陽 421001)

針對WSN監測突發事件及節點能量受限問題,提出了一種基于事件驅動與信任度分配加權的層次數據融合算法(EDBA)。通過設置監測閾值,僅在事件發生時,相關部分節點才進入高頻次數據采集和傳輸的興奮狀態,其他情況節點處于低頻次采集(或傳輸)的抑制(或活動)狀態,采用證據理論及信任分配函數對網絡監測數據進行多層次融合,以減少監測數據傳輸量。仿真表明,在通常情況下,EDBA算法能耗分別是EBPDF、LEACH的50%和21%,有效地降低了網絡能耗。

無線傳感器網絡;層次融合;事件驅動;信任分配

無線傳感器網絡(WSN)[1]在環境監測、軍事、實時目標追蹤中廣泛應用,其能量主要用于數據采集感知、信號處理與數據傳輸,數據傳輸能耗比其他兩者更多。傳感器節點一定程度上監測的數據近似甚至重復,通過融合數據來減少數據傳輸量,可有效降低能耗[2-3]。

基于事件驅動網絡監測與其他周期性監測不同,只當事件發生時,才會以較高的速率采集和傳輸數據[4-5]。文獻[6]提出了一種基于事件驅動的動態分簇BP神經網絡數據融合算法(EBPDF),采用事件驅動來分簇,利用BP神經網絡模型對監測到的大量數據進行融合處理,提取出特征數據傳送給Sink節點。文獻[7]提出了一種事件驅動的時間分簇方法,選擇在事件位置與Sink節點間符合條件的節點成簇,事件結束即解散,降低由不必要地成簇和維護開銷所帶來的能耗。D-S證據理論[8]利用證據和組合將主觀的、不確定的、沖突的信息轉換為客觀的決策結果,可提高WSN融合的可靠性(精度),許多學者以此為基礎提出了改進研究[9-10]。文獻[11]提出一種基于D-S證據理論和極限學習機的集成模型,建立合理的基本信任分配函數,并將其證據合成得到總信任分配,以改進的極端學習機來做最后決策,獲得可靠的決策級數據融合結果。文獻[12]根據監測值與真值的偏差把監測值分組視為辨識框架,將各監測值轉換成證據,分配基本信任函數進行組合,合成證據的信任函數即為各監測值的權值分配函數,將各分組融合結果加權求和得到總融合結果。

以上基于事件驅動和基于D-S證據理論的兩類數據融合研究文獻的不足,在于只考慮了減少網絡能耗或提高融合數據精度,未同時兼顧控制網絡能耗和提高融合數據精度問題。本文綜上兩種融合方法提出一種基于事件驅動與信任度分配加權的層次數據融合算法EDBA(Event-Driven and Belief Assignment),來改進融合效率(降低能耗)和加強可靠性(提高融合數據精度)。

1 D-S證據理論基礎

D-S證據理論基本思路為首先建立辨識框架,對命題A建立初始信任分配,再利用證據合成公式計算對所有命題的信任度。在證據理論中,對于一個判決問題而言,其所有兩兩互斥的可能結果組成的集合Θ={θ1,θ2,…,θn}稱為辨識框架。由辨識框架Θ的所有子集組成一個有限集合即Θ的冪集合,記作2Θ,它的基數為2|Θ|,其中的集合表示命題。

1.1 基本概念

若函數m是2Θ→[0,1]的映射,?A?Θ,0≤m(A)≤1滿足式(1):

(1)

則稱之為基本信任分配函數(BBAF)。由于基本信任反映了證據對各子集的支持程度,通常將BBAF與?A?Θ,m(A)稱為A的基本概率質量,表示證據對命題A的支持度。

1.2 證據組合規則

設m1,m2,…,mn是辨識框架Θ上n個相互獨立的基本可信度,對?A?Θ,組合后可得BBAF,如式(2):

m1,…,n(A) =m1(A1)⊕…⊕mn(An)

(2)

2 EDBA數據融合算法

2.1 網絡模型

WSN監測區域中包含N個非均勻分布的傳感節點與1個Sink節點,且具備以下條件:①節點布置后不可移動,已知自身位置信息。②所有傳感節點能量有限且相同,但Sink節點為有線供電,能量不限。③傳感節點鏈接呈動態變化,各節點儲有其局部鏈接的拓撲結構信息。④節點成簇受事件驅動,成為簇頭的節點可根據通信距離需要來調整發射功率。EDBA網絡模型如圖1所示,節點有抑制(低頻次采集偵聽,不傳輸數據)、活動(低頻次采集偵聽,并建立路由拓撲傳輸數據)和興奮(高頻次采集,并建立路由拓撲傳輸數據)3種狀態,監測值Ti與閾值比較,節點可以切換不同狀態。

圖1 事件驅動網絡拓撲模型

2.2 閾值定義

監測區域WSN節點通常為抑制或活動狀態,進行低頻次周期性采集或傳輸數據,事件突發時,節點監測值Ti與設置閾值比較,可判斷監測數據異常,切換節點進入興奮狀態,進行高頻次(間隔時間短)數據采集及傳輸處理。

定義1差值閾值BT(Biased Threshold),用于判斷會導致節點由抑制狀態轉為活動狀態的最小變化量。若節點ti時刻監測到的數據Ti與初始時t0監測到的數據T0之差大于BT,則節點轉到活動狀態。

定義2刺激閾值ST(Stimulation Threshold),用于判斷突發事件發生的初始值,若節點ti時刻監測到的數據Ti>ST,節點切換至興奮狀態。

定義3事件刺激程度ESL(Event Stimulation Level),ESL=Ti-ST,用于評定事件發生的嚴重程度,ESL越大表示事件越嚴重。

定義4簇頭競選值P,節點成為簇頭的可能性與P值成正比,如式(3)所示:

(3)

式中:Es表示節點的剩余能量,El表示成為簇頭所需的最低能量,dtoS表示節點到Sink節點的距離,λ1與λ2分別表示兩者的權重值,且λ1+λ2=1。

2.3 事件驅動成簇

Step 1 網絡配置完成,所有節點獲取自身的位置信息與Sink節點的距離,以及鄰居節點的相關信息,而后定期監測數據。

Step 2 某區域WSN節點ti時監測到的數據Ti,若|Ti-T0|≥BT,則節點轉到活動狀態;若Ti≥ST,節點轉為興奮狀態;若Ti≥ST和|Ti-T0|≥BT同時滿足,直接越變為興奮狀態。興奮節點計算P值,與周圍興奮節點交換信息,信息包括位置、ID、到Sink節點的距離,若自身P值最大則成為簇頭,向全網廣播。

Step 3 當節點收到簇頭的成簇消息后,判斷自身所處狀態,做出不同的響應或成為簇成員節點。節點為興奮或活動狀態,將消息轉發給一跳鄰居節點,距離Sink節點更近的一跳鄰居節點成為事件區域簇的數據傳輸鏈路節點,事件區域簇外的傳輸鏈路節點變為活動狀態。

Step 4 當事件解除時,新簇結構解散,恢復原狀,以均衡簇節點能耗。待有新的突發事件發生,在事件區域將重新進行簇頭選舉。

2.4 融合處理

數據融合共分為3個層次,首先是監測節點融合,其次為簇頭融合,最后為Sink節點融合。融合處理模型,如圖2所示。

圖2 EDBA融合模型

①監測節點融合

監測節點融合是通過設置數據上傳差值閾值BT來處理。在非事件突發時,WSN低頻次采集,若|Ti-T0|

②簇頭節點融合

簇標識號相同的j個節點t時刻監測數據由小至大排序{T1,T2,…,Tj}作為一個分組,建立為辨識框架,并把每個簇當做辨識框架的各個證據。由簇頭先對簇內節點生成的信任分配值進行組合,得到的證據組合中的各個監測值的基本信任分配值作為融合的加權系數,經過加權融合得到本組數據結果。

由統計學理論,有效的監測值落在真值的某一特定鄰域內,而在鄰域外的值受到了環境噪聲、人為干擾或系統誤差等的影響。對于測量值Ti獲得的基本可信度分配值如式(4)所示:

(4)

對于第k組數據獲得的信任分配值,如式(5)所示:

mk=mk(T1)⊕…⊕mk(Ti)

(5)

第k組數據融合結果,如式(6)所示:

(6)

③Sink節點融合

對于每組(各簇)獲得的結果重新進行分配,得到最后的融合結果。

針對事件發生機制的WSN監測,需要考慮節點距離事件中心的距離,離事件中心越近的節點,其監測結果越具有參考價值,但事件中心并不能準確判斷,此以監測結果記錄時間t最早的位置為模糊的事件中心。

引入Jousselme距離[13]dmass(m1,m2),如式(7)所示:

(7)

(8)

式中:m1,m2表示證據向量,A和B為辨識框架的子集,dmass(m1,m2)大(小)可估量參與證據組合的各證據體的相似性程度低(高)。

對于第k組數據其獲得的合成信任分配值mk給定一個信任權重,如式(9)所示:

(9)

式中:m0表示事件發生標記時刻最早的一組數據的信任分配值,ηk越大表明距離事件源越近,其可信度越大。有利于減少證據間的沖突,從而增加監測數據的可靠性。

(10)

對所得的n個融合結果進行加權,得最終結果如式(11)所示:

(11)

3 仿真結果與分析

采用MATLAB仿真分析來驗證EDBA算法的優越性,節點布置位置隨機,網絡能耗模型采取與LEACH協議相同的模型[14],仿真參數如表1所示。

表1 實驗仿真參數

為測試不同事件突發頻次f(次/h,指每小時突發事件的次數)下的網絡節點平均能耗,設置f由0開始,以5次/h遞增至60次/h,運行1 000輪。圖3顯示了EDBA算法的節點平均能耗明顯低于LEACH與EBPDF算法,在f=0,EDBA和EBPDF能耗小于0.01 J,而LEACH能耗為0.46 J;當f=60,EDBA、EBPDF、LEACH算法能耗分別為0.37 J、0.43 J、0.48 J。這是因LEACH無論事件突發與否均處在興奮狀態,而EDBA和EBPDF均是基于事件驅動型算法,其能耗與f密切正相關,又由于EDBA結合了D-S證據融合去冗數據,所以EDBA能耗最低。在通常監測情況下,事件突發占監測期較小部分時間,在此以f=20(占60次的30%)近似等效,EDBA、EBPDF、LEACH算法能耗分別為0.10 J、0.20 J、0.47 J,EDBA能耗分別是EBPDF、LEACH的50%、21%。

圖3 f對能耗的影響(r=1 000)

假設突發事件在整個監測區域內周期性發生(f=60),圖4顯示了LEACH、EBPDF和EDBA算法在設定輪數內節點的平均剩余能量。EDBA算法由于引入了證據理論,并結合事件驅動監測的層次融合處理,在非事件發生時,由于監測節點均處于低頻次數據采集的抑制狀態或少量數據上傳的活動狀態(網絡節點僅在事件突發時,才進入高頻次采集和數據傳輸的興奮狀態),EDBA算法能夠有效減少節點的通信數據量,節省了監測網絡節點的大部分能量。在運行r=1 000時,LEACH、EBPDF和EDBA算法的節點平均剩余能量分別為0.02 J、0.09 J、0.16 J,EDBA平均剩余能量分別是EBPDF和LEACH的1.8倍和8倍。

圖4 r對剩余能量的影響(f=60次/h)

圖5 簇組采樣

本文以正態分布函數輸出5組隨機數,設置5個簇頭收集得簇內同一時間段的20個節點監測數據。假設第(c)組數據時間戳最早(距事件中心越近監測的記錄時間越早),作為原始參照數據,其他組則為事件中心周邊采集的數據,如圖5所示。

將樣本數據分別以均值、EBPDF算法及EDBA算法處理后,并與第(c)組的監測值作對比計算誤差,如圖6所示。EDBA算法的誤差絕對值曲線位于另外兩種算法的下方,且誤差波動變化小,說明可靠性更穩定,從而說明EDBA算法在融合數據精度(可靠性)上高于另外兩種算法。均值、EBPDF算法、EDBA算法的最大誤差絕對值分別為2.64、1.06、0.28,均值、EBPDF算法、EDBA算法的平均誤差絕對值分別為1.07、0.49、0.19。EDBA算法的平均誤差絕對值分別是均值的18%、EBPDF算法的39%。

圖6 數據精度(可靠性)對比

4 結語

面對監測期中突發事件所占時間較小及WSN監測數據重疊、節點能量受限的情況,提出了一種基于事件驅動與信任分配加權的層次數據融合(EDBA)。首先,通過設置閾值,在正常情況下,節點處于低頻次數據采集的抑制狀態或低頻次數據采集兼傳輸的活動狀態,能耗極低,僅在事件突發時節點才處于高頻次數據采集及傳輸的興奮狀態;其次,運用證據理論來對監測數據進行多層融合處理,以減少數據傳輸量,且保證了監測數據有較高的可靠性。經仿真分析表明,EDBA算法在降低能耗、融合數據精度(可靠性)方面都有明顯的提高。

[1] Martirosyan A,Boukerche A. LIP:An Efficient Lightweight Iterative Positioning Algorithm for Wireless Sensor Networks[J]. Wireless Networks,2016,22(3):825-838.

[2] 余修武,范飛生,周利興,等. 無線傳感器網絡自適應預測加權數據融合算法[J]. 傳感技術學報,2017(5):1-5.

[3] Izadi D,Abawajy J H,Ghanavati S,et al. A Data Fusion Method in Wireless Sensor Networks[J]. Sensors,2015,15(2):2964-2979.

[4] Pinto A R,Montez C,Araújo G,et al. An Approach to Implement Data Fusion Techniques in Wireless Sensor Networks Using Genetic Machine Learning Algorithms[J]. Information Fusion,2014,15(1):90-101.

[5] 譚德坤,付雪峰,趙嘉,等. 基于異常數據驅動的WSN簇內數據融合方法[J]. 傳感技術學報,2017,30(2):306-312.

[6] 侯鑫,張東文,鐘鳴. 基于事件驅動和神經網絡的無線傳感器網絡數據融合算法研究[J]. 傳感技術學報,2014,27(1):142-148.

[7] Ozger M,Akan O B. Event-Driven Spectrum-Aware Clustering in Cognitive Radio Sensor Networks[J]. Proceedings—IEEE INFOCOM,2013,12(11):1483-1491.

[8] Shafer G. A Mathematical Theory of Evidence,Turns 40[J]. International Journal of Approximate Reasoning,2016,79:7-25.

[9] Lin G,Liang J,Qian Y. An Information Fusion Approach by Combining Multigranulation Rough Sets and Evidence Theory[J]. Information Sciences,2015,314:184-199.

[10] Dubois D,Liu W,Ma J,et al. The Basic Principles of Uncertain Information Fusion:An Organized Review of Merging Rules in Different Representation Frameworks[J]. Information Fusion,2016,32:12-39.

[11] Shen B,Liu Y,Fu J S. An Integrated Model for Robust Multisensor Data Fusion[J]. Sensors,2014,14(10):19669-86.

[12] 王文慶,楊遠玲,楊春杰. 一種基于證據理論的數據融合算法[J]. 控制與決策,2013,28(9):1427-1430.

[13] Jousselme A L,Maupin P. Distances in Evidence Theory:Comprehensive Survey and Generalizations[J]. International Journal of Approximate Reasoning,2012,53(2):118-145.

[14] Heinzelman W B,Chandrakasan A P,Balakrishnan H. An Application Specific Protocol Architecture for Wireless Microsensor Networks[C]//IEEE Transactions on Wireless Communication,2002:660-670.

HierarchicalDataFusionUsingEvent-DrivenandBeliefAssignmentinWSN*

YUXiuwu1,2,3*,ZHANGFeng1,2,ZHOULixing1,2,LIUYong1,2,3,LIUQin1,2,LEILin1,WANGHong1

(1.University of South China,Environmental protection and safety engineering institute,Hengyang Hu’nan 421001,China;2.State Key Laboratory of Safety and Health for Metal Mines,Maanshan Anhui 243000,China;3.Hunan Engineering Research Center for Uranium Tailings Decommission and Treatment,Hengyang Hu’nan 421001,China)

In view of unexpected events and node energy limitation in WSN,a data fusion algorithm using event-driven and belief assignment(EDBA)is proposed.By setting monitoring threshold,only when the unexpected events occurs,the relevant nodes switching to excited state which can collect and transfer data in high frequency,in other cases,nodes keeping suppressed or active state to collect and transfer data.Monitoring data is fused through evidence theory and belief assignment function to reduce the amount of transmitted data.Simulation and analysis show that under normal circumstances,energy consumption of EDBA algorithm are respectively 50% of EBPDF and 21% of LEACH.EDBA can effectively save network energy.

wireless sensor network(WSN);hierarchical data fusion;event-driven;belief assignment

10.3969/j.issn.1004-1699.2017.12.027

項目來源:金屬礦山安全與健康國家重點實驗室開放基金項目(2016-JSKSSYS-04);湖南省教育廳科研重點項目(15A161);江西省自然科學基金項目(20122BAB201050)

2017-05-04修改日期2017-07-15

TP393

A

1004-1699(2017)12-1948-06

余修武(1976-),男,博士,副教授,碩導,主要研究方向為無線傳感器網絡,安全智能監測預警技術,yxw2008xy@163.com;

張楓(1993-),女,碩士研究生,主要研究方向為安全監測與監控,無線傳感器網絡數據融合技術。