基于物聯網定位模型的網絡節點能耗感知識別

孫皓月，田 亮，郝 娟，楊 陽

(1.河北建筑工程學院，河北張家口075000；2.河北師范大學，河北石家莊050024)

1 引言

隨著物聯網定位技術的快速發展，網絡節點能耗問題已成為目前的研究熱點[1]。物聯網分布于人類難以接近的區域，長期執行對網絡節點的監測與控制任務，使網絡生存壽命長達數月或數年。網絡節點能耗是影響網絡生命周期的重要因素，網絡節點被隨機分布的各種網絡中，需通過某種方式對網絡節點進行感知與識別，并進行反饋。由于網絡節點一般采用容量有限的電池供電，能量耗盡很快，因此，對感知與識別網絡節點能耗問題的研究具有重要意義[2]。

劉逸韜[3]等人提出基于分簇網絡的網絡節點能耗協作頻譜感知識別方法，構建多變量非線性優化問題模型，對各個變量進行優化與求解，實現對網絡節點能耗的感知與識別。該方法在節點定位過程中沒有對信號進行映射，導致感知識別結果的可信度較差。胡旭光[4]等人提出基于異構數據模型的網絡節點能耗感知識別方法，將子網絡交互影響與相應網絡節點變化過程作為依據，建立不同子網絡對應特征的異構數據模型，結合譜分布最大特征向量獲取發生變化的網絡節點，實現網絡節點能耗的感知與識別。該方法在對網絡節點能耗感知識別過程中沒有對網絡節點所對應的物理位置進行定位，導致感知識別結果的準確性較低。盧光躍[5]等人提出基于LSTM的網絡節點能耗感知識別方法，利用LSTM對網絡節點特征向量進行訓練，獲取對應節點數據分類器，通過訓練好的節點數據特征向量模型實現網絡節點能耗感知與識別。該方法在對網絡節點能耗感知識別過程中對于沒有對節點信號進行映射，對未知節點位置進行估計，導致感知識別速度較慢。

為了解決上述方法存在的問題，提出基于物聯網定位模型的網絡節點能耗感知識別方法，該方法在建立物聯網定位模型的基礎上，對網絡節點的能量消耗問題進行感知與識別。

2 建立物聯網定位模型

在基于物聯網定位模型中，一般情況下，網絡節點的定位分為兩個層次，分別是訓練層與定位層。在訓練層次中，提取已知的網絡節點信號強度，對信號空間進行映射，獲取網絡節點的物理坐標對物理空間進行映射，來實現定位模型的建立[6]。在定位層次中，通過上述得到的映射對未知網絡節點的位置進行估計。

(1)

對信號空間到物理空間進行映射時，就CCA方法而言，僅能夠對數據間的線性關系進行挖掘，并沒有結合網絡的局部結構信息，為了解決該問題，將CCA方法與網絡的局部結構信息相結合，形成LE-LPCCA方法，把全局區域內的非線性問題進行劃分，分為若干個局部線性問題進行求解，通過計算每個小鄰域內的對應問題，對局部線性小問題進行求解，達到解決非線性問題的目的[7]。

通過LE-LPCCA方法進行求解前，首先對網絡中近鄰節點進行定義，與節點i所接收到的信號強度相似的節點集合，表示為ne(i)，局部區域的近鄰樣本下標集表示為ki，其中，把局部區域近鄰樣本通過k-近鄰定義法進行劃分，如果sj(zj)是ki(zi)的k-近鄰樣本，那么sj(zj)即是si(zi)的局部近鄰。

(2)

把全局網絡的非線性問題進行分解計算，分為m個局部的線性子問題，將這些線性子問題進行計算，取得結果的集合則是原始全部非線性問題的總和，也就是全局網絡的非線性問題得到解決，最終的計算公式是在CCA方法計算的基礎上進行優化[8]，計算公式如下

(3)

通過上式計算，完成信號空間到物理空間的映射，把數據間的映射與信號空間到物理空間的映射相結合，來實現定位模型的建立。

3 網絡節點能耗感知識別方法

基于物聯網定位模型的網絡節點能耗感知識別方法首先選擇對應的簇首節點，根據簇首節點設置感知識別區域，對感知區域中節點能耗的相關數據進行采集，構建數據回傳節點集，并對前置感知識別區域與數據回傳節點集進行分析，通過數據回傳節點集計算節點能耗，實現節點能耗的感知識別[9]，具體步驟如下：

1)選擇簇頭

首先是對簇首節點的選取，每進行一次節點傳輸時，均需要對存活節點的剩余能量進行計算，得到網絡中節點的平均能量，其計算公式如下

(4)

式中，存活節點f的剩余能量表示為Ni，死亡節點的數量表示為σ，存活節點總數表示為M。

將每個節點的剩余能量與平均能量進行對比，若節點的剩余能量高于平均能量，則該節點被分化到簇首節點的候選節點集當中，候選簇首節點集表示為CH_G。在候選節點集中，每個節點均產生不同的隨機數，若產生的隨機數大于閾值，則該節點被選為簇頭。對于閾值定義為E(w)，取值范圍如下：

(5)

式中，網絡中簇頭數量占總節點數的比例可表示為p，進行傳輸的次數表示為r，目前1/p次候選簇頭節點的集合表示為CH_G，候選節點集中的節點可表示為w。

2)設定感知區域以及數據回傳節點集

其次是將感知識別區域與數據回傳節點集進行設定與分析，在每個節點集中，其中一部分節點至節點間的歐式距離會小于簇頭節點至節點間的距離，此部分的節點會把信息傳輸給簇頭節點。如果重復這種信息回傳的操作，會使節點能量造成浪費[10]。為了對產生信息回傳的節點進行準確定位，以及了解所在區域，需設置前置感知區域，并進行定義，如圖1所示，圖1分別由以簇首節點f為圓心，d(f，l)為半徑的圓與Sink節點為圓心，d(f，Sink)為半徑的圓所構成，網絡中每個簇頭f的前置感知識別區域表示為FA(f)，假設簇首節點f距離最近節點的歐式距離的集合為Qf。圖中，集合Qf距離簇首節點f最遠的節點表示為l。

圖1 前置感知區域

通過上述的前置感知識別區域，對數據回傳節點的具體路由行為進行分析[11]。

如圖2所示，CB(f)表示每個簇首節點f所對應數據回傳節點集合，當d(f，l)d(f，Sink)時，此時的節點l會把數據信息傳輸給Sink節點并且節點能量得到降低。

圖2 數據回傳節點分布圖

圖3 數據回傳節點分布圖

3)數據回傳節點集計算節點能耗

最終處于前置感知識別區域中，結合數據回傳節點集CB(f)的節點位置以及節點能量信息對感知識別區域中的節點能耗進行計算，計算公式如下

(6)

式中，節點l與Sink節點間的距離表示為d(l，Sink)，附屬簇頭節點表示為Tf(l)，節點l的剩余能量表示為Nl，即完成對前置感知區域中節點能耗的計算，實現對網絡節點能耗感知識別[12]。

4 實驗與結果

為了驗證基于物聯網定位模型的網絡節點能耗感知識別方法的可行性與有效性，需對基于物聯網定位模型的網絡節點能耗感知識別方法進行相關實驗。本次實驗環境為MATLAB，計算環境為Intel(R)Core(TM)i7-6700，CPU運行速度為6.80GHz，內存16GB。

在物聯網環境下，將基于物聯網定位模型的網絡節點能耗感知識別方法(所提方法)與基于分簇網絡的網絡節點能耗協作頻譜感知識別方法(文獻[2]方法)、基于異構數據模型的網絡節點能耗感知識別方法(文獻[3]方法)進行測試與分析，對比3種方法的感知識別速度，測試結果如圖4所示。

圖4 不同方法的感知識別速度對比圖

據圖4數據可知，文獻[2]方法與文獻[3]方法的感知識別速度均低于所提方法，證明所提方法的感知識別速度更快且感知識別性能更強，因為所提方法在對網絡節點能耗問題進行感知識別時，是通過建立物聯網定位模型，對網絡節點信號強度進行映射，獲取網絡節點的物理坐標位置，促使所提的感知識別速度得到大幅度提升。

在相同的感知識別范圍內，將3種方法對于網絡節點能耗問題的感知識別準確性進行對比，具體測試結果如圖5所示。

圖5 對比不同方法的感知識別準確率

由圖5中數據可知，所提方法的感知識別準確性要好于文獻[2]方法與文獻[3]方法，證明所提方法的感知識別效果更好，由于所提方法在對網絡節點能耗問題進行感知識別時，通過物聯網定位模型，將全局網絡非線性問題進行劃分，分別進行求解，對網絡節點進行定位，為網絡節點能耗感知奠定基礎，從而提高了感知識別準確性。

將感知識別結果可信度作為測試指標，對3種分別進行測試，測試結果如圖6所示。

圖6 不同方法的感知識別可信度對比圖

分析圖6數據可知，所提方法的感知識別結果可信度最高，文獻[2]方法與文獻[3]方法的感知識別結果可信度次之，因為所提方法在對網絡節點能耗問題進行感知識別時，通過物聯網定位模型對網絡節點信號進行映射，達到對未知網絡節點的位置估計，對網絡節點的感知識別準確度有所提高，進而使感知識別結果的可信度更高。

5 結束語

針對感知識別結果的準確性較低以及可信度較弱等情況。對此問題提出基于物聯網定位模型的網絡節點能耗感知識別方法，通過建立物聯網定位模型，對網絡節點信號進行映射，對未知網絡節點的位置估計，將全局網絡非線性問題進行劃分，分別進行求解，最終結合網絡節點能耗感知識別方法來完成對網絡節點能耗問題的感知與識別，該方法有效地解決了目前方法中存在的問題，在提高感知識別準確性的同時，增加了對感知識別結果的可信度。