一種逐步分類(lèi)預(yù)測(cè)群首的WSN組網(wǎng)策略

【摘要】? ? 本文提出一種無(wú)線(xiàn)傳感器網(wǎng)絡(luò)（WSN）組網(wǎng)策略，旨在生成合理群首分布，均攤能耗，延長(zhǎng)WSN穩(wěn)定期。首先，在穩(wěn)定期內(nèi)，本文選擇SEARCH協(xié)議產(chǎn)生每輪群首，并從中優(yōu)選相對(duì)合適的群首分布。其次，將這批優(yōu)選數(shù)據(jù)用于訓(xùn)練，調(diào)優(yōu)多個(gè)級(jí)聯(lián)的機(jī)器學(xué)習(xí)模型。經(jīng)交叉驗(yàn)證，達(dá)到收斂的模型可預(yù)測(cè)每輪合理群首分布，延長(zhǎng)WSN穩(wěn)定期。同時(shí)，本文策略適用于低時(shí)延應(yīng)用場(chǎng)景。

【關(guān)鍵詞】? ? 穩(wěn)定期? ? 群首選擇? ? WSN

引言：

WSN由眾多隨意分布的，能量、傳輸距離有限的傳感器節(jié)點(diǎn)組成。這些節(jié)點(diǎn)可感知周?chē)h(huán)境數(shù)據(jù)，如光照，溫度，濕度等。

近年，WSN在智能家居，醫(yī)療健康，環(huán)境監(jiān)測(cè)等領(lǐng)域產(chǎn)出累累碩果，取得廣泛關(guān)注。

WSN的高效路由協(xié)議主要分為4類(lèi)[1]：基于網(wǎng)絡(luò)結(jié)構(gòu)（扁平化或?qū)蛹?jí)化），基于通信模型，基于拓?fù)湟约盎诳煽柯酚?。本文是基于層?jí)化網(wǎng)絡(luò)結(jié)構(gòu)的路由協(xié)議。

層級(jí)化協(xié)議以輪為單位運(yùn)作。每輪隨機(jī)或者指定選擇幾個(gè)節(jié)點(diǎn)成為群首，剩余非群首則感知環(huán)境數(shù)據(jù)并傳給群首。群首收到信息，整合匯總，轉(zhuǎn)發(fā)給遠(yuǎn)處基站。

每輪運(yùn)作耗費(fèi)節(jié)點(diǎn)能量，尤其群首開(kāi)銷(xiāo)更大。若某節(jié)點(diǎn)能量耗盡，則其無(wú)法感知數(shù)據(jù)，導(dǎo)致WSN失去這塊區(qū)域感知能力。因此，層級(jí)化協(xié)議希望能耗均攤，每輪選擇不同節(jié)點(diǎn)成為群首。

誠(chéng)然，合理群首分布更易促成能耗均攤，但群首選擇是NP-hard問(wèn)題。幸而許多文獻(xiàn)已對(duì)此做出針對(duì)性研究。

Heinzelman et al.[2]提出LEACH協(xié)議，為層級(jí)化協(xié)議奠定基礎(chǔ)，影響深遠(yuǎn)。每輪開(kāi)始，LEACH設(shè)置統(tǒng)一閾值依概率選擇群首，當(dāng)每個(gè)節(jié)點(diǎn)都做過(guò)群首，即達(dá)成1個(gè)epoch。新epoch周而復(fù)始，直至所有節(jié)點(diǎn)能量耗盡。并且其研究列出詳細(xì)實(shí)驗(yàn)參數(shù)[3]，可實(shí)現(xiàn)模擬仿真。

基于LEACH，研究者們提出更多升級(jí)版本。

有些研究依概率隨機(jī)選擇群首。Smaragdakis et al.[4]考慮差異化初始節(jié)點(diǎn)能量，延長(zhǎng)WSN運(yùn)作周期。Wang et al.[5]根據(jù)剩余節(jié)點(diǎn)能量，節(jié)點(diǎn)至群首距離，節(jié)點(diǎn)至基站距離優(yōu)化群首閾值，并指出穩(wěn)定期（首個(gè)死亡節(jié)點(diǎn)之前的運(yùn)作輪數(shù)）是WSN運(yùn)作周期的重中之重，此階段WSN對(duì)目標(biāo)區(qū)域具備完全感知能力。

有些借助基站控制，指定群首。Heinzelman et al.[3]采用模擬退火算法。Masaeli et al.[6]尋求FLP問(wèn)題次優(yōu)解。

通常，依概率隨機(jī)選擇群首不保證每輪達(dá)成合理分布，而基站控制指定群首時(shí)延較高。本文提出一種新穎思路，權(quán)衡兩者優(yōu)點(diǎn)，提出Cluster Head Iterative Prediction（CHIP）協(xié)議，生成合理群首分布，同時(shí)時(shí)延較低。

一、過(guò)程描述

本節(jié)闡述CHIP運(yùn)作流程。類(lèi)似[3]，[6]，基站指定群首;類(lèi)似[4]，[5]，WSN具備差異化初始節(jié)點(diǎn)能量。

重復(fù)（直至產(chǎn)生足夠均衡樣本）;

重復(fù)（穩(wěn)定期內(nèi)，每輪）;

SEARCH選擇k個(gè)群首，獲得詳細(xì)節(jié)點(diǎn)數(shù)據(jù);

將每輪節(jié)點(diǎn)能耗匯總，按總能耗升序排列;

保留總能耗前40%的每輪數(shù)據(jù)（此時(shí)群首和非群首數(shù)量不均衡）;

樣本均衡;

重復(fù)（群首3至群首5的均衡樣本）;

利用群首i樣本訓(xùn)練模型i;

驗(yàn)證模型i;

模型推理。

（一）樣本生成和精煉

穩(wěn)定期內(nèi)，每輪記錄明細(xì)數(shù)據(jù)：節(jié)點(diǎn)ID，能耗，剩余能量，至基站距離，至最近群首距離，至最遠(yuǎn)群首距離，是否有機(jī)會(huì)成為群首，是否群首。

SEARCH依概率隨機(jī)選擇群首，但仍有一部分群首分布相對(duì)合理，本文僅保留總能耗較低的前40%輪數(shù)據(jù)。在層級(jí)化協(xié)議中，群首數(shù)量遠(yuǎn)少于非群首，因此樣本不均衡，影響模型預(yù)測(cè)能力。

本文對(duì)保留數(shù)據(jù)做下采樣，每輪取k個(gè)群首，以及至最近群首距離降序排列的前2k個(gè)非群首數(shù)據(jù)。以此達(dá)成樣本均衡。

重復(fù)以上操作，直至產(chǎn)生足夠訓(xùn)練，驗(yàn)證，測(cè)試的均衡樣本。

（二）模型訓(xùn)練

顯然，上述過(guò)程獲得的結(jié)構(gòu)化小樣本數(shù)據(jù)更適合傳統(tǒng)機(jī)器學(xué)習(xí)，而非深度學(xué)習(xí)，因而本文未采用CNN或LSTM相關(guān)的卷積模型。

經(jīng)探索性數(shù)據(jù)分析及特征工程，選取以下特征：節(jié)點(diǎn)ID，剩余能量/平均剩余能量，max{至基站距離/其他群首至基站平均距離}/min{至基站距離/其他群首至基站平均距離}，至最近群首距離（正則化），至最遠(yuǎn)群首距離（正則化），是否群首。

考慮到群首選擇問(wèn)題復(fù)雜性，本文將其轉(zhuǎn)化為逐步分類(lèi)建模。因變量為是否群首。每輪選擇群首1，群首2時(shí)條件寬松，由SEARCH依概率直接選出。從群首3開(kāi)始逐步分類(lèi)建模，60%樣本用于訓(xùn)練，20%用于驗(yàn)證，20%用于測(cè)試。

以預(yù)測(cè)群首i為例，選擇群首1，群首2，...，群首i-1已定，群首i待定樣本訓(xùn)練xgboost模型i，進(jìn)行參數(shù)調(diào)優(yōu)。模型收斂條件為F1 score >= 0.75。

至此，一批節(jié)點(diǎn)樣本輸入，模型i選擇評(píng)估值最高的節(jié)點(diǎn)成為群首i。

（三）模型推理

每輪，SEARCH選擇群首1，群首2，繼而模型i選擇群首i（i從3至5）。輕量級(jí)機(jī)器學(xué)習(xí)模型參數(shù)較少，推理時(shí)間短，因而CHIP時(shí)延較低。

二、數(shù)值模擬

本文沿用LEACH實(shí)驗(yàn)參數(shù)[3]。模擬場(chǎng)地呈100×100矩形?；咀鴺?biāo)（50， 175）。

Eelec = 50nJ/bit

EDA = 5nJ/bit

?fs = 10pJ/（bit·m2）

?mp = 0.0013pJ/（bit·m4）

E0 = 0.25J

l = 2000bit

N = 100

k = 5

m = 0.2

β = 3

Eelec ，EDA ，?fs ，?mp 是固定無(wú)線(xiàn)電參數(shù)，E0是初始節(jié)點(diǎn)能量，l代表數(shù)據(jù)包長(zhǎng)度，N為節(jié)點(diǎn)數(shù)，k為群首個(gè)數(shù)，m表示高級(jí)節(jié)點(diǎn)（初始能量多）占比，β表示附加能量系數(shù)。在模擬環(huán)境中，普通節(jié)點(diǎn)能量為E0，高級(jí)節(jié)點(diǎn)能量為（1+β）*E0，初始能量有差異，更貼合實(shí)際場(chǎng)景。

傳輸能耗如下，d為傳輸距離：

本文基于新生成的拓?fù)?，?jié)點(diǎn)數(shù)據(jù)，以及不同的高級(jí)節(jié)點(diǎn)占比，對(duì)CHIP，SEARCH，LEACH進(jìn)行性能分析，結(jié)果見(jiàn)表1，圖1。

易見(jiàn)，更大m值意味更多剩余能量，因而具備更持久穩(wěn)定期。LEACH忽略差異化初始節(jié)點(diǎn)能量，導(dǎo)致普通節(jié)點(diǎn)過(guò)早耗盡，提前結(jié)束穩(wěn)定期。

CHIP穩(wěn)定期在各m值情景下都超越SEARCH，平均增幅達(dá)5.69%，收效顯著。

作為對(duì)比，SEARCH僅依概率選擇群首，不能保證每輪達(dá)成合理群首分布，穩(wěn)定期稍遜一籌。

三、結(jié)束語(yǔ)

本文提出一種樣本精煉及群首預(yù)測(cè)機(jī)制，顯著延長(zhǎng)WSN穩(wěn)定期。通過(guò)逐步分類(lèi)建模，CHIP逐個(gè)選擇合理位置群首，使能耗均攤。同時(shí)，因?yàn)椴捎幂p量級(jí)機(jī)器學(xué)習(xí)模型，CHIP推理時(shí)間短，時(shí)延較低。

參? 考? 文? 獻(xiàn)

[1] N. A. Pantazis， S. A. Nikolidakis， and D. D. Vergados， “Energy-efficient routing protocols in wireless sensor networks： A survey，” IEEE Communications Surveys Tutorials， vol. 15， no. 2， pp. 551–591， 2013.

[2] W. R. Heinzelman， A. Chandrakasan， and H. Balakrishnan， “Energy-efficient communication protocol for wireless microsensor networks，” in Proceedings of the 33rd Annual Hawaii International Conference on System Sciences， vol. 2， 2000.

[3]W. B. Heinzelman， A. P. Chandrakasan， and H. Balakrishnan， “An application-specific protocol architecture for wireless microsensor networks，” IEEE Transactions on Wireless Communications， vol. 1， no. 4， pp. 660–670， 2002.

[4] G. Smaragdakis， I. Matta， and A. Bestavros， “SEP： A Stable Election Protocol for clustered heterogeneous wireless sensor networks，” in Proceedings of Second International Workshop on Sensor and Actor Network Protocols and Applications， 2004.

[5] M. Y. Wang， J. Ding， W. P. Chen， and W. Q. Guan， “SEARCH： A Stochastic Election Approach for Heterogeneous Wireless Sensor Networks，” IEEE Communications Letters， vol. 19， no. 3， pp. 443–446， 2015.

[6] N. Masaeli， H. H. S. Javadi， and E. Noori， “Optimistic selection of cluster heads based on facility location problem in cluster-based routing protocols，” Wireless Personal Communications， vol. 72， pp. 2721–2740， 2013.

基金項(xiàng)目：江蘇省軌道交通控制工程技術(shù)研究開(kāi)發(fā)中心基金項(xiàng)目（KFJ2109）;

王旻毅（1989.09-），男，漢族，江蘇南京，研究生學(xué)歷，工程師職稱(chēng)，研究方向：通信與信息系統(tǒng)。