论文研究-分布式无线传感器网络容错事件边界检测.pdf

所需积分/C币:9 2019-09-08 10:30:08 1.19MB .PDF
收藏 收藏
举报

事件监测是无线传感器网络的一种重要应用。针对该应用中软故障节点提供的错误数据会降低监测的准确性的问题,提出了一种分布式的容错事件边界检测算法。节点只需与邻节点交换一次传感数据,通过简单地计算识别故障;正常的事件节点利用统计比较的方法判断其是否处于事件边界,边界宽度可根据网络用户的要求调节。该算法执行时所需的通信量小,计算复杂度低,时延小,对大规模网络具有很好的可扩展性。仿真结果表明即使节点故障率很高,应用该算法仍可以获得很好的检测效果。
302009,45(17) Computer Engineering and Applications计算机工程与应用 边界报告给基站时就会消耗越多的能量。反之,边界节点数目 20. if frm is received 就会越少,可能影响网络用户对事件边界的准确定位。而事件 Fault(S, )=Fault(S, )+S 边界检测的最终目的是将事件边界报告给基站,只要网络用户 22. End-if 能够收到满足要求的事件边界信息即可。因此,在不同的网络 23. End-while 参数下,r值应该不同。 算法中第7行是将识别为故障的节点S的传感模块暂时 事件边界 关闭一段时间T之后,再次打开其传感模块。原因有两个 首先该节点S有可能在刚才的故障识别中做出了错误的判断 另外它的传感模块在关闭一段时间,重启后,有可能恢复了正 常功能。 事件区域 正常区域 图1事件边界节点示意 3仿真结果和分析 31性能指标设计 假设网络用户要求每2R边界长度上传感器节点的数目 为了评价故障节点识别的效果,设计和仿真计算了检测准 为u。令p表示落在以S为中心以Rc为半径的封闭圆形邻域确度( detection accuracy)和误判率( false alarm rate两个指标。 中的平均节点数目,称为网络密度( density)。图1中,只有虚线 检测准确度,用α(F)表示,为被正确识别的故障节点的数 和事件边界线中间(边界带内)的节点可以被视为边界节点,因目与故障节点总数之比。其计算式为 此可以得到关系式 a(F)=Fno (8) ≈P+ Q 误判率,e(F)表示,为正常节点中被判定为故障节点的数 对于x1≥xn的传感器节点S,用Ng表示在N(S)中满足x≥目与正常节点总数之比。其计算式为 x(l=1,2,…,)的止常节点数目。为了防止未识别出x1≥x的 (F)=E (9) 故障节点而将其当作事件节点,进而将这个孤立的节点当作事 件边界节点,应该为N设一个下限mm,其值可以理解为网络 好的故障节点识别算法应该同时达到两个要求:较高的检 测正确度a(F)和较低的误判率e(F)。 用户对事件的敏感度,即节点的邻域内有几个节点感知到事件 为了评价事件边界检测的性能,设计和仿真计算了拟合度 时认为有事件发生,该值可由网络用户指定。如果N在m和( degree of fitting)和误检率 alse detection ra两个指标。令 m=之间,就认定S为边界节点。对于节点S,定义变量B,如BA(E;)代表实际网络中距事件边界距离不人于r的节点集 果S为边界节点,则B=1,否则B=0。即 合,令A(E;r)代表实际网络中距事件边界距离大于r的节点 1如果mm≤N≤m (7)集合。 0其他 拟合度:用a(B(E);r)表示,代表事件边界节点中被检测 容错的边界节点检测算法( DFTEBD)如下所示。 为边界节点的比例。其计算式为 Procedure dftebd / For each sensor ** a B(E); r)=BA(Esr)nB(E)L (10) 1. N(S)Fault(S )=d 2. exchanging sensed data with neighbors 误检率:用e(B(E);r)表示,代表不是事件边界节点中被 3. construct N(S:) 检测为边界节点的比例,其计算式为 4. calculate y, according to(1)-(4); e(B(E) r)=AE: rnb(E) A(E:r 5. if ly >8 / faulty sensor s/ 好的事件边界检测算法应该同时达到两个要求:较高的拟 6. broadcast Frm 合度a(B(E);)和较低的误检率c(B(E);r)。 sensl ing module for time Taultvesleen i 32仿真参数设置 8. else normal 9. receiving FRM for time T; 利用 MATLAB软件对算法进行了仿真分析,统计结果为 100次抛撒的平均值。仿真时假定N=1024,b=32,在每一个正 10. N(S)=N(S)-Fault(S) 11. if (x<.)do 方形栅格内随机放置一个传感器节点,其中故障节点以概率P ns 出现,称为故障概率( sensor fault probability),p等于故障节点 12. else calculate n 数与总节点数之比。 13. if(NE <=mma)&(N>m 假设正常区域内正常节点的传感数据满足正态分布 B.=1 Ise b=0 (u1,σ1),而事件区域内正常节点的传感数据满足正态分布 End-if N(2,O2)。注意这些均值和方差可以任意选取,只要u1-2与 17. End-if σ,和σ2相比足够大即可。为了和 LFEBD算法性能进行比较, 18. End-if /* listening * 仿真中采用了与其相同的参数,u1=10,42=30,01=02=1。正常 19. while(listening )/ interrupt program*/ 区域内故障节点的传感数据服从N(2,O2),事件区域内的故 李桂丹,孙雨耕,刘丽萍,等:分布式无线传感器网络容错事件边界检测 2009,45(17)31 障节点的传感数据服从N(1,O1)e 误检率稍高,=30时差值小于0.6%。这主要是受传感数据参数设 仿真时考虑了不同的事件边界形状,如圆形、椭圆形等。 置的影响,很容易将正常区域(事件区域)内的故障节点看成事件 由正态分布表查得0与p的对应关系如表1所示。 区域(正常区域)内的正常节点。这将通过图6和图7予以说明。 1.0 表16与p的对应关系 0.9 P 5% 10% 15%20%25% ≌ 三0.8 1.96 1.44 1.28 1.15 density 30 of LFEBD 1.65 s0.7 与 LFEBD相同,假定网络用户设置每单位长度上边界节 0.6 点数为1,则2R边界上节点数u的取值与网络密度p的对应 关系如表2所示。 0.05 0.15 0.20 0.25 表2u与p的对应关系 Sensor fault probabilit 图4拟合度与故障概率的关系 5 0.06 3.3故障节点识别仿真结果 0.04 of LFEBD 图2和图3分别为无事件发生时,不同的网络密度下,检 测正确度和误判率与故障概率p的关系的仿真结果,这也是多 0.03 数故障节点识别算法评价算法性能时常采用的条件。为了使图 20.02 更加清晰,图中用虚线给出了 LFEBD算法在网络密度p=30和 0.01 p=10的仿真结果,其他密度下的曲线没有给出。从图2可以看 -- 0.05 0.15 0.20 出,当閃络密度p=20时,检测正确度可以达到98%,当络密 Sensor fault probability 度p≥30时,检测正确度将近100%,相比 LFEBD的结果,p=30 图5误检率与故障概率的关系 时至少高出7%,p=10时至少高出13%。从图3可以看出,当网 络密度ρ≥20时,误判率低于2%,在密度p≥40P≥0.2时,基 250 本可以达到零,P=30时与 LFEBD算法的误判率相当,p=10时 总体上比 LFEBD算法的低 200 1.00 00 .95 :串 0.85 50100150200250300 30.80 图6p=30、P=0.2时的一个仿真结果 - e density 30 of lFERD 0.75 --0- density 10 of LFEBD 300 0.7 0.10 0.15 Sensor fault probability 图2无事件发生时检测正确度与故障概率的关系 0.06 0.05 --e--density 10 of LFEBD 300 0.03 0.02 图7故障节点数据服从N(50,52)时的一个仿真结果 0.01 图6给出了p=30、p=0.2时一个仿真实验的快照。图中椭 0.15 0.20 圆圈内为事件区域,小圆点代表正常节点,大圆点代表实际的 Sensor fault probability 事件边界节点,星号代表实际的故障节点,带圆圈的点为识别 图3无事件发生时误判率与故障概率的关系 的故障节点,带三角号的点为检测出的边界节点。从图中可以 34事件边界检测仿真结果 看出,故障节点识别时发生错误的节点主要分布在事件边界附 图4和图5分别给出了事件边界检测中,在不同的网络密度近,进而影响到边界节点的检测。图7给出了故障节点的数据 下,拟合度和误检率与故障概率p的关系的仿真计算结果,同时服从N(50,5)时仿真实验的快照,可以看出此类错误出现得 用虚线给出了 LFEBD中ρ=30吋效果最好的一种边界检测算法很少。另外从两图还可以看出,检测出的事件边界节点确实处 的仿真结果曲线。从图4可以看出,在p≤0.2时,本文的算法的拟于事件边界附近,因此本文算法的拟合度和误检率完全可以满 合度要高出很多,在p=0.05时,高出17%。但图5表明本文算法的对事件边界检测的要求,进一步验证了本文算法的有效性。 322009,45(17) Computer Engineering and Applications计算机工程与应用 4算法分析 networks: A survey[J]. Computer Networks, 2002, 38(4): 393-422 本文的故障节点识别阶段中,节点只需与邻节点交换一次2 Arampatzis 1, geros, Manesis S. A survey of applications of wire- 传感数据,边界检测时只接收邻节点的故障报告。 less sensors and wireless sensor networks s[C/Proe of 2005 IEEE 因此从通信量的角度看,本文算法的通信量较 LFEBD算法 International Symposium on Intelligent Control and 13th Mediter 少很多,又因为WSN主要的能量消耗在数据通信方面,所以本文 ranean Conference on Control and Automation. Limassol. 2005 719-724 算法减少了能量消耗。从计算的复杂度角度看,在故障节点识别 [3] Chessa S, Santi P Comparison based system level fault diagnosis in 阶段,本文的计算复杂度比 LFEBD的复杂度低,边界检测阶段本 Ad hoc networks[ C)/Proc of IEEE 20th Symp on Reliable Dis- 文算法的计算复杂度更是低了很多,且不需要节点的位置信息。 tributed Systems( SRDS ).New Orleans: IEEE Press, 2001: 257-266 综合以上两方面的分析,还可以得出本文算法执行时间也141 Krishnamachari b, Iyengar s distributed bavesian algorithms for fault 会比 LFEBD的短,因此,本文的算法以较小的通信量、计算复 tolerant event region detection in wireless sensor networkS[JIEEE 杂度、时间延迟达到了更好的检测效果。 Transactions on Computers, 2004, 53(3): 241-250 [5 Chintalapudi KK, Govindan R Localized edge detection in sensor 5结束语 fields[J].Ad Hoc Networks, 2003, 1(2-3): 273-291 由于无线传感器网络中故障节点的存在会影响事件监测6DigM, Chen D. Xing K, et al. Localized fault-tolerant event bound 的准确性,因此提出了分布式的容错事件边界检测算法,仅需 ry detection in sensor networks( CV/Proc of IEEE INFOCOM 2005 节点间进行一次传感数据的交换和接收邻节点的故障报告,通 2005:902-913 信量小,计算复杂度低,计算量小,能耗低,执行时间短,且不需 [7 Li Ci-Rong, Liang Chiu-Kuo A fault-tolerant event boundary de tection algorithm in sensor networks Cp/Proc of International Con 要节点的位置信息。仿真结果表明算法可以获得高的检测正确 ference, ICoin 2007 Revised Selected Papers, 2008: 406-414 率和低的错误率。 [8]曹冬磊,曹建农,金蓓弘.一种无线传感器网络中事件区域检测的容 错算法计算机学报,2007,30(10):1770-1776. 参考文献: 9]高建良,徐勇军,李晓维基于加权中值的分布式传感器网络故障检 [1] Akyildiz I F, Su W, Sankarasubramaniam Y, et al. Wireless sens 测J软件学报,2007,18(5):1208-1217 (上接27页) 些理论方面的加强,设计更为灵活的中值滤波算法,进一步改 900 善噪声抑制能力和边缘保持能力之间的矛盾 800 700 参考文献 After Adding noises [1 Gallagher N C, Wise G L A theoretical analysis of the properties Standard median filter Adaptive Median Filter of median filters[J. IEEE Trans Acoust, Speech, Signal Processing 400 Center Weighted Median Filter e Kmeans Median Filter 1981,ASSP-29:1136-1141 -+Iterated Kmean median filter [2 Hwang H, Haddad R Adaptive median filters: new algorithms and 200 results[J.IEEE Trans on Image Processing, 1995, 4(4):499-502 100 「3]郭琳,尚振宏.一种有效的自适应中值滤波算法肌长春工业大学学 报:自然科学版,2009,29(1):87-90 0.020.040.060.080.100.120.140.160.180.20 Noise Parameter( Gaussian Noise 4] Yin L, Yang R K, Gabbouj M, et al. Weighted median filters: a tuto 图8噪声参数对MSE的影响结果(图源为 Shape图) rial[J.IEEE Transactions on Circuits and Systems II Analog and Digital Signal Processing, 1996, 43(3): 157-192 5结束语 5]金良海,熊才权李德华自适应型中心加权的中值滤波器J华中 设计了K均值中值滤波算法和递归K均值中值滤波算 科技大学学报:自然科学版,2008,36(8):9-12 法。首先使用K均值将数据序列分成两类,将与当前像素点偏6 Burian A, Kuosmanen P Tuning the smoothness of the recursive me 离比较远的一类数据丢弃,然后将剩下这类数据的中值作为输 dian filter[J].IEEE Transactions on Signal Processing, 2002, 50(7) 出。为了加快算法的速度,提出了两个阈值7和T,阈值的设 1631-1639 [7 Duda R O, Hart P E, Stork D G Pattern classification(M].2nd ed S.L.: 置可以根据图片的特征或者经验。还对K均值进行了优化处 Wiley, 2000 理,这一优化大大缩减了算法的处理时间通过实践验证,改进s1 Ding chri, He Xiaofeng. K- means clustering via principal component 算法具有较好的噪声抑制能力和边缘保持能力。 analysis[Cy/Proceedings of the Twenty-first International Conference 在以后的工作中,将 Gibbs随机场引进对本文算法进行 on Machine Learning, Alberta, Canada, July 04-08, 2004

...展开详情
试读 5P 论文研究-分布式无线传感器网络容错事件边界检测.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    img
    • 至尊王者

      成功上传501个资源即可获取

    关注 私信 TA的资源

    上传资源赚积分,得勋章
    最新推荐
    论文研究-分布式无线传感器网络容错事件边界检测.pdf 9积分/C币 立即下载
    1/5
    论文研究-分布式无线传感器网络容错事件边界检测.pdf第1页
    论文研究-分布式无线传感器网络容错事件边界检测.pdf第2页

    试读已结束,剩余3页未读...

    9积分/C币 立即下载 >