張繼成，黃向黨，羊秋玲

（1.長江大學工程技術(shù)學院，湖北荊州434020；2.海南大學信息科學技術(shù)學院，海南海口570228）

節(jié)點信息重要程度耦合能耗聯(lián)合判斷機制的WSN關(guān)鍵點裁決算法

張繼成1，黃向黨2，羊秋玲2

（1.長江大學工程技術(shù)學院，湖北荊州434020；2.海南大學信息科學技術(shù)學院，海南?？?70228）

針對現(xiàn)有的無線傳感網(wǎng)絡(luò)的關(guān)鍵點裁決過程中指標判定單一，判斷過程復雜，難以改善區(qū)域內(nèi)數(shù)據(jù)傳輸和匯聚性能的不足，提出節(jié)點信息重要程度耦合能耗聯(lián)合判斷機制的WSN關(guān)鍵點裁決算法。利用無線傳感節(jié)點之間的層次關(guān)系，通過節(jié)點信息重要程度實現(xiàn)對節(jié)點與鄰居節(jié)點的信息交互，獲取該節(jié)點信息對整個網(wǎng)絡(luò)關(guān)鍵程度的估計計算，并得到數(shù)字特征值；隨后根據(jù)當前節(jié)點的能耗水平及節(jié)點與下層節(jié)點之間的關(guān)聯(lián)，設(shè)計了能耗聯(lián)合判斷機制，結(jié)合數(shù)字特征值及節(jié)點發(fā)送數(shù)據(jù)的能耗增加量，最終獲取關(guān)鍵點裁決因子，通過排序?qū)崿F(xiàn)了傳感網(wǎng)內(nèi)關(guān)鍵點的準確判斷。仿真實驗表明，與當前WSN關(guān)鍵點裁決算法相比，該算法挖掘了更多的裁決關(guān)鍵點數(shù)量，降低了對網(wǎng)絡(luò)運行的性能影響，其網(wǎng)絡(luò)擁塞發(fā)生時間更低，網(wǎng)絡(luò)數(shù)據(jù)匯聚帶寬總利用率與穩(wěn)定運行時間更高。

無線傳感網(wǎng)絡(luò)；關(guān)鍵點裁決；節(jié)點信息重要程度；數(shù)字特征值；能耗聯(lián)合判斷機制；裁決因子

0　引言

隨著無線傳感技術(shù)的不斷發(fā)展，無線傳感網(wǎng)廣泛地運用于工業(yè)生產(chǎn)、環(huán)境監(jiān)控、應急管理等領(lǐng)域，發(fā)揮了良好的社會及經(jīng)濟效益[1]。然而，無線傳感網(wǎng)技術(shù)也存在很多的局限性，特別是因節(jié)點能量受限或因環(huán)境惡劣而導致節(jié)點失效時，整個網(wǎng)絡(luò)的運行質(zhì)量會受到很大的影響[2]。為降低這種現(xiàn)象的發(fā)生，通過一定的算法和檢測技術(shù)對無線傳感網(wǎng)中關(guān)鍵性節(jié)點進行判斷裁決，并且對這些節(jié)點進行重點保障，能夠有效地提升網(wǎng)絡(luò)的運行質(zhì)量，降低網(wǎng)絡(luò)因節(jié)點失效而出現(xiàn)運行不暢的現(xiàn)象[3-4]。

對此，研究者提出了很多基于能量調(diào)控機制的WSN網(wǎng)絡(luò)關(guān)鍵點裁決算法，常用的指標有精密程度與度量連通度等裁決指標，在網(wǎng)絡(luò)性能良好時能夠有效地對關(guān)鍵點進行裁決。如文獻[5]提出了一種基于聚類思想的中心評估裁決算法，通過對網(wǎng)絡(luò)中節(jié)點的信息收發(fā)性能及功率裁決，實現(xiàn)了對網(wǎng)絡(luò)關(guān)鍵點的初步裁決，其精度達到了很高的水平。但是，該算法由于沒有考慮到節(jié)點能量受限情況，在網(wǎng)絡(luò)節(jié)點收發(fā)強度較大時，其裁決收斂性能較差，容易導致節(jié)點失效。文獻[6]提出了一種基于等級質(zhì)量遞歸的節(jié)點裁決機制，通過對網(wǎng)絡(luò)中全部節(jié)點建立等級信息表，優(yōu)先保障等級質(zhì)量較高的節(jié)點，實現(xiàn)了對關(guān)鍵點的迅速裁決，裁決的時間成本很低。然而引入周期輪詢機制后，由于需要按周期對網(wǎng)絡(luò)中全部節(jié)點進行輪詢，并對先前輪詢的結(jié)果進行更新，當網(wǎng)絡(luò)節(jié)點采集頻率較高時，裁決的精確度也會隨之降低。楊國寧等提出了一種基于能量閾值控制的WSN關(guān)鍵點裁決算法[7]，通過網(wǎng)絡(luò)中節(jié)點的能量剩余消耗周期來評估其關(guān)鍵，對于選取的節(jié)點而言，能夠高效地將該節(jié)點從節(jié)點集合中選取出來。但是，由于單純采取能量閾值的機制對節(jié)點能量進行評估，容易將一些休眠節(jié)點作為關(guān)鍵點加入需要維護的關(guān)鍵集合中，形成大量的誤判節(jié)點，增加了網(wǎng)絡(luò)的維護開支。

為解決上述難題，考慮到單純使用一種指標進行裁決將存在較大的弊端，本文提出了基于節(jié)點信息重要程度及節(jié)點能耗聯(lián)合判斷機制的WSN關(guān)鍵點裁決算法，通過綜合考慮當前節(jié)點的能耗水平及節(jié)點與節(jié)點信息之間的影響程度，得到關(guān)鍵點的詳細數(shù)字特征，并綜合能耗增加因素進行關(guān)鍵點裁決，從而實現(xiàn)了對網(wǎng)絡(luò)中關(guān)鍵點的判定。最后通過NS2仿真平臺對本文算法進行仿真實驗。

1　網(wǎng)絡(luò)拓撲結(jié)構(gòu)模型及能量傳輸模型

由于WSN網(wǎng)絡(luò)節(jié)點之間的通信采用無線射頻信號進行信息傳輸及數(shù)據(jù)傳輸，因此，對于某個節(jié)點而言，其通信范圍內(nèi)能影響的節(jié)點數(shù)目越大，則其在網(wǎng)絡(luò)中的重要程度也就越高。此外，由于WSN網(wǎng)絡(luò)節(jié)點屬于一次性部署，一旦節(jié)點能量耗盡，則不但自身失效，同時與之相關(guān)的節(jié)點也都會受到很大影響[8]?，F(xiàn)有基于單一重要程度裁決的算法中僅僅考慮自身能量的限制因素，當節(jié)點性能受限時，容易導致裁決缺失的現(xiàn)象發(fā)生，因此需要綜合能量及其他節(jié)點信息的情況實現(xiàn)關(guān)鍵點的裁決[9]。

1.1網(wǎng)絡(luò)拓撲結(jié)構(gòu)模型

由于無線傳感網(wǎng)均采用大規(guī)模節(jié)點部署方式進行傳感數(shù)據(jù)的采集、匯聚、上傳，最終傳輸?shù)絪ink節(jié)點中進行數(shù)據(jù)處理，其中除了sink節(jié)點外，其他節(jié)點的能量均受限制；網(wǎng)絡(luò)節(jié)點按照sink節(jié)點中保存的路由表跳數(shù)進行層次劃分，傳感數(shù)據(jù)通過各層節(jié)點的匯聚，實現(xiàn)傳感數(shù)據(jù)的分層匯聚[10]，如圖1所示。

圖1　傳感數(shù)據(jù)分層匯聚圖

為方便研究，本文做如下的模型假設(shè)：

（1）除第一層傳感節(jié)點外，其余傳感節(jié)點均需要通過其他節(jié)點的匯聚實現(xiàn)數(shù)據(jù)的傳輸，且各個傳感節(jié)點在不同的時間內(nèi)，對周圍環(huán)境數(shù)據(jù)的采集頻率、強度、功率均有所不同；

（2）sink節(jié)點除了可以將全部的傳感數(shù)據(jù)匯聚到自身緩存中之外，還可以保存任意一個傳感節(jié)點詳細的坐標信息；

（3）每一個層次的傳感節(jié)點在進行數(shù)據(jù)匯聚過程中不具備獨立性，當前某個傳感節(jié)點一旦因節(jié)點能量耗盡而難以正常工作時，對該節(jié)點所處層次的上下各層節(jié)點的數(shù)據(jù)匯聚均有顯著的影響。

1.2能量傳輸模型

由于無線傳感網(wǎng)的傳感節(jié)點是通過無線射頻信號方式進行數(shù)據(jù)傳輸，因此其能量的消耗主要用于數(shù)據(jù)的接收和發(fā)送[11]。本文采用的能量模型為簡單收發(fā)模型，對于第i層傳感節(jié)點而言，發(fā)送數(shù)據(jù)所消耗的能量大小Ei(k)為：

式中：Pnest為第i-1層中負責匯聚的節(jié)點在當前時刻接收數(shù)據(jù)的功率；Psend為第i層傳感節(jié)點在當前時刻發(fā)送數(shù)據(jù)時的功率；R為第i層傳感節(jié)點的最大通信半徑；k為該時刻發(fā)送數(shù)據(jù)的節(jié)點發(fā)射的數(shù)據(jù)總量，單位為bit。

則第i-1層中負責匯聚的節(jié)點在當前時刻接收數(shù)據(jù)消耗的能量Ei(k,i-1)為：

從模型（1）和模型（2）中可知，基于分層結(jié)構(gòu)的WSN網(wǎng)絡(luò)在進行數(shù)據(jù)匯聚時，發(fā)射節(jié)點的能量消耗與接收節(jié)點的能量消耗均呈現(xiàn)一定的三次方關(guān)系；因傳感節(jié)點的射頻信號在空間中以球面?zhèn)鞑バ问竭M行傳播，信號的衰減也呈現(xiàn)三次方關(guān)系。對于發(fā)射節(jié)點而言其能量的消耗還與其負責發(fā)送的數(shù)據(jù)量有關(guān)，數(shù)據(jù)量越大消耗的能量也就越大。此外，對于發(fā)射節(jié)點和接收節(jié)點而言，其相應的發(fā)射功率和接收功率與當前發(fā)送的數(shù)據(jù)特別是網(wǎng)絡(luò)控制信息及寫入緩存的數(shù)據(jù)信息等有密切的關(guān)系。因此，在實際中可以通過一定的能量處理機制，對節(jié)點在收發(fā)信息時的能量進行調(diào)整，以便降低節(jié)點在收發(fā)信號時的功率水平，從而達到降低節(jié)點能耗的目的。

2　本文WSN關(guān)鍵點裁決算法設(shè)計

根據(jù)前面提及的網(wǎng)絡(luò)拓撲結(jié)構(gòu)模型及能量傳輸模型，本文提出了一種基于區(qū)域數(shù)據(jù)及能耗判斷機制的WSN關(guān)鍵點裁決算法（Point Decision Algorithm based on Regional Data and Energy Consumption，RDEC算法），整個算法通過節(jié)點信息及能耗判斷，綜合得出節(jié)點相對于整個網(wǎng)絡(luò)的關(guān)鍵程度，從而實現(xiàn)對關(guān)鍵點的精確裁決，整個算法過程由節(jié)點信息重要程度判斷、能耗程度判斷、關(guān)鍵點裁決三個部分構(gòu)成，如圖2所示。

圖2　算法流程圖

2.1節(jié)點信息重要程度判斷

在判斷某個關(guān)鍵點對于網(wǎng)絡(luò)是否重要時，該節(jié)點與周圍節(jié)點的信息交互情況是非常重要的決策因素[12]。對于某個節(jié)點而言，其節(jié)點信息的重要程度主要由三個因素決定：一級連通程度，即當前節(jié)點與周圍節(jié)點的連接程度；二級連通程度，即周圍節(jié)點與其他節(jié)點的連通程度；信息交互度，即當前節(jié)點與其他節(jié)點在除數(shù)據(jù)匯聚之外尚有其他信息交互時的信息交互程度。通過綜合考慮上述三種因素，得到節(jié)點信息重要程度的數(shù)字特征，即節(jié)點信息裁決因子η。

對于任意無線傳感網(wǎng)拓撲結(jié)構(gòu)圖G=，其中V為圖G的節(jié)點集合，E為圖G的邊集合。顯然，對于任意節(jié)點i而言，其連通度數(shù)為與之發(fā)生信息交互關(guān)系的節(jié)點個數(shù)，同時也是該節(jié)點的一級連通程度，設(shè)該個數(shù)為ηi，則ηi滿足如下的關(guān)系：

其中v為V中任意一個節(jié)點。

此外vij滿足如下的關(guān)系：

當僅當節(jié)點i與節(jié)點j間存在無向邊時，模型（4）成立。

通過ηi可知，與節(jié)點i發(fā)生信息交互的節(jié)點個數(shù)越多，節(jié)點i的重要程度也就越高；但是，由于該項指標無法準確反映與節(jié)點i相鄰的其他節(jié)點的狀況，而相鄰節(jié)點的運行狀況對節(jié)點i也會有重要影響，因此單獨的ηi無法準確地對節(jié)點重要程度進行評估，需要綜合節(jié)點i的相鄰情況進行修正。

設(shè)ηij為節(jié)點i相鄰的全部節(jié)點j的度數(shù)，并設(shè)ηj為j的一級連通程度，則：

綜合模型（3）與模型（5），可得節(jié)點i的總連通程度μi滿足如下的表達式：

顱腦損傷具有多發(fā)性、嚴重性、死亡率及致殘率高等特點，且重型顱腦損傷患者中有55.76%～76.4%的患者會出現(xiàn)血糖升高，導致腦組織的無氧代謝升高產(chǎn)生大量乳酸和H+而加重腦組織損傷，增加腦缺血梗死范圍[4]。另外，營養(yǎng)不良也是顱腦損傷患者常見并發(fā)癥，導致患者無法通過足夠的能量代謝來促進機體恢復，影響脫機率。因此對于顱腦損傷合并糖尿病昏迷患者要采取有效的措施改善其營養(yǎng)狀況和血糖情況。

節(jié)點i的總連通程度反映了節(jié)點i與周圍節(jié)點的聯(lián)系情況，特別是在一級連通程度基礎(chǔ)上修正后的二級連通程度，不僅能反映節(jié)點i將數(shù)據(jù)匯聚到其他節(jié)點的情況，而且能夠體現(xiàn)其他與節(jié)點i相鄰的節(jié)點進行數(shù)據(jù)匯聚的情況。從圖論[13]角度而言，模型（6）僅僅反映了各個節(jié)點之間的邊集合關(guān)系，難以反映節(jié)點間的緊密程度，故本文定義節(jié)點i的緊密系數(shù)ξi為：

式中：ηi的定義同模型（3）；Ei_max表示節(jié)點i所屬層次的節(jié)點最大的一級連通程度，Ei_max可以通過模型（3）的定義，不斷遞歸第i層節(jié)點而計算得到，當節(jié)點i的層次已定時，Ei_max為一個常數(shù)。顯然ξi的數(shù)值越小，則節(jié)點i與相鄰節(jié)點的緊密程度更高。

綜合模型（3）和模型（7）可形成同時反映節(jié)點i連通程度及緊密程度的數(shù)字特征值ωi：

在模型（8）中，緊密系數(shù)ξi越大，則ωi越大，節(jié)點的總連通程度μi越大，則ωi也就越大；且ξi與μi呈現(xiàn)明顯的正相關(guān)關(guān)系。通過模型（8）可知，某個節(jié)點i對整個網(wǎng)絡(luò)的重要程度，通過數(shù)字特征值ωi不但可以裁決出連通程度很高的關(guān)鍵點，還可以將本身連通程度不高，但緊密程度非常高的關(guān)鍵點裁決出來，判斷過程中不需要對網(wǎng)絡(luò)整體進行評估，僅需要對節(jié)點相鄰的區(qū)域內(nèi)的全部節(jié)點進行評估，即可得到該關(guān)鍵點的數(shù)字特征，在進行網(wǎng)絡(luò)保障過程中，選取數(shù)字特征值較大的節(jié)點進行重點保障，即可以達到增強網(wǎng)絡(luò)數(shù)據(jù)傳輸性能的目的。

2.2能耗聯(lián)合判斷機制

由于整個網(wǎng)絡(luò)中傳感節(jié)點進行數(shù)據(jù)匯聚采用層層匯聚的方式，當某個節(jié)點i因能量消耗殆盡而導致無法上傳數(shù)據(jù)時，其他需要通過節(jié)點i進行數(shù)據(jù)匯聚的節(jié)點就需要根據(jù)2.1節(jié)所示的節(jié)點信息重要程度判斷的方式，通過再次計算相應的數(shù)字特征值獲取關(guān)鍵點。與采用原有節(jié)點i進行匯聚相比，在選取過程中，獲取的新數(shù)據(jù)匯聚路徑的能耗會增加，顯然該增加部分越大，說明原節(jié)點i的重要程度越高。

當節(jié)點i暫時無法正常工作時，其下級的各個節(jié)點就需要重新在節(jié)點i對應的層次中重新尋找其他節(jié)點作為替代，以便進行數(shù)據(jù)匯聚傳輸。因此，本文將節(jié)點i作為匯聚節(jié)點，其需要被替代的概率Pr(i)定義為：

式中：ηi的定義同模型（3）；Elast(i)表示節(jié)點i的剩余能量大??；Eall(i)表示節(jié)點i在初始時刻的總能量大小。

若節(jié)點i的剩余能量越大，且連通程度越小，則i繼續(xù)承擔數(shù)據(jù)匯聚功能的可能性也就越大。設(shè)節(jié)點j為節(jié)點i的下層節(jié)點，據(jù)模型（9）可知，節(jié)點j需要重新選擇匯聚節(jié)點的概率為：

設(shè)節(jié)點i在t時刻失效，則當前時刻其下層節(jié)點傳輸l比特數(shù)據(jù)消耗的能量E(l,t)為：

根據(jù)模型（11）可知，當節(jié)點i下一時刻（即t+Δt時刻）失效時，其下層節(jié)點在發(fā)送l比特數(shù)據(jù)時，額外需要增加的能量大小ΔE(l,t)滿足：

將上述模型簡化為：

模型（13）反映了當某個匯聚節(jié)點i失效后，該節(jié)點在能耗上對網(wǎng)絡(luò)的重要程度，該數(shù)值越大，則說明節(jié)點i的重要程度越高。

2.3關(guān)鍵點裁決

綜合評估某個節(jié)點的重要程度時，僅僅以某一方面的重要程度作為裁決該節(jié)點是否隸屬于關(guān)鍵節(jié)點會存在較大的不足。因此，需要結(jié)合節(jié)點信息重要程度及能耗重要程度進行綜合判斷。本文算法在關(guān)鍵點裁決的過程中，綜合上述兩個因素，給出的關(guān)鍵點裁決因子f(i)為：

其中，m1+m2=1，m1和f(i)為裁決因子，介于0～1之間。

將模型（8）和模型（12）代入模型（14），則關(guān)鍵點裁決因子為：

在進行關(guān)鍵點裁決時，可以根據(jù)關(guān)鍵點裁決因子f(i)的大小進行升序排序，數(shù)值越大者，其關(guān)鍵程度越高，需要給予重點保障。

本文算法流程如圖3所示，步驟如下：

Step1：首先進行網(wǎng)絡(luò)初始化，根據(jù)距離sink的跳數(shù)多少，從大到小對節(jié)點進行層次排序，相同大小跳數(shù)的節(jié)點歸入同一層。進行完層次排序之后，各個節(jié)點將自身路由信息發(fā)送至sink節(jié)點進行信息備份；

Step2：每個節(jié)點依次按照模型（3）～（6），計算自身的總連通程度，并結(jié)合模型（7）計算得到的數(shù)字特征值；

Step3：得到數(shù)字特征后，每個節(jié)點依次對下級的各個節(jié)點進行統(tǒng)計匯總，按照模型（9）～（13）計算得到自身的能耗重要程度；

Step4：通過Step3，Step4得到相關(guān)參數(shù)，代入模型（15）進行關(guān)鍵點裁決因子計算；

Step5：再對各個節(jié)點的關(guān)鍵點裁決因子進行排序，并將結(jié)果發(fā)送到sink節(jié)點中進行保存，數(shù)值越大的節(jié)點其重要程度越高，網(wǎng)絡(luò)維護時，將重點保障這些節(jié)點的穩(wěn)定可靠運行。

圖3　算法流程圖

3　仿真實驗

由于無線傳感網(wǎng)中各個節(jié)點是采取分層結(jié)構(gòu)進行組織的，上一層節(jié)點均承擔下一層節(jié)點的數(shù)據(jù)匯聚任務(wù)。其中各個層次的關(guān)鍵點需要承擔更多的數(shù)據(jù)匯聚任務(wù)，當這些關(guān)鍵點因故障無法正常工作時，整個網(wǎng)絡(luò)的運轉(zhuǎn)也將受到極大的影響。因此本文仿真實驗主要從關(guān)鍵點裁決數(shù)量、網(wǎng)絡(luò)擁塞發(fā)生時間、網(wǎng)絡(luò)數(shù)據(jù)匯聚帶寬總利用率、網(wǎng)絡(luò)穩(wěn)定運行時間四個指標出發(fā)，同當前廣泛用到的ENCAST算法[14]、CNDBE算法[15]進行對比，以便驗證本文算法的優(yōu)勢。本文仿真采取NS2仿真平臺，詳細仿真參數(shù)見表1。

3.1關(guān)鍵點裁決數(shù)量

在不同網(wǎng)絡(luò)節(jié)點分層數(shù)量情況下，三種算法的關(guān)鍵點裁決數(shù)量測試結(jié)果，如圖4所示。由圖4可知，隨著網(wǎng)絡(luò)節(jié)點最大分層數(shù)量的不斷增加，網(wǎng)絡(luò)結(jié)構(gòu)逐漸復雜，本文算法在裁決關(guān)鍵點的數(shù)量上始終優(yōu)于ENCAST算法、CNDBE算法。這是因為傳感網(wǎng)絡(luò)關(guān)鍵點的數(shù)量與結(jié)構(gòu)復雜程度密切相關(guān)，隨著網(wǎng)絡(luò)結(jié)構(gòu)的逐漸復雜，網(wǎng)絡(luò)中關(guān)鍵點的數(shù)量也逐漸增加。而本文算法采取基于節(jié)點信息重要程度及節(jié)點能耗聯(lián)合判斷機制，因此能夠有效地從網(wǎng)絡(luò)中篩選出關(guān)鍵點，隨著網(wǎng)絡(luò)結(jié)構(gòu)逐漸復雜，能夠篩選出的關(guān)鍵點數(shù)量也就越來越多。而ENCAST算法、CNDBE算法僅僅從單一方面進行篩選，對于其他不同類型關(guān)鍵程度的節(jié)點容易遺漏。

表1　仿真參數(shù)表

圖4　三種算法的關(guān)鍵點裁決數(shù)量

3.2網(wǎng)絡(luò)擁塞發(fā)生時間

在網(wǎng)絡(luò)節(jié)點密度不斷增加的情況下，三種關(guān)鍵點裁決算法的網(wǎng)絡(luò)擁塞發(fā)生時間測試結(jié)果，如圖5所示。由圖5可知，隨著網(wǎng)絡(luò)節(jié)點密度的不斷增加，ENCAST算法、CNDBE算法的網(wǎng)絡(luò)擁塞發(fā)生時間也不斷增加，而本文算法的網(wǎng)絡(luò)擁塞時間處于相對穩(wěn)定的狀態(tài)。這是因為隨著網(wǎng)絡(luò)節(jié)點密度的增加，傳感節(jié)點采集的數(shù)據(jù)量也呈現(xiàn)出不斷增加的態(tài)勢，使得每層節(jié)點向上匯聚的數(shù)據(jù)量也不斷增加。而本文算法是綜合信息重要程度及節(jié)點能耗兩個方面同時對承擔匯聚功能的關(guān)鍵點進行裁決，在進行網(wǎng)絡(luò)維護時，能夠根據(jù)裁決因子的高低對最容易發(fā)生故障的關(guān)鍵點進行重點維護，且能夠裁決出的關(guān)鍵點數(shù)量要高于單一裁決因素時的數(shù)量，因此能夠有效防止承擔匯聚功能的關(guān)鍵點發(fā)生的故障，從而降低了網(wǎng)絡(luò)擁塞發(fā)生的頻率，延緩了網(wǎng)絡(luò)擁塞發(fā)生時間。

圖5　三種算法的網(wǎng)絡(luò)擁塞發(fā)生時間測試

3.3網(wǎng)絡(luò)數(shù)據(jù)匯聚帶寬總利用率

在網(wǎng)絡(luò)節(jié)點分層數(shù)量不斷增加的情況下，本文算法、ENCAST算法、CNDBE算法的網(wǎng)絡(luò)數(shù)據(jù)匯聚帶寬總利用率測試結(jié)果，如圖6所示。由圖6可知，隨著網(wǎng)絡(luò)節(jié)點分層數(shù)量的不斷增加，本文算法的網(wǎng)絡(luò)數(shù)據(jù)匯聚帶寬總利用率始終優(yōu)于ENCAST算法、CNDBE算法。這是因為無線傳感網(wǎng)的匯聚帶寬是由各個關(guān)鍵點匯聚的總帶寬決定的，當關(guān)鍵點上出現(xiàn)擁塞現(xiàn)象導致網(wǎng)絡(luò)數(shù)據(jù)匯聚受阻時，網(wǎng)絡(luò)數(shù)據(jù)匯聚帶寬總利用率也會不斷下降。而本文算法從信息重要程度及節(jié)點能耗兩個方面入手，通過提高對關(guān)鍵點的裁決程度，在裁決出承擔匯聚功能的各個關(guān)鍵點的同時，對這些節(jié)點進行排序，從而做到重點保障數(shù)據(jù)匯聚節(jié)點的正常匯聚，最終降低了網(wǎng)絡(luò)數(shù)據(jù)匯聚帶寬總利用率的減緩程度。而ENCAST算法、CNDBE算法由于無法高效裁決出關(guān)鍵點，當這些關(guān)鍵點因故障不能發(fā)揮作用時，因其未能檢測到這些關(guān)鍵點而無法按關(guān)鍵點的保障標準對這些節(jié)點進行保障，導致這些節(jié)點在發(fā)生故障后無法正常的進行修復，從而導致網(wǎng)絡(luò)數(shù)據(jù)匯聚受阻，使其帶寬總利用率下降幅度也隨之擴大。

圖6　三種算法的網(wǎng)絡(luò)數(shù)據(jù)匯聚帶寬總利用率測試結(jié)果

3.4網(wǎng)絡(luò)穩(wěn)定運行時間

在網(wǎng)絡(luò)節(jié)點密度不斷增加的情況下，本文算法與ENCAST算法、CNDBE算法的網(wǎng)絡(luò)穩(wěn)定運行時間測試結(jié)果，如圖7所示。由圖7可知，隨著網(wǎng)絡(luò)節(jié)點密度的不斷增加，ENCAST算法、CNDBE算法對應的網(wǎng)絡(luò)穩(wěn)定運行時間呈現(xiàn)不斷下降的趨勢，而本文算法對應的網(wǎng)絡(luò)穩(wěn)定運行時間始終處于基本穩(wěn)定不變的態(tài)勢。這是因為無線傳感網(wǎng)主要承擔數(shù)據(jù)采集和匯聚工作，特別是當數(shù)據(jù)匯聚過程受阻時，網(wǎng)絡(luò)處于擁塞狀態(tài)，從而導致網(wǎng)絡(luò)穩(wěn)定運行時間下降。本文算法由于能夠?qū)⒊袚鷧R聚工作的各個關(guān)鍵點裁決出來，且裁決出的關(guān)鍵點數(shù)量要高于對照組算法（見圖4），因此，本文算法能夠盡可能多的將關(guān)鍵點裁決出來并保障其運行，當網(wǎng)絡(luò)出現(xiàn)擁塞現(xiàn)象時，能夠更多地實現(xiàn)對故障點的覆蓋，因此大大降低了因擁塞等發(fā)生而導致的網(wǎng)絡(luò)難以穩(wěn)定運行的情況。而ENCAST算法、CNDBE算法是單純從某個方面對網(wǎng)絡(luò)中關(guān)鍵點進行裁決，導致關(guān)鍵點裁決出的數(shù)量過少，當剩余未被裁決出來的關(guān)鍵點因故障而無法工作時，由于sink信息表中沒有這些關(guān)鍵點的信息，因而難以對這些關(guān)鍵點進行保障，從而導致網(wǎng)絡(luò)因故障因素影響到網(wǎng)絡(luò)穩(wěn)定運行時間，出現(xiàn)時間不斷下降的現(xiàn)象。

圖7　三種算法的網(wǎng)絡(luò)穩(wěn)定運行時間測試結(jié)果

4　結(jié)語

本文提出了一種基于節(jié)點信息重要程度及節(jié)點能耗聯(lián)合判斷機制的WSN關(guān)鍵點裁決算法，主要通過綜合評估節(jié)點信息重要程度及節(jié)點能耗來判斷某個節(jié)點對整個網(wǎng)絡(luò)的關(guān)鍵程度，當網(wǎng)絡(luò)進行初始化之后，對于任意一個網(wǎng)絡(luò)節(jié)點，均根據(jù)其與周圍節(jié)點的信息交互程度及其他下層節(jié)點在該節(jié)點出現(xiàn)故障而不能工作時的能量開銷增加值來進行裁決因子的計算，且通過排序?qū)ζ鋽?shù)值最大值的節(jié)點進行重點保障，從而實現(xiàn)對網(wǎng)絡(luò)中關(guān)鍵點盡量多的全覆蓋。仿真實驗表明，與常用的ENCAST算法、CNDBE算法相比，本文提出的算法能夠在同一傳感網(wǎng)絡(luò)中盡量多的挖掘出關(guān)鍵點，且對網(wǎng)絡(luò)各項性能指標有明顯的改善，具有較好的實踐價值。

注：本文通訊作者為黃向黨。

[1]JENKINS R，BURTON A M.A survey of 100%energy accuracy in WSN[J].Autonomous robots，2013，451（31）：435-441.

[2]CHEN D，Lü L，SHANG M S，et al.Identifying influential nodes in complex networks[J].Fuel&energy abstracts，2012，391（4）：1777-1787.

[3]RUSEK F，PERSSON D，LAU B K.Scaling up WSN：opportunities and challenges with very large arrays[J].IEEE signal process magazine，2012，30（1）：40-46.

[4]ZHANG X，ZHU J，WANG Q，et al.Identifying influential nodesincomplexnetworkswithcommunitystructure[J]. Knowledge-based systems，2013，42：74-84.

[5]WANG J S，WU X P，YAN B，et al.Improved method of node importance evaluation based on node contraction in complex networks[J].Proscenia engineering，2011，15（8）：1600-1604.

[6]GAO C，LAN X，ZHANG X G，et al.A bio-inspired methodology of identifying influential nodes in complex networks[J].PloS One，2013，8（6）：1-11.

[7]楊國寧，馮秀芳，樊劉娟.一種基于最優(yōu)融合集的多傳感器數(shù)據(jù)融合算法[J].軟件學報，2012，23（2）：134-140.

[8]鄔厚民.無線傳感網(wǎng)絡(luò)中能量和距離改良的LEACH分簇算法[J].中國測試，2012，38（5）：62-66.

[9]WANG L，GENG X.A community-driven hierarchical message transmission scheme in opportunistic networks[J].Smart computing review，2011，1（1）：85-94.

[10]AMMARI H M，DAS S.A study of k-coverage and measures of connectivity in wireless sensor networks[J].IEEE transactions on computers，2010，59（2）：258-267.

[11]CHEN A，KUMAR S，LAI T H.Local barrier coverage in wireless sensor networks[J].IEEE transactions on mobile computing，2010，9（4）：491-504.

[12]方富貴.圖論的算法和應用研究[J].計算機與數(shù)字工程，2012，8（2）：52-57.

[13]劉建國，任卓明.復雜網(wǎng)絡(luò)中節(jié)點重要性排序的研究進展[J].物理學報，2013，62（17）：178-184.

[14]HAO X C，JIA N，LIU B.Multi-path optimizing routing protocol based on predicting congestion for wireless sensor network [J].Journal of electronics&information technology，2011，33（5）：1261-1265.

[15]劉彬，王文吉，李雅倩，等.基于能量因素的無線傳感網(wǎng)絡(luò)關(guān)鍵節(jié)點判定算法[J].電子與信息學報，2014，36（7）：1728-1734.

WSN key point decision algorithm based on node information importance degree and energy consumption joint judgment mechanism

ZHANG Jicheng1，HUANG Xiangdang2，YANG Qiuling2
（1.Yangtze University College of Technology&Engineering，Jingzhou 434020，China；2.College of Information Science and Technology，Hainan University，Haikou 570228，China）

Since the key point decision of the available wireless sensor network(WSN)has unified decision indicator and complex decision process，and it is difficult to improve the insufficient of data transmission and convergence performance in the region，a new WSN key point decision algorithm based on node information important degree and energy consumption joint judgment mechanism is proposed.The hierarchical relationship among the wireless sensor nodes and node information important degree are used to realize the information interaction of current node and neighbor node.The node information is acquired to estimate and calculate the criticality of the whole network，and obtain the numerical character value.According to the energy consumption level of current node and correlation between current node and underlayer node，the energy consumption joint judgment mechanism was designed.In combination with the energy consumption increment of node sending data and numerical character value，the key point decision factor is acquired.The sensor network key point is judged accurately with sorting.The results of simulation experiment show that，in comparison with the available WSN key point decision algorithm，the proposed algorithm mined more key point quantity for decision，reduced the performance influence on network operation and network congestion occurrence time，and improved the whole bandwidth utilization of network data aggregation and stable running time.

wireless sensor network；key point decision；node information important degree；numerical character value；energy consumption joint judgment mechanism；decision factor

TN711-34；TP393

A

1004-373X（2016）21-0015-06

10.16652/j.issn.1004-373x.2016.21.004

2015-12-29

海南省自然科學基金資助項目（614229）

張繼成（1984—），男，河南信陽人，碩士，講師。主要研究領(lǐng)域為高性能計算與無線網(wǎng)絡(luò)。

黃向黨（1977—），男，陜西西安人，碩士，副教授。主要研究領(lǐng)域為無線網(wǎng)絡(luò)、水聲通信。

羊秋玲（1981—），女，海南?？谌?，博士，副教授。研究方向為無線傳感網(wǎng)絡(luò)與VoIP增強機制。