常坤 武風波 張渤 劉海強

摘 要： 有效地使用傳感節(jié)點能量，并提高檢測異常事件概率，成為無線傳感網(wǎng)絡(luò)應用研究熱點。為此，提出基于異常事件驅(qū)動的簇結(jié)構(gòu)的檢測算法（AEDCTD）。AEDCTD算法通過異常事件位置建立簇，然后由簇內(nèi)節(jié)點檢測事件。在建立簇時，考慮了節(jié)點對事件的檢測概率及節(jié)點剩余能量，只有當剩余能量大于能量閾值的節(jié)點才可能加入簇。同時，引用動態(tài)能量閾值，平衡能耗。實驗數(shù)據(jù)表明，AEDCTD算法具有較低的漏檢率，同時，AEDCTD算法與CCM和GEP?ADS算法的能耗相比分別降低了近4.1%和5.8%。

關(guān)鍵詞： 無線傳感網(wǎng)； 異常事件； 簇； 節(jié)點能量； 檢測算法； 漏檢率

中圖分類號： TN911?34； TPT393 文獻標識碼： A 文章編號： 1004?373X（2018）20?0037?05

Abstract： Effective use of sensor node energy and improvement of abnormal event detection probability have become hot research spots in wireless sensor network application. Therefore， an algorithm for abnormal event driven cluster topology detection （AEDCTD） is proposed. In the AEDCTD algorithm， the cluster is constructed according to the positions of abnormal events， and events are detected by nodes in the cluster. During cluster construction， the event detection probability and residual energy of nodes are considered， and only the nodes whose residual energy is larger than the energy threshold can join the cluster. The dynamic energy threshold is introduced to balance energy consumption. The experimental results show that in comparison with the CCM and GEP?ADS algorithms， the AEDCTD algorithm has lower missed detection probability， and can save energy consumption of about 4.1% and 5.8% respectively.

Keywords： wireless sensor network； abnormal event； cluster； node energy； detection algorithm； missed detection probability

0 引 言

無線傳感網(wǎng)絡(luò)（Wireless Sensor Networks，WSNs）已在各類應用中廣泛使用[1?3]，如環(huán)境監(jiān)測、健康醫(yī)療、戰(zhàn)場勘察。WSNs通過傳感節(jié)點實時感測環(huán)境數(shù)據(jù)，實現(xiàn)對應用環(huán)境的監(jiān)測。一旦檢測異常事件，就感測環(huán)境數(shù)據(jù)，并將數(shù)據(jù)傳輸?shù)叫潘蓿鐖D1所示。檢測異常事件是WSNs的重要應用之一[4]。一旦發(fā)生異常事件，如火災、污染物泄漏，就希望傳感節(jié)點及時地感測異常事件發(fā)生位置，并向此信息傳遞至信宿。然而，由于外界環(huán)境干擾及傳感節(jié)點自身特性的影響，可能會發(fā)生對異常事件的漏檢情況。其中，傳感節(jié)點自身資源受限，如存儲容量、數(shù)據(jù)處理能力及能量受限，尤其是能量受限。由于WSNs常部署于野外惡劣環(huán)境，給傳感節(jié)點補給能量或更換電池都不具有可操作性[5]。因此，降低傳感節(jié)點能耗，提高節(jié)點的能量使用率，延長對環(huán)境的檢測時間成為WSNs的研究重點。

文獻[6]利用機器學習算法檢測異常事件，并通過K?近鄰算法對傳感節(jié)點進行分簇。文獻[7]引用了下降迭代算法檢測異常事件，并且通過調(diào)整參數(shù)提高檢測概率。然而這些檢測算法并沒有考慮到節(jié)點能量問題。

為此，本文針對異常事件的檢測問題，提出基于異常事件驅(qū)動的簇結(jié)構(gòu)的檢測（Abnormal Event Driven Cluster Topology Detection，AEDCTD） 算法。AEDCTD算法先計算傳感節(jié)點對異常事件的檢測概率，然后通過此概率和節(jié)點剩余能量建立簇，即每個事件建立一個簇，通過此簇負責對異常事件的檢測。

1 GDET?CH算法

圖2所示為能量傳輸模型，其中圖2a）表示發(fā)射機模塊、圖2b）為接收機模塊。傳輸每比特的所消耗的總能量[Ebit]為：

針對特定的事件，選擇一群節(jié)點感測該事件成為無線傳感網(wǎng)絡(luò)研究熱點之一。傳感節(jié)點的核心任務(wù)之一是監(jiān)測、收集重要的突發(fā)事件信息。

AEDCTD算法依據(jù)事件建立能感應該事件的群節(jié)點。建立群節(jié)點主要是根據(jù)節(jié)點與事件的發(fā)生距離，然后通過距離建立事件感測概率，最后依據(jù)概率形成群節(jié)點。

2.1 群節(jié)點

2.2 事件感測概率

假定傳感節(jié)點的感測半徑為[Rs]，并且每個節(jié)點的感測范圍是以節(jié)點位置為中心，以[Rs]為半徑的圓?？紤]到外界環(huán)境干擾，節(jié)點的感測半徑存在誤差。假定感測誤差為[Ru]，則節(jié)點的感測范圍如圖3所示。

2.3 能量因子

GDET?CH算法在選擇簇頭時，充分考慮了節(jié)點剩余能量。當節(jié)點剩余能量[Ere]大于閾值[Eth]時，才可能成為簇頭，而閾值[Eth]的設(shè)定起到關(guān)鍵作用。為此，采用自適應的閾值機制。

首先，引用[ψ=ψ1，ψ2，…，ψm]表示節(jié)點能量的范圍，且[ψ∈0，1]。隨著節(jié)點工作的進行，節(jié)點能量肯定逐漸下降。換而言之，最初，閾值[Eth]可以較高，因為多數(shù)節(jié)點的能量較為充足。但是，經(jīng)過一段時間后，節(jié)點能量肯定下降，如果節(jié)點閾值[Eth]過高，或者不隨進行改變，那多數(shù)節(jié)點的能量肯定低于閾值[Eth]。

最初，引用[E1th]作為閾值。當網(wǎng)格內(nèi)所有節(jié)點已做過簇頭后，再引用[E2th]作為閾值，依次類推。通過這種方式，使得閾值能與網(wǎng)絡(luò)能耗保持一致。

2.4 群形成過程

接下來，AEDCTD算法對矩陣[D1]進行排序，在第一行，按距離從小至大排序。即[σ1?←Sortσ1l]，且[?=1，2，…，k]。同時，引用序值矢量[p1k]表示各個節(jié)點的序值。相應地，排序后的矩陣[D1]表示為[D1]，序值矩陣為[P1]。

簇頭產(chǎn)生過程的偽代碼如圖4所示。先將矩陣[D1]，[P1]和[Qs]初始化，并將矢量[σ1]，[p1]也初始化。其中[Qs]為節(jié)點狀態(tài)矩陣，維數(shù)為[k×p]。

然后，從第一個事件開始，依據(jù)式（10），每個節(jié)點計算離此事件距離，即形成[σ11]，再進行排序。再從第二個事件，重復上述過程，直至所有傳感網(wǎng)絡(luò)均計算了離各事件距離。

接下來，依據(jù)排序后的矩陣[D1]。然后在此矩陣[D1]的每一行找出第一個事件感測概率最大的節(jié)點，并將此節(jié)點納入群內(nèi)。考慮到每個群最多只容納[p]個節(jié)點。而在形成群時，只考慮每個群容納[m]個節(jié)點，且[m≤p]。為此，引用變量[m]，限定群內(nèi)節(jié)點數(shù)。

從第一行開始，[τ]的初值為1，找到剩余能量大于閾值，就將此節(jié)點加入到群，并且[τ]值加1，直到[τ>m]。然后，再從第二行開始，并重復上述過程，直到建立[k]個群。

3 性能仿真

3.1 仿真參數(shù)及性能指標

為了更好地估計GDET?CH算法性能，通過Matlab軟件建立仿真平臺。選擇100 m×100 m的感測區(qū)域，且傳感節(jié)點數(shù)為100。每個節(jié)點的初始能量[E0=50 J]。其他有關(guān)的能量參數(shù)如表1所示。

此外，異常事件發(fā)生率[λ]從[1]～5變化。仿真時間為100 s，每次實驗獨立重復50次，取均值作為最終的實驗數(shù)據(jù)。

此外，利用漏檢率和能耗分析AEDCTD的性能，并與CCM[9]和GEP?ADS[10]算法進行比較。之所以選擇CCM和GEP?ADS作為參照，是因為它們是典型的異常事件檢測算法。

3.2 漏檢率

漏檢率隨異常事件發(fā)生率的變化曲線如圖4所示。從圖4可知，隨著異常事件發(fā)生率[λ]的增加，漏檢率呈上升趨勢。在[λ]從1～3變化區(qū)間，AEDCTD的漏檢率比CCM和GEP?ADS算法分別下降了40%～66.7%和29%～55%。這主要是因為AEDCTD通過事件驅(qū)動建立簇，并依據(jù)事件感測概率和剩余能量判斷節(jié)點是否加入簇，具有好的檢測率。

3.3 能 耗

圖5分析了3個算法的能耗情況。從圖5可知，隨著漏檢率的增加，它們能耗均在下降。當漏檢率一定時，AEDCTD算法的能耗最少。與CCM和GEP?ADS算法相比，AEDCTD算法的能耗分別下降了4.1%和5.8%。這主要因為AEDCTD算法是基于事件驅(qū)動建立簇，降低了通信代價，減少了能耗。

4 結(jié) 語

異常事件檢測是無線傳感網(wǎng)絡(luò)的應用之一。為此，本文提出異常事件驅(qū)動的簇結(jié)構(gòu)的檢測算法AEDCTD。AEDCTD算法以事件發(fā)生位置建立簇。在建立簇時，考慮了傳感節(jié)點的能量及傳感節(jié)點對事件的檢測概率。實驗數(shù)據(jù)表明，提出的AEDCTD算法減少了能耗，并且提高了對異常事件的檢測率。

參考文獻

[1] MURUGANATHAN S D， MA D C F， BHASIN R I， et al. A centralized energy?efficient routing protocol for wireless sensor networks [J]. IEEE communications magazine， 2005， 43（3）： 8?13.

[2] 歸奕紅.無線傳感器網(wǎng)絡(luò)HEDSA數(shù)據(jù)聚合研究[J].計算機工程，2011，37（7）：160?162.

GUI Yihong. Research on HEDSA data aggregation of wireless sensor network [J]. Computer engineering， 2011， 37（7）： 160?162.

[3] 沈艷霞，薛小松.無線傳感器網(wǎng)絡(luò)移動信標節(jié)點路徑優(yōu)化策略[J].傳感器與微系統(tǒng)，2012，31（12）：42?44.

SHEN Yanxia， XUE Xiaosong. Path optimization strategy of WSNs mobile beacon nodes [J]. Transducer and microsystem technologies， 2012， 31（12）： 42?44.

[4] 曹冬磊，曹建農(nóng)，金蓓弘.一種無線傳感器網(wǎng)絡(luò)中事件區(qū)域檢測的容錯算法[J].計算機學報，2007，30（10）：1770?1776.

CAO Donglei， CAO Jiannong， JIN Beihong. A fault?tolerant algorithm for event region detection in wireless sensor networks [J]. Chinese journal of computers， 2007， 30（10）： 1770?1776.

[5] TYAGI S， KUMAR N. A systematic review on clustering and routing techniques based upon LEACH protocol for wireless sensor networks [J]. Journal of network & computer applications， 2013， 36（2）： 623?645.

[6] 肖政宏，陳志剛，李慶華.WSN中基于分布式機器學習的異常檢測仿真研究[J].系統(tǒng)仿真學報，2011，23（1）：181?187.

XIAO Zhenghong， CHEN Zhigang， LI Qinghua. Simulation study of anomaly detection based on distributed machine learning for WSN [J]. Journal of system simulation， 2011， 23（1）： 181?187.

[7] 朱翠濤，瞿毅.基于壓縮感知的稀疏事件檢測[J].中南民族大學學報（自然科學版），2011，30（1）：80?83.

ZHU Cuitao， QU Yi. Sparse event detection based on compressive sensing [J]. Journal of South?Central University for Nationalities （Natural science edition）， 2011， 30（1）： 80?83.

[8] JAVAID N， QURESHI T N， KHAN A H， et al. EDDEEC： enhanced developed distributed energy?efficient clustering for heterogeneous wireless sensor networks [J]. Procedia computer science， 2013， 19： 914?919.

[9] GAO Honglei， CHEN Guolong， GUO Wenzhong. A GEP?based anomaly detection scheme in wireless sensor networks [C]// Proceedings of International Conference on Computational Science and Engineering. Vancouver： IEEE， 2009： 817?822.

[10] SOUSA L D， FRERY A C， NAKAMURA E F， et al. Event detection framework for wireless sensor networks considering data anomaly [C]// Proceedings of IEEE Symposium on Computers and Communications. Cappadocia： IEEE， 2012： 500?507.