WSN网络

WSN网络（精选10篇）

WSN网络 篇1

1 无线传感器网络简介

无线传感器网络WSN (Wireless Sensor Network) 一种由传感器节点构成的网络, 能够实时地监测、感知和采集节点部署区的观察者感兴趣的感知对象的各种信息 (如光强、温度、湿度、噪音和有害气体浓度等物理现象) , 并对些信息进行处理后以无线的方式发送出去, 通过无线网络最终发送给观察者。无线传感器网络在军事侦察、环境监测、医疗护理、智能家居、工业生产控制以及商业等领域有着广阔的应用前景。在传感器网络中, 传感器节点具有端节点和路由的功能:一方面实现数据的采集和处理;另一方面实现数据的融合和路由, 对本身采集的数据和收到的其他节点发送的数据进行综合, 转发路由到网关节点。网关节点往往个数有限, 而且常常能量能够得到补充;网关通常使用多种方式 (如Internet、卫星或移动通信网络等) 与外界通信。而传感器节点数目非常庞大, 通常采用不能补充的电池提供能量;传感器节点的能量一旦耗尽, 那么该节点就不能进行数据采集和路由的功能, 直接影响整个传感器网络的健壮性和生命周期。因此, 传感器网络主要研究的是传感器网络节点。具体应用不同, 传感器网络节点的设计也不尽相同, 但是其基本结构是一样的。传感器网络节点一般由处理器单元、无线传输单元、传感器单元和模块单元4部分组成, 如图1所示。

2 典型无线传感器网络节点比较

目前, 国内外研究员已经开发出多种无线传感器网络节点, 其实这些节点的组成部分是类似的, 只是其应用背景不同, 对节点性能的要求也不尽相同, 因此所采用的硬件组件有很大差异。

2.1 处理器单元

处理器单元是传感器网络节点的核心, 和其他单元一起完成数据的采集、处理和收发。EM6603是4位微控制器, 功耗很低, 但处理能力也非常有限。Berkerly大学研制的Mica系列节点大多是采用Atmel公司的微控制器。其中, Mica2节点采用Atmel增强型微控制器AT-mega128L。该微控制器拥有丰富的片上资源, 包括4个定时器、4 KB SRAM、128 KB Flash和4KB EEPROM, 拥有UART、SPI、I2C、JTAG接口, 方便无线芯片和传感器的接入;有6种电源节能模式, 方便低功耗设计。采用该处理器的另外一个优点是:编译器很多, 其中GCC (WINAVR) 是完全免费、开放的软件。

就低功耗而言, MSP430F1xx MCU系列提供业界较低的电流消耗, 工作电压为1.8 V, 实时时钟待机电流的消耗仅为1.1μA, 而运行模式电流低至300μA (1 MHz) , 从休眠至正常工作整个唤醒过程仅需6μs。在某些数据量大的应用中, 高端的处理器也有应用。例如μAMPS1节点采用Strong ARM处理器SA1110, 功耗为27~976 m W。该处理器支持DVS节能, 可以降低功耗450 m W左右;关掉无线模块功耗可以降低300 m W。μAMPS2采用的处理器是DSP。XYZnode采用的处理器是OKI公司的ARMT-DMI内核的ML67Q5002, 该处理器也支持DFS (动态频率调节) , 工作电流为15~72 m A, 频率为1.8~57.6 MHz。

从处理器的角度看, 无线传感器网络节点基本可以分为两类:一类采用以ARM处理器为代表的高端处理器。该类节点的能量消耗比采用微控制器大很多, 多数支持DVS (动态电压调节) 或DFS (动态频率调节) 等节能策略, 但是其处理能力也强很多, 适合图像等高数据量业务的应用;此外, 采用高端处理器来作为网关节点也是不错的选择。Atmel、Intel、Samsung这3款处理器是ARM内核的处理器, 功耗明显比低端微控制器高很多。另一类是以采用低端微控制器为代表的节点。该类节点的处理能力较弱, 但是能量消耗功率也很小。在选择处理器时应该首先考虑系统对处理能力的需要, 然后再考虑功耗问题。

2.2 无线传输技术及芯片

可以利用的传输媒体有空气、红外、激光、超声波等, 常用的无线通信技术有:802.11b、802.15.4 (ZigBee) 、Bluetooth、UWB、RFID、IrDA等;还有很多芯片双方通信的协议由用户自己定义, 这些芯片一般工作在ISM免费频段。利用激光作为传输媒体, 功耗比用电磁波低, 更安全。缺点是:只能直线传输;易受大气状况影响;传输具有方向性。这些缺点决定这不是一种理想的传输介质。红外线的传输也具有方向性, 距离短, 不需要天线。芯片83F88S是一种符合IrDA标准的无线收发芯片。UWB具有发射信号功率谱密度低、系统复杂度低、对信道衰落不敏感、安全性好、数据传输率高、能提供数cm的定位精度等优点;缺点是传输距离只有10 m左右, 隔墙穿透力不好。在无线传感器网络中应用最多的是ZigBee和普通射频芯片。ZigBee是一种近距离、低复杂度、低功耗、低数据速率、低成本的双向无线通信技术, 完整的协议栈只有32 KB, 可以嵌入各种设备中, 同时支持地理定位功能。以上特点决定ZigBee技术非常适合应用在无线传感器网络中。

2.3 电源模块

电池种类很多, 电池储能大小与形状、活动离子的扩散速度、电极材料的选择等因素有关。无线传感器网络节点的电池一般不易更换, 所以选择电池非常重要, DCDC模块的效率也至关重要;另外, 还可以利用自然界的能源来补充电池的能量。按照能否充电, 电池可分为可充电电池和不可充电电池;根据电极材料, 电池可以分为镍铬电池、镍锌电池、银锌电池和锂电池、锂聚合物电池等。一般不可充电电池比可充电电池能量密度高, 如果没有能量补给来源, 则应选择不可充电电池。常见电池的性能参数如下表所列。无线传感器网络节点一般工作在户外, 可以利用自然能源来补给电池的能量。自然界可利用的能量有太阳能、电磁能、振动能、核能等。由于可充电电池的次数是有限的, 而且大多数可充电电池有记忆效应, 因此利用自然界的能量不能频繁对电池充电, 否则会大大缩短电池的使用寿命。

2.4 传感器模块

传感器种类很多, 可以检测温湿度、光照、噪声、振动、磁场、加速度等物理量。传感器电源的供电电路设计对传感器模块的能量消耗来说非常重要。对于小电流工作的传感器 (几百μA) , 可由处理器I/O口直接驱动;当不用该传感器时, 将I/O口设置为输入方式。这样外部传感器没有能量输入, 也就没有能量消耗, 例如温度传感器DS18B20可以采用这种方式。对于大电流工作的传感器模块, I/O口不能直接驱动传感器, 通常使用场效应管 (如Irlm16402) 来控制后级电路能量输入。当有多个大电流传感器接入时, 通常使用集成的模拟开关芯片来实现电源控制, MAX4678就是这样一款芯片。

3 结论

由于应用背景不同, 目前国内外存在很多硬件平台, 采用的无线通信技术也有很多种。本文主要总结了目前常见的无线传感器网络硬件平台, 分析比较了常用的处理器、无线芯片、无线通信技术、传感器和电源, 并始终把功耗作为考虑的重要比较因素之一。通过对无线传感器网络硬件平台的详细分析, 期望能对我国的无线传感器网络的研究和发展起到积极作用

参考文献

[1]石晓军.无线传感器网络节点硬件平台综述[J].军事通信技术, 2007-07-25.

WSN网络 篇2

基于W S N 的智能交通灯控制系统设计 田 丰,杜富瑞

(沈阳航空工业学院计算机检测与控制研究室,辽宁沈阳 110136 摘要:针对多路口的交通信号灯控制问题,提出了基于无线传感器网络的两级组织结构,搭建了交通信

号灯控制平台。利用传感器节点收集的交通信息,结合模糊控制方法,实现了交通信号灯的无线智能控制。仿真结果表明,该控制器是有效的,其控制效果优于传统的控制方法。关键词:无线传感器网络;交通信号灯控制;模糊方法;鲁棒性

中图分类号:TP273+.5;TP18

文献标识码:A

文章编号:1000-8829(200912-0056-04 D esi gn of I n telli gen t Traff i c L i ght Con trol System Ba sed on W SN TI A N Feng,DU Fu 2rui(Computer Detecti on and Contr ol Laborat ory,Shenyang I nstitute of Aer onautical Engineering,Shenyang 110136,China Abstract:For multi 2juncti on traffic signal contr ol syste m ,t w o 2tier organizati onal structure based on wireless sens or net w orks(W S N is p r oposed,and a p latfor m f or traffic signal contr ol syste m with W S N is built.By using the collected inf or mati on about traffic and fuzzy contr ol method,the goal of intelligent contr ol for the traffic

lights is realized.The si m ulati on shows that the contr oller is realizable and better than the traditi onal contr ol methods.Key words:wireless sens or net w orks;traffic signal light contr ol;fuzzy method;r obustness

交通灯控制系统是一个典型的复杂大系统,具有时变、非线性、不易确定数学模型的特点。现有交通灯控制系统主要分为两类:定时控制和感应式控制。定时控制不能适应车流的动态变化,只适用于路面车流量较少的情况;感应式控制易受外界干扰,且在安装过程中,容易造成对道路的损坏。此外,这两种控制方式都只能单独地控制某一点,并不能实时、多点、联测、联动的控制。

无线传感器网络(W S N,wireless sens or net w orks 作为一种新兴的测控网络技术,融合了短程无线通信技术、微电子技术、嵌入式技术等。基于W S N 的交通灯控制系统具有控制精度高、响应速度快的优点。

模糊控制不需要建立精确的数学模型,它把人的感官认识和好的控制策略联系起来,具有很强的鲁棒性。

将模糊控制与无线传感器网络相结合,以W S N 传 感器节点收集的路面信息为输入,经模糊控制器处理, 得到作为输出的控制策略,对交通灯系统实施控制,可以实现交通灯控制系统的智能化、网络化。以下首先针对多路口交通灯控制系统,提出了两级W S N 组织结构,搭建了基于W S N 的交通信息收集和控制平台;然后介绍了多路口交通灯智能控制算法的设计,以及模糊控制器的设计;最后,进行了仿真实验。W S N 交通灯控制平台

在多路口交通信号灯控制系统中,信号灯的周期、绿信比和相位差是控制向量;到达交叉路口的车辆数和各交叉路口停车线前面排队的车辆数是状态向量。详细分

析表明,同时考虑信号灯的周期、绿信比和相位差的优化,将增大计算量,使问题的求解过程变得十分

复杂[1]。针对多路口交通灯控制系统,采用两级W S N 组织结构(见图1,第1级为控制级,负责调整各交叉路口的绿信比;第2级为协调级,负责协调干线各路口周期的确定和各路口之间的相位差。

图2为无线传感器网络交通灯控制系统模型图。路口的交通灯控制节点A1及其相邻路段内的路面检测节点B i(i =1,2,3,4,5和车载节点C j(j =1,2,3,4

图1 两级交通灯控制模型组成控制级。这些传感器器节点自组织成簇:交通灯控制节点作为簇首,路面检测节点和车载节点作为簇成员。簇首A1负责收集簇内路面检测节点的数据,进行数据融合,并与相邻簇首节点进行通信;簇成员节点负责路

面信息的收集。从簇首节点中,选取一个节点作为协调级,称此节点为汇聚节点。汇聚节点以多跳的方式与各簇首节点通信,收集各路口车流量信息 , 图2 无线传感器网络交通灯控制系统模型 进行智能处理,协调各路口工作。

针对交通控制系统中信息采集、策略制定、输出执 行的实际需求,引入3类W S N节点:信息收集节点、汇 聚节点和交通灯控制节点。传感器节点是构成W S N 的基本要素,具有采集环境信息、信息处理和无线通信 功能,它们既是数据包传输的发起者,也是数据包的转

发者[1]。信息收集节点负责路面车辆信息的收集,如 车速、交通流量比等,将此数据信息传递给交通灯控制 节点,经数据融合后传递给汇聚节点;汇聚节点根据设 定的目标(如通行量最大、平均候车时间最短等运用 智能控制方法计算出最佳方案,并输出给各路口交通 灯控制节点,控制车辆的通行与禁止,实现多路口的协 调控制。

信息收集节点由路面检测节点和车载节点两部分 构成。路面检测节点用于收集其检测范围内的车辆信 息,它按照一定的距离(一般为50~200m安装在道 路两侧的路灯上;车载节点被安装在每一辆汽车上,用 于收集车辆本身的数据信息(速度和坐标,并将该信 息发送给路面检测节点。路面检测节点按照一定周期 不断地广播消息,消息里面包含本身的I D和自己的坐 标信息。处于监听状态的车载节点接收检测节点发送 的消息。根据无线定位知识[2],车载节点只需收到3 个以上节点发送的消息,就可以计算出自己的坐标与 车速,并将坐标与速度消息传递给附近的路面检测节 点。路面检测节点在收到该消息后,计算出路面行驶 的车辆数、车辆所在车道和车辆与路口的距离,以多跳 通信的方式传递给路口的交通灯控制节点。由车速和 距离,交通灯控制节点就可以判断出车辆状态:①它 已经到达路口;②在路口信号灯换相之前到达路口;③ 不能按时到达路口。这样,可以方便地统计出干线路 口间行驶的车辆数QN以及各路口红灯方向排队车辆 数QR。多路口交通灯控制算法设计

文献[3,4]中指出,在交通控制系统中,各路口协 调周期,不能变换太频繁,否则,方案变换引起的交通 延误所带来的损失会大于新方案所带来的效益。设定 循环变量n=6,以6个周期为一个时间段,在此时间 段内,保持控制参数不变。2.1 算法设计

步骤1:汇聚节点根据以往的交通流量数据统计 出干线上各交叉口间的相位差ω i(i=1,2,3,…,n、统一使用的周期T、各个交叉口的绿信比,将此信息发

送给各路口簇首节点,并初始化循环变量n=0。步骤2:各交叉口簇首节点在给定的周期T下,依 据相位差ω i 依次开启干线各路口绿灯信号。在周期

时间末,簇首节点将周期内由W S N检测得到的路口间 行驶的车辆数QN和路口红灯方向排队车辆数QR送 给汇聚节点。汇聚节点用模糊控制规则以周期时间长 度为单位,调整路口之间相位差。

步骤3:令m=m+T,检验m>6T是否成立。若 成立,则到下一步;反之,则回到步骤2。步骤4:汇聚节点根据各路口簇首节点传递过来 的各路口间的交通流量和各交叉口的绿信比,预估下 一阶段的干线道路上各个交通流量比,计算下一阶段 的周期值。回到步骤2。2.2 各控制参数的具体实现 2.2.1 周期的确定

在交通信号控制系统中,为使各交叉口的交通信 号取得协调,各个交叉口的周期需要统一。方法是先

根据单个交叉口的配时方式,计算出各交叉口的周期, 然后从中选取最大周期,作为系统协调周期。周期确 定步骤如下: ①在给定时间段内,根据公式计算出路口j的第 m周期的交通流量比R j m;其计算公式为 R j m=∑n j=1 q j m i s j m i(1 式中,q j m i 为第j路口第m周期的第i相位车道的交通 量;s j m i 为饱和流量;n为相位个数。

②求出所有路口的交通流量比的最大值R j m MAX

R j m MAX =MAX{R j m ,j=1,2,3,…}(2

根据韦伯斯特最佳周期公式 C0= 1.5L+5 1-R j m MAX(3 计算出第m周期的最佳周期。式中,L为相位损失时间(车辆起制动、行人、自行车干扰,可由协调级模糊控制器的输出得到。

③在本段时间结束时刻,计算所有周期时间内周期的最大值为 C MAX=MAX{C m,m=1,2,3}(4 将此周期值作为下一个阶段信号控制的统一值送入协调单元保存起来,作为下一阶段内的周期。

2.2.2 相位差的确定

相位差是控制交叉路口间交通流的重要参数,设定一个好的相位差可以显著地降低车流的等待时间,实现车辆通行的“绿波带”效应。相位差计算公式为

ω=T

+L(5 式中,T 为本路口到下游路口的行驶时间,由无线传感器网络实时检测得到;而损失时间L由协调级模糊控制器输出得到。模糊控制器的设计

相位损失时间L与路口间车辆数目QN和路口的红灯方向停车线前面车辆排队长度QR有很大关系。路口间车辆数目多,红灯方向排队长度QR长,则车辆启制动所耗费时间就越多,相应的相位损失时间L越大;反之,则越少。

设计步骤如下:(1输入输出变量的确定及量化。

输入变量:本路口到下一路口的车辆数QN,路口红灯方向在停车线前排队车辆数QR。QN的论域为{0,1,2,3,4,5,6,7,8},变化范围为0~85,量化因子k1=8÷85=0.09,语言变量为{Z B,Z M,ZS,Z,PS};QR 的论域为{0,1,2,3,4,5,6,7,8},变化范围为0~48, 量化因子k 2 =8÷48=0.17,语言变量为{NB,Z}。

输出变量:路口相位损失时间为L。L的论域为{0,1,2,3,4,5,6,7,8},变化范围为0~60,比例因子k3=60÷8=7.5,语言变量为{NB,NS,Z,PS,P B}。

(2确定输入输出变量的隶属函数(见图3。

(3确定模糊控制规则。

根据专家经验,建立模糊控制规则表。表1中建立了10条控制规则。表1 模糊控制规则表 QR QN NB NM NS Z PS NB NB NS Z PS PS Z NB NS Z PS P B

(4解模糊。

解模糊的常用方法有以下几种:最大隶属度法、中位数法、加权平均法。由于加权平均法比中位数法的计算量要小,比最大隶属度法控制性能优越,因此,在本设计中选用加权平均法进行解模糊运算,得到精确控制量。其计算公式为

L = ∑n j =1 u j(e j e j ∑n j =1 u j(6 式中,e j(j =1,2,...,9为论域值;u j(e j(j =1,2,(9 为对应于e j 的隶属度。

根据公式(5,计算出路口间的相位差ω,对路口间的交通车流进行协调控制。4 仿真实验

设一条道路有3个路口组成,三路口间距离均为600m。其中，南北为次干道。每个路口的有4个交通流相位:东西直行,东西左转,南北直行,南北左转,如图4所示。路口车辆的到达服从泊松分布,车辆的离开服从负指数分布。干线饱和流量为3000辆/h,支线饱和交通流量为2000辆/h,左转、直行、右转车流比例为1∶2∶1。

图4 主干道三交叉路口示意图利用MAT LAB 6.5编写仿真程序,将基于W S N 的两级模糊控制算法,分别在400、600、1200、1400、2000、2300辆/h 6种不同的车流量情况下进行仿真,统计相应的车辆平均延误时间。为了作比较,在完全相同的条件下,对定时控制也进行了仿真,结果如表2所示。

表2 模糊控制与定时控制比较 车流量/辆・h-1 两级模糊控制 定时控制

提高程度/% 40025.126.5 5.260026.428.67.7120029.138.223.8140031.540.622.4200034.751.232.22300 36.7 56.6 35.2

由仿真结果可以看出,在车流量不大时,两种控制

方式的效果差异不大。但随着车流量的增大,模糊控制的优势是十分明显的。5 结束语

以上将无线传感器网络引入到交通信号灯的控制

中来,搭建了无线传感器网络交通信号灯控制平台,提出了针对多路口交通灯控制的两级无线传感器网络组织结构。利用无线传感器网络的低功耗、自组织、分布式计算的特点,实现快速精确的车辆信息收集,提高了系统的响应速度和控制效果,具有较强的实时性和鲁棒性。同时,结合模糊控制理论,设计了干线信号灯控制算法,实现了交通信号灯的无线智能控制。参考文献: [1] 徐建闽.交通管理与控制[M ].北京:人民交通出版社, 2007211.[2] Akyildiz I F,Su W ,Sankarasubra mania m Y,et al.A survey on sens or net w orks[J ].Communicati ons Magazine,2002,40(8:102-114.[3] W ann C D,L in M H.Data fusi on methods f or accuracy i m 2

p r ove ment in wireless l ocati on syste m s [A ].Pr oceedings of 2004I EEE W ireless Co mmunicati ons and Net w orking Con 2ference[C ].2004203:471-476.[4] 李晓红.城市干线交通信号协调优化控制及仿真[D ].大 连:大连理工大学,2007.[5] 严新平,吴超仲.智能运输系统———原理、方法及应用 [M ].武汉:武汉理工大学出版社,2006212:9-11.□

N I 推出LabV I E W 图形化软件教育版, 全力支持动手学习课程

2009年11月,美国国家仪器有限公司(简称N I 推出 LabV I E W 软件教育版,它是LabV I E W 图形化编程软件面向

高校的新产品。该版本软件的初衷是为了帮助教师实现基于科学、技术、工程和数学(STE M 学科项目的动手学习。

N I 与美国塔夫茨大学工程教育与外展服务中心(CEEO 一 起合作开发该产品,它是将工程集成到K 212教育的领导者。

N I 和塔夫茨大学CEEO 总裁和控制与机械电子教授Chris Rogers 博士共同合作,开发了该教育版软件,它可以有效帮

助高校教师使用工业、学术界工程师和科学家使用图形化系统设计技术,进而为工科学生提供动手实践经验。

LabV I E W 教育版软件可以帮助教师实现基于项目的动

手学习,并且将理论与实际世界的实例联系在一起。这一新版本软件能够与核心教育硬件平台无缝集成,例如LEG O M I N DST ORMS Educati on NXT、Vernier Sens or DAQ 以及TET 2R I X(Pitsco 开发的金属机器人构建系统,让教师能够轻松

地将机器人、测量和数据采集整合到课程中。软件的图形化拖放模式帮助学生学习主要的编程概念,并在获取专业世界中所使用的技术经验的同时,提高分析能力。新版本还包含可以在教室中使用的工具,包括数据查看器,能够图形化地显示传感器数据,虚拟示波器,以及其他让学生能够获得多种电子和机器工程技巧动手经验的虚拟仪器。此外,LabV IE W 教育版包括支持课程和教师活动,能够直接在

中国WSN期待爆发 篇3

6月25日，由国际标准化组织ISO/IEC举办的“首届国际无线传感器网络标准化大会”暨“ISO/IEC JTC1传感器网络工作组第一次会议”（1st ISO/IEC JTC1 Study Group on Sensor Networking Meeting）在上海开幕。来自中国、美国、韩国、英国、德国、奥地利、日本、挪威等国家的近百名无线传感器网络（Wireless Sensor Network，简称WSN）领域的知名专家汇聚一堂，共商WSN国际标准化规划。

在此次大会上，中国代表团向大会提交了《传感器网络标准体系框架》和《传感器网络系统构架》等8项技术报告。这标志着中国在被业界喻为未来IT新方向的WSN领域已处于国际前列。这对中国WSN的应用，乃至未来信息产业演进意味着什么？

抢占制高点

“中国已经抢占了未来WSN产业的制高点。”中国科学院上海微系统与信息技术研究所所长封松林认为，中国代表团将自主研发的标准体系框架提交国际WSN标准化大会，意味着在WSN国际标准化中，中国享有了重要的话语权，这对中国的信息产业具有重要的转折意义。

由于历史的原因，我国在大多数传统信息技术领域，己经失去了左右国际标准的机会。本土企业掌握的核心专利相对不足、受制于人的问题一直困扰着我国的信息产业。WSN产业的兴起，给我国提供了参与国际重新洗牌的机会。

据了解，在核心基础产业领域，半导体专利国外占85％，电子元器件、专用设备、仪器和器材专利国外占70％。在市场规模较大的产业领域，国外所占比例更是惊人：无线电传输国外所占比例高达93％，移动通信和传输设备则分别占到了91％和89％。

“谁让我们在这些领域进入得晚呢？”一位与会的中国通信专家不无遗憾地说，要扭转这一困局，中国就必须在技术更新换代之初抢占先机。

WSN正是被业界誉为继计算机、互联网与移动通信网之后，信息产业新一轮竞争的制高点，自诞生以来，就被视为信息技术的一次历史性机遇。美国橡树岭实验室甚至断言，IT时代正在从“Computer is the network（计算机网络）”向“Sensor is the network（传感器网络）”转变。

而作为信息技术的前沿和交叉领域，WSN目前尚处在起步阶段。“这对中国信息产业来说无疑是绝地反击的良机。” 那位通信专家说。

事实上，我国现代意义的WSN及其应用研究几乎与发达国家同步启动。2001年，中科院成立了微系统研究与发展中心，挂靠中科院上海微系统所，成员单位包括声学所、微电子所、研究生院等10余家研究所和高校，旨在整合中科院内部资源，共同推进WSN的研究。

2006年，WSN作为重大专项、优先发展主题、前沿领域，被列入《国家中长期科学与技术发展规划(2006～2020)》，并成为重大专项“新一代宽带移动无线通信网”的重要方向之一。

2007年底，ISO/IEC JTC1委员会专门成立了WSN标准化工作组。几乎与国际上同时，经“国标委”批准，在全国“信标委”下，我国组建了WSN工作组，并代表中国参加国际标准化组织ISO/IEC联合的WSN标准化工作组。

“此次中国提交的WSN标准体系是目前国际上最细致、最全面的标准体系框架之一。”据中国科学院上海微系统与信息技术研究所、WSN与通信重点实验室主任助理沈杰介绍，由于在国际上具有技术领先性，按照计划，在中国的WSN标准体系提交ISO/IEC后，最晚明年3月，JTC1委员会将会审批成立基于中国标准框架的工作组。“也就是说，中国将很有可能成为WSN国际标准的制订者。”

商业应用初显

中国的WSN标准不仅在理论架构上具有国际领先性，而且更具实用性。

据封松林介绍，中国WSN协议已经进入到应用阶段，并在安防、环保、自然灾害处理等领域发挥了重要作用。

目前，WSN已被纳入“2010年上海世博会”的应用计划。据了解，在面积广大的世博园区，仅通过传统的监控和巡逻手段，很难对园区实现实时监控和防护。WSN具有功耗低、分布广、抗干扰、便于布设、可双向通信实现自动化控制等特性，被应用于世博会园区的防入侵、防毒、防爆，以及检票、道路监测等系统中。

另外，在水、电、煤气等广泛分布的公共计量统计工作中，中国自主研发的WSN也已参与其中。“目前我们与上海水表厂合作的项目中，安装在上海部分市区地下的水表，都配有自动统计数据和控制功能的传感器，并配有可使用6年的电池。”封松林说，目前上海微系统与信息技术研究所的各项传感器应用项目都收到了很好的成效。

事实上，目前WSN的商业化应用也已逐步兴起。据市场研究公司BCC Research的研究报告称，2008年全球传感器市场的销售收入将达32亿美元，比2007年的27亿美元增长18.5%。到2013年，全球传感器市场的销售收入将达到84亿美元。从2008年到2013年的复合年增长率将为21.3%。

“中国的WSN商业化应用商机也在显现。”封松林表示，中国的WSN应用已经深入到智能家电、智能楼宇、智能交通、中小企业管理等民用领域。在中国，发展最快的WSN应用领域是安防领域; 而最有商业价值的就是民用领域，尤其是涉及无线通信网络的民用领域。“比如通过手机等无线通信网络设备，司机不仅可以查看道路流量信息，还可以实时查看市区内通过传感器实现自动化管理的停车场中的车位，并实现预定和自助缴费等功能。”封松林说。

据知情人士透露，中国移动已经将触角伸向WSN，并有望与上海微系统与信息技术研究所，就WSN的商业应用达成战略合作。

“下个月中国的WSN协议就将被正式命名。国内的大规模商用也指日可待。” 沈杰说。

爆发遭遇瓶颈

虽然，中国已经占领了国际标准的制高点，但WSN要在中国全面爆发还存在着瓶颈。

事实上，由于WSN产业尚处在初期阶段，全球有许多研究机构和组织在进行WSN技术与规格的开发，提出了不同的技术标准。比如ZigBee、Z-wave、Bluetooth、Wibree、6loWPAN等。

虽然按照ISO/IEC规定，这些标准都是基于IEEE802.15.4制定的，但各标准仍有一定的排他性。在这些标准中以ZigBee和Z-Wave最为成熟，基本形成了两大阵营。ZigBee已经广泛应用于工控、医疗、安全等多种领域。而Z-Wave联盟也有100多家企业加入。不仅如此，由诺基亚在2006年10月发表的新标准Wibree，也得到了众多公司的支持。

目前，这些标准的产品已经形成一定规模，很受使用者的欢迎。这些都对中国推行自己的WSN标准，构建自己的产业链形成了挑战。

另外，WSN与Wi-Fi、WiMax、RFID如何协调；无线传感器如何标识，如何与IP网实现实时连通；以及无线传感器如何维护和保证信息安全等，这些问题都将有可能制约WSM的发展。

WSN网络 篇4

神经网络(Neural Network,简称NN)是对人脑或自然神经网络若干基本特性的抽象和模拟,是一门多个学科领域的边缘交又学科。它以对大脑的生理研究成果为基础,旨在模拟大脑的某些机理与机制,实现某个方面的功能[4]。

神经网络与数据融合具有一个共同的基本特征,即通过对大量的数据进行一定的运算和处理,得到能够反映这些数据特征的结论性的结果。本文提出一种新的无线传感器网络数据融合算法,该算法基于分簇无线传感器网络模型,将其中的分簇结构与神经网络模型相结合,在簇头节点利用神经网络算法对簇成员节点的数据进行融合处理,以有效地减少网络中传输的数据量,延长网络使用寿命。

1 无线传感器网络模型与神经网络模型

无线传感器网络由大量部署于监控区域的传感器节点组成。传感器节点分为3类:基站、簇头和普通传感节点。层次化无线传感器网络如图1所示。

本文采用的神经网络模型是典型的前馈神经网络—多层感知器(MLP)[5]。多层感知器由若干层非线性神经元组成,每个神经元都是一个感知器,每层包含多个感知器,相邻层的神经元用权连接起来。图2给出了多层感知器的结构示意图,通常情况下,层与层之间是全连接的,信号沿着前馈方向,即从左边到右边,逐层传递。

2 具体数据融合算法

本算法基于三层感知器神经网络模型,对应无线传感器网络中的一个簇。其中,输入层和第一隐层位于簇成员节点中,而输出层和第二隐层位于簇头节点中。

假设无线传感器网络中一个簇内有n个簇成员节点,每个簇成员节点采集m种不同类型的数据,那么该神经网络模型共有n×m个输入层节点、n×m个第一隐层神经元。第二隐层神经元的数量、和输出层神经元的数量k可以根据实际应用的需要进行调整,与簇成员节点的数量n并没有联系。对于不同类型的数据,第二隐层的数量可以不同。在输入层与第一隐层之间、第一隐层和第二隐层间没有采用全连接,只是对不同类型的数据分别进行处理;而第二隐层与输出层之间是全连接的,可以对不同类型的数据进行综合处理。

根据这样一种三层感知器神经网络模型,本文的数据融合算法首先在每个传感器节点对所有采集到的数据按照第一隐层神经元函数进行初步处理,然后将处理结果发送给其所在簇的簇头节点。簇头节点再根据第二隐层神经元函数和输出层神经元函数进行进一步地处理。最后,由簇头节点将处理结果发送给汇聚节点。下面以第一隐层神经元功能模型为例,叙述神经元函数信息处理过程。

第一隐层神经元位于簇成员节点。每个簇成员节点中第一隐层神经元的数量是根据传感器节点所采集的数据类型来决定的,不同类型的数据由不同的神经元来进行处理。第一隐层神经元功能模型的输入区、处理区和输出区三个功能函数如图3所示。

3 性能仿真

将本文的融合算法与基于卡尔曼滤波的融合方法进行比较,在条件相同的情况下,考察两算法性能的主要指标,包括:网络总能耗、节点平均剩余能量和平均时延三个方面。如图4所示。

图中,表示基于神经网络的融合算法,表示基于卡尔曼滤波的融合方法,由图可知,本文基于神经网络的融合算法在这三方面均优于基于卡尔曼滤波的融合方法。

4 结论

本文将神经网络功能模型与层次化无线传感器网络相结合,提出一种基于神经网络的无线传感器网络数据融合算法,通过采用该算法,有效地减少了网络的能耗,延长了无线传感器网络的生存周期,是一种较为实用的无线传感器网络数据融合算法。

摘要：该文将神经网络功能模型引入无线传感器网络,提出一种基于神经网络的无线传感器网络数据融合算法。实验表明该算法有效地减少了网络的能耗,延长了无线传感器网络的生存周期,是一种较为实用的无线传感器网络数据融合算法。

关键词：无线传感器网络,数据融合,神经网络

参考文献

[1]李建中,高宏.无线传感器网络的研究进展[J].计算机研究与发展,2008(1):1-15.

[2]Castelluccia C,Mykletun E,Tsudik G.Efficient aggregation of encrypted data in wireless sensor networks[J].Mobile and Ubiquitous Sys-tems:Networking and Services MobiQuitous,2005.

[3]Chen J,Pandurangan G,Xu D.Robust computation of aggregates in wireless sensor networks:Distributed randomized algorithms and anal-ysis[C].IPSN,2005:348-355.

[4]Simon Haykin.神经网络原理[M].北京:机械工业出版社,2004.

WSN网络 篇5

关键词：igBee技术；温室；WSN监测系统；设计

中图分类号： TP274；S126文献标志码： A

文章编号：1002-1302（201412-0445-03[HS][HT9SS]

收稿日期：2014-10-12

基金项目：江苏省农业三新工程[编号：SX（2011387]。

作者简介：彭爱梅（1980—，女，江苏东台人，硕士，讲师，从事无线传感网络、电力电子技术等方向的研究。

通信作者：尹玉军，硕士，讲师，从事无线传感网络、射频集成电路设计等方向的研究。E-mail：120328690@qqcom。

随着无线通信技术、网络技术的发展，无线传感网络（WSN技术已越来越广泛地应用于工农业生产中。无线传感器网络由部署在监测区域内的多个传感器节点组成，因其具有低功耗、低维护成本和自组网等特点已逐渐应用于温室环境信息监测，可随时随地实现对温室内温湿度、土壤温湿度、光照强度、CO2浓度等环境因子的采集和无线传输[1]。无线传感网络是温室智能控制的最前端，对实现温室内环境因子信息采集的自动化、信息化、智能化具有重要意义。在短距离的无线控制、监测和数据传输领域，igBee技术由于具有传输距离短、功耗低、成本低、安全性好和自组网等特点，成为最适合构建低速率WSN的标准之一。本研究基于igBee通信协议，设计了基于igBee技术的温室无线传感网络监测系统，以期实现对温室环境参数的无线监测。

[WTH]1igBee技术概述

igBee网络可以工作的频段为868、915 MHz或 24 GHz，在不同频段的传输速率也不相同，在868 MHz频段的传输速率最高为20 kb/s，在915 MHz频段的传输速率最高为40 kb/s，而在24GHz频段的传输速率最高为250 kb/s，因此igBee是一种低传输速率的无线网络。igBee网络的传输距离比较短，适合近距离传输，它的有效传输范围为10～75 m。在igBee无线传感网络中，网络节点最多可以达到65 000个，这些网络节点之间可以实现直接通信，通信的可靠性比较高。在目前广泛使用的所有无线通信网络（如移动通信的GSM和CDMA网络等中，从功耗、成本、安全等因素考虑，igBee技术都是最低的，正是由于igBee技术具有距离近、功耗低、可靠性高的特点，因此在自动控制、远程控制等领域有着非常广泛的应用。随着互联网和移动通信网络的迅速發展和完善，igBee无线传感网络已经通过一定的手段或方式实现了与其他网络的互连和通信[5]。

igBee网络节点需要依赖一定的无线网络协议才能进行通信，而传统的无线通信协议又无法满足igBee网络的低成本要求，因而igBee协议应运而生。igBee协议是在IEEE 802154协议[6]的基础上发展起来的，但是IEEE802154标准定义媒体访问控制层和物理层，igBee联盟对IEEE 802154协议进行了补充和扩展，形成了igBee协议。当igBee网络有了自己的协议标准后，网络中所有的传感器之间相互连接实现通信。

在igBee 无线传感网络中存在协调器、路由器和终端设备3种逻辑设备类型。通常情况下，协调器只能是1个，而路由器和终端设备可以不止1个。在网络中，协调器的作用是设置网络参数，组建网络，它就是网络的总控制器；路由器相当于一个中继器，主要负责设备之间通信的中继，同时还可以实现网络范围的拓展；终端设备是整个igBee网络的子节点。

igBee无线传感器网络有3种常用拓扑结构：星状结构、串状结构和网状结构。对于这3种网络拓扑结构，连接相对简单实用的是星状结构，但是它能够连接到的网络节点比较少，在所有的传感器节点中心布置协调器，网络连接是通过协调器实现的；串状结构是通过增加路由器实现网络连接的，主要采用多跳方式来进行数据的转发[7]；网状结构是在所有节点之间进行互连实现网络连接，每个节点之间都已经实现了连接，所有节点之间可以直接进行信息的传输。

2系统组成及原理

由图1可以看出，温室监测系统是由网关、传感器节点、路由器节点、移动通信网（GPRS、3G或4G网络或互联网、服务器和监控终端设备等部分组成，其中传感器节点是按照智能温室的相关要求和规定在温室大棚内部进行布置的，通过这些传感器采集温室中的温度、湿度、CO2浓度和光照情况，并将采集到的环境监测信号进行信号处理后传送给微处理器；路由器节点负责监控现场数据的收集和中转，并进行传感器节点和网络协调器之间的通信；协调器主要完成网络的建立、管理和控制的功能，同时将相关网络信息进行保存，并且通过协调器转发传感器节点采集的监测数据给网关进行处理，将处理后的数据通过移动通信网络（如GPRS、3G或4G等转发给监控中心处理；监控中心主要有数据和通信2种类型的服务器，在系统中数据服务器的作用是保存接收到的监测数据，同时也可以进行数据的管理，通信服务器的作用是通过移动通信网络（如GPRS、3G或4G等与网关完成数据交换工作。监控终端设备可以通过电脑、手机、iPad等设备访问服务器，实现数据查询功能。

[F（W9][TPPAM1tif][F]

3硬件电路设计

31传感器节点

在igBee网络中，构成网络的最基本单元是传感器节点。在各种不同的系统中采用的传感器节点也是各有千秋，不尽相同，本系统设计的传感器节点组成见图2。可以看出，传感器节点是由无线通信模块（如igBee网络、GPRS模块、射频电路等、传感器模块（如温度传感器、湿度传感器、CO2传感器、光照传感器等、电源模块、微处理器模块（MSP430单片机等部分组成，此外还应该有调试模块和串口通信模块。

[F（W10][TPPAM2tif][F]

32传感器模块

[JP2]传感器模块由各种类型的传感器组成，主要通过各类传感器完成对温室内温度、湿度、光照和CO2浓度等环境参数的采样和收集，由于微处理器只能处理数字信号，因此传感器采集到的信号必须进行A/D转换，也可以选择带有A/D转换电路的数字式传感器，根据系统需求完成对各类传感器的选型。

321温湿度传感器本系统选用的温湿度传感器为SHT15，是瑞士进口的一体式数字式空气温湿度传感器。SHT15具有响应速度快、稳定性好和免标定等优点。SHT15芯片的主要功能是进行温度感测和湿度感测，同时它还集成了信号变换、加热器和模数转换等功能。SHT15性能参数为：（1湿度测量范围，0～100%相对湿度；（2温度测量范围，-400～1238 ℃；（3湿度测量精度，±20%相对湿度；（4温度测量精度，±03 ℃；（5响应时间，8 s（tau 63%，即湿度传感器的电参量达到稳态变化量的规定比率63%；（6可完全浸没。SHT15采用I2C接口与微控制器通信[8]，接口电路如图3所示。

[F（W13][TPPAM3tif][F]

322CO2浓度传感器CO2是作物进行光合作用必不可少的原料，必要的时候还可以增施CO2来适当提高生长区域的浓度，从而增加作物产量。CO2浓度的检测选用英国GSS公司的低功耗型红外CO2传感器COIR-A，其功耗仅 35 mW，带温度补偿、湿度补偿功能，并可以感知白天或黑夜的环境状态；预热时间仅10 s，内置PCB板的封装；有量程 0～2 000 mg/L、0～5 000 mg/L、0～1%供选择；接口的电平类型为TTL，使得其可以实现与CC2430芯片的直接通信。

323光照传感器系统光照度传感器为BH1750，它具有精度高、量程大等特点。BH1750是一种用于两线式串行总线接口的16位数字输出型光强度传感器集成电路。该传感器对400～700 nm波段内的可见光具有极好的灵敏度，而对其他波段的光具有较好的过滤效果。量程为1～65 536 lx，分辨率为1 lx，能满足温室中的测量需要，并可根据实际需要调整量程和分辨率，它采用标准I2C接口用于數据通信。

33网关的设计

网关节点在系统中的主要功能是组建网络，是无线传感器网络的协调器，管理无线节点、发送命令和汇聚数据，同时网关还须要将数据传送给监控中心，目前广泛采用的网络是GPRS通信网。通常情况下，网关是通过RS232通信接口与客户端实现通信的。本系统设计了1个用于无线传感器网络和以太网通信的网关，该网关包括控制模块、电源模块、存储模块、射频模块以及其他I/O接口。无线传感器网络的协调器可以采用CC2430芯片，用来对无线传感器网络的节点进行管理，对数据进行解析后通过RS232串口与异构网络传输模块通信。CC2430 芯片是 TI 公司生产的一款符合 igBee 技术的 24 GHz 射频系统单芯片，适用于各种 igBee 技术的网络节点（包括协调器、路由器和终端设备，CC2430 是一个真正的系统级芯片（SOC系统级解决方案。以太网传输模块采用LPC1114芯片与网口芯片ENC28J60。网关的结构如图4所示。

[F（W9][TPPAM4tif][F]

由图4可以看出，协调器节点以CC2430作为主控芯片，集成射频天线可以与传感器网络的终端或者中继节点通信；协调器节点和LPC1114协议转换芯片之间以RS232接口通信，而LPC1114可以以SPI接口与网口芯片之间互传数据，网口芯片通过RJ45接口与服务器之间以直接或者间接方式连接，以Socket协议传输数据和命令[9]。

4软件设计

传感器信息的采集、无线自组网通信、以太网数据传输、信息的远程网络发布和管理都需要软件系统的配合才能实现。软件设计的目标是实现无线传感器网络信息的采集、透明传输和远程访问。传感器节点工作流程如图5所示。

5结论

温室环境参数的采集对温室生产至关重要，本研究针对温室环境参数难以监测的实际情况，根据温室环境控制要求，提出基于igBee技术设计温室WSN监测系统。该系统具有稳定可靠、通信效率高、能耗低、监测精度高等特点，试验结果表明，该温室WSN监测系统能准确采集温室环境参数，并可实现保存和查询历史数据，从而有效提高温室环境种植的科学性、客观性，提高温室生产水平。

[HS2][HT85H]参考文献：[HT8SS]

WSN网络 篇6

无线传感器网络在工作过程中, 节点会不断地感知到周边环境的数据。而在无线传感器网络任何一个应用中, 用户都需要获取相应的数据进行处理。采集网络中用户需要的数据, 就被称为数据收集[1]。数据收集是无线传感器网络中最重要的操作之一, 能否有效地采集到合适的数据, 直接关系到应用的效果。由于受到节点有限的性能以及网络动态性等因素的影响, 为了延长无线传感器网络的生命周期, 在进行数据收集时必须采取有效的措施以节省能量。此外, 由于受到物理环境和传感器节点自身能量或容量的限制, 无线通信链路是不稳定的, 经常存在数据传输出错或丢失现象, 现有的数据收集协议在这种环境下还无法有效应用, 如何实现高可靠的数据传输成为传感器网络能否有效工作的关键。因此, 本文主要对无线传感器网络中的可靠数据收集方案进行研究, 方案的成功实现对于保证数据收集的可靠性具有重要的理论意义和应用价值。

1 相关工作

数据收集问题一直是WSN中的一大研究热点。相继有众多的学者提出了一系列方法用于无线传感网中数据收集的方法[2,3,4], 如Guo等人[2]提出了一种基于并发上载的移动数据收集最优方案。文中考虑采用SDMA技术可以同时上载多个节点的数据到移动收集者, 并基于节点的能耗、传输的数据量、链路容量、移动收集者停留时间以及不同节点上载数据的相容性等条件, 基于拉格朗日算子将数据收集问题建模为最小代价最大流问题, 进而采用梯度下降法求得移动收集者的最优收集路线和停留时间。仿真结果表明, 该方案能显著降低数据收集延迟和网络能量开销, 提高数据收集效率;袁凌云等[3]针对无线传感器网络应用于突发事件监测场景的能量消耗和网络延迟问题, 提出了基于移动Agent的无线传感器网络簇式数据收集算法。仿真结果表明, 相对于C/S数据收集模型, 该算法具有更好的节能效果, 并能一定程度地减少网络延迟, 尤其适用于大规模无线传感器网络应用;闫宇博等[4]针对不可靠低轮值无线传感器网络所具有的特性, 综合考虑了不可靠链路和低轮值的影响, 给出了纠删编码在多条路径上的分配策略, 从而在保证能量效率和较高递交率的前提下极大地减少了递交时延。仿真分析表明提出的算法以递交率轻微降低的代价获取了递交时延的显著下降。

另外, 随着压缩感知理论[5]的提出, 它已经被广泛应用到WSN的数据收集问题中, 比较典型的方案有:CDG[6]、AR-DGCS[7]。CDG是一种应用于大规模无线传感器网络中的基于压缩感知的数据收集方案。它利用了感知数据的内部相关性来进行编码, 能实现负载均衡, 在降低全局通信开销的同时并没有引入复杂的计算开销和传输控制开销, 另外, 它还能很好地处理传统数据收集技术所不能处理的异常数据。将该方案进行NS2仿真和应用到真实的数据集上进行测试表明, CDG能量是有效的、健壮的;AR-DGCS是一种基于压缩感知和AR模型的数据收集方案。该方案首先分析了感知数据稀疏性变化情况对于重构性能的影响, 然后基于AR模型对CS重构问题进行建模, 最后sink利用时间相关性来对重构误差进行评价, 并根据重构误差要求来决定是否需要增加测量次数, 从而实现对感知数据的自适应重构。仿真实验结果表明, 该方案在数据重构精度以及网络生命周期等方面要优于传统的方法。

以上基于压缩感知的数据收集方案都假定数据传输是在理想信道条件下进行的, 不会出现数据丢失现象, 然而事实上, 在大规模部署的无线传感器网络中, 由于受到物理环境或者节点死亡等因素的影响, 无线通信链路是不可靠的, 节点的数据传输经常会丢失数据包, 现有的方案大多采用重传[8]和前向纠错技术来保证数据传输的可靠性, 但是不论是带ACK的重传还是不带ACK的重传, 能量浪费巨大。而采用前向纠错技术 (如卷积码、LT码等) 在节点上难以实现, 带来了额外的存储和计算开销, 并不适用。另外, 文献[9]中提出了一种基于压缩感知的CNC方案来保证数据传输的可靠性, 然而该方案需要在节点上进行二次测量处理, 极大地消耗了节点能量, 影响了网络寿命。因此本文将在现有研究工作的基础上, 考虑数据丢失情况, 提出了一种基于网络效益最大化的数据收集方案, 并通过仿真实验验证了本文方法的有效性。

2 基于二次投影的可靠收集方案

2.1 相关定义

为了描述方便, 先给出如下的相关定义:

定义1 RIP对于任意给定的s稀疏向量x, 整数s=1, 2, …, 矩阵A=ΦΨ的RIP常数δs满足以下条件:

则称矩阵A=ΦΨ满足RIP, 此时采用A对原始数据基于压缩感知进行收集, 则能保证以高概率重构出原始数据。

定理1假设, 矩阵A的RIP常数满足则根据式 (1) 得到的必定满足以下条件:

其中, C0是某一较小的正常数, xs是近似s稀疏向量。定理1不仅能够保证对于给定的s稀疏向量x, 当时, 基于压缩感知技术能够精确重构出原信号, 而且即使x不是严格s稀疏时, 只要其系数服从幂率衰减规律, 则通过压缩采样能够恢复出x的最近似信号。

2.2 数据和网络模型

1) 我们考虑一个带有sink D和传感器节点Si (i=1, 2, …, N) 组成的无线传感器网络。每个传感器节点都会感知到数据 (例如温度或湿度) , 记为d= (d1d2…dn) T, 并将感知数据向sink报告。整个传感器网络组成一个连通的无向图G (V, E) , 其中V是传感器节点集合, V={V1, V2, …, Vn}, |V|=n+1, E是G中边的集合, 如果两个传感器节点Vi和Vj相互处于对方的通信半径内, 则 (Vi, Vj) ∈E。为了使算法具有可扩展性, 不需要节点知道自己的位置信息, 只要求节点知道自己的邻居信息, 这可以很容易地通过相互交换1个“Hello”消息来实现。此外, 网络具有如下性质:

(1) 网络是连通的静态网络, 节点部署后不再移动。

(2) 节点的初始能量是异构的, 而且不能补充, 网络中节点采用的能量消耗模型如下:

其中, d表示源节点到目标节点的距离, packetsize为包的大小。ET-elec和ER-elec分别为传输电路和接收电路消耗的能量, Eamp为多路衰减模型的功率放大系数。每轮循环中节点消耗的能量不统一。

2) 一般认为, 在一个确定域Ψ (对接收器可知, 但对传感器可能未知) 中, d是可压缩的。压缩率定义如下:Ψ=[Ψ1, Ψ2, …, Ψn], Ψi∈Rn, i=1, 2, …, n。Ψ作为标准正交基的集合, 在Ψ基下扩展d:

对转换系数{xi}, i=1, 2, …, n, 根据其绝对值大小进行降序排列得到{xi1, xi2, …, xin}。d的最近似k稀疏记为d (k) , 定义:我们认为d是可压缩的, 如果d的最近似k稀疏的均方差 (MSE) 满足:

其中α>0, 常数C0>0。其中α决定信号压缩程度, α越大则表明Ψ域中的信号压缩率越大。

3) 每个传感器节点都可以通过低可靠性连接的无线链路与sink和其他传感器进行信息交互。记li为传感器Si到sink D的接受率, 记lij为传感器Si和Sj之间的传输率。li, lij<<1。在这样的网路中, 可以充分发挥无线介质的传播性质进行多路由传播。

2.3 基于压缩感知的数据可靠收集

在本文的方案中, 主要通过二次随机投影来保证数据收集的可靠性, 过程如下所示:在源编码操作中, 源s产生随机系数矩阵, 记做Φs或者{Φijs}, 并产生m个测量值:

当d可压缩时, m小于n。因此, 传输测量值的能耗低于传输原始数据。对每个中继节点实行二次随机投影以增加多样性。假定, 节点r接收到ms, r个测量值, 则可以用向量ys, r表示为:

其中, Λs, r为ms, r×m的矩阵, 它包含了接收到的测量值所在节点的索引。假定节点r决定中继对于源s的mr个测量值, 然后对中继节点进行二次随机投影, 产生新的测量值:

其中, Φr为mr×ms, r的随机投影矩阵。mr的值由分布式效益优化算法确定, 我们将在下一段详细讨论。最后, sink可能通过多路径接收到m'个测量值。即:

其中ΦN代表网络编码系数, 而Φs代表源编码系数。在无线传感器网络中, 传感器节点收集的数据可以看作多个并发数据流, 在考虑数据丢失的情况下, 如何有效地将yD传输到sink对于实现原始数据的精确重构具有重要影响。

根据CS理论, 在sink处数据重构可以通过解如下的l1最小化问题来实现:

式 (11) 可以通过线性规划计算得到。Haupt和Nowak[5]表明从m个随机投影得到的CS重构均方差的上界为一个常数乘以 (m/logn) -2α, 接近于最佳的m近似。

为了求解式 (10) , 矩阵ΦN和Φs应对sink可知。在本文方案中传播ΦN矩阵的系统花费与传统线性网络解码是一样的。可以采用的方法是在每个传播块中包含网络编码系数。Ho等[10]指出, 传播这些系数的系统花费随块长度的增加而减小, 块中编码和网络保持恒定。矩阵ΦN不需要通过数据包进行传输。其可以通过以下方式实现:在数据传输前, sink向整个网络广播随机种子。随后, 每个传感器利用全网络种子产生其源编码矩阵和其唯一标识。利用相同的伪数字生成器, sink可以为所有传感器生成源编码矩阵。

3 基于网络效益最大化的测量值传输

3.1 问题描述

根据2.3节所述, 在基于压缩采样得到测量值后和采用随机高斯矩阵对测量值进行编码后, 如何传输编码后的数据到sink是本文研究的重点。我们将该问题建模为一网络效益最大化问题, 简称为NUM问题。

NUM的优化对象是最小化所有数据流的重构误差。CS重构误差可以近似为 (m/logn) -2α, 我们定义流S的逆效用函数表示为Bs (xs, αs) , 如下:

其中, Xs为信息数据率, αs为流S的压缩程度。当所有传感器节点在数据流传播中使用同样大小的块时, Xs正比于线性独立的测量数据其为sink从每个块接收到的。除此, 我们假定同一时间收集的接收器读取数据同样可以压缩, 或者αs=α, s∈S, 那么我们可以忽略函数Bs (·) 中的参数αs。逆效用函数和是连续的、递减的和严格凸函数。

表1列出了问题公式的符号。为简化符号, 假定传感器节点以恒定单位率产生数据读数。能量预算Ei, 分配传输时间tis, 链接流率fijs和接受信息流率Xs都是以初始传感器数据量成比例测试的。例如, Ei=0.5意味着每个传感器节点只能为获得的每两个传感器读数传播一个信息。另举一例, Xs=0.2意味着sink只接受20%的初始数据量。基于以上的描述, 并发数据流的NUM问题可以形式化为:

约束条件:

我们注意到, 传感器节点间的通信链路高度不稳定, 所以第二个条件与其他问题的NUM形式约束不同, 它是关于每次广播传输的信息保护约束。图1是一个典型的广播传输示意图, 其中节点i广播信息tis, 节点j1, j2和j3都能够监听到。因为无线链路对于传输而言是有损的, 每个节点接受到的信息的期望数量为tislij, 其中lij为无线链路的传送率。显然, 每个节点不能转发比其接受到的信息量大的信息, 即fijs≤tislij。另外, 我们还注意到jk (k=1, 2, 3) 转发的信息总量不能超过节点i广播的信息量。WSN中的广播通常是不可靠的, 这个值将显著小于tis, 因此在优化中必须注意这个问题。除此之外, 类似的约束必须满足下一个跳节点的所有子集, 如图1 (a) 中的椭圆所描述的一样。在式 (13) 中, 我们将rihi记做当节点i知道其下行链路的质量时, 可以提前在节点i处计算得到rihi。

另一个约束是一个常见于其他NUM公式中的标准。第一个约束为所有节点i的能量约束, 表明通过节点i的流传播时间不能超过节点能量预算Ei。如图1 (b) 所示, 对于任何中间结点总输入流量应等于总输出流量。这两个特殊节点为源和sink。因此, δis定义为:

其余约束为直接约束。信息数据速率应该比最小值大。同时, 不需要超过传感器读数此前定义的精度。传播时间和分配的数据流传输速率不为负值。

3.2 分布式算法

根据式 (13) 中的方程, 我们通过双变量分解方法导出一个分布算法。记为三个约束条件的拉格朗日多重因子。拉格朗日联立方程式 (13) 可写作:

其中, λ, μ以及υ可以视为能量价格、广播信息保护价格和流保护价格。根据式 (15) 可知, 基于网络效益最大化的数据收集优化问题可以描述为:

式 (16) 是一个双变量问题, 它可以进一步表示为:

从式 (15) 可以看出, 初始最优化问题可以分解为三个子问题并行求解 (在每个数据源处, 每个中继点处以及每条传输链路上) 。在每个数据源处的优化问题是:

在每个中继节点处的优化问题是:

在每条数据传输链路上的优化问题是:

式 (18) 和式 (19) 有线性目标。直接求解会导致振荡。因此可以引入一个二次调制函数使得函数成严格凸函数。因而式 (17) 中的双变量问题可以根据一梯度函数来解。双变量可以更新如下:

其中, βλ, βv, βμ为各自双变量的正步长, 符号[·]+映射负值到0。以上算法的通信系统开销包括接收器给每个源s出VDs, 节点j向其上游节点i发出Vjs, 节点i向下游节点j发出fijs。本分布式算法的复杂度决定于Hi的大小。因此, 让每一个传感器拥有小数目的下游节点可以简化问题。从而, 使双变量更新系统开销得到控制。

根据本算法可以确定Xs, tis和fijs的值。然而实际运算中每个节点只需要根据tis的值来操作。对于源节点, 它们仅仅生成tss·n的随机投影。对于中继节点, 它们二次投影接收的信息到tin·n并传输。

4 实验结果与分析

为了测试本文提出方案的性能, 我们以Matlab 2012为工具进行了仿真实验, 主要考察了本文方案的重构误差性能和能量有效性, 并与目前基于压缩感知来进行数据收集的CSEC[9]和CDG[6]方案进行了比较。

假定所有节点被随机散布在一个100×100平方米的正方形区域, 用二维高斯分布来模拟WSN中时空相关性数据源, 无线传输信道为BEC, 每个节点的通信半径均为25米, 每个节点的初始能量在[0.5 J, 2 J]之间随机分布, 为了使所有方案能进行公平对比, 节点均采用固定发射功率, 其中节点的发送能耗大约是接收能耗的2倍, 即Et=2Er。Er=50 nJ/bit。在指定时刻每个节点的数据产生率为128 bits/round, 节点获得感知数据后, 基于设计的测量矩阵进行测量, 每个节点得到自身的测量值, 然后各个节点依据各自设计的方法传输其投影值到Sink节点, 在Sink上进行信号的重构, 从而得到事件区域中节点的感知数据。实验结果取50次模拟的平均值。

图2给出了本文方案在不同丢失概率p下的RIP常数δs与数据稀疏度s的变化情况。可以看到, 当s增大时, 不同p下的δs都在增大, 这表明数据重构的性能在降低。另外仔细观察可以发现, 在相同的s下, 本文方案在BEC中p=0.2的性能与在理想信道中的性能接近, 可以实现数据的可靠收集, 而当BEC中p=0.4时, δs增大, 数据重构性能有所降低, 这是合乎实际的, 因为p增大到0.4时必将导致大量测量值传输出现丢失, 丢失概率的增大必然导致数据重构性能的下降。

图3给出了随着感知数据稀疏度变化, 不同方案的数据重构误差比较。其中, 设信号的维度为N=1 000, 信号的稀疏度变化从5到30。可以看到, 随着S的增加, 不同方案的重构性能都在降低。在理想信道条件下, 当测量数目都为m=256时, 三种方案的数据重构误差基本一致。

而在BEC条件下, 本文方案的性能要优于CSEC和CDG。这是因为CDG方案假定数据传输不会出现丢失, 因此当丢失概率为p=0.2时, sink可能接收不到某些节点的测量值, 从而影响了重构精度;而CSEC通过增加投影矩阵的行数在一定程度上保证了可靠性, 当增加测量数目从256到320时, 能够有效应对BEC中的数据丢失, 可以达到m=256时在理想信道中的重构性能, 但是CSEC方案容易受到数据收集树的拓扑结构影响, 当数据收集树中存在大量叶子节点 (即节点是数据传输的源头) , 则数据重构的精度就会大大降低;而本文方案通过在融合节点处采用二次投影对测量值进行网络编码处理, 并考虑了节点的能耗, 因此, 本文方案在理想信道和BEC条件下的数据重构性能非常接近, 这表明本文方案鲁棒性较强, 能够很好实现数据可靠收集的目的。

最后, 图4给出了本文提出的数据收集方法与目前较为典型CSEC[9]和CDG[6]方案在BEC下的网络生命周期比较。CDG和CSEC都基于压缩感知技术进行数据收集, 它们可以不做修改地应用到本文的网络模型和实验场景中, 这为不同方案间的性能对比提供了方便和更可靠的依据。从图中可以看到, 随着PSNR的增加, 三种方法的网络生命周期都在降低, 在获得相同PSNR值的前提下, 本文方法的性能最优, 相比于CSEC和CDG的生命周期而言, 平均延长了8.8%和14%。仔细分析起原因可知, 这是因为CDG采用密集投影进行数据收集, 没有考虑数据在BEC中可能发生丢失的情况, 因此要获得和其他方案相同的PSNR值, 则需要进行更多次的测量, 从而消耗了更多的能量;而CSEC在投影时, 只需要通过增加测量矩阵的行数来应对BEC中的数据丢失, 不需要进行额外的投影操作, 因此其生命周期要略高于CDG;而本文的方案更进一步, 只对叶子节点中的数据进行随机测量, 另外为了保证数据收集的可靠性, 在融合节点处将对测量值进行编码后再传输, 并将测量值的传输问题建模为网络效益最大化问题, 能够应对测量值在BEC中传输的可靠性, 从而在得到更高的PSNR值的前提下, 节省了节点能量, 延长了整个网络的生命周期。

5 结语

数据收集是无线传感器网络中的一个基本研究问题, 本文采用压缩感知理论, 考虑了节点数据传输过程中出现的丢失现象, 提出了一种基于网络效益最大化的数据收集方案。仿真实验结果表明, 本文方法在数据重构精度和能量有效性方面要优于传统的方法。我们下一步研究工作的重点在于:基于压缩感知理论, 研究数据收集中的安全性与可靠性问题, 主要考虑如何在保证数据收集效率的同时兼顾数据没有被篡改、泄密等问题。

参考文献

[1]Zhao Miao, Yang Yuanyuan.Optimization-Based Distribution Algorithms for Mobile Data Gathering in Wireless Sensor Networks[J].IEEE Transactions on Mobile Computing, 2012, 11 (10) :1464-1477.

[2]Guo Songtao, Yang Yuanyuan.A distributed optimal framework for mobile data gathering with concurrent data uploading in wireless sensor networks[C]//IEEE INFOCOM, Shanghai, China, 2012:1305-1313.

[3]袁凌云, 王兴超, 徐天伟.基于移动Agent和WSN的突发事件场景数据收集算法研究[J].电子与信息学报, 2010, 32 (8) :1974-1979.

[4]闫宇博, 杨盘隆, 张磊.基于低轮值不可靠无线传感器网络的数据收集加速机制研究[J].计算机研究与发展, 2010, 47 (z2) :121-127.

[5]Baron D, Wakin M B, Sarvotham S.Distributed Compressed Sensing[R].Rice University, 2006.

[6]Luo C, Wu F, Sun J, et al.Chen.Compressive data gathering for largescale wireless sensor networks[C]//Proceedings of MobiCom, Beijing, China, 2009:145-156.

[7]Wang Jin, Tang Shaojie, Yin Baocai, Xiang-Yang Li.Data Collection in Wireless Sensor Networks Through Intelligent Compressive Sensing[C]//IEEE INFOCOM, Shanghai, China, 2012:603-611.

[8]Luo Hong, Tao Huixiang, Ma Huadong, et al.Data Fusion with Desired Reliability in Wireless Sensor Networks[J].IEEE Transactions on Mobile Computing, 2011, 22 (3) :501-513.

[9]Luo Chong, Sun Jun, Wu Feng.Compressive Network Coding for Approximate Sensor Data Gathering[C]//IEEE Globecom, TEXAS, USA, 2011:1-6.

WSN网络 篇7

无线传感器网络(WSN)能实时监测、感知和采集网络分布区域内的各种环境或监测对象的信息,并对这些信息进行处理,从而获取对监测目标详尽而准确的描述数据,具有巨大应用前景[1]。然而,单一传感器获得的信息具有局部性、不确定性,甚至误差,因此,在WSN中对多个传感器信息进行融合显得十分重要。目前,对WSN信息融合的研究多集中于网内的分布式数据处理方法,如基于应用的定向扩散数据融合方法、基于查询的数据融合方法和基于层次的数据融合方法等[2,3]。限于传感器节点的数据处理能力有限,且分布式数据处理方案尚不完善,仍会有大量的冗余数据涌入汇聚节点,势必导致汇聚节点信息传输量增加,并带来较大的传输延迟。

文章以WSN在水情监测中的应用为背景,研究了WSN数据融合体系结构,提出了一种为弥补网内分布式数据融合不足的集中式信息融合方法。该方法以高性能汇聚节点为硬件平台,使用BP神经网络为数据融合算法,充分结合了FPGA和BP神经网络在数据处理方面的优势。首先,构建了针对水情监测应用的WSN数据融合框架;其次,提出一种基于脉动阵列的BP神经网络FPGA实现方法;最后,以洪水预报为应用实例,探讨了该方法在减少汇聚节点数据发送量、降低系统决策延迟以及融合算法可重构等方面带来的性能提升。

1 WSN水情监测系统信息融合框架

WSN水情监测系统是采用WSN对指定流域的水位、流量等水情信息进行采集、处理并发送至监测中心,以达到对流域水情的实时监测、预警预报等目的的系统。WSN水情监测系统由WSN网络、远程通信链路和监测中心3部分构成。WSN网络中的传感器节点采集水情信息并向汇聚节点转发,所有水情数据通过汇聚节点处理后经远程通信链路发送至监测中心。系统结构如图1所示。

考虑到WSN网络中大量冗余信息的存在,以及水情检测系统对实时性、数据精确性的要求,文章对WSN区域采用了混合式体系结构信息融合方案,即先通过传感器节点对采集信息进行分布式处理,再在汇聚节点对接收到的信息做集中式融合处理。混合式信息融合框架图如图2所示。

文章将重点放在集中式融合处理部分,汇聚节点在接收到传感器节点局部融合后的数据后,统一进行数据预处理,然后送入训练好的BP神经网络融合模块做融合处理,汇聚节点可直接将根据处理结果所作的决策信息发向监测中心。此外,汇聚节点对融合处理后的决策信息以及各传感器上传的原始信息均存储备份,这样既可以作为历史数据方便查询,又可以将其作为BP神经网络训练权值的经验数据使用。

2 BP神经网络的FPGA实现

BP神经网络是典型的前馈多层感知器网络,具有强大的非线性映射能力和学习功能,是目前使用的最为广泛的神经网络模型[4]。要在FPGA内实现整个BP网络,关键在于流水线处理单元阵列和其控制电路。实现结构的详细描述如图3所示。

图3中虚线方框内部是多个处理单元构成的MVM(3个矩阵向量乘积)处理阵列和单点计算单元,余下部分为相应的控制电路。处理单元阵列需要输入样本向量以及其期望输出值,阵列中每个处理单元主要由乘累加单元以及用于存储权值和中间计算结果的REG寄存器组成,在控制单元mode信号的控制下完成流水线不同阶段的计算。单点计算单元包括激活函数f、乘法器和加法器,其中激活函数单元f使用查找表LUT实现。控制器使用LMSE和ITERATION寄存器来决定结束条件,LMSE中存储用户允许最小均方误差,ITERA-TION中存储训练规定的最大训练次数。当处理单元阵列计算出的最小均方误差lmse低于LMSE值或者训练次数达到规定最大值时,BP网络整个训练结束并发出完成信号DONE。

文章以Xilinx公司的XC2VP30芯片为目标器件,对8×5×2的3层BP神经网络进行了实现。综合后最高时钟频率可达183.286MHz,具体资源使用情况如表1所示。

由表1FPGA综合结果可见,通过对脉动阵列2种MVM处理方法结合使用,网络在各项资源上消耗都较少,很适合实现更大型的BP网络。

3 实验分析

洪水预报是水情监测系统的目的之一,可分为水位预报和流量预报。其原理是根据历史洪水经验、水文资料以及实时监测水情信息分析判断,实现对下游水位或流量的预测。下面重点讨论本文信息融合方法在洪水预报应用中对系统性能的改善。

对洪水预报选用8×5×2的BP神经网络,输入为某个时间段内采集的上游水位、流量信息,2个输出分别为下游水位和流量的预报值。传统方法对WSN采集数据只做分布式融合处理[5],经汇聚节点转发至监测中心后再统一处理(在PC机上以软件方式完成BP神经网络数据处理)并作出决策即洪水预报。文章方法结合分布式融合处理的优势将监测中心的数据处理提前至汇聚节点完成,这样汇聚节点只需向监控中心发送决策数据,大大减少了信息发送量;同时数据处理、发送时间也相对减少,提高了系统的实时性。此外,由于FPGA的可重构特性,BP神经网络在拓扑结构、激活函数等多方面可轻易实现硬件可重构。本文方法与传统方法的比较如表2所示。

表2给出了本文方法与传统方法在各方面的具体比较。首先关注本文融合方案对汇聚节点数据发送量影响。考虑到汇聚节点接收的数据量较大,这里忽略数据帧的帧首、帧尾和校验位的影响,且设定BP网络输入、输出数据具有同等长度。显然,使用融合前后数据量变化与BP网络输入输出个数有关,在保证大量数据输入的情况下,融合后数据量只有未融合时的1/4。和传统方法相比,主要区别在数据传送时间(ttran)和融合计算时间(tcomp)2个方面。在同等传输速率下可知,在汇聚节点融合处理后,数据发送时间;由前述综合结果可知,使用FPGA实现的BP神经网络在计算速度上可比PC软件提高50倍左右,即。可见在汇聚节点采用FPGA数据融合后可大幅降低洪水预报决策延迟时间。

4 结束语

文章以WSN在水情监测中的应用为背景,提出了一种基于FPGA和BP神经网络的汇聚节点信息融合方案,并给出了使用该方法在FPGA中实现3层BP网络的具体过程。通过该方案在洪水预报中的应用分析,说明其在减少数据发送量、降低系统决策延迟时间等方面带来的性能提升。这种汇聚节点信息融合方案可以适用于多种WSN应用中,特别是那些监测区域广、数据信息量大,并对系统实时性要求较高的场合。同时,用于数据融合的算法也不仅局限于BP神经网络,可以根据具体的应用需求动态选择。

参考文献

[1]李建中,高宏.无线传感器网络的研究进展[J].计算机研究与发展,2008(01):11-15.

[2]王雪.无线传感网络测量系统[M].北京:机械工业出版社,2007.

[3]Eduardo F,Nakamura,Antonio A.F,et al.Information fusion for wireless sensor networks:Methods,models,and classifications[M].ACM,2007.

[4]韩力群.人工神经网络教程[M].北京:北京邮电大学出版社,2006.

Wsn分级信任管理模型 篇8

近年无线传感器网络(wireless sensor networks,简称WSNs)在军事、商业、家庭、医疗、环境等各个领域中得到了非常广泛的应用,受到了学术界和产业界的一致关注,而其安全需求也呈现出多样性,传统的基于密码体系的安全机制如SPINS[1]、Tiny Sec[2]、INSENS[3]、Tiny PK[4]等能提供数据机密性、数据完整性、节点认证、安全路由和访问控制的有效机制,主要用于抵抗外部攻击,无法有效解决由于节点被俘获而发生的内部攻击,或者是由廉价节点器件发生故障而引起的数据错误。分布式信任管理的概念[5]作为对基于密码体系的安全手段的重要补充由Blaze于1996年首次提出,之后在许多领域中得到应用。由于无线传感器网络资源受限,传统的p2p网络和ad-hoc网络的信任管理方法[6,7,8,9]不适合无线传感器网络。本文提出的信任管理模型基于分簇的无线传感器网络拓扑结构,取代了完全分布或集中的信任管理模型,从而节约了传感器节点的能量。为了进一步节省资源,信任管理分两级管理:首先在数据融合过程中通过节点评价能简单有效的识别出严重的恶意节点和受损节点;其次对可疑节点应用信任机制进行精确信任管理,并根据信任管理中的惩罚因素能有效的隔离问题节点。

1 分簇WSN网络模型

本文的研究基于层次结构的无线传感器网络模型,模型中有三种类型节点:基站节点BS(Base Station)、簇首节点CH(Cluster-Head)和感应节点SN(Bensor Node),模型结构如图1所示。感应节点负责数据采集并将其传给簇首节点;簇首节点由信任值相对较高的节点担任,通过竞争产生,负责其管辖区域(CELL)的数据融合和信任管理;基站是网络的最高层,是应用网络和探测网络的中继节点,管理簇首节点的信任值,找出可信探测集和可信簇首集,并产生可信的路由表,为简化问题,假设基站是绝对可信的,并且资源不受限。

2 基于节点评价的安全模型

分簇算法中考虑到所探测物理数据的区域特性因素,在数据融合过程中由簇首节点对其成员节点的数据和能量进行评价,超过一定阈值的节点,数据会被抛弃,严重者节点会被隔离。

2.1 数据评价。

2.1.1数据范围是否合理。根据传感器网络实际工作的情况,节点探测的数据应在某合理范围之内,如超出范围,则可能因为节点出现故障或数据受到了恶意篡改而使该节点成为不可信节点。2.1.2与周围其他节点数据是否产生跳变。传感器节点铺设密度一般比较大,一定范围内各节点的数据会具有空间相关性,如节点的数据与许多邻居节点的数据相差太多,则该节点的可信度将受到怀疑。据融合过程中采用大数选举策略向上级传送数据,对问题节点启动进一步信任管理。

2.2 能量评价。

2.2.1能量是否太低。节点能量是衡量节点乃至整个网络健壮程度的一个重要指标。能量值太低会造成传感器部件形成的数据不正确,数据不能发送或发送错误。2.2.2能量是否发生突变。节点的能量变化规律应该是连续的、渐变的。如果突然由低到高,有可能是恶意节点声明其拥有较高的能量,来争取充当簇首等关键节点,从而达到入侵网络、篡改数据的目的。

3 基于信誉的信任管理机制

3.1 信任管理模型。

图2描述了信任管理模型的主要结构,每个节点有一个检测机制得到本节点i与邻居节点j的交互结果recordij,从而每个节点维护一个二维表TRi={recordij}。

3.2 直接信誉及信誉空间向信任空间映射。

由于传感器网络资源受限,本文采用简单有效的信誉评估算法,recordij=(p,n),p是交易成功次数,n是交易失败次数。文献[10]中根据贝叶斯公式和β分布得出直接信誉(Rij)D=β(p+1,n+1)。由Tij=E[Rij]得到信誉空间向信任空间的映射,计算得出,从而能简单的从节点间交互成功失败的次数得到信任值。

3.3 间接信誉及信誉的合成。

为得到更精确的信誉值,考虑其他节点的推荐,节点i通过节点k得到节点j的信誉信息,将这种间接监测结果表示为(pjk,njk)。节点i已经拥有节点k、j的信誉,表示为(pk,nk)和(pj,nj)。由文献[11]及D-S合成规则得到新的信誉如下:

3.4 信任值的更新。

引入衰减因子来区别对待不同时期的交易结果,达到比普通权重的分配更稳健更合理的效果。衰减幅度可操作的灵活性也更强。原来的recordij=(pold,nold),又得到新的交互结果(pnew,nnew),取衰减因子为γ得到更新后的recordij=(p,n)。

4 系统执行流程

4.1初始化网络,设定数据阈值和可信度阈值,每个节点赋予一个初始可信度值,令pj=nj=0,可得Tij=0.5;

4.2 启动分簇算法,选出簇首节点,基站广播数据过滤标准;

4.3各节点探测环境变量,形成数据向簇首传送,簇首依据大数选举策略丢弃不合理数据,评估出故障节点和恶意节点,标记可疑节点;

4.4 对可疑节点启动信任评估,依据交互记录recordij得出Tij并及时更新;

4.5 当信任度低于可信度阈值时,簇首节点将其举报给基站,基站将该节点从可信路由表中删除;

4.6 基站也将周期性的评估簇首节点,当其信任度较低时将取消簇首资格,重新竞选产生簇首节点;

4.7当网络中可信度低于临界值的簇首数量超过节点总数的1/3时,根据拜占庭协议,网络安全性受到威胁,整个网络重构,回到第一步。

5 结论

从非密码学的角度来考虑网络的安全因素,给出一个基于分簇的分级信任管理模型,通过简单的节点评价能动态地检测到部分失效节点、恶意节点及可疑节点,过滤无效或恶意数据,对小部分可疑节点启动信任管理模型,从而极大的节省了网络的资源,比较适合资源受限的无线传感器网络。该模型对简单恶意节点、合谋欺诈、丢弃和贪婪破坏、汇聚节点攻击等具有良好的防御作用。

参考文献

[1]PERRIG A,SZEWCZYKR.WEN V,et al.SPINS:Security Protocols for Sensor Networks[J].Wireless Networks Journa1.2OO2,8(5).

[2]KARLOF C.SASTRYN.WAGNER D.TinySec:Link Layer Encryption for Tiny Devices[A].2004.

[3]DENG J,HAN R.MISHRA S.The Perfor-mance Evaluation of Intrusion-Tolerant Rout-ing in Wireless Sensor networks[C].Proceed-ings of IPSN2003.

[4]WATRO R.KONG D,CUTI SF,et al TinyPK:Securing Sensor Networks with Public Key Technology[A].Proceedings of the2nd ACM Workshop on Security of Ad Hoc and Sensor Networks[C1.2004.

[5]M.Blaze,J.Feigenbaum,J.Lacy.Decentralized Trust Management.In Proceedings of IEEE Conf.Security and Privacy,Oakland,California,USA,1996.

[6]Liang Z Q,Shi W S.PET:A personalized trust model with reputation and risk evaluation for P2P resource sharing[C]2005International Conference on System Sciences.Hawaii:IEEE Pres,2005:201-211.

[7]Xiong L,Liu L.PeerTrust:supporting repu-tation based trust for P2P electronic communi-ties[J].IEEE Transactions on Knowledge and Data Engineering,2004,16(7):843-857.

[8]Zhaoyu Liu,Anthony W.Joy,and Robert A.Thompson,"A Dynamic Trust Model for Mobile Ad Hoc Networks",In Proc.of the10th IEEE International Workshop on Future Trends of Distributed Computing Systems(FTDCS'04),May2004,pp80-85.

[9]Asad Amir Pirzada and Chris McDonald,"Es-tablishing Trust in Pure Ad-hoc Networks",in Proc.of27th Australasian Computer Science Conference,Dunedin,New Zealand,2004,pp.47-54

[10]S.Ganeriwal and M.Srivastava."Reputa-tion-based framework for high integrity sensor networks".In Proceedings of the2nd ACM workshop on Security of ad-hoc and sensor networks(SASN'04),pp.66-77,Oct2004.

WSN时间同步算法研究 篇9

关键词：WSN,时间同步,算法,广播

0 引言

随着微电子技术、计算机技术、通讯技术以及微机电系统(MEMS)等技术的飞速发展,推动了低成本、低功耗、多功能的微型传感器技术的快速发展,在微小体积内能够集成信息采集、数据处理和无线通信等功能。在此背景下,WSN(Wireless Sensor Network,WSN)应运而生,并成为各国重点关注、目前发展最快的新技术之一,被列为21世纪最有影响的21项技术和改变世界的10大技术之一。

WSN就是由部署在监测区域内大量的传感器节点组成,通过无线通信方式形成的一个多跳的、自组织的网络系统,其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息,并发送给观察者[1]。

WSN是一个典型的分布式系统,每一个节点都有自己的本地时钟,节点时钟同步是WSN的一项支撑技术,WSN的许多实际应用与关键技术都离不开网络节点之间的时钟同步[2]。例如,在WSN的多传感器融合应用中,为了减少网络通信以降低能耗,通常需要将传感器节点采集的目标数据在网络传输过程中进行必要的融合,而进行融合的先决条件就是网络中的节点必须拥有相同的时间标准来保证数据的一致性;WSN节点定位通常依赖于节点的时钟同步,在基于测距的定位中,如果节点之间能够保持时钟同步,那么就很容易确定声波等信号的传输时间,反之亦然;在低能耗MAC协议的设计过程中,为了减少能量消耗,通常通过调节占空比实现时分多址(TMDA)的调度算法,这就需要参与通信的双方首先实现时钟同步,并且同步精度越高,防护频带越小,相应的功耗也将越低。

1 影响时间同步的因素分析

WSN中节点的本地时钟计时是通过晶振的中断计数实现的。晶振的频率误差和初始计时时刻的不同会导致节点之间的本地时钟不同步。即使各个节点在初始时刻达到时间同步,但是由于外界环境温度、电磁干扰等的影响都会导致各个节点的时钟产生偏差。显而易见,要使整个WSN内各个节点的时间总保持一致是不可能的,也做不到绝对的时间同步。

研究表明,影响时间同步的主要因素是时间同步消息在网络中的传输延迟。从发送节点到接收节点的关键路径上的传输延迟主要可以分为4个部分[3]:

(1)发送时间,即发送节点生成时间同步信息所用的时间,其中包括上下文切换等各种时间延迟以及协议处理时间等;

(2)访问时间,即发送节点在等待信道空闲并占用信道的时间;

(3)传播时间,即从发送节点到接收节点所需的时间;

(4)接收时间,即接收节点从信道接收消息和通知主机消息到达所需要的时间。

2 WSN时间同步算法

WSN时间同步目前是传感器网络研究中的热点和难点,目前国内外已有较多算法出现。在这当中比较有代表性的有RBS算法、DMTS算法、LTS算法、TPSN算法、基于连通支配集的全局时钟同步算法。

2.1 RBS算法

RBS(Reference Broadcast Synchronization)算法[4]是一种采用接收者-接收者之间进行同步的方法实现节点间同步,利用无线信道的广播特性,即时间同步消息对所有的接收节点而言是同时发送到信道上的。而RBS算法正是利用这种广播特性来消除发送和访问引起的时间同步的误差。

其基本过程是:参考节点周期性地向网络中的其它节点发送时间同步消息,接收到时间同步消息的接收节点各自根据自己的本地时间记录下时间同步消息到达的时间,然后任意两个接收节点相互交换本地的时间戳信息,再估算出两者之间的初始相位差和频率差,从而得到两者之间的时钟偏差。RBS算法中广播的时间同步消息并不包括真实的时间戳信息,消息的准确发送时刻以及消息到达每个节点的传播时刻也并不重要,RBS算法中最关键的就是时间同步消息传播时间的差值。RBS算法的原理可以用一个简单的示例来说明。一个时间同步消息、两个接收节点,其中两个接收节点的接收时间差值作为两个节点的时钟偏差,然后其中一个根据接收到的时间差值来修改其本地的时间,从而实现时间同步,如图1所示。

RBS算法比传统的时间同步机制提供了更高的同步精确,其优点是显而易见的,即能够消除由发送节点引起的时间同步误差,但是由于RBS算法的复杂度较大,导致时间消息交换次数较多,网络开销也不可避免地加大,其能耗也比较高。

2.2 DMTS算法

DMTS(Delay Measurement Time Synchronization)同步算法[5]是一种相对灵活、轻量级的时间同步算法。具有N个节点的单跳WSN只需要发送一次时间同步消息即可使整个WSN所有节点保持同步,具有N个节点的多跳WSN也只需要N次交换消息即可完成整个网络的节点时间同步。

其实现机制是:选择某一个节点作为时间主节点(即首领节点),并相应地赋予其时间源级别为0级,而直接收到时间同步消息并与时间主节点保持时间同步的节点赋予其时间源层次为1,相应的接收层次为n的节点赋予其时间能源层次为n+1。时间主节点周期性地广播时间同步消息,与其直接或者是间接保持同步的节点在给定的时间内广播并只广播一次它的时间,而节点收到广播的同步时间消息之后,检查发送该包的接点是否低于自己的级别,如果是,就进行时间同步,否则就丢弃。这样时间主节点的时间同步消息就通过非常小的跳数(等于网络节点数目)就能够传播到整个网络的所有节点,并且没有冗余数据包的传输。

与RBS时间同步算法相比,DMTS算法的信息传输量和计算复杂度都要小得多,但是其缺点也是很明显的,它的时间精确度要比RBS算法低。

2.3 LTS算法

LTS(Lightweight Tree-based Synchronization)算法[6]是由加州大学伯克利分校的Jana Van Greunen等人提出的。该算法比较注重最小化时间同步的能量开销,在节点失效移动以及信道变化的情况下,仍能够保持正常有效。

LTS同步算法的基础是单跳节点同步,其核心思想是首先构建一个包括所有节点在内的具有较低深度的生成树T,然后以树的根节点作为参考节点,沿着树T的边进行成对的同步。参考节点通过与它所有的直接子节点进行成对同步来初始化整个同步过程;参考节点的子节点又与它们自己的子节点进行成对同步。以此类推,直到所有的子节点都被同步。算法的同步时间与树的深度成比例。

LTS算法为低成本、低复杂度的无限传感器网络减少了成对时间同步的系统开销,但同时也减小了同步精度,它是一种通过牺牲一定精度来减少能量开销的时间同步算法。但有研究认为LTS算法采用的维护低深度生成树的方法与最小能量开销难以达成一致。

2.4 TPSN算法

TPSN同步算法[7]采用Client/Server时间同步的模式,与传统的网络时间协议NTP类似,其要达到的目的是在全网络范围内提供节点时间同步。

TPSN算法假设所有的节点都具有整个网络唯一的地址标识号,网络中的每一个节点都可以与直接通信的节点集通信,其次是假设WSN的无线通信链路是双向的。

TPSN算法主要分为两个步骤:第一是为网络的所有节点建立层次性的结构,这个阶段就是创建一个层次拓扑结构。每个节点处于层次结构中的某一层并赋予一个层次编号,处于第n层的节点能与处于第n-1层的至少一个节点进行通信。通常只要生成和维护一个公共的层次结构即可;第二是在建立层次结构之后,相邻节点以发送者/接收着(Sender/Receiver)同步的方式完成时间同步。图2示出了相邻层次节点通过消息交换来实现同步的过程。节点A属于第n层的节点,节点B属于第n-1层的节点,时刻T1和T4表示节点A的本地时钟在两个时刻的测量值,T2和T3表示节点B的本地时钟在两个时刻的测量值。

2.5 基于连通支配集的全局时钟同步算法

连同支配集构造算法的目的是在WSN的信息能够覆盖整个网络节点的前提下能够使参与广播的节点数目最少,也就是构造一个顶点数目最少的连通支配集。目前基于连通支配集的算法可以分为两种:基于删除冗余节点的构造算法和基于最大独立集的构造算法。算法的核心是降低网络多跳同步的通信开销,连通支配集可以有效地抑制洪泛现象,而且基于连通支配集的特性,只要是使连通支配集内的节点参与广播,即可以使广播覆盖全网络节点。而且,由于支配集内的节点数目相对较少,大大降低了广播通信的开销。

而基于连通支配集的全局时钟同步算法[8]是对DMTS算法的改进。此算法对DMTS算法的多跳同步进行了如下的改进:每一级节点与上级节点达成同步后,如果自己是一个网关节点,那么就向邻居节点广播自己的时间同步消息;否则,就不再广播。与DMTS时间同步算法相比较,此算法的通信开销大大降低[9]。

如图3所示,设节点5为同步基准节点,只需要支配集几点{4,3,6,8}四个节点参与同步广播,就可以同步整个网络里的所有节点。

3 结论

本文对WSN的几种时间同步算法进行了分析研究。虽然不同的应用目的对WSN时间同步的要求不同,但就目前研究阶段来说WSN的时间同步技术仍然面临不少问题,例如节点本身的能量消耗问题、提高同步精度问题、提高算法的可扩展性、广播信息在关键路径上传输延迟的不确定性等都是亟待解决的问题。因此加快对WSN时间同步算法的研究对WSN技术的发展及其应用是非常重要和意义深远的。

参考文献

[1]孙利民,李建中,陈渝,等.WSN[M].北京清华大学出版社,2005.

[2]Elson J.Time synchronization services for Wireless Sensor Networks[D].Dept of Computer Science,University of California,2001.

[3]Kopetz H,Schwabl W.Global time in distributed real-time systems[R].Technical Report15/89,Technische University at Wien,1989.

[4]Jeremy E,Lewis G,Deborah E.Fine-grained network time synchronization using reference broadcasts[C].Proceedings of the Fifth Symposium on Operating Systems Design and Implementation,Boston,MA,2002.

[5]Ping S.Delay measurement time synchronization for wireless sensor networks[R].Intel Research Berkeley lab,IRB-TR-03-013,2003.

[6]Jana V G,Jan R.Lightweight time synchronization for sensor networks[C].Proceeding of2nd ACM Workshop on Wireless Sensor Networks and Applications,San Diego,CA,2003.

[7]Ganeriwal S,Kumar R,Srivastava M B.Timing-sync protocol for sensor networks[C].Proceedings of first ACM Conference on Embedded Networks Sensor System,November2003.

[8]杨宗凯,赵大胜,王玉明,等.传感器网络虚拟骨干构造算法及时钟同步应用[J].微电子学与计算机,2005,22(8):12-15,19.

RFID和WSN安全技术探究 篇10

基于射频识别技术的物联网主要由标签、读写器和后端数据库系统构成。标签可接收数据，也可将数据发送给读写器。读写器负责处理并捕捉标签的数据，并将数据传送给后端数据库系统。读写器在标签和后端系统中起到中介的作用。读写器和标签的通信模型有3层，即：应用层、通信层和物理层。无线传感网络WSN由普通无线传感器节点和基站组成。普通传感节点能进行数据收集、存储和通信。基站负责搜集信息并将整合后的数据发给用户。无线传感网络的通信模型分为应用层、传输层、网络层、数据链路层和物理层。无线传感网络中网络层是安全机制设计的核心。在物联网感知层中，无论是RFID还是WSN都是采用无线传输，其安全性相比有线传输面临更大的威胁，加上物联网感知节点功能结构简单，这使得设计感知层的安全协议变得很困难。下面对现有的RFID和WSN的安全协议设计方案做介绍。

2 物联网感知层射频识别系统安全协议

早期的射频识别认证协议方案有哈希锁协议、随机哈希锁协议、哈希链协议等，这些方案均能实现读写器和标签间的双向认证，但它们也存在很多缺陷。如哈希锁协议在实现双向认证时，很多重要的属性值（如ID、key值）在传输过程中固定不变，这使RFID容易受假冒和欺骗等攻击。随机哈希锁协议在标签中增加了随机数发生器，可抵御位置跟踪攻击。但该协议运算量大，且未对认证时的关键信息加密，所以随机哈希锁协议还是没能从根本上解决各类攻击。哈希链协议只能实现单向认证，即读写器对标签的认证，且后端系统运算量很大。不过哈希链协议也有其优点，它能保证算法的保密性、反跟踪和前向性安全。

为了解决标签被重放和跟踪的问题，协议中都要对标签的身份标识信息做动态更新。标识信息更新的方法有两种：一是用随机数发生器，二是以原身份信息作为输入量，通过某种操作后生成新的识别信息。随机哈希锁协议就是用第一种方法来更新识别信息。而哈希链协议则是用第二种。第一种方法的缺陷是后端系统必须用遍历的方法来实现对标签的认证。第二种方法的缺陷在于标签在更新自身的身份信息的同时，后端系统也要对标签的识别信息做更新，防止去同步隐患；另外由于新的识别信息是在老识别信息基础上产生的，所以需考虑协议的前向性安全问题。

利用随机产生可逆方阵并选择合适的向量的方法实现读写器和标签间的双向认证[1]。由于方阵和向量的不确定性，因此算法能抵抗位置跟踪、重放、克隆攻击，且具有前向性安全。算法的运算主要是矩阵运算，因此运算量小。然而算法不具有后向性安全，再有算法在更新向量时没有考虑去同步问题。

利用随机数发生器动态更新智能标签的身份识别信息[2]，此算法具有保密性、前向性安全，但算法只能实现单向认证，即后端系统对标签的认证；且每次认证时标签都要发送自己的设备标识和芯片标识，所以算法不具有反跟踪的安全性。另外后端系统每次收到信息后只对比认证口令1和认证口令是否一致来认证智能标签，对相同信息没有控制，所以算法对重放攻击也不具有免疫性。

利用随机数发生器实现标签识别信息的动态更新，算法实现了读写器与标签间的双向认证，有效防止非法读取、位置跟踪、伪装哄骗、重放等攻击[3]。但该算法标签计算量大，每次认证标签需4次哈希操作，后端系统做3次。所以算法的实用性欠佳。

文献[5]用Blom矩阵方法实现读写器与标签的双向认证，其中标签的身份识别信息更新是通过读写器每次向标签发送不同的向量实现的。算法利用Blom矩阵为标签动态更新身份识别信息，有效抵抗重放和跟踪攻击。另外算法中按一定的规则对标签持有的向量进行更新，所以保证了算法的前向性安全。

3 物联网感知层无线传感网络安全协议

WSN由节点和基站构成，它以感知为目的，节点通过自组织方式构成网络从而实现数据传输。节点中有传感器、数据处理单元、通信单元。节点用传感器探测周围环境后，对数据进行处理并发送给邻居节点或基站。而基站具有更强的处理、存储和通信能力，所以基站负责节点数据的收集并将数据传递给数据收集者。目前对于WSN出现的种种安全问题，主要是从密钥管理、安全路由、节点认证和访问控制等方面对无线传感网络进行安全保护。其中密钥管理是WSN安全技术的核心。4种主要的密钥管理协议是：简单密钥分布协议、动态密钥管理协议、密钥预分布协议、分层密钥管理协议。在简单密钥分布协议中，网内所有节点公用一个密钥进行数据的加解密。此方法安全性较低，但内存需求量小。对于密钥预分布协议，事先将一些密钥装入节点中，当节点被部署好后，节点通过执行共享密钥发现过程来为安全链路的形成建立共享密钥。动态密钥管理协议是节点的密钥可根据要求周期性地改变，从而提高网络的抗攻击能力。分层密钥管理协议是使用多种密钥机制共同维护网络的安全。

使用一次性预共享密钥建立节点的个体密钥、节点间的共享密钥，在共享密钥建立过程中产生通信的安全链路[4]。该方法开销小，在一定时间内密钥具有安全性，但算法没实现节点间密钥的动态更新，未考虑加入新节点的情况，且算法仅适用于静态的无线传感网（即节点间的拓扑结构不能改变），有一定的局限性。

使用Blom矩阵方法实现WSN的密钥管理，算法事先在节点中预置了产生密钥的向量和更新密钥的信息，网络部署完成后用Blom矩阵密钥实现节点间首轮密钥的交换，之后丢弃Blom矩阵密钥启用节点间的新密钥。当节点间交换的事务消息个数达到指定阈值时，节点使用随机的事务作为密钥的输入量生成新的密钥对[5]。该方案计算量小，密钥更新通信消耗低，且节点间的密钥对更新与其通信量有关，即通信量大则节点更新密钥次数多，反之更新次数少。

使用节点的身份ID构建WSN的组密钥，组密钥会在一定的条件下（节点加入或退出及组密钥的生命周期结束）自动更新，算法的安全性有所提高[6]。然而该算法在节点中保存了大量的信息，所以当某一节点被俘获时，可用其保存的对称密钥K冒充合法的新节点加入改组，进而获得改组的新组密钥。另外算法中节点的运算量大。

利用拉格朗日插值多项式生成WSN组密钥，算法开始时为节点预置节点标识ID、初始组密钥和初始组密钥分量，当节点部署完成后基站随机生成两个随机数，基站用组密钥加密随机数后广播给组内节点，节点用收到的随机数更新组密钥。当有节点加入或退出时，组中的每个节点会向邻居节点发送组密钥分量请求，当节点获得的密钥分量请求达到规定阈值时，节点即可推算出新的组密钥[7]。该算法在密钥更新时通信量较大，且算法存在局限，即被俘节点对于组内其余节点是已知的，所以算法的实用性不大。另外算法在新节点加入时，未考虑冒充节点的情况，所以算法存在安全威胁。

4 RFID和WSN的发展趋势

RFID和WSN尽管是两种不同的技术，但它们在某些方面具有很大的相似性。如都采用无线通信的方式，都对收集到的数据进行处理。基于射频识别系统的优势和不足，有学者提出将RFID和WSN进行融合，构建超级射频识别系统。这种系统综合了射频识别系统和传感网络的技术特点，既能实现对目标的自动识别，又能实现传感网络主动感知与通信。超级射频识别系统的安全将继续是今后的研究热点。

5 结语

随着物联网的发展和应用推广，物联网的安全也逐渐成为研究的热点。其中，射频识别系统和无线传感网络是物联网中的关键技术。射频识别系统的安全核心在于为智能标签与读写器提供良好的双向认证，保证通信数据的保密性，标签不可跟踪性，系统的前向性和同步性安全。所以射频识别安全协议是RFID的研究重点。完善的无线传感网安全机制要保证数据的保密性、完整性和新鲜性，同时为节点与节点、节点与基站间提供认证。密钥管理技术是WSN安全设计的核心。就部分RFID安全协议和WSN密钥管理方案做分析比较，指出RFID和WSN融合的发展趋势。

参考文献

[1]裴友林,杨善林.基于密钥矩阵的RFID安全协议[J],计算机工程,2008,19:170-173.

[2]胡祥义,徐冠宁,杜丽萍.基于轻量级加密技术建立物联网感知层信息安全的解决方案[J].网络安全技术与应用,2013,3:9-12.

[3]曾丽华,熊璋,张挺.Key值更新随机Hash锁对RFID安全隐私的加强[J].计算机工程,2007,3,151-153.

[4]刘玉.WSN中基于一次预共享密钥的安全管理方案[J],合肥学院学报,2009,19:32-49.

[5]戴雷.基于Blom矩阵方法的物联网感知层安全协议研究[D].复旦大学,2011,7.

[6]关亚文,刘涛.基于身份的低能耗WSN组密钥管理方案[J].计算机工程,2014,6:75-78.