徐 萍，何加銘，謝志軍，曾興斌

(寧波大學(xué)信息科學(xué)與工程學(xué)院，浙江寧波315211)

0 引言

在構(gòu)建無(wú)線傳感器網(wǎng)絡(luò)(wireless sensor networks，WSNs)時(shí)，覆蓋問(wèn)題是衡量網(wǎng)絡(luò)的QoS指標(biāo)之一，可以看作是傳感網(wǎng)絡(luò)在節(jié)點(diǎn)能量、計(jì)算處理能力等資源受限的情況下，通過(guò)放置節(jié)點(diǎn)和喚醒/休眠節(jié)點(diǎn)等手段，從而獲得更好的QoS。傳感器節(jié)點(diǎn)構(gòu)成的WSNs在無(wú)人監(jiān)管的情況下，通過(guò)傳感器節(jié)點(diǎn)之間的協(xié)同工作實(shí)現(xiàn)監(jiān)測(cè)和采集各種環(huán)境或監(jiān)測(cè)對(duì)象的相關(guān)信息，并將處理后的數(shù)據(jù)傳送給基站。除此之外，WSNs中通常節(jié)點(diǎn)布設(shè)密集，如果讓所有節(jié)點(diǎn)都工作，則會(huì)在數(shù)據(jù)收集時(shí)存在高度相關(guān)和冗余，甚至在傳送數(shù)據(jù)時(shí)發(fā)生沖突。移動(dòng)目標(biāo)監(jiān)測(cè)是WSNs的重要應(yīng)用之一［1］。

一種典型的移動(dòng)目標(biāo)監(jiān)測(cè)的調(diào)度策略是基于分簇策略的跟蹤算法［2，3］。假設(shè)WSNs是由特定或者隨機(jī)部署在監(jiān)測(cè)區(qū)域內(nèi)的簇首和普通節(jié)點(diǎn)組成，簇首負(fù)責(zé)接收處理節(jié)點(diǎn)發(fā)來(lái)的數(shù)據(jù)，然后轉(zhuǎn)發(fā)給基站;普通節(jié)點(diǎn)負(fù)責(zé)感知數(shù)據(jù)。然而活躍節(jié)點(diǎn)數(shù)直接影響網(wǎng)絡(luò)能量的消耗。文獻(xiàn)［4］提出基于自適應(yīng)目標(biāo)跟蹤算法，利用最優(yōu)選擇機(jī)制和動(dòng)態(tài)分簇方式確定活躍節(jié)點(diǎn)。文獻(xiàn)［5］最大熵原理，先把部署在網(wǎng)絡(luò)中的靜態(tài)節(jié)點(diǎn)分簇，然后根據(jù)監(jiān)測(cè)環(huán)境的需要加入移動(dòng)節(jié)點(diǎn)，從而降低網(wǎng)絡(luò)的不確定性，增加節(jié)點(diǎn)的可選擇性。文獻(xiàn)［6］利用節(jié)點(diǎn)的聯(lián)合概率探測(cè)模型，選擇探測(cè)概率大的節(jié)點(diǎn)作為任務(wù)節(jié)點(diǎn)。然而當(dāng)目標(biāo)在局部做重復(fù)運(yùn)動(dòng)，或者更為復(fù)雜的運(yùn)動(dòng)時(shí)，目標(biāo)在局部區(qū)域內(nèi)逗留的時(shí)間很長(zhǎng)，這樣局部能量就會(huì)迅速消耗，最終導(dǎo)致對(duì)目標(biāo)漏檢。

本文根據(jù)以往節(jié)點(diǎn)的調(diào)度記錄和剩余能量、目標(biāo)軌跡以及回退機(jī)制來(lái)提高網(wǎng)絡(luò)覆蓋度和監(jiān)測(cè)概率，借助貪心算法優(yōu)化網(wǎng)絡(luò)資源分配，使之更好地完成對(duì)移動(dòng)目標(biāo)的監(jiān)測(cè)任務(wù)。在WSNs中，大量節(jié)點(diǎn)隨機(jī)分布在目標(biāo)區(qū)域內(nèi)，受節(jié)點(diǎn)自身?xiàng)l件限制，若所有節(jié)點(diǎn)同時(shí)工作，不僅能量消耗過(guò)快，而且降低了網(wǎng)絡(luò)的使用壽命。本文研究如何通過(guò)模糊移動(dòng)軌跡［7］策略解決喚醒調(diào)度算法中某些節(jié)點(diǎn)過(guò)早死亡和移動(dòng)物體監(jiān)測(cè)過(guò)程中盲點(diǎn)問(wèn)題。主要研究包括:構(gòu)建基于隨機(jī)均勻分布節(jié)點(diǎn)模型，提出模糊移動(dòng)軌跡建立方案，提出一種基于模糊移動(dòng)軌跡策略的節(jié)點(diǎn)調(diào)度(move trajectory PEAS，M-PEAS)算法。實(shí)驗(yàn)證明:該算法提高了節(jié)點(diǎn)的監(jiān)測(cè)概率，降低了能耗。

1 M-PEAS理論基礎(chǔ)

采用輪換“活躍”和“休眠”節(jié)點(diǎn)的覆蓋控制協(xié)議可以有效延長(zhǎng)網(wǎng)絡(luò)生存時(shí)間，每個(gè)周期由一個(gè)自調(diào)度階段和一個(gè)工作階段組成。在自調(diào)度階段:各節(jié)點(diǎn)首先向傳感半徑內(nèi)鄰居節(jié)點(diǎn)廣播通告消息，其中包括節(jié)點(diǎn)ID和位置。節(jié)點(diǎn)檢查自身傳感任務(wù)是否可由鄰居節(jié)點(diǎn)完成，可替代的節(jié)點(diǎn)返回一條狀態(tài)通告消息，之后進(jìn)入“休眠狀態(tài)”，需要繼續(xù)工作的節(jié)點(diǎn)執(zhí)行傳感任務(wù)，在判斷節(jié)點(diǎn)是否可以休眠時(shí)，如果相鄰節(jié)點(diǎn)同時(shí)檢查到自身的傳感任務(wù)可由對(duì)方完成并同時(shí)進(jìn)入“休眠狀態(tài)”，就會(huì)出現(xiàn)監(jiān)測(cè)的“盲點(diǎn)”［8］。

1)監(jiān)測(cè)概率

一般由于傳感器節(jié)點(diǎn)的理論或物理特性不同，應(yīng)用場(chǎng)景對(duì)監(jiān)測(cè)要求不同，對(duì)監(jiān)測(cè)性能要求不同。根據(jù)傳感模型得到監(jiān)測(cè)概率的分布，不同傳感器的傳感模型有所差異，但感知能力隨距離的增長(zhǎng)而降低的這一基本特點(diǎn)是保持不變的。PEAS算法節(jié)點(diǎn)密度公式

其中，λ為節(jié)點(diǎn)的監(jiān)測(cè)概率，ts為節(jié)點(diǎn)睡眠周期。傳感器節(jié)點(diǎn)s在q點(diǎn)的感知模型定義如下［9］

其中，dis(s，q)為節(jié)點(diǎn)s與q在二維空間上的歐氏距離，α＞0為感知系數(shù)，k=1，2為距離影響系數(shù)。根據(jù)感應(yīng)模型，可以得出節(jié)點(diǎn)s對(duì)q點(diǎn)的發(fā)現(xiàn)概率p(d)

其中，d=dis(s，q)，r為感知半徑，R 為通信半徑，為保證節(jié)點(diǎn)間正常通信，設(shè)定R＞2r。

2)模糊軌跡

設(shè)移動(dòng)目標(biāo)物體從節(jié)點(diǎn)A移動(dòng)到節(jié)點(diǎn)B的坐標(biāo)分別為A(x1，y1)，B(x2，y2)，根據(jù)兩節(jié)點(diǎn)之間的歐氏距離和監(jiān)測(cè)時(shí)間，得出移動(dòng)目標(biāo)的速度函數(shù)

方位角函數(shù)

其中，φab為A至B直線方向參考方向。當(dāng)運(yùn)動(dòng)物體從節(jié)點(diǎn)A移至節(jié)點(diǎn)B時(shí)，節(jié)點(diǎn)B計(jì)算速度估計(jì)函數(shù)f(vB)和方位角估計(jì)函數(shù)f(Bφ)定義如下

其中，Δv，Δθ為速度和方位角的偏差量。

3)回退機(jī)制

節(jié)點(diǎn)在自調(diào)度階段檢查之前執(zhí)行一個(gè)回退機(jī)制:每個(gè)節(jié)點(diǎn)在一個(gè)隨機(jī)產(chǎn)生的Td時(shí)間之后再開(kāi)始檢查工作。在本文中Td時(shí)間根據(jù)物體移動(dòng)軌跡、速度、節(jié)點(diǎn)間距離決定。此外，回退時(shí)間還可以根據(jù)周圍節(jié)點(diǎn)密度而計(jì)算，這樣就可以有效地控制網(wǎng)絡(luò)“活躍”節(jié)點(diǎn)的密度，為了進(jìn)一步避免“盲點(diǎn)”的出現(xiàn)，每個(gè)節(jié)點(diǎn)在進(jìn)入“休眠狀態(tài)”之前還將等待3 s時(shí)間來(lái)監(jiān)聽(tīng)鄰居節(jié)點(diǎn)的狀態(tài)更新。

4)模糊移動(dòng)軌跡的優(yōu)劣評(píng)價(jià)標(biāo)準(zhǔn)

模糊移動(dòng)軌跡的優(yōu)劣評(píng)價(jià)標(biāo)準(zhǔn):移動(dòng)目標(biāo)在運(yùn)動(dòng)的情況下，在傳感區(qū)域內(nèi)的時(shí)間越長(zhǎng)，被監(jiān)測(cè)到的概率越大，對(duì)于目標(biāo)在監(jiān)測(cè)區(qū)域內(nèi)監(jiān)測(cè)量的計(jì)算，移動(dòng)目標(biāo)在監(jiān)測(cè)區(qū)域內(nèi)的責(zé)任感知節(jié)點(diǎn)有影響，第一，移動(dòng)目標(biāo)在區(qū)間［t1，t2］在二維軌跡上監(jiān)測(cè)量［10］為

式(7)表示目標(biāo)移動(dòng)過(guò)程中責(zé)任節(jié)點(diǎn)對(duì)其感知數(shù)量，即監(jiān)測(cè)量越大越好。模糊軌跡監(jiān)測(cè)的長(zhǎng)度與節(jié)點(diǎn)監(jiān)測(cè)狀態(tài)有關(guān);第二，目標(biāo)在移動(dòng)過(guò)程中被監(jiān)測(cè)的概率越大，漏檢的可能性減少。同時(shí)喚醒機(jī)制綜合考慮剩余能量，當(dāng)節(jié)點(diǎn)剩余能量為初始能量的1/3時(shí)，節(jié)點(diǎn)自動(dòng)轉(zhuǎn)換成中繼節(jié)點(diǎn)，只負(fù)責(zé)節(jié)點(diǎn)信息的傳遞工作，減少因節(jié)點(diǎn)失效而產(chǎn)生的盲點(diǎn)問(wèn)題。

2 M-PEAS節(jié)點(diǎn)調(diào)度策略

M-PEAS節(jié)點(diǎn)調(diào)度策略是一種基于探測(cè)的節(jié)點(diǎn)密度控制協(xié)議PEAS的分布式控制算法，其中，運(yùn)動(dòng)物體模糊移動(dòng)軌跡、速度和方位角函數(shù)推算是此算法的關(guān)鍵。節(jié)點(diǎn)調(diào)度休眠規(guī)則包括2個(gè)方面:首先，檢查節(jié)點(diǎn)在各自責(zé)任區(qū)是否滿足保證區(qū)域覆蓋;其次，根據(jù)估計(jì)值設(shè)定節(jié)點(diǎn)喚醒函數(shù)。

1)模型的分解

運(yùn)動(dòng)物體從節(jié)點(diǎn)A運(yùn)動(dòng)至節(jié)點(diǎn)C，而B(niǎo)，D，E，F(xiàn)是其鄰居節(jié)點(diǎn)，如圖1所示，各節(jié)點(diǎn)具有相同的屬性，節(jié)點(diǎn)C根據(jù)節(jié)點(diǎn)A獲取物體移動(dòng)的速度、方位角、距離等信息推算運(yùn)動(dòng)物體本輪的軌跡，計(jì)算到達(dá)自身監(jiān)測(cè)區(qū)域概率和時(shí)間。由于各節(jié)點(diǎn)具有相同的時(shí)鐘，同時(shí)物體的運(yùn)動(dòng)具有很強(qiáng)的關(guān)聯(lián)性，在短時(shí)間內(nèi)其速度和方向不會(huì)發(fā)生太大的變化。節(jié)點(diǎn)C根據(jù)節(jié)點(diǎn)A的信息和兩點(diǎn)間的距離，確定速度估計(jì)函數(shù)F(v)，方位角函數(shù)φ(θ)，如圖2所示，定義與參考方向x軸方向的夾角為方位角。通過(guò)這2個(gè)函數(shù)推算物體的運(yùn)動(dòng)軌跡y，休眠節(jié)點(diǎn)根據(jù)信息確定到達(dá)本區(qū)域的概率，將此信息發(fā)送給鄰居節(jié)點(diǎn)，通過(guò)比對(duì)接收到的信息分析數(shù)據(jù)。關(guān)聯(lián)度最小的節(jié)點(diǎn)采用休眠方式;若有幾個(gè)節(jié)點(diǎn)同時(shí)處于方位角之內(nèi)，且監(jiān)測(cè)區(qū)域有重疊，根據(jù)節(jié)點(diǎn)的覆蓋范圍和節(jié)點(diǎn)的剩余能量綜合考慮節(jié)點(diǎn)的工作狀態(tài)。通常，設(shè)物體從節(jié)點(diǎn)A運(yùn)動(dòng)到節(jié)點(diǎn)B，根據(jù)RSSI技術(shù)獲得兩點(diǎn)的距離，估計(jì)速度函數(shù)計(jì)算物體到達(dá)上限時(shí)間令T為PEAS休眠節(jié)點(diǎn)喚醒周期，則，當(dāng)節(jié)點(diǎn)C收到節(jié)點(diǎn)A的感知信號(hào)，經(jīng)過(guò)mT時(shí)間，節(jié)點(diǎn)C進(jìn)入節(jié)點(diǎn)監(jiān)聽(tīng)狀態(tài)，并持續(xù)(m-n)T時(shí)間。

圖1 目標(biāo)物體移動(dòng)原理圖Fig 1 Mobile principle diagram of the target object

圖2 移動(dòng)目標(biāo)方位角示意圖Fig 2 Azimuth diagram of moving target

若多個(gè)目標(biāo)同時(shí)進(jìn)入節(jié)點(diǎn)監(jiān)測(cè)區(qū)域，建立分時(shí)隙偵聽(tīng)，避免過(guò)多節(jié)點(diǎn)數(shù)據(jù)冗余，減少節(jié)點(diǎn)能量消耗。

2)模糊移動(dòng)軌跡分析

在傳感區(qū)域S內(nèi)，起始節(jié)點(diǎn)Pt的坐標(biāo)為(0，0)，已知終點(diǎn)S，節(jié)點(diǎn)A首先監(jiān)測(cè)到移動(dòng)目標(biāo)O，記錄其到達(dá)時(shí)間t1，根據(jù)式(5)、式(6)得出速度和方位角函數(shù)。已知鄰居節(jié)點(diǎn)位置信息，鄰居節(jié)點(diǎn)收到B發(fā)送的監(jiān)測(cè)信息，計(jì)算物體到達(dá)本監(jiān)測(cè)區(qū)域的時(shí)間和概率P(b)=P(d)×(1+p)，其中，p是根據(jù)模糊移動(dòng)軌跡估算的預(yù)測(cè)概率［11］。同時(shí)將處理后的信息反饋給周邊鄰居節(jié)點(diǎn)，鄰居節(jié)點(diǎn)接收到處理信息后通過(guò)比對(duì)自身監(jiān)測(cè)區(qū)域的概率、剩余能量、目前狀態(tài)，決定自身的狀態(tài)(休眠狀態(tài)、監(jiān)聽(tīng)狀態(tài)、加強(qiáng)監(jiān)聽(tīng)狀態(tài))。為防止出現(xiàn)節(jié)點(diǎn)同時(shí)進(jìn)入休眠狀態(tài)而出現(xiàn)的盲點(diǎn)問(wèn)題，本策略采用節(jié)點(diǎn)回退機(jī)制，回退時(shí)間0～t，根據(jù)移動(dòng)目標(biāo)與節(jié)點(diǎn)本身距離而定，設(shè)定t等于距離，B，C，F(xiàn) 節(jié)點(diǎn)進(jìn)入覆蓋探測(cè)狀態(tài)的時(shí)間不同，避免了監(jiān)測(cè)重疊區(qū)域出現(xiàn)覆蓋漏洞的現(xiàn)象。

3)算法描述

輸入傳感器節(jié)點(diǎn)集 S={s1，s2，s3，…，sn}，目標(biāo)監(jiān)測(cè)區(qū)域 A，移動(dòng)物體目標(biāo)集 L={l1，l2，l3…，lm}，監(jiān)聽(tīng)節(jié)點(diǎn)集 Q={q1，q2，q3…，ql}，休眠節(jié)點(diǎn)集 W={w1，w2，w3…，wn-l}，輸出實(shí)現(xiàn)節(jié)點(diǎn)之間覆蓋監(jiān)測(cè)區(qū)域責(zé)任節(jié)點(diǎn)集G。

3 節(jié)點(diǎn)監(jiān)測(cè)覆蓋性能分析

設(shè)WSNs的節(jié)點(diǎn)隨機(jī)均勻分布，節(jié)點(diǎn)密度服從式(1)分布，節(jié)點(diǎn)的感知半徑為r，物體在網(wǎng)絡(luò)內(nèi)的運(yùn)動(dòng)路徑長(zhǎng)度為L(zhǎng)，責(zé)任節(jié)點(diǎn)的感知概率為Ps(i)，物體經(jīng)過(guò)的責(zé)任節(jié)點(diǎn)數(shù)為N=(2rL+πr2)f(ts)，被責(zé)任節(jié)點(diǎn)感知的節(jié)點(diǎn)數(shù)目，則漏檢概率為，采用模糊移動(dòng)軌跡策略，責(zé)任節(jié)點(diǎn)i對(duì)目標(biāo)的監(jiān)測(cè)感知數(shù):

1)當(dāng)物體恰好在監(jiān)聽(tīng)加強(qiáng)狀態(tài)時(shí)進(jìn)入感知區(qū)域，節(jié)點(diǎn)對(duì)物體采用加強(qiáng)監(jiān)聽(tīng)(此時(shí)的感知概率記為Pes)。

2)采用軌跡分析進(jìn)行檢測(cè)，設(shè)節(jié)點(diǎn)對(duì)物體加強(qiáng)監(jiān)聽(tīng)的概率為Pe，物體被節(jié)點(diǎn)感知的數(shù)量滿足

由式(8)可知，若Nes＞Ns，即采用模糊移動(dòng)軌跡策略失真率小于PEAS算法。

4 仿真實(shí)驗(yàn)

為了驗(yàn)證本算法的正確性和有效性，初始仿真場(chǎng)景和，下限 t2=相關(guān)參數(shù)設(shè)定如下:選用Matlab作為實(shí)驗(yàn)仿真平臺(tái)，初始仿真場(chǎng)景與相關(guān)參數(shù)設(shè)定如下:平面100 m×100 m，1 000個(gè)節(jié)點(diǎn)隨機(jī)分布，r=5 m，R=15 m，λ =1，k=1，節(jié)點(diǎn)初始能量0.5 J，移動(dòng)目標(biāo)速度 v=1 m/s。

仿真1:比較同一場(chǎng)景下，M-PEAS，PEAS算法在網(wǎng)絡(luò)運(yùn)行期間剩余能量變化。

由于M-PEAS算法通過(guò)軌跡、節(jié)點(diǎn)剩余能量設(shè)計(jì)調(diào)度函數(shù)，節(jié)點(diǎn)能耗更加均衡。從圖3中可以看出:M-PEAS和PEAS算法在網(wǎng)絡(luò)正常運(yùn)行的不同時(shí)間段的剩余能量百分比。節(jié)點(diǎn)能量隨著時(shí)間不斷地消耗，當(dāng)時(shí)間為130 s時(shí)，PEAS算法能量由于某些節(jié)點(diǎn)持續(xù)工作導(dǎo)致節(jié)點(diǎn)失效，整體能量消耗過(guò)大，已經(jīng)小于整體能量的1/3，沒(méi)有很好地考慮能耗的均衡性，導(dǎo)致整個(gè)網(wǎng)絡(luò)過(guò)早處于癱瘓狀態(tài)，造成很大的能量浪費(fèi)。

仿真2:選取同上的仿真平臺(tái)，分別選取節(jié)點(diǎn)數(shù)100，200，300，400，500，600，700，800，900，1 000 等 10 組數(shù)據(jù)進(jìn)行100次仿真分析比對(duì)，其他參數(shù)保持一致。結(jié)果如圖4所示。從中可以看出:在不同節(jié)點(diǎn)數(shù)覆蓋情況下，M-PEAS算法監(jiān)測(cè)概率高于PEAS算法，其原因是，WSNs節(jié)點(diǎn)在工作期間會(huì)出現(xiàn)一部分失效節(jié)點(diǎn)，隨著節(jié)點(diǎn)工作變化，PEAS算法中的失效節(jié)點(diǎn)遠(yuǎn)大于M-PEAS算法，同時(shí)，采用軌跡分析策略，責(zé)任節(jié)點(diǎn)對(duì)物體的監(jiān)測(cè)概率加強(qiáng)。所以，在具有相同的節(jié)點(diǎn)數(shù)時(shí)，M-PEAS的監(jiān)測(cè)概率大于PEAS。

圖4 監(jiān)測(cè)概率對(duì)比圖Fig 4 Comparison diagram of monitoring probability

5 結(jié)束語(yǔ)

在WSNs中，節(jié)點(diǎn)覆蓋已成為WSNs研究的一個(gè)重要分支?？紤]到節(jié)點(diǎn)自身能量有限，目標(biāo)運(yùn)動(dòng)的復(fù)雜性和隨機(jī)部署的不確定性，在本文中提出一種基于PEAS模糊移動(dòng)軌跡算法。首先，提出了模糊移動(dòng)軌跡策略，構(gòu)建軌跡算法，將節(jié)點(diǎn)調(diào)度問(wèn)題轉(zhuǎn)化成軌跡生成問(wèn)題;然后，基于模糊移動(dòng)軌跡建立節(jié)點(diǎn)調(diào)度函數(shù)，仿真實(shí)驗(yàn)表明:此調(diào)度算法能很好解決節(jié)點(diǎn)能耗均衡問(wèn)題;最后，利用貪婪算法關(guān)聯(lián)其自身剩余能量對(duì)策略進(jìn)行優(yōu)化，證明該算法優(yōu)于PEAS算法，提高了網(wǎng)絡(luò)的監(jiān)測(cè)概率，降低了節(jié)點(diǎn)漏檢問(wèn)題，延長(zhǎng)了網(wǎng)絡(luò)生命周期。

［1］Gezici S，Tian Z，Giannakis G，et al.Localization via ultra-wideband radios:A look at positioning aspects for future sensor networks［J］.IEEE Signal Processing Magazine，2005，22(4):70-84.

［2］Chen W P，Hou JC，Liu S.Dynamic clustering for acoustic target tracking in wireless sensor networks［J］.IEEE Transactions on Mobile Computing，2004，3(3):258-271.

［3］Chuang SC.Survey on target tracking in wireless sensor networks［R］.Beijing:Tsinghua University，2005.

［4］Phuong P，Sesh C.Stability and performance of wireless sensor networks during the tracking of dynamic targets［J］.Lecture Notes in Electrical Engineering，2011，89:349-362.

［5］Kuang X H，F(xiàn)eng R，Shao H H.A lightweight target tracking scheme using wireless sensor networks［J］.Measurement Science and Technology，2008，19:1-7.

［6］Wang X，Ma JJ，Wang S，et al.Distributed energy optimization for target tracking in wireless sensor networks［J］.IEEE Transactions on Mobile Computing，2009，9(1):73-86.

［7］Chen A，Kumar S，Lai TH.Local barrier coverage in wireless sensor networks［J］.IEEE Trans on Mobile Computing，2010，9(4):491-504.

［8］Adlakha S，Srivastava M.Critical density thresholds for coverage in wireless sensor networks［C］∥Proc of IEEE WCNC’2003，New Orleans，La，USA，2003:1615-1620.

［9］Zhang W Z，Li M L，Wu M Y.An algorithm for target traversing based on local voronoi diagram［J］.Journal of Software，2007，18(5):1246-1253.

［10］Saipulla A，Westphal C，Liu B，et al.Barrier caverage of linebased deployed wireless sensor networks［C］∥Proc of the 28th IEEE Conf on Computer Communications，INFOCON 2009，Rio de Janeiro，2009:19-25.

［11］Wang B，Chua K C，Wang W，et al.Worst and best information exposure paths in wireless sensor networks［C］∥International Conference on Mobile Ad Hoc and Sensor Networks，MSN’05，2005:52-62.