收稿日期：2014－05－04

基金項目：國家自然科學基金重點項目(61033015)。

作者簡介：李國華(1984-)，男，湖南婁底人，博士研究生，主要研究方向: 無線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮、擁塞控制。

摘要：隨著傳感器技術(shù)、嵌入式計算以及無線通訊技術(shù)的發(fā)展，無線傳感器網(wǎng)絡(luò)應運而生。因為無線傳感器網(wǎng)絡(luò)中的節(jié)點只有有限的電池能量，而數(shù)據(jù)的無線傳輸是能量消耗的主要部分，過多的無線傳輸將會快速耗盡節(jié)點的電池能量，從而引起節(jié)點失效。因此，如何在不危及網(wǎng)絡(luò)的任務(wù)條件下盡可能地壓縮數(shù)據(jù)是一個重要的研究問題。本文從時間相關(guān)性、空間相關(guān)性以及時空相關(guān)性三個方面綜述了近年來無線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮技術(shù)的研究進展，討論了目前存在的一些問題以及未來的一些研究方向。

關(guān)鍵詞：無線傳感器網(wǎng)絡(luò)； 數(shù)據(jù)壓縮； 時間序列

中圖分類號：TP3111文獻標識碼：A文章編號：2095-2163（2014）03-0060-05

Research on Data Compression Techniques in Wireless Sensor Networks

LI Guohua

(School of Computer Science and Technology， Harbin Institute of Technology， Harbin 150001，China)

Abstract：Technological advances in the development of sensing， embedded computing and low-power wireless communication technologies have enabled the development of wireless sensor networks. Because sensor nodes have limited battery lifetime， and radio transmission is the primary consumer of energy， excessive transmission quickly depletes batteries， rendering the nodes useless. Therefore， how to compress data while not compromising the mission of applications is a fundamental research problem. This paper surveys the research work on data compression， including time correlation based data compression， space correlation based data compression and time-space correlation based data compression. The existing problems in the current research and some future research directions are also discussed.

Key words：Wireless Sensor Networks; Data Compression; Time Series

0引言

近年來，隨著無線通信、微機電系統(tǒng)、超大規(guī)模集成技術(shù) (Very Large Scale Integrated circuits， VLSI )的飛速發(fā)展和日益成熟，使得現(xiàn)代傳感器具備了強大的感知能力和通信能力，且開啟了微型化、智能化、網(wǎng)絡(luò)化的發(fā)展進程，其中最具典型的代表就是無線傳感器節(jié)點（也稱傳感器節(jié)點）。 這些具有一定感知、計算和通信能力的傳感器節(jié)點分布在一個特定的區(qū)域，通過自組織的方式實時協(xié)作地監(jiān)測、感知并處理網(wǎng)絡(luò)里的數(shù)據(jù)，再通過短距離無線通信的方式經(jīng)多跳將數(shù)據(jù)傳送到匯聚節(jié)點(Sink節(jié)點)，從而形成了一個集信息感知、信息處理、信息傳送于一體的整合網(wǎng)絡(luò)，并稱之為無線傳感器網(wǎng)絡(luò)［1-2］(Wireless Sensor Networks， WSNs)。

WSNs最先在美國軍隊中得到了廣泛的應用并取得了巨大成效。美軍遠程戰(zhàn)場感知系統(tǒng)［3］ (Remotely Monitoring Battlefield Sensor System， REMBASS) 由美國L-3通信公司設(shè)計推出，能夠全天候地對地面戰(zhàn)場實現(xiàn)遠程監(jiān)控，其技術(shù)功能主要是實時地探測、分類、定位、報告車輛和人等活動目標的動向。REMBASS最初即應用于上世紀70年代初的越戰(zhàn)，當時，美軍在北約部隊的重要交通運輸線—胡志明小道上部署了大量的傳感器節(jié)點，獲得了準確度極高的情報，取得了出眾優(yōu)異的偵查效果。 2001年， DARPA提出了靈巧傳感器網(wǎng)絡(luò) (Smart Sensor Web， SSW) 計劃［4］，于2001-2005財政期間發(fā)布實施。SSW的核心思想是在戰(zhàn)場上部署大量的傳感器節(jié)點以收集數(shù)據(jù)，并對原始數(shù)據(jù)加以過濾，而后將重要的信息傳送到各個數(shù)據(jù)融合中心，從而得到了一幅由大量信息集結(jié)而成的戰(zhàn)場全景圖。當士兵需要時，即可給其發(fā)送相關(guān)信息，由此則極大地提高了士兵對戰(zhàn)場態(tài)勢的感知能力。

以數(shù)據(jù)為中心的WSNs的設(shè)計目的就是將數(shù)據(jù)從網(wǎng)絡(luò)中傳輸?shù)絽R聚節(jié)點(Sink節(jié)點)，再進行其后相應的各級處理。因此，如何高效節(jié)能地將網(wǎng)絡(luò)中的數(shù)據(jù)傳輸?shù)絽R聚節(jié)點即成為WSNs研究的關(guān)鍵技術(shù)之一。但由于無線傳感器網(wǎng)絡(luò)的存儲、計算和通信能力都較為有限，這就給數(shù)據(jù)的傳輸帶來一定的挑戰(zhàn)。在傳統(tǒng)無線網(wǎng)絡(luò)里，數(shù)據(jù)傳輸一般都要經(jīng)過先壓縮、后傳輸?shù)倪^程。香農(nóng)(Claude Shannon)于1948年發(fā)表的論文“A Mathematical Theory of Communication”當屬信息論的開山之作［5］，其在論文中指出任何信息都存在一定程度的冗余，并第一次給出了信息熵的計算公式。而數(shù)據(jù)壓縮的實質(zhì)就是要消除信息中的冗余部分。通常所理解的數(shù)據(jù)壓縮是指按照一定的編碼方法，利用比未經(jīng)編碼少的數(shù)據(jù)位來表示原數(shù)據(jù)的技術(shù)。數(shù)據(jù)壓縮一般包含兩個過程：壓縮和解壓縮。壓縮過程就是對原始數(shù)據(jù)采用某種算法或者編碼機制，實現(xiàn)以更少的數(shù)據(jù)位元來描述原數(shù)據(jù)的過程。而解壓縮過程則與壓縮相反，而是利用壓縮后得到的數(shù)據(jù)位元通過某種算法來進行壓縮數(shù)據(jù)還原的過程。解壓縮后，可根據(jù)還原得到的數(shù)據(jù)是否與原數(shù)據(jù)一樣，而將數(shù)據(jù)壓縮算法分為兩類，即有損壓縮和無損壓縮［6］。有損壓縮是指通過壓縮后的數(shù)據(jù)無法還原原始數(shù)據(jù)，因其具有較高的壓縮率(衡量壓縮性能的一個重要指標)，更常見于多媒體壓縮，如圖像、視頻等的壓縮；無損壓縮則是指通過壓縮后的數(shù)據(jù)可以完整地還原得到原始數(shù)據(jù)，只是其壓縮率要比有損壓縮方法的壓縮率低一些，因而多是用于文本文件的壓縮，比較常用的無損壓縮算法有哈夫曼編碼、算術(shù)編碼等。經(jīng)過近幾十年的發(fā)展，已經(jīng)研發(fā)了大量的數(shù)據(jù)壓縮算法，并且廣泛應用于各個領(lǐng)域。但是由于WSNs中節(jié)點計算、存儲和通信能力較為有限，使得大部分傳統(tǒng)數(shù)據(jù)壓縮算法很難在WSNs中獲得理想的應用，其主要原因如下：

(1)許多傳統(tǒng)數(shù)據(jù)壓縮算法所需內(nèi)存較大，而節(jié)點的內(nèi)存一般非常有限，如bzip壓縮算法所需內(nèi)存為219KB，而TelosB節(jié)點的內(nèi)存僅有10KB［7］；

(2)許多傳統(tǒng)數(shù)據(jù)壓縮算法所需計算處理能力較高，而目前許多已開發(fā)的節(jié)點(Mica系列、Telos系列節(jié)點)的CPU時鐘頻率一般卻在1~8MHz范圍內(nèi)；

(3)許多傳統(tǒng)數(shù)據(jù)壓縮算法往往最關(guān)注算法的壓縮性能，即壓縮率，而較少論及節(jié)能，而在WSNs中，能量有效性卻是算法和協(xié)議設(shè)計的重要參數(shù)之一。

基于上述原因，近年來已有大量研究人員開展了WSNs數(shù)據(jù)壓縮算法的研究工作，主要可分為三大類：

(1)基于時間相關(guān)性的數(shù)據(jù)壓縮算法研究；

(2)基于空間相關(guān)性的數(shù)據(jù)壓縮算法研究；

(3)基于時空相關(guān)性的數(shù)據(jù)壓縮算法研究。

下面將分別介紹這三個方面的研究工作。第3期李國華：無線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮技術(shù)的研究進展智能計算機與應用第4卷

1基于時間相關(guān)性的數(shù)據(jù)壓縮算法

在許多WSNs應用中，單個傳感器節(jié)點連續(xù)不斷地采集感知對象的數(shù)據(jù)(簡稱感知數(shù)據(jù))，在短時間內(nèi)，感知數(shù)據(jù)的數(shù)據(jù)值變化并不大，可將這一性質(zhì)稱為WSNs數(shù)據(jù)的時間相關(guān)性；另一方面，由于WSNs中的節(jié)點多會部署在一個地理區(qū)域，這就使得相鄰節(jié)點在同一時間內(nèi)采集到的感知數(shù)據(jù)值將會較為相近，這一性質(zhì)則可稱為WSNs數(shù)據(jù)空間相關(guān)性。

早期的基于時間相關(guān)性的數(shù)據(jù)壓縮算法中，Jagadish［8］提出了一個動態(tài)規(guī)劃算法，通過該算法使得在給定線段條數(shù)的情況下，L2誤差達到最小化來對數(shù)據(jù)進行壓縮近似。該算法是一個最優(yōu)算法，但卻是一個離線算法，并且算法時間復雜度僅為O(n2)。文獻［9］則提出Top-Down算法和Bottom-Up算法。Top-Down算法是在給定精度的前提下，自頂向下地考慮時間序列的每種可能劃分，從中選取一個最優(yōu)的劃分點，再不斷地迭代下去，直到整個時間序列結(jié)束。Bottom-Up算法的主要思想?yún)s與Top-Down算法恰好相反，起始是將整個時間序列劃分成n/2個小段(n為時間序列的長度)，而后算法不斷迭代，即合并代價最低的相鄰小段，直到滿足某個停止準則才結(jié)束。文獻［10］又提出了Cache算法，其初始是選擇第一個數(shù)據(jù)點作為近似值，如果后續(xù)的數(shù)據(jù)點在第一個數(shù)據(jù)點的ε范圍內(nèi)，則將其過濾，否則即結(jié)束當前的線段，并且選擇不能過濾掉的數(shù)據(jù)點以作為新的近似值，等待后續(xù)數(shù)據(jù)點的到來。重復前面過程，直到整個時間序列結(jié)束。文獻［11］還提出了Linear filter算法，算法選擇由開始的兩個數(shù)據(jù)點連接而成的直線作為第一部分數(shù)據(jù)的近似，當新的數(shù)據(jù)點到直線的距離小于給定閾值ε時，則等待下一個新數(shù)據(jù)點的到來，否則立即結(jié)束第一部分數(shù)據(jù)的近似，而由當前未被近似壓縮的數(shù)據(jù)點出發(fā)，開始第二部分的數(shù)據(jù)近似。Franky Kin-Pong Chan等人也提出了基于哈爾小波(Haar wavelets)的時間序列匹配算法［12］。首先，為了描述兩個時間序列的相似性，算法給出了一個相似性度量，即傳統(tǒng)的歐氏距離。然后，該算法對節(jié)點的時間序列進行哈爾小波變換，再利用一個滑動窗口來處理小波系數(shù)，繼而建立多維索引樹，并且還要利用相似性度量來查詢多維索引樹來確定n個最相鄰的時間序列中，序列相似度量值小于給定閾值的所有序列。對于沒有超過閾值的序列可用一個編碼表示，其余的則分別用不同編碼予以表示。需要發(fā)送的編碼后的數(shù)據(jù)多會比原數(shù)據(jù)要少，這就實現(xiàn)了在一定程度上消除序列中的冗余信息。文獻［13］又接著提出了一種用直線來近似時間序列的PMC-MR算法。其主要思想是，當?shù)谝粋€數(shù)據(jù)點到達時，將第一個數(shù)據(jù)放到第一個桶內(nèi)(抽象的說法)，令最大值和最小值和第一個數(shù)據(jù)點的值相等。當?shù)诙€數(shù)據(jù)點到達時，將其與之前的最大、最小值進行比較，并且更新最大、最小值，同時計算最大、最小值之差，Max-Min，是否在給定的閾值2ε內(nèi)。如果Max-Min小于2ε，即將第二個數(shù)據(jù)點放入桶內(nèi)，稍后等待第三個數(shù)據(jù)點的到來，否則就要用(Max+Min)/2來近似表示當前桶內(nèi)每個數(shù)據(jù)點的值，再從第三個數(shù)據(jù)點開始啟用一個新桶來裝后續(xù)數(shù)據(jù)。上述過程一直繼續(xù)，直至整個時間序列結(jié)束。該算法能保證近似值與真實值的誤差不超過ε。進一步地，文獻［14］提出了SBR算法，每個節(jié)點可同時監(jiān)測多個物理量，利用該算法探索各個物理量之間的相關(guān)性，通過選定一個物理量信號作為基礎(chǔ)，探索該物理量與其他物理量之間的相似性，再用此基信號加上一些參數(shù)來表示其他物理量信號。文獻［15］提出了BBQ算法，算法是在用戶給定的一個誤差以及置信區(qū)間條件下，利用一個統(tǒng)計模型來減少數(shù)據(jù)的感知和通信開銷。相應地，文獻［16］提出了Ken算法，通過使用兩個動態(tài)概率模型，其中一個運行在匯聚節(jié)點(Sink節(jié)點)，另一個則運行在網(wǎng)絡(luò)里的每個節(jié)點上，在損失微小精度的前提下可通過這兩個模型來盡量減少數(shù)據(jù)的傳輸量。其他的研究還有，文獻［17］提出了ALVQ算法，就是通過歷史數(shù)據(jù)來構(gòu)造一個密碼本用以探索數(shù)據(jù)的內(nèi)在特性，再利用這個密碼本對其他數(shù)據(jù)進行分段線性壓縮，如此即減少了數(shù)據(jù)的傳輸量。另外，文獻［18］提出一個分段線性近似的算法，就是在給定一個誤差界限的條件下，運用一條直線來近似當前已出現(xiàn)但未被壓縮的數(shù)據(jù)點，直到新來一個數(shù)據(jù)點使得這個界限得以突破。其后類似地，從這個新的數(shù)據(jù)點開始再運用新的直線來近似后續(xù)的到達點。而且，文獻［19］還提出了EAQ算法，首先將原始時間序列轉(zhuǎn)換成一個特殊的時間序列描述MVA(multi-version array)，利用這個MVA的前綴，就可以恢復出誤差一定的原始時間序列的近似版本，而隨著前綴的增大，誤差將逐漸減少，由此而實現(xiàn)了變誤差的時間序列近似。除上述研究外，研究人員還提出了用離散傅立葉變換［20］、離散余弦變換［21］和離散小波變換［22］來進行數(shù)據(jù)壓縮的算法，這些算法均是基于時間序列的時間相關(guān)性算法。只是其計算復雜性較高，并不適用于WSNs。

2基于空間相關(guān)性的數(shù)據(jù)壓縮算法

由于節(jié)點部署多在一個地理區(qū)域，地理位置相鄰的節(jié)點在同一時間采集的數(shù)據(jù)將具有極大的相似性，為了充分利用節(jié)點的帶寬資源，減少冗余數(shù)據(jù)的傳輸，研究人員開始研究如何消除數(shù)據(jù)空間冗余。文獻［23］提出的算法主要研究了WSNs數(shù)據(jù)的空間相關(guān)性。該算法在開始一段時間內(nèi)由Sink節(jié)點收集節(jié)點傳來的原始數(shù)據(jù)，然后Sink節(jié)點挖掘節(jié)點間數(shù)據(jù)的相關(guān)性，通過契比雪夫不等式確定具有數(shù)據(jù)相關(guān)性的節(jié)點。確立了相關(guān)性后，則建立了相關(guān)性模型，此后再進行數(shù)據(jù)傳輸時，只需要傳輸一個節(jié)點的原始數(shù)據(jù)，以及相關(guān)性模型的對應參數(shù)即可。文獻［24］也提出了基于貪心選擇最優(yōu)路徑的算法，其主要思想類似Directed Diffusion算法［25］，不同之處僅在于不同的最優(yōu)路徑的選擇準則。在該算法中，每個節(jié)點還都會向網(wǎng)絡(luò)發(fā)送一個路徑探尋數(shù)據(jù)包，其中記錄了從源節(jié)點至當前節(jié)點傳輸該數(shù)據(jù)包的所需能量。已存在于路徑樹中的每個節(jié)點還能夠產(chǎn)生一個遞增能耗數(shù)據(jù)包，該數(shù)據(jù)包即對應著每個被節(jié)點接收到的新的路徑探尋數(shù)據(jù)包，而此遞增能耗數(shù)據(jù)包卻只能沿著節(jié)點至Sink節(jié)點的方向進行發(fā)送以及更新，遞增能耗數(shù)據(jù)包經(jīng)過的區(qū)域也只能被最近的節(jié)點 (即以最低能耗接收到相應路徑探索數(shù)據(jù)包的節(jié)點) 更新，能耗最少的路徑將得到記錄，由此則構(gòu)造了由最近節(jié)點構(gòu)成的路徑樹GIT(greedy incremental tree)。其后在最優(yōu)路徑樹上探索具有空間相關(guān)性的節(jié)點，并在傳輸數(shù)據(jù)時進行數(shù)據(jù)聚集，從而就減少了數(shù)據(jù)的傳輸量。文獻［26］提出了GIST算法，其中假設(shè)節(jié)點部署在一個方形區(qū)域，每個節(jié)點均知道自己的位置信息，其后即遞歸迭代地劃分區(qū)域，并構(gòu)造一棵overlay樹，樹中的每個點都代表區(qū)域內(nèi)的一個點。構(gòu)造結(jié)束后，Sink節(jié)點逐層向下發(fā)送數(shù)據(jù)請求，而在數(shù)據(jù)傳輸過程中，當下層非葉子節(jié)點向上層節(jié)點傳輸數(shù)據(jù)時，就要先消除數(shù)據(jù)的空間冗余后再向上傳輸。這樣一來就遞歸迭代地依次消除了空間冗余，從而減少了數(shù)據(jù)的傳輸量。文獻［27］提出了三個算法，分別是：DSC(DistributedSource coding)、 RDC (Routing Driven Compression )和 CDR(Compression Driven Routing)。這三個算法均是在數(shù)據(jù)傳輸時，將數(shù)據(jù)壓縮和路由選擇綜合起來考慮以最大限度地消除數(shù)據(jù)空間的冗余。文獻［28］提出了利用路由選擇來實現(xiàn)數(shù)據(jù)聯(lián)合最優(yōu)編碼，從而達到消除空間冗余的目的。文獻［29］提出了數(shù)據(jù)傳輸經(jīng)過中間結(jié)點時進行編碼的算法，文中提到了兩種編碼方法：外編碼(foreign coding)和自編碼(self coding)。前者中，原始數(shù)據(jù)只有在數(shù)據(jù)傳輸時經(jīng)過的中間節(jié)點處進行編碼，而后者中的原始數(shù)據(jù)則可以在本節(jié)點進行編碼，只是其前提卻是必須有其他節(jié)點傳輸來的數(shù)據(jù)。文獻［30］提出了兩個算法E-Span(Energy-aware Spanning Tree)和LPT(Lifetime Preserving Tree)。其中，E-Span算法可用剩余能量最多的節(jié)點作為根節(jié)點，而其他節(jié)點則要根據(jù)自己和相鄰節(jié)點的剩余能量來確定父子關(guān)系，結(jié)構(gòu)樹建立之后，數(shù)據(jù)傳輸時非葉子節(jié)點將會融合其孩子節(jié)點的數(shù)據(jù)來消除數(shù)據(jù)空間冗余，如此即實現(xiàn)了遞歸地往匯聚節(jié)點(Sink節(jié)點)傳輸。LPT算法則選擇Directed Diffusion協(xié)議作為路由協(xié)議，具有剩余能量最多的節(jié)點即當選為聚集父親 (aggregating parents) 節(jié)點，并且LPT具有自我恢復的特性，通過這一特性，當出現(xiàn)某個節(jié)點失效或者網(wǎng)絡(luò)鏈路中斷的情況時，網(wǎng)絡(luò)的樹結(jié)構(gòu)即可得到修復與重建。文獻［30］又分別給出了集中式與分布式的LPT算法，進一步通過仿真驗證了在處理同一組數(shù)據(jù)時，兩種形式的LPT算法節(jié)點的能耗較為相似，同時還驗證了LPT算法中節(jié)點的平均生命周期是高于E-Span算法中相應指標的。

3基于時空相關(guān)性的數(shù)據(jù)壓縮算法

文獻［31］提出了針對WSNs數(shù)據(jù)時空冗余的DIMENTIONS算法，DIMENTIONS先利用小波變換在節(jié)點內(nèi)消除數(shù)據(jù)的時間冗余，而后在分層的網(wǎng)絡(luò)拓撲結(jié)構(gòu)中消除數(shù)據(jù)的空間冗余。該算法的優(yōu)點在于可以多分辨率提取數(shù)據(jù)特征，因此可根據(jù)實際情況獲取不同精度的數(shù)據(jù)；另外，該算法采用分布式結(jié)構(gòu)及隨機簇頭產(chǎn)生方案，有利于平衡節(jié)點間的能耗。DIMENTIONS算法的缺點卻在于需進行多次小波變換，算法復雜度較高，同時對節(jié)點計算，存儲能力等要求也較高。文獻［32］考慮將Slepian-Wolf Coding［33］算法應用到WSNs中來消除數(shù)據(jù)的時空冗余性。文獻［34］提出了GAMPS算法。首先，該算法動態(tài)地將節(jié)點分簇，使得每個簇里的節(jié)點數(shù)據(jù)都是具有時空相關(guān)的，全部時空相關(guān)的節(jié)點就能進行聯(lián)合壓縮。而后則在給定誤差界限的條件下，于時空相關(guān)的節(jié)點里選擇一個基礎(chǔ)信號，當進行數(shù)據(jù)傳輸時，只需要傳輸基礎(chǔ)信號和相關(guān)性參數(shù)即可。又有文獻提出了一個基于小波變換的算法。算法假設(shè)節(jié)點部署在一維的直線上，等距排列，并且給所有節(jié)點進行編號，奇節(jié)點將數(shù)據(jù)發(fā)給偶節(jié)點，偶節(jié)點接收到數(shù)據(jù)后，聯(lián)合本節(jié)點的數(shù)據(jù)進行哈爾小波(Harr wavelets)變換，將得到的高頻系數(shù)按照一定的閾值壓縮后再轉(zhuǎn)發(fā)至匯聚節(jié)點(Sink節(jié)點)。同時，對偶節(jié)點重新進行奇偶排序，再進行哈爾小波變換后，又將新奇節(jié)點的低頻系數(shù)發(fā)給相鄰的新偶節(jié)點。此后即遞歸迭代地對新偶節(jié)點進行哈爾小波變換，直到最后一組哈爾小波變換后，且將最后的高頻與低頻系數(shù)傳輸給匯聚節(jié)點。文獻［35］提出了一個應用壓縮感知技術(shù)的算法，其主要思想是從源節(jié)點向匯聚節(jié)點傳輸數(shù)據(jù)的過程中，每經(jīng)過一個中間節(jié)點，則加上一項中間節(jié)點的數(shù)據(jù)值與某個系數(shù)的乘積，這樣節(jié)點傳輸耗能較均衡，數(shù)據(jù)的恢復在匯聚節(jié)點進行，并通過應用壓縮感知方面的理論知識來對數(shù)據(jù)進行恢復。

4結(jié)束語

由于傳感器節(jié)點具有有限的電池能量，因此如何提高節(jié)點的能量有效性就成為無線傳感器網(wǎng)絡(luò)各種協(xié)議設(shè)計時必須考慮的一個重要問題。而且無線傳感器網(wǎng)絡(luò)是以數(shù)據(jù)為中心且數(shù)據(jù)傳輸是能量消耗的主要部分，因此，減少數(shù)據(jù)的傳輸量將極大地減少節(jié)點的能量消耗。本文從數(shù)據(jù)的時間相關(guān)性、空間相關(guān)性以及時空相關(guān)性綜述了無線傳感器網(wǎng)絡(luò)中的數(shù)據(jù)壓縮技術(shù)的研究進展?，F(xiàn)有的數(shù)據(jù)壓縮算法存在的問題是：其中一部分算法對資源有限的傳感器網(wǎng)絡(luò)來說復雜性較高，而另一部分算法則是離線算法，因而具有較大的時延。針對這些問題，可以研究復雜度較低，具有在線特性的數(shù)據(jù)壓縮算法，此類算法對于資源有限的傳感器網(wǎng)絡(luò)將更為適用。

參考文獻：

［1］孫利民，李建中，陳渝，等.無線傳感器網(wǎng)絡(luò)［M］.北京: 清華大學出版社，2005.

［2］AKYILDIZ I F， SU W， SANKARASUBRAMANIAM Y， et al. Wireless sensor networks: A survey［J］. Computer networks， 2002， 38(4): 393-422.

［3］MARANDOLA H， MOLLO J， WALTER P. REMBASS-II: the status and evolution of the Army‘s unattended ground sensor system［C］//Proceedings of Unattended Ground Sensor Technologies and Applications IV (SPIE)， 2002: 99-107.

［4］PAUL J L. Smart sensor Web: tactical battlefield visualization using sensor fusion［J］. IEEE Aerospace and Electronic Systems Magazine， 2006， 21(1): 13-20.

［5］SHANNON C. A mathematical theory of communication［J］. ACM SIGMOBILE Mobile Computing and Communications Review， 2001， 5(1):3-55.

［6］SRISOOKSAI T， KEAMARUNGSI K， LAMSRICHAN P， et al. Practical data compression in wireless sensor networks: A survey［J］. Journal of Network and Computer Applications， 2012， 35(1):37-59.

［7］TelosB datasheet ［OL］.http://www.willow.co.uk/TelosB_Datasheet.pdf

［8］JAGADISH H V， KOUDAS N， MUTHUKRISHNAN S， et al. Optimal histograms with quality guarantees［C］//VLDB， 1998， 98:24-27.

［9］KEOGH E， CHU S， HART D， et al. An online algorithm for segmenting time series［C］//ICDM， 2001:289-296.

［10］OLSTON C， JIANG J，WIDOM J. Adaptive filters for continuous queries over distributed data streams［C］//Proceedings of the 2003 ACM SIGMOD international conference on Management of data. ACM， 2003:563-574.

［11］JAIN A， CHANG E Y， WANG Y F. Adaptive stream resource management using kalman filters［C］//Proceedings of the 2004 ACM SIGMOD international conference on Management of data. ACM， 2004:11-22.

［12］CHAN F K P， FU A W C， YU C. Haar wavelets for efficient similarity search of time-series: with and without time warping［J］. IEEE Transactions on Knowledge and Data Engineering， 2003， 15(3):686-705.

［13］LAZARIDIS I， MEHROTRA S. Capturing sensor-generated time series with quality guarantees［C］//IEEE ICDE'03， 2003:429-440.

［14］DELIGIANNAKIS A， KOTIDIS Y， ROUSSOPOULOS N. Compressing historical information in sensor networks［C］//Proceedings of the 2004 ACM SIGMOD international conference on Management of data. ACM， 2004:527-538.

［15］DESHPANDE A， GUESTRIN C， MADDEN S， et al. Model-driven data acquisition in sensor networks［C］//Internation Conference on Very Large Data Bases (VLDB)， 2004:588-599.

［16］CHU D， DESHPANDE A， HELLERSTEIN J M， et al. Approximate data collection in sensor networks using probabilistic models［C］//IEEE ICDE'06， 2006:48-59.

［17］LIN S， KALOGERAKI V， GUNOPULOS D， et al. Online information compression in sensor networks［C］//IEEE ICC'06， 2006:3371-3376.

［18］ELMELEEGY H， ELMAGARMID A K， CECCHET E， et al. Online piece-wise linear approximation of numerical streams with precision guarantees［J］. the VLDB Endowment， 2009， 2(1):145-156.

［19］LIU Y， LI J， GAO H， et al. Enabling ε-Approximate Querying in Sensor Networks［C］//VLDB′ 09， 2009: 563-574.

［20］RAFIEI D， MENDELZON A. Similarity-based queries for time series data［C］//ACM SIGMOD Record. ACM， 1997， 26(2):13-25.

［21］KORN F， JAGADISH H V， FALOUTSOS C. Efficiently supporting ad hoc queries in large datasets of time sequences［C］//ACM SIGMOD Record， 1997， 26(2): 289-300.

［22］CHAN K P， FU A W C. Efficient time series matching by wavelets［C］//IEEE ICDE’99， 1999:126-133.

［23］CHOU J， PETROVIC D， RAMCHANDRAN K. Tracking and exploiting correlations in dense sensor networks［C］//ProceedingsoftheAsilomarConferenceonSignals，SystemsandComputers. Berkeley， CA， USA， 2002， 1(3):39-43.

［24］INTANAGONWIWAT C， ESTRIN D， GOVINDAN R， et al. Impact of network density on data aggregation in wireless sensor networks［C］//Proceeding of the 22nd International Conference onDistributed Computing Systems， ICDCS 2002. IEEE， 2002:457-458.

［25］INTANAGONWIWAT C， GOVINDAN R， ESTRIN D. Directed diffusion: a scalable and robust communication paradigm for sensor networks［C］//Proceedings of MobiCom’00， Boston， MA， USA， 2000:56-67.

［26］JIA L， NOUBIR G G， RAJARAMAN R， et al. Gist: Group-independent spanning tree for data aggregation in dense sensor networks［M］//Distributed Computing in Sensor Systems. Springer Berlin Heidelberg， 2006:282-304.

［27］PATTEM S， KRISHNAMACHARI B， GOVINDAN R. The impact of spatial correlation on routing with compression in wireless sensor networks［J］. ACM Transactions on Sensor Networks (TOSN)， 2008， 4(4):24.

［28］CRISTESCU R， BEFERULL-LOZANO B， VETTERLI M. On network correlated data gathering［C］//IEEE INFOCOM'04， 2004， 4:2571-2582.

［29］RICKENBACH P V， WATTENHOFER R. Gathering correlated data in sensor networks［C］//Proceedings of the 2004 joint workshop on Foundations of mobile computing. ACM， 2004:60-66.

［30］LEE W M， WONG V W S. E-Span and LPT for data aggregation in wireless sensor networks［J］. Computer Communications， 2006， 29(13):2506-2520.

［31］GANESAN D， ESTRIN D， HEIDEMANN J. DIMENSIONS: Why do we need a new data handling architecture for sensor networks?［J］. ACM SIGCOMM Computer Communication Review， 2003， 33(1):143-148.

［32］XIONG Z， LIVERIS A D， CHENG S. Distributed source coding for sensor networks［J］. Signal Processing Magazine， IEEE， 2004， 21(5):80-94.

［33］SLEPIAN D D， WOLF J K. Noiseless coding of correlated information sources［J］. IEEE Transactions on Information Theory， 1973， 19(4):471-480.

［34］GANDHI S， NATH S， SURI S， et al. GAMPS: Compressing multi sensor data by grouping and amplitude scaling［C］//Proceedings of the 2009 ACM SIGMOD International Conference on Management of data. ACM， 2009:771-784.

［35］LUO C， WU F， SUN J， et al. Compressive data gathering for large-scale wireless sensor networks［C］//Proceedings of the 15th Annual international conference on Mobile computing and networking. ACM， 2009:145-156.