張 成

(北京交通大學(xué) 電子信息工程學(xué)院,北京 100044)

基于聚類(lèi)中值比較的WSNs故障檢測(cè)算法*

張 成

(北京交通大學(xué) 電子信息工程學(xué)院,北京 100044)

無(wú)線(xiàn)傳感器網(wǎng)絡(luò)(WSNs)中的傳感器件容易失效而導(dǎo)致測(cè)量數(shù)據(jù)不準(zhǔn)確，因而，高效、實(shí)用的故障檢測(cè)算法對(duì)于保證WSNs的感知質(zhì)量非常重要。提出一種基于聚類(lèi)中值比較(CBMC)的故障檢測(cè)算法。不同于傳統(tǒng)的中值比較的思想，該算法引入聚類(lèi)方法對(duì)待檢測(cè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)測(cè)量數(shù)據(jù)進(jìn)行分組，根據(jù)分組信息計(jì)算該節(jié)點(diǎn)狀態(tài)。仿真實(shí)驗(yàn)表明:CBMC算法具有較高的故障檢測(cè)率(DR)和較低的故障誤檢率(FPR)。

無(wú)線(xiàn)傳感器網(wǎng)絡(luò)； 聚類(lèi)中值比較； 故障診斷； 故障檢測(cè)； 故障容錯(cuò)

0 引 言

最近幾年，隨著無(wú)線(xiàn)傳感器網(wǎng)絡(luò)(WSNs)研究的深入，故障檢測(cè)和容錯(cuò)逐漸成為研究熱點(diǎn)[1～13]。Ruiz L B等人提出一個(gè)基于事件驅(qū)動(dòng)的故障管理框架MANNA[1]。該框架是第一個(gè)比較完整的WSNs管理解決方案，詳細(xì)分析WSNs故障管理的需求、目標(biāo)、體系結(jié)構(gòu)等,但是該框架采用集中式管理方式，能量消耗較大,對(duì)于能量有限的WSNs，該方案存在較大局限。Chessas S和Santi P在研究了Ad Hoc網(wǎng)絡(luò)故障診斷[2]的基礎(chǔ)上，提出了基于WSNDiag協(xié)議的故障定位算法[3]。這種方法可以很好地解決WSNs崩潰故障的診斷，但對(duì)于非崩潰型故障是不適用的，特別是對(duì)于傳感器件的故障，適用性較差。Krishnamachari B等人基于WSNs測(cè)量的空間連續(xù)性假設(shè)和節(jié)點(diǎn)故障的獨(dú)立性假設(shè)[4]，提出了隨機(jī)決策算法、門(mén)限決策算法和最優(yōu)門(mén)限決策算法(optimal threshold detection scheme，OTDS)等3種檢測(cè)算法[5]。其中，故障檢測(cè)效果最好的OTDS在本質(zhì)上是一種多數(shù)表決策略。 Luo X W等人對(duì)上述方法做了進(jìn)一步分析和改進(jìn)，考慮如何解決噪音環(huán)境下測(cè)量錯(cuò)誤和傳感器故障并發(fā)狀況下的故障檢測(cè)問(wèn)題，并提出確定最佳鄰居數(shù)目的算法[6]。Ding M等人提出了本地診斷算法[7]，采用中值策略，通過(guò)鄰居節(jié)點(diǎn)的讀數(shù)來(lái)校驗(yàn)節(jié)點(diǎn)的狀態(tài)。這種方法的特點(diǎn)是節(jié)省能耗、分布式本地檢測(cè)，但算法的檢測(cè)性能還需要進(jìn)一步提高。Tian Q J等人和高建良等人各自獨(dú)立地提出了基于加權(quán)中值的故障檢測(cè)算法[8，9](weighted fault median detection scheme，WFMDS)。該算法在中值故障檢測(cè)算法的基礎(chǔ)上，降低疑似故障節(jié)點(diǎn)的分析權(quán)重，改進(jìn)了檢測(cè)效果。

本文提出一種基于聚類(lèi)中值比較(clusting-based medium comparison,CBMC)的故障檢測(cè)算法。該算法的創(chuàng)新性在于提出基于聚類(lèi)的節(jié)點(diǎn)測(cè)量數(shù)據(jù)的組織方法，并根據(jù)聚類(lèi)結(jié)果產(chǎn)生的組與組數(shù)確定節(jié)點(diǎn)的狀態(tài)?；诰垲?lèi)的非監(jiān)督分類(lèi)方法降低了故障檢測(cè)策略對(duì)異常數(shù)值和數(shù)據(jù)偏度的敏感度，這在很大程度上提高了故障檢測(cè)性能。

1 WSNs模型

WSNs中可能發(fā)生的故障有多種，按故障發(fā)生范圍，可分為器件級(jí)、節(jié)點(diǎn)級(jí)、網(wǎng)絡(luò)級(jí)故障[10,11]。后兩類(lèi)故障常導(dǎo)致節(jié)點(diǎn)間無(wú)法正常通信，可通過(guò)拓?fù)渌惴ê吐酚伤惴òl(fā)現(xiàn)，因此,本文不考慮這兩類(lèi)故障。在WSNs組成部件中，計(jì)算、存儲(chǔ)、通信、電池等器件的故障檢測(cè)和容錯(cuò)技術(shù)相對(duì)比較成熟，故障概率相對(duì)較小，而對(duì)于直接暴露于外界環(huán)境負(fù)責(zé)感知測(cè)量的低成本的傳感器件則更容易出錯(cuò)。傳感器件處于故障狀態(tài)時(shí)，通常表現(xiàn)為測(cè)量數(shù)據(jù)錯(cuò)誤或偏移,這使WSNs監(jiān)測(cè)結(jié)果出現(xiàn)重大偏差，甚至無(wú)法使用。本文以傳感器件故障作為研究對(duì)象。

采用圖G=(V，E)作為WSNs模型，其中,V為所有節(jié)點(diǎn)集合，E由節(jié)點(diǎn)間距離在節(jié)點(diǎn)通信范圍內(nèi)的可相互通信的節(jié)點(diǎn)對(duì)組成。設(shè)WSNs所有節(jié)點(diǎn)具有相同的通信半徑，節(jié)點(diǎn)狀態(tài)可分為正常態(tài)和故障態(tài)。當(dāng)節(jié)點(diǎn)故障時(shí)，相比于正常時(shí)測(cè)量值會(huì)偏高或偏低。

為簡(jiǎn)化研究，忽略無(wú)關(guān)細(xì)節(jié)，采用與現(xiàn)有研究類(lèi)似的假設(shè)前提：WSNs密集部署，處于事件區(qū)域邊界的節(jié)點(diǎn)可忽略；監(jiān)測(cè)對(duì)象的測(cè)量值具有空間連續(xù)性，節(jié)點(diǎn)與鄰居節(jié)點(diǎn)在正常態(tài)時(shí)具有近似測(cè)量值[4]；各節(jié)點(diǎn)傳感故障的發(fā)生具有獨(dú)立性；節(jié)點(diǎn)處于故障態(tài)時(shí)感知的測(cè)量值比其處于正常態(tài)時(shí)偏高或偏低，其差異明顯可區(qū)分。

2 WSNs故障檢測(cè)算法

2.1 問(wèn)題定義

設(shè)WSNs中任一節(jié)點(diǎn)vi，其感知區(qū)域的真實(shí)值為γi，節(jié)點(diǎn)的測(cè)量值為M(vi)，節(jié)點(diǎn)故障概率為pi，求節(jié)點(diǎn)狀態(tài)判決函數(shù)D(vi)。理想的D(vi)函數(shù)，在vi處于正常態(tài)時(shí)返回True，在vi處于故障態(tài)時(shí)返回False。設(shè)與vi在通信距離內(nèi)的可相互通信的所有節(jié)點(diǎn)為鄰居節(jié)點(diǎn)，用N(vi)表示，N(vi)={vj|(vi,vj)∈E}。鄰居節(jié)點(diǎn)數(shù)量|N(vi)| 用n表示。N(vi)構(gòu)成vi所在的“社區(qū)”。設(shè)鄰居節(jié)點(diǎn)vj∈N(vi)，1≤j≤n的真實(shí)值為γij，節(jié)點(diǎn)測(cè)量值M(vj)=xij。對(duì)于所有vj∈N(vi)，M(vj)組成節(jié)點(diǎn)vi的社區(qū)測(cè)量值，用C(vi)表示。C(vi)={M(vj)|?vj∈N)vi)}={xi1,xi2,…,xin}，其中設(shè)xi1,xi2,…,xin為n個(gè)鄰居節(jié)點(diǎn)讀數(shù)按照從低到高升序排列。

為節(jié)省能量，WSNs采用本地判決策略，基本原理是：在密集部署的WSNs中，目標(biāo)節(jié)點(diǎn)所感知區(qū)域的真實(shí)值與其各個(gè)鄰居節(jié)點(diǎn)的測(cè)量值相近,因此,可由節(jié)點(diǎn)所在社區(qū)的狀態(tài)近似確定節(jié)點(diǎn)狀態(tài)。通過(guò)一定策略和算法，分析目標(biāo)節(jié)點(diǎn)vi的所有鄰居N(vi)的測(cè)量值C(vi)，從而形成目標(biāo)節(jié)點(diǎn)所在區(qū)域測(cè)量值的社區(qū)參考值R(vi)。注意，社區(qū)測(cè)量值C(vi)是一組值，社區(qū)參考值R(vi)是一個(gè)值。根據(jù)C(vi)計(jì)算R(vi)時(shí)采用的策略通常包括均值策略、中值策略、加權(quán)中值策略、多數(shù)表決策略等。

2.2 CBMC算法

CBMC算法基本思想如下：目標(biāo)節(jié)點(diǎn)vi通過(guò)將自身測(cè)量值M(vi)與其社區(qū)參考值R(vi)進(jìn)行比較，以獲取對(duì)自身測(cè)量值是否準(zhǔn)確的判斷，進(jìn)而確定節(jié)點(diǎn)自身狀態(tài)是否正常。如果兩者差異在某一門(mén)限α之內(nèi)，則認(rèn)為目標(biāo)節(jié)點(diǎn)vi狀態(tài)正常。與傳統(tǒng)的均值檢測(cè)、中值檢測(cè)、多數(shù)表決等策略不同，本文提出一種新的CBMC的檢測(cè)策略。通過(guò)聚類(lèi)算法對(duì)社區(qū)測(cè)量值M(vi)分析后產(chǎn)生m組數(shù)據(jù)(異常值或高或低于正常值，因而,1≤m≤3)，需要從中尋找可以代表正常狀態(tài)的組，取其均值用以計(jì)算R(vi)。

CBMC算法的輸入包括：WSNs的模型G=(V，E)、待檢測(cè)節(jié)點(diǎn)vi、節(jié)點(diǎn)狀態(tài)差異門(mén)限α;算法輸出為D(vi)=TrueorFalse。

CBMC算法具體步驟如下：

1)在WSNs中，任選一待檢測(cè)節(jié)點(diǎn)vi，獲得測(cè)量值為M(vi)，鄰居節(jié)點(diǎn)測(cè)量值的集合為C(vi)。

2)采用聚類(lèi)算法Cluster(M(vi))，進(jìn)行分組，形成由低到高的S1,S2,…,Sm等m個(gè)組，1≤m≤3。

對(duì)m的數(shù)值進(jìn)行判斷：

m=1：R(vi)=mean(Sm)；∥mean取中值;

m=2：將M(vi)按順序插入C(vi)，重新調(diào)用聚類(lèi)算法Cluster(M(vi))分組，形成由低到高的S1,S2,…,Sm′等m′個(gè)組，1≤m′≤3。

①若m′為1，則R(i)=mean(Sm′)；

②若m′為2，并且|Sm′/2|>|S(m′/2+1)|, 則R(i)=mean(Sm′/2);否則,R(i)=mean(S(m′/2+1));

③若m′為3，則R(i)=mean(S(m′+1)/2),m=3:R(i)=mean(S(m+1)/2).

3)節(jié)點(diǎn)狀態(tài)判斷：通過(guò)節(jié)點(diǎn)vi將自身測(cè)量值M(vi)與R(vi)比較來(lái)求解D(vi)：如果|M(vi)-R(vi)|/M(vi)≤α，則D(vi)=Ture，vi為正常節(jié)點(diǎn)；否則,D(vi)=False，vi為故障節(jié)點(diǎn)。

Cluster(M(vi))算法描述如下：

1)將M(vi)中的數(shù)據(jù)從低到高排序，不妨設(shè)順序?yàn)椋簒i1,xi2,…,xin；

2)設(shè)θj=(xi,(j+1)-xij)/xij，根據(jù)斜率θj的高低判斷數(shù)據(jù)分組，得到θ1,θ2,…,θn-1。

3)從θ1到θn-1遍歷，如果θj≥α，則θj為組邊界節(jié)點(diǎn)(新組的開(kāi)始)。按照組邊界節(jié)點(diǎn)的劃分形成分組S1,S2,…,Sm。

4)如果m>3，則α=1.1α，跳轉(zhuǎn)至步驟(3)；

5)輸出分組信息：S1,S2,…,Sm。

在聚類(lèi)算法Cluster(M(vi))的第4步中，由于已經(jīng)分析得出1≤m≤3,如果出現(xiàn)m>3，說(shuō)明算法中的α門(mén)限值設(shè)置過(guò)低，有必要進(jìn)行少量上調(diào)，可以設(shè)置為1.1α。Cluster(M(vi))輸出的不同的組數(shù)m代表的意義不同：當(dāng)m=1，則這一組數(shù)據(jù)可能都是正常的，或偏高故障的，或偏低故障的；當(dāng)m=2，則這2組的數(shù)目可能是正常+偏高，或正常+偏低,或偏高+偏低；當(dāng)m=3，則這些數(shù)據(jù)中包括正常、偏高、偏低各種情況，而居中的那組數(shù)據(jù)很可能是正常數(shù)據(jù)。

2.3 參數(shù)分析

CBMC算法中涉及節(jié)點(diǎn)狀態(tài)差異門(mén)限 。該參數(shù)是用來(lái)區(qū)分正常態(tài)下的測(cè)量值與故障態(tài)下的測(cè)量值(包括故障態(tài)偏高測(cè)量值和故障態(tài)偏低測(cè)量值)。該值過(guò)大與過(guò)小都會(huì)對(duì)算法造成影響，過(guò)大，則無(wú)法區(qū)分正常態(tài)下的測(cè)量值與故障態(tài)下的測(cè)量值;過(guò)小，則可能造成誤判，即把同處正常態(tài)(或故障態(tài))的測(cè)量值，錯(cuò)誤地分開(kāi)。

設(shè)正常態(tài)、故障態(tài)偏高、故障態(tài)偏低等情況的測(cè)量值分別為隨機(jī)變量ηn,ηh,ηl，則

Δαhn=(min(ηh)-max(ηn))/max(ηn)，

Δαnl=(min(ηn)-max(ηl))/min(ηn)，

Δαh=(max(ηh)-min(ηh))/min(ηh)，

Δαn=(max(ηn)-min(ηn))/min(ηn)，

Δαl=(max(ηl)-min(ηl))/min(ηl),

于是有

max(Δαn,Δαh,Δαl)≤α≤min(Δαhn,Δαnl).

(1)

理想的α應(yīng)滿(mǎn)足式(1)。在應(yīng)用中，考慮到隨機(jī)變量中ηn,ηh,ηl可能存在某些小概率極端值，可能沒(méi)有滿(mǎn)足式(1)的解。因此,在進(jìn)行max，min運(yùn)算時(shí)，必要時(shí)需要對(duì)隨機(jī)變量ηn,ηh,ηl的取樣進(jìn)行處理，以避免極端值的影響，即剔除發(fā)生概率非常小的極端樣本。在本文的仿真實(shí)驗(yàn)中，α設(shè)為0.4。

2.4 能耗分析

由于WSNs的主要能耗來(lái)自于通信開(kāi)銷(xiāo)，因而主要分析算法的通信開(kāi)銷(xiāo)。對(duì)于社區(qū)測(cè)量值C(vi)的監(jiān)聽(tīng)，采用共享的廣播信道，CBMC與OTDS,WMFDS算法等一樣，都需要接收社區(qū)測(cè)量值的通信開(kāi)銷(xiāo)，開(kāi)銷(xiāo)沒(méi)有區(qū)別。

然而在實(shí)際部署時(shí)，沒(méi)有必要實(shí)時(shí)地每次都去獲取臨近節(jié)點(diǎn)的節(jié)點(diǎn)狀態(tài)。鄰居節(jié)點(diǎn)之間節(jié)點(diǎn)狀態(tài)消息的傳送頻率，與節(jié)點(diǎn)故障發(fā)生的速率有關(guān)，即節(jié)點(diǎn)經(jīng)過(guò)多久才會(huì)發(fā)生故障?？紤]到可以每隔一段時(shí)間節(jié)點(diǎn)依次交替地傳送最新的節(jié)點(diǎn)狀態(tài)，所以,CBMC算法的額外通信開(kāi)銷(xiāo)是很小的。

3 仿真結(jié)果和分析

3.1 仿真實(shí)驗(yàn)

為了驗(yàn)證和比較CBMC算法的性能，采用文獻(xiàn)[12]的實(shí)驗(yàn)環(huán)境和參數(shù)并通過(guò)Matlab加以實(shí)現(xiàn)。該實(shí)驗(yàn)環(huán)境具體包括如下2個(gè)模塊：1)WSN—DEPLOY—NODE模塊:輸入?yún)?shù)為節(jié)點(diǎn)個(gè)數(shù)、部署類(lèi)型(隨機(jī)部署或網(wǎng)格部署)、檢測(cè)區(qū)域、節(jié)點(diǎn)故障率。該模塊根據(jù)節(jié)點(diǎn)故障概率隨機(jī)生成故障節(jié)點(diǎn)；包括正常節(jié)點(diǎn)和故障節(jié)點(diǎn)的所有節(jié)點(diǎn)，周期性進(jìn)行環(huán)境監(jiān)測(cè)，所得讀數(shù)設(shè)置到節(jié)點(diǎn)讀數(shù)屬性。設(shè)節(jié)點(diǎn)vi所在區(qū)域的真實(shí)值為γi=100，當(dāng)節(jié)點(diǎn)處于正常狀態(tài)時(shí)，其測(cè)量值為M(vi)=γi+εn，當(dāng)節(jié)點(diǎn)處于測(cè)量值偏高的故障狀態(tài)時(shí)，設(shè)其測(cè)量值為M(vi)=γ+Δ+εh；當(dāng)節(jié)點(diǎn)處于測(cè)量值偏低的故障狀態(tài)時(shí)，設(shè)其測(cè)量值為M(vi)=γi-Δ+εl。其中，Δ=50，εn,εh,εl分別服從正態(tài)分布N(μ,δ)的測(cè)量噪聲μ=0，δ=20。實(shí)驗(yàn)中WSNs節(jié)點(diǎn)數(shù)為32×32=1 024，采用網(wǎng)格方式部署。2)WSN—FIND—FAUT模塊:支持的算法包括MFDS基于中值的故障檢測(cè)算法、WMFDS基于加權(quán)中值的故障檢測(cè)算法、MEAN基于均值的故障檢測(cè)算法、OTDS基于多數(shù)表決的故障檢測(cè)算法、基于CBMC的故障檢測(cè)算法。

設(shè)WSNsG=(V,E)中，正常態(tài)節(jié)點(diǎn)的集合為VN，故障節(jié)點(diǎn)的集合VF，引入如下度量指標(biāo)：

1)節(jié)點(diǎn)故障檢測(cè)率(detection rate，DR)

2)節(jié)點(diǎn)故障誤檢率(false positive rate，F(xiàn)PR)

3.2 結(jié)果分析

下面給出WSNs通信半徑r=1.5(鄰居節(jié)點(diǎn)為4個(gè)節(jié)點(diǎn)的場(chǎng)景一)和r=2(鄰居節(jié)點(diǎn)為8個(gè)節(jié)點(diǎn)的場(chǎng)景二)兩類(lèi)場(chǎng)景下的仿真結(jié)果。

場(chǎng)景一下的DR如圖1所示。CBMC算法的DR要高于OTDS算法，低于MEAN，MFDS,WMFDS算法。FPR如圖2所示,CBMC算法的FPR要明顯低于MFDS，WMFDS，MEAN，OTDS算法。可見(jiàn)在場(chǎng)景一下，CBMC算法具有較高的DR和相當(dāng)?shù)偷腇PR。當(dāng)DR達(dá)到一定程度后，F(xiàn)PR就格外重要，因而，CBMC算法具有明顯優(yōu)越性。這在一定程度上說(shuō)明了基于聚類(lèi)數(shù)據(jù)分組的故障檢測(cè)策略的有效性。

圖1 4個(gè)鄰居節(jié)點(diǎn)的DRsFig 1 DRs in 4-neighbour nodes

圖2 4個(gè)鄰居節(jié)點(diǎn)的FPRsFig 2 FPRs in 4-neighbour nodes

場(chǎng)景二下的DR如圖3所示。CBMC算法的DR要明顯優(yōu)于OTDS，MEAN，MFDS算法，在節(jié)點(diǎn)故障率為15 %～35 %時(shí)，CBMC算法的性能與WMFDS算法略低或基本相當(dāng)。在節(jié)點(diǎn)DR超過(guò)35 %時(shí)，CBMC算法的DR則要明顯優(yōu)于WMFDS算法。FPR如圖4所示。CBMC算法的FPR要明顯低于MFDS,WMFDS,MEAN,OTDS算法。CBMC算法在鄰居節(jié)點(diǎn)增多的情況下，表現(xiàn)出更好的故障檢測(cè)性能。較多的鄰居節(jié)點(diǎn)雖然可以增大故障的檢測(cè)效果，卻是以增加通信開(kāi)銷(xiāo)和能耗為代價(jià)的。具體應(yīng)用時(shí)，需綜合考慮檢測(cè)性能與能耗，選擇合適的鄰居數(shù)目。

圖3 8個(gè)鄰居節(jié)點(diǎn)的DRsFig 3 DRs in 8-neighbour nodes

圖4 8個(gè)鄰居節(jié)點(diǎn)的FPRsFig 4 FPRs in 8-neighbour nodes

4 結(jié) 論

本文提出一種新的WSNs故障檢測(cè)的CBMC算法。該算法采用聚類(lèi)的非監(jiān)督式分組機(jī)制，可以有效劃分和聚合測(cè)量數(shù)據(jù)，進(jìn)而評(píng)估節(jié)點(diǎn)所處狀態(tài)。該機(jī)制可以顯著提高算法性能，即使在節(jié)點(diǎn)故障概率較大的情況下，算法也具有非常理想的DR和FPR。WSNs實(shí)際部署環(huán)境中，故障的發(fā)生具有多樣性和復(fù)雜性。

[1] Ruiz L B,Nogueira J M,Loureiro A A F.MANNA:A management architecture for wireless sensor networks[J].IEEE Communications Magazine,2003,41(2):116-125.

[2] Chessas S,Santi P.Comparison-based system-level fault diagnosis in Ad Hoc networks[C]∥The 20th Symposium on Reliable Distributed Systems(SRDS),New Orleans,USA,2001:257-266.

[3] Chessas S,Santi P.Crash faults identification in wireless sensor networks[J].Computer Communications,2002,25(14):1273-1282.

[4] Vuran M C,Akan O B,Akyildiz I F.Spatio-temporal correlation:Theory and application for wireless sensor networks[J].The International Journal of Computer and Telecommunications Networking,2004,45(3):245-259.

[5] Krishnamachari B,Iyengar S.Distributed Bayesian algorithms for fault-tolerant event region detection in wireless sensor network-s[J].IEEE Transactions on Computers,2004,53(3):241-250.

[6] Luo X W,Dong M,Huang Y L.On distributed fault-tolerant detection in wireless sensor networks[J].IEEE Transactions on Computers,2006,55(1):58-70.

[7] Ding M,Chen D,Xing K,et al.Localized fault-tolerant event boundary detection in sensor networks[C]∥IEEE INFOCOM 2005,Miami,USA,2005:902-913.

[8] Tian Q J,Edward J Coyle.Optimal distributed detection in clustered wireless sensor network:The weighted median [C]∥IEEE INFOCOM 2007,Anchorage,Alaska,USA,2007:1-12.

[9] 高建良,徐勇軍,李曉維.基于加權(quán)中值的分布式傳感器網(wǎng)絡(luò)故障檢測(cè)[J].軟件學(xué)報(bào),2007,18(5):1208-1217.

[10] Akbari A,Beikmahdavi N,Khosrozadeh A,et al.A survey cluster-based and cellular approach to fault detection and recovery in wireless sensor networks[J].World Applied Sciences Journal,2010,8(1):76-85.

[11] 劉 凱,彭 力.分簇式無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)故障診斷算法研究[J].傳感器與微系統(tǒng),2011,30(4):37-41.

Fault detection algorithm for WSNs clustering-based medium comparison*

ZHANG Cheng

(School of Electronic and Information Engineering,Beijing Jiaotong University,Beijing 100044,China)

The sensors in WSNs are prone to failure and results in inaccurate measurements,efficient and practical fault detection algorithms is very important to guarantee sensing quality of WSNs.A fault detection algorithm with clustering-based medium comparison(CBMC)is proposed.Different from traditional medium comparison idea,CBMC introduces clustering approach to determine the status by grouping and computing the measurements of neighbor nodes.Simulation results show that the algorithm achieves a high fault detection rate(DR) and a low false positive rate(FPR).

wireless sensor networks(WSNs); clustering medium comparison; fault diagnosis; fault detection; fault tolerant

2013—09—30

國(guó)家自然科學(xué)基金資助項(xiàng)目(60833002); 北京市自然科學(xué)基金資助項(xiàng)目(4091003)

TN 393

A

1000—9787(2014)04—0135—04

張 成(1976-),男,遼寧盤(pán)錦人,博士,研究領(lǐng)域?yàn)闊o(wú)線(xiàn)傳感器網(wǎng)絡(luò)、通信網(wǎng)絡(luò)、故障診斷。