DONG Chuanming，LIU Kezhong，*，LUO Guang，JIN Huting

(1.School of Navigation，Wuhan University of Technology，Wuhan 430063，China;2.School of Information Engineering，Wuhan University of Technology，Wuhan 430070，China;3.Zhejiang Institute of Communications，Hangzhou 311112，China)

A LightWeight Fault-Tolerant Event Detection Method in Wireless Sensor Networks*

DONG Chuanming1，LIU Kezhong1，2*，LUO Guang2，JIN Huting3

(1.School of Navigation，Wuhan University of Technology，Wuhan 430063，China;2.School of Information Engineering，Wuhan University of Technology，Wuhan 430070，China;3.Zhejiang Institute of Communications，Hangzhou 311112，China)

Due to harsh environment and limited resources，nodes are prone to missed alarm and false alarm errors when in the process of running，so fault－tolerant event detection methods attractmuch attention in recent years.But traditional algorithms showed high computational complexity and high energy consumption.Aim at this，we adopt the Cth/m detection idea in radar target detection，and propose a detection method based on spatial－temporal characteristics.By observing the agreement between sample’s changing rate and the spatial－temporal characteristics，nodes can determine whether event happens or error occurs.During the detecting process，nodes are only required to dom times distance comparison and one time neighbor query，then it canmake decision，reflecting the lightweighting and low power consumption characteristics of themethod.Simulation results show that themethod also has low missed alarm rate and false alarm rate，and high fault recognition rate.In addition，as credibility adaptive adjustmentmechanism is introduced，the method can ensure event detection probability maintained at a high level in the iterative process and not deteriorate over time.

wireless sensor networks;event detection;fault tolerant;spatial－temporal characteristics

無線傳感器網(wǎng)絡(luò)因價格低廉、配置靈活、抗毀性強等一系列特點［1］被廣泛應(yīng)用于眾多事件檢測，如火災(zāi)檢測、化學(xué)物質(zhì)泄漏檢測等。但由于網(wǎng)絡(luò)通常部署無人看守的地方，節(jié)點容易受惡劣環(huán)境的干擾，加之節(jié)點自身資源的有限性，往往會引起節(jié)點信息采集錯誤。傳感器節(jié)點容易產(chǎn)生的錯誤主要有漏警錯誤和虛警錯誤。漏警錯誤指事件發(fā)生了但節(jié)點未檢測到;虛警錯誤指事件未發(fā)生但節(jié)點虛報有事件發(fā)生。在實際應(yīng)用中，我們期望這兩類錯誤越小越好。

在無線傳感器網(wǎng)絡(luò)用于事件檢測時，確保采集數(shù)據(jù)的可靠性和消除檢測錯誤的干擾，是事件檢測需要解決的一個關(guān)鍵問題。張樹奎等［2］提出了一種新的分布式容錯檢測算法，通過構(gòu)建的融合樹獲得事件檢測的屬性值，將檢測錯誤率控制在可接受的范圍內(nèi)。Nguyen－Thanh N等［3］基于證據(jù)理論設(shè)計了一種自適應(yīng)的事件探測器，該探測器通過比較采樣數(shù)據(jù)與經(jīng)驗分布對比，根據(jù)其符合程度來驗證事件發(fā)生的假設(shè)成立與否，從而實現(xiàn)事件檢測。文獻［4］針對感興趣的事件周圍失效節(jié)點的識別問題，提出局部失效節(jié)點識別和可容錯的事件邊緣監(jiān)測算法。這些方法能夠獲得較好的檢測效果，對事件區(qū)域檢測具有一定的借鑒意義，但這些方法未考慮數(shù)據(jù)在容錯檢測過程中的計算復(fù)雜度，以及如何在保證糾錯效果的同時延長網(wǎng)絡(luò)的生存周期等問題。

一般情況下，檢測環(huán)境在短時間內(nèi)不會發(fā)生改變，傳感器節(jié)點在較短時間內(nèi)的檢測值也是彼此相關(guān)的。因而可以利用節(jié)點的時間相關(guān)性對節(jié)點出現(xiàn)的錯誤信息進行容錯處理。Ould－Ahmed－Vall E等［5］考慮了一種容錯的事件檢測方法，節(jié)點通過統(tǒng)計歷史數(shù)據(jù)來確定自己的出錯概率，從而決定自己在鄰域投票中所占的權(quán)重。但是，利用時間容錯檢測也有一定的局限性，它只能對暫時性錯誤進行糾正，而對于永久性錯誤的節(jié)點產(chǎn)生的錯誤束手無策;同時，由于節(jié)點是離散分布在事件檢測區(qū)域，而時間相關(guān)性是針對每一節(jié)點的容錯處理，單個節(jié)點有時不能對事件信息進行完整表達，因而時間相關(guān)性的容錯只能算是數(shù)據(jù)的預(yù)處理，不能達到事件容錯的目的。

相鄰節(jié)點在檢測環(huán)境中是具有空間相關(guān)性，利用相鄰節(jié)點間的相關(guān)的冗余信息對節(jié)點事件檢測進行容錯處理。文獻［6－7］都利用鄰居節(jié)點協(xié)作，通過共同決策形成具有故障容忍能力的故障檢測方法。黃日茂等［8］采用一種基于鄰居節(jié)點數(shù)據(jù)分析的WSN故障檢測方法，將節(jié)點數(shù)據(jù)與覆蓋范圍內(nèi)可信鄰居節(jié)點的數(shù)據(jù)進行比較分析，判定節(jié)點是否故障。文獻［9］提出了一種空間相關(guān)的事件容錯檢測方法，當(dāng)某節(jié)點檢測到數(shù)據(jù)偏離了正常值，或者鄰居節(jié)點的檢測數(shù)據(jù)超過了預(yù)定的閾值，則可能是某事件發(fā)生或是節(jié)點出現(xiàn)故障。以上算法要求鄰居節(jié)點間相互通信，會消耗較多的能量，尤其在算法較為復(fù)雜時，網(wǎng)絡(luò)壽命會受到嚴(yán)重影響。

隨著時間的變化，當(dāng)節(jié)點采集到的數(shù)據(jù)保持平穩(wěn)，一般認(rèn)為該區(qū)域?qū)鞲衅魇录z測來說是時空相關(guān)的［10］，本文提出一種分布式的輕量級的事件容錯檢測方法，該方法通過匹配節(jié)點采樣值變化率與時間特性的相似度來實現(xiàn)事件檢測。方法實現(xiàn)過程中，節(jié)點只需要進行m次距離比較并詢問一次鄰居節(jié)點就可以實現(xiàn)檢測，因此算法是輕量級的。在詢問鄰居過程中，由于節(jié)點是m個采樣間隔才交換一次數(shù)據(jù)且每次交換的數(shù)據(jù)是節(jié)點決策后的二元信息，所以算法是高能效的。

1 事件檢測的過程

事件是指每個事件都可以看作由若干個事件屬性組合而成的，如火災(zāi)這個事件由溫度、煙霧濃度、光照強度等屬性組成。事件屬性是事件本身固有的性質(zhì)，是事件最基本的、必然的、不可再分的特性，它可以從某個方面表現(xiàn)事件?；馂?zāi)事件中，溫度、煙霧濃度、光照強度是不可再分的火災(zāi)事件本身的特性，溫度升高，煙霧濃度升高，光照強度的變化都是火災(zāi)的表現(xiàn)。本文對事件的檢測是一個從模糊到清晰過程，其分為3個步驟:發(fā)現(xiàn)準(zhǔn)事件，基本認(rèn)定事件，核實精確事件。

因此，事件檢測程序包括3個環(huán)節(jié)，第1個環(huán)節(jié)為發(fā)現(xiàn)準(zhǔn)事件，節(jié)點自身檢測環(huán)節(jié)，節(jié)點通過匹配采樣值變化率與模式的關(guān)系初步判斷事件是否發(fā)生。為了進一步確認(rèn)事件，節(jié)點還要詢問鄰居，節(jié)點根據(jù)鄰居狀態(tài)和自身的狀態(tài)確定是事件發(fā)生還是自身出錯，即第2環(huán)節(jié)。第3環(huán)節(jié)為節(jié)點可信度調(diào)整環(huán)節(jié)?？尚哦戎腹?jié)點檢測到的數(shù)據(jù)可靠程度，可信度越大的節(jié)點對鄰居決策貢獻越大，可信度越小的節(jié)點對鄰居決策貢獻越小。可信度調(diào)整的原則為:若節(jié)點正確地檢測到了事件，就增加其可信度，否則就減小其可信度。

1.1 節(jié)點自身檢測

通過先驗學(xué)習(xí)，抽象出檢測區(qū)域中感興趣的事件的主要的事件屬性—時間特性。當(dāng)事件發(fā)生時，將節(jié)點采樣值變化率與樣本時間特性進行匹配。假設(shè)n個傳感器節(jié)點均勻分布在感興趣的區(qū)域，用于檢測某個特定事件。特定事件的時間序列為{s(ΔT)，s(2ΔT)，…，s(k)}，k=ΔT，2ΔT，…，nΔT時間序列在k時刻的數(shù)據(jù)變化率(斜率)記為r(k)，則r(k)=(s(k)－s(k－ΔT))/ΔT。根據(jù)先驗經(jīng)驗，r(k)作為事件的時間特性通常是可以預(yù)知的，且在節(jié)點部署前已保存在節(jié)點的內(nèi)存中。

節(jié)點以ΔT為時間間隔進行均勻采樣，并建立緩存隊列保存當(dāng)前采樣值s(k)和前一時刻s(k－ΔT)。當(dāng)s(k)超過閾值Sth，說明特定事件發(fā)生或節(jié)點發(fā)生錯誤，這時節(jié)點啟動事件檢測程序，并記當(dāng)前時刻為k=0。

當(dāng)s(k)超過閾值Sth，節(jié)點啟動事件檢測程序。如果是事件發(fā)生且節(jié)點可靠，那么節(jié)點采樣值在k時刻的變化率與r(k)應(yīng)該相差不大，即滿足式(1)。但由于節(jié)點的不可靠性，正常節(jié)點采樣值的變化率在少數(shù)情況下無法滿足式(1)，而故障節(jié)點采樣值的變化率少數(shù)情況下能夠滿足式(1)。

為減小以上情況的影響，本文引入雷達目標(biāo)檢測中Cth/m的檢測思想［10］，即節(jié)點連續(xù)檢測m次，若節(jié)點采樣值每次都大于Sth且變化率滿足式(1)的次數(shù)(記為C)超過Cth，那么節(jié)點初步認(rèn)為自己檢測到了事件，否則節(jié)點初步認(rèn)為自己發(fā)生了錯誤。為方便描述，記正常狀態(tài)下的節(jié)點狀態(tài)為Normal，記初步檢測到事件的節(jié)點狀態(tài)為SE，記初步發(fā)生錯誤的節(jié)點狀態(tài)為SF。節(jié)點自身檢測算法描述見算法1。

算法1:節(jié)點自身檢測

輸入:節(jié)點采樣值;輸出:節(jié)點初步檢測狀態(tài)

%for each node

status=Normal;C=0;

while(s(·)≤Sth);%do nothing until sample exceeds threshold %start event detection procedure

BufferLast=s(·);%create buffer

k=0;

%phase one:local detection

while(everyΔT time)do

k=k+1;

Buffer Current=s(k);

if s(k)＞Sth＆＆|(BufferCurrent－BufferLast)/ΔT－r(k)|≤δ

C=C+1;

end

BufferLast=BufferCurrent;

if k==m

break; end

end

if C≥Cth

status=SE;

else

status=SF;

end

1.2 事件決策

節(jié)點自身檢測是節(jié)點的自身行為，而自身檢測并不能將固有錯誤消除，其檢測結(jié)果仍存在著不可靠性。由于通常事件都會覆蓋一定的區(qū)域和多數(shù)節(jié)點，于是節(jié)點可以通過詢問鄰居狀態(tài)來確認(rèn)事件是否真實發(fā)生。鄰居節(jié)點是指某一節(jié)點檢測范圍內(nèi)的節(jié)點的集合，本文假設(shè)節(jié)點的檢測范圍是相同的，且不隨能量變化而變化。在某一檢測區(qū)域中，當(dāng)一個節(jié)點接受到另一節(jié)點作為鄰居節(jié)點的請求后，將會拒絕做其他節(jié)點的鄰居節(jié)點。當(dāng)該節(jié)點同時收到兩個或兩個以上的節(jié)點尋求鄰居的請求時，節(jié)點優(yōu)先選擇與自己距離較近的節(jié)點成為鄰居，如果存在與兩個或兩個以上節(jié)點的距離相等的情況，那么該節(jié)點隨機選擇一個節(jié)點作為其鄰居。本文假設(shè)檢測區(qū)域的節(jié)點布置較為密集，任一鄰居節(jié)點集合都有2個以上的鄰居節(jié)點。

鄰居節(jié)點在返回的數(shù)據(jù)包中會包含其自身檢測狀態(tài)和數(shù)據(jù)可信度。節(jié)點收到這些數(shù)據(jù)包后，做以下運算:

其中，N為節(jié)點鄰居的個數(shù);εi反映了鄰居的狀態(tài)，如果鄰居為SE狀態(tài)，那么εi取1，如果為SF狀態(tài)就取0;CR(i)為鄰居節(jié)點i的可信度，CRself為節(jié)點自身可信度。處理完鄰居的信息，節(jié)點得到處理值W。

根據(jù)節(jié)點間協(xié)作檢測的原則［11］，如果節(jié)點自身狀態(tài)為SE且W＞CRself·N/2，那么節(jié)點認(rèn)為自己正確檢測到了事件，狀態(tài)轉(zhuǎn)移為Event;否則認(rèn)為自己發(fā)生了虛警錯誤，狀態(tài)轉(zhuǎn)移為Fault。如果節(jié)點自身狀態(tài)為SF且W＞CRself·N/2，那么節(jié)點認(rèn)為自己發(fā)生了漏警錯誤，狀態(tài)轉(zhuǎn)移為Fault;否則認(rèn)為沒有事件發(fā)生，狀態(tài)轉(zhuǎn)移為Normal。檢測到事件的節(jié)點隨著事件的消亡也會逐漸恢復(fù)正常狀態(tài)，檢測偶爾出錯的節(jié)點能夠回歸正常狀態(tài)，而永久錯誤節(jié)點會被淘汰或棄用。節(jié)點狀態(tài)轉(zhuǎn)移如圖1所示。

圖1 節(jié)點狀態(tài)轉(zhuǎn)移圖

1.3 節(jié)點可信度調(diào)整

可信度模型是指局部網(wǎng)絡(luò)區(qū)域中節(jié)點與鄰居節(jié)點間可信度的建立、更新和整合的一套機制，根據(jù)可信度的分布狀況確定節(jié)點所處的檢測狀態(tài)，然后根據(jù)節(jié)點檢測狀態(tài)和能量狀態(tài)更新節(jié)點的可信度。對于正確檢測到事件的節(jié)點，增加其可信度;對于發(fā)生虛警錯誤和漏警錯誤的節(jié)點，減小其可信度。同時，隨著節(jié)點能量的消耗，其可信度值也隨著下降。可信度的計算遵照式(3)和式(4):

其中，ycurr為節(jié)點的故障函數(shù)，其最初值為0，ylast為ycurr的上一步的值;q為節(jié)點平均出錯概率，也即故障節(jié)點在所有節(jié)點中所占的比例;CR(i)的取值范圍為(0，1);ψ為歸一化系數(shù);Ec/Eint為節(jié)點的能量狀態(tài)，Ec當(dāng)前剩余能量，Eint初始能量;s1，s2，s3，s4分別表示圖1中狀態(tài)判定的邏輯變量，TURE表示狀態(tài)發(fā)生。

可見，如果節(jié)點持續(xù)錯誤，其可信度將一直減小;如果節(jié)點發(fā)生偶然錯誤，其可信度將很快恢復(fù)正常值。同時，隨著能量的消耗，節(jié)點的可信度也會降低。當(dāng)CRself的值低于閾值εerror時，說明節(jié)點的能量消耗過大或節(jié)點經(jīng)常發(fā)生錯誤，我們認(rèn)為該節(jié)點為無效節(jié)點，節(jié)點從此不再參與事件檢測。

節(jié)點事件決策和可信度調(diào)整的算法描述見算法2。

算法2:事件決策和可信度調(diào)整

輸入:節(jié)點初步檢測狀態(tài);輸出:事件

W=0;y=0;

%phase two:query neighbor

query and receive neighbor’s status and credit…

for i=1:N

if neighbor’s status==SE

W=W+e－y;%y presents neighbor’s credit

end

end

%phase three:make decision and adjust credit

if status==SE

status=Event;%event is detected

if ylast≤q%ylastpresents neighbor’s last step credit

y=0;%y presents node’s own credit

else

y=ylast－q;

end

else

status=Fault;%false alarm

y=ylast+1－q;

end

end

if status==SF

status=Fault;%missed alarm

y=ylast+1－q;

else

status=Normal;%no event happens

end

end

2 算法性能分析及參數(shù)討論

由算法1可以看出，節(jié)點在自身檢測中會出現(xiàn)兩類錯誤。第1類錯誤為將檢測到事件的節(jié)點認(rèn)定為故障節(jié)點，即偽故障錯誤;第2類錯誤為將故障節(jié)點認(rèn)定為檢測到事件的節(jié)點，即偽正常錯誤。通常我們都希望這兩類錯誤越小越好。

產(chǎn)生第1類錯誤的原因是，在m次連續(xù)采樣中，節(jié)點采樣值變化率滿足式(1)的次數(shù)未達到Cth次，即至多有Cth－1次滿足式(1)。如果記

那么第1類錯誤可以表示為

結(jié)論1:當(dāng)節(jié)點通過自身檢測的采樣值斜率與r(k)匹配次數(shù)的閾值Cth越小，同時節(jié)點與r(k)相匹配的區(qū)分度δ越大，偽故障錯誤發(fā)生的概率越小。

產(chǎn)生第2類錯誤的原因是，在m次連續(xù)采樣中，節(jié)點采樣值變化率滿足式(1)的次數(shù)超過Cth次。如果記故障節(jié)點的采樣值為s'(k)，并記

那么第2錯誤可以表示為

結(jié)論2:當(dāng)節(jié)點通過自身檢測的采樣值斜率與r(k)匹配次數(shù)的閾值Cth越大，同時節(jié)點與r(k)相匹配的區(qū)分度δ越小，偽正常錯誤發(fā)生概率越小。

由結(jié)論1和結(jié)論2可以看出，偽故障錯誤與偽正常錯誤是互斥的。由于通常正常節(jié)點比故障節(jié)點多，因此應(yīng)該優(yōu)先考慮降低偽故障錯誤。

Cth和δ的取值與實際需求和s(k)服從的分布有關(guān)。s(k)作為節(jié)點的采樣值，一般與sm(k)偏離不大，可以認(rèn)為s(k)服從以sm(k)為均值、以σ2為方差的正態(tài)分布，同理s(k－ΔT)服從N(sm(k－ΔT)，σ2)。由于s(k)與s(k－ΔT)的均值不同，可以認(rèn)為s(k)與s(k－ΔT)相互獨立。如果記

結(jié)論3:當(dāng)給定偽故障錯誤概率θ，即p1＜θ，根據(jù)式(5)就可以求出Cth和p，進而解得δ。

p2的取值與s'(k)服從的分布有關(guān)。由于故障節(jié)點在功能上發(fā)生了問題，其產(chǎn)生的采樣值是隨機的，因此可以認(rèn)為故障節(jié)點的采樣值服從［a，b］上的均勻分布，且所有的采樣值相互獨立。如果記

那么可以得到Z的概率密度函數(shù)為

進一步計算得到

p'在區(qū)間(0，+∞)上先單調(diào)遞增后單調(diào)遞減，在ΔT ·δ+(ΔT·r2(k))/δ處取得最大值。

結(jié)論4:如果要求偽正確錯誤的概率越小，b－a就應(yīng)該越大。當(dāng)取定δ后，可以算出p'，再結(jié)合Cth就可以得到p2。

3 仿真實驗

3.1 實驗參數(shù)

假設(shè)1 024個節(jié)點網(wǎng)格化部署在32 m×32 m的區(qū)域中，節(jié)點通信半徑為m，事件區(qū)域為以(18.5，20.5)中心、半徑為8 m的圓形區(qū)域，如圖2所示。圖中虛線交叉點為正常節(jié)點，實心點為故障節(jié)點，圓圈所示區(qū)域表示事件區(qū)域。

圖2 一次實驗快照(故障節(jié)點率為0.1)

假設(shè)節(jié)點采樣頻率ΔT=1，s(k)服從的正態(tài)分布的方差σ2=1。如果要求第1類錯誤的概率小于0.05，那么意味著p1的最大值要小于0.05。由于事件發(fā)生后大部分節(jié)點能以較大概率檢測到事件，即p較大(接近1)，此時p1為i的增函數(shù)，因此當(dāng)i=Cth－1時，p1取最大值。如果節(jié)點每采樣10次做一次自身檢測，即m=10，要使p1＜0.05，那么只要CCth－110·pCth－1·(1－p)11－Cth＜0.05即可，解得0.91≤p≤0.96和1≤Cth≤8。本文中取p=0.95，Cth= 8。依據(jù)式(7)，進一步解得δ=2.771 4。

假設(shè)模式序列的變化率r(k)=1。為有效降低第2類錯誤，取a=Sth，b－a=10，即故障節(jié)點服從均勻分布U(Sth，Sth+10)。為保證故障節(jié)點快速得到排除，取節(jié)點可信度閾值εerror=0.3。

3.2 實驗與結(jié)果分析

為驗證算法性能，下面進行3組實驗。

第1組實驗考察節(jié)點在空間上的協(xié)同對漏警率、故障識別率和虛警率的影響。漏警率定義為事件發(fā)生時未檢測到事件的節(jié)點的數(shù)目與事件區(qū)域總節(jié)點數(shù)目的比值，故障識別率定義為最終狀態(tài)為Fault的故障節(jié)點的數(shù)目與事件區(qū)域內(nèi)總故障節(jié)點數(shù)目的比值，虛警率定義為事件未發(fā)生時虛稱檢測到事件的節(jié)點的數(shù)目與事件區(qū)域總節(jié)點數(shù)目的比值。

從圖3可以看到，當(dāng)節(jié)點故障率低于0.1時，基于時間和基于時空的方法的漏警率都低于0.08，即事件檢測概率都大于0.92。但隨著節(jié)點故障率的增加，利用時空相關(guān)性進行檢測時的漏警率偏大，這是因為初步檢測到事件的節(jié)點受到鄰居未檢測到事件節(jié)點的影響，尤其是在節(jié)點故障率較大的情況下，初步檢測到事件的節(jié)點容易轉(zhuǎn)換為Fault狀態(tài)。

圖3 節(jié)點故障率與漏警率的關(guān)系

從圖4可以看出，當(dāng)節(jié)點故障率低于0.2時，兩種方法的故障節(jié)點識別率都能達到0.93以上，且性能相差不大，這是因為大部分故障節(jié)點通過節(jié)點自身檢測被濾除掉了。但隨著故障率的增加，基于時空相關(guān)性的事件檢測方法性能下降，這是因為故障節(jié)點受到鄰居未檢測到事件節(jié)點的影響，誤認(rèn)為沒有事件發(fā)生，而轉(zhuǎn)換為Normal狀態(tài)了。

圖4 節(jié)點故障率與故障識別率的關(guān)系

從圖5可以看出，利用時空相關(guān)性進行事件檢測的虛警率遠(yuǎn)遠(yuǎn)低于利用時間相關(guān)性的，這是因為虛稱有事件發(fā)生的節(jié)點被鄰居節(jié)點糾正了。

圖5 節(jié)點故障率與虛警率的關(guān)系

綜合以上可以看出，當(dāng)節(jié)點故障率較小(＜0.15)時，兩種方法在漏警率和故障識別率上相差不大，但由于基于時空相關(guān)性的事件檢測方法在虛警率上遠(yuǎn)勝于基于時間相關(guān)性的，因此基于時空相關(guān)性的事件檢測方法略勝一籌。但當(dāng)節(jié)點故障率較大(＞0.15)時，就需要根據(jù)實際需求進行選擇了。由于虛警率和漏警率難以同時達到最優(yōu)，此時若用戶更關(guān)注漏警率，那么可以選擇基于時間相關(guān)性的事件檢測方法;若更關(guān)注虛警率，那么可以選擇基于時空相關(guān)性的事件檢測方法。

第2組實驗考察引入節(jié)點可信度機制對事件檢測概率的影響。仿真中，設(shè)定節(jié)點故障率為0.1。

由圖6可見，引入節(jié)點可信度機制的事件檢測方法在事件檢測概率上一直保持在90%左右;而未引入節(jié)點可信度機制的事件檢測方法，其事件檢測概率在第6次迭代后就開始下降，最后趨近于零。這是因為前者方法在迭代過程中將無效節(jié)點不斷的排除掉了，由于剩下的節(jié)點都是有效節(jié)點，所以事件檢測概率能保持較高的值。排除掉的節(jié)點與故障節(jié)點的關(guān)系如圖7所示。

圖6 引入節(jié)點可信度機制與未引入的比較

由圖7可見，在前19次迭代過程中，事件區(qū)域內(nèi)剩余有效節(jié)點比例曲線下降比較快，而且排除掉的故障節(jié)點占排除掉的節(jié)點達70%以上的比例，這說明大部分故障節(jié)點都得到了排除。第19次迭代后，由于故障節(jié)點所占比例越來越小，事件區(qū)域內(nèi)剩余有效節(jié)點比例曲線下降變緩。

圖7 故障節(jié)點與無效節(jié)點的關(guān)系

第3組實驗考察網(wǎng)絡(luò)能耗。網(wǎng)絡(luò)能耗與節(jié)點個數(shù)n、信息交換頻率f、鄰居節(jié)點個數(shù)N和數(shù)據(jù)序列長度L有關(guān)。傳統(tǒng)算法中，節(jié)點采集到數(shù)據(jù)后就與鄰居交換進行事件判斷，因此能量消耗為n·f·N·L;有些算法在數(shù)據(jù)交換上采用了數(shù)據(jù)壓縮的策略［12］，其能量消耗為n·f·N·(αL)，0＜α＜1;本文中節(jié)點與鄰居交換的是決策后的信息，即二元決策，其數(shù)據(jù)長度為1，且本文數(shù)據(jù)交換頻率為f/m(m為時間特性匹配的次數(shù))，因此本文方法的能量消耗為n·(f/m)·N·1。從圖8對比可見，本文的方法是高能效的。

圖8 不同算法節(jié)點能量消耗對比圖

4 結(jié)論

本文討論了無線傳感器網(wǎng)絡(luò)下一種分布式的輕量級的事件檢測方法，該方法充分利用了節(jié)點在時間和空間上的相關(guān)性。當(dāng)節(jié)點故障率較小的時候，該方法能夠獲得較低漏警率和虛警率以及較高的故障識別率。由于引入了節(jié)點可信度機制，通過不斷排除故障節(jié)點，該方法能夠一直保持較高的事件檢測概率。仿真還表明，本文提出的算法是高能效的。

［1］Yick J，Mukherjee B，Ghosal D.Wireless Sensor Network Survey［J］.Computer Networks，2008，52(12):2292－2330.

［2］張書奎，崔志明，樊建席，等.基于伸展樹的無線傳感器網(wǎng)絡(luò)事件區(qū)域檢測［J］.電子學(xué)報，2010，38(B02):194－201.

［3］Nguyen－Thanh N，Koo I.Empirical Distribution－Based Event Detection in Wireless Sensor Networks:An Approach Based on Evidence Theory［J］.Sensors Journal，IEEE，2012，12(6): 2222－2228.

［4］Ding M，Chen D，Xing K，et al.Localized Fault－Tolerant Event Boundary Detection in Sensor Networks［C］//INFOCOM2005.24th Annual JointConference of the IEEEComputer and Communications Societies.Proceedings IEEE.IEEE，2005，2:902－913.

［5］Ould－Ahmed－Vall E，Heck Ferri B，Riley G.Distributed Fault－Tolerance for Event Detection Using Heterogeneous Wireless Sensor Networks［J］.Mobile Computing，IEEE Transaction on，2012，11 (12):1994－2007.

［6］Wittenburg G，Dziengel N，Wartenburger C，etal.A System for Distributed Event Detection in Wireless Sensor Networks［C］//Proceedings of the 9th ACM/IEEE International Conference on Information Processing in Sensor Networks.ACM，2010:94－104.

［7］Yim S J，Choi Y H.An Adaptive Fault－Tolerant Event Detection Scheme forWireless Sensor Networks［J］.Sensors，2010，10(3): 2332－2347.

［8］黃日茂，邱雪松，高志鵬，等.無線傳感器網(wǎng)絡(luò)中鄰居數(shù)據(jù)分析的故障檢測方法［J］.北京郵電大學(xué)學(xué)報，2011，34(3):31－34.

［9］朱藝華，沈丹丹，吳萬登，等.無線傳感器網(wǎng)絡(luò)優(yōu)化生存時間的動態(tài)路由算法［J］.電子學(xué)報，2009，37(5):1041－1045.

［10］李建中，李金寶，石勝飛.傳感器網(wǎng)絡(luò)及其數(shù)據(jù)管理的概念，問題與進展［J］.軟件學(xué)報，2003，14(10):1717－1727.

［11］許小劍，黃培康.雷達系統(tǒng)及其信息處理［M］.電子工業(yè)出版社，2010.

［12］Krishnamachari B，Iyengar S.Distributed Bayesian Algorithms for Fault－Tolerant Event Region Detection in Wireless Sensor Networks［J］.IEEE Transactions on Computers，2004，53(3):241－250.

［13］張偉.無線傳感器網(wǎng)絡(luò)中復(fù)雜事件檢測關(guān)鍵技術(shù)的研究［D］.哈爾濱:哈爾濱工業(yè)大學(xué)，2012.

董傳明(1987－)，男，山東菏澤人，武漢理工大學(xué)碩士研究生，主要研究方向為無線傳感器網(wǎng)絡(luò)和交通信息工程;

劉克中(1975－)，男，湖北石首人，教授，博士，中國海事科技專家委員會信息分委會委員，主要研究方向為普適計算、無線傳感器網(wǎng)絡(luò)和交通信息工程。

無線傳感器網(wǎng)絡(luò)環(huán)境下的一種輕量級事件容錯檢測算法*

董傳明1，劉克中1，2*，羅廣2，金湖庭3
(1.武漢理工大學(xué)航運學(xué)院，武漢430063;2.武漢理工大學(xué)信息工程學(xué)院，武漢430070;浙江交通職業(yè)技術(shù)學(xué)院，杭州311112)

無線傳感器網(wǎng)絡(luò);事件檢測;容錯;時空特征

TP391.9

A

1004－1699(2014)01－0135－07

2013－10－08修改日期:2013－12－18

C:6150P

10.3969/j.issn.1004－1699.2014.01.025摘要:由于節(jié)點經(jīng)常布置于惡劣的環(huán)境中以及節(jié)點自身資源的有限性，節(jié)點在運行過程中容易發(fā)生漏警錯誤和虛警錯誤，因此容錯的事件檢測方法受到了廣泛的重視與研究。但傳統(tǒng)方法在性能上表現(xiàn)出計算復(fù)雜度高和能耗大的特點，針對此，引入雷達目標(biāo)檢測中Cth/m的檢測思想，提出一種基于時空特性的檢測方法。該方法通過觀察節(jié)點采樣值數(shù)據(jù)變化率與時間特性相似度來判斷是事件發(fā)生還是節(jié)點出錯。方法在一次迭代過程中，節(jié)點只需做m次距離比較和一次鄰居狀態(tài)查詢，根據(jù)節(jié)點間的空間特性做出決策，表現(xiàn)出輕量級和低能耗的特點。仿真表明，方法還具有較低的漏警率和虛警率以及較高的故障識別率。此外，由于引入了節(jié)點可信度自適應(yīng)調(diào)整機制，方法能夠保證事件檢測概率在迭代過程中一直保持較高水平，而不隨時間惡化。

項目來源:國家自然科學(xué)基金項目(51279151);中央高校基本科研業(yè)務(wù)費專項資金項目(2012－IV－28，2013－ZY－104);浙江省交通運輸廳科技計劃項目(2012w05，2012w06)