陳雪寒，陳志剛，曾 鋒，吳 嘉

（中南大學軟件學院，湖南 長沙410075）

1 引言

無線傳感器網(wǎng)絡WSN（Wireless Sensor Network）［1，2］是由空間分布的傳感器組成的，用于協(xié)同感知各種環(huán)境條件，廣泛應用于環(huán)境監(jiān)測、國土安全、通訊、制造業(yè)等領域。無線傳感器網(wǎng)絡是數(shù)據(jù)驅(qū)動的網(wǎng)絡，通常會產(chǎn)生大量的數(shù)據(jù)，數(shù)據(jù)在傳感器節(jié)點與sink節(jié)點之間多跳傳輸。鑒于傳感器節(jié)點能量的有限性，在數(shù)據(jù)傳輸過程中合理選擇傳感器節(jié)點與sink節(jié)點之間的數(shù)據(jù)傳送路徑將有助于降低節(jié)點能量消耗和延長網(wǎng)絡壽命，這正是無線傳感器網(wǎng)絡路由協(xié)議面臨的問題。

在合理選擇傳送路徑之外，減少網(wǎng)絡中的冗余數(shù)據(jù)、降低傳送相同數(shù)據(jù)造成的能量開銷也是延長網(wǎng)絡壽命的有效手段。由于網(wǎng)絡中傳感器節(jié)點的采集范圍重疊，鄰近的節(jié)點數(shù)據(jù)之間往往存在著空間相關性，并且同一個節(jié)點在一個時間序列內(nèi)采集到的數(shù)據(jù)往往存在著時間相關性［3］。因此，采集到的數(shù)據(jù)存在冗余，sink節(jié)點可能會多次接收到相同的數(shù)據(jù)。為減少冗余數(shù)據(jù)，出現(xiàn)了數(shù)據(jù)聚合技術［4］。通過數(shù)據(jù)聚合可以減少網(wǎng)絡中的冗余數(shù)據(jù)，減少通信負載，從而節(jié)約能量。

優(yōu)化的路由機制和有效的數(shù)據(jù)聚合策略是延長無線傳感網(wǎng)絡壽命的兩個方面，兩者緊密結(jié)合將進一步延長提高網(wǎng)絡壽命。本文在對路由協(xié)議和數(shù)據(jù)聚合技術進行結(jié)合研究的同時，還綜合考慮數(shù)據(jù)的時空相關性對網(wǎng)絡中的采集數(shù)據(jù)進行管理。在分析數(shù)據(jù)聚合技術和時空相關性協(xié)議的基礎上，提出了一種基于時空相關性的網(wǎng)內(nèi)數(shù)據(jù)聚合路由算法ST－INDAR。在ST－INDAR 中，根據(jù)網(wǎng)絡中節(jié)點感知數(shù)據(jù)的空間相關性將事件區(qū)域劃分為多個相關區(qū)域，每一個區(qū)域選取一個代表節(jié)點，并對代表節(jié)點采取輪換機制。相關區(qū)域的大小由事件中心與sink節(jié)點之間的距離來決定。根據(jù)數(shù)據(jù)之間的時間相關性對數(shù)據(jù)采取時間抑制，通過路由樹的建立和更新來提高網(wǎng)絡中數(shù)據(jù)聚合的幾率。相比較已有的路由算法，本文提出的ST－INDAR 算法不僅考慮了網(wǎng)絡中的總體通信負載，而且還綜合考慮了網(wǎng)絡中節(jié)點能耗的均衡以及數(shù)據(jù)的有效性和準確性。ST－INDAR算法在確保數(shù)據(jù)精確性的同時，增大了網(wǎng)絡中數(shù)據(jù)聚合的幾率，減少了網(wǎng)絡中的冗余數(shù)據(jù)量，降低了網(wǎng)絡中的能量消耗。

本文接下來的組織結(jié)構(gòu)如下：第2節(jié)是相關工作的介紹；第3節(jié)對本文所提出的基于時空相關性的網(wǎng)內(nèi)數(shù)據(jù)聚合路由算法ST－INDAR 進行了描述；第4節(jié)是算法的性能評估；最后一節(jié)總結(jié)全文，并提出接下來的工作。

2 相關工作

無線傳感器網(wǎng)絡的主要功能是對周邊環(huán)境信息進行采集和管理，并將感知到的數(shù)據(jù)發(fā)送到基站。由于其廣泛的應用前景，現(xiàn)已成為當前研究的熱點［5，6］。為了提高采集信息的準確性，網(wǎng)絡中傳感器節(jié)點的密度越來越高，節(jié)點的采集范圍重疊。因此，網(wǎng)絡中存在著大量的冗余數(shù)據(jù)，這些冗余數(shù)據(jù)的傳送需要消耗大量的能量。為減少網(wǎng)絡中的冗余數(shù)據(jù)，降低網(wǎng)絡中的數(shù)據(jù)傳輸能耗，時空相關性協(xié)議以及網(wǎng)內(nèi)數(shù)據(jù)聚合技術被提出并應用于許多WSN 協(xié)議的設計中。

（1）時空相關性協(xié)議。

數(shù)據(jù)之間的相關性主要有三種：時間相關性（Temporal Correlation）［7］、空 間 相 關 性（Spatial Correlation）［3，8，9］和 時 空 相 關 性（Spatio－temporal Correlation）［10］。目前已經(jīng)有很多針對數(shù)據(jù)相關性的研究。文獻［7］提出了一種以數(shù)據(jù)為中心的協(xié)議，利用節(jié)點連續(xù)觀測值之間的時間相關性來減少網(wǎng)絡中的數(shù)據(jù)傳輸量，從而降低通信開銷。文獻［3］研究了需要傳送采集信息的傳感器節(jié)點的個數(shù)與事件信息可靠性之間的關系。文獻［8］利用數(shù)據(jù)的空間相關性提出了另外一種基于簇的算法EEDC （Energy－Efficient Data Collection framework）。在EEDC 算法中，節(jié)點連續(xù)地采集數(shù)據(jù)，將具有空間相關性數(shù)據(jù)的節(jié)點形成一個簇。算法要求網(wǎng)絡中的節(jié)點與sink節(jié)點或者數(shù)據(jù)中心節(jié)點可以直接通信，并且sink節(jié)點需要了解全局的網(wǎng)絡數(shù)據(jù)信息。文獻［9］通過動態(tài)地調(diào)整相關區(qū)域的大小來實現(xiàn)所需的可靠性。簇頭節(jié)點將節(jié)點之間的能量水平和親密程度作為衡量標準來識別冗余以及關閉相關的活動節(jié)點。文獻［10］利用數(shù)據(jù)的空間相關性將感知到同一事件的節(jié)點劃分為一個簇并將簇劃分為多個相關區(qū)域，并通過數(shù)據(jù)的時間相關性對數(shù)據(jù)采取時間抑制（Temporal Suppression）策略。每一個相關區(qū)域內(nèi)選取一個代表節(jié)點將采集到的數(shù)據(jù)發(fā)送到簇頭節(jié)點，然后由簇頭節(jié)點通過最短路徑將數(shù)據(jù)傳送至sink節(jié)點。

（2）網(wǎng)內(nèi)數(shù)據(jù)聚合。

由于節(jié)點數(shù)據(jù)之間的相關性，網(wǎng)內(nèi)數(shù)據(jù)聚合在能量受限的無線傳感器網(wǎng)絡中扮演著重要的角色，采用網(wǎng)內(nèi)數(shù)據(jù)聚合技術可以減少網(wǎng)絡中的數(shù)據(jù)傳輸量，降低網(wǎng)絡的能量消耗。數(shù)據(jù)聚合的一個關鍵方面是確保節(jié)點數(shù)據(jù)傳輸之間的同步，主要有三種時機策略［11，12］：周期性簡單聚合、周期性逐跳聚合和定期每跳調(diào)整聚合?，F(xiàn)有的網(wǎng)內(nèi)數(shù)據(jù)聚合技術主要包括基于樹的數(shù)據(jù)聚合技術［13］以及基于集群的數(shù)據(jù)聚合技術［14，15］。文獻［13］提出了一種最短路徑樹算法SPT（Shortest Path Tree），節(jié)點一旦感應到事件發(fā)生，就將感應數(shù)據(jù)沿著最短路徑傳送至sink節(jié)點，當出現(xiàn)路由重疊時就進行數(shù)據(jù)聚合。但是，最短路徑樹的維護需要消耗大量的能量。文獻［14］將檢測到同一事件發(fā)生的節(jié)點劃分為一個簇，簇頭節(jié)點融合簇內(nèi)所有節(jié)點數(shù)據(jù)后再將融合后的數(shù)據(jù)傳送至sink節(jié)點。文獻［15］在路由建立過程中綜合考慮網(wǎng)絡中已有的路由路徑以最大化重疊路由，增加數(shù)據(jù)聚合的幾率，從而減少網(wǎng)絡中的數(shù)據(jù)通信量，降低網(wǎng)絡的能耗。

盡管相比網(wǎng)絡中不采用數(shù)據(jù)聚合技術以及時空相關性協(xié)議的情況，上述的策略可以大大減少網(wǎng)絡中的數(shù)據(jù)通信量，降低網(wǎng)絡的能量消耗，提高網(wǎng)絡的性能，延長網(wǎng)絡的壽命，但是都沒有綜合考慮網(wǎng)絡中節(jié)點能耗的均衡以及網(wǎng)絡的動態(tài)性，并且也沒有考慮數(shù)據(jù)的有效性。基于以上討論，本文研究無線傳感器網(wǎng)絡中基于網(wǎng)內(nèi)數(shù)據(jù)聚合的路由策略，結(jié)合數(shù)據(jù)的時空相關性提出了一種基于時空相關性的網(wǎng)內(nèi)數(shù)據(jù)聚合路由算法ST－INDAR，通過動態(tài)分簇以及相關區(qū)域的動態(tài)調(diào)整來適應網(wǎng)絡的動態(tài)性，通過路由樹的建立和更新來最大化數(shù)據(jù)聚合的幾率，通過數(shù)據(jù)聚合和數(shù)據(jù)相關性協(xié)議來減少網(wǎng)絡中的數(shù)據(jù)傳輸量，從而降低網(wǎng)絡的通信開銷，通過相關區(qū)域代表節(jié)點和路由下一跳節(jié)點的選擇來均衡網(wǎng)絡中節(jié)點的能耗，通過時間抑制策略來確保數(shù)據(jù)的有效性。通過模擬仿真實驗驗證了算法的有效性以及優(yōu)勢。

3 基于時空相關性的網(wǎng)內(nèi)數(shù)據(jù)聚合路由算法TS－INDAR

本節(jié)給出本文所涉及的時空相關模型并提出TS－INDAR算法，并對TS－INDAR 算法進行詳 細的介紹。TS－INDAR算法的關鍵在于相關區(qū)域的劃分及動態(tài)調(diào)整，以實現(xiàn)數(shù)據(jù)采集的準確性和路由的建立，以最大化重疊路由，從而實現(xiàn)數(shù)據(jù)聚合的最大化，盡可能地降低網(wǎng)絡中的通信開銷。

3.1 空間相關性模型

地理位置鄰近的傳感器節(jié)點所采集到的數(shù)據(jù)之間具有一定的相似性。采集數(shù)據(jù)相似的節(jié)點之間的距離取決于應用的需求和事件的特征。有些應用比較重要并且對采集數(shù)據(jù)的精確度要求比較高，這就要求節(jié)點之間的距離較小，即要求相關區(qū)域較小。反之，相關區(qū)域可以更大一些。接下來給出相關區(qū)域的定義。

定義1（相關區(qū)域R（Correlation Region））本文定義相關區(qū)域為這樣一個區(qū)域：區(qū)域內(nèi)的節(jié)點所采集的數(shù)據(jù)具有極大的相似性，因此區(qū)域內(nèi)任何一個節(jié)點的數(shù)據(jù)就可以代表整個區(qū)域的信息。

3.2 時間相關性模型

傳感器節(jié)點采集數(shù)據(jù)通常是周期性的、連續(xù)的。由于物理現(xiàn)象的基本特征，傳感器節(jié)點連續(xù)感知的數(shù)據(jù)在短時期內(nèi)通常具有較大的相似性。在這種情況下，如果當前讀數(shù)相對于最近的一次讀數(shù)在一個可接受的錯誤閾內(nèi)，節(jié)點則不需要把每一次的數(shù)據(jù)都進行傳送。sink節(jié)點可以假設性地認為沒有匯報的數(shù)據(jù)與先前接收到的數(shù)據(jù)沒有任何變化。下面給出時間抑制的定義，與文獻［10］中一致。

定義2（時間抑制（Temporal Suppression））每一個源節(jié)點都記錄最近的一次讀數(shù)Rlater。若當前讀數(shù)Rcurr是可以得到的，則將Rcurr和Rlater進行比較。如果相對值大于給定的時間一致性容忍tct（Temporal Coherency Tolerance），即若（（｜（Rcurr－Rlater）｜）/Rlater）×100＞tct，則將當前讀數(shù)傳送至sink節(jié)點，否則將不會被傳送至sink節(jié)點，即認為是被抑制的。

3.3 TS－INDAR算法的設計

本文所提出的TS－INDAR算法的主要目標在于在確保數(shù)據(jù)精確性的前提下，最小化網(wǎng)絡中的通信負載，降低網(wǎng)絡中的通信開銷，并均衡網(wǎng)絡中節(jié)點的能耗。在TS－INDAR 算法中，利用節(jié)點數(shù)據(jù)之間的時空相關性減少網(wǎng)絡中的數(shù)據(jù)量，并在路由路徑建立的過程中綜合考慮已有的路由路徑，以最大化數(shù)據(jù)聚合的幾率，以進一步減少網(wǎng)絡中的數(shù)據(jù)通信量，從而降低網(wǎng)絡通信開銷。通過代表節(jié)點和路由下一跳節(jié)點的動態(tài)選擇以及相關區(qū)域大小的動態(tài)調(diào)整來均衡網(wǎng)絡中節(jié)點的能耗。TS－INDAR將網(wǎng)絡中的節(jié)點分為以下五種角色：

（1）簇頭節(jié)點：每一個簇都有一個簇頭節(jié)點，簇頭節(jié)點用于收集和聚合簇內(nèi)所有節(jié)點的數(shù)據(jù)信息，最后將聚合后的數(shù)據(jù)通過多跳傳輸傳送至sink節(jié)點。

（2）代表節(jié)點：在每一個相關區(qū)域內(nèi)選取一個代表節(jié)點。根據(jù)相關區(qū)域的定義，區(qū)域內(nèi)任何一個節(jié)點的數(shù)據(jù)就可以代表整個區(qū)域的信息。代表節(jié)點將自身的數(shù)據(jù)和所接收到的數(shù)據(jù)進行聚合，然后將聚合后的信息通過多跳傳輸至簇頭節(jié)點。

（3）中繼節(jié)點：將數(shù)據(jù)由簇頭節(jié)點傳輸至sink節(jié)點的中間節(jié)點。

（4）成員節(jié)點：普通節(jié)點，在一定情況下會成為代表節(jié)點。

（5）sink節(jié)點：用于接收網(wǎng)絡中的數(shù)據(jù)。

TS－INDAR 算 法 分 為 以 下 四 個 階 段：Hop 樹的建立；簇的形成和相關區(qū)域的劃分；路由的形成；Hop樹的更新以及數(shù)據(jù)傳輸。

3.3.1 Hop樹的建立

Hop樹建立階段的主要目標在于建立一棵將網(wǎng)絡中的所有節(jié)點與sink節(jié)點連接起來的樹。網(wǎng)絡中的節(jié)點與sink節(jié)點之間的距離根據(jù)Hop 數(shù)（跳數(shù)）來計算。Hop樹的建立通過洪泛的方式來實現(xiàn)，最終得到一棵如圖1 所示的最短路徑Hop樹。網(wǎng)絡中所有節(jié)點都保存了sink節(jié)點的位置信息（xs，ys）和其鄰居節(jié)點的位置信息（xn，yn）、源節(jié)點到達sink節(jié)點所需要的Hop數(shù)（HopToSink值）以及它的上一跳節(jié)點的ID。在圖1中，圓圈內(nèi)的數(shù)據(jù)表示該節(jié)點到達sink 節(jié)點所需要的最小Hop數(shù)。

Figure 1 Establishment of the Hop tree圖1 Hop樹的建立

3.3.2 簇的形成和相關區(qū)域的劃分

本文采用基于事件的分簇，即當一個事件發(fā)生后，網(wǎng)絡中的一個或者多個節(jié)點將會監(jiān)測到事件的發(fā)生，這些監(jiān)測到同一事件的節(jié)點將會形成一個簇，在簇形成的同時會進行簇頭節(jié)點的選擇。由于簇頭節(jié)點需要接收簇內(nèi)所有數(shù)據(jù)并將所接收到的數(shù)據(jù)與自己的數(shù)據(jù)進行聚合，最后將聚合后的數(shù)據(jù)傳送至sink節(jié)點。因此，為了均衡節(jié)點的能耗以及確保數(shù)據(jù)傳輸?shù)膶崟r性，本文結(jié)合節(jié)點的當前剩余能量以及節(jié)點與sink節(jié)點之間的距離（HopTo－Sink值）來進行簇頭節(jié)點的選擇。ID 值為i的傳感器節(jié)點被選取為簇C的簇頭節(jié)點應滿足：

其中，HopToSink為傳感器節(jié)點i的HopToSink值，H為網(wǎng)絡中距離sink 節(jié)點最遠的節(jié)點的HopToSink值，為節(jié)點i的當前剩余能量，為網(wǎng)絡中傳感器節(jié)點所能存儲的最大能量。由式（1）可知，每次都選取簇內(nèi)剩余能量較多并且離sink節(jié)點較近的節(jié)點作為簇頭節(jié)點。

在簇形成以及簇頭節(jié)點選取后，開始對事件區(qū)域進行相關區(qū)域的劃分。本文假設事件區(qū)域為一個圓形（事件區(qū)域可以為任何形狀的區(qū)域），并將事件區(qū)域劃分為個相關區(qū)域，其中re為事件的最大感應半徑，c為相關區(qū)域的大小。如圖2所示，事件區(qū)域被劃分為16個相關區(qū)域，每一個相關區(qū)域?qū)粋€坐標。令事件中心的位置為（xe，ye），對應每一個相關區(qū)域的坐標(xnc，ync)就是該區(qū)域中心的坐標，可以通過事件中心的坐標計算得到。簇內(nèi)節(jié)點會根據(jù)Hop樹建立過程中所保存的相關位置信息自動計算自己屬于哪一個相關區(qū)域。在相關區(qū)域的劃分結(jié)束之后，就開始執(zhí)行代表節(jié)點的選取，在本文中，每次都選取相關區(qū)域中剩余能量最多的節(jié)點擔任代表節(jié)點。為了均衡網(wǎng)絡中節(jié)點的能耗，代表節(jié)點會進行周期性輪換。在代表節(jié)點選取結(jié)束之后，簇內(nèi)節(jié)點只有代表節(jié)點處于活動狀態(tài)，將簇內(nèi)其他節(jié)點都轉(zhuǎn)換為休眠狀態(tài)。

Figure 2 Division of the event area圖2 事件區(qū)域的劃分

相關區(qū)域的大?。╟）可以根據(jù)事件的特征以及應用的具體要求進行相應的調(diào)整。為了均衡網(wǎng)絡中節(jié)點的能耗，本文相關區(qū)域的大?。╟）根據(jù)事件區(qū)域中心與sink 節(jié)點之間的距離來決定。離sink節(jié)點較近的節(jié)點的能耗較大，故增大相關區(qū)域以節(jié)省能量消耗。離sink節(jié)點較遠的相關區(qū)域的大小可以適當減少，以提高監(jiān)測的精確性。令c∈［0，cmax］，則相關區(qū)域的大小可以通過式（2）進行計算：

其中，Dmax為網(wǎng)絡中與sink節(jié)點最遠的距離，d∈［0，Dmax］為事件區(qū)域中心與sink 節(jié)點之間的距離。由式（2）可知，當d＝0時，c取得最大值cmax；當d＝Dmax時，c取得最小值0。c隨著d的增大而減少。

為了確保網(wǎng)絡的正常通信以及能夠采用最短路徑。如圖3所示，相關區(qū)域達到最大時，通信半徑正好為兩個相關區(qū)域R1和R2所構(gòu)成的矩形的斜邊，因此有：。故相關區(qū)域的大小c應滿足：。當c＝0時，事件區(qū)域內(nèi)的節(jié)點都不具有空間相關性，每一個節(jié)點都是一個獨立的節(jié)點。

igure 3 Calculation of the upper bound of the relevant area圖3 相關區(qū)域大小上限計算

3.3.3 路由的形成與Hop樹的更新

為了確保數(shù)據(jù)傳輸?shù)目煽啃砸约敖档途W(wǎng)絡的通信能耗，就需要找到一條合適的由簇頭節(jié)點到sink節(jié)點的路由路徑，此時路由的形成過程開始。在路由的建立過程中，由簇頭節(jié)點開始，每一次節(jié)點都會選擇最優(yōu)的鄰居節(jié)點作為自己的下一跳，同時廣播Hop樹更新信息用于Hop樹的更新，Hop樹的更新與Hop樹的建立過程類似。為了確保數(shù)據(jù)傳輸?shù)膶崟r性，這里將最優(yōu)的鄰居節(jié)點定義為HopToSink值最小的鄰居節(jié)點，即選取最短路徑對數(shù)據(jù)進行傳送。被選擇的節(jié)點就成為一個中繼節(jié)點，并將其HopToSink值設置為0，然后中繼節(jié)點繼續(xù)選擇下一跳節(jié)點并進行Hop樹的更新過程直至到達sink節(jié)點。如圖4所示為第一個事件發(fā)生時所形成的路由，該路由為一條由簇頭節(jié)點到sink節(jié)點的最短路徑。在路由的形成過程中同時進行了Hop樹的更新操作，更新后的Hop樹如圖5所示，此時圓圈內(nèi)的數(shù)字代表的是該節(jié)點與sink節(jié)點的距離和與網(wǎng)絡中已有路由路徑的距離之間的最小值。如圖6所示為當同時有第二個事件發(fā)生時所形成的路由路徑，該路由路徑不再是由簇頭節(jié)點到sink節(jié)點的最短路徑，而是一條匯聚到網(wǎng)絡中已有路徑的路由。通過對網(wǎng)絡中已有路由路徑的綜合考慮，增大了網(wǎng)絡中的重疊路由，提高了網(wǎng)絡中數(shù)據(jù)聚合的幾率。

Figure 4 Routing of the first event圖4 第一個事件路由形成

Figure 5 Update of the Hop tree圖5 路由形成后Hop樹的更新

Figure 6 Routing of the second event圖6 第二個并發(fā)事件路由形成

3.3.4 數(shù)據(jù)傳輸

在TS－INDAR算法中，代表節(jié)點將代表相關區(qū)域的信息和接收到的其他代表節(jié)點的數(shù)據(jù)進行聚合之后，將聚合后的數(shù)據(jù)通過簇內(nèi)其他代表節(jié)點采用多跳的方式傳送至簇頭節(jié)點，簇頭節(jié)點在將接收到的來自多個代表節(jié)點的數(shù)據(jù)進行聚合之后，再將聚合后的信息按照已經(jīng)建立好的路由路徑通過中繼節(jié)點采用多跳的方式將數(shù)據(jù)傳送至sink 節(jié)點。代表節(jié)點在發(fā)送數(shù)據(jù)之前會計算當前數(shù)據(jù)與最近一次數(shù)據(jù)的相對域，如果相對域大于所給定的時間一致性容忍tct，則將其進行傳送；否則，該數(shù)據(jù)將被抑制，即不會被傳送至sink 節(jié)點。中繼節(jié)點在接收到多個數(shù)據(jù)包時，也會將這些數(shù)據(jù)進行聚合之后再進行傳送。經(jīng)過代表節(jié)點、簇頭節(jié)點和中繼節(jié)點三處的數(shù)據(jù)聚合以及相應的時空相關性策略，大大地減少了網(wǎng)絡中的數(shù)據(jù)傳輸量，降低了網(wǎng)絡的通信開銷。

4 實驗結(jié)果與分析

4.1 實驗設置

本文利用OMNeT＋＋4.2 仿真平臺對所提出的TS－INDAR算法進行模擬仿真，并在仿真的基礎上對算法的有效性和性能進行分析。在TSINDAR 的仿真過程中，sink節(jié)點位于監(jiān)測網(wǎng)絡區(qū)域的右上角，傳感器節(jié)點均勻地分布在整個監(jiān)測區(qū)域內(nèi)，網(wǎng)絡節(jié)點的密度用來計算，其中n為節(jié)點的個數(shù)，rc為傳輸半徑，S為感應區(qū)域的面積。為保持節(jié)點的密度不變，傳感區(qū)域的大小應該根據(jù)網(wǎng)絡中傳感器節(jié)點數(shù)目的不同而有所調(diào)整。將實驗結(jié)果與文獻［15］中的DRINA（Data Routing for In－Network Aggregation）算 法 和 文 獻［10］中的EAST（Efficient Data Collection Aware of Spatio－Temporal Correlation）算 法 進 行 對 比。相應的參數(shù)值設定如表1所示。

Table 1 Simulation parameters表1 實驗參數(shù)的設定

4.2 事件模型

在實驗仿真過程中，所有事件發(fā)生的時間和位置都是隨機的。無論節(jié)點接收到多少個數(shù)據(jù)包，都將其聚合成一個固定長度的包之后再進行傳送，并采用周期性簡單聚合［16］，即周期性接收和聚集信息。

本文采用的事件模型與文獻［10］中的事件模型一致，即采用一組收集自巴西亞馬遜雨林一周的環(huán)境溫度數(shù)據(jù)（攝氏度）［17］。事件區(qū)域內(nèi)坐標為（x，y）的點A 處的溫度根據(jù)式子temperature＝TE－（DE×TD）來計算，其中TE為事件中心的溫度，DE為點A 到事件中心之間的Euclidean距離，TD為溫度降低率（℃/m）。

4.3 性能分析

（1）相關區(qū)域的大小。相關區(qū)域的大小直接影響著網(wǎng)絡的能耗，即相關區(qū)域內(nèi)節(jié)點的能耗與相關區(qū)域的大小成負相關。在多跳無線傳感器網(wǎng)絡中，近sink的節(jié)點由于需要承擔更多的通信負載能耗較多，而遠sink的節(jié)點能耗較少。因此，為了均衡網(wǎng)絡中的能量消耗，本文根據(jù)事件區(qū)域中心與sink節(jié)點之間的距離來決定相關區(qū)域的大小，并給出了式（2）用于計算相關區(qū)域的大小。在仿真實驗過程中，將相應的數(shù)據(jù)代入式（2）可得：

Figure 7 Relationship between the correlation region c and the distance from event area centre to sink nodes圖7 相關區(qū)域大小c與事件區(qū)域中心到sink節(jié)點距離的關系

（2）數(shù)據(jù)精確度。是指觀測值相比原始數(shù)據(jù)的精確性。由于TS－INDAR 相比較EAST 算法和DRINA 算法減少了網(wǎng)絡中傳送至sink節(jié)點的數(shù)據(jù)量，因此TS－INDAR 的數(shù)據(jù)精確度要低于EAST 算法和DRINA 算法。圖8 顯示了當時間一致性容忍tct＝0時數(shù)據(jù)精確度與相關區(qū)域大小c之間的關系。由圖8可以看出，隨著相關區(qū)域的增大，數(shù)據(jù)的精確度降低。原因在于相關區(qū)域越大，網(wǎng)絡中的代表節(jié)點越少，傳送至sink節(jié)點的數(shù)據(jù)量越少，從而導致數(shù)據(jù)精確度降低。由圖7可以得到。由圖8 可 知，雖然TS－INDAR的數(shù)據(jù)精確度要低于EAST 算法和DRINA算法，但是在相關區(qū)域大小的可取范圍內(nèi)，數(shù)據(jù)的精確度至少可以保證在99.35%以上。

Figure 8 Relationship between data accuracy and the correlation region c圖8 數(shù)據(jù)精確度與相關區(qū)域c的關系

在仿真實驗過程中，三個并發(fā)事件的事件區(qū)域中心（事件的發(fā)生位置是隨機的）與sink節(jié)點的距離分別為113.62m、578.43m、923.51m。由此通過計算可以得到相對應的相關區(qū)域的大小分別為31.67m、14.87m、2.40m。圖9顯示了仿真實驗過程中針對這三個并發(fā)事件sink節(jié)點所接到的的數(shù)據(jù)精確度與時間一致性容忍tct之間的關系。由圖9可以看出，雖然TS－INDAR 的數(shù)據(jù)精確度要低于EAST 算法和DRINA 算法，當時間一致性容忍tct＝0 時，網(wǎng)絡中數(shù)據(jù)的精確度可以達到99.82%，并隨著tct的增大，數(shù)據(jù)的精確度降低。當滿足tct≤2時，網(wǎng)絡中數(shù)據(jù)的精確度可以達到99.5%以上。

（3）能量消耗。由于無線傳感器網(wǎng)絡中節(jié)點能量受限的特點，能量消耗是衡量路由協(xié)議性能的一個重要指標。圖10 顯示了在給定并發(fā)事件數(shù)為3、時間一致性容忍tct＝1的情況下網(wǎng)絡中的能量消耗與事件持續(xù)時間之間的關系。由圖10可知，TS－INDAR的能耗相對于DRINA 降低了25%，相對于EAST 降低了12.6%。原因在于當并發(fā)事件數(shù)增多時，每一個事件區(qū)域都形成一個簇，簇內(nèi)節(jié)點感知到的數(shù)據(jù)通過網(wǎng)絡中的中繼節(jié)點傳送至sink節(jié)點，TS－INDAR 算法通過網(wǎng)內(nèi)數(shù)據(jù)聚合和時空相關性協(xié)議減少了網(wǎng)絡中的數(shù)據(jù)通信量，從而降低了網(wǎng)絡中的通信開銷。

Figure 9 Relationship between data accuracy and tct圖9 網(wǎng)絡數(shù)據(jù)精確度與時間一致性容忍tct的關系

Figure 10 Relationship between energy consumption and event duration圖10 能量消耗與事件持續(xù)時間的關系

5 結(jié)束語

本文以降低網(wǎng)絡中冗余數(shù)據(jù)量為目的，研究了無線傳感器網(wǎng)絡中局域數(shù)據(jù)聚合的路由協(xié)議以及時空相關性協(xié)議。提出了一種基于時空相關性的數(shù)據(jù)聚合路由協(xié)議TS－INDAR，其主要包括四個過程：Hop 樹的形成；簇的形成和相關區(qū)域的劃分；路由的形成；Hop樹的更新和數(shù)據(jù)傳輸。通過動態(tài)分簇來適應網(wǎng)絡的動態(tài)性，通過路由樹的建立和更新來最大化數(shù)據(jù)聚合的幾率，通過數(shù)據(jù)聚合和數(shù)據(jù)相關性協(xié)議來減少網(wǎng)絡中的數(shù)據(jù)傳輸量，從而降低網(wǎng)絡的通信開銷，通過相關區(qū)域代表節(jié)點和路由下一跳節(jié)點的選擇以及相關區(qū)域的動態(tài)調(diào)整來均衡網(wǎng)絡中節(jié)點的能耗。仿真結(jié)果顯示，TS－INDAR 協(xié)議能夠在確保數(shù)據(jù)較高精確度的前提下，減少網(wǎng)絡中的數(shù)據(jù)通信量，降低網(wǎng)絡通信開銷。下一步的工作計劃是研究如何針對網(wǎng)絡中不同區(qū)域的能耗情況來調(diào)整相關區(qū)域的大小，使得網(wǎng)絡中的節(jié)點能耗能夠得到均衡以及網(wǎng)絡性能的最大化。

［1］ Akyildiz I F，Su W，Sankarasubramaniam Y，et al.Wireless sensor networks：A survey［J］.Computer nNetworks，2002，38（4）：393－422.

［2］ Anastasi G，Conti M，Di Francesco M，et al.Energy conservation in wireless sensor networks：A survey［J］.Ad Hoc Networks，2009，7（3）：537－568.

［3］ Akyildiz I F，Vuran M C，Akan O B.On exploiting spatial and temporal correlation in wireless sensor networks［C］//Proc of WiOpt，2004：71－80.

［4］ Nakamura E F，Loureiro A A F，F(xiàn)rery A C.Information fusion for wireless sensor networks：Methods，models，and classifications［J］.ACM Computing Surveys（CSUR），2007，39（3）：9.

［5］ Li Jian－zhong，Gao Hong.Survey on sensor network research［J］.Journal of Computer Research and Development，2008，45（1）：1－15.（in Chinese）

［6］ Ye F，Luo H，Cheng J，et al.A two－tier data dissemination model for large－scale wireless sensor networks［C］∥Proc of the 8th Annual International Conference on Mobile Computing and Networking，2002：148－159.

［7］ Vuran M C，Akan?B，Akyildiz I F.Spatio－temporal correlation：Theory and applications for wireless sensor networks［J］.Computer Networks，2004，45（3）：245－259.

［8］ Liu C，Wu K，Pei J.An energy－efficient data collection framework for wireless sensor networks by exploiting spatiotemporal correlation［J］.IEEE Transactions on Parallel and Distributed Systems，2007，18（7）：1010－1023.

［9］ Shah G A，Bozyigit M.Exploiting energy－aware spatial correlation in wireless sensor networks［C］∥Proc of the 2nd International Conference on Communication Systems Software and Middleware，2007：1－6.

［10］ Villas L A，Boukerche A，Guidoni D L，et al.An energy－aware spatio－temporal correlation mechanism to perform efficient data collection in wireless sensor networks［J］.Computer Communications，2013，36（9）：1054－1066.

［11］ Hu F，Cao X，May C.Optimized scheduling for data aggregation in wireless sensor networks［C］∥Proc of IEEE International Conference on Information Technology：Coding and Computing，2005：557－561.

［12］ Solis I，Obraczka K.The impact of timing in data aggregation for sensor networks［C］∥Proc of 2004IEEE International Conference on Communications，2004：3640－3645.

［13］ Krishnamachari B，Estrin D，Wicker S B.The impact of data aggregation in wireless sensor networks［C］∥Proc of the 22nd International Conference Distributed Computing Systems（ICDCSW ’02），2002：575－578.

［14］ Nakamura E F，de Oliveira H A B F，Pontello L F，et al.On demand role assignment for event－detection in sensor networks［C］∥Proc of IEEE 11th Sympium on Computers and Comm，2006：941－947.

［15］ Villas L A，Boukerche A，Ramos H S，et al.DRINA：A lightweight and reliable routing approach for in－network aggregation in wireless sensor networks［J］.IEEE Transactions on Computers，2013，62（4）：676－689.

［16］ Younis O，Krunz M，Ramasubramanina S.Node clustering in wireless sensor networks：Recent developments and deployment challenges［J］.IEEE Network，2006，20（3）：20－25.

［17］ Horacio.Data collected of Amazon forest in Brazil［EB/OL］.［2011－05－17］.http：www.destination360.com/southamerica/brazil/amazon.

附中文參考文獻：

［5］ 李建中，高宏.無線傳感器網(wǎng)絡的研究進展［J］.計算機研究與發(fā)展，2008，45：1－15.