劉　松， 舒　堅， 劉琳嵐， 谷小樂

(南昌航空大學 物聯(lián)網(wǎng)技術(shù)研究所，江西 南昌 330063)

基于貝葉斯網(wǎng)絡(luò)的WSNs鏈路質(zhì)量評估機制研究*

劉松， 舒堅， 劉琳嵐， 谷小樂

(南昌航空大學 物聯(lián)網(wǎng)技術(shù)研究所，江西 南昌 330063)

摘要:在無線傳感器網(wǎng)絡(luò)(WSNs)應用中，鏈路質(zhì)量的有效評估是保障數(shù)據(jù)可靠傳輸和上層網(wǎng)絡(luò)協(xié)議性能的基礎(chǔ)性問題。針對現(xiàn)有無線鏈路質(zhì)量評估研究中，鏈路質(zhì)量等級劃分仍無統(tǒng)一標準和模型缺乏環(huán)境自適應性問題，提出了一種基于貝葉斯網(wǎng)絡(luò)的鏈路質(zhì)量評估機制。從鏈路質(zhì)量多屬性角度出發(fā)，采用貼近度分析法對鏈路質(zhì)量等級進行劃分，利用貝葉斯網(wǎng)絡(luò)對鏈路質(zhì)量進行不確定性推理與評估建模。通過多應用場景的訓練與測試，最后實際測試表明:基于貝葉斯網(wǎng)絡(luò)的評估模型在不同應用環(huán)境具有較高準確率和泛化能力，體現(xiàn)了良好的自適應性。

關(guān)鍵詞：無線傳感器網(wǎng)絡(luò)； 貼近度分析法； 貝葉斯網(wǎng)絡(luò)； 鏈路質(zhì)量評估

0引言

在無線傳感器網(wǎng)絡(luò)(wireless sensor networks,WSNs)應用[1～3]中，傳感器節(jié)點所處環(huán)境一般較為惡劣，這使能量有限和采用低功率射頻信號通信的節(jié)點易受到環(huán)境噪聲和多徑效應的影響，造成數(shù)據(jù)丟失，鏈路質(zhì)量呈現(xiàn)出方向性、對稱性、波動性及可能出現(xiàn)“灰區(qū)”等時空特性[4]。在通信過程中，若數(shù)據(jù)包在低質(zhì)量的鏈路上進行傳輸，雖有重傳機制保證數(shù)據(jù)包的完整性，但這必將導致傳送效率的下降和能耗的增加。因此，通過鏈路質(zhì)量評估機制，選擇具有高質(zhì)量的鏈路進行通信不僅可以保障數(shù)據(jù)的可靠傳輸，提高整網(wǎng)的數(shù)據(jù)吞吐率，還將降低節(jié)點的能耗，延遲網(wǎng)絡(luò)壽命。同時，精確、穩(wěn)定、靈敏的鏈路質(zhì)量評估也是保證上層協(xié)議性能的基礎(chǔ)，尤其對路由協(xié)議的設(shè)計者而言至關(guān)重要。

近年來，國內(nèi)外在WSNs無線鏈路質(zhì)量評估中做了大量的研究。文獻[5]通過動態(tài)獲取鏈路的信息，采用滑動窗口指數(shù)加權(quán)移動平均(WMEWMA) 機制計算30 m內(nèi)的包接收率并對其進行平滑處理?；诮y(tǒng)計的評估方法能夠較為全面地反映鏈路狀況，但會造成延時且開銷較大；文獻[6]中，F(xiàn)arkas K針對鏈路質(zhì)量與網(wǎng)絡(luò)模型問題進行分析，提出了一種基于信噪比(SNR)的模式匹配的XCoPred預測機制，但文獻中只考慮了SNR值，對鏈路質(zhì)量的描述不夠全面。文獻[7]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的鏈路質(zhì)量預測機制，利用BP神經(jīng)網(wǎng)絡(luò)在基于時間序列預測上的優(yōu)點與指數(shù)加權(quán)移動平均(exponentially weighted moving

average,EWMA)方法相比具有較高預測精度，但存在實際應用中計算量大，無法廣泛應用于能量受限WSNs中。文獻[8]提出了一種基于綜合性評估的鏈路質(zhì)量分類預測機制，定義了綜合性評估指標FLI，但模型中鏈路等級劃分較少，只分為好與壞兩級，未考慮到鏈路質(zhì)量特性中“灰區(qū)”的存在，易導致鏈路質(zhì)量等級劃分失效。文獻[9]指出基于貝葉斯估計的鏈路選擇(BLSP-HE)算法能有效避免傳統(tǒng)的鏈路選擇的方法中發(fā)送大量探測數(shù)據(jù)包的不足，并比傳統(tǒng)方法高出10 %～20 %,其中BLSP-HE算法最穩(wěn)健,性能較好。貼近度分析法[10]是一種具有模糊識別功能的評價方法，對等級劃分具有一定適用性，廣泛應用于土壤重金屬污染水平和水環(huán)境質(zhì)量的評價。

本文綜合無線鏈路的信號強度、鏈路指示、信號質(zhì)量等屬性，采用貼近度分析法對鏈路質(zhì)量等級進行劃分，基于貝葉斯網(wǎng)絡(luò)建立鏈路質(zhì)量評估模型。

1鏈路質(zhì)量等級劃分

1.1評估參數(shù)的選取與離散化

為了綜合評價無線鏈路質(zhì)量和避免發(fā)送大量探測包帶來的能量消耗，本文選用易于測試的物理層參數(shù)：接收信號強度指示(RSSI)、鏈路質(zhì)量指示(link quality indication,LQI)、SNR。為提高評估精度，在鏈路質(zhì)量等級劃分和構(gòu)建貝葉斯網(wǎng)絡(luò)模型前需對實驗樣本進行離散化預處理。

通過大量的實際采樣，可以得出RSSI的變化范圍為RSSI∈[-100,-20]dBm，LQI的變化范圍為LQI∈[50,110]，SNR的變化范圍為SNR∈[0,50]dBm。將各個特征變量進行離散化并劃分為5個等級，如表1。

表1　特征變量的離散化與等級劃分

1.2基于貼近度分析法的鏈路質(zhì)量等級劃分

現(xiàn)有鏈路質(zhì)量等級劃分方法中大多采用單一指標和定性的劃分，這無疑具有一定片面性和主觀性。本文應用貼近度分析法在解決多屬性決策問題上的優(yōu)勢，綜合地對鏈路質(zhì)量樣本等級進行劃分。基于貼近度分析法的鏈路質(zhì)量等級劃分算法描述如下：

1)將鏈路質(zhì)量參數(shù)離散化后，用矩陣R表示鏈路質(zhì)量測試樣本。

3)樣本可以表示為Ci=W·Ri，理想目標等級向量可表示為Dj=(0,…,1,…0)，(其中,1是第j個分量)。貼近度等級劃分原則：對任何樣本Ci,計算它與所有理想目標等級向量之間的貼近度N(Ci,Dj)(j=1,…,n)，若N(Ci,Dl)=max{N(Ci,Dj)}，則Ci∈Dl，(l=1,…,n)，即樣本的屬于等級Dl。貼近度計算方法為

P≥1

(1)

2鏈路質(zhì)量評估的貝葉斯網(wǎng)絡(luò)模型

貝葉斯網(wǎng)絡(luò)[11]是采用有向圖來描述概率關(guān)系的理論，由貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和模型參數(shù)(條件概率表)組成。貝葉斯網(wǎng)絡(luò)模型的建立分為結(jié)構(gòu)學習和參數(shù)學習兩部分。

2.1貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習

貝葉斯網(wǎng)絡(luò)，即以非循環(huán)有向圖表示模型結(jié)構(gòu)屬性，節(jié)點對應于模型中的變量，有向邊代表變量的條件依賴關(guān)系。結(jié)構(gòu)學習，即結(jié)合已有鏈路質(zhì)量評估先驗知識和選擇的鏈路質(zhì)量評估參數(shù)確立擬合樣本數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。

根據(jù)貝葉斯定理

(2)

式中Ci為基于綜合性評估指標劃分的鏈路質(zhì)量類型，即鏈路質(zhì)量評價等級，Xi為鏈路質(zhì)量屬性值。因此，用于鏈路質(zhì)量評估的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)模型如圖1所示。

圖1　貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)模型Fig 1　Bayesian network structure model

2.2貝葉斯網(wǎng)絡(luò)參數(shù)學習

貝葉斯網(wǎng)絡(luò)參數(shù)學習的主要方法有最大似然(maximum likelihood，ML)估計、貝葉斯估計(Bayesian estimation，BE)等。BE方法采用順序計算方法，繼承之前所有工作，克服了ML方法中未利用先驗知識和收斂速度較慢的缺點，因此,本文選用了BE參數(shù)學習法。

給定一個含有未知參數(shù)的分布和一個完整的觀測數(shù)據(jù)集合X，θ是一個隨機變量，具有一個先驗分布P(θ)，可以根據(jù)以往的知識估計，或者認為P(θ)是一個均勻分布。參數(shù)θ的信息發(fā)生變化，表示為P(θ|X)，稱為參數(shù)θ的后驗概率。BE參數(shù)學習的任務就是計算這個后驗概率(式(3))，并作為參數(shù)估計的依據(jù)

(3)

依據(jù)貝葉斯概率理論，可以計算某種條件下的聯(lián)合概率為

(4)

Class=max{P(Ci,X)}

(5)

最后，聯(lián)合概率的最大值所對應的等級Ci，即為當前鏈路質(zhì)量等級。

3實驗與分析

3.1實驗平臺與場景描述

實驗選用兩個TelosB節(jié)點，其中一個節(jié)點作為發(fā)送端TX，另一節(jié)點作為接收端RX，接收端與PC端應用程序通過串口通信。通過WSNs鏈路質(zhì)量測試平臺(WSNs link quality testbed，WSNs-LQT)，對不同應用場景的鏈路質(zhì)量參數(shù)進行測試。WSNs-LQT平臺由南昌航空大學物聯(lián)網(wǎng)技術(shù)研究所設(shè)計。最后，在Matlab 2012平臺上使用貝葉斯網(wǎng)絡(luò)工具箱FullBNT—1.0.4建立基于貝葉斯網(wǎng)絡(luò)的WSNs鏈路質(zhì)量評估模型。

鑒于WSNs現(xiàn)有的工業(yè)應用場景，本文設(shè)定的實驗場景為：小樹林、室內(nèi)走廊、公路旁，分別模擬環(huán)境監(jiān)測、智能家居、智能交通等應用環(huán)境?；緟?shù)設(shè)置如下：發(fā)送功率為0 dBm;信道為26；探測包數(shù)量為50個；發(fā)包速率為0個/s；測試周期為10 s。

如圖2(a)，小樹林環(huán)境下，節(jié)點通信處于非視距狀態(tài)下，受多徑效應影響較大。脈沖重復變化率(PRR)呈現(xiàn)出一定的波動性，但仍處于較好狀態(tài)。如圖2(b)所示,室內(nèi)環(huán)境中，節(jié)點間鏈路處于高質(zhì)量狀態(tài)下進行通信，PRR趨近于100 %且比較平穩(wěn)，圖2(c)為車流量較大的公路旁的鏈路狀態(tài)，由于通信環(huán)境變化劇烈背景噪聲繁多，鏈路的PRR值在20 %～80 %范圍內(nèi)波動較大，鏈路質(zhì)量十分不穩(wěn)定。

(a)小樹林(40 m)

(b) 室內(nèi)走廊(40 m)

(c) 公路旁(60 m)圖2　多場景下脈沖重復率變化情況Fig 2　Change of PRR in multiple scenarios

3.2參數(shù)學習

在確定貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)后，分別將上述三種場景下的鏈路質(zhì)量測試樣本采用BE[11]算法進行參數(shù)學習。

通過參數(shù)學習后得到的貝葉斯網(wǎng)節(jié)點先驗概率，從圖3(a)可以看出，小樹林等環(huán)境監(jiān)測應用場景下鏈路質(zhì)量等級分布較為均衡，鏈路質(zhì)量等級為好的概率為38 %。圖3(b)室內(nèi)環(huán)境下鏈路為好的概率為96 %，同時從其他參數(shù)的等級分布可以看出室內(nèi)環(huán)境下鏈路質(zhì)量較好且穩(wěn)定。圖3(c)所示，公路旁鏈路質(zhì)量等級普遍分布在II～V 之間跨度較大且其他參數(shù)等級較低，說明公路旁鏈路質(zhì)量穩(wěn)定性較差。因此，經(jīng)過參數(shù)學習得到的先驗概率能基本符合各應用場景下鏈路質(zhì)量情況。

圖3　多場景下的貝葉斯網(wǎng)絡(luò)節(jié)點先驗概率Fig 3　Prior probability of Bayesian network node in multiple scenarios

對多場景下的訓練樣本進行參數(shù)學習后，最終得到各特征量節(jié)點的先驗概率及用于貝葉斯網(wǎng)絡(luò)概率推理的條件概率表。

3.3驗證對比

通過以上步驟建立了基于貝葉斯網(wǎng)絡(luò)的鏈路質(zhì)量評估(BN—LQE)模型，為驗證模型的準確性和泛化能力，分別取不同應用場景下未參加訓練的測試樣本進行實驗。與BP神經(jīng)網(wǎng)絡(luò)鏈路質(zhì)量評估模型[7]進行對比，如圖4所示。

(a)　小樹林

(b)　室內(nèi)走廊

(c)　公路旁圖4　多場景下評估模型對比Fig 4　Contrast of estimation model in multiple scenarios

從實驗對比結(jié)果表2可以看出:BN-LQE模型，在多應用環(huán)境下的評估性能普遍優(yōu)于BP神經(jīng)網(wǎng)絡(luò)評估方法，在小樹林和室內(nèi)等穩(wěn)定環(huán)境下的評估性能更為突出，基本貼近鏈路質(zhì)量等級真實值，在如公路等環(huán)境變化較為劇烈的情況下，評估精度有少許下滑。總之，BN-LQE模型評估準確率較高，并具有一定的環(huán)境自適應性。

表2　評估模型準確率對比表

4結(jié)論

本文從鏈路質(zhì)量多屬性角度出發(fā)，基于貼近度分析法對鏈路質(zhì)量等級進行劃分，利用貝葉斯網(wǎng)絡(luò)對鏈路質(zhì)量進行不確定性推理與評估建模。設(shè)計出BN-LQE機制。通過多應用場景的訓練與測試，實際測試表明：BN-LQE模型在不同應用環(huán)境具有較高準確率和泛化能力，體現(xiàn)了良好的自適應性。

參考文獻:

[1]于海斌，梁煒，曾鵬.智能無線傳感器網(wǎng)絡(luò)系統(tǒng)[M].北京：科學出版社,2013.

[2]徐顯榮，高清維，李中一.一種用于農(nóng)業(yè)環(huán)境監(jiān)測的無線傳感器網(wǎng)絡(luò)設(shè)計[J].傳感器與微系統(tǒng)，2009，28(7):98-100.

[3]沙超，王汝傳，張悅.一種基于無線傳感器網(wǎng)絡(luò)的智能交通系統(tǒng)[J].傳感器與微系統(tǒng)，2012，31(10):81-83.

[4]BaccourN.Radiolinkqualityestimationinwirelesssensornetworks:Asurvey[J].ACMTransactionsonSensorNetworks(TOSN),2012,8(4):688.

[5]高澤鵬，程良倫，胡莘.一種基于SPRR的鏈路質(zhì)量預測算法[J].傳感技術(shù)學報,2011(7):1070-1074.

[6]FarkasK,HossmannT,LegendreF,etal.Linkqualitypredictioninmeshnetworks[J].ComputerCommunications，2008,31(8):1497-1512.

[7]樊佑磊.無線傳感網(wǎng)絡(luò)鏈路質(zhì)量預測機制研究[D].南昌：南昌航空大學，2012.

[8]郭志強，王沁，萬亞東，等.基于綜合性評估的無線鏈路質(zhì)量分類預測機制[J].計算機研究與發(fā)展,2013(6):1227-1238.

[9]羅來俊，黃文宜，余秋明.基于Bayes與多層Bayes估計的WSNs鏈路選擇算法[J].計算機工程與應用,2012(17):114-118.

[10] 趙志淼，孫麗娜，陳蘇，等.貼近度分析法在遼河干流鐵嶺段河岸帶健康評價中的應用[J].生態(tài)學雜志,2014(3):735-740.

[11] 肖秦琨，高嵩.貝葉斯網(wǎng)絡(luò)在智能信息處理中的應用[M].北京：國防工業(yè)出版社,2012.

Research on link quality estimation mechanism for WSNs based on Bayesian networks*

LIU Song, SHU Jian, LIU Lin-lan, GU Xiao-le

(Institute of Internet of Things Technology，Nanchang Hangkong Unversity,Nanchang 330063,China)

Abstract:In application of wireless sensor networks(WSNs),effective estimation for link quality is a basic issue in guarantying data reliable transmission and upper layer network protocol performance.Aiming at problem that in existing wireless link quality estimation study,link quality hierarchy division has no uniform standard and models are lack of environmental adaptability,a link quality evaluation mechanism based on Bayesian networks is proposed.As link quality has multiple attributes,close degree analysis method is used for link quality grade division,and use Bayesian networks for link quality uncertainty reasoning and estimation modeling.Through training and testing in multi-application scenarios,practical testing results demonstrate that the link quality estimation model based on Bayesian network has high accuracy and generalization ability in different application environments,reflect good adaptability.

Key words:wireless sensor networks(WSNs); close degree analysis method; Bayesian networks; link quality estimation

DOI:10.13873/J.1000—9787(2016)04—0052—04

收稿日期：2015—07—09

*基金項目：國家自然科學基金資助項目(61262020,61363015)

中圖分類號：TP 393

文獻標識碼：A

文章編號：1000—9787(2016)04—0052—04

作者簡介:

劉松(1990-)，男，江西泰和人，碩士研究生，主要研究方向為無線傳感器網(wǎng)絡(luò)、軟件工程。