張 歡

(中國民用航空飛行學院計算機學院 四川 廣漢 618307)

0 引 言

由于無線傳感器網(wǎng)絡(luò)(WSN)組網(wǎng)速度快、價格低廉、無需固定網(wǎng)絡(luò)基礎(chǔ)設(shè)施等特點使其越來越受到學術(shù)界以及工程領(lǐng)域的廣泛關(guān)注。WSN本質(zhì)上是由大量小型傳感器節(jié)點構(gòu)成，這些傳感器節(jié)點通過無線方式進行互聯(lián)通信、互相協(xié)作完成指定區(qū)域的數(shù)據(jù)感知任務(wù)。WSN應(yīng)用范圍已從最開始的科學理論研究拓展到了今天的工業(yè)、農(nóng)業(yè)、衛(wèi)生健康監(jiān)測等諸多實際應(yīng)用領(lǐng)域[1]。

通常分布在感知區(qū)域內(nèi)的WSN節(jié)點同其他臨近的節(jié)點在所感知的數(shù)據(jù)上具有一定的相關(guān)性，而相關(guān)性會導(dǎo)致冗余數(shù)據(jù)的產(chǎn)生，大量的冗余數(shù)據(jù)往往會使得接收終端，如Sink節(jié)點，無法對這些數(shù)據(jù)進行及時有效地處理。因此在實際應(yīng)用中，較為可行的方法就是將來自不同傳感器節(jié)點的相關(guān)數(shù)據(jù)進行數(shù)據(jù)融合處理[2]，保留這些相關(guān)數(shù)據(jù)中有用的信息，去掉冗余信息。

數(shù)據(jù)融合技術(shù)除了可以通過減少WSN內(nèi)部冗余數(shù)據(jù)的傳輸從而提高整個網(wǎng)絡(luò)的性能之外，也可以相應(yīng)地減少WSN數(shù)據(jù)傳輸所用的能耗。這些對于本來就是能量受限、處理能力及帶寬受限的WSN而言都是十分重要的。在各種各樣的數(shù)據(jù)融合算法當中，基于簇的數(shù)據(jù)融合算法受到了學者們的廣泛關(guān)注。在基于簇的數(shù)據(jù)融合算法當中，若干節(jié)點構(gòu)成簇，每一個簇包含一個數(shù)據(jù)融合節(jié)點和若干成員節(jié)點，每個成員節(jié)點將數(shù)據(jù)發(fā)送給數(shù)據(jù)融合節(jié)點，每個數(shù)據(jù)融合節(jié)點將接收的數(shù)據(jù)進行融合，融合后的數(shù)據(jù)再發(fā)送給Sink節(jié)點。

然而大多數(shù)的基于簇的協(xié)議以及簇形成算法, 如文獻[2-6]都認為WSN節(jié)點是可信的，或者沒有對網(wǎng)絡(luò)中存在惡意節(jié)點的可能性給與足夠的重視，因此若惡意節(jié)點選為數(shù)據(jù)融合節(jié)點，其后果會嚴重危害網(wǎng)絡(luò)的可靠性和安全性。有研究表明，在節(jié)點隨機部署的無線傳感器網(wǎng)絡(luò)中，當網(wǎng)絡(luò)中存在5%的惡意節(jié)點時，35%的路由會受到影響，當惡意節(jié)點數(shù)為10%時，路由影響將超過54%。這就意味著在含有5%簇頭或融合節(jié)點的基于簇的網(wǎng)絡(luò)協(xié)議中，如果融合節(jié)點都是惡意節(jié)點，則網(wǎng)絡(luò)中很大部分甚至全部都會癱瘓[7]。

本文根據(jù)WSN的特點，結(jié)合網(wǎng)絡(luò)節(jié)點的特性，提出一種基于改進Bayes估計和能量均衡的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合節(jié)點選取方法。本文主要創(chuàng)新點為：1) 同傳統(tǒng)的Bayes估計方法相比，所提方法在節(jié)點信任計算中更加符合節(jié)點交互過程評價的實際情況；2) 所提方法考慮了節(jié)點當選為數(shù)據(jù)融合節(jié)點的能量均衡問題，即首先依據(jù)改進的Bayes估計方法選取信任值高的節(jié)點作為潛在的融合節(jié)點，其次為避免高信任節(jié)點多次當選為融合節(jié)點從而過早地消耗掉自身的能量，所提方法還將節(jié)點剩余能量作為參數(shù)共同考察潛在的融合節(jié)點。

1 相關(guān)研究

數(shù)據(jù)融合可以看作是如何以自動化或半自動化的方式將來自不同信息源的數(shù)據(jù)轉(zhuǎn)化成一種可以用于有效支持自動決策的方法，數(shù)據(jù)融合可以減少數(shù)據(jù)的維度，優(yōu)化數(shù)據(jù)的體量和提取出有用的信息，此外，數(shù)據(jù)融合還可以幫助刪除數(shù)據(jù)中的“雜質(zhì)”以及克服所感知數(shù)據(jù)的復(fù)雜度[8]。

文獻[9]從所涉及到的數(shù)學方法以及使用環(huán)境角度對數(shù)據(jù)融合在物聯(lián)網(wǎng)中的應(yīng)用進行了研究，該研究分析了在不同數(shù)學方法和應(yīng)用環(huán)境中的數(shù)據(jù)融合方法所面臨的問題和技術(shù)挑戰(zhàn)，同時總結(jié)了數(shù)據(jù)融合在未來智能普適環(huán)境下的研究方向。文獻[10]對數(shù)據(jù)融合進行了分類以及其在不同的領(lǐng)域中的應(yīng)用進行了較為深入的研究，同時針對不同的應(yīng)用需求進行了案例展示以及為大數(shù)據(jù)中的數(shù)據(jù)融合解決方案提供了理論建議。文獻[11]對數(shù)據(jù)融合的不同使用框架進行了分類和研究，并對當前主流的數(shù)據(jù)融合方法在這些框架下的使用情況進行了測試和評估，同時也指出了當前數(shù)據(jù)融合方法中存在的主要問題。文獻[12]將數(shù)據(jù)融合方法分為基于概率論和統(tǒng)計學的方法，基于經(jīng)典機器學習、粗糙集等技術(shù)的人工智能方法以及基于證據(jù)理論的方法，在以上的三類方法中，基于概率論的方法相對最為簡單同時在數(shù)據(jù)融合中使用得最為廣泛，而其中的Bayes方法是近幾年來在數(shù)據(jù)融合研究和使用最為多的方法。

此外，文獻[13]提出一種基于簇和最小生成樹的混合數(shù)據(jù)融合協(xié)議CTPEDCA。CTPEDCA采用的是分布式網(wǎng)絡(luò)模型并不需要來自于基站的中心控制方式。在CTPEDCA中，假設(shè)基站知道所有節(jié)點的部署情況，任何一個節(jié)點都可以將數(shù)據(jù)發(fā)送給其他節(jié)點并且節(jié)點可以直接和基站進行通信。在每個簇內(nèi)，節(jié)點通過一定的算法輪流充當簇頭節(jié)點并由簇頭節(jié)點負責收集和融合來自簇內(nèi)其他節(jié)點的感知數(shù)據(jù)。所有的簇頭節(jié)點通過MST算法生成一顆最小生成樹，當前剩余能量最多的簇頭節(jié)點充當樹根節(jié)點，在這顆生成樹中非終端節(jié)點將數(shù)據(jù)發(fā)送給終端節(jié)點，終端節(jié)點融合來自非終端節(jié)點的數(shù)據(jù)后再把數(shù)據(jù)傳遞給上一級節(jié)點，如此反復(fù)直到數(shù)據(jù)最后傳遞給根節(jié)點，最后由根節(jié)點進行最終數(shù)據(jù)融合并將最終數(shù)據(jù)發(fā)送給基站。

為了減少傳感器節(jié)點將數(shù)據(jù)發(fā)送給遠程基站點的能量損耗，防止傳感器節(jié)點過早的能量耗盡，文獻[14]提出LEACH算法，LEACH算法是簇形結(jié)構(gòu)數(shù)據(jù)融合算法的典型代表之一。其主要思想是減少直接將數(shù)據(jù)發(fā)送給基站點的傳感器節(jié)點數(shù)目。在LEACH算法中，網(wǎng)絡(luò)通過自組織的方式生成一系列的簇，每個簇由若干節(jié)點構(gòu)成，簇頭節(jié)點搜集簇內(nèi)節(jié)點數(shù)據(jù)，將這些數(shù)據(jù)進行融合，并負責將融合后的數(shù)據(jù)發(fā)送給基站點。另外一個較為經(jīng)典的算法是PEGASIS。同LEACH算法相比，PEGASIS[15]通過鏈式方法來收集數(shù)據(jù)，該算法也是把數(shù)據(jù)發(fā)送給基站點的傳感器節(jié)點數(shù)目減少為一個特定節(jié)點，并由該特定節(jié)點將每輪最終融合后的數(shù)據(jù)傳遞給基站點。PEGASIS假設(shè)基站是固定的，每個節(jié)點都會將接收到的數(shù)據(jù)同自己的數(shù)據(jù)進行融合。

由于WSN節(jié)點的部署通常在戶外無人看管區(qū)域，因此應(yīng)采取必要的措施對網(wǎng)絡(luò)節(jié)點以及其傳輸?shù)臄?shù)據(jù)進行保護。雖然傳統(tǒng)的加密方法可以提供數(shù)據(jù)保密性和數(shù)據(jù)完整性[16]，但是對于黑洞攻擊[17]等來自于WSN內(nèi)部的惡意節(jié)點或自私節(jié)點發(fā)動的網(wǎng)絡(luò)攻擊，僅靠加密方法則不能有效應(yīng)對和處理[18]。信任機制[19]應(yīng)運而生，并已成為加密方法的有效補充方案以處理WSN中的安全問題[20]。

在WSN中，根據(jù)完成指定任務(wù)以及節(jié)點的行為等情況，節(jié)點可以增加或者丟失其信任值。此外，只有當節(jié)點的信任值高過事先定義好的閾值時，它才有資格參與由網(wǎng)絡(luò)內(nèi)部其他節(jié)點發(fā)起的任務(wù)請求。因此，信任機制可用來評估節(jié)點完成指定任務(wù)的能力，也可以利用信任信息進行決策的制定[21]。

為了應(yīng)對數(shù)據(jù)融合過程中潛在的惡意節(jié)點，文獻[22]結(jié)合信任管理和加密技術(shù)，提出一種基于信任的安全數(shù)據(jù)融合盲觀察法。盲觀察法通過將Order-Preserved加密技術(shù)和Sigmoid信任模型進行適配，在不需要將節(jié)點發(fā)送給基站的數(shù)據(jù)進行解密和數(shù)據(jù)內(nèi)部檢驗的情況下，就可以對惡意行為節(jié)點進行區(qū)分，通過該方法可以保證數(shù)據(jù)融合的安全性和可靠性。為提高數(shù)據(jù)融合的安全度，文獻[23]提出一種基于信任的網(wǎng)內(nèi)數(shù)據(jù)融合方法。該方法使用的是樹狀數(shù)據(jù)融合結(jié)構(gòu)并采用基于二項分布的信任模型來檢測節(jié)點的惡意行為。在文獻[23]中，節(jié)點的信任量度是由其發(fā)送的數(shù)據(jù)、路由行為以及可用性這三個方面進行評定的。為了達到可靠數(shù)據(jù)融合的目的，網(wǎng)絡(luò)節(jié)點只將數(shù)據(jù)發(fā)送給信任度高于指定閾值的數(shù)據(jù)融合節(jié)點進行融合操作。在文獻[24]中，來自節(jié)點的數(shù)據(jù)根據(jù)對應(yīng)節(jié)點的信任度進行加權(quán)處理，普通節(jié)點依據(jù)數(shù)據(jù)融合節(jié)點的信任進行融合點的選取。RDAS[25]在無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法中通過采用信任機制對惡意節(jié)點進行識別和隔離的方式來提高數(shù)據(jù)融合的健壯性。RDAS中節(jié)點采用簇形結(jié)構(gòu)和分布式信任機制，每個節(jié)點在本地保存有簇內(nèi)其他節(jié)點的信任信息并和簇內(nèi)其他節(jié)點進行信任信息的分享。RDAS使用LEACH作為底層數(shù)據(jù)融合協(xié)議，采用基于二項分布的信任模型作為節(jié)點信任評判方法。

在信任建模的諸多理論方法中，基于統(tǒng)計學的方法如貝塔分布、泊松分布以及高斯分布都受到了學者們的廣泛關(guān)注，其中采用Bayes估計進行信任構(gòu)建在方法上相對簡單，理論上具備較強的統(tǒng)計學基礎(chǔ)，尤其是該方法通常僅需要兩個參數(shù)，在實際運用中可以分別代表節(jié)點正評價和負評價的數(shù)目等優(yōu)點使其非常適用于WSN的信任構(gòu)建。諸多文獻如文獻[26-28]等都采用了該信任方法，其中經(jīng)典的如文獻[26]和文獻[29]對Bayes估計理論在信任系統(tǒng)當中的應(yīng)用進行了較為深入的理論研究和探討。

文獻[26]利用Bayes估計為WSN提出了一種信任框架RFSN。RFSN采取的策略是將直接信任信息和間接信任信息相互結(jié)合的去中心化的信任管理模式，目的是建立一個可信的節(jié)點社區(qū)。RFSN在信任的計算過程中加入了來自鄰居節(jié)點的間接信任信息并同節(jié)點的直接信任信息一起構(gòu)建信任系統(tǒng)。RFSN使用一種稱為Watchdog的監(jiān)督機制, 其基本原理則是: 節(jié)點將一段時間內(nèi)通常是最近一段時間內(nèi)的數(shù)據(jù)保留在自己的緩存中，同時節(jié)點網(wǎng)卡采用混雜模式來監(jiān)聽其他節(jié)點在相同一段時間內(nèi)發(fā)送的數(shù)據(jù)，如果其他節(jié)點發(fā)送的數(shù)據(jù)同自己緩存中的數(shù)據(jù)相匹配，則認為監(jiān)聽節(jié)點的行為是正常的，通常會伴隨信任評價的增加，否則認為是不正常，也會伴隨信任評價的減少。

根據(jù)經(jīng)典文獻[29], 基于傳統(tǒng)Bayes估計的信任計算方法簡述如下：在WSN中，假設(shè)節(jié)點B定期向節(jié)點A請求合作(例如數(shù)據(jù)包傳遞請求或路由信息請求)，節(jié)點A在收到合作請求后可以選擇合作或者不合作，假設(shè)在以往的記錄中，A合作、不合作的次數(shù)分別為S1和S2，則根據(jù)Bayes估計，節(jié)點A(歷史)合作信任值可定義為：

(1)

當節(jié)點B下一次再向A發(fā)送合作請求之前，就可以根據(jù)Bayes估計和式(1)來估算A的下一次合作信任值為：

(2)

當節(jié)點B的可以合作節(jié)點多于1個時，節(jié)點B就可以根據(jù)式(2)來計算各個候選合作節(jié)點的信任值，并根據(jù)一定的策略選擇信任值高的節(jié)點進行合作。傳統(tǒng)Bayes估計方法雖然簡單易用，但每次在計算候選合作節(jié)點的信任值時都要將合作和不合作的次數(shù)加1，也即當候選節(jié)點選擇不合作時也要進行S1+1操作。

2 方法設(shè)計

本文所提方法首先依據(jù)改進的Bayes估計方法選取信任值高的節(jié)點作為潛在的融合節(jié)點，其次為避免高信任節(jié)點多次當選為融合節(jié)點從而過早地消耗掉自身的能量，所提方法還將節(jié)點剩余能量作為參數(shù)共同考察潛在的融合節(jié)點。

2.1 改進的Bayes估計方法

改進的Bayes估計方法描述如下：用ρ表示貝努利試驗中成功的概率，Y是一隨機變量，用來表示在貝努試驗中第r次成功之前失敗的次數(shù)，則X稱作服從參數(shù)(ρ,r)的負二項隨機變量，X的概率可表示為：

(3)

式中：k=0,1,2,…，且0<ρ<1。將式(3)進行整理，從而隨機變量X的概率密度函數(shù)可表示為：

(4)

式(3)和式(4)可以簡單理解為在r次成功之前觀察到s次失敗的概率或在r+s次試驗中直到出現(xiàn)第r次成功的概率。

在二項分布中，試驗中的成功次數(shù)是一隨機變量，而在負二項分布中，得到給定的成功次數(shù)所要進行的試驗次數(shù)也是一隨機變量。進一步，負二項分布和二項分布的關(guān)系可表述如下：

(5)

式中：Y是服從參數(shù)為(r+s,ρ)的二項隨機變量。

在式(5)中，ρ仍然是二項分布中成功的概率。在Bayes估計中，ρ的共軛先驗分布為Beta分布，P(ρ)可表示為：

(6)

ρ的后驗分布為：

(7)

在式(7)中，ρ的后驗分布P(ρ|X)仍然服從參數(shù)為(α+r,β+s)的Beta分布，從而可由下式計算出ρ的數(shù)學期望：

(8)

在實際應(yīng)用中，E(ρ)可以看作是某個節(jié)點的信任值，其計算依據(jù)為該節(jié)點過去同其他節(jié)點進行交互過程中正評價的次數(shù)以及負評價的次數(shù)。

同傳統(tǒng)的Bayes估計方法相比，式(8)中的r和s的值可以為0或任意正整數(shù)。在改進的Bayes估計中，可以根據(jù)節(jié)點實際交互情況，當有正評價發(fā)生時，r增加，沒有則r不變；當有負評價發(fā)生時，s增加，沒有則s不變，也即r和s的值根據(jù)實際情況變化而不是每次都增1，因此改進的Bayes估計方法更加符合實際的節(jié)點信任計算。

2.2 能量均衡方法

在利用信任值選取數(shù)據(jù)融合節(jié)點時，高信任值節(jié)點往往會多次當選，雖然高信任的數(shù)據(jù)融合節(jié)點會提高數(shù)據(jù)融合的可靠性和準確性，但這種方式明顯的缺陷則是此類節(jié)點會過早消耗掉自身的能量，不利于整個簇甚至整個網(wǎng)絡(luò)的能量均衡負載?？尚械霓k法是在考慮選取高信任節(jié)點作為融合節(jié)點的過程中同時考慮該節(jié)點的剩余能量，即不管某些節(jié)點的信任值有多高，只要其剩余能量沒有達到一定的標準，就不考慮此類節(jié)點為數(shù)據(jù)融合節(jié)點。

對比式(8)，本文在此處引入能量參數(shù)λ，其定如下：

(9)

式中：EI為節(jié)點的初始能量，ET和ER分別為節(jié)點在傳遞數(shù)據(jù)比特和接收數(shù)據(jù)比特時所使用的傳遞能耗和接收能耗，ET和ER的計算方式可以參見文獻[30]。

每個節(jié)點的能量參數(shù)λ定期在簇內(nèi)節(jié)點成員間傳遞，在實際應(yīng)用中設(shè)置能量參數(shù)閾值φ，當某節(jié)點成為候選融合節(jié)點前，該節(jié)點同能量參數(shù)φ進行比較，當條件滿足時將其標記為候選融合節(jié)點，否則視為非融合節(jié)點，即：

(10)

3 實驗測試

分別對融合節(jié)點的平均信任值、平均剩余能量值以及網(wǎng)絡(luò)的數(shù)據(jù)包傳遞率進行了實驗測試，測試參數(shù)如表1所示。

表1 實驗參數(shù)

整個網(wǎng)絡(luò)按照LEACH[14]提出的成簇算法自組成簇，WSN節(jié)點網(wǎng)卡采用混雜模式來監(jiān)聽同一簇內(nèi)其他節(jié)點在最近一段時間內(nèi)發(fā)送的數(shù)據(jù)，并通過本文所提的改進Bayes估計方法計算簇內(nèi)其他節(jié)點的信任值。在每一輪的融合節(jié)點選舉中，簇內(nèi)每個節(jié)點都將其記錄的信任值最高且滿足能量閾值的節(jié)點在簇內(nèi)進行廣播也即投票，得票最多的節(jié)點當選本輪數(shù)據(jù)融合節(jié)點，當?shù)闷弊疃嗟墓?jié)點數(shù)量大于1時，則選取其中剩余能量最多的當選為本輪數(shù)據(jù)融合節(jié)點。

假設(shè)網(wǎng)絡(luò)基站節(jié)點位于測試區(qū)域中心并在固定時間段內(nèi)發(fā)送1 000次數(shù)據(jù)包請求給網(wǎng)絡(luò)中各個節(jié)點，簇內(nèi)節(jié)點收到數(shù)據(jù)包請求后把數(shù)據(jù)直接傳遞給本簇的融合節(jié)點，之后由融合節(jié)點直接將融合數(shù)據(jù)傳遞給基站節(jié)點。

此外，假設(shè)正常節(jié)點每次傳遞的是正常區(qū)間[0～99]間的隨機數(shù)，有20%的正常節(jié)點以25%的概率傳遞的是非正常區(qū)間內(nèi)的隨機數(shù)；惡意節(jié)點每次傳遞的都是非正常區(qū)間內(nèi)的隨機數(shù)；當正常節(jié)點選為融合節(jié)點時，會將所接收到的正常區(qū)間內(nèi)數(shù)字的值以及其對應(yīng)的頻數(shù)發(fā)送給基站節(jié)點，即不會發(fā)送非正常區(qū)間內(nèi)的數(shù)字及其頻數(shù)；當惡意節(jié)點當選為融合節(jié)點時，除了完成正常融合節(jié)點的工作外，還會將接收到非正常區(qū)間內(nèi)數(shù)字的值以及對應(yīng)的頻數(shù)發(fā)送給基站節(jié)點，能量參數(shù)閾值的取值為簇內(nèi)節(jié)點的平均剩余能量值。

3.1 測試1

在該部分中，對數(shù)據(jù)融合節(jié)點的平均信任值進行了測試，測試對比方法為本文所提方法(P)同隨機選取融合節(jié)點的方法(R)，測試結(jié)果如圖1所示。

圖1 數(shù)據(jù)融合節(jié)點平均信任值

從圖1中可以看出，隨著基站節(jié)點查詢的次數(shù)的不斷增多，兩種方法中的數(shù)據(jù)融合節(jié)點平均信任值都有不斷上升的趨勢，但所提方法中的平均信任值要上升的更快一些，例如在第1 000次查詢的時候約0.9，而對比方面中因為采用隨機選取簇內(nèi)節(jié)點為數(shù)據(jù)融合節(jié)點，沒有考慮到惡意節(jié)點當選為數(shù)據(jù)融合節(jié)點的可能性，使得部分惡意節(jié)點成為了融合節(jié)點，最終導(dǎo)致數(shù)據(jù)融合節(jié)點的平均信任值偏低。

3.2 測試2

在該部分中，對數(shù)據(jù)融合節(jié)點的平均剩余能量進行了測試，測試對比方法為本文所提方法(P)同不考慮剩余能量的改進的Bayes估計方法(N)，測試結(jié)果如圖2所示。

圖2 融合節(jié)點平均剩余能量

在圖2中，隨著基站節(jié)點查詢的次數(shù)的遞增，兩種方法中的融合節(jié)點剩余平均能量都呈現(xiàn)出下降的趨勢。但在所提方法中，由于采用了能量均衡方法，使得高信任節(jié)點不能多次地當選為融合節(jié)點，所以所提方法中的融合節(jié)點平均剩余能量要下降得緩慢一些，而對比方法沒有采用能量均衡方法。因此融合節(jié)點的平均剩余能量下降得要快一些，并隨著查詢測試的增多，如從第600次查詢開始，下降的趨勢不斷增大，又如在第1 000次查詢時，下降到約0.29 J。

3.2 測試3

在理想情況下，到達基站節(jié)點的數(shù)據(jù)正確率應(yīng)接近100%，但由于網(wǎng)絡(luò)中惡意節(jié)點傳送非正常區(qū)間內(nèi)數(shù)據(jù)，降低了整個網(wǎng)絡(luò)的數(shù)據(jù)正確率，當惡意節(jié)點充當數(shù)據(jù)融合節(jié)點時，對整個網(wǎng)絡(luò)的數(shù)據(jù)正確率影響更大。在該部分中，對數(shù)據(jù)正確率進行了測試，測試對比方法為本文所提方法(P)同隨機選取數(shù)據(jù)融合節(jié)點方法(R)，測試結(jié)果如圖3所示。

圖3 數(shù)據(jù)正確率

在圖3中，隨著基站節(jié)點查詢次數(shù)的遞增，所提方法的數(shù)據(jù)正確率始終保持在0.95左右，而對比方法由于隨機選取的數(shù)據(jù)融合節(jié)點，使得部分錯誤數(shù)據(jù)也傳遞到了基站節(jié)點，因此其數(shù)據(jù)融合率始終在0.75左右波動，數(shù)據(jù)正確率相對較低。

4 結(jié) 語

在無線傳感器網(wǎng)絡(luò)中，數(shù)據(jù)融合節(jié)點的選取在整個數(shù)據(jù)融合過程中起著非常重要的作用。本文根據(jù)無線傳感器網(wǎng)絡(luò)的特點，結(jié)合網(wǎng)絡(luò)節(jié)點的特性，提出一種基于改進Bayes估計和能量均衡的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合節(jié)點選取方法。通過仿真實驗表明，本文所提方法能夠在降低數(shù)據(jù)融合節(jié)點的平均耗能、提高網(wǎng)絡(luò)傳遞的數(shù)據(jù)正確率等幾個方面取得較好的效果。