楊倩倩，王 龍

(晉中信息學院大數(shù)據(jù)學院，山西 太谷 030800)

大數(shù)據(jù)技術的發(fā)展與進步提高了數(shù)據(jù)處理的效率[1]，增加了人們在日常生活和工作中的認知盈余，開拓了眼界，拓寬了視野。 但隨著大數(shù)據(jù)網(wǎng)絡時代信息的不斷發(fā)展[2]，數(shù)據(jù)積攢越來越多，造成可使用數(shù)據(jù)被海量冗余數(shù)據(jù)覆蓋，長此以往將會導致諸多不良影響，因此需智能采集移動數(shù)據(jù)，以提高數(shù)據(jù)采集效果。

史兵麗等[3]設計了基于ZigBee 無線網(wǎng)絡的應變數(shù)據(jù)采集系統(tǒng)，并結合調制協(xié)調器和FPGA 陣列完成數(shù)據(jù)采集。 Karthikeyan A 等[4]指出由于信號覆蓋的環(huán)形范圍導致三維無線傳感器網(wǎng)絡數(shù)據(jù)重復，為此，制定了三維分散分組(3D-SG)方案，根據(jù)該方案實現(xiàn)了數(shù)據(jù)采集與評估。 陳琪等[5]將所有節(jié)點均勻劃分成簇，然后在簇內采用節(jié)點分級的思想進行數(shù)據(jù)的多跳傳輸，最后使用移動采集器沿著最短路徑訪問簇頭節(jié)點完成數(shù)據(jù)采集。 上述三種方法雖然都實現(xiàn)了數(shù)據(jù)采集，但是由于移動節(jié)點具有較高的隨機性，因此在采集過程中無法對其進行較為準確的對比，導致數(shù)據(jù)采集效果有待進一步提升。

在上述分析的基礎上，本文在利用已有的LEACH 分簇算法完成移動數(shù)據(jù)節(jié)點分類采集的基礎上，利用最小生成樹方法分配移動數(shù)據(jù)采集時隙，以降低無線傳感網(wǎng)中的節(jié)點能量消耗，提升移動數(shù)據(jù)采集效果。

1 無線傳感網(wǎng)絡數(shù)據(jù)采集

1.1 信息熵權重計算

首先，將未完成聚類[7]的節(jié)點數(shù)據(jù)對象的數(shù)目設為N，且所有未完成聚類對象的屬性采用G+P維來表示，結合變化不定的數(shù)據(jù)信息，構建如下信息數(shù)據(jù)集U:

由于量綱的不同，WSN 中節(jié)點數(shù)據(jù)信息具有一定的隨機性，因此無法對其進行較為準確的對比。要使不同量綱的數(shù)據(jù)對象能夠相互比較，就必須采用正規(guī)的無量綱化預處理方法，具體為先使用無量綱化法對節(jié)點數(shù)據(jù)進行處理，再將處理結果投影到[0，1]區(qū)間內，計算方法如下式:

式中:xit代表在處理前的某維屬性，而x′it則代表處理后的某維屬性，min 代表這一維屬性數(shù)據(jù)中的最小值極限，max 代表這一維屬性數(shù)據(jù)中的最大值極限。

式中:Ht代表在所有維的屬性中節(jié)點數(shù)據(jù)的熵值。如果xit相對于預先指定的t的值完全相等，則有

1.2 繪制等勢線

1.2.1 計算勢值

當WSN 是由雙重屬性數(shù)據(jù)對象組成時，任意一個WSN 中節(jié)點xi對于節(jié)點xj處所產(chǎn)生的勢值可表示為:

1.2.2 查找空勢心

一般空間位勢中心位于同一類簇的中心，類簇的空間中心是該類節(jié)點數(shù)據(jù)對數(shù)據(jù)空間中某一概念的附屬中心，也是該概念特征的節(jié)點數(shù)據(jù)聚集中心。此外，在無線傳感網(wǎng)絡數(shù)據(jù)場中，空間勢心是一種用物體來表示的客觀實體節(jié)點數(shù)據(jù)，即由傳感器節(jié)點在物理空間的位置屬性和感知屬性構成。

采用LEACH 分簇算法將整個無線傳感器網(wǎng)絡節(jié)點劃分為K個聚類范圍，作為聚類核心的LEACH分簇算法實現(xiàn)了移動Sink 數(shù)據(jù)采集方案[9]的空間分布均衡。

以確定的無線傳感網(wǎng)絡節(jié)點的物理位置質心坐標為基礎，依據(jù)質心點之間的最小歐氏距離原理和剩余能量不低于平均能量原則，確定各個聚類中移動數(shù)據(jù)采集點。

勢能函數(shù)[10]是指在整個力場中，勢能依賴于位置和距離的函數(shù)。 在一個由雙重屬性數(shù)據(jù)對象組成的WSN中，決定在節(jié)點數(shù)據(jù)空間U中進行聚類，劃分為K個類{Π1，Π2，…，Πk}，此簇內所有對象的勢能相加之和與該簇內對象總數(shù)量之間的比值就是劃分簇的平均位值ˉφ(K)，以上述確定的空勢心為基礎，將ˉφ(K)表示為:

式中:NumK代表進行K個聚類劃分后該簇內對象總數(shù)量，Φ(xi)代表任意一個WSN 在xi處的位值和其他WSN 節(jié)點在xi處產(chǎn)生的位值的乘積。

WSN 數(shù)據(jù)場中的等勢線被認為是空間勢心所環(huán)繞。 即在疊加過程中點數(shù)較大的節(jié)點數(shù)據(jù)形成的勢心是一種接近目標數(shù)值的節(jié)點數(shù)據(jù)，而節(jié)點的數(shù)據(jù)在疊加時比疊加之前較小數(shù)值的節(jié)點數(shù)據(jù)起到了更大的作用。 因此根據(jù)上述計算結果繪制等勢線，為無線傳感網(wǎng)絡數(shù)據(jù)采集奠定了良好基礎。

1.3 完成數(shù)據(jù)采集

使用LEACH 分簇算法[11]劃分無線傳感網(wǎng)絡區(qū)間后，網(wǎng)絡中所有傳感器節(jié)點的聚集節(jié)點即為聚類中的數(shù)據(jù)采集點，因此本文選取二維Dubins 曲線[12]實現(xiàn)所有采集點的連線。

其中，RSL 型Dubins 曲線主要包括三段，即:

式中:φ0代表聚類區(qū)間的切線內夾角，φ1代表聚類區(qū)間的切線外夾角，d代表各個聚類區(qū)間之間的距離，sinφ0代表聚類區(qū)間的切線內夾角的正弦值，cosφ0代表聚類區(qū)間的切線內夾角的余弦值，sinφ1代表聚類區(qū)間的切線外夾角的正弦值，cosφ1代表聚類區(qū)間的切線外夾角的余弦值，arctan 代表反正切函數(shù)，mod 代表求余函數(shù)，｜L｜、｜S｜和｜R｜分別表示RSL 的三段曲線長度，相加可獲得完整的Dubins曲線的長度，即:∮LRS=｜L｜+｜S｜+｜R｜。

在分簇數(shù)據(jù)的基礎上采用Sink 數(shù)據(jù)對節(jié)點再進行細分，其細分后節(jié)點構成了Dubins 曲線，從而有序快速地采集數(shù)據(jù)。

綜合上述分析，本文移動數(shù)據(jù)采集流程如圖1所示。

圖1 無線傳感網(wǎng)移動數(shù)據(jù)采集流程圖

至此完成無線傳感網(wǎng)絡移動數(shù)據(jù)采集。

2 數(shù)據(jù)采集效果提升方法

2.1 基于節(jié)點剩余能量的最小生成樹

為了進一步優(yōu)化無線傳感網(wǎng)數(shù)據(jù)效果，本文利用節(jié)點剩余能量作為邊權重，再利用克魯斯卡爾(Kruskal)算法構建最小生成樹[13-14]。

假設無線傳感網(wǎng)數(shù)據(jù)連通網(wǎng)N=(V，E)，將N中的邊按權值從小到大的順序排列:

①初始狀態(tài)為只有n個頂點而無邊的非連通圖T=(V，{})，圖中每個頂點自成一個連通分量。

②在節(jié)點能量E中選擇權值最小的邊，若該邊依附的頂點落在T中不同的連通分量上(即不形成回路)，則將此邊將入到T中，否則舍去此邊而選擇下一條權值最小的邊。

③重復步驟②，直到T中所有的頂點都在同一連通分量上為止。 由此得到最小生成樹示意圖，如圖2 所示。

圖2 最小生成樹示意圖

圖2 中數(shù)字為節(jié)點剩余能量。 如節(jié)點2 的剩余能量為30。 依據(jù)節(jié)點剩余能量計算邊權重，每條邊權重等于邊的兩端節(jié)點剩余能量之和。 如由節(jié)點5和節(jié)點2 構成的邊，其邊權重為20 與30 的和，即50。

2.2 分配時隙的流程

先利用Kruskal 算法構成生成樹，然后給樹中的每個節(jié)點分配時隙，分配過程的偽代碼如下:

①把原圖中所有邊按權值排序

②初始化最小生成樹為空，以及初始化連通分量

③for(intn=?；n＜N；n++)

④if(E[n]?T=(V，{ }){

⑤把邊E[n]加入最小生成樹

⑥合并E[n]所在的連通分量

⑦}

至此完成無線傳感網(wǎng)移動數(shù)據(jù)采集效果提升。

3 仿真與結果

為了驗證無線傳感網(wǎng)移動數(shù)據(jù)采集效果提升方法的整體有效性。 分別用本文方法、文獻[3]方法和文獻[4]方法進行如下測試。

3.1 仿真準備

使用MATLAB 軟件建立仿真平臺。 考慮200個無線傳感網(wǎng)絡節(jié)點隨機分布于500 m×500 m 區(qū)域。 每個節(jié)點的通信半徑為50 m。 200 個節(jié)點內只有部分節(jié)點在每輪產(chǎn)生數(shù)據(jù)包，即產(chǎn)生數(shù)據(jù)包的概率從0～1 變化。 具體參數(shù)設置如表1 所示。每當移動節(jié)點移動到終點并返回起點時，稱其完成一“輪”移動。 根據(jù)移動節(jié)點的通信范圍，可以將全部區(qū)域劃分為直接通信區(qū)域和多跳通信區(qū)域。

表1 仿真參數(shù)設置

圖3 中，L1 和L2 兩條曲線之間的區(qū)域即為直接通信區(qū)域，該區(qū)域內的節(jié)點距離軌道較近，因而能夠向移動節(jié)點直接傳送數(shù)據(jù)。 而無線傳感網(wǎng)中的其他節(jié)點需要采用多跳中繼方式將數(shù)據(jù)傳送給區(qū)域內節(jié)點。

圖3 應用場景示例圖

3.2 仿真結果與分析

3.2.1 質心坐標查找準確性測試

根據(jù)上述參數(shù)設定，考慮到不同方法適用場景不同，因此利用式(3)計算信息熵權重，并以0.85 作為固定值，設置移動節(jié)點坐標為(118，89)，測試三種方法查找節(jié)點的物理位置質心坐標的準確性。 其測試結果如圖4 所示。

圖4 不同方法質心坐標查找準確性對比

由圖4 可知，采用所提方法、文獻[3]方法和文獻[4]方法的質心坐標查找準確性相差均較小，所提方法和文獻[3]方法最高差值均為0.10%，文獻[4]方法最高差值為0.16%。 整體來看，所提方法整體質心坐標查找準確性曲線波動幅度較小，表明所提方法的質心坐標查找誤差是三種方法中最低的。 這是因為所提方法結合了信息熵權重，使用勢能函數(shù)對節(jié)點數(shù)據(jù)對象進行分簇，提高了方法的質心坐標查找準確性。

3.2.2 能耗測試

假設本文所研究的無線傳感網(wǎng)中節(jié)點的初始能量設置為30 J，結合Kruskal 最小生成樹算法流程，構建能耗模型如下:

由圖5 可知，在相同的有效測試次數(shù)下，所提方法的能耗量均在0.06 ～0.07 的最佳區(qū)間內，且隨著測試次數(shù)的增多，數(shù)據(jù)采集的能耗量也在隨之下降。雖然文獻[3]方法的數(shù)據(jù)采集能耗量和文獻[4]方法的數(shù)據(jù)采集能耗量也在隨之下降，但能耗區(qū)間與所提方法的最佳能耗區(qū)間相比過高，這是因為所提方法利用Kruskal 算法構成最小生成樹，然后給樹中的每個節(jié)點分配時隙，促使每個節(jié)點得到的實時能耗量最低，較低的能耗量進一步增強了采集的穩(wěn)定性，這充分驗證了所提方法的有效性。

圖5 不同方法數(shù)據(jù)采集能耗量對比

3.2.3 延時率測試

對比三種方法在發(fā)送采集移動數(shù)據(jù)時產(chǎn)生的延時率，延時率等于數(shù)據(jù)幀長度和發(fā)送速率的比值，延時率越低，數(shù)據(jù)采集后的傳輸效果越好。 對比結果如表2 所示。

表2 不同方法數(shù)據(jù)采集的延時率

由表2 可知，在多次有效測試后，所提方法的延時率均在20%以下，而文獻[3]方法和文獻[4]方法的延時率都在25%以上，這是因為所提方法首先對無線傳感網(wǎng)絡數(shù)據(jù)進行聚類處理，將需要采集的數(shù)據(jù)提前聚類，提高了采集效率，降低了延時率。 通過上述對比，驗證了所提方法的有效性。

4 結束語

近年來，由于可循環(huán)有效數(shù)據(jù)資料的流失對日常生活造成了許多不便，因此需要對聚類移動數(shù)據(jù)進行智能采集。 目前無線傳感網(wǎng)數(shù)據(jù)采集方法的采集效果有待進一步提升，所以提出無線傳感網(wǎng)移動數(shù)據(jù)采集效果提升方法。 利用無線傳感網(wǎng)絡構成勢值等勢線，采用LEACH 算法聚類，然后將聚類后的節(jié)點數(shù)據(jù)構成Dubins 曲線完成數(shù)據(jù)采集，最后通過構建最小生成樹分配數(shù)據(jù)收集時隙。 由仿真結果可知，所提方法解決了數(shù)據(jù)采集誤差大、數(shù)據(jù)采集效率低、數(shù)據(jù)采集所用能耗大、數(shù)據(jù)采集的延時率高的問題，為將來數(shù)據(jù)智能化采集奠定了基礎。