考虑时间序列表达关系的无线传感网络缺失节点识别*

陈瑞志，黄锦敬

(湛江科技学院智能制造学院，广东 湛江 524094)

现阶段，随着无线传感网络与互联网技术的高速发展，传感网络被广泛应用在各大领域中。无线传感网络是由分布在各个区域的传感器节点共同组成的，通过节点之间无线网络的连接，使每个节点都具有信息通讯、计算以及储存的能力。由于无线传感网络的规模较为庞大，涉及的信息量基数过大，容易出现节点缺失的问题，导致无线传感网络出现噪声、冗余等故障现象，影响传输质量。基于此，众多学者提出缺失节点识别方法。

文献[1]采用深度学习网络识别红外网络中的异常节点，采集红外网络节点状态信息，并将结果输入到深度学习网络中，通过贪婪算法进行迭代训练，提取异常节点的特征，从而完成异常节点识别。文献[2]则是针对无线传感网络中的恶意节点进行识别，通过机器学习中的线性回归算法计算节点的能量与信誉度，根据信誉度结果判断节点是否为异常节点。文献[3]采用蜻蜓算法识别通信网络中的异常节点，该方法将生物自然系统和传统通信系统映射到超可靠低延迟通信的异常节点识别中，以提高通信网络的安全性与可靠性。文献[4]采用整数线性规划模型来识别社区网络中具有影响力的节点，构建聚类网络优化模型，得到影响力节点的识别结果。但是，上述方法均是针对各种网络的异常节点以及影响力节点进行识别，并且忽略了缺失节点在时间序列上的关系，如果直接将上述方法应用于无线传感器网络缺失节点，会降低缺失节点的识别精度。

针对上述问题，此次研究提出了一种考虑时间序列表达关系的无线传感网络缺失节点识别方法。该方法的整体研究过程为:分析无线传感网络节点数据在时间序列上的表达关系，采用均值替代方法计算节点的向量与时间差别变化。分析无线传感器网络中锚节点与位置节点分布情况，计算节点的移动范围，并完成节点的滤除处理。以剩余节点为基础，采用蒙特卡洛定位算法计算缺失节点的坐标，从而完成缺失节点的识别。

1 无线传感网络节点时间序列表达关系

为了提高无线传感网络缺失节点识别的精准性，对无线传感网络节点数据进行采集分析和预处理，分析节点数据在时间序列上的表达关系[5-6]，计算向量、维度等值对缺失节点识别的影响，降低缺失节点识别误差。

为了方便计算与分析，作出如下定义:

①S＝{S1，S2，S3，…，Sn}表示无线传感网络服务候选节点集中所有的子节点的集合；n表示服务个数。

②P＝{p1，p2，p3，…，pm}表示无线网络服务候选节点集中符合完备节点的集合；m表示节点个数。

③M(pk)＝表示节点集合Si＝(i＝1，2，3，…，m)中第k个节点的时间序列[7]；表示时间序列参数；pk表示完备数值；∅表示集合中的缺失节点数值。

假设无线传感网络中存在四个不同时间维度的移动节点值Si＝{S1，S2，S3，S4}，每个值都存在对应的指标值，每个指标值记录了这四个移动节点值在时间序列上的时间点。将这几组数据按照维度大小进行排列，组成一组新的序列关系。计算同一维度和不同维度下节点缺失的时间变化特点，推导得出规律，作为下一步节点缺失识别的参考依据，避免因维度不一带来的识别误差，表达式为:

上述研究从四个不同的时间维度分析了无线传感网络节点的时间序列表达关系，明确了向量、维度等值对缺失节点识别的影响，有助于提高缺失节点的识别精度。

2 蒙特卡罗定位识别缺失节点

以上述分析的无线传感网络节点时间序列表达关系为基础，采用蒙特卡罗定位方法实现缺失节点的识别研究。

缺失节点定位是无线传感网络的基础技术之一，也是无线传感网络研究的热点问题之一[8]。无线传感网络中的节点数量庞大，组成网络系统协同完成传输任务，一旦出现节点缺失的问题，会导致传输数据不完整，降低无线传感网络的稳定性[9]。

缺失节点定位就是识别出缺失节点在所处空间内的具体位置，在实际的计算过程中，受到节点环境复杂性与多变性的影响，导致定位识别的误差较大。为了提高无线传感网络的传输可靠性，采用蒙特卡罗定位算法进行缺失节点识别。移动锚节点[10]与位置节点在无线传感网络中的分布情况如图1所示。

图1 锚节点与位置节点分布图

蒙特卡罗定位算法是一种随机模拟方法，计算模式是先从数据集合中随机选取计算样本，因此抽样的次数直接影响其最终的定位精度。采用人工方法进行大量抽样的效率较低并且难以实现，而蒙特卡洛定位算法可以有效解决这一问题，更加适用于缺失节点的定位识别。

完成锚节点与位置节点分布后进行数据的随机抽样，生成缺失节点样本集，N表示最小样本数，根据实际情况设定。

在无线传感网络的实际工作过程中，节点是随机移动的，因此无法确定缺失节点具体的移动方向与速度，但是可以计算缺失节点的最大移动速度Vmax。设缺失节点在上一个时刻的位置为，缺失节点在时间序列关系约束下的当前位置为为缺失节点移动的圆心，以Vmax作为半径，缺失节点在此范围内移动。缺失节点位置区域如图2 所示。

图2 缺失节点位置区域示意图

从图2 中可以看出，缺失节点在时间序列关系约束下所处位置在[0，Vmax]区域内呈现均匀分布的状态，因此可以构建如下表达式:

式中:d(lt｜lt-1)表示t时刻与t-1 时刻缺失节点位置之间的欧几里得距离。

为了确保滤波处理的可靠性，锚节点需要选择两跳以内的，设一跳锚节点集合为B1，两跳锚节点集合为B2，每个锚节点的通信半径为r，当只存在一跳锚节点B1，则需要将满足d(lt，B1)＞r条件的节点滤除，当只存在两跳锚节点B2，时间序列关系约束下则需要滤除满足d(lt，B2)＞2r、d(lt，B2)＜r的节点。节点滤除示意图见图3。

图3 节点滤除示意图

根据上述原理，构建如式(3)所示的节点滤除计算公式:

蒙特卡罗定位算法[11]的计算重点是:时间序列关系约束下缺失节点的后验概率分布p(lt｜o0，o1，o2，…，ot)，并且采用重要性函数π 归一化采集所有样本点，通过样本点权重计算缺失节点的后验分布概率。

时间序列关系约束下缺失节点位置预测结果计算公式为:

缺失节点位置更新公式为:

权值归一化[12]计算公式为:

蒙特拉罗定位算法中引入了重要性采样计算，随着计算次数的增加，会导致粒子权重发生偏差，部分粒子的权重会变得极大，部分粒子出现退化情况导致权重极小，退化的粒子则不能参与计算。定义节点的有效样本数量为Neff，门限值为Nthreshold，如果存在Neff＜Nthreshold，则进行重采样。

有效样本数量Neff的计算公式为:

采用N个有效的样本数据，定位缺失节点位置，完成缺失节点的识别。时间序列关系约束下缺失节点位置计算公式为:

根据式(8)所示的缺失节点位置计算结果，可以明确缺失节点在无线传感网络中所处的位置，完成缺失节点的识别。

蒙特卡罗定位算法的运行代码如图4 所示。

图4 蒙特卡罗定位算法的运行代码

3 测试分析

3.1 测试设置

为有效验证提出的无线传感网络缺失节点识别方法的适用性及合理性，模拟网络环境搭建了PC(Personal Computer)端云服务无线传感网络平台，并在其上进行具体测试。无线传感器网络结构如图5 所示。

图5 无线传感网络结构

测试数据集中选取了SQL(Structured Query Language 结构化查询语言)数据库中的5000 条移动无线传感节点数据，仿真的详细参数如表1 所示。

将图4 所示的蒙特卡罗定位算法运行代码输入到MATLAB 平台中，即可进行算法的应用。

在仿真分析前为了降低误差，得到精准的仿真结果，充分验证所提出方法的性能，以节点权重计算精度、缺失节点定位精度、缺失节点识别精度为仿真分析指标，将所提出方法与文献[2]方法与文献[3]方法进行对比验证。

3.2 节点权重计算精度

在完备的数据集中，需要精准地计算节点权重，才能够得到精准的缺失节点位置识别结果。不同方法的节点权重计算精度对比结果如图6 所示。

图6 节点权重计算精度

从图6 中可以看出，所提出方法的节点权重计算精度偏高，节点权重计算精度最高达到99.43%，说明所提出方法计算的权重结果与实际值基本一致，吻合度较高，两种文献对比方法的节点权重计算精度最高未超过90%。由此看来，所提出方法对无线传感网络节点权重的精准度较高，实用性能好。

3.3 缺失节点定位精度

为进一步验证缺失节点识别的性能，设置两种测试环境对缺失节点的定位精度进行验证。两种测试环境分别为存在30 dB 噪声影响和不存在噪声影响的无线传感网络环境。缺失节点产生的原因也是噪声及冗余信号等，因此在噪声环境下更能体现方法的识别性能。两种环境下，三种方法的缺失节点定位精度对比结果分别如图7 与图8 所示。

图7 不存在噪声影响环境下三种方法的缺失节点定位精度

观察图7 所示不存在噪声干扰下的缺失节点定位精度结果可以看出，所提出方法的定位精度曲线始终位于两种文献对比方法之上。当不存在噪声影响时，所提出方法的缺失节点定位精度范围在94.36%～97.52%之间。相同条件下，文献[2]与文献[3]方法的缺失节点定位范围分别为68.36%～77.58%、73.29%～83.10%。因此，说明在不存在噪声干扰的条件下，相较于传统方法，所提方法不仅能够提高缺失节点定位精度，且定位结果较为稳定。

从图8 中可以看出，当存在噪声干扰的情况下，三种方法的缺失节点定位精度均出现了一定的下降，其中文献[2]与文献[3]方法均下降了10%左右，所提出方法的缺失节点定位精度仍然能够保持在91%以上；噪声条件下，文献[2]与文献[3]方法的缺失节点识别精度最高未超过70%，因此说明所研究方法能够抵御噪声干扰。

3.4 缺失节点识别精度

为了进一步验证所提出方法对缺失节点的识别性能，将不同方法识别出的缺失节点数量与实际值进行对比，判断三种方法的缺失节点识别精度。缺失节点识别精度对比结果如表2 所示。

从表2 所示的缺失节点识别精度结果中可以看出，所提出方法的缺失节点识别数量与实际值基本一致，最高差值不超过1 个；文献[2]方法识别的缺失节点数量始终低于真实值，说明文献[2]方法不能够识别出全部的缺失节点，将会导致无线传感网络的传输完整性降低；文献[3]方法的缺失节点识别数量始终高于真实值，会向无线传感网络发出错误指令，为了填补缺失节点，可能导致网络内的节点数量增加，增加网络拥塞的可能性。

4 结论

为了提高无线传感网络的传输性能，有效解决节点缺失问题，提出一种考虑时间序列表达关系的无线传感网络缺失节点识别方法。从理论与仿真分析两方面对方法的性能进行了验证，该方法在进行缺失节点识别过程中，具有较高的缺失节点定位精度与识别精度。在存在噪声干扰的情况下，所提出方法仍然能够保持91%以上的缺失节点定位精度，并且所提出方法识别出的缺失节点数量与实际值基本一致。因此，说明所提出方法能够满足缺失节点识别的精度要求。