论文部分内容阅读
摘 要：在无线传感器网络中，最关键的是获取传感器上的数据节点位置。目前最常用的获取数据节点位置的方法是自我组织映射传感器节点位置估算法。这种方法利用少量的锚节点，在不使用测距设备的情况下，精确地估算出节点位置，并且在预测范围内存在障碍物的混合环境下，估算位置的精度较过去的测距和定位方法也有所提高。但在混合环境下利用这种方法估算节点位置仍不够理想，并且还存在传感器节点间通信量增大时电力不足的问题。为了解决以上问题，本文提出以云计算为前提的汇集型自我组织定位节点估算方法，首先通过汇集各传感节点的邻节点信息，提高确认未知节点的精度，其次即使因各节点间交换位置信息而增加通信次数，也能降低感应节点的电力消耗。
关键词：云计算；无线传感器网络；高精度同步；节点
中图分类号：TP368；TN929.5 文献标识码：A 文章编号：2096-4706（2019）03-0057-03
Improvement of Location Estimation Method in Wireless Sensor Networks under
Mixed Environment
LI Yilin，MENG Shiyao
（College of Computer Science and Engineering，The City College of Jilin Jianzhu University，Changchun 130114，China）
Abstract：In wireless sensor networks，the key problem is how to get the location of data nodes on sensors. At present，the most commonly used method to obtain the location of data nodes is self-organizing mapping sensor node location estimation method. This method uses a small number of anchor nodes to accurately estimate the location of nodes without using ranging equipment. In the mixed environment where obstacles exist in the range of prediction，the accuracy of the location estimation is higher than that of the previous ranging and positioning methods. However，it is not ideal to use this method to estimate the location of sensor nodes in mixed environment，and there is also the problem of insufficient power when the traffic between sensor nodes increases. In order to solve the above problems，this paper proposes a centralized self-organizing localization node estimation method based on cloud computing. Firstly，the accuracy of identifying unknown nodes is improved by collecting the neighboring node information of each sensor node. Secondly，the power consumption of the induction nodes can be reduced even if the number of communications is increased due to the exchange of location information among the nodes.
Keywords：cloud computing；wireless sensor networks；high-precision synchronization；nodes
0 引 言
无线终端和传感器组合的无线传感器网络[1]是以服务外部世界为目标，网络环境下的重要技术。在外部世界的服务实现上，获取物理位置信息是重要条件。为此，精确估算无线传感器在网络中的节点位置是需要解决的研究问题。节点位置估算的常用技术有测距算法[2]和定位算法[3]。虽然测距算法能高精度地估算节点位置，但因为必须使用测距设备，所以无法解决传感器节点大量消耗成本和电力的问题[4，5]。用定位算法进行高精度位置估算必须配置大量的锚节点。因此，存在限制使用环境和延时的缺点[6，7]。
为了解决以上算法的缺点，有研究者提出自我组织映射[8]的感应节点位置估算方法。即不使用测距设备，并只利用少量锚节点，就能较精确地估算出感应器的节点位置。但在无线传感器网络下，因为需要对节点的物理位置进行长期测量，并且获取各节点间交换位置信息时，通信次数也不断增加，各感应节点电力消耗的问题就成了急需解决的难题。另外，估算感应器节点位置时必须确定各节点间的未知节点数量。然而在混合环境下，无法确认估算节点附近的未知节点个数，这就产生了精度劣化的问题。
本文为了解决以上问题，提出以云计算[9]為前提的汇集型自我组织定位方法。在云环境下汇集各传感节点的邻节点信息，构成在虚拟无线传感器网络下使用自我组织定位的方法，不仅能降低感应节点的电力消耗，并能提高估算节点附近未知节点的精度。 1 研究方法
位置估算的算法，中的自我组织定位方法通过以下3步进行位置估算。
（1）各节点随机生成自身位置，作为虚拟位置。当节点i修正第t次的虚拟位置表示为wi（t）。各节点转播自身虚拟位置给1次附近节点；
（2）接收从1次附近节点j开始虚拟自身位置wi（t）的节点i，虚拟自身位置wi（t）和1次附近节点j的虚拟自身位置在wi（t）的直线上，从节点j到节点d修正1跳距离的1次附近修正向量（t）算出下式。1跳距离d不是绝对距离，作为相当距离的跳数为：
和1次附近节点修正相同，在节点i从2次附近节点k开始2跳距离的2次附近修正公式（t）算出下式：
用以上两个修正公式修正节点的虚拟位置。
节点i在距1次附近节点j和2次附近节点k更远的虚拟位置上时，如果2次附近节点的相对关系正确时，则仅修正1次附近修正向量。
从节点i到1次附近节点j比到2次附近节点k的距离近时，虚拟自身位置为（wi（t）-wj（t））≥（wi（t）-wk（t））时，和1次附近节点的相对关系正确，对1次附近修正向量和2次附近修正向量同时开始修正虚拟自身位置wi（t）；
（3）添加自身的虚拟位置wi（t），随机选择1次附近节点的自身位置wj（t），转播这两个节点的虚拟位置节点，估算各节点的位置来实现网络拓扑。
2 改进的研究方法
本文在自我组织定位方法的基础上提出了新的改进研究方法——汇集型自我组织定位方法。先将两种方法进行比较。
2.1 自我组织定位方法存在的问题
自我组织定位方法是各节点估算自身位置的方式。但是为了各节点单独进行估算，要考虑到下述的问题：
（1）在混合环境下，因为附近节点数量的不足产生精度下降，估算拓扑形成折曲拓扑，这是造成位置精度下降的主要原因；
（2）当各节点的通信次数增加时，感应节点的电力消耗严重。
虚拟无线传感器网络为了收集全部节点的附近节点信息，必须组织完整的拓扑结构信息。因为拓扑结构的形状是随机生成的，汇集型自我组织定位方法正适用于构成完整拓扑信息的虚拟无线传感器网络。
为了解决前文提出的问题，提出以下处理过程：
（1）精度降低的原因是产生了弯曲拓扑。因为距离判断中不能找出拓扑矛盾，所以添加了角度判断；
（2）根据使用完整拓扑信息的n次附近节点更新，从大范围的信息中提高全部拓扑形状的精度再现；
（3）对云客户端感应节点的附近节点进行搜索，使通信次数大幅减少。
2.2 在云环境下用拓扑信息估算节点位置的算法
2.2.1 虚拟无线传感器网络的构成
各感应节点按下面所述步骤收集附近节点信息，生成服务器内的虚拟网络。
（1）自身节点ID作为数据发送转播；
（2）接收各感应节点的转播，取得附近节点的ID，将获取的节点ID记录作为附近节点的信息传送给服务器；
（3）服务器将信息传送到云环境。
根据以上方法，云环境取得全部节点的附近节点信息，汇集型自我组织定位方法将获取的附近节点信息在云环境下构成如下拓扑：
（1）包含节点i的邻节点信息，作为节点i的1次附近节点；
（2）包含上述1次附近节点j的邻节点信息，节点i及不包含节点i-1次的邻节点信息的节点作为转播节点i的节点j的2次附近节点；
（3）同理，包含n次附近节点x的邻节点信息，不包含n-1次的附近节点群的邻节点信息的节点作为转播节点i的节点x的n+1次附近节点；
（4）重复上述步骤，扩大节点i的附近拓扑，通过网络设定节点i的多次附近节点。
实施以上处理云环境下全部节点，各节点每次设定多次附近节点，形成虚拟无线传感器网络。
2.2.2 n次附近节点的位置估算
用汇集型自我组织定位方法根据跳数增加节点间距离，选择其节点，被选的节点是从节点i的n次附近节点，且满足到n-1次附近节点的任意节点到i的远距离位置条件。位置更新时用距离d乘以跳数n。根据多跳n次的附近修正向量求得式（3），wn（t）是n次附近节点的虚拟自身位置。位置修正开始时，用大部分的附近节点形成大范围的拓扑，修正阶段进行和位置修正时减少附近节点信息，形成局部拓扑。利用公式（4）进行虚拟自身位置信息的更新。
3 仿真实验
3.1 通信情况
因为在有障碍物的情况下，节点间的通信处于混合状态，障碍物间的节点不能通信。
3.2 通信次数
利用自我组织定位方法和汇集型自我组织定位方法比较位置估算时全部节点的送信次数。实验证明，汇集型自我组织定位方法大大减少了送信的次数。自我组织定位方法在各节点执行位置更新，节点间更新虚拟自身位置时通信量增大。汇集型自我组织定位方法执行位置更新是在云环境下的虚拟无线传感器网络中进行的，各节点位置更新时不需要交换虚拟自身位置，只传送给云服务器虚拟无线传感器网络中的自身附近节点信息。
3.3 相对位置和绝对位置比较
进行相对位置和绝对位置比较有两种方法。相对位置评价根据估算的节点位置构成网络的形状和原型网络形状的相似性进行评价，即根据式（5）进行评价：
估算位置节点i和节点j的距离，在原型网络上，设N为位置估算节点的集合。当平均值趋近于1时，估算网络形状和原型的网络形状相同，分散V[rij]趋近于0时，估算网络形状和原型的网络形狀近似。当为1，V[rij]为0时，估算网络形状和原型网络形状一致。
绝对位置评价则要估算各节点的位置和真实位置的欧几里得距离总和的平均值，位置估算误差为Errave。 （6）
因此，与自我组织定位方法比较，汇集型自我组织定位方法有位置估算误差非常小、精度高的优点。
自我组织定位方法在少数的网络拓扑中，虽然能正确地估算部分形状，但发生曲折的大范围拓扑时产生的误差过大，这样就大大提高了全网络拓扑中的平均误差。汇集型自我组织定位方法完全抑制了曲折拓扑，稳定地保持低误差。汇集型自我组织定位方法中的值比自我组织定位方法中的值低，并且趋近于1。利用汇集型自我组织定位方法时V[rij]的值比自我组织定位方法时的V[rij]值低，趋近于0。因此，汇集型自我组织定位方法估算网络中节点的拓扑形状更准确，与原型网络形状几乎一致。
根据以上理论，汇集型自我组织定位方法在混合环境下，能够实现原型网络高精度再现，并高精度地估算出节点位置。
4 结 论
本文提出在云环境下的汇集型自我组织定位方法，并在仿真实验中确定了能够实现混合环境下高精度的估算节点位置，能够大量减少通信次数，降低感应节点的电力消耗。验证了混合环境下利用汇集型自我组织定位方法的可行性和有效性。
参考文献：
[1] 秦绍华.无线传感器网络多信道通信技术的研究 [D].济南：山东大学，2014.
[2] 陈羽.广域行波测距算法及其形式化验证 [D].上海：上海交通大学，2013.
[3] 孙顺远.无线传感器网络定位算法及应用研究 [D].无锡：江南大学，2014.
[4] 罗勃.基于UWB技术的TDOA定位算法的研究与实现 [D].海口：海南大学，2017.
[5] 杨玲玲.IR-UWB无线传感器网络精确TOA测距定位研究 [D].太原：太原理工大学，2011.
[6] 刘菁原.无线传感网中距离相关加权定位算法分析研究 [D].昆明：昆明理工大学，2016.
[7] 李亚杰.基于DV-Hop的無线传感器网络定位算法研究 [D].赣州：江西理工大学，2017.
[8] 寇磊.基于SOM算法改进的K-medoids算法及其研究 [D].太原：太原理工大学，2017.
[9] 石勇.面向云计算的可信虚拟环境关键技术研究 [D].北京：北京交通大学，2017.
作者简介：李依霖（1981-），女，汉族，辽宁辽阳人，讲师，硕士，主要研究方向：智能控制、网络教育。
关键词：云计算；无线传感器网络；高精度同步；节点
中图分类号：TP368；TN929.5 文献标识码：A 文章编号：2096-4706（2019）03-0057-03
Improvement of Location Estimation Method in Wireless Sensor Networks under
Mixed Environment
LI Yilin，MENG Shiyao
（College of Computer Science and Engineering，The City College of Jilin Jianzhu University，Changchun 130114，China）
Abstract：In wireless sensor networks，the key problem is how to get the location of data nodes on sensors. At present，the most commonly used method to obtain the location of data nodes is self-organizing mapping sensor node location estimation method. This method uses a small number of anchor nodes to accurately estimate the location of nodes without using ranging equipment. In the mixed environment where obstacles exist in the range of prediction，the accuracy of the location estimation is higher than that of the previous ranging and positioning methods. However，it is not ideal to use this method to estimate the location of sensor nodes in mixed environment，and there is also the problem of insufficient power when the traffic between sensor nodes increases. In order to solve the above problems，this paper proposes a centralized self-organizing localization node estimation method based on cloud computing. Firstly，the accuracy of identifying unknown nodes is improved by collecting the neighboring node information of each sensor node. Secondly，the power consumption of the induction nodes can be reduced even if the number of communications is increased due to the exchange of location information among the nodes.
Keywords：cloud computing；wireless sensor networks；high-precision synchronization；nodes
0 引 言
无线终端和传感器组合的无线传感器网络[1]是以服务外部世界为目标，网络环境下的重要技术。在外部世界的服务实现上，获取物理位置信息是重要条件。为此，精确估算无线传感器在网络中的节点位置是需要解决的研究问题。节点位置估算的常用技术有测距算法[2]和定位算法[3]。虽然测距算法能高精度地估算节点位置，但因为必须使用测距设备，所以无法解决传感器节点大量消耗成本和电力的问题[4，5]。用定位算法进行高精度位置估算必须配置大量的锚节点。因此，存在限制使用环境和延时的缺点[6，7]。
为了解决以上算法的缺点，有研究者提出自我组织映射[8]的感应节点位置估算方法。即不使用测距设备，并只利用少量锚节点，就能较精确地估算出感应器的节点位置。但在无线传感器网络下，因为需要对节点的物理位置进行长期测量，并且获取各节点间交换位置信息时，通信次数也不断增加，各感应节点电力消耗的问题就成了急需解决的难题。另外，估算感应器节点位置时必须确定各节点间的未知节点数量。然而在混合环境下，无法确认估算节点附近的未知节点个数，这就产生了精度劣化的问题。
本文为了解决以上问题，提出以云计算[9]為前提的汇集型自我组织定位方法。在云环境下汇集各传感节点的邻节点信息，构成在虚拟无线传感器网络下使用自我组织定位的方法，不仅能降低感应节点的电力消耗，并能提高估算节点附近未知节点的精度。 1 研究方法
位置估算的算法，中的自我组织定位方法通过以下3步进行位置估算。
（1）各节点随机生成自身位置，作为虚拟位置。当节点i修正第t次的虚拟位置表示为wi（t）。各节点转播自身虚拟位置给1次附近节点；
（2）接收从1次附近节点j开始虚拟自身位置wi（t）的节点i，虚拟自身位置wi（t）和1次附近节点j的虚拟自身位置在wi（t）的直线上，从节点j到节点d修正1跳距离的1次附近修正向量（t）算出下式。1跳距离d不是绝对距离，作为相当距离的跳数为：
和1次附近节点修正相同，在节点i从2次附近节点k开始2跳距离的2次附近修正公式（t）算出下式：
用以上两个修正公式修正节点的虚拟位置。
节点i在距1次附近节点j和2次附近节点k更远的虚拟位置上时，如果2次附近节点的相对关系正确时，则仅修正1次附近修正向量。
从节点i到1次附近节点j比到2次附近节点k的距离近时，虚拟自身位置为（wi（t）-wj（t））≥（wi（t）-wk（t））时，和1次附近节点的相对关系正确，对1次附近修正向量和2次附近修正向量同时开始修正虚拟自身位置wi（t）；
（3）添加自身的虚拟位置wi（t），随机选择1次附近节点的自身位置wj（t），转播这两个节点的虚拟位置节点，估算各节点的位置来实现网络拓扑。
2 改进的研究方法
本文在自我组织定位方法的基础上提出了新的改进研究方法——汇集型自我组织定位方法。先将两种方法进行比较。
2.1 自我组织定位方法存在的问题
自我组织定位方法是各节点估算自身位置的方式。但是为了各节点单独进行估算，要考虑到下述的问题：
（1）在混合环境下，因为附近节点数量的不足产生精度下降，估算拓扑形成折曲拓扑，这是造成位置精度下降的主要原因；
（2）当各节点的通信次数增加时，感应节点的电力消耗严重。
虚拟无线传感器网络为了收集全部节点的附近节点信息，必须组织完整的拓扑结构信息。因为拓扑结构的形状是随机生成的，汇集型自我组织定位方法正适用于构成完整拓扑信息的虚拟无线传感器网络。
为了解决前文提出的问题，提出以下处理过程：
（1）精度降低的原因是产生了弯曲拓扑。因为距离判断中不能找出拓扑矛盾，所以添加了角度判断；
（2）根据使用完整拓扑信息的n次附近节点更新，从大范围的信息中提高全部拓扑形状的精度再现；
（3）对云客户端感应节点的附近节点进行搜索，使通信次数大幅减少。
2.2 在云环境下用拓扑信息估算节点位置的算法
2.2.1 虚拟无线传感器网络的构成
各感应节点按下面所述步骤收集附近节点信息，生成服务器内的虚拟网络。
（1）自身节点ID作为数据发送转播；
（2）接收各感应节点的转播，取得附近节点的ID，将获取的节点ID记录作为附近节点的信息传送给服务器；
（3）服务器将信息传送到云环境。
根据以上方法，云环境取得全部节点的附近节点信息，汇集型自我组织定位方法将获取的附近节点信息在云环境下构成如下拓扑：
（1）包含节点i的邻节点信息，作为节点i的1次附近节点；
（2）包含上述1次附近节点j的邻节点信息，节点i及不包含节点i-1次的邻节点信息的节点作为转播节点i的节点j的2次附近节点；
（3）同理，包含n次附近节点x的邻节点信息，不包含n-1次的附近节点群的邻节点信息的节点作为转播节点i的节点x的n+1次附近节点；
（4）重复上述步骤，扩大节点i的附近拓扑，通过网络设定节点i的多次附近节点。
实施以上处理云环境下全部节点，各节点每次设定多次附近节点，形成虚拟无线传感器网络。
2.2.2 n次附近节点的位置估算
用汇集型自我组织定位方法根据跳数增加节点间距离，选择其节点，被选的节点是从节点i的n次附近节点，且满足到n-1次附近节点的任意节点到i的远距离位置条件。位置更新时用距离d乘以跳数n。根据多跳n次的附近修正向量求得式（3），wn（t）是n次附近节点的虚拟自身位置。位置修正开始时，用大部分的附近节点形成大范围的拓扑，修正阶段进行和位置修正时减少附近节点信息，形成局部拓扑。利用公式（4）进行虚拟自身位置信息的更新。
3 仿真实验
3.1 通信情况
因为在有障碍物的情况下，节点间的通信处于混合状态，障碍物间的节点不能通信。
3.2 通信次数
利用自我组织定位方法和汇集型自我组织定位方法比较位置估算时全部节点的送信次数。实验证明，汇集型自我组织定位方法大大减少了送信的次数。自我组织定位方法在各节点执行位置更新，节点间更新虚拟自身位置时通信量增大。汇集型自我组织定位方法执行位置更新是在云环境下的虚拟无线传感器网络中进行的，各节点位置更新时不需要交换虚拟自身位置，只传送给云服务器虚拟无线传感器网络中的自身附近节点信息。
3.3 相对位置和绝对位置比较
进行相对位置和绝对位置比较有两种方法。相对位置评价根据估算的节点位置构成网络的形状和原型网络形状的相似性进行评价，即根据式（5）进行评价：
估算位置节点i和节点j的距离，在原型网络上，设N为位置估算节点的集合。当平均值趋近于1时，估算网络形状和原型的网络形状相同，分散V[rij]趋近于0时，估算网络形状和原型的网络形狀近似。当为1，V[rij]为0时，估算网络形状和原型网络形状一致。
绝对位置评价则要估算各节点的位置和真实位置的欧几里得距离总和的平均值，位置估算误差为Errave。 （6）
因此，与自我组织定位方法比较，汇集型自我组织定位方法有位置估算误差非常小、精度高的优点。
自我组织定位方法在少数的网络拓扑中，虽然能正确地估算部分形状，但发生曲折的大范围拓扑时产生的误差过大，这样就大大提高了全网络拓扑中的平均误差。汇集型自我组织定位方法完全抑制了曲折拓扑，稳定地保持低误差。汇集型自我组织定位方法中的值比自我组织定位方法中的值低，并且趋近于1。利用汇集型自我组织定位方法时V[rij]的值比自我组织定位方法时的V[rij]值低，趋近于0。因此，汇集型自我组织定位方法估算网络中节点的拓扑形状更准确，与原型网络形状几乎一致。
根据以上理论，汇集型自我组织定位方法在混合环境下，能够实现原型网络高精度再现，并高精度地估算出节点位置。
4 结 论
本文提出在云环境下的汇集型自我组织定位方法，并在仿真实验中确定了能够实现混合环境下高精度的估算节点位置，能够大量减少通信次数，降低感应节点的电力消耗。验证了混合环境下利用汇集型自我组织定位方法的可行性和有效性。
参考文献：
[1] 秦绍华.无线传感器网络多信道通信技术的研究 [D].济南：山东大学，2014.
[2] 陈羽.广域行波测距算法及其形式化验证 [D].上海：上海交通大学，2013.
[3] 孙顺远.无线传感器网络定位算法及应用研究 [D].无锡：江南大学，2014.
[4] 罗勃.基于UWB技术的TDOA定位算法的研究与实现 [D].海口：海南大学，2017.
[5] 杨玲玲.IR-UWB无线传感器网络精确TOA测距定位研究 [D].太原：太原理工大学，2011.
[6] 刘菁原.无线传感网中距离相关加权定位算法分析研究 [D].昆明：昆明理工大学，2016.
[7] 李亚杰.基于DV-Hop的無线传感器网络定位算法研究 [D].赣州：江西理工大学，2017.
[8] 寇磊.基于SOM算法改进的K-medoids算法及其研究 [D].太原：太原理工大学，2017.
[9] 石勇.面向云计算的可信虚拟环境关键技术研究 [D].北京：北京交通大学，2017.
作者简介：李依霖（1981-），女，汉族，辽宁辽阳人，讲师，硕士，主要研究方向：智能控制、网络教育。