基于伸展树的事件区域检测方法

摘要

本发明公开了一种基于伸展树的事件区域检测方法，首先对传感器节点进行随机部署；采用基于Voronoi图以及Delaunay三角网络来描述感知网络拓扑，通过三种消息Beacon，Probe和Join实现伸展树的构建；在已构建伸展树的基础上，基于多项式回归进行数据融合，同时完成事件区域的可靠检测。实验证明，本发明的基于伸展树的事件区域检测方法是可行的，将本发明应用于事件区域的检测，可以提高检测的准确度。

说明书

技术领域

本发明涉及一种事件区域检测的方法，用以实现事件区域的自动检测。

背景技术

无线传感器网络的一项基本任务是检测和报告发生在特定区域内的各种感兴趣事件。某事件的发生认为是环境状态(如温度、湿度、压力等)的异常改变，它可能以多种方式出现。随着时间的推移，若传感器读数保持平稳，则认为此环境对传感器检测来说是时空关联的，可见，位于同一区域中邻近传感器的读数关系密切。当某时段传感器感知的读数偏离了正常值，或者邻居节点的读数大大超过了预定义的阈值，则可能是某事件发生或是传感器产生了故障。但是，传感器节点报告错误读数的原因是多方面的(如与邻居传感器的读数不同或虽然没有超过预先设定的阈值但却与它在上一时间间隔感知读数不同等)。若发生了通信或硬件故障，这些错误会导致节点无效，意外破坏或恶意通信线路的改变也会导致无效节点的产生。环境受其它因素的影响，传感器也可能产生瞬时的错误读数。特别是部署在恶劣环境中的动态传感器网络进行感兴趣事件的检测，由于网络拓扑结构发生变化，也会导致错误读数的产生。所以，在无线传感器网络中，保证原始数据的可信性，消除错误读数的影响，是事件区域检测需要解决的关键问题之一。

尽管事件区域检测是许多应用的一个重要问题，然而专门讨论这个问题的方法却不多，有的方法如分布式核回归，其任何一个节点都含有它局部区域范围内的近似参数，因而，它不能正确回答自己局部区域之外的查询，每个节点发送含有一个向量(向量用来描述覆盖它的局部区域)的信息，这个向量的大小随着大量的和它共享核变量的邻居节点的增加而增长，这对于资源受限的传感器节点来说，是难以忍受的。

因此，如何在较小的通信数据量的前提下，使无线传感器网络具有较好的容错能力，以保证原始数据的可信性，是本领域关注的重点。

发明内容

本发明目的是提供一种基于伸展树的事件区域检测方法，以应用于事件区域检测，实现感兴趣区域中环境参数如温度、湿度等的检测，提高事件区域检测的效率和准确度。

为达到上述目标，本发明采用的技术方案是：一种基于伸展树的事件区域检测方法，包括下列步骤：

(1)传感器网络节点随机部署；

(2)采用基于Voronoi图以及Delaunay三角网络来描述感知网络拓扑，通过三种消息Beacon，Probe和Join实现伸展树的构建；

2-1)设定树的深度p(4≤p≤10)

2-2)发送三种消息Beacon，Probe和Join，在感知周边邻居的同时，获得传感器网络中需要保持的节点集；

2-3)0＜j＜p-1，1＜i＜2^j，对于深度为j+1的节点M_i和深度为j的节点n_i(这里j为节点所在的深度)，在其通信范围内，n_i发送包含其ID的Beacon包到M_i，在最大跨度路径长度时，M_i选择n_i作为其父节点；M_i发送Probe包到n_i，在NWAIT time内，选择n_i为父节点的M_i节点收到Probe包，转到下一级树节点；

(3)基于伸展树进行数据融合，融合树中的每个节点接收并存储由最近的非树节点周期性报告给它的数据；

伸展树中的每个节点接收并存储由最近的非树节点周期性报告给它的数据，即NT(Not Tree)节点负责感知而AT(Aggregation Tre)节点负责存储，将存储在AT节点里的值看作是输入x-y坐标的函数值，此过程由三元组(f，x，y)描述，这里f为位于(x，y)处节点的感知估计值，由AT中存储在节点i的数据及其子节点发送的多元回归模型的系数执行多元线性函数回归生成。多元线性回归模型形式为：

Y＝β₀+β₁X₁+β₂X₂+…+β_kX_k +μ

其中Y为感知估计值，X_j(j＝1，2，...，k)为对感知估计值Y发生作用的影响因子，β_j(j＝0，1，2，...，k)为k+1个未知回归参数，μ为随机误差项。由于参数β_j(j＝0，1，2，...，k)都是未知的，可以利用样本观测值(x_1i，x_2i，...，x_ki；Y_i)对它们进行估计，由此得到的参数估计值为(j＝0，1，2，...，k)，用参数估计值替代回归模型的未知参数β_j(j＝0，1，2，...，k)，则得多元线性样本回归方程：和f(x，y)的计算方法如下：

$\hat{\beta }={\left(X^{t}X\right)}^{-1}{X}^{t}Y$

$f(x,y)={\hat{\beta }}_0+{\hat{\beta }}_{1}y+{\hat{\beta }}_2{y}^2+{\hat{\beta }}_{3}x+{\hat{\beta }}_4\mathrm{xy}+{\hat{\beta }}_5{\mathrm{xy}}^2+{\hat{\beta }}_6{x}^2+{\hat{\beta }}_7{x}^{2}y+{\hat{\beta }}_8{x}^2{y}^2$

式中，X为样本观察值向量，X^t是X的转置矩阵。

(4)事件区域检测；

步骤4)中，一个故障NT节点M发送它的位置和读数f(x，y)到它所有的邻居节点.每一个邻居节点收到消息后，产生一些与M近似的位置信息，同时通过它的多项式产生在这些位置的读数。然后，把M的f(x，y)值与这些新产生的值比较，检查是否是满足传感器故障判定条件。接下来，它向在相反路径中的所有节点广播它的检测报告，每一个树节点接收它的邻居节点发送的读数，在收到大多数判定的基础上，M被归类为有故障的还是正常的。最后，在大多数来自邻接树节点读数的基础上，N作出关于M为故障节点的正确判定。

由此确定事件区域中的事件及其对应的属性数据，实现事件区域的自动检测。

由于上述技术方案运用，本发明与现有技术相比具有下列优点：

1.本发明基于伸展树结构，将数据融合与事件区域检测相结合，实现了事件区域中的环境参数改变的自动检测；

2.本发明基于伸展树的事件区域检测方法，可以实现事件区域的高能效容错检测，利用被检测事件的时空相关性，获得事件检测的属性值，其错误率控制在可接受的范围内；在此基础上，通过基于融合树的事件区域检测容错算法，可以对多个事件进行检测，识别发生在边界区域的事件和有故障的传感器节点，控制错误读数进一步扩散，快速把检测读数传给基站；实验结果证明，故障传感器节点检测的准确性可以达到94％，且随节点密度的增加而增加，这在基于传感器网络的应用中起到了十分重要的作用。

3.将本发明应用于事件区域检测，可以提高区域检测的准确度，从而较大范围地提高人们的工作效率。

附图说明

图1是实施例一中的网络环境系统图；

图2是实施例一中消息交换构建融合树示意图；

图3是实施例一中数据融合过程示意图；

图4是实施例一中事件区域检测示意图；

图5是实施例一中故障节点检测示意图，其中(a)AT覆盖(b)错误读数报告到树节点。

具体实施方式

下面结合附图及实施例对本发明作进一步描述：

实施例一：参见附图1至附图5所示，一种基于伸展树的事件区域检测方法，包括下列步骤：

(1)传感器网络节点随机部署；

参见附图1，设N个资源受限的静态传感器节点随机地部署在检测区域R＝(r×r)内，用集合S＝(s₁，s₂，...，s_N)描述，其中s_i表示第i个传感器。每个节点通过三角剖分都有它的位置信息，节点s_i的位置用(x_i，y_i)表示，且每个节点具有唯一的ID，相同的计算通信能力和能量资源。节点通过时间同步服务达到宽松的时间同步，通信接入采用CSMA/CA以减小信道冲突。设由N_t个节点构成伸展树，每一节点称为树节点，树节点用于接收并融合数据，其余(N-N_t)个节点称为非树节点(Not tree node，NT)，每个NT节点感知指定区域事件属性的变化，并将感知数据传输到它最邻近的树节点。构建的伸展树扩展到整个网络，以便N_t个树节点均匀一致地分布在网络中，这样，可以确保检测属性值以尽可能小的跳数由NT节点传送到对应的树节点，从而延长网络的寿命。为简便起见，P_event(在图1中矩形框里的虚线表示)代表事件，R_event表示事件区域且正常情况下，AT覆盖检测区域里所有的事件。R′定义为R中没有被覆盖的部分，即R′＝R-R_event。

(2)采用基于Voronoi图以及Delaunay三角网络来描述感知网络拓扑，通过三种消息Beacon，Probe和Join实现伸展树的构建；

设树的深度为p(4≤p≤10)，树节点存储感知的属性值，这样的树被认为是平衡的，它减少了数据丢失，增加了数据融合的精确性。算法由给定的深度创建伸展树。每当一个节点要选择它的两个孩子时，就选择跨度最大的两个节点，可确保树在扩散时覆盖尽可能多的感兴趣区域，伸展树形成后，各子区域中所有剩余节点向距离自己最近的树节点发送数据。本文通过三种消息Beacon，Probe和Join实现树的构建。图2描述了消息交换构建融合树的过程。

2-1)Beacon消息

在d-跳邻居发现过程中(d＝2)，每个节点u在d-跳范围内广播Beacon消息NM_u＝{Message，u，Hop}，其中Message为消息类型，u为节点ID，Hop字段为消息跳数计数，初始为0，接收到NM_u的节点v将u加入自己的d-跳邻居列表对接收到的一份或多份冗余NM_u，v选择Hop值最小的NM_u，将其Hop字段加1并更新Hop_u，v＝Hop，如果Hop＜d则继续向邻居广播，然后v进入等待状态。如果v在等待状态时又侦听到Hop+1＜Hop_u，v的NM_u，则记录该消息并将Hop字段加1重复上述过程；否则v不作任何动作直到计时器超时。这里计时器时长可以设为网络初始化阶段时长。对于来自不同节点的Beacon消息，接收节点v都执行相同的过程。

2-2)Probe消息

选定的父节点等待从它的孩子节点处接收Probe包，之后，决定选择哪两个作为它的孩子节点。一旦它收到了它的下一跳j+1层所有节点的消息，就会选择离它最远的两个节点做为它的孩子。那些没有被任何父节点所选择的节点将不再尝试成为AT的成员而转化为感知节点，这样，树(因为传感通信的代价远大于存储的代价)的大小能适当减小。从图2可以看出，节点d选择B作为它的父节点，并向它发送一个Probe包，而后，节点A向节点a，b，c和d发送Beacon但是仅从节点a，b和c接收到Probe包。

2-3)Join消息

父节点在选择了孩子之后，向它们发送一个Join消息，宣布将它们加入该树。从图2可以看出，A选择节点a和c做为它们的孩子，而a和c距离A比a和b或者b和c都远。

(3)基于伸展树进行数据融合；

基于伸展树的数据融合算法的主要思想是采用传输能够拟合较多的检测数据的模型M来代替传输节点的检测数据，其目的是为了减少数据传输量，从而节省传感器节点的能量。因此需要考虑回传以参数表示的模型的代价和其可拟合的数据量之间的关系。传输模型的代价越小其能够表示的数据越多，节点就越节省能量。如图3，设a为当前的融合节点，这个区域范围通过传感节点的最小和最大坐标传递给a之下的子树来界定。这样a从它的孩子那里得到这个区域的坐标边界。通过基于伸展树的构建和上面所描述的回归过程，每隔指定时间间隔回答查询，如“SELECT temperature FROMsensors WHERE location＝(x，y)”，或“目标范围内最高温度”之类问题。当Sink需要知道在(x，y)这个位置点的数据时，它就向根节点发送这个查询，查询由AT向下传播直到该节点所在的子区域，在该子区域内，由最近的感知节点报告检测数据到(x，y)处的树节点，执行数据融合过程。

(4)事件区域检测

设在某矩形区域里，存在两个异常事件和一种正常现象。如图4所示，在区域R里发生了两个事件P_event1和P_event2.B检测事件P_event2，而它的孩子节点C和D分别检测P_event1和一种正常现象，在这种情况下，C和D把它们各自的多项式与坐标范围{x_cmin，y_cmin，x_cmax，y_cmax}以及{x_dmin，y_dmin，x_dmax，y_dmax}一起传输到B。B计算两个节点接收数据的最小值和最大值，得到它们的数据范围。B将S_cmax，S_cmin，(S_cmin，S_cmax分别表示最小和最大的事件属性值)，C的坐标范围以及S_dmin，S_dmax，D的坐标范围一起变换到A。如果使用单一事件检测方法，则需要六个数据包，其中的3个与3个多项式相对应，另外3个与3个区域范围对应。此外，A的其它孩子节点G和D的读数比较接近，所以，A把它们的范围结合在一起，感知同一个事件Pevent₂。然后，A创建新的多项式，将它的系数、区域范围和事件属性的最大最小值传输到它的父节点H，M的估计值同A发送的也一样，结合N产生的数据之后，发送它的系数到根。由于H和I在R内，H没有修改P_event2事件的区域范围且不加修改地传送到根，由此确定了事件区域及其边界。这样，事件Pevent1和P_event2都通过有限的计算检测到了，且每棵树仅执行了一次多项式回归。

图5描述了故障传感器的检测过程，圆形表示节点的传感区域，此方法可以被扩展到检测多个故障点。

设M是有故障的NT节点，将读数传输到离它最近的树节点G，如图5(b)所示。M四周的传感节点正在传送正确的温度，节点M的异常读数81，此时|σ(i，t)-E(i)|＞τ_th，σ(i，t)为节点i在时刻t时的读数，E(i)为平均值，τ_th为异常值.由于M四个方向的邻节点传送正确的可接受的读数(除了M)，因此M被看成是有故障的节点。如果M在接下来的几次连续报告读数，满足|σ(i，t)-E(i)|＞τ_th时，它将被禁止传输数据。因此，为了预防错误数据影响最终多项式构建，M发出的读数将在检测进程中被剔除。

由此确定基于伸展树的事件区域检测方法，实现事件区域的自动检测。

实验结果证明，采用本实施例的方法，故障传感器节点检测的准确性可以达到94％。