分布式无线传感器网络边界节点识别方法

摘要

本发明提供了一种分布式无线传感器网络边界节点识别方法，方法利用DSCS技术识别传感器网络中的边界节点，方法可应用于功能、传感和通信范围相同的匀质或不同的非均匀无线传感器网络。该方法过程如下：(1)节点自主收集网络中邻居信息；(2)每一节点以自己为圆心建立笛卡尔坐标系并计算其邻居节点的绝对角；(3)以绝对角升序排列邻居节点；(4)利用DSCS识别边界节点。本发明解决了传统无线传感器网络边界节点识别精度低的技术难题，将无线传感器网络边界节点识别问题分解为一个节点的传感扇区边缘覆盖问题，有效降低了算法复杂度，减少了运行时间和边界节点识别过程中节点间的通信与能量消耗，提高了识别精度。

说明书

技术领域

本发明涉及一种分布式无线传感器网络边界节点识别方法，属于无线传感器网络技术领域。

背景技术

无线传感器网络被广泛的应用于战斗区域监测，环境监测、危险事件/区域检测和健康监测应用中。无线传感器网络是由众多价格低廉、功能多样，能够进行短距离无线通信的传感器节点构成的，由于无线传感器可以执行危险区域或人迹难以到达区域的监测任务因而成为当前国内外研究的热点。无线传感器能够通过机载平台或炮射等方式进行随机部署是其区别于传统网络的最大优点之一，然而其缺点也显而易见，无线传感器节点在部署后容易遭受节点外力破坏，节点部署后电池很难被更换使其生命周期受到节点本身所携带电池的影响，同时，节点由于受外力影响和电池能量耗竭而失效容易使无线传感器网络产生覆盖空洞，因而覆盖空洞是无线传感器网络研究和应用中不可回避的问题。

针对覆盖空洞问题，目前的无线传感器网络研究中提出一些相应的解决方法，然而目前存在的覆盖空洞识别方法存在着对网络节点度要求高，识别过程能耗高，识别精度低的问题。大多数方法通过识别环绕在覆盖空洞周围的边界节点实现覆盖空洞的识别，现有的边界节点检测识别技术，分为三类：基于计算几何、基于统计和基于拓扑的方法。目前存在的边界节点识别方法存在算法复杂度高、易受传感器部署区域限制而失效，同时存在着边界节点识别精度低、能耗高和鲁棒性差等问题。

发明内容

为了解决现有技术的不足，本发明提供了一种分布式无线传感器网络边界节点识别方法，利用DSCS(DistributedSectorCoverScanning，分布式传感扇区边缘覆盖扫描技术)思想能够精确识别无线传感器网络中的边界节点，识别精度达到90％以上。

本发明为解决其技术问题所采用的技术方案是：提供了一种分布式无线传感器网络边界节点识别方法，包括以下步骤：

(1)设分布式无线传感器网络中的各节点的通信模型为以该节点所在位置为圆心、以通信覆盖半径CR为半径的圆盘，并且节点存储有其通信范围内的1跳邻居节点的邻居信息；各节点通过向其1跳邻居节点发送请求并交换1跳邻居信息，以收集s跳以内邻居节点的邻居信息，所述s为2～3；依次对无线传感器网络中的每一个节点执行步骤(2)至步骤(5)以判断该节点是否是边界节点；

(2)以当前节点v₁为圆心、以节点v₁的传感覆盖半径SR为半径建立笛卡尔坐标系，计算节点v₁的s跳以内的邻居节点在该坐标系内的绝对角，绝对角的范围为[0°，360°]，所述绝对角的定义为：在以节点v₁为圆心建立的笛卡尔坐标系中，节点v₁和邻居节点的连线沿逆时针方向与x轴的正向夹角为v₁的邻居节点在以节点v₁为圆心的坐标系内的绝对角；

(3)如果出现2个以上邻居节点的绝对角相同，则仅保留距离节点v₁最近的邻居节点；

(4)将邻居节点按照其绝对角从小到大排序；

(5)依次判断节点v₁的每一个传感扇区的边缘是否被该传感扇区的相邻节点的传感区域完全覆盖，其中，在以当前节点v₁为圆心、以节点v₁的传感覆盖半径SR为半径的圆中，由节点v₁和邻居节点v_j的连线所在的半径、节点v₁和邻居节点v_k的连线所在的半径、以及它们所夹的圆弧所围成的区域为传感扇区v_jv₁v_k，该圆弧为该传感扇区v_jv₁v_k的边缘，节点v_j和节点v_k为传感扇区v_jv₁v_k的相邻节点，若该边缘同时被邻居节点v_j和v_k的传感区域完全覆盖，则传感扇区v_jv₁v_k的边缘被其相邻节点完全覆盖；若存在一个传感扇区的边缘不能被其相邻节点完全覆盖，则节点v₁是边界节点，否则节点v₁不是边界节点。

步骤(1)中，各节点通过以下公式计算其s跳以内邻居节点的邻居信息：

$N_{v_i}^k={\cup }_{v_u\in N_{v_i}^{k-1}}{N}_{v_u}^1-N_{v_i}^{k-1}-\left\{v_i\right\}$

其中，v_i表示当前节点，v_u表示v_i的k-1跳邻居，表示v_i的k跳邻居节点集，表示v_i的k-1跳邻居节点集，表示v_u的1跳邻居节点集，k＝2,...,s。

步骤(1)中，收集2跳以内邻居节点的邻居信息。

本发明基于其技术方案所具有的有益效果在于：

(1)本发明将无线传感器网络的边界节点识别问题分解为一个节点的传感扇区边缘覆盖问题，有效降低了算法复杂度，节省了运行时间，传统的几何和拓扑等方法需要完整考虑节点的多跳邻居关系，部分算法甚至达到8跳才能准确判断，该方法在理想情况下甚至仅需其2个邻居节点即可识别是否为边界节点，最坏情况下需要考虑其2跳邻居信息，此外，将整个节点的传感区域分割为不同的传感扇区有效降低了计算复杂度；

(2)边界节点识别依赖于节点自身所存储的邻居信息，本发明的设计方法降低了算法复杂度和运行时间，基于邻居信息存储和邻居表交换计算的邻居信息收集方式有效降低了节点间的通信消耗，实验表明该方法能显著降低边界节点和覆盖空洞识别过程中的能量消耗，在500*500M²规模的监测区域部署2000个传感器节点，节点平均剩余能量达到99.8％以上；

(3)本发明复杂度低，总的复杂度为O((k+2+log(n))n+m)。

附图说明

图1是笛卡尔坐标系示意图。

图2是判断传感扇区覆盖示意图。

图3是2000个节点部署示意图。

图4是边界节点识别结果示意图。

图5是本发明在不同规模的无线传感器网络中进行边界节点识别的正确率对比示意图。

图6是本发明在不同规模的无线传感器网络中进行边界节点识别的错误率对比示意图。

图7是本发明在不同规模的无线传感器网络中进行边界节点识别的能量剩余对比示意图。

图8是本发明的运行时间分析图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本发明提供了一种分布式无线传感器网络边界节点识别方法，包括以下步骤：

(1)设分布式无线传感器网络中的各节点的通信模型为以该节点所在位置为圆心、以通信覆盖半径CR为半径的圆盘，并且节点存储有其通信范围内的1跳邻居节点的邻居信息；各节点通过向其1跳邻居节点发送请求并交换1跳邻居信息，以收集s跳以内邻居节点的邻居信息，所述s为2～3；本实施例以收集2跳以内邻居节点的邻居信息为例进行说明。

其中各节点通过以下公式计算其2跳邻居节点的邻居信息：

$N_{v_i}^k={\cup }_{v_u\in N_{v_i}^{k-1}}{N}_{v_u}^1-N_{v_i}^{k-1}-\left\{v_i\right\}$

其中，v_i表示当前节点，v_u表示v_i的k-1跳邻居，表示v_i的k跳邻居节点集，表示v_i的k-1跳邻居节点集，表示v_u的1跳邻居节点集，k＝2；

依次对无线传感器网络中的每一个节点执行步骤(2)至步骤(5)以判断该节点是否是边界节点；

(2)以当前节点v₁为圆心、以节点v₁的传感覆盖半径SR为半径建立笛卡尔坐标系，计算节点v₁的s跳以内的邻居节点在该坐标系内的绝对角，绝对角的范围为[0°，360°]，所述绝对角的定义为：在以节点v₁为圆心建立的笛卡尔坐标系中，节点v₁和邻居节点的连线沿逆时针方向与x轴的正向夹角为v₁的邻居节点在以节点v₁为圆心的坐标系内的绝对角；

参照图1，节点v为圆心，节点u和节点n是节点v的1跳邻居节点，节点m是节点v的2跳邻居节点，∠u和∠m分别是节点u和节点m与x轴的夹角，即绝对角，中心角∠γ_mvn所对应的扇区mvn为当前节点v与其相邻节点m和n所构成，与所夹圆弧为扇区mvn的边缘，虚线所围区域为节点v的传感区域，虚线为v的传感边界；

(3)如果出现2个以上邻居节点的绝对角相同，则仅保留距离节点v₁最近的邻居节点；参照图2，节点v₂和节点v₁₈的绝对角相同，则保留v₂，剔除v₁₈；

(4)将邻居节点按照其绝对角从小到大排序；参照图2，排序后的节点顺序为{v12，v13，v5，v14，v6，v15，v7，v16，v17，v2，v8，v9，v10，v13，v11，v4}；

(5)依次判断节点v₁的每一个传感扇区的边缘是否被该传感扇区的相邻节点完全覆盖，其中，在以当前节点v₁为圆心、以节点v₁的传感覆盖半径SR为半径的圆中，由节点v₁和邻居节点v_j的连线所在的半径、节点v₁和邻居节点v_k的连线所在的半径、以及它们所夹的圆弧所围成的区域为传感扇区v_jv₁v_k，该圆弧为该传感扇区的边缘，节点v_j和节点v_k为传感扇区v_jv₁v_k的相邻节点，若该边缘同时被邻居节点v_j和v_k的传感区域完全覆盖，则传感扇区v_jv₁v_k不会处于网络或覆盖空洞边缘，因此传感扇区v_jv₁v_k的边缘被其相邻节点完全覆盖，参照图2，扇区v₁₂v₁v₁₃的边缘能被节点v₁₂和节点v₁₃完全覆盖；若存在节点v₁的一个传感扇区的边缘不能被其相邻节点完全覆盖，则节点v₁是边界节点，否则节点v₁的每一个传感扇区的边缘均被其相邻节点完全覆盖，节点v₁不是边界节点。

参照图3，在500*500M²的区域内部署2000个传感器节点，利用本发明所述的分布式无线传感器网络边界节点识别方法对其进行边界节点识别，结果如图4所示，其中空心点表示识别到的边界节点。可以看到本发明精确检测到了该传感器网络的边界节点，并且几乎没有噪点的出现。

图5显示了本发明在网络规模为100，1000和2000时的正确率对比，可以看到在不同的网络规模(此时网络密度分别为0.0004，0.004，0.008)下，边界节点的正确检测率都保持在90％以上，随着网络规模的增加，正确率甚至达到100％。

图6显示了本发明在网络规模为100，1000和2000时的错误率对比，可以看到在不同的网络规模下，边界节点的错误检测率都保持在10％以下，随着网络规模的增加，错误率甚至达到0。

无线传感器网络的主要功能是执行监测任务，因而边界节点检测不应耗费节点太多的能量，从而保证节点有足够的能量执行监测任务，图7显示了在节点规模为200到2000(间隔为200)状况下的边界节点识别完成后节点能量剩余情况，图中可以清楚的看到，本发明的实际节点剩余情况完全符合实际任务的需要，不需要耗费太多的节点能量即可实现边界节点的识别任务。

图8是本发明的运行时间分析，可以看到在节点规模增大的过程中，运行时间虽然也在呈指数增大，但其增加幅度并不大。

下表显示了本发明各个子过程的算法复杂度：

表1本发明的子过程的算法复杂度

表1中，n表示网络中节点的数量，m表示网络中节点与节点之间可以直接通信的通信连接(即节点与节点之间的边)数量，k表示网络的平均节点度。