李依霖 蒙詩堯

摘 要：在無線傳感器網(wǎng)絡(luò)中，最關(guān)鍵的是獲取傳感器上的數(shù)據(jù)節(jié)點位置。目前最常用的獲取數(shù)據(jù)節(jié)點位置的方法是自我組織映射傳感器節(jié)點位置估算法。這種方法利用少量的錨節(jié)點，在不使用測距設(shè)備的情況下，精確地估算出節(jié)點位置，并且在預(yù)測范圍內(nèi)存在障礙物的混合環(huán)境下，估算位置的精度較過去的測距和定位方法也有所提高。但在混合環(huán)境下利用這種方法估算節(jié)點位置仍不夠理想，并且還存在傳感器節(jié)點間通信量增大時電力不足的問題。為了解決以上問題，本文提出以云計算為前提的匯集型自我組織定位節(jié)點估算方法，首先通過匯集各傳感節(jié)點的鄰節(jié)點信息，提高確認未知節(jié)點的精度，其次即使因各節(jié)點間交換位置信息而增加通信次數(shù)，也能降低感應(yīng)節(jié)點的電力消耗。

關(guān)鍵詞：云計算；無線傳感器網(wǎng)絡(luò)；高精度同步；節(jié)點

中圖分類號：TP368；TN929.5 文獻標識碼：A 文章編號：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

無線終端和傳感器組合的無線傳感器網(wǎng)絡(luò)[1]是以服務(wù)外部世界為目標，網(wǎng)絡(luò)環(huán)境下的重要技術(shù)。在外部世界的服務(wù)實現(xiàn)上，獲取物理位置信息是重要條件。為此，精確估算無線傳感器在網(wǎng)絡(luò)中的節(jié)點位置是需要解決的研究問題。節(jié)點位置估算的常用技術(shù)有測距算法[2]和定位算法[3]。雖然測距算法能高精度地估算節(jié)點位置，但因為必須使用測距設(shè)備，所以無法解決傳感器節(jié)點大量消耗成本和電力的問題[4，5]。用定位算法進行高精度位置估算必須配置大量的錨節(jié)點。因此，存在限制使用環(huán)境和延時的缺點[6，7]。

為了解決以上算法的缺點，有研究者提出自我組織映射[8]的感應(yīng)節(jié)點位置估算方法。即不使用測距設(shè)備，并只利用少量錨節(jié)點，就能較精確地估算出感應(yīng)器的節(jié)點位置。但在無線傳感器網(wǎng)絡(luò)下，因為需要對節(jié)點的物理位置進行長期測量，并且獲取各節(jié)點間交換位置信息時，通信次數(shù)也不斷增加，各感應(yīng)節(jié)點電力消耗的問題就成了急需解決的難題。另外，估算感應(yīng)器節(jié)點位置時必須確定各節(jié)點間的未知節(jié)點數(shù)量。然而在混合環(huán)境下，無法確認估算節(jié)點附近的未知節(jié)點個數(shù)，這就產(chǎn)生了精度劣化的問題。

本文為了解決以上問題，提出以云計算[9]為前提的匯集型自我組織定位方法。在云環(huán)境下匯集各傳感節(jié)點的鄰節(jié)點信息，構(gòu)成在虛擬無線傳感器網(wǎng)絡(luò)下使用自我組織定位的方法，不僅能降低感應(yīng)節(jié)點的電力消耗，并能提高估算節(jié)點附近未知節(jié)點的精度。

1 研究方法

位置估算的算法，中的自我組織定位方法通過以下3步進行位置估算。

（1）各節(jié)點隨機生成自身位置，作為虛擬位置。當節(jié)點i修正第t次的虛擬位置表示為wi（t）。各節(jié)點轉(zhuǎn)播自身虛擬位置給1次附近節(jié)點；

（2）接收從1次附近節(jié)點j開始虛擬自身位置wi（t）的節(jié)點i，虛擬自身位置wi（t）和1次附近節(jié)點j的虛擬自身位置在wi（t）的直線上，從節(jié)點j到節(jié)點d修正1跳距離的1次附近修正向量（t）算出下式。1跳距離d不是絕對距離，作為相當距離的跳數(shù)為：

和1次附近節(jié)點修正相同，在節(jié)點i從2次附近節(jié)點k開始2跳距離的2次附近修正公式（t）算出下式：

用以上兩個修正公式修正節(jié)點的虛擬位置。

節(jié)點i在距1次附近節(jié)點j和2次附近節(jié)點k更遠的虛擬位置上時，如果2次附近節(jié)點的相對關(guān)系正確時，則僅修正1次附近修正向量。

從節(jié)點i到1次附近節(jié)點j比到2次附近節(jié)點k的距離近時，虛擬自身位置為（wi（t）-wj（t））≥（wi（t）-wk（t））時，和1次附近節(jié)點的相對關(guān)系正確，對1次附近修正向量和2次附近修正向量同時開始修正虛擬自身位置wi（t）；

（3）添加自身的虛擬位置wi（t），隨機選擇1次附近節(jié)點的自身位置wj（t），轉(zhuǎn)播這兩個節(jié)點的虛擬位置節(jié)點，估算各節(jié)點的位置來實現(xiàn)網(wǎng)絡(luò)拓撲。

2 改進的研究方法

本文在自我組織定位方法的基礎(chǔ)上提出了新的改進研究方法——匯集型自我組織定位方法。先將兩種方法進行比較。

2.1 自我組織定位方法存在的問題

自我組織定位方法是各節(jié)點估算自身位置的方式。但是為了各節(jié)點單獨進行估算，要考慮到下述的問題：

（1）在混合環(huán)境下，因為附近節(jié)點數(shù)量的不足產(chǎn)生精度下降，估算拓撲形成折曲拓撲，這是造成位置精度下降的主要原因；

（2）當各節(jié)點的通信次數(shù)增加時，感應(yīng)節(jié)點的電力消耗嚴重。

虛擬無線傳感器網(wǎng)絡(luò)為了收集全部節(jié)點的附近節(jié)點信息，必須組織完整的拓撲結(jié)構(gòu)信息。因為拓撲結(jié)構(gòu)的形狀是隨機生成的，匯集型自我組織定位方法正適用于構(gòu)成完整拓撲信息的虛擬無線傳感器網(wǎng)絡(luò)。

為了解決前文提出的問題，提出以下處理過程：

（1）精度降低的原因是產(chǎn)生了彎曲拓撲。因為距離判斷中不能找出拓撲矛盾，所以添加了角度判斷；

（2）根據(jù)使用完整拓撲信息的n次附近節(jié)點更新，從大范圍的信息中提高全部拓撲形狀的精度再現(xiàn)；

（3）對云客戶端感應(yīng)節(jié)點的附近節(jié)點進行搜索，使通信次數(shù)大幅減少。

2.2 在云環(huán)境下用拓撲信息估算節(jié)點位置的算法

2.2.1 虛擬無線傳感器網(wǎng)絡(luò)的構(gòu)成

各感應(yīng)節(jié)點按下面所述步驟收集附近節(jié)點信息，生成服務(wù)器內(nèi)的虛擬網(wǎng)絡(luò)。

（1）自身節(jié)點ID作為數(shù)據(jù)發(fā)送轉(zhuǎn)播；

（2）接收各感應(yīng)節(jié)點的轉(zhuǎn)播，取得附近節(jié)點的ID，將獲取的節(jié)點ID記錄作為附近節(jié)點的信息傳送給服務(wù)器；

（3）服務(wù)器將信息傳送到云環(huán)境。

根據(jù)以上方法，云環(huán)境取得全部節(jié)點的附近節(jié)點信息，匯集型自我組織定位方法將獲取的附近節(jié)點信息在云環(huán)境下構(gòu)成如下拓撲：

（1）包含節(jié)點i的鄰節(jié)點信息，作為節(jié)點i的1次附近節(jié)點；

（2）包含上述1次附近節(jié)點j的鄰節(jié)點信息，節(jié)點i及不包含節(jié)點i-1次的鄰節(jié)點信息的節(jié)點作為轉(zhuǎn)播節(jié)點i的節(jié)點j的2次附近節(jié)點；

（3）同理，包含n次附近節(jié)點x的鄰節(jié)點信息，不包含n-1次的附近節(jié)點群的鄰節(jié)點信息的節(jié)點作為轉(zhuǎn)播節(jié)點i的節(jié)點x的n+1次附近節(jié)點；

（4）重復(fù)上述步驟，擴大節(jié)點i的附近拓撲，通過網(wǎng)絡(luò)設(shè)定節(jié)點i的多次附近節(jié)點。

實施以上處理云環(huán)境下全部節(jié)點，各節(jié)點每次設(shè)定多次附近節(jié)點，形成虛擬無線傳感器網(wǎng)絡(luò)。

2.2.2 n次附近節(jié)點的位置估算

用匯集型自我組織定位方法根據(jù)跳數(shù)增加節(jié)點間距離，選擇其節(jié)點，被選的節(jié)點是從節(jié)點i的n次附近節(jié)點，且滿足到n-1次附近節(jié)點的任意節(jié)點到i的遠距離位置條件。位置更新時用距離d乘以跳數(shù)n。根據(jù)多跳n次的附近修正向量求得式（3），wn（t）是n次附近節(jié)點的虛擬自身位置。位置修正開始時，用大部分的附近節(jié)點形成大范圍的拓撲，修正階段進行和位置修正時減少附近節(jié)點信息，形成局部拓撲。利用公式（4）進行虛擬自身位置信息的更新。

3 仿真實驗

3.1 通信情況

因為在有障礙物的情況下，節(jié)點間的通信處于混合狀態(tài)，障礙物間的節(jié)點不能通信。

3.2 通信次數(shù)

利用自我組織定位方法和匯集型自我組織定位方法比較位置估算時全部節(jié)點的送信次數(shù)。實驗證明，匯集型自我組織定位方法大大減少了送信的次數(shù)。自我組織定位方法在各節(jié)點執(zhí)行位置更新，節(jié)點間更新虛擬自身位置時通信量增大。匯集型自我組織定位方法執(zhí)行位置更新是在云環(huán)境下的虛擬無線傳感器網(wǎng)絡(luò)中進行的，各節(jié)點位置更新時不需要交換虛擬自身位置，只傳送給云服務(wù)器虛擬無線傳感器網(wǎng)絡(luò)中的自身附近節(jié)點信息。

3.3 相對位置和絕對位置比較

進行相對位置和絕對位置比較有兩種方法。相對位置評價根據(jù)估算的節(jié)點位置構(gòu)成網(wǎng)絡(luò)的形狀和原型網(wǎng)絡(luò)形狀的相似性進行評價，即根據(jù)式（5）進行評價：

估算位置節(jié)點i和節(jié)點j的距離，在原型網(wǎng)絡(luò)上，設(shè)N為位置估算節(jié)點的集合。當平均值趨近于1時，估算網(wǎng)絡(luò)形狀和原型的網(wǎng)絡(luò)形狀相同，分散V[rij]趨近于0時，估算網(wǎng)絡(luò)形狀和原型的網(wǎng)絡(luò)形狀近似。當為1，V[rij]為0時，估算網(wǎng)絡(luò)形狀和原型網(wǎng)絡(luò)形狀一致。

絕對位置評價則要估算各節(jié)點的位置和真實位置的歐幾里得距離總和的平均值，位置估算誤差為Errave。

（6）

因此，與自我組織定位方法比較，匯集型自我組織定位方法有位置估算誤差非常小、精度高的優(yōu)點。

自我組織定位方法在少數(shù)的網(wǎng)絡(luò)拓撲中，雖然能正確地估算部分形狀，但發(fā)生曲折的大范圍拓撲時產(chǎn)生的誤差過大，這樣就大大提高了全網(wǎng)絡(luò)拓撲中的平均誤差。匯集型自我組織定位方法完全抑制了曲折拓撲，穩(wěn)定地保持低誤差。匯集型自我組織定位方法中的值比自我組織定位方法中的值低，并且趨近于1。利用匯集型自我組織定位方法時V[rij]的值比自我組織定位方法時的V[rij]值低，趨近于0。因此，匯集型自我組織定位方法估算網(wǎng)絡(luò)中節(jié)點的拓撲形狀更準確，與原型網(wǎng)絡(luò)形狀幾乎一致。

根據(jù)以上理論，匯集型自我組織定位方法在混合環(huán)境下，能夠?qū)崿F(xiàn)原型網(wǎng)絡(luò)高精度再現(xiàn)，并高精度地估算出節(jié)點位置。

4 結(jié) 論

本文提出在云環(huán)境下的匯集型自我組織定位方法，并在仿真實驗中確定了能夠?qū)崿F(xiàn)混合環(huán)境下高精度的估算節(jié)點位置，能夠大量減少通信次數(shù)，降低感應(yīng)節(jié)點的電力消耗。驗證了混合環(huán)境下利用匯集型自我組織定位方法的可行性和有效性。

參考文獻：

[1] 秦紹華.無線傳感器網(wǎng)絡(luò)多信道通信技術(shù)的研究 [D].濟南：山東大學，2014.

[2] 陳羽.廣域行波測距算法及其形式化驗證 [D].上海：上海交通大學，2013.

[3] 孫順遠.無線傳感器網(wǎng)絡(luò)定位算法及應(yīng)用研究 [D].無錫：江南大學，2014.

[4] 羅勃.基于UWB技術(shù)的TDOA定位算法的研究與實現(xiàn) [D].?？冢汉Ｄ洗髮W，2017.

[5] 楊玲玲.IR-UWB無線傳感器網(wǎng)絡(luò)精確TOA測距定位研究 [D].太原：太原理工大學，2011.

[6] 劉菁原.無線傳感網(wǎng)中距離相關(guān)加權(quán)定位算法分析研究 [D].昆明：昆明理工大學，2016.

[7] 李亞杰.基于DV-Hop的無線傳感器網(wǎng)絡(luò)定位算法研究 [D].贛州：江西理工大學，2017.

[8] 寇磊.基于SOM算法改進的K-medoids算法及其研究 [D].太原：太原理工大學，2017.

[9] 石勇.面向云計算的可信虛擬環(huán)境關(guān)鍵技術(shù)研究 [D].北京：北京交通大學，2017.

作者簡介：李依霖（1981-），女，漢族，遼寧遼陽人，講師，碩士，主要研究方向：智能控制、網(wǎng)絡(luò)教育。