陳坤定，林木輝

(1.閩西職業(yè)技術(shù)學(xué)院信息工程學(xué)院，福建 龍巖 364000；2.福建師范大學(xué)教育學(xué)院，福建 福州 350007)

多源異質(zhì)傳感器數(shù)據(jù)[1]是一種通過傳感器采集的不同來源、不同介質(zhì)的數(shù)據(jù)。因數(shù)據(jù)的來源廣、數(shù)量龐大，在對(duì)數(shù)據(jù)進(jìn)行分析時(shí)，采集難度較大[2]。而數(shù)據(jù)匯聚可將多源異質(zhì)數(shù)據(jù)進(jìn)行統(tǒng)一收集和管理，提高數(shù)據(jù)的傳輸效率。但數(shù)據(jù)在匯聚過程中易受不同類型節(jié)點(diǎn)的干擾，導(dǎo)致數(shù)據(jù)在傳輸過程中的保密性較差、匯聚精度低、能耗大、增大了數(shù)據(jù)匯聚的難度。為此，研究多源異質(zhì)傳感器數(shù)據(jù)動(dòng)態(tài)匯聚算法具有重要意義。

孫澤宇等[3]首先采用數(shù)據(jù)匯聚增益算法得到數(shù)據(jù)的極大值與極小值，進(jìn)而獲得兩者之間的比例關(guān)系；然后通過數(shù)據(jù)壓縮技術(shù)處理相關(guān)比例得到所有數(shù)據(jù)的能量消耗；最后將能量消耗輸入到能量轉(zhuǎn)換模型中，完成數(shù)據(jù)的動(dòng)態(tài)匯聚。但是在匯聚數(shù)據(jù)過程中，受算法自身計(jì)算量的影響，導(dǎo)致其通信開銷大。郭慶等[4]首先利用半同步式分級(jí)架構(gòu)采集數(shù)據(jù)信息，然后將分布式處理技術(shù)和屬性劃分技術(shù)融入到數(shù)據(jù)中，得到數(shù)據(jù)的實(shí)時(shí)傳輸狀態(tài)，最后在抽象驅(qū)動(dòng)的基礎(chǔ)上對(duì)數(shù)據(jù)傳輸狀態(tài)集中管理，完成動(dòng)態(tài)匯聚。但是該算法沒有對(duì)采集到的數(shù)據(jù)做降維處理，導(dǎo)致算法匯聚的數(shù)據(jù)正確率較低。Jin 等[5]首先將時(shí)間序列數(shù)據(jù)劃分成不同場(chǎng)景，并使用集成聚類方法對(duì)劃分的場(chǎng)景進(jìn)行聚類。然后采用Davies-Bouldin 指數(shù)選擇最佳簇?cái)?shù)。最后，基于馬爾可夫鏈，構(gòu)建各種組合典型的狀態(tài)轉(zhuǎn)移概率矩陣，生成聚合狀態(tài)序列，完成數(shù)據(jù)的動(dòng)態(tài)匯聚。但是該算法在數(shù)據(jù)匯聚過程中容易泄露隱私。

為了更好地傳輸多源異質(zhì)數(shù)據(jù)，保證無(wú)線傳感網(wǎng)絡(luò)通信質(zhì)量。此次提出能耗均衡約束下的多源異質(zhì)傳感器數(shù)據(jù)動(dòng)態(tài)匯聚算法。在構(gòu)建能耗均衡約束模型的基礎(chǔ)上，利用監(jiān)督判別投影算法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。通過檢測(cè)節(jié)點(diǎn)距離與構(gòu)建匯聚鏈路，完成多源異質(zhì)傳感器數(shù)據(jù)的動(dòng)態(tài)匯聚。

1 構(gòu)建模型與數(shù)據(jù)降維

根據(jù)邊賦權(quán)圖構(gòu)建能耗均衡約束模型，采用監(jiān)督判別投影算法構(gòu)建局部分散函數(shù)，利用線性約束和正交分解輸出高維度數(shù)據(jù)在低維度空間上的投影，實(shí)現(xiàn)多源異質(zhì)數(shù)據(jù)的降維。

1.1 構(gòu)建能耗均衡約束模型

構(gòu)建能耗均衡約束模型，可以保證多源異質(zhì)數(shù)據(jù)節(jié)點(diǎn)在匯聚過程中所消耗的能量趨于平均值，具體步驟如下:

①多源異質(zhì)傳感器中主要包含多源異質(zhì)數(shù)據(jù)節(jié)點(diǎn)、節(jié)點(diǎn)之間的相連鏈路，可以采用邊賦權(quán)圖[6-7]表示多源異質(zhì)傳感器數(shù)據(jù)的數(shù)學(xué)模型，如式(1)所示:

式中:U表示傳感器中的所有多源異質(zhì)數(shù)據(jù)節(jié)點(diǎn)集合；H表示邊賦權(quán)圖；D表示節(jié)點(diǎn)之間的鏈路；n表示多源異質(zhì)數(shù)據(jù)節(jié)點(diǎn)的個(gè)數(shù)；D1表示路徑擇優(yōu)時(shí)的數(shù)據(jù)節(jié)點(diǎn)集合；D2表示數(shù)據(jù)節(jié)點(diǎn)下一步的可選擇項(xiàng)。

②傳感器中的多源異質(zhì)數(shù)據(jù)節(jié)點(diǎn)之間是否可以完全用于數(shù)據(jù)間的通信，如式(2)所示:

式中:i、j均表示多源異質(zhì)數(shù)據(jù)節(jié)點(diǎn)；?表示完全連接；≠表示不完全連接。

③當(dāng)多源異質(zhì)傳感器數(shù)據(jù)節(jié)點(diǎn)之間完全用于通信時(shí)，能量消耗主要由多源異質(zhì)數(shù)據(jù)的傳輸與接收引起。數(shù)據(jù)傳輸和接收的能耗均衡約束模型如式(3)所示:

式中:e1、e2分別表示多源異質(zhì)數(shù)據(jù)的傳輸與接收所耗能量；l表示一般參數(shù)；c表示多源異質(zhì)數(shù)據(jù)之間的距離；αfs、αmp均表示通信能量參數(shù)；c'表示距離閾值。

④在能耗均衡約束模型中設(shè)立一個(gè)距離閾值[8]，如式(4)所示:

當(dāng)多源異質(zhì)數(shù)據(jù)節(jié)點(diǎn)之間的距離小于式(4)得到的閾值時(shí)，模型使用空閑空間完成數(shù)據(jù)節(jié)點(diǎn)的傳播；當(dāng)多源異質(zhì)數(shù)據(jù)節(jié)點(diǎn)之間的距離大于等于式(4)得到的閾值時(shí)，模型使用多路徑衰減信道實(shí)現(xiàn)數(shù)據(jù)之間的傳播，完成能耗均衡約束。

1.2 多源異質(zhì)數(shù)據(jù)降維

在能耗均衡約束模型中采用監(jiān)督判別投影算法[9]對(duì)多源異質(zhì)傳感器數(shù)據(jù)實(shí)行降維處理，可以有效地降低數(shù)據(jù)的冗余度，為數(shù)據(jù)的匯聚打下基礎(chǔ)，具體步驟如下:

步驟1 在多源異質(zhì)數(shù)據(jù)中構(gòu)建局部近鄰圖，利用監(jiān)督判別投影算法在局部近鄰圖中構(gòu)建局部分散函數(shù)，如式(5)所示:

式中:K表示引入的拉普拉斯函數(shù)；R表示局部分散函數(shù)；z表示函數(shù)中的近鄰點(diǎn)；C表示局部模型；I表示近鄰函數(shù)。

步驟2 根據(jù)局部分散函數(shù)推算出全局散化函數(shù)，如式(6)所示:

步驟3 在多源異質(zhì)傳感器數(shù)據(jù)中引入變換函數(shù)[10]，變換函數(shù)的函數(shù)模型用如下公式表示。

式中:E表示引入的變換函數(shù)。

步驟4 將線性約束[11]投入到變換函數(shù)的函數(shù)模型中，然后通過正交基向量獲取多源異質(zhì)傳感器數(shù)據(jù)的最小向量值，并利用正交分解[12]獲得線性約束的解，輸出高維度數(shù)據(jù)在低維度空間上的投影，完成多源異質(zhì)傳感器數(shù)據(jù)的降維。如式(8)所示:

式中:β表示線性約束條件；min(i，j)表示多源異質(zhì)數(shù)據(jù)的最小值；Y表示廣義特征方程式。

通過上述內(nèi)容，在構(gòu)建能耗均衡約束模型的基礎(chǔ)上，建立局部分散函數(shù)，采用線性約束和正交分解方法獲取數(shù)據(jù)在低維度空間上的投影，得到降維后的數(shù)據(jù)，為多源異質(zhì)數(shù)據(jù)的動(dòng)態(tài)匯聚奠定基礎(chǔ)。

2 多源異質(zhì)數(shù)據(jù)的動(dòng)態(tài)匯聚

基于上述獲取降維后的多源異質(zhì)傳感器數(shù)據(jù)，采用基于模糊分簇閾值篩選機(jī)制對(duì)數(shù)據(jù)做匯聚處理，具體步驟如下:

步驟1 傳感器中所有多源異質(zhì)數(shù)據(jù)的數(shù)量是固定的，并且隨機(jī)分布在矩形區(qū)域[13]中，所對(duì)應(yīng)的模糊數(shù)據(jù)集最佳中心節(jié)點(diǎn)的數(shù)量可用下式表示:

式中:χ表示最佳中心數(shù)據(jù)節(jié)點(diǎn)；P表示節(jié)點(diǎn)傳輸數(shù)據(jù)的功率；N表示傳感器中多源異質(zhì)數(shù)據(jù)的總數(shù)量；O表示矩形區(qū)域的邊長(zhǎng)；s表示數(shù)據(jù)節(jié)點(diǎn)之間的通信半徑。

步驟2 隨機(jī)從多源異質(zhì)傳感器數(shù)據(jù)集中抽取i個(gè)節(jié)點(diǎn)作為初始化的中心點(diǎn)集合，如式(10)所示:

式中:T表示初始化中心點(diǎn)集合；g表示集合中的點(diǎn)。

步驟3 從模糊數(shù)據(jù)集中任意選取一個(gè)不同于初始化中心點(diǎn)的節(jié)點(diǎn)，設(shè)其為y，然后計(jì)算出節(jié)點(diǎn)y與中心點(diǎn)集合中其余節(jié)點(diǎn)的相似度[14]，如式(11)所示:

式中:x表示節(jié)點(diǎn)i、j之間的物理距離；u表示相似度。

步驟4 根據(jù)相似度更新中心點(diǎn)集合中所有節(jié)點(diǎn)坐標(biāo)，然后計(jì)算y與模糊數(shù)據(jù)集中所有節(jié)點(diǎn)的相似度，若相似度處于區(qū)間[0，1]中，則將其劃分到中心點(diǎn)集合中，進(jìn)而得到簇區(qū)域。流程如圖1所示。

圖1 簇區(qū)域獲取流程

簇區(qū)域更新過程如式(12)所示:

步驟5 在得到的簇區(qū)域中選取出承擔(dān)區(qū)域內(nèi)數(shù)據(jù)匯聚任務(wù)的節(jié)點(diǎn)a，其余節(jié)點(diǎn)則負(fù)責(zé)數(shù)據(jù)信息的采集，并通過節(jié)點(diǎn)a匯聚上傳。假設(shè)簇區(qū)域中節(jié)點(diǎn)的數(shù)量為B，計(jì)算出該區(qū)域的簇頭閾值，如式(13)所示:

式中:Q表示簇頭閾值；δ表示融合系數(shù)；ε表示修正系數(shù)。

步驟6 根據(jù)式(13)得到簇頭閾值后，多源異質(zhì)傳感器數(shù)據(jù)節(jié)點(diǎn)通過節(jié)點(diǎn)a將閾值上傳，根據(jù)能耗均衡約束模型可知，節(jié)點(diǎn)a與其余節(jié)點(diǎn)之間的距離處于最佳通信半徑[15]中時(shí)，節(jié)點(diǎn)a會(huì)直接將簇區(qū)域內(nèi)的所有節(jié)點(diǎn)采集的數(shù)據(jù)匯聚到傳感器中。

步驟7 當(dāng)節(jié)點(diǎn)a與其余節(jié)點(diǎn)之間的距離不處于最佳通信半徑中時(shí)，計(jì)算其余節(jié)點(diǎn)與節(jié)點(diǎn)a之間的距離，反復(fù)執(zhí)行步驟6 可以建立匯聚鏈路[16]，完成多源異質(zhì)傳感器數(shù)據(jù)的動(dòng)態(tài)匯聚。流程如圖2所示。

圖2 數(shù)據(jù)匯聚流程

根據(jù)式(9)得到最佳中心數(shù)據(jù)節(jié)點(diǎn)的數(shù)量，計(jì)算節(jié)點(diǎn)與中心點(diǎn)集合中其余節(jié)點(diǎn)的相似度，獲取所有節(jié)點(diǎn)坐標(biāo)，將相似度處于[0，1]區(qū)間中的節(jié)點(diǎn)劃分到中心點(diǎn)集合中，計(jì)算該區(qū)域的簇頭閾值，將簇區(qū)域內(nèi)數(shù)據(jù)匯聚到傳感器中，實(shí)現(xiàn)能耗均衡約束下的多源異質(zhì)傳感器數(shù)據(jù)動(dòng)態(tài)匯聚。

3 仿真與分析

為了驗(yàn)證能耗均衡約束下的多源異質(zhì)傳感器數(shù)據(jù)動(dòng)態(tài)匯聚算法的整體有效性，以隱私保護(hù)效果、通信開銷和匯聚數(shù)據(jù)正確率為評(píng)價(jià)指標(biāo)，將自適應(yīng)匯聚路由判定算法(文獻(xiàn)[3]算法)、網(wǎng)絡(luò)流量數(shù)據(jù)實(shí)時(shí)匯聚算法(文獻(xiàn)[4]算法)和基于集合聚類與ECMC 的數(shù)據(jù)匯聚方法(文獻(xiàn)[5]算法)作為對(duì)比算法，進(jìn)行仿真。

3.1 仿真設(shè)置

在無(wú)線傳感網(wǎng)絡(luò)中完成此次無(wú)線傳感網(wǎng)絡(luò)的分簇及匯聚情況，如圖3 所示。

圖3 分簇網(wǎng)及匯聚情況

由圖3 可知，無(wú)線傳感網(wǎng)絡(luò)為250 m×250 m 的平面區(qū)域，內(nèi)部隨機(jī)分布5 萬(wàn)個(gè)節(jié)點(diǎn)。中繼節(jié)點(diǎn)分布密度＜0.005 個(gè)/m，節(jié)點(diǎn)信號(hào)接收精度低于1 dB。

3.2 結(jié)果分析

根據(jù)上述環(huán)境和參數(shù)設(shè)置進(jìn)行仿真，具體仿真結(jié)果如下:

3.2.1 隱私保護(hù)效果

數(shù)據(jù)在匯聚過程中需具備一定的保密性，采用所提算法、自適應(yīng)匯聚路由判定算法、網(wǎng)絡(luò)流量數(shù)據(jù)實(shí)時(shí)匯聚算法和基于集合聚類與ECMC 的數(shù)據(jù)匯聚方法匯聚10 組多源異質(zhì)傳感器數(shù)據(jù)，10 組多源異質(zhì)傳感器數(shù)據(jù)隊(duì)列轉(zhuǎn)換時(shí)間和服務(wù)時(shí)間分別為1個(gè)和2 個(gè)時(shí)隙，每組簇內(nèi)數(shù)據(jù)包發(fā)送量為20 個(gè)，仿真不同算法在匯聚過程中數(shù)據(jù)節(jié)點(diǎn)的隱私泄露率。隱私泄露率越高，表明數(shù)據(jù)在匯聚過程中的隱私保護(hù)效果越差；隱私泄露率越低，表明數(shù)據(jù)在匯聚過程中的隱私保護(hù)效果越強(qiáng)。其計(jì)算如式(14)所示:

式中:k表示節(jié)點(diǎn)之間的鏈接；V表示多源異質(zhì)數(shù)據(jù)的隱私泄露率；r表示節(jié)點(diǎn)被破解的概率。

不同算法的隱私保護(hù)效果如圖4 所示。

圖4 不同算法的隱私泄露率

分析圖4 中的數(shù)據(jù)可知，針對(duì)多源異質(zhì)傳感器數(shù)據(jù)的動(dòng)態(tài)匯聚，自適應(yīng)匯聚路由判定算法、網(wǎng)絡(luò)流量數(shù)據(jù)實(shí)時(shí)匯聚算法和基于集合聚類與ECMC 的數(shù)據(jù)匯聚方法的隱私泄露率分別在31%、38%和27%附近波動(dòng)，而所提算法的隱私泄露率在25%附近波動(dòng)，通過對(duì)比發(fā)現(xiàn)，在不同組中所提算法的隱私泄露率均小于對(duì)比算法的隱私泄露率，表明針對(duì)多源異質(zhì)傳感器數(shù)據(jù)的動(dòng)態(tài)匯聚，所提算法的隱私保護(hù)效果好于對(duì)比算法。因?yàn)樗崴惴?gòu)建了能耗均衡約束模型，使用多路徑衰減信道實(shí)現(xiàn)數(shù)據(jù)之間的傳播，有效提高所提算法的隱私保護(hù)效果。

3.2.2 通信開銷

為了仿真三種算法的多源異質(zhì)傳感器數(shù)據(jù)匯聚性能，將通信開銷作為仿真指標(biāo)，進(jìn)行仿真分析。通信開銷是指各個(gè)算法在多源異質(zhì)傳感器數(shù)據(jù)的動(dòng)態(tài)匯聚過程中所消耗的能量。通信開銷數(shù)值越大，表明算法的性能越差；通信開銷數(shù)值越小，表明算法的性能越好。通信開銷的計(jì)算公式如下:

本文采用802.15.4 標(biāo)準(zhǔn)對(duì)多源異質(zhì)數(shù)據(jù)進(jìn)行封裝，該標(biāo)準(zhǔn)數(shù)據(jù)包有效載荷為100 byte，允許數(shù)據(jù)總長(zhǎng)度最大為128 byte。仿真5 萬(wàn)個(gè)節(jié)點(diǎn)在所提算法、自適應(yīng)匯聚路由判定算法、網(wǎng)絡(luò)流量數(shù)據(jù)實(shí)時(shí)匯聚算法和基于集合聚類與ECMC 的數(shù)據(jù)匯聚方法中的通信開銷，結(jié)果如圖5 所示。

圖5 不同算法的通信開銷

分析圖5 可知，隨著節(jié)點(diǎn)數(shù)量的增多，三種算法的通信開銷也有所增加。自適應(yīng)匯聚路由判定算法、網(wǎng)絡(luò)流量數(shù)據(jù)實(shí)時(shí)匯聚算法和基于集合聚類與ECMC 的數(shù)據(jù)匯聚方法的通信開銷范圍分別為16 MB～57 MB、18 MB～66 MB 和19 MB～61 MB，而所提算法的通信開銷在9 MB～46 MB 之間，低于對(duì)比算法。因?yàn)樗崴惴ú捎帽O(jiān)督判別投影算法對(duì)多源異質(zhì)傳感器數(shù)據(jù)實(shí)行降維處理，降低了數(shù)據(jù)的冗余度，減少了通信開銷，提高了數(shù)據(jù)匯聚性能。

3.2.3 匯聚數(shù)據(jù)正確率

匯聚數(shù)據(jù)正確率是指各個(gè)算法對(duì)多源異質(zhì)傳感器數(shù)據(jù)動(dòng)態(tài)匯聚的結(jié)果中，最終匯聚正確數(shù)據(jù)占原始數(shù)據(jù)的比例。匯聚數(shù)據(jù)正確率越高，表明算法的匯聚精度越高；匯聚數(shù)據(jù)正確率越低，表明算法的匯聚精度越低，結(jié)果如圖6 所示。

圖6 不同算法的匯聚數(shù)據(jù)正確率

由圖6 可知，在所有的匯聚結(jié)果中，所提算法的匯聚數(shù)據(jù)正確率始終在90%以上，均高于自適應(yīng)匯聚路由判定算法、網(wǎng)絡(luò)流量數(shù)據(jù)實(shí)時(shí)匯聚算法和基于集合聚類與ECMC 的數(shù)據(jù)匯聚方法，表明所提算法的匯聚精度高。因?yàn)樗崴惴ㄍㄟ^模糊分簇閾值篩選機(jī)制，獲取匯聚區(qū)域的簇頭閾值，使節(jié)點(diǎn)處于最佳通信半徑中，有效提高了多源異質(zhì)傳感器數(shù)據(jù)匯聚精度。

4 結(jié)束語(yǔ)

此次提出能耗均衡約束下的多源異質(zhì)傳感器數(shù)據(jù)動(dòng)態(tài)匯聚算法。該算法首先構(gòu)建能耗均衡約束模型，其次采用監(jiān)督判別投影算法對(duì)多源異質(zhì)數(shù)據(jù)進(jìn)行降維處理，最后采用模糊分簇閾值篩選算法對(duì)數(shù)據(jù)實(shí)行匯聚處理，完成多源異質(zhì)傳感器數(shù)據(jù)的動(dòng)態(tài)匯聚。仿真結(jié)果表明，所提算法的隱私泄露率在25%左右，通信開銷始終低于46 MB，匯聚數(shù)據(jù)正確率在90%以上，該算法在提高多源異質(zhì)傳感器數(shù)據(jù)隱私保護(hù)效果與數(shù)據(jù)正確率的同時(shí)，一定程度上也降低了算法的通信開銷，為數(shù)據(jù)匯聚技術(shù)研究提供了參考。