一种基于压缩感知面向边缘计算的可靠数据收集方法与流程

本发明属于物联网领域，具体涉及一种基于压缩感知面向边缘计算的可靠数据收集方法。

背景技术：

人工智能，大数据，云计算以及5g网络的发展极大的促进了物联网的广泛应用。然而在万物互联的背景下，物联网设备的计算和存储能力一直制约着物联网进一步的发展。针对于此催生了边缘计算模型，计算卸载作为边缘计算的关键技术，将部分或者是全部的计算任务卸载到资源丰富的边缘服务器，以解决终端设备计算存储资源的不足。

无线传感器网络是由大量传感器节点组成的一种自组织网络，集数据的采集、处理和传输与一身，通常用于对特定的区域进行监测并通过基站将数据接入网络。但由于传感器节点资源受限，尤其是能量方面，而且无线传感器网络环境中有许多不可预见的因素，比如现场环境、衰减、盲区等，这些因素不仅会造成传感器节点能量消耗，还会造成数据传输时产生错误和丢包的问题。因此如何高效稳定可靠节能地收集数据是无线传感器网络研究的一个重要内容和目标。

压缩感知(compressivesensing,cs)理论集采样和压缩于一体，适用于数据量大、编码简单解码复杂的场合,正符合边缘计算框架底层终端设备资源受限、功能简单、计算能力差，上层节点性能强大的特点，并且无线传感器网络节采集数据具有时空相关性。压缩感知为无线传感器网络数据收集开辟了一条新的研究道路。

技术实现要素：

本发明的目的是解决在实际环境下无线传感器网络出现随机丢包、能量消耗快的问题，提供一种基于压缩感知的面向边缘计算的可靠数据收集方法。本发明考虑了边缘计算中基于无线传感器节点能耗以及错误和丢包问题，因而引入了压缩感知理论。压缩感知适用于数据量大、编码简单解码复杂的场合,正符合边缘计算框架底层终端设备资源受限、功能简单、计算能力差，上层节点性能强大的特点，并且无线传感器网络节采集数据具有时空相关性。压缩感知为无线传感器网络数据收集开辟了一条新的研究道路。通过实验仿真对比，在链路出现随机丢包的情况下，数据传输的可靠性与网络的能耗都表现出较好的效果，具有一定的实用价值。

本发明的基于压缩感知面向边缘计算的可靠数据收集方法，主要包括如下关键步骤：

第1、分簇拓扑路由结构的构建：

第1.1、建立网络模型；

第1.2、建立簇间数据收集模型；

第1.3、建立簇间传输模型；

第1.4、建立网络的能耗模型：

第2、基于压缩感知的边缘计算中可靠数据收集方法的设计：

第2.1、簇内数据的采集；

第2.2、用最优最差蚂蚁系统对链路质量评估；

第2.3、构建传输路径；

第2.4、簇间传输；

进一步的，步骤第1.1中建立网络模型，即网络采用分簇拓扑路由结构，首先将节点随机的分成若干个簇，簇内节点根据设置好的采样率随机调度采样，并且直接传输到簇头节点，簇头根据实际的接收情况构建测量矩阵，保证测量矩阵的构造不受实际情况中丢包的干扰，确保测量矩阵的可靠性，并且设计与测量矩阵共同满足rip特性的稀疏基，然后优化从簇头节点到sink节点的传输策略，进行基于链路质量的多路径传输，保证数据的可靠性。

步骤第1.2中建立簇间数据收集模型，即设某个簇中有ni个成员节点，其中有mi个节点采集数据，簇内数据传输采取直接将采集数据传输至簇头节点，不采集数据的传感器节点进入休眠状态，并且采集的数据在稀疏基ψ下是稀疏的，簇内数据具有很强的相关性。

步骤第1.3中建立了簇间传输模型，即当簇内收集的数据传递到簇头节点的时候，首先利用最优最差蚁群算法对网络中的路径进行信息素的标记，然后根据链路的质量来构建基于负载均衡的多路径传输，然后再sink节点进行数据的重组与重构。

步骤第1.4中建立的网络能耗模型方法中，将节点能耗分为簇内能耗e_intra与簇间能耗e_inter，即

etotal＝eintra+einter#(1)

其中两个阶段中的数据传输的能耗分析按照已有的通信能耗模型进行计算，即

etx(l′，d)＝eelec×l′+εamp×l′×d²(2)

erx(l′)＝l′×eelec(3)

其中etx(l',d)表示数据的发送节点将1个l'比特的数据传输距离为d时所消耗的能量，erx(l')表示数据的接受节点接收l'比特所消耗的能量，eelec表示节点发送或者接受单位比特所消耗的能量，εamp表示节点功率放大的系数。

进一步的，步骤第2.1中簇内数据的采集方法如下，为了衡量相邻节点间的相关性，不失一般性我们定义了如下核函数κ(xi,xj)：

其中dij表示节点ij之间的欧式距离，τ表示核函数的宽度参数可以根据收集的感知数据训练得到，n个节点的相关矩阵a可以表示为：

观察可得矩阵a为toeplitz矩阵，则可对角化a＝uλu^-1，其中λ为对角矩阵，u为标准正交基。我们将u用于稀疏表示基，令ψg＝u，则x可以表示为：

x＝ψgs(6)

当n＝200,τ²＝1时，ψg中的每一行元素的均值和方差的值相在一个很小的范围内波动，当n的值逐渐变大均值和方差逐渐趋近于一个稳定的值0，当传感节点较大时该稀疏基中的每一行元素可以看作是同一随机变量产生的随机系列，即稀疏基可以看成由n个随机变量ξ1,ξ2…ξm产生的随机序列，这些随机变量有相同的数值特征:

为了方便描述我们用表示第i个簇中发送感知数据的节点的序号的索引，即ii＝|mi|，在某一采集时刻t，我们设置每个簇内的成员节点以概率p随机向簇头节点发送自己感知的数据；

由于在实际部署的环境中无线传感器网络的链路状态不太稳定存在一定的丢包率，我们设置网络的丢包率为pl,则可以计算出每一个簇中采集的数据量的期望值为mi＝nip(1-pl),簇首根据收集到的数据生成测量矩阵其定义为：

其中为φi中的一行，k＝1…mi，矩阵中的每一行有且仅有一个非零的值，可以用来反映节点之间的空间关系。

步骤第2.2中采用最优最差蚂蚁系统对链路质量评估描述如下：先是进行网络中簇头节点的等级划分，初始化数据包并且采用最优最差蚂蚁系统(best-worstantsystem，bwas)进行信息素值的确定，路径上产生的信息素归一化值，根据信息素的值来进行链路质量的评估。

步骤第2.3所述的构建传输路径描述如下：假设某一簇头节点准备发送bm字节的数据包到汇聚节点。数据包被分解为(m+k)个b字节的数据片。汇聚节点对接收到的至少m的数据片进行解码重组源数据包，设pathi路径一次接收zi个数据片，则汇聚节点能重构的概率为psucc为：

其中psucc成功传输的概率，我们用q＝[q1,q2,…qn]表示每条路径数据传输的成功率，并且每一条路径是相互独立的，则有：

其中

簇间传输模型数据传输的成功率，即簇间传输的可靠性为：

对于从簇头到汇聚节点的某一条路径pathi来说，从源节点到目的节点的成功率为：

对于pathi，汇聚节点接收到的数据片的数量为：

则对于从簇头节点到汇聚节点的一次完整的传输的数据的片数为：

簇间传输模型数据实际传输的成功率，即簇间实际传输的可靠性为：

多路径的建立原则如下：

1)源节点是在通信范围以内选择其他簇头节点作为下一跳候选节点；

2)同级簇头节点之间不建立传输路径，优先选择质量最优路径作为下一跳数据的传输节点，直至到达目的汇聚节点，从而建立一条到目的节点的最优传输链路。

3)源节点选择当前候选节点中(不包含已经选取建立传输路径的节点)选择质量最优路径作为下一跳节点数据的传输节点，依次类推直至汇聚节点，从而建立第二条从源到目的地的次优传输链路。

4)路径质量是按照信息素的值进行衡量的，我们已经通过最优最差蚂蚁系统在两个不同等级之间已经生生成了反映链路质量的信息素的值。

步骤第2.4所述的簇间传输算法描述如下：因为传感器节点的计算资源和能量受限，如果将源节点需要传输的数据在每条路径上都进行传输的话将造成能量的过度消耗，因此在传输的过程中需要引入多路径负载均衡机制，根据链路的质量来进行对数据包的分配，因为最优最差蚁群算法产生的信息素综合了路径寻优过程中节点的能量、距离、链路质量的优势，在进行分配的时候根据链路质量的高低，即信息素τ的值越大链路的质量越高，采用负责均衡分配的数据片就越多。

算法1簇间传输协议算法步骤描述如下

步骤1:初始化参数和数据包，并计算每个簇头节点的等级；

步骤2：执行bwas算法，输入簇头节点坐标和能量，输出各簇头节点的信息素的值，并在本地路由表中建立路由信息；

步骤3：按照多路径的构造规则在传输范围内为源节点选取最优的簇头节点作为下跳中继节点建立传输路径，并依此建立到目的节点的第一质量路径；

步骤4：按照多路径的构造规则在传输范围内为源节点选取不含已选取节点的最优簇头节点作为下跳中继节点建立无交叉传输路径；

步骤5：每建立完成一条路径，sink节点会对建立的路径质量进行评估，并将评估结果信息包返回给源节点，如果链路数等于3或者不满足条件执行下一步骤，否则重复步骤4；

步骤6：源节点根据链路的质量对传输包进行子包的划分，按照能者多劳的原则进行负载均衡传输；

步骤7：数据子包纷纷到达sink节点后首先进行的是包的组装；

步骤8：构建网络的测量矩阵，利用重构算法进行数据的恢复。

本发明的优点和积极效果：

本发明主要设计了一种基于压缩感知面向边缘计算的可靠数据收集方法，在该方法中，主要研究了边缘计算中基于无线传感器节点能耗以及错误和丢包问题，因而引入了压缩感知理论。压缩感知(compressivesensing,cs)理论集采样和压缩于一体，适用于数据量大、编码简单解码复杂的场合,正符合边缘计算框架底层终端设备资源受限、功能简单、计算能力差，上层节点性能强大的特点，并且无线传感器网络节采集数据具有时空相关性。针对有损链路下的压缩感知数据可靠收集方法，从两个方面进行优化，一是考虑链路的状况对于感知数据和测量矩阵的影响,二是采用可靠的多路径路由传输策略。与现有一些方法相比，本方法开发出来的基于压缩感知的面向边缘计算的可靠数据收集方法，明显优于其它方法，具有一定的实用价值。

附图说明

图1是压缩感知框架图；

图2是数据传输的过程图；

图3是簇内传输的图；

图4是簇间传输的图；

图5是多路径传输的图；

图6是负载均衡机制；

图7是理想状态下的重构误差的对比图；

图8是不同的丢包率下本方法的重构误差的比较图；

图9是不同的丢包率下各个方案重构误差的比较图；

图10是不同的采样率下各个方案重构误差的比较图；

图11是不同的误差下各个方案能耗的比较图；

图12是不同轮数下各个方案节点剩余能量的平均值图；

图13是不同方法网络的生命周期图；

图14是不同丢包率相同误差下各个方案能耗的比较图；

图15是本发明基于压缩感知面向边缘计算的可靠数据收集方法的流程图。

具体实施方式

实施例1

本实施例为了验证所提出方法的性能与可靠性，分别进行了仿真分析与场景的测试。采用matlab2018a作为数据处理的工具，首先在理想状态下进行和高斯随机矩阵配合dct转换域的对比，通过数值的模拟进行理论分析验证，然后在随机丢包的环境中对该收集算法与csec、spt_cdg、cs_leach、srs以及cs_rtsc进行对比,最后在实际的环境中进行验证。我们进行了一系列的仿真实验，采用绿野千传(greenorbs)系统测得的数据进行仿真实验，与已有的使用压缩感知的收集方法进行比较，在相同的测试环境下，分析不同方法的网络的能耗、网络的生命周期、数据重构的精度。

参照附图15。本实例基于压缩传感的边缘计算中可靠数据收集方法，其特征在于该方法主要包括如下步骤：

第1、分簇拓扑路由结构的构建：

第1.1、建立网络模型；

第1.2、建立簇内数据收集模型；

第1.3、建立簇间传输模型；

第1.4、建立网络的能耗模型：

第2、基于压缩感知的边缘计算中可靠数据收集方法的设计：

第2.1、簇内数据的采集；

第2.2、用最优最差蚂蚁系统对链路质量评估；

第2.3、构建传输路径；

第2.4、簇间传输；

本发明步骤第1.1中建立网络模型，即网络采用分簇拓扑路由结构，附图1展示了压缩感知的框架，首先将节点随机的分成若干个簇，簇内节点根据设置好的采样率随机调度采样，并且直接传输到簇头节点，簇头根据实际的接收情况构建测量矩阵，保证测量矩阵的构造不受实际情况中丢包的干扰，确保测量矩阵的可靠性，并且设计与测量矩阵共同满足rip特性的稀疏基。然后优化从簇头节点到sink节点的传输策略，进行基于链路质量的多路径传输，保证数据的可靠性，附图2展示了数据传输的过程。

步骤第1.2中建立簇内数据收集模型，即设某个簇中有ni个成员节点，其中有mi个节点采集数据，簇内数据传输采取直接将采集数据传输至簇头节点，不采集数据的传感器节点进入休眠状态，并且采集的数据在稀疏基ψ下是稀疏的，簇内数据具有很强的相关性，附图3展示了簇内数据收集。

步骤第1.3中建立了簇间传输模型，即当簇内收集的数据传递到簇头节点的时候，首先利用最优最差蚁群算法对网络中的路径进行信息素的标记，然后根据链路的质量来构建基于负载均衡的多路径传输，然后再sink节点进行数据的重组与重构，附图4展示了簇间传输。

步骤第1.4中建立的网络能耗模型方法中，将节点能耗分为簇内能耗e_intra与簇间能耗e_inter，即

etotal＝eintra+einter#(1)

其中两个阶段中的数据传输的能耗分析按照已有的通信能耗模型进行计算，即

etx(l′，d)＝eelec×l′+εamp×l′×d²(2)

erx(l′)＝l′×eelec(3)

其中etx(l',d)表示数据的发送节点将1个l'比特的数据传输距离为d时所消耗的能量，erx(l')表示数据的接受节点接收l'比特所消耗的能量，eelec表示节点发送或者接受单位比特所消耗的能量，εamp表示节点功率放大的系数。

进一步的，步骤第2.1中簇内数据的采集方法如下，为了衡量相邻节点间的相关性，不失一般性我们定义了如下核函数κ(xi,xj)：

其中dij表示节点ij之间的欧式距离，τ表示核函数的宽度参数可以根据收集的感知数据训练得到。n个节点的相关矩阵a可以表示为：

观察可得矩阵a为toeplitz矩阵，则可对角化a＝uλu^-1，其中λ为对角矩阵，u为标准正交基。我们将u用于稀疏表示基，令ψg＝u，则x可以表示为：

x＝ψgs(6)

当n＝200,τ²＝1时，ψg中的每一行元素的均值和方差的值相在一个很小的范围内波动，当n的值逐渐变大均值和方差逐渐趋近于一个稳定的值0。当传感节点较大时该稀疏基中的每一行元素可以看作是同一随机变量产生的随机系列，即稀疏基可以看成由n个随机变量ξ1,ξ2…ξm产生的随机序列。这些随机变量有相同的数值特征:

为了方便描述我们用表示第i个簇中发送感知数据的节点的序号的索引，即ii＝|mi|。在某一采集时刻t，我们设置每个簇内的成员节点以概率p随机向簇头节点发送自己感知的数据。

由于在实际部署的环境中无线传感器网络的链路状态不太稳定存在一定的丢包率，我们设置网络的丢包率为pl,则可以计算出每一个簇中采集的数据量的期望值为mi＝nip(1-pl),簇首根据收集到的数据生成测量矩阵其定义为：

其中为φi中的一行，k＝1…mi。矩阵中的每一行有且仅有一个非零的值，可以用来反映节点之间的空间关系。

步骤第2.2中采用最优最差蚂蚁系统对链路质量评估描述如下：先是进行网络中簇头节点的等级划分，初始化数据包并且采用最优最差蚂蚁系统(best-worstantsystem，bwas)进行信息素值的确定，路径上产生的信息素归一化值，根据信息素的值来进行链路质量的评估。

步骤第2.3所述的构建传输路径描述如下：假设某一簇头节点准备发送bm字节的数据包到汇聚节点。数据包被分解为(m+k)个b字节的数据片。汇聚节点对接收到的至少m的数据片进行解码重组源数据包。设pathi路径一次接收zi个数据片，则汇聚节点能重构的概率为psucc为：

其中psucc成功传输的概率，我们用q＝[q1,q2,…qn]表示每条路径数据传输的成功率，并且每一条路径是相互独立的，则有：

其中

簇间传输模型数据传输的成功率，即簇间传输的可靠性为：

对于从簇头到汇聚节点的某一条路径pathi来说，从源节点到目的节点的成功率为：

对于pathi，汇聚节点接收到的数据片的数量为：

则对于从簇头节点到汇聚节点的一次完整的传输的数据的片数为：

簇间传输模型数据实际传输的成功率，即簇间实际传输的可靠性为：

附图5展示了多路径传输，多路径的建立原则如下：

1)源节点是在通信范围以内选择其他簇头节点作为下一跳候选节点；

2)同级簇头节点之间不建立传输路径，优先选择质量最优路径作为下一跳数据的传输节点，直至到达目的汇聚节点，从而建立一条到目的节点的最优传输链路。

3)源节点选择当前候选节点中(不包含已经选取建立传输路径的节点)选择质量最优路径作为下一跳节点数据的传输节点，依次类推直至汇聚节点，从而建立第二条从源到目的地的次优传输链路。

4)路径质量是按照信息素的值进行衡量的，我们已经通过最优最差蚂蚁系统在两个不同等级之间已经生生成了反映链路质量的信息素的值。

步骤第2.4所述的簇间传输算法描述如下：因为传感器节点的计算资源和能量受限，如果将源节点需要传输的数据在每条路径上都进行传输的话将造成能量的过度消耗，因此在传输的过程中需要引入多路径负载均衡机制，根据链路的质量来进行对数据包的分配，附图6展示了负载均衡机制。因为最优最差蚁群算法产生的信息素综合了路径寻优过程中节点的能量、距离、链路质量的优势，在进行分配的时候根据链路质量的高低，即信息素τ的值越大链路的质量越高，采用负责均衡分配的数据片就越多。

算法1簇间传输协议算法步骤描述如下

步骤1:初始化参数和数据包，并计算每个簇头节点的等级；

步骤2：执行bwas算法，输入簇头节点坐标和能量，输出各簇头节点的信息素的值，并在本地路由表中建立路由信息；

步骤3：按照多路径的构造规则在传输范围内为源节点选取最优的簇头节点作为下跳中继节点建立传输路径，并依此建立到目的节点的第一质量路径；

步骤4：按照多路径的构造规则在传输范围内为源节点选取不含已选取节点的最优簇头节点作为下跳中继节点建立无交叉传输路径；

步骤5：每建立完成一条路径，sink节点会对建立的路径质量进行评估，并将评估结果信息包返回给源节点，如果链路数等于3或者不满足条件执行下一步骤，否则重复步骤4；

步骤6：源节点根据链路的质量对传输包进行子包的划分，按照能者多劳的原则进行负载均衡传输；

步骤7：数据子包纷纷到达sink节点后首先进行的是包的组装；

步骤8：构建网络的测量矩阵，利用重构算法进行数据的恢复。

本实例中分别进行了仿真分析与场景的测试。采用matlab2018a作为数据处理的工具，将进行三个模拟实验：

实验a：在理想状态下进行和高斯随机矩阵配合dct转换域的对比，通过数值的模拟进行理论分析验证；

实验b：采用绿野千传(greenorbs)系统测得的数据进行仿真实验，(greenorbs系统在一片森林区域部署了330多个传感器节点采集温湿度等相关的数据)与已有的使用压缩感知的收集方法进行比较；

实验c：在实际存在丢包情况下测试提出的方法的性能。

本模拟实验将考虑三个性能指标，其分别是：

1.网络的能耗。

2.网络的生命周期。

3.数据重构的精度。

本实验的仿真结果如下：

1.不同的丢包率和不同的采样率对数据重构的影响

1)理想状态下采样率和重构误差的对比

附图7展示了理想状态下不同采样率的重构误差的实验结果，使用本发明与高斯随机测量矩阵和dct域进行对比，通过实验结果我们可以看出，本发明使用的测量矩阵和稀疏基在采样率为0.6的时候其恢复误差与高斯0.8的采样率相比基本持平。这也证明了本发明的测量矩阵和稀疏基能够满足无线传感器网络的真实数据的恢复并且其重构误差相比高斯随机矩阵与dct域在采样率一样的情况下更低。

2)采样率对数据重构误差的影响

附图8展示了不同的采样率的数据重构误差的实验结果，其中p_l＝0表示的是理想不丢包的状态，通过实验结果我们可以看出，随着采样率的增加，无论是在何种的丢包率下都表现出了数据重构误差呈下降的趋势；从图中我们还可以看出当丢包率为0.05的时候，数据重构的误差和理想的情况下相差的不是很大，这是因为我们使用的测量矩阵是根据实际的链路状态进行设置的，测量矩阵比较准确，并且在簇间是采用的基于链路状况的路由；而且从实验结果可以看出提出的收集方法即使是在网络中存在大规模的丢包情况下，只要适当的增加采样率仍然可以保持较高的数据的恢复的准确率，并且不会随着丢包率的增加出现较大的波动。

3)丢包率对重构误差的影响

附图9展示不同丢包率下重构误差的对比。附图10是设置丢包率为0.15设置不同的采样率下的数据恢复误差的对比。通过实验结果可以看到，当采样率一定时重构误差随着丢包率的增加而增加，本发明提出的方案的重构误差始终小于csec、cs_leach、srs和spt_cdg，并且随着丢包率的增加，本发明的方案优势已经表现的越来越明显。

2.数据重构的误差与网络能耗的对比

附图11给出了数据重构的误差与网络能耗的对比，由图中的结果可以看出，网络的能耗与重构的误差呈现反比的关系，单从数据重构的方向可以发现cs_rtsc无论在何种环境下都能保证较好的重构的误差，但是cs_rtsc的高精度是以能耗的消耗为代价，根据无线传感器网络的特点，本发明更加适合丢包率不超过0.25的情况下，并且对于能源的消耗是可以接受的，在网络丢包率不超过0.25，网络重构的误差在0.1，本发明的算法始终是最优的。

3.不同方法的网络节点剩余能耗的平均值和网络生命周期对比

附图12、13分别是六种方案下在丢包率为0.1下重构误差在0.05时的网络节点剩余能耗的平均值和网络生命周期，从图中我们可以看到本发明的能耗相对更低，网络的生命周期更长。附图14是本发明提出的方案与cs_rtsc和csec三种方案在不同丢包率下规定重构误差在0.05时的网络能耗的对比，从图中我们可以直观的看到本方案的能耗始终低于另外两种方案。

仿真实验结果和实际场景的测试都表明，本发明在平衡网络能耗和数据的重构的误差在丢包率0.25以内均表现出很好的效果。