一种无线传感器网络事件边界检测方法与流程

本发明涉及边界检测方法，具体涉及一种无线网络传感器网络事件边界检测方法。

背景技术：

近年来，无线传感器网络越来越多的应用于特定区域的环境检测，除了通常的环境检测，传感器节点还通过感知温度、浓度、压力等环境参数来检测环境事件的发生，比如油污扩散、森林火灾、化学品泄漏等。在许多情况下，事件的发生可以看作是区域环境变量的改变。因此，与对整个目标区域进行检测相比，对事件的边界检测会更有效率，更能减少无线传感器网络的能量消耗。

事件边界检测就是对事件边界节点的检测，即识别出位于事件扩散边缘附近的传感器节点。传统的基于统计模型的边界检测方法是一种简单高效的方法，每个节点收集其一跳范围内邻居节点的状态信息，然后根据不同状态信息的比例，通过设定某个阈值来判定该节点是否为边界节点。但现有的检测方法其阈值参数是根据实验经验来设定，需要较高的节点密度才能达到较高的检测准确率，对于能量受限的无线传感器网络来说需要更高的网络部署成本和能量开销。

技术实现要素：

本发明的目的在于提供一种无线传感器网络事件边界检测方法，能够根据用户设定的参数，自动计算出边界节点判定阈值，提高网络在低密度节点下的检测准确率，从而降低网络部署成本和能量开销。

为了达到上述目的，本发明通过以下技术方案实现：

一种无线传感器网络事件边界检测方法，其特征是，包含以下步骤：

S1、根据每个感染节点的邻域内所有邻居节点的感知信息和节点状态，获得感染节点是边界节点的概率；

S2、感染节点向所有邻居节点广播其是边界节点的概率，并接收其邻居感染节点的边界节点概率广播值；感染节点对接收到的边界节点概率进行排序；

S3、根据给定边界宽度和节点密度获得感染节点邻域内边界节点的数量，结合步骤S2得到的感染节点的边界节点概率排序结果，判定该感染节点是否为边界节点。

上述的无线传感器网络事件边界检测方法，其中，所述的步骤S1具体包含：

S11、收集每个感染节点S_i的邻居节点的感知信息和节点状态；

S12、计算感染节点S_i是边界节点的概率H_i：

H_i＝-(p log p+q log q)，式中，p表示感染节点占邻居节点总数的比例，q表示正常节点，p＝1-q。

上述的无线传感器网络事件边界检测方法，其中：

所述的感知信息包含环境参数和GPS位置信息；

所述的节点状态指感染或正常状态。

上述的无线传感器网络事件边界检测方法，其中，所述的步骤S2具体包含：

S21、感染节点S_i向邻域内所有邻居节点广播其是边界节点的概率H_i，并接收其邻居节点的边界节点概率广播值；

S22、感染节点S_i对接收到的边界节点概率H_i进行排序，得到序列其中，i表示感染节点S_i的序号，k表示排序索引，取值为1≤k≤ρ_i，ρ_i表示感染节点S_i邻域内的实际邻居节点的数量。

上述的无线传感器网络事件边界检测方法，其中，所述的步骤S3具体包含：

S31、给定边界宽度r和节点密度ρ，根据公式m≈2rRρ/πR²＝2rρ/πR计算得到感染节点S_i邻域内边界节点的数量m，式中，R为节点的通信半径；

S32、定义H_im为阈值H_th，H_im表示序列中第m个H值，当H_i≥H_th时，感染节点S_i声明自己为边界节点。

上述的无线传感器网络事件边界检测方法，其特征在于，所述的步骤S3之后还包含：

S4、定义为边界节点的感染节点S_i广播信息至汇聚节点。

本发明与现有技术相比具有以下优点：

1、采用分布式检测方法，每个节点只从其邻居节点收集信息，为一跳传输，每一阶段节点的通信复杂度仅为常数级别，因此，本方法具有较小的网络通信开销；

2、本方法基于信息熵设定阈值判定边界节点，在低节点密度情形下，本发明提出的方法的拟合精度高于现有方法，在取得相同边界检测效果下，本发明的方法能减少部署节点的数量。

附图说明

图1为本发明的实施例中的感知区域与事件区域分布图；

图2为本发明的实施例中的边界检测模型图；

图3为使用本发明方法获得的节点拟合度的仿真曲线；

图4为使用本发明方法获得的节点误检率的仿真曲线。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

本发明提供一种无线传感器网络事件边界检测方法，首先，建立边界检测的统计模型。然后，基于该边界模型，设计基于信息熵的分布式边界节点检测方法。该方法设计的目的是让每个节点通过邻居节点的信息来判断自己是否为边界节点。不失一般性，我们假设事件边界相对于每个节点来说为一条直线。因为，通常情况下，事件区域会远远大于单个节点的邻域。节点的邻域指的是某个节点所能通信覆盖的范围。

基于上述假设，如果节点恰好位于事件边界上，那么其邻域内的邻居节点在统计上应该有一半感染节点和一半正常节点。相应的，如果一个节点的邻居节点感染状态和正常状态的比例为1:1，那么该节点就以极大的概率被认为是边界节点。理想情况下，边界节点刚好是位于事件边界的节点，然后事件边界就定义为边界节点的集合。但是，由于无线传感器网络中节点密度的限制，往往恰好位于事件边界的节点数目非常少，不利于对事件区域进行估计。

基于上述问题，本发明设置边界宽度，将事件真实边界附近的节点纳入边界节点的集合。本实施例中，如图1所示，r为边界宽度，r即两个圆形之间的距离，外圆为事件的真实边界，当感染节点S_i位于r内时，S_i就是边界节点。ρ为网络节点密度，表示平均每个节点邻域内所期望的邻居节点数量。ρ_i表示实际的节点S_i领域内邻居节点的数量。定义为感染节点S_i的邻居节点的集合。给定边界宽度r和网络节点密度ρ，考虑节点的均匀分布，定义m为感染节点S_i邻域内边界节点的数量，R为节点的通信半径，邻域指的是一个节点在通信半径内所覆盖的区域。

用几何概率估计m的取值：

m≈2rRρ/πR²＝2rρ/πR (1)

判定某个节点是否属于这个边界节点集合，需要一个合适的比例来衡量节点与事件边界的接近程度。为了量化这个问题，定义H(p)为节点是边界节点的概率，熵的计算公式为：

其中，p_i为邻居节点中i状态的节点占邻居节点总数的比例，i的取值为{0，1}。i＝0表示节点状态正常，i＝1表示节点状态为感染。

p_i＝k_i/(ρ_i-1) (3)

其中，k_i是邻居节点中i状态的节点数量，ρ_i是邻居节点的总数。在边界检测模型的假设下，p_i共有两种情况，我们称为p和q＝1-p。这里，p表示感染节点占邻居节点总数的比例，q则是正常节点占邻居节点总数的比例。因此，可以简化为：

H＝-(p log p+q log q) (4)

根据以上模型及相关参数的介绍，下面说明本方法的具体步骤：

S1：每个处于感染状态节点称为感染节点S_i，收集其邻居节点的感知信息和节点状态，然后计算H_i，本实施例中，感知信息包括环境参数例如温度、GPS位置信息，节点状态指的是受感染或正常状态：

H_i＝-(p log p+q log q) (5)

其中，

p＝1-q (7)

S2：感染节点S_i广播在步骤S1中计算的H_i值，并接收其邻居节点的广播值。然后，感染节点S_i根据接收的邻居节点H进行排序，得到序列其中，i表示节点S_i的序号，k表示排序索引，取值为1≤k≤ρ_i。例如，表示节点S_i在其邻域内具有最大的H值。

S3：对于给定r和ρ，根据上文提到的计算式m≈2rRρ/πR²＝2rρ/πR计算m值。定义H_im为阈值H_th。当H_i≥H_th时，感染节点S_i声明自己为边界节点，并广播信息至汇聚节点；此处H_im为步骤S2排序后中得到的是第m个H值，将这个值定义为H_th，即熵阈值。

下面将结合一个较佳的实施例，进一步说明本发明：

本发明适用于无线传感器网络进行环境监测，比如森林火灾监控、场地温度监控、海上无线传感器网络进行海面溢油检测等。

本实施例中本发明方法的实现通过如下系统完成：部署相同硬件配置的传感器节点，每个节点状态良好，并且同步。每个传感器节点都配有能够准确定位的GPS模块。一个优选的网络拓扑方案是足够数量的传感器随机分布在二维的感知区域内，自组织形成一个无线传感器网络，节点周期性的采集环境数据并通过多跳的方式传递给汇聚节点。

适用于海上无线传感器网络时，该网络系统由传感器节点、汇聚节点、网关节点、Inmarsat船站卫星接入设备、Internet网络接入设备以及系统服务器组成。将传感器节点通过直升机随机抛洒的方式覆盖在监测区域，节点遇海水后自动打开，其他节点被相继唤醒后，通过ZigBee协议自组织成一个无线传感器网络。传感器节点周期性地采集数据并与周围的节点进行数据交换，将数据及时地通过自适应的路由，多跳中继后将重要数据传输给网关节点；网关节点将所汇聚的重要信息通过串口发送至上位机及通过船站Inmarsat卫星接入互联网，并通过互联网连入系统服务器。

具体的，节点通常分为传感器节点和汇聚节点，网关节点三种,传感器节点通常负责动态信息包括地理位置信息、环境物理量的感知、采集，静态信息如传感器节点编号等数据进行处理。汇聚节点一般要比普通传感器节点在数据处理、通信能力等方面要强许多。汇聚节点可以没有传感器模块,只有无线通信模块,也可以是由一个具有增强功能的传感器节点，配置在救生艇或浮标等承载能力略强的设备上，从而可以具有较强的计算与通信能力，它将把所汇聚的信息及其自身感知的信息发送给网关节点；网关节点可配置于船舶上，具有最强的计算与通信能力，也可通过无线或卫星等方式接入互联网，以在更大范围内共享搜救信息。

本发明提供一种适用于上述传感器网络的一种无线传感器网络事件边界检测方法，具体检测的是处于环境事件边界的传感器节点。当有环境事件在感知区域发生时，周围环境变量会发生变化，可以看作是该事件源向周围发送了一定强度的信号。通常情况下，距离事件源越远的地方，环境参数变化量小，也就是说接收到事件源信号的强度就越弱。首先设定事件阈值，比如温度设置为50摄氏度，超过此温度代表异常事件的发生。因此，定义事件区域为其环境参数大于设定阈值的区域，事件区域通常具有扩散的特点，环境参数等于阈值的定义为事件边界。如果一个传感器节点距离事件边界很近，那么称该节点为边界节点。利用无线传感器网络对事件进行边界检测，就是对边界节点的检测。

下面做一些更为详细的定义和符号说明：

定义1：∑表示感知区域，这里定义的感知区域∑，不仅指的是被无线传感器网络覆盖的地理上的区域，也指示在感知区域内传感器节点的集合。另外，提到的其他表示区域的概念有具有类似性质。ω表示事件区域，具有∑相同的性质，是感知区域∑的子区域，相应的是非事件区域。因此，有如果某个节点S_i∈ω，表示该节点是一个感染节点。相反的，如果某个节点则表示该节点是正常节点。

定义2：感染节点S_i的位置信息表示为S_i(xi,yi)，理想情况下，边界节点刚好是位于事件边界的节点，然后事件边界就定义为边界节点的集合，用表示。但是，由于无线传感器网络中节点密度的限制，往往恰好位于事件边界的节点数目非常少，不利于对事件区域进行估计。

定义3：考虑到定义2中提到的问题，我们引入了边界宽度r的概念。边界宽度r∈[0,R]，这里R表示节点的通信半径。在本发明中，我们定义边界节点集合其中||S_i,B||表示节点S_i到事件边界的距离。

不考虑节点的故障情况，当节点感知的环境数据大于设定的阈值Th时，该节点称为感染节点，否则称为正常节点。感知区域及事件区域如图1所示。边界节点检测的过程如下：

第一阶段，传感器感知环境数据，比对阈值Th，找出每个处于感染状态的感染节点S_i，收集其邻居节点的感知信息和节点状态，然后计算H_i：

在第二阶段，感染节点S_i广播在第一阶段计算的H_i值，并接收其邻居节点的广播值。然后，感染节点S_i根据接收的邻居节点H进行排序，得到序列其中，i表示节点S_i的序号，k表示排序索引，取值为1≤k≤ρ_i。

第三阶段，对于给定r和ρ，根据公式m≈2rRρ/πR²＝2rρ/πR计算m值。定义H_im为阈值H_th。当H_i≥H_th时，感染节点S_i声明自己为边界节点，并广播信息至汇聚节点。

第四阶段，设置系统刷新时间，清空节点状态，重复第一至第三步骤。

详细流程伪代码如下表所示，可以容易地以任何一种编程语言实现：

下面通过对本发明所建立的模型和发明的边界检测方法进行仿真分析，进一步介绍本发明的实施方式在应用中的优势。该分析可采用仿真平台进行。

仿真参数设置如下：传感器节点均分分布在200m*200m的区域内，节点通信半径R设为10m。假设事件区域是以事件源为中心以50m为半径的圆形区域内，其中，事件源的坐标为(100m,100m)，设置边界宽度r＝R/2。本实验取100次独立实验结果。仿真结果和LFEBD算法作比较，LFEBD算法也是基于邻居节点信息的边界节点检测方法，同样假设能够精确获取节点的位置信息。本次仿真从以下两个方面进行对比：

(1)拟合度DF(degree of fitting)作为检测准确度的性能评价指标，定义如下：

其中，A(<r)表示位于边界宽度r内的节点集合，也就是真正的边界节点的集合。A(d)则表示LEBD算法检测出的边界节点的集合。

(2)误检率FAR(False alarm rate)用来衡量检测方法的可靠程度，定义如下：

其中，A(>r)用来表示距离事件边界超过边界宽度r的节点集合。性能较好边界检测方法拥有较高的拟合度和较低的误检率。

图3展示了本发明提出的方法与LFEBD方法在拟合度DF性能评价指标的比较。仿真结果表明，与LFEBD相比，本研究提出的方法在网络节点密度为20到40之间有较高的拟合度。另外，随着网络节点密度的增加，两种方法的拟合精度提高，并在节点密度大于40时趋于平稳。

图4展示了本发明提出的方法与LFEBD方法在误检率FAR性能评价指标的比较。仿真结果表明，随着节点密度的增加，两种方法的误检率逐渐下降，本发明的方法在低节点密度下的误检率比LFEBD的低，比如在节点密度为10到30之间本文提出的算法要优于LFEBD。但是当网络节点密度大于40时，LFEBD的误检率低于本文提出的LEBD算法。综合这两种性能指标的仿真结果来看，本文提出的一种无线传感器网络事件边界检测方法在低节点密度下的表现优于LFEBD方法，拟合精度随节点密度的增加能更早的到达饱和状态。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。