第5章WSN支撑技术.

第5章WSN支撑技术学习目标◆掌握时钟同步◆了解节点定位◆了解数据融合◆了解能量管理◆了解容错技术◆了解QoS保证◆了解安全性虽然传感器网络用户的使用目的千变万化，但是作为网络终端节点的功能归根结底就是传感、探测、感知，收集应用相关的数据信号。本章所设及到的基础性技术是支撑传感器网络完成任务的关键，包括时间同步机制、定位技术、数据融合、能量管理和安全机制等。第5章WSN的支撑技术5.1时间同步基于硬件振荡器的计算机时钟是所有计算设备的重要组成部分。典型的时钟由一个稳定的石英振荡器和一个计数器组成，这个计数器随着每次石英晶体的振荡递减。对于两个节点的本地时间而言，时钟偏移量表示时钟之间的时间差。同步是指调整一个或者两个时钟，从而使它们的读数匹配。5.1.2时间同步问题1.时间同步的必要性2.时间同步面临的挑战(1)环境影响(2)能量限制(3)无线介质和移动性(4)其他约束5.1.3时间同步基础1.同步消息(1)单向消息交换(2)双向消息交换(3)接收端-接收端同步2.通信延时的不确定性(1)发送延时(2)访问延时(3)传播延时(4)接收延时5.1.4时间同步协议1.基于全球时间源的参考广播2.基于树的轻量级同步3.传感器网络的时间同步协议(1)级别探测阶段(2)同步阶段4.洪泛时间同步协议(1)FTSP的时间戳(2)多跳同步5.参考广播同步6.时间扩散同步协议5.2定位技术5.2.1基本描述1、节点定位的基本概念无线传感器网络定位的含义:是指自组织的网络通过特定方法提供节点的位置信息。自组织网络定位分为节点自身定位和目标定位。节点自身定位是确定网络节点的坐标位置的过程。目标定位是确定网络覆盖区域内一个事件或者一个目标的坐标位置。节点自身定位是网络自身属性的确定过程，可以通过人工标定或者各种节点自定位算法完成。目标定位是以位置已知的网络节点作为参考，确定事件或者目标在网络覆盖范围内所在的位置。(1)基于测距的定位和距离无关的定位算法(2)基于锚节点定位和无锚节点辅助的定位算法(3)集中式计算定位与分布式计算定位(4)紧密耦合定位与松散耦合定位2.定位算法的分类具体分析各个性能指标。①定位精度②规模③锚节点密度④节点密度⑤覆盖率⑥容错性和自适应性⑦功耗⑧成本3.定位算法的性能分析5.2.2节点位置的计算方法定位计算的基本方法包括：三边测量法、三角测量法、极大似然估计法、最小最大法。1.三边测量法2.三角测量法3.极大似然估计法4.最小最大法基于测距的定位机制(rang-based)通过测量相邻节点间的距离或角度信息，然后再使用三边测量、三角测量或最大似然估计定位计算方法来计算节点位置。其常用的测距技术有RSSI，TOA，TDOA和AOA。测距定位过程分为以下三个阶段。①测距阶段，未知节点测量到邻近锚节点的距离或角度。②定位阶段，计算出未知节点与三个或三个以上锚节点的距离或角度后，然后利用三边测量法、三角测量法或极大似然估计法计算未知节点的坐标。③校正阶段，对计算得到的节点的坐标进行循环求精，减少误差，提高定位算法的精度。5.2.3基于测距的定位算法1.基于RSSI的定位机制ReceivedSignalStrengthIndicator基于接收信号强度指示的定位2.基于TOA的定位机制TimeofArrival基于到达时间的定位GPS使用TOA3.基于TDOA的定位机制4.基于AOA的定位机制AngleofArrival基于到达角度的定位通过天线阵列或多个接收器结合得到发射信号的方向典型的距离无关的定位算法有质心定位算法、凸规划定位算法、APS定位算法、Amorphous定位算法、APIT算法、SeRLOC算法等。1.质心定位算法5.2.4距离无关的定位算法2.凸规划定位算法3.APS算法(1)DV-Hop定位算法5.2.5典型的定位系统面对典型室内定位系统ActiveBadge、ActiveOffice、Cricket等加以归纳总结。1.ActiveOffice定位系统2.Cricket定位系统5.3数据融合5.3.1数据融合的基本概念我们将各种传感器直接给出的信息称作源信息，如果传感器给出的信息是已经数字化的信息，就称作源数据，如果给出的是图像就是源图像。源信息是信息系统处理的对象。源信息、传感器与环境之间的关系：5.3.2数据融合技术的分类传感器网络的数据融合技术可以从不同的角度进行分类，这里介绍三种分类方法：(1)依据融合前后数据的信息含量进行分类；(2)依据数据融合与应用层数据语义的关系进行分类；(3)依据融合操作的级别进行分类。1、根据融合前后数据的信息含量分类根据数据进行融合操作前后的信息含量，可以将数据融合分为无损失融合和有损失融合两类。（1）无损失融合在无损失融合中，所有的细节信息均被保留，只去除冗余的部分信息。此类融合的常见做法是去除信息中的冗余部分。（2）有损失融合有损失融合通常会省略一些细节信息或降低数据的质量，从而减少需要存储或传输的数据量，以达到节省存储资源或能量资源的目的。在有损失融合中，信息损失的上限是要保留应用所必需的全部信息量。2、根据数据融合与应用层数据语义之问的关系分类数据融合技术可以在传感器网络协议栈的多个层次中实现，既能在MAC协议中实现，也能在路由协议或应用层协议中实现。根据数据融合是否基于应用数据的语义，将数据融合技术分为三类：(1)依赖于应用的数据融合；(2)独立于应用的数据融合；(3)结合以上两种技术的数据融合。3、根据融合操作的级别分类根据对传感器数据的操作级别，可将数据融合技术分为以下三类：（1）数据级融合数据级融合是最底层的融合，操作对象是传感器采集得到的数据，因而是面向数据的融合。（2）特征级融合特征级融合通过一些特征提取手段将数据表示为一系列的特征向量，来反映事物的属性。（3）决策级融合决策级融合根据应用需求进行较高级的决策，是最高级的融合。5.3.3常用数据融合的算法(1)综合平均法该方法是把来自多个传感器的众多数据进行综合平均。它适用于同类传感器检测同一个检测目标。这是最简单、最直观的数据融合方法。该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值。如果对一个检测目标进行了k次检测，则综合平均的结果为：其中，Wi为分配给第i次检测的权重。11kiiikiiWSSW(2)卡尔曼滤波法卡尔曼滤波法用于融合低层的实时动态多传感器冗余数据。该方法利用测量模型的统计特性，递推地确定融合数据的估计，且该估计在统计意义下是最优的。如果系统可以用一个线性模型描述，且系统与传感器的误差均符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一的统计意义下的最优估计。例如，应用卡尔曼滤波器对n个传感器的测量数据进行融合后，既可以获得系统的当前状态估计，又可以预报系统的未来状态。所估计的系统状态可能表示移动机器人的当前位置、目标的位置和速度、从传感器数据中抽取的特征或实际测量值本身。(3)贝叶斯估计法贝叶斯估计是：融合静态环境中多传感器低层信息的常用方法。它使传感器信息依据概率原则进行组合，测量不确定性以条件概率表示。当传感器组的观测坐标一致时，可以用直接法对传感器测量数据进行融合。在大多数情况下，传感器是从不同的坐标系对同一环境物体进行描述，这时传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。多贝叶斯估计把每个传感器作为一个贝叶斯估计，将各单独物体的关联概率分布组合成一个联合后验概率分布函数，通过使联合分布函数的似然函数最小，可以得到多传感器信息的最终融合值。(4)D-S证据推理法D-S（Dempster-Shafter）证据推理法是目前数据融合技术中比较常用的一种方法。这种方法是贝叶斯方法的扩展，因为贝叶斯方法必须给出先验概率，证据理论则能够处理这种由不知道引起的不确定性，通常用来对目标的位置、存在与否进行推断。(5)统计决策理论与多贝叶斯估计不同，统计决策理论中的不确定性为可加噪声，从而不确定性的适应范围更广。不同传感器观测到的数据必须经过一个鲁棒综合测试，以检验它的一致性，经过一致性检验的数据用鲁棒极值决策规则进行融合处理。(8)神经网络方法神经网络方法是模拟人类大脑行为而产生的一种信息处理技术，它采用大量以一定方式相互连接和相互作用的简单处理单元（即神经元）来处理信息。神经网络方法实现数据融合的过程如下：①用选定的N个传感器检测系统状态；②采集N个传感器的测量信号并进行预处理；③对预处理后的N个传感器信号进行特征选择；④对特征信号进行归一化处理，为神经网络的输入提供标准形式；⑤将归一化的特征信息与已知的系统状态信息作为训练样本，送神经网络进行训练，直到满足要求为止。将训练好的网络作为已知网络，只要将归一化的多传感器特征信息作为输入送入该网络，则网络输出就是被测系统的状态结果。归一化是一种无量纲处理手段，使物理系统数值的绝对值变成某种相对值关系。简化计算，缩小量值的有效办法。5.3.5WSN数据融合算法实现分布式数据库技术被应用于传感器网络的数据收集过程，应用层接口可以采用类似“结构化查询语言”(SQL)的风格。在传感器网络应用中，SQL融合操作一般包括5个基本操作符：COUNT，MIN，MAX，SUM和AVERAGE。与传统数据库的SQL应用类似，COUNT用于计算一个集中元素的个数；MIN和MAX分别计算最小值和最大值；SUM计算所有数值的和；AVERAGE用于计算所有数值的平均数。根据类SQL语言进行网内处理的示例②①(604,24)房间604③(604,24)(604,23)⑤(602,22)⑥(602,23)房间602⑦(603,27)房间603⑧(603,26)⑨(601,26)⑩(601,25)11(601,24)节点7：GroupMaxTemp6012660327节点8：GroupMaxTemp6012660326节点9：GroupMaxTemp60126房间6015.4能量管理5.4.1能量管理的意义在无线网络通信中，能量消耗E与通信距离d存在关系：E=kdn，其中k为常量，2≤n≤4。由于无线传感器网络的节点体积小，发送端和接收端都贴近地面，干扰较大，障碍物较多，所以n通常接近于4，即通信能耗与距离的四次方成正比。从上述的关系式反映出，随着通信距离的增加，能耗急剧增加。通常为了降低能耗，应尽量减小单跳通信距离。简单地说，多个短距离跳的数据传输比一个长跳的传输能耗会低些。因此，在传感器网络中要减少单跳通信距离，尽量使用多跳短距离的无线通信方式。传感器节点通常由四个部分组成：处理器单元、无线传输单元、传感器单元和电源管理单元。其中传感器单元能耗与应用特征相关，采样周期越短、采样精度越高，则传感器单元的能耗越大。由于传感器单元的能耗要比处理器单元和无线传输单元的能耗低得多，几乎可以忽略，因此通常只讨论处理器单元和无线传输单元的能耗问题。电源管理单元传感器单元处理器单元无线传输单元(1)处理器单元能耗;(2)无线传输能耗。5.4.2电源节能方法目前人们采用的节能策略主要有休眠机制、数据融合等，它们应用在计算单元和通信单元的各个环节。1、休眠机制休眠机制的主要思想是，当节点周围没有感兴趣的事件发生时，计算与通信单元处于空闲状态，把这些组件关掉或调到更低能耗的状态，即休眠状态。（1）硬件支持现有的无线收发器也支持休眠，而且可以通过唤醒装置唤醒休眠中的节点，从而实现在全负载周期运行时的低能耗。无线收发器有四种操作模式：发送、接收、空闲和休眠。表4-1给出了一种无线收发器的能耗都很大，空闲状态的能耗接近于接收状态能耗情况，除了休眠状态外，其他三种状态的，所以如果传感器节点不再收发数据时，最好把无线收发器关掉或进入休眠状态以降低能耗。无线收发器状态能耗/mW发送14.88接收12.50空闲12.36睡眠0.016表4-1无线收发器各个状态的能耗(2)采用休眠机制的网络协议通常无线传感器网络的MAC协议都采用休眠机制，例如S-MAC协议。在S-MAC协议中，在数据发送时，如果结点既不是数据的发送者，也不是数据的接收者，就转入休眠状态，在醒来后有