distributed adaptation methods for wireless sensor networks

《distributed adaptation methods for wireless sensor networks》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

DistributedAdaptationMethodsforWirelessSensorNetworks无线传感器的分布式自适应方法 摘要文章描述了分布式自适应技术在无线传感器网络中的应用。按应用例子，我们考虑在市区地形通过无线传感器网络的数据路由。所有的方法以一下的形式出现：1、执行全局的自适应而只使用当地可用的信息。2、有强大的随机组件3、同时使用正负反馈来控制他们自己。我们的分析方法的适应能力，对内部错误鲁棒性，和功率消耗。给出与的标准的无线传感器网络技术对照。 1.INTRODUCTION本文我们描述了四种分布式自适应方法在特定的城市地形军事行动(MOUT)无线传感器网络中的应用。市区情况有挑战性的，因为无线通信的阻塞可能引起两点之间的最短路径不是一条直线。MOUT使命无序的特性意味着路径是不可靠的。只有短暂的路径可能存在。尽管如此，及时的通信是必须的。我们的方法是使用当地的决策去适应下层固定的改变。我们所分析的四个方法是：{i)SpinGlass,{ii)Multi-fractal,多重分形(iii)Coulombic,库仑定律and(iv)Pheromone信息素。 A.WirelessSensorNetwork(WSN)DefinitionB.WSNApplicationsC.WSNReguirements II.SPINGLASSTheSpinGlass方法使用Isling的模型。本地互相作用的磁铁产生了一个肉眼可观的磁场。磁场强度依靠于力学因素。当任一磁铁点相互取消了，肉眼可观的磁场就不存在了，磁铁可以对齐在像铁创造一个感知磁场中。在adhoc传感器网络中，我们采用相同的概念来发送数据。 我们的仿真使用一个两维的MOUT情景，如图1。每个单元是一个微型的磁铁，指向八个主要方向的一个，她的下一个方向是到数据接收器的。通过从数据接收器的数据繁殖（hopbyhop），一个势能场建立了，定义从每一个节点到数据接收器的最小的跳跃数目。存在一个或者多个接收器.单元尝试找出到最近数据接收器的最优路径。连接失败将修正本地潜在的场。在出错的地方，这些改变将开始扩散到系统。一些扰动是很小的，如果连接服务是一个关键的路由端，那么微小的错误就足以改变系统的状态。 节点的旋转方向（数据路由）是混合了势能场和动力学因素的。它遵循麦克斯韦-玻尔兹曼分布：不一一列举分母所有可能的参数，只有8个可能的本地参数（8个主要方向）用的上。这减少了需要的计算和删除了需要的全局信息。 如果一个单元是指向相邻节点的，E(s)表示s的可能值减去单元可能值。K是-玻尔兹曼常数，T是温度。当温度高的时候，单元有相同的概率指向任一个方向，而不管其相邻节点的势能。当温度低时，单元更倾向于指向势能低的相邻节点。如果温度等于低于冰点，系统处于刚性状态，不再对环境作出反应。T是重要的，因为最短路径不是唯一的重要因素。较高的T可以降低数据通过较长的路径的阻塞点的功率消耗。较低的T可以保护系统减少振动。在每一个基本区域，T可以是具体，这就允许系统控制的灵活性。 为了量化系统的自适应性，我们测量了每一个节点到数据接收器的平均距离。图2显示高温系统，低温系统和拓扑的扰动在阶跃时间的平均距离，拓扑扰动是和图1所示的开放或关闭的阻塞点有关的。T小的时候，系统聚合的很好，T高的时候则相反。在许多变动发生之后，拓扑扰动是可以调节的。 图3显示了系统的功率消耗。这预示了系统的可测量性。我们的分析只考虑通信开销。为了量化总的功率消耗，我们计算了消息发送的总数和他们的大小。，图3显示了有和没有拓扑扰动时的通信消耗。 IIIMULTI-FRACTAL在八十年代初期，威滕和桑德介绍了多重分形晶体生长模型。对比外部晶体，当固化条件满足的时候，气体或者液体的粒子开始固化。因为表面的张力和潜在热量的扩散，晶体的生长是向就近的粒子向内生长的。 InMulti-fractalrouting，数据接收器是外部晶体。一个路由树是从这些晶体建立起来的。这个树本质上是空间填充图表（space-fillingcurve），基于相邻树节点的数目，得到一个连接路由树概率集合。与向内集合原理相似，随着相邻树单元的增加，单元节点就更少可能连接到这个树。该概率详细说明路由树增长率和结构。，当拓扑的扰动发生，连接失败将繁殖到树下，以删除不可用的路由表入口。图4显示有和没有拓扑扰动的情况下，阶跃时间的平均跳跃距离(asfortheSpinGlassmodelinfig2.)图5显示了有和没有扰动时的功率消耗。 IV.COULOMBICMODEL（库伦定律模型）库伦定律模型是一个预处理步骤，和第五节讨论的信息素方法使用。目的是使得数据源均匀的分布在整个网络中。数据包能从他们最近的节点中找到数据源。那时将用到信息素路由以保持数据源和接收器之间的高效路由库伦定律模型大概地基于粒子电荷的相互作用。库伦定律：F是粒子间的引力，q1q2是粒子1、2的电荷，S0是电容率常数。D是距离。 我们利用库伦定律的两个特性，1、引力和距离间的关系2、粒子间相互作用是完全独立的。这就允许该方法独立的依靠当地信息和点对点的相互作用。数据源是具有相同电量和有极性的粒子。传感器节点称之为自由单元，引力可以通过它来传递。由于我们尝试均匀的分布数据源，他仅是需要一个极性。 具有很好分布的数据源分布的全局行为来自于本地节点行为。数据源通过他们的相邻节点传递引力。相邻节点依次把他们的引力按百分比传递当他们的相邻节点等。基本遵循粒子引力和距离之间反指数的关系。系统没有记忆，允许点对点的独立依靠本地信息的行为。对于库仑定律模型，我们测量了从他们最近的数据源到自由单元（freecells）的平均距离。 为了调整库仑定律模型聚合到稳定状态所需要的时间引入电荷减少参数。与数据源相关的电荷随着时间的推移而减少。稳定状态可以用一下方程预测：N是通过模型generations的数目,Ts是停止开始参数，CDR是电荷减少率。 电荷减少率参数控制怎样消息数量快速的发送出去，达到一个稳定状态的行为。图7显示了功率消耗和电荷减少率的关系。图8显示怎样改变这些参数来影响数据源的分布。注意到CDR约为0.04时，有好的性能和低的功率消耗。 V.PHEROMONE信息素使用的信息素模型是基于蚂蚁怎样寻找食物和文献[4]中相关方法。.数据源（接收器）是蚁巢（食物），消息是蚂蚁。蚁群尝试从巢穴和食物源之间寻找路径。他们释放出两种信息素：1、当他们寻找食物时探寻信息素2、当他们寻找到食物和回巢时返回信息素。蚁群同时也走任意路径，但是他们同时也寻找他们当前释放的相反的信息素。蚁群寻找食物是倾向于追寻返回的信息素最集中的地方。蚁群寻找巢穴是倾向于追寻搜寻的信息素最集中的地方。这是一个模拟的概率分布，每一个蚂蚁更倾向于跟着信息素的梯度移动。 我们的情况是更多类似的一个开放的领域。初步实施注意到一个问题，蚁群movingtwo，从数据接收器，将形成一个循环。为了抵消这一点，我们引起蚁群受到它们所散发的信息素的排斥。设置一个参数以表示排斥和吸引相关强度，强迫蚁群停留在一个地方和解决这问题。为了评估这个算法，蚁群需要围绕着其巢穴到食物源一周的步数总数。图9描述了与此相对的排斥率。接近80％的比率最优。 VI.PROTOCOLCOMPARISONANDDISCUSSION协议对照和讨论自旋玻璃SpinGlass和多分形模型Multi-fractal，是与该表驱动路由协议相关，通过从每一个单元到数据接收器建立路径。这些协议保证这些数据不需要每次都搜索路径而能按要求及时的发送数据。蚁群信息素AntPheromone协议模型与数据包驱动协议相关.蚁群是可观察的，因为数据包是从数据源到数据接收器的。我们描述的所有模型都是分散的，只使用每个节点的本地信息。它们有效的适应拓扑扰动。相比多数协议，（SpinGlassandMulti-fractal）存储要求低，然而蚁群信息素（AntPheromone）的要求比起这两个更低了。 在SpinGlassmodel的动力学因素和蚁群信息素模型的蚂蚁产生频率，使得系统在不同条件下控制路由行为有相当的灵活性。自旋玻璃SpinGlass模型路由维护的开销是中度高的Multi-fractal方法，作为一个概率空间填充曲线，有很少的计算和通信负荷，开销是发现路由储存和维护。这是在到更远距离的数据接收器的消耗了。信息素的路由维护开销很低，因为，每条路径有关的节点数减少了。由于Multi-fractal尝试用尽可能少的传感器覆盖整个传感器区域，稀疏的路由树消耗很少的能源。使用Multi-fractal模型还没找到到数据接收器的最短路径。 另一方面，对于内部错误SpinGlass模型是更敏感的，因为任何可能的错误都有可能扩散到整个网络。对于内部错误，Multi-fractalandAntPheromone是非常有抵抗力的。比起另外的两种自适应方法，AntPheromonealgorithm聚合到一个稳定的状态所需的时间更长。对于要求短的数据路径，SpinGlass更合适。对于要求快速反应部署的应用，Multi-fractal更适合。如果错误的应变能力和低开销是要求的原则，蚂蚁信息素的模型是适当的。混合方法或不同方法之间切换，在不同阶段可能是有益的。 VII.CONCLUSION我们工作的目的是为adhocWSNs开发自适应的网络方法。我们分析算法是基于资源消耗，容错率，需要的节点，算法参数的灵敏度和状态放生改变的关键点。另外，我们继续对系统自适应的分析。正在考虑一个统一的抽象来包含这些方法的一个子集。那么就有可能从本地行为分析来维持要得到的整个系统特性。