关键字 |
| 无线传感器网络、电力消耗、数据压缩,节省能源。 |
介绍 |
| 无线传感器网络(网络)近年来获得了全世界的关注,特别是随着微机电系统(MEMS)技术,促进了智能传感器的发展[1]。 |
| 网络服务的能力,许多主要应用在包括军事目标跟踪和调查情况下,自然灾害救灾、生物医学健康监测和危险环境勘探和地震感应。无线传感器网络包含许多传感器节点被组织在一个地理区域等观察物理现象的温度、湿度、振动、地震等等。微型传感器节点设备包含三个重要成分:传感子系统对数据获取即从物理环境数据采集,数据处理子系统进行处理和存储,传输和通信子系统的数据。它还包含与这些子系统电源供应能源设备和电池能量不足的预算工作。因此,它很不方便充电电池,当他们被组织在一个无法实现的环境。传感器节点小,有限的处理和计算资源,因此他们应该服务的长寿命的要求应用程序[2]。 |
| 在WSN及其组件的传感器节点如电源、处理和数据存储内存小尺寸来完成自己的需求。大量的传感器节点位于特定位置变得很难访问和不可行执行维护操作,如改变电池。这使得传感器节点资源受限。他们限制电源、通信带宽、处理速度和内存空间。因此引发了许多研究工作和研究,特别专注于有限的传感器资源的最大化利用。 |
| 传感器节点由四个主要部分组成:1)传感子系统都包含一个或多个传感器的数据采集、ii)处理子系统包括微控制器对本地数据处理和内存,iii)广播子系统为无线数据通信,和(四)电源单元[3]。此外,根据特定应用程序的目的也包括组件(比如位置定位的位置跟踪系统,移动器不同的校准等。 |
| 通信子系统具有较高的能源消耗比计算子系统。即使对于传输单一可能消耗更多的能量比处理它。并根据应用程序需求,传感子系统可以作为能源消费的另一个来源,需要减少功耗。因此重要的是要采取一些方法来减少功耗的基于无线传感器网络的体系结构。和这些方法主要包括三个重要技术即责任自行车、数据驱动的方法,和机动性。我们专注于数据驱动的方法。 |
| 因此重要的是要采取一些方法来减少功耗的基于无线传感器网络的体系结构。和这些方法主要包括三个重要技术即责任自行车、数据驱动的方法,和机动性。我们专注于数据驱动的方法。 |
答:数据驱动的方法 |
| 数据驱动的描述的方法减少抽样数据的数量,同时保持传感精度在可接受的范围内[4]。根据问题数据驱动的方法可以进一步分为数据简化方案和节能的数据采集方案,如图2所示。 |
| 数据简化方案集中的不需要的样本,而节能的数据采集主要集中在减少能源利用传感子系统。数据简化可分为不同的技术即)网内处理,b)数据压缩和c)数据的预测。所有这些技术都有一个目标,减少传输的数据量水槽节点[4]。这些都是如下: |
| )网内处理: |
| 网内处理包括处理数据聚合源和目的地之间的中间节点。这样的数据量减少而遍历网络下沉。也取决于特定的应用程序可以使用最合适的网络处理技术。 |
| b)数据压缩: |
| 数据压缩是用来减少由源节点传播的信息或数据。它包括数据生成节点的编码信息和解码在水槽节点。有很多数据压缩算法,适用于无线传感器网络[6]。 |
| c)数据预测: |
| 数据预测包括感知数据的抽象这是一种进化模型相关的数据。模型预测能力的价值感知,传感器节点在一定的误差范围内,存在传感器和下沉。如果精度提高的需要得到满足,查询用户可以解决在水槽的模型不使用确切的数据节点。因此,数据预测有助于减少信息传播的数量也由源节点和通信所需的能量。 |
| 在传感器网络数据压缩 |
| 数据压缩是代表信息的过程紧凑的形式。它包括数据的编码和解码恢复通过压缩数据的水槽。因此压缩算法涉及到的设计把握对产生数据冗余的类型和克服它最合适的策略来表示它的适用性,在最合适的紧凑的形式。 |
| 数据压缩是传感器网络的资源利用率的研究领域。许多研究人员正在寻找最好的方法压缩传感数据。所以,它将有助于减少电力消耗将在每个节点处理和传输数据,在返回将延长传感器网络的寿命,还将需要更少的带宽发送和接收数据。数据压缩是一种有效的方法利用资源有限的网络使用压缩算法压缩数据传输之前,进而可以降低整体功耗。但在许多情况下观察到,它可能会增加能耗由于访问的内存压缩算法的执行。因此优先应用数据压缩传输数据和选择之前的数据压缩算法将执行更少的内存访问,有效减少能源消耗。 |
| c类型的压缩 |
| 压缩的关键目标是减少了网络的能源消耗。正如前面所提到的三个操作主要负责能源消耗在网络传感/采样、计算和通信,那么如果指定任何技术将直接或间接地减少其中一个操作或一个以上的操作和应用程序需求可以被认为是压缩。在网络压缩可以分类如下: |
| 采样压缩(SC):这个过程降低传感/取样操作的数量。同时减少了传感/取样操作网络覆盖和失真损失保持在可接受的范围之内的。 |
| 数据压缩(DC):它是一个变化的过程或将一个输入数据流转换为更少的比特数据流。根据它的重复结构数据由应用编码识别和消除。 |
| 沟通压缩(CC):在这方面,减少传输的数据包数量和招待会即它减少了广播准时收发器的基础上。 |
| 数据压缩的特点 |
| 无损压缩和有损压缩: |
| 在原始数据无损压缩算法的恢复重建通过应用减压,而在有损重建的数据并不完全像原始数据。有损算法会导致信息丢失,但确保高压缩比。 |
| 数据聚合: |
| 对于许多应用程序只需要传感器数据的总结,但重建原始样本值表示总结是不够的。因此聚合网内需要处理的传感器数据,但可以减少通信开销扩展。 |
| 数据的相关性: |
| 传感器节点组织密切彼此,感觉值在不同的节点之间的相关性高,称为空间相关性。由于传感器事件观察以连续的方式,这些连续的离散信号样本显示高度相关,称为时间相关。数据压缩算法提出了这样的相关性有助于提高压缩比 |
| 对称与不对称: |
| 在对称算法,压缩和解压数据的计算复杂度是相同的。然而,在不对称的情况下,压缩和解压数据的复杂性是不同的。轮在低复杂性是首选在压缩节点和高复杂性减压在下沉。 |
| 自适应与非自适应性: |
| 非自适应的压缩,压缩操作和参数是固定的,它适用于静止数据的统计数据不随时间改变。自适应或动态压缩方法包括原始数据统计和修改操作的监控/参数来提高性能,这是适合非平稳数据,但比较复杂 |
相关工作 |
| 答:基于文本的压缩 |
| 许多文本数据压缩算法设计(支持无损压缩。在无损压缩没有信息丢失和数据传输中获得与原来的相同的形式。的一个算法,支持基于字典的无损压缩S-LZW (Sensor-Lempel齐夫韦尔奇)。它的目的是考虑到受欢迎的压缩算法Lempel-Ziv-Welch (LZW)算法。该算法构造一个字典编码的基础上新的字符串之前遇到字符串动态[5]。在Lempel-Ziv-Welch算法,压缩的数据是通过发现共同的子字符串然后少位用来表示它们。未压缩的输入流分别被分成固定大小的块,然后压缩。对于每一个新的块,使用字典的帮助下重新初始化一些代码来表示标准字符集。S-LZW两套256 8位符号即维护原始ASCII字符,包含常见的字符串。认识到形成集一点是附加在每个编码符号和跟踪字符串代表八位序列字典维护。迷你缓存字典用于存储最近的字符串的最大大小2 N N < 8条目。识别的字符串从主字典或mini-cache,额外附加在每个符号的开始。对于不同的最优值N,不同的数据集创建[6]。 |
| 作为传感器节点S-LZW是最合适的,但它没有考虑利用传感器数据特征即感觉到存在的空间和时间相关性的数据。传感器数据被认为是重复在自然界中间隔。由于使用高采样率的设计允许精确捕获的突然变化,传感器数据往往是重复的连续样本。对于这些情况优化利用Mini-cache (SLZW - MC)。需要考虑的最重要的决定而设计mini-cache的大小。S-LZW及其变体视为网络有助于良好的压缩算法在实现很少或零时空数据相关性[7]。 |
| b数据聚合 |
| 数据聚合[8][9]是最简单的网络数据处理技术和通信网络压缩。通过使用数据聚合技术,我们需要选择一个子集的传感器节点收集和引信感应从邻近的节点发送的数据,然后小尺寸的聚合数据传送到水槽里。数据聚合技术是不可恢复的,因为原始数据不能来自聚合数据。 |
| 在WSN是数据聚合的数据传输减少融合(或聚合)感知数据。数据聚合技术通常简单但旨在选择聚合节点,有效地减少整个数据传输在WSN [8]。 |
| 根据网络结构,可以将数据聚合方案如下: |
| )基于树的数据聚合方案——网络组织成一个树结构的数据收集和聚合 |
| b)基于集群的数据聚合方案——集群是由传感器节点进行分组,然后每个集群头聚合中的传感数据集群。 |
| c)连锁酒店忠诚度奖励数据聚合方案——遥感数据是通过每个传感器节点在其最近的邻居节点和链结构是由网络聚合中的传感数据网络。 |
| d),该品牌产品使用了一种基于数据聚合方案ring-sector部门概念集群传感器节点,传感器节点在同一部门将组装到一个集群。 |
基于树的数据聚合方案: |
| 通过联合优化数据聚合和路由树的形成[10]的目标是最大化网络生命周期基于树的数据聚合方案。这些计划的传感器节点组织成一个树结构,进行数据聚合操作在中间节点在树和整个网络的聚合数据将最终发送到根节点(即水槽)。 |
| 图3描述了基于树的数据聚合方案,其中每个传感器节点“我”将生成它的传感数据每个聚合节点“si”和“j”将把数据从子节点的传感数据发送sj的聚合函数。 |
基于集群的数据聚合方案: |
| 在基于集群的数据聚合机制,我们需要第一组传感器节点到集群,然后为每个集群选择簇头聚合其他传感器节点的传感数据发送的其他集群。聚合数据是通过集群头水槽通过远程传输直接或间接通过其他集群种通信。 |
低能量的自适应聚类层次结构(LEACH) [32]: |
| 浸出是一个分布式基于集群的数据聚合方案。它包括设置阶段组织网络成簇,选择簇头,和稳态阶段聚合这些集群。 |
混合动力节能分布式集群(注意)[33]: |
| 这个方案集中于通过构建有效最大化网络寿命集群。这里假设传感器节点可以调整自己的传播权力和选择簇头通过考虑传感器节点剩余能量的组合和他们的联系度。 |
连锁酒店忠诚度奖励数据聚合方案: |
| 传感数据的每个传感器节点传输到最近的邻居,因此网络形成长链连接所有的传感器节点,包括节点链的末尾和剩余的所有传感器节点将成为聚合链节点。 |
低功耗数据采集协议对传感器信息系统(pegasi) [30]: |
| 在这个数据聚合是通过将传感器节点组织成一个线性链。可以形成链采用贪婪算法,假设所有传感器节点应该有全球的知识网络 |
基于数据聚合方案: |
| 语义/空间Correlation-Aware树(SCT)计划是一个基于数据聚合方案认为WSN集中在水槽和一个圆形的半径为R如图6所示[31]。 |
| 网络分为“m”与每个同心圆环相同宽度的Rm有效地收集和聚合传感数据。进一步环分为大小相同的部门,每个部门都包含相同数量的传感器节点。聚合节点选择为每个部门收集和汇总传感行业其他传感器节点发送的数据。通过连接环中的每个聚合节点i上游聚合节点(张)届环最短路径后,聚合树构造和聚合数据是通过聚合节点传输到水槽。 |
c .预测编码 |
| 压缩数据包含数值如图像使用基于上下文的方法很有问题,因此预测编码可以申请这样的数据[11]。水槽在未来预测编码,观察最近的基于统计模型和测量预计使用连续读数之间的固有时间相关单个传感器[7]。 |
| 预测编码可以使用参数模型和非参数模型根据传感器数据的性质。的参数模型是重要的统计知识或数值参数,比如平均值、方差的传感器数据。而对于非参数建模很少需要先验知识对传感器数据和它使用的回归代表传感器数据。大多数现有的预测编码计划[12][13][14][15][16]使用参数化建模的预测模型为每个传感器节点生成在训练阶段和模型的参数传递给水槽。每当新数据到来或模型预测价值和感知价值之间的差异超过一个阈值,那么只有节点传输更新下沉。通过这种方式提供了通信级压缩减少源节点之间的通信和下沉。在图像压缩的情况下,在邻近像素之间存在很强的相关性。预测编码是非常有效的。基于标准的无损图像压缩JPEG-LS CALIC[17]实施采用预测编码。 |
d .分布式编码 |
| 分布式源编码(DSC)是一种网络流行的数据压缩方法。它遵循著名的定理斯莱皮恩和狼证明另无损压缩编码一样有效的联合编码[19]。 |
| 而使用传感器数据的实际价值,优化集中压缩效率可以通过压缩每个传感器的数据在一个分布式的方式只使用数据的统计学知识。[7] |
| 收集和跟踪的相关知识和代码结构是两个主要操作参与实际DSC计划[19]。相关会议和跟踪可以集中式或分布式的方式完成。集中相关的收集和跟踪单个节点如水槽负责收集和跟踪所有网络内的相关性。在分布式的情况下,集群头执行函数的收集和跟踪相关数据的一个子集节点和一个总结与水槽共享[20]。在四个不同的编码方式可以做到:No-Slepian-Wolf方案(NOSW),顺序Slepian-Wolf方案(SEQ) Slepian-Wolf集群(CL)和Slepian-Wolf主从(MS) [21] |
大肠Transform-based编码 |
| Transform-based支持有损压缩和压缩方法是常见的图像和视频信号。将原始数据转换成一组合适的基函数系数(例如小波函数)可以用来重建的信号接收器。在许多情况下恢复一个近似低失真的原始数据,减少了量化和非零系数的数量已经足够使用。熵编码可以进一步应用于系数降低数据率。离散余弦变换(DCT)(例如JPEG中使用DCT)和离散小波变换(DWT)如JPEG2000中使用(例如DWT)广泛应用于图像和视频压缩应用程序。 |
| Transform-driven方法[22][23]强调部署特定的变换。路由和处理策略开发允许网络中计算的变换。 |
Karhunen-Loeve变换(KTL): |
| Karhunen-Loeve变换(KTL)[24]是许多信号处理和通信系统的主要组成部分,通常被用于压缩。 |
| 离散KLT (DKLT)是数据压缩方案基于KLT减少了数据传输网络,可用于分布式方式[24]。使用DKLT需要全球的知识相关的统计数据。nonunidirectional即数据有时可能旅行离水槽被认为是昂贵的通信成本。至于实际网络应用程序的直接实现KLT并不合适。从而解决这个问题一个单向树型KLT (T-KLT)提出了[25]。在这种方法中应用KLT收集的数据在每个节点及其后代。这个褪色或de-correlates数据。的系数变换编码和转发到父节点。在父节点,应用逆KLT恢复原始数据。实现T-KLT每个节点必须知道它的子树的二阶统计,因此这所学习成本与这些数据相关。 As the distributed KLT approach works at sink node, it is not power constraint and thus is potential in saving power consumption. It is used application which have real-time operation because it requires low processing time. |
分布式小波Transform-based解除(DWT-lifting) [26] [27]: |
| 这个方案假设传感器节点和邻居之间的距离短于传感器节点和汇聚节点之间的距离。考虑到这种假设是很重要的,因为传感器节点计算系数需要相互通信。但传感器节点和汇聚节点之间的通信更低。 |
| [26]的工作表明,能源消耗的三个组成部分:计算成本(算法性能),传感器节点之间的通信成本和传感器节点和汇聚节点之间的通信成本。小波系数的计算采用提升方案有两个乘法和四个添加。这个计算成本非常低功耗相比其他组件。因此这个方案实现一个完整的节电。存在限比(信噪比)和程度的数据压缩率取决于它。还节电的程度取决于它。 |
分布式小波Transform-based冷雾(DWT-Harr) [28]: |
| 这个方案是一样DWT-lifting [26] [27]。在这方面,压缩比和节电的程度取决于信噪比退出网络DWT-lifting相似。唯一的区别之间存在DWT-lifting DWT-Harr是它比DWT-lifting提供了更好的性能。 |
| f .压缩传感 |
| DSC的先验知识的精确数据必须是已知的相关性,因此这是一个劣势与DSC相关联。因此其性能取决于特定的假设。而在基于压缩传感压缩技术在网络不依赖于任何特定的先验知识或假设信号[29]。 |
| 压缩传感形成的三个内在效率转换编码:首先,压缩高维信号意味着处理大量样品n。第二,编码器必须计算所有变换系数。最后编码器必须编码大系数的指数。所有这些增加了编码速度,因此每个信号的指数变化。 |
结论 |
| 压缩算法开发的改善提供了网络的利用有限的资源。指定在讨论比较研究中,所有提出的压缩技术根据他们的特点进行了分析,发现提供更好的压缩比,从而节约能源。聚合是最容易应用和部署技术,存在许多变体。但却发现它无法产生原始传感器数据在下沉,从而限制了应用程序。预测编码是非常有用的在减少数据通信,但需要有知识的统计数据,因此在动态环境的情况下,它可以是非常昂贵和复杂。DSC技术提供高压缩比,但它需要数据的相关知识,这是相当昂贵的。考虑到动态的场景环境transformbased方法和压缩传感是有效的。的范围可以探讨这些技术来实现更大的表现主要集中在QoS,网络的可伸缩性、可靠性和安全性问题。因此可以给很多机会在探索新的压缩技术考虑这些问题有效对节能的基础上进而延长网络的生命周期。 |
表乍一看 |
 |
| 表1 |
|
|
数据乍一看 |
|
|
引用 |
- 詹妮弗的活跃,BiswanathMukheerjee DipakGhosal,“无线传感器网络调查”,爱思唯尔,52岁的计算机网络页。2292 - 2330年,2008年。
- Akyildiz, w·苏y Sankarasubramaniam, e . Cayirci“传感器网络”调查,IEEE通讯杂志40(8),104 - 112年,2002页。
- 朱塞佩Anastasi马可•孔蒂马里奥•迪弗朗西斯科·安德里亚主席帕萨雷拉,“节能问题:系统地调查”,IIT, NationalResearch委员会(NRC)。
- RumpaMukherjee Arindom穆克吉,“在不同的调查方法在无线传感器网络节能”,国际先进的计算机研究杂志》(ISSN(打印):2249 - 7277年ISSN(在线):2277 - 7970),第三排名第一的问题3 - 8 - 2013。
- You-Chiun王,“数据压缩技术在无线传感器网络”,普适计算。
- Emad m . Abdelmoghith,侯赛因·t·Mouftah“能源效率的数据挖掘方法在无线传感器网络”,IEEE 24个人thinternational研讨会,室内移动无线电通讯:移动和无线网络,2013年。
- 硕士Razzaque克里斯·爱西蒙•多布森”在无线传感器网络压缩:一项调查和比较评价”,ACMTransactions传感器网络,10卷,1号,第五条,出版日期:2013年11月。
- Rajagopalan, R。Varshney, P。K,“数据聚合技术在传感器网络:一项调查”,IEEE通讯。测量员教程,pp.48 - 63。
- Alzaid, H。Foo, E。,AND Nieto,J.G. 2008,”Secure data aggregation in WSN : A Survey”, In proceedings of the 6th Australian Conference onInformation Security(ACIS’08),Australian Computer Society, Inc. 93-105,2008.
- 蔡美儿和t。s。P百胜,一生“最大化优化路由和数据聚合的基础”,IEEE / ACM反式。网络、16卷,no.4,892 - 903, 2008。
- Sayood, K。,“Introduction to Data Compression”, Second Edition. San Mateo, CA: Morgan Kauffman/Academic Press.
- Despande,。,Guestrin, C.,Madden, S. R.,Hellerstein, J. M., and Hong, W. 2004, “Model- driven data acquisition in sensor networks” , InProceedings of the 13th International Conference on Very Large Databases(VLDB’04). VLDB Endowment, 588–599, 2004.
- 楚,D。,Deshpande, A. ,Hellerstein, J.M.,and Hong,W.2006, “Approximate data collection in sensor networks using probabilistic models” , InProceedings of the 22nd International Conference on Data Engineering(ICDE’06). IEEE Computer Society, 48, 2006.
- 陆,J。,Valois , F., Dohler, M., and Wu, M.-Y, ” Optimized data aggregation in WSNs using adaptive arma” , In Proceedings of the InternationalConference on Sensor Technologies and Applications.,IEEE Computer Society, 115–120,2010.
- Tulone, d·马登,年代。,” PAQ: Time series forecasting for approximate query answering in sensor networks”, In Proceedings of the 3rdEuropean Workshop on Wireless Sensor Networks (EWSN),21–37,2006.
- 肖,j j。,Ribeiro, A., Luo, Z.-Q., and Giannakis, G. ,” Distributed compression-estimation using wireless sensor networks”, IEEE SignalProcess. Mag. 23, Vol.4, pp. 27–41, 2006.
- 吴。X。,and Memon ,N.D (May 1996) ,”CALIC-Context-based Adaptive Lossless Image Coding Scheme “, IEEE Trans. Comm.,1996.
- TossapornSrisooksai、KamolKeamarungsi PoonlapLamsrichan KiyomichiAraki”,实际的无线传感器网络中数据压缩:一项调查”,《网络和计算机应用35(2012),页。37-59,2012年。
- 周,J。佩特,d,“分布式和自适应信号处理方法来减少能源消耗在传感器网络”,。IEEE INFOCOM学报》,页1054 - 1062年,2003年。
- 主要产品,K。,Liang, B. and Li, B. ,”A Distributed framework for correlated data gathering in sensor networks”, IEEE Trans. VehicularTechnology, 57, 1, pp. 578-593,2008.
- 宏,D。和Neuhoff D.L.、“可靠性和效率为实地搜集传感器网络分布式源编码”,。程序在第三国际研讨会在传感器网络的信息处理,ACM, pp。161 - 168年,2004年。
- 瓦格纳,R。崔,H。,and Baraniuk, R., “Distributed Wavelet Transform for Irregular Sensor Network Grids”, In Proceedings of the IEEEStatistical Signal Processing Workshop (SSP), 2005.
- 瓦格纳,R.S Baraniuk, rg哒,年代,约翰逊,D.B. cooper和科恩,”架构的分布式小波分析和处理sensornetworks”,第五届国际研讨会论文集在传感器网络的信息处理,ACM, 243 - 250, 2006。
- Gastpar, M。,Drugotti,P.L. and Vetterli,M., “The distributed Karhunen-LoeveTransform”,.IEEE trans. Inform. Theory 51, 12, pp. 5177-5196,2006.
- 沈,G。,纳S.K AndOrtega,。“自适应分布式网络转换为不规则采样”,在声学学报IEEE InternationalConference,演讲和信号处理(英格尔' 09)。IEEE计算机协会,2225 - 2228年,2009页。
- Ciancio,奥尔特加。,”A distributed wavelet compression algorithm for WSNs using lifting”, IEEE International Conference onAcoustics,Speech,and Signal processing (ICASSP),vol. 4,p.iv 633-6,2004.
- CiancioA,奥尔特加。,“A distributed wavelet compression algorithm for wireless multi-hop sensor networks using lifting”, IEEE InternationalConference on Acoustics,Speech,and Signal Processing (ICASSP),vol. 4,p.iv 825-8,2005.
- 盛,奥尔特加a,“Transform-based分布式数据采集”,IEEE反式。信号处理、58 (7):3802 - 2002。
- d . Donoho压缩传感,IEEE反式。信息理论,52卷,4号,第1306 - 1289页,2006年。
- 美国林赛,c . Raghavendra K.M. Sivalingam,“数据采集算法在传感器网络使用能源指标”,IEEE反式。Paralleland分布式系统,13卷,不。9日,第935 - 924页,2002年。
- 朱、r Vedantham、中华民国公园和r . Sivakumar”一个可扩展的无线传感器网络相关意识到聚合战略,“信息融合,9卷,没有。3、354 - 369年,2008页。
- b Heinzelman,美联社切卓卡山,h·“无线微传感器网络的特定于应用程序的协议体系结构,“IEEE反式。1卷,无线通讯。4页。660 - 670年,2002年。
- o·尤尼斯和s·法米”,注意:混合动力、节能、分布式聚类方法特设传感器网络,“IEEETrans。MobileComputing, 3卷,不。4、366 - 379年,2004页。
|
菜单
