基于ARMA流量预测的WSN非均匀分簇双簇头选择算法

第7卷 第3期2010年6月铁道科学与工程学报J OURNAL OF RA I LWAY SC I ENCE AND ENG I NEER I NGVo l 7 No 3June2010基于AR MA流量预测的WSN非均匀分簇双簇头选择算法李 飞,樊晓平,刘少强,陈志杰(中南大学信息科学与工程学院,湖南长沙410075)摘 要:在无线传感器网络中引入双簇头机制可以用副簇头承担数据转发任务,能有效地分担主簇头的负载。

但由于簇与簇的中继不同,转发簇头在不同时刻承担的转发任务不同,为此,有针对性地提出一种基于ARM A流量预测的W SN非均匀分簇双簇头选择算法,即AUDC算法,主簇头利用预测机制,根据簇内节点剩余能量选择副簇头。

研究结果表明:采用该算法有效地延长了网络的生存周期,实现了网络的负载均衡。

关键词:无线传感器网络;双簇头;流量预测中图分类号:TP393 文献标志码:A 文章编号:1672-7029(2010)03-0124-05The algorith m of choosing t he uneven clustering double clusterheads inW S N based on AR MA traffic predictionL I Fe,i FAN X iao p i n g,L IU Shao qiang,C H EN Zh i jie(S chool of In for m ation S ci en ce and E ngi neeri ng,C entral South U nivers it y,Changs h a410075,Ch i na)Abst ract:I n w ireless sensor net w ork,there is an effecti v e l y a l g orithm called double cl u ster heads m echan is m w hich can share the burden ofm a i n cluster by usi n g v ice-c l u ster to take on t h e data s w itching.Because d iffer ent c l u sters have d ifferent relays and trans m itti n g tasks,ai m ed at t h e prob le m,the a l g orithm o f choosi n g the une ven clusteri n g double cl u ster heads inW SN based on AR MA tra ffic pred iction w as proposed.Itm eans t h atm ai n cluster can rep lace the v ice-c l u ster by usi n g forecasting m echanis m according to residua energy of the nodes. The resu lt sho w s t h at the ne w a l g orithm can pr o long t h e net w ork lifecyc le effective ly and ach ieve the load ba lan cing i n the net w o r k.K ey w ords:w ire l e ss sensor net w ork;doub le cluster heads;tra ffi c pred iction随着微电子技术、嵌入式技术、通信技术和传感器技术的飞速发展,无线传感器网络(W SN)已引起社会极大的关注。

随着无线传感器网络的深人研究和广泛应用,无线传感器网络将逐渐深入到人类生活的各个领域[1],例如国防军事、国家安全、环境监测、交通管理、医疗卫生、制造业、反恐抗灾等领域,由于传感器节点往往随机部署在恶劣的环境中,采用电池供电,且不能再次充电,能量消耗成为传感器网络正常运用的一大瓶颈。

一个合理有效的路由协议,可以很好地节省传感器节点的能量消耗,而分层路由协议研究也成为当前研究的热点之一。

这类协议的主要是通过分簇来实现的,选择簇头[2-3]成为分簇协议的基础,将全网无线传感器节点分成若干个簇,簇内普通节点负责采集用户感兴趣信息,并将数据传递给簇头,簇头节点将数据进行数据融合后发送给基站节点。

这样,普通节点只需要负责数据收集,聚合及转发任务由簇头节点承担。

分簇路由协议的优点主要有:(1)由于数据的转发均由簇头承担,极大地减少了W SN节点的通信能耗,且能量消耗均匀,有效延长了网络寿命。

(2)网络扩展能力强,鲁棒性能优越,能够适*收稿日期:2010-04-08基金项目:国家自然科学基金资助项目(60870010;60776834)作者简介:李 飞(1984-),男,江苏徐州人,硕士研究生,从事信息与通信工程的研究第3期李 飞,等:基于ARM A流量预测的W S N非均匀分簇双簇头选择算法应W SN节点拓扑变化。

(3)管理作用明显。

簇头发送数据包进行簇内能量、故障、通信量等物理因素的管理,同时及时向基站进行通信,确保整个网络的正常工作。

对于W SN的分簇路由,虽然有诸多方面优于平面路由的性能,但是,对于分簇算法中的簇头不仅要承担簇内数据转发任务,又要进行簇间或与基站间的数据转发工作。

容易造成簇头能量消耗过快死亡,从而造成网络生存周期缩短。

为减轻簇头的工作负载,可在簇内选择1个副簇头,负责簇间的数据转发,即引入双簇头概念。

在初始阶段,利用LE AC H[4]算法确定主簇头,利用C UDC[5]算法确定副簇头后,如何有效地更换副簇头是本文研究的重点。

由于簇与簇之间的中继不同,在不同时刻所承担的转发任务也可能不同,故每个簇内副簇头的能量消耗不一样,这就要求簇内对副簇头进行更换的频率不同,否则容易造成网络能量分配不均衡,部分簇内副簇头过早死亡。

本文作者根据AR MA流量预测研究非均匀分布双簇头选择问题,提出了新的簇头选择算法,通过与LEAC H算法、M LEAC H算法[6]、HEED[7]算法以及C UDC算法进行仿真比较,发现该算法可有效延长网络的生存周期,均衡能量分配。

1 分簇算法1.1 簇头的选择对于LE AC H算法,在簇建立启动的阶段,规定每个节点均产生一个介于1到0的随机数值,若该数值小于阀值T(n),则该节点成为簇头。

随着当选簇头的节点数的增加,没有当选簇头的节点所产生的随机数越小,其当选为簇头的概率增加,直到T(n)=1的节点,必然成为簇头。

节点当选为簇头后,便在网内进行广播,告知其当选的消息,节点选择广播信号强度大的簇头节点加入,随后簇头节点利用TDMA策略分配通道,节点根据分配的通道,选择不同的时间进行数据传输。

簇内普通节点采集信息,传递给簇头后,簇头进行数据融合,然后,传递给基站节点,在接收请求加入节点的成员数据包以及成员节点等待分配机制的过程中,簇头节点和普通节点均有打开接收器的时刻,之后数据传递进行一段时间后,进入新的一轮分簇过程。

熊科等[5]充分利用了LEAC H算法的思想,非均匀分布簇头的产生式通过W SN中不同区域改变p值来产生,对此,采用LEACH算法产生簇头,再根据节点和基站距离的远近,产生非均匀分布的副簇头。

对于通信方式,簇间采用多跳,簇内采用单跳。

簇内节点负责收集数据,主簇首负责融合融合,并转发给副簇头,副簇头负责转发本簇内以及外层簇传输过来的数据,直至基站。

具体来讲,主要是利用LEACE算法思想随机选择主簇头把传感器网络分成距离基站节点不同的区域,设置了n为区域的序号,表示节点离基站的距离。

n越小,则所属区域的节点承担的转发任务就越重,其能耗越大越容易死亡,通过研究发现,为了使得离基站相对近的区域中簇头的分布密度相对大,各区域内产生转发簇头的概率设定为p= 1/n3能够达到最优。

因此,综合考虑节点的剩余能量,可以得出产生副簇头的闭值为:T R=E residualE max1n(1)算法中主簇头节点将簇头选举阶段产生的随机数a与T R进行比较,若a<T R,则从簇内挑选出E residu al最大的节点作为转发簇间数据的副簇头。

1.2 簇的形成簇成员节点收到簇头广播信息后,根据接收到信号的强弱来选择加入簇,并通过基于通道竞争的CSMA协议来向簇头发送请求信息。

在这一期间,所有的簇头节点都必须处于启动状态。

簇头接收到节点的加入请求后,为每一个成员节点分配1个TDMA时序表。

簇成员节点在向簇头发送请求信息时,同步发送1个数据包,包含了节点的位置信息和剩余能量信息。

主簇头启动侦听功能,用来侦听副簇头转发数据的流量情况。

1.3 簇的重构成簇后,主簇头通过向基站查询,建立优次路径,开始传输数据。

通过设置参数P T,基站根据参数进行分簇判定,在簇转入静默发送P T前,判断是否启动误差修正机制,防止基站因预测失误而错误判定。

然后周期性的进行分簇。

分簇周期较CUDC 算法可以更长。

2 ARM A流量预测模型W SN中的数据流量相对比较规律和稳定,利用ARMA(Au to regresssive-m ov ing av erge)流量预测模型[8-10]可以有效地分析算法中的序列,及时预测信息流量,为接下来进行的路由协议维护提供操作平台。

ARMA流量预测模型中包含自回归(AR)和滑动平均(MA)部分,综合了二者的作用功能,属于自回归滑动平均模型,其表达式如下:z t- 1z t-1-- p z t-p=a t- 1a t-1-- q a q-1可以记为ARMA(p,q)模型,p为自回归部分的阶数,q为滑动平均部分的阶数。

设数据流量序列为X0,X1,,X n,通过计算其自相关函数和偏相关函数,判断其是否为ARMA序列。

接着根据A I C125铁道科学与工程学报2010年6月准则函数和近似似然函数,即:AIC =2k -2L (^ )L ^ =-n 2lg2!-n 2lg ^∀2-S ^2^∀2∀2=1nS ^ = ,^ T= 1, 2, , p , 1, 2, , q推出相关模型后采用ARMA (2,1)[11-12]进行预测,即:(B )X i = (B )a i(B )=1- 1B - 2B2(B )=1- 1B式中:B 为后移算子; 1, 2, 1和∀a 2(白噪声方差)为估计参数;a i 为白噪声。

可以得出ARMA 拟合模型为:X t =^ 1X t-1+^ 2X t-2+a t -^ a t-1利用逆函数法做更近一步的预测,若ARMA 的逆函数记为I 1,I 2, ,I n ,则:I 1=^ 1-^ 1I 2=^ 2-I 1^ 2I 3=I j ^ 1 (j >3)则一步预测模型为X t (1)=!mj=1I j X t+1-j其中:m 为流量X t 之前的m 次观测值,可以根据预测精度的要求进行取值。