CN104486810A - 基于多维状态的无线传感器网络路由环路预测方法 - Google Patents
基于多维状态的无线传感器网络路由环路预测方法 Download PDFInfo
- Publication number
- CN104486810A CN104486810A CN201510005723.5A CN201510005723A CN104486810A CN 104486810 A CN104486810 A CN 104486810A CN 201510005723 A CN201510005723 A CN 201510005723A CN 104486810 A CN104486810 A CN 104486810A
- Authority
- CN
- China
- Prior art keywords
- sensor network
- wireless sensor
- loop
- route loop
- routing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于多维状态的无线传感器网络路由环路预测方法,用于帮助提高无线传感器网络节点路由性能,提升无线传感器网络的数据吞吐量。该方法挖掘节点的路由状态信息和局部环境信息,例如温湿度信息,利用机器学习方法,完成了路由环路的建模过程。根据局部路由信息和环境状态分析预测路由环路的存在时间,可以优化无线传感器网络的路由策略。该方法和传统方法比,对于路由环路的预测比传统的简单模型更加准确,能够为其他应用提供细粒度的服务。
Description
技术领域
本发明涉及一种基于多维状态的无线传感器网络路由环路预测方法,属于无线自组织网络与传感器网络领域。
背景技术
随着通信技术、传感器技术和嵌入式计算技术的快速发展和日益成熟,具有通信、传感和计算能力的微型传感器节点开始出现,并且被逐渐的应用到生产和生活之中。这种传感器网络能够协调地感知、采集和处理网络覆盖区域内的各种环境或监测对象信息,并发布给需要这些信息的用户。传感器网络将逻辑上的信息世界与真实的物理世界融合在一起,深刻地改变了人与自然的交互方式,可广泛地应用于环境监测、工农业控制、生物医疗、国防军事等诸多领域。
无线传感器网络和环境深入结合,同时也被环境中的一些因素所影响,例如天气的改变,城市的车流和WiFi信号等。这些未知的动态性都会对无线传感器网络的无线链路带入不可估量的影响,从而导致***性能的剧烈波动。
为了适应网络的动态性,动态路由协议在自组织网络中已经被广泛采用。在这类协议中,路由链路周期性的更新,从而保证了全网的路由一致性。因为动态路由协议已经被大规模无线传感器网络广泛采用,那么剧烈波动的***性能是不可被接受的。协议设计师们从小型的实验床上得出的实验经验来指导动态路由协议的设计,但往往忽视了基础的问题,尤其是路由环路存在,很大程度上影响了网络吞吐量,造成大量数据包被丢弃。路由环路又分为两类,一类是短暂的路由环路,这类环路可以避免数据包在原先链路不通畅的情况下,暂时在网络中传递,当有数据出口时,可在牺牲时延的情况下送到汇聚点;还有一类是长时间的路由环路,这类环路往往由于网络孤岛或者程序的错误导致,数据包在这类路由环路中传递毫无意义,需要极力避免,从而减少整个网络的能量开销。
然而,探究路由环路的持续时间是非常有挑战性的。首先,大规模传感网***的部署和数据收集都相对困难,网络管理员很难收集完整的路由决策过程的信息。其次路由决策的影响范围在分布式网络中也很难被估量。再次,由于无线传感器网路自身设备的局限性,往往无法获得精细的数据。所以如果能够获知路由环路的持续时间,即可为节点的路由决策提供帮助,从而大大减少了由于路由切换不合理带来的能量损失。根据局部路由信息和环境状态分析预测路由环路的存在时间,可以优化无线传感器网络的路由策略。本方法即在此范畴内。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种基于多维状态的无线传感器网络路由环路预测方法,用于帮助提高无线传感器网络节点路由性能,提升无线传感器网络的数据吞吐量。
按照本发明提供的技术方案,所述的基于多维状态的无线传感器网络路由环路预测方法包括以下步骤:
1)记录无线传感器网络运行过程中每个环路的持续时间p(t),即当节点从t时刻开始的[t,t+p(t)]时段内,所有发出的数据包都会再次自身传递出去;
2)选取历史属性窗口τ;
3)对于每个节点统计历史属性窗口τ内,即时间间隔[t-τ,t]内所有历史属性,包括:平均时间间隔、无线收发机开启时间占空比、路由环路发生的次数、路由环路的持续时间、所有路由环路时间间隔的方差以及最大的时间间隔和最小的时间间隔、平均信号强度信息、所有数据包信号强度方差以及最大的信号强度和最小的信号强度、环境参数信息;
其中,平均时间间隔=所有相邻数据包的到达时间间隔/所有数据包的数量;
5)将历史属性整理成向量格式<f1,f2,…,fn>,采用基于相关性的属性选择技术,选取相关性最大的m个属性<f′1,f′2,f′3,...,f′m>;
6)根据步骤5选择过后的向量属性集<f′1,f′2,f′3,...,f′m>,通过RuleFit学习算法,得到学习模型F;
7)在实际使用过程中,每个节点统计自己历史属性<f″1,f″2,f″3,...,f″m>,根据学习模型F,得到预测下一个路由环路的持续时间。
所述环境参数信息包括:平均温度、平均湿度、平均光照。
本发明的优点是:该方法挖掘节点的路由状态信息和局部环境信息,例如温湿度信息,利用机器学习方法,完成了路由环路的建模过程。该方法和传统方法比,对于路由环路的预测比传统的简单模型更加准确,能够为其他应用提供细粒度的服务。
具体实施方式
下面结合实施例对本发明作进一步说明。
对于路由环路持续时间的建模,主要是预测路由环路从开始存在到环路解开的持续时间。本方法预测的目标为即当节点从t时刻开始的[t,t+p(t)]时段内,所有发出的数据包,都会再次自身传递出去。
对于路由环路进行预测,基于现有掌握的历史(时间间隔[t-τ,t])到达的数据包的统计信息和环境信息。主要包括如下历史属性:
1)时间维度的信息(在时间间隔[t-τ,t]):
a.路由环路发生的次数;
b.无线收发机开启时间占空比;
c.路由环路的持续时间。
2)空间维度的信息:
a.平均信号强度(RSSI)信息;
b.信号强度方差。
3)环境信息:
a.平均温度;
b.平均湿度;
c.平均光照。
由于所有这些统计信息,单独每一项和需要预测路由环路持续时间都不具备强关联。本方法采用RuleFit学习方法作为机器学习方法,RuleFit通过对测试数据集采样,训练出多个规则为基础的弱分类器,再通过投票的方式,将弱分类的结果整合在一起,不仅可以满足线性关系的数据求解,对非线性关系也可以达到满意的精度。
由于考虑到传感器的处理能力一般较弱,无法记录长时间的历史数据,也很难进行复杂的统计信息提取。所以需要对相关历史属性进行精简。本方法采用了基于相关性的属性选择技术(Correlation Based Feature Selection),首先对所有的历史属性进行排序,找出最相关的m(m一般选取5-10个)个属性作为学习对象,这样的操作,大大减少了计算复杂度,也节约了传感器能量。
具体的基于多维状态的无线传感器网络路由环路预测方法实施如下:
1、记录网络运行过程中每个环路的持续时间p(t),即当节点从t时刻开始的[t,t+p(t)]时段内,所有发出的数据包,都会再次自身传递出去;
2、选取历史属性窗口τ;τ的选取会影响P(t)的预测精度;
3、对于每个节点统计历史属性窗口τ内所有历史属性;
3.1、平均时间间隔=所有相邻包的到达时间间隔/所有包的数量;
3.2、无线收发机开启时间占空比=无线收发机开启时间/τ;
3.3、统计路由环路发生的次数;
3.4、路由环路的持续时间;
3.5、统计所有路由环路时间间隔的方差;
3.6、统计最大的时间间隔;
3.7、统计最小的时间间隔;
3.8、平均信号强度(RSSI)信息=所有包的信号强度和/收到包的数量;
3.9、统计所有包信号强度方差;
3.10、统计最大的信号强度;
3.11、统计最小的信号强度;
3.12、统计平均温度;
3.13、统计平均湿度;
3.14、统计平均光照;
4、历史属性整理成向量格式<f1,f2,…,fn>,采用基于相关性的属性选择技术(CFS),选取相关性最大的m个属性<f′1,f′2,f′3,...,f′m>;
5、根据CFS选择过后的向量属性集,通过RuleFit学习算法,得到学习模型F;
6、在实际使用过程中,每个节点统计自己历史属性<f″1,f″2,f″3,...,f″m>,根据学习模型F,得到预测下一个路由环路的持续时间。
至此,节点的路由环路持续时间可以通过基于学习的统计模型得到。所以本方法可以基于统计信息判断出网络中的路由环路出现的时间和持续时间,从而为路由决策提供帮助。
Claims (4)
1.基于多维状态的无线传感器网络路由环路预测方法,其特征是,包括以下步骤:
1)记录无线传感器网络运行过程中每个环路的持续时间p(t),即当节点从t时刻开始的[t,t+p(t)]时段内,所有发出的数据包都会再次自身传递出去;
2)选取历史属性窗口τ;
3)对于每个节点统计历史属性窗口τ内,即时间间隔[t-τ,t]内所有历史属性,包括:平均时间间隔、无线收发机开启时间占空比、路由环路发生的次数、路由环路的持续时间、所有路由环路时间间隔的方差以及最大的时间间隔和最小的时间间隔、平均信号强度信息、所有数据包信号强度方差以及最大的信号强度和最小的信号强度、环境参数信息;
其中,平均时间间隔=所有相邻数据包的到达时间间隔/所有数据包的数量;
4)将上述历史属性整理成向量格式<f1,f2,…,fn>,采用基于相关性的属性选择技术,选取相关性最大的m个属性<f′1,f′2,f′3,…,f′m>;
5)根据步骤5选择过后的向量属性集<f′1,f′2,f′3,…,f′m>,通过RuleFit学习算法,得到学习模型F;
6)在实际使用过程中,每个节点统计自己历史属性<f″1,f″2,f″3,…,f″m>,根据学习模型F,得到预测下一个路由环路的持续时间。
2.如权利要求1所述的基于多维状态的无线传感器网络路由环路预测方法,其特征是,步骤3所述环境参数信息包括:平均温度、平均湿度、平均光照。
3.如权利要求1所述的基于多维状态的无线传感器网络路由环路预测方法,其特征是,步骤3所述无线收发机开启时间占空比=无线收发机开启时间/τ。
4.如权利要求1所述的基于多维状态的无线传感器网络路由环路预测方法,其特征是,步骤3所述平均信号强度信息=所有数据包的信号强度和/收到数据包的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510005723.5A CN104486810A (zh) | 2015-01-06 | 2015-01-06 | 基于多维状态的无线传感器网络路由环路预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510005723.5A CN104486810A (zh) | 2015-01-06 | 2015-01-06 | 基于多维状态的无线传感器网络路由环路预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104486810A true CN104486810A (zh) | 2015-04-01 |
Family
ID=52761299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510005723.5A Pending CN104486810A (zh) | 2015-01-06 | 2015-01-06 | 基于多维状态的无线传感器网络路由环路预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104486810A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109039884A (zh) * | 2017-06-12 | 2018-12-18 | 瞻博网络公司 | 使用机器学习的网络路径预测和选择 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101394352A (zh) * | 2008-10-31 | 2009-03-25 | 华南理工大学 | 基于环路分群的单向无线自组织网络路由方法 |
CN101635918A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 分层洋葱环路由方法 |
WO2010047024A1 (ja) * | 2008-10-23 | 2010-04-29 | 日本電気株式会社 | ネットワーク通信システム、ノード装置、ルーティング方法、および、ルーティングプログラム |
CN102065005A (zh) * | 2010-11-16 | 2011-05-18 | 杭州初灵信息技术股份有限公司 | 一种实现逆反双向2m环共享以太网功能的方法 |
CN102843757A (zh) * | 2012-08-06 | 2012-12-26 | 上海交通大学 | 无线传感器网络环境监测中基于压缩传感的数据收集方法 |
CN103152749A (zh) * | 2013-02-17 | 2013-06-12 | 无锡儒安科技有限公司 | 基于无线传感器网络流量统计的节点动态节能方法 |
CN104247475A (zh) * | 2012-04-23 | 2014-12-24 | 高通股份有限公司 | 改善用于对等模式通信的rf发现 |
-
2015
- 2015-01-06 CN CN201510005723.5A patent/CN104486810A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010047024A1 (ja) * | 2008-10-23 | 2010-04-29 | 日本電気株式会社 | ネットワーク通信システム、ノード装置、ルーティング方法、および、ルーティングプログラム |
CN101394352A (zh) * | 2008-10-31 | 2009-03-25 | 华南理工大学 | 基于环路分群的单向无线自组织网络路由方法 |
CN101635918A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 分层洋葱环路由方法 |
CN102065005A (zh) * | 2010-11-16 | 2011-05-18 | 杭州初灵信息技术股份有限公司 | 一种实现逆反双向2m环共享以太网功能的方法 |
CN104247475A (zh) * | 2012-04-23 | 2014-12-24 | 高通股份有限公司 | 改善用于对等模式通信的rf发现 |
CN102843757A (zh) * | 2012-08-06 | 2012-12-26 | 上海交通大学 | 无线传感器网络环境监测中基于压缩传感的数据收集方法 |
CN103152749A (zh) * | 2013-02-17 | 2013-06-12 | 无锡儒安科技有限公司 | 基于无线传感器网络流量统计的节点动态节能方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109039884A (zh) * | 2017-06-12 | 2018-12-18 | 瞻博网络公司 | 使用机器学习的网络路径预测和选择 |
CN109039884B (zh) * | 2017-06-12 | 2021-12-07 | 瞻博网络公司 | 网络路径预测和选择的方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Di et al. | A survey of machine learning in wireless sensor netoworks from networking and application perspectives | |
Zhang et al. | A multilevel information fusion approach for road congestion detection in VANETs | |
Gramaglia et al. | New insights from the analysis of free flow vehicular traffic in highways | |
CN106028417B (zh) | 一种基于节点能耗和剩余能量的无线传感网络路径规划方法 | |
CN102415058B (zh) | 用于计算随机访问网络通信链路信道损失率和冲突损失率的设备和方法 | |
CN103079270B (zh) | 一种基于无线定位的移动节点聚集感知方法 | |
CN105323024B (zh) | 一种网络信号强度检测及融合方法 | |
CN104320845A (zh) | 一种基于传感器和量子智能计算的主用户定位方法 | |
Guo et al. | Intelligent traffic management system base on WSN and RFID | |
Jiang et al. | Selection of wireless technology for tracking construction materials using a fuzzy decision model | |
CN102118884B (zh) | 一种基于接近中心度的机会移动传感器网络数据传输方法 | |
CN102497669A (zh) | 一种无线传感器网络节点定位的方法 | |
Zhu et al. | Performance analysis of cooperative spectrum sensing in cognitive vehicular networks with dense traffic | |
Al-Khateeb et al. | Intelligent dynamic traffic light sequence using RFID | |
CN103746752B (zh) | 一种基于分层狄利克雷过程的智能频谱感知方法 | |
CN106375944A (zh) | 一种基于云计算的数据采集*** | |
CN103152749B (zh) | 基于无线传感器网络流量统计的节点动态节能方法 | |
CN104486810A (zh) | 基于多维状态的无线传感器网络路由环路预测方法 | |
CN105338661A (zh) | 以云端运算为架构使用数据融合演算设计的环境监控方法及装置 | |
Kumar et al. | Deep reinforcement learning with vehicle heterogeneity based traffic light control for intelligent transportation system | |
AlAblani et al. | A2T-boost: An adaptive cell selection approach for 5G/SDN-based vehicular networks | |
Vijayalakshmi et al. | Cluster head election mechanism-based on FUZZY LOGIC (CHEF) with TDMA in WSN | |
CN104469811A (zh) | 认知无线传感网络分簇合作频谱感知硬融合方法 | |
Al-Abdallah et al. | Real-time traffic surveillance using ZigBee | |
CN103096412A (zh) | 延迟容忍网络中带时延约束的数据融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150401 |
|
RJ01 | Rejection of invention patent application after publication |