无线传感器网络中的容错事件区域检测的分布式贝叶斯算法外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

无线传感器网络中的容错事件区域检测的分布式贝叶斯算法

Bhaskar Krishnamachari, Member, IEEE, and Sitharama Iyengar, Fellow, IEEE

摘要 我们为无线传感器网络中的一个标准的任务提出一种分布式解决方法-二进制检测关注的环境事件。我们明确地考虑传感器测量故障的可能，开发出分布式贝叶斯算法检测并修正这些故障。理论分析和模拟仿真结果表示用这种算法即使多达百分之10的节点有故障，也可以修正其中百分之85到百分之95的故障。

关键字：容错 事件检测 传感器融合 贝叶斯算法 无线传感器网络

1.介绍

无线传感器网被认为包含了数千个设备，每个设备都能做到极限计算，通信，传感，并用一种无操作员方式运转。根据国际研究委员会的最新报道，这些嵌入式系统网络的使用“在信息革命中能使以前的革命相形见绌”[26]。这些网络的作用是广泛的环境传感应用，从目标跟踪到环境监测[9], [13], [15], [26]。

在一般情况下，传感器网络可以被用来回应任意次数的环境查询[22]。我们专注于一类特定的查询:在环境中确定具有可识别的特征的事件区域。举个例子：考虑一个能够感知某些化学物质X的浓度的设备网络，在这种情况下的一个重要的查询可能是“环境中的哪个区域的化学浓度大于单元?”我们把这种得到这类查询的结果的流程叫做事件区域检测。

事件区域检测本身作为一个有用的传感器网络的应用是有作用的。虽然事件区域检测可以确定的在静态传感器网络上进行，但是值得指出的是它也可以被用来作为一种用于非均匀传感器部署机制。可以用事件区域位置的信息来移动或部署额外的传感器到这些区域，以获得更细粒度的信息。

无线传感器网络往往是无人值守的，自治系统有着严格的能源约束，低端的独立节点的可靠性有限。在这样的条件下，自组织的，高效节能的，容错算法对于网络运作是必须的。这些设计主题将引导出本文提出的事件区域检测的问题的解决方案。

据我们所知，这是第一篇提出传感器网络中的故障事件消歧问题的解决方案的论文。我们所提出的解决方案，以贝叶斯故障识别检测算法的形式，利用故障设备导致的测量错误可能是不相关的，而环境条件是空间相关的这一概念。我们通过理论分析和仿真结果表明我们展示的最佳门限判决算法当故障率高达百分之10时，可以减少85-95 %的传感器测量故障。

我们在开始讨论事件区域检测问题以及我们的解决方案的更多细节之前首先简要介绍一些以前在无线传感器网络领域中的工作。

1.1无线传感器网络

近年来，通过大量独立的努力，已经制定了无线传感所需的硬件和软件架构。最近的一些文献工作中，对在这些设备的网络化所涉及的挑战和设计原则进行了讨论[1]，[4]，[12]，[13]，[26]。目前一个很好的传感器网络的调查中可以在[34]中找到。

在不确定的动态环境中，由于无人操作的需要，需要进行自配置和自组织机制。无线网络中的发展局部，分布式，自配置机制[10]、[20]和研究在哪些条件下是可行的[23]已经引起了一些注意。

严格的能量限制是传感器网络的特点，因为往往节点运作的电池资源和充电都是有限的。可以通过工程设计所有层来解决能源问题。人们已经认识到，可以通过以集中式和分布式算法的形式推广网络内的计算的方式来节约能源[4]，[21]，[22]。

分布式计算范式的主要优点之一是，它增加了一个新的计算鲁棒性和可靠性的尺度。 独立的处理器集群所做的计算不需要对网络的一小部分的故障敏感。无线传感器网络是大规模分布式计算系统的一个例子，网络的容错是非常重要的。大规模传感器网络在经济上是可行的，独立的节点一定是低端经济价廉性设备。这种设备可能表现出不可靠的行为。 因此，保证个别节点的故障行为不影响整个系统的行为是很重要的。一些早期的工作主要集中在分布式传感器网络的任意网络拓扑下可靠的路由[ 17 ]，[ 18 ]，表征传感器故障模式[ 5 ]、[ 6 ]、容忍错误的同时执行传感器集成[ 19 ]，并容忍错误的同时保证传感器覆盖[ 16 ]。 一种无线传感器网络中的故障检测机制在文献[ 25 ]有所描述。在以前文献中很少有关于测量和纠正传感器故障的在特定的应用程序的内容的工作。我们现在讨论的事件区域检测的规范问题。

本文提出的最优贝叶斯决策算法是和经典投票算法在研究分布式应用密切相关的[ 35 ]，[ 36 ]。投票的基本思想是在确保正确之前得到规定数量的结果统一的节点。在传感器网络中，投票算法（如一致表决，表决， m-out-of-n投票，相对多数投票表决）已被推荐为融合多模态传感器和低能耗通信的决策机制[ 37 ]。

2. 事件区域检测

考虑一个放置在操作环境中的传感器无线网络。我们希望这个网络能够识别包含兴趣事件的网络区域。例如，如果传感器监测化学浓度，那么我们要提取网络中浓度异常高的区域。据推测，每个传感器知道自己的地理位置，无论是通过GPS或通过射频为基础的信标。

理解这种方法的缺点有助于处理琐碎的集中式解决方案的事件区域检测问题。我们可以让所有节点报告他们独自的传感器测量值，以及他们到中央监控节点的即时地理位置。然后确定可以进行集中处理事件的地区。虽然理论上很简单，这样一个集中的计划由于通信瓶颈和能源开支，不能很好地扩展网络的大小。因此，我们希望有一个解决方案，其中的事件区域中的节点组织自己，并执行一些本地处理，以确定该区域的范围。这是我们将采取的方法。

即使在理想的条件下，由于分布式的，自组织的方法的要求，这不是一个容易解决的问题。然而，如果我们考虑到传感器测量故障的可能性，有一个额外的层的复杂性。不可靠的传感器可以自己决定是他们的测量真正表明一个高的事件值，还是它是一个故障的测量值？总的来说，这是一个棘手的问题。然而，这是真实的，在操作区域中的传感器测量空间相关（因为许多环境现象），而传感器故障可能是不相关的。我们建立在本文中，我们可以利用这样的问题结构给我们一个分布式的，本地化的算法，以减轻传感器测量中的错误的影响。

图1 示例场景：一个分布式传感器网络，传感器不相关的故障（表示为“X”）部署在一个单一的事件区域（虚线圆）的环境中。

图1显示了一个示例场景。在这种情况下，我们有一个网格的传感器在一些操作区域。有一个事件区域的化学浓度异常高。因为他们报告错误的读数，有些传感器显示错误。

事件区域检测的第一步是节点，确定哪些传感器读数是要关注的。一般来说，我们可以把传感器的测量看成一个实数。以前有一些关于系统的工作，研究的正常条件随着时间的推移，使他们能够发现到不寻常的事件读数[ 28 ]。我们将作出合理的假设，即一个阈值，使节点确定他们的读数是对应于一个已被指定的查询的事件还是在部署过程中提供给其他节点。

一个更具挑战性的任务是消除异常高的读数对应于事件还是对应于传感器的读数故障的歧义。相反，一个错误的节点可能会报告一个低的测量值，即使它是在事件区域中。在本文中，我们提出了概率解码机制，利用传感器故障可能是随机不相关的事实，而事件测量可能是空间相关的。在对这些方案的分析，我们可以将故障的影响降低百分之85-95，甚至在相当高的故障率的情况下。

3.故障识别

为了有普遍性，我们将假设一个模型，其中一个特别大的值被认为是不寻常的，而正常的读数通常是一个低值。如果我们允许有传感器故障，有时这种不寻常的读数可能是传感器故障的结果，而不是事件的指标。我们假设环境中的事件读数通常分布在地理上多个连续传感器。在这种情况下，我们可以检查附近的传感器的读数相关性来区分故障还是事件。

让传感器节点的真实情况由二进制变量建模T_i，如果节点的地理事实是在一个正常区域则令变量T_i=0，如果节点的地理事实是在一个事件区域则令变量T_i=1。我们映射传感器的实际输出值到一个抽象的二进制变量S_i，如果传感器测量指示正常值，则令变量S_i=0，如果测量值异常，则令变量S_i=1。

这里有四种情况：S_i=0，T_i=0（传感器正确报告正常读数）；S_i=0，T_i=1（传感器错误报告正常读数）；S_i=1，T_i=1（传感器正确地报告一个不寻常的/事件读数）；S_i=1，T_i=0（传感器错误报告一个不寻常的读数 ）。每个节点都确定S_i的值，在存在较大概率读数故障的情况下 ，S_i可以不等于T_i，下面我们描述贝叶斯故障识别算法，在获取有关相邻传感器的传感器读数的信息之后以确定真实读数T_i的评估R_i。在我们的讨论中，我们将作出一个简化的假设：传感器故障概率p是不相关的和对称的。换句话说：

P(Si=0|Ti=1)=P(Si=1|Ti=0)=p. (1)

可以通过在传感器的实值读数上设置一个阈值来得到二进制模型。让Mn表示平均正常读数和Mf表示传感器平均事件读数。合理的阈值可以设置为0.5*（Mn Mf）来区分这两种可能性。如果传感器故障和环境波动的误差，可以用高斯分布模拟，即平均值为0和标准偏差为，故障概率p是对称的。它可以用高斯分布的尾概率，Q函数评估，如下：

我们知道，Q函数单调递减。因此，当平均正常值和事件读数区分不够充分，或当传感器测量误差的标准偏差，公式（2）告诉我们，（Mf-Mn）较低时，会导致故障概率较高。传感器故障是不相关的假设是标准且合理的，因为这些故障主要是由于制造缺陷导致的，而不是一个空间部署的节点的功能。本文提出的算法和分析可以通过一个简单的方法扩展到非对称误差，对称性的假设主要是为了便于说明。

我们也希望模拟事件值的空间相关性。让每个节点有N个邻居节点（不包括自己）。令置信度E_i（a,k）是k个和节点i报告相同二进制读数a的邻居节点，则其中n-k个报告读数!a，然后，我们可以使用置信度根据下列模型进行解码：

请注意，在高密度部署的网络中，附近的传感器可能有类似的事件读数，除非它们处于事件区域的边界。在这个模型中，我们给一个传感器的每个邻居节点的置信度给予平等的值。更复杂的模型是可行的，但这种模式以作为一个应对不可预见环境的强大机制见长。

现在，每个传感器的任务是根据自己所给定的的传感器读数S_i和关于其邻居节点的读数信息的置信度E_i（a，k）来确定一个R_i的值，下面的贝叶斯计算提供了答案：

最后一个关系如下的事实，R_i是T_i的一个估计，即b=a，b=!a，这两张情况

方程（5），（6）显示目前哪个传感器节点可以决定是否可以无视自己的传感器读数S_i面对从它的邻居置信度E_i（a，k）的统计。每个传感器节点可以包含随机化，并宣布节点读数是正确的概率为P_aak的。我们将此称为随机决策方案。

另一种方法是阈值决策方案，定义一个阈值theta;，0lt;theta;lt;1 , 如果P（R_i = a|S_i = a，E_i（a，k））gt; theta;，然后设置R_i为a，认为传感器读数正确。如果度量小于阈值，认为节点i的传感器读数错误，并设置R_i为!a。两个方案的详细步骤如表1所示，最优门限决策方案，我们将在后面分析讨论。 应当指出的是，无论是随机决策方案还是阈值决策方案， 公式（5）和（6）允许节点确定Ri=a。现在我们进行分析这些识别和纠正传感器测量故障的解码机制。

表1

故障检测决策方案

您可能感兴趣的文章

• 双比特网：通过改进的表示能力和高级训练算法提高1位CNN的性能外文翻译资料
• 基于单片机控制的蓝牙数据传输系统外文翻译资料
• 基于小波变换的路面裂缝检测与分类技术外文翻译资料
• 实时自动识别全向多条形码和DSP实现外文翻译资料
• 智能消防与家庭安全系统中的模糊决策外文翻译资料
• 深基坑施工的安全监测和预警外文翻译资料
• 用于神经形态计算的点积引擎：编程1T1M横杆以加速矩阵矢量乘法外文翻译资料
• 用电阻切换存储器（RRAM）进行大脑启发计算：设备，突触和神经网络外文翻译资料
• 基于相变存储器的非易失性“和”、“或”和“非”布尔逻辑门外文翻译资料
• 智慧城市物联网资产在市政部署中的复制外文翻译资料