蚁群算法在传感器网络数据融合中的应用

研究无线传感器网络数据融合优化问题,采集数据过程节点间存在大量的冗余数据,需对数据进行融合,提高数据传输效率。为了更好地消除冗余数据,提出一种采用蚁群算法的传感器网络数据融合方法。通过建立传感器数据的传输初始路由,再用蚁群算法找到最佳数据路由,即数据传输最优传感器节点序列,从而实现数据融合。仿真结果表明,蚁群算法能够有效消除冗余数据,减少网络中数据传输量,降低传感器节点能量消耗,延长整个网络的寿命。     

基于物联网的异构传感数据融合方法研究

研究网络数据融合优化问题,传统的网络数据融合算法需要获得对象比较精确的数学模型,会造成计算复杂度高.针对无线传感器网络自身特点,将无线传感器网络和数据融合技术相结合,提出了一种基于无线传感器网络扩展的Kalman滤波分批估计融合算法.主要是通过将传感器节点收集的同一性质的信息进行分批,通过一系列加权公式使计算出的融合信息更逼近真实值.从源头节能出发,通过减少数据传输量,进而减少传输过程中的能量消耗,达到延长整个网络生命周期的目的.最后仿真结果表明提出的算法有效,具有一定的实际应用价值.     

邻域搜索蚁群算法在无线传感器网络数据融合中的应用

为了减少网络中的数据传输量,提高数据融合率,降低网络延时,针对无线传感器网络数据融合问题的研究,提出了一种邻域搜索蚁群算法。首先利用蚁群算法寻找最短路径的优势,构造最短路径。为了避免蚁群算法的早熟收敛和收敛速度慢的问题,当达到一定的迭代次数后,运用具有可变邻域搜索的变异算子对搜索结果进行优化。算法不但考虑了无线传感器网络节点能量消耗也考虑了数据传输的网络延时问题。实验结果表明,该算法减少了网络能耗,降低了网络延时,稳定性更好,性能更优。     

一种改进的簇链结合分层路由算法

针对大规模带状无线传感器网络数据采集这一应用模型存在的传送实时数据延时长、传送大量密集数据能耗大的问题,在LEACH算法和PEGASIS算法的基础上,提出了一种分层链式路由算法(HCRP).该算法针对带状传感网络的特点,在聚簇的同时利用PEGASIS算法建立簇内链和簇外链,把并行数据传输融合和串行数据传输融合结合起来.仿真结果表明:HCRP算法较PEAGSIS算法有效减少了传输实时数据的延时,增加了数据传输能耗的均衡性,较LEACH算法有效改善了数据传输能耗有效性,更适合于大规模密集部署的带状无线传感网     

云计算中的数据放置与任务调度算法

在海量数据的云计算中,通常面临着数据传输时间长的问题.针对目前大多数数据放置与任务调度算法存在的副本静态性和传输标准精确度的不足,提出了一种动态调整副本个数、以时间作为衡量数据传输标准的数据放置与任务调度算法.该算法根据数据访问频率和存储大小,动态地调整副本个数,一方面减少了低访问率副本对存储空间的浪费;另一方面也减少了高访问率副本所需跨节点传输次数.考虑到节点间网络带宽的差异性,确定以数据传输时间作为传输衡量标准,提高了传输标准的精确度.实验结果表明,除了任务集和网络节点均较少的情况外,该算法均能有效地减少数据传输时间,甚至在任务集合和网络节点较多的情况下,能减少近50%的传输时间.     

智能环境下分布式Rete算法

针对智能环境中基于Rete的规则推理引擎需要将数据集中到sink节点,导致传感器网络中数据传输量过大的问题,建立了Rete网络代价模型,并提出了最小传输代价的Rete分布的算法（MCoRDS）。该算法通过统计Rete网络中子模式对事实数据的依赖,发现大部分子模式在对应事实数据采集Sensor附近便具备了计算推理条件,故将Rete网络中的子模式规则分布到最早汇集其所需所有事实数据的Sensor中,即可避免事实数据进一步往sink节点的传输,从而大量减少传感器网络中的数据传输量。对比将Rete网络放置在sink节点的集中式推理进行了4组仿真实验。其中第4组实验,传感器网络总跳数由85000减至8036,减少约90.5%;其余组实验传输跳数也有一定的减少。实验结果表明,最小代价的Rete分布具有更小的数据传输量,在规则触发频率低、规则规模较大的情况下尤甚。     

权衡能耗与延迟的数据融合算法研究

在无线传感器网络的路由协议中考虑数据融合能极大地提高网络生存期性能,但随之会带来网络可靠性下降、数据传输延迟增加等问题。设计一种新的可权衡能耗与延迟的数据融合算法ECLT,通过二级模糊综合评判的方式来调整原有的路由信息,增加数据传输路径间的交叠,以提高数据融合度、延长网络生存期;同时,传感节点在转发数据的过程中还可根据本身状态来动态调整进行数据融合的等待时间,从而在均衡网络中各节点能耗的同时减少了数据传输延迟。经仿真验证,该算法能在极大的延长无线传感器网络使用寿命的同时降低数据的平均传输延迟。     

传感器网络中基于簇的融合树构建算法

针对无线传感器网络中节点能量有限的特点,提出一种基于簇的数据融合树构建算法。该算法利用基于簇的层次结构减少路由维护代价并提高系统可扩展性;利用数据融合树处理网中冗余信息,降低数据传输量,实现了节点能量高效地使用。仿真结果表明,该算法能有效降低节点能量消耗,并延长网络生存期,性能优于典型算法。     

WSNs中高效且适应性强的安全数据融合*

针对无线传感器网络中传感节点能量的有限性和无线链路的时变性,设计了一种高能效的、适应性强的安全数据融合算法EASDA。该算法在融合过程中基于非物理意义的模式码将传感器节点分成冗余集,在数据传输过程中利用数字喷泉码进行编码。仿真结果显示,该算法有效地减少了冗余数据的传输,使网络中能耗更加均衡,并且适应于任何删除信道。     

无线传感器网络数据融合路由算法的改进

无线传感器网络能量有限,数据融合能通过合并冗余数据减少传输数据量,但其本身的代价不可忽略。针对该问题,研究数据融合代价和数据传输代价对数据融合路由的影响,在基于决策数据融合技术AFST中,对直传数据采用动态最短路径(DSPT)算法,动态识别网络环境和数据特征变化,以最小的代价调整路由。实验与分析结果表明,当网络结构发生变化时,DSPT算法比SPT算法效率更高、更节能。     

基于多级模糊评判的高效数据聚集算法

基于多级模糊综合评判,提出一种既可节省传感节点能量又能提高数据聚集度和减少数据传输延迟的高效的数据聚集算法.先由一级模糊综合评判获得路由信息,然后根据路由表中相邻传感节点转发的数据包个数,利用二级模糊综合评判重新选择下一跳传感节点,通过增加原有路径间交叠的方式来高效的提高数据聚集度;然后为了均衡能耗和减少传输延迟提出一种新的聚集定时机制.仿真结果表明,该算法能延长网络生命周期,提高数据包交付率,降低平均传输延迟及提升数据聚集度.     

一种基于时空 - 属性的 CPS 信息融合方法

信息物理系统CPS（Cyber-PhysicSystem）是融合了传感器网络、通信系统、计算机网络等多种网络和技术的新型复杂系统。其结构复杂性决定了网络中会产生大量数据,如何减小网络负载,提高能量利用率是CPS面临的一项重要挑战。数据融合通过将信息综合化,减少在网络内传输的数据量,能够有效地降低网络负载,从而达到节省能量开支的效果。同时通过将各类原始数据融合成具有意义的概括数据,大大提高了网络的数据分析和决策能力。本文将数据融合技术应用于信息物理系统,基于数据的时空和属性特点,提出了同时包含时间融合、空间融合、属性融合的STAC（Spatial-Temporal-AttributeCorrelation）算法。该算法基于时空相关性对原始数据进行首次融合,进而在加权贝叶斯理论的基础上,根据不同类型数据的属性相关性对数据进行二次融合,形成有综合意义的概括数据。基于NS2平台的仿真结果证明,该算法能够有效减少数据包传输量,并且能够准确预测CPS网络事件类型,实现CPS的智能闭环控制。     

WSNs中数据融合树的时隙分配算法

周期工作DC(Duty-Cycling)技术,即周期地开/关通信和感测能力,能够有效降低传感节点的活动时间,进而延长无线传感网络寿命.然而,此技术给数据融合提出了挑战.为此,提出免碰撞的数据融合树的时隙分配算法CF-DGSS(Collision-Free Data Aggregation Slots Scheduling Algorithm for Duty-Cycled Wireless Sensor Networks),进而解决基于DC的WSNs的数据融合时隙分配问题.为了解决碰撞问题,CF-DGSS算法给每个节点构建冲突集.每个节点在融合时隙分配过程中,保存自己的冲突集.在分配时隙时,传感节点应当确保与冲突集内节点的数据融合不干扰.仿真结果表明,与其他的分配算法相比,提出的CF-DGSS算法具有低的融合时延.     

无线传感器网络中的最大生命期基因路由算法

无线传感器网络(wireless sensor networks,简称WSNs)由一组低功率且能量受限的传感器节点构成,设计此类网络的一个基本挑战便是最大化网络生命期的问题.在WSNs中,由于邻近传感器节点所收集的数据之间往往具有时空相关性,多采用数据聚合技术作为去除数据冗余、压缩数据大小的有效手段.合理地应用数据聚合技术,可以有效地减少数据传递量,降低网络能耗,从而延长网络生命期.研究了WSNs中结合数据聚合与节点功率控制的优化数据传递技术,提出了一种新的最大化网络生命期的路由算法.该算法采用遗传算法(genetic algorithm,简称GA)最优化数据聚合点的选择,并采用梯度算法进一步优化结果.该算法均衡节点能耗,并最大化网络生命期.仿真结果表明,该算法极大地提高了网络的生命期.     

无线传感器网络中的最大生命期基因路由算法

无线传感器网络(wireless sensor networks,简称WSNs)由一组低功率且能量受限的传感器节点构成,设计此类网络的一个基本挑战便是最大化网络生命期的问题.在WSNs中,由于邻近传感器节点所收集的数据之间往往具有时空相关性,多采用数据聚合技术作为去除数据冗余、压缩数据大小的有效手段.合理地应用数据聚合技术,可以有效地减少数据传递量,降低网络能耗,从而延长网络生命期.研究了WSNs中结合数据聚合与节点功率控制的优化数据传递技术,提出了一种新的最大化网络生命期的路由算法.该算法采用遗传算法(genetic algorithm,简称GA)最优化数据聚合点的选择,并采用梯度算法进一步优化结果.该算法均衡节点能耗,并最大化网络生命期.仿真结果表明,该算法极大地提高了网络的生命期.     

WSN中一种基于时空相关性的网内数据聚合路由协议

无线传感器网络越来越多地应用于各种精确监测中。由于网络中节点的部署密度较大,节点周期性地产生数据,网络中出现大量具有时空相关性的冗余数据,这些冗余数据的传送需要消耗大量的能量。为了减少网络中的数据传输量,降低网络的通信开销,提出了一种基于时空相关性的网内数据聚合路由协议TS-INDAR,通过网内数据聚合技术以及对网络中具有时空相关性数据的控制,减少网路中的数据传输量。TS-INDAR通过路由树的建立最大化重叠路由,以提高网络中数据聚合的几率,通过相关区域和时间抑制对网络中具有时空相关性的数据进行控制,根据事件区域与sink节点之间的距离调整相关区域的大小。与已有路由算法相比,TS-INDAR减少了网络中的通信负载,降低了网络中的能量消耗。仿真结果显示,TS-INDAR在确保监测数据准确性的情况下,网络中的能耗较DRINA算法降低了25%,较EAST算法降低了11.6%。     

WSN 中基于能量反馈的分簇路由算法EFCA

分簇技术在无线传感器网络中得到广泛的应用.提出了一种基于能量反馈的分簇路由算法(EFCA).该算法以簇为单位构造数据聚合树,解决了单跳传输外沿节点能耗过快和多跳传输时延过大的问题;同时在簇内选择簇头对,令主次节点分别负责簇间信息传递和簇内信息收集,进一步减小了数据传输延迟;提出的能量反馈机制很好的解决了网络"热区"问题.经仿真验证,可以有效的延长网络的生存时间.     

Secure data aggregation in wireless sensor networks: A comprehensive overview

Wireless sensor networks often consists of a large number of low-cost sensor nodes that have strictly limited sensing, computation, and communication capabilities. Due to resource restricted sensor nodes, it is important to minimize the amount of data transmission so that the average sensor lifetime and the overall bandwidth utilization are improved. Data aggregation is the process of summarizing and combining sensor data in order to reduce the amount of data transmission in the network. As wireless sensor networks are usually deployed in remote and hostile environments to transmit sensitive information, sensor nodes are prone to node compromise attacks and security issues such as data confidentiality and integrity are extremely important. Hence, wireless sensor network protocols, e.g., data aggregation protocol, must be designed with security in mind. This paper investigates the relationship between security and data aggregation process in wireless sensor networks. A taxonomy of secure data aggregation protocols is given by surveying the current “state-of-the-art” work in this area. In addition, based on the existing research, the open research areas and future research directions in secure data aggregation concept are provided.