无线传感器网络中分布式近似计算方法地研究.pdf

Classified Index: TM301.2 U.D.C.: 62-5 Dissertation for the Doctoral Degree in Engineering RESEARCH ON DISTRIBUTED APPROXIMATE COMPUTATION ALGORITHMS IN WIRELESS SENSOR NETWORKS Candidate: CHENG Siyao Supervisor: Prof. LI Jianzhong Academic Degree Applied for: Doctor of Engineering Specialty: Computer Software and Theory Affiliation: School of Computer Science and Technology Date of Defence: June, 2012 Degree-Conferring-Institution: Harbin Institute of Technology 摘 要 摘 要 随着微电子技术、嵌入式技术、集成电路以及无线通信技术的日益成熟， 无线传感器网络开始进入了人们的生活，并为人类低成本地观察、认知复杂物 理世界提供了一条有效途径。目前，传感器网络已广泛应用于环境监测、医疗 卫生、国防军事等各大领域。在构成传感网的诸多要素之中，传感器节点采集 的感知数据是其核心部分之一，几乎传感网的所有应用都是建立在感知数据的 计算(包含查询、分析、挖掘等)基础之上的。由于传感网中感知数据的规模庞 大，将其传送至Sink节点再进行计算势必将消耗大量能量，故分布式的网内计 算方法对传感网来说十分重要。并且，由于传感器节点在感知、计算、通信、 存储及能源等方面的能力均十分有限，故在许多情况下，传感网无法给出精确 的查询分析结果。此时，正如智者亚里士多德所述，我们不必纠结于无法获得 的精确结果，具有一定误差保证的近似结果亦是可接受的。综上，在传感网的 研究中，设计低能耗的、分布式的、具有一定误差保证的感知数据近似计算方 法具有极其重要的意义。本文开展了这方面的研究，主要研究成果如下： 首先，本文研究了静态传感器网络中的(ϵ, δ)-近似聚集算法。聚集操作是传 感网中的一种十分重要的操作。由于精确聚集算法的能量开销很大，因而，近 年来人们开展了对近似聚集算法的研究。然而，现有的网内近似聚集算法均具 有固定的误差界，并且很难调节，所以一旦用户所需要的误差小于已有聚集算 法所能保证的误差界时，这些算法将失效。为了解决该问题，使得近似聚集结 果能够满足用户任意的精度需求，本文开展了传感器网络中的(ϵ, δ)-近似聚集 算法的研究，并基于均衡抽样技术，提出了静态传感器网络中的(ϵ, δ)-近似聚 集算法。在该研究中，我们首先针对聚集和、平均值、无重复计数值等3种聚 集操作，给出了根据ϵ 、δ来确定优化的样本容量的数学方法。其次，我们提出 了一种分布式的均衡抽样算法，用以完成样本数据的抽取，并且我们对该算法 的计算与通信复杂性进行了分析。第三，我们给出了估计聚集和、平均值、无 重复计数值的数学方法，根据这些数学方法，提出了一种静态传感器网络中 的(ϵ,δ)-近似聚集算法, 并证明了该算法能够满足用户的任意精确度需求。第四， 鉴于ϵ 、δ和感知数据的变化会影响最终的聚集结果，我们提出了两种样本数据 信息的维护更新算法，分别用于处理ϵ 、δ和网络中感知数据发生变化的情况。 最后，通过模拟实验验证了本部分提出的算法的有效性。 其次，本文研究了动态传感器网络中的(ϵ, δ)-近似聚集算法。虽然第一部分 所给出的算法能够满足用户任意的精确需求，并在静态网络中具有较高性能， – I – 哈尔滨工业大学工学博士学位论文 但是该算法需要Sink节点频繁地统计各个簇及全网内处于活动状态的节点的数 量，考虑到动态传感网中