传感器网络文献报告.pptVIP

Loss Model (k) = 1 ? β(k)表示k未接受任何来自R(k)中的数据，有两种原因， 其一：k未成功接受任何来自R(k)中的数据，其二：数据在链路Lj中丢掉了。因此设A(k)表示在数据到达K节点的情况下，至少有一个节点（在R(k)中）的数据到达sink的概率 Loss Model 基于伯努利分布的假设，很显然 而结合公式（1），（2），和（4），用于?k∈V \ R，可以是发现γ(k)=β(k)·A(k)。 （6） 而组合（3），（5），（6），用于?k∈V \ R，则可以求出： Loss Model γ(k)可以通过在sink中的观测进行估计， k (m)k∈R,m=1,...,n表示第m次数据收集的估计值 因此γ(k)的估计值是：Loss Model 链路的传输率的估计最终可从（5）得到 因此，（7） - （11）式建立了链路传输/损失率以及在sink中的观察值的关系。（8）-（10）式表示γ(k)可以从 (m)中估计获得，A（K）可以根据（7）求得。 因此αk可以从式（11）中得到。 Inference Algorithm A. Problem Definition 1)反向多播树的拓扑T =(V,L); 2)n次数据收集; 3)记录每次实验中叶节点发数据送至sink节点的 (m)k∈R,m=1,2...n的值 B. Algorithm Description 本文采用LIPM算法（Loss Inference basedon Passive Measurement）该算法的伪代码如右图所示： 程序infer_subtree用于推断节点K（K不属于R）的链路传播率 APPLICABILITY DISCUSSION LIPM算法在实际的工业和环境监测的适用性现实世界中的无线传感器网络会有很多单子节点在拓扑树中， 然而LIPM算法适用于解决多个子节点的拓扑结构，因此该算法对于 具有单子节点的情况是无效的。本文提出虚子节点的概念，如下图 所示：在数据采集的过程中，当节点?收到来自他的子节点的数据时，它 把自己的ID传给汇总数据包，在sink节点看来，它收到两个ID地址 一样的数据。 LIPM算法可以有效利用于周期性数据采集??或小概率事件检测 定期收集数据，例如跟踪监测流动材料的设备的健康状况，很明显LIPM算法非常适合于这些应用。另一方面，在罕见的事件检测中，传感器节点用于检测和区分稀有事件，如报警和故障检测通知。对于这些基于随机事件的应用，如果部署一个基于反向组播树的数据聚合通信模式，尽管感兴趣的事件发生的持续时间相对较长，该LIPM算法也将因为其良好的收敛性而发挥作用。 对于短暂事件的情形，其中没有多大的传输发生时，数据聚集通信模式通常不采用。因此，LIPM算法不适合于此种情形。 4 仿真 仿真环境：OMNeT ++网络模拟器 仿真模型：分别由1000和2000个节点组成的随机网络。 采用两种不同的分布来表示丢包率LD1：丢包率随机的分布在[0.01, 0.4]之间LD2：丢包率为0.2 衡量标准： A. Comparison With Previous Algorithms B. Simulations in Periodic Data Collection Scenarios 仿真模型：分别由1000和2000个节点组成的节点随机分布的网络。 每个节点有2~10个子节点 丢包过程：（1）BP：Bernoulli process（2）GP：Gilbert process 衡量标准：inference absolute errors (IAEs) Fig. 5. Cumulative distribution of IAE of N1000 with LD1 (periodic data collection scenarios). (a) Under BP. (b) Under GP. Fig. 6. Cumulative distribution of IAE of N2000 with LD1 (periodic data collection scenarios). (a) Under BP. (b) Under GP. Fig. 7. Cumulative distribution of IAE of N1000 with LD2 (periodic data collection scenarios). (a) Under BP. (b) Under GP. Fig. 8. Cumulative distribution of IAE of N2000 with LD2 (periodic data collection scenarios). (a)