本發(fā)明主要涉及無線傳感器網(wǎng)絡(luò)柵欄覆蓋領(lǐng)域，涉及二次部署的WSN柵欄強(qiáng)化方法。

背景技術(shù)：

柵欄覆蓋是無線傳感器網(wǎng)絡(luò)領(lǐng)域主要的覆蓋模型之一，其主要研究當(dāng)監(jiān)測(cè)目標(biāo)試圖穿越無線傳感器網(wǎng)絡(luò)部署區(qū)域時(shí)被檢測(cè)問題。由于構(gòu)建一條柵欄需要耗費(fèi)較大的資源，因此如何提高柵欄的魯棒性是關(guān)鍵問題。無線傳感器網(wǎng)絡(luò)柵欄覆蓋有著廣泛的用途，如在軍事方面，將柵欄部署在陣地前沿可以檢測(cè)敵人的入侵。在環(huán)保方面，將柵欄部署在污染源周圍可檢測(cè)污染物的擴(kuò)散情況。在林業(yè)保護(hù)方面，將柵欄部署在森林火災(zāi)現(xiàn)場(chǎng)可檢測(cè)火災(zāi)蔓延情況等。

目前國內(nèi)外在無線傳感器網(wǎng)絡(luò)柵欄覆蓋的領(lǐng)域已經(jīng)取得了豐厚的成果，文獻(xiàn)《Command control for many-robot systems》關(guān)于機(jī)器人節(jié)點(diǎn)覆蓋，最早提出柵欄覆蓋的概念。Kumar等人提出了k-柵欄覆蓋的概念,并研究區(qū)域被K-柵欄覆蓋所需的條件等問題，同時(shí)在文獻(xiàn)中提出了Optimal Sleep-Wakeup柵欄調(diào)度算法，該算法調(diào)度柵欄形成強(qiáng)K-柵欄，使得柵欄的能量被充分利用，從而達(dá)到柵欄生存時(shí)間的最大化。Anwar Saipulla等人提出了line-based部署方法，該方法形成柵欄的概率比均勻部署等方式更高，并且提出了基于權(quán)重有向圖的最大流算法派遣移動(dòng)節(jié)點(diǎn)修補(bǔ)柵欄間隙，使總移動(dòng)距離最優(yōu)。Habib Mostafaei等人提出了一種分布式的自學(xué)習(xí)算法解決靜態(tài)節(jié)點(diǎn)的K-柵欄覆蓋問題，并將該算法的網(wǎng)絡(luò)生存時(shí)間與文獻(xiàn)《Optimal Sleep-Wakeup Algorithms for Barriers of Wireless Sensors》中的Optimal Sleep-Wakeup算法進(jìn)行對(duì)比。Xu B等人研究了利用入侵者的歷史數(shù)據(jù)作為后續(xù)柵欄強(qiáng)化的先驗(yàn)條件，預(yù)測(cè)下一時(shí)間段柵欄中最易受入侵者攻擊的節(jié)點(diǎn)，并將移動(dòng)節(jié)點(diǎn)移動(dòng)到最易受攻擊節(jié)點(diǎn)處的方法，該方法使柵欄不會(huì)被快速破壞。Li et al.等人研究了一種在滿足入侵檢測(cè)率的條件下調(diào)度柵欄，使得柵欄生存時(shí)間最長的方法。Chen J等人提出利用概率感知模型，以入侵速度為限制條件，將傳感器網(wǎng)絡(luò)問題轉(zhuǎn)化為最大流問題，并根據(jù)節(jié)點(diǎn)間距離和剩余能量，提出一種有界柵欄構(gòu)造方法。Keung et al.等人研究了靜態(tài)傳感器節(jié)點(diǎn)在部署區(qū)域內(nèi)形成強(qiáng)K-柵欄需要的節(jié)點(diǎn)數(shù)量。

上述的方法都是對(duì)構(gòu)建的柵欄進(jìn)行研究，然而這些柵欄非常脆弱，隨著節(jié)點(diǎn)能量的消耗，感知半徑會(huì)逐漸減小，柵欄中節(jié)點(diǎn)感知范圍重疊少的部分極易出現(xiàn)間隙。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決現(xiàn)有技術(shù)的上述缺點(diǎn)，提出了一種二次部署的柵欄強(qiáng)化方法，該方法通過再次部署較少的移動(dòng)節(jié)點(diǎn)將柵欄中薄弱點(diǎn)進(jìn)行強(qiáng)化，使得柵欄不容易出現(xiàn)間隙，大大加強(qiáng)了柵欄的生存能力。

本發(fā)明所述的二次部署的WSN柵欄強(qiáng)化方法，包括如下步驟：

步驟1,初始柵欄分析；

步驟11，能耗感知模型；

步驟111，傳感器節(jié)點(diǎn)的感知半徑與節(jié)點(diǎn)自身存儲(chǔ)的能量存在關(guān)系，本方法提出的關(guān)系模型如式(1)所示：

式(1)中e_k為節(jié)點(diǎn)消耗的能量，c1表示感知常數(shù)，r_k表示感知半徑變化量；

步驟112，傳感器節(jié)點(diǎn)的總能量為E，如式(2)所示，節(jié)點(diǎn)消耗能量為e時(shí)的感知半徑r如式子(3)所示：

式(2)和(3)中的R為最大感知半徑，e為消耗的能量，E為傳感器節(jié)點(diǎn)的總能量；

步驟12，薄弱點(diǎn)查找；

步驟121，遍歷柵欄中所有的傳感器節(jié)點(diǎn)，計(jì)算相鄰節(jié)點(diǎn)的距離d，柵欄中相鄰節(jié)點(diǎn)間距離的集合為D＝{d₁,d₂,d₃...d_s-1}(s為傳感器節(jié)點(diǎn)數(shù)量)；

步驟122，隨機(jī)部署的靜態(tài)傳感器節(jié)點(diǎn)間的距離集合D滿足高斯分布，如式(4)所示:

式(4)中s表示距離集合大小，本方法將集合D中元素d_i∈[μ+σ,2R]對(duì)應(yīng)的相鄰節(jié)點(diǎn)間的中點(diǎn)w_n作為薄弱點(diǎn)，建立薄弱點(diǎn)集合W＝{w₁,w₂,w₃...w_n}(n為薄弱點(diǎn)的個(gè)數(shù))；

步驟2，二次部署；

步驟21，本發(fā)明提出了二次部署的方法，第一次部署靜態(tài)節(jié)點(diǎn)，利用靜態(tài)節(jié)點(diǎn)構(gòu)建柵欄，第二次沿著已經(jīng)構(gòu)建的柵欄再次部署移動(dòng)節(jié)點(diǎn)，利用移動(dòng)節(jié)點(diǎn)修補(bǔ)或強(qiáng)化柵欄，具體步驟如下:

步驟211，根據(jù)部署區(qū)域的環(huán)境和要求部署靜態(tài)傳感器節(jié)點(diǎn)，然后采用柵欄構(gòu)建算法構(gòu)建柵欄，隨著節(jié)點(diǎn)能量的消耗，容易出現(xiàn)間隙，從而導(dǎo)致柵欄的監(jiān)測(cè)功能失效，因此我們進(jìn)行步驟212，部署移動(dòng)節(jié)點(diǎn)用于強(qiáng)化柵欄；

步驟212，采用line-based方法沿著步驟211中已構(gòu)建的柵欄部署可移動(dòng)節(jié)點(diǎn)；

步驟3，強(qiáng)化柵欄；

步驟31，可強(qiáng)化的薄弱點(diǎn)數(shù)量；

步驟311，本發(fā)明提出一種基于集合的最大流算法在保證準(zhǔn)確率的條件下提高了算法的效率，已知薄弱點(diǎn)集合為W，可移動(dòng)節(jié)點(diǎn)的集合為M＝{m₁,m₂,m₃...m_n}，移動(dòng)節(jié)點(diǎn)的可移動(dòng)距離為md，當(dāng)w_i(w_i∈W)與m_i(m_i∈M)的距離小于md，則m_i稱為薄弱點(diǎn)的鄰居節(jié)點(diǎn)，具體步驟為：

步驟3111，計(jì)算薄弱點(diǎn)的鄰居移動(dòng)節(jié)點(diǎn)的集合，并將公共鄰居節(jié)點(diǎn)區(qū)分開后得到薄弱點(diǎn)新的鄰居節(jié)點(diǎn)子集合n；

步驟3112，以每個(gè)薄弱點(diǎn)的新鄰居節(jié)點(diǎn)子集合n中元素?cái)?shù)量為權(quán)重值，建立有向圖G；

步驟3113，采用最大流算法計(jì)算圖G的最大流，當(dāng)最大流等于薄弱點(diǎn)的數(shù)量，則此時(shí)薄弱點(diǎn)可被全部強(qiáng)化，否則存在不能被強(qiáng)化的薄弱點(diǎn)，因?yàn)樗鼪]有可移動(dòng)鄰居節(jié)點(diǎn)；

步驟32，強(qiáng)化策略；

步驟321，合并多個(gè)子集合n為全部鄰節(jié)點(diǎn)集合N,集合N中的可移動(dòng)節(jié)點(diǎn)到它的鄰居薄弱點(diǎn)的距離集合為MD＝{md₁,md₂,md₃,...md_num|md_i≤md}(num為所有移動(dòng)節(jié)點(diǎn)的個(gè)數(shù))，對(duì)集合MD升序排序得到集合MD'，本發(fā)明采用二分查找法搜索md_optimum，md_min＜md_optimum＜md_max(md_min和md_max為升序得到的最小值和最大值)，使得滿足集合ED＝{MD'|md_i≤mdo_ptimum}的移動(dòng)節(jié)點(diǎn)恰好能強(qiáng)化所有的薄弱點(diǎn)，則此時(shí)移動(dòng)節(jié)點(diǎn)移動(dòng)的距離總和最小，二分法算法具體步驟為：

步驟3211，初始化

步驟3212，更新薄弱點(diǎn)的鄰居子集合n，將距離薄弱點(diǎn)大于md_optimum的節(jié)點(diǎn)從鄰居集合移除，并更新有向圖G的權(quán)重和拓?fù)洌?/p>

步驟3213，計(jì)算更新后有向圖G的最大流，當(dāng)最大流小于薄弱點(diǎn)數(shù)量，則當(dāng)最大流等于薄弱點(diǎn)數(shù)量，且|L-optimum|＜ε，輸出md_optimum，算法結(jié)束，否則執(zhí)行步驟3214；

步驟3124，跳回步驟3212。

本發(fā)明的優(yōu)點(diǎn)是：

(1)本發(fā)明通過再次部署較少的移動(dòng)節(jié)點(diǎn)將柵欄中薄弱點(diǎn)進(jìn)行強(qiáng)化，使得柵欄不容易出現(xiàn)間隙，大大加強(qiáng)了柵欄的生存能力；

(2)本發(fā)明提出了二次部署的部署方式，能大大提高移動(dòng)節(jié)點(diǎn)的利用率，同時(shí)利用基于集合的最大流算法計(jì)算可強(qiáng)化節(jié)點(diǎn)的數(shù)量，然后利用二分搜索方法在保證最大化強(qiáng)化薄弱點(diǎn)數(shù)量的前提下使得移動(dòng)節(jié)點(diǎn)的移動(dòng)距離總和最小。

附圖說明

圖1本發(fā)明的薄弱點(diǎn)圖

圖2本發(fā)明的二次部署圖

圖3本發(fā)明的權(quán)重有向圖

具體實(shí)施方式

下面結(jié)合附圖進(jìn)一步說明本發(fā)明。

本發(fā)明所述的二次部署的WSN柵欄強(qiáng)化方法，包括如下步驟：步驟1，初始柵欄分析；

在部署區(qū)域中部署一定傳感器節(jié)點(diǎn)后，構(gòu)建成了初始的柵欄，然而柵欄中相鄰節(jié)點(diǎn)的感知范圍重疊部分大小不一，隨著節(jié)點(diǎn)能量的消耗，感知范圍逐漸減少，因此感知范圍重疊部分少的地方極易出現(xiàn)柵欄間隙，監(jiān)測(cè)目標(biāo)就可以通過間隙穿越柵欄而不被監(jiān)測(cè)到。部署WSN柵欄需要耗費(fèi)大量的資源，如果因?yàn)闁艡谥心承┍∪觞c(diǎn)的存在而造成柵欄過早死亡是一種極大的浪費(fèi)，因此找出柵欄中的薄弱點(diǎn)然后利用移動(dòng)節(jié)點(diǎn)進(jìn)行強(qiáng)化意義很大。

步驟11，能耗感知模型；

步驟111，傳感器節(jié)點(diǎn)的感知半徑與節(jié)點(diǎn)自身存儲(chǔ)的能量有關(guān)系，當(dāng)節(jié)點(diǎn)能量充足時(shí)，感知半徑最大，隨著能量消耗，感知半徑逐漸減小。感知半徑和能耗關(guān)系通常采用文獻(xiàn)《Energy-efficient connected coverage of discrete targets in wireless sensor networks》中的感知能耗模型計(jì)算，根據(jù)該模型，本發(fā)明提出了感知半徑隨能耗變化的關(guān)系模型。

式(1)中e_k為節(jié)點(diǎn)消耗的能量，c1表示感知常數(shù)，r_k表示感知半徑變化量。本發(fā)明采用關(guān)系模型(a)進(jìn)行后續(xù)研究。

步驟112，假設(shè)傳感器節(jié)點(diǎn)的總能量為E，如式(2)所示，當(dāng)節(jié)點(diǎn)感知半徑為0時(shí)，節(jié)點(diǎn)的能量剛好消耗完。當(dāng)節(jié)點(diǎn)消耗能量為e時(shí)，節(jié)點(diǎn)的感知半徑r如式子(3)所示。

式(2、3)中R為節(jié)點(diǎn)最大感知半徑。假設(shè)節(jié)點(diǎn)的能量主要由節(jié)點(diǎn)感知而消耗，通過節(jié)點(diǎn)能耗感知模型可以對(duì)初始柵欄和強(qiáng)化后的柵欄進(jìn)行穩(wěn)健性分析。

步驟12，薄弱點(diǎn)查找；

步驟121，本發(fā)明中的傳感器節(jié)點(diǎn)已經(jīng)通過定位技術(shù)獲得坐標(biāo)。初始構(gòu)建的柵欄節(jié)點(diǎn)能量充足，感知半徑為R，隨著能量的消耗，感知半徑減小，柵欄中相鄰節(jié)點(diǎn)間距離接近2R的部分極易出現(xiàn)間隙。以節(jié)點(diǎn)間距離d作為薄弱點(diǎn)查找的依據(jù)，d越大，該處的柵欄越容易出現(xiàn)間隙，柵欄薄弱點(diǎn)如圖1所示，薄弱點(diǎn)的坐標(biāo)為節(jié)點(diǎn)n1和n2的中點(diǎn)。

遍歷柵欄中所有的傳感器節(jié)點(diǎn)，計(jì)算相鄰節(jié)點(diǎn)的距離d，假設(shè)柵欄由s個(gè)傳感器節(jié)點(diǎn)構(gòu)成，柵欄中相鄰節(jié)點(diǎn)間距離的集合為D＝{d₁,d₂,d₃...d_s-1}，d_i越小，柵欄越穩(wěn)固，反之柵欄越脆弱。

步驟122，部署靜態(tài)傳感器節(jié)點(diǎn)是隨機(jī)部署的，假設(shè)集合D中的元素滿足高斯分布，如式(4)所示。

式(4)中

本發(fā)明將集合D中元素d_i∈[μ+σ,2R]對(duì)應(yīng)的相鄰節(jié)點(diǎn)n1和n2的中點(diǎn)w_i作為薄弱點(diǎn)，建立薄弱點(diǎn)集合W＝{w₁,w₂,w₃...w_n}。

步驟2，二次部署；

步驟21，目前有很多研究都利用移動(dòng)節(jié)點(diǎn)來修復(fù)柵欄，如文獻(xiàn)《Barrier coverage with line-based deployed mobile sensors》。這些移動(dòng)節(jié)點(diǎn)和靜態(tài)節(jié)點(diǎn)混雜在一起一次性部署在監(jiān)測(cè)區(qū)域中，這種部署方式使得移動(dòng)節(jié)點(diǎn)被利用的概率很低，造成大量移動(dòng)節(jié)點(diǎn)不能被利用，而且移動(dòng)節(jié)點(diǎn)的價(jià)格昂貴，這種部署方式無疑大大增加了部署柵欄的成本。為提高移動(dòng)節(jié)點(diǎn)的利用率，增加?xùn)艡诘姆€(wěn)健性，提出了二次部署的方法，第一次部署靜態(tài)節(jié)點(diǎn)，利用靜態(tài)節(jié)點(diǎn)構(gòu)建柵欄，第二次沿著已經(jīng)構(gòu)建的柵欄再次部署移動(dòng)節(jié)點(diǎn)，利用移動(dòng)節(jié)點(diǎn)修補(bǔ)或強(qiáng)化柵欄，如圖2所示。

步驟211，根據(jù)部署區(qū)域的環(huán)境和要求，可采用泊松部署、隨機(jī)均勻部署、Line-based等部署方式部署靜態(tài)傳感器節(jié)點(diǎn)，然后可采用文獻(xiàn)《基于改進(jìn)蟻群算法的無線傳感器網(wǎng)絡(luò)柵欄覆蓋優(yōu)化研究》等柵欄構(gòu)建算法構(gòu)建柵欄。此時(shí)構(gòu)建的柵欄魯棒性差，柵欄運(yùn)行一段時(shí)間后，隨著節(jié)點(diǎn)能量的消耗，容易出現(xiàn)間隙，從而導(dǎo)致柵欄的監(jiān)測(cè)功能失效，因此我們進(jìn)行步驟二，部署移動(dòng)節(jié)點(diǎn)用于強(qiáng)化柵欄。

步驟212，部署移動(dòng)節(jié)點(diǎn)的方式和文獻(xiàn)《Barrier Coverage of Line-Based Deployed Wireless Sensor Networks》采用的Line-based方法相似，這次是沿著步驟一中已構(gòu)建的柵欄部署可移動(dòng)傳感器節(jié)點(diǎn)。二次部署方法使得移動(dòng)節(jié)點(diǎn)有目標(biāo)性的部署在柵欄旁邊，因此能更充分的用于柵欄的修補(bǔ)和強(qiáng)化工作。

步驟3，強(qiáng)化柵欄；

本部分主要是通過基于集合的最大流算法計(jì)算可強(qiáng)化的薄弱點(diǎn)數(shù)量，然后將可移動(dòng)節(jié)點(diǎn)移動(dòng)到柵欄中的薄弱點(diǎn)強(qiáng)化柵欄。強(qiáng)化后的柵欄和初始柵欄相比更加穩(wěn)健，隨著節(jié)點(diǎn)能量消耗，強(qiáng)化后的柵欄不容易出現(xiàn)間隙。

步驟31，可強(qiáng)化的薄弱點(diǎn)數(shù)量；

步驟311，目前很多研究都采用最大流算法解決可修復(fù)柵欄間隙數(shù)量這個(gè)問題，如文獻(xiàn)《Strengthening barrier-coverage of static sensor network with mobile sensor nodes》。通過該方法能準(zhǔn)確計(jì)算出最大可修復(fù)柵欄間隙的數(shù)量，然而移動(dòng)節(jié)點(diǎn)的數(shù)量多，該算法效率并不高。本發(fā)明強(qiáng)化柵欄薄弱點(diǎn)與柵欄間隙修復(fù)問題相似，因此提出一種基于集合的最大流算法在保證準(zhǔn)確率的條件下提高了算法的效率。

假設(shè)柵欄的薄弱點(diǎn)有w_i、w_i+1、w_i+2...w_k，可移動(dòng)節(jié)點(diǎn)的集合為M＝{m₁,m₂,m₃...m_n}，移動(dòng)節(jié)點(diǎn)的可移動(dòng)距離為md。當(dāng)w_i與m_i的距離小于md，則m_i稱為薄弱點(diǎn)的鄰居節(jié)點(diǎn)。算法具體步驟如下：

步驟3111，以薄弱點(diǎn)w_i、w_i+1、w_i+2為例，計(jì)算它們的鄰居移動(dòng)節(jié)點(diǎn)，分別為集合A、B、C，這些集合中可能包含薄弱點(diǎn)的公共鄰居節(jié)點(diǎn)，然后將這些公共鄰居節(jié)點(diǎn)區(qū)分開,以集合A、B為例，如式(5、6、7)所示。

a＝A-A∩B (5)

b＝A∩B (6)

c＝B-A∩B (7)

其中a為w_i的鄰居節(jié)點(diǎn)集合、b為w_i、w_i+1的公共鄰居節(jié)點(diǎn)集合，c為w_i+1為w_i+1的鄰居節(jié)點(diǎn)集合。

步驟3112，以集合a、b、c的元素?cái)?shù)量Na、Nb、Nc為權(quán)重值，建立有向圖G，如圖3所示，圖中添加開始節(jié)點(diǎn)u和結(jié)束節(jié)點(diǎn)v，與u連接的權(quán)重值為集合元素的數(shù)量，與v連接的權(quán)重值都為1，集合d為w_i+2的鄰居節(jié)點(diǎn)集合。

步驟3113，采用最大流算法計(jì)算圖G的最大流，當(dāng)最大流等于薄弱點(diǎn)的數(shù)量，則此時(shí)薄弱點(diǎn)可被全部強(qiáng)化，否則存在不能被強(qiáng)化的薄弱點(diǎn)，因?yàn)樗鼪]有可移動(dòng)鄰居節(jié)點(diǎn)。

步驟32，強(qiáng)化策略；

步驟321，本小節(jié)主要研究利用移動(dòng)節(jié)點(diǎn)強(qiáng)化柵欄薄弱點(diǎn)的移動(dòng)距離總和最小。通過3.1小節(jié)得到了所有薄弱點(diǎn)的鄰居節(jié)點(diǎn)集合(a、b、c、d等)，合并鄰居節(jié)點(diǎn)集合N＝a∪b∪c∪d∪...，假設(shè)集合N中的可移動(dòng)節(jié)點(diǎn)到它的鄰居薄弱點(diǎn)的距離集合為MD＝{md₁,md₂,md₃,...md_num|md_i≤md}，集合MD中有num個(gè)元素，對(duì)集合MD升序排序得到集合MD'，集合MD'的第一個(gè)元素為md_min，最后一個(gè)元素為md_max。假設(shè)存在一個(gè)距離md_optimum，md_min＜md_optimum＜md_max，使得滿足集合ED＝{MD'|md_i≤md_optimum}的移動(dòng)節(jié)點(diǎn)恰好能強(qiáng)化所有的薄弱點(diǎn)，則此時(shí)移動(dòng)節(jié)點(diǎn)移動(dòng)的距離總和最小。

本發(fā)明采用二分查找法搜索md_optimum，ε為一個(gè)閾值，用于算法逼近，算法具體操作如下步驟所示：

步驟3211，初始化L＝0，

步驟3212，更新薄弱點(diǎn)的鄰居集合a、b、c、d等，將距離薄弱點(diǎn)大于md_optimum的節(jié)點(diǎn)從鄰居集合移除，并更新有向圖G的權(quán)重和拓?fù)洹?/p>

步驟3213，計(jì)算更新后有向圖G的最大流，如果最大流小于薄弱點(diǎn)數(shù)量，則L＝o_ptimum，最大流不可能大于薄弱點(diǎn)的數(shù)量。如果最大流等于薄弱點(diǎn)數(shù)量，且L-optimum|＜ε，輸出md_optimum，算法結(jié)束，否則執(zhí)行步驟4。

步驟3214，跳回步驟2。