• 沒有找到結果。

中 華 大 學

N/A
N/A
Protected

Academic year: 2022

Share "中 華 大 學"

Copied!
52
0
0

加載中.... (立即查看全文)

全文

(1)

中 華 大 學 碩 士 論 文

題目:操作資料收集樹以平衡感測網路的電源消耗

系 所 別:資訊工程學系碩士班 學號姓名:M09302069 謝 秉 鈞 指導教授:俞征武 博 士

中華民國 九十五 年 八 月

(2)
(3)
(4)
(5)

摘要

無線感測網路(sensor networks)是在無線網路中的最新應用,使用低成本的 感測點,密集的散佈在需要感測的區域。一般來說,在無線感測網路上,因為成 本和環境因素的考量,在一定的感測區域內所部署的感測點是有限的,加上密集 的散佈以及任務的需求使得感測點體積不會太大,因此感測點所擁有的電量總是 有限的,所以感測網路的生命週期是有其限制。如何能夠降低所有感測點的耗電 量,或利用其他技術,以延長感測網路的存活時間,便是一個相當重要的研究問 題。前人成果大多只思考如何建造一棵省電的收集樹為主,卻忽略感測點因任務 的不同或處理資料量的不同,而常會造成每個感測點的電源衰竭情況大不相同,

導致每個感測點的存活時間長短不一,反而縮短整個整體網路存活時間。本篇論 文目的除了提出一個較省電的資料收集樹外,我們也提出利用平衡電源消耗的技 巧來延長感測網路的存活時間。我們也同時作模擬實驗來驗證這些技巧確實可延 長感測網路的存活時間。

關鍵字:感測網路、平衡耗電量、生命週期、資料收集樹、多收集器

(6)

致謝

在這兩年的研究所生涯中,剛進入時曾不知方向,為了題目而苦思許久,而 最後終於也完成了這項人生的創舉,在這段獨立思考、找出問題、提出解決方法,

進而提升自己的各項能力,其過程中非常感謝的是我的指導教授-俞征武教授。

教授總是能在遇到瓶頸時適時的提出一些關鍵的意見,使得各種疑難雜症能夠解 決,而還有一項就是訓練我表達的能力,再每一次的報告中給予意見,讓我能了 解報告中缺乏些什麼,而能在最終口試能表現完美、應對自然。再次感謝指導教 授的教導,使我在研究所的生活順利且充實。

接著我要感謝我的實驗室夥伴,瑞偉、芳瑋、建意、鵬仁、儒賢、朝陽等。

在研究所的生涯中陪伴我研究,大家一起討論、研究、解決問題、撰寫程式等,

這比一個人默默的研究要有效率的多,且也很有趣,感謝你們一路上的協助使我 成長很多!

最後,感謝我的父母,支持我繼續學習下去,這些支持是我繼續努力的動力,

也在此感謝那些曾經幫助過我的人,致上最高的謝意。

(7)

目錄

摘要……... I 致謝……... II 目錄……...III 圖目錄...IV 表目錄…...VI

第一章 簡介...1

第二章 相關研究...4

2.1 Low-Energy Adaptive Clustering Hierarchy ...4

2.2 Balanced tree...5

2.3 其他 aggregation tree 的方法...6

第三章 定義...8

第四章 多收集樹法...10

4.1 建樹的演算法...10

4.2 樹的切換...14

第五章 單一收集樹法...16

5.1 建樹的演算法...16

5.2 切換樹上資料之流動方向...18

第六章 實驗...20

6.1 環境參數...20

6.2 模擬結果...22

第七章 結論與未來方向...37

參考文獻...39

(8)

圖目錄

圖 2.1:LEACH 感測資料傳送的路徑 ...5

圖 2.2:Balanced tree 感測資料傳送的路徑...6

圖 3.1:圖(Graph),紅色部分為最小成本生成樹(Minimum Cost Spanning Tree)..8

圖 3.2:簡單的樹...9

圖 3.3:DFS 執行過程 ...9

圖 4.1:感測點的傳輸狀況...11

圖 4.2:位於收集樹上的點的鄰居...12

圖 4.3:找尋能加入收集樹的點...13

圖 4.4:找尋讓所有Eilife最高的點作為連接的選擇 ...13

圖 4.5:各個收集器所建立的收集樹...15

圖 5.1:各個感測點找尋鄰居中傳遞能量消耗做少的點作連接...17

圖 5.2:找尋對其他團體連接消耗能源最少的感測點...17

圖 5.3:切換收集器,當控制封包到綠色感測點時停止傳送...18

圖 5.4:DFS 找尋切換收集器的順序,藍色部分為收集器 ...19

圖 6.1:100 個節點在 500×500 平方單位的感測區域內的拓撲結構 ...20

圖 6.2 :100 個節點在 500×500 平方單位的感測區域內的拓撲結構,且將收集器 固定位置...21

圖 6.3:最大傳輸半徑短(sr)=80,網路存活時間。(a)收集器隨機分佈,(b)收集器 固定位置...23

圖 6.4:最大傳輸半徑長(sr)=200,網路存活時間。(a) 收集器隨機分佈,(b) 收 集器固定位置...24

圖 6.5:剩餘感測點的平均能量...26

圖 6.6:剩餘感測點能量的標準差...26

(9)

圖 6.7:單次傳送資訊所消耗的能源...27

圖 6.8:感測點電源起始分佈圖...28

圖 6.9:感測點電源分佈不平均的執行結果...29

圖 6.10:壓縮比(β)=0.2 時,感測網路所執行的次數...30

圖 6.11:壓縮比(β)=0.3 時,感測網路所執行的次數...30

圖 6.12:壓縮比(β)=0.4 時,感測網路所執行的次數...31

圖 6.13:壓縮比(β)=0.5 時,感測網路所執行的次數...31

圖 6.14:壓縮比(β)=0.6 時,感測網路所執行的次數...32

圖 6.15:壓縮比(β)=0.7 時,感測網路所執行的次數...32

圖 6.16:壓縮比(β)=0.8 時,感測網路所執行的次數...33

圖 6.17:壓縮比(β)=0.9 時,感測網路所執行的次數...33

圖 6.18:壓縮比(β)=1 時,感測網路所執行的次數...34

圖 6.19:單一收集樹中收集器在樹位置不同的比較...36

(10)

表目錄

表 6.1:實驗時所使用的參數...21 表 6.2:轉換收集器時控制封包的數量...25 表 6.3:建造收集樹的成功率...28 表 6.4:單一收集樹中選擇不同切換收集器順序的方法所造能的控制封包多寡35 表 6.5:單一收集樹中收集器不限定在 leaf 時,選擇不同切換收集器順序的方法

所造能的控制封包多寡...35

(11)

第一章 簡介

無線感測網路是在無線網路中的應用,利用低成本的感測點,以大量密集的 散佈在需要感測的區域。而感測點可以感測所在區域的一些訊息(例如:溫度、

溼度等),感測點之間可以在所限定的傳送半徑內互相傳遞訊息[1]。

無線感測網路可以應用在救災、軍事、防止入侵等方面。例如,在救災方面 感測點可以偵測附近周圍的溫度、溼度,以便當溫度、溼度異常時,能即時派出 救援單位去搶救;在軍事上,也可以將感測點直接散佈在戰場上蒐集戰場上的資 訊;不必派人直接到達戰場,便可以了解該處的情況,有利於判斷形勢做出有利 於己方的戰術[2]。

ㄧ般而言、因為環境因素和成本方面的考量,感測網路在一定區域內所佈置 的感測點是有限的,加上密集的散佈以及任務的需求使得感測點體積不會太大,

因此每個感測點所攜帶的電力也是有限的,所以如何能使感測網路監測的時間越 久越好,因此如何控制耗電量以增長網路存活時間便是一個很重要的問題。

探究影響網路存活時間因素有相當多種。前人多考慮如何能夠降低大部分感 測點的耗電量,以延長感測網路的生命週期,因此耗電量的考慮幾乎都是使得單 一感測點存活越久越好,不是選擇傳給父節點的能量消耗較少,就是傳給收集器 的路上所消耗的總能量較少。但是忽略了另一個影響網路存活時間的重要因素:

感測點電源消耗不平均,若經由同樣的路徑傳送資訊,會造成該路徑上的感測點 較其他地方的要早衰竭。一旦若干感測點電源耗盡進而導致網路功能喪失,則其 他感測點縱然仍有相當多的電源也是無用的,因此我們將整體網路的存活時間 (lifetime)定為感測區域內開始偵測至第一個感測點衰竭的時間。討論造成感測點 電源消耗不平均的因素也有很多。例如,感測網路常使用一個資料收集樹 (aggregation tree)來蒐集感測得來的資料,所以會影響此區感測點或鄰近區感測

(12)

器(sink)的遠近、該區域中被監控的事件其發生的頻率。這些因素都會影響到感 測點的接收及傳送資料的次數及封包的大小,導致感測點的能源消耗程度不同;

也就是有些感測點會較早死亡,導致整體網路之存活時間下降。

研究顯示要造出最佳的資料收集樹是 NP-complete 的問題[3],因此前人所做 的方法大多是屬於 heuristics 的方法來建立資料收集樹以求網路存活時間能夠增 加。不過我們發現若一直固定利用一個資料收集樹,由於資料收集壓縮封包的問 題,使得靠近收集器的感測點所接收與傳送的封包都會龐大,導致耗電量提高,

因而容易造成電源消耗上的偏差,讓靠近收集器的感測點能量衰竭時,其他的感 測點仍然擁有相當多的電量。

本篇論文提出一個新的省電收集樹,大量降低了電源消耗上的偏差,使得各 個感測點在網路生命結束時,所擁有的剩餘電源是相近的並不會有浪費電源的情 形發生,這點將在實驗中證明,不過儘管降低了偏差,偏差仍然存在,因此本篇 論文除了提出新的省電的資料收集樹外,想到不同的收集器所建立出來的收集樹 並不相同,而偏差值也不一樣,若能好好利用能使感測點存活的更久,以加長網 路存活的時間;同時我們也作模擬實驗來驗證這些技巧確實可延長感測網路的存 活時間,並且也驗證我們所提出的方法使各個感測點所消耗的能量能更平衡,在 第一個感測點衰竭過後,其他的感測點所剩下的能量形成的標準差處於較低的數 值,確確實實的解決了前人所未考慮的事情。

我們提出利用一些平衡電源消耗的一般技巧來延長感測網路的存活時間。這 些技巧希望使得每個節點的存活時間更加相近,以期望使得整個網路的存活時間 更長。本篇論文的想法是,當有好多個收集器(sink)時,利用多個收集器(sink)建 立不同收集資訊的資料收集樹或在同一棵資料收集樹上改變不同的資料流動方 向。藉由切換不同的資料收集樹或改變不同的資料流動方向,來達到所有感測點 能源消耗速率相近,進而延長網路存活時間。雖然所得的資料收集樹本身並非是 最佳的,但是利用規律地切換可互補地造成一種動態的平均。

(13)

本篇論文架構如下。第二章將介紹前人在延長感測網路存活時間上所做過的 成果,第三章定義一些本論文所需要用到的定義與名詞,第四章提供多收集樹法 來平衡感測網路的電源消耗,第五章提供單一收集樹法來平衡感測網路的電源消 耗,第六章利用實驗來驗證我們所提的方法是否能夠達到電源平衡消耗以延長網 路存活時間的目的;最後則是結論與未來展望。

(14)

第二章 相關研究

本章介紹一些前人所研究一些延長網路存活時間的方法,和指出為何只關心 單一感測點存活越久越好,為何無法使網路存活時間達到最長,而進一步得知需 要考慮整個網路的存活時間來建立 aggregation tree。

2.1 Low-Energy Adaptive Clustering Hierarchy

在[4]中,W. Heinzelman, A. Chandrakasan, 和 H. Balakrishnan 他們提出了 Low-Energy Adaptive Clustering Hierarchy (LEACH) 這個方法。LEACH 先利用 每個感測點的電量的高低來決定自己是否有資格擔任 local cluster-head,接著由 機率選擇自己是否當上了 local cluster-head,而這些 local cluster-heads 廣播給附 近的感測點,讓附近的感測點得知對方當上了 local cluster-head 而加入他的團 體,之後將感測的資訊傳送給自己所屬的 local cluster-head,再由 cluster-heads 傳 送給收集器,如圖 2.1。而 local cluster-heads 經過一段時間後會有機會更動,且 所有感測點傳送給 cluster-heads 的資料經過壓縮,使得耗電量降低。我們將其優 缺點的分析如下:

優點:感測點離 cluster-heads 很近,因此傳送資訊時所耗的電量能夠降低,

降低整體的耗電量,使網路的存活時間增加。

缺點:當 cluster-heads 的這些感測點因為接收過多其他感測點的資訊,加上 將彙整的資訊傳送給收集器的距離不一定很近,使得能量消耗的很快 而支持不了多久。

(15)

圖 2.1:LEACH 感測資料傳送的路徑

2.2 Balanced tree

在[6]中,Hyun-sook Kim 和 Ki-jun Han 針對使用資料收集樹收集資料時,

會造成分支多的感測點耗電量增加,所以這提出利用 Balanced tree 的原理,先使 用公式 2.2.1 計算出,在這個拓撲的結構下每個節點需要有多少的分支:其中 N 為感測點數量、R 為感測半徑、A 為感測區域的面積、π 為調整參數。再由收集 器開始,每個感測點選擇兩個最近的感測點作為連接對象,完成如圖 2.2 的 Balanced tree,再經由資料壓縮,使每個感測點所傳送與接收的資料量相同,讓 每個感測點的耗電量趨近一樣,進而延長整個網路存活的時間。

A R R N

2

)

( × ×

= π

μ (2.2.1)

我們將其優缺點的分析如下:

優點:透過資料壓縮,加上 Balanced tree,使得每個感測點接收的耗電量相 同,讓感測點的耗電量相近而使網路存活時間變長。

(16)

缺點:雖然每個感測點接收的耗電量相同,不過由於傳送資訊給父節點的距 離不一,使得本來 Balanced 的用意打了折扣,使感測點的耗電量不 平衡,加上感測得來的資料不一定能夠壓縮的這麼完美,讓在資料收 集樹上靠近收集器的感測點依然免不了接收到過大的封包而提早能 源耗盡。

圖 2.2:Balanced tree 感測資料傳送的路徑

2.3 其他 aggregation tree 的方法

在[8],[9]中,提出整個傳輸的電量消耗最少的方法,由收集器計算每個感測 點經過的其他感測點到收集器的最短距離來建立 aggregation tree,這個方法所建 立出來的樹,每個感測點傳送到收集器所消耗的電量都是最少的,不過每個感測 點所建立出來的 aggregation tree,要到收集器所經過的感測點可能重覆使用會過 高,因此造成重複率過高的感測點反而耗電量過大而提早電源耗竭。

在[14]中,Jae-Hwan Chang 和 L. Tassiulas 提出使整個網路存活最久的方 法,在每次傳送資訊時動態的建立 aggregation tree,所選擇路徑的方式是訂定一 個權重,為鄰居中可以傳送次數最多與接收最多的感測點權重較高,此作為傳送

(17)

方向,雖然這樣的確可以提高網路的存活時間,不過由於是動態選擇,每次傳送 都會額外的消耗電量,加上只觀察鄰居的權重並不是觀察整個網路的總體權重值 使得總傳送次數並不一定會比較多,最有可能造成的就是路徑上僅有一個感測點 所剩的電源較少傳送次數不多,因此都不會被選上,造成連接在這個感測點後面 的感測點都帶有相當多的能量而無法經由他們傳送資料給收集器。

(18)

第三章 定義

這節先介紹一些會使用到的名詞定義。

圖(graph):是由所有節點和所有邊(edge)所組合而成的,如圖3.1。

最小成本生成樹(Minimum Cost Spanning Tree):是指在圖上經過所有節點花 費最少成本的樹。如圖3.1中紅色實線。

圖 3.1:圖(Graph),紅色部分為最小成本生成樹(Minimum Cost Spanning Tree)

樹葉(leaf):在樹上沒有子節點的節點,也稱為終節點。

DFS(Depth First Search,深度優先搜尋):Search就是說把圖形上的每個節 點(以上圖為例)都走過一遍,而深度優先的意思就是盡量往深的地方走,而我 們以簡單的樹為例子來執行DFS,像圖3.2中,若由紅色點開始執行,執行結果如 圖3.3,順藍色的箭頭開始執行,遇到點就繼續往更深的地方走去,直到最後一 個節點A沒有任何的路可以走時便往回走,走至原點時發現有路可以繼續走,便 繼續往下走,走至B再回頭,依然走回原點時才發現有路可走,繼續走到C,當 回到原點時發現並沒有路可以再走下去的時候則停止走動。這樣的搜尋方法便為 DFS。

(19)

圖 3.2:簡單的樹

圖 3.3:DFS 執行過程

網路存活時間(network lifetime):在感測區域中,從佈置感測點開始偵測 感測區域的資訊時,每個感測點傳遞訊息所剩的能源逐漸減少,直到任一感測點 的能量耗盡,這段期間稱之為網路的存活時間。

(20)

第四章 多收集樹法

首先提出一個建造新的資料收集樹的方法。其關鍵想法為當在建造一個資料 收集樹時,即選擇讓整體網路生命週期下降越少的感測點來做樹的邊(edge)的連 接。已期望建立一棵生命週期最長的資料收集樹。

並不以最少能源消耗的路經惟依歸,而是觀察該感測點所剩下的能源能夠維 持多久,選擇能夠讓該點活最久的點作連接,並且與整個網路存活時間做比較,

進而決定它能連接多少的感測點,來達到延長網路存活時間以及平衡所有感測點 的電源消耗等等目的。

4.1 建樹的演算法

在佈滿感測點的區域中存在著若干收集器在蒐集資訊,而首先介紹第一個方 法,為每個收集器都建造一棵樹使用多樹依序切換來達成平衡的效果,我們稱之 為多收集樹法。我們在演算法中加入了 power control 的問題,因而假設在感測網 路中傳輸資訊所耗的能量與距離的α 次方成正比[6],且假設每次接收到其他感 測點所傳的資訊時封包會經壓縮過後再傳送出去,經過壓縮後封包的大小將會變 為原本的β倍[25],因此每個感測點所傳送的封包大小為M ,定義如下: k

=

× +

= n

r r i

k M M

M

0

β (4.1.1)

這裡M 為每個感測點每個單位時間本身要傳送出去的封包大小,i Mr(r=0..n) 為接收到其他感測點每個單位時間傳送給M 的封包大小,n 即為與該感測點在i 其資料收集樹上相連接的子孫個數,如圖 4.1。

假設每壓縮一個位元(bit)需消耗能量為E ,傳送一個位元所需要耗的能量g

E ,接收一個位元其他感測點傳來的資訊所耗的電量為t Er,則每個感測點傳

(21)

送給其他感測點所消耗的能量為E 。則我們可得以下的能源等式: i

=

× + +

×

×

= n

r r g

r k

t

i E M d E E M

E

0

)

α (

(4.1.2)

這裡d代表該感測點到其父感測點的距離。又假設某一感測點目前所擁有的 能源Einow,則該感測點的存活時間Eilife

i now i life

i E E

E = ÷ (4.1.3)

圖 4.1:感測點的傳輸狀況

以下為說明建造長生命資料收集樹演算法:

對於每一個收集器(sink)連接傳輸半徑(transmission range)內,所有的感測點 鄰居(neighbors)將收集樹(aggregation tree)建立起來,並計算各感測點的存活時 間,然後選擇這棵收集樹上距離收集器 one hop count 內所有的感測點中,存活 時間(Eilife)最長的感測點作為下一個目標,接著該感測點找尋鄰居當中是還未連 接到此收集樹上的感測點,在其中挑選一個傳輸距離最近的感測點,作為下一個 加入此收集樹的感測點,由該感測點找尋傳輸半徑內有哪些感測點是已經在收集 樹中並嘗試連接,在裡面找尋一個讓連接後讓整個網路存活時間下降最少的感測

(22)

hop count 中找尋下一個存活時間最長的感測點的鄰居作為加入收集樹的對象,

直到 one hop count 內所有的鄰居都加入了收集樹後,再找尋離收集器 two hop count 的感測點附近的鄰居加入此收集樹,依此類推下去,等到所有的感測點都 加入此收集樹後停止此演算法。

以下用個例子說明建造這棵收集樹的步驟:

a. 先選擇一個收集器,由收集器開始建立這棵資料收集樹,先找尋傳輸半徑內 的感測點鄰居。所有這些感測點直接連接收集器以便加入收集樹中,並計算 收集樹上的感測點所能存活的時間Eilife

b. 位於目前收集樹上距離收集器one hop count的點中存活最久的點開始呼叫鄰 居感測點如圖4.2。

c. 被呼叫的最近鄰居開始加入此收集樹,該點選擇可以加入哪些收集樹中的點 來當父感測點如圖4.3,並重新計算加入後的網路存活時間,選擇讓整個網路 的存活時間降的最少,如圖4.4,做為最後的父感測點,連接並加入收集樹中。

d. 重複b步驟直到距離收集器one hop count的點內所有的鄰居都加入了收集樹 e. 將hop count 往上加1,並重複b步驟,直到所有的點都加入了收集樹。

圖 4.2:位於收集樹上的點的鄰居

(23)

圖 4.3:找尋能加入收集樹的點

圖 4.4:找尋讓所有Eilife最高的點作為連接的選擇

由於一旦若干感測點電源耗盡進而導致網路功能喪失,則其他感測點縱然仍 有相當多的電源也是無用的,而以這個方法所建立出來的收集樹,是找尋讓所有

life

Ei 最高的感測點作連接,因此各個感測點所連接的感測點數量都不需固定,且 由於Eilife的控制,使得各個感測點在網路中斷時,所剩的電源會很相近,並不會 有浪費電源的情形發生,是一種讓感測點不會留有多餘電源卻無法加以利用,來 使整個網路存活時間拉長的演算法。

(24)

4.2 樹的切換

接下來是平衡感測點的電源消耗,雖然經過上面的收集樹建制已經大致將各 個感測點的存活時間提升到最大,不過由於接近收集器的感測點電源消耗還是比 其他的感測點大,所以我們才利用其他的收集器來平衡這個問題,切換的過程如 下所示:

在傳送一段時間後,各個感測點剩餘的電源距離開始拉開,因此為了拉近感 測點剩餘電源的距離,因此必須轉換至另一個收集器來收集資訊,而每個收集器 在上一個階段就已經建立完屬於該收集器的長生命資料收集樹,所以當轉收集器 時,收集器便廣播給所有感測點告知,收集器已經變更,每一個收集器依據所建 出來的樹繼續收集資料便可,如圖 4.5,直到有一個感測點死亡整個網路就此中 斷,不過依照此方法建立的資料收集樹,各個感測點的電源消耗應該是相當的,

因此當其中一個感測點電源耗盡時,其他的感測點所剩的電源也不多了,此會在 實驗中進一步證明。

因為這是利用切換不同的資料收集樹,來達成平衡電量消耗,所以各個收 集器所建立的收集樹上,每個感測點最好擁有不同的傳送能量消耗的權重,因此 收集器所在的位置很有可能影響到感測點傳送能量消耗的權重,若收集器太近,

因為傳輸距離的限制,所連接的感測點在兩收集器間權重無法下降,如此切換不 同的資料收集樹的效果可能就會降低了,此會在實驗中加以說明。

(25)

圖 4.5:各個收集器所建立的收集樹

(26)

第五章 單一收集樹法

由於上一個方法需為每一個收集器建一棵樹,所需時間及負擔(overhead)較 長較高,且所建造出來的效果跟收集器的位置有關係。為了避免因為建樹而造成 額外的負擔接下來的小節,本文提出另外一個方法只建一棵樹,而為達成平衡電 源損耗的方式是在所建立好的這棵收集樹上,利用改變感測點的傳送方向,來達 成平衡電量消耗的效果,我們稱之為單一收集樹法。

5.1 建樹的演算法

一般而言,收集器在樹上的位置將會影響其電源消耗的速度。但一般收集器 所在的位置是固定的。我們需要一棵樹使得收集器所在的位置相當對稱,因為對 稱可使整棵樹達到平衡電源損耗。我們希望建立一棵樹使得所有收集器都落在樹 葉上。而且希望所耗的電源越少越好,且建造的時間相當的迅速。因此我們是分 散式由小的團體慢慢擴大到所有感測點都形成同樣的團體,而結合方式是尋找連 接其他團體時所消耗電量最低的團體作為連接,如此能造成最小的能量消耗,建 立樹的過程如下:

每一個感測點為一個群落,往外找尋傳送資訊時消耗電量最少的群落相連 接,連接在一起的感測點合併成一個群落,再往外找尋傳送資訊時消耗電量最少 的群落相連接,直到所有感測點都連接在一起,形成同一個群落為止,此資料收 集樹便建立完成了。相當明顯地,此演算法時間複雜度可在 O(n2)內完成。

接著我們使用例子來介紹如何建立這棵樹:

a. 每個感測點先找尋鄰居中傳遞能量消耗最少的感測點相連接,如圖5.1。

b. 緊接著,已經相連接的節點形成一棵棵的小樹(tree),並且找尋對其他樹連接 所消耗能量最少的感測點來連接,如圖5.2。每個感測點與非同一棵樹上的感

(27)

測點鄰居傳輸所耗的能量相比較,選擇所耗能量較少邊(edge)做連接形成一些 新的更大的樹。當收集器在做連接時為了要使收集器落於整棵樹的葉子 (leaf),必須限制該收集器在樹上最多只能有1個鄰居,此為了在改變資料流 向時降低控制封包數,來達到較好的效能。

圖 5.1:各個感測點找尋鄰居中傳遞能量消耗做少的點作連接

圖 5.2:找尋對其他團體連接消耗能源最少的感測點

c. 重複者步驟b直到所有的感測點都形成同一棵樹,也就建立一棵完整收集樹。

這個方法為了要增加平衡的效果而使每個收集器在建樹的過程中都處於葉 子,因此當收集器附近的鄰居大部分收集器時,很有可能發生樹建不起來的情

(28)

形,雖然此情況發生的比例可能不高,而我們也會在實驗中檢驗成功建樹的機率。

5.2 切換樹上資料之流動方向

利用 5.1 的演算法, 我們造出一個最小成本生成樹而且每個收集器都落在該 樹的樹葉上。接著介紹如何利用此樹來切換收集器來平衡感測點的電源消耗。以 下為切換收集器的方法:

假設有 k 個收集器 s0, s1, …, sk-1。我們將要利用一個方法排列 k 個收集器的 順序(order)即 so(0), s o(1), …, s o(k-1) 當 so(i)收集一段時間之後將整個網路的收集器轉 為 so(i+1 mod k)

在傳送一段時間之後,準備切換到下一個收集器,由於使用同一棵樹,不需 大動作的傳送控制封包來改變所有資料的流向。僅由下一個收集器送出控制封包 在這棵收集樹上而由其他的感測點接續傳送。

當感測點收到另一個感測點所傳送過來的控制封包與原本傳送資訊的感測 點相同時,停止控制封包的傳送,其他接收到控制封包的感測點則轉換下一階段 傳送資訊的目標,如圖 5.3。

圖 5.3:切換收集器,當控制封包到綠色感測點時停止傳送

(29)

所有的收集器的切換順序可任意決定,但若小心思考也可讓上述的控制封包 降低。我們的方法是,任意選擇一個收集器,然後使用 depth-first search(DFS)的 演算法搜尋這棵樹,將經過的收集器依序列出來,作為切換的順序,以使切換收 集器時控制封包能夠降低,不需變動太多資料傳送方向便可完成資料流向的轉 換,如圖 5.3。

圖 5.4:DFS 找尋切換收集器的順序,藍色部分為收集器

(30)

第六章 實驗

我們使用 C++來撰寫模擬程式,比較我們的方法是否真的能達到平衡所有感 測點的電源消耗,我們實驗多個收集器來收集資料,來比較傳輸方面是否能使網 路生命週期延長,並與前人 Balanced tree 的方法做比較。

6.1 環境參數

我們實驗的網路範圍為 500×500 平方單位的區域內,隨機的佈置 100 個節 點,我們將模擬各個收集器距離的遠近是否會影響感測點電源的平衡,圖 6.1 為 我們實驗模擬中 100 個感測點在 500x500 平方單位區域中的拓撲結構。

圖 6.1:100 個節點在 500×500 平方單位的感測區域內的拓撲結構

表 6.1 為傳送接收資訊時電源消耗的能量參數,此為參考[6]中所設計的,並 β =

(31)

輸資訊所耗的能量與距離的平方成正比(α =2)。

表 6.1:實驗時所使用的參數

描述 參數 數值

傳送 E 100pJ t bit

接收 Er 50nJ bit

壓縮 E 5nJ g bit

資料 M 1000bit k

壓縮比 β 0.1

傳輸資訊所耗的能量與距離的關係 α 2

假設我們每傳送 20 次(chang turn=20)資訊就切換一次收集器,當第一個感測 點能源耗盡時,此網路的生命週期則結束。圖 6.2 為將收集器固定位置後在 500×500 平方單位的感測區域內,散佈 100 個感測點的拓撲結構。

圖 6.2 :100 個節點在 500×500 平方單位的感測區域內的拓撲結構,且將收集器

(32)

6.2 模擬結果

一開始我們先以起始電源都相同 energy=100000 焦耳(J)的情況下執行我們的 方法與 balance tree 做比較,以下為執行 100 次後平均所得的結果。

由圖 6.3 中我們可以得知,我們的方法在單一個收集器的情況下仍然比 balance tree 要好,網路能存活的更久,而當收集器增加時,我們的方法都能夠 增加網路的存活時間,而在感測區域中將收集器固定位置時,由於隨機分佈收集 器時,收集器要集中在一起的機會本來就不高,因此多收集樹法在固定收集器時 並沒有明顯的提升,反而是單一收集樹法因為能確實的將收集器分散開來,使得 收集器能夠對稱存在,因此感測點在切換收集器時能明顯的平衡電量的消耗,提 升網路生存時間,不過由於傳輸半徑過短使得建樹的成功率降低了許多,如表 6.3。

由圖 6.4 中我們可以得知,在傳輸半徑長時更加需要轉換收集樹,因為多收 集樹法與 balance tree 都是由收集器開始建立收集樹,因此當傳輸半徑長時鄰居 則增加了,所帶的子孫傳送資訊過來的距離差距將更大,因此在只有一個收集器 的情況下,並不能將網路存活時間提高,不過當收集器愈多越多可以切換的收集 樹時,我們的方法依然能達到傳輸半徑短時所擁有的網路存活時間。

而在圖 6.3 和 6.4 中我們的單一收集樹法不管是處於何種狀況,網路存活時 間都很長,因為這個方法並沒有考慮到鄰居的個數也不是從收集器開始建立的,

而是以能源消耗的最小生成樹建造出來的,不過在收集器不斷增加時,雖然有提 升網路存活時間,不過當收集器越多時,反而網路存活時間還下降了回來,原因 是因為它所建出來的收集樹只有一個,僅是靠著變換資料流動的方向所造成的成 果必然有限,過多的收集器轉換反而造成了額外的負擔。

(33)

最大傳輸半徑短sr=80 收集者隨機分佈

0 2000 4000 6000 8000 10000 12000 14000 16000 18000

1 2 3 4 5 6 7 8 9

收集者(Sink)數目

(round)

多收集樹法 單一收集樹法 Balance tree

(a) 最大傳輸半徑短(sr)=80,收集器隨機分佈

最大傳輸半徑短sr=80,收集者固定位置

0 2000 4000 6000 8000 10000 12000 14000 16000 18000

1 2 3 4 5 6 7 8 9

收集者(Sink)數目

(round)

多收集樹法 單一收集樹法 Balance tree

(b) 最大傳輸半徑短(sr)=80,收集器固定位置

圖 6.3:最大傳輸半徑短(sr)=80,網路存活時間。(a)收集器隨機分佈,(b)收集器

(34)

最大傳輸半徑長sr=200,收集者隨機分佈

0 2000 4000 6000 8000 10000 12000 14000 16000

1 2 3 4 5 6 7 8 9

收集者(Sink)數目

感測網路執行了幾輪(round) 多收集樹法

單一收集樹法

Balance tree

(a) 最大傳輸半徑長(sr)=200,收集器隨機分佈

最大傳輸半徑長sr=200,收集者固定位置

0 2000 4000 6000 8000 10000 12000 14000 16000

1 2 3 4 5 6 7 8 9

收集者(Sink)數目

感測網路執行了幾輪(round)

多收集樹法

單一收集樹法

Balance tree

(b) 最大傳輸半徑長(sr)=200,收集器固定位置

圖 6.4:最大傳輸半徑長(sr)=200,網路存活時間。(a) 收集器隨機分佈,(b) 收 集器固定位置

(35)

由圖 6.5 我們可以得知在收集器越多時,我們的方法在網路中斷時每個節點 所剩的能源平均越來越少,可想而知我們操作資料收集樹平衡感測網路的電源消 耗,在收集器不斷增加時,在網路中斷後,各個感測點所剩的能量越來越少,更 能善用各個感測點的資源到最後一刻,使得浪費的電源變少了。

由圖 6.6 中所顯示的標準差,得知 balance tree 這個方法雖然固定了接收的子 孫數,不過由於傳送的長短不一,加上壓縮封包的膨脹,使得靠近收集器的感測 點很快的死亡,而遠離的感測點能量還很多,使得標準差過高,因此儘管平均感 測點剩下的能源很低,不過剩下的感測點所帶的能源多寡差距甚大,有許多感測 點仍然帶有大量的能源而沒有使用到,這證明了我們所建造的收集樹,以 lifetime 作為考量比控制 degree 有效的多。

而圖 6.6 所顯示的標準差,雖然並沒有讓標準差降到 0,但是仍然是讓各個 感測點剩下的能源差距更小了,尤其是多收集樹法是所有標準差最低的,表示考 慮 lifetime 來建樹,最能將感測點的消耗能源平衡下來,加上圖 6.5 的平均電源 越來越少的顯示,更加能證明當結束的瞬間每個感測點的電源也都能越來越往 0 逼近,一點都沒有浪費,每個感測點都盡到了最佳的責任,所浪費的電源越來越 少,真正的達到了平衡所該有的成果。

表 6.2 說明在 9 個收集器固定位置的狀態下每次轉換收集器時控制封包的數 量,確實單一收集樹法減少了許多控制封包的數量,讓轉換時更為迅速。

表 6.2:轉換收集器時控制封包的數量 收集器(ID)

方法

1 2 3 4 5 6 7 8 9 1

多收集樹法 99 99 99 99 99 99 99 99 99 99

單一收集樹法 99 6 13 11 9 10 10 9 9 11

(36)

0 10000 20000 30000 40000 50000 60000 70000 80000 90000

1 2 3 4 5 6 7 8 9 10

收集者(Sink)數目

剩於感測點平均能源

多收集樹法 單一收集樹法 Balance tree

圖 6.5:剩餘感測點的平均能量

0 5000 10000 15000 20000 25000 30000 35000

1 2 3 4 5 6 7 8 9

收集者(Sink)數目

標準

多收集樹法

單一收集樹

Balance tree

圖 6.6:剩餘感測點能量的標準差

(37)

在圖 6.5 中顯示出在任何情況 balance tree 所剩餘的能量都比多收集樹和 單一收集樹要少,可是所執行的次數並沒有多收集樹和單一收集樹多,原因是因 為 balance tree 單次傳送資訊所消耗的能源要遠大於多收集樹和單一收集樹,

如圖 6.7。為何會相差如此多,原因是因為 balance tree 強調子孫數固定,因 此透過計算出來每個感測點所需要攜帶的子孫數將會固定,不過由於一定要使子 孫數相同,但是各個感測點之間的距離不一,所以會造成過多的感測點連接父親 時距離過大而使得單次傳送資訊所消耗的能源變多。因此儘管 balance tree 所 剩下的能源都比較少,但是執行的次數並沒有多收集樹和單一收集樹來的多。

單次傳送資訊所消耗的能源

0 500 1000 1500 2000 2500 3000 3500

1 2 3 4 5 6 7 8 9 收集器個數(個)

消耗電量(J)

多收集樹 單一收集樹 balance tree

圖 6.7:單次傳送資訊所消耗的能源

既然在最大傳輸距離短時所執行的次數較多,為何不使用較短的最大傳輸距 離,原因是因為在最大傳輸距離短時,每個感測點所擁有的鄰居數會變少,因此 建樹的成功率將會降低,表 6.3 顯示在這 100 次執行的過程中建樹的成功機率,

很明顯的看出來多收集樹法和 balance tree 只要有鄰居可以連便可以建造出樹 來,而單一收集樹法則是因為要求收集器必須落於整棵樹的葉子(leaf)上,因此

(38)

成功率降低了一些,不過仍然有 90%以上的成功率,不算太差。

表 6.3:建造收集樹的成功率

方法 傳輸距離距離 80 的成功率 傳輸距離距離 200 的成功率

多收集樹法 57% 100%

單一收集樹法 43% 93.6%

Balance tree 50% 100%

接下來若是電源能量起始分佈便不平均的情況下如圖 6.8,以下圖的情況來 執行我們的方法與 balance tree 做比較。

感測點電源

0 50000 100000 150000 200000 250000

1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 感測點

起始電源

感測點電源

圖 6.8:感測點電源起始分佈圖

由圖 6.9 中我們可以得知儘管電源起始分配不平均,不過我們的方法更能顯 現出他的效能,跟電源分配相同的狀態做比較,多收集樹法能執行的次數明顯的 增加了,但相較於 balance tree 卻沒有明顯的增加,這完全是因為我們的多收集

(39)

樹法是使用生存時間做為連接的依據,使得帶電量少的感測點不會分配到吃重的 工作,因此在電源分配不平均的情況下,網路能存活的更久,而僅僅考慮接收耗 電量相同的 balance tree 明顯不適合在電源分配不平均的情況下執行。

電源分佈不平均的執行結果

0 5000 10000 15000 20000 25000

1 2 3 4 5 6 7 8 9

收集者數目

(round)

多收集樹法 單一收集樹法 Balance tree

圖 6.9:感測點電源分佈不平均的執行結果

以上實驗所顯示出來的結果,單一收集樹雖然增加收集器所造成的幅度較小 但是所執行的次數都比多收集樹來的多,這是因為壓縮比較小無法讓多收集樹的 方法完全發揮出來,而在圖 6.10 到 6.18 中,我們將壓縮比不斷的提高所顯示出 來的結果,多收集樹所顯示出來的效果越來越好,而在封包壓縮比(β)=1 的情況 下,多收集樹所執行出來的結果全部都高於單一收集樹,這是因為當封包壓縮比 為 0.1 時,靠近收集器的感測點所累積的封包量與其他感測點的封包量相差的距 離不夠大,因此並不能完全發揮多收集樹的效能,而當壓縮比越來越高時,收集 器附近的感測點所累積的封包量與其他感測點的封包量相差距離越來越大,因此 效能逐漸的提升,而當封包完全沒有壓縮時更能完全發揮出多收集樹的效能。

(40)

壓縮比=0.2所執行的結果

0 2000 4000 6000 8000 10000 12000 14000

1 2 3 4 5 6 7 8 9 收集器個數

感測網路所執行的次數(round)

多收集樹 單一收集樹 balance tree

圖 6.10:壓縮比(β)=0.2 時,感測網路所執行的次數

壓縮比=0.3所執行的情況

0 2000 4000 6000 8000 10000 12000

1 2 3 4 5 6 7 8 9 收集器個數

感測網路所執行的次數(round)

多收集樹 單一收集樹 balance tree

圖 6.11:壓縮比(β)=0.3 時,感測網路所執行的次數

(41)

壓縮比=0.4所執行的情況

0 1000 2000 3000 4000 5000 6000 7000 8000 9000

1 2 3 4 5 6 7 8 9 收集器個數

感測網路所執行的次數(round)

多收集樹 單一收集樹 balance tree

圖 6.12:壓縮比(β)=0.4 時,感測網路所執行的次數

壓縮比=0.5 所執行的結果

0 1000 2000 3000 4000 5000 6000 7000 8000

1 2 3 4 5 6 7 8 9 收集器個數

感測網路所執行的次數(round)

多收集樹 單一收集樹 balance tree

圖 6.13:壓縮比(β)=0.5 時,感測網路所執行的次數

(42)

壓縮比=0.6所執行的情況

0 1000 2000 3000 4000 5000 6000

1 2 3 4 5 6 7 8 9 收集器個數

感測網路所執行的次數(round)

多收集樹 單一收集樹 balance tree

圖 6.14:壓縮比(β)=0.6 時,感測網路所執行的次數

壓縮比=0.7所執行的情況

0 500 1000 1500 2000 2500 3000 3500 4000 4500

1 2 3 4 5 6 7 8 9 收集器個數

感測網路所執行的次數(round)

多收集樹 單一收集樹 balance tree

圖 6.15:壓縮比(β)=0.7 時,感測網路所執行的次數

(43)

壓縮比=0.8所執行的情況

0 500 1000 1500 2000 2500 3000

1 2 3 4 5 6 7 8 9 收集器個數

感測網路所執行的次數(round)

多收集樹 單一收集樹 balance tree

圖 6.16:壓縮比(β)=0.8 時,感測網路所執行的次數

壓縮比=0.9所執行的情況

0 200 400 600 800 1000 1200 1400 1600 1800

1 2 3 4 5 6 7 8 9 收集器個數

感測網路所執行的次數(round)

多收集樹 單一收集樹 balance tree

圖 6.17:壓縮比(β)=0.9 時,感測網路所執行的次數

(44)

壓縮比=1所執行的情況

0 100 200 300 400 500 600 700 800 900

1 2 3 4 5 6 7 8 9 收集器個數

感測網路執行的次數(round)

多收集樹 單一收集樹 balance tree

圖 6.18:壓縮比(β)=1 時,感測網路所執行的次數

接下來所比較的是單一收集樹中收集器切換順序方法若不同,所造成的控制 封包多寡也會不同,如表 6.4,顯示出來 Breadth-First-Search(BFS)雖然因為鄰居 優先而使得在切換上控制封包較少,但是當最後一個收集器要轉換成第一個收集 器時所浪費的控制封包就遠高出許多,而 Depth-first search (DFS)由於一直往深 處走因此較為平均,不過因為沒有方向性,因此仍然較有方向性的 Euler Tour 所 造成的控制封包要多。

我們也比較若是收集器不限定於樹的 leaf 上,造成切換時所消耗的控制封包 的多寡是否較存放在 leaf 上來的多,由表 6.5 所顯示出來的結果得知收集器存放 在 leaf 尚無論使用何種切換順序,切換時所造成消耗的控制封包多寡均比收集器 不存放在 leaf 上來的少,證實了存放在 leaf 上確實能將轉換收集器時所消耗的控 制封包壓低,以提高單一收集樹的效能。

(45)

表 6.4:單一收集樹中選擇不同切換收集器順序的方法所造能的控制封包多寡 收集器順序

選擇 切換順 序的方法

1 2 3 4 5 6 7 8 9 1 平均

random 99 14 15 14 14 14 16 13 16 13 14.3 DFS 99 13 11 9 9 10 8 8 11 6 9.44 BFS 99 4 6 8 8 10 12 13 15 23 11 Euler Tour 99 9 9 8 10 10 9 9 11 9 9.33

表 6.5:單一收集樹中收集器不限定在 leaf 時,選擇不同切換收集器順序的方法 所造能的控制封包多寡

收集器順序 選擇

切換順 序的方法

1 2 3 4 5 6 7 8 9 1 平均

random 99 16 17 16 16 16 16 16 18 14 16.111 DFS 99 9 9 10 8 10 10 10 12 13 10.111 BFS 99 4 7 9 11 13 12 15 13 27 12.333 Euler Tour 99 7 9 8 9 10 11 11 13 13 10.111

最後我們實際觀察單一收集樹中,收集器都限定位於樹的 leaf 與不限定收集 器在樹的位置對網路存活時間所造成的影響,如圖 6.19,我們可以看到雖然在收 集器個數少的情況下,收集器不限定在樹的 leaf 上使感測網路存活的時間較久,

不過當收集器增加時,由於切換時所消耗的控制封包數量較多,因此所消耗的能 量也隨之變多,雖然都有提升網路存活時間,不過將收集器限定於樹的 leaf 讓控 制封包數量減少所提升的網路存活時間更為顯著。

(46)

單一收集樹收集器位置的比較

0 100 200 300 400 500 600

1 2 3 4 5 6 7 8 9 收集器個數

感測網路所執行的次數(round) 收集器固定

於樹的leaf 收集器不固 定於樹的leaf

圖 6.19:單一收集樹中收集器在樹位置不同的比較

(47)

第七章 結論與未來方向

在本篇論文中所提出了兩個方法,多收集樹法與單一收集樹法,這兩個方法 由實驗得知每個都能提升整個網路的存活時間,除此之外,我們也順利解決了感 測點電源消耗不平均的問題,讓感測點不會有耗電量過大而提早衰竭盡進而導致 網路功能喪失,使其他感測點仍有相當多的電源而無用武之地的情況發生。

我們的方法經實驗比較得知,適用於任何的情況,包括感測點的感測距離大 小,或感測點的起始電源分佈,不管多收集樹法與單一收集樹法都能讓網路有較 高的存活時間,讓我們所提出的方法適用範圍更加的廣大。

而我們所提出的方法中單一收集樹法,雖然在收集器增加時網路的存活時間 提升的幅度較小,不過當壓縮比較小時單一收集樹法所造成的效果較高,這是由 於這樣所累積的封包較小多收集樹並沒有完全的發揮出他的功用,加上在切換收 集器時並不需要廣播所有的控制封包,使得控制封包在網路上的情況降低,額外 的耗電量也減少許多。

由於我們所要解決的問題是感測網路中耗電量不平均的問題,而我們也確實 辦到了,但是由於實驗中所顯示的不管是感測點平均所剩下的電源,或者是感測 點剩下電源的標準差,都只是大幅的降低,使感測點的耗電量達到平衡,不過離 真正的平衡還有一段距離,所以我們未來的研究方向將會更努力研究耗電量的平 衡期望真正能使所有的感測點在同一時間電源耗竭,而不會有感測點有多餘的殘 留電源剩下,完美的利用所有感測點的電量。

而研究中單一收集樹法中所提到的切換收集器順序是否有還有更好的切換 方法,而此是否也是使網路生命週期能夠更長整個網路存在更久的原因之一,能 否讓感測點之間的耗電量更佳的平衡,在未來的研究中也將深入探討,使網路生 命週期能夠更長整個網路存在更久,且更不會有感測點提早死亡而浪費其他感測

(48)

資源,讓整個網路的使用效能達到更好。

(49)

參考文獻

[1] I.F. Akyildiz, W. Su, Y. Sankarasubramaniam, and E. Cayirci, “Wireless sensor networks: a survey,” Computer Networks, vol. 38, no. 4, pp. 393-422, March, 2002.

[2] A.M. Zoubir, I.J. Chant, C.L. Brown, B. Barkat, and C. Abeynayake, “Signal processing techniques for landmine detection using impulse ground penetrating radar,” IEEE Sensors J., vol. 2, no. 1, pp. 41–51, 2002.

[3] R. Cristescu, B. Beferull-Lozano, M. Vetterli and R. Wattenhofer, “Network correlated data gathering with explicit communication: NP-completeness and algorithms,” IEEE/ACM Transactions on Networking, vol. 14, no 1, pp. 41 – 54, 2006.

[4] W. Heinzelman, A. Chandrakasan, and H. Balakrishnan, “Energy-efficient communication protocol for wireless microsensor networks,” Proceedings of the 33rd Hawaii International Conference on System Sciences, 2000, pp. 3005-3014.

[5] S. Lindsey, C. Raghavendra, and K.M. Sivalingam, “Data gathering algorithms in sensor networks using energy metrics,” IEEE Transactions on Parallel and Distributed Systems, vol. 13, no. 9, pp. 924–935, 2002.

[6] Hyun-sook Kim and Ki-jun Han, “A power efficient routing protocol based on balanced tree in wireless sensor networks,” Distributed Frameworks for Multimedia Applications, 2005, pp. 138-143.

[7] Luo Huiyu and G.J. Pottie, “Balanced aggregation trees for routing correlated data in wireless sensor networks,” International Symposium on Information

(50)

[8] S. Banerjee and A. Misra., “Minimum energy paths for reliable communication in multi-hop wireless networks,” MOBIHOC, 2002, pp. 146-156.

[9] M.A. Youssef, M.F. Younis and K.A. Arisha, “A constrained shortest-path energy-aware routing algorithm for wireless sensor networks,” Wireless Communications and Networking Conference, vol. 2, pp. 794-799, 2002.

[10] R. Cristescu, B. Beferull-Lozano, and M. Vetterli, “On network correlated data gathering,” IEEE Infocom, 2004, pp. 2571-2582.

[11] M. Ding, X. Cheng and G. Xue, “Aggregation tree construction in sensor networks,” IEEE 58th Vehicular Technology Conference, vol. 4, pp. 2168-2172, 2003.

[12] Yu Yang, B. Krishnamachari and V.K Prasanna, “Energy-latency tradeoffs for data gathering in wireless sensor networks,” Twenty-third Annual Joint Conference of the IEEE Computer and Communications Societies, vol. 1, pp.

245-255, 2004.

[13] Zongkai Yang, Yong Yuan and Jianhua He, “Energy aware data gathering based on adaptive modulation scaling in wireless sensor networks,” IEEE 60th Vehicular Technology Conference, vol. 4, pp. 2794-2798, 2004.

[14] Jae-Hwan Chang and L. Tassiulas, “Maximum lifetime routing in wireless sensor network,” IEEE/ACM Transactions on Networking, vol. 12, no. 4, pp. 609–619, 2004.

[15] C. Taddia and G. Mazzini, “On the energy impact of four information delivery methods in wireless,” IEEE Communications Letters, vol. 9, no. 2, pp.118 – 120, 2005.

(51)

[16] S.D. Muruganathan, D.C.F Ma, R.I. Bhasin, and A.O. Fapojuwo, “A centralized energy-efficient routing protocol for wireless sensor,” IEEE Communications Magazine, vol. 43, no. 3, pp. 8–13, 2005.

[17] Zongheng Zhou, S. Das, and H. Gupta, “Variable radii connected sensor cover in sensor networks,” IEEE Communications Society Conference on Sensor and Ad Hoc Communications and Networks, 2004, pp. 387–396.

[18] Yunxia Chen and Qing Zhao, “On the lifetime of wireless sensor networks,”IEEE Communications Letters, vol. 9, no. 11, pp. 976–978, 2005.

[19] Sangsik Kim and Sangha KimA, “Energy Conservation Scheme to Maintain Data Aggregation Tree in Sensor Networks,” Asia-Pacific Conference on Communications, 2005, pp. 367–370.

[20] R. Jurdak, P. Baldi, and C.V. Lopes, “State-driven energy optimization in wireless sensor networks,” Proceedings of the 2005 Systems Communications (ICW05), pp. 356–363, 2005.

[21] Fei Hu, C. May and Xiaojun Cao, “Data Aggregation in Distributed Sensor Networks: Towards An Adaptive Timing Control,” Third International Conference on Information Technology: New Generations, 2006, pp. 256-261.

[22] I. Solis and K. Obraczka, “The impact of timing in data aggregation for sensor networks,” IEEE International Conference on Communications, vol. 6, pp.

3640-3645, 2004.

[23] Jiangzhuo Chen, Lujun Jia, Xin Liu, G. Noubir and R. Sundaram, “Minimum energy accumulative routing in wireless networks,” 24th Annual Joint Conference of the IEEE Computer and Communications Societies, vol. 3, pp.

(52)

1875-1886, 2005.

[24] M. Perillo, Zhao Cheng and W. Heinzelman, “On the problem of unbalanced load distribution in wireless sensor networks,” Global Telecommunications Conference Workshops, 2004, pp.74-79.

[25] T. Banerjee, K. Chowdhury and D.P. Agrawal, “Tree based data aggregation in sensor networks using polynomial regression,” 8th International Conference on Information Fusion, vol. 2, pp. 1146-1153, 2005.

參考文獻

相關文件

Kyunghwi Kim and Wonjun Lee, “MBAL: A Mobile Beacon-Assisted Localization Scheme for Wireless Sensor Networks,” The 16th IEEE International Conference on Computer Communications

C., “Robust and Efficient Algorithm for Optical Flow Computation,” Proceeding of IEEE International Conference on Computer Vision, pp. “Determining Optical Flow.” Artificial

[16] Goto, M., Muraoka, Y., “A real-time beat tracking system for audio signals,” In Proceedings of the International Computer Music Conference, Computer Music.. and Muraoka, Y.,

Selcuk Candan, ”GMP: Distributed Geographic Multicast Routing in Wireless Sensor Networks,” IEEE International Conference on Distributed Computing Systems,

D.Wilcox, “A hidden Markov model framework for video segmentation using audio and image features,” in Proceedings of the 1998 IEEE Internation Conference on Acoustics, Speech,

LAN MAN Standards Committee of the IEEE Computer Society(1999), “ Wireless LAN Medium Access Control(MAC) and Physical Layer(PHY) Specifications,” International Standard ISO/IEC

Jones, "Rapid Object Detection Using a Boosted Cascade of Simple Features," IEEE Computer Society Conference on Computer Vision and Pattern Recognition,

Kyunghwi Kim and Wonjun Lee, “MBAL: A Mobile Beacon-Assisted Localization Scheme for Wireless Sensor Networks”, the 16th IEEE International Conference on Computer Communications