中 華 大 學 碩 士 論 文
題目：無線感測網路下物件追蹤樹之動態調整策略
系 所 別：資訊工程學系碩士班 學號姓名：M09602027 胡哲禎 指導教授：翁文彥 博士
中華民國九十八年 八 月
論文摘要 論文摘要 論文摘要 論文摘要
目前在無線感測網路下既有的物件追蹤樹的建立策略都必須使用一個假設的物件 移動模型。物件追蹤樹建立策略在此模型與假設的物件移動頻率下，建立符合要求的 物件追蹤樹。然而，倘若真實的物件移動環境與假設的模型有所差異時，則建立的物 件追蹤樹其效能不會有預期的效果。本篇論文提出一個 Message-Tree Adaptive (MTA) 調整策略能夠動態地修改既有物件追蹤樹架構以提升物件追蹤樹的效能。同時考慮到 由 sink 做調整可能造成網路負擔太重，adaptation cost 成本太大，所以提出由 sub root 作區域性的調整來降低 adaptation cost，並且提出提升 sub root 階層來提高 update cost 的改善比率。從模擬數據得知，MTA 調整策略確實能夠較佳的 update cost，
而且更適合應用在真實環境上。
關鍵詞 關鍵詞
關鍵詞關鍵詞：無線感測網路、物件追蹤、hierarchy tree
Abstract
The current object tracking trees establish strategy that must suppose object movement model by making assumptive object movement frequency in advance. However, if actual object movement behaviors are different from assumptive movement profile, the performance of the object tracking trees establish may be reduced. In this paper, we propose a dynamically tree adaptive strategy to modify object tracking tree architecture in order to improve performance efficiency. The simulation results also show that it is evident that the dynamically tree adaptive strategy is sufficient to achieve a good performance.
Keywords：wireless sensor network、object tracking、hierarchy tree
誌謝 誌謝 誌謝 誌謝
本論文能夠順利完成，首先要感謝指導老師翁文彥老師和陳旻秀老師，感謝老師 在研究方面給予指導，讓我能夠順利完成研究；同時也感謝老師不厭其煩的指點寫作論 文上的缺失和模擬數據上的問題，讓我能夠順利完成本篇論文。也感謝實驗室的同學秉 陽、詠程，在碩士兩年內陪我一起研究、撰寫和發表論文。最後，感謝家人能夠鼓勵和 支持我，讓我安心在新竹完成學業。另外，也感謝王勝石、陳旻秀和嚴力行三位口試委 員百忙之中抽空蒞臨，並給予論文的指正與建議。
胡哲禎 謹致 中華民國九十八年七月於新竹
目錄 目錄 目錄 目錄
論文 論文 論文
論文摘要摘要摘要摘要...II 圖示索引
圖示索引 圖示索引
圖示索引... VI 表格索引
表格索引 表格索引
表格索引... 0
第一章 第一章 第一章 第一章 序論序論序論序論 ... 1
1.1. 動機動機動機動機... 1
1.2. 論文架構論文架構論文架構論文架構... 3
第二章 第二章 第二章 第二章 相關研究相關研究相關研究相關研究 ... 4
第 第 第 第三章三章三章三章 系統架構系統架構系統架構系統架構 ... 7
3.1. 物件移動模型物件移動模型物件移動模型物件移動模型 ... 7
3.2. 資料收集樹資料收集樹資料收集樹資料收集樹 ... 8
3.3. 問題定義問題定義問題定義問題定義... 10
第四章 第四章 第四章 第四章 調整策略調整策略調整策略調整策略 ... 12
第五章 第五章 第五章 第五章 實驗結果實驗結果實驗結果實驗結果 ... 19
第六章 第六章 第六章 第六章 結論結論結論結論 ... 32
參考文獻 參考文獻 參考文獻 參考文獻... 33
圖示索引 圖示索引 圖示索引 圖示索引
圖 1 - 1 物件追蹤情境 ... 2
圖 3 - 1 (a) Voronoi graph (b)物件移動模型 ... 8
圖 3 - 2 (a)回報物件資訊 (b)更新物件資訊 ... 9
圖 3 - 3 (a) 假設的物件移動模型 (b) 資料收集樹 (c) 真實的物件移動模型 (d) 新 的資料收集樹... 11
圖 4 - 1 sink 調整策略流程圖 ... 13
圖 4 - 2 sink 調整策略過程 ... 14
圖 4 - 3 尋找 sub root 方式 ... 15
圖 4 - 4 sub root 調整策略過程 ... 16
圖 4 - 5 sub root 調整策略過程 ... 17
圖 5 - 1 經過 MTA 調整後的 update cost ... 21
圖 5 - 2 在不同階層作 MTA 調整的 adaptation cost... 22
圖 5 - 3 調整 link 增加對 MTA 的 update cost 影響 ... 23
圖 5 - 4 調整 link 增加對 MTA 的 adaptation cost 影響 ... 24
圖 5 - 5 調整 link 逐漸增加的 update cost 變化... 26
圖 5 - 6 調整 link 逐漸增加的 adaptation cost 變化... 26
圖 5 - 7 調整 link 逐漸增加的 update cost 改善比例... 27
圖 5 - 8 門檻值逐漸增加對 update cost 的影響 ... 28
圖 5 - 9 門檻值逐漸增加對 adaptation cost 的影響 ... 29
圖 5 - 10 分析 adaptation cost 變化 ... 31
表格索引 表格索引 表格索引 表格索引
表 5 - 1 經過 MTA 調整後的 update cost 改善比例 ... 22 表 5 - 2 調整 link 增加對 MTA 的 update cost 改善比例 ... 24 表 5 - 3 門檻值逐漸增加對 MTA 的 update cost 改善比例 ... 30
第一章 第一章 第一章
第一章 序論 序論 序論 序論
1.1. 動機 動機 動機 動機
隨著科技技術的進步，新興的感測器受到無線通訊技術和嵌入微型感測元件技術 的影響，感測器可以設計得更微小，更輕便，且可搭配便宜而低耗電的計算及通訊裝置。
因此，在感測器搭配無線存取介面之後，由於方便的佈建與設定無線感測器，無線感測 器網路(Wireless Sensor Network)在人類生活環境中應用就隨之引起廣泛討論與非常受 到重視的研究了。無線感測網路是由大量的感測器(sensor nodes)所組成的，每一個感測 器都有收集、處理和儲存環境資訊的能力，而且還能跟鄰近的感測點作溝通。因此，無 線感測網路可以廣泛地被應用在環境監控、軍事上的監視和健康照護等等。
其中一個重要研究就是物件追蹤(object tracking)，我們將感測器佈署到我們想要追 蹤的物件區域，利用感測器來偵測物件的移動，並且回報物件移動的位置給資料收集點 (sink)，藉此達到物件追蹤的目的。sink 扮演著類似後端伺服器的角色，負責無線感測 網路和外部網路之聯繫，同時收集所有感測器所偵測到的物件資訊。使用者只需要從外 部網路，透過 sink 來查詢物件位置，就能知道目前物件出現的區域。
假設在城市重要交通樞紐上或是主要道路上設置感測器，每個感測器都會有感測 物件的能力，而且每個感測器的通訊範圍足以跟鄰近感測器做通訊。在這些感測器中，
有一個特定的感測器當作行控中心負責管理整個網路，稱為資訊收集點 sink。當有一個 車輛在感測器的感測範圍被偵測到時，感測器就會傳送偵測的訊息回報給 sink，sink 就 能夠知道車輛資訊來做到物件追蹤，如圖 1-1 的車輛追蹤情境[15][16]。然而如果每個 感測器都向資訊收集點回報感測資訊，將產生大量的回報訊息。因此，提出一個有效的 資訊收集架構成為一個重要研究課題，此在[11]已經證明了建立一個最小成本的 object-tracking tree 是 NP-complete。 目 前 在 資 料 收 集 研 究 上 分 兩 種 架 構 ， 一 種 是 cluster-based tree[6][9][12][13]，另一種則是 hierarchy-based tree[2][3][4][5][11]。以及其 他不同修復或是調整機制[1][7][8] [10][11][14][17]。
圖 1 - 1 物件追蹤情境
cluster-based tree 是先將所有感測器做分群，然後在每一個群中選出一個分群點 (cluster heads)來負責收集同一群內的物件資料，最後再由每一個群的分群點將資料傳送 給資料收集點。但是當分群點傳送到資料收集點距離不是在一步可達的距離內時，需要 藉由中間的感測點幫忙做轉送，如此一來，中間負責轉送的感測點很有可能會重複收到 相同的訊息，造成多餘的電力消耗與資源浪費。而 hierarchy-based tree 能夠改善 cluster-based tree 的缺點。hierarchy-based tree 由資料收集點當作樹根，建立資料收集樹。
每個感測器會負責保留物件資訊，避免重複收到相同訊息。同時加上資料聚合(data aggregation)的技術更能減少資源浪費和電力消耗。
因此在本篇論文，我們使用 hierarchy-based tree 架構來將感測訊息有效率的傳到資 訊收集點。而目前使用 hierarchy-based tree 的相關研究都是使用假設的物件移動模型來 建立資料收集樹。實際上，我們無法事先預測物件移動頻率。當假設物件移動模型和真 實環境有所差異時，其效能會不如預期。所以我們提出 Message-Tree Adaptive procedure (MTA)來動態調整資料收集樹結構，讓資訊收集效率保持一定水準，並且更能夠符合真 實環境需求。同時考慮到由 sink 做調整可能造成網路負擔太重，所以提出由 sub root 作區域性的調整，並且提出提升 sub root 階層來提高 update cost 的改善比率。
1.2. 論文架構 論文架構 論文架構 論文架構
本論文的第二章節會提到目前相關研究物件追蹤所提出的不同方法或架構，第三 章說明物件移動模型和資料收集樹更新訊息和查詢物件方式，同時探討問題存在和定義 問題，第四章提出動態調整策略 Message-Tree Adaptive procedure (MTA)，在第五章節 說明模擬環境和實驗數據，最後則是結論。
第二章 第二章
第二章 第二章 相關研究 相關研究 相關研究 相關研究
有關使用 cluster-based tree 來解決資料傳遞問題的相關研究有[6][12][13]。而使用 hierarchy-based tree 來解決的相關研究則有 DAB[2]DAT[3]MT-HW[5]等。本論文將針對 hierarchy tree 的相關研究進行探討。
Xiang Ji 等人在[12]提出 Dynamic cluster structure 來有效率地收集物件資訊。在此 討論的物件是連續、擴散的，例如:敵方車輛、野火、有毒氣體和生化物質等等。為了 要作物件追蹤，首先要找到靠近物件發生邊界的感測點(boundary node)，並且會有 sink 負責收集 boundary node 資訊，藉此達到物件追蹤的目的。由於物件會隨時間擴散，物 件邊界形狀大小也會隨時間改變，所以 sink 必須要持續收集 boundary node 資訊。如此 一來會增加溝通成本。所以利用 Dynamic cluster structure 來收集 boundary node 資訊，
將 boundary node 做分群，並選出分群點後負責收集 boundary node 資訊和回報 sink 的 任務。
之後，Wen-Chih Peng 等人在[6]提出 Heterogeneous tracking model (HTM)針對於物 件追蹤所提出不同的模型，此模型是一種基於預測物件移動和訓練學習的方式。利用 cluster tree 的架構做資料收集，所有感測點做分群，然後在每一個群中選出一個分群點 來負責收集同一群內的物件資料，最後再由分群點將資料傳送給資料收集點。然後透過 Variable memory Markov (VMM)預測出物件移動的樣本，並且訓練這些樣本使得準確度 提高，同時使用 Emission tree 來做維持預測架構，當預測失敗時，會進入重新尋找物件 的程序。缺點就是架構複雜而且計算也很費功夫，當預測失敗時，所要付出的成本會更 大，只能用於小型感測網路。
接著，Guang-yao Jin等人在[13] 提出dynamic clustering mechanism，目的是為了減 少電力消耗、最小溝通成本和低失敗率。在此討論的物件是會移動的，dynamic clustering mechanism概念是沿著物件移動路徑建立clustering來做有效率的分群和物件追蹤。之前 研究都是利用信號強弱來尋找分群點，但並不能保證最佳的溝通成本，因為物件的速度
是會變化的，所以在建立clustering時會參考物件的routing information和sensor nodes information。由於隨著物件移動來做分群能夠用最少的感測點來做追蹤，同時加上 wakeup和sleep機制，減少電力消耗也增加了網路存活時間。
H. T. Kung 等人在[2]提出了 Drain-and-Balance (DAB) 利用 hierarchy tree 架構來解 決感測資料收集的問題。由資料收集點當作樹根，建立物件追蹤樹，其他的感測點只要 沿著邊線往樹根方向傳送資料即可，並且在中間的感測點會負責保留物件資訊，避免重 複收到相同訊息。DAB 是根據物件出現的頻率定義不同的門檻值並且分不同的層次，
同一個層次的感測點相連合併成平衡樹。DAB 改善了原本以氾濫的方式作傳送資料，
而且能用在大型感測網路上。但是 DAB 的缺點在於是二元樹，如果感測點很多時，樹 愈高所花費的成本就會增加，而且需要額外多配置感測點當做中間點幫忙轉送。
為 了 改 善 DAB 缺 點 ， Chih-Yu Lin 等 人 在 [3] 提 出 以 多 元 樹 架 構 來 為 基 礎 的 Deviation-Avoidance Tree (DAT)改善。DAT利用存在於感測網路的感測點當做中間點，
不需要額外配置，並且提出新的建構hierarchy tree的方式。然而DAT的複雜度高，當感 測點太多，建立物件追蹤樹所花費之計算成本太高。為了加快計算速度，提出Z-DAT 的概念將感測網路分割後分別建立子樹，然後再合併。此外，尚提出了QCR來平衡query cost與資訊傳遞維護成本的花費。缺點就是由於是多元樹，傳送資料所花費成本會增 加，而且所建立出來的物件追蹤樹不會是最佳解，而會因為資料收集點的位置所影響。
除此之外，由於單一sink作為資料收集，會因為sink所在位置而建立出效能不同的 資 料 收 集 樹 。 因 此 Chih-Yu Lin 等 人 在 [5] 提 出 multi-tree construction with the high-weight-first property (MT-HW)的概念，能夠加快查詢回答時間，同時也減輕感測網 路傳遞訊息的負擔，並且提出新的更新和查詢機制，建立multi-sink tree結構，已達到有 效訊息傳輸，降低更新和查詢成本。但是sink點愈多，代表建立hierarchy tree也愈多，
要維持hierarchy tree所付出的更新成本就會增加，造成網路負擔。
而Bing-Hong Liu等人[11]提出在已經建立好的物件追蹤樹，加上addition of shortcuts 機制。addition of shortcuts是將其他可能相連的邊，並且滿足向下相連的方向，同時感
測點不為樹葉節點才會加入考慮。如果加入後能夠縮短到sink的距離，則選為可增加的 shortcuts。透過此方法能夠有效減少update cost和query cost。但是需要多儲存shortcut資 訊來維持此object-tracking tree，而且對於DAT tree並無法有效改善query cost。
此外我們在[1]。提出 tree adaptation procedure (TAP)，針對已經建立好的物件追蹤 樹來做調整，從最底層的感測點開始，假設和鄰近的感測點作連結並計算其 update cost，挑選 update cost 最小值來確定最後要連結的感測點，最後以 bottom up 方式往上 層的感測點作相同計算一直到 sink 結束，表示調整完此物件追蹤樹。此調整方式能通 用任何以建立好的物件追蹤樹，能改善 update cost 值。但是只做一次 TAP 調整的物件 追蹤樹，並不能得最小 update cost 值，需要做三到四次的 TAP 才能得到最小 update cost 值。
第三章 第三章
第三章 第三章 系統架構 系統架構 系統架構 系統架構
3.1. 物件移動模型 物件移動模型 物件移動模型 物件移動模型
為了追蹤物件的移動與位置，我們在一個區域建一個無線感測網路，對於此感測 器網路所形成的感測範圍，我們可使用Voronoi graph來表示每個感測器所負責感測範 圍。如圖 3-1 (a)，平面上的點代表感測點N，Voronoi graph根據感測點的位置將平面切 割成N個多邊形區塊B(n)，n∈N。而B(n)就代表其感測點所負責的感測範圍，當物件出 現在此感測範圍內將只有此感測點偵測到。當物件進入或離開此感測點的感測範圍時，
此感測點將會回報偵測到的物件移動訊息。
此感測網路可以同時追蹤多個物件，而物件在感測網路內移動時，將由一個感測 器i的感測範圍B(i)移動至其相鄰感測器j的範圍B(j)內。以圖3-1 (a)而言，物件將可由感 測器C的範圍移動到其相鄰感測器A、B或D的感測範圍。此外，我們將紀錄物件跨越感 測範圍的發生頻率次數(event rate)。如圖3-1 (a)，物件由感測器D移動到感測器C的event rate為44，由感測器C移動到感測器D的event rate為23。
接著，我們將物件跨越感測範圍的發生事件以兩個感測範圍所屬的兩個感測點的 直線做為代表(如圖 3-1 (b)中的每條直線)。如果兩個感測點共用一個感測範圍邊界，則 稱為鄰居，反之則為非鄰居。我們設定每個感測點的通訊範圍都足以跟其鄰居通訊。因 此，我們可以將此感測器網路定義成圖 3-1 (b)物件移動模型G(VG,EG)，VG表示感測器 分佈(圖 3-1 (b)中圓圈)，而圓圈內的字表示感測器的ID，EG表示每個感測器的鄰居之 間相連的連線(圖 3-1 (b)中相連的虛線)，每個感測器的連線上會有event rate值，event
rate(A,B)∈EG，表示物件跨越感測範圍的發生頻率總和，因為不論物件從哪個方向跨越
感測範圍，新的和舊的感測器都會傳送訊息回報給sink。如圖3-1 (b) event rate(D,C)=67，
因為物件由感測器D移動到感測器C的event rate為44，由感測器C移動到感測器D的event rate為23，兩個加總就是event rate(D,C)。
C
H
I
F
J D
G B
E
A
23 44
50 67
20
18
35
31
84 7 73
56
33 24
19 80 60
21 56 87 C
H
I
F
J D
G B
E
A
3 47
24 11 23
44 9
64 1 17
5
14
11 12
40 44
40
47 20
11 16
17 4
3
10 11
20 36 10
14 30 30 10
10
20 60
20 36 12
32
(a)
(b)
圖 3 - 1 (a) Voronoi graph (b)物件移動模型
3.2. 資料收集樹 資料收集樹 資料收集樹 資料收集樹
在此無線感測網路下，每個感測器都能儲存物件資訊，並且會有一個資料收集點 負責收集所有的感測器資訊，然後再以資料收集點當作 root 建立資料收集樹。圖 3-2 是根據圖 3-1(b)的物件移動模型和 DAT[3]方法所建立的資料收集樹。
當感測器偵測到物件進入或是離開感測範圍時，會回報更新訊息給上層的感測 器。然後此上層的感測器會查看是否已經有此物件資訊，如果有就不再回報，如果沒有 此資訊就更新此物件訊息，並且繼續傳送給上層的感測器。此更新方式會反覆一直到傳 送給資料收集點為止。如圖 3-2 (a)當感測器 F 偵測到有 Car1 此物件出現在感測範圍內，
就會記錄此物件資訊，並且回報更新訊息給上層的感測器 D。接著感測器 D 會查看自 己是否有此物件資訊，但因為沒有此物件資訊，所以會更新自己儲存資訊，然後繼續傳 送訊息給更上層的感測器 C。當感測器 C 收到更新訊息也會查看自己是否有物件訊息，
但因為感測器 C 是資料收集點，所以不再傳送。同理，當感測器 B 偵測到有 Car2 時，
也會傳送更新訊息給上層的感測器 C。
根據上述更新完成後，當使用者想要查詢物件時，資料收集點會根據自己儲存物 件資訊向下查詢物件所在的感測器位置，然後回報給使用者。如圖 3-2 (a)當使用者想要 查詢 Car1 時，從資料收集點 C 開始向下查詢 Car1 物件資訊。根據上述更新步驟所以
感測器 C 會找到感測器 D，然後感測器 D 繼續向下查詢找到感測器 F，最後由感測器 F 回報 Car1 位置。當使用者想要查詢 Car2 時，從資料收集點 C 開始向下查詢 Car1 物件 資訊。但是由於感測器 B 是 leaf node，所以不需要多花費查詢成本，直接回報 Car2 物 件資訊在感測器 B 內。
當物件穿越感測區域時，原本所在的感測器 i 會回報物件離開的更新訊息，移動後 所在的感測器 j 也會回報物件進入的更新訊息，不論是感測器 i 或 j 只要回報給彼此的 共同祖先即可。如圖 3-2 (b)，當 Car1 從感測器 F 移動到感測器 J 時，感測器 F 和感測 器 J 分別會回報物件離開和物件進入的更新訊息給共同祖先感測器 F。同理，當 Car2 從感測器 B 移動到感測器 H 時，感測器 B 和感測器 H 分別會回報物件離開和物件進入 的更新訊息給共同祖先感測器 C。
C
H
I
F
J D
G B
E
A
Car1
Car2 Sink
C
H
I
F
J D
G B
E
A
Car1
Car2 Sink
(a) (b)
: 物件移動方向 : 查詢訊息 : 更新訊息
圖 3 - 2 (a)回報物件資訊 (b)更新物件資訊
3.3. 問題定義 問題定義 問題定義 問題定義
在目前已知的研究中，除了 HTM 是另外提出預測模型，其他不論是 DAB、DAT 或是 MT-HW 都需要利用物件移動的頻率來建立 hierarchy tree。而在模擬環境時，都必 須使用假設的物件移動頻率的模型，來產生資料收集樹。但是，假設的物件移動模型與 真實環境經常有所差距。因此，使用假設物件移動模型所建構的資料收集樹，應用在真 實環境時，若假設模型與真實環境差距太大時，其效能將會大打折扣。所以，為了提昇 資料收集樹的效能，一套能動態調整資料收集樹的機制顯得相當重要。而據我們所收集 資料可知，目前並無相關研究根據此一問題提出解決方案，所以我們將在本論文提出一 套解決方案。
如圖 3-3 (a) 是假設的物件移動模型。而圖 3-3 (b)是根據圖 3-3 (a)的物件移動模型 和 DAT[3]的方法所建立的物件追蹤樹。同時，我們計算其 update cost 為 1605，update cost 計算定義在[3]。圖 3-3 (c)說明了當假設的物件移動模型和真實有所差異時，將會影響 update cost。在此我們修改了 event(F,J)、event(H,I)和 event(E,G)來表示其環境差異，同 時針對圖 3-3 (c)的資料收集樹計算其 update cost 為 1986。我們從圖 3-3 (c)可以看出的 確效能將會因此大打折扣。最後，我們從圖 3-3 (d)得知，此時我們根據圖 3-3 (c)的物件 移動模型，進行物件追蹤樹的架構調整，並計算其 update cost 為 1958 的確能夠改善效 能。
因此，為了能夠動態調整物件追蹤樹結構，每個感測器可記錄與鄰居之間的傳送 訊息頻率(event rate)，藉此來判斷是否要觸發調整策略。當 hierarchy tree 在收集物件移 動更新資訊時，傳送訊息的內容會紀錄從自己本身感測點到下一個感測點的物件資訊。
根據此資訊我們可以在每個感測器上建立一個 table 負責紀錄與鄰近感測點與自身的傳 送訊息頻率。並根據此紀錄來決定是否引發物件追蹤樹的架構調整。
圖 3 - 3 (a) 假設的物件移動模型 (b) 資料收集樹 (c) 真實的物件移動模型 (d) 新的
資料收集樹
第四章 第四章
第四章 第四章 調整策略 調整策略 調整策略 調整策略
前一章所述之資料更新方式可知，每個感測器都會知道與鄰居的傳送訊息頻率。
然後，感測器可根據目前的傳送訊息頻率與之前紀錄傳送訊息頻率計算變動率，並比較 變動率是否超越門檻值θ。如果沒有，則表示目前此感測器掌握以下的子樹架構不需要 做調整。若變動率超過θ，則必須進行結構調整。變動率的公式定義如下。
rate event original
rate event original -
rate event change new
of
ratio =
接下來介紹調整策略。我們提出 Message-Tree Adaptive procedure (MTA)主要概念 是當有感測器透過上述變動率公式發現資料收集樹結構需要調整時，會回報訊息給 sink，然後由 sink 考量是否進行結構調整，全部流程如圖 4-1 所示。如圖 4-1 的 step 1 所示，每個感測器都會定期計算其變動率。如圖 4-1 的 step 2 所示，假如變動率沒有超 過門檻值就不會回報給 sink。如圖 4-1 的 step 3 所示，若有感測點發現其變動率超越門 檻值則會將此訊息通知給 sink。經過上述過程我們會得到感測器因為變動率超越門檻值 得知需要調整資料收集樹結構，而發送的需要調整訊息通知給 sink，但是因為傳送到 sink 會花費一些資源，而且如果門檻值θ太小，會有很多感測器發送調整訊息，此時如 果每接收到一個調整訊息 sink 就做調整，很容易造成網路負擔，所以我們假設在一段 時間內收到的調整訊息才會做處理。
當 sink 收到感測器傳送需要做調整訊息後，接著如圖 4-1 的 step 4 所示，sink 需要 向資料收集樹結構所有的 branch node 要求傳送其紀錄之傳送訊息頻率，以方便資料收 集點當做調整資料收集樹的依據。由於感測器自己本身會暫存物件資訊，這裡的物件資 訊包含了最底層的物件資訊和感測器資訊，也就是說蒐集每個感測器資訊時，不必要求 所有的感測器做回報，只要每個 branch node 回覆資訊即可。當感測器收到來自 sink 傳 送過來的要求訊息時，則回報給 sink。
sink 收到相關訊息作為調整資料收集樹的依據後，接著再由 sink 透過調整演算法 計算出需要調整的感測器，如圖 4-1 的 step 5 所示。最後，sink 送出調整資料收集樹的
訊息給需要做調整的感測器，感測器收到訊息後，則進行資料收集樹的調整，如圖 4-1 的 step 6 所示。經過此方法後，就能夠動態調整資料收集樹架構已有效率的執行物件追 蹤任務。
All sensor nodes record event rate of each links and calculate the ratio of
change
Ratio of change
≥Threshold Ө ? Do not report
Responds the requests to the sink
Sink query the event rate of links from all branch and receives these information
from these branch
Sink processes the adaption algorithm
Sink sends adaptive messages to the nodes which needed to
adapt Step 1
Step 2
Step 3
Step 4
Step 5
Step 6
Y
N
圖 4 - 1 sink 調整策略流程圖
圖 4-2 是說明整個調整的過程。圖 4-2 (a)表示，H、I 代表感測器發現其變動率超 越門檻值，發送需要調整訊息通知 sink，也就是圖 4-1 step 1 到 step 3。圖 4-2 (b)表示，
sink 收到這些通知需要調整訊息後，向 branch node 要求傳送相關訊息，來做調整資料 收集樹的依據，其中 A、D、F、G 代表 branch node，圖 4-2 (b)也就是圖 4-1 的 step 4。
圖 4-2 (c)表示，當 sink 收到 branch node 所提供相關訊息後，透過調整演算法，計算出 需要調整的感測器，並且傳送調整訊息給需要調整的感測器 G、H 和 I，也就是圖 4-1 的 step 5 和 step 6。圖 4-2 (d)表示，最後根據調整訊息做調整後的結果。
圖 4 - 2 sink 調整策略過程
然而若架構的調整都由 sink 為依據時，不論是感測器傳送給 sink 須調整訊息或是 sink 收集資訊，都需要傳遞大量訊息，使得網路負擔增加。即圖 4-1 的 step3、step4 和 圖 4-2 的(a)(b)步驟。因此，為了減少網路訊息傳遞負擔，我們提出由 sub root 做為局部 架構調整依據的策略。而 sub root 指的是透過變動率得知須調整的感測器之共同祖先，
如圖 4-3 上的圓點代表感測點並分別標示其 id，實線代表已經建立好的 edge。圖 4-3 說 明當感測器 H 和感測器 I 透過變動率得知須調整時，會回報給共同祖先感測器 A 當作 sub root。同時當感測器 F 和感測器 J 也透過變動率得知須調整時，因為感測器 F 為感 測器 J 的父節點，所以由 F 回報給共同祖先 D，由 D 當作 sub root 來負責做調整。
圖 4 - 3 尋找 sub root 方式
接著，sub root 負責要求各子樹下的分支點傳送相關訊息。最後，由 sub root 透過 調整演算法，計算出需要調整的感測器，並且傳送調整訊息給需要調整的感測器。在此 我們定義了一個集合 mask_1 負責儲存這些 sub root 資訊。
我們以圖 4-4 說明整個 sub root 調整的過程。圖 4-4 (a)表示，H、J 代表感測器發現 其變動率超越門檻值，發送需要調整訊息通知共同祖先 A，由感測器 A 當作 sub root 來負責做調整。圖 4-4 (b)說明當 sub root A 收到這些通知需要調整訊息後，向 branch node 要求傳送相關訊息，做為調整資料收集樹的依據，其中 G 代表 branch node。最後，當 sub root A 收到 branch node 所提供相關訊息後，透過調整演算法，計算出需要調整的感 測器，並且傳送調整訊息給需要調整的感測器，如圖 4-4 (c) 由 sub root A 傳送調整訊 息給感測器 G、H、I。圖 4-4 (d)為調整完後的結果。
然而我們比較 sink 和 sub root 調整作法可以看出由 sink 做調整會收集整個網路資 訊，所花的調整成本高。但是由 sub root 做調整只要針對 sub root A 的子樹作收集，相 對於 sink 做調整所花費調整成本減少許多。
圖 4 - 4 sub root 調整策略過程
由於此感測網路可以同時追蹤多個物件，當須調整的感測器數量增加時，以 sub root 做調整策略會選出多個 sub roots，而這些 sub roots 可能會重複的收集和調整相同區域 的子樹，導致資源浪費和網路負擔。所以在此由 sub root 做資料收集時，我們將最上層、
最靠近 sink 的 sub root 稱為第一層 sub root，而接著次靠近 sink 的 sub root 稱為第二層 sub root。第一層 sub root 只要跟第二層 sub root 或是 branch node 作收集，第二層 sub root 則負責收集各子樹的調整訊息即可。
圖4-5說明收集訊息的過程，圖中圓點代表感測器，並標示其 ID。假設第一層 sub root 為 C，第二層 sub root 為 A 和 D。在此我們以第一層 sub root C 負責收集子樹的調 整資訊。如圖4-5 (a)，首先，由第一層 sub root C 分別向 A、D 要求傳送訊息即可。因 為感測器 B 為 leaf node，所以不需要傳送訊息。然而 A、D 為第二層 sub root，在感測
C 不需要繼續往下要求傳送訊息。最後，由第二層 sub root A、D 分別向各子樹要求傳 送調整訊息。如圖4-5 (b)，由第二層 sub root A 向感測器 G 要求傳送調整訊息，因為感 測器 H、I 為 leaf node 不需要傳送訊息。而第二層 sub root D 也會向感測器 F 要求傳送 調整訊息，因為感測器 E、J 為 leaf node 不需要傳送訊息。當資料收集完後，第一層 sub root C 傳送給需要做調整的感測器 G、H 和 I，如圖 4-5 (c)。最後完成調整，如圖 4-5 (d)。
如此一來，能夠避免重複收集資訊和做調整，同時也能完成資料收集。
根據圖 4-5 可以比較出由 sub root 做調整所花費的收集成本較低。首先，由 sink 做 資料收集時，需要分別向感測器 A、D、F 和 G 要求傳送調整訊息。但由 sub root 做資 料收集時，同樣以第一層 sub root C 做資料收集，只需要分別向第二層 sub root A、D 要求傳送調整訊息，而第二層 sub root A、D 再分別向感測器 G、F 要求傳送調整訊息，
相對於由 sink 做調整減少了重覆傳送感測器 C 到 D 和感測器 C 到 A 部分。
C
H
I
F
J D
G B
E
A Sink
C
H
I
F
J D
G B
E
A Sink
C
H
I
F
J D
G B
E
A Sink
C
H
I
F
J D
G B
E
A Sink
(a) (b)
(c) (d)
圖 4 - 5 sub root 調整策略過程
雖然由 sub root 做調整能夠減少網路負擔和調整成本，但是也由於 sub root 只負責 收集區域性的調整資訊，無法得知整個網路資訊，使得 update cost 改善效率比 sink 做 調整差，所以我們提出提高 sub root 階層的方式，藉由集合 mask_1 中的感測點提高一 個階層當作新的 sub root 來做調整，如圖 4-4假設原本以 sub root A 做調整，若提高 sub root 一個階層做調整，則 sub root 會改為 sink 做調整。如此一來，能夠得到更多的調整 訊息，更有機會提高 update cost 的改善比率。
第五章 第五章 第五章
第五章 實驗結果 實驗結果 實驗結果 實驗結果
在模擬環境中，我們設定分佈範圍為 256x256 的單位平方區域，在此封閉的空間 內以隨機的方式散佈 100 到 1000 個不會移動的感測器。sink 位置固定在角落，門檻值 θ從 5%到 95%，event rate 則是利用物件移動頻率模型隨機產生一個值來模擬。因為本 論文的探討重點在於資料收集樹結構調整策略的影響，所以使用何種移動模型並不是重 點，因此本實驗的物件移動模型採用隨機方式產生。
由於從[11]可以看出在[3]所提出的 QCR 足以降低 query cost，所以 query cost 的影 響在此不多做討論。我們在模擬測試時所比較的效能有兩個，其一為 update cost，定義 在[3]。另外一個則為調整資料收集樹狀結構時，所需傳送訊息的花費 adaptation cost。
update cost 主要意義為計算感測器傳送更新訊息時所花費的成本，update cost 值愈小表 示更新訊息所花費成本小，執行效率高，update cost 值愈大時則表示更新訊息所花費成 本大，執行效率低。
而在計算結構更新的 adaptation cost 花費，可分為三大步驟分別是 Report、Collection 和 Announce。我們可用公式表示之，在此我們定義了三個集合分別是 SR、SC和 SA。 而 SR代表透過變動率得知網路變化的感測器集合，SC代表負責做調整和收集資訊的感 測器集合，SA則代表需要做調整的感測器集合。
假設在感測網路上的所有感測器為 N，其中當感測器 n 透過變動率得知資料收集樹 結構須做調整時，回報給負責調整的感測器 m，而感測器 n 和感測器 m 之間的距離為 Report(n)，n,m∈N，n∈SR，m∈SC，如圖 4-1 的 step 3 和圖 4-2 (a)若以 sink 做調整，則 計算 H、I 到 sink 的距離。若以 sub root A 做調整，則計算 H、I 到 sub root A 的距離。
接著，負責調整的感測器 m 會收集相關資訊做調整依據，其中包含了要求子樹下所有 分支點回傳相關訊息，而感測器 m 與各分支點的距離總和為 Collection(m)，如圖 4-1 的 step 4 和圖 4-2 (b)若以 sink 做調整，則計算 branch node 到 sink 的距離，其中 A、D、
F、G 代表 branch node。若以 sub root A 做調整，則計算 branch node 到 sub root C 的距 離，其中 G 代表 branch node。最後，感測器 m 通知需要調整的感測點 j，而感測器 m
到感測器 j 之間的距離為 Announce (j)，j∈N，j∈SA，如圖 4-1 的 step 6 和圖 4-2(d)(e) 若以 sink 做調整，則計算 G、H、I 到 sink 的距離。若以 sub root A 做調整，則計算 G、
H、I 到 sub root A 的距離。公式：
N i ) Announce(i (i)
Collection Report(i)
cost Adaptation
A C
R i S i S
S i
∈ +
+
=
∑ ∑ ∑
∈
∈
∈
，
在以下各圖的圖示中，without MTA 則表示在真實環境下，物件移動模型經過改變 之後，沒有做調整由原本建立的 DAT 所產生的效能。with MTA on sink 代表是由 root 做調整重新建立 DAT。with MTA on L1 sub root 代表是由 sub root 做調整重新建立 DAT。
with MTA on L2 sub root、with MTA on L3 sub root 和 with MTA on L4 sub root 分別代表 提高 sub root 一個階層做調整、提高 sub root 兩個階層做調整和提高 sub root 三個階層 做調整。
圖 5-1~圖 5-4 所要探討的是沒有調整策略和不同階層的 sub root 進行調整的 update cost 變化，同時也會看到不同階層做調整的 adaptation cost 的差異。在圖 5-1 圖 5-2 我 們隨機挑選一個須調整的 link，分別使用由 sink 做調整和不同階層的 sub root 做調整比 較 update cost 和 adaptation cost 差異。從圖 5-1 可以得知我們不論是從 sink 或是 sub root 做調整，都能夠降低沒有使用調整策略情況下的 update cost，而且隨著感測器數量增加 差異越大。從表表表表 5-1更能看出在不同階層的 sub root 做調整的 update cost 相對於沒有用 調整策略情況下的差異。由 sink 來做調整的改善比例最好，由 L1 sub root 做改善比例 調整最差，不過透過提高 sub root 階層來做調整有逐漸改善的趨勢。因為 sink 能夠掌握 整個網路資訊做調整，所以 update cost 改善比例最好。而 sub root 只能得到區域資訊做 調整，所以 update cost 改善比例最差，但藉由提高 sub root 階層來得到更多資訊，使得 update cost 改善比例逐漸提高。圖 5-2 看出以 sink 作調整的 adaptation cost 最高，L1 sub root 作調整最低。並且隨著調整的位置階層愈高，所要花費的收集成本越高。
從上述實驗結果，我們可以得知使用調整策略後都能改善 update cost。由 sink 做調 整的 update cost 改善最佳，但所花費的 adaptation cost 也最高。反之，由 sub root 做調 整的 update cost 改善最差，但所花費的 adaptation cost 最低。而提高 sub root 的階層做
調整也確實能夠逐漸改善 update cost，雖然增加 adaptation cost，但和由 sink 做調整的 adaptation cost 相比減少許多。
0 200000 400000 600000 800000 1000000 1200000 1400000 1600000
100 200 300 400 500 600 700 800 900 1000
number of nodes
update cost
with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root without MTA
with MTA on sink
圖 5 - 1 經過 MTA 調整後的 update cost
0 2000 4000 6000 8000 10000 12000
100 200 300 400 500 600 700 800 900 1000
number of nodes
adaptation cost
with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink
圖 5 - 2 在不同階層作 MTA 調整的 adaptation cost
表 5 - 1 經過 MTA 調整後的 update cost 改善比例
nodes
with MTA on L1 sub root
with MTA on L2 sub root
with MTA on L3 sub root
with MTA on L4 sub root
with MTA on sink
100 0.979053 0.9769 0.974641 0.974304 0.972373 200 0.983106 0.981375 0.980016 0.979643 0.978394 300 0.982609 0.982196 0.981322 0.97942 0.978625 400 0.98274 0.981719 0.980524 0.980115 0.979426 500 0.988479 0.987342 0.986901 0.986606 0.985464 600 0.991904 0.991215 0.990323 0.989811 0.98905 700 0.987485 0.986556 0.985852 0.985122 0.983924 800 0.992597 0.991703 0.990791 0.990672 0.988663 900 0.989728 0.989297 0.988992 0.988655 0.987514 1000 0.992956 0.992614 0.992393 0.992292 0.990801
在圖 5-3 圖 5-4 我們增加調整 link 的數量，隨機挑選 100 個須調整的 link，分別使 用由 sink 做調整和不同階層的 sub root 做調整比較 update cost 和 adaptation cost 差異。
從圖 5-3 可以明顯看出不論在 L1、L2、L3 和 L4 sub root 做調整都能改善 update cost，
而且和由 sink 做調整的 update cost 很接近。從表 5-2 可得知在 L1、L2、L3 和 L4 sub root 做調整的 update cost 的改善比例是一樣的。因為隨機挑選 100 個 edge，找到的共同祖 先 sub root 通常都是 sink，所以不論是 sub root 或是提高 sub root 階層做調整都沒改善 update cost 比例，甚至於跟由 sink 做調整的 update cost 相同。圖 5-4 同樣的以 sink 作調 整的 adaptation cost 最高，以 L1、L2、L3 和 L4 sub root 做調整最低，而且 adaptation cost 相同。因為不論是以 L1、L2、L3 或 L4 sub root 做調整都會選取 sink 當作 sub root，所 以花費的 adaptation cost 相同。而且隨著感測器數量增加，透過 sub root 做調整的 adaptation cost 改善也越明顯。這說明了透過 sub root 做調整能有效降低 adaptation cost。
我們在此模擬增加調整 link 的數量，同時也代表須調整的感測器數量增加，對於 我們所提出調整策略的 update cost 改善也更明顯。而以 sub root 做調整，由於調整 link 的數量增加，使得 sub root 選取都是 sink 做調整，導致 update cost 相同。但是由 sub root 做調整的 adaptation cost 和由 sink 做調整相比還是減少許多。
0 200000 400000 600000 800000 1000000 1200000 1400000 1600000 1800000
100 200 300 400 500 600 700 800 900 1000 number of nodes
u p d a te c o st
with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root without MTA
with MTA on sink
圖 5 - 3 調整 link 增加對 MTA 的 update cost 影響
0 5000 10000 15000 20000 25000
100 200 300 400 500 600 700 800 900 1000 number of nodes
a d a p ta ti o n c o st
with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink
圖 5 - 4 調整 link 增加對 MTA 的 adaptation cost 影響
表 5 - 2 調整 link 增加對 MTA 的 update cost 改善比例
nodes
with MTA on L1 sub root
with MTA on L2 sub root
with MTA on L3 sub root
with MTA on L4 sub root
with MTA on sink
100 0.935785 0.935785 0.935785 0.935785 0.935785 200 0.940415 0.940415 0.940415 0.940415 0.940415 300 0.934048 0.934048 0.934048 0.934048 0.934048 400 0.933075 0.933075 0.933075 0.933075 0.933075 500 0.933488 0.933488 0.933488 0.933488 0.933488 600 0.934329 0.934329 0.934329 0.934329 0.934329 700 0.932106 0.932106 0.932106 0.932106 0.932106 800 0.930597 0.930597 0.930597 0.930597 0.930597 900 0.927927 0.927927 0.927927 0.927927 0.927927 1000 0.926885 0.926885 0.926885 0.926885 0.926885
圖 5-5~圖 5-7 探討的是隨著發生變化的 link 數量越多，分別使用由 sink 做調整和 不同階層的 sub root 做調整比較 update cost 和 adaptation cost 差異。在此我們隨機挑選 1 到 100 個須調整 link，從圖 5-5 剛開始可以明顯看出由 sink 作調整的 update cost 最低，
接著是 L4 sub root 做調整次低，再來是分別是 L3、L2、L1 做調整的 update cost 逐漸升 高，因為階層越高所能得到的調整訊息越多，update cost 越低。但不論由 sink 或是由 sub root 做調整都能改善沒經過調整的 update cost，同時隨著挑選的 edge 數量愈多，不 同階層上做調整的 update cost 愈相同，因為 sub root 選取通常是 sink 做調整。從圖 5-7 更能看出在 L1、L2、L3 和 L4 sub root 和由 sink 做調整的 update cost 的改善比例變化，
從一開始還可以看出由 sink 做調整改善比例最好，而 L1 sub root 改善比例較差，但隨 著提高階層 L2、L3 和 L4 sub root 做調整的 update cost 改善比例逐漸提昇。但當隨機挑 選 link 愈多，改善比例會越趨近相同，因為找到的共同祖先 sub root 通常都是 sink，所 以不論是 sub root 或是提高 sub root 階層做調整都沒明顯改善，甚至於跟由 sink 做調整 的 update cost 相同。圖 5-6 剛開始以 sink 作調整的 adaptation cost 最高，L1 sub root 作 調整最低，接著是以 L2、L3、L4 sub root 作調整的 adaptation cost 逐漸升高。因為隨著 調整的 sub root 階層會高，所負責收集的調整訊息也越多，adaptation cost 增加。而隨 著挑選 link 愈多，以 sub root 做調整的 adaptation cost 也越趨近於相同。因為隨著挑選 link 愈多，sub root 選取通常是 sink 做調整，所以花費的 adaptation cost 相同。
根據上述模擬結果，我們可以觀察隨著調整 link 增加，以 sub root 做調整的 update cost 會逐漸和以 sink 做調整相同。因為調整 link 逐漸增加，使得 sub root 選取 sink 做 調整，導致 update cost 相同。而 adaptation cost 也隨著調整 link 增加而增加，但相對於 以 sink 做調整的 adaptation cost 減少許多。
1430000 1450000 1470000 1490000 1510000 1530000 1550000 1570000 1590000
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 modify links
u p d a te c o st with MTA on L1 sub root
with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root without MTA
with MTA on sink
圖 5 - 5 調整 link 逐漸增加的 update cost 變化
2500 4500 6500 8500 10500 12500 14500 16500 18500 20500 22500
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 modify links
a d a p ta ti o n c o st
with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink
圖 5 - 6 調整 link 逐漸增加的 adaptation cost 變化
0.9 0.91 0.92 0.93 0.94 0.95 0.96 0.97 0.98 0.99 1
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 modify links
im p ro v em en t ra ti o
with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink
圖 5 - 7 調整 link 逐漸增加的 update cost 改善比例
圖 5-8~圖 5-10 所要探討的是在不同的門檻值下，分別使用由 sink 做調整和 sub root 做調整比較 update cost 和 adaptation cost 差異。在此我們固定挑選 20 條 link 以隨機的 方式設定移動頻率，而感測器透過變動率公式判斷是否執行 MTA procedure，並且比較 由 sink 或是由 sub root 做調整的 update cost 和 adaptation cost 差異。從圖 5-8 可以得知 不論是由 sink 做調整還是以 sub root 做調整都會比沒有做調整情況下的 update cost 好。
除此之外，我們還能看到隨著門檻值增加，update cost 增加。這說明了隨著門檻值越大，
觸發調整策略機會越低，所以 update cost 才會逐漸升高。從表 5-3更能看出不論由 sink 或是 sub root 做調整的 update cost 改善比例，的確隨著門檻值增加而逐漸下降。圖 5-9 看出以 sink 作調整的 adaptation cost 最高，L1 sub root 作調整最低。同樣的會隨著門檻 值愈大，adaptation cost 降低。因為觸發調整策略機會變低，不會做任何調整，所以 adaptation cost 逐漸降低。圖 5-10 分析門檻值對於 adaptation cost 的影響，當門檻值愈 大，經由變動率公式判斷需要調整的感測器也愈少，所以 Report cost 減少。而需要調 整的感測器愈少，相對尋找的 sub root 位置也會降低，Collection cost 和 Announce cost
也會減少。
經過此模擬我們可以看出門檻值影響觸發調整策略的機率。當門檻值增加，觸發 調整策略機率降低，使得 update cost 改善變差，adaptation cost 降低。而門檻值降低，
觸發調整策略機率增加，使得 update cost 改善比例增加，但 adaptation cost 提高。
1424900 1425100 1425300 1425500 1425700 1425900
5% 15 %
25 %
35 %
45 %
55 %
65 %
75 %
85 %
95 % threshold
u p d a te c o st
without MTA update cost with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink
圖 5 - 8 門檻值逐漸增加對 update cost 的影響
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000
5% 15 %
25 %
35 %
45 %
55 %
65 %
75 %
85 %
95 % threshold
a d a p ta ti o n c o st
with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink
圖 5 - 9 門檻值逐漸增加對 adaptation cost 的影響
表 5 - 3 門檻值逐漸增加對 MTA 的 update cost 改善比例
threshold
with MTA on L1 sub root
with MTA on L2 sub root
with MTA on L3 sub root
with MTA on L4 sub root
with MTA on sink
5% 0.999458 0.999422 0.999412 0.999412 0.999412 10% 0.999486 0.999436 0.999412 0.999412 0.999412 15% 0.999479 0.999442 0.999412 0.999412 0.999412 20% 0.999496 0.999442 0.999412 0.999412 0.999412 25% 0.999544 0.999445 0.999412 0.999412 0.999412 30% 0.999579 0.999443 0.999412 0.999412 0.999412 35% 0.999583 0.999462 0.999412 0.999412 0.999412 40% 0.999602 0.999462 0.999412 0.999412 0.999412 45% 0.999621 0.999464 0.999409 0.999412 0.999412 50% 0.999635 0.999464 0.999409 0.999412 0.999412 55% 0.99965 0.999487 0.999431 0.999431 0.999412 60% 0.999651 0.999487 0.999428 0.999434 0.999412 65% 0.999646 0.999497 0.999427 0.999435 0.999412 70% 0.999637 0.999512 0.999431 0.999445 0.999412 75% 0.999673 0.999535 0.999459 0.999462 0.999412 80% 0.999675 0.999551 0.999471 0.999483 0.999412 85% 0.999686 0.999567 0.999483 0.999499 0.999412 90% 0.999686 0.999568 0.999483 0.999499 0.999427 95% 0.999714 0.999646 0.999495 0.999502 0.999427
第31頁 0 2000 4000 6000 8000 10000 12000 with MTA on L1 sub root
with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink with MTA on L1 sub root with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root with MTA on sink with MTA on L1 sub root with MTA on L2 sub root with MTA on L3 sub root with MTA on L4 sub root
5%15%25%35%45%55%65%75%85%95%
threshold
adaptation cost
collectionannouncereport
圖5 - 10 分析adaptation cost變化
第六章 第六章 第六章
第六章 結論 結論 結論 結論
在相關論文研究中，可以發現到建立 hierarchy tree 都是基於物件移動頻率模型，
但是在真實環境中是無法事先預測到物件移動的頻率，當假設的物件移動模型與真實常 有所差距時，其效能會不如預期，所以我們提出動態調整策略 Message-Tree Adaptive (MTA)。每個感測器都會查看與鄰居的傳送訊息頻率和之前紀錄的傳送訊息頻率差異是 否超過門檻值，藉此觸發動態調整策略來調整物件追蹤樹結構，使得效能都能保持一定 水準。
接著，考慮到由 sink 做調整可能需要收集大量資訊，使得 adaptation cost 增加，導 致網路負擔，所以提出由 sub root 來代替 sink 做調整。如此作法雖然可以有效降低網路 負擔，但是透過 sub root 收集區域性的調整資訊來做調整，可能無法達到由 sink 做調整 來的有效降低 update cost，所以提出提升 sub root 階層的方式來收集更多調整資訊，藉 此提高 update cost 改善比率，雖然也會增加 adaptation cost，但相對於由 sink 做調整的 adaptation cost 還是能夠減少許多。
然而從模擬結果看來有經過 MTA 做調整確實能夠改善 update cost。而由 sink 做調 整的 update cost 最佳，但 adaptation cost 也最高。反觀由 sub root 做調整的 update cost 最差，但 adaptation cost 最低。再加上提升 sub root 階層的方式，能夠逐漸改善 update cost，但也提高了 adaptation cost，不過與 sink 做調整相比還是減少許多 adaptation cost。
同時 threshold 值會影響觸發我們調整策略的機率，隨著 threshold 值越大，觸發調整策 略的機率越低，update cost 改善越差， adaptation cost 越低。
參考文獻 參考文獻 參考文獻 參考文獻
[1] Min-Xiou Chen, and Yin-Din Wang, "An Efficient Location Tracking structure for Wireless Sensor Networks", Computer Communications, Vol. 23, pp. 1495-1504, August 2009.
[2] Kung, H.T. and Vlah, D. "Efficient Location Tracking Using Sensor Networks", in Proc.
IEEE Wireless Communications and Networking conf. WCN’03, Vol. 3, pp. 1954-1961, March 2003.
[3] Chih-Yu Lin, Wen-Chih Peng, and Yu-Chee Tseng, "Efficient In-Network Moving Object Tracking in Wireless Sensor Networks", IEEE Trans. Mobile Computing, Vol. 5, pp.
1044-1056, Aug. 2006.
[4] Chih-Yu Lin, Yu-Chee Tseng, "Structures for In-Network Moving Object Tracking in Wireless Sensor Networks", in Proc. IEEE Broadband Networks conf., BroadNet’04, pp. 718- 727, Oct. 2004.
[5] Chih-Yu Lin, Yu-Chee Tseng, Wen-Chih Peng, "Message-Efficient In-Network Location Management in a Multi-sink Wireless Sensor Network", in Proc. IEEE Sensor Networks, Ubiquitous, and Trustworthy Computing conf., SUTC'06, pp. 496 – 505, June 2006 .
[6] Wen-Chih Peng, Yu-Zen Ko, Wang-Chien Lee, "On Mining Moving Patterns for Object Tracking Sensor Networks", in Proc. IEEE Mobile Data Management conf., MDM’2006, pp. 41- 41, May 2006.
[7] Sam Phu Manh Tran and T. Andrew Yang, "OCO:Optimized Communication &
Organization for Target Tracking in Wireless Sensor Networks", in Proc. IEEE Sensor Networks, Ubiquitous, and Trustworthy Computing conf., SUTC'06, Vol. 1, pp. 428-435, 2006.
[8] Heinzelman, W.R., Chandrakasan, A., and Balakrishnan, H., "Energy-Efficient Communication Protocol for Wireless Microsensor Networks", in Proc. IEEE System Sciences conf., Vol. 2, pp. 10, Jan. 2000.
[9] Yao-Chung Chang, Zhi-Sheng Lin and Jiann-Liang Chen, "Cluster Based Self-Organization Management Protocols for Wireless Sensor Networks", IEEE Trans.
Consumer Electronics, Vol. 52, pp. 75- 80, Feb. 2006.
[10] Yuhua Liu, Haiyan Zhu, Kaihua Xu, and Wei Teng "An Improved Route Repair Approach of Wireless Sensor Networks", in Proc. the First International Multi-Symposiums
on Computer and Computational Sciences conf., IMSCCS’06, Vol. 2, pp. 662-665, June 2006.
[11] Bing-Hong Liu, Wei-Chieh Ke, Chin-Hsien Tsai, and Ming-Jer Tsai, "Constructing a Message-pruning tree with minimum Cost for Tracking moving objects in wireless sensor networks Is NP-Complete and an enhanced data aggregation structure", IEEE Trans.
computers, Vol. 57, pp. 849-863, June 2008.
[12] Xiang ji Hongyuan Zha Metzner, J.J. Kesidis, G., "Dynamic cluster structure for object detection and tracking in wireless ad-hoc sensor networks", in Proc. IEEE Communications conf., Vol. 7, pp. 3807- 3811, June 2004.
[13] DK Guang-yao Jin, Xiao-yi Lu, and Myong-Soon Park, "Dynamic Clustering for Object Tracking in Wireless Sensor Networks",Springer Berlin / Heidelberg, 2006, pp. 2000-2009.
[14] Kuei-Ping Shih, Sheng-Shih Wang, Hung-Chang Chen, Pao-Hwa Yang, "CollECT:
Collaborative event detection and tracking in wireless heterogeneous sensor networks"
Computer Communications, Vol. 31, pp. 3124-3136 , September 2008.
[15] Azzedine Boukerche, Horacio A.B.F. Oliveira, Eduardo F. Nakamura, Antonio A.F.
Loureiro, "Vehicular Ad Hoc Networks: A New Challenge for Localization-Based Systems", Computer Communications, Vol. 31, pp. 2838-2849 , July 2008.
[16] Arunkumar Thangavelul, K. Bhuvaneswari, K. Kumar', K. SenthilKumarl and S.N.
Sivanandam, "Location Identification and Vehicle Tracking using VANET (VETRAC) ", in Proc. IEEE Signal Processing, Communications and Networking conf., ICSCN’07, pp.
112-117, Feb. 2007.
[17] Dionisis Kandris, Panagiotis Tsioumas, Anthony Tzes, Nikolaos Pantazis, and Dimitrios D. Vergados, "Hierarchical energy efficient routing in Wireless Sensor Networks", in Proc.
16th Mediterranean Control and Automation conf., pp. 1856-1861, June 2008.
