Efficient Strategy of Object Detecting in Wireless Sensor Network

具效率的無線感測網路物件偵測策略

Efficient Strategy of Object Detecting in Wireless Sensor Network

黃書彥

國立中興大學資訊管理學系碩士班 yellowbooky@hotmail.com

林詠章

國立中興大學資訊管理學系副教授 iclin@nchu.edu.tw

曹 世 昌

亞 洲 大 學 資 訊 科 學 與 應 用 學 系 教 授 sctsaur@asia.edu.tw

摘要

隨者科技的快速發展，無線感測網路 可大量應用於環境的偵測，軍事用途以及 住家監測等等，但由於其體積、無線感測 節點的處理能力、記憶體與電力均受到限 制，因此，對於無線感測網路的處理需求、

儲存空間及電力的消耗都要盡可能降低。

本篇主要在探討無線感測網路中物件的追 蹤，追蹤包含了兩個動作：查詢以及更新，

在本篇文章中，將應用樹狀結構來實做查 詢和更新，以及更進一步的利用指標來減 少物件的更新成本。

關鍵詞：無線感測網路、更新、查詢、追 蹤。

1. 前言

無線感測網路中，每個感測節點都具 有於其他節點的溝通能力，資料處理能力 以及感應環境周圍的能力，無線感測網路 可能由數十個到數百個，甚至是數千個節 點所構成，每個節點能夠把所感應到的資 料，傳回給一個主要節點，我們通常稱它 為 sink，並且由這個主要節點統整，並整 理出所需要的資訊，本篇所要探討的物件 追蹤，包含了更新和查詢兩個動作，更新 是指當某一物件 O 從某個節點 A 的感測範 圍，移到另一個節點 B 的感測範圍時，這 兩個節點以及相關的節點要去做更新節點 內資料表格的動作；而追蹤是指，當一個 人想要得知物件 O 在哪個節點位置附近 時，會從 sink 這個主要節點發出一個查詢 的封包，接著這個封包會傳到物件 O 所在 區域的節點 C 上，並且此節點 C 會做一個

回傳的動作，並且把物件 O 的位置加入這 個封包，之後傳回給 sink，所以這個人就 能夠得知此物件 O 位於哪個節點附近。兩 個或多個節點可以同時去感應物件，可以 更為準確的去追蹤一個物件[7]。

找出 K 個最接近鄰居的查詢是一種新 的概念[11]，一開始使用者要在空間中隨 意找尋一個有興趣的點，叫做「查詢點」，

這篇一樣是使用者從 sink 發出一個請求的 封包，接著就能使用以全局樹狀架構為基 礎的 GRT 演算法、以區域樹狀架構為基礎 的 KBT 演算法或沒有基礎架構的 IKNN 演算法來找出最接近查詢點的附近的 K 個 節點，並且取得這 K 個點的資料以及其位 置。

Tsai 等學者於 2007 年提出了一種新 的物件追蹤方法[6]，此方法 Face-track 類 似螞蟻留氣味，把螞蟻比喻為一物件，螞 蟻爬過的地方就會殘留著氣味，此時追蹤 者就可以沿著螞蟻的氣味前進，進而到達 螞蟻所在的地方；此篇使用了一種 Gabriel Graph (GG)去建構無線感測網路的基礎架 構以及維持此基礎架構[8, 9]，在這個基礎 架構之下，追蹤者只需要一開始用廣播的 方式發送一查詢的封包，接著只需要跟著 每個已經記錄著物件位置的信號點前進，

並且使用 Face-track shortening 和 Loop face-track removing 的方式適時修正追蹤 物件位置的策略，使得能夠更快的追蹤到 物件以及達到更省電的目的。

目前有些樹狀結構被應用在無線感測 網路的基礎架構上[2, 3, 5]，在[5]裡面，使 用了Drain-And-Balance(DAB)的樹狀結 構，在無線感測網路當中去追蹤物件，這 個方法的查詢封包不需要總是洪水氾濫至 整個無線感測網路中，而且物件的更新封 包也並不需要總是傳遞到sink，只需要記 錄在樹狀結構上其他的感測節點，有效率 地改善查詢和更新這兩動作的成本。在[2]

裡面，物件位置更新這個動作，可看成是 [5]的物件位置更新動作的延伸，並且使用 了Deviation-Avoidance Tree (DAT)和 Zone-based Deviation-Avoidance Tree (Z-DAT)這兩個樹狀結構去減少了物件更 新的成本，之後更再一步的使用了Query Cost Reduction (QCR)這個演算法去減少 總成本，本篇便是基於這個基礎架構下，

再使用指標來減少物件更新之成本。在 [3]，此作者提出了一種概念，就是在一個 無線感測網路中，不只有一點sink，把sink 沿著整個基礎架構的密度去增加，也就是 說每個sink有自己的樹狀結構，多個sink

時就有多個樹狀結構，而且每個單獨sink 所構成的的樹狀結構可能會有所重疊，這 樣子雖然能夠增加查詢的速度以及更好的 負載平衡，但是顯然增加了不少更新的成 本以及多點sink的高額架構成本，此降低 的查詢成本並不符合多個sink和多個樹狀 基礎架構重疊上的巨大成本。

在PCS系統中[1]，當手機使用者位置 更新時，例如使用者從其所在的LA移動到 另一個LA，就不用像傳統的二層架構，每 次都必須更新HLR，只需要檢測其所在LA 的VLR是否仍然相同，相同的話更新VLR 的項目，不同的話則從原本的VLR做個指 標，指向新的VLR，並且取消舊VLR的項 目並增加新VLR的項目，這樣子可以節省 的更新成本以及比率會很高，其作法只需 要藉由指標以及虛擬層的判斷，而更新 VLR的資料和指標即可，這樣子就不用每 次都去更新HLR。而本篇便是基於此架構 下的指標，來減少物件移動時的更新成本。

2. 物件查詢和更新

這個小節將介紹此篇文章的假設和定 義，以及此無線感測網路的查詢和更新物 件的方法。

2.1. 假設和定義

本篇的無線感測網路是屬於非叢集式 (Non-cluster based)的無線感測網路，也就 是說在整個無線感測網路之中，只有 sink 的存在，並沒有區分為許多叢集，當使用 者需要得知某個物件 O 的所在位置，便從 sink 這個節點發出一個查詢的封包，接著 這個封包可能用洪水氾濫法傳送至整個無 線感測網路，也可能使用一種邏輯架構樹 去傳送至無線感測網路，此時某個感測到 此物件 O 的感測節點 S，收到此封包後將 會回傳此封包至 sink 這個節點；並且假設 當物件 O 位於無線感測網路中的任一個地 方時，所有感測到此物件 O 的感測節點，

將只有收到最強訊號的感測節點會回傳查 詢物件 O 這個封包[10]；此時無線感測網 路每個節點的感測範圍將可被切割成類似 Voronoi graph 的架構[4]，比如說某個物件 O 位在節點 S 的感測範圍多邊型中，除了 節點本身 S 之外，沒有其他的感測節點會 比節點本身 S 更靠近物件 O，當有查詢物 件 O 的封包到達節點 S 時，只有節點 S 會 回傳此封包到 sink。

2.2. 無線感測網路架構

當物件抵達或離開一個節點 S 的感測 多邊型範圍後，一個偵測事件將被產生[2], [5]，圖 1.(a)表示物件查詢策略，每個感測 節點裡面都有一個表格，存有自己所感測

圖 1. (a) 樹狀基礎架構下的物件查詢。

圖 1. (b) 感測節點表格更新情況。

到物件的資訊以及其鄰近節點 (一次跳躍) 的物件資訊，從 A 點這個 sink 的表格來 看，存有自己感測到的物件 Car3，以及三 個鄰近節點(一次跳躍)B、C 和 D 裡表格的 物件資訊；從 D 點來看，由於 D 點的感測

範圍並沒有物件的資訊，所以表格裡第一 個欄位並沒有物件的資訊，但其鄰近子節 點 H 以及 G 中，G 有偵測到物件 Car2，

故 D 表格的第三個欄位有 Car2 的資訊；

而從 H 點來看，由於 H 點並沒有任何的子 節點，H 點本身也沒有偵測到有物件在感 測範圍內，故 D 點的表格只存有 NIL 的資 訊，其它感測節點的資料結構則依此類 推，要查詢的時後，則從 sink 發出一個查 詢的封包，並依照 sink 裡紀錄物件資訊的 表格，去對子樹發送封包，當物件所在的 感測節點 G 收到此 Query 封包後，將會回 傳此封包至 sink 節點。

圖 1.(b)表示物件更新策略，當 Car2 從 G 點移動到 C 點時，會從 G 點發出一 個 Dep 的封包，主要是要告知 G 的祖先節 點其 Car2 已經從 G 移動到 C，並且依序 更新收到此封包節點的表格，此 Dep 封包 會傳遞到 G 和 C 的共同祖先 A 而停止；

同時 C 點亦會發出一個 Arv 的封包至 C 的 父節點，此 Arv 封包仍會傳遞至 G 和 C 的 共同祖先 A 而停止，並且依序更新收到 Arv 封包節點的表格；Car3 的移動方式亦 同。

我們使用了 DAT 演算法去架構樹狀 結構[2]，來建構出無線感測網路的基礎架

構，當使用 DAT 演算法去建構出一個樹狀 基礎架構的無線感測網路後，我們更進一 步使用指標[1]來改善其每次物件從節點 1 移動到節點 2 時，都必須將更新的封包訊 息送至節點 1 和節點 2 的最小共同祖先節 點的溝通成本。

3. 提出方案

參考圖 2，我們假設一種情況，就是

當 Car1 頻繁的在 K 和 G 之間移動時，每 次物件的更新訊息都必須被傳送至 sink，

當有多個物件時，而且每個物件都頻繁的 在 K 和 G 之間移動，此時 sink 點的更新 成本會非常大。我們在非叢集式的無線感 測網路下應用 DAT 演算法去建立樹狀架 構(圖 2、圖 3)，更進一步應用了指標的概 念在此物件更新的策略[1]，來減少物件的 更新比率和成本。

圖 2. 當 Car1 在 G 和 K 之間頻繁移動時的 情況。

圖 3. 當 Car1 從 G 移動到 K 時，G 點的表 格多了 Car1 資訊的指標指向 K，而 K 的 表格也更新了 Car1 的資訊。

3.1. 使用指標的物件更新策略

1. 當一物件 O 從節點 X 移動到節點 Y 時，會檢查 X 是否為源於 Y 的子節點，

或者 Y 是否為源於 X 的子節點，亦或者 兩者都不是。

2. 如果 X 為 Y 的子節點時，則 X 更新表 格第一個欄位為 NIL，Y 更新表格第一 個欄位為 Car1，Y 表格裡記載 X 物件資 訊的欄位更新為 NIL。

3. 如果 Y 是 X 的子節點時，則更新 X 表 格第一個欄位為 NIL，X 表格裡記載 Y 物件資訊的欄位更新為 Car1，而 Y 更新 第一個欄位則更新為 Car1。

4. 若皆非以上兩種情況，X 不會立刻傳遞 Dep(O, X, Y)封包至其父節點，而 Y 亦 不會立刻傳送 Arv(O, Y, X)封包至其父 節點， X 會在其表格中增加一個指向 Y 的指標，並且 Y 表格的第一個欄位將會 更新為 Car1(1)，(1)是代表 X 有一個指 標指向 Y，此時 Y 點會記錄 X 有個指標 指向 Y，以及紀錄初始點 X(注意，之後 的點都會記錄此 X，以便之後要沿原路 傳回 Dep 封包)；注意，如果物件從 Y 再回到 X，則 X 會取消指向 Y 的指標，

Y 則會更新 Y 表格第一個欄位為 NIL，

代表 X 此時沒有個指向 Y 的指標。

5. 之後當 Car1 繼續任意移動，當從 Y 移 動到 A，再移動到 B 時(A 和 B 可為父 子節點或不是)，會繼續使用指標來指向

物件所在節點的位置，當到 B 時指標增 加到 4(也就是{4})，會開始更新的動 作，不再使用指標來指向物件，也就是 會從 A 點發出 Dep(O, X, B)的封包，此 Dep(O, X, B)的封包會循原本的指標沿 原路傳回 X 和 B 的共同祖先節點，收到 此 Dep(O, X, B)封包的節點會依序更新 所存的表格資訊；而 B 也會發出 Arv(O, B, X)的封包至 B 的父節點，此 Arv(O, B, X)的封包會沿著原本的樹狀結構傳回 X 和 B 的共同祖先節點，收到此 Arv(O, B, X)封包的節點也會依序更新所存的表 格資訊。

圖 3 介紹了一個簡單的範例，當 Car1 從 G 移動到 K 時，並不會立即發出 Dep 和 Arv 的更新封包到 G 和 K 的共同祖先節 點 A，這時候只需要將 G 的表格更新成 DLG (NIL, {Car1}K)，多了個 Car1 資訊的 指標，這個指標指向 K，而 K 也會將其內 的表格更新為 DLK ({Car1})，當使用者發 出一個欲查詢 Car1 的查詢封包

Query(Car1)時，這個封包會依序由每個節 點內表格的資訊依序往子節點傳遞，當此 封包傳遞至 G 時，此時 G 點有個指標指向 K，此封包便繼續往 K 點傳送(注意，G 點 和 K 點在 DAT 演算法下並沒有連接)，之

後此查詢封包將會沿著原路回到 sink。

3.2. 使用指標的物件查詢策略

1. 當某個使用者從 sink 發出查詢的封包 時，sink 會從其表格內找出使用者欲查 詢的物件資訊位於 sink 的哪個子樹，

之後 sink 便把封包往此子節點 X 傳遞。

2. 當 X 收到此封包後，一樣會從依其欄 位找出其物件位於 X 的哪個子節點之 後，之後依序往下傳遞此查詢封包，當 傳遞到樹狀結構的最後一個子節點 Y 還沒有發現此物件時，代表此節點有個 指標指向其他節點 Z。注意，Z 並不屬 於 Y 的子節點，之後繼續把此查詢封 包往 Z 傳遞，當送到某個節點後，而 此節點的感測範圍擁有此物件時，此節 點將會沿著原本此節點的樹狀結構回 傳此查詢封包至 sink(注意，此查詢封 包回傳時並不會沿著傳遞過來的路線 回去)。

在這種基礎樹狀架構下，當同時有許 多物件頻繁地在 K 和 G 之間移動時(圖 2)，使用指標能夠有效地減少物件更新的 成本，以圖 3 來看，當 Car1 從 G 移動到 K 時，以原本的方法[2]去對物件做更新，

總共需要 6 次更新(A、J、G、C、F 和 K) ， 但是以指標的方法去做更新的話，只需要 做 2 次更新(G 的指標和 K)，尤其當物件 數一多，能夠減少的更新成本會降低許 多；而查詢的話更只需要多一次跳躍就 行，雖然查詢成本增加了，但是降低的更 新成本更有顯著的增加。

圖 4 我們說明一個應用指標在物件更 新和查詢的實例，Car1 從從 G 點開始，經 過 K 和 F 到達 E 時，各感測節點的表格及 指標變化，一開始 Car1 在 G，此時 G 的 表格為 DLG({Car1})，當 Car1 移動到 K，

此時 G 表格更新為 DLG(NIL, {Car1}K)，

K 的表格為 DLK({Car1(1)})，當 Car1 繼續 從 K 移動到 F，K 表格更新為 DLK(NIL, {Car1(1)}F)，F 的表格更新 DLF({Car1(2)}, NIL, NIL)，之後 Car1 繼續往 E 移動，此 時 F 表格更新為 DLF(NIL, NIL, NIL, {Car1(2)}E)，注意，F 表格增加的最後一 個欄位為指向 E 的指標，之後 E 點依此類 推。

圖 4. Car1 從 G 點開始，經過 K 和 F 到達 E 時，各感測節點的表格及指標變化，虛 線代表查詢封包 Query(Car1)的傳遞路線。

當使用者從 A 這個 sink 發出一個查詢 的封包 Query(Car1)時，此封包的傳送路徑 如圖 4，而回送路徑則沿著 E 原本的樹狀 結構往 E 的父節點傳送；依本例來看，當 Car1 到達 E 時，如果 Car1 從 E 再度回到 F 時，E 表格會更新為 DLE(NIL, NIL)，F 表格會更新為 DLF({Car1(2)}, NIL, NIL)，若 Car1 從 E 移動到 B 的話，指標 已經增加到 4，代表需要更新動作，此時 Dep(Car1, G, B)封包會沿著原本指標延源 路往回傳遞到 G，G 再傳遞 Dep(Car1, G, B) 封包回 A，此時所有收到此封包的感測節 點會進行更新表格的動作，而 B 亦會依其

原本的樹狀結構傳送回 Arv(Car1, B, G)的 封包，收到此封包的感測節點也會依序更 新的動作。

4. 績效評估

在這一小節，我們將會評估此指標對

於物件更新和查詢成本的影響，我們假設 當更新感測節點表格時，新增指標和更改 欄位的成本我們把它當作一樣，方便做估 算，並且分析說明當物件頻繁的移動時，

使用指標改善的更新成本會非常的大。

從圖 4 來看，當 Car1 從 G 移動到 E 時，我們的方法總共做了 6 次更新成本，

但是如果是原本方法時[2]，總共需要 11 次更新成本，而查詢動作我們的方法總共 需要 7 次跳躍，原本方法需要 4 次跳躍，

通常更新感測節點的表格會比感測節點單 純的遞送封包還需要消耗掉更多的能源，

這會使得感測節點的能量耗損更快，而且 當物件不斷的在 G 和 K 之間來回時，我們 的方法只需要更新指標和復原指標即可，

但是原本的方法則需要不斷的傳送 Dep 和 Arv 的封包往 A 點，此時更新成本會非常 之大，造成感測節點的能源耗損的更快 速，由於感測節點通常是用電池當作能量

來源，因此能夠達到省電的效果是個必要 考量。

假如我們的方法指標到達 4 時(圖 4，

從 E 到 B)，會開始做更新的動作，此時會 發出 Dep(Car1, G, B)的封包沿著 E、F、K 到 G 回去，並從 G 點回到 A 點，也會從 B 點發出 Arv(Car1, B, G)的封包，收到這些 封包的感測節點，會開始更新的動作，我 們的方法從 G 跑到 B，總共需要 13 次更 新成本，但是原本的方法則需要 15 次更新 成本；另一個情況，當 Car1 不從 E 點移 動到 B，而移動到 H 時，總共需要 14 次 更新成本，原本的方法需要 13 次更新成 本，這是我們考慮當指標達到 4 的時候，

需要再重新做更新成本的總和，我們的方 法特別在物件橫跨過多個子樹時，其所降 低的更新成本會很大，不用每次都需要不 斷的往樹狀結構的前端送更新封包，因此 當物件橫跨多個子樹前進時，明顯地會比 原本的方法還要好，何況物件可能會常常 在位於兩個不同子樹的感測節點間移動 (圖 2)，所以指標能減少許多的更新成本。

5. 結論

在這篇文章裡面，我們提出了一種用

於 PCS 方法的指標，來減少物件無謂的更 新成本，並且在物件頻繁的在相鄰子樹之 間移動時，有效的減少了兩個子樹的更新 成本，雖然查詢時需要付出一點封包跳躍 次數增加的代價，但是減少的更新成本更 多，不但達到負載平衡，更能有效地降低 感測節點電池能源的消耗量，我們使用指 標的好處如下：

1. 每個節點的表格只需要增加一個指標 的欄位即可，容易實做。

2. 當物件頻繁的在某兩個感測節點來回 移動時，指標更可有效地節省能源消 耗。

3. 物件的更新比率以及更新成本有效地 降低。

4. 對於物件的移動能夠更有效地管理及 感測。

由於此無線感測網路架構類似於分散 式資料庫，需要一層一層查詢下去，因此 對於許多階層式無線感測網路能夠以指標 方式有效地減少更新的比率和成本。

7. 參考文獻

[1] C. C. Chang and I. C. Lin,

“The Strategy of Reducing the Location Update Traffic Using Forwarding

Pointers in Virtual Layer Architecture, ” Computer Standards &

Interfaces, Vol. 25, No. 5, September 2003, Pages 501-513.

[2] C. Y. Lin, W. C. Peng, and Y. C. Tseng, “Efficient In-Network Moving Object Tracking in Wireless Sensor Networks,”

IEEE Transactions on Mobile Computing, Vol. 5, No. 8, AUGUST 2006.

[3] C. Y. Lin, Y. C. Tseng, and T. H. Lai, “Message-Efficient In-Network Location Management in a Multi-sink Wireless Sensor Network,” Proceedings of the IEEE International Conference on Sensor Networks, Ubiquitous, and Trustworthy Computing Vol. 1, 05-07

June 2006, pp. 496 – 505.

[4] F. Aurenhammer, “Voronoi

Diagrams—A Survey of a Fundamental Geometric Data Structure,” ACM Computing Surveys, Vol. 23, No. 3, pp.

345-405, Sept. 1991.

[5] H.T. Kung and D. Vlah, “Efficient Location Tracking Using Sensor Networks,” Proceedings of IEEE

Wireless Communication and Networking Conference, 2003.

[6] H. W. Tsai, C. P. Chu, and T. S. Chen,

“Mobile Object Tracking in Wireless Sensor Networks,” Vol. 30, No. 8, 8 June 2007, pp. 1811-1825.

[7] M. Ding, D. Chen, A. Thaeler, and

X. Cheng, “Fault-Tolerant Target Detection in Sensor Networks,”

Proceedings of the IEEE on Wireless Communications and Networking Conference (WCNC 2005), Vol. 4, New Orleans, LA, USA, March 2005, pp. 2362–2368.

[8] Q. Huang, S. Bhattacharya, C. Lu, and G. Roman, “FAR: Face-aware Routing for Mobicast in Large-scale Sensor Networks,” ACM Transactions on Sensor Networks Vol. 1, No. 2, 2005, pp. 240–271.

[9] Q. Huang, C. Lu, and G.-C. Roman, “Reliable Mobicast via Face-Aware Routing,” Proceedings of the IEEE Conference on Computer

Communications (INFOCOM’ 04), pp.

2108-2118, Hong Kong, China, March 2004.

[10] W. P. Chen, J. C. Hou, and L. Sha,

“Dynamic Clustering for Acoustic Target Tracking in Wireless Sensor Networks,” IEEE Transactions on Mobile Computing, Vol. 3, No. 3, pp.

258-271, July, 2004

[11] Y. Xu, T. Y. Fu, W. C. Lee, and Y. C.

Tseng, “Processing k Nearest Neighbor Queries in Location-aware Sensor Networks,” Signal Processing, Vol. 87, No. 12, December 2007, pp. 2861-2881.