基于多粒度拓扑图的WSN逐级精化溯源方法

发布时间：2020-07-24 22:09

【摘要】：无线传感器网络(Wireless Sensor Network,WSN)中节点种类多、体积小、功耗低,且容易受外界环境的影响,因此通常需要对基站(BaseStation,BS)接收到的数据进行可信性评估。WSN中的溯源(Provenance)记录了数据的产生及其传输过程,是评估接收数据可信度的重要依据。在大规模WSN中,随着数据传输跳数的增加,Provenance的数据量会越来越大,这不仅会消耗节点有限的能量,而且在某些极端情况下会导致数据包的容量过载,因此研究人员提出了Provenance的分段传输方法。但此类方法要求Provenance的分段必须全部准确到达BS之后才能实施解码。鉴于此,为了解决传统分段方法的不足,本文提出一种基于多粒度拓扑图的WSN逐级精化溯源方法,基本思想是:将WSN拓扑图按照某种规则划分成多级粒度组成的抽象拓扑图,并在不同粒度上进行Provenance分段传输,这样BS可根据已经接收的Provenance分段在较粗粒度上解码出Provenance,然后运用后继到达的分段以增量的方式逐级细化解码的粒度,直至获得精确的结果。本文的主要工作如下:(1)提出了一种基于多粒度拓扑图的WSN逐级精化溯源方法,首先使用信息熵定义等价关系,然后通过计算节点之间的互信息将WSN的拓扑图递归划分成多个不同粒度的抽象拓扑图。(2)在WSN多粒度抽象拓扑图中,由粗到细逐级、增量传输Provenance,设计并实现了基于多粒度的字典编码方法压缩Provenance。由此,提高了Provenance的平均压缩比。同时,也讨论了WSN拓扑图动态变化时的处理方法。(3)在TinyOS-2.1.2系统下分别完成了TOSSIM仿真和基于PowerTOSSIMz的能量仿真,并在ZigBee硬件节点上完成了相应的硬件组网实验。理论分析和实验数据均表明,与传统分段方法相比,本文方法有效弥补了现有Provenance分段传输方法的不足,而且具有更高的Provenance压缩比,能有效的减少WSN的能量消耗。
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP212.9;TN929.5
【图文】：

配置文件,多粒度,代码,组件

图 4.1 多粒度划分代码Fig 4.1 The Code of Multi-granularity Hierarchical Topology（4）编写顶层配置文件配置文件中主要包含组件使用或提供接口的情况，主要是定义使用组件列表以及组件间接口的连接关系。本实验以“NetworkAppC.nc”作为顶层配置文件程序中主要使用到的组件有 MainC、LedsC、TimerMilliC、ActiveMessageC、SensirionSht11C、NetworkC，使用到的接口有 Boot、Leds、Timer、Packet、AMSend、RadioControl、AMReceive，其连接关系为：NetworkC.Boot -> MainC;NetworkC.Leds -> LedsC;NetworkC.Timer0 -> Timer0;NetworkC.Packet -> AMSenderC;NetworkC.AMPacket -> AMSenderC;NetworkC.AMControl -> ActiveMessageC;

仿真过程,代码,江苏大学,硕士学位论文

江苏大学硕士学位论文Step4: 为了使得实验中的输出结果得以保存，需要对输出通道进行配置，把“Boot”通道输出的内容保存到文件“log.txt”，代码为：f=open("log.txt","w")t.addChannel("Boot",f)Step5: 编写 TOSSIM 仿真代码，代码为：for i in range(0,1000000):t.runNextEvent()（8）TOSSIM 仿真和 PowerTOSSIMz 仿真首先，终端输入“\opt\tinyos-2.1.2\apps\Test\hier”进入应用程序所在目录，运行：make micaz sim，当出现“***Successfully built micaz TOSSIM library”时，表示编译通过。如图 4.2。

运行结果,能量

图 4.3 Python 运行结果Fig 4.3 The Result of Running Python图 4.4 PowerTOSSIMz 能量监测

【参考文献】