【摘要】    本文提出一种无线传感器网络（WSN）组网策略，旨在生成合理群首分布，均摊能耗，延长WSN稳定期。首先，在稳定期内，本文选择SEARCH协议产生每轮群首，并从中优选相对合适的群首分布。其次，将这批优选数据用于训练，调优多个级联的机器学习模型。经交叉验证，达到收敛的模型可预测每轮合理群首分布，延长WSN稳定期。同时，本文策略适用于低时延应用场景。

【关键词】    稳定期    群首选择    WSN

引言：

WSN由众多随意分布的，能量、传输距离有限的传感器节点组成。这些节点可感知周围环境数据，如光照，温度，湿度等。

近年，WSN在智能家居，医疗健康，环境监测等领域产出累累硕果，取得广泛关注。

WSN的高效路由协议主要分为4类[1]：基于网络结构（扁平化或层级化），基于通信模型，基于拓扑以及基于可靠路由。本文是基于层级化网络结构的路由协议。

层级化协议以轮为单位运作。每轮随机或者指定选择几个节点成为群首，剩余非群首则感知环境数据并传给群首。群首收到信息，整合汇总，转发给远处基站。

每轮运作耗费节点能量，尤其群首开销更大。若某节点能量耗尽，则其无法感知数据，导致WSN失去这块区域感知能力。因此，层级化协议希望能耗均摊，每轮选择不同节点成为群首。

诚然，合理群首分布更易促成能耗均摊，但群首选择是NP-hard问题。幸而许多文献已对此做出针对性研究。

Heinzelman et al.[2]提出LEACH协议，为层级化协议奠定基础，影响深远。每轮开始，LEACH设置统一阈值依概率选择群首，当每个节点都做过群首，即达成1个epoch。新epoch周而复始，直至所有节点能量耗尽。并且其研究列出详细实验参数[3]，可实现模拟仿真。

基于LEACH，研究者们提出更多升级版本。

有些研究依概率随机选择群首。Smaragdakis et al.[4]考虑差异化初始节点能量，延长WSN运作周期。Wang et al.[5]根据剩余节点能量，节点至群首距离，节点至基站距离优化群首阈值，并指出稳定期（首个死亡节点之前的运作轮数）是WSN运作周期的重中之重，此阶段WSN对目标区域具备完全感知能力。

有些借助基站控制，指定群首。Heinzelman et al.[3]采用模拟退火算法。Masaeli et al.[6]寻求FLP问题次优解。

通常，依概率随机选择群首不保证每轮达成合理分布，而基站控制指定群首时延较高。本文提出一种新颖思路，权衡两者优点，提出Cluster Head Iterative Prediction（CHIP）协议，生成合理群首分布，同时时延较低。

一、过程描述

本节阐述CHIP运作流程。类似[3]，[6]，基站指定群首;类似[4]，[5]，WSN具备差异化初始节点能量。

重复（直至产生足够均衡样本）;

重复（稳定期内，每轮）;

SEARCH选择k个群首，获得详细节点数据;

将每轮节点能耗汇总，按总能耗升序排列;

保留总能耗前40%的每轮数据（此时群首和非群首数量不均衡）;

样本均衡;

重复（群首3至群首5的均衡样本）;

利用群首i样本训练模型i;

验证模型i;

模型推理。

（一）样本生成和精炼

稳定期内，每轮记录明细数据：节点ID，能耗，剩余能量，至基站距离，至最近群首距离，至最远群首距离，是否有机会成为群首，是否群首。

SEARCH依概率随机选择群首，但仍有一部分群首分布相对合理，本文仅保留总能耗较低的前40%轮数据。在层级化协议中，群首数量远少于非群首，因此样本不均衡，影响模型预测能力。

本文对保留数据做下采样，每轮取k个群首，以及至最近群首距离降序排列的前2k个非群首数据。以此达成样本均衡。

重复以上操作，直至产生足够训练，验证，测试的均衡样本。

（二）模型训练

显然，上述过程获得的结构化小样本数据更适合传统机器学习，而非深度学习，因而本文未采用CNN或LSTM相关的卷积模型。

經探索性数据分析及特征工程，选取以下特征：节点ID，剩余能量/平均剩余能量，max{至基站距离/其他群首至基站平均距离}/min{至基站距离/其他群首至基站平均距离}，至最近群首距离（正则化），至最远群首距离（正则化），是否群首。

考虑到群首选择问题复杂性，本文将其转化为逐步分类建模。因变量为是否群首。每轮选择群首1，群首2时条件宽松，由SEARCH依概率直接选出。从群首3开始逐步分类建模，60%样本用于训练，20%用于验证，20%用于测试。

以预测群首i为例，选择群首1，群首2，...，群首i-1已定，群首i待定样本训练xgboost模型i，进行参数调优。模型收敛条件为F1 score >= 0.75。

至此，一批节点样本输入，模型i选择评估值最高的节点成为群首i。

（三）模型推理

每轮，SEARCH选择群首1，群首2，继而模型i选择群首i（i从3至5）。轻量级机器学习模型参数较少，推理时间短，因而CHIP时延较低。

二、数值模拟

本文沿用LEACH实验参数[3]。模拟场地呈100×100矩形。基站坐标（50， 175）。

Eelec = 50nJ/bit

EDA = 5nJ/bit

ɛfs = 10pJ/（bit·m2）

ɛmp = 0.0013pJ/（bit·m4）

E0 = 0.25J

l = 2000bit

N = 100

k = 5

m = 0.2

β = 3

Eelec ，EDA ，ɛfs ，ɛmp 是固定无线电参数，E0是初始节点能量，l代表数据包长度，N为节点数，k为群首个数，m表示高级节点（初始能量多）占比，β表示附加能量系数。在模拟环境中，普通节点能量为E0，高级节点能量为（1+β）*E0，初始能量有差異，更贴合实际场景。

传输能耗如下，d为传输距离：

本文基于新生成的拓扑，节点数据，以及不同的高级节点占比，对CHIP，SEARCH，LEACH进行性能分析，结果见表1，图1。

易见，更大m值意味更多剩余能量，因而具备更持久稳定期。LEACH忽略差异化初始节点能量，导致普通节点过早耗尽，提前结束稳定期。

CHIP稳定期在各m值情景下都超越SEARCH，平均增幅达5.69%，收效显著。

作为对比，SEARCH仅依概率选择群首，不能保证每轮达成合理群首分布，稳定期稍逊一筹。

三、结束语

本文提出一种样本精炼及群首预测机制，显著延长WSN稳定期。通过逐步分类建模，CHIP逐个选择合理位置群首，使能耗均摊。同时，因为采用轻量级机器学习模型，CHIP推理时间短，时延较低。

参  考  文  献

[1] N. A. Pantazis， S. A. Nikolidakis， and D. D. Vergados， “Energy-efficient routing protocols in wireless sensor networks： A survey，” IEEE Communications Surveys Tutorials， vol. 15， no. 2， pp. 551–591， 2013.

[2] W. R. Heinzelman， A. Chandrakasan， and H. Balakrishnan， “Energy-efficient communication protocol for wireless microsensor networks，” in Proceedings of the 33rd Annual Hawaii International Conference on System Sciences， vol. 2， 2000.

[3]W. B. Heinzelman， A. P. Chandrakasan， and H. Balakrishnan， “An application-specific protocol architecture for wireless microsensor networks，” IEEE Transactions on Wireless Communications， vol. 1， no. 4， pp. 660–670， 2002.

[4] G. Smaragdakis， I. Matta， and A. Bestavros， “SEP： A Stable Election Protocol for clustered heterogeneous wireless sensor networks，” in Proceedings of Second International Workshop on Sensor and Actor Network Protocols and Applications， 2004.

[5] M. Y. Wang， J. Ding， W. P. Chen， and W. Q. Guan， “SEARCH： A Stochastic Election Approach for Heterogeneous Wireless Sensor Networks，” IEEE Communications Letters， vol. 19， no. 3， pp. 443–446， 2015.

[6] N. Masaeli， H. H. S. Javadi， and E. Noori， “Optimistic selection of cluster heads based on facility location problem in cluster-based routing protocols，” Wireless Personal Communications， vol. 72， pp. 2721–2740， 2013.

基金项目：江苏省轨道交通控制工程技术研究开发中心基金项目（KFJ2109）;

王旻毅（1989.09-），男，汉族，江苏南京，研究生学历，工程师职称，研究方向：通信与信息系统。