Thu Thập Dữ Liệu Trong Mạng Cảm Biến Không Dây Sử Dụng Cảm Biến Nén

• Tác giả: Minh Tuan Nguyen
• Người hướng dẫn: Dr. Teague
• Trường học: University of Transport and Communications
• Chuyên ngành: Electrical Engineering
• Đề tài: Thu Thập Dữ Liệu Trong Mạng Cảm Biến Không Dây Sử Dụng Cảm Biến Nén
• Loại tài liệu: dissertation
• Năm xuất bản: 2015
• Địa điểm: Hanoi

• 1. CHAPTER 1: INTRODUCTION
• 2. CHAPTER 2: BACKGROUND AND LITERATURE REVIEW
• 2.1. Wireless Sensor Network Overview
• 3. CHAPTER 3: RANDOM WALK BASED DATA GATHERING IN WIRELESS SENSOR NETWORKS
• 3.2. Background and Problem Formulation
• 3.3. Compressive Sensing Based Random Walk Data Collection Algorithm (CSR)
• 3.3.1. The CSR Algorithm
• 3.3.2. Analysis of the Measurement Matrix: CS Recovery Performance and Network Coverage
• 3.3.3. Analysis of the Trade-off between the Transmission Range and the Random Walk Length
• 3.3.4. Directly Forwarding the CS Measurements to the Base-station (D-CSR)
• 3.4. D-CSR Power Consumption Analysis
• 3.5. D-CSR Simulation Results
• 3.6. Multi-hop Relaying Data from Random Walks to the Base-station (M-CSR)
• 3.6.1. Multi-hop Relaying Data Algorithm
• 3.6.2. M-CSR Power Consumption Analysis
• 3.6.3. M-CSR Simulation Results
• 3.7. Conclusion and Future Work
• 4. CHAPTER 4: CLUSTER BASED DATA COLLECTION IN WIRELESS SENSOR NETWORKS
• 4.2. Block Diagonal Matrices
• 4.3. CCS: Cluster-Based Compressive Sensing for Data Collection in WSNs
• 4.4. Directly Send CS Measurements to the BS (DCCS)
• 4.5. Power Consumption Analysis for DCCS
• 4.6. Simulation Results for DCCS
• 4.7. Inter-cluster Multi-hop Routing in CCS (ICCS)
• 4.8. ICCS Power Consumption Analysis
• 4.9. ICCS Simulation Results
• 4.10. DCT Compression Transmitting only k Large Coefficients
• 4.11. Communication Power Consumption
• 5. CHAPTER 5: TREE-BASED DATA GATHERING IN WIRELESS SENSOR NETWORKS
• 5.2. Tree-base Energy-Efficient Data Gathering (TCS)
• 5.3. Power Consumption Analysis
• 5.4. Conclusions and Future Work
• 6. CHAPTER 6: NEIGHBORHOOD BASED DATA COLLECTION IN WIRELESS SENSOR NETWORKS
• 6.2. Neighborhood Based Data Collection Algorithm (NeiCS)
• 6.3. Power Consumption Analysis
• 6.4. Conclusion and Future Work
• 7. CHAPTER 7: CONCLUSIONS
• BIBLIOGRAPHY
• A RANDOM WALK BASED DATA GATHERING IN WIRELESS SENSOR NETWORKS
• A.1. Additional Analysis for D-CSR to calculate EdtoBS in order to compare with M-CSR

I. Tổng Quan Mạng Cảm Biến Không Dây WSN và Thu Thập Dữ Liệu

Mạng cảm biến không dây (WSN) đang ngày càng trở nên quan trọng trong nhiều lĩnh vực ứng dụng thực tế. Các mạng này bao gồm các sensor node nhỏ, chi phí thấp, được triển khai ngẫu nhiên trong một khu vực địa lý để giám sát các điều kiện môi trường (ví dụ: nhiệt độ, độ ẩm, âm thanh, độ rung) hoặc phát hiện các sự kiện (ví dụ: xâm nhập, rò rỉ hóa chất, xe cộ đi qua, phát hiện cháy hoặc lũ lụt). Các cảm biến thường hoạt động bằng pin và giao tiếp không dây trong phạm vi liên lạc, đồng thời có một số khả năng tính toán nhất định. Trong các ứng dụng giám sát, các cảm biến gửi số đọc của chúng đến sink node hoặc base-station (BS) để phân tích hoặc lập bản đồ dữ liệu. Tuổi thọ mạng phụ thuộc vào kết nối cảm biến trong toàn bộ khu vực. Các phương pháp thu thập dữ liệu khác nhau đang được khai thác, tập trung vào cân bằng năng lượng giữa các cảm biến và tiêu tốn ít năng lượng hơn cho việc truyền dữ liệu.

1.1. Ứng Dụng Đa Dạng của Mạng Cảm Biến Không Dây WSN

Mạng cảm biến không dây (WSN) đang được ứng dụng rộng rãi trong nhiều lĩnh vực. Trong lĩnh vực quân sự, cảm biến được triển khai để giám sát chiến trường, theo dõi lực lượng, phát hiện tấn công hạt nhân, sinh học và hóa học, và trinh sát. Trong các ứng dụng môi trường, WSN có thể được triển khai trong rừng để phát hiện hỏa hoạn, phát hiện lũ lụt, theo dõi động vật, lập bản đồ sinh học của môi trường và nông nghiệp chính xác. Trong các ứng dụng sức khỏe, cảm biến có thể được sử dụng để theo dõi bác sĩ và bệnh nhân trong bệnh viện hoặc gửi hành vi của bệnh nhân để được giúp đỡ nếu cần thiết. Các ứng dụng gia đình của cảm biến thu hút rất nhiều sự chú ý với ngôi nhà thông minh hoặc tự động hóa. Hầu hết các thiết bị điện tử trong nhà đều có thể được điều khiển/điều chỉnh với các giải pháp tối ưu.

1.2. Thách Thức trong Thiết Kế Phương Pháp Thu Thập Dữ Liệu WSN

Tiết kiệm năng lượng là một vấn đề quan trọng đối với bất kỳ WSN nào. Nhiều giao thức định tuyến, quản lý năng lượng và phổ biến dữ liệu đã được đề xuất để giảm mức tiêu thụ điện cho các mạng đó. Thông thường, WSN chứa hàng trăm hoặc hàng nghìn cảm biến. Các cảm biến thường được triển khai dày đặc trong một khu vực cảm biến cần được quan sát. Số lượng cảm biến càng lớn, độ chính xác của thông tin quan sát được càng lớn. Chi phí cho mỗi cảm biến thường rất nhỏ do các hạn chế, chẳng hạn như nguồn cung cấp năng lượng hạn chế, sức mạnh tính toán hạn chế và băng thông hạn chế của các liên kết không dây kết nối các sensor node.

II. Giới Thiệu về Cảm Biến Nén Compressed Sensing trong WSN

Cảm biến nén (Compressed Sensing - CS) là một kỹ thuật toán học trong xử lý tín hiệu, tập trung vào việc biểu diễn và tái tạo tín hiệu thông qua lấy mẫu thiếu và tối ưu hóa. CS cho phép lấy mẫu và khôi phục tín hiệu ở tốc độ lấy mẫu thấp hơn so với định lý lấy mẫu Nyquist-Shannon cho phép dựa trên kiến thức về độ thưa thớt của tín hiệu. Vì các số đọc cảm biến trong WSN thường có mối tương quan cao, CS có thể được coi là một khuôn khổ tiềm năng cho việc thu thập dữ liệu trong các mạng đó. Với CS, BS chỉ cần một số lượng nhỏ các phép đo CS được thu thập từ các mạng so với tổng số cảm biến để tái tạo tất cả dữ liệu từ khu vực cảm biến. Các phương pháp thu thập dữ liệu dựa trên CS trong WSN đã được chứng minh là tiết kiệm năng lượng.

2.1. Ưu Điểm của Cảm Biến Nén CS trong Mạng Cảm Biến Không Dây

Cảm biến nén (CS) mang lại nhiều ưu điểm cho mạng cảm biến không dây (WSN). Nó cho phép giảm đáng kể số lượng dữ liệu cần truyền từ các sensor node đến sink node, do đó giảm tiêu thụ năng lượng và kéo dài tuổi thọ mạng. CS cũng có thể cải thiện khả năng phục hồi dữ liệu trong trường hợp mất gói tin, vì nó chỉ cần một số lượng nhỏ phép đo để tái tạo lại toàn bộ tín hiệu. Việc áp dụng CS giúp giải quyết các vấn đề liên quan đến bandwidth hạn chế và hiệu quả năng lượng trong WSN.

2.2. Điều Kiện Ứng Dụng Cảm Biến Nén Hiệu Quả trong WSN

Để cảm biến nén (CS) hoạt động hiệu quả trong WSN, cần đáp ứng một số điều kiện. Dữ liệu cảm biến phải có tính thưa thớt, nghĩa là nó có thể được biểu diễn bằng một số lượng nhỏ các hệ số khác không trong một cơ sở phù hợp (ví dụ: wavelet, DCT). Ngoài ra, cần có một sensing matrix (hoặc measurement matrix) phù hợp để lấy mẫu dữ liệu một cách hiệu quả. Các thuật toán reconstruction algorithms cần phải được thiết kế để tái tạo dữ liệu từ các phép đo CS một cách chính xác và nhanh chóng.

III. Phương Pháp Thu Thập Dữ Liệu Dựa Trên Bước Ngẫu Nhiên CSR

Một trong những phương pháp thu thập dữ liệu dựa trên CS trong WSN là phương pháp dựa trên bước ngẫu nhiên (CS based random walk - CSR). Phương pháp này khai thác tính kết nối ngẫu nhiên giữa các cảm biến trong mạng. Các sensor node thực hiện bước ngẫu nhiên trong mạng, thu thập các phép đo CS dọc theo đường đi của chúng. Các phép đo này sau đó được gửi đến BS để tái tạo lại dữ liệu. CSR có thể cung cấp sự cân bằng tốt giữa hiệu quả năng lượng và độ trễ, nhưng nó cũng có thể gặp phải các vấn đề về độ tin cậy dữ liệu và độ phủ mạng.

3.1. Phân Tích Hiệu Suất Phục Hồi và Độ Phủ Mạng của CSR

Hiệu suất phục hồi của thuật toán CSR phụ thuộc vào nhiều yếu tố, bao gồm độ thưa thớt của dữ liệu, thuộc tính của measurement matrix và độ dài của các bước ngẫu nhiên. Độ phủ mạng cũng là một yếu tố quan trọng, vì nó ảnh hưởng đến số lượng cảm biến được lấy mẫu và do đó ảnh hưởng đến độ chính xác của dữ liệu được phục hồi. Bài báo gốc trình bày phân tích về sự đánh đổi giữa phạm vi truyền dẫn và độ dài bước ngẫu nhiên.

3.2. Ưu và Nhược Điểm của CSR khi Chuyển Tiếp Dữ Liệu Trực Tiếp D CSR

Trong phương pháp chuyển tiếp dữ liệu trực tiếp (Directly Forwarding the CS Measurements to the Base-station - D-CSR), các phép đo CS được thu thập bởi các bước ngẫu nhiên được gửi trực tiếp đến BS. Điều này có thể đơn giản hóa giao thức và giảm độ trễ, nhưng nó cũng có thể tiêu thụ nhiều năng lượng hơn, đặc biệt là đối với các cảm biến ở xa BS. Phân tích mức tiêu thụ năng lượng của D-CSR được cung cấp trong tài liệu gốc, cùng với kết quả mô phỏng.

3.3. Ưu và Nhược Điểm của CSR khi Chuyển Tiếp Dữ Liệu Đa Chặng M CSR

Trong phương pháp chuyển tiếp dữ liệu đa chặng (Multi-hop Relaying Data from Random Walks to the Base-station - M-CSR), các phép đo CS được thu thập bởi các bước ngẫu nhiên được chuyển tiếp đến BS thông qua các sensor node trung gian. Điều này có thể tiết kiệm năng lượng, nhưng nó cũng có thể làm tăng độ trễ và độ phức tạp của giao thức. Phân tích mức tiêu thụ năng lượng và kết quả mô phỏng cho M-CSR cũng được trình bày trong tài liệu gốc.

IV. Thu Thập Dữ Liệu Dựa Trên Cụm Cluster Based Compressive Sensing

Một phương pháp khác là Cluster-Based Compressive Sensing (CCS). Mạng được chia thành các cụm, và một cluster head được chọn trong mỗi cụm. Các sensor node trong cụm gửi dữ liệu của chúng đến cluster head, và cluster head thực hiện nén dữ liệu bằng CS và gửi các phép đo nén đến BS. CCS có thể cải thiện hiệu quả năng lượng bằng cách giảm số lượng truyền dữ liệu trong mạng. Việc chia cụm mạng có thể cải thiện khả năng mở rộng và quản lý.

4.1. Phân Tích Tiêu Thụ Điện Năng trong CCS với Truyền Trực Tiếp DCCS

Trong phương pháp DCCS (Directly Send CS Measurements to the BS), các cluster head gửi trực tiếp các phép đo CS của chúng đến BS. Phân tích mức tiêu thụ điện năng cho DCCS được cung cấp trong tài liệu gốc, cùng với kết quả mô phỏng. Điều này có thể đơn giản hóa giao thức, nhưng có thể dẫn đến việc các cluster head xa BS tiêu thụ nhiều năng lượng hơn.

4.2. Hiệu Quả Truyền Dữ Liệu Đa Chặng Giữa Các Cụm ICCS

Phương pháp ICCS (Inter-cluster Multi-hop Routing in CCS) sử dụng định tuyến đa chặng giữa các cụm để chuyển tiếp dữ liệu đến BS. Phân tích mức tiêu thụ điện năng và kết quả mô phỏng cho ICCS được trình bày trong tài liệu gốc. Việc này có thể cải thiện hiệu quả năng lượng bằng cách giảm khoảng cách truyền dữ liệu trung bình, nhưng sẽ làm tăng độ trễ và độ phức tạp của giao thức.

4.3. Sử Dụng DCT Compression trong Thu Thập Dữ Liệu Cụm

Một phương pháp khác là sử dụng DCT compression và chỉ truyền các hệ số lớn. Hiệu suất của phương pháp này phụ thuộc vào số lượng hệ số được truyền và mức độ nhiễu trong dữ liệu cảm biến. Sử dụng DCT có thể giảm lượng dữ liệu truyền nhưng có thể cần điều chỉnh số lượng hệ số DCT dựa trên điều kiện mạng cảm biến.

V. Phương Pháp Thu Thập Dữ Liệu Dựa Trên Cây Tree Based Data Gathering

Phương pháp thu thập dữ liệu dựa trên cây (Tree-based data gathering - TCS) xây dựng một cây định tuyến trong mạng. Các sensor node gửi dữ liệu của chúng dọc theo cây đến BS, và nén dữ liệu có thể được thực hiện tại các nút trung gian bằng cách sử dụng CS. TCS có thể cung cấp một cách hiệu quả để thu thập dữ liệu từ toàn bộ mạng, nhưng nó cũng có thể gặp phải các vấn đề về độ tin cậy nếu một trong các nút trên cây bị lỗi.

5.1. TCS Thu Thập Dữ Liệu Tiết Kiệm Năng Lượng Dựa Trên Cây

TCS (Tree-base Energy-Efficient Data Gathering) là một thuật toán thu thập dữ liệu tiết kiệm năng lượng. Nó phân tích mức tiêu thụ điện năng, cung cấp các gợi ý để giảm thiểu mức tiêu thụ điện năng để kéo dài tuổi thọ mạng. Bằng cách tổ chức mạng thành cấu trúc cây, TCS giúp giảm số lượng truyền dữ liệu và tập trung vào việc tối ưu hóa việc sử dụng năng lượng của các sensor node.

5.2. Phân Tích Mức Tiêu Thụ Điện Năng của Tree Based Data Gathering

Việc phân tích mức tiêu thụ điện năng là rất quan trọng để đánh giá hiệu quả của thuật toán thu thập dữ liệu dựa trên cây. Các yếu tố chính cần xem xét bao gồm năng lượng tiêu thụ để truyền dữ liệu, năng lượng tiêu thụ để xử lý tín hiệu và năng lượng tiêu thụ để duy trì cấu trúc cây. Bằng cách phân tích cẩn thận các yếu tố này, có thể tối ưu hóa thuật toán thu thập dữ liệu dựa trên cây để đạt được hiệu quả năng lượng tối đa.

5.3. Kết Luận và Hướng Phát Triển cho Tree Based Data Gathering

Việc áp dụng các phương pháp thu thập dữ liệu dựa trên cây mang lại nhiều lợi ích cho WSN, bao gồm hiệu quả năng lượng được cải thiện, độ trễ giảm và độ tin cậy được nâng cao. Tuy nhiên, vẫn còn những thách thức cần giải quyết, chẳng hạn như duy trì cấu trúc cây trong môi trường động và xử lý lỗi nút. Các hướng phát triển trong tương lai bao gồm khám phá các thuật toán xây dựng cây phân tán và kết hợp các kỹ thuật sensor fusion để cải thiện độ chính xác của dữ liệu.

VI. Thu Thập Dữ Liệu Dựa Trên Lân Cận Neighborhood Based Collection

Phương pháp thu thập dữ liệu dựa trên vùng lân cận (Neighborhood-based data collection (NeiCS)) khai thác tính lân cận của các cảm biến. Trong phương pháp này, các cảm biến thu thập dữ liệu từ các vùng lân cận của chúng và truyền dữ liệu đến BS trực tiếp hoặc thông qua các nút trung gian. Bằng cách thu thập dữ liệu lân cận, NeiCS có thể giảm số lượng truyền thông và tăng hiệu quả năng lượng của WSN.

6.1. Thuật Toán Thu Thập Dữ Liệu Dựa Trên Lân Cận NeiCS

Thuật toán NeiCS bao gồm việc lấy mẫu các vùng lân cận ngẫu nhiên trong mạng cảm biến, trong đó phạm vi truyền dẫn xác định các vùng lân cận. Dữ liệu được thu thập từ các vùng lân cận này được sử dụng để tái tạo lại toàn bộ dữ liệu từ khu vực cảm biến. Bằng cách tận dụng tính lân cận của các cảm biến, thuật toán NeiCS có thể giảm số lượng truyền dữ liệu và tăng hiệu quả năng lượng của mạng cảm biến.

6.2. Phân Tích Mức Tiêu Thụ Điện Năng của NeiCS

Việc phân tích mức tiêu thụ điện năng là rất quan trọng để đánh giá hiệu quả của thuật toán NeiCS. Điều này bao gồm việc xem xét mức tiêu thụ điện năng để lấy mẫu các vùng lân cận, truyền dữ liệu đến BS và duy trì cấu trúc lân cận. Bằng cách tối ưu hóa các yếu tố này, có thể giảm thiểu mức tiêu thụ điện năng và kéo dài tuổi thọ của mạng cảm biến.

6.3. Kết Luận và Hướng Phát Triển của NeiCS

Phương pháp NeiCS mang lại một cách đầy hứa hẹn để thu thập dữ liệu trong mạng cảm biến, cung cấp khả năng hiệu quả năng lượng được cải thiện và giảm độ trễ. Các hướng phát triển trong tương lai bao gồm việc kết hợp các kỹ thuật sensor fusion để cải thiện độ chính xác của dữ liệu và khám phá các thuật toán phân phối để duy trì cấu trúc lân cận trong các mạng động.