无线传感器网络拓扑识别算法

计算机应用 ›› 2010, Vol. 30 ›› Issue (3): 733-735.

无线传感器网络拓扑识别算法

张志勇¹,胡光岷²

1. 电子科技大学宽带光纤传输与通信网技术教育部重点实验室
2. 电子科技大学宽带光纤传输与通信网技术教育部重点实验室

收稿日期:2009-09-02 修回日期:2009-10-25 发布日期:2010-03-14 出版日期:2010-03-01
通讯作者: 张志勇

Novel topology inference algorithm for wireless sensor network

Guang-min HU²

Received:2009-09-02 Revised:2009-10-25 Online:2010-03-14 Published:2010-03-01

摘要/Abstract

摘要： 获取无线传感器网络(WSN)的拓扑信息对于网络规划和管理具有重要意义。针对采用数据融合机制的无线传感器网络(WSN)，证明了以某一节点的父节点的数据成功传输为条件时，该节点丢包的条件概率最小；以上述结论为基础，提出了一种新的WSN拓扑识别算法，仅以端到端的测量信息作为依据，可以在不增加网络负载、无需中间节点协作的情况下，获得准确的拓扑结构。NS-2仿真结果表明了该算法的有效性。

关键词: 无线传感网络, 网络层析成像, 数据融合, 拓扑识别

Abstract: Information of Wireless Sensor Network (WSN) topology is significant to network planning and management. For the WSN based on the data aggregation communication paradigm, the authors proved that the conditional probability of data loss of one node was minimum given that the data of the parent node were successfully transmitted to the sink. Based on this conclusion, a novel algorithm to infer WSN topology was proposed. The algorithm was capable of capturing accurate topology for WSN. It used end-to-end measurements and did not incur any additional burden on the network. NS-2 simulation results show that the proposed algorithm has high accuracy.

Key words: Wireless Sensor Network (WSN), network tomography, data aggregation, topology inference

张志勇胡光岷. 无线传感器网络拓扑识别算法[J]. 计算机应用, 2010, 30(3): 733-735.

Guang-min HU. Novel topology inference algorithm for wireless sensor network[J]. Journal of Computer Applications, 2010, 30(3): 733-735.

[1]	刘艺, 杨国利, 郑奇斌, 李翔, 周杨森, 陈德鹏. 无人系统数据融合流水线架构设计[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2536-2543.
[2]	罗玮, 刘金全, 张铮. 融合秘密分享技术的双重纵向联邦学习框架[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1872-1879.
[3]	韦修喜, 彭茂松, 黄华娟. 基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1009-1017.
[4]	王哲, 王启名, 李陶深, 葛丽娜. 基于深度强化学习的SWIPT边缘网络联合优化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3540-3550.
[5]	徐海文, 史家财, 汪腾. 基于深度全连接神经网络的离港航班延误预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3283-3291.
[6]	屈景怡, 曹磊, 陈敏, 董樑, 曹烨琇. 基于团簇随机连接的CliqueNet航班延误预测模型[J]. 计算机应用, 2020, 40(8): 2420-2427.
[7]	张争万, 张春炯, 李洪兵, 谢涛. 基于免疫连通模型的多路径传输选择算法[J]. 计算机应用, 2020, 40(12): 3571-3577.
[8]	林政, 吕霞付. 基于改进模糊算法的水面无人艇自主避障[J]. 计算机应用, 2019, 39(9): 2523-2528.
[9]	韩司, 郑宝昆, 曹奇敏. 基于逻辑密钥树的无线传感网络密钥管理方案[J]. 计算机应用, 2019, 39(5): 1378-1384.
[10]	黄丰雨, 吴业福, 陈镜任, 吴冰. 基于区域道路实况数据的交通行为谱分析方法[J]. 计算机应用, 2019, 39(3): 907-912.
[11]	丁景全, 马博, 李晓. 基于融合时空数据的车辆加油行为多视图深度异常检测框架[J]. 计算机应用, 2019, 39(11): 3370-3375.
[12]	邱津怡, 罗俊, 李秀, 贾伟, 倪福川, 冯慧. 基于卷积神经网络的多尺度葡萄图像识别方法[J]. 计算机应用, 2019, 39(10): 2930-2936.
[13]	吴仁彪, 李佳怡, 屈景怡. 基于双通道卷积神经网络的航班延误预测模型[J]. 计算机应用, 2018, 38(7): 2100-2106.
[14]	徐爽, 张谦, 李琰, 刘嘉勇. 基于距离类别的多源兴趣点融合算法[J]. 计算机应用, 2018, 38(5): 1334-1338.
[15]	屈立成, 高芬芬, 柏超, 李萌萌, 赵明. 雷达引导的视频联动监控模型及算法[J]. 计算机应用, 2018, 38(12): 3625-3630.