传统的无线传感器网络(网络)传输标量数据(如温度和辐照)水槽节点。一个新的无线视觉传感器网络(WVSN),可以传输图像数据是一个更有前途的解决方案比WSN在传感,检测,和监控环境,加强对网络的认识,物理和社会环境我们的日常活动。然而,图像数据的规模远远大于标量数据,使得图像传输中的一个具有挑战性的问题battery-limited WVSN。在本文中,我们研究了节能形象在WVSN聚合方案。图像聚合是一个可能的方法来消除图像的冗余部分,被不同的数据源节点。因此,传动功率通过图像可以减少聚合方案。然而,图像聚合需要图像处理,增加节点的处理能力。除了从节点处理额外的能源消耗,还有另一个MAC-aware传输能量损失从图像聚合。在本文中,我们首先提出了数学模型来捕捉这三个因素(图像传输、图像处理和MAC重传)WVSN。基于数学模型的计算结果和实际WVSN传感器节点(即。, Meerkats node) are performed to optimize the energy consumption tradeoff between image transmission, image processing, and MAC retransmission.
传输功率进行了如下的分析。首先,我们假设每个传感器节点配备了CSMA / CA收发器兼容。我们检查contention-based CSMA / CA protocol-distributed协调功能(DCF)。贴现,每个成功的传播是从RTS的周转时间竞争窗口。当发送方想传输数据接收方时,它将第一期RTS数据包传输接收器的许可要求。如果授予许可,接收者将出具CTS回到发送方,然后可以传输的数据。成功接收的数据后,接收者将发送ACK返回给发送者。因为这个RTS和CTS机制,将规避隐藏节点问题。注意RTS和CTS之间的时间间隔不大于短帧间间隔(sif)时间根据CSMA / CA协议。这一轮结束时传播,所有的传感器节点将争dif期后的通道。 In order not to interrupt each round of transmission, the DIFS period is larger than the SIFS period. Letting the propagation delay from the sender to the receiver be
θ,那么周转时间
2
θ。然后整个争用期(
即时战略游戏+
sif+
2
θ)发送即时战略框架。其他传感器节点听说RTS或CTS包不会传播在这争用期,防止碰撞。
在CSMA / CA协议,当发送方想要传输一个数据包到接收机,它将第一期RTS控制帧,然后等待来自接收者的CTS帧,以确保如果通道是否免费
19]。如果没有其他发射机传输一个数据包在这个竞争时期,那么这个传输成功。然后,我们推导出节点的平均传输时间
n传输数据的节点
k(表示为
c
n
k):
(9)
c
n
k
=
1
p
成功
(
n
,
k
)
=
1
e
- - - - - -
λ
(
即时战略游戏
_
+
sif
_
+
2
θ
)
∑
j
∈
N
,
j
≠
n
z
j
k
。前面的意思重新传输函数均值的几何分布成功传输概率,说
p
成功是,不发生在任何节点数据传输的传输半径覆盖接收器节点
k的时间间隔内(
即时战略游戏+
sif+ 2
θ)。使用
z
j
k我们可以计算的总数量的传感器节点传输覆盖传感器节点
k或传感器节点的总数由传感器节点的传输半径
j。我们说明一个示例数据
2 (b)和
2(c)的值来计算传输时间。对于任何一个节点
n
∈
{
1
,
…
,
米
},
∑
j
∈
N
,
j
≠
n
z
j
k
=
(
米
- - - - - -
1
),然后
(10)
c
n
k
=
1
p
成功
(
n
,
k
)
=
1
e
- - - - - -
λ
(
即时战略游戏
_
+
sif
_
+
2
θ
)
(
米
- - - - - -
1
)
。基于(
10),我们可以计算的总功耗考虑MAC层重传。注意接收器传输功耗来自碰撞,如果传输到接收机只是从一个发射器,然后没有传输功耗。因此,在数据
3(一个)和
3 (b),因为有
米发射机传输图像数据的节点
一个在节点,可能有碰撞
一个在数据源节点产生重传。然而,在图
3 (c),因为从一个发射器,接收器接收传输将没有传输功率损耗的碰撞。在(
11),我们展示了MAC的数据源节点传输能耗节点聚合
一个:
(11)
E
MAC
=
(
即时战略游戏
_
)
·
(
∑
n
∈
{
1
,
…
,
米
}
c
n
一个
·
e
n
(
r
n
)
)
。在(
11),这是说,MAC的力量传输功率等于传输RTS帧重传的次数乘以。用(
10)和(
11),我们有
(12)
E
MAC
=
(
即时战略游戏
_
)
·
(
∑
n
∈
{
1
,
…
,
米
}
1
e
- - - - - -
λ
(
即时战略游戏
_
+
sif
_
+
2
θ
)
(
米
- - - - - -
1
)
·
e
n
(
r
n
)
)
=
(
即时战略游戏
_
)
·
(
1
e
- - - - - -
λ
(
即时战略游戏
_
+
sif
_
+
2
θ
)
(
米
- - - - - -
1
)
)
·
(
∑
n
∈
{
1
,
…
,
米
}
e
n
(
r
n
)
)
。注意,没有MAC传输功耗图
3 (c)因为每个数据源节点传送图像不同的中继节点。因此,在考虑总功耗,只有数字
3(一个)和
3 (b)需要地址(
12)。在下面,我们获得的总功耗“Nonaggregation”计划图
3(一个)和“聚合”计划图
3 (b)和“个人继电器”方案图
3 (c),每个表示
总
一个
,
总
b,
总
c
,分别
(13)
总
一个
=
E
MAC
+
(
T
图像
)
·
(
∑
n
∈
{
1
,
…
,
米
}
e
n
(
r
n
)
)
+
Ψ
一个
(
r
一个
,
(
∑
我
=
1
米
|
视场
我
|
)
)
,
(14)
总
b
=
E
MAC
+
(
T
图像
)
·
(
∑
n
∈
{
1
,
…
,
米
}
e
n
(
r
n
)
)
+
Φ
一个
(
∑
我
=
1
米
|
视场
我
|
,
(
|
视场
1
⋃
⋯
⋃
视场
米
|
)
)
+
Ψ
一个
(
r
一个
,
(
|
视场
1
⋃
⋯
⋃
视场
米
|
)
)
,
(15)
总
c
=
(
T
图像
)
·
(
∑
n
∈
{
1
,
…
,
米
}
e
n
(
r
n
)
)
+
∑
我
=
1
米
Ψ
一个
我
(
r
一个
我
,
|
视场
我
|
)
。在(
15),没有MAC传输功耗因为每个数据源节点传送图像各个中继节点。此外,没有节点处理能力(
14)和(
15)。在以下部分中,我们将验证方案是最节能的一个。
3所示。数值结果
我们假设一个传感器网络以事件驱动模式运行。有一个事件时,图像传感器节点可以捕获事件的图像(即。,the images nodes whose FoV cover the event) become the data source nodes and send the images back to the sink node. In the experiments, the parameter setting for the CSMA/CA parameters (i.e.,
即时战略游戏,
CTS,
Θ)是基于
7]。
图像传输的能耗值(即,
Ψ
n
(
r
n
,
D
n
))和图像处理(例如,
Ψ
n
(
r
n
,
D
n
))在实验中是非常重要的参数。我们模拟之间的五种不同的功率比值图像传输和图像处理(例如,
(
Ψ
n
(
r
n
,
D
n
)
/
Φ
n
(
C
n
,
D
n
)
)),从0.55到4.55不等步长1检查解决方案质量三个图像聚合方案。我们表示等比例
T
/
P
比。更具体地说,我们修复图像传输和改变的值图像处理(即的价值。实验中,五个不同的值)。可以观察到(
13)
~(
15),其中三个图像聚合方案,图像处理能力只存在于“聚合”的计划。可以预期,功耗为“个人继电器”和“Nonaggregation”将在不同的保持不变
T
/
P比率。另一方面,“聚合”计划有不同的相对能耗不同
T
/
P比率。“Aggregation1.55”是指相对功耗时
T
/
P率是1.55。请注意,我们不阴谋图中的“Aggregation4.55”是因为“Aggregation4.55”的价值是太接近“Aggregation3.55”的价值。
(1)“聚合”计划执行更好的在更高
T
/
P比率。从图
4图
9,我们可以观察到“聚合的价值
X“低于”聚合
Y“当
X
>
Y。换句话说,通过增加
T
/
P率,节约从图像传输可能是更重要的比能耗的图像处理,这样可以降低总功耗。此外,我们可以看到有一个大“Aggregation0.55”和“Aggregation1.05”之间的差距。在“Aggregation0.55”,图像处理能力大于图像的传输功率。在这种情况下,执行图像聚合并不是一个好的选择尤其是在较低的聚合度。当聚合度小于40%时,“Nonaggregation”是更低的功耗比“Aggregation0.55”。另一方面,当
T
/
P比率大于1,执行图像聚合是鼓励减少总能耗尤其是更高程度的聚合。
(2)“聚合”计划执行更好的在更高程度的聚合:在更高程度的聚合,聚合图像的大小更小的“聚合”计划。然后传输功率会降低传输总形象。注意图像处理能力几乎是一样的,不管你是聚合的程度。然后“聚合”计划执行更好更高程度的聚合。在图
4(即,当0%的聚合。,the captured images from the data source node are all different), the “Aggregation” scheme could only achieve 90% of power consumption with respect to the “Individual relay” scheme. In Figure
9(即,当100%的聚合。,一个ll the captured images from the data source nodes are identical), the “Aggregation” scheme could achieve 60% of power consumption with respect to the “Individual relay” scheme.
装备上的摄像头传感器节点,能够捕获和传输图像数据打开一个新的应用程序在环境监测和安全监测WVSN。然而,传输图像在WVSN是一个具有挑战性的问题限制功率WVSN网络。从多个数据源节点通过聚合的图像,图像的相同部分可以结合保存图像传输功率。这个图像处理需要额外的节点能量消耗,危害图像传输的节能优势。此外,聚合来自多个数据源的图像节点相同的中继节点需要MAC层传输功率损耗。因此,节能形象聚合方案需要解决这三个因素之间的相互作用。在本文中,我们首先提出了数学模型来捕获图像传输的能耗,图像处理,和MAC重传。然后根据数学模型计算结果和实际WVSN传感器节点(猫鼬节点)进行确定最佳图像聚合策略。从数学模型的计算结果和实际WVSN传感器节点,它们都显示出图像聚合应该鼓励减少总能耗更高程度的聚合和大的传输半径(即。,大
T
/
P率)。增加数据源节点的数量还将增加多路复用所得聚合多个图像的单中继节点。这表明图像聚合可以帮助降低总能耗大量数据源节点。然而,随着更多数据源节点聚集在单个节点上,MAC传输功率损耗也增加。从数值结果,结果表明,数据源节点的数量不应超过7得到最好的多路复用增益和MAC传输功率损耗之间的权衡。这些结果不仅确定最佳图像聚合策略之间的权衡图像传输、图像处理、和MAC转播也帮助路由WVSN决定减少总能耗。
承认
这项工作是由美国国家科学委员会,台湾,在资助。100 - 2221年代NSC - e - 128 - 002和101 - 2410 h NSC - 128 - 005 - my2。