Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Perusahaan Penerbitan Hindawi

Jurnal Internasional Jaringan Sensor Terdistribusi
Volume 2016, ID Artikel 4156358, 17 halaman http://
dx.doi.org/10.1155/2016/4156358

Artikel Penelitian
Teknik Pengumpulan Data untuk Jaringan Sensor Nirkabel:
Perbandingan

Giuseppe Campobello, Antonino Segreto, dan Salvatore Serrano

Departemen Teknik, Universitas Messina, Contrada Di Dio, Sant'Agata, 98166 Messina, Italia

Korespondensi harus ditujukan kepada Giuseppe Campobello; gcampobello@unime.it

Diterima 2 November 2015; Revisi 3 Februari 2016; Diterima 4 Februari 2016

Editor Akademik: Haiping Huang

Hak Cipta © 2016 Giuseppe Campobello dkk. Ini adalah artikel akses terbuka yang didistribusikan di bawah Lisensi Atribusi Creative
Commons, yang mengizinkan penggunaan, distribusi, dan reproduksi tanpa batas dalam media apa pun, asalkan karya aslinya dikutip
dengan benar.

Kami mempelajari masalah pengumpulan data dalam jaringan sensor nirkabel dan membandingkan beberapa pendekatan yang termasuk dalam
bidang penelitian yang berbeda; khususnya, pemrosesan sinyal, penginderaan tekan, teori informasi, dan teknik pengumpulan data terkait jaringan
diselidiki. Secara khusus, kami memperoleh model analitik sederhana yang dapat memprediksi efisiensi energi dan keandalan berbagai teknik
pengumpulan data. Selain itu, kami melakukan simulasi untuk memvalidasi model kami dan untuk membandingkan efektivitas skema di atas dengan
secara sistematis mengambil sampel ruang parameter (yaitu, jumlah node, jangkauan transmisi, dan sparitas). Hasil simulasi dan analisis kami
menunjukkan bahwa tidak ada teknik pengumpulan data terbaik untuk semua aplikasi yang mungkin dan bahwa pertukaran antara konsumsi energi
dan keandalan dapat mendorong pilihan teknik pengumpulan data yang akan digunakan. Dalam konteks ini, model kami bisa menjadi alat yang
berguna.

1. Perkenalan Jadi, berbeda dengan banyak perangkat nirkabel lainnya

Jaringan sensor nirkabel (WSN) terdiri dari banyak sensor
nirkabel kecil, berdaya rendah, dan murah, ditempatkan di area
geografis untuk melakukan tugas terdistribusi, misalnya, untuk
memantau fenomena fisik [1]. Pada tahun 2004, MIT
Technology Review memberi peringkat WSNs sebagai teknologi
yang muncul nomor satu [2] dan hari ini mereka digunakan
secara efektif untuk banyak aplikasi, seperti pengawasan
(misalnya, pengawasan audio atau video area waktu nyata),
keamanan (misalnya, deteksi biologis agen atau bahan kimia
beracun), pemantauan kebiasaan (misalnya, pengukuran
lingkungan suhu, tekanan, atau getaran mekanis), otomatisasi
rumah, sistem militer, dan, secara umum, eksperimen ilmiah.
Dalam topologi WSN yang khas, kita dapat membedakan
antara node sensor nirkabel biasa dan stasiun pangkalan
bernama sink. Wastafel biasanya terhubung ke catu daya dan
mampu melakukan operasi yang lebih kompleks daripada node
biasa. Node sensor nirkabel biasa, yang mampu mentransfer
data yang diproses atau dirasakan mentah ke wastafel, karena
alasan ekonomis, biasanya ditenagai oleh baterai ukuran kecil
yang dalam sebagian besar skenario aplikasi sulit atau bahkan
tidak mungkin untuk diganti atau diisi ulang.
(misalnya, telepon seluler, PDA, dan laptop), biasanya tidak
diharapkan untuk memperbarui energi yang disuplai ke node
sensor nirkabel selama masa pakai WSN. Untuk alasan ini, setiap
node sensor diperlukan untuk bekerja di bawah kondisi konsumsi
daya yang sangat rendah.
Secara umum, untuk merancang WSN yang sangat hemat
energi, sangat penting untuk mempertimbangkan masalah
penangkapan, transmisi, dan perutean, yaitu, teknik
pengumpulan data yang menentukan cara kerja sensor biasa
untuk mengumpulkan informasi dan mengirimkannya ke sink.
Akibatnya, pengumpulan data adalah fungsi utama dan lebih
kritis yang disediakan oleh WSN.
Tujuan utama dari makalah ini adalah untuk membandingkan
beberapa teknik pengumpulan data state-of-the-art mempertimbangkan
trade-off antara keandalan (yaitu, kehilangan paket dan kesalahan
rekonstruksi) dan konsumsi energi (yaitu, masa pakai jaringan) dengan
mempertimbangkan memperhitungkan aspek kompresi dan jaringan.
Sejauh pengetahuan kami, ini adalah makalah pertama yang
mempertimbangkan jenis perbandingan untuk teknik pengumpulan data
yang termasuk dalam bidang penelitian yang berbeda (yaitu,
pemrosesan sinyal, penginderaan tekan, teori informasi, dan teknik
terkait jaringan yang dibahas dan dibandingkan.
2 Jurnal Internasional Jaringan Sensor Terdistribusi
dalam makalah ini). Secara khusus, kami memperoleh model analitik
sederhana yang dapat memprediksi efisiensi energi dan keandalan
beberapa teknik pengumpulan data. Selain itu, kami melakukan
simulasi untuk memvalidasi model kami dan untuk membandingkan
efektivitas skema di atas dengan secara sistematis mengambil
sampel ruang parameter (yaitu, jumlah node, jangkauan transmisi,
dan sparitas).
Sisa makalah ini disusun sebagai berikut. Di Bagian 2, kami
menyajikan ringkasan karya terkait. Di Bagian 3, rincian lebih lanjut
tentang teknik pengumpulan data yang ada diberikan dengan
menyoroti kelebihan dan kekurangannya. Di Bagian 4, skenario
simulasi yang digunakan untuk perbandingan dirinci dan model
analitis yang dapat memprediksi efisiensi energi dan keandalan dari
berbagai teknik pengumpulan data diturunkan. Di Bagian 5, metrik
yang digunakan untuk membandingkan teknik pengumpulan data
diperkenalkan. Pada Bagian 6, hasil simulasi disediakan dan model
analitik yang dikembangkan divalidasi. Akhirnya, di Bagian 7,
beberapa komentar penutup dan pekerjaan masa depan digambar.
Demi kejelasan, simbol dan notasi yang digunakan di
seluruh makalah dilaporkan di bagian Notasi.
2. Pekerjaan Terkait
Dalam beberapa tahun terakhir, beberapa teknik pengumpulan data
telah diusulkan untuk WSN dengan tujuan utama mengurangi
konsumsi energi di WSN dengan memanfaatkan korelasi antara
data sensorik. Kita dapat membedakannya menjadi dua kategori
besar: berorientasi kompresi dan berorientasi jaringan.
Kategori pertama, bernama berorientasi kompresi, difokuskan
untuk memaksimalkan masa pakai jaringan dengan memanfaatkan
teknik kompresi data [3-10]. Secara khusus, [3, 4] menganalisis
skema kompresi lossless yang berbeda untuk WSN yang
mengeksploitasi korelasi temporal dalam sinyal sampel; dalam [5,
6], penulis memanfaatkan korelasi spasial dengan menggunakan
teknik pengkodean sumber terdistribusi berdasarkan teorema
Slepian-Wolf; akhirnya, [7-10] menyelidiki batas mendasar dari
teknik pengumpulan data berdasarkan paradigma baru
penginderaan tekan [11, 12]. Sebuah tinjauan komprehensif
pendekatan kompresi data yang ada di WSNs disediakan di [13].
Rincian lebih lanjut tentang teknik pengumpulan data
berorientasi kompresi akan diberikan di Bagian 3. Secara
khusus, pemrosesan sinyal, penginderaan tekan, dan teknik
terkait teori informasi dibahas, masing-masing, di Bagian 3.1,
3.2, dan 3.3.
Karena transmisi radio adalah sumber utama konsumsi
daya di WSN, kategori kedua dari teknik pengumpulan data,
bernama berorientasi jaringan, telah menangani masalah
memaksimalkan masa pakai jaringan dengan
mempertimbangkan protokol jaringan dan, lebih khusus lagi,
mekanisme penerusan/perutean [14-17].
Secara khusus, dalam [14], penulis menunjukkan bagaimana
mungkin untuk memaksimalkan masa pakai WSN dengan
mengeksploitasi algoritma perutean. Dalam [15], penulis mempelajari
masalah konstruksi hutan untuk memaksimalkan masa pakai jaringan
dan mengadopsi model agregasi data sederhana di mana sensor
perantara dapat menggabungkan beberapa pesan masuk menjadi satu
pesan keluar. Pendekatan yang berbeda diusulkan dalam [16] di mana
teknik pemisahan cerdas digunakan untuk mencapai
trade-off yang berbeda antara keandalan dan penghematan energi.
Akhirnya, dalam [17], penulis membahas masalah memaksimalkan masa
pakai jaringan dengan mempertimbangkan juga latensi dan keandalan.
Namun, dengan pengecualian [15], makalah di atas tidak
melakukan agregasi data apa pun dengan tujuan tidak
menimbulkan penundaan tambahan.
Seperti yang ditunjukkan pada [18-21], dengan menggabungkan agregasi
data dan mekanisme perutean, skema pengumpulan data yang efisien dapat
diperoleh.
Secara khusus dalam [18], masalah routing yang dioptimalkan
bersama dan agregasi data diselidiki; di [19], penulis
menggabungkan kompresi data dan teknik perutean multipath
untuk mendapatkan skema agregasi data yang andal dan latensi
rendah; di [20], skema pengumpulan dan pengumpulan data yang
seimbang energi diusulkan yang mengintegrasikan struktur hierarki
pengelompokan dengan penginderaan tekan untuk
mengoptimalkan dan menyeimbangkan jumlah data yang
ditransmisikan; akhirnya di [21] teknik pengumpulan data
berdasarkan paradigma pengkodean jaringan diusulkan.
Rincian lebih lanjut tentang karya-karya di atas akan diberikan di
Bagian 3.4.
Beberapa makalah lain ada yang membandingkan teknik
pemrosesan sinyal di WSN dari efisiensi energi dan perspektif masa
pakai jaringan dan beberapa karya menyoroti efek penggunaan
mekanisme perutean yang berbeda untuk pengumpulan data.
Namun demikian, teknik milik bidang penelitian yang
berbeda seperti penginderaan tekan, teori informasi, dan
jaringan jarang dievaluasi satu sama lain dan ini adalah
tujuan utama dari makalah ini.
Baru-baru ini, perbandingan tersebut telah dimulai, misalnya,
[22] di mana teknik agregasi data lossy dievaluasi dan dibandingkan
dalam hal kesalahan rekonstruksi dan konsumsi energi. Namun,
penulis tidak mempertimbangkan dampak dari keandalan jaringan
(yaitu, kehilangan paket) atau membandingkan teknik pengumpulan
data berbasis jaringan seperti yang didasarkan pada paradigma
pengkodean jaringan.
Tujuan dari makalah ini adalah untuk mengisi kesenjangan ini
dengan menyelidiki efektivitas semua teknik pengumpulan data di atas
juga dalam hal keandalan. Secara khusus, model analitik yang dapat
memprediksi efisiensi energi dan keandalan dari berbagai teknik
pengumpulan data diturunkan.
3. Teknik Pengumpulan Data
Kita dapat mengklasifikasikan skema pengumpulan data berdasarkan
bidang penelitian dari mana teknik yang digunakan untuk
mengeksploitasi korelasi antara node sensor diambil, yaitu,
(i) pemrosesan sinyal;
(ii) penginderaan tekan;
(iii) teori informasi;
(iv) jaringan.
Teknik-teknik yang termasuk dalam bidang-bidang di atas dibahas
dalam subbagian berikutnya dengan menyoroti kelebihan dan
kekurangannya.
Jurnal Internasional Jaringan Sensor Terdistribusi 3

3.1. Teknik Pemrosesan Sinyal.Sering ada korelasi tinggi (spasial oleh karena itu rasio kompresi yang tinggi dapat dicapai dengan
dan/atau temporal) di antara pembacaan sensor. Dalam hal ini, menggunakan CS (yaitu, dengan mentransmisikan pengukuran CS   alih-alih
tidak efisien untuk mengirimkan seluruh data mentah ke tujuan data mentah ).
[8, 9] dan pemrosesan sinyal, khususnya teknik Transforms and Rekonstruksi dicapai dengan memecahkan masalah
Encoding Compression (TEC), dapat dimanfaatkan untuk optimasi kompleks dari bentuk berikut:
mengurangi jumlah data yang akan dikirim.
Dalam kasus teknik TEC lokal, node mengumpulkan argmin kan1
(1)
pengukuran mengikuti teorema pengambilan sampel Shannon-
st =,
Nyquist; pengukuran ini ditransformasikan dan dikodekan
dengan benar dan output dari transformasi tersebut disimpan di mana = . Setelah masalah di atas terpecahkan,   dapat
dalam muatan satu atau lebih paket dan dikirim ke sink. Secara dipulihkan sebagai = . Sebagai alternatif, ketika langkah-langkah
khusus, teknik lossy atau lossless dapat digunakan tergantung bersuara dipertimbangkan, masalah optimasi berikut dapat
pada skenario aplikasi tertentu. dipertimbangkan:
Dengan teknik lossy [3], data asli dikompres dengan membuang
beberapa informasi asli; ini memungkinkan pencapaian rasio
argmin kan1
kompresi yang lebih tinggi tetapi di sisi penerima hanya dapat
(2)
st -  α 2   
2,
merekonstruksi data dengan akurasi tertentu.
Namun, dalam beberapa jenis pemantauan, keakuratan di mana ε membatasi kebisingan.
pengamatan sangat penting untuk memahami proses fisik yang Ada beberapa algoritma yang mampu memecahkan
mendasarinya. Dalam kasus lain, tidak mungkin untuk memiliki masalah optimasi di atas (Basis Pursuit [25], OMP [26], dan
pengetahuan apriori tentang besarnya kesalahan pengamatan yang CoSaMP [27], untuk menyebutkan beberapa saja) dan beberapa
dapat ditoleransi tanpa mempengaruhi pengumpulan data yang hasil teoretis ada yang menjelaskan kapan algoritma ini
benar. Selain itu, beberapa domain aplikasi (misalnya, BAN jaringan memulihkan solusi sparse. Khususnya,
area tubuh di mana node sensor secara permanen memantau dan
mencatat tanda-tanda vital) menuntut sensor dengan akurasi tinggi (i) sebagaimana dibuktikan dalam [28], sebuah sinyal   dapat dipulihkan
dan tidak dapat mentolerir pengukuran yang rusak oleh proses dengan probabilitas tinggi jika memenuhi Restricted Isometric
kompresi lossy. Property (RIP).

Dalam semua jenis WSN ini, pengumpulan data lossless
sangat penting dan diinginkan. Contoh skema kompresi
lossless lokal telah diusulkan di [4, 23, 24].
Teknik kompresi lossy telah dievaluasi dan dibandingkan
dalam hal kesalahan rekonstruksi dan konsumsi energi di [22];
oleh karena itu, dalam makalah ini kami memusatkan perhatian
kami pada teknik lossless.
Demi ruang, kami tidak mempertimbangkan teknik TEC
terdistribusi dalam makalah ini tetapi kami merujuk pembaca ke
[13]. Namun demikian, pendekatan terdistribusi utama dari
pemrosesan sinyal yang diterapkan pada WSN akan dibahas dalam
subbagian berikutnya.
3.2. Penginderaan Kompresi.Penginderaan kompresif (CS) adalah paradigma
baru yang diperkenalkan oleh Candes dan Tao [11] dan Donoho [12] yang
digunakan untuk menangkap dan mengompresi sinyal di WSN di mana
kompresi dan pengambilan sampel digabungkan dan dilakukan pada saat
yang bersamaan. Pada dasarnya, CS mengompresi sinyal saat memperoleh
data pada tingkat informasinya (tanpa bergantung pada teorema pengambilan
sampel Shannon-Nyquist). Teori CS menyatakan bahwa jika suatu sinyal jarang
atau dapat dimampatkan dalam basis tertentu, maka sinyal tersebut dapat
direkonstruksi dari sejumlah kecil pengukuran linier dengan menyelesaikan
suatu 1 berbasis masalah optimasi cembung [7].
Lebih tepatnya, mari kita definisikan -sinyal jarang = (1, . . . ,
 )  sebagai sinyal yang dapat dinyatakan sebagai = , di mana adalah
transformasi ortonormal dan α adalah vektor dengan paling banyak   CS dapat diterapkan juga di WSN berbasis pohon mengingat node
«  entri bukan nol; Teori CS menyatakan bahwa  dapat dipulihkan
dari = (  catatan(/ )) kombinasi linear dari pengukuran yang
diperoleh sebagai = , dimana adalah × matriks.
Perhatikan bahwa, mengingat bahwa   adalah nilai yang kecil
dibandingkan dengan , berikut ini   bisa jauh lebih kecil dari   dan
Secara formal, amatrixΦmemenuhi RIP jika untuk semua -
sinyal jarang   ada δ  (0, 1) seperti yang
(1 )2 2 i2 2 (1 + )2 2. (3)
Contoh matriks yang memenuhi kondisi RIP adalah ±1
Matriks Bernoulli dan matriks distribusi Gaussian
di mana φ, (0,2 Φ) dengan σ2Φ = 1/ .
(ii) Seperti yang dibuktikan pada [29], dalam kasus bebas noise,
pemulihan eksak dengan matriks Gaussian dapat diperoleh jika
  5
=* = 2  catatan ( ) + + 1. (4)
  4
Kami akan mengeksploitasi hasil di atas untuk mendapatkan model
keandalan untuk CS.
CS dapat diterapkan dalam WSN berbasis cluster mengingat setiap
node sensor dalam sebuah cluster mengirimkan bacaannya    ke kepala
cluster yang akan mengalikan semua pembacaan yang diterima dengan
koefisien acak φ, dengan menghasilkan   jumlah tertimbang    = Σ  φ,  
dengan [1, . . . , ].Selanjutnya, nilai   , bernama pengukuran CS,
dikirim ke sink melalui satu atau beberapa paket.
Berdasarkan teori CS, dalam kondisi sparity, dengan
mengumpulkan jumlah pengukuran CS yang cukup, sink
akan dapat merekonstruksi data sensor asli.   .
sumber termasuk dalam paketnya informasi penginderaan yang
merupakan produk dari nilai yang diperoleh dan koefisien acak dan
kemudian mengirimkannya ke node hop berikutnya [30]. Dengan cara
demikian, kompresi CS dapat dilakukan dengan kompleksitas yang
rendah pada node sumber [9] dan lalu lintas data melalui
4 Jurnal Internasional Jaringan Sensor Terdistribusi
jaringan berkurang [8]. Namun, dalam kasus terakhir jumlah hop
yang tinggi diperlukan, yaitu,= ( / ), yang dapat menyebabkan latensi
jaringan yang tinggi.
Dalam [7], perbandingan teknik pemrosesan sinyal berbasis
CS dan konvensional untuk WSN telah dilakukan dalam hal
efisiensi energi dan masa pakai jaringan.
Namun, ada beberapa tantangan yang harus diatasi
untuk menggunakan CS:
(i) Waktu decoding untuk rekonstruksi dapat menjadi ( 3) dan karena
itu sangat mahal untuk jaringan besar. Ada algoritma yang lebih
murah (misalnya, pencocokan pencarian) tetapi mereka
memberikan pemulihan yang kurang stabil dan batas kesalahan
yang lebih lemah dalam solusi yang dipulihkan.
(ii) CS mengasumsikan bahwa data yang diindra memiliki sparitas
konstan yang diketahui, mengabaikan bahwa sparitas sinyal
nyata bervariasi dalam domain temporal dan spasial. Secara
khusus, dasar sparsifying diasumsikan diberikan dan diperbaiki
dengan waktu, tetapi ini tidak berlaku untuk skenario WSN yang
realistis, di mana sinyal yang diinginkan tidak diketahui dan
karakteristik statistiknya dapat bervariasi dari waktu ke waktu.
(iii) Teknik berbasis CS menimbulkan kerugian yang tidak dapat diabaikan
(kesalahan pemulihan) dengan mengurangi keandalan dan bekerja
paling baik untuk jaringan skala besar (setidaknya seribu node).
(iv) Efek kuantisasi: Teori CS sebagian besar berfokus
pada pengukuran bernilai nyata tetapi dalam
praktiknya pengukuran harus direpresentasikan
dengan jumlah bit yang terbatas. Akibatnya, ada
trade-off antara jumlah pengukuran  dan jumlah bit
per pengukuran  CS.
Dalam makalah ini, kami berkonsentrasi pada dua masalah terakhir,
dengan menganalisis pengaruh sparsity dan kuantisasi pada penghematan
energi dan keandalan. Rincian lebih lanjut tentang CS dan cara
mengeksploitasinya untuk WSN akan diberikan di bagian selanjutnya.
3.3. Teknik Terkait Teori Informasi.Untuk mengeksploitasi
korelasi data yang diperoleh secara bersamaan oleh sensor
yang berbeda, teknik DSC, yang terinspirasi oleh teorema
Slepian-Wolf, dapat diterapkan [2]. Teknik DSC menyiratkan
bahwa setiap node sensor mengirimkan output terkompresi ke
sink untuk decoding bersama. Ini berarti bahwa node perlu
bekerja sama dalam kelompok dua atau tiga sehingga satu
node menyediakan informasi samping dan yang lain dapat
memampatkan informasinya ke batas Slepian-Wolf atau Wyner-
Ziv. Selanjutnya, pendekatan DSC juga sulit untuk diterapkan
dalam skenario seperti itu karena mereka bekerja dengan
asumsi bahwa karakteristik statistik dari distribusi data yang
mendasarinya harus diketahui terlebih dahulu [9, 31].
Implementasi DSC yang paling praktis dan terkenal adalah DISCUS
[5, 32] di mana node sensor dianggap dibagi menjadi beberapa cluster.
Untuk setiap cluster, sebuah node (kepala cluster) mengirimkan data
yang tidak terkompresi (sebagai informasi sampingan) sementara semua
node lainnya mengirimkan data yang dikodekan (yaitu, dikompresi).
Untuk mengkodekan data, node sensor terlebih dahulu membagi semua nilai
yang mungkin menjadi himpunan yang terpisah-pisah (bernama bin) sehingga nilai
dalam bin yang sama memiliki jarak minimum. . Setiap bagian dari sensorik
data kemudian dikompresi dengan kode yang mengidentifikasi bin
unik tempat nilai sampel berada.
Untuk lebih menjelaskan cara kerja DISCUS, mari kita perhatikan
contoh sederhana.
Mari kita anggap bahwa pengukuran (terkuantisasi) berada dalam
kisaran bilangan bulat [0, 7] dan bahwa semua data yang dirasakan dari
sensor yang berbeda pada (hampir) waktu yang sama paling banyak
berbeda ±1. Tanpa kompresi DSC, tiga bit diperlukan untuk setiap sensor
untuk mewakili data sensorik. Sebaliknya, dalam kasus DSC hanya kepala
cluster yang mengirimkan nilai tiga bit. Node sensor lainnya dapat
membagi nilai yang mungkin menjadi empat tempat sampah {0, 4}; {1,
5}; {2, 6}; {3, 7}sehingga nilai dalam bin yang sama memiliki jarak
minimum = 4 dan mengkodekannya, masing-masing, dengan {00}, {01},
{10}, {11}. Jadi jika sink menerima 01 dari node sensor, ia mengetahui
bahwa hanya dua nilai yang mungkin, yaitu {1, 5}. Sekarang mari kita
anggap bahwa wastafel juga menerima nilai 6 (dikodekan dengan benar)
dari kepala cluster; dalam hal ini, nilai 01 segera diinterpretasikan
sebagai 5 tanpa ambiguitas sebagai konsekuensi dari fakta bahwa data
yang diindra dapat berbeda paling banyak 1.
Dalam contoh di atas, hanya kepala cluster yang mentransmisikan 3
bit untuk setiap pengukuran sedangkan untuk semua node lainnya
cukup 2 bit; oleh karena itu, kompresi tercapai.
Namun, DSC bergantung pada asumsi bahwa karakteristik
statistik (yaitu, fungsi korelasi) dari data yang mendasarinya harus
diketahui secara apriori, yang sulit diperoleh dalam skenario praktis.
Misalnya, skema DISCUS sederhana yang dibahas di atas hanya
berfungsi jika perbedaan antara nilai sampel oleh kepala cluster dan
semua node lain dalam cluster yang sama kurang dari/2. Selain itu,
kehilangan informasi sampingan (yaitu, data kepala cluster) akan
menyebabkan kesalahan fatal pada dekoder, yaitu keandalan yang
rendah.
Cara sederhana untuk meningkatkan keandalan dicapai dengan
mentransmisi ulang paket kepala klaster lebih banyak tetapi ini
mengurangi efisiensi kompresi. Oleh karena itu, ada trade-off
antara konsumsi energi dan keandalan berdasarkan jumlah
transmisi ulang maksimum yang diizinkan. Dalam makalah ini, kami
menyelidiki pertukaran semacam itu.
3.4. Teknik Jaringan
3.4.1. Teknik Berbasis Perutean.Karena transmisi radio adalah
sumber utama konsumsi daya di node, desain perutean hemat
energi adalah topik penting lainnya untuk diselidiki dalam
desain teknik pengumpulan data. Ide dasarnya adalah untuk
merutekan paket melalui jalur sehingga meminimalkan
konsumsi energi secara keseluruhan untuk mengirimkan paket
dari sumber ke tujuan. Masalah berfokus pada komputasi aliran
dan daya transmisi untuk memaksimalkan masa pakai jaringan,
yaitu waktu di mana node pertama dalam jaringan kehabisan
energi [18]. Secara khusus, tingkat konsumsi energi per unit
transmisi informasi untuk setiap node tergantung pada pilihan
hop berikutnya, yaitu keputusan routing. Pilihan ini dapat
mempengaruhi energi yang dibutuhkan untuk mencapai sink
[14].
Salah satu karya terbaru yang membahas masalah memaksimalkan
masa pakai jaringan dengan mempertimbangkan mekanisme perutean
adalah [17]. Penulis mencoba untuk mencapai keduanya
Jurnal Internasional Jaringan Sensor Terdistribusi
latensi rendah dan keandalan tinggi. Mereka membangun pohon
pengumpulan data berdasarkan model keandalan, menjadwalkan
transmisi data untuk tautan di pohon, dan menetapkan daya transmisi ke
setiap tautan yang sesuai. Namun, mereka tidak melakukan segala jenis
agregasi data atau kompresi data dengan tujuan tidak menimbulkan
penundaan ekstra.
Agregasi data dapat dilakukan di atas algoritma perutean.
Fungsi agregasi biasanya dilakukan dengan mengekstrak
beberapa nilai statistik (misalnya, maksimum, minimum, dan
rata-rata) dan kemudian hanya mentransmisikan ini [15].
Sedemikian rupa, dimungkinkan untuk mengurangi jumlah
komunikasi data dalam jaringan sensor padat dan mengurangi
konsumsi daya. Namun, teknik ini kehilangan banyak struktur
data asli yang diperoleh.
Secara khusus, penulis [15] mempelajari masalah konstruksi
hutan untuk memaksimalkan masa pakai jaringan. Mereka
mengadopsi model agregasi data sederhana dan mengasumsikan
bahwa sensor perantara dapat menggabungkan beberapa pesan
Bbit yang masuk, bersama dengan pesannya sendiri, menjadi satu
pesan keluar. Selain itu, mereka menyediakan algoritma waktu
polinomial untuk membangun pohon dan menunjukkan bahwa itu
mendekati optimal.
Dalam [14, 33, 34], penulis mempertimbangkan masalah
memaksimalkan masa pakai WSN dengan algoritma perutean dengan
menyusun kembali masalah ini sebagai masalah pemrograman linier
yang dapat diselesaikan dalam waktu polinomial. Algoritme yang
diusulkan adalah rute jalur biaya terpendek yang biaya tautannya
merupakan kombinasi dari konsumsi energi transmisi dan penerimaan
dan tingkat energi sisa pada dua simpul akhir.
Dalam [18], penulis mencoba untuk bersama-sama
mengoptimalkan perutean dan agregasi data sehingga masa pakai
jaringan dapat diperpanjang dengan mempertimbangkan dua
dimensi. Pada dimensi pertama, lalu lintas di seluruh jaringan
dikurangi dengan agregasi data, sehingga dapat mengurangi
konsumsi daya dari node yang dekat dengan node sink. Di dimensi
kedua, lalu lintas seimbang untuk menghindari node bottleneck
yang berlebihan. Fungsi smoothing digunakan untuk mendekati
fungsi maksimalisasi asli dengan mengeksploitasi struktur khusus
jaringan. Kondisi yang diperlukan dan cukup untuk mencapai
optimalitas fungsi pemulusan ini diturunkan dan algoritma gradien
terdistribusi dirancang dengan tepat.
Yang dkk. mengusulkan dalam [35-37] desain bersama pengisian
energi dan pengumpulan data dengan memanfaatkan mobilitas. SenCar,
entitas seluler multifungsi, secara berkala memilih subset sensor untuk
dikunjungi berdasarkan status energinya. Ini menggunakan transmisi
energi nirkabel untuk mengirimkan energi ke sensor yang dikunjungi
dan, sementara itu, mengumpulkan data dari sensor terdekat melalui
komunikasi multihop jarak pendek dan dapat menyampaikan data ini ke
sink.
3.4.2. Teknik Berbasis Pengkodean Jaringan.Pendekatan yang
berbeda mengeksploitasi paradigma network coding (NC).
NC adalah pendekatan transmisi informasi yang efektif yang
awalnya diperkenalkan oleh Ahlswede et al. [38] untuk
meningkatkan kapasitas jaringan jaringan multicast.
Berbeda dari paradigma jaringan store and forward klasik di
mana node hanya mereplikasi dan meneruskan paket yang
masuk, menggunakan node perantara NC dalam jaringan
5
memiliki kemampuan untuk meneruskan fungsi paket yang diterima
(misalnya, kombinasi linier). Dengan cara ini, keuntungan throughput,
ketahanan, dan penghematan energi dapat dicapai dengan
memanfaatkan fakta bahwa setiap paket yang baru dihasilkan membawa
informasi yang terkandung dalam beberapa paket asli [39].
NC telah mendapat perhatian yang meningkat juga di WSN sebagai
alat yang menjanjikan untuk meningkatkan masa pakai dan keandalan
jaringan dengan memanfaatkan sifat siaran saluran nirkabel [40].
Namun, sebagian besar teknik yang diusulkan dikembangkan sejauh
ini [41-43], sementara berguna untuk penyebaran data (misalnya, lalu
lintas dari node sink ke node sensor), tidak dapat diterapkan untuk
pengumpulan data, yang merupakan lalu lintas terpenting di WSN. .
Bahkan, untuk menerapkan NC untuk pengumpulan data di WSN, beberapa
masalah harus diselesaikan.
(i) Header Overhead. Skema NC sebagian besar didasarkan
pada kode linier acak [44, 45] yang memungkinkan
penerapannya secara terdistribusi tetapi memperkenalkan
overhead yang besar karena koefisien yang digunakan untuk
kombinasi linier harus ditentukan dalam header paket. Ukuran
header sebanding dengan jumlah paket agregat yang, dalam
kasus khusus pengumpulan data di WSN, bisa sama dengan
jumlah node dalam jaringan.
(ii) Masalah Semua-atau-Tidak Sama sekali. Kapan  paket digabungkan
menggunakan NC, wastafel harus menerima setidaknya   paket agar
dapat memulihkan informasi asli. Jadi, bahkan jika wastafel menerima1
paket, itu tidak dapat memulihkan informasi apa pun. Sebaliknya,
degradasi anggun diinginkan di WSN.
(iii) Keterlambatan. Penundaan yang diperkenalkan oleh NC mungkin
menjadi penghalang untuk jaringan besar di mana sejumlah besar paket
harus digabungkan dan diterjemahkan. Sebaliknya, banyak aplikasi
jaringan sensor, misalnya, WSN yang dikembangkan untuk kontrol/
otomatisasi atau streaming audio/video real-time, memerlukan
penundaan terbatas yang kecil.
(iv) Bersepeda Tugas. Sebagian besar skema NC didasarkan pada
pendengaran; yaitu, node harus tetap dalam mode aktif untuk
berpartisipasi dalam perutean berbasis NC, yang meningkatkan
konsumsi energi node sensor. Jadi, sulit untuk menggabungkan
paradigma NC dan teknik duty-cycling yang biasa digunakan di
WSN.
(v) Keandalan. Keandalan penuh (atau setidaknya tinggi) diinginkan
dalam jaringan sensor dan wajib dalam beberapa skenario,
misalnya, dalam eksperimen ilmiah baru, di mana akurasi
pengamatan sangat penting, atau dalam kasus aplikasi biomedis, di
mana perlu untuk memastikan bahwa rincian penting tidak hilang
menyebabkan kesalahan dalam diagnosis medis. Ketika kode acak
digunakan, bahkan dalam jaringan yang andal, pesan asli dapat
diambil dengan "probabilitas tinggi" (meskipun bukan "kepastian"),
dan probabilitas tinggi dicapai melalui penggunaan bidang terbatas
yang besar (yaitu, koefisien besar dan karenanya header besar).
(vi) Kompleksitas. Teknik NC harus sederhana untuk mengatasi
sumber daya komputasi dan memori node sensor yang rendah.
6 Jurnal Internasional Jaringan Sensor Terdistribusi
Kami merujuk pembaca ke [46] untuk pertimbangan lebih lanjut
tentang penerapan NC ke WSN.
Masalah di atas telah dipecahkan di [16] di mana penulis
mengusulkan teknik penerusan baru untuk WSN
berdasarkan Teorema Sisa Cina (CRT) yang mampu
mencapai pertukaran yang berbeda antara keandalan dan
penghematan energi.
Pada dasarnya, CRT dapat dilihat sebagai teknik pemisahan
yang dapat mengubah bilangan bulat   ke dalam vektor bilangan
yang lebih kecil bernama komponen CRT, {  }. Komponen CRT
diperoleh dari nomor  menggunakan aritmatika modular sebagai    =
(mod  ), di mana    (dengan [1, . . . ,CRT]) adalah bilangan prima (atau
setidaknya bilangan bulat coprime berpasangan).
CRT menyatakan bahwa setiap bilangan bulat   dapat diperoleh
kembali secara tepat dari komponen CRT-nya jika produk dari prime
angka = CRT =1    memenuhi syarat
(5) daftar node yang akan digunakan sebagai forwarder (yang diketahui sesuai
>
(selanjutnya dinamakan kondisi rekonstruksi). Secara khusus,
CRT selalu menyatakan bahwa  dapat dipulihkan melalui
kombinasi linier sederhana sebagai
CRT
=    (mod ). (6) dilaporkan di [49].
=1
Koefisien    diberikan oleh    =    ⋅   , di mana    = /   terkait.
dan    adalah kebalikan modularnya diperoleh dengan menyelesaikan      =
1 (mod   ).
CRT dapat diterapkan di WSN untuk membagi paket yang dihasilkan
oleh node sensor. Paket yang lebih kecil (yaitu, komponen CRT) dapat
dikirim melalui jalur yang berbeda dengan memanfaatkan keragaman
jalur WSN. Fakta bahwa node relayer meneruskan paket yang lebih kecil
memungkinkan pengurangan konsumsi energi [47].
Selain itu, CRT memiliki beberapa keunggulan dibandingkan dengan
teknik NC lainnya:
(i) Himpunan bilangan prima {  } dapat dipilih sehingga informasi
yang dihasilkan oleh node sensor dapat direkonstruksi bahkan
jika hanya sebagian kecil dari komponen CRT yang diterima oleh
sink, dengan meningkatkan keandalan dan memecahkan
masalah semua atau tidak sama sekali.
(ii) Berbeda dari koefisien yang digunakan untuk teknik NC,
himpunan bilangan prima dapat diperoleh langsung
dengan sink (yaitu, CRT menghindari ledakan header).
(iii) CRT dapat dikombinasikan secara efisien dengan
teknik duty-cycling [48] dan algoritma kompresi
terdistribusi [19] untuk mencapai teknik agregasi
data yang efisien.
Mempertimbangkan keuntungan di atas dan fakta bahwa makalah
ini difokuskan pada teknik pengumpulan data untuk WSN, kami akan
mempertimbangkan CRT sebagai perwakilan dari teknik pengumpulan
data berbasis jaringan.
4. Skenario Simulasi
Pada bagian ini akan dibahas model WSN yang digunakan
untuk perbandingan dan simulasi teknik pengumpulan data.
4.1. Model Jaringan.Kami mengasumsikan WSN di mana
wastafel terletak di tengah area ukuran persegi penginderaan ×
[M2] dan node sensor didistribusikan secara acak dengan
kepadatan [node/m2]. Setiap node sensor memiliki jangkauan
transmisi yang sama dengan[m] (dengan /2) dan mengirimkan
datanya ke sink melalui skema multihop.
Jaringan dipartisi menjadi cluster yang tidak tumpang tindih
menggunakan prosedur yang dijelaskan dalam [16, 49]. Prosedur yang
disebutkan di atas terutama didasarkan pada pertukaran Pesan
Inisialisasi (IM) dan memungkinkan pengorganisasian jaringan dalam
kelompok meminimalkan jumlah hop yang dibutuhkan oleh node sensor
untuk mencapai sink. Wastafel seharusnya milik cluster 1 (dilambangkan
sebagai CL1) dan menghasilkan IM pertama dengan alamatnya sendiri
dan nomor urut SN = 2. Setiap node, yang menerima IM dari
tetangganya dengan nomor urut SN = , akan menjadi milik cluster CLℎ
dan akan mengirim ulang IM dengan nilai SN yang meningkat bersama
dengan alamatnya sendiri dan
dengan alamat sumber yang ditentukan dalam IM yang diterima).
Berdasarkan IM yang diterima, pada akhir prosedur di atas, setiap node
dalam jaringan akan mengetahui hop berikutnya sendiri dan node lain
mana yang akan menggunakannya sebagai hop berikutnya. Rincian lebih
lanjut tentang prosedur inisialisasi adalah
Kami berasumsi bahwa prosedur inisialisasi di atas dilakukan
hanya satu kali sehingga kami mengabaikan konsumsi energi
Berikut ini, node di sepanjang jalur dari sumber ke sink
disebut sebagai: relayer dan node yang terletak satu hop
dari sumber di sepanjang jalur ke sink secara khusus
disebut relayer satu hop.
Kami berasumsi bahwa, terlepas dari teknik pengumpulan
data tertentu, relayer mengirimkan paket melalui a skema jalur
terpendek loadbalancing; yaitu, sebuah node dalam cluster CL+1
akan memilih secara acak node yang dapat dijangkau di cluster
berikutnya menuju sink (CLℎ), dan skema penerusan ini diulang
sampai sink tercapai. Dengan cara ini, informasi mencapai sink
dengan jumlah hop minimum.
4.2. Model Pengumpulan Data.Sampai saat ini, kami telah mengklasifikasikan
teknik pengumpulan data berdasarkan teknik agregasi data yang digunakan.
Namun, teknik pengumpulan data dapat diklasifikasikan juga dengan
mempertimbangkan faktor-faktor yang mendorong perolehan data. Secara
khusus, empat kategori luas dapat dibedakan [50]: berdasarkan peristiwa,
berdasarkan waktu, berbasis kueri, dan hibrida.
Dalam kategori yang digerakkan oleh peristiwa, data dihasilkan ketika
suatu peristiwa yang menarik terjadi, sedangkan dalam kategori yang
digerakkan oleh waktu, data secara berkala dikirim ke wastafel pada interval
waktu yang konstan; dalam kategori berbasis kueri, data dikumpulkan sesuai
dengan permintaan sink. Akhirnya, pendekatan hibrida adalah kombinasi dari
satu atau lebih hal di atas.
Untuk tujuan simulasi, dengan tujuan mengevaluasi konsumsi
energi dan keandalan, semua kategori di atas dapat disatukan
dengan abstraksi konsep peristiwa, yaitu, hanya dengan
mempertimbangkan bahwa data harus dikirim sebagai konsekuensi
dari suatu peristiwa.
Secara khusus, dalam jaringan berbasis kueri, suatu peristiwa dipicu oleh
penerimaan pesan kueri, sedangkan dalam jaringan yang digerakkan oleh
waktu, peristiwa tersebut dapat dikaitkan dengan peningkatan
Jurnal Internasional Jaringan Sensor Terdistribusi
tepi jam dari unit pengambilan sampel atau, lebih praktis, ketika
jumlah pengukuran yang cukup telah dikumpulkan dan paket siap
untuk ditransmisikan.
Mempertimbangkan abstraksi di atas, konsumsi energi dan
keandalan jaringan dapat dievaluasi dalam hal jumlah peristiwa (yaitu,
paket yang dikirim) dengan tidak memperhitungkan siapa yang
mendorong peristiwa tersebut.
Oleh karena itu, dalam skenario simulasi kami, kami akan
mempertimbangkan bahwa  V peristiwa secara acak terjadi di jaringan
sensor dan bahwa, untuk setiap peristiwa,    node mengenali acara dan
menghasilkan paket. Lebih tepatnya, kami berasumsi bahwa hanya
simpul di dalam area lingkaran jari-jari, dengan pusat di lokasi acara,
mendeteksi acara dan karena itu perlu mengirim paket. Selanjutnya,
kami menyebut area melingkar yang terkait dengan suatu peristiwa
sebagai sel.
Dalam jaringan yang digerakkan oleh peristiwa, biasanya paket-paket
kecil dikirim untuk menentukan bahwa suatu peristiwa telah terdeteksi (satu -
sedikit kata bisa cukup dalam banyak kasus). Alih-alih dalam kasus jaringan
berbasis waktu atau berbasis kueri, paket mewakili  langkah-langkah yang
dikumpulkan dalam interval waktu antara dua peristiwa. Kedua kasus dapat
diperhitungkan mengingat bahwa untuk setiap peristiwa informasi mentah
dari   bit harus dikirim untuk setiap node dengan memperbaiki = 1 untuk
jaringan yang digerakkan oleh peristiwa dan 1 dalam kasus jaringan berbasis
waktu atau berbasis kueri.
Dengan tujuan mengurangi konsumsi energi (yaitu, jumlah
keseluruhan bit yang dikirim), data mentah tidak langsung
ditransmisikan; sebaliknya, data diproses sesuai dengan teknik
pengumpulan data yang dipilih.
Lebih tepatnya, kami memiliki yang berikut ini.
(i) TEC. Node yang menggunakan teknik TEC memanfaatkan korelasi
temporal untuk mengurangi jumlah bit.
Di sini kami tidak mempertimbangkan teknik TEC tertentu tetapi
menganggap bahwa faktor kompresi,  TEC, dari teknik TEC yang
digunakan diketahui. Akibatnya, kita dapat menyatakan bahwa
menggunakan teknik TEC setiap bagian dari data mentah-bit akan
direpresentasikan setelah kompresi dengan  TEC = / TEC bit dan untuk
setiap peristiwa node harus mentransmisikan  TEC = / TEC
bit. Jadi mengingat itu   node merasakan peristiwa tersebut, jumlah keseluruhan bit
yang ditransmisikan untuk setiap peristiwa ketika TEC digunakan adalah
TEC =    TEC = . (7) number of CRT relayers.
TEC
As already stated, we assume that packets are transmitted
through a load-balancing shortest-path scheme; that is, a node
in cluster CL+1 akan memilih secara acak node yang dapat
dijangkau di cluster berikutnya menuju sink (CLℎ), and this
forwarding scheme is repeated until the sink is reached. In this
manner, information reaches the sink with the minimum
number of hops.
(ii) DSC. According to DISCUS, we assume that only one node
for each cell (henceforward named the cell head) sends
uncompressed measures (i.e., side information) into a
packet of    bits while all the other nodes send compressed
packets of   DSC =   / DSC bits. Also in this case we assume that
all packets are transmitted through a load-balancing
shortestpath scheme. However, to improve reliability we
assume that the cell head transmits its packets  ,DSC times.
7
Jadi mengingat itu    node merasakan peristiwa tersebut, jumlah keseluruhan bit
yang ditransmisikan untuk setiap peristiwa ketika DSC digunakan adalah
DSC =  ,DSC+ (  - 1) . (8)
DSC
(iii) CS. Kami berasumsi bahwa header sel mengumpulkan paket dari
node lain di sel yang sama dan mengirimkannya dengan
menerapkan CS. Lebih tepatnya, langkah-langkah yang
dikumpulkan dapat diwakili oleh matriksx dari    × nilai-nilai dari -bit
masing-masing di mana  kolom ke- x  mewakili langkah-langkah
yang diambil oleh    node hampir bersamaan. Mempertimbangkan
bahwa nilai-nilai tersebut sangat berkorelasi baik dalam ruang dan
waktu dengan mengambil transformasi yang tepat, kami
memperoleh vektor jarang dengan probabilitas tinggi. Misalnya, kita
dapat mengasumsikan bahwa DCT diterapkan pada setiap vektor
kolomx  dan hanya itu   Koefisien DCT akan menjadi bukan nol.
Dalam hal ini kepala sel perlu mengirim= (  catatan(  / )) pengukuran
untuk setiap kolom, yaitu,  ⋅  pengukuran untuk setiap kejadian.
Untuk tujuan simulasi, kami menganggap bahwa
pengukuran CS diwakili oleh  CS bit dan pengukuran tersebut
dikirim melalui   paket dari  CS =   ⋅  CS bit masing-masing
melalui skema jalur terpendek penyeimbang beban.
Jadi jumlah keseluruhan bit yang ditransmisikan oleh kepala sel untuk
setiap kejadian saat CS digunakan adalah
CS =   CS =    CS. (9)
Pilihan lain dimungkinkan tanpa mengubah jumlah keseluruhan
bit yang ditransmisikan  CS; misalnya, kita bisa mempertimbangkan 
paket dari   ⋅  CS bit, tetapi pilihan sebelumnya akan
menyederhanakan perbandingan. Secara khusus, kami akan
menunjukkan bahwa dengan hasil perbandingan pilihan di atas
akan independen dari  jadi hasil kami akan valid untuk kedua event-
driven (= 1) dan didorong oleh waktu/permintaan (1) teknik.
(iv) CRT. CRT dieksploitasi seperti yang ditunjukkan pada [16].
Secara khusus, kami menganggap bahwa untuk setiap peristiwa   
node sumber mengirim paket mereka ke satu set umum relayer satu hop
bernama Relay CRT. Untuk selanjutnya, kami tunjukkan dengan CRT itu
As in the case of CS, the collected measures can be represented
by a matrix x dari    × nilai-nilai dari -bit masing-masing di mana  
kolom ke- x  represents the measures taken by   
nodes almost at the same time.
CRT relayers process the data of each column x  in two
steps:
(1) In the first step, received data are compressed with a
compression algorithm by obtaining a binary
sequence  .
(2) In the second step, CRT is applied to improve
reliability by splitting the binary sequence   so that
each CRT relayer forwards a CRT component.
It is worth noting that each CRT relayer will independently
compress the received packets by obtaining the same sequence
. This is possible mainly because as they receive the
8 Jurnal Internasional Jaringan Sensor Terdistribusi

same data set and apply the same compression algorithm, the
compressed sequence   obtained is the same for all relayers.
Henceforward, we indicate by    the length of the
compressed sequence  .
CRT relayers split the binary sequence   they have
constructed and forward it. Specifically, the sequence   is
interpreted as an integer    = Σ =0
 −1
   ⋅2  (di mana    are bits of
 )and by properly choosing the set of prime numbers {  }
each CRT relayer calculates and forwards the corresponding
CRT component    =    (mod   ).
Note that ⌈log2(  )⌉ is the number of bits needed to
represent   , so the overall number of bits transmitted by the
CRT relayers is
CRT
CRT =   ∑ ⌈log2 (  )⌉ .
=1
Dari teori CRT, sink akan dapat merekonstruksi
semua pengukuran mentah dari komponen CRT
asalkan kondisi rekonstruksi puas (yaitu,
Π CRT
=1    2  ).
Perhatikan bahwa kondisi rekonstruksi dapat dipenuhi oleh
beberapa himpunan bilangan prima; namun, untuk mengurangi jumlah
bit yang diperlukan untuk merepresentasikan nilai  , dan oleh karena itu
jumlah keseluruhan bit yang dikirim, lebih disukai untuk memilih
himpunan bilangan prima terkecil, yang kita sebut sebagai Himpunan
Prima Minimum (MPS).
Misalnya, jika  CRT = 4 dan    = 40, MPS akan menjadi {1019,
1021, 1031, 1033}. Faktanya, ini adalah himpunan empat
bilangan prima berurutan terkecil yang memenuhi hubungan
Π CRT
=1    240.
Namun, ketika himpunan bilangan prima dipilih seperti di atas,
pesan dapat direkonstruksi jika dan hanya jika semua komponen
CRT diterima dengan benar oleh sink. Jadi, untuk memperhitungkan
kemungkinan kerugian karena media nirkabel yang tidak dapat
diandalkan, kami menggunakan MPS dengan  kegagalan yang dapat
diterima (MPS ), yaitu, himpunan bilangan prima terkecil berturut-
turut yang memenuhi kondisi rekonstruksi bahkan jika   Komponen
CRT hilang. Seperti yang ditunjukkan pada [16], ketika  ,  CRT, dan   Sepanjang makalah ini, kami berasumsi bahwa
considering  1, . . . ,    obtained from quantization of continuous
Gaussian variables  1, . . . ,   , the joint entropy is [51]
( 1, . . . ,   ) = ℎ ( 1, . . . ,   )
(11)
1
= log2 (( 2  )    ⋅ |Σ|) ,
2
where |Σ|, known as generalized variance, is the determinant of
the covariance matrix Σ and ℎ(⋅) is the differential entropy
(rigorously speaking, we have to distinguish between
differential entropy ℎ( ) for a continuous source   (i.e., before the
A/D conversion) and Shannon’s information entropy  ( ) for a
discrete source   (i.e., after quantization introduced by the A/D
conversion); however, it is straightforward to prove that their
values coincide when unitary quantization step is
(10) considered, as done in this paper). In particular for Gaussian
sumber dengan koefisien korelasi yang sama ρ  dan
varians σ2, varians umum adalah |Σ| =σ2 [1+( −1) ] (1− )1
dan oleh karena itu
= catatan2 (2   (1 ) )
(12)
1 + (  1) ) .
+ catatan2 (√
1 
Selain itu, mengingat bahwa untuk rentang nilai
yang luas (yaitu, ρ  [0, 0,99], 8) istilah kedua diabaikan,
maka
≈   catatan2 (2   (1 ) ) . (13)
Oleh karena itu, faktor kompresi lossless ideal (maksimum) untuk
variabel Gaussian dengan mempertimbangkan blok   nilai berkorelasi
dari -bit masing-masing dapat diperoleh sebagai
⋅   
,ideal = = .
  (14)
catatan2 (2   (1 ) )

diperbaiki, MPS   set unik sehingga relai CRT dapat memperoleh

MPS   secara terdistribusi. DSC =  TEC =  ,ideal (15)

(yaitu, faktor kompresi lossless maksimum). Akibatnya,

4.3. Model Sumber.Seperti yang ditunjukkan pada [13] dan referensi kita memiliki
di dalamnya, perbedaan antara dua sampel berurutan dari
beberapa data dunia nyata (suhu, kelembaban, radiasi matahari, DSC =  TEC = catatan2 (2   (1 ) ) . (16)
dll.) cocok dengan distribusi Gaussian. Jadi, dalam makalah ini kami
mempertimbangkan data penginderaan itu   didekati dengan
Mengenai CS, faktor kompresi sebenarnya terkait
distribusi Gaussian dan berkorelasi baik dalam ruang dan waktu.
dengan tingkat sparsity = /   nyatanya
Pilihan ini juga dimotivasi oleh fakta bahwa beberapa hasil
analisis terkenal untuk distribusi Gaussian dan dapat dengan mudah       1
dimanfaatkan untuk mendapatkan faktor kompresi lossless CS = = ⋅ . (17)
 CS  CS 2  catatan (1/ ) + (5/4) + 1
maksimum untuk sumber Gaussian yang berkorelasi.
Seperti diketahui ketika kompresi sumber diskrit Perhatikan bahwa  CS adalah fungsi menurun dari .
dipertimbangkan, entropi Shannon   memberikan batas Jadi kami mempertimbangkan dua kasus: tingkat sparsity yang ideal  ideal
kompresi lossless. seperti yang  CS =  ,ideal dan nilai yang sedikit lebih besar    = 1.2ideal.
Untuk data berkorelasi Gaussian, di bawah asumsi yang sesuai Akhirnya dalam kasus CRT kami menganggap bahwa algoritma
dan tanpa kehilangan keumuman, dapat ditunjukkan bahwa, MinDiff sederhana yang diusulkan dalam [4] digunakan untuk kompresi.
Jurnal Internasional Jaringan Sensor Terdistribusi
Pada dasarnya, MinDiff mengkodekan satu set data yang tidak
terkompresi = {  } dengan kumpulan data terkompresi lainnya = { ,1
, . . . , }, di mana = min {  } adalah nilai minimum dalam   dan    apakah
perbedaannya?    =    - μ diwakili dengan    = kancatatan2(maks {  } + 1)
⌉ bit masing-masing.
Jumlah bit    diperlukan untuk mewakili himpunan
perbedaan dan nilai μ diperlukan untuk rekonstruksi yang
tepat dan oleh karena itu biaya overhead + catatan2( ) bit
harus dipertimbangkan.
Oleh karena itu, faktor kompresinya mempertimbangkan blok   nilai-nilai
dari -bit masing-masing dapat diperoleh sebagai
⋅ 
,perbedaan kecil =
. (18) faktor reduksi energi harus dinyatakan dengan mempertimbangkan
+ catatan2 () +  memperhitungkan jumlah bit yang sebenarnya diteruskan.
4.4. Model Energi.Demikian pula untuk pekerjaan lain (misalnya, [16, 19]),
kami mempertimbangkan model energi sederhana di mana untuk setiap
bit yang akan ditransmisikan, sebuah node menghabiskan energi yang
sama dengan   . Tampaknya, model tersebut mengabaikan energi yang
dibutuhkan untuk komputasi dan penerimaan tetapi ini tidak benar jika
kita merenungkan fakta bahwa dalam jaringan sensor jumlah bit yang
ditransmisikan, jumlah bit yang diterima, dan jumlah operasi
pemrosesan yang semua sebanding dengan jumlah ukuran yang
dirasakan. Jadi energi yang dibutuhkan untuk komputasi dan
penerimaan dapat dengan mudah dimasukkan ke dalam  .
Sebagai contoh, mari kita anggap bahwa sebuah node untuk
penginderaan dan pemrosesan   langkah-langkah dari   bit
membutuhkan energi yang sama dengan    ⋅    dan itu, menggunakan
teknik kompresi yang tepat dengan faktor kompresi sama dengan   , ini
mengurangi jumlah bit yang akan ditransmisikan dari   ke /  . Dalam hal
ini, energi keseluruhan adalah   ⋅    + (/  )   yang dapat kita tulis ulang
sebagai (  /  )  mempertimbangkan    =      +    .
Terakhir, jika juga energi yang dibutuhkan untuk penerimaan
harus disertakan dan berbeda dengan energi yang digunakan untuk
transmisi, mengingat untuk hampir semua node jumlah bit yang
diterima sama dengan jumlah bit yang ditransmisikan, itu akan
cukup untuk digunakan.    =      +     +    .
Oleh karena itu, penyederhanaan utama yang diperkenalkan
oleh model kami adalah bahwa kami mempertimbangkan    jarak-
independen; yaitu, kami tidak menganggap itu    dapat diubah
secara adaptif oleh lapisan MAC berdasarkan jarak antara node
sumber dan tujuan.
5. Metrik Kinerja
Untuk memperkirakan efisiensi energi dari teknik di atas, mari
kita perkenalkan: Faktor reduksi energi, ERF , yang mewakili
persentase pengurangan energi yang dihabiskan menggunakan
teknik pengumpulan data tertentu (  ) dibandingkan dengan
kasus ketika ukuran mentah langsung dikirim ( MENTAH). Metrik
ini didefinisikan sebagai
MENTAH -   ,
ERF  = 100
MENTAH
di mana {TEC, CS, CRT, DCS}.
Ketika jaringan lossless yang ideal dipertimbangkan, ERF  parameter jaringan    dan ℎ dan tidak dapat ditingkatkan tanpa
dapat dinilai sebagai
    ⋅    -    ⋅    ,
ERF,ideal = 100
    ⋅    data lainnya, keandalan dapat ditingkatkan dengan a
9
di mana    adalah energi yang dihabiskan oleh sebuah node untuk mentransmisikan
satu bit dan    adalah jumlah keseluruhan bit yang ditransmisikan dengan
mempertimbangkan teknik pengumpulan data spesifik yang diturunkan dalam
Bagian 4 (lihat (7)–(10)).
Misalnya, dalam kasus pengumpulan data berbasis
TEC adalah  TEC =     TEC =   / TEC dan sebagai akibatnya,
1
ERFTEC = 100 (1 ). (21)
TEC
Namun, dalam kasus jaringan lossy, jumlah bit yang
dikirim dan diterima berbeda dan yang diharapkan
Untuk tujuan perbandingan, kami memutuskan untuk mengevaluasi
energi mempertimbangkan node milik cluster 2 (yaitu, CL2).
Kami membatasi analisis kami ke node dari cluster kedua
karena dua alasan. Pertama, node ini adalah yang paling kritis
karena mewakili tetangga sink. Bahkan, jika node ini kehabisan
energi, wastafel tetap terisolasi. Kedua, umur jaringan
didefinisikan sebagai waktu sampai node pertama dalam
jaringan mati dan dengan probabilitas tinggi, jika tidak pasti,
node ini milik CL2 mengingat bahwa semua pesan dirutekan ke
sink melalui node ini.
Akhirnya, mengingat masa pakai jaringan terkait dengan energi
maksimum yang dikonsumsi oleh sebuah node dalam makalah ini,
kami juga menyelidiki faktor reduksi energi yang terkait dengan
energi maksimum:
RAW, maks -  ,maksimal .
ERF,maksimal = (22)
RAW, maks
Mengenai keandalan, kami menganggap bahwa sebuah
node gagal meneruskan paket dengan probabilitas    dan
evaluasi rasionya  , antara jumlah pengukuran mentah yang
diperoleh oleh sink dan jumlah pengukuran mentah yang
dihasilkan dari node sumber atau, setara,
hilang,  ,
,= 1 (23)
⋅   
di mana  hilang,  adalah jumlah pengukuran mentah yang hilang
karena kesalahan jaringan dan/atau rekonstruksi.
,TEC dapat dengan mudah diperkirakan dengan mengasumsikan teknik
decoding yang sempurna di mana semua data yang diterima didekodekan
dengan benar oleh sink.
Sebenarnya jika ℎ adalah jumlah hop yang diperlukan untuk mencapai
wastafel dan    adalah probabilitas bahwa sebuah node gagal meneruskan a
paket, peluang paket hilang adalah    = 1−(1−  )ℎ
dan oleh karena itu jumlah data yang hilang yang diharapkan adalah  hilang, TEC
=      . Sebagai konsekuensi
hilang, TEC = 1  = (1 )ℎ .   ⋅   
(19) ,TEC = 1 (24)
Perhatikan bahwa keandalan teknik TEC hanya terkait dengan
mengandalkan teknik pengkodean saluran (misalnya, FEC).
Berbeda dari teknik TEC, untuk semua teknik pengumpulan
(20)
10 Jurnal Internasional Jaringan Sensor Terdistribusi

1
PR,TEC (Pe = 0,01)
nM = 10

1 0.9
nM = 100
0.9
0.8 PR,TEC (Pe = 0,05)
0,7 0.8
PR,CRT

0.6

PR,DSC
nM = 10
0,5
0.4
0,3 0,7
0.2 nM = 100
0.1
60 0.6
50 6
40 5
4
NCR 30 3
T 20 2 F 0,5
10 0 1 1 2 3 4 5 6
nR,DSC
Gambar 1:  ,CRT untuk nilai yang berbeda  CRT dan   Kapan    = 0,04.
nM = 10, pe = 0,05 N nM = 10, pe = 0,01 N
M = 100, pe = 0,05 M = 100, pe = 0,01

pengaturan parameter desain yang tepat. Namun demikian, ada tradeoff

Gambar 2:  ,DSC untuk nilai yang berbeda   ,  ,DSC, dan    Kapan = 4.
antara keandalan dan penghematan energi seperti yang dibahas secara
singkat di bawah ini.

(i) CRT. Dalam kasus bilangan prima pengumpulan data CRT, angka dapat di mana  hilang, DSC adalah jumlah paket yang hilang dengan memperhitungkan
dipilih sehingga semua ukuran mentah dapat direkonstruksi bahkan jika bahwa semua paket yang terkait dengan kejadian yang sama akan hilang jika
paling banyak  Komponen CRT hilang. tidak ada paket kepala sel yang datang. Perhatikan bahwa yang diharapkan
Seperti yang ditunjukkan pada [16], ketika   tetap, keandalannya dapat
Nilai dari  hilang, DSC adalah  hilang, DSC  =     ,DSC + (   - 1)(1
diperkirakan sebagai
 ,DSC)  .
 
 
   CT R -  , Pada Gambar 2, kita dapat membandingkan keandalan TEC dan
,CRT = ( CRT)  (1 ) (25) DSC untuk dua nilai yang berbeda dari probabilitas kerugian per
=0  
hop (   = 0,01 dan    = 0,05) dan jumlah hop yang tetap, = 4, ketika
nilai yang berbeda  ,DSC dan jumlah node sumber yang berbeda   
di mana    = 1 (1 )ℎ adalah probabilitas bahwa komponen
dipertimbangkan.
CRT hilang.
Sebagai aturan umum, keandalan yang tinggi dapat diperoleh dengan
Karena mungkin untuk mengamati dengan
memperbaiki   sehingga =CRT   +    di mana    adalah konstanta kecil pada
memperbaiki  ,DSC = 3 kita punya  ,DSC ≥  ,TEC untuk berbagai   
dan    (yaitu,    {0,01, 0,05} dan    {10, 100}). Perhatikan juga
urutan dari √ CRT  .
bahwa semakin meningkat  ,DSC tidak membaik  ,DSC sekali.
Hasil ini dapat dibenarkan dengan mempertimbangkan bahwa  ,CRT (melihat
Hal ini dapat dibenarkan mengingat, untuk nilai tinggi,
(25)) dapat didekati dengan fungsi distribusi kumulatif
yaitu,  ,DSC → , berikut ini  ,DSC 1 (  - 1)  /   =
dari variabel normal dengan mean  CRT   dan varians  
1  +   /   ≈  ,TEC.
CRT  (1 ).
Jelas, kehandalan meningkat dengan jumlah retrans-
Misalnya, pada Gambar 1 kami menunjukkan keandalannya  ,CRT
misi  ,DSC tetapi dengan biaya mengurangi penghematan energi.
untuk nilai yang berbeda  CRT dan   Kapan    = 0,04. Seperti yang
Jadi di bagian selanjutnya kami menyelidiki trade-off antara
mungkin untuk diamati, nilai-nilai kecil dari (misalnya, = 6)
keandalan dan konsumsi energi untuk nilai yang berbeda dari
cukup untuk mencapai nilai reliabilitas yang tinggi (>0.99).
,DSC.
Keandalan yang lebih tinggi dapat diperoleh dengan lebih
meningkatkan nilai parameter . Namun, dengan meningkatkan  
(iii) CS. Dengan menunjukkan dengan  jumlah paket yang dikirim dengan CS,
konsumsi energi juga meningkat sehingga pada bagian selanjutnya
kemungkinan untuk menerima setidaknya  * paket adalah
kami menyelidiki trade-off antara keandalan dan konsumsi energi
untuk nilai yang berbeda dari . - *  
-  .
CS = ( )  (1 ) (27)
(ii) DSC. Juga dalam kasus DSC, probabilitas untuk kehilangan a =0  
paket adalah    = 1 (1 )ℎ. Namun, tindakan kompresi DSC tidak Oleh karena itu, dengan meningkatkan   itu mungkin untuk menjamin
dapat dipulihkan jika informasi sampingan (yaitu, paket yang
itu, dengan probabilitas yang diinginkan  CS, paling sedikit  * paket
dihasilkan oleh kepala sel) tidak diterima.
diterima oleh sink. Sebagai aturan umum, keandalan yang tinggi
Jadi, untuk meningkatkan keandalan, kami menganggap bahwa
dapat diperoleh dengan memperbaiki  sehingga =*/(1− ) + , di mana   
kepala sel mentransmisikan  ,DSC kali informasi samping.
adalah konstanta kecil.
Dalam hal ini, keandalan DSC dapat dievaluasi sebagai:
Namun, berbeda dari semua teknik sebelumnya, keandalan
hilang, DSC , CS tidak hanya terkait dengan jumlah paket yang diterima
,DSC = 1 (26)
   sehingga  CS, yang selanjutnya disebut keandalan jaringan, bukan
Jurnal Internasional Jaringan Sensor Terdistribusi 11

keandalan CS yang sebenarnya (ini membenarkan mengapa kami menggunakan notasi 100
CS dari pada  CS). Faktanya, teknik CS didasarkan pada algoritma
rekonstruksi yang dapat menyebabkan kesalahan sehingga nilai 80
yang direkonstruksi ?̂?  bisa berbeda dari data mentah asli   .
Namun demikian, jika kita mengasumsikan bahwa data mentah    adalah
nilai terkuantisasi (seperti biasa di WSN di mana ukuran mentah berasal dari 60

ERF
ADC), kita dapat menyatakan bahwa tindakan terkuantisasi dapat dipulihkan
dengan tepat jika kesalahan rekonstruksi |?̂?  -   | lebih kecil dari kesalahan 40
kuantisasi /2, dimana  adalah langkah kuantisasi yang digunakan untuk
kuantisasi   .
Oleh karena itu, dalam simulasi kami, kesalahan rekonstruksi, 20
|?̂?  -   |, dievaluasi untuk setiap ukuran dan data mentah dianggap
hilang jika kesalahan ini lebih besar dari /2. 0
Dari sudut pandang simulasi, keandalan CS yang sebenarnya dapat 8 16 32 64
dievaluasi sebagai: σ
hilang, CS , TEC
,CS = 1 (28) TECMODEL
⋅    DSCMODEL DSC
CRTMODEL CRT
di mana  hilang, CS adalah jumlah tindakan yang hilang dengan
CSIMODEL CSI
mempertimbangkan baik packet loss maupun kesalahan rekonstruksi.
CS2MODEL CS2
Kami menunjukkan di bagian selanjutnya bahwa dengan
memilih  CS = + 3 dan =*/(1 ) + 2 kita dapat memperoleh  ,CS 1. Parameter Simulasi
Dua algoritma rekonstruksi dipertimbangkan untuk CS dalam ρ 0.1
makalah ini: rekonstruksi ideal (yaitu, berbasis oracle), di mana R 55M
R 18M
posisi tepat dari nilai bukan nol diasumsikan diketahui pada node
Pe 0
sink, dan CoSaMP [27]. Untuk membedakan di antara mereka, kami ρC 0,55
menunjukkan keandalannya sebagai ,CSI dan  ,CoSaMP, masing- M 50
masing. F 0
nR,DSC 1
M M*
6. Hasil Simulasi
Gambar 3: ERF teknik pengumpulan data dalam hal jaringan
Di bagian ini, kami membandingkan teknik pengumpulan data
yang andal (   = 0), varian rendah ({8–64}), dan korelasi
dalam hal konsumsi energi dan keandalan. sedang (ρ  = 0,55).
Hasil telah diperoleh melalui simulator C++ kustom. Untuk
setiap set parameter, hasil rata-rata dilaporkan dengan
mempertimbangkan 20 topologi acak di mana node berada Hasil yang sama diperoleh untuk nilai yang berbeda , yaitu,
terdistribusi secara merata dalam luas persegi 600×600 [M2], dengan mengubah jumlah ukuran mentah per paket. Ini dapat
dengan kepadatan [node/m2]. Kami juga berasumsi bahwa V dengan mudah dibenarkan oleh fakta bahwa MENTAH =       
peristiwa secara acak terjadi di cluster yang jauh (misalnya, CL5 dan    =      keduanya sebanding dengan   jadi rasio mereka dan
sehingga = 4 hop diperlukan untuk mencapai wastafel) dan setiap oleh karena itu juga ERF (lihat (19)) tidak tergantung pada . Jadi
peristiwa dideteksi oleh    = ρπ 2 node sumber (di mana   adalah hasil simulasi untuk nilai yang berbeda   tidak ditampilkan demi
radius indra). ruang.
Jika tidak dinyatakan lain,  V = 300 peristiwa dipertimbangkan Berdasarkan hasil sebelumnya, kita dapat menyatakan bahwa dalam
dan data mentah diwakili dengan = 12 bit (yang merupakan nomor kasus jaringan yang andal TEC dan DSChave ERF yang lebih besar dan oleh
khas untuk ADC yang digunakan dalam jaringan sensor). karena itu tampaknya mereka harus lebih disukai daripada teknik
pengumpulan data lain yang dianalisis. Namun, seperti yang ditunjukkan pada
6.1. ERF dengan Jaringan yang Handal.To asses the bagian berikutnya, hasil ini tidak benar ketika keandalan menjadi masalah.
simulator we first analyzed an ideal (fully reliable) WSN and
evaluated the ERF for different values of   and    when Perhatikan bahwa dalam simulasi kami ERFDSC dan ERFTEC
different data gathering techniques (TEC, CRT, DSC, and CS) hampir sama karena kami menetapkan nilai yang sama untuk
are considered. In particular, for CS two cases have been koefisien korelasi spasial dan temporal. Jelas, ketika korelasi
considered: an ideal case (CSI) where the sparsity level   =  /   spasial dan temporal tidak sama, hasil yang berbeda dapat
is fixed to the minimum value   =  ideal such that   ,CS =   ,ideal ( diperoleh.
see (17) and (14)) and a second case (CS2) where a slightly Akhirnya, perhatikan bahwa meskipun CRT tampaknya menjadi yang
greater value    = 1.2 ⋅  ideal is used. terburuk dalam hal ERF, ini adalah satu-satunya teknik pengumpulan
As shown in Figures 3 and 4, the results obtained through data di mana algoritma kompresi yang sebenarnya (MinDiff) telah
the analytical model (see (20)) and those reported by the dipertimbangkan (untuk semua teknik lainnya, faktor kompresi yang
simulator are very close to each other for all the values of   and    ideal telah diasumsikan). Jadi hasil simulasi sebelumnya memungkinkan
considered. These results confirm the validity of our model. kuantifikasi penalti dalam menggunakan kompresi sederhana
12
100
80
60
ERF
40
20
0 0
32 64 128 256
TECMODEL TEC
DSCMODEL DSC
CRTMODEL CRT
CSIMODEL CSI
CS2MODEL CS2
Simulation Parameters
  0.1
R 55m
r 18m
pe 0 pe
 c 0.97
M 50
f 0
Nr,DSC 1 Nr,DSC
m m∗
Figure 4: ERF of data gathering techniques in the case of reliable
network (   = 0), high variance (  ∈ {32–256}), and high correlation
(   = 0.97).
algorithm (MinDiff) instead of more complex techniques (at
least when Gaussian data are considered).
By comparing Figures 3 and 5, we can see that CRT and CS
achieve different values of ERF when the sensing radius,  ,
changes. In particular, ERFCSI is no more able to reach the same
values of ERFDSC for low values of  .
This can be justified considering that when   decreases,
the sparsity level   ∝ 1/   increases, and, as a consequence,
the compression factor  CS decreases too (see (17)).
It is worth nothing that our analytical model is able to
anticipate this result.
Also in the case of CRT, the ERF slightly decreases for
lower values of   due to the fact that when    decreases the
overhead of the MinDiff algorithm is more relevant and   ,
MinDiff is not able to approach   ,ideal (see (18)).
Similar considerations can be made about the node
density  . In fact, as it is possible to observe by comparing
Figures 3 and 6, ERFCSI and ERFCRT decrease for lower values
of   (i.e., lower values of   ).
It is worth noting that Figures 6 and 5 report quite similar
ERF values despite different values of   and   being used for
simulation. This result can be justified by considering that
network density and sensing radius have been changed but
International Journal of Distributed Sensor Networks
100
80
60
ERF
40
20
8 16 32 64
TECMODEL TEC
DSCMODEL DSC
CRTMODEL CRT
CSIMODEL CSI
CS2MODEL CS2
Simulation Parameters
  0.1
R 55m
r 12m
0
 c 0.55
M 50
f 0
1
m m∗
Figure 5: ERF of data gathering techniques in the case of reliable
network (   = 0) and lower sensing radius (  = 12).
without altering the overall number of source nodes (i.e.,
  =   ⋅   ⋅  2 = 45 in both cases).
6.2. ERF with Unreliable Networks. In Figures 7 and 8,
reliability and ERF of data gathering techniques for    = 0.01
and different values of   are reported.
On the basis of the simulation results, we can state that
even in the case of unreliable networks TEC and DSC have
greater ERF (see Figure 8). However, their reliability is fully
determined by the packet loss probability and cannot be
improved; instead, by using CRT and CS higher reliability can
be achieved by increasing   and  , respectively.
In particular, as shown in Figure 7, by fixing   = 8 a
reliability higher than 0.975 can be achieved for CRT and
even higher values can be obtained using CS when   =  ∗/(1 −  
) + 2 CS measures are sent.
It is important to note that the reliability plotted for CS is the
actual reliability obtained after reconstruction with an ideal
(oracle-based) reconstruction algorithm (i.e.,   ,CSI and
not   ,CS).
By choosing   so that   =  ∗/(1 −   ) + 2, we have
with high probability (i.e.,   ,CS > 0.99) that the sink receives at
least  ∗ CS measures, that is, the minimum number of
International Journal of Distributed Sensor Networks 13

100 1

0.995
80
0.99

0.985
60
0.98

PR
ERF

40 0.975

0.97
20 0.965

0.96
0 8 16 32 64
8 16 32 64  
 
TEC TECMODEL
TECMODEL TEC DSC DSCMODEL
DSCMODEL DSC CRT CRTMODEL
CRTMODEL CRT CSI
CSIMODEL CSI CS2
CS2MODEL CS2
Simulation Parameters
Simulation Parameters   0.1
  0.045 R 55m
R 55m r 18m
r 18m pe 0.01
pe 0  c 0.55
 c 0.55 M 50
M 50 f 8
f 0 Nr,DSC 3
Nr,DSC 1 m m∗/(1 − pn) + 2
m m∗
Figure 7: Reliability of data gathering techniques for    = 0.01.
Figure 6: ERF of data gathering techniques in the case of reliable
network (   = 0) and lower density (  = 0.045).
CS and sparsity levels when   = 12. Simulation parameters are
those reported in Figure 3.
measures sufficient for reconstruction, and therefore original As it is possible to observe, when  CS < 15 reliability
measurements can be perfectly recovered (so that   ,CS = 1). In quickly decreases.
the next subsection, we will show that this is true only if  CS =   + Similar results have been obtained for different values of
3, as chosen for our simulations.  .
Obviously, high reliability is achieved at the cost of a lower However, inpractice, actual reliability depends also on the
ERF but, by comparing Figures 8 and 3, we can state that the reconstruction algorithm used. For the sake of completeness,
impact on the ERF is quite low (both ERFCRT and ERFCS we report in Figure 10 CS reliability when the CoSaMP [27]
decrease by a few percent). algorithm is used for reconstruction.
As it is possible to observe also in this case  CS = 15 is
As a consequence when high reliability is needed even with
needed for achieving high reliability. Nevertheless, perfect
unreliable networks, CRT and CS should be preferred.
reliability is not obtained with CoSaMP when   =  ∗. So in
some cases CRT could be preferred to CS because reliability
6.3. CS Reliability. In all the previous simulations, we have can be better predicted.
fixed the number of bits  CS used for representing quantized
CS measures equal to   + 3. A careful reader could observe
6.4. ERF    and Network Lifetime. The ERF metric is an
that this choice is questionable and that by reducing  CS
expression of mean energy consumptions; instead, network
higher values of ERFCS can be obtained. This consideration is
lifetime ismore closely related tomaximumenergy
partially true: effectively, ERFCS increases for lower values of  CS, consumptions.
but our simulation results show that using values of  CS In Figure 11, we report ERFmax instead of ERF for different
below  +3 is not possible to have perfect reconstruction (i.e., data gathering techniques. ERFmax is evaluated on the basis of
 ,CS = 1). (22), that is, considering the maximum energy consumptions for
To convince the reader in Figure 9, we report simulation nodes belonging to cluster CL2. Maximum energies have greater
results about the actual reliability   ,CS for different values of variations in comparison to mean values so in order
14 International Journal of Distributed Sensor Networks

100 1

80 0.8

60 0.6

PR,CS
ERF

40 0.4

20 0.2

0 0
8 16 32 64 8 16 32 64
   

TECMODEL TEC CSI (bCS = 15) CoSaMP (bCS = 14)

DSCMODEL DSC CoSaMP (bCS = 15) CoSaMP (bCS = 13)
CRTMODEL CRT
CSI Figure 10:   ,CoSaMP for different values of  CS and  .
CSIMODEL
CS2MODEL CS2
100
Simulation Parameters
  0.1
R 55m 80
r 18m
pe 0.01
 c 0.55 60
ERFmax

M 50
f 8
3 40
Nr,DSC
m m∗/(1 − pn) + 2

Figure 8: ERF of data gathering techniques for    = 0.01. 20

0
8 16 32 64
1  
0.99
TEC CSI
0.98 DSC CS2
0.97 CRT
0.96 Simulation Parameters
PR,CS

0.95   0.1
0.94 R 55m
r 18m
0.93 pe 0.01
0.92  c 0.55
M 50
0.91 8
f
0.9 Nr,DSC 3
13 14 15 m m∗/(1 − pn) + 2
bCS
Figure 11: ERFmax of data gathering techniques for    = 0.01.
CSI   = 8 CS2   = 8
CSI   = 16 CS2   = 16
CSI   = 32 CS2   = 32
CSI   = 64 CS2   = 64 As it is possible to observe, TEC and DSC have higher ERF
max and therefore greater network lifetime can be expected
Figure 9:   ,CSI for different values of  CS and sparsity levels when  
= 12. when DSC and TEC are used for data gathering.
Finally, note that CRT and CS have similar performance if
the actual sparsity degree of CS is 20% more than the
to have higher confidence we increased the number of events to minimum (ideal) value. These observations can be extended
V = 3000. also to all the previous simulations.
International Journal of Distributed Sensor Networks
7. Conclusions and Future Works
In this paper, we have compared several data gathering
techniques used in WSNs by using both simulation results and
analytical models. In particular, the effectiveness of the above
techniques has been investigated in terms of reliability (packet
loss and reconstruction errors) and energy efficiency (i.e., ERF
and network lifetime) by systematically sampling the parameter
space (i.e., number of nodes, transmission range, and sparsity).
Basically we can summarize our results as follows:
(i) DSC and TEC techniques should be preferred for
maximizing network lifetime.
(ii) CS should be preferred when high reliability is
needed.
(iii) CRT should be preferred for its inherent lowcomplexity.
As a consequence, we can state that there is no best
solution for all possible applications and that only the tradeoff
between energy consumptions, reliability, and complexity
candrive the choice of the data gathering technique to be used
for a specific application.
As future work, we plan to refine and improve the model to
deal with actual correlated measurements (i.e., not only
Gaussian data) and more realistic propagation channels (i.e., by
taking into account actual distance between nodes).
Notations
TEC: Transform and Encoding-Based
Compression
CS: Compressive sensing
DSC: Distributed source coding Chinese
CRT: Remainder Theorem Generic data
 : gathering technique; that is,   ∈ {TEC, CS,
DSC, CRT}
= {  }: A set of uncompressed values (raw
measurements)
 : Number of bits used to represent a raw
value (without compression)
 : Number of measurements/words per
packet
 : Number of source nodes
X: Matrix of    ×   raw data of  -bits each  th
x : column of the matrix X (measures taken
by    nodes almost at the same time)
 : Compression factor of the data gathering
technique   ∈ {TEC, CS, DSC, CRT} Number
 : of bits used to represent a compressed
measure with data gathering technique   Applications, vol. 47, pp. 23–31, 2015.
 : Number of bits per packet when data
gathering technique   is used Overall
 : number of bits transmitted for each
event when the data gathering
technique   is used
15
ERF : Energy reduction factor of the data
gathering technique   ∈ {TEC, CS, DSC,
 : CRT} Reliability of the data gathering
technique   ∈ {TEC, CS, DSC, CRT}
 : Minimum value within set {  }; that is,   =
min {  }
 : Difference with the minimum element of {  
}; that is,    =    −   Compressed sensing
 : measurement Number of CS
 : measurements Minimum/sufficient
 ∗: number of CS measurements for
reconstruction
 : Number of nonzero components of a  -
sparse signal
 : Sparsity level of CS measurements; that is,  
=  / 
 : Correlation coefficient of raw
measurements
 : Standard deviation of raw measurements
 : Maximum transmission distance (coverage
radius)
 : Sense radius of a node
CRT: Number of CRT relayers
 : Grid size (edge in meter)
 : Node density
 : Energy spent for each transmitted bit
 : Shannon’s entropy
 ,DSC: Number of retransmissions for the clus-
ter/cell head when DSC is used
CLℎ: Cluster number ℎ
ℎ: Number of hops between nodes in clusters
CLℎ+1 and CLℎ
 V: Number of events used for simulations.
Competing Interests
The authors declare that they have no competing interests.
References
[1] I. F. Akyildiz, W. Su, Y. Sankarasubramaniam, and E. Cayirci, “A
survey on sensor networks,” IEEE Communications Magazine,
vol. 40, no. 8, pp. 102–105, 2002.
[2] Z. Xiong, A. D. Liveris, and S. Cheng, “Distributed source coding
for sensor networks,” IEEE Signal Processing Magazine, vol. 21,
no. 5, pp. 80–94, 2004.
[3] D. Zordan, B. Martinez, I. Vilajosana, and M. Rossi, “On the
performance of lossy compression schemes for energy
constrained sensor networking,” ACM Transactions on Sensor
Networks, vol. 11, no. 1, article 15, 2014.
[4] G. Campobello, O. Giordano, A. Segreto, and S. Serrano,
“Comparison of local lossless compression algorithms for
wireless sensor networks,” Journal of Network and Computer
[5] J. Chou, D. Petrovic, and K. Ramachandran, “A distributed and
adaptive signal processing approach to reducing energy
consumption in sensor networks,” inProceedings of the
22ndAnnual Joint Conference of the IEEE Computer and
Communications (INFOCOM ’03), vol. 2, pp. 1054–1062, IEEE,
San Francisco, Calif, USA, March-April 2003.
16
[6] X. He, X. Zhou, M. Juntti, and T. Matsumoto, “Data and error rate
bounds for binary data gathering wireless sensor networks,”
in Proceedings of the IEEE 16th International Workshop on Signal
Processing Advances in Wireless Communications (SPAWC ’15), pp.
505–509, Stockholm, Sweden, June 2015.
[7] C. Karakus, A. C. Gurbuz, and B. Tavli, “Analysis of energy
efficiency of compressive sensing in wireless sensor networks,”
IEEE Sensors Journal, vol. 13, no. 5, pp. 1999–2008, 2013.
[8] H. Zheng, S. Xiao, X. Wang, X. Tian, and M. Guizani, “Capacity and
delay analysis for data gathering with compressive sensing in
wireless sensor networks,” IEEE Transactions on Wireless
Communications, vol. 12, no. 2, pp. 917–927, 2013.
[9] H. Zheng, F. Yang, X. Tian, X. Gan, X. Wang, and S. Xiao, “Data
gatheringwith compressive sensing inwireless sensor networks: a
random walk based approach,” IEEE Transactions on Parallel and
Distributed Systems, vol. 26, no. 1, pp. 35–44, 2015.
[10] L. Zhu, B. Ci, Y. Liu, and Z. D. Chen, “Data gathering in wireless sensor
networks based on reshuffling cluster compressed sensing,”
International Journal of Distributed Sensor Networks, vol. 2015, 13
pages, 2015.
[11] E. J. Candes andT. Tao, “Near-optimal signal recovery fromrandom
projections: universal encoding strategies?” IEEE Transactions on
Information Theory, vol. 52, no. 12, pp. 5406–5425, 2006.
[12] D. L. Donoho, “Compressed sensing,” IEEE Transactions on
Information Theory, vol. 52, no. 4, pp. 1289–1306, 2006.
[13] T. Srisooksai, K. Keamarungsi, P. Lamsrichan, and K. Araki,
“Practical data compression in wireless sensor networks: a
survey,” Journal of Network and Computer Applications, vol. 35,
no. 1, pp. 37–59, 2012.
[14] J.-H. Chang and L. Tassiulas, “Maximum lifetime routing in
wireless sensor networks,” IEEE/ACMTransactions on
Networking, vol. 12, no. 4, pp. 609–619, 2004.
[15] Y. Wu, Z. Mao, S. Fahmy, and N. B. Shroff, “Constructing
maximum-lifetime data-gathering forests in sensor networks,”
IEEE/ACM Transactions on Networking, vol. 18, no. 5, pp. 1571–
1584, 2010.
[16] G. Campobello, A. Leonardi, and S. Palazzo, “Improving energy
saving and reliability in wireless sensor networks using a simple
CRT-based packet-forwarding solution,” IEEE/ACM Transactions
on Networking, vol. 20, no. 1, pp. 191–205, 2012.
[17] D. Gong and Y. Yang, “Low-latency SINR-based data gathering in
wireless sensor networks,” IEEE Transactions on Wireless
Communications, vol. 13, no. 6, pp. 3207–3221, 2014.
[18] C. Hua and T.-S. P. Yum, “Optimal routing and data aggregation
for maximizing lifetime of wireless sensor networks,” IEEE/ACM
Transactions on Networking, vol. 16, no. 4, pp. 892– 903, 2008.
[19] G. Campobello, S. Serrano, L. Galluccio, and S. Palazzo, “Applying
the Chinese remainder theorem to data aggregation in wireless
sensor networks,” IEEE Communications Letters, vol. 17, no. 5,
pp. 1000–1003, 2013.
[20] X. Xing, D. Xie, and G. Wang, “Energy-balanced data gathering
and aggregating in wsns: a compressed sensing scheme,”
International Journal of Distributed Sensor Networks, vol. 2015,
Article ID 585191, 10 pages, 2015.
[21] C. Lim, “Network coding for severe packet reordering in multihop
wireless networks,” International Journal of Distributed Sensor
Networks, vol. 2015, Article ID 379108, 9 pages, 2015.
[22] M. Rossi, M. Hooshmand, D. Zordan, andM. Zorzi, “Evaluating the
gap between compressive sensing and distributed source
coding in WSN,” in Proceedings of the International Conference
International Journal of Distributed Sensor Networks
on Computing, Networking and Communications (ICNC ’15), pp.
911–917, IEEE, Garden Grove, Calif, USA, Feburary 2015.
[23] F. Marcelloni and M. Vecchio, “An efficient lossless compression
algorithm for tiny nodes of monitoring wireless sensor
networks,” The Computer Journal, vol. 52, no. 8, pp. 969–987,
2009.
[24] Y. Liang and W. Peng, “Minimizing energy consumptions in
wireless sensor networks via two-modal transmission,” ACM
SIGCOMMComputer Communication Review, vol. 40, no. 1, pp.
12–18, 2010.
[25] S. S. Chen, D. L. Donoho, and M. A. Saunders, “Atomic
decomposition by basis pursuit,” SIAM Review, vol. 43, no. 1, pp.
129– 159, 2001.
[26] J. A. Tropp and A. C. Gilbert, “Signal recovery from random
measurements via orthogonal matching pursuit,” IEEE
Transactions on Information Theory, vol. 53, no. 12, pp. 4655–
4666, 2007.
[27] J. A. Tropp and D. Needell, “CoSaMP: iterative signal recovery from
incomplete and inaccurate samples,” Applied and Computational
Harmonic Analysis, vol. 26, no. 3, pp. 301–321, 2009.
[28] E. Candes and M. Wakin, “An introduction to compressive
sampling,” IEEE Signal Processing Magazine, vol. 25, no. 2, pp.
21–30, 2008.
[29] V. Chandrasekaran, B. Recht, P. A. Parrilo, and A. S. Willsky, “The
convex geometry of linear inverse problems,” Foundations of
Computational Mathematics, vol. 12, no. 6, pp. 805–849, 2012.
[30] X. Wang, Z. Zhao, Y. Xia, and H. Zhang, “Compressed sensing for
efficient random routing in multi-hop wireless sensor
networks,” in Proceedings of the IEEE GLOBECOMWorkshops
(GC Wkshps ’10), pp. 266–271, IEEE, Miami, Fla, USA, December
2010.
[31] A. Razi, K. Yasami, and A. Abedi, “On minimum number of
wireless sensors required for reliable binary source estimation,”
in Proceedings of the IEEE Wireless Communications and
Networking Conference (WCNC ’11), pp. 1852–1857, IEEE,
Cancun, Mexico, March 2011.
[32] S. S. Pradhan and K. Ramchandran, “Distributed source coding using
syndromes (discus): design and construction,” in Proceedings of the
Data Compression Conference (DCC ’99), pp. 158–167, March 1999.
[33] J.-H. Chang and L. Tassiulas, “Routing for maximum system lifetime in
wireless ad-hoc networks,” in Proceedings of the 37th Annual
Allerton Conference on Communication Control and Computing, pp.
1191–1200, Monticello, Ill, USA, September 1999.
[34] J.-H. Chang and L. Tassiulas, “Energy conserving routing in wireless
ad-hoc networks,” in Proceedings of the 19th IEEE Annual Joint
Conference of the IEEE Computer and Communications Societies
(INFOCOM ’00), vol. 1, pp. 22–31, March 2000.
[35] S. Guo, Y. Yang, and C. Wang, “DaGCM: a concurrent data
uploading framework for mobile data gathering in wireless
sensor networks,” IEEE Transactions on Mobile Computing, vol.
15, no. 3, pp. 610–626, 2016.
[36] S. Guo, C. Wang, and Y. Yang, “Joint mobile data gathering and
energy provisioning in wireless rechargeable sensor networks,”
IEEE Transactions on Mobile Computing, vol. 13, no. 12, pp.
2836–2852, 2014.
[37] M. Zhao, J. Li, and Y. Yang, “A framework of joint mobile energy
replenishment and data gathering in wireless rechargeable
sensor networks,” IEEE Transactions on Mobile Computing, vol.
13, no. 12, pp. 2689–2705, 2014.
International Journal of Distributed Sensor Networks 17

[38] R. Ahlswede, N. Cai, S.-Y. R. Li, and R. W. Yeung, “Network

information flow,” IEEE Transactions on Information Theory, vol.
46, no. 4, pp. 1204–1216, 2000.
[39] C. Fragouli, J.-Y. Le Boudec, and J. Widmer, “Network coding: an
instant primer,” ACM SIGCOMMComputer Communication
Review, vol. 36, no. 1, pp. 63–68, 2006.
[40] P. Ostovari, J. Wu, and A. Khreishah, Network Coding Techniques
for Wireless and Sensor Networks, Springer, Berlin, Germany,
2013.
[41] S. Chachulski, M. Jennings, S. Katti, and D. Katabi, “Trading
structure for randomness in wireless opportunistic routing,”
ACM SIGCOMMComputer Communication Review, vol. 37, no. 4,
pp. 169–180, 2007.
[42] I.-H. Hou, Y.-E. Tsai, T. F. Abdelzaher, and I. Gupta, “AdapCode:
Adaptive network coding for code updates in wireless sensor
networks,” in Proceedings of the 27th IEEE Communications
Society Conference on Computer Communications (INFOCOM
’08), pp. 2189–2197, Phoenix, Ariz, USA, April 2008.
[43] Z. Yang, M. Li, and W. Lou, “R-code: network coding based
reliable broadcast in wireless mesh networks with unreliable
links,” in Proceedings of the IEEE Global Telecommunications
Conference (GLOBECOM ’09), pp. 1–6, IEEE, Honolulu, Hawaii,
USA, November 2009.
[44] T. Ho, R. Koetter, M. Medard, D. R. Karger, T. Ho, and M. Effros,
“The benefits of coding over routing in a randomized settings,”
in Proceedings of the IEEE International Symposium on
Information Theory, Yokohama, Japan, July 2003.
[45] T. Ho, M. Medard, R. Koetter et al., “A random linear network
coding approach to multicast,” IEEE Transactions on
Information Theory, vol. 52, no. 10, pp. 4413–4430, 2006.
[46] T. Voigt, U. Roedig, O. Landsiedel, K. Samarasinghe, and M.
B. Prasad, “On the applicability of network coding in wireless
sensor networks,” ACM SIGBED Review, vol. 9, no. 3, pp. 46– 48,
2012.
[47] G. Campobello, A. Leonardi, and S. Palazzo, “On the use of
Chinese remainder theorem for energy saving inwireless sensor
networks,” in Proceedings of the IEEE International Conference
on Communications (ICC ’08), pp. 2723–2727, Beijing, China,
May 2008.
[48] A. Leonardi, G. Campobello, S. Serrano, and S. Palazzo, “Tradeoffs
between energy saving and reliability in low duty cycle wireless
sensor networks using a packet splitting forwarding technique,”
EURASIP Journal on Wireless Communications and Networking, vol.
2010, Article ID 932345, 2010.
[49] G. Campobello, A. Leonardi, and S. Palazzo, “A novel reliable and
energy-saving forwarding technique for wireless sensor
networks,” in Proceedings of the 10th ACM International
Symposium on Mobile Ad Hoc Networking and Computing
(MobiHoc ’09), pp. 269–278, New Orleans, La, USA, May 2009.
[50] T. A. A. Alsbouı́, M. Hammoudeh, Z. Bandar, and A. Nisbet, “An
overview and classification of approaches to information
extraction in wireless sensor networks,” in Proceedings of the
5th International Conference on Sensor Technologies and
Applications (SENSORCOMM ’11), pp. 255–260, IARIA, Nice,
France, August 2011.
[51] T. M. Cover and J. A. Thomas, Elements of Information Theory,
Wiley-Interscience, New York, NY, USA, 1991.