用于改善网络上采集的传感器数据的可靠性的设备和方法.pdf

本发明提供了一种适用于改善在网络上采集的传感器数据的可靠性的设备和方法。使用校正数据的相关性来预测和校正一个或多个瞬时误差。例如，可以从网络中的一个或多个传感器节点采集传感器数据。不同于传感器节点的装置可使用该数据，来基于传感器数据中的固有冗余而开发预测模型，并且校正一个或多个以后接收的、看起来不可靠的值。

1、  一种用于过滤所采集的数据中的瞬时误差的方法，包括：
使用该数据的相关性来预测该瞬时误差；以及
至少部分基于该相关性而校正该瞬时误差。

2、  如权利要求1所述的方法，其中，所述校正包括延迟该数据。

3、  如权利要求2所述的方法，其中，所述延迟该数据包括：根据特定无线传感器网络来调节延迟的量。

4、  如权利要求3所述的方法，其中，所述调节该延迟包括：形成预测历史树。

5、  如权利要求2所述的方法，其中，所述延迟该数据包括：形成预测历史树。

6、  如权利要求1所述的方法，其中，所述相关性包括自动回归移动平均相关性。

7、  如权利要求1所述的方法，其中所述预测和校正由无线装置执行。

8、  一种网络(10)，包括：
被配置来至少部分基于经由该网络的至少一个传感器(16)接收的传感器数据中的每节点冗余而离线生成预测模型的装置(12，18)，该装置还被配置来部分基于该预测模型而确定是否对经由该至少一个传感器接收的观测数据进行校正。

9、  如权利要求8所述的网络，其中，该至少一个传感器是一个装置。

10、  如权利要求8所述的网络，其中，该预测模型是线性模型。

11、  一种装置(12，18)，包括：
第一逻辑器(24)，被配置来至少部分基于来自至少一个传感器(16)的传感器数据中的每节点冗余而离线生成预测模型；以及第二逻辑器(30)，被配置来部分基于该预测模型而确定是否对来自该至少一个传感器的观测数据进行校正。

12、  如权利要求11所述的装置，其中，第一逻辑器包括第二逻辑器的至少一部分。

13、  如权利要求11所述的装置，其中，第二逻辑器包括第一逻辑器的至少一部分。

14、  如权利要求11所述的装置，其中，第一逻辑器和第二逻辑器不重叠。

15、  一种用于改善网络上采集的传感器数据的可靠性的方法，该方法包括步骤：
利用不同于传感器节点的装置，
采集来自网络中的一个或多个传感器节点的初始传感器数据；
预处理初始传感器数据，以确定数据中的固有时间冗余的级别；
基于该初始传感器数据中的固有时间冗余而开发预测模型；
利用不同于传感器节点的装置，
基于该预测模型，计算来自网络中的传感器节点的下一传感器读数的可能值；
确定从传感器节点接收的值是否相对于该可能值是可靠的，并且，如果不是，则对从传感器节点接收的值进行校正。

16、  如权利要求15所述的方法，其中，离线地执行所述采集初始传感器数据、所述预处理初始传感器数据、以及所述开发预测模型。

17、  如权利要求15所述的方法，还包括：
在所述计算下一传感器读数的可能值之后，接收该下一传感器读数。

18、  如权利要求15所述的方法，其中，该预测模型包括自动回归移动平均(ARMA)模型。

19、  如权利要求15所述的方法，其中，所述计算下一传感器读数的可能值还基于先前接收的传感器数据的历史以及误差的历史。

20、  如权利要求15所述的方法，其中，所述校正包括：对于样本n，确定校正值Y_c(n-K)，其中K是判定延迟，以样本的数目为单位。

21、  如权利要求20所述的方法，其中，所述确定校正值还包括：形成包括路径的预测历史树，该路径代表从传感器接收的值与预测值之间的选择。

22、  一种用于改善网络上采集的传感器数据的可靠性的方法，该方法包括步骤：
利用不同于传感器节点的装置，
根据基于传感器数据中的固有时间冗余的预测模型，计算来自网络中的传感器节点的下一传感器读数的可能值；
确定从传感器节点接收的值是否相对于该可能值是可靠的，并且，如果不是，则对从传感器节点接收的值进行校正。

23、  如权利要求22所述的方法，其中，所述计算下一传感器读数的可能值还基于先前接收的传感器数据的历史以及误差的历史。

24、  如权利要求22所述的方法，其中，所述校正包括：对于样本n，确定校正值Y_c(n-K)，其中K是判定延迟，以样本的数目为单位。

25、  如权利要求24所述的方法，其中，所述确定校正值还包括：形成包括路径的预测历史树，该路径代表从传感器接收的值与预测值之间的选择。

用于改善网络上采集的传感器数据的可靠性的设备和方法
技术领域
本发明涉及传感器网络。
背景技术
对用于感测、通信和处理的技术的汇集导致了无线传感器网络的出现。近来，使用低成本、低能量无线传感器节点的大规模感测已变得可行。例如，在生产、测试和监测中的许多系统从多个无线传感器采集数据。这些传感器网络的实用性使得对物理世界的感测和监测成为可能。
尤其与使用无线数据传输的其它应用相比，提供可靠的数据采集是传感器网络中极为重要的内容，这是因为数据被采集、处理和使用来在机对机数据采集框架中作出判断。然而，使用无线数据传输存在公知的关于数据可靠性和校正的问题。
例如，传感器节点的无线网络固有地暴露于各种不可靠性的来源，诸如不可靠的通信信道、节点故障、节点的恶意损坏、以及窃听。可以将不可靠性的来源大概分为两类：永久改变行为的错误；以及导致从正常行为瞬时偏离的故障，在此称之为“软故障”。
软故障作为瞬时误差而在无线信道中出现，由接收机处的噪声、信道干扰、和/或多径衰减效应所引起。此外，使用进取性(aggressive)设计技术，诸如深亚微米(DSM)和超深亚微米(UDSM)以降低每个节点的成本，这还使得节点受到计算和感测中的不同类型的瞬时误差。
用于测量传感器节点的可靠性的大多数技术在采集上费用较高。典型的现有可靠性方法可增加冗余硬件、或在来源处传送额外数据，以分别校正在电路中或在通信信道中变差的数据。对于使用较多限制的传感器节点的情况，这使得典型方法非常昂贵。为了解决电路和通信信道中的故障，这样的方法在能量预算、传感器节点的设计和生产成本方面带来较高的费用。
用于数据校正的其它现有技术包括校正硬件中的软故障的方法以及那些校正无线通信信道上的比特检测误差的方法。用于校正硬件中的软错误的技术包括电路级和模块级方法，例如硬件中的三模块冗余(triple modularredundancy)和误差校正编码。用于校正无线通信信道上的比特检测误差的技术包括基于奇偶性的前发误差校正(FEC)编码技术(如信道编码)，以及基于重传送的技术(如ARQ)。
发明内容
本发明的优选实施例其中提供一种适于改善在网络上采集的传感器数据的可靠性的设备和方法等。利用校正数据的相关性预测并校正一个或多个瞬时误差。例如，可以从网络中的一个或多个传感器节点采集传感器数据。除传感器节点外的装置可使用该数据来基于数据中的固有冗余而计算预测模型，并校正一个或多个以后收到的、认为不可靠的值。
根据本发明的示例性实施例的以下和更多的具体描述，其它特征和优点将变得明显，并且如附图中所示。
附图说明
图1示出一种根据本发明的优选实施例的包括被用来执行数据聚合和校正方法的装置的网络；
图2示意性地示出一种根据本发明的优选实施例的由用于聚合和校正来自数据源的数据的聚合器节点所实现的算法；
图3示出根据本发明的优选实施例的用于执行数据校正的示例性操作；
图4示出根据本发明的示例性实施例的用于3个样本的延迟的示例性预测历史树(PHT)；以及
图5示出根据本发明的优选实施例的用于实现数据聚合和校正方法的示例性伪代码。
具体实施方式
本发明的优选实施例以误差防护的最低成本(即传感器节点和通信费用的成本)提供改善的可靠性。在优选实施例中，进行对在传感器节点的电路处或在通信信道上产生的瞬时误差进行运行时(run-time)校正，而没有传感器节点上的设计或操作费用。
根据本发明的优选实施例，传感器数据本身的性质的信息(knowledge)被用于实现数据检查和校正。本发明的实施例使用关于传感器数据中的相关性、传感器应用的目的、以及其对各种误差的弱点的信息。
例如，传感器数据一般呈现在节点群上或在每个节点的基础上的在一个时间段内的冗余。可以平衡这样的传感器数据的固有冗余，以使得能够在数据聚合器节点处的标称缓冲器需求(其具有少得多的成本/能量限制)的代价下，提高数据采集的可靠度，而不会给传感器节点强加更多的费用。使用在数据预测模型中捕捉的数据的性质来提供根据本发明的优选实施例的、用于校正软故障的低成本校正设备、系统和方法。
通过对比，现有可靠性技术增加冗余硬件或在源处传送额外数据以分别校正在电路或通信信道中变差的数据。这样的技术通过较多限制的传感器节点使用时是非常昂贵的，并且它们不使用应用数据的特性。由此，为了解决电路和通信信道中的故障，这些技术在能量预算、以及传感器节点的设计和生产成本方面带来非常高的费用。
本发明的实施例包括应用层、数据意识(data-aware)方法，例如被在软件中实现或被编码进适当装置中，用于在聚合节点处校正传感器数据中的瞬时误差，其中传感器数据的聚合和过滤在传感器数据网络中发生。优选方法对通过无线通信信道而从诸如传感器节点的数据源接收的数据实现运行时校正，最好不给传感器节点强加任何设计或材料成本、或性能费用。优选地，所引起的费用主要在于数据接收机处的存储和计算成本，诸如缓冲用于聚合的数据的聚合器节点。最好可根据聚合器处的应用和资源限制的性能需求而调节该方法。
通常，优选方法标识并使用传感器数据内的冗余，以校正瞬时误差的存在。在示例性实施例中，对传感器数据内的冗余的详细分析捕捉预测模型中的相关性特性。然后在获得数据期间使用该预测模型，用于数据的在线预测校正。该优选方法过滤传感器数据的软故障。
更具体地说，在示例性实施例中，诸如聚合器节点的装置基于对来自网络的传感器节点的传感器数据的分析，开发预测模型。然后聚合器节点在运行时使用预测模型进行可靠性检查，以检查从传感器节点接收的数据的可靠性，并做出误差校正判断。本发明的优选方法包括离线采集用于固有传感器数据预测模型的数据，并在运行时在线应用该模型。
因为数据预测一般过滤掉观测值中的大多数误差，所以该预测可能不用始终正确地追踪数据处理。例如，由应用在采集数据上执行的聚合操作对误差数据具有可变级别的弱点。由此，本发明的优选方法还延迟应用的延迟限制内的数据的报告。延迟的报告允许观测值被用于后面的样本的优选小集合，以引导预测值与观测值之间的校正值的选择。过去的数据样本也可用于帮助选择校正值。通过调整延迟，可根据数据接收机处可用的计算资源、以及应用的延迟需求而调节该优选方法。
本发明的网络实施例包括一个或多个传感器节点，其无线传送数据到一个或多个聚合器节点。利用传感器数据的固有冗余来执行数据处理所在处(例如，其可以是聚合器节点)的误差校正。因为聚合器节点一般具有比传感器节点更多的计算、存储和能量资源，所以这是有利的。本发明的其它实施例包括被配置用于无线网络的聚合器节点。
现在参考附图，图1示出了传感器网络10，其包括被配置来执行根据本发明的示例方法的装置。优选地，该装置是聚合器节点12，其通过无线信道14从数据源接收数据。例如，数据源包括一个或多个传感器节点16，并且优选的是多个传感器，其经由信道14无线传送数据。优选地，网络10包括多聚合器节点12，尽管为简洁只在图1中示出一个。
例如，聚合器节点12可包括一个或多个模块，用于接收和聚合传感器数据。由这些模块执行的聚合功能可包括用于从特定传感器聚合数据的节点级或时间聚合18，和/或用于从不同传感器节点聚合数据的空间或群级聚合20。来自聚合器节点12的、经聚合和校正的数据随后可被发送到服务器22或其它装置(即，报告的)，以用于处理或存储。
图2示出用于执行根据本发明优选实施例的数据校正方法的应用层算法的概括性示意图。可在诸如聚合器节点18的装置中，例如由任何适当的方法执行该算法。
在示例性传感器数据校正方法中，通过对来自传感器节点16的初始采集数据(代表性样本)进行预处理而构造(优选离线)数据生成处理的预测模型。例如，可在聚合器节点12中实现适当的预处理逻辑器，在图2中示出为数据模型块24。该预测模型利用传感器数据中的相关性。优选地，该相关性是时间性的，在此情况下，优选基于传感器数据中的固有时间(每节点)冗余而计算预测模型。然而，预期可额外地或可替换地使用其它类型的相关性。
所选模型对于预测应该是足够丰富的，以基本上匹配数据生成处理。而且，该模型应允许在资源消耗和复杂度方面高效的预测处理，以满足聚合器节点12或其它装置的性能需求。优选地，给定上述需求的对由数据模型块24生成的模型的选择主要依赖于数据中的时间相关性的级别和性质。尽管各种建模技术可被用来表示数据相关性特性，但校正方法的性能主要依赖于建模的精确性和预测的效率。在测试本发明的实施例的试验中使用的示例性模型是自动回归移动平均(ARMA)模型。这是一种线性预测模型，其使用先前观测的历史(在图2中示为数据历史块26)以及预测性能的历史(示为误差历史块28)。例如，可通过使用最小最终预测误差准则来执行ARMA模型的顺序标识(即，用于计算新预测值的过去值和误差历史的数目)。
同样如图2和3中所示，在运行时使用该预测模型，以计算下一读数的可能值，并且，数据校正方法基于观测数据和预测误差的历史，确定从传感器获得的值或者由预测模型提供的值是否要被记录或报告和在将来使用。给出另一种方法，数据校正可以确定传感器获得的值是否相对于该可能值是可靠的，并且，如果不是，则其使用预测值来校正或过滤该值。
例如，这可经由应用层预测校正逻辑器(在图2中示为数据校正块30)来实现。优选方法包括维持观测数据的历史(数据历史块26)，并使用所计算的预测模型来根据历史生成预测未来值32。在从传感器节点16接收下一观测数据值34之后，判断将记录这些候选值中的哪一个。优选地，数据校正块30的操作独立于用于预测的数据模型。然而，预期用于预测性校正的逻辑器30可以部分或全部地与用于形成预测模型的逻辑器24相重叠。
在通常的数据校正方法中，如图3中所示，聚合器节点12的数据模型块24无线地采集来自传感器节点16的初始数据(步骤40)，处理该初始数据(步骤42)，以及基于所处理的初始数据而开发预测模型(步骤44)。在运行时操作期间，聚合器节点12无线地接收和/或采集所观测的传感器数据(步骤46)，并且，使用所开发的数据模型来预测来自传感器节点16的下一读数的可能值(步骤48)。然后，数据校正块30通过确定所接收值的可靠性而确定是否使用所接收的值(步骤50)。如果所接收的值是可靠的，则将该值报告(步骤52)为校正数据。如果不是，则已由聚合器节点12预测了瞬时误差。在此情况下，将预测值报告(步骤54)为校正数据，以校正该瞬时误差。
在执行基于预测的校正时的一个显著问题在于：选择如何处理接收机(即聚合器节点12)处的预测值和观测值之间的不匹配，这可能由于真实误差或由于数据源行为对模型的偏离而造成。在这两种情况下，应该不同地处理这样的误差。在本发明的优选实施例中，基于过去的样本和之后观测的样本的数目而进行此判断。使用延迟(在图2中表示为判定延迟参数(K)58)来执行。
再次参考图2，Y代表所观测的传感器数据的值34的序列，Y’代表预测块的结果(预测数据32)，而Y_c代表来自数据校正块30的校正值60。数据校正块30使用数据模型块24在通过生成并存储不同预测的历史的不同可能版本而校正误差的处理中开发的预测模型。在任意时间点n处，给定观测数据Y(n)34，数据校正块30计算校正值Y_c(n-K)60，其中K代表为后面的校正维持的预测历史的深度。
例如，并且参考图4，对时间n，在K个样本的延迟之后，使用等于Y(n)的观测值以及等于Y’(n)的相应预测值来报告校正值Y_c(n-K)60。对于所观测的传感器节点16的每个样本，数据校正块30将其与从预测模型和前面历史预测的值相比较，并尝试报告更接近实际希望观测的值。此判断的延迟允许以下步骤：考虑其任何选择对其后的K个样本的预测精度的影响。
在优选实施例中，使用预测历史树(PHT)70来实现该延迟判断，该预测历史树包括前面K个样本的可能预测值和相应预测误差。对应于PHT中每个节点的值的预测误差被存储在平行的误差历史树(未示出)中，其通过执行对两个树的相同的更新操作而与PHT 70保持同步。
示例性PHT 70具有K+1的深度，并且代表最后K个样本的各种潜在值，即Y_c(i)，其中i＝n-K∶n-1。图4示出对K＝3的PHT 70的例子。PHT 70的任何层j中的每个节点72代表Y_c(n-K+j-1)的可能值，同时根节点(层0)74指示已为Y_c(n-K-1)选择的值。
在图4中，每个节点具有两条外出路径76、78，分别标记为0和1。这些分别代表对其后的样本的、Y(观测值)和Y’(预测值)的选择。由此，层K+1中的从根到叶80的每条路径表示等于2^K个的一系列选择，其导致产生一系列值Y_c(n-K∶n-1)。图4中的PHT的节点72注释有它们包含的可能值。例如，注释有Y’(n-1|01)的叶节点82代表在跟随从根节点74通过节点84和节点86的路径而获得的预测值Y’(n-1)，对应于来自根节点的011的选择。
优选方法使用PHT来选择用于转发到服务器22的值。图5中示出被用来在接收机处使用PHT来校正误差的示例性伪代码。在时间n(步骤90)，接收观测值Y(n)(步骤92)，并且计算该样本的2^K个可能预测值，每个用于从根到每个叶节点的每个路径i(步骤94)。基于该路径上的节点使用不同的数据集和误差历史来计算(步骤96)每个预测值Y’(n，i)。而且，对于每条路径，计算预测误差(步骤98)，并且使用该预测误差计算每样本的平均预测误差(PathErr)(步骤100)。基于最小路径误差，选择(步骤102)PHT的根的子节点之一作为新的根，并且所选的子节点的内容确定校正值Y_c(n-K)(步骤104、106)。然后，以此子节点作为根的树被用于替换PHT结构。
例如，生成下一层PHT(步骤104)。在用于生成PHT的优选方法中，选择包含路径i的层1节点(例如，图4中的节点84)(步骤106)。该节点变为节点s。节点s的观测值和误差值被用于被报告给应用以及输入到数据和误差历史中的校正值Y_c和预测误差(步骤108)。丢弃从该根的其它分支生出的子树(步骤110)，并且通过向每个叶节点添加一个或两个子节点(对该路径的观测Y(n)和预测Y’(n))，将剩余的树延伸到另一层(步骤112)。
为了提高效率，可通过假设对预测值的非常小的偏离是由于感测物理处理的随机性而不是瞬时误差引起的，从而在某种程度上可以减小预测历史(即PHT)的大小。作为示例性实现，误差阈值ETH 114可用作优选方法中的控制参数，以避免在E(n)低于ETH时添加新的Y’(n)值(步骤116)。这意味着，如果在N个步骤后，特定叶节点变为根，则观测值Y应被用于Y_c。由此，树结构将常常不会被驻满。
除了报告校正值时的延迟之外，延迟值K的选择确定由具体给定数据和误差特性的优选数据校正方法达到的校正的级别。该方法的存储和计算复杂度还直接依赖于参数K，这是因为其确定用于校正每个样本的历史信息量。因为优选方法将建模误差和在传感器节点16和/或无线信道14中出现的实际随机误差相互区别开，所以K的最佳选择依赖于误差的特性以及所用的建模技术的性能。潜在地，还有可能通过改变K来针对性能和资源而对校正精度进行折衷(trade off)，并将它们匹配到聚合器节点12的应用需求和限制。
优选校正方法的性能部分依赖于预测算法的性能。最好对每个样本的每条路径调用预测算法，以预测序列中的下一个值。校正块消耗的主要资源是存储装置，对于PHT 70，空间复杂度为0(2^K)。
在这些方法中，例如，通过选择K并通过基于所选的K而形成PHT 70，可根据具体装置，诸如聚合器节点12或无线传感器网络10而调节延迟。可根据应用的延迟敏感度、相关误差级别、以及接收节点上的资源限制而使用不同深度的预测历史。
已示出并描述了用于数据聚合和校正的多个方法、装置和系统，其具有许多特征和优点。通过在应用层上执行优选的数据校正方法，可使得实现该方法的装置或系统的设计更容易。通过使用聚合器节点12来执行数据校正步骤，不会增加传感器节点16上的费用，并且可使用一般具有高得多的费用的装置来执行计算。延迟的使用改善了优选方法的功效，并且可选择该延迟，以根据各种装置或系统而调节该方法。优选地，误差阈值降低聚合器节点12上的不必要的费用。
尽管根据本发明的实施例，传感器网络的各种配置都是可能的，但在包括大量便宜且轻的传感器节点(由聚合器节点使用相对较大的能量和资源预算而管理)的网络体系中，优选数据聚合和校正方法尤其有用。
尽管已示出和描述了本发明的特定实施例，但应理解的是，对于本领域技术人员，其它修改、置换和替换是明显的。在不脱离应该根据所附权利要求而确定的本发明的精神和范围的前提下，可进行这样的修改、置换和替换。
在所附权利要求中阐明本发明的各种特征。