一種無線傳感器網絡的故障診斷方法
【技術領域】
[0001]本發明涉及無線自組織傳感器網絡領域，更具體涉及一種無線傳感器網絡的故障診斷方法。
【背景技術】
[0002]隨著通信技術、傳感器技術及嵌入式計算技術的快速發展和日益成熟，無線傳感器網絡被廣泛應用在環境監測、煤礦事故檢測、危險境地導航、交通流量監控等諸多與國計民生有著重大聯系的場景中。由于當前科技水平以及制造工藝的限制，傳感器節點(簡稱節點)的軟件與硬件通常并不能完美地契合進行工作，普遍具有易出錯的特征。同時，由于節點間采用無線信號進行數據傳輸，多徑、干擾等因素進一步增加了無線傳感器網絡的不穩定性。
[0003]為了增強無線傳感器網絡的可用性，同時提升無線傳感器網絡的可靠性，許多研宄機構都展開了無線傳感器網絡故障診斷技術的研宄，用以檢驗和定位網絡中的錯誤和故障。傳統的無線傳感器網絡故障診斷技術可分為兩類。第一類是軟件糾錯技術。典型的方法是在節點程序的源代碼層構建類似于GDB的調試工具，通過斷點執行、變量觀察、堆棧訪問等接口進行代碼糾錯，其中，GDB是GNU開源組織發布的一個強大的UNIX下的程序調試工具，UNIX是一種廣泛使用的商業操作系統的名稱。這類方法可以判斷程序的邏輯錯誤，但是不能識別通信鏈路受阻、節點功能紊亂等無線傳感器網絡中的故障。第二類技術是通過收集無線傳感器網絡中的相關信息進行深層次的數據分析，診斷無線傳感器網絡故障。這類方法能夠很好的識別無線傳感器網絡的出錯狀況，但是通常需要深厚的領域知識，一個對無線傳感器網絡不熟悉的人員或者一個未曾出現過的網絡錯誤都有可能導致這類方法失效。
[0004]由上述分析可知，傳統的無線傳感器網絡故障診斷技術在很大程度上依賴于設計人員對于無線傳感器網絡的領域知識和實際運行的經驗，使得目前的診斷工具具有顯著的局限性。事實上，由于無線傳感器網絡的自組互聯、遠程部署、環境復雜、大規模等特性，管理維護人員很難對無線傳感器網絡內部可能出現的故障原因、影響等有全面的了解，尤其是出現在多點交互過程中的故障和錯誤更加難于檢測。隨著無線傳感器網絡的不斷發展和應用類型的不斷增加，傳統的無線傳感器網絡故障診斷技術的可擴展性面臨著嚴峻的挑戰。
【發明內容】
[0005](一 )要解決的技術問題
[0006]本發明要解決的技術問題是如何克服無線傳感器網絡的故障診斷中對領域知識的依賴，實現全面、準確的檢測無線傳感器網絡中的故障。
[0007]( 二 )技術方案
[0008]為了解決上述技術問題，本發明提供了一種無線傳感器網絡的故障診斷方法，其特征在于，所述方法包括以下步驟:
[0009]S1、構建基于壓縮感知技術的觀測矩陣；所述觀測矩陣記載了網絡故障對應的網絡事件的序列變化值(所述序列變化值為對應狀態這一時刻與上一時刻的差值)；
[0010]S2、基于奧坎姆剃刀原理以及壓縮感知技術，利用所述觀測矩陣構建從網絡節點的所述網絡事件到所述網絡故障的映射關系；
[0011]S3、采集無線傳感器網絡的節點狀態序列；所述節點狀態序列為所述網絡事件發生的次數；
[0012]S4、根據所述映射關系，求解對應于所述網絡事件的所述網絡故障。
[0013]優選地，所述步驟S4中利用極小化LI范數求解所述網絡故障。
[0014]優選地，所述觀測矩陣的每一列為對應于一種所述網絡故障的各網絡事件的序列變化值。
[0015]優選地，若所述網絡故障與所述網絡事件沒有關系，則所述觀測矩陣中對應列對應行的所述序列變化值為O。
[0016]優選地，所述映射關系為:
[0017]y = Φχ
[0018]其中，y表示采集的所述節點狀態序列，Φ表示所述觀測矩陣，X表示所述網絡故障。
[0019](三)有益效果
[0020]本發明提供了一種無線傳感器網絡的故障診斷方法，本發明的方法通過構建觀測矩陣，利用壓縮感知技術和奧坎姆剃刀原理，將網絡故障和網絡事件模型化，可以快捷準確的找到網絡故障，實現對無線傳感器網絡的全方位故障診斷，同時不需要依賴工作人員的深厚的領域知識，使得無線傳感器網絡的故障診斷更加方便和容易實行。
【附圖說明】
[0021]為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0022]圖1是本發明的一種無線傳感器網絡的故障診斷方法流程圖；
[0023]圖2是本發明中完成所述一種無線傳感器網絡的故障診斷方法的裝置示意圖；
[0024]圖3是本發明中室內測試床示意圖。
【具體實施方式】
[0025]下面結合附圖和實施例對本發明作進一步詳細描述。以下實施例用于說明本發明，但不能用來限制本發明的范圍。
[0026]本發明公開了一種無線傳感器網絡的故障診斷方法，如圖1所示，所述方法包括以下步驟:
[0027]S1、構建基于壓縮感知技術的觀測矩陣；所述觀測矩陣記載了網絡故障對應的網絡事件的序列變化值；
[0028]S2、利用所述觀測矩陣構建從網絡節點的所述網絡事件到所述網絡故障的映射關系；所述觀測矩陣的每一列為對應于一種所說網絡故障的各網絡事件的序列變化值；若所述網絡故障與所述網絡事件沒有關系，則所述觀測矩陣中對應列對應行的所述序列變化值為O ;所述映射關系為:
[0029]y = Φχ
[0030]其中，y表示采集的所述節點狀態序列，Φ表示所述觀測矩陣，X表示所述網絡故障；
[0031]S3、采集無線傳感器網絡的節點狀態序列；所述節點狀態序列為所述網絡事件發生的次數；
[0032]S4、根據所述映射關系，求解對應于所述網絡事件對應的網絡故障；其中利用極小化LI范數求解所述網絡故障。
[0033]本發明提出的方法基于壓縮感知(Compressive Sensing, CS) ο簡單來說，壓縮感知技術提供了一種可以廣泛應用于可壓縮信號的采集方法。該發明借用壓縮感知的模型和優化求解方法，將網絡事件、狀態和故障根源模型化，然后再根據奧坎姆剃刀原理，為觀察到的網絡異常找到最有可能的故障根源。
[0034]CS理論指出，只要信號是可壓縮的或在某個變換域是稀疏的，那么就可以用一個與變換基不相關的觀測矩陣將變換所得的高維信號投影到一個低維空間上，然后通過求解一個優化問題從這些少量的投影中以高概率重構出原信號。在CS模型中并不是直接測量信號f本身，而是將信號f投影到觀測矩陣上得到觀測向量y。用矩陣表示:y= Φ?.，式中y是MXl的觀測向量，Φ是MXN(M〈〈N)的觀測矩陣。根據信號稀疏分解理論中的稀疏分解算法，可以求解得