[論文レビュー] Power-efficient Hierarchical Data Aggregation using Compressive Sensing in WSN

Xi Xu, Rashid Ansari+1 more|arXiv (Cornell University)|Oct 15, 2012

Sparse and Compressive Sensing Techniques参考文献 9被引用数 4

ひとこと要約

本稿では、グローバルなネットワークサイズではなく、局所的なクラスターサイズに応じて圧縮しきい値を適応的に変更することで、エネルギー消費を低減するための階層的圧縮センシング（HDACS）アーキテクチャを提案する。複数レベルのクラスタ内で圧縮センシングを適用することにより、従来のCSベースおよび非CSベースの集約手法と比較して、37–77％のエネルギー節約を達成し、特に高レベルのクラスターヘッドで顕著な改善が得られる。これは、局所的なデータ圧縮と送信オーバーヘッドの低減によるものである。

ABSTRACT

Compressive Sensing (CS) method is a burgeoning technique being applied to diverse areas including wireless sensor networks (WSNs). In WSNs, it has been studied in the context of data gathering and aggregation, particularly aimed at reducing data transmission cost and improving power efficiency. Existing CS based data gathering work in WSNs assume fixed and uniform compression threshold across the network, regard- less of the data field characteristics. In this paper, we present a novel data aggregation architecture model that combines a multi- resolution structure with compressed sensing. The compression thresholds vary over the aggregation hierarchy, reflecting the underlying data field. Compared with previous relevant work, the proposed model shows its significant energy saving from theoretical analysis. We have also implemented the proposed CS- based data aggregation framework on a SIDnet SWANS platform, discrete event simulator commonly used for WSN simulations. Our experiments show substantial energy savings, ranging from 37% to 77% for different nodes in the networking depending on the position of hierarchy.

研究の動機と目的

• 既存の圧縮センシング（CS）ベースのWSNにおけるデータ集約手法で見られる、固定でグローバルな圧縮しきい値の非効率性を是正すること。
• 階層的クラスタリングと局所的データ圧縮を活用することで、大規模で高密度のセンサーネットワークにおけるエネルギー消費を低減すること。
• グローバルなネットワークサイズNではなく、クラスターサイズに基づいて圧縮を実施することで、データ集約の効率を向上させること。
• SIDnet-SWANSプラットフォームを用いたシミュレーションにより、理論的なエネルギー節約の妥当性を検証すること。
• 相関のあるセンサーデータ分野（例：温度や音声）におけるスケーラブルでエネルギー効率の良いデータ収集を可能にすること。

提案手法

• 提案されたHDACSアーキテクチャは、複数レベルにわたる複数のクラスタを用いたマルチスケールの階層構造でセンサをグループ化し、クラスターヘッドが子ノードからのデータを集約する。
• リーフノードは直接そのクラスターヘッドに生データを送信するが、中間クラスターヘッドでは離散コサイン変換（DCT）を適用してスパース信号表現を達成する。
• 各クラスターヘッドでは、局所的なクラスターサイズ$N_i$に基づいてランダム測定が行われ、信号の復元に$M_i = K \log N_i$の測定値が必要となる。
• DCTドメインにおけるスパarsityを活用して、元のデータをシンクで再構成するため、DCTベースのCoSaMPアルゴリズムを信号復元に適応応用する。
• エネルギー消費は送信フレーム数に比例するとモデル化され、フレームサイズ$m$は送信コストの比較に組み込まれる。
• 本フレームワークは、異なるサイズの2次元ランダム配置センサーネットワークを対象として、SIDnet-SWANS離散イベントシミュレータ上で実装および評価された。

実験結果

リサーチクエスチョン

• RQ1 階層的クラスタリングと局所的圧縮センシングを組み合わせることで、WSNにおけるグローバルCSベース集約と比較して、エネルギー消費はどのように低減されるか？
• RQ2 クラスターサイズが、必要とされるランダム測定数および圧縮データ収集における送信エネルギーに与える影響は何か？
• RQ3 局所的なデータフィールド特性に基づく適応的圧縮しきい値が、階層的データ集約におけるエネルギー効率をどの程度向上できるか？
• RQ4 提案されたHDACSフレームワークは、非圧縮センシング（NCS）およびハイブリッド圧縮センシング（HCS）手法と比較して、エネルギー効率にどの程度優れているか？
• RQ5 DCTベースのスパース表現とCoSaMP復元を用いる場合、信号復元精度とエネルギー節約のトレードオフはどのようなものか？

主な発見

• 提案されたHDACSフレームワークは、非圧縮センシング（NCS）集約と比較して、最高レベルのクラスターヘッドで最大77％のエネルギー節約を達成した。
• ハイブリッド圧縮センシング（HCS）手法と比較すると、エネルギー節約率は37％から70％にのぼり、特に高レベルのクラスターヘッドで顕著な向上が見られた。
• 送信エネルギー消費比（HDACS対NCS）は0.5未満であり、すべてのノードで少なくとも50％のエネルギー削減が確認された。
• 400ノードのネットワークにおいて、非リーフノードのHDACSとHCS間の送信エネルギー比は≤0.633であり、中間クラスタで顕著な節約が確認された。
• 300〜700ノードの異なるネットワークサイズにおいても、信号復元性能は安定しており、ネットワークサイズの変化にかかわらずSNRに影響を及ぼさない。これは、DCTベースのCoSaMP復元の頑健性によるものである。
• MACレイヤーのフレームサイズの変動に対してもエネルギー節約は頑健であり、データが複数のフレームに分割されても50％の節約が維持された。これは、局所的な$\log N_i$スケーリングによるものである。