Обработка сигналов в системах телекоммуникаций

лишь в деталях, сопоставима с ним по стоимости, в то же время значительно превосходя в точности. Таким образом, данный метод может служить экономически эффективной основой широкомасштабного развития услуг на базе определения местоположения.

Литература

1. 
   Громаков Ю.А., Северин А.В., Шевцов В.А. Технологии определения местоположения в GSM и UMTS. – М.: Эко-Трендз, 2005. – 144с.
   
2. 
   Штанько Н.Н. Методика определения местоположения абонента в сетях GSM. // Докл. 9-й Международной конференции «Цифровая обработка сигналов и ее применение» (DSPA-2007). – Москва, 2007. – С.171–173.
   
3. 
   GSM Rec. 05.08. “Digital Cellular Communications Systems. Radio Subsystem Link Control. ETSI”. – P. 213–242.
   



ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ОПТИМАЛЬНОГО РАЗМЕЩЕНИЯ БАЗОВЫХ СТАНЦИЙ

Ермолаев С.Ю.

ГОУВПО ПГАТИ

В связи с растущей популярностью и постоянным развитием беспроводных широкополосных сетей передачи информации (WiMax) рано или поздно возникает вопрос об оптимальном размещении базовых станций. Задача является актуальной, поскольку правильное размещение базовых приемо-передающих станций позволит не только снизить затраты оператора (а также и конечного потребителя услуг) на этапе развертывания сети в каком-либо регионе, но и обеспечить требуемое качество обслуживания для каждого пользователя. А в стандарте WiMax, основной упор сделан именно на обеспечение требуемых характеристик качества обслуживания (QoS). Таким образом, требуется решить задачу синтеза топологической структуры городской (региональной) сети, включающей оптимальное размещение базовых станций и подключение к ним абонентов и локальных сетей по критерию минимальной стоимости при наличии ряда ограничений, в том числе на электромагнитную совместимость.

Постановка задачи звучит следующим образом: имеется мест-кандидатов на размещение станций, типов станций, клиентов. Для каждого типа станций известно ограничение на суммарную ширину канала всех подключенных к станции пользователей (производительность). Необходимо разместить станции на местах-кандидатах и подключить абонентов к станциям, минимизировав полную стоимость комплекса. Подобные проблемы рассмотрены в [1]. Решение задачи сводится к минимизации целевой функции стоимости, при этом имеется система псевдобулевых ограничений, которым должно удовлетворять решение. Совершенно ясно, что проводить решение методом полного перебора нецелесообразно. Также практически невозможно построить алгоритм, дающий точное решение. В [2] было предложено решить поставленную задачу, записанную в виде «сильной» 0-1 модели, методом «ветвей и отсечений». Это комбинация двух методов неявного перебора: метода «ветвей и границ» и метода «отсечений». Однако, как показывает практика, данный классический метод не позволяет получить результат за приемлемое время, и при размере матриц конфигурации сети более 30×30 время работы алгоритма бесконечно возрастает.

Для стандарта WiMax объявленная дальность действия базовых станций может достигать 70 км, благодаря использованию технологии, позволяющей передавать сигналы в отсутствие прямой видимости. В реальных же условиях, как показывает опыт построения подобных сетей, при развертывании сетей на территории города в ус-ловиях плотной городской застройки это расстояние гораздо меньше. Так сеть WiMax, построенная компанией «Синтерра» на территории города Москвы, состоит из 60 базовых станций, покрывая при этом 80% территории столицы. Соответственно, матрица конфигурации базовых станций будет иметь размер 60×60, и использование классических методов, описанных выше, не позволит решить задачу оптимального размещения базовых станций за приемлемое время. Размер же матриц подключения клиентов будет еще больше.

1. 
   Учитывая вышесказанное, предлагается для решения поставленной задачи использовать современный оптимизационный аппарат – генетические алгоритмы. Генетический алгоритм представляет собой метод, отражающий естественную эволюцию методов решения проблемы, и в первую очередь задач оптимизации. Генетические алгоритмы – это процедуры поиска, основанные на механизмах естественного отбора и наследования. В них используется эволюционный принцип выживания наиболее приспособленных особей. В классическом генетическом алгоритме начальная популяция формируется случайным образом. Фиксируется размер популяции (количество особей в ней будем обозначать символом N), который не изменяется в течение работы всего алгоритма. Каждая особь генерируется как случайная L-битная строка, где L — длина кодировки особи, она тоже фиксирована и для всех особей одинакова. Следует заметить, что каждая особь является одним из решений поставленной задачи. Более приспособленные особи — это более подходящие ответы. Этим генетический алгоритм отличается от большинства других алгоритмов оптимизации, которые оперируют лишь с одним решением, улучшая его.
   
2. 
   В общем виде алгоритм состоит из следующих стадий [3] (рис. 1):
   

1. 
   инициализация, или выбор исходной популяции хромосом;
   
2. 
   оценка приспособленности хромосом в популяции;
   
3. 
   проверка условия остановки алгоритма;
   
4. 
   селекция хромосом;
   
5. 
   применение генетических операторов;
   
6. 
   формирование новой популяции;
   
7. 
   выбор «наилучшей» хромосомы.
   

Рис. 1 – Блок-схема генетического алгоритма

Для доказательства преимущества работы генетического алгоритма над классическими методами группой программистов из компании NikoSoftware была написана компьютерная программа, решающая задачу коммивояжера двумя способами: методом «ветвей и границ» и генетическим алгоритмом. Задача коммивояжера была специально выбрана в качестве тестовой задачи, поскольку подобный подход повсеместно используется при разработке и отладке новых методов оптимизации. Необходимо отметить, что задача коммивояжера близка по смыслу задаче оптимального размещения базовых станций, и к тому же обе они являются NP-полными задачами. Соответственно подтверждение хорошей работы генетического алгоритма по сравнению с классическими методами при решении задачи коммивояжера, можно будет интерпретировать как возможность использования генетического алгоритма и для решения задачи оптимального размещения базовых станций, при условии правильной интерпретации входных данных и ограничений.

Алгоритм работает следующим образом. После первых трех фаз, описанных выше, происходит селекция хромосом, заключающаяся в выборе тех хромосом, которые будут участвовать в создании потомков для следующей популяции, т.е. для очередного поколения. Такой выбор производится согласно принципу естественного отбора, по которому наибольшие шансы на участие в создании новых особей имеют хромосомы с наибольшими значениями функции приспособленности. Применение генетических операторов к хромосомам, отобранным с помощью селекции, приводит к формированию новой популяции потомков от созданной на предыдущем шаге родительской популяции.

Применяются два основных генетических оператора: оператор скрещивания и оператор мутации. На первом этапе скрещивания выбираются пары хромосом из родительской популяции. Это временная популяция, состоящая из хромосом, отобранных в результате селекции и предназначенных для дальнейших преобразований операторами скрещивания и мутации с целью формирования новой популяции потомков. На данном этапе хромосомы из родительской популяции объединяются в пары. Это производится случайным способом в соответствии с вероятностью скрещивания . Далее для каждой пары отобранных таким образом родителей разыгрывается позиция гена в хромосоме, определяющая так называемую точку скрещивания. Оператор мутации с вероятностью изменяет значение гена в хромосоме на противоположное. Именно от вероятности мутации зависит, будет данный ген мутировать или нет. Хромосомы, полученные в результате применения генетических операторов к хромосомам временной родительской популяции, включаются в состав новой популяции. На каждой очередной итерации рассчитывается значение функции приспособленности для всех хромосом этой популяции, после чего проверяется условие остановки алгоритма и либо фиксируется результат в виде хромосомы с наилучшим значением функции приспособленности, либо осуществляется переход к селекции. Если условие остановки алгоритма выполнено, то выводится результат работы.

На рис. 2 представлен результат работы программы, решающей задачу коммивояжера на основе генетического алгоритма. Все исходные данные представлены на диаграмме. Время работы алгоритма с указанными входными данными составляет всего лишь 130 секунд.



Рис. 2 – Столбчатая диаграмма работы генетического алгоритма

В заключение следует отметить, что генетические алгоритмы являются универсальным методом оптимизации многопараметрических функций, и поэтому способны решать широкий спектр задач. Генетические алгоритмы предоставляют огромные материалы для исследований за счет возможности большого количества модификаций и параметров. Зачастую небольшое изменение одного из них может привести к неожиданному улучшению результата.

Работа выполнена при финансовой поддержке Министерства образования и науки Самарской области, проект № 302Т3.7К.

Литература

1. 
   В.М.Вишневский, А.И.Ляхов, С.Л.Портной, И.В.Шахнович. Широкополосные беспроводные сети передачи информации. М: Техносфера, 2005 – 592с.
   
2. 
   С.Ю.Ермолаев. Методы оптимизации размещения базовых станций для сетей стандарта WiMax. // Инфокоммуникационные технологии, Т.5, №2, 2007. С. 19-22.
   

3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И. Д. Рудинского. – М.: Горячая линия – Телеком, 2006. – 452 с.: ил.



ВЛИЯНИЕ СВОЙСТВ РАДИОКАНАЛА НА ВЕРОЯТНОСТЬ ОТКАЗА В ОБСЛУЖИВАНИИ В СЕТИ ПОДВИЖНОЙ РАДИОСВЯЗИ НА ОСНОВЕ ТЕХНОЛОГИИ GSM

Ильин Е.С.

ГОУВПО Поволжская Государственная Академия Телекоммуникации и Информатики

В работе производится качественный анализ сети подвижной радиосвязи на основе стандарта GSM. Для вычисления требуемых характеристик предложена математическая модель, полученная с учетом результатов [1].

Рассмотрим сеть подвижной связи стандарта GSM как совокупность независимых очередей.

Будем считать, что:

1. 
   процессы поступления вызовов в каждой ячейке смоделированы как независимые потоки Пуассона с интенсивностью ;
   
2. 
   все поступившие вызовы находят доступную обслуживающую линию (канал), пока не будет занято максимальное число линий (в последнем случае поступающие вызовы блокируются или сбрасываются);
   
3. 
   длительности вызовов независимы между собой, а также от моментов поступления вызовов;
   
4. 
   подвижность мобильного терминала не учитывается, а, следовательно, мобильный терминал связан с конкретной ячейкой, принявшей его вызов на время, равное продолжительности вызова.
   

Первое и третье предположения являются стандартными для теории телетрафика и используются в течение нескольких десятилетий для моделирования стохастического характера поступления вызовов на телефонные станции и продолжительности занятия оборудования телефонной станции. Второе предположение вводится для всех систем, работающих в стандарте GSM. Последний пункт имеет место в том случае, когда размер ячейки является большим по сравнению с расстоянием, которое преодолеет мобильный терминал в течение времени, равного продолжительности вызова.

Модель – одна из известных моделей теории телетрафика, которая имеет достаточно простую форму для стационарного распределения числа занятых каналов [2]. Если среднее время между поступлениями вызовов – , а среднее время разговора , тогда коэффициент нагрузка на систему составит . Пусть случайная величина – число обслуживаемых абонентов в системе в стационарном состоянии. Тогда имеет пуассоновское распределение , (1), где – число возможных разговоров.

Вероятность блокировки вызовов определятся-распределением: , (2), где – общее число обслуживающих устройств (временных каналов).

Наличие замираний и многолучевого характера распространения сигналов в реальных радиоканалах приводит к потере вызовов, тем самым снижаются нагрузка на систему и вероятность блокировки вызовов в ней. Для установления количественной взаимосвязи необходимо определить вероятность потери вызова.

Пусть в месте приема наряду с полезным сигналом присутствуют сигналов интерференции , (3), где – полезный сигнал, а – сигналы интерференции, и – амплитуда и фаза комплексного коэффициента передачи -го канала.

Если ограничиться рассмотрением только амплитудных характеристик каналов, считая:

1. 
   случайные величины , статистически независимыми;
   
2. 
   закон распределения случайных величин , четырехпараметрическим с функциями плотности вероятности [1]
   

, (4), где , и , – математические ожидания и дисперсии квадратурных компонент и величины ;

то выражение для вероятности потери вызова, когда в месте приема присутствуют полезный сигнал и -сигналов интерференции, имеет вид [3]:

(5)

Перепишем формулы (1) и (2) с учетом потерь при распространении.

Вероятность нахождения на обслуживании вызовов будет определяться выражением: . (6).

Распределение (6) является пуассоновским, но с меньшим коэффициентом нагрузки – .

Аналогично для вероятности блокировки вызовов можно записать

. (7). Формулы (6) и (7) позволяю рассчитать соответственно вероятности занятия каналов и отказа в обслуживании вызовов с учетом свойств радиоканала в условиях практически любые видов замираний сигнала, встречающихся на практике.

Литература

1. Jamie S. Evans and David Everitt. On the Teletraffic Capacity of CDMA Cellular Networks. // IEEE Transactions on vehicular technology. – January 1999. – Vol. 48(1). – P. 154–168.

2. Карташевский В.Г. Основы теории массового обслуживания. – М.: Радио и связь, 2006 – 86 с.

3. Ильин Е.С. Определение вероятности прекращения связи в СПС при четырехпараметрической модели радиоканала // Материалы VIII Международной НТК «Проблемы техники и технологии телекоммуникаций». – Уфа, 2007. – С.226-228.



ПРИЕМ СИГНАЛОВ ППРЧ В КАНАЛАХ С ПАМЯТЬЮ

Агеев А.В.

Поволжская государственная академия телекоммуникаций и информатики

Рассмотрим задачу приема дискретных сообщений при пакетной передаче (например, сигналов ППРЧ) в линейных каналах с памятью при априорной неопределенности относительно свойств канала и действующих аддитивных помех. Такая задача может возникнуть в системах радиоразведки, когда средствами экспресс-анализа в месте приема можно установить лишь вид модуляции наблюдаемого колебания и, например, длительность тактового интервала Т, на котором передается m - ичный символ.

Будем характеризовать неизвестный канал импульсной характеристикой g(t), отсчеты которой определяются набором , где М - память канала, равная числу тактовых интервалов Т, на которых рассеивается энергия передаваемого сигнала. (Параметр М в месте приема, естественно, тоже неизвестен.) При пакетной передаче с относительно малым количеством символов в пакете N свойства канала на интервале анализа пакета можно считать неизменными. Например, в декаметровом канале связи с интервалом рассеяния 2,5мс, скоростью передачи 4800бит/с при использовании двоичных символов (М = 16) и N =100 даже при достаточно быстрых замираниях - с частотой порядка 1Гц, данное предположение выполняется, т.к. длительность пакета составляет 20 мс.

При линейных видах модуляции вектор отсчетов z, соответствующих переданной пачке m-ичных символов размером N, , определится в виде , (1), где: , (2),

- матрица размером , (3), W – вектор аддитивных помех и шумов.

С учетом памяти канала вектор z необходимо дополнить М-1 отсчетами, соответствующими последействию от последнего символа пачки. Именно по последним отсчетам можно попытаться решить задачу совместного оценивания отсчетов и вынесения решений о последних символах пачки, хотя последняя задача, очевидно, является «сопутствующей» при оценивании импульсной характеристики. Если отсчеты будут определены, то задача демодуляции может быть решена обычным порядком с использованием известных оптимальных и субоптимальных алгоритмов [1].

Рассмотрим решение задачи оценивания по последним отсчетам принятой пачки как показано на рис.1.

|
Рис.1. Последовательность отсчетов принимаемого сигнала

В соответствии с (1) для последних М отсчетов можно записать

(4)

В следующих, считая справа налево, М-1 отсчетах от до в качестве составляющих , будем рассматривать не только истинные шумовые и помеховые составляющие, но и сигналы последействия от символов, предшествующих символу с номером N – M. Отметим эти составляющие знаком (*). Итак

(5)

Всего в системах (4) и (5) содержится 2М-1 уравнений с 2М неизвестными и (). Пополнить совокупность уравнений (4) и (5) можно естественным ограничением , (6), где константа С определяется свойствами используемого канала связи, и своим численным значением близка к единице.

Совокупность уравнений (4), (5) и (6) можно решать численным методом. Учитывая, что правые части уравнений (4) и (5) заданы с погрешностью, обусловленной наличием «шумовых» составляющих «w», решение целесообразно проводить, основываясь на методе регуляризации [2].

Литература

1. Прокис Дж. Цифровая связь – М.: Радио и связь, 2000 – 800с.

2. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач - М.:Наука, 1979 -288с.



ОПТИМИЗАЦИЯ РАСПРЕДЕЛЕННОЙ ОБРАБОТКИ СИГНАЛОВ В БЕСПРОВОДНЫХ СЕНСОРНЫХ СЕТЯХ НА БАЗЕ ЭФФЕКТИВНЫХ МЕТОДОВ МАРШРУТИЗАЦИИ

Зайцев А.А. Устинова Е.А.

Рязанский государственный радиотехнический университет

Появление миниатюрных устройств с низким энергопотреблением, которые включают в себя микро-сенсоры, оснащены устройством ЦОС и беспроводным приемопередатчиком привело к появлению нового класса систем - беспроводных распределенных сенсорных сетей [1]. Такие сети имеют широкий спектр применения. На гражданской службе БСС могут осуществлять мониторинг окружающей среды, телеметрию в промышленности, медицине и сельском хозяйстве. БСС могут применятся при сейсмической и электромагнитной разведке земных недр, а также могут входить в состав охранных и других систем. Военное применение сенсорных сетей подразумевает разведку, контроль за передвижением наземных сил противника, организацию робастной связи внутри и между военными подразделениями.

Главным преимуществом БСС является большое количество узлов покрывающих контролируемую область с определенной степенью равномерности. Это позволяет осуществлять передачу информации от одного узла к другому, что экономит энергию. В большинстве случаев БСС представляет собой многоячеистую сеть, имеющую один узел сбора данных и управления. Основными отличительными признаками БСС являются:

• 
  малая активность узлов или, другими словами, малый трафик в сети;
  
• 
  узлы сети расположены очень плотно, и каждый узел имеет, как правило, более двух доступных по радиоканалу соседей;
  
• 
  узлы имеют «предрасположенность» к выходу из строя, то есть пропадание узлов вследствие их повреждения или истощения батареи является штатным событием работы сети;
  
• 
  топология сети подвержена изменениям и не всегда может быть определена заранее;
  
• 
  узлы обычно используют широковещательную стратегию при передаче данных и могут не иметь никакого идентификатора (ID или сетевого адреса).
  

Основной проблемой сенсорных сетей является ограниченный запас электрической энергии, который в большинстве приложений невозможно восполнить. А энергия тратится на регистрацию сигнала, его обработку и передачу, а также на различного рода служебные процессорные и телекоммуникационные функции. Так как передача данных является для мота доминирующей задачей (ведь он, в общем случае, участвует в сети не только как источник информации, но и как ретранслятор сигналов от других мотов), то главной задачей исследования многих инженеров и ученых стал поиск алгоритмов маршрутизации, позволяющих с наименьшими энергетическими потерями осуществлять передачу данных в точку сбора [2]. При этом считается, что задача успешно решена, если вся сеть (или основная ее часть) проработала максимально возможное время.

С другой стороны моты оснащены в достаточной степени мощными вычислительными устройствами, кроме того, ряд задач подразумевает регистрацию и передачу данных от небольшой доли сенсоров, испытывающих непосредственное воздействие [3]. Таким образом, при использовании сенсорных сетей складывается ситуация, при которой большая часть вычислительных ресурсов сети простаивает, а соответствующие моты в некоторой степени задействованы в ретрансляции, в то время как незначительная часть мотов интенсивно тратит энергию на полную обработку данных и передачу. При этом следует учитывать тот факт, что объем передаваемой информации в значительной степени зависит от степени предобработки данных и обычно, но не всегда, уменьшается с выполнением очередной стадии обработки. Сигнал от сенсора может быть полностью обработан и результат передан по беспроводной сети. При этом энергия , потраченная на передачу данных, будет минимальна, но энергия , затраченная на обработку, достигнет максимума. Легко представить обратный случай. Возможны и промежуточные решения и для каждого может быть найдена общая сумма , минимизация которой и является целью исследования.

Формализация данной задачи [5] позволила получить следующую конструкцию:



Таким образом, необходимо сформировать оператор , представляющий собой способ агрегации на -ом моте информации о близ лежащих соседях и предпочтительных путях маршрутизации, а также оператор , использующий результат применения и информацию об аппаратных и программных особенностях функционирующего мота. Оператор позволяет получить таблицу маршрутизации и таблицу распределенной обработки , которые и максимизируют длительность работы сети. При этом учитывается ряд зависимостей и ограничений. Регистрация данных требует небольших затрат энергии, зависящих от скорости регистрации бит в рассматриваемый интервал времени, потребления сенсора и АЦП и вероятности возникновения воздействия контролируемого феномена на сенсор. Мощность, направленная на цифровую обработку в -ом моте, зависит от удельного потребления на одну инструкции ЦПОС, коэффициента служебных операций и вычислительной сложности общей задачи обработки , которая в свою очередь выражается как сумма вычислительных затрат на выполнении назначенных матрицей подзадач используемого алгоритма ЦОС. Мощность, требуемая на осуществление передачи данных складывается из затрат на передачу полезной информации и затрат на выполнение служебных и протокольных функций. Первая часть зависит от состояния линии связи, описанной , и объема данных, полученных на выходе подзадач, выполняемых на данном моте. Вторая часть затрат зависит от вычислительной сложности алгоритмов маршрутизации и протокольных функций. Ограничениями служат максимальная вычислительная мощность ЦПОС и максимальная пропускная способность канала между двумя мотами .

Очевидно, что решение данной задачи методами оптимизации крайне затруднительно, так как количество оптимизируемых параметров для большой сети очень велико. Возможными путями решения данной задачи могут стать, во-первых, упрощение путем введением ограничений на интенсивность работы сети. Во-вторых, можно модифицировать существующие решения задач оптимальной маршрутизации с учетом затрат на предобработку данных. Кроме того, решение всей задачи в целом может быть выполнено только централизованным способом. Однако ее можно решать по частям локально, на каждом моте с использованием доступной информации.

Для приложений с интенсивной передачей данных от некоторых сенсорных узлов наиболее эффективными являются алгоритмы маршрутизации с поиском пути 1) по минимальным суммарным затратам на передачу, 2) по минимуму используемых узлов, 3) по максимуму минимума оставшейся в моте энергии [2].

Пусть выбран третий из упомянутых способов прокладки оптимального маршрута. То есть имеется некоторое множество , , состоящее из мотов с номерами , определяющее путь из узлов. Причем узел является центральным, а узел является источником информации. Это множество характеризуется тем, что достигнут максимум минимума энергии в данном пути среди других возможных. То есть для любого пути . Другими словами при прочих равных условиях данный путь наиболее живучий. Задача перераспределения вычислительных ресурсов может быть решена с использованием следующего алгоритма.

1. 
   Для мота с номером вычисляется отношение .
   
2. 
   Для мота с номером аналогичным образом вычисляется .
   
3. 
   Если , то одна подзадача -го мота может быть передана -му моту.
   

Эти шаги должны выполняться для всех мотов последовательно в цепочке, образующей путь . При этом нагрузка на узел с минимальным запасом энергии будет минимальной. Данный алгоритм может быть усложнен учетом не текущих энергетических затрат, а предполагаемых после перераспределения вычислений и с учетом затрат на передачу.

Дальнейшее увеличение эффективности использования БСС может быть достигнуто за счет методики, предложенной в [4]. Идея заключается в поиске дополнительных путей, обходящих мот с наименьшей энергией, и перераспределении потоков обрабатываемой информации. В этом случае следует использовать пакетную передачу данных, а также учитывать информацию не только о мотах данного пути, но и об их соседях, всегда готовых взять на себя часть затрат на обработку и доставку данных.

Литература

1. Akyildiz I. F. et al., “Wireless sensor networks: a survey”, Computer Networks, Vol. 38, pp. 393-

422, March 2002.

2. J.N. Al-Karaki and A.E. Kamal, Routing techniques inwireless sensor networks: A survey. IEEE Transactions in Wireless Communications, vol. 11, no. 2, pp. 38-45, Mar.-Apr. 2004.

3. Q. Zhao, Ananthram Swami, and Lang Tong, The Interplay between signal processing and networking in sensor networks, IEEE Signal Processing Magazine, Vol. 23, no 4., pp.84-93. July 2006.

4. Jae-Hwan Chang, Leandros Tassiulas, “Energy Conversing Routing in Wireless Ad-hoc Networks”, IEEE Infocom, March, 2000.



OPTIMIZATION OF DISTRIBUTED DATA PROCESSING IN WIRELESS SENSOR NETWORKS USING EFFECTIVE ROUTING TECHNIQUES

Zaytsev A., Ustinova E.

Ryazan state radio engineering university

Technological advances in electronics have led to high-performance, low-powered, integrated communication devices and sensors. Sensors can be spread throughout a region to build a network for many applications such as environmental observations, habitat monitoring, protecting a region from intruders, military applications and so on. Sensor networks have become a very active topic of research due to its emerging importance in many personal, home, industry, agriculture, and medical applications.

The main feature of a wireless sensor network is the huge number of the nodes. Every node, which often is named as “mot”, consists of a sensor or an actuator, a battery, a transmitter and a processor device. The processor device is usual a microcontroller or a digital signal processor. This part of node is used for control and signal preprocessing. So we have a distributed computer, which is able to solve more complicated task then just data mining. In many applications a partly activity of data mining is assumed. Therefore some stages of signal processing algorithm can be shared between the nodes, included in data delivery path. In this report we formulate the task of optimal routing and distributed signal processing as follow.



In this formulation and are hardware and software features respectively; and describe partitioning of the algorithm and the routing table; is a power consumption for the task which has computational complexity . In general, this task is very difficult for straightforward solving. To overcome this issue we propose the simple rules for every mot, which allow sharing computational load in order to maximize net life. The main idea is to calculate for every node value ( - is a charge level of -th mot battery, - current power consumption) and compare it with value calculated for the next mot. If the part of processing tasks should be shared with the -th node, and so on. If one node in the path became a bottleneck we can use some known strategy for creating new alternative paths for data delivery and processing.


