提前获知或预测网络的关键节点,便可根据关键节点的相关信息对网络进行优化,当网络瘫痪时,可第一时间排查关键节点,减少网络维护时间和成本.现有静态无线传感器网络关键节点预测方法,不适用于机会传感器网络(opportunistic sensor netwo...提前获知或预测网络的关键节点,便可根据关键节点的相关信息对网络进行优化,当网络瘫痪时,可第一时间排查关键节点,减少网络维护时间和成本.现有静态无线传感器网络关键节点预测方法,不适用于机会传感器网络(opportunistic sensor networks,OSNs).针对机会传感器网络结构动态变化、消息传输时延高的特点,分析多区域机会传感器网络分层结构的消息传输过程,定义阶段贡献度反映Ferry节点在消息传输过程中的贡献程度,定义区域贡献度反映Ferry节点对区域的贡献程度.在此基础上,以Ferry节点在网络中的综合贡献度作为判断关键节点的依据,提出基于多属性决策中理想点法(technique for order preference by similarity to ideal solution,TOPSIS)的关键节点预测方法.实验结果表明:采用改进TOPSIS算法能够获得更高的预测精度;搭建了实验床以进一步验证提出的预测方法,结果表明,采用改进TOPSIS算法的预测精度更高.展开更多
文摘提前获知或预测网络的关键节点,便可根据关键节点的相关信息对网络进行优化,当网络瘫痪时,可第一时间排查关键节点,减少网络维护时间和成本.现有静态无线传感器网络关键节点预测方法,不适用于机会传感器网络(opportunistic sensor networks,OSNs).针对机会传感器网络结构动态变化、消息传输时延高的特点,分析多区域机会传感器网络分层结构的消息传输过程,定义阶段贡献度反映Ferry节点在消息传输过程中的贡献程度,定义区域贡献度反映Ferry节点对区域的贡献程度.在此基础上,以Ferry节点在网络中的综合贡献度作为判断关键节点的依据,提出基于多属性决策中理想点法(technique for order preference by similarity to ideal solution,TOPSIS)的关键节点预测方法.实验结果表明:采用改进TOPSIS算法能够获得更高的预测精度;搭建了实验床以进一步验证提出的预测方法,结果表明,采用改进TOPSIS算法的预测精度更高.
