：https://twilight-fanyi.gitee.io/mind-map/
文章目录
-
- 1. 介绍
- 2. 无线介质中能量消耗的能量分析
-
- 实验① 发送数据消耗的能量实验
- 实验② 文本和网页数据应用各种无损数据压缩的总功耗
-
- 结论
- 3. 数据压缩技术
-
- ① 排序编码
-
- 结论
- ② 流水线网络压缩
-
- 结论
- ③ 视频压缩复杂度低
-
- 结论
- ④ 分布式压缩
-
- 结论
- 4. 总结
- 引用
1. 介绍
近年来，随着电子设备的不断发展，每个人都可能意识到更多的智能电子设备、智能农业、智能交通也在发展，应用于相应的场景；越来越多的研究，越来越多的人逐渐意识到无线传感器网络的无限适用性。例如，传感器网络可用于环境监测、生境检测、结构检测、设备诊断、灾害管理和应急响应。
但无线传感器网络（WSNs）在应用中有一些资源限制：、、和。最大限度地利用这些资源的可能方法之一是压缩传感器是数据。
通常，处理数据比在无线介质中传输数据消耗的能量因此在传输数据之前使用数据压缩可以有效地降低传感器节点的总功耗。然而，大多数现有的压缩算法对于处理能力较弱的传感器节点来说太大了，每个传感器节点都受到电力和其他资源的限制。那么，怎么样。
2. 无线介质中能量消耗的能量分析
无线传感器节点的运行可分为功耗 三部分。在这三种操作中，已知能耗最大的任务是数据传输，每个传感器节点节省 80% 用于数据传输的功耗。
因此，如果我们能，会降低传输功率。另一方面， 为了减少总功耗，必须减少传输和处理的总功耗。 “a” 位数据字符串被压缩 “b” 位数据字符串消耗的功耗，包括 a>b 。
实验① 发送数据消耗的能量实验
该实验室通过执行简单的32位加法指令发送1位来收集功耗数据。
结果表明，发送一个 bit 大约消耗数据 0.4μJ 执行加法指令只消耗能量 0.86nJ 的能量。
因此，如果通过压缩操作从原始数据位串中删除一个以上的位置(相当于 480条 加法指令)将降低传感器节点的总功耗。
实验② 文本和网页数据应用各种无损数据压缩的总功耗
该实验测试的压缩算法包括 bzip2 (BWT 算法), compress (LZE 算法), LZO (LZ77), PPMd (PPM) 和 zlib (LZ77). 上表显示每个算法删除一个 bit 所需的指令数。每个数据压缩算法的指令数量远小于 480条 因此，当这些算法被应用时，预计将消耗比简单地传输数据串更少的总能量。
实验结果表明，对于大多数压缩算法来说，在传输数据之前压缩数据可以降低总功耗。然而，在某些情况下，由于在压缩执行过程中访问内存，应用数据压缩会增加总功耗。访问内存的能耗很昂贵。
结论
在无线介质中传输数据之前，数据压缩是降低能耗的有效方法。然而，在执行过程中，选择数据压缩算法非常重要，需要较少的内存访问。
3. 数据压缩技术
① 排序编码
按顺序编码的数据压缩方案是数据漏斗路由的一部分。压缩方案如下：
① 将数据从感兴趣的区域（Interested region）传感器节点传输到收集器节点，如图所示。
例如:节点 A、节点 B、节点 D 为数据收集节点。在收集节点上，将其他节点收集的传感数据组合起来，并将收集到的数据发送给其父节点。 3 的节点 D 处，节点 E 收集的数据和节点 D 结合本身收集的数据。
② 然后将聚合数据传输到节点 B。 在算法中，当数据在聚合节点上合并时，会删除一些数据。使用数据包的顺序来包含丢失数据的信息。
例如 N1、N2、N3、N4 四个节点将数据发送到聚合节点（Na）。每个节点的数据值是 0 ~ 5 之间的任何整数。假如我们决定放弃 N4 通过其他3个数据 个节点(N1、N2 和 N3)订购数据包表示 N4 然后就有数据了 3 个节点!= 6 可能的排序。因此，可以使用三个数据包进行排列 N4 数据值包含在聚合包中，而不是实际包含 N4 的数据包。排列和数据值的可能组合如下图所示。
结论
- 数据压缩法压缩相对较低，算法简单，可应用于无线传感器网络。
- 使用该方案的一个困难是，它需要一个映射表，因为没有有效的算法将排列映射到数据值。随着聚集传感器节点的增加，表的大小呈指数级增长。
② 流水线网络压缩
这里讨论了流水线网络压缩方案。是用高数据传输延迟换取低传输能耗。收集到的传感器数据在聚合节点的缓冲区存储一段时间。在此期间，将数据包合并成数据包，以消除数据包中的冗余，最小化数据传输。
结论
- ： 这种简单压缩方案的一个优点是，节点可以使用共享前缀系统 id 还有时间戳。这样做可以实现更多的数据压缩。 数据压缩的效率取决于共享前缀的长度。若能设置长共享前缀，且测量值具有共性，则会增加压缩比。
- ： 然而，测量的传感器值没有相似之处。即使设置长共享前缀，也会降低网络流水线压缩的效率。 此外，如果我们想合并大量的数据包，我们需要一个大的数据缓冲区来临时存储这些数据包。由于传感器节点内存空间有限，缓冲区空间不足。
③ 视频压缩复杂度低
这里介绍了低复杂度的视频压缩方案。由于目前的视频编码技术大多是由运动估计和补偿设计的，因此需要较高的计算能力，而传感器节点通常没有这种能力。因此，该方法是基于块变化检测算法和 JPEG 数据压缩。
图像数据处理像数据处理过程的框图。该算法是专门为无线视频监控系统设计的。该方法将每个视频帧分成小块，每个块包含 8 个 8(64)像素。为了降低计算复杂性，只考虑每帧中块的子集(本例中所有白色块)。此外，检查像素子集(分配的像素数量)在每个块中的变化，如图所示 7 所示。分配给像素的数字表示像素的重要性(1 =最重要，3 =最不重要的)。
结论
实验结果表明，算法处理后的图像质量和MPEG-2 处理后的图像质量相当，同时实现了一定的节能。
④ 分布式压缩 分布式压缩方案背后的基本思想是使用一个边信息来编码一个源信息。
分布式压缩方案背后的基本思想是使用一个边信息来编码一个源信息。
例如，存在两个源 (X 和 Y)，如图 4 所示。它们是相关的离散字母独立同分布的。由于在传感器网络中，传感器节点密集分布在一个传感器领域，因此这种关联条件很容易满足。然后，X 可以按照其条件熵的理论速率 H(X|Y)压缩，而编码器 1 不访问 Y。条件熵可以表示为
然后，解码器在陪集中选择一个与 Y 发送的码向量值最接近的码向量。 下面是分布式压缩的一个简单示例。有两个(X 和 Y) 3 位数据集。X 和 Y 之间的汉明距离不大于 1 位。如果编码器 2 和解码器都知道 Y, X 可以压缩为 2 位。那么如果 Y 只有解码器知道，那么 X 的压缩率会发生什么变化呢?
在分布式压缩方案中，由于解码器知道 Y 和 X 与Y 的距离只有 1 个汉明距离，所以区分 X=111 和 X=000是不有效的。同理，X=001 和 110,X=010 和 101,X=011和 110 不需要区分。这两个 X 值的集合被分组为 4 个成本，并分配 4 个不同的二进制索引号:
如果 X=010, Y=110，解码器接收到的 Y=110 是来自Y 的边信息，X=10 是来自 X 的部分信息。那么在解码器处，由于 110 与 110 的汉明距离为 2，所以在coset 2 中选择 X=010。无论 X 是否知道 Y, X 仍然可以将 3 位的信息压缩成 2 位。
结论
例如，一个 8 级量化器可以形成 4 个伴随集。值得注意的是，每个陪集中的两个编码向量被分组，以便它们彼此之间可以有最大可能的距离。
4. 总结
近年来，人们对无线传感器网络的应用领域进行了广泛的讨论。未来随着技术的发展，无线传感器网络的应用领域将比现在更加广泛。人们将比现在更容易得到它们。然而，在这些日子到来之际，传感器网络的实际应用仍然存在许多障碍需要克服。其中一个障碍是无线节点资源有限。
本文已处理五种不同类型的数据压缩方案：排序编码、流水线网络压缩、JPEG200、低复杂度视频压缩、分布式压缩。尽管这些压缩方案仍处于开发阶段，但实验结果表明，它们的压缩率和功率降低方式相当令人深刻。它们是无线传感器节点资源约束的一种可行方法。
引用
[1] Kimura N , Latifi S . A survey on data compression in wireless sensor networks[C]// International Conference on Information Technology: Coding and Computing (ITCC’05) - Volume II. IEEE, 2005.