無線感應器網(wǎng)路上具省能與強健性之資料聚集設計

1、無線感應器網(wǎng)路上具省能與強健性之資料聚集設計陳建群國防大學國防管理學院國防資訊研究所.tw伍臺國國防大學國防管理學院國防資訊研究所.tw摘要無線感應器網(wǎng)路因感應器可使用的資源相對有限，如何有效的利用能源，已成為近來被廣為討論的議題。資料聚集（Data Aggregation）技術將不同來源的感應器所偵測到的資料，先行經(jīng)過整合，去除重覆的訊息後，再傳回目的節(jié)點，如此能減少資料傳輸次數(shù)，縮小資料量，不僅可以減少感應器能源的消耗，也可以降低資料發(fā)生碰撞的機會，進而有效的利用頻寬資源。此外，當感應器網(wǎng)路因移動或節(jié)點的加入或分離造成

2、網(wǎng)路拓撲發(fā)生改變時，也要能不影響執(zhí)行效能，能適應環(huán)境的改變。本文探討有向性散佈繞徑（Directed Diffusion Routing）的資料聚集設計機制，研究其對於感應器網(wǎng)路上省能與強健性效益，並結合資料聚集推測指標，分析其對原方法效能上的增益情形。關鍵字：無線感應器網(wǎng)路、資料聚集、有向性散佈繞徑、省能、強健度壹、引言感應器網(wǎng)路是一種特殊的無線網(wǎng)路架構，發(fā)展起源最早可以上溯至50年代美蘇冷戰(zhàn)時期【6】，但是受限當時設計上的軟硬體限制與技術的無法配合，使得感應器網(wǎng)路發(fā)展受到阻礙。到了80年代，許多的感應器網(wǎng)路陸續(xù)的被開發(fā)，但多僅限於軍事上的應用。直到90年代以來，由於微機電系統(tǒng)(Microe

3、letronics Mechanism System，MEMS)提倡，感應器的體積大大的縮小，製造成本降低、處理速度加快、電池儲備能力增加與無線通信技術的進步，帶動感應器網(wǎng)路研究的另一波興盛。感應器網(wǎng)路由成千上百的感應器節(jié)點所組成，每一個感應器具有運算（Computing）、存儲（Storage）、感測（Sensing）、通信（Communication）之功能，能偵測週遭的事物或環(huán)境，將感測到的結果傳送到目的端 ，並具有建置快、成本低、適應性高等優(yōu)點，目前已被廣泛的應用於動植物觀察、軍事情資、環(huán)境偵測（如潮汐高低、冰河活動、森林動植物分佈）、醫(yī)療看護、數(shù)位家庭等領域之中【9】。感應器因物理上

4、的特性，諸如運算能力、記憶體大小、傳輸有效範圍、資料傳輸頻寬等先天限制下，能使用的資源相當有限【2】，而且多被用於險惡危險的環(huán)境中擔任偵察工作，不易進行能源替補；在此前提之下，如何使資源達到最有效的安排應用，延長感應器的使用壽命，已成為感應器網(wǎng)路上相當重要的研究課題。一個簡單的想法，便是藉由減少資料處理（傳送、接收、運算、存儲等）所耗損的能量，以增加感應器的使用時間，諸如經(jīng)由編碼壓縮資料【12】、增加資料關係度【7】、資料整合再傳【1】等等。資料聚集技術【3】【5】【14】能解決上述的感應器在能源使用上所遇到的難題。資料聚集將每個感應器所偵察到的資料，先行經(jīng)過篩選去除重覆的資訊，會整後由感應器

5、節(jié)點傳送到匯集點（Sink Node）上【11】。換言之，也就是透過減少資料的傳送量與傳送次數(shù)，縮減感應器不必要的傳送次數(shù)，以節(jié)省能源的耗損，延長感應器壽命。除此之外資料聚集的採用，也可以降低資料碰撞（Data Collision）次數(shù)，避免網(wǎng)路擁塞（Network Congestion）發(fā)生機會。貳、文獻探討由於感應器的感測範圍有相互重疊的部份，同一個事件可能觸發(fā)多個感應器進行資料回報，當資料不經(jīng)先行的過濾處理，將造成重覆資料的回傳。聚集技術將不同節(jié)點所傳來的資訊，先行送往資料聚集點（Aggregator Node）處理，去除掉重覆的部份後再傳送到終端，如此可以降低傳送次數(shù)與減少封包傳送量，

6、不僅能節(jié)省能源，有效利用頻寬，並且只傳送扼要的訊息，減少使用者對於訊息的分析時間。感應器所感測到的資料在不經(jīng)處理的情況下便傳送到使用端，將對終端造成大量的處理負荷。為了提高來源資料的正確性與節(jié)省使用者的處理時間，將感測資料加以結合，僅回傳扼要的資料是必要的。如下圖一顯示出感應器網(wǎng)路資料聚集處理方式與沒有進行資料聚集處理時的差別。 來源1來源2來源3來源1來源2來源3（一）未經(jīng)過資料聚集處理的訊息傳送（二）經(jīng)過資料聚集處理的訊息傳送聚集點聚集點匯集點匯集點圖一 感應器網(wǎng)路資料聚集處理示意圖根據(jù)無線訊號傳輸?shù)奶匦?，兩?jié)點間的傳輸耗能與距離的成二次方比，而與資料量的大小成正比【10】，資料聚集將來源

7、感應器所回報的資料，先經(jīng)過處理去除其中重覆的部份，以減少傳送時的資料量，同時也能降低不必要的傳送次數(shù)，避免通道發(fā)生壅塞；又由於回傳訊息次數(shù)減少，將使節(jié)點在回傳訊息發(fā)生碰撞機會減低，能提高回報資料的正確性。研究【3】中，證實感應器網(wǎng)路上使用資料聚集方法回傳資料能達到以下效能： -（1）其中ND代表以資料中心導向（Data-centric）協(xié)定在最佳情況的所需的傳輸次數(shù)；NA為位址中心導向（Address-centric）協(xié)定在最佳情況下所需的傳輸次數(shù)，d為來源節(jié)點與匯集點間的最短距離，k為來源節(jié)點的數(shù)目。由上述可知，當來源節(jié)點數(shù)很多時，使用資料聚集方法比不採用時，在最佳的情況下可以提高k倍的效能

8、。由於資料聚集所帶來的效能增效，目前許多無線感應器網(wǎng)路路由方法都加入資料聚集處理技術，以增加電源的使用效能與延長網(wǎng)路壽命。在PEGASIS（Power Efficient Gathering in Sensor Information Systems）【15】中，感應節(jié)點構成鏈狀（Chain-based）架構，每一個節(jié)點只與其相鄰節(jié)點直接進行通聯(lián)。資料在相鄰節(jié)點間進行蒐整，之後透過鄰居節(jié)點的轉送到達匯集點。首先，在網(wǎng)路挑選距離匯集點最遠的感應節(jié)點作為起始點，然後利用貪進演算法 （Greedy Incremental Algorithm）將距離起始點最近的節(jié)點加入鏈中，以在起始點與匯集點間建立一

9、條最短傳輸路徑。鏈中會有一個稱為 Leader的節(jié)點負責聚集其它節(jié)點所傳送資料，並將處理後的資料傳送到匯集點上。在 Leader的決定方法上，假設網(wǎng)路中有N個節(jié)點，則在資料收集的第k回合，由鏈路中第k mod N之節(jié)點擔任領導點。此種機制將能解決負載不平衡問題。但是由於領導點排程上的問題，當距離匯集點較遠的節(jié)點擔任領導點的時候，會耗費較多的電力傳送彙整資料，如此將使其提前耗盡電源。LEACH（Low Energy Adaptive Clustering Hierarchy）【17】是一個週期性的資料聚集機制，在操作上，數(shù)個相鄰近的感應器能夠組成一個叢集（Cluster），使用機率法則選出一個感

10、應器擔任群首（Cluster Head）的角色，負責收集同一叢集中其它感應器的資料，進行資料聚集處理後傳送到匯集點上。由於除了群首外，其它的感應器不會將偵測到的資料回傳到匯集點上，能減少回傳次數(shù)；又因為重覆性的資料已先經(jīng)由群首處理過，能減少傳送的資料，使得LEACH能有效的節(jié)省電源的消耗。但是此方法在群首間具有負載不平衡的問題，因節(jié)點密度較高區(qū)域的群首消耗電源相對較快，而遠離群首較遠的節(jié)點，在資料回傳上需耗用較大的能量，如何決定網(wǎng)域中的群首數(shù)目與群首的挑選，便顯得十分重要。在論文【16】中，作者將改良LEACH，提出E-LEACH（Enhanced-LEACH）方法，最大不同的地方在於傳輸前，

11、會將進行回報的組頭排列成鏈狀架構。所有的組頭會先對其組員所傳送的資料進行資料聚集處理，在將處理後的資料回傳匯集點前，以距離匯集點最遠的組頭進行貪進演算法，在所有的組頭與匯集點間建立一條傳輸鏈路，再從路徑中的所有組頭中選出一個組頭擔任“Super Cluster Head”擔任聚集點，接收所有組頭所傳送來的資料後，進行第二階段的資料聚集後再回傳資料給匯集點。作者以模擬分析結果顯示E-LEACH較LEACE有更高的省能效益。AFST（Adaptive Fusion Steiner Tree）【8】是一個具有推論（Heuristic）功能的路由協(xié)定，能根據(jù)傳送時的資料關係度、傳輸耗能、資料聚集耗能、

12、網(wǎng)路拓撲情形判斷是否進行資料聚集。AFST演算法分成兩個階段，在第一階段先將節(jié)點排列成樹狀結構，再進行資料來源節(jié)點配對，根據(jù)最省能的傳輸方式，使來源點兩兩成為一組（Matched Pair）, 每一組代表一條邊,每條邊以資料代表度較佳者擔任資料聚集點；在第二個階段，則進行傳輸電力耗用計算，將所有的邊分成兩個集合，使得有進行資料聚集處理的邊集合耗能與沒有進行資料聚集處理的邊集合耗能之總合最小，得到最佳的資料聚集處理情形，如此一來，節(jié)點間不必要的資料聚集處理將不會發(fā)生，能減少不當聚集處理所造成的電力消耗。參、有向性散佈繞徑方法Directed Diffusion（有向性散佈）【4】是一個具有省能、

13、強健性、規(guī)模性的感應器網(wǎng)路資料傳送技術，採用1資料中心導向路由（Data-centric Routing）方法。它包含幾種主要的元件：需求訊息（Interests Message）、資料訊息（Data Message）、梯度（Gradients）與連線的更新（Reinforcement ）。需求訊息定義了使用者所要詢問的事情，告訴感應器網(wǎng)路想取得的資訊。資料訊息是指感應器將符合使用則需求的感測資料，經(jīng)過蒐集與處理後，所回報給使用者的有用資訊，可視為對於感測到的實際現(xiàn)象所做的簡單描述。在Directed Diffusion中，需求與資料訊息的內容是以屬性值組（Attribute-value Pa

14、irs）的方式做為描述。例如，使用者想找某個人員的位置時，會傳出 type=human, location=20,50 的需求訊息，告知感測節(jié)點所要偵測的物體種類與位置。梯度是一種傳輸路徑的紀錄，當需求訊息在節(jié)點間傳送的時候，接收端會紀錄來源端所在，並在兩者間建立一條梯度連線，以做為之後訊息回傳的有效路徑。又由於需求回報訊息會沿著不同的路徑回傳給使用者，使用者必需進行路徑更新，經(jīng)過效益評估運算後，從中挑選最佳的路徑，供來源節(jié)點繼續(xù)進行資料回傳，並中斷其它回傳傳路徑。Directed Diffusion上主要元件與運行步驟示意如下圖二所示。（三）路徑更新（一）需求傳送（二）資料回報圖二 Dire

15、cted Diffusion 元件與運行步驟示意圖-1感應器網(wǎng)路上路由協(xié)定可分成兩大類：第一類為資料中心導向（Data-centric Protocol）,來源節(jié)點以hop-by-hop方式進行資料回傳，回傳路徑上的中介點知道封包的內容，去除相同的資料後經(jīng)過整合再傳回匯集點。第二類是位址導向協(xié)定（Address-centric Protocol）,每個來源點直將資料透過最短路徑回傳給匯集點，以end-by-end的方式回傳資料，不經(jīng)其它節(jié)點傳送與任何資料處理工作。一、運行方式Direct Diffusion在運作上分成三大階段：第一階段為需求傳送階段，匯集點透過廣播（Flooding）的方式將

16、需求訊息告訴網(wǎng)域中的相鄰節(jié)點，相鄰節(jié)點再將訊息傳送給它的鄰居節(jié)點，直到網(wǎng)域中所有的節(jié)點都接受到需求訊息為止。而接收端會與傳送端建立一條梯度連線，以追蹤訊息的傳遞路徑，以做為事後訊息回報路徑；第二階段為資料回報階段，來源節(jié)點將符合匯集點需求的資訊，沿著先前建立的梯度連線傳送到匯集點上，在回傳同時，中繼節(jié)點會進行資料處理，將重覆的資訊去除；第三階段為路徑更新階段，當匯集點接收到眾多不同路徑回傳的訊息後，會從中找出訊息品質最佳的做為傳輸路由，而當回傳訊息的品質降低時進行路徑修復，以維持最佳的傳輸品質。由於來源端可能會經(jīng)由多條不同的路徑將資料傳送到匯集點上，這樣將影響資料傳送的品質。所以匯集點會進行傳

17、輸路徑最佳化（Transmission Path Reinforcement）調整，也就是選擇傳送耗能上最小的路徑傳輸。之後，這些被還擇的節(jié)點會依照上述的方法重新建立梯度。當有某來源區(qū)的回報資料的品質下降（例如錯誤增加，或延遲增加）時，中繼節(jié)點可以發(fā)出否定更新（Negatively Reinforce）訊息將傳送路徑中表現(xiàn)不佳的節(jié)點剔除，而選擇其它傳輸表現(xiàn)佳的節(jié)點加到傳送路徑之中，以適應動態(tài)變動的網(wǎng)路環(huán)境。二、網(wǎng)路模式感應器網(wǎng)路上有許多種網(wǎng)路情境，不同的網(wǎng)路情境會造成不一樣的傳輸方式或應用結果，為了讓整個網(wǎng)路環(huán)境有個清楚的藍圖，本研究假設感應器網(wǎng)路的情境如下：（一）網(wǎng)路中的感應器節(jié)點分為三類，

18、第一類為來源節(jié)點，負責回傳感測資訊；第二類為聚集點，將來源點的訊息進行資料聚集處理後傳回使用終端；第三類為匯集點，接收聚集點所回傳的訊息，扮演網(wǎng)路中的使用終端角色。（二）所有的感應器節(jié)點都是同性質的（Homogeneous）,在傳輸上有能源限制，且不能更換電力裝置。（三）所有感應節(jié)點都知道彼此的位置，可以藉由Hop-by-hop方式進行連線。（四）所有的節(jié)點具有快取記憶體（Cache），能了解傳輸時的訊息內容。（五）節(jié)點具有運算能力，僅會進行網(wǎng)域內（In-network）的資料聚集處理與訊息傳輸。（六）所有的感測節(jié)點與匯集點位置上是固定的，或僅做低速移動。肆、資料聚集推測性指標一、問題陳述在D

19、irected Diffusion架構之下，並非在所有的情況下，採用資料聚集比節(jié)點直接回傳可以達到省能的效果。由於使用資料聚集方法時，必需先將來源節(jié)點的資料先進行彙整，若彙整的資料量大時，將消耗過多的能源做運算處理，也就是說，當直接傳送資料的耗能比採用資料聚集後再傳送的耗能來的低時，不使用資料聚集的省能效果反而較佳。此外，若資料聚集所回傳的資料的融合率（Fusion Ratio, 融合後的資料量/融合前的總資料量）不高時，使用資料聚集不但難以達到省能的效果，反而可能因為處理大量資料的融合運算，而造成回應時間（Latency）的增加, 與過多的運算能源浪費。因此，如何配合感應器網(wǎng)路的情境，如傳輸

20、耗能、融合耗能、網(wǎng)路拓撲、資料關聯(lián)度等等，以推測性的考量觀點判定是否使用資料聚集方法來處理回傳的資料，將能提升資料聚集所帶來的效益。二、相關研究 近來有許多推論式資料聚集方法被提出。在文【13】中，利用統(tǒng)計方法做為評斷是否回傳感測訊息的方法，稱為 Statistical Aggregation Method，以減少來源節(jié)點不必要的資料傳輸，節(jié)省能源的消耗。在判別資料差異度上，由管理者設立一個門檻值（Threshold）判斷來源節(jié)點是否需回傳資料，也就是當- （2）-（3）則回傳資料，否則則不進行資料回傳。其中為時間t資料的偵測資料量的平均值；則代表偵測資料量的標準差，亦即只有當資料量

21、的變化超過門檻值時，來源節(jié)點才會回報資訊。不過這種方法只能觀查到資料量上的變化，在資料質上的變化將無法度量。在【16】提出資料聚集品質度（Data Aggregation Quality, DAQ），用以量測進行資料聚集處理後資料品質好壞的指標，做為評斷資料聚集協(xié)定QoS的標準。DAQ表達如下： -（4） 公式（4）中，Ei代表來源節(jié)點i的偵測事件；k為進行資料聚集的節(jié)點數(shù)；Li為每個節(jié)點所包含的資料量；Lfusion為資料聚集處理後的資料量；Hfusion為所有感測範圍內偵測事件所成的聯(lián)集數(shù)量，rfusion資料壓縮率。研究中顯示當DAQ越高時，採用資料聚集來傳送資料達到省能的效果就越明顯。

22、文章【8】提出能根據(jù)資料關係度、傳輸耗能、資料聚集耗能、網(wǎng)路拓蹼情形判斷是否進行資料聚集的AFST路由設計。當將資料直接傳送給匯集點所耗的能量比進行資料聚集再傳送給匯集節(jié)的還省能的時候，不使用資料聚集能節(jié)省更多的電力。聚集點在回傳訊息給匯集點前會先計算資料聚集淨效益E:E=cw（u）+w（v）（1-uv）SP（v, sink）+ qw（u）+ w（v）-cw（u）+ w（v） SP（v, sink） -（5） (1-uv)為資料壓縮率；c為每單位資料的傳送耗能；q為每單位資料聚集耗能；w（i）代表節(jié)點i的資料量；SP（v, sink）代表節(jié)點v到Sink node的最短路徑。所以當E小於0時，

23、則進行資料聚集處再傳送資料；若E大於0，則不進行資料聚集，由最短路徑回傳資料到匯集點。三、結合推論指標的有向性散佈繞徑方法根據(jù)上述論文【8】【13】【16】，我們提出一個改良的資料聚集推論指標，應用到Directed Diffusion 上。為了方便效能方析，假設網(wǎng)路中的節(jié)點排列成如下圖三的網(wǎng)格狀環(huán)境，感測區(qū)A與感測區(qū)B中分別由節(jié)點u與節(jié)點 v擔任資料聚集點，負責收集感測區(qū)內來源節(jié)點（如圖三中的SA1,SA2,SB1,SB2）的資料，w（u）與w（v）代表節(jié)點u與v所會整後的資料量；在第二階資料傳送中，若由v擔任回報點，根據(jù)公式（5）當資料由u送往v進行資料聚集的時候，所需耗用的能量為 cw（

24、u）+ w（v）(1-uv)+qw（u）+w（v）。ABuvsB2sB1sA1sA2匯集點L hops圖三 採用網(wǎng)格狀感應器拓撲的有向性散佈繞徑傳輸環(huán)境為了做區(qū)別，我們以w（v）= w（u）+w（v）(1-uv)，代表節(jié)點v進行資料聚處理後的資料量。若v與匯集點距離L Hops此時，當v將資料傳送到匯集點時將耗用：L*cw（u）+w（v）(1-uv)+qw（u）+w（v）-（6）相反地，若v不進行資料聚集處理，直接由最短路徑將資料傳送回匯集點將耗用能量：L*cw（u）+w（v） -（7）將公式（6）減去公式（7），可以得知當uv >q /L* c時，進行資料聚集才符合省能效益。再根據(jù)公式

25、（4），此時在v進行資料聚集的DAQ為：-（8）根據(jù)公式（8），所得到的DAQ數(shù)據(jù)使用者可以自行定出一個門檻值T，判斷資料由v回傳至匯集點前是否要進行資料聚集處理，只有在DAQ > T的情況下才會進行資料聚集處理，如此能進一步的減少不必要的資料聚集處理所造成的電源消耗，提升Directed Diffusion的省能效益。伍、效能分析在省能效益分析中，Directed Diffusion在節(jié)點回應需求訊息時，採用資料聚集的方法將重覆資訊去除，減少回報訊息的資料量，在文章【4】中的模擬實驗中顯示，Directed Diffusion比單純使用Flooding或Omniscient Multi

26、cast有40%以上的省能效益；而當原來的傳輸速度變慢，會中斷原來的傳輸路徑，重新挑出最省能的傳輸路徑，這種路徑更新機制能也能有效的減少能源的耗用。此外，本文在原有的機制中，增加資料聚集推論指標做為判斷資料聚集處理時機的依據(jù)，避免不當?shù)馁Y料聚集處理所造成的能源消耗，更能進一步評估回傳資料的品質好壞，提供使用者正確而可靠的回報資訊。在強健度分析上，Directed Diffusion利用節(jié)點中的Cache紀錄過去的傳輸路徑，當各種外部原因造成線路中斷時，路徑的中界點可以根據(jù)Cache重建傳輸連線，恢復回傳路徑；當回報訊息的傳輸延遲時間增加時，匯集點會自行中斷原來的傳輸路徑，再利用Cache中的過

27、去Gradients情況，從中挑選出最佳路徑，使得網(wǎng)路連線根據(jù)網(wǎng)路拓撲變化做出適當?shù)恼{整，保持連線品質。陸、結論與未來研究方向資料聚集技術可以去除感應節(jié)點重覆的回報資料，減少資料傳輸量與傳輸次數(shù)，不僅能使網(wǎng)路節(jié)點間的碰撞發(fā)生次數(shù)減少，更能提升頻寬的使用率，增加網(wǎng)路節(jié)點的使用壽命。Directed Diffusion是一個具有省能、強健性、規(guī)模性的感應器網(wǎng)路繞徑方法，利用資料聚集技術傳送需求回應訊息到集點上，能達到感應器網(wǎng)路整體傳輸上省能與強健度的提升。本研究延伸了推論式資料聚集方法的構想，簡單地設計出一個適合Directed Diffusion的量測指標，在未來的研究中，我們會進一步利用模擬軟

28、體驗證其可行性，以求得精確的省能效益評估；並且嚐試應用到其它的資料聚集方法中，以了解推論指標的普遍性效能增益情況。柒、參考文獻1 Asheq Khan, Data Fusion in Sensor Networks, Online Available in The State University of New York, http:/ /qiao/cse620/fall04 /Data_Fusion.ppt , Aug 2004.2 Akyildiz, I.F, Weilian Su, Sankarasubramaniam Y. , and Cayirci, E. , A Survey on

29、 Sensor Networks, in Proc. IEEE Communications Magazine, Vol.40,  Issue 8, Aug. 2002, pp.102-113.3 Bhaskar Krishanamachari, Deborah Estrin , and Stephen Wicker. The Impact of Data Aggregation in Wireless Sensor Networks, In Proc. International Workshop of Distributed Event Based Systems (D

30、EBS), Vienna, Austria, July 2002, pp.1-4.4 Chalermek Intanagonwiwat, Ramesh Govindan, Deborah Estrin, John Heidemann, and Fabio Silva, Directed Diffusion for Wireless Sensor Networking, in Proc. ACM/IEEE Transactions on Networking, Vol.11, NO.1, Feb.2002, pp. 2-16.5 Chalermek Intanagonwiwat, Deborah

31、 Estrin , Ramesh Govindan, and John Heidemann, Impact of Network Density on Data Aggregation in Wireless Sensor Networks, In Proc.22nd International Conference on Distributed Computing Systems, Vienna, Austria, July, 2002, pp.5-9.6 Chee-Yee Chong, and Srikanta P. Kumar, Sensor Networks: Evolution, O

32、pportunities, and Challenges, in Proc. Proceedings of the IEEE, Vol. 91, No. 8, Aug. 2003, pp.1248-1250. 7 Himanshu Gupta, Vishnu Navda, Samir R. Das, and Vishal Chowdhary, Efficient gathering of correlated data in sensor networks, in Proc. 6th ACM international symposium on Mobile ad hoc netwo

33、rking and computing MobiHoc '05, May 2005, pp.405-407.8 Hong Luo, Jun Luo, and Yonghe Liu , Energy efficient routing with adaptive data fusion in sensor networks, in Proc. 2005 joint workshop on Foundations of mobile computing DIALM-POMC '05, Sep. 2005, pp.80-88.9 Kay Romer, and Friedemann M

34、attern, The Design Space of Wireless Sensor Networks, in Proc. IEEE Wireless Communication, Vol. 11, Issue 6, Dec. 2004, pp.57 61.10 K. Dasgupta, K. Kalpakis , and P. Namjoshi, An Efficient Clustering-based Heuristic for Data Gathering and Aggregation in Sensor Networks, in Proc. IEEE WCNC 2003.11 K. Vaidyanathan, S. Sur, S. Narravula, and P. Sinha. Data Aggregation Techniques in Sensor Networks, in Proc. Department of Computer Science and Engineering of The Ohio State University,OSU-CISRC-11/04-T