Raptor Codes Based Distributed Storage Algorithms for Wireless Sensor Networks（2008.B会基础上扩展到raptor）

我们考虑具有n个节点的大型无线传感器网络中的分布式存储问题，其中k个获取（感知）独立数据。 目标是在整个网络上传播获取的信息，以便n个传感器中的每一个存储一个可能的编码数据包，并且稍后可以以计算简单的方式从某个节点的（1 +ǫ）k个节点中恢复原始k个数据包。 E>0。我们提出了两种基于Raptor码的分布式存储算法来解决此问题。 在第一种算法中，所有传感器都具有n和k的知识。 在第二篇文章中，我们假设没有传感器具有这样的全局信息。

由于传感器通常由于能量有限和恶劣的环境而易受攻击，因此希望在整个网络上分发所获取的信息，以便n个传感器中的每一个存储一个可能编码的数据包，而原始的k个源数据包可以稍后在一个网络中恢复。 对于一个小的e> 0，从任意一个节点（1 +e）k计算出的简单方法。除了它们自己的邻居，没有传感器知道其他任何传感器的位置，并且它们不维护任何路由信息（例如，路由表或网络拓扑） ）。
使用集中式编码解决此类问题的算法是众所周知的。但是，在传感器网络中，这要困难得多，因为我们需要找到一种策略来分布整个网络中来自多个源的信息，以便每个传感器都可以接受所需的数据统计信息。
infocom在[7]中，Lin等。提出了一种算法，该算法使用带有陷阱的随机游走来传播无线传感器网络中的源数据包。
为了获得所需的代码度分布，他们采用了Metropolis算法来指定随机游走的过渡概率。尽管在[7]中提出的方法很有希望，但需要了解传感器n和源k的总数。还需要另一类全局信息，即图的最大节点度（即，最大邻居数）来执行Metropolis算法。
然而，对于大规模的传感器网络来说，每个单独的传感器可能不容易获得这些类型的全局信息，尤其是在存在拓扑更改的可能性时。
在[1]（B会 2008）
，[2]中，我们提出了基于Luby变换（LT）码的用于大型无线传感器网络的分布式存储算法，以克服这些困难。 在本文中，我们将这项工作扩展到Raptor代码并演示其性能。 特别是，我们提出了两种新的分散式算法，猛禽代码分布式存储（RCDS-I）和（RCDS-II），它们将基于kaptor码的k个源节点感测到的信息分配给n个节点进行存储。 在RCDS-I中，每个节点的全局信息有限； 而在RCDS-II中，不需要全局信息。 我们计算这些算法的计算编码和解码复杂度，并通过仿真评估其性能。
结论
在本文中，我们研究了用于大规模无线传感器网络的基于Raptor码的分布式存储算法。 我们提出了两种新的分散算法RCDS-I和RCDS-II，它们基于Raptor代码将k个源节点感测到的信息分配给n个节点进行存储。 在RCDS-I中，每个节点的全局信息有限； 而在RCDS-II中，不需要全局信息。 我们计算了这些算法的计算编码和解码复杂度以及传输成本。 我们还通过仿真评估了它们的性能。