传感器网络.docx
《传感器网络.docx》由会员分享，可在线阅读，更多相关《传感器网络.docx（33页珍藏版）》请在冰豆网上搜索。
传感器网络
传感器网络的构想最早由DARPA于上世纪70年代末提出，但大规模研究的兴起是在2000年以后。
在这个时候，无线传感器网络所涉及的微电机系统、嵌入式系统、微处理器、无线通信技术等都取得了巨大的进步，已经能够制造出体积小、重量轻的传感器节点。
但近两年由于大规模实际应用的困难，这股研究热潮正在逐渐消退，研究人员正在重新审视它的应用设想，一部分研究力量开始转向物联网。
目前传感器网络的研究重点不在各种具体的技术，而是应用。
要寻找最适合它的应用，并建立实际的应用示范系统。
1.无线传感器网络概述
无线传感器网络是在自组网基础上发展起来的一项技术。
不同于一般的通信网络，无线传感器网络的任务不是通信，而是要监视周围环境。
无线传感器网络由具有感知、计算及通信能力的一群微小节点组成。
这些节点部署在要监视的区域中，采集指定的环境参数，如温度、振动、化学浓度等，并将数据发送到汇聚节点供分析。
传感器节点的特点
由于传感器网络常部署于地面，受地面障碍物、植被等干扰，无线通信的距离一般较短，通信干扰大，链路质量差，传输速率低。
可见，每个传感器节点的能力（资源）是非常有限的，单个传感器节点的作用很小，但是如果将大量这样的节点以适当方式组成网络，并将它们的输出有机地关联与融合，整个网络可提供远高于单个节点的强大功能。
传感器网络的特点
放置在野外环境的传感器节点很容易受恶劣环境影响而失效，或因为电池耗尽而死亡，而替换失效的节点往往不可能或代价很高，因此人们一般会在监视区域中放置大量的节点，通过节点的冗余部署来提高网络的生存能力和可用性。
以下各种原因都可能导致无线传感器网络的拓扑发生改变：
（1）出于节能和减少传输冲突的考虑，传感器节点定期在工作状态和睡眠状态之间切换；
（2）节点可能因故障、电源耗尽、链路中断等原因与其它节点断连；（3）网络中可能会补充一些新的节点；（4）部分节点具备移动的能力。
由于传感器网络通常缺乏集中式控制机制，因此传感器节点必须具有自组织能力，能够自动完成网络的初始化过程并适应网络拓扑的改变。
大部分传感器节点靠电池供电，能量非常有限，而庞大的节点数目以及节点部署的环境（如野外、内嵌建筑物内）往往使得更换电池不可能，因此传感器节点的能量水平决定了网络的寿命。
传感器节点微小的体积也导致了它的计算能力和存储容量很有限，不能进行复杂的计算和存储大量的数据，节点的无线通信带宽通常也只有几百Kbps。
传感器网络中各种协议及算法的设计都必须以节能为第一要旨，其中特别重要的是要尽量减少网络中的通信量，因为通信消耗的能量最大。
部署无线传感器网络的目的是监视物理环境，从中获得用户感兴趣的信息，因此用户关心的是从网络中获取的信息而不是网络本身。
以数据为中心是无线传感器网络区别于传统通信网络的最大特点。
另外，为减少冗余传输、数据融合等需要，节点具有数据处理的能力，这也是不同于传统通信网络的特点。
应用相关也是传感器网络区别于传统网络的一个重要特点。
传感器节点有限的能力及电源供应决定了传感器网络不适宜作为一个提供通用服务的网络系统，加上监视应用严格的实时性要求，传感器网络必须与特定应用紧密耦合才能设计出一个高效的应用系统。
因此，跨层设计在传感器网络中是一个必然的选择。
传感器网络与移动自组网的不同
虽然无线传感器网络在一定程度上类似于无线自组网，但是两者在规模、节点密度、网络拓扑及无线通信方式等方面有着很大的不同。
无线自组网的节点数量通常是几十或上百，而无线传感器网络的节点数目往往要高出好几个数量级，节点密度很大，而且容易受到环境影响。
无线自组网的拓扑变化主要由节点的运动引起，而传感器网络中的节点大部分是固定不动的，拓扑变化主要由节点的休眠调度、环境干扰或者节点故障引起。
另外，和无线自组网中的节点相比，传感器节点的处理能力、存储能力和通信能力都十分有限。
所以，移动自组网中的协议与算法往往并不适合无线传感器网络。
传感器网络与移动自组网的不同
虽然无线传感器网络在一定程度上类似于无线自组网，但是两者在规模、节点密度、网络拓扑及无线通信方式等方面有着很大的不同。
传感器网络应用举例
小气候是指森林、城市、洞穴等局部地区的气候。
红杉树非常高大，成熟的红杉树可以高达60-100米，树干直径巨大。
在加利福尼亚有一株远在耶稣诞生以前就生存于丛林之中的北美红杉树，年龄已超过2200年，树干直径达4米，单株材积700多立方米，可供建造30多幢农村住房。
所以单棵红杉树就可以形成一个小气候，监视这个小气候可以得到森林气候的一个样本。
传统方法是将一套重约30磅的测量设备用绞车吊在树冠下，在不同的高度上测量和收集数据，每隔一定时间收集一次数据。
这种方法只能在一个较短的时间内收集数据。
无线气象站
图示为研究人员使用的传感器节点。
一个无线气象站装进一个胶卷盒子大小的空心圆柱体中，外面的包装是防雨的。
顶上是两个入射光传感器，测量总的太阳辐射，特别是可见光和叶绿素敏感的波段；底部有一对相同的传感器对，测量辐射的光。
底部还有环境传感器，测量相对湿度、气压和温度。
中间的mote板上有处理器、存储器和低功耗无线收发器，可以收集数据、处理数据，并将数据发送到汇聚节点。
使用传感器网络可以在树的许多不同位置上同时采集数据，而且可以在较长的一段时间内持续收集数据。
利用相同的方法，可以在森林的不同地方部署传感器网络，如森林的中心处、迎风面、背风面、向阳面等，然后利用长距离的上行链路将这些数据发送到汇聚节点。
实验结果片段
图示为三天内从一棵35米高的红杉树上、四个高度的16个节点处采集到的数据。
节点每隔5分钟采样一次，对每一高度计算一个平均值。
测量数据显示，在每天的变化周期中，树顶比森林底部经历更大的气候波动。
其它示范性应用包括：
精确农业、桥梁或建筑物的健康状况监测、煤矿巷道的位移监测、战场监视、野生动物迁徙、目标定位与跟踪、智能交通等。
人居环境监视
利用plug节点的多模式感知能力，可以较准确地推断发生的事件。
比如，将一个台灯插到插线板上并拧亮台灯，通过电流传感器可以知道台灯打开的时刻，通过声音传感器、光传感器（插插头时手遮住了光源）、振动传感器等可以推断出台灯插入插线板的时间。
另外，不同的电器设备具有不同的启动电流图，称电流特征，据此可以识别不同类型甚至不同个体的电器在。
有些推断仅从电流启动图还不能做出，节点可将提取的信号特征发送到某个节点进行融合。
将整个plug网络看成一个整体，可以了解到plug网络所在环境的活动情况。
比如，办公室中电灯的开/关、声音、电器的开/关及工作、各电器的电源消耗等。
本文还设计了一个手持设备，当它靠近一个plug节点时，屏幕上会显示出该节点在网络中的位置、节点上各个传感器的图标、各个传感器的最大值/最小值/平均值等。
本文采用虚拟现实的方法建立了一个shadowlab。
Shadowlab由整个建筑物的实际大小平面图组成，从传感器网络中得到的数据写入虚拟世界，用火苗的大小表示能源消耗的高低。
节点定位
对于大规模随机部署（飞机或火箭弹播撒）的传感器网络来说，节点定位是一项重要的基础功能，因为任何环境数据如果没有位置信息的话，都是没有意义的。
手工为每个节点设定位置是不可能的（数量多，无法预先确定位置，更不可能到现场设置），GPS定位系统无法大规模应用到传感器节点上（代价、体积、能耗、受环境影响），因此必须依靠节点之间的相互协作来估计各自的位置。
节点定位算法的分类
研究得较多的是绝对定位。
在相对定位中，如果给定了三个参考点的绝对位置，则相对定位可以转化为绝对定位。
基于测量的定位算法利用了传感器节点测量距离或测量角度的能力。
硬件配置不同的节点可使用的测量方法不同，有些配置了无线电、红外线、激光等可以测量距离的设备，有些配备了可以测量信号到达方向（角度）的设备，测量精度高的设备较复杂，测量精度低的设备较简单。
下面我们介绍的几个定位算法均为绝对定位算法。
假设网络中存在一定数量的参考节点，这些节点的位置在部署时即已知（比如通过GPS或手工配置），其余节点为待定位节点（也称未知节点），未知节点依据参考节点的位置，通过某种测距手段及相互之间的协作来确定自己的位置。
衡量定位算法的性能指标
平均定位误差是最重要的性能指标，算法复杂度及收敛速度涉及耗能，健壮性是指定位算法抵御噪声、攻击的能力。
2.1测距技术
大多数已有的位置发现方法由两个基本的阶段组成：
距离（或角度）估计，距离（或角度）融合。
RSSI：
该方法测量接收端收到的信号强度，根据已知的发送功率计算路径损耗，然后根据某个理论模型或经验模型将路径损耗转化成距离估计。
该方法主要用于射频信号。
基于时间的方法：
记录信号的到达时间或两种信号的到达时间差，根据已知的信号传播速度直接换算成距离。
该方法可用于多种信号，如射频、声音、红外和超声波等。
AoA：
接收节点估计信号的到达角度，然后使用简单的几何关系来计算节点位置。
RSSI
该方法使用射频信号衰减与传输距离之间的关系模型，接收节点根据已知的信号发射功率和接收到的信号强度估算路径损耗，然后根据射频信号传输模型将路径损耗转换成距离。
PT为发送功率，PL（d0）为参考距离d0的路径损耗，η为路径损耗指数，Xσ为零均值、方差为σ2的高期随机变量。
对射频信号传输特性的大量研究表明，射频信号的传输特性受环境变化（天气、城市或郊区、室内或室外）影响很大。
[1]使用实验的方法研究RSSI与距离的关系，发现无法得到信号衰减与距离之间的一致模型。
原因主要有以下几个方面：
（1）环境的影响：
多路径、衰落、遮蔽效应。
（2）天线高度：
若节点放置于地面，使用最大发射功率等级，信号传输距离大约为30米；若将节点放置于离地面1.5米处，信号传输距离可达100米。
（3）节点未精确校准：
廉价的传感器节点没有精确的校准单元，当不同节点的使用相同的发射功率等级发送时，实际的发射功率差异很大，差异经常可以达到几个dB。
对于发射功率的差异，一种可能的解决方案是在使用前将所有的节点与一个参考节点进行校准，将增益因子存储在非易失性存储器中。
如果要部署成百上千的节点，这种手工校准方法很费时。
对于节点高度差异，如果采用飞机播撒的方法进行大规模部署，则这个差异无法预先获知，只能在节点部署后进行自动校准。
基于以上原因，RSSI的测距精度只能达到几米，无法提供精确的定位。
但该技术对硬件要求较低，利用节点的无线电收发装置便能测量接收信号强度，对于廉价的传感器节点来说是最理想的测试方法。
TDoA
该方法精度较高，[4]使用TDoA测量相距3米的两个节点之间的距离，测距精度达到2cm。
超声信号的传输也受环境变化的影响，如多径效应，但较容易检测。
接收节点只测量第一个到达的信号脉冲（直线传输），而忽略随后到来的信号脉冲。
环境改变对信号强度的影响很大，但TDoA依赖的是信号到达时间差，这个影响比较小。
由于超声信号的传输距离较小，一般节点只提供几米到十几米的距离。
增大传输距离要求更多更高的成本，并消耗更多的能量。
该方法与RSSI相比，需要增加超声收发装置，增加了成本和功耗。
RSSI与TDoA的比较
[4]比较了RSSI和TDoA两种测距方法，如表所示。
实验发现，使用射频信号和超声信号的TDoA比RSS更可靠。
但由于超声信号的传输距离较短，TDoA要求的节点密度较大，在较稀疏的网络中适宜采用RSS测距技术。
AoA
通常使用天线阵列或多个接收器来得到信号到来的方向。
一个具有这种能力的传感器节点是由MIT的CricketCompass项目开发的，同时使用到达信号的时间差和相位差。
为获得到达角度，每个节点使用两个超声波接收器，放置间隔为L。
利用TDoA得到距离x1和x2，利用x1、x2和L可以计算出到发送节点的角度θ。
箭头方向为节点的主轴，所有角度都是相对主轴报告的。
该方法的硬件设备较复杂，体积和功耗都较大，要求两节点之间存在可视通路
2.2距离（角度）融合
最基本和最直观的方法是三边测量法，它通过计算3个圆的交点来定位节点，如图所示。
若使用AoA测量角度，可使用三角测量法计算位置，也可以将三角测量问题转化成三边测量问题。
通过最小化测量距离和估计距离之间的差异来估计节点位置。
当测距有误差的时候，三个圆或多个圆不交于一点，常采用这种方法。
原子多边测量
当未知节点位于至少三个参考节点的通信距离内时，可以估计自己的位置。
如果有四个或更多个参考节点，还可以估计本地的超声信号传播速度。
方程中s为估计的超声信号传播速度，t为射频信号与超声信号到达的时间差。
协同多边测量
原子多边测量需要满足的条件是：
未知节点位于至少3个参考节点的一跳距离内。
如图（a）所示。
如果不足3个参考节点，或者3个参考节点在一条直线上，则必须使用协同多边测量。
在协同多边测量中，未知节点使用多跳距离之外的参考节点位置，并且可以估算出本节点及一个或多个其它未知节点的位置。
图（b）是可以运用协同多边测量的典型拓扑结构之一。
参与节点与参与节点对
按照这种描述，参与协同多边测量的节点形成一个子图，对于每一条连接了一对参与节点的边可以给出一个类似（7）的方程。
为获得一个唯一解，所考虑的所有节点必须是参与节点。
在图（b）中，有5条边，可以列出5个方程。
有时，对于n个变量我们可以列出n个方程，如图（c）所示。
然而，节点X有两个可能的位置，解不唯一，因此X不是参与节点。
如果以上条件满足，非线性方程组可以使用像梯度下降法或模拟退火法等优化方法来求解。
不基于测距的定位算法
基于测距的算法提高了传感器节点的造价，消耗了有限的能量，而且在测量的准确性方面需要大量的研究。
对于一类非常廉价的、微小的低功率节点，需要轻量级的定位算法。
不基于测距的算法只需要节点内置的射频单元，不需要知道待定位节点到参考节点的距离，或者不需要直接测量此距离，成本和功耗较低。
质心法（续）
该算法简单，计算量小。
增大参考节点的重叠区域，即增大R/d（R为通信半径，d为参考节点之间的距离），可以提高定精度。
因此，该方法需要较多的参考节点。
几何约束法（续）
该算法要求参考节点部署在网络边缘，否则节点的估算位置会向网络中心偏移。
基于DV的定位算法
前面介绍的各种定位算法大都要求未知节点附近有参考节点，能直接接收到参考节点的信标消息。
但是考虑到通信冲突、功率消耗等问题，参考节点的发射功率不能太大。
如何在参考节点比较稀疏的网络中进行节点定位？
[8]提出利用网络的逐跳传播能力，各节点将其估计的到参考节点的距离传播给其它节点，以解决较远的节点收听不到参考节点的问题。
比如，参考节点附近的节点可以通过直接测量的方法获得到参考节点的距离，并传播给其邻居节点，邻居节点据此可以估计自己到参考节点的距离，依次类推。
类似于距离矢量路由算法中的距离传播，因此称这一类方法为基于DV的方法。
DV-HOP传播模式
DV-HOP是一个最基本的方法，它采用经典的距离矢量交换方法传播到参考节点的距离。
未知节点只使用第一次收到的平均每跳距离，而丢弃随后到来的，从而保证未知节点只使用最近的参考节点发来的距离修正。
DV-HOP的优点是简单，不依赖于测距误差，缺点是必须工作于各向同性网络，即各个方向上图的特性是相同的，从而估计的每跳平均距离基本反映实际的情况。
Euclidean传播模式
在图中，A也可能与L位于BC的同侧，这需要做出一个判断。
如果A有满足以上条件的其它邻居节点，可以根据其它条件进行判断。
如果无法做出判断，则不能计算AL。
2.5安全定位
目前大多数通用的定位算法主要关注定位精度与成本、功耗的关系，未考虑安全问题。
由于传感器网络采用分布式计算且资源严重受限，很容易受到攻击。
一般的定位算法均假设监听到的参考节点位置及测量到的距离（角度）是正确的，最多有一些测量误差。
攻击者很容易通过在网络中散布虚假的参考节点位置，或者通过某些手段来误导未知节点得到错误的距离或角度信息，达到攻击目的。
文献中介绍了许多针对节点定位的攻击和防御策略。
比如，针对基于RSSI测距的定位算法，可以通过改变发送功率或增加信道噪声的方法改变测量距离；针对基于AoA的定位算法，可以使用反射物改变入射角；针对基于跳数测距的定位算法，可以通过制造虫洞或阻塞某个方向的通信造成节点间跳数的减小或增大，等等。
文献中也介绍了不少针对这些攻击手段的防御措施。
比如，利用距离限制技术判定另一个节点是否在其观测范围内；利用若干节点的地理位置或节点之间的数据包传播时间来防止虫洞攻击，等等。
多数安全策略需要额外的复杂设备，且大多针对一个或一类攻击，不具有通用性。
能否找到一种统一的方法来抵御所有这些针对节点定位的攻击呢？
从统计的角度看节点定位问题
由于定位算法不外乎是利用参考位置、距离、角度等信息来进行位置估计，以上种种攻击手段只是实施方法不同而已，目的都是要欺骗未知节点得到错误的参考位置、距离、角度等信息，使得位置估计发生很大的偏差。
事实上，除了安全攻击之后，节点出现异常、局部环境干扰等因素也会导致未知节点获得错误信息，影响位置估计的精度。
从定位的角度来看，安全攻击、节点异常、环境干扰没有什么本质的差别，它们都是提供了错误的或者极不准确的信息。
事实上，正常节点产生的测量样本也是有误差的，只是误差相对小一些。
如果将错误及误差都看成噪声的话，那么由安全攻击、节点异常、环境干扰产生的测量样本有很大的噪声，而正常节点产生的测量样本噪声较小，但都是有噪声的测量样本。
未知节点的任务就是要根据给定的一组有噪声的测量样本，进行尽可能准确的位置估计。
按照这样的描述，我们就可以用一些统计的方法来处理这个样本集，基本思想就是设法去除噪声大的样本，仅利用噪声小的样本进行位置估计。
这样我们就将应对定位攻击、节点异常和环境干扰的问题统一转化为在测量样本集中去除大噪声样本的问题，从而可以运用各种统计学的方法来求解。
目前有一些去除异常点的统计方法，有的复杂度较高，有的精度不够。
根据这个思想，我们提出了一个安全健壮的定位算法，称为Bilateration。
双边测量法Bilateration
我们采用另一种方法求解方程组。
每次只计算两个方程，一般可以得到两个实数解。
这两个实数解称为候选位置，即未知节点可能的位置。
如果选择另外两个参考节点进行计算，可以得到另两个候选位置。
如果不存在攻击和噪声，这四个侯选位置中至少有两个点是重叠的，这个重叠的点便是未知节点的位置。
在实际环境中，由于噪声的影响可能没有重合点。
但是我们有理由相信，如果误差范围有限的话，合理的位置应相互靠近。
双边测量法的基本思想就是找出合理的位置，并利用这些合理位置来进行位置估计。
δ及测距误差对算法性能的影响
在这个算法里，门限δ决定了对合理候选位置的定义，因而对算法性能影响较大。
取值太小，算法需要较多次迭代搜索候选位置；取值太大，过滤能力就会下降。
在不存在攻击的环境中，合理候选位置的接近程度取决于测量误差，可以根据测量误差的方差决定。
影响算法性能的主要因素是测距误差，如果测距误差很大，则正常样本和攻击样本的差别就会缩小，导致算法过滤能力下降，定位误差增大。
我们还做了其它实验，测试了参考节点数量、恶意参考节点比例对算法性能的影响，分析了算法的计算复杂度和通信复杂度，并与另外三个统计学方法进行了比较。
模拟结果表明本算法在定位精度和计算复杂度方面有较好的平衡，噪声适中和参考节点数目较小的环境中性能好于另外的算法。
3.传感器网络中的射频传播模型
由于部署大规模传感器网络的成本及困难，目前大多数研究工作都是在仿真环境中进行的，包括算法性能评估。
仿真就涉及到建模，选择正确的模型成为研究工作的第一步，也是研究工作是否有意义的重要前提。
为了分析上的方便，研究人员常使用一些理想的模型，如无线通信中的协议模型。
但理想模型与实际问题是否相符一直受到质疑。
在传感器网络中受质疑最多的是射频信号传播模型及感知模型。
已有一些研究工作在研究传感器网络中的射频信号模型，我们将介绍两个这样的工作。
研究例子—洪泛
源节点启动消息的发送；每个节点在收到第一个这样的消息时，将消息的源节点设为自己的父节点，修改消息中的source域和hopcount域后，重新发送消息。
该算法最终构成一棵以消息源头为根的树，所有参与洪泛的节点都连接到这棵树中。
在一个理想的环境中，我们期望洪泛像水波一样从源节点开始有序、均匀地向外扩散，那么在真实的网络中又是什么样的呢？
洪泛快照
这是利用实验中收集的trace数据形成的洪泛快照，可以看到一个洪泛是如何逐跳传播的。
实验使用了160个节点，这些节点放置在地面上一个12*13的正方形网格中，洪泛从节点（5,0）开始。
当节点收到洪泛的消息时，立即转发一次，并抑制随后的重传。
有几个值得注意的现象：
●洪泛并不像我们期望的那样总是逐跳向外传播，在某些区域洪泛朝着靠近源节点的方向延伸，比如图（b）中的链路（6,3）—（6,2），图（c）中也有大量的后向链路。
●在有些情况下，数据包在相距很远（超出预期）的两个节点间也能正常传输，如图（a）中的（5,0）—（1,1）和（5,0）—（2,3）。
●某些节点未像期望的那样参与到洪泛传输中，如图（c）中的（3,4）。
●随着时间的推进，树结构呈现出一种高度群集的现象，即树中的大部分节点只有很少的后代或没有后代，而少量节点却有许多孩子节点。
以上这些现象均和我们预期的洪泛行为不符，表现出洪泛的不均匀性。
为此，[9]定义了以下的洪泛测度，用于描述洪泛的不均匀性。
洪泛的非均匀性测度
离群节点（straggler）：
理论上应当收到洪泛消息，实际上却并没有参与洪泛传输的节点。
后向链路：
洪泛消息的接收者比传输者更靠近源节点。
长链路：
在给定的发送功率等级下，比预期长度长得多的链路。
聚类：
在数据收集树上，连接到单一节点的节点数量。
这个简单的例子说明了真实环境中的洪泛是如何表现出复杂行为的。
有许多因素影响洪泛的行为，这些因素可能位于协议栈的不同层次上。
比如，长链路表明每个节点的通信范围完全不是一个简单的圆盘形状，这是由物理链路的特性造成的（链路层面上的因素）；离群节点很可能是由于MAC层冲突产生的。
[9]将影响洪泛行为的因素划分到不同的层上进行分析研究。
实验平台
实验中使用的传感器节点为RenoMote。
为使每个节点的发射功率尽可能相同，在做每一个实验时，每个节点都是使用新的AA电池。
而且，所有节点的天线均具有相同的长度和一致的垂直方向。
需要指出的是，由于对Reno节点的射频硬件进行精确校准的难度很大，即使所有节点的具有相同的标称硬件设置，不同节点的实际发射功率还是有差异的。
节点上运行的TinyOS系统提供了基本的运行时支持，它包括一个完整的网络协议栈，具有比特级前向纠错、16比特CRC检错、媒体访问控制、网络消息传输层、非易失性存储器和定时能力。
所使用的MAC层协议是CSMA的一个变种：
在每次传输前等待一个随机时间，信道忙时进入随机回退，等待及回退的时间值均从[6ms,100ms]的固定间隔中随机选取。
为节省能耗，在回退阶段射频收发器是关闭的，因此这个时间段内没有通信发生。
与一般的MAC协议不同，这里使用的MAC协议不设最大重传次数，节点将不断尝试，直至消息发送成功。
实验一：
理解链路特性
为理解洪泛行为，[2]设计了两组实验。
第一组实验重点理解大规模传感器网络测试床中节点间链路的特性，第二组实验重点研究在类似的测试床上洪泛的动力学行为。
实验一：
将169个节点放置于一个平坦、开阔的停车场上，形成一个13*13的网格网络，每个网格的边长为2英尺。
实验前对所有节点都进行了诊断测试，以确保每个节点都工作正
升级会员 