无线传感器网络很多情况下需要在严酷的环境下生存。很多应用中，需要持续的感知数据，由服务器间歇的收集数据。因此，传感器节点不得不临时存储数据，为服务器提供简单、随手可取的最新数据。由于服务器与传感器节点之间的通信资源昂贵，大量的传感器，还有每个传感器的有限存储空间，持续的数据采集就是一个很有挑战性的问题。

       文章提出了partial network coding，作为这些问题的通用解决方案。PNC为持续的数据有效的数据存储。

1. 无线传感器网络包含了大量的传感器节点，配置在一个开放的环境中，而且没有传统的无线或者有线网络支持。由于无线传感器有限处理和存储能力，大量的传感器需要协同工作完成数据采集、存储和收集，需要一个代理或者基站（本文称为服务器）作为中间的网关。

       在严酷和极端的环境下，服务器与节点之间的通信是很昂贵的，所以要有间隔的收集数据；而且数据收集在安全目标下，快速的执行。当前的数据采集技术是，服务器向root node发送查询请求，root node向sensor node广播请求，然后将sensor node的数据路由到sever。这样的技术有两个缺点：引入了很长时间的时延，root sensor由于需要上传大量的数据会比其他sensor node更快耗尽资源；在很多情况下，一些部分传感器网络可能会接入失败。

       为了解决上述问题Dimakis et al.[2005]提出了一种方案。在这个场景下，数据冗余地存储在传感器网络中，服务器只要随机的接入(blind access)一些传感器节点检索数据。但是这样的解决方案又会引入大量的重复。而冗余管理需要一个central entity产生码字，分发给存储的位置。在传感器网络中，这样的方案不可行。

       Dimakis et al. [2005] 提出了random network coding，可以分布式的在各个节点上管理这些数据。所有的数据线性组合，只要得到和节点数目相同的组合，就能够恢复原来的数据。但是这样的解决方案，也有两个缺点：不能移除过时的数据；收集所有的数据会花费大量的功耗，而且收集的数据越多，需要查询的节点就越多。

2. 传统的network coding将每个node的数据线性组合，存储在每个节点中，每个线性组合都是full cardinality。如果有N个数据，那么只要获得任意的N个线性组合就可以恢复出原有信号。我们很容易将新的数据增加到原有的数据段中，但是想把过时的数据移除就是不可能的工作了。

       Partial network coding借鉴了network coding线线组合的思想，存储在每个节点中，每个线性组合都是arbitrary cardinality. 测量矩阵可以看做是一个上三角矩阵。编码过程是一个增量的过程，将新到的数据加到原来的线性组合中去。解码过程由服务器通过Gaussian Elimination完成。

       “Partial network coding intrinsically manages the cardinality of combined data segments by setting some of the coefficient to zeros”.理想的系统中，线性组合cardinality越高，数据恢复的概率就越大。If cardinality is full，那么足够的线性组合数据恢复的概率为100%，但是就退化为基本的network coding了。一旦新的数据到达，就要删除原来的所有线性组合为新数据腾出空间。这样的方案只能向服务器提供最新的数据。”we consider the performance of PNC with a uniform cardinality distribution throughout the life time of the system”.

       Data replacement algorithm is showed as follow. 当新数据到达，如果对应线性组合的cardinality < N，那么将新数据组合到原线性组合中；如果对应线性组合为N，那么丢弃原线性组合，将新数据作为新的线性组合。这样的更新算法天然地保持了cardinality的uniformity.

3. 性能分析和改进

       Partial network coding的性能不会比Non-network coding差。

       与Network coding比较。Network coding只要接收到N个线性组合，就可以100%的恢复源数据。但是Partial network coding with a uniform cardinality distribution，最新的数据和最旧的数据出现的概率也不同，最新的数据在每个线性组合中都有，而越旧的数据出现的机会就越少。所以PNC的解码概率低于NC。

       如果我们将每个传感器的缓存修改为root(N)+1，（这里root是指平方根），把线性组合的cardinality扩展为N+root(N)，那么解码的概率可以提高到100%。

4. 计算量和通信的overhead

       PNC在传感器节点上的计算量并不大，只是生成一些系数并将新数据组合到原来的线性组合中，所有这些操作都很简单而且功耗很低。通信的overhead比起数据量来说很小，而且比其他方案也有优势。减少通信Overhead的方式是polynomial interpolation，把一个随机数的0到N次方作为一个线性组合的系数，那么只用传一个系数，而不是传N个系数。

5. 多种数据类型

       两种解决方案：每个传感器的缓存中都存放不同类型的数据；或者将不同类型的数据分配到不同的传感器子集中。前者容易造成数据不完整，当缓存比较小的时候；后者可以解码特定类型的全部数据，也可能一起不能解码其他类型的数据。由于这种all-or-nothing的特性，为了保护重要数据，在系统中增加一个重要性参数。越重要的数据，就用越多的传感器来保存，就可以以更高的成功率收集这些数据。

5. 协同或分布式实现

       前面假设每个传感器的缓存空间都是足够的，但是如果传感器缓存空间不够前面的方案就不能实施了。为了解决这个问题，传感器需要协同工作，提供联合数据段。