郝 平

（陜西工業(yè)職業(yè)技術(shù)學(xué)院，陜西咸陽 712000）

隨著“中國制造2025”的不斷推進，以第五代無線通信（5th Generation Wireless Communication，5G）、智能傳感（Intelligent Sensor，IS）為代表的新興技術(shù)受到日益廣泛的重視，給無線傳感網(wǎng)技術(shù)注入新的增長動力，使得傳統(tǒng)的無線傳感網(wǎng)邁入智能移動時代［1］。由于無線傳感網(wǎng)能夠?qū)崟r對部署區(qū)域內(nèi)環(huán)境信息的感知，信息獲取不受地域、環(huán)境、時間限制且具有組織自由度高、部署較為便捷、容錯性能強及隱蔽性強等優(yōu)勢［2］。

實踐中為實現(xiàn)對部署區(qū)域進行不間斷監(jiān)測，WSN網(wǎng)絡(luò)節(jié)點部署往往需要采用密集部署模式，節(jié)點部署完畢后將定時機制通過鄰居節(jié)點進行數(shù)據(jù)匯聚及傳輸［3］。雖然采取這種方式可達到數(shù)據(jù)傳輸便捷化的特點，不過由于所傳輸?shù)臄?shù)據(jù)具有冗余特點，會加劇節(jié)點能量消耗，從而導(dǎo)致WSN網(wǎng)絡(luò)生命周期出現(xiàn)下降現(xiàn)象［4］。

為提高無線傳感網(wǎng)生存質(zhì)量并降低網(wǎng)絡(luò)負載水平，研究者提出了若干具有前瞻性的數(shù)據(jù)穩(wěn)定傳輸算法，在一定程度上解決了部署過程中遇到的問題［5］。如Jamuna等［6］提出了一種基于分片機制的WSN數(shù)據(jù)穩(wěn)定傳輸算法，將待傳數(shù)據(jù)按照傳輸路由穩(wěn)定程度劃分優(yōu)先級并采取切片處理，僅針對優(yōu)先級較低的數(shù)據(jù)切片進行重傳輸，可達到降低網(wǎng)絡(luò)冗余的目的，網(wǎng)絡(luò)生存周期較長。但是，該算法部署過程中需要實時評估數(shù)據(jù)優(yōu)先級，容易導(dǎo)致部分節(jié)點頻繁承擔數(shù)據(jù)重傳輸功能，節(jié)點能耗水平較高。Kingsly等［7］提出了一種基于簇頭備份機制的WSN數(shù)據(jù)穩(wěn)定傳輸算法，其主要是優(yōu)先選取簇區(qū)域內(nèi)能量較優(yōu)的節(jié)點作為備用簇頭節(jié)點，用以承擔簇頭失效狀況下的數(shù)據(jù)匯聚傳輸功能，具有節(jié)點能耗水平較低的特點。然而，該算法僅針對簇內(nèi)區(qū)域進行了傳輸優(yōu)化，在數(shù)據(jù)傳輸量較高的情況下極易發(fā)生備用簇頭節(jié)點失效的現(xiàn)象，使得算法的網(wǎng)絡(luò)生存周期不高。Devesh等［8］提出了一種基于聚類機制的WSN數(shù)據(jù)穩(wěn)定傳輸算法，針對傳輸過程中易出現(xiàn)的重傳輸現(xiàn)象予以聚類處理，將中繼傳輸熱度較高的節(jié)點采取備份機制以防止節(jié)點受限，可適應(yīng)數(shù)據(jù)傳輸量較高的部署場景。但是，該算法需要頻繁對中繼節(jié)點進行備份，導(dǎo)致節(jié)點利用效率不高，增加節(jié)點能耗水平。

鑒于當前研究中存在的不足，提出了一種基于爬蟲機制的WSN數(shù)據(jù)穩(wěn)定傳輸算法。

1 本文算法設(shè)計

為改善無線傳感網(wǎng)數(shù)據(jù)傳輸質(zhì)量，提高網(wǎng)絡(luò)生存周期并有效降低節(jié)點能耗，本文將數(shù)據(jù)融合與路徑優(yōu)化相結(jié)合，從路徑偏轉(zhuǎn)和數(shù)據(jù)匯聚兩個維度對數(shù)據(jù)傳輸進行優(yōu)化。

1.1 基于樹狀傳輸機制的數(shù)據(jù)匯聚

考慮到數(shù)據(jù)匯聚過程一般遵循“源節(jié)點-中繼節(jié)點-sink節(jié)點”的傳輸模型［9］，采取分簇方案將難以降低節(jié)點能耗［10］。因此，本文設(shè)計了基于樹狀傳輸機制的數(shù)據(jù)匯聚方法，具體步驟如下所示。

Step 1考慮到數(shù)據(jù)匯聚路徑需要綜合考慮能量和距離因素，首先對源節(jié)點v的下一跳節(jié)點進行篩選，篩選爬蟲pj(k，t)可通過如下模型確定：

模型（1）中，k表示數(shù)據(jù)傳輸周期，t表示傳輸時刻，ηj(t)表示下一跳節(jié)點的剩余能量，μj(t)表示下一跳節(jié)點的距離系數(shù)，m表示下一跳節(jié)點的數(shù)量。a和b為調(diào)節(jié)系數(shù)，滿足如下模型：

模型（3）中，l(v，j)表示源節(jié)點v與下一跳節(jié)點k之間的距離。

Step 2由于節(jié)點部署完畢后一般保持不動，因此針對下一跳節(jié)點的剩余能量ηj(t+Δt)，按下列方式進行評估：

模型（4）、（5）、（6）中，Δt表示下一時刻，f表示能量衰減率，ηj(Δt)表示sink節(jié)點在下一時刻的能量補充，ηm(Δt)表示與下一跳節(jié)點有數(shù)據(jù)傳輸關(guān)系的節(jié)點所獲取的能量，G表示能量補充功率，l(m，j)表示節(jié)點m和節(jié)點j之間的距離。

獲取模型（4）所示的下一跳節(jié)點剩余能量ηj(t+Δt)后，優(yōu)先選取能量較高的節(jié)點作為下一跳節(jié)點。

Step 3下一跳節(jié)點爬取完畢后，按照Step 1-2所示的步驟逐個獲取爬蟲并確定中繼節(jié)點，直到終點為sink節(jié)點為止，至此形成樹狀傳輸結(jié)構(gòu)，如圖1所示，記為Tree(v，sink)。啟 動 數(shù) 據(jù) 傳 輸 流 程，優(yōu) 選Tree(v，sink)中路徑最短的鏈路作為傳輸路徑，方法結(jié)束。

圖1 基于樹狀傳輸機制的數(shù)據(jù)匯聚過程Fig.1 Data aggregation process based on tree transmission mechanism

完成基于樹狀傳輸機制的數(shù)據(jù)匯聚方法后，源節(jié)點v將形成樹狀傳輸結(jié)構(gòu)Tree(v，sink)，該結(jié)構(gòu)中存在多個可選路徑，因而可從中按需甄選出性能較高的傳輸路徑，以便網(wǎng)絡(luò)性能得到改善。

1.2 基于角度偏轉(zhuǎn)機制的路徑優(yōu)化

由基于樹狀傳輸機制的數(shù)據(jù)匯聚方法可知，傳輸過程中所選的中繼節(jié)點可能不唯一，因此存在多徑傳輸現(xiàn)象。考慮到下一跳節(jié)點與當前節(jié)點距離越長則能量消耗也越大［11］，見模型（3）。因此，設(shè)計了基于角度偏轉(zhuǎn)機制的路徑優(yōu)化方法，具體步驟如下。

Step 1設(shè)當前節(jié)點為i，下一跳節(jié)點為j，則節(jié)點i在節(jié)點j處的偏轉(zhuǎn)角α(i，j)可按如下方式獲?。?/p>

α(i，sink)表示節(jié)點i與sink節(jié)點的夾角，α(j，sink)表示節(jié)點j與sink節(jié)點的夾角，＜＞表示三角取值，所獲取的偏轉(zhuǎn)角α(i，j)，見圖2。

圖2 夾角的獲取Fig.2 Acquisition of included angle

Step 2逐個獲取下一跳節(jié)點所對應(yīng)的夾角α(j，sink)后，選取夾角最小的節(jié)點作為下一跳節(jié)點，見圖3，方法結(jié)束。

圖3 基于角度偏轉(zhuǎn)機制的路徑優(yōu)化Fig.3 Path optimization based on angledeflection mechanism

完成基于角度偏轉(zhuǎn)機制的路徑優(yōu)化方法后，網(wǎng)絡(luò)可在樹狀傳輸結(jié)構(gòu)Tree(v，sink)基礎(chǔ)上，選出具有較低角度偏轉(zhuǎn)的節(jié)點作為下一跳節(jié)點，這樣可規(guī)避因路徑較為復(fù)雜而導(dǎo)致失效轉(zhuǎn)發(fā)的現(xiàn)象，避免因路徑偏轉(zhuǎn)過大而導(dǎo)致節(jié)點間拓撲距離增長，從而提高了路徑健壯性。

2 仿真實驗

為便于對比所提算法的性能，采取NS2（Network Simulator Version 2，NS2）仿真實驗環(huán)境進行仿真［12］。其中，傳感區(qū)域設(shè)置為矩形，大小為1024 m×512 m，節(jié)點為固定狀態(tài)，其余仿真參數(shù)見表1。為體現(xiàn)所提算法的性能，采取基于模糊群搜索優(yōu)化機制的WSN數(shù)據(jù)穩(wěn) 定 傳 輸 算 法［13］（Novel Fuzzy Based Crow Search Optimization Algorithm for Secure Node-to-Node Data Transmission in WSN，CSO算法）和基于低時延節(jié)能路由感知機制的WSN數(shù)據(jù)穩(wěn)定傳輸算法［14］（Low Latency And Energy Efficient Routing-Aware Network Coding-Based Data Transmission In Multi-Hop And Multi-sink WSN，LL-EECB算法）。

表1 網(wǎng)絡(luò)仿真參數(shù)Tab.1 Network simulation parameters

實驗開始后，在分布區(qū)域為1024 m×512 m的矩形區(qū)域內(nèi)，采用隨機分布方式進行布點，節(jié)點密度不高于10個/百平方米，通信頻率均保持一致。

隨后，網(wǎng)絡(luò)以不高于1個/min的頻率生成惡意節(jié)點，惡意節(jié)點在進行數(shù)據(jù)傳輸前均與正常節(jié)點的行為特征保持一致，節(jié)點加入速度可以通過sink節(jié)點進行調(diào)節(jié)。節(jié)點采用5G制式，信號發(fā)射制式采用1024位星座調(diào)制模式，且采取512移相鍵控調(diào)制方式，信號增益使用標準OFDM方式；最低覆蓋范圍不低于24 m，節(jié)點參數(shù)見表2。

表2 節(jié)點仿真參數(shù)Tab.2 Network simulation parameters

此外，實驗將分高斯信道和瑞利信道兩種不同的信道環(huán)境，仿真指標為網(wǎng)絡(luò)生存時間、節(jié)點能耗兩項，具體仿真結(jié)果如下。

2.1 網(wǎng)絡(luò)生存時間

圖4為所提算法與CSO算法和LL-EECB算法在不同信道條件下的網(wǎng)絡(luò)生存時間測試結(jié)果，由圖4可知，本文算法具有網(wǎng)絡(luò)生存時間較長的特點，體現(xiàn)了優(yōu)越的網(wǎng)絡(luò)生存質(zhì)量。這是由于所提算法采取了基于樹狀傳輸機制的數(shù)據(jù)匯聚方法，能夠?qū)⒍秳訝顟B(tài)的鏈路固化為傳輸樹，并從中優(yōu)選具有穩(wěn)定傳輸質(zhì)量的鏈路用以數(shù)據(jù)傳輸，因而節(jié)點生存質(zhì)量較高，具有較長的網(wǎng)絡(luò)生存時間。特別是所提算法采取了基于角度偏轉(zhuǎn)機制的路徑優(yōu)化方法，可縮短源節(jié)點與sink節(jié)點間鏈路長度，降低了因網(wǎng)絡(luò)抖動而導(dǎo)致鏈路失效的情形，因而增加了網(wǎng)絡(luò)生存時間。CSO算法針對距離、度和傳輸能量三個參數(shù)進行優(yōu)化。優(yōu)化過程考慮了最佳節(jié)點，按照距離較短、傳輸次數(shù)較高、傳輸能量三個條件進行節(jié)點篩選，因而可在一定程度上提高網(wǎng)絡(luò)生存時間。不過，由于該算法需要采取遍歷模型對網(wǎng)絡(luò)節(jié)點進行一一遍歷，因而節(jié)點能耗要顯著高于所提算法，使得該算法的網(wǎng)絡(luò)生存時間要短于所提算法。LL-EECB算法利用最小生成樹模型構(gòu)建元節(jié)點與sink節(jié)點間路由，并通過人工蜂群技術(shù)優(yōu)化鏈路傳輸質(zhì)量，可在一定程度上改進網(wǎng)絡(luò)傳輸質(zhì)量。不過，由于該算法未針對無線傳感網(wǎng)節(jié)點間角度偏轉(zhuǎn)予以考慮，節(jié)點轉(zhuǎn)發(fā)數(shù)據(jù)過程中易出現(xiàn)節(jié)點受限現(xiàn)象，因而網(wǎng)絡(luò)生存質(zhì)量不高，導(dǎo)致該算法的網(wǎng)絡(luò)生存時間要低于本文算法。

圖4 網(wǎng)絡(luò)生存時間測試結(jié)果Fig.4 Network lifetime test results

2.2 節(jié)點能耗

圖5為所提算法與CSO算法和LL-EECB算法在不同信道條件下的節(jié)點能耗測試結(jié)果，由圖5可知，所提算法具有節(jié)點能耗較低的特點，體現(xiàn)了較好的節(jié)能性能。這是由于所提算法針對無線傳感網(wǎng)傳輸鏈路易發(fā)生抖動的特點，采取樹狀傳輸結(jié)構(gòu)將抖動鏈路予以固化處理，并引入角度偏轉(zhuǎn)機制對多徑傳輸進行動態(tài)優(yōu)化，可顯著縮短傳輸鏈路的長度，降低了節(jié)點及鏈路失效的概率，因而數(shù)據(jù)重傳輸強度較低，使得節(jié)點能耗水平也處于較低的水平。CSO算法主要針對距離、度和傳輸能量三個參數(shù)進行優(yōu)化，優(yōu)選距離較短等因素對節(jié)點進行篩選，使得距離長度較短的節(jié)點頻繁進行數(shù)據(jù)傳輸，從而導(dǎo)致網(wǎng)絡(luò)熱點現(xiàn)象發(fā)生，使得節(jié)點能耗要高于所提算法。LL-EECB算法僅從鏈路層面優(yōu)化網(wǎng)絡(luò)傳輸，未針對角度因素進行優(yōu)化，使得數(shù)據(jù)重傳輸強度要高于所提算法，因而在節(jié)點能耗指標上亦要低于所提算法。

圖5 節(jié)點能耗測試結(jié)果Fig.5 Node energy consumption test results

3 結(jié) 語

為解決當前無線傳感網(wǎng)數(shù)據(jù)傳輸過程中存在的節(jié)點能耗較高及網(wǎng)絡(luò)生存性能較弱等不足，提出了一種基于爬蟲機制的WSN數(shù)據(jù)穩(wěn)定傳輸算法。該算法主要由基于樹狀傳輸機制的數(shù)據(jù)匯聚方法和基于角度偏轉(zhuǎn)機制的路徑優(yōu)化方法兩部分構(gòu)成，可顯著改善網(wǎng)絡(luò)生存質(zhì)量，穩(wěn)定數(shù)據(jù)傳輸性能，降低節(jié)點能耗，具有顯著的實際部署價值。

下一步，將針對所提算法對移動環(huán)境適應(yīng)性不足的情況，擬引入拉普拉斯拓撲分割機制，進一步提高所提算法對復(fù)雜環(huán)境的適應(yīng)能力。