基于802.11协议的无线传感器数据流优先级模型

王重英

基于802.11协议的无线传感器数据流优先级模型

王重英

（商洛学院计算机科学系，陕西商洛，726000）

本文利用数学分析方法做了验证，结果表明，该机制对于高优先级数据数据优先传送的作用是非常明显的，在传输过程，数据流分组丢失的情况也得到了有效遏制。本文还对该机制的能耗情况进行了分析，结果表明，高优先级的能耗水平低于低优先级，并且这种趋势随着节点数的增加而更加明显。因此，本文所提出的提高高优先级传输效率的机制，更适用于节点数比较高的网络中。

WSN；高优先级；MAC协议；NTS

802.11 MAC协议是保证无线传感器网络高效传输的重要协议。随着科学技术的进步和业务发展的需要，MAC协议也得到了发展和完善，在无线传感器网络(Wireless Sensor Networks,WSN)内就出现了不同的、有针对性的MAC协议(或者叫升级的MAC协议)。经过文献资料的搜集，发现MAC协议自身还有不足之处，具体应用到WSN网络内，这种问题暴漏的更加明显，这种不足对于WSN网络的推广和业务的发展是极为不利的。

1 区分服务的MAC机制简介

无线传感器网络有众多的结构和变异种类，本文讨论的是单挑簇状式的网络结构，该网络是由最简单的簇头、感知节点两部分组成，并作如下假设：

（1）在半径为R的圆内平均的分布有N个节点，M代表簇头的数目，为了简单，假设簇头和感知两种节点的类型是一样的，那么节点的综述可以表示为N/M，其中簇头数目是1，感知节点数目是N/(M-1)；（2）数据采集过程中，每个周期采集到的信息量是k比特，采集后再把这些信息传到簇头，簇头负责把收集上来的信息汇总，再发送出去(一般是基站)；（3）由于基站自身的能量供应是充足的，接收过程中的能耗基本上为0。具体的网络模型如图1所示：

图1 无线传感器网络模型

本文接下来的讨论和方案提出都是基于上图这种简单的网络模型。为了使MAC协议适应WSN网络需要，本文在原有802.11 MAC协议的基础上进行了改进和完善，提出改进的控制分组概念，对发送来的数据业务流进行区分通过目的节点来完成，目的节点可以随着网络变化而动态调整接收情况和数量，这在很大程度上节约了单个节点的资源，对业务的区分也得以实现。

当节点有传输信息的需要时，第一要务就是把各个组按照事先约定的法则进行打标编号。在目的节点一端，引入处理低优先级业务的拒绝服务组，基于这个结构目的节点就能够对低优先级的业务有所拒绝。在目的节点拒绝了发送的低优先级业务组后，会自动把这个情况向发送节点报告，源节点通过自身的算法产生随机的计数，在合适的实际重新发送。假设目的节点对于低优先级拒绝的概率是，记由于网络或者目的节点不接受重传的次数是次，则有如下公式：

2 基于区分服务的数学模型

2.1 基于马尔科夫链的模型

为了模型建立的需要，本文对数据流的类型根据对时延性能要求不同分为Real-Time（实时流，简称为RT）和Best-Effort（非实时流，又称为最大可能性数据流，简称为BE）两种。由分类的名称就可以清晰的看到，实时流对于时间性能的要求更加苛刻，而BE型数据相对则宽容一些，在数据建模中，把RT和BE两种模型分别设置为0和1，优先级的类别用i表示。在数据流的分组上，两种数据流没有区别，运用的都是一种退避方式。

在需要传输第i类的簇头时，假设sit代表的是t时刻正处于退避过程当中，bit代表的是时刻t的技术值，那么引用经典的构建方式，sit和bit就可以成为一个马尔科夫链的二维模型，于是，很容易有如下的公式存在：

在模型的建立过程中，本文将（1）式中的L1用低优先级业务组重传的均值代替，于是可以有如下的结果：

2.2 吞吐量的定性分析

假设任意选择某个较短的时间，这时至少存在一个分组处于发送过程的概率是，代表的是在选择的时间，某类分组占用信道的可能性，任何分组占用信道的可能用则用表示，那么就有：

2.3 分组在信道内丢弃概率

分组在信道上传输时，发生丢弃的原因是退避技术器已满，再次发送又发生冲突或遭到目的节点的拒绝。假设是第i个数据发生丢弃的可能概率，那么就有

3 基于区分服务模型性能分析

上述章节对于区分服务的建模过程已经进行了详细分析，接下来本节将对以上提出的改进过的MAC层协议性能进行验证，在验证过程中运用了数学分析的方法，选用参考文献[3]中的参数设置信息。假设传感器的节点是200，M值从10开始，另外在MAC层中，发送M0=M1=0.5M的同样大小分组。

针对实时流和非实时流分别进行模拟测试，两种数据包含吞吐量的模拟结果如图2所示。图中所示的结果证实了本文提出的引入新的控制分组方式可以有效提高实时流（RT流）的带宽占用，随着节点数的增加，这种现象更加明显，具体表现为两种数据流下降的幅度不同，即非实时流（BF）比实时流下降的明显。通过机制改进以后实时流的表现情况如图3所示，通过与标准802.11 DCF下饱和吞吐量的对比可以看出，随着节点数的增长，带宽资源的损失增加幅度是明显降低。

图2 实时流和非实时流饱和吞吐量分析

图3 改进前后吞吐量对比

4 基于区分服务模型能量分析

4.1 基于first order的能量模型

Heinzelman在无线传感器网络能耗方面，吸收电磁和电路能量消耗的相关理论成果，制定了网络能耗的相关模型，本文的能量分析选用的就是first order模型。接下来，本文将按照选用WSN挽留过模型对能量模型进行建模。

4.1.1 感知节点能耗建模

在单跳簇状网络结构中，在一个时间周期，感知节点把采集到的数据只发给簇头，假设是k，那么其发送的能耗可以用下式表示：

由于在上述讨论中，节点的分布是均匀的，那么有

4.1.2 簇头节点能耗建模

如前所述，簇头节点负责把感知节点的数据传送给基站。一个簇有一个簇头和N/(M-1)个感知节点，那么，簇头节点在一个时间周期就要接收以上节点发来的数据，假设k比特，簇头把收到的数据汇聚后传给基站，所以它的能耗就可以表示为如下形式：

4.1.3 总能耗模型

单个簇的总能耗分为感知节点能耗和簇头节点能耗两部分，那么由4.1.1和4.1.2中对两类能耗的建模分析可以得出：

在无线传感器网络中，簇的数量是M个，那么整个网络的能耗为：

结合公式（18），本文选用模型在一个时间周期内，每个比特成功传送所需要的能耗为：

4.2 单跳簇状网络能耗分析

实时流和非实时流两种数据的能耗对比如图4所示。由图中曲线可以看出，两种数据的能耗都随着节点数目的增多而线性增加。簇头节点较少时，两种数据能耗差别较大，此时实时流的带宽占用较多，但是仍然低于非实时流的能耗花销，簇头节点数目越多，两种数据的能耗逐渐缩小，等接近200个节点时，这种差别已经几乎没有了。

WSN网络的节点越多，改进的效果越明显。随着节点的增加，网络的总能耗尽快也呈现上升趋势，但是幅度并不大。在数量较少时，改进机制的能耗相比原有机制大，随着数量增多，能耗的差别越来越模糊，等到接近200时，这种差别更是微乎其微。这表明，改进后的机制更适用于节点数目较多的复杂网络。

通过运用数学分析的方法，对提及的新机制尽心验证，验证结果表明该机制对于保证高优先级业务占用多的带宽资源具有非常明显的效果，减少了实时性业务丢包的可能性。文章最后还对改进的新机制能耗情况进行了验证，结果表明高优先级由于占用了较多带宽，其能耗在较少数目节点的网络中是高于低优先级能耗水平的，但是随着网络规模扩展、节点数目增加，这种差别越来越小，这也充分证明，文中提出的机制更适用于节点数较多的WSN网络中。

[1] 邹复民，蒋新华，王桐森，等.一种基于榕树型拓扑的铁路无线Mesh网络结构.铁道学报,2010,3(2):47-48.

[2] 郑国强，孙若玉，李济顺，等.一种适用于无线传感器网络的跨层高校MAC协议[J].传感技术学报,2009,22(1):95-99.

One kind of priority model based on 802.11 protocol of Wireless sensor data

Wang Chongying
(Shangluo University Dept.of Computer Science，Shaanxi Shangluo，726000)

The thesis using the mathematical analysis method.The results show that,it's obvious of the mechanism for the high priority data. And in the process of transmission,data packet loss condition has been effectively curbed.The thesis analyzes the mechanism’s energy consumption.The result is that the energy consumption of the high priority is lower than the low priority.The more of the nodes number,the obvious of the trend. Therefore,the proposed mechanism is suitable for the network of high node number.

WSN;high priority；MAC protocol;NTS

本文获陕西省教育厅自然科学研究项目资助（项目号2013JK1201）

中国计算机学会会员，会员号：E200033434M