无线体域网低能耗功率控制与分布式调度算法*

贾燕燕， 谢志军， 经 贞

(宁波大学 信息科学与工程学院,浙江 宁波 315211)

0 引 言

无线技术在远程医疗和移动医疗上的应用产生了一种新型的无线网络—无线体域网络[1](wireless body area network,WBAN)。低功耗的设计思想贯穿着WBAN的各个层面[2]。降低传输能耗、延长网络生存期需要解决2个问题：在每个时隙开始时依据何种调度算法来选择节点进行传输和选择的节点依据何种功率控制算法选择发射功率。

目前，调度方法分为集中式和分布式两种:1)集中式方法需要收集整个网络全部节点的当前信道信息，在宿(Sink)节点进行统一调度[3],其对资源的要求较高，扩展性差;2)分布式方法中各节点根据本地信息，判断下一时隙是否传输数据,其相对灵活，已成为调度算法的主流。文献[4]给出了三种分布式调度算法：随机调度算法假设节点在物理层无差，在时隙来临时随机调度一个节点;机会调度算法调度激活节点中当前链路状况最好的节点;保守算法调度剩余能量最多的节点。文献[5]根据生存期标准，提出了最大化生存期动态策略算法(dynamic protocol for lifetime maximization,DPLM)并证明了该算法近似达到生存期最优值。文献[6]首次考虑无线链路质量的易变性，提出了一种类似TCP协议的乘增加减功率控制算法(multiplicative increase additive decrease, MIAD)，算法可在链路条件恶劣时迅速作出调整。文献[7]根据不同的人体姿势建立不同的曲线方程，提出了动态姿势推测(dynamic postural position inference, DPPI)算法。文献[8]在功率控制之前先进行链路质量判断，再选择相应的链路质量表征参数。

上述传输调度与功率控制算法存在的问题有:1) 现有的调度策略研究均单方面追求生存期最大化，而未考虑WBAN中各个节点监测的不同生理信号有不同的数据传输需求，使一些信道质量差或剩余能量多的节点长期处于饥饿状态；2)现有功率控制的核心基于链路质量与传输功率的函数关系，但无论是初始化时静态的函数关系，还是运行时根据环境选择的动态函数关系，均无法将两者复杂的关系简单的表示。

本文参考文献[9],分节点调度和功率控制两方面解决问题。针对第一个问题，借鉴文献[10]的公平性思想，对DPLM算法进行了改进，在能效指数设计中加入公平性指数，使算法在满足节点传输要求的基础上最大化网络生存期。针对第二个问题，将基于比例—积分—微分的单输出的神经网络(single-out proportion integral differential neural network,SPIDNN)算法引入到功率控制中，根据当前链路质量阈值的差值动态地将功率值调节到合适大小。

1 相关理论

1.1 DPLM算法

分布式调度算法通过引入能效指数对问题建模，每个数据传输周期中各节点计算自身的能效指数，根据能效指数与退避时间的函数关系计算退避时间，在达到退避时间时进行数据传输，具体如图1所示。

图1 分布式调度原理

调度算法的实质是能效指数的设计。能效指数γk是一个衡量调度优先级的系数，一般为节点本地信息的函数，如信道质量、剩余能量等。能效指数γk的函数关系用g表示为

γkg(x,y,z，…)

(1)

式中x,y,z为本地节点信息的不同参数，其中g(x,y,z)相当于一个策略，在机会调度算法中参数为链路质量信息，在保守算法中参数为剩余能量。

根据文献[3]中对网络生存期的公式分析可知，调度策略需要将节点剩余能量和传输能量均考虑在内，将二者平衡实现整个网络生存期最大化。DPLM算法在能效指数设计中同时考虑了节点剩余能量和当前链路质量，对机会调度算法和保守算法进行折中，提出了一种根据网络时间动态调节能效函数的方法，即在网络年轻时给信道状况好的节点更大的能效函数值，在网络年老时采取更保守的方法，给剩余能量多的节点更大的能效函数值。在DPLM中，能效指数参数为链路质量与剩余能量，其将能效指数定义为当前链路质量所需的传输能量占剩余能量的比值。

(2)

其中

(3)

式中Wn为在保证一定接收信噪比条件下向Sink结点传输一个数据包的能量；Ec为传输电路消耗的能量；γk(l)为第k个节点在第l个时隙的信道质量。

退避时间f(γ)是能效指数γ的严格减函数，即调度算法优先考虑能效指数大的节点进行调度，能效指数大的节点拥有较少的退避时间。两者的函数关系如图2所示。

图2 退避时间与能效指数的函数关系

在数据传输时隙，当有多个传感器节点同时发出数据传输请求时，节点根据本地信息，通过函数g()计算出能效指数γk，再依据γk与退避时间f(γ)的函数关系计算出退避时间τ，在达到退避时间时进行数据传输。

1.2 SPIDNN算法

SPIDNN自适应网络功率机制算法是一个嵌入了PID规则的三层前向神经元网络，为2×3×1结构，如图3。

图3 PID控制器原理

其输入层有2个神经元，接收外部输入信息,r为期望值，y为反馈值；隐含层有3个神经元，分别为比例、积分和微分神经元，分别完成比例、积分和微分运算；输出层只有一个神经元，完成控制规律的综合和输出。SPIDNN属于多层前向神经元网络的范畴，具有多层前向网络对任意函数的逼近功能。每一个SPIDNN的小神经单元由3个部分组成，输入net、状态u、以及输出x，隐含层的3个神经元分别为比例元、积分元和微分元，分别对输入信号进行比例、积分和微分处理。其基本原理如图3所示。

2 改进DPLM算法

2.1 能效指数设计

考虑到各节点对数据传输速率、在WBAN中的重要程度、延迟时间等参数均有不同差异，改进DPLM算法在能效指数设计中加入了数据传输速率参数。算法需要根据节点以往的调度情况对能效指数进行调整。如提高长期未调度节点的能效指数。因此，能效指数定义为节点剩余能量、传输能量、数据传输速度三者的函数。

对节点传输速度的历史数据进行移动加权求平均数。在每个调度时隙l开始时，通过式(4)更新数据速率的移动加权平均值

(4)

(5)

其中，R0k对于不同的传感器节点k，有不同的标准。综合考虑能效指数设计的两个条件，定义节点k的能效指数为

(6)

2.2 分布式实现

借鉴DPLM中将能效指数与退避时间的减函数设计，结合WBAN的时序。基于各节点信息的调度算法的分布式实现将在增加生命期和保持公平性上达到平衡。具体算法步骤如下：

1)每个数据传输时隙初始，Sink节点广播一个信标。

2)每个节点接收信标，并用此评估自身当前信道质量。

3)各节点根据信道质量计算定义的公平性权值wk，通过预设的退避函数f(w)将其公平性权值wk和退避时间进行匹配。

4)达到节点退避时间τk时进行数据传输；否则,进入休眠或监听状态。

2.3 公平性标准

改进DPLM算法公平性标准的设计思想是衡量实际传输次数与期望的偏离程度，将其定义为公平性指数

(7)

式中fx,fy为传感器节点x和y在一段固定时间内实际传输次数与期望传输次数的比值。当F=0时算法完全公平，F越高，公平性越高;反之,公平性越低。

3 基于SPIDNN的功率控制算法

在无线通信中，用无线链路质量来查看通信节点的性能，其中,收包率能最直观地表示这一性能，但收包率的统计是一个长时间的统计数据，对于链路质量的测量具有延时性，不能及时地获得链路质量，从而无法通过动态调整及时提高链路质量，收包率和RSSI存在一定的线性关系，且RSSI在无线链路中测量的是一个实时数据，因此，本文通过RSSI来查看无线链路的质量。根据802.15.4标准，当接收节点的RSSI值大于-85dBm时，可保证1%的误包率 (packet error rate，PER)，本文实验中选取-85dBm作为RSSI的阈值。

3.1 功率控制总体流程

功率控制分为功率初始化和数据传输2个阶段：1)WBAN中的各个节点先将发射功率统一成初始值，通过功率控制算法将传输功率调节到阈值范围内，为数据传输阶段做准备；2)利用初始化阶段已经调节好的功率值进行发送，在数据传输过程中判断RSSI均值是否在阈值范围内,若在阈值范围内，继续传输；否则，调用功率控制算法。流程如图4所示。

图4 功率控制流程

3.2 基于SPIDNN的功率控制算法

算法采用闭环反馈控制，输入为RSSI与阈值之间的误差，输出为功率调节量，被控对象为传输模块的功率控制单元。仿真实验中，包括3个节点：控制节点(Sink)，同时也作为接收节点；传感器节点(发送节点)；干扰节点。具体如图5所示。

图5 功率的闭环反馈控制

4 仿真实验

4.1 功率控制算法仿真实验

系统选择3个 TrueTime Kernel 计算机模块，一个TrueTime Wireless Network无线网络模块。3个计算机模块仿真3个节点，各节点分别作为系统的传感器/执行器、控制器以及一个干扰节点，调度采用prioFP策略。传感器为时钟驱动器，模拟人体的传感器节点定期对生理特征信息进行采样，如心率、脉搏等。控制器节点为事件驱动，模拟体域网中的Sink节点控制传感器节点的发射功率。由于单个体域网通信距离较短，假设两个模块的距离为1.2m，基于室内有障碍区域的路径损耗指数在4～8[11]，人体环境较复杂，链路质量依赖于人体移动[12]，所以本文算法路径损耗指数取5.8。两者通过无线网络模块通信，无线网络采用802.15.4/ZigBee方式，数据传输速率为10kbps。传感器节点周期性采样，通过无线网络将数据传给控制器节点。控制器节点通过功率控制算法将功率调节量通过无线网络传给执行器进行功率更新并量化。

本文在相同的仿真环境下，对比了经典的MIAD、传统PID算法以及本文的SPIDNN算法，如图6所示为3种算法的发射节点的发射功率。

图6 3种算法传输功率

通过2个指标来评价传输功率的效果：1)数据包成功接收率 (packet delivery radio，PDR)，%；2)发送2000个数据包的总耗能， mJ。每个包消耗的能量由相应输出功率级别对应的电流消耗计算得到,表1为算法对比结果。

表1 功率控制算法的比较

4.2 改进的DPLM算法仿真实验

仿真采用Omnet++内含的针对传感器网络的专业框架MiXiM。设计了1个Sink节点和6个传感器节点，布置于300 cm×300 cm区域。节点均匀分布在150 cm半径圆，而Sink节点置于圆中心。采用星型拓扑结构，如图7所示。

图7 仿真实验节点部署

包的有效载荷大小被固定为60 B。传感器节点传输数据使用2.4 GHz的RF频段，仿真时间为2 000 s。具体的仿真参数设计如表2所示。传输电路的能量消耗Ec为1 mJ，6个节点的期望数据传输速度分别为R0k={0.5,1,2,5,10,12},kbps，各节点∂k设为{0.1,0.5,0.6,0.7,0.8,0.9}。τmax设置为5个时隙，退避函数设定为τ=5/γ+1。

表2 仿真实验参数设置

首先比较各节点初始能量与网络生存期之间的关系，如图8所示。DPLM由于同时考虑了传输能量和剩余能量，因此相较其他3种方法获得最大网络生存期。本文算法由于在DPLM能效函数的基础上加入了数据传输速率这一参数，考虑了原本能效指数小且长期未被调度的节点，减少了网络传输的异常，对网络的时隙分配进行了均衡,因此,网络生存期略高于DPLM算法且远远高于其他3种传统调度方法。

图8 5种算法网络生存期比较

利用式(7)定义的网络公平性指数比较本分布式调度方法与4种经典调度方法在200个时隙内的公平性指数，每20个时隙随机抽取一个公平性指数绘制图9。公平性指数随着网络建立的时长逐渐趋于稳定。由于4种经典算法均未考虑不同传感器节点的传输速率差异，仅单纯从网络生存期的角度设计，因此，公平性指数均很低。本文算法由于在每个时隙计算出的能效指数中将各节点传输速率考虑在内，从而能在长时间内满足各节点的传输速度要求，将公平性指数控制在合理范围。

图9 5种算法网络公平性指数的比较

5 结束语

提出了一种基于SPIDNN的功率控制算法和一种改进的DPLM调度算法，解决了WBAN低能耗设计的两个问题。仿真实验表明：提出的功率控制算法节点平均能耗优于传统算法，以此为基础的调度算法在满足了各节点传输速率要求的同时，增大了网络生存期，提高了网络的公平性。

[1] 王 丰.运动姿态下无线体域网高能效技术研究[D].长春：吉林大学，2016.

[2] 邓世洲,高伟东,胡 炜,等.无线体域网技术研究现状与展望[J].传感器与微系统,2014,33(11):1-4.

[3] Bradai N,Fourati L C,Kamoun L.WBAN data scheduling and aggregation under WBAN/WLAN healthcare network[J].Ad Hoc Networks,2015,25(2):251-262.

[4] Chen Y,Zhao Q.On the lifetime of wireless sensor networks[J].IEEE Communications Letters,2005,9(11):976-978.

[5] Chen Y,Zhao Q.An integrated approach to energy-aware medium access for wireless sensor networks[J].IEEE Transactions on Signal Processing,2007,55(7):3429-3444.

[6] Xiao S,Dhamdhere A,Sivaraman V,et al.Transmission power control in body area sensor networks for healthcare monitor-ing[J].IEEE Journal on Selected Areas in Communications,2009,27(1):37-48.

[7] Quwaider M,Rao J,Biswas S.Transmission power assignment with postural position inference for on-body wireless communication links[J].ACM Transactions on Embedded Computing Systems(TECS),2010,10(1):14.

[8] Kim S,Kim S,Eom D S.RSSI/LQI-based transmission power control for body area networks in healthcare environment[J].IEEE Transactions on Information Technology in Biomedicine,2013,17(3):561-571.

[9] 田新越,李翔宇.无线传感器网络节点任务调度与功耗管理算法研究[J].传感器与微系统,2016,35(2):9-11.

[10] Ibrahim L,Osman H,Osman A,et al.Impact of power consumption in sensors life time for wireless body area networks[J].International Journal of Grid and Distributed Computing,2016,9(8):97-108.

[11] 张建辉,申兴发,陈积明,等.基于PID算法的无线传感器网络传输功率控制研究[J].传感技术学报,2007,20(1):177-182.

[12] Javaid N,Ahmad A,Khan Y,et al.A relay-based routing protocol for wireless in-body sensor networks[J].Wireless Personal Communications,2015,80(3):1063-1078.