能量捕获无线感知网络低时延数据收集策略

，，

(1.浙江工业大学 计算机科学与技术学院，浙江 杭州 310023; 2.浙江工业大学 经贸管理学院，浙江 杭州 310023)

在传统无线传感器网络(Wireless sensor network,WSN)中，节点通常使用电池供电，因此节点的生存时间受限，能量捕获无线传感器网络(Energy-harvesting wireless sensor network，EH-WSN)可以克服这一不足.EH-WSN的节点可以从环境中能量源捕获能量以支撑节点工作[1].近年来，射频能量捕获技术已经成为新的研究热点，可应用于WSN、无线体域网等领域.因此，笔者主要研究以射频作为能量源的EH-WSN.与传统WSN一样，EH-WSN的主要功能是收集数据.基于树的数据收集方案不需要配置路由表，简单且容易实现，在实践中得以广泛应用，如CTP(Collection tree protocol)协议[2].Basagni等[3]将唤醒信号技术与收集树协议结合，提出了唤醒信号转发，延长了网络生存时间且降低了时延.朱艺华等[4]在最短路径树基础上，根据节点的剩余能量和通信消耗能量提出了比例权值以及和权值路由算法，提高了WSN的生存时间.Kuo等[5]构建最小化传输能耗的数据融合树.Gong等[6]研究了传统WSN节点之间相互干扰情况下数据收集树的构建、链路调度和功率分配的问题.Imon等[7]提出一种随机切换算法，以延长网络生存时间.Wu等[8]研究了单个Sink场景下最大网络生存时间的数据收集树构建问题.He等[9]研究了考虑链路不可靠条件下负载平衡的数据聚合树的构建.总之，基于树的数据收集方案已经得到比较广泛的应用.

注意到EH-WSN节点从射频中捕获的能量与能量捕获功率、能量捕获时长等因素密切相关.在生成数据收集树时，如果忽视这两个因素，就可能导致一些能量捕获效率低的节点承担过多的数据转发任务，从而在这些节点能量不足时，数据转发任务被终止，这就产生额外的数据收集时延.遗憾的是，上述基于树的数据收集方案，均未考虑这两者，笔者弥补上述不足，主要贡献在于：1) 定义了能够反映节点能量捕获功率、剩余能量和能量捕获时长的无线链路权值；2) 提出了数据收集树构建算法和低时延数据收集策略.

1 系统模型及假设

设EH-WSN中有N个节点：1 个Sink节点，记为节点0；N-1个能量捕获传感器节点，称为节点1，2，…，N-1.此外，假设Sink节点和传感器节点的位置是固定的，Sink节点能量不受限制且存储了整个网络的拓扑结构信息，普通节点的通信半径相同，传感器节点从环境电磁波中捕获能量.Sink节点定期进行数据收集，传感器节点以多跳方式把数据传送给Sink.

射频能量捕获节点的组成模块包括：低功率微控制器、低功率无线发送接收装置、射频能量捕获器、能量管理模块和能量存储模块.射频能量捕获传感器节点架构[10]如图1所示.

图1 射频能量捕获节点架构Fig.1 Architecture of EH-WSN node

采用文献[11]的能量捕获功率模型，即节点i捕获到的射频功率可表示为

(1)

式中：PTx为射频源的发射功率；GT，GR分别为射频源和能量捕获节点的天线增益；λ为波长；η为节点i的能量捕获效率；Lp为极化损耗因子；d为节点i和射频源之间的距离.此外，采用文献[12]的能耗模型,即节点接收k比特数据包的能耗为

Erx(k)=kEelec

(2)

节点发送k比特数据包的能耗模型为

Etx(k,d)=k(Eelec+Eampdγ)

(3)

式中：Eelec为电路上接收或发送每比特的能耗；Eamp为放大器发送每比特数据的能耗；d为发送节点与接收节点之间的距离；γ为路径损耗系数，一般取值2或4.

2 低时延数据收集策略

2.1 链路权值

定义1(数据收集时延) 数据收集时延指从Sink开始收集数据直到Sink接收到树中所有节点的数据包这段时间长度.

定义2(能量瓶颈节点) 能量瓶颈节点指数据收集树中能量捕获时长最大的节点.

在数据收集过程中，数据收集树中节点一旦能量不足，就会进入能量捕获状态，从而节点经历着断断续续的能量捕获和通信过程.因此，节点能量捕获时长对数据收集时延有很大影响.换言之，在构造数据收集树时，需要考虑节点的能量捕获时长.

先看1 个例子.如图2(a)所示的网络拓扑，圆圈表示节点，圆圈内标记0的是Sink节点；节点旁边括号内一对数字分别表示节点的剩余能量和能量捕获速率.假设节点接收1 个数据包消耗1 个单位能量，发送1 个数据包消耗2 个单位能量，每个节点有1 个数据包要发送给Sink.显然，由图2(a)可以产生许多数据收集树，图2(b，c)是其中两棵树.对于图2(b)，节点1需要接收来自其子节点3，4，5的3 个数据包，耗能3 个单位，之后，需要发送4 个数据包给其父节点0，耗能8 个单位，共需要耗能11 个单位.由于节点1已有能量2 个单位，因此它需要捕获9 个单位能量，捕获能量时长是4.5 单位时间，因为其捕获速率是2.同理，节点2能量捕获时长是4/3 单位时间，节点3，4，6能量捕获时长都是1 单位时间，节点5的能量捕获时长是0.5 单位时间.因此，节点1捕获能量时长最大，是能量瓶颈节点.也就是说，用图2(b)的树Ta收集数据时，节点1在延误4.5 单位时间之后，才能把数据包发送给Sink节点.从图2(c)可知：节点1，2能量捕获时长分别是3，7/3 单位时间，节点3，4，6能量捕获时长均为1 单位时间，节点5能量捕获时长是0.5 单位时间.因此，节点1是能量瓶颈节点，它造成数据被延误3 个单位时间才能转发到Sink.由此可见：与收集树Ta相比，Tb的数据收集时延小1.5 个单位时间.

图2 网络拓扑与数据收集树Fig.2 Topology of the WSN and data gathering tree

这个例子表明：数据收集时延受到树中能量瓶颈节点的影响.因此，在构建数据收集树时，应使得能量瓶颈节点的能量捕获时长尽可能小，才能降低数据收集时延.

对于树T的节点i，以C(i)表示其子节点集合，ni和mi分别表示在1 个数据收集周期内节点i产生的数据包个数和要发送给其父节点的数据包个数，并设每个数据包的长度为(比特)，可得

(4)

对于节点i，它在1 个数据收集周期内需要的总能量为接收所有孩子节点的数据包的能耗加上发送数据包给父节点的能耗，即

(5)

以D(T)表示数据收集树T中能量瓶颈节点捕获能量所耗时间，则

(6)

式中符号定义为

(7)

用T(k)表示以Sink节点为根并且包含了k条链路的数据收集树，以li,j表示节点i和j之间的无线链路，定义链路li,j的权值为

(8)

式中：|T(k)∪li,j|为当前已经加入到树中节点的个数；Bmax为节点的电容容量；α，β为正整数系数用来平衡式中3 项的取值.在式(8)中，第1 项表示当链路li,j加入树之后所得到能量瓶颈节点平均充电时长.如果li,j加入到树中且使得能量瓶颈节点的充电时长越大，那么该链路的权值也就越大，它加入数据收集树的优先级也就越小.式(8)第2 项为节点能量捕获功率的倒数.如果当前链路的1 个不在树中的端点的能量捕获功率越大，那么该链路的权值就越小，其加入到树的优先级就越高.从式(8)第3 项可以看出：如果当前链路的1 个不在树中的节点的剩余能量越大，那么该链路的权值就越小，其加入到树中的优先级就越高.因此，能量捕获功率大和剩余能量大的节点能够越早加入到树中.

2.2 数据收集树构建算法

用V表示网络中节点集合V={0,1,2，…，N}，用Tl表示加入到数据收集树的链路集合，用VT表示已经加入到数据收集树的节点集合.

构建数据收集树的算法：初始化Tl为空，VT={0}，也就是把Sink节点作为树的根，Nj表示j节点的领居集合，w*表示1 个足够大的值.具体描述如下：

算法1数据收集树构建算法

whileVT≠Vdo

w1=w*，i1=-1，j1=-1

for eachj∈VTdo

for eachi∈Nj-VTdo

使用式(8)计算链路权值wi,j

ifwi,j

w1=wi,j，i1=i，j1=j

end if

end for

end for

VT∪{i1}→VT

Tl∪{li1,j1}→Tl

End while

从算法1可看出：每次加入数据收集树的链路是权值最小的，也就是端点剩余能量大并且能量捕获功率大，同时加入到树中之后使得能量瓶颈节点充电时长最小的链路.当算法1运行结束时，就可以获得一棵数据收集树T，树中的链路保存在集合Tl中.易知算法1的复杂度为O(N3).

2.3 数据收集过程

树上各节点把数据传递给各自的父节点，直到数据到达Sink节点.

3 性能评价

为了考察笔者所提算法的效率，将其与文献[4]中提出的Ratio-W和Sum-W算法进行比较.

Ratio-W和Sum-W算法分别使用了一跳的数据包传输能耗比上节点剩余能量和一跳的数据包传输能耗加上节点剩余能量的倒数作为dijkstra最短路算法的链路权值来构建最短路树，每个节点选择的父节点都是距离自身较近并且剩余能量能较多的节点.不同于此，笔者提出的算法在考虑节点剩余能量的同时，还考虑了节点能量捕获功率和网络中的最大能量捕获时长，每次加入到树中的链路是那些端点剩余能量和能量捕获功率较大，并且加入到树中使网络的最大能量捕获时长增长最小的链路，从而可以使得那些剩余能量和能量捕获功率较大的节点更早的加入到树中，更早的加入到树中使这些节点可以成为其他节点的父节点，承担更多的数据包转发.

对比指标：1 个数据收集周期的数据收集时延和收集1 个数据包的平均能耗.用Matlab编制仿真程序.在仿真中，网络节点分布在1 个500 m×500 m的区域内，节点的无线电通信范围为50 m.每次仿真随机产生包含N个节点的连通的网络拓扑(采用逐个加入连通节点的方法，在随机生成的节点与已有节点不连通时，则丢弃该节点而随机生成另一个节点).在每一轮数据收集过程，假设节点产生4 个数据包，数据包的长度为100 字节.射频能量源位于网络中央，射频能量源发射功率为20 W.假设节点的电容容量Bmax为20 mJ，节点的初始能量服从均值μ为0.004 J，标准差σ为0.001的正态分布.其他仿真参数如表1所示.表1结果是2 500 次仿真运行的平均值.

表1 其他仿真参数Table 1 Simulation parameter

首先，考虑节点数变化对时延和能耗的影响.取α=1，β=1，每个时隙长度为128 ms，节点的数据率为6.25 kbps.让节点数变化，得到图3，4.从图3可以看出：随着节点个数的增加，3 种算法所构建的树的数据收集时延均变大，但笔者提出的算法的数据收集时延相比于Sum-W和Ratio-W更低.这是因为笔者算法考虑尽可能减小瓶颈节点的能量捕获时长，但Ratio-W和Sum-W不然.这样，随着节点个数增大，Ratio-W和Sum-W构建的数据收集树产生了长期处于能量匮乏状态的瓶颈节点，从而需要很长的能量捕获时长，因而增大了数据收集时延.

图3 数据收集时延对比Fig.3 Data gathering delay comparison

从图4可以看出：当节点个数较小时，在笔者算法所构建的数据收集树中节点的平均能耗大于Sum-W和Ratio-W，当网络规模较大时笔者算法能耗则比两者低.这是因为在Ratio-W和Sum-W中节点总是选择剩余能量较大并且距离自身更近的节点作为父节点，当网络中节点个数较大时，那些剩余能量大的节点由于子孙节点过多往往需要承担很大的数据负载，与此同时，这些节点的祖先节点同样需要承担这些数据负载，这就使得这些有过多子孙节点的节点及其祖先节点需要消耗更多能量，从而导致收集1 个数据包的能耗大大的增加.然而，在笔者算法中，节点在选择父节点时为了降低能量瓶颈节点的充电时长，并非考虑选择剩余能量大并且离自己近的节点，而是选择那些当前能够承担更多数据负载的节点，而且考虑了对其祖先节点的能量捕获时长的影响.因此，当网络中节点个数较大时笔者算法可以得到更低的能耗.

图4 能耗对比Fig.4 Energy consumption comparison

其次，考虑射频源功率变化对时延和能耗的影响.取α=1，β=1，节点个数N=140,时隙长度为128 ms，节点的数据率为6.25 kbps.让射频源功率变化，得到图5，6.从图5可以看出：随着射频源发射功率的增大，3 种算法构建的数据收集树数据收集时延都降低，这是因为随着射频源发射功率的增大，网络中节点的能量捕获功率也随之增大，使得节点的能量捕获时长得以降低，从而降低了数据收集时延.然而，数据收集时延的降低趋势随着射频源发射功率的增大变得不明显，这是因为当节点的能量捕获功率大到一定程度时，节点的能量捕获时长不断减小，随之而来的是树的结构成为影响数据收集时延的主要因素.实验结果表明：笔者算法所构建的数据收集树的数据收集时延一直低于另外两种算法.这也反映出：在节点能量捕获功率较低的环境中，笔者算法能获得更低的数据收集时延.

从图6可以看出：当节点个数不变时，随着射频源发射功率的增大，收集1 个数据包的能耗基本不变.这是因为收集1 个数据包的能耗是由树的结构决定的，而射频源发射功率的变化仅影响节点的能量捕获时长.实验结果表明：在140 个节点的网络中，笔者算法所构建的数据收集树收集1 个数据包消耗的能量稍大于Sum-W但远远小于Ratio-W.

图5 数据收集时延对比Fig.5 Data gathering delay comparison

图6 能耗对比Fig.6 Energy consumption comparison

下面研究笔者算法在不同数据率下数据收集时延的变化情况.取节点个数N=100，α=1，β=1，得到图7.从图7可以看出：随着数据率的增大，数据收集时延逐渐降低，但降低趋势越来越不明显.这是因为数据率的增大使得数据包的发送时延得以降低，从而降低了整个网络的数据收集时延.

图7 数据率不同收集时延对比Fig.7 Data gathering delay comparison in different data rate

最后研究链路权值中α，β对数据收集时延的影响.取N=100，时隙长度为128 ms，节点的数据率为6.25 kbps，射频源发射功率为20 W.让α，β各自变化得到图8.从图8可见：随着α的增大，数据收集时延逐渐减小，并且减小趋势变缓，但随着β的增大，数据收集时延逐渐也增大，但增大趋势变缓.

图8 α和β不同数据收集时延对比Fig.8 Data gathering delay comparison in different α and β

4 结 论

在射频能量捕获无线传感器网络中，节点通过捕获环境中的射频能量来支持其工作，在能量不足时，节点停止数据传输而转向捕获能量，这会增大数据收集时延.提出的低时延数据收集策略，综合考虑了能量瓶颈节点的能量捕获时长、节点的能量捕获功率以及节点的剩余能量，可以降低数据收集时延.

参考文献：

[1] ULUKUS S,YENER A,ERKIP E,et al. Energy harvesting wireless communications: a review of recent advances[J]. IEEE journal on selected areas in communications,2015,33(3):360-381.

[2] GNAWALI O,FONSECA R,JAMIESON K,et al. Collection tree protocol[C]//ACM Conference on Embedded Networked Sensor Systems. New York：ACM,2009:1-14.

[3] BASAGNI S,PETRIOLI C,SPENZA D. CTP-WUR: The collection tree protocol in wake-up radio WSNs for critical applications[C]//2016 International Conference on Computing,Networking and Communications(ICNC). Piscataway：IEEE,2016: 1-6.

[4] 朱艺华,沈丹丹,吴万登,等.无线传感器网络优化生存时间的动态路由算法[J].电子学报,2009,37(5):1041-1045.

[5] KUO T W,LIN K C J,TSAI M J. On the construction of data

aggregation tree with minimum energy cost in wireless sensor networks: NP-completeness and approximation algorithms[J]. IEEE transactions on computers,2016,65(10): 3109-3121.

[6] GONG D,YANG Y. Low-latency SINR-based data gathering in wireless sensor networks[J]. IEEE transactions on wireless communications,2014,13(6): 3207-3221.

[7] IMON S K A,KHAN A,FRANCESCO M D,et al. Energy-efficient randomized switching for maximizing lifetime in tree-based wireless sensor networks[J]. IEEE/ACM transactions on networking,2015,23(5): 1401-1415.

[8] WU Y,MAO Z,FAHMY S,et al. Constructing maximum-lifetime data-gathering forests in sensor networks[J]. IEEE/ACM transactions on networking,2010,18(5): 1571-1584.

[9] HE J,JI S,PAN Y,et al. Constructing load-balanced data aggregation trees in probabilistic wireless sensor networks[J]. IEEE transactions on parallel and distributed systems,2014,25(7): 1681-1690.

[10] LU X,WANG P,NIYATO D,et al. Wireless networks with RF energy harvesting: a contemporary survey[J]. IEEE communications surveys & tutorials,2015,17(2): 757-789.

[11] HE S,CHEN J,JIANG F,et al. Energy provisioning in wireless rechargeable sensor networks[J]. IEEE transactions on mobile computing,2013,12(10): 1931-1942.

[12] HEINZELMAN W R,CHANDRAKASAN A,BALAKRISHNAN H. Energy-efficient communication protocol for wireless microsensor networks[C]//Hawaii International Conference on System Sciences. Piscataway：IEEE Computer Society,2000:8020.