基于机会信号的区块模型的能效最优簇数的研究

刘东 熊召新

摘 要： 依据无线传感网络（WSNs）中WiFi、声或可见光的机会信号，提出基于最优簇数的区块模型（CML）。区块模型为衰落模型，反映机会信号随传播距离的衰减变化。为了减少总体能耗，利用区块模型的泰勒级数展开的不同阶次计算最优簇数。最后利用移动手机、无线接入点、声和光信号建立真实的实验平台，分析最优簇数。实验数据表明，相比Exponential模型和对数Log模型，CML的能耗分别下降约6%和8%。此外，相比于WiFi和声信号，可见光信号的能效提高近12%。

关键词： 无线传感网络； 能效； 簇； 机会信号； 区块模型； 最优簇数

中图分类号： TN914?34 文献标识码： A 文章编号： 1004?373X（2018）19?0019?04

Abstract： A compartmental model based on optimal cluster number is proposed according to the opportunity signals of WiFi， acoustics and visible light in wireless sensor networks （WSNs）. The compartmental model acting as an attenuation model can reflect the attenuation variation of opportunistic signal with propagation distance. In order to minimize the overall energy consumption， the different orders expanded by the Taylor series of the compartmental model is used to calculate the optimal cluster number. The mobile phone， wireless access point， sound and light signals are adopted to establish the real experimental platform to analyze the optimal cluster number. The experimental data shows that the energy consumption of the compartmental model is reduced by about 6% and 8% respectively than that of the exponential model and logarithm model， and the energy efficiency of the visible light signal is improved by about 12% than that of the WiFi and acoustic signals.

Keywords： wireless sensor network； energy efficiency； cluster； opportunity signal； compartmental model； optimal cluster number

0 引 言

能效是許多通信系统的基本要求，如无线传感网络（Wireless Sensor Networks，WSNs）、物联网（Internet of Things，IoT）[1]。为了解决高层问题，如定位、跟踪、路由和连通问题，将兴趣区域划分不同的区。基于簇的拓扑结构是典型的分区技术。分簇技术充分利用了传感节点的有限通信半径。每个簇内产生一个簇头，并由簇头先融合数据，再向信宿传输这些融合数据[2]，数据传输示意图如图1所示。

低功耗自适应簇协议LEACH[3]，LEACH协议用Type?2逻辑算法选择簇头，簇头在节点间轮流转换，进而平衡网络能耗。尽管簇技术能够降低网络能耗、提高数据传输效率，但是在固定网络下，分多少个簇，即最优簇数仍是一个挑战问题[4?5]。分簇的根本目的是减少能耗。因此，分簇必须与能耗相结合。为此，本文以最小化总体能耗为目标，进而优化最优簇数。

目前，所有簇技术是基于距离[dn]或指数无线能量消耗模型，其中[n]是路径衰落指数。此外，文献[6]针对WSNs的定位和跟踪，提出有效的区块（Compartmental）模型。在非视距环境下，相比于指数Exponential模型和对数Log模型[7]，Compartmental模型具有较好的性能。这激发了利用Compartmental模型优化簇数的动力，从而实现总体能量消耗的最小化。

此外，基于不同的应用，引用机会性信号是不错的策略。机会性的信号，如WiFi、声信号或可见光等。可依据不同的应用，选择这些机会性信号进行分析。例如，可见光不适合室外场景；声信号在安静环境无法使用；WiFi信号在拥挤地方衰减迅速。

为此，提出基于机会信号的WSN最优簇数的研究。先建立基于最小能耗的Compartmental模型，然后利用泰勒级数展开算法分析在不同阶次下的最优簇数，最后利用移动手机、无线接入点、声和光信号建立真实的实验平台，分析最优簇数。实验数据表明，基于Compartmental模型的平均能耗比Exponential模型和对数Log模型分别下降约6%和8%。

1 网络模型

假定[N]个传感节点均匀分布于[M×M]网络。簇数表示为[K]。面向机会信号的基于区块模型的能量消耗模型如图2所示。

从上述分析可知，能耗与距离[d]成非线性关系。为此，利用泰勒级数展开[8]分析能耗与距离的关系。考虑到计算量，只分析低阶次项。

1.1 一阶项

可利用任意的求根法获取式（13）的闭合解，如牛顿法、梯度下降法等。最终，可获取簇数的最优解[Kfirstopt]。

1.2 二阶项

2 性能分析

2.1 仿真平台

在2.4 GHz频段，将无线标准IEEE 802.11引用于接入点（Access Point，AP）与移动手机间的通信。接入点AP（TP?Link TL?WR841N）由2个全向天线组成，且其有5 dBi的增益。智能手机（Moto E3）测量室内多个位置的来自AP的信号强度。同时，分别利用安卓声音检测器、Lux Meter分别测量室内多个位置的声、光信号，且分别采用852 Hz的单音频和700 nm的单色光源。在室内每隔0.6 m收集这些机会信号。引用改进的Prony estimator[6，9]估计区块模型的参数，如表1所示。此外，[Eelec=50] nJ/bit，[Eda=5] nJ/bit/signal，[?=]4 000 bits。

2.2 数据分析

2.2.1 不同能量模型的平均能耗

本小节分析不同能量模型的平均能耗性能。为此，引用文献[6?7]所述的Exponential模型和对数Log模型作为参考。依据文献[6?7]，指数、对数模型可分别表示为：[Eamp（d）=αexp（βd）]，[Eamp（d）=γlogd+δ]。实验数据分别如表2和图3所示。

从图3可知，随着簇数的增加，平均能耗也随之增加。相比于Exponential和Log模型，本文提出的Compartmental模型的平均能耗得到了有效控制。对比图3a）和图3b）可知，节点数的增加加大了平均能耗。

表2列举了这三个模型的最优簇数，并分别列出直接搜索和推导分析两种策略下所获取的最优簇数。从表2可知，相比于Exponential和Log模型，Compartmental模型能得到最优的簇数。同时，节点数的增加也提高了最优簇数。

2.2.2 不同信号模型下的平均能耗

本节分析Compartmental模型在不同信号模型（WiFi、Acoustic、Visible light）下的能耗和最优簇数。实验数据如图4所示。

从图4可知，在[N=200]时，与WiFi和Acoustic信号相比，可见光信号消耗的能量更少。原因在于：在高照度要求下，可见光信号具有高的信噪比。与其他信号相比，可见光信号随传输距离的衰减变缓。

表3显示了不同信号下的最优簇数。从表3可知，可见光信号下，簇数最少。此外，从表3不难发现，[M]的增加扩大了簇数。

3 结 语

本文针对无线传感网络的能耗问题，提出基于最优簇数的区块模型。该模型利用WiFi、声、可见光的机会信号，并引用泰勒级数展开，分析在不同阶次下的最优簇数。实验数据表明，利用基于可见光的区块模型的能耗最低。与指数和对数的能耗模型相比，本文提出的区块模型的平均能耗得到了有效控制。

参考文献

[1] LENG M， TAY W P， SEE C M S， et al. Modified CRLB for cooperative geolocation of two devices using signals of opportunity [J]. IEEE transactions on wireless communications， 2014， 13（7）： 3636?3649.

[2] AMINI N， VAHDATPOUR A， XU W， et al. Cluster size optimization in sensor networks with decentralized cluster?based protocols [J]. Computer communications， 2012， 35（2）： 207?220.

[3] HEINZELMAN W B， CHANDRAKASAN A P， BALAKRISHNAN H. An application?specific protocol architecture for wireless microsensor networks [J]. IEEE transactions on wireless communications， 2002， 1（4）： 660?670.

[4] CUEVAS?MARTINEZ J C， YUSTE?DELGADO A J， TRIVINO?CABRERA A. Cluster head enhanced election type?2 fuzzy algorithm for wireless sensor networks [J]. IEEE communications letters， 2017， 21（9）： 2069?2072.

[5] YADAV S， KUMAR V. Optimal clustering in underwater wireless sensor networks： acoustic， EM and FSO communication compliant technique [J]. IEEE access， 2017， 5（12）： 12761?12776.

[6] KUMAR S， HEGDE R M. An efficient compartmental model for realtime node tracking over cognitive wireless sensor networks [J]. IEEE transactions on signal processing， 2015， 63（7）： 1712?1725.

[7] WANG G， CHEN H， LI Y， et al. On received?signal?strength based localization with unknown transmit power and path loss exponent [J]. IEEE wireless communications letters， 2012， 1（5）： 536?539.

[8] HARB H， MAKHOUL A， TAWBI S， et al. Comparison of different data aggregation techniques in distributed sensor networks [J]. IEEE access， 2017， 5（2）： 4250?4263.

[9] OSBORNE M R， SMYTH G K. A modified Prony algorithm for exponential function fitting [J]. SIAM journal on scientific computing， 1995， 16（1）： 119?138.

[10] KUMAR S. Compartmental modelling of opportunistic signals for energy efficient optimal clustering in WSN [J]. IEEE communications letters， 2017， 21（1）： 173?176.