基于混合蒙特卡罗算法的网络隐式节点监测方法研究

李隘优

( 闽西职业技术学院， 福建 龙岩 364021 )

0 引言

动态分簇传感网络是一种新型的网络拓扑结构，它可以有效地提高信息的传输和均衡控制能力[1-2].目前，许多学者对动态分簇传感网络进行研究，并取得了一些成果.例如：文献[3]提出了一种基于蚁群算法的网络隐式节点监测方法，该方法可以实现对网络节点的监测，但其信息转发能力较差.文献[4]提出了一种基于能量优化的无线传感器网络动态分簇目标节点的跟踪监测方法，该方法通过能量信息可实现对目标节点的跟踪监测，但存在操作过程复杂的问题.针对文献[3]与文献[4]中方法存在的问题，本文提出一种基于混合蒙特卡罗算法的网络隐式节点监测方法,并通过仿真对该方法的有效性进行验证.

1 节点定位部署和路由探测算法

1.1 隐式节点的自适应定位部署模型

本文采用分组链路转发协议构建动态分簇传感网络的节点优化部署模型，并结合动态路径搜索方法进行动态分簇传感网络的路径寻优控制，以此提高动态分簇传感网络的隐式节点挖掘和定位检测能力.动态分簇传感网络中的无线传感节点采用均匀阵列部署.假设动态分簇传感网络通过线列分布的形式部署在一个M的正方形区域，如图1所示.

图1 节点的部署结构模型

图1中，动态分簇传感网络的路径相邻节点的置换带宽为Ts=NfTf.利用IEE 802.15.4 MAC路由协议对节点的分布式进行调度，可得节点的初始带宽，为：

(1)

ERX(L)=LEelect.

(2)

其中Eelect表示网络拓扑结构的能量开销.本文采用全网能量均衡控制的方法获取网络拓扑结构的能量开销，以节点的初始带宽为依据建立传感节点分簇调度模型.传感节点的分簇调度模型为：

(3)

当满足cjTc

(4)

其中bj为动态分簇传感网络中无线传器节点的信道损耗，Ts为路径相邻节点的网络连通时间，Tf为节点的输出链路.以信道冲击响应为基础，依据传输时延控制对串行链路进行控制，可得相邻节点的最小跳数，为：

PAOMDV=(1-Pd)2·

{1-[1-(1-Pe)n(1-Pd)n-1]m}.

(5)

根据上述分析，结合自适应链路转发协议对网络的路由探测进行设计，以此构建动态分簇传感网络的隐式节点路由均衡控制模型[5].

1.2 路由探测设计

利用路由探测算法计算传输路径中相邻节点的耗能，由此得到的动态分簇传感网络图拓扑中的链路增益为

(6)

在线性均衡控制协议下，动态分簇传感网络簇头节点的输出路径偏移矢量为

(7)

在路由分簇模型的控制下，动态分簇传感网络中的隐式节点A向Source节点S发送数据包时，簇头节点的最大跳数为

Eco m m=ETX+ERX,

(8)

其中ETX表示隐式节点的时间消耗，ERX表示初始功耗损耗.本文采用分组协议实现动态分簇传感网络的节点传输路由设计，如图2所示.

图2 动态分簇传感网络的节点传输路由设计

2 隐式节点监测优化

2.1 信道均衡控制

隐式节点的路由均衡控制输出为

tDATA+SIFS+tT-start).

(9)

利用混合蒙特卡罗算法计算无线传感节点数据，其转发成功的概率为

LACK+PR-starttR-start+PT-starttT-start.

(10)

设动态分簇传感网络中的隐式节点向Sink节点发送数据的帧头长度为h， 动态分簇传感网络的路由节点传输数据的到达率为xiri(x).采用分组协议传输策略计算节点的输出功率的损失，为:

LACK)+2(PT-starttT-start+PR-starttR-start)=

k1(LDATA+LACK)+2k2，

(11)

其中：

k2=PT-starttT-start+PR-starttR-start.

在全网功耗均衡控制下，对动态分簇传感网络隐式节点进行监测.在不定开销模型下，动态分簇传感网络的节点输出占空比为

(12)

利用混合蒙特卡罗算法提取隐式节点输出信息的关联特征量，得到隐式节点监测的路由动态分簇方程：

(13)

由方程(13)即可实现对动态分簇传感网络路由分簇模型进行信道均衡控制.

2.2 混合蒙特卡洛算法及监测优化

通过构建动态分簇传感网络隐式节点路由的均衡控制模型，可获得隐式节点输出信息的关联特征量[6].对动态分簇传感网络中的无线传感节点进行低功耗调度处理，可得到传感网络的混合蒙特卡洛滤波函数：

采用动态均衡控制方法对动态分簇传感网络路径的相邻节点进行置换，得到隐式节点i的邻居变化率定义：

Δt=t-told.

(14)

采用动态分簇传感网络中的路径相邻节点对当前节点i进行置换，其置换的时间间隔为：

N·PT-starttT-start+ETX，

其中N为最优子节点数.令路径相邻节点置换链路W(p)=GTp2-Cp+αT， 于是可得隐式节点分簇调度的代价函数：

tco m m=DIFS+tbackoff+tDATA+SIFS+

tACK+tT-start；

tbackoff=CR×tslot, 0≤CR≤CW.

动态分簇传感网络的根节点A和路径相邻节点B的分组转发控制特征量为W(p).由于动态分簇传感网络中隐式节点的监测配置输出需满足动态性要求，因此本文设定随机采样区间为p∈[0,1]， 并对节点进行如下监测：

根据上述步骤，即可实现对网络隐式节点信息的监测.

3 仿真实验与结果分析

实验以400 m*400 m二维平面作为动态分簇传感网络的节点分布区域.动态分簇传感网络的信息采集幅值为12 V，相似度特征系数为1.24；动态分簇传感网络中，无Sink节点的初始覆盖半径为12 m，有损功耗为Pe=0.03；检测统计特征值Pd=0.024；网络传输的初始时延为0.26 s，负载为2 400 Kb/s.其他参数如表1所示.

表1 仿真参数

根据上述无线传感器节点参数的设定，进行动态分簇传感网络监测，得到图3所示的隐式节点的定位检测结果.根据该定位结果，利用混合蒙特卡罗算法进行特征检测和信息提取，并分析网络隐式节点的规则性特征量，得到节点的动态跟踪监测曲线，如图4所示.

图3 隐式节点定位检测输出

图4 网络隐式节点的动态跟踪监测输出曲线

图4中，实线代表本文方法的动态跟踪监测输出曲线，虚线代表实际的动态跟踪监测输出曲线.分析图4得知，本文方法的监测曲线与实际的监测曲线基本接近，表明本文方法的动态跟踪网络隐式节点的监测性能较好.

不同方法测试所得的网络隐式节点的监测丢包率如图5所示.由图5得知，本文方法的最高丢包率仅为0.05，而蚁群算法和PEAS算法的最高丢包率分别为0.29和0.48，这说明本文方法对网络隐式节点的监测效果优于蚁群算法与PEAS算法.

图5 不同方法的数据包转发丢包率

4 结语

实验验证表明，本文提出的基于混合蒙特卡罗算法的网络隐式节点的监测方法，其最高丢包率仅为0.05，低于蚁群算法(0.29)与PEAS算法(0.48)，说明本文方法对网络隐式节点监测的输出控制性能较好，具有一定的实际应用价值.今后我们将研究进一步缩短网络隐式节点监测时间的方法，以提高监测网络隐式节点的效率.