多源多汇WSNs中基于概率路由的数据融合方法*

卢 尧, 张太华, 何二宝

(贵州师范大学 机械与电气工程学院，贵州 贵阳 550025)

0 引 言

无线传感器网络(wireless sensor networks,WSNs)数据融合利用传感器计算能耗远低于无线通信能耗的特点，通过本地计算对传输数据进行合并、压缩或抽取等处理，在符合应用要求的前提下，缩减无线通信传输的数据量，从而实现减少传感器节点能量消耗，延长节点生存时间的目的[1,2]。现有WSNs数据融合的研究主要关注多源单汇的传统工作模式[3～5]。但是随着更加复杂的应用出现，WSNs 中需要部署多个汇聚节点，同时执行多项任务，多源单汇的数据融合方法已经无满足新的需求[6]。如何在多源多汇模式下利用数据融合减少网络中传输的数据量成为了新挑战。然而，国内外仍然缺少对此命题的探索。Xiong S等人[7]证明了多源多汇WSNs下的面向数据融合的最佳路由问题为NP—完全问题，并提出近似算法，但全局网络知识是先决条件，这种方法通过集中式计算构造固定路由结构，无法适应网络变化，应用范围受到了极大限制。Mottola L等人[8]采用分布式计算实现多源多汇数据融合，首先构造单源单汇的最短路由，然后合并部分路径实现融合。该方法没有探索最佳路由结构，无法保证融合性能接近最佳。

1 问题描述

图1 多源多汇WSNs示例

2 基于概率路由的数据融合

使用全局网络信息的集中式计算可发现上述优化问题的最优解。但随着网络规模的增大，其计算复杂度会变得非常高。一旦网络状态变化，网络知识就需要被重新收集，这使得集中搜索最优解在WSNs中变得不切实际。与之不同，本文将混沌蚁群优化以分布式的方式嵌入一般路由过程中，在只使用本地邻居知识的前提下，保证优化方法在较短的时间内获得一个可接受的近似最优解。

源节点周期性地采集数据并传输到网络中。蚂蚁被附着于普通数据包，利用概率选择，动态确定路由的下一跳节点，最终达到汇聚节点。路由结构不断更新变化，逐渐收敛到近似最优解，从而实现高效的数据传输。

2.1 本地优化因子

由于多个汇聚节点同时存在，面向每个汇聚节点的下一跳节点需要独立选择。路由路径间的重叠程度越高，数据融合的机会就越多。通过更改下一跳节点，每个节点可改变数据包的路由路径。下一跳节点的选择取决于信息素和启发因子的概率计算，两者应由组合优化问题中的优化指标决定。在避免使用全局知识的前提下，本文将优化目标转换为只需要局部邻居知识的链接吸引因子。

(1)

(2)

本文提出一种采用2.45 GHz四边形平面单极子阵列天线实现近场区电磁波调控的新方法。通过将平面单极子阵列天线与辅助偶极子阵列构成一个能量传输系统，利用两个阵列之间的功率传输效率最大化理论，可以得到最优的平面单极子阵列的激励分布。采用射频馈电电路能在四边形阵列内部近场区域产生沿指定曲线的电磁场分布。

(3)

2.2 基于混沌变量的概率性选择

为了避免路由路径产生回路，需要创建路由候选列表，此表只包含不大于当前节点的跳数的邻居节点，且下一跳节点就是从此表中挑选出来的。单个数据包面向不同汇聚节点的下一跳路由决策将被独立地执行。假设一个面向汇聚节点nd的蚂蚁(数据包)到达了节点ni。选择邻居节点nj的概率可表示如下

(4)

(5)

(6)

(7)

式中θ为混沌序列的阶数，且θ≥2。随着蚁群优化迭代的进行，混沌值的影响应变得越来越小，所以需要使用衰减系数影响混沌变量的

(8)

式中t和κ分别为算法迭代的次数与收缩因子。在优化的早期阶段，为了增强蚂蚁的搜索能力，混沌扰动会对信息素有更强的影响力，有助于探索更广阔的解空间，算法会迅速地跳出局部最优的位置。然而，当蚂蚁搜索区域接近最优解时，混沌变量的影响需要变小至可以忽略，以保证较快的收敛速度。

2.3 节点行为

在转发节点上执行数据融合尽量减少不必要的传输负载。当且仅当多个来自不同源节点的数据内容向着相同的目标汇聚节点移动，并且当它们在同一转发节点相遇时，数据融合能将它们组合成一个数据输出。图2中三个数据输入在数据融合的作用下合并为了一个数据输出A(s1s2s3)。

图2 数据融合示例

同一数据内容可能被多个汇聚节点所需求，一个节点可能被要求同时传输这个数据内容给多个下一跳节点。本文借助多播技术进一步提高无线通信效率。多播中单个数据包在单个节点上不会被复制为多个备份，无需通过独立传输操作分别发送到不同的下一跳节点。得益于无线通信的广播特性，即使存在多个下一跳节点，多播也能保证一个相同的数据内容在同一时间内到达多个下一跳节点，而不是被强制复制和独立传输。多播传输的示例如图3所示，所描述的节点尝试将数据s2通过三个下一跳节点ni,nj,nk发往三个汇聚节点d1,d2,d3。单播方式耗费3次发送，而多播方式只需要1次发送实现同样的目的。

图3 多播传输示例

WSNs节点行为主要表现为数据的发送与接收，具体流程可总结如下：1)接收到新数据包，将其按照接收顺序放入数据缓冲区中；2)准备发送数据，依次两两比较缓冲区中数据包，如果两个包拥有完全相同的目标汇聚节点集，则使用数据融合功能合并数据内容，只保留一个数据包，否则不执行融合操作；3)遍历缓冲区中每个数据包的每个目标汇聚节点，利用基于混沌蚁群优化的概率路由选择对应的下一跳节点，并将信息存储于数据包对应的数据结构中；4)遍历缓冲区中每个数据包，使用多播传输，同时发送单个数据包至多个下一跳节点。

3 仿真与性能评估

本文采用基于网络模拟器OMNeT++的建模框架Mixim实现WSNs的无线通信环境[10]。传感器随机部署在1 000 m×1 000 m的矩形区域内，系统参数根据前期实验得到推荐的数值，其中α，β∈[2,4]，λ∈[3,5]，φ={10,100}，γ∈[0.3,0.4]，θ={2,3,4},κ∈[10-3,10-1]本文提出的新方法为PDM(probabilistic routing based data fusion method in multi-source and multi-sink，WSNs)，Xiong S等人[7]提出的集中式多对多融合方法为OPD(optimizing many-to-many data aggregation)，Mottola L等人[8]提出的分布式融合方法为MUSTER(multisource multisink trees for energy-efficient routing)。

网络中传输的数据总量能反映数据通信负载，相关实验结果在图4(a)中展示。随着网络规模扩大，数据包到达汇聚节点的路途变远，数据传输量随之增加。得益于混沌蚁群优化和多播技术，PDM和OPD性能接近，能将数据总量控制在很低的水平。而MUSTER融合数据的能力有限，当有60节点时，它需要耗费的数据总量约为PDM的2.8倍。

数据传输延迟为数据包到达汇聚节点的时间与离开源节点的时间之差，图4(b)中展示了对比结果。由于PDM将延迟作为优化目标，因此获得了最低延迟。MUSTER在合并路由路径的开始阶段，使用了最短路径，有利于降低延迟。OPD则没有考虑延迟方面的指标，在最差情况下，PDM只需要OPD延迟的63 %，就能将数据传送到指定的目标。

最小节点生存时间可表示为网络中任意节点最早耗费完所有能量的时间。能量耗尽即意味着节点失去了通信的能力，那么网络的拓扑等状态会发生变化，数据传输会受到影响。由图4(c)所示，OPD的生存时间最短，因为缺少对此目标的考虑，部分节点可能承担了过多的传输任务，导致能量很快耗尽。PDM考虑节点的负载均衡，在不同的网络场景下，都能取得较长的生存时间，特别当网络规模较大时，效果更加明显，PDM相比OPD能延长约4.7倍的生存时间。

图4 仿真结果

观测上述指标的数值变化，能发现PDM基本处于最优或接近最优的位置，而且在生存时间上有明显优势，所以其多目标优化后的综合表现要好于另外两种融合方法。

4 结束语

为了在多源多汇WSNs中实现高效数据传输的目的，本文提出一种基于概率路由的多对多数据融合方法。链接多个源节点和多个汇聚节点的最优路由结构首先被分析，接着混沌蚁群优化通过完全分布式的方式被嵌入到路由过程中，以保证数据包选择高效的路由路径进行传输，概率性路由决策能保证方法对于网络环境变化有很好的适应性。数据融合结合多播技术，可进一步减轻数据通信负载。最后，基于仿真实验的性能分析验证了新方法在数据传输过程中的优势。