机坪感知场景下WSN-ON接入机制与协议

陈维兴,苏景芳,孟美含

(中国民航大学 电子信息与自动化学院,天津 300300)

机坪感知网络作为机场安全运行保障核心区域,通过对众多机坪运行保障资源的持续深度感知来实现对地面航班运行的管控.由于机坪面积广阔,航班流密度和流向呈现一定随机性,部分机位间距分散(特别是远机位),导致机坪感知网络的弱连接现象,形成若干不连通子域.不连通网络严重影响信息传输质量.机坪作为被分割成若干不连通子域的网络拓扑,近年来出现的机会网络(opportunistic network,ON)理论为此提供了解决方法.不连通子域内部构成WSN(wireless sensor network),其间利用机坪移动体构建ON可带来传输机会,而移动体的复杂和智能程度可影响ON网络性能.以机坪特种车辆作为移动智能体(M-agent),其丰富的传输资源足以完成存储-携带-转发的任务,构建间歇性路由[1].此外,信息从不连通子域(WSN)过渡到ON的边界接入问题也是ON需解决的问题,如何选择WSN边界节点,以及如何完成该节点与M-agent的数据交互,是提高ON的网络品质,建立机坪感知物联的关键之处.笔者针对机坪这一种典型不连通子域,着眼于WSN边界节点和M-agent,利用ON束协议的方式,提出一种基于博弈论的WSN-ON边界接入方法,即基于博弈论的簇首选举方法(cluster head election method based on game theory,CEGT).

1 机坪感知网络不连通性分析

1.1 机坪感知网络的不连通性

由于机坪覆盖区域广,网络基础设施不完善,部分节点间距大,甚至超出节点通信范围.此外,航班流驱动旅客流、货物流和设备流,使多种节点信息汇聚,但航班流受某些因素影响呈一定的随机性,出现局部非均匀能耗的热点问题.机坪地形与航班流特性共同作用,形成机坪感知网络节点分布与路由的区域性分割,形成机坪感知网络的不连通性.

1.2 WSN-ON边界问题的提出

针对机坪感知网络的不连通性问题,笔者引入机会网络的路由传输方式,通过M-agent移动产生传输机会,从而进行数据传输.由于静态感知节点所采集数据的自身能量、功率等资源有限,无法进行长距传输,其数据传输主要依靠M-agent,这就使得静态感知节点产生的WSN与M-agent所形成的ON之间形成边界问题.图1为机坪感知网络边界问题示意图.

图1 机坪感知网络边界问题示意图

针对上述问题,研究人员针对ON与束协议方面进行了研究.文献[2]提出基于移动agent的机坪机会传输控制方法,并结合机坪特点提出基于机会转发的路由算法.文献[3]和[4]分别介绍了束协议在DTN网络和深空网络中的应用.文献[2-5]的研究结果表明:机坪感知网络中,在不连通子域间接入ON可改善网络连通性;在接入过程中,使用束协议可以支持在具有长时间数据传输、间歇式的链路连通、机会式的节点接触等特征的不同子网间实现互联和通信[5].高质量接入决定了网络的高性能,其关键环节是接入点的选择及接入协议的设计.

针对WSN-ON边界接入点问题,一方面是WSN边界点,即簇首(cluster head)的选取十分重要,例如文献[6-8]提出了不同的簇首选取规则.为减少接入点对网络生命周期的影响,笔者在节点分簇阶段的簇首选取环节中引入博弈论,以合理有效地选取簇首节点.另一方面,如何规划M-agent的运动方式、缓存、数据交互方式等也是关键问题.笔者在WSN-ON边界接入中设计了控制束协议,使ON有效接入WSN,进一步扩大边界,使边界不断相融,增强机坪网络的连通性.

2 基于博弈论的WSN-ON边界接入

2.1 博弈论在机坪WSN-ON中的应用

博弈论数学模型为Γ=(p,S,Ui).博弈行为主要包括以下3个要素:① 局中人(博弈参与者p),机坪子域所有网络节点都是局中人.② 策略空间S,其中策略是指局中人在给定信息集下的行动规则,每个局中人策略形式为Si:pi→si,其中si为局中人pi采取的策略.在机坪网络的分簇路由协议中,簇内节点负责发送数据,簇首节点负责转发接收到的数据,并且发送自身数据.因此簇首节点的选取至关重要,在节点竞争中,每个节点都有可能竞选为簇首.Si={si1,si2,…,sin}为节点i自身的策略集合.③ 效用函数Ui,为第i个参与者希望达到的最大利益函数.Ui=Wi-Fi,其中Wi指局中人pi在特定的策略组合{S1,S2,…,Sn}中获取的收益;Fi为此博弈中的代价.

2.2 研究现状分析

机坪感知网络WSN-ON接入点的选择,本质上是对某个不连通子域(WSN)与M-agent(ON移动节点)动态连接和机会传输时进行的簇首(WSN边界节点)优选,是关系到接入过程的重要因素.但区别于传统的WSN分簇管理思想,机坪感知网络WSN-ON接入点的选择既要考虑静态WSN的簇首优化特征,更要充分考虑由于簇首连接ON节点所带来的动态约束,确保不连通子域向ON的投递成功率和能耗水平,维持最优的机坪感知网络WSN-ON信息传输过程.

目前已有不少有关簇首选择算法的研究成果,但是针对笔者所讨论的WSN-ON接入过程的研究尚鲜见报道.与本研究有一定相关性的文献[6]和[7]分别提出了使用朴素贝叶斯分类器或者建立Secham算法模型的簇首选取方法,但是都忽略了节点的社会属性,脱离了节点的存在和进行信息传输的真实环境,不能反映机坪上部分节点形成热点或盲区的实际情况.文献[8]虽然提及类似研究方法,但其基于网格聚类,区域内随机遍布节点,通过拆分高密度区域和合并低密度区域,进行簇首选取,与机坪航班流驱动形成的实际边界区域网络严重不相符.

文献[9]建立了博弈模型,其收益函数主要考虑传输可靠度,代价函数主要考虑剩余能量和距离.针对机坪网络,由于节点随机性及信息优先级,可能在很短距离产生较大能耗,因此不能仅考虑节点的剩余能量.文献[10]基于节点的功率建立了博弈模型,主要考虑了功率、信道条件和信噪比对传输的影响,缺少对节点距离的考虑.为将机坪环境中节点运行结构进行公式化,在多标准的非概率簇首选取中使用博弈论思想[11],并参考上述已有博弈模型.针对机坪网络的弱连接性及容迟容错特性,在不连通网络边界的ON接入点选取中,基于节点的能耗、剩余能量、距离和节点中心度等社会属性建立了博弈模型.

2.3 CEGT及其控制思想

1) 定义:能够与节点i建立通信关系的节点个数作为节点i的节点中心度.

在博弈论算法中引进奖励惩罚机制:

(1)

2) 博弈模型建立:首先确定博弈规则.区域内所有节点均可以参与簇首竞争,且每轮簇首均与上一轮不同,假设总共进行k轮,总计n个节点,以n为周期,则k≥n.每轮中性能优异的节点竞争成为簇首,在博弈中以M-agent接收到的数据量衡量收益,代价是消耗节点能量,降低节点中心度.图2为CEGT方法流程图.

图2 CEGT方法流程图

其次为博弈初始化,需要各个节点广播,明确节点中心度及剩余能量;各节点进行博弈,并选出簇首,其余节点通过之前竞争,各自选择最佳路径,当所有需要转发的信息汇集到簇首,此次博弈结束.

最后为策略集合.所有节点都有机会当选为簇首,或者成为簇内节点.假设其中一组策略组合为S={Si,Si-},节点i当选簇首,在该策略下其收益函数为

(2)

式中:Di为节点i自身的数据量;q为i节点的节点中心度.

以M-agent将要接收到的数据量为收益衡量标准,α是常数,根据节点的能耗和初始能量对收益加权.初始能量高,能耗较少,α相对比较大,增加博弈收益.

随着传输距离增加,能耗增大,通信距离R与发射功率、接收灵敏度和工作频率f有关,R,f与无线传输损耗Los的关系为

Los=32.44+20lg(Rf)，

(3)

式中:Los为无线通信损耗,dB.

簇内节点与簇首通信后,由于能耗增大,其通信范围减小,使本轮簇首的节点中心度进一步降低.假设节点中心度减少了a个,则有如下博弈代价:

(4)

能耗大,剩余能量少的β值大,增加博弈代价,使得初始能量低,能耗大的节点获取的博弈效用减少,在此β仅代表本次传输产生的代价加权.则本次博弈的效用函数为

(5)

无线网络中工作频率一般是固定的,因此由式(5)可推断，网络中节点自身剩余能量越高,节点能耗越小,传输距离越短,节点中心度减少量越小的节点当选为簇首时，本次博弈获取效用最大.

3 基于CEGT的WSN-ON控制束协议

3.1 ON的束协议

为有效解决WSN中接入ON时产生的边界问题,提出WSN-ON控制束协议.束协议是多数据包融合形成的协议单元,可以与不同的底层协议相互配合.束协议可应用于长延时、高差错率、低速率、频繁中断和资源受限的网络中,是ON的一个重要部分.针对ON与WSN之间边界问题的接入,束协议传输机制如图3所示.

将束协议置于传输层之上,传输间断时,可将信息存储,并迅速寻找下一个传输点.当传输重新建立时,可将信息重新发送.发送中由于存在束协议,能够使信息更加完整,降低丢包率,提高投递成功率.

图3 边界区域内束协议传输机制

3.2 WSN-ON边界接入控制协议

机坪网络中,簇首节点基于ON束协议,利用与M-agent的相遇机会通信,从而转发WSN内部数据,簇首和M-agent是WSN-ON边界接入点.笔者提出一种基于CEGT的控制束协议,使得簇首节点与M-agent在束协议下能耗均匀、高效地实现信息传输,且降低时延.其执行步骤如下所示：

① 建立节点博弈模型Γ=(p,S,Ui).由博弈模型可知,一个边界内部有m个簇.簇内使用CEGT方法进行簇首选举,是束协议中的核心关键算法和步骤.伪码如下:

Initial:energy of each node:E0

location of each node:(xj,yj)

transferred datum:Dj

the degree of node centrality reduction:a

the total number of node of this cluster:jmax

the total number of round:kmax

Begin to choose the cluster header:

Procedure CEGT (α,β,Los,a,Dj)

fork← 0 tokmax;j← 0 tojmax

doα=Ei/ΔEi

Los=32.44+20lg(R*f)

Then calculate the gain of this round:Wj

calculate the cost of this round:Fj

doUj=Wj-Fj

choose the biggest one:Ui

k←k++;j←j++

end for

outputi

那么一个边界会有m个簇首需要与M-agent通信,要考虑优先级.给边界A内部的簇首按优先级编号为A1,A2,…,Am.

③ 当M-agent进入边界区域,首先要与簇首建立连接.优先级为A1的簇首要传输的内容,本边界内部数据包总数为m个,M-agent接收到每个数据包的大小、传输顺序以及发送请求等信息后,判断自身的缓存容量和定时器时间,并按照时间确定M-agent移动速度,给出回应,初始化结束,定时器开始计时.

④ 当A1发送完毕,M-agent发送托管确认消息,若A1未接收到托管确认消息,则重传数据包,直至完成数据包的托管.

⑤ 此时M-agent准备与A2建立连接.由于M-agent已知发送传输顺序,直接给A2发送传输顺序,然后确认连接,直至第m个簇首节点全部发送完毕.边界A与M-agent通信结束.

⑥ 当M-agent与边界B节点x、边界C节点y,或者其他的M-agentx进行数据传输时,忽略时延,只要连接建立,就可以发送其存储的数据.

4 CEGT的双平台仿真验证

4.1 Matlab中簇首选取仿真

在静态WSN中,利用Matlab仿真对比CEGT与Leach算法性能.表1为簇首选取仿真参数设置.

表1 簇首选取仿真参数设置

图4为第300轮仿真后,区域内CEGT可能存活的簇首节点.其中足够的簇首存活量表明CEGT有能力完成持续的WSN-ON接入.

图5为Leach与CEGT的单节点平均剩余能量对比.由图5可知:由于CEGT引入了以初始能量、传输能量和剩余能量为衡量标准的奖励惩罚机制,使其在博弈中更加注重网络负载均衡,避免了热点和盲区的出现,从而节点平均剩余能量下降缓慢;到第299轮时,节点平均剩余能量为0.026 J,且走向平滑;Leach在第152轮中节点剩余能量迅速衰减趋近0.

图4 第300轮仿真结果图

图5 Leach与CEGT的单节点平均剩余能量对比

图6为Leach与CEGT死亡节点数对比.由图6可知:仿真起始阶段,即前28轮中,Leach的死亡节点数低于CEGT,但是Leach死亡节点数增长速率远高于CEGT,第164轮仅剩1个节点;CEGT在第299轮结束时死亡节点数为171个,死亡率为57%,这是由于其采用多标准非概率的博弈方式,每一轮博弈产生的簇首节点在前一轮的博弈中不会出现,降低了局部非均匀能耗节点出现的可能.

图6 Leach与CEGT死亡节点数对比

综上,CEGT通过改善簇首的选举方案,使网络中节点进行能耗均匀地通信,有效延长了网络特别是簇首节点的生命周期.

4.2 机会网络仿真器中ON接入仿真分析

在ON仿真环境中,模拟机坪区域边界网络环境,区域内存在静态、动态等多种节点,重点针对M-agent的特征设置进行仿真.一类设置区域内可移动节点,如旅客、工作人员或保障设施,移动模型为Cluster Movement,其节点资源、移动模式和存在数量等特征均不同于M-agent;另一类设置M-agent节点,移动模型为Map Route Movement,即沿固定路线行驶的机坪特种车辆,且分别设置不同的缓存、移动速度等节点特征值.

仿真中,与M-agent通信的节点是通过CEGT选取的簇首节点.为对比不同节点数和不同缓存容量下ON的接入效果,在机坪网络ON接入中,使用机会网络环境模拟器(THE ONE)进行仿真.表2 为接入节点M-agent仿真场景参数设置.

表2 接入节点M-agent仿真场景参数设置

图7-9分别为簇首节点缓存容量为2,5和10 MB时机坪网络一个边界区域内有无移动节点M-agent下的投递率.由仿真结果可知:当簇首节点缓存区为10 MB下节点总数为60个，以及5 MB下节点数为40,80个时的投递率低于无M-agent的边界;缓存区为2 MB,节点数为100个时投递率重合；其余有M-agent的边界区域投递率均高于无M-agent.

图7 缓存容量为2 MB的投递率曲线

图8 缓存容量为5 MB的投递率曲线

综上所述,有无M-agent的投递率随着节点数的增加所呈现的曲线趋势均相同;由于机坪网络的特性,消息是由仿真中事件发生器随机产生,在个别节点数处有M-agent的边界区域投递率低于无M-agent;不同缓存区时,随着节点数目增加,有M-agent的边界区域投递率优于无M-agent,这是由于M-agent的移动带来相遇机会,进行数据的传输,此外,ON中的束协议保证了数据包的完整性,降低了丢包率,提高了网络投递率.

图9 缓存容量为10 MB的投递率曲线

图10-11分别为不同缓存容量的投递率和网络协议开销曲线.

图10 不同缓存容量的投递率曲线

图11 不同缓存容量的网络协议开销曲线

由图10-11可知:有M-agent时缓存区越大,投递率也越高,且网络协议开销也越大;缓存为2 MB时的平均投递率为0.333 4,5 MB时为0.564 6,10 MB 时为0.698 1,可知随着缓存空间的增大,投递率增加缓慢,而网络协议开销在同等条件下增加的更多.仿真结果表明:束协议下,在机坪网络的边界区域使用M-agent,通过其移动,产生与边界内节点传输信息的机会,使机坪网络实现了有效的WSN-ON的接入,且缓存区容量和节点数目等因素影响接入质量.

5 结 论

针对基础设施薄弱造成的不连通网络,提出一种基于CEGT算法的WSN-ON边界控制束协议.主要通过机坪弱连通网络进行仿真验证,考虑ON接入质量影响后续网络的品质.其中CEGT是一个网络博弈模型,有效地提高了节点利用率,延长了网络生命周期;同时在ON接入方面,基于CEGT的束协议,使WSN数据更加高效地接入ON.在ON接入过程仿真中,发现M-agent缓存区容量越大,网络投递率越高,但是网络协议开销也增大.随着进入ON的数据量增加会出现这种现象,同时也考虑可能是由于路由模型造成的.此外,在仿真过程还发现,为缓慢增长的投递率需付出更多的路由开销代价.