基于爬虫机制的WSN数据稳定传输算法

郝 平

（陕西工业职业技术学院，陕西咸阳 712000）

随着“中国制造2025”的不断推进，以第五代无线通信（5th Generation Wireless Communication，5G）、智能传感（Intelligent Sensor，IS）为代表的新兴技术受到日益广泛的重视，给无线传感网技术注入新的增长动力，使得传统的无线传感网迈入智能移动时代［1］。由于无线传感网能够实时对部署区域内环境信息的感知，信息获取不受地域、环境、时间限制且具有组织自由度高、部署较为便捷、容错性能强及隐蔽性强等优势［2］。

实践中为实现对部署区域进行不间断监测，WSN网络节点部署往往需要采用密集部署模式，节点部署完毕后将定时机制通过邻居节点进行数据汇聚及传输［3］。虽然采取这种方式可达到数据传输便捷化的特点，不过由于所传输的数据具有冗余特点，会加剧节点能量消耗，从而导致WSN网络生命周期出现下降现象［4］。

为提高无线传感网生存质量并降低网络负载水平，研究者提出了若干具有前瞻性的数据稳定传输算法，在一定程度上解决了部署过程中遇到的问题［5］。如Jamuna等［6］提出了一种基于分片机制的WSN数据稳定传输算法，将待传数据按照传输路由稳定程度划分优先级并采取切片处理，仅针对优先级较低的数据切片进行重传输，可达到降低网络冗余的目的，网络生存周期较长。但是，该算法部署过程中需要实时评估数据优先级，容易导致部分节点频繁承担数据重传输功能，节点能耗水平较高。Kingsly等［7］提出了一种基于簇头备份机制的WSN数据稳定传输算法，其主要是优先选取簇区域内能量较优的节点作为备用簇头节点，用以承担簇头失效状况下的数据汇聚传输功能，具有节点能耗水平较低的特点。然而，该算法仅针对簇内区域进行了传输优化，在数据传输量较高的情况下极易发生备用簇头节点失效的现象，使得算法的网络生存周期不高。Devesh等［8］提出了一种基于聚类机制的WSN数据稳定传输算法，针对传输过程中易出现的重传输现象予以聚类处理，将中继传输热度较高的节点采取备份机制以防止节点受限，可适应数据传输量较高的部署场景。但是，该算法需要频繁对中继节点进行备份，导致节点利用效率不高，增加节点能耗水平。

鉴于当前研究中存在的不足，提出了一种基于爬虫机制的WSN数据稳定传输算法。

1 本文算法设计

为改善无线传感网数据传输质量，提高网络生存周期并有效降低节点能耗，本文将数据融合与路径优化相结合，从路径偏转和数据汇聚两个维度对数据传输进行优化。

1.1 基于树状传输机制的数据汇聚

考虑到数据汇聚过程一般遵循“源节点-中继节点-sink节点”的传输模型［9］，采取分簇方案将难以降低节点能耗［10］。因此，本文设计了基于树状传输机制的数据汇聚方法，具体步骤如下所示。

Step 1考虑到数据汇聚路径需要综合考虑能量和距离因素，首先对源节点v的下一跳节点进行筛选，筛选爬虫pj(k，t)可通过如下模型确定：

模型（1）中，k表示数据传输周期，t表示传输时刻，ηj(t)表示下一跳节点的剩余能量，μj(t)表示下一跳节点的距离系数，m表示下一跳节点的数量。a和b为调节系数，满足如下模型：

模型（3）中，l(v，j)表示源节点v与下一跳节点k之间的距离。

Step 2由于节点部署完毕后一般保持不动，因此针对下一跳节点的剩余能量ηj(t+Δt)，按下列方式进行评估：

模型（4）、（5）、（6）中，Δt表示下一时刻，f表示能量衰减率，ηj(Δt)表示sink节点在下一时刻的能量补充，ηm(Δt)表示与下一跳节点有数据传输关系的节点所获取的能量，G表示能量补充功率，l(m，j)表示节点m和节点j之间的距离。

获取模型（4）所示的下一跳节点剩余能量ηj(t+Δt)后，优先选取能量较高的节点作为下一跳节点。

Step 3下一跳节点爬取完毕后，按照Step 1-2所示的步骤逐个获取爬虫并确定中继节点，直到终点为sink节点为止，至此形成树状传输结构，如图1所示，记为Tree(v，sink)。启 动 数 据 传 输 流 程，优 选Tree(v，sink)中路径最短的链路作为传输路径，方法结束。

图1 基于树状传输机制的数据汇聚过程Fig.1 Data aggregation process based on tree transmission mechanism

完成基于树状传输机制的数据汇聚方法后，源节点v将形成树状传输结构Tree(v，sink)，该结构中存在多个可选路径，因而可从中按需甄选出性能较高的传输路径，以便网络性能得到改善。

1.2 基于角度偏转机制的路径优化

由基于树状传输机制的数据汇聚方法可知，传输过程中所选的中继节点可能不唯一，因此存在多径传输现象。考虑到下一跳节点与当前节点距离越长则能量消耗也越大［11］，见模型（3）。因此，设计了基于角度偏转机制的路径优化方法，具体步骤如下。

Step 1设当前节点为i，下一跳节点为j，则节点i在节点j处的偏转角α(i，j)可按如下方式获取：

α(i，sink)表示节点i与sink节点的夹角，α(j，sink)表示节点j与sink节点的夹角，＜＞表示三角取值，所获取的偏转角α(i，j)，见图2。

图2 夹角的获取Fig.2 Acquisition of included angle

Step 2逐个获取下一跳节点所对应的夹角α(j，sink)后，选取夹角最小的节点作为下一跳节点，见图3，方法结束。

图3 基于角度偏转机制的路径优化Fig.3 Path optimization based on angledeflection mechanism

完成基于角度偏转机制的路径优化方法后，网络可在树状传输结构Tree(v，sink)基础上，选出具有较低角度偏转的节点作为下一跳节点，这样可规避因路径较为复杂而导致失效转发的现象，避免因路径偏转过大而导致节点间拓扑距离增长，从而提高了路径健壮性。

2 仿真实验

为便于对比所提算法的性能，采取NS2（Network Simulator Version 2，NS2）仿真实验环境进行仿真［12］。其中，传感区域设置为矩形，大小为1024 m×512 m，节点为固定状态，其余仿真参数见表1。为体现所提算法的性能，采取基于模糊群搜索优化机制的WSN数据稳 定 传 输 算 法［13］（Novel Fuzzy Based Crow Search Optimization Algorithm for Secure Node-to-Node Data Transmission in WSN，CSO算法）和基于低时延节能路由感知机制的WSN数据稳定传输算法［14］（Low Latency And Energy Efficient Routing-Aware Network Coding-Based Data Transmission In Multi-Hop And Multi-sink WSN，LL-EECB算法）。

表1 网络仿真参数Tab.1 Network simulation parameters

实验开始后，在分布区域为1024 m×512 m的矩形区域内，采用随机分布方式进行布点，节点密度不高于10个/百平方米，通信频率均保持一致。

随后，网络以不高于1个/min的频率生成恶意节点，恶意节点在进行数据传输前均与正常节点的行为特征保持一致，节点加入速度可以通过sink节点进行调节。节点采用5G制式，信号发射制式采用1024位星座调制模式，且采取512移相键控调制方式，信号增益使用标准OFDM方式；最低覆盖范围不低于24 m，节点参数见表2。

表2 节点仿真参数Tab.2 Network simulation parameters

此外，实验将分高斯信道和瑞利信道两种不同的信道环境，仿真指标为网络生存时间、节点能耗两项，具体仿真结果如下。

2.1 网络生存时间

图4为所提算法与CSO算法和LL-EECB算法在不同信道条件下的网络生存时间测试结果，由图4可知，本文算法具有网络生存时间较长的特点，体现了优越的网络生存质量。这是由于所提算法采取了基于树状传输机制的数据汇聚方法，能够将抖动状态的链路固化为传输树，并从中优选具有稳定传输质量的链路用以数据传输，因而节点生存质量较高，具有较长的网络生存时间。特别是所提算法采取了基于角度偏转机制的路径优化方法，可缩短源节点与sink节点间链路长度，降低了因网络抖动而导致链路失效的情形，因而增加了网络生存时间。CSO算法针对距离、度和传输能量三个参数进行优化。优化过程考虑了最佳节点，按照距离较短、传输次数较高、传输能量三个条件进行节点筛选，因而可在一定程度上提高网络生存时间。不过，由于该算法需要采取遍历模型对网络节点进行一一遍历，因而节点能耗要显著高于所提算法，使得该算法的网络生存时间要短于所提算法。LL-EECB算法利用最小生成树模型构建元节点与sink节点间路由，并通过人工蜂群技术优化链路传输质量，可在一定程度上改进网络传输质量。不过，由于该算法未针对无线传感网节点间角度偏转予以考虑，节点转发数据过程中易出现节点受限现象，因而网络生存质量不高，导致该算法的网络生存时间要低于本文算法。

图4 网络生存时间测试结果Fig.4 Network lifetime test results

2.2 节点能耗

图5为所提算法与CSO算法和LL-EECB算法在不同信道条件下的节点能耗测试结果，由图5可知，所提算法具有节点能耗较低的特点，体现了较好的节能性能。这是由于所提算法针对无线传感网传输链路易发生抖动的特点，采取树状传输结构将抖动链路予以固化处理，并引入角度偏转机制对多径传输进行动态优化，可显著缩短传输链路的长度，降低了节点及链路失效的概率，因而数据重传输强度较低，使得节点能耗水平也处于较低的水平。CSO算法主要针对距离、度和传输能量三个参数进行优化，优选距离较短等因素对节点进行筛选，使得距离长度较短的节点频繁进行数据传输，从而导致网络热点现象发生，使得节点能耗要高于所提算法。LL-EECB算法仅从链路层面优化网络传输，未针对角度因素进行优化，使得数据重传输强度要高于所提算法，因而在节点能耗指标上亦要低于所提算法。

图5 节点能耗测试结果Fig.5 Node energy consumption test results

3 结 语

为解决当前无线传感网数据传输过程中存在的节点能耗较高及网络生存性能较弱等不足，提出了一种基于爬虫机制的WSN数据稳定传输算法。该算法主要由基于树状传输机制的数据汇聚方法和基于角度偏转机制的路径优化方法两部分构成，可显著改善网络生存质量，稳定数据传输性能，降低节点能耗，具有显著的实际部署价值。

下一步，将针对所提算法对移动环境适应性不足的情况，拟引入拉普拉斯拓扑分割机制，进一步提高所提算法对复杂环境的适应能力。