面向无人机协助的WSNs 的数据收集策略*

李春若邹子贤

(江西财经职业学院南昌校区信息中心，江西 南昌331700)

节点能量有限阻碍了拓展无线传感网络(Wireless Sensor Networks，WSNs)的应用[1]。 部署在恶劣或者特殊环境中的节点，即使电池电量消耗殆尽，也很难再给节点充电或者更换电池。 作为一项新兴技术，能量捕获有望成为解决WSNs 能量受限问题的希望[1]。

相比于太阳能、风能等绿色能源，节点从空间中的射频信号中捕获能量更稳定。 太阳能、风能随环境变化的波动较大，捕获的能量不稳定。 节点通过从射频信号中捕获能量，进而对电池充电是补给节点能量的不错选择。 实验表明，当Powercast 射频发射机以915 MHz 的频率工作时，在距离发射机11 m的射频信号中可以捕获3.5 mW 的无线功率[2]。

因此，将射频能量捕获(Radio Frequency Energy Harvesting，RF-EH)技术[3]应用于WSNs，可以缓解节点能量受限问题，拓展WSNs 的应用。 如无线电能传输(Wireless Power Transfer，WPT)、同步信息和电能传输(Simultaneous Information and Power Transfer，SIPT)均是目前被广泛关注的RF-EH 技术。

多数WSNs 应用要求节点将自己感测的数据传输至信宿(Sink)。 因此，有效的数据收集策略可提升WSNs 的扩展性和效率。 近期，由于移动便捷、部署灵活，无人机(Unmanned Aerial Vehicle，UAV)通信已成为满足下一代蜂窝用户需求的有效技术[4-5]。

将UAVs 用于WSNs，通过UAVs 收集数据，可提高降低数据传输时延，提高数据传输效率。 因此，基于UAV-协助的WSNs 受到研究者的广泛关注[6-9]。

然而，由于位于同区域的节点所感测的数据具有相似性，若每个节点都借助UAV 向Sink 传输数据，多数能量将浪费于这些相似数据的传输。 在多数场景，邻居节点感测的数据存在相似性，这些数据存在一定的冗余。 为引用簇技术。 将网络内节点划分不同的簇，每个簇由一个簇头(Cluster Head，CH)。 CH 先收集并处理本簇内节点的数据，再将数据传输至UAV。 即只有CH 与UAV 直接通信。

为此，本文针对UAV 协助的无线电能的WSNs网络， 提出时隙优化的数据收集(Time Slot Optimizing data-gathering，TODG)策略。 TODG 策略采用电力包给节点进行无线电能充电，同时引用无人机协助数据传输。 为了减少能耗，采用簇结构，由簇头与无人机进行通信，同时，无人机向簇头补给能量。 通过优化时隙的分配，降低中断概率，并提高了系统吞吐量。

节点能量有限阻碍了拓展无线传感网络(Wireless Sensor Networks，WSNs)的应用[1]。 部署在恶劣或者特殊环境中的节点，即使电池电量消耗殆尽，也很难再给节点充电或者更换电池。 作为一项新兴技术，能量捕获有望成为解决WSNs 能量受限问题的希望[1]。

相比于太阳能、风能等绿色能源，节点从空间中的射频信号中捕获能量更稳定。 太阳能、风能随环境变化的波动较大，捕获的能量不稳定。 节点通过从射频信号中捕获能量，进而对电池充电是补给节点能量的不错选择。 实验表明，当Powercast 射频发射机以915 MHz 的频率工作时，在距离发射机11 m的射频信号中可以捕获35 mW 的无线功率[2]。

因此，将射频能量捕获(Radio Frequency Energy Harvesting，RF-EH)技术[3]应用于WSNs，可以缓解节点能量受限问题，拓展WSNs 的应用。 如无线电能传输(Wireless Power Transfer，WPT)、同步信息和电能传输(Simultaneous Information and Power Transfer，SIPT)均是目前被广泛关注的RF-EH 技术。

多数WSNs 应用要求节点将自己感测的数据传输至信宿(Sink)。 因此，有效的数据收集策略可提升WSNs 的扩展性和效率。 近期，由于移动便捷、部署灵活，无人机(Unmanned Aerial Vehicle，UAV)通信已成为满足下一代蜂窝用户需求的有效技术[4-5]。

将UAVs 用于WSNs，通过UAVs 收集数据，可提高降低数据传输时延，提高数据传输效率。 因此，基于UAV-协助的WSNs 受到研究者的广泛关注[6-9]。

然而，由于位于同区域的节点所感测的数据具有相似性，若每个节点都借助UAV 向Sink 传输数据，多数能量将浪费于这些相似数据的传输。 在多数场景，邻居节点感测的数据存在相似性，这些数据存在一定的冗余。 为引用簇技术。 将网络内节点划分不同的簇，每个簇由一个簇头(Cluster Head，CH)。 CH 先收集并处理本簇内节点的数据，再将数据传输至UAV。 即只有CH 与UAV 直接通信。

为此，本文针对UAV 协助的无线电能的WSNs网络， 提出时隙优化的数据收集(Time Slot Optimizing data-gathering，TODG)策略。 TODG 策略采用电力包给节点进行无线电能充电，同时引用无人机协助数据传输。 为了减少能耗，采用簇结构，由簇头与无人机进行通信，同时，无人机向簇头补给能量。 通过优化时隙的分配，降低中断概率，并提高了系统吞吐量。

1 网络模型

考虑如图1 所示的UAV 协助的无线电能的WSNs 网络。 网络内有n个节点，m个电力包(Power Beacon，PBs)。 引用文献[10]的分簇算法，将n个节点划分为k个簇，每个簇产生一个CH。 无人机沿着CH 的上空移动，分别收集CH 的数据。图中的蓝色带箭头的虚线表示无人机移动路线。 图1 中只考虑了四个簇。

图1 网络模型

假定所有节点装备了能够充电的电池，它们可存储电能。 假定所有节点的初始能量并不足于感测或传输数据。

n个传感节点形成一个CH。 假定节点与CH的信道为瑞利衰落信道；CH 与UAV 通信的信道莱斯信道。

将整个操作时间T划分四个时隙。 划分为四个时隙的原因在于:整个操作细分为四个动作:①节点对电池充电；②选择簇头及传输信息；③补给能量；④簇头向无人机传输数据。 为了有序地执行这四个动作，就将时间T划分为四个时隙。

第一时隙时长为αT/2(0＜α＜1)；在第一时隙内，节点接收来自PBs 的WPT 信号，对电池进行充电；第二时隙的时长也为αT/2。 在第二个时隙内完成CH 选择和信息传输。 将第二个时隙细分为两个子时隙，分别用于CH 的选择和信息的传输，且时长分别为αT/6 和αT/3，如图2 所示。

图2 时隙结构

在第三个时隙，CH 接收来自UAV 的WPT 信号，补充能量，且时长为T(1-α)β(0＜α＜1)。 在最后一个时隙，CH 向UAV 传输数据，且时长为T(1-α)(1-β)。 在该时隙内，CH 将观察的数据进行融合处理，传输至UAV。

2 CH 和UAV 接收的信号

2.1 CH 接收的信号

令Pj表示在第一个时隙αT/2 内jth的PB 的传输功率，其中j∈1，2，…，m。 假定PBs 传输的信号相互独立[11]。 令Ei表示ith节点在αT/2 内所采集的总能量:

式中:ω表示路径损耗指数；di，j表示ith节点与内jthPB 间距离；η表示ith节点的能量转换效率。

一旦ith节点电能充满，ith节点就从环境收集数据，再向CH 传输数据。 假定在αT/3 内，每个节点传输功率为:

在第二时隙结束后，CH 已收到来自n个节点传输的数据。 令yCH表示CH 在第二时隙结束后所收到的信号:

式中:表示节点i与CH 间的衰减系数；si表示节点i传输的归一化调制信号；nCHi表示节点i与CH 间信道的AWGN 噪声，且的均值为零，方差为。

2.2 UAV 接收的信号

CH 接收簇内节点数据后，就在第三个时隙内进行充电。 即在T(1-α)β内，CH 从UAV 传输的RF-WPT 信号捕获能量。 令ECH表示CH 从UAV 接收的能量:

式中:Pu表示UAV 的传输功率；ηu表示能量转换效率；gu表示UAV 与CH 间的衰减系数；ρu＝k/dw u表示UAV 与CH 间路径衰减因子，其中k、w是路径衰减指数；du表示UAV 与CH 间距离。

结合式(1)至式(4)，可计算CH 的传输功率:

依据式(3)和式(5)，UAV 接收的信号yUAV:

式中:nu表示CH 与UAV 间的AWGN 噪声，且其均值为零，方差为。

3 基于中断概率最小化的时隙比例α的优化

3.1 中断概率

先令随机变量X1，X2和X3分别表示信道幅度增益的平方，即和

当UAV 处的端到端信噪比(Signal Noise Ratio，SNR)小于阈值γ0，则UAV 与CH 间信号就中断。因此，先计算UAV 处的端到端的SNR 小于阈值γ0的概率，其定义如式(7)所示:

令Pout表示UAV 与CH 间信号中断的概率，其定义如式(8)所示:

式中:F(·)表示累加分布函数(Cumulative Distribution Function，CDF)；FX2(X2)＝1-exp(-X2/Ωi)。 其中Ωi表示平均信道SNR 值，即Ωi＝E(X2)。

m个分布式瑞利随机变量之各可表述为Nakagami-m的随机过程[12]。 因此，概率密度函数fX3(X3)可表述为:

式中:表示平均信道SNR 值，即最后的概率密度函数可表示为:

式中:K表示Rician K-factor，其视距直射信号(LoS)和发散路径之间的线性比值，被广泛用于描述莱斯信道的特征；Kυ(·)表示第二类阶修正贝塞尔函数；Γ(x)表示Gamma 函数。

此外，通过整合变量X3，将式(8)的双重积分简化一重积分。 最终，可得Pout:

3.2 吞吐量

依据式(11)的中断概率，UAV 可获取的吞吐量:

式中:R表示节点传输速率。

3.3 时隙比例α 的优化

以最小化中断概率为目的，推导最优的时隙比例α:

式中:S表示簇内的节点数；A表示簇内的活动节点数；表示节点i被选为CH 时的总的能量；Ci表示节点i被选成为CH 的标量。 若Ci＝1，表示节点i成为CH；若Ci＝0，表示节点i未被选成为CH；式(15)约束了只有一个节点被选为簇头。 P1 的优化问题属凸优化问题[13]，其通过CVX 工具求解。

4 性能分析

4.1 仿真环境

在Windows 7 操作系统、8GB 内存，core i7 CPU的PC 上进行实验。 利用MATLAB 软件建立仿真平台。 在200 m×200 m 区域内部署400 个节点(n＝400)和6 个PBs(m＝3)。 将400 个节点分成10 个簇。 具体的仿真参数如表1 所示。

表1 仿真参数

4.2 α 对中断概率的影响

本小节分析时隙率α对平均的端到端中断概率的影响。 图3 给出在每个PBs 传输功率为{30，50，80}dBm 时，平均中断概率随α的变化情况。

图3 时隙率α 对中断概率的影响

从图3 可知，PBs 传输功率的增加，有利于降低中断概率。 原因在于:传输功率越大，给节点补给的能量越多。 此外，在PBs 一定时，当时隙率α的较小时，增加α可以降低中概率，但是当时隙率α大于0.7 后，中断概率又随α的增加而上升。 这说明存在最优α值，使中断概率保持最低。

图4 给出吞吐量随时隙率α的变化情况。 从图可知，当时隙率α较小时(小于0.6)，时隙率α的增加，使吞吐量快速增加。 当时隙率α达到0.6 时，吞吐量达到最大值。 随后，吞吐量随时隙率α的增加而下降。 此外，PBs 传输功率的增加，有利于提升吞吐量，这符合预期。 PBs 传输功率越大，节点的能量越充足，收集的数据越多。

图4 时隙率α 对吞吐量的影响

5 总结

针对由无线电能供电的WSNs，本文研究了基于UAV 协助的数据收集方案。 节点由PBs 供电。推导了最小化中断概率和最大化吞吐量的时隙分配率。 仿真结果证实了推导工作的正确性。 后期，将考虑多个簇的网络结构，并分析UAV 的移动路径对吞吐量的影响。 同时，考虑UAV 的能量消耗问题。即依据网络拓扑结构，优化UAV 移动路径，减少UAV 的能量消耗，这将是未来的研究内容。