APP下载

面向无人机协助的WSNs 的数据收集策略*

2021-04-08李春若邹子贤

传感技术学报 2021年1期
关键词:时隙吞吐量中断

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。

猜你喜欢

时隙吞吐量中断
基于时分多址的网络时隙资源分配研究
复用段单节点失效造成业务时隙错连处理
跟踪导练(二)(5)
千里移防,卫勤保障不中断
2017年3月长三角地区主要港口吞吐量
2016年10月长三角地区主要港口吞吐量
2016年11月长三角地区主要港口吞吐量
一种高速通信系统动态时隙分配设计
时隙宽度约束下网络零售配送时隙定价研究
2014年1月长三角地区主要港口吞吐量