太阳能补给的线性WSN路由算法研究
2022-09-15吕安琪李翠然谢健骊张泽鹏
吕安琪，李翠然，谢健骊，张泽鹏
(兰州交通大学 电子与信息工程学院，甘肃 兰州 730070)
随着交通工具多元化、高速化与智能化，其运行安全备受关注[1-2]。做好交通运营环境安全监测势在必行。无线传感器网络(Wireless Sensor Network, WSN)具有自组织性及定位等功能，适用于交通运营环境监测。然而，在交通运营复杂监测环境下，WSN中的传感器节点感知和通信的能量主要来自自身配置的电池且电池不易更换[3]。而在大规模WSN中传感器节点通过多跳的方式将数据传输至汇聚节点，转发数据量大的传感器节点能量消耗大，造成网络能耗不均衡的现象[4]。此外，网络中传感器节点对冗余数据的传输，会增加传感器节点能量负担[5]。以上情况均会影响WSN生存周期，限制无线传感器网络实际应用。
针对传感器节点能量受限与WSN生存周期短的问题[6]，研究者们从网络拓扑变化[7]、路由协议[8-9]等方面着手进行大量研究。文献[10]中，遗传算法被引入WSN，首先节点根据能效聚类，然后以网络覆盖率与节点剩余能量为输入参数，采用遗传算法选择簇头节点，从而达到减少通信开销、降低节点能耗的目标。文献[11]中，提出混合能量高效分布式集群算法，以均衡网络簇头节点分布，延长网络生存周期为目标。文献[12]中，提出基于自组织映射的能量聚类WSN路由协议，首先通过权值训练与重组形成高能量簇，然后将高能量节点与低能量节点组合均衡簇能量，从而达到延长网络生存周期的目标。文献[13]提出动态超循环策略及能量效率数据收集协议，通过调度集群任务达到降低节点能耗与延长网络生存周期的目标。
以上算法均可有效延长WSN生存周期，但其算法复杂度高，不适用于部署在铁路沿线的线性WSN。相比之下，文献[14]提出的基于节点间相关性的能量有效分簇路由协议的复杂度低，其利用节点位置相关性与节点剩余能量，选择出分布均匀的簇首节点，从而达到均衡节点能耗延长网络生存周期的目标。文献[15]针对部署于铁路沿线的线性WSN，提出组数据算法，其中传感器节点均匀部署且均匀分簇，相距K个距离的簇头节点形成一条传输路径，网络中有K条路径同时传输数据，该算法可有效地降低节点能耗、延长网络生存周期。此外，随着硬件的发展，能量采集技术已被引入WSN 中[16]。
针对传感器节点能量受限与网络生存周期短的问题，本文首先结合铁路沿线狭长的特点，对节点部署模型进行研究。然后介绍基于太阳能补给的协同数据传输策略，提出节能路由选择算法并对算法进行说明。最后通过仿真验证算法性能。
1 节点部署模型
假设WSN中的节点具有如下性质[17]：
(1)节点初始能量相同为E0，汇聚节点(Sink node)能量不受限，数据传输过程中，仅考虑节点发送、接收数据的能量消耗；
(2)每个节点在单位监测面积(m2)上产生数据为b0(bit/round)，数据均需被发送至Sink node；
(3)传感器节点采用有向半圆布尔感知模型；
(4)节点感知半径可调，通信半径为dt。
无线传感器网络用于监测交通运营环境，设L表示监测区域长度，W表示监测区域宽度，节点均匀部署于监测区域两侧，D表示同侧相邻节点间直线距离，不同侧相邻节点水平距离为D/2，节点部署模型见图1。
图1 节点部署模型
图1中，沿着列车运行方向视图，监测区域可划分为左侧和右侧。设SRi表示监测区域右侧节点，感知半径为Rr；SLi表示监测区域左侧节点，感知半径为Rl。令Rl≤Rr，Sink node部署于右侧，两侧传感器节点从Sink node处开始独立编号。根据左右两侧节点感知半径、监测区间长度与宽度的关系，节点部署模型可分为三种情形，见图2。
图2 WSN冗余感知示意
Case1：当max(Rr，Rl) Case2：当max(Rr，Rl)≥W，min(Rr，Rl)≤W且D/2≥W，D/2≤Rr时，相邻节点SR1与SR2感知区域发生重叠，相交于点A(xA,yA)，且yA≤W。节点部署模型见图2(b)。 Case3：当min(Rr，Rl)≥W，且D/2>Rr时，节点部署模型见图2(c)，节点SR1与SR2感知区域不重叠。 感知半径Rl为 Rl= ( 1 ) 在保证监测区域全覆盖条件下，使用自适应半径方法使各种节点部署情形下的冗余覆盖面积最小化，同侧节点感知半径保持一致。当两侧节点感知半径满足式(1)时，监测区域全覆盖。 定义：冗余覆盖比例B为冗余面积与监测区域面积的比值，其表达式见式(2)。B值越小，则用于冗余数据传输的能量越小。 ( 2 ) 节点采用典型的能量消耗模型[18]，发送、接收数据的能量消耗为 ET=Eelec+ε·dα ( 3 ) ER=Eelec ( 4 ) 式中：ET为节点发送1 bit数据消耗能量；ER为节点接收1 bit数据消耗能量；Eelec为发射电路消耗能量；d0=(εfs/εamp)1/2为距离阈值，当数据传输距离d 本文通过在传感器节点处配置太阳能电池板的方式采集太阳能，并通过储能装置存储能量，对节点提供能量补给。太阳能补给方案在补给能量的同时也存在一定的技术局限性，例如，太阳能具有不稳定性，会受时间周期、地理位置、气象变化等条件的影响，并且太阳能电池转换效率η仅在10%～25%之间等[19-20]。针对其局限性，研究太阳辐照度较小时的WSN能量补给。设太阳辐照度为F，mW/cm2，太阳能电池板面积为SH，cm2，储能装置容量为E=E0。WSN以周期性方式进行数据采集与传输，从网络开始运行至出现第一个节点能量耗尽的时长为网络生存周期，单位为round。1个round表示所有节点将单次采集到的数据均传输至Sink node的时长。设1个round时长为T，单位为s，则在1个round内储存能量EH为 ( 5 ) 设传感器节点进行能量补给时的充电功率恒定为PS，则在1个round内传感器节点可补充能量Ep为 ( 6 ) 基于太阳能补给的协同数据传输策略见图3，图中各变量含义见表1。 图3 协同数据传输策略流程 表1 变量符号及含义 数据传输示意图见图4。 图4 数据传输示意 当Rr=Rl时，进行双侧传输，见图4(a)，当Erem 当Rr>Rl时，初始时进行双侧传输，当Ererm 在华为绩效考核体系里，多数部门都会硬性分配绩效A/B/C的考核比例。就算全部门全年表现都很好，也不可避免有人要被评为“C”。 定义：传感器节点至Sink node的数据传输方向为正方向，节点i正方向上的节点称为节点i的前向节点，其反方向上的节点称为节点i的后向节点。 网络依据预设标准能耗值Estand对节点进行层次化聚类。层次化聚类从Sink node开始执行，距离Sink node越近的层次等级越高，转发数据量越大。标准能耗值为所有节点能耗上限值，用于确定转发节点。数据双侧传输时标准能耗可选取值见式( 7 )，其中i≤⎣dt/D」；数据单侧传输时标准能耗可选取值见式( 8 )，其中i≤⎣(dt2-W2)1/2/D+1」;di,Sink为节点i到节点Sink node的通信距离;kr=b0·π·Rr2/2为右侧节点单次感知数据量;kl=b0·π·Rl2/2为左侧节点单次感知数据量。 EBCi=「L/D+1-i⎤·kr·(ET+ER)= ( 7 ) ( 8 ) 节点层次化聚类过程描述如下：Sink node将预设标准能耗值及其节点信息反向发布至其通信范围内的传感器节点，接收到信息的传感器节点参与转发节点竞争。参与竞争的传感器节点计算将自身与其所有后向节点的感知数据发送至发布信息的节点所需能量，所需能量值小于预设标准能耗值且与其差值最小的节点竞选成为转发节点；之后，再由转发节点重复上述操作搜索下一个转发节点。相邻转发节点之间的传感器节点与正方向上的转发节点构成一个层次。转发节点用于收集本层中所有节点数据，接收下一层转发节点发送的数据，并将所有数据发送至上一层转发节点。当转发节点编号大于「L/D⎤-⎣dt/D」时，节点层次化完成。节点层次化过程见图5。 图5 节点层次化示意 本节基于层次聚类思想提出节能路由选择算法。数据双侧传输时，左侧路由与右侧一致。其中节点标记0表示节点可参与转发节点竞选；节点标记1表示节点不可参与转发节点竞选；节点标记2表示节点不可参与转发节点竞选，只能将数据发送至对侧对应节点，消耗能量Ed。路由选择过程步骤如下： Step1数据双侧传输，节点标记均为0，预设标准能耗值Estand=EBCi。基于节点层次化聚类确定转发节点并得到路径生成树，算法如表2所示。转发节点标记更新为1，数据传输过程中当转发节点剩余能量最小值小于Eath时停止数据传输，进入Step2。 表2 路径生成树算法 Step2返回Step1直至无法形成路由，当Rr=Rl时进入Step3；当Rr>Rl&Ererm Step3节点标记均更新为0并开启充电模式，Estand更新为EBC1，重新建立路由；当Erem>Ethn时，节点关闭充电模式，返回Step1；当Erem=0时，网络结束运行。 Step4左侧节点标记均更新为0，右侧节点标记均更新为2，切换至单侧传输，节点开启充电模式，Estand更新为ESC1，重新建立路由；当Ererm≥Ethn&Erelm>Eth时，节点关闭充电模式，返回Step1；当Erelm≤Eth时，进入Step5。 基于节点层次化聚类得到路径生成树，算法如表2所示，结合节点协同数据传输策略得到节能路由选择算法，如表3所示。 根据表2、表3可知，节能路由选择算法的时间复杂度由转发节点竞争过程和算法循环次数决定，对应的时间复杂度分别为T1(n)=O(f(n))和T2(n)=O(g(n))，其中，n表示问题规模，O(f(n))表示计算函数复杂度，f(n)表示转发节点竞争过程,g(n)表示函数循环过程，则算法时间复杂度T(n)=T1(n)·T2(n)=O(f(n)·g(n))。转发节点竞争中需遍历节点数目固定，不受变量L影响，故T1(n)=O(1)；算法循环次数与相邻转发节点编号差值相关，编号差值呈缓慢增大趋势，设第一个编号差为M，则T2(n)=O(n/M)=O(n)，节能路由选择算法复杂度T(n) =T1(n)·T2(n)=O(n)。 表3 节能路由选择算法 节能路由选择算法中能量阈值Eath与Eth相关，当Estand=EBCi时，网络进行i次路由搜索。各路由中能耗最大节点构成能耗线性方程组，如式(9)所示，各路由运行后节点剩余能量均为Eth，为理想状态。 ( 9 ) 式中：Ea,b为第a条路由中能耗最大的节点在第b条路由中的能耗；ti为第i条路由的运行轮次，得到Eath为 Eath=E0-Tm·EBCi (10) 式中：Tm=min(t1,t2,…,ti)。当EBCi=EBC1时，Eath与Eth应满足式(11)，得到Eth≤E0/2。Ethn如式(12)所示。若右侧节点能量先耗尽，则Eth最佳值Eth1如式(13)所示；若左侧节点能耗先耗尽，Eth最佳值Eth2如式(14)所示,故Eth如式(15)所示。 (11) (12) (13) (14) (15) 当EP (16) (17) (18) 使用MATLAB软件对所提出的节能路由选择算法进行仿真分析，仿真参数[21]如表4所示。 表4 仿真参数 监测区域长度L=1 km时，三种情形下的冗余覆盖比例B随Rr与D的增大而先减小后增大，见图6。各情形下B最小时对应最佳部署，节点部署参数如表5所示，N为传感器节点数目，三种情形下Eth保持一致。 表5 最佳部署参数 图6 冗余覆盖比例变化图 监测区域长度L=1 km时，在不同情形(Case1、 Case2、 Case3)，不同预设标准能耗下，支持网络持续运行的最小太阳辐照度f见图7。 图7 最小太阳辐照度f随Estand变化图 图7中各情形下f变化趋势一致，先随Estand的增大而快速减小，后随Estand的增大而缓慢增加。三种情形下f的最小仿真值分别为：0.332、0.825、1.125 mW/cm2，大小关系为：Case3>Case2>Case1，Case1对太阳辐射度要求最低。随监测区域长度L增长，三种情形下对应的f平稳增长，见图8，增长率关系为：Case1 图8 最小太阳辐照度f随L变化图 当L=1 km、f=0.25 mW/cm2时，网络无法持续运行，三种情形下的网络生存周期预测值与仿真值见图9。图中生存周期预测值略低于仿真值，Case1的网络生存周期最长，Case3的网络生存周期最短。 当f=0.25 mW/cm2、f=0 mW/cm2(无太阳辐照)时，随L增长，各情形下的网络生存周期逐渐缩短，见图10。对比可见，同种情形下节点具有能量补给可以延长网络生存周期，但随L增长网络生存周期延长量降低；网络生存周期关系为：Case1>Case2>Case3。 图9 网络生存周期随Estand变化图 图10 网络生存周期随L变化图 由以上分析可见，节点部署模型为Case1时网络生存周期最佳，故以此模型进行后续对比仿真。文献[14]中算法的网络结构与本文相似，文献[15]中算法的应用场景与本文一致，故将所提出的节能路由选择算法与能量有效分簇算法[14]和组数据算法[15]进行性能对比。在各算法中节点均具有太阳能补给的情况下，支持网络持续运行的最小太阳辐照度f见表6。其中能量有效分簇算法对f的要求高于组数据算法，本文算法对f的要求最低。随L增长三种算法对f的要求均逐渐增高，且本文算法对应的f增长率最低。可见本文算法可以降低网络持续运行时对太阳辐照度的要求。 表6 最小太阳辐照度对比 当f=0.25 mW/cm2与f=0 mW/cm2时，三种算法对应网络生存周期见图11。随L增长网络生存周期逐渐缩短，其中本文算法对应网络生存周期高于其他两种算法，组数据算法对应网络生存周期最低。这是因为组数据传输算法基于均匀分簇进行多路径传输增加了数据传输距离，增大了能耗；而能量有效分簇算法中簇头节点能耗均衡性低于本文算法。 图11 网络生存周期对比图 针对传感器节点能量受限与网络生存周期短问题，本文在对网络路由算法进行研究的同时将太阳能补给技术引入到网络中，使传感器节点能量补给过程与路由选择过程相融合，高效利用采集到的太阳能。然后，基于层次聚类思想提出节能路由选择算法，采取限制节点能耗的方式均衡节点能耗，延长太阳能采集时间，从而有效地降低网络持续运行时对太阳辐照度的要求并延长网络生存周期。 仿真结果验证了本文算法在提高网络生存周期方面的有效性。进一步分析发现，随L增长网络生存周期延长量减小，且本文算法与能量有效分簇算法性能差距缩小，即L增长会降低能量补给效果、限制路由算法性能，下一步将针对此问题展开研究。
2 能量模型与数据传输策略
2.1 能耗模型
2.2 能量采集模型
2.3 数据传输策略
3 节能路由选择算法
3.1 节点层次化聚类
3.2 协同数据传输策略下的路由选择过程
3.3 算法复杂度
3.4 算法性能分析
4 仿真分析
5 结论
