陶 碩 ，劉 盈

(1.馬鞍山職業(yè)技術(shù)學(xué)院電子信息系，安徽，馬鞍山243031；2.井岡山大學(xué)電子與信息工程學(xué)院，江西，吉安343009）

0 引言

近年來，網(wǎng)絡(luò)社區(qū)理論已經(jīng)從傳統(tǒng)的社交領(lǐng)域逐步滲透入移動無線傳感網(wǎng)（Mobile Wireless Sensor Network，M-WSN）、物聯(lián)網(wǎng)（Internet of Things，IOT），網(wǎng)絡(luò)社區(qū)聚類算法也開始進(jìn)行實(shí)際應(yīng)用部署，以解決網(wǎng)絡(luò)定位、數(shù)據(jù)傳輸?shù)染W(wǎng)絡(luò)技術(shù)難題[1-2]。

網(wǎng)絡(luò)社區(qū)聚類算法作為一種能夠有效捕捉網(wǎng)絡(luò)熱點(diǎn)并實(shí)現(xiàn)對網(wǎng)絡(luò)節(jié)點(diǎn)形態(tài)及模式追蹤的常用方法，已成為國內(nèi)外學(xué)者的研究熱點(diǎn)。如Kai等[3]提出了一種基于時(shí)空二向度特征捕捉機(jī)制的網(wǎng)絡(luò)社區(qū)聚類算法，該方法通過正交方式在時(shí)間、空間兩個(gè)維度進(jìn)行聚類特征捕捉，并采用周期時(shí)移機(jī)制實(shí)現(xiàn)熱點(diǎn)聚類的動態(tài)更新，提高聚類生成及更新的效率，在移動無線傳感網(wǎng)領(lǐng)域具有較好的應(yīng)用場景。但是，該算法實(shí)現(xiàn)過程復(fù)雜，需要采用復(fù)雜的信道-信源信號過濾預(yù)成型機(jī)制來實(shí)現(xiàn)特征構(gòu)擬，在實(shí)際應(yīng)用中，難以進(jìn)行大規(guī)模的部署應(yīng)用。Zhi等[4]提出了一種基于連通度熱點(diǎn)更新機(jī)制的網(wǎng)絡(luò)社區(qū)聚類算法，該方案主要通過區(qū)域廣播算法實(shí)現(xiàn)對拓?fù)渎?lián)通狀況的實(shí)時(shí)感知，且使用君士坦丁尋址機(jī)制來精確獲取基于流量交互度的連通評估閾值，有效捕捉節(jié)點(diǎn)與周圍節(jié)點(diǎn)的連通度，實(shí)現(xiàn)過程具有便捷化特點(diǎn)。然而，該算法需要采用被動旋跳方式進(jìn)行區(qū)域廣播，易造成嚴(yán)重的網(wǎng)絡(luò)擁塞現(xiàn)象。Chun等[5]提出了一種基于區(qū)域節(jié)點(diǎn)競爭機(jī)制的網(wǎng)絡(luò)社區(qū)聚類算法，通過預(yù)設(shè)區(qū)域聚類節(jié)點(diǎn)方式進(jìn)行區(qū)域更新，且在文獻(xiàn)[4]的基礎(chǔ)上針對區(qū)域聚類節(jié)點(diǎn)的連通度進(jìn)行二次聚類，具有很強(qiáng)的傳輸穩(wěn)定性能。但是，由于聚類形成過程需要采用復(fù)雜的遞歸方法，導(dǎo)致算法的收斂性能較差，難以達(dá)到高效傳輸?shù)哪康摹?/p>

為了解決上述問題，本文提出了一種基于熱點(diǎn)度軌跡顯影機(jī)制的網(wǎng)絡(luò)社區(qū)聚類算法。根據(jù)網(wǎng)絡(luò)社區(qū)聚類具有的多徑一體特性，采用抽樣方法來強(qiáng)化對熱點(diǎn)信號的捕捉，并結(jié)合角度估計(jì)方法來實(shí)現(xiàn)熱點(diǎn)的精確搜尋，提升聚類效率。隨后，通過社區(qū)網(wǎng)絡(luò)節(jié)點(diǎn)信號發(fā)射中形成的傳輸矩陣，對熱點(diǎn)矢量信號空間完成按列重排，并設(shè)計(jì)了熱點(diǎn)度軌跡顯影，實(shí)現(xiàn)熱點(diǎn)的迅速顯影，提高聚類的存活時(shí)間。最后，通過 MATLAB仿真軟件，測試了本文算法的有效性。

1 本文算法設(shè)計(jì)

鑒于當(dāng)前網(wǎng)絡(luò)社區(qū)聚類算法更多的是基于移動無線傳感及數(shù)據(jù)采集領(lǐng)域[6]，且考慮到當(dāng)前網(wǎng)絡(luò)節(jié)點(diǎn)正逐步從傳統(tǒng)的固定感知網(wǎng)絡(luò)轉(zhuǎn)向移動感知網(wǎng)絡(luò)，因此，在本文算法中，信號預(yù)發(fā)射模型以LTE-5G為主[7]，其模型見圖 1。在某個(gè)具體的時(shí)刻，整個(gè)社區(qū)中有若干個(gè)等待聚合的社區(qū)節(jié)點(diǎn)，需要通過一定的算法進(jìn)行聚合，且這些節(jié)點(diǎn)均需要通過一定的聚合算法進(jìn)行聚集，以便形成數(shù)據(jù)互通、熱點(diǎn)聚集、傳輸多徑為典型特征的網(wǎng)絡(luò)社區(qū)聚類。此外，由于節(jié)點(diǎn)均處于流動狀態(tài)，如移動無線傳感網(wǎng)、移動物聯(lián)網(wǎng)，二者均采用典型的LTE-5G制式網(wǎng)絡(luò)，因此，在聚合過程中需要考慮鏈路抖動因素，以便聚類能夠正常工作，有效減緩背景噪聲的影響。

圖1 網(wǎng)絡(luò)社區(qū)聚類Fig.1 Network community clustering

設(shè)M個(gè)社區(qū)節(jié)點(diǎn)需要M個(gè)熱點(diǎn)節(jié)點(diǎn)來協(xié)助，以形成響應(yīng)聚類，社區(qū)節(jié)點(diǎn)的接入信號為G1,G2,? ??,GM。該信號傳輸周期為Ei，其中i=1，2，3，…，M。則第M個(gè)社區(qū)節(jié)點(diǎn)的當(dāng)前信號特征為：

其中，F(xiàn)(M)(ω) 為社區(qū)節(jié)點(diǎn)預(yù)發(fā)射中的信道固定頻率；H(M)(ω)為社區(qū)節(jié)點(diǎn)在信道固定頻率條件下傳輸噪聲的能量[8]；S(ω)為熱點(diǎn)節(jié)點(diǎn)的信號能量分布。

根據(jù)模型（1）熱點(diǎn)節(jié)點(diǎn)的信號能量分布，則社區(qū)節(jié)點(diǎn)當(dāng)前信號時(shí)域特征s(t)可由下式獲?。?/p>

其中，ai為熱點(diǎn)節(jié)點(diǎn)對應(yīng)的最大信號強(qiáng)度值。

根據(jù)模型（2），基于多徑傳輸理論[9]可知，M個(gè)社區(qū)節(jié)點(diǎn)同時(shí)獲取的熱點(diǎn)節(jié)點(diǎn)信號為：

其中，di,j為社區(qū)節(jié)點(diǎn)搜尋熱點(diǎn)節(jié)點(diǎn)時(shí)最大搜索距離。

圖2 社區(qū)節(jié)點(diǎn)搜尋熱點(diǎn)節(jié)點(diǎn)Fig.2 Community node search hotspot node

隨后，根據(jù)模型（7）可得：

對網(wǎng)絡(luò)中全部社區(qū)節(jié)點(diǎn)按模型（3）獲取的矩陣進(jìn)行軌跡劃分，劃分方式如下：

圖3 本文算法流程圖Fig.3 The flow chart of algorithm

2 仿真實(shí)驗(yàn)

為便于驗(yàn)證本文算法的效果，采用 MATLAB軟件實(shí)施測試。為了突出所提算法的優(yōu)勢，將聚類流動性映射算法[12]（Clustering Liquidity Mapping Algorithms，CLM 算法）、超歐里幾何熱度聚類算法[13]（Hyper-Eulerian Geometric Thermal Clustering Algorithms，H-EGTC算法）作為對照組。實(shí)驗(yàn)參數(shù)設(shè)置如下：網(wǎng)絡(luò)節(jié)點(diǎn)采用隨機(jī)分布模型，節(jié)點(diǎn)密度不低于0.1個(gè)/m2，網(wǎng)絡(luò)通信信號采用LTE-5G信號，中心頻率為1.024 GHZ，信道信噪比不低于16 dB。評估指標(biāo)為聚合時(shí)間、熱點(diǎn)顯示時(shí)間、搜尋失誤率、能耗。

2.1 聚合時(shí)間

圖4為聚合時(shí)間仿真結(jié)果。依圖發(fā)現(xiàn)，本文算法具有更低的聚合時(shí)間，顯著低于 CLM 算法及H-EGTC算法。這是由于本文算法采用軌跡劃分方式直接對各個(gè)熱點(diǎn)進(jìn)行顯影，可顯著提高社區(qū)節(jié)點(diǎn)匹配熱點(diǎn)的效率，降低單個(gè)社區(qū)節(jié)點(diǎn)成功聚合的周期；而且在搜尋過程中采用了角度估計(jì)方法來進(jìn)一步提高了聚合精確度，能夠適應(yīng)高流動性的場景，要優(yōu)于 CLM 算法單純采用的周期聚方法，以及H-EGTC算法采取的拓?fù)渚酆蠙C(jī)制。CLM算法采用周期聚合方式，需要根據(jù)聚類生成周期等多個(gè)維度來設(shè)定聚合閾值，難以適應(yīng)流動性較高的實(shí)際環(huán)境。H-EGTC算法需要在統(tǒng)計(jì)節(jié)點(diǎn)熱度的情況下對拓?fù)錉顩r進(jìn)行實(shí)時(shí)捕捉，在節(jié)點(diǎn)運(yùn)動速度較高時(shí)，容易存在信噪比難以控制的缺陷，因此聚合時(shí)間要高于本文算法。

圖4 聚合時(shí)間測試Fig.4 Aggregation time test

2.2 熱點(diǎn)顯示時(shí)間

圖5為不同算法的熱點(diǎn)顯示時(shí)間測試結(jié)果。由圖發(fā)現(xiàn)，本文算法熱點(diǎn)顯示時(shí)間要顯著高于 CLM算法及H-EGTC算法。原因是本文算法采用的基于矩陣方式的軌跡劃分能夠顯著提高熱點(diǎn)捕捉效果，搜尋熱點(diǎn)僅需要通過排序機(jī)制由高到低進(jìn)行直接搜尋，有效降低了搜尋過程的復(fù)雜程度，因此熱點(diǎn)聚類的效果更好。此外，本文算法在搜尋過程中能夠根據(jù)角度估計(jì)實(shí)現(xiàn)精確定位，捕捉熱點(diǎn)的能力較強(qiáng)，可在高強(qiáng)度信道噪聲干擾環(huán)境下進(jìn)行熱點(diǎn)聚類，具備很強(qiáng)的聚合能力。而CLM算法通過預(yù)設(shè)連通度閾值方式進(jìn)行熱點(diǎn)搜尋，當(dāng)僅當(dāng)聚類低于連通度閾值時(shí)才能進(jìn)行熱點(diǎn)搜尋，效率較低；H-EGTC算法主要通過檢測拓?fù)渎?lián)通方式進(jìn)行熱點(diǎn)搜尋，沒有深入到信號發(fā)射層次進(jìn)行熱點(diǎn)聚類，容易因信道噪聲污染而導(dǎo)致熱點(diǎn)顯示異常，因此顯示性能要低于本文算法。

圖5熱點(diǎn)顯示時(shí)間測試Fig.5 Hotspot display time test

2.3 搜尋失誤率

圖5為不同算法的搜尋失誤率仿真結(jié)果。根據(jù)圖中數(shù)據(jù)發(fā)現(xiàn)，本文算法搜尋熱點(diǎn)過程中的失誤率始終要低于對照組。這是因?yàn)楸疚乃惴ú捎密壽E劃分方式能夠直接對熱點(diǎn)進(jìn)行顯影，提高社區(qū)節(jié)點(diǎn)匹配熱點(diǎn)的效率，能在較短時(shí)間內(nèi)對熱點(diǎn)的精確聚合。另外，本文算法的軌跡劃分方式主要基于矩陣形式，只需要進(jìn)行簡單匹配就能迅速實(shí)現(xiàn)對熱點(diǎn)的匹配，使其搜尋失誤率處理較低的水平，且搜尋過程中熱點(diǎn)顯示時(shí)間及聚合時(shí)間也較好，能夠在高干擾環(huán)境下實(shí)現(xiàn)對熱點(diǎn)的精確搜尋，降低搜尋失誤率。而CLM算法搜尋熱點(diǎn)是按照初始設(shè)定的連通度閾值進(jìn)行搜尋的，難以適應(yīng)熱點(diǎn)性能的動態(tài)變化，使其匹配效果不佳。H-EGTC算法需要周期搜尋機(jī)制進(jìn)行熱點(diǎn)搜尋，難以在搜尋過程中進(jìn)行抗噪處理，因此搜尋失誤率要高于本文算法。

圖6 搜尋失誤率測試Fig.6 Search error rate test

2.4 能耗

圖6為不同算法的能耗測試結(jié)果。依圖可知，本文算法能耗最低。原因是本文算法采用的軌跡劃分方式除了能夠直接對熱點(diǎn)進(jìn)行顯影之外，其使用的矩陣分割方式還能夠在確保搜尋正確率的情況下迅速實(shí)現(xiàn)熱點(diǎn)捕捉，具有聚合時(shí)間短的特點(diǎn)，因此聚合過程中的能耗較低。CLM算法采用的閾值初始設(shè)置方式無法動態(tài)實(shí)現(xiàn)熱點(diǎn)精確捕捉，因此具有能耗較大的特點(diǎn)；H-EGTC算法采用周期搜尋機(jī)制，其搜尋難度隨著熱點(diǎn)搜尋失誤的增加而增加，難以將能耗控制在較低的水平。因此，兩種對照組算法的能耗均要高于本文算法。

圖7 能耗測試Fig.7 Energy consumption test

3 結(jié)束語

針對當(dāng)前網(wǎng)絡(luò)社區(qū)聚類算法具有聚合收斂度較低，熱點(diǎn)顯示困難，能耗水平難以控制等不足，提出了一種基于熱點(diǎn)度軌跡顯影機(jī)制的網(wǎng)絡(luò)社區(qū)聚類算法。主要通過信號抽樣方式構(gòu)建熱點(diǎn)信號節(jié)點(diǎn)接收矩陣，并使用正交分割方式進(jìn)行軌跡顯影，能夠顯著提高熱點(diǎn)捕捉效率，大大提高聚類生成質(zhì)量，且具有能耗較低的優(yōu)勢。

下一步，將考慮到本文算法在物聯(lián)網(wǎng)領(lǐng)域運(yùn)用的一些困難，如難以適應(yīng)自組織方式組織基于區(qū)塊鏈分叉方式的能耗結(jié)算模型，擬采用基于二叉樹方式的分叉機(jī)制進(jìn)行連通度建模，提高算法在高強(qiáng)度能耗條件下對物聯(lián)網(wǎng)環(huán)境的適應(yīng)能力，增強(qiáng)本文算法的實(shí)際部署價(jià)值。