賴 玲，謝婭婭

(1.荊楚理工學院計算機工程學院，湖北 荊門 448000；2.荊楚理工學院，電子信息工程學院，湖北，荊門 448000)

無線傳感網(wǎng)(Wireless Sensor Network，WSN)技術(shù)作為“中國制造2025”重要組成部分之一，正在工業(yè)化4.0 進程中起到舉足輕重的支撐作用[1]。該技術(shù)主要采取自組織模式在一定地域內(nèi)部署成本低廉的傳感節(jié)點，通過傳感節(jié)點進行數(shù)據(jù)采集、匯聚、傳輸至sink 節(jié)點，最終實現(xiàn)對某一空間分布區(qū)域內(nèi)客體實現(xiàn)自主控制及數(shù)據(jù)感知，從而節(jié)約人力、物力并充分提升現(xiàn)有基礎(chǔ)設施的服務支撐能力[2]。由于傳感節(jié)點均采取無線通信方式，多部署在環(huán)境較為惡劣地域，若節(jié)點出現(xiàn)物理性損耗或能量受限，整個網(wǎng)絡的數(shù)據(jù)采集將會受到嚴重影響[3]。此外，無線傳感網(wǎng)多采用一次布撒成型的自組織部署模式，若某些節(jié)點及路徑因傳輸過載而導致能量消耗過高，則將因能量受限而導致出現(xiàn)路徑抖動，從而嚴重影響網(wǎng)絡性能[4]。因此，采取一定措施降低節(jié)點能耗并優(yōu)化網(wǎng)絡傳輸路徑，成為當前無線傳感網(wǎng)研究領(lǐng)域的熱點[5]。

針對無線傳感網(wǎng)實際部署過程中存在的若干問題，研究者提出了一些具有前瞻性的無線傳感網(wǎng)路徑優(yōu)化方案，如Gundabatini 等[6]提出了一種基于果蠅機制的無線傳感網(wǎng)路徑生成算法，將數(shù)據(jù)傳輸報文進行類型區(qū)分，盡量降低網(wǎng)絡節(jié)點及鏈路負載，并將若干能量較低的節(jié)點及路徑進行關(guān)閉處理，可顯著抑制鏈路抖動現(xiàn)象，使其具有較好的節(jié)點休眠性能。但是，該算法也存在節(jié)點利用率較低的不足，在網(wǎng)絡帶寬負載較高時，其路徑生成效果不佳，難以進一步降低鏈路抖動現(xiàn)象。Naim 等[7]基于網(wǎng)絡分層結(jié)構(gòu)，提出了一種利用k-means 機制的無線傳感網(wǎng)路徑生成算法，其主要對層次數(shù)據(jù)分組報文定義傳輸數(shù)據(jù)結(jié)構(gòu)，引入跳數(shù)搜集及路徑負反饋方案進行傳輸編碼，通過能量優(yōu)化方式進行全網(wǎng)路由統(tǒng)一調(diào)度，可顯著降低因數(shù)據(jù)報文過載而導致路徑抖動問題，使其具有較好的網(wǎng)絡傳輸性能。然而，該算法在分層過程中需要頻繁對網(wǎng)絡節(jié)點進行層次分割，節(jié)點能量消耗水平較高，容易導致傳輸路徑出現(xiàn)抖動現(xiàn)象。Seyedakbar 等[8]鑒于被動式尋徑機制存在的網(wǎng)絡擁塞控制困難的不足，提出了一種基于主動式路徑搜尋機制的無線傳感網(wǎng)路徑生成算法，將節(jié)點剩余能量引入鏈路搜尋過程，采取平均能量最優(yōu)準則裁決傳輸鏈路，優(yōu)選能量較高的鏈路承擔數(shù)據(jù)傳輸功能，可顯著改善傳輸鏈路抖動問題，網(wǎng)絡實時傳輸性能卓越。但是，該算法需要頻繁進行網(wǎng)絡節(jié)點遍歷及能量排序操作，鏈路選取過程中對網(wǎng)絡穩(wěn)定性要求較高，使得算法在節(jié)點及鏈路出現(xiàn)抖動時存在路徑生成效率較低的不足，難以適應較為復雜的網(wǎng)絡部署環(huán)境。

針對當前研究中存在的不足，提出了一種基于爬蟲機制的無線傳感網(wǎng)路徑生成算法。首先，按照節(jié)點能量及路徑跳數(shù)部署誘餌，并根據(jù)誘餌最大化原則誘導爬蟲來爬取剩余能量較高及傳輸跳數(shù)較少的節(jié)點，提高路徑節(jié)點的傳輸性能，降低能量受限而導致節(jié)點失效。并引入均等分割方法，對網(wǎng)絡區(qū)域進行柵格化處理，采取角度最小化原則來提高爬蟲感知能力，有效降低因熱點而導致節(jié)點出現(xiàn)受限現(xiàn)象，提升路徑健壯性能。隨后，通過評估節(jié)點剩余能量并引入回溯方式來構(gòu)建偽隨機因子修正機制，以均衡路徑能耗，降低節(jié)點抖動頻次。仿真實驗證明了本文算法的性能。

1 本文網(wǎng)絡模型

典型的無線傳感網(wǎng)節(jié)點分布如圖1 所示:節(jié)點分布為矩形區(qū)域，網(wǎng)絡節(jié)點分為簇頭節(jié)點(Cluster Head，CH 節(jié)點)和簇成員節(jié)點(Cluster Members，CM節(jié)點)。其中，節(jié)點采用隨機部署模型，采用一次性布撒方式成網(wǎng)[9]。

圖1 無線傳感網(wǎng)節(jié)點分布

網(wǎng)絡部署完成后，傳感節(jié)點中源節(jié)點均需要通過搜尋中繼節(jié)點(Relay 節(jié)點)，并通過中繼節(jié)點將數(shù)據(jù)傳輸至sink 節(jié)點。考慮到傳統(tǒng)被動式路徑生成算法存在路徑篩選效率較低的問題，本文采取基于爬蟲機制的網(wǎng)絡模型來進行數(shù)據(jù)爬取:將源節(jié)點設置為爬蟲節(jié)點(Crawler)的初始位置，爬蟲搜尋路徑過程中，將根據(jù)網(wǎng)絡節(jié)點能量及鏈路來設置誘餌，誘餌為節(jié)點能量和傳輸鏈路的加權(quán)平均，其余爬蟲將根據(jù)誘餌的數(shù)量決定下一跳節(jié)點的篩選。網(wǎng)絡在搜尋路徑時，根據(jù)爬蟲行為差異特征，將爬蟲分為路徑生成爬蟲(Path Generation Crawler，PGC)和路徑回退爬蟲(Path Fallback Crawler，PFC)，其中。PGC拓撲移動的起點為源節(jié)點，PFC 拓撲移動的起點為sink 節(jié)點，見圖2。

圖2 爬蟲網(wǎng)絡模型

在圖2 所示的爬蟲網(wǎng)絡模型中，設無線傳感網(wǎng)在路徑生成的起始階段，整體網(wǎng)絡節(jié)點個數(shù)為n，網(wǎng)絡爬蟲個數(shù)為m，第x個PGC 爬蟲PGC(x)的起始路徑為源節(jié)點，按模型(1)所示的概率擇優(yōu)選取中繼節(jié)點。模型(2)表示PGC(x)對中繼節(jié)點的期望，顯然對于無線傳感網(wǎng)而言，PGC(x)需要選取距離較短的節(jié)點作為中繼節(jié)點。當PGC(x)經(jīng)過多個中繼節(jié)點并抵達目標節(jié)點后，將蛻變?yōu)槁窂交赝伺老xPFC(x)，PFC(x)在從sink 節(jié)點回退到簇成員節(jié)點的過程中，將沿著誘餌最高的鏈路進行路徑爬取，從而完成整個路徑尋找過程。在此過程中，誘餌ω(t，i，j)將會按照 一 定速度逐步被蠶食。由于PFC(x)在回退過程中各節(jié)點剩余能量及鏈路傳輸質(zhì)量會發(fā)生變化。因此，誘餌ω(t，i，j)也將因其余PGC 的影響而呈現(xiàn)衰弱態(tài)勢。誘餌越多的路徑將會有更高的幾率被選定為傳輸路徑，相應的誘餌數(shù)量會不斷增加，傳輸質(zhì)量較差路徑的誘餌將不斷散發(fā)，從而被選取為傳輸路徑的概率亦將下降。其中，爬蟲PGC(x)在選取中繼節(jié)點時的概率P(t，x，i，j)為:

式中:x表示爬蟲PGC(x)，i和j分別表示爬蟲PGC(x)起始節(jié)點編號，ω(t，i，j)表示誘餌，ψ(t，i，j)表示爬蟲PGC(x) 在從移動開始時的期望值。ω(t，s，u)表示網(wǎng)絡中任意爬蟲PGC 從節(jié)點s移動到節(jié)點u時的誘餌，ψ(t，s，u)表示任意爬蟲PGC 從節(jié)點s移動到節(jié)點u時的期望值。L(i，j)表示節(jié)點i和j之間的距離，(xi，yi)和(xj，yj)分別表示節(jié)點i和節(jié)點j的坐標。a和b表示權(quán)重系數(shù)，

由模型(1)可知，爬蟲PGC(x)在進行路徑爬取過程中，將按照概率最大原則選取下一跳節(jié)點，并將距離因子按模型(2)賦予初始誘餌ω(t，i，j)。顯然，當期望值ψ(t，i，j)較高時，說明爬蟲與節(jié)點j間的距離較近，因此節(jié)點j將會有更高的概率被選舉為中繼節(jié)點。權(quán)重系數(shù)a越高，說明路徑中能量因素占比也將越高；權(quán)重系數(shù)b越高，說明路徑中距離因素占比也將越高。

此外，單純按能量因素對誘餌ω(t，i，j)進行賦值可能存在能量受限的不足，因此，本文采取迭代模型對誘餌ω(t，i，j)進行處理:

式中:Δω(t，i，j)表示誘餌增加系數(shù)，Δω(t，x，i，j)表示爬蟲PGC(x)在節(jié)點i和j之間爬取過程中的誘餌增加值，L(x，i，j)表示爬蟲PGC(x)在節(jié)點i和j之間反復爬取過程中所遍歷路徑的總長度；t＋n表示本次誘餌經(jīng)歷n次爬取后形成的新誘餌。

2 本文無線傳感網(wǎng)路徑生成算法

由上文可知，采取模型(1)～模型(7)所示的爬取過程可在網(wǎng)絡中初步建立起可用傳輸路徑。但是，基于能量和路徑因素，單純采取爬取方式進行路徑篩選將會存在如下三點不足:

①存在能量受限的可能性。無線傳感網(wǎng)節(jié)點均需要通過無線方式進行數(shù)據(jù)傳輸，若爬蟲完全按能量因素并采取模型(1)進行路徑生成時，可能導致優(yōu)質(zhì)傳輸路徑出現(xiàn)能量受限的現(xiàn)象[10]。

②網(wǎng)絡拓撲出現(xiàn)空洞。無線傳感網(wǎng)均采用自組織方式進行組網(wǎng)，爬蟲進行路徑爬取的過程也是網(wǎng)絡拓撲更新的過程，若某節(jié)點因爬蟲爬取頻率過快，或者該節(jié)點與周圍節(jié)點距離均較為接近，則將因節(jié)點能量失效較快而導致拓撲出現(xiàn)空洞，降低了所生成路徑的傳輸性能[11]。

③中繼節(jié)點的多跳性能出現(xiàn)下降現(xiàn)象。模型(6)基于爬取路徑長度的方式增加誘餌量，雖然能夠以較快速度積累誘餌，但誘餌量增加可能會導致路徑以更高的頻率被爬蟲爬取，導致中繼節(jié)點出現(xiàn)能量受限現(xiàn)象，從而降低了中繼節(jié)點的多跳性能。

因此，針對單純爬取方式生成傳輸路徑存在的不足，提出了一種基于基于爬蟲機制的無線傳感網(wǎng)路徑生成算法，其主要由基于柵格－角度機制的路徑爬取激勵和基于偽隨機因子修正機制的節(jié)點轉(zhuǎn)移概率更新兩部分構(gòu)成。

2.1 基于柵格－角度機制的路徑能量爬取激勵

考慮到爬蟲PGC(x)主要按概率最大化原則并采取模型(1)來實現(xiàn)路徑生成，而模型(1)所示的概率P(t，x，i，j)在頻繁爬取過程中容易出現(xiàn)死鎖現(xiàn)象，導致環(huán)路徑的形成。此外，在任意時刻網(wǎng)絡中的簇頭節(jié)點和簇成員節(jié)點均存在休眠現(xiàn)象，當且僅當節(jié)點能量恢復完畢時將重新啟動數(shù)據(jù)傳輸過程，會導致爬蟲PGC(x)在進行路徑爬取過程中將面臨網(wǎng)絡拓撲更迭較快的問題。此外，當爬蟲PGC(x)爬取過程中出現(xiàn)下一跳節(jié)點缺失現(xiàn)象時，將會回退至起始位置重新進行路徑爬取，從而導致節(jié)點能量消耗較快及爬取時間過長的不足。因此，為降低節(jié)點能量消耗并降低爬取時間，本文對網(wǎng)絡進行柵格化分割，如圖3 所示。

圖3 網(wǎng)絡柵格化分割

采用柵格化對網(wǎng)絡區(qū)域進行分割后，可實現(xiàn)對傳輸路徑的層次化評估，降低路徑長度:在圖3 中，網(wǎng)絡按照柵格進行分割，其中柵格間距離為R。爬蟲PGC(x)僅能選取H－1 和H＋1 兩層節(jié)點進行路徑爬取，與該爬蟲相距在2R距離外的節(jié)點C、B將被拋棄，規(guī)避因傳輸路徑過長而導致誘餌量下降的現(xiàn)象，改善節(jié)點能量受限概率。

但是，爬蟲按柵格化網(wǎng)絡進行爬取過程中可能存在多種選擇，如圖3 中的節(jié)點A1、A2、A3、A4均可作為下一跳傳輸節(jié)點。這是由于傳感網(wǎng)具有節(jié)點密度較高的特性，使得節(jié)點個數(shù)較多，爬蟲可供選擇的下一跳中繼節(jié)點將存在多樣性。此外，若將鄰域范圍內(nèi)節(jié)點確定為下一跳傳輸節(jié)點，也可能存在對sink 節(jié)點定位不足的問題，使得爬蟲運動方向遠離sink 節(jié)點，如圖3 所示，爬蟲若選取A1作為下一跳傳輸節(jié)點，將會出現(xiàn)遠離sink 的現(xiàn)象，使得傳輸路徑不斷增長，降低了網(wǎng)絡傳輸性能。

為降低傳輸路徑長度，提高網(wǎng)絡傳輸性能，進一步獲取爬蟲與各鄰域內(nèi)節(jié)點間的角度，如圖4 所示，爬蟲爬取過程中，優(yōu)選角度最小的節(jié)點作為下一跳傳輸節(jié)點，此時爬蟲對應爬取路徑的性能要顯著低于其他可用路徑。

圖4 按角度篩選下一跳中繼節(jié)點

采取遍歷模式對柵格進行處理，按角度篩選下一跳中繼節(jié)點，雖然能夠精確生成路徑最佳的傳輸路徑。但是，若某柵格內(nèi)節(jié)點較多時將會出現(xiàn)多種選擇，如圖5 所示。對于sink 節(jié)點隸屬柵格內(nèi)的節(jié)點而言，因其均有可能承擔最后一跳節(jié)點的傳輸任務，導致能量消耗量急劇上升。若節(jié)點能量耗盡，則整個網(wǎng)絡傳輸路徑將會受到嚴重影響，導致路徑質(zhì)量再次出現(xiàn)下降現(xiàn)象。為了降低柵格節(jié)點過載現(xiàn)象，本文基于柵格－角度機制，設計了一種路徑能量爬取激勵方法:方法對柵格內(nèi)被爬取頻次較多的節(jié)點進行標識，禁止其余爬蟲對該節(jié)點進行爬取。此外，將能量剩余較高的節(jié)點增補進入路徑，以便能夠讓柵格內(nèi)節(jié)點有均等機會承擔數(shù)據(jù)傳輸任務，從而降低網(wǎng)絡平均能量消耗，增加網(wǎng)絡生存時間。

圖5 路徑能量爬取方法

顯然，對于圖5 節(jié)點B1、B2、B3而言，若所處柵格區(qū)域內(nèi)能量消耗較高，則按柵格－角度機制獲取的角度及距離均無法對這三個節(jié)點進行區(qū)分。因此，爬蟲PGC(x)在不斷進行路徑篩選過程中，將對某柵格內(nèi)節(jié)點的剩余能量進行排序并篩選出能量最低的節(jié)點，記錄其能量值為Emin(x)，并記錄爬蟲PGC(x)到該節(jié)點的跳數(shù)L(x)，按模型(8)來構(gòu)建能量激勵閾值EJL(x)，并通過該能量激勵閾值進行路徑爬取:

爬蟲在下一跳節(jié)點選取過程中，優(yōu)先選取模型(8)所示的能量激勵閾值最高的節(jié)點作為下一跳節(jié)點。不過，同層次節(jié)點B1、B2、B3之間可能存在數(shù)據(jù)傳輸現(xiàn)象，見圖6，在爬取過程中，爬蟲將不斷計算下一跳節(jié)點的能量激勵閾值EJL(x)，具體工作原理見圖6。

圖6 能量激勵閾值對路徑的判定

在圖6 中，不妨做如下假設:PGC(x1)，B2，sink為爬蟲PGC(x1)的路徑爬取結(jié)果，PGC(x2)，A1，B1，B2，sink 為爬蟲PGC(x2)的路徑爬取結(jié)果。當爬蟲PGC(x1)和爬蟲PGC(x2)同時抵達目的節(jié)點時，網(wǎng)絡將按模型(8)記錄爬蟲PGC(x1)和爬蟲PGC(x2)的能量激勵閾值EJL(x1)和EJL(x2)，并按如下規(guī)則進行路徑判定:

對于模型(9)而言，當且僅當某爬蟲的能量激勵閾值較高時，其爬取的路徑將被選定為網(wǎng)絡傳輸路徑。

當路徑選擇完畢時，即爬蟲PGC(x)最終抵達sink 節(jié)點后，由模型(1)～(7)可知，爬蟲PGC(x)將蛻變?yōu)槁窂交赝伺老xPFC(x)，導致誘餌ω(t，i，j)發(fā)生變化。為降低誘餌失效概率并引導爬蟲以較快速率接近sink 節(jié)點，對誘餌ω(t，i，j)進行如下處理:

式中:i表示當前爬蟲PGC(x)所處的節(jié)點，j表示爬蟲PGC(x)擬爬取的下一跳節(jié)點，E(t，i，j)表示爬蟲PGC(x)從i移動至j時所剩余的能量，Eall(t，i，j)表示路徑上全部節(jié)點所剩下的能量，θ表示按柵格－角度處理后所選取的最小角度。L(i，j)表示節(jié)點i和節(jié)點j之間路徑距離，L(j，sink)表示節(jié)點j與sink節(jié)點的路徑距離。

PGC(x)對路徑爬取完畢并按模型(10)更新誘餌后，將進入休眠狀態(tài)，如圖7 所示。

圖7 基于柵格－角度機制的路徑能量爬取激勵

2.2 基于偽隨機因子修正機制的節(jié)點轉(zhuǎn)移概率更新

完成基于柵格－角度機制的路徑能量爬取激勵過程后，源節(jié)點與sink 節(jié)點間將建立數(shù)據(jù)交互關(guān)系，然而由于無線傳感網(wǎng)節(jié)點具有的高密集度特性，使得爬蟲難以實時獲取各節(jié)點的剩余能量，特別是網(wǎng)絡節(jié)點處于休眠狀態(tài)時，爬蟲對路徑感知的能力將急劇下降，導致模型(1)所示的狀態(tài)轉(zhuǎn)移概率難以及時獲取，因此sink 節(jié)點回溯至源節(jié)點的路徑難以生成。針對該問題，本文設計了偽隨機因子，用以提高爬蟲PGC(x)對路徑感知的能力，均衡路徑上能量剩余較低且被爬取頻次較高節(jié)點的能耗，進一步增強網(wǎng)絡傳輸穩(wěn)定性能。

針對當前爬蟲PGC(x)，起點位置為i，下一跳節(jié)點位置為j，按如下模型獲取偽隨機因子Ω(i，j):

式中:E0(x，i)表示節(jié)點i的剩余能量，E0(x，j)表示節(jié)點j的剩余能量，E0(x)表示節(jié)點i的初始能量。

為進一步評估爬蟲PGC(x)進行回溯操作時的概率，對模型(1)改寫如下:

爬蟲PGC(x)進行回溯操作時，下一跳節(jié)點篩選時優(yōu)先根據(jù)模型(12)所示獲取偽隨機因子，并對模型(1)修正后再進行下一跳節(jié)點篩選，從而生成sink 節(jié)點回溯至源節(jié)點的可用路徑。詳細步驟如下所示:

Step 1 針對當前爬蟲，首先獲取節(jié)點剩余能量、節(jié)點初始能量、下一跳節(jié)點剩余能量，并記錄當前所在節(jié)點位置和下一跳節(jié)點，如圖8 所示。

圖8 基于偽隨機因子修正機制的節(jié)點轉(zhuǎn)移概率更新

Step 2 按模型(12)所示構(gòu)建偽隨機因子，若同時存在多個可用下一跳節(jié)點，將同時計算并獲取多個偽隨機因子，轉(zhuǎn)Step 3。

Step 3 按模型(1)重新生成并更新節(jié)點轉(zhuǎn)移概率，僅僅選取更新概率最高的節(jié)點作為下一跳節(jié)點。

Step 4 逐次進行Step 1～3 過程，直到sink 節(jié)點至源節(jié)點的可用路徑成功生成。

3 仿真實驗

為便于對比本文算法的性能，設置NS2 仿真實驗環(huán)境(Network Simulator Version 2，NS2)[12]。節(jié)點散布區(qū)域為矩形，大小為512 m×512 m；部署模型采取隨機撒布模式，均采用sink 節(jié)點進行遠程供電，位置不變，其余仿真參數(shù)見表1。為突出所提算法的優(yōu)勢，將當前常用的基于移動數(shù)據(jù)采集機制的無線傳感網(wǎng)路徑生成算法[13](Path Discovery Approach For Mobile Data Gathering in WSN，MDG-PDA 算法)和基于集成尋徑機制的無線傳感網(wǎng)路徑生成算法[14](Ensemble Path Finding In Wireless Sensor Networks，EPF 算法)作為對照組。測試指標選取可用路徑條數(shù)、節(jié)點受限比例、網(wǎng)絡數(shù)據(jù)傳輸帶寬三項。其中，MDG-PDA 算法一般用于需要高速傳輸數(shù)據(jù)且實時性較高的應用場景，例如車載網(wǎng)等方面。EPF 算法多用于立體傳輸場景，諸如無人機、戰(zhàn)術(shù)數(shù)據(jù)鏈等方面。兩種算法均在當前前沿領(lǐng)域有一定的應用。不失一般性，采用固定方式部署節(jié)點，部署區(qū)域為矩形，詳細仿真參數(shù)表見表1。

表1 仿真參數(shù)表

3.1 可用路徑條數(shù)

圖9 為高斯信道和萊斯信道兩種信道條件下，本文算法、MDG-PDA 算法和EPF 算法的可用路徑條數(shù)測試結(jié)果。由圖可知，本文算法具有可用路徑條數(shù)較高的優(yōu)勢，這是由于本文算法針對無線傳感網(wǎng)路徑生成過程中存在的節(jié)點受限現(xiàn)象，將網(wǎng)絡分布區(qū)域進行柵格化處理，基于角度優(yōu)先原則確定中繼節(jié)點，可顯著降低傳輸路徑長度，具有路徑生成質(zhì)量較高的特點。特別是本文算法針對部分中繼節(jié)點使用頻次較高的特點，在同柵格區(qū)域內(nèi)采取能量激勵閾值模式確定較低能量的節(jié)點作為中繼傳輸節(jié)點，因而可顯著降低因能量受限而導致路徑抖動的現(xiàn)象，可用路徑條數(shù)較多。MDG-PDA 算法主要采取移動sink 節(jié)點的方式搜尋可用路徑，將路徑切割為弦與線段之和，導致簇內(nèi)路徑跳數(shù)較高，使得該算法可用路徑長度較長，進而使得中繼節(jié)點使用強度要顯著高于本文算法，路徑因能量受限極易出現(xiàn)抖動現(xiàn)象，因而該算法的可用路徑條數(shù)較低。EPF 算法采用非均衡聚類模式對網(wǎng)絡區(qū)域進行劃分，承擔中繼節(jié)點的簇頭節(jié)點亦存在非均衡特性，使得節(jié)點能量消耗水平較高，特別是該算法按照時長反饋最短方式篩選中繼傳輸節(jié)點，初始篩選的中繼傳輸節(jié)點受限時易引發(fā)連鎖受限現(xiàn)象，從而降低了該算法的可用路徑條數(shù)。

圖9 可用路徑條數(shù)測試

3.2 節(jié)點受限比例

圖10 為高斯信道和萊斯信道條件下，本文算法與MDG-PDA 算法和EPF 算法在節(jié)點受限比例的測試結(jié)果。由圖可知，本文算法節(jié)點受限比例始終處于較低水平，顯示了較高的路徑節(jié)點爬取質(zhì)量。這是由于本文算法除對網(wǎng)絡分布區(qū)域進行柵格化處理從而減少路徑重復選擇，針對傳輸熱點現(xiàn)象，采用能量激勵閾值均衡化熱點區(qū)域節(jié)點使用頻次，因而降低傳感節(jié)點被反復選取概率，節(jié)點較少出現(xiàn)因能量消耗過高而受限的現(xiàn)象。MDG-PDA 算法雖然采用分區(qū)機制，并結(jié)合邊長切割方案初選簇內(nèi)傳輸路徑，由于該算法路徑冗余度較高，使得傳輸拓撲較為復雜，中繼節(jié)點同時被多個節(jié)點爬取的概率要顯著高于本文算法，導致節(jié)點能量消耗水平較高，從而引發(fā)節(jié)點較易出現(xiàn)受限現(xiàn)象。EPF 算法考慮到簇頭節(jié)點作為中繼傳輸節(jié)點的重要性，優(yōu)選時長反饋較短的節(jié)點作為下一跳節(jié)點，然而由于該方案未對簇頭節(jié)點附近區(qū)域出現(xiàn)的傳輸熱點現(xiàn)象進行處理，使得簇頭節(jié)點易出現(xiàn)頻繁的數(shù)據(jù)重傳輸事件，導致節(jié)點能耗水平高于本文算法，從而增加了節(jié)點受限比例，表現(xiàn)出了較為不穩(wěn)定的數(shù)據(jù)傳輸性能。

圖10 節(jié)點受限比例測試

3.3 網(wǎng)絡傳輸帶寬

圖11 為高斯信道和萊斯信道條件下，本文算法、MDG-PDA 算法和EPF 算法的網(wǎng)絡傳輸帶寬測試結(jié)果。為不失一般性，本文將網(wǎng)絡傳輸帶寬規(guī)定為sink 節(jié)點接收的實時帶寬。由圖11 可知，本文算法執(zhí)行過程中，同等節(jié)點傳輸率條件下能實現(xiàn)更高的網(wǎng)絡帶寬，體現(xiàn)了較好的網(wǎng)絡傳輸性能。這是由于本文算法除通過柵格－角度機制優(yōu)化傳輸路徑之外，還采用能量激勵閾值方式進一步降低網(wǎng)絡傳輸熱點現(xiàn)象，因而具有較低的節(jié)點受限現(xiàn)象。此外，本文算法設計了偽隨機因子機制，均衡路徑上能量剩余較低且被爬取頻次較高節(jié)點的能耗，可實現(xiàn)逐點爬取能量較為均衡的網(wǎng)絡節(jié)點，因而網(wǎng)絡傳輸性能較高，體現(xiàn)了較高的網(wǎng)絡傳輸帶寬。MDG-PDA算法在采用邊長切割方案生成簇內(nèi)傳輸路徑時，未對臨近簇頭附近的熱點進行能量均衡化處理，節(jié)點受限現(xiàn)象較為嚴重，使得該算法的路徑抖動情況要高于本文算法，網(wǎng)絡傳輸帶寬因而較低。EPF 算法雖然采用時長反饋最短機制對高負載進行均衡化處理，然而由于采用非均衡聚類模式對網(wǎng)絡區(qū)域進行劃分，使得網(wǎng)絡節(jié)點傳輸流量亦呈現(xiàn)非均衡特性，導致節(jié)點負載程度要顯著高于本文算法，降低了算法的傳輸性能，因而同等節(jié)點傳輸率條件下該算法占用的網(wǎng)絡帶寬要低于所提算法。

圖11 網(wǎng)絡傳輸帶寬測試

4 結(jié)束語

針對當前無線傳感網(wǎng)部署過程中存在的路徑感知能力較差、節(jié)點及網(wǎng)絡性能較弱等不足，提出了一種基于爬蟲機制的無線傳感網(wǎng)路徑生成算法。通過對網(wǎng)絡區(qū)域進行柵格－角度分割，設計了一種新的路徑爬取激勵方法?？蓛?yōu)化節(jié)點爬取路徑的健壯性能，均衡節(jié)點能量消耗及傳輸跳數(shù)，顯著提高爬蟲運動速度及路徑生成效率。隨后，通過評估節(jié)點能耗，設計了基于偽隨機因子修正機制的節(jié)點轉(zhuǎn)移概率更新方法，主要采取均衡路徑能耗的方式，優(yōu)選能量剩余較高且被爬取頻次較高節(jié)點，進一步降低節(jié)點抖動頻次，提升網(wǎng)絡傳輸能力。

下一步，將針對本文算法在移動環(huán)境中性能較差的弱點，擬引入移動拓撲－頻次自適應控制機制，提升爬蟲對高拓撲更迭環(huán)境的適應能力，提升本文算法在節(jié)點移動場合下的部署效果。