孫澤宇，蘭 嵐，曾 操，廖桂生

(1.西安電子科技大學(xué) 雷達信號處理國家重點實驗室，陜西 西安 710071；2.洛陽理工學(xué)院 計算機與信息工程學(xué)院，河南 洛陽 471023；3.西安電子科技大學(xué) 信息感知協(xié)同創(chuàng)新中心，陜西 西安 710071)

無線傳感器網(wǎng)絡(luò)通過自組織方式將大量的傳感器節(jié)點連接成大規(guī)模的網(wǎng)絡(luò)系統(tǒng)[1-3]。該網(wǎng)絡(luò)系統(tǒng)具有較強的適應(yīng)性和魯棒性，傳感器節(jié)點之間可以通過無線方式進行數(shù)據(jù)傳輸與通信，以協(xié)同方式完成對某種特定事件的監(jiān)測[4-5]。傳感器節(jié)點雖然具有一定的通信能力、計算能力、存儲能力和感知能力，但其能力范圍有限，極易受外部環(huán)境、自然因素等方面制約，如電能無法補充、通信鏈路擁塞等[6-8]。在傳統(tǒng)的數(shù)據(jù)傳輸階段，主要是依靠傳感器節(jié)點將數(shù)據(jù)上傳到Sink節(jié)點后，再進行數(shù)據(jù)融合和計算，其不足主要體現(xiàn)在兩個方面：(1) 傳輸效率低。由于大量傳感器節(jié)點同時向Sink節(jié)點發(fā)送數(shù)據(jù)，必然要在信道內(nèi)產(chǎn)生大量的冗余數(shù)據(jù)，增加了數(shù)據(jù)延時時間，造成了數(shù)據(jù)沖突與碰撞，降低了數(shù)據(jù)傳輸效率。(2) 網(wǎng)絡(luò)能耗增加。無線傳感器網(wǎng)絡(luò)在節(jié)點部署階段采用密集型部署方式，導(dǎo)致節(jié)點之間相鄰區(qū)域出現(xiàn)大面積的重疊區(qū)間，故節(jié)點在發(fā)送與接收數(shù)據(jù)時無故地消耗了大量網(wǎng)絡(luò)能量，造成了節(jié)點能量快速消耗與節(jié)點失效，縮短了網(wǎng)絡(luò)生存周期。因此，如何更好地提高可靠性數(shù)據(jù)傳輸效率和節(jié)約網(wǎng)絡(luò)能量，已成為無線傳感器網(wǎng)絡(luò)目前研究的主要問題。

近些年，國內(nèi)外諸多專家學(xué)者對無線傳感器網(wǎng)絡(luò)的節(jié)能問題和可靠性數(shù)據(jù)傳輸做了大量研究工作。文獻[9]通過路由鏈表完成路徑選擇過程，其算法是將目標(biāo)節(jié)點位置信息和當(dāng)前節(jié)點的下一跳節(jié)點的路由寫入路由鏈表。當(dāng)數(shù)據(jù)在傳至下一跳節(jié)點時，更新路由鏈表下一跳的節(jié)點信息，以保證傳輸數(shù)據(jù)的可靠性。文獻[10]中提出一種自適應(yīng)的分層路由協(xié)議，可以減少參與路由計算的節(jié)點數(shù)量，縮減路由表長度，降低了交換路由信息所需能量的開銷，利用分簇機制形成了較穩(wěn)定的子圖網(wǎng)絡(luò)，減少了網(wǎng)絡(luò)拓?fù)渥兓?，延長了網(wǎng)絡(luò)生存周期。文獻[11]中提出了一種基于數(shù)據(jù)為中心的路由選擇算法，以節(jié)點到Sink節(jié)點之間的距離進行分類，確定不同類別的優(yōu)先權(quán)；不同類別的節(jié)點在單位時間內(nèi)向Sink節(jié)點發(fā)送數(shù)據(jù)；當(dāng)所有不同類別的節(jié)點完成本輪任務(wù)后，再繼續(xù)下一輪操作。該算法避免了數(shù)據(jù)沖突與碰撞，減少了數(shù)據(jù)冗余，提高了數(shù)據(jù)傳輸效率。文獻[12]提出了一種基于凸殼的快速聚合規(guī)劃策略(Quick Convex Hull-Based Rendezvous Planning，QCHBRP)，以實現(xiàn)不相交的無線傳感器網(wǎng)絡(luò)的完全連通，并構(gòu)建移動匯聚的短路徑。一方面，該策略可以通過移動Sink節(jié)點，快速地在監(jiān)測區(qū)域內(nèi)尋找多個數(shù)據(jù)“聚合點”，用以完成不相交區(qū)域的互連互通；另一方面，QCHBRP策略將整個網(wǎng)絡(luò)劃分為多個子網(wǎng)絡(luò)，并保證每個子網(wǎng)之間的距離近似相等或小于距離閾值；利用子網(wǎng)中的簇首節(jié)點轉(zhuǎn)發(fā)數(shù)據(jù)至Sink節(jié)點，從而規(guī)劃了從子網(wǎng)至Sink節(jié)點之間的路徑。文獻[13]中提出了一種基于壓縮感知丟包匹配數(shù)據(jù)收集算法(packet loss Matching Data Gathering Algorithm based on Compressive Sensing，CS-MDGA)，通過壓縮感知技術(shù)構(gòu)建了全網(wǎng)節(jié)點的“關(guān)聯(lián)效應(yīng)”，分析了樹狀路由在嚴(yán)重丟包情況下的重構(gòu)精度，證明觀測矩陣近似于“1”時的等距約束條件，最后給出了多路徑備份路由傳輸機制。文獻[14]中提出了一種基于壓縮感知的聚類聯(lián)合環(huán)形路由數(shù)據(jù)收集方案(Compressive Sensing Clustering joint Annular Routing Data Gathering scheme，CS-CARDG)，采用集群采集數(shù)據(jù)方法完成數(shù)據(jù)傳輸過程。首先，對全網(wǎng)進行分簇，利用壓縮感知技術(shù)將簇成員節(jié)點所采集到的數(shù)據(jù)構(gòu)成多維數(shù)據(jù)包，發(fā)送給簇首節(jié)點。當(dāng)簇首節(jié)點將多維數(shù)據(jù)路由到Sink時，CS-CARDG方案將會從最外環(huán)開始，由外到內(nèi)依次壓縮相同的分形數(shù)據(jù)，并通過最短路徑路由到基站。

上述研究雖然在一定程度上優(yōu)化了路由選擇過程，但由于忽視了全網(wǎng)能量以及數(shù)據(jù)融合等因素，將會導(dǎo)致數(shù)據(jù)在傳輸和聚合時，網(wǎng)絡(luò)能量消耗較大，數(shù)據(jù)融合效率降低，網(wǎng)絡(luò)延時增加以及網(wǎng)絡(luò)生存周期縮短等不足。針對上述問題，筆者提出了一種面向最小能耗自適應(yīng)匯聚路由判定算法(Adaptive Sink-routing Decision algorithm for Minimum-energy Consumption，ASD-MC)。ASD-MC算法利用節(jié)點之間的歐氏距離相關(guān)系數(shù)給出了匯聚增益表達方法以及數(shù)據(jù)融合度與能量開銷的函數(shù)關(guān)系；計算了數(shù)據(jù)融合度介于最小值和最大值之間時，與距離相關(guān)參數(shù)之間的比例關(guān)系；利用數(shù)據(jù)壓縮能耗比函數(shù)關(guān)系，證明了兩類不同節(jié)點提供可靠性傳輸距離滿足的必要條件，從而確定了數(shù)據(jù)傳輸最優(yōu)路徑，達到了優(yōu)化匯聚路由的目的。

1 問題描述

1.1 網(wǎng)絡(luò)模型

文中的網(wǎng)絡(luò)模型借助于圖論理論中圖的概念加以表示，即G=(V，E)，其中V表示所有傳感器節(jié)點集合，E表示任意兩個節(jié)點之間所有可能傳輸數(shù)據(jù)的鏈路集合[15]。可以把整個網(wǎng)絡(luò)的路由搜索空間減少到由多個子簇所形成的子網(wǎng)。在簇內(nèi)，只有簇首節(jié)點可以主動維護網(wǎng)絡(luò)的路由信息，簇成員節(jié)點不參與路由維護過程，從而減少了路由更新的開銷。當(dāng)沒有數(shù)據(jù)發(fā)送時，簇成員節(jié)點轉(zhuǎn)休眠狀態(tài)，這樣就保證網(wǎng)絡(luò)在正常連通條件下，減少轉(zhuǎn)發(fā)節(jié)點的數(shù)目和數(shù)據(jù)傳輸總量，降低擁塞和干擾發(fā)生的概率。為了更好地解決問題，筆者做如下規(guī)定：(1) 在全網(wǎng)內(nèi)，任意節(jié)點都可以完成數(shù)據(jù)匯聚任務(wù)，把所有數(shù)據(jù)匯聚成一個數(shù)據(jù)包。(2) 簇內(nèi)或簇間節(jié)點接收到相鄰節(jié)點發(fā)送的數(shù)據(jù)后，將自身數(shù)據(jù)與接收數(shù)據(jù)進行融合，并把融合后的數(shù)據(jù)作為新數(shù)據(jù)傳送給下一跳節(jié)點，直至把最終數(shù)據(jù)發(fā)送給Sink節(jié)點。

融合后的數(shù)據(jù)量應(yīng)不大于節(jié)點m和節(jié)點n的原始數(shù)據(jù)量之和，不小于節(jié)點m和節(jié)點n中的任意節(jié)點的原始數(shù)據(jù)：

max{g0(m)，g0(n)}≤g1(n)≤g0(m)+g0(n) ，

(1)

其中，g0(m)和g0(n)表示數(shù)據(jù)融合前的數(shù)據(jù)量；g1(n)表示數(shù)據(jù)在節(jié)點n處融合后的數(shù)據(jù)量。

能量模型采用Heinzelman提出的自由空間和多路衰減模型。當(dāng)傳輸距離d小于距離閾值d0時，路徑損耗指數(shù)為2；當(dāng)傳輸距離d大于或等于距離閾值d0時，路徑損耗指數(shù)為4，則能量模型數(shù)學(xué)定義為[16]

(2)

(3)

其中，ETx表示發(fā)射模塊消耗的能耗；ERx表示接收模塊消耗的能耗；Eelec表示發(fā)送或接收1 bit數(shù)據(jù)量時所消耗的能量；Efu表示節(jié)點進行融合時所消耗的能量；Zdata_pa表示融合數(shù)據(jù)包的總量；Eda表示融合1 bit數(shù)據(jù)量所消耗的能量；k表示發(fā)送或接收的數(shù)據(jù)量；εfs，εmp是功率放大時的能耗系數(shù)。

1.2 匯聚增益模型

在無線傳感器網(wǎng)絡(luò)中，傳感器節(jié)點應(yīng)根據(jù)數(shù)據(jù)匯聚增益自適應(yīng)地調(diào)節(jié)數(shù)據(jù)融合位置信息，這樣才能更好地抑制能量消耗。用cmn表示數(shù)據(jù)融合度，表示在節(jié)點n處融合后數(shù)據(jù)量g1(n)較融合前數(shù)據(jù)量[g0(m)+g0(n)]減少了cmn，其數(shù)學(xué)模型為

(4)

感知數(shù)據(jù)從源節(jié)點傳至Sink節(jié)點時，路徑上單位數(shù)據(jù)能量開銷記作E(n，S)，任意節(jié)點在進行數(shù)據(jù)融合時能量開銷記作q(e)。根據(jù)式(4)，得到匯聚增益Δ(m，n)為

Δ(m，n)=[g0(m)+g0(n)][E(n，S)-(1-cmn)E(n，S)+q(e)] 。

(5)

當(dāng)傳感器節(jié)點通信半徑為感知半徑的2倍時，記作Rc=2Rs。當(dāng)任意兩節(jié)點之間歐氏距離do大于Rc時，則兩個節(jié)點之間相關(guān)參數(shù)為0；當(dāng)任意兩節(jié)點之間歐氏距離d小于或等于Rc時，則兩個節(jié)點之間的相關(guān)參數(shù)為τ，數(shù)學(xué)表示式為

(6)

2 解決方案

2.1 融合度分析

基于對匯聚增益模型的分析，節(jié)點m和n之間的距離相關(guān)參數(shù)為τ且不等于0，則在節(jié)點n匯聚后，其匯聚后的數(shù)據(jù)量可表示為

g1(n)=max[g0(m)，g0(n)]+min[g0(m)，g0(n)](1-τ) 。

(7)

根據(jù)式(5)和式(7)，可得數(shù)據(jù)匯聚后的增益為

Δ(m，n)=[g0(m)+g0(n)][E(n，S)-q(e)]-
max[g0(m)，g0(n)]+min[g0(m)，g0(n)](1-τ)E(n，S) 。

(8)

如圖1所示，如果節(jié)點n的子節(jié)點只有一個節(jié)點m，則可以通過式(7)直接計算匯聚增益。

圖1 單節(jié)點與多節(jié)點數(shù)據(jù)傳輸鏈路圖

當(dāng)節(jié)點n存在多個子節(jié)點時，則匯聚增益數(shù)學(xué)表達式為

Δ(m1，m2，…，mk，nk)=[g0(m1)+g0(m2)+…+g0(mk)]-
{E(n，S)-[(1-c(m1，m2，…，mk，nk))E(n，S)+q(e)]} 。

(9)

當(dāng)匯聚增益大于0時，化簡式(9)，可得

(10)

當(dāng)數(shù)據(jù)融合度滿足式(10)，數(shù)據(jù)在任意節(jié)點處進行融合時：

(11)

當(dāng)數(shù)據(jù)融合度滿足式(11)時，節(jié)點將數(shù)據(jù)直接上傳給Sink節(jié)點，不需要進行匯聚處理。由于節(jié)點之間對數(shù)據(jù)融合能力存在一定差異，因此令cmin為數(shù)據(jù)融合度最小值，cmax為數(shù)據(jù)融合度最大值。

討論1當(dāng)cmin

max[g0(m)，g0(n)]+min[g0(m)，g0(n)](1-τ)=(1-cmn)[g0(m)+g0(n)] 。

(12)

計算cmn，可得

(13)

由式(13)可得，數(shù)據(jù)融合度與距離相關(guān)參數(shù)成正比。由式(6)可得，當(dāng)τ=0時，說明兩個節(jié)點為正切狀態(tài)；當(dāng)τ<0時，說明兩個節(jié)點為相離狀態(tài)；當(dāng)τ>0時，說明兩個節(jié)點為相交狀態(tài)。因此，在滿足式(10)和式(11)時，可以自適應(yīng)地判斷出節(jié)點是否進行匯聚操作。對于cmin

(14)

利用式(13)和式(14)分別計算出數(shù)據(jù)融合度和距離相關(guān)系數(shù)后，對原始子節(jié)點n1，n2，…，nk進行迭代更新操作，直至迭代更新所有子節(jié)點后，判斷此時數(shù)據(jù)融合度是否滿足式(10)。如果滿足式(10)，則進行匯聚融合操作；如果不滿足，則不進行匯聚操作。

定理1多節(jié)點在進行數(shù)據(jù)傳輸時，如果沒有在下一跳節(jié)點進行融合，那么在后繼節(jié)點中，也不會再進行數(shù)據(jù)融合處理。

證明 現(xiàn)以圖2為例進行說明。

圖2 多節(jié)點數(shù)據(jù)傳輸鏈路圖

除根節(jié)點之外的節(jié)點分為兩類：第1類節(jié)點是沿最短路徑將數(shù)據(jù)信息發(fā)送給Sink節(jié)點，不考慮匯聚增益；第2類節(jié)點則是根據(jù)匯聚增益判斷是否進行匯聚處理。設(shè)節(jié)點集合為M，mi∈M。由于數(shù)據(jù)并沒有在節(jié)點n0處進行融合操作，所以在節(jié)點n0處匯聚增益應(yīng)小于零，即

c(m1，m2，…，mk，nk)E(n0，nk)≤q(e) 。

(15)

mk作為n0的下一跳節(jié)點，距目的節(jié)點mk的距離長度要小于n0，故E(mk，nk)

c(m1，m2，…，mk，nk)≤c(m1，m2，…，mk，n0) 。

(16)

由此類推，下一跳匯聚節(jié)點的數(shù)據(jù)融合度均小于或等于上一跳節(jié)點的數(shù)據(jù)融合度。因為最外層節(jié)點n0尚未進行數(shù)據(jù)融合，而其他節(jié)點的融合度又小于或等于n0融合度。因此，其他節(jié)點也不會進行數(shù)據(jù)融合操作。此時，兩個節(jié)點的歐氏距離大于或等于Rc時，數(shù)據(jù)傳輸過程只能采用多跳方式將數(shù)據(jù)信息傳至Sink節(jié)點。

證明完畢。

2.2 歐氏距離分析

數(shù)據(jù)在無線傳感器網(wǎng)絡(luò)進行融合操作時，往往伴隨著數(shù)據(jù)壓縮，如數(shù)據(jù)信息為圖像、音頻、視頻等[17-18]。當(dāng)傳感器節(jié)點采集數(shù)據(jù)量較大，又在某節(jié)點進行數(shù)據(jù)融合時，其壓縮能耗不能忽略。這是因為數(shù)據(jù)在壓縮和解壓過程中會消耗較多的節(jié)點能量。為了方便地研究問題，筆者認(rèn)為數(shù)據(jù)壓縮時所消耗的能量與數(shù)據(jù)解壓時所消耗的能量相等，即Eco=Ede，壓縮比定義為γ?；诠?jié)2.1的分析可以看出，在數(shù)據(jù)傳輸過程中采用兩種方式進行傳輸：第1種方式先匯聚后傳輸，即數(shù)據(jù)按照路由規(guī)劃將數(shù)據(jù)傳輸給下一跳節(jié)點并進行數(shù)據(jù)融合，在后繼傳輸過程中，按照前面的處理繼續(xù)此操作；第2種方式是數(shù)據(jù)按照路由規(guī)劃的最優(yōu)路徑將數(shù)據(jù)以多跳形式直接發(fā)送給Sink節(jié)點。在此過程中，不需要做數(shù)據(jù)融合處理。

討論2數(shù)據(jù)在傳輸過程中，首先要在源節(jié)點做壓縮操作，而后將壓縮后的數(shù)據(jù)傳輸給下一跳節(jié)點；當(dāng)下一跳節(jié)點接收到該數(shù)據(jù)包時要先做解壓操作，再進行融合操作。當(dāng)數(shù)據(jù)發(fā)送與接收時所消耗的能量大于壓縮與解壓的能量時，此壓縮與解壓操作是有效的；否則是無效的。當(dāng)壓縮與解壓處于無效時，數(shù)據(jù)信息不會在下一跳節(jié)點進行匯聚，而是將數(shù)據(jù)以多跳形式直接傳輸給Sink節(jié)點。假設(shè)從源節(jié)點到Sink節(jié)點存在N個節(jié)點，當(dāng)數(shù)據(jù)信息從節(jié)點m傳至節(jié)點n時，根據(jù)式(2)和式(3)計算網(wǎng)絡(luò)能耗為

(17)

其中，di表示節(jié)點i到相鄰節(jié)點之間的距離。

當(dāng)數(shù)據(jù)信息在節(jié)點m處進行壓縮，在n處進行解壓時，此時網(wǎng)絡(luò)能耗為

(18)

當(dāng)E[(m，n)，d]>Ecd[(m，n)，di]時，數(shù)據(jù)的壓縮和解壓對整個鏈路才有效，即

(19)

計算di，得

(20)

(21)

根據(jù)上述分析可知，當(dāng)數(shù)據(jù)進行首次壓縮和解壓時，網(wǎng)絡(luò)總能耗為

(22)

(23)

計算上式，可得

(24)

上述討論給出了數(shù)據(jù)在后繼傳輸路徑中，進行壓縮與解壓以及不被后繼節(jié)點進行壓縮與解壓時，任意兩節(jié)點之間距離滿足的必要條件。從討論2和討論3中可以看出，ASD-MC算法不僅確保數(shù)據(jù)傳輸時所需能量最少，同時也實現(xiàn)了傳輸距離的最優(yōu)設(shè)計。在數(shù)據(jù)傳輸時，ASD-MC算法均衡了全網(wǎng)能量，以匯聚增益值較大的節(jié)點完成了數(shù)據(jù)轉(zhuǎn)發(fā)過程，減少了數(shù)據(jù)傳輸?shù)奶鴶?shù)，實現(xiàn)了動態(tài)實時處理，減少了網(wǎng)絡(luò)時延，抑制了節(jié)點能量消耗，延長了網(wǎng)絡(luò)生存周期。

2.3 ASD-MC算法分析

在滿足全網(wǎng)能耗最少的前提下，如果全網(wǎng)中所有傳感器節(jié)點的融合度均達到100%，即完全融合，則cmax=1；數(shù)據(jù)在通信鏈路中進行傳輸時，數(shù)據(jù)包的大小始終不會發(fā)生改變，數(shù)據(jù)傳輸鏈路則是以Sink為根節(jié)點的最小生成樹(Minimum Spanning Tree，MST)。反之，如果全網(wǎng)中所有傳感器節(jié)點的融合度均為零，即零融合，則cmin=0。數(shù)據(jù)在通信鏈路中進行傳輸時，Sink節(jié)點融合后的數(shù)據(jù)包的大小等于各個節(jié)點數(shù)據(jù)包總量之和，數(shù)據(jù)傳輸鏈路則是以Sink為根節(jié)點的最短路徑樹(Shortest Path Tree，SPT)。一般來說，在無線傳感器網(wǎng)絡(luò)數(shù)據(jù)傳輸過程中，上述兩種極端情況很難出現(xiàn)，數(shù)據(jù)融合度c介于[0，1]，其ASD-MC算法描述如下：

步驟1 給定無線傳感器網(wǎng)絡(luò)G=(V，E)，任意邊集E中存在通信鏈路e=(m，n)；利用式(17)計算在通信鏈路e上傳輸k比特數(shù)據(jù)時所消耗的網(wǎng)絡(luò)能量E[(m，n)，di]。

步驟2 根據(jù)式(10)和式(11)計算數(shù)據(jù)融合度。

① 當(dāng)數(shù)據(jù)融合度滿足式(10)，且保證全網(wǎng)節(jié)點均達到100%，即cmax=1時，此時全網(wǎng)構(gòu)成的是以Sink節(jié)點為根的最小生成樹MST。

② 當(dāng)數(shù)據(jù)融合度滿足式(11)，即cmin=0時，此時全網(wǎng)構(gòu)成的是以Sink節(jié)點為根的最短路徑樹SPT。

步驟3 當(dāng)數(shù)據(jù)融合度介于[cmin，cmax]時，根據(jù)式(14)和節(jié)點距離相關(guān)系數(shù)τ計算此時的數(shù)據(jù)融合度。

步驟4 利用式(17)和式(18)判斷鏈路中的數(shù)據(jù)是否要完成壓縮與解壓過程。

① 當(dāng)E[(m，n)，d]>Ecd[(m，n)，di]時，要對鏈路中的數(shù)據(jù)進行壓縮與解壓操作。

② 當(dāng)E[(m，n)，d]≤Ecd[(m，n)，di]時，除源節(jié)點與Sink節(jié)點外，數(shù)據(jù)不在任意節(jié)點進行壓縮與解壓操作。

步驟5 在滿足式(20)，數(shù)據(jù)在傳輸給下一跳節(jié)點時，將當(dāng)前節(jié)點與下一跳節(jié)點的di以及該節(jié)點與下一跳節(jié)點的位置存儲在該鏈表中；當(dāng)數(shù)據(jù)遍歷完該路徑上所有節(jié)點時，該鏈表中的節(jié)點集合構(gòu)成了最小生成路徑。

步驟6 在滿足式(21)時，數(shù)據(jù)壓縮與解壓過程在源節(jié)點與Sink上完成，在其他節(jié)點上均不再進行壓縮與解壓操作。數(shù)據(jù)在源節(jié)點上完成壓縮操作后，將數(shù)據(jù)包沿dv方向傳輸至下一跳節(jié)點；此時，鏈表記錄dv以及該節(jié)點與下一跳節(jié)點的位置信息；當(dāng)數(shù)據(jù)遍歷完該路徑上所有節(jié)點時，在Sink節(jié)點上進行解壓操作后，該鏈表中的節(jié)點集合構(gòu)成了最短生成路徑。

基于上述分析，ASD-MC算法所生成的聚合樹性能介于MST和SPT之間，因此ASD-MC算法適應(yīng)用于具有不同數(shù)據(jù)融合度的無線傳感器網(wǎng)絡(luò)。ASD-MC算法既兼顧了MST和SPT的特性，又具有自適應(yīng)數(shù)據(jù)匯聚能力。在ASD-MC算法中，數(shù)據(jù)傳輸?shù)南乱惶?jié)點將根據(jù)數(shù)據(jù)增益原則，判斷是否對該數(shù)據(jù)進行匯聚。如果滿足匯聚條件，則對該數(shù)據(jù)進行匯聚，以減少節(jié)點數(shù)據(jù)的傳輸量，抑制節(jié)點能量的消耗；反之，則對該數(shù)據(jù)選擇最短路徑進行傳輸，以獲取最佳傳輸方式。

3 性能評價

為了進一步驗證ASD-MC算法的性能，實驗采用Matlab2019b作為仿真平臺，參數(shù)設(shè)定如表1所示。當(dāng)節(jié)點的通信半徑Rc增大時，節(jié)點距離相關(guān)系數(shù)τ也會隨之增大，即τ→1，數(shù)據(jù)融合方式趨于完全融合；當(dāng)節(jié)點的通信半徑Rc減少時，節(jié)點距離相關(guān)系數(shù)τ也會隨之減少，即τ→0，數(shù)據(jù)融合方式趨于零融合。因此，τ的取值范圍定義為τ∈[0.2，8]。為了保證數(shù)據(jù)的可靠性，在數(shù)據(jù)傳輸過程中，筆者采用無損壓縮方式對數(shù)據(jù)進行壓縮與解壓處理，利用第2代小波分解的零樹編碼算法(Embedded Zerotree Coding based on Second Generation Wavelets，EZC_SGW)[18]對傳輸數(shù)據(jù)進行無損壓縮處理，因此數(shù)據(jù)壓縮比定義為γ∈[6，10]。在仿真實驗中，將ASD-MC算法與QCHBRP[12]和CS-MDGA[13]以及CS-CARDG[14]在網(wǎng)絡(luò)能量開銷和平均時延方面進行對比，能量模型采用Heinzelman自由空間和多路衰減模型[19]。

表1 仿真參數(shù)說明

3.1 網(wǎng)絡(luò)剩余能量

圖3給出了4種算法在不同參數(shù)以及不同監(jiān)測區(qū)域作用下的網(wǎng)絡(luò)剩余能量對比示意圖。

隨著時間的推移，圖3(a)至圖3(d)的網(wǎng)絡(luò)剩余能量均有所下降；而圖3(e)至圖3(f)的則趨于平穩(wěn)?，F(xiàn)以圖3(c)和圖3(f)為例進行說明。圖3(c)是以200 m×200 m作為監(jiān)測區(qū)域，τ=0.4，γ=7。當(dāng)網(wǎng)絡(luò)運行時間在650 s時，ASD-MC算法網(wǎng)絡(luò)剩余能量約為1 245 J，QCHBRP算法網(wǎng)絡(luò)剩余能量約為1 068 J，CS-MDGA算法網(wǎng)絡(luò)剩余能量約為848 J，CS-CARDG算法網(wǎng)絡(luò)剩余能量約為635 J；當(dāng)網(wǎng)絡(luò)運行至800 s時，ASD-MC算法網(wǎng)絡(luò)剩余能量約為1 155 J，QCHBRP算法網(wǎng)絡(luò)剩余能量約為960 J，CS-MDGA算法網(wǎng)絡(luò)剩余能量約為740 J，CS-CARDG算法網(wǎng)絡(luò)剩余能量約為500 J。從上述分析可以得到，隨著網(wǎng)絡(luò)運行時間的增加，4種算法的網(wǎng)絡(luò)剩余能量均有所下降，但ASD-MC算法下降幅度小于其他算法。圖3(f)給出了在400 m×400 m監(jiān)測區(qū)域下，τ=0.6，γ=8時，4種算法網(wǎng)絡(luò)剩余能量對比示意圖。從圖3(f)可以看出，隨著網(wǎng)絡(luò)運行時間的增加，4種算法的網(wǎng)絡(luò)剩余能量均趨于平衡，變化的幅度較小。

(a) 200 m×200 m，τ=0.2，γ=6

(d) 400 m×400 m，τ=0.4，γ=7

綜合上述分析，當(dāng)網(wǎng)絡(luò)剩余能量隨著不同情況發(fā)生變化時，其主要原因在于ASD-MC算法優(yōu)先考慮了傳輸數(shù)據(jù)是否在某節(jié)點處發(fā)生匯聚。第1種情況，數(shù)據(jù)未匯聚，即數(shù)據(jù)在零融合網(wǎng)絡(luò)中進行傳輸時，ASD-MC算法不考慮匯聚開銷，則按照最短路徑原則將數(shù)據(jù)信息從源節(jié)點發(fā)送至Sink節(jié)點；第2種情況，數(shù)據(jù)完全匯聚，即數(shù)據(jù)在非零融合網(wǎng)絡(luò)中進行傳輸時，ASD-MC算法在考慮匯聚開銷的同時，利用無損壓縮對傳輸數(shù)據(jù)的長度進行動態(tài)調(diào)節(jié)，以減少傳輸數(shù)據(jù)量，抑制了節(jié)點能量的快速消耗，延長了網(wǎng)絡(luò)生存周期。其他算法并沒有考慮匯聚與壓縮等因素，只是依靠節(jié)點自身能量完成數(shù)據(jù)信息的傳輸。因此，在網(wǎng)絡(luò)剩余能量對比中，那3種算法的網(wǎng)絡(luò)剩余能量均小于ASD-MC算法，其平均數(shù)值減少約10.29%。

3.2 網(wǎng)絡(luò)時延

圖4給出了4種算法在不同監(jiān)測區(qū)域下的網(wǎng)絡(luò)時延對比示意圖。

隨著傳感器節(jié)點數(shù)量的增加，4種算法的網(wǎng)絡(luò)時延也隨之增加，但ASD-MC算法增加幅度最小?，F(xiàn)以圖4(a)和圖4(d)為例進行分析。圖4(a)是以200 m×200 m作為監(jiān)測區(qū)域，當(dāng)傳感器節(jié)點數(shù)量為120時，ASD-MC算法的網(wǎng)絡(luò)時延約為0.09 s，QCHBRP算法的網(wǎng)絡(luò)時延約為0.13 s，CS-MDGA算法的網(wǎng)絡(luò)時延約為0.16 s，CS-CARDG算法的網(wǎng)絡(luò)延時為0.22 s多；當(dāng)傳感器節(jié)點數(shù)量為180時，ASD-MC算法的網(wǎng)絡(luò)時延約為0.11 s，QCHBRP算法的網(wǎng)絡(luò)延時約為0.15 s，CS-MDGA算法的網(wǎng)絡(luò)延時約為0.17 s，CS-CARDG算法的網(wǎng)絡(luò)延時少于0.23 s。圖4(d)是以400 m×400 m作為監(jiān)測區(qū)域，當(dāng)傳感器節(jié)點數(shù)量為1 600時，ASD-MC算法的網(wǎng)絡(luò)時延約為0.235 s，QCHBRP算法的網(wǎng)絡(luò)延時約為0.263 s，CS-MDGA算法的網(wǎng)絡(luò)延時約為0.270 s，CS-CARDG算法的網(wǎng)絡(luò)延時約為0.293 s；當(dāng)傳感器節(jié)點數(shù)量為1 900時，ASD-MC算法的網(wǎng)絡(luò)時延約為0.235 s，QCHBRP算法的網(wǎng)絡(luò)延時約為0.263 s，CS-MDGA算法的網(wǎng)絡(luò)延時約為0.273 s，CS-CARDG算法的網(wǎng)絡(luò)延時約為0.295 s。

綜合上述分析，ASD-MC算法網(wǎng)絡(luò)時延優(yōu)于其他算法的原因在于：隨著傳感器節(jié)點數(shù)量的增加，將會導(dǎo)致匯聚增益和全網(wǎng)能量開銷E(n，S)隨之增加。ASD-MC算法根據(jù)每一跳節(jié)點的匯聚增益數(shù)值自適應(yīng)地確定是否進行匯聚。當(dāng)匯聚開銷過大時，ASD-MC算法可以通過動態(tài)調(diào)整參數(shù)大小來改變路由策略，以減少數(shù)據(jù)匯聚次數(shù)，抑制節(jié)點能量的開銷，達到全網(wǎng)節(jié)點能量均衡化的目的。在網(wǎng)絡(luò)時延對比中，ASD-MC算法網(wǎng)絡(luò)時延均小于其他算法的網(wǎng)絡(luò)時延，其平均數(shù)值減少約12.57%。

(a) 200 m×200 m，τ=0.2，γ=6

(b) 400 m×40 m，τ=0.2，γ=6

4 總 結(jié)

針對信道內(nèi)數(shù)據(jù)沖突與碰撞等不穩(wěn)定因素，提出了一種面向最小能耗自適應(yīng)匯聚路由判定算法。ASD-MC算法首先分析了匯聚增益和數(shù)據(jù)融合度之間的函數(shù)關(guān)系，給出了距離相關(guān)參數(shù)與通信半徑之間的比例關(guān)系；而后討論了數(shù)據(jù)融合度介于最小值與最大值之間的函數(shù)關(guān)系，證明了在下一跳節(jié)點非融合時的后繼節(jié)點中，也不會再進行數(shù)據(jù)融合處理。利用能量關(guān)系，討論了壓縮與解壓、連續(xù)性傳輸?shù)姆菈嚎s與非解壓時的任意兩節(jié)點距離的函數(shù)關(guān)系，分析了ASD-MC算法的實現(xiàn)過程與方法；最后，通過仿真實驗與其他算法在網(wǎng)絡(luò)剩余能量和網(wǎng)絡(luò)時延上進行比對實驗，驗證了ASD-MC算法的有效性和實效性。

未來工作主要集中在借助于壓縮感知理論實現(xiàn)備份路由的優(yōu)化以及如何提高不可靠鏈路對數(shù)據(jù)重構(gòu)精度等方面。