呂安琪，李翠然，謝健驪，張澤鵬

(蘭州交通大學 電子與信息工程學院，甘肅 蘭州 730070)

隨著交通工具多元化、高速化與智能化，其運行安全備受關注[1-2]。做好交通運營環(huán)境安全監(jiān)測勢在必行。無線傳感器網(wǎng)絡(Wireless Sensor Network, WSN)具有自組織性及定位等功能，適用于交通運營環(huán)境監(jiān)測。然而，在交通運營復雜監(jiān)測環(huán)境下，WSN中的傳感器節(jié)點感知和通信的能量主要來自自身配置的電池且電池不易更換[3]。而在大規(guī)模WSN中傳感器節(jié)點通過多跳的方式將數(shù)據(jù)傳輸至匯聚節(jié)點，轉(zhuǎn)發(fā)數(shù)據(jù)量大的傳感器節(jié)點能量消耗大，造成網(wǎng)絡能耗不均衡的現(xiàn)象[4]。此外，網(wǎng)絡中傳感器節(jié)點對冗余數(shù)據(jù)的傳輸，會增加傳感器節(jié)點能量負擔[5]。以上情況均會影響WSN生存周期，限制無線傳感器網(wǎng)絡實際應用。

針對傳感器節(jié)點能量受限與WSN生存周期短的問題[6]，研究者們從網(wǎng)絡拓撲變化[7]、路由協(xié)議[8-9]等方面著手進行大量研究。文獻[10]中，遺傳算法被引入WSN，首先節(jié)點根據(jù)能效聚類，然后以網(wǎng)絡覆蓋率與節(jié)點剩余能量為輸入?yún)?shù)，采用遺傳算法選擇簇頭節(jié)點，從而達到減少通信開銷、降低節(jié)點能耗的目標。文獻[11]中，提出混合能量高效分布式集群算法，以均衡網(wǎng)絡簇頭節(jié)點分布，延長網(wǎng)絡生存周期為目標。文獻[12]中，提出基于自組織映射的能量聚類WSN路由協(xié)議，首先通過權值訓練與重組形成高能量簇，然后將高能量節(jié)點與低能量節(jié)點組合均衡簇能量，從而達到延長網(wǎng)絡生存周期的目標。文獻[13]提出動態(tài)超循環(huán)策略及能量效率數(shù)據(jù)收集協(xié)議，通過調(diào)度集群任務達到降低節(jié)點能耗與延長網(wǎng)絡生存周期的目標。

以上算法均可有效延長WSN生存周期，但其算法復雜度高，不適用于部署在鐵路沿線的線性WSN。相比之下，文獻[14]提出的基于節(jié)點間相關性的能量有效分簇路由協(xié)議的復雜度低，其利用節(jié)點位置相關性與節(jié)點剩余能量，選擇出分布均勻的簇首節(jié)點，從而達到均衡節(jié)點能耗延長網(wǎng)絡生存周期的目標。文獻[15]針對部署于鐵路沿線的線性WSN，提出組數(shù)據(jù)算法，其中傳感器節(jié)點均勻部署且均勻分簇，相距K個距離的簇頭節(jié)點形成一條傳輸路徑，網(wǎng)絡中有K條路徑同時傳輸數(shù)據(jù)，該算法可有效地降低節(jié)點能耗、延長網(wǎng)絡生存周期。此外，隨著硬件的發(fā)展，能量采集技術已被引入WSN 中[16]。

針對傳感器節(jié)點能量受限與網(wǎng)絡生存周期短的問題，本文首先結合鐵路沿線狹長的特點，對節(jié)點部署模型進行研究。然后介紹基于太陽能補給的協(xié)同數(shù)據(jù)傳輸策略，提出節(jié)能路由選擇算法并對算法進行說明。最后通過仿真驗證算法性能。

1 節(jié)點部署模型

假設WSN中的節(jié)點具有如下性質(zhì)[17]：

(1)節(jié)點初始能量相同為E0，匯聚節(jié)點(Sink node)能量不受限，數(shù)據(jù)傳輸過程中，僅考慮節(jié)點發(fā)送、接收數(shù)據(jù)的能量消耗；

(2)每個節(jié)點在單位監(jiān)測面積(m2)上產(chǎn)生數(shù)據(jù)為b0(bit/round)，數(shù)據(jù)均需被發(fā)送至Sink node；

(3)傳感器節(jié)點采用有向半圓布爾感知模型；

(4)節(jié)點感知半徑可調(diào)，通信半徑為dt。

無線傳感器網(wǎng)絡用于監(jiān)測交通運營環(huán)境，設L表示監(jiān)測區(qū)域長度，W表示監(jiān)測區(qū)域?qū)挾龋?jié)點均勻部署于監(jiān)測區(qū)域兩側，D表示同側相鄰節(jié)點間直線距離，不同側相鄰節(jié)點水平距離為D/2，節(jié)點部署模型見圖1。

圖1 節(jié)點部署模型

圖1中，沿著列車運行方向視圖，監(jiān)測區(qū)域可劃分為左側和右側。設SRi表示監(jiān)測區(qū)域右側節(jié)點，感知半徑為Rr；SLi表示監(jiān)測區(qū)域左側節(jié)點，感知半徑為Rl。令Rl≤Rr，Sink node部署于右側，兩側傳感器節(jié)點從Sink node處開始獨立編號。根據(jù)左右兩側節(jié)點感知半徑、監(jiān)測區(qū)間長度與寬度的關系，節(jié)點部署模型可分為三種情形，見圖2。

圖2 WSN冗余感知示意

Case1：當max(Rr，Rl)

Case2：當max(Rr，Rl)≥W，min(Rr，Rl)≤W且D/2≥W，D/2≤Rr時，相鄰節(jié)點SR1與SR2感知區(qū)域發(fā)生重疊，相交于點A(xA,yA)，且yA≤W。節(jié)點部署模型見圖2(b)。

Case3：當min(Rr，Rl)≥W，且D/2>Rr時，節(jié)點部署模型見圖2(c)，節(jié)點SR1與SR2感知區(qū)域不重疊。

感知半徑Rl為

Rl=

( 1 )

在保證監(jiān)測區(qū)域全覆蓋條件下，使用自適應半徑方法使各種節(jié)點部署情形下的冗余覆蓋面積最小化，同側節(jié)點感知半徑保持一致。當兩側節(jié)點感知半徑滿足式(1)時，監(jiān)測區(qū)域全覆蓋。

定義：冗余覆蓋比例B為冗余面積與監(jiān)測區(qū)域面積的比值，其表達式見式(2)。B值越小，則用于冗余數(shù)據(jù)傳輸?shù)哪芰吭叫　?/p>

( 2 )

2 能量模型與數(shù)據(jù)傳輸策略

2.1 能耗模型

節(jié)點采用典型的能量消耗模型[18]，發(fā)送、接收數(shù)據(jù)的能量消耗為

ET=Eelec+ε·dα

( 3 )

ER=Eelec

( 4 )

式中：ET為節(jié)點發(fā)送1 bit數(shù)據(jù)消耗能量；ER為節(jié)點接收1 bit數(shù)據(jù)消耗能量；Eelec為發(fā)射電路消耗能量；d0=(εfs/εamp)1/2為距離閾值，當數(shù)據(jù)傳輸距離d

2.2 能量采集模型

本文通過在傳感器節(jié)點處配置太陽能電池板的方式采集太陽能，并通過儲能裝置存儲能量，對節(jié)點提供能量補給。太陽能補給方案在補給能量的同時也存在一定的技術局限性，例如，太陽能具有不穩(wěn)定性，會受時間周期、地理位置、氣象變化等條件的影響，并且太陽能電池轉(zhuǎn)換效率η僅在10%～25%之間等[19-20]。針對其局限性，研究太陽輻照度較小時的WSN能量補給。設太陽輻照度為F，mW/cm2，太陽能電池板面積為SH，cm2，儲能裝置容量為E=E0。WSN以周期性方式進行數(shù)據(jù)采集與傳輸，從網(wǎng)絡開始運行至出現(xiàn)第一個節(jié)點能量耗盡的時長為網(wǎng)絡生存周期，單位為round。1個round表示所有節(jié)點將單次采集到的數(shù)據(jù)均傳輸至Sink node的時長。設1個round時長為T，單位為s，則在1個round內(nèi)儲存能量EH為

( 5 )

設傳感器節(jié)點進行能量補給時的充電功率恒定為PS，則在1個round內(nèi)傳感器節(jié)點可補充能量Ep為

( 6 )

2.3 數(shù)據(jù)傳輸策略

基于太陽能補給的協(xié)同數(shù)據(jù)傳輸策略見圖3，圖中各變量含義見表1。

圖3 協(xié)同數(shù)據(jù)傳輸策略流程

表1 變量符號及含義

數(shù)據(jù)傳輸示意圖見圖4。

圖4 數(shù)據(jù)傳輸示意

當Rr=Rl時，進行雙側傳輸，見圖4(a)，當EremEthn時節(jié)點關閉充電模式。

當Rr>Rl時，初始時進行雙側傳輸，當ErermEth時，切換至單側傳輸，見圖4(b)，SRi將數(shù)據(jù)發(fā)送到左側對應的SLi，再由左側傳感器節(jié)點進行數(shù)據(jù)傳輸。當Ererm>Ethn或Erelm≤Eth時切換回雙側傳輸。

在華為績效考核體系里，多數(shù)部門都會硬性分配績效A/B/C的考核比例。就算全部門全年表現(xiàn)都很好，也不可避免有人要被評為“C”。

3 節(jié)能路由選擇算法

3.1 節(jié)點層次化聚類

定義：傳感器節(jié)點至Sink node的數(shù)據(jù)傳輸方向為正方向，節(jié)點i正方向上的節(jié)點稱為節(jié)點i的前向節(jié)點，其反方向上的節(jié)點稱為節(jié)點i的后向節(jié)點。

網(wǎng)絡依據(jù)預設標準能耗值Estand對節(jié)點進行層次化聚類。層次化聚類從Sink node開始執(zhí)行，距離Sink node越近的層次等級越高，轉(zhuǎn)發(fā)數(shù)據(jù)量越大。標準能耗值為所有節(jié)點能耗上限值，用于確定轉(zhuǎn)發(fā)節(jié)點。數(shù)據(jù)雙側傳輸時標準能耗可選取值見式( 7 )，其中i≤?dt/D」；數(shù)據(jù)單側傳輸時標準能耗可選取值見式( 8 )，其中i≤?(dt2-W2)1/2/D+1」;di,Sink為節(jié)點i到節(jié)點Sink node的通信距離;kr=b0·π·Rr2/2為右側節(jié)點單次感知數(shù)據(jù)量;kl=b0·π·Rl2/2為左側節(jié)點單次感知數(shù)據(jù)量。

EBCi=「L/D+1-i?·kr·(ET+ER)=

( 7 )

( 8 )

節(jié)點層次化聚類過程描述如下：Sink node將預設標準能耗值及其節(jié)點信息反向發(fā)布至其通信范圍內(nèi)的傳感器節(jié)點，接收到信息的傳感器節(jié)點參與轉(zhuǎn)發(fā)節(jié)點競爭。參與競爭的傳感器節(jié)點計算將自身與其所有后向節(jié)點的感知數(shù)據(jù)發(fā)送至發(fā)布信息的節(jié)點所需能量，所需能量值小于預設標準能耗值且與其差值最小的節(jié)點競選成為轉(zhuǎn)發(fā)節(jié)點；之后，再由轉(zhuǎn)發(fā)節(jié)點重復上述操作搜索下一個轉(zhuǎn)發(fā)節(jié)點。相鄰轉(zhuǎn)發(fā)節(jié)點之間的傳感器節(jié)點與正方向上的轉(zhuǎn)發(fā)節(jié)點構成一個層次。轉(zhuǎn)發(fā)節(jié)點用于收集本層中所有節(jié)點數(shù)據(jù)，接收下一層轉(zhuǎn)發(fā)節(jié)點發(fā)送的數(shù)據(jù)，并將所有數(shù)據(jù)發(fā)送至上一層轉(zhuǎn)發(fā)節(jié)點。當轉(zhuǎn)發(fā)節(jié)點編號大于「L/D?-?dt/D」時，節(jié)點層次化完成。節(jié)點層次化過程見圖5。

圖5 節(jié)點層次化示意

3.2 協(xié)同數(shù)據(jù)傳輸策略下的路由選擇過程

本節(jié)基于層次聚類思想提出節(jié)能路由選擇算法。數(shù)據(jù)雙側傳輸時，左側路由與右側一致。其中節(jié)點標記0表示節(jié)點可參與轉(zhuǎn)發(fā)節(jié)點競選；節(jié)點標記1表示節(jié)點不可參與轉(zhuǎn)發(fā)節(jié)點競選；節(jié)點標記2表示節(jié)點不可參與轉(zhuǎn)發(fā)節(jié)點競選，只能將數(shù)據(jù)發(fā)送至對側對應節(jié)點，消耗能量Ed。路由選擇過程步驟如下：

Step1數(shù)據(jù)雙側傳輸，節(jié)點標記均為0，預設標準能耗值Estand=EBCi?；诠?jié)點層次化聚類確定轉(zhuǎn)發(fā)節(jié)點并得到路徑生成樹，算法如表2所示。轉(zhuǎn)發(fā)節(jié)點標記更新為1，數(shù)據(jù)傳輸過程中當轉(zhuǎn)發(fā)節(jié)點剩余能量最小值小于Eath時停止數(shù)據(jù)傳輸，進入Step2。

表2 路徑生成樹算法

Step2返回Step1直至無法形成路由，當Rr=Rl時進入Step3；當Rr>Rl&ErermEth時，進入Step4；當Rr>Rl&Erelm≤Eth時，進入Step5。

Step3節(jié)點標記均更新為0并開啟充電模式，Estand更新為EBC1，重新建立路由；當Erem>Ethn時，節(jié)點關閉充電模式，返回Step1；當Erem=0時，網(wǎng)絡結束運行。

Step4左側節(jié)點標記均更新為0，右側節(jié)點標記均更新為2，切換至單側傳輸，節(jié)點開啟充電模式，Estand更新為ESC1，重新建立路由；當Ererm≥Ethn&Erelm>Eth時，節(jié)點關閉充電模式，返回Step1；當Erelm≤Eth時，進入Step5。

3.3 算法復雜度

基于節(jié)點層次化聚類得到路徑生成樹，算法如表2所示，結合節(jié)點協(xié)同數(shù)據(jù)傳輸策略得到節(jié)能路由選擇算法，如表3所示。

根據(jù)表2、表3可知，節(jié)能路由選擇算法的時間復雜度由轉(zhuǎn)發(fā)節(jié)點競爭過程和算法循環(huán)次數(shù)決定，對應的時間復雜度分別為T1(n)=O(f(n))和T2(n)=O(g(n))，其中，n表示問題規(guī)模，O(f(n))表示計算函數(shù)復雜度，f(n)表示轉(zhuǎn)發(fā)節(jié)點競爭過程,g(n)表示函數(shù)循環(huán)過程，則算法時間復雜度T(n)=T1(n)·T2(n)=O(f(n)·g(n))。轉(zhuǎn)發(fā)節(jié)點競爭中需遍歷節(jié)點數(shù)目固定，不受變量L影響，故T1(n)=O(1)；算法循環(huán)次數(shù)與相鄰轉(zhuǎn)發(fā)節(jié)點編號差值相關，編號差值呈緩慢增大趨勢，設第一個編號差為M，則T2(n)=O(n/M)=O(n)，節(jié)能路由選擇算法復雜度T(n) =T1(n)·T2(n)=O(n)。

表3 節(jié)能路由選擇算法

3.4 算法性能分析

節(jié)能路由選擇算法中能量閾值Eath與Eth相關，當Estand=EBCi時，網(wǎng)絡進行i次路由搜索。各路由中能耗最大節(jié)點構成能耗線性方程組，如式(9)所示，各路由運行后節(jié)點剩余能量均為Eth，為理想狀態(tài)。

( 9 )

式中：Ea,b為第a條路由中能耗最大的節(jié)點在第b條路由中的能耗；ti為第i條路由的運行輪次，得到Eath為

Eath=E0-Tm·EBCi

(10)

式中：Tm=min(t1,t2,…,ti)。當EBCi=EBC1時，Eath與Eth應滿足式(11)，得到Eth≤E0/2。Ethn如式(12)所示。若右側節(jié)點能量先耗盡，則Eth最佳值Eth1如式(13)所示；若左側節(jié)點能耗先耗盡，Eth最佳值Eth2如式(14)所示,故Eth如式(15)所示。

(11)

(12)

(13)

(14)

(15)

當EPRl，EP滿足式(18)時，網(wǎng)絡可持續(xù)運行。

(16)

(17)

(18)

4 仿真分析

使用MATLAB軟件對所提出的節(jié)能路由選擇算法進行仿真分析，仿真參數(shù)[21]如表4所示。

表4 仿真參數(shù)

監(jiān)測區(qū)域長度L=1 km時，三種情形下的冗余覆蓋比例B隨Rr與D的增大而先減小后增大，見圖6。各情形下B最小時對應最佳部署，節(jié)點部署參數(shù)如表5所示，N為傳感器節(jié)點數(shù)目，三種情形下Eth保持一致。

表5 最佳部署參數(shù)

圖6 冗余覆蓋比例變化圖

監(jiān)測區(qū)域長度L=1 km時，在不同情形(Case1、 Case2、 Case3)，不同預設標準能耗下，支持網(wǎng)絡持續(xù)運行的最小太陽輻照度f見圖7。

圖7 最小太陽輻照度f隨Estand變化圖

圖7中各情形下f變化趨勢一致，先隨Estand的增大而快速減小，后隨Estand的增大而緩慢增加。三種情形下f的最小仿真值分別為：0.332、0.825、1.125 mW/cm2，大小關系為：Case3>Case2>Case1，Case1對太陽輻射度要求最低。隨監(jiān)測區(qū)域長度L增長，三種情形下對應的f平穩(wěn)增長，見圖8，增長率關系為：Case1

圖8 最小太陽輻照度f隨L變化圖

當L=1 km、f=0.25 mW/cm2時，網(wǎng)絡無法持續(xù)運行，三種情形下的網(wǎng)絡生存周期預測值與仿真值見圖9。圖中生存周期預測值略低于仿真值，Case1的網(wǎng)絡生存周期最長，Case3的網(wǎng)絡生存周期最短。

當f=0.25 mW/cm2、f=0 mW/cm2(無太陽輻照)時，隨L增長，各情形下的網(wǎng)絡生存周期逐漸縮短，見圖10。對比可見，同種情形下節(jié)點具有能量補給可以延長網(wǎng)絡生存周期，但隨L增長網(wǎng)絡生存周期延長量降低；網(wǎng)絡生存周期關系為：Case1>Case2>Case3。

圖9 網(wǎng)絡生存周期隨Estand變化圖

圖10 網(wǎng)絡生存周期隨L變化圖

由以上分析可見，節(jié)點部署模型為Case1時網(wǎng)絡生存周期最佳，故以此模型進行后續(xù)對比仿真。文獻[14]中算法的網(wǎng)絡結構與本文相似，文獻[15]中算法的應用場景與本文一致，故將所提出的節(jié)能路由選擇算法與能量有效分簇算法[14]和組數(shù)據(jù)算法[15]進行性能對比。在各算法中節(jié)點均具有太陽能補給的情況下，支持網(wǎng)絡持續(xù)運行的最小太陽輻照度f見表6。其中能量有效分簇算法對f的要求高于組數(shù)據(jù)算法，本文算法對f的要求最低。隨L增長三種算法對f的要求均逐漸增高，且本文算法對應的f增長率最低?？梢姳疚乃惴梢越档途W(wǎng)絡持續(xù)運行時對太陽輻照度的要求。

表6 最小太陽輻照度對比

當f=0.25 mW/cm2與f=0 mW/cm2時，三種算法對應網(wǎng)絡生存周期見圖11。隨L增長網(wǎng)絡生存周期逐漸縮短，其中本文算法對應網(wǎng)絡生存周期高于其他兩種算法，組數(shù)據(jù)算法對應網(wǎng)絡生存周期最低。這是因為組數(shù)據(jù)傳輸算法基于均勻分簇進行多路徑傳輸增加了數(shù)據(jù)傳輸距離，增大了能耗；而能量有效分簇算法中簇頭節(jié)點能耗均衡性低于本文算法。

圖11 網(wǎng)絡生存周期對比圖

5 結論

針對傳感器節(jié)點能量受限與網(wǎng)絡生存周期短問題，本文在對網(wǎng)絡路由算法進行研究的同時將太陽能補給技術引入到網(wǎng)絡中，使傳感器節(jié)點能量補給過程與路由選擇過程相融合，高效利用采集到的太陽能。然后，基于層次聚類思想提出節(jié)能路由選擇算法，采取限制節(jié)點能耗的方式均衡節(jié)點能耗，延長太陽能采集時間，從而有效地降低網(wǎng)絡持續(xù)運行時對太陽輻照度的要求并延長網(wǎng)絡生存周期。

仿真結果驗證了本文算法在提高網(wǎng)絡生存周期方面的有效性。進一步分析發(fā)現(xiàn)，隨L增長網(wǎng)絡生存周期延長量減小，且本文算法與能量有效分簇算法性能差距縮小，即L增長會降低能量補給效果、限制路由算法性能，下一步將針對此問題展開研究。