應(yīng)蓓華 王子聰

（浙江工商職業(yè)技術(shù)學(xué)院，浙江 寧波 315012）

1 研究背景

覆蓋地球表面70%多的海洋對人類的生存與發(fā)展具有重要而深遠(yuǎn)的意義。隨著科學(xué)技術(shù)的進(jìn)步和海洋經(jīng)濟(jì)的興起，世界各國對海洋權(quán)益及其蘊(yùn)含的巨大能源和多種資源愈發(fā)重視，人類對海洋勘測和開發(fā)等相關(guān)領(lǐng)域的技術(shù)需求亦日顯迫切[1]。在此背景下，水下無線傳感網(wǎng)（Underwater Wireless Sensor Network，簡稱UWSN）正成為興起的新的研究熱點(diǎn)[2]。

UWSN 是指將低能耗、具備短距離通信能力的水下傳感器節(jié)點(diǎn)以固定在海底或懸浮于海中的形式部署在指定海域中，節(jié)點(diǎn)內(nèi)部集成用于測量溫度、鹽度、深度、壓力、波高、剖面流量等海洋環(huán)境參數(shù)的傳感器，且能通過聲學(xué)網(wǎng)絡(luò)通信的方式將采集的數(shù)據(jù)傳遞至漂浮于水面的基站或船舶，并通過無線網(wǎng)絡(luò)通信，經(jīng)由衛(wèi)星或互聯(lián)網(wǎng)最終達(dá)到用戶端[3]。圖1、圖2 所示分別為水下無線傳感網(wǎng)的系統(tǒng)示意圖及其基本架構(gòu)。在海洋勘探與開發(fā)、環(huán)境監(jiān)測、溢油檢測、潛艇探測、災(zāi)害預(yù)警預(yù)報(bào)等眾多軍用和民用領(lǐng)域，UWSN 有著廣闊的應(yīng)用前景和發(fā)展?jié)摿Α２还苁抢碚撎剿鬟€是技術(shù)實(shí)踐，對高可靠性、高使用壽命的UWSN 進(jìn)行研究都具有深刻而重大的意義。

圖1 水下傳感網(wǎng)的系統(tǒng)示意圖

圖2 水下傳感網(wǎng)的系統(tǒng)架構(gòu)

然而，水下無線傳感網(wǎng)的傳輸能力弱和傳輸能耗大是其區(qū)別于其他無線網(wǎng)絡(luò)的最大不同。在低通信帶寬、低傳輸速率、高誤碼率和高發(fā)射功率的共同影響下，相對于目前再生能源供給技術(shù)并不成熟的高制造成本和高部署成本來說，水下節(jié)點(diǎn)僅靠有限的電池供電，其能量的高效使用無疑是亟待解決的重要問題之一。而水下網(wǎng)絡(luò)的特性及其對能耗提出的嚴(yán)格要求，將深刻影響UWSN 四層體系結(jié)構(gòu)的設(shè)計(jì)，同時(shí)也給水下網(wǎng)絡(luò)的進(jìn)一步研究帶來了更多的挑戰(zhàn)。

2 研究現(xiàn)狀及存在的問題

2.1 國內(nèi)外研究現(xiàn)狀

在WSN 的早期研究中，網(wǎng)內(nèi)信息處理是數(shù)據(jù)傳輸協(xié)議中較為重要的研究分支之一。鑒于節(jié)點(diǎn)計(jì)算資源和存儲資源受限，適用于WSN 的數(shù)據(jù)處理大多為輕量級算法，即在引入少量額外計(jì)算能耗的前提下，降低節(jié)點(diǎn)的總能耗。根據(jù)數(shù)據(jù)相關(guān)性的不同處理角度，現(xiàn)有WSN 數(shù)據(jù)壓縮算法可分為以下三種：時(shí)域壓縮、空域壓縮和時(shí)空域壓縮。

在時(shí)域壓縮中，得益于較低的計(jì)算復(fù)雜度，以分段常數(shù)逼近（PMC-MR 和PMC-MEAN）[4]、滑動窗口平均[5]、類似旋轉(zhuǎn)門趨勢壓縮的輕量級時(shí)域壓縮機(jī)制LTC（Lightweight Temporal Compression）[6]為代表的線性回歸算法，與預(yù)測編碼[7]、小波變換[8]等成為該領(lǐng)域的主流技術(shù)。考慮到處理器的計(jì)算能力和存儲能力，預(yù)測編碼多采用一階自回歸和一次移動平均作為預(yù)測模型，而小波變換則以基于提升格式（lifting scheme）的二代小波為主，最常用的是5/3 小波和2/6 小波。

2.2 存在的問題

可以看出，作為最貼近UWSN 的無線網(wǎng)絡(luò)，WSN在網(wǎng)內(nèi)信息處理方面已有一定程度的研究積累，但由于這些方法的適用性受限于WSN 的自身特點(diǎn)，無法直接拓展至水下，分析其原因，大致有以下幾點(diǎn)：

一是輕量級的算法制約了信息處理的效果?？紤]到WSN 節(jié)點(diǎn)的計(jì)算和存儲能力有限，且處理器的工作功率和節(jié)點(diǎn)通信功率基本處于同一數(shù)量級，算法的輕量級是設(shè)計(jì)的基本要求。大多數(shù)壓縮方法在降低復(fù)雜度的同時(shí)也損失了大部分的壓縮效果。從近幾年研發(fā)的水下節(jié)點(diǎn)來看，在MCU 的選擇上已從2006 年USC 節(jié)點(diǎn)[9]的ATMEGA 128L、UCI 節(jié)點(diǎn)[10]的MSP430 發(fā)展為2012 年GaWoNU[11]節(jié)點(diǎn)的ARMCortex-M3。可以看出，處理器性能的提升令執(zhí)行壓縮有了更多的選擇。更重要的是，由于發(fā)射功率遠(yuǎn)遠(yuǎn)高于處理功率，水下節(jié)點(diǎn)可以通過適當(dāng)增加計(jì)算復(fù)雜度來獲取更好的壓縮效果，進(jìn)一步凸顯網(wǎng)內(nèi)信息處理在水下網(wǎng)絡(luò)通信中的節(jié)能優(yōu)勢。

二是水下數(shù)據(jù)的類型和特點(diǎn)有別于陸上WSN應(yīng)用。在UWSN 應(yīng)用場景中，大部分原始數(shù)據(jù)采集于水下。水下環(huán)境復(fù)雜多變，存在很多隨機(jī)的不確定性。以最常見的溫度數(shù)據(jù)為例，圖3 所示為傳感器在相同時(shí)間、不同海拔高度下測得的溫度變化曲線，此實(shí)測數(shù)據(jù)取自熱帶太平洋觀測系統(tǒng)[12]（Tropical Atmosphere Ocean project）。可以看到，即便是同一種數(shù)據(jù)類型，在不同環(huán)境下也會表現(xiàn)出不同的變化特性，這將直接影響陸上WSN 的信息處理方法對水下數(shù)據(jù)的適應(yīng)程度。另一方面，陸上WSN 并未對水下測量特有的物理量如水深、波高、波向、鹽度、導(dǎo)電率、溶解氧、濁度、剖面流速、剖面流向、潮汐水位高度等的變化特性進(jìn)行深入研究，進(jìn)而無法獲知適合各個(gè)數(shù)據(jù)類型的信息處理方法。

圖3 相同時(shí)刻、不同監(jiān)測位的溫度變化曲線

三是UWSN 的稀疏部署弱化了原始數(shù)據(jù)的空間相關(guān)性，影響著水下節(jié)點(diǎn)的工作模式。由于WSN 屬于密集部署型網(wǎng)絡(luò)，節(jié)點(diǎn)密度高、距離近，通常情況下，原始數(shù)據(jù)間存在著較大的空間冗余。因此，WSN研究大多側(cè)重于節(jié)點(diǎn)的空間相關(guān)性。而對于高節(jié)點(diǎn)成本的UWSN 來說，節(jié)點(diǎn)間的距離通常達(dá)到幾百米，稀疏型部署使節(jié)點(diǎn)的空域相關(guān)度明顯減少，基于空間冗余而提出的信息處理方法大多不再適用，而時(shí)域相關(guān)的方法研究則仍待加強(qiáng)。此外，由于原有方法涉及的信息頻繁交互方式將帶來大量通信損耗，水下節(jié)點(diǎn)需要盡可能地減少交互的次數(shù)，更多地采用自學(xué)習(xí)的方式和預(yù)測機(jī)制來實(shí)現(xiàn)節(jié)點(diǎn)的協(xié)同工作。

鑒于以上幾方面原因，WSN 的信息處理方法不適宜直接移植并應(yīng)用于水下，而目前針對UWSN 提出的信息處理及其相關(guān)算法的研究則仍處于起步階段，不少文獻(xiàn)僅僅提及要在UWSN 中使用數(shù)據(jù)壓縮，但并未深入展開[13]。在已發(fā)表的應(yīng)用于UWSN的信息處理方法中，有研究提出將傳統(tǒng)的網(wǎng)絡(luò)編碼延伸到水下，運(yùn)用水下模擬測試平臺，驗(yàn)證了簡單網(wǎng)絡(luò)拓?fù)湎拢庑瓮負(fù)洌?，利用?shù)據(jù)相關(guān)性對其進(jìn)行網(wǎng)絡(luò)編碼，能有效彌補(bǔ)水下環(huán)境帶來的信號損失，提高差錯(cuò)恢復(fù)率[14]。還有研究提出，可在多跳傳輸機(jī)制中使用隨機(jī)線性網(wǎng)絡(luò)編碼，提高信道吞吐量[15]。

3 適用于水下網(wǎng)絡(luò)的自適應(yīng)時(shí)域壓縮

能量的高效使用是UWSN 的首要設(shè)計(jì)目標(biāo)。數(shù)據(jù)壓縮（Data Compression）技術(shù)被引入U(xiǎn)WSN 中，得益于其在去除數(shù)據(jù)冗余方面的能力。在滿足應(yīng)用需求的前提下，對原始數(shù)據(jù)進(jìn)行適當(dāng)?shù)木W(wǎng)內(nèi)處理，減少數(shù)據(jù)傳輸量，進(jìn)而有效地節(jié)省能耗，延長網(wǎng)絡(luò)生存壽命，是數(shù)據(jù)壓縮的基本功能。

3.1 背景技術(shù)

通過對現(xiàn)有時(shí)域壓縮算法的節(jié)能效益進(jìn)行評估后發(fā)現(xiàn)，數(shù)據(jù)壓縮算法不能保證在任何情況下都能獲得節(jié)能效果。在某些應(yīng)用場合中，節(jié)點(diǎn)的密集部署使得通信的射頻功率降低，而數(shù)據(jù)的精度要求較高則直接影響壓縮的執(zhí)行效果。在這種情況下，執(zhí)行網(wǎng)內(nèi)數(shù)據(jù)壓縮未必能夠?qū)崿F(xiàn)預(yù)期的節(jié)能目的，反而會因?yàn)轭~外增加的計(jì)算能耗超過節(jié)省的通信能耗，使執(zhí)行壓縮算法得不償失。由此，一種針對單一時(shí)域壓縮算法進(jìn)行節(jié)能優(yōu)化的節(jié)點(diǎn)級壓縮判決機(jī)制被提出，并用來在執(zhí)行壓縮前，對壓縮是否節(jié)能進(jìn)行預(yù)判[16]。

將 “壓縮判決方法” 應(yīng)用于傳感器節(jié)點(diǎn)，能夠有效避免壓縮可能帶來的不必要的能量損失，但此方法仍然存在著一定的不足：壓縮判決僅針對單個(gè)節(jié)點(diǎn)進(jìn)行能量優(yōu)化，并未考慮網(wǎng)絡(luò)全局和無線通信的信道質(zhì)量。該方法從節(jié)點(diǎn)自身的能量損失來判斷壓縮是否節(jié)能，通過將節(jié)點(diǎn)執(zhí)行壓縮的計(jì)算能耗與節(jié)點(diǎn)發(fā)送壓縮后數(shù)據(jù)能夠節(jié)省的發(fā)射能耗進(jìn)行比較，得到判決結(jié)果。由此可見，此方法只實(shí)現(xiàn)了節(jié)點(diǎn)級的能量優(yōu)化，并未涉及網(wǎng)絡(luò)中普遍存在的多跳傳輸情況以及實(shí)際信道的多變性。在多跳傳輸中，壓縮帶來的通信數(shù)據(jù)量的減少，不僅能夠節(jié)省本地節(jié)點(diǎn)的發(fā)射能耗，而且也能降低后續(xù)中繼節(jié)點(diǎn)的通信能耗，與此同時(shí)，無線信道的不確定性帶來了數(shù)據(jù)重傳的可能。因此，在壓縮與否的判定中，需要進(jìn)一步考慮網(wǎng)絡(luò)中的其他節(jié)點(diǎn)和實(shí)際信道質(zhì)量，實(shí)現(xiàn)全網(wǎng)級別的能量優(yōu)化。

3.2 具體實(shí)現(xiàn)

圖4 為傳感器節(jié)點(diǎn)的硬件框架。該基本架構(gòu)以微處理器為主要控制單元，兼?zhèn)湟欢ǖ拇鎯δ?。其余各個(gè)模塊的功能如下：傳感器（或稱為執(zhí)行器）負(fù)責(zé)實(shí)現(xiàn)數(shù)據(jù)采集；射頻收發(fā)器進(jìn)行數(shù)據(jù)的無線傳輸；能量供應(yīng)單元分別給射頻收發(fā)器、微處理器以及傳感器提供能量；用戶接口負(fù)責(zé)節(jié)點(diǎn)與上層管理終端的通信連接，包括應(yīng)用參數(shù)的設(shè)置以及相關(guān)信息的讀取。

圖4 傳感器節(jié)點(diǎn)的硬件框架

圖5 為軟件架構(gòu)體系，該體系位于節(jié)點(diǎn)微處理器的處理單元內(nèi)，該體系在數(shù)據(jù)處理層中添加了壓縮決策的模塊，以此實(shí)現(xiàn)自適應(yīng)壓縮控制。整個(gè)軟件體系共分五個(gè)層次，與互聯(lián)網(wǎng)所使用的五層協(xié)議類似，從頂至下依次為：應(yīng)用層、數(shù)據(jù)處理層、網(wǎng)絡(luò)傳輸層、數(shù)據(jù)鏈路層以及物理層。其中，數(shù)據(jù)處理層包括兩個(gè)子功能模塊：數(shù)據(jù)壓縮和壓縮決策，壓縮決策執(zhí)行本研究所闡述的壓縮判決過程，數(shù)據(jù)壓縮執(zhí)行數(shù)據(jù)壓縮過程。所需的預(yù)知信息均讀取自微處理器的存儲單元，分別由與微處理器連接的各個(gè)模塊提供。通過壓縮決策可以得到最佳的壓縮執(zhí)行策略： 執(zhí)行備選壓縮算法中的一種或是不執(zhí)行任何壓縮操作。

圖5 傳感器節(jié)點(diǎn)的軟件架構(gòu)體系

本設(shè)計(jì)中，整個(gè)自適應(yīng)壓縮方法包括兩個(gè)部分：建模和決策執(zhí)行。由于壓縮決策需要預(yù)測出各種備選壓縮策略的總能耗并加以比較，因此在執(zhí)行決策前要建立相應(yīng)的預(yù)測模型。本研究涉及到的預(yù)測模型包括：壓縮比的預(yù)測模型和壓縮執(zhí)行時(shí)間的預(yù)測模型。通過數(shù)據(jù)庫技術(shù)建立的這兩種預(yù)測模型，采用不同種類的備選壓縮算法，基于同一種原始數(shù)據(jù)，以不同精度要求下獲得的壓縮比和執(zhí)行時(shí)間作為建模輸入，在MCU 中對數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析及插值計(jì)算，進(jìn)而構(gòu)筑預(yù)測所需的二維表格，當(dāng)壓縮比的預(yù)測模型和壓縮執(zhí)行時(shí)間的預(yù)測模型建立后，通過查表的方式，由壓縮比的預(yù)測模型得到CR，由壓縮執(zhí)行時(shí)間的預(yù)測模型得到TMCU。本研究所需的預(yù)測模型，是基于精度要求e 的二維表，其屬性分別為：

壓縮比預(yù)測表={（精度要求），（平均壓縮比）}壓縮執(zhí)行時(shí)間預(yù)測表={（精度要求），（平均壓縮時(shí)間）}

不同的壓縮算法均構(gòu)筑對應(yīng)的兩張預(yù)測二維表，并通過查表完成壓縮比和壓縮執(zhí)行時(shí)間的預(yù)測。若應(yīng)用提出的精度要求無法直接在表中查得，則采用插值運(yùn)算獲得所需值。本設(shè)計(jì)采用分段多項(xiàng)式插值中的分段線性插值，當(dāng)然，其他低復(fù)雜度量的插值運(yùn)算也可用于本研究，不限上述幾種。

分段線性插值的基本原理是：設(shè)函數(shù)y=f（x）在節(jié)點(diǎn)：a≤x0＜x1＜…xn≤b 上的函數(shù)值為： f（x0），f（x1），…，f（xn）則在區(qū)間上[xk，xk+1]，對應(yīng)節(jié)點(diǎn)x 的插值I（x）可由下式計(jì)算得到：

以上建模過程稱為自適應(yīng)壓縮方法的機(jī)器學(xué)習(xí)，由節(jié)點(diǎn)在線完成。機(jī)器學(xué)習(xí)程序使用所記錄的樣本數(shù)據(jù)，通過統(tǒng)計(jì)分析和插值計(jì)算，得到兩種預(yù)測模型的二維表格，以此取代人工輸入?yún)?shù)的離線建模方式。

在網(wǎng)絡(luò)運(yùn)行初期，節(jié)點(diǎn)執(zhí)行各種備選壓縮算法，記錄不同精度要求下各種算法的壓縮比和壓縮執(zhí)行時(shí)間，以此作為樣本輸入，構(gòu)筑兩種預(yù)測模型的二維表，并將其存儲于微處理器中，完成首次建模。為了保證預(yù)測的準(zhǔn)確性，在之后的網(wǎng)絡(luò)運(yùn)行過程中，節(jié)點(diǎn)將隨機(jī)選取若干新樣本進(jìn)行模型驗(yàn)證，若其預(yù)測誤差超過設(shè)定的閾值將觸發(fā)節(jié)點(diǎn)再次進(jìn)入機(jī)器學(xué)習(xí)，對模型予以修正和調(diào)整。機(jī)器學(xué)習(xí)過程中，節(jié)點(diǎn)將不執(zhí)行任何壓縮算法，直接傳輸原始數(shù)據(jù)。

自適應(yīng)壓縮方法的決策執(zhí)行部分即為實(shí)際執(zhí)行壓縮判決的過程。圖6 為本設(shè)計(jì)提出的壓縮決策的工作流程。整個(gè)工作流程包括以下幾個(gè)步驟：

圖6 傳感器節(jié)點(diǎn)的軟件架構(gòu)體系

步驟1： 如果壓縮決策所需的任一預(yù)知信息發(fā)生改變，則壓縮決策啟動。預(yù)知信息中，發(fā)射功率、精度要求、節(jié)點(diǎn)位置（跳數(shù)）和數(shù)據(jù)重傳率的變化相對頻繁，故而成為啟動壓縮決策的主要因素。

步驟2： 壓縮決策模塊從應(yīng)用層中獲取相關(guān)信息。所涉及的信息包括：數(shù)據(jù)類型、精度要求以及壓縮算法種類，相應(yīng)地保存于微處理器的存儲單元內(nèi)，可以通過用戶接口預(yù)先設(shè)置（節(jié)點(diǎn)部署前），也可以取自射頻模塊提供的控制幀信息（節(jié)點(diǎn)部署后）。

步驟3：根據(jù)應(yīng)用層提供的相關(guān)信息，預(yù)測各種備選壓縮算法（本文為一次移動平均預(yù)測、LAA、PMC-MR 和LTC）所能獲得的平均壓縮比CR。預(yù)測過程需要借助自適應(yīng)壓縮方法在機(jī)器學(xué)習(xí)階段建立的預(yù)測模型。本文涉及到的壓縮比，其定義為壓縮后的數(shù)據(jù)總量與原始數(shù)據(jù)量之比。經(jīng)由樣本統(tǒng)計(jì)所獲得的壓縮比預(yù)測模型，通過查表或插值運(yùn)算，可以預(yù)測出確定類型的原始數(shù)據(jù)，在特定的壓縮算法和不同的精度要求下，能夠達(dá)到的平均壓縮比CR。本文的精度要求也可表示為應(yīng)用背景給出的數(shù)據(jù)誤差容限。

步驟4：根據(jù)應(yīng)用層提供的相關(guān)信息，預(yù)測執(zhí)行各種備選壓縮算法（本文為一次移動平均預(yù)測、LAA、PMC-MR 和LTC） 所需的平均時(shí)間作為TMCU。該預(yù)測過程與步驟3 中所述的過程相類似，即預(yù)測過程需要借助自適應(yīng)壓縮方法在機(jī)器學(xué)習(xí)階段建立的預(yù)測模型。經(jīng)由樣本統(tǒng)計(jì)獲得壓縮執(zhí)行時(shí)間的預(yù)測模型，通過查表或插值運(yùn)算，預(yù)測出確定類型的原始數(shù)據(jù)，在特定的壓縮算法和不同的精度要求下，能夠達(dá)到的平均壓縮時(shí)間TMCU。

步驟5： 壓縮決策模塊從網(wǎng)絡(luò)傳輸層中獲取相關(guān)信息，包括：發(fā)射功率、節(jié)點(diǎn)位置（跳數(shù)）、數(shù)據(jù)重傳率、接收功率、數(shù)據(jù)傳輸速率以及MCU 計(jì)算功率等。

步驟6： 計(jì)算各種備選壓縮算法的總能耗Ecomp以及不執(zhí)行壓縮時(shí)的總能耗Euncomp。壓縮算法的總能耗Ecomp和不執(zhí)行壓縮時(shí)的總能耗Euncomp經(jīng)由以下推導(dǎo)給出：

壓縮算法的總能耗由兩部分組成： 微處理器（MCU）執(zhí)行壓縮的能耗和射頻（RF）模塊的通信能耗；不執(zhí)行壓縮時(shí)的總能耗則僅有射頻模塊的通信能耗?？紤]到射頻模塊的喚醒能耗是所有情況共有的（無論是否執(zhí)行壓縮算法，或是執(zhí)行哪種壓縮算法），因此不會對能耗比較結(jié)果產(chǎn)生影響；同時(shí)，數(shù)據(jù)幀的幀頭部分長度相比于數(shù)據(jù)部分而言微乎其微，也是可以忽略的，因此，總能耗Ecomp和Euncomp可以簡化為：

其中，PMCU為微處理器MCU 的功率；L 為原始數(shù)據(jù)總長度；TMCU為在已知精度要求e 下，節(jié)點(diǎn)壓縮1 個(gè)字節(jié)數(shù)據(jù)的時(shí)間開銷，由壓縮執(zhí)行時(shí)間的預(yù)測模型計(jì)算得到（步驟4）；PTX為節(jié)點(diǎn)間通信距離d 下，射頻模塊的發(fā)射功率；CR 為在已知精度要求e 下，算法的平均壓縮比，根據(jù)壓縮比預(yù)測模型計(jì)算得到（步驟3）；Ttran為節(jié)點(diǎn)發(fā)送1 個(gè)字節(jié)數(shù)據(jù)所需的時(shí)間，由數(shù)據(jù)傳輸速率決定；PRX為射頻模塊的接收功率；節(jié)點(diǎn)位置即跳數(shù)h=1 表示的是匯Ttran聚節(jié)點(diǎn)的鄰居節(jié)點(diǎn)，由于匯聚節(jié)點(diǎn)是能量不受限的超級節(jié)點(diǎn)，因此這種情況下的總能耗僅考慮發(fā)射部分，而無需包含接收部分；數(shù)據(jù)重傳率g 反映出節(jié)點(diǎn)多跳路由中通信信道質(zhì)量，數(shù)值越大，表示接收誤碼率越高，通信信道越惡劣。

步驟7： 比較各種備選壓縮算法的總能耗Ecomp和不執(zhí)行壓縮時(shí)的總能耗Euncomp，選擇其中能耗最低的一種壓縮策略，并予以執(zhí)行。能耗最低即表示策略的節(jié)能效果最佳，其比較結(jié)果可能為備選壓縮算法中的一種，也可能是不執(zhí)行任何壓縮，直接發(fā)送原始數(shù)據(jù)。

步驟8：節(jié)點(diǎn)結(jié)束一次壓縮決策過程。

4 實(shí)驗(yàn)結(jié)果

為了檢驗(yàn)自適應(yīng)壓縮方法對網(wǎng)絡(luò)能耗的優(yōu)化作用，我們首先選取采自于實(shí)際物理環(huán)境下的傳感器數(shù)據(jù)及適用于該數(shù)據(jù)特性的壓縮算法，以此建立所需的兩種預(yù)測模型，即完成自適應(yīng)壓縮方法的機(jī)器學(xué)習(xí)階段；然后通過仿真來比較傳統(tǒng)的數(shù)據(jù)壓縮算法與結(jié)合了壓縮決策的自適應(yīng)壓縮方法，在等同條件下的能耗差異。此外，為了驗(yàn)證預(yù)測模型的在線建模方式對數(shù)據(jù)特性變化的跟蹤能力，我們選擇兩種不同變化特性的數(shù)據(jù)樣本，比較其與離線建模方式的預(yù)測準(zhǔn)確性，并同時(shí)對本課題采用數(shù)據(jù)庫建模技術(shù)取代數(shù)據(jù)擬合方式的可行性進(jìn)行了驗(yàn)證。

這里選取的原始數(shù)據(jù)來自于太平洋海洋環(huán)境實(shí)驗(yàn)室的熱帶大氣海洋計(jì)劃。此外，我們選擇的4種備選壓縮算法分別代表了復(fù)雜度和壓縮效果的不同折中，包括復(fù)雜度較低、但壓縮效果較差的LAA 和一次移動平均預(yù)測，以及復(fù)雜度較高、但壓縮效果較好的PMC-MR 和LTC。需要特別指出的是，根據(jù)我們對大量數(shù)據(jù)類型和壓縮算法的仿真，本課題提出的自適應(yīng)壓縮方法并不局限于特定的數(shù)據(jù)類型和備選壓縮算法，這里選擇特定的數(shù)據(jù)類型和備選壓縮算法只是為了更好地說明這一方法所能獲得的效果。

表1 給出了TAO 中原始數(shù)據(jù)海水溫度在一次移動平均預(yù)測算法作用下獲得的平均壓縮比二維表。同理可以獲得壓縮算法執(zhí)行時(shí)間的預(yù)測模型。為了比較數(shù)據(jù)擬合與本課題所述的數(shù)據(jù)庫關(guān)系模型在預(yù)測精度上的差異，我們選取實(shí)際數(shù)據(jù)的真實(shí)壓縮比進(jìn)行對比，如表2 所示。其中，“查表值” 即為關(guān)系模型建立后得到的二維表中的數(shù)值。可以看出，基于數(shù)據(jù)庫技術(shù)的壓縮比預(yù)測并未引入太多的誤差，反而大大簡化了預(yù)測過程，降低了預(yù)測的計(jì)算量和復(fù)雜度。

表1 一次移動平均預(yù)測的平均壓縮比表

表2 數(shù)據(jù)擬合和關(guān)系模型對比

若二維表中無法查到所需的預(yù)測值，本課題提出可通過插值計(jì)算得到。表3 所示為插值得到的壓縮比預(yù)測，作為對比，同時(shí)給出數(shù)據(jù)擬合下的壓縮比預(yù)測值和真值。從表3 的對比結(jié)果可以看到，通過插值計(jì)算得到的壓縮比預(yù)測并未損失太多的準(zhǔn)確度。

表3 數(shù)據(jù)擬合和插值計(jì)算對比

為了驗(yàn)證預(yù)測模型的修正特性，測試采用兩種不同特性的原始數(shù)據(jù)作為樣本，以此模擬數(shù)據(jù)特性發(fā)生變化，進(jìn)而觸發(fā)機(jī)器學(xué)習(xí)的情況。表4 給出的是啟動新一輪機(jī)器學(xué)習(xí)后，一次移動平均預(yù)測的平均壓縮比表。表5 所示則為更進(jìn)一步的修正前后兩張二維表的壓縮預(yù)測值對比。由此可見，本研究提出的基于機(jī)器學(xué)習(xí)的在線建模方式和結(jié)合插值計(jì)算的關(guān)系模型構(gòu)筑能夠很好地實(shí)現(xiàn)對壓縮比和壓縮執(zhí)行時(shí)間的預(yù)測，為后續(xù)的壓縮決策提供準(zhǔn)確的參考指標(biāo)。

表4 一次移動平均預(yù)測的平均壓縮比表

表5 修正前后二維表的預(yù)測對比

鑒于水下無線傳感器節(jié)點(diǎn)與WSN 節(jié)點(diǎn)僅在通信信道參數(shù)方面存在差異，且由于本課題未能順利采購水下無線傳感器節(jié)點(diǎn)，能量優(yōu)化的驗(yàn)證實(shí)驗(yàn)采用加州大學(xué)伯克利分校開發(fā)的MicaZ 試驗(yàn)節(jié)點(diǎn)作為替代的硬件平臺，后期若能獲取水下無線傳感器節(jié)點(diǎn)的實(shí)際參數(shù)，則將本研究涉及的參量進(jìn)行替換即可。本試驗(yàn)節(jié)點(diǎn)的處理器平臺參考ATMEGA 128L。以50 個(gè)數(shù)據(jù)為單位（組）執(zhí)行壓縮，共選取100 組。為了確保驗(yàn)證的準(zhǔn)確性，所用的原始數(shù)據(jù)不同于機(jī)器學(xué)習(xí)階段使用的統(tǒng)計(jì)樣本。實(shí)驗(yàn)中的網(wǎng)絡(luò)拓?fù)洳捎玫让芏确植嫉臇鸥瘢╣rid）結(jié)構(gòu)。網(wǎng)絡(luò)規(guī)模為25*25，共625 個(gè)節(jié)點(diǎn)，其中，匯聚節(jié)點(diǎn)位于全網(wǎng)中心，其余為同構(gòu)的傳感器節(jié)點(diǎn)。源節(jié)點(diǎn)以最短路徑樹（Shortest Path Tree，簡稱SPT）的形式路由到匯聚節(jié)點(diǎn)。由于源節(jié)點(diǎn)的分布密度相等，因此假定節(jié)點(diǎn)采用統(tǒng)一級別的發(fā)射功率進(jìn)行數(shù)據(jù)傳送，且各無線信道設(shè)定為相同的數(shù)據(jù)重傳率。隨著網(wǎng)絡(luò)節(jié)點(diǎn)的失效，網(wǎng)絡(luò)密度將會降低，射頻發(fā)射功率和數(shù)據(jù)重傳率則相應(yīng)增大。

事實(shí)上，如果節(jié)點(diǎn)的每組數(shù)據(jù)都能采用能耗最低的策略完成數(shù)據(jù)傳送任務(wù)，則可認(rèn)為是網(wǎng)絡(luò)節(jié)能的最理想情況。實(shí)驗(yàn)即以該理想情況作為參照，將各種情況下節(jié)點(diǎn)總能耗的統(tǒng)計(jì)結(jié)果與之相比，給出各種實(shí)現(xiàn)方式相對于理想情況的最大偏差（用百分比表示），如表6 所示。表中 “E” 代表所設(shè)精度要求級別，“RF” 代表發(fā)射功率級別，“γ” 代表數(shù)據(jù)重傳率，即 “E2_RF7_γ0.1” 表示所設(shè)精度要求的級別為2，發(fā)射功率級別為7，數(shù)據(jù)重傳率為10%。從表6 中的統(tǒng)計(jì)結(jié)果可以看到，加入了壓縮決策的自適應(yīng)壓縮方法，針對不同的精度要求、發(fā)射功率和數(shù)據(jù)重傳率，全網(wǎng)節(jié)點(diǎn)都能以接近能耗最優(yōu)的情況完成數(shù)據(jù)傳送任務(wù)。當(dāng)精度要求較高時(shí)（如 “E2”），壓縮算法未能達(dá)到理想的數(shù)據(jù)壓縮效果，反而增加了額外的計(jì)算損耗，由此，節(jié)點(diǎn)的總能量損失背離理想情況較多，此時(shí)，不執(zhí)行壓縮或是執(zhí)行復(fù)雜度較低的算法反而會使能耗逼近最優(yōu)值。隨著精度要求的降低，壓縮算法逐級顯露出在節(jié)能上的優(yōu)勢，尤其是壓縮效果好且執(zhí)行復(fù)雜度低算法，將被越來越多的節(jié)點(diǎn)所采用，而此時(shí)，不執(zhí)行壓縮卻逐漸增大了其與理想情況的偏離程度。

表6 各種實(shí)現(xiàn)方式與理想情況的最大能耗偏差

由于受到壓縮比及壓縮時(shí)間預(yù)測精度的限制，在實(shí)現(xiàn)節(jié)能優(yōu)化機(jī)制過程中，不可避免地會有誤判產(chǎn)生，這也導(dǎo)致了某些情況下，單一執(zhí)行壓縮策略的能耗更接近最優(yōu)情況（如 “E10_R7_γ0.1”）。但從總體而言，自適應(yīng)壓縮方法能夠?yàn)楣?jié)點(diǎn)提供較為準(zhǔn)確的節(jié)能策略，使其能以能耗接近最優(yōu)的情況完成數(shù)據(jù)傳送，最高的偏離度不超過5%。

5 結(jié)論

作為UWSN 體系結(jié)構(gòu)中應(yīng)用層的實(shí)現(xiàn)功能，對原始數(shù)據(jù)的信息冗余進(jìn)行網(wǎng)內(nèi)信息處理，在保留應(yīng)用所需信息量的前提下，將需要傳輸?shù)臄?shù)據(jù)量最小化，這樣，不僅能夠有效應(yīng)對水下傳輸能力弱的問題，提高數(shù)據(jù)傳輸速率和帶寬利用率，避免網(wǎng)絡(luò)擁塞，更重要的是，通過壓縮來減少通信量，有利于降低水下節(jié)點(diǎn)的通信能耗，延長節(jié)點(diǎn)乃至整個(gè)網(wǎng)絡(luò)的使用壽命，提高有限能源的使用效率。本研究嘗試在節(jié)點(diǎn)的軟件框架中增加網(wǎng)絡(luò)級的節(jié)能優(yōu)化機(jī)制，提出了一種符合海洋數(shù)據(jù)特性的自適應(yīng)壓縮方法，保證了各個(gè)位置上的節(jié)點(diǎn)均能根據(jù)自身的實(shí)際情況以能耗接近最優(yōu)的效果完成數(shù)據(jù)傳送任務(wù)。