基于802.11協議的無線傳感器數據流優先級模型

王重英

基于802.11協議的無線傳感器數據流優先級模型

王重英

（商洛學院計算機科學系，陜西商洛，726000）

本文利用數學分析方法做了驗證，結果表明，該機制對于高優先級數據數據優先傳送的作用是非常明顯的，在傳輸過程，數據流分組丟失的情況也得到了有效遏制。本文還對該機制的能耗情況進行了分析，結果表明，高優先級的能耗水平低于低優先級，并且這種趨勢隨著節點數的增加而更加明顯。因此，本文所提出的提高高優先級傳輸效率的機制，更適用于節點數比較高的網絡中。

WSN；高優先級；MAC協議；NTS

802.11 MAC協議是保證無線傳感器網絡高效傳輸的重要協議。隨著科學技術的進步和業務發展的需要，MAC協議也得到了發展和完善，在無線傳感器網絡(Wireless Sensor Networks,WSN)內就出現了不同的、有針對性的MAC協議(或者叫升級的MAC協議)。經過文獻資料的搜集，發現MAC協議自身還有不足之處，具體應用到WSN網絡內，這種問題暴漏的更加明顯，這種不足對于WSN網絡的推廣和業務的發展是極為不利的。

1 區分服務的MAC機制簡介

無線傳感器網絡有眾多的結構和變異種類，本文討論的是單挑簇狀式的網絡結構，該網絡是由最簡單的簇頭、感知節點兩部分組成，并作如下假設：

（1）在半徑為R的圓內平均的分布有N個節點，M代表簇頭的數目，為了簡單，假設簇頭和感知兩種節點的類型是一樣的，那么節點的綜述可以表示為N/M，其中簇頭數目是1，感知節點數目是N/(M-1)；（2）數據采集過程中，每個周期采集到的信息量是k比特，采集后再把這些信息傳到簇頭，簇頭負責把收集上來的信息匯總，再發送出去(一般是基站)；（3）由于基站自身的能量供應是充足的，接收過程中的能耗基本上為0。具體的網絡模型如圖1所示：

圖1 無線傳感器網絡模型

本文接下來的討論和方案提出都是基于上圖這種簡單的網絡模型。為了使MAC協議適應WSN網絡需要，本文在原有802.11 MAC協議的基礎上進行了改進和完善，提出改進的控制分組概念，對發送來的數據業務流進行區分通過目的節點來完成，目的節點可以隨著網絡變化而動態調整接收情況和數量，這在很大程度上節約了單個節點的資源，對業務的區分也得以實現。

當節點有傳輸信息的需要時，第一要務就是把各個組按照事先約定的法則進行打標編號。在目的節點一端，引入處理低優先級業務的拒絕服務組，基于這個結構目的節點就能夠對低優先級的業務有所拒絕。在目的節點拒絕了發送的低優先級業務組后，會自動把這個情況向發送節點報告，源節點通過自身的算法產生隨機的計數，在合適的實際重新發送。假設目的節點對于低優先級拒絕的概率是，記由于網絡或者目的節點不接受重傳的次數是次，則有如下公式：

2 基于區分服務的數學模型

2.1 基于馬爾科夫鏈的模型

為了模型建立的需要，本文對數據流的類型根據對時延性能要求不同分為Real-Time（實時流，簡稱為RT）和Best-Effort（非實時流，又稱為最大可能性數據流，簡稱為BE）兩種。由分類的名稱就可以清晰的看到，實時流對于時間性能的要求更加苛刻，而BE型數據相對則寬容一些，在數據建模中，把RT和BE兩種模型分別設置為0和1，優先級的類別用i表示。在數據流的分組上，兩種數據流沒有區別，運用的都是一種退避方式。

在需要傳輸第i類的簇頭時，假設sit代表的是t時刻正處于退避過程當中，bit代表的是時刻t的技術值，那么引用經典的構建方式，sit和bit就可以成為一個馬爾科夫鏈的二維模型，于是，很容易有如下的公式存在：

在模型的建立過程中，本文將（1）式中的L1用低優先級業務組重傳的均值代替，于是可以有如下的結果：

2.2 吞吐量的定性分析

假設任意選擇某個較短的時間，這時至少存在一個分組處于發送過程的概率是，代表的是在選擇的時間，某類分組占用信道的可能性，任何分組占用信道的可能用則用表示，那么就有：

2.3 分組在信道內丟棄概率

分組在信道上傳輸時，發生丟棄的原因是退避技術器已滿，再次發送又發生沖突或遭到目的節點的拒絕。假設是第i個數據發生丟棄的可能概率，那么就有

3 基于區分服務模型性能分析

上述章節對于區分服務的建模過程已經進行了詳細分析，接下來本節將對以上提出的改進過的MAC層協議性能進行驗證，在驗證過程中運用了數學分析的方法，選用參考文獻[3]中的參數設置信息。假設傳感器的節點是200，M值從10開始，另外在MAC層中，發送M0=M1=0.5M的同樣大小分組。

針對實時流和非實時流分別進行模擬測試，兩種數據包含吞吐量的模擬結果如圖2所示。圖中所示的結果證實了本文提出的引入新的控制分組方式可以有效提高實時流（RT流）的帶寬占用，隨著節點數的增加，這種現象更加明顯，具體表現為兩種數據流下降的幅度不同，即非實時流（BF）比實時流下降的明顯。通過機制改進以后實時流的表現情況如圖3所示，通過與標準802.11 DCF下飽和吞吐量的對比可以看出，隨著節點數的增長，帶寬資源的損失增加幅度是明顯降低。

圖2 實時流和非實時流飽和吞吐量分析

圖3 改進前后吞吐量對比

4 基于區分服務模型能量分析

4.1 基于first order的能量模型

Heinzelman在無線傳感器網絡能耗方面，吸收電磁和電路能量消耗的相關理論成果，制定了網絡能耗的相關模型，本文的能量分析選用的就是first order模型。接下來，本文將按照選用WSN挽留過模型對能量模型進行建模。

4.1.1 感知節點能耗建模

在單跳簇狀網絡結構中，在一個時間周期，感知節點把采集到的數據只發給簇頭，假設是k，那么其發送的能耗可以用下式表示：

由于在上述討論中，節點的分布是均勻的，那么有

4.1.2 簇頭節點能耗建模

如前所述，簇頭節點負責把感知節點的數據傳送給基站。一個簇有一個簇頭和N/(M-1)個感知節點，那么，簇頭節點在一個時間周期就要接收以上節點發來的數據，假設k比特，簇頭把收到的數據匯聚后傳給基站，所以它的能耗就可以表示為如下形式：

4.1.3 總能耗模型

單個簇的總能耗分為感知節點能耗和簇頭節點能耗兩部分，那么由4.1.1和4.1.2中對兩類能耗的建模分析可以得出：

在無線傳感器網絡中，簇的數量是M個，那么整個網絡的能耗為：

結合公式（18），本文選用模型在一個時間周期內，每個比特成功傳送所需要的能耗為：

4.2 單跳簇狀網絡能耗分析

實時流和非實時流兩種數據的能耗對比如圖4所示。由圖中曲線可以看出，兩種數據的能耗都隨著節點數目的增多而線性增加。簇頭節點較少時，兩種數據能耗差別較大，此時實時流的帶寬占用較多，但是仍然低于非實時流的能耗花銷，簇頭節點數目越多，兩種數據的能耗逐漸縮小，等接近200個節點時，這種差別已經幾乎沒有了。

WSN網絡的節點越多，改進的效果越明顯。隨著節點的增加，網絡的總能耗盡快也呈現上升趨勢，但是幅度并不大。在數量較少時，改進機制的能耗相比原有機制大，隨著數量增多，能耗的差別越來越模糊，等到接近200時，這種差別更是微乎其微。這表明，改進后的機制更適用于節點數目較多的復雜網絡。

通過運用數學分析的方法，對提及的新機制盡心驗證，驗證結果表明該機制對于保證高優先級業務占用多的帶寬資源具有非常明顯的效果，減少了實時性業務丟包的可能性。文章最后還對改進的新機制能耗情況進行了驗證，結果表明高優先級由于占用了較多帶寬，其能耗在較少數目節點的網絡中是高于低優先級能耗水平的，但是隨著網絡規模擴展、節點數目增加，這種差別越來越小，這也充分證明，文中提出的機制更適用于節點數較多的WSN網絡中。

[1] 鄒復民，蔣新華，王桐森，等.一種基于榕樹型拓撲的鐵路無線Mesh網絡結構.鐵道學報,2010,3(2):47-48.

[2] 鄭國強，孫若玉，李濟順，等.一種適用于無線傳感器網絡的跨層高校MAC協議[J].傳感技術學報,2009,22(1):95-99.

One kind of priority model based on 802.11 protocol of Wireless sensor data

Wang Chongying
(Shangluo University Dept.of Computer Science，Shaanxi Shangluo，726000)

The thesis using the mathematical analysis method.The results show that,it's obvious of the mechanism for the high priority data. And in the process of transmission,data packet loss condition has been effectively curbed.The thesis analyzes the mechanism’s energy consumption.The result is that the energy consumption of the high priority is lower than the low priority.The more of the nodes number,the obvious of the trend. Therefore,the proposed mechanism is suitable for the network of high node number.

WSN;high priority；MAC protocol;NTS

本文獲陜西省教育廳自然科學研究項目資助（項目號2013JK1201）

中國計算機學會會員，會員號：E200033434M