基于分層的河流水下傳感器網(wǎng)絡(luò)路由算法

劉洋 彭艦 劉唐 王彬

摘要：為了獲取傳感器節(jié)點(diǎn)的實時位置，在河流水下傳感器網(wǎng)絡(luò)（UWSN）的獨(dú)特環(huán)境中，采用流體力學(xué)的方法對河流水下傳感器網(wǎng)絡(luò)進(jìn)行建模，模擬真實河流環(huán)境下傳感器節(jié)點(diǎn)的運(yùn)動規(guī)律。為了研究河流水下無線傳感器網(wǎng)絡(luò)數(shù)據(jù)傳輸?shù)膯栴}，提出了一種河流環(huán)境下基于分層的路由算法（RALM）。每個節(jié)點(diǎn)根據(jù)收到Sink廣播的速度信息周期性地計算并更新各自的拓?fù)湫畔ⅲ瑪?shù)據(jù)待發(fā)送節(jié)點(diǎn)優(yōu)先選擇當(dāng)前剩余能量最多的上一層的鄰居節(jié)點(diǎn)進(jìn)行數(shù)據(jù)轉(zhuǎn)發(fā)，若上層無鄰居節(jié)點(diǎn)，則轉(zhuǎn)發(fā)給剩余能量最多的同層鄰居節(jié)點(diǎn)。仿真實驗表明，所提算法在網(wǎng)絡(luò)的冗余度和丟包率上都要優(yōu)于基于深度的路由算法（DBR）和基于分層的水下傳感器網(wǎng)絡(luò)路由協(xié)議（LayeredDBR），網(wǎng)絡(luò)生存周期分別提高了71%和45%。

關(guān)鍵詞：水下傳感器網(wǎng)絡(luò)；流體力學(xué)；剩余能量；分層路由算法；生存周期

中圖分類號：TP393 文獻(xiàn)標(biāo)志碼：A

Abstract：For the unique environment of the Underwater Wireless Sensor Network （UWSN） in river， the model was built by method of fluid dynamics to obtain the realtime position of sensor nodes and simulate the movement law of sensor nodes in real river environment. Furthermore， on the problem of data transmission in UWSN， a Routing Algorithm based on Layered Mechanism （RALM） was proposed for river environment. The topology information was calculated and updated by each node periodically based on the receiving speed from sink. The node to transmit data would choose the neighbor node in upper layer which has the most residual energy to be the next hop. If the node has no neighbor node in upper layer， the next hop would be the neighbor node in the same layer which has the most residual energy. The simulation results show that， compared with DBR （DepthBased Routing） and LayeredDBR （LayeredDepth Based Routing）， RALM algorithm can effectively reduce the network redundancy and packet loss rate， and the network life cycle is raised by 71% and 45%.

Key words：Underwater Wireless Sensor Network （UWSN）； fluid dynamics； residual energy； layered routing algorithm； life cycle

0 引言

隨著世界各國對河流的日益重視， 發(fā)展河流經(jīng)濟(jì)熱潮的興起和傳感器網(wǎng)絡(luò)研究的迅速發(fā)展，河流環(huán)境下的水下無線傳感器網(wǎng)絡(luò)（Underwater Wireless Sensor Network， UWSN）已經(jīng)成為新的研究方向[1-3]。河流水下傳感器網(wǎng)絡(luò)將采集到的水下環(huán)境數(shù)據(jù)發(fā)送給用戶用來輔助決策，在水質(zhì)監(jiān)測、污染源定位、防洪預(yù)警等領(lǐng)域均具有廣闊的應(yīng)用前景[4-5]。

河流水下傳感器網(wǎng)絡(luò)的通信介質(zhì)不同于傳統(tǒng)陸地傳感器網(wǎng)絡(luò)，通常采用水聲通信，網(wǎng)絡(luò)環(huán)境復(fù)雜，因而傳統(tǒng)傳感器網(wǎng)絡(luò)的研究在河流網(wǎng)絡(luò)中不能加以應(yīng)用。目前，水下傳感器網(wǎng)絡(luò)的研究主要集中于海洋環(huán)境，盡管海洋與河流的傳感器網(wǎng)絡(luò)看上去類似，同是將傳感器節(jié)點(diǎn)部署于水下進(jìn)行數(shù)據(jù)的收集工作，但實際上存在著很大的不同：

1） 河流的水流方向一致；

2） 河流的水流速度更不穩(wěn)定；

3） 河流的水位會隨著季節(jié)產(chǎn)生較大的變化。

因此，盡管國內(nèi)外的研究學(xué)者對海洋數(shù)據(jù)傳輸?shù)难芯恳呀?jīng)獲得了一定的成果，但是這些成果并不能很好地應(yīng)用于河流環(huán)境下的水下傳感器網(wǎng)絡(luò)。特別是受到河流水位以及節(jié)點(diǎn)深度與節(jié)點(diǎn)所受水流流速變化的影響，將會導(dǎo)致網(wǎng)絡(luò)的拓?fù)洳粩喟l(fā)生變化，這對于數(shù)據(jù)的無線傳輸是一個很大的挑戰(zhàn)，針對傳統(tǒng)水下傳感器網(wǎng)絡(luò)的路由問題，研究者作了諸多工作。

Xiao等[6]提出了LEVBF （LifetimeExtended VectorBased Forwarding）路由協(xié)議，該方案比較了候選轉(zhuǎn)發(fā)節(jié)點(diǎn)的剩余能量與上一跳節(jié)點(diǎn)的所有鄰居節(jié)點(diǎn)的平均剩余能量，如果候選轉(zhuǎn)發(fā)節(jié)點(diǎn)的剩余能量較高則轉(zhuǎn)發(fā)，反之則丟棄，這使得整個網(wǎng)絡(luò)的能耗得以均衡，延長了網(wǎng)絡(luò)壽命。但該算法需要獲知傳感器節(jié)點(diǎn)的位置信息，而在水下傳感器網(wǎng)絡(luò)中無法通過全球定位系統(tǒng)（Global Positioning System， GPS）獲得節(jié)點(diǎn)的具體位置，因此該類型的數(shù)據(jù)傳輸策略的實現(xiàn)存在著較大的局限性。Yan等[7]提出了一種基于深度的數(shù)據(jù)傳輸策略DBR（Depth Based Routing），該策略僅需要使用廉價的深度傳感器測出每個節(jié)點(diǎn)的深度即可。在數(shù)據(jù)轉(zhuǎn)發(fā)過程中，節(jié)點(diǎn)將廣播自己的深度給周圍節(jié)點(diǎn)，深度小于該節(jié)點(diǎn)的鄰居節(jié)點(diǎn)將執(zhí)行數(shù)據(jù)轉(zhuǎn)發(fā)任務(wù)，同時 DBR 利用深度閾值來控制網(wǎng)絡(luò)副本，但是文中節(jié)點(diǎn)存在冗余的工作周期，因而增加了節(jié)點(diǎn)的能量消耗。彭艦等[8]在DBR算法的基礎(chǔ)上提出了一種基于分層的水下傳感器網(wǎng)絡(luò)路由協(xié)議LayeredDBR，在該算法中，節(jié)點(diǎn)進(jìn)行一次信息廣播后，只允許指定深度范圍內(nèi)的節(jié)點(diǎn)進(jìn)行消息接收，以達(dá)到控制網(wǎng)絡(luò)副本的目的，最終建立與網(wǎng)絡(luò)冗余相關(guān)的網(wǎng)絡(luò)分層模型。Jafri等[9]提出了一種AMCTD（Adaptive Mobility of Courier nodes in Thresholdoptimized DBR protocol）路由算法，其主要思想是在水下延遲容忍網(wǎng)絡(luò)中，傳感器節(jié)點(diǎn)根據(jù)自身深度和剩余能量計算出一個權(quán)值，數(shù)據(jù)轉(zhuǎn)發(fā)時，權(quán)值越高的鄰居節(jié)點(diǎn)轉(zhuǎn)發(fā)數(shù)據(jù)越快，但是文中沒有考慮到因Courier節(jié)點(diǎn)而增加的額外開銷。

本文的主要研究工作是在河流環(huán)境中，采用流體力學(xué)的方法對河流環(huán)境下的水下傳感器網(wǎng)絡(luò)進(jìn)行建模，分析當(dāng)節(jié)點(diǎn)受力平衡時流體力學(xué)中粘滯阻力、壓差阻力等流體阻力對節(jié)點(diǎn)運(yùn)動的影響，實時計算出節(jié)點(diǎn)的位置，并結(jié)合國內(nèi)外學(xué)者在海洋環(huán)境下對數(shù)據(jù)傳輸?shù)难芯砍晒鸞10-12]，提出在河流環(huán)境下基于分層的路由算法。該算法能有效降低網(wǎng)絡(luò)的冗余度和丟包率，延長網(wǎng)絡(luò)壽命，并通過仿真實驗驗證了該算法的有效性。

1 系統(tǒng)模型

1.1 網(wǎng)絡(luò)模型

在網(wǎng)絡(luò)初始狀態(tài)，m條長度不同的繩子均勻分布在L×W×H的長方體內(nèi)，繩子底部被錨固定在河底，每條繩子上隨機(jī)分布n個傳感器節(jié)點(diǎn)， k個Sink均勻分布在監(jiān)控河流的表面。如圖1所示，并假設(shè)河流水下傳感器網(wǎng)絡(luò)具有以下性質(zhì)。

1）河流水下傳感器網(wǎng)絡(luò)由固定在河底的錨節(jié)點(diǎn)、拴住節(jié)點(diǎn)的繩子、懸浮在河流中的動態(tài)節(jié)點(diǎn)以及漂浮在河面的Sink節(jié)點(diǎn)構(gòu)成。

2）河面速度在[Vmin，Vmax]內(nèi)隨機(jī)變化。

3）所有非Sink節(jié)點(diǎn)具有唯一的ID和相似的通信/處理能力，且節(jié)點(diǎn)按照預(yù)先設(shè)置的功率進(jìn)行數(shù)據(jù)通信，一旦部署通信功率將不再改變。

4）傳感器節(jié)點(diǎn)的主要部件裝置在空心圓柱體內(nèi)[13]，每個節(jié)點(diǎn)同構(gòu)且浮力大于重力。

5）傳感器節(jié)點(diǎn)采用水聲通信進(jìn)行通信，且數(shù)據(jù)分組傳給任意Sink均表示數(shù)據(jù)被成功接收。

6）節(jié)點(diǎn)周期性地進(jìn)行數(shù)據(jù)采集任務(wù)，并始終有數(shù)據(jù)傳回至基站。

1.2 能耗模型

本文采用與文獻(xiàn)[14]相同的水聲通信能耗模型。在水下傳感器網(wǎng)絡(luò)中，由于節(jié)點(diǎn)接收數(shù)據(jù)所產(chǎn)生的能耗遠(yuǎn)遠(yuǎn)小于節(jié)點(diǎn)發(fā)送數(shù)據(jù)產(chǎn)生的能耗，因此不考慮節(jié)點(diǎn)接收數(shù)據(jù)帶來的能耗，而采用節(jié)點(diǎn)發(fā)送數(shù)據(jù)產(chǎn)生的能耗來衡量整個網(wǎng)絡(luò)的能量消耗情況。假設(shè)P0為節(jié)點(diǎn)正常接收數(shù)據(jù)所需的最小功率、功率對傳輸距離的衰減函數(shù)為A（x），節(jié)點(diǎn)發(fā)送l bit的數(shù)據(jù)傳輸時延為Tp，其中

2 網(wǎng)絡(luò)建模及分層路由算法

2.1 受力分析

通過分析河流水下傳感器網(wǎng)絡(luò)的環(huán)境特點(diǎn)，即采用水聲通信、河流水流方向一致且河面速度在一定范圍內(nèi)變化、節(jié)點(diǎn)不具備感知位置的能力、節(jié)點(diǎn)具有移動性等，采用流體力學(xué)的方法分析節(jié)點(diǎn)的運(yùn)動規(guī)律，建立符合真實河流環(huán)境的網(wǎng)絡(luò)模型。

2.1.1 節(jié)點(diǎn)運(yùn)動形態(tài)

在流體中，由于河流具有垂線流速分布的特性，河流中各個位置的節(jié)點(diǎn)所受到的瞬間流速不相同，距離河面越遠(yuǎn)的節(jié)點(diǎn)受到的速度越小。因此距離河面越近的節(jié)點(diǎn)，所受到水流的沖擊力也越大。式（4）給出了流體中垂線流速分布的對數(shù)形式[15]：

2.1.2 平衡態(tài)時節(jié)點(diǎn)受力分析

為了更準(zhǔn)確地分析出節(jié)點(diǎn)在水流下的運(yùn)動規(guī)律，在節(jié)點(diǎn)受力平衡時，需對節(jié)點(diǎn)進(jìn)行受力分析。當(dāng)河面速度變化時，節(jié)點(diǎn)受力均衡狀態(tài)被打破，節(jié)點(diǎn)將會運(yùn)動到某個位置重新達(dá)到平衡態(tài)，此時，由受力平衡條件可得到節(jié)點(diǎn)當(dāng)前受力平衡模型，如圖2所示（以一根繩子為例）。

3 實驗仿真與性能評估

本文采用Java平臺，仿真實現(xiàn)了RALM、LayeredDBR和DBR算法。在仿真實驗中，河流的長度為60m，寬度和高度均為15m，通信半徑為5.6m，52根繩子均勻分布在河底，每根繩子上隨機(jī)分布4個傳感器節(jié)點(diǎn)。整個區(qū)域構(gòu)成一個三維監(jiān)控網(wǎng)絡(luò)。網(wǎng)絡(luò)中部署10個Sink節(jié)點(diǎn)，它們均勻分布在三維區(qū)域的上表面。網(wǎng)絡(luò)的生命周期被定義為10%節(jié)點(diǎn)死亡的時間[17]。

本文中實現(xiàn)的DBR和layeredDBR算法中的深度閾值均為1m， 從圖4不難看出，本文采用的RALM算法，網(wǎng)絡(luò)的冗余度為1，即Sink節(jié)點(diǎn)不會重復(fù)收到冗余的數(shù)據(jù)包，優(yōu)于DBR算法和LayeredDBR算法，而相對于DBR算法來說，LayeredDBR算法能更好地控制網(wǎng)絡(luò)冗余度。

從圖5可以看出，由于DBR算法對網(wǎng)絡(luò)冗余的控制較差，造成大量的能量浪費(fèi)，因而網(wǎng)絡(luò)生存周期較短。而與LayeredDBR相比，RALM路由時每次只選擇一個剩余能量最多的節(jié)點(diǎn)進(jìn)行數(shù)據(jù)轉(zhuǎn)發(fā)，而不是轉(zhuǎn)發(fā)給所有深度閾值內(nèi)的鄰居節(jié)點(diǎn)，因此與其他算法相比，RALM算法具有較長的壽命。

從圖6表明，當(dāng)網(wǎng)絡(luò)中第一個節(jié)點(diǎn)死亡后，網(wǎng)絡(luò)變得很不穩(wěn)定，導(dǎo)致網(wǎng)絡(luò)的丟包率有明顯的上升趨勢。其中LayeredDBR與其他算法相比，丟包率最高。那是因為LayeredDBR只允許跨層傳輸數(shù)據(jù)，當(dāng)上一次沒有鄰居節(jié)點(diǎn)時，則會造成大量的數(shù)據(jù)丟包。而DBR和RALM的丟包率相當(dāng)，綜合考慮DBR冗余度高的特點(diǎn)，RALM仍然具有較高的網(wǎng)絡(luò)性能。

從圖7可以發(fā)現(xiàn)，在同樣的環(huán)境下，DBR和LayeredDBR算法由于高冗余的特點(diǎn)，在很短的生命周期內(nèi)10%的節(jié)點(diǎn)就已經(jīng)死亡，而且網(wǎng)絡(luò)死亡時剩余了很大一部分的能量，造成了能量的浪費(fèi)。而RALM由于單節(jié)點(diǎn)傳播的特性，使每一輪采集數(shù)據(jù)所消耗的能耗要小于LayeredDBR和DBR算法，因而生命周期最長。

4 結(jié)語

針對河流水下傳感器網(wǎng)絡(luò)的特殊環(huán)境，采用流體力學(xué)的方法對繩子上的傳感器節(jié)點(diǎn)進(jìn)行受力分析，并提出了一種河流環(huán)境下基于分層的路由策略，與同類算法相比，冗余度降低且丟包率沒有明顯增加，并有效地延長了網(wǎng)絡(luò)壽命。但是網(wǎng)絡(luò)死亡時能量利用率并不高，造成了一定程度的能量浪費(fèi)，所以下一階段將著重研究如何有效提高能量利用率，避免或延遲能量空洞現(xiàn)象的出現(xiàn)。

參考文獻(xiàn)：

[1]李建中， 高宏. 無線傳感器網(wǎng)絡(luò)的研究進(jìn)展[J]. 計算機(jī)研究與發(fā)展， 2008， 45（1）： 1-15.（LI J Z， GAO H. Survey on sensor network research[J]. Journal of Computer Research and Development， 2008， 45（1）： 1-15.）

[2]郭忠文， 羅漢江， 洪峰， 等. 水下傳感器網(wǎng)絡(luò)的研究進(jìn)展[J]. 計算機(jī)研究與發(fā)展， 2010， 47（3）： 377-389.（GUO Z W， LUO H J， HONG F， et al. Current progress and research issues in underwater sensor networks[J]. Journal of Computer Research and Development， 2010， 47（3）： 377-389.）

[3]CAPELLA J V， BONASTRE A， ORS R， et al. A step forward in the inline river monitoring of nitrate by means of a wireless sensor network[J]. Sensors and Actuators B： Chemical， 2014， 195：396-403.

[4]CAPELLA J V， BONASTRE A， ORS R， et al. In line river monitoring of nitrate concentration by means of a wireless sensor network with energy harvesting[J]. Sensors and Actuators B： Chemical， 2013， 177：419-427.

[5]BHUVANESWARI P T V， KARTHIKEYAN S， JEEVA B， et al. An efficient mobility based localization in underwater sensor networks[C]// Proceedings of the 2012 Fourth International Conference on Computational Intelligence and Communication Networks. Piscataway， NJ： IEEE， 2012：90-94.

[6]XIAO X， JI X P， YANG G， et al. LEVBF： lifetimeextended vectorbased forwarding routing[C]// Proceedings of the 2012 International Conference on Computer Science and Service System. Washington， DC： IEEE Computer Society， 2012： 1201-1203.

[7]YAN H， SHI Z J， CUI J H， et al. DBR： depthbased routing for underwater sensor networks[C]// Proceedings of the 7th International IFIPTC6 Networking Conference on Ad Hoc and Sensor Networks. Berlin： SpringerVerlag， 2008：72-86.

[8]彭艦， 洪昌建， 劉唐， 等. 基于分層的水下傳感器網(wǎng)絡(luò)路由策略[J]. 通信學(xué)報， 2014， 35（6）： 25-31.（PENG J， HONG C J， LIU T， et al. Strategy of routing based on layered for underwater wireless sensor networks[J]. Journal on Communications， 2014， 35（6）： 25-31.）

[9]JAFRI M R， AHMED S， JAVAID N， et al. AMCTD： adaptive mobility of courier nodes in thresholdoptimized DBR protocol for underwater wireless sensor networks[C]// Proceedings of the 2013 8th International Conference on Broadband and Wireless Computing， Communication and Applications. Piscataway， NJ： IEEE， 2013：93-99.

[10]DOMINGO M C. Marine communities based congestion control in underwater wireless sensor networks[J]. Information Sciences， 2013， 228（7）：203-221.

[11]BASAGNI S， PETRIOLI C， PETROCCIA R， et al. CARP： a channelaware routing protocol for underwater acoustic wireless networks[J]. Ad Hoc Networks， 2014， 34：92-104.

[12]PU L， LUO Y， MO H， et al. Comparing underwater MAC protocols in real sea experiments[J]. Computer Communications， 2015， 56：47-59.

[13]AKKAYA K， NEWELL A. Selfdeployment of sensors for maximized coverage in underwater acoustic sensor networks[J]. Computer Communications， 2009， 32（7/8/9/10）：1233-1244.

[14]SOZER E M， STOJANOVIC M， PROAKIS J G. Underwater acousticnetworks[J]. IEEE Journal of Oceanic Engineering， 2000， 25（1）：72-83.

[15]姚仕明， 盧金友， 徐海濤. 黃陵廟水文斷面垂線流速分布特性研究[J]. 長江科學(xué)院院報， 2005， 22（4）：8-11.（YAO S M， LU J Y， XU H T. Study of vertical velocity distribution at Huanglingmiao hydrologic section[J]. Journal of Yangtze River Scientific Research Institute， 2005， 22（4）：8-11.）

[16]李艷紅， 趙敏.含植物河流動力學(xué)實驗研究——流速、摩阻流速及曼寧糙率系數(shù)垂線分布[J]. 水動力學(xué)研究與進(jìn)展，2004，19：513-519.（LI Y H， ZHAO M. Experimental studies of hydrodynamics in vegetated river flows — vertical profiles of velocity， shear velocity and Manning roughness[J]. Journal of Hydrodynamics， 2004， 19：513-519.）

[17]卿利， 朱清新， 王明文. 異構(gòu)傳感器網(wǎng)絡(luò)的分布式能量有效成簇算法[J]. 軟件學(xué)報， 2006， 17（3）：481-489.（QING L，ZHU Q X，WANG M W. A distributed energyefficient clustering algorithm for heterogeneous wireless sensor networks[J]. Journal of Software， 2006， 17（3）：481-489.）