傳感網中時延受限的移動式數據收集方法綜述

王文華 王 田 吳 群 王國軍 賈維嘉

1(華僑大學計算機科學與技術學院 福建廈門 361021)2(廣州大學計算機科學與教育軟件學院 廣州 510006)3 (上海交通大學電子信息與電氣工程學院 上海 200240) (jsjwangwenhua@126.com)

傳感網中時延受限的移動式數據收集方法綜述

王文華1王 田1吳 群1王國軍2賈維嘉3

1(華僑大學計算機科學與技術學院 福建廈門 361021)2(廣州大學計算機科學與教育軟件學院 廣州 510006)3(上海交通大學電子信息與電氣工程學院 上海 200240) (jsjwangwenhua@126.com)

數據收集是無線傳感器網絡中研究的熱點問題之一，然而在傳統的無線傳感器網絡中，基站附近的節點由于承擔了大量數據轉發任務而導致自身能量過早耗盡，縮短了網絡的生命期.不少研究通過引入能量較為充足的移動性節點來收集數據，以節省普通傳感器節點的能量，但是卻導致了數據收集時延過大，如何在保證數據收集時延的前提下最大化網絡生命期已成為近幾年研究的熱點問題.對目前主要的時延受限的移動式數據收集方法進行了充分調研，通過對這些方法的詳細分類和比較，歸納了時延受限的移動式數據收集的各類方法的特點，分析了這些方法的優缺點和適用范圍，總結了存在的主要問題，并指出了未來的研究方向.

無線傳感網；移動式數據收集；時延限制；能量優化；網絡生命期

隨著微型傳感技術、嵌入式計算技術和無線通信技術的發展，融合了這3種技術的無線傳感器網絡(wireless sensor networks, WSNs)引起了人們的廣泛關注[1].WSNs由具有感知、存儲和數據處理能力并能進行短距離無線通信的傳感器節點組成，在國防軍事、國家安全、智能交通、環境監測、反恐抗災等中顯示出廣闊的應用前景[2-3].傳感網集數據收集、處理和傳輸等功能于一體，擴展了人們信息獲取的能力，被美國《商業周刊》認為是21世紀最具影響力的21項技術之一[4].傳感器節點一般采用電池供電，由于其體積微小，所攜帶的能量十分有限[5-6].傳統WSNs中節點是靜止不動的，節點采集到的數據需要通過多跳轉發給基站，基站周圍的節點由于要承擔更多的通信負載而過早耗盡能量，導致基站周圍出現能量空洞[7].能量空洞的出現使節點采集到的數據無法再傳輸給基站，由此造成網絡分割甚至失效，大大縮短了網絡生命期[8]，成為制約傳感網應用的瓶頸[9]，同時網絡中遺留大量能量資源，造成能量的浪費.

盡管一些研究采用多級傳輸半徑和節點非均勻分布的方法來盡可能地均衡節點能耗，但是能量空洞問題仍然存在[10].為最大限度地解決傳感網中的“熱點”和能量空洞問題，研究人員引入了移動性節點[11-12].相對于一般節點，這些移動性節點的通信能力和計算能力都較為強大，且其能量相對比較充足，可以協助收集數據，從而降低節點能耗，延長網絡生命期.但是由于網絡的規模一般較大，移動節點的移動速度遠小于數據轉發速度，使得數據收集的時延增大[13].在很多實際應用中，需要在一定的時延范圍內將采集到的數據轉發到基站，否則這些數據信息將毫無意義[14].因此，如何在規定的時延之內將采集到的數據轉發給基站，同時最小化節點能耗成為研究的關鍵問題.本文對時延受限的移動式數據收集方法進行了分析和總結，提出了該領域當前存在的問題和挑戰，并指出了將來需要重點關注的研究方向.

1 時延受限的移動式數據收集問題概述

1.1 問題描述

Fig. 1 Delay-constrained mobile data collection圖1 時延受限的移動式數據收集

WSNs由帶有無線射頻發射模塊和數據感知模塊的傳感器節點組成，節點能實現環境信息的感知、存儲、融合以及短距離無線通信等操作[15].其數據收集的過程包括：1)從環境中感知、采集數據；2)將數據進行簡單處理或存儲；3)發送數據至基站[16].為了解決 “熱點”和能量空洞問題，研究者引入了移動性節點[17]，這種借助移動性節點進行數據收集的模式被稱為移動式數據收集.但由于節點移動速度緩慢，導致數據收集時延增大，限制了其在實時性要求較高的網絡中的應用[18].因此如何在保證較低時延(如不超過一個閾值)的基礎上延長網絡生命期成為近年來研究的熱點，即時延受限的移動式數據收集[19-20].本文作者在移動式數據收集領域中做了大量的研究，在文獻[21]中設計了RD-VT(rendezvous design for variable tracks)算法，在網絡中尋找最優的匯聚節點集合來縮短基站移動路徑；在文獻[19]中給出了時延受限的移動式數據收集的典型例子,如圖1所示.節點將采集到的數據轉發給匯聚節點進行融合并緩存，數據收集器遍歷匯聚節點收集數據.為了達到時延要求，收集器在20 min內(預先設定的時延限制條件)訪問匯聚節點一遍，收集緩存在匯聚節點中的數據，最后返回并將數據交付給基站.

1.2 主要度量指標

本文通過對時延受限的移動式數據收集進行分析，總結出現階段其6個主要度量指標如下：

1) 最小化數據收集時延

以n1,n2, …,nk表示移動元素在一輪數據收集過程中所經過的節點，則數據收集時延TD可以表示為

(1)

其中，tni表示移動元素從節點ni移動到節點ni+1的時間，sni為移動元素在節點ni處的停留時間，當其不停留時sni=0.則式(1)的優化函數為

minTD.

(2)

在實際應用場景中往往設定時延閾值T，則有:

minTD≤T.

(3)

2) 最小化節點能耗

在無線傳感器網絡中，節點的能耗主要包括2個方面：1)發送數據的能量消耗Et；2)接收數據的能量消耗Er.節點之間通信的能量消耗取決于節點之間的距離d和數據的大小k(單位為b).則網絡中的節點能耗可以表示為

(4)

(5)

(6)

其中，Eti表示節點i向節點j轉發k的數據所消耗的能量，di j表示節點i和j之間的距離；Eri表示節點i接收k的數據所消耗的能量；Eelec表示用無線電波接收和傳送數據的能耗常數；ρ表示信號衰減因子；S表示網絡中的傳感節點的集合，其中s1表示基站；E表示傳感器網絡總的能量消耗.

則設計的目的是同時最小化Eti，Eri，E或者達到它們的折中.為了最小化節點自身的能耗，應使節點盡量處于休眠狀態，只有在需要采集或者轉發數據時將其喚醒；為了最小化節點轉發數據的能耗，應使轉發樹的深度盡量小，即使其轉發盡量少的數據.

3) 最大化網絡生命期

在給定的網絡中，總能找到一些節點(如樹根節點、簇頭節點、網格頭節點)，一旦這些節點的能量消耗完就勢必引起網絡分割，從而使得網絡通信中斷.因此，在數據收集過程中應盡量降低這些節點的能耗，均衡網絡流量負載，從而達到延長網絡生命期的目的.假設每個節點的總能量為e，每個節點的平均能耗速率為ei，則最大化網絡生命期的優化目標函數為

(7)

4) 可擴展性

在對算法的仿真實驗中，一般都是使用較小的網絡進行算法性能的仿真，而在實際應用中網絡規模都比較大，因此網絡的可擴展性是一個重要指標，主要是考慮網絡規模擴展之后時延、能耗、網絡生命周期等指標是否會發生巨變而導致網絡性能變差.

5) 數據準確率和完整性

在WSNs的數據收集中，由于數據轉發、數據融合、節點緩存容量等因素很可能會導致數據丟失、出錯等現象的發生，因此數據準確率和完整性是WSNs數據收集的重要指標.設計的方法要有一定的容錯和安全機制來確保數據的準確率和完整性.

6) 負載均衡

網絡負載對網絡生命周期會產生很大影響，若負載過于集中則會導致節點過早死亡，縮短了網絡生命期，因此設計的算法應盡量均衡網絡負載.避免一些關鍵節點的能耗過大而引起的網絡失效或者死亡.

2 存在的問題和挑戰

目前時延受限的移動式數據收集主要存在4個問題與挑戰：

1) 如何達到延長網絡生命期和降低數據收集時延的折中

為了解決能量空洞問題，相關研究引入了移動性節點，卻帶來了數據收集時延增大的問題.因此如何在保證網絡生命期的基礎上盡量降低數據收集時延是無線傳感器網絡中的重要挑戰.

2) 如何確定最佳的移動節點數量以及他們的合理調度

在實際應用中，網絡的規模一般較大，因此利用多個移動節點顯然能很好地降低數據收集時延，但是同時也會增加網絡的成本.因此如何根據網絡的規模和實際情況確定合理的移動元素數量成為需要研究的重點問題.另外對移動元素的合理調度以及他們之間的協作也能有效地降低數據收集時延，在這方面的研究工作還比較少，也是一個全新的挑戰.

3) 如何確定合適的網絡結構類型

將網絡劃分為特殊的網絡結構，如樹狀結構[22]、簇狀結構[23]、網格結構等，可以很好地平衡延長網絡生命期和降低數據收集時延之間的矛盾，因此在實際應用中如何根據網絡的各項指標來確定合適的網絡結構類型是需要重點解決的問題.

4) 實際環境中干擾的規避

由于傳感網的應用環境十分復雜，節點的移動會受到各種環境因素的干擾而難以控制，因此實際的數據收集時延和理論值存在很大的偏差.如何規避實際環境的干擾來得到理想的結果是一個重要的挑戰.

3 時延受限的移動式數據收集分類解析

3.1 時延受限的移動式數據收集分類

根據不同的分類標準，例如移動元素類型、網絡結構類型等，時延受限的移動式數據收集存在5種分類方法,下面將分別對各種分類方式進行介紹.

1) 基于移動元素類型的分類

依據移動元素類型的不同，可分為基站移動、數據收集器移動和節點移動3種數據收集方式.①基于基站移動的數據收集是指基站在網絡中移動并收集數據，基站收集到節點采集的數據后可以直接通過無線的方式發送給終端用戶；②基于數據收集器移動的數據收集是指數據收集器在網絡中移動進行數據收集并以一定的方式將數據交付給基站；③基于節點移動的數據收集是指在節點一直處于運動狀態，以此來改變連通性等網絡特性來提高數據收集效率.

2) 基于網絡中是否存在移動軌道的分類

根據網絡中是否存在移動軌道，可分為基于軌道移動和無移動軌道2種數據收集方式.①基于軌道移動的數據收集是指在網絡中鋪設有軌道，移動元素只能在這些軌道上移動，在這種方式中由于移動元素在既定的軌道上移動，因此能夠很好地避免環境中障礙物等的影響，提高了其對環境的適應性；②無移動軌道的數據收集是指移動元素可以在網絡中的任何位置移動，增加了移動元素移動路徑的靈活性，并且能夠避免前者由于軌道被破壞引起的網絡癱瘓等情況.

3) 基于網絡結構類型的分類

根據網絡結構類型的不同，可分為分層網絡和一般網絡2種數據收集方式.①分層網絡是指根據網絡中節點的位置、數據采集速率等信息將節點分成不同的層次結構，主要包括簇狀結構、樹狀結構和網格結構，在分層的網絡中節點將采集到的數據通過多跳的方式轉發給指定的匯聚節點(簇頭、樹根和網格頭節點)進行數據融合、存儲，移動節點移動到這些匯聚節點附近進行數據收集；②一般網絡中的數據收集是指沒有特殊網絡結構的數據收集模式.

4) 基于是否需要節點位置信息的分類

根據在數據收集過程中是否需要節點的位置信息，可分為基于位置信息和非基于位置信息2種數據收集方式.①在基于位置信息的數據收集中節點需要知道相互之間的位置，這種方式可以根據節點的位置、采集到的數據量及時延限制等信息來動態控制節點的移動，便于宏觀調控，但是卻增加了對節點的硬件要求，并且節點相互之間交換位置信息也增加了負載和能耗；②非基于位置信息數據收集不需要知道節點的位置，硬件成本較低，但是這種方式不能得到網絡的全局信息.

5) 基于移動元素是否發送請求信號的分類

根據數據收集過程中移動元素是否發送數據請求信號，可分為基于數據查詢和基于數據推送2種數據收集方式.①基于數據查詢的數據收集是指移動元素進入網絡中后不停的發送探測信息，以查看節點是否收集到基站感興趣的數據，這種數據收集方式可以丟棄一些無用的數據，減輕網絡的負載；②基于數據推送的數據收集中不需要發送探測信息，而且節點在收集到數據后還可能會向基站節點發送請求信息以查看自己采集到的數據是否為基站感興趣的數據.

本文通過對時延受限的移動式數據收集進行調研，發現基于移動元素的移動方式進行分類能更好地對其特征進行歸納、總結.根據移動元素在移動過程中的移動狀態能否對環境的變化適時地進行調整，可以將時延受限的移動式數據收集分為靜態移動數據收集和動態移動數據收集兩大類.1)靜態移動數據收集是指移動元素在網絡中移動的過程中其移動方式不會依據網絡環境的變化而發生改變.具體又可以分為隨機移動和固定路徑移動2類數據收集方式.其中①隨機移動數據收集方式是指移動元素在網絡區域內可以隨機移動，移動路徑和方向不受控制，其可以移動到節點通信范圍內進行數據收集，能大大避免因數據大量轉而引起的節點“死亡”現象.②固定路徑移動數據收集方式是指移動元素沿著規劃好的路徑移動，其移動路徑一經確定不可再改變.這種方式有利于節點在決定數據轉發方向時做出預測，即將數據盡量向移動路徑方向轉發，其不但可以很好地降低數據收集時延，還可以避免因數據隨機轉發而引起的能耗較大等問題.2)動態移動數據收集是指移動元素的移動狀態(速度、方向等)可以不斷根據網絡的情況而調整.例如可以隨著數據采集速率的不同和網絡節點能量的變化而不停地改變移動元素的移動軌跡，靈活性較強.具體的分類方法如圖2所示.本文根據這種分類方式對已有的時延受限的移動式數據收集進行詳細的分析和總結.

Fig. 2 Classification of delay-constrained mobile data collection圖2 時延受限的移動式數據收集分類

3.2 靜態移動數據收集方式

3.2.1 隨機移動數據收集

在隨機移動數據收集方式中，根據移動元素是否向節點發送數據請求信息，可以分為基于數據查詢的數據收集和基于數據推送的數據收集.前者是指移動元素在移動過程中向節點發送數據請求信息，以提醒節點將緩存的有用數據轉發給移動元素；后者則不發送這種請求信息，由節點直接推送數據至移動元素.本節將對這2類數據收集方式分別進行介紹.

1) 基于數據查詢的數據收集

基于數據查詢的數據收集是指移動元素在移動的過程中不停發送探測信息，以查看節點是否采集到有用信息.在此方式中節點在大部分時間內處于休眠狀態，只有在接收到移動元素發送的探測信號時才被喚醒，因此可以降低能耗.

基于網格結構的網絡，文獻[24]提出了基于網格的實時數據收集方法(grid-based real-time data gathering protocol, GRDG)，根據位置信息將網絡劃分為網格結構，如圖3所示.網格中剩余能量最多的節點被選為網格頭節點(grid head, GH).基站移動到網絡中時，發送探測信息喚醒頭節點，當收到反饋信息時以返回反饋信息的節點為根節點組成樹狀結構，其他頭節點朝著樹根的方向轉發數據.其優點是綜合考慮了網絡中的數據傳輸協議和路由規劃，可擴展性較好.缺點是節點要能獲得自己的位置信息，對節點的硬件要求較高，網絡造價較高.而文獻[25]將數據收集建模為快速Markov決策過程(fast Markov decision process, FMDP).將節點的路徑選擇問題抽象為取得的效果與能耗之差，并提出了基于投影梯度的解決方案，能夠取得能耗和時延的折中.其缺點是算法的定向性強，只能適用于特定的網絡環境中.

Fig. 3 The application scene of RGDG圖3 RGDG應用場景

這類方法的缺點是當基站沒有查詢到節點時，即使該節點采集到很緊急的數據，節點也不會向基站發送數據，因此實時性效果仍然不好.另外，網絡中的一些區域可能長時間不被訪問，這樣就會使網絡中的部分數據丟失，導致數據的不完整.

2) 基于數據推送的數據收集

基于數據推送的數據收集是指節點采集到數據后直接或間接地將采集到的數據轉發給移動元素，且其還可能會向基站發送請求信號以查看其采集的數據是否為基站感興趣的數據.

基于網絡中節點密度的不同，文獻[26]提出了WFS(wait-focus-spray)方法.其根據數據源節點和數據收集器的距離關系來動態地決定數據轉發時刻，且轉發的數據均帶有1個時限，若在這個時限內數據未交付給數據收集器，則丟棄.該文提出的數據在規定時限未能交付則直接丟棄的方法會造成數據包的丟失，破壞數據的完整性.與此類似的是Cha等人[27]提出的基于連通性的數據收集方法(conne-ctivity based data gathering, CBDG).其根據網絡的連通性來決定是直接轉發數據還是等待一段時間再轉發數據.節點的連通性根據其數據轉發率及鄰居節點的連通性來確定.此方法優點是考慮了網絡的連通性對數據收集時延的影響.

Fig. 4 The example of the expect area in EAR2圖4 EAR2中預期區域圖示

基于預測移動元素位置的思想，文獻[28]中提出了基于預期區域的實時路由方法(expected area based real-time routing, EAR2).其首先根據基站的移動速度和時延估算出基站在時延限制內可能移動到的區域，根據數據源與預期區域的最遠距離計算出需要的數據傳輸速率.假設開始時間為t0，數據源采集到數據的時間為t1，sink接收到數據的時間為t2，則sink節點的預期區域為半徑為r=(t2-t0)×Vsink的圓形區域，如圖4所示.數據收集時延為TD=t2-t1.數據轉發過程包括2個階段，即在數據源src和預期區域的第1個中繼節點pl之間的轉發階段及在預期區域中的洪泛階段，假設其所需的時間分別用Tforwarding和Tflooding來表示，則為了滿足時延要求,有:

TD≥Tforwarding+Tflooding，

(8)

數據轉發時的速度為

Sspeed=d(src,pl)(TD-Tflooding)，

(9)

數據轉發到pl后以洪泛的方式轉發數據直到基站接收到數據.其缺點是采用洪泛法在預期區域中傳輸數據導致能量空洞問題仍然存在，并且當基站的移動速度變化時，可能會引起不能接收到數據而導致數據丟失.為了解決數據在EA中洪泛而導致能耗較大的問題，Lee等人[29]提出將網絡區域劃分為網格結構，并將預期區域中的網格記為EGs(expect grids).當數據到達預期區域中時，只需要將數據轉發給網格頭結點即可.但是其仍然不能解決基站移動速度變化而引起的數據丟失問題.

此外，基于節點與基站距離的不同，Feng等人[30]提出了基于距離感知的自適應數據收集方法(distance-aware replica adaptive data gathering, DRADG).其根據節點與基站之間的距離來動態地選擇轉發數據的鄰居節點數量，并根據節點通過基站通信范圍的頻率來決定其轉發數據的概率.其缺點是概率的多次計算及其在節點間的多次傳遞將增加算法的復雜度.

基于數據推送的數據收集方式雖然避免了基于數據查詢的數據收集方式中存在的問題，但是其中大多數方法需要節點知道自身的位置信息，如文獻[28-30]，因此對節點的硬件要求較高，造成網絡代價較高，很難將其應用于實際.

3.2.2 固定路徑移動數據收集

與隨機移動數據收集方式相比，固定路徑移動數據收集方式使得數據收集具有規劃性和前瞻性.根據網絡中是否預先鋪設軌道可分為2類：基于軌道移動的數據收集和無移動軌道的數據收集.前者的移動路徑在預設的軌道上，對環境的適應性較強；后者的路徑可以在網絡中任何位置，沒有軌道的限制.

1) 基于軌道移動的數據收集

基于軌道移動的數據收集方式是指在網絡區域中鋪設有一定的軌道，移動元素的移動路徑只能在這些軌道上，這樣不但可以很好地預測網絡的性能，而且可以在一定程度上避免網絡環境中障礙物的影響，對壞境的適應性較高.

文獻[31-32]分別指出移動元素在軌道上移動時在其通信范圍內的節點為中繼節點和sub-sink節點，其他節點采集到的數據只需要轉發給這些節點即可.文獻[31]將數據分為時延敏感型數據和時延容忍型數據2類，并分別設計了時延敏感路由(delay-sensitive routing, DSR)和時延容忍路由(delay-tolerant routing, DTR)兩種路徑選擇算法.時延敏感型數據直接轉發給數據收集器附近的中繼節點；時延容忍型數據則被轉發給距離較近的中繼節點.其缺點是沒有指出如何判定數據的類別，該文中只是假設2類數據各有一半.為了使基站移動路徑最優，文獻[32]提出了基于虛擬節點的方法(virtual nodes priority, VNP).基站基于虛擬節點優先級進行訪問，其訪問的不是節點的物理位置，而是虛擬節點.其缺點是假定節點具有相同的數據采集速率，并且沒有考慮sub-sink在基站通信范圍內時是否能將其緩存的數據全部交付.

鑒于延長網絡生命期和降低數據收集延遲的考慮，文獻[33-34]分別提出了n軌道模型(n-orbit model, NOM)模型和基于匯聚點的方法(rende-zvous-based approach, RBA).NOM將網絡區域劃分為極坐標結構，扇形網格中的節點將采集到的數據通過多跳方式轉發給頭節點，不同的基站沿著其所在的圓環移動并收集數據.該方法的優點是采用多個基站，能有效地縮短數據收集延遲和降低數據丟失率.缺點是假設節點數據采集速率相同.在RBA中，節點根據其位置信息組成簇狀結構，其指出將距離基站移動路徑較近的節點組成較小的簇.其優點在于簇的大小隨著其與基站移動路徑距離的增大而增大.缺點是文中雖然提出了在能耗和時延之間的折中問題，但并沒有對時延數據進行分析.

Kinalis等人[35]考慮到節點數據采集速率不同和分布不均的情況，提出了基于動態停留時間的方法(biased sink mobility with adaptive stop times, BSMAST)，即移動元素在數據采集速率大或節點密集處適當停留.他們主要解決2個問題：1)網格訪問順序的確定;2)基站停留時間的確定.網絡區域被劃分為圖5所示的網格，基站只能在相鄰網格的中心連線上移動.對于任意網格v，當基站移動到其鄰居網格中時，將其可能被訪問值加1，若移動節點位于網格u，對于所有的網格v，若(u,v)∈E,定義：

(10)

其中,cv為基站訪問網格v的次數，則其去訪問網格v的概率為

(11)

其中，degu為網格的鄰居網格數.基站在網格中的停留時間通過節點的能量來確定.網絡中節點的能量為

(12)

其中，ρ為網絡中節點密度，S為網絡區域的面積，εi為節點的平均能量，n為節點的個數，φ為數據產生速率，Emsg為收集單位數據的能耗，Ttotal_stop為總的停留時間，Eidle為節點空閑時自身的能耗，其可通過

(13)

求出.其中eidle為節點空閑時自身的能耗速率.則基站在網絡中總的停留時間為

(14)

假設實驗進行了r輪，則一輪的停留時間為

(15)

則基站在每個網格中的自適應停留時間為

(16)

其中，ni為網格i中節點個數.其優點是綜合考慮了網絡中節點的數據采集速率和分布情況，對環境的適應度較高，且不受網絡連通性的影響.缺點是決定基站總的停留時間時只考慮了網絡中節點的總能量，而沒有考慮個別節點因能耗過快而過早死亡的情況.

Fig. 5 The example of moving along the fixed path圖5 固定軌道移動示意圖

在基于軌道移動的數據收集方式中，文獻[31-32]提出的在移動元素通信范圍內的節點為中繼或sub-sink節點的思想很好地規定了數據轉發方向，使其不會向其他方向轉發.文獻[32-33]提出的節點數據采集速率相同的方法很顯然不符合實際應用，而文獻[35]則考慮了節點數據采集速率不同的情況.這類方法雖然可以很好地預測網絡的性能，更好地適應網絡環境，但是，在網絡環境中鋪設軌道需要一定的代價.如果網絡所處的環境過于復雜，則軌道鋪設工作也不易完成，并且軌道容易受環境因素變化的影響，如果某段軌道發生損壞，則整個網絡將會癱瘓.

2) 無移動軌道的數據收集

在無移動軌道的數據收集方式中，移動元素的路徑可以在網絡中的任何位置，其路徑沒有特定軌道的限制，一般移動元素的最優路徑確定后即沿著這條路徑移動，其路徑不再隨著時間的改變而發生變化.

為了將數據收集問題轉化成分簇和移動路徑優化問題，文獻[36]提出周期性匯聚的數據收集(periodic rendezvous data collection, PRDC)問題.根據簇頭節點所在的區域以及組成的移動路徑進行優化，移動元素沿著最終的路徑移動進行數據收集.其缺點是在分簇和選擇簇頭節點時沒有考慮節點能量，如果簇頭節點的能量較少則其可能會很快死亡.文獻[37]同樣使用簇狀網絡，提出了基于范圍約束的分簇算法(range constrained clustering, RCC)，并提出新的無線通信數據收集方案，即在WSN的中間位置設置網關，數據收集器直接將數據交付給網關，再由網關通過有線的方式將數據傳送給基站.缺點是數據收集器要在停靠點暫停才能進行數據收集，沒有考慮移動時數據收集的情況.

Almi’ani等人[38]將路徑規劃問題抽象為線性規劃問題(integer linear programming, ILP),提出了Tcut和Tpac兩種算法.前者是先找到最長的路徑，在保證數據完整性的前提下不斷的縮短路徑；后者是先找到最短的路徑，然后在滿足時延限制的前提下，逐漸加入更多的節點直到能收集到所有節點采集的數據.但是文中假設網絡應用的環境是完全平坦的并且沒有任何障礙物，這在現實中很難滿足.

基于對數據收集器的移動路徑和速度進行優化，文獻[39]提出了基于凸包的數據收集方法(convex hull based data collection, CHBDC)，該方法根據網絡整體結構決定最初的節點訪問順序，然后綜合考慮其移動速度和移動路徑進行優化，最后再次根據全網結構調整其移動路徑.

另一些方法將部分節點設置為數據收集點(data collection point，DCP)[40-43]，這種思想可以將節點采集的數據轉發至DCP進行緩存，等待移動節點收集數據.文獻[40]提出的帶多跳限制的移動數據收集方案(data collection point based mobile data gathering scheme with relay hop constraint, DCP-MDGS-RHC)在能耗和時延之間尋找折中.考慮到時延問題，DCP選擇在基站附近的節點并且不能過多；考慮到網絡生命期的問題，DCP和簇中的節點應在較少的跳數內完成數據傳輸.與文獻[40]相似，文獻[41]提出了基于位置預測的數據收集方法(location prediction based data gathering using a mobile sink, LPDGMS).該方法將網絡劃分為4個區域，基站在網絡中做圓周運動，圓周上均勻分布N個(一般設置為4的倍數)DCP.節點通過時鐘同步來計算基站的位置坐標，通過多跳路由將數據轉發到基站將要到達的DCP處進行數據交付.該方法只能適用于較小的網絡中，當網絡區域增大時數據收集時延會不斷增大且網絡負載和節點能耗也會增加.與文獻[41]不同的是，文獻[42]提出的CTP(common turning point)方法中移動基站的DCP不是實際的節點，而是在相鄰的簇頭節點連線上以最大限度縮短基站移動路徑.文獻[43]設計的基于移動基站的有效數據收集方法(efficient data collection using mobile sink, EDC-MS)為了保證DCP緩存的數據能全部交付給基站，匯聚節點會隨基站移動直到數據全部交付.另外，此方法也考慮了數據的優先級，即時延要求較高的數據會優先轉發給基站.其缺點在于匯聚節點的移動影響了網絡的穩定性，節點要尋找新的匯聚節點來轉發數據.

文獻[44]結合分層路由和移動式數據收集提出了混合式數據收集方法(node density based clustering and mobile collection, NDCMC).其選擇鄰居節點較多的節點作為簇頭節點，然后采用TSP方法規劃移動路徑來遍歷簇頭節點.基站在規劃好的路徑上移動的過程中能與其進行直接通信的節點被選為VHs(virtual heads).節點將采集到的數據轉發到附近的CHs或VHS，當基站移動到其附近時收集其緩存的數據.該方法的缺點是在進行簇頭選擇時只是基于其密度信息，這樣在節點分布較密集的區域會選擇過多的簇頭節點，增加了基站的移動路徑.

在無移動軌道的數據收集方式中，節點感知的數據大多需要轉發給DCP或簇頭節點，因此簇頭節點仍然需要轉發大量的能量而成為網絡的瓶頸，沒有從根本上解決網絡“熱點”問題.

3.3 動態移動數據收集方式

根據數據收集方式的不同，動態移動數據收集方式可分為3種類型：主動數據收集、被動數據收集和混合數據收集.1)主動數據收集是指移動元素主動移動到節點處收集數據，優點在于節點以單跳方式向移動元素轉發數據，很大程度上降低了數據轉發能耗從而延長了網絡生命期;2)被動數據收集是指節點通過多跳方式向移動元素即將到達的位置轉發數據，直到將數據交付給移動元素，由于數據轉發速率遠大于移動元素的移動速度，被動數據收集保證了較小的時延但會增加能耗;3)混合數據收集是指節點將采集到數據以多跳方式轉發給網絡中匯聚節點進行緩存，移動元素只需要移動到這些匯聚節點處收集數據，這種方式兼具主動收集和被動收集的優點.

3.3.1 主動數據收集

動態移動數據收集方式下的主動數據收集方式是指移動元素移動到節點處以單跳的方式直接收集數據，這種數據收集方式可以最大化地減少網絡能耗，延長網絡生命期，但是由于移動元素要移動到每個節點處收集數據，因此會導致數據收集時延較大，很難滿足實時性要求較高的網絡需求.

考慮到節點數據采集速率及緩存容量的差異，文獻[45]提出了基于動態截止時間的調度方法(mobile element scheduling with dynamic deadlines, MESDD).基站根據節點緩存容量和數據采集速率決定其訪問截止時間并決定其訪問的先后順序，且每次訪問后更新節點的訪問截止時間.該文中提出了2種決定節點訪問順序的方法：EDF(earliest deadline first withk-look ahead)和MWSF(minimum weight sum first).網絡中的節點組成一個連通圖，節點連線上的數值構成了其代價矩陣costn×n，costi j表示移動節點由節點i移動到節點j所需時間.DLn×1組成了各個節點的動態時延向量，其由節點緩存耗盡所需的時間OTi和訪問時間動態決定，即：

(17)

其中,DLi表示節點i的動態時延，Tcur表示當前訪問時間.算法EDF withk-look ahead的基本思想是對于在請求序列的前k個節點尋找1個訪問序列,使得它們均不會超過其截止時間且第k+1個節點的訪問時間最早，得到的訪問序列中的第1個節點作為下一個訪問節點，并且根據式(17)更新其截止時間，對于后續節點執行相同的操作.而MWSF算法則分別給時延和訪問代價一個權重，選擇其和較小的節點作為下一個訪問節點，其計算公式為

Wi=ρ×(DLi-Tcur)+(1-ρ)×costm i,

(18)

其中,m為當前正在訪問的節點.這種方法的缺點是基站只在節點發出數據傳輸請求時才考慮對其進行數據收集，并且可能引起基站在同一條路徑上反復移動而消耗大量能量.

當前大多研究是在降低網絡能耗和縮短移動路徑之間尋找折中，如文獻[46-49]等，以使其能在滿足時延要求的前提下盡量延長網絡生命周期.

為優化移動元素的移動路徑，文獻[46]提出了基于遺傳算法的方法(data mule path planning optimization, DMPPO).其創新在于根據節點剩余能量來調整節點廣播功率，進而改變其通信范圍，數據收集器的路徑根據節點的通信范圍不斷進行調整，如圖6所示.同樣調整節點通信范圍的還有文獻[47].文獻[48]提出基于聚類的遺傳算法(balanced standard deviation algorithm, BSDA).首先根據聚類算法(clustering algorithm)將網絡分為簇狀結構，并將簇內節點的重疊通信區域設置為航點，數據收集器只須經過這些航點收集數據即可.同時設計算法LLA(look-ahead locating algorithm)來縮短路徑.此方法的缺點是沒有考慮數據融合以提高數據收集效率，同時，數據收集器在收集完所有數據后才返回基站，時延較大，不適用于實時性要求比較高的應用場景.Gu等人在文獻[49]中分析了基站移動性、路由、時延等對數據收集時延的影響，并提出解決方案ESWC(efficient scheduling for the mobile sink in wireless sensor network with delay constraint)來優化基站移動路徑，它的優點是綜合考慮了影響時延和能耗的眾多因素.

Fig. 6 The diagram of path planning influenced by the power圖6 功率影響數據驢子路徑規劃示意圖

Tashtarian等人[50]提出了基于事件的數據收集方式，當節點捕獲到事件時，根據信息量和事件類型決定其訪問時間.據此文章提出了基于決策樹的算法ODT(optimal deadline-based trajectory)來確定基站移動路徑.文獻[51]研究了時延最小化問題DLMP (delivery latency minimization problem).作者證明DLMP是NP難問題，并提出替代啟發式算法(substitution heuristic algorithm, SHA).其根據路徑經過節點通信范圍的邊界上時路徑最短的原則，用節點通信范圍邊界上的點來代替節點以縮短基站的路徑長度.缺點在于該算法時間復雜度較高，為O(n3)，當n較大時，算法的開銷過高，因此可擴展性差.

另外一些研究指出使用多個移動元素也能很好地降低數據收集時延[52].文獻[53-54]提出了基于鄰居的一般最小生成樹路徑優化模型(general minimum spanning tree with neighborhood, GMSTN).文獻針對2種情況分別提出2類最優化問題：1)數據驢子只有在基站附近才能與基站通信(即k-TSPN問題)；2)數據驢子隨時都可以與基站通信(即k-PCPN問題).缺點是沒有合理調度數據驢子，某個區域可能先后被不同數據驢子訪問.文獻[55]設計的時延感知數據收集方法(latency-aware data acquisition, LA-DA)則將該問題建模為線性優化問題.Alomari等人[56]提出利用距離較近的匯聚點(closest rendezvous points, CRPs)來設計移動元素移動路徑.其根據基于遺傳算法的TSP路徑規劃確定CRPs的訪問順序，作者也考慮了多移動元素的CRPs算法并證明利用多移動元素能夠降低數據收集時延.

顯然，在傳感網中引入多個移動元素能很好地降低數據收集時延.另外一些學者考慮到移動元素移動過程中可能不能將節點中緩存的數據全部收集，因此提出了?？奎c的概念，即在網絡中適當位置?？亢线m的時間，以使節點能夠完成數據的交付.

Sugihara等人[57]將數據收集過程形式化為帶位置和時間約束的任務調度問題DMS(data mule scheduling).文中提出3個子問題：路徑選擇、速度控制、任務調度，并運用啟發式貪心算法來動態調度數據驢子.缺點是數據驢子要訪問每個節點進行數據收集，時延仍然較大.文獻[58]提出延遲容忍移動接收器模型(delay tolerant mobile sink model, DT-MSM),但是其沒有給出確定基站?？繒r間的依據或設計相應的優化算法.文獻[59]對文獻[58]中的模型進行優化，提出了分布式算法DALM-DT(distributed algorithm for lifetime maximization),其設計了優化算法確定基站的停留時間和節點每輪轉發的數據量.但是其假設基站的移動時間可以忽略，而實際場景中由于基站移動速度有限，因此其移動時間占較大的比重.文獻[60]設計了啟發式算法TFSTS(trajectory finding and sojourn time sched-uling)，每次迭代得到新的停靠點和停留時間，并加到基站移動軌跡中.缺點在于啟發式算法只能得到局部最優結果.?？奎c的提出使移動元素可以收集全部數據，避免了數據的丟失.

文獻[61]提出了適用于不同節點密度的方法DAWN(density adaptive routing with node deadline awareness).移動元素根據節點密度來決定收集多少數據和收集哪些節點的數據使其能在規定時延內將數據交付給基站.該方法的缺點在于僅僅考慮了節點的密度，而沒有考慮網絡中其他的限制因素.

在這類數據收集方式中，文獻[46，50，57]規劃移動元素的路徑以使其能夠移動到每個節點處直接收集數據，這種方式對于規模較小的網絡能滿足時延的要求，但是若網絡的規模較大，則其時延會非常大.文獻[56]等中提出的匯聚點的思想能很好地解決這個問題，移動元素只需要訪問匯聚點就可以收集到整個網絡中采集到的傳感數據，且其也大大縮短了移動路徑，降低了數據收集時延.另外，文獻[52-56]中提出的使用多個移動元素的方法也能在一定程度上解決這個問題，另外多移動元素的引入使網絡具有很強的擴展性.

3.3.2 被動數據收集

動態移動數據收集方式下的被動數據收集方式是指節點采集到數據后，根據移動元素的移動規律將數據通過多跳的方式轉發到移動元素即將到達的位置.這種數據收集方式能夠很好地降低數據收集時延，但是網絡中的節點需要知道網絡的全局位置信息，因此對節點的硬件要求較高.

考慮到時延和網絡生命期的問題，文獻[62]提出了最大化容忍時延和網絡生命期問題(maximum tolerant delay and the network lifetime, MTDNL)，其在網絡中尋找?？抗濣c，以這些節點為根節點將其附近的節點組成樹狀結構.為了保證根節點附近的節點不成為網絡性能的瓶頸，要求樹的深度盡量?。粸榱藵M足時間限制的要求，所選擇的停靠點盡可能的少.缺點是沒有考慮數據融合.

3.3.3 混合數據收集

混合數據收集是指在一定的網絡結構(如樹狀結構、簇狀結構、網格結構)中，節點將采集到的數據通過多跳轉發給匯聚點(如樹根節點、簇頭節點等)，移動元素訪問匯聚點進行數據收集的方式.

文獻[63]提出了漸進優化方法MR-CSS(mul-tirate combine skip substitute).首先得到移動的TSP路徑，然后根據不同的速率動態調整移動路徑以使移動路徑最優.

為了盡量降低數據收集時延，近年來，相關研究的新思路是在降低能耗和縮短移動節點路徑上達到折中，如文獻[64-66]等.Zhang等人[64]針對最小化能量和時延(min-energy min-latency, MEML)問題，結合匯聚點選取和移動路徑的優化來均衡時延與能耗，提出基于概率的路徑選擇算法(probabi-listic path selection algorithm, PPSA).其根據數據收集點的訪問概率決定移動路徑.缺點是收斂效果較差.Rao等人[65]提出的基于網絡協助的數據收集方法(network-assisted data collection, NADC)分析了能耗及時延對基站移動路徑選擇的影響，提出了基于k(k是可調參數)跳的分布式路徑選擇方法.優點是當基站不能收集完數據時可適當的停留；缺點是沒有定量考慮數據延遲約束.文獻[66]提出了基于遺傳算法和本地搜索協助的算法(genetic algorithm with assistance of local searches, GAALS).簇頭節點利用本地搜索形成最優通信樹和最優移動路徑，數據收集器沿著最優路徑訪問簇頭節點收集數據，通過限制通信樹的深度降低網絡能耗和減輕簇頭節點的網絡負載.圖7所示是2跳范圍內的示意圖.文獻[67]提出了基于加權匯聚規劃的方法(weighted rendezvous planning, WRP)，其在給定時延要求內盡量增加基站移動路徑以減少網絡中數據的多跳轉發，進而降低網絡能耗.該文中基于節點的權重來選擇匯聚點，權重通過節點在單位時間內采集的數據量和節點到基站移動路徑上匯聚點的跳數的乘積得到.當移動路徑中加入新的匯聚點時將收集數據較少的匯聚點從路徑中移除.該方法很好地適應了小規模的時延敏感型應用，但是當網絡范圍較大時仍然會存在各種問題，可擴展性較差.

Fig. 7 Mobile data collocation in 2-hop based on cluster network圖7 基于簇狀結構的2跳移動數據收集

以上這類尋求能耗和移動路徑折中的方法取得了很好的效果，但是其也只能得到近似最優的啟發式方法.而另外一些研究指出若引入多個移動元素進行數據收集[68]，則能更好地降低數據收集的時延.

使用多移動元素的方法一般是不斷地調度各個移動元素到數據緩存點收集數據[69]或者是使每個移動元素負責網絡中1個分區的數據收集[70-72].基于自組織分簇算法數據收集方法(self-organization clustering algorithm region data collection, SOC-RDC)[69]將網絡中的節點分簇，簇頭節點收集到數據后向基站發送請求信息.基站根據請求信息調度離相應簇較近的數據收集器來收集數據.此方式對節點硬件要求較高，如節點需要具備定位能力.文獻[70-71]提出分層的協作式數據收集方法(hierar-chical and cooperative data-gathering, HiCoDG).在HiCoDG中存在2種移動元素進行相互協作：移動數據收集器(mobile collector, MC)和移動中繼(mobile relay, MR).網絡中的節點被分為不同的組，每個組由1個MC負責數據收集.MR定期訪問網絡中預先設置的位置點MPs(meeting points)，在該位置MC可以向MR交付收集到的數據.該文中提出了協作式移動調度方法(cooperative movement scheduling, CMS)，其動態地規劃MR和MC的路徑及移動速率使他們同時到達MP處直接進行數據交付.該算法能夠達到較小的數據時延和較低的網絡能耗，但是硬件成本昂貴，在MP處要有一定的設備來緩存數據.在Joy等人[72]提出的基于移動元素的有效數據收集(efficient data collection using mobile elements, EDC-MEs)算法中數據收集器利用TSP算法選擇移動路徑在目標分區內完成對一組簇頭節點的數據采集.該方法的缺點是沒有考慮對多個收集器的合理調度.

引入多個移動元素后，每個移動元素只需要負責部分區域而不再需要在整個網絡范圍內移動，并且各個移動元素可以相互協作以取得更好的效果.在確保數據收集時延的基礎上，為了盡量保證網絡生命期，提高網絡性能，文獻[73-75]提出了在簇狀結構網絡中，每個簇中選擇多個簇頭節點的思想.

基于網絡分層的思想，在LBC-MU(load balanced clustering and MIMO uploading)[73]和LBC-DDU(load balanced clustering and dual data uploading)[74]中，作者提出了由節點、簇頭和數據收集器組成的3層架構，如圖8所示.在節點層設計分布式負載均衡算法LBC對節點進行分簇，其在每簇中選擇多個簇頭節點以平衡負載，在簇頭層通過設置簇頭節點的通信范圍保證簇間連通性.但是其增加了算法復雜度和網絡代價.方法BEDA-SC(distributed algorithm based energy with speed control)[75]同樣在簇中選擇多個簇頭節點，其將簇中能量剩余較多的2個節點作為簇頭.該方法新穎之處在于它同時關注移動元素的速度控制問題，很好地保證了收集數據的完整性和可靠性.

選擇多個簇頭節點的思想很好地均衡了網絡負載，延長了網絡生命期.另一些方法考慮在網絡中尋找?？奎c，如文獻[76-78]等.

Fig. 8 Data collocation based on three layer structure圖8 3層架構模式下的數據收集

基于高效的時延受限數據收集問題(efficient delay-constrained data collection, EDDC)，文獻[76]提出動態調度移動基站，其根據節點的能耗，調度基站到能量剩余較多的節點組成的?？奎c處收集數據，其他節點將數據轉發到停靠點處.基于有限中繼內的移動數據收集問題(bounded relay hop mobile data gathering, BRH-MDG)， Zhao等人[77]提出基于優先權的?？奎c選擇算法(priority based PP selection algorithm, PB-PSA)來尋找最優的停靠點集合(polling points，PPs).在k跳范圍內能和更多節點通信且距離基站較近的節點被選為?？奎c.節點首先將自己標記為?？奎c并向其鄰居節點發送k輪的信息(包括節點ID、鄰居節點數目及距離基站的跳數)，以保證節點能夠得到其k跳范圍內的節點信息，在每一輪過程中選擇鄰居節點較多的節點作為其相關的?？奎c，并去掉自己為停靠點的標志，經過k輪后仍是?？奎c的節點被選為最終的?？奎c.這種方法對網絡中節點的分布要求較高，若節點分布不均勻則很難找到最優的停靠點和移動路徑，而在實際應用中節點的分布情況是很難控制的，另外當樹的深度較大時，?？奎c周圍的“熱點”問題仍然存在.同樣基于?？奎c的思想，文獻[78]提出了基于無線能量補充的移動數據收集方法(wireless energy replenishment and anchor-point based mobile data gathering, WerMDG).其基本思想是在網絡中尋找?？奎c(anchor-points)，移動收集器(SenCar)在?？奎c處能同時進行充電和數據收集.SenCar根據節點剩余能量和位置決定?？奎c的訪問順序.該方法的優點是引入了無線充電技術，考慮了對節點充電的過程，避免了單個節點死亡引起的網絡分割失效等現象;存在的缺點是對數據收集的延遲沒有嚴格的保證.

為了尋找移動元素的最優路徑，文獻[64，66，70-71]中提出的使用線性規劃的方法來達到較低的能耗和時延的折中，與文獻[63，72，75]中使用TSP算法得到最優路徑的方法相似，這些方法只是能得到近似最優路徑的啟發式方法.因此其還需要根據其他的因素進行適當調整；文獻[69-72]提出的使用多個移動元素收集數據的方法具有很好的可擴展性，當網絡范圍擴大時只需要相應地增加移動元素的數量即可，但是這種方法需要節點知道自己的地理位置信息，硬件要求較高.

4 分析比較

由于傳感網應用環境不盡相同，用戶需求多種多樣，因此數據收集方法具有多樣性的特點，本節基于上文的分類方法對各類數據收集方式進行了對比分析.表1為隨機移動數據收集方式特點的比較，表2為固定路徑移動數據收集方式特點的比較，表3為動態移動數據收集方式特點的比較.

Table 1 Characteristics of the Random Moving Methods

Table 2 Characteristics of the Fixed Moving Path Methods

Table 3 Characteristics of the Dynamic Moving Methods

綜合表1可知，目前基于隨機移動數據收集方式中,一方面沒有對節點進行劃分、規劃，且大多采用多跳傳輸，這樣會消耗大量能量；另一方面在已有的研究中只是提出降低數據收集時延，但對時延的多態性、動態性沒有明確的界定，因此這種數據收集方式不能應用于特定時延要求的環境中.究其根本原因是隨機移動數據收集方式雖然能最大限度地延長網絡生命期，但是由于節點移動的隨機性，使得很難對其進行規劃.另外很難保證移動元素遍歷整個網絡，導致數據的丟失，難以保證數據完整性.由于這種方式的種種缺陷，在這方面的研究較少.

綜合表2可知，固定路徑移動數據收集方式中,一方面大多使用單個移動元素，而在實際應用中網絡規模一般較大，因此只使用單個移動元素遠遠不能滿足時延需求；另一方面由于基于軌道移動的方法中軌道的鋪設等會增加網絡成本，而無移動軌道的方法又不能避免環境中障礙物等自然條件的影響，因此這種數據收集方式的研究同樣也不夠廣泛.

綜合表3可知：

1) 主動數據收集方式基本沒有考慮數據融合，也很少有多跳傳輸，因此其可以很大程度地降低傳輸能耗.但是主動數據收集模式下，移動元素需要知道傳感器節點的位置信息，這就要求移動元素自身裝備GPS或其他定位設備，無疑增加了硬件開銷.

2) 目前動態移動數據收集中的被動數據收集研究較少，主要還是因為能耗問題，節點采集到數據后通過多跳向移動元素轉發，造成傳輸能耗的增加.被動數據收集雖然沒能利用動態移動數據收集的優勢，但它保證了較小的時延，適用于時效性要求較高的場景.

3) 混合數據收集充分利用了數據融合技術，移動元素只需要訪問網絡中少數匯聚節點即可完成數據收集，因此能夠達到時延和能耗之間的最優化折中.

4) 絕大部分動態移動數據收集方式都需要全局或部分節點的位置信息，從而有利于移動元素即時調整方向，選擇最優路徑進行數據收集.

通過對以上文獻的實驗方法進行分析，發現大多數實驗場景是在矩形網絡中隨機分布節點以生成稀疏或稠密的網絡，在網絡中將節點根據不同的標準，如地理位置等，分成簇狀、網格、樹狀等網絡結構.也有部分方法使用圓形實驗場景，如[39，45，50]等，還有一些方法要求節點在網絡中盡量規則分布，如[34-35]等.各種方法通過設計移動元素不同的移動路徑來達到降低數據收集時延和網絡能耗的目的.本文對9種有代表性的方法進行了對比，對其網絡場景大小、傳感節點數量、數據收集的時延數據等進行了定量的分析，9種方法的各個變量值如表4所示：

Table 4 Analysis Result of the Time Delay in the Typical Methods

通過對表4的對比分析，可以看出網絡中移動元素的數量、節點的密集程度、網絡的結構、節點的通信半徑、移動元素的移動速度等都會對網絡中數據收集時延產生很大的影響，下面將對其進行分別分析.

1) 移動元素數量

當網絡區域中只有單個移動元素時，它要負責收集網絡中所有節點感知到的數據，因此對其緩存容量、移動速度等都會有一定的要求.若緩存容量過小，則其不能存儲網絡中節點感知到的所有數據，會引起數據丟失等現象的產生導致數據不完整，或者是重要數據的丟失.若使用多個移動元素，則可以使每個移動元素只負責部分區域的數據收集，減小了移動元素的移動范圍，因此可以取得很好的效果.另外，在使用多個移動元素的方法中網絡的擴展性也比較好，當網絡范圍擴大時，只需要增加一些移動節點即可.

2) 節點的密集程度

節點比較密集的網絡中，節點相互之間可以進行通信，因此可以進行數據轉發，這樣移動元素只需要訪問網絡中的部分節點(如匯聚點)即可完成數據收集任務.若網絡中節點分布比較稀疏，它們之間的通信受到限制，移動元素需要遍歷網絡中的每個節點才能完成數據收集，顯然其數據收集時延會比較大.

3) 網絡的結構類型

若節點只是組成一般的網絡，則需要經過多跳或者使移動元素移動到每個節點處才能完成數據收集.若將網絡中的節點組成簇狀、樹狀、網格等特殊結構，則可以將數據轉發至匯聚節點(簇頭、樹根、網格中心等節點)緩存起來，等待移動元素經過時交付數據，這樣一方面可以大大縮短移動元素的移動路徑，有效降低數據收集時延；另一方面可以減少數據的轉發，在一定程度上減少網絡能耗.

4) 節點的通信半徑

在規劃移動元素的路徑時，只需要使進行數據交付的節點能夠和移動元素進行通信即可，因此，若節點的通信半徑較大，則可以有效縮短移動路徑，降低數據收集時延；若通信半徑較小，則移動元素的移動路徑要大大增加才能訪問每一個需要交付數據的節點.

5) 移動元素的移動速度

若節點移動過慢，則其完成1個周期的數據收集需要較長時間，導致時延增大；若其移動過快，又會導致節點在移動元素通信范圍內時不能將其緩存的數據全部交付給移動元素等引起數據丟失等現象的產生.

此外，數據產生速率、數據融合、移動元素在匯聚節點的?？繒r間等都會對時延產生影響.而不同的應用對時延的要求也存在很大的差異，因此在實際使用中，應根據實際的需求來選擇合適的方法.

5 未來的研究方向

如前幾節所述，時延受限的移動式數據收集在保障網絡性能和實際應用中展現出的巨大潛力，得到國內外研究人員廣泛的關注.研究人員針對傳感網的應用需求和特征進行了大量卓有成效的研究，但由于其關注的網絡特性、優化的性能指標、采取的技術手段和具體應用的網絡環境各不相同，因而在實際應用中還存在一定的問題和不足.通過對文中列舉的方法進行分析，可以總結出該領域未來的研究方向：

1) 考慮同時具有多個不同時延要求的場景

從第3,4節的方法綜述及表1～3中可知，已有的移動式數據收集模型對時延的設定多為單個時延.在實際應用中，網絡中可能存在多種類型的傳感器，比如溫度、濕度等，溫度數據的時延和濕度數據的時延是不同的，因此在規劃移動節點路徑時，應該同時滿足多種不同時延的限制性條件，該研究問題是不同于傳統單個時延的網絡場景.

2) 考慮移動元素自身的限制

根據我們第3節中的綜述結果，絕大多數時延受限的移動式數據收集策略都假定移動元素自身不受限制，但是在實際情況下，移動元素自身也會受到能量和存儲容量等方面的限制.因此在設計移動路徑時，如果綜合考慮移動元素自身的能量和存儲容量的限制，數據收集問題將變得更為復雜同時也更為實際，這將是未來的研究方向之一.

3) 多個移動元素之間進行深度、動態的協作

當網絡規模較大時，一般引入多個移動元素.但目前基于多移動元素的數據收集方法大多是將網絡分區，在每個子區域中使用1個移動元素，而沒有考慮多個元素之間更密切的配合和協作，以進一步降低時延.此外，由于網絡的動態性，固定分區負責的方法自適應性和負載均衡性較差.因此對這方面的研究工作較為少見，是未來需要重點關注的研究方向.

4) 考慮復雜多變的網絡環境以設計更具容錯性的算法

傳感網是動態變化的復雜網絡，節點和通訊鏈路存在各種不穩定的因素，容易發生故障及產生錯誤.因此設計數據收集方法時需要考慮方法的容錯性.然而，目前時延受限的移動式數據收集方法大多只考慮平坦的網絡環境，沒有障礙物及無線噪聲的干擾并且網絡環境也不會發生變化，這并不適合實際應用情況.因此在以后的研究工作中應該加入對這方面的考慮，以提出更具容錯性的數據收集方式.

5) 減少對位置信息的依賴性

在現有的研究中，大多要求節點和移動元素知道相互的位置，這種方式：①增加了對節點的硬件要求；②節點之間交換位置信息消耗了網絡能量，增加了網絡負載；③當網絡環境發生變化時，節點的位置一般會發生變化，這樣就需要節點之間經常交換位置信息，但是頻繁的位置信息更新又會增加能耗.因此如何減少移動式數據收集方法對位置信息的依賴成為未來研究方向之一.

6) 與無線充電技術的結合

無線充電技術[78-79]的發展為傳感網帶來了新的曙光，攜帶大量能量的移動節點可以移動至固定節點處，除提供傳統的數據收集服務外，還可以為其進行充電，從而從源頭上為整個網絡“注入”能量.由于無線充電也需要耗費時間，因此設計移動路線時不能和之前的研究一樣只考慮移動消耗的時間.目前同時考慮數據收集時延限制和移動節點充電的研究甚少，有待進行大量的研究和實驗工作.

6 結束語

由于傳感網資源有限且與應用高度相關，為解決減少網絡能耗和降低數據收集時延之間的矛盾，研究人員做了大量的研究.利用移動節點進行數據收集就是降低網絡能耗的熱點研究之一，然而由于實際環境因素和硬件條件的約束，目前已有的方法仍然存在局限性.本文綜述了傳感網中時延受限的移動式數據收集這類方法，對該領域的代表性研究成果進行了分析，結合各種方法的相關屬性和性能進行了對比性總結，揭示了目前已有方法在實際應用中仍然存在的問題和不足，展望了未來亟待解決的研究問題.

[1]Liang Junbin, Li Taoshen. A LT-codes-based scheme for improving data persistence in wireless sensor networks[J]. Journal of Computer Research and Development, 2013, 50(7): 1349-1361 (in Chinese)(梁俊斌, 李陶深. 傳感器網絡中基于LT碼的提高數據持續性方案[J]. 計算機研究與發展, 2013, 50(7): 1349-1361)

[2]Nguyen D N, Krunz M. A cooperative MIMO framework for wireless sensor networks[J]. ACM Trans on Sensor Networks, 2014, 10(3): Article 43

[3]Raj R, Babu S, Benson K, et al. Efficient path rescheduling of heterogeneous mobile data collectors for dynamic events in shanty town emergency response[C]Proc of 2015 IEEE Global Communications Conf (GLOBECOM). Piscataway, NJ: IEEE, 2015

[4]Zhang Xiaoling, Liang Wei, Yu Haibin, et al. Survey of transmission scheduling methods in wireless sensor networks[J]. Journal on Communications, 2012, 33(5): 143-157 (in Chinese)(張曉玲, 梁煒, 于海斌, 等. 無線傳感器網絡傳輸調度方法綜述[J]. 通信學報, 2012, 33(5): 143-157)

[5]Cao Zhichao, He Yuan, Ma Qiang, et al. L2: Lazy forwarding in low-duty-cycle wireless sensor network[J]. IEEEACM Trans on Networking, 2015, 23(3): 922-930

[6]Lai Yongxuan, Lin Ziyu. Data gathering in opportunistic wireless sensor networks[J]. International Journal of Distributed Sensor Networks, 2012 (11): 1319-1322

[7]Wang Tian, Jia Weijia, Wang Guojun, et al. Hole avoiding in advance routing with hole recovery mechanism in wireless sensor networks[J]. Adhoc & Sensor Wireless Networks, 2012, 16(123): 191-213

[8]Liang Junbin, Zou Shaojun, Li Taoshen. Data collection based on orientation angle routing in mobile sensor networks[J]. Science China: Information Sciences, 2015, 45(1): 111-128 (in Chinese)(梁俊斌, 鄒紹軍, 李陶深. 移動傳感網中基于定向角度路由的數據收集[J]. 中國科學: 信息科學, 2015, 45(1): 111-128)

[9]Wang Tian, Peng Zhen, Chen Yonghong, et al. Continuous tracking for mobile targets with mobility nodes in WSNs[C]Proc of Int Conf on Smart Computing. Piscataway, NJ: IEEE, 2014: 261-268

[10]Zhang Xiwei, Dai Haipeng, Xu Lijie, et al. Mobility-assisted data gathering strategies in WSNs[J]. Journal of Software, 2013, 24(2): 198-214 (in Chinese)(張希偉, 戴海鵬, 徐力杰, 等. 無線傳感器網絡中移動協助的數據收集策略[J]. 軟件學報, 2013, 24(2): 198-214)

[11]Wu Xiuchao, Brown K N, Sreenan C J. Data pre-forwarding for opportunistic data collection in wireless sensor networks[J]. ACM Trans on Sensor Networks, 2014, 11(1): Article 8

[12]Zhao Miao, Gong Dawei, Yang Yuanyuan. Network cost minimization for mobile data gathering in wireless sensor networks[J]. IEEE Trans on Communications, 2015, 63(11): 4418-4432

[13]Di Francesco M, Das S K, Anastasi G. Data collection in wireless sensor networks with mobile elements: A survey[J]. ACM Trans on Sensor Networks, 2011, 8(1): Article 7

[14]Hou I. Broadcasting delay-constrained traffic over unreliable wireless links with network coding[J]. IEEEACM Trans on Networking, 2015, 23(3): 728-740

[15]Song Xin, Wang Cuirong. Linear regression based distributed data gathering optimization strategy for wireless sensor networks[J]. Chinese Journal of Computers, 2012, 35(3): 568-580 (in Chinese)(宋欣, 王翠榮. 基于線性回歸的無線傳感器網絡分布式數據采集優化策略[J]. 計算機學報, 2012, 35(3): 568-580)

[16]Feng Cheng, Li Zhijun, Jiang Shouxu. Data aggregation scheduling on wireless mobile sensor networks[J]. Chinese Journal of Computers, 2015, 38(3): 685-700 (in Chinese)(馮誠, 李治軍, 姜守旭. 無線移動感知網絡上的數據聚集傳輸規劃[J]. 計算機學報, 2015, 38(3): 685-700)

[17]Lai Yongxuan, Xie Jinshan, Lin Ziyu, et al. Adaptive data gathering in mobile sensor networks using speedy mobile elements[J]. Sensors, 2015, 15(9): 23218-23248

[18]Dong Mianxiong, Ota K, Yang L T, et al. Mobile agent-based energy-aware and user-centric data collection in wireless sensor networks[J]. Computer Networks, 2014, 74: 58-70

[19]Xing Guoliang, Wang Tian, Xie Zhihui, et al. Rendezvous planning in mobility-assisted wireless sensor networks[C]Proc of the 28th IEEE Int Real-Time Systems Symp. Piscataway, NJ: IEEE, 2007: 311-320

[20]Xing Guoliang, Li Minming, Wang Tian, et al. Efficient rendezvous algorithms for mobility-enabled wireless sensor networks[J]. IEEE Trans on Mobile Computing, 2012, 11(1): 47-60

[21]Xing Guoliang, Wang Tian, Jia Weijia, et al. Rendezvous design algorithms for wireless sensor networks with a mobile base station[C]Proc of the 9th ACM Int Symp on Mobile Ad Hoc Networking and Computing. New York: ACM, 2008: 231-240

[22]Bagaa M, Younis M, Djenouri D, et al. Distributed low-latency data aggregation scheduling in wireless sensor networks[J]. ACM Trans on Sensor Networks, 2015, 11(3): Article 49

[23]Lin Hui, Uster H. Exact and heuristic algorithms for data-gathering cluster-based wireless sensor network design problem[J]. IEEEACM Trans on Networking, 2014, 22(3): 903-916

[24]Liu Wenjun, Fan Jianxi, Zhang Shukui, et al. Grid-based real-time data gathering protocol in wireless sensor network with mobile sink[C]Proc of the High Performance Computing and Communications & IEEE Int Conf on Embedded and Ubiquitous Computing. Piscataway, NJ: IEEE, 2013: 857-864

[25]Duong T, Nguyen T. Fast Markov decision process for data collection in sensor networks[C]Proc of the 23rd Int Conf on Computer Communication and Networks (ICCCN). Piscataway, NJ: IEEE, 2014

[26]Jiao Weiwei, Cheng Long, Chen Min, et al. Efficient data delivery in wireless sensor networks with ubiquitous mobile data collectors[C]Proc of the IEEEIFIP 8th Int Conf on Embedded and Ubiquitous Computing. Piscataway, NJ: IEEE, 2010: 232-239

[27]Cha Seunghun, Talipov E, Cha Hojung. Data delivery scheme for intermittently connected mobile sensor networks[J]. Computer Communications, 2013, 36(5): 504-519

[28]Park S, Lee E, Park H, et al. Strategy for real-time data dissemination to mobile sinks in wireless sensor networks[C]Proc of the 21st IEEE Int Symp on Personal Indoor and Mobile Radio Communications. Piscataway, NJ: IEEE, 2010: 1905-1910

[29]Lee E, Park S, Oh S, et al. Real-time routing protocol based on expect grids for mobile sinks in wireless sensor networks[C]Proc of 2011 IEEE Vehicular Technology Conference (VTC Fall). Piscataway, NJ: IEEE, 2011

[30]Feng Yong, Gong Haigang, Fan Mingyu, et al. A distance-aware replica adaptive data gathering protocol for delay tolerant mobile sensor networks[J]. Sensors, 2011, 11(4): 4104-4117

[31]Alsalih W, Hassanein H, Akl S. Routing to a mobile data collector on a predefined trajectory[C]Proc of IEEE Int Conf on Communications. Piscataway, NJ: IEEE, 2009: 7-11

[32]Gao Shuai, Zhang Hongke. Optimal path selection for mobile sink in delay-guaranteed sensor networks[J]. Acta Electronica Sinica, 2011, 39(4): 742-747 (in Chinese)(郜帥, 張宏科. 時延受限傳感器網絡移動Sink 路徑選擇方法研究[J]. 電子學報, 2011, 39(4): 742-747)

[33]Poe W Y, Beck M, Schmitt J B. Achieving high lifetime and low delay in very large sensors networks using mobile sinks[C]Proc of the 8th IEEE Int Conf on Distributed Computing in Sensor Systems. Piscataway, NJ: IEEE, 2012: 17-24

[34]Konstantopoulos C, Pantziou G, Gavalas D, et al. A rendezvous-based approach enabling energy-efficient sensory data collection with mobile sinks[J]. IEEE Trans on Parallel and Distributed Systems, 2012, 23(5): 809-817

[35]Kinalis A, Nikoletseas S, Patroumpa D, et al. Biased sink mobility with adaptive stop times for low latency data collection in sensor networks[J]. Information Fusion, 2014, 15(2): 56-63

[36]Almi’ani K, Viglas A, Libman L. Energy-efficient data gathering with tour length-constrained mobile elements in wireless sensor networks[C]Proc of the 35th IEEE Conf on Local Computer Networks. Piscataway, NJ: IEEE, 2010: 582-589

[37]Kumar A K, Sivalingam K M. On reducing delay in mobile data collection based wireless sensor networks[J]. Wireless Networks, 2013, 19(3): 285-299

[38]Almi′ani K, Viglas A. Mobile element path planning for time-constrained data gathering in wireless sensor networks[C]Proc of the 24th IEEE Int Conf on Advanced Information Networking and Applications. Piscataway, NJ: IEEE, 2010: 843-850

[39]Xu Ronghua, Dai Hongjun, Wang Fengyu, et al. A convex hull based optimization to reduce the data delivery latency of the mobile elements in wireless sensor networks[C]Proc of IEEE Int Conf on Embedded. Piscataway, NJ: IEEE, 2013: 2245-2252

[40]Chowdhury S, Giri C. Data collection point based mobile data gathering scheme with relay hop constraint[C]Proc of Int Conf on Communications and Informatics. Piscataway, NJ: IEEE, 2013: 282-287

[41]Zhu Chuan, Wang Yao, Han Guangjie, et al. A location prediction based data gathering protocol for wireless sensor networks using a mobile sink[G]Ad-hoc Networks and Wireless: ADHOC-NOW. Berlin: Springer, 2014: 152-164

[42]Ghaleb M, Subramaniam S, Othman M, et al. Predetermined path of mobile data gathering in wireless sensor networks based on network layout[JOL]. EURASIP Journal on Wireless Communications and Networking, 2014, 2014: 51 [2015-11-01]. http:jwcn.eurasipjournals.comcontent2014151

[43]Asmaa E Z, Said R. Efficient data collection in wireless sensor networks using mobile sink[C]Proc of 2014 Mediterranean on Microwave Symp (MMS 2014). Piscataway, NJ: IEEE, 2014

[44]Zhang Ruonan, Pan Jianping, Liu Jiajia, et al. A hybrid approach using mobile element and hierarchical clustering for data collection in WSNs[C]Proc of 2015 IEEE Wireless Communications and Networking Conference. Piscataway, NJ: IEEE, 2015: 1566-1571

[45]Somasundara A A, Ramamoorthy A, Srivastava M B. Mobile element scheduling with dynamic deadlines[J]. IEEE Trans on Mobile Computing, 2007, 6(4): 395-410

[46]Lai Yungliang, Jiang J R. A genetic algorithm for data mule path planning in wireless sensor networks[J]. Applied Mathematics & Information Sciences, 2013, 7(1): 413-419

[47]Zhang Xinming, Zhang Yue, Yan Fan, et al. Interference-based topology control algorithm for delay-constrained mobile ad hoc networks[J]. IEEE Trans on Mobile Computing, 2015, 14(4): 742-754

[48]Wu Shaoyou, Liu Jingsin. Evolutionary path planning of a data mule in wireless sensor network by using shortcuts[C]Proc of 2014 IEEE Congress on Evolutionary Computation. Piscataway, NJ: IEEE, 2014: 2708-2715

[49]Gu Yu, Ji Yusheng, Li Jie, et, al. ESWC: Efficient scheduling for the mobile sink in wireless sensor networks with delay constraint[J]. IEEE Trans on Parallel and Distributed Systems, 2013, 24(7): 1310-1320

[50]Tashtarian F, Moghaddam M H Y, Sohraby K, et al. ODT: Optimal deadline-based trajectory for mobile sinks in WSN: A decision tree and dynamic programming approach[J]. Computer Networks, 2015, 77(16): 128-143

[51]Tang Jiqiang, Huang Hongyu, Guo Songtao, et al. Dellat: Delivery latency minimization in wireless sensor networks with mobile sink[J]. Journal of Parallel and Distributed Computing, 2015, 83: 133-142

[52]Senturk I F, Akkaya K. Mobile data collector assignment and scheduling for minimizing data delay in partitioned wireless sensor networks[G]Ad Hoc Networks. Berlin: Springer, 2014: 15-31

[53]Kim D, Abay B H, Uma R N, et al. Minimizing data collection latency in wireless sensor network with multiple mobile elements[C]Proc of 2012 IEEE Int Conf on Computer Communications. Piscataway, NJ: IEEE, 2012: 504-512

[54]Kim D, Uma R N, Abay B H, et al. Minimum latency multiple data mule trajectory planning in wireless sensor networks[J]. IEEE Trans on Mobile Computing, 2014, 13(4): 838-851

[55]Ke Huan, Guo Song, Miyazaki T. Towards latency-aware data acquisition in wireless sensor network[C]Proc of the 8th IEEE Int Symp on MCSoc. Piscataway, NJ: IEEE, 2014: 82-87

[56]Alomari A, Aslam N, Phillips W, et al. A scheme for using closest rendezvous points and Mobile Elements for data gathering in wireless sensor networks[C]Proc of 2014 IFIP Wireless Days. Piscataway, NJ: IEEE, 2014

[57]Sugihara R, Gupta R K. Optimal speed control of mobile node for data collection in sensor networks[J]. IEEE Trans on Mobile Computing, 2010, 9(1): 127-139

[58]Yun Youngsang, Xia Ye. Maximizing the lifetime of wireless sensor networks with mobile sink in delay-tolerant applications[J]. IEEE Trans on Mobile Computing, 2010, 9(9): 1308-1318

[59]Yun Youngsang, Xia Ye, Behdani B, et al. Distributed algorithm for lifetime maximization in a delay-tolerant wireless sensor network with a mobile sink[J]. IEEE Trans on Mobile Computing, 2013, 12(10): 1920-1930

[60]Ren Xiaojiang, Liang Weifa. Delay-tolerant data gathering in energy harvesting sensor networks with a mobile sink[C]Proc of IEEE Global Communications Conf. Piscataway, NJ: IEEE, 2012: 93-99

[61]Fu Qiao, Krishnamachari B, Zhang Lin. DAWN: A density adaptive routing for deadline-based data collection in vehicular delay tolerant networks[J]. Tsinghua Science and Technology, 2013, 18(3): 230-241

[62]Xu Zichuan, Liang Weifa, Xu Yinlong. Network lifetime maximization in delay-tolerant sensor networks with a mobile sink[C]Proc of the 8th IEEE Int Conf on Distributed Computing in Sensor Systems. Piscataway, NJ: IEEE, 2012: 9-16

[63]He Liang, Pan Jianping, Xu Jingdong. A progressive approach to reducing data collection latency in wireless sensor networks with mobile elements[J]. IEEE Trans on Mobile Computing, 2013, 12(7): 1308-1320

[64]Zhang Xiwei, Zhang Lili. Optimizing energy-latency trade-off in wireless sensor networks with mobile element[C]Proc of the 16th IEEE Int Conf on Parallel and Distributed Systems. Piscataway, NJ: IEEE, 2010: 534-541

[65]Rao J, Biswas S. Network-assisted sink navigation for distributed data gathering: Stability and delay-energy trade-offs[J]. Computer Communications, 2010, 33(2): 160-175

[66]Romao O C, Santos A G, Mateus G R. Lifetime maximization of hop-and-delay constrained wireless sensor networks with mobile agent[C]Proc of 2013 IEEE Congress on Evolutionary Computation. Piscataway, NJ: IEEE, 2013: 1083-1090

[67]Salarian H, Chin K W, Naghdy F. An energy-efficient mobile-sink path selection strategy for wireless sensor networks[J]. IEEE Trans on Vehicular Technology, 2014, 63(5): 2407-2419

[68]Xing Guoliang, Wang Tian, Xie Zhihui, et al. Rendezvous planning in wireless sensor networks with mobile elements[J]. IEEE Trans on Mobile Computing, 2008, 7(12): 1430-1443

[69]Zhang Chun, Shumin F. Exploiting mobility for data collection in wireless sensor networks with delay reduction[C]Proc of the 30th Chinese Control Conf. Piscataway, NJ: IEEE, 2011: 4952-4956

[70]Van Le D, Oh H, Yoon S. HiCoDG: A hierarchical data-gathering scheme using cooperative multiple mobile elements[J]. Sensors, 2014, 14(12): 24278-24304

[71]Van Le D, Oh H, Yoon S. A novel hierarchical cooperative data gathering architecture using multiple mobile elements[C]Proc of the 6th IEEE Int Conf on Ubiquitous and Future Networks. Piscataway, NJ: IEEE, 2014: 522-527

[72]Joy N, Kumar S S. Efficient data collection in wireless sensor networks using mobile elements[J]. Journal of Information Technology & Mechanical Engineering, 2014, 1(3):13-24

[73]Zhao Miao, Yang Yuanyuan. A framework for mobile data gathering with load balanced clustering and MIMO uploading[C]Proc of IEEE Int Conf on Computer Communications. Piscataway, NJ: IEEE, 2011: 2759-2767

[74]Zhao Miao, Yang Yuanyuan, Wang C. Mobile data gathering with load balanced clustering and dual data uploading in wireless sensor networks[J]. IEEE Trans on Mobile Computing, 2015, 14(4): 770-785

[75]Liu Ruichao, Guo Songtao. Energy-efficient data gathering algorithm with speed control[J]. Application Research of Computers, 2014, 31(3): 860-865 (in Chinese)(劉瑞超, 郭松濤. 帶速度控制的能量高效的數據收集算法[J]. 計算機應用研究, 2014, 31(3): 860-865)

[76]Charalampos K, Nikolaos V, Grammati P, et al. Efficient delay-constrained data collection in wireless sensor networks using mobile sinks[C]Proc of 2015 8th IFIP Wireless and Mobile Networking Conference. Piscataway, NJ: IEEE, 2015

[77]Zhao Miao, Yang Yuanyuan. Bounded relay hop mobile data gathering in wireless sensor networks[J]. IEEE Trans on Computers, 2012, 61(2): 265-277

[78]Guo Songtao, Wang Cong, Yang Yuanyuan. Joint mobile data gathering and energy provisioning in wireless rechargeable sensor networks[J]. IEEE Trans on Mobile Computing, 2014, 13(12): 2836-2852

[79]Xie Liguang, Shi Yi, Hou Y T, et al. A mobile platform for wireless charging and data collection in sensor networks[J]. IEEE Journal on Selected Areas in Communications, 2015, 33(8): 1521-1533

Wang Wenhua, born in 1988. Master candidate. Her main research interests include wireless location and mobile computing.

Wang Tian, born in 1982. PhD, associate professor. Senior member of CCF. His main research interests include wireless networks, cloud computing, social network, Internet of things and mobile computing.

Wu Qun, born in 1991. Master candidate. His main research interests include social network and wireless sensor networks.

Wang Guojun, born in 1970. PhD, professor and PhD supervisor. Adjunct professor at Temple University, a visiting scholar at Florida Atlantic University, and research fellow at the Hong Kong Polytechnic University. Distinguished member of CCF, and member of the IEEE, ACM, and IEICE. His main research interests include network and information security, Internet of things and cloud computing.

Jia Weijia, born in 1957. PhD, professor and PhD supervisor. Senior member of the IEEE and member of the ACM and CCF. His main research interests include next generation wireless communication, protocols, heterogeneous networks.

Survey of Delay-Constrained Data Collection with Mobile Elements in WSNs

Wang Wenhua1, Wang Tian1, Wu Qun1, Wang Guojun2, and Jia Weijia3

1(CollegeofComputerScienceandTechnology,HuaqiaoUniversity,Xiamen,Fujian361021)2(SchoolofComputerScienceandEducationalSoftware,GuangzhouUniversity,Guangzhou510006)3(SchoolofElectronicInformationandElectricalEngineering,ShanghaiJiaoTongUniversity,Shanghai200240)

Data collection is one of the hot topics in wireless sensor networks. In traditional wireless sensor networks, those sensor nodes near the sink will deplete their energy prematurely for forwarding data sensed by both themselves and other nodes, which becomes the energy bottleneck and shortens the lifetime of whole networks. To save the energy of sensors in the wireless sensor networks, mobility elements are introduced to collect data in a lot of research work since their energy can be replenished because of mobility. However, the velocity of the mobile elements is slow, which may lead to long data collection delay. To address this problem, the problem of how to maximize the network lifetime while guaranteeing the data collection delay being less than a certain value has become a hot topic. In this paper, we investigate this kind of delay-constrained data collection methods with mobile elements in detail. We first sum up the characteristics of the delay-constrained mobile data collection methods via a novel classification. These methods are compared with each other according to a serial of key parameters. Moreover, we analyze the advantages, disadvantages and the application scope of these methods, summarize the main problems to be addressed, and further point out the future outlook on the research and application directions.

wireless sensor networks; mobile data collection; delay-constrained; energy optimization; lifetime of networks

2015-11-03；

2016-06-13

國家“九七三”重點基礎研究發展計劃基金項目(2015CB352401)；國家自然科學基金項目(61532013,61572206,61202468)；福建省自然科學基金項目(2014J01240)；華僑大學研究生科研創新培育項目(1400214019) This work was supported by the National Basic Research Program of China (973 Program) (2014CB340501), the National Natural Science Foundation of China (61532013, 61572206, 61202468), the Natural Science Foundation of Fujian Province of China (2014J01240), and the Foster Project for Graduate Student in Research and Innovation of Huaqiao University (1400214019).

王田(cs_tianwang@163.com)

TP393