基于爬蟲機制的WSN數據穩定傳輸算法

郝 平

（陜西工業職業技術學院，陜西咸陽 712000）

隨著“中國制造2025”的不斷推進，以第五代無線通信（5th Generation Wireless Communication，5G）、智能傳感（Intelligent Sensor，IS）為代表的新興技術受到日益廣泛的重視，給無線傳感網技術注入新的增長動力，使得傳統的無線傳感網邁入智能移動時代［1］。由于無線傳感網能夠實時對部署區域內環境信息的感知，信息獲取不受地域、環境、時間限制且具有組織自由度高、部署較為便捷、容錯性能強及隱蔽性強等優勢［2］。

實踐中為實現對部署區域進行不間斷監測，WSN網絡節點部署往往需要采用密集部署模式，節點部署完畢后將定時機制通過鄰居節點進行數據匯聚及傳輸［3］。雖然采取這種方式可達到數據傳輸便捷化的特點，不過由于所傳輸的數據具有冗余特點，會加劇節點能量消耗，從而導致WSN網絡生命周期出現下降現象［4］。

為提高無線傳感網生存質量并降低網絡負載水平，研究者提出了若干具有前瞻性的數據穩定傳輸算法，在一定程度上解決了部署過程中遇到的問題［5］。如Jamuna等［6］提出了一種基于分片機制的WSN數據穩定傳輸算法，將待傳數據按照傳輸路由穩定程度劃分優先級并采取切片處理，僅針對優先級較低的數據切片進行重傳輸，可達到降低網絡冗余的目的，網絡生存周期較長。但是，該算法部署過程中需要實時評估數據優先級，容易導致部分節點頻繁承擔數據重傳輸功能，節點能耗水平較高。Kingsly等［7］提出了一種基于簇頭備份機制的WSN數據穩定傳輸算法，其主要是優先選取簇區域內能量較優的節點作為備用簇頭節點，用以承擔簇頭失效狀況下的數據匯聚傳輸功能，具有節點能耗水平較低的特點。然而，該算法僅針對簇內區域進行了傳輸優化，在數據傳輸量較高的情況下極易發生備用簇頭節點失效的現象，使得算法的網絡生存周期不高。Devesh等［8］提出了一種基于聚類機制的WSN數據穩定傳輸算法，針對傳輸過程中易出現的重傳輸現象予以聚類處理，將中繼傳輸熱度較高的節點采取備份機制以防止節點受限，可適應數據傳輸量較高的部署場景。但是，該算法需要頻繁對中繼節點進行備份，導致節點利用效率不高，增加節點能耗水平。

鑒于當前研究中存在的不足，提出了一種基于爬蟲機制的WSN數據穩定傳輸算法。

1 本文算法設計

為改善無線傳感網數據傳輸質量，提高網絡生存周期并有效降低節點能耗，本文將數據融合與路徑優化相結合，從路徑偏轉和數據匯聚兩個維度對數據傳輸進行優化。

1.1 基于樹狀傳輸機制的數據匯聚

考慮到數據匯聚過程一般遵循“源節點-中繼節點-sink節點”的傳輸模型［9］，采取分簇方案將難以降低節點能耗［10］。因此，本文設計了基于樹狀傳輸機制的數據匯聚方法，具體步驟如下所示。

Step 1考慮到數據匯聚路徑需要綜合考慮能量和距離因素，首先對源節點v的下一跳節點進行篩選，篩選爬蟲pj(k，t)可通過如下模型確定：

模型（1）中，k表示數據傳輸周期，t表示傳輸時刻，ηj(t)表示下一跳節點的剩余能量，μj(t)表示下一跳節點的距離系數，m表示下一跳節點的數量。a和b為調節系數，滿足如下模型：

模型（3）中，l(v，j)表示源節點v與下一跳節點k之間的距離。

Step 2由于節點部署完畢后一般保持不動，因此針對下一跳節點的剩余能量ηj(t+Δt)，按下列方式進行評估：

模型（4）、（5）、（6）中，Δt表示下一時刻，f表示能量衰減率，ηj(Δt)表示sink節點在下一時刻的能量補充，ηm(Δt)表示與下一跳節點有數據傳輸關系的節點所獲取的能量，G表示能量補充功率，l(m，j)表示節點m和節點j之間的距離。

獲取模型（4）所示的下一跳節點剩余能量ηj(t+Δt)后，優先選取能量較高的節點作為下一跳節點。

Step 3下一跳節點爬取完畢后，按照Step 1-2所示的步驟逐個獲取爬蟲并確定中繼節點，直到終點為sink節點為止，至此形成樹狀傳輸結構，如圖1所示，記為Tree(v，sink)。啟 動 數 據 傳 輸 流 程，優 選Tree(v，sink)中路徑最短的鏈路作為傳輸路徑，方法結束。

圖1 基于樹狀傳輸機制的數據匯聚過程Fig.1 Data aggregation process based on tree transmission mechanism

完成基于樹狀傳輸機制的數據匯聚方法后，源節點v將形成樹狀傳輸結構Tree(v，sink)，該結構中存在多個可選路徑，因而可從中按需甄選出性能較高的傳輸路徑，以便網絡性能得到改善。

1.2 基于角度偏轉機制的路徑優化

由基于樹狀傳輸機制的數據匯聚方法可知，傳輸過程中所選的中繼節點可能不唯一，因此存在多徑傳輸現象?？紤]到下一跳節點與當前節點距離越長則能量消耗也越大［11］，見模型（3）。因此，設計了基于角度偏轉機制的路徑優化方法，具體步驟如下。

Step 1設當前節點為i，下一跳節點為j，則節點i在節點j處的偏轉角α(i，j)可按如下方式獲?。?/p>

α(i，sink)表示節點i與sink節點的夾角，α(j，sink)表示節點j與sink節點的夾角，＜＞表示三角取值，所獲取的偏轉角α(i，j)，見圖2。

圖2 夾角的獲取Fig.2 Acquisition of included angle

Step 2逐個獲取下一跳節點所對應的夾角α(j，sink)后，選取夾角最小的節點作為下一跳節點，見圖3，方法結束。

圖3 基于角度偏轉機制的路徑優化Fig.3 Path optimization based on angledeflection mechanism

完成基于角度偏轉機制的路徑優化方法后，網絡可在樹狀傳輸結構Tree(v，sink)基礎上，選出具有較低角度偏轉的節點作為下一跳節點，這樣可規避因路徑較為復雜而導致失效轉發的現象，避免因路徑偏轉過大而導致節點間拓撲距離增長，從而提高了路徑健壯性。

2 仿真實驗

為便于對比所提算法的性能，采取NS2（Network Simulator Version 2，NS2）仿真實驗環境進行仿真［12］。其中，傳感區域設置為矩形，大小為1024 m×512 m，節點為固定狀態，其余仿真參數見表1。為體現所提算法的性能，采取基于模糊群搜索優化機制的WSN數據穩 定 傳 輸 算 法［13］（Novel Fuzzy Based Crow Search Optimization Algorithm for Secure Node-to-Node Data Transmission in WSN，CSO算法）和基于低時延節能路由感知機制的WSN數據穩定傳輸算法［14］（Low Latency And Energy Efficient Routing-Aware Network Coding-Based Data Transmission In Multi-Hop And Multi-sink WSN，LL-EECB算法）。

表1 網絡仿真參數Tab.1 Network simulation parameters

實驗開始后，在分布區域為1024 m×512 m的矩形區域內，采用隨機分布方式進行布點，節點密度不高于10個/百平方米，通信頻率均保持一致。

隨后，網絡以不高于1個/min的頻率生成惡意節點，惡意節點在進行數據傳輸前均與正常節點的行為特征保持一致，節點加入速度可以通過sink節點進行調節。節點采用5G制式，信號發射制式采用1024位星座調制模式，且采取512移相鍵控調制方式，信號增益使用標準OFDM方式；最低覆蓋范圍不低于24 m，節點參數見表2。

表2 節點仿真參數Tab.2 Network simulation parameters

此外，實驗將分高斯信道和瑞利信道兩種不同的信道環境，仿真指標為網絡生存時間、節點能耗兩項，具體仿真結果如下。

2.1 網絡生存時間

圖4為所提算法與CSO算法和LL-EECB算法在不同信道條件下的網絡生存時間測試結果，由圖4可知，本文算法具有網絡生存時間較長的特點，體現了優越的網絡生存質量。這是由于所提算法采取了基于樹狀傳輸機制的數據匯聚方法，能夠將抖動狀態的鏈路固化為傳輸樹，并從中優選具有穩定傳輸質量的鏈路用以數據傳輸，因而節點生存質量較高，具有較長的網絡生存時間。特別是所提算法采取了基于角度偏轉機制的路徑優化方法，可縮短源節點與sink節點間鏈路長度，降低了因網絡抖動而導致鏈路失效的情形，因而增加了網絡生存時間。CSO算法針對距離、度和傳輸能量三個參數進行優化。優化過程考慮了最佳節點，按照距離較短、傳輸次數較高、傳輸能量三個條件進行節點篩選，因而可在一定程度上提高網絡生存時間。不過，由于該算法需要采取遍歷模型對網絡節點進行一一遍歷，因而節點能耗要顯著高于所提算法，使得該算法的網絡生存時間要短于所提算法。LL-EECB算法利用最小生成樹模型構建元節點與sink節點間路由，并通過人工蜂群技術優化鏈路傳輸質量，可在一定程度上改進網絡傳輸質量。不過，由于該算法未針對無線傳感網節點間角度偏轉予以考慮，節點轉發數據過程中易出現節點受限現象，因而網絡生存質量不高，導致該算法的網絡生存時間要低于本文算法。

圖4 網絡生存時間測試結果Fig.4 Network lifetime test results

2.2 節點能耗

圖5為所提算法與CSO算法和LL-EECB算法在不同信道條件下的節點能耗測試結果，由圖5可知，所提算法具有節點能耗較低的特點，體現了較好的節能性能。這是由于所提算法針對無線傳感網傳輸鏈路易發生抖動的特點，采取樹狀傳輸結構將抖動鏈路予以固化處理，并引入角度偏轉機制對多徑傳輸進行動態優化，可顯著縮短傳輸鏈路的長度，降低了節點及鏈路失效的概率，因而數據重傳輸強度較低，使得節點能耗水平也處于較低的水平。CSO算法主要針對距離、度和傳輸能量三個參數進行優化，優選距離較短等因素對節點進行篩選，使得距離長度較短的節點頻繁進行數據傳輸，從而導致網絡熱點現象發生，使得節點能耗要高于所提算法。LL-EECB算法僅從鏈路層面優化網絡傳輸，未針對角度因素進行優化，使得數據重傳輸強度要高于所提算法，因而在節點能耗指標上亦要低于所提算法。

圖5 節點能耗測試結果Fig.5 Node energy consumption test results

3 結 語

為解決當前無線傳感網數據傳輸過程中存在的節點能耗較高及網絡生存性能較弱等不足，提出了一種基于爬蟲機制的WSN數據穩定傳輸算法。該算法主要由基于樹狀傳輸機制的數據匯聚方法和基于角度偏轉機制的路徑優化方法兩部分構成，可顯著改善網絡生存質量，穩定數據傳輸性能，降低節點能耗，具有顯著的實際部署價值。

下一步，將針對所提算法對移動環境適應性不足的情況，擬引入拉普拉斯拓撲分割機制，進一步提高所提算法對復雜環境的適應能力。