霧計算中跨層感知分簇路由協議

孫澤宇，徐 琛，蘇艷超，李傳鋒，聶雅琳

1.洛陽理工學院 計算機與信息工程學院，河南 洛陽471023

2.上海應用技術大學 計算機科學與信息工程學院，上海201418

3.河南省高技術創業服務中心 信息技術部，鄭州450008

傳感網中路由協議主要負責將數據報文按照路由鏈表某種指定路徑將數據報文從源節點發送至目的節點過程[1-3]。其研究主要問題可分為：（1）如何確定最優化路徑，將數據報文從源節點發送至目的節點；（2）能量問題直接影響整個傳感網生存周期。對于一個魯棒性健壯的傳感網來說，能量有效可以以較長的時間來延長整個網絡。在數據傳遞過程中，傳感器節點在接收與轉發數據時均要消耗其本身能量[4-6]。因此，網絡能量不僅是傳感網中研究的重點課題，也是傳感網研究領域的熱點問題。

傳感網中傳統的路由協議是以感知層為主的底層路由協議。其缺點是，網絡中可控節點數量較少，對網絡資源配置與優化計算能力較弱，算法復雜不易實現[7]。在數據傳輸過程往往采用犧牲節點能量為代價完成數據通信任務；數據在傳輸過程中跳數較多，對網絡動態變化反映速度較慢。與底層路由相比，傳感網中的分簇路由的特點如下：

（1）分簇路由可以提供更好的數據融合機制。簇內節點相對集中部署在某一監測區域內，采集到的數據具有很高的相似性和冗余度，經過簇首節點的數據融合操作，能夠得到較高的數據融合效果。通常情況下，簇成員節點總是直接將數據發送給簇首節點，減少了數據延時，提高了傳輸的效率。

（2）分簇網絡中，簇成員節點的功能相對簡單，無需維護復雜的路由信息。這樣，網絡中路由控制消息的開銷減小很多，節省了能量[8-9]。同時，簇成員節點在不工作的情況下，可以關閉發送和接收模塊，使之處于休眠狀態，也在很大程度上節省了能量的開銷。

（3）分簇結構中，簇首節點充當管理節點角色，便于管理網絡拓撲結構，可以對整個系統變體做出快速反應，具有較好的可擴展性，適用于大規模傳感網系統。

（4）分簇路由機制在一對多、多對一的通信中非常有效，分簇路由更容易克服由于傳感器節點加入、移動和失效帶來的網絡拓撲結構變化問題。但是，由于傳感器節點自身體積較小，攜帶電量有限且無法充電，其通信能力、計算能力和存儲能力有限，導致分簇路由所執行時間較長、錯誤性較高、數據融合效果不佳等原因。

本文借助于霧計算理論知識提出了A Cross-layersensing Cluster Routing Protocol Based on Fog Computer（CCRP）。該算法利用感知事件驅動機制將霧節點映射該算法通過跨層映射原理，利用感知事件驅動機制將霧節點映射到傳感層，將傳感網分簇路由協議的控制過程上傳至霧層，通過霧計算實現事件域節點分布式成簇路由匯聚中心。在路由協議優化階段，本文借助于粒子群優化算法（Particle Swarm Optimization，PSO）采用無競爭開銷方式選舉一組最佳節點擔任簇首，能有效地均衡全網能量的開銷，抑制傳感器節點能量的快速消耗，延長了網絡生存周期。

本文的主要貢獻主要集中在以下四點：

首先對相關工作進行了認真地分析，結合路由算法實現數據有效傳輸的不足，本文給出了網絡模型。針對該模型提出了霧層分簇路由結構，設定了邊界參考閾值，給出了跨層分簇網絡中通信節點的能耗計算模型。

為了更好地抑制節點能量消耗，本文引入了粒子群優化（Particle Swarm Optimization，PSO）。由霧節點（Fog Node，FN）計算節點的平均能量，節點能量大于或等于平均能量的節點成為候選簇首節點，簇首節點在候選簇首中產生。讓每一個粒子代表一種可能的分簇方式，用目標函數評價其性能，從中尋找最優解，使目標函數取得最小值。

基于上述兩點，本文以候選簇首為研究對象，縮減簇首節點的選擇范圍，通過能量順序鏈表確保候選節點具有較高能量。同時也給出了完成傳感網底層到霧層分簇路由的最優簇的數量和單跳距離d1-hop=dopt+Δd的能耗增量小于單跳距離為d1-hop=dopt-Δd 能耗增量計算方法。

為了更好地驗證本文算法，本文給出了在不同時刻下節點狀態分布情況和不同參數下節點剩余能量以及網絡生存周期的對比過程，以驗證本文算法的有效性和穩定性。

1 相關工作

網絡分簇包括簇的形成和簇頭選擇兩個方面，其關鍵問題是如何在節點剩余能量隨網絡運行時間不斷減少時，動態快速有產地尋找一組最佳節點擔任簇首節點，使形成的網絡分簇既能減少簇內成員節點的能耗，又能使整個網絡能量消耗均衡。這是一個NP 難問題。基于智能群集隨機選擇的進化算法可以有效地解決上述問題，通過智能群集算法可以有效地避免陷入過早陷入最優解，找到全局最優解。

文獻[10]給出了一種基于分區能耗、均衡的非均勻分簇算法。其根本思想是，將傳感網進行分區，在距離匯聚節點較近的區域內分簇數量較多，各簇內成員節點數量相對較少；而遠離匯聚節點的分簇數量較少，各簇內成員節點數量相對較多，從而保證承擔數據中繼轉發任務書的簇首能減少自身的簇內通信開銷，以達到節省能量開銷的目的。文獻[11]提出了一種基于分簇的數據匯聚傳送協議。該協議通過均衡能耗的分簇方法及數據預測傳送機制，可以有效地抑制節點能量的快速消耗，從而達到延長網絡生存周期的目的。文獻[12]利用簇內轉換傳輸機制給出傳感器節點在不同時間內不同狀態轉換過程。通過傳感器節點不同的狀態特性，完成數據傳輸最優路徑的選擇方法，最終完成數據在源節點與目的節點之間的傳輸。文獻[13]提出Distributed and Morphological Operation-based Data Collection Algorithm（DMOA）。該算法利用分簇網絡模型計算每個節點的鄰居具體位置信息，同時生成一個鄰居節點為中心監測區域，并計算鄰居節點的剩余能量，將其按照權值的大小存儲在鏈表當中。下一周期初始時刻，從鏈表中取得能量較高的節點作為簇首節點直至鏈表中所有節點的能量均小于閾值。文獻[14]給出了一種具有能量感知能力的分簇策略。該策略采用概率模型優化選擇分簇方式，既能最小化簇內距離，又能最優化網絡能量。該策略采用的是輪回機制，每一輪包括兩個階段：即簇內建立和穩定階段。簇的建立階段采用集中控制策略，在基站完成，然后基站將分簇信息廣播至每個節點，簇內和簇間路由均采用單跳方式。文獻[15]提了A Trust-Based Secure Routing（TBSR）算法。其基本思想是，利用概率模型，記錄路由鏈表中標記下一節點所接收數據的動態轉換關系。當任意節點受到攻擊或誤傳時，網絡將采用回溯的方法來定位和清除惡意節點，以確保安全。鏈表中所標記的概率越高，則數據包在路由路徑上傳輸的概率就越大。文獻[16]在基于能量均衡的基礎上，提出Mobile Data Collectors（MDCs）算法。首先，該算法從可移動基站開始進行周期性計算，將采用到的數據傳輸到基站，并記錄其數據傳輸過程中所經歷過的節點，構成網絡圖譜。其次，利用Warshall-Floyd算法構造一個完整的圖，通過啟發式旅游規劃算法，實現整個網絡路由優化過程。

上述文獻的路由算法均可以實現數據有效傳輸，但也存在一定不足。例如：算法復雜度過高，模型過于簡單，某些算法并未考慮能量問題。基于上述分析，本文主要從能量著手，以霧節點所映射到感知層的虛擬節點將傳感網所采集的數據上傳至霧層，并由功能強大的霧層節點對底層路由進行有效計算，從而節省整個網絡能量的開銷，延長了網絡生存周期。

2 網絡模型

2.1 基本假設與定義

為了更好地研究CCRP協議，本文基于以下假設：

（1）所有傳感器節點具有唯一ID，均勻分布在監測區域內。

（2）所有傳感器節點均處于靜態。基站可移動，能量不受限。

（3）初始時刻，所有傳感器節點均具有相同能量，并且地位平等。

（4）傳感器節點通信功率可控，即傳感器節點可以根據距離來調整發射功率的大小。

（5）節點具有感知能力、計算能力和數據融合能力。

定義1（能量效率）對于跨層分簇而言，在Δt 時間內完成特定任務的能量效率為e 。也就是說，在t 時刻，單位能耗完成的任務數量為：

其中，n(Δt)表示為Δt 時間內完成同樣任務數目，N 是簇內所有節點數量，Ei(t)表示t 時刻節點i 的能量值。

定義2（能量均衡）在Δt 時刻，整個跨層分簇的能量均衡可以用能量均值函數ME(Δt)和能量方差函數DE(Δt) 來衡量網絡的能量均衡性，ME(Δt) 越大且DE(Δt)越小，則表示跨層分簇在Δt 時刻網絡能量均衡性越好。

定義3（網絡生存周期）從網絡開始運行至不能網絡無法正常工作為止，所持續的時間。也可以指從網絡部署之后到有所有節點死亡的時間。

定義4（數據匯聚時延）數據匯聚時延包括數據融合，跨層數據傳輸以及跨層路由轉發數據的時間的總和。

2.2 網絡模型的建立

在分簇路由協議中，將監測區域內所有傳感器節點劃分為多個簇。每一個簇可以充當整網的一個子網，每個簇包括一個簇首節點（Cluster Head，CH）和多個簇成員節點（Cluster Member，CM）。簇成員通常是以直接方式將采用到的數據傳送給族首節點；當簇的規模較大時，簇成員也可以通過多跳方式將數據傳送給簇首節點。簇首節點通過多跳或單跳方式與基站進行通信。簇首節點起到網關節點的作用，負責管理和控制簇內成員節點，負責收集簇內成員節點的感知數據，根據需要進行融合并轉發給基站。

當底層傳感器節點所采集數據較大時，借助于霧層來實現分簇路由協議。圖1給出了霧層分簇路由結構，借助于霧層節點映射到傳感網中所形成的虛擬節點構成傳感網的簇首節點完成路由協議選擇過程。霧層分簇是傳感網的一種新型分簇網絡結構，這種結構的設計思想是根據所要求采集數據量的大小達到的霧層，由霧節點加以融合與計算。在傳感網底層分簇的基礎上，利用由底層至上的原則繼續進行分簇。霧層的霧節點通過映射到傳感網底層所形成的虛擬節點構成底層的簇首節點。以底層的簇首節點為中心，將簇內成員所采集的數據傳至簇首節點，而后，通過虛擬節點所形成的簇首節點將數據繼續上傳到霧層，這樣就形成了跨層傳輸數據的具體過程。

圖1 基于霧層分簇路由結構

傳感網傳輸能耗模型，在理想信噪比情況下傳輸k bit 的數據，能耗由兩部分構成：發送k bit 長度數據的能量消耗和功率放大電路的能量消耗，根據傳輸距離的不同，發送數據能量消耗為：

其中，ETx(k,d)為傳輸距離（單位：m）為d 時傳輸k bit數據所消耗的能量，Eelec是傳輸或者接收單位數據的能耗；εfs和εmp分別為自由空間和多徑衰落模型中單位比特數據傳輸單位距離時放大器的能量損耗，d0是距離邊界閾值；若傳輸距離d ≤d0，選擇εfs，如果d ＞d0，即選擇εmp。

傳感網中，節點的能量主要用于通信和執行指令。跨層分簇網絡中節點的通信可以分為3 種：簇內通信、跨層報告和跨層數據轉發。簇內通信主要完成簇內成員節點與簇首節點之間的數據傳輸；跨層報告可以采用直接或間接傳輸方式把簇首節點融合后數據報告上傳至霧層；跨層數據轉發主要完成在傳感層與霧層之間距離匯聚節點較近的簇頭轉發距離較遠的簇首節點的數據。三者之間的關聯關系為：

其中，ETot表示節點的總通信能耗，Ein表示節點的簇內通信能耗，ERep_lay表示跨層報告能耗；EFor_lay表示跨層節點的數據轉發能耗。在傳感層進行數據采集時，ERep_lay=0，EFor_lay=0，當簇內通信量較大或通信距離較遠時，ETot能量值較高，說明消耗網絡能量較大。

3 問題分析與解決方案

3.1 PSO算法概述

假設在一個D 維的目標搜索空間中，群體規模為m ，群體中每一個粒子i(1 ≤i ≤m)有如下屬性：第t 步迭代時，在D 維空間中的位置為Xi(xi1,xi2,…,xid)，飛行速度為Vi=(vi1,vi2,…,vid)，經歷過的最優位置記為Pi=(pi1,pi2,…,pid)。在整個群體中，所有粒子經歷過的最優位置為Pg=(pg1,pg2,…,pgd)。在t 迭代的粒子根據下面公式更新自己的速度和位置：

其中，w 為慣性權重，c1和c2為加速因子，r1和r2是[0，1]之間的隨機數。在更新過程中，粒子每一維的位置和速度都被在允許范圍之內。假設第d(1 ≤d ≤D)維的位置變化范圍為[-xdmax,xdmax] ，速度變化范圍為[-vdmax,vdmax]，迭代中如果位置和速度超過邊界范圍取邊界值。vdmax的選擇取值范圍為[0.1，0.3]之間。如果vdmax太大，粒子運動軌跡可能失去規律性，甚至越過最優解所在區域；如果太小，可能降低粒子的全局搜索能力，算法可能陷入局部最優解。

為了避免陷入局部最優解，本文CCRP算法采用加速因子雙重迭代過程增強局部搜索與全局搜索能力；其次，在本過程實施階段，為了提高收斂速度，本文CCRP算法采用降低c1因子數值的同時提高c2因子數值，其迭代公式如下：

其中，k 代表CCRP 算法當前迭代次數；cn為迭代結束前最后一次迭代數值；Tmax為最大迭代次數。

其主要目的在于：粒子群優化算法是尋找全局最優解的智能算法。本文采用雙因子相制約思想，即：當c1減少的同時增加c2，可以更好地平衡簇內收斂過快，而產生過早陷入最優解的不足；經過一輪或多輪周期后，該簇內的所有成員節點位置信息均處于平衡狀態；如果單純地增加慣性權重w 的數值，雖然可以獲得較為理想的新位置信息的同時也可以避免“早熟”現象，但是其算法的收斂速度將會變慢，不利用于全局優化。對于整個監測區域而言，本文利用上述過程，采用多次重復上述操作完成對整個監測區域的位置的優化，從而達到了全局優化的目的。

3.2 簇的建立

傳感網底層應用PSO算法實現網絡分簇。首先，基于所有節點的能量信息，由霧節點（Fog Node，FN）計算節點的平均能量且大于或等于全網的平均能量時，該節點將成為候選簇首節點，這樣可以有效地縮減簇首節點的選擇范圍同時保證了候選簇首節點具有較大的能量。

假設網絡包含N 個節點，預先定義分為K 個簇，候選簇首數量為M ，且M ＞K，則可能的分簇方式有C種，在其中確定最佳的分簇方式是一種最優化問題。應用PSO算法解決這個問題，使每一個粒子代表一種可能的分簇方式，用目標函數評價其性能，設置m 個粒子組成群體在C種可能的分簇方式中尋找最優解，使目標函數取得最小值。該目標函數定義如下：

其中，f1為分簇緊湊性評價因子，等于節點至霧點映射到傳感網底層的虛擬節點最大平均歐氏距離。d(ni,CH(p,k))是節點ni到映射霧節點（Map Fog Node，MFN）的歐氏距離，|C(p,k)|是粒子p 中簇Ck的節點數量；f2為簇頭能量評價因子，等于網絡中所有節點ni,i=1,2,…,N當前能量之和簇首當前能量之和的商；β 為各評價因子的權重系數。

定理1在面積為L2正方形區域中，完成傳感網底層到霧層分簇路由的最優簇的數量為：

其中，dacr為數據壓縮率，為簇首節點到霧節點距離，為簇首節點到映射霧節點距離，N 是傳感器節點數量。

證明網絡的最優分簇數，可以通過計算網絡每輪消耗的能量來求解。PSO 分簇算法和映射霧節點的確定可以霧層中完成，不消耗節點能量。通過映射霧節點確定最優簇首組合和簇內節點數量。假設控制報文發送消息長度為k，網絡節點數量為N ，則該時刻網絡消耗的能量為：

在網絡穩定階段，K 個簇首接收各自成員節點發送的k bit數據包，將這些數據和自身的數據事例為k bit數據包后發給映射節點。數據融合的能量開銷為ED，則該階段所有簇首消耗的能量為：

簇內每個成員節點發送k bit 數據包至簇首節點所消耗的能量為：

其中，CNi表示第i 個簇節點數量。由于簇的規模一般來說比較小，成員節點至簇頭的距離通常小于d0，每個簇所占二維區域的面積為：

簇內成員節點的數量為N/K 。一般情況下，這是一個節點頒布密度ρ(x,y)的任意形狀區域。假設簇首位于簇區域的中心，則：

為了計算方法，把簇形區域近似看作為圓形區域，其半徑為：

由于數據壓縮和數據融合所消耗的傳感器節點能量較小，因此dacr×Eelec+ED值近似為0，公式（27）化簡可得：

3.3 簇的形成

簇首節點利用PSO算法在其鄰居簇首集合中，選擇其中繼節點RNi，中繼節點RNi在所有的候選節點中上具有最小的代價函數，定義如下：

其中，Ene(si)表示簇首si的鄰居簇首剩余能量均值，Ecu(sj)表示簇首sj的剩余能量均值；NCH(sj)表示簇首sj的成員節點數量；NCH(si)表示簇首si的鄰居簇首成員節點數量的均值；d|si-sj|表示簇首si到簇首sj的距離；d|sj-sFN|表示簇首到霧節點之間的距離。α1、α2、α3為權重系數，且α1+α2+α3=1 。因此，Cost(RNi)=min{Cost(i,j)}。如果簇首si的中繼節點是本身，則直接發送數據至映射霧節點；否則，簇首si發送數據至中繼節點RNi。

在跨層分簇結構中，映射霧節點完成一次任務，即接收其成員節點和下層簇首節點的數據并完成數據融合，并向上層霧節點或基站轉發融合后的數據。如果映射霧節點中成員太多，則可能導致該映射霧節點在一次任務中能量消耗過盡，而無法完成本次任務，這會造成網絡傳輸數據的失敗。同時，如果簇中成員太少，導致映射霧節點主要完成轉發來自其他簇首的數據，使其在網絡失效時存在大量的剩余能量，從而使其能量沒有充分利用。因此，合理地控制簇的規模對于網絡性能來說至關重要。

設n個節點為均勻分布在簇成員節點和霧節點之間，相鄰節點間的距離為單跳d1-hop，節點的線性表示形式為圖2所示。

圖2 節點線性數據傳輸結構

定理2能量衰減系數為2，其單跳距離d1-hop=dopt+Δd的能耗增量小于單跳距離為d1-hop=dopt-Δd能耗增量。其中，dopt為最低目標最優單跳距離。

證明以圖2 為例，設線性節點分簇數量為1，傳輸數據為kbit，根據公式（7）可得：

3.4 算法描述及復雜度計算

本文CCRP 算法的核心思想是綜合考慮傳感網層與霧層之間的節點度和與映射區域中心距離兩個因素，通過時間片輪轉更換簇頭節點，以均衡簇頭節點的能量消耗，以解決無線傳感器網絡分簇中的“熱區”問題。算法步驟如下：

步驟1初始化Q個粒子，每個粒子包含K個候選簇首節點，每個候選簇首節點代表一種分簇的可能。

步驟2計算每個粒子p的適用值。

（1）對每個節點ni(i=1,2,…,N)和所有簇首CH的距離d(ni,CH)。分配節點ni給距離最近的簇首節點，即：

（2）利用公式（12）～（14）、（30）、（31）分別計算粒子適應值，并保存在鏈表中。

步驟3通過定理1 計算最優K值的取值范圍，并確定每個粒子的個體最優解和種群的最優解。

步驟4利用公式（8）、（9）更新粒子速度與位置。

步驟5根據距離最近的候選簇首位置調整粒子位置。

步驟6重復步驟2至步驟5，直到定理2成立。

假設N=T×M個節點成為候選簇首節點而參與競選，共廣播T×M條消息。然后，競選成功的候選簇首節點廣播一條消息，其鄰居節點收到消息后直接退出競選。假設共選出K個簇首節點，則它們廣播K條發送消息和K條接收消息，而M-K個簇成員廣播MK條成簇消息。因此，該階段網絡中總的消息開銷為：

所以本文CCRP算法的復雜度為O(N)。

4 體系評估

為了進一步驗證本文CCRP 算法的有效性和實效性，本文采用MATLAB 8.0 作為仿真實驗平臺，并與文獻[13]和文獻[15]以及文獻[16]在網絡節點存活數量、剩余能量、網絡生存周期等屬性上進行比對實驗。本文采用800個傳感器節點隨機部署500 m×500 m正方形監測區域，數據總長度為1 000 bit，數據包頭為50 bit，簇的數量設定為總傳感器節點數量的2%至5%以內，即K∈[16，40]，傳感器節點感知半徑R=10 m。PSO算法設定為種群Q=20，c1=2，c2=3，慣性權重參數w∈[0.4，0.9]，評價因子α1∈[0.1，0.4]，α2∈[0.1，0.4]，α3∈[0.2，0.8]，且α1+α2+α3=1，節點初始能量為5 J。

圖3 t=0時，500 m×500 m網絡節點分布示意圖

圖4 t=500 s時，500 m×500 m網絡節點分布示意圖

圖5 t=1 000 s時，500 m×500 m網絡節點分布示意圖

圖6 t=1 500 s時，500 m×500 m網絡節點分布示意圖

圖7 t=2 000 s時，500 m×500 m網絡節點分布示意圖

圖3至圖7給出了不同t時刻下，網絡節點分布示意圖。采用的參數為w=0.6,α1=0.1,α2=0.3,α3=0.6。從圖中可以看出，隨著時間t的推移，出現了部分節點死亡現象。當t=500 s 時，死亡節點數量為8；當t=1 000 s時，死亡節點數量為47；當t=1 500 s時，死亡節點數量為66；當t=2 000 s 時，死亡節點數量為73。當t=1 500 s和t=2 000 s時，死亡節點趨于一種穩定狀態，其網絡系統節點存活率為91.75%和90.88%。其主要原因在于本文CCRP 協議采用PSO 算法與霧計算相結合方法實現節點能量快速消耗。CCRP 協議有效地平衡了靠近映射霧節點的簇和遠離映射霧節點的簇之間的數據傳輸能耗。CCRP 協議的死亡節點較均勻地分布在整個網絡，可以有效地避免了“能量空洞”的出現。

圖8至圖11給出了不同參數下的四種算法剩余能量對比示意圖。從圖中可以看出，隨著時間的推移，四種算法節點剩余能量均有所消耗，但本文CCRP協議的能量消耗速度明顯低于其他三種算法。本文算法在圖8和圖9中能量消耗速度較快，但整個網絡的總體能量還是高于其他三種算法。其主要原因在于其他三種算法均采用非連續單跳方式連續地將數據傳輸給基站，當基站距離傳感網較遠時，將會導致簇首節點向基站傳輸數據的能耗較大，不利于抑制節點節能作用；而本文CCRP協議利用映射霧節點完成簇間多跳路由數據傳輸。通過改變參數可以有效地抑制節點能量的快速消耗。當映射霧節點距離網絡較遠時，可以通過改變權重參數提升PSO算法遍歷速度，已達到快速完成數據傳輸效果；通過適應函數和代價函數提升PSO算法對整個網絡全局搜索效果，最終達到了快速與低能相結合的數據傳輸目的。

圖8 不同參數下四種算法剩余能量對比

圖9 不同參數下四種算法剩余能量對比

圖10 不同參數下四種算法剩余能量對比

圖11 不同參數下四種算法剩余能量對比

圖12 不同參數下四種算法網絡生存周期對比

圖13 不同參數下四種算法網絡生存周期對比

圖12至圖15給出的是不同參數下四種算法網絡生存周期對比示意圖。在圖12 和圖13 是以低密度節點100至400變化作為網絡生存周期研究的變量。從圖中可以看出，隨著傳感器節點數量的增加，四種算法的網絡生存周期均有明顯的提升，但本文CCRP協議提升的速度較快。圖14 和圖15 給出的高密度節點從450 至800 變化的網絡生存周期對比示意圖。從圖中可以看出，當傳感器節點數量為500時，本文CCRP協議基本上趨于平穩，變化的幅度較小，而其他三種算法雖然有上升趨勢，但并未超過本文CCRP 協議，從而驗證了本文算法的網絡生存周期優于其他三種算法。主要原因在于，本文利用映射霧節點完成了對數據融合和傳輸等任務，分擔了部分簇首的工作量，抑制了簇首節點能量的快速消耗；同時，在數據融合和傳輸中，映射霧節點充當了控制節點的作用，對簇首節點和簇內成員節點進行統一的調節與分配，從而節省了簇內能量的開銷，延長了網絡生存周期。

圖14 不同參數下四種算法網絡生存周期對比

圖15 不同參數下四種算法網絡生存周期對比

5 總結

本文借助霧計算理論的同時引入粒子群優化算法，提出了一種基于霧計算跨層感知分簇路由協議（CCRP）。該協議首先通過霧計算理論構建網絡模型，通過跨層映射原理，利用感知事件驅動機制將霧節點映射到傳感層；其次，給出了以邊長為L正方形區域的最優簇建立的方法和計算過程；再次，分析了簇的形成以及跨層分簇結構數據融合過程，從而建立以映射霧節點為中心的優化數據聚合路由，取代傳感網底層路由中的數據，進一步平衡并減少網絡負載。本文最后通過仿真實驗驗證本文協議的有效性和實效性。未來的主要工作集中在連續性分簇路由優化以及非線性的連續覆蓋。