基于SANET的無人艇移動數據卸載方法

昆明精密機械研究所 茍 春

無人艇（USV）在協同工作的時候會產生需要共享的移動數據，當這些數據量較大的時候，會增加主干網絡的負載。針對這一問題，本文提出一種基于SANET的USV移動數據卸載方法。考慮到USV的移動性，兼顧系統經濟成本和USV能量消耗，將問題形式化為數據效用最大化問題，設計遺傳算法求解問題，得到數據傳輸過程中通信鏈路和帶寬資源分配策略，并在此基礎上將算法進行了改進。實驗仿真結果表明了本文提出的數據卸載方法的有效性。

USV（Unmanned Surface Vessel，USV）是一種工作在水面上的無人化、信息化、智能化的工作平臺。由于其具有魯棒性強、智能化程度高、靈活性較強、成本較低等特點，USV已經被廣泛應用到軍事或非軍事領域，如偵查巡邏、排雷反潛、海洋資源勘探、水文地理探測等領域。隨著物聯網技術在船舶與海洋尤其是軍事領域深入、廣泛地應用，USV搭載了聲吶、海洋數據采集傳感器、成像系統等先進的感知設備，以采集海洋或軍事環境數據；同時，USV搭載了多模態衛星通訊、航跡態監測等通信設備，以完成USV與有人艦船的協同作戰等任務。

在此場景下，USV可能會產生大量需要與其他設備共享的實時性移動數據。水面艦艇之間傳輸數據一般采用短波無線電技術，其傳輸速率較低。當某些USV需要將大量的實時移動數據（如高清視頻）共享到其他設備時，會對主干網絡產生較大的通信壓力；由此，Al-Zaidi R、Woods J、Al-Khalidi M,et al提出使用船舶自組織網絡（SANET）來減緩主干網絡的數據傳輸壓力。段懿洋、任海英、何曉提出一種基于邊緣計算的無人艇通信數據分發機制，提出一種動態平均數據壓縮方法，通過最大化數據壓縮率來確定數據分發策略，相對于傳統云計算，該方法所提出的機制具有較強的實時性。

由于USV靈活的移動性會影響USV之間鏈路的穩定性，在實際應用過程中，無法保證某個USV可以由同一個USV將其所需要的數據下載完畢。目前，該領域的文獻研究并未考慮到USV移動性對數據傳輸的影響，且缺乏對系統產生的數據傳輸成本和USV能耗對數據傳輸影響的探究。針對這些問題，本文提出一種基于SANET的USV移動數據卸載方法。該方法基于USV的移動性，考慮到數據傳輸過程中對系統產生的成本以及USV的能耗，通過將大量的移動數據卸載到USV之間的SANET上，以降低主干網絡的負載。

本文主要貢獻如下：

（1）建立USV移動模型，并使用多播的方式進行USV之間的數據傳輸。

（2）兼顧系統數據傳輸成本和USV能耗，將問題形式化為數據效用最大化問題。

（3）在每個時隙，針對本場景中的模型，本文設計遺傳算法來求解數據效用最大化問題，以得到近似最優解；并對算法進行改進，以提高算法執行效率。

1 系統模型

如圖1所示，假設有USV集合U={u1,u2,...,um}在某片海域執行任務，其中，一部分USV緩存有其他USV需要的數據，本文稱這一類USV為種子USV；移動數據種類集合為D={d1,d2,...,dl}；主干網絡由蜂窩網和衛星通信網絡構成，主干網絡可以對該區域實現無縫覆蓋；USV隨時可以通過主干網絡下載移動數據，也可以通過SANET由種子USV下載數據。其中，為更加充分地利用SANET帶寬資源，本文假設USV之間可以以多播的方式傳輸數據；為簡化建模過程，可以將所有的主干網絡節點所提供的鏈路看做同一個鏈路，即將所有主干鏈路節點看做同一個無線接入點；設主干網絡鏈路的總帶寬資源大小為rm，系統為種子USVui分配的帶寬資源為ri。

圖1 系統模型圖

本文將主干網絡和所有的種子USV統稱為無線接入點。考慮到USV靈活的移動性，本文將數據傳輸過程劃分為足夠短的、連續的、大小相等的時間間隙。由于每個時隙足夠短，在同一個時隙中，假設每個USV的航行速度大小和方向不變，USV只能由唯一一個無線接入點下載數據；在不同時隙，USV可以以不同大小、方向的速度航行，USV可以由不同的無線接入點下載數據；假設每一個USV只需要一種數據，且每一種數據的大小是確定的。

在每個時隙，系統通過USV的地理位置、航速大小和方向、傳輸數據能耗等信息來制定移動數據卸載策略，以得到系統為每個需要下載數據的USV所分配的通信鏈路和帶寬資源；從而USV由系統分配的網絡資源來下載數據。由于遺傳算法具有較高的執行效率，本文不考慮算法執行時間對數據卸載的影響。

1.1 USV移動模型

本文通過建立USV移動模型，計算USV之間的歐幾里得距離以及相對航速，由此來得到USV之間的通信鏈路最大持續時間，以確定在每個時隙USV之間是否可以建立通信鏈路以傳輸數據。

在海平面上建立平面直角坐標系A。在時隙t，設元組(pi(t),vi(t),θi(t))表示USVui的移動性。其中pi(t)=(xi(t),yi(t))表示USVui在坐標系A中的位置；vi(t)表示USVui航速大小；θi(t)表示在坐標系A中USVui與X軸正方向的夾角。設R表示保證USV之間穩定傳輸數據的最大距離。

在時隙t，可知USVui與uj之間的相對航速大小為:

USVui與uj之間的相對地理位置為：

USVui與uj之間橫向相對航速vijh(t)與縱向相對航速(t)與縱向相對航速(t)分別為：

在坐標系A中，可知USVui與uj之間相對速度vij(t)與X軸正向夾角φ(t)為：

可知USVui與uj之間通信鏈路連接持續時間：

以及：

其中a=tanφ(t)，b=yij(t)－xij(t).tanφ(t)。

在時隙t，考慮到USV移動性約束，當ui可以向uj傳輸數據dk時，yki,j(t)=1，否則yki,j(t)=0。本文定義：

其中，tl表示時隙長度。

1.2 系統成本模型

本文合理假設USV下載移動數據會對系統產生一定的經濟成本。設USV通過主干網絡下載數據產生的經濟成本為Sm/ Mb，USV通過種子USV下載數據產生的經濟成本為Si/ Mb。可知在時隙t，整個系統產生的經濟成本為：

其中，當uj由ui下載數據dk時，hki,j(t)=1，否則，hki,j(t)=0；當uj由主干網絡下載數據dk時，hkm,j(t)=1，否則hkm,j(t)=0；rki,j(t)和rkm,j(t)分別表示系統由種子USV和主干網絡為uj分配的帶寬資源。

1.3 USV能耗模型

由于USV一般遠離海岸或大型艦船執行任務，能量消耗問題是對USV順利作業的一大挑戰。USV傳輸數據會消耗一定的能量，假設USV可以根據數據卸載策略調整發射功率，以更加充分地利用能源。由此，本文以傳輸單位數據的能耗來定義USV能耗。設USV傳輸數據消耗能量為ei/ Mb。可知在時隙t，系統中USV由于數據傳輸消耗總能量為：

1.4 問題形式化

在時隙t，USVuj只能由一個無線接入點下載數據，有：

由于移動性和種子USV緩存數據種類的限制，USV只能由可以向其傳輸數據的種子USV來下載數據，有：

其中，當種子USVui緩存有數據dk時，cik=1，否則，cik=0。

每一個無線接入點所能提供的帶寬資源不得超過其最大帶寬：

USVuj下載數據時，系統才會為uj分配帶寬資源：

當uj完全下載到所需要的數據時，系統就不會再為uj分配帶寬資源：

其中，uj還未完全下載到其所需要的數據時，remainj=1，否則remainj=0。

設α和β分別表示系統成本和USV能耗的權重，其中且α+β=1。本文兼顧系統成本和USV能耗，將兩者統一為數據效用，在時隙t，將問題形式化為數據效用最大化問題P0。

在每個時隙，通過求解問題P0，得到數據卸載策略。

2 算法設計

遺傳算法可以求解大多數資源分配問題，并得到近似最優解；且遺傳算法具有收斂速度較快，可擴展性較強等優點。由此，本文針對本場景中的模型設計遺傳算法來求解問題P0。

2.1 傳統遺傳算法

假設共有n個無線接入點，共有m個需要下載數據的USV。設染色體長度為2m。前m個堿基依次表示系統為每個USV所分配的無線接入點，其均為正整數，取值范圍為[1,n]。后m個堿基表示系統為每個USV分配的帶寬資源。為簡化運算，本文歸一化處理帶寬資源，即后m個堿基取值范圍為[0,1]。設num為種群數量，time為算法迭代次數；p和q分別表示算法交叉概率和變異概率；best_strategy表示最優個體，即近似最優解。

傳統遺傳算法是基于輪盤賭的選擇方式以及固定交叉變異概率設計的，其流程如算法1所示。

2.2 基于精英選擇和自適應概率遺傳算法

為提高算法執行效率，本文針對算法1進行改進，得到算法2，即基于精英選擇和自適應概率遺傳算法（Genetic Algorithm based on Elite Selection and Adaptive Probability，GAESAP）。首先，使用精英選擇方式進行選擇操作，即每次選擇將最優的3個個體保留在種群中；其次，使用自適應交叉變異概率來進行交叉變異操作，其中交叉概率p和變異概率q的計算分別如公式(21)和公式(22)所示。

其中fmax和favr分別表示種群最大適應度和平均適應度，fh表示參與交叉操作的兩個個體的較大適應度，且p1＞p2＞p3；fm表示參與變異的個體的適應度，其中q1＞q2＞q3。

改進后的算法流程，如算法2所示。

3 實驗仿真結果與分析

本文提出的數據卸載方法旨在降低主干網絡的負載，數據卸載率是衡量本文提出方法的主要指標。本章將遺傳算法的執行效果和數據卸載率作為衡量該方法的主要指標，其中，本文定義數據卸載率為通過USV下載的數據占總數據的比率。

3.1 實驗參數設置

本文假設在某海洋區域均勻分布著30個USV，其中種子USV個數為6；USV需要下載的數據類型為數據1、數據2和數據3，其大小分別為5Mb、8Mb和10Mb；為保證數據穩定傳輸，設R為2km；設；時隙長度設為5s。

3.2 仿真結果與分析

在求解問題P0過程中，以算法收斂速度和種群平均適應度為指標，將傳統遺傳算法與GAESAP的執行效果進行對比，如圖2所示。

圖2 兩種遺傳算法運行效果

由圖2可知，基于精英選擇和自適應概率改進后的遺傳算法的收斂速度和種群平均適應度要優于傳統遺傳算法。

考慮到USV的移動性，本文對USV之間平均相對速度大小對數據卸載率進行了研究。仿真結果如圖3、圖4、圖5所示。

圖3 數據1卸載率隨USV平均相對速度變化

圖4 數據2卸載率隨USV平均相對速度變化

圖5 數據3卸載率隨USV平均相對速度變化

由圖3、圖4、圖5可知，對于數據量較小的數據1和數據2，兩種算法求解P0得到的策略可以以較高的卸載率來完成數據1和數據2的卸載；對于較大量的數據3，當USV之間平均相對速度較大時，數據3的卸載率有下降的趨勢；對于3種數據，隨著USV之間平均相對速度增大，3種數據的卸載率會有上下波動的趨勢，這種趨勢是由USV靈活的移動性導致的。總體上，GAESAP相較于傳統的遺傳算法具有較好的數據卸載效果。

結語：本文針對USV共享較大量數據而產生的主干網絡負載過重的問題，提出一種基于SANET的USV移動數據卸載方法。考慮到USV移動性的影響，建立了USV移動模型；兼顧系統成本和USV能耗，將問題形式化為數據效用最大化問題；提出并設計使用傳統的遺傳算法來求解問題，得到近似最優解；本文將傳統遺傳算法進行改進，得到GAESAP算法。仿真結果表明，GAESAP較傳統遺傳算法具有較好的執行效果，該方法可以以較高的數據卸載率卸載移動數據，有效地減緩了主干網絡的負載。