基于數據損耗模型的移動物聯網通信性能瓶頸分析

舒小松，田 波，陳華君

(1.銅仁學院 大數據學院，貴州 銅仁 554300；2.廣東工業大學 自動化學院，廣東 廣州 510006)

0 引 言

為實現移動物聯網中繼傳輸過程中的數據穩定，節點間數據傳輸一般均須采用多次重傳機制，且需要對移動物聯網使用性能瓶頸進行研究，以便能夠進一步改善網絡傳輸性能[1-3]。如Zhang等[4]重點研究了單點傳輸情形下網絡傳輸的單次可靠性，以及基于時不變條件下故障時間收斂均值，使其能夠通過控制數據傳輸次數來改善網絡使用性能瓶頸，提高數據傳輸效率。但是，該方法沒有考慮移動物聯網數據傳輸存在的路徑衰落現象。Li等[5]重點分析了節點可信度較低條件下移動物聯網節點組網傳輸過程中的使用性能瓶頸，并研究了節點可用性受限條件下的網絡制約性能，主要用于解決移動物聯網數據傳輸效率較低的問題。然而，該方案只考慮了節點存在的隨機特性，未對鏈路進行分析，難以解決實際過程中存在的使用性能瓶頸。Minh等[6]重點對數據傳輸受限條件下端到端的可用性進行了分析，可有效改善移動物聯網因難以實現壓縮感知而導致網絡出現傳輸性能瓶頸。但是，該方法并未對移動物聯網中存在的鏈路受限問題進行研究。

針對現有研究中存在的不足，本文提出了一種基于數據損耗模型的移動物聯網通信性能瓶頸分析方法。該方法的主要創新點在于：①依據移動物聯網節點漂移特性，并考慮到路徑損耗及信號衰落等維度，構建了一種數據損耗模型，可針對傳輸過程中傳輸能量、節點連通等多個瓶頸統一進行單因素或多因素分析；②構建了節點能量受限度、傳輸節點穩定度、網絡突發穩定度評估方程的數學解析形式，使其可根據能量、傳輸、突發事件等瓶頸因素排除能量受限終端，降低中繼節點數據重傳次數。最后，測試了本文方法對移動物聯網絡使用性能瓶頸分析的可靠性。

1 本文數據損耗模型設計與分析

為了降低物聯網實際部署中因鏈路及能量受限對數據傳輸的影響，往往需要通過多次重傳及判決來確認傳輸可靠性[7]：節點進行單次傳輸時，需在一定時間內對下一跳節點反饋的信息進行分析，以便確認數據是否傳輸成功。若出現傳輸失敗或性能無法滿足需求時，則應進行數據重傳，以便終端節點可穩定地接收數據。

圖1顯示了移動物聯網實際部署過程中的典型場景：各移動物聯網節點呈現隨機分布，較小圓圈為節點，虛線圈為中繼節點的覆蓋區域，某個節點作為數據傳輸起始端，在接受到傳輸指令后，通過多個中繼節點來完成數據傳輸，而中繼節點間通過重傳及判決來確認傳輸質量。鑒于能量、節點、鏈路等環節均可能出現使用性能瓶頸，因此，本文的使用性能瓶頸分析主要圍繞節點能量受限度、傳輸節點穩定度、網絡突發穩定度等指標進行分析，最終得到網絡無故障時間。

圖1 移動物聯網節點的部署

考慮移動物聯網數據傳輸均需要通過無線射頻信號進行數據傳輸，而在信號傳輸中，因多種因素會導致信號出現衰落現象。若信號衰落強度低于一定程度，下一跳節點將無法接收到待傳輸的數據。鑒于5G信號具有的預發射強度高、信道抖動快等特性[8]，本文數據損耗模型主要由數據路徑損耗、信道衰落損耗、點傳輸衰落損耗3個部分構成。

1.1 數據路徑損耗

數據路徑損耗主要指節點在數據傳輸時因節點間距離較遠而導致出現功率衰減的現象，容易影響中繼節點對上一跳節點數據的接收。造成該現象的主要因素包括信道背景噪聲、節點間距離、物理環境等諸多要素[9]。不妨設傳輸節點進行數據傳輸時的信號功率為Psend， 中繼節點進行數據接收時的接收信號功率為Precv， 則數據路徑損耗Lost可由如下方程直接確定

(1)

通過測量相鄰傳輸節點間的Psend和Precv， 即可得到數據路徑損耗，并將其用于評估單點傳輸的質量。為便于評估可將信號功率折算成分貝，由于實踐中移動物聯網領域多依賴于5G技術進行數據傳輸，信噪比受鏈路抖動影響較高，而采用自然對數能夠便于量化分割瓶頸參數，為了便于后續仿真實驗分析并考慮計算的便捷性，本文采用自然對數作為信噪比的計算尺度。因此，模型(1)可進一步改寫為

(2)

式中：e表示自然指數；ln表示自然對數；dB為分貝。

對于式(2)而言，顯然[Lost]dB越大，說明傳輸過程中數據路徑損耗越低，網絡傳輸因數據路徑損耗而出現性能瓶頸的可能性也就越低。不過，由于移動物聯網中節點具有很強的信道衰落特性，路徑損耗并不能量化分析鏈路瓶頸因素對傳輸過程的影響，因此尚需要進一步針對信道衰落進行分析，以便能夠優化數據傳輸質量。

1.2 信道衰落損耗

信道衰落損耗是指信號傳播過程中因信道噪聲而導致出現功率衰減的現象，其對數據全過程均有影響，能顯著削弱傳輸質量。影響該現象的因素主要為信道噪聲。而移動物聯網采用5G信號制式進行信號發射時主要受拉普拉斯信道噪聲的影響[10]。此外，由于節點處于移動狀態，隨著節點拓撲位置的不斷變動，信號發射強度也將呈現周期性變化，因此，一般采用高斯衰落模型[11]進行評估。不妨設1.1節中Precv與Psend的比值為μ， 根據高斯衰落模型可知，μ的概率密度L(μ) 滿足

(3)

式中：E表示μ的統計均值；σ表示μ的統計標準差。

一般而言，E可以通過設定網絡的初始發射功率來調節，并用式(3)對σ進行歸一化。因此，式(3)可改寫為

(4)

顯然，對于不同的μ1，μ2，…，μn， 可以通過調節E對概率密度L(μ) 的峰值進行捕捉，從而獲取滿足L(μ) 取最大峰值處的μm， 并將該處對應的頻率設置為中心傳輸頻率，從而獲取最佳的信噪比，以最大限度降低處于不同發射功率狀態下節點之間的信道衰落損耗。

1.3 點傳輸衰落損耗

點傳輸衰落損耗主要指某個節點進行數據傳輸時，其發射信號因通過多條傳輸路徑傳輸至中繼節點過程中所出現的損耗。雖然1.1節所示的數據路徑損耗也涵蓋了點傳輸衰落損耗，但由于點傳輸衰落損耗主要考慮相鄰節點間同時存在多徑傳輸的情形，而在節點間距離較遠時的點傳輸衰落損耗可忽略不計[12]。因此需要對相鄰節點交互數據時的點傳輸衰落損耗進行估計，以便改善該項損耗對傳輸性能所造成的網絡使用性能瓶頸。

由于5G信號傳輸時存在同向信號分量和正交信號分量[13]，且均滿足同一統計標準差σ條件下的高斯分布[14]。為此，不妨設同向信號分量和正交信號分量分別為A和B， 接收信號C的均值P(c) 滿足瑞利分布[15]

(5)

式中：c表示接收信號C的隨機分布，exp表示自然指數，σ表示統計標準差；m表示正交信號分量B的統計均值。

由模型(5)可知，正交信號分量B的統計均值越高，則接收信號C的均值也就越高，此時點衰落傳輸損耗也就越低。實踐中可通過增加信號傳輸的子信道個數，提高正交信號分量在信號中的比重，以降低點傳輸衰落損耗所造成的網絡使用性能瓶頸。

2 移動物聯網絡使用性能瓶頸分析

由上文所述的數據損耗模型可知，移動物聯網使用性能瓶頸與節點、鏈路、能量均存在一定的關系，當出現節點能量受限、傳輸節點出現鏈路不穩定、網絡突發噪聲干擾等情況時，均有可能導致數據路徑損耗、信道衰落損耗、點傳輸衰落損耗顯著增加。因此，本文將圍繞傳輸節點穩定度、網絡突發穩定度、節點能量受限度3個因素，對移動物聯網絡使用性能瓶頸進行詳細分析，以便能夠改善網絡傳輸性能。詳細步驟如下：

(1)待測試方法在進行數據傳輸或網絡優化時，需考慮到網絡抖動因素，按周期逐個統計節點的剩余能量、信道衰落、數據重傳次數等信息，sink節點在獲取上述信息后，再以廣播模式通知全網絡。

(2)逐個獲取待測試方法的中繼節點對應的接收信噪比，并引入高斯衰落模型來構建峰值信噪比數據模型，按照所提的傳輸節點穩定度(stability of transmission nodes，STN)，逐個與網絡平均接收信噪比(閾值)進行比對，當且僅當中繼節點接收信噪比低于該閾值時，判定網絡可能存在處于抖動狀況，須按本文點傳輸衰落損耗模型來進行分析，以查看節點正交信號分量的衰落程度是否難以承擔數據傳輸，如不能承擔，則更換該節點。反之，則保留該節點，執行待測試方法的后續過程。

(3)當待測試方法的中繼節點信噪比滿足穩態傳輸條件時，按照本文的數據路徑損耗模型，根據當前傳輸路徑逐點分析本周期內的節點數據重傳次數，再根據所提的網絡突發穩定度(network burst stability，NBS)來分析待測試方法，以列舉出其數據重傳次數較高的節點，如有擁塞或傳輸受限現象，則進行節點更換操作。反之，則利用當前節點來繼續執行待測試方法的后續過程。

(4)針對待測試方法的節點同時滿足穩態傳輸及數據低重發送的準受限情形，按照本文信道衰落損耗模型，對于不滿足該模型的節點，按所提的節點能量受限度(energy limitation of nodes，ELN)的受限情況分析其對應的節點能量值，對低于某閾值的節點優先進行預警，以對節點進行能量補充或更換處理，從而消除待測試方法的瓶頸。若節點未出現低于閾值的現象，則對節點進行更換操作，以便節點能夠滿足信道衰落損耗模型。

2.1 基于傳輸節點穩定度的移動物聯網絡使用性能瓶頸分析

考慮到數據傳輸過程中一般同時存在多個損耗因素，如節點處于傳輸抖動狀態會出現點傳輸衰落和信道衰落交互影響的現象，這是由于節點傳輸處于抖動狀態，因此接收信噪比出現下降，而信道噪聲則大幅上升。因此，需要在考慮增強接收信噪比的基礎上，降低信道噪聲信號的占比，以提升網絡傳輸質量。對圖1所示的典型移動物聯網絡，設第n個中繼節點的信號接收信噪比Ψn為

(6)

考慮到節點穩定傳輸時應滿足式(2)的單點傳輸質量要求，同時信號滿足式(5)所示的瑞利分布。因此可知，節點信號接收信噪比高于一定閾值α時，中繼節點將能穩定接收數據，說明此時的傳輸鏈路將處于穩態

Ψn>α

(7)

一般而言，式(7)中所示的閾值α可以預先設定為網絡中節點的平均接收信噪比，也可以通過多次測量而得到。

為便于判決，作如下的規定

(8)

考慮到信道噪聲的影響，第n個中繼節點的信號接收信噪比Ψn也將處于正態分布狀態，當且僅當滿足式(7)時，傳輸鏈路將處于穩態。因此，規定傳輸節點穩定度P(Send) 如下

P(Send)=Φ(D)

(9)

P(Send)>0

(10)

當移動物聯網的網絡信道噪聲滿足高斯分布時，按照式(10)可以確定穩定度P(Send)， 并通過聯立式(10)、式(8)來確定接收信噪比閾值α。 若移動物聯網節點信號傳輸過程的接收信噪比高于閾值α， 則可顯著提高傳輸節點穩定性能，改善因傳輸節點不穩定而導致的數據重傳現象。

2.2 基于網絡突發穩定度的移動物聯網絡使用性能瓶頸分析

對于移動物聯網而言，接收信噪比較高時的單節點性能可得到一定程度的提高，但節點數據收發頻率會上升，使得節點啟動數據重傳的概率也會隨之上升，使得鏈路因擁塞而出現抖動現象，降低了網絡穩定性能。因此，單純依靠信噪比來提升網絡鏈路質量將會遇到傳輸瓶頸，故需要針對數據重傳現象進行分析，以便提高網絡鏈路穩定性能。

由2.1節可知，若模型(10)所確定的數據傳輸需求不被滿足時，則中繼節點將進行數據重傳，本文規定網絡突發穩定度為網絡中繼節點重傳數據量處于最低的狀態。由文獻[15]可知，非互相獨立的數據源在發送數據時將滿足泊松分布[15]，因此，當第n個中繼節點在生命周期內無法滿足式(10)所確定的需求時，Sn(t)也將滿足泊松分布

(11)

Δ(t)=∮bm(t)dt

(12)

其中，bm(t) 為標準泊松分布； Δ(t) 表示時間抽樣間隔；Sn(t) 代表最低重傳次數；t為傳輸時間。

若數據源發送數據時處于互相獨立狀態，不同數據發送節點進行數據發送時不存在先后順序，且滿足1.2節所示信道衰落損耗條件，此時信號功率滿足式(2)，即節點不存在功率受限的情形時，則式(11)可簡化為

(13)

顯然，當m=0的中繼節點數據重傳次數將處于最低狀態，此時網絡突發穩定度將處于最佳狀態。由式(13)可知，若網絡傳輸過程中因節點不穩定而出現數據重傳現象時，可通過式(13)獲取中繼節點的最低重傳次數Sn(t)， 將中繼節點重傳次數設置成最低數值時，可有效降低網絡中繼節點重傳數據量，改善數據重傳瓶頸。

2.3 基于節點能量受限度的移動物聯網絡使用性能瓶頸分析

當節點處于能量受限狀態時，網絡將會出現數據路徑損耗和點傳輸衰落的現象，這是由于移動物聯網運行過程中出現節點能量受限時會啟動休眠或更換機制，在此期間，網絡傳輸功率出現明顯下降，使得各節點發送和接收數據能力出現明顯下降。因此，本文根據節點的能量受限度來分析其性能瓶頸。

移動物聯網節點進行數據傳輸時的能量消耗包括數據啟動能耗、數據發送能耗、數據接收能耗。由于移動物聯網節點一般處于休眠狀態，因此網絡進行數據發送前需對節點進行啟動操作，本文規定節點能量受限度(energy limitation of nodes，ELN)為節點不能進行數據傳輸的概率，設第n個節點在t時刻的數據啟動能耗En(t) 為

(14)

(15)

(16)

(17)

式中：E0(t) 表示數據發送節點的初始能量，b表示該數據發送節點接收到的反饋數據帶寬，η(t) 表示該數據發送節點的數據重傳次數。

(18)

不妨令P(E>0) 表示數據發送節點在t時刻能量不受限，聯立式(18)可得

(19)

令

(20)

當第n+1個中繼節點為傳輸節點時，其接收到的反饋數據帶寬也需要轉發，反饋次數為η(t)。η(t) 與數據重傳次數及兩者間的鏈路連通程度均存在一定的關系。由于數據發送節點為第0個中繼節點，η(t) 與各中繼節點的網絡突發穩定度相關，根據式(13)、式(18)、式(19)可得數據發送節點在t時刻的能量受限度P(E0) 為

(21)

(22)

顯然，當某節點進行數據發送時若滿足P(E0)>0， 則該節點方可順利實現數據發送。由式(22)可知，當數據節點發送時的能量不低于E0時，則其不會因能量受限而出現數據收發失敗的現象，因此網絡進行數據傳輸時需首先將初始能量低于E0的節點進行休眠處理，并給予能量補充。

3 仿真實驗

為便于對移動物聯網絡使用性能瓶頸分析效果進行驗證，本文網絡受限瓶頸為節點能量受限度、傳輸節點穩定度、網絡突發穩定度，網絡環境部署如下：源節點的數據發送過程滿足泊松分布(λ≥6)，節點分布區域為矩形區域(12800 m×25600 m)，其中矩形區域邊界布撒源節點與最終數據接收節點。節點信號采用標準的正交頻分復用技術信號模式，子信道的個數不超過2048個；其中預留子載波個數均為隨機值；信號接收星座采取64正交振幅調制方式；信號采樣頻率為512 Hz；信號符號的總個數為1024個。其余參數見表1。

此外，為驗證本文所提及的節點能量受限度、傳輸節點穩定度、網絡突發穩定度在實際應用中的效果，選取當前移動物聯網領域中常用的基于時分多址(time division multiple access，TDMA)起伏追蹤機制的長期演進(long term evolution，LTE)網絡數據傳輸優化算法[16](the data transmission optimization algorithm of LTE network based on TDMA fluctuation tracking mechanism，TDMA-FT算法)和基于休眠輪詢機制的無線傳感網數據節能傳輸算法[17](the energy saving transmission algorithm of wireless sensor network based on dorman polling mechanism，DP算法)為樣本，將所提方案根據瓶頸受限情況逐次改變ELN、STN及NBS，以進行網絡性能測試。另外，為進一步突出本文方法的優勢，將基于改進的Steiner層次協議緩解無線傳感器網絡的瓶頸分析方法(an enhanced steiner hierarchy protocol to mitigate the bottleneck in wireless sensor networks，E-SH)[18]視為對照組。

3.1 網絡帶寬有效使用率測試

考慮到網絡帶寬有效使用率指標主要針對數據傳輸量進行測試，DP算法是采取休眠機制來優化數據傳輸，因此本文使用ELN進行基于能量的瓶頸分析，實驗中取ELN=0.2、0.4、0.6、0.8。而TDMA-FT算法主要基于信道轉移方式來進行數據傳輸，側重于節點層面優化網絡抖動現象，因此本文使用STN對其傳輸質量進行量化分析，實驗中取STN=0.3、0.6、0.9。針對未進行算法優化的物聯網絡，將直接用本文方案進行量化分析并記錄網絡重傳信息，以便分析本文方法對網絡帶寬傳輸性能的提升效果，實驗中取ELN=0.2、0.4、0.6、0.8，整個測試結果如圖2所示。

圖2 網絡帶寬有效使用率的測試

圖2(a)是按照表1生成網絡環境，記錄(ELN=0.2、0.4、0.6、0.8)4種情況時的網絡帶寬有效使用率。由圖可知，隨著網絡運行時間不斷增加，中繼節點的能耗水平也隨之提高，當中繼節點能耗消耗到一定程度時，網絡帶寬有效使用率也急劇降低，直到整個網絡處于擁塞狀態。隨后，調整模型(21)所示的節點能量受限度(ELN=0.2、0.4、0.6、0.8)，顯然，推遲了網絡帶寬有效使用率降低的時間。其中，本文算法在ELN=0.8時，運行至120 min時才出現網絡帶寬有效使用率下降的現象，較基準情況延遲了30 min左右，在ELN=0.2時運行210 min才出現網絡帶寬有效率下降的現象，較基準情況延遲了120 min。這說明節點能量狀況屬于網絡性能瓶頸，可通過調節網絡節點的能耗來降低網絡性能發生的概率。

圖2(b)為DP算法按照表1生成的網絡環境進行測試所記錄的4種節點能量受限度(ELN=0.2、0.4，0.6、0.8)情況下的網絡帶寬有效使用率，亦給出了E-SH算法改進下的網絡帶寬有效使用率。由圖發現，隨著網絡運行時間不斷增加，網絡帶寬有效使用率與未設置節點能量受限度時相比，網絡帶寬有效使用率出現下降的時間被顯著推遲，這是由于通過模型(21)調整節點能量受限度，降低了節點能耗水平，處于休眠狀態的節點有效規避節點能量受限而導致難以激活的問題，因此提高了DP算法的網絡帶寬有效使用率。但是，所提方法要優于E-SH算法，例如，本文算法在ELN=0.2時，運行至130 min才出現網絡帶寬有效使用率下降現象，而E-SH算法運行110 min后就出現該現象。相對于E-SH算法而言，所提方法延遲了20 min。此外，采用E-SH算法改進后的DP算法與基準情況相比有一定的改善，然而，E-SH算法改善程度依然要顯著小于本文算法在ELN=0.2、0.4情況下的對應的網絡帶寬有效使用率，說明E-SH算法采用層次協議優化拓撲參數的方式僅能應對節點受限程度較低的應用場景，無法針對節點輪詢過程進行有效優化，而本文算法采用節點能量受限度分析節點能量受限現象，節點輪詢過程中的匹配效率較高，因此可提升節點更換效率，改善節點對網絡帶寬的有效使用。

圖2(c)為TDMA-FA算法按照表1生成的網絡環境進行測試所記錄的3種傳輸節點穩定度(STN=0.3、0.6、0.9)情況下的網絡帶寬有效使用率，亦給出了E-SH算法改進下的網絡帶寬有效使用率結果。由圖可知，隨著網絡運行時間不斷增加，網絡帶寬有效使用率與未設置節點能量受限度時相比，網絡帶寬有效使用率出現下降的時間被顯著推遲，這是由于通過模型(10)調整節點穩定度并確定節點接收信噪比閾值，當該算法處于信道激活狀態時能有效降低因信道碰撞而導致傳輸受阻現象，數據重傳性能得到改善，因此提高了TDMA-FA算法的網絡帶寬有效使用率。與本文算法相比，E-SH算法的網絡帶寬有效使用率要顯著低于本文算法在節點穩定度STN=0.9的性能，例如，E-SH算法在運行105 min后就出現網絡帶寬有效使用率下降的問題，而所提方法則是在運行135 min后才出現該現象。這說明本文算法所采用的傳輸節點穩定度及點衰落模型能夠對傳輸節點抖動現象進行定量分析，對網絡受限瓶頸的分析能力要強于E-SH算法。

3.2 擁塞發生次數測試

考慮到移動物聯網擁塞現象的發生主要由于鏈路及節點抖動所致，DP算法在休眠過程中節點處于輪詢狀態，因此本文使用ELN進行基于能量的瓶頸分析，參照3.1節，對ELN進行梯度取值，實驗中取ELN=0.2、0.4、0.6、0.8。TDMA-FT算法主要基于信道起伏特性，特別是側重于信道及相關節點本身抖動來進行傳輸優化，因此本文使用STN對傳輸質量進行量化分析，實驗中取STN=0.3、0.6、0.9。針對未進行算法優化的網絡，實驗中直接取STN=0.3、0.6、0.9，以便分析本文方案擁塞控制能力，測試結果如圖3所示。

圖3 擁塞發生次數的測試

圖3(a)是在網絡起始狀態下擁塞發生次數均為0，按照表1生成網絡環境所記錄STN=0.3、0.6、0.9這3種情況下的網絡的擁塞發生次數測試結果。由圖可知，隨著信噪比閾值的不斷增加，擁塞發生次數也隨之增加，這是顯然的：隨著信噪比閾值的不斷增加，源節點啟動所消耗的能量也隨之增加，降低了數據傳輸的可用功率，容易發生因功率受限而導致網絡擁塞。調整模型(10)規定的傳輸節點穩定度(STN=0.3、0.6、0.9)，顯然隨著穩定度的增加，網絡擁塞發生次數隨之降低，節點穩定性能與網絡使用性能瓶頸息息相關，實踐中可以通過穩定節點傳輸性能來改善網絡使用性能瓶頸。說明本文方法對于未優化的移動物聯網絡，可顯著提升網絡傳輸性能。

圖3(b)中為DP算法在節點能量受限度為(ELN=0.2、0.4、0.6、0.8)4種情況時，按表1所示的網絡環境進行網絡測試所獲取的測試結果，也給出了E-SH算法改進下的網絡擁塞次數結果。由圖可知，通過借助節點能量受限度，有效減少了因節點能量受限而導致難以激活的問題，從而降低了因節點能量受限而導致的擁塞發生次數。另外，在同一信道率閾值下，本文算法在網絡處于嚴重受限情況下(ELN=0.2、0.4)對應的網絡擁塞次數始終低于1000次。而E-SH算法的網絡擁塞次數要顯著高于本文算法在ELN=0.2、0.4時的擁塞次數。這說明本文算法在網絡節點因能量受限而出現大面積癱瘓情況下可激活備用節點，有效適應節點能量受限的網絡應用場景。

圖3(c)為TDMA-FA算法在傳輸節點穩定度(STN=0.3、0.6、0.9)3種情況時，按照表1所示的網絡環境進行測試所獲取的結果，也給出了E-SH算法改進后的網絡擁塞次數。由圖可知，當傳輸節點穩定度不斷增高時，TDMA-FA算法網絡擁塞發生次數顯著下降，這是由于通過調整節點穩定度并確定節點接收信噪比閾值，可以降低數據重傳次數，優化對處于信道激活狀態的節點進行篩選，因此可有效改善TDMA-FA算法的性能。但是，相對于E-SH算法而言，所提方法呈現出更好的優化效果。例如，在信道率閾值為36 dB時，本文算法在STN=0.9時網絡擁塞次數僅有4000次左右，而E-SH算法則超過了6000次，顯然要優于E-SH算法。這是因為在節點處于較高不穩定度的情況下，E-SH算法對網絡性能的改善程度較差，說明單純改善拓撲參數的方式難以適應網絡大面積抖動的實際場景。因此，E-SH算法應對高強度突發抖動的適應能力要低于本文算法。

3.3 網絡重傳率測試

由于網絡重傳現象主要受網絡整體穩定性能影響，DP算法的網絡整體穩定性主要受區域節點輪詢因素影響，出現節點能量受限的概率較低，主要影響因素為數據擁塞發生時出現的網絡重傳現象，因此取NBS參數進行實驗，實驗中取NBS=0.4、0.8兩種情況進行仿真測試。TDMA-FT算法主要基于信道起伏特性，當且僅當鏈路發生抖動時進行網絡重傳，因此本文使用STN對傳輸質量進行量化分析，實驗中取STN=0.3、0.6、0.9。針對未進行算法優化的物聯網絡，將直接用本文方法進行量化分析并記錄網絡重傳信息，結果如圖4所示。

圖4(a)是在網絡起始狀態下網絡重傳率均為0，按照表1生成網絡環境所記錄NBS=0.2、0.4兩種情況下網絡的擁塞發生次數測試結果。由圖發現，隨著網絡運行時間不斷積累，網絡在首次出現重傳現象后將會持續發生數據重傳事件，時間累計到一定程度時，重傳現象的發生概率將趨向于100%。調整式(13)規定的網絡突發穩定度，可顯著提高網絡性能，降低網絡重傳情況的發生，并改善網絡使用性能瓶頸。

圖4(b)是DP算法節點在網絡突發穩定度為NBS=0.4、0.8兩種情況時，按表1所示的網絡環境進行網絡測試的統計結果，也給出了E-SH算法改進后的網絡重傳率結果。可見，隨著網絡運行時間不斷增加時，節點出現數據重傳的概率與未設置網絡突發穩定度時相比，數據重傳概率大幅度上升時出現的時間被顯著推遲，這是由于調整式(13)規定的網絡突發穩定度時，可獲取中繼節點最佳重傳次數，顯著降低中繼鏈路因過載而導致傳輸抖動的現象，因此通過改善網絡突發穩定度可有效降低數據重傳概率，提升DP算法的性能。另外，從圖中也可發現，相對于E-SH算法而言，所提方法呈現出更好的優化結果，例如，當NBS=0.4時，本文方法最長至105 min時才出現數據重傳概率上升的現象。而E-SH算法則在85 min后，其重傳率就開始上升。

圖4 網絡重傳率的測試

圖4(c)為TDMA-FA算法在傳輸節點穩定度為STN=0.3、0.6、0.9這3種情況時，按照表1所示的網絡環境中進行測試的統計結果，也給出了E-SH算法改進后的網絡重傳率結果。由圖可知，隨著網絡運行時間不斷增加，當傳輸節點穩定度不斷增高時，TDMA-FA算法網絡重傳上升現象被顯著推遲，這是由于通過調整節點穩定度并確定節點接收信噪比閾值，可以降低數據重傳次數，規避因信道處于激活-非激活狀態而發生碰撞現象，提高數據傳輸能力，因此可有效改善TDMA-FA算法的性能。同樣地，相對于E-SH算法而言，所提方法具備更為理想的網絡重傳率，例如，在網絡運行至100 min時，雖然二者的重傳率都開始上升，但是，所提算法的重傳率始終低于E-SH算法。這是由于E-SH算法主要采用單一協議的方式優化網絡傳輸質量，存在區域分割速度較慢及區域覆蓋迭代速度較低的特點，難以對網絡受限瓶頸進行定量分析，而本文算法不僅可通過調整突發穩定度的方式降低數據重傳概率，且可調整節點穩定度降低數據重傳次數并提高數據傳輸能力，因此本文算法在強干擾環境時對網絡數據重傳的改善程度要高于E-SH算法。

4 結束語

本文基于當前移動物聯網使用性能瓶頸難以滿足量化需求，且評估過程復雜等不足，提出了一種移動物聯網使用性能瓶頸分析。依托數據路徑損耗、信道衰落損耗及點傳輸衰落損耗等維度設計了數據損耗模型，設計節點能量受限度、傳輸節點穩定度、網絡突發穩定度等維度。實現了對移動物聯網使用性能瓶頸的量化分析，可有效提升各種算法的性能，降低網絡瓶頸對現有方案的影響。

下一步，擬針對移動物聯網拓撲高流動性等瓶頸進行分析，結合量化度分析指標，強化對高速移動物聯網使用性能瓶頸的解決力度，提高本文分析在實際環境中的適應性能。