能量感知范文（精选4篇）

能量感知 第1篇

项目面积:3400平方米

主设计师:杨毅斌

设计团队:陈伟、刘毅、董亚军、晨曦、王明瑞

设计时间:2012年

竣工时间:2014年

此项目甲方对展馆的要求是首先要和水晶有关, 其次要体现佛家道家的区域文化, 同时希望将水晶文化和佛文化进行关联, 但不能太强化产品或商业化, 最后, 要比施华洛世奇展馆更好。

整体来说, 展馆的整体设计风格偏向于简约后现代, 但灵魂和本质还是中国传统文化。

展厅在宗教文化、佛学文化与人的关系的认识上, 有新的突破。

序厅以山海经为引子讲述水晶起源, 接下来是一个沉浸式影院, 讲述四亿年前的火山爆发和水晶形成, 继而讲述从四亿年前到有人类之间这段时间的水晶生长。有了人类之后, 出现了水晶神话, 在之后以释迦摩尼的故事作为引子, 着重讲述前世佛和今世佛, 让参观者了解迦摩尼与水晶的关系, 来世佛通过水晶佛头和赤头城来讲述。接下来讲道家的五行, 包括五行兽与七轮, 以及水晶风水, 最后是水晶科普和相关辅助展项。

佛头区的壁画, 设计者摒弃了传统概念上的壁画, 打破固化的思维模式, 而是对神与佛进行了全新的解构和诠释。“文娜经”看似是神佛壁画, 细看则是解读后的, 更赋艺术家灵魂感的杰作。

设计者在展厅的许多部分都进行了新的突破, 例如佛头区的两边的八个菩萨, 代替了十二生肖, 每个人可以找到自己的本尊佛, 同时也是设计者对产品的新的理解。例如赤头城展区, 设计者对释迦摩尼和弥勒佛的故事进行了重新演绎和编排, 加入了很多自己的理解和新颖的阐述形式, 打破了习惯性思维方式。再例如展馆主打的28星宿, 可以找一个星君配饰来保佑参观者, 以及后边的五行兽也是同理, 只要参观者有一点点信仰, 就可以把其信仰放大化。能够在参观过程中找到信仰, 也是此展馆的最大魅力之一。

展馆信息量远超过几个世博会馆的信息量之和。

五行兽的五个珠子, 分别为金灵珠、木灵珠、水灵珠、土灵珠和火灵珠, 这个想法来源于《仙剑奇侠传》, 设计者大胆吸收身边有用的元素, 并善于接受和运用它们。

能量感知 第2篇

关键词：物联网；路由算法；链路稳定；能量感知

中图分类号：TP39303文献标志码：A文章编号：1672-1098（2016）01-0019-06

Abstract：In view of the problem that the energy consumption is not balanced， the routing stability is poor， and the data is easy to be lost in Internet of Things （IoTs）， an improved network routing algorithm based on link stability and node residual energy aware is proposed.Firstly， a hybrid routing model based on link stability and residual energy of nodes is established. By using this model， the energy and the link stability parameters of nodes are combined to predict the optimal nodes to form the network.Simulation results showed that compared with AODV algorithm， the algorithm can effectively control the network overhead， improve the data transfer rate， prolong the network lifetime， and reduce the network delay.

Key words：internet of things； routing algorithm； link stability； energy aware

在许多实际应用中，由于传统的物联网路由协议中传感器节点的移动性、能量的有限性和射频距离的有限性，容易出现节点的能量消耗不均衡，路由稳定性差，数据容易丢失等问题，传输效率不高。针对上述问题，本文提出了一种基于链路稳定和节点能量感知混合模型的组播路由协议（Link Stability and Energy-aware Hybrid model-Based Multicast Routing Protocol，LEHMR），LEHMR路由算法的主要思想是根据节点间的链路状态和节点的当前剩余能量控制整个网络的路由发现。该方法采用广播请求应答（RREQ-RREP）方式，利用网络节点间的链路状态信息和节点的剩余能量信息来建立路由选择机制，来建立网络路由。

1路由模型

11链路稳定和节点能量混合的路由选择机制

如图1所示，主要展示了LEHMR算法路由建立的过程。当有数据转发时，源节点将广播一个RREQ包，邻居节点将根据自身的节点剩余能量和链路保持时间来判断是否接受该数据包，来转发数据。该算法与以往任何算法的不同之处在于，每个节点在接受RREQ包时，要根据节点的剩余能量和链路保持时间综合判断出是否接收RREQ包，而成为路由链路上的节点，进而接收并转发RREQ包。该RREQ包中的节点以链路的保持时间与节点的剩余能量作为度量值，来搜索数据转发路径，建立网络路由。

链路稳定和节点能量混合的路由选择机制当节点S向节点D发送数据时，节点S将广播RREQ数据包，所有邻居节点将接收这个RREQ数据包。在传统的AODV算法中，节点1，2，3中若无有效的到节点D的路由，节点1，2，3都将转播RREQ包。在LEHMR算法中，将检测节点1，2，3与节点S的链路保存时间和节点1，2，3的剩余能量，因节点1的剩余能量少、节点2与节点S的链路保持时间小，根据LEHMR算法节点1与节点2将放弃接收到的RREQ包。只有节点3满足能量和链路保持时间要求，只有节点3再次广播RREQ包，从而建立起S-3-D的路径传送数据。

12链路稳定和节点能量混合数学模型

1） 链路稳定性描述

假设节点坐标为（xi，xj），其移动速度、运动方向和信号传播半径分别用vi、θi和Ri来表示。则两个移动节点ai和aj之间的链路保持时间LET可用公式（1）表示

LETij=

-（ab+ad）+（a2+c2）r2-（ad-bc）2a2+c2（1）

式中：a=vicos θi-vjcos θj，b=xi-xj、c=visin θi-vjsin θj，d=yi-yj、r=Ri

2） 节点能量描述

如图2所示，物联网路由算法的研究大都采用此节点能量消耗模型， 该模型由传送装置、放大装置和接收装置三部分构成，传感器节点所消耗的总体能量为上述三部分所消耗的能量总和。图2节点能量消耗模型

将L bit的信息量数据传送d距离所消耗能量的公式模型如式（2）所示

EL.Tx（L）=L×Eb.txe+L×εfs×d2d≤d0

L×Eb.txe+L×εmp×d4d>d0（2）

接收L bit信息量数据所消耗能量的公式模型如式（3）所示

EL .Rx（L）=L×Eb.Rx（3）

中转L bit信息量数据所消耗能量的公式模型如式（4）所示

Eralay（L）=EL .Rx（L）+EL .Tx=

L×Eb.txe+L×Eb.Rx+L×εfs×d2d≤d0

L×Eb.txe+L×Eb.Rx+L×εmp×d2d≤d0（4）

式中：εfs和εmp是所选用模型的发送放大器系数，Eb.Rx表示接收1bit信息量数据所需能量，Eb.Tx表示发送1bit信息量数据所需能量。路径损耗指数为α值，当d≤d0时，α等于2，当d>d0，α等于4。

节点发送、接收或转发的Lbit信息量数据后的剩余能量Es（L）用公式（5）表示

Es（L）=E0-EL.Tx节点为源节点

E0-EL.Rx节点为目的节点

E0-Eralay节点为源节点（5）

2LEHMR算法描述

21LEHMR算法路由建立流程

LEHMR算法路由建立的流程图，如图3所示。

图具体描述如下：首先判断接收RREQ包的节点中是否存在有效路由，若存在，则建立链路；否则根据公式（1）和公式（5）分别计算出接收RREQ包节点的剩余能量和接收RREQ包节点和发送RREQ包节点间的链路保持时间；判断接收RREQ包节点与发送RREQ包节点间的链路保持时间和接收RREQ包节点的剩余能量值是否大于阈值，若大于设定的阈值，在发送RREQ节点的路由信息表中记录满足条件的节点路径信息。反之，则放弃该节点。并根据公式（1）和和公式（5）选择最优节点转发RREQ包，直到建立路由。

22LEHMR算法流程

本文提出的LEHMR路由算法，是属于应答式的组播路由协议。该算法中将链路稳定度和能量信息结合到路由发现机制中，改进路由选择机制，只有满足链路稳定度和能量要求的路径才能被选择，其总体的流程如图4所示。

图4LEHMR路由算法的总体流程图算法流程说明：

1） 对节点各项参数进行初始化设置，包括节点的能量值，链路稳定值，能量阈值，链路稳定阈值等。

2） 首先源节点将以广播的形式进行传送，RREQ信息包中记录有：各个节点的能量值，链路稳定值，能量阈值，链路稳定阈值、源节点和目标节点的位置以及有效的路径信息。

3） 在发送RREQ节点的通信范围内的所有邻居节点将接收RREQ数据包，同时将检测自身的路有信息表，是否存在从源节点到目的节点的有效路由信息。

4） 若某节点路由信息表中存在从源节点到目的节点的有效路由信息，则向前一级节点发送RREP路由回应数据包，建立路由。若所有邻节点中都没有有效的路径信息，则各个节点判断自身的能量值和前级节点间的链路保持时间是否满足设定的阈值。

5） 根据判断条件，若节点的能量信息和链路稳定信息满足设定的阈值，则该节点继续转发RREQ路由请求数据包，继续执行3）。若节点的能量信息和链路稳定信息不满足设定的阈值，则丢弃RREQ路由请求数据包，路由请求结束。

3仿真与分析

利用NS2对LEHMR算法仿真，条件设定如下，节点数：150个，传输距离：250 m，随机分布范围：700m×700m，采用随机路径来构建节点移动模型。测试时，节点移动速度变化范围：5～25 m/s，仿真持续时间：500 s，数据包的恒定比特率为：1 000 bit，数据包固定间隔生成比率为：4包每秒。在仿真中，15个移动节点被随机配置成源节点和目标节点。

1） 网络开销

如图5所示，AODV算法和LEHMR算法相比，随着节点移动速度变大，两种算法的网络开销都会变大。AODV算法的网络开销要明显大于LEHMR算法，这是因为AODV算法没有选取最优邻居节点广播RREQ消息，LEHMR算法要求任意节点在接收转发RREQ消息前都要检查节点的能量水平和与发送RREQ包节点间的链路保持时间。这个规则减少了RREQ包的转发量，提高了路径的稳定性，因此，生成的节点路由有一个很好的链路生存周期和很好的能量水平。由图5可知：当节点的能量水平在1到4之间变化时，由于节点的能量增加，路由开销相应减少。

2） 数据转发率

从图6显示结果表明，综合考虑能量和移动因素的影响。LEHMR算法的数据包的平均转移率要高于AODV算法，通过这个可得出结论：与AODV算法相比，LEHMR算法建立的路由要稳定，具有较高的网络生存周期。LEHMR算法选择路径时，构建路由的节点都具有很高的剩余能量、节点间具有很高的链路生存周期。而AODV算法构成路由的节点没有此种功能，它们间发送了大量的冗余信息，导致了节点能量很快耗尽，因此具有较低的转发率。

3） 网络生存周期

图7显示，当增大网络节点的能量值时，网络生存周期相应增大。节点能量阈值的提高意味着若节点的能量低于阈值的，将停止转发RREQ数据包，这将造成大量的节点为节省能量而停止转发RREQ包，同时整个网络区域内的其它节点因不转发RREQ包，也节省了能量，高稳定度的路由会减少用于路由维护控制数据包，同时消耗的能量更少。

4） 网络延迟

如图8所示的仿真结果表明：LEHMR算法的延迟时间要明显优于AODV算法，因为LEHMR算法中的路由节点拥有非常好链路生存周期和能量。另外，观察到当提高链路生存周期阈值，网络的延迟时间将增大，因为在节点移动的状态下，满足这么高的链路生存周期和高能量水平的节点很难找到，数据包通过少量跳数进行转发。

4结束语

本文提出了一种基于链路稳定和节点能量感知混合模型的组播路由算法。该路由算法根据节点的剩余能量和链路生存时间来控制路由发现，在路由发现的过程中，大大减少了传感器节点间交互信息量和计算任务。仿真结果表明：该算法明显增大了数据包转移率，减小了控制开销和网络延迟。

参考文献：

[1]夏辉，贾智平. 移动 Ad Hoc 网络中基于链路稳定性预测的组播路由协议[J]. 计算机学报， 2013， 36（5）： 926-936.

[2]郑石，吴伟强. 基于能量感知的ad hoc路由算法研究[J]. 通信学报， 2012， 33（4）： 9-16.

[3]陶洋， 李冉， 李勇. 无线 Ad Hoc 网络中基于链路稳定预测的路由协议[J]. 广东通信技术， 2012， 32（2）： 43-46.

[4]曾文锋，戴建辉. 能量感知和链路稳定度的多径 MANET 路由[J]. 通信技术， 2011， 44（8）： 54-57.

[5]ZHENG Z. WDM： An Energy-Efficient Multi-hop Routing Algorithm for Wireless Sensor Networks[C]// International Conference on Computational Science， 2005.

[6]沈波. 无线传感器网络分簇路由协议 [J]. 软件学报， 2006， 17（7）： 1 588-1 600.

[7]林亚平. 传感器网络中一种分布式数据汇聚层次路由算法[J]. 电子学报， 2004，32（11）： 1 801-1 805.

[8]HONG LI. Overall energy-balanced routing protocol[J]. Computer Engineering and Applications，2010，46 （2）：86-90.

[9]LIANG W F. Prolonging network lifetime via a controlled mobile sink in wireless sensor networks[C]// In：IEEE Communications Society，IEEE Globecom 2010，Proceedings of IEEE Globecom 2010： 978-983.

[10]LU G. An adaptive energy-effieient and Low-latency MAC for data gathering in wireless sensor networks[C]// Proeeedings of 18th International Parallel and Distributed Proeessing Symposium， 2004：26-30.

[11]周杰. 移动Ad-Hoc网络的路由算法和位置管理方案[J]. 计算机工程与应用，2004（7）：22-26.

[12]唐勇. 无线传感器网络路由协议研究进展[J]. 软件学报， 2006， 17（3）： 410-421.

[13]WU K， HARMS J. Location trace aided routing in mobile ad hoc networks[C]// Computer Communications and Networks， 2000. Proceedings. Ninth International Conference on. IEEE， 2000： 354-359.

[14]任敬安，涂亚庆.基于蚁群优化的无线自组织网络能量感知路由协议与参数优化研究[J]. 计算机应用与软件， 2012， 29（9）： 66-70.

[15]蔡苏亚. 改进的最优链路状态路由协议算法[J].计算机与现代化，2014（8）：106-109.

[16]王靖，李芳芳.基于链路状态感知的无线Mesh网优化路由算法[J].计算机科学，2012，39（11）：37-40.

[17]朱斌，曾孝平.能量高效与移动预测的路由算法分析[J].重庆大学报，2010，33（10）：88-93.

[18]洪利，杨淑玲.一种全局能量均衡的路由协议[J].计算机工程与应用，2010，46（2）： 86-90.

[19]周德荣，夏龄.一种改进的AODV路由协议的实现与仿真[J].实验室研究与探索，2014，33（11）：67-71.

能量感知 第3篇

无线传感器网络是由部署在监测区域内的大量廉价的微型传感器节点, 通过无线通信的方式形成的一个多跳自组织网络系统, 其目的是协作地感知、采集和处理覆盖区域内的事件信息, 并发送给观察者。由于节点能量有限且补充困难, 无线传感器网络的首要设计目标是能量的高效利用。本文在原有GEAR路由协议基础上提出改进方法, 从而在路由协议上节省无线传感器节点有限的能量, 并提高整个网络的生存周期。

GEAR协议介绍和改进

GEAR路由协议是根据事件区域的地理位置信息, 建立汇聚节点到事件区域的优化路径, 避免了泛洪查询消息, 从而减少了建立路由的开销。但是传统的GEAR路由机制由于缺乏足够的拓扑信息, 路由过程中会遇到路由空洞的现象。

本文提出了考虑两跳节点信息的路由机制, 大大减少了路由空洞出现的概率, 降低了每次成功查询的平均能耗;根据无线发射功率和通信半径的关系, 由通信距离确定发射功率[3], 并在路由选择时考虑发射功率, 提出了更加节省能量的GPEAR路由机制。

GEAHAR路由机制

过多的路由空洞会消耗很多不必要的能量, 降低整个网络的通信效率。为了减少或避免路由空洞, 节点需要知道更多的拓扑信息, 这就是GEAHAR机制提出的依据。基本思想是在查询消息时, 节点选择下一跳节点不仅仅考虑邻居一跳节点的代价值最小, 而是考虑两跳的信息。

邻居节点是指节点一跳通信范围内可以到达的所有节点的集合。如 (1) 式定义, dmax为节点最大通信距离, 为所有节点的集合。

节点Ni选择下一跳Nnext (i) 的依据如 (2) 式。Nbi为节点Ni的邻居节点集合, NbNbi (j) 为节点Ni的邻居节点Nbi (j) 的邻居节点集合。β为比例系数, 取值范围为0~1。β取值为1, 算法退化为一跳的GEAR路由机制。式中需要注意的是NbNbi (j) (k) ≠Ni, 即第二跳节点不能选择当前节点, 否则将出现返回路由的现象, 这将大量消耗不必要的能量。

GPEAR路由机制

在接收灵敏度一定的情况下, 无线发射功率P和接收半径R之间关系是P正比于R2~R5, 也就是P可能会远远大于R2。如果在节点间通信时考虑通信的距离, 适当调整发射功率, 而不是使用相同的发射功率 (这样的话只能以最大通信距离来发射) , 则可以大大降低通信的能耗, 延长整个网络的寿命, 降低每个数据包的通信代价。

GPEAR (Geographical and physical energy aware routing) 路由机制是在传统GEAR路由机制作下一跳路由选择时, 考虑物理层发射功率与通信半径的关系, 从而做出更加适合的选择。

假设无线通信部分能量消耗与通信距离的四次方成正比, 并将发射功率分为5档, 见表1。

GPEAR路由机制则是选择邻居节点中代价值和发送一跳的通信代价的联合最小的节点作为下一跳节点, 如式 (3) 所示:

式中, Nnext (Ni) 为节点Ni选择的下一跳节点;h (Ni, Nj, T) 为节点Ni经由Nj到事件区域T的新代价值;Esend (Ni, Nj) 为节点Ni到节点Nj的通信代价, 如表1中的归一化数值;NbNi为节点Ni的邻居节点集合;γ为比例系数, 取值范围为0~1。

仿真环境

仿真条件假设

查询信息中包含了目标区域 (即事件区域) 的位置, 此处假设用目标区域的中心位置作为目标区域的位置;

每个节点都知道自己的位置信息和剩余能量, 并且可以通过一个简单的Hello机制获取邻居节点的位置信息和剩余能量。节点的位置信息可以使用低成本的GPS定位机制或者其他现成的定位机制获得;

节点间的链接是双向的, 即如果节点可以获得邻居节点的访问, 则节点也可以访问邻居节点, 这对于一般的MAC协议, 如IEEE802.11, 都是容易实现的;

节点每消耗总能量的10%时, 通知邻居节点自己的剩余能量信息, 用于更新邻居节点中的邻居节点列表信息;当节点剩余能量小于一个阈值时, 将通知自己的邻居节点, 将自己从邻居节点列表中删除, 表示该节点已经死亡。

仿真参数

在100m*100m的区域内, 随机分布200个传感器节点, 节点初始能量为1000J, 节点死亡能量阈值为5J, 最大通信距离为25m, 最大通信距离通信时, 每次消耗1J能量。对于GPEAR算法, 通信能耗与通信距离的关系由表1给出。仿真环境假设会聚节点 (Sink) 在整个区域的中心 (50, 50) 处, 四个事件区域在整个区域的四个角上 (0, 0) 、 (0, 100) 、 (100, 0) 和 (100, 100) , 每个事件区域做100次查询后, 轮流转换。

测试标准

查询成功次数:只有成功的查询对用户才是有用的, 所以网络能够进行的成功查询次数可以体现网络的生存周期和传输可靠性。

每次成功查询平均消耗的能量:该标准体现了整个网络能量的利用效率。

每次查询的平均消耗能量为整个网络消耗能量除以成功查询的次数, 如式 (4) 所示。

仿真结果

图1的结果表明, 随着衰减指数 (衰减指数为2表示发射能量和通信半径的二次方成正比, 依次类推) 的增长, GPEAR算法的性能则改善非常明显。

图2结果表明, 最大允许跳数 (即查询从Sink节点到目的节点经由的最大节点数, 若超过这个最大数, 则认为查询失败) 对各算法的影响不是很敏感。若最大允许跳数小于1 5, GPEAR算法的成功查询次数将大大下降, 每次成功查询的平均能耗也大大增加, 这个是因为G P E A R算法的本质是通过缩短每次通信半径以降低总的查询能耗, 而这样会增加中间经由节点的数量, 显然若最大允许跳数太小, 将会使失败次数大大增加。另外G E A H A R算法要求最大允许跳数不能太大, 否则会使失败查询消耗过多的能量, 相对这种能耗过大更优的方法是重新发送查询信息。

综合图1和图2表明, 对于每次成功查询平均消耗的能量:

(1) G E A H A R比GEAR算法约降低5%;

(2) 当衰减指数为4、最大允许跳数为25时, G P E A R比AGEAR算法降低约60%。

图3结果表明, β值在0.3~0.7时, GEAHAR算法性能基本是稳定的, 而β过小或者过大则对算法性能影响较大。图4结果表明, 参数y对GPEAR算法的性能有一定影响, 参数y需要根据具体应用环境选择、区域内的节点密度和衰减指数有关。

结语

本文在GEAR路由的基础上, 以节约网络节点能耗和延长网络生存周期为目标, 提出了GEAHAR和GPEAR路由算法。仿真结果表明新的算法显著提高了网络成功查询次数, 降低了每次查询消耗的平均能量, 从而达到了提高能量利用效率的效果。

摘要：无线传感器网络的首要设计目标是能量的高效利用, 所以设计其路由协议需要重点考虑能耗问题。针对WSN的GEAR路由协议, 提出一种能耗上的改进方案并进行仿真, 仿真结果显示, 该方案能明显降低能耗。

关键词：无线传感器网络,路由,地理能量感知路由,节能路由

参考文献

[1].Yu Y, Govindan R, Estrin D.Geographical and energy aware routing:A recursive data dissemination protocol for wireless sensor networks[R].UCLA Computer Science Department, 2001, 1—23.

[2].孙利民, 无线传感器网络, 清华大学出版社, 2005

[3].孙雨耕、田飞, 无线传感器网络中一种能量有效的混合式拓扑算法, 电子测量技术, 2007, 30 (11) :69-73

[4].戴世瑾、张翼德, 无线传感器网络的路由协议研究与分析, 计算机应用研究, 2006, 23 (12) :294-297

能量感知 第4篇

为了克服这些问题,需要设计一个有效的转发方案,能够选择最优的转发节点。随着社会媒体的日益发展,节点具备了依据稳固的社会特征决策转发的能力。为此,研究人员将社会网络思想引入DTN的路由协议中。它利用社会网络的关系、相似度、中心度以及社区等信息选择转发节点,其中,中心度常用于基于社会转发方案[4]。文献[5]提出基于中心度和社区决策转发节点,文献[6]提出了Sim Bet路由,它利用了两个社会特征(中心度和相似度)选择转发节点。多数基于社会的数据传输方案均是以数据传输到单一的目的节点为目的。然而,在真实应用场景中,如灾难管理,数据可能需要传输到多个目的节点,即组播。例如,在稀疏的车联网VANETs(Vehicular Ad Hoc Networks)中,车辆可能需要将实时的交通信息传输至后方多个车辆。战场中多个移动节点可能需要共享信息。然而,由于容迟网络DTN通信连接的间歇性,在DTN内实现组播存在巨大的挑战。

为此,研究人员将社会特征引入组播路由方案[7]。文献[7]提出了单一数据的组播方案SDM(Single-Data Multicast)。然而,SDM方案并没有考虑节点的能量问题。众所周知,能量在各类网络中扮演了重要的角色。因为,多数节点是采用电池供电,并且给节点充电并不具有可操作性。如果节点没有足够的能量完成转发任务,数据将被丢失。因此,能量在DTN是一个关键的参数,特别是在灾难场景,节点经常安装在无法连接于电源的地方。在这种场景下,网络内的所有活动应考虑节点的剩余能量,这也包括转发节点的选择活动。由于基于社会方案最初是针对社会网络设计的,它们并没有考虑能量参数。尽管文献[8]在单播路由方案考虑了能量,但是目前没有人将能量参数引入组播路由协议中。

为此,以SDM协议为基础,提出基于社会特征的能量感知的容迟网络的组播SCEAM(Social Characteristics Energy-Aware based Multicast)协议。该协议可应用于移动网络、车联网等无线自组织网络。利用节点的中心度和能量选择转发节点,仿真结果表明,与SDM方案相比,组播业务提高了近27%,数据传输率提高了14%。

1 系统模型

本节分析系统模型,包括网络结构以及约束条件。类似于文献[7],考虑基于权重的社会网络DTN模型。为了提取节点的网络特征,建立社会关系图G=(V,E)。利用社会关系图反映节点间的社会关系以及节点相遇模型[9]。V表示节点集、E表示由两个节点构成的边集,并且每条边上的权值表示构成此边的两个节点间的相遇频率。同时,这对节点的相遇时间服从指数分布。此外,网络内所有节点随机分布于网络,并且节点的初始能量相同。

图1显示了13个节点的社会关系图G。在图1a中13个节点随机分布,两节点间的虚线表示这两个节点曾经至少相遇过一次。换言之,若两节点间没有虚连线,就意味着这两个节点至今没有相遇过。例如,节点I和J曾经至少相遇过一次。通过节点间的相遇次数,建立的社会关系如图1b所示。传统的社会关系接触图是没有权值的,本文引用权值,并将两节点相遇次数作为权值。如图1b所示,权值λij表示节点I和J间权值,反映了这两个节点的相遇次数。

此外,在社会关系图中,将节点相遇其他节点的概率定义为中心度(Centrality)。因此,若节点具有接触大量节点的机会,它的中心度越高,说明此节点越活跃。由于中心度高的节点能够频繁地接触其他节点,将它作为传输消息的转发节点是合理的选择。从图1b可知,节点D的中心度最高,因此,它可作为潜在的转发节点。

2 提出的SCEAM算法

2.1 建立目标函数

SDM方案利用节点的社会特征向目的节点转发数据。在特定的时间内,为了满足基本的数据传输率要求,SDM方案利用节点的中心度选择转发节点,并且尽可能最小化转发节点数。依据文献[7],节点i的中心度定义如

式中:N表示网络内总的节点数;λij表示节点i与j间相遇率;T为观察时间。从式(1)可知,节点i的中心度Ci表示在特定时间T内节点i与网络内其他节点相遇的平均概率。

然而,SDM方案在选择转发节点时,仅考虑了节点的中心度,并没有考虑节点的能量。若一个节点具有高的中心度,那么它被选择为转发节点的机会将很多,这就导致在每次组播时,它都可能成为转发节点,这也必然增加了它的工作负担。尽管高的中心度对数据转发是非常必要的,但是也需要考虑节点的能量。一旦节点能量耗尽,它也无法完成数据的转发,缩短了网络寿命。如果节点能量水平低,不论它的中心度有多高,也无法完成数据传输的任务。

因此,为了提高网络性能(数据传输率、时延以及网络寿命),应尽可能使中心度高的节点保持活动状态,即让中心度高的节点能量消耗速度缓慢,从而维持整个网络寿命。在这种情况下,单一数据组播问题被转发为:需将单一数据Data传输到多个目的节点,假定目的节点集为D,在特写时间T内,在满足数据传输率p要求的条件下,如何最小化转发节点数,又使得转发节点的能量最高。

实际上,上述问题是两目标优化问题。在满足数据传输率要求的约束条件下,如何使得转发节点数最少和转发节点能量最高。为此,对此问题进行形式化表述。

假定数据携带节点S接触过k个邻居节点,即接触邻居节点集R={R1,R2,…,Rk}。相应地定义二值变量xi∈{0,1}。若xi=1,表示邻居节点Ri被选择为转发节点,反之,若xi=0,没有被选择为转发节点。Ei表示为邻居节点Ri的能量。因此,两个目标优化问题,即最小化转发节点数以及最大化转发节点的能量,如

接下来,分析约束条件。首先,节点能量限制。假定Eth表示节点成为转发节点的能量门限值,只有能量大于门限值的节点才可能成为转发节点,如

式(3)限制了每个转发节点有足够的能量转发数据。其次,要满足数据传输率的要求。假定βi表示数据携带节点S在时间T内不选择邻居节点Ri作为转发节点的概率,定义如

将式(1)代入式(4),可得

显然,节点的中心度越高,概率βi可能越小。由于DTN内节点能够相互交互它们βi和Ei的值,数据携带节点S知道它所接触过的节点这两项数据。假定数据传输率要达到P,对于随机选择的节点,如果被选择为转发节点的邻居节点Ri与该随机选择相遇的概率低于1-P时[7],才能保证数据传输率不小于P,如

接下来,求解目标问题的解。

2.2 贪婪算法求解

本节通过贪婪算法解决上节的目标优化问题。首先将接触过的邻居节点R={R1,R2,…,Rk}划分为两个子集,分别为高概率集Rhigh和低概率集Rlow。如果节点概率βi小于0.5,就纳入低概率集Rlow,否则就纳入高概率集Rhigh。引入变量M,表示高概率集Rhigh最初的元素个数,即M=|Rhigh|。

假定转发节点集为ψ,最初为空,即ψ=φ。然后,从高概率集Rhigh内选择能量最高的节点作为第一转发节点,如

式中:|Rhigh|表示Rhigh内的元素个数。

再将节点Rk从Rhigh纳入转发节点集ψ中,即ψ={Rk},而|Rhigh|减1。相应地,xk=1。接下来,要判断转发节点集ψ内的转发节点是否满足式(6),若不满足,则继续添加转发节点。为了避免选择能量低的节点作为转发节点,高概率集Rhigh采用了保留机制。设定参数α,且α∈[0,1)。保留机制就是指在选择转发节点时,至少要预留|α·M|个节点不能被选为转发节点,下次使用。

如果当前Rhigh内的元素数大于|α·M|,就继续从Rhigh内寻找能量最高的节点作为转发节点,并纳入ψ,重复上述过程。若Rhigh内的元素数小于|α·M|,就从低概率集Rlow选择能量最高的节点作为转发节点Rl,如

类似地,将Rl加入ψ。再判断是否满足式(6),若不满足,继续添加转发节点,直到满足。最终,转发节点集ψ内的元素为数据包携带节点S的转发节点。整个贪婪算法的流程如图2所示。

2.3 选择转发节点的示例

为了更好地理解SCEAM算法,并区分与SDM算法的区别,举例说明SCEAM算法选择转发节点的过程。如图3a,数据包携带节点S有6个相遇过的节点,即R={R1,R2,R3,R4,R5,R6,R7},它们的概率值和能量分别如图3所示。例如,节点R5的概率值β5=0.6,剩余能量E5=60%(表示为初始能量的60%),如图3b所示。

假定组播数据传输率p=0.9,观察时间T=22 h。依据各自节点概率值,将相遇节点集R划分为两个子集,分别为Rhigh={R1,R2,R3},Rlow={R4,R5,R6,R7}。设置α=1/3,因此,高概率集Rhigh内至少要保留1个节点,即。由于Rhigh={R1,R2,R3}中节点R3的剩余能量最多,因此,它作为第1个转发节点。

若只选择1个节点R3作为转发节点,并不满足式(6),即0.51≤1-0.9=0.1并不成立。因此,需要继续选择转发节点,应重复上述过程。然后继续从Rhigh={R1,R2,R3}中选择转发节点,由于节点R1的能量高于R2,节点R1被选为第2个转发节点。

如今有两个转发节点,R1和R3,但是仍不满足式(6):0.51·0.31≤1-0.9=0.1。因此,需继续找转发节点。然而,由于|Rhigh|不大于M,它不再考虑作为转发节点。需从Rlow={R4,R5,R6,R7}内选择能量最高的节点作为转发节点。由于R6的能量在Rlow最高,R6成为第3个转发节点,然后再次判断是否满足式(6)。而0.51·0.31·0.61≤1-0.9=0.1成立,停止迭代算法。最终,ψ={R1,R3,R6},如图3c所示。

3 性能分析

3.1 仿真场景

利用NS2仿真软件建立仿真平台。将bluetooth网络为研究对象,N=41个节点随机分布于1 000 m×1 000 m区域。引用文献[10]的移动节点能量消耗模型。节点接收和发送消息所消耗的能量分别为432 m W和425 m W[10]。观察时间T=16 h。

假定数据包携带节点S有多个组播业务,在每个业务中,以变化的数据包传输率p为约束条件,数据包携带节点S将固定尺寸的数据传播到多个目的节点。每个实验独立仿真100次,取平均数据作为最终的传真数据。此外,考虑3项性能指标分析SCEAM算法性能,分别为:1)组播业务数量ANMS(Average Numbers of Multicast Sessions);2)每次业务所需的转发节点数ANRS(Average Numbers of Relays used per Sessions);3)每次业务中处于活动状态的高中心度节点数ANHCAS(Average Number of High-Centrality Alive per Sessions)。

3.2 仿真结果分析

1)ANMS

图4描述ANMS随数据包传输率p变化曲线。从图4可知,ANMS随着传输率p的增加而下降,原因在于:由于具有高概率节点能够有效地传输数据,它们在数据传输中扮演着重要作用。因此,传输率p越高,需要的高中心度节点越多。然而,这些高概率节点受能量限制,它们中的部分节点不能够转发数据,因此,ANMS下降。此外,与SDM方案相比,提出的SCEAM的ANMS得到提高。这主要是因为SCEAM方案并非要求所有高概率节点参与数据转发,存储了更多的能量将来使用,这就使得SCEAM比SDM能够支持更多的组播业务。从图4可知,SCEAM比SDM的ANMS至少提高了27%。

2)ANRS

ANRS随传输率变化曲线如图5所示。从图5可知,SDM和SCEAM的ANRS均随传输率p的增加而上升。然而,SCEAM方案的ANRS略高于SDM。原因在于:SCEAM方案并没有使用所有的高概率节点转发数据,仅在满足传输率要求的条件下,使用了部分高概率节点。注意到,当p=0.3时,SCEAM方案比SDM方案的ANRS增加近2%,而当p=0.9时,增加近11%。

3)ANHCAS

图6显示了ANHCAS随数据传输率的变化情况。从图6可知,SDM和SCEAM方案的ANHCAS随数据传输率的增加而上升。这正如上述分析的,需要更多的高概率节点实现高数据传输率。与SDM方案相比,提出的SCEAM方案的ANHCAS得到提高,在数据传输率整个变化区域内,SCEAM方案的ANHCAS至少提高了14%。

从上述仿真数据可知,SCEAM方案比SDM方案需要多一些转发节点,能够有效地使用高概率节点满足DTN的数据传输要求。因此,SCEAM方案能够支持更多的组播业务,拓延网络寿命。

4 小结

针对容迟网络DTN内的组播问题,提出基于社会特征的能量感知的容迟网络的组播SCEAM协议。考虑到DTN网络的通信连接率低的情况,将社会网络引入组播协议。利用节点的长期和较稳定的社会特征知识进行决策数据转发。首先,依据组播的性能要求,即满足数据传输率要求的同时,使得转发节点数少,且网络能量消耗均衡。根据这个目标,建立目标函数,然后再利用贪婪算法求解。仿真结果表明,提出的SCEAM协议能够有效地提高组播业务,比SDM提高了近27%,并且处于高概率节点的能量多于SDM。这些数据表明,通过中心度和能量选择转发节点能够有效提高数据传输性能。

参考文献

[1]GONG H,YU L.Study on routing protocols for delay tolerant mobile networks[J].International Journal of distributed sensor networks,2013,2(3):23-32.

[2]洪棒,俞立,张贵军.无线传感网络自适应分布式聚簇路由协议[J].自动化学报,2011,37(10):1197-1206.

[3]罗娟,肖仪,卢真,等.基于网络编码的多播车载网络路由算法研究[J].计算机研究与发展,2011,48(9):1616-1622.

[4]ZHU Y,XU B,SHI X,et al.A survey of social-based routing in delay tolerant networks:Positive and negative social effects[J].IEEE communications surveys and tutorials,2013,15(1):24-32.

[5]MARSDEN P.Egocentric and sociocentric measures of network centrality[J].Social networks,2012,24(4):407-422.

[6]DALY E,HAAHR M.Social network analysis for routing in disconnected delay-tolerant MANETs[J].Mobi Hoc,2007,3(9):34-51.

[7]GAO W,LI Q,ZHAO B,et al.Social-aware multicast in disruption-tolerant networks[J].IEEE/ACM Transactions on Networking,2012,20(5):21-30.

[8]CHILIPIREA C,PETRE A C,DOBRE C.Energy-aware social based routing in opportunistic networks[C]//Proc.27th International Conference on Advanced Information Networking and Applications Workshops.[S.l.]:IEEE,2013:45-50.

[9]HOSSMANN T,SPYROPOULOS T,LEGENDRE F.Know thy neighbor:towards optimal mapping of contacts to social graphs for DTN routing[C]//Proc.IEEE INFOCOM.[S.l.]:IEEE,2010:1-9.