基于几何聚类映射采样机制的无线传感网超宽带传输算法

2022-11-23刘东旭

长春工程学院学报（自然科学版） 2022年1期

刘东旭

(滁州职业技术学院，安徽滁州 239000)

0 引言

随着以工业化4.0为代表的“中国制造2025”计划不断朝纵深推进，无线传感网技术也日益从数据采集型转向复合传输型，使得无线传感网在实践中不断发挥重要的经济及社会作用[1]。此外，由于5G通信技术不断与工业领域信息化技术交织，使得无线传感网节点也与5G通信技术密切融合，推动传统无线传感网传输能力逐步向超宽带传输模式转换[2]。这些新变化要求无线传感网应在提升传输能力的同时，尽量以较低传输成本实现较高层次的带宽传输能力[3]。因此，引入5G传输领域内较为成熟的传输新技术、新机制成为无线传感网研究领域中的热点[4]。

为提高无线传感网超宽带传输能力，人们提出了一些具有前瞻性的研究突破点，一定程度上改善了无线传感网的超宽带传输能力。如Sahay等[5]提出了一种基于采样序列并发传输机制的无线传感网超宽带传输算法，该算法利用区域内节点具有的高数据传输相似度特性，引入采样模型对数据予以并发融合，可显著提升网络数据区域传输能力，具有实现较为便捷的特点。但是，由于该算法的传输过程对数据相似度要求过高，使得算法难以适应高传输率的网络部署环境。Yu等[6]提出了一种基于区域联合机制的无线传感网超宽带传输算法，该算法利用网络信道冗余特性，通过调度冗余带宽资源对存量数据予以传输，可显著提升网络传输带宽，且网络适应性能卓越。然而，该算法需要通过网络编码模型对冗余链路予以评估，编码准确度较低，易因误码率提升而导致网络传输出现抖动现象。Ghanbar等[7]提出了一种基于拥塞控制机制的无线传感网超宽带传输算法，该算法采用节点编码模型对拥塞数据及时启动分流控制，能够以较高效率消除网络拥塞现象，网络适应能力较强。但是，该算法也存在一定的不足，特别是该算法对网络链路占用率较低，使得该算法的数据传输能力较低，无法适应大速率传输情形。

针对前述算法存在的不足，本文提出了一种基于几何聚类映射采样机制的无线传感网超宽带传输算法。该算法主要由几何聚类映射方法和功率阈值稳定方法两部分构成：基于聚类映射及节点信道采样特性提出了几何聚类映射方法，采取正交方式对信道干扰予以屏蔽，以提升传输质量；基于能量预估及阈值裁决方式提出了功率阈值稳定方法，通过该方法能够及时对性能不稳定的节点予以休眠处理，从而提高节点传输质量，进而改善网络传输性能。最后采用NS2仿真实验环境，证明了本文算法的性能特点。

1 本文算法设计

考虑到当前算法存在的不足，本文提出了一种基于几何聚类映射采样机制的无线传感网超宽带传输算法(UWB Transmission Algorithm For Wireless Sensor Networks Based On Geometric Clustering Mapping Sampling Mechanism，GCMS算法)。所提算法主要针对当前无线传感网超宽带传输应用过程中存在的能量集中困难及传输抖动现象，构建了几何聚类映射方法和功率阈值稳定方法：通过几何聚类映射方法提高网络传输过程中的抗噪性能，降低因噪声干扰导致的传输抖动现象的发生频率；通过功率阈值稳定方法，提升聚类节点对数据拥塞的控制能力，改善超宽带传输条件下控制网络拥塞的性能。接下来是详细设计。

1.1 几何聚类映射

无线传感网超宽带传输过程一般需要进行传感采样及信道映射，为提升传输能力，一般使用1 GHz频段的传感信号[6]。信道均采用聚类模型，将频段分割为多个正交信道，并使用多个正交信号接收方式实现点对点通信。下一跳节点进行数据接收时将按预设信道频段一一匹配时域信号，当且仅当信号频率处于可匹配状态时才启用数据接收信道，从而完成点对点通信过程[7]。

不妨设某时刻无线传感网中共有m个聚类节点并发启动数据传输流程，则网络传输信号的频域F(ω，m)可由如式(1)模型决定：

(1)

式中：ε(λ)表示聚类节点的单位发射功率；μ(m)表示第m个聚类节点的累积发射功率强度，一般而言在节点制式指定时该积累发射功率强度将保持不变；λk表示第k个聚类对应的信道干涉频率，若两条信道的干涉频率近似时，将会因频谱之间互相叠加而导致严重的传输拥塞现象发生。

针对第m个聚类而言，采取积分变换[8]的方式即可获取时变信号f(t)：

(2)

式中：ψj表示第j个聚类的初始功率；σi表示信道发射增益；G(t)表示调制信号，可由对数映射方式获取[9]：

G(t)=2πe(1-2πt3)lnt。

(3)

联立式(1)～(3)可得：

(4)

由于无线传感网进行超宽带传输时需要考虑数据压缩感知因素[10]，因此，对式(4)按在数据传输周期T予以采样映射：

(5)

显然，由式(5)可知任意两个聚类a和b，必有如式(6)关系成立：

∮F(ω，a)G(ω，b)dω=0 。

(6)

通过式(5)所示的采样映射后，数据将能够消除信道间的噪声干扰，大大提升网络数据传输速度。

显然，对于任意不同的节点而言，式(5)所示的信号必定处于互不干涉状态，即：

∮G(ω，x)G(ω，y)dxdy=0 。

(7)

图1 几何聚类映射过程

完成几何聚类映射方法后，聚类间数据传输频率将处于正交状态[11]，最大限度地消除了频率漂移因素，从而增强了网络传输性能。

1.2 功率阈值稳定

虽然几何聚类映射方法能够提升网络数据传输能力，但是由于无线传感网超宽带传输过程中存在功率抖动现象，所以需要及时对功率及能量剩余情况予以稳定，并按传输性能对聚类进一步优化，从而实现网络稳定传输，下面是详细步骤。

Step 1：通过如式(8)模型取得当前聚类功率阈值Pnow

(7)

式中：Srev表示聚类节点接收功率；Gsend表示聚类节点发射功率；Eλ表示当前节点最大能量，R表示节点最大覆盖半径。

Step 2：获取聚类节点的最小能量阈值Δ，获取方式如式(9)：

(9)

Step 3：对全网节点进行过滤，详如图2，按如式(10)的方式获取功率阈值∂：

(10)

图2 功率阈值稳定过程

Step 4：选取网络区域内功率阈值最大的节点作为新的聚类节点，聚类成员最低加入阈值∂in满足如式(11)模型：

(11)

式中：t表示时变因子，一般而言该时变因子为随机序列；mod表示取整操作。

Step 5：当且仅当网络节点功率阈值高于∂in时，执行本次流程，算法结束。

完成功率阈值稳定后，网络节点将可以动态调整传输功率，若功率低于最小能量阈值时将进入休眠状态，从而降低网络拥塞水平，提升网络运行质量。

2 仿真实验

为验证所提算法的性能，采取NS2仿真实验环境(Network Simulator Version 2)[12]，对照组算法为当前无线传感网超宽带传输常用的基于NMF和2-SVD-QR混合矩阵分解的WSN优化传输算法(A Novel Optimization Method For WSN Based On Mixed Matrix Decomposition Of NMF And 2-SVD-QR，NMF-SVD-QR算法)[13]和基于SWIPT机制的WSN节能传输算法(Research on Energy-Efficient Routing Algorithm Based On SWIPT In Multi-Hop Clustered WSN for 5G System，EER-SWIPT算法)[14]。整个网络节点部署区域为矩形区域，节点处于可移动状态。不失一般性，将节点运动速度设置为1 m/s和10 m/s两种状态，以模仿低速信道和高速信道两种仿真环境。节点制式为LTE节点，频率不低于2.024 Mbps。仿真对照参数为网络传输带宽和拥塞累计发生频次。详细参数见表1。

表1 仿真参数表

1)网络传输带宽：网络传输带宽指在某一时刻，网络sink节点最终接收到的有效数据总和。该数值越大，说明网络传输性能也就越高，网络超宽带传输能力也就越强。

2)拥塞发生频次。拥塞发生频次指截至统计时刻，网络中节点及链路已经发生拥塞事件的累计次数的总和，该数值越大说明网络拥塞控制性能也就越差，网络整体传输性能将会受到更大的影响，需要花费较多的网络资源以消除拥塞。此外，随着拥塞发生次数及频率的增加，网络正常工作时间可能会出现一定程度的下降。

2.1 网络传输带宽

图3为所提算法与NMF-SVD-QR算法和EER-SWIPT算法的网络传输带宽测试结果。由图3可知，所提算法具有网络传输带宽较高的特点，说明所提算法能够较好地适应超宽带传输场景。所提算法针对无线传感网超宽带环境存在的频率干涉现象，设计了几何聚类映射方法，采用抽样方式对背景噪声信号及信道漂移予以适应，从而提升了网络传输带宽。特别是所提算法再次考虑到聚类节点在超宽带环境下存在的节点受限现象，采取功率阈值稳定方法及时剔除失效节点，因而降低了网络拥塞现象发生的概率，改善了网络传输性能。NMF-SVD-QR算法主要采取矩阵分解方式对冗余聚类节点予以休眠处理，虽然能够在一定程度上降低网络拥塞现象发生的概率，但由于该算法对正常传输过程中信号干涉现象考虑不足，信道间极易出现干涉现象，使得网络传输带宽难以得到进一步提高。EER-SWIPT算法针对信道干涉现象，采取链路优化模型降低抖动概率，然而由于该算法未考虑数据拥塞状况下节点性能的优化，在超宽带传输条件下易出现拥塞数据过多的现象，所以使得该算法的网络传输带宽要低于所提算法。

2.2 拥塞累计发生频次

图4为所提算法与NMF-SVD-QR算法和EER-SWIPT算法在拥塞累计发生频次方面的仿真测试结果。由图4可知，所提算法具有拥塞累计发生频次较低的特点，说明所提算法能够显著降低网络拥塞发生的概率。这是由于所提算法针对拥塞发生时链路和节点存在的抖动特点，通过几何聚类映射方法降低链路因信道漂移而发生抖动的概率，特别是算法采用功率阈值稳定方法对聚类成员节点进行了二次优化，因而发生拥塞时能够及时得到纾解。NMF-SVD-QR算法主要采用休眠机制避开拥塞峰值带宽，不过由于该算法仅通过将当前拥塞峰值延迟发送的方式改善拥塞状况，当多个节点同时休眠时可能导致下一时刻网络拥塞峰值发生叠加效应，因而该算法拥塞累计发生频次要高于所提算法。EER-SWIPT算法仅考虑了采用链路优化的方式降低拥塞发生的概率，未考虑节点受限情况下及时对拥塞予以纾解，因而该算法的拥塞累计发生频次要显著高于所提算法。