融合深度學(xué)習(xí)的UASN智能路由算法研究

秦利娟，劉 鑫

(1.鄭州工業(yè)應(yīng)用技術(shù)學(xué)院信息工程學(xué)院，河南 鄭州 451150；2.中南大學(xué)商學(xué)院，湖南 長(zhǎng)沙 410083)

1 引言

受陸地資源的限制，人們?cè)絹碓街匾暫Ｑ筚Y源開發(fā)。在發(fā)展海洋資源，保護(hù)海洋權(quán)益的過程中，需要掌握地質(zhì)資源和水下環(huán)境，水聲傳感器網(wǎng)絡(luò)(UASNs)依托其便捷部署、自主采集、主動(dòng)上傳等優(yōu)勢(shì)得到大量應(yīng)用。由于信號(hào)傳輸介質(zhì)和部署環(huán)境的原因，UASNs存在如下特征：①節(jié)點(diǎn)能量有限；②水介質(zhì)會(huì)造成電磁波的快速衰減[1]，只能基于水聲實(shí)現(xiàn)節(jié)點(diǎn)間通信；③GPS失效，網(wǎng)絡(luò)節(jié)點(diǎn)位置不能確定；④水聲信道不穩(wěn)定，距離越遠(yuǎn)干擾越大[2]；⑤網(wǎng)絡(luò)節(jié)點(diǎn)部署深度不同，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)具有三維特征；⑥節(jié)點(diǎn)位置具有移動(dòng)性，水流會(huì)改變網(wǎng)絡(luò)拓?fù)湫螤詈徒Y(jié)構(gòu)?？梢钥闯觯琔ASNs不但具有陸上傳感網(wǎng)絡(luò)的缺點(diǎn)，而且存在很多獨(dú)有的特點(diǎn)。因此，兩種網(wǎng)絡(luò)不能實(shí)現(xiàn)路由算法的互用。同時(shí)，UASNs的這些特點(diǎn)也給其路由造成嚴(yán)峻挑戰(zhàn)。

圍繞UASNs自身局限性，研究人員從多種角度提出了不同的路由算法。文獻(xiàn)[3]基于節(jié)點(diǎn)動(dòng)態(tài)特征與位置特征提出QKS算法，結(jié)果表明該算法獲得了較好的動(dòng)態(tài)效果，可是無法準(zhǔn)確得到位置數(shù)據(jù)。文獻(xiàn)[4]根據(jù)深度信息與時(shí)間信息提出WDFAD-DBR算法，結(jié)果表明該算法能夠降低通信過程中的沖突，可是缺乏對(duì)信道的分析。文獻(xiàn)[5]基于立體拓?fù)涞姆謱犹岢隽薊ULC算法，針對(duì)節(jié)點(diǎn)到sink距離的不同，動(dòng)態(tài)改變數(shù)據(jù)發(fā)送功率，結(jié)果表明該算法能夠較好的避免熱點(diǎn)出現(xiàn)，可是節(jié)點(diǎn)的移動(dòng)很難保證深度信息的準(zhǔn)確獲取。由于當(dāng)前很多算法采取的是啟發(fā)計(jì)算，在水下復(fù)雜環(huán)境中無法獲得良好的魯棒效果。于是一些研究人員在路由算法中引入機(jī)器學(xué)習(xí)，以獲得更好的挖掘結(jié)果，如文獻(xiàn)[6]把路由模型轉(zhuǎn)換為Markov決策，并引入強(qiáng)化學(xué)習(xí)，根據(jù)正負(fù)回饋更新網(wǎng)絡(luò)參數(shù)。該算法能夠較好的平衡路由過程中的路徑與損耗。文獻(xiàn)[7]在分簇基礎(chǔ)上，引入強(qiáng)化學(xué)習(xí)與ε-greedy對(duì)路徑采取更新，該算法能夠降低路徑復(fù)雜度與傳輸損耗。雖然強(qiáng)化學(xué)習(xí)可以增加路由挖掘深度，可是復(fù)雜度過高限制了其在大規(guī)模網(wǎng)絡(luò)中的應(yīng)用性能[8]。深度學(xué)習(xí)可以通過DNN實(shí)現(xiàn)高維特征的識(shí)別處理。由于在收斂性與復(fù)雜性方面均有明顯優(yōu)勢(shì)，因此本文在路由算法中融合深度學(xué)習(xí)。

相比現(xiàn)有的其它路由算法，本文的創(chuàng)新點(diǎn)如下：①構(gòu)建UASNs的信道與能耗模型，作為簇頭與路由的約束，并可以根據(jù)信道衰減情況調(diào)整通信頻率；②設(shè)計(jì)了基于傳輸距離與可用能量的簇頭選擇策略；③融合深度網(wǎng)絡(luò)與AE學(xué)習(xí)算法，實(shí)現(xiàn)路由參數(shù)更新。通過仿真實(shí)驗(yàn)，證明本文的路由算法可以有效延長(zhǎng)網(wǎng)絡(luò)壽命，對(duì)水下環(huán)境具有良好的適應(yīng)性和魯棒性。

2 UASNs信道與能耗模型

考慮到信道影響UASNs信號(hào)傳輸，能耗影響UASNs生命周期，本文以信道與能耗為基礎(chǔ)建立分析模型。

首先分析UASNs信道的衰減。衰減過程受信號(hào)的頻率與傳輸距離影響，衰減公式可以表示如下

S(d，f)=dαs(f)d

(1)

式中d代表傳輸距離；f代表信號(hào)頻率；α代表擴(kuò)散常數(shù)；s(f)代表吸收項(xiàng)。把衰減公式轉(zhuǎn)換至分貝表示形式

101logS(d，f)=α·101logd+d·101logs(f)

(2)

此時(shí)，等式右側(cè)101logS(d，f)與d·101logs(f)分別可以用來描述擴(kuò)散與吸收損耗。根據(jù)實(shí)際使用的水聲頻率與擴(kuò)散常數(shù)，就可以確定信道衰減情況。

然后分析水下噪聲，本文基于海洋環(huán)境進(jìn)行分析。根據(jù)噪聲種類，其功率譜密度可以表示為

Z(f)=Zt(f)+Zb(f)+Zw(f)+Zh(f)

(3)

等式右側(cè)各項(xiàng)為信道的噪聲組成，Zt(f)、Zw(f)、Zb(f)、Zh(f)依次代表洋流、海浪、船只和熱噪聲。Z(f)滿足高斯分布，其衰減過程在對(duì)數(shù)域幾乎呈線性，公式表示為

101logZ(f)≈Z0-βlogf

(4)

式中Z0=50dBreμPa/Hz、β=18dB/decade均代表常系數(shù)。

再分析UASNs節(jié)點(diǎn)的傳輸能耗。在數(shù)據(jù)發(fā)送時(shí)，所需的能耗與距離、數(shù)據(jù)量、帶寬有關(guān)。于是節(jié)點(diǎn)的發(fā)送聲功率表示如下

(5)

Et(d)=λPt(d)/η

(6)

式中λ代表聲到電的變換因子；η代表硬件效率。

在數(shù)據(jù)接收時(shí)，所需的能耗與檢測(cè)操作有關(guān)。由于不受信道其它參數(shù)影響，所以假定接收功率為Pr固定不變。當(dāng)傳輸數(shù)據(jù)量為D，則完成一次數(shù)據(jù)傳輸?shù)臅r(shí)間為

t(D，d)=D/vB(d)

(7)

完成此次數(shù)據(jù)傳輸?shù)哪芎目梢员硎緸?/p>

E(D，d)=(Pt(d)+Pr)·t(D，d)

(8)

經(jīng)過節(jié)點(diǎn)傳輸能耗的推導(dǎo)能夠得到，E(D，d)受S(d，(d))與Z((d))兩項(xiàng)影響，且與這兩項(xiàng)均為正相關(guān)。對(duì)S(d，(d))和Z((d))兩項(xiàng)求積SZ=S(d，(d))Z((d))，并求其分貝形式

SZdB=SdB(d，(d))ZdB((d))

(9)

3 UASNs簇頭選擇

UASNs的拓?fù)浣Y(jié)構(gòu)與陸上傳感器網(wǎng)絡(luò)不同，陸上傳感器網(wǎng)絡(luò)可以基于平面分析，而UASNs節(jié)點(diǎn)構(gòu)成了立體拓?fù)浣Y(jié)構(gòu)。當(dāng)前一些路由算法通過節(jié)點(diǎn)深度分布采用逐層分析法，這種方法容易增加冗余傳輸，加快能量消耗。本文直接針對(duì)立體拓?fù)?，根?jù)傳輸能耗進(jìn)行分析。對(duì)于簇內(nèi)的任何一跳，能耗都應(yīng)該滿足如下關(guān)系

(10)

UASNs的生命周期最終還是由能量決定，如果節(jié)點(diǎn)的載荷不能合理分配，將加快能量消耗，使UASNs提前失衡。于是，本文對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)的載荷能量采取約束設(shè)置，根據(jù)任務(wù)能耗與可用能量共同確定節(jié)點(diǎn)在網(wǎng)絡(luò)中的地位。對(duì)于可用能量多的節(jié)點(diǎn)，增加其當(dāng)選簇頭的概率。但是此過程中約束閾值的確定必須保證合理性，才能使網(wǎng)絡(luò)處于均衡狀態(tài)。節(jié)點(diǎn)簇是整個(gè)網(wǎng)絡(luò)組成的基本單元，在任何一個(gè)節(jié)點(diǎn)簇中，理想情況應(yīng)該是所有節(jié)點(diǎn)保持近似的能量狀態(tài)。考慮到簇頭與協(xié)助節(jié)點(diǎn)在一次任務(wù)執(zhí)行時(shí)的能耗是有差異的，為了達(dá)到網(wǎng)絡(luò)均衡，能量閾值應(yīng)該符合如下約束

(11)

式中n表示簇中的協(xié)助節(jié)點(diǎn)數(shù)量；E表示協(xié)助節(jié)點(diǎn)執(zhí)行一輪任務(wù)的能耗。由約束可得Emax∈[E，2E)。如果某節(jié)點(diǎn)能量是E0，則作為協(xié)助節(jié)點(diǎn)一共能夠執(zhí)行的任務(wù)輪數(shù)l=E0/E。定義閾值系數(shù)φ=Emax/E0，結(jié)合前述分析可得

(12)

式中φ0=E/E0，φ∈[φ0，2φ0)。

綜合傳輸距離與可用能量，簇頭的選擇方式描述如下

(13)

式中ω代表權(quán)重系數(shù)；dmax代表協(xié)助節(jié)點(diǎn)與sink最遠(yuǎn)距離。

4 融合深度學(xué)習(xí)的智能路由算法

為了保證學(xué)習(xí)網(wǎng)絡(luò)輸出結(jié)果的可靠性，本文采用融合深度網(wǎng)絡(luò)與AE學(xué)習(xí)。由于AE擅長(zhǎng)特征提取，所以將其部署于訓(xùn)練過程。經(jīng)過訓(xùn)練搜索得到符合如下?lián)p失函數(shù)的最優(yōu)解

(14)

(15)

式中g(shù)U，v(xi)代表輸出向量。學(xué)習(xí)網(wǎng)絡(luò)針對(duì)訓(xùn)練得到的個(gè)體(xi，yi)，可以求解出每一層和對(duì)應(yīng)隱層的殘差。結(jié)合輸入輸出均方差對(duì)連接權(quán)的偏導(dǎo)，推導(dǎo)出網(wǎng)絡(luò)參數(shù)的更新方式

(16)

根據(jù)網(wǎng)絡(luò)分析，本文設(shè)計(jì)如圖1所示的訓(xùn)練模型。為了增強(qiáng)復(fù)雜特征的識(shí)別效果，本文采用了多隱層方案。原始個(gè)體x={xi}首先經(jīng)過第一層處理，確定相應(yīng)層參數(shù)(U1，1，v1，1)與隱層輸出。將第一層的訓(xùn)練結(jié)果提交至第二層處理，依此遞推，每一層采取相同的訓(xùn)練方式。通過逐層貪婪處理，直至最后一次隱層完成，特征提取結(jié)束，并將特征提取結(jié)果提交至分類器。在分類結(jié)果符合要求后，便可以把深度學(xué)習(xí)的參數(shù)分配至相應(yīng)節(jié)點(diǎn)運(yùn)行。

圖1 網(wǎng)絡(luò)訓(xùn)練模型

基于構(gòu)建的訓(xùn)練模型，融合深度學(xué)習(xí)的UASNs路由算法流程描述為：

1)根據(jù)UASNs信道與能量模型計(jì)算，確定簇頭及其個(gè)數(shù)，完成節(jié)點(diǎn)分簇。

2)簇頭把簇內(nèi)數(shù)據(jù)傳遞至匯聚中心，同時(shí)匯聚中心把訓(xùn)練結(jié)果回傳至節(jié)點(diǎn)。

3)當(dāng)網(wǎng)絡(luò)節(jié)點(diǎn)分簇趨于平衡狀態(tài)時(shí)，節(jié)點(diǎn)按照初始參數(shù)配置進(jìn)行特征識(shí)別，結(jié)果傳輸至簇頭。

4)簇頭把各節(jié)點(diǎn)隱層訓(xùn)練后上傳的數(shù)據(jù)采取分類整合，得到最終結(jié)果傳輸至匯聚中心。

5)循環(huán)執(zhí)行步驟2)～ 4)，使UASNs的信道與能量模型保持最優(yōu)狀態(tài)。

5 仿真實(shí)驗(yàn)與結(jié)果分析

5.1 UASNs環(huán)境搭建

基于Matlab仿真軟件部署UASNs環(huán)境，將傳感器節(jié)點(diǎn)隨機(jī)散布于1000m×1000m×500m立體區(qū)域內(nèi)，匯聚中心設(shè)置于水面(100，100，0)處。其它環(huán)境參數(shù)配置如表1所示。

表1 環(huán)境參數(shù)配置

在同樣的網(wǎng)絡(luò)環(huán)境中，將本文算法與CMAQ[6]、EUCRL[7]算法做比較，驗(yàn)證所提UASNs路由算法的實(shí)際性能。

5.2 仿真結(jié)果分析

保持環(huán)境參數(shù)，對(duì)節(jié)點(diǎn)先后進(jìn)行20次部署，仿真得到本文、CMAQ和EUCRL三種算法的簇頭分布情況，結(jié)果如圖2所示?？梢钥闯?，只有本文算法對(duì)應(yīng)的簇頭分布曲線與正態(tài)分布最為相似，簇頭數(shù)量大部分在14個(gè)左右。這表明在本文所提的路由算法作用下，網(wǎng)絡(luò)簇頭配置更為集中，穩(wěn)定性明顯優(yōu)于CMAQ和EUCRL。

圖2 簇頭分布情況

對(duì)三種算法分別采取3000輪仿真，得到存活節(jié)點(diǎn)數(shù)量的變化情況，結(jié)果如圖3所示?？梢钥闯?，CMAQ算法在經(jīng)過大約600輪后便開始有節(jié)點(diǎn)死亡，到大約1500的時(shí)候幾乎全部死亡；EUCRL算法在經(jīng)過大約900輪后開始有節(jié)點(diǎn)死亡，到大約2100輪的時(shí)候全部死亡；而本文算法在經(jīng)過大約1000輪后才開始有節(jié)點(diǎn)死亡，當(dāng)達(dá)到2400輪后才接近全部死亡。對(duì)比發(fā)現(xiàn)，無論是節(jié)點(diǎn)出現(xiàn)死亡，還是節(jié)點(diǎn)全部死亡，本文算法經(jīng)歷的測(cè)試輪數(shù)都有明顯推遲。表明基于信道與能量模型有利于降低網(wǎng)絡(luò)能耗與均衡度，融合深度學(xué)習(xí)后進(jìn)一步增強(qiáng)對(duì)模型和路由參數(shù)計(jì)算，從而有效延遲網(wǎng)絡(luò)壽命。

針對(duì)UASNs節(jié)點(diǎn)移動(dòng)特性，對(duì)路由算法的適應(yīng)性進(jìn)行仿真分析。調(diào)整移動(dòng)速度，得到速度在0.5m～4m范圍變化時(shí)對(duì)數(shù)據(jù)包傳輸?shù)挠绊?，結(jié)果如圖4。圖中描述了移動(dòng)速度改變時(shí)，數(shù)據(jù)包投遞率的變化情況。對(duì)比可知，本文算法的數(shù)據(jù)包投遞率在全范圍內(nèi)表現(xiàn)較為均衡，沒有明顯的波動(dòng)，而且一直維持較高的投遞水平。實(shí)驗(yàn)結(jié)果充分說明本文的路由算法具有良好可靠的動(dòng)態(tài)適應(yīng)性，能夠有效應(yīng)對(duì)水流對(duì)UASNs網(wǎng)絡(luò)結(jié)構(gòu)的影響。

圖4 對(duì)數(shù)據(jù)包傳輸?shù)挠绊?/p>

6 結(jié)束語

本文針對(duì)UASNs面臨的路由問題，提出了融合深度學(xué)習(xí)的智能路由算法。根據(jù)信道與能耗模型完成立體區(qū)域內(nèi)簇頭的選擇，并通過構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)完成路由參數(shù)的提取分析，進(jìn)而為節(jié)點(diǎn)分配最佳路由策略。仿真實(shí)驗(yàn)從簇頭分布、網(wǎng)絡(luò)生命周期和適應(yīng)性三方面采取實(shí)驗(yàn)對(duì)比，證明了信道與能耗模型在分簇路由過程中的有效性，提高了能量均衡與生命周期，同時(shí)也提高了路由算法對(duì)UASNs動(dòng)態(tài)拓?fù)涞倪m應(yīng)性。