基于平均能量閾值和模糊理論的無線網(wǎng)絡(luò)聚類方案

楊 瓊, 馮義東, 田雪蓮

(1.瓊臺(tái)師范學(xué)院 信息科學(xué)技術(shù)學(xué)院, 海南 ?？?571127; 2.海南師范大學(xué) 教育學(xué)院, 海南 ?？?571158;3.海南師范大學(xué) 數(shù)據(jù)科學(xué)與智慧教育教育部重點(diǎn)實(shí)驗(yàn)室, 海南 ?？?571158; 4.成都工業(yè)職業(yè)技術(shù)學(xué)院 科研處, 四川 成都 610081)

0 引言

近些年,無線傳感器(WSN)在智能城市開發(fā)、自配置網(wǎng)絡(luò)組建、物聯(lián)網(wǎng)(IoT)、監(jiān)控、監(jiān)測等領(lǐng)域成為研究熱點(diǎn)[1]．WSN以隨機(jī)或確定的方式部署的各式傳感器,這些傳感器包含無線單元和嵌入式GPS,但在電池、存儲(chǔ)容量和數(shù)據(jù)處理方面性能有限[2],各種因素會(huì)造成電池電量的額外消耗,使節(jié)點(diǎn)工作壽命呈指數(shù)型下降,因此,需要根據(jù)應(yīng)用需求建立不同的路由方案,以提高信息傳遞和網(wǎng)絡(luò)存活性方面的網(wǎng)絡(luò)性能[3]．

為實(shí)現(xiàn)性能更好的網(wǎng)絡(luò)構(gòu)建,研究者提出了很多能量高效的路由協(xié)議[4]．其中聚類方法從部署的節(jié)點(diǎn)中選擇簇頭,并在數(shù)據(jù)積累過程中在相應(yīng)的簇頭處丟棄關(guān)聯(lián)節(jié)點(diǎn)的冗余數(shù)據(jù),以完成向基站(BS)的數(shù)據(jù)傳輸．如:Liu Y,等[5]提出了一種基于改進(jìn)的能量效率的路由協(xié)議(IEERP),利用先驗(yàn)概率的閾值方法,在每次輪換中選擇簇頭,以處理傳感器節(jié)點(diǎn)的各種約束,提高網(wǎng)絡(luò)效率．但這種方案由于僅基于先驗(yàn)概率來選擇簇頭,可能會(huì)選出不合適的簇頭,造成負(fù)荷和能量分布的穩(wěn)定性顯著降低;潘華,等[6]提出在簇頭節(jié)點(diǎn)和普通節(jié)點(diǎn)之間進(jìn)行雙向選取,同時(shí),針對LEACH的節(jié)點(diǎn)數(shù)據(jù)分發(fā)過程,提出了一種綜合考慮數(shù)據(jù)量和節(jié)點(diǎn)間距離的多跳數(shù)據(jù)分發(fā)方式,并從數(shù)學(xué)關(guān)系上證明此種分發(fā)方式更節(jié)能;楊帆[7]從分簇算法和路由算法的關(guān)聯(lián)性出發(fā),分別對基于模糊邏輯的分簇機(jī)制和基于蟻群算法的路由機(jī)制進(jìn)行了改進(jìn)．

很多集中式方法不能很好地控制網(wǎng)絡(luò)中的開銷,為克服上述缺陷,Fanian F,等[8]提出了基于模糊邏輯的聚類算法(Fuzzy-LEACH),以延長網(wǎng)絡(luò)工作壽命．利用超級(jí)簇頭的概念,使用模糊描述子技術(shù),向移動(dòng)BS進(jìn)行數(shù)據(jù)傳輸．但依然存在簇頭選擇問題,沒有考慮到每次輪換中節(jié)點(diǎn)的能量分布．為增加網(wǎng)絡(luò)穩(wěn)定性,Devulapallia,等[9]提出了利用模糊邏輯來遴選簇頭,還從選出的簇頭列表中額外加入了中間節(jié)點(diǎn),使之具有最大能量的節(jié)點(diǎn)．但其責(zé)任僅將簇頭的數(shù)據(jù)傳輸至靜態(tài)BS．

為了實(shí)現(xiàn)更好的網(wǎng)絡(luò)性能,提出了同構(gòu)無線傳感器網(wǎng)絡(luò)中移動(dòng)匯聚節(jié)點(diǎn)的模糊理論高效聚類方案．協(xié)議采用了三層通信架構(gòu),即節(jié)點(diǎn)到簇頭、簇頭到超級(jí)簇頭、以及超級(jí)簇頭到移動(dòng)BS的通信．通過節(jié)點(diǎn)在每次輪換的能量平均閾值來選擇簇頭,從而實(shí)現(xiàn)均衡的簇頭能量分布．其主要?jiǎng)?chuàng)新之處在于:

1) 基于先驗(yàn)概率,同時(shí)考慮到節(jié)點(diǎn)在每次輪換的平均能量水平來選擇簇頭,從而實(shí)現(xiàn)均衡的簇頭能量分布;

2) 基于模糊邏輯描述子來選擇超級(jí)簇頭,但額外考慮了簇頭的平均能量輸入模糊隸屬度函數(shù)[10](IMF),使得超級(jí)簇頭的選擇更加合理．實(shí)驗(yàn)結(jié)果驗(yàn)證了所提方案的優(yōu)越性．

1 提出的改進(jìn)方案

1.1 網(wǎng)絡(luò)拓?fù)渑c假設(shè)

假設(shè)傳感器節(jié)點(diǎn)在檢測到數(shù)據(jù)后并進(jìn)行發(fā)送,簇頭(CH)收集這些數(shù)據(jù),并對其進(jìn)行匯總發(fā)送到基站．為了節(jié)省能源,假設(shè)CH中的一個(gè)超級(jí)簇頭(SCH)可以將數(shù)據(jù)發(fā)送到BS．由于不需要多個(gè)CH將消息傳遞給BS,因此,可以有效利用帶寬,提高能源利用效率．本文方案使用了模糊邏輯模型,并在傳感器節(jié)點(diǎn)電量、BS移動(dòng)性和中心性之外考慮了額外的輸入隸屬函數(shù)(IMF),即CH的平均能量Eavg,以及用于選擇SCH的輸出隸屬函數(shù)(OMF)．此外,基于平均能量概念[11],對LEACH[12]用于選擇CH的普通聚類規(guī)則進(jìn)行修改．

本文方案中采用的網(wǎng)絡(luò)拓?fù)浜图僭O(shè),列舉如下:

1) 在特定網(wǎng)絡(luò)區(qū)域內(nèi)隨機(jī)部署傳感器節(jié)點(diǎn)以進(jìn)行環(huán)境監(jiān)測; 2) 在部署完成后,所有節(jié)點(diǎn)的位置是固定的,即不具移動(dòng)性; 3) 網(wǎng)絡(luò)中的基站(BS)具有移動(dòng)性,其遵循隨機(jī)路點(diǎn)移動(dòng)性模型; 4) 網(wǎng)絡(luò)具有同構(gòu)性,其中所有傳感器節(jié)點(diǎn)均有著等額的初始能量; 5) 利用接收信號(hào)強(qiáng)度,完成節(jié)點(diǎn)與BS之間的距離測量．

最后,通過仿真比較本文協(xié)議與其他協(xié)議在同構(gòu)無線傳感器網(wǎng)絡(luò)中的性能．

1.2 簇頭的選擇程序

每個(gè)節(jié)點(diǎn)i選擇[0, 1]之間的一個(gè)隨機(jī)數(shù)Ri以進(jìn)行CH選擇．若滿足下式,則節(jié)點(diǎn)在當(dāng)前輪次r中,將得到成為CH的機(jī)會(huì):

(1)

式中,G表示選定的CH組．

目前很多類似LEACH的協(xié)議采用了僅考慮先驗(yàn)概率popt的閾值Tth(r)方法,如下式所示．即:在每次輪換r中完成CH選擇:

(2)

(3)

(4)

本文協(xié)議還將CH選擇限制為kopt,表示為:

(5)

(6)

1.3 超級(jí)簇頭的模糊理論模型

模糊邏輯是基于人類經(jīng)驗(yàn)的系統(tǒng),通過用于輸入和輸出的推理規(guī)則提供有效的邏輯推理．圖1給出了模糊系統(tǒng)的基本流程,其中包含IMF和OMF,并帶有推理規(guī)則,可以根據(jù)要求處理輸出．

圖1 模糊推理系統(tǒng)示意圖 圖2 模糊邏輯系統(tǒng)示意圖

由于模糊邏輯是基于現(xiàn)實(shí)的方案,通過模糊輸入而非確定性輸入,提供了系統(tǒng)開發(fā)時(shí)的平滑性．由此,本文在傳感器網(wǎng)絡(luò)中采用模糊規(guī)則,即Mamdani模型[14]來選擇SCH,圖2所示．其中包含4個(gè)輸入隸屬度函數(shù),即傳感器電池電量,BS移動(dòng)性,CH間的中心性,CH的平均能量Eavg;以及一個(gè)輸出隸屬度函數(shù),以利用模糊推理規(guī)則得到SCH．

第一個(gè)IMF為節(jié)點(diǎn)電量,其中包含三個(gè)隸屬函數(shù)(MF),即低(梯形隸屬函數(shù))、中(三角形隸屬函數(shù))和高(梯形隸屬函數(shù)),如圖3(a)所示．

圖3 IMF的不同形式

第二個(gè)IMF為BS移動(dòng)性．考慮了BS的隨機(jī)路點(diǎn)移動(dòng)性的影響,因此將其考慮為IMF,以處理BS移動(dòng)性．其中包含三個(gè)MF,即低(梯形隸屬函數(shù))、適中(三角形隸屬函數(shù))和頻繁(梯形隸屬函數(shù)),如圖3(b)所示．

第三個(gè)IMF為CH的中心性．在SCH選擇中,應(yīng)得到CH的中心性相關(guān)信息,從而在CH中識(shí)別出SCH的合適位置．其中包含三個(gè)MF,即近(梯形隸屬函數(shù))、適中(三角形隸屬函數(shù))和遠(yuǎn)(梯形隸屬函數(shù)),如圖3(c)所示．

第四個(gè)IMF為CH的Eavg,與Fuzzy-LEACH的模糊描述子相比,這是本文協(xié)議中新添加的IMF．其包含兩個(gè)MF,即:低(梯形隸屬函數(shù))和高(梯形隸屬函數(shù)),如圖3(d)所示．由此,向平均能量較高的CH提供更多的機(jī)會(huì)．其中還包括一個(gè)OMF,即SCH,其中考慮9個(gè)MF,從而根據(jù)四個(gè)IMF實(shí)現(xiàn)SCH的平滑選擇．

表1列舉了(輸入/輸出)隸屬度函數(shù)與規(guī)則．對于每個(gè)IMF組合,生成3×3×3×2=54條規(guī)則,以平滑地選擇SCH．如前文所示,本文在IMF中進(jìn)行了修改,在IMF中還考慮了CH的Eavg．對于每個(gè)模糊推理規(guī)則,剩余能量超過Eavg的CH將更適合成為SCH．輸出變量的隸屬度函數(shù)為:

表1 用于SCH選擇的模糊推理規(guī)則

Chance=(節(jié)點(diǎn)能量-1)+BS移動(dòng)性+

CH的中心性+CH的Eavg

(7)

在式(7)中,考慮剩余節(jié)點(diǎn)電量是因?yàn)槊恳惠喍紩?huì)有一定的節(jié)點(diǎn)能量消耗．BS流動(dòng)性、CH中心性和CH的Eavg都是加性因素,SCH與BS的距離增加或減小取決于BS．

提出的模糊邏輯高效聚類算法如以下算法所示．在網(wǎng)絡(luò)設(shè)置階段,需要采集數(shù)據(jù)的感興趣網(wǎng)絡(luò)區(qū)域內(nèi)部署傳感器節(jié)點(diǎn)．然后,對仿真參數(shù)進(jìn)行初始化．在每次輪換中執(zhí)行本文協(xié)議的路由程序．

算法: 基于模糊理論的高效聚類算法

1. 網(wǎng)絡(luò)設(shè)置;

2. 參數(shù)初始化;

3. for r=0 to r≤max(r) do

4. if 任何節(jié)點(diǎn)存活 then

選擇kopt個(gè)CH;

識(shí)別移動(dòng)BS的位置;

應(yīng)用模糊推理規(guī)則,從選出的CH中選擇合適的SCH;

for CH do

將節(jié)點(diǎn)關(guān)聯(lián)到相應(yīng)CH;

在CH處對從節(jié)點(diǎn)接收的數(shù)據(jù)進(jìn)行聚合;

將采集數(shù)據(jù)發(fā)送至SCH;

end

for SCH do

將CH關(guān)聯(lián)到SCH;

在SCH處對從CH接收到的數(shù)據(jù)進(jìn)行聚合;

將采集數(shù)據(jù)發(fā)送至移動(dòng)BS;

end

else

結(jié)束仿真;

end

r=r+1;

end

2 實(shí)驗(yàn)仿真與分析

2.1 實(shí)驗(yàn)設(shè)置

通過實(shí)驗(yàn)仿真分析,利用MATLAB比較本文協(xié)議與IEERP[5]、LEACH[6]、Fuzzy-LEACH[8]和在同構(gòu)無線傳感器網(wǎng)絡(luò)中的性能．在100 m×100 m的網(wǎng)絡(luò)區(qū)域內(nèi)隨機(jī)分布n=40個(gè)節(jié)點(diǎn)．BS是可移動(dòng)的,遵循隨機(jī)路點(diǎn)移動(dòng)性模型[15-16]．協(xié)議的優(yōu)先概率設(shè)為popt=0.05,其他仿真參數(shù)如表2所示．為避免隨機(jī)因子Ri的隨機(jī)特性影響,使用相同的網(wǎng)絡(luò)拓?fù)渲貜?fù)執(zhí)行5次仿真,并取仿真結(jié)果均值．

表2 仿真參數(shù)

2.2 穩(wěn)定周期與工作壽命

圖4給出了不同輪數(shù)下的存活節(jié)點(diǎn)數(shù)量變化情況．從中可發(fā)現(xiàn),與其他方案相比,本文方案中節(jié)點(diǎn)工作壽命和網(wǎng)絡(luò)覆蓋度均更高,且得益于能耗同步化,本文方案中存活節(jié)點(diǎn)的數(shù)量變化更加平滑,相對延長了穩(wěn)定周期(至第一個(gè)節(jié)點(diǎn)死亡)．周期從長到短依次為IEERP>本文協(xié)議>Fuzzy-LEACH>LEACH．網(wǎng)絡(luò)中超過70%的節(jié)點(diǎn)死亡后,本文協(xié)議的性能與IEERP較為接近,但I(xiàn)EERP延長網(wǎng)絡(luò)工作壽命的代價(jià)是網(wǎng)絡(luò)覆蓋度較低,只有本文方案的一半左右．表3列舉了穩(wěn)定周期和工作壽命評(píng)估結(jié)果,與LEACH和Fuzzy-LEACH相比,本文方案穩(wěn)定周期分別提高了3.41%和3.06%,達(dá)到了3%以上水平,在網(wǎng)絡(luò)工作壽命方面,分別提高了157%和46%．這主要得益于能耗同步化,存活的節(jié)點(diǎn)數(shù)量更加合理平滑,利用模糊規(guī)則延長了網(wǎng)絡(luò)工作壽命,并降低了BS處的開銷．

表3 穩(wěn)定周期和工作壽命的評(píng)估結(jié)果

圖4 存活節(jié)點(diǎn)與輪數(shù)的關(guān)系

不同輪數(shù)下的節(jié)點(diǎn)剩余能量變化情況如圖6所示．為了更好展示能量變化,圖中給出了6 000輪的節(jié)點(diǎn)能耗情況．本文協(xié)議比LEACH的能耗小30%,但比IEERP的能耗大30%．此外,Fuzzy-LEACH協(xié)議的能耗稍大于IEERP和本文方案．通過圖4和圖5的綜合比較分析可知,本文方案能夠延長網(wǎng)絡(luò)工作壽命和穩(wěn)定周期．

不同輪數(shù)時(shí)的穩(wěn)定周期和節(jié)點(diǎn)死亡情況比較如圖6所示,其中,本文協(xié)議實(shí)現(xiàn)了顯著性能改善．圖中給出了在n=40個(gè)節(jié)點(diǎn)的情況下節(jié)點(diǎn)死亡的各階段詳情．其中本文協(xié)議在穩(wěn)定周期方面的性能與IEERP協(xié)議較為接近,這是因?yàn)楹笳卟捎昧似骄芰糠ǎ?/p>

圖5 不同輪數(shù)下的節(jié)點(diǎn)剩余能量變化情況 圖6 穩(wěn)定周期和死亡節(jié)點(diǎn)比較

2.3 定端到端延遲和吞吐量

平均端到端延遲和吞吐量的具體數(shù)值如表4所示．與其他協(xié)議相比,本文協(xié)議的延遲居中．這是因?yàn)楸疚膮f(xié)議提高了網(wǎng)絡(luò)穩(wěn)定周期、工作壽命,并改善了聚類方法性能,這些方面的性能改善改善了節(jié)點(diǎn)存活性,使其可以持續(xù)將數(shù)據(jù)傳輸至其他節(jié)點(diǎn)或移動(dòng)BS,但也會(huì)造成網(wǎng)絡(luò)中平均端到端延遲的增加．對于IEERP協(xié)議來說也同樣如此,其穩(wěn)定周期較長,吞吐量較大,導(dǎo)致端到端延遲相對較高．

表4 平均端到端延遲和吞吐量評(píng)估

數(shù)據(jù)包傳輸情況如圖7所示,與其他協(xié)議相比,本文協(xié)議顯著改善了吞吐量性能．其中展示了在每個(gè)階段的數(shù)據(jù)包傳遞,即N-CH(表示節(jié)點(diǎn)到簇頭),CH-SCH(表示簇頭到超級(jí)簇頭)和SCH-BS(超級(jí)簇頭到基站),以及中間丟棄的數(shù)據(jù)包．在吞吐量方面的性能排序依次為本文方案> IEERP> Fuzzy-LEACH> LEACH．

圖7 數(shù)據(jù)包傳輸和吞吐量

3 結(jié)論

提出了用于同構(gòu)無線傳感器網(wǎng)絡(luò)中移動(dòng)匯聚節(jié)點(diǎn)的高效聚類方案．采用三層通信,即從節(jié)點(diǎn)到簇頭(CH)、從CH到超級(jí)簇頭(SCH)和SCH到移動(dòng)基站(BS)的數(shù)據(jù)傳輸,還對SCH選擇方法進(jìn)行了改進(jìn),提出基于模糊推理規(guī)則,并考慮到CH的平均能量輸入隸屬函數(shù)進(jìn)行SCH選擇．仿真分析中考慮了網(wǎng)絡(luò)的穩(wěn)定周期(第一個(gè)節(jié)點(diǎn)死亡)、網(wǎng)絡(luò)工作壽命、剩余能量變化、吞吐量、延遲．結(jié)果表明,所提協(xié)議實(shí)現(xiàn)了顯著的性能改善．未來嘗試將本文的一些理論應(yīng)用到動(dòng)態(tài)和異構(gòu)的無線傳感器網(wǎng)絡(luò)．