軟件定義云邊協(xié)同架構(gòu)下的水下監(jiān)測新機制

金志剛, 洪 葉, 蘇毅珊,*, 羊秋玲

(1. 天津大學(xué)電氣自動化與信息工程學(xué)院, 天津 300072;2. 海南大學(xué)計算機科學(xué)與技術(shù)學(xué)院, 海南 ?？?570228)

0 引 言

海洋是生命的搖籃和地球資源的寶庫[1-2]。近年來,國內(nèi)海洋監(jiān)測得到迅速發(fā)展,浮標(biāo)監(jiān)測網(wǎng)、水質(zhì)自動監(jiān)測站等技術(shù)設(shè)備被廣泛應(yīng)用于海洋監(jiān)測網(wǎng)中;國外也進行了相關(guān)的研究,如日本地震和海嘯海底觀測密度網(wǎng)絡(luò)(dense oceanfloor network system for earthquakes and tsunamis, DONET)與美國大型海底觀測計劃(ocean observatories initiative, OOI)[3]。為響應(yīng)建設(shè)海洋強國的號召,應(yīng)加快對海洋監(jiān)測的研究。

水聲傳感器網(wǎng)絡(luò)(underwater acoustic sensor networks, UASNs)是海洋監(jiān)測的關(guān)鍵技術(shù),其已在環(huán)境監(jiān)測、資源勘探等領(lǐng)域得到了廣泛應(yīng)用[4]。傳統(tǒng)UASNs結(jié)構(gòu)有二維和三維網(wǎng)絡(luò)[5],根據(jù)傳統(tǒng)開放式系統(tǒng)互聯(lián)通信參考模型(open system interconnection reference model, OSI)和傳輸控制協(xié)議/網(wǎng)際協(xié)議(transmission control protocol/internet protocol, TCP/IP)模型自下而上設(shè)置為物理層、數(shù)據(jù)鏈路層、網(wǎng)絡(luò)層、傳輸層及應(yīng)用層[6]。而UASNs大多依賴于硬件基礎(chǔ)設(shè)施,相關(guān)協(xié)議及應(yīng)用在部署之前就固化在節(jié)點的硬件存儲器中[7],可控性及靈活性較差。為滿足水下多樣化監(jiān)測任務(wù)的需求,迫切需要設(shè)計新型、智能且靈活的水聲傳感器監(jiān)測網(wǎng)。

軟件定義網(wǎng)絡(luò)(software defined network, SDN)是一種新的集中式管理技術(shù),將路由器的控制平面與數(shù)據(jù)平面分離[8-9]。在無線傳感器網(wǎng)絡(luò)(wireless sensor network, WSN)領(lǐng)域,基于SDN的研究較為成熟。文獻[10]設(shè)計了一種基于軟件定義WSN的能量路由算法,路由算法在控制器中運行,每個節(jié)點總是與其距離最近的節(jié)點進行通信,該研究驗證了基于SDN的WSN路由協(xié)議比傳統(tǒng)的WSN路由協(xié)議具有更好的性能。文獻[11]將強化學(xué)習(xí)應(yīng)用于軟件定義WSN的路由路徑優(yōu)化,利用SDN控制器進行路由決策,實現(xiàn)了控制平面與數(shù)據(jù)平面的分離,并延長了網(wǎng)絡(luò)的生命周期。而將SDN與UASNs結(jié)合是目前的重點研究方向之一,文獻[12]定義了一種水下SDN體系結(jié)構(gòu),該體系結(jié)構(gòu)可輕松結(jié)合新的水下通信解決方案,提高網(wǎng)絡(luò)的健壯性和能效。文獻[13]提出一種基于軟件定義的多自主水下航行器(autonomous underwater vehicle, AUV)UASNs模型,提高了UASNs的可擴展性和可控性。文獻[14]提出基于SDN的能量感知路由,利用SDN提出的集中式解決方案解決了UASNs低效以及不協(xié)調(diào)的信道接入導(dǎo)致的問題,并通過實驗表明該研究在可靠性、時延、能效、壽命和公平性方面比傳統(tǒng)路由協(xié)議表現(xiàn)更佳。將SDN應(yīng)用于UASNs進行海洋監(jiān)測,可解決傳統(tǒng)UASNs監(jiān)測存在的問題。

此外,目前常見的海洋監(jiān)測方法有衛(wèi)星遙感、海底觀測等,遙感衛(wèi)星只能對海表進行大范圍的監(jiān)測,而UASNs僅在水下展開監(jiān)測且面臨著復(fù)雜多變的海洋環(huán)境[15-16]。所以,單一的監(jiān)測方式無法完成全方位立體的海洋監(jiān)測。

本文首先提出一種監(jiān)測網(wǎng)絡(luò)架構(gòu),通過控制器將集中式云中心的功能部署至底層傳感器及邊緣控制器上,并對網(wǎng)絡(luò)進行分級控制;其次,基于該架構(gòu)提出一種以水下監(jiān)測為主聯(lián)合低軌遙感衛(wèi)星監(jiān)測的多級協(xié)同水下監(jiān)測(multilevel collaborative underwater monitoring, MLCUM)機制。該機制先通過低軌衛(wèi)星進行大范圍監(jiān)測,隨即展開二級小范圍水下監(jiān)測及水下聯(lián)合監(jiān)測。本文提高了網(wǎng)絡(luò)的可擴展性及靈活性,減少了數(shù)據(jù)流量,降低了傳輸時延及能耗,實現(xiàn)了多監(jiān)測任務(wù)的切換及對海洋的全面監(jiān)測,滿足了海洋監(jiān)測多樣化應(yīng)用的需求。

1 系統(tǒng)模型

1.1 水下軟件定義監(jiān)測網(wǎng)絡(luò)架構(gòu)

本文首先構(gòu)建了一種水下軟件定義監(jiān)測網(wǎng)絡(luò)(underwater software defined monitoring networks, USDMN)系統(tǒng)架構(gòu),如圖1所示。

圖1 USDMN架構(gòu)Fig.1 USDMN architecture

底層為智能感知層,由多種智能感知設(shè)備及AUV組成;中間層為邊緣控制層,由主要控制節(jié)點(sink控制節(jié)點)以及具備邊緣處理功能及控制功能的邊緣控制節(jié)點組成;最上層為應(yīng)用層,由低軌遙感衛(wèi)星、地面數(shù)據(jù)中心及云數(shù)據(jù)中心組成。本文架構(gòu)允許應(yīng)用層的下行數(shù)據(jù)和邊緣控制層的上行數(shù)據(jù)進行交互通信[17],通過SDN來管理網(wǎng)絡(luò)并簡化邊緣計算架構(gòu)的復(fù)雜性,使相對簡單的邊緣設(shè)備免于決策復(fù)雜的網(wǎng)絡(luò)活動,如業(yè)務(wù)切換、流量控制等,具體設(shè)計如表1所示。

表1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計Table 1 Network structure design

感知數(shù)據(jù)在原位置按照Open Flow協(xié)議定義的流表[18]進行原位處理,之后中繼至邊緣控制節(jié)點進行預(yù)處理[19],然后將處理結(jié)果上傳至陸地數(shù)據(jù)中心及云數(shù)據(jù)中心,繼續(xù)進行深度處理,并根據(jù)分析結(jié)果下發(fā)控制命令,使底層智能傳感器進行特定數(shù)據(jù)的收集,最終實現(xiàn)全方位分層立體的廣域海洋監(jiān)測。

水下延遲包括5部分:sink控制節(jié)點向下進行功能部署的延遲TSDN、智能傳感層向邊緣控制節(jié)點傳輸延遲Tend-edge、智能傳感層進行原位處理的延遲Tpreprocess、邊緣處理的延遲Tprocess、邊緣控制節(jié)點向云中心傳輸?shù)难舆tTedge-cloud。其中,TSDN包括sink節(jié)點向邊緣控制節(jié)點部署的延遲Ts-edge以及邊緣控制節(jié)點向智能傳感設(shè)備部署的延遲Tedge-end,Tend-edge又分為感知數(shù)據(jù)中繼延遲Trelay和AUV移動延遲TAUV,總延遲為

Tdelay=TSDN+Tend-edge+Tpreprocess+Tprocess+Tedge-cloud

(1)

TSDN=Ts-edge+Tedge-end

(2)

Tend-edge=Trelay+TAUV

(3)

在能耗模型中,N和M分別表示節(jié)點發(fā)送和接收數(shù)據(jù)包的數(shù)量,Cξ為數(shù)據(jù)發(fā)送能耗,Cφ為數(shù)據(jù)接收能耗,Epre為智能傳感層原位處理的能耗開銷,Epro為邊緣處理任務(wù)的能耗開銷,sink節(jié)點間發(fā)送接收數(shù)據(jù)包的能耗為Ebetween。因此,能耗模型需要滿足以下要求:

Etotal=Eξ+Eφ+Epre+Epro+Ebetween=

NCξ+MCφ+Epre+Epro+Ebetween

(4)

1.2 多業(yè)務(wù)切換機制

該架構(gòu)中sink控制節(jié)點作為SDN主控制器,可完成路由計算、網(wǎng)絡(luò)拓?fù)涔芾?、監(jiān)測業(yè)務(wù)切換等管理任務(wù)。邊緣控制節(jié)點作為次控制器僅對其控制域內(nèi)的節(jié)點進行管理,將部分?jǐn)?shù)據(jù)處理任務(wù)部署至智能終端傳感設(shè)備,并完成上級控制器部署的數(shù)據(jù)處理任務(wù)。

此外,通過網(wǎng)絡(luò)功能虛擬化可完成網(wǎng)絡(luò)資源切片,從而實現(xiàn)網(wǎng)絡(luò)資源的按需靈活分配,極大地增強了網(wǎng)絡(luò)的靈活性[12]。因此,當(dāng)有不同業(yè)務(wù)需求時,可下達指令至USDMN的sink控制節(jié)點以進行業(yè)務(wù)分析并將拓?fù)湔{(diào)整、流量配置等策略通過東西向接口發(fā)送給邊緣控制節(jié)點,邊緣控制節(jié)點再將相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)變動按照Open Flow協(xié)議以流表的形式部署至智能傳感設(shè)備,傳感設(shè)備按照所部署的流表進行網(wǎng)絡(luò)功能切換及必要的拓?fù)湔{(diào)整。該監(jiān)測架構(gòu)實現(xiàn)了根據(jù)任務(wù)需求的監(jiān)測任務(wù)切換,并可通過移動的AUV及深度可調(diào)節(jié)傳感設(shè)備[20]完成整個網(wǎng)絡(luò)基礎(chǔ)設(shè)施的重新部署,具體流程如圖2所示。

圖2 多業(yè)務(wù)切換示意圖Fig.2 Multi-service switching schematic diagram

具體來說,在收到業(yè)務(wù)轉(zhuǎn)換需求時,云中心通過無線電鏈路向sink控制節(jié)點發(fā)送指令。當(dāng)新業(yè)務(wù)不需要網(wǎng)絡(luò)重新部署時,sink控制節(jié)點便直接下發(fā)指令調(diào)動新業(yè)務(wù)模塊,邊緣控制節(jié)點收到指令后將數(shù)據(jù)預(yù)處理算法轉(zhuǎn)換至新業(yè)務(wù)數(shù)據(jù)的處理體系并將控制指令下發(fā)至其控制域內(nèi)的底層智能傳感器節(jié)點上,底層傳感器接收到控制指令后進行響應(yīng)并根據(jù)控制指令做出相應(yīng)的變化,收集的數(shù)據(jù)類型及原位處理算法也轉(zhuǎn)換至新業(yè)務(wù)相關(guān);當(dāng)新業(yè)務(wù)要求網(wǎng)絡(luò)重新部署時,網(wǎng)絡(luò)中的節(jié)點除以上所有變化外,再根據(jù)sink控制節(jié)點計算得出的新拓?fù)洳呗赃M行重新部署。與通過船舶投放節(jié)點來實現(xiàn)新的監(jiān)測任務(wù)相比,基于SDN的業(yè)務(wù)切換機制節(jié)省了大量的人力和物力資源。

1.3 MLCUM機制

MLCUM機制如圖3所示,先利用低軌遙感衛(wèi)星對大規(guī)模海域進行異常篩查,若發(fā)現(xiàn)異常,則由云數(shù)據(jù)中心通過控制器向智能傳感設(shè)備下發(fā)指令,進行信息采集并處理分析,生成二級監(jiān)測結(jié)果。確認(rèn)異常后,通過sink節(jié)點告知相鄰的監(jiān)測網(wǎng)絡(luò)進行水下聯(lián)合異常監(jiān)測。該機制實現(xiàn)了基于SDN的云洋協(xié)同海洋監(jiān)測。

圖3 MLCUM機制Fig.3 MLCUM mechanism

1.3.1 低軌遙感衛(wèi)星監(jiān)測

海洋遙感利用傳感器實現(xiàn)對海洋的遠距離非接觸觀測,以獲取海洋要素的圖像或數(shù)據(jù)[21]。遙感衛(wèi)星可搭載多種具有不同功能的傳感器,如云遙宇航研發(fā)的星載全球?qū)Ш叫l(wèi)星系統(tǒng)(global navigotion satellite system, GNSS)反射探測載荷[22],以提供海洋監(jiān)測數(shù)據(jù)從而對海洋進行多方位的監(jiān)測。目前,海洋遙感監(jiān)測主要應(yīng)用于海洋環(huán)境災(zāi)害及海洋地質(zhì)災(zāi)害的監(jiān)測,不同遙感衛(wèi)星或其所搭載的不同功能的傳感器可以獲取大量的水溫、海流、海水污染等圖像或數(shù)據(jù)[23],基于這些信息可對海洋災(zāi)害進行監(jiān)測。

水溫是影響海洋環(huán)境的重要因素[24],因此低軌遙感衛(wèi)星可對海表溫度進行監(jiān)測,獲取實時海表溫度,以實現(xiàn)海洋環(huán)境的實時監(jiān)測。美國國家海洋和大氣管理局提供了對珊瑚礁的監(jiān)測方法[25],利用低軌遙感衛(wèi)星獲取的5 km海表溫度值得到周熱度指數(shù)和熱點指數(shù),將得到的指數(shù)值按照珊瑚礁白化警報級別判斷標(biāo)準(zhǔn)給出其白化預(yù)警結(jié)果。大氣溫度及海浪海波的狀態(tài)變化是海洋地質(zhì)災(zāi)害的主要表現(xiàn),海洋地震發(fā)生前,震中位置的大氣溫度折線圖會出現(xiàn)“蝴蝶形”特殊曲線形狀[26],因此可通過星載GNSS反射探測載荷衛(wèi)星對海洋大氣溫度進行監(jiān)測,若大氣溫度折線圖出現(xiàn)特殊形狀,則產(chǎn)生災(zāi)難預(yù)警,以此來達到海洋地震監(jiān)測的目的。

1.3.2 二級小范圍水下監(jiān)測

二級小范圍監(jiān)測的關(guān)鍵在于智能傳感層與邊緣控制層的信息交互與處理。傳統(tǒng)UASNs收集完數(shù)據(jù)以時間觸發(fā)的方式全部上傳。但上傳數(shù)據(jù)中包含大量的正常數(shù)據(jù),使網(wǎng)絡(luò)負(fù)載過大,降低其整體性能。因此,在邊緣端對數(shù)據(jù)進行處理,可避免不必要的傳輸和浪費,數(shù)據(jù)驅(qū)動的異常數(shù)據(jù)檢測如圖4所示。

圖4 數(shù)據(jù)檢測流程圖Fig.4 Data detection flow chart

部署在底層的智能傳感設(shè)備具有感知數(shù)據(jù)的能力并可對數(shù)據(jù)進行原位處理來判斷是否出現(xiàn)異常,然后聯(lián)合AUV進行協(xié)同分析。若判斷為正常,則原位存儲不再上傳;若數(shù)據(jù)異常,則邊緣控制節(jié)點通知AUV收集數(shù)據(jù)進行判斷。若AUV判斷數(shù)據(jù)為正常,則其對智能傳感設(shè)備展開故障檢測;否則上傳至邊緣控制層進行下一步處理,并將處理結(jié)果上報至數(shù)據(jù)中心。該監(jiān)測方法需要提前將數(shù)據(jù)異常判斷的標(biāo)準(zhǔn)設(shè)置在底層智能傳感設(shè)備中,如海水pH值、溫度等指標(biāo)。

1.3.3 水下聯(lián)合監(jiān)測

在進行水下聯(lián)合監(jiān)測時,小范圍海洋監(jiān)測網(wǎng)絡(luò)架構(gòu)共用同一云端,不同網(wǎng)絡(luò)之間通過sink控制節(jié)點進行無線電通信。

具體示意圖如圖5所示,當(dāng)一小范圍網(wǎng)絡(luò)監(jiān)測到異常且sink控制節(jié)點接收到數(shù)據(jù)異常的確認(rèn)消息后,sink節(jié)點立即向相鄰監(jiān)測網(wǎng)絡(luò)廣播異常信息并啟動聯(lián)合監(jiān)測,使其對本監(jiān)測區(qū)域進行數(shù)據(jù)收集并檢測是否存在異常情況,數(shù)據(jù)檢測方法與二級小范圍水下監(jiān)測相同。

圖5 水下聯(lián)合監(jiān)測示意圖Fig.5 Underwater joint monitoring schematic diagram

2 實驗性能與評價

本節(jié)通過仿真軟件進行數(shù)值仿真實驗來評估本文的工作:首先分析MLCUM機制對異常數(shù)據(jù)的平均處理時間和傳輸能耗的影響;其次評價在不同傳輸方式下,本文架構(gòu)與傳統(tǒng)架構(gòu)在總能耗、端到端延遲以及包投遞率3個指標(biāo)上的表現(xiàn);最后,更換實驗場景來說明本文架構(gòu)的靈活性,可滿足不同監(jiān)測任務(wù)的需求。

2.1 實驗場景設(shè)置

本實驗選取20 000×20 000×5 000 m3的三維網(wǎng)絡(luò)作為海洋災(zāi)難監(jiān)測的場景,部署了300個傳感器節(jié)點,其中包括智能傳感設(shè)備以及邊緣控制節(jié)點,并在水面共布置4個位置已知的sink控制節(jié)點,用于控制指令的下發(fā)以及區(qū)域間的信息交互,主要實驗參數(shù)如表2所示。

表2 實驗參數(shù)設(shè)置Table 2 Experimental parameters setting

2.2 性能評價

2.2.1 監(jiān)測機制評價

本文所提出機制的重點在各個部分的數(shù)據(jù)處理、傳輸及交互,經(jīng)典的路由協(xié)議基于矢量的逐跳轉(zhuǎn)發(fā)協(xié)議(hop-by-hop vector based forwarding,HHVBF)可以很好地檢測UASNs轉(zhuǎn)發(fā)數(shù)據(jù)時的性能,因此采用HHVBF來完成數(shù)據(jù)的傳輸。

本實驗數(shù)據(jù)包生成速率為0.1 packets/s,α在[0,1]內(nèi)變化,其中0為數(shù)據(jù)無異常,1為全異常。表3顯示了α為0.5時的異常數(shù)據(jù)平均處理時間,本文所提出的數(shù)據(jù)驅(qū)動的異常數(shù)據(jù)分散處理方法需要2.375 s。這是因為SDN將異常判斷及數(shù)據(jù)處理功能分別部署至智能傳感設(shè)備及邊緣控制節(jié)點上,距離數(shù)據(jù)源更近。將異常數(shù)據(jù)傳輸至水下的邊緣端進行處理比傳統(tǒng)的將全部數(shù)據(jù)上傳至水面數(shù)據(jù)中心進行處理所需要的跳數(shù)少,這樣可以避免數(shù)據(jù)包碰撞和重傳,縮短時延,減輕數(shù)據(jù)中心的壓力。

表3 異常數(shù)據(jù)平均處理時間Table 3 Average processing time of abnormal data s

圖6表示本文所提出的數(shù)據(jù)處理方法與傳統(tǒng)的數(shù)據(jù)處理方法在不同異常數(shù)據(jù)率的情況下傳輸能耗方面的差異,傳輸能耗為數(shù)據(jù)從數(shù)據(jù)源傳輸至數(shù)據(jù)處理地點所消耗的能量。兩種處理方式的主要區(qū)別在于驅(qū)動方式、數(shù)據(jù)處理地點以及處理數(shù)據(jù)類型:傳統(tǒng)數(shù)據(jù)集中處理是以時間觸發(fā)的方式將收集到的所有數(shù)據(jù)全部上傳至水面數(shù)據(jù)中心進行處理,而新型數(shù)據(jù)分散處理是以數(shù)據(jù)驅(qū)動的方式只將異常數(shù)據(jù)傳輸至水下邊緣設(shè)備進行處理。數(shù)據(jù)驅(qū)動的異常數(shù)據(jù)檢測方法只有當(dāng)數(shù)據(jù)出現(xiàn)異常時才會將數(shù)據(jù)上傳,而異常數(shù)據(jù)是少量的,剩余正常數(shù)據(jù)原位存儲一段時間后丟棄,因此本文所提出方法的傳輸能耗明顯低于傳統(tǒng)方式。隨著α的增加,異常數(shù)據(jù)量不斷增加,本文方法的傳輸能耗不斷增加。當(dāng)α為1時,本文方法與傳統(tǒng)方式所需上傳的數(shù)據(jù)量相等,因此傳輸能耗也相同。

圖6 傳輸能耗Fig.6 Transmission energy consumption

2.2.2 USDMN系統(tǒng)架構(gòu)性能評價

本節(jié)對比了新架構(gòu)與傳統(tǒng)架構(gòu)在不同中繼協(xié)議下端到端時延、包投遞率以及總能耗的性能,中繼方式分別采用HHVBF協(xié)議[27]、基于深度調(diào)整的地理和機會路由(geographic and opportunistic routirg with depth adjustment, GEDAR)協(xié)議[28]以及基于Q學(xué)習(xí)的自適應(yīng)路由(Q-learning based adaptive routing, QELAR)協(xié)議[29],且將異常數(shù)據(jù)率設(shè)置為0.3。

圖7描繪了在不同傳輸方式下,本文新網(wǎng)絡(luò)架構(gòu)與傳統(tǒng)網(wǎng)絡(luò)架構(gòu)的端到端延遲隨數(shù)據(jù)包生成速率的變化情況,端到端時延為數(shù)據(jù)包從源端正確傳輸?shù)浇邮斩怂璧臅r間?？梢钥闯?在相同路由協(xié)議下,本文架構(gòu)具有比傳統(tǒng)架構(gòu)更低的端到端時延,這是因為本文架構(gòu)通過SDN控制器將數(shù)據(jù)處理任務(wù)部署至智能傳感設(shè)備及邊緣控制節(jié)點上。相比于傳統(tǒng)架構(gòu)在云端集中處理的方式,本文架構(gòu)的數(shù)據(jù)處理地點更靠近數(shù)據(jù)源,處理響應(yīng)速度更快。數(shù)據(jù)包生成速率越高,就越容易發(fā)生數(shù)據(jù)包的碰撞重傳,從而延長了每種傳輸方式的端到端時延。此外,因為HHVBF相比于其他兩種路由協(xié)議轉(zhuǎn)發(fā)跳數(shù)更多,所以其端到端時延總是最大。

圖7 端到端時延Fig.7 End-to-end delay

圖8表示本文架構(gòu)與傳統(tǒng)架構(gòu)在不同數(shù)據(jù)傳輸方式下的包投遞率與數(shù)據(jù)生成速率的關(guān)系,包投遞率為sink節(jié)點接收數(shù)據(jù)包數(shù)量與源節(jié)點發(fā)送數(shù)據(jù)包數(shù)量的比值?？梢钥闯鲈谙嗤酚蓞f(xié)議下,本文架構(gòu)的包投遞率總是高于傳統(tǒng)架構(gòu)的包投遞率。這是因為在本文架構(gòu)中,SDN控制器進行不同傳輸方式的路由決策,再將最優(yōu)路由表以流表形式部署至邊緣端。sink控制器掌握全局試圖并定期更新網(wǎng)絡(luò)狀態(tài),采用預(yù)設(shè)的路由算法來尋找最優(yōu)路徑。路由決策在功能強大的控制節(jié)點上進行,路由計算的速度更快,且網(wǎng)絡(luò)拓?fù)渥兓芗皶r被控制器發(fā)現(xiàn),路由的收斂性更強[30]。水下節(jié)點除AUV外一般不主動運動,且水下移動速度緩慢,因此拓?fù)渥兓颗c節(jié)點的通信范圍相比較小。所以,通過SDN進行部署路由表比傳統(tǒng)架構(gòu)進行自主決策的方式效率更高,所以傳輸效率更高,包投遞率也更高。每種傳輸方式的包投遞率都隨著數(shù)據(jù)生成速率的增加而減少,這是因為隨著數(shù)據(jù)生成速率的增加,傳輸一定數(shù)量數(shù)據(jù)包時產(chǎn)生的碰撞會增加,因此損失的數(shù)據(jù)包增多,包投遞率隨之減小。GEDAR通過對無效節(jié)點的深度調(diào)整進行拓?fù)淇刂?其包投遞率在這幾種傳輸方式中最高。

圖8 包投遞率Fig.8 Packet delivery rate

圖9可以看出,本文架構(gòu)與傳統(tǒng)架構(gòu)在不同數(shù)據(jù)傳輸方式下的總能耗與數(shù)據(jù)生成速率的關(guān)系,其中本文架構(gòu)的總能耗包括數(shù)據(jù)收集能耗、數(shù)據(jù)處理能耗及數(shù)據(jù)傳輸能耗,傳統(tǒng)架構(gòu)的總能耗包括數(shù)據(jù)收集能耗及傳輸能耗?？梢钥闯?本文架構(gòu)的總能耗總是低于傳統(tǒng)架構(gòu)的總能耗。首先,本文架構(gòu)通過SDN部署實現(xiàn)了數(shù)據(jù)的原位處理,數(shù)據(jù)處理地點更靠近數(shù)據(jù)源且只將異常數(shù)據(jù)上傳,減少了數(shù)據(jù)的傳輸能耗;其次,本文架構(gòu)數(shù)據(jù)處理傳輸?shù)哪芎男∮趥鹘y(tǒng)架構(gòu)將全部數(shù)據(jù)上傳的能耗;最后,SDN將路由表部署至每個節(jié)點,節(jié)點按照路由表轉(zhuǎn)發(fā)數(shù)據(jù),減少了數(shù)據(jù)包自主轉(zhuǎn)發(fā)時不必要的探索,且傳輸路由表給底層轉(zhuǎn)發(fā)節(jié)點帶來的傳輸負(fù)荷與其自主決策所消耗的能量相比給整體網(wǎng)絡(luò)能耗帶來的影響相對較小[14]。單位時間內(nèi)數(shù)據(jù)生成速率越快,產(chǎn)生碰撞越多,能耗越高。但是在傳輸一定數(shù)量的數(shù)據(jù)包時發(fā)送時間對能耗的影響更大,因此當(dāng)數(shù)據(jù)生成速率越快,所耗費的總時間越少,總能耗就越少,從而每種傳輸方式的總能耗都隨著數(shù)據(jù)生成速率的增加而減少。

圖9 總能耗Fig.9 Total energy consumption

當(dāng)有監(jiān)測任務(wù)更換的需求時,若需要對網(wǎng)絡(luò)拓?fù)溥M行重新部署,則通過SDN下發(fā)指令移動網(wǎng)絡(luò)設(shè)備進行該監(jiān)測任務(wù)的執(zhí)行。為驗證所提出架構(gòu)的靈活性,實驗又進行了珊瑚礁監(jiān)測的仿真實驗,選擇6 000×6 000×2 500 m3的仿真場景作為珊瑚礁監(jiān)測的場景,與海洋災(zāi)難監(jiān)測場景的不同之處主要在于場景范圍的大小,其他實驗參數(shù)如表2所示,仿真結(jié)果如表4所示。

表4 珊瑚礁監(jiān)測場景下的各項指標(biāo)Table 4 Indicators under coral reef monitoring scenario

可以看出,本文架構(gòu)在珊瑚礁監(jiān)測場景中也有良好的表現(xiàn),端到端時延、包投遞率以及總能耗隨數(shù)據(jù)生成速率的變化趨勢與圖7～圖9中的變化大致相同。珊瑚礁監(jiān)測場景范圍相比地質(zhì)災(zāi)害監(jiān)測場景較小,節(jié)點密度更大,因此SDN按照路由協(xié)議進行路由表生成時,就能找到從源節(jié)點到sink控制節(jié)點跳數(shù)更少的路徑,且可參與轉(zhuǎn)發(fā)的鄰居傳感設(shè)備變多了,因此與地質(zhì)災(zāi)害監(jiān)測場景中的仿真結(jié)果相比,端到端時延有所減小、包投遞率與總能耗都有所增加。表4說明本文架構(gòu)可用于多個監(jiān)測任務(wù),且相比傳統(tǒng)架構(gòu)有更好的表現(xiàn)。

綜上所述,本文所提出的USDMN系統(tǒng)架構(gòu)在端到端時延、包投遞率以及網(wǎng)絡(luò)能耗方面與傳統(tǒng)架構(gòu)相比都有更好的性能。在更換場景后,該架構(gòu)依然具有比傳統(tǒng)UASNs更好的性能,驗證了該架構(gòu)可適用于不同的監(jiān)測場景以執(zhí)行多樣的監(jiān)測任務(wù),說明了本文USDMN架構(gòu)在靈活性方面的表現(xiàn)比傳統(tǒng)UASNs架構(gòu)更加突出,可以滿足水下多樣化監(jiān)測任務(wù)的需求。

3 結(jié) 論

現(xiàn)有傳統(tǒng)水聲傳感器監(jiān)測網(wǎng)絡(luò)靈活性、可控性較差,無法滿足水下多樣化監(jiān)測任務(wù)的需求。因此,本文構(gòu)建了一種基于軟件定義的水下監(jiān)測網(wǎng)絡(luò)架構(gòu),通過SDN將數(shù)據(jù)處理功能部署至邊緣端,可實現(xiàn)數(shù)據(jù)的原位處理及邊緣處理。同時,基于該架構(gòu)提出一種MLCUM機制,通過遙感衛(wèi)星監(jiān)測、小范圍水下監(jiān)測及水下聯(lián)合監(jiān)測實現(xiàn)了云洋聯(lián)合的立體海洋監(jiān)測。實驗結(jié)果顯示,本文提出的監(jiān)測網(wǎng)絡(luò)架構(gòu)與監(jiān)測機制提高了異常數(shù)據(jù)處理效率并降低了數(shù)據(jù)流量,在端到端時延、包投遞率以及總能耗方面都有較大的提升,能夠滿足海洋多監(jiān)測任務(wù)的需求,節(jié)省了資源。