摘 要:水下傳感器節(jié)點(diǎn)隨水流移動(dòng),導(dǎo)致網(wǎng)絡(luò)拓?fù)涓叨葎?dòng)態(tài),這給水聲無線傳感器網(wǎng)絡(luò)路由協(xié)議帶來了挑戰(zhàn)。為了解決水下傳感器節(jié)點(diǎn)移動(dòng)和能量受限給傳統(tǒng)路由協(xié)議帶來的挑戰(zhàn)問題,提出了基于距離預(yù)測與多準(zhǔn)則決策的水聲網(wǎng)絡(luò)分層路由協(xié)議。在預(yù)測節(jié)點(diǎn)間的距離預(yù)測階段,該協(xié)議提出基于改進(jìn)灰色預(yù)測模型的灰色馬爾可夫節(jié)點(diǎn)間距離預(yù)測模型,并根據(jù)該模型預(yù)測結(jié)果給出了有效鄰居節(jié)點(diǎn)確定規(guī)則;此外,提出基于多準(zhǔn)則決策的灰色關(guān)聯(lián)分析模型來計(jì)算鄰居節(jié)點(diǎn)的灰色關(guān)聯(lián)度,選擇灰色關(guān)聯(lián)度最高的鄰居節(jié)點(diǎn)作為最佳下一跳。通過NS3網(wǎng)絡(luò)仿真模擬器進(jìn)行了大量的仿真實(shí)驗(yàn)。結(jié)果表明,基于距離預(yù)測與多準(zhǔn)則決策的水聲網(wǎng)絡(luò)分層路由協(xié)議在提高數(shù)據(jù)交付率、降低端到端延時(shí)和能耗等方面較LEER、DBR、VBF、LR-NMP和IATLR協(xié)議具較大的優(yōu)勢。
關(guān)鍵詞:距離預(yù)測;灰色馬爾可夫;多準(zhǔn)則決策;水聲網(wǎng)絡(luò);路由協(xié)議
中圖分類號(hào):TP15"" 文獻(xiàn)標(biāo)志碼:A
文章編號(hào):1001-3695(2025)01-036-0262-07
doi:10.19734/j.issn.1001-3695.2024.06.0182
Distance prediction and multi-criteria decision based layering routing for underwater acoustic networks
Abstract:Underwater sensor nodes may move with the water current,resulting in a highly dynamic network topology,which brings about challenges for the routing in underwater acoustic network (UAN) .To cope with the challenges of node mobility and energy efficiency in UAN,this paper proposed a distance prediction and multi-criteria decision based layering routing for underwater acoustic networks(DMD-LR).To predict the distance between nodes,this paper presented a gray Markov inter-node distance prediction model based on an improved gray prediction model.According to the prediction results based on the gray Markov distance prediction model,it provided an effective neighbor node determination rule.Further,it proposed a grey relational analysis model based on multi-criteria decision to calculate the grey relational degree(GRD) of neighbor nodes,and selected the neighbor node with the highest GRD as the optimal next hop.It conducted extensive experiments with the NS3 network simulation simulator to evaluate the performance of the DMD-LR protocol.The results show that the DMD-LR protocol has great advantages in improving packet delivery rate,reducing end-to-end delay,and lowering total energy consumption compared with the LEER,DBR,VBF,LR-NMP,and IATLR protocols.
Key words:distance prediction;grey Markov model;multi-criteria decision making;underwater acoustic networks;routing protocol
0 引言
水聲網(wǎng)絡(luò)(UAN)是一種由散布于水下或水面區(qū)域的無線傳感器節(jié)點(diǎn)構(gòu)建而成的網(wǎng)絡(luò)系統(tǒng),通過水聲信號(hào)在節(jié)點(diǎn)間進(jìn)行信息交互,廣泛應(yīng)用于水下環(huán)境監(jiān)測、資源勘探、地震監(jiān)測和軍事防御等領(lǐng)域[1,2]。與無線傳感器網(wǎng)(wireless sensor network,WSN)不同,由于水對電磁波的吸收特性,電磁波在水下傳輸中衰減嚴(yán)重,限制了傳輸距離[3,4]。所以,UAN采用聲波通信。聲波信號(hào)在水中的傳播速度約為1 500 m/s,與無線電信號(hào)在空氣中的傳播速度有顯著差異。與WSN相比,UAN中的傳播延遲是不容忽視[5,6]。在UAN中,匯聚節(jié)點(diǎn)固定部署在水面上,而普通節(jié)點(diǎn)通常部署在水下一定區(qū)域內(nèi),并隨著水流或其他影響而移動(dòng)[7~10]。這導(dǎo)致UAN具有較高的拓?fù)鋭?dòng)態(tài)性。最近,無人水下航行器(autonomous underwater vehicle ,AUV)節(jié)點(diǎn)因其探測距離大、機(jī)動(dòng)性強(qiáng)、智能化高等優(yōu)點(diǎn),成為了UAN中的重要輔助工具。AUV節(jié)點(diǎn)的加入進(jìn)一步加劇了拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)變化。UAN拓?fù)浣Y(jié)構(gòu)的高動(dòng)態(tài)性,容易導(dǎo)致鄰居節(jié)點(diǎn)失效,進(jìn)而引起丟包嚴(yán)重等問題[11,12]。因此,在路由選擇最佳下一跳時(shí),需要預(yù)測節(jié)點(diǎn)間的距離,以提前發(fā)現(xiàn)可能的鄰居節(jié)點(diǎn)失效問題。此外,由于UAN中的節(jié)點(diǎn)通常使用電池供電,能量受到嚴(yán)重限制,這使得能量消耗均衡成為UAN協(xié)議設(shè)計(jì)的一個(gè)重要目標(biāo)。
UAN拓?fù)涓叨葎?dòng)態(tài)和能量受限,為UAN路由協(xié)議的設(shè)計(jì)帶來了挑戰(zhàn)。為了降低UAN的拓?fù)鋭?dòng)態(tài)性為網(wǎng)絡(luò)性能帶來的影響,以提高路由的效率和可靠性。Nowsheen等人[11]開始探索利用預(yù)測模型來預(yù)測節(jié)點(diǎn)間的距離,提出了MPDF協(xié)議,以提前發(fā)現(xiàn)可能的鄰居節(jié)點(diǎn)失效問題。由于MPDF采用的預(yù)測算法在每一跳上交換多個(gè)通知消息,所以存在路由開銷和高能耗的問題。Li等人[12]采用計(jì)算復(fù)雜度低、預(yù)測準(zhǔn)確性高,針對短期、規(guī)律性地預(yù)測任務(wù)表現(xiàn)出色的特點(diǎn)灰色預(yù)測模型進(jìn)行節(jié)點(diǎn)間距離預(yù)測[13~17]。考慮到UAN節(jié)點(diǎn)的移動(dòng)不僅具有短期和規(guī)律性,還具有一定的隨機(jī)性[18]。為了提高預(yù)測的準(zhǔn)確性,本文對灰色預(yù)測模型進(jìn)行優(yōu)化,結(jié)合專門針對隨機(jī)性事件[19]的馬爾可夫模型來預(yù)測節(jié)點(diǎn)間的距離,提出了灰色馬爾可夫節(jié)點(diǎn)間距離預(yù)測算法。在路由階段,為了均衡網(wǎng)絡(luò)能、延長網(wǎng)絡(luò)生命周期并增加網(wǎng)絡(luò)交付率,一些協(xié)議(LR-NMP[12]、LEER[20])采用預(yù)設(shè)權(quán)值法進(jìn)行多因素路由決策。然而,預(yù)設(shè)權(quán)值法不能很好地適應(yīng)UAN多變的網(wǎng)絡(luò)環(huán)境,導(dǎo)致網(wǎng)絡(luò)交付率較低其能耗不均衡[21]??紤]到多準(zhǔn)則決策技術(shù)在處理多參數(shù)、多目標(biāo)綜合最優(yōu)選擇問題上的優(yōu)越性[22~24],本文引入多準(zhǔn)則決策模型(multi-criteria decision making,MCDM)進(jìn)行多因素最佳路由。
基于以上分析,本文提出了一種基于距離預(yù)測與多準(zhǔn)則決策的水聲網(wǎng)絡(luò)分層路由協(xié)議(distance prediction and multi-criteria decision-making based layering routing for underwater acoustic sensor network,DMD-LR)。首先,為了解決由于拓?fù)湟鬃儗?dǎo)致交付率低的問題,提出了一種灰色馬爾可夫節(jié)點(diǎn)間距離預(yù)測算法來預(yù)測節(jié)點(diǎn)間的距離,并根據(jù)預(yù)測結(jié)果確定有效鄰居節(jié)點(diǎn)。其次,為了實(shí)現(xiàn)UAN內(nèi)各節(jié)點(diǎn)能耗均衡,協(xié)議結(jié)合多準(zhǔn)則決策方法,綜合考慮節(jié)點(diǎn)密度、剩余能量等因素,對鄰居表內(nèi)的候選節(jié)點(diǎn)進(jìn)行排序,以選擇當(dāng)前狀態(tài)下最優(yōu)下一跳節(jié)點(diǎn)。通過NS3網(wǎng)絡(luò)仿真模擬器進(jìn)行了大量的仿真實(shí)驗(yàn),以評(píng)估基于距離預(yù)測與多準(zhǔn)則決策的水聲網(wǎng)絡(luò)分層路由協(xié)議的性能。結(jié)果表明,基于距離預(yù)測與多準(zhǔn)則決策的水聲網(wǎng)絡(luò)分層路由協(xié)議在數(shù)據(jù)交付率、端到端延時(shí)、能耗等方面具有優(yōu)越的性能。
1 相關(guān)工作
Xie等人[25]提出了一種基于向量轉(zhuǎn)發(fā)的無線傳感器網(wǎng)絡(luò)路由協(xié)議(vector-based forwarding protocol for underwater sensor network,VBF)。在VBF協(xié)議中,轉(zhuǎn)發(fā)路徑沿著從源節(jié)點(diǎn)到匯聚節(jié)點(diǎn)(sink節(jié)點(diǎn))的向量進(jìn)行確定。源節(jié)點(diǎn)根據(jù)向量計(jì)算路由管道的半徑,只有位于管道內(nèi)的節(jié)點(diǎn)才有資格轉(zhuǎn)發(fā)數(shù)據(jù)包。然而,VBF協(xié)議對節(jié)點(diǎn)密度較為敏感。在網(wǎng)絡(luò)稀疏的環(huán)境中,采用VBF路由協(xié)議可能導(dǎo)致節(jié)點(diǎn)無法找到足夠的符合條件的節(jié)點(diǎn)而導(dǎo)致數(shù)據(jù)包丟失。此外,為了減少冗余和碰撞,VBF協(xié)議引入了“抑制時(shí)間”機(jī)制,但這會(huì)導(dǎo)致更長的端到端延時(shí)。針對此問題,Nicolaou 等人[26]提出了一種基于逐跳向量的轉(zhuǎn)發(fā)協(xié)議(hop-by-hop vector-based for-warding protocol for underwater sensor network,HH-VBF)。HH-VBF通過允許每個(gè)節(jié)點(diǎn)逐跳地建立“管道”,從而優(yōu)化了“路由管道”的建立過程。盡管HH-VBF使得網(wǎng)絡(luò)節(jié)點(diǎn)的選擇更加均勻,但這也帶來了更多的計(jì)算量,并且仍然存在路由空洞的問題。為了避免使用經(jīng)緯度信息,Hai等人[27]提出了一種基于深度的路由協(xié)議(deep-based routing for underwater sensor network,DBR)。在DBR協(xié)議中,當(dāng)一個(gè)節(jié)點(diǎn)接收到一個(gè)數(shù)據(jù)包時(shí),它會(huì)檢查數(shù)據(jù)包的深度信息。如果該節(jié)點(diǎn)的深度小于當(dāng)前轉(zhuǎn)發(fā)節(jié)點(diǎn)的深度,那么這個(gè)節(jié)點(diǎn)會(huì)繼續(xù)將數(shù)據(jù)包向下一個(gè)節(jié)點(diǎn)轉(zhuǎn)發(fā)。這個(gè)轉(zhuǎn)發(fā)的過程在每個(gè)接收節(jié)點(diǎn)都會(huì)被重復(fù)進(jìn)行,直到數(shù)據(jù)包到達(dá)目的地。但是,與VBF和HH-VBF相同,DBR協(xié)議同樣存在多個(gè)中繼節(jié)點(diǎn),這會(huì)導(dǎo)致數(shù)據(jù)包沖突增加,網(wǎng)絡(luò)能耗較大,并且在稀疏網(wǎng)絡(luò)中仍然存在路由空洞的問題。Zhu等人[20]提出了一種基于分層的水下傳感器網(wǎng)絡(luò)節(jié)能路由協(xié)議(layer-based and energy-efficient routing protocol for underwater sensor network,LEER)。LEER協(xié)議通過為所有節(jié)點(diǎn)分層的方式解決了由貪婪路由引起的路由空洞問題。該協(xié)議通過基于層級(jí)的泛洪轉(zhuǎn)發(fā)數(shù)據(jù)包,并引入了轉(zhuǎn)發(fā)定時(shí)器以減少數(shù)據(jù)包沖突。然而,這種泛洪仍然會(huì)導(dǎo)致冗余包轉(zhuǎn)發(fā)。Su等人[28]提出了一種具有軌跡預(yù)測方法的水下聲學(xué)網(wǎng)絡(luò)滑翔機(jī)輔助路由協(xié)議(glider-assist outing protocol for underwater acoustic network with trajectory prediction method,GARP)。GARP協(xié)議在UAN內(nèi)加入可以在水下和水面交替前進(jìn)且具有預(yù)測軌跡的滑翔機(jī)進(jìn)行輔助路由,以解決路由空洞問題并且提高網(wǎng)絡(luò)連通性。但是水下滑翔機(jī)價(jià)格昂貴并且維護(hù)成本較高,不適合長期部署運(yùn)行在UAN系統(tǒng)內(nèi)。Li等人[12]提出了一種基于節(jié)點(diǎn)移動(dòng)預(yù)測的水下傳感器網(wǎng)絡(luò)分層路由協(xié)議(layering routing protocol based on node mobility prediction for underwater sensor network,LR-NMP)。LR-NMP協(xié)議采用GM(1,1)模型對UAN節(jié)點(diǎn)移動(dòng)行為進(jìn)行預(yù)測,以提高對UAN內(nèi)拓?fù)漕l繁變化的適應(yīng)能力。然而,協(xié)議內(nèi)采用發(fā)送控制報(bào)文的機(jī)制進(jìn)行路徑請求,導(dǎo)致隨著節(jié)點(diǎn)移動(dòng)速度的增加,協(xié)議的端到端延時(shí)和能耗也會(huì)增大。
根據(jù)以往研究,大多數(shù)協(xié)議在提高網(wǎng)絡(luò)連通性的過程中,通常會(huì)引入更多的網(wǎng)絡(luò)延遲和更高的運(yùn)營成本。例如,VBF、HH-VBF、DBR和LEER等協(xié)議采用泛洪數(shù)據(jù)包和“抑制時(shí)間”配合的機(jī)制來提高交付率,然而這種方式往往會(huì)帶來不同程度的沖突和額外的能耗。另外,像GARP協(xié)議通過引入滑翔機(jī)的方式解決了路由空洞問題,但是相較于采用分層機(jī)制的LEER協(xié)議,滑翔機(jī)的介入?yún)s增加了UAN系統(tǒng)的復(fù)雜性和維護(hù)成本。本文提出的DMD-LR協(xié)議綜合考慮上述協(xié)議的優(yōu)缺點(diǎn),設(shè)計(jì)了一種基于灰色馬爾可夫預(yù)測的有效鄰居節(jié)點(diǎn)(effective neighbor node factor,ENF)確定算法,以減輕節(jié)點(diǎn)移動(dòng)帶來的網(wǎng)絡(luò)連通性降低問題。此外,DMD-LR協(xié)議采用分層機(jī)制對全網(wǎng)節(jié)點(diǎn)進(jìn)行分層處理,并且棄用了泛洪路由,在路由階段根據(jù)多準(zhǔn)則決策算法選擇最佳下一跳節(jié)點(diǎn)進(jìn)行單經(jīng)路由,以避免UAN固有的路由空洞問題以及泛洪數(shù)據(jù)包引起的過多碰撞和能耗。
2 UAN模型
UAN一般由水下可移動(dòng)傳感器節(jié)點(diǎn)、水面具有電磁無線通信功能的Sink節(jié)點(diǎn)組成。裝備各類傳感設(shè)備的水下節(jié)點(diǎn)通常被隨機(jī)地部署在三維水下區(qū)域中。為了實(shí)現(xiàn)對水下各類信息的全方位監(jiān)測,這類節(jié)點(diǎn)通常漂浮或錨定在不同的深度。通過自組織的方式組成UAN,這樣的設(shè)計(jì)能夠最大程度地覆蓋目標(biāo)區(qū)域,確保數(shù)據(jù)的全面采集和傳輸。負(fù)責(zé)采集周圍環(huán)境數(shù)據(jù)的節(jié)點(diǎn)稱為源節(jié)點(diǎn)。一旦源節(jié)點(diǎn)獲得數(shù)據(jù),它將通過鄰居節(jié)點(diǎn)逐跳轉(zhuǎn)發(fā)數(shù)據(jù),經(jīng)過多跳將感知到的數(shù)據(jù)發(fā)送到位于海面的Sink節(jié)點(diǎn)。最終,通過衛(wèi)星或互聯(lián)網(wǎng)到達(dá)地面接收基站,以便進(jìn)行存儲(chǔ)和處理。目前,水下傳感器通常使用鋰電池作為主要能源供應(yīng)方式,能量供應(yīng)有限,充電或更換電池困難,而位于水面的Sink節(jié)點(diǎn)由于能夠利用太陽能供電,其能量供應(yīng)充足。綜合上所述,本文研究的UAN模型如圖1所示。
3 DMD-LR路由協(xié)議
DMD-LR協(xié)議分為網(wǎng)絡(luò)初始化階段和路由階段。在網(wǎng)絡(luò)初始化階段,通過基于層級(jí)狀態(tài)的定向泛洪機(jī)制,鄰居節(jié)點(diǎn)獲得層級(jí)信息并且填充鄰居表信息。在路由階段,DMD-LR協(xié)議利用節(jié)點(diǎn)移動(dòng)預(yù)測模型,在不增加額外交換信息的情況下,預(yù)測鄰居節(jié)點(diǎn)位置,以提高交付率。此外,通過灰色關(guān)聯(lián)將預(yù)測結(jié)果和鄰居表內(nèi)信息作為多準(zhǔn)則決策算法的輸入元素,以確定最佳下一跳節(jié)點(diǎn)。
3.1 鄰居表及包格式
根據(jù)UAN的上行特性,越靠近Sink的傳感器節(jié)點(diǎn)其負(fù)載也越重,同時(shí)對網(wǎng)絡(luò)的正常運(yùn)行也具有更主要的影響。為此DMD-LR協(xié)議根據(jù)傳感器節(jié)點(diǎn)的重要程度為每個(gè)節(jié)點(diǎn)分配層級(jí),分層算法在接下來的3.2.1節(jié)中詳細(xì)闡述。層級(jí)被定義為節(jié)點(diǎn)距離Sink的跳數(shù)。每個(gè)傳感器節(jié)點(diǎn)都維護(hù)一張如表1所示的鄰居表,其中節(jié)點(diǎn)狀態(tài)包含發(fā)送、接收、退避和未知四種狀態(tài)。
這些信息在網(wǎng)絡(luò)初始化階段通過Sink節(jié)點(diǎn)的泛洪控制報(bào)文獲取并且進(jìn)行周期性更新。根據(jù)圖2的數(shù)據(jù)包格式,泛洪控制報(bào)不包含負(fù)載并且目的節(jié)點(diǎn)為255的數(shù)據(jù)包??刂茍?bào)文內(nèi)的層級(jí)、發(fā)送節(jié)點(diǎn)ID、發(fā)送時(shí)間等信息隨著報(bào)文的定向泛洪逐跳改變。
3.2 協(xié)議設(shè)計(jì)
在DMD-LR協(xié)議中,首先采用了節(jié)點(diǎn)間距離預(yù)測算法,以確定鄰居節(jié)點(diǎn)的有效性,該算法旨在無須引入額外報(bào)文交互的情況下獲取鄰居節(jié)點(diǎn)的當(dāng)前位置,從而提高鄰居節(jié)點(diǎn)的可靠性,并降低網(wǎng)絡(luò)開銷。進(jìn)一步,通過多準(zhǔn)則決策算法,根據(jù)鄰居節(jié)點(diǎn)的節(jié)點(diǎn)密度、剩余能量和可靠度等因素對鄰居節(jié)點(diǎn)進(jìn)行分析,從中選取決策值最高的節(jié)點(diǎn)作為最佳下一跳。
3.2.1 網(wǎng)絡(luò)初始化
網(wǎng)絡(luò)初始化采用以Sink節(jié)點(diǎn)為根節(jié)點(diǎn)(層級(jí)為0)的定向泛洪分層機(jī)制來為其他節(jié)點(diǎn)分配層級(jí)。圖3為網(wǎng)絡(luò)初始算法流程圖。網(wǎng)絡(luò)開啟時(shí),Sink節(jié)點(diǎn)周期性發(fā)送目的節(jié)點(diǎn)為255的泛洪控制報(bào)文。當(dāng)傳感器節(jié)點(diǎn)收到控制報(bào)文時(shí),會(huì)提取其中的發(fā)送節(jié)點(diǎn)層級(jí)字段,計(jì)為Lp。然后,該節(jié)點(diǎn)將本節(jié)點(diǎn)層級(jí)Lc賦值為Lp+1,并通過式(1)計(jì)算兩節(jié)點(diǎn)間距離。
Dij=(Tr-Ts)×Vs(1)
其中:Tr和Ts分別表示報(bào)文的接收和發(fā)送時(shí)間(假設(shè)網(wǎng)絡(luò)所有節(jié)點(diǎn)的時(shí)間已完成同步,時(shí)間同步算法此處不再詳細(xì)介紹);Vs表示聲波在水下的傳輸速度,一般取值為1 500 m/s。
接下來將控制報(bào)文內(nèi)的發(fā)送節(jié)點(diǎn)ID、層級(jí)、剩余能量、計(jì)算得到的間距離等信息記錄在鄰居表內(nèi)。接著,更新報(bào)文中發(fā)送節(jié)點(diǎn)的信息后轉(zhuǎn)發(fā)此控制報(bào)文。當(dāng)一個(gè)已經(jīng)獲得自身層級(jí)的傳感器節(jié)點(diǎn)收到一個(gè)控制報(bào)文時(shí),它將利用報(bào)文內(nèi)的Lp與本節(jié)點(diǎn)Lc進(jìn)行比較。如果報(bào)文內(nèi)的Lp較小,則會(huì)按照第一次收到控制報(bào)文的機(jī)制進(jìn)行處理后轉(zhuǎn)發(fā)此報(bào)文。否則,節(jié)點(diǎn)僅將此報(bào)文中的發(fā)送節(jié)點(diǎn)信息記錄到鄰居表內(nèi),并隨后丟棄此控制報(bào)文。
3.2.2 節(jié)點(diǎn)間距離預(yù)測算法
在相同水域環(huán)境下水下物體的運(yùn)動(dòng)狀態(tài)遵循一定的規(guī)律性和隨機(jī)性。因此,在UAN中,節(jié)點(diǎn)在水下環(huán)境中的運(yùn)動(dòng)狀態(tài)也表現(xiàn)出規(guī)律性和隨機(jī)性的統(tǒng)一??紤]到UAN能量與算力有限,本文提出了一種灰色馬爾可夫距離預(yù)測算法。該算法結(jié)合了可以對小樣本進(jìn)行短期預(yù)測、具有較強(qiáng)規(guī)律性預(yù)測能力的灰色預(yù)測模型,以及對隨機(jī)變化的系統(tǒng)具有較強(qiáng)預(yù)測能力的馬爾可夫鏈模型。此算法旨在對節(jié)點(diǎn)間下一時(shí)刻的距離進(jìn)行預(yù)測,為UAN中的節(jié)點(diǎn)間通信提供更準(zhǔn)確的距離估計(jì)。預(yù)測算法構(gòu)建如下。
階段1:獲取節(jié)點(diǎn)間歷史距離序列。
將水下傳感器節(jié)點(diǎn)鄰居表內(nèi)存儲(chǔ)的鄰居節(jié)點(diǎn)的時(shí)序歷史距離作為節(jié)點(diǎn)間歷史距離序列。
x(0)(k)={x(0)(1),x(0)(2),…,x(0)(k)}(2)
階段2:建立一階累加生成序列。
灰色預(yù)測模型不適應(yīng)數(shù)據(jù)波動(dòng)較大的數(shù)據(jù),因此為了弱化數(shù)據(jù)的波動(dòng)性,將序列x(0)(k)不斷累加得到一階累加生成序列x(1)(k)。
階段3:建立緊鄰均值生成序列。
為了簡化原始數(shù)據(jù)、突出趨勢、降低噪聲,使用緊鄰均值化過程對原始數(shù)據(jù)進(jìn)行處理。對于序列x(1),本文稱相鄰元素x(1)(k-1)和x(1)(k)的均值為一個(gè)緊鄰元素,用z(1)表示。
階段4:灰微分方程的建立。
累加生成的節(jié)點(diǎn)間歷史距離序列弱化了原始節(jié)點(diǎn)間歷史距離序列的隨機(jī)性,擁有單調(diào)性規(guī)律,比原始節(jié)點(diǎn)位置數(shù)據(jù)序列的光滑性要好。基于灰色理論[29]建立了x(1)的白化方程[29],如式(5)所示。
其中:a、b為模型的灰參數(shù)分別表示發(fā)展系數(shù)和內(nèi)生成控制變量,可用最小二乘法求得。將式(5)等號(hào)兩邊在[k,k+1]上積分,化簡可得到GM(1,1)模型的灰微分方程[30],如式(6)所示。
階段5:通過一階累減獲得初步預(yù)測值。
階段6:劃分狀態(tài)區(qū)間。
根據(jù)式(7)生成初步預(yù)測值序列式(8),后根據(jù)灰預(yù)測精度指標(biāo)來劃分狀態(tài)區(qū)間。
根據(jù)式(9)所示的灰預(yù)測精度指標(biāo),可以將預(yù)測序列分為多種狀態(tài)空間。本文將這些狀態(tài)空間劃分為距離高估、穩(wěn)定和低估三種狀態(tài)空間。任何一個(gè)狀態(tài)空間都可以表示為
Mi=[Mi1,Mi2] i=1,2,…,c(10)
階段7:構(gòu)造狀態(tài)轉(zhuǎn)移概率矩陣。
從狀態(tài)Mi轉(zhuǎn)移到狀態(tài)Mj的樣本數(shù)用Sij表示,設(shè)狀態(tài)為Mj的樣本總和為Si,根據(jù)數(shù)理統(tǒng)計(jì)方法,可以將從狀態(tài)Mi轉(zhuǎn)移至Mj的概率表示為
則1步狀態(tài)轉(zhuǎn)移概率矩陣可以表示為
階段8:獲得馬爾可夫鏈模型的距離預(yù)測修正值。
通過狀態(tài)轉(zhuǎn)移概率矩陣式(12),可以獲得從當(dāng)前狀態(tài)Mi,轉(zhuǎn)移到其他狀態(tài)的概率,隨后根據(jù)式(13)計(jì)算得到灰色馬爾可夫模型的修正的兩節(jié)點(diǎn)間距離預(yù)測值:
在節(jié)點(diǎn)ni與nj之間進(jìn)行通信前,節(jié)點(diǎn)ni利用灰色馬爾可夫距離預(yù)測算法預(yù)測與節(jié)點(diǎn)nj間的距離,然后根據(jù)ENF確定規(guī)則確定節(jié)點(diǎn)ni與各鄰居節(jié)點(diǎn)的有效度。
ENF確定規(guī)則如下:
其中:R表示節(jié)點(diǎn)ni的通信半徑;r表示節(jié)點(diǎn)ni與nj的預(yù)測距離;R′=r表示鄰居節(jié)點(diǎn)有效值,其中為鏈路有效因子,∈(0,1]。
a)當(dāng)預(yù)測的節(jié)點(diǎn)間距離小于等于鏈路有效值時(shí),表明轉(zhuǎn)發(fā)節(jié)點(diǎn)在接下來轉(zhuǎn)發(fā)數(shù)據(jù)包到目的節(jié)點(diǎn)過程中,即使聲波在水下的傳播速度較慢也不會(huì)在數(shù)據(jù)包到達(dá)目的節(jié)點(diǎn)時(shí),使兩節(jié)點(diǎn)間的距離超出彼此的通信范圍造成數(shù)據(jù)包丟失。因此將此鄰居節(jié)點(diǎn)的有效鄰居節(jié)點(diǎn)因子賦值為1。
b)當(dāng)預(yù)測的節(jié)點(diǎn)間距離大于鏈路有效值時(shí),表明此候選節(jié)點(diǎn)與數(shù)據(jù)轉(zhuǎn)發(fā)節(jié)點(diǎn)之間的通信距離處于臨界狀態(tài)。若此時(shí)將此節(jié)點(diǎn)作為下一跳轉(zhuǎn)發(fā)節(jié)點(diǎn),可能會(huì)導(dǎo)致數(shù)據(jù)包在到達(dá)該節(jié)點(diǎn)之前鏈路失效。為了在節(jié)點(diǎn)稀疏的條件下不隨意棄用鄰居節(jié)點(diǎn),本文根據(jù)ENF確定函數(shù),當(dāng)滿足rgt;R′的條件時(shí),兩節(jié)點(diǎn)間距離越近,賦予的ENF越大但小于1;反之,則ENF值無限趨近于0。
3.2.3 灰色關(guān)聯(lián)路由
在網(wǎng)絡(luò)初始化結(jié)束后,節(jié)點(diǎn)以獲取所有鄰居節(jié)點(diǎn)的層級(jí)、能量、密度、距離等信息并且可以通過Hello報(bào)文或者無意聽到的數(shù)據(jù)包進(jìn)行更新。為了避免過多的能耗和報(bào)文沖突,DMD-LR協(xié)議采用單徑方式進(jìn)行路由。本文考慮將節(jié)點(diǎn)密度、剩余能量、鄰居可靠因子作為影響評(píng)估因子,結(jié)合灰色關(guān)聯(lián)分析模型為鄰居節(jié)點(diǎn)制定多準(zhǔn)則綜合排序規(guī)則,以確定最佳下一跳節(jié)點(diǎn)。多準(zhǔn)則綜合排序包含以下六個(gè)階段。
階段1:構(gòu)造原始矩陣。
矩陣Y中元素ynm表示節(jié)點(diǎn)n對應(yīng)的第m個(gè)影響評(píng)估因子。本協(xié)議中,m的取值為3,分別表示節(jié)點(diǎn)密度、能量和鄰居可靠因子。
階段2:數(shù)據(jù)無量綱化。
數(shù)據(jù)無量綱化是指在數(shù)據(jù)處理過程中,通過一些數(shù)學(xué)方法將數(shù)據(jù)轉(zhuǎn)換為無單位或無量綱的形式。這個(gè)過程的目的是消除不同特征之間的量綱差異,使得各個(gè)特征在模型中能夠更平等地發(fā)揮作用。為了降低計(jì)算復(fù)雜度,本次數(shù)據(jù)無量綱化處理,采用均值化法。
式(16)表示將矩陣Y內(nèi)每一列所有元素除以該列的平均值。
階段3:確定最優(yōu)評(píng)價(jià)矩陣R。
本協(xié)議的影響評(píng)估因子分別為節(jié)點(diǎn)密度、剩余能量、鄰居可靠度。根據(jù)影響評(píng)估因子的特點(diǎn)確定矩陣Y內(nèi)對應(yīng)影響評(píng)估因子的最優(yōu)值,并組成最優(yōu)評(píng)估矩陣,記為R:
R={x01,x02,x03,…,x0j}(17)
其中:j表示影響評(píng)估因子的個(gè)數(shù)。
階段4:確定關(guān)聯(lián)系數(shù)。
關(guān)聯(lián)系數(shù)(correlation coefficient)是一種衡量兩個(gè)變量之間線性關(guān)系強(qiáng)度和方向的統(tǒng)計(jì)指標(biāo)。第i個(gè)鄰居節(jié)點(diǎn)的第j個(gè)影響評(píng)估因子的灰色管理系數(shù)rij為
其中:ξ∈[0~1]表示分辨系數(shù),用于提高管理系數(shù)之間的差異顯著性,通常取ξ=0.5。
階段5:確定評(píng)價(jià)指標(biāo)的權(quán)重向量。
W=(w1,w2,w1,…,wm)T(19)
階段6:多準(zhǔn)則綜合排序。
各評(píng)價(jià)對象與最優(yōu)指標(biāo)之間的關(guān)聯(lián)系數(shù)rij組成評(píng)價(jià)矩陣R,計(jì)算灰色關(guān)聯(lián)矩陣A:
A=W×RT(20)
其中:各節(jié)的灰色關(guān)聯(lián)度(grey relational degree,GRD)為
當(dāng)GRD值越大時(shí),表示相應(yīng)的評(píng)價(jià)節(jié)點(diǎn)越接近最優(yōu)指標(biāo)。數(shù)據(jù)持有節(jié)點(diǎn)根據(jù)此性質(zhì)對鄰居節(jié)點(diǎn)進(jìn)行多準(zhǔn)則綜合排序,選擇最佳的下一跳節(jié)點(diǎn)轉(zhuǎn)發(fā)數(shù)據(jù)包。DMD-LR協(xié)議主要工作流程如圖5所示。
3.2.4 數(shù)據(jù)轉(zhuǎn)發(fā)
在確定最佳下一跳節(jié)點(diǎn)后,才進(jìn)行數(shù)據(jù)包的發(fā)送或轉(zhuǎn)發(fā)。水下環(huán)境中,發(fā)送方通信范圍內(nèi)的所有節(jié)點(diǎn)通常都可以聽到發(fā)送的數(shù)據(jù)包。因此,在數(shù)據(jù)轉(zhuǎn)發(fā)階段會(huì)出現(xiàn)以下情況:
情況1:如果最佳下一跳節(jié)點(diǎn)接收到數(shù)據(jù)包,則會(huì)先計(jì)算GRD,確定最佳的下一跳節(jié)點(diǎn)后轉(zhuǎn)發(fā)。
情況2:如果接收節(jié)點(diǎn)為Sink節(jié)點(diǎn),則Sink節(jié)點(diǎn)會(huì)計(jì)算完成GRD后,通過電磁信號(hào)將數(shù)據(jù)包發(fā)送至遠(yuǎn)程數(shù)據(jù)中心。
情況3:如果接收節(jié)點(diǎn)為其他節(jié)點(diǎn),則在計(jì)算GRD后丟棄此數(shù)據(jù)包。
數(shù)據(jù)包到達(dá)Sink節(jié)點(diǎn)時(shí),就視為本次傳輸成功完成。
3.2.5 協(xié)議復(fù)雜度分析
DMD-LR協(xié)議的時(shí)間復(fù)雜度為O(n2)。
證明 DMD-LR協(xié)議主要由網(wǎng)絡(luò)初始化、節(jié)點(diǎn)間距離預(yù)測和灰色關(guān)聯(lián)路由三個(gè)階段構(gòu)成。
a)網(wǎng)絡(luò)初始化階段時(shí)間復(fù)雜度。在這個(gè)階段,Sink節(jié)點(diǎn)周期性發(fā)送一個(gè)控制報(bào)文,每個(gè)節(jié)點(diǎn)處理控制報(bào)文的時(shí)間復(fù)雜度為O(n)。若網(wǎng)絡(luò)內(nèi)共有n個(gè)節(jié)點(diǎn),每個(gè)節(jié)點(diǎn)會(huì)接收多個(gè)控制報(bào)文,在最壞情況下,每個(gè)節(jié)點(diǎn)接收到n次控制報(bào)文。因此,這個(gè)階段的時(shí)間復(fù)雜度為O(n2)。
b)節(jié)點(diǎn)間距離預(yù)測階段時(shí)間復(fù)雜度。通過分析計(jì)算3.2.2節(jié)內(nèi)所有執(zhí)行步驟得,除了構(gòu)造狀態(tài)轉(zhuǎn)移概率矩陣部分時(shí)間復(fù)雜度為O(n2),其他部分的時(shí)間復(fù)雜度均為O(n)。因此,該階段的總時(shí)間復(fù)雜度為O(n2)。
c)灰色關(guān)聯(lián)路由階段時(shí)間復(fù)雜度。從階段的灰色關(guān)聯(lián)路由算法共有8個(gè)步驟,其中,步驟1~6的時(shí)間復(fù)雜度均為O(n),而步驟7和8的時(shí)間復(fù)雜度均為O(n2)。因此,灰色關(guān)聯(lián)路由算法的總體時(shí)間復(fù)雜度為O(n2)。
綜上,在DMD-LR算法的時(shí)間復(fù)雜度為O(n2)。
4 仿真分析
本文借助NS3離散網(wǎng)絡(luò)仿真工具對DMD-LR協(xié)議在不同發(fā)包間隔、節(jié)點(diǎn)密度和節(jié)點(diǎn)移動(dòng)速度下的性能進(jìn)行仿真實(shí)驗(yàn),并與幾種專門為UAN設(shè)計(jì)的經(jīng)典路由協(xié)議(LR-NMP[12]、LEER[20]、IATLR[21]、VBF[25]、DBR[27])進(jìn)行對比分析。
4.1 仿真參數(shù)設(shè)置
本次仿真實(shí)驗(yàn)采用了圖1所示的UAN模型,并在網(wǎng)絡(luò)仿真工具NS3中進(jìn)行。通過合理調(diào)整數(shù)據(jù)發(fā)包間隔、節(jié)點(diǎn)密度和節(jié)點(diǎn)移動(dòng)速度,分別評(píng)估了所提DMD-LR協(xié)議在數(shù)據(jù)交付率(packet delivery ratio,PDR)、平均端到端延時(shí)(end-to-end delay,EED)和能耗(average energy consumption,AEC)等指標(biāo)下的性能。傳感器節(jié)點(diǎn)的傳輸范圍為1 500 m,數(shù)據(jù)包大小為300 Byte,節(jié)點(diǎn)移動(dòng)速度為1~3 m/s。詳細(xì)仿真參數(shù)如表2所示。
4.2 報(bào)文間隔對協(xié)議的影響
不同發(fā)包間隔對DMD-LR、LEER、DBR、VBF、LR-NMP和IATLR的PDR、EED和TEC的影響分別如圖6~8所示。
從圖6可以看出,在不同的發(fā)包間隔下,DMD-LR協(xié)議的數(shù)據(jù)交付率始終高于其他五種協(xié)議,并且穩(wěn)定在0.971左右。相比之下,VBF協(xié)議和DBR協(xié)議的數(shù)據(jù)交付率遠(yuǎn)低于DMD-LR、LEER、LR-NMP和IATLR協(xié)議。這是因?yàn)镈MD-LR、LEER、LR-NMP和IATLR協(xié)議采用了分層路由機(jī)制,分層節(jié)點(diǎn)可以通過鄰居表選擇上層鄰居節(jié)點(diǎn)作為下一跳路由節(jié)點(diǎn),從而有效解決了“路由空洞”問題。同時(shí),由于DMD-LR協(xié)議采用了單徑路由并增加了節(jié)點(diǎn)間距離預(yù)測路由機(jī)制,可以避免鄰居節(jié)點(diǎn)移出通信范圍而導(dǎo)致數(shù)據(jù)丟失,所以相較于采用泛洪機(jī)制的LEER協(xié)議,DMD-LR協(xié)議的數(shù)據(jù)交付率較高。
從圖7可以看出,DMD-LR協(xié)議在不同發(fā)包間隔下的平均端到端延時(shí)與IATLR相似,且均低于LEER、DBR、VBF和LR-NMP這四種協(xié)議。這是因?yàn)長EER、DBR和VBF協(xié)議均采用“抑制時(shí)間”來緩解由泛洪轉(zhuǎn)發(fā)導(dǎo)致的網(wǎng)絡(luò)內(nèi)數(shù)據(jù)包過多的問題,所以端到端延時(shí)較高。而LR-NMP協(xié)議在數(shù)據(jù)傳輸前需要在節(jié)點(diǎn)間使用路徑請求報(bào)文、最小路徑轉(zhuǎn)發(fā)開銷的應(yīng)答報(bào)文、位置及能量請求報(bào)文和位置及能量應(yīng)答報(bào)文進(jìn)行信息交互,這導(dǎo)致其端到端延時(shí)比DMD-LR協(xié)議高。
從圖8可以看出,隨著發(fā)包間隔的增加,六種協(xié)議的總能耗均呈下降趨勢,并且DMD-LR協(xié)議始終低于其他五種協(xié)議。這是因?yàn)殡S著發(fā)包間隔的增加,數(shù)據(jù)率降低,導(dǎo)致六種協(xié)議的能耗也隨之降低。DMD-LR協(xié)議采用的單徑路由相比DBR、VBF和LEER協(xié)議采用的泛洪路由機(jī)制,減少了網(wǎng)絡(luò)內(nèi)參與數(shù)據(jù)包轉(zhuǎn)發(fā)的節(jié)點(diǎn)數(shù)量,從而降低了網(wǎng)絡(luò)的總能耗。此外,DMD-LR和LR-NMP協(xié)議都應(yīng)用了距離預(yù)測機(jī)制,以應(yīng)對UAN網(wǎng)絡(luò)拓?fù)涞母邉?dòng)態(tài)性。然而,LR-NMP在數(shù)據(jù)傳輸前引入了兩組信息交互報(bào)文,這導(dǎo)致其能耗高于DMD-LR協(xié)議。
4.3 節(jié)點(diǎn)密度對協(xié)議的影響
不同節(jié)點(diǎn)密度對四種協(xié)議的PDR、EED和TEC的影響分別如圖9~11所示。
從圖9可以看出,隨著節(jié)點(diǎn)密度的增加,DMD-LR、LR-NMP、LEER和IATLR協(xié)議的數(shù)據(jù)交付率均相對穩(wěn)定且高于DBR和VBF協(xié)議。這是因?yàn)镈MD-LR、LR-NMP、LEER和IATLR協(xié)議采用了分層單徑機(jī)制,使其在不同密度的網(wǎng)絡(luò)環(huán)境下都能找到上一跳節(jié)點(diǎn)從而保持良好的數(shù)據(jù)包交付率,而DBR和VBF協(xié)議采用的是泛洪的方式路由轉(zhuǎn)發(fā)數(shù)據(jù)包,因此對網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)密度較為敏感,其數(shù)據(jù)交付率會(huì)隨著網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)密度的變化而變化。
從圖9可以看出,隨著節(jié)點(diǎn)密度的增加,六種協(xié)議的平均端到端延時(shí)均呈下降趨勢。這是因?yàn)閰⑴c路由的節(jié)點(diǎn)數(shù)量增加,從而使得轉(zhuǎn)發(fā)節(jié)點(diǎn)與Sink節(jié)點(diǎn)的距離更近的概率增加,從而降低了平均端到端延時(shí)。在圖9中還可觀察到,DBR協(xié)議的平均端到端延時(shí)最高,約為5.62 s,其次是VBF、LEER、LR-NMP、DMD-LR和IATLR。這是因?yàn)镈BR協(xié)議采用基于深度的路由機(jī)制,導(dǎo)致即使轉(zhuǎn)發(fā)節(jié)點(diǎn)的深度低于其他節(jié)點(diǎn),但并不意味著它們是距離Sink節(jié)點(diǎn)最近的轉(zhuǎn)發(fā)節(jié)點(diǎn),因此其平均端到端延時(shí)較基于虛擬向量的VBF要高。相比之下,DMD-LR協(xié)議采用單徑路由機(jī)制,因此其平均端到端延時(shí)較基于“抑制時(shí)間”機(jī)制的DBR、VBF和LEER協(xié)議要低很多。此外,由于IATLR協(xié)議采用了鏈路穩(wěn)定機(jī)制,其端到端延時(shí)較DMD-LR變化幅度低。
從圖10看出,隨著節(jié)點(diǎn)密度的增加,六種協(xié)議的總能耗均有所增加,這是因?yàn)楣?jié)點(diǎn)數(shù)量的增加導(dǎo)致參與路由的節(jié)點(diǎn)數(shù)量也增加,從而導(dǎo)致能耗也隨之增加。DMD-LR協(xié)議的能耗隨著節(jié)點(diǎn)密度的增加幅度與LEER和IATLR協(xié)議類似,但在節(jié)點(diǎn)密度達(dá)到50之后,總是低于其他四種協(xié)議。這是因?yàn)镈MD-LR協(xié)議采用了單徑和距離預(yù)測機(jī)制,減少了路由轉(zhuǎn)發(fā)過程中丟包重傳的概率。
4.4 節(jié)點(diǎn)移動(dòng)速度對協(xié)議的影響
不同節(jié)點(diǎn)移動(dòng)速度對六種協(xié)議的PDR、EED和TEC的影響分別如圖11~13所示。
從圖11可以看出,隨著節(jié)點(diǎn)移動(dòng)速度的增加,DMD-LR協(xié)議的數(shù)據(jù)交付率較為穩(wěn)定,保持在0.971左右,而LR-NMP和IATLR協(xié)議的交付率有下降的趨勢。原因在于,隨著節(jié)點(diǎn)移動(dòng)速度的增加,LR-NMP協(xié)議在網(wǎng)絡(luò)中交換的路徑請求報(bào)文、最小路徑轉(zhuǎn)發(fā)開銷的應(yīng)答報(bào)文等數(shù)量增加,加劇了網(wǎng)絡(luò)中數(shù)據(jù)包的碰撞,導(dǎo)致其數(shù)據(jù)包交付率低于DMD-LR協(xié)議。而IATLR協(xié)議對移動(dòng)場景考慮并不充足,導(dǎo)致其交付率隨移動(dòng)速度增加而迅速下降。相比之下,DMD-LR協(xié)議采用了節(jié)點(diǎn)間距離預(yù)測算法和多準(zhǔn)則決策算法,在選擇最佳下一跳節(jié)點(diǎn)時(shí)偏向于選擇通信更加穩(wěn)定且鄰居節(jié)點(diǎn)密度較高的節(jié)點(diǎn)作為下一跳節(jié)點(diǎn),因此具有較高的數(shù)據(jù)交付率。
從圖12可以看出,DBR協(xié)議的平均端到端延時(shí)最高,并且隨著節(jié)點(diǎn)移動(dòng)速度的增加波動(dòng)幅度較大。這是因?yàn)镈BR協(xié)議基于深度信息的路由策略,導(dǎo)致數(shù)據(jù)包由于“繞路問題”而增加的端到端延時(shí)。另外,從圖12看出,DMD-LR的平均端到端延時(shí)最低,保持在2.47 s左右。
從圖14可以看出,隨著節(jié)點(diǎn)移動(dòng)速度的增加,DMD-LR協(xié)議的總能耗最低,平均為10 692 J,比同樣使用分層機(jī)制的LEER和IATLR協(xié)議的能耗低,這是因?yàn)镈MD-LR協(xié)議同時(shí)采用了單徑機(jī)制以及應(yīng)對節(jié)點(diǎn)移動(dòng)的策列,在節(jié)能的同時(shí)降低了數(shù)據(jù)重傳的概率。相較之下,VBF協(xié)議的能耗在六種協(xié)議中最高,這是因?yàn)閂BF協(xié)議為了應(yīng)對水下環(huán)境的復(fù)雜性,采用了將數(shù)據(jù)包在冗余和交錯(cuò)的路徑中轉(zhuǎn)發(fā)的路由機(jī)制,導(dǎo)致參與路由轉(zhuǎn)發(fā)的節(jié)點(diǎn)數(shù)量較多能耗較大。
5 結(jié)束語
本文提出了一種基于距離預(yù)測與多準(zhǔn)則決策的UAN分層路由協(xié)議:DMD-LR。該協(xié)議采用了一種基于距離預(yù)測算法的ENF確定規(guī)則,以提高網(wǎng)絡(luò)的交付率。此外,通過多準(zhǔn)則決策算法綜合評(píng)價(jià)鄰居節(jié)點(diǎn)的節(jié)點(diǎn)密度、剩余能量和鄰居可靠因子,并對鄰居節(jié)點(diǎn)進(jìn)行排序選擇最佳的下一跳節(jié)點(diǎn),以均衡網(wǎng)絡(luò)能耗并延長網(wǎng)絡(luò)壽命。仿真結(jié)果表明,在不同的發(fā)包間隔、節(jié)點(diǎn)密度和節(jié)點(diǎn)移動(dòng)速度下,DMD-LR協(xié)議在PDR、AEC和EED方面均優(yōu)于LEER、DBR、VBF、LR-NMP和IATLR協(xié)議,達(dá)到了設(shè)計(jì)目標(biāo)。
參考文獻(xiàn):
[1]Mohsan S A H,Li Yanlong,Sadiq M,et al.Recent advances,future trends,applications and challenges of Internet of Underwater Things(IOUT):a comprehensive review[J].Journal of Marine Science and Engineering,2023,11(1):124-156.
[2]Qu Fengzhong,Wang Shiyuan,Wu Zhihui,et al.A survey of ranging algorithms and localization schemes in underwater acoustic sensor network[J].China Communications,2016,13(3):66-81.
[3]朱銥鏷,杜秀娟.水下環(huán)境監(jiān)測系統(tǒng)綜述與展望[J].計(jì)算機(jī)工程與應(yīng)用,2023,59(10):65-74.(Zhu Yipu,Du Xiujuan.Review and prospect of underwater environmental monitoring system[J].Compu-ter Engineering and Applications,2023,59(10):65-74.)
[4]孫瑤.海洋局域水質(zhì)監(jiān)測水聲傳感器網(wǎng)絡(luò)路由協(xié)議研究[D].哈爾濱:哈爾濱工程大學(xué),2023.(Sun Yao.Research on routing protocol of underwater acoustic sensor network for marine local water quality monitoring[D].Harbin:Harbin Engineering University,2023.)
[5]Liu Yinan.Overview of underwater wireless communication routing protocols[J].Journal of Computing and Electronic Information Management,2023,10(1):17-19.
[6]魏宗博,李莉,靳曉珂,等.基于矢量轉(zhuǎn)發(fā)的節(jié)能型水聲傳感器網(wǎng)絡(luò)路由協(xié)議[J].計(jì)算機(jī)應(yīng)用研究,2023,40(5):1486-1490.(Wei Zongbo,Li Li,Jin Xiaoke,et al.Routing protocol for energy-saving underwater acoustic sensor networks based on vector forwarding[J].Application Research of Computers,2023,40(5):1486-1490.)
[7]蔡文郁,張銘坤,張美燕.避免路由循環(huán)和空洞節(jié)點(diǎn)的水下傳感器網(wǎng)絡(luò)深度路由算法[J].傳感技術(shù)學(xué)報(bào),2022,35(11):1553-1560.(Cai Wenyu,Zhang Mingkun,Zhang Meiyan.Routing cycle and void node avoidance based depth routing are important techniques for underwater sensor networks[J].Journal of Sensors and Actuators,2022,35(11):1553-1560.)
[8]Khan H,Hassan S A,Jung H.On underwater wireless sensor networks routing protocols:a review[J].IEEE Sensors Journal,2020,20(18):10371-10386.)
[9]Khan M U,Otero P,Aamir M.Underwater acoustic sensor networks(UASN):energy efficiency perspective of cluster-based routing protocols[C]//Proc of Global Conference on Wireless and Optical Technologies.Piscataway,NJ:IEEE Press,2022:1-6.
[10]Kumar N S,Kumar K R.A collision aware priority level medium access control protocol for underwater acoustic sensor networks[J].Journal of Information and Communication Technology,2020,19(1):131-156.
[11]Nowsheen N,Karmakar G,Kamruzzaman J.MPDF:movement predicted data forwarding protocol for underwater acoustic sensor networks[C]//Proc of the 20th Asia-Pacific Conference on Communication.Piscataway,NJ:IEEE Press,2014:100-105.
[12]Li Chong,Du Xiujuan,Tian Xiaojing.A layering routing protocol based on node mobility prediction for underwater sensor networks[J].IEEE Sensors Journal,2023,23(24):31368-31379.
[13]鄭度奎,李昊燃,程遠(yuǎn)鵬,等.油氣管道的CO2腐蝕預(yù)測模型和預(yù)測方法[J].腐蝕與防護(hù),2020,41(3):50-55.(Zheng Dukui,Li Haoran,Cheng Yuanpeng,et al.CO2 corrosion prediction model and prediction method for oil and gas pipeline[J].Corrosion amp; Protection,2020,41(3):50-55.)
[14]Nagadivya S,Manoharan R.Grey prediction-based energy-aware opportunistic routing in WSN[J].International Journal of Communication Networks and Distributed Systems,2023,29(1):95-111.
[15]Wu Chen,Liu Jiajia,Guo Hongzhi,et al.Toward robust and intelligent drone swarm:challenges and future directions[J].IEEE Network,2020,34(4):278-283.
[16]Kumar R,Jain V,Chauhan N,et al.An adaptive prediction strategy with clustering in wireless sensor network[J].International Journal of Wireless Information Networks,2020,27:575-587.
[17]Yilmaz B ,Tozan H,Karadayi M A.Multi-criteria decision making(MCDM) applications in military healthcare field[J].Journal of Health Systems and Policies,2020,2(2):149-181.
[18]Alqahtani G J,Bouabdallah F.Energy-efficient mobility prediction routing protocol for freely floating underwater acoustic sensor networks[J].Frontiers in Communications and Networks,2021,2:692002-692023.
[19]Dong Shanling,Liu Meiqin,Wu Zengguo.A survey on hidden Markov jump systems:asynchronous control and filtering[J].International Journal of Systems Science,2023,54(6):1360-1376.
[20]Zhu Jianlian,Du Xiujuan,Han Duoliang,et al.LEER:layer-based energy-efficient routing protocol for underwater sensor networks[J].Mobile Networks and Applications,2020,27(2):502-509.
[21]Li Chong,Du Xiujuan,Tian Xiaojing.IATLR:improved ACO and TOPSIS-based layering routing protocol for underwater acoustic networks[J].IEEE Sensors Journal,2023,23(3):3262-3269.
[22]尤建新,徐濤.基于多準(zhǔn)則決策方法的數(shù)據(jù)資產(chǎn)質(zhì)量評(píng)價(jià)模型[J].同濟(jì)大學(xué)學(xué)報(bào):自然科學(xué)版 ,2021,49(4):585-590.(You Jianxing,Xu Tao.A data asset quality evaluation model based on a multi-criteria decision making method[J].Journal of Tongji University:Natural Science,2021,49(4):585-590.)
[23]García-Orozco S,Vargas-Gutiérrez G,Ordóez-Sánchez S,et al.Using multi-criteria decision making in quality function deployment for offshore renewable energies[J].Energies,2023,16(18):6533.
[24]Chakraborty S,Raut R D,Rofin T M,et al.A comprehensive and systematic review of multi-criteria decision-making methods and applications in healthcare[J].Healthcare Analytics,2023:2772-4425.
[25]Xie Peng,Cui Junhong,Lao Li.VBF:vector-based forwarding protocol for underwater sensor networks[C]//Proc of the 5th International IFIP-TC6 Networking Conference.Berlin:Springer,2006:1216-1221.
[26]Nicolaou N,See A,Xie Peng,et al.Improving the robustness of location-based routing for underwater sensor networks[C]//Proc of Oceans-Europe.Piscataway,NJ:IEEE Press,2007:1-6.
[27]Hai Yan,Shi Z J,Cui Junhong.DBR:depth-based routing for underwater sensor networks[C]//Proc of the 7th International IFIP-TC6 Networking Conference.Berlin:Springer,2008:72-86.
[28]Su Yishan,Zhang Lin,Li Yun,et al.A glider-assist routing protocol for underwater acoustic networks with trajectory prediction methods[J].IEEE Access,2020,8:154560-154572.
[29]Liu Sifeng,Yi Lin.Grey systems:theory and applications[M].Berlin:Springer Science amp; Business Media,2010:3-6.
[30]熊萍萍,武彧睿,檀成偉,等.具有L2正則項(xiàng)的新型離散多變量灰色預(yù)測模型[J].系統(tǒng)科學(xué)與數(shù)學(xué),2024(4):1130-1146.(Xiong Pingping,Wu Yurui,Tan Chengwei,et al.A novel discrete multivariate grey forecasting model with L2 regularization term[J].Journal of Systems Science and Mathematical,2024(4):1130-1146.)