基于时变演化博弈机制的WSN数据采集算法

吴纪磊 章小宝

1(江西科技学院信息工程学院 江西 南昌 330098)2(南昌大学通信工程学院 江西 南昌 330031)

0 引 言

随着经济的快速发展，人们对绿色发展、和谐发展的要求也越高，由于经过长期粗放式发展后，各种环境污染因素变得无处不在，与人民对美好生活的不断追求形成了鲜明的反差和对比[1]。采取一定的技术手段，特别是无线传感器网络WSN，对高放射性、高化学腐蚀性、强生物传染性环境污染因素进行有效的数据采集与监控，成为当前环境监测领域中具有发展前途的新兴信息化技术之一[2]。

为提高WSN数据采集技术在环境监测领域的运用，研究者提出了若干具有前瞻性的WSN数据采集算法，在一定程度上起到了重要作用。Prabhudutta等[3]提出了一种基于能力均值区域覆盖机制的WSN数据采集算法，首先通过基于污染严重度-节点覆盖能力匹配机制，将覆盖能力最强的节点作为种子节点，并进行区域分割，不同区域内均按照污染严重度-节点覆盖能力匹配机制进行区域节点的匹配，可迅速实现对污染区域的全覆盖。但是，该算法对节点更迭因素考虑不足，难以实现节点动态替换，限制了该算法的实践意义。Krishnan等[4]提出了一种基于邻居节点-次区域节点联合评估机制的WSN数据采集算法，通过综合评估邻居节点与次区域节点间链路稳定特性来获取数据链路稳定因子，其在采集数据时均选取性能最佳的链路稳定因子所对应的链路进行数据传输，能够实现数据的超带宽传输。然而，该算法对链路选取因素考虑面过窄，存在多个节点同时竞争少数链路的情况，容易导致严重的数据拥塞现象。Yatish等[5]提出了一种基于主区域-次区域切换机制的WSN数据采集算法，鉴于文献[4]存在严重的数据拥塞现象的不足，采取区域传输的方式，即在链路选择上使用传输区域中性能最佳的一组节点作为中继传输节点，有效规避了因数据拥塞现象而导致链路波动情况的发生，可适应大流量突发因素下数据采集。但是，该算法需要牺牲部分网络节点的数据采集性能，以便实现数据的区域传输，在网络节点分布较为稀疏时，这种算法的数据传输效率不理想。

对此，本文提出了一种基于时变演化博弈机制的WSN数据采集算法，通过构建种子节点聚类初始化方法，能够提高种子节点-区域节点切换过程中存在的映射质量，稳定上传链路，提高区域划分效率；基于能量冗余性能构建流量切换阈值，考虑节点传输数据时具有的演化博弈特性，并通过经济效益评估模型统一评估切换效果，均衡了传输流量，提高了网络数据采集性能。最后，在NS2仿真实验平台进行实验，验证了本文算法的优越性能。

1 WSN信号发射模型

由于WSN节点均采用无线方式进行数据通信，一般而言，对于高污染环境下的数据采集往往使用LTE-5G方式进行数据采集[6-7]。为减缓环境污染因素对传输链路造成的抖动，本文WSN节点使用64-PSK方式对采集的数据进行信号调制，调制后的射频信号按2.049 GHz的频率进行数据传输，如图1所示。

图1 数据采集图

数据在网络中分为n个子信号进行分割传输，则信号增益冲激H(k)(φ)为：

(1)

依据式(1)，可得采集到的第k路WSN数据的射频表现形式为：

Y(k)(φ)=F(k)(φ)+T(φ)H(k)(φ)

(2)

式中:Y(M)(φ)为第k路WSN数据经过离散化后形成的冲激参量，通过捕捉该参量能够获取传感数据的突变情况；F(k)(φ)为该冲激参量在信道传输中的拉普拉斯信道噪声，均值为1，标准差为0；T(φ)表示第k路WSN数据在进行首轮数据传输时的信道增益，其时域信号表达式T(t)为：

(3)

式中:Ts表示信号周期；Tc表示数据传输周期；Nc表示第k路WSN数据在Tc内的最大抖动数值；bj为RSA信道加密秘钥[8]，且满足bj∈{+1,-1}；ai为64-PSK符号集合，且满足ai∈{+1,-1}。

此外，式(3)中其余参量表示形式如下：

A(t)=e(1-4πt2/Λ2)

(4)

式中:Λ为信道噪声的初始冲激响应。

联立式(2)-式(4)可得：

(5)

中央控制系统接收到式(5)所示的传输信号后，再次进行λ等间隔抽样，可得最终的解调信号为：

(6)

显然，对于不同的节点k而言，式(6)必正交：

Y(i)(φλ)×Y(j)(φλ)=0

(7)

2 WSN数据采集算法

采用式(6)-式(7)所示的信号传输模型，能够有效地减缓污染源对信道的不利影响，提高信道传输容量，降低数据抖动性能。这主要是由于式(6)-式(7)能够将不同节点的传输信号进行正交化处理，最大限度地消除信道噪声，改善因污染源而造成的频率漂移及功率受限现象。然而，单纯通过信号方式进行传输改善会存在一定的弊端。因此，本文提出新的WSN数据采集算法，其分为三个部分：

(1) 基于性能优选方案的种子节点聚类初始化。该过程主要根据区域内节点性能进行区域初始化，并通过灰度-矢量微分映射机制实现对种子节点聚类进行更新，解决WSN数据在高污染环境下种子节点易失效的难题。

(2) 基于演化博弈机制的区域流量均衡。该过程主要通过种子节点-区域节点博弈过程的能量冗余情况来构建流量切换阈值，随后通过该阈值作为裁决指标，解决WSN在高污染环境下流量不均衡的问题，提升算法的数据传输质量。

(3) 基于经济效益评估模型的质量评估。该过程针对传统算法难以对WSN进行整体评估，通过经济效益评估模型的方式实现对节点、数据资源的统一管理，方便了WSN在高污染应用场景下的部署流程。

2.1 基于性能优选方案的种子节点聚类初始化

由于高污染环境下WSN数据采集具有严重依赖历史数据的特性[7]，这是由于高污染环境下WSN节点部署具有一次性的特性，且诸如大放射性、强化学腐蚀性、高生物传染性的环境具有时变特性，因此按照传统的一次布撒并进行区域分割的方式具有难以更换的弊端[9]。

针对此种不足，本文采用灰度-矢量微分映射机制，通过历史数据挖掘污染信息的时变规律，能够实现聚类初始化。初始化流程图如图2所示。

图2 基于性能优选方案的种子节点聚类初始化流程图

对式(6)-式(7)所示的采集数据信号进行抽样，获取污染源时变灰度矢量Y(0)：

Y(0)={y(1),y(2),…,y(n)}

(8)

式中：y(n)表示第n个节点按式(5)传输的信号。

对式(8)进行时变累加处理，得到时变序列X(n,1)：

(9)

在式(9)基础上进行矢量微分映射[9]：

(10)

显然，式(10)为一阶微分方程，记为contaminated(1,1)，μ为矫正参数。

由式(6)可知，接收到的信号为离散信号，即对任意信号而言均需要进行矫正，设矫正矢量η：

η=[tμ]T

(11)

记矫正矩阵B为：

(12)

使用最小二乘法[10]，并联立式(11)、式(12)可得：

η=(BBT)-1X(n,1)(BTB)

(13)

联立式(10)、式(13)可得contaminated(1,1)的时变方程如下：

(14)

式(14)经过离散抽样后可得：

(15)

式中：X(1,1)=X(1,0)。

式(15)为种子节点聚类初始化过程中种子节点的信号强度，只需要按照式(15)逐个进行信号接收，即可唯一确定种子节点，并将种子节点作为区域内信号汇聚的中心节点，实践中联立式(15)并将种子节点的信号抽样值代入contaminated(1,1)，即可迅速实现区域分割，且链路收敛速度较快。

2.2 基于演化博弈机制的区域流量均衡

高污染环境下WSN一般遵循自由空间传播模型，即按式(6)接收到模型传输数据时，当且仅当节点发射信号强度达到一定功率时，才能确保数据链路处于稳定状态，该最小功率Pmin满足：

(16)

式中：Dsend表示发射节点的信号增益；Rrev表示接收节点的信号增益；λ表示信号波长；R表示发射节点的最大覆盖范围；l为污染损耗因子，一般取0～1。为保证传输质量，一般还需要将Pmin最小功率进行扩容处理，以确保信号传输强度能够达到需求:

(17)

实践中，考虑到发射节点进行信号发射过程中需要确保信号质量的问题，因此R的范围不一定取最大覆盖半径，如图3所示。若同一区域内种子节点的能量降低到一定水平，则承担区域节点的传输任务的种子节点将因能量受限处于严重的传输抖动状态。

图3 节点发射图

考虑到WSN无线发射过程中具有时变特性[11]，若种子节点在能量降低过程中，其与区域内其余传输节点的能量相比而言并不显著，则种子节点将不再予以更换。

为保证种子节点能够实现超密度覆盖，进行更新种子节点时须采取阈值控制策略，若种子节点的能量密度小于阈值，则选取区域内能量最好的节点作为新的种子节点。能量阈值Door获取方式如下：

(18)

式中：x表示种子节点的分布函数，一般为高斯分布；r表示传输周期；E0表示种子节点初始能量；Es表示剩余能量；mod()为模函数。

当种子节点阈值下降到Door的水平时，种子节点通过广播机制告知区域内剩余节点，随后从剩余节点中筛选出能量最佳的节点作为新的种子节点，如图4所示。种子节点完成更新后，采取广播机制告知控制中心，流程结束。

图4 基于演化博弈机制的区域流量均衡流程图

2.3 基于经济效益评估模型的质量评估机制

虽然演化博弈机制的区域流量均衡流程机制能够实现种子节点的切换，但单纯依靠能量评估方式进行种子节点切换也存在一定的不足之处，主要是各种子节点之间的传输效果难以评估。因此，本文基于经济效益评估模型进行质量评估，以便能够降低数据传输过程中存在的链路抖动问题。

记单个种子节点在自身覆盖区域b内，实现能量阈值切换策略c的网络收益μ(b,c)为：

μ(b,c)=U(c,N(c))-P(c,N(c))

(19)

式中：N(c)表示达到能量阈值切换策略c的种子节点总数；U(c,N(c))为经济效用函数，一般情况下其初始值为能量阈值Door；P(c,N(c))为经济效益函数。

设中央控制节点对每个区域分配的上传带宽相同，则总体网络收益μ可规定为式(18)、式(19)与种子节点总数N之和：

(20)

式中：Ns表示区域内节点总数。

在完成能量阈值切换后，计算当前时刻总体网络收益μ，如图5所示。若更换种子节点后出现总体网络收益下降，说明更新种子节点后将会出现链路抖动，影响整体网络数据采集性能，暂时不予更换；反之，则在演化博弈机制的区域流量均衡流程机制执行完毕，完成种子节点的更换。

图5 基于经济效益评估模型质量评估机制流程图

3 仿真实验

为了便于评估所提算法的性能，使用NS2仿真模拟环境进行测试[12-13]。对照组为当前常用的超宽带能量相邻启发算法[14](Efficient Nearest Neighbor Heuristic TSP Algorithms，ENNH-TSP)及黑洞安全组节点探测传输算法[15](Secure Group-Based Blackhole Node Detection Scheme，SGBB-NDS)。并使用采集链路抖动率、传输带宽、汇总带宽丢包率、信源传输质量等四个指标来量化，借助高斯信道、拉普拉斯信道、莱斯信道分别进行低、中、高干扰环境下信道模拟，仿真参数如表1所示。

表1 仿真参数表

3.1 采集链路抖动率测试

图6(a)-(c)分别为高斯信道、拉普拉斯信道、莱斯信道条件下，本文算法与ENNH-TSP、SGBB-NDS算法在低、中、高干扰信道环境下链路抖动率的测试数据。由图可知，本文算法在三种信道抖动环境下的采集链路抖动率始终处于较低水平，且随着数据采集速率的不断增加，本文算法的采集链路抖动率波动幅度明显低于对照组算法。这是由于本文算法针对传感节点在高污染环境下容易失效的特点，有针对性地基于演化博弈机制进行了区域流量均衡化处理，能够显著降低因流量不均衡而导致链路抖动的问题。此外，本文算法针对单纯更新种子节点方式存在着对网络整体传输性能有显著影响的问题，基于经济效益评估模型质量构建了评估机制，能够将种子节点的更新纳入全网统一的质量评估体系内，改善了因种子节点切换而导致的采集链路抖动的问题。ENNH-TSP算法虽然考虑了不同种子节点具有能量相似特性，采取交叉覆盖的方式进行种子节点抖动，但没有考虑种子节点切换后需要进行的链路优化问题，因此难以进一步降低采集链路抖动频率。SGBB-NDS算法通过预设安全节点的方式进行数据传输，然而仅采取简单更换机制进行安全节点的更换，在高干扰环境下依然存在严重的链路抖动问题。

(a) 高斯信道

(b) 拉普拉斯信道

(c) 莱斯信道图6 不同信道下的采集链路抖动率测试结果

3.2 传输带宽测试

图7(a)-(c)分别为高斯信道、拉普拉斯信道、莱斯信道条件下，本文算法与ENNH-TSP算法、SGBB-NDS算法在低、中、高干扰信道环境下传输带宽的测试数据。由图可知，本文算法在三种信道传输条件下的传输带宽均要高于对照组算法，且传输带宽平稳。这是由于本文算法能够基于性能优选方案进行种子节点聚类初始化，且采取灰度-矢量微分映射机制实现对种子节点聚类进行更新，选取的种子节点性能较好，数据采集及传输过程中出故障的概率也较低。ENNH-TSP算法在传输过程中采取交叉模式，即相邻区域内的种子节点互相承担对方区域内数据传输，虽然能够降低节点能量开支，然而容易出现因部分节点失效而导致大面积节点失效的现象，因此该机制传输带宽性能要差于本文算法；SGBB-NDS算法仅采取简单上传模式，即种子节点除非因能量耗尽，否则将不进行节点更新，因而降低了传输性能，导致该算法在传输带宽上要低于本文算法。

(a) 高斯信道

(b) 拉普拉斯信道

(c) 莱斯信道图7 不同信道下的传输带宽测试结果

3.3 汇总带宽丢包率测试

汇总带宽丢包率反映了中央控制节点汇总WSN节点数据结束后对传输质量的评估，汇总带宽丢包率越低，说明数据传输质量越好。图8(a)-(c)分别为高斯信道、拉普拉斯信道、莱斯信道条件下，本文算法与ENNH-TSP机制、SGBB-NDS机制在低、中、高干扰信道环境下汇总带宽丢包率的测试数据。由图可知，本文算法在三种信道条件下的汇总带宽丢包率均处于较低的水平，这是由于本文算法基于性能优选方案进行种子节点聚类初始化，且采取灰度-矢量微分映射机制实现对种子节点聚类进行更新，具有良好的数据上传性能，不易发生因种子节点性能受限而导致汇总困难的现象。ENNH-TSP算法由于仅采取交叉传输机制，容易因节点交叉传输导致链路产生严重的抖动问题，从而导致较高的丢包率；SGBB-NDS算法仅采取简单上传模式，传输过程中未对上传链路进行稳定化部署，因而丢包现象难以得到缓解。

(a) 高斯信道

(b) 拉普拉斯信道

(c) 莱斯信道图8 不同信道下的汇总带宽丢包率测试结果

3.4 信源传输质量

图9(a)为信源，图9(b)-(d)分别为本文算法与ENNH-TSP方法、SGBB-NDS技术完成数据采集后接收到的信源。由图9(b)可知，本文算法接收到的信源图片清晰度较高，细节保留较为完整，仅有轻微噪声干扰，没有出现模糊等失真现象。由图9(c)可知，ENNH-TSP方法的接收图像存在视觉不自然现象，且存在较多的噪声干扰，丢失了部分细节。而SGBB-NDS技术的接收质量不佳，模糊较为严重，且丧失了较大的细节，见图9(d)。这是由于本文算法先后采取了性能优选方案的种子节点聚类初始化、演化博弈机制的区域流量均衡、经济效益评估模型质量评估机制，能够显著改善丢包现象，且传输链路抖动现象发生频率较低，降低了因传输抖动现象发生而导致的传输错误，因此信源传输质量较高。ENNH-TSP方法及SGBB-NDS技术由于分别采取交叉传输及简单传输的方式，难以对网络整体传输性能进行评估，且传输链路抖动发生概率较大，因而信源传输质量较差。

(a) 信源 (b)本文算法

(c) ENNH-TSP算法 (d) SGBB-NDS算法图9 信源传输质量

3.5 算法复杂度分析

本文算法主要由基于性能优选方案的种子节点聚类初始化、基于演化博弈机制的区域流量均衡、基于经济效益评估模型质量评估机制三个部分构成。其中：基于性能优选方案的种子节点聚类初始化的算法复杂度主要体现在使用微分器逐个对信号进行矢量微分，该过程的算法复杂度为O(n)，n表示网络中节点总数；基于演化博弈机制的区域流量均衡的算法复杂度主要体现在对各个节点的遍历上，该过程的算法复杂度为O(m)，m(m

ENNH-TSP算法主要采用冒泡算法对相邻节点的能量情况进行探测，探测过程中采用交叉覆盖的方式对节点进行优化，当网络中节点个数为n时，算法整体复杂度为O(n2)。SGBB-NDS算法需要对网络中存在的“网络黑洞”进行遍历探测，并采用简单更换机制进行安全节点的更换，当网络中节点个数为n时，需要更换的安全节点数量为h(h

根据上述分析可知：SGBB-NDS算法的复杂度最低；本文算法复杂度要高于SGBB-NDS算法，但其复杂度仍然比较低；而ENNH-TSP算法的复杂度最高。

虽然本文算法的复杂度要高于SGBB-NDS算法，但是，本文算法具有更低的传输链路抖动率和丢包率，以及更高的传输带宽，可以有效降低网络拥塞现象，提高WSN数据采集性能。

4 结 语

鉴于当前WSN数据采集算法在实践中存在的一些不足之处，提出了一种基于时变演化博弈机制的WSN数据采集算法。通过基于性能优选方案的种子节点聚类初始化、基于演化博弈机制的区域流量均衡、基于经济效益评估模型质量评估机制，改善了种子节点在高污染环境下容易失效的难题，提高了传输链路的稳定性能，增强了WSN数据采集质量，且能够通过经济效益评估模型的方式实现对节点、数据资源的统一管理。实验数据验证了所提算法的合理性与有效性。

下一步，针对本文算法具有能耗较高的不足，拟通过能量协同机制降低种子节点进行数据传输的能量消耗，提高种子节点的数据传输周期，进一步增强本文算法对高污染环境的适应性能。