WSNs中基于无人机的数据收集算法*

冯梦清

(郑州工业应用技术学院信息工程学院， 郑州 451150)

0 引言

无线传感网络[1-2]由多个微型、低功耗的传感节点组成，通过将这些传感节点部署于兴趣区域，监测异常事件或感测区域环境数据。一旦获取了数据，节点将这些数据传输至信宿(base station,BS)。

一般而言，节点大都是由电池供电。当电池用尽，通常不便于给节点替换电池；而一旦电量用尽，节点就无法继续工作，限制了WSNs寿命。因此，有效地利用节点能量[2-3]，提高能量效率是延长网络寿命的关键。

近期，基于UAV的WSNs系统受到广泛关注。将UAV作为移动信宿，存在多个优势：1)UAV处于上空，使节点至UAV的链路容易形成视距环境; 2)由于UAV可以移动，可以缩短节点向信宿传输路径，有利于减少能量消耗[4]。在UAV-WSNs中，引用休眠和活动机制能够进一步减少节点能耗[5]。节点默认为休眠状态，当收到来自高于预定阈值的beacon信号就进入活动状态。完成了工作后，仍进入休眠状态。然而，在UAV-WSNs中，由于传感节点与移动UAV间的无线信道呈动态变化，降低了数据包传递率[6]。据此，应合适地部署UAV，使处于活动状态的节点能够以高的数据包传递率传输数据。

为此，针对UAV-WSNs网络，提出基于旋转角度多址接入的数据收集(RADM-DC)算法。RADM-DC算法通过给UAV-BS安装天线阵列，形成扇形覆盖区域，并旋转，进而形成多个虚拟扇形。同时，依据节点的信道条件，动态调整节点发射功率。最后，通过实验分析了RADM-DC算法在降低能耗、控制数据传输时延方面的性能。

1 RADM-DC算法

1.1 约束条件

考虑基于UAV-BS的WSNs系统，如图1所示。UAV收集网络内传感节点数据。N个节点分布监测区域l1×l2内。令节点集ψ={S1,S2,…,SN}。用矢量wk=(xk,yk)表示第k个节点Sk的位置，且k=1,2,…,N。

传感节点引用全向天线收发数据。同时，引用文献[5]的节点休眠和活动机制。节点默认为休眠状态，当从UAV接收的信号高于预定阈值，节点就进入活动状态，成为活动节点。如图1所示，将UAV-BS覆盖的区域划分为多个虚拟的扇形区域。UAV-BS旋转其覆盖角度。在其覆盖内的节点，它就将数据传输至UAV-BS，否则节点就保持休眠状态。

图1 虚拟的扇形区域

1.2 信道模型

用自由空间的路径损耗模型表述传感节点与UAV间通信。令Lk表示传感节点Sk与UAV间的通信链路模型：

(1)

式中：fc为载波频率，单位为Hz；c为光速，单位m/s；dk表示节点Sk与UAV间的距离，其表达式为：

(2)

式中：wUAV、HUAV分别表示UAV的二维空间位置、高度。令ψk表示正态对数分布的衰落[7],其定义为：

(3)

图2 UAV与节点间的空间示意图

UAV装备了均匀的线性天线阵列，天线数为m。天线间的间隔为Δ。依据式(4)，可计算来自节点Sk传输的信号的天线增益GR,k:

(4)

式中：φk表示信号到达方向(direction of arrival, DoA)[8]。而g(θk,φk)表示单付天线的天线指向性，其定义如式(5)所示：

(5)

由式(5)可知，当θk=π/2时，g(θk,φk)值最大。但是，实际环境中无法满足θk=π/2。为此，给单付天线设置一定的倾斜角θtilt。

(6)

将式(6)代入式(4)和式(5)可得：

(7)

(8)

最后，依据式(9)计算UAV与节点间信道增益hk为：

(9)

式中：GT表示节点Sk的发射天线增益，而ψk=10φk,dB/10。

1.3 UAV旋转角度

为了使网络内所有节点能获取给UAV传输数据的机会，UAV以旋转角度θRT∈{0,2π}将整个区域划分为多个虚拟的扇形区。在每个扇形区持续的时间Tsec为：

(10)

式中：TRound表示每一轮时延，即UAV旋转一周所持续的时间；J=2π/θRT为扇形数。

Tsec对系统性能有重要影响。若Tsec过长，则该扇形区内的节点向UAV传输数据的概率就增加[9]。但这必然延长了不在该扇形区节点向UAV传输数据的时延。不采用固定的Tsec，而是依据扇形内节点密度调整时间。即节点密度越高，时间就越长，反之，就缩短时间，如式(11)所示：

(11)

式中：Tsec,j表示UAV在第j个虚拟扇形区停留的时间；Mj表示第j个虚拟扇形区内的节点数。

采用虚拟扇形区域，降低了多个传感节点同时传输数据包的传递率。此外，相比于整个通信区域，虚拟扇形区更窄，这就提高了每个活动节点检测周围节点传输数据的概率[10]。原因在于：在更窄区域，节点相距更近，更容易检测。此外，UAV采用天线阵列，增加了活动节点所接收的功率强度，使得节点能够在短时间内完成数据包的传输。

1.4 基于信噪比的传输速率调整

为了能有效控制干扰，依据信道条件对传输速率进行调整。令γk表示UAV接收节点Sk传输的信号的信噪比为：

(12)

式中：PR,k为接收功率；N0为噪声功率密度；B为带宽；PT为节点的发射功率。

由式(12)可知，相比于全向天线，采用天线阵列时，接收天线增益GR,k越大，信噪比γk就越大。采用IEEE 802.11g作为无线接入协议，每个传感节点依据信道条件调整数据传输速率。当γk较大，就适当增加传输速率。具体的调整策略如表1所示。

表1 基于γk的传输速率调整

从表1可知，γk的最小值为4 dB。因此，当γk值低于4 dB时，即使节点处于活动状态，也认为该节点无法传输数据，即链路中断。

2 性能仿真

2.1 仿真环境

利用NS2++软件建立仿真平台。30个传感节点分布于60 m×60 m的方形区域。UAV位于方形区域正上空，且高度为20 m。传感节点引用IEEE 802.11g协议接入无线资源。仿真参数如表2所示。此外，为了验证提出RADM-DC算法的有效性，仿真过程中将旋转角θRT分别设置为60°和120°。

表2 仿真参数

2.2 数据分析

2.2.1 中断概率

下面分析UAV的角度θRT对中断概率影响。当γk值低于4 dB，就认为链路中断。中断概率等于发生中断的节点数与总的节点数之比。

图3 平均中断概率与θRT关系

图3描述了角度θRT对中断概率的影响。从图3可知，当θRT=60°，中断概率为零。原因在于：当θRT=60°，节点能够获取高的天线增益，进而获取高的γk值。然而，当θRT增加至120°时，中断概率迅速增加至10%。原因在于：角度越大，节点获取的天线增益下降，致使部分节点的γk过低。

2.2.2 平均碰撞帧数

进一步分析角度θRT对节点传输数据的影响。用每个节点发生帧碰撞的平均次数(平均碰撞帧数)反映θRT对节点传输数据的影响。

图4 平均碰撞帧数与θRT的关系

如图4所示，RADM-DC算法通过在特定时间内限制通信的节点数，进而控制平均碰撞帧数。θRT越小，每个虚拟区内已有的活动节点数就越少。信道干扰也就越小，节点获取的γk值就增加。因此，θRT=60°的性能优于θRT=120°的性能。

2.2.3 平均传输时间

分析θRT对节点传输数据的时间影响，并重点分析Tsec,j对平均传输时间的影响。RADM-DC算法是对Tsec,j依据扇形内节点数进行调整，而传统算法是采用固定Tsec,j值。为了更好体现采用动态Tsec,j的优势，将动态Tsec,j与固定Tsec,j进行比较。

如图5所示，平均传输时间包括了节点的等待时间。从图5可知，相比于固定Tsec,j，动态Tsec,j策略下能够控制平均传输时间。此外，当θRT较低时，扇形区域内活动节点数获取的γk更大，增加了传输速率，进而缩短了传输时间。当θRT为60°或120°时，RADM-DC算法能够有效控制传输时间。

图5 平均传输时间与θRT的关系

2.2.4 平均节点能耗

最后，分析节点传输数据时所消耗的能量。如图6所示。平均节点能耗是指节点传输数据时所消耗的平均能量。从图6可知，θRT越大，平均节点能耗越大。原因在于：θRT越大，中断概率越高(如图4所示)，这就使得节点需多次传输才能完成数据包的传输，最终增加了节点能耗。

图6 平均节点能耗与θRT的关系

3 结论

文中提出了多址接入的RADM-DC算法。该算法将整个区域划分为多个虚拟扇形，降低了随机接入UAV-BS的活动节点数，进而避免了信号碰撞。由于天线增益增加，降低节点数据传输的中断概率。并依据信道条件，调整传输速率，缩短了数据传输时间，最终降低了节点能耗。仿真结果表明，当旋转角度为60°时，RADM-DC算法将中断概率控制为零，提高了通信效率，降低了节点能耗。