基于超空泡混沌预测机制的移动传感网高速传输算法

王 龙， 孙瑞娟

(1.山西农业大学信息学院， 晋中 030800； 2.山西农业大学工学院， 晋中 030800)

以长期演进LTE-5G(long term evolution-5G)为特色的超高速网络传输技术亦极大地对当前常用的区块链、移动传感网、高速物联网产生了强烈的推动作用[1]。特别是最新的传感网技术均广泛引入LTE-5G传输解决方案，能够显著提高传感网数据采集速率，且能够实现对数据的高速采集及传输，极大地推动了经济转型的效果，成为国民经济新的增长极[2]。

然而，基于LTE-5G传输技术为代表的传感网也有存在较多的不足之处，这主要是由于LTE-5G技术所特有的超带宽传输及高信号漂移特性所决定的，实践中往往导致传感网络出现严重的捕捉困难及传输抖动现象，制约了移动传感网从传统网络向LTE-5G技术进行升级。

为改善这种不利的情况，研究者提出了若干解决方案，在一定程度上提高了移动传感网的适应性。Lipiński等[3]基于超宽带链路稳定模型，提出了一种基于跳板节点稳定机制的移动传感网高速传输算法，该算法主要通过跳板节点之间链路编码调整的方式，采用统一捕捉机制，实现对网络中高速移动节点的快速捕捉，以达到迅速获取跳板链路状态并进行调整的目的，算法实现较为简单，具有很强的实际部署价值。但是，该算法需要通过区域分割方式进行数据传输，网络传输拓扑收敛要求较高，难以进一步提高数据捕捉及传输速率。Shan等[4]基于拉普拉斯链路预测模型，提出了一种基于信号漂移频率捕捉机制的移动传感网高速传输算法，该算法主要通过猎取移动传感网节点的多普勒频率移动，能够精确捕捉节点运动轨迹，实现对移动传感节点的高速捕捉，具有良好的传输性能。然而，该算法针对链路稳定性能预测不足，传输过程中链路抖动率较高，数据超高速传输性能较差。Tang等[5]针对当前算法难以同时进行节点捕捉及超高速传输的不足，提出了一种基于拓扑-传输统筹机制的移动传感网高速传输算法，其通过链路预测机制实现对传输链路的动态调整；能够将网络拓扑状态以广播形式进行全网传输，大大降低了节点信息不对称所导致的网络拥塞现象，从而达成数据的超高速传输，复杂信道条件下的适用性很强。但是，该算法需要通过预设大量的预测节点的方式进行链路预测，网络资源整体利用较低，容易导致严重的资源浪费。

考虑到当前机制存在的不足，本文提出了一种基于超空泡混沌预测机制的移动传感网高速传输算法。首先，通过能量-惯性机制实现对节点运动的拓扑形态进行精确追踪，且采用三角定位方式进一步提升追踪的精确性，从而实现对链路抖动的初次稳定。随后，鉴于当前机制难以扫描到超空泡区域的不足之处，采取角度映射与跳板节点相结合的方式绕过超空泡区域，提高链路的稳定性，增强了上传性能。最后，通过MATLAB仿真实验平台，证明了本文算法的有效性。

1 本文网络拓扑结构及功率发射模型

1.1 网络拓扑结构

移动传感网主要采用LTE-5G信号制式，节点具有很强的流动性，因此实践中移动传感网均不采用随机布点模型[6]，一般使用如下网络拓扑结构，见图1。

(1)传感节点传输频率不低于2.048 GHz，网络中出现位置随机[7]。

(2)网络节点不采取分割机制，但网络节点分布地域预先进行分割[8]。

(3)传感节点间链路采用多跳模型，即传感节点均需要通过跳板传输模式进行数据采集及上传[9]。

(4)传感节点具有能量受限限特性，即当传感节点自带能源耗尽时，需要通过补充能源的方式维持工作，在能源补充完毕前将暂时退出数据采集过程。

1.2 功率发射模型

由图1可知，移动传感网节点进行数据传输均采用无线方式，且跳板节点需要在覆盖范围内时方能实现数据的上传[10]。此外，由于移动传感网节点数据主要耗费于数据采集、接收、传输之用，因此实践中不考虑节点处理数据过程中的能耗[11]，a节点发射kMbit数据到b节点的能量消耗E(a,b)为

E(a,b)=kE0+∮klsds

(1)

则b节点接收过程中消耗的能量Erec(b)为

Er(b)=kE0

(2)

式(1)、式(2)中：E(a,b)代表节点a发射数据到节点b的消耗能量；Er(b)为节点b接收过程所产生的消耗能量；E0表示a节点发射数据时基础能耗；k表示发射系数，实践中该系数可随着链路抖动现象的发而动态调整，一般不超过5；l表示a节点和b节点间的距离；s表示a节点和b节点间的路径积分，理想状态下为直线。

路径上的节点进行数据发射时亦需要消耗能量，若跳板节点个数为1时，能量消耗水平一般为式(1)、式(2)的总和，即路径能量消耗Et(a,b)为

Et(a,b)=2kE0+∮klsds

(3)

式(3)中：Et(a,b)代表节点a到节点b的路径消耗能量。

若传输路径上节点个数不唯一，见图2；不妨设传输路径上跳板节点个数为m，结合式(1)～式(3)可知，若a节点和b节点间有m个跳板节点时，进行数据传输的总能量消耗Emax(a,b)为

(4)

式(4)中:i代表节点的编号。

通过式(4)能够确切地获取移动传感网采集数据时所消耗的总能量，若传输过程中跳板节点过多，或因链路抖动而导致频繁更换传输路径，则用于式(3)上的能量消耗将不断增加。因此，要实现移动传感网数据的高速传输，必须同时从路径和能耗两个方面，以便能够实现能耗受控条件下的高质量传输。

图2 拓扑传输Fig.2 Topological transmission

2 本文移动传感网高速传输算法

考虑到当前常用机制存在的不足之处，特别是采取单纯传输机制存在一定的弊端，鉴于此，提出了一种基于超空泡混沌预测机制的移动传感网高速传输算法，其过程见图3，主要分为2个步骤：①传输拓扑形态预测，该流程主要通过能量-惯性机制实现对移动节点位置的精确捕捉，使用三角定位方式对节点坐标进行修正，大大改善了因节点高速流动而产生的链路抖动现象；②基于超空泡消除机制的链路稳定，该流程主要鉴于当前算法对移动传感网拓扑形态中存在的超空泡区域难于解决的问题，通过角度映射的方式改善链路中跳板节点间存在的超空泡现象，进一步提高移动链路的稳定性能，增强算法的数据上传质量。

图3 本文算法的传输过程Fig.3 The transmission process of the algorithm in this paper

2.1 传输拓扑形态预测

移动传感网在进行数据传输时，配备北斗导航系统的移动节点i需要周期性地将自身地理位置信息传输到离自己最近的3个固定节点，这三个固定节点采用三角定位方式实现对移动节点地理位置的精确捕捉，见图4。根据文献[11]可知，该过程中移动节点i用于路径稳定所消耗的能量Emov(i)为

Emov(i)=E0+128μlg(l/R)+ξ

(5)

式(5)中：E0为节点发射数据的基础能耗；μ表示环境衰减参量，可以通过测量获取，一般取1～3；l表示移动节点i到固定节点的最大距离；R表示移动节点i的最大覆盖半径；ξ为信道衰减因子，在高衰落信道中一般为莱斯分布，在低衰落信道中一般为高斯分布，实践中以拉普拉斯分布居多。

固定节点在接收到移动节点i数据时消耗的能量E′(i)为

E′(i)=P+G-128μlg(l/R)-ξ

(6)

式(6)中:P表示固定节点的发射功率；G表示信道增益。

联合式(5)、式(6)，则移动节点i的最佳覆盖半径Rw为[12]

Rw=eP+G-128μlg(l/R)-ξ

(7)

考虑到移动传感网中节点运动具有一定的惯性，即下一时刻节点的地理位置必定处于某个跳板节点的覆盖范围之内。不妨设当前t时刻的节点i的坐标为(xt，yt)，前一时刻Δt的节点坐标为(xΔt，yΔt)，若节点i的最佳覆盖半径Rw小于其最大覆盖半径，则当前时刻节点i的运动位置(vx，vy)为

(8)

(9)

经过下一时刻节点i的运动坐标(vx，vy)可由如下函数来获取：

(10)

(11)

图4 传输拓扑形态的预测Fig.4 Prediction of transmission topology form

2.2 基于超空泡消除机制的链路稳定

通过式(10)、式(11)能迅速实现对移动节点i的移动轨迹捕捉，但是单纯采取即时捕捉的方式难以实现对全部节点进行拓扑捕捉，当仅当移动节点i与最终接收节点的链路上跳板节点距离相等时，其能耗将最低[13]，此时的最佳距离d为

(12)

式(12)中:E0表示i节点发射数据时基础能耗；G表示信道增益；n为信道个数。

当移动节点i通过搜寻最佳距离d内的跳板节点时，由于跳板节点往往处于不均匀分布状态；若移动节点i希望与最终接收节点进行数据传输，则需要跳板节点的协助方能顺利实现信号发射与接收，见图5。若两者之间距离大于d，则首先从移动节点i出发，搜寻覆盖范围在d内的跳板节点j；跳板节点在收到移动节点i发射的信号后，继续按照d为覆盖范围搜寻下一个跳板节点，直到移动节点i与最终接收节点间的链路建立为止；若移动节点i与最终接收节点间距离小于d，则直接进行数据传输。

图5 链路稳定结构Fig.5 Link Stabilization Architecture

为降低节点间传输链路因跳板节点分布不均匀而导致的传输抖动问题，采取角度映射的方式稳定传输链路，详细过程如下：以移动节点i为中心进行扫描，且以i为直角坐标系原点，横轴为移动节点i与最终接收节点m之间的连线；设m的位置为(xm，ym)，则跳板节点j和跳板节点g的坐标(xj，yj)和(xg，yg)分别为

xj=d

(13)

yj=0

(14)

(15)

(16)

式中：l表示移动节点i到最终接收节点m之间的距离；d为最佳距离。

由于最佳拓扑距离可能不是直线，且搜寻过程实际上是按照极坐标方式进行角度搜索，即搜寻节点过程中需要获取跳板节点相对于移动节点i之间的角度。显然单纯按照直接搜寻的方式容易出现超空泡现象，见图6，移动节点i在搜寻过程中，由于跳板节点分布不均衡导致出现严重的超空泡现象。空泡及周围区域由于跳板节点个数极少，且跳板节点难以直接覆盖，导致数据传输过程中容易因空泡的存在而导致频繁出现链路重定向的问题。由图5可知对于任意跳板节点而言，A、B区域即为空泡区域，旋转角可由如下方式获取：

(17)

(18)

式中：R表示节点当前最大覆盖半径;d为式(12)的最佳距离；v1和v2表示相邻的跳板节点，见图6。

图6 超空泡现象Fig.6 Supercavitation phenomenon

整个高速传输的详细过程如下。

Step1跳板节点按照式(7)所示获取最佳覆盖半径，并按式(12)来获取最佳覆盖距离。

Step2任意跳板节点按照式(13)～式(16)所示过程获取自身坐标并进行全网广播。

Step3对于任意跳板节点g，首先通过式(17)～式(18)获取超空泡区域的存在方位，见图6。

Step4跳板节点g在完成Step 2并获取自身坐标后，根据Step 3 中获取的超空泡区域，绕过该区域，并与区域附近的任一跳板节点建立连通链路。

Step5按上述步骤所示，首先在跳板节点间组网完毕，若组网过程中存在超空泡区域，则转下一步；反之，算法反复执行Step 1、Step 2。

Step6再按式(8)～式(11)所示进行移动节点i的初定位，节点通过搜寻跳板节点，将其接入移动传感网，算法结束。

3 实验结果与分析

为体现本文算法的性能，采用MATLAB平台进行仿真实验。对照组为当前移动传感网高速传输中常用的启发式高带宽传输(heuristic high bandwidth transmission，HHBT)算法[14]及拓扑空洞修正传输(topological cavity modified transmission，TCMT)算法[15]，性能采取上传带宽、节点平均能耗、丢包频率、数据传输质量四个指标，采用高斯信道、莱斯信道模拟普通干扰环境及高干扰环境，参数如表1。

表1 仿真参数Table 1 Simulation parameter

3.1 上传带宽

图7 三种算法的上传带宽能力测试Fig.7 Upload bandwidth capability test of three algorithms

图7为本文算法与HHBT算法及TCMT算法在节点移动速度不断增加的情况下，分别在高斯信道和莱斯信道条件下的上传带宽测试结果。由图7可知，随着节点移动速度不断增加，本文算法与对照组算法均出现上传带宽抖动下降的现象，这是由于随着节点移动速度的不断增加，节点经过超空泡区域的概率也随之增加，导致出现拥塞的概率也相应增加；此外，由于节点速度不断增加，链路稳定性也随之下降，因此网络上传数据的能力也呈现下降趋势。但是，本文算法的上传带宽始终高于对照组算法，且波动较低；这是由于本文算法针对传输区域存在的超空泡现象涉及了基于超空泡消除机制的链路稳定流程，采用角度映射的方式降低链路在超空泡区域内存在的抖动现象，且能够采用基于能量-惯性机制对移动节点进行精确捕捉，进一步降低因节点流动而产生的链路抖动现象，因而数据上传链路质量较高，上传能力较强。HHBT算法主要通过主备机制进行链路选择，难以对超空泡区域进行规避，传输链路存在严重的抖动风险。TCMT算法虽然可规避拓扑区域内存在的空泡现象，但其采用被动修复机制进行链路自愈，若链路处于严重抖动状态时将停止数据上传，限制了其数据上传性能。

3.2 节点平均能耗

图8 节点平均能耗测试结果Fig.8 Test results of nodes average energy consumption

图8为本文算法与HHBT算法及TCMT算法在节点移动速度不断增加的情况下，分别在高斯信道和莱斯信道条件下的节点平均能耗测试结果。由图8可知，虽然本文算法同HHBT算法及TCMT算法在节点移动速度不断增加的情况下，节点平均能耗均呈现不断增加的态势，然而本文算法节点平均能耗均要显著低于对照组机制，且在信道条件处于恶劣条件下更为明显，见图8(b)；这是由于本文算法在节点传输数据时，能够通过超空泡消除机制及时消除链路抖动乃至中断风险，对于相同的采集数据而言可以更为节约能源的方式实现数据传输，因而节点平均能耗较低。HHBT算法在出现区域空泡现象时由于仅采用单纯的备份机制实现对链路的更换，然而更换过程中未对链路在下一周期内的抖动进行评估，因此节点因链路抖动而需要重传的数据较多，平均能耗也随之提升。TCMT算法仅采用简单自愈机制进行链路修复，且修复过程与数据传输是处于相互排斥的状态，节点传输数据的时候需要更多的能量，使得节点平均能耗水平较高。

3.3 丢包频率

图9为本文算法与HHBT算法及TCMT算法在信道信噪比不断增加的情况下，分别在高斯信道和莱斯信道条件下的丢包频率的仿真对比，由图9可知，本文算法在两种信道条件下的丢包频率均处于较低水平；这是由于本文算法节点平均能耗较低，且上传带宽性能较好，因此本文算法的数据报文投递能力也较强，丢包频率低。HHBT算法由于链路抖动发生频率要高于本文算法，且必须通过主备切换的方式实现链路重建，因此丢包频率要低于本文算法。TCMT算法进行链路自愈过程中需要暂停数据传输直到链路完全联通，该过程需要暂停数据报文投递，因此TCMT算法的丢包频率亦要高于本文算法。

图9 丢包频率测试结果Fig.9 The test results of packet loss frequency

图10 传输质量测试Fig.10 Transmission quality test

3.4 数据传输质量

图10(a)为待传输的图片数据，传输过程中信号放大增益为100 dB。图10(b)～图10(d)分别为本文算法、HHBT及TCMT算法所接收到的数据。由图10可知，本文算法接收到的图像数据较为清晰，存在轻微噪声干扰，而HHBT算法的接收数据存在较多的噪声，丢失了较多细节，见图10(c)， TCMT算法虽然具有较好的抗噪能力，但是图像较为模糊，丢失部分纹理细节，见图10(d)。这是由于本文算法采用了超空泡消除机制，能够稳定传输节点，扩大传输带宽，因而抗信道干扰能力较强，最大限度地阻碍了信道噪声的混入，故传输数据的质量较高。HHBT算法虽然采取了没有针对空泡存续期间的数据传输进行稳定，容易导致信道噪声的窜入，因而传输质量较低。TCMT算法虽然对空泡区域进行了选优处理，然而该机制同样没有对传输跳板节点进行选优，容易出现链路抖动现象，导致数据传输质量不佳，因而传输质量要差于本文算法。

4 结论

针对当前移动传感网高速传输方案中存在的不足之处，提出了一种基于超空泡混沌预测机制的移动传感网高速传输算法，主要通过传输拓扑形态预测及超空泡消除机制等两个流程，改善节点高速运动状态下存在的数据抖动现象，且能够显著解决拓扑形态中存在的超空泡区域内传输难题，大大改善了算法的链路稳定性，具有很强的数据传输质量。

下一步，将针对本文算法难以适应节点密集状态的不足，拟引入节点共型映射机制，提升算法中节点及链路在高流动性条件下的稳定性能，进一步促进算法在实践中的应用。