一种生物启发的无线融断网络数据传输算法*

姚红娟，华 翔,2，王 海，李宝华

(1.西安工业大学 电子信息工程学院，西安 710021；2.西安工业大学 兵器科学与技术学院，西安 710021；3.北方特种能源集团 西安庆华公司，西安 710025)

随着移动自组织网络的发展，越来越多的数据通过无线网络传输。传统的无线自组织网络，数据传输过程中要求源端和目的端至少存在一条可靠路径。然而，在一些实际的复杂网络场景中，如灾区、战场、军事行动中，常会出现因节点移动，资源受限，信号衰减等因素，造成网络在某些时刻不联通情况[1]。为了在复杂环境中实现有效的数据通信，无线融断网络[2]的概念应运而生。无线融断网络是一种特殊的自组织网络，无法保证网络拓扑的稳定性和全联通性，依靠节点的移动形成局部的融合和分割网络，更适合在复杂、恶劣场景下的一种间断通信，能更好的满足实际的自组网需求。

针对拓扑动态变化、链路不稳定导致的通信困难问题，已有学者展开了研究。文献[3]提出了一种新的基于混合社区的数据传输机制，构建基于混社区的网络模型，进行中继选择和转发策略制定，虽然改善了网络性能，但是该方法未考虑网络的负载问题。文献[4]提出了基于节点通信的数据传输与管理方法，通过社会压力度量节点间的连接强度，开发了自适应控制复制传输模式，降低了网络负担和网络开销。然而，在复杂的社区网络环境中，信息在传播过程中会受到各种因素的干扰，数据投递率较差。文献[5]提出了一种高效的数据包迭代传输算法，在当前节点的通信区域内选择数据传输能力好的中心节点，有效提高数据包的交付率。但是该方法的不足是端到端的时延较大。文献[6]提出了文件发送序列调度算法，根据文件传输时耗与链路持续时间，使得在短暂的通信持续时间内成功传输文件。当文件的大小超过设定值时，该算法会导致数据传输失败，不能实现尽力投递的目标。文献[7]提出了消息副本转发算法，从节点相遇概率和消息重复扩散角度分析，给出了评估相遇信息价值的时效指标和节点移动偏离指标，合理地选择消息传输中继节点并提高消息投递效率。但是，该算法不能用于网络中所有节点性能相同的场景。文献[8]提出了划分兴趣社区的路由算法，利用节点接收的历史消息次数和消息之间的相似度，量化出节点对各类消息的兴趣程度，然后把节点划分到相对应的兴趣社区。该算法虽然降低了通信开销，但带来的较大的传输时延。文献[9]提出了一种用于复杂机会网络的低延迟广播算法，在网络中进行消息广播时，算法会分析在指定的传输时间片上的链路是否满足连续干扰消除条件，实验表明该方法提高了信息传输效率。因为该算法使用广播传输机制，导致较大的传播开销。文献[10]提出了基于节点效用值的机会网络转发算法，考虑节点相遇概率、节点变化率、节点传输容量、节点连接容量等因素，建立了节点效用值模型。在此基础上选择转发节点发送消息，有效降低了网络开销和平均中继次数，但在实际的动态网络中，节点效用值计算极其困难，导致传输成功的消息数较少。文献[11]提出了基于转发概率的动态数据转发策略，根据节点能量消耗和消息传输延迟计算出节点的传输概率和转发概率，使节点获取的消息能够以尽可能低的能量消耗和传输延迟发送到汇聚节点，该算法有效延长了网络寿命，降低了传输能耗。该方法针对不同类型的传感器节点组成的网络，所以其在同构网络中的投递效率下降。以上的研究虽在解决网络通信方面取得了一些成果，但大多都基于传统方法实现，考虑了传输成功率，延迟以及网络开销的某一方面性能，其可扩展性和效率受到一定的限制。近年来，生物启发方法受到广泛关注，其高度的自然适应性成为解决网络问题的有效手段[12]。多头绒泡菌生物具有强大的计算和移动能力，能够形成复杂的网络系统，可引导全新高效的智能算法[13]。

本文利用多头绒泡菌的智能特性，提出了一种生物启发的无线融断网络数据传输算法，实现间断性连通环境下的数据通信。分析多头绒泡菌的智能特性和无线融断网络的动态拓扑，搭建了无线融断网络的仿生模型；研究了拓扑动态变化过程中的数据传输问题，优化了下一跳节点选择方法，完成分割网络间的数据逐跳传输。通过设计实验与传统算法进行对比。

1 仿生网络模型建立

1.1 多头绒泡菌特性分析

多头绒泡菌在路径寻优方面展现高度的智能性和自适应性，当该菌在多个食物源的环境中摄食，能够向外扩散连接食物源形成管道网络，如图1所示。具有以下特性：① 当初始的管道网络形成后，如果有新的食物源加入，该菌的原生质管道会分叉成支路来覆盖食物源。② 当食物源被消化完全后，连接该食物源的管道会萎缩消失。③ 当光照等不利因素影响时，原生质管道会消失。

图1 多头绒泡菌

基于对多头绒泡菌摄食网络形态、特性的研究，可将寻找路径的机制融合到一个数学模型中[14]。在该网络中，管道内流动的原生质流满足哈根-泊肃叶方程：

(1)

(2)

多头绒泡菌管道的形成过程有着明显的正反馈机制，如图2所示。当管道中的原生质流通量增加时，导通性也会增大；而导通性的增大又会引起管道的原生质流通量增加。

图2 正反馈机制

导通性Dij随着原生质流通量Qij变化为

(3)

式中：δ为管道的收缩速率；f(·)为单调递增函数，同时满足f(0)=0。式(3)描述了没有原生质流的管道会逐渐消亡。

为了模拟多头绒泡菌摄取多个食物源的过程，式(3)中f(|Qij|)采用S型函数为

(4)

此S型函数变化规律体现多头绒泡菌的生长特性。当原生质流通量增大时，管道的直径由于其生物特性会趋于稳定，而不会出现无限量增大的情况；反之，当通量减小时，管道的直径不会因为流量的变化产生太敏感的反映。

1.2 无线融断网络动态拓扑

无线融断网络的具有一定局限性，无法实现节点之间全局信息共享，需要充分利用节点移动带来的相遇机会，尽量在链路持续时间内完成数据交互，解决在间歇性连通的网络上的数据传递。无线融断网络具有：① 节点分布稀疏、资源有限、自主移动频繁；② 端到端链路不稳定，缺乏持续、可靠的连接；③ 通信网络伴随分割和融合现象，呈现间歇性连接状态。

基于无线融断网络的特点，无线融断网络的拓扑结构示意图如图3所示。t1时刻源节点S与目的节点D位于不同的连通域中，没有直接的通信路径，因此，S先将数据发送给邻居节点2，随后节点2将数据放入本地缓存等待合适的传输机会，经过一段时间，t2时刻节点2运动到节点3的通信范围内，节点间是强连接的，此时可以与其邻居建立路由，将数据转发给节点3，在t3时刻，当节点3与目的节点D位于同一个连通域内完成数据传输。

图3 无线融断网络拓扑形成过程

1.3 无线融断网络仿生模型

基于生物智能特性和网络拓扑研究，文中借鉴多头绒泡菌在动态环境中的自适应性，选择最佳的下一跳节点，优化无线融断网络的连接和邻居个数，完成数据投递。将多头绒泡菌引入无线融断网络中，搭建了无线融断网络仿生模型，如图4所示。

图4 无线融断网络仿生模型

无线融断网络与多头绒泡菌觅食网络有较强的相似性，概括为：① 实际的觅食环境和网络环境都复杂多变的，觅食过程中食物源的大小、数量、位置可变，无线融断网络节点自主频繁移动。② 它们都需要维持对环境较强的自适应能力，更正错误路径，提高网络性能。③ 多头绒泡菌通过对食物源的选择形成网络，无线融断网络需要对下一跳的选择形成网络拓扑进行数据传输。

文中采用无量纲分析方法，将式(1)和式(3)迁移到无线融断网络中。用φij代替Dij，表示节点i，j间数据传输能力。用dij代替Lij，表示节点i，j间距离，是时变量，所以用Δdij(t)表示。最后，用eij代替ΔPij，表示链路生存能力。因此式(1)可以转化为

(5)

多头绒泡菌在觅食过程中展现自组织、自优化等智能特性，形成连接各食物源的觅食网络，是通过Dij的进化实现自适应调节。文中将其用于网络拓扑形成中，即节点同周围建立连接通信关系的过程。网络拓扑形成是节点转发消息和路由选择的基础，把网络节点看做食物源，节点间的数据链路看做多头绒泡菌运输营养的管道。当初始网络建立后，多头绒泡菌通过自适应机制强化有用的连接，去除冗余的连接，形成一个高功效的网。因此，可通过Δdij(t)的进化实现下一跳节点的自适应选择为

(6)

式中：f(|Qij|)为S型函数，由式(4)可得δ为Δdij(t)的衰减率。

2 生物启发的数据传输算法

2.1 优化下一跳节点选择策略

为了实现网络非联通时刻的数据传输，文中将无线融断网络拓扑形成过程划分为多个时间片，在每个时间片上，通过式(6)的自适应选择机制，完成邻居节点的选取。文中采用简单平均的方法计算当前时间片内节点间的平均距离。假设在一个时间片T中，网络中有n个节点，任意节点都是从1到n轮流选择，则节点间平均距离表示为

(7)

数据传输首先需要选择最佳的下一跳节点。通过式(7)计算，得出当前时间片内节点间的平均距离。在此基础上，进一步计算最佳的下一跳节点概率值。假设节点i从邻居节点中选取最佳下一跳节点j的概率表示为

(8)

式中：k为节点k，属于当前联通网络内的节点集；β为一个大于0的整数；dik为节点i到节点k的距离。式(8)表明在当前时间片内，距离当前节点越远的节点被选为最佳邻居节点的概率越大。

2.2 数据传输策略

数据传输应使网络中所有节点尽最大可能具有分组转发的机会，并尽力将分组向目标节点和目标网络投递。对于不稳定链路和拓扑动态变化的无线融断网络，文中提出了生物启发的数据传输算法，采用存储-携带-转发策略，需要充分利用最佳下一跳节点暂存数据。随着节点的移动，两分割网络短暂融合后必须尽快将数据交换完毕，实现间断性连通环境下的数据通信。节点均匀的分布在整个仿真区域内，其中源节点和目的节点位置已知。根据式(8)计算出邻居节点当选下一跳节点的概率值，选出概率值最大的节点当选最佳下一跳，如果该节点超时，则选择概率值次最大的节点与当前节点建立连接。通过边路由-边传输的转发机理完成数据传输。生物启发的数据传输算法步骤:① 初始化网络中的节点集合，给定源节点和目的节点的起始位置。② 按照随机路点移动模型设置节点的移动规律。③ 根据式(7)，计算当前时间片内，任意两节点间的平均距离。④ 根据式(8)，计算节点当选下一跳的概率值，并采用降序原则排序，存入临时矩阵变量。⑤ 选取矩阵首行对应的节点，判断节点停留时间是否超时，若是，删除当前节点，继续执行③；否则节点当选为最佳下一跳。⑥ 判断下一跳是否为目的节点，若是，完成数据路由转发；否则当前节点作为根节点继续搜索它的下一跳，执行③。

3 仿真及分析

3.1 参数优化

运用ONE模拟器，将文中算法与三种传统算法(Epidemic，Spray & Wait,Prophet)进行性能对比，验证提出算法的有效性。初始阶段，节点在仿真区域内均匀分布，其他仿真参数设置见表1。

表1 仿真参数设置

仿真中选取投递成功率、网络负载率、平均投递延迟、平均跳数4个指标衡量算法性能。其中，投递成功率指目的节点成功收到的数据包个数与仿真时间内网络产生的数据包总数之比。网络负载率指网络中所有节点转发数据包的总数和成功投递数据包总数的比值。平均投递延迟指成功投递到目的节点的数据包产生到投递花费时间的平均值。平均跳数体现路由算法的整体性能，指网络中所有消息的副本经历的跳数总和与网络中生存的所有消息数量之比[15]。

3.2 结果分析

数据包生存时间(Time To Llive,TTL)是用于衡量数据包在网络中的时间是否太长而应被丢弃的字段。较大的数据包TTL意味着数据包能够在网络中存活更长时间，将对路由算法产生重要的影响。文中通过改变TTL大小，研究它对以上4种路由性能的影响。

1) 数据包TTL对投递成功率的影响。对于不同数据包TTL下投递成功率的变化情况。按照表1的仿真参数进行设置，其中将数据包TTL从初始的10 000 s以步长4 000 s逐步增加到26 000 s，得到Message Stats Report报告。该报告是以键值对的形式存储仿真数据。提取各个算法对应的投递成功率的值，得到4种算法的投递成功率随数据包TTL变化曲线如图5所示。

从图5可看出，随着数据包TTL增大，Epidemic、Spray & Wait、Prophet算法的投递成功率保持稳定值且处于较低水平；本文算法投递成功率出现微小范围波动并处于较高水平。出现该结果的原因是：随着数据包TTL增大，会导致使用洪范策略时节点缓存中消息副本积压，降低了消息的投递率。数据包TTL增大降低了因TTL超时而丢弃数据包的个数，文中算法考虑节点的移动性，在数据转发时通过最佳概率判断，选择了最优的下一跳节点，而不是向所有邻居节点转发数据，因此投递成功率较高。

图5 不同数据包TTL下的投递成功率

2) 数据包TTL对平均投递延迟和网络负载率的影响。将Random Way Point移动模型的仿真热生时间设置为1 000 s，仿真开始时，容易产生失真，放弃前1 000 s数据。通过改变数据包TTL大小，得到每个算法对应的平均投递延迟和网络负载率值，绘制成如图6所示。

图6 不同数据包TTL下的平均投递延迟和网络负载率

从图6可以看出，随着数据包TTL增大，文中算法的平均投递延迟和网络负载较小，而其他算法的投递延迟较长且网络负载较大。这是因TTL增大，数据包存活时间更长，节点中缓存的数据包携带的时间也延长，增大了投递延迟；与此同时，节点能量消耗加快，网络负载随之上升。文中算法采用生物启发方法进行下一跳节点的自适应选择，能够在节点相遇的短暂时间内，完成数据的交互，有效缩短了投递延迟、降低了网络负载。对以上三个方面的实验，采用加权平均的方法，可得文中算法在投递率、延迟、负载率方面综合提高了33%。

3) 数据包TTL对平均跳数的影响。将消息的生成间隔设置成25 s～35 s，通过改变数据包TTL大小进行仿真。探究数据包TTL从10 000 s增加到26 000 s，平均跳数改变情况。提取仿真报告的结果，得到4种算法的数据包TTL与平均跳数曲线如图7所示。

图7 不同数据包TTL下的平均跳数

从图7可看出，随着数据包TTL增大，各个算法的平均跳数未发生明显变化。平均延迟不仅取决于跳数的多少，与每一跳的等待时间也有关系。文中算法的成功传输消息的平均跳数略大于Prophet和Spray & Wait，却小于Epidemic。这是因TTL增大，数据包存活时间更长，文中算法不停在寻找最佳的下一跳节点的过程中，增大了平均跳数实现消息尽力投递。而基于洪泛的Epidemic不控制消息副本，转发消息的平均跳数更高。Prophet和Spray & Wait的平均跳数虽然小，但牺牲平均延迟等性能。

4 结 论

1) 基于无线融断网络的弱连接和动态拓扑，提出了一种生物启发的数据传输算法。

2) 通过搭建的无线融断网络仿生模型，用网络中的物理量描述了下一跳节点的自适应选择；优化了下一跳节点选择策略，通过概率值的大小判断邻居节点中性能最好的节点，以此作为下一跳，完成非联通子网络间的数据接力传输。

3) 与传统算法的仿真对比，显示了本文算法在投递投递率、投递延迟、网络负载率方面综合提高了33%，实现分割网络间的数据逐跳传输。