基于SANET的无人艇移动数据卸载方法

昆明精密机械研究所 苟 春

无人艇（USV）在协同工作的时候会产生需要共享的移动数据，当这些数据量较大的时候，会增加主干网络的负载。针对这一问题，本文提出一种基于SANET的USV移动数据卸载方法。考虑到USV的移动性，兼顾系统经济成本和USV能量消耗，将问题形式化为数据效用最大化问题，设计遗传算法求解问题，得到数据传输过程中通信链路和带宽资源分配策略，并在此基础上将算法进行了改进。实验仿真结果表明了本文提出的数据卸载方法的有效性。

USV（Unmanned Surface Vessel，USV）是一种工作在水面上的无人化、信息化、智能化的工作平台。由于其具有鲁棒性强、智能化程度高、灵活性较强、成本较低等特点，USV已经被广泛应用到军事或非军事领域，如侦查巡逻、排雷反潜、海洋资源勘探、水文地理探测等领域。随着物联网技术在船舶与海洋尤其是军事领域深入、广泛地应用，USV搭载了声呐、海洋数据采集传感器、成像系统等先进的感知设备，以采集海洋或军事环境数据；同时，USV搭载了多模态卫星通讯、航迹态监测等通信设备，以完成USV与有人舰船的协同作战等任务。

在此场景下，USV可能会产生大量需要与其他设备共享的实时性移动数据。水面舰艇之间传输数据一般采用短波无线电技术，其传输速率较低。当某些USV需要将大量的实时移动数据（如高清视频）共享到其他设备时，会对主干网络产生较大的通信压力；由此，Al-Zaidi R、Woods J、Al-Khalidi M,et al提出使用船舶自组织网络（SANET）来减缓主干网络的数据传输压力。段懿洋、任海英、何晓提出一种基于边缘计算的无人艇通信数据分发机制，提出一种动态平均数据压缩方法，通过最大化数据压缩率来确定数据分发策略，相对于传统云计算，该方法所提出的机制具有较强的实时性。

由于USV灵活的移动性会影响USV之间链路的稳定性，在实际应用过程中，无法保证某个USV可以由同一个USV将其所需要的数据下载完毕。目前，该领域的文献研究并未考虑到USV移动性对数据传输的影响，且缺乏对系统产生的数据传输成本和USV能耗对数据传输影响的探究。针对这些问题，本文提出一种基于SANET的USV移动数据卸载方法。该方法基于USV的移动性，考虑到数据传输过程中对系统产生的成本以及USV的能耗，通过将大量的移动数据卸载到USV之间的SANET上，以降低主干网络的负载。

本文主要贡献如下：

（1）建立USV移动模型，并使用多播的方式进行USV之间的数据传输。

（2）兼顾系统数据传输成本和USV能耗，将问题形式化为数据效用最大化问题。

（3）在每个时隙，针对本场景中的模型，本文设计遗传算法来求解数据效用最大化问题，以得到近似最优解；并对算法进行改进，以提高算法执行效率。

1 系统模型

如图1所示，假设有USV集合U={u1,u2,...,um}在某片海域执行任务，其中，一部分USV缓存有其他USV需要的数据，本文称这一类USV为种子USV；移动数据种类集合为D={d1,d2,...,dl}；主干网络由蜂窝网和卫星通信网络构成，主干网络可以对该区域实现无缝覆盖；USV随时可以通过主干网络下载移动数据，也可以通过SANET由种子USV下载数据。其中，为更加充分地利用SANET带宽资源，本文假设USV之间可以以多播的方式传输数据；为简化建模过程，可以将所有的主干网络节点所提供的链路看做同一个链路，即将所有主干链路节点看做同一个无线接入点；设主干网络链路的总带宽资源大小为rm，系统为种子USVui分配的带宽资源为ri。

图1 系统模型图

本文将主干网络和所有的种子USV统称为无线接入点。考虑到USV灵活的移动性，本文将数据传输过程划分为足够短的、连续的、大小相等的时间间隙。由于每个时隙足够短，在同一个时隙中，假设每个USV的航行速度大小和方向不变，USV只能由唯一一个无线接入点下载数据；在不同时隙，USV可以以不同大小、方向的速度航行，USV可以由不同的无线接入点下载数据；假设每一个USV只需要一种数据，且每一种数据的大小是确定的。

在每个时隙，系统通过USV的地理位置、航速大小和方向、传输数据能耗等信息来制定移动数据卸载策略，以得到系统为每个需要下载数据的USV所分配的通信链路和带宽资源；从而USV由系统分配的网络资源来下载数据。由于遗传算法具有较高的执行效率，本文不考虑算法执行时间对数据卸载的影响。

1.1 USV移动模型

本文通过建立USV移动模型，计算USV之间的欧几里得距离以及相对航速，由此来得到USV之间的通信链路最大持续时间，以确定在每个时隙USV之间是否可以建立通信链路以传输数据。

在海平面上建立平面直角坐标系A。在时隙t，设元组(pi(t),vi(t),θi(t))表示USVui的移动性。其中pi(t)=(xi(t),yi(t))表示USVui在坐标系A中的位置；vi(t)表示USVui航速大小；θi(t)表示在坐标系A中USVui与X轴正方向的夹角。设R表示保证USV之间稳定传输数据的最大距离。

在时隙t，可知USVui与uj之间的相对航速大小为:

USVui与uj之间的相对地理位置为：

USVui与uj之间横向相对航速vijh(t)与纵向相对航速(t)与纵向相对航速(t)分别为：

在坐标系A中，可知USVui与uj之间相对速度vij(t)与X轴正向夹角φ(t)为：

可知USVui与uj之间通信链路连接持续时间：

以及：

其中a=tanφ(t)，b=yij(t)－xij(t).tanφ(t)。

在时隙t，考虑到USV移动性约束，当ui可以向uj传输数据dk时，yki,j(t)=1，否则yki,j(t)=0。本文定义：

其中，tl表示时隙长度。

1.2 系统成本模型

本文合理假设USV下载移动数据会对系统产生一定的经济成本。设USV通过主干网络下载数据产生的经济成本为Sm/ Mb，USV通过种子USV下载数据产生的经济成本为Si/ Mb。可知在时隙t，整个系统产生的经济成本为：

其中，当uj由ui下载数据dk时，hki,j(t)=1，否则，hki,j(t)=0；当uj由主干网络下载数据dk时，hkm,j(t)=1，否则hkm,j(t)=0；rki,j(t)和rkm,j(t)分别表示系统由种子USV和主干网络为uj分配的带宽资源。

1.3 USV能耗模型

由于USV一般远离海岸或大型舰船执行任务，能量消耗问题是对USV顺利作业的一大挑战。USV传输数据会消耗一定的能量，假设USV可以根据数据卸载策略调整发射功率，以更加充分地利用能源。由此，本文以传输单位数据的能耗来定义USV能耗。设USV传输数据消耗能量为ei/ Mb。可知在时隙t，系统中USV由于数据传输消耗总能量为：

1.4 问题形式化

在时隙t，USVuj只能由一个无线接入点下载数据，有：

由于移动性和种子USV缓存数据种类的限制，USV只能由可以向其传输数据的种子USV来下载数据，有：

其中，当种子USVui缓存有数据dk时，cik=1，否则，cik=0。

每一个无线接入点所能提供的带宽资源不得超过其最大带宽：

USVuj下载数据时，系统才会为uj分配带宽资源：

当uj完全下载到所需要的数据时，系统就不会再为uj分配带宽资源：

其中，uj还未完全下载到其所需要的数据时，remainj=1，否则remainj=0。

设α和β分别表示系统成本和USV能耗的权重，其中且α+β=1。本文兼顾系统成本和USV能耗，将两者统一为数据效用，在时隙t，将问题形式化为数据效用最大化问题P0。

在每个时隙，通过求解问题P0，得到数据卸载策略。

2 算法设计

遗传算法可以求解大多数资源分配问题，并得到近似最优解；且遗传算法具有收敛速度较快，可扩展性较强等优点。由此，本文针对本场景中的模型设计遗传算法来求解问题P0。

2.1 传统遗传算法

假设共有n个无线接入点，共有m个需要下载数据的USV。设染色体长度为2m。前m个碱基依次表示系统为每个USV所分配的无线接入点，其均为正整数，取值范围为[1,n]。后m个碱基表示系统为每个USV分配的带宽资源。为简化运算，本文归一化处理带宽资源，即后m个碱基取值范围为[0,1]。设num为种群数量，time为算法迭代次数；p和q分别表示算法交叉概率和变异概率；best_strategy表示最优个体，即近似最优解。

传统遗传算法是基于轮盘赌的选择方式以及固定交叉变异概率设计的，其流程如算法1所示。

2.2 基于精英选择和自适应概率遗传算法

为提高算法执行效率，本文针对算法1进行改进，得到算法2，即基于精英选择和自适应概率遗传算法（Genetic Algorithm based on Elite Selection and Adaptive Probability，GAESAP）。首先，使用精英选择方式进行选择操作，即每次选择将最优的3个个体保留在种群中；其次，使用自适应交叉变异概率来进行交叉变异操作，其中交叉概率p和变异概率q的计算分别如公式(21)和公式(22)所示。

其中fmax和favr分别表示种群最大适应度和平均适应度，fh表示参与交叉操作的两个个体的较大适应度，且p1＞p2＞p3；fm表示参与变异的个体的适应度，其中q1＞q2＞q3。

改进后的算法流程，如算法2所示。

3 实验仿真结果与分析

本文提出的数据卸载方法旨在降低主干网络的负载，数据卸载率是衡量本文提出方法的主要指标。本章将遗传算法的执行效果和数据卸载率作为衡量该方法的主要指标，其中，本文定义数据卸载率为通过USV下载的数据占总数据的比率。

3.1 实验参数设置

本文假设在某海洋区域均匀分布着30个USV，其中种子USV个数为6；USV需要下载的数据类型为数据1、数据2和数据3，其大小分别为5Mb、8Mb和10Mb；为保证数据稳定传输，设R为2km；设；时隙长度设为5s。

3.2 仿真结果与分析

在求解问题P0过程中，以算法收敛速度和种群平均适应度为指标，将传统遗传算法与GAESAP的执行效果进行对比，如图2所示。

图2 两种遗传算法运行效果

由图2可知，基于精英选择和自适应概率改进后的遗传算法的收敛速度和种群平均适应度要优于传统遗传算法。

考虑到USV的移动性，本文对USV之间平均相对速度大小对数据卸载率进行了研究。仿真结果如图3、图4、图5所示。

图3 数据1卸载率随USV平均相对速度变化

图4 数据2卸载率随USV平均相对速度变化

图5 数据3卸载率随USV平均相对速度变化

由图3、图4、图5可知，对于数据量较小的数据1和数据2，两种算法求解P0得到的策略可以以较高的卸载率来完成数据1和数据2的卸载；对于较大量的数据3，当USV之间平均相对速度较大时，数据3的卸载率有下降的趋势；对于3种数据，随着USV之间平均相对速度增大，3种数据的卸载率会有上下波动的趋势，这种趋势是由USV灵活的移动性导致的。总体上，GAESAP相较于传统的遗传算法具有较好的数据卸载效果。

结语：本文针对USV共享较大量数据而产生的主干网络负载过重的问题，提出一种基于SANET的USV移动数据卸载方法。考虑到USV移动性的影响，建立了USV移动模型；兼顾系统成本和USV能耗，将问题形式化为数据效用最大化问题；提出并设计使用传统的遗传算法来求解问题，得到近似最优解；本文将传统遗传算法进行改进，得到GAESAP算法。仿真结果表明，GAESAP较传统遗传算法具有较好的执行效果，该方法可以以较高的数据卸载率卸载移动数据，有效地减缓了主干网络的负载。