信道与能耗感知的农田WSN机会路由优化方法

缪祎晟，赵春江，吴华瑞

(1.北京工业大学 信息学部， 北京 100124； 2.国家农业信息化工程技术研究中心， 北京 100097；3.农业农村部 农业信息技术重点实验室， 北京 100097)

精准农业通过调节作物生长的环境、水肥等条件对作物生长进行有效调控，以达到减施、增效、高产、优质等目的，以无线传感器网络(wireless sensor network，WSN)技术为代表的物联网技术可实现精准农业生产过程中环境、土壤、作物生理等的实时监测和科学调控，达到合理使用农业资源、降低生产成本、改善生态环境、提高农产品产量和品质的目的，是实现精准农业的重要手段。大规模农田无线监测网络存在覆盖区域广、种植周期长、能量供给不便、环境复杂多变等问题与特点，如何实现稳定可靠的数据传输汇集是研究应用中的难点[1-2]。

稳定的网络通信是农田无线传感器网络监测应用的基础，而良好的无线信号传播质量是网络稳定通信的基础，但在实际应用条件下，无线通信的工作条件十分恶劣，电波不仅会随着传播的距离的增加而发生弥散损耗，而且信号经过多点反射，会从多条路径到达接收地点，同时还会受到周围环境中其他电磁辐射源的干扰。在农田复杂环境无线传感器网络监测应用中，由于作物的生长使得无线信号的传播环境发生巨大变化，而繁茂的作物枝叶与果实对无线信号产生的遮挡作用十分明显，必须充分考虑作物生长变化对无线信号传播的影响[3]。

路由协议作为网络数据采集应用的重要环节对网络性能影响巨大，是近年来WSN网络数据汇集研究的热点之一[4-5]。在农田WSN应用中，农田多径衰落信道使得网络节点感知半径的不规则概率分布，在概率信道条件下网络节点间的链路也有别于传统确定性感知信道链路而表现为概率连通，在概率连通链路条件下，传统的确定路由选择方法可能需要多次重传才能保证数据正确投递，对于高密度的无线传感器网络而言，重传数据的提升可能还会进一步导致网络阻塞问题，对网络传输可靠性造成影响，因此适用于农田概率链路的路由传输方法是有待研究的重点。农田无线传感器网络是一种典型的资源受限网络，其计算、存储、供电、通信、网络带宽等方面资源十分有限，如何在资源受限条件下实现数据的可靠传输是农田WSN路由方法需要解决的问题。

1 农田WSN机会路由研究现状

虽然农业无线传感器网络为节点位置固定的静态网络，但由于作物密集遮挡与生长变化等造成无线链路状态随环境动态变化，复杂多径传播的小尺度效应使得农业监测网络节点间呈现为链路概率连通的机会网络。而农业机会传感网络的拓扑根据环境、作物生长等不同随时间动态变化，使得传统固定路由方法不再适用于机会传感网络[6]。目前机会网络研究成果主要可分为两方面，一类机会网络研究主要针对移动网络中的“存储-携带-转发”路由模式实现节点间的通信，能够处理网络分裂、时延等传统无线网络技术不能解决的问题[7]。另一类是麻省理工学院的Biswas 等人于2004 年首次提出的概率信道机会路由概念。农田场景下作物密集遮挡与生长变化等造成无线链路动态等不可预见性，使得监测网络节点间呈现间歇性连通关系，属于典型的概率信道场景[8]。

概率信道机会路由是近年的研究热点，其基本思想是利用信道广播特性通过多个潜在中继节点竞争，从链路可靠性、节点开销、路径开销等角度进行下一跳节点选择，有效提高了网络吞吐量和传输可靠性。基于最短路径的机会路由算法如ExOR(extremely opportunistic routing)、SOAR(simple opportunistic adaptive routing)、CBF(cluster-based forwarding)、GeRaF(Geographic random forwarding)等，如ExOR采用路径平均传送次数期望ETX(expected transmission count)进行中继转发节点选择，而GeRaF算法则基于本次中继传输节点与sink的距离进行优先级排序[5，9]。而基于迭代策略的机会路由如LCOR(least-cost opportunistic routing)、OAPF(opportunistic any-path forwarding)、BitSOR(bit-rate selection for opportunistic routing)等，算法考虑每个备选转发节点的下一跳备选转发节点集及其链路质量等因素，通过迭代方式计算端到端多路径加权平均代价，可客观地反映出一个机会路由协议的分组转发状况，从而更合理地优化转发节点集及各备选转发节点的优先级。上述机会路由算法主要从链路质量或路径距离等方面对网络性能进行优化。还有一些面向能耗优化的机会路由方法，LCOR(least-cost opportunistic routing)算法[10]讨论了期望投递次数与能耗之间的关系，并提出了一种期望能耗最小的机会路由方法；EEOR-FL(energy efficient opportunistic routing using a new forward list)算法根据环境与节点能耗期望建立并选择中继列表节点[11]。该类机会网络路由方法主要是进行转发优先排序选择的路径选择方法，虽然利用了无线通信的多播效应，但最终实际的数据传输还是点对点路径，而且在优先排序转发过程中需要大量的监听等待以保证传输可靠性[8]。高宏超等[12]提出的EDOR(balance of energy and delay opportunistic routing protocol)算法分析了机会转发策略中的能耗与延时代价，提出了基于预期能耗排序的机会路由算法。该类机会网络研究针对的是固定节点间歇连通链路的可靠传输方法，在利用无线多播效应提高传输效率方面仍有较大的提升空间。一般情况下传输效率、可靠性、能耗等性能互相制约，近年来研究人员针对数据监测时延要求不高的应用场景对时延容忍下的网络优化开展了相应研究，使得传输效率、可靠性、能耗等性能均衡提高成为可能[13]。

但上述研究均未针对农业场景，也没有考虑特定场景下的信号传播特性，也没有进行链路连通概率分析，因此对于数据投递率的部分均是针对设定的理想模型。在农田监测应用中，地形、密集生长的作物等均会对无线信号产生显著影响[3]，而农作物的生长变化使得信道环境呈现动态特性，在农田信道模型的基础上，研究人员提出了网络链路参数预测方法，主要包括分组接收率(packet receive rate，PRR)和期望传输次数(expected transmission count，ETX)等链路层参数。相较于信号强度和信噪比等直接表征数据包正确接收并解析的参数，PRR可以较好地反映链路的通信质量，Bangotra等[14]考虑了链路质量的不对称特性，在PRR的基础上提出期望分组传输次数指标，其通过计算端到端正反向链路PRR 得到，ETX 作为链路质量度量标准，在汇聚树和动态原路由等协议中广泛使用。

综上所述，传统机会路由的思想是利用了无线信道的广播特性解决了其质量的时变性问题，进而有效地提高了网络性能。但由于能量受限是限制农业无线传感器网络应用的瓶颈问题，而机会路由的广播中继转发方法并不是一种能耗性能优先算法。因此，在农田WSN机会路由设计中，尤其应把降低与均衡能耗作为研究的重点。本文主要针对讨论农田复杂环境下概率连通信道的传输可靠性问题，从链路质量与网络能量均衡的角度出发，研究提出一种基于农田环境信道模型的能耗感知机会路由方法研究，通过选择最小期望剩余能量最高的路径，在满足较好的数据吞吐量、传输可靠性前提下，有效降低与均衡节点能耗，延长网络寿命。

2 网络模型与假设

2.1 网络模型

讨论的农田无线传感器网络场景假定有N个传感节点随机地被部署在一个X*Y的二维矩形区域内，同时假定该无线传感器网络具有如下性质[1，3-4]：

1) 网络属于密度较高的静态网络，即传感节点部署后位置保持不变，节点密度足以保证网络连通性以及对监测区域的覆盖度。

2) sink节点位置固定且唯一，其无线发射功率可控且能量不受限制。

3) 传感节点类型同构，初始能量均相同为E0，且不能补充。

4) 传感节点每轮消耗的能量不一定相同，即能量异构。

5) 节点具有自我能量感知能力，可获得剩余能量数据。

6) 对于节点间链路概率连通的农田WSN场景，采用固定路由方式可能会由于链路中断而引起频繁重传，增大网络开销。为此本文模型中采用机会传输方式[5-7]，即存在多条可能的机会传输路径，节点根据预设的机会传输策略进行中继转发协调，机会传输示意图如图1所示。

图1 机会路由传输示意图

2.2 信道模型

由于农田复杂多径信道环境使得信号强度与通信质量呈现较大的不确定性，其网络链路呈现为概率连通特性。在确定感知信道模型的基础上，采用数据分组接收率定义网络链路的连通概率，构建网络连通概率模型[15]。

(1)

式中：RSSIrx为接收端信号强度；dTHL与dTHH为确定感知的上下界半径；d为收发节点间距离；γ为接收端信噪比；l为数据帧的大小。

2.3 能耗模型

基于文献[5]的无线通信能耗模型进行修正，考虑到概率信道模型中存在随机分量X，忽略距离较近时的多径概率衰减效应，则认为节点发送l比特数据需要消耗的能量Etx为

(2)

3 信道与能耗感知的机会路由方法

ExOR等机会路由算法没有考虑网络能耗均衡问题，LCOR等算法仅对候选转发节点进行期望能耗估计，在一些关键路径上的节点会以更高的概率和频率成为中继转发节点，加速能量消耗，而造成关键节点死亡，进而导致网络结构迅速破坏。为此，提出一种信道与能耗感知的机会路由方法(channel and energy-consumption based opportunistic routing，CECOR)，将节点的中继能耗代价与节点剩余能量进行综合加权，从而改进候选转发集的构建与排序方法。

3.1 节点机会中继能耗代价估计

3.1.1当前机会路径能耗代价估计

对于任意一次数据传输，若源节点Ns到目标节点Nt之间存在的可能路径均含于G，则采用机会传输路由策略，并按如下步骤进行候选转发集构建。对于传输路径上的某节点i及其候选转发节点集FL(i)，其成为机会传输路径后的网络整体能耗期望为：

ECl=AECi+RECi，FL(i)

(3)

式中：AECi表示数据从节点i到被其候选转发集中继的能耗，即为当前机会路径能耗代价；RECi、FL(i)表示从节点i的候选转发节点集转发后直至到达目标节点的能耗期望，即为剩余机会路径能耗代价。

因为节点i为广播发送，其单次广播能耗固定，因此AECi取决于数据重发次数。即有：

(4)

式中：pij为节点i到节点j的连通概率；r为一跳传输距离；k为传输比特数。

3.1.2剩余机会路径能耗代价估计

当节点i的候选转发集节点收到来自节点i的数据包时，FL(i)中的节点将按预设的优先级顺序进行数据中继转发，排在前面的候选转发节点优先对数据进行接收和转发，当优先级较高的候选转发节点未能正常中继数据时，后续节点才依次进行中继。亦即，当某一候选转发节点完成数据中继转发时，FL(i)中排序在其后的节点同时放弃该次转发任务并丢弃接收到的数据。关于FL(i)中的排序问题，将在3.2节进行介绍。节点i的剩余机会路径能耗代价估计方法如下：

当FL(i)中排序第1的节点成功转发数据时的剩余机会路径能耗代价为：

(5)

式中：EC1=(Etx(k，r)+|FL(i)|·Erx)；|FL(i)|为候选转发集中的节点数量。

同理可得，第FL(i)中排序第j的节点成功转发数据时的剩余机会路径能耗代价为：

(6)

其中，ECj=(Etx(k，r)+(|FL(i)|-j+1)·Erx)。

综合式(5)(6)，可得节点i的剩余机会路径能耗代价为：

(7)

因此，节点i的机会转发总能耗代价为：

(8)

3.2 候选转发集构建与优先级排序

根据3.1中推导可知，当候选转发集中的节点数量增加时，总体的传输成功率会随之增加，但随着监听节点的增加，总能耗代价也会随之增加。因此，为控制候选转发集的节点数量，在利用EXOR机会路由算法得到初始化候选转发集基础上，将该初始候选转发集作为节点i邻居节点，通过迭代得到最终候选转发集。而在迭代过程中判断节点i的当前初始候选节点是否应该加入最终候选转发集时，如果加入该节点到候选转发集会使发送节点的传输代价减小，则在策略上将该节点加入节点i的候选转发集；反之，加入当前初始候选节点会使节点i的传输代价增加，则不该在最终候选转发集中加入该节点。

在候选转发集优先排序方面，提出节点剩余能量和转发期望代价加权的中继节点转发协调方法：

(9)

式中：ECi为节点i的期望转发代价；REj为节点i候选转发集中节点j的剩余能量；α、β分别为权重系数。

4 实验仿真与结果分析

为对本文方法的性能进行验证，仿真环境采用Matlab，系统仿真参数设定如表1所示。

表1 仿真参数

选择LCOR[10]、IOP[14]、IPOR-OE[16]算法进行性能对比，其网络节点存活曲线如图2所示。从图中可以看出，IOP算法大约20轮出现死亡节点，约30轮时死亡节点比例达到30%，到约80轮时约有10%的节点存活，直至约140轮时节点全部死亡。在IPOR-OE算法中，第1个死亡节点大约出现在40轮左右，约50轮时死亡节点比例达到30%，到约100轮时有10%的节点存活，直至约200轮时节点全部死亡。在LCOR算法中，第1个死亡节点大约出现在40轮左右，约120轮时死亡节点比例达到30%，到约220轮时有10%的节点存活，直至约200轮时节点全部死亡。在本文提出的CECOR算法中，第1个死亡节点大约出现在160轮左右，约260轮时死亡节点比例达到30%，到约320轮时有10%的节点存活，直至约480轮时节点全部死亡。以30%节点死亡时间作为网络生命周期[4-6]，从图2中可以看出，CECOR算法的网络生命周期约为LCOR的2.2倍、IPOR-OE的5.2倍、IOP的8.7倍，在网络生命周期性能方面CECOR明显优于其他3种算法。

图2 不同算法的存活节点数量变化曲线

网络节点能量均方差如图3所示。IOP算法中，网络节点能量均方差在20轮前后达到最大值0.032 J，随后开始迅速下降，在约150轮时节点能量均方差降为0。在IPOR-OE算法中，网络节点能量均方差在约50轮时达到最大值0.034 J，随后开始迅速下降，在约200轮时节点能量均方差降为0，其曲线上升下降的斜率和IOP算法基本相当。在LCOR算法中，网络节点能量均方差在约90轮时达到最大值0.022 5 J，随后开始逐步下降，在约240轮时节点能量均方差降至0。在CECOR算法中，网络节点能量均方差首先随轮数增大逐步增大，曲线上升斜率小于其他3种算法，在约280轮时达到最大值0.017 5 J，随后开始下降，在约400轮时节点能量均方差降至0。从网络节点能量均方差结果来看，CECOR算法的能耗均衡性最好，其次是LCOR算法，IOP和IPOR-OE算法的节点能耗均衡性相对较差。而图3中的曲线拐点处也基本对应为节点开始死亡时间，即一开始部分节点能量迅速消耗，相应的节点能耗均方差也逐步上升，随着部分节点的快速死亡，其余节点的能耗均方差逐步回落。从整体上看，CECOR算法的能耗均方差明显低于其余3种算法，其最大能耗均方差分别是LCOR的3/4、IPOR-OE和IOP的1/2，可以认为CECOR算法从节点剩余能量角度对机会路由算法进行的能耗均衡改进取得了显著效果。

图3 不同算法的平均能耗方差变化曲线

4种算法的网络重传率如图4所示，从图中可以看出，各算法前期的网络重传率均为1%左右，但随着网络轮数的增加，出现明显陡增，重传率增加到5%～8%。陡增出现的轮数各有不同，LCOR算法出现在80轮左右，IOP算法出现在100～120轮，IPOR-OE算法出现在150～170轮，CECOR算法出现在约260轮处。

图4 不同算法的重传率曲线

对比图2、3可知，图4中重传率的上升和陡增与存活节点数量变化存在明显的对应关系，因为存活节点数量的减少，对原有网络结构造成破坏，进而造成了重传率的提高。

5 结论

路由协议作为网络数据采集应用的重要环节对网络性能影响巨大，是近年来WSN网络数据汇集研究的热点。针对农田复杂环境概率信道下数据稳定可靠传输问题，在传统机会路由的基础上充分考虑能量有限约束，根据节点转发能耗期望和节点剩余能量进行候选转发集加权排序，结果显示：相对于传统算法IOP、IPOR-OE、LCOR提高了节点间能耗均衡效果，延长了网络生命周期，实现了农田复杂环境下的无线传感器网络高效可靠数据汇集。后续研究的重点为在农田生产决策、水肥管理、病虫害预警应用中考虑图像、音视频等多媒体数据的源异构的高并发可靠传输问题。