基于数据损耗模型的移动物联网通信性能瓶颈分析

舒小松，田 波，陈华君

(1.铜仁学院 大数据学院，贵州 铜仁 554300；2.广东工业大学 自动化学院，广东 广州 510006)

0 引 言

为实现移动物联网中继传输过程中的数据稳定，节点间数据传输一般均须采用多次重传机制，且需要对移动物联网使用性能瓶颈进行研究，以便能够进一步改善网络传输性能[1-3]。如Zhang等[4]重点研究了单点传输情形下网络传输的单次可靠性，以及基于时不变条件下故障时间收敛均值，使其能够通过控制数据传输次数来改善网络使用性能瓶颈，提高数据传输效率。但是，该方法没有考虑移动物联网数据传输存在的路径衰落现象。Li等[5]重点分析了节点可信度较低条件下移动物联网节点组网传输过程中的使用性能瓶颈，并研究了节点可用性受限条件下的网络制约性能，主要用于解决移动物联网数据传输效率较低的问题。然而，该方案只考虑了节点存在的随机特性，未对链路进行分析，难以解决实际过程中存在的使用性能瓶颈。Minh等[6]重点对数据传输受限条件下端到端的可用性进行了分析，可有效改善移动物联网因难以实现压缩感知而导致网络出现传输性能瓶颈。但是，该方法并未对移动物联网中存在的链路受限问题进行研究。

针对现有研究中存在的不足，本文提出了一种基于数据损耗模型的移动物联网通信性能瓶颈分析方法。该方法的主要创新点在于：①依据移动物联网节点漂移特性，并考虑到路径损耗及信号衰落等维度，构建了一种数据损耗模型，可针对传输过程中传输能量、节点连通等多个瓶颈统一进行单因素或多因素分析；②构建了节点能量受限度、传输节点稳定度、网络突发稳定度评估方程的数学解析形式，使其可根据能量、传输、突发事件等瓶颈因素排除能量受限终端，降低中继节点数据重传次数。最后，测试了本文方法对移动物联网络使用性能瓶颈分析的可靠性。

1 本文数据损耗模型设计与分析

为了降低物联网实际部署中因链路及能量受限对数据传输的影响，往往需要通过多次重传及判决来确认传输可靠性[7]：节点进行单次传输时，需在一定时间内对下一跳节点反馈的信息进行分析，以便确认数据是否传输成功。若出现传输失败或性能无法满足需求时，则应进行数据重传，以便终端节点可稳定地接收数据。

图1显示了移动物联网实际部署过程中的典型场景：各移动物联网节点呈现随机分布，较小圆圈为节点，虚线圈为中继节点的覆盖区域，某个节点作为数据传输起始端，在接受到传输指令后，通过多个中继节点来完成数据传输，而中继节点间通过重传及判决来确认传输质量。鉴于能量、节点、链路等环节均可能出现使用性能瓶颈，因此，本文的使用性能瓶颈分析主要围绕节点能量受限度、传输节点稳定度、网络突发稳定度等指标进行分析，最终得到网络无故障时间。

图1 移动物联网节点的部署

考虑移动物联网数据传输均需要通过无线射频信号进行数据传输，而在信号传输中，因多种因素会导致信号出现衰落现象。若信号衰落强度低于一定程度，下一跳节点将无法接收到待传输的数据。鉴于5G信号具有的预发射强度高、信道抖动快等特性[8]，本文数据损耗模型主要由数据路径损耗、信道衰落损耗、点传输衰落损耗3个部分构成。

1.1 数据路径损耗

数据路径损耗主要指节点在数据传输时因节点间距离较远而导致出现功率衰减的现象，容易影响中继节点对上一跳节点数据的接收。造成该现象的主要因素包括信道背景噪声、节点间距离、物理环境等诸多要素[9]。不妨设传输节点进行数据传输时的信号功率为Psend， 中继节点进行数据接收时的接收信号功率为Precv， 则数据路径损耗Lost可由如下方程直接确定

(1)

通过测量相邻传输节点间的Psend和Precv， 即可得到数据路径损耗，并将其用于评估单点传输的质量。为便于评估可将信号功率折算成分贝，由于实践中移动物联网领域多依赖于5G技术进行数据传输，信噪比受链路抖动影响较高，而采用自然对数能够便于量化分割瓶颈参数，为了便于后续仿真实验分析并考虑计算的便捷性，本文采用自然对数作为信噪比的计算尺度。因此，模型(1)可进一步改写为

(2)

式中：e表示自然指数；ln表示自然对数；dB为分贝。

对于式(2)而言，显然[Lost]dB越大，说明传输过程中数据路径损耗越低，网络传输因数据路径损耗而出现性能瓶颈的可能性也就越低。不过，由于移动物联网中节点具有很强的信道衰落特性，路径损耗并不能量化分析链路瓶颈因素对传输过程的影响，因此尚需要进一步针对信道衰落进行分析，以便能够优化数据传输质量。

1.2 信道衰落损耗

信道衰落损耗是指信号传播过程中因信道噪声而导致出现功率衰减的现象，其对数据全过程均有影响，能显著削弱传输质量。影响该现象的因素主要为信道噪声。而移动物联网采用5G信号制式进行信号发射时主要受拉普拉斯信道噪声的影响[10]。此外，由于节点处于移动状态，随着节点拓扑位置的不断变动，信号发射强度也将呈现周期性变化，因此，一般采用高斯衰落模型[11]进行评估。不妨设1.1节中Precv与Psend的比值为μ， 根据高斯衰落模型可知，μ的概率密度L(μ) 满足

(3)

式中：E表示μ的统计均值；σ表示μ的统计标准差。

一般而言，E可以通过设定网络的初始发射功率来调节，并用式(3)对σ进行归一化。因此，式(3)可改写为

(4)

显然，对于不同的μ1，μ2，…，μn， 可以通过调节E对概率密度L(μ) 的峰值进行捕捉，从而获取满足L(μ) 取最大峰值处的μm， 并将该处对应的频率设置为中心传输频率，从而获取最佳的信噪比，以最大限度降低处于不同发射功率状态下节点之间的信道衰落损耗。

1.3 点传输衰落损耗

点传输衰落损耗主要指某个节点进行数据传输时，其发射信号因通过多条传输路径传输至中继节点过程中所出现的损耗。虽然1.1节所示的数据路径损耗也涵盖了点传输衰落损耗，但由于点传输衰落损耗主要考虑相邻节点间同时存在多径传输的情形，而在节点间距离较远时的点传输衰落损耗可忽略不计[12]。因此需要对相邻节点交互数据时的点传输衰落损耗进行估计，以便改善该项损耗对传输性能所造成的网络使用性能瓶颈。

由于5G信号传输时存在同向信号分量和正交信号分量[13]，且均满足同一统计标准差σ条件下的高斯分布[14]。为此，不妨设同向信号分量和正交信号分量分别为A和B， 接收信号C的均值P(c) 满足瑞利分布[15]

(5)

式中：c表示接收信号C的随机分布，exp表示自然指数，σ表示统计标准差；m表示正交信号分量B的统计均值。

由模型(5)可知，正交信号分量B的统计均值越高，则接收信号C的均值也就越高，此时点衰落传输损耗也就越低。实践中可通过增加信号传输的子信道个数，提高正交信号分量在信号中的比重，以降低点传输衰落损耗所造成的网络使用性能瓶颈。

2 移动物联网络使用性能瓶颈分析

由上文所述的数据损耗模型可知，移动物联网使用性能瓶颈与节点、链路、能量均存在一定的关系，当出现节点能量受限、传输节点出现链路不稳定、网络突发噪声干扰等情况时，均有可能导致数据路径损耗、信道衰落损耗、点传输衰落损耗显著增加。因此，本文将围绕传输节点稳定度、网络突发稳定度、节点能量受限度3个因素，对移动物联网络使用性能瓶颈进行详细分析，以便能够改善网络传输性能。详细步骤如下：

(1)待测试方法在进行数据传输或网络优化时，需考虑到网络抖动因素，按周期逐个统计节点的剩余能量、信道衰落、数据重传次数等信息，sink节点在获取上述信息后，再以广播模式通知全网络。

(2)逐个获取待测试方法的中继节点对应的接收信噪比，并引入高斯衰落模型来构建峰值信噪比数据模型，按照所提的传输节点稳定度(stability of transmission nodes，STN)，逐个与网络平均接收信噪比(阈值)进行比对，当且仅当中继节点接收信噪比低于该阈值时，判定网络可能存在处于抖动状况，须按本文点传输衰落损耗模型来进行分析，以查看节点正交信号分量的衰落程度是否难以承担数据传输，如不能承担，则更换该节点。反之，则保留该节点，执行待测试方法的后续过程。

(3)当待测试方法的中继节点信噪比满足稳态传输条件时，按照本文的数据路径损耗模型，根据当前传输路径逐点分析本周期内的节点数据重传次数，再根据所提的网络突发稳定度(network burst stability，NBS)来分析待测试方法，以列举出其数据重传次数较高的节点，如有拥塞或传输受限现象，则进行节点更换操作。反之，则利用当前节点来继续执行待测试方法的后续过程。

(4)针对待测试方法的节点同时满足稳态传输及数据低重发送的准受限情形，按照本文信道衰落损耗模型，对于不满足该模型的节点，按所提的节点能量受限度(energy limitation of nodes，ELN)的受限情况分析其对应的节点能量值，对低于某阈值的节点优先进行预警，以对节点进行能量补充或更换处理，从而消除待测试方法的瓶颈。若节点未出现低于阈值的现象，则对节点进行更换操作，以便节点能够满足信道衰落损耗模型。

2.1 基于传输节点稳定度的移动物联网络使用性能瓶颈分析

考虑到数据传输过程中一般同时存在多个损耗因素，如节点处于传输抖动状态会出现点传输衰落和信道衰落交互影响的现象，这是由于节点传输处于抖动状态，因此接收信噪比出现下降，而信道噪声则大幅上升。因此，需要在考虑增强接收信噪比的基础上，降低信道噪声信号的占比，以提升网络传输质量。对图1所示的典型移动物联网络，设第n个中继节点的信号接收信噪比Ψn为

(6)

考虑到节点稳定传输时应满足式(2)的单点传输质量要求，同时信号满足式(5)所示的瑞利分布。因此可知，节点信号接收信噪比高于一定阈值α时，中继节点将能稳定接收数据，说明此时的传输链路将处于稳态

Ψn>α

(7)

一般而言，式(7)中所示的阈值α可以预先设定为网络中节点的平均接收信噪比，也可以通过多次测量而得到。

为便于判决，作如下的规定

(8)

考虑到信道噪声的影响，第n个中继节点的信号接收信噪比Ψn也将处于正态分布状态，当且仅当满足式(7)时，传输链路将处于稳态。因此，规定传输节点稳定度P(Send) 如下

P(Send)=Φ(D)

(9)

P(Send)>0

(10)

当移动物联网的网络信道噪声满足高斯分布时，按照式(10)可以确定稳定度P(Send)， 并通过联立式(10)、式(8)来确定接收信噪比阈值α。 若移动物联网节点信号传输过程的接收信噪比高于阈值α， 则可显著提高传输节点稳定性能，改善因传输节点不稳定而导致的数据重传现象。

2.2 基于网络突发稳定度的移动物联网络使用性能瓶颈分析

对于移动物联网而言，接收信噪比较高时的单节点性能可得到一定程度的提高，但节点数据收发频率会上升，使得节点启动数据重传的概率也会随之上升，使得链路因拥塞而出现抖动现象，降低了网络稳定性能。因此，单纯依靠信噪比来提升网络链路质量将会遇到传输瓶颈，故需要针对数据重传现象进行分析，以便提高网络链路稳定性能。

由2.1节可知，若模型(10)所确定的数据传输需求不被满足时，则中继节点将进行数据重传，本文规定网络突发稳定度为网络中继节点重传数据量处于最低的状态。由文献[15]可知，非互相独立的数据源在发送数据时将满足泊松分布[15]，因此，当第n个中继节点在生命周期内无法满足式(10)所确定的需求时，Sn(t)也将满足泊松分布

(11)

Δ(t)=∮bm(t)dt

(12)

其中，bm(t) 为标准泊松分布； Δ(t) 表示时间抽样间隔；Sn(t) 代表最低重传次数；t为传输时间。

若数据源发送数据时处于互相独立状态，不同数据发送节点进行数据发送时不存在先后顺序，且满足1.2节所示信道衰落损耗条件，此时信号功率满足式(2)，即节点不存在功率受限的情形时，则式(11)可简化为

(13)

显然，当m=0的中继节点数据重传次数将处于最低状态，此时网络突发稳定度将处于最佳状态。由式(13)可知，若网络传输过程中因节点不稳定而出现数据重传现象时，可通过式(13)获取中继节点的最低重传次数Sn(t)， 将中继节点重传次数设置成最低数值时，可有效降低网络中继节点重传数据量，改善数据重传瓶颈。

2.3 基于节点能量受限度的移动物联网络使用性能瓶颈分析

当节点处于能量受限状态时，网络将会出现数据路径损耗和点传输衰落的现象，这是由于移动物联网运行过程中出现节点能量受限时会启动休眠或更换机制，在此期间，网络传输功率出现明显下降，使得各节点发送和接收数据能力出现明显下降。因此，本文根据节点的能量受限度来分析其性能瓶颈。

移动物联网节点进行数据传输时的能量消耗包括数据启动能耗、数据发送能耗、数据接收能耗。由于移动物联网节点一般处于休眠状态，因此网络进行数据发送前需对节点进行启动操作，本文规定节点能量受限度(energy limitation of nodes，ELN)为节点不能进行数据传输的概率，设第n个节点在t时刻的数据启动能耗En(t) 为

(14)

(15)

(16)

(17)

式中：E0(t) 表示数据发送节点的初始能量，b表示该数据发送节点接收到的反馈数据带宽，η(t) 表示该数据发送节点的数据重传次数。

(18)

不妨令P(E>0) 表示数据发送节点在t时刻能量不受限，联立式(18)可得

(19)

令

(20)

当第n+1个中继节点为传输节点时，其接收到的反馈数据带宽也需要转发，反馈次数为η(t)。η(t) 与数据重传次数及两者间的链路连通程度均存在一定的关系。由于数据发送节点为第0个中继节点，η(t) 与各中继节点的网络突发稳定度相关，根据式(13)、式(18)、式(19)可得数据发送节点在t时刻的能量受限度P(E0) 为

(21)

(22)

显然，当某节点进行数据发送时若满足P(E0)>0， 则该节点方可顺利实现数据发送。由式(22)可知，当数据节点发送时的能量不低于E0时，则其不会因能量受限而出现数据收发失败的现象，因此网络进行数据传输时需首先将初始能量低于E0的节点进行休眠处理，并给予能量补充。

3 仿真实验

为便于对移动物联网络使用性能瓶颈分析效果进行验证，本文网络受限瓶颈为节点能量受限度、传输节点稳定度、网络突发稳定度，网络环境部署如下：源节点的数据发送过程满足泊松分布(λ≥6)，节点分布区域为矩形区域(12800 m×25600 m)，其中矩形区域边界布撒源节点与最终数据接收节点。节点信号采用标准的正交频分复用技术信号模式，子信道的个数不超过2048个；其中预留子载波个数均为随机值；信号接收星座采取64正交振幅调制方式；信号采样频率为512 Hz；信号符号的总个数为1024个。其余参数见表1。

此外，为验证本文所提及的节点能量受限度、传输节点稳定度、网络突发稳定度在实际应用中的效果，选取当前移动物联网领域中常用的基于时分多址(time division multiple access，TDMA)起伏追踪机制的长期演进(long term evolution，LTE)网络数据传输优化算法[16](the data transmission optimization algorithm of LTE network based on TDMA fluctuation tracking mechanism，TDMA-FT算法)和基于休眠轮询机制的无线传感网数据节能传输算法[17](the energy saving transmission algorithm of wireless sensor network based on dorman polling mechanism，DP算法)为样本，将所提方案根据瓶颈受限情况逐次改变ELN、STN及NBS，以进行网络性能测试。另外，为进一步突出本文方法的优势，将基于改进的Steiner层次协议缓解无线传感器网络的瓶颈分析方法(an enhanced steiner hierarchy protocol to mitigate the bottleneck in wireless sensor networks，E-SH)[18]视为对照组。

3.1 网络带宽有效使用率测试

考虑到网络带宽有效使用率指标主要针对数据传输量进行测试，DP算法是采取休眠机制来优化数据传输，因此本文使用ELN进行基于能量的瓶颈分析，实验中取ELN=0.2、0.4、0.6、0.8。而TDMA-FT算法主要基于信道转移方式来进行数据传输，侧重于节点层面优化网络抖动现象，因此本文使用STN对其传输质量进行量化分析，实验中取STN=0.3、0.6、0.9。针对未进行算法优化的物联网络，将直接用本文方案进行量化分析并记录网络重传信息，以便分析本文方法对网络带宽传输性能的提升效果，实验中取ELN=0.2、0.4、0.6、0.8，整个测试结果如图2所示。

图2 网络带宽有效使用率的测试

图2(a)是按照表1生成网络环境，记录(ELN=0.2、0.4、0.6、0.8)4种情况时的网络带宽有效使用率。由图可知，随着网络运行时间不断增加，中继节点的能耗水平也随之提高，当中继节点能耗消耗到一定程度时，网络带宽有效使用率也急剧降低，直到整个网络处于拥塞状态。随后，调整模型(21)所示的节点能量受限度(ELN=0.2、0.4、0.6、0.8)，显然，推迟了网络带宽有效使用率降低的时间。其中，本文算法在ELN=0.8时，运行至120 min时才出现网络带宽有效使用率下降的现象，较基准情况延迟了30 min左右，在ELN=0.2时运行210 min才出现网络带宽有效率下降的现象，较基准情况延迟了120 min。这说明节点能量状况属于网络性能瓶颈，可通过调节网络节点的能耗来降低网络性能发生的概率。

图2(b)为DP算法按照表1生成的网络环境进行测试所记录的4种节点能量受限度(ELN=0.2、0.4，0.6、0.8)情况下的网络带宽有效使用率，亦给出了E-SH算法改进下的网络带宽有效使用率。由图发现，随着网络运行时间不断增加，网络带宽有效使用率与未设置节点能量受限度时相比，网络带宽有效使用率出现下降的时间被显著推迟，这是由于通过模型(21)调整节点能量受限度，降低了节点能耗水平，处于休眠状态的节点有效规避节点能量受限而导致难以激活的问题，因此提高了DP算法的网络带宽有效使用率。但是，所提方法要优于E-SH算法，例如，本文算法在ELN=0.2时，运行至130 min才出现网络带宽有效使用率下降现象，而E-SH算法运行110 min后就出现该现象。相对于E-SH算法而言，所提方法延迟了20 min。此外，采用E-SH算法改进后的DP算法与基准情况相比有一定的改善，然而，E-SH算法改善程度依然要显著小于本文算法在ELN=0.2、0.4情况下的对应的网络带宽有效使用率，说明E-SH算法采用层次协议优化拓扑参数的方式仅能应对节点受限程度较低的应用场景，无法针对节点轮询过程进行有效优化，而本文算法采用节点能量受限度分析节点能量受限现象，节点轮询过程中的匹配效率较高，因此可提升节点更换效率，改善节点对网络带宽的有效使用。

图2(c)为TDMA-FA算法按照表1生成的网络环境进行测试所记录的3种传输节点稳定度(STN=0.3、0.6、0.9)情况下的网络带宽有效使用率，亦给出了E-SH算法改进下的网络带宽有效使用率结果。由图可知，随着网络运行时间不断增加，网络带宽有效使用率与未设置节点能量受限度时相比，网络带宽有效使用率出现下降的时间被显著推迟，这是由于通过模型(10)调整节点稳定度并确定节点接收信噪比阈值，当该算法处于信道激活状态时能有效降低因信道碰撞而导致传输受阻现象，数据重传性能得到改善，因此提高了TDMA-FA算法的网络带宽有效使用率。与本文算法相比，E-SH算法的网络带宽有效使用率要显著低于本文算法在节点稳定度STN=0.9的性能，例如，E-SH算法在运行105 min后就出现网络带宽有效使用率下降的问题，而所提方法则是在运行135 min后才出现该现象。这说明本文算法所采用的传输节点稳定度及点衰落模型能够对传输节点抖动现象进行定量分析，对网络受限瓶颈的分析能力要强于E-SH算法。

3.2 拥塞发生次数测试

考虑到移动物联网拥塞现象的发生主要由于链路及节点抖动所致，DP算法在休眠过程中节点处于轮询状态，因此本文使用ELN进行基于能量的瓶颈分析，参照3.1节，对ELN进行梯度取值，实验中取ELN=0.2、0.4、0.6、0.8。TDMA-FT算法主要基于信道起伏特性，特别是侧重于信道及相关节点本身抖动来进行传输优化，因此本文使用STN对传输质量进行量化分析，实验中取STN=0.3、0.6、0.9。针对未进行算法优化的网络，实验中直接取STN=0.3、0.6、0.9，以便分析本文方案拥塞控制能力，测试结果如图3所示。

图3 拥塞发生次数的测试

图3(a)是在网络起始状态下拥塞发生次数均为0，按照表1生成网络环境所记录STN=0.3、0.6、0.9这3种情况下的网络的拥塞发生次数测试结果。由图可知，随着信噪比阈值的不断增加，拥塞发生次数也随之增加，这是显然的：随着信噪比阈值的不断增加，源节点启动所消耗的能量也随之增加，降低了数据传输的可用功率，容易发生因功率受限而导致网络拥塞。调整模型(10)规定的传输节点稳定度(STN=0.3、0.6、0.9)，显然随着稳定度的增加，网络拥塞发生次数随之降低，节点稳定性能与网络使用性能瓶颈息息相关，实践中可以通过稳定节点传输性能来改善网络使用性能瓶颈。说明本文方法对于未优化的移动物联网络，可显著提升网络传输性能。

图3(b)中为DP算法在节点能量受限度为(ELN=0.2、0.4、0.6、0.8)4种情况时，按表1所示的网络环境进行网络测试所获取的测试结果，也给出了E-SH算法改进下的网络拥塞次数结果。由图可知，通过借助节点能量受限度，有效减少了因节点能量受限而导致难以激活的问题，从而降低了因节点能量受限而导致的拥塞发生次数。另外，在同一信道率阈值下，本文算法在网络处于严重受限情况下(ELN=0.2、0.4)对应的网络拥塞次数始终低于1000次。而E-SH算法的网络拥塞次数要显著高于本文算法在ELN=0.2、0.4时的拥塞次数。这说明本文算法在网络节点因能量受限而出现大面积瘫痪情况下可激活备用节点，有效适应节点能量受限的网络应用场景。

图3(c)为TDMA-FA算法在传输节点稳定度(STN=0.3、0.6、0.9)3种情况时，按照表1所示的网络环境进行测试所获取的结果，也给出了E-SH算法改进后的网络拥塞次数。由图可知，当传输节点稳定度不断增高时，TDMA-FA算法网络拥塞发生次数显著下降，这是由于通过调整节点稳定度并确定节点接收信噪比阈值，可以降低数据重传次数，优化对处于信道激活状态的节点进行筛选，因此可有效改善TDMA-FA算法的性能。但是，相对于E-SH算法而言，所提方法呈现出更好的优化效果。例如，在信道率阈值为36 dB时，本文算法在STN=0.9时网络拥塞次数仅有4000次左右，而E-SH算法则超过了6000次，显然要优于E-SH算法。这是因为在节点处于较高不稳定度的情况下，E-SH算法对网络性能的改善程度较差，说明单纯改善拓扑参数的方式难以适应网络大面积抖动的实际场景。因此，E-SH算法应对高强度突发抖动的适应能力要低于本文算法。

3.3 网络重传率测试

由于网络重传现象主要受网络整体稳定性能影响，DP算法的网络整体稳定性主要受区域节点轮询因素影响，出现节点能量受限的概率较低，主要影响因素为数据拥塞发生时出现的网络重传现象，因此取NBS参数进行实验，实验中取NBS=0.4、0.8两种情况进行仿真测试。TDMA-FT算法主要基于信道起伏特性，当且仅当链路发生抖动时进行网络重传，因此本文使用STN对传输质量进行量化分析，实验中取STN=0.3、0.6、0.9。针对未进行算法优化的物联网络，将直接用本文方法进行量化分析并记录网络重传信息，结果如图4所示。

图4(a)是在网络起始状态下网络重传率均为0，按照表1生成网络环境所记录NBS=0.2、0.4两种情况下网络的拥塞发生次数测试结果。由图发现，随着网络运行时间不断积累，网络在首次出现重传现象后将会持续发生数据重传事件，时间累计到一定程度时，重传现象的发生概率将趋向于100%。调整式(13)规定的网络突发稳定度，可显著提高网络性能，降低网络重传情况的发生，并改善网络使用性能瓶颈。

图4(b)是DP算法节点在网络突发稳定度为NBS=0.4、0.8两种情况时，按表1所示的网络环境进行网络测试的统计结果，也给出了E-SH算法改进后的网络重传率结果。可见，随着网络运行时间不断增加时，节点出现数据重传的概率与未设置网络突发稳定度时相比，数据重传概率大幅度上升时出现的时间被显著推迟，这是由于调整式(13)规定的网络突发稳定度时，可获取中继节点最佳重传次数，显著降低中继链路因过载而导致传输抖动的现象，因此通过改善网络突发稳定度可有效降低数据重传概率，提升DP算法的性能。另外，从图中也可发现，相对于E-SH算法而言，所提方法呈现出更好的优化结果，例如，当NBS=0.4时，本文方法最长至105 min时才出现数据重传概率上升的现象。而E-SH算法则在85 min后，其重传率就开始上升。

图4 网络重传率的测试

图4(c)为TDMA-FA算法在传输节点稳定度为STN=0.3、0.6、0.9这3种情况时，按照表1所示的网络环境中进行测试的统计结果，也给出了E-SH算法改进后的网络重传率结果。由图可知，随着网络运行时间不断增加，当传输节点稳定度不断增高时，TDMA-FA算法网络重传上升现象被显著推迟，这是由于通过调整节点稳定度并确定节点接收信噪比阈值，可以降低数据重传次数，规避因信道处于激活-非激活状态而发生碰撞现象，提高数据传输能力，因此可有效改善TDMA-FA算法的性能。同样地，相对于E-SH算法而言，所提方法具备更为理想的网络重传率，例如，在网络运行至100 min时，虽然二者的重传率都开始上升，但是，所提算法的重传率始终低于E-SH算法。这是由于E-SH算法主要采用单一协议的方式优化网络传输质量，存在区域分割速度较慢及区域覆盖迭代速度较低的特点，难以对网络受限瓶颈进行定量分析，而本文算法不仅可通过调整突发稳定度的方式降低数据重传概率，且可调整节点稳定度降低数据重传次数并提高数据传输能力，因此本文算法在强干扰环境时对网络数据重传的改善程度要高于E-SH算法。

4 结束语

本文基于当前移动物联网使用性能瓶颈难以满足量化需求，且评估过程复杂等不足，提出了一种移动物联网使用性能瓶颈分析。依托数据路径损耗、信道衰落损耗及点传输衰落损耗等维度设计了数据损耗模型，设计节点能量受限度、传输节点稳定度、网络突发稳定度等维度。实现了对移动物联网使用性能瓶颈的量化分析，可有效提升各种算法的性能，降低网络瓶颈对现有方案的影响。

下一步，拟针对移动物联网拓扑高流动性等瓶颈进行分析，结合量化度分析指标，强化对高速移动物联网使用性能瓶颈的解决力度，提高本文分析在实际环境中的适应性能。