基于平均能量阈值和模糊理论的无线网络聚类方案

杨 琼, 冯义东, 田雪莲

(1.琼台师范学院 信息科学技术学院, 海南 海口 571127; 2.海南师范大学 教育学院, 海南 海口 571158;3.海南师范大学 数据科学与智慧教育教育部重点实验室, 海南 海口 571158; 4.成都工业职业技术学院 科研处, 四川 成都 610081)

0 引言

近些年,无线传感器(WSN)在智能城市开发、自配置网络组建、物联网(IoT)、监控、监测等领域成为研究热点[1]．WSN以随机或确定的方式部署的各式传感器,这些传感器包含无线单元和嵌入式GPS,但在电池、存储容量和数据处理方面性能有限[2],各种因素会造成电池电量的额外消耗,使节点工作寿命呈指数型下降,因此,需要根据应用需求建立不同的路由方案,以提高信息传递和网络存活性方面的网络性能[3]．

为实现性能更好的网络构建,研究者提出了很多能量高效的路由协议[4]．其中聚类方法从部署的节点中选择簇头,并在数据积累过程中在相应的簇头处丢弃关联节点的冗余数据,以完成向基站(BS)的数据传输．如:Liu Y,等[5]提出了一种基于改进的能量效率的路由协议(IEERP),利用先验概率的阈值方法,在每次轮换中选择簇头,以处理传感器节点的各种约束,提高网络效率．但这种方案由于仅基于先验概率来选择簇头,可能会选出不合适的簇头,造成负荷和能量分布的稳定性显著降低;潘华,等[6]提出在簇头节点和普通节点之间进行双向选取,同时,针对LEACH的节点数据分发过程,提出了一种综合考虑数据量和节点间距离的多跳数据分发方式,并从数学关系上证明此种分发方式更节能;杨帆[7]从分簇算法和路由算法的关联性出发,分别对基于模糊逻辑的分簇机制和基于蚁群算法的路由机制进行了改进．

很多集中式方法不能很好地控制网络中的开销,为克服上述缺陷,Fanian F,等[8]提出了基于模糊逻辑的聚类算法(Fuzzy-LEACH),以延长网络工作寿命．利用超级簇头的概念,使用模糊描述子技术,向移动BS进行数据传输．但依然存在簇头选择问题,没有考虑到每次轮换中节点的能量分布．为增加网络稳定性,Devulapallia,等[9]提出了利用模糊逻辑来遴选簇头,还从选出的簇头列表中额外加入了中间节点,使之具有最大能量的节点．但其责任仅将簇头的数据传输至静态BS．

为了实现更好的网络性能,提出了同构无线传感器网络中移动汇聚节点的模糊理论高效聚类方案．协议采用了三层通信架构,即节点到簇头、簇头到超级簇头、以及超级簇头到移动BS的通信．通过节点在每次轮换的能量平均阈值来选择簇头,从而实现均衡的簇头能量分布．其主要创新之处在于:

1) 基于先验概率,同时考虑到节点在每次轮换的平均能量水平来选择簇头,从而实现均衡的簇头能量分布;

2) 基于模糊逻辑描述子来选择超级簇头,但额外考虑了簇头的平均能量输入模糊隶属度函数[10](IMF),使得超级簇头的选择更加合理．实验结果验证了所提方案的优越性．

1 提出的改进方案

1.1 网络拓扑与假设

假设传感器节点在检测到数据后并进行发送,簇头(CH)收集这些数据,并对其进行汇总发送到基站．为了节省能源,假设CH中的一个超级簇头(SCH)可以将数据发送到BS．由于不需要多个CH将消息传递给BS,因此,可以有效利用带宽,提高能源利用效率．本文方案使用了模糊逻辑模型,并在传感器节点电量、BS移动性和中心性之外考虑了额外的输入隶属函数(IMF),即CH的平均能量Eavg,以及用于选择SCH的输出隶属函数(OMF)．此外,基于平均能量概念[11],对LEACH[12]用于选择CH的普通聚类规则进行修改．

本文方案中采用的网络拓扑和假设,列举如下:

1) 在特定网络区域内随机部署传感器节点以进行环境监测; 2) 在部署完成后,所有节点的位置是固定的,即不具移动性; 3) 网络中的基站(BS)具有移动性,其遵循随机路点移动性模型; 4) 网络具有同构性,其中所有传感器节点均有着等额的初始能量; 5) 利用接收信号强度,完成节点与BS之间的距离测量．

最后,通过仿真比较本文协议与其他协议在同构无线传感器网络中的性能．

1.2 簇头的选择程序

每个节点i选择[0, 1]之间的一个随机数Ri以进行CH选择．若满足下式,则节点在当前轮次r中,将得到成为CH的机会:

(1)

式中,G表示选定的CH组．

目前很多类似LEACH的协议采用了仅考虑先验概率popt的阈值Tth(r)方法,如下式所示．即:在每次轮换r中完成CH选择:

(2)

(3)

(4)

本文协议还将CH选择限制为kopt,表示为:

(5)

(6)

1.3 超级簇头的模糊理论模型

模糊逻辑是基于人类经验的系统,通过用于输入和输出的推理规则提供有效的逻辑推理．图1给出了模糊系统的基本流程,其中包含IMF和OMF,并带有推理规则,可以根据要求处理输出．

图1 模糊推理系统示意图 图2 模糊逻辑系统示意图

由于模糊逻辑是基于现实的方案,通过模糊输入而非确定性输入,提供了系统开发时的平滑性．由此,本文在传感器网络中采用模糊规则,即Mamdani模型[14]来选择SCH,图2所示．其中包含4个输入隶属度函数,即传感器电池电量,BS移动性,CH间的中心性,CH的平均能量Eavg;以及一个输出隶属度函数,以利用模糊推理规则得到SCH．

第一个IMF为节点电量,其中包含三个隶属函数(MF),即低(梯形隶属函数)、中(三角形隶属函数)和高(梯形隶属函数),如图3(a)所示．

图3 IMF的不同形式

第二个IMF为BS移动性．考虑了BS的随机路点移动性的影响,因此将其考虑为IMF,以处理BS移动性．其中包含三个MF,即低(梯形隶属函数)、适中(三角形隶属函数)和频繁(梯形隶属函数),如图3(b)所示．

第三个IMF为CH的中心性．在SCH选择中,应得到CH的中心性相关信息,从而在CH中识别出SCH的合适位置．其中包含三个MF,即近(梯形隶属函数)、适中(三角形隶属函数)和远(梯形隶属函数),如图3(c)所示．

第四个IMF为CH的Eavg,与Fuzzy-LEACH的模糊描述子相比,这是本文协议中新添加的IMF．其包含两个MF,即:低(梯形隶属函数)和高(梯形隶属函数),如图3(d)所示．由此,向平均能量较高的CH提供更多的机会．其中还包括一个OMF,即SCH,其中考虑9个MF,从而根据四个IMF实现SCH的平滑选择．

表1列举了(输入/输出)隶属度函数与规则．对于每个IMF组合,生成3×3×3×2=54条规则,以平滑地选择SCH．如前文所示,本文在IMF中进行了修改,在IMF中还考虑了CH的Eavg．对于每个模糊推理规则,剩余能量超过Eavg的CH将更适合成为SCH．输出变量的隶属度函数为:

表1 用于SCH选择的模糊推理规则

Chance=(节点能量-1)+BS移动性+

CH的中心性+CH的Eavg

(7)

在式(7)中,考虑剩余节点电量是因为每一轮都会有一定的节点能量消耗．BS流动性、CH中心性和CH的Eavg都是加性因素,SCH与BS的距离增加或减小取决于BS．

提出的模糊逻辑高效聚类算法如以下算法所示．在网络设置阶段,需要采集数据的感兴趣网络区域内部署传感器节点．然后,对仿真参数进行初始化．在每次轮换中执行本文协议的路由程序．

算法: 基于模糊理论的高效聚类算法

1. 网络设置;

2. 参数初始化;

3. for r=0 to r≤max(r) do

4. if 任何节点存活 then

选择kopt个CH;

识别移动BS的位置;

应用模糊推理规则,从选出的CH中选择合适的SCH;

for CH do

将节点关联到相应CH;

在CH处对从节点接收的数据进行聚合;

将采集数据发送至SCH;

end

for SCH do

将CH关联到SCH;

在SCH处对从CH接收到的数据进行聚合;

将采集数据发送至移动BS;

end

else

结束仿真;

end

r=r+1;

end

2 实验仿真与分析

2.1 实验设置

通过实验仿真分析,利用MATLAB比较本文协议与IEERP[5]、LEACH[6]、Fuzzy-LEACH[8]和在同构无线传感器网络中的性能．在100 m×100 m的网络区域内随机分布n=40个节点．BS是可移动的,遵循随机路点移动性模型[15-16]．协议的优先概率设为popt=0.05,其他仿真参数如表2所示．为避免随机因子Ri的随机特性影响,使用相同的网络拓扑重复执行5次仿真,并取仿真结果均值．

表2 仿真参数

2.2 稳定周期与工作寿命

图4给出了不同轮数下的存活节点数量变化情况．从中可发现,与其他方案相比,本文方案中节点工作寿命和网络覆盖度均更高,且得益于能耗同步化,本文方案中存活节点的数量变化更加平滑,相对延长了稳定周期(至第一个节点死亡)．周期从长到短依次为IEERP>本文协议>Fuzzy-LEACH>LEACH．网络中超过70%的节点死亡后,本文协议的性能与IEERP较为接近,但IEERP延长网络工作寿命的代价是网络覆盖度较低,只有本文方案的一半左右．表3列举了稳定周期和工作寿命评估结果,与LEACH和Fuzzy-LEACH相比,本文方案稳定周期分别提高了3.41%和3.06%,达到了3%以上水平,在网络工作寿命方面,分别提高了157%和46%．这主要得益于能耗同步化,存活的节点数量更加合理平滑,利用模糊规则延长了网络工作寿命,并降低了BS处的开销．

表3 稳定周期和工作寿命的评估结果

图4 存活节点与轮数的关系

不同轮数下的节点剩余能量变化情况如图6所示．为了更好展示能量变化,图中给出了6 000轮的节点能耗情况．本文协议比LEACH的能耗小30%,但比IEERP的能耗大30%．此外,Fuzzy-LEACH协议的能耗稍大于IEERP和本文方案．通过图4和图5的综合比较分析可知,本文方案能够延长网络工作寿命和稳定周期．

不同轮数时的稳定周期和节点死亡情况比较如图6所示,其中,本文协议实现了显著性能改善．图中给出了在n=40个节点的情况下节点死亡的各阶段详情．其中本文协议在稳定周期方面的性能与IEERP协议较为接近,这是因为后者采用了平均能量法．

图5 不同轮数下的节点剩余能量变化情况 图6 稳定周期和死亡节点比较

2.3 定端到端延迟和吞吐量

平均端到端延迟和吞吐量的具体数值如表4所示．与其他协议相比,本文协议的延迟居中．这是因为本文协议提高了网络稳定周期、工作寿命,并改善了聚类方法性能,这些方面的性能改善改善了节点存活性,使其可以持续将数据传输至其他节点或移动BS,但也会造成网络中平均端到端延迟的增加．对于IEERP协议来说也同样如此,其稳定周期较长,吞吐量较大,导致端到端延迟相对较高．

表4 平均端到端延迟和吞吐量评估

数据包传输情况如图7所示,与其他协议相比,本文协议显著改善了吞吐量性能．其中展示了在每个阶段的数据包传递,即N-CH(表示节点到簇头),CH-SCH(表示簇头到超级簇头)和SCH-BS(超级簇头到基站),以及中间丢弃的数据包．在吞吐量方面的性能排序依次为本文方案> IEERP> Fuzzy-LEACH> LEACH．

图7 数据包传输和吞吐量

3 结论

提出了用于同构无线传感器网络中移动汇聚节点的高效聚类方案．采用三层通信,即从节点到簇头(CH)、从CH到超级簇头(SCH)和SCH到移动基站(BS)的数据传输,还对SCH选择方法进行了改进,提出基于模糊推理规则,并考虑到CH的平均能量输入隶属函数进行SCH选择．仿真分析中考虑了网络的稳定周期(第一个节点死亡)、网络工作寿命、剩余能量变化、吞吐量、延迟．结果表明,所提协议实现了显著的性能改善．未来尝试将本文的一些理论应用到动态和异构的无线传感器网络．