CN100512226C - 在传感器网络中形成精细汇聚梯度的方法 - Google Patents

Abstract

本发明公开了一种在传感器网络中形成精细汇聚梯度的方法，该方法包括：A、汇聚节点广播发送建立汇聚梯度的汇聚梯度广播命令包；B、接收到该汇聚梯度广播命令包的节点i分析该汇聚梯度广播命令包的包头，获取发送节点地址ID、发送节点跳数n，并将获取的发送节点地址ID和发送节点跳数n记录在自己的邻居列表中；C、节点i设定或更新自身的跳数，根据现有的邻居信息和自身跳数计算汇聚梯度，并转发该汇聚梯度广播命令包；D、节点i继续监听信道，并重复执行步骤B和C，直至到达局部稳定时间Ts时停止监听，形成精细汇聚梯度。利用本发明，解决了梯度带的不规整性和节点数据转发形态差异与数据负载的不均衡性问题。

Description

在传感器网络中形成精细汇聚梯度的方法

技术领域

本发明涉及无线传感器网络技术领域，尤其涉及一种在传感器网络中形成精细汇聚梯度的方法。

背景技术

在传统无线网络中，星型网络(star)、网状网(mesh)、自组织网络(ad hoc)是最常见的组网形式。星型网络通常是一种退化的网络形式，通信节点之间通常一跳可达。网状网一般具有相对固定的网络拓扑，网络节点移动性不强，网间通信通过路由交换完成，路由相对固定，但路由表通常随着网络规模而增加。自组织网络是一种移动性很强的无线网络组网模式，网络节点的随机移动使得网络连接关系频繁变化，所以每条路由的有效期与节点移动速度、通信半径、节点密度直接相关。自组织网络的路由通常是即时路由，即在有通信数据的时候才启动寻路过程。一般自组织网络协议比较复杂，且网络带宽占用较大。网状网和自组织网络都是支持点到点通信的组网模式。

数据汇聚型无线传感网络(data-gathering wireless sensor network)[1](孙利民，李建中，陈渝，朱红松，《无线传感器网络》，清华大学出版社，ISBN 7-302-10693-2/TP.7233)是传感器网络所特有的一种网络形式，一般具有如下特点：

(1)汇聚传感器网络中节点的功能对称，计算和通信资源有限，不像互联网络一样具有接入网、驻地网和骨干网等多层次、高性能的网络设备支撑，网络中汇聚路径的形成只能借助于节点周边的局部信息；

(2)传感网络虽然处于通信网络(互联网)的边缘，但是它通常是规模非常庞大的网络，如果从节点数量上看，它的网络规模丝毫不逊色于传统的通信网和互联网；

(3)汇聚传感网的部署，尤其是野外的传感网络部署通常是随机布撒，所以其网络拓扑的形成不是通过静态配置完成，而是通过网络信息交互后自组织形成的；

(4)汇聚传感器网络的节点同时肩负传感数据采集和数据路由转发双重功能，节点采集的数据通过有限的转发传送到固定的(或移动的)一组特殊的功能节点中。这组特殊的功能节点通常称为汇聚节点，它们负责从传感器网络中收集数据，并将数据传递到互联网中的后台服务器进行数据的回放、存储，或者作为触发器控制目标系统；

(5)汇聚型传感器网络最突出的一个特点就是数据流动的非对称特性。也就是说，绝大部分的数据是从功能节点流向汇聚节点，从汇聚节点流向功能节点的应用数据相对较少。

另外，节点之间的交流也非常少，一种特例是网络中如果存在数据融合机制，功能节点可能先流向融合代理节点，然后由融合代理节点流向汇聚节点。这种情况通常可以将融合代理节点视为汇聚子节点，采用相同的机制进行数据的汇聚传输。

在汇聚型传感器网络中，汇聚路径的自动形成是网络建立和数据传输的基础。现有的mesh网络和自组织网络协议可以进行汇聚路径的生成，但复杂的路由过程和庞大的路由表对于生成大规模的传感器网络来说显得过分臃肿，加上这两种路由方法实现的点到点通信能力并不是汇聚网络所必须的，故使用这种方法作为汇聚型传感器网络数据传输技术基础并不合适。

汇聚型网络中汇聚路径选择分为基于地理信息的路径计算方法和基于连通信息的路径计算方法。对于已知地理信息的数据汇聚方法[6](KARP，B.AND KUNG，H.T.2000.GPSR：greedy perimeter stateless routing forwireless networks.In Proceedings of the 6th Annual ACM/IEEE InternationalConference on Mobile Computing and Networking.ACM Press，243

-254.)通过计算邻居节点与“汇聚线”(数据源节点与目的节点之间的连线)之间的距离选择最佳传输路径。这种方法存在两个实现问题：首先传感器网络随机部署，精确的可用于计算的地理信息的获取非常困难[1](孙利民，李建中，陈渝，朱红松，《无线传感器网络》，清华大学出版社，ISBN7-302-10693-2/TP.7233)；其次地理位置最佳并不意味着通信效果最佳[5](SEADA，K.，ZUNIGA，M.，HELMY，A.，AND KRISHNAMACHARI，B.2004.Energy efficient forwarding strategies for geographic routing in lossywireless sensor networks.In The Second ACM Conference on EmbeddedNetworked Sensor Systems)，如果在汇聚线上存在障碍物，那么通过地理信息选择的节点可能因为靠近障碍物而找不到下一步传送的中转节点。

基于连通信息的路径计算方法中，分簇计算方法和梯度(层次)计算方法是最典型的两种方法[1](孙利民，李建中，陈渝，朱红松，《无线传感器网络》，清华大学出版社，ISBN 7-302-10693-2/TP.7233)。分簇网络汇聚方法将网络在通信角色上将网络划分为多个功能组。最常见的划分是普通的功能节点、簇头节点和骨干节点三个组。功能节点将采样的数据传送到簇头节点，然后簇头节点再通过多跳传递到汇聚节点。簇头节点之间可以是一跳连接，也可以通过骨干节点连接。骨干节点通过节点间最初的信息交换形成的能够将所有节点连接成网络。分簇的本源目的是为了数据融合，融合后的数据通过簇头和骨干节点传输到汇聚节点。但簇维护的开销实际上非常大，而且骨干网络的形成通常也是依靠梯度模型来完成的，所以基于梯度的层次型汇聚方法是目前最现实，而且最简单的数据汇聚方法。

层次型网络相对来说更简单，首先在整个网络中建立数据汇聚梯度，将不同的节点标定在不同的梯度位置。节点根据梯度关系建立数据汇聚路径。最常见的方法是使用到达汇聚节点的跳数作为汇聚梯度，并将梯度比自己小的节点作为通信转发节点。

目前在研究领域和应用领域，跳数的形成方法是通过一次或多次洪泛形成的。一次洪泛形成过程描述如下：

(1)汇聚节点发送一个跳数建立消息，所有收到该消息的节点将自己标定为跳数为1的节点；

(2)每个收到跳数建立消息的节点将消息中的跳数信息标定为自己的跳数(如跳数为1的节点标定为1)，然后转发该跳数信息；

(3)所有节点重复(2)中内容，直至每个节点对该跳数建立消息转发一遍。

跳数的维护通常在数据转发过程中进行动态调整，假设节点跳数为n，其上层转发节点的跳数为n-1，若此时收到一个跳数为n-2甚至更低的节点发送的数据包，它会将自己的跳数调节为n-1。说明书附图2给出了在理想信道模型下使用洪泛过程产生的跳数的分布示意图。

使用这种方法产生的跳数作为汇聚梯度存在如下问题：

(1)跳数信息作为梯度非常粗糙，形成的等梯度条带很宽，尤其是在不同跳数的边界位置，梯度跳变很大，在使用跳数信息进行路径选择的时候，梯度变化边界附近的节点很大概率上选择不到最优路径。为了弥补梯度信息的不足，很多实用方法会同时考虑使用接收信号强度(RSSI)辅助寻找最佳转发节点。而RSSI信号的不稳定性又使得瞬时的测量误差带来的汇聚路径选择的失误，降低汇聚效率。

(2)在实际的洪泛过程中产生的梯度并不像理想模型仿真那样形成的那样是标准的条带状分布。因为在通信过程中存在的冲突(collision)、隐藏终端(hidden terminal)[7](F.A.Tobagi and L Kleinrock，“Packetswitching in radio channels：Part II-the hidden terminal problem in carriersense multiple-access modes and the busy-tone solution，”IEEE Trans.Commun.，vol.COM-23，no.12，pp.1417-1433，1975.)、天线极化的方向性、通信链路的非对称性(unsymmetrical link)无线链路通信过渡带(transitionalregion)[4](ZUNIGA，M.AND KRISHNAMACHARI，B.2004.Analyzing thetransitional region in low power wireless links.In IEEE SECON，2004)等问题的存在导致反向路径(backward link)、掉队节点(straggler)、长路径(longlink)等不规则状况的出现，使得实际梯度等高线图并不是理想的圆环带，而是不规则的锯齿带状，甚至可能存在一些孤岛[3](D.Ganesan，B.Krishnamachari，A.Woo，D.Culler，D.Estrin and S.Wicker.“ComplexBehavior at Scale：An Experimental Study of Low-Power Wireless SensorNetworks”.UCLA CS Technical Report UCLA/C SD-TR02-0013，2002.)，说明书附图3是在真实信道模型上得到的梯度模型。在这样一个不规则的梯度模型上进行汇聚路径的建立和选择不仅在实际应用中存在太多不可预测的状况，而且在理论上也非常难于进行性能分析[2][[3][5]([2]Qing Cao，Tian He，Lei Fang，Tarek Abdelzaher，John Stankovic，and Sang Son.Efficiency Centric Communication Model for Wireless Sensor Networks.InIEEE Infocom，April 2006.Infocom；[3]D.Ganesan，B.Krishnamachari，A.Woo，D.Culler，D.Estrin and S.Wicker.“Complex Behavior at Scale：AnExperimental Study of Low-Power Wireless Sensor Networks”.UCLA CSTechnical Report UCLA/CSD-TR 02-0013，2002；[5]SEADA，K.，ZUNIGA，M.，HELMY，A.，AND KRISHNAMACHARI，B.2004.Energy efficientforwarding strategies for geographic routing in lossy wireless sensor networks.In The Second ACM Conference on Embedded Networked Sensor Systems)。

另外，在传统跳数梯度汇聚方法中，每个等跳数梯度带中，外边界和内边界节点对下一跳转发节点的选择范围不同：外边界节点可选择的节点很少，而且转发成功率低；内部节点虽然可选择的节点很多，且其中具有高转发成功率的节点也相当多，但其转发方向存在不确定性。这种下一跳转发节点选择能力的差异导致带内节点的转发负载非常不均衡：外边界节点负载很高，节点内边界负载较低。说明书附图5通过仿真得到在传统跳数会聚方法中数据负载在网络中分布图，横坐标是网络节点到会聚节点的距离。从图中可以看出外边界节点负载高且转发效率低，从而导致节点能量消耗大，并且会在这些节点上形成通信拥塞，进而随着这些外边界节点的能量耗尽网络开始变得不连通，过早终结整个网络的生命。

发明内容

(一)要解决的技术问题

有鉴于此，本发明的主要目的在于提供一种在传感器网络中形成精细汇聚梯度的方法，以解决无线信道不稳定性导致的在传统跳数梯度中梯度带的不规整性和相等跳数梯度带内部节点数据转发形态差异与数据负载的不均衡性问题，达到提高网络吞吐量、延长网络生存期的目的。

(二)技术方案

为达到上述目的，本发明的技术方案是这样实现的：

一种在传感器网络中形成精细汇聚梯度的方法，该方法包括：

A、汇聚节点广播发送建立汇聚梯度的汇聚梯度广播命令包；

B、接收到该汇聚梯度广播命令包的节点i分析该汇聚梯度广播命令包的包头，获取发送节点地址ID、发送节点跳数n，并将获取的发送节点地址ID和发送节点跳数n记录在自己的邻居列表中；其中，i、n为自然数；.

C、节点i设定或更新自身的跳数，根据现有的邻居信息和自身跳数计算汇聚梯度，并转发该汇聚梯度广播命令包；其中，根据现有的邻居信息和自身跳数计算汇聚梯度，是采用公式 $G\left(i\right)={\mathrm{Ceiling}}_p\left(\underset{j\∈\left(\mathrm{whole\; nodes}\right)}{\mathrm{\Σ}}(P\left(j\right|i)*\mathrm{hop}\left(j\right))\right)$ 实现的，其中hop(j)为j节点到i节点的跳数，P(j|i)表示作为i的邻居时，j节点跳数在i节点的梯度计算中的概率权重，Ceiling_p是一个按照精度P进位的函数，p的取值为2的k次幂的倒数，即1/2^k；

D、节点i继续监听信道，并重复执行步骤B和C，直至到达局部稳定时间Ts时停止监听，形成精细汇聚梯度；其中，局部稳定时间Ts表示节点周围所有邻居都完成汇聚梯度广播命令包的发送，即节点梯度值实现局部稳定，取为整个发送窗口时间长度T的整数倍，倍数至少大于等于2。

所述节点i第一次收到该汇聚梯度广播命令包，步骤C中所述节点i设定或更新自身的跳数包括：节点i设定自身跳数为n+1；所述节点i已经收到过该汇聚梯度广播命令包，步骤C中所述节点i设定或更新自身的跳数包括：节点i根据发送节点的跳数n，将自身跳数与n+1进行比较，如果自身跳数比n+1大，则将自身跳数修改为n+1；否则，不修改自身跳数。

所述条件概率权重P(j|i)的计算方法为节点i的邻居数NN(i)加1的倒数，即1/(NN(i)+1)。

步骤C中所述节点i转发该汇聚梯度广播命令包包括：节点要在发送窗口[0，CW]之间按照均匀分布随机选取一个时槽CWi，并在时槽CWi到来时刻使用载波侦听冲突避免CSMA-CA协议转发该汇聚梯度广播命令包；发送窗口[0，CW]的时间单位为ΔT，整个发送窗口时间长度T为CW乘以ΔT，随机选取的时间点为时槽的起始时间。

所述单位时间ΔT由平均包发送时间Tsa决定，为Tsa乘以一个常数系数C，其中C大于1；平均包发送时间Tsa由通信速率B和帧长L决定，为L除以B；所述发送窗口[0，CW]中CW由网络的平均邻居数NN决定；NN由网络中节点密度ρ和节点平均通信半径R决定，为ρ乘以R。

所述节点i第一次收到汇聚梯度广播命令包，步骤C中所述节点i在转发该汇聚梯度广播命令包之前进一步包括：节点i修改该汇聚梯度广播命令包的包头，将该汇聚梯度广播命令包中的源地址修改为自己的地址ID，将该汇聚梯度广播命令包中的跳数修改为自己的跳数n。

步骤D中所述形成精细汇聚梯度之后进一步包括：传感器网络进入正常工作状态，节点在运行中通过监听数据包，更新邻居跳数信息，更新本地梯度值。

(三)有益效果

从上述技术方案可以看出，本发明具有以下有益效果：

1、本发明提供的这种在传感器网络中形成精细汇聚梯度的方法，由于使用节点局部范围邻居节点跳数的加权平均作为实际的汇聚梯度，使得数据可以更精确转发，从而解决了无线信道不稳定性导致的在传统跳数梯度中梯度带的不规整性和相等跳数梯度带内部节点数据转发形态差异与数据负载的不均衡性问题，达到了提高网络吞吐量、延长网络生存期的目的。图6是在精细梯度方法下数据负载在网络中的分布状况，横坐标为数据节点到达汇聚节点距离，比较图5与图6，可以看到精细梯度方法下负载在网络中的分布状况基本符合线性增长的理想形态。注意：内部节点的负载大于外围节点是必然的，因为内部节点要转发外部节点的数据。

2、本发明提供的这种在传感器网络中形成精细汇聚梯度的方法，形成的精细汇聚梯度不仅可以拟合各种通信信道特性导致的梯度抖动，提供准距离信息，帮助节点选择更优的转发节点，而且通过弱化跳数对汇聚梯度强制划定的梯度带而均衡整个网络中节点的负载，延长了网络生存期。

3、本发明提供的这种在传感器网络中形成精细汇聚梯度的方法，在精细汇聚梯度中实现选择性洪泛不仅能够克服地理距离信息与链路质量之间的差异导致的洪泛气泡(完全按照地理信息距离选择的洪泛半径不能正确反应实际一次广播的通信半径，简单说，用地理信息计算应该能够广播到的节点可能因为中间的障碍无法正常到达)，而且不必要求节点必须具有精确的地理信息。

4、本发明提供的这种在传感器网络中形成精细汇聚梯度的方法，由于使用加权平均的方法，使得个别节点的异常跳数被过滤或平均掉，从而平稳拟合了在单纯使用跳数建立汇聚梯度时因碰撞因素导致的反向回路。

5、本发明提供的这种在传感器网络中形成精细汇聚梯度的方法，由于选取了合适的T和ΔT，降低了邻居节点之间洪泛冲突的概率，使得传统洪泛可能出现的孤岛问题也得到很好抑制。

6、本发明提供的这种在传感器网络中形成精细汇聚梯度的方法，由于在精细汇聚梯度的网络上，通过梯度差可以获得节点间“通信”距离信息，有利于配合路由协议选择最优的下一跳节点。这种距离信息配合其它方法确定的角度信息可以形成网络的逻辑定位，为在无地理信息的传感网络中实现点到点通信提供可能。

附图说明

图1为本发明提供的在传感器网络中形成精细汇聚梯度的方法流程图；

图2为本发明提供的理想信道模型下使用经典跳数梯度生成算法得到的汇聚梯度分布的示意图；

图3为本发明提供的真实信道模型下使用经典梯度生成算法得到的汇聚梯度分布的示意图；

图4为本发明提供的真实信道模型下使用精细梯度算法得到的汇聚梯度分布的示意图；

图5为经典跳数梯度方法形成的网络负载分布图；

图6为精细梯度方法形成的网络负载分布图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

如图1所示，图1为本发明提供的在传感器网络中形成精细汇聚梯度的方法流程图，该方法包括以下步骤：

步骤101：汇聚节点广播发送建立汇聚梯度的汇聚梯度广播命令包；

步骤102：接收到该汇聚梯度广播命令包的节点i分析该汇聚梯度广播命令包的包头，获取发送节点地址ID、发送节点跳数n，并将获取的发送节点地址ID和发送节点跳数n记录在自己的邻居列表中；其中，i、n为自然数；

步骤103：节点i设定或更新自身的跳数，根据现有的邻居信息和自身跳数计算汇聚梯度，并转发该汇聚梯度广播命令包；

步骤104：节点i继续监听信道，并重复执行步骤102和103，直至到达局部稳定时间Ts时停止监听，形成精细汇聚梯度。

所述节点i第一次收到该汇聚梯度广播命令包，步骤103中所述节点i设定或更新自身的跳数包括：节点i设定自身跳数为n+1；所述节点i已经收到过该汇聚梯度广播命令包，步骤103中所述节点i设定或更新自身的跳数包括：节点i根据发送节点的跳数n，将自身跳数与n+1进行比较，如果自身跳数比n+1大，则将自身跳数修改为n+1；否则，不修改自身跳数。

假设邻居表中记录的邻居数为NN(i)，且每个邻居节点j的跳数为hop(j)；步骤103中所述节点i根据现有的邻居信息和自身跳数计算汇聚梯度包括：首先根据滤波策略选择有效的邻居节点，将所有有效邻居节点j及其自身的跳数乘以一个概率权重P(j|i)，P(j|i)表示作为节点i的有效邻居，节点j的跳数在计算节点i梯度过程中的权重，然后求和，最后再经过一个精度函数Ceiling_p对求和的结果按照精度p进位。

所述条件概率权重P(j|i)的计算方法为节点i的邻居数NN(i)加1的倒数，即1/(NN(i)+1)。

所述精度函数Ceiling_p是一个按照精度p进位的函数，p的取值为2的k次幂的倒数。精度p的取顶函数相当于小数点后k位有效数字的二进制进位，比照十进制的四舍五入，小数点后k位有效数字的二进制的进位表示对小数点后第k+1位数字实施零舍一入。。

步骤103中所述节点i转发该汇聚梯度广播命令包包括：节点要在发送窗口[0，CW]之间按照均匀分布随机选取一个时槽CWi，并在时槽CWi到来时刻使用载波侦听冲突避免CSMA-CA协议转发该汇聚梯度广播命令包；发送窗口[0，CW]的时间单位为ΔT，整个发送窗口时间长度T为CW乘以ΔT，随机选取的时间点为时槽的起始时间。

所述单位时间ΔT由平均包发送时间Tsa决定，为Tsa乘以一个常数系数C，其中C大于1；平均包发送时间Tsa由通信速率B和帧长L决定，为L除以B；所述发送窗口[0，CW]中CW由网络的平均邻居数NN决定；NN由网络中节点密度ρ和节点平均通信半径R决定，为ρ乘以R。

所述局部稳定时间Ts表示节点周围所有邻居都完成汇聚梯度广播命令包的发送，即节点梯度值实现局部稳定，取为整个发送窗口时间长度T的整数倍，倍数至少大于等于2。

所述节点i第一次收到汇聚梯度广播命令包，步骤103中所述节点i在转发该汇聚梯度广播命令包之前进一步包括：节点i修改该汇聚梯度广播命令包的包头，将该汇聚梯度广播命令包中的源地址修改为自己的地址ID，将该汇聚梯度广播命令包中的跳数修改为自己的跳数n。

步骤104中所述形成精细汇聚梯度之后可以进一步包括：传感器网络进入正常工作状态，节点在运行中通过监听数据包，更新邻居跳数信息，更新本地梯度值。

依据上述图1所示的在传感器网络中形成精细汇聚梯度的方法流程图，本发明提供的这种在传感器网络中形成精细汇聚梯度的方法主要涉及两部分内容：一是如何确定梯度；二是在网络中形成汇聚梯度的步骤。这两部分内容没有顺序关系，一提供了二中步骤提到的公式1的具体形式。下面对这两部分内容分别进行详细阐述：

(1)节点确定梯度

本算法的关键技术在于将梯度的计算方法细化，通过统计周围所有邻居节点的跳数，然后通过下面的算法计算得到自己的梯度标定：

$G\left(i\right)={\mathrm{Ceiling}}_p\left(\underset{j\∈\left(\mathrm{whole\; nodes}\right)}{\mathrm{\Σ}}(P\left(j\right|i)*\mathrm{hop}\left(j\right))\right)$      公式1

其中hop(j)为j节点的跳数，这里汇聚节点的跳数认为是0，即在公式1中不起作用。

P(j|i)表示作为i的邻居时，j节点跳数在i节点的梯度计算中的概率权重；一种可行的计算方法为：

$P\left(j\right|i)=\left\{\begin{array}{cc}1/(\mathrm{NN}\left(i\right)+1)& j\∈\mathrm{neighbor}\left(i\right)\∪j=i\\ 0& \mathrm{outher\; j}\end{array}\right.$          公式2

其中NN(i)表示i节点的邻居数；公式2表明，P(j|i)对所有j相同，即所有邻居节点的跳数在梯度计算中的权重均等。

Ceilingp是一个以p为精度的取顶函数，如果精度设为1，则此梯度退化为跳数梯度，如果精度设为1/2，则梯度精度为0.5。为了计算方便，建议精度取为1/2ⁿ，n为自然数或者0。若p＝1/4，则如果Ceiling_1/4中的自变量为2.73，经过Ceiling_1/4后将变为2.75。

从公式1、公式2可以看出一个节点的梯度可能不再是一个整数，节点会根据周围节点的跳数得到一个折衷的值，而这个折衷值恰好反应了跳数相同节点之间距离汇聚节点远近的关系。当一个跳数为n的节点接近等跳数(跳数为n)环带内侧时，其周围节点的会有将近一半的邻居跳数为(n-1)，经过计算将得到一个在(n-1，n)区间内的一个值；同理，接近外圈的节点，因为存在更多跳数为(n+1)的节点，所以计算得到的梯度将是一个(n，n+1)区间上的值。由此将等梯度环带划分为更加精细的窄带。通过控制梯度的取顶精度p，我们可以得到不同宽度的环带，即不同精度的汇聚梯度。

因为节点的邻居是动态的，所以G(i)也是动态的。为此，每个节点需要维护一个邻居表，邻居表中记录所有邻居节点的跳数。当某一个邻居节点的跳数发生改变的时候，更新节点梯度。因为使用公式1计算的梯度值是一个统计结果，所以并不会因为一个邻居节点的失败造成跳变。所以当路由失败的时候并不需要急于更新梯度值，而在节点路由更新后再通知邻居节点改变梯度值。

(2)网络形成汇聚梯度的步骤

1、汇聚节点广播发送建立汇聚梯度的命令包，所有接收到该命令包的节点标记自己的跳数为1，同时修改广播包中的跳数信息并转发该广播包(源地址设定为自己的ID)；

2、收到汇聚梯度广播命令的节点，通过分析包头获取该汇聚梯度广播包的发送节点ID、发送节点跳数n，将两种信息记录在自己的邻居列表中。如果第一次接收该命令广播包，节点将自己的节点跳数记为n+1，并用公式1计算自身的梯度，然后将命令广播包中的源地址改为自己的ID，跳数设定为n+1，按照预先设定的方法随机退避一段时间(建议使用[0，T]之间均匀分布产生退避时间，参考实施方式)，最后转发该数据包；如果收到过类似的命令广播包，节点将n与自己的跳数比较，如果自身跳数比n+1大，则将自己的跳数修改为n+1，然后用公式1重新计算梯度，此后不需要再转发该命令广播包，只需要继续监听就可以了。

3、节点监听信道直至在Ts时间内没有再收到该命令广播包，则认为在局部范围内完成洪泛过程，进入到正常的转发状态。Ts的选取参考实施方式。

4、节点在运行中不断收集邻居信息，更新邻居跳数信息。因为对于洪泛过程中一直被冲突淹没的节点需要相对比较长的时间才能够收集到其邻居的跳数信息。

本发明旨在汇聚型传感器网络中建立高质量、参数化精度的数据汇聚梯度。针对前面的分析，基于图1所示的在传感器网络中形成精细汇聚梯度的方法流程图，以下结合具体的实施例对本发明提供的在传感器网络中形成精细汇聚梯度的方法进一步详细说明，并详细说明在实施过程中应该注意到的问题。

步骤S1：汇聚节点广播发送建立汇聚梯度的命令包，所有接收到该命令包的节点标记自己的跳数为1，同时修改广播包中的跳数信息并转发该广播包(源地址设定为自己的ID)。转发过程中同层节点采用的随机退避算法，退避时间采用[0，T]之间的均匀分布产生的随机数。该随机时间变量进行分槽离散化处理，即[0，T]之间的时间以单位ΔT进行划分，以最大程度上减少可能发生的通信碰撞(参考分槽ALOHA协议分析)。退避的时间以ΔT为精度进行进位取整。ΔT的选择由平均单包数据传送时间Tsa决定，并略大于Tsa，取ΔT＝Tsa*C，C>1。按照仿真中的设定，单包发送时间Tsa为25ms，取C为1.2，则设定ΔT为30ms。T参数的选择由网络的平均邻居数决定，如果平均邻居数为12，则T取12*ΔT的整数倍，在这里取两倍，T为720ms。

步骤S2：后续收到汇聚梯度广播命令的节点，如果未收到过该命令包，通过分析包头获取该汇聚梯度广播包的发送节点ID、发送节点跳数n，将两种信息记录在自己的邻居列表中。如果第一次接收该命令广播包，节点将自己的节点跳数记为n+1，并用公式1计算自身的梯度，然后将命令广播包中的源地址改为自己的ID，跳数设定为n+1，按照步骤S1中描述的方法随机退避一段时间，并按照CSMA-CA协议转发该数据包。公式1中使用到的权重函数建议使用公式2。同时，在公式1中的Ceiling_p函数中的精度P建议采用1/2ⁿ作为取顶精度，以简化计算。如果精度设为1，则梯度退化为跳数相同，如果精度设为1/2，则梯度精度为0.5。为了计算方便，建议精度取为1/2ⁿ，n为自然数或者0。若p＝1/4，则如果Ceiling_{1 /4}中的自变量为2.73，经过Ceiling_1/4后将变为2.75；

步骤S3：后续收到汇聚梯度广播命令的节点，如果收到过类似的命令广播包，节点将n与自己的跳数比较，如果自身跳数比n+1大，则将自己的跳数修改为n+1，然后用公式1重新计算梯度，此后不需要再转发该命令广播包，只需继续监听。

步骤S4：收到过汇聚命令的节点继续监听信道直至在Ts时间内没有再收到该命令广播包。此时节点认为在局部范围内完成洪泛过程，进入到正常的转发状态。局部稳定时间Ts(settle time)至少取所有节点都要退避的时间T的两倍。因为可能存在节点因为通信退避的情况，导致有些节点在0～T时间内不能转发广播命令包。实验表明，2*T可以保证95％以上的邻居节点完成广播过程。如果按照步骤S1中建议T取720ms，则稳定时间Ts设置为1440ms。

步骤S5：节点在运行中不断通过数据包的转发和旁听更新邻居跳数信息。对于洪泛过程中一直被冲突淹没的节点需要在运行中不断收集遗漏的邻居信息，并精细化自己的传输精度。从仿真出来的附图4中可以看到，网络中的节点传输梯度不再是条带状，而是平滑的下降坡度，由此边界节点的丢包率过大和低效问题被有效抑制。同时，节点能以小尺度选择下一跳节点的梯度，并可以通过指定梯度范围实现定向组播，为多路径可靠传输提供支持。另外，信道的不稳定和传输的不可靠都可以通过调节下一跳节点梯度来实现。

如图2所示，图2为本发明提供的理想信道模型下使用经典梯度生成算法得到的汇聚梯度分布的示意图。从图2中可以看出，梯度呈现标准的条带状。条带外边缘的节点因为与上级跳数的节点距离远会有较高的误包率；条带内边缘的节点可能因为选择比较近的节点作为下一条而增大数据的传输延迟。

如图3所示，图3为本发明提供的真实信道模型下使用经典梯度生成算法得到的汇聚梯度分布的示意图。从图3中可以看出，梯度的条带出现毛刺，而且有些地方因为反向路径而产生局部梯度高地；另外长路径的情况也有发生。

如图4所示，图4为本发明提供的真实信道模型下使用精细梯度算法得到的汇聚梯度分布的示意图。虽然跳数状态与附图3中的情况相似，存在长路径、反向路径和不规整性，但汇聚梯度经过计算后变得相当平滑，从边缘到会聚中心节点的会聚梯度基本上是以准线性形式连续递减。节点选择下一跳将不仅仅在跳数小的集合中选择，也可能在跳数与自己相同，而梯度小于自己的节点中选。选择的依据将是延迟和丢包率的折衷。

再参见图4，图4是通过真实模型仿真得到的，仿真条件如下：

(1)在200x200米的范围内随机布撒400个节点，通信半径设定为30米，由此得到平均邻居数为28；

(2)信道模型采用Marco Z.在[4](ZUNIGA，M.ANDKRISHNAMACHARI，B.2004.Analyzing the transitional region in lowpower wireless links.In IEEE SECON，2004)中的信道理论分析模型，该模型充分考虑了信道过渡带、非对称信道传输；信道衰减因子n取4(地面部署垂直极化通常取此因子，通过实验获得)；环境背景噪声以27摄氏度为基础计算，取为-115dBm，实际节点硬件电路设计和工艺引入的信号衰减采用均值为-10dB，方差为1的高斯分布模型，即不同节点使用差异的背景噪声模型，充分仿真在实际网络中可能存在的因素。实际系统中硬件电路噪声要根据具体使用的硬件板卡进行实际测量；综合两种背景噪声，取实际的背景噪声为-105dBm，方差为1的白噪声；节点发送功率定为0dBm；

(3)链路层采用50字节帧长，6字节前导码，帧长直接影响通信的误包率；采用分槽ALOHA协议发送广播数据包；

(4)无线通信速率为19.2Kbps；

(5)为了避免过多的冲突，洪泛转发时间设定为[0，420ms](参考实施方式)内均匀分布的随机转发时间区间，离散时槽时间单位为ΔT取30ms(具体计算方法参考实施方式)，以期在最大程度上避免同层节点在转播精细梯度建立数据包时产生冲突；

(6)汇聚节点放置在(100，100)的位置。

比较附图3与附图4可以看到，我们可以看出精细梯度具有如下优势：

1、单纯使用跳数建立汇聚梯度时因碰撞因素导致的反向回路基本上被平稳拟合；

2、另外通过选取合适的T和ΔT，孤岛问题也得到很好抑制。

3、在精细汇聚梯度的网络上，通过梯度差可以获得节点间“通信”距离信息，有利于配合路由协议选择最优的下一跳节点。

如图5所示，在跳数方式汇聚的网络，节点的通信流量呈现跳跃式曲线，即每次跨过一个跳段时，节点的流量负载会有一次突变。这种情况表明一个网络中处于跳段外边界的节点往往先被耗尽资源。这种负载的不均衡性很难通过调整节点部署密度达到提高网络生存期的目的。

如图6所示，在精细梯度汇聚的网络，节点的通信流量从外围到会聚节点基本上线性连续变化。在这种流量负载形态下，越靠近汇聚点的节点负载量越大，这样就可以通过到汇聚点距离调整节点部署密度来提高网络的生存期。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1、一种在传感器网络中形成精细汇聚梯度的方法，其特征在于，该方法包括：

A、汇聚节点广播发送建立汇聚梯度的汇聚梯度广播命令包；

B、接收到该汇聚梯度广播命令包的节点i分析该汇聚梯度广播命令包的包头，获取发送节点地址ID、发送节点跳数n，并将获取的发送节点地址ID和发送节点跳数n记录在自己的邻居列表中；其中，i、n为自然数；

C、节点i设定或更新自身的跳数，根据现有的邻居信息和自身跳数计算汇聚梯度，并转发该汇聚梯度广播命令包；其中，根据现有的邻居信息和自身跳数计算汇聚梯度，是采用公式 $G\left(i\right)={\mathrm{Ceiling}}_p\left(\underset{j\∈\left(\mathrm{whole\; nodes}\right)}{\mathrm{\Σ}}(P\left(j\right|i)*\mathrm{hop}\left(j\right))\right)$ 实现的，其中hop(j)为j节点到i节点的跳数，P(j|i)表示作为i的邻居时，j节点跳数在i节点的梯度计算中的概率权重，Ceiling_p是一个按照精度P进位的函数，p的取值为2的k次幂的倒数，即1/2^k；

D、节点i继续监听信道，并重复执行步骤B和C，直至到达局部稳定时间Ts时停止监听，形成精细汇聚梯度；其中，局部稳定时间Ts表示节点周围所有邻居都完成汇聚梯度广播命令包的发送，即节点梯度值实现局部稳定，取为整个发送窗口时间长度T的整数倍，倍数至少大于等于2。

2、根据权利要求1所述的在传感器网络中形成精细汇聚梯度的方法，其特征在于，

所述节点i第一次收到该汇聚梯度广播命令包，步骤C中所述节点i设定或更新自身的跳数包括：节点i设定自身跳数为n+1；

所述节点i已经收到过该汇聚梯度广播命令包，步骤C中所述节点i设定或更新自身的跳数包括：节点i根据发送节点的跳数n，将自身跳数与n+1进行比较，如果自身跳数比n+1大，则将自身跳数修改为n+1；否则，不修改自身跳数。

3、根据权利要求1所述的在传感器网络中形成精细汇聚梯度的方法，其特征在于，所述条件概率权重P(j|i)的计算方法为节点i的邻居数NN(i)加1的倒数，即1/(NN(i)+1)。

4、根据权利要求1所述的在传感器网络中形成精细汇聚梯度的方法，其特征在于，步骤C中所述节点i转发该汇聚梯度广播命令包包括：

节点要在发送窗口[0，CW]之间按照均匀分布随机选取一个时槽CWi，并在时槽CWi到来时刻使用载波侦听冲突避免CSMA-CA协议转发该汇聚梯度广播命令包；

发送窗口[0，CW]的时间单位为ΔT，整个发送窗口时间长度T为CW乘以ΔT，随机选取的时间点为时槽的起始时间。

5、根据权利要求4所述的在传感器网络中形成精细汇聚梯度的方法，其特征在于，所述单位时间ΔT由平均包发送时间Tsa决定，为Tsa乘以一个常数系数C，其中C大于1；平均包发送时间Tsa由通信速率B和帧长L决定，为L除以B；

所述发送窗口[0，CW]中CW由网络的平均邻居数NN决定；NN由网络中节点密度ρ和节点平均通信半径R决定，为ρ乘以R。

6、根据权利要求1所述的在传感器网络中形成精细汇聚梯度的方法，其特征在于，所述节点i第一次收到汇聚梯度广播命令包，步骤C中所述节点i在转发该汇聚梯度广播命令包之前进一步包括：

节点i修改该汇聚梯度广播命令包的包头，将该汇聚梯度广播命令包中的源地址修改为自己的地址ID，将该汇聚梯度广播命令包中的跳数修改为自己的跳数n。

7、根据权利要求1所述的在传感器网络中形成精细汇聚梯度的方法，其特征在于，步骤D中所述形成精细汇聚梯度之后进一步包括：

传感器网络进入正常工作状态，节点在运行中通过监听数据包，更新邻居跳数信息，更新本地梯度值。

Images