CN101355390A - 水下传感器网络高时间分辨率数据虚拟簇收集方法 - Google Patents

Abstract

本发明公开了一种水下传感器网络高时间分辨率数据虚拟簇收集方法，先建立网络节点分布模型，在此基础上将网络从空间上分割成若干子区域，并建立子区域数据收集耗时模型，估计各子区域进行数据收集所需要的时间，将网络划分为更合理的子区域，达到子区域划分与收集耗时的平衡。为每一优化合并后的子区域分配一个执行器节点，并确定其部署位置，以便于更高效的收集数据。当执行器到达目的地后，建立子区域中节点的路由，从而构建虚拟簇。执行器节点充当簇头，在虚拟簇这种小规模的网络中高速收集其他固定节点的监测数据，以实现对无线传感器网络高时间分辨率监测数据的收集，数据收集完毕，虚拟簇解散，网络切换回原有现场监测状态。

Description

水下传感器网络高时间分辨率数据虚拟簇收集方法

技术领域

本发明涉及一种水下传感器网络高时间分辨率数据的虚拟簇收集方法，属于无线传感器与执行器网络新技术领域。

背景技术

海洋覆盖着71％的地球表面，但相对于陆地而言，人们对其知之甚少，开发有限。鉴于当今全球粮食、资源、能源供应紧张与人口迅速增长的矛盾日益突出的情况，开发利用海洋中丰富的资源，已是历史发展的必然趋势。从总体上提高海洋环境监测、预测和预报能力，维护海洋权益、发展海洋经济、保护海洋环境、预警海洋灾害，促进海洋和沿海经济和社会的可持续发展在国家发展中占据十分重要的战略地位。

无线传感器网络是由大规模随机布设的无线传感器节点组成的以感知现实物理空间为目的的网络。由于其具有自组织、自修复、低功耗、监测密度大、随机布置的特点，在军事国防、环境监测、灾害预报、空间探测、资源调查等领域展现了广阔的应用前景，引起了世界学术界和工业界的高度重视，并引发了无线传感器网络应用的研究热潮。水下传感器网络的海洋监测是其中一个重要的领域。无线传感器网络在应用领域面对的首要挑战是低能耗和实时性要求。与传统的无线传感器网络应用相比，水下无线传感器网络的应用面临着更加严峻的挑战：

1)由于不能使用无线通信信道，必须借助于水声通信。与无线电波传输信道相比，海洋水声信道的传输条件是十分恶劣的，是一种随机的时间-空间-频变、强多径干扰、长传输时延、强环境噪声、可用带宽非常有限的信道。

2)水声(UWA)信道的传播速度比无线电信道的传播速度慢。而水声的传播速度要比无线电信号低5个数量级，大约为1500m/s，造成了极大的网络传输延迟。同时海水中的声速受温度、盐度和静压力的影响会产生变化；如果不考虑传播速度的话，通信间大的延迟会大大降低系统的通信量。

3)与无线电信号的传输不同，水声信号在海洋中传播时具有反射和折射、投射和绕射、散射与混响等特点；并且由于水声信号的扩展损失、海水的吸收作用、反射、折射和散射等，信号的强度随距离的增加而产生衰减。因此，水声信号的通信距离比较小。

4)由于水下传感器网络的应用特点，使得更换水下节点电池非常困难，如何尽可能的节约和均衡节点能量的消耗，是水下传感器网络中任何技术和协议研究的关键。

基于水下传感器网络的上述特点，低能耗要求与可靠、实时传输的矛盾更加尖锐。如何在不缩短网络生命周期的前提下收集高时间分辨率的数据成为急待解决的技术课题。

发明内容

本发明的目的在于提供一种水下传感器网络高时间分辨率数据的分簇收集方法，以在获取高时间分辨率监测数据的同时，尽量减少各传感器网络节点的能量消耗，延长网络寿命。

水下传感器网络通常工作在现场监测状态，其功能是通过水下基站收集各传感器节点的低时间分辨率数据，直接发送给水面监控中心。为了收集高时间分辨率数据，本发明的技术方案是：引入能量充足、具有探测其它节点位置、自主移动的执行器节点，在尽量减少各传感器节点能耗的前提下完成高时间分辨率数据的收集、处理、传输与交换任务。具体方案有如下三种：1)水下基站收集所有数据，其中低时间分辨率数据直接发送给监控中心，高时间分辨率数据通过一个投放的执行器节点从基站收集后返回监控中心。2)低时间分辨率数据由水下基站收集后发送给监控中心，高时间分辨率数据暂存在各传感器节点的缓存中，由一个投放的执行器节点依次从每个传感器节点中收集后返回监控中心。3)低时间分辨率数据由水下基站收集后发送给监控中心，高时间分辨率数据暂存在各传感器节点的缓存中，通过投放的多个执行器节点与传感器节点构建虚拟簇的方式收集后传递给监控中心。方案一要求水下基站具有足够大的空间以便于存储所有数据，更重要的是大量高时间分辨率数据传送到基站将会极大的消耗各传感器节点的能量。方案二采用近距离数据收集，各传感器节点的能耗将会最低，但由于单个执行器节点需要找到所有的传感器节点，要求节点必须具有精确的定位系统，并且如果节点数量较多时，逐一查找的时间将会很长。方案三需要消耗少量的传感器节点能量，但由于通过构建虚拟簇的方式收集数据，不需要非常精确的定位系统，并且无论节点数量多少，收集时间不受影响。

本发明采用方案三，根据约束条件对监测区域的传感器节点进行区域划分，从而确定执行器节点数量和位置；将执行其节点投放进入待监测区域；现场监测网络解散，以各执行器节点为簇头构建虚拟簇，进行高时间分辨率数据收集，收集完毕，虚拟簇解散，网络切换到原有现场监测状态，执行器节点返回水面监控中心。

具体包括如下步骤：

1)水下传感器网络由传感器节点、水下基站和水面监控中心组成，预先将传感器节点部署在待监测的区域内，这些节点可以根据GPS信号或者其它无线传感器网络定位算法确定其自身地理位置，并在网络建立阶段将节点位置作为组网信息发送到监控中心，以此建立传感器网络节点分布模型；

2)以能耗、时延为约束条件，对监测区域的传感器节点进行逐次逼近的网络区域划分。首先找到监测区域的边缘节点，画出一个矩形；根据节点总数量和约束条件下的簇最优节点数量进行初步分簇划分；根据数据收集耗时模型估计每个子区域中时延能否满足要求，若不满足，则进一步细分，直到所有子区域都能满足约束条件；

3)利用各子区域进行数据收集所需要的时间作为参考依据，通过子区域优化合并算法对于节点数很少的相邻子区域进行合并，删除不包含节点的子区域，达到区域划分与收集耗时的平衡；

4)确定子区域中执行器节点的部署位置。每个子区域对应一个执行器节点，用于充当该区域数据收集时的簇头节点，其部署位置可根据具体需要，采用最短通信距离算法、最小最大通信跳数算法和以平衡节点能耗为目的的带权重的节点重心算法等确定。然后将执行器节点自水面投放进入现场监测网络，由于执行器节点具有自主移动、探测节点位置的特点，能够进入预设位置。

5)执行器节点进入预设位置后，按照簇形成方法构建虚拟簇：各执行器节点按照泛洪的方式向周围的传感器节点发布包含各执行器节点信息的网络连接请求，该连接请求在逐跳传递的过程中记录跳转节点路径，一并放入连接请求信息之中；传感器节点接收到某个执行器节点发布的请求信号后，将在本地保存一份，并将该请求信号增加最新跳转路径后发布给其它邻居节点；同时经由原请求信号中记录的跳转路径逆向向执行器节点回送一份带自己节点ID信息的响应信号；一旦某个传感器节点已经接收了一份请求信号并保存后，将不再接收其它节点传递过来的请求信号；重复上述步骤，直到所有传感器节点的回送响应信号被各个执行器节点接收；执行器节点根据多跳回送路径建立各虚拟簇的路由表。

6)虚拟簇构建完成后，由执行器节点充当簇头，根据各虚拟簇路由表对每簇中传感器节点的高时间分辨率监测数据进行收集。若某个传感器节点的数据传送完毕后，将向充当簇头的执行器节点发出缓冲区空的结束命令；执行器节点接收到本簇中所有传感器节点的结束命令后，将发出响应信号；虚拟簇随之解散，网络切换到原有的水下传感器网络现场监测状态，执行器返回水面，将收集到的高时间分辨率数据传递给水面监控中心。

步骤2)中网络区域划分算法是首先对无线传感器网络覆盖的监测区域进行初步划分，根据监测区域的长宽比和网络节点的数量将矩形分为若干个子区域，如下式所示：

n_r∶n_c＝R_l∶R_w

n_r×n_c×r≈N

n_r和n_c是划分成子区域的行数与列数，R_l和R_w是矩形监测区域的长与宽，N是网络节点总数，r是一个比例系数，它表示了理想情况下一个子区域中包含节点的个数。由于在大多数情况下节点并非均匀分布，当某个子区域中的节点密度较大，不能满足延时要求时，需要对该子区域进一步细分，然后重新对每个子区域所需数据收集延迟时间进行估计，直到所有的子区域都能满足延时约束。

优选建立的无线传感器网络节点分布可用模型表示为：

$\left\{\begin{array}{c}\mathrm{SubNe}{t}_1=\{S_{\mathrm{1,1}},S_{\mathrm{1,2}},...S_{1,M1}\}\\ \mathrm{SubNe}{t}_2=\{S_{\mathrm{2,1}},S_{\mathrm{2,2}},...S_{2,M2}\}\\ .\\ .\\ .\\ \mathrm{SubNe}{t}_i=\{S_{i,1},S_{i,2},...S_{i,\mathrm{Mi}}\}\\ .\\ .\\ .\\ \mathrm{SubNe}{t}_N=\{S_{N,1},S_{N,2},...S_{N,\mathrm{MN}}\}\end{array}\right.$

整个无线传感器网络由N个子网构成，第i个子网包含有Mi个固定节点，每个固定节点S用其x轴坐标和y轴坐标表示。第i个子网的第j个节点的位置模型为：

{S_i，j(x_i，j，y_i，j)：0≤x_i，j≤Length 0≤y_i，j≤Width}

其中Length，Width分别为监测区域的长和宽。

优选建立的数据收集耗时模型为：假设网络中每个节点发送数据总量一定，设为M，且每次传输的数据量是相同的，即Ti_s＝ts，mi＝m，都是常量。则数据收集消耗的时间为：

Tc＝NM /S

Tc＝NM[(1-τ)δ+τt_s]/τm                              hm＝1

Tc＝NM[(1-τ)²δ+τt_s+(1-τ)τt_s]/τm                  hm＝2

Tc＝NM{(1-τ)²δ+τt_s+(1-τ)τ[(2-τ)t_s-(1-τ)δ]}/τm hm＝3

T_{i_s3}为节点3相对于节点2数据分组平均传输时间，当hm≥3有T_{i_bl}＝t_s+(1-τ)T_{i_s3}-(1-τ)δ。当hm＝3时，T_{i_s3}＝ts。

当网络中节点个数超过3个的时候，可以将节点3到节点N整体视为一个有i-2个节点的无线传感器网络。节点3相对于节点2数据分组平均传输时间有这样的关系式：

$\frac{T_{i\_s3}}{t_s}=\frac{S_{i-2}}{S_1},i\≥3$

随着网络节点数目的不断增加，后加入的节点对前面的节点影响越来越小，因此网络的吞吐量最终收敛到一个稳定值。当跳数超过9时，跳数和端到端延迟呈现线性递增的关系，因此数据收集消耗的时间可以简单的表示为Tc＝N×t’，其中h_m≥9，t’为在该网络吞吐量下，收集节点收集一个节点数据所消耗的时间。

优选子区域划分与优化合并算法：根据数据收集耗时模型可以计算出每个子区域进行数据收集消耗的时间，由此建立数据收集耗时矩阵。矩阵中的每一个元素值代表相应网格位置的子区域进行数据收集预计消耗的时间，若大于约束值，则该子区域需要进一步拆分，直到所有子区域满足约束条件。

在区域划分完成后，合并数据收集耗时较小的相邻子区域，尽量减少子区域的数量。合并的方法是从位于(1，1)的子区域开始，从左到右自上而下合并数据收集耗时较小的相邻子区域，合并后的子区域必须满足约束条件。当某子区域有多个相邻子区域都能与其合并时，选择合并后收集耗时最小的一个合并。

优选虚拟簇形成方法为：各执行器节点按照泛洪的方式向周围的传感器节点发布包含各执行器节点信息的网络连接请求，该连接请求在逐跳传递的过程中记录跳转节点路径，一并放入连接请求信息之中；传感器节点接收到某个执行器节点发布的请求信号后，将在本地保存一份，并将该请求信号增加最新跳转路径后发布给其它邻居节点；同时经由原请求信号中记录的跳转路径逆向向执行器节点回送一份带自己节点ID信息的响应信号；一旦某个传感器节点已经接收了一份请求信号并保存后，将不再接收其它节点传递过来的请求信号；重复上述步骤，直到所有传感器节点的回送响应信号被各个执行器节点接收；执行器节点根据多跳回送路径建立各虚拟簇的路由表。

虚拟簇和现场监测网络的状态切换包括以下步骤：虚拟簇构建完成后，由执行器节点充当簇头，对簇中传感器节点的高时间分辨率监测数据进行收集，某个传感器节点的数据传送完毕后，将向充当簇头的执行器节点发出缓冲区空的结束命令；执行器节点接收到本簇中所有传感器节点的结束命令后，将发出响应信号；虚拟簇随之解散，网络切换到原来的现场监测网络状态，执行器返回，将收集到的高时间分辨率数据传递给监控中心。

本发明的水下无线传感器网络高时间分辨率数据虚拟簇收集方法以网络环境严格受限为背景，以降低传感器节点能耗和减少时延为目标，提出了完整可行的通过引入执行器节点构建虚拟簇的方式来收集高时间分辨率数据的方法，在基本不增加传感器节点能耗的前提下收集高时间分辨率数据，延长了网络寿命。

附图说明

图1节点分布映射图。

图2网络模型图

图3是本发明的某一应用场景示意图。

图4是本发明的传感器网络节点分布示例图。

图5是本发明的传感器网络子区域划分与优化合并示例图。

图6是本发明的虚拟簇形成算法流程图。

图7是本发明的虚拟簇解散算法流程图。

图8是本发明的原有传感器网络拓扑图和分簇划分后虚拟簇网络拓扑图。

图9是本发明的数据收集耗时比较示例图。

图10是本发明的节点耗时比较示例图。

具体实施方式

下面结合附图和具体实施例对本发明的水下传感器网络高时间分辨率监测数据虚拟簇收集方法作进一步的说明。

无线传感器网络应用背景描述如下：

监测区域大小(长×宽)：2000米×2000米；

无线传感器网络节点数目：50个；节点距离不大于250米；节点通信速率为1200bps；一个数据收集周期内各传感器节点产生的数据量为50bytes。

具体实施步骤如下：

步骤1：预先将50个传感器节点(即节点1至节点50)部署在待监测的区域内，这些节点可以根据GPS信号或者其它无线传感器网络定位算法确定其自身地理位置，并在网络建立阶段将节点位置作为组网信息发送到监控中心，应用场景参见图3，监控中心位于与其垂直的水面，具体部署参见图4。由于未被划分，传感器网络初始是一个整体，故网络节点分布可表示成：

{S₁(146，592)}

{S₂(1333，1995)}

…

{S₅₀(228，330)}

Net＝{S₁，S₂，…，S₅₀}

步骤2：根据子区域划分约束条件，使用区域划分算法，逐步将网络划分成满足要求的子区域。假设划分需要满足的约束条件是进行数据收集所消耗的最大时间不超过10个时间单位。

首先对无线传感器网络覆盖的监测区域进行初步划分。根据监测区域的长宽比和网络节点的数量将矩形分为若干个子局域，如下所示：

n_r∶n_c＝R_l∶R_w

n_r×n_c×r≈N

n_r和n_c是划分成子区域的行数与列数，R_l和R_w是矩形监测区域的长与宽，N是网络节点总数，r是一个比例系数，它表示了理想情况下一个子区域中包含有多少个节点。

子区域数据收集所消耗的时间可以根据数据收集耗时模型来计算。从数据收集耗时模型可以发现，收集耗时和网络中传感器节点的数量成正比，根据子区域划分约束条件，r的值取10，且n_r＝n_c＝2。网络初步划分的子区域如附图5(a)所示。

网络的节点分布可表示为：

$\left\{\begin{array}{c}\mathrm{SubNe}{t}_1=\{S_4,S_5,S_7,S_8,S_{11},S_{15},S_{16},S_{22},S_{37},S_{38},S_{40},S_{49}\}\\ \mathrm{SubNe}{t}_2=\{S_2,S_9,S_{13},S_{18},S_{20},S_{32},S_{35},S_{42}\}\\ \mathrm{SubNe}{t}_3=\{S_1,S_3,S_6,S_{10},S_{14},S_{17},S_{19},S_{23},S_{24},S_{25},S_{29},S_{30},S_{33},S_{34},S_{44},S_{45},S_{47},S_{48},S_{50}\}\\ \mathrm{SubNe}{t}_4=\{S_{12},S_{21},S_{26},S_{27},S_{28},S_{31},S_{36},S_{39},S_{41},S_{43},S_{46}\}\end{array}\right.$

步骤3：根据数据收集耗时模型计算出各子区域进行数据收集需要消耗的时间，并据此建立网络的数据收集耗时矩阵，为下一步的子区域优化工作打下基础。

设网络中节点数量为N。根据节点距数据收集节点的最大距离l_m和节点通信的最大半径r，估计簇中数据收集节点与固定节点通信的最大跳数h_m＝l_m/r。在基于CSMA机制的传输行为中，当信道空闲时，各个节点在每个时隙进行数据发送的概率相等，且只与竞争窗口的大小相关，记作τ。

节点i在每个时隙内可能出现的状态有空闲、传输和忙碌3种。定义这些状态出现的概率分别为Pi_id、Pi_tr和Pi_bl，即Pi_bl＝1□Pi_tr-Pi_id。定义δ表示每个空闲时隙的时间长度，它是一个常数，Ti_s表示发送一个完整的数据分组所需要的总时间长，Ti_bl表示对于节点i而言每次信道忙碌的平均时间长度。则节点i的每个时隙的平均长度为

T_{i_slot}＝P_{i_id}δ+P_{i_tr}T_{i_s}+P_{i_bl}T_{i_bl}＝P_{i_id}δ+P_{i_tr}T_{i_s}+(1-P_{i_tr}-P_{i_bl})T_{i_bl}

所有节点的数据都需要由节点1转发给汇聚节点，因此网络吞吐量就等价于节点1的有效数据传输量，网络吞吐量S为：

$=\frac{P_{i\_\mathrm{tr}}{m}_i}{P_{i\_\mathrm{id}}\mathrm{\δ}+P_{i\_\mathrm{tr}}{T}_{i\_s}+(1-P_{i\_\mathrm{tr}}-P_{i\_\mathrm{bl}})T_{i\_\mathrm{bl}}}$

网络中每个节点发送数据总量一定设为M，且每次传输的数据量是相同的，即Ti_s＝ts，mi＝m，都是常量。则数据收集消耗的时间为：

Tc＝NM/S

Tc＝NM[(1-τ)δ+τt_s]/τm                              hm＝1

Tc＝NM[(1-τ)²δ+τt_s+(1-τ)τt_s]/τm                  hm＝2

Tc＝NM{(1-τ)²δ+τt_s+(1-τ)τ[(2-τ)t_s-(1-τ)δ]}/τm hm＝3

T_{i_s3}为节点3相对于节点2数据分组平均传输时间，当hm≥3有T_{i_bl}＝t_s+(1-τ)T_{i_s3}-(1-τ)δ。当hm＝3时，T_{i_s3}＝ts。

当网络中节点个数超过3个的时候，可以将节点3到节点N整体视为一个有i-2个节点的无线传感器网络。节点3相对于节点2数据分组平均传输时间有这样的关系式：

$\frac{T_{i\_s3}}{t_s}=\frac{S_{i-2}}{S_1},i\≥3$

区域划分算法将网络分成若干个按网格分布的子区域，根据数据收集耗时模型可以计算出在每个子区域进行数据收集预计消耗的时间，利用这些子区域数据收集耗时建立一个矩阵。矩阵中的每一个元素的值都代表相应网格位置的子区域进行数据收集预计消耗的时间。如附图5(a)所示，其数据收集耗时矩阵为：

$\left|\begin{array}{cc}12& 8\\ 17& 13\end{array}\right|$

由于在大多数情况下节点并非均匀分布，当某个子区域中的节点密度较大不能满足数据收集的时延要求时则需要对该子区域进一步细分。由于约束值是10，从数据收集耗时矩阵可发现子区域(1，1)，(2，1)和(2，2)不能满足要求，需要进一步拆分，将这些子区域所在的行和列平均分成2份，使这个子区域被划分为更小的4个子区域，然后重新对每个子区域所需数据收集延迟时间进行估计，直到所有的子区域都能满足延迟约束。如图5(b)所示，其数据收集耗时矩阵更新为：

$\left|\begin{array}{cccc}2& 3& 3& 1\\ 3& 4& 1& 3\\ 6& 2& 5& 4\\ 5& 4& 2& 2\end{array}\right|$

这时每个子区域都能满足约束要求。

步骤4：在满足网络约束条件的前提下，合并数据收集耗时较小的相邻子区域，尽量减少子区域的数量，使投入的执行器节点数量尽可能的少。合并的方法是从位于(1，1)的子区域开始，从左到右自上而下合并数据收集耗时较小的相邻子区域，合并后的子区域必须能满足约束条件，即收集耗时小于10。当某子区域有多个相邻子区域都能与其合并时，选择合并后收集耗时最小的一个合并。优化合并之后的子区域划分如图5(c)所示，其数据收集耗时矩阵更新为：

$\left|\begin{array}{cccc}{\left(9\right)}_1& {\left(9\right)}_1& {\left(9\right)}_1& {\left(9\right)}_1\\ {\left(8\right)}_2& {\left(8\right)}_2& {\left(8\right)}_2& {\left(7\right)}_3\\ {\left(8\right)}_4& {\left(8\right)}_4& {\left(9\right)}_5& {\left(7\right)}_3\\ {\left(9\right)}_6& {\left(9\right)}_6& {\left(9\right)}_5& {\left(9\right)}_5\end{array}\right|$

步骤5：为每个子区域分配一个执行器节点。由于执行器节点将在子区域中作为簇头收集数据，其部署位置对虚拟簇网络的拓扑结构有较大影响。根据网络性能的需要执行器节点的部署可采取以下三种方案：

方案一：以减小数据传输端到端延迟为目的，选择执行器节点的位置，使它到各传感器节点的距离之和最小，即通信距离最短。

方案二：以均衡网络节点能耗为目的的带权重的节点重心部署方案。由于与执行器节点相邻的传感器节点与其直接连接，而不相邻的传感器节点通过多跳与其连接，考虑到转发数据包所带来的能耗，越靠近执行器节点的传感器节点能耗越大。因此在带权重的节点重心部署方案中，剩余能量越多的传感器节点其权越大，而执行器节点的位置就是它们的重心。方案三：以算法能方便实现为目的的节点中心部署方案。已知各传感器节点的位置{Si(a[i]，b[i])}，则执行器节点的位置(x，y)为：

x＝0；

y＝0；

for(i＝1；i＜＝N；i++)

{

    x+＝a[i]；

      y+＝b[i]；

}

x＝x/N；

y＝y/N；

其时间复杂度为O(N)，控制中心能快速的计算出传感器节点的位置。本实例采用方案三。

当各子区域执行器节点的位置确定后将其自监控中心散布进入监测网络，由于执行器节点具有自主移动、探测节点位置的特点，能够进入预设位置。

步骤6：构建虚拟簇，为分簇数据收集做准备，具体流程如图6所示。原有传感器网络结构如图8(a)所示，当执行器节点进入预设位置后，按照簇形成方法构建虚拟簇：各执行器节点按照泛洪的方式向周围的传感器节点发布包含各执行器节点信息的网络连接请求，该连接请求在逐跳传递的过程中记录跳转节点路径，一并放入连接请求信息之中；传感器节点接收到某个执行器节点发布的请求信号后，将在本地保存一份，并将该请求信号增加最新跳转路径后发布给其它邻居节点；同时经由原请求信号中记录的跳转路径逆向向执行器节点回送一份带自己节点ID信息的响应信号；一旦某个传感器节点已经接收了一份请求信号并保存后，将不再接收其它节点传递过来的请求信号；重复上述步骤，直到所有传感器节点的回送响应信号被各个执行器节点接收；执行器节点根据多跳回送路径建立各虚拟簇的路由表。虚拟簇形成后，网络结构如图8(b)所示。

步骤7：虚拟簇构建完成后，由执行器节点充当簇头，根据各虚拟簇路由表对每个簇中传感器节点的高时间分辨率监测数据进行收集。数据收集完毕，虚拟簇解散，具体流程如图7所示。若某个传感器节点的数据传送完毕后，将向充当簇头的执行器节点发出缓冲区空的结束命令；执行器节点接收到本簇中所有传感器节点的结束命令后，将发出响应信号；虚拟簇随之解散，网络切换到原来的现场监测网络状态，执行器返回，将收集到的高时间分辨率数据交付监控中心。

本发明应用于上述背景时，与传统的传感器节点到基站到监控中心的数据采集方式相比，其数据采集耗时有了较大幅度的减小。用虚拟簇方式收集整个网络节点的数据所消耗的时间是传统基站收集方式的12.5％。同时在虚拟簇数据采集方式下，节点通信的跳数较少，减少了网络中总的数据传输量，对网络生存时间也有改善，其节点平均能耗为传统数据采集方式的20％，能耗方差也明显小于传统方式。如图9，图10所示。

以上描述仅为本发明的一个典型实施例子，本发明的应用范围包括无线传感器网络中，环境资源严格受限的前提下进行高时间分辨率数据收集的应用场合，也包括数据收集时对能耗、时延有严格要求的应用场合或普通的无线传感器网络应用场合。本发明的保护范围并非局限于上述具体实例，凡本技术领域人员根据本发明所做出的显而易见的改动均落在本发明的保护范围内。

综上所述，本发明的水下无线传感器网络高时间分辨率数据虚拟簇收集方法以网络环境严格受限为背景，以降低传感器节点能耗和减少时延为目标，提出了完整可行的通过引入执行器节点构建虚拟簇的方式来收集高时间分辨率数据的方法，在基本不增加传感器节点能耗的前提下收集高时间分辨率数据，延长了网络寿命。

Claims (6)

1.一种水下传感器网络高时间分辨率数据虚拟簇收集方法，其特征在于包括以下步骤：

1)预先将传感器节点部署在需要监测的区域内：将传感器节点根据GPS信号或者其它无线传感器网络定位算法确定其自身地理位置，并在网络建立阶段将节点位置作为组网信息发送到监控中心，以此建立传感器网络节点分布模型；

2)以能耗、时延为约束条件，对监测区域的传感器节点进行逐次逼近的网络区域划分：首先找到监测区域的边缘节点，画出一个矩形；再根据节点总数量和约束条件下的簇最优节点数量进行初步分簇划分；然后根据数据收集耗时模型估计每个子区域中数据收集延时能否满足要求，若不满足，则对监测区域进一步细分，直到所有子区域都能满足约束条件；

3)利用步骤2中各子区域进行数据收集耗时模型作为参考依据，通过子区域优化合并算法删除不包含节点的子区域，如果子区域包含节点数量小于约定值，也要进行相邻子区域行合并，达到区域划分与收集耗时的平衡；

4)确定子区域中执行器节点的部署位置：每个子区域对应一个执行器节点，用于充当该区域数据收集时的簇头节点，其部署位置可根据具体要求，采用最短通信距离算法、最小最大通信跳数算法和以平衡节点能耗为目的的带权重的节点重心算法确定，然后将执行器节点自水面投放进入现场监测网络，进入预设位置；

5)执行器节点进入预设位置后，按照虚拟簇形成方法构建虚拟簇：各执行器节点以泛洪方式向周围的传感器节点发布包含各执行器节点信息的网络连接请求，该连接请求在逐跳传递的过程中记录跳转节点路径，一并放入连接请求信息之中；传感器节点接收到某个执行器节点发布的请求信号后，将在本地保存一份，并将该请求信号增加最新跳转路径后发布给其它邻居节点；同时经由原请求信号中记录的跳转路径逆向向执行器节点回送一份带自己节点ID信息的响应信号；一旦某个传感器节点已经接收了一份请求信号并保存后，将不再接收其它节点传递过来的请求信号；重复上述步骤，直到所有传感器节点的回送响应信号被各个执行器节点接收；执行器节点根据多跳回送路径建立各虚拟簇的路由表；

6)虚拟簇构建完成后，由执行器节点充当簇头，根据各虚拟簇路由表对每簇中传感器节点的高时间分辨率监测数据进行收集：若某个传感器节点的数据传送完毕后，将向充当簇头的执行器节点发出缓冲区空的结束命令；执行器节点接收到本簇中所有传感器节点的结束命令后，将发出响应信号；虚拟簇随之解散，网络切换到原有的水下传感器网络现场监测状态，执行器返回水面，将收集到的高时间分辨率数据传递给水面监控中心。

2.根据权利要求1所述的水下传感器网络高时间分辨率数据虚拟簇收集方法，其特征在于：区域划分算法是首先对无线传感器网络覆盖的监测区域进行初步划分，根据监测区域的长宽比和网络节点的数量将矩形分为若干个子区域，如下式所示：

n_r∶n_c＝R_l∶R_w

n_r×n_c×r≈N

n_r和n_c是划分成子区域的行数与列数，R_l和R_w是矩形监测区域的长与宽，N是网络节点总数，r是一个比例系数，当某个子区域中的节点密度较大，不能满足延时要求时，需要对该子区域进一步细分，然后重新对每个子区域所需数据收集延迟时间进行估计，直到所有的子区域都能满足延时约束；

网络区域划分后可用节点分布模型表示：设目标无线传感器网络由N个子网构成，第i个子网包含有Mi个固定节点，每个固定节点S用其x轴坐标和y轴坐标表示，

第i个子网的第j个节点的位置模型为：

{S_i，j(x_i，j，y_i，j)：0≤x_i，j≤Length，0≤y_i，j≤ Width}，其中Length，Width分别为监测区域的长和宽，整个无线传感器网络节点分布模型可表示为：

$\left\{\begin{array}{c}{\mathrm{SubNet}}_1=\{S_{\mathrm{1,1}},S_{\mathrm{1,2}},\·\·\·S_{1,M1}\}\\ {\mathrm{SubNet}}_2=\{S_{\mathrm{2,1}},S_{\mathrm{2,2}},\·\·\·S_{2,M2}\}\\ \·\\ \·\\ \·\\ {\mathrm{SubNet}}_i=\{S_{i,1},S_{i,2},\·\·\·S_{i,\mathrm{Mi}}\}\\ \·\\ \·\\ \·\\ {\mathrm{SubNet}}_N=\{S_{N,1},S_{N,2},\·\·\·S_{N,\mathrm{MN}}\}\end{array}\right.$

3.根据权利要求1所述的水下传感器网络高时间分辨率数据虚拟簇收集方法，其特征在于所建立的数据收集耗时模型为：设网络中节点数量为N，据节点距数据收集节点的最大距离l_m和节点通信的最大半径r，估计收集节点与固定节点通信的最大跳数h_m＝l_m/r。在基于CSMA机制的传输行为中，当信道空闲时，各个节点在每个时隙进行数据发送的概率相等，且只与竞争窗口的大小相关，记作τ；节点i在每个时隙内可能出现的状态有空闲、传输和忙碌3种，定义这些状态出现的概率分别为P_{i_id}、P_{i_tr}和P_{i_bl}，即P_{i_bl}＝1-P_{i_tr}-P_{i_id}，定义δ表示每个空闲时隙的时间长度，它是一个常数，T_{i_s}表示发送一个完整的数据分组所需要的总时间长度，T_{i_bl}表示对于节点i而言每次信道忙碌的平均时间长度，则节点i的每个时隙的平均长度为T_{i_slot}＝P_{i_id}δ+P_{i_tr}T_{i_s}+P_{i_bl}T_{i_bl}＝P_{i_id}δ+P_{i_tr}T_{i_s}+(1-P_{i_tr}-P_{i_bl})T_{i_bl}，

由于所有节点的数据都需要由节点1转发给汇聚节点，因此网络吞吐量就等价于节点1的有效数据传输量，网络吞吐量S为：

$=\frac{P_{i\_\mathrm{tr}}{m}_i}{P_{i\_\mathrm{id}}\mathrm{\δ}+P_{i\_\mathrm{tr}}{T}_{i\_s}+(1-P_{i\_\mathrm{tr}}-P_{i\_\mathrm{bl}})T_{i\_\mathrm{bl}}}$

网络中每个节点发送数据总量一定，设为M，且每次传输的数据量是相同的，即T_{i_s}＝t_s，m_i＝m，都是常量，则数据收集消耗的时间为：

Tc＝NM/S

Tc＝NM[(1-τ)δ+τt_s]/τm                                h_m＝1

Tc＝NM[(1-τ)²δ+τt_s+(1-τ)τt_s]/τm                    h_m＝2

Tc＝NM{(1-τ)²δ+τt_s+(1-τ)τ[(2-τ)t_s-(1-τ)δ]}/τm   h_m＝3

T_{i_s3}为节点3相对于节点2数据分组平均传输时间，当h_m≥3有T_{i_bl}＝t_s+(1-τ)T_{i_s3}-(1-τ)δ；当h_m＝3时，T_{i_s3}＝t_s，

当网络中节点个数超过3个的时候，可以将节点3到节点N整体视为一个有i-2个节点的无线传感器网络，节点3相对于节点2数据分组平均传输时间有这样的关系式：

$\frac{T_{i\_s3}}{t_s}=\frac{S_{i-2}}{S_1},i\≥3$

随着跳数的不断增加，后加入的节点对前面的节点影响越来越小，因此网络的吞吐量最终收敛到一个稳定值，当跳数超过9时，跳数和端到端延迟呈现线性递增的关系，因此数据收集消耗的时间可以简单的表示为Tc＝N×t’。

4.根据权利要求1所述的水下传感器网络高时间分辨率数据虚拟簇收集方法，其特征在于子区域优化合并算法包括以下步骤：区域划分算法将网络分成若干个按网格分布的子区域，根据数据收集耗时模型可以计算出每个子区域进行数据收集消耗的时间，由此建立一个数据收集耗时矩阵，矩阵中的每一个元素值代表相应网格位置的子区域进行数据收集预计消耗的时间，若某子区域不能满足约束延时要求，则需要进一步拆分，数据收集耗时矩阵也随之更新，直到所有子区域都能满足约束要求；在满足约束条件的前提下，合并数据收集耗时较小的相邻子区域，尽量减少子区域的数量，合并的方法是从位于(1，1)的子区域开始，按照从左到右自上而下的顺序合并数据收集耗时较小的相邻子区域，合并后的子区域必须满足约束条件，当某子区域有多个相邻子区域都能与其合并时，选择合并后耗时最小的一个合并。

5.根据权利要求1所述的水下传感器网络高时间分辨率数据虚拟簇收集方法，其特征在于自组织虚拟簇形成方法包括以下步骤：执行器节点进入预设位置后，按照泛洪的方式向周围的传感器节点发布包含各执行器节点信息的网络连接请求，该连接请求在逐跳传递的过程中记录跳转节点路径，一并放入连接请求信息之中；传感器节点接收到某个执行器节点发布的请求信号后，将在本地保存一份，并将该请求信号增加最新跳转路径后发布给其它邻居节点；同时经由原请求信号中记录的跳转路径逆向向执行器节点回送一份带自己节点ID信息的响应信号；一旦某个传感器节点已经接收了一份请求信号并保存后，将不再接收其它节点传递过来的请求信号；重复上述步骤，直到所有传感器节点的回送响应信号被各个执行器节点接收；执行器节点根据多跳回送路径建立各虚拟簇的路由表。

6.根据权利要求1所述的水下传感器网络高时间分辨率数据虚拟簇收集方法，其特征在于虚拟簇和现场监测网络的状态切换包括以下步骤：虚拟簇构建完成后，由执行器节点充当簇头，对簇中传感器节点的高时间分辨率监测数据进行收集，某个传感器节点的数据传送完毕后，将向充当簇头的执行器节点发出缓冲区空的结束命令；执行器节点接收到本簇中所有传感器节点的结束命令后，将发出响应信号；虚拟簇随之解散，网络切换到原来的现场监测网络状态，执行器返回，将收集到的高时间分辨率数据传递给监控中心。

Images