CN104584639A - 内容中心且负载均衡感知的动态数据聚集 - Google Patents

Abstract

一种确定通信链路以用于从第一通信节点发送通信数据到多个邻近候选节点中的任一个的方法，包括i)针对每个候选节点，确定边际处理增益，包括通过在候选节点处聚集所述通信数据而能获得的通信数据减少的测量；以及ii)选择一个候选节点以用于形成所述通信链路，其中该选择至少部分基于针对每个候选节点确定的边际处理增益。

Description

内容中心且负载均衡感知的动态数据聚集

技术领域

此处公开的实施例涉及通信网络中的数据通信。

背景技术

在新兴的例如智能系统(如智能电网和智慧城市)的机器到机器(M2M)应用中，预见将会部署大量的小的且智能的设备，诸如无线传感器节点。预期这些节点将促进用于观察/监测所感兴趣物体的数据的连续感应和收集。随后，所收集到的信息需要被以某种方式传递到控制中心从而允许自适应决策并实现系统自动化。由此可见，存在对多跳路由上，即源节点和目的地节点之间涉及一或多个中间节点的路由上的数据传输的越来越大的需求。

在多跳无线链路上传输原始数据在时间和资源上可能都代价高昂。使用网络中处理和数据聚集，特别是通过相关信息的预处理可以显著减小多跳路由上将被转发的流量总量。例如，高能效的数据聚集和融合方案可以预处理网络内的数据并仅发送处理过的结果，该处理过的结果与其原始大小相比数据量小很多。因此，这些方案可以减少冗余流量并避免针对未来无线网络的数据超载。然而，需要作为先决条件的合适的数据转发方案，从而有效地计算并中继数据。

附图说明

图1(a)图解了在所描述的实施例的领域中的路由方法。

图1(b)图解了在所描述的实施例的领域中的另一路由方法。

图1(c)图解了在所描述的实施例的领域中的另一路由方法。

图2是示出图解此处描述的实施例的通信节点的网络的图。

图3(a)图解了图2网络的中路由的示例。

图3(b)图解了图2网络中的路由的另一示例。

图4(a)图解了图2网络中的路由的示例。

图4(b)图解了图2网络中的路由的另一示例。

图5图解了由图2中网络的节点在做出路由决策时执行的方法的流程图。

图6图解了图2网络中的路由的另一示例。

图7图解了示出网络生存时间相对于上述实施例中所使用的权重因子的变化的表现的图。

图8图解了使用此处描述的实施例的网络相对于网络大小的表现的图。

图9图解了所描述的实施例的示例与现有技术在能耗上的比较。

图10图解了此处所描述的实施例相对于现有技术在节点剩余能量级别的变化系数的表。

图11图解了用于此处所描述的实施例的流量图。

图12图解了用于现有技术的示例的流量图。

图13图解了用于此处描述的实施例的剩余能量图。

图14图解了用于现有技术的示例的剩余能量图。

图15图解了当考虑不同因素时，在网络中可以使用的不同的路由拓扑。

图16图解了此处所描述的实施例中节点间交换的消息信号的序列。

图17图解了网络中节点处接收的流量内容的类型可以如何随时间变化。

图18示出了根据此处描述的实施例，一种节点确定是否重新估计它对于邻近节点的选择以用于中继数据的过程。

图19图解了根据此处描述的实施例，可以如何使用奖励参数以优先转发数据到具有处理该数据的能力的节点。

图20示出了在使用传统避免循环方案的网络中和实现根据此处描述的实施例的方法的网络中流量采用的路径之间的比较。

图21图解了在此处描述的实施例中如何实现到时转发(Time-To-Go-Forward,TTGF)协议的示例。

图22图解了比较传统方法获得的网络生存时间和使用此处描述的实施例获得的网络生存时间的仿真的结果。

图23图解了比较传统方法中和此处描述的实施例中每轮重新传输上花费的平均能耗的仿真的结果。

图24图解了使用此处描述的两种不同的实施例获得的网络流量的比较。

图25示出了根据此处描述的实施例的如何可以通过使用避免循环方案增加网络生存时间的示例。

图26图解了能够实现适于执行此处描述的实施例的方法的通信节点的装置。

具体实施方式

根据第一实施例，提供了一种确定通信链路以用于从第一通信节点发送通信数据到多个邻近候选节点中的任一个的方法，包括：

i)针对每个候选节点，确定边际处理增益，所述边际处理增益包括通过在候选节点处聚集所述通信数据而能获得的所述通信数据减少的测量；以及

ii)选择一个候选节点用于形成所述通信链路，其中该选择至少部分基于针对每个候选节点确定的边际处理增益。

在一些实施例中，通信数据减少的测量被规范化。

在一些实施例中，针对候选节点的边际处理增益包括在分配所述通信数据到该候选节点时的处理增益的测量与在未分配所述通信数据到所述候选节点时的处理增益的测量之间的差异。

在一些实施例中，该边际处理增益是目标函数的一部分，该目标函数还包含本地生存时间增益的测量，该本地生存时间增益定义为由分配所述通信数据到一个或其它邻近候选节点而获得的所述一个或其它邻近候选节点的生存时间的变化。该方法可以包括针对每个候选节点评估目标函数从而确定将被选择来用于通信链路的节点。

在一些实施例中，针对给定候选节点评估目标函数包括：

在通信数据被分配到给定候选节点的情况下，估计每个邻近候选节点的生存时间；

在通信数据未被分配到给定候选节点的情况下，估计每个邻近候选节点的生存时间；

其中在每种情况下，所述本地生存时间被定义为所述邻近候选节点中具有最小的所估计的生存时间的节点的生存时间；以及

其中，基于在通信数据被分配到所述给定候选节点的情况下的本地生存时间和在通信数据未被分配到所述给定候选节点的情况下的本地生存时间之间的差异，确定针对所述给定候选节点的本地生存时间增益。

在一些实施例中，本地生存时间增益的测量由其中通信数据被分配到所述给定候选节点的情况下估计的所述本地生存时间规范化。

在一些实施例中，该目标函数包括对处理增益的测量和对本地生存时间增益的测量的加权和。该加权和可依赖于加权因子，该加权因子被操作以在所述目标函数中，相对于网络生存时间的灵敏度均衡处理增益的测量和本地生存时间增益的测量的效果。

在一些实施例中，邻近候选节点的生存时间通过估计那些邻近候选节点的能耗来估计。

在一些实施例中，每个邻近候选节点的能耗通过定义第一通信节点和各自邻近候选节点之间的链路质量参数来估计，其中链路质量参数反映将需要在所述第一通信节点和所述邻近候选节点之间多于一次地传输数据从而确保数据的成功传送的可能性。该链路质量参数可以定义为了从第一通信节点成功传送一比特(bit)数据到各自邻近候选节点所需要的一比特数据被传输的平均次数。

在一些实施例中，针对每个候选节点，当在分配所述通信数据到所述候选节点中确定所述本地生存时间时，考虑所述第一通信节点的生存时间。

在一些实施例中，所述通信数据包括多个数据类型，并且所述方法包括针对每个数据类型执行步骤i)和ii)。每个数据类型可以包括能够由节点上运行的相应功能或应用聚集的数据，从而减少中继该数据需要的比特数。每个数据类型可以包括反映环境的不同参数的传感器读数。

在一些实施例中，针对每个数据类型，所述边际处理增益是目标函数的一部分，该目标函数还包括对本地生存时间增益的测量，所述本地生存时间增益定义如果分配特定类型的通信数据到一个或其它邻近候选节点时，所述一个或其它邻近候选节点的生存时间的变化。该方法可以包括针对每个候选节点评估所述目标函数，从而确定将被选择以用于特定类型的通信数据的通信链路的节点。

在一些实施例中，针对每个数据类型，所述目标函数包括奖励参数，该奖励参数使得对候选节点的选择偏向具有聚集所述特定类型的数据的能力的节点。

在一些实施例中，在多个间隔处执行所述目标函数。可以基于到达第一通信节点的所述类型的数据变化的量确定所述间隔的大小。该方法可以包括：

在多个间隔的每一个处监测到达所述第一通信节点的不同数据类型的数量；

针对每个间隔，确定已经到达的数据类型的数量与前一间隔相比的变化；

基于所述变化，确定目标函数应该被执行的概率；以及

其中，当发现所述概率高于阈值时，执行所述目标函数。

在一些实施例中，从随机数发生器获得所述阈值。

在一些实施例中，通信数据被包括在数据分组内，该数据分组也包括通信发展因子。所述通信发展因子可以被用于管理对用于在网络中向预期接收节点转发通信的候选节点的选择。

在一些实施例中，所述通信发展因子包括所述第一通信节点所位于的网络的层的指示。当选择用于通信链路的候选节点时，所述第一通信节点不考虑位于更远离接收节点的层中的所有邻近节点作为候选节点，除非这些邻近节点具有对由所述第一通信节点传输的数据类型执行数据聚集的能力。

在一些实施例中，所述通信发展因子包括：

第一通信节点所位于的网络的层的指示，以及

计数器，其中每次通信数据被传输到或者与第一通信节点相同的层中的节点或者更远离接收节点的层中的节点时，所述计数器的值增加。当所述计数器的值达到阈值时，所述第一通信节点将仅仅考虑更接近接收节点的节点作为用于转发所述通信数据的候选节点。

根据另一实施例，提供了一种在通信装置的网络中操作的通信装置，该装置被操作以确定用于从所述装置到多个候选邻近装置中的任何一个的通信的通信链路，所述装置包括处理增益决定器，该处理增益决定器操作以针对每个候选节点确定边际处理增益，所述边际处理增益包括通过在候选节点处聚集所述通信数据而能获得的通信数据减少的测量；以及

通信链路选择器，操作以选择一个候选节点以用于形成所述通信链路，所述选择至少部分基于针对每个候选节点确定的边际处理增益。

根据另一实施例，提供了一种计算机程序产品，包括计算机可执行指令，当所述计算机可执行指令被计算机化的通信装置执行时，使得该装置执行根据第一实施例所述的方法。

图1a图解了如果未发生网络中处理，在现场可能遇到的问题。在这种情况下，在多跳路径上从不相互引用的源节点(由S1-S6指示)发送通信到由U1指示的汇聚节点。如所示地，节点S4、S5和S6以及通信中其后的跳上聚集的通信需要大量的信道容量，否则会出现通信延迟、故障或其它有害的结果。

作为一般性原则，此处描述的实施例利用分布式处理来操作。为大型多跳M2M无线网络呈现一种内容中心和负载均衡感知的分布式数据路由解决方案。由各个仅使用本地信息的节点来做出独立的路由决策。因此，该方法高度自适应于动态环境。

在一个实施例中，描述了用于路由选择的混合目标函数，包括两个主要部分：

1.通过聚集类似的数据类型减少通信流量，从而增加处理增益；

2.均衡邻近节点之间的能耗，从而可以获得更长的本地网络生存时间。

最终，在某些实施例中，也可以通过解决瓶颈节点上的负载均衡问题来延长整个网络生存时间。

传统地，在典型的数据收集场景中，由节点收集的信息被首先发送到中心网关节点(汇点)。该信息随后被处理以用于进一步分析。然而，在许多情况下，由于从不同节点收集的数据高度相关，所以数据可以在转发到汇聚节点的同时被结合或被联合处理。例如，可以存在包含用于监测应用的AVERAGE或MAX读数的数据报告的数据流的相当大的相关性，或者包含用于都感应相同物理事件的多个传感器的传感器读数的数据流的相当大的相关性。

网络中处理应对在网络内的的这种信息的分布式处理从而减少将在昂贵的无线链路上发送的消息的总量，这对能耗以及整个网络效率有显著的影响。然而，该领域中的一个主要问题在于通过考虑各个系统方面，诸如多个共存的应用(针对不同应用产生的数据可能不相关)、异质节点能量级别以及负载均衡问题(一些瓶颈节点会由于高工作负载或低剩余能量而影响整个网络的性能)等，如何处理并中继数据。

过去已经考虑过资源受限的网络中的高效数据收集和聚集。图1b图解了聚类。聚类是一种简单而有效的分层数据收集解决方案，其中聚类头(Cluster-heads,CHs)通过本地区域中节点间的消息传播被轮询，并且一旦它们被选中就将充当网络操作的本地控制器。所以，如图1b中所示，节点S4已经被识别为合适的聚类头(CH)，并且在所聚集的通信的或者通过远距离跳(由①指示)或者经由节点S5通过多跳路径(由②指示)的传输之前，该节点收集来自节点S1、S2、S3、S5和S6的传输。当形成聚类时，同一聚类中的所有分组被直接发送到该CH，并且随后产生总结消息并将总结消息传输回到汇点。

然而，出于负载均衡的目的，需要网络结构的周期重建(重新聚类)，其引起附加的延迟和关于通信开销的额外的能耗。此外，这些算法在动态网络情况下是脆弱的，并且通常假设均匀的流量模式(即，网络中的所有节点周期地报告同一类型的消息)。

与基于聚类的算法类似，基于树的方法(图1c)首先需要基于不同的需求构建合适的树结构，并且随后基于树中的优选方向路由从源流向汇点(树的根)的流量。一旦两个或以上的消息到达处理节点，就发生数据聚集，并且它们的聚集可以被计算并随后转发到下一跳。

然而，基于树的方案的缺点与基于聚类的算法类似。每次应用的流量改变或新的应用到达时，需要基于新的需求重新形成优化的树结构。

因此，在多个应用共存的动态环境中，需要不同的数据聚集路径以用于不同数据类型的有效传送和为不均匀的流量流提供更好的组织。预优化的静态结构不能满足该动态的需求。另一方面，频繁重构全局网络拓扑或计算并构建多重覆盖的树在计算上效率不高，因此这种方法在维护方面是代价高昂的。

此处描述的实施例与传统的聚集方法的不同之处在于考虑若干具有挑战性的问题，诸如，例如内容中心路由和处理、负载均衡、通信可靠性和网络动态性。通过在每个节点上运行目标函数来使用分布式决策制定方法，该分布式决策制定方法考虑处理效率、网络生存时间延长和某些情况下的通信可靠性。此外，实施例实现了通过内容区分网络流量的内容中心技术。因此，基于消息的内容类型，每个节点可以通过执行目标函数构建不同的路由表。通过这样操作，可以通过将相关数据聚集到可以处理数据的节点来减少流量总量。结果，其提高了能量效率并延长了网络生存时间。因此，实施例可以生成作为替代的数据聚集路径以用于不同流量类型的有效传送和为不均匀的流量流提供更好的组织。

此处描述的实施例通过负载均衡技术和分布式处理技术的结合，为具有动态并且不均匀的流量模式的网络提供了有效的路由解决方案。

现在将从网络的角度描述实施例，如图2所示。网络由N个节点V＝{v₁，v₂…，V_N}形成。网关v₀位于网络的中心。节点由电池供能并且每个节点具有有限且无补给的能量供应E(i)。假设不均匀的初始节点能量级别。如在许多实际的系统中，网关v₀被认为是强大的节点并被假设具有比其它节点高得多的初始能量级别，或连接到无限的电源。为了简化，不启用传输功率控制。所以，所有的节点具有固定的通信范围并且它们通过多跳链路被连接。因此，可以形成波状通信环形拓扑。每个环(层)中的节点被分配有层ID，层ID代表到达汇点所需要的跳的最小数量(图2)。

从网络中执行的应用的角度来看，应用A＝{a₁，a₂，a₃…}以概率P_app和生存时间持续期T＝{t₁，t₂，t₃…}随机地到达网关。针对每个应用，需要一定数量的源节点以产生初始数据。可以基于应用要求(例如监测特定区域)来预选择源节点或由网关随机选择源节点。

时间被划分为称为轮(round)的时段，并且假设针对同一应用的所有源节点，以每轮每分组r比特的均匀速率生成流量，但是可以针对不同的应用产生不同的流量速率(R＝{r₁，r₂，r₃…})。

一旦应用的生存时间T到期，相应的源节点将停止为该应用生成数据和发送数据。一旦前一个应用结束，相同的应用就可以以概率P_app重现出现在网络中，并且多个不同的应用可以在网络中共存。

图3a和3b图解了该实施例中采用的方法相对于四个网络节点V1到V4的具体示例。在本实施例的性能中，假设可以在网络中的每个节点上执行诸如SUM、MAX、MIN、AVERAGE等的数据聚集函数(图3a)。在图3a中示出的第一示例中，三个数据源节点V1、V2和V3各自运行温度监测应用。因此，节点v_i(在此情况下是V4)可以将各个进入的消息与它自己的消息(如果v_i也是源节点)一起聚集成单一的外出消息。

然而，假设只有来自同一应用的消息可以被聚集。如图3b所示，源节点之一的V3被示出正在运行湿度监测应用。出于多种原因，可能无法容易地处理不同的数据类型，并且在一些情况下可能无法处理不同的数据类型。例如，计算包含温度读数和湿度读数的数据集合的平均值是没有意义的。

在进行所描述的实施例时，性能的关键在于在每个节点中嵌入目标函数。依赖于概率p，执行目标函数以排列并选择用于转发不同的应用流量的下一跳节点。因此，由每个仅使用本地信息的节点做出独立的路由决策。针对每个数据类型k，由目标函数F选择下一跳节点j，目标函数F以等式1描述：

$F=\underset{j\∈N}{\max }({g_j}^{\′}-{g_j}^{\′\′}+\mathrm{\β}\frac{{L_j}^{\′}-{L_j}^{\′\′}}{{L_j}^{\′}})$ (等式1)

其中第一项g_j’–g_j”是边际处理增益，其计算了通过聚集的规范化的通信数据减少；第二项被定义为规范化的本地生存时间增益；并且β是提供两个参数之间权重的调整参数。

以下，将进一步深入描述每一项。

边际处理增益

在上述表达式中，给出边际处理增益为g_j’–g_j”，其中g_j’是通过将流量k分配到节点j得到的处理增益，并且g_j”是未将流量k分配到节点j得到的处理增益。

在这里，处理增益g被如下计算：

$g=\frac{\underset{k}{\mathrm{\Σ}}{R}_{\mathrm{in}}_j^k-\underset{k}{\mathrm{\Σ}}{R}_{\mathrm{out}}_j^k}{\underset{k}{\mathrm{\Σ}}{R}_{\mathrm{in}}_j^k}$ (等式2)

其中

是针对通过节点j中继的所有应用k的进入流量的总量，并且是总的外出流量。

因此，等式2的分子示出的部分是通过在j上的聚集过程而减少的流量的总量，并且该值随后被除以总的进入流量。

该基本原理有两个主要的原因：

1)规范化处理使得其可在数值上与本地生存时间增益(等式(1)中示出的第二项)互相比较。因此，可以计算出混合增益。

2)出于负载均衡的目的：优选地将流量中继到可以提供相同处理增益(减小相同量的数据)但是具有比已经分配给它的流量少的流量的节点。所以，在具有相同流量减少量的情况下，节点具有的进入流量越大，它可以获得的处理增益越小。

图4a和图4b中示出了上述方法的示例。在每个这些示例中，两个应用(T1和T2)在由6个节点形成的网络中收集数据。节点1、2、3和4是T1的源节点，并且只有节点4为应用T2提供信息。

现在，节点3正在执行目标函数以确定哪个节点应该转发它的流量。

图4a中示出的结构提出通过节点5中继来自节点3的流量，而图4b中示出的结构提出通过节点4中继来自节点3的流量。将以上的公式应用到该情况，出现以下的计算：

情况a

将来自节点3的流量类型T1中继到节点5的边际处理增益为：

g”＝(3000-1000)/3000＝2/3

g’＝(4000-1000)/4000＝3/4

边际处理增益＝g’-g”＝1/12

情况b

将来自节点3的流量类型T1中继到节点4的边际处理增益为：

g”＝(2000-2000)/2000＝0

g’＝(3000-2000)/3000＝1/3

边际处理增益＝g’-g”＝1/3

明显地，在本示例中，节点4(情况b)将被选中，因为它具有较好的处理增益。可以通过针对两个情况直接观察每个通信链路上的流量进一步评估该决策。虽然在两种情况中，在每个链路上具有完全相同量的通信流量，但是情况a中的节点5是瓶颈节点，因为它需要接收和处理针对T1的大部分流量。相反，情况b提供了更加均衡的解决方案。

然而，如果节点被配备有更多的能量，那么理论上它可以中继和处理比具有较少装载(on board)能量的节点更多的信息。然而，处理增益函数中的负载均衡功能不能反映不均匀的节点能量级别。所以，向等式(1)中说明的目标函数加入另一个参数，该参数被称为本地生存时间增益。

本地生存时间增益

如以上所指出地，本地生存时间增益被表示为其中

L_j’是通过将流量k分配到节点j得到的本地生存时间，以及

L_j”是通过不将流量k分配到节点j得到的本地生存时间；

其中，如下计算本地生存时间L：

$L=\underset{j\∈N}{\min }\frac{E_j}{e_j}$ (等式3)

其中

E_j是节点j上的剩余电池能量；e_j是节点j上的总能耗，包括数据聚集、在闪存中读取和写入信息以及传输和接收数据的成本；并且N是候选节点的数量而下一跳节点将从其中选出。

因此，如果节点j是在本地区域中具有最短生存时间的瓶颈节点，那么进一步向该节点分配更多的流量必然减少本地网络生存时间，这也影响整体的网络生存时间。因此，在这种情况下，由本地生存时间增益函数向目标函数增加惩罚。另一方面，如果一些消息被重新引导至远离瓶颈节点，那么给与奖励。因此，不仅通过考虑动态流量流的分布还通过网络中不均匀的电池能量级别来获得负载均衡。

与其为多个应用构建中心化的覆盖树结构或者一旦网络条件变化就重构每个路由拓扑，倒不如采用如下的更稳健的方法：采用分布式决策制定方法，而其中每个节点基于本地信息决定下一跳中继。

在图5中描述本实施例的操作。一旦应用到达网关(S51)，就使用预优化的或默认的路由结构(S52)来收集数据。然而，每个节点j有p的概率通过执行目标函数F改善它的下一跳中继(S53)。在本地区域中广播带有其层ID的本地查询消息(S54)，并且只有它的具有相同或更低层ID的一跳邻近候选节点将使用报告消息应答该查询，该报告消息由它的进入流量信息和外出流量信息以及该节点电池能量级别构成。针对每个流量类型，候选节点由F排行，并且排行最高的那个被选中以中继对应的流量(S55)。

执行F的频率由概率p确定。然而，如果节点j上没有产生数据或者节点j没有中继数据，那么p变为0。然而，如果节点j处出现新的流量，那么该过程继续。

通信循环会引起多跳M2M网络中的多个问题，诸如流量拥塞、分组丢失(由于生存时间期满)以及经过循环消息的重复处理和传输的附加能耗。因此，为了解决该问题，可以将回复限制加到本地查询消息，以使得只有合格的邻近节点才可以回答该查询。

限定了到时转发(TTGF)量，其为代表强迫从网络的外层到预期的汇点的通信的一般发展的计数的整数值。在以下方法中该量的使用将示出TTGF如何影响该发展。

在本实施例中，针对目标节点规定三条规则以生成查询消息：

1.已经向目标节点发送任何应用流量的任何父节点不可以成为用于对应流量的候选节点，除非找不到其他合格的候选节点。

2.具有比目标节点更高层ID的任何节点不可以被选中作为候选节点，除非找不到其他合格的候选节点。

3.当到时转发(TTGF)计数已经失效时，只有具有较低层ID的那些节点可以成为下一跳候选节点，除非找不到其他合格的候选节点。

如读者将理解地，TTGF量的使用类似于生存时间(Time-to-Live,TTL)的概念，即加到查询消息的报头的比特。简而言之，如果发送方具有与接收方相同或比接收方低的层ID，那么TTGF计数减1。如果具有不同TTGF值的多个消息被聚集到单一消息，那么在数据聚集之后使用最小的TTGF值。如果已经完成成功的转发中继传输(较高层→较低层)，那么该TTGF值被设为默认值(通常为正整数)。

图6中示出了上述方法的示例，其示出了网络的一部分，以及与各个其它节点(由2到6标记)通信的并进而与基站或网关通信的第一节点(由1标记)。

三个事件被标识为事件(a)、事件(b)和事件(c)。事件(a)包括从节点1到节点4的通信，以及关于使用哪个节点以用于向前传输的决策。事件(a)代表从层3到层2的传输。下一跳可以如所示地包括到节点2、3、5和6中的任一个的通信。

因此，TTGF被设为默认值(在这种情况下，默认值＝1)并且相同或更低层中所有的一跳邻近节点可以是下一跳候选节点。

事件(b)包括从节点2到节点4的通信。在这种情况下，TTGF值在目标节点处减少1之后，其仍然大于0。因此，相同层中的邻近节点仍然有资格以用于下一跳候选。因此，除了节点2(其为事件(b)的父节点)之外，节点3、5和6将竞争成为下一跳中继。

最后，事件(c)包括从节点3到节点4的跳，并且TTGF被设为1。由于情况(c)的TTGF在节点4处变为0，所以只有那些具有较低层ID的节点(节点5和节点6)有资格作为候选选择并中继该查询消息。

因此，通过使用TTGF，特定跳中未被转发得更接近汇点的消息通过选择较低层节点作为下一跳候选节点而被强制转发得更接近汇聚节点。同时，诸如TTL的其它机制也可被使用以使得循环消息能被舍弃。

此处描述的实施例通过整合分布式计算技术和负载均衡技术提供了提高网络的生存时间的潜能。

通过分布式处理和数据聚集，通信消息的总量被显著降低，因此保存了有限的能量资源。此外，通过考虑动态流量流和剩余的节点能量级别的均衡的路由决策可以避免将大量的流量转发至瓶颈节点。因此可以获得更长的网络生存时间。

由各个使用本地消息传播的节点做出独立的路由决策。因此，对于网络的动态性而言它是稳健的，并且对于大型网络而言可扩展。

可以通过仿真评估上述实施例并且将其与预优化的但是静态的树拓扑(STree)和只有汇点处理数据的传统中心化的处理方法(中心)相比较，该实施例之后将被称为“内容中心且负载均衡感知动态数据聚集”(CLADA)。

现在将讨论权重因子β的效果。图7图解了示出针对根据所描述的实施例操作的典型网络，β对网络生存时间的影响的图。如可见到地，在计算目标函数时，较大值的β对本地生存时间增益施加更大的权重，因此其针对瓶颈节点产生了较小的目标函数输出值。因此，这将增加避免对瓶颈节点的进一步通信分配的趋势，否则将使本地生存时间变短。然而，如可观察到地，在β值的某个极限以上，增大β的效果显著变小。

图8示出了在延长具有不同网络规模的网络生存时间时该算法的性能。节点密度相同(0.0025节点/m²)。当网络宽度增加到100米时，最远区域中的节点需要大约3-4跳以到达汇点。可以观察到，与STree相比CLADA具有大约30％的网络生存时间的提高，并且CLADA比中心方法好四倍以上。当网络尺寸进一步增加时，这些性能的差距甚至变得更大。

在图9中图解了处理、在闪存中读取和写入数据、通信和总成本的每轮总能耗。网络宽度被设为200米，节点密度相同。将会注意到通信部分在总能耗中占主导地位。因此，通过利用分布式处理以降低通信数据量，CLADA和STree与中心方法相比节约了通信上花费的能耗的几乎75％。此外，处理成本太小而难以注意到差异。每轮处理的成本被列出如下，其中针对分布式处理，CLADA和STree分别花费92.1μJ和92.5μJ，而中心方法具有少得多的计算事件，与CLADA和STree相比仅涉及一半的处理成本(42.1μJ)。然而，与通信部分相比，处理中的差异可以忽略。

图10指示了节点剩余能量级别的变化系数。较大的值代表节点剩余能量级别更大的变化，其意味着更差的负载均衡。可以观察到，所描述的CLADA在负载均衡中具有比STree和中心方法都好的性能。此外，当仿真时间流逝时，从源节点生成的原始数据变化(例如，新的应用的到达或旧的应用的终止)，导致流量流中的动态性。由于使用CLADA的节点可以通过监测本地流量模式改善它的路由，所以当通信流量中已经发生实质变化时，在较后期它展现出了比STree更好的性能。

在图11到图14中，提供了用于CLADA和中心方法的流量图和剩余能量图的可视化比较。图11和图12的流量图中的线宽代表多少数据通过该链路流动，而图13和图14的能量图中点的大小指示相应的节点电池能量级别。可以看出，中心方法与CLADA相比具有大得多的通信流量。此外，由于较靠近汇点的区域中的节点需要为位于外层区域中的那些节点中继信息，所以可以在用于中心方法的网络的中心处观察到大的流量等级。这会容易引起热点问题。相反，在聚集之后，CLADA具有小得多的通信数据量。此外，通过观察剩余能量图，也可以观察到CLADA保存了更多的能量并且具有更均衡的能耗。

CLADA可以通过聚集相关数据而被用于减少通信流量。从而增加处理增益。考虑不均匀的节点剩余能量级别，CLADA可以帮助均衡邻近节点间的能耗，这避免了热点节点的早期能量耗尽。然而，CLADA没有考虑通信链路质量并且假设了完美的信道条件。在一些情形下，在糟糕的通信链路上发送分组会在由于分组丢失造成的额外重发上浪费能量。因此，理想的是也考虑通信可靠性。当然，多跳无线M2M网络中的能量效率和通信可靠性可能自身呈现相互矛盾的目标。也就是说，提供最大的流量减少以节约无线传输上的能量的路由可能不是出于通信可靠性目的的理想候选路由。

图15提供了这些不同的考虑会对路由拓扑的影响的示例。图15(a)示出了由6个节点和一个网关节点(标记为G)形成的网络设置。这里，意图从源节点1、2、3(由S标记)发送流量到网关节点(G)。网络中每对节点之间的线示出了通信链路。画为虚线的线被用于代表不可靠的通信链路。这些链路可能例如因为那些节点之间出现的障碍或其它干扰源而不可靠。

图15(b)示出了如果仅考虑通信可靠性而采用的路由拓扑。图15(c)示出了如果仅考虑由流量减少节约的能量而采用的路由拓扑。图15(d)示出了构建路由拓扑时考虑了能量效率和通信可靠性的示例。

如可以看出地，图15(b)的路由拓扑具有的流量的量比图15(c)和15(d)中示出的高。相反，由于有效的数据聚集，图15(c)中示出的网络具有最小的通信量。

然而，在这种情况下，仍然在两条不可靠的通信链路(即，从节点1到节点5以及节点3到节点5)上发送流量，其可能会导致诸如分组丢失、以及需要消耗用于从节点1和节点3重新传输数据到节点5的附加能量的问题。图15(d)示出了如下的解决方案，通过可靠的链路转发数据到合适的节点，在合适的节点处数据可以被聚集。由此可见，希望提供可以找到在能量效率、处理效果和通信可靠性之间平衡的智能算法。

现在将描述进一步的实施例，其中明确地考虑了信道/链路质量以恰当地估计做出路由决策时的本地网络生存时间。在本实施例中，引入了修改的目标函数，该目标函数不仅考虑由内容中心数据聚集造成的流量减少增益，还意图通过可靠的通信链路上传送每个通信单元(例如分组)。因此，可以获得低的分组丢失率和长的网络生存时间。此外，提出了一种简单但是有效的通信循环控制方案以促进分布式处理并通过流量减少节约通信上花费的能量。

本实施例提供了高效的数据聚集和可靠的传送方案，该方案可以显著地延长网络生存时间从而提供网络维护的节约并降低节点重新部署的成本。在此描述的算法可以被应用于各种无线网络中以作收集数据之用，诸如无限自组织、传感器网络。

现在描述的实施例的主要目标是在可靠的通信链路上构建覆盖的内容中心数据聚集拓扑，并且优化每个内容信息流和通信拓扑从而高效地路由和处理有损无线网络中的不同数据类型。

本实施例是之前描述的实施例的逻辑扩展，并在此处被称为链路质量感知内容中心数据聚集(LACDA)。如以下所讨论地，本实施例引入了具有如下特点的新的目标函数：链路质量感知本地生存时间估计、内容和上下文感知动态概率以执行该目标函数，以及下一跳候选选择机制以避免通信循环。

LACDA是分布式方法，它的操作如下描述。一旦应用请求到达网关，首先使用默认的路由结构收集数据，例如使用形成DAG拓扑的RPL。随后每个节点有动态概率p通过执行目标函数F来改善它的下一跳中继。

图16示出了在目标节点(即意图执行目标函数F的节点)和它的相应邻近节点之间交换的消息信号的序列的示例。在步骤S161中，目标节点将本地查询消息广播到它的一跳邻近节点。该查询消息包括目标节点的外出流量内容类型和相应的通信量以及候选选择标准(例如之后描述的TTGF比特)。合格的下一跳候选节点使用各自的ACK消息响应目标节点(步骤S162)。每个ACK消息包括由F要求的信息，诸如响应方的ID，以及在指定流量被发送到该节点的情况下估计的响应方的节点生存时间。该目标节点可以使用ACK消息中包含的信息以针对每个邻近节点计算目标函数。这么做时，该目标节点建立了针对不同节点的候选排行并选择具有最高排行的节点以中继相应的流量。在步骤S163中，目标节点已经选择了中继相应流量的节点，该目标节点更新路由表并广播包括用于该流量内容的新的下一跳节点ID的路由更新通知消息。之前的中继节点发送LEAVE ACK消息(步骤S164)，而新的下一跳节点使用JOIN ACK消息回答(步骤S165)。以这种方式，可以动态地更新用于多个流量内容类型的覆盖树拓扑。

在动态网络环境中，大多数路由协议周期地更新它们的路由信息并使路由表跟上更新。然而这么做引起了附加的控制开销。在诸如低能量和有损网络的资源受限的网络中，信令消息应该被控制从而保存有限的装载的节点能量。在本实施例中，在时间t处执行目标函数的频率被概率p(t)控制。在各个节点上独立地计算该概率并且不需要任何本地或全局的网络信息。概率p(t)被如下的等式4定义：

$p\left(t\right)=\min \left(\underset{t_1}{\overset{t}{\mathrm{\Σ}}}\right|{\mathrm{\Δ}}_k|\×p_{\mathrm{default}},1)$ 等式(4)

这里，Δ_k是在一个时间轮(一“轮”是基本的时间单元)中的各个节点的流量内容变化；t是当前的时间间隔，t₁表示节点运行目标函数时的上一次时间间隔并且P_default是预优化的概率。图17示出了在不同的时间间隔可以如何计算Δ_k的示例。

图18示出了图解给定时间间隔t的p(t)值将如何确定目标节点是否在该时间间隔执行目标函数的流程图。如果由于流量内容变化而产生了大值的Δ_k，那么执行目标函数的概率增加。另一方面，当网络稳定且Δ_k小时，概率p减小。如果没有发生变化，那么概率p甚至可能为0，这有效地减小了控制开销。如果在足够长的时间段内，节点不运行目标函数，那么小的内容变化的积累也会导致p值随时间增加并且最终触发节点执行目标函数。一旦发生这种情况，t₁被设为t且p(t)被设回为P_default。这么做确保了即使在缓慢变化的环境中，路由表依然跟得上更新。如可以看出地，在稳定的网络中执行目标函数的概率比在动态变化的网络中执行目标函数的概率低得多。

在本实施例中，在目标节点i上执行目标函数F从而在N个邻近候选节点中为每个流量类型(内容)k找出最合适的下一跳节点j。由于流量由它的内容类型区分，所以目标节点可以通过执行目标函数为每个内容k构建不同的路由表。

在等式5中描述了新的目标函数F，其基于CLADA实施例的等式1中示出的函数。

$F=\underset{j\∈N}{\max }({g_j}^{\′}-{g_j}^{\′\′}+\mathrm{\β}\frac{\widehat{l_j}-l_{j^{*}}}{\widehat{l_j}}+{\mathrm{\ξ}}_j^k)$ (等式5)

如在CLADA实施例中，第一项g_j’–g_j”是如前定义的处理增益，并且β是权重参数。这个新的目标函数存在两个主要的差异，它们是链路质量感知本地网络生存时间估计和新的奖励参数下面将详细地讨论二者。

引入奖励参数以适应节点的不均匀的处理能力。例如，由于硬件或软件限制，某些节点可能只能处理特定的内容类型，而其它节点可能不能处理任何数据类型。在这种情况下，节点仅仅充当中继，而不处理所接收的数据。该奖励参数被用于给予可以处理相应的内容k的节点j附加的信任。该奖励参数的值被定义如下：

其中节点j不可以处理流量内容k；以及

其中节点j可以处理流量内容k(σ为常数)

本领域技术人员将可以理解，假如将流量k路由至节点j将减少流量k的量，那么F中的边际处理增益已经给予能够处理内容k的节点j信用。因此，即使在缺少奖励参数的情况下，流量更可能被转发到能够在仅中继该数据之外处理该数据的节点。然而如果节点j具有处理内容k的能力但是当前没有其它流量k被路由经过j，那么因为没有流量减少所以处理增益为0。在该实例中，奖励参数可以帮助确保流量仍然被转发到该节点j。

图19提供了奖励参数可以如何确保数据被优先地转发到能够处理该数据的节点的示例，即使通过这么做获得的边际处理增益不那么大。图19(a)示出了其中目标节点3希望发送1000比特的流量内容k到网关节点G的情况。该目标节点拥有通过两个中继节点2和4之一发送该数据的选择。这些节点之一的节点2能够处理内容k(即节点2可以将该类型的流量内容与从其它节点接收的类似内容聚集从而减少需要被中继的比特总数)。因此，节点2被分配了参数ξ＝0.05。相反，另一个节点4只能中继流量内容k并且不具有将该数据与从其它节点接收的类似数据聚集的能力。因此，针对节点4的奖励参数被设为0。如图19(a)中所示，节点2目前正在接收来自独立于目标节点的另一节点1的1000比特的流量内容k。

目标节点3可以执行目标函数从而确定两个节点2和4中的哪一个应该被用于中继到网关节点的流量。使用等式5，该目标节点将针对节点2计算目标函数F₂如下：

$F_2={g_2}^{\′}-{g_2}^{\′\′}+{\mathrm{\ξ}}_2^k=\left(\frac{2000-1000}{2000}\right)-\left(\frac{1000-1000}{1000}\right)+0.05=0.55$

(注意为了简化，在以上的示例中，不考虑链路质量感知本地网络生存时间估计)。

类似地，针对节点4的目标函数F₄可以被确定如下：

$F_4={g_4}^{\′}-{g_4}^{\′\′}+{\mathrm{\ξ}}_4^k=0-0+0=0$

在该示例中，即使缺少奖励参数，节点2仍然被选作下一跳节点。

也可以针对图19(b)执行相同的计算，除了节点2不再接收来自任何其它节点的数据，该图示出了与图19(a)类似的情况。在这种情况下，目标函数F2和F4返回如下值：

$F_2={g_2}^{\′}-{g_2}^{\′\′}+{\mathrm{\ξ}}_2^k=0.05$

$F_4={g_4}^{\′}-{g_4}^{\′\′}+{\mathrm{\ξ}}_4^k=0$

在这种情况下，缺少奖励参数ξ，F₂和F₄会返回相同的结果0。通过给节点2分配奖励参数ξ，可以确保该目标节点仍然将数据k发送到节点2，之后在节点2处该数据有被处理或聚集的可能。因此，虽然与F中的其它参数相比，σ的值可以相对小，但是它偏向转发流量到能够处理所讨论的特定类型的内容的节点。

链路质量感知本地生存时间估计

由于无线链路的动态性质，存在各种链路质量估计方法。例如，ETX(预期传输计数)是一种用在诸如RPL的许多个路由协议中的普遍的链路质量/可靠性参数。本质上，ETX定义了为了成功地将消息传送至目的地发送方需要传输的平均次数。可以看出，一旦SNR超过阈值，不管实际SNR的值，分组成功率将维持为高，并且如果SNR低于阈值，那么分组成功率将大大降低。

链路的ETX值可以容易地被转换为通过该链路每分组传输上花费的能量的平均量。以这种方式，ETX可以被用于评定通信链路质量，其随后可被用于帮助估计本地网络生存时间。本领域技术人员将理解，虽然本实施例在它的计算中使用ETX，但是也可以应用具有对估计函数简单修改的其他链路质量测量技术。

以下，将解释等式5中的本地生存时间增益参数

这里，l_j*是目标节点i和它的N个下一跳候选节点之中的当前本地网络生存时间，并且j*是当前选择的下一跳节点。是估计的本地网络生存时间，其假设内容流量被转发至新的候选节点j而不是j*。

本地生存时间被定义为目标节点i和它的N个合格的邻近候选节点之中的最小节点生存时间。因此，可被计算如下：

$\widehat{l_j}=\min (\underset{j\∈N}{\min }\frac{E_j}{\widehat{e_j}},\frac{E_i}{\widehat{e_i}})$

其中E_i和E_j分别是用于目标节点和候选节点的当前电池能量，和是在节点j被选作下一跳节点以中继流量k的情况下的两个节点的估计的能耗。该估计的能耗可以例如考虑处理数据与传输和接收数据的成本。

通过将流量k从当前的下一跳节点j*切换到候选节点j，可以基于目标节点当前的能量成本e_i*计算目标节点的估计的新的能耗(等式6)：

${\hat{e}}_i=e_i^{*}-({\mathrm{ETX}}_i^{j*}-{\mathrm{ETX}}_i^j)\×U\×e_t$ (等式6)

其中和分别代表从节点i到节点j*的当前链路的ETX值和从节点i到节点j的新的链路的ETX值。由于本实施例使用分布式方法并且仅考虑一跳邻居，所以该EXT值也是基于一跳的。该值U是节点i发送的针对流量内容类型k的数据总量(以比特计)，并且e_t是传输1比特数据的能耗。

类似地，除了节点j*之外的每个候选节点的估计的能耗可被计算如下：

${\hat{e}}_j=e_j^{*}+U\×e_r+U\×e_p+{\mathrm{ETD}}_j^{\mathrm{nexthop}}\×U_p\×e_t$ (等式7)

这里，e_r和e_p分别是涉及接收和处理1比特数据的能耗。U_p是处理之后该节点j必须发送到它的下一跳节点的附加数据量。如果节点j不能处理内容k，那么U_p＝U。

候选选择和避免循环

通信循环会引起多跳网络中的多个问题，诸如流量拥塞、分组丢失(由于生存时间期满)以及在循环消息的重复处理和传输中消耗的附加能量。

在RPL中，消息报头被用于检测通信循环。本质上，如果信息应该被“向上”发送到根节点，RPL不允许消息被“向下”路由到子节点。如果检测出循环，那么舍弃该消息并执行本地修复。然而，这样的避免循环方案限制了将被选为下一跳中继的邻居的数量。结果，其限制了执行分布式处理的可能性并减少了网络通信量。相反，假如可以在TTGF容许范围内获得较高的处理增益，那么LACDA方法允许逆行流量。

可以通过比较图20(a)和20(b)看出LACDA方法和传统RPL方案的区别。图20(a)示出了RPL中使用的避免循环方案，其不允许逆行流量。参考图20(a)，一旦从i+1层中的第一节点2发送数据到较低层i中的第二节点3，那么不可以通过原始层i+1中的第三节点1中继该数据，不管该节点1可能拥有的任何处理能力。图20(b)示出了由LACDA使用的方法，其中会允许逆行流量。这里，认识到节点1对数据的处理将减少整体的通信量。因此，第二层i中的节点3被允许通过更高层i+1中的节点1中继数据。

在本实施例中，重新定义到时转发(TTGF)限制从而选择合适的邻近节点作为候选节点以应答本地查询消息并避免通信循环。如之前所讨论地，TTGF是与生存时间(TTL)字节类似的概念，其可以被加到数据分组的报头。

TTGF与节点层ID一起工作，其代表每个节点到达汇点所需的跳的最小数量。TTGF包括两个参数：(1)TTGF层ID和(2)TTGF计数。该TTGF层ID是指向消息已经到达的最低节点层ID的指针。当转发消息到更接近汇点时，该TTGF层ID被更新。如果做出成功的转发传输(即，当前/接收节点层ID<TTGF层ID)，那么TTGF层ID的值被更新以反映当前的节点层ID。TTGF计数作为“向下计数”参数起作用，其偏向选择那些更接近汇点的候选节点。当消息被转发到具有与TTGF层ID的节点层ID相同的节点层ID或比TTGF层ID的节点层ID更高的节点层ID的接收方节点时，TTGF计数减小1。一旦TTGF计数达到0，只有具有比目标节点的层ID低的层ID的节点可以被选作下一跳候选节点。每次TTGF层ID被更新时，该TTGF计数被重置到默认值。

因此，所修改的TTGF协议允许消息被中继到一定容许值内的相同或甚至更高深度的网络层内的节点，以使得可以找到合适的处理节点以聚集数据。另一方面，如果在一定数量的中继跳之后，消息仍然需要更“靠近”汇点，那么向下计数参数中的减少迫使目标节点选择较低层中的节点作为下一跳候选节点。

图21示出了实际中TTGF协议可如何工作的示例。在该图中，网络包括节点1到节点6以及网关G。节点1位于网络的层3，节点2、3和4位于层2，以及节点5和6位于层1。如图中所示，节点1和2传输各自的消息a、b到位于网络的层2中的节点4。在每个情况下，节点4将执行目标函数从而确定它的哪个邻近节点为向网关G中继消息提供最好的候选。

如可以看出地，对于消息a，开始TTGF层ID被设为3，反映节点1位于网络的层3的事实。对于消息b，开始TTGF被设为2，因为节点2位于网络的层2。在该示例中，用于两个消息的TTGF计数被初始设为1。

当到达目标节点4时，用于消息a的TTGF层ID被更新为2，反映从层3到层2的变化。由于TTGF层ID减小，所以TTGF计数被重置为默认值，该默认值通常是大于0的正整数。在该实例中，一跳邻近节点2、3、5和6中的任意一个可以被考虑作为针对节点4的下一跳候选节点。

对于消息b，从节点2到节点4的传输中，TTGF层ID保持相同。因此TTGF计数被减1，变为0。结果，只有具有较低层ID的那些节点(节点5和节点6)将有资格被选为候选并将应答由目标节点4发送的查询消息。

执行仿真从而评价所提出的算法相对于传统方法的性能。除非另行说明，否则在网络区域中以0.005节点/m²的节点密度均匀地分布节点。网关节点被布置在网络区域的中心。假设三个具有不均匀流量速率的应用。每个应用具有相同的到达概率0.05，但是具有100-200轮(一轮是仿真中使用的基本时间单元)之间随机选择的操作持续时间。假设节点在开始时具有4-6J范围中不等的能量级别。TTGF计数被设为2并且控制分组大小被假设为500比特。

在这些仿真中，所提出的算法LACDA和CLADA都与静态但预优化的最大生存时间树拓扑“静态树”以及没有分布式处理的中心处理机制“中心”比较。图22示出了在延长网络生存时间方面算法的性能。定义了测试参数网络分割生存时间(NPL)，其为直到网络中一定数量的节点已经降低能量储备并且链路连接开始分割且不能提供完整的网络覆盖的时间段。如图22中所示，CLADA算法和LACDA算法相比于传统的静态树和中心算法都提供了网络生存时间的显著增加。

图23示出了针对每个方法每轮重新传输上花费的能耗。如可以看出地，LACDA算法231提供了最好的性能，因为它具有用于重新传输的最低平均能耗。当与静态树方法233或中心方法234相比时，CLADA算法232也提供了重新传输上花费的平均能量方面的显著降低。也就是说，形成了更加可靠的路由拓扑。

图24提供了CLADA方法和LACDA方法之间的比较。图24(b)和图24(c)示出了与图24(a)中示出的初始流量程度相比，50轮时间之后针对各个方法的网络流量的程度。图24说明与初始网络流量相比，CLADA和LACDA都通过数据聚集获得了流量方面的降低，虽然LACDA也确保了通过不可靠链路发送较低的通信量。

最后，图25的表示出了在LACDA方案中使用设计的避免循环机制TTGF的益处。当TTGF被设为0时，只有相比于目标节点具有更低的层ID的节点可以成为下一跳候选节点，这样显著降低了可能的数据聚集的概率。在表中可以看出针对TTGF＝0的显著的生存时间减少。

虽然读者将理解以上实施例可以应用到任何网络以及这样的网络中的多种通信装置，但是图26中示出了提供能够实现此处描述的实施例的装置的典型装置。如图所示，装置100包括耦合到大容量存储单元122并访问工作存储器124的处理器120。虽然，如图所示，用户应用126和通信控制器128由存储在工作存储器124中的软件产品代表，但是将理解，用户应用126的元件和通信控制器128可以为了方便而存储于大容量存储单元122中。使用用于将软件加载到存储器中和将数据存储到大容量存储单元122中的通常程序。处理器120也通过总线130访问用户输入单元136和用户输出单元138。通信单元132操作以影响与其他装置的无线或有线通信。

由处理器120执行通信控制器软件128使得实现了如此处描述的实施例。通信控制器软件128可以被嵌入在原始设备中或可以在制造之后作为整体或部分被提供。例如，通信控制器软件128可以作为整体被引入为计算机程序产品(可以以下载的形式)，或通过计算机程序存储介质(诸如光盘)被引入。作为替代地，可以由更新或插入做出对现有通信控制器128的修改以提供以上描述的实施例的特征。

令人信服地，此处描述的实施例可以在用于多个点到点路由目的的大范围无线网络的任意一个中被实现，诸如无线传感器网络、自组织网路、体域网、AMI网络、Wi-Fi网、Flash Air网络和其他任意M2M网络。特别地，针对资源受限的M2M网络中的数据收集，使用大量的异质传感器节点以用于持续的感知和数据收集。高效的数据聚集和传送方案可以显著地延长网络生存时间。因此，此处描述的实施例提供了用于网络维护上的显著节约以及降低节点重新部署开支的潜能。

虽然已经描述了某些实施例，但是这些实施例仅以示例的方式被呈现，并且不意在限制本发明的范围。实际上，可以以多种其它方式实现此处描述的新型方法和装置；此外，在不偏离本发明的精神的情况下可以对此处描述的方法和装置的形式做出各种省略、替换和改变。所附的权利要求和它们的等同物意在覆盖落入本发明的范围和精神内的这样的形式或修改。

Claims (25)

1.一种确定通信链路以用于从第一通信节点发送通信数据到多个邻近候选节点中的任一个的方法，包括：

i)针对每个候选节点，确定边际处理增益，所述边际处理增益包括通过在所述候选节点处聚集所述通信数据而能获得的所述通信数据减少的测量；以及

ii)选择一个所述候选节点用于形成所述通信链路，其中该选择至少部分基于针对每个候选节点确定的所述边际处理增益。

2.根据权利要求2所述的方法，其中所述通信数据减少的测量被规范化。

3.根据权利要求1或2所述的方法，其中针对候选节点的所述边际处理增益包括在分配所述通信数据到该候选节点时的处理增益的测量与在未分配所述通信数据到所述候选节点时的处理增益的测量之间的差异。

4.根据前述任一权利要求所述的方法，其中所述边际处理增益是目标函数的一部分，该目标函数还包含本地生存时间增益的测量，所述本地生存时间增益定义为由分配所述通信数据到一个或其它邻近候选节点而获得的所述一个或其它邻近候选节点的生存时间的变化；

所述方法包括针对每个候选节点评估所述目标函数从而确定将被选择来用于所述通信链路的节点。

5.根据权利要求4所述的方法，其中针对给定候选节点评估所述目标函数包括：

在所述通信数据被分配到所述给定候选节点的情况下，估计每个所述邻近候选节点的所述生存时间；

在所述通信数据未被分配到给所述定候选节点的情况下，估计每个所述邻近候选节点的所述生存时间；

其中在每种情况下，所述本地生存时间被定义为所述邻近候选节点中具有最小的所估计的生存时间的所述节点的生存时间；以及

其中，基于在所述通信数据被分配到所述给定候选节点的情况下的所述本地生存时间和在所述通信数据未被分配到所述给定候选节点的情况下的所述本地生存时间之间的差异，确定针对所述给定候选节点的所述本地生存时间增益。

6.根据权利要求5所述的方法，其中所述本地生存时间增益的测量由其中通信数据被分配到所述给定候选节点的情况下估计的所述本地生存时间规范化。

7.根据权利要求4到6中任一个所述的方法，其中所述目标函数包括所述处理增益的测量和所述本地生存时间增益的测量的加权和。

8.根据权利要求7所述的方法，其中所述加权和依赖于加权因子，所述加权因子被操作以在所述目标函数中，相对于网络生存时间的灵敏度均衡所述处理增益的测量和所述本地生存时间增益的测量的效果。

9.根据权利要求5到8中任一个所述的方法，其中所述邻近候选节点的生存时间通过估计那些邻近候选节点的能耗来估计。

10.根据权利要求9所述的方法，其中每个邻近候选节点的所述能耗通过定义所述第一通信节点和各自邻近候选节点之间的链路质量参数来估计，其中所述链路质量参数反映将需要在所述第一通信节点和所述邻近候选节点之间多于一次地传输数据从而确保数据的成功传送的可能性。

11.根据权利要求10所述的方法，其中所述链路质量参数定义为了从所述第一通信节点成功传送一比特数据到所述各自邻近候选节点所需要的一比特数据被传输的平均次数。

12.根据权利要求10或11所述的方法，其中针对每个候选节点，当在分配所述通信数据到所述候选节点中确定所述本地生存时间时，考虑所述第一通信节点的生存时间。

13.根据权利要求1到12中任一个所述的方法，其中所述通信数据包括多个数据类型，并且所述方法包括针对每个数据类型执行步骤i)和ii)。

14.根据权利要求13所述的方法，其中每个数据类型包括能够由节点上运行的相应功能或应用聚集的数据，从而减少中继该数据需要的比特数。

15.根据权利要求14所述的方法，其中每个数据类型包括反映环境的不同参数的传感器读数。

16.根据权利要求13到15中任一个所述的方法，其中针对每个数据类型，所述边际处理增益是目标函数的一部分，该目标函数还包括本地生存时间增益的测量，所述本地生存时间增益定义如果分配特定类型的通信数据到一个或其它邻近候选节点时，所述一个或其它邻近候选节点的生存时间的变化；

所述方法包括针对每个候选节点评估所述目标函数，从而确定将被选择以用于所述特定类型的通信数据的通信链路的节点。

17.根据权利要求16所述的方法，其中针对每个数据类型，所述目标函数包括奖励参数，该奖励参数使得对所述候选节点的选择偏向具有聚集所述特定类型的数据的能力的节点。

18.根据权利要求16或17所述的方法，其中在多个间隔处执行所述目标函数，基于到达所述第一通信节点的所述类型的数据变化的量确定所述间隔的大小。

19.根据权利要求18所述的方法，包括在多个间隔的每一个处监测到达所述第一通信节点的不同数据类型的数量；

针对每个间隔，确定已经到达的数据类型的数量与前一间隔相比的变化；

基于所述变化，确定所述目标函数应该被执行的概率；以及

其中，当发现所述概率高于阈值时，执行所述目标函数。

20.根据权利要求19所述的方法，其中从随机数发生器获得所述阈值。

21.根据前述任一权利要求所述的方法，其中所述通信数据被包括在数据分组内，该数据分组也包括通信发展因子，

其中所述通信发展因子被用于管理对用于在网络中向预期接收节点转发通信的候选节点的选择。

22.根据权利要求21所述的方法，其中所述通信发展因子包括所述第一通信节点所位于的网络的层的指示，

其中，当选择用于所述通信链路的候选节点时，所述第一通信节点不考虑位于更远离接收节点的层中的所有邻近节点作为候选节点，除非这些邻近节点具有对由所述第一通信节点传输的数据类型执行数据聚集的能力。

23.根据权利要求21或22所述的方法，其中所述通信发展因子包括：

所述第一通信节点所位于的网络的层的指示，以及

计数器，其中每次所述通信数据被传输到或者与所述第一通信节点相同的层中的节点或者更远离所述接收节点的层中的节点时，所述计数器的值增加；

其中，当所述计数器的值达到阈值时，所述第一通信节点将仅仅考虑更接近所述接收节点的节点作为用于转发所述通信数据的候选节点。

24.一种在通信装置的网络中操作的通信装置，该装置被操作以确定用于从所述装置到多个候选邻近装置中的任何一个的通信的通信链路，所述装置包括处理增益决定器，该处理增益决定器操作以针对每个候选节点确定边际处理增益，所述边际处理增益包括通过在所述候选节点处聚集所述通信数据而能获得的通信数据减少的测量；以及

通信链路选择器，操作以选择一个所述候选节点以用于形成所述通信链路，所述选择至少部分基于针对每个候选节点确定的边际处理增益。

25.一种计算机程序产品，包括计算机可执行指令，当所述计算机可执行指令被计算机化的通信装置执行时，使得该装置执行根据权利要求1到23中任一个所述的方法。