CN105722173A - 基于双向吸引机制的大规模WSNs拓扑控制方法 - Google Patents

Abstract

本发明公开了一种基于双向吸引机制的大规模WSNs拓扑控制方法，其实现过程为：构建有m0个节点的初始全耦合网络；每次加入一个新节点，按照权重优先选择其通信半径内的m个节点建立连接直至达到网络规模；以基站为起点，在节点通信半径内，以点权和间距作为衡量参数，采用双向吸引机制形成簇头节点；将普通节点加入其通信半径内距离最近且未达阈值的簇至拓扑完成。本发明与现有技术相比优点在于所设计算法更能真实反映大规模WSNs的演化过程和层次型成簇特性，可实现网络负载均衡，具有很好的可扩展性，可用于大型建筑结构健康监测、森林防火、大流域生态监测、战场分析和区域自然灾害防控等大规模WSNs的节点部署应用。

Description

基于双向吸引机制的大规模WSNs拓扑控制方法

技术领域

本发明属于无线通信技术领域，涉及一种无线传感网的网络拓扑模型，具体是一种基于双向吸引机制的大规模WSNs拓扑控制方法，可用于大型建筑结构健康监测、森林防火、大流域生态监测、战场分析和区域自然灾害防控等大规模WSNs的节点部署。

背景技术

将复杂网络理论应用于研究大规模WSNs已经成为一个热点。引入复杂网络理论，对于研究大规模WSNs拓扑结构、演变规律及动态行为都具有重要的理论意义。复杂网络模型主要有规则网络、随机网络、小世界网络及无标度网络等模型。WSNs既不是规则网络也不是完全的随机网络，同时由于小世界网络主要是针对固定节点数的静态研究，而WSNs具有动态演化性，因此无标度网络模型的特点更适合应用于WSNs的网络拓扑结构的研究。

刘洲洲在文献“一种能耗均衡的无线传感器网络加权无标度拓扑研究[J]，物理学报，2014,63190504.”中，通过构建节点生命期模型，得出节点生命期与节点剩余能量和节点间传输距离的关系，进而在构建拓扑时将两端节点生命期作为边权重的影响因子，使高能节点和通信距离短的节点拥有更大的连接概率，最终达到了均衡网络能耗的目的。但是在节点能量利用效率上还有待改善，如引进网络的层次型拓扑结构。

ZhengG,LiuS,QiX在文献“Scale-freetopologyevolutionforwirelesssensornetworkswithreconstructionmechanism[J].Computers&ElectricalEngineering,2012,38(3):643-651.”中，在BA无标度网络基础上提出了新的大规模WSNs拓扑结构演化模型，对节点的随机故障及失效具有较高的鲁棒性。

由中国国家知识产权局2013年6月12日公开，公开号为CN102098691B的专利申请“具有抗毁性的无标度传感器网络建立方法”，公开了一种具有抗毁性的无标度传感器网络建立方法。该方法首先通过节点间的博弈进行簇头选择，实现簇头均匀分布；然后按照无标度网络演化方式进行簇头间拓扑演化，得到无标度传感器网络抗毁数学模型；最后根据传感器网络实际应用特点，充分考虑随机加点、随机去点，随机去边和重连的情况构建传感器网络。主要解决现有技术抗毁性差、可调性和普适性低的问题。但该方法又存在如下缺陷：

(1)由于在模型的建立中通过传感器结点间的博弈进行簇头选择，实现传感器网络簇头之间的均匀分布，故该方法不能较好的均衡网络负载、有效延长网络生命周期。

(2)拓扑演化过程中虽然综合考虑了节点剩余能量以及邻节点到备选簇头的平均路径损耗但没有考虑节点能量阈值、通信流量等因素,在提高节点能量利用效率、增强网络健壮性上还需进一步改善。

发明内容

本发明的目的是为了克服上述方法存在的缺点，在总结和分析前人工作的基础上，给出一种节点点权分布服从幂律指数的节点随机部署演化模型，并结合该模型设计一种基于双向吸引机制的大规模WSNs拓扑控制方法。

实现本发明的技术思路是：在节点通信半径内，以点权和间距作为衡量参数，采用双向吸引机制形成簇头节点，构建层次型拓扑结构，该方法包括如下步骤：

1)初始设定

给定m0个节点，它们组成一个全耦合网络，其中每条边都赋予权值w0。

2)网络增长

每次加入一个新节点New，让这个节点在其通信半径内与已存在的m个节点相连，因此每次新加入了m条边。连接节点的选择按照权重优先选择进行，即一个老节点i被选择的概率为：

∏_New→i＝S_i/∑_kS_k(1)

每条新边的权重同样设为w0。Si为节点i的强度(或称为点权)。

3)双向吸引:以基站为起点，按照式(1)由远及近的方式搜索确定多级簇头节点。

第一步：选择与基站距离最近且Si值最大的节点i作为第一级簇头节点；

第二步：自基站开始，依次确定第K级簇头节点(K＝2,3…,可根据网络规模大小确定)，即：节点i，j根据式(2)在其邻居节点中选择通信半径内的候选节点与之建立连接，如果互相选择了对方，建立连接其边权增加w0，形成簇头节点。

f_ij＝(S_i+S_j)(2)

如出现：f_ij＝f_ik，则选择距离最近的节点建立连接，距离计算公式为：

$D_{ij}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}---\left(3\right)$

4)每个簇头节点将自身ID及相连接的簇头节点ID广播至与其相连节点(已建立连接簇头节点除外)，其他普通节点则请求在其通信半径内距离最近的汇聚节点建立连接，形成簇。如果簇头节点点权值当达到阈值S时，重复步骤4)。

5)存在节点未加入任何簇，则选择最近的簇头节点建立连接并加入该簇。

本发明与现有技术相比具有以下优点：

第一，本发明从网络随时间演变的角度实现大规模WSNs的节点分簇，使得大规模WSNs的成簇特性明显，构建层次型拓扑结构，提高了节点能量利用效率，增强网络的健壮性。

第二，本发明利用点权重，体现真实节点间的连接强度，通过在算法中设置点权重限值，均衡网络负载，具有很好的可扩展性，适合于大规模大规模WSNs的节点部署应用。

附图说明

图1为本发明的总流程图。

图2为本发明所提拓扑方式的网络增长演变结果图。

图3为节点强度(S)分布图。

图4为平均聚类系数随节点数变化趋势分布图。

图5为基于双向吸引机制大规模WSNs网络拓扑结构图。

图6为平均最短路径与所提出模型随网络规模增长的变化趋势图。

图7为本发明方法与经典LEACH方法的节点能耗比较图。

具体实施方式

本发明所提出的算法前提假设，假设大规模WSNs中随机分散着N个节点，它们具备如下特点：

(1)传感器节点具有全局唯一的标识符ID；

(2)传感器节点被部署在目标区域后不具有移动能力,分布密度均匀；

(3)传感器节点在部署时具有相同的能量分布，且能量不能被补充；

(4)基站的能量足够，位置可以WSN检测区域内部或外部。

参见图1，本发明的实现步骤如下：

步骤1，给定m0个节点，构建初始全耦合网络，其中每条边都赋予权值w0。

步骤2，加入一个新节点New。

步骤3，计算老节点i被新节点New选择的概率。连接节点的选择按照权重优先选择进行，即老节点i被选择的概率为：

∏_New→i＝S_i/∑_kS_k(4)

步骤4，让新节点New在通信半径内与已存在的m个节点相连，则新加入了m条边，每条新边的权重同样设为w0。

步骤5，计算加入新节点后各条边的权值以及各节点的点权。为了简单起见，认为新加入的边只会局部引发连接节点i与它的邻居节点j∈τ(i)边的权值重新调整。调整按照如下规则进行。

w_ij→w_ij+Δw_ij(5)

${\mathrm{\Δw}}_{ij}\mathrm{\ρ}\·\frac{w_{ij}}{s_i}---\left(6\right)$

也就是每次新引入一条边(n，i)，会给节点i带来额外的ρ的流量负担，而与之相连的边会按他们自身的权值w_ij的大小分担一定的流量。因此，总的节点i的强度:

S_i→S_i+ρ+w₀(7)

步骤6，检查网络是否已达预定规模，若已达预定规模则往下一步，否则回到步骤2.

步骤7，基于双向吸引机制，以基站为起点，按照式(4)由远及近的方式搜索确定多级簇头节点。

第一步：选择与基站距离最近且Si值最大的节点i作为第一级簇头节点；

第二步：自基站开始，依次确定第K级簇头节点(K＝2,3…,可根据网络规模大小确定)，即：节点i，j根据式(8)在其邻居节点中选择通信半径内的候选节点与之建立连接，如果互相选择了对方，建立连接其边权增加w0，形成簇头节点。

f_ij＝(S_i+S_j)(8)

如出现：f_ij＝f_ik，则选择距离最近的节点建立连接，距离计算公式为：

$D_{ij}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}---\left(9\right)$

步骤8，每个簇头节点将自身ID及相连接的簇头节点ID广播至与其相连节点(已建立连接簇头节点除外)，其他普通节点则请求在其通信半径内距离最近的汇聚节点建立连接，形成簇。如果簇头节点点权值当达到阈值S时，重复步骤8。

步骤9，存在节点未加入任何簇，则选择最近的簇头节点建立连接并加入该簇。

本发明的效果可以根据以下实验进一步证实：

1.仿真场景

本发明利用Matlab仿真工具，仿真场景为100m*100m区域，节点随机均匀分布，各节点通信半径为50m；网络节点总数为100，择优选择连接的邻居节点数为2；初始网络中节点数为8个，各边初始权重为2。

2.仿真结果

图2，给出了按照本发明所提出的点权值优先连接机制，所形成的大规模WSNs节点随机增长演变模型。

图3，通过对其点权值的分析，可以看出与理论分析结果变化趋势一致，呈幂律分布。

网络的演化始于一个包含m0个节点的子网，每一时间步加入一个新的节点，直到达到所需的网络规模为止。所以模型的演化时间等价于加入到网络中的节点的个数，即t＝N-N0，并且模型的自然时间标度为网络规模N；对模型做连续近似，可以将边权w和点权S做变量连续化处理，并且时间t也是连续的，那么边权w_ij将会按照如下方程演化：

$\frac{{\mathrm{dw}}_{ij}}{dt}=m\frac{S_j}{{\mathrm{\Σ}}_k{S}_k-S_i}\×m\frac{S_i}{{\mathrm{\Σ}}_k{S}_k-S_j}\×\mathrm{\ρ}---\left(10\right)$

有两种过程对点权Si的变化起作用：一个是内部建立的连接和权重的更新,另一个是新点的加入。因此节点i权重的变化率方程可以写为：

$\frac{{\mathrm{dS}}_i}{dt}=\left\{\begin{array}{cc}0& S_i>S\\ n\frac{S_i}{\underset{j}{\&Sigma;}{S}_j}(1+\mathrm{\&rho;})+\underset{j\&Element;\&CenterDot;\left(i\right)}{\&Sigma;}\frac{{\mathrm{dw}}_{ij}}{dt}& S_i<S\end{array}\right.---\left(11\right)$

注意：并根据式(10)和(12)，有：

$\frac{{\mathrm{dS}}_i}{dt}=\frac{m^2\mathrm{\&rho;}+n(1+\mathrm{\&rho;})}{m^2\mathrm{\&rho;}+2n(1+\mathrm{\&rho;})}\&times;\frac{S_i\left(t\right)}{t}---\left(12\right)$

由微分方程的初始条件S_i(t＝i)＝n，

$S_i\left(t\right)=n{\left(\frac{t}{i}\right)}^{\frac{m^2\mathrm{\&rho;}+n(1+\mathrm{\&rho;})}{m^2\mathrm{\&rho;}+2n(1+\mathrm{\&rho;})}}---\left(13\right)$

通过对时间的演化行为可以计算统计特征。

同时，节点i进入网络的时间t_i＝t均匀分布在区间[0,t]，并且度分布可以写为：

$P(S,t)=\frac{1}{t+N_0}{\&Integral;}_0^t\mathrm{\&delta;}(S-S_i(t\left)\right){\mathrm{dt}}_i---\left(14\right)$

根据式(13)得到S_i(t)～(t/i)_θ，则在时间t→∞时的权重分布为P(s)～S^-α,其中α＝1+1/θ；

α＝1+[m²ρ+2n(1+ρ)]/[m²ρ+n(1+ρ](15)

当m＝0时，α＝3，并且该网络还原为无标度网络模型；当m→∞时，α→2。

图4，为平均聚类系数随节点数变化趋势分布，可以看出随着网络规模的增长，平均聚类系数变化平缓，与点权值的分布趋势相呼应；在网络增长演变过程中，如果增加所连接节点数(即连接边数)，平均聚类系数值会相应增加，与实际情况相符合。

在网络增长演变模型基础上，图5，为基于双向吸引机制所形成的大规模WSNs网络拓扑结构图。该拓扑结构的形成过程充分利用了网络的集聚特性，从网络演化的角度实现大规模WSNs中的节点分簇，提高了大规模WSNs网络拓扑形成效率，也很好地验证了所提出的模型的正确性和可行性。

图6反映了平均最短路径与所提出模型随网络规模增长的变化趋势，可以发现模型具有较小的平均最短路径长度，并且通过调整节点的通信半径发现网络平均最短路径长度变化平缓，验证了所提出模型的稳定性。

图7为本发明方法与经典LEACH方法的节点能耗比较图。LEACH(lowenergyadaptiveclusteringhierarchy)是无线传感器网络层次型拓扑控制中最重要和最具代表性的算法之一。在LEACH算法中，每一轮循环都要重新构造簇，而构造簇的能量开销比较大。其次，远离汇聚节点的簇头节点可能会由于长距离发送数据而过早耗尽自身能量，造成网络分割。另外，LEACH算法没有考虑簇头节点当前的能量状况，如果能量很低的节点当选为簇头节点，那么将会加速该节点的死亡，影响整个网络的生命周期。而本发明所提出的方法不需要重新构造簇具有很好的可扩展性，且为簇头节点设定了阈值不会影响网络的生命周期，由图7也可以看出与经典的LEACH算法相比本方法具有更高的节点能量利用效率。

Claims (4)

1.一种基于双向吸引机制的大规模WSNs拓扑控制方法，包括如下步骤：

1)初始设定

给定m0个节点，它们组成一个全耦合网络，其中每条边都赋予权值w0；

2)网络增长

每次加入一个新节点New，让这个节点在其通信半径内与已存在的m个节点相连，因此每次新加入了m条边，连接节点的选择按照权重优先选择进行，即一个老节点i被选择的概率为：

Π_New→i＝S_i/Σ_kS_k(1)

每条新边的权重同样设为w0；Si为节点i的强度(或称为点权)；

3)双向吸引:以基站为起点，按照式(1)由远及近的方式搜索确定多级簇头节点；

4)每个簇头节点将自身ID及相连接的簇头节点ID广播至与其相连节点(已建立连接簇头节点除外)，其他普通节点则请求在其通信半径内距离最近的汇聚节点建立连接，形成簇，如果簇头节点点权值当达到阈值S时，重复步骤4)；

5)存在节点未加入任何簇，则选择最近簇头节点建立连接并加入该簇。

2.根据权利要求1所述的基于双向吸引机制的大规模WSNs拓扑控制方法，其特征在于：步骤2)中节点权重的动态演化过程：

1)权值演化过程

为了简单起见，认为新加入的边只会局部引发连接节点i与它的邻居节点j∈τ(i)边的权值重新调整，调整按照如下规则进行：

w_ij→w_ij+Δw_ij(2)

${\mathrm{\&Delta;w}}_{ij}=\mathrm{\&rho;}\&CenterDot;\frac{w_{ij}}{s_i}---\left(3\right)$

也就是每次新引入一条边(n，i)，会给节点i带来额外的ρ的流量负担，而与之相连的边会按他们自身的权值w_ij的大小分担一定的流量，因此，总的节点i的强度:

S_i→S_i+ρ+w₀(4)

2)点权演化分析

2a)网络的演化始于一个包含m0个节点的子网，每一时间步加入一个新的节点，直到达到所需的网络规模为止；所以模型的演化时间等价于加入到网络中的节点的个数，即t＝N-m0，并且模型的自然时间标度为网络规模N；对模型做连续近似，可以将边权w和点权S做变量连续化处理，并且时间t也是连续的，那么边权w_ij将会按照如下方程演化：

$\frac{{\mathrm{dw}}_{ij}}{dt}=m\frac{S_j}{{\mathrm{\&Sigma;}}_k{S}_k-S_i}\&times;m\frac{S_i}{{\mathrm{\&Sigma;}}_k{S}_k-S_j}\&times;\mathrm{\&rho;}---\left(5\right)$

2b)有两种过程对点权S_i的变化起作用：一个是内部建立的连接和权重的更新,另一个是新点的加入；因此节点i权重的变化率方程可以写为：

$\frac{{\mathrm{dS}}_i}{dt}=\left\{\begin{array}{cc}0& S_i>S\\ n\frac{S_i}{\underset{j}{\&Sigma;}{S}_j}(1+\mathrm{\&rho;})+\underset{j\&Element;\&CenterDot;\left(i\right)}{\&Sigma;}\frac{{\mathrm{dw}}_{ij}}{dt}& S_i<S\end{array}\right.---\left(6\right)$

注意： $\underset{i}{\&Sigma;}{S}_j\&ap;m^2\mathrm{\&rho;}t+2n\mathrm{\&rho;}t,$ 并根据式(3)和(5)，有：

$\frac{{\mathrm{dS}}_i}{dt}=\frac{m^2\mathrm{\&rho;}+n(1+\mathrm{\&rho;})}{m^2\mathrm{\&rho;}+2n(1+\mathrm{\&rho;})}\&times;\frac{S_i\left(t\right)}{t}---\left(7\right)$

2c)由微分方程的初始条件S_i(t＝i)＝n，

$S_i\left(t\right)=n{\left(\frac{t}{i}\right)}^{\frac{m^2\mathrm{\&rho;}+n(1+\mathrm{\&rho;})}{m^2\mathrm{\&rho;}+2n(1+\mathrm{\&rho;})}}---\left(8\right)$

通过对时间的演化行为可以计算统计特征；

2d)同时，节点i进入网络的时间t_i＝t均匀分布在区间[0,t]，并且度分布可以写为：

$P(S,t)=\frac{1}{t+N_0}{\&Integral;}_0^t\mathrm{\&delta;}(S-S_i(t\left)\right){\mathrm{dt}}_i---\left(9\right)$

根据式(8)得到S_i(t)～(t/i)^θ，则在时间t→∞时的权重分布为P(s)～S^-α,其中α＝1+1/θ；

α＝1+[m²ρ+2n(1+ρ)]/[m²ρ+n(1+ρ](10)

当m＝0时，α＝3，并且该网络还原为无标度网络模型；当m→∞时，α→2。

3.根据权利要求1所述的基于双向吸引机制的大规模WSNs拓扑控制方法，其特征在于：步骤3)中采用的双向吸引机制在节点通信半径内，以点权和间距作为衡量参数形成簇头节点：

3a)选择与基站距离最近且Si值最大的节点i作为第一级簇头节点；

3b)自基站开始，依次确定第K级簇头节点(K＝2,3…,可根据网络规模大小确定)，即：节点i，j根据式(11)在其邻居节点中选择通信半径内的候选节点与之建立连接，如果互相选择了对方，建立连接其边权增加w0，形成簇头节点；

f_ij＝(S_i+S_j)(11)

$D_{ij}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}---\left(12\right)$

如出现：f_ij＝f_ik，则选择距离最近的节点建立连接，距离计算公式为式(12)。

4.根据权利要求1所述的基于双向吸引机制的大规模WSNs拓扑控制方法，其特征在于：步骤4)中为簇头节点点权值设置了阈值S，使网络优化之后具有较高的聚类系数，簇群结构较为明显，且平均路径长度变化不大；

设w_ij表示节点i和j之间边的权重(边权)，一个N×N的加权网络可以用网络的连接权重矩阵w_ij表示，其中i，j＝1，2，…，N，N为网络的规模，即节点总数；Si为节点i的强度(或称为点权)且

$S_i=\underset{j\&Element;\mathrm{\&tau;}\left(i\right)}{\&Sigma;}{w}_{ij}---\left(13\right)$

其中τ(i)为与节点i相连的所有节点的集合，S_i＝S时不再连接新节点；该模型考虑的是无向网络，因而，权重是对称的，即：w_ij＝w_ji。