CN109672570A - 一种流量自适应的水声认知传感器网络多址接入方法 - Google Patents

Abstract

本发明属于水声认知传感器网络技术领域，公开了一种流量自适应的水声认知传感器网络多址接入方法；分簇过程完成后，节点根据初始化的采样周期设置与之相匹配的占空比；节点将采集数据并发送给Sink，Sink根据接收到的数据生成数据估计模型并发给相应节点；节点将根据数据模型判断是否需要向Sink发送采样数据；Sink根据收集到的数据，生成数据估计模型，Sink自己保留一份，另一份发送给节点；Sink根据数据估计结果判断是否需要调整采样周期。TEA‑MAC节省的能耗相对较少；而随着网络流量的降低，节点休眠能耗所占的比重会增大，TEA‑MAC消耗的能量与S‑MAC、CBA‑EVT的差距也随之增大。

Description

一种流量自适应的水声认知传感器网络多址接入方法

技术领域

本发明属于水声认知传感器网络技术领域，尤其涉及一种流量自适应的水声认知传感器网络多址接入方法。

背景技术

目前，业内常用的现有技术是这样的：在水声认知传感器网络中，多址接入协议作为网络协议栈的下层部分，负责分配与调度无线信道资源。由于传感器节点的能量资源有限，设计一个适用于异构无线传感器网络的节能MAC(Medium Access Control，MAC)机制，减少网络的能量消耗，特别是减少网络中无效能耗的损失是提高异构无线传感器网络性能的核心问题。根据信道接入策略的不同，水声认知传感器网络MAC协议一般可以分为基于调度的MAC协议和基于竞争的MAC协议。竞争协议一般无需全网信息，具有扩展性好，易于实现，较适用于无中心节点的分布式网络，但面临长时延和高能耗的挑战。基于调度类的MAC协议，可以通过中心节点或基站集中高效分配频谱等资源，能有效保障时延和减小能耗，但其对网络结构有一定要求，并且需要一定的网络同步。为了更好地提高传感器网络的能量效率，研究人员开始关注节能MAC协议的设计。其中S-MAC是比较具有代表性的基于休眠/唤醒机制的MAC协议，该协议采用周期性休眠机制，使节点工作在监听-休眠状态，与持续监听信道的MAC协议(如IEEE802.11)相比，S-MAC有效降低了网络节点能耗。但是，由于S-MAC的帧长及占空比是固定不变的，存在着自适应能力差、能量效率不高、传输时延大等不足。T-MAC将S-MAC中的同时唤醒节点和同时使节点进入休眠的调度策略改变为节点同步处于唤醒状态，但休眠的时刻却是因节点而异，节点只要检测到信道空闲指定时间后，马上进入休眠状态。而AMAC则通过信道空闲时间的长短判断网络流量的大小，然后根据网络负载情况采用可变监听时长和按照2的指数增大或缩小休眠时间的节能策略。但是，由于根据信道状态估算得到的网络流量往往误差较大，导致最终设置的休眠机制不能与网络负载同步变化，从而降低协议性能。于是，近些年来，出现了通过数据估计法来预测网络流量大小的MAC协议。例如，CyMAC依据节点最近接收到的数据，运用指数权值平滑移动法(ExponentialWeighted Moving Average，EWMA)估算下一周期的流量大小。类似地，CBA-EVT根据网络流量变化趋势，采用EWMA和Holt-Winters指数平滑法估计下一帧接收的报文数量。但是基于节点历史数据估计网络流量的方法，由于只考虑了节点自身数据的时间关联性，而忽略了相邻节点的空间关联性，估计结果误差较大。

综上所述，现有技术存在的问题是：

(1)S-MAC的帧长及占空比是固定不变，存在着自适应能力差、能量效率不高、传输时延大。

(2)T-MAC将S-MAC中的同时唤醒节点和同时使节点进入休眠的调度策略改变为节点同步处于唤醒状态，由于根据信道状态估算得到的网络流量往往误差较大，导致最终设置的休眠机制不能与网络负载同步变化，降低协议性能。

(3)基采用EWMA和Holt-Winters指数平滑法估计下一帧接收的报文数量。但是基于节点历史数据估计网络流量的方法，只考虑了节点自身数据的时间关联性，忽略相邻节点的空间关联性，估计结果误差较大。

解决上述技术问题的难度和意义：

通过可变占空比的休眠唤醒机制可有效提升水声认知传感器网络的性能，对减少能量消耗，提高网络能量效率，降低端到端传输时延，提高网络吞吐量具有极其重要的作用。若水声认知传感器网络节点的休眠时间能基于网络流量实现动态调整，则可实现降低侦听能耗、减少时延和提高吞吐量。而占空比是网络负载的函数，占空比与网络流量匹配程度越高，网络性能越优。因此，准确感知网络流量大小是设计水声认知传感器网络自适应占空比MAC协议的关键。在此基础上，如何设计出与网络流量匹配的占空比也是需要重点解决的问题。

发明内容

针对现有技术存在的问题，本发明提供了一种流量自适应的水声认知传感器网络多址接入方法。

本发明是这样实现的，一种流量自适应的水声认知传感器网络多址接入方法，所述流量自适应的水声认知传感器网络多址接入方法包括：

第一步，分簇过程完成后，节点根据初始化的采样周期设置与之相匹配的占空比；节点将采集数据并发送给Sink，Sink根据接收到的数据生成数据估计模型并发给相应节点；节点将根据数据模型判断是否需要向Sink发送采样数据；

第二步，Sink根据收集到的数据，生成数据估计模型，Sink自己保留一份，另一份发送给节点；在系统稳定阶段，Sink根据节点定期发来的keepalive消息，保持数据估计模型不变；若Sink持续接收到节点发来采样数据，则意味着数据估计模型已失效，于是Sink根据最新收到的数据生成新的数据估计模型，并通知节点更新，节点在更新数据估计模型的同时调整占空比；

第三步，Sink根据数据估计结果判断是否需要调整采样周期，若在较长的一段时间内数据估计模型保持不变，说明节点在这段时间内采集到的数据没有或者只有极少量的数据发送到Sink，适当增大采样周期只会减少节点能耗而不会影响收集数据的准确性；当数据估计模型经常发生变化时，Sink应当适度地减小节点的采样周期。

进一步，所述第一步具体包括：节点通过数据估计模型得到一个预测数据，计算采样数据与预测数据之间的误差，若误差超出允许范围，则发送采样数据给簇首，并由簇首将数据转发给Sink；否则，不向簇首发送采样数据，该数据由Sink根据相同的数据估计模型预测得到。

进一步，所述流量自适应的水声认知传感器网络多址接入方法的基于节点分簇和基因程序的解决具体包括：首先初始化群体，根据给定的函数集F和终端集T，随机生成一定数量的计算机程序；然后经过一系列的进化过程，选择、交叉和变异操作；最终得到所需要的数据估计表达式。

进一步，所述流量自适应的水声认知传感器网络多址接入方法采用节点分簇的预处理方法，S_n(t_n)表示节点S_n在t_n时刻采集的数据；S_n(t)为矢量，表示节点S_n在t₁到t_n时刻采集的n个数据集合，S_n(t)＝{S_n(t₁)，S_n(t₂)，…，S_n(t_n)}；

TEA-MAC的数据估计模型用式表示：

式中，T：终端集，为若干个节点的采集数据，当簇内只有一个节点S₁时，T＝{S₁(t₁)，S₁(t₂)，…，S₁(t_n)}；当簇内有多个节点{S₁，S₂，…，S_n}时，T＝{S₁(t)，S₂(t)，…，S_n(t)}；

F：函数集，F＝{+，－，×，÷，sqr，exp，log，csch，tan}；

f：适应度函数，

适应度阈值，作为终止条件；

θ：群体规模，群体中个体p的数量；

γ：交叉概率；

μ：变异概率；

λ：终止条件，通常为进化代数；

p：个体，即计算机程序；群体，全部个体的集合。

进一步，所述流量自适应的水声认知传感器网络多址接入方法的TEA-MAC实现流量估计方法包括：

(1)群体初始化：个随机生成的计算机程序(程序树)；

(2)对所有计算f(p)；

(3)

生成下一代群体

1)选择：从群体中随机选出个计算机程序加入到中，群体中的个体被选中的概率为：

2)交叉：以概率Pr(p)从群体中选出γθ/2对个体，对于每对个体随机选择交叉位置进行交叉操作，得到两个新个体并加入到；

3)变异：在中以平均概率选出μθ个个体进行变异操作；

4)群体更新，即'

θ←θ；

5)对所有计算f(p)；}

(4)输出使得f(p)最大。

进一步，所述流量自适应的水声认知传感器网络多址接入方法的调度机制节点处于监听状态的占空比为dutycycle，数据发送的间隔记为interval，interval的取值与网络流量成正比；通过推导得到最佳占空比与数据发送间隔之间的关系：

式中，interval单位为s，其值由节点采样周期和数据估计准确度共同决定，通过数据估计算法预测得到；若采样周期为T_sample，数据估计准确度p_estimation，则interval大小为：

TEA-MAC根据网络流量的大小，动态地调整占空比来适应网络负载的变化。

本发明的另一目的在于提供一种应用所述流量自适应的水声认知传感器网络多址接入方法的水声认知传感器网络平台。

综上所述，本发明的优点及积极效果为：不管网络负载轻重如何，TEA-MAC的能量消耗均比S-MAC、CBA-EVT低，能耗平均值分别为1.039J、2.848J和1.628J，DTI-MAC的平均能耗比S-MAC、CBA-EVT分别降低了173.9％和56.6％。其中重负载时(数据发送间隔小于1s)，三种协议的能耗平均值分别为0.454J、1.690J和0.979J；轻负载时(数据发送间隔大于1s)，三种协议的能耗平均值分别为1.572J、3.90J和2.169J；TEA-MAC在估计网络流量时，综合考虑了节点最近的历史记录和相邻节点的数据，采用基于基因程序的的数据估计来预测网络流量，估计准确度高，保证了设置的占空比能够很好地与实际的网络负载相匹配，使得网络能耗较低；当网络负载越重时，节点处于休眠的时间所占的比重较小，因此，TEA-MAC节省的能耗相对较少；而随着网络流量的降低，节点休眠能耗所占的比重会增大，TEA-MAC消耗的能量与S-MAC、CBA-EVT的差距也随之增大。

在轻负载环境下，TEA-MAC、CBA-EVT和S-MAC从源节点到基站的总平均网络时延依次为4.863s、6.224s和1.625s，DTI-MAC比CBA-EVT降低了24.8％而比S-MAC增加了188.1％；而在重负载时，TEA-MAC、CBA-EVT和S-MAC从源节点到基站的总平均网络时延分别为3.673s、4.353s和1.993s，DTI-MAC比CBA-EVT降低了15.6％而比S-MAC增加了84.3％。可见，TEA-MAC和CBA-EVT的时延随着网络负载的增大而减少，而S-MAC重负载时的时延却比轻负载时略微增加；TEA-MAC的DTI则是根据基于数据估计预测网络流量结果动态调整，使得TEA-MAC对网络流量估计的准确度比CBA-EVT的更高。因此，TEA-MAC的网络时延比CBA-EVT的低，尤其是在轻负载时差距更加明显。

在不同的网络流量下，TEA-MAC的吞吐量比CBA-EVT和S-MAC均高，而且网络负载越重，差距越明显。实际上，重负载时(数据发送间隔小于1s)，S-MAC、CBA-EVT和TEA-MAC的平均吞吐量分别为700.35bit/s、1104.65bit/s和1534.03bit/s，TEA-MACC比前两者分别提高了119.03％和38.87％；而当负载轻轻时(数据发送间隔大于1s)，S-MAC、CBA-EVT和TEA-MAC的平均吞吐量分别为350.69bit/s、385.57bit/s和390.05bit/s，TEA-MAC比前两者分别提高了11.22％和1.16％。当网络流量较大时，TEA-MAC和CBA-EVT的吞吐量明显高于S-MAC；而当网络流量变小时，由于需要传输的数据量也随之减少，导致三种MAC协议吞吐量的差距变小。

附图说明

图1是本发明实施例提供的流量自适应的水声认知传感器网络多址接入方法流程图。

图2是本发明实施例提供的TEA-MAC协议框架示意图。

图3是本发明实施例提供的TEA-MAC流量估计模型示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对水声认知传感器网络的数据传输特点，本发明提出了基于网络流量自适应的MAC协议TEA-MAC(Traffic Estimation Adaptive MAC Protocol)；该协议通过基于节点分簇和基因程序的数据估计算法来预测网络负载大小，预测结果准确率高；采用基于网络流量的可变占空比休眠唤醒机制，有效减少节点侦听能耗；TEA-MAC在保证能量效率的同时，具有传输时延小和网络吞吐量大的特点。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的流量自适应的水声认知传感器网络多址接入方法包括以下步骤：

S101：分簇过程完成后，节点根据初始化的采样周期设置与之相匹配的占空比；节点将采集数据并发送给Sink，Sink根据接收到的数据生成数据估计模型并发给相应节点；节点将根据数据模型判断是否需要向Sink发送采样数据；

S102：Sink根据收集到的数据，生成数据估计模型，Sink自己保留一份，另一份发送给节点；在系统稳定阶段，Sink根据节点定期发来的keepalive消息，保持数据估计模型不变；若Sink持续接收到节点发来采样数据，则意味着数据估计模型已失效，于是Sink根据最新收到的数据生成新的数据估计模型，并通知节点更新，节点在更新数据估计模型的同时调整占空比；

S103：Sink根据数据估计结果判断是否需要调整采样周期，若在较长的一段时间内数据估计模型保持不变，说明节点在这段时间内采集到的数据没有或者只有极少量的数据发送到Sink，适当增大采样周期只会减少节点能耗而不会影响收集数据的准确性；当数据估计模型经常发生变化时，Sink应当适度地减小节点的采样周期。

下面结合附图对本发明的应用原理作进一步的描述。

1总体框架；

TEA-MAC的整体构架如图2所示，其基本思想如下：首先，分簇过程完成后，节点根据初始化的采样周期设置与之相匹配的占空比；节点将采集数据并发送给Sink，Sink根据接收到的数据生成数据估计模型并发给相应节点。在此之后，节点将根据数据模型判断是否需要向Sink发送采样数据，具体过程如下：节点通过数据估计模型得到一个预测数据，计算采样数据与预测数据之间的误差，若误差超出允许范围，则发送采样数据给簇首，并由簇首将数据转发给Sink；否则，不向簇首发送采样数据，该数据由Sink根据相同的数据估计模型预测得到。

其次，数据估计模型的管理。数据估计模型采用集中式的管理，即由Sink负责生成、维护与更新。系统刚启动时，Sink根据收集到的数据，生成数据估计模型，Sink自己保留一份，另一份发送给节点。在系统稳定阶段，Sink根据节点定期发来的keepalive消息，保持数据估计模型不变；若Sink持续接收到节点发来采样数据，则意味着数据估计模型已失效，于是Sink根据最新收到的数据生成新的数据估计模型，并通知节点更新。节点在更新数据估计模型的同时调整占空比。

最后，采样周期的调整。Sink根据数据估计结果判断是否需要调整采样周期，若在较长的一段时间内数据估计模型保持不变，说明节点在这段时间内采集到的数据没有或者只有极少量的数据发送到Sink，因此适当增大采样周期只会减少节点能耗而不会影响收集数据的准确性，于是，Sink增大节点的采样周期。相反地，当数据估计模型经常发生变化时，Sink应当适度地减小节点的采样周期，以便能生成性能更优的数据估计模型。当采样周期改变时，占空比也随之增大或减少。

2流量估计

由图2可知，数据估计是TEA-MAC机制中自适应占空比设计的关键。因为数据估计模型预测的结果若不准确，在最坏的情况下，节点将全部的采集数据发送给Sink，网络流量将增大，占空比也随着变大，导致能耗增多。同样地，若预测结果精度低下，增大采样周期也无从谈起，而采样周期越小，对应的占空比也会越大，降低了能量效率。因此，关键是如何生成预测精度高的数据估计模型。为此，提出了基于节点分簇和基因程序的解决方案，具体细节如下。

首先初始化群体，即根据给定的函数集F和终端集T，随机生成一定数量的计算机程序；然后经过一系列的进化过程，即选择、交叉和变异操作；最终得到所需要的数据估计表达式。

为了降低数据估计模型的复杂度，采用了节点分簇的预处理方法以减少输入变量个数，加快收敛速度。假设S_n(t_n)表示节点S_n在t_n时刻采集的数据；S_n(t)为矢量，表示节点S_n在t₁到t_n时刻采集的n个数据集合，即S_n(t)＝{S_n(t₁)，S_n(t₂)，…，S_n(t_n)}。

TEA-MAC采用的数据估计模型如图3所示，可用式(1)表示：

式中，T：终端集，为若干个节点的采集数据，当簇内只有一个节点S₁时，T＝{S₁(t₁)，S₁(t₂)，…，S₁(t_n)}；当簇内有多个节点{S₁，S₂，…，S_n}时，T＝{S₁(t)，S₂(t)，…，S_n(t)}。

F：函数集，F＝{+，－，×，÷，sqr，exp，log，csch，tan}。

f：适应度函数，

适应度阈值，可作为终止条件；

θ：群体规模，即群体中个体p的数量；

γ：交叉概率；

μ：变异概率；

λ：终止条件，通常为进化代数；

p：个体，即计算机程序；群体，即全部个体的集合。

TEA-MAC实现流量估计的过程如下：

Step1：群体初始化：个随机生成的计算机程序(程序树)；

Step2：对所有计算f(p)；

Step3：

生成下一代群体

1)选择：从群体中随机选出个计算机程序(个体)加入到中，群体中的个体被选中的概率为：

2)交叉：以概率Pr(p)从群体中选出γθ/2对个体，对于每对个体随机选择交叉位置进行交叉操作，得到两个新个体并加入到；

3)变异：在中以平均概率选出μθ个个体进行变异操作；

4)群体更新，即

5)对所有计算f(p)；}

Step4：输出使得f(p)最大。

3调度机制

与S-MAC固定的帧长和占空比不同，TEA-MAC采用了基于网络流量大小的可变帧长和占空比的调度机制：当网络中负载较重时，通过增大占空比来保证一定的网络性能；反之，减小占空比来减少能量消耗。与CBA-EVT类似，节点的休眠时间均根据实时的网络负载大小动态设置。不同的是，CBA-EVT的帧长是固定的，包含若干个时槽，在每一帧中S的数量根据节点最近接收到的报文，采用EWMA和Holt-Winters指数平滑法估计下一帧接收的报文数量，从而设置不同的S值。S值越大，节点休眠时间越长，但传输时延也越大。而在TEA-MAC中，帧长是可变化的，监听时长保持不变，休眠时长DTI随网络流量大小而发生改变。DTI的值是通过基于节点分簇和基因程序的数据估计法动态设置的，当采样周期较小或数据估计模型预测误差较大时，DTI变大，反之DTI值减小。显然，DTI的大小与节点发送数据的间隔越吻合，传输时延越小，同时能量效率越高。

设节点处于监听状态的占空比为dutycycle，数据发送的间隔记为interval，interval的取值与网络流量成正比。通过推导得到了最佳占空比与数据发送间隔之间的关系，本发明进行了少量改进：

式中，interval单位为s，其值由节点采样周期和数据估计准确度共同决定，通过数据估计算法预测得到。若采样周期为T_sample，数据估计准确度p_estimation(小于1)，则interval大小为：

基于式(3)，TEA-MAC即可根据网络流量的大小，动态地调整占空比来适应网络负载的变化。

下面结合对比对本发明的应用效果作详细的描述。

与典型的传感网络多址接入方法相比，TEA-MAC在能量消耗、传输时延和网络吞吐量方面有了明显的改善。

1能量消耗

不管网络负载轻重如何，TEA-MAC的能量消耗均比S-MAC、CBA-EVT低，能耗平均值分别为1.039J、2.848J和1.628J，DTI-MAC的平均能耗比S-MAC、CBA-EVT分别降低了173.9％和56.6％。其中重负载时(数据发送间隔小于1s)，三种协议的能耗平均值分别为0.454J、1.690J和0.979J；轻负载时(数据发送间隔大于1s)，三种协议的能耗平均值分别为1.572J、3.90J和2.169J。由此可见，网络负载越轻，DTI-MAC节省的能耗越大。这主要是因为S-MAC采用了固定的占空比，节点的监听和休眠时间不能随着网络负载的不同而变化，造成监听过度，导致能量消耗太多。CBA-EVT虽然可以根据网络负载动态调整节点的休眠时间，但由于仅仅依据节点最近接收到的报文，通过EWMA和Holt-Winters指数平滑法来估计网络流量，估计误差较大，能量消耗较多。而TEA-MAC在估计网络流量时，综合考虑了节点最近的历史记录和相邻节点的数据，采用基于基因程序的的数据估计来预测网络流量，估计准确度高，从而保证了设置的占空比能够很好地与实际的网络负载相匹配，使得网络能耗较低。当网络负载越重时，节点处于休眠的时间所占的比重较小，因此，TEA-MAC节省的能耗相对较少；而随着网络流量的降低，节点休眠能耗所占的比重会增大，TEA-MAC消耗的能量与S-MAC、CBA-EVT的差距也随之增大。

2传输时延

在轻负载环境下，TEA-MAC、CBA-EVT和S-MAC从源节点到基站的总平均网络时延依次为4.863s、6.224s和1.625s，DTI-MAC比CBA-EVT降低了24.8％而比S-MAC增加了188.1％；而在重负载时，TEA-MAC、CBA-EVT和S-MAC从源节点到基站的总平均网络时延分别为3.673s、4.353s和1.993s，DTI-MAC比CBA-EVT降低了15.6％而比S-MAC增加了84.3％。可见，TEA-MAC和CBA-EVT的时延随着网络负载的增大而减少，而S-MAC重负载时的时延却比轻负载时略微增加。其主要原因是，由于S-MAC采用了固定的占空比，休眠时延不会随着网络流量的变化而改变，但排队时延却随着网络流量的增大而增加，从而导致S-MAC的平均时延有少量的增大。为了提高能量效率，TEA-MAC和CBA-EVT均采用了可变长的休眠时间机制，休眠时延会随着网络流量的降低而增大，因此网络平均时延比S-MAC的高，而且网络负载越轻，与S-MAC的时延差距越大。虽然TEA-MAC和CBA-EVT都采用了网络流量自适应的休眠机制，但CBA-EVT的休眠时延取决于S值，S越大休眠时延越大，而TEA-MAC的休眠时延由DTI的大小决定，DTI越小休眠时延越小。由于CBA-EVT的S值是通过基于最近接收到的数据包数量估计网络流量来设置的，而TEA-MAC的DTI则是根据基于数据估计预测网络流量结果动态调整，使得TEA-MAC对网络流量估计的准确度比CBA-EVT的更高。因此，TEA-MAC的网络时延比CBA-EVT的低，尤其是在轻负载时差距更加明显。

3网络吞吐量

在不同的网络流量下，TEA-MAC的吞吐量比CBA-EVT和S-MAC均高，而且网络负载越重，差距越明显。实际上，重负载时(数据发送间隔小于1s)，S-MAC、CBA-EVT和TEA-MAC的平均吞吐量分别为700.35bit/s、1104.65bit/s和1534.03bit/s，TEA-MACC比前两者分别提高了119.03％和38.87％；而当负载轻轻时(数据发送间隔大于1s)，S-MAC、CBA-EVT和TEA-MAC的平均吞吐量分别为350.69bit/s、385.57bit/s和390.05bit/s，TEA-MAC比前两者分别提高了11.22％和1.16％。这主要是因为，TEA-MAC和CBA-EVT均采用了基于网络流量的休眠调度机制，节点发射与接收数据的时间跟随当前网络负载情况同步变化，而S-MAC节点用于发射与接收数据的时间却是固定不变的。因此，当网络流量较大时，TEA-MAC和CBA-EVT的吞吐量明显高于S-MAC；而当网络流量变小时，由于需要传输的数据量也随之减少，导致三种MAC协议吞吐量的差距变小。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种流量自适应的水声认知传感器网络多址接入方法，其特征在于，所述流量自适应的水声认知传感器网络多址接入方法包括：

第一步，分簇过程完成后，节点根据初始化的采样周期设置与之相匹配的占空比；节点将采集数据并发送给Sink，Sink根据接收到的数据生成数据估计模型并发给相应节点；节点将根据数据模型判断是否需要向Sink发送采样数据；

第二步，Sink根据收集到的数据，生成数据估计模型，Sink自己保留一份，另一份发送给节点；在系统稳定阶段，Sink根据节点定期发来的keepalive消息，保持数据估计模型不变；若Sink持续接收到节点发来采样数据，则意味着数据估计模型已失效，于是Sink根据最新收到的数据生成新的数据估计模型，并通知节点更新，节点在更新数据估计模型的同时调整占空比；

第三步，Sink根据数据估计结果判断是否需要调整采样周期，若在较长的一段时间内数据估计模型保持不变，说明节点在这段时间内采集到的数据没有或者只有极少量的数据发送到Sink，适当增大采样周期只会减少节点能耗而不会影响收集数据的准确性；当数据估计模型经常发生变化时，Sink应当适度地减小节点的采样周期。

2.如权利要求1所述的流量自适应的水声认知传感器网络多址接入方法，其特征在于，所述第一步具体包括：节点通过数据估计模型得到一个预测数据，计算采样数据与预测数据之间的误差，若误差超出允许范围，则发送采样数据给簇首，并由簇首将数据转发给Sink；否则，不向簇首发送采样数据，该数据由Sink根据相同的数据估计模型预测得到。

3.如权利要求1所述的流量自适应的水声认知传感器网络多址接入方法，其特征在于，所述流量自适应的水声认知传感器网络多址接入方法的基于节点分簇和基因程序的解决具体包括：首先初始化群体，根据给定的函数集F和终端集T，随机生成一定数量的计算机程序；然后经过一系列的进化过程，选择、交叉和变异操作；最终得到所需要的数据估计表达式。

4.如权利要求1所述的流量自适应的水声认知传感器网络多址接入方法，其特征在于，所述流量自适应的水声认知传感器网络多址接入方法采用节点分簇的预处理方法，S_n(t_n)表示节点S_n在t_n时刻采集的数据；S_n(t)为矢量，表示节点S_n在t₁到t_n时刻采集的n个数据集合，S_n(t)＝{S_n(t₁)，S_n(t₂)，…，S_n(t_n)}；

TEA-MAC的数据估计模型用式表示：

式中，T：终端集，为若干个节点的采集数据，当簇内只有一个节点S₁时，T＝{S₁(t₁)，S₁(t₂)，…，S₁(t_n)}；当簇内有多个节点{S₁，S₂，…，S_n}时，T＝{S₁(t)，S₂(t)，…，S_n(t)}；

F：函数集，F＝{+，－，×，÷，sqr，exp，log，csch，tan}；

f：适应度函数，

适应度阈值，作为终止条件；

θ：群体规模，群体中个体p的数量；

γ：交叉概率；

μ：变异概率；

λ：终止条件，通常为进化代数；

p：个体，即计算机程序；群体，全部个体的集合。

5.如权利要求1所述的流量自适应的水声认知传感器网络多址接入方法，其特征在于，所述流量自适应的水声认知传感器网络多址接入方法的TEA-MAC实现流量估计方法包括：

(1)群体初始化：个随机生成的计算机程序；

(2)对所有计算f(p)；

(3){

生成下一代群体

1)选择：从群体中随机选出个计算机程序加入到中，群体中的个体被选中的概率为：

2)交叉：以概率Pr(p)从群体中选出γθ/2对个体，对于每对个体随机选择交叉位置进行交叉操作，得到两个新个体并加入到；

3)变异：在中以平均概率选出μθ个个体进行变异操作；

4)群体更新，即

5)对所有计算f(p)；}

(4)输出使得f(p)最大。

6.如权利要求1所述的流量自适应的水声认知传感器网络多址接入方法，其特征在于，所述流量自适应的水声认知传感器网络多址接入方法的调度机制节点处于监听状态的占空比为dutycycle，数据发送的间隔记为interval，interval的取值与网络流量成正比；通过推导得到最佳占空比与数据发送间隔之间的关系：

式中，interval单位为s，其值由节点采样周期和数据估计准确度共同决定，通过数据估计算法预测得到；若采样周期为T_sample，数据估计准确度p_estimation，则interval大小为：

TEA-MAC根据网络流量的大小，动态地调整占空比来适应网络负载的变化。

7.一种应用权利要求1～6任意一项所述流量自适应的水声认知传感器网络多址接入方法的水声认知传感器网络平台。