CN115987833B - 一种水声传感器网络性能评估方法、装置、设备及介质 - Google Patents
一种水声传感器网络性能评估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115987833B CN115987833B CN202211653445.0A CN202211653445A CN115987833B CN 115987833 B CN115987833 B CN 115987833B CN 202211653445 A CN202211653445 A CN 202211653445A CN 115987833 B CN115987833 B CN 115987833B
- Authority
- CN
- China
- Prior art keywords
- network
- model
- determining
- sensor node
- network performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims description 18
- 238000004891 communication Methods 0.000 claims abstract description 68
- 238000013210 evaluation model Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000005540 biological transmission Effects 0.000 claims description 86
- 238000005265 energy consumption Methods 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 18
- 238000012545 processing Methods 0.000 description 10
- 230000001934 delay Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种水声传感器网络性能评估方法、装置、设备及介质,涉及通信技术领域,包括:预先建立与水声传感器网络对应的网络性能评估模型,并设置所述网络性能评估模型中网络性能指标的要求值;所述网络性能指标包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率;将网络配置参数和通信配置参数输入所述网络性能评估模型,以输出所述网络性能指标的估计值;利用线性加权求和法对所述网络性能评估模型进行求解,并在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。通过本申请中的网络性能评估模型能够准确估计网络性能指标,并输出最优网络配置和最优通信配置,有效提升了网络性能。
Description
技术领域
本发明涉及通信技术领域,特别涉及一种水声传感器网络性能评估方法、装置、设备及介质。
背景技术
水声传感器网络可用于许多关键任务应用,如水下目标跟踪和应急响应等。在这些应用中,可靠和及时地提供感觉数据对任务的成功起着关键作用。由于水下环境的影响,数据包的多次转发可能会带来更高的错误率和更高的延迟。另外由于水下传感器节点电池无法在海洋中方便地充电或更换,电池能量受到严重限制。长距离通信将导致某些节点的过度能耗,增加中继节点可以减少节点的平均能耗。在水下应用需求的驱动下,结合水声通信的特点,如何有效提高水声传感网的性能是水下组网的关键。
但当前水下网络缺乏类似陆地网络的成熟的网络评估方法和网络规划策略,水下无线传感器网络的性能指标,如延迟、能量效率、可靠性和覆盖率很难评估,通过水下网络的部署及规划来提高组网性能存在瓶颈。现有技术中提出了一个分析模型,用于量化水声传感网络中传感器的数据包排队延迟和数据包错误概率方面的网络性能,研究旨在优化三维水声传感器网络的设计和性能。该模型基于介质访问控制(MAC)协议,考虑了时隙ALOHA和基于请求发送和清除发送(RTS/CTS)的两种MAC协议,在计算分组排队延迟时考虑了由于分组传输错误和分组冲突引起的重传延迟。基于该模型,进一步确定满足水下传感器密度的期望分组错误概率要求所需的最小接收节点密度,帮助以经济高效的方式设计和构建水声传感网。
上述提到的基于介质访问控制(MAC)协议计分析了分组排队延迟,主要考虑了由于分组传输错误和分组冲突引起的重传延迟,并通过满足水下传感器密度的期望分组错误概率要求,进一步确定所需的水面网关节点的密度。该研究主要关注了水下通信的即时性,而忽视了可靠性与节能性。并且在对于网络部署方面的指导仅限制在水面网关节点,忽视了网络拓扑、水下中继节点的位置、传输功率、发送功率及数据包大小等关键因素对性能的影响。该网络性能模型侧重于特定的协议,通用性较低。
综上,如何提供一种通用的水声传感器网络性能评估方案,从而准确估计网络性能指标,并指导网络配置和通信配置,以提高水下传感网的性能是目前有待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种水声传感器网络性能评估方法、装置、设备及介质,能够提供一种通用的水声传感器网络性能评估方案,从而准确估计网络性能指标,并指导网络配置和通信配置,以提高水下传感网的性能。其具体方案如下:
第一方面,本申请公开了一种水声传感器网络性能评估方法,包括:
预先建立与水声传感器网络对应的网络性能评估模型,并设置所述网络性能评估模型中网络性能指标的要求值;所述网络性能指标包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率;
将网络配置参数和通信配置参数输入所述网络性能评估模型,以输出所述网络性能指标的估计值;
利用线性加权求和法对所述网络性能评估模型进行求解,并在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。
可选的,所述预先建立与水声传感器网络对应的网络性能评估模型,包括:
预先基于水下声信道的路径损耗建立信道模型,并基于所述信道模型分别建立端到端可靠性模型、端到端延迟模型和网络能量效率模型,以及利用蒙特卡洛方法确定出网络覆盖率模型;
为所述端到端可靠性模型、所述端到端延迟模型、所述网络能量效率模型和所述网络覆盖率模型分配相应的权重值,以便利用加权后的所述端到端可靠性模型、所述端到端延迟模型、所述网络能量效率模型和所述网络覆盖率模型建立与水声传感器网络对应的网络性能评估模型。
可选的,所述信道模型的建立过程包括:
基于传感器节点间的距离和声信号频率确定出水下声信道的路径损耗,并利用所述路径损耗、环境噪声和发送功率确定出信噪比;
基于所述信噪比确定出传感器节点间发送一比特数据的错误概率,以及基于所述信噪比和网络带宽确定出链路速度;
基于所述错误概率确定出传感器节点间传输目标数量比特数据的正确传输概率,以及基于所述链路速度和所述发送功率确定出传感器节点间用于传输一比特数据的单位能量消耗。
可选的,所述端到端可靠性模型的建立过程包括:
基于所述正确传输概率确定出任意传感器节点接收到数据包的一跳成功传输概率,并基于所述一跳成功传输概率利用递归方法确定出任意传感器节点在多跳下成功接收到数据包的多跳成功传输概率;
利用所述多跳成功传输概率确定出比特数据从源传感器节点至目标传感器节点的成功传输概率,以得到端到端可靠性模型。
可选的,所述端到端延迟模型的建立过程包括:
基于所述一跳成功传输概率、链路传输延迟和链路传播延迟确定出传感器节点间的单位时间延迟;
确定从所述源传感器节点经由不同中继传感器节点到所述目标传感器节点的第一路径概率权重;
基于所述单位时间延迟和所述第一路径概率权重确定出期望延迟,并基于所述期望延迟和所述第一路径概率权重确定出从所述源传感器节点经由不同路径到达所述目标传感器节点的通信延迟,以得到端到端延迟模型。
可选的,所述网络能量效率模型的建立过程包括:
基于所述单位能量消耗确定出传感器节点间一跳传输预设大小的数据包产生的能量消耗;
确定从所述源传感器节点经由不同中继传感器节点多跳到达目标传感器节点的第二路径概率权重;
基于所述能量消耗、所述第二路径概率权重和所述一跳成功传输概率,确定出所述源传感器节点经由不同中继传感器节点任意跳到达目标传感器节点时,所述源传感器节点和各所述中继传感器节点的能量消耗信息,以得到网络的总能量消耗;
基于所述总能量消耗和所述端到端可靠性模型确定出网络能量效率,以得到网络能量效率模型。
可选的,所述在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置,包括:
在所述端到端可靠性的估计值不小于对应的要求值、所述端到端延迟的估计值不大于对应的要求值、所述网络能量效率的估计值不小于对应的要求值以及所述网络覆盖率的估计值不小于对应的要求值的情况下输出最优网络配置和最优通信配置。
第二方面,本申请公开了一种水声传感器网络性能评估装置,包括:
参数设置模块,用于预先建立与水声传感器网络对应的网络性能评估模型,并设置所述网络性能评估模型中网络性能指标的要求值;所述网络性能指标包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率;
参数输出模块,用于将网络配置参数和通信配置参数输入所述网络性能评估模型,以输出所述网络性能指标的估计值;
参数求解模块,用于利用线性加权求和法对所述网络性能评估模型进行求解,并在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的水声传感器网络性能评估方法的步骤。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的水声传感器网络性能评估方法的步骤。
可见,本申请通过预先建立与水声传感器网络对应的网络性能评估模型,并设置所述网络性能评估模型中网络性能指标的要求值;所述网络性能指标包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率;将网络配置参数和通信配置参数输入所述网络性能评估模型,以输出所述网络性能指标的估计值;利用线性加权求和法对所述网络性能评估模型进行求解,并在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。由此可见,本申请预先建立与水声传感器网络对应的通用网络性能评估模型,并设置端到端可靠性、端到端延迟、网络能量效率和网络覆盖率等网络性能指标的要求值,再将网络配置参数和通信配置参数作为网络性能评估模型的输入,并产生端到端可靠性、端到端延迟、网络能量效率和网络覆盖率的精确估计值;然后利用线性加权求和法对所述网络性能评估模型进行求解,将多目标问题转化为单目标问题,并在要求值和估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。本申请提供了一种通用的水声传感器网络性能评估方案,能够准确估计网络性能指标,进而给出网络的最佳部署配置,有效提升了网络性能。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种水声传感器网络性能评估方法流程图;
图2为本申请公开的一种具体的水声传感器网络性能评估流程示意图;
图3为本申请公开的一种具体的水声传感器网络性能评估方法流程图;
图4为本申请公开的一种水声传感器网络性能评估装置结构示意图;
图5为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
当前水下网络缺乏类似陆地网络的成熟的网络评估方法和网络规划策略,水下无线传感器网络的性能指标,如延迟、能量效率、可靠性和覆盖率很难评估,通过水下网络的部署及规划来提高组网性能存在瓶颈。为此,本申请实施例公开了一种水声传感器网络性能评估方法、装置、设备及介质,能够提供一种通用的水声传感器网络性能评估方案,从而准确估计网络性能指标,并指导网络配置和通信配置,以提高水下传感网的性能。
参见图1和图2所示,本申请实施例公开了一种水声传感器网络性能评估方法,该方法包括:
步骤S11:预先建立与水声传感器网络对应的网络性能评估模型,并设置所述网络性能评估模型中网络性能指标的要求值;所述网络性能指标包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率。
本实施例中,需要预先建立与水声传感器网络对应的通用的网络性能评估模型。可以理解的是,网络建模能够评估结果性能,而无需昂贵的实际测试,这有利于网络部署和配置,准确的网络模型在网络性能优化过程中发挥关键作用。然后设置网络性能评估模型中网络性能指标的要求值,其中,网络性能指标可以包括但不限于端到端可靠性、端到端延迟、网络能量效率和网络覆盖率等。也即,水下应用场景需满足的性能要求,包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率等指标。
步骤S12:将网络配置参数和通信配置参数输入所述网络性能评估模型,以输出所述网络性能指标的估计值。
本实施例中,将网络配置参数和通信配置参数作为网络性能评估模型的输入,并产生端到端输出的网络性能指标的估计值,也即输出与端到端可靠性、端到端延迟、网络能量效率和网络覆盖率等网络性能指标对应的估计值,实现了通过该网络性能评估模型对网络性能指标的准确估计。需要指出的是,网络配置可以包括网络拓扑结构、传感器位置等;通信配置可以包括信号频率、传输功率、数据包大小等,而如何设置拓扑结构、传感器位置等网络部署配置,是满足网络性能的最基本前提;此外,传感器的信号频率、传输功率等通信配置可以进一步提高网络性能。上述网络性能评估模型通过理解拓扑、路由、水声信道之间的复杂关系,能够准确估计网络性能指标。也即,本申请结合水声传感网具有高时延、低速率、高能耗、高误码率等通信特点,通过数学建模对影响网络性能指标的因素进行有效分析,实现水声传感器网络高效运行。
步骤S13:利用线性加权求和法对所述网络性能评估模型进行求解,并在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。
本实施例中,利用线性加权求和法对网络性能评估模型进行求解,通过线性加权求和法能够将多目标问题转化为单目标问题,并在要求值和估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。具体需要最小化延迟和能量消耗、最大化覆盖范围和可靠性,使得水下传感器网络能够保持特定应用程序一定的可靠性、及时性和覆盖率,满足性能要求。
可见,本申请通过预先建立与水声传感器网络对应的网络性能评估模型,并设置所述网络性能评估模型中网络性能指标的要求值;所述网络性能指标包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率;将网络配置参数和通信配置参数输入所述网络性能评估模型,以输出所述网络性能指标的估计值;利用线性加权求和法对所述网络性能评估模型进行求解,并在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。由此可见,本申请预先建立与水声传感器网络对应的通用网络性能评估模型,并设置端到端可靠性、端到端延迟、网络能量效率和网络覆盖率等网络性能指标的要求值,再将网络配置参数和通信配置参数作为网络性能评估模型的输入,并产生端到端可靠性、端到端延迟、网络能量效率和网络覆盖率的精确估计值;然后利用线性加权求和法对所述网络性能评估模型进行求解,将多目标问题转化为单目标问题,并在要求值和估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。本申请提供了一种通用的水声传感器网络性能评估方案,能够准确估计网络性能指标,进而给出网络的最佳部署配置,有效提升了网络性能。
参见图3所示,本申请实施例公开了一种具体的水声传感器网络性能评估方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。
具体包括:
步骤S21:预先基于水下声信道的路径损耗建立信道模型,并基于所述信道模型分别建立端到端可靠性模型、端到端延迟模型和网络能量效率模型,以及利用蒙特卡洛方法确定出网络覆盖率模型。
本实施例中,针对模型预先做出三个假设:(1)每个传感器节点都可进行全向传播,通信范围为R;(2)只有当两个传感器节点之间的欧几里得距离不大于R时,它们才能相互通信;(3)部署区域是一个三维静态水下环境,传感器节点的移动在可接受范围内,可以忽略。本实施例预先基于水下声信道的路径损耗建立信道模型,并基于信道模型分别建立端到端可靠性模型、端到端延迟模型和网络能量效率模型,以及利用蒙特卡洛方法确定出网络覆盖率模型。可以理解的是,在评估网络方案时考虑的性能指标是端到端可靠性(即k跳的可靠性)、端到端延迟、网络能量效率和网络覆盖率。k跳的可靠性定义为链路上k跳正确接收的数据包数与所有节点实际生成的数据包的比例;端到端延迟被定义为数据包生成和数据包正确传送到接收器之间的平均时间间隔;能量效率定义为比特级传输分组所消耗的能量水平;网络覆盖率定义为网络节点能够覆盖的通信范围,而在考虑如上性能指标时,水声信道特性对其影响也是不容忽视的。另外,针对网络覆盖率,本实施例中的模型考虑三维网络,三维网络覆盖范围的计算非常复杂。节点的覆盖范围为球体,通信半径为Rs。网络中有N个传感器节点,对于多个球体,不仅两个球体相交并具有公共部分,而且三个球体也可能具有公共部分。此时,很难通过累加球体的体积并减去公共部分的体积来简单计算。因此使用蒙特卡罗方法,类似于投针实验,蒲丰投针计算圆周pi是随机方法最经典的应用。通过概率实验获得的概率来估计感兴趣的数量,这种方法称为蒙特卡罗方法。为了计算球体空间占据的体积,可以通过构造包含所有球体的立方体来解决这个问题,在立方体空间中随机生成q个点,并使用球体方程来计算落在球体中的随机点的数量p,然后所有球体占据的体积是立方体的体积的p/q倍。整个网络的覆盖范围表示为Vcov,网络覆盖范围的要求值为Vreq。
具体的,上述信道模型的建立过程包括:基于传感器节点间的距离和声信号频率确定出水下声信道的路径损耗,并利用所述路径损耗、环境噪声和发送功率确定出信噪比;基于所述信噪比确定出传感器节点间发送一比特数据的错误概率,以及基于所述信噪比和网络带宽确定出链路速度;基于所述错误概率确定出传感器节点间传输目标数量比特数据的正确传输概率,以及基于所述链路速度和所述发送功率确定出传感器节点间用于传输一比特数据的单位能量消耗。需要指出的是,水声信道特性对性能指标的影响不容忽视。水下声信道的路径损耗对信息的成功传输概率起着重要作用,路径损耗不仅取决于发射节点和接收节点之间的距离,还取决于信号频率。信号频率决定了由于声能转换为热能而引起的吸收损失。吸收损耗随着频率和距离的增加而增加,这限制了在有限传输功率的实际范围内的可用带宽。在水声系统中,较短的通信链路比较长的通信链路提供更多的带宽。例如,1kHz的带宽可以用于在一个跳中形成100km以上的传输,或者可以通过在10跳上中继信息来形成100km以下的传输,每个跳长10km,提供约10kHz的带宽。因此,更复杂的中继系统可以显著提高信息吞吐量并降低总能耗。
首先基于传感器节点间的距离和声信号频率确定出水下声信道的路径损耗,具体的,距离l处两节点间频率为f的水下声通信路径传播衰减模型为:
A(l,f)=A0lka(f)l;
其中,k表示传播几何结构的传播因子,对于球形传播,k=2,对于圆柱形传播,k=1,而a(f)是吸收系数。如果以dB为单位,水下声路径损耗为:
对于低频信号,水声路径损耗为:
其次,利用路径损耗、环境噪声和发送功率确定出信噪比。可以理解的是,海洋中的环境噪声N(f)可以用四个源来模拟:湍流Nt(f)、航运Ns(f)、海浪Nw(f)和热噪声Nth(f),他们分别影响不同的频率区域,具体如下:
10logNt(f)=17-30logf;
10logNs(f)=40+20(s-0.5)+26logf-60log(f+0.03);
10logNth(f)=-15+20logf;
N(f)=Nt(f)+Ns(f)+Nw(f)+Nth(f);
利用路径衰减A(l,f)和噪声N(f),当声信号频率f和功率P时,可以估计在距离l上观察到的信噪比(SNR)。对于距离l,存在最优频率可以得到最高的信噪比。也就是说可以根据给定的信道和噪声特性A(l,f)和N(f)来调整信号,从而优化性能指标。信噪比SNR(l,f,P)为:
再基于信噪比确定出传感器节点间发送一比特数据的错误概率,假设采用二进制相移键控(即BPSK)对水声数据进行调制。在BPSK中,每个符号表示一个比特,则在频率f处发送功率P的距离l上的一个比特的数据的错误概率为:
基于香农定理,可以通过信噪比和带宽得到信道的容量即链路速度C(l,f,P)。信道容量、包的大小及功率决定了节点传输一个数据包到相邻节点即一跳内单次的能耗。其中B为网络带宽,链路速度为:
C(l,f,P)=B*log(1+SNR(l,f,P));
为了便于标注,引入了节点之间的欧几里得距离的标注,节点i的位置坐标为:(xi,yi,zi),节点j的位置坐标为:(xj,yj,zj),dij表示节点i和节点j之间的距离为:
此外,节点j传输范围内的节点集为Nj={i:dij≤Rt},其中Rt是传输范围。基于链路速度和发送功率确定出节点i传输一个1比特的数据包到节点j单次的单位能量消耗为:
基于水下环境的属性,对成功传输概率进行了分析和建模。基于错误概率确定出传感器节点间传输目标数量(即n)比特数据的正确传输概率,具体的对于节点i和节点j,距离为dij,发送功率为P,通信频率为f,传输n比特大小的数据包的正确传输概率为:
p(dij,f,P,n)=(1-pe(dij,f,P))n。
具体的,上述端到端可靠性模型的建立过程包括:基于所述正确传输概率确定出任意传感器节点接收到数据包的一跳成功传输概率,并基于所述一跳成功传输概率利用递归方法确定出任意传感器节点在多跳下成功接收到数据包的多跳成功传输概率;利用所述多跳成功传输概率确定出比特数据从源传感器节点成功至目标传感器节点的成功传输概率,以得到端到端可靠性模型。可以理解的是,可靠性机制为逐跳前向纠错(即HBH),在源传感器节点将数据包分为ξ个包,对这ξ个数据包进行冗余编码,编码后为ξ+ε个数据包,每个节点至少要成功收到ξ个数据包,可将原始数据解出,当节点转发时,再将数据进行分包并冗余编码为ξ+ε个数据包。因此对于逐跳前向纠错,每个节点均需成功接收到至少ξ个数据包。首先基于正确传输概率确定出任意传感器节点接收到数据包的一跳成功传输概率,也即计算节点j通过直接通信从节点i接收数据包的概率为:
在动态路由中,由于网络的大规模和复杂的拓扑结构,可能存在多个相邻节点,因此向目标节点传输数据的跳数是不确定的,泛洪路由可以代表性能的下限。因此,建立了基于不同跳数下洪泛的分组成功传输概率模型,以获得网络的可靠性。在网络模型中,源节点表示为nS,目标节点表示为nT。来自源节点的数据包被节点j在多跳(即k跳)下成功接收的可能性,即多跳成功传输概率表示为hk(nS,ni)。
网络中任何节点在一跳下从源节点接收到数据包的概率表示为h1(nS,ni),实际上等于pr(nS,ni):
h1(nS,nj)=pr(nS,nj);
两跳内成功接收的概率h2(nS,nj),节点r是源节点和节点j之间的中继节点。首先,数据包需成功到达节点r,其次,需从节点r成功传输数据给节点j。如果两个条件中的任何一个不满足,则数据包将无法成功从源到中继节点r并发送到节点j。如果所有路径都失败,则数据包将无法从源节点发送到节点j:
类似地,利用递归方法确定出传感器节点j在k跳下成功接收比特数据的多跳成功传输概率为:
然后利用多跳成功传输概率确定出比特数据从源传感器节点成功传输至目标传感器节点的成功传输概率,也即比特数据从源传感器节点以任何跳传输至目标节点T的成功传输概率则为端到端可靠性,记为RETE:
具体的,上述端到端延迟模型的建立过程包括:基于所述一跳成功传输概率、链路传输延迟和链路传播延迟确定出传感器节点间的单位时间延迟;确定从所述源传感器节点经由不同中继传感器节点到所述目标传感器节点的第一路径概率权重;基于所述单位时间延迟和所述第一路径概率权重确定出期望延迟,并基于所述期望延迟和所述第一路径概率权重确定出从所述源传感器节点经由不同路径到达所述目标传感器节点的通信延迟,以得到端到端延迟模型。
可以理解的是,本实施例中考虑从源传感器节点到目标传感器节点的总延迟,即端到端延迟。假设在源传感器节点和目标传感器节点之间有N-1个路由器,且假设每个路由器和源传感器节点上的处理延迟是可忽略的,每个路由器和来源主机的传输速率为V比特/秒,每个链路上的传输延迟为:
其中Ld是数据包大小;
每个链路上的传播延迟为其中vc是水声速度。节点延迟累积即为端到端延迟。
首先计算从传感器节点i一跳成功到达传感器节点j的延迟。如果一次成功接收到从传感器节点i发送到传感器节点j的一跳数据包,则延迟为传输延迟和传播延迟之和。还通常,需要考虑由于失败导致的数据重传,因此,基于一跳成功传输概率、链路传输延迟和链路传播延迟确定出传感器节点间的单位时间延迟T(ni,nj):
从源传感器节点到传感器节点j的一跳延迟为如下所示:
为了计算跳数k>1的延迟,考虑从传感器节点S到传感器节点j的多条路径。分析每个路径的最后一跳。传感器节点r是传感器节点j的邻居,表示为nr,数据包以k-1跳从传感器节点S发送到传感器节点r。从传感器节点S经由中继传感器节点r到传感器节点j的k跳路径的概率权重表示如下:
相应的,从源传感器节点S经由不同中继传感器节点r到目标传感器节点T的第一路径概率权重为
然后计算期望延迟假设到达传感器节点j需要k跳。每条路径的延迟包含k-1跳到传感器节点r的延迟以及从传感器节点r直接到传感器节点j的延迟:
基于期望延迟和第一路径概率权重确定出从源传感器节点经由不同路径到达目标传感器节点的目标时间延迟,跳数不超过T-1,以得到端到端延迟模型TETE:
具体的,上述网络能量效率模型的建立过程包括:基于所述单位能量消耗确定出传感器节点间一跳传输预设大小的数据包产生的能量消耗;确定从所述源传感器节点经由不同中继传感器节点到达所述目标传感器节点的第二路径概率权重;基于所述能量消耗、所述第二路径概率权重和所述一跳成功传输概率确定出所述源传感器节点经由不同中继传感器节点任意跳到达目标传感器节点时,所述源传感器节点和各所述中继传感器节点的能量消耗信息,以得到网络的总能量消耗;基于所述总能量消耗和所述端到端可靠性模型确定出网络能量效率,以得到网络能量效率模型。可以理解的是,网络能耗是每个节点的累积能量消耗,节点i是路径上的一个路由器,数据包以k跳从源节点发送到目标节点,表示节点i的能量消耗。节点i向节点j发送1比特数据包的能耗为γ(dij)。数据包一跳从节点i发送到节点j,节点i的能量消耗为c(ni,nj)。数据包拆分为大小为Ld比特的ξ个数据块,编码阶段引入冗余以进行纠错,产生ε个额外数据块,因此基于单位能量消耗可以确定出传感器节点间一跳传输预设大小(即Ld)的数据包产生的能量消耗为:
c(ni,nj)=(ξ+ε)*Ld*γ(dij);
首先分析源传感器节点的能量消耗,当数据包从源传感器节点直接发送到目标传感器节点时,源节点的能量消耗为
如果包以多跳的方式从源传感器节点发送到目标传感器节点,则源传感器节点的能量消耗为从节点nS经过k跳到节点nm可能有多条路径,因此需要分析所有路径,将传感器节点S的相邻节点j视为传感器节点S的下一跳,传感器节点S通过相邻节点j能够以k跳中继到传感器节点m的概率权重为/>
源节点的能量消耗为:
现在计算其他传感器节点的能量消耗,当数据包从源传感器节点S经过k跳发送到目标传感器节点T时,其中,中继节点i作为路径的第ki跳的概率权重为即从源传感器节点经由不同中继传感器节点到达目标传感器节点的第二路径概率权重:
基于能量消耗、第二路径概率权重和一跳成功传输概率确定出源传感器节点经由不同中继传感器节点任意跳到达目标传感器节点时,源传感器节点和各中继传感器节点的能量消耗信息,以得到网络的总能量消耗,中继传感器节点i的能量消耗被定义为
其中,xj(ni,nm,k-ki)表示节点i经过k-ki跳到节点m,节点j是否在该路径上,如果在该路径上,xj(ni,nm,k-ki)=1,否则xj(ni,nm,k-ki)=0。
源传感器节点经过任意跳数至目标传感器节点的总能量消耗为:
最后基于总能量消耗和端到端可靠性模型确定出网络能量效率,以得到网络能量效率模型,其中,成功传递的数据包数量表示为deliverednum*RTET,能量效率为成功传递数据大小与信号传输能量的比值:
步骤S22:为所述端到端可靠性模型、所述端到端延迟模型、所述网络能量效率模型和所述网络覆盖率模型分配相应的权重值,以便利用加权后的所述端到端可靠性模型、所述端到端延迟模型、所述网络能量效率模型和所述网络覆盖率模型建立与水声传感器网络对应的网络性能评估模型。
本实施例中,需要为端到端可靠性模型、端到端延迟模型、网络能量效率模型和网络覆盖率模型分配相应的权重值,以便利用加权后的各个模型建立与水声传感器网络对应的网络性能评估模型。具体表达式如下:
其中RETE为端到端可靠性,Rreq为应用场景对端到端可靠性的要求;TETE为端到端延迟,Treq为应用场景对端到端延迟的要求;Energyreq为应用场景对网络能量效率的要求,Energyeff为网络能量效率;Vcov为网络的覆盖范围,Vreq为应用场景对网络覆盖范围的要求。λ1、λ2、λ3、λ4为不同性能指标的权重值,通过调整权重来均衡不同的性能指标。本实施例通过如何通过调整网络部署参数,包括节点位置,节点的频率设置及发送功率等,从而使得OPT最大化,该问题的解为网络节点的位置,节点的频率设置及发送功率。
步骤S23:设置所述网络性能评估模型中网络性能指标的要求值;所述网络性能指标包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率。
步骤S24:将网络配置参数和通信配置参数输入所述网络性能评估模型,以输出所述网络性能指标的估计值。
步骤S25:利用线性加权求和法对所述网络性能评估模型进行求解,并在所述端到端可靠性的估计值不小于对应的要求值、所述端到端延迟的估计值不大于对应的要求值、所述网络能量效率的估计值不小于对应的要求值以及所述网络覆盖率的估计值不小于对应的要求值的情况下输出最优网络配置和最优通信配置。
本实施例中,利用线性加权求和法对所述网络性能评估模型进行求解,并在端到端可靠性的估计值不小于对应的要求值、端到端延迟的估计值不大于对应的要求值、网络能量效率的估计值不小于对应的要求值以及网络覆盖率的估计值不小于对应的要求值的情况下输出最优网络配置和最优通信配置,具体的,为了实现这些性能之间的权衡,通过求解线性加权求和法将多目标问题转换为单目标问题,进而找到网络的最佳部署配置。上述模型能够理解拓扑、路由、水声信道之间的复杂关系,从而准确估计网络性能指标,进而指导网络拓扑结构、传感器位置等网络部署配置以及频率、传输功率、数据包大小等通信配置的调整,能够有效提升网络性能。
其中,关于上述步骤S23和S24更加具体的处理过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见上述方案通过将问题表述为基于性能评估模型的多目标部署优化问题,可以权衡降低通信延迟和节点的平均能耗,优化网络能量平衡,提高网络的可靠性,确保一定数量节点下的网络覆盖。通过修改节点部署位置和通信模式等特定配置,可以有效提高水声网络的性能。
参见图4所示,本申请实施例公开了一种水声传感器网络性能评估装置,该装置包括:
参数设置模块11,用于预先建立与水声传感器网络对应的网络性能评估模型,并设置所述网络性能评估模型中网络性能指标的要求值;所述网络性能指标包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率;
参数输出模块12,用于将网络配置参数和通信配置参数输入所述网络性能评估模型,以输出所述网络性能指标的估计值;
参数求解模块13,用于利用线性加权求和法对所述网络性能评估模型进行求解,并在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。
可见,本申请通过预先建立与水声传感器网络对应的网络性能评估模型,并设置所述网络性能评估模型中网络性能指标的要求值;所述网络性能指标包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率;将网络配置参数和通信配置参数输入所述网络性能评估模型,以输出所述网络性能指标的估计值;利用线性加权求和法对所述网络性能评估模型进行求解,并在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。由此可见,本申请预先建立与水声传感器网络对应的通用网络性能评估模型,并设置端到端可靠性、端到端延迟、网络能量效率和网络覆盖率等网络性能指标的要求值,再将网络配置参数和通信配置参数作为网络性能评估模型的输入,并产生端到端可靠性、端到端延迟、网络能量效率和网络覆盖率的精确估计值;然后利用线性加权求和法对所述网络性能评估模型进行求解,将多目标问题转化为单目标问题,并在要求值和估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置。本申请提供了一种通用的水声传感器网络性能评估方案,能够准确估计网络性能指标,进而给出网络的最佳部署配置,有效提升了网络性能。
图5为本申请实施例提供的一种电子设备的结构示意图。具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的由电子设备执行的水声传感器网络性能评估方法中的相关步骤。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统221、计算机程序222及数据223等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,以实现处理器21对存储器22中海量数据223的运算与处理,其可以是Windows、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的水声传感器网络性能评估方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据,也可以包括由自身输入输出接口25采集到的数据等。
进一步的,本申请实施例还公开了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行时,实现前述任一实施例公开的由水声传感器网络性能评估过程中执行的方法步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种水声传感器网络性能评估方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种水声传感器网络性能评估方法,其特征在于,包括:
预先建立与水声传感器网络对应的网络性能评估模型,并设置所述网络性能评估模型中网络性能指标的要求值;所述网络性能指标包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率;
将网络配置参数和通信配置参数输入所述网络性能评估模型,利用线性加权求和法对所述网络性能评估模型进行求解,以输出所述网络性能指标的估计值;
在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置;
其中,所述预先建立与水声传感器网络对应的网络性能评估模型,包括:
预先基于水下声信道的路径损耗建立信道模型,并基于所述信道模型分别建立端到端可靠性模型、端到端延迟模型和网络能量效率模型,以及利用蒙特卡洛方法确定出网络覆盖率模型;
为所述端到端可靠性模型、所述端到端延迟模型、所述网络能量效率模型和所述网络覆盖率模型分配相应的权重值,以便利用加权后的所述端到端可靠性模型、所述端到端延迟模型、所述网络能量效率模型和所述网络覆盖率模型建立与水声传感器网络对应的网络性能评估模型;
所述信道模型的建立过程包括:
基于传感器节点间的距离和声信号频率确定出水下声信道的路径损耗,并利用所述路径损耗、环境噪声和发送功率确定出信噪比;
基于所述信噪比确定出传感器节点间发送一比特数据的错误概率,以及基于所述信噪比和网络带宽确定出链路速度;
基于所述错误概率确定出传感器节点间传输目标数量比特数据的正确传输概率,以及基于所述链路速度和所述发送功率确定出传感器节点间用于传输一比特数据的单位能量消耗;
所述端到端可靠性模型的建立过程包括:
基于所述正确传输概率确定出任意传感器节点接收到数据包的一跳成功传输概率,并基于所述一跳成功传输概率利用递归方法确定出任意传感器节点在多跳下成功接收到数据包的多跳成功传输概率;
利用所述多跳成功传输概率确定出比特数据从源传感器节点至目标传感器节点的成功传输概率,以得到端到端可靠性模型;
所述端到端延迟模型的建立过程包括:
基于所述一跳成功传输概率、链路传输延迟和链路传播延迟确定出传感器节点间的单位时间延迟;
确定从所述源传感器节点经由不同中继传感器节点到所述目标传感器节点的第一路径概率权重;
基于所述单位时间延迟和所述第一路径概率权重确定出期望延迟,并基于所述期望延迟和所述第一路径概率权重确定出从所述源传感器节点经由不同路径到达所述目标传感器节点的通信延迟,以得到端到端延迟模型;
所述网络能量效率模型的建立过程包括:
基于所述单位能量消耗确定出传感器节点间一跳传输预设大小的数据包产生的能量消耗;
确定从所述源传感器节点经由不同中继传感器节点多跳到达目标传感器节点的第二路径概率权重;
基于所述能量消耗、所述第二路径概率权重和所述一跳成功传输概率,确定出所述源传感器节点经由不同中继传感器节点任意跳到达目标传感器节点时,所述源传感器节点和各所述中继传感器节点的能量消耗信息,以得到网络的总能量消耗;
基于所述总能量消耗和所述端到端可靠性模型确定出网络能量效率,以得到网络能量效率模型;
所述在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置,包括:
在所述端到端可靠性的估计值不小于对应的要求值、所述端到端延迟的估计值不大于对应的要求值、所述网络能量效率的估计值不小于对应的要求值以及所述网络覆盖率的估计值不小于对应的要求值的情况下输出最优网络配置和最优通信配置。
2.一种水声传感器网络性能评估装置,其特征在于,包括:
参数设置模块,用于预先建立与水声传感器网络对应的网络性能评估模型,并设置所述网络性能评估模型中网络性能指标的要求值;所述网络性能指标包括端到端可靠性、端到端延迟、网络能量效率和网络覆盖率;
参数输出模块,用于将网络配置参数和通信配置参数输入所述网络性能评估模型,利用线性加权求和法对所述网络性能评估模型进行求解,以输出所述网络性能指标的估计值;
参数求解模块,用于在所述要求值和所述估计值满足预设目标条件的情况下输出最优网络配置和最优通信配置;
其中,所述参数设置模块,具体用于预先基于水下声信道的路径损耗建立信道模型,并基于所述信道模型分别建立端到端可靠性模型、端到端延迟模型和网络能量效率模型,以及利用蒙特卡洛方法确定出网络覆盖率模型;
为所述端到端可靠性模型、所述端到端延迟模型、所述网络能量效率模型和所述网络覆盖率模型分配相应的权重值,以便利用加权后的所述端到端可靠性模型、所述端到端延迟模型、所述网络能量效率模型和所述网络覆盖率模型建立与水声传感器网络对应的网络性能评估模型;
所述信道模型的建立过程包括:
基于传感器节点间的距离和声信号频率确定出水下声信道的路径损耗,并利用所述路径损耗、环境噪声和发送功率确定出信噪比;
基于所述信噪比确定出传感器节点间发送一比特数据的错误概率,以及基于所述信噪比和网络带宽确定出链路速度;
基于所述错误概率确定出传感器节点间传输目标数量比特数据的正确传输概率,以及基于所述链路速度和所述发送功率确定出传感器节点间用于传输一比特数据的单位能量消耗;
所述端到端可靠性模型的建立过程包括:
基于所述正确传输概率确定出任意传感器节点接收到数据包的一跳成功传输概率,并基于所述一跳成功传输概率利用递归方法确定出任意传感器节点在多跳下成功接收到数据包的多跳成功传输概率;
利用所述多跳成功传输概率确定出比特数据从源传感器节点至目标传感器节点的成功传输概率,以得到端到端可靠性模型;
所述端到端延迟模型的建立过程包括:
基于所述一跳成功传输概率、链路传输延迟和链路传播延迟确定出传感器节点间的单位时间延迟;
确定从所述源传感器节点经由不同中继传感器节点到所述目标传感器节点的第一路径概率权重;
基于所述单位时间延迟和所述第一路径概率权重确定出期望延迟,并基于所述期望延迟和所述第一路径概率权重确定出从所述源传感器节点经由不同路径到达所述目标传感器节点的通信延迟,以得到端到端延迟模型;
所述网络能量效率模型的建立过程包括:
基于所述单位能量消耗确定出传感器节点间一跳传输预设大小的数据包产生的能量消耗;
确定从所述源传感器节点经由不同中继传感器节点多跳到达目标传感器节点的第二路径概率权重;
基于所述能量消耗、所述第二路径概率权重和所述一跳成功传输概率,确定出所述源传感器节点经由不同中继传感器节点任意跳到达目标传感器节点时,所述源传感器节点和各所述中继传感器节点的能量消耗信息,以得到网络的总能量消耗;
基于所述总能量消耗和所述端到端可靠性模型确定出网络能量效率,以得到网络能量效率模型;
所述参数求解模块,还用于在所述端到端可靠性的估计值不小于对应的要求值、所述端到端延迟的估计值不大于对应的要求值、所述网络能量效率的估计值不小于对应的要求值以及所述网络覆盖率的估计值不小于对应的要求值的情况下输出最优网络配置和最优通信配置。
3.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1所述的水声传感器网络性能评估方法的步骤。
4.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1所述的水声传感器网络性能评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211653445.0A CN115987833B (zh) | 2022-12-21 | 2022-12-21 | 一种水声传感器网络性能评估方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211653445.0A CN115987833B (zh) | 2022-12-21 | 2022-12-21 | 一种水声传感器网络性能评估方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115987833A CN115987833A (zh) | 2023-04-18 |
CN115987833B true CN115987833B (zh) | 2024-04-26 |
Family
ID=85973408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211653445.0A Active CN115987833B (zh) | 2022-12-21 | 2022-12-21 | 一种水声传感器网络性能评估方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115987833B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103338471A (zh) * | 2013-06-27 | 2013-10-02 | 南京邮电大学 | 基于模型的无线多跳网络服务质量指标评价方法 |
CN105744583A (zh) * | 2016-02-22 | 2016-07-06 | 暨南大学 | 一种低轮值传感网中的动态功率控制方法 |
CN110167124A (zh) * | 2019-05-21 | 2019-08-23 | 浙江大学 | 一种自适应传输功率的水下无线传感器网络目标跟踪方法 |
CN111065107A (zh) * | 2020-01-13 | 2020-04-24 | 山东交通学院 | 基于量子遗传算法的水下无线传感器网络安全路由控制方法 |
KR102216515B1 (ko) * | 2019-09-03 | 2021-02-17 | 인하대학교 산학협력단 | 차세대 수중통신 네트워크를 위한 효율적 snr 매핑 기반 링크적응 방법 및 장치 |
KR102242664B1 (ko) * | 2019-11-12 | 2021-04-20 | 한국해양과학기술원 | 3d 수중 음향센서 네트워크에서의 성능 최적화 장치 및 그 장치의 구동방법 |
-
2022
- 2022-12-21 CN CN202211653445.0A patent/CN115987833B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103338471A (zh) * | 2013-06-27 | 2013-10-02 | 南京邮电大学 | 基于模型的无线多跳网络服务质量指标评价方法 |
CN105744583A (zh) * | 2016-02-22 | 2016-07-06 | 暨南大学 | 一种低轮值传感网中的动态功率控制方法 |
CN110167124A (zh) * | 2019-05-21 | 2019-08-23 | 浙江大学 | 一种自适应传输功率的水下无线传感器网络目标跟踪方法 |
KR102216515B1 (ko) * | 2019-09-03 | 2021-02-17 | 인하대학교 산학협력단 | 차세대 수중통신 네트워크를 위한 효율적 snr 매핑 기반 링크적응 방법 및 장치 |
KR102242664B1 (ko) * | 2019-11-12 | 2021-04-20 | 한국해양과학기술원 | 3d 수중 음향센서 네트워크에서의 성능 최적화 장치 및 그 장치의 구동방법 |
CN111065107A (zh) * | 2020-01-13 | 2020-04-24 | 山东交通学院 | 基于量子遗传算法的水下无线传感器网络安全路由控制方法 |
Non-Patent Citations (2)
Title |
---|
基于优先级QoS选择策略的水下网络中继算法;钟贞魁;;计算机仿真;20160115(01);全文 * |
水下无线传感器网络节点混合定位与优化算法;侯森林;杜秀娟;李梅菊;黄科军;;计算机工程;20181215(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115987833A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Coutinho et al. | Design guidelines for opportunistic routing in underwater networks | |
Quy et al. | Survey of Recent Routing Metrics and Protocols for Mobile Ad-Hoc Networks. | |
Ayaz et al. | A survey on routing techniques in underwater wireless sensor networks | |
Faheem et al. | LRP: Link quality‐aware queue‐based spectral clustering routing protocol for underwater acoustic sensor networks | |
Ali et al. | End-to-end delay and energy efficient routing protocol for underwater wireless sensor networks | |
WO2013178981A1 (en) | Content centric and load-balancing aware dynamic data aggregation | |
Chen et al. | QMCR: A Q-learning-based multi-hop cooperative routing protocol for underwater acoustic sensor networks | |
Coutinho et al. | OMUS: Efficient opportunistic routing in multi-modal underwater sensor networks | |
Chen et al. | Trajectory-aware communication solution for underwater gliders using WHOI micro-modems | |
CN111065107A (zh) | 基于量子遗传算法的水下无线传感器网络安全路由控制方法 | |
Rahman et al. | Delay-tolerant networks (DTNs) for underwater communications | |
Patil et al. | Stochastic modeling of depth based routing in underwater sensor networks | |
Kapileswar et al. | Energy efficient routing in IOT based UWSN using bald eagle search algorithm | |
Jafri et al. | Implementation of depth‐based routing and its enhancement in AquaSim–Next Generation for underwater wireless sensor networks | |
Jafri et al. | On the optimality of opportunistic routing protocols for underwater sensor networks | |
Li et al. | An analytic model predicting the optimal range for maximizing 1-hop broadcast coverage in dense wireless networks | |
Han et al. | FCLR: Fuzzy control-based layering routing protocol for underwater acoustic networks | |
CN108650030B (zh) | 水下无线传感器网络的水面多个汇聚结点部署方法 | |
Sivakumar | Minimizing transmission loss using inspired ant colony optimization and Markov chain Monte Carlo in underwater WSN environment | |
Barki et al. | Improving the selection of MPRs in OLSR protocol: a survey of methods and techniques. | |
CN115987833B (zh) | 一种水声传感器网络性能评估方法、装置、设备及介质 | |
Ahmed et al. | Routing Protocols for Underwater Wireless Sensor Network Based on Location: A Survey. | |
Liu et al. | RECRP: A reliable energy-efficient cross-layer routing protocol in UWSNs | |
Rahman et al. | An Optimal Delay Tolerant and Improved Data Collection Schema Using AUVs for Underwater Wireless Sensor Networks | |
Hassan et al. | Evaluation of Ad Hoc Routing Protocols in Real Simulation Environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |