基于概率邻域网格的三维UASNs的移动数据收集方法与流程

本发明属于水声传感器网络领域，具体涉及一种基于概率邻域网格的三维UASNs的移动数据收集方法。

背景技术：

水下数据收集对水声传感器网络(underwater acoustic sensor networks，UASNs)的应用具有至关重要的意义，无论是水下环境的监测和管理还是水下灾害监测预警，人们都需要利用UASNs收集获取到感知监测区域的兴趣消息，然后对信息进行分析处理和存储挖掘等操作，最终才能做出合理有效的决策。在UASNs的很多应用中，数据收集需要传输大量的感知数据，而大量感知数据在网络中传输，会产生大量通信开销。此外，由于节点能量是有限的电量的电池供应的而不是持续供给的，为了能够在检测区域获得更多的检测数据，保证网络的有效性，延长网络寿命就是首要的任务。因此，如何在保证信息增益的情况下，尽可能地延长网络寿命并，是一个极具挑战性的问题。

目前，对水声传感器网络数据收集方法的相关研究文献如下：

1、Wang等人在2008年的《International Conference on Distributed Computing Systems Workshops》上发表的文章“Data Collection with Multiple Mobile Actors in Underwater Sensor Networks”提出了一个采用多个mobile actors以获取高时间精度数据的水下数据收集方案。该方案主要包含三个算法：区域划分及actors分散算法、子区域优化算法，以及虚拟簇生成算法。该方案首先根据边界节点位置将网络划分成4ⁿ个区域，再根据节点个数估计每个子区域的收集时延，并对子区域进行优化，然后将按照一定的位置策略将actors部署到每一个子区域，建立虚拟簇进行数据收集。

2、Domingo等人在2011年的《Wireless Personal Communications》上发表的文章“A Distributed Energy-Aware Routing Protocol for Underwater Wireless Sensor Networks”提出了一种能量高效的分布式聚簇方案DUCS，该方案通过分簇和数据聚合数据来消除冗余信息，以此达到减少网络能耗的目的。尽管分簇是优化大型网络总能耗的一种有效方法，但是这种方法会造成簇头节点能耗不均的问题。

3、Hollinger等人在2012年的《IEEE Journal on Selected Areas in Communications》上发表的文章“Underwater Data Collection using Robotic Sensor Networks”提出了一个采用AUV进行水声传感器网络数据收集的方案。该方案将规划AUV路径进行水下数据收集、在最小化路径消耗的同时最大花数据收集的问题定义为通信约束下的数据收集问题(CC-DCP)，并将CC-DCP问题公式化，提出了一个启发式近似算法，最终提出三种适用于不同场景的2D启发式路径规划方案。

4、Ilyas等人在2015年的《Procedia Computer Science》上发表的文章“AEDG:AUV-aided Efficient Data Gathering Routing Protocol for Underwater Wireless Sensor Networks”提出了AUV辅助的数据收集方法AEDG，其目的在于实现UASNs中的可靠数据收集。在AEDG中，网关采用最短路径树算法收集节点数据，之后AUV沿预设的椭圆形轨迹从网关收集数据。该方法可以有效地平衡能量消耗，延长网络的生命周期，然而AEDG是基于确定性通信模型的，而在UASNs的实际应用中，数据传输成功率是随距离降低的。

5、Khan等人在2015年的《Sensors》上发表的文章“A Distributed Data-Gathering Protocol Using AUV in Underwater Sensor Networks”提出了一个分布式数据收集方案AUV-PN。在该方案中，AUV执行两个阶段：网络划分之旅(NPT)和数据收集之旅(DGT)。在NPT阶段，AUV首先将整个网络分成多个簇，每个簇根据LEACH协议选择一个簇头节点CH；然后，CH进一步将簇分为多个子簇，并为每一个子簇指定一个path-node(PN)来收集子簇内成员节点MN的当地数据。划分完网络后，AUV开始执行DGT。在该方案中，AUV只需访问CH和PN，就可采集全网数据，有效地缩短了数据收集时间。然而，在该方案中，PN需要收集子簇内的所有数据，而PN的选取只考虑了子簇中数据上传的总能耗开销，未考虑剩余能量问题，额外的通信开销会导致PN过早死亡，影响整个网络的生命周期。

6、Jalaja等人在2015年的《Lecture Notes in Computer Science》上发表的文章“Adaptive data collection in sparse underwater sensor networks using mobile elements”提出了移动辅助的自适应数据收集方法，该方法通过采用移动元素来降低网络能耗，通过一种轮询机制减少数据延迟。然而，由于该方法中移动元素需要移动到所有节点进行数据收集，因此尽管采用了轮询机制，数据延迟依然很大。

综上所述，目前水声传感器网络中基于移动元素进行数据采集时普遍存在的问题是：

1)大多数水声传感器网络数据收集方案的设计都是基于理想的确定性水声通信模型，而在实际应用中，水声信道的数据传输成功率是随距离衰减的，当数据传输失败时，数据收集将无法完成；

2)基于聚簇的数据收集方法会使得簇头节点的能耗增加，最终导致网络能耗不均，降低网络寿命；

3)大多数基于移动辅助的数据收集方法都是假设传感器节点部署于同一个平面，不能有效地应用于3D水环境；

4)高度依赖于节点部署信息，对于节点部署信息未知的网络，数据收集方法无法实现。

技术实现要素：

为了解决现有的水声传感器网络数据收集技术中存在的诸多问题和不足，本发明提出了一种基于概率邻域网格的三维UASNs移动数据收集方法，主要通过将网络划分成概率邻域网格，由AUV到达各概率邻域网格的中心位置来收集节点数据，以有效平衡负载，降低节点能耗，延长网络生命。

实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于概率邻域网格的三维UASNs的移动数据收集方法，具体包含四个步骤：

(1)网络概率性通信模型构建：根据三维UASNs的特性，综合考虑声波衰落、洋流表面活动、湍流噪声、风、热噪声等因素，构建三维UASNs的概率性通信模型；

(2)网络划分：基于构建的概率性通信模型和需要的数据传输成功率p，将网络划分成相同大小的概率邻域网格；

(3)网格遍历路径规划：基于已经划分好的概率邻域网格，采用Layered-Scan方法逐层遍历各概率邻域网格，确定AUV的路径；

(4)数据收集：AUV沿确定好的路径遍历所有概率邻域网格，开始数据收集过程，当AUV靠近小网格的中心位置时，采用调度协议收集当前概率邻域网格的数据。

所述的数据收集方法可以普遍应用于节点部署信息未知的三维UASNs。

在步骤(1)所述的水声传感器网络概率性通信模型中，数据传输成功率随传输距离的增加而衰减。

步骤(2)中所述的概率邻域定义为：概率邻域Ψ_n为三维UASNs中到位置x_v的数据传输成功率P(x_v,x_n)≥p的所有位置x_v的集合。

为保证概率邻域网格内的任意节点的数据成功传输率均不小于p，步骤(2)中所述的概率邻域网格完全包含于概率邻域的内接正六面体。

因此，概率邻域网格的计算方法为：概率邻域网格的最大边长为其中d_p为数据传输成功率p对应的传输距离；所述三维UASNs被划分成k*k*k个概率邻域网格，其中其中L为网络边长；最终的概率邻域网格边长为

步骤(4)中所述的数据收集调度协议是基于时分多址机制的，具体包含三个阶段：

(4-1)初始阶段：网络中部署的所有节点都处于非活跃状态，当AUV靠近概率邻域网格的中心位置时，AUV广播一个包含节点初始调度信息的高功率Wake-up控制包，该高功率Wake-up控制包可以触发当前概率邻域网格内的节点进入活动状态；

(4-2)调度阶段：收到Wake-up包的节点判断自己是否处于当前概率邻域网格内，若是，则转为活动状态，并按照Wake-up包中分配的时槽，按序回复AUV一个确认包ACK，之后，AUV根据各节点回馈的信息重新分配时槽，并将新的传输调度信息发送给节点；

(4-3)数据传输阶段：按照新的传输调度信息，节点将各自存储的数据包传输给AUV，当所有节点的数据传输结束后，AUV重新调度数据传输协议以用于下一轮的数据传输直至所有传输轮数完成。

所述的数据传输阶段中，数据传输轮数是根据用户的信息增益和数据延迟需求预先设定的，通过增加数据传输轮数，可以在保持较小数据延迟的情况下，提高信息增益。

与现有的水声传感器网络数据收集方法相比，本发明所具有的积极效果为：

(1)采用概率性水声通信模型，数据收集距离可根据概率需求灵活调整；

(2)利用AUV进行数据收集，有效减少了传感器节点进行数据传输的能耗，延长了网络寿命；

(3)通过将网络划分成小网格，AUV仅需遍历网格中心位置即可完成数据收集，可以有效应用于节点部署信息未知的水声传感器网络；

(4)通过改变数据传输成功率p的值和数据传输轮数，提供了一种有效的均衡信息增益和数据延迟的解决方案。

附图说明

图1为本发明中整个数据收集方法的流程示意图；

图2为本发明中概率邻域网格计算示意图；

图3为本发明中网格划分示意图；

图4为本发明中AUV遍历概率邻域网格的路径示意图；

图5为本发明中数据调度协议的框架结构示意图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示为一种基于概率邻域网格的三维UASNs的移动数据收集方法的流程图，具体包含如下四个步骤：

(1)网络概率性通信模型构建：根据三维UASNs的特性，综合考虑声波衰落、洋流表面活动、湍流噪声、风、热噪声等因素，构建三维UASNs的概率性通信模型；

(2)网络划分：基于构建的概率性通信模型和数据传输成功率p，将网络划分成相同大小的概率邻域网格；

(3)网格遍历路径规划：基于已经划分好的概率邻域网格，采用Layered-Scan方法逐层遍历各概率邻域网格，确定AUV的路径；

(4)数据收集：AUV沿确定好的路径遍历所有概率邻域网格，开始数据收集过程，当AUV靠近小网格的中心位置时，采用调度协议收集当前概率邻域网格的数据。

在步骤(1)所述的水声传感器网络概率性通信模型中，数据传输成功率随传输距离的增加而衰减。

如图2所示为计算概率邻域网格大小的示意图。其中，概率邻域定义为：概率邻域Ψ_n为三维UASNs中到位置x_v的数据传输成功率P(x_v,x_n)≥p的所有位置x_v的集合。

为保证概率邻域网格内的任意节点的数据成功传输率均不小于p，概率邻域网格必须完全包含网格中心位置的概率邻域球内，网格最大为概率邻域球的内接正六面体。

因此，概率邻域网格的具体计算方法为：概率邻域网格的最大边长为其中d_p为数据传输成功率p对应的传输距离；

所述3D水声传感器网络被划分成k*k*k个概率邻域网格，其中其中L为网络边长；

最终的概率邻域网格边长为

如图3所示为网格划分示意图，整个三维UASNs最终被均匀地划分为k*k*k个边长为l的概率邻域网格。

如图4为概率邻域网格的遍历路径。通过将网络分割成k层，每层可被视为一个2D平面，AUV最终在每层中心位置上按照Scan路径移动。

如图5所示为数据调度协议的框架结构示意图，数据收集调度协议是基于时分多址机制的，具体包含三个阶段：

1)初始阶段：网络中部署的所有节点都处于非活跃状态，当AUV靠近概率邻域网格的中心位置时，AUV广播一个包含节点初始调度信息的高功率Wake-up控制包，该高功率Wake-up控制包可以触发当前概率邻域网格内的节点进入活动状态；

2)调度阶段：收到Wake-up包的节点判断自己是否处于当前概率邻域网格内，若是，则转为活动状态，并按照Wake-up包中分配的时槽，按序回复AUV一个确认包ACK，之后，AUV根据各节点回馈的信息重新分配时槽，并将新的传输调度信息发送给节点；

3)数据传输阶段：按照新的传输调度信息，节点将各自存储的数据包传输给AUV，当所有节点的数据传输结束后，AUV重新调度数据传输协议以用于下一轮的数据传输直至所有传输轮数完成。

其中，所述的数据传输阶段中，数据传输轮数是根据用户的信息增益和数据延迟需求预先设定的，通过增加数据传输轮数，可以在保持较小数据延迟的情况下，提高信息增益。