基于模糊控制的无线体域网能量感知路由的实现方法与流程

本发明属于无线体域网技术领域，具体说的是基于模糊控制的无线体域网能量感知路由的实现方法。

背景技术：

随着智能健康领域的不断发展，由无线传感器网络(wsn)延伸出的无线体域网(wban)备受关注。wban虽属于wsn的一个分支，但其独特特性和应用需求与wsn不同。wban的传感器放置在人体身上，因此，传感器的生物相容性对比wsn的要求较高。此外，wban具有独特的网络特性，如人体移动性，若重要生理数据因为移动性而在传输过程中发生丢包或延迟，则会造成病人巨大的生命威胁。

wban主要应用于远程医疗、远程监护等健康医疗领域。如图1所示为wban的基本体系结构，在人体上部署多个传感器节点和单个sink节点，传感器节点用来感知人体的生理数据并将其感应到的数据发送到sink节点，sink节点接收这些数据并将其整合处理后发送到外部网络，网络的终端可对传递过来的医疗数据进行监测或诊断。

对任何网络而言，路由协议的设计就是为了解决网络中的数据传输问题，路由技术也是wban的核心技术之一，wban中的路由协议设计仍然存在网络拓扑不稳定、传感器节点的电池能量有限以及传输功率受限等尚未解决的问题。在设计路由协议的过程中，考虑到wban的传感器节点无论是部署在体表还是体内都需要具有舒适性和便利性的特点，因此传感器的体积小导致电池容量有限，节点的能量十分匮乏。为了保证在有限的资源条件下传输更多的数据，有效利用节点的能量效率是延长网络寿命的重要途径。另外，wban要满足不同的医疗场景应用，例如数据传输的实时可靠性在紧急医疗场景中非常重要，而在普通的医疗场景中，实时可靠性则相对没那么重要。不同类型的数据传输对于其qos需求也不同，因此wban的路由设计还应满足数据传输的qos需求。

wban中的传感器在通信过程中所消耗的能量占比最大，因此，优化通信过程可以提高能量效率。然而，wban的动态特性可能导致传感器与sink不能直接通信，所以多跳通信更加适合wban的节能研究。多跳通信是指传感器将数据转发至中间转发节点，通过转发节点再将数据传输至sink。在多跳通信中，选择合适的转发节点是路由协议的关键。但是，现有的路由协议在计算路由成本时往往考虑最短路径作为主要的影响参数，忽略了链路质量对防止数据包丢失的影响，从而造成wban的高功耗。此外，为了符合wban的特性，路径成本的计算也需要一种逻辑且客观的方法实现。

技术实现要素：

为解决上述技术内容，本发明提供一种基于模糊控制的无线体域网能量感知路由的实现方法，该方法综合考虑跳数、剩余能量和链路质量等多个参数，建立由传感器的剩余能量和链路质量组成的模糊控制模型，经过模糊化、模糊推理以及去模糊化的路径效益计算后选择出最佳转发节点和把数据传递到sink的最优路径。

为实现上述技术目的，所采用的技术方案是：基于模糊控制的无线体域网能量感知路由的实现方法，包括以下步骤：

步骤1、建立无线体域网网络模型

无线体域网由n个传感器节点和一个sink节点组成，基于跳数最多为三跳的网络拓扑结构，sink节点位于网络拓扑结构的中部；

步骤2、设计传感器节点的归一化剩余能量re和归一化链路质量lq

归一化剩余能量re由该传感器节点的剩余能量eres、该传感器节点的能量阈值eth和该传感器节点的初始能量einitial计算得到；归一化链路质量lq由数据包传输的最小信号强度rssimin和信号强度rssii,j计算得到；

步骤3、将传感器节点i的数据包传输给sink节点

步骤3.1、判断传感器节点i能否直接传输至sink节点，若能，直接传输数据至sink节点，若不能，执行步骤3.2；

步骤3.2、通过路径效益计算选择路径效益值最大的候选转发节点作为最佳转发节点，利用最佳转发节点将传感器节点i的数据传输给sink节点，重复步骤3.2，直到将所有数据包传输至sink节点；

路径效益计算的具体方法为：

步骤3.2.1、将传感器节点i的具有到sink最短跳数的邻居节点作为候选转发节点j；

步骤3.3.2、将候选转发节点j的归一化剩余能量rej和归一化链路质量lqj作为输入变量，对输入变量进行模糊化得到模糊输入量，模糊输入量经过模糊推理过程后得到模糊输出量，对模糊输出量进行去模糊化得到路径效益。

归一化剩余能量re和归一化链路质量lq进行模糊化得到模糊输入量的方法为:将归一化剩余能量re和归一化链路质量lq量化为{l,m,h}3个等级，{l,m,h}表示低、中、高三个等级，re＝[0,1]，lq＝[0,1]，归一化剩余能量re和归一化链路质量lq对应的隶属函数为三角形隶属函数，建立剩余能量的隶属函数表达式。

模糊推理过程为：采用mamdani型模糊推理法，依据模糊输入、模糊输出量之间的关系预先制定一组模糊规则，实现从输入到输出的推理计算；将传感器数据分为周期数据和紧急数据，满足周期数据模糊规则和紧急数据模糊规则，模糊输出量量化为{vl,l,m,h,vh}，{vl,l,m,h,vh}表示为非常低、低、中、高、非常高五个等级；

周期数据的模糊规则为

紧急数据的模糊规则为

归一化剩余能量re的计算方法为

其中，eres为传感器节点的剩余能量、eth为传感器节点的能量阈值、einitial为传感器节点的初始能量。

归一化链路质量lq的计算方法为

其中，rssimin为数据包传输的最小信号强度，rssii,j为信号强度。

本发明有益效果是：该方法考虑到传感器节点的移动性，建立由传感器的剩余能量和链路质量组成的模糊控制模型，经过模糊化、模糊推理以及去模糊化的过程后确定出最佳转发节点和把数据传递到sink的最优传输路径。仿真分析表明，与现有eerdt和m-tsimple协议的性能相比，本文提出的方法延长了网络寿命，并且提高了数据传输的可靠性。

附图说明

图1为无线体域网的基本体系结构图；

图2为本发明的网络拓扑结构图；

图3为本发明的模糊控制过程图；

图4为本发明的输入变量的隶属函数图；

图5为本发明的输出变量的隶属函数图；

图6为本发明的方法流程图；

图7为本发明的网络寿命分析图；

图8为本发明的能量效率分析图；

图9为本发明的呑吐量分板图；

图10为本发明的数据包投递率分析图。

具体实施方式

基于模糊控制的无线体域网能量感知路由的实现方法，该方法综合考虑跳数、剩余能量和链路质量等多个参数，建立由传感器的剩余能量和链路质量组成的模糊控制模型，经过模糊化、模糊推理以及去模糊化的路径效益计算后选择出最佳转发节点和把数据传递到sink的最优路径。

1、建立无线体域网网络模型

本文考虑的无线体域网(wban)由n个传感器节点和一个sink节点组成，sink节点位于人体的腰部，即网络拓扑结构的中部，如图2所示为网络拓扑结构图。传感器节点部署在人体表面，它主要负责数据的监测，将采集到的数据直接或通过转发节点转发到sink。sink节点由移动智能设备组成，它是wban与外部网络连接的枢纽，主要负责转发数据。本文还定义了两种类型的节点，分别为静态节点和移动节点。静态节点表示传感器节点放置在与人体运动无关的部位，而移动节点表示传感器放置在人体的四肢，且移动节点具有存储和转发数据的特性。

1.1模型假设：

(1)所有传感器节点放置在人体的不同位置，采集相应的生理参数信息，且拥有特定的id。

(2)所有传感器节点都具有相同的初始能量和传输范围，最大传输范围为lmax。

(3)sink节点具备较强的信息处理能力，它只接收来自传感器节点的数据，自身并不产生数据，且不考虑sink的能量。

(4)由于wban的动态特性，基于一跳的星型网络拓扑结构不能保证数据的可靠传输。因此，本文采用多跳的网络拓扑结构，且跳数最多为三跳。

由于传感器节点部署在人体不同位置，且感应的生理数据重要程度不同，可将生理信息(传输数据)分为周期数据和紧急数据，并将这两种数据划分优先级，紧急数据的优先级高于周期数据。

周期数据：指传感器节点产生的定期传输型数据。数据会周期性的传输至sink节点且业务量大，但对数据传输的实时性要求不高。

紧急数据：指超过正常健康值的异常数据，它是传感器节点产生的非周期性的数据。此类数据业务量小，但由于数据值处于异常水平，若该数据未能有效传输，很有可能危害人体的生命健康，因此，对此类数据的实时性和可靠性传输要求高。

1.2能量损耗模型

在wban中，每个传感器节点在数据感知、处理和传输等过程中都会产生能量的消耗，但数据传输过程消耗的能量所占比重最大，因此，本文主要分析节点在数据传输过程中能耗，采用一阶无线电模型计算能耗，公式计算如下：

etx(n,d)＝etx-elec(n)+eamp(n,d)

etx(n,d)＝etx-elec×n+eamp×n×d²(1)

erx(n)＝erx-elec(n)

erx(n)＝erx-elec×n(2)

其中n为数据包的大小，d为发送端和接收端之间的距离。etx(n,d)由内部电路的能量消耗etx-elec和放大器电路的能量消耗eamp组成，表示发送数据所消耗的能量。

erx(n)表示接收数据所消耗的能量，接收端不需要放大信号，因此仅考虑内部电路的能量消耗erx-elec。

2、路由的实现方法

2.1参数的选择

本文主要考虑剩余能量、链路质量和跳数等参数。由于wban中的传感器能量有限，为了降低网络中的能量消耗，选择转发节点时需要考虑节点的剩余能量。此外，由于wban的动态特性，数据传输过程中易造成数据的丢失和延时，为了保证数据传输的及时性和可靠性，选择的转发节点需要考虑链路质量和跳数。

表示传感器节点的初始能量减去所消耗能量后的能量，剩余能量的计算公式如下。

eres＝einitial-∑[etx(n,d)+erx(n)](3)

eres表示传感器节点的剩余能量，einitial表示传感器节点的初始能量，etx(n,d)表示传感器节点发送数据的能耗，erx(n)表示传感器节点接收数据的能耗。

re归一化处理的计算如下。

re表示传感器节点归一化的剩余能量，einitial为传感器节点的初始能量，eth为能量阈值。

归一化链路质量lq：链路质量取决于信号强度(rssi)，rssii,j的计算公式如下所示。

其中，prx表示为接收功率，ptx表示为发射功率。对链路质量参数进行归一化处理，如公式(5)所示lq为节点i(传输节点)和节点j(转发节点)之间的归一化链路质量，其中rssimin表示数据包传输的最小信号强度。

跳数h：指节点到sink的跳数值。在网络初始化阶段，跳数通过节点之间相互交换hello信息包更新。

2.2路径效益的计算

无线体域网能量感知路由(earp协议)通过计算候选转发节点的路径效益值，选择路径效益值最大的候选转发节点作为最佳转发节点。利用候选转发节点的剩余能量和链路质量建立模糊控制模型，通过模型中的模糊化、模糊推理和去模糊化的过程可计算路径效益值。如图3所示为模糊控制过程。其中，剩余能量re和链路质量lq为输入变量，对输入变量进行模糊化得到模糊输入量re和lq，模糊输入量经过模糊推理过程后得到模糊输出量pb，对pb进行去模糊化得到路径效益pb。

2.2.1模糊化

输入变量和输出变量都属于执行模糊控制的控制变量，然而，输入变量和输出变量都不能直接用来执行模糊控制，因此，控制变量必须经过模糊化处理。

首先，对输入变量进行模糊化，模糊语言采用{l,m,h}(低，中，高)表示模糊化的结果。若把输入变量的模糊语言安排的越多，模糊规则随之增多，导致计算时间增加，因此，将re量化为{l,m,h}3个等级，lq也同样量化为{l,m,h}。由于已对剩余能量和链路质量进行归一化处理，剩余能量的论域re＝[0,1]，链路质量的论域为lq＝[0,1]。每个模糊语言都有与其对应的隶属函数，在本文中，剩余能量和链路质量采用三角形隶属函数，隶属函数表示模糊变量对于模糊集合的隶属程度，数值越接近1说明模糊变量的隶属程度越高。依据模糊论域建立剩余能量的隶属函数表达式，如公式(7)-(9)所示，链路质量的隶属函数表达式，如公式(10)-(12)所示。

其中，μl(re)表示re属于l的隶属度函数，μm(re)表示re属于m的隶属度函数，μh(re)表示re属于h的隶属度函数，μl(lq)表示lq属于l的隶属度函数，μm(lq)表示lq属于m的隶属度函数，μh(lq)表示lq属于h的隶属度函数。隶属函数的表示原则指变量所取隶属函数在论域中应分布合理，即它们函数曲线应覆盖整个论域，且对称平衡。

由于剩余能量、链路质量的隶属函数和论域相同，则根据上述隶属函数表达式绘制输入变量的隶属度函数曲线，如图4所示。

输出变量同样需要进行模糊化处理，采用与输入变量类似的方法，具体过程如下。

输出变量的论域为pb＝[0,1]，pb量化为{vl,l,m,h,vh}(非常低，低，中，高，非常高)，采用三角形隶属函数。输出变量的模糊语言安排为5个等级，不仅能够均匀覆盖整个论域，还能使模型分辨率提高，使输出更平滑。因此，输出变量的隶属函数表达式如公式(13)-(17)所示，输出变量的隶属函数曲线如图5所示。

μvl(pb)表示pb属于vl的隶属度函数，μl(pb)表示pb属于l的隶属度函数，μm(pb)表示pb属于m的隶属度函数,μh(pb)表示pb属于h的隶属度函数，μvh(pb)表示pb属于vh的隶属度函数。

2.2.2模糊推理

输入和输出变量模糊化后进入模糊推理过程，本文采用mamdani型模糊推理法，依据模糊输入、输出量之间的关系预先制定一组模糊规则，实现从输入到输出的推理计算。模糊规则的制定通常由一组if-then结构的模糊条件语句构成，例如：

if(re＝h)&(lq＝l)thenoutput＝h

if(re＝m)&(lq＝l)thenoutput＝m

模糊规则会影响路径效益值的大小。在本文中，依据周期数据和紧急数据对所需的剩余能量和链路质量的侧重不同，分别制定相应的模糊规则进行推理，例如周期数据更看重节点的剩余能量，而紧急数据则更看重节点的链路质量。如表1所示为周期数据的模糊规则，表2为紧急数据的模糊规则制定。

表1周期数据的模糊规则

表2紧急数据的模糊规则

2.2.3去模糊化

模糊推理过程结束后会得到按照周期数据或紧急数据规则推理得出的模糊输出量，无论是哪种模糊输出量都需要去模糊化才能得到路径效益，本文采用重心法作为去模糊化的方法，重心法取隶属函数曲线所围成的面积的重心来计算，它能更平滑的输出推理控制值。

因此，使用重心法对模糊推理而得的模糊输出量进行去模糊化处理，最终得到各候选转发节点的路径效益值。

2.3路由过程

本文提出的路由协议分为三个阶段：初始化阶段，转发节点的选择阶段和数据传输阶段，路由过程如图6所示。

2.3.1初始化阶段

每个传感器节点都会定期向其周围节点广播hello包(hp)的信息，任何节点在接收到来自其他邻居节点的hp后，建立或更新邻居表(nt)信息。hello包的信息包括节点的id、数据类型dt、剩余能量re、链路质量lq以及跳数h。

为了保证链路的稳定连接，避免过期信息的误导，每个节点都必须及时更新当前状态信息以及邻居节点状态信息。传感器节点内部维护一个邻居表，邻居表依赖收集节点间相互交换的hello包建立或更新信息。邻居表的建立和更新算法如算法1所示。

2.3.2最佳转发节点的选择阶段

若节点i的传输范围不支持数据直接传输至sink节点，就需要在其邻居节点中选择合适的转发节点传输数据。依据邻居表中的信息确定候选转发节点的范围，从候选转发节点中选择最佳转发节点。候选转发节点由邻居节点集中具有到sink最短跳数的邻居节点组成。

选择最佳转发节点的原则是在候选节点中建立由剩余能量和链路质量组成的模糊控制模型，计算该模型在传输紧急数据或周期数据时相应的pb，比较候选转发节点中计算的pb，选择pb最大的候选转发节点作为最佳转发节点进行数据的转发。

转发节点的选择过程如算法2所示。

2.3.3数据传输阶段

一旦选出最佳转发节点，开始数据的传输。源节点将数据发送到选定的最佳转发节点，然后重复上述步骤，直到将数据包传输到sink。

周期数据与紧急数据的传输路径不完全相同，若出现承载周期数据的节点与承载紧急数据的节点选择的转发节点相同时，传输过程中基于优先级原则，优先转发紧急数据。若传感器的剩余能量低于阈值水平时，仅传输自身需要传输的数据。

3仿真结果及分析

3.1仿真环境与参数

本文考虑在人体上部署10个生物传感器和1个sink节点，如图2所示。earp利用matlab2017b仿真评估其性能，并与现有的路由协议eerdt和m-tsimple进行对比。现有的两个协议与本文所提出的earp都是基于转发节点传输数据的方式。earp依照所提出的模型计算方式和参数设置进行性能评估，本文参照nordicnrf2401的仿真参数，它是人体传感器网络常用的低功耗单芯片收发器，具体的参数值如表3所示。利用网络寿命、剩余能量、吞吐量和数据包投递率等性能指标分析earp的性能。

表3仿真参数

3.2仿真分析

网络寿命表示为网络启动到最后一个节点死亡的时间，网络稳定期是指从网络启动到出现第一个节点死亡的时间。图7显示earp与eerdt和m-tsimple在网络寿命方面的对比。earp分别与eerdt、m-tsimple对比发现，earp在6300轮出现第一个死亡节点，而eerdt和m-tsimple分别为5731轮和4200轮；earp的最后一个节点死亡出现在7670轮，而eerdt和m-tsimple分别在7450轮和7400轮。

对于复杂的wban而言，考虑的参数太多，往往难以正确的描述网络的动态特性，而earp中加入模糊控制模型则能够更好地适应wban的特性。此外，earp利用模糊控制模型将多个参数经过路径效益的计算，其计算复杂度相比其他两个协议高，会增加计算时间以及相应的能耗。但earp比现有的两个协议在网络寿命方面的性能较好，主要是因为earp在选择最佳转发节点时参考了链路质量，其所选路径的可靠性比eerdt和m-tsimple要高，这就避免了数据丢失后重传所消耗的能量。eerdt的网络拓扑较为稳定，在建立路径时只考虑剩余能量，且采用单跳方式传输紧急数据，以均衡网络能量利用率。因此，其网络寿命与m-tsimple相比较高。而m-tsimple的参考人体的移动性设计路由，由于网络拓扑不稳定，且未考虑链路质量，会导致数据传输失败，因此出现数据重传过程，重传会消耗节点大量的能量。

利用剩余能量分析网络的能量效率，图8描述了earp与eerdt和m-tsimple的能耗对比，随着轮数的增加，整个wban的平均剩余能量逐渐降低。如图8所示，earp在3310轮时消耗能量过半，而eerdt和m-tsimple分别在2600轮和1800轮能量剩余过半。

分析发现earp比eerdt、m-tsimple的能量消耗较少，原因在于earp利用模糊控制模型综合多种参数快速建立路由路径，并依据数据类型分别规划相应的传输路径，均衡网络能量消耗。此外，通过在数据传输过程中划分数据优先级，能有效避免冗余数据包，提高能量效率。eerdt采用基于簇的方式选择转发节点建立路由路径，且簇头和其它传感器节点的初始能量相同，这会导致簇头因多次被选为转发节点而快速消耗其能量。此外，eerdt采用单跳和多跳并存的方式分别传输紧急数据和正常数据，而m-tsimple并未划分数据类型进行数据的传输，且m-tsimple的网络拓扑不稳定易使数据重传，这些会造成节点能量的过度消耗，因此其能量效率相比eerdt较低。

吞吐量表示sink节点成功接收到数据包的总数，吞吐量的变化取决于网络中存活的传感器数量，如图9所示为对earp、eerdt和m-tsimple在吞吐量方面的分析。随着迭代轮数的增加，网络稳定期时间越长，整个网络的数据包投递量就越大。earp与现有的两个协议相比，在吞吐量方面优势显著，earp采用模糊控制模型实现快速选择转发节点，优先建立路由路径，可以提高整个wban的吞吐量。此外，earp相比eerdt和m-tsimple具有最长的网络寿命，传感器的使用寿命越长，就可以发送和接收越多的数据包。eerdt比m-tsimple的吞吐量相对较高，原因在于eerdt采用单跳和多跳结合的方式传输数据使链路的稳定性能更好，因此其网络稳定期比m-tsimple长。

数据包投递率是衡量路由协议可靠性的关键参数，数据包投递率表示源节点发送的数据包数量与sink节点接收的数据包数量的比值。随着迭代次数的增加，死亡节点数量也会随之增加，从而影响数据包的投递率，如图10所示为earp与eerdt、m-tsimple在数据包投递率方面的分析。earp相对eerdt和m-tsimple表现出较高的数据包投递率，原因为其在建立有效路由路径时考虑链路质量参数，而eerdt和m-tsimple都未考虑链路质量参数对wban可靠性的影响，且earp在数据传输过程中依据数据优先级进行传输，当可用节点减少时，数据有序传输可避免数据包丢失。eerdt相比m-tsimple在数据包投递率方面性能较好，其原因在于当死亡节点的数量增加时，可用节点减少，eerdt未分析网络的动态特性，数据传输相对于m-tsimple较为稳定。而m-tsimple考虑网络的动态特性，传感器节点之间的通信链路变化导致链路状态不稳定，数据包在传输过程中易丢失。

4结论

为了降低wban的能量消耗以及保证其数据传输的实时可靠性，本文提出了基于模糊控制的能量感知路由协议(earp)。该协议建立由传感器的剩余能量和链路质量组成的模糊控制模型，经过模糊化、模糊推理以及去模糊化的过程后得到最佳转发节点进行数据的转发。仿真分析表明，与现有eerdt和m-tsimple协议的性能相比，本文提出的earp协议在网络寿命、剩余能量、吞吐量和数据包投递率等性能方面表现良好。

今后，可尝试引入复杂移动模型探究人体移动多样性对路由协议性能的影响，对wban的整体网络性能进一步优化。