本發(fā)明屬于水聲傳感器網(wǎng)絡(luò)領(lǐng)域，具體涉及一種基于概率鄰域網(wǎng)格的三維UASNs的移動數(shù)據(jù)收集方法。

背景技術(shù)：

水下數(shù)據(jù)收集對水聲傳感器網(wǎng)絡(luò)(underwater acoustic sensor networks，UASNs)的應(yīng)用具有至關(guān)重要的意義，無論是水下環(huán)境的監(jiān)測和管理還是水下災(zāi)害監(jiān)測預(yù)警，人們都需要利用UASNs收集獲取到感知監(jiān)測區(qū)域的興趣消息，然后對信息進行分析處理和存儲挖掘等操作，最終才能做出合理有效的決策。在UASNs的很多應(yīng)用中，數(shù)據(jù)收集需要傳輸大量的感知數(shù)據(jù)，而大量感知數(shù)據(jù)在網(wǎng)絡(luò)中傳輸，會產(chǎn)生大量通信開銷。此外，由于節(jié)點能量是有限的電量的電池供應(yīng)的而不是持續(xù)供給的，為了能夠在檢測區(qū)域獲得更多的檢測數(shù)據(jù)，保證網(wǎng)絡(luò)的有效性，延長網(wǎng)絡(luò)壽命就是首要的任務(wù)。因此，如何在保證信息增益的情況下，盡可能地延長網(wǎng)絡(luò)壽命并，是一個極具挑戰(zhàn)性的問題。

目前，對水聲傳感器網(wǎng)絡(luò)數(shù)據(jù)收集方法的相關(guān)研究文獻如下：

1、Wang等人在2008年的《International Conference on Distributed Computing Systems Workshops》上發(fā)表的文章“Data Collection with Multiple Mobile Actors in Underwater Sensor Networks”提出了一個采用多個mobile actors以獲取高時間精度數(shù)據(jù)的水下數(shù)據(jù)收集方案。該方案主要包含三個算法：區(qū)域劃分及actors分散算法、子區(qū)域優(yōu)化算法，以及虛擬簇生成算法。該方案首先根據(jù)邊界節(jié)點位置將網(wǎng)絡(luò)劃分成4ⁿ個區(qū)域，再根據(jù)節(jié)點個數(shù)估計每個子區(qū)域的收集時延，并對子區(qū)域進行優(yōu)化，然后將按照一定的位置策略將actors部署到每一個子區(qū)域，建立虛擬簇進行數(shù)據(jù)收集。

2、Domingo等人在2011年的《Wireless Personal Communications》上發(fā)表的文章“A Distributed Energy-Aware Routing Protocol for Underwater Wireless Sensor Networks”提出了一種能量高效的分布式聚簇方案DUCS，該方案通過分簇和數(shù)據(jù)聚合數(shù)據(jù)來消除冗余信息，以此達到減少網(wǎng)絡(luò)能耗的目的。盡管分簇是優(yōu)化大型網(wǎng)絡(luò)總能耗的一種有效方法，但是這種方法會造成簇頭節(jié)點能耗不均的問題。

3、Hollinger等人在2012年的《IEEE Journal on Selected Areas in Communications》上發(fā)表的文章“Underwater Data Collection using Robotic Sensor Networks”提出了一個采用AUV進行水聲傳感器網(wǎng)絡(luò)數(shù)據(jù)收集的方案。該方案將規(guī)劃AUV路徑進行水下數(shù)據(jù)收集、在最小化路徑消耗的同時最大花數(shù)據(jù)收集的問題定義為通信約束下的數(shù)據(jù)收集問題(CC-DCP)，并將CC-DCP問題公式化，提出了一個啟發(fā)式近似算法，最終提出三種適用于不同場景的2D啟發(fā)式路徑規(guī)劃方案。

4、Ilyas等人在2015年的《Procedia Computer Science》上發(fā)表的文章“AEDG:AUV-aided Efficient Data Gathering Routing Protocol for Underwater Wireless Sensor Networks”提出了AUV輔助的數(shù)據(jù)收集方法AEDG，其目的在于實現(xiàn)UASNs中的可靠數(shù)據(jù)收集。在AEDG中，網(wǎng)關(guān)采用最短路徑樹算法收集節(jié)點數(shù)據(jù)，之后AUV沿預(yù)設(shè)的橢圓形軌跡從網(wǎng)關(guān)收集數(shù)據(jù)。該方法可以有效地平衡能量消耗，延長網(wǎng)絡(luò)的生命周期，然而AEDG是基于確定性通信模型的，而在UASNs的實際應(yīng)用中，數(shù)據(jù)傳輸成功率是隨距離降低的。

5、Khan等人在2015年的《Sensors》上發(fā)表的文章“A Distributed Data-Gathering Protocol Using AUV in Underwater Sensor Networks”提出了一個分布式數(shù)據(jù)收集方案AUV-PN。在該方案中，AUV執(zhí)行兩個階段：網(wǎng)絡(luò)劃分之旅(NPT)和數(shù)據(jù)收集之旅(DGT)。在NPT階段，AUV首先將整個網(wǎng)絡(luò)分成多個簇，每個簇根據(jù)LEACH協(xié)議選擇一個簇頭節(jié)點CH；然后，CH進一步將簇分為多個子簇，并為每一個子簇指定一個path-node(PN)來收集子簇內(nèi)成員節(jié)點MN的當?shù)財?shù)據(jù)。劃分完網(wǎng)絡(luò)后，AUV開始執(zhí)行DGT。在該方案中，AUV只需訪問CH和PN，就可采集全網(wǎng)數(shù)據(jù)，有效地縮短了數(shù)據(jù)收集時間。然而，在該方案中，PN需要收集子簇內(nèi)的所有數(shù)據(jù)，而PN的選取只考慮了子簇中數(shù)據(jù)上傳的總能耗開銷，未考慮剩余能量問題，額外的通信開銷會導(dǎo)致PN過早死亡，影響整個網(wǎng)絡(luò)的生命周期。

6、Jalaja等人在2015年的《Lecture Notes in Computer Science》上發(fā)表的文章“Adaptive data collection in sparse underwater sensor networks using mobile elements”提出了移動輔助的自適應(yīng)數(shù)據(jù)收集方法，該方法通過采用移動元素來降低網(wǎng)絡(luò)能耗，通過一種輪詢機制減少數(shù)據(jù)延遲。然而，由于該方法中移動元素需要移動到所有節(jié)點進行數(shù)據(jù)收集，因此盡管采用了輪詢機制，數(shù)據(jù)延遲依然很大。

綜上所述，目前水聲傳感器網(wǎng)絡(luò)中基于移動元素進行數(shù)據(jù)采集時普遍存在的問題是：

1)大多數(shù)水聲傳感器網(wǎng)絡(luò)數(shù)據(jù)收集方案的設(shè)計都是基于理想的確定性水聲通信模型，而在實際應(yīng)用中，水聲信道的數(shù)據(jù)傳輸成功率是隨距離衰減的，當數(shù)據(jù)傳輸失敗時，數(shù)據(jù)收集將無法完成；

2)基于聚簇的數(shù)據(jù)收集方法會使得簇頭節(jié)點的能耗增加，最終導(dǎo)致網(wǎng)絡(luò)能耗不均，降低網(wǎng)絡(luò)壽命；

3)大多數(shù)基于移動輔助的數(shù)據(jù)收集方法都是假設(shè)傳感器節(jié)點部署于同一個平面，不能有效地應(yīng)用于3D水環(huán)境；

4)高度依賴于節(jié)點部署信息，對于節(jié)點部署信息未知的網(wǎng)絡(luò)，數(shù)據(jù)收集方法無法實現(xiàn)。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有的水聲傳感器網(wǎng)絡(luò)數(shù)據(jù)收集技術(shù)中存在的諸多問題和不足，本發(fā)明提出了一種基于概率鄰域網(wǎng)格的三維UASNs移動數(shù)據(jù)收集方法，主要通過將網(wǎng)絡(luò)劃分成概率鄰域網(wǎng)格，由AUV到達各概率鄰域網(wǎng)格的中心位置來收集節(jié)點數(shù)據(jù)，以有效平衡負載，降低節(jié)點能耗，延長網(wǎng)絡(luò)生命。

實現(xiàn)上述技術(shù)目的，達到上述技術(shù)效果，本發(fā)明通過以下技術(shù)方案實現(xiàn)：

一種基于概率鄰域網(wǎng)格的三維UASNs的移動數(shù)據(jù)收集方法，具體包含四個步驟：

(1)網(wǎng)絡(luò)概率性通信模型構(gòu)建：根據(jù)三維UASNs的特性，綜合考慮聲波衰落、洋流表面活動、湍流噪聲、風、熱噪聲等因素，構(gòu)建三維UASNs的概率性通信模型；

(2)網(wǎng)絡(luò)劃分：基于構(gòu)建的概率性通信模型和需要的數(shù)據(jù)傳輸成功率p，將網(wǎng)絡(luò)劃分成相同大小的概率鄰域網(wǎng)格；

(3)網(wǎng)格遍歷路徑規(guī)劃：基于已經(jīng)劃分好的概率鄰域網(wǎng)格，采用Layered-Scan方法逐層遍歷各概率鄰域網(wǎng)格，確定AUV的路徑；

(4)數(shù)據(jù)收集：AUV沿確定好的路徑遍歷所有概率鄰域網(wǎng)格，開始數(shù)據(jù)收集過程，當AUV靠近小網(wǎng)格的中心位置時，采用調(diào)度協(xié)議收集當前概率鄰域網(wǎng)格的數(shù)據(jù)。

所述的數(shù)據(jù)收集方法可以普遍應(yīng)用于節(jié)點部署信息未知的三維UASNs。

在步驟(1)所述的水聲傳感器網(wǎng)絡(luò)概率性通信模型中，數(shù)據(jù)傳輸成功率隨傳輸距離的增加而衰減。

步驟(2)中所述的概率鄰域定義為：概率鄰域Ψ_n為三維UASNs中到位置x_v的數(shù)據(jù)傳輸成功率P(x_v,x_n)≥p的所有位置x_v的集合。

為保證概率鄰域網(wǎng)格內(nèi)的任意節(jié)點的數(shù)據(jù)成功傳輸率均不小于p，步驟(2)中所述的概率鄰域網(wǎng)格完全包含于概率鄰域的內(nèi)接正六面體。

因此，概率鄰域網(wǎng)格的計算方法為：概率鄰域網(wǎng)格的最大邊長為其中d_p為數(shù)據(jù)傳輸成功率p對應(yīng)的傳輸距離；所述三維UASNs被劃分成k*k*k個概率鄰域網(wǎng)格，其中其中L為網(wǎng)絡(luò)邊長；最終的概率鄰域網(wǎng)格邊長為

步驟(4)中所述的數(shù)據(jù)收集調(diào)度協(xié)議是基于時分多址機制的，具體包含三個階段：

(4-1)初始階段：網(wǎng)絡(luò)中部署的所有節(jié)點都處于非活躍狀態(tài)，當AUV靠近概率鄰域網(wǎng)格的中心位置時，AUV廣播一個包含節(jié)點初始調(diào)度信息的高功率Wake-up控制包，該高功率Wake-up控制包可以觸發(fā)當前概率鄰域網(wǎng)格內(nèi)的節(jié)點進入活動狀態(tài)；

(4-2)調(diào)度階段：收到Wake-up包的節(jié)點判斷自己是否處于當前概率鄰域網(wǎng)格內(nèi)，若是，則轉(zhuǎn)為活動狀態(tài)，并按照Wake-up包中分配的時槽，按序回復(fù)AUV一個確認包ACK，之后，AUV根據(jù)各節(jié)點回饋的信息重新分配時槽，并將新的傳輸調(diào)度信息發(fā)送給節(jié)點；

(4-3)數(shù)據(jù)傳輸階段：按照新的傳輸調(diào)度信息，節(jié)點將各自存儲的數(shù)據(jù)包傳輸給AUV，當所有節(jié)點的數(shù)據(jù)傳輸結(jié)束后，AUV重新調(diào)度數(shù)據(jù)傳輸協(xié)議以用于下一輪的數(shù)據(jù)傳輸直至所有傳輸輪數(shù)完成。

所述的數(shù)據(jù)傳輸階段中，數(shù)據(jù)傳輸輪數(shù)是根據(jù)用戶的信息增益和數(shù)據(jù)延遲需求預(yù)先設(shè)定的，通過增加數(shù)據(jù)傳輸輪數(shù)，可以在保持較小數(shù)據(jù)延遲的情況下，提高信息增益。

與現(xiàn)有的水聲傳感器網(wǎng)絡(luò)數(shù)據(jù)收集方法相比，本發(fā)明所具有的積極效果為：

(1)采用概率性水聲通信模型，數(shù)據(jù)收集距離可根據(jù)概率需求靈活調(diào)整；

(2)利用AUV進行數(shù)據(jù)收集，有效減少了傳感器節(jié)點進行數(shù)據(jù)傳輸?shù)哪芎?，延長了網(wǎng)絡(luò)壽命；

(3)通過將網(wǎng)絡(luò)劃分成小網(wǎng)格，AUV僅需遍歷網(wǎng)格中心位置即可完成數(shù)據(jù)收集，可以有效應(yīng)用于節(jié)點部署信息未知的水聲傳感器網(wǎng)絡(luò)；

(4)通過改變數(shù)據(jù)傳輸成功率p的值和數(shù)據(jù)傳輸輪數(shù)，提供了一種有效的均衡信息增益和數(shù)據(jù)延遲的解決方案。

附圖說明

圖1為本發(fā)明中整個數(shù)據(jù)收集方法的流程示意圖；

圖2為本發(fā)明中概率鄰域網(wǎng)格計算示意圖；

圖3為本發(fā)明中網(wǎng)格劃分示意圖；

圖4為本發(fā)明中AUV遍歷概率鄰域網(wǎng)格的路徑示意圖；

圖5為本發(fā)明中數(shù)據(jù)調(diào)度協(xié)議的框架結(jié)構(gòu)示意圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步說明。

如圖1所示為一種基于概率鄰域網(wǎng)格的三維UASNs的移動數(shù)據(jù)收集方法的流程圖，具體包含如下四個步驟：

(1)網(wǎng)絡(luò)概率性通信模型構(gòu)建：根據(jù)三維UASNs的特性，綜合考慮聲波衰落、洋流表面活動、湍流噪聲、風、熱噪聲等因素，構(gòu)建三維UASNs的概率性通信模型；

(2)網(wǎng)絡(luò)劃分：基于構(gòu)建的概率性通信模型和數(shù)據(jù)傳輸成功率p，將網(wǎng)絡(luò)劃分成相同大小的概率鄰域網(wǎng)格；

(3)網(wǎng)格遍歷路徑規(guī)劃：基于已經(jīng)劃分好的概率鄰域網(wǎng)格，采用Layered-Scan方法逐層遍歷各概率鄰域網(wǎng)格，確定AUV的路徑；

(4)數(shù)據(jù)收集：AUV沿確定好的路徑遍歷所有概率鄰域網(wǎng)格，開始數(shù)據(jù)收集過程，當AUV靠近小網(wǎng)格的中心位置時，采用調(diào)度協(xié)議收集當前概率鄰域網(wǎng)格的數(shù)據(jù)。

在步驟(1)所述的水聲傳感器網(wǎng)絡(luò)概率性通信模型中，數(shù)據(jù)傳輸成功率隨傳輸距離的增加而衰減。

如圖2所示為計算概率鄰域網(wǎng)格大小的示意圖。其中，概率鄰域定義為：概率鄰域Ψ_n為三維UASNs中到位置x_v的數(shù)據(jù)傳輸成功率P(x_v,x_n)≥p的所有位置x_v的集合。

為保證概率鄰域網(wǎng)格內(nèi)的任意節(jié)點的數(shù)據(jù)成功傳輸率均不小于p，概率鄰域網(wǎng)格必須完全包含網(wǎng)格中心位置的概率鄰域球內(nèi)，網(wǎng)格最大為概率鄰域球的內(nèi)接正六面體。

因此，概率鄰域網(wǎng)格的具體計算方法為：概率鄰域網(wǎng)格的最大邊長為其中d_p為數(shù)據(jù)傳輸成功率p對應(yīng)的傳輸距離；

所述3D水聲傳感器網(wǎng)絡(luò)被劃分成k*k*k個概率鄰域網(wǎng)格，其中其中L為網(wǎng)絡(luò)邊長；

最終的概率鄰域網(wǎng)格邊長為

如圖3所示為網(wǎng)格劃分示意圖，整個三維UASNs最終被均勻地劃分為k*k*k個邊長為l的概率鄰域網(wǎng)格。

如圖4為概率鄰域網(wǎng)格的遍歷路徑。通過將網(wǎng)絡(luò)分割成k層，每層可被視為一個2D平面，AUV最終在每層中心位置上按照Scan路徑移動。

如圖5所示為數(shù)據(jù)調(diào)度協(xié)議的框架結(jié)構(gòu)示意圖，數(shù)據(jù)收集調(diào)度協(xié)議是基于時分多址機制的，具體包含三個階段：

1)初始階段：網(wǎng)絡(luò)中部署的所有節(jié)點都處于非活躍狀態(tài)，當AUV靠近概率鄰域網(wǎng)格的中心位置時，AUV廣播一個包含節(jié)點初始調(diào)度信息的高功率Wake-up控制包，該高功率Wake-up控制包可以觸發(fā)當前概率鄰域網(wǎng)格內(nèi)的節(jié)點進入活動狀態(tài)；

2)調(diào)度階段：收到Wake-up包的節(jié)點判斷自己是否處于當前概率鄰域網(wǎng)格內(nèi)，若是，則轉(zhuǎn)為活動狀態(tài)，并按照Wake-up包中分配的時槽，按序回復(fù)AUV一個確認包ACK，之后，AUV根據(jù)各節(jié)點回饋的信息重新分配時槽，并將新的傳輸調(diào)度信息發(fā)送給節(jié)點；

3)數(shù)據(jù)傳輸階段：按照新的傳輸調(diào)度信息，節(jié)點將各自存儲的數(shù)據(jù)包傳輸給AUV，當所有節(jié)點的數(shù)據(jù)傳輸結(jié)束后，AUV重新調(diào)度數(shù)據(jù)傳輸協(xié)議以用于下一輪的數(shù)據(jù)傳輸直至所有傳輸輪數(shù)完成。

其中，所述的數(shù)據(jù)傳輸階段中，數(shù)據(jù)傳輸輪數(shù)是根據(jù)用戶的信息增益和數(shù)據(jù)延遲需求預(yù)先設(shè)定的，通過增加數(shù)據(jù)傳輸輪數(shù)，可以在保持較小數(shù)據(jù)延遲的情況下，提高信息增益。