本發(fā)明涉及無線傳感網(wǎng)絡(luò)網(wǎng)絡(luò)層優(yōu)化技術(shù)，具體涉及一種分布式無線傳感網(wǎng)絡(luò)分簇路由方法。
背景技術(shù)：
：無線傳感網(wǎng)絡(luò)(WirelessSensorNetworks,WSNs)是一種多跳自組織網(wǎng)絡(luò)系統(tǒng)，由大量傳感器節(jié)點(diǎn)組成，節(jié)點(diǎn)之間通過無線通信的方式進(jìn)行互聯(lián)互通。一般來說，無線傳感網(wǎng)絡(luò)由傳感器節(jié)點(diǎn)和匯聚節(jié)點(diǎn)組成，并且每個(gè)傳感器節(jié)點(diǎn)都具有數(shù)據(jù)接收和數(shù)據(jù)轉(zhuǎn)發(fā)的功能，也就是說每個(gè)節(jié)點(diǎn)既可以是普通節(jié)點(diǎn)，也可以實(shí)現(xiàn)路由轉(zhuǎn)發(fā)的作用。匯聚節(jié)點(diǎn)則相當(dāng)于網(wǎng)關(guān)的角色，既負(fù)責(zé)對指定區(qū)域所管轄的傳感器節(jié)點(diǎn)收集到的信息進(jìn)行數(shù)據(jù)融合，還需要負(fù)責(zé)與外部網(wǎng)絡(luò)(互聯(lián)網(wǎng)，移動(dòng)通信網(wǎng)絡(luò)，衛(wèi)星通信等)進(jìn)行通信。隨著無線通信技術(shù)的發(fā)展以及低功耗無線射頻模塊在傳感器節(jié)點(diǎn)上的應(yīng)用，無線傳感網(wǎng)絡(luò)現(xiàn)在已經(jīng)廣泛應(yīng)用于智能家居、環(huán)境監(jiān)測、交通運(yùn)輸、災(zāi)害救援和國土安全之中，成為了物聯(lián)網(wǎng)發(fā)展的重要技術(shù)手段。由于傳感器節(jié)點(diǎn)具有數(shù)目眾多、規(guī)模龐大、部署隨機(jī)、能量有限以及拓?fù)潆y以控制等特點(diǎn)，無線傳感網(wǎng)絡(luò)的網(wǎng)絡(luò)層通常采用分簇路由算法，將網(wǎng)絡(luò)系統(tǒng)由平面結(jié)構(gòu)轉(zhuǎn)換成分層結(jié)構(gòu)，以此來提升網(wǎng)絡(luò)的擴(kuò)展性，降低系統(tǒng)的能耗，提升整體的性能。分簇路由算法提出了“輪”的概念，通過定期的簇首選舉，將整個(gè)網(wǎng)絡(luò)的能量負(fù)載平均分配到每個(gè)傳感器節(jié)點(diǎn)上，以提高動(dòng)態(tài)網(wǎng)絡(luò)的高效性和魯棒性。每一輪開始時(shí)，通過一定的選舉機(jī)制來產(chǎn)生新的簇頭節(jié)點(diǎn)和成員節(jié)點(diǎn)。簇內(nèi)成員節(jié)點(diǎn)通過多跳通信的方式將信息傳輸?shù)酱仡^節(jié)點(diǎn)進(jìn)行數(shù)據(jù)融合，而簇頭節(jié)點(diǎn)與基站之間則采用單跳通信的方式實(shí)現(xiàn)數(shù)據(jù)上傳。分簇路由算法大體上可以分為集中式和分布式兩類。集中式路由算法往往需要傳感器節(jié)點(diǎn)獲取全局拓?fù)湫畔?，并結(jié)合智能算法(PSO、蟻群算法，k-means等等)對自身性能進(jìn)行分析從而選舉出合適的簇頭節(jié)點(diǎn)，這種方式固然可以得到合理的簇分布拓?fù)?，但對?jié)點(diǎn)自身來說也會(huì)帶來巨大的能量消耗，且對于大規(guī)模無線傳感網(wǎng)絡(luò)，其靈活性不如分布式算法。因此，在無線傳感網(wǎng)絡(luò)實(shí)際應(yīng)用中其實(shí)更傾向于使用分布式分簇算法。在分簇路由算法中，簇頭節(jié)點(diǎn)由于需要承擔(dān)簇內(nèi)數(shù)據(jù)融合以及和匯聚節(jié)點(diǎn)進(jìn)行通信的任務(wù)，其能量消耗固然遠(yuǎn)大于簇內(nèi)的成員節(jié)點(diǎn)，但多跳通信中往往存在熱區(qū)問題，即離簇頭越近的節(jié)點(diǎn)，需要承擔(dān)的數(shù)據(jù)接收和數(shù)據(jù)轉(zhuǎn)發(fā)任務(wù)也就越多，所帶來的額外能量消耗也就越大，節(jié)點(diǎn)也就越容易過早死亡，破壞了通信鏈路的穩(wěn)定性，對整個(gè)網(wǎng)絡(luò)的負(fù)載均衡和整體性能將會(huì)產(chǎn)生嚴(yán)重的影響。由此可以看出，簇頭節(jié)點(diǎn)的鄰居節(jié)點(diǎn)在數(shù)據(jù)傳輸?shù)恼麄€(gè)過程中其實(shí)也需要承擔(dān)較大的能量消耗。因此，分簇網(wǎng)絡(luò)中簇頭選舉算法在考慮節(jié)點(diǎn)剩余能量和節(jié)點(diǎn)度的同時(shí)，節(jié)點(diǎn)的鄰居節(jié)點(diǎn)剩余能量也是一個(gè)不容忽視的因素。技術(shù)實(shí)現(xiàn)要素：為克服以上缺點(diǎn)，本發(fā)明提出一種分布式無線傳感網(wǎng)絡(luò)分簇路由方法。所述方法將分簇路由算法和模糊邏輯相結(jié)合，以節(jié)點(diǎn)剩余能量、節(jié)點(diǎn)度、鄰居節(jié)點(diǎn)剩余能量作為判定指標(biāo)，實(shí)現(xiàn)合理的簇頭節(jié)點(diǎn)選舉，有效地避免了多跳通信所帶來的熱區(qū)問題對網(wǎng)絡(luò)系統(tǒng)性能的影響，實(shí)現(xiàn)了系統(tǒng)整體的負(fù)載均衡，延長了網(wǎng)絡(luò)的生命周期，提升了系統(tǒng)的整體性能。本發(fā)明分布式無線傳感網(wǎng)絡(luò)分簇路由方法通過如下技術(shù)方案實(shí)現(xiàn)：1、一種分布式無線傳感網(wǎng)絡(luò)分簇路由方法，包括以下步驟：(1.1)通信范圍內(nèi)的傳感器節(jié)點(diǎn)之間互相發(fā)送Node_MSG數(shù)據(jù)包進(jìn)行消息互通，節(jié)點(diǎn)由此可以完成自身信息表Info_table的更新，從而獲取所有鄰居節(jié)點(diǎn)的節(jié)點(diǎn)ID以及對應(yīng)的當(dāng)前節(jié)點(diǎn)能量Neighbor_Nodeid.Eresidual。利用更新后的Info_table，節(jié)點(diǎn)由此可以獲取到節(jié)點(diǎn)能量Er、節(jié)點(diǎn)度d和鄰居節(jié)點(diǎn)剩余能量Ea＝∑Neighbor_Nodeid.Eresidual/d這三個(gè)參數(shù)，以及簇頭選舉算法持續(xù)時(shí)間t＝k×T×(Ea/Er)，其中k為(0.9,1)之間的隨機(jī)數(shù)，T為定義的初始簇頭選舉持續(xù)時(shí)間；(1.2)每個(gè)傳感器節(jié)點(diǎn)利用自帶的模糊推理引擎系統(tǒng)，定義了節(jié)點(diǎn)能量的模糊集合{low,medium,high}，其隸屬函數(shù)為low(0＜x≤0.5)，medium(0＜x≤1.0)，high(x＞0.5)；節(jié)點(diǎn)度的模糊集合{less,average,enormous}，其隸屬函數(shù)為less(0＜x≤15)，average(0＜x≤30)，enormous(x＞15)，鄰居節(jié)點(diǎn)剩余能量的模糊集合{weak,normal,strong}，隸屬函數(shù)為weak(0＜x≤0.35)，normal(0＜x≤1.0)，strong(x≥0.83)；輸出參數(shù)概率的模糊集合{very_low,low,rather_low,medium,less_high,high,very_high}，隸屬函數(shù)為very_low(0<y≤10)，low(0<y≤40)，rather_low(30<y≤50)，medium(40<y≤70)，less_high(60<y≤80)，high(70<y≤90)，very_high(y>90)。以步驟1.1獲取的精確的節(jié)點(diǎn)能量、節(jié)點(diǎn)度和鄰居節(jié)點(diǎn)剩余能量作為輸入?yún)?shù)，結(jié)合上述隸屬函數(shù)，轉(zhuǎn)化為相對應(yīng)的模糊集合中的模糊語言變量。模糊語言變量再結(jié)合模糊規(guī)則，利用Mamdani算法，得到模糊輸出集。最后通過中心面積算法將模糊輸出集轉(zhuǎn)換為直觀的精確輸出值以供節(jié)點(diǎn)對自身性能進(jìn)行評估，作為節(jié)點(diǎn)自身成為簇頭節(jié)點(diǎn)的權(quán)值V；(1.3)節(jié)點(diǎn)獲得自身性能評估權(quán)值V后，進(jìn)入簇頭競選狀態(tài)，向附近通信半徑r內(nèi)的所有鄰居節(jié)點(diǎn)發(fā)送包含自身節(jié)點(diǎn)ID和權(quán)值V的數(shù)據(jù)包Head_compete。節(jié)點(diǎn)與接收到的鄰居節(jié)點(diǎn)性能權(quán)值進(jìn)行比較，權(quán)值低的節(jié)點(diǎn)變?yōu)槠胀ü?jié)點(diǎn)狀態(tài)，等待簇頭選舉結(jié)束后通過就近原則選擇合適的簇進(jìn)行加入，而權(quán)值高的節(jié)點(diǎn)則變?yōu)楫?dāng)選簇頭狀態(tài)；(1.4)當(dāng)選為簇頭的節(jié)點(diǎn)向周圍節(jié)點(diǎn)大量廣播包含節(jié)點(diǎn)ID數(shù)據(jù)包CH_Message。狀態(tài)為普通節(jié)點(diǎn)的節(jié)點(diǎn)則根據(jù)接收到的CH_Message數(shù)據(jù)包的信號(hào)的強(qiáng)弱來判斷發(fā)送該數(shù)據(jù)包的節(jié)點(diǎn)距離自己的遠(yuǎn)近，從而以就近原則選擇合適的簇頭節(jié)點(diǎn)并發(fā)送包含自身節(jié)點(diǎn)信息的Node_JOIN數(shù)據(jù)包。簇頭節(jié)點(diǎn)收到成員節(jié)點(diǎn)的申請入簇請求后，會(huì)向該節(jié)點(diǎn)返回一個(gè)Node_ACCEPT數(shù)據(jù)包，確認(rèn)該節(jié)點(diǎn)的入簇請求，從而完成整個(gè)的簇的形成過程。相對于現(xiàn)有技術(shù)，本發(fā)明具有如下優(yōu)點(diǎn)和有益效果：1、在簇頭選舉階段，現(xiàn)有的技術(shù)大都采用了固定的節(jié)點(diǎn)性能評估機(jī)制，如傳統(tǒng)的采用隨機(jī)數(shù)的方式，或者是根據(jù)相應(yīng)的評價(jià)因素從而給出節(jié)點(diǎn)性能權(quán)值計(jì)算公式V＝x1E1+x2E2+x3E3+...+xnEn。但是在實(shí)際的無線傳感網(wǎng)絡(luò)中，隨著時(shí)間的推移，網(wǎng)絡(luò)整體拓?fù)浣Y(jié)構(gòu)也在不斷地發(fā)生變化，這類將權(quán)值計(jì)算參數(shù)固定的方法計(jì)算出來的權(quán)值并不能實(shí)時(shí)地反映節(jié)點(diǎn)的性能狀態(tài)。本方法采用模糊邏輯推理引擎來對節(jié)點(diǎn)性能進(jìn)行評估。模糊邏輯通過模糊語言變量，模擬人腦的思維和決策方式，是一種高效的多因素評價(jià)機(jī)制。其所采用的隸屬函數(shù)，依據(jù)不同的情況對應(yīng)不同的參數(shù)曲線，保證了節(jié)點(diǎn)性能分析的實(shí)時(shí)有效性；2、在對節(jié)點(diǎn)性能進(jìn)行分析評估時(shí)，本方法以節(jié)點(diǎn)剩余能量、節(jié)點(diǎn)度和鄰居節(jié)點(diǎn)剩余能量作為評價(jià)因素使得選舉出的簇頭節(jié)點(diǎn)更加合理。簇頭節(jié)點(diǎn)作為簇內(nèi)成員節(jié)點(diǎn)和系統(tǒng)匯聚節(jié)點(diǎn)之間溝通的紐帶，往往需要承擔(dān)數(shù)據(jù)融合和數(shù)據(jù)轉(zhuǎn)發(fā)的任務(wù)，其能量消耗也遠(yuǎn)大于簇內(nèi)成員節(jié)點(diǎn)，因而對當(dāng)選節(jié)點(diǎn)的剩余能量必然會(huì)有很高的要求。如若當(dāng)選的簇頭節(jié)點(diǎn)因自身能量不足而過早死亡，簇內(nèi)節(jié)點(diǎn)就失去了與匯聚節(jié)點(diǎn)數(shù)據(jù)交互的橋梁，則該片傳感器區(qū)域也就失去了與整體網(wǎng)絡(luò)的聯(lián)系，從而嚴(yán)重影響了系統(tǒng)的性能。因此，節(jié)點(diǎn)剩余能量往往是評價(jià)節(jié)點(diǎn)是否適合成為簇頭的最為重要的指標(biāo)之一。而節(jié)點(diǎn)度可以提高簇內(nèi)數(shù)據(jù)傳輸?shù)母咝?。因?yàn)楫?dāng)選簇頭節(jié)點(diǎn)的節(jié)點(diǎn)度越大的話，其周圍的鄰居節(jié)點(diǎn)也就越多，每個(gè)節(jié)點(diǎn)需要分擔(dān)的數(shù)據(jù)轉(zhuǎn)發(fā)任務(wù)也就越小，網(wǎng)絡(luò)的整體能量負(fù)載也就更為均衡，網(wǎng)絡(luò)整體的性能也就越好。而且較高的節(jié)點(diǎn)度也會(huì)分擔(dān)通信鏈路的壓力，減少數(shù)據(jù)傳輸時(shí)節(jié)點(diǎn)間的等待時(shí)間。最后，鄰居節(jié)點(diǎn)剩余能量這一指標(biāo)，旨在減弱多跳通信帶來的熱區(qū)問題，實(shí)現(xiàn)節(jié)點(diǎn)能量的負(fù)載均衡。例如用于環(huán)境監(jiān)測的水下無線傳感網(wǎng)絡(luò)，在簇內(nèi)數(shù)據(jù)多跳傳輸過程中，中繼節(jié)點(diǎn)如果因?yàn)槟芰窟^低過早死亡，與其相關(guān)聯(lián)的遠(yuǎn)處的節(jié)點(diǎn)就需要重新進(jìn)行路由發(fā)現(xiàn)，與簇頭節(jié)點(diǎn)重新建立通信鏈路，從而帶來了額外的能量開銷，甚至嚴(yán)重影響了網(wǎng)絡(luò)數(shù)據(jù)傳輸?shù)男阅?。因而盡量選擇具有較高鄰居節(jié)點(diǎn)能量的節(jié)點(diǎn)作為簇頭節(jié)點(diǎn)可以有效地避免這類熱區(qū)問題；3、本方法是一種基于分布式思想的方法，不需要維護(hù)對網(wǎng)絡(luò)全局拓?fù)涞母兄瑑H僅依靠節(jié)點(diǎn)自身信息，以及消息互通時(shí)獲得的鄰居節(jié)點(diǎn)的信息，結(jié)合模糊邏輯，對節(jié)點(diǎn)性能進(jìn)行分析，得到選舉出合理的簇頭節(jié)點(diǎn)，有效地緩解了多跳通信中常見的熱區(qū)問題，均衡了網(wǎng)絡(luò)中各個(gè)位置的能量消耗，提升了節(jié)點(diǎn)的平均生存時(shí)間，進(jìn)而延長了整個(gè)網(wǎng)絡(luò)系統(tǒng)的生命周期，顯著地提高了系統(tǒng)的數(shù)據(jù)傳輸量，使得整個(gè)無線傳感網(wǎng)絡(luò)具有更好的能量有效性。具體實(shí)施方案為使本發(fā)明的目的和技術(shù)方案更加清晰，下面對本發(fā)明的原理和具體步驟進(jìn)行描述：1、本方法利用模糊邏輯提升無線傳感網(wǎng)絡(luò)數(shù)據(jù)傳輸效率的原理說明如下：對于無線傳感網(wǎng)絡(luò)通常所采用的分簇路由結(jié)構(gòu)，每一輪選舉出的簇頭節(jié)點(diǎn)是否合理直接影響到網(wǎng)絡(luò)整體的性能。本方法所采用的模糊邏輯推理引擎是一種具有實(shí)時(shí)決策性的多因素多指標(biāo)評價(jià)機(jī)制，利用參數(shù)模糊集，根據(jù)不同時(shí)間段網(wǎng)絡(luò)的拓?fù)錉顩r定義了不同的隸屬函數(shù)，對節(jié)點(diǎn)性能的評價(jià)標(biāo)準(zhǔn)因?qū)嶋H的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的變化而有所不同，更加具有實(shí)時(shí)有效性，選舉出來的簇頭節(jié)點(diǎn)也更為合理。本方法中簇頭選舉階段對節(jié)點(diǎn)性能的判定指標(biāo)有三個(gè)：節(jié)點(diǎn)剩余能量、節(jié)點(diǎn)度、鄰居節(jié)點(diǎn)剩余能量。高節(jié)點(diǎn)剩余能量可以保證節(jié)點(diǎn)在下一輪簇頭選舉之前，有足夠的能量完成簇內(nèi)節(jié)點(diǎn)信息融合和與匯聚節(jié)點(diǎn)進(jìn)行通信實(shí)現(xiàn)數(shù)據(jù)上傳的任務(wù)，提高網(wǎng)絡(luò)整體的穩(wěn)定性；高節(jié)點(diǎn)度可以提高簇內(nèi)節(jié)點(diǎn)數(shù)據(jù)傳輸?shù)母咝裕瑴p少數(shù)據(jù)傳輸時(shí)節(jié)點(diǎn)間的等待時(shí)間；高鄰居節(jié)點(diǎn)剩余能量可以有效地減弱熱區(qū)問題對多跳通信的影響，實(shí)現(xiàn)簇內(nèi)節(jié)點(diǎn)負(fù)載均衡，提高簇內(nèi)通信鏈路的穩(wěn)定性，從而延長網(wǎng)絡(luò)的生命周期，提升系統(tǒng)的整體性能。2、對無線傳感網(wǎng)絡(luò)每一輪簇頭選舉的過程，具體步驟說明如下：(1)通信范圍內(nèi)的傳感器節(jié)點(diǎn)之間互相發(fā)送Node_MSG數(shù)據(jù)包進(jìn)行消息互通。完成Node_MSG消息互通階段之后，節(jié)點(diǎn)可以實(shí)現(xiàn)自身信息表Info_table的更新，從而獲取到所有鄰居節(jié)點(diǎn)的節(jié)點(diǎn)ID以及該節(jié)點(diǎn)ID所對應(yīng)的當(dāng)前節(jié)點(diǎn)能量ΣNeighbor_Nodeid.Eresidual。利用更新后的Info_table，節(jié)點(diǎn)由此可以獲取到節(jié)點(diǎn)能量Er、節(jié)點(diǎn)度d和鄰居節(jié)點(diǎn)剩余能量Ea＝∑Neighbor_Nodeid.Eresidual/d這三個(gè)參數(shù)，并進(jìn)一步獲得簇頭選舉算法持續(xù)時(shí)間t＝k×T×(Ea/Er)，其中k為(0.9,1)之間的隨機(jī)數(shù)，T為定義的初始簇頭選舉持續(xù)時(shí)間；(2)每個(gè)傳感器節(jié)點(diǎn)都自帶又模糊推理引擎系統(tǒng)，不僅定義了節(jié)點(diǎn)能量的模糊集合節(jié)點(diǎn)度的模糊集合鄰居節(jié)點(diǎn)剩余能量的模糊集以及輸出參數(shù)概率的模糊集合y＝{very_low,low,rather_low,medium,less_high,high,very_high}，還定義了各自相對應(yīng)的隸屬函數(shù)。節(jié)點(diǎn)能量隸屬函數(shù)：low(0＜x≤0.5)，medium(0＜x≤1.0)，high(x≥0.5)。節(jié)點(diǎn)度隸屬函數(shù)：less(0＜x≤15)，average(0＜x≤30)，enormous(x＞15)。鄰居節(jié)點(diǎn)剩余能量隸屬函數(shù)：weak(0＜x≤0.35)，normal(0＜x≤1.0)，strong(x≥0.83)。概率隸屬函數(shù)：very_low(0<y≤10)，low(0<y≤40)，rather_low(30<y≤50)，medium(40<y≤70)，less_high(60<y≤80)，high(70<y≤90)，very_high(y>90)。利用這些隸屬函數(shù)，我們將步驟(1)中獲取的精確的節(jié)點(diǎn)能量(NE)、節(jié)點(diǎn)度(ND)和鄰居節(jié)點(diǎn)剩余能量(NNE)轉(zhuǎn)換為模糊集合中的對應(yīng)的模糊語言變量。緊接著我們可以將得到的模糊語言變量再依據(jù)模糊規(guī)則結(jié)合Mamdani算法，利用公式得出每條模糊規(guī)則對應(yīng)的模糊輸出集通過中心面積算法將模糊輸出集轉(zhuǎn)換為直觀的精確輸出值以供節(jié)點(diǎn)對自身性能進(jìn)行評估，作為節(jié)點(diǎn)自身成為簇頭節(jié)點(diǎn)的權(quán)值V；(3)節(jié)點(diǎn)獲得自身性能評估權(quán)值V后，進(jìn)入簇頭競選狀態(tài)，向附近通信半徑r內(nèi)的所有鄰居節(jié)點(diǎn)發(fā)送包含自身節(jié)點(diǎn)ID和權(quán)值V的數(shù)據(jù)包Head_compete。節(jié)點(diǎn)與接收到的鄰居節(jié)點(diǎn)性能權(quán)值進(jìn)行比較，權(quán)值低的節(jié)點(diǎn)變?yōu)槠胀ü?jié)點(diǎn)狀態(tài)，等待簇頭選舉結(jié)束后通過就近原則選擇合適的簇進(jìn)行加入，而權(quán)值高的節(jié)點(diǎn)則變?yōu)楫?dāng)選簇頭狀態(tài)；(4)當(dāng)選為簇頭的節(jié)點(diǎn)向周圍節(jié)點(diǎn)大量廣播包含節(jié)點(diǎn)ID數(shù)據(jù)包CH_Message。狀態(tài)為普通節(jié)點(diǎn)的節(jié)點(diǎn)則根據(jù)接收到的CH_Message數(shù)據(jù)包的信號(hào)的強(qiáng)弱來判斷發(fā)送該數(shù)據(jù)包的節(jié)點(diǎn)距離自己的遠(yuǎn)近，從而以就近原則選擇合適的簇頭節(jié)點(diǎn)并發(fā)送包含自身節(jié)點(diǎn)信息的Node_JOIN數(shù)據(jù)包。簇頭節(jié)點(diǎn)收到成員節(jié)點(diǎn)的申請入簇請求后，會(huì)向該節(jié)點(diǎn)返回一個(gè)Node_ACCEPT數(shù)據(jù)包，確認(rèn)該節(jié)點(diǎn)的入簇請求，從而完成整個(gè)的簇的形成過程。當(dāng)前第1頁1 2 3