一种移动节点辅助水下物联网数据可靠采集方法技术

本发明专利技术公开了一种移动节点辅助水下物联网数据可靠采集方法。首先，确定移动节点AUV的轮询对象。其次，构建预测模型。将采集到的前N轮数据作为历史数据，基于回归检验预测第N+1轮的数据，并利用N+1轮至2N轮数据的真实值校准预测值，不断学习、优化预测模型。最后，规划AUV的轮询路线。设计簇头存储阈值，根据预测模型对各簇头数据量的预测，确定AUV每一轮的轮询对象，实现数据量收集的最大化，提升网络工作效率。本发明专利技术在网络能耗、吞吐量、数据传输效率等方面均有较大优化，尤其当随机出现的目标事件服从线性分布时，有较大的预测优势。

A reliable data acquisition method for mobile node assisted underwater Internet of things

The invention discloses a reliable data acquisition method for the mobile node assisted underwater Internet of things. First, determine the polling object of the mobile node AUV. Secondly, the prediction model is constructed. Taking the collected N data as historical data, we predict the data of the N+1 round based on the regression test, and calibrate the prediction value with the true value of N+1 round to 2N data, and continue to learn and optimize the prediction model. Finally, plan the polling route of AUV. The cluster head storage threshold is designed, and the polling objects of each round of AUV are determined according to the prediction of cluster head data according to the prediction model, so as to maximize data collection and improve network efficiency. The invention has great optimization in terms of network energy consumption, throughput and data transmission efficiency, especially when random target events obey linear distribution.

【技术实现步骤摘要】
一种移动节点辅助水下物联网数据可靠采集方法
本专利技术属于水下传感器网络数据传输
，特别涉及了一种移动节点辅助水下物联网数据可靠采集方法。
技术介绍
对于水下某些复杂任务，既需要有固定节点对目标区域进行实时监测，又需要移动节点对异常状态进行动态捕捉，因此，三维异构动态模型成为当前水下网络运维的主流模型。考虑到移动节点AUV(AutonomousUnderwaterVehicle)的成本问题，网络中只有少量AUVs部署，大部分还是普通传感器节点。由于AUV节点功能强，能量大，在数据可靠传输方面具有较好的效用。为此，研究学者们提出了一系列移动节点AUV辅助的水下物联网数据可靠收集算法，仅仅利用AUV节点的移动性对普通节点轮询来收集数据信息。搭建的网络架构可以粗略的分为水平轮询和垂直轮询。最初，水平轮询架构针对的是底部部署传感器节点的二维网络。AEERP采用单个AUV与底部网关进行数据交互。底部网关节点采用随机选取的方式，并设定能耗阈值进行替换。其他节点利用最短路径树构造法与最近的网关相连，生成网络拓扑结构。AAEERP在AEERP的基础上进行了改进，将AUV节点的停留时间设计与各网关成员节点的数量成正比，消耗更低能量，具有更高的数据收集能力。AEDG对AUV水平轮询的椭圆轨迹进行了讨论，根据水下网关节点的选择区域，讨论了椭圆的半径参数。从而可根据网关的变更优化AUV的轮询轨迹。JalajaJanardanan从延迟容忍的角度讨论了AUV不同场景下的轮询轨迹，包括，方形轮询、螺旋轮询、椭圆轮询等。有效地建立了网络数据收集框架，可针对不同情况，更灵活地实施不同的服务策略。AURP在水平轮询的基础上首次构建了多个AUV节点轮询架构，设计了椭圆运动轨迹，并采用异构声学通信渠道，根据距离远近设计了三种数据传输方式，相互之间可降低同频干扰。Jawaa提出了层次性的分簇结构，将底部节点分为水下网关节点、路径节点、普通节点三类。水下网关节点为簇头，路径节点为AUV节点轮询路径上将要交互的节点，普通节点作为备选，替换能耗过大的路径节点。TCM算法基于底部动态节点的二维结构，利用粒子群算法进行动态分簇，AUV节点利用水平轮询的方式对动态簇头进行访问交互。该结构比较适合动态的水下环境，但簇头的频繁更改，需要不断通知AUV节点新的簇头ID，增加了网络能耗。三维环境中，水平架构只能通过分层，每层部署AUV移动节点轮询，实现数据的可靠收集与转发。为此，垂直轮询架构被提出。LVRP算法针对三维动态水下环境，利用节点之间构成的Voronoi进行范围划分和网关选择，结合AUV垂直轮询，能够有效提高网络性能。RE-AEDG算法对水平轮询和垂直轮询进行了对比分析，并将两者结合起来。将随机部署的水下节点分为五层，第二层与第四层的节点均为网关节点，同层节点互不通信，第一，三，五层的节点根据距离选择最近的网关交付数据，AUV垂直椭圆轮询二、四层，实现数据可靠收集。综上所述，现有的轮询方法主要存在以下几点问题：(1)现有的轮询架构大多都是基于传感器节点二维平面部署，针对三维空间轮询的方法较少且漏洞较大，不适合大规模推广。(2)AUV节点的轮询轨迹固定。即使有文献重点讨论了不同轮询轨迹的优劣，所采用的各类轨迹在网络生命周期内都是固定不变的。固定的轨迹不能很好的适应水下网络动态演化性，难以在交互节点更替后保证数据通信的可靠性，无法保障各个时刻数据收集的高效性。(3)没有考虑目标事件出现的随机性。现有的轮询架构考虑对全网数据的收集，大部分的水域所部署的网络都是有针对性的。为了延长网络寿命，降低节点能耗，应重点对目标事件的监测数据进行收集，泛泛的收集全网信息，不仅增强了节点轮询能耗，也使得后续数据的处理更为复杂。(4)没有考虑AUV的能耗问题。大部分的文章均假设AUV节点能量无限大，不考虑其在网络中的能量消耗问题。所设计的相关算法大部分都是牺牲AUV的能耗来换取普通传感器节点的寿命。虽然AUV能量相较于普通传感器节点来说为其好几个数量级，但仍有能量限制，将其能量假设为无限大是不符合实际情况的。
技术实现思路
为了解决上述
技术介绍
提出的技术问题，本专利技术旨在提供一种移动节点辅助水下物联网数据可靠采集方法，优化网络能耗、吞吐量、数据传输效率等方面。为了实现上述技术目的，本专利技术的技术方案为：基于在线预测的移动节点辅助水下物联网数据可靠采集方法，包括以下步骤：(1)建立水下通信网络，包括移动节点AUV、交互节点和普通节点；普通节点负责对网络中的目标事件进行监测，并将感知数据传递给相应的交互节点，移动节点AUV负责轮询网络中交互节点收集的数据，并定期上传给网关；(2)采用在线预测模型对各交互节点未来连续两个T时间段数据包产生量进行估计，判断其是否超过节点存储阈值CN；(3)若预测出交互节点si未来连续两个T时间段数据包之和超过其存储阈值，则说明此次移动节点AUV必须轮询该节点，将节点si纳入路径规划中；若预测出交互节点si未来连续两个T时间段数据包之和未超过其存储阈值，则说明此次不需要轮询该节点，路径规划时不考虑该节点；(4)统计此次轮询需要经过的所有交互节点，根据各交互节点位置，进行直线连接，确定最短轮询路线；(5)遍历选择的交互节点后，利用收集到的新一轮的数据继续对在线预测模型进行校准。进一步地，在步骤(1)中，对网络中的节点进行分簇，每个簇的簇头节点作为交互节点，其余簇成员节点作为普通节点，各簇成员节点将感知数据传递给自身所属簇的簇头节点。进一步地，在步骤(2)中，设定移动节点AUV每轮询一次的间隔为T＝tc+tt+tw，每隔T时间，簇头节点标记一次数据包，以便上层网关统计其每个T时间段内的数据包产生量；其中，tc表示移动节点AUV移动采集数据的时间，tt表示移动节点AUV向水面网关传递数据的时间，tw表示移动节点AUV传递完数据后，距离下一次轮询前的等待时间。进一步地，步骤(2)中所述在线预测模型的建立过程如下：(21)预测模型需要用到交互节点感知的历史数据，移动节点AUV在前N个时间段进行全网遍历轮询，利用滑动窗口进行历史数据的选择，滑动窗口大小设置为N，即利用1到N个时间段的历史数据生成在线预测模型，再滑动N次，利用N+1到2N个时间段的数据进行模型修正，从而确定预测模型；(22)对于某交互节点si，前N个时间段内收集到的数据量依次为xi1，xi2，...，xiN，设置预测向量为θ，θ＝(θ1,θ2,...,θN)T，用来调整历史数据中每个时间段内数据量对后期数据预测的影响，则节点si在第N+1个时间段的数据量通过下式预测得到：上式中，X(N)表示xi1，xi2，...，xiN组成的向量；通过上述步骤得到在线预测模型中估计函数hθ(xj)的通用表达式：hθ(xj)＝θTX(j-1)即第j次的数据量xj由前j-1次数据量X(j-1)估计得到；(23)由于初始预测向量θ随机生成，采用梯度下降模型对预测向量进行校准；(24)当j等于N+1至2N时，对hθ(xj)分别进行N次校验，更新预测向量θ，以获得有效的预测值。进一步地，步骤(23)的具体过程如下：(231)计算预测误差Δ：(232)根据预测误差Δ建立误差函数Jj(θ)，用来描述估计函数hθ(xj)本文档来自技高网...

【技术保护点】
基于在线预测的移动节点辅助水下物联网数据可靠采集方法，其特征在于，包括以下步骤：(1)建立水下通信网络，包括移动节点AUV、交互节点和普通节点；普通节点负责对网络中的目标事件进行监测，并将感知数据传递给相应的交互节点，移动节点AUV负责轮询网络中交互节点收集的数据，并定期上传给网关；(2)采用在线预测模型对各交互节点未来连续两个T时间段数据包产生量进行估计，判断其是否超过节点存储阈值CN；(3)若预测出交互节点si未来连续两个T时间段数据包之和超过其存储阈值，则说明此次移动节点AUV必须轮询该节点，将节点si纳入路径规划中；若预测出交互节点si未来连续两个T时间段数据包之和未超过其存储阈值，则说明此次不需要轮询该节点，路径规划时不考虑该节点；(4)统计此次轮询需要经过的所有交互节点，根据各交互节点位置，进行直线连接，确定最短轮询路线；(5)遍历选择的交互节点后，利用收集到的新一轮的数据继续对在线预测模型进行校准。

【技术特征摘要】
1.基于在线预测的移动节点辅助水下物联网数据可靠采集方法，其特征在于，包括以下步骤：(1)建立水下通信网络，包括移动节点AUV、交互节点和普通节点；普通节点负责对网络中的目标事件进行监测，并将感知数据传递给相应的交互节点，移动节点AUV负责轮询网络中交互节点收集的数据，并定期上传给网关；(2)采用在线预测模型对各交互节点未来连续两个T时间段数据包产生量进行估计，判断其是否超过节点存储阈值CN；(3)若预测出交互节点si未来连续两个T时间段数据包之和超过其存储阈值，则说明此次移动节点AUV必须轮询该节点，将节点si纳入路径规划中；若预测出交互节点si未来连续两个T时间段数据包之和未超过其存储阈值，则说明此次不需要轮询该节点，路径规划时不考虑该节点；(4)统计此次轮询需要经过的所有交互节点，根据各交互节点位置，进行直线连接，确定最短轮询路线；(5)遍历选择的交互节点后，利用收集到的新一轮的数据继续对在线预测模型进行校准。2.根据权利要求1所述基于在线预测的移动节点辅助水下物联网数据可靠采集方法，其特征在于，在步骤(1)中，对网络中的节点进行分簇，每个簇的簇头节点作为交互节点，其余簇成员节点作为普通节点，各簇成员节点将感知数据传递给自身所属簇的簇头节点。3.根据权利要求1所述基于在线预测的移动节点辅助水下物联网数据可靠采集方法，其特征在于，在步骤(2)中，设定移动节点AUV每轮询一次的间隔为T＝tc+tt+tw，每隔T时间，簇头节点标记一次数据包，以便上层网关统计其每个T时间段内的数据包产生量；其中，tc表示移动节点AUV移动采集数据的时间，tt表示移动节点AUV向水面网关传递数据的时间，tw表示移动节点AUV传递完数据后，距离下一次轮询前的等待时间。4.根据权利要求1所述基于在线预测的移动节点辅助水下物联网数据可靠采集方法，其特征在于，步骤(2)中所述在线预测模型的建立过程如下：(21)预测模型需要用到交互节点感知的历史数据，移动节点AUV在前N个时间段进行全网遍历轮询，利用滑动窗口进行历史数据的选择，滑动窗口大小设置为N，即利用1到N个时间段的历史数据生成在线预测模型，再滑动N次，利用N+1到2N个时间段的数据进行模型修正，从而确定预测模型；(22)对于某交互节点si，前N个时间段内收集到的数据量依次为xi1，xi2，...，xiN，设置预测向量为θ，θ＝(θ1,θ2,...,θN)T，用来调整历史数据中每个时间段内数据量对后期数据预测的影响，则节点si在第N+1个时间段的数据量通过下式预测得到：

【专利技术属性】
技术研发人员：陈秋丽，何明，郑翔，祝朝政，吴春晓，陈希亮，刘斌，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：江苏,32