The invention belongs to the field of underwater acoustic cognitive sensor network technology, and discloses a flow-adaptive multiple access method for underwater acoustic cognitive sensor network; after the clustering process is completed, the node sets a duty cycle matching the initial sampling period; the node collects data and sends it to Sink, which generates a data estimation model based on the received data and sends it to the corresponding node. Sink generates the data estimation model based on the collected data. Sink keeps one copy of the data and sends another to the node. Sink judges whether it needs to adjust the sampling period according to the data estimation results. TEA_MAC saves relatively less energy consumption, and with the decrease of network traffic, the proportion of node dormancy energy consumption will increase, and the gap between TEA_MAC energy consumption and S_MAC, CBA_EVT energy consumption will also increase.
【技术实现步骤摘要】
一种流量自适应的水声认知传感器网络多址接入方法
本专利技术属于水声认知传感器网络
,尤其涉及一种流量自适应的水声认知传感器网络多址接入方法。
技术介绍
目前,业内常用的现有技术是这样的:在水声认知传感器网络中,多址接入协议作为网络协议栈的下层部分,负责分配与调度无线信道资源。由于传感器节点的能量资源有限,设计一个适用于异构无线传感器网络的节能MAC(MediumAccessControl,MAC)机制,减少网络的能量消耗,特别是减少网络中无效能耗的损失是提高异构无线传感器网络性能的核心问题。根据信道接入策略的不同,水声认知传感器网络MAC协议一般可以分为基于调度的MAC协议和基于竞争的MAC协议。竞争协议一般无需全网信息,具有扩展性好,易于实现,较适用于无中心节点的分布式网络,但面临长时延和高能耗的挑战。基于调度类的MAC协议,可以通过中心节点或基站集中高效分配频谱等资源,能有效保障时延和减小能耗,但其对网络结构有一定要求,并且需要一定的网络同步。为了更好地提高传感器网络的能量效率,研究人员开始关注节能MAC协议的设计。其中S-MAC是比较具有代表性的基于休眠/唤醒机制的MAC协议,该协议采用周期性休眠机制,使节点工作在监听-休眠状态,与持续监听信道的MAC协议(如IEEE802.11)相比,S-MAC有效降低了网络节点能耗。但是,由于S-MAC的帧长及占空比是固定不变的,存在着自适应能力差、能量效率不高、传输时延大等不足。T-MAC将S-MAC中的同时唤醒节点和同时使节点进入休眠的调度策略改变为节点同步处于唤醒状态,但休眠的时刻却是因节点而异,节点 ...
【技术保护点】
1.一种流量自适应的水声认知传感器网络多址接入方法,其特征在于,所述流量自适应的水声认知传感器网络多址接入方法包括:第一步,分簇过程完成后,节点根据初始化的采样周期设置与之相匹配的占空比;节点将采集数据并发送给Sink,Sink根据接收到的数据生成数据估计模型并发给相应节点;节点将根据数据模型判断是否需要向Sink发送采样数据;第二步,Sink根据收集到的数据,生成数据估计模型,Sink自己保留一份,另一份发送给节点;在系统稳定阶段,Sink根据节点定期发来的keepalive消息,保持数据估计模型不变;若Sink持续接收到节点发来采样数据,则意味着数据估计模型已失效,于是Sink根据最新收到的数据生成新的数据估计模型,并通知节点更新,节点在更新数据估计模型的同时调整占空比;第三步,Sink根据数据估计结果判断是否需要调整采样周期,若在较长的一段时间内数据估计模型保持不变,说明节点在这段时间内采集到的数据没有或者只有极少量的数据发送到Sink,适当增大采样周期只会减少节点能耗而不会影响收集数据的准确性;当数据估计模型经常发生变化时,Sink应当适度地减小节点的采样周期。
【技术特征摘要】
1.一种流量自适应的水声认知传感器网络多址接入方法,其特征在于,所述流量自适应的水声认知传感器网络多址接入方法包括:第一步,分簇过程完成后,节点根据初始化的采样周期设置与之相匹配的占空比;节点将采集数据并发送给Sink,Sink根据接收到的数据生成数据估计模型并发给相应节点;节点将根据数据模型判断是否需要向Sink发送采样数据;第二步,Sink根据收集到的数据,生成数据估计模型,Sink自己保留一份,另一份发送给节点;在系统稳定阶段,Sink根据节点定期发来的keepalive消息,保持数据估计模型不变;若Sink持续接收到节点发来采样数据,则意味着数据估计模型已失效,于是Sink根据最新收到的数据生成新的数据估计模型,并通知节点更新,节点在更新数据估计模型的同时调整占空比;第三步,Sink根据数据估计结果判断是否需要调整采样周期,若在较长的一段时间内数据估计模型保持不变,说明节点在这段时间内采集到的数据没有或者只有极少量的数据发送到Sink,适当增大采样周期只会减少节点能耗而不会影响收集数据的准确性;当数据估计模型经常发生变化时,Sink应当适度地减小节点的采样周期。2.如权利要求1所述的流量自适应的水声认知传感器网络多址接入方法,其特征在于,所述第一步具体包括:节点通过数据估计模型得到一个预测数据,计算采样数据与预测数据之间的误差,若误差超出允许范围,则发送采样数据给簇首,并由簇首将数据转发给Sink;否则,不向簇首发送采样数据,该数据由Sink根据相同的数据估计模型预测得到。3.如权利要求1所述的流量自适应的水声认知传感器网络多址接入方法,其特征在于,所述流量自适应的水声认知传感器网络多址接入方法的基于节点分簇和基因程序的解决具体包括:首先初始化群体,根据给定的函数集F和终端集T,随机生成一定数量的计算机程序;然后经过一系列的进化过程,选择、交叉和变异操作;最终得到所需要的数据估计表达式。4.如权利要求1所述的流量自适应的水声认知传感器网络多址接入方法,其特征在于,所述流量自适应的水声认知传感器网络多址接入方法采用节点分簇的预处理方法,Sn(tn)表示节点Sn在tn时刻采集的数据;Sn(t)为矢量,表示节点Sn在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。