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

本发明专利技术属于水声认知传感器网络技术领域，公开了一种流量自适应的水声认知传感器网络多址接入方法；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；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；Sink根据数据估计结果判断是否需要调整采样周期。TEA‑MAC节省的能耗相对较少；而随着网络流量的降低，节点休眠能耗所占的比重会增大，TEA‑MAC消耗的能量与S‑MAC、CBA‑EVT的差距也随之增大。

A Flow-adaptive Multiple Access Method for Underwater Acoustic Cognitive Sensor Networks

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，节点只要检测到信道空闲指定时间后，马上进入休眠状态。而AMAC则通过信道空闲时间的长短判断网络流量的大小，然后根据网络负载情况采用可变监听时长和按照2的指数增大或缩小休眠时间的节能策略。但是，由于根据信道状态估算得到的网络流量往往误差较大，导致最终设置的休眠机制不能与网络负载同步变化，从而降低协议性能。于是，近些年来，出现了通过数据估计法来预测网络流量大小的MAC协议。例如，CyMAC依据节点最近接收到的数据，运用指数权值平滑移动法(ExponentialWeightedMovingAverage，EWMA)估算下一周期的流量大小。类似地，CBA-EVT根据网络流量变化趋势，采用EWMA和Holt-Winters指数平滑法估计下一帧接收的报文数量。但是基于节点历史数据估计网络流量的方法，由于只考虑了节点自身数据的时间关联性，而忽略了相邻节点的空间关联性，估计结果误差较大。综上所述，现有技术存在的问题是：(1)S-MAC的帧长及占空比是固定不变，存在着自适应能力差、能量效率不高、传输时延大。(2)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，由于根据信道状态估算得到的网络流量往往误差较大，导致最终设置的休眠机制不能与网络负载同步变化，降低协议性能。(3)基采用EWMA和Holt-Winters指数平滑法估计下一帧接收的报文数量。但是基于节点历史数据估计网络流量的方法，只考虑了节点自身数据的时间关联性，忽略相邻节点的空间关联性，估计结果误差较大。解决上述技术问题的难度和意义：通过可变占空比的休眠唤醒机制可有效提升水声认知传感器网络的性能，对减少能量消耗，提高网络能量效率，降低端到端传输时延，提高网络吞吐量具有极其重要的作用。若水声认知传感器网络节点的休眠时间能基于网络流量实现动态调整，则可实现降低侦听能耗、减少时延和提高吞吐量。而占空比是网络负载的函数，占空比与网络流量匹配程度越高，网络性能越优。因此，准确感知网络流量大小是设计水声认知传感器网络自适应占空比MAC协议的关键。在此基础上，如何设计出与网络流量匹配的占空比也是需要重点解决的问题。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种流量自适应的水声认知传感器网络多址接入方法。本专利技术是这样实现的，一种流量自适应的水声认知传感器网络多址接入方法，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。进一步，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。进一步，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。进一步，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t1到tn时刻采集的n个数据集合，Sn(t)＝{Sn(t1)，Sn(t2)，…，Sn(tn)}；TEA-MAC的数据估计模型用式表示：式中，T：终端集，为若干个节点的采集数据，当簇内只有一个节点S1时，T＝{S1(t1)，S1(t2)，…，S1(tn)}；当簇内有多个节点{S1，S2，…，Sn}时，T＝{S1(t)，S2(t)，…，Sn(t)}；F：函数集，F＝{+，－，×，÷，sqr，exp，log，csch，tan}；f：适应度函数，适应度阈值，作为终止条件；θ：群体规模，群体中个体p的数量；γ：交叉概率；μ：变异概率；λ：终止条件，通常为进化代数；p：个体，即计算机程序；群体，全部个体的集合。进一步，所述流量自适应的水声认知传感器网络多址接入方法的TEA-MAC实现流量估计方法包括：(1)群体初始化：个随机生成的计算机程序(程序树)；(2)对所有计算f(p)；(3)生成下一代群体1)选择：从群体中随机选出个计算机程序加入到中，群体中的个体被选中的概率为：2)交叉：以概率Pr(p)从群体中选出γθ/2对个体，对于每对个体随机选择交叉位置进行交叉操作，得到两个新个体并加入到；3)变异：在中以平均概率选出μθ个个体进行变异操作；4)群体更新，即'θ←θ；5本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：陈显毅，林国兰，
申请(专利权)人：海南大学，
类型：发明
国别省市：海南,46