Opportunistic Routing in Underwater Acoustic Networks Fusing Depth Adjustment and Adaptive Forwarding
-
摘要: 针对水声传感器网络路由过程中的空洞问题和数据传输中能效低下的问题,该文提出了融合深度调整和自适应转发的水声网络机会路由(OR-DAAF)。针对路由空洞,区别于传统绕路策略,OR-DAAF提出一种基于拓扑控制的空洞恢复模式算法—利用剩余能量对空洞节点分级,先后调整空洞节点到新的深度以克服路由空洞,恢复网络联通。针对数据传输中的能效低下问题,OR-DAAF提出了转发区域划分机制,通过转发区域的选择自适应转发面积以抑制冗余包,并提出基于加权推进距离,能量和链路质量的多跳多目标路由决策指标,综合考虑区域能量,链路质量和推进距离实现能效平衡。实验数据表明,相比DVOR协议,OR-DAAF的包投递率和生命周期分别提高10%和48.7%,端到端时延减少22%。Abstract: Considering voids in the routing process of underwater acoustic sensor networks and low energy efficiency in data transmission, An Opportunistic Routing fusing Depth Adjustment and Adaptive Forwarding (OR-DAAF) technique is developed. Aiming at routing voids, instead of adopting the traditional detour strategy, OR-DAAF proposes a topology control-based void recovery mode algorithm, which uses the residual energy to grade void nodes and successively adjusts them to the new depth to overcome routing voids and restore network connectivity. Aiming at low energy efficiency in data transmission, OR-DAAF proposes a forwarding area division mechanism that selects the forwarding area to suppress redundant packets. It also puts forward a multi-hop and multi-objective routing decision index based on weighted advance distance, energy and link quality, comprehensively considering regional energy, link quality and advance distance to achieve an energy efficiency balance. Experimental results show that compared with a Doppler VHF omnidirectional range, OR-DAAF improves packet delivery rate by 10% and network lifetime by 48.7%, respectively and reduces delay by 22%.
-
1. 引言
水声传感器网络(Underwater Acoustic Sensor Networks, UASNs)由多个同构或异构节点组成,协同完成水下信息的捕获、存储、处理和传输[1],被广泛应用于灾害探测、助航、资源勘探和海洋环境监测等领域[2,3]。然而,UASNs的构建具有挑战性。一方面,由节点分布不均等引起的路由空洞严重降低网络连通性[4],另一方面,低且时变的链路质量和有限的节点能量难以保证数据传输的高效平衡[5]。因此,设计能够克服路由空洞并保证能效平衡的路由协议显得尤为重要。
由于节点移动等,现有的部署算法难以保证区域完全连通 [6];能量耗尽引起的节点死亡也会造成区域空洞。传统协议多显式维护路由路径来绕过空洞区域,如VAPR (Void-Aware Pressure Routing)[7],DVOR(Distance-Vector-based Opportunistic Routing) [8]和EAVARP(Energy-Aware and Void-Avoidable Routing Protocol)[9]。VAPR通过周期性信标获取可达信息,并以此构建方向向量绕开空洞区域。DVOR利用距离向量引导发送方协作转发以绕过空洞区域,提高了包投递率。EAVARP对节点分层并通过标识符识别空洞节点进而避开路由空洞。然而,绕路策略增加的跳数可能引起声波信道过载。此外,闲置的空洞节点造成极大的能耗。因此迫切需要设计新的方法克服路由空洞,在避免声波信道过载的同时节约能量。
相关人员也在提高协议能效方面做出了研究。近年来,机会路由被认为是提高转发效率的策略之一 [10]。机会路由利用广播信道的特性,选择一组候选节点协同接收和转发以提升效率。Yan等人[11]提出基于深度的机会路由DBR(Depth-Based Routing),利用贪婪思想将数据逐跳传至汇聚节点以提升效率。文献[12]提出基于管道的机会路由VBF(Vector-Based Forwarding),转发路径由源节点到汇聚节点的路由管道决定,以此减少了网络流量。Nicolaou等人[13]在VBF基础上提出了HHVBF(Hop-by-Hop Vector-Based Forwarding),路由管道在每跳过程中都被建立,提高了其在稀疏网络中的性能。然而,上述协议的决策指标仅基于单跳和单参数,忽略区域能量及链路质量。此外,广播通信会增加冗余包和数据冲突,降低整体转发效率。因此,迫切需要更有效的决策指标和转发机制保证机会路由的能效平衡。
基于上述分析,本文提出了融合深度调整和自适应转发的机会路由OR-DAAF。它能克服路由空洞并保证数据传输的能效平衡。OR-DAAF提出了一种基于拓扑控制的空洞恢复模式。该算法通过剩余能量对节点分级,先后移动空洞节点到联通区以恢复网络性能。此外,设计了转发区域划分机制自适应调整转发面积以抑制重复报文提高转发效率。最后,提出了基于多跳多目标的决策指标决定最佳中继节点。
2. 网络模型
本节主要讨论了OR-DAAF的网络模型。
本文考虑一个水声传感器网络模型,如图1所示。其中,sink节点随机部署在海面上,装备GPS以确定位置。此外,sink节点装备声和无线电调制解调器,使用声学链路和传感器节点交互数据,使用无线电链路发送报文到数据中心。水下节点随机部署在各深度,装备多种传感器设备,并通过定位算法确定位置。它们可以通过充气浮标调整深度。文献[14]提到在基于充气浮标的深度调整系统中,可以通过充放气囊等装置以改变节点的浮力;而文献[15]是一个性能不错的候选传感器节点。结合文献[14]的移动速度和能量成本,我们认为,传感器节点在1500 mJ/m的能量成本下,可以以2.4 m/s的速度垂直移动。当监测区域的感知数据被传感器节点收集和发送后,它将沿一跳或者多跳路径到达sink节点。sink节点通过无线信道把数据发送给地面基站或者卫星,最终到达数据中心进行分析。必要假设如下:
(1) 每个传感器节点都知道其初始能量和剩余能量,节点的传输半径均匀一致[16]。
(2) 每个传感器节点都可以保存通信记录[17]。
3. OR-DAAF算法
本节包括协议流程与分析,转发区域划分机制介绍,候选转发集的选择,通过基于多跳多目标的决策指标选择中继节点,基于深度调整的空洞恢复模式5个部分。
3.1 OR-DAAF概述
不同于需要获取全局信息的集中式路由,OR-DAAF发送方通过周期性信标[14]获取单跳邻域信息,是一种完全的分布式算法。由于传统路由判决时仅基于候选节点信息,而OR-DAAF还考虑了候选节点的邻居信息,因此其优化了贪心算法的局部最优解问题[14]。OR-DAAF算法流程图如图2所示。首先,当发送方位于通信空洞区域时,它通过一种空洞恢复新范式——分级激活恢复模式调整深度到非空区域恢复网络联通。之后,发送方依据划分的转发区域,剩余能量和链路质量构建候选集。候选集中的节点基于多跳多目标的决策指标计算保持时间,优先级最高的节点最早结束等待作为中继节点转发报文,其余节点丢弃持有的副本。循环上述过程直到报文最终到达汇聚节点。表1总结了本文使用的符号集。
表 1 符号集符号 含义 ni 第i个节点 PFAi, AFAi ni的主、辅助转发区域 Nei, Nsnri ni的能量、信噪比候选集 Npfai, Nafai ni的主、辅助转发候选集 G(ni), E(ni) ni的邻居数、剩余能量 Ω,Φ ni的两跳邻居集、深度集 E(ni)NF ni的邻居集能量 TFAi ni的综合转发区域 dNFjk nj的所有邻居节点nk到nj的距离 (d′jk)NF nj的所有邻居节点nk到平面P的距离 3.2 转发区域划分机制
在传统UWSNs路由协议中,节点全部通信区域作为转发区域,这增加了冗余包,密集网络下不利于提高转发效率 [18]。为了抑制冗余包,OR-DAAF采用转发区域划分机制自适应转发面积。如图3所示,OR-DAAF将转发区域划分为PFAi和AFAi。相比于整个通信区域,面积更小,推进距离更高的PFAi抑制了重复数据包拥有更高转发效率。只要PFAi存在节点,那么PFAi被选择为转发区域,而AFAi会被抑制。
在图3中,向量iD定义为
iD=[xD−xi,yD−yi,zD−zi] (1) 因此,过球心i且垂直向量iD的平面P表示为
(xD−xi)(x−xi)+(yD−yi)(y−yi)+(zD−zi)(z−zi)=0 (2) OR-DAAF将平面P和L定义为PFAi的边界之一,只有其上的节点参与转发。平面L定义为
z=zi (3) 邻居节点(如nj)到发送方ni的距离dij和到平面P的距离d′ij定义为
dij=√(xj−xi)2+(yj−yi)2+(zj−zi)2 (4) d′ij=|(xD−xi)(xj−xi)+(yD−yi)(yj−yi)+(zD−zi)(zj−zi)|√(xD−xi)2+(yD−yi)2+(zD−zi)2 (5) 候选节点到发送方的距离应小于通信半径R,综合式(2)—式(4),PFAi表示为
(xj,yj,zj)∈{(xD−xi)(xj−xi)+(yD−yi)(yj−yi)+(zD−zi)(zj−zi)>00<√(xj−xi)2+(yj−yi)2+(zj−zi)2≤Rzj≥zi} (6) 当PFAi不存在候选节点时,AFAi参与转发。转发区域定义为PFAi,AFAi之和TFAi:
(xj,yj,zj)∈{(xD−xi)(xj−xi)+(yD−yi)(yj−yi)+(zD−zi)(zj−zi)>00<√(xj−xi)2+(yj−yi)2+(zj−zi)2≤R} (7) OR-DAAF依据节点数量动态调整转发区域以自适应转发,在保留高推进距离的PFAi的同时抑制重复数据包,有效降低了能量消耗,提高了转发效率。
3.3 候选集选择
任意路径原则[19]是指数据包利用无线介质的广播特性,多条路径到达候选集以克服水声衰落。机会路由利用广播转发的任意路径原则,选择候选集协作推进数据包到sink节点以提高转发效率[20]。OR-DAAF通过周期信标获取邻居信息,并综合地理位置,信噪比和剩余能量,在邻居集中选择有资格的节点作为候选集。节点ni在t时刻的邻居集定义为
Ni(t)={n1,n2,⋯,nm} (8) 对于式(8)中的节点如nj,如果它满足式(9)—式(12),将被归类到对应的候选集中:
Nei={{nj,nk}∈Ni(t)|E(nj)≥∑kE(nk)2G(ni)} (9) Nsnri={{nj,nk}∈Ni(t)|SNR(ni,nj)≥∑kSNR(ni,nk)2G(ni)} (10) Npfai={nj∈Ni(t)|nj∈PFAi} (11) Ntfai={nj∈Ni(t)|nj∈TFAi} (12) 能量制约UASNs生命周期,因此OR-DAAF依据式(9)选取能量超过邻居集平均值的节点作为Nei。链路质量影响包投递率,信噪比是链路质量评估的重要指标。信噪比越高,链路质量相对越高,因此OR-DAAF依据式(10)选择信噪比较大的节点作为Nsnri。PFAi拥有更高的转发效率,OR-DAAF通过式(11)选取位于PFAi的节点作为Npfai。当PFAi为空时,OR-DAAF通过式(12)选取位于TFAi的节点作为Ntfai。最后,当PFAi不为空区时,通过式(9)—式(11)构建候选集C(i),如式(13)所示:
C(i)=Nei∩Nsnri∩Npfai (13) 当PFAi为空区时,选取式(9)、式(10)和式(12)构建候选集C(i)如式(14)所示:
C(i)=Nei∩Nsnri∩Ntfai (14) 候选集构建算法伪代码如算法1所示。C(i)为空的节点被定义为空洞节点,激活恢复模式。相比于其余邻居节点,C(i)中的节点拥有能量多,链路质量高和效率高的特点,实现能效平衡同时改善隐藏终端。
算法1: 构建候选集 1: for each node nj∈Ni(t) 2: if nj∈PFAi 3: then add nj→Npfai
4: if E(nj)≥∑kE(nk)/2G(ni)5: then add nj→Nei 6: if SNR(ni,nj)≥∑kSNR(ni,nk)/2G(ni) 7: then add nj→Nsnri 8: if [nj∈Npfai]∨[nj∈Nei]∨[nj∈Nsnri] 9: then add nj→C(i) 10: end for 11: if C(i)=∅ the forwarding area is PFAi 12: then replace PFAi to TFAi 13: and switch to Algorithm 1 again 14: else if C(i)=∅ the forwarding area is TFAi 15: switch to the Algorithm 2 3.4 基于多跳多目标的候选协调
计算出候选集后,发送方广播嵌有候选集id的包,并使用Bloom过滤器[14]减少所需空间。邻居节点比较自身ID是否与其匹配,从而验证是否位于C(i)中,并根据决策指标设置保持时间以决定中继节点。
传统路由的决策指标基于单跳邻居和单路由参数,缺乏可靠性。OR-DAAF的决策指标基于多目标参数和两跳邻域(候选节点转发时不仅依据自身信息,还依据邻居信息,这对发送方来说是两跳邻居),具有更高的普适性。OR-DAAF的决策指标分为3个部分:基于剩余能量的能量指标RESj,基于距离差的推进距离指标ADVj和基于链路质量的可靠性指标RELj。对于发送方ni和候选方nj,决策指标计算如下:
RESj监视网络中可能的能量空洞,减少了包丢失的可能性,提高了网络生命周期。RESj基于候选节点能量和其转发区域平均能量,并根据最大能量和最大区域能量归一化。RESj定义为
RESj=12[(1−Emax−E(nj)Emax+(ENFmax−AVG(E(nj))NFENFmax)] (15) ADVj基于贪心思想,衡量发送方与接收方之间的距离。ADVj基于当前距离差和区域距离差,并根据最大距离差和最大区域距离差归一化。距离差越大,ADVj越小,转发效率则越高。ADVj表示为
ADVj=14[(1−d′ijdij)+(R−d′ijR)]+14[(1−Avg((d′jk)NF)Avg(dNFjk)+(R−Avg((d′jk)NF)R)] (16) OR-DAAF定义RELj计算链路质量。信噪比是衡量链路质量的重要指标之一,RELj通过计算当前链路信噪比和区域信噪比来反映信道链路质量。RELj表示及p(m,d)计算为
RELj=12[(1−p(m,d))+(1−Avg(p(m,dNF))] (17) p(m,d)=(1−12(1−√SNR(d)1+SNR(d)))m (18) m为传输比特数,距离为d时,水声信道下信噪比定义为
SNR(d)=Eb/EbA(d,f)A(d,f)N0=EbN0dkα(f)d (19) 其中,f为声信号频率,N0为加性高斯噪声信道的噪声功率密度。图4展示了部分决策指标计算图。
计算RESj, ADVj, RELj 3个决策指标后,OR-DAAF的保持时间计算为
Ttime=√RESj+ADVf+RELjRv0 (20) 其中,v0为声音在水中的传播速度。依据式(20),C(i)中节点设置定时器计算保持时间。一旦有节点率先结束等待,它被选择为中继节点并立刻广播数据,其余节点通过监听此行为丢弃持有的副本。
3.5 基于分级深度调整的恢复模式
由于邻居节点的不可达性,当数据传输到空洞区域时会被丢弃。3.3节提及的候选集为空的节点被定义为空洞节点,此时OR-DAAF采用深度调整技术调整空洞节点到新的区域而不是基于控制消息的绕路技术使路由具有更短的时延和更高的节点利用率。此外,OR-DAAF依据能量阈值分级以节约能量。
在OR-DAAF中,空洞恢复模式分为拓扑消息获取和节点深度调整两个阶段。在拓扑消息获取阶段,发送方ni通过监视C(i)判断自身是否处于空洞区域。如果C(i)为空,它会停止周期性信标发送,并向邻域广播VBP(Void_Bacome_Packets)[14]。邻居节点nj接收到VBP后,它在路由表中删除ni,随后判断自身是否为空洞节点以消除层叠效应 [14]。如果不是,nj广播包含自身位置和一跳邻居位置的 VBPR(Void_Bacome_Packets_Reply)[14],ni因此获得两跳邻域集Ω,并以此调整自己的深度,否则,nj同样开启恢复模式。图5展示了拓扑消息获取阶段的基本过程。
在深度调整阶段,本文使用分级深度调整。空洞节点具有级联性,深度的调整可能改变其余节点空洞的状态,使其脱离空洞区域。考虑到水下节点能量有限性,OR-DAAF对空洞节点进行分级。分级技术能够帮助部分能量较低的空洞节点不进行任何处理便恢复联通,进而节约能量。只有剩余能量高于一半初始能量的空洞节点才能立刻调整深度,其余低优先级节点将等待两倍最大传输半径时间后广播周期性信标,重新开始空洞节点判断过程。如果再次判断为空,则进入恢复模式并直接深度调整。
对于高优先级节点如ni,它会遍历两跳邻居集Ω中的每一个节点nk,计算是否存在一个新的深度z∗i,使nk位于ni的TFAi中,即满足式(7)要求。如果存在,则将深度z∗i存入候选深度集Φ中。最后,节点ni从Φ中选择深度差最小的深度作为目标深度。空洞恢复算法如算法2所示。值的注意的是,经过深度调整的节点将直接启动候选集选择算法。若候选集为空,此时节点将重启空洞恢复算法重新计算目标深度。
算法 2: 空洞恢复算法 1: if |Ω|>0 2: for nk∈Ω 3: if E(n)<0.5Emat 4: then wait 2R/v0 and switch to Algorithm 2 5: else if
{(xD−xi)(xk−xi)+(yD−yi)(yk−yi)+(zD−z∗i)(zk−z∗i)>00<√(xk−xi)2+(yk−yi)2+(zk−z∗i)2≤R}6: then z∗i→Φ 7: end if 8: end for 9: ˆz=argmin∀z∗i∈Φ{|z∗i−zi|} 4. 实验与性能评价
本节采用MATLAB对OR-DAAF协议进行仿真,并从两个方面评估其性能。首先,本文将OR-DAAF与DBR(不采用空洞处理方式)和DVOR(采用绕路处理方式)在包投递率(Package Delivery Ratio, PDR)、时延、能耗和生命周期4个指标下仿真分析;其次,本文分析了网络流量对协议的影响。
4.1 仿真设置
本实验场景下传感器节点随机部署在8 km × 8 km × 4.5 km的3D水下区域中,实验将进行多次以消除随机性带来的影响。此外,位置已知的单个汇聚节点部署在水面中心以消除非对称性[19]。利用定位算法,所有传感器节点的3维坐标是已知的,数据包被转发到汇聚节点视为传输成功。节点的初始能量为500 J,其深度调整的能耗为1.2 J/m,这与文献[14]设置的一致。其余典型参数见表2。
表 2 实验参数设置参数 取值 通信范围 1.5 km 发送功率 2 W 接收功率 0.75 W 待机功率 0.008 W 深度移动能耗 1.2 J/m 数据包大小 100 Byte 4.2 性能比较
PDR被定义为sink节点接收的数据包与源节点发送的数据包的比值。图6显示了节点数量和PDR的关系。随节点数量增加,所有协议的PDR都在增加。这是因为节点数量增加降低了空洞节点的概率。OR-DAAF的PDR最高,因为其调整空洞节点到新的深度恢复地理路由,提高了节点覆盖率。此外,决策指标中链路质量的引入也提高了OR-DAAF的可靠性。DVOR的PDR略低于OR-DAAF,尽管其路由路径绕过了空洞区域,但长链路容易引起碰撞和重传。DBR未采用任何空洞恢复方式,因而PDR最低。
端到端时延被定义为从源节点发送包到sink接收包花费的时间。图7显示了协议在不同节点密度下的时延。随着节点数量的增加,所有协议的时延都在降低。节点数量的增加会使发送方更容易寻找到接近sink节点的道路,跳数的减少降低了时延。OR-DAAF拥有最低的时延,这是因为基于拓扑控制的恢复降低了数据传输的跳数。且转发区域划分使OR-DAAF拥有更高的推进距离。相比于DBR, DVOR的时延较低。尽管绕过空洞区域增加了DVOR的时延,但DBR忽视空洞导致的频繁重传对时延的影响更大。
能量消耗被定义为所有传感器节点在源节点发送数据包到sink节点接收数据包期间消耗的全部能量。不同协议能量消耗关系如图8所示。3种协议的能耗随节点数量的增加而增加。这是因为随着节点数量的增加,参与接收和转发数据包的节点数量也在增加,因而增加了总体能量消耗。当节点数量较低时,OR-DAAF的能耗最高。稀疏网络下OR-DAAF大量调整节点深度增加了能耗。随着节点数量的增加,空洞节点的数量减少,因而深度调整消耗的能量也在减少。此外,分级的恢复模式有助于节约能量,因而OR-DAAF深度调整增加的能耗远低于DBR忽视路由空洞引起的大量重传增加的能耗,密集网络下OR-DAAF比DBR更节能。DVOR的能耗最低,这是因为绕路所需的能耗低于深度调整。
网络生命周期被定义为从仿真开始到第1个节点因为能量耗尽而死亡期间经历的时间。图9显示了不同协议在不同节点数量下生命周期。网络生命周期随节点数量的增加而降低,这是因为节点能耗随节点数量的增加而增加,因而更容易快速死亡降低网络生命周期。OR-DAAF路由选择时的决策指标考虑了两跳邻域的剩余能量,此外其最短的端到端时延也帮助节约了能量,因而拥有最高的生命周期。DBR和DVOR忽视节点剩余能量,它们的生命周期更短。但DBR的能耗比DVOR更大,因而生命周期最短。
综上可知,OR-DAAF协议在牺牲了略微能耗的同时,相比于其他典型路由协议拥有更高的性能。
4.3 网络流量对协议的影响
本节验证网络流量对OR-DAAF性能的影响,数据包的生成服从泊松分布。
图10(a)描述了不同流量负载下PDR。容易看出,网络流量与PDR呈负相关,最高网络负载的PDR比最低网络负载的PDR低了约20%。随着负载的升高,一定传输速率的情况下,更多的传输将加剧声学信道的竞争,因而数据碰撞的可能性也在增加。碰撞会引起大量的包丢失,因此网络流量的增加导致PDR的降低。如图10(b)所示,随着网络流量的增加,端到端时延逐渐增加,最高网络负载的时延比最低网络负载的端到端时延高了2 s左右。这是可预期的。由于网络流量的增加会加剧传输介质的竞争,无论随机回退引起的等待还是数据碰撞引起的重传都会增加时延,因而更高的网络负载导致了更高的传输时延。
图10(c)描述了网络流量对能耗的影响。与设想不同,能耗随负载的增加降低。当网络流量增加时,在传输速率一定的情况下,尽管碰撞增加引起的重传和等待在单位时间内会增大能耗,但相同任务量下仿真时间会大幅降低,因而节点的闲置能耗也会降低。在实验中,最高负载条件下仿真时间比最低负载少了许多,减少仿真时间节约的能量远大于碰撞增加的能量。因此,节点能耗与网络流量呈明显的正相关性。
5. 结束语
针对UASNs中数据传输的能效低下及路由空洞问题,提出融合深度调整和自适应转发的水声网络机会路由OR-DAAF。基于剩余能量,OR-DAAF分级调整空洞节点到联通区域以避免路由空洞。为了提高传输效率,提出转发区域划分机制,依据节点密度自适应调整转发面积以抑制冗余包。同时提出基于多跳多目标的决策指标参与路由转发,综合考虑能量、链路质量和推进距离,具有好的鲁棒性和适应性。实验结果表明,OR-DAAF在PDR、时延、生命周期均有较大幅度的提升,适用于UASNs海洋数据传输。
-
表 1 符号集
符号 含义 ni 第i个节点 PFAi, AFAi ni的主、辅助转发区域 Nei, Nsnri ni的能量、信噪比候选集 Npfai, Nafai ni的主、辅助转发候选集 G(ni), E(ni) ni的邻居数、剩余能量 Ω,Φ ni的两跳邻居集、深度集 E(ni)NF ni的邻居集能量 TFAi ni的综合转发区域 dNFjk nj的所有邻居节点nk到nj的距离 (d′jk)NF nj的所有邻居节点nk到平面P的距离 算法1: 构建候选集 1: for each node nj∈Ni(t) 2: if nj∈PFAi 3: then add nj→Npfai
4: if E(nj)≥∑kE(nk)/2G(ni)5: then add nj→Nei 6: if SNR(ni,nj)≥∑kSNR(ni,nk)/2G(ni) 7: then add nj→Nsnri 8: if [nj∈Npfai]∨[nj∈Nei]∨[nj∈Nsnri] 9: then add nj→C(i) 10: end for 11: if C(i)=∅ the forwarding area is PFAi 12: then replace PFAi to TFAi 13: and switch to Algorithm 1 again 14: else if C(i)=∅ the forwarding area is TFAi 15: switch to the Algorithm 2 算法 2: 空洞恢复算法 1: if |Ω|>0 2: for nk∈Ω 3: if E(n)<0.5Emat 4: then wait 2R/v0 and switch to Algorithm 2 5: else if
{(xD−xi)(xk−xi)+(yD−yi)(yk−yi)+(zD−z∗i)(zk−z∗i)>00<√(xk−xi)2+(yk−yi)2+(zk−z∗i)2≤R}6: then z∗i→Φ 7: end if 8: end for 9: ˆz=argmin∀z∗i∈Φ{|z∗i−zi|} 表 2 实验参数设置
参数 取值 通信范围 1.5 km 发送功率 2 W 接收功率 0.75 W 待机功率 0.008 W 深度移动能耗 1.2 J/m 数据包大小 100 Byte -
[1] SHEN Zhongwei, YIN Hongxi, JING Lianyou, et al. A cooperative routing protocol based on Q-learning for underwater optical-acoustic hybrid wireless sensor networks[J]. IEEE Sensors Journal, 2022, 22(1): 1041–1050. doi: 10.1109/JSEN.2021.3128594 [2] 黄沛烁, 王易因, 关新平, 等. 面向水声传感网的自主水下航行器辅助定位动态路径规划[J]. 电子与信息学报, 2022, 44(6): 1927–1936. doi: 10.11999/JEIT211432HUANG Peishuo, WANG Yiyin, GUAN Xinping, et al. Dynamic path planning for autonomous underwater vehicle assisted localization of underwater acoustic aensor networks[J]. Journal of Electronics &Information Technology, 2022, 44(6): 1927–1936. doi: 10.11999/JEIT211432 [3] WANG Qingwen, LI Jianghui, QI Qian, et al. An adaptive-location-based routing protocol for 3-D underwater acoustic sensor networks[J]. IEEE Internet of Things Journal, 2021, 8(8): 6853–6864. doi: 10.1109/JIOT.2020.3034880 [4] HAO Kun, DING Yuying, LI Cheng, et al. An energy-efficient routing void repair method based on an autonomous underwater vehicle for UWSNs[J]. IEEE Sensors Journal, 2021, 21(4): 5502–5511. doi: 10.1109/JSEN.2020.3030019 [5] STOJANOVIC M and PREISIG J. Underwater acoustic communication channels: Propagation models and statistical characterization[J]. IEEE Communications Magazine, 2009, 47(1): 84–89. doi: 10.1109/MCOM.2009.4752682 [6] SU Yishan, GUO Lei, JIN Zhigang, et al. A voronoi-based optimized depth adjustment deployment scheme for underwater acoustic sensor networks[J]. IEEE Sensors Journal, 2020, 20(22): 13849–13860. doi: 10.1109/JSEN.2020.3005685 [7] NOH Y, LEE U, WANG P, et al. VAPR: Void-aware pressure routing for underwater sensor networks[J]. IEEE Transactions on Mobile Computing, 2013, 12(5): 895–908. doi: 10.1109/TMC.2012.53 [8] GUAN Quansheng, JI Fei, LIU Yun, et al. Distance-vector-based opportunistic routing for underwater acoustic sensor networks[J]. IEEE Internet of Things Journal, 2019, 6(2): 3831–3839. doi: 10.1109/JIOT.2019.2891910 [9] WANG Zhuo, HAN Guangjie, QIN Hongde, et al. An energy-aware and void-avoidable routing protocol for underwater sensor networks[J]. IEEE Access, 2018, 6: 7792–7801. doi: 10.1109/ACCESS.2018.2805804 [10] COUTINHO R W L, BOUKERCHE A, VIEIRA L F M, et al. Design guidelines for opportunistic routing in underwater networks[J]. IEEE Communications Magazine, 2016, 54(2): 40–48. doi: 10.1109/MCOM.2016.7402259 [11] YAN Hai, SHI Z J, and CUI J H. DBR: Depth-based routing for underwater sensor networks[C]. Proceedings of the 7th International Conference on Research in Networking, Singapore, 2008: 72–86. [12] XIE Peng, CUI Junhong, and LAO Li. VBF: Vector-based forwarding protocol for underwater sensor networks[C]. Proceedings of the 5th International Conference on Research in Networking, Coimbra, Portugal, 2006: 1216–1221. [13] NICOLAOU N, SEE A, XIE P, et al. Improving the robustness of location-based routing for underwater sensor networks[C]. Proceedings of the Oceans 2007-Europe, Aberdeen, UK, 2007: 1–6. [14] COUTINHO R W L, BOUKERCHE A, VIEIRA L F M, et al. Geographic and opportunistic routing for underwater sensor networks[J]. IEEE Transactions on Computers, 2016, 65(2): 548–561. doi: 10.1109/TC.2015.2423677 [15] JAFFE J and SCHURGERS C. Sensor networks of freely drifting autonomous underwater explorers[C]. Proceedings of the 1st International Workshop on Underwater Networks, Los Angeles, USA, 2006: 93–96. [16] JIN Zhigang, DUAN Chenxu, YANG Qiuling, et al. Q-learning-Based Opportunistic Routing with an on-site architecture in UASNs[J]. Ad Hoc Networks, 2021, 119: 102553. doi: 10.1016/j.adhoc.2021.102553 [17] HU Tiansi and FEI Yunsi. QELAR: A machine-learning-based adaptive routing protocol for energy-efficient and lifetime-extended underwater sensor networks[J]. IEEE Transactions on Mobile Computing, 2010, 9(6): 796–809. doi: 10.1109/TMC.2010.28 [18] YU Haitao, YAO Nianmin, WANG Tong, et al. WDFAD-DBR: Weighting depth and forwarding area division DBR routing protocol for UASNs[J]. Ad Hoc Networks, 2016, 37: 256–282. doi: 10.1016/j.adhoc.2015.08.023 [19] BOUKERCHE A and DAREHSHOORZADEH A. Opportunistic routing in wireless networks: Models, algorithms, and classifications[J]. ACM Computing Surveys, 2014, 47(2): 22. doi: 10.1145/2635675 [20] ZHANG Ying, ZHANG Zheming, CHEN Lei, et al. Reinforcement learning-based opportunistic routing protocol for underwater acoustic sensor networks[J]. IEEE Transactions on Vehicular Technology, 2021, 70(3): 2756–2770. doi: 10.1109/TVT.2021.3058282 期刊类型引用(2)
1. 王雪怡,刘妹琴,张森林. 基于能量优化和超时传输的水声传感器网络路由协议研究. 控制与决策. 2025(01): 55-63 . 百度学术
2. 郭卫振,朱敏,杨波. 适用于水声传感器网络的混合路由协议. 网络新媒体技术. 2024(03): 57-63+72 . 百度学术
其他类型引用(2)
-