基于多树的WSN节能查询

查询驱动的无线传感器网络中的节能

摘要

传感器节点的网络拓扑是影响无线传感器网络（WSNs）中任何网络能耗的重要因素。通过减少数据包传输数量，合理的拓扑连接可降低网络能耗。因此，在无线传感器网络中必须优化节点连接。为此，我们提出一种基于多树的传感器网络架构，该架构包含异构节点，旨在开发一种高效的查询处理无线传感器网络应用。本文提出了多树和多棵树算法，以改进常见的数据收集无线传感器网络应用场景中的网络参数。多树简单来说是一种将相同参数类型的传感器按树形拓扑结构排列的策略，从而降低数据通信中的能耗和端到端延迟。多棵树则展示了一种更有效的查询结果传播方式，适用于延迟要求不太严格的以数据为中心的应用。

1 引言

无线传感器网络（WSN）为分布式协同计算与通信带来了新的挑战。根据Sohraby等人（2007）的研究，大多数无线传感器网络应用需要在中央信息处理站进行海量非结构化异构数据的通信和收集。这些传感器负责测量参数，并以数据包的形式将数据转发至基站。

在现有文献中，很少看到传感器按照其监测的环境参数进行分组的情况。

无线传感器网络的一项基本操作是收集数据。这种数据收集通常是一个连续过程，或根据用户或系统查询按需进行。网络分析基于多种参数，这些参数包括传感器节点所需的能量、计算能力、存储空间、数据转发能力、实时响应约束以及通信范围。传感器的部署方式、用于连接这些传感器的网络拓扑、通信模式以及数据传输过程；所有这些影响任何无线传感器网络能量的因素。任何网络都应在消耗最少能量的情况下提供最大数据量，从而延长整个网络的生命周期。通过对其施加一些约束，可以使此类网络更加可靠。

这些数据包可能包含相似或混杂的参数。研究人员提出了多种算法和策略，以最节能的方式对这些数据包进行路由。由于能量是无线传感器网络中的首要关注点，数据聚合也在文献中得到了广泛研究，如 Sun（2008）、Jabeen和Nawaz（2015）、Arici等人（2003）、Da Silva等人（2014）所提出的方法，并且至今仍在无线传感器网络中被广泛采用，例如Roy和 Chandra（2020）、Dehkordi等人（2020）、Yin等人（2020）的研究。让我们假设一个简单场景，其中每个传感器仅需监测一个参数并将其继续转发。进一步假设这种单一类型的数据通过分布在无线传感器网络中的不同节点进行传输，那么我们可以设想，如果所监测的参数相似，则中间节点处数据包的聚合速率或收敛程度将显著增加。因此，所有数据包可以有效地合并，从而大大减轻因重复传输带来的数据转发负担。

此外，这些数据包仅在汇聚节点发起查询时才会被触发。因此，这将减少碰撞或信道竞争，从而降低端到端延迟。在查询驱动的无线传感器网络中，数据和查询在基站与目标现象发生或被观测到的位置，如Georgios等人（2010）所引用。类似地，Khan等人（2019）在基于查询驱动虚拟网格的数据传播（QDVGDD）方案中提出了查询驱动模式下的数据聚合，其中来自特定网络段的强化报告。然而，他们采用了动态虚拟基础设施，其规模可随部署节点数量进行调整。第一种方法是单跳方法，其中每个传感器节点直接与基站或汇聚节点通信。该方法的主要局限在于远距离节点的严重能量耗尽，这最终导致网络生命周期受到显著限制。同样，Daniele等人（2007）、Wang和Jee-Hyong（2012）以及Johansson等人（2008）提出的生成树协议已适当地解决了短距离通信中的能量消耗优化问题。其他相关研究包括Dong等人（2020）提出的一种分布式生成树策略，相较于现有的局部最小生成树（LMST）分布式算法和随机路由算法，能够最大化网络生命周期。

此外，Gnawali等人（2009）和Chakraborty等人（2011）提出了最短路径遍历以保证寿命延长和拥塞管理。通过使用簇头和中间头节点进行拓扑构建和控制方法，也能有效利用有限资源。然而，簇头选举和角色频繁轮换会带来较高的计算和能量开销。针对数据采集系统，需要平衡流量分布，从而减少因路由故障引起的热点问题。为降低节点的单个节点工作负载，需将待处理消息数量进行最优分配，如Hossein和 Moghavvemi（2009）所建议，或采用Joohwan等人（2010）提出的转发消息前进行数据聚合的方法。

Yingchi等人（2010）和Gong与Jiang（2011）所描述的类似数据收集树基于平衡树拓扑，旨在最小化数据冲突和整个网络的能耗。

第一和第二转发节点的概念由 Li 等人（2014）提出，用于优化基于无环图的查询驱动数据转发。他们的目标是在数据转发中实现能量均衡和拥塞避免。与我们的方法不同，Hawbani 等人（2018）提出了一种称为基于汇聚节点树的数据传播（STDD）的分布式面向汇聚节点的传播协议，该协议为每个移动汇聚节点仅构建一棵主要传播树。他们提出通过树更新来在延迟、网络寿命、投递率和能耗方面实现更好的性能。

同样地，基于分组的路由（Hawbani 等人 2015）和基于分组的目标跟踪提出根据传感器的地理最大覆盖区域对其进行划分与分组。

无线传感器网络目前是物联网应用的使能技术。物联网设计的一个重要层次是边缘，其执行类似的数据汇集功能以减少延迟。当前文献提到边缘计算与最初在汇聚节点层级进行的数据聚合相关联。因此，可以说它们的作用类似于汇聚节点的作用。然而，基于边缘的数据聚合需要终端设备仅转发数据，而不是收集并打包数据。边缘设备的主要目标是减少响应延迟并最小化上下行流量（Bilal 等人。2018）。其他文献建议使用边缘计算来减少传感器与中央数据中心之间所需的带宽。此外，根据 Ferra´ndez-Pastor 等人（2018），采用边缘计算管理传感器、执行器和嵌入式设备时，并不需要持续连接到网络。因此，节能方面的约束得以降低。此外，边缘服务器可以自然地扩展到分层架构，在该架构中，可变功率的计算资源可用于不同的计算任务（Fitzgerald 等人。2018）。通过比较边缘节点的能耗与我们的方法，我们可以观察到汇聚节点可以被边缘节点替代。因此，根据 Imai 等人（2018）、Shi 等人（2016）以及 Satyanarayanan（2017）中提到的文献，通过在无线传感器网络层级使用网内聚合，可以大幅减少能耗。

一种可采用的简单策略是，将每个传感器专门用于感知一个参数，从而减轻工作负载。如果我们假设传感器仅在发起需要其参数的查询时才进行通信，则分析此结构会更加容易。这还要求传感器要么与其他“同类型”传感器连接，要么网络在感兴趣区域中平衡分布“不同类型”的传感器比例。所讨论的架构可以视为一种基于主干的架构，该架构可通过两种方式实现。建立一个无线传感器网络，其中某一层级的节点与连接至汇聚节点的高层节点进行通信。这种结构类似于Jin等人（2008）以及Younis和Fahmy（2004）中提出的基于簇的策略，其中高层节点是固定的，通信路径是非易失性的。这一约束进一步促使我们简化方案，并对基于树的骨干网络进行能耗分析。

Snigdh和Saurabh（2014）针对异构传感器节点提出了所建议的基于多树的架构，其中一个节点连接三种不同类型的节点以生成树。在查询处理过程中，拥有三个子传感器节点的节点需要传输更多的数据向其父节点发送消息，且该父节点必须对所有类型的查询保持活跃。因此，其能量消耗比叶节点更高，从而成为架构中的瓶颈。另一种可选的骨干结构是基于多棵树的架构，其中同一类型的节点相互关联并形成到汇聚节点的子树。因此，对于每一类不同的节点，都有一个负责与基站通信的汇聚节点。为了分析该策略的性能，我们考虑了两个重要参数：端到端延迟和剩余能量。我们提出了两种用于结构健康监测应用中由异构节点构成骨干网络的策略。查询生成及其响应转发的过程可以很好地体现在图1中。1展示了所提出的算法执行的操作序列。汇聚节点或基站发起一个查询，请求特定类型的数据。父节点（距离汇聚节点一跳的节点）对接收到的消息进行过滤，并将其重定向到预期包含所需数据的适当子节点。为了表述简洁，我们假设有三类不同的子节点，它们根据请求依次或并行地转发数据。父节点在接收到其子节点的响应后，将数据包合并并转发给汇聚节点。这种查询及其对应响应的重定向过程已进行了分析使用我们提出的算法多树和多棵树。

2 系统模型

多树和多棵树算法用于通过异构传感器获取给定区域的多种类型信息。在感兴趣区域部署了(3n ? 1)个随机分布的传感器节点。这些节点本质上是异构的（每种类型n个，外加一个汇聚节点）。使用图G(V, E)表示传感器节点的随机分布，其中V是所有节点的集合，满足V ¼ VA[[VSVT；E是任意两个节点之间的边集。

VA、VS和VT分别为加速度计/振动、应力/应变以及温度/湿度类型传感器的n个节点集合。假设每个传感器节点在本质上是同构的，具有相同的收发器功率、内存和处理能力。

汇聚节点计算其到VA、VS和VT的欧几里得距离，并分别连接到每组VA、VS和VT中欧几里得距离最小的节点，将所连接的顶点放入Va、Vs、Vt中，对应的边放入Ea、Es、Et中。接下来，集合Va计算其到将集合 (VA–Va) 中的节点与 (VA–Va) 中具有最小欧几里得距离的节点连接，并将已连接的顶点加入 Va，边加入 Ea。此过程重复 8VA 次。对 Vs 和 Vt 也重复相同过程。由此生成三棵树，分别连接到汇聚节点，记为 TA、TS、TT。

对于查询处理，如图1所示，汇聚节点以固定时间间隔组播所需类型的查询。与汇聚节点相连的传感器接收到查询后，若其节点类型与查询参数匹配，则将该查询传输至树中下一级的传感器。如果节点不涉及查询所需的参数，则可减少不必要的数据转发。因此，查询仅在节点类型与查询类型相同的树中传播。当查询在树中的所有节点上传播后，传感器通过向汇聚节点发送采集的数据进行响应。其他类型的传感器则保持休眠状态，仅通过周期性监听信道来接收任何消息。

这样，我们确保了每种类型的传感器仅对与其相关的查询做出响应。

2.1 多树算法

2.2 多树算法

类型传感器节点
1. 开始
2. 汇聚节点从每个 VA、VS 和 VT 中找到一个最小距离节点，并将其存储到 Va、Vs、Vt 中，分别。
3. 直到 Va != VA：从 VA–Va 中找到最小距离节点，连接到它并存储到 Va 中。
4. 直到 Vs != VS：从 VS–Vs 中找到最小距离节点，连接到它并存储到 Vs 中。
5. 直到 Vt != VT：从 VT–Vt 中找到最小距离节点，连接到它并存储到 Vt 中。
6. 结束

2.2.1 / 查询处理 /

1. 汇聚节点生成查询。
2. 汇聚节点向成员节点组播查询。
3. 包含负责查询的节点的树将把查询传播到下一级节点。
4. 节点将转发结果至相应父节点，直到到达汇聚节点。
5. 根据Wang和Yang（2007）所引用的无线电信号能量模型，使用能耗函数计算能耗。

2.3 假设

在实现所提出的多树算法时，已考虑以下假设：
1. 传感器节点在区域中随机分布。
2. 传感器节点和汇聚节点是静止的，且汇聚节点位于监测区域的中心。
3. 传感器节点具有异构性并具有位置感知能力。
4. 传感器节点的电池电量有限且不可更换。
5. 传感器节点具备数据融合功能，可将N个数据包聚合为一个数据包，以最小化总能耗。
6. 在每个传感器仅在其通信范围内与相同类型的传感器节点连接的约束下形成的树。

3 结果与讨论

使用客户端‐服务器建模对提出的算法进行了仿真。针对相同的仿真参数和基于转发路由协议的查询处理，对多树架构与相应的最小生成树和多树进行了比较和分析。汇聚节点发起查询并将其转发到网络中，随后传感器节点根据查询做出响应。以下图示展示了所提出的算法的结果图。客户端服务器架构评估了查询处理的主要参数，即每个节点的剩余能量。以下图2a–c 是在JAVA界面上执行算法时构建的树拓扑结构的快照。

这些图示描绘了在生成通信主干时三条各自树中所遵循的通信路径。通过标准的普里姆算法实现了最小生成树（由Jarnı´k（1930）提出），用于简单比较任何路由算法在消息传递过程中可能采用的最短路径。由于基于主干的网络中的主要约束是单点故障。在任何自组织网络中，靠近汇聚节点或基站的节点需要承担更多的工作。因此，这些节点成为“热点”，其故障将严重影响整个网络的运行。因此，首次分析集中在第一层节点（即直接连接到汇聚节点且处于一跳距离内的节点）所消耗的能量。第二层节点是指中间层节点，不是叶节点。因此，这些节点还承担着数据转发和聚合的额外任务。

3.1 仿真参数

• 每个传感器由2 J的电源供电。
• 传输包大小（k）为1000 bit。
• 电子能量Eelec为50 nJ/bit。

3.1.1 情况一：静态节点随机部署的结果

下图展示了所提出的多树算法、多树架构、最小生成树架构以及基于工作负载的查询路由树（Andreou 等人，2008；Yingchi 等人，2010）在查询处理中的仿真结果。图4显示了汇聚节点随机发起60万次随机查询后，多棵树、多树和最小生成树的总能耗情况。结果表明，多树架构在处理60万次随机查询时的能耗低于多树和基于最小生成树的架构。在多树架构中，查询仅在对应查询类型的查询树段内传播，因此只有负责该特定查询的节点才发送响应并充当路由节点。而在多树架构中，每个节点要么传输数据，要么为其他传感器节点充当路由节点，导致更高的能耗。

图5显示了在执行不同查询数量后消耗的能量的结果。结果表明，多树和最小生成树的消耗的能量始终高于多棵树。多树消耗的能量更少，因为查询响应仅由包含与查询类型相似的传感器节点的树提供，其他树不响应并等待下一个查询。相反，在多树架构中，转发节点总是积极参与汇聚节点发起的所有查询，因此其剩余能量随着每次查询迭代而减少，导致更高的能耗。

图6显示了第一层节点在执行查询后直接连接到汇聚节点所消耗的能量。在多树架构中，汇聚节点恰好与每种类型的一个节点连接，且每个已连接的节点随后连接到每种类型的节点，形成多树。因此，在每次查询处理期间，第一层节点都处于活动状态，导致更高的能耗。如图所示，MT中的第一层节点比 MST以及多棵树消耗更多的能量。

图7显示了第二层节点在执行查询后消耗的能量，这些节点直接连接到第一层节点。与第一层节点相同，第二层节点在多树架构中也消耗更多能量，因为它们充当转发节点。

图8显示了叶节点执行600,000次查询后消耗的能量。多树架构中的叶节点数量较多，导致所有节点的总能耗高于多树以及最小生成树架构。

3.1.2 案例II：不同部署的结果

为不同数量的节点生成了多棵树、多树和最小生成树拓扑，并计算了传感器网络消耗的能量。针对包含20、40、60和80个异构传感器的传感器节点构建了拓扑，并计算了网络消耗的能量。结果表明多棵树优于多树和最小生成树架构。图9显示了不同数量的传感器节点下，基于不同拓扑架构的能耗图。

3.1.3 案例III：将提出的策略与现有的WQRT()算法进行比较

将我们的多树与基于工作负载的查询路由树进行比较，以在相同的仿真参数下估算整体能耗。出于等效性考虑，WORT受限于平衡因子b= 3。以下图表描述了我们提出的算法与现有WQRT架构的能耗情况。

3.1.4 案例IV：查询处理结果

表1显示了连接树中的第一个传感器节点完全耗尽时的总查询数量。结果表明，基于多棵树的拓扑处理的查询数量多于最小生成树和多叉树拓扑。从结果可以看出，多棵树拓扑处理的查询数量几乎是多叉树拓扑处理的查询数量的三倍。

我们假设基于树的网络在第一个节点发生故障时即失效，而在所有情况下，该节点均为较低层级的一个父节点。因此，生命周期取决于“首个节点死亡”的统计数据。表2显示了WQRT算法与我们的基于分治的多树算法在不同树连接下所服务的查询数量对比。

骨干结构根据不同的感知范围以及表2所示的不同汇聚节点位置而变化。在所有观察结果中，我们发现多树的生命周期优于WQRT。

4 结论

从仿真结果中，我们验证了查询响应中能耗降低的说法。能耗比较表明，多棵树策略相较于多树策略有所改进。此外，在相同网络场景下，与基于最小生成树骨干的通信架构相比，具有显著的节能效果。相比之下，基于多树的通信在延迟方面优于多棵树策略。因此，基于多树的拓扑可用于需要快速通信的实时传感器网络应用。相反，在能量约束较为严格的场景中，可采用多棵树结构。同时，以下结果表明，使用多个传感器有助于降低数据延迟。这还可进一步用于提升网络可靠性。此外，可通过实施睡眠周期调度，以更有效和有序的方式节约能量。

在多树策略中，靠近汇聚节点的传感器节点消耗更多能量，在多叉树拓扑中，这会成为拓扑的瓶颈问题，导致传感器节点耗尽能量。与远离汇聚节点的传感器节点相比，能量消耗立即显现差异。而在基于多树的拓扑中，结果表明位于汇聚节点附近和远离汇聚节点的传感器节点在消耗的能量上没有显著差异。从结果可以看出，基于多树的无线传感器网络的生命周期比多树无线传感器网络更长。

根据获得的仿真结果，所提出的多树算法在性能上优于多树以及最小生成树算法。所提出的基于多树的无线传感器网络架构在查询处理环境中处理异构传感器，以收集多种类型的数据。该工作可进一步扩展至移动汇聚节点。相同的工作也可在事件驱动和时间驱动架构、边缘计算中进行。总之，可以对所提出的算法进行增强，以实现在实时应用中的部署，同时考虑节点移动性、节点电池寿命、关键响应时间和无线传感器网络生命周期等问题。