基于代理的蜘蛛网数据收集

原创于 2025-10-13 14:31:52 发布 · 639 阅读

29 ·

CC 4.0 BY-SA版权

文章标签：

#无线传感器网络 #软件代理 #信息收集 #多路径路由

基于代理的蜘蛛网信息收集在无线传感器网络中的应用

摘要

本文提出了一种基于代理的蜘蛛网信息收集（ASNIG）方案，以实现无线传感器网络中高性能、能量高效的数据收集和多路径路由。该算法采用一种称为“蜘蛛网”的时空拓扑结构，其灵感来源于蜘蛛利用蛛网捕获猎物的方式。通过使用多个软件代理来提升网络性能。所提方案在NS2平台上进行仿真以进行性能分析。仿真结果表明，与现有方案相比，结合软件代理的蜘蛛网网络结构在降低能量消耗方面表现更优，从而延长了无线传感器网络的网络寿命。为测试所提系统的性能，考虑了若干性能参数，包括：网络寿命、蜘蛛网构建时间、数据收集时间、蜘蛛网构建能耗以及数据收集能耗。

关键词 无线传感器网络 · 软件代理 · 信息收集 · 多路径路由

符号列表

Si：传感器节点感知信息
Sith：感知信息阈值
Ed：事件检测
Nb：邻近节点
Ɵ：扇区角
SMA：传感器管理代理
GNA：汇聚节点代理
DBB：数据黑板
SDB：汇聚数据板
PIA：路径识别代理
MA：汇聚节点管理代理
PEA：路径建立代理
Pd：路径详情
Ipi：理想路径信息
Gi：收集的信息

1 引言

无线传感器网络（WSN）在信息收集与处理方面是物联网（IoT）的重要组成部分。WSN是由能够感知、计算并无线传输感知信息到目的地的传感器节点组成的网络[1]。多媒体传感和无线通信技术领域的最新技术进步使得WSN在环境监测、战场、基础设施、医疗保健、交通监控和灾害管理等广泛应用中得以实现。传感器节点成本低且经济可行，可广泛部署于广阔的地理区域。这些多媒体传感器可感知多种实体，如温度、湿度、气压、盐度、物体及物体移动性等[2]。信息收集是无线传感器网络的基本任务。由于网络中节点密集部署，传感器节点会产生大量数据，在信息处理和传输过程中消耗更多能量和网络带宽。因此，能量高效的信息收集在无线传感器网络中起着至关重要的作用，因为传感器节点具有有限的电池容量、较少的网络带宽、较高的通信开销以及增加的延迟。

蜘蛛是自然界中最具有认知能力的技术性捕食者之一。蜘蛛通常会织网来捕捉猎物。蜘蛛网由蛛丝构成，蛛丝是蜘蛛释放的细而坚固的丝线。蜘蛛网的结构包括坚固的径向丝和用于捕捉猎物的细螺旋丝，如图1所示。蜘蛛网是由蜘蛛建造的一种超轻结构，用于粘住并捕捉猎物。一旦猎物被蜘蛛网捕获，螺旋丝便会有效地将信息传递给蜘蛛[3]。即使部分丝线受损，蜘蛛网仍能保持强健且有效的连通性。这种优雅且不易受破坏的蜘蛛网结构可为无线传感器网络中的信息收集与传播提供高效支持。

示意图0

1.1 相关工作

许多数据收集技术已经被提出，用于无线传感器网络，旨在最小化能量消耗。这些技术可以根据压缩和网络技术大致分为两类。

基于压缩的技术通过使用压缩技术来延长网络寿命，如[4–11]所述。文献[4, 5]讨论了在无线传感器网络中利用时间相关性的不同无损压缩方案。文献[6, 7]的作者讨论了基于Slepian‐Wolf定理的分布式信源编码技术在空间相关性方面的应用。文献[8–11]中，作者讨论了基于压缩感知的数据收集技术的基本局限性。文献[12]提出了一种在无线传感器网络中通过簇头采用多种采样方式实现能量高效信息收集的压缩感知方法。

第二类数据收集技术通过考虑最优路由算法和网络协议来最大化无线传感器网络的网络寿命，相关内容在[13, 14]中进行了讨论。文献[13]中，作者讨论了改进网络寿命的路由算法。文献[14]中，作者提出了一种简单的数据聚合方案，其中中间传感器节点可将多个输入消息聚合成单个输出消息。最优路由与数据聚合结合的方法在[15]中进行了讨论。文献[16]中，作者结合数据压缩和多路径路由技术，提出了一种可靠且低延迟的基于数据聚合的方案。文献[23]中，作者提出了一种在无线传感器网络中利用移动汇聚节点进行节能型数据收集以提高网络寿命的方案。一种新算法聚焦于减少传感器节点与簇头之间的传输路径，通过称为设置阶段和稳定阶段的两个阶段实现高效数据收集，该算法在[24]中进行了讨论。

感知信息通过代理技术从传感器节点传送到汇聚节点。代理是部署在无线传感器网络环境中的自主软件程序，能够独立运行或通过与其他代理交互完成特定任务，如[17]所述。软件代理分为两类：静态代理和移动代理。移动代理系统通过在环境中漫游，并与其他移动代理及环境中的节点交互来执行任务。移动代理还能从所有传感器节点聚合数据，并协助将聚合后的数据路由至汇聚节点，如[18]所述。文献[19]中，作者提出了一种基于轮状结构的软件代理数据聚合方案，以提高网络寿命。文献[20]中，作者讨论了在农业场景下，针对无线多媒体传感器网络使用多代理的情境感知信息收集方法。

一种容错蜘蛛网区域（FTSNZ）路由协议，可为无线传感器网络提供能量高效且低延迟的路由协议，已在[21]中进行了讨论。作者在[22]中讨论了用于研究蜘蛛网结构特性及无脆弱性的人工蜘蛛网模型，以应用于无线传感器网络的农田部署。人工蜘蛛网模型（ASWM）被用于比较所提出的基于代理的蜘蛛网信息收集（ASNIG）在无线传感器网络中的性能提升。为了解决汇聚节点周围的热点区域以及移动传感器网络中节点持续移动导致的路径不稳定问题，提出了一种基于区域划分的虚拟蜘蛛网模型的不相交多路径路由算法模型，由作者在[26]中提出。在[27]中，作者讨论了无人机辅助的无线传感器网络，通过研究多种无人机路线形状及其对信息收集的影响来协调路由信息。作者在[28]中讨论了一种用于低功耗无线传感器网络中高效节能数据收集的能量高效包中包方案。

现有方法的一些局限性如下：缺乏智能化的网络构建和路径构建，中继节点选择机制的灵活性较差，缺乏关键信息传输的鲁棒机制等。

1.2 我们的贡献

本文提出了一种在无线传感器网络（WSN）中基于生物启发式的代理蛛网信息收集（ASNIG）方法。所提方案的工作过程如下：（1）当事件发生时，中心节点（事件节点）启动蜘蛛网的构建。（2）从螺旋链路中每个节点收集的信息被汇聚并存储在每条径向链路的聚集节点中。（3）各螺旋链路的聚集节点中的收集的信息通过径向链路路径，利用多跳和多路径路由传输至汇聚节点。

本工作的部分贡献如下。（1）将部署的无线传感器网络架构建模为蜘蛛网形式用于数据聚集与路由。（2）利用移动和静态代理构建蜘蛛网。（3）沿径向链路进行汇聚节点选择。（4）在事件节点与汇聚节点之间计算节点不相交路径。

论文其余部分组织如下：第2节介绍蜘蛛网构建模型。第3节给出基于代理的蜘蛛网信息收集。第4节介绍仿真模型及性能参数。第5节讨论结果，第6节总结全文。

2 蜘蛛网构建模型

蜘蛛网拓扑的结构稳定性、无脆弱性和可靠性特性被用于增强无线传感器网络在信息收集与传播中的网络性能。

2.1 网络环境

图2所示的网络环境包含异构传感器节点和一个汇聚节点。检测到事件的节点被视为中心节点，人工蛛网构建从此中心节点开始。传感器节点分布在特定地理区域内，具有一定的传输范围。在检测到事件后，中心节点通过多跳通信将数据发送至汇聚节点。所有传感器节点均配备全球定位系统（GPS）、处理器和用于通信的收发器。

示意图1

2.2 数学模型

2.2.1 事件检测

设Si1, Si2, Si3,…, Sin为传感器节点1,2,3,…,n的感知信息，Sith为该参数的阈值。当感知值大于所感知参数的阈值时，即认为发生事件。则事件检测‘Ed’可如公式1所示计算。

$$
Ed =
\begin{cases}
1 \quad : S_i > S_{ith} \
0 \quad : \text{否则}
\end{cases}
\tag{1}
$$

其中 i = 1, 2, 3,…,n

2.2.2 蜘蛛网结构

蜘蛛网的结构可以解释如下：
（i）设“C”为检测到事件的中心节点。
（ii）蜘蛛网的弧长记为“AL”，可如下式（2）所示。

$$
AL = \theta \times r \times k
\tag{2}
$$

（iii）设“R”为径向链路数量，“r”为蜘蛛网的半径，其可由公式(3)给出。

$$
r = (P \times R)/(2\pi)
\tag{3}
$$

（iv）设“S”为中心节点“C”周围形成的螺旋链路数量。
（v）‘P’ 是人工蜘蛛网的直径，进而表示蜘蛛网覆盖的地理区域。
（vi） ‘Ɵ’ 是两条相邻径向链路之间的扇区角。所有径向链路之间角度的总和为‘2π’，如公式(4)所示。扇区角‘Ɵ’ 可通过‘2π’与径向链路数量‘R’的比值计算得出，如公式(5)所示。

$$
\sum_{i=1}^{R} \theta_i = 2\pi
\tag{4}
$$

$$
\theta = 2\pi / R
\tag{5}
$$

（vii）如图3所示，三角形ABO的面积为‘A’。如公式（6）所示。

$$
A = \sum_{i=1}^{n} \frac{1}{2} r^2 \sin(\theta)
\tag{6}
$$

根据图4和5所示，螺旋蛛网或多边形蛛网的最大覆盖面积可表示为公式(7)。

$$
A_{\text{max}} = \sum_{i=1}^{n} \frac{1}{2} r^2 \theta
\tag{7}
$$

（viii）设‘δ’为中心节点‘C’与径向链路‘Ri’上距其第一个跳节点之间的距离，下一跳距离表示为‘δi’，其中‘i’为节点所在的螺旋链路编号。中心节点‘C’与边缘节点‘e’之间的总距离用‘D’表示，其计算如公式(8)所示。

$$
D = \delta + \sum_{i=1}^{S} \delta_i
\tag{8}
$$

示意图2

2.2.3 多跳

当任意节点通过径向链路或螺旋链路到达另一节点时称为‘Hop’，感知信息从中心节点到达汇聚节点所需的跳数称为多跳。设‘H’为跳数，则

$$
H = S \times R
\tag{9}
$$

其中，“S”表示节点“n”所在的螺旋线，“R”表示蜘蛛网中的径向链路数量。

最小跳数‘Hmin’和最大跳数‘Hmax’的计算如公式(9)和(10)所示。

$$
H_{\text{min}} = R
\tag{9}
$$

$$
H_{\text{max}} = R \times S
\tag{10}
$$

示意图3

示意图4

2.2.4 每个节点的节点不相交路径

蜘蛛网中任意给定节点的节点不相交路径数量为3，即在同一条螺旋线上的两个相邻跳数和一条径向链路上的相邻跳数，中心节点‘C’除外。

2.2.5 多路径路由

中心节点通过创建路径发现代理的克隆，并将它们沿不同路径发送以到达汇聚节点，从而利用移动代理执行路径发现。这些移动代理收集节点中的可用能量“EA”、邻近节点之间的距离“Dn”、跳数“hc”，并将其传送到汇聚节点。汇聚节点通过计算路径的能量因子“Efp”、路径的距离因子“Dfp”和路径成本“Cp”，来确定路径的长度以及可用能量的最大值和最小值。

‘EAmin’ 是路径中节点的最小可用能量，如公式11所示。

$$
EA_{\text{min}} = \min{EA(n_1), EA(n_2), …, EA(n_k)}
\tag{11}
$$

‘EAmax’ 是路径中节点可用的最大能量，如公式12所示。

$$
EA_{\text{max}} = \max{EA(n_1), EA(n_2), …, EA(n_k)}
\tag{12}
$$

‘Efp’ 是路径的可用能量因子，其计算方法如公式13所示。

$$
Efp = EA_{\text{avg}} / EA_{\text{max}}
\tag{13}
$$

‘Dfp’ 是路径的距离因子，计算为路径距离 ‘Pd’ 与路径的总跳数 ‘Phc’ 的比值，如公式14所示。

$$
Dfp = Pd / Phc
\tag{14}
$$

‘Cf’ 是公式15中给出的成本函数。汇聚节点优先选择‘Cf’最小的路径。

$$
Cf = w_1 \cdot Efp + w_2 \cdot Dfp
\tag{15}
$$

图6和7描述了两种不同的多路径结构，可用于基于蜘蛛网的数据收集和路由。

示意图5

示意图6

3 基于代理的蜘蛛网信息收集（ASNIG）

所提出的基于代理的蜘蛛网信息收集（ASNIG）方案工作过程如下：（1）当事件发生时，发生事件的节点成为中心节点，并启动一组移动代理以构建动态蜘蛛网结构以及通过多条路径识别到汇聚节点的路径。（2）汇聚节点计算并选择一条理想路径，从而触发移动代理将路径信息传递给中心节点。（3）来自每条螺旋链路的数据被存储在该螺旋链路与汇聚节点建议的径向链路路径相交的交点节点中，该交点节点可视为聚集节点。（4）聚集节点从事件节点及该螺旋链路上的所有其他节点收集信息。（5）在每个螺旋链路中，数据由其对应的径向链路交点节点或该螺旋链路的聚集节点进行收集和聚合。（6）中心节点的数据通过移动代理发送至汇聚节点，该移动代理沿径向链路的聚集节点收集并聚合数据。

汇聚节点建议的最短路径中的每个螺旋。该方案使用NS2对各种无线传感器网络场景进行模拟，以评估该方法的有效性。

3.1 提出机构

一组静态和移动代理用于汇聚节点选择，这些代理是传感器节点和汇聚节点机构的一部分。

3.1.1 传感器机构

它由传感器管理代理（SMA）、汇聚节点代理（GNA）、路径识别代理（PIA）和数据黑板（DBB）组成，如图8所示。SMA和DBB是静态代理，而GNA和PIA是移动代理。

SMA（传感器管理代理） 它是驻留在无线传感器网络传感器节点中的静态代理，负责监控感知信息。当事件发生时，它通过触发GNA和PIA移动代理来启动蜘蛛网的动态构建。SMA将感知数据与该参数的阈值进行比较，以判断是否发生了事件。SMA获取邻近节点的信息，如节点ID、位置、信号强度、权重因子，并更新DBB。在获得邻近节点信息后，它还计算用于蜘蛛网动态构建的扇区角度‘Ɵ’，并将该值更新至DBB。

DBB（数据黑板） 它是一个知识数据库，可被其他代理读取和更新。它包含有关节点的数据，如节点ID、位置、休眠/激活模式、节点剩余能量、邻近节点之间的距离、事件感知持续时间、每个感知参数的阈值、扇区角、聚集节点的经过路径信息以及邻近节点的详细信息。

GNA（汇聚节点代理） SMA触发GNA。GNA从DBB获取扇区角‘Ɵ’并将其发送给一跳邻居。它提供在径向链路路径中经过的所有聚集节点的节点ID，并提供径向链路上的下一跳距离。这有助于构建下一个螺旋链路，从而动态构建人工蜘蛛网。

PIA（路径识别代理） 当事件发生时，SMA从中心节点触发PIA。PIA的克隆体被发送以进行从中心节点到汇聚节点的路径识别。PIA收集邻近节点的剩余能量、跳数以及位置信息等路径详情。PIA在网络中遍历并收集路径详情，直到到达汇聚节点，并将收集到的路径信息更新至汇聚节点。

示意图7

3.1.2 汇聚代理

它由管理代理（MA）、路径建立代理（PEA）和汇聚数据板（SDB）组成，如图9所示。MA和SDB是静态代理，PEA是移动代理。

MA（管理代理） 它是负责监控网络相关信息（如传感器节点ID、可用路径信息、活动节点数量等）的代理。它还通过计算每条路径的成本因子来确定从汇聚节点到中心节点的路径，从而为数据收集选择最理想的路由。

SDB（汇聚数据板） 它是移动代理和路径建立代理可读取和更新的汇聚节点知识库。它存储与网络相关的信息，如每条路径的最小值和最大剩余能量值、跳数、路径长度、到中心节点的可用路径数量、事件参数、事件数据阈值等。

PEA（路径建立代理） 它是由移动代理触发的移动代理，用于获取从SDB到中心节点的路径信息。到达中心节点后，它会使用理想路径信息更新DBB。

示意图8

3.1.3 代理交互

图10显示了所提出的蛛网场景中软件代理的交互，该场景描述如下：
(a) 事件发生时，事件所在的节点成为中心节点。SMA触发GNA以构建动态蛛网。
(b) GNA从DBB接收扇区角“Ɵ”，GNA的克隆通过收集每个节点的邻近节点信息，在网络中动态构建虚拟蛛网并移动。GNA将收集到的信息更新至DBB。
(c) SMA启动PIA。PIA的克隆在到达汇聚节点之前，通过网络移动并收集邻近节点、剩余能量、路径距离等相关信息。PIA将接收到的信息更新至SDB。
(d) MA根据所感知事件的类型计算路由数据包的最优路径。
(e) MA触发PEA，PEA沿MA选定的最优路径移动，并将该路径信息更新至DBB。SMA沿汇聚节点建议的路径发送感知信息。

示意图9

3.2 提出的算法

（此处原文未提供具体的算法伪代码或步骤描述，仅提及“提出的算法”作为章节标题，后续内容直接进入第4节仿真部分。）

4 仿真

使用NS2对所提方案进行模拟，以95%的置信区间测试所提方案在各种网络场景下的性能有效性。将所提方案与ASWM的性能进行比较，如[22]所示，以实现最佳性能。

5 仿真输入

5.1 仿真模型

网络模型 考虑一个面积为l × b平方米的无线传感器网络区域。在由N个静态传感器节点围成的事件影响区域内构建一个蜘蛛网结构，汇聚节点随机放置在网络区域的一条边上。单跳连接的传感器节点的带宽为‘Bw’。

Propagation Model 传播常数‘β’用于自由空间传播模型。单跳距离的通信范围为‘Cr’。每个节点每包传输所需能量以‘Ep’表示，单位为焦耳。Cr是直接与节点的Ep成正比，即Cr = CEp，其中比例常数‘C’取决于传播常数‘β’。

信道模型 假设数据包的传输发生在离散时间。用于媒体访问的协议是[25]中给出的S-MAC协议。为简化起见，我们假设信道是无差错的。

5.2 仿真步骤

所提方案通过表1中给出的仿真参数进行分析。仿真步骤包括以下内容：
(1) 生成无线传感器网络环境。
(2) 检测到事件后，事件节点启动蛛网结构构建过程。
(3) 应用所提方案。
(4) 计算系统的性能参数。

评估的性能参数如下：
- 网络寿命 基于轮数计算的网络中第一个节点死亡所经历的时间。
- 蜘蛛网构建时间 指在传感器节点检测到事件后，构建蜘蛛网结构所需的总时间。
- 数据收集时间 指将感知到的数据收集并传输到汇聚节点所花费的总时间。
- 蛛网构建能耗 它被定义为无线传感器网络中节点进行蜘蛛网构建所消耗的总能量。
- 能量消耗 它是从传感器节点收集数据并传输到汇聚节点所消耗的总能量。

| 表1 仿真输入 | | |
|------------------|–|
| 参数 | 符号 | 值 |
| 长度 | l | 5000 |
| 宽度 | b | 5000 |
| 节点数量 | N | 40–200 |
| 传播常数 | β | 2.5 |
| 通信范围 | Cr | 300–500米 |
| 扇区角度阈值 | Ɵth | 0°–5° |
| 传感器节点初始能量 | E | 1千焦耳 |
| 步长阈值通信 | δith | 10 m |
| 径向链路阈值距离 | Rdth | 百至三百米 |
| 每秒数据包数 | Trpkts | 每秒256个 |
| 每跳频带宽 | Bw | 5 Mbps |
| 感知参数阈值 | Sith | 70至80% |
| 每个节点的处理开销 | S_proc | 3 千字节 |
| 每个节点的感知数据大小 | Sd | 5 千字节 |
| 感知范围 | Sr | 5–15 米 |
| 每像素位数（相机传感器） | 每像素位数 | 8、12 和 16 位 |
| 最小跳数 | H_min | 3 |

示意图10

示意图11

6 结果与讨论

6.1 网络寿命

图11和12显示了在通信范围分别为300、400和500米时，节点数量以及网络寿命在Sith= 70%和Sith= 80%下的情况。当通信范围增加时，参与数据收集和路由的节点数量也相应增加。但基于代理技术的所提方案比对比的ASWM表现更优。

6.2 蜘蛛网构建时间

图13显示，蜘蛛网构建时间随着通信范围和节点数量的增加而增加，分别增加了Sith= 70%和Sith= 80%。随着通信范围的增大，参与蜘蛛网构建的节点数量增多，从而导致蜘蛛网构建时间增加。

示意图12

6.3 数据收集时间

图14显示了在蜘蛛网中的数据收集所花费的时间。随着通信范围的增加，节点数量也随之增加，从而延长了无线传感器网络中数据收集和路由所需的时间。收集时间还取决于事件区域和传感器节点密度。如果传感器节点密度增加，邻近节点感知到的信息高度相关，这会增加收集时间。

示意图13

6.4 蜘蛛网构建能量

从图15和16中可以看出，随着参与蜘蛛网构建的节点数量增加，无线传感器网络中每个节点在蜘蛛网构建过程中消耗的总能耗随着通信范围的增大而逐渐增加。事件区域内的所有传感器节点都参与了蜘蛛网构建，每个传感器节点都参与蜘蛛网构建时间，从而增加了蜘蛛网构建时间。

示意图14

示意图15

6.5 能量消耗

图17和18说明了事件节点将收集的数据传输至汇聚节点过程中，标量数据和多媒体数据在数据收集与路由中的能量消耗情况。当检测到的事件为标量数据时，生成的数据量较少，从而导致能量消耗较低；而当检测到的事件为多媒体数据（图像/视频）时，生成的数据量较大，因此通信中消耗的能量增加。事件区域内的所有信息可以在径向节点收集信息，并在径向节点消除冗余信息，从而最小化能量消耗。与ASWM相比，ASNIG中提出的基于代理的方法通过降低能量消耗表现出更优的性能。

示意图16

示意图17

6.6 传输时间

图19说明了从事件节点向汇聚节点传输收集的数据所需的时间。与文献中提到的其他网络相比，所提出的基于代理的蜘蛛网方案在传输时间方面表现更优，因为该方案使用软件代理来收集数据并将其提供给汇聚节点。ASNIG方案的数据传输速度比其他网络更快，因为在其他方案中，事件周围的所有节点都会传输数据，从而产生流量，导致拥塞，降低网络寿命，并造成数据传输延迟。

示意图18

7 结论

本文提出了一种在无线传感器网络中基于代理的蜘蛛网信息收集方法。当传感器节点检测到事件时，将在事件影响区域动态构建蜘蛛网，并确定通往汇聚节点的路径。所收集的数据通过最近径向链路沿最短路径传输。采用多代理技术在蜘蛛网上实现数据的最优收集与路由。与ASWM相比，所提方案在网络寿命、蜘蛛网构建时间、数据收集时间、蜘蛛网构建能耗以及网络中数据收集和路由的能量消耗方面表现更优。针对所提方案可考虑的一些未来工作包括：移动汇聚节点、多个汇聚节点、无人机辅助汇聚节点、多媒体信息聚合及蜘蛛网中的路由。