环境辅助生活中的节能通信

原创于 2025-10-26 07:31:23 发布 · 837 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#节能通信 # 体域网 # 路由协议 # AAL系统 # 能效优化

第3章环境辅助生活中的节能通信

3.1 引言/动机

随着医学的进步，人类的平均寿命日益增加，导致许多国家的老年人口增多（联合国经济和社会事务部，2013年）。这一趋势要求采用主动而非被动的新型医疗护理方式。目前，治疗主要针对紧急情况处理。然而，随着老年人口增多，需要对生命体征进行日常监测以早期发现异常。医院无法承受如此巨大的负担。相反，可以将家庭生活环境变得足够智能，以监测和检测任何生命体征，并将其传输至护理中心或医院等适当场所。正如王等人（2015）所述：“环境辅助生活（AAL）通过各种智能服务增强老年人的独立生活能力，减少室内外直接照护的需求”。无线技术的应用，特别是无线传感器网络和无线体域网在AAL中的医疗应用，改善了现有的医疗保健和监控服务，尤其适用于老年人和慢性病患者。最近的一份报告（普雷斯科特，2013年）预测，具备集成通信功能的家庭监控系统数量将在2011年至2017年间以26.9%的复合年增长率（CAGR）增长，达到全球940万连接数。这些数据表明，医疗设备和AAL系统的需求正在上升，旨在让公民参与个人医疗保健、支持独立生活并降低医疗开支。这些解决方案提供了诸多益处，包

示意图0

包括远程监控以及降低医疗系统管理成本。通过远程监控，能够更容易地识别高风险患者的紧急情况，而不同程度的认知和身体障碍者也将获得适当的协助，从而过上更加独立和便利的生活。第一响应者可从此类智能环境中立即收到有关患者状态变化的通知，例如呼吸衰竭或心脏骤停（Shnayder 等，2005）。

典型的AAL系统由多种技术和系统组成，这些系统整合了医疗传感器、无线传感器与执行器网络（WSANs）、RFID标签和读取器、计算机系统、计算机网络、软件应用以及数据库，并通过互联在环境辅助环境（Lloret 等，2015；Gambi 等，2015）中交换数据并提供服务。无线通信作为一项关键的使能技术，支持系统中不同组件之间的连接性，包括医疗传感器、环境传感器、家庭网关和无线路由器，从而使日志/监控应用能够以软实时方式向医疗专业人员上报数据。大多数现有解决方案包括由患者携带的一种或多种类型的传感器，构成体域网（BAN），以及部署在环境中的一种或多种类型的传感器，构成个人区域网（PAN）。这两个网络通过网关节点连接到骨干网络。通常，在AAL中可用于监测的传感器分为两类：用于监测环境的传感器和用于感知个人情境与活动的可穿戴传感器。应分析来自这两个传感器网络的数据，以监测任何生命体征。

例如，当一个人在慢跑时，心跳传感器的读数可能会升高，温度传感器也是如此。因此，为了过滤误报，加速度计和传感器位置的数据对于正确地对信息进行上下文化非常重要。

在包含体域网和个人区域网子组件的AAL系统中，最宝贵的资源之一是能量。由于传感器节点依赖电池供电，且只能在电池有电时运行，因此其硬件系统（如微控制器和无线通信子系统ZigBee或 802.15.4）应设计为低功耗。一般来说，无线通信所消耗的能量远高于微控制器的能耗。由于AAL系统依赖通信活动在体域网和个人区域网子系统之间中继传感器数据，能效仍然是端到端通信面临的关键挑战。这些挑战要求必须设计高效的节能通信协议。

除了能效之外，AAL系统还需要应对许多更复杂的挑战，包括通信可靠性、安全、隐私、用户移动性、干扰以及服务质量（QoS）（Porambage 等，2015）。以下是对这些挑战的简要描述；
1. 可靠的通信：连接不同的通信技术应具备足够的可靠性，以传输重要的医疗数据（如生理传感器读数、患者生命体征等），任何数据丢失都是不可接受的。
2. 安全与隐私：处理大量私人数据时，隐私保护及数据完整性至关重要。这些数据可能包含敏感且私密的医疗或个人数据，必须得到充分保护。
3. 多个接收者：数据可以发送给医生或病房内的显示单元，因此多播比单播更合适。
4. 无法应用网络内聚合，因为合并来自多个患者的数据没有意义。
5. 用户移动性：患者的移动性会导致拓扑结构随时间发生变化，因为体域网会连接到不同的连接点。

AAL系统的示例架构如图3.1所示。可以看出，体域网构成了第一层，其中体感传感器直接或间接与体域网协调器通信。在第二层中，信息从体域网协调器传输到本地接入点或家庭网关，以及作为简单工作站网关的智能设备，这些设备连接到互联网。任何第二层设备接收到的信息

最终通过互联网或蜂窝网络传输到第三层。此类系统可以以集中式或分布式方式运行。由个人携带的可穿戴传感器构成一个体域网配置，包括一个体域网协调器和多个传感器，如图3.1所示。传感器根据IEEE 802.15标准或其他通信协议与体域网协调器通信（斯平桑特等人，2015年）。这些体域网协调器可能与建筑物内第二层的某个中心设备（个人数字助理或护理站协调器）直接或间接连接（阿基诺‐桑托斯等人，2013年），主协调器例如遵循IEEE 802.11局域网标准。该连接点也可以是分布式的。例如，当患者移动时，体域网协调器会向最近的二级设备注册自身（汗等人，2013年）。第二层设备进一步连接到第三层的互联网或无线移动网络，从而实现对来自环境辅助生活体域网和个人区域网采样信息的全球访问。

本章其余部分组织如下。第3.2节探讨与系统与网络架构以及 BAN间通信相关的研究工作。第3.3节阐述节能路径计算的问题建模。在第3.4节中，我们展示了所提出的协议的评估结果。最后，总结与结论在第3.5节中给出。

3.2 背景与相关工作

文献中可以找到许多AAL方案。根据Lloret 等人 (2015)的研究，这些应用大多关注老年人，但也有少数涉及具有特殊需求的人群、婴儿与儿童。该系统必须比基于看护人员的服务更便宜。许多关于 AAL系统的研究致力于探索适合AAL的合适架构。这些研究可分为两类，均以节能架构为目标。

3.2.1 能量高效架构

AAL架构的节能设计通常涉及两个目标：网络或系统。本文相应地回顾并介绍了关于节能网络设计和系统设计的现有文献。

3.2.1.1 网络架构

在金和赵（2009）中，提出了一种用于BAN间通信的网络架构，并采用了组合或拆分BAN的机制。尽管该机制能够管理医院环境中 BAN的相对移动性，但并未提供对BAN数据的实时显示支持。根据拉希迪和米哈伊利季斯（2013）所述，大多数配备可穿戴传感器的 AAL系统依赖于类似于无线体域网（WBAN）的网络架构，如 Khan 等人 (2013)、甘蒂等人（2006）和周等人（2007）所讨论的，如图3.1所示。第一层设备之间的通信，即BAN内通信，可以使用蓝牙（IEEE 802.15.1）、ZigBee（IEEE 802.15.4）或 WiMedia（IEEE 802.15.3）实现。对于与植入式传感器节点的通信，可采用IEEE 15.6标准。通常采用星型拓扑结构，其中所有体域网传感器都连接到一个体域网协调器。然而，IEEE 802.15标准也支持最多两跳的多跳通信（通过中继节点）。多跳通信更加节能，因为节点无需以最大传输功率进行传输。在什奈德等人（2005）提出的CodeBlue项目中，提出了一种基于自适应按需组播路由（ ADMR）协议的发布/订阅路由框架，用于第一层传感器与第二层或第三层医生和/或护士的显示设备之间的通信。

第一层与第二层之间的通信，即BAN间通信，通过BAN协调器（BNC）使用蓝牙或无线局域网（IEEE 802.11）、蜂窝网络、 3G/4G等技术实现，如拉希迪和米哈伊利季斯（2013）所述。作者还预测，此处可使用“蓝牙低功耗”（BLE）等技术来降低通信开销。BAN间通信可以在基础设施模式或自组织模式下进行，正如无线局域网所支持的那样。这种通信可以是点对点（p‐p）或点对多点（p‐mp），如Khan 等人 (2013)所述。在p‐p模式中，BNC向单一目的地发送数据；而在p‐mp模式中，BNC向多个目的地发送数据包。这种p‐mp通信模式在医院环境中可能特别有用，因为医生可以从各自的办公室获取BNC的数据。在BAN间通信中还应考虑移动性。CodeBlue使用受控泛洪来处理移动性问题。尽管该方法利用了泛洪的鲁棒性，但在能量消耗方面成本较高。为了节省能量，在甘蒂等人（2006）提出的SATIRE项目中，数据会在检测到用户活动时以机会型方式发送。许多已提出的AAL

架构（例如Aquino‐Santos (2013)提出的架构）并未有效处理移动性问题。尽管作者提到，Santos 等人 (2009) 提出的PANDORA协议可被有效用于应对BAN间通信中的移动性影响。由于移动性，节点会尝试重新路由数据包，从而导致能耗增加。应谨慎处理移动性以节约能量，例如将某些节点设为转发节点。此外，无论是在p‐p还是p‐ mp模式中，都必须确保只有授权用户才能访问数据。

第二层与第三层之间的通信通常通过互联网进行。大多数现有研究假设这一部分采用基于标准化IP或IPv6通信基础设施的UDP流量，如Wu 等人 (2015)所述。

3.2.1.2 系统架构

根据Memon 等人 (2014)，系统架构设计是AAL研究中的主要问题之一。这些系统不仅从体域网（BANs）获取输入，还从摄像头和热成像设备等其他设备获取输入。这些输入通过无线介质收集，并根据拉希迪和米哈伊利季斯（2013）的方法进行活动识别、上下文建模、异常检测、位置和识别分析。此外，还可扩展至包含执行器以生成警报（Lloret 等，2015）。典型的系统架构如图3.2所示。

这是一种三层架构，其中第一层（输入子系统）和第三层（患者状态系统）具有独立的物理存在，服务系统则通过软件实现。此处，从输入子系统收集的样本会根据具体应用被纳入相应的语料库中。

例如，如Lloret 等人 (2015)所示，用于通过面部图像识别疼痛所收集的样本与用于识别跌倒的样本不同。对这些数据采用半监督或监督学习方法。在监督学习中，所有语料库样本需由护理人员或医生进行标注。然后对收集的数据进行预处理（或按需归一化），以滤除不必要的成分。最终，这些数据被用于训练和/或特征提取与特征选择。最后可使用决策算法来检测或预测用户行为。该过程需要反复迭代，以确保达到一定的准确性水平。决策算法的准确性应由医生和/或护理人员评估，并反馈给训练算法以进行学习，如Lloret 等人 (2015)所述。在部署阶段，服务系统输出（即决策

示意图1

算法）可能会偶尔被输入到执行器，以进一步生成警报或设备的移动等。

为了该架构的成功运行，必须具备高能效。为确保能效，需要考虑以下问题；

所有收集的数据应在体域网的BNC节点和/或传感器网络的汇聚节点处进行聚合
每个设备传输的数据自身存在大量重复
数据应进行适当的优先级划分
基于加速度计、陀螺仪等数据的运动预测算法可被有效利用，以进一步降低能耗。

Aquino‐Santos 等人 (2013)提出了一种用于检测心律失常的新型系统架构。使用三个节点作为协调器，与一个静态中央协调器进行通信。此处采用固定路由策略。采用由IEEE 802.11.4支持的基于确认的MAC协议。该

该架构在TOSSIM中进行仿真，并使用TelOSB和Shimmer2R实现。 BAN内通信采用星型拓扑结构，且中央协调器被分配固定的位置。

本研究也考虑了QoS参数。本地协调器被分配执行诸如子网络间的路由和同步、分发节点的QoS指标等任务。然而，此处未处理节点相对于协调器的移动问题。如何布置本地协调器以覆盖监测区域内的节点，也是一个需要解决的问题。

Lloret 等人 (2015) 提出了一种用于AAL应用的智能系统架构，该架构能够针对特定用户行为做出决策并发送警报。该架构具有智能性，因为它不仅使用传感器数据，还考虑了人类行为以支持决策。它采用由医生和/或护理人员进行数据标注的监督学习方法。该架构仅在点对点模式下运行，从而节省能量。设备的剩余能量似乎会影响训练算法的性能，因为它还能控制用户移动。

Wu 等人 (2015) 提出了一种包含服务系统和通信平台的系统架构。该研究总结了AAL中的挑战，并提出了一种异步流调度方案，以满足数据的QoS需求。同时强调了适当授权的必要性。

Amoretti 等人 (2013) 提出了一种非侵入式用户生活的活动监测功能架构。设计了一个名为PERSONA的活动监测子系统，该系统利用终端用户的上下文信息，如用户的位置和姿势，以及环境数据（用户周围设备的状态）。这两类信息被结合用于预测活动。

软件代理还可以有效地用于AAL系统架构中，以使其具有高度可重构性，正如Ayala et al.(2013)所述。作者提出了一种基于 MalacaTiny代理架构的系统架构。在此架构中，代理可以在不同设备上执行，提供自主管理任务。

3.2.2 能量高效协议

基于第3.2.1.1节所述的网络架构，AAL环境中提出了少量用于活动识别（Ugolotti等，2013年）和路由的协议。这些协议大多是集中式的，只有少数

协议解决了移动性带来的挑战。这些协议还处理了与静态节点相关的能效问题。

讨论了使用四个校准的摄像头和一个佩戴式无线加速度计进行活动识别的研究，该研究由Ugolotti 等人 (2013)提出。采用基于支持向量机和分层时序记忆以及受生物启发的计算范式的多种混合分类器实例，对动作（如行走、跳跃等）进行分类，主要目标是跌倒检测。

尽管存在许多针对体域网的路由协议（Bangash 等人，2014），旨在找到从体域网中任意节点到体域网协调器的路由，但只有少数协议包含从BNC到二级设备的通信。在Quwaider 等人 (2011) 中提出了一种基于姿势划分的存储‐转发分组路由的随机建模框架。随后开发了用于评估单副本体上传感器节点延迟容忍网络（DTN）路由协议的延迟建模技术。对一系列协议的端到端路由延迟进行了评估，这些协议包括机会型、随机化以及另外两种捕捉人体姿势运动中多尺度拓扑局部性的机制。最后，开发了一种评估个体体上传感器节点拓扑重要性的机制。结果表明，该信息可用于有选择性地减少体上传感器数量，而不会显著影响分组投递延迟。

在 Movassaghi 等人 (2012)中，作者提出了一种用于任意传感器节点与体域网协调器之间通信的路由协议。Hello消息在网络中广播。节点在接收到来自所有邻居的 Hello数据包后，根据温度、接收功率和剩余能量确定其最小代价邻居。否则，数据包将存储在该节点本身。数据包被赋予最大跳数，假设数据包将在预定义的阈值范围内到达目的地。然而，最小代价邻居并不一定总是最靠近汇聚节点（在此上下文中为BNC）的节点，因此不能保证最短路由路径。

在 Ortiz 等人 (2012)中提出了一种多跳路由协议，其中靠近汇聚节点的节点首先加入汇聚节点，然后广播Hello数据包。这确保了父节点始终比自身更接近汇聚节点。该协议允许节点在部署期间更换其父节点，以便即使父节点电池耗尽时仍能向汇聚节点发送数据。然而，传输大量控制分组会消耗显著的能量，且建立时间也可能更长。

在 Lu 和 Wong (2007) 中提出了一种多路径路由协议，其中每个节点获得一个层级环编号

在拓扑形成期间。在设置阶段，汇聚节点广播拓扑建立数据包。接收到该数据包的节点被分配环编号0，并重新广播该数据包。接收到此数据包的下一层节点被分配环编号1，该过程持续进行，直到所有节点在某个层级上连接。然而，对于小型网络，多跳通信特别是超过2跳会带来显著的时间和能量开销。其次，大量广播消息可能导致网络过载。在Razzaque 等人 (2011)中，提出了一种路由协议，该协议将具有不同QoS需求的数据包路由到体域网协调器。此处也需周期性地广播Hello数据包。节点接收到这些数据包后，其路由表将被更新。然而，广播Hello数据包会消耗大量能量。一级设备与二级设备之间的通信在Khan 等人 (2013) 中有讨论，该研究假设节点的位置已知。然后根据距离和设备类型计算通信代价，并将数据包发送给最小代价邻居。Hello数据包也被用于更新路由表。Hello数据包在此再次成为一种开销。其次，需要维护两种数据结构：邻居表和路由表。

3.3 问题描述

我们关注的是从体域网协调器到通过无线局域网连接的第二层中任意设备的有效路由问题（网络架构如图3.1所示）。因此，本文设计了一种节能路由机制，旨在针对用户移动性和多播通信的约束条件下优化体域网协调器的能效。无线体域网的通信架构假设基于星型拓扑结构，其中体域网中的任何节点都可以使用Lu 和 Wong (2007)所述的多路径路由(MPR)直接向其体域网协调器发送数据。

示意图2

主要问题是如何找到最近连接点，以便BNC能够有效地将从体域网传感器收集的数据传输到第二层的设备。可以采用基于Wi‐Fi的室内定位技术来获取体域网协调器的最近连接点，从而使架构实现完全分布式。但正如Farid 等人 (2013)所提到的，室内定位需要事先对每个参考点进行大量指纹采集工作。Farid et al.(2013)然而，体域网协调器可以通过其他附近的体域网协调器直接或间接地连接到第二层的显示单元

作为转发器。这将节省大量能量，因为多跳通信通常比单跳通信更节能。

例如，在医院环境中，患者可能沿着走廊移动或从一个病房转移到另一个病房，而并非所有病房都由提供相同带宽的无线局域网覆盖。因此，可能会出现患者在某一点上远离其最近连接点的情况，导致体域网控制器（BNC）无法从其最近的二级设备获得良好的接收信号强度指示（RSSI）。在这种情况下，另一名患者的附近BNC可作为转发器帮助传输数据。患者移动性可以通过这种方式进行处理。

然而，为了节省能量，体域网协调器可能会表现得自私，不充当转发器。是否转发的决策取决于以下因素：

体域网协调器的剩余能量数量
当前数据速率
待转发数据的优先级

体域网协调器可以使用刚好足以连接到附近设备的功率级别进行传输。如果未发现任何设备，它将通过增加其传输功率等级来搜索设备。因此，采用传输功率控制以进一步提高能效。

为了解决上述问题，本文提出了一种用于体域网通信的路由算法路由到汇聚节点()（算法3.1）。该算法形成的拓扑结构使得每个BNC节点距离其最近的二级设备最多为2跳，而体域网中的任何传感器节点距离最近的二级接入点最多为3跳。帧冲突问题假设由现有的MAC协议（如IEEE 802.11标准）处理。假设数据从BNC节点发送至汇聚节点。

示意图3 (算法3.1)：(a) 谁还存活的数据包格式；(b) 我仍存活的数据包格式。)

示意图4 (算法3.1)。)

它是一种主动式路由协议，其中BNC节点定期在网络中广播 whoIsAlive 数据包。该数据包的典型结构如图3.4(a)所示。由于该数据包是广播发送的，因此不需要目标ID。提及剩余能量是为了让接收方能够在残余能量低于某一阈值时及时采取措施。该数据包最初以最大功率级别进行广播，但随后会调整为当前功率级别。发送该数据包后，BNC节点切换到接收模式，并在接下来的x 秒内接收任何iAmAlive 数据包。这里的x值取决于网络带宽。如果汇聚节点（一个二级设备）接收到该数据包，则会回复一个iAmAlive 数据包。该iAmAlive 数据包的结构如图3.4(b)所示。

此数据包的目标ID为其对应的whoIsAlive 数据包的源ID。对于汇聚节点而言，其他字段无需包含有效数据，因为这些字段不会被数据包接收方处理。当节点收到来自汇聚节点的iAmAlive 数据包后，会在其路由表中添加一条记录，如图3.5所示。 边（本节点,汇聚节点） 的值为1，表示存在从本节点到汇聚节点的一条边。 转发器id 和 残余能量 字段将不需要填写。 TrPower 表示发送 whoIsAlive 数据包时所使用的当前传输功率。 时间戳 字段表示该记录的添加时间，以便节点在发送数据时能够预测链路存在概率。因此，该节点被指定为汇聚节点的直接邻居。

然而，如果一个节点接收到whoIsAlive数据包，它将检查其路由表中关于汇聚节点的条目。如果存在到汇聚节点的边，该节点将向发送者回复一个i AmAlive数据包。此处有两个字段至关重要：残余能量和边（本节点,汇聚节点），且边（本节点,汇聚节点） = 1。设备的残余能量也会被发送，以表明其还能作为合理转发器工作多久。如果能量低于某个阈值（REnergyth），该设备可能无法正常工作

第3章环境辅助生活中的节能通信（续）

3.3 问题描述（续）

自私地节省能量。每个条目都关联一个时间戳，以便通过应用老化函数，从路由表条目中预测当前时间的残余能量。任何节点在接收到iAmAlive数据包后，会检查其是否来自汇聚节点。如果不是来自汇聚节点，则将发送转发器id设为iAmAlive数据包的发送方。周期性地，通过调整适当的TrPower来调节RSSI值。该协议的工作过程如图3.3所示，包含9个BNC节点和2个汇聚节点。如图所示，当节点从汇聚节点接收到iAmAlive时，会更新其路由表并直接向汇聚节点发送数据。否则，根据算法3.1中的步骤30，将数据转发给残余能量最大的转发器。

示意图5

3.4 实验结果

对所提出的协议进行了仿真，并与最先进的方法进行了比较。首先讨论了仿真设置，然后讨论了通过仿真实验获得的结果。

3.4.1 仿真设置

该协议在Castalia中进行仿真，Castalia是一个用于无线网络的模拟器，特别是针对低功耗无线设备的网络。它基于OMNeT++++模拟器（Boulis，2015；Varga和Hornig，2008）。该模拟器被认为是无线网络尤其是无线传感器网络和体域网中最真实的模拟器之一。这一声誉源于该模拟器包含了对无线信道、衰落、移动性和路径损耗的详细建模。此外，它还提供多种内置协议以支持快速原型开发。在此，程序员可以获取相关信息，并可调整带宽、接收信号强度指示、发射输出功率等级、功耗、调制等参数。节点的收发器规格来自CC2420数据手册。此处假设节点具有7个不同的传输功率等级，范围从 −25 dBm到 −1 dBm。仿真参数见表3.1。假设节点根据Castalia支持的线性移动管理器以一定速度移动。然而，汇聚节点是固定的，不具有移动性，因为第二层设备通常被认为是静态的。在算法路由到汇聚节点()的仿真中使用了三个阈值，如算法 3.1中所总结。其中两个阈值是时间性的。

发送谁还存活数据包的事件时间周期（timeout1）
接收谁还存活数据包后到发送我仍存活之前的时间超时期限（timeout2）（根据步骤3）

示意图6

这两个阈值均与 Castalia 中的参数 netSetupTimeout(ms) 进行比较，该参数决定了发送数据包的时间间隔（timeout3）。这些参数的取值方式满足 timeout3<timeout2< timeout1。所有这些参数均为 netSetupTimeout 参数的倍数。

仿真中使用的另一个阈值是用于监控信号质量的接收信号强度指示（RSSI）。在仿真实验中考虑了范围为 −50 dBm至 −80 dBm的RSSI值。这是智能设备连接到无线局域网时通常获得的范围。当数值较高时，根据步骤35降低发射输出功率等级以节省电能，反之亦然。

3.4.2 仿真结果与讨论

用于仿真结果的指标包括节点的消耗功率、发射功率等级的时间占比、网络层和应用层接收到的数据包数量。

图3.6 显示了在 netSetup Timeout= 2000 ms 条件下，不同数据速率时各节点接收到的数据包的变化情况。在网络层，汇聚节点（节点0）最终接收所有数据包。但由于具备多跳通信能力，距离较远的节点可以将其某个邻居作为转发器，只要该邻居能在一跳内连接到汇聚节点。因此，在此协议中，任意节点最多距离汇聚节点两跳。所以该图表有效展示了转发流量随数据速率增加而变化的特性。当生成的数据包增多时，由于每个节点需要发送的数据包更多，转发数据包的成功几率随之降低。然而，当流量处于适中—每秒大约20到80个数据包，网络可以有效处理转发流量。

示意图7 在不同数据速率下应用层接收到的总数据包方面的比较。展示了性能随netSetupTimeout间隔变化的情况。)

应用层的性能在不同数据速率下关于netSetupTimeout间隔的表现如图3.7 所示。在此，我们所提出的协议（在图3.7中标记为 ALIVING）还与多路径环路由协议以及Khan 等人 (2013)中描述的路由协议进行了比较。从结果可以看出，当数据需求增加时，所提出的协议表现出更优的性能。在较低数据速率的情况下，其性能与其他两种协议相当。

该协议的能效以节点在特定发射功率等级下的消耗能量（单位：毫焦）和时间比率来表示。节点消耗能量的变化如图3.8所示。性能方面与Khan 等人 (2013)中的协议进行了比较，因为该协议同样考虑了单个体域网之外的AAL环境。可以看出，整个网络中节点的消耗能量相当。当考虑到我们的协议接收了更多的数据包时，这一改进更加明显，如图3.7所示。

示意图8 在节点在整个模拟时间内消耗的能量方面的比较。)

节点的能效通过以下方面进行衡量：

$$
\text{Time Spent at Tx Level} = 100 \times \frac{\text{total time spent at Tx level}}{\text{Total simulation time}}
$$

(3.1)

网络的能效通过网络中各节点在每个发射功率等级下的在发射等级的时间的平均值来衡量。网络的能效如图3.9所示。图中显示，网络大部分时间都处于仿真中使用的最高功率等级（−1分贝毫瓦）。然而，每当信道质量改善（以接收信号强度指示为衡量标准）时，节点会切换到较低功率等级，从而节省能量。还可以观察到，当 netSetupTimeout的值较小时，能效更高。这是因为网络能够通过频繁发送设置数据包有效应对频繁的拓扑结构变化。相应地，节点的能效如图3.10所示。这些结果有力地支持了图3.9中的观察结论，同时也表明各节点消耗的能量分布几乎相等，这与图3.8中的结果一致。

示意图9

在发射功率等级−1分贝毫瓦下，公式(3.1)定义的比率的中位数如图 3.11 所示，针对不同的数据速率和netSetupTimeout间隔进行了绘制。该图显示，当数据速率较低时，性能更好，因为网络在 −1分贝毫瓦下发送所花费的时间最少。然而，较高的数据速率要求更多数据包在 −1分贝毫瓦下发送，因为网络没有足够的时间处理拓扑结构变化，并根据算法3.1中总结的RouteToSink()算法的第9步，以最高能量等级发送数据包。当数据速率较高时，netSetupTimeout似乎对网络能效影响较小。然而，对于较低的数据速率，netSetupTimeout的变化影响更为明显。

示意图10