无线传感器网络中基于预测缓冲区分析与重叠通信区域利用的紧急感知移动数据采集
《Computer Communications》:Urgency-aware mobile data collection in wireless sensor networks via predictive buffer analytics and overlapped communication region exploitation
【字体:
大
中
小
】
时间:2026年10月21日
来源:Computer Communications 4.2
编辑推荐:
# 摘要
高密度无线传感器网络(WSN)基于移动数据汇聚点(MDS)的数据采集面临重大挑战,原因在于MDS机动性受限、传感器节点(SN)能量和内存有限以及SN缓冲区溢出风险。尽管该方法提高了能效,但往往导致过度的数据采集延迟、缓冲区溢出和数据投递成功率降低。本文提出了一种可
# 摘要
高密度无线传感器网络(WSN)基于移动数据汇聚点(MDS)的数据采集面临重大挑战,原因在于MDS机动性受限、传感器节点(SN)能量和内存有限以及SN缓冲区溢出风险。尽管该方法提高了能效,但往往导致过度的数据采集延迟、缓冲区溢出和数据投递成功率降低。本文提出了一种可扩展的多层级框架,确保能效且感知紧急性的数据采集。该框架提出:(i)自适应数据加权聚类,利用传感器紧急性和基于溢出时间(TTO)的负载均衡,将传感器网络划分为工作负载均衡且感知紧急性的聚类;(ii)传感器重叠区域划分(SOAD)和基于效益的排序,识别空间通信重叠区域以实现多SN并发数据传输,缓解静态采集瓶颈并减少任务时间;(iii)受TSPN启发的混合轨迹路径优化方案,确定能效的驻留位置并利用飞行中数据采集与连续轨迹优化;该方法大幅减少了静态悬停时间和每成功采集比特的任务总能量;(iv)紧急性自适应速度控制,根据SN紧急性动态调整MDS行驶速度。为维持空间轨迹协调的数学可处理性,该框架采用标称的均匀通信覆盖圆盘和概率性数据传输成功率。该框架智能地整合所有这些贡献,协同优化数据采集效率、能量利用、任务完成时间和缓冲区管理。仿真结果表明,所提框架在减少轨迹任务持续时间方面具有显著功效,同时在高方差、突发性网络流量条件下保持一致的多目标优越性。该框架提供了高质量的能效-效用权衡(EUT)、高数据投递成功率、缓冲区熵和公平性指数,使其成为密集WSN中可靠的数据采集方法。
# 引言
物联网(IoT)推动了大规模、高密度无线传感器网络(WSN)的部署,用于灾难响应、工业自动化和智能基础设施监控等关键任务和项目[1],[2]。典型特征包括电池资源有限、缓冲区空间有限且持续产生数据的传感器节点(SN),这可能导致传感数据丢失和缩短网络寿命[3],[4],[5]。传统静态数据采集方案难以维持密集WSN的寿命并保持所采集数据的完整性。如果SN耗尽能量,它们将无法感知周围环境,导致网络感知盲区。
数据采集过程在WSN中至关重要,直接影响网络寿命、数据新鲜度和应用可靠性。汇聚点问题也可能影响经由多跳路由到静态汇聚点,其中靠近汇聚点的SN由于高数据转发速率而迅速耗尽能量,导致非信息性能量消耗或过早网络分区[6],[7]。移动数据汇聚点(MDS)的使用可以解决这些问题,通过在SN近旁采集传感数据,减少中继开销,并最大化能效、数据可靠性和数据新鲜度[8],[9],[10],[11],[12],[13]。
在大多数现有工作中,MDS访问预定位置(驻留点)采集SN数据[14]。这种实用方法减少了过长的多跳数据传输路径并延长了网络寿命。然而,需要优化数据采集延迟和轨迹规划,特别是在多个MDS同时执行数据采集时,以平衡数据流量工作负载,协调并支持节能调度需求[13],[15],[16]。
关于MDS路径规划的现有研究通常假设静态聚类或恒定MDS速度,或采用启发式方法进行最短路径数据采集[17],[18],[19]。这些假设不能反映基本的世界动态,如不连续的数据产生速率和具有时空变化的缓冲区占用率。忽略节点级紧急性可能导致缓冲区溢出和不可逆数据丢失等瓶颈,分别直接影响感知精度和任务可靠性[20],[21]。此外,使用MDS一次采集单个传感器数据导致频繁的停止等待延迟,减慢任务并使其在密集网络场景中效率低下[17],[19]。MDS的固定速度策略也可能无法响应服务高紧急性节点的需求,简单的空间划分大部分时间相对于其他节点容易出现过度工作或不足[13],[22]。
这些观察指出研究中的一个显著差距:大多数现有方法试图解决聚类、MDS数据采集路径规划或MDS速度调整控制中问题的一到两个方面,而未引入综合考虑数据紧急性、空间重叠和移动性动态概念的集成方法。进一步的研究表明,在高密度WSN中,自适应且感知紧急性的基于MDS的策略对于最大化时延、能量消耗和整个任务的可靠性至关重要[10],[11],[12],[16]。这种集成对于减少/避免缓冲区溢出、最小化任务时间以及实现在密集高速传感环境中可扩展的数据采集至关重要。为了克服这些不足,本文提出了一种多MDS三层级框架,具有以下主要贡献:
- **预测性数据加权自适应聚类**:本文提出了一种动态工作负载划分模型,该模型通过纳入溢出时间(TTO)指标和自适应数据加权聚类模型,超越了地理邻近性的限制,实现了各个MDS间的工作负载平衡分配。缓冲区占用率(紧急性)更高的SN具有更大的权重;紧急SN优先聚类和提供服务。数据加权聚类算法专门设计用于在高密度压力测试下保持较小的溢出特征,这是基于距离的聚类方法无法处理的。
- **用于瓶颈缓解的传感器重叠区域划分(SOAD)**:本文还提出了一种几何驱动的SOAD方案,检测和利用传感器通信区域内的通信汇聚重叠。该框架还通过在这些重叠期间启用来自多个贡献SN的并发数据采集,有效地解决了静态数据采集瓶颈,从而减少总任务时间和轨迹偏差,因为通信范围在变化。
- **基于效益的排序(BBS)**:此外,所提BBS算法根据计算出的效益分数(?_p)对SOAD方案获得的重叠区域进行优先级排序,确保MDS首先服务影响最大的区域,以减少密集网络中的缓冲区饱和。
- **结合MDS运动中进行数据采集的混合路径优化**:感知紧急性的基于TSPN的方案通过结合驻留点,联合优化每个MDS的行驶距离、服务时间和传感器缓冲区紧急性。本工作采用了多模式飞行中数据采集机制。通过在驻留点之间的过渡期间允许来自贡献SN的并发数据传输,所提框架使MDS能够在移动间隔期间主动接收传感数据,显著减少了静态悬停时间和总体任务时间。
- **能效感知自适应速度控制(ASC)方案**:我们提出的工作允许MDS根据聚合聚类紧急性在v_min和v_max之间动态调整速度。通过将速度选择基于物理能量模型E=E0+η·v2,我们建议的框架优先为高风险区域分配能量,从而实现了最低的成功每比特能量(EPSB)和最大化的能效-效用权衡(EUT),同时提高了对高缓冲区占用率节点的响应性。
- **8指标验证的分析仿真功效**:所提方法通过广泛的分析研究,与最先进基准(MMCPP [13]、CTOS [14])及所提方法的两个变体StaticV和SingleSink进行了评估和验证。仿真结果表明所提方法在8个性能指标上的有效性,证明了其在密集WSN中帕累托最优性和可靠性方面的卓越表现。
一个三层级框架,辅以广泛的仿真支持,通过防止/减少缓冲区溢出、最小化任务时间和保持高数据吞吐量,显著增强了网络生存能力。本工作的动机在于需要一种数据紧急性感知型的MDS数据采集策略。使用旅行商问题邻域版(TSPN),我们不再访问精确的SN位置;而是确定每个SN邻域内的最优驻留位置来采集传感数据。我们提出的工作将MDS从被动的运输车辆转变为能够根据能量需求和传感缓冲区占用率做出实时决策的主动自适应代理。
所提H2G-RL框架旨在增强所有SN(SN)在随机和突发工作负载下的网络生存能力和数据吞吐量,在密集部署场景中实现这一目标而不发生灾难性缓冲区故障。在这一全面使命下,所提框架同时服务于作为过程约束的一组次要目标——动力学和环境目标。它们包括:(i) 最小化每比特轨迹路径任务总能量,(ii) 减少在特定SN处的排队延迟(缓冲区排队延迟),以及(iii) 执行空间公平性指数以避免外周SN可能发生的饥饿问题。
其余部分组织如下。第2节简要回顾了相关工作文献。第3节介绍了所提网络模型、能量消耗模型和问题定义。第4节解释了所建议的框架方法。第5节讨论了仿真结果的分析。最后,我们在第6节总结我们的工作并展望未来方向。
# 相关工作
本节综述和研究了WSN中基于MDS的移动数据采集技术,包括能效轨迹路径规划、MDS数据采集调度以及紧急性敏感数据采集。然而,现有策略中仍存在一些约束,特别是在处理密集WSN时。
Ghorbel等人[23]探索了联合位置和行程路径优化作为无人机(UAV)进行能效数据采集的解决方案。
# 网络架构与问题定义
我们提出的工作考虑一个部署在有限二维区域????2上的密集无线传感器网络(WSN)。网络区域由三个组件组成:(i) 一组m个静态传感器节点(SN)??={SN1,…,SN_m},(ii) 一组n个移动数据汇聚点(MDS)?={MDS1,…,MDS_n},以及(iii) 一个负责长期数据采集的固定基站(BS)。每个SN SN_i∈??位于部署位置?_i∈??,以速率G_i(比特/秒)从环境感知数据。感知到的数据是...
# 所提框架方法
本节介绍了一种分层、紧急性敏感的多MDS架构,用于密集WSN中的高效数据采集。所提方法明确融合了自适应聚类、几何驱动的感知重叠数据采集、效益驱动的排序以及能效感知预测数据采集。它通过四个强耦合阶段实现基于MDS的数据采集,包括(i) 带负载均衡的自适应数据加权聚类,(ii) 传感器重叠区域检测...
# 实验设置与结果分析
本文在可扩展网络场景中评估所提框架模型,并与四个代表性基线进行性能指标的解析比较。我们提出的框架将传感器网络建模为时变紧急性场。在MDS处,传感器缓冲区状态在预计到达时间(ETA)进行预测,以实现提前优先级排序。利用飞行中在重叠通信区域上进行并发数据采集以最大化数据吞吐量。本文...
# 结论
本文提出了一种用于无线传感器网络的多MDS数据采集方案,该方案融合了自适应加权k-means聚类、传感器重叠区域检测(SOAD)、基于效益的路径排序以及基于TSPN的驻留点优化。主要贡献包括:通过感知紧急性的聚类形成实现MDS间均衡负载分配,高效确定重叠区域以减少驻留点数量,以及自适应速度路径规划以减少...
# 伦理审批
所有作者在参与研究之前均提供了知情同意书。在获得伦理审批后,未对研究进行任何更改。
# 生成式AI声明
未使用任何生成式AI工具。
# 资金支持
无资金支持。
# 利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系可能影响本论文所述工作。
Naween Kumar
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号