无线传感器网络中lech协议能量均衡算法

无线传感器网络中lech协议能量均衡算法

无线传感器网络（wsd）被认为是本世纪最具影响力的21个技术和变化世界的前21个技术之一。wsd是大量小型传感器节点在特定区域提供的信息。无线通信模式下，可以创建网络、感知、收集和处理环境信息或监测对象信息。由于节点体积大、成本低、部署方便，无线传感器网络具有许多应用价值。例如，军事国防、灾难报警、环境准备、医疗和工业。传感器网络节点通常采用电池供电,监测周期往往较长,所以低功耗研究一直是WSN的一个热点,如何高效使用能量来最大化网络生命周期是WSN的关键.WSN的路由协议可以分成平面路由协议和分层路由协议两种.由于平面路由协议需要维持较大的路由表,占据较多的存储空间,从而需要消耗较多的能量;而分层路由协议却可以在一定程度上解决这个问题.LEACH(Low-energyadaptiveclusteringhierarchy)是比较成熟的分簇算法,它采用分层的网络结构,由中心、簇首和簇内成员共同构成两层关系的网络.各节点独立地按照一定概率自行决定是否成为簇首,并且周期性地进行簇首选举和网络重组,以避免簇首节点能耗过多,影响整个网络寿命.LEACH算法是一种比较成熟的算法,通过对LEACH协议进行改进优化,又衍生出如:LEACH_C和LEACH_M等算法.MIT学者Heinzelman等在LEACH算法的基础上提出了LEACH-C算法,解决了LEACH算法中“节点根据随机数决定是否当选为簇首”以及“每轮产生的簇首没有确定的数量和位置”等方面的问题,大大提高了簇的生成质量.但由于每个节点都须向基站周期性地报告它们的能量和位置等信息,成簇开销较大,网络流量、时间延迟以及信号干扰的概率都会增加.LEACH-M算法综合LEACH协议的不足,为了使簇首比较均匀的分布在网络中,并且防止能量少的节点成为簇首,LEACH-M算法采用遗传模拟退火算法来提高簇的生成质量.该算法中每个节点把自身地理位置和当前能量报告给基站,基站根据所有节点的报告计算平均能量,当前能量低于平均能量的节点不能成为候选簇首,由于LEACH-M的算法在每轮簇首选举中仍然需要每个节点对中心通信,LEACH-M的成簇开销和信号干扰概率仍然是一个问题.LEACH-C算法和LEACH-M算法成簇开销大,全网节点与中心通信不可避免地加大了信号干扰,本文提出一种简化的簇头选举改进算法LEACH-ER,在簇头选举阶段网络产生多于期望值的候选簇头,由这些节点向中心汇报信息,普通节点在此阶段进入睡眠状态以节省能量损耗.同时中心节点基于各候选簇首的动态权值选择较优的簇头组合,所以在簇头选举阶段只需少量的候选簇首与中心通信汇报信息,从而避免了全网节点与中心通信.仿真证明,LEACH-ER算法与LEACH算法相比,优化了簇首分布,提高了能量利用率,延长了网络生命周期.1基于le未来的多跳路由和分簇的可选择性评估LEACH是为WSN设计的一种低功耗自适应分层路由协议.算法中,相邻节点动态形成簇,并随机地由簇中的某个节点担任簇首.所有非簇首节点把数据发送到簇首,簇首对接收到的数据进行处理后将结果发送到汇聚节点.LEACH定义了“轮”的概念,每一轮由簇首准备阶段和稳态阶段组成.在簇首准备阶段,传感器节点n根据当前节点状态计算T(n),并随机产生一个(0,1)之间的随机数与T(n)比较,如果小于该阈值则当选簇首.T(n)按照下列公式计算:T(n)={p1−p×(rmod(1p)),n∈G0,n∉G(1)Τ(n)={p1-p×(rmod(1p)),n∈G0,n∉G(1)p是算法希望每轮选举节点成为簇首的概率,r是当前的轮数,G是最近rmod(1p)rmod(1p)轮内未当选簇首的节点.簇首节点选定后广播自己成为簇首的消息,其他未成为簇首的节点根据收到消息的信号强度决定加入哪个簇,簇首收到其他节点的请求后根据TDMA方式为其分配一个传输数据的时隙.在稳定阶段,节点持续采集监测数据并传送到簇首,由簇首对数据进行必要的融合处理之后,发送到汇聚节点.期间,簇内成员按只能在特定的时隙内向簇首节点发送数据.簇首节点收集数据进行数据融合后将信息传送给汇聚中心.稳定阶段结束后,网络重新进入下一轮的簇首准备阶段,重新选举簇首,不断循环.LEACH与一般的平面多跳路由协议和静态分簇算法相比,较好地解决了能量有效问题,它可以将网络生存时间延长15%.但是,随机产生簇首并不能保证每轮簇首节点的数目和分布,LEACH忽略节点剩余能量和地理位置信息,容易造成距离基站远的簇首节点能耗大、网络内节点能量损耗不均等问题,降低网络能量的利用率,影响网络的整体性能.具体而言,在簇首选举算法上LEACH协议存在的两大缺点有:1)簇首数目不确定.在LEACH协议中,通过计算及仿真验证了对于大型传感器网络,5%的节点作为簇首是最优的结果,此时网络性能可以达到最好,产生的簇首过多或过少都会降低能量利用率.LEACH协议采用随机选举簇首的方式虽然避免了簇首选举时的能量消耗,但采用随机的方式选举簇首存在一定的方差,实验表明在100个节点组网的例子中产生簇首数目与最优簇首数相同的概率只有约12%.2)簇首选举忽略簇首剩余能量和簇首之间的地理位置分布.所有节点以相同的概率成为簇首缺乏对节点能量特性的考虑,簇首选举时忽略簇首的地理位置,节点的分布往往是不规则的,这可能导致某些簇的成员个数过于庞大,簇首因能量消耗过快而失效,在极端情况下还可能导致网络的某一区域因为失效节点过多而失去感知信息的能力.单纯依靠随机方式产生簇首虽然大大减少了控制信息带来的消耗,但付出的代价是能量利用率的下降.2cch的信号处理针对第一节提出的LEACH存在的两个问题本文提出基于候选簇首的剩余能量和候选簇首间地理位置RSSI信息的簇首选举改进算法LEACH-ER(LEACHbaseonenergyandRSSI),设全网节点数为N,与LEACH算法不同的是LEACH-ER算法以2p的概率产生候选簇首,中心节点根据候选簇首的权值从中选出k个簇首,其中k=N×p,算法流程如图1所示,具体算法描述如下,为叙述方便下文提到的候选簇首用CCH表示,最终簇首用FCH表示:1)组网开始时,各节点按照概率决定自己是否为CCH,若是则向中心发送CCHAnoce,同时侦听截获其余CCH的信息,比较选出离自身最近的两个邻簇首的RSSI信息.2)各CCH构造关联邻簇首信息表NeibCCHList并发给中心节点,NeibCCHList格式如下:(Ei,NeiborCH1,NeiborCHRSSI1,NeiborCH2,NeiborCHRSSI2),(2)其中Ei表示第i个CCH的剩余能量,NeiborCH1,NeiborCH2为离本CCH最近的两个邻居CCH的ID.NeiborCHRSSI1,NeiborCHRSSI2表示这两个邻居CCH到本CCH的信号强度,该值标识两个邻簇首与当前簇首在地理位置上的关联程度.3)中心节点收集各CCH的信息,根据权值公式计算每个CCH的初始权值.Wi=α(Ei)+β(RSSIi),(3)其中Wi表示第i个CCH的初始权值,RSSIi表示第i个CCH到达中心节点的接收信号强度,α,β为权系数.考虑到簇首个数的随机性,当网络产生的CCH个数不超过k时,直接转入步骤5).4)中心节点根据每个CCH的初始权值Wi开始选举本轮的FCH,算法选出权值最大的一个CCH并授权其为FCH,同时查找其关联的两个邻CCH,参照修正权值公式(4)降低它的权值,降低已选簇首最近的两个簇首的权值,以期得到一个均匀分布的簇首组合.WNeiborCH′=WNeiborCH-β(NeiborCHRSSI).(4)修正权值之后,继续本步骤选举簇首直到k个FCH全部选出.5)产生k个簇首之后,中心节点广播FCH列表信息,其余落选CCH转为普通节点.本算法在初始权值的基础上根据已选簇首修正其最近邻CCH的权值,使得最终确定下来的簇首组合分布均匀,并且剩余能量相近的情况下偏远节点当选簇首的概率较小.3leah改进算法的模拟和分析3.1ns3软件简介NS3(Networksimulator3)是为了符合更多、更有弹性的网络模拟需求所设计的一套新的模拟软件,并非是延续NS2的版本.NS3的设计始于2006年7月,到目前为止已经发布了3个版本.NS3与目前流行的网络模拟器NS2相比最大的差异是NS3再也没有Tcl,OTcl了,NS2采用分裂对象模型,使用C++和脚本语言OTCL完成,软件结构相对松散,各个分析工具软件‘各自为政’,学习起来有相当的难度,NS3改用C++或pythonscript来撰写代码.NS3具有的便捷性符合WSN协议的灵活多变的特点,所以本文选择NS3作为仿真软件.3.2基于leah协议的建模和模拟3.2.1sn的基本原理在对LEACH协议和改进算法LEACH-ER进行仿真之前,必须对能量消耗模型进行建模.本文假设在该WSN中,发送机和接收机的框图如图2所示,接收一条长为l的数据包,接收机消耗能量如公式(5),其中Eelec为电路消耗:ERX(l)=Eelecl.(5)发射机发送一条长l为的数据包,消耗能量如公式(6),其中具体参数说明见表1.ETX(l,d)=Eelecl+εampld2.(6)3.2.2基于nsma/ca的数据冲突机制在簇头选举阶段,各节点按照CSMA/CA退避算法选择并接入簇头,在数据传输阶段各节点在所分配的时隙里与簇头通信,所以数据冲突与重发主要集中在簇头选举阶段,本文利用NS3仿真软件的内核机制和C++编程的灵活性构建了CSMA/CA信道访问机制.MAC层信道机制的完善保证了本文仿真的可靠性和仿真结果的准确性.3.2.3中心节点位置参数值仿真场景中将100个节点随机分布在(0,0)为圆心,以80m为半径的圆形区域内,中心节点在圆心处,节点静止.其他参数值为:Gt=Gr=1,其中Gt表示发送方天线增益;Gr表示接收方天线增益.3.2.4网络运行期仿真本文仿真了LEACH-ER协议,并将其与LEACH协议进行对比.在相同的初始条件下分别仿真对比算法改进前后网络各方面的性能.在比较网络寿命时,本文仿真记录网络前40个节点失效的时间及顺序.图3是算法改进前后网络存活节点数的对比.由图可见,与原始的LEACH算法相比算法改进后性能明显提高,若以网络第一个节点数失效为时间参考点LEACH-ER算法第一个节点数失效的时间比LEACH算法延长了9.19%,这一结果显示了算法在均衡网络节点能量负荷方面的贡献.图4是网络运行初期各候选簇首节点和当选簇首节点的分布图,由于网络运行初期各节点剩余能量相近,所以此对比主要验证LEACH-ER在均衡簇首地理位置方面的性能.由于LEACH算法是随机产生期望值为k的簇首,每轮产生的簇首数目会在k值附近波动,并且随机方式产生簇首容易导致簇首分布过密或偏远节点当选为簇首等问题.LEACH-ER簇首选举算法通过修正的权重算法避免了簇首节点分布过密或当选簇首偏远等问题,优化了簇首地理位置分布.假设当网络中的40%的网络节点失效时网络正常工作的终止时间,同时设定LEACH和LEACH-ER的网络运行周期一致,即每个loop的时长相同,本文对比了算法改进前后网络正常工作期间网络节点的总能量,从图5(a)仿真曲线可见,LEACH-ER算法有效地节约了能量.图5(b)将图5(a)中网络运行后期的能量对比放大,可以更清楚地看出网络中第40个节点失效时采用LEACH-ER算法的网络寿命远大于LEACH算法,仿真数据表明,算法改进后网络寿命延长了.另外LEACH-ER最后时刻的总剩余能量也低于LEACH,这说明在均衡节点能耗方面,LEACH-ER有较优的性能.综上所述,虽然LEACH-ER在簇首选举时需要额外的交互信令,但选择一组剩余能量较多,地理位置分布合理的簇首节点有利于均衡网