水下传感器网络中基于多层动态数据传输的智能数据收集方案

沙特国王大学学报一种实现水下传感器网络Muhammad Ayaza，d，M.Ammad-Uddina，d，Zubair Sharifb，Mohammad Hijjic，Ali Mansourda沙特阿拉伯塔布克大学人工智能和传感技术研究中心，塔布克71491b马来西亚斯里依斯干达32610，马石油技术大学计算机与信息科学系（CISD）c沙特阿拉伯塔布克大学计算机信息技术学院，塔布克71491。dLab-STICC，UMR 6285 CNRS，ENSTA Bretagne，Brest，France阿提奇莱因福奥文章历史记录：2022年10月8日收到2023年1月15日修订2023年2月6日接受在线预订2023年保留字：水下传感器网络混合数据采集动态分簇负载平衡能源效率水下监视和监测A B S T R A C T水下无线传感器网络具有相当大的潜力，监测大型和恶劣的水下环境，通过可靠的传感，收集和转发数据到表面汇。虽然研究界已经做出了很有前途的努力，如连续节点移动性，较长的延迟，位置信息的不可用，和能源限制的障碍考虑到这一点，本研究旨在开发一种混合和智能的数据收集方案，考虑到节点的位置和网络特性，在数据转发。为了实现这一目标，网络分为两层。顶层被认为是更动态的，遵循逐跳数据转发方案。下层经历稳定的水流，遵循基于聚类的数据收集方法。提出的方案，称为多层动态数据转发（MD2F），适用于大而深的水下区域。MD2F是可扩展的，因为它使用多水槽架构，而单个或多个自主水下航行器（AUV）可以根据被监测的区域使用。在不同层实现逐跳传输和基于聚类的数据收集平衡了网络负载，从而延长了网络寿命。结果表明，MD2F的性能优于基于多层路由器的能量有效（MLCEE）和能量有效和链路可靠路由（E2LR），两者在工作性能上非常接近。在交付率、网络吞吐量和端到端延迟方面，结果令人鼓舞。除了实现这些目标外，网络还通过负载平衡降低了能耗版权所有2023作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍海洋覆盖了我们地球的70%以上，并拥有大量宝贵的食物，石油，天然气和其他矿产资源。人类在历史上一直依赖海洋，但最近的探索使海洋在导航，监视和跟踪方面变得更加重要，特别是在工业和军事活动中。（Perissi和Bardi 2021，Panagopoulos和Giannika 2022）。最近的技术进步创造了*通讯作者：Sensor Networks and Cellular Systems（SNCS）Research Center，University of Tabuk，Tabuk 71491，Saudi Arabia。电子邮件地址：ayazsharif@ut.edu.sa（M. Ayaz）。沙特国王大学负责同行审查在海洋环境的各个层面使用无线传感器网络进行水下勘探的可能性（Ayaz 2019，Rako-Gospic和Picciulin 2019）。由于水下无线传感器适用于广泛的水下应用，在过去的几年里，它们得到了广泛的关注。然而，围绕这些应用的关键问题是设计一种有效且可靠的路由方法，该方法可以处理这种脆弱环境中的各种挑战（Haque等人，2020年）。首先，由于水声信道是唯一可行的选择，它们在通信中提出了若干挑战，包括信号吸收、大延迟、由多径效应引起的频率选择性以及由引起时间信号的反射引起的信号散射（Abbas等人，2017年，Tariq等人，2021，Mohsan等人，2022年）。该网络还面临着一个严重的问题，即能源供应有限，因为几乎不可能更换或充电电池。因此，当一定数量的节点到期时，其余节点无法有效地执行其任务不仅如此，其他节点还面临着额外的负担，https://doi.org/10.1016/j.jksuci.2023.02.0061319-1578/©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM. Ayaz，M. Ammad-Uddin，Z. Sharif等人沙特国王大学学报75最 终 影 响 整 个 网 络 的 寿 命 （ Ali 等 人 ， 2020 ， Tewari 和 Gupta2020，Sharif等人， 2021年）。 已经开展了研究来解决这些挑战以及其他因素，例如大型且不受控制的三维工作区域和节点的连续移动性（Gupta和Goyal 2021，Iqbal等人，2021年）。大多数使用单一数据转发技术的现有研究要么是基于本地化的，要么是无本地化的。例如，它可以使用逐跳、多跳或自主水下航行器（AUV），其中每种方法都有优点和缺点。每种技术在某些情况下都能很好地执行，但在其他情况下其例如，当水流很高时，聚类性能很差。多跳数据转发技术的缺点是靠近表面sink的节点面临更高的处理负担，这降低了网络的寿命。另一方面，完全依赖自主式潜水器收集数据也有局限性。它提供有限的覆盖区域，以及用于潜入水中并返回到汇聚节点的有限时间跨度因此，它不适合延迟敏感的应用程序。一种集成了多个方案的混合方法可能会结合各个方案的优点，最终有助于提高网络效率。与一般的多跳方案相比，这种机制提供了更现实的方法，特别是在能量效率和可靠性方面，因为其性能取决于应用的性质和要求。尽管提出混合方法不是一项简单的任务，特别是在考虑多个方面时，但如果仔细进行，它可以导致数据转发的最佳解决方案。本文提出了一种多层动态数据转发（MD2F）的混合路由方案，旨在实现所有节点之间的负载均衡，适用于大而深的水下区域。在数据收集过程中，AUV及其移动模式的包含平衡了所有参与节点上的负载通过均衡处理，网络的第一个故障节点将被延迟，这增加了网络拟议工作的主要目标如下：● 平衡资源利用● 最小化能量消耗● 最大限度地延长网络寿命2. 相关工作在 过 去 的 几 年 里 ， 研 究 人 员 已 经 为 水 下 无 线 传 感 器 网 络（ UWSNs ） 提 出 了 几 种 路 由 方 案 （ Tariq 等 人 ， 2017 年 ，Subramani等人， 2022年）。其中，他们中的许多人通过引入休眠-唤醒策略、仔细调整节点部署密度、减少软件计算等来最小化硬件功耗。然而，许多公知的方案受到某些问题的困扰，并且需要一些改进以提供最佳结果。以下是几个最突出的无定位路由方案，以及它们的优点和缺点，在第1节中讨论，导致了一个新的路由方案的发展，在下一节中介绍。考虑到端到端延迟和能量效率问题，作者开发了逐层基于角度的洪泛（L2- ABF）路由方案（Ali等人，2014a，2014 b）。L2-ABF的信息分发阶段不建立任何备份路径，并对查询、请求/应答和数据包字段进行了修改虽然作者声称它是能量有效的和延迟敏感的，但它在数据转发过程中面临着一些严重的问题的阶段。例如，查询请求/响应的使用引入了影响其性能的不必要的延迟此外，在查询请求分组中，包含发送方的能量状态，但是其目的不清楚，因为接收方在整个工作过程中此外，作者（Ali等人，2014a，2014 b）提出了一种名为3跳可靠性模型或3 H-RM的协议，以增强网络可靠性，因为声学网络具有许多问题，包括高错误率，有限的带宽和广泛的传播延迟。3 H-RM模型确保每组三层的所有发送方节点维护数据分组的副本，而不增加网络上的任何其他负载，这可以减少分组丢失的机会。然而，保持相同的数据包本身的多个副本将是对水下传感器节点的可怕资源的严重负担。因此，与所提出的模型相反，能耗和端到端延迟可能很高。另一方面，许多其他研究人员已经使用AUV来克服这种环境中有限资源的挑战。在大多数技术中，AUV被用作移动数据收集器，而不是访问每个节点，CH节点被引入，以减少AUV的旅行距离和端到端的延迟。在许多应用中，通过AUV进行数据收集已被证明更加方便，因为它有助于降低总体能耗。例如，（Ahmad等人，2013）提供了AUV辅助的节能路由协议（AEERP），这是一种数据传输机制，其使用AUV在围绕预定义的水平轨迹行进时收集数据。然而，与许多其他方案相比，AEERP具有一些局限性，例如较高的端到端延迟。此外，在AEERP中，AUV在访问期间以恒定的速度行进，如果某些网关节点有更多的数据要传递，则数据丢失的概率变高。类似地，（Mahmoud等人，2016）提出了一种有效的任务分配路由方案，以有效地处理半动态网络拓扑中的时间管理和任务分配，其中AUV在有界区域中遵循移动航路点或固定航路点。该方案旨在通过将时间和距离作为单个任务的函数来提高任务但该方案的问题是在搜索的后期收敛速度慢，不可行路径的出现降低了其效率。此外，（Yoon等人，2012）提出了一种名为AURP（AUV辅助水下路由协议）的路由算法，该算法利用AUV作为中继节点，向网关节点（GN）和传感器节点等其他节点移动以收集数据。传感器节点收集数据并将其转发到GN或直接发送到sink节点，通过一个声学信道的帮助下，通过逐跳的机制一旦建立了路径，在节点处生成的所有数据在整个传输期间都遵循相同的路径然而，由于大量数据包在同一GN上传递，该设备的电池消耗很快。因此，这成为汇聚节点处的短网络寿命和低数据递送的原因。为了在信息分发阶段期间通过管理Hello分组的不想要的洪泛来节省能量，提出了一种节能且链路可靠（E2LR）的路由协议（Tariq等人， 2021年）。为了减少端到端的延迟，协议使用一个复合指标来评估下一跳选择过程中的链路质量。为了提高可靠性和优化路由操作，它经常更新能量状态和链路质量。然而，由于节点移动性，E2LR可能会受到影响，因为它需要在数据转发之前频繁地计算链路质量在水下环境中估计链路可能消耗高能量，特别是在具有高电流的上层中。为了缓解能耗和热点问题，提出了一种用于UWSN的多层基于集群的节能（MLCEE）方案（Khan等人， 2019年）。MLCEE将网络划分为多个层，在较低层中进行聚类M. Ayaz，M. Ammad-Uddin，Z. Sharif等人沙特国王大学学报76而在上层的传感器节点，其特点是高水流，不坚持聚类和他们的数据被直接发送到汇聚节点。由于网络根据深度分为不同的层，节点根据其剩余能量和考虑各种因素的概率成为转发者。虽然所提出的方案被认为是更有效的比较技术，它意味着在上层的节点可以到达表面汇在一跳，这并不总是可能的，由于链路质量下降。与MLCEE类似，作者提出了一种基于集群的能量可重构路由协议（E2R2P），以便通过专注于减少重传尝试来降低功耗（Anuradha和Srivatsa 2019）。 在所提出的方案下，每当数据包重传失败时，计算替代路径。然而，这种方法带来了额外功耗的问题，因为路由查询消息是在两次先前尝试失败时发送的。另外，从由于电流而连续移动的节点获得传播延迟值可能是不切实际的。由于源节点的路由表正在更新，因此在进行更新后不久，这里的值可能会更改，从而导致更多的查询。3. MD2F路由方案本节概述了被称为多层动态数据转发（MD2F）的拟议方案，该方案旨在解决前几节中提出的该方案将工作区分为两个主要层，而两者又进一步分为更多层。总层数取决于我们部署节点的区域和深度以及传感器节点的有效研究表明，水的流量很高，传感器节点的位置在水面的顶部100米处迅速变化（Zhanget al.，2016年，Fattah等人，2020年）。考虑到高水流，聚类在上层将不会有效。因此，这里部署的节点将旨在将数据直接传输到sink或通过逐跳机制传输。MD2F的性能不依赖于层数，因为它可以覆盖更深的区域。图1示出了在所提出的方案下的网络部署和通信场景。浮力控制机制被用来部署传感器节点在不同的层和深度。通过浮力机构部署在不同深度水平的节点可以水平移动。尽管预期会有微小的垂直移动，但在大多数情况下，这可能是不可忽略的此外，在地面部署了多个汇这些接收器处的射频（RF）调制解调器用于彼此通信并将数据直接传送到处理中心。同时，与AUV和传感器节点的通信传感器节点的位置是未知的，但汇的位置是已知的，因为这些都配备了全球定位系统（GPS）设施。表1概述了拟议方法中使用的符号。一个动态的聚类方法是用来收集来自较低层的数据，普通的传感器节点，称为集群成员（CM）转发感测到的数据到各自的簇头（CH）。CH负责从CM接收数据，对收集的数据执行聚合过程并将其转发到AUV。在某些情况下，CH可以将信息转发到顶层的节点。AUV将在特定的时间和规定的路线上运行，以收集来自CH的数据。 只有传感器节点的路径上的AUV被告知进入活动模式为指定的时间段，以节省能源。水下机器人应该完成Fig. 1. 所提出的架构沿着网络通信场景。表1文章中使用的符号及其含义。符号定义来自接收器的S-IM来自AUV的U-IM查询消息C-IM集群查询消息J-IM加入集群查询消息CM集群CH簇头hopidNqr节点自己的hop idN00每个汇聚节点接收到的宿hop_id（S-IM）Nqr宿处理hop_id（CS-跳id）S-IM的最大跳数为1/4 91/43U-IM最大跳数接收的AUV hop_id（U-IM）NwxAUV处理hop_id（CU-hop_id）e节点能耗吸收率系数Tcoll：AUVCHset簇头在规定的时间内进行每次访问，以最大限度地减少端到端延迟。该过程在子部分3.3和3.4（动态聚类和CH选择）中解释。 图 2提出了一个一般结构的分层网络使用所提出的方法。部署在整个监测区域的传感器节点将根据与表面汇或AUV的距离和深度获得动态地址。这些地址以这样的方式分配，即更接近表面的节点将获得较小的地址，这些地址将随着深度的增加而增加。这些动态地址将在水面汇点以及来访的AUV生成的查询消息（IM）的帮助下进行分配。来自表面汇的IM用于将部署区域划分为层，而来自AUV的IM有助于形成集群。根据应用性质和要求，有时需要从部署在海底的节点收集数据，因为这些位置周围经常发生事件。专注于此类应用，AUV是理想的选择。M. Ayaz，M. Ammad-Uddin，Z. Sharif等人沙特国王大学学报77≥-0ðÞ图三.可能的集群形成架构。图二. 将整个网络划分为层的过程。总体而言，MD2F分三个阶段完成其任务。查询消息用于分配动态hop_id。基于这些动态ID，网络被分为两部分。上半部分不参与簇的形成，因为它只在下半部分完成在第三阶段，数据包被转发到AUV或表面汇。3.1. 搜索hop_id在所提出的方案下，每个表面接收器使用两种类型的地址。首先，同时，这使得数据转发简单，因为数据可以转发到任何接收器而不是仅一个。所有节点将在数据包转发期间使用此ID作为目的地传感器节点也将遵循类似的过程，每个节点将使用两种类型的地址。首先，它将在查询、地址分配和数据包转发期间使用。与“node_id”不同，“dest id”不是独特的或永久的。 这些动态最高值将被分配为默认的在接收到IM之后，节点将根据它们的位置或从接收器或AUV的位置继续更新它们的新的为了分配当一个普通的节点收到任何查询消息时，它首先会检查它是来自水面汇还是来自AUV。在第一种情况下，当接收到的IM来自表面汇点之一时（S-IM），则接收节点将从查询消息中提取跳id（Nlm），并将其与其自己的跳id（Nqr）进行比较。当分配“跳id”的过程开始时因此，' l '的值当值显示' l = 0 0时直接从所述表面汇点之一接收该S-IM。哪里‘当' l = 0 0时如果同时，“q”的值在“1 - 0 0 "的情况下为了避免复杂性，我们只关注其中两种可能性，而不太关注其他可能性。首先，在此外，“q”的值‘除了这些情况，“l”的值并且在这些情况中的任何一种之后，在当前跳数最大跳数1，因为这有助于控制IM的广播。在“跳id”更新期间遵循这些步骤之后，当前节点将通过使最大跳数递减来在递减之后，如果最大跳数值仍然大于零，则节点将采取两个步骤。首先，它将在IM分组的“S-IM”字段中更新其当前CS跳id其次，它将播放新的如果不是这种情况，它将丢弃相反，当接收到的查询消息来自AUV（“U-IM”）时在这种情况下，“U-IM”的接收节点如果“u”的值在任何其他情况下，“w”的值在处理AUV的查询消息之后，当前节点将共享更新的“U-IM”，就像它对“S-IM”所做的那样为了做到这一点，以相同的方式，最大跳数将减少一，直到它达到零，而新算法1给出了为传感器节点分配hop_id和分层的整个过程，其流程图如图1所示。 四、●●●M. Ayaz，M. Ammad-Uddin，Z. Sharif等人沙特国王大学学报78¼ ðÞ-¼ ðÞ-.Σð¼Þ算法1（跳ID分配算法）。3.2. 查询消息（IM）格式如上所述，使用两种不同的IM，汇点查询消息（“S-IM”由四个字段组成：IM的类型、“节点id”、“CS-hopid 0”和指定最大跳数的字段，如表2所示。IM的类型显示其类型为来自水槽或来自AUV。‘在“U-IM”的情况下3.3. 动态聚类聚类将在网络的下部完成，以收集和转发感测到的数据。预计AUV仅访问和尽管AUV路径和访问是根据各种因素来规划和预定义的，例如，任务的性质是以最少的访问覆盖尽可能大的区域，传感器节点不知道这一点。现有的基于分簇的方案主要是针对静态环境提出的，因此，由于传感器节点的频繁波动或移动，不适合目前的此外，如果同一节点频繁地成为CH为了防止这个问题，我们使用动态聚类，当需要收集和转发数据时，随机选择CH为了实现动态分簇，每个传感器节点最初被认为是不可识别的，因为网络中没有潜在的CH。当AUV发送一个称为“U-IM”的特殊消息以激活其路径上的所有节点时，该过程开始首先，传感器被布置成簇，其次，CH被选择。对于每个集群，从潜在CH最多三跳的节点可以partici- pate，而其余的节点应该是任何其他集群的一部分。每个节点计算自己的概率，并与邻居分享（3.4小节）。可能的集群形成在图3中描述了CH选择的完整过程，并且在算法2中提供了CH选择的完整过程，而其流程图包括在图3中。 五、3.4. 簇头选择没有安装预定义的簇头，表明没有传感器节点可以区分。基于AUV的查询消息（信标消息）执行动态聚类。这意味着AUV在考虑其移动和访问位置的情况下执行集群形成时发挥重要作用。在簇形成期间，它组织许多重要的任务，例如激活其路径上的节点，推动它们进行簇形成和CH选择以及从所选CH收集数据。在簇头选择过程中，AUV没有关于传感器节点及其位置的先验信息。完成巡视计划后，AUV按照预定义的路径并广播hello数据包来启动该过程。然后，所有附近的传感器节点将参与簇形成和数据收集。我 们 假 设 n 个 传 感 器 节 点 安 装 在 一 个 特 定 的 区 域 表 示由 Ss1;s2;：：：;s n.每个传感器节点SI具有m（在我们的情况下m= 4）特征表示通过一向量A a1;a2;：;am.这里，称为si的每个传感器节点可以是CH或CM。1. P_i^CH_ja_ij_i指示传感器节点基于单个属性a_ij（节点i属性j）成为CH的可能性。2. Ps iCH表示传感器节点成为CH的可能性，而不考虑任何属性。3. Paijsi/CH指示属性ai j的最高值何时存在于节点si中并且是CH节点的可能性。M. Ayaz，M. Ammad-Uddin，Z. Sharif等人沙特国王大学学报79我IJPai jjsi¼C HP。aijjsi¼CMz见图4。hop_id分配流程图。4. Psi¼CM是si节点成为CM的存在可能性而不需要事先知道任何属性。P.S 我是一个很好的朋友。P. aijjsi¼CHð1Þ5. P. aijjsi^CM表示可能的最大值如果所有参数A 1/4个a;a;：;1个节点s 不依赖于-如果我们考虑一个无偏的假设，其中所有参与节点都是CH的可能性相等，那么节点s的可能性为彼此的凹痕，那么这个节点的机会，考虑到整个集合Ai可以由等式2确定。（二）、Pi P仅基于一个参数i j的CH可以通过下式计算当量（一）.Pi1：Pi2：PizPi1：Pi2：Piz1-Pi1： 1-Pi2：1 -Pizð2Þ¼属性aij 是CM而不是CH我12我M. Ayaz，M. Ammad-Uddin，Z. Sharif等人沙特国王大学学报80算法2（动态聚类和CH选择算法）。3.5. 集群形成和加入的查询消息类似地，对于hop_id分配，两个IM将参与簇形成。如上所述，一个将是集群查询消息（表4和表5分别显示了这两种查询消息的参数3.6. 链路质量估计如前所述，声信道经常遭受衰减、噪声和多径效应以及环境因素。而节点的移动性进一步影响了无线通信信道，降低了这种环境下的成功率。因此，为了提供可靠性和增强的吞吐量，在数据被转发到下一跳节点之前估计无线信道质量变得至关重要。为此，该方案通过计算数据包接收率（PDR）、信噪比（SNR）和节点间距离三个参数来解决水下网络中节点移动性带来的问题。信噪比综合考虑了信号在某一频率下的源功率、传输损耗和信号中的噪声.虽然PDR也取决于SNR，但它可能会受到其他因素的影响，而距离是基于到达时间估计的。当在源和可能的下一跳转发器之间交换各种hello分组时计算所述参数，并且在实际数据转发之前考虑所述参数。应当注意，在特定事件之后再次分析这些值，AUV的下一次访问因此，通过考虑更合适的信道，基于估计的链路质量来实现负载平衡，从而产生更高的PDR和具有更低距离的相邻节点。为简单起见，所有参与的因素都被视为同等重要（绝对优先级为1，其中接近1且高于其他的信道将被认为更可靠）。图五. 动态群集的流程图。3.7. 数据包格式和数据转发除了IM之外，另一个关键因素是数据包及其格式，如表6所示。在完成簇头选择阶段，数据包收集各自的簇头在一个固定的速率，独立于AUV活动。每当任何节点有一个数据包，并期待转发，它将检查自己的如果此值等于或小于3，则它将通过逐跳方法向接收器转发数据。如果它在网络的较低部分中，则它将尝试在相应CH的帮助下通过AUV转发。如果想要转发数据分组的节点本身是CH，则它将等待指定的时间量，使得该集群的成员节点可以将它们的数据分组转发给它。CH将在将所有收集的数据转发到AUV或另一个合适的CH之前聚集所有收集的数据。一旦AUV到达，它就向接近CH发送控制分组在从CH收集聚集的数据之后，对于在特定旅游路线上形成的CH的其余部分重复相同的过程。算法3中概述了数据包转发过程中的主要关键步骤，而其流程图见图3。 六、M. Ayaz，M. Ammad-Uddin，Z. Sharif等人沙特国王大学学报81QQð Þ表6数据包格式。源node_id sender_id dest_id数据-算法3（数据包转发算法）。表2见图6。数据包转发流程图。3.8. 能耗模型在网络性能评估中，最重要的参数之一就是衡量网络的整体能耗。因此，它被认为是本研究中的一个重要因素每一个森-汇点查询消息（S-IM）格式。IM节点ID的类型CS-跳ID最大跳数表3AUV查询消息（U-IM）格式。IM节点ID的类型CU-跳ID 路径阈值最大跳数表4集群查询消息（C-IM）格式。分类节点的能量消耗包括数据采集（感知和处理）、数据传输、空闲状态功耗和节点休眠时间的能量消耗。总能耗计算公式为Eq. （三）、ECtotal¼ecolTDCT转换TDTT空闲TISP睡眠TNST2013年其中，ecol是节点在每单位时间的数据收集期间的能量消耗，TDCT表示数据收集持续时间，etranss是节点用于数据传输的能量消耗。TDTT 是每单位时间的持续时间，T DTT是数据传输持续时间。此外，eIdleTISP和eSleepTNST分别是节点空闲状态期间和节点睡眠时间期间的能量消耗IM类型（C-IM）表5开始/等待时间节点ID概率（pi）T DTTdata transs：amount=D transs：rate;数据传输：数量是已传输的数据量，Dtranss：rate是节点的数据传输速率。在分组传输期间的能量消耗被表示为等式：（四）、ECpkt：transs ¼Tt：Pr：Ad4加入集群查询消息（J-IM）格式。其中Tt是数据传输时间，Pr是功耗。IM类型（J-IM）CH id自身节点ID概率（pi）并且A_d表示数据分组传输期间的能量损耗。在距离D处的任务。 此外，D可以用Eq表示。（五）、M. Ayaz，M. Ammad-Uddin，Z. Sharif等人沙特国王大学学报82ð Þð ÞN.QrecQQð ÞVLAUV：QAddka fd5Pb ¼. 1-Pb位错误2011年4月11日ð Þ通常，对于球形扩展，k的值为2，而对于圆柱形扩展，k的值为1，其实际值为1.5。此外，f是吸收系数，其可以通过使用Thorps公式计算（Wang等人，2015，2016，Yu等人，2018年，Al-Qerem等人，2020年，Eq。（六）、登录ð Þð Þ为了计算声学信道的SNR，我们使用被动声纳方程，如方程：（十二）、SNR 沪ICP备15024552号-1 PDT12毫米式中SL、TL、NL、DI、DT分别代表源级、传输损耗、噪声损耗、指向性指数和探测阈值0：011f24：4f2-52ð6Þ的声纳，分别。SL、TL和NL可以通过下式计算：2019年12月31日电话：+86-21 -6666666 尺寸2： 75× 10f粤ICP备05000003号使用等式（13），Eq.（14）Eq.（15）分别。其中，f是以kHz为单位确定的载波频率，吸收系数a f以dB/km为单位测量。讨论了节点在数据采集和传输过程中的能量消耗。以下几行提供了CH和AUV的能耗详情。这里，CH的能量消耗考虑了从CM接收数据和向AUV发送数据期间的能量耗散。的EQ。（7）当簇内有N个节点时，计算簇头在一轮数据收集总CHSL¼SNRTLNL-DI13mmTL¼ 10对数对数单位面积×10-314毫米其中，a是吸收系数，d是发送器和接收器节点之间的距离。NL是四个噪声分量的累积和，并且取决于通过使用等式（1）计算的信号的频率。（十五）、NL¼NtfNwfNthfNmf15其中Nsf、Ntf、Nwf和Nthf表示噪声，简体中文雷切雷伊雷克回收率反式.数据传输：bQyCH=D传输： 率！ð7Þ分别由湍流、风/浪（W以m/s为单位）、热活动和任何物体的运动产生。所有这些因素都取决于频率（f）。其中erec和etranss为数据接收以及每单位时间的CH的传输，i表示CH从第i个CM收集的数据量，CH的数据传输 是CH发送到AUV的数据量。此外，recrate和Dtransrate分别是CH的数据接收和发送速率其次，计算了AUV的能量消耗，包括沿CH运动消耗的能量和从每个CH接收数据时的能量利用。L并且数据收集期间的能量消耗为/recper单位时间，则AUV的总能量消耗可以由方程确定。（八）、4. 结果和讨论我们评估了MD2F与基线解决方案的性能，包括节能和链路可靠路 由 （ E2LR ） （ Tariq 等 人 ， 2021 ） 和 多 层 基 于 集 群 的节 能（MLCEE）（Khan等人，2019）方案，其中评估性能指标的程序对于所有三种技术保持相同。这两种比较方法都基于信标机制，其中临时hop_id被分配以区分所部署的节点。此外，MLCEE甚至更接近MD2F，因为它遵循集群机制来完成数据包转发期间的任务。使用NS-2集成网络仿真器Aqua-Sim，ECAUV 联系我们XVLAUVl/X .Ql！AUVΣð8Þ评估和比较所提出的方案的结果为此，dis！l2CH集recl2CH集AUV数据 rec：rate在1000 m*800 m * 800 m的区域内执行移动节点的随机部署，同时定位多个汇聚节点哪里l！AUV 是CHl发送给AUV的 数据 量，AUVdatarec：rate是AUV的数据接收速率，CHset是CH的集合。AUV的能量消耗由于延迟而变化，因此我们还必须找到并计算这些延迟以检查这种消耗。AUV（九）、U如图所示，在水面上。7.第一次会议。这些表面下沉在整个模拟过程中保持静止，但在水中，其他节点的移动速度在1到3米/秒之间。仿真环境中只考虑了节点的水平运动，而忽略了节点的垂直和对角线运动数据包大小固定为512位，而每个源节点生成以恒定的比特率对数据进行加密。主要模拟环境-Tcoll 1/4L传输： XTresil¼1段设置如表7所示。水槽节点和水下机器人是主要考虑的其中，Ltrav：是行进路径长度，VLAUV是AUV因此，在距离d上的比特错误Pb的概率被确定为Eq.（十）、第一章1.1-sSNRavgd！ð10Þ以确定绩效评估。测量的指标包括分组递送率、能量耗散、端到端延迟、网络吞吐量和网络寿命，而下面讨论这些参数详细分析。4.1. 分组投递率在MD2F的性能评估过程中，分组投递率随参与网络的节点数而变化b位错误21SNRavg工作，他们的运动与水流，频率的数据包生成和AUV的存在因此他们其中，SNRavgd是声学通信在距离d上的平均SNR在距离d上具有大小为n比特的数据分组的递送概率被计算为等式：（十一）在所有这些条件下进行评估。首先，图8（a）呈现了当节点的移动从静态变化到3米/秒时所开发的方案的性能。交付率非常高EC埃莱：ΣΣM. Ayaz，M. Ammad-Uddin，Z. Sharif等人沙特国王大学学报83见图7。在Aquasim中描述了水下传感器节点沿表面汇和AUV运动的部署。表7模拟设置。参数值网络模拟器AquaSim 2.0模拟面积1000 m*800 m*800 m网络拓扑结构随机汇节点5节点数初始节点能量10 J数据包大小512b通信媒介无线无线信道声学声波传播速度1500 m/s传输距离100 mMAC协议IEEE 802.11发射功率90 dB声速3天线类型全向节点移动性（米/秒）1至3米当大量节点存在于静态环境中时;然而，随着节点数量的减少，该比率受到影响。此外，在节点移动下的性能进行了评估，速度从1 m/s变化到3 m/s。值得注意的是，MD2F的性能没有受到节点移动的严重影响，因为在不同的节点速度下发现了令人鼓舞的结果。总的来说，当网络中有更多的移动节点时，结果没有太大的MD2F的另一个关键参数是AUV的存在。因此，有必要评估网络在有和没有他们的情况下如何运作。MD2F具有逐跳机制，并且在特定情况下没有AUV访问时可以遵循该机制。当需要传递某些紧急信息时，也可以遵循该机制。图8（b）显示，AUV的加入没有产生明显的影响，因为当更多节点参与网络时，交付比率差异很低。然而，随着节点的减少，这种影响变得明显，证明网络在没有AUV的情况下面临问题。总的来说，这表明集群机制有助于提高传输数据包的性能，特别是当稀疏节点留在网络中时。此外，图8（c）证明了这一主张，其中MD2F与其他技术进行了比较，包括E2LR和MLCEE。根据图 8（c），虽然这些技术之间的差异-见图8。MD2F在不同网络条件下的分组投递率。当网络节点数较密集时，这种效应不显著，随着节点数的减少，这种效应变得更加明显。当几乎25%或更高的节点不是网络的一部分时，这一点尤其重要。显然，稀疏网络的数据包交付差异增加了20%以上，这证明了所提出的方案的鲁棒性。在M. Ayaz，M. Ammad-Uddin，Z. Sharif等人沙特国王大学学报84在稀疏区域，E2LR表现最差，因为它没有任何聚类机制，并且它的工作不涉及任何AUV。4.2. 能耗能量消耗是无线传感器网络中的一个重要参数。然而，由于任何再充电或电池更换选项的不可用，这对于水下环境甚至更为关键能耗结果显示了所有活动和任务的总和，包括数据包的发送和接收，以及睡眠或空闲状态期间消耗的功率。总的来说，能耗表明了所提出的方案的性能，并反映了整个网络的寿命，因为较低的能耗最终会导致更长的寿命。图9（a）中的结果突出显示，由于两个主要原因，MD2F更节能。首先，数据包没有从源端传输到接收端，因为数据包主要通过AUV传输。AUV试图遵循最大节点所在的路径，以在每次访问期间获得最大量的数据。此外，通过AUV的可靠数据传输导致更少的数据包失败或重传，再次帮助节省参与节点的能量期间相比之下，发现E2LR由于更高数量的分组失败和重传而导致更高的能量消耗。MLCEE在数据包转发过程中涉及AUV，由于减少了数据包重传，因此比H2-DAB产生更少的能耗。然而，该方案假设具有可用的位置信息，这在水下环境中不容易做到。MD2F的真正优势在于，它通过简单地计算AUV的最佳路径来实现可比的（如果不是更好的话）能源效率。总体而言，MD2F在所有情况下（无论是在密集网络还是稀疏网络中）都能实现均衡的能耗。在所有参与节点面临几乎相等的能量消耗的情况下，这种平衡的能量消耗提高了整个网络的寿命此外，我们比较了能量耗散的速率，如图9（b）所示，其中网络开始运行，直到它将数据包传递到AUV或任何接收器。期间在最初的600年代，所有的方案在开始寻址和集群机制时都具有更快的能量消耗。一旦该阶段完成，MD2F和MLCEE都降低了它们的能量消耗。然而，E2LR即使在该阶段之后仍保持高能耗流。此外，MD2F提供了有效的能量耗散，由于其更好的集群和理想的路径选择的AUV。因此，该方案消耗了大量的...图9.第九条。MD2F与E2LR和MLCEE的能耗比较图10个。使用MD2F与E2LR和MLCEE的平均网络生命周期M. Ayaz，M. Ammad-Uddin，Z. Sharif等人沙特国王大学学报85在相的剩余部分中，能量比开始时少得多，并保持稳定的4.3. 网络生命周期（NLT）平均网络生命周期是网络进程保持运行和网络所有元素完全正常工作的总时间 图图10（a）在NLT方面比较MD2F与其他方案，当300个节点是网络的一部分时。结果表明，在网络的运行寿命内，所有三种方案都遵循各自定义的程序。在MD2F中，没有维护复杂的路由表，节点只需要处理与其邻居相关的信息。此外，我们创建了一个机制，以避免重复的数据包发送的源节点，这有助于延长参与节点的生命，最终导致增加网络寿命。因此，当使用MD2F时，所实现的网络寿命高于其他两种方案，因为它们在检测和恢复空隙区域期间消耗额外的能量。结果表明，E2LR的寿命保持在1400s左右，MLCEE在1800 s左右，MD2F的寿命接近2000 s。由于快速的数据包丢失、重传和冗余数据，E2LR的使用寿命较短。其余两种技术在能量消耗方面都是有效的，并且具有比E2LR更长的寿命MD2F的重点是仔细选择AUV路径，并试图以最小的距离到达最大数量的节点，这最终有助于降低其能量消耗，因此它具有比MLCEE更好的网络寿命。此外，图10（b）呈现了网络稳定性的比较。如图所示，E2LR的稳定性最低，因为第一个节点在网络开始运行后40秒就死亡了。然而，其他两项计划的结果都令人鼓舞。4.4. 端到端时延基于延迟结果，很容易确定算法是否适合于特定应用以及它如何优于其他算法。图11比较了端到端延迟，其中在AUV处接收的分组被认为是针对MLCEE和MD2F两者递送的。在这方面，有两个因素起着重要作用。一种是分簇，另一种是将网络划分为两层。在顶层，节点不需要等待，并保持for-warding数据包向汇没有等待，导致减少延迟。此外，集群起着至关重要的作用，因为只有相邻节点参与数据包传递过程。因此，收集的数据可以迅速传递到AUV，即使网络中的节点数量较少。 另一方面，当节点开始减少时，E2LR开始面临问题，因为它纯粹依赖于数据转发期间的逐跳机制。同样，MLCEE比E2LR表现更好，但MD2F由于其反应时间短和决策机制快而仍然更优越。4.5. 网络吞吐量（NT）图12示出了MD2F和比较方案的网络吞吐量。由于其混合性质，所提出的技术以最小的