没有合适的资源?快使用搜索试试~ 我知道了~
制作和主办:Elsevier沙特国王大学学报水下无线传感器网络中的数据融合:最新方法和问题放大图片作者:Nitin Goyala,Mayank Davea,Anil K.维尔马ba部。印度哈里亚纳邦Kurukshetra国家理工学院计算机工程系b部印度旁遮普省帕蒂亚拉塔帕尔大学计算机科学与工程系阿提奇莱因福奥文章历史记录:2017年2月13日收到2017年4月29日接受2017年5月2日在线发布关键词:综述调查未来的挑战数据聚合A B S T R A C T水下无线传感器网络(Underwater Wireless Sensor Network,UWSN)技术在各种水下监测和勘探应用中得到了广泛的应用,并已证明了其优越性。多年来,各种各样的UWSN原型被设计出来,或者现有的协议被改进,以进行有效的和定性的研究分析。数据聚合是广泛使用的方案之一,随着UWSN协议,以达到更好的效果。因此,首先需要定期审查数据汇总情况。在此,我们提出了一份文件的基础上调查的UWSN数据聚合,突出其优点和局限性。本文的目标是建立对未来挑战的研究联谊会的兴趣,现有的数据聚合技术分为基于聚类的、非基于聚类的和其他方法。分析了现有技术此外,K-means,分布式水下聚类方案和基于Round的聚类方法的性能进行了比较,在延迟,丢包和能耗,有和没有聚合。并对面向接收机的休眠调度、簇内和簇间通信以及能量有效的分布式时间同步技术的性能进行了比较。©2017作者。制作和主办:Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。内容1.导言. 2762.UWSN 276中数据聚合的现有研究3.分类和技术水平2773.1.基于集群的技术2773.1.1.基于相似性的函数3.1.2.基于动态或移动性的技术2783.1.3.基于距离的技术2783.2.非集群技术2793.2.1.基于移动汇的技术2793.2.2.基于中继的技术2793.3.其他技术2793.3.1.最小延迟聚合调度(MLAS)2793.3.2.非侵入式水下扩散(UWD)279*通讯作者。电子邮件地址:gmail.com(N. Goyal),mdave@nitkkr.ac.in(M.Dave),akverma@thapar.edu(A.K. Verma)。沙特国王大学负责同行审查http://dx.doi.org/10.1016/j.jksuci.2017.04.0071319-1578/©2017作者。制作和主办:Elsevier B.V.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/)。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.com276N. Goyal等/Journal of King Saud University3.3.3.面向接收器的睡眠调度(ROSS)2793.3.4.高能效的压缩数据聚合2793.3.5.分布式数据聚合的放松2804.模拟分析2804.1.业绩指标2804.2.情景一2804.2.1.模拟参数2814.2.2.模拟结果2814.2.3.基于群集的路由协议与数据聚合的组合比较4.3.设想二2834.3.1.模拟参数2834.3.2.模拟结果2834.3.3.各种数据聚合路由协议的比较2835.对比表2856.未解决的问题和未来的挑战2857.结论285参考文献2861. 介绍陆地传感器网络已经在许多方面进行了大量的研究,而水下无线传感器网络(UWSNs)作为一个新的研究领域正吸引着研究人员。UWSN在声学信号的通信方法、昂贵传感器的成本、更大的存储空间以节省最大数据、用于通信的最大功率以及传感器的密集部署方面不 同 于 通 常 使 用 的 陆 基 传 感 器 网 络 ( Gholami 等 人 ,2015;Jadidoleslamy等人,2016; Rezvani等人,2015; Rahman等人 , 2016; Das 和 Thampi , 2017; Goyal 和 Kumar , 2014 ) 。UWSN由通过声学信道通信的固定以及可移动节点组成(Goyal等人,2016; Han等人,2016年)。UWSN用于具有水下环境的许多应用中,如污染监测(特别是化学废物)、水下植物群、动物群的监测、稀有海洋生物的健康检查、水雷侦察、灾害预防、辅助导航、营养物生产、漏油检测、分布式战术监视、海洋学数据收集、目标检测、跟踪和水下军事应用(Izadi等人,2015; Jia和Meng,2016; Karimi等人,2015年)。研究人员在UWSN中工作时必须面临许多挑战,如窄带宽,阴影区,长传播延迟,恶劣的地理大气层,衰减,相对较小的网络规模,高误码率,有限的能量和暂时的连接损失(Vennila和Madhura,2016; Coutinho等人, 2015年)。在UWSN中,传感器节点被部署在网络中,信息或数据,并将其发送到接收器。在不同的水生介质,如河流,湖泊,池塘等,UWSN协议被用于监测的目的。然而,这些协议可能无法在海洋等情况下提供有效信息,因为这些区域面积较大,并且需要许多因素,如受影响的区域,水位,压力等,实时分析。为了克服这种情况,数据聚合技术被用作与路由协议一起的补充技术,其中在节点处收集并聚合较大的信息,然后将其传输到宿。积极有效的结果表明,在网络中使用数据聚合减少了数据冗余,节省了能耗,同时数据传输延迟最小(Curiac,2016; Xu等人, 2015年)。在最近发生的一些灾害,如越南,西班牙的洪水,尼泊尔的地震,印度泰米尔纳德邦的Verdah旋风和许多其他显示需要或存在正确的灾难管理。为了有效地进行灾害管理,任何响应者都必须掌握有关受灾地区的完整信息。在由于地震、火山爆发、海啸或其他地震活动而发生灾害的情况下,受影响的区域如此之大,以至于以容易获得的方式收集和存储信息数据变得很麻烦(Senel等人,2015; Goyal等人,2017年)。已经设计了各种数据收集技术来收集信息以供以后使用。然而,由于存储容量或电力供应不足,所收集的信息可能无法及时使用。因此,采用数据聚合的过程,其抑制所收集的信息的大小,使得其在存储时使用更少的空间。数据聚合还减少了数据包的数量,从而降低了网络中的丢包率。在分层网络中,必须在指定节点处进行数据聚合,以减少向宿发送的数据分组的数量并提高能量效率(Zenia等人, 2016年)。水下网络通常由各种独立的传感器节点组成,这些传感器节点聚集数据并采用前向操作将聚集的数据发送到指定为汇聚节点的节点组织这种网络背后的最大挑战是任何单个传感器的操作能量、成本、存储器、通信范围和有限的寿命由于无线传感器网络中的能量损失,传感器节点停止传输数据,并随着时间的推移进一步增加因此,在相同的声学介质中,工作节点的覆盖区域减小。对于研究人员来说,在不降低性能的情况下延长网络的寿命仍然很重要研究人员已经提出了数据聚合技术来设计用于UWSN的能量高效算法,其中聚合器节点积累来自相邻节点的识别数据,处理并将其发送到sink(Liu等人,2015年)。进一步的研究者提出了在UWSN数据聚合过程中以最小的数据冗余来保持数据的准确性2. UWSN中数据融合的研究现状在UWSN中,数据集成、数据采集、数据聚合、数据分发、数据融合等辅助技术被提出,虽然每种辅助技术都有其自身的价值,但数据聚合过程占据着最重要的地位,是时代的必然定期审查数据汇总技术。研 究 人 员 ( Ayaz 等 人 , 2011; Goyal 等 人 , 2014; Shen 和 Bai ,2016;Kafetzoglou等人,2008年; Kumar和Singh,2014年)提出了一篇综述文章,以确定数据转发、节点N. Goyal等/Journal of King Saud University277Fig. 1. UWSN数据聚合技术的分类。部署和节点定位的UWSNs在可变条件下,根据其特性和功能进一步分离Oh和Tran(2013)通过评估和比较确定了四种适用于UWSN数据聚 合 的 相 似 性 函 数 。 实 验 结 果 表 明 , 基 于 UWSN 特 有 的 特 征 ,Euclidean距离或余弦距离在UWSN中更有效,而Hamming距离和Jaccard距离则适用于处理完全相同的捕获数据的应用。但除了Kumar和Singh(2014),其他的研究几乎都没有直接关注数据聚合。在Kumar和Singh(2014)中,讨论了UWSN和WSN的现有聚合技术。此外,它不进行基于任何分类的调查。然而,我们的手稿分类UWSN中的数据聚合的工作分为不同的类别,并专门专注于UWSN只。数据转发、部署、定位和数据收集等技术用于数据从节点到sink的传输。为了从这些方案中取得更好的结果,探索了一种数据汇总方法,作为补充。它通过减少数据冗余并同时提高网络的准确性和寿命,以节能的方式积累数据。1. 在UWSN数据聚合下发明的技术被分类为基于集群和基于非集群的技术,这些技术在早期的调查论文中没有做。除了这两个,还有一些其他的技术,间接应用聚合的扩散和调度的方式被归类为2. 各种UWSN技术,有和没有聚合的QoS参数的基础上,即。延迟、丢包和能耗消费w.r.t.时间比较。并提出了性能较好的协议3. 所有三种数据聚合类别(基于集群、基于非集群和其他技术)的性能评估基于延迟、递送率和能耗w.r.t.改变分组大小。4. 基于聚合方法的基于聚类、基于非聚类和其他技术的分类如下图1所示。3. 分类和技术水平本节概述了UWSN数据聚合技术,如上述分类所示3.1. 基于集群的技术基于集群的概念将网络划分为称为集群的节点集,并声明了将所有集群相互连接的方法基于集群的安排创建了一个简洁而稳定的网络。此外,它是一个具有挑战性的现象,以减少网络3.1.1. 基于相似函数顾名思义,基于相似性的聚类涉及具有相似功能的对象的配对或组在某种程度上,这最小化了数据冗余,然而,在何种条件下所选择的相似性函数产生所需形式的聚类仍然是未知的稍后,已经看到,基于相似性函数的聚类可能增加集群中的数据延迟以下是基于此功能的方案。278N. Goyal等/Journal of King Saud University3.1.1.1. Round Based Clustering(RBC)Tran等人(2014)设计了一种称为基于轮的聚类(RBC)的技术。该算法分轮执行,分为初始化、簇头选择、分簇和数据聚合四个阶段。在初始化阶段,传感器节点和汇聚节点被部署在网络中。在这里,汇聚节点通过设置其时间来发起一轮。在第二阶段中,发生选择的簇头。在该阶段期间,收集关于剩余能量、位置和到BS/汇聚节点的距离的信息。在分簇阶段,为每个簇头及其成员形成簇。然后,在最后一个阶段,数据被聚集并通过簇头发送到汇聚节点。在重新分簇阶段,重建的集群和重新选举的簇头,每当发生任何变化,在网络条件,由于能源消耗,网络运动等,这个过程中重新分簇延长了网络的生命周期。该技术节省了能量消耗,从而提高了网络的吞吐量。3.1.1.2. 有效的数据聚合方法(EDAA)。这里,在特定时间,聚合器节点累积被分组为向量的测量数据。此外,相同的聚合器节点开始识别其中出现高于阈值的通知值的相似性的分组数据对。如果被比较的数据被认为是彼此相似的,则聚合器没有必要将所有数据集传输到汇聚节点。比较常见的相似度函数有欧氏距离、编辑距离、余弦相似度、Jaccard相似度等。这种相似性函数的应用节省了能量消耗并减小了数据包大小。Tran等人(2014)已经证明了相似性函数的有效性,通过降低数据包的大小也减少了基于集群的UWSNs中的数据重复。3.1.1.3. 基于K-Means和ANOVA。Harb等人(2015)提出了一种基于相似节点读取函数的聚类技术。他们假设数据以读数的形式从节点发送到簇头该计划包括两个层次的数据汇总。.首先,为减少数据重复,在将数据集发送到CH之前,对每个节点的读取数据进行定期清理。数据传输后,采用基于单向方差分析模型的K-means算法通知产生相似数据集的节点,从而将相似数据集聚合并传输到sink。Saranya和Arthi(2016)提出了一种新的聚类方法,用于处理定期发送到簇头的节点读取之间的相似性。提出了一种两层数据聚合技术,第一层节点消除数据冗余,第二层节点识别产生相同数据集的节点,并在发送到sink之前将其通常,读数被周期性地从传感器节点发送到其适当的CH。他们还使用分布式节能分簇算法,以实现簇头和基站之间的高效通信。3.1.1.4. 良好匹配相似函数(WSSF)。Tran等人(2013)提出了一种基于集群的UWSN方法。该算法以相似度函数欧氏距离和余弦距离为基础,通过减小数据包的大小和减少网络中数据的重复性来体现相似度函数的重要性。首先确定相似性函数,然后与数据聚合方法一起应用,以提高网络寿命。3.1.2. 基于动态或移动性的技术在水下无线传感器网络中,由于节点随水流移动,因此需要一个底层的路由协议来支持节点的移动。现有的无线传感器网络路由协议假设节点是随机的迁移率因此,聚类技术被设计成节点随着时间改变它们的位置以下是基于此功能的计划3.1.2.1. 分布式水下分簇方案。Domingo 等人(2007 )提出了DUCS(Distributed Underwater Clustering Scheme,分布式水下集群方案),其中假设节点的随机移动性,并且不断地调整定时以减少数据丢失。它使用无GPS路由协议,不使用任何泛洪技术。它最大限度地减少了主动路由消息交换。进一步的数据汇总用于减少数据重复。该方案还减少了高传播延迟的水生介质,随着更好的通信,使用不断调整的定时提前与保护时间值相结合。3.1.2.2. 临时集群路由(TCBR)。Ayaz等人(2010)已经提出了一种适合于除了固定和移动网络之外的甚至混合网络的协议。该算法在发送数据时优先选择最短路径,并在端到端路由过程中使用较少的节点此外,它不需要任何传感器节点的位置信息以这种方式,每个节点消耗相同量的能量,从而节省能量。3.1.3. 距离技术无线传输定律定义了功率衰减与覆盖距离平方之间的比例关系。考虑到UWSNs中上行/下行传输方向的独特性,分簇方法应该是方向敏感的。从其成员收集数据后,集群应将聚合的消息转发到最近的UW-Sink。因此,基于距离的方法主要考虑到到汇的最短或最近距离。3.1.3.1. 自 愈 集 群 ( Self-healing clustering , SHC ) Huang 等 人(2011a,b)已经开发了一种基于集群的算法,该算法涉及节能路由和数据聚合,特别是根据应用。它在系统寿命和应用程序感知质量方面表现出更好的性能该算法将传感器节点组织成方向敏感的簇,其中一个节点被视为CH,以满足UWSN介质传输方向的独特此外,在网络中可能会发生重新聚类,其中使用自愈技术,这阻碍了过度重新聚类的增长,并增加了集群UWSNs的鲁棒性。3.1.3.2. 最小平均路由路径聚类问题(MARPCP)。Kim等人(2010)提出了一种基于簇的方案来选择簇头,使得存在从节点到其最近的sink的最小跳距。此外,最小加权支配集问题(MWDSP)-修订的设计,以克服高复杂性的MARPCP。他们提出了一种快速的常因子近似算法,并证明了现有的近似算法可以用于MWDSP找到MARPCP的近似解。3.1.3.3. 基于集群的数据聚合(CDA)。Manjula和Manvi(2012)提出了一种基于簇的UWSN技术,涉及簇的形成和CH的选举。进一步的数据被传输到汇聚节点,应用和不应用数据聚合技术(平均技术)。3.1.3.4. 集群内和集群间通信(IICC)。Goyal等(2016)提出了一种基于聚类的方案,该方案描述了CH的最佳选择和基于模糊逻辑的聚类大小估计。N. Goyal等/Journal of King Saud University279本文采用MARPCP算法进行簇内通信,采用HMR-LEACH算法进行簇间通信。实验结果表明,在数据包的交付率,能源消耗,并在数据传输延迟的改善。3.1.3.5. 改进了基于集群的UWSN(IDACB)的数据聚合。Goyal等人(2017)提出了一种技术,可以在基于集群的UWSN中进行数据聚合时减少集群节点的延迟和丢包。在这项技术改进中,使用睡眠-唤醒算法完成。基于TDMA的传输调度用于避免簇内和簇间冲突。数据融合也被应用于减少拥塞。3.2. 非集群技术在基于非集群的数据聚合中,网络中的节点可以是静态的,也可以是动态的。这些节点将收集到的数据直接或间接地传输到sink。这种基于非聚类的分类解释如下:3.2.1. 基于移动接收器的技术为了提高数据传输的可靠性,在破坏性环境中,一个策略,收集数据的飞行是必不可少的。需要一个移动汇/数据收集器从水下传感器节点收集数据不同的自主水下航行器(AUV),船舶和船只在水环境中是非静止的,可以部署用于数据收集,以增强连接性和覆盖区域,从而成为一个很好的数据收集来源。3.2.1.1. 路径可靠性感知数据传输(PRADD)。 Nowsheen等人(2016)提出了一种提高延迟容忍水下介质可靠性的方案。在这里,具有较高的传输可靠性的节点被选为下一跳转发器,以提高网络中的数据传输。还期望相同的节点具有到网关的良好可达性和更好的覆盖概率。移动信息渡轮用于从网关收集紧急数据。还提出了一种网关选举技术,以最大限度地提高其生命周期。PRADD算法只需要在初始粗定位阶段进行主动定位,就可以检测出传感器节点的大致位置。锚定节点的移动被用来估计其覆盖概率。此外,数据转发解决方案还用于网络中,以改进数据传输,同时减少开销。3.2.1.2. 可扩展和高效的数据收集(SEDG)。Ilyas等人(2015)提出了一种可扩展的数据收集协议SEDG,该协议通过最优地为成员节点分配网关节点来提高数据传输率并节省能量。此外,可变的时间跨度的AUV使用,降低了丢包率,并表现出更好的网络吞吐量。3.2.1.3. 能量有效的分布式时间同步(E2S). Li等人(2013)提出了一种确定时钟偏斜和偏移的算法。这些都需要达到高水平的时间同步精度与更少的能源消耗。但该方案的同步误差大于平均值。3.2.2. 基于中继的技术在基于中继器或转发器的数据聚合技术中,数据分组通过在此被称为水面处的中继传感器的传感器转发。在汇聚节点处以来自传感器的声学信号的形式接收的数据。在路由过程中,路由中的下一个中继节点是基于能量和距离等各种因素选择的。3.2.2.1. 高能效路由协议(PERP)。 Huang等人(2011a,b)开发了一种解决水下网络问题的协议。这里使用转发节点选择器的思想,其确定合适的传感器以进一步转发数据分组。采用转发树修剪方法避免转发数据包的过度扩散。3.2.2.2. 扩展RMTG(ERMTG)。Dhurandher等人(2013年)设计了一种用于节能UWSN的geo-cast技术。这是对RMTG协议的扩展。ERMTG算法考虑节点的当前能量状态来识别下一个中继节点。节点的传输能量取决于其自身与其想要传输到的下一跳节点之间的距离。通过优先选择较短的路径,该算法减少了能量消耗,从而提高了节点的寿命。3.3. 其他技术3.3.1. 最小延迟聚合调度(MLAS)Wu等人(2011)提出了一种现实的聚合调度方案,以及基于网络的跳半径和最大度的理论延迟界限。他们的方案是基于虚拟时隙的概念,以探索时域的复用机会。3.3.2. 非侵入式水下扩散(UWD)Lee et al.(2007)提出了一种它不依赖于GPS或耗电电机来控制电流。它是通过非侵入式水下扩散(UWD),这是一个多跳自组织路由协议的网络内处理。它没有主动路由消息交换,并且具有不可预测的按需泛洪量。因此,该协议避免了过多的数据包传输,从而减少了网络中的水下冲突。3.3.3. 面向接收机的睡眠调度(ROSS)Hong等人(2013)通过使用具有睡眠调度的TDMA时隙提出了面向接收器的策略。该计划检测和纠正两种类型的冲突,即家庭内冲突和家庭间冲突。该方案采用树形结构,避免了碰撞.3.3.4. 高能效的压缩数据聚合HongzhiLin et al. ( 2015 ) 开 发 了 一 个 三 维 水 声 传 感 器 网 络(UASNs)框架。它的目标是最小化节点感知的数据传输过程中的总能量消耗。它由两层组成,下层和上层。较低层是压缩采样层,其中节点被划分为簇。上层是数据表1模拟参数。参数值网络规模75个节点模拟时间10、20、30、40和50秒分组大小250字节增量值0.5业务速率50 Kbps信道容量2 Mbps范围100米初始能量1000 J传输功率2.0 W接收电力0.75瓦280N. Goyal等/Journal of King Saud University聚合层,其中采用全采样。同时还引入了确定聚类数和节点参与数据采样概率的方法。3.3.5. 分布式数据聚合Rabbat和Coates(2014)的目标不是让每个节点孤立地运行,而是开发一种方案,在该方案下,传感器共享有关其本地测量的信息,以便整个系统的跟踪性能应该优于任何单个传感器。在这里,通信起着跨网络中的所有节点同步状态估计的作用,使得在理想情况下,所有节点具有将由直接访问所有测量的单个跟踪算法计算的相同估计。他们使用流言算法在网络中传播信息,并驱动每个节点的状态估计。4. 仿真分析在本文中,模拟结果进行分析的各种技术的性能,使用AquaSim包的NS-2模拟器ns-Esclone-2.30。该包采用UnderwaterMAC作为MAC层协议,UnderwaterPropagation作为传播类型,UnderwaterChannel用于水下穿越,以识别链路中断并通知网络层。这里,恒定比特率(CBR)被用作具有50Kbps的业务速率和全向天线类型的模拟业务这些特性使UWSN仿真区别于WSN。4.1. 性能度量我们根据以下参数评估所提出的协议的性能平均数据包传输率:它是成功接收的数据包数量与传输的数据包总数它反映了网络的效率和可靠性。平均延迟:它是数据包从源移动到目的地所花费的平均时间。它涉及检测和恢复延迟。它是以秒为单位测量的。能量消耗:节点在数据传输过程中所获取的能量。它被表示为在仿真期间网络中所有节点数据包丢弃:数据传输过程中丢弃的数据包数量。为了更好地理解,我们将模拟分为两个场景,如下所示。图二. K-means聚类的平均数据传输延迟与时间。图三. K-means聚类的平均丢弃数据包与时间的关系。见图4。 K-means聚类的平均能耗与时间。图五. 基于轮的集群的平均数据交付延迟与时间。4.2. 脚本I在UWSN中,每个节点都必须直接或间接地向sink发送数据。在某些情况下,节点将其自己的数据发送到接收器,而在其他情况下,数据聚合技术是N. Goyal等/Journal of King Saud University281×见图6。 基于轮的聚类的平均丢弃数据包与时间。见图9。 分布式水下集群的平均丢包率与时间的关系。见图7。 基于轮的聚类的平均能耗与时间。应用该方法,因此在特定节点处收集所发送的数据,然后将其发送到信宿。为了分析数据聚集的应用及其效果,我们比较了三种基于簇的技术在有无数据聚集的情况下的仿真结果。考虑用于评估的三种技术是基于轮的聚类(Tran等人,2014)、K-means聚类(Harb等人, 2015年),水下分布聚类方案(Domingo等人, 2007年)。在这种情况下,每帧度量被视为平均延迟、平均丢包和平均能耗。4.2.1. 模拟参数在结果评价模拟中,时间变化取为10、20、30、40和50 s。由于内存使用和代码的运行时间,它被限制在50秒。但如果我们选择更大的时间间隔,结果不会有太大的偏差。这里考虑的实验面积为500 - 500m2.表1总结了该场景的其他模拟参数。4.2.2. 仿真结果在本节中以图形方式显示了具有和不具有聚合的基于集群的技术的模拟结果。在A小节中,我们基于延迟、丢包和能耗w.r.t.等参数分析了具有和不具有聚合的K-means聚类技术的性能。时间此外,在子部分B和C中,为了分析,我们考虑了在有和没有聚合的情况下的基于轮的聚类和分布式水下聚类方案。 分析基于与上述相同的参数,其图示如下。A. K-means聚类图2显示了在有和没有聚合的情况下,K均值聚类技术中发生的平均延迟。它是从见图8。 分布式水下集群的平均数据传输延迟与时间的关系。图10个。分布式水下集群的平均能耗与时间282N. Goyal等/Journal of King Saud University图十一岁K-means、RBC和DUCS的延迟比较增加时间。图12个。K-means、RBC和DUCS w.r.t.的丢包比较增加时间。结果表明,K-means聚类技术在UWSN中应用时,与应用聚合技术相比,在没有聚合的情况下,数据包之间存在更多的冲突。因此,在特定的时间间隔,与没有聚合的技术相比,在聚合的情况下发生的延迟减少了27%。图3表示相对于图1所示的网络的平均丢包率。使用和不使用聚合的K-means聚类技术的时间(以秒为单位)。与没有聚合相比,聚合后的数据包丢弃减少了41%。这是由于聚合技术在应用时导致较少数量的冲突。然而,聚合的缺乏意味着网络中更多的冲突和缓冲区溢出。图4示出了具有和不具有聚合的K均值聚类技术消耗的平均能量。数据聚合的技术消耗较少的能量,因此具有聚合的K均值聚类技术在没有数据聚合的情况下消耗的能量减少了28%。相同的原因是在发送数据而不聚合时发生了巨大的冗余。B. 基于轮的聚类上面在图5中表示的曲线图示出了对于基于轮的聚类技术,在存在数据聚合的情况下延迟少31%,因为它涉及网络中的数据分组之间的较少冲突。以上图6中的图形表示重申聚合的存在导致无冲突网络和较少的丢包w.r.t.时间图中的数字意味着在具有聚合的基于轮的聚类技术的场景中的分组丢弃的平均数量比没有聚合的场景少42%。还可以看出,在没有聚合的情况下,网络中图7推断,与没有数据聚合的技术相比,具有聚合的基于轮的聚类技术的平均能量消耗少20%。在没有聚合的情况下,数据传输过程中会出现巨大的冗余,消耗更多的能量。C. 分布式水下聚类方案的结果图8中的上述图表显示,在存在数据N. Goyal等/Journal of King Saud University283×图13岁K-means、RBC和DUCS w.r.t.的能耗比较增加时间。表2模拟参数。参数值网络规模50个节点面积1000 m× 1000 m流量速率50 Kbps通道容量2 Mbps距离100米数据包大小50、100、150、200和250字节初始能量1000 J传输功率2.0 W接收功率0.75 W聚合,因为它涉及网络中的数据分组之间的较少冲突。以上图9中的图形表示重申了聚合的存在导致无冲突网络和较少的丢包w.r.t.时间图中的数字意味着在具有聚合的DUCS集群技术的场景中的分组丢弃的平均数量比没有聚合的场景少73%。此外,已经看到,在没有聚合图10推断,与传统的聚合技术相比,具有聚合的DUCS聚类技术的平均能耗少38没有数据聚合的技术。在不进行聚合的情况下,数据传输过程中会产生大量的冗余,从而消耗更多的能量.4.2.3. 基于簇的路由协议与数据汇聚当我们在各种协议上应用数据聚合时,性能得到了改善。下图是各种协议与数据聚合的比较性能metrics延迟,丢包和能量消耗进行了比较,不同的模拟时间从10到50秒。上面在图11中表示的图表示出了用于K均值、基于轮的和分布式水下聚类技术的聚合延迟。分布式方案(DUCS)的延迟比K-means方法少25%,比基于Round的聚类方法(RBC)少48%。通过应用数据聚合来增加时间。图12中的图形表示示出了针对K均值、基于轮的和分布式水下聚类技术的分组丢弃。该图暗示了在数据聚合之后,DUCS的平均丢包数比K少56%平均值,比RBC方法低13%(相对于r.t.)。增加时间。图13中的图形表示示出了K均值、基于轮的和分布式水下聚类技术的平均能耗。该图表明,使用数据聚合,DUCS的平均能耗比K均值方法低15%,比RBC方法低16%。增加时间。从上图可以得出结论,DUCS在延迟、丢包率以及聚集期间的能量消耗。4.3. 情景二在这个场景中,分析数据聚合的应用,我们比较了三种类型(基于集群,非集群,和其他技术)与聚合的模拟结果。考虑用于评估的三种技术是面向接收器的睡眠调度(ROSS)(Hong等人,2013)、集群内和集群间通信(IICC)(Goyal等人,2016)和节能分布式时间同步(E2同步)(Li等人,2013年)。在这种情况下,性能指标延迟,deliv- ery比和能耗是通过改变数据包大小从100到250字节来测量的。4.3.1. 模拟参数在结果评价的模拟中,所取的面积大小为1000 - 1000m2,模拟时间为50 s。然而,如果选择更大的时间间隔,则结果中不会有太大的偏差。模拟的其他参数汇总于表2中。表34.3.2. 仿真结果在下面的本节中以图形方式呈现了三种类别(基于集群、基于非集群和其他技术)的聚合模拟结果。在这里,我们已经分析了性能的ROSS,IICC,和E2的技术的基础上的参数,延迟,交付率,和能源消耗w.r.t.改变分组大小。4.3.3. 各种数据汇聚路由协议的比较上面在图14中表示的曲线图示出了IICC、ROSS和E2REQ技术的聚合延迟。IICC方法的延迟比ROSS方法少66%,比E2迭代方法w.r.t. 通过应用数据聚合来增加分组大小284N. Goyal等/Journal of King Saud University表3各种数据聚合技术的比较。S. 没有作者Pub.年类型该方法度量优势缺点1.Khoa2014相似性基于圆形的聚类,压缩空气,能源高产量和低缺乏实现最佳2.胡志明Tran等人,Khoa2013基于相似性减少冗余数据传输基于相似函数数据接收率数据丢失率、数据发送率和能耗最大限度地减少数据冗余节点移动性能的组合Thi-MinhTran et al.基于数据聚合数据删除率和丢包相似性函数和水下协议,没有解释3.4.Hassan Harb等人曼朱拉河B.20152012基于相似度相似性基于改进的K-means和ANOVA聚类数据聚合数据发送率和能耗能耗减少数据冗余能耗少能耗较高所提出的方法确实5.等人Mari2007基于移动性UWSN技术无GPS集群路由开销,数据包并延长网络寿命更好的交付率,不解释资源利用率。卡门基于路由协议投递率最小化主动性6.多明戈鲁伊·普莱尔·穆罕默德2010移动性基于临时群集数据包传输率,端到端路由交换,数据丢失,开销降低能耗节点移动性问题,7.Ayaz等人陈荣2011基于距离路由协议转发节点选择器结束延迟和功耗能耗,数据包成效卓著广泛的通信覆盖能耗Huang等人基于树木修剪机制丢弃、延迟数据包传送比接收数据的条件基站和数量率高8.Donghyun2010距离最小平均Delay,delay活动节点良好的性能比9.Kim等人努斯拉特2015基于移动路由路径聚类路径可靠性感知分组投递率,路由低开销,没有解释10.Nowsheen等人Naveed2015基于Sink移动数据传输协议可扩展且高效的数据开销和能耗,位置估计误差能源消耗,能耗最大化网络寿命动态数据传送AUV采集11.Ilyasa等人桑杰·K2013基于Sink中继收集协议Geocast技术,网络吞吐量、分组投递率、延迟和网络生存时间数据包传输率,路径时间,数据包交付率良好的交付比和更少的或有效地收集数据仍然是一个问题12.sssDhurandher等人吴作栋2011基于其他ERMTG算法最小延迟能量,网络能量,延迟聚合延迟能耗减少的等待时间13.等人李义真2007技术的基础其他聚合调度保守延迟、交付率和最小化数据包等人技术的基础使用非侵入式水下扩散的通信发送的分组碰撞图十四岁IICC、ROSS、E2的平均端到端延迟比较增加包大小。N. Goyal等/Journal of King Saud University285图十五岁IICC、ROSS、E2报文平均投递率比较.增加包大小。图十六岁IICC、ROSS、E2平均能耗比较增加包大小。上面在图15中所表示的曲线图示出了IICC、ROSS和E2MBMS技术的平均分组递送率IICC方案的数据传输率比ROSS方案高85%,比E2类方法高35%通过应用数据聚合来增加分组大小。上面在图16中表示的曲线图示出了IICC、ROSS和E2EE技术消耗的平均能量。该图表明,使用数据聚合,IICC消耗的能量比ROSS少48%,比E2方法少33%。增加包大小。从上面的图表可以确定,基于集群的技术优于基于非集群的技术和使用数据聚合的其他技术。5. 对比表为了更好地理解,下表对本文中讨论的各种聚合技术进行6. 未决问题和未来挑战UWSN中数据聚合技术的未来挑战如下:(i) 集群协议应该是能量高效和可靠的。(ii) 参与数据汇总过程的簇头应诚实可信。(iii) 聚合应确保容错(即)它应该处理数据传递中涉及的所有类型的故障(iv) 通过选择合适的调度技术,聚合应该没有冲突或(v) 聚合应该没有拥塞和过载。(vi) 聚合技术应提供适当的丢失恢复技术,用于恢复突发丢失。(vii) 用于数据聚合的相似性函数应消除离群值或不一致的数据。(viii) 节点或簇头的移动性应该以有效的方式处理。(ix) 聚合技术应确保最小的延迟和开销。(x) 在构建聚合树或路径时,应应用有效的空隙恢复和深度调整过程7. 结论本文综述了过去研究人员发现的UWSN中的数据聚合技术。各种协议已经被设计用于UWSN中的监视、监控、辅助导航等目的。还进一步探讨了数据汇总的使用不仅会延长286N. Goyal等/Journal of King Saud University网络还节省了数据传输期间的能量消耗在研究的基础上,将数据聚合技术分为基于聚类的、非基于聚类的和其他技术三大类。基于聚类的技术进一步分为基于相似性函数、基于距离和基于移动性类似地,非基于集群的技术被进一步分类为基于移动数据收集器和基于中继在我们的论文中,一个技术与数据聚合的模拟结果进行了比较,相同的技术没有数据聚合的结果,显示数据聚合的影响为了这个目的,我们已经考虑了三个集群为基础的技术,即K均值,RBC和DUCS聚类,其结果是图形表示的延迟,丢包和能耗使用NS-2仿真工具。在具有数据聚合的协议的情况下,三个参数延迟、分组丢弃和能量消耗的减少主要是由于较少的冲突和冗余。我们还比较了IICC,E2路由器,和ROSS技术(集群为基础的,非集群为基础的,和其他技术)的基础上的参数是延迟,交付率,和能源消耗w.r.t.改变分组大小。对UWSN中现有的数据聚合技术进行了简要的比较,指出了UWSN中数据聚合技术未来面临的挑战这真正证明了使用数据聚合技术以及路由协议在UWSN作为一种有效的工具,并产生了需要调查的数据聚合,可能会产生进一步的兴趣对它的范围,并克服其局限性,以满足所确定的挑战。引用阿亚兹,M.,阿卜杜拉,A.,Jung,L.T.,2010.基于临时簇的水下无线传感器网络路由。IEEE Int. Symp. Inf.Technol.2,1009- 1014。阿亚兹,M.,拜格岛阿卜杜拉,A.,菲伊岛2011. 水下无线传感器网络路由技术综述。 J.网络Comput. Appl. 3 4 ,1908-1927.Coutinho,R.W.,Boukerche,A.,Vieira,L.F.,Loureiro,A. A.,2015.一种新的长时间水下传感器网络空节点恢复范例。 特设网络34,144-156。Curiac,D.I.,2016.面向无线传感器,执行器和机器人网络:概念
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- VMP技术解析:Handle块优化与壳模板初始化
- C++ Primer 第四版更新:现代编程风格与标准库
- 计算机系统基础实验:缓冲区溢出攻击(Lab3)
- 中国结算网上业务平台:证券登记操作详解与常见问题
- FPGA驱动的五子棋博弈系统:加速与创新娱乐体验
- 多旋翼飞行器定点位置控制器设计实验
- 基于流量预测与潮汐效应的动态载频优化策略
- SQL练习:查询分析与高级操作
- 海底数据中心散热优化:从MATLAB到动态模拟
- 移动应用作业:MyDiaryBook - Google Material Design 日记APP
- Linux提权技术详解:从内核漏洞到Sudo配置错误
- 93分钟快速入门 LaTeX:从入门到实践
- 5G测试新挑战与罗德与施瓦茨解决方案
- EAS系统性能优化与故障诊断指南
- Java并发编程:JUC核心概念解析与应用
- 数据结构实验报告:基于不同存储结构的线性表和树实现
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功