ð ×Þ制作和主办：Elsevier沙特国王大学学报基于棕榈树结构的水声传感器网络数据汇聚与路由：面向Agent的方法VaniKrishnaswamy，Sunilkumar S.Manvi**印度，班加罗尔，卡纳塔克邦，560064阿提奇莱因福奥文章历史记录：收到2019年2019年5月14日修订2019年6月14日接受在线预订2019年保留字：乌韦数据聚合多代理路由A B S T R A C T水下无线声传感器网络的主要约束是有限的带宽、节点能量和时延.数据聚合的过程将缓解UWEE的限制。在本文中，我们提出了一个计划，数据聚集和路由的UWCable使用静态和移动代理的棕榈树结构的基础上。棕榈树结构的主要组成部分包括小叶、刺、轴和叶柄。小叶和小叶（复叶）通过刺与叶柄相连。叶柄连接处与汇节相连。该方案的工作原理如下：首先，通过刺创建与叶柄相连的叶子和小叶。其次，主中心节点选择叶柄连接处使用移动代理的参数，如剩余能量，欧氏距离，叶柄角度和连通性。第三，本地中心节点被确定在传单的两侧，并使用移动代理连接到主中心。第四，在局部中心处的局部聚集过程通过考虑沿着小叶的节点而发生，并且进行到连接的最后，主聚合在叶柄的交界处，并提供聚合的数据到汇聚节点使用移动代理的过程中执行。为了评估该方案的有效性，在不同的UWESTs方案进行了模拟。性能分析的参数包括主、本地中心选择时间、聚合率、聚合能量、能量消耗、参与聚合过程的本地中心和主中心的数目以及网络的寿命。我们观察到，建议的计划比现有的聚合计划表现更好©2019作者（S）。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. 介绍水下无线声传感器网络（Underwater Wireless Acoustic SensorNetworks，UWASNs）以其独特的优势引起了研究者的广泛关注。超声波的众多应用，如监测环境，污染和栖息地，海洋数据收集，石油泄漏检测，预防灾害等，需要大量的传感器，这些传感器为了其更好的性能和更高的精度而联网（Heidemann等人，2012; Felemban等人，2015; Akyildiz等人，2005年）。然而，由于其独特的功能，水下环境，如低带宽，长传播，延迟、衰减、有限能量等，研究发现在威斯康星大学工作很困难（Krishnaswamy和Manvi，2015）。每个水下机器人由小型水下传感器节点、自主水下航行器（AUV）和网关节点组成，这些节点具有相互之间或通过无线信道与外部汇聚节点进行声学频率1： 5 103 m= s是水下环境中的通信方式。 正在进行彻底的研究以提高网络寿命，这取决于传感器节点能量、网络架构、聚合方案和路由（Heidemann等人， 2006年）。*通讯作者。主要通讯作者。电子邮件地址：vankrishnas@reva.edu（V. Krishnaswamy），ssmanvi@reva.edu.in（S.S. Manvi）。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2019.06.0071319-1578/©2019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/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com1276诉Krishnaswamy，S.S.Manvi/沙特国王大学学报超声波传感器中的超声波传感器节点是随机部署的，以收集来自不同水介质（如河流、湖泊等）的信息，并将其传输到汇节点。许多UWEENS协议用于监测这样的水生介质（Xu et al.，2015; Curiac，2016）。但这些协议并不适用于大型水生介质，如海洋和海洋。为了战胜这种情况，数据聚合技术与路由协议一起使用，以将聚合的数据传递到汇聚节点。数据聚合技术的主要目的是减少数据的冗余、能量消耗和延迟。我们采用了棕榈树结构的数据聚合和路由的过程中提出的计划。Sink节点建立棕榈树结构，利用聚合技术收集网络内部的数据，以增加网络的可扩展性。如图1所示，所提出的棕榈树结构用于在UW中进行数据聚合和路由，解释如下。树冠代表棕榈树的树冠。冠由刺和小叶组成，所有的刺通过叶柄连接到连接处。小叶通过叶轴（叶的刺）与叶子在这项工作中，我们定义了以下内容。(1)棕榈树的叶子覆盖了乌斯怀亚的所有节点（2）通过刺连接的叶柄的接合处(3)局部中心节点表示脊柱与脊柱的连接。由于软件代理的灵活性和可定制的服务，在聚合过程中采用静态代理是位于环境中的程序，用于在感测到本地因素时执行动作。移动代理是一个程序，它可以将一个节点移动到环境中的另一个节点，以根据某些事件的发生执行操作。一个代理代表一组静态和移动代理来执行特定的任务.该方案使用了静态和移动的代理所提出的方案中使用的两种软件代理如下。(1)在称为汇节点代理（SNA）的汇（基站）处，以及（2）在称为水下传感器节点代理（UWSNA）的每个UW传感器节点处在sink和每个UW传感器节点的软件代理包括一个知识库和许多代理。以下是该计划运作所涉及的步骤。(1)最初，在SNA处触发移动代理，其被称为叶柄/主聚合器选择代理（PASA），角度在0°到360°之间，具有UWEE中提供的给定参考。(2)棕榈树的树冠由PASAFig. 1. 棕榈树基于剩余能量、欧氏距离、叶柄角度和连通性，在其上使用主节点。(3)在棕榈树的树冠形成期间，PASA使用叶柄记录沿着树冠的360°的(4)在每个主中心节点上，UWSNA触发一个移动代理，称为传单/本地聚集器选择代理（LASA），它以传单的角度识别所有的本地中心节点。(5)在本地中心级，移动的聚集代理访问每个本地中心，收集和聚集数据。每个局部中心节点将聚集的数据沿叶柄传输到其主中心节点。(6)即使在主中心级别，移动的聚集代理也由最后一个主中心节点触发，跨叶柄访问每个主中心节点，收集和聚集数据。聚集的数据由每个主中心节点递送到汇聚节点。本文的贡献相比，现有的工作是在以下几个方面。使用棕榈树结构进行数据聚合。采用Agent技术，适合于提供自主、灵活、可定制的服务.本地和主中心节点的最佳选择移动代理穿越路径的设计。三级聚合，有效消除冗余数据。论文的其余部分按以下方式排列第二部分简要介绍了数据聚合和路由的相关工作。第3节讨论了我们提出的用于数据聚合的棕榈树结构。本节还简要介绍了本地和主中心聚合。第四部分介绍了性能评估，重点介绍了仿真参数和结果分析。最后，第5节总结了本文，并提出了一些未来的改进。2. 相关作品作者在Goyal et al. （2017）对水下无线传感器网络中的数据聚合进行了研究，讨论了各种数据聚合技术，强调了它们的优点和局限性。各种分簇方案的性能相关和测量相对于延迟，能量消耗和数据包丢失与聚合和不聚合。作者在Wang et al. （2016）讨论了基于分布式压缩感知的概念为基于集群的水声网络创建的节能数据聚合方案，以降低成本并增加网络的寿命。该方案可以有效地减少数据和计算感测值。然而，它几乎是复杂的，偶尔会产生通信开销，有时信宿需要很少的传输来识别故障。Bharamagoudra和Manvi（2017）的作者讨论了基于代理的安全路由方案，以提高服务质量他们致力于识别虫洞灵活的安全邻居，通过安全路径路由数据在该方案中，代理简化了安全路由服务的提供和调整。Manjula和Manvi（2012）以及Krishnaswamy和Manvi（2018）中给出的作品讨论了基于集群的数据聚合方案。该方案采用簇的形成、簇头的识别和数据传输到UWEBSINS的汇聚节点。该方案实现了能量的节省，延长了网络的生命周期，降低了带宽。●●●●●诉Krishnaswamy，S.S.Manvi/沙特国王大学学报1277Sutagundar和Manvi（2014）和Sutagundar和Manvi（2012）的作者提出了基于无线传感器节点上构建的鱼骨和车轮等不同结构的数据聚合和路由方案，以最大限度地减少能量消耗并最大限度地延长网络的生命周期。该方案利用静态和移动的代理来形成这些结构，并且在三个级别上执行数据聚合，从而提供通过各种路径的数据传输的可靠性。然而，在这样的算法中，计算的主要部分被保持在汇聚节点处，而不是在各个节点处执行。有时也缺乏可扩展性。Rahman等人（2018）的作者提出了一种完全机会主义的路由算法，以避免水平传输，空节点和减少延迟，以提高吞吐量和能源效率。该方案利用多重希望的思想来规避空洞。然而，复杂性和可靠性的概念没有讨论的计划。Akbar et al. （2016）已经在UW中推荐了一种节能的数据收集方案，其中，它具有移动汇聚节点和信使节点。这些节点在特定站点收集数据，以最大限度地减少网络的整体能耗。这种3-D线性方案在路由方面仍然是精确的，但是在任务预处理应用中对于实时实现来说太困难Javaid等人（2015）提出了一种高效可靠的AUV辅助路由协议，用于UWASN中使用最短路径算法进行数据传输此协议有助于限制与网关连接的节点数量，以避免过载。这有助于最小化能量消耗并延长网络的寿命。该方案具有传输时延小的优点。Harb等人（2017）的作者推荐了一种基于周期性传感器网络距离参数的数据聚合方案。该方法解释了两个阶段，其中最初的一个搜索每个节点的相似性的措施，后者使用基于距离的函数来识别节点之间的相似性。在他们的方法的主要目标是尽量减少冗余数据的传输从传感器和集群头（CH）在基于集群的网络。然而，该方案侧重于减少数据聚合的大小。Faheem等人（2016）的作者提出了用于水下环境的基于集群的路由协议，以避免在水槽附近出现的热点此外，CH提供的协调，使传感器节点休息延长的时间，并有助于节省更多的活力，在每个传感器节点。因此，集群通过减少通道的流量和冲突来提高组织的通用性和寿命Faheem等人（2018）提出了一种基于集群的路由协议，以提高UWASN中信息移动传感器节点的排序机制为小簇，簇间逐级关联，使节点具有分散的生命力和均匀的信息交换。提出的公约进步包裹运输比例，并减少正常的开始完成延迟和由大系统的生命力利用。Faheem et al. （2015）已经提出了用于集群形成、主动感测机制以及解决与集群间和集群内路由有关的问题的三种算法。正在进行的记录测试和估计已经证明，在几个集群中挑选传感器节点并在每个组中确定特定的传感器节点来执行CH任务，允许信息的总量，但另外基本上限制了集群内部和集群之间的信息传输。棕榈树结构可以适用于大型网络，因为棕榈树的小叶延伸到最后一个传感器节点，并覆盖整个网络的边界由于网络的鱼骨形和轮形拓扑已被成功地证明能覆盖网络中的所有节点，因此棕榈树结构是这两种拓扑的结合棕榈树的小叶几乎是鱼骨状结构，只有少量的变化，叶柄的连接处（小叶的基部）形成轮状结构。由于sink被放置在网络区域的任意中心，因此来自整个360°方向的所有数据都覆盖了UW中的所 有 节 点 以 这 种 方 式 ， 灵 活 的 棕 榈 树 结 构 可 以 被 设 计 用 于UWESTECH的所有3. 基于棕榈树结构的数据聚合本节重点介绍网络环境等主题，描述用于数据聚合过程的不同代理、主中心和本地中心的识别、聚合路由和方案。3.1. 网络环境水下无线传感器网络的数据收集，聚合和路由方案考虑包括许多异构UW传感器节点，网关节点和Sink节点。以下是关于地理上分布在给定区域中的UW传感器节点所它们本质上是静态的，具有相同的能量，并且能够重新计算传输功率。这些UW传感器节点周期性地感测数据并将其发送到汇聚节点。为了保证超声波传感器节点之间的通信畅通无阻，所有的超声波传感器节点都设置了处理器和收发器。网络中的每一个UW传感器节点都被设计成一个代理平台，管理代理之间的通信。在给定时间窗内，当传感器节点的感知值在一个假定的阈值上发生漂移时，一个主动的UW传感器节点参与聚合数据聚集框架如图2所示，其描绘了沿着用于聚集的棕榈树结构节点的小叶和叶柄的接合处的汇、局部和主中心的位置来自所有相邻UW传感器节点的数据由所有本地中心收集和聚合本地聚集代理（LAA）将各本地中心类似地，主中心3.2. 预赛本节解释数据汇总方案过程中使用的关键术语。棕榈树结构：它由小叶/叶子节点和具有许多中间节点的汇节点组成。每一个叶片有许多UW传感器节点连接的棕榈树的叶子的形式主中心节：位于叶柄连接处的中间节。通过主聚合连接的每个瓣叶的聚合数据。局部中心节点：它也是沿着小叶轴放置的中间节点。局部聚合过程沿着轴执行，以去除从相邻UW传感器节点收集的数据之外的冗余数据。●●●1278诉Krishnaswamy，S.S.Manvi/沙特国王大学学报表1符号。描述和符号UW传感器节点R的通信范围Neigbor node countNc主/本地中心选择的权重因子W f/W l叶柄连接处的绝对半径r叶柄数Np每个节点的初始能量Ei每个节点的剩余/已利用能量E Rt /Eu节点之间的欧氏距离l和mEdl;m主/局部中心阈值距离Dpth/Dlth主中心/叶柄和节点之间的角度ihpi连接到刺的小叶总数Latotal相邻节点的度数Dnth叶柄间距离Pd叶柄角hp叶柄之间的角度h叶柄冗余数据出现的概率冗余数据集Rda局部中心/瓣叶和节点之间的角度ihli聚合数据的概率PAg主中心/本地中心的数据聚合时间Maagtime/Laagtime从传单T叶聚集所需的时间聚合总时间至agtime图二. 网络环境相邻UW传感器节点的数量：在指定通信范围内可用的所有活动UW传感器节点形成相邻UW传感器节点的总计数。叶柄角度：主中心节点相对于从信宿到相邻UW传感器节点的参考方向所处的角度小叶角度：叶轴上的小叶与脊柱上的局部中心相对于中脉轴的角度3.3. 拟议机构本节介绍了一组静态、移动代理以及用于识别主中心和本地中心的代理。它包括两个机构，一个在汇节点称为汇节点机构（SNA）和其他在每个水下传感器节点称为水下传感器节点机构（UWSNA）。表1中给出了描述该方案时使用的一些符号。3.4. 汇节点代理位 于 汇 聚 节 点 的 汇 聚 节 点 代 理 由 水 下 汇 聚 监 测 代 理（UWSMA）、叶柄聚集器选择代理（PASA）和水下汇聚知识库（UWSKB）组成，用于代理间的通信。SNA的组成部分和它们之间的联系如图所示。3.第三章。水下汇监测代理（UWSMA）：监测和维护相邻的UW传感器节点的信息是由一个静态代理位于汇节点称为UWSMA。用户运行应用程序，该应用程序将触发数据收集中心的代理。UWSMA执行以下功能。从UW传感器节点的数据聚合的部分。(3)它根据距离选择主中心。(4)它保持阈值Dpth和Dlth。叶柄聚合器选择代理（PASA）：UWSMA基于权重因子触发移动代理（等式2）。（9））和称为PASA的相邻节点之间的欧几里德距离。在棕榈树结构的叶柄连接处的主中心的选择是通过PASA进行主中心通过PASA更新它将主中心固定在叶柄的连接处，并为所有遍历的主中心节点提供标识（id），直到棕榈树树冠中的最后一个主中心节点。水下水槽知识库（UWSKB）：UWSMA和PASA读取并更新连接到水槽的UW传感器节点周围的知识库，例如：节点的标识，剩余能量，相邻计数，信号强度，地理位置和索引，叶柄角度和小叶角度的阈值，先前聚合的数据，阈值数据和接收时间。3.5. 水下传感器节点局水 下 传 感 器 节 点 代 理 （ UWSNA ） 由 水 下 节 点 监 控 代 理（UWNMA）、传单聚合选择代理（LASA）、本地聚合代理（LAA）和主 聚合 代理 （MAA ）以 及用 于代 理间 通信的 水下 节点 知识 库（UWNKB）组成。UWSNA的组成部分及其连接如图所示。 四、水下节点监测代理（UWNMA）：可访问的监测信息，如与温度、深度、盐度、信号强度、剩余能量、传输范围等相关的数据，由驻留在UWNN的每个UW传感器节点中的静态代理执行，称为UWNMA。它还更新UWNKB中的聚合信息。聚合的过程定期更新UWNMA，通过比较以前感测到的数据与每个UW传感器节点的当前数据。如果两个数据之间的漂移值发生变化，则使UW传感器节点参与聚合过程。的状态(1)它计算的权重因子和欧氏距离的相邻UW传感器节点，也更新信息的聚合在UWSKB。（2）它根据以下要求创建PASA通过UWNMA 将各UW 传感器节点的剩余能量更新到最近节点UWNMA 还使用每个节点的节点id、位置及其权重因子来更新UWSKB（参见图1A和1B）。5和6）。●●●诉Krishnaswamy，S.S.Manvi/沙特国王大学学报12791/4便士见图6。 主/地方中心的传单。图三. 汇节点机构。图四、水下传感器节点局。对于所有遍历的局部中心，直到树的叶子中的最后一个。Leaflet/Local Aggregation Agent（LAA）：每当LASA发起聚合过程时，由最后一个本地中心的UWNMA触发称为LAA的移动代理。本地中心的路径信息和本地聚集数据从UWNKB更新到LAA。在从每个局部中心获得这些数据之后，LAA继续聚合过程，然后它沿着脊柱迁移到下一个局部中心，继续其到达位于轴基部（称为叶柄）的主中心的旅程。在各瓣叶处在脊柱的两侧，为了聚集数据，LAA在最后的本地中心被激活。最后，汇总数据被传递到叶柄上的一致的主中心主聚合代理（MAA）：每次当PASA执行聚合过程时，移动代理由称为MAA的最后一个主中心的UWMMA触发。MAA从UWNKB获取主中心的路径信息和在连接的主干上本地聚集的数据，并行进到下一个对应的主中心。聚合过程由MAA在每个访问的主中心发起，并延长其行程，直到它完成所有主中心到达汇聚节点。水下节点知识库（UWNBB）：UWNMA和LASA读取并更新关于连接到每个UW传感器节点的UW传感器节点的知识库，诸如：节点的标识、剩余能量、相邻计数、信号强度、地理位置和索引、叶片角度的阈值、错误聚合的数据、数据阈值和接收时间3.6. 叶柄/主中心选择过程叶柄起源于棕榈树茎/树干顶部的叶柄连接处。Pd叶柄之间的距离由等式给出（一）.Pd<$2×R×D第n个100%在棕榈树的树冠的连接区域中的叶柄的数量（二）、N2prPdð2Þ图五. 棕榈树的小叶结构。传单/本地聚合器选择代理（LASA）：移动代理使用方程计算结的任意半径（三）、r¼R×D第n个3D_nth的值是基于要联系以进行数据聚合的直接和间接邻居的数量来选择的。叶 柄角度h由等式给出。（四）、叶柄角度有利于叶柄之间的角度，并由方程给出。（五）、360◦驻留在每个节点中的由UWNMA触发。由于LASA得到了权重因子和节点附近的欧氏距离h叶柄¼Np4负责选举本地中心节点。它从UWNKB获得叶片角度，并将其定向到一跳邻居节点。该算法确定了叶子区域的局部中心，并提供了节点标识。叶柄的角度p，即，hp，其中p = 1，2，. . ，Np，由下式计算：的EQ。（五）、hp<$h叶柄×p5瓣1280诉Krishnaswamy，S.S.Manvi/沙特国王大学学报ð Þ ðÞðþÞðþÞ ðþÞ ðþÞ在结点中的相邻UW传感器节点之间的叶柄角度（考虑节点l和m）通过等式（1）计算。（六）、3.7. 传单/当地中心选择过程在邻居中选择局部中心的过程-hpitan-1-ymxl-xmð6ÞUW传感器节点由主中心发起这些相邻的UW传感器节点的相应的主中心，找到节点权重Wf考虑邻居计数Nc和剩余的。其中xl;yl和xm;ym分别是节点l和节点m的位置。用于主中心选择的邻居UW传感器节点可以通过以下情况获得，因为叶柄可以在圆的四个象限中的任何一个中叶柄的连接处假定为圆形。● 情况I：当UW传感器节点处于位置xl>xm和yl>ym时，执行第一象限中的主中心选择。● 案例二：第二象限中的主中心选择是根据-当UW传感器节点处于位置xl×m<时间tERt tt时的平均能量。类似于主中心的选择，主中心的UWNMA找到邻居UW传感器节点和主中心之间的hp_i_i_n、剩余能量E_R_i_t_n分别是6、7、9。位于叶轴两侧45°-60 °和135°-150 °角处的相邻UW传感器节点表示为位于叶角处的节点。如果对角度的考虑与这些角度分开，则将存在重叠覆盖区域的机会。主中心的UWNMA根据叶片角度、欧氏距离和邻居节点数Nc选择局部中心。局部中心的节点权重Wl如等式（1）所示计算。（十）、并且yl>ym。● 案例三：第三象限中的主中心选择是根据-Wl¼KERt×Nc10当UW传感器节点处于位置xl×m<和ylym。<● 情况IV：当UW传感器节点处于位置xl>xm和ylym时，执行第四象限中的主中心选择。<网络中的每个UW传感器节点的剩余能量ERt（七）、ERt jEi-Euj其中节点的初始能量和已利用能量分别被描述为E和E。其中K是0和1之间的常数通过考虑位于叶片角度的UW传感器节点进行本地中心选择过程。节点的阈值距离表示为Dlth。如果Edl;m>Dlth，则UW传感器节点可以参与本地中心的选择过程。具有最大Wl的UW传感器节点被UWMMA选择为竞争相邻节点之间的本地中心（小叶聚集器-LA）。如果基于阈值条件Dlth> Dlth，没有找到竞争者，则递增或递减Dlth以通过UWNMA识别LA的其他竞争者。由于执行了在给定瓣叶角度处从竞争者UW传感器节点选择第一LA，因此LASA由以下触发：i u本地中心的UWNMA，以确定剩余的LA，直到LASAUW传感器节点1到其邻居节点m之间的欧几里得距离由等式（1）给出。（八）、接触网络中的最后一个本地中心。LASA将节点ID传输到每个本地中心以找到路径，即，连接所有本地中心.Edl;m <$qjxl-xmj2jyl-ymj2ð8Þ随着Ed的值变化，阈值Dpth和Dlth由UWSMA以下列方式维护首先，UW传感器节点的权重因子Wf基于相邻节点计数Nc和在时间tERt的剩余能量。主节点选择过程UWSMA将向网络中的邻居发送查询消息。作为回复消息，邻居节点的UWNMA计算其Wf，并将节点的位置连同Wf一起发送到UWSMA，如等式（1）中给出的。（九）、Wf¼KERt×Nc9其中K是0和1之间的常数在主中心选择的过程中，在petioles的交界处，UW传感器节点放置在角度hp测量。UW传感器节点的阈值距离表示为Dpth。如果Edl;m>Dpth，则UW传感器节点可以参与质量中心选择过程。UWSMA选择Wf最高的UW传感器节点作为竞争邻居节点的主中心（Petiole Aggregator-PA）。如果基于阈值条件ΔE_d_p>D_pth_p没有找到竞争者，则D_pth被递增或递减以识别用于UWSMA的PA的其他竞争者。由于执行从给定叶柄角度的竞争节点中选择第一PA。PASA由主中心的UWSMA触发，以识别剩余的PA，直到PASA到达网络中的最后一个主中心。PASA将节点ID传输到每个主中心以找到路径，即，连接所有的主控中心阈值参数Ti由UWSMA固定以得到较少的主/局部中心。如果没有找到该x值的中心，则UWSMA将Ti递增为Tid。如果对于阈值的递增值未找到中心，则UWSMA继续将阈值递增为ΔTiΔBd，其中B1/42p，并且“p”是整数。通过递增的阈值值类似地，Tid;Ti2d;Ti 3d，等等。当主中心选择初始局部中心时，主中心的UWNMA触发LASA识别沿脊柱的剩余局部中心，直到覆盖所有局部中心在一个网络中。LASA携带所有本地中心的节点ID3.8. 路由移动代理在本地和主级执行路由使用移动代理。这些移动代理从一个节点移动到另一个节点，收集信息，如剩余能量的UW传感器节点，相邻的UW传感器节点之间的距离，跳数，并将收集到的数据传送到汇聚节点。然后，汇聚节点使用从节点获得的数据计算以下(1)最小和最大的剩余能量的路径中的n个节点。（参见方程式（11）和（12））。（2）路径的能量因子（参见Eq.¼诉Krishnaswamy，S.S.Manvi/沙特国王大学学报1281ððððPhXX（13））。(3)路径的距离系数。（参考公式（14））。(4)路径的成本函数。（参考等式（15））。最后，根据信息的重要程度和代价函数的值，汇聚节点对路径进行排序。对于不太重要的信息，选择具有最高成本函数的路径用于传输，而对于最高重要信息，选择具有按顺序的成本函数的路径。最小和最大剩余能量ERmin和ERmax在路径中的节点之间使用等式来计算。 （11）和（12）分别。消除冗余集合并生成新集合（S）(3)同样的，主中心UWNMA收集的数据也是由附近的本地中心提供的，也应用了联合集理论来消除重复的数据集，以达到无损失的聚合。UWNMA还通过如下链路故障在每个UW传感器节点中起主要作用。如果节点/链路由于本地/主中心故障而发生故障，则UWNMA启动恢复机制。网络中的每个UW传感器节点都被告知邻居节点的权重因子，在任何时候，如果链路沿着聚合传播路径发生故障，则UWNMA进行追踪ER minð公司简介R1 ;ER2 ... . E Rnðð11Þ具有最大权重因子的UW传感器节点。作为一个子算法，选择具有最大权因子的UW传感器节点作为故障主/本地中心的主/本地中心ER最大值ð1Þ;E、Rð2Þ... . ERðnÞð12Þ分别路径的能量因子Efact如等式2所示计算（十三）、ERE1/E2ð13Þ对数据聚合的研究进行了说明。在每个节点i处收集的数据被表示为DG i;DG 1;DG 2;DG 3;. ;DGn相对于时间窗口 t 1！ tn<$t 1;t 2;t3;. . ;tn，相应地，事实ER活泼地数据集DGi中的冗余数据是Rda。的概率最大值距离系数D事实对于每个路径，计算公式如下：冗余数据PRda 在Eq中给出。（十六）、（十四）、Rdada ¼DGið16ÞDfact¼Pdð14Þ叶柄连接处的主中心数为n.连接到脊柱其中路径距离和跳数由Pd表示由Eq给出。（17）.和Ph。每个路径的成本函数C_fun计算如下：（十五）、Latotal2017年12月17日Cfun¼EfactDfact153.8.1. 示例状态所提出的方案的操作示出了一个示例状态。图2描绘了这样的示例，其中在水下场景中由50个UW传感器节点（sn 1 -50）、主中心节点（MC 1 -8）和信宿/基站组成。(i)接收器/基站处的UWSMA激活PASA以识别主中心。针对UW-1算法的权因子和欧氏距离因此，从感测到的数据DG中聚合出的数据的概率由Eq提供。（十八）、PAg¼1-PRda18mm在各个局部中心处的聚合时间表示为LA t1;LA t2;LA t3;. ：LAtn.然后，在瓣叶的每个脊处的聚集时间由等式给出（十九）、nLaagtime¼ai×LAn-i191/4在叶柄连接处的传感器节点，PASA分配主中心，将状态称为UW传感器节点MC 1 -8。（二）被告人的姓名;其中a的值在0.001至0.003之间;aia<第一章1i6 n.终端MC 1 -8激活LASA以识别本地中心。在这里，还鉴于权重因子和欧几里得距离，LASA识别沿着瓣叶角度移动的局部中心。对于主中心MC 1，本地中心是sn 10。主中心MC 2，本地中心是sn 2，主中心MC3，本地中心是sn 46，主中心MC 4，本地中心是sn 41，主中心MC5，本地中心是sn 36，主中心MC 6，本地中心是sn 30，主中心MC7，本地中心是sn 25，主中心MC 8，本地中心是sn 18。(iii)在选择主中心和本地中心之后，传单中的剩余UW传感器节点将其数据定向到其对应的本地中心。例如，UW传感器节点sn 11 -17将数据定向到本地中心sn 10，并且按照该顺序，所有本地中心将聚合数据定向到它们的主中心。例如，本地中心sn10到MC1。最后，所有主中心将收集的数据定向到接收器。收集数据的流程是这样的，II象限SN 11 - 17！ sn10！ MC 1！ 水槽3.9. 聚集机制聚合过程分三个阶段进行：第一阶段在节点，第二和第三阶段分别在本地和主中心。每个UW传感器节点中的UWNMA遵循上述步骤。(1)网络中的每个单独的UW传感器节点具有UWMMA，其在给定的时间窗口中使用数据的统计平均并存储平均值和方差。(2)为了实现无损失的聚合，所有局部中心的UWNMA收集邻近UW传感器节点的数据，并将其置于并集理论中，在本地中心处的聚合过程之后，聚合数据的大小随着其从一个本地中心转发到另一个本地中心而不同。数据收集是在每个小叶子上进行的.随着数据量的增加，聚合过程的时间也随之增加。进而为了优化局部聚集的聚集时间，选择a的阈值为0.001本地中心处的数据聚合的时间被描绘为T叶，由Eq给出。（20）.T叶¼Laagtime×Latotal20在对应的主中心处的主聚合时间被表示为MA t1;MA t2;MA t3;. ：MAtn.然后，在主中心进行数据聚合的总时间由等式（1）描述（21）.M总时间¼bi×MAn-i211/4其中b的值在0.003至0.005之间;biai≤1;i6m。<在所提出的基于棕榈树结构的数据聚合中，聚合过程假设从棕榈树的最后一个主中心开始。在主中心处的聚合过程之后，聚合数据的大小随着其从一个主中心转发到另一个主中心而不同。在每个叶柄处进行数据收集。随着数据量的增加，聚合过程的时间也随之增加。进而优化主聚合的聚合时间，将b的阈值选择为0.003聚合的总时间由等式提供（二十二）、ÞÞPR1282诉Krishnaswamy，S.S.Manvi/沙特国王大学学报至agtime¼Ma agtime×T叶224. 绩效评价在本节中，讨论了性能参数、仿真参数和结果。针对各种网络场景对所提出的方案进行了仿真，并与Sutagundar和Manvi（2012）以及Rahman等人的工作进行了比较。（2018年）在网络生命周期、选择本地和主中心所需的时间、聚合时间和能量方面。4.1. 模拟参数我们已经考虑了模拟的情况下，其中包括异构水下无线静态和移动传感器节点的边界内的600米600米，不同的深度为100米这些UW传感器节点被确定性地放置，用于在2 mW和4 mW之间的传输功率下的测试性能评估数据速率遵循泊松过程，从0.002到0.1 pkts/ms变化。UW-CSMA/CA MAC协议（Fang等人， 2010）用于MAC层以避免分组的冲突。假设数据包在离散时间内传输，信道无差错用于每个UW传感器节点的调制解调器是WHOI声学调制解调器的模型仿真采用了表2表示用于检验所提出的方案的模拟参数4.2. 性能参数以下是评估的性能参数本地/主中心选择时间：分别选择本地/主中心所需的时间。本地中心：连接到网络中所有主中心的本地中心总数。主中心：为网络标识的主中心总数。聚合能量：所有节点、本地中心和主中心进行数据聚合所消耗的平均能量。聚合时间：所有节点、本地中心和主中心聚合数据所聚合率：聚合数据与网络总可访问数据的比率。网络生存期：用于杀死网络中第一个节点的回合数4.3. 结果分析局部中心的总数和选择时间：从图7中可以看出，随着节点数量和通信范围的增加，LASA为局部中心的选择它还描述了通信范围与连接节点的数量成正比。结果表明，当通信距离R从400 m增加到500m时，LASA发现许多连通节点，同时也发现许多重复节点参与到局部中心的选择过程中。但是当R增加到600 m时，LASA发现沿着棕榈树结构的小叶角的隐蔽和连接的节点。因此，在曲线图中，其示出了当与较低的通信范围（R = 400 m和500 m）相比时，对于R =600 m的情况存在轻微的线性增加。因此，通信范围的激增增加了地方中心的数量。从图中可以观察到。图7和图8示出了相对于网络中的UW传感器节点的数量选择本地中心所需的时间。随着本地中心数量的增加，选择这些本地中心所需的时间也增加，因为LASA需要访问并基于权重因子和欧几里得距离识别本地中心。结果，当通信范围（R）从400 m增加到500 m时，与R = 600 m相比，LASA将找到更少的时间来识别本地中心，因为LASA找到隐蔽节点。如果它是一个重复的节点，那么LASA忽略它，并再次继续因此，在图中，时间在增加，停留一段时间，然后再次开始增加。主中心总数和选择时间：从图中可以看出。 9，类似于本地中心，主中心的数量随着通信范围（R）的增加而增加。结果，当R增加时，PASA找到参与主中心选择过程的连接节点和为R见图7。 本地中心节点。表2符号。参数符号值UW传感器节点的集合sn1; sn2; sn3;. . SN M50-200带宽BW 4000 Hz传感器节点R 400见图8。 当地中心选择时间。●●●●●●●瓣叶角度阈值hlth45°–60°叶柄角阈hlth0°–360°每个节点Ei5J局部中心时间常数一1主中心时间常数B3局部中心Dlth400主中心Dpth300增量阈值D10米通信距离值每个节点SD512字节诉Krishnaswamy，S.S.Manvi/沙特国王大学学报1283见图9。 主中心节点。见图11。聚合时间与结见图10。 主中心选择时间。见图12。聚合能量与结当海拔增加到600 m时，PASA在棕榈树结构中的叶柄连接处沿叶柄角方向发现隐蔽而连通的节点。因此，在曲线图中，其示出了当与较低的通信范围（R = 400 m和500 m）相比时，对于R = 600 m的情况存在轻微的线性增加随着覆盖区域的增加，可用于选择主中心的过程的相邻节点增加，从而产生有效的聚合方案。从图10中观察到，与选择本地中心所需的时间类似，选择主中心所需的时间相对于网络中的UW传感器节点的数量。结果，当通信范围（R）从400 m增加到500 m时，与R = 600 m相比，PASA将找到更少的时间来识别本地中心，因为PASA找到了隔离节点。如果它是一个重复的节点，那么PASA忽略它，并再次继续它的搜索主中心。因此，在图中，时间在增加，停留一段时间，然后再次开始增加。随着通信范围内UW传感器节点数量的增加，主中心的选择时间也增加。用于聚合的时间和能量：从图11观察到，数据聚合所需的时间相对于网络中的UW传感器节点的数量。随着通信距离的增加，超声波传感器节点的数量增加，因此这些节点产生了大量的冗余数据为了从传感器节点累积收集这些数据，需要更多的时间，导致网络中用于数据聚合的时间增加在我们提出的计划，聚合的过程中进行的软件代理，减少了聚合的时间相比，其他聚合方案。从图12观察到关于用于数据聚合的能量消耗。在我们提出的方案中，聚合过程中的可靠性是通过主中心和本地中心的状态来实现的。图十三. 聚合比率与节点。网络这些中心的状态是特定的和固定的，因此，当与其他聚合方案相比时，它表现得更好，以减少网络中要处理的数据量。因此，能源的消耗也减少了。网络的聚合率和寿命：图13示出了具有各种通信范围的UW传感器节点的聚合率和数量之间的关系。据观察，随着通信范围的激增，在网络中与之相关联的UW传感器节点的数量以及冗余数据量也随之上升。但在我们提出的计划，由于三个层次的聚合，冗余数据被有效地抑制。网络的寿命：图14示出了网络的寿命与具有各种通信范围的UW传感器节点的数量增加通信范围的结果增加连接，但使用我们提出的计划，冗余的数据被淘汰，节省能源的节点。因此，网络寿命增加。1284诉Krishnaswamy，S.S.Manvi/沙特国王大学学报5. 结论见图14。 网络生命周期与结Akyildiz，I.F.，Pompili，D.，Melodia，T.，2005.水声传感器网络：研究挑战。Ad.特设。网络3，257-279。Bharamagoudra，M.R.，Manvi，S.S.，2017.基于代理的水声传感器网络安全路由。Int. J.Commun. 系统 30（13），1-19。Curiac，Daniel，2016.面向无线传感器，执行器和机器人网络：概念框架，挑战和前景
我的内容管理
展开
