无线传感器网络中多移动Agent协同控制数据分流方法

报告所采集的数据，整个过程就需要一定的任务时间。

针对上述问题，为了降低整个网络的能量消耗同时兼顾任务延迟，本文结合文献[10]中基于克隆思想的行程规划（CloneBased Itinerary Design， CBID）算法、文献[11]提出的最小生成树多代理行程规划（Minimum Spanning Tree of MultiAgent Itinerary Planning， MSTMIP）算法和文献[12]提出的数据分流思想，提出一种以最小生成树为基础的多移动Agent协同控制数据分流技术——DSMST（Data Separation of Minimum Spanning Tree）。通过与没有分流的MSTMIP算法进行的比较实验结果表明，本文方法在能量消耗、任务延迟和节点寿命性能方面更优越。

1 多移动Agent数据分流协调控制

1.1 问题描述

图1为基于跳数最小生成树的多移动Agent轨迹图，五角星形节点代表数据处理中心（即Sink节点），如文献[13]所述：假设其具有充足的能量、强大的计算能力以及拥有网络中所有源节点的地理位置信息；圆形节点代表源节点，在网络中随机均匀分布；黑色实线表示Sink节点和各源节点之间的最小跳距离路线。本文提出的多移动Agent协同控制数据分流方法与MSTMIP算法都是基于最小生成树算法而产生的，不同之处在于MSTMIP算法是以最小生成树算法作为编组算法，将最小生成树的每一主干上的所有源节点作为一个编组。

本文结合CBID算法的复制思想，数据处理中心发送移动Agent具有自我复制的能力，在遇到各个树杈处时能自我复制，产生具有相同功能的移动Agent，根据已定的路线继续执行各自剩余的任务。如移动Agent移动至源节点2和源节点6的树杈处位置时，自我复制一个新的移动Agent，两个移动Agent在树杈处沿着各自的路线移动，协同完成整个任务。由此需要解决以下两个问题：

1）已采集了一定数据量的移动Agent在树枝分叉处自我复制了一个新的移动Agent，在确定各自的移动路线后，这些已采集的数据如何在两个移动Agent中进行分配。

2）在没有分叉的路线上，移动Agent采集的数据包随着访问源节点数的增多会逐渐增大，在数据传输和处理中对于能量的耗费也就会越来越大；同时数据包越大，数据传输时间越长而且不安全，容易造成数据的丢包、出错等问题。需考虑应如何控制移动Agent在迁移过程中采集的数据包大小来降低任务执行过程中的能量消耗和网络延迟。

因此，本文的工作主要是通过对移动Agent移动过程中的数据包大小进行控制，以降低整个网络的能量消耗和延迟时间，同时提高网络中传感器节点的网络寿命。为了通过控制移动Agent移动过程中数据包大小来达到降低网络能量消耗和延迟时间，首先给出数据包大小、能量消耗的关系[7]。

1.2 数据融合模型

移动Agent由数据处理中心发送，根据既定的轨迹迁移路线，访问收集网络中各个需要访问的源节点的数据。移动Agent从数据处理中心迁移开始，携带有自身初始数据包，随着源节点访问数量的增多，其所携带的数据包大小也越来越大。

由此可知当采集了一定数据量的移动Agent在树枝分叉处自我复制了一个新的移动Agent时，将这些已采集的数据量分配给迁移轨迹总跳数最小的移动Agent，另一个移动Agent则只携带有初始数据包继续访问任务所需要访问的源节点。

这种方法对以最小生成树或树型结构思想为基础而形成的多移动Agent轨迹规划方法在降低能量消耗方面有一定的优越性，通过对树枝分叉处的多移动Agent之间已采集数据的合理控制分配，达到数据分流效果，使路程远的移动Agent携带最少的数据包完成剩余的任务，大大降低数据传输所消耗的能量。然而当该链路没有树枝分叉点，而移动Agent随着访问源节点数目的增加，数据包越来越大，数据传输消耗的能量越来越多时，要想控制减小数据包的大小达到节能的目的，就需要制定移动Agent在迁移过程中的数据分流控制策略。

2.2 移动Agent迁移过程中的数据包大小控制

由此可知在满足不等式（11）的条件下，采用数据分流方法可以降低能量消耗，延长源节点的工作寿命。因为本文采用的多移动Agent轨迹迁移方法是基于静态网络中的最小生成树算法，因此各移动Agent的迁移路径确定后，各源节点间的跳数是已知的；特别地，在所有源节点的单位时间的感应数据量、数据融合率、数据压缩率以及接收、发送和传输单位数据所消耗的能量都相同的条件下，不等式（11）右边为一个定值，也就是说可以将该定值作为每一个移动Agent所能携带数据包的数据上限值，当移动Agent在源节点处采集完数据后，所携带的数据包大小超过该数据上限值时，都将对其所携带的数据包进行数据分流控制。即除去移动Agent本身初始数据大小外，其余的数据包都直接由该源节点发送回数据处理中心，以减少移动Agent在余下的源节点之间迁移的数据量，有效降低源节点的能量消耗。

2.3 多Agent协同控制数据分流方法流程

多Agent协同控制数据分流方法流程如图4所示，该方法采用跳数最小生成树算法思想设计多移动Agent的轨迹路线，采集数据时，时刻监测移动Agent的数据包大小，一旦达到数据分流上限时，直接把数据传回给数据处理中心；另外，在遇到树枝分叉点时，数据由迁移路线中总跳数最少的移动Agent携带，另一移动Agent只携带原始数据包。进一步减少了采集数据量，降低了能量消耗。

3 仿真分析

为了验证本文提出的多移动Agent协同控制数据分流思想在降低能量消耗、减小任务延迟时间和延长源节点工作周期方面的优越性，在Matlab平台上进行仿真实验。本文根据基于跳数最小生成树算法和文献[11]提出的引用一个权衡因子思想，来调整源节点之间的跳数和它们到数据处理中心跳数的比例，避免因源节点密度过大而易形成一棵单主干树。最终所形成的最小生成树作为多移动Agent的迁移轨迹，各移动Agent在迁移过程中采用多移动Agent协同控制分流思想，将其与不使用数据分流的MSTMIP算法进行对比。

仿真中，在网络区域100m×100m内布置150个无线传感器节点，每次仿真中随机产生指定数量的传感器节点作为源节点，位于网络覆盖区域正中间的数据处理中心根据每个源节点位置信息设计的轨迹发送相应数量的移动Agent，通过多跳的方式依次访问各自路线上的源节点，并采集处理数据，最后直接返回数据处理中心。所有的传感器节点一律采用802.11b标准收发无线信号，数据处理中心拥有充足的能量和计算能力，源节点的初始能量为5J，其发送、接收和空闲状态时发送100B的功率分别为0.66W、0.395W、0.035W。移动Agent在执行过程中相应的参数设置如表1所示。

为了更好地比较算法的性能，本文从能量消耗、延迟时间和源节点能量消耗3个方面来进行评价。

根据文献[11]，本文同样选择0.6作为权衡因子值，并选择源节点数目为10，15，…，40个共7种场景，分别取每种场景的能量消耗、延迟时间和源节点能量消耗作为性能指标，源节点能耗取所有源节点能耗的平均值作为参考。源节点的位置随机均匀分布，两种算法的仿真条件完全一致。仿真结果如图5所示。

使用多移动Agent协同控制数据分流思想的最小生成树算法和不使用数据分流思想的MSTMIP算法在能量消耗、任务延迟和源节点能量消耗方面都随着源节点个数的增加而逐渐增大。这是因为随着源节点数目的增加，移动Agent所迁移的路径增长，访问的源节点数目也在增多，从而要消耗更多的能量和增加任务的延迟时间。但是，同时也发现使用多移动Agent协同控制数据分流思想的最小生成树算法在能量消耗、任务延迟和源节点能量消耗方面都优于MSTMIP算法。虽然在任务延迟方面比MSTMIP算法优势不是很大，最好情况下任务执行时间也只能缩短14.5%。这是因为两种算法都是基于跳数最小生成树算法思想，所以最终各移动Agent的迁移路线差别不是很大。但是在能量消耗方面，使用多移动Agent协同控制数据分流思想的最小生成树算法明显要优于MSTMIP算法，而且随着网络源节点数目的增加，这种优势越来越显著。从图5（a）可看出能量消耗最大可以降低35.2%。这是因为采用多移动Agent协同控制数据分流思想的最小生成树算法在移动Agent迁移至最小生成树的树枝分叉处时，自我复制分离出一个新的移动Agent，协同完成剩余源节点数据的采集。同时两个移动Agent在迁移之前对已采集的数据包进行合理分配，由迁移路线跳数最短的移动Agent携带所有的已采集的数据包，完成初步的数据分流操作。另外，移动Agent在迁移到每个源节点进行数据处理操作后都会对携带的数据包大小进行检测，当达到数据分流的要求时，移动Agent将已采集的数据包直接发送回数据处理中心，而移动Agent只携带自身初始数据继续访问剩余的源节点，大大降低了移动Agent因数据传输所带来的能量消耗。随着移动Agent携带数据的减少，移动Agent访问源节点期间，源节点所消耗的能量也大大降低，延长了源节点的工作周期，因此采用多移动Agent协同控制数据分流思想的最小生成树算法在源节点能量消耗方面也要优于MSTMIP算法。

4 结语

无线传感网中对于能量消耗、延迟时间和节点生命周期的性能要求越来高，多移动Agent轨迹协同优化方法虽然作为一种数据分流方法，能够通过发送多个移动Agent均衡网络中的数据流通量，降低网络中的能量消耗，但仍不可避免一些移动Agent因源节点访问数量过多而使得携带的数据包越来越大，消耗更多的能量和增加任务延迟时间。本文主要针对以树型结构为基础的多移动Agent所采集的数据包大小进行控制，提出一种多移动Agent协同控制数据分流技术，合理分配多移动Agent之间的数据包和移动Agent迁移过程中的数据包大小，有效解决了移动Agent携带逐渐增多的数据包而造成的能量消耗，延长节点的工作寿命。

参考文献：

[1]AKYILDIZ I F， MELODIA T， CHOWDHURY K R. A survey on wireless multimedia sensor networks[J]. Computer Networks， 2007， 51（4）： 921-960.

[2]AKYILDIZ I F， VURAN M C. Wireless sensor networks[M]. New York： John Wiley & Sons， 2010.

[3]CHEN F， GUO L， CHEN C. A survey on energy management in the wireless sensor networks[J]. IERI Procedia， 2012，3：60-66.

[4]PADILLA P， CAMACHO J， MACIAFERNANDEZ G， et al. On the influence of the propagation channel in the performance of energyefficient geographic routing algorithms for Wireless Sensor Networks （WSN）[J]. Wireless Personal Communications， 2013， 70（1）：15-38.

[5]SALEEM F， MOEEN Y， BEHZAD M， et al. Improved density controlled divideandrule scheme for energy efficient routing in wireless sensor networks [J]. Procedia Computer Science， 2014， 34（7）：212-219.

[6]KONSTANTOPOULOS C， MPITZIOPOULOS A， GAVALAS D， et al. Effective determination of mobile Agent itineraries for data aggregation on sensor networks [J]. IEEE Transactions on Knowledge and Data Engineering，2010， 22（12）： 1679-1693.

[7]CHEN M， LEUNG V， MAO S W， et al. Energyefficient itinerary planning for Mobile Agents in Wireless Sensor Networks [C]// ICC 2009： Proceedings of the 2009 IEEE International Conference on Communications. Piscataway： IEEE Press， 2009：1-5.

[8]CHEN M， GONZLEZ S， ZHANG Y， et al. Directional source grouping for multiAgent itinerary planning in wireless sensor networks [C]// Proceedings of the 2010 International Conference on Information and Communication Technology Convergence. Piscataway： IEEE Press，2010： 207-212.

[9]CHEN M， CAI W， GONZALEZ S， et al. Balanced itinerary planning for multiple mobile Agents in wireless sensor networks [C]// Proceedings of the Second International Conference on Ad Hoc Networks. Berlin： SpringerVerlag， 2010： 416-428.

[10]MPITZIOPOULOS A， GAVALAS D， KONSTANTOPOULOS C， et al. CBID： a scalable method for distributed data aggregation in WSNs[J]. International Journal of Distributed Sensor Networks， 2010， 2010： Article ID 206517.

[11]CAI W， CHEN Z， FENG X， et al. MultiAgent grouping algorithm in wireless sensor networks [J]. Journal of System Simulation， 2012， 22（12）： 2890-2894.（蔡玮，陈志军，冯新龙，等.无线传感器网络中多移动代理分组优化算法[J].系统仿真学报，2010，22（12）：2890-2894.）

[12]HU X. Agent data separation strategy for wireless sensor networks[J]. Journal of Software， 2012，23（11）：2946-2954.（胡晓敏.无线传感器网络Agent数据分流策略[J].软件学报， 2012， 23（11）： 2946-2954.）

[13]CHEN M， GONZLEZ S， ZHANG Y， et al. MultiAgent itinerary planning for wireless sensor networks [C]// Proceedings of the 6th International ICST Conference on Heterogeneous Networking for Quality， Reliability， Security and Robustness， and 3rd International Workshop on Advanced Architectures and Algorithms for Internet Delivery and Applications. Berlin： SpringerVerlag， 2009：584-597.