基于双簇头及数据融合的改进LEACH算法的网络拓扑控制研究

　　摘要:针对 LEACH 算法固有的能量损耗问题,对其数据融合率以及簇头的选举进行重新规划.在数据融合阶段,采用模糊理论定义各节点的信任度,实现最优形式进行数据融合. 利用最优簇头率求解最佳簇头数目,引入主副簇头概念,有效保证了数据安全性,且以特有双簇头轮换模式减少了能量的损耗.研究结果表明,该算法可以有效减少簇头竞选次数,避免不必要能量损耗,延长网络生存周期.

　　本文源自宋锦波; 徐海芹; 宫晓慧; 刘洋， 青岛大学学报(自然科学版) 发表时间：2021-06-25

　　关键词:数据融合率;最优簇头数;双簇头;网络生存周期

　　随着无线传感器网络的不断发展,应用范围也随之不断地扩大,现已被广泛的应用在数据采集、军事侦察、环境检测等方面,网络内的节点可以感知周围环境[1],对数据进行接收、处理和转发.在无线传感器网络中,从路由结构要素出发可以分为平面路由协议和分簇路由协议[2G3].前者设计较为简单,适用于小型网络环境中;后者的健壮性较好,扩展性佳,相对于平面路由协议有着较为明显的优势.LEACH 协议作为一种比较经典的分簇路由协议,基于传统分簇协议,将感知到的数据发送到无线传感器网络(WirelessSensor Network,后简称 WSN)选取的簇头(ClusterHeader,后简称 CH)上,簇头节点将接收到的数据转发送至基站处,数据的接收与转发是一个消耗能量的过程[4],而数据的接收与转发又分为簇内集群信息的传递以及簇间信息的传递[5],传输的数据量在能量损耗中占了一定的比重.LEACH 不仅在选取簇头时具有很大的随机性,在冗余数据上也没有做过多的处理,但网络的生存周期与分簇的结果和数据量的发送息息相关,为了优化能量消耗并延长网络的周期[6],现对网络的簇头的选取进行重新规划,首先计算出当前网络环境的最优簇头数目[7G9]并对此进行合理划分区域[10],同时引入双簇头概念[11],簇头的选举会考虑通信代价[12],对于数据传输中的冗余数据计算出最优融合率[13],以达到有效地延长网络的生命周期[14].

　　1 LEACH 算法介绍

　　LEACH(LowEnergyAdaptiveClusteringHierarchy)算法是 Heinzelman提出的一种低能耗自适应聚簇分层型协议算法,是一种以轮的形式进行迭代的算法,每个轮分为初始化和稳定通信两个阶段.初始化时每一轮会随机选举簇头,给予每个节点一个随机值,并与阈值T(n)进行比较.当小于阈值T(n)时,则当前节点被选举成为簇头节点;稳定通信时,节点向簇头传送数据,簇头接收簇内节点数据并转发到基站.

　　1.1 LEACH 算法的簇头选举阶段和簇的形成

　　LEACH 算法在每一轮都会重新构建簇的集群,首先网络内的各节点会随机生成一个[0,1]之间的数值 rand,然后将这个节点的rand值与T(n)比较,当前节点rand值小于当前的阈值时,则该节点被标记成为该轮次的簇头节点,否则该节点为普通节点.T(n)的计算公式 T(n)= p 1-p∗(r∗mod( 1 p )) , n ∈S 0, 其他 ì î í ï ï ï ï (1) 其中,p 是簇头在网络中的节点所占的比例,r 是当前选举的轮数,n 是网络的节点数,S 是r 轮后还未当选过簇头的节点的集合.

　　当每一轮选举出簇头后,簇头节点会发布广播信息告知自己可达跳数范围内的节点自己当选簇头的信息,节点会根据各自接收到的节点的信息强度进行判断自己属于哪个簇头节点构建的集群(就近原则),然后簇内节点会发送自己的节点id和位置信息到簇头处,簇头构建簇群内节点信息表进行保存,同时簇头按照时分复用(TimeDivisionMultipleAccess,后简称 TDMA)为每一个节点划分时隙用以发送数据或停止工作进入睡眠状态,簇内节点会根据 TDMA 原则采集数据和发送数据到簇头处,同时在自己的休眠时间点不再工作,进入睡眠状态后直到下一次被唤醒.当簇内节点信息发送完毕后,簇头将接受该数据并与其自身的数据进行一定的融合,融合后的数据将被发送至基站处,基站会接收所有簇头节点的信息然后统一将节点信息发送到用户处,如此反复进行,每一轮都需要重新选举簇头节点.

　　1.2 LEACH 算法的能量消耗

　　LEACH 的能量损耗主要在于节点发送数据和接收数据两方面,其中普通节点发送数据和接收数据的能量损耗为 ETx (L,d) = LEelec +Lεfsd2,d ≪d0 {LEelec +Lεmpd4,d >d0 (2) 其中,Eelec 为无线电接收和发送单位比特数据的能耗系数,参数εfs 和εmp 代表的是自由空间模型的能耗系数和多径衰落能耗中的系数,d0 = εfs/εmp ,d0 决定了 LEACH 使用什么样的模型,d 是目标节点到源节点的距离,当节点距离小于等于d0 时,传输模型采用自由空间模型,反之则使用多径衰落模型. 节点接收L 位数据的能量损耗为 ERx(L)=L∗Eelec (3)

　　2 TLEGLEACH 算法

　　针对传统 LEACH 算法的不足,本文提出基于融合率和计算簇头节点最低能耗的改进 TLEGLEACH (TheLeastEnergyGLowEnergyAdaptiveClusteringHierarchy)算法.引入数据融合率,首先利用信任度函数计算综合信任度,搭建信任矩阵,在簇头处对传感器节点所测得数据进行一定的融合,发送给基站;再根据能量损耗最低的原则进行簇头选取,分别计算簇内各节点和簇头节点所需的能量损耗,考虑节点的信任度,计算求得最佳簇头 C1和 C2,C2作为备选簇头,当 C1的能量低于簇内节点的平均能量时,备选簇头 C2则代替 C1进行数据传输,二者不断轮换当选簇头,直到 C1、C2能量均低于簇内平均能量时,簇内开始重新选举簇头.当网络内70%节点死亡后,节点采用单步传输数据到基站,直到90%节点死亡,网络瘫痪.

　　2.1 簇的形成阶段

　　在节点比较密集的地方,不可避免地会出现节点收集到的信息是重复的,传输这些数据对于簇头的能量损耗是比较大的,所以需要在簇头节点处对冗余数据进行一定的融合,引入数据融合率的概念,以减少数据的冗余.

　　由文献[15]可知,数据融合率算方法如下:初始化网络迭代的轮数,节点需要计算集群内各节点对于自己的信任度并采用模糊理论对数据之间的接近程度进行处理,利用其构建信任矩阵w,计算数据融合率并利用矩阵存储相应的信息.

　　信任度函数构建如下:N 个传感器节点对于同一数据进行监测,Xi 和Xj 为第i个节点和第j个节点测得的数据,且都服从高斯分布,pi(x)和pj(x)是传感器的特性函数,Xi 和Xj 的一次观测值用xi,xj 表示,二者之间的偏差用置信距离测度反映.

　　其中,wi 应综合wi1,wi2,