一种无线传感器网络中的统计分布式多路径路由协议
摘要
无线传感器网络（WSNs）通常由大量微型传感器节点和一个汇聚节点组成。资源严重受限、低可靠性和容错性、低吞吐量以及不安全的运行环境等问题和特性显著降低了其整体性能。针对这些问题的一个重要解决方案是多路径路由。然而，现有的多路径路由协议存在高开销、算法计算复杂度高、安全漏洞、可扩展性差、长期使用最优路径以及资源严重耗尽等弱点。因此，本文提出一种用于同构无线传感器网络的统计分布式多路径路由协议（SDMR）。该协议在统计数学特性、路由评分计算的标准和流程、路由选择过程以及流量负载分配技术方面不同于其他现有的多路径路由协议。本文将SDMR的性能与安全高效的多路径路由协议（SEEM）进行比较；算法复杂度和统计仿真分析结果表明，SDMR在能耗、吞吐量、准确度、平均丢包率、可扩展性与容错性、平均延迟以及路由发现过程中的路由开销等方面均有提升。
关键词 ：无线传感器网络；WSN；通信协议；路由协议；多路径路由。
引言
无线传感器网络（WSNs）是同构或异构的无线计算机网络，通常由大量微型传感器节点和一个汇聚节点组成，具有如下特点：运行环境中节点高密度、无基础设施、以数据为中心、面向应用、资源受限、存在安全漏洞、多跳通信以及动态拓扑（伊克等人，2008年；贾迪奥莱斯拉米，2014a，2014b）。无线传感器网络的一些常见问题包括资源严重受限、低可靠性和容错性、低吞吐量以及不安全的运行环境，这些问题显著降低了其整体性能。多路径路由是解决这些问题的有效解决方案。多路径路由协议用于发现并使用源节点和目的节点之间的多条路径进行数据传输；图1展示了无线传感器网络中多路径路由协议的不同特性（沙等人，2013年；拉迪等人，2012年；贾亚什里等人，2012年；陈等人，2005年；安等人，2006年；黄和方，2007年；卢和黄，2007年；张等人，2008年；李等人，2008年；韩等人，2008年；巴古拉和马赞杜，2008年；迈穆尔，2008年；萨利姆等人，2009年；王等人，2010年；杨等人，2010年；奥斯曼和雅哈亚，2010年；阿尔马尔卡维等人，2011年；普拉西玛等人，2011年；苏达拉拉詹和布瓦内斯瓦兰，2012年；Nasser 和 Chen，2007）。然而，现有的多路径路由协议存在诸如高开销、算法计算复杂度高、安全漏洞、以地址为中心、可扩展性差、长期使用最优路径以及资源利用效率低下等弱点。另一方面，无线传感器网络在使用多路径路由协议时也面临限制，如资源受限、动态拓扑、节点高密度以及不对称且不平衡的流量模式；因此，现有的多路径路由协议不适用于无线传感器网络。本文提出了一种用于同构无线传感器网络的统计分布式多路径路由协议（SDMR），简称SDMR；SDMR的主要步骤如图2所示。SDMR在统计数学特性、路由评分计算的标准和流程、路由选择过程以及流量负载分配技术方面与其他现有的多路径路由协议不同。
将SDMR的性能与一种称为SEEM（Nasser 和 Chen，2007）的安全且节能的多路径路由协议的性能进行了比较。SEEM是一种面向无线传感器网络的安全且节能的多路径路由协议。在该协议中，汇聚节点以集中式方式执行路由发现和路由维护过程。此外，新路由的替代和连续选择基于路由上节点的当前能量水平。换句话说，汇聚节点发现到源节点的多条路径，并选择其中一条用于通信。SEEM是一种能量感知路由协议，汇聚节点会根据发送和接收的数据包更新所选路线上每个节点的能量水平。该协议包括三个步骤：拓扑构建、数据传输和路由维护（Nasser 和 Chen，2007）。算法复杂度和统计仿真分析（通过NS2、TRMSim‐WSN、专家选择和灰色关联分析工具）的结果表明，SDMR在能耗、吞吐量、准确度、平均丢包率、可扩展性与容错性、平均延迟以及路由发现过程中的路由开销方面均有改进。
本文其余部分组织如下：第2节详细描述了所提出的SDMR的各个步骤；第3节评估了SDMR的性能，并将其与SEEM路由协议的性能进行比较；简要讨论了算法复杂度和统计仿真分析所得到的结果；最后，第4节总结了本文，并指出了该领域未来的研究方向。
2 无线传感器网络中的SDMR
本节详细描述了所提出的SDMR的不同步骤。在SDMR中，时间被划分为若干时隙，称为时间间隔。在每个时间间隔内，每个节点发现其邻居节点；然后对其前向邻居进行排序，以确定选定的前向邻居；随后，该节点对选定的前向邻居进行评分，并以平衡且非均匀的方式将流量负载分配给它们；最后，每个节点将聚合数据传输至汇聚节点。在SDMR中，上述步骤由无线传感器网络中的每个节点在每个时间间隔内周期性地重复执行。
2.1 邻居节点发现
在此步骤中，每个节点根据图3中所示的流程发现其邻居节点。该步骤的一些考虑因素包括：
- SNP控制包以相等的信号强度进行广播。
- 每个节点都有一个本地NST表；它包含邻居节点的规格，如接收到的SNP数据包中的存储信息、接收到的SNP无线电信号的强度和方向、到SNP无线电信号发送者的距离以及通过信号强度和信号方向确定的SNP无线电信号发送者的部署位置坐标。
- 每个节点在邻居发现过程中接收到其邻居的SNP数据包时，会检查其邻居的可用资源和拥塞状态。如果该值小于/大于预设阈值，则不会将该邻居添加到其NST表中，因此也不会使用该邻居来转发其数据；这有助于提高剩余能量较低的节点的寿命，并延长无线传感器网络的寿命。
- 根据NST表中的现有信息，每个节点在其无线射程内具有无线传感器网络拓扑的局部视图（无全局视图）。
2.2 选定下一跳邻居的确定
该步骤定义了选定下一跳邻居确定的标准，并提出了一种对节点的下一跳邻居进行排序以及确定其选定的下一跳邻居的算法。选定的下一跳邻居的数量基于待传输数据量、节点下一跳邻居的平均数量、可用资源和拥塞状态等参数来确定。用于确定节点选定的前向邻居的所提算法如下：
定义对节点的下一跳邻居进行排序及确定其选定的下一跳邻居的建议准则（如表1所示）
| No. | 标准 | 描述 |
|---|---|---|
| 1 | 可用资源和拥塞状态 | 可用资源，如剩余能量（RE）、空缓冲区（Buff）、可用带宽（BW）以及等待队列长度（WQL）：[如果：RE < REthr或 BW < BWthr或 Buff < Buffthr或 WQL > WQLthr] → 转发能力 = 0 |
| 2 | 准确度和可靠性 |
节点的邻居到达的数据：
• 节点接收报告的数据（R），并计算其平均值（Ravg）： $$ R_{avg} = \frac{\sum_{i=1}^{n} R_i}{n} $$ Ri：节点的邻居ith报告的数据 n：在此时间间隔内报告数据的节点的邻居数量 • 节点通过其每个邻居计算报告数据的绝对偏差（AD）和平均绝对偏差（AAD）： $$ AD_i = |R_i - R_{avg}| $$ $$ AAD = \frac{\sum_{i=1}^{n} AD_i}{n} $$ • 通过其邻居计算报告的数据的准确度和可靠性（Co）如下： $$ C_o = \max\left(1 - \frac{AD}{\alpha \times AAD}, 0\right) $$ α：偏差的容差因子（α > 0） |
| 3 | 距离 |
• 节点与其下一跳邻居之间的距离
• 节点的下一跳邻居与汇聚节点之间的距离 |
| 4 | 能量效率（E） |
$$ E = \frac{ER}{CE} $$
ER：剩余能量；CE：能源成本 |
| 5 | 参与网络过程 |
• 与不可信节点参与。
• 自私且不与可信节点协作。 • 节点或相关链路的可用性。 • 执行路由协议中的必要操作，回复控制包等。 |
| 6 | 数据或控制包的状态检查 |
• 旧的、错误的、伪造的或恶意数据及控制分组注入或广播的速率在网络中。
• 网络中数据或控制包的发送、接收、转发或传递速率。 • 网络中数据或控制包的丢弃、丢失、更改或错误路由的速率。 |
| 7 | 一段时间内的稳定性 | 它取决于节点的可用资源、移动性以及时间间隔长度等参数以及路由、就绪数据量、数据传输速率和最大可传输体积在时间间隔内传输的数据。 |
| 8 | 死锁状态和节点周围的密度前向邻居 |
• 死锁节点和失效链路：表示该节点的下一跳邻居是否为死锁节点或否；此标准的可能取值为：{0, 1}。如果一个节点没有下一跳邻居到汇聚节点,它是一个死锁节点。
• 节点周围的密度：等于其前向邻居的数量，这些欧几里得距离小于其无线射程，或者它们被部署在该节点的无线射程内（度）。该参数被归一化为：$$ \text{度} i / \text{度} {max} $$ |
| 9 | 亲密度 | 节点之间的事务数量 / 最大事务数量 节点与其前向邻居之间 |
| 10 | 网络过程中的强制延迟 | |
| 11 | 会话捕获和窃取信息 | |
| 12 | 安全系统（如入侵检测系统（IDS）和防火墙）关于节点的前向邻居的评论 | |
| 13 | 接收信号的强度和质量 | |
| 14 | 节点下一跳邻居的可信度 | |
| 15 | 数据传输速度 |
-
利用节点的NST表构建其前向邻居的决策矩阵（D）；该矩阵为一个(n × m)矩阵，其中：n表示节点下一跳邻居的数量（决策矩阵的行数）；i = {1, 2, …, n}；m表示建议标准的数量（决策矩阵的列数）；j = {1, 2, …, m}；Xi,j表示第i个前向邻居关于第j个建议准则的分数。
$$
D =
\begin{bmatrix}
X_{1,1} & \cdots & X_{1,m} \
\vdots & \ddots & \vdots \
X_{n,1} & \cdots & X_{n,m}
\end{bmatrix}
$$ -
为每个建议的准则定义单准则效用函数（Uj(yj)）如下：
$$
U_j(y_j) = a_j y_j + b_j, \quad U_j(y_j) \in [0,1]
$$
yj：第j个标准；aj和bj为常数值。
操作如下：
1. 确定每个准则的最小效用（UL）和最大效用（UH）的值，即：
$$
U_L = 0, \quad U_H = 1
$$
2. 针对每个准则建立方程组，并确定其常数值（aj 和 bj）：
$$
\begin{cases}
a_j y_j^L + b_j = 0 \
a_j y_j^H + b_j = 1
\end{cases}
\Rightarrow
\begin{cases}
a_j = \frac{1}{y_j^H - y_j^L} \
b_j = -\frac{y_j^L}{y_j^H - y_j^L}
\end{cases}
$$ -
针对每个节点的前向邻居，根据所有建议的准则计算单准则效用函数（Uj(yj)）的值，并构建效用值矩阵。根据建议的准则的相对重要性，使用香农熵方法和决策矩阵为其分配权重，如下所示：
1. 通过以下方法之一对决策矩阵进行归一化：
a. 线性归一化：
$$
P_{ij} = \frac{x_{ij}}{\sum_{i=1}^{n} x_{ij}}, \quad \forall i,j
$$
b. 萨蒂归一化：对于正向准则：
$$
P_{ij} = \frac{x_{ij}}{\max_i x_{ij}}
$$
对于负向准则：
$$
P_{ij} = \frac{\min_i x_{ij}}{x_{ij}}, \quad \forall i,j
$$
c. 欧几里得归一化：
$$
P_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^{n} x_{ij}^2}}, \quad \forall i,j
$$
2. 根据以下方式计算每个建议准则的不确定性因子（Ej）、已获得信息的偏差程度（dj）以及权重因子（Wj）：
$$
E_j = -\frac{1}{\ln n} \sum_{i=1}^{n} P_{ij} \ln P_{ij}, \quad E_j \in [0,1]
$$
$$
d_j = 1 - E_j
$$
$$
W_j = \frac{d_j}{\sum_{j=1}^{m} d_j}
$$
3. 如果决策者已考虑建议准则的特殊权重（λj），则这些准则的最终权重如下：
$$
W’ j = \frac{\lambda_j W_j}{\sum {j=1}^{m} \lambda_j W_j}
$$
因此，建议的准则的权重为：W = {W1, W2, …, Wm} 或 W’ = {W‘1, W‘2, …, W’m}，使得：
$$
\sum_{j=1}^{m} W_j = 1, \quad 0 \leq W_j \leq 1
$$
这些权重表示建议的准则的相对重要性。 -
最后，为每个节点的前向邻居构建多准则效用函数（Utotal–i），如下所示：
$$
U_{\text{total}-i} = \sum_{j=1}^{m} W_j \cdot U_j(y_j)
$$
根据多准则效用函数计算出的值来确定节点的选定前向邻居；即节点按照其前向邻居的多准则效用值（Utotal–i）计算值降序排列，并从中确定其选定的前向邻居。换句话说，节点的前向邻居中，多准则效用值（Utotal–i）越大者优先级越高，将被选为该节点的选定前向邻居，以实现它们之间的平衡流量负载分配和数据传输。
2.3 在选定的前向邻居中的平衡与非均匀流量负载分配
在此步骤中，每个节点根据特定准则，将其流量负载以均衡且非均匀的方式分配给选定的前向邻居，并对这些选定的前向邻居进行评分；即，它将自身流量负载的一定百分比分配给每一个选定的前向邻居用于传输。为此，每个节点执行以下步骤：
定义建议的准则，以对节点的选定前向邻居进行评分，从而在它们之间实现平衡且非均匀的流量负载分配（如表2所示）
| No. | 标准 | 描述 |
|---|---|---|
| 1 | 所选下一跳邻居节点的可用资源和拥塞状态 | |
| 2 | 距离 |
• 节点与其所选下一跳邻居之间的距离。
• 所选前向邻居与汇聚节点之间的距离。 |
| 3 | 能量效率（E） | |
| 4 | 节点所选前向邻居参与网络过程的成功或失败百分比 | |
| 5 | 时间段内的稳定性水平 | |
| 6 | 节点周围所选的密度前向邻居 | 它等于其前向邻居的数量。 |
| 7 | 亲密度 | 节点与所选前向邻居之间的交易数量 / 节点与其所选前向邻居之间的最大交易数量 |
| 8 | 等待时间（Wt） |
$$ W_t = \frac{E_i - E_r}{E_i} \times W_{t_{\text{max}}} $$
Ei：初始能量，Er：剩余能量，Wtmax：最大等待时间 |
| 9 | 网络过程中的强制延迟和数据传输速度 | |
| 10 | 节点所选前向邻居的可信度 |
-
根据相对重要性，使用香农熵方法和决策矩阵为建议的评分标准分配权重，如下所示：
1. 通过以下方法之一对决策矩阵进行归一化：
a. 线性归一化：
$$
P_{ij} = \frac{x_{ij}}{\sum_{i=1}^{n} x_{ij}}, \quad \forall i,j
$$
b. 萨蒂归一化：对于正向准则：
$$
P_{ij} = \frac{x_{ij}}{\max_i x_{ij}}
$$
对于负向准则：
$$
P_{ij} = \frac{\min_i x_{ij}}{x_{ij}}, \quad \forall i,j
$$
c. 欧几里得归一化：
$$
P_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^{n} x_{ij}^2}}, \quad \forall i,j
$$
2. 根据以下方式计算每个评分标准的不确定性因子（Ej）、已获得信息的偏差程度（dj）以及权重因子（Wj）：
$$
E_j = -\frac{1}{\ln n} \sum_{i=1}^{n} P_{ij} \ln P_{ij}, \quad E_j \in [0,1]
$$
$$
d_j = 1 - E_j
$$
$$
W_j = \frac{d_j}{\sum_{j=1}^{m} d_j}
$$
3. 如果决策者已经考虑了评分标准的特殊权重（λj），则这些准则的最终权重为：
$$
W’ j = \frac{\lambda_j W_j}{\sum {j=1}^{m} \lambda_j W_j}
$$
因此，所建议的评分标准的权重为：W = {W1, W2, …, Wm} 或 W’ = {W‘1, W‘2, …, W’m}，满足：
$$
\sum_{j=1}^{m} W_j = 1, \quad 0 \leq W_j \leq 1
$$
这些权重表示所建议评分标准的相对重要性。 -
规范化决策矩阵：由于决策矩阵中的现有数据具有不同的计量单位和量级，其取值范围不同，或建议的评分标准具有不同的目标和方向，因此该步骤对决策矩阵进行归一化处理，以在分析中获得准确和真实的结果。为此，根据相关准则的性质，采用以下方法之一：
1. 对于正向评分标准：
$$
Y_{ij} = \frac{y_{ij} - \min_i y_{ij}}{\max_i y_{ij} - \min_i y_{ij}}
$$
2. 对于负向评分标准：
$$
Y_{ij} = \frac{\max_i y_{ij} - y_{ij}}{\max_i y_{ij} - \min_i y_{ij}}
$$
3. 对于具有确定最优值的标准：
$$
Y_{ij} = 1 - \frac{|y_{ij} - y^ j|}{\max(|y {ij} - y^ _j|)}
$$ -
现在，决策矩阵（D）中的所有现有函数值都在范围 [0, 1] 内，并且决策矩阵已归一化（N），如下所示：
$$
N =
\begin{bmatrix}
Y_{1,1} & \cdots & Y_{1,m} \
\vdots & \ddots & \vdots \
Y_{n,1} & \cdots & Y_{n,m}
\end{bmatrix}
$$
N 为归一化决策矩阵。 -
以目标节点作为比较基准：它是最佳选举前向邻居。如果在第i个选定的前向邻居中，针对评分标准j，Yij的值等于1，或比其他所有选定前向邻居对应的标准值更接近1，则表示在第j项评分标准下，第i个选定的前向邻居优于其他选定的前向邻居。如果某个选定前向邻居在各个评分标准下的功能值均等于1，则该选定前向邻居即为最优选择。换句话说，目标节点是一个理想节点，其在归一化无量纲决策矩阵中每一列对应的各项评分标准下，提供了可能达到的最佳或现有功能值。因此，目标节点定义如下：
$$
Y_0 = (1, 1, …, 1)
$$
或
$$
Y_0 = (\max_i Y_{i1}, \max_i Y_{i2}, …, \max_i Y_{im})
$$ -
计算每个选定的前向邻居与目标节点之间的相似性（γ）：归一化且无量纲的函数值与目标节点更相似且更接近的节点的选定前向邻居即为最佳选举前向邻居。为此，计算参数γ以确定Yij（或Yi）与Y0j（或Y0）之间的相似性和接近程度；较大的γ意味着Yij（或Yi）与Y0j（或Y0）更相似且更接近。因此，Y0j与Yij之间的参数γ（γ(Y0j, Yij)）计算如下：
$$
\gamma(Y_{0j}, Y_{ij}) = \frac{\Delta_{\min} + \xi \Delta_{\max}}{\Delta_{ij} + \xi \Delta_{\max}}
$$
ξ ∈ [0, 1] 检测系数；它用于控制该值的范围
参数 γ
$$
\Delta_{ij} = |Y_{0j} - Y_{ij}|
$$
$$
\Delta_{\min} = \min_i \Delta_{ij}
$$
$$
\Delta_{\max} = \max_i \Delta_{ij}
$$ -
最后，计算目标节点（Y0j 或 Y0）与其选定的下一跳邻居第i个节点（Yij 或 Yi）之间的相关性（Γ）：在计算完参数γ的所有值后，接着计算每一对Y0j（或Y0）与Yij（或 Yi）之间的参数Γ的值，如下所示：
$$
\Gamma_i = \sum_{j=1}^{m} W_j \cdot \gamma(Y_{0j}, Y_{ij})
$$ -
现在，根据节点选定的前向邻居的Γ值按降序进行排序；Γ值越大，表示该选定的前向邻居节点在数据传输中的分数越高。然后，根据其选定的前向邻居的 Γ值来分配该节点的流量负载（按照其 Γ值为它们分配相应比例或百分比的流量负载）。此步骤需考虑的一些因素如下：
- 在这一步中，节点的无线电天线处于关闭状态，通常不发送或接收数据；这有助于降低能耗。
- 分配给节点每个选定的前向邻居的流量负载百分比 = $$ \frac{\Gamma_i}{\sum_{k=1}^{n} \Gamma_k} \times 100 $$
2.4 数据传输
在此步骤中，每个节点聚合接收到的数据并将其传输到汇聚节点。
2.5 路由维护与重新发现
在每次网络活动的时间间隔后，SDMR都会重复上述步骤；即，在无线传感器网络的寿命期间，每个时间间隔内都会重复上述步骤。
3 结果、分析与讨论：SDMR的性能与SEEM路由协议的比较
本节评估了SDMR的性能，并将其与SEEM路由协议的性能进行了比较；简要讨论了算法复杂度和统计仿真分析所得到的结果。
3.1 算法复杂度分析
根据表3至表6，本节从算法复杂度准则方面评估了 SDMR的性能，并将其与SEEM路由协议进行了比较。
| No. | 标准 | 公式 |
|---|---|---|
| 1 | 数据传输能耗模型：EC |
$$ E_T(K, d) = E_{\text{elec}} \times K + \varepsilon_{\text{amp}} \times K \times d^2 $$
$$ E_R(K) = E_{\text{elec}} \times K $$ |
| 2 | 平均丢包率：APL | $$ APL = \left(\frac{1}{Con} + \frac{1}{DLN} + \frac{1}{BLD}\right) \times \frac{1}{BW \times Buff} $$ |
| 3 | 路由发现延迟的平均值：ARDD | $$ ARDD = \frac{L \times Con + P + TL}{BW \times V} $$ |
| 4 | 路由发现过程中的路由开销：RO | 用于路由发现的传输数据量 |
| 5 | 吞吐量：Thr | 单位时间间隔内传输的数据量 |
| No. | 标准 | SDMR | SEEM |
|---|---|---|---|
| 1 | EC | $$ 2eK + \varepsilon K d^2 + 2(m–1)eK’ + (m–1)\varepsilon K’ d^2 $$ | $$ n \times [e \times \text{PacketDE} + \varepsilon \times \text{PacketDE} \times d^2 + e \times \text{PacketDE}] + c \times [\text{数据包DER}(2me – e + \varepsilon md^2)] + c \times [(2m–1)eK + m\varepsilon K d^2] $$ |
| 2 | APL | $$ \frac{1}{(0.2 + 0.125) \times \text{连接}} \times \frac{1}{\text{带宽} \times \text{缓冲区}} = \frac{1}{0.325 \times \text{连接} \times \text{带宽} \times \text{缓冲区}} $$ | $$ \frac{2}{(0.2 + 0.25) \times \text{连接}} \times \frac{1}{\text{带宽} \times \text{缓冲区}} = \frac{2}{0.45 \times \text{连接} \times \text{带宽} \times \text{缓冲区}} $$ |
| 3 | ARDD | $$ \frac{(m + 1) \times \text{到汇聚点的每条路由的平均长度} + 1}{m \times \text{带宽变化} \times \text{传输介质速度}} $$ | $$ \frac{2 \times 2 \times 3L \times (\text{连接} + P + TL)}{BW \times V} $$ |
| 4 | RO | $$ n \times \text{Packet SNP} $$ | $$ n \times \text{Packet ND} + n \times \text{Packet NC} + n \times m \times \text{数据包NCR} $$ |
| 5 | Thr | $$ m \times \text{带宽} \times \text{(bps)} $$ | $$ \frac{\text{带宽} \times \text{(bps)}}{2} $$ |
| No. | 标准 | 考虑因素与假设 | 比较结果 |
|---|---|---|---|
| 1 | EC | K’ « K；SDMR 支持数据聚合 | EC_SDMP < EC_SEEM |
| 2 | APL | 连接1 < 连接2 和 缓冲区1 > 缓冲区2 | APL_SDMP < APL_SEEM |
| 3 | ARDD | Con1 < Con2, P2 > P1, Lm << L 和 TL1 < TL2 | ARDD_SDMP < ARDD_SEEM |
| 4 | RO | m：所选路由上存在的节点的平均数量；PacketSNP > PacketND 和 PacketSNP > PacketNC，但 PacketSNP < (PacketND + PacketNC + m × PacketNCR) | 路由开销 SDMP < 路由开销 SEEM |
| 5 | Thr | （到汇聚节点的前向邻居平均值） ≥ 1 | thr_SDMP >> thr_SEEM |
3.2 统计仿真分析
根据表7、表8以及图4和图5，本节从统计‐仿真准则方面评估了SDMR的性能，并将其与SEEM路由协议进行了比较。
| No. | 特性 | 值 |
|---|---|---|
| 1 | 执行次数 | 10 |
| 2 | 网络数量 | 10 |
| 3 | 传感器节点数量（最小值，最大值） | (100, 200) |
| 4 | 邻居节点平均数量 | 5 |
| 5 | 客户端百分比 | 15% |
| 6 | 中继服务器百分比 | 5% |
| 7 | 恶意服务器百分比 | 50% |
| 8 | 无线射程 | 12 |
| No. | 标准 | SDMR | SEEM |
|---|---|---|---|
| 1 | 能耗 | 1.32 × 10¹⁷ | 1.9 × 10¹⁷ |
| 均衡能耗 | 0.76 | 0.53 | |
| 2 | 吞吐量 | 2.5 | 1 |
| 3 | 准确率（相对于误码率） | 91.46% | 62.21% |
| 4 | 平均丢包率 | 13% | 45% |
| 平均数据包速率投递 | 87% | 55% | |
| 5 | 可扩展性与容错性 | 9.34 | 5.58 |
4 结论与未来研究方向
现有的多路径路由协议存在高开销、算法计算复杂度高、安全漏洞、可扩展性差、长期使用最优路径以及资源严重耗尽等弱点；因此，它们不适用于无线传感器网络。本文为同构无线传感器网络提出了一种称为SDMR的统计分布式多路径路由协议（SDMR）。该协议在统计数学特性、路由评分计算的标准和流程、路由选择过程以及流量负载分配技术方面与其他现有的多路径路由协议不同。表9列出了SDMR最重要的特性。
| No. | 属性 | 描述 |
|---|---|---|
| 1 | 假设与考虑 |
路由特性：平面式且以数据为中心，多跳和多路径，动态（支持移动性），自下而上路由发现过程和数据传输中的方法，多准则，周期性主动式，基于位置的基于资源感知、拥塞感知的确定性特性路径选择器：源节点和中间节点。选择最优路径的可能性（支持单路径路由）。无线传感器网络是静态/动态、恒定/移动和同构的。
• 即使一个节点没有数据要传输，它也应该广播其SNP数据包，并参与路由过程；因为不参与可能导致分割无线传感器网络。 通过CSMA‐MAC实现防碰撞，通过CDMA技术实现抗干扰。 如果流量负载量小于预定义阈值，则采用多路径路由和流量负载不需要进行分发。在这种情况下，所有数据将通过最佳转发路径传输邻居（单路径和最优路径路由）。 |
| 2 | 优点和优势 |
• 一种完全分布式的多路径路由方法：所有节点都参与路由过程（不存在单点故障）。
• 路由发现和路由维护过程的低开销（快速路由发现过程并减少其延迟）。 • 发现所有存在的路径。 拥塞控制与缓解：关注所选节点、链路和路由的流量状态下一跳邻居的确定和流量负载分配过程；这有助于降低速率数据包丢失 • 安全增强和安全数据传输： a. 通过流量负载分配和数据包分割实现未授权访问预防。 b. 诸如选择性转发和通过不同转发方式减少黑洞攻击等攻击在不同的时间间隔内用于数据传输的邻居。 高可扩展性、灵活性和准确度。 • 平衡且分布式的资源消耗：资源感知和拥塞感知的选路转发邻居的确定以及它们之间均衡且非均匀的流量负载分配。 通过高准确度、拥塞控制和均衡的流量负载来保证无线传感器网络的稳定性分布 • 简单性和实用性。 与拓扑无关 |
| 3 | 弱点和缺点 |
• 安全性弱点，例如容易受到女巫攻击。
• 在事件驱动和实时无线传感器网络中效率低下，因为需要发现所有存在的路径，并且由于逐跳通信和计算带来的延迟；此外，如果有某个或多个特殊节点想要传输其数据，则所提议的路由发现过程效率不高。 • 节点同步的必要性：所有节点应能够识别每个时间间隔的第一个时刻以广播其SNP数据包。 • 不了解到汇聚节点的路径长度以及每条路径上的可用资源；由于其分布式和多跳特性。 • 能量浪费并增加端到端延迟，因为不仅使用了源节点和目的节点之间的非最优路由；此外，还存在高流量、计算开销大和复杂的计算问题。源节点和目的节点之间；同时，高流量、计算开销以及复杂的计算。 |
根据表5、表10和图6，将SDMR的性能与SEEM路由协议的性能进行了比较；算法复杂度和统计仿真分析结果（通过NS2、TRMSim‐WSN、专家选择和灰色关联分析工具）表明，SDMR在能耗、吞吐量、准确度、平均丢包率、可扩展性与容错性、平均延迟以及路由发现过程中的路由开销方面均优于SEEM路由协议。
| No. | 标准 | SEEM |
|---|---|---|
| 1 | 均衡能耗 | +30.22% |
| 2 | 吞吐量 | +59.94% |
| 3 | 准确度 | +31.93% |
| 4 | 平均数据包投递率 | +36.87% |
| 5 | 可扩展性与容错性 | +40.26% |
| 整体性能 | +40.00% |
在未来的进一步研究中，还有一些其他问题需要深入探讨；其中一些最具挑战性的建议课题如下：
- 一种检测死锁节点、故障链路和自私行为的方法。
- 对SDMR进行安全分析，发现其安全漏洞并加以改进。
- 一种用于无线传感器网络的基于信任的安全多路径路由协议。
- 一种用于聚类无线传感器网络的分层多路径路由协议。
- 讨论流量负载分配过程中的数据分段、数据聚合和数据重组技术。
扫一扫
493
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
