水下传感器网络数据收集综述

水下无线传感器网络中数据收集静态和移动模型的演变：一项综述

摘要

水下无线传感器网络（UWSN）中的水下通信是一种新兴的先进技术术语，用于发现和监测水下资源及水生生物。
部署的UWSN有助于确定水下尚未发现的资源，如油田、沉船、百慕大三角问题以及地壳板块运动。由于这些资源位于水下较远位置，若不借助此类技术则难以探查。从测试现场完整且准确地收集数据是任何UWSN成功实施的关键环节。这些数据可能涉及生物或非生物资源。在水下条件下进行数据收集是一项繁琐的任务，存在多种不确定性因素，例如因水流漂移或船舶移动导致的传感器移动性、信道衰落引起的丢包等。这些问题阻碍了通过UWSN进行数据收集的过程。本文通过综合性文献调查，阐述了UWSN中数据收集的概念，提出了基于路由的UWSN分类，并探讨了解决数据收集过程中所面临挑战的方法。此外，还利用网络模拟器2（NS2）对多种现有的数据收集方法进行了仿真分析。仿真中考虑了平均能耗、延迟、丢包、投递率等服务质量（QoS）参数。最后，讨论了数据收集过程中仍存在的开放性问题和未来挑战。

Keywords 挑战 · 分类 · 问题 · 综述 · 分类体系 · 水下通信

1 引言

地球约70%为水域，包括海洋、河流、池塘等，这一区域面积巨大。这片广阔的水域蕴藏着数千种尚未被识别但极具价值的资源，如油田和海洋水生生物物种（Priyadarshini 和 Sivakumar 2019）。发现并利用这些水下资源对社会发展至关重要。此外，海洋还被用于运输用途。根据美国国家海洋和大气管理局和科罗拉多大学的研究，地球的大洋及其他生态系统吸收了一半的CO₂ （地球 2020）。因此，当前迫切需要利用传感器网络开展水下研究。这些传感器网络由大量的不同传感器节点组成，旨在水下条件下收集数据。通过分析来自水下传感器节点的数据，我们有很大机会深入了解地球。在传感器网络中，从传感器节点完整且准确地收集数据是一个非常重要的方面。这些数据可能涉及生物、资源或任何类型的水下设备，如传感器节点、自主车辆、调制器等（Farsad 等人，2016）。

然而，由于水介质的影响，这些设备存在一些缺点，例如腐蚀、污染、因水流漂移造成的位移，或面临带宽狭窄、设备成本高、传播延迟等挑战（Goyal 等人，2020）。为应对这些挑战，无线传感器网络（WSN）在水下场景中非常受欢迎，因为它相比有线对应系统提供了更高的移动性、更便捷的访问性和更大的灵活性。应用于水下条件的无线传感器网络被称为水下无线传感器网络（UWSN）或简称为水下传感器网络（USN）（Goyal 等，2019）。传统的 UWSN 模型如图1所示，其中传感器节点从目标区域收集数据（压力、温度、盐度等）。这些信息由数据采集节点传递至水面浮标进行数据处理，最终通过卫星连接发送到陆地基站。在数据收集过程中，模块的成本效益及其适应性等各种参数给实际部署带来了挑战。在部署区域内对 UWSN 设备进行精确且实时的跟踪也是计算水下无线传感器网络效率时的一个决定性因素（Javaid 等，2019）。为了在数据收集过程中克服这一挑战，可以使用声学调制解调器，它能够对命令和数据进行调制与解调。然而，这些调制解调器也面临带宽低、噪声量大、较高程度的路径损耗以及不规则延迟等挑战（Kumar 2014）。

所有这些问题都会在水下的数据收集过程中引发关注。本文讨论了多种现有的克服数据收集性能下降问题的方法（Goyal 等人，2016，2017）。此外，还提出了克服这一问题的方法。本文的主要贡献如下所示：
(a) 关于水下数据收集方法及其基于路由的分类的综合调查。
(b) 涵盖数据处理所有方面的UWSN中整体数据收集过程的系统模型和框架。
(c) 还对过去十多年的 数据收集方法进行了对比研究，并通过仿真结果展示。

2 文献研究

为了在水下无线传感器网络中实现有效通信，需要考虑一系列步骤，包括节点部署、节点定位、数据收集、数据调度、数据转发、数据聚合和数据融合。在所有这些步骤中，节点安全以及获取的数据安全对于可靠数据收集至关重要。

迄今为止，已有大量现有研究工作考虑了恶劣的水下环境下的可靠数据收集（Gowthami 和 Murugaboopathi （2020）、Kavitha 和 Ravikumar（2020）、Shakila 和 Paramasivan（2020））。近年来，水下无线传感器网络已发展为一种最高效且可靠的水下环境技术，其中所有传感器节点均相互连接，以在水下进行有效通信。完成数据收集后，这些传感器将数据转发至汇聚节点进行数据处理（Goyal 等人，2018）。水下无线传感器网络或声学传感器网络（ASNs）采用了高效技术和算法，以实现充分的数据收集。数据收集过程中面临的一些问题如下：

(a) 由于不同位置的自然参数（压力、密度、体积、洋流等）不同，在水下无线传感器网络中实现实时数据采集和传输非常困难。这些问题导致水下节点向岸站发送不准确的数据。Jawhar 等人（2018）提出了一种使用自主水下航行器的框架来解决此问题。在该框架中，作者建议利用自主水下航行器的移动进行数据收集。如图2所示，L 是自主水下航行器距离管道的恒定高度，θ是交点与垂直线之间的夹角。此外，该方案中的数据通信比特率为 R。

(b) 除了这些动态拓扑外，还改进了多种传统的反应式或主动式路由协议，以实现数据的成功传输（Han 等人 2019a）。

(c) 由于波峰、波谷、水面船只、潜艇和其他水下运动引起的水体移动性，静态拓扑不适用于水下无线传感器网络。建议采用动态拓扑来解决此问题。

(d) 由于水介质的影响，声学信号被吸收得非常快，频率也会降低。这也会由于自然活动和其他活动（如水下车辆产生的湍流等）而发生。因此，在受控的数据收集中会产生多径传播（Gjanci 等人 2017）。

提出了各种技术来简化这些任务/挑战，如下所示： Kilfoyle 和 Baggeroer（2000）通过描述在实际部署传感器网络时出现的未来挑战，对海洋声学通信进行了出色的综述。文中还以实例详细说明了在传感器网络中使用配备光通信系统的机器人。为了扩大网络覆盖范围并降低能耗，水下无线传感器网络（UWSN）中采用了数据骡运（Vasilescu 等人，2005）。此外， Tripathi 等人（2011）也通过其在水下网络中的研究验证了数据骡运是一种高效的技术，可用于长时间的数据收集与存储。如果将数据骡运与多跳路由结合，则采用三步方案时，基于网络中的声学通信链路可实现高效的数据收集，具有显著优势。Aziz 等人（2012）通过实验进行了数据收集与检索，使用了网络的一些基础设施组件、硬件如传感器、调制器，并在一个为 UWSN 构建和开发的原型上进行了分析和应用。多跳数据汇聚方案被提出以提升移动边缘计算性能。图3显示了三个虚拟网格。

如第1、2、3节所示，其中L为所选网格的长度，使得相邻网格中的任意两个节点应彼此靠近。这些虚拟网格的大小相等，基于无线射频范围R，连续网格中节点之间的最大可能距离为由两个相邻虚拟网格连接而成的对角线尺寸，其中r ≤ R 5。 要使节点A与节点E通信，节点 C、B和D处于同一层级，因为数据包可以通过B、C或 D中的任一节点中继。此处通过将节点C设为工作节点，而节点B和D进入睡眠模式来实现能量节省，它们在睡眠模式和活动模式之间交替切换。

Rahman和Frater（2015）提出了他们的研究工作，旨在通过考虑长时间的消息延迟和频繁的网络分区问题，减少在构建适用于具有延迟容忍网络（DTN）特性的水下无线传感器网络（UWSN）中高效数据收集的算法与架构时所需付出的努力。该方法采用一种增强型模型，其中包含DTN的当前状态以及其他用于自适应路由的状态，以解决这一问题。Janardanan Kartha和Jacob（2015）提出了利用移动单元进行陆地传感器网络中数据收集的调度方案，其中规划了移动汇聚节点相遇的方法，并在完成安全检测后进行数据传输。UWSN面临恶劣环境，通信延迟频繁发生。因此，水下网络可被视为一种延迟/中断容忍网络（DTN），需要专用的通信协议。为了实现 UWSN中的成功数据传输，多种与DTN相关的算法被证明是有效的。本研究选取了包含大量传感器、执行器和机器人的数据，通过分析方法来分析其对UWSN网络性能的影响。Jain等人（2015）设计了一种方案，利用类似动物或公交车的移动骡子，在稀疏部署的传感器网络中收集数据。这些移动骡子在与传感器近距离接触时进行通信。此外，当数据在短距离内传输时，能耗得以降低。

2016年，数据采集系统从多跳架构转变为自主水下航行器（AUV）辅助架构。因为在多跳系统中，信息需要以节能的方式进行转发，而相比之下，AUV辅助系统更具优势。Bouk等（2016）提出了一种延迟容忍方法，通过引入受控移动元件实现高效数据传输，从而提高水下无线传感器网络（UWSN）的能效。该方法结合了超短基线（USBL）和航位推算（DR）

使用EKF的传感器数据融合被用作一种最优的随机滤波问题，以延长其续航时间，并在短期任务中最小化自主水下航行器的电力需求以实现误差减小（≈ 1.4 小时）。导航精度和无人水面艇辅助系统有助于改进误差建模，从而实现高效的车辆间通信和时间延迟数据融合（Salavasidis 等，2016）。

由于移动边缘系统的发展，自主水下航行器被用于数据积累。在水下无线传感器网络的三维肯尼德部署架构中，自主水下航行器构建了一个最小概率邻域覆盖集，从而实现非常低的数据延迟（Bjørnø和 Buckingham 2017）。在此，采用多跳与自主水下航行器辅助通信的混合方法，以减轻信息传递延迟问题。在该混合化方案中，自主水下航行器无需访问所有监测区域或节点。Hou等人（2018）提出了能量高效不等分层方法（EULC），其中簇头（CH）的选择基于节点深度、剩余能量、节点度以及到汇聚节点的距离。此外，通过确定最优下一跳节点距离和剩余能量，形成簇以在不同尺度上解决“热点”问题。

根据Cai等人（2019）的研究，在基于簇的部署网络中，网关节点将从簇头接收到的通信数据转发到一个网络及其他网络。因此，自主水下航行器在进行数据收集时需要访问簇头和网关节点。Han等人（ 2019c）为水下声学传感器网络（UASNs）中的自主水下航行器设计了一种预测感知延迟优化的移动数据收集算法，该算法采用核岭回归（KRR）算法对数据进行预测，然后更新聚类。在数据收集过程中，只需访问有限数量的簇，且自主水下航行器使用相同预测模型，从而缩短了自主水下航行器的行驶路径并加快了数据收集过程。通过将离散小波变换（DWT）与两个卷积神经网络（CNNs）结合用于高效学习方法，实现了水下物联网（IoUT）中的多媒体数据通信，并有效实现了水下的图像压缩。所提出的模型适用于诸如 BPG等流程和兼容标准（Krishnaraj等人，2019）。

李等人（2020）提出了智能物联网中的基于信任的车辆数据收集（T‐SIoT），其中车载收集器将数据传输至具有移动性或静态传感器的基于信任的站点，以优化安全问题并降低车辆的能量消耗。此外，数据中心的无人机（DC）根据飞行轨迹模型收集该数据，并实现更高的安全级别。黄等人（2020）发明了一种基于聚类与矩阵结论（ACMC）方案的低延迟自主水下航行器支持的数据收集过程，适用于能量约束下的超可靠海上应用。在该方案中，首先基于改进的K均值进行节点聚类，然后采用贪心算法的两阶段轨迹优化，最后进行数据收集，其为矩阵补全。Jiang 等人（2020）提出了一种基于信任的无人机高效节能数据收集方案（TEEDC‐UAV），以在网络中合理高效地选择数据聚合器（DAs），并据此规划无人机的飞行轨迹。该方案采用不同的节点作为数据聚合器（DAs），并结合节点信任推理与演化机制。该方案能够快速得到优化的无人机数据收集轨迹，实现能耗降低且能量消耗均衡。蜂窝干扰处理数据发送协议（CIDP）是一种用于水下声学传感器网络（UASNs）的基于聚类的协议，利用时间和地理因素来缓解声学信号干扰。空洞恢复和埃克曼螺旋方案用于低成本位置预测和可靠性增强。然而，所提出的方案未考虑能耗优化（Zhang 等人 2020）。

此外，在下一节中，将阐述数据收集过程。

3 水下无线传感器网络中的数据收集过程

数据收集是测量和收集来自部署的水下无线传感器网络目标区域数据的过程，其中传感器节点被放置在该区域以获取或监测盐度、温度、压力、水的pH值等物理变化。图4展示了数据收集过程的传统工作方式。如图所示，传感器部署在水中的三个层级，即海底、中间层和靠近表面。中间层的传感器通过底部重物锚定在海底，或通过漂浮锚定表面进行固定。水面还设有水面浮标。当发生漏油、板块移动、敌方潜艇进入部署区域或监控区域发生任何其他变化时，最近的传感器节点会分析该变化。该变化根据所使用的路由协议被记录并上报至汇聚节点。这些汇聚节点进一步将收集的信息传输给与水面船只相关联的汇聚节点。所有这些数据传输通过声学信号、磁信号或混合方式进行，因为无线电信号无法在深水中有效传播。汇聚节点首先对数据进行预处理，提取后仅将有价值的信息通过卫星利用声学调制解调器以无线电信号形式传输至岸上站。岸上站接收到的信息可以是音频、数值数据、位置维度或图像。通过实时分析这些数据，可针对灾害采取相应的预防措施。

此外，下一节将详细阐述数据收集方案的更新分类，并分析其优缺点。

4 数据收集技术

在水下无线传感器网络中，由于水下节点的定位相当困难，加之同步、节点间移动性等其他挑战，实时高效且准确的数据收集一直是一项艰巨的任务（ Ayyadurai 和 Raja 2020；Saeed 等 2019； Coutinho 等 2018；Lin 等 2019；Padmaja 等 2020； Qiuli 等 2019）。为了在节点间数据传输过程中实现能量均衡，建议采用基于簇的架构，以限制传感器网络负载，仅允许所需数据通过（Prabaharan 和 Jayashri 2020；Gupta 和 Saha 2020；Cheng 等 2019）。由于这一职责，如果该中心节点的电池寿命耗尽，则会将此责任分配给其他节点。该方案减少了应用中的错误，并且可以通过在聚合节点上应用安全协议来轻松获取数据（Han 等 2018）、Sheltami 等 （2016）、Wang 等（2018）。总体而言，水下无线传感器网络的数据收集方法主要可分为五类：空洞处理算法、基于簇、地理路由、机会路由、基于移动性以及占空比循环，此外还有一些基于路由策略的其他基于簇和基于移动性的方法，如图5所示： 这些分类技术与方案简要讨论如下：

4.1 空洞处理算法

这类算法被认为即使在存在空节点的情况下也能实现数据包的适当路由。当方法用于处理能量消耗增加的问题，或基于功率控制以扩大通信范围，或基于辅助移动性，以允许节点根据位置进行移动。这些空洞处理方法进一步基于位置和压力分为以下几类：

4.1.1 基于位置的

它进一步以地理广播、任播或单播策略分发，如下所述。

4.1.1.1 单播 基于单汇聚点架构，数据包受限于传输，适用于小型网络。各种单播协议包括：

(A)自适应逐跳向量转发协议（AHH-VBF）该协议的优势在于它是自适应的、节能且可靠的，能够避免空洞问题，并且每个节点都了解自身、汇聚节点位置以及邻居信息。但它存在投递率较低的问题，且对路由管道半径阈值较为敏感（Yu 等人，2015）。

(B)基于向量的空洞避免（VBVA） 该协议的优点之一是，它可以在不知道网络拓扑的情况下处理移动空洞路由问题，因为它基于接收方、反应式和无状态技术来减少空洞通信。其改进空间在于，信标的交换在通信过程中会产生开销（Xie 等人 2009）。

(C)聚焦波束路由（FBR） 与 FBR 一样，主要关注的是控制传输功率以延长寿命，并且多播过程也是在剩余能量较少的情况下进行的。但如果发送节点未收到响应，则会放大功率（Montana 等人，2008）。

(D) 定向泛洪路由（DFR） 作为一种基于位置的、以接收者为中心的无状态方法，它能够获得优势可靠性和节点移动性的好处。虽然通过链路质量预先控制洪泛方法，但主要问题是相同数据包数量增加，并且未利用网络资源，导致网络生命周期缩短（Shin et al. 2012）。

4.1.1.2 地理广播 根据节点的地理区域作为目的地，可用路径的数量取决于地理广播区域所覆盖的范围，适用于大型网络。各种地理广播协议包括：

(A)路由多播树地理广播（RMTG） 它完全基于二维地理广播，通过在目标区域内分发数据的检测能力，从而节省内存、减少开销、处理节点移动性以及具备节点检测能力。由于它基于所有传感器的整体集合，因此没有哪种模型或实际实现具有很高的有效性（ Dhurandher 等人。2010）。

(B)移动式路由协议（MRP） 在该协议中，考虑了节点的移动性，以在从水下区域收集信息时减少空洞问题，但该过程在存在多个空洞区域和水流的情况下收集数据时也消耗大量能量（Chen 和 Lin 2012）。MRP 创建一个覆盖区域来覆盖空洞区域，以寻找替代路径，从而使数据包能够传递到三维区域内的所有节点 At+ 1 。如图6所示，在感兴趣区域周围存在一个三维区域（ AAt+ 1 ），大于或等于 At+1 。如果由于空洞区域问题，在从 At 移动到 At+1 的过程中无法找到可行的路由路径，则在 At+ 1 处发现一条替代路径。 At+ 1 的大小取决于洋流移动性和网络密度，例如，如果没有水流且存在拓扑空洞，则 AAt+ 1 的大小将等于 AAt+ 1的大小。

4.1.2 基于压力

在此，节点根据压力计从邻近节点收集与深度相关的信息。它进一步分为单播和任播：

4.1.2.1 单播 基于单汇聚点架构，其中数据包传输路径数量较少，也适用于小型网络。一些数据收集单播协议包括：

(A)无位置与链路状态路由（LLSR） 该协议通过利用基于多种约束的贪婪逐跳路由而具有优势，这些约束包括节点上的压力、路径质量、跳数，从而轻松避免空洞区域，并且即使在变化的拓扑下也能运行恢复模式。使用了到汇聚节点的跳数，但需要节点的预定义位置，在节点数量巨大时需要改进努力（Barbeau 等人。2015）。

(B)机会式空洞避免路由（OVAR）IVAR方案的主要缺点被克服，因为它采用信标机制来解决空洞区域的通信问题，并且可以将数据包向任意方向偏转。通过在报头中保留节点ID来选择候选节点，以实现可靠的声学传输。但该方法仍需要网络能量均衡（ Ghoreyshi等，2016）。

(C)固有空洞避免路由（IVAR） 该协议的优点是，它需要结合深度信息和跳数，并通过排除所有通向空洞区域的路径来实现较少的开销，且可以适用于单汇聚节点以及多汇聚点模型。但当仅考虑深度信息和跳数时，该协议的主要问题是，在节点数量较多且传播偏差增加的情况下，会消耗较多时间（Ghoreyshi 等， 2015）。

4.1.2.2 任播 根据节点的地理区域，以目的地为准，可达路径的数量完全取决于需要覆盖的范围，适用于未知范围网络。各种任播协议包括：

(A)基于分布式拓扑控制的贪婪路由（GR+ DTC）该分布式算法利用压力和汇聚节点位置，通过深度调整来生成有利的拓扑结构，从而提高鲁棒性。但在此方案中交换信标会带来较高的通信开销，尤其是在高动态网络中选择空洞区域时（Coutinho等，2015）。

(B) 深度控制路由（DCR） DCR 通过使用控制机制网络拓扑来解决空洞问题可靠且高效的技巧。此外，它已经知道汇聚节点的位置以及具有压力以进行垂直移动的邻居，但仍需要考虑节点移动性（Coutinho 等人，2013）。

(C)基于水压的任意播（Hy droCast） 通过分析每个节点自身的压力、邻居节点的压力以及期望距离，以反映路由过程中隐藏终端问题，并减少同频干扰。但在传感器密集部署的情况下，会产生成本问题，且难以消除空洞问题（Lee et al. 2010）。

4.2 地理路由

它是一种高效、可扩展且简单的方案，无需在水下进行任何发现过程，而是利用源到目的地最近节点的位置进行通信。地理路由存在通信空洞区域问题，即源节点无法找到最近的节点。如果协议无法恢复传输过程，则可能发生数据包丢失。地理路由方法进一步分为：

4.2.1 贪婪方法

在此类路径中，从发送方到接收方的路径不会被创建和维护，起始节点通过利用优化方案选择下一跳，同时维护关于目的地的距离/范围信息。UWSN的各种贪婪协议包括：
(A)逐跳VBF（HH-VBF）在路由过程中，HH‐VBF 在每一跳处创建虚拟管道，以提高稀疏网络中的时间与能量效率和成功率。但在比较从发送方指向汇聚节点的向量时，该协议会消耗时间（Xie等，2010）。
(B)可靠且能量均衡算法（REBAR）REBAR 采用球面能量减少模型和传感器节点移动因子来提高能效并应对路由空洞，但由于其具有一定的复杂性，因此是一种耗时较多的协议（Chen 等人，2008）。

4.2.2 受限定向泛洪方法

在此，如果发送的数据包属于给定节点集的一部分，则进行数据包重传；否则，当数据包从源传输到目的地时将其丢弃。采用该方法的各种协议包括：
(A) 聚焦波束路由（FBR） 与聚焦波束路由（FBR）一样，节点预先确定自身和目标节点的位置，因此在不同程度上具有节能性关于功率传输。此外，该协议同时考虑了移动和静态节点，具有最小化的动态路由发现。但在此协议中，事先必须具备位置信息（Jornet等，2008）。
(B)具有目的地位置预测的基于扇区的路由（SBR-DLP） 该协议通过考虑对动态网络的支持以及节点的移动性来进行目的地位置的预测，其中节点通常随机加入和离开。但将汇聚节点恢复到起始位置在某种程度上并不现实（Chirdchoo 等人，2009）。
(C)基于定向洪泛的路由（DFR） DFR主要通过单跳链路在水下环境中实现高效的数据传输，具有较高的可靠性和非常少的开销。但当汇聚节点附近没有其他节点时，仍存在空洞问题，且该协议未考虑已定义的值（Hwang和Kim 2008）。

4.2.3 分层方法

在此，数据包从顶部节点作为源开始，通过中间节点传输到所有其他节点作为目的地。该方法的协议是：
(A) 用于数据收集的位置聚类算法（LCAD）网络被划分为三维网格以进行簇头选择，然后由节点传输数据，并在簇头节点进行数据收集，这种方式具有通信速度快的优点，但会导致更多的丢包（Anupama 等人。2008）。

4.3 机会路由

在这些算法中，会在空洞区域选择一个候选节点，以赋予所有节点优先权。具有最高优先级的传感器节点将有机会从所选的候选节点接收数据（Yan 等人。2008；Noh 等人 2012）。此类下的各种协议如下：

4.3.1 基于位置的

向量转发（VBF）该协议基于到达角（AoA）通过信号强度确定节点位置，通过去除收益较少的数据包来降低能量消耗。但在计算管道中数据包的传输范围时存在时间复杂性。它允许节点权衡转发数据包的收益，从而有助于提高可扩展性，如图7所示。SR 1 和 SK1 分别表示源和汇聚节点的路由向量，其中 A4 为转发节点。A3是A2在给定的路由向量$\vec{SR1SK1}$上的投影，D1是A2与A4节点之间的距离。此处，θ表示向量 $\vec{SK1A4}$与向量$\vec{A4A2}$,之间的夹角，L为路由管道半径。节点A2的期望因子ß可定义为ß = p W + (R−d×cos) / R（Xie et al. 2006）。

(B)逐跳VBF（HH-VBF） 与向量转发（VBF）不同，HH‐VBF在每一跳都创建虚拟管道，以证明其具有可靠性、可扩展性且节省时间。然而，它使用恒定功率水平传输数据包，由于节点分布不均匀，可能导致能量浪费（John等，2020）。
(C) 基于地理位置和深度调整的拓扑结构（GEDAR） 该协议利用位置信息来转发数据包。它是一种可靠且高效的恢复策略，可避免通信中出现空洞问题，但该过程较为复杂（ Coutinho等，2014）。

4.3.2 基于压力

(A)基于深度的路由（DBR） 在该方法中，DBR 使用仅有的深度信息引入信息包的候选列表以降低成本。它是一种贪婪方法，其中每个节点都具有压力传感器来测量深度，而传感器可能会失效，因此考虑了单一或多汇聚节点的情况（Yan 等人，2008）。
(B) 空洞感知压力路由（VAPR） 这是一种处理数据传输中空洞问题的简便方法，可降低恢复频率，并能处理节点移动性。该协议使用信标消息获取节点的方向信息，但在此难以处理空洞区域（Noh 等人，2012）。
(C) 基于水压的任播（Hy droCast） 该协议的优点在于利用所测量的压力水平，利用深度信息将数据路由至水面浮标，解决了带宽和能量的问题。但它存在有限的同频干扰（Noh 等人，2015）。

4.4 占空比循环

该过程基于网络中的能量约束，每个节点周期性地处于睡眠‐唤醒阶段，以在水下无线传感器网络的高负载流量中实现延长寿命。此类协议包括：
(A)简单异步（SA） 该协议由于节点间歇性地从活动到睡眠以及从睡眠到活动的切换，具有最低的能量消耗和较高可靠性。该算法的复杂性需要通过缩短冗长的流程来降低（Feng 等人 2015）。
(B)低功耗监听（LPL） 它通过丢弃低价值数据包来减少能量消耗，但该方案功耗较高，因为在传输大量数据块时，节点需尽量保持在唤醒状态以接收数据包（Coutinho等，2018）。
(C)接收端触发（RI） 一种利用信标机制进行通信的节能协议，具有高性能和高吞吐量。由于节点仅在唤醒阶段的特定时间保持活跃，因此只有在接收方发起时才会激活，若接收方处于非活动状态则可能失败（Sun 等人。2008）。

4.5 基于簇

聚类是为传感器网络延长寿命的一种有效方法。该方法包括一个两步过程：选择簇头，并在簇内具有最大能量的节点之间周期性地切换发送数据包的任务。然而，靠近基站的簇头由于中继流量而负载较重，可能会更快死亡，从而导致网络分割。针对这一问题存在一些协议：
(A)基于Q学习的高效生命周期感知路由（QELAR） 由于能量均匀分布，网络在初期发生分割的概率可以忽略不计。QELAR使用3个半径，使寿命比向量转发（VBF）延长20%。QELAR通过所有可用节点分配路由流量以平衡工作负载，即不同的数据包通过不同的节点组（Lu等，2017）。
(B) 最小代价聚类协议（MCCP）基于为每个簇分配的代价度量，选择非重叠簇以最小化总代价。它在簇成员之间平衡流量负载并通过周期性重新聚类来确定簇头。MCCP通过簇头分布提高水下无线传感器网络的寿命 并避免在水下汇节点周围形成热点（Nayyar 等人 2019）。
(C)分布式水下聚类方案（DUCS）针对非时间关键且需要长期应用的各种场景而设计，其中随机节点移动性对于分布式的能量感知路由是必需的。DUCS假设簇头与其他簇之间通过邻近节点的信息进行多跳通信。它执行数据聚合和数据转发等信号处理功能，通过多跳方式将数据传输至汇聚节点（Ahmed et al. 2017）。
(D)辅助能量高效聚类（AEC） AEC 采用分阶段操作，包括预聚类、簇内和后聚类，并结合自主水下航行器通信。在自主水下航行器到达之前，所有这些传感器节点保持在活动模式，等待自主水下航行器出现以实现节点间的通信（Khan 等人，2019）。
(E)基于簇的自主水下航行器辅助数据收集 (CADC)选择部分水下节点作为簇头（CH）进行数据收集，通过最小化路径长度、丢包率和能量需求，将数据传输给自主水下航行器（AUV）。为了以较少的计算时间找到满意结果，该方法利用局部解来处理随机性和贪婪性（Ghoreyshi 等人，2018）。

4.6 基于移动性

将移动性引入传感器网络为提升网络性能（如延迟、网络生命周期等）带来了新的机遇。通过最优算法利用自主水下航行器（AUV），能够实现更快的数据传输，即实时数据传输。然而，这也带来了开销、复杂性和增加的成本等方面的更高挑战。相关的协议包括：
(A)自主水下航行器辅助能量高效路由协议（AEERP） 在此协议中，自主水下航行器通过网关节点收集数据，这些网关节点是基于hello报文的RSSI值来选择的。AEERP在降低能耗的同时，提高了数据收集效率和可靠数据传输，并提升了数据投递率（Ahmad等，2013）。
(B)基于移动性的数据收集路由（DCRTM）应用于 k均值算法和自主水下航行器移动模型进行数据收集，以降低能量消耗。与PURETSP相比，由于节点数量增加，其具有较高的稳定性（Zhuo等，2020）。
(C) 数据收集协议 (DGS) 通过考虑数据的重要性，自主水下航行器在网络内部移动并收集分类数据。它不需要任何定位即可从远离自主水下航行器的节点获取数据。这很有帮助为了降低能耗，但不是为了减少延迟（Han et al. 2019b）。

所有这些针对水下无线传感器网络环境的数据收集方法都通过表1进行了比较和对比，如下所示：

5 仿真结果

在本节中，对水下无线传感器网络（UWSN）的若干数据收集方法进行了相对分析，这些方法包括HH‐VBF （Xie等，2010）、VAPR（Noh等，2012）、OVAR（Ghoreyshi等，2016）、DBR（Yan等，2008）和 DCR（Coutinho等，2013）。我们在NS 2.30一体化版本上对部分数据收集相关方法进行了仿真，其中传感器节点随机分布，传输范围为100米，并采用CSMA‐MAC 作为水下MAC信道。能耗的值对于传感器的传输、接收、空闲和垂直移动操作，其能耗分别保持为2 W、0.1 W、10 mW和15 J/米（ Coutinho等，2013）。在此，数据生成速率设置为1 包/秒，用于测试提出的协议。此外，我们在位置(80; 80; 0)设置了一个汇聚节点以收集数据，同时将源节点置于位置(300; 300; 800)，以产生数据包并向汇聚节点方向移动。我们将管道半径设为等于节点传输范围，以获得最佳性能，同时将源节点与汇聚节点置于相对方向，以便更好地评估协议性能。本次性能分析所使用的其他各种仿真参数在表2中进行了简要说明。

在这些参数的实验设置下，所有结果均对应于20 次仿真运行的算术平均值。我们使用以下指标来评估并分析HH‐VBF、VAPR、OVAR、DBR、DCR数据收集方案在仿真后的性能。

平均端到端延迟表示一个字节的数据包从源节点传输到汇聚节点所消耗的平均时间。在此，我们考虑了传输延迟、传播延迟以及分组保持时间，以测量该平均延迟。如图8所示，根据表2中数据包大小（以字节为单位）的变化对平均延迟进行了评估。从图中可以看出，随着数据包大小的增加，HH‐VBF和OVAR 的表现更优，这取决于中间节点在其邻域内发现更多高性能和合格节点的能力。当中间跳数较多时，分组到达目的地的时间也会增加，从而导致分组投递失败以及更高延迟。与其它方案相比，HH‐VBF和OVAR 的延迟非常少，因为数据包使用了到目的地的最优路径。而在VAPR、DBR和DCR中，性能更好的节点可能位于管道之外，从而导致更大的延迟。此外，VAPR仅优先选择靠近虚拟向量的传感器节点，而不一定是跳数距离较短的节点。此外，DBR和DCR的期望延迟因子与其他方法相比，由于中间节点的选择和优先级确定方法不同，因此耗时更长。在OVAR方案中，重传和碰撞较少，从而提高了分组投递率。与DBR相比，DCR的性能得到改善，因为接收到的数据包会立即根据贪婪地理转发范式通过中间节点进行传输。然而，在DCR中，由于隐藏节点在接收方可能发生碰撞，导致碰撞可能增加。

平均分组丢弃率表示从源到任意汇聚节点发送的总分组数中丢失/丢弃的分组的平均数量。如图9所示，评估了平均分组丢弃率，其中丢包随着数据包大小的增加而持续上升。在包含100个节点的网络中，VAPR相比DBR提高了87%，OVAR提高了85%，DCR提高了71%。HH‐VBF的性能低于OVAR和VAPR，因为在HH‐VBF中，当等待时间结束时，节点会成为转发器并发送数据，或者如果它已经从邻居。DCR 的性能源于其工作机制，即接收节点必须位于源的中间节点集合中，才能接受数据包；否则将丢弃该数据包。而在 DBR 的情况下，当达到最大退避次数时，数据包会被丢弃。此外，DBR 会直接丢弃来自更靠近表面的节点的数据包，因为它假设这些信息将直接传输到水面浮标。对于 OVAR，随着数据值的增加，数据包长度也随之增加，可能导致错误，但丢包较少。

平均能耗 表示数据包传输过程中的总能量消耗，包括网络中所有节点的接收、投递和空闲能耗。图10 绘制了随着数据包大小增加，HH‐VBF、VAPR、OVAR、DBR 和 DCR 的能量消耗情况。在包含100个节点的网络中，与 HH‐VBF 相比，VAPR 能耗降低了83%，OVAR 降低了88%，DBR 降低了61%。OVAR 在每个数据包向汇聚节点投递时消耗的能量低于 DCR 和 HH‐VBF 协议。这是因为 OVAR 将转发候选节点限制在仅避免冗余数据包广播和碰撞的节点上。而 HH‐VBF 中的管道半径对整体能耗增加有过度影响。选择较大的半径可以在数据包传递过程中包含更多节点；然而，这可能导致重复数据包增多，从而造成更大的能量浪费。在稀疏网络中，由于丢包率较高，HH‐VBF 的能耗也较高。在稠密网络中，DCR 的性能更优，并表现为一种性能稳定的协议，因为转发节点数量增加。然而，在低密度区域，由于需要调整断连和空洞节点，DCR 方案相比 DBR 消耗更多能量。

平均数据包投递率 指的是在汇聚节点有效接收到的不同数据包数量与源节点产生的总数据包数量之间的比率。在包含100个节点的网络中，VAPR相比DBR提高了17%，OVAR提高了75%，DCR提高了61%。如图11所示，OVAR在HH‐VBF、VAPR、DBR和DCR中表现最佳，因为OVAR采用逐跳转发节点选择将数据包发送至汇聚节点。具有最高优先级的节点优先传输数据包，而低优先级节点在传输确认后丢弃数据包。这种抑制机制结合路径选择，提高了投递率。OVAR自动排除所有空洞区域路由，因此对大规模网络具有高度可扩展性。DCR的性能也优于HH‐VBF、VAPR和DBR，因为在DCR中，每个节点每隔30秒报告其在网格部署中感知到的信息。DBR在单汇聚节点下的性能不佳，但在多汇聚节点下投递率有所提升。HH‐VBF的投递率略优于DBR，但在稀疏网络中相对较低，因为它虽有助于数据恢复并避免数据包重传。

尽管本节展示了仿真分析，但根据具体应用，通过使用各种传感器（用于测量压力、温度、盐度、水中氧含量等），也可以进行实时分析。为了帮助刚开始进入该领域的研究人员，以下列出了表3中常用的一些传感器：

6 开放性研究问题与挑战

探索湖泊、海洋、河流和大洋并持续监测其变化具有挑战性。借助水下无线传感器网络（UWSN），这一任务变得更为容易，但也带来了一些问题。即使在实时数据采集过程中，可靠且准确的信息同样至关重要。因此，本节讨论了出现的各种开放性研究问题：

当稀疏网络中的通信质量较高时，需要开发真实通信模型，并对规划算法进行深入分析，以优化信息收集。
需要以改进的调度算法形式的强大工具来设计用于自主数据采集和通信分析的路径规划算法。
由于水流的影响，传感器会不断从其位置漂移，导致自主水下航行器难以对其进行定位以实现数据收集。因此，有必要开展研究，以制定一种估算传感器之间非度量和不对称距离的方法。
在复杂的网络结构中，传感器节点之间需要进行协作以实现路径规划和通信，从而提高机器人数据收集的性能。必须建立一种机制来实现节点间的最佳协作。
传输层协议需要通过避免过载来减轻中继流量，以实现可靠数据收集方案。
为了实现实时数据传输，数据收集方法需要采用一种高效的深度调整过程，以最低的开销和延迟恢复突发性数据丢失。
数据收集方案应具有足够的灵活性和高效性，以便在不回避管理数据传输过程中可能产生的故障的情况下顺利实施。

7 结论

与无线电传输相比，由于水下无线传感器网络（ UWSN）存在较高的误码率、声学信道带宽较低以及动态拓扑结构等问题，在提供高效且可扩展的数据收集服务方面面临挑战。为了发现尚未开发的宝贵水下资源并对其进行实时监控，需要改进安全可靠的数据收集方案，以克服水下环境带来的各种挑战。适当的数据收集技术几乎可以在所有水下应用中实现准确和及时的水下活动。在UWSN中，继节点定位之后的下一个挑战就是数据收集。根据分类方法，已有研究提出了多种实现可靠且准确的数据收集方案的可能途径。

作者还对现有的数据收集方法与相关服务质量指标（如可扩展性、延迟、吞吐量、能效、开销、成功率和通信过程中的丢包率）进行了比较分析。我们还使用NS2仿真器进行了广泛的仿真研究。仿真结果表明，在数据传输延迟方面，DCR和DBR即使在密集部署情况下也表现出良好的性能，能够有效应对水下不可靠传输的缺陷。而在丢包方面，当数据包大小较小时，DBR和HH‐VBF表现最佳，因为DBR采用贪婪模式工作，而HH‐VBF通过交错且冗余的路径转发数据包。此外，OVAR和VAPR在能量消耗方面表现最优，但随着数据包大小增加，能耗也随之上升，因为这些方法在网络规模上具有可扩展性。此外，OVAR和DCR确保了通过考虑中间节点与中继数据包的协作，实现更优的数据包投递。在本文中，作者还讨论了与数据收集方法相关的问题，以有效地从汇聚节点收集数据。