動態分層的水下傳感器網絡分簇路由算法

洪昌建吳偉杰 唐平鵬

(武漢第二船舶設計研究所 武漢 430064)

動態分層的水下傳感器網絡分簇路由算法

洪昌建*吳偉杰 唐平鵬

(武漢第二船舶設計研究所 武漢 430064)

針對平面路由難以適應較大規模水下傳感器網絡的局限，該文提出一種能更好地適用于較大規模網絡的分簇路由算法DLCR(Dynamic Layered Clustering Routing)。該算法將網絡自上向下劃分為多層，并選擇層內與sink節點距離較近、剩余能量較高的節點作為簇頭節點，從而降低簇頭節點的通信能耗。為了避免同一節點連續被選舉為簇頭節點，提出一種動態分層機制，每一輪數據采集周期都將網絡重新劃分為多層。實驗證明DLCR不僅具有良好的穩定性，還降低了網絡的能耗，延長了網絡的壽命。

水下傳感器網絡；動態分層機制；分簇路由

1 引言

隨著世界各國對海洋權益的日益重視、發展海洋經濟熱潮的興起和陸地無線傳感器網絡研究的迅速發展，水下傳感器網絡(Underwater Sensor Networks, USN)已經成為新的研究熱點[1,2]。水下傳感器網絡將采集到的水下環境數據發送給用戶來輔助決策，在環境監測、資源勘探、災難預警和潛艇探測等民用和軍用領域均具有廣闊的應用前景[3,4]。

在實際應用中，由于水下傳感器網絡的特殊網絡環境，無線電波在水中衰減迅速，不適合作長距離的數據傳輸，因而通常采用水聲通信；由于GPS在水中無法使用，節點的位置信息未知；同時節點受水流的影響在一定范圍內移動，造成了網絡的間歇連通性。以上均為水下傳感器網絡的路由帶來了極大的挑戰。

關于水下傳感器網絡的路由策略已有大量研究。以DBR[5]算法為代表的平面路由算法為水下傳感器網絡的組網提供了良好的解決方案。然而平面路由算法常用于較小規模的網絡，如果網絡規模較大，靠近sink的節點會承擔過多的數據轉發而消耗大量的能量，導致這一部分節點提前死亡而形成能量空洞，這些節點死亡后又會加劇其周圍節點的死亡，故延緩能量空洞的出現有助于延長網絡的壽命。相對于平面路由算法，分簇路由能夠使網絡的能量負載更加均衡，因此為了適應大規模的網絡環境，采用分簇路由算法則能夠在一定程度上延緩能量空洞的出現，有效地延長網絡的壽命。

目前，研究者對于分簇路由算法的研究主要集中在傳統地面無線傳感器網絡上，其網絡形態為2維平面網絡，此類算法不能直接應用于3維水下傳感器網絡環境中。關于3維水下傳感器網絡分簇路由算法，國內外研究者也做了相應的理論研究，但大多數算法都建立在2維地面傳感器網絡分簇路由算法的基礎上，將2維地面傳感器網絡的分簇路由算法移植到3維水下傳感器網絡環境中，沒有考慮水下傳感器網絡節點的移動性、位置信息未知等特點，并不能真正地解決水下傳感器網絡的分簇路由問題。主要存在以下幾點不足：(1)基于地理位置信息的分簇算法，如LCAD[6], MCCP[7]等。此類算法的簇頭選舉代價函數通常涉及到節點間距、位置等信息，采用水聲通信的水下傳感器網絡無法利用GPS來定位。采用無線測距的方式則存在較大的誤差，而且水下測距和節點定位已成為另一個研究的熱點問題；(2)未充分考慮節點移動性給網絡帶來的影響，此類算法如UDA[8], E-PULRP[9]等多采用靜態3維網絡模型，忽略了節點移動給網絡拓撲帶來的影響；(3)引入其他移動數據采集裝置或者引入特殊節點解決水下傳感器網絡特殊性帶來的問題，此類算法如TCBR[10], UW-HSNs[11]等雖然能被很好應用，但額外的設備也增加了網絡的成本；(4)其他分簇算法如DUCS[12], DEAR[13]等雖然為水下傳感器網絡分簇路由提供了解決方案并能夠較好適應水下環境，但隨著網絡的運行，該算法最終會退化為隨機成簇算法，因而其網絡能量的利用率仍有較大的提升空間。在不依賴節點位置信息和考慮節點移動性的基礎上，本文網絡節點通信半徑可以在數據采集周期的不同階段進行自調整，從而保證網絡的可靠性；并對網絡進行初始分層，使簇頭盡可能地位于層內偏上方，即與sink節點的距離較近，從而減少簇頭節點的能耗。并且，每次數據采集周期開始前都要動態地調整網絡分層，使簇頭節點始終盡可能存在層內的偏上方，同時可以降低同一節點連續被選為簇頭節點的概率。分層的引入不僅簡化了網絡模型，還能夠使簇頭分布得更加均勻，有助于均衡網絡的負載。

2 相關模型和假定

2.1 網絡拓撲模型

本文的研究對象為3維水下傳感器網絡，該網絡是由固定在水底的靜態節點、懸浮在水中的動態節點、和浮在水面的sink節點構成。

如圖1所示，在網絡的初始階段，若干個水下傳感器節點隨機地部署在一個長方體監控區域內，若干個sink節點隨機地分布在監控領域的水面上方。本文對水下傳感器網絡做了如下的假設：

(1)假定sink節點的數量足夠多使sink節點的間距始終小于一個固定值ds；

圖1 水下傳感器網絡模型

(2)所有節點均具有唯一的標志，節點采用水聲通信的方式進行消息傳遞，消息被發送到任意的sink節點均表示被成功地接收；

(3)所有非sink節點具有可調的處理/通信能力，但無法通過水聲信號來感知節點間距離；

(4)節點受水流的影響在一定范圍內移動，假定具有最大的偏移距離r；

(5)節點周期性地進行數據采集，且始終有數據傳送至sink；

(6)分別采用第1個節點死亡和10%節點死亡的時間[14]作為網絡壽命的衡量參數。

2.2 水聲通信能耗模型

本文算法采用與文獻[15]相同的水聲通信能耗模型。對于水下傳感器節點，消息發送產生的能耗大約為消息接收和空閑偵聽所消耗能量的幾十倍，因而消息發送產生的能耗占據了網絡總能耗的極大比例，降低消息發送產生的能耗就意味著降低了整個網絡的總能耗[16]。本文算法將消息發送產生的能耗作為衡量整個網絡總能耗的主要參數，即不考慮消息接收產生的能耗。

假定Po為節點能夠正常接收消息所需的最低功率，若功率對傳播距離x的衰減函數為A(x)，那么節點的發送功率至少應達到PoA(x)才能保證節點能接收到該消息。設節點發送l bit數據的發送時延為TP，則發送l bit數據消耗的能量Etr(l,x)為

其中A(x)是與水聲傳播模型和發送頻率有關的函數變量，可表示為

其中k為水聲傳播模型的相關參數，k取1時為柱形傳播模型，k取2時為球形傳播模型，通常k取1.5代表實際水聲傳播模型。a與頻率f有關，可由能量吸收系數?(f)獲得其中能量吸收系數為

2.3 節點運動模型

為了能夠較為準確地模擬水中節點的運動狀態，建立節點運動模型時需要考慮如下情況：首先由于節點被拋錨固定在水底，節點的深度可以通過調整錨鏈的長度來改變。這種狀態下的節點受到水流的影響和錨鏈的牽引力作用，會在一定的范圍內做受限的運動[17]。圖2給出了水下環境中的節點受力圖。

圖2 節點受力圖

如圖2所示，對節點受力分析，節點受到水流的橫向沖擊力F、浮力f及錨鏈對節點的拉力T (忽略節點的自身重力)，這3種力構成了一組平衡力，并設錨鏈和垂直方向的最大夾角為β，其中tanβ =F/f 。本文不做流體力學相關研究，在實驗仿真中做了定量處理，僅給出節點移動的最大偏移距離，在該偏移距離內節點做Random Waypoint運動[18]。

3 動態分層的分簇路由算法

3.1 問題描述

在網絡分簇階段，節點受水流的影響在一定范圍內運動，節點與簇頭的間距在不斷地變化，且節點無法感知與簇頭的間距。為了保證網絡的可靠性，本文節點通信半徑初始化為固定值。這樣，在簇內成員節點通信半徑都相同的情況下，不同簇形態具有相同的能耗nEtr, n為簇內成員節點的總數，Etr為成員節點與簇頭節點通信的能耗，在不能改變成員節點能耗的情況下，如果能減少簇頭節點的能耗，則減少網絡的總能耗。然而如果始終選擇距離sink節點較近的節點成為簇頭，會導致這類節點能量消耗過大而提前死亡，形成能量空洞。本文引入了動態分層機制，每一輪數據采集周期網絡分層都自動向下調整，動態分層避免了同一節點連續被選舉為簇頭節點，起到了平衡網絡能耗的作用。圖3和圖4分別給出了網絡簇頭選取方法和動態分層機制的示意圖。

3.2 節點通信半徑

對式(2)求導處理后，當在最小接收功率為3 mW、消息發送頻率為10 kHz的條件下，節點的通信距離小于540 m時，節點傳輸功耗增長率小于1，表明在540 m范圍內，隨著通信距離的增加，節點發送消息產生的能量增加得較緩慢。相反，當節點的通信距離大于540 m時，隨著通信距離的增加，節點發送消息產生的能量增加得較快。因而，DLCR算法要求節點的通信半徑不能超過540 m過多。

為了適應節點的移動性，保證網絡的可靠性，本文算法要求節點的通信功率可調。在簇頭選舉階段，被選為簇頭的節點以通信半徑R廣播自己成為簇頭的消息，成員節點選擇加入最佳的簇。數據采集階段，成員節點以通信半徑R+2r就能保證消息能夠發送給簇頭節點，r為節點受水流影響的最大偏移距離。最后簇頭節點采用多跳的方式將消息發送給sink節點。

3.3 動態分層機制

圖3 簇頭選取方法

圖4 動態分層圖

網絡分層的目的是為了簡化網絡模型，分層又能夠保證簇頭節點更加均勻地分布在整個傳感器網絡中，有助于均衡網絡的能耗。分層后的網絡只有同一層內的節點進行成簇。DLCR算法的核心思想是為了讓簇頭節點更靠近網絡的上方，即與sink節點的距離較近。因而為了保證分層邊界上的節點能與正上方最遠的簇頭節點通信，要求簇頭選舉階段節點的通信半徑R不小于層間距Δd。DLCR算法取分層間距等于通信半徑R。

DLCR算法要求在每一輪數據采集周期內，簇頭節點位于網絡層內的偏上方，每一輪數據采集周期結束后，相較于普通節點，簇頭節點消耗較大的能耗。為了避免同一節點多次被選為簇頭節點，又能保證所有的簇頭都在層內的偏上方，因而要引入動態的網絡分層。動態網絡分層的核心思想為：每一輪數據采集結束之后，各網絡分層都向下移動一個固定距離值d，這樣經過R/d 輪后，網絡又重新恢復到最初的分層狀態。

假設網絡被均勻的劃分為多層，節點x的當前深度信息為hx,D為網絡的最大深度。網絡在初始階段被劃分為D/R層，之后由于動態分層機制，網絡將被劃分為D/R+1層，經過R/d輪后，網絡又重新恢復到初始的分層網絡。設網絡分層編號從0開始采用自上而下遞增的方式進行編號，網絡初始階段第0層是不存在的，網絡編號從1開始。之后網絡的第0層距離sink節點在通信范圍內，所以要求第0層節點不成簇，直接將數據發送給sink節點。節點第1輪所在初始層次為L1x：

由于每一輪簇頭都盡可能地位于層內偏上方，為了平衡網絡的能耗，每一輪分簇結束之后，在上一輪分層的基礎之上，各網絡分層都向下調整距離d，節點x第n輪的所在網絡層次為Lnx：

式(6)給出動態分層的計算方式，只要每一輪數據采集周期結束之后，節點都要重新計算自己所在的網絡層次。這樣，在動態分層機制的基礎上，只要能給出合適的簇頭選舉機制，始終選擇距離sink節點較近的節點作為簇頭節點，就能夠保證網絡的能量均衡，延緩網絡能量空洞的出現，有效地延長網絡的壽命。

3.4 簇頭的選舉和路由

簇頭選舉的核心思想是建立在動態分層的基礎之上，其中第0層距離sink節點較近，節點直接將消息發送給sink，而其他層內的簇頭節點盡可能位于層內的偏上方。針對在同一深度的節點，簇頭的選取還需要綜合節點能耗因數，始終考慮能量較大的節點擔任簇頭節點。本算法要求簇頭選舉的代價函數依賴于深度因子和能量因子兩個參數。由于簇頭的選舉在同一層內進行，深度因子H(x)的計算方式為當前節點位于層內的相對高度與層間距的比值，式(7)給出了深度因子的求解：

由于每一輪數據采集周期內，普通節點都要以通信半徑R+2r將數據發送給簇頭節點，因而節點每一輪都將至少消耗Etr(l,R+2r)的能量(若為擔任簇頭節點，則能耗較高)。第n輪時，節點最大剩余能量約為Eo?(n?1)×Etr(l,R+2r )，能量因子E(x)的計算方式為節點剩余能量與節點的最大剩余能量的比值，式(8)給出了能量因子的求解：

其中Eo為節點初始能量，Ex為節點剩余能量，n表示輪數，r為節點最大偏移距離。

在簇頭選舉過程中，簇頭首先要計算深度因子H(x)，能量因子E(x)和簇頭代價值T(x)；首先需要給出一個深度閾值Ho，只有深度因子H(x)大于深度閾值Ho的節點被選為候選簇頭。要找出深度閾值Ho就得找出哪些節點被選為候選簇頭。

根據動態分層機制，在新一輪簇頭選舉時，網絡分層進行相應的調整，各層向下調整的距離為d 。其理論為：位于層內偏上方深度區間d內的那段區域的節點被當選為候選簇頭。式(10)給出閾值Ho的計算方式：

簇頭選舉的代價函數T(x)可由深度因子與能量因子之積求得，式(9)給出了簇頭選舉的代價函數的求解：

簇頭選舉和路由的過程如下：

第1步 候選簇頭選舉階段，每個節點計算自身的深度因子H(x)和成為簇頭的權值T(x), H(x)若大于閾值Ho，則該節點成為候選簇頭。

第2步 簇頭選舉階段，每個候選簇頭進行消息廣播。候選簇頭i收到來自其他候選簇頭節點的廣播消息后，將其他的簇頭節點加入自己的競選隊列Qi。

第3步 如果競選隊列Qi內所有來自其他節點的簇頭權值T(x)均小于自身權值，則宣布自己成為簇頭，并廣播自己成為簇頭的消息。其他候選簇頭節點收到該消息后就加入該簇，并廣播退選消息，其他節點收到退選消息后，將該節點從自己的競選隊列里去除。然后重復第3步過程，經過多次迭代，直到所有簇頭均被選舉出來。

第4步 分簇階段中，非簇頭節點存在以下3種情況：

(1)第1類節點收到多個本層簇頭節點的廣播消息或同時收到若干來自下層簇頭的廣播消息，選擇本層簇頭節點中權值T(x)較大的加入；

(2)第2類節點只收到來自下層簇頭節點的廣播消息，隨機選擇簇頭權值T(x)最大的簇頭加入；

(3)第3類節點未收到任何簇頭廣播信息，自己成為一個簇頭，并廣播簇頭消息，其他類似節點通過這種方式自主選擇分簇。

第5步 數據收集階段：簇頭將成員節點的消息融合成一條消息后，通過多跳的方式發送給sink節點。

(1)每個簇頭以半徑R廣播一個路由發現消息，選擇來自上層的T(x)閾值最大的簇頭節點作為下一跳節點；

(2)若通信范圍內沒找到簇頭節點，則在通信半徑增大R后，再廣播路由發現消息，直到發現下一跳簇頭節點。重復次，直到確定下一跳節點。否則直接將消息發送給sink節點。

4 實驗與仿真

在matlab平臺下，本文與采用相同網絡模型的DUCS, DEAR算法以及LEACH經典成簇算法進行了對比實驗。實驗結果證明，DLCR算法的穩定性以及在控制網絡負載均衡、延長網絡壽命等方面都要優于DUCS, DEAR, LEACH等算法。表1給出了默認的仿真參數。

4.1 動態網絡分層對網絡壽命的影響

在500×500×600網絡環境下部署1000個節點，節點初始能量為0.5 J，通信半徑R為200 m，動態分層調整間距d分別取R, R/2, R/3, R/4, R/5；從圖5可以看出在不同動態分層機制下，當調整值d為R時，即沒有引入網絡動態分層機制時，網絡第1個節點的死亡時間最早，而且隨著網絡的運行，節點的死亡速率最高；當引入分層機制后，節點的死亡時間得到延遲，并且當調整間距為R/2時，網絡最晚出現死亡節點。從圖6可以看出，當調整值d取R值時，即在沒有引入網絡動態分層機制的情況下，網絡的總能耗要高于引入動態分層機制后的網絡。而引入動態分層機制后，網絡總能耗均得到良好的控制，表明動態分層有助于提高網絡能量的利用率。由于第1個節點死亡時，網絡將開始變得不穩定，因而結合圖5和圖6的實驗結果，當分層調整值d取R/2時，網絡的性能較優。

表1 仿真參數

在保持網絡節點密度、通信半徑不變的情況下，通過改變網絡的規模，進行多次實驗后從圖7可以看出最優網絡壽命下的分層調整值d并沒有隨著網絡的規模而改變。保持網絡規模不變的情況下，通過改變節點的數量，進行多次實驗后從圖8可以看出當網絡部署節點的增加嚴重影響了網絡節點密度時，節點重復覆蓋面積增大，此時分層調整間距減小更有利于均衡網絡的能耗。

4.2 網絡簇頭的分布

在500×500×600網絡環境下部署1000個節點，節點初始能量為1 J，通信半徑為200 m。從圖9可以看出相較于其他算法，DLCR簇頭分布更接近正態分布，說明該算法下的簇頭分布相對集中，算法的穩定性和穩健性較好。

4.3 不同算法的網絡性能對比

在500×500×600的網絡環境下，隨機部署1000個節點，節點初始能量為1 J，通信半徑為200 m。從圖10可以看出，采用隨機分簇且沒有合理簇間路由的LEACH算法其簇頭節點能耗較大，最早出現死亡節點；DUCS算法根據節點剩余能量選舉簇頭，而DEAR算法考慮了簇內節點的平均能量，但當節點能量較低時，DUCS和DEAR算法都會退化成隨機成簇算法；本文DLCR算法考慮節點的相對剩余能量和相對深度，是更優的分簇算法，同時動態分層均衡了網絡能耗，進一步延長了網絡壽命。對比圖11可以看出采用了動態分層的DLCR算法，由于網絡簇頭更加均勻，且距離sink較近，因而其網絡能量的衰減最為緩慢。

5 結論

圖5 動態網絡分層對節點存亡的影響

圖6 動態網絡分層對網絡能量的影響

圖7 最優網絡壽命下網絡規模對應的調整值

圖8 最優網絡壽命下網絡密度對應的調整值

圖9 簇頭分布

圖10 節點死亡時間對比

圖11 網絡剩余能量

本文提出了一種動態分層的水下傳感器網絡分簇路由算法，該算法通過減少簇頭節點與sink節點的距離來減少簇頭的通信能耗，并通過建立動態的分層機制來平衡網絡的能耗，實驗證明該算法具有較好的穩定性，能夠有效地均衡網絡能量、延長網絡壽命。

[1] 郭忠文, 羅漢江, 洪峰, 等. 水下傳感器網絡的研究進展[J].計算機研究與發展, 2010, 47(3): 377-389.

Guo Zhong-wen, Luo Han-jiang, Hong Feng, et al.. Current progress and research issues in underwater sensor networks[J]. Journal of Computer of Computer Research and Development, 2010, 47(3): 377-389.

[2] 洪峰, 張玉亮, 楊博真, 等. 水下傳感器網絡時間同步技術綜述[J]. 電子學報, 2013, 41(5): 960-965.

Hong Feng, Zhang Yu-liang, Yang Bo-zhen, et al.. Review on time synchronization techniques in underwater acoustic sensor networks[J]. Acta Electronica Sinica, 2013, 41(5): 960-965.

[3] 郭瑛, 張震. 大規模水下傳感器網絡時間同步研究[J]. 電子與信息學報, 2014, 36(6): 1498-1503.

Guo Ying and Zhang Zhen. Clock synchronization study for large scale underwater sensor networks[J]. Journal of Electronics & Information Technology, 2014, 36(6): 1498-1503.

[4] 金志剛, 蘇毅珊, 劉自鑫, 等. 基于運動預測的水下傳感器網絡MAC協議[J]. 電子與信息學報, 2013, 35(3): 728-734.

Jin Zhi-gang, Su Yi-shan, Liu Zi-xin, et al.. Prediction based MAC for underwater wireless sensor networks[J]. Journal of Electronics & Information Technology, 2013, 35(3): 728-734.

[5] Yan H and Cui J H. DBR: depth-based routing for underwater sensor networks[C]. Proceedings of the 7th International IFIP-TC6 Networking Conference, Singapore, 2008: 72-86.

[6] Anupama K R, Sasidharan A, and Vadlamani S. A location-based clustering algorithm for data gathering in 3D underwater wireless sensor networks[C]. Proceedings of the 2008 International Symposium on Telecommunications, Tehran, Iran, 2008: 343-348.

[7] Pu W, Cheng L, and Jun Z. Distributed minimum-cost clustering protocol for underwater sensor networks (UWSNs) [C]. Proceedings of the IEEE International Conference on Communications, Glasgow, UK, 2007: 3510-3515.

[8] Liu L F. A deployment algorithm for underwater sensor networks in ocean environment[J]. Journal of Circuits, Systems and Computers, 2011, 20(6): 1051-1066.

[9] Gopi S, Kannan G, Chander D, et al.. PULRP: path unawarelayer routing protocol for underwater sensor networks[C]. Proceedings of the IEEE International Conference on Communications, Beijing, China, 2008: 3141-3145.

[10] Ayaz M, Abdullah A, and Low Tang Jung. Temporary cluster based routing for underwater wireless sensor networks[C]. Proceedings of the International Symposium in Information Technology, Kuala Lumpur, Malaysia, 2010: 1009-1014.

[11] Ali K and Hassanein H. Underwater wireless hybrid sensor network[C]. Proceedings of the IEEE Symposium on Computers and Communications, Marrakech, Marocko, 2008: 1166-1171.

[12] Domingo M C and Prior R. A distributed clustering scheme for underwater wireless sensor networks in personal, indoor and mobile radio communications[C]. Proceedings of the IEEE 18th International Symposium on PIMRC, Athens, Greece, 2007: 1-5.

[13] Domingo M C. A distributed energy-aware routing protocol for underwater wireless sensor networks[J]. Wireless Personal Communications, 2011, 57(4): 607-627.

[14] 卿利, 朱清新, 王明文. 異構傳感器網絡的分布式能量有效分簇算法[J]. 軟件學報, 2006, 17(3): 481-489.

Qing Li, Zhu Qing-xin, and Wang Ming-wen. A distributed energy-efficient clustering algorithm for heterogeneous wireless sensor networks[J]. Journal of Software, 2006, 17(3): 481-489.

[15] Sozer E M, Stojanovic M, and Proakis J G. Underwater acoustic networks[J]. IEEE Journal of Oceanic Engineering, 2000, 25(1): 72-83.

[16] 彭艦, 洪昌建, 劉唐, 等. 基于分層的水下傳感器網絡路由策略[J]. 通信學報, 2014, 35(6): 25-31.

Peng Jian, Hong Chang-jian, Liu Tang, et al.. Strategy of routing based on layered for underwater wireless sensor networks[J]. Journal on Communications, 2014, 35(6): 25-31.

[17] Guo Y and Liu Y T. Localization for anchor-free underwater sensor networks[J]. Computers and Electrical Engineering, 2013, 39(6): 1812-1821.

[18] 劉唐, 彭艦, 楊進. 異構延遲容忍移動傳感器網絡中基于轉發概率的數據傳輸[J]. 軟件學報, 2013, 24(2): 215-229.

Liu Tang, Peng Jian, and Yang Jin. Data delivery for heterogeneous delay tolerant mobile sensor networks based on forwarding probability[J]. Journal of Software, 2013, 24(2): 215-229.

洪昌建： 男，1988年生，碩士，助理工程師，研究方向為無線傳感器網絡.

吳偉杰： 男，1980年生，碩士，高級工程師，研究方向為計算機網絡.

唐平鵬： 男，1985年生，博士，工程師，研究方向為計算機網絡.

Dynamic Layered Clustering Routing Algorithm in Underwater Sensor Networks

Hong Chang-jian Wu Wei-jie Tang Ping-peng
(Wuhan Second Ship Design and Research Institute, Wuhan 430064, China)

To deal with the limitation that flat routing can hardly be accustomed to large scale Underwater Sensor Networks (USN), a new clustering routing algorithm Dynamic Layered Clustering Routing (DLCR) is proposed, which can be accustomed to larger scale networks. This algorithm divides the networks into several layers from top to bottom, and selects the nodes which have more remaining energy and shorter distance to sink as the cluster head nodes, thus, clusters' communication energy consumption are reduced. In order to avoid the same nodes being elected to be cluster head nodes continuously, a dynamic layered mechanism that the networks are divided into different layers in each circle of data gathering is proposed. The experiment shows that DLCR not only has a better stability, but also reduces the energy consumption and prolongs the lifetime of the whole networks.

Underwater Sensor Networks (USN); Dynamic layered mechanism; Clustering routing

TP393

： A

：1009-5896(2015)06-1291-07

10.11999/JEIT141182

2014-09-10 收到，2014-12-23改回

*通信作者：洪昌建 hongcj@yeah.net