融合深度學習的UASN智能路由算法研究

秦利娟，劉 鑫

(1.鄭州工業應用技術學院信息工程學院，河南 鄭州 451150；2.中南大學商學院，湖南 長沙 410083)

1 引言

受陸地資源的限制，人們越來越重視海洋資源開發。在發展海洋資源，保護海洋權益的過程中，需要掌握地質資源和水下環境，水聲傳感器網絡(UASNs)依托其便捷部署、自主采集、主動上傳等優勢得到大量應用。由于信號傳輸介質和部署環境的原因，UASNs存在如下特征：①節點能量有限；②水介質會造成電磁波的快速衰減[1]，只能基于水聲實現節點間通信；③GPS失效，網絡節點位置不能確定；④水聲信道不穩定，距離越遠干擾越大[2]；⑤網絡節點部署深度不同，網絡拓撲結構具有三維特征；⑥節點位置具有移動性，水流會改變網絡拓撲形狀和結構?？梢钥闯?，UASNs不但具有陸上傳感網絡的缺點，而且存在很多獨有的特點。因此，兩種網絡不能實現路由算法的互用。同時，UASNs的這些特點也給其路由造成嚴峻挑戰。

圍繞UASNs自身局限性，研究人員從多種角度提出了不同的路由算法。文獻[3]基于節點動態特征與位置特征提出QKS算法，結果表明該算法獲得了較好的動態效果，可是無法準確得到位置數據。文獻[4]根據深度信息與時間信息提出WDFAD-DBR算法，結果表明該算法能夠降低通信過程中的沖突，可是缺乏對信道的分析。文獻[5]基于立體拓撲的分層提出了EULC算法，針對節點到sink距離的不同，動態改變數據發送功率，結果表明該算法能夠較好的避免熱點出現，可是節點的移動很難保證深度信息的準確獲取。由于當前很多算法采取的是啟發計算，在水下復雜環境中無法獲得良好的魯棒效果。于是一些研究人員在路由算法中引入機器學習，以獲得更好的挖掘結果，如文獻[6]把路由模型轉換為Markov決策，并引入強化學習，根據正負回饋更新網絡參數。該算法能夠較好的平衡路由過程中的路徑與損耗。文獻[7]在分簇基礎上，引入強化學習與ε-greedy對路徑采取更新，該算法能夠降低路徑復雜度與傳輸損耗。雖然強化學習可以增加路由挖掘深度，可是復雜度過高限制了其在大規模網絡中的應用性能[8]。深度學習可以通過DNN實現高維特征的識別處理。由于在收斂性與復雜性方面均有明顯優勢，因此本文在路由算法中融合深度學習。

相比現有的其它路由算法，本文的創新點如下：①構建UASNs的信道與能耗模型，作為簇頭與路由的約束，并可以根據信道衰減情況調整通信頻率；②設計了基于傳輸距離與可用能量的簇頭選擇策略；③融合深度網絡與AE學習算法，實現路由參數更新。通過仿真實驗，證明本文的路由算法可以有效延長網絡壽命，對水下環境具有良好的適應性和魯棒性。

2 UASNs信道與能耗模型

考慮到信道影響UASNs信號傳輸，能耗影響UASNs生命周期，本文以信道與能耗為基礎建立分析模型。

首先分析UASNs信道的衰減。衰減過程受信號的頻率與傳輸距離影響，衰減公式可以表示如下

S(d，f)=dαs(f)d

(1)

式中d代表傳輸距離；f代表信號頻率；α代表擴散常數；s(f)代表吸收項。把衰減公式轉換至分貝表示形式

101logS(d，f)=α·101logd+d·101logs(f)

(2)

此時，等式右側101logS(d，f)與d·101logs(f)分別可以用來描述擴散與吸收損耗。根據實際使用的水聲頻率與擴散常數，就可以確定信道衰減情況。

然后分析水下噪聲，本文基于海洋環境進行分析。根據噪聲種類，其功率譜密度可以表示為

Z(f)=Zt(f)+Zb(f)+Zw(f)+Zh(f)

(3)

等式右側各項為信道的噪聲組成，Zt(f)、Zw(f)、Zb(f)、Zh(f)依次代表洋流、海浪、船只和熱噪聲。Z(f)滿足高斯分布，其衰減過程在對數域幾乎呈線性，公式表示為

101logZ(f)≈Z0-βlogf

(4)

式中Z0=50dBreμPa/Hz、β=18dB/decade均代表常系數。

再分析UASNs節點的傳輸能耗。在數據發送時，所需的能耗與距離、數據量、帶寬有關。于是節點的發送聲功率表示如下

(5)

Et(d)=λPt(d)/η

(6)

式中λ代表聲到電的變換因子；η代表硬件效率。

在數據接收時，所需的能耗與檢測操作有關。由于不受信道其它參數影響，所以假定接收功率為Pr固定不變。當傳輸數據量為D，則完成一次數據傳輸的時間為

t(D，d)=D/vB(d)

(7)

完成此次數據傳輸的能耗可以表示為

E(D，d)=(Pt(d)+Pr)·t(D，d)

(8)

經過節點傳輸能耗的推導能夠得到，E(D，d)受S(d，(d))與Z((d))兩項影響，且與這兩項均為正相關。對S(d，(d))和Z((d))兩項求積SZ=S(d，(d))Z((d))，并求其分貝形式

SZdB=SdB(d，(d))ZdB((d))

(9)

3 UASNs簇頭選擇

UASNs的拓撲結構與陸上傳感器網絡不同，陸上傳感器網絡可以基于平面分析，而UASNs節點構成了立體拓撲結構。當前一些路由算法通過節點深度分布采用逐層分析法，這種方法容易增加冗余傳輸，加快能量消耗。本文直接針對立體拓撲，根據傳輸能耗進行分析。對于簇內的任何一跳，能耗都應該滿足如下關系

(10)

UASNs的生命周期最終還是由能量決定，如果節點的載荷不能合理分配，將加快能量消耗，使UASNs提前失衡。于是，本文對網絡節點的載荷能量采取約束設置，根據任務能耗與可用能量共同確定節點在網絡中的地位。對于可用能量多的節點，增加其當選簇頭的概率。但是此過程中約束閾值的確定必須保證合理性，才能使網絡處于均衡狀態。節點簇是整個網絡組成的基本單元，在任何一個節點簇中，理想情況應該是所有節點保持近似的能量狀態。考慮到簇頭與協助節點在一次任務執行時的能耗是有差異的，為了達到網絡均衡，能量閾值應該符合如下約束

(11)

式中n表示簇中的協助節點數量；E表示協助節點執行一輪任務的能耗。由約束可得Emax∈[E，2E)。如果某節點能量是E0，則作為協助節點一共能夠執行的任務輪數l=E0/E。定義閾值系數φ=Emax/E0，結合前述分析可得

(12)

式中φ0=E/E0，φ∈[φ0，2φ0)。

綜合傳輸距離與可用能量，簇頭的選擇方式描述如下

(13)

式中ω代表權重系數；dmax代表協助節點與sink最遠距離。

4 融合深度學習的智能路由算法

為了保證學習網絡輸出結果的可靠性，本文采用融合深度網絡與AE學習。由于AE擅長特征提取，所以將其部署于訓練過程。經過訓練搜索得到符合如下損失函數的最優解

(14)

(15)

式中gU，v(xi)代表輸出向量。學習網絡針對訓練得到的個體(xi，yi)，可以求解出每一層和對應隱層的殘差。結合輸入輸出均方差對連接權的偏導，推導出網絡參數的更新方式

(16)

根據網絡分析，本文設計如圖1所示的訓練模型。為了增強復雜特征的識別效果，本文采用了多隱層方案。原始個體x={xi}首先經過第一層處理，確定相應層參數(U1，1，v1，1)與隱層輸出。將第一層的訓練結果提交至第二層處理，依此遞推，每一層采取相同的訓練方式。通過逐層貪婪處理，直至最后一次隱層完成，特征提取結束，并將特征提取結果提交至分類器。在分類結果符合要求后，便可以把深度學習的參數分配至相應節點運行。

圖1 網絡訓練模型

基于構建的訓練模型，融合深度學習的UASNs路由算法流程描述為：

1)根據UASNs信道與能量模型計算，確定簇頭及其個數，完成節點分簇。

2)簇頭把簇內數據傳遞至匯聚中心，同時匯聚中心把訓練結果回傳至節點。

3)當網絡節點分簇趨于平衡狀態時，節點按照初始參數配置進行特征識別，結果傳輸至簇頭。

4)簇頭把各節點隱層訓練后上傳的數據采取分類整合，得到最終結果傳輸至匯聚中心。

5)循環執行步驟2)～ 4)，使UASNs的信道與能量模型保持最優狀態。

5 仿真實驗與結果分析

5.1 UASNs環境搭建

基于Matlab仿真軟件部署UASNs環境，將傳感器節點隨機散布于1000m×1000m×500m立體區域內，匯聚中心設置于水面(100，100，0)處。其它環境參數配置如表1所示。

表1 環境參數配置

在同樣的網絡環境中，將本文算法與CMAQ[6]、EUCRL[7]算法做比較，驗證所提UASNs路由算法的實際性能。

5.2 仿真結果分析

保持環境參數，對節點先后進行20次部署，仿真得到本文、CMAQ和EUCRL三種算法的簇頭分布情況，結果如圖2所示。可以看出，只有本文算法對應的簇頭分布曲線與正態分布最為相似，簇頭數量大部分在14個左右。這表明在本文所提的路由算法作用下，網絡簇頭配置更為集中，穩定性明顯優于CMAQ和EUCRL。

圖2 簇頭分布情況

對三種算法分別采取3000輪仿真，得到存活節點數量的變化情況，結果如圖3所示?？梢钥闯觯珻MAQ算法在經過大約600輪后便開始有節點死亡，到大約1500的時候幾乎全部死亡；EUCRL算法在經過大約900輪后開始有節點死亡，到大約2100輪的時候全部死亡；而本文算法在經過大約1000輪后才開始有節點死亡，當達到2400輪后才接近全部死亡。對比發現，無論是節點出現死亡，還是節點全部死亡，本文算法經歷的測試輪數都有明顯推遲。表明基于信道與能量模型有利于降低網絡能耗與均衡度，融合深度學習后進一步增強對模型和路由參數計算，從而有效延遲網絡壽命。

針對UASNs節點移動特性，對路由算法的適應性進行仿真分析。調整移動速度，得到速度在0.5m～4m范圍變化時對數據包傳輸的影響，結果如圖4。圖中描述了移動速度改變時，數據包投遞率的變化情況。對比可知，本文算法的數據包投遞率在全范圍內表現較為均衡，沒有明顯的波動，而且一直維持較高的投遞水平。實驗結果充分說明本文的路由算法具有良好可靠的動態適應性，能夠有效應對水流對UASNs網絡結構的影響。

圖4 對數據包傳輸的影響

6 結束語

本文針對UASNs面臨的路由問題，提出了融合深度學習的智能路由算法。根據信道與能耗模型完成立體區域內簇頭的選擇，并通過構建深度學習網絡完成路由參數的提取分析，進而為節點分配最佳路由策略。仿真實驗從簇頭分布、網絡生命周期和適應性三方面采取實驗對比，證明了信道與能耗模型在分簇路由過程中的有效性，提高了能量均衡與生命周期，同時也提高了路由算法對UASNs動態拓撲的適應性。