kaiyun官方注册
您所在的位置: 首页> 通信与网络> 设计应用> 基于RSSI的WSN吞吐量自适应优化策略
基于RSSI的WSN吞吐量自适应优化策略
来源:电子技术应用2013年第4期
丁 凡, 周永明
韶关学院 物理与机电工程学院电子系, 广东 韶关512005
摘要:基于MicaZ型节点参数分别建立了ARQ技术和FEC技术的吞吐量模型,分析并仿真了各参数对吞吐量的影响,得出ARQ技术的最优数据帧长和FEC技术的最优BCH码,进而提出了一种基于RSSI测距技术的吞吐量自适应优化策略,以适应无线传感器网络(WSN)中动态变化的网络拓扑。该策略依据RSSI测距技术测量节点间的通信距离,自适应地为数据包选择最优的差错控制策略来提高WSN的吞吐量。仿真结果表明,在吞吐量和动态范围方面,该策略整体上优于单纯的ARQ或者FEC方案。
中图分类号: TP393
文献标识码: A
文章编号: 0258-7998(2013)04-0091-05
Adaptive throughput optimization for wireless sensor networks based on RSSI
Ding Fan, Zhou Yongming
School of Physics and Mechanical & Electrical Engineering ,Shaoguan College, Shaoguan 512005, China
Abstract:The throughput model for ARQ and FEC are presented based on the MicaZ node.By analyzing the various parameters on throughput,the optimal frame length of ARQ and the optimal FEC parameters are derived.Then,an adaptive throughput optimaization strategy based on RSSI is proposed,which can adapt to the dynamic changes of network topology in WSN. In the strategy, the range measurement technology called RSSI is used to measure the communication distance between nodes,and the throughput is improved by adapting the error control strategy .The simulation results show that the performance of this scheme outperforms the individual ARQ or FEC technique in terms of throughput and dynamic range.
Key words :wireless sensor networks; RSSI; throughput; adptive

吞吐量无线传感器网络WSN(Wireless Sensor Network)的一项重要性能指标,它直接反映了WSN工作运行的效率[1],如何提高吞吐量一直都是WSN研究的热点。

 近些年来有学者在无线通信系统的吞吐量优化问题上做了一些工作。LAVERY R J首次以吞吐量为优化目标,针对影响吞吐量的符号速率和数据包长度这两个参数分别作了优化,得到了不同条件下的最优符号速率和数据包长[2]。随后TAESANG Y等人提出了一种数学框架,采用符号速率、数据包长度、调制星座体积3个参数作为优化变量,实现了MQAM调制方式下点对点链路吞吐量的优化[3]。其后参考文献[4-6]基于参考文献[2]提出了模型和假设,对点对点链路的吞吐量也作了类似的研究和优化分析。但是参考文献[2-6]的吞吐量优化框架并不适用于无线传感器网络。因为WSN数据传输速率低、计算处理能力较弱、能量受限,所以WSN中的节点一般采用固定的调制方式和数据发射速率,譬如Mica2型节点[7]采用FSK调制,数据发射速率固定为38.4 kb/s;MicaZ型节点[8]使用直接扩频(DSSS)和O-QPSK调制方式,数据速率为250 kb/s。另外,参考文献[2-6]都只研究了ARQ协议下的吞吐量优化,而没有考虑FEC技术的应用。
参考文献[9]最先对能效进行了定义,并指出ARQ协议的重传策略不能提高WSN的能效。参考文献[10]对ARQ和FEC的能效进行了分析,并首次提出在WSN中使用Chase合并 HARQ技术,并通过仿真说明Chase合并HARQ技术的能效在整体上优于ARQ和FEC方案。然而Chase合并时软判决信息合并,而现有的传感器节点只提供硬判决比特,目前还无法实际应用。参考文献[11]提出了一种高能效的自适应差错控制机制(AEC-RSSI);参考文献[12]提出了基于RSSI测距技术的自适应差错控制方案。然而,上述文献都是基于能量效率的角度,而对于WSN中吞吐量的差错控制优化的问题研究则相对较少。
  本文在上述工作的基础上,考虑到WSN实际应用环境中不同节点间的链路距离的差异,以最大化吞吐量为目标,提出了一种基于RSSI测距技术的自适应吞吐量优化策略ATO-RSSI(Aadptive Throughput Optimal base on RSSI),根据接收信号强度指示(RSSI)测算节点间通信距离,进而自适应选择最优的差错控制方案,以使链路吞吐量始终保持最大化。
1 系统吞吐量分析
  本文的吞吐量分析是基于使用CC2420射频模块[13]的MicaZ型节点[8]。


2 吞吐量自适应优化策略
  通过上述对ARQ和FEC技术吞吐量的推导和分析,为了最大化吞吐量,采用ARQ技术时可以使用最优数据包长,而采用FEC技术时,可以使用最优BCH码参数组(n、k、t)。然而,在实际的无线传感器网络中,单独使用ARQ技术或者FEC技术具有许多局限和不足。
  首先,对于ARQ技术,它仅靠出错重传来实现可靠传输。但在WSN中,由于能量受限,节点发射功率低,因而容易受到无线信道环境的影响。节点间通信距离越远,信道质量越差,数据包即使多次重传仍可能无法正确传输,因此采用ARQ技术的无线传感器网络可靠通信距离短,这使得传感器节点的通信覆盖范围受到限制。
  其次,对于FEC技术,它通过增加冗余位来纠正误码。当通信距离较远时,FEC能够通过纠错来减少重传,从而提高链路的吞吐量;但是当通信距离较近时,信道质量较好,传输冗余位带来的额外开销使得其吞吐量低于ARQ。
  综合分析可知,ARQ和FEC技术适合于不同的通信距离(信道质量),ARQ技术在通信距离较近时能获得较大吞吐量,而在通信距离较远时FEC技术获得的吞吐量更大。因此,为了在提高可靠性的同时能在较大的动态范围内保证吞吐量的最大化,本文提出一种根据节点间的不同通信距离自适应选择最优化的差错控制技术的优化策略(ATO-RSSI)。
2.1 吞吐量自适应优化机制
本文提出的ATO-RSSI是一种适用于WSN、可以根据节点间不同通信距离自适应选择ARQ或FEC的差错控制策略,主要目的是在WSN中提高数据传输高可靠性的同时保证高的吞吐量。
由前文分析可知,存在一个临界距离值d*,使得
TARQ(d*)=TFEC(d*) (11)
这里,将d*称为门限距离。CC2420有一个内置的RSSI(接收到的信号强度指示器),用来提供一个数字值,该数字值可以从8位的、有符号的二进制补码RSSI.RSSI_VAL寄存器中读得。实际测量表明,CC2420的RSSI值与输入信号强度成近似线性关系,能够稳定地指示无线链路质量。RSSI寄存器值RSSI.RSSI_VAL可以被用来计算RF引脚上的接收信号功率Pt,计算公式如下[13]:
Pt=RSSI_VAL+RSSI_OFFSET [dBm] (12)
RSSI_OFFSET在系统开发时根据经验从前端获得。RSSI_OFFSET近似为-45 dBm[13]。读出RSSI寄存器的RSSI.RSSI_VAL值,根据式(12)便可以计算出接收功率Pt,然后将Pt代入式(3)便可求得通信距离d。
本文所提出的ATO-RSSI优化策略如下:
在网络布设之前,针对不同的网络条件(主要指无线信道噪声和节点间干扰),通过求解式(11)得到d*,并写入各个传感器节点的存储单元中。这部分工作可以人为地在计算机上完成。
在网络运行过程中,传感器节点利用RSSI测距技术测算节点间的通信距离d,然后比较d和d*:当d≤d*时,则使用最优ARQ方案进行差错控制;当d>d*时,则使用最优FEC方案进行差错控制。其中,最优ARQ方案和最优FEC方案将在第3节中通过仿真给出。在ATO-RSSI策略中,传感器节点不承担门限距离d*的求解任务,因此不会额外消耗节点的能量和资源。这样,ATO-RSSI策略仅会对能量和计算能力均受限的传感器节点带来极小的额外资源开销。
2.2 ATO-RSSI的具体实现
图1给出了WSN中一个传感器节点的ATO-RSSI体系结构。从图1中可以看到,ATO模块位于数据链路层。此外,在ATO中包含了两种子优化模块:最优ARQ方案和最优FEC方案。RSSI模块用于测算节点间的通信距离。ATO模块根据RSSI测算出的距离来自适应地为系统选择最优差错控制方案。

  ATO-RSSI的算法伪码如下:
  Process of ATO-RSSI( )
  { if (RSSI_distance)   ATO = Optimal_ARQ;
   else
   ATO = Optimal_FEC;
  Change(ATO); }
其中,RSSI_distance表示由RSSI模块测算出节点间的通信距离。该策略具体实现方法是:接收端每次接收数据时, 读出RSSI值交由RSSI模块测算出通信距离RSSI_
distance,然后与门限距离d*比较,ATO模块根据比较结果选择最优ARQ方案或者最优FEC方案。当最优差错控制方案需要更改时,接收端发送请求消息让发送端进行切换。该策略结合了ARQ和FEC技术的优势,在不同通信距离下都可以获得较高的吞吐量,具有较大的动态范围,而且简单,易于实现。
3 仿真结果与分析
为了对上述理论分析进行验证,采用Matlab对ARQ和FEC技术的吞吐量进行仿真实验, 仿真参数如表1所示[10-12]。

得到不同通信距离下相应的最优数据包长L(d)*,进而得到最优ARQ方案吞吐量曲线。从最优曲线可以看到,当d>450 m时,T迅速下降为0,此时即使采用最优数据包长也提高不了吞吐量。因此,远距离通信时,仅靠最优ARQ方案并不能使吞吐量最大化。
图3、图4在不同包长、不同纠错能力t的情况下,对FEC技术的BCH码的吞吐量分别进行了比较。从图3中可以看到,当节点间的通信距离较近(<450 m)时,每种BCH码的吞吐量都近似恒定,几乎不随通信距离的增加而变化,并且纠错能力越弱(即t越小)BCH 码吞吐量越高,这是因为t越小,意味着需要额外增加的冗余位越少,因此吞吐量越高。当通信距离大于450 m时,各种BCH码的吞吐量开始迅速下降直至为零,但纠错能力越强(即t越大)BCH 码吞吐量动态范围越大,这是因为纠错性能越强t越大,能够支持的动态范围自然就大。

  从上述分析中可以看到,评价BCH码吞吐量性能的好坏,应结合吞吐量大小和动态范围两方面综合考虑。由图3知t值取小于3较好,t=2性能折中最优。
 图4中也可以得到类似图3的结论。由图4可知n=511,t=2和 n=511,t=3具有较好的折中性能。为了获得BCH码吞吐量最优的参数,图5进一步比较了具备较好折中性能的不同BCH码的吞吐量。从图5中可以看到,BCH(127,2)不论在吞吐量大小还是在动态范围方面均具有较好的性能,并且根据参考文献[12],BCH(127,2)码也具有较高的能效,因此在本文提出的ATO-RSSI策略中,选择BCH(127,2)码为最优FEC技术方案。

当FEC技术中的最优纠错码确定为BCH(127,2)后,便可以得到ATO-RSSI的最优吞吐量曲线,如图6所示。为了对比分析,图6中也同时给出了单纯的最优ARQ和最优FEC方案的吞吐量曲线。两条曲线在d*=407 m的位置附近相交,当通信距离小于d*时,最优ARQ技术吞吐量高于最优FEC方案;而当通信距离大于d*时,最优FEC方案吞吐量高于最优ARQ技术。ATO-RSSI方案就是在通信距离小于d*时使用最优ARQ技术进行差错控制,而在通信距离大于d*时使用最优FEC技术进行差错控制。

通过在不同通信距离上对三种吞吐量优化方案进行比较可以看到,ARQ和FEC方案分别在近距离和远距离范围内局部最优,而ATO-RSSI自适应方案则相对稳定,在所有的通信距离上都能获得相对较高的吞吐量,具有较大的动态范围。因此,ATO-RSSI自适应方案为整体最优的吞吐量优化方案。
本文从吞吐量的角度,分析了ARQ技术和FEC技术的通信距离特性,并据此提出了一种适合于WSN的基于通信距离的自适应吞吐量优化策略(ATO-RSSI)。ATO-RSSI策略结合了ARQ和FEC技术的优势,可以根据WSN的动态变化自适应选择最优的差错控制方案,以便提高可靠性的同时能在较大的动态范围内保证吞吐量的最大化,为整体最优的吞吐量优化方案。
参考文献
[1] 孙利民,李建中, 陈渝,等. 无线传感器网络[M]. 北京:清华大学出版社,2005
[2] LAVERY R J. Throughput optimization for wireless datatr ansmission[D]. M.S.thesis,Polytechnic University,June 2001.
[3] YOO T, LAVERY R, GOLDSMITH A, et al. Throughput optimization using adaptive Techniques[C]. in Draft, may 2005.
[4] FAKHRI Y, NSIRI B, ABOUTAJDIN D, et al. Throughput optimization via the packet length and transmission parameters[C]. IJCSNS International Journal of Computer Science and Network Security, 2006.
[5] Liu Jian, Sun Jian, Lv Shoutao. A novel throughput optimization approach in wireless systems[C]. IEEE ICCT2010, Nanjing, China, 2010:1374-1378.
[6] Lin Dai. Khaled ben letaief: throughput maximizationof adhoc wireless networks using adaptive cooperativediversity and truncated ARQ[J].IEEE Transactions on Co-mmunications,2008,56(11):1907-1918.
[7] Mica2 Datasheet. Crossbow Corp.[OL].Available:http://www.xbow.com.
[8] MicaZ Datasheet.Crossbow Corp.[OL].Available:http://www.xbow.com.
[9] SANKARASUBRAMANIAM Y, AKVILDIZ I F, MCLAUG-HLIN S W. Energy efficiency based packet size optimization in wireless sensor networks[C]. First IEEE International Workshop on Sensor Network Protocols and Applications,2003:1-8.
[10] 田真,袁东风,梁泉泉. 无线传感器网络差错控制技术的能效分析[J]. 通信学报,2008,29(11):77-83.
[11] Jin Yong, Chang Jinyi, Le Deguang. A high energy efficiency link layer adaptive error control mechanism for wireless sensor networks[C]. Proceedings of the International Conference on Computational Intelligence and Software Engineering.Washington:IEEE,Computer Society,2010:1-4.
[12] 王海林,李凤荣,吴明娟,等.无线传感器网络自适应差错控制技术研究[J].高技术通讯,2011,21(5):465-470.
[13] Chipcon.CC2420 Datasheet[EB/OL].[2011-07-20].http://www.chipcon.com.
[14] GOLDSMITH A. Wireless communications[D].Cambridge University Press,2005.

此内容为AET网站原创,未经授权禁止转载。
Baidu
map