论文部分内容阅读
移动无线传感器网络具有广泛的应用。例如,把传感器节点固定在汽车上,来监测城市的路面情况,汽车携带的节点构成了移动传感器网络。节点通过汽车的震动情况获得路面平坦信息,将各自获得的数据求一个平均值,该平均值即为数据聚集值,然后,将该值返回给基站,基站通过该值判断路段的平坦情况,确定是否需要修补路面。由于移动传感器网络的拓扑结构时时发生变化,并且传感器节点本身的计算能力、存储空间、通信带宽都有限,这使得移动无线传感器网络中的数据聚集面临重大的挑战。目前,移动无线传感器网络中基于不同移动模型的数据聚集学术界还没有考虑。基于以上原因,本文做了以下工作:(1)本文提出了随机移动模型下的数据聚集算法--DARMSN,该算法采用分簇的思想,簇头节点聚集信息,再通过预测和角度转发的机制向sink节点转发数据,在转发过程中同样可将接收数据与本地数据进行聚集,以降低网络通信量及聚集延迟。在模拟实验中,本文算法DARMSN与目前最好的移动传感器网络数据收集算法进行了比较,验证了DARMSN的通信量小、延迟小,聚集结果准确性最高。(2)本文提出了两种基于组移动模型的数据聚集算法:DAG-C,DAG-P。两种算法在转发策略上有所不同,DAG-C是基于传染方法将聚集结果转发出去,DAG-P是基于传输概率的方法。在模拟实验部分,分析了DAG-C和DAG-P算法的优缺点。同时,两种方法与组移动模型下的数据收集算法sidewinder进行了比较,结果表明,本文算法能达到更高的聚集准确性,且更省能量,延迟更小。(3)本文通过大量实验分析,得出结论:不同移动模型下的数据处理需要采用不同的协议。