Unmanned Aerial Vehicle-based Data Collecting Algorithm in Wireless Sensor Networks

FENG Mengqing

doi:10.15892/j.cnki.djzdxb.2020.06.020

Journal of Projectiles, Rockets, Missiles and Guidance >

2020 , Vol. 40 >Issue 6: 86 - 89

DOI: https://doi.org/10.15892/j.cnki.djzdxb.2020.06.020

Unmanned Aerial Vehicle-based Data Collecting Algorithm in Wireless Sensor Networks

FENG Mengqing

Expand

School of Information Engineering, Zhengzhou University of Industrial Technology, Zhengzhou 451150, China

Received date: 2020-02-18

Online published: 2025-05-30

Fold

Abstract

For unmanned aerial vehicle (UAV) based wireless sensor networks (WSNs), a rotational angle division multiple access-based data collecting (RADM-DC) was proposed in this paper, which reduce data transmission delay and network energy consumption. The RADM-DC algorithm uses a rotating antenna to dynamically cover the whole area through multiple virtual sector. Furthermore, the number of nodes in each sector is limited to reduce the collision probability of transmitted data. At the same time, the transmission power of the node is adjusted according to the channel conditions to reduce the energy consumption of the node. Simulation results show that the proposed RADM-DC algorithm shortens the data transmission time and reduces the energy consumption of nodes.

Key words： wireless sensor network; unmanned aerial vehicle; array antenna; sector; transmission power

Cite this article

FENG Mengqing . Unmanned Aerial Vehicle-based Data Collecting Algorithm in Wireless Sensor Networks[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2020 , 40(6) : 86 -89 . DOI: 10.15892/j.cnki.djzdxb.2020.06.020

0 引言

无线传感网络^[1-2]由多个微型、低功耗的传感节点组成,通过将这些传感节点部署于兴趣区域,监测异常事件或感测区域环境数据。一旦获取了数据,节点将这些数据传输至信宿(base station,BS)。

一般而言,节点大都是由电池供电。当电池用尽,通常不便于给节点替换电池;而一旦电量用尽,节点就无法继续工作,限制了WSNs寿命。因此,有效地利用节点能量^[2-3],提高能量效率是延长网络寿命的关键。

近期,基于UAV的WSNs系统受到广泛关注。将UAV作为移动信宿,存在多个优势:1)UAV处于上空,使节点至UAV的链路容易形成视距环境; 2)由于UAV可以移动,可以缩短节点向信宿传输路径,有利于减少能量消耗^[4]。在UAV-WSNs中,引用休眠和活动机制能够进一步减少节点能耗^[5]。节点默认为休眠状态,当收到来自高于预定阈值的beacon信号就进入活动状态。完成了工作后,仍进入休眠状态。然而,在UAV-WSNs中,由于传感节点与移动UAV间的无线信道呈动态变化,降低了数据包传递率^[6]。据此,应合适地部署UAV,使处于活动状态的节点能够以高的数据包传递率传输数据。

为此,针对UAV-WSNs网络,提出基于旋转角度多址接入的数据收集(RADM-DC)算法。RADM-DC算法通过给UAV-BS安装天线阵列,形成扇形覆盖区域,并旋转,进而形成多个虚拟扇形。同时,依据节点的信道条件,动态调整节点发射功率。最后,通过实验分析了RADM-DC算法在降低能耗、控制数据传输时延方面的性能。

1 RADM-DC算法

1.1 约束条件

考虑基于UAV-BS的WSNs系统,如图1所示。UAV收集网络内传感节点数据。

N

个节点分布监测区域

l 1 × l 2

内。令节点集

ψ = S 1, S 2, …, S N

。用矢量

w k = x k, y k

表示第

k

个节点

S k

的位置,且

k = 1,2, …, N

。

显示原图|下载原图ZIP|生成PPT

图1 虚拟的扇形区域

传感节点引用全向天线收发数据。同时,引用文献[5]的节点休眠和活动机制。节点默认为休眠状态,当从UAV接收的信号高于预定阈值,节点就进入活动状态,成为活动节点。如图1所示,将UAV-BS覆盖的区域划分为多个虚拟的扇形区域。UAV-BS旋转其覆盖角度。在其覆盖内的节点,它就将数据传输至UAV-BS,否则节点就保持休眠状态。

1.2 信道模型

用自由空间的路径损耗模型表述传感节点与UAV间通信。令

L k

表示传感节点

S k

与UAV间的通信链路模型:

(1)

L k = 4 π f c d k c 2

式中:

f c

为载波频率,单位为Hz;

c

为光速,单位

m / s

;

d k

表示节点

S k

与UAV间的距离,其表达式为:

(2)

d k = ‖ w U A V - w k ‖ 2 + H U A V 2

式中:

w U A V

、

H U A V

分别表示UAV的二维空间位置、高度。令

ψ k

表示正态对数分布的衰落^[7],其定义为:

(3)

ψ k ~ N μ k, σ k 2

式中:

μ k

、

σ k 2

分别表示阴影衰落的均值和方差。

σ k = k 1 e x p - k 2 θ k, k 1

、

k 2

为常数,取决于环境,

θ k

表示UAV至节点

S k

间的仰角,如图2所示。

显示原图|下载原图ZIP|生成PPT

图2 UAV与节点间的空间示意图

UAV装备了均匀的线性天线阵列,天线数为

m

。天线间的间隔为

Δ

。依据式(4),可计算来自节点

S k

传输的信号的天线增益

G R, k

(4)

G R, k = ∑ i = 1 m - 1 g θ k, φ k e x p - j 2 π i Δ s i n θ k c o s φ k 2

式中:

φ k

表示信号到达方向(direction of arrival, DoA)^[8]。而

g θ k, φ k

表示单付天线的天线指向性,其定义如式(5)所示:

(5)

g θ k, φ k = 1.64 c o s π 2 c o s θ k / s i n θ k

由式(5)可知,当

θ k = π / 2

时,

g θ k, φ k

值最大。但是,实际环境中无法满足

θ k = π / 2

。为此,给单付天线设置一定的倾斜角

θ t i l t

。

(6)

θ t i l t = π 2 - a r c t a n r / 2 H U A V

将式(6)代入式(4)和式(5)可得:

(7)

G_R,_k= $∑ i = 1 m - 1 g θ k, φ k e x p - j 2 π i Δ s i n θ k + θ t i l t c o s φ k 2$

(8)

g $θ k, φ k$ = $1.64$ cos $π 2 c o s θ k + θ t i l t$ /sin $θ k + θ t i l t$

最后,依据式(9)计算UAV与节点间信道增益

h k

为:

(9)

h k = G T G R, k L k ψ k

式中:

G T

表示节点

S k

的发射天线增益,而

ψ k = 10 φ k, d B / 10

。

1.3 UAV旋转角度

为了使网络内所有节点能获取给UAV传输数据的机会,UAV以旋转角度

θ R T ∈ 0,2 π

将整个区域划分为多个虚拟的扇形区。在每个扇形区持续的时间

T s e c

为:

(10)

T s e c = T R o u n d J

式中:

T R o u n d

表示每一轮时延,即UAV旋转一周所持续的时间;

J = 2 π / θ R T

为扇形数。

T s e c

对系统性能有重要影响。若

T s e c

过长,则该扇形区内的节点向UAV传输数据的概率就增加^[9]。但这必然延长了不在该扇形区节点向UAV传输数据的时延。不采用固定的

T s e c

,而是依据扇形内节点密度调整时间。即节点密度越高,时间就越长,反之,就缩短时间,如式(11)所示:

(11)

T s e c, j = M j T R o u n d N

式中:

T s e c, j

表示UAV在第

j

个虚拟扇形区停留的时间;

M j

表示第

j

个虚拟扇形区内的节点数。

采用虚拟扇形区域,降低了多个传感节点同时传输数据包的传递率。此外,相比于整个通信区域,虚拟扇形区更窄,这就提高了每个活动节点检测周围节点传输数据的概率^[10]。原因在于:在更窄区域,节点相距更近,更容易检测。此外,UAV采用天线阵列,增加了活动节点所接收的功率强度,使得节点能够在短时间内完成数据包的传输。

1.4 基于信噪比的传输速率调整

为了能有效控制干扰,依据信道条件对传输速率进行调整。令

γ k

表示UAV接收节点

S k

传输的信号的信噪比为:

(12)

γ k = P R, k N 0 = P T B N 0 G T G R, k L k ψ k

式中:

P R, k

为接收功率;

N 0

为噪声功率密度;

B

为带宽;

P T

为节点的发射功率。

由式(12)可知,相比于全向天线,采用天线阵列时,接收天线增益

G R, k

越大,信噪比

γ k

就越大。采用IEEE 802.11g作为无线接入协议,每个传感节点依据信道条件调整数据传输速率。当

γ k

较大,就适当增加传输速率。具体的调整策略如表1所示。

表1 基于 $γ k$ 的传输速率调整

γ_k/dB	传输率/(Mbit/s)
4≤γ_k<6	1
6≤γ_k<8	2
8≤γ_k<10	5.5
10≤γ_k<12	18
12≤γ_k<16	24
16≤γ_k<20	36
20≤γ_k<21	48
21≤γ_k	54

从表1可知,

γ k

的最小值为4 dB。因此,当

γ k

值低于4 dB时,即使节点处于活动状态,也认为该节点无法传输数据,即链路中断。

2 性能仿真

2.1 仿真环境

利用NS2++软件建立仿真平台。30个传感节点分布于

60 m × 60 m

的方形区域。UAV位于方形区域正上空,且高度为20 m。传感节点引用IEEE 802.11g协议接入无线资源。仿真参数如表2所示。此外,为了验证提出RADM-DC算法的有效性,仿真过程中将旋转角

θ R T

分别设置为60°和120°。

表2 仿真参数

仿真参数	参数值
覆盖区域/m²	60×60
节点数	30
G_T/dBi	0
P_T/mW	0.5
数据尺寸/KB	100
UAV-BS的位置/m	(30,30,20)
天线数	3
Δ	0.5
θ_RT/(°)	60,120
f_c/GHz	2.4
B/MHz	20
N₀/(dBm/Hz)	-174
k₁,k₂	10.39,0.05
μ/dB	1

2.2 数据分析

2.2.1 中断概率

下面分析UAV的角度

θ R T

对中断概率影响。当

γ k

值低于4 dB,就认为链路中断。中断概率等于发生中断的节点数与总的节点数之比。

图3描述了角度

θ R T

对中断概率的影响。从图3可知,当

θ R T

=60°,中断概率为零。原因在于:当

θ R T

=60°,节点能够获取高的天线增益,进而获取高的

γ k

值。然而,当

θ R T

增加至120°时,中断概率迅速增加至10%。原因在于:角度越大,节点获取的天线增益下降,致使部分节点的

γ k

过低。

显示原图|下载原图ZIP|生成PPT

图3 平均中断概率与 $θ R T$ 关系

2.2.2 平均碰撞帧数

进一步分析角度

θ R T

对节点传输数据的影响。用每个节点发生帧碰撞的平均次数(平均碰撞帧数)反映

θ R T

对节点传输数据的影响。

如图4所示,RADM-DC算法通过在特定时间内限制通信的节点数,进而控制平均碰撞帧数。

θ R T

越小,每个虚拟区内已有的活动节点数就越少。信道干扰也就越小,节点获取的

γ k

值就增加。因此,

θ R T

=60°的性能优于

θ R T

=120°的性能。

显示原图|下载原图ZIP|生成PPT

图4 平均碰撞帧数与 $θ R T$ 的关系

2.2.3 平均传输时间

分析

θ R T

对节点传输数据的时间影响,并重点分析

T s e c, j

对平均传输时间的影响。RADM-DC算法是对

T s e c, j

依据扇形内节点数进行调整,而传统算法是采用固定

T s e c, j

值。为了更好体现采用动态

T s e c, j

的优势,将动态

T s e c, j

与固定

T s e c, j

进行比较。

如图5所示,平均传输时间包括了节点的等待时间。从图5可知,相比于固定

T s e c, j

,动态

T s e c, j

策略下能够控制平均传输时间。此外,当

θ R T

较低时,扇形区域内活动节点数获取的

γ k

更大,增加了传输速率,进而缩短了传输时间。当

θ R T

为60°或120°时,RADM-DC算法能够有效控制传输时间。

显示原图|下载原图ZIP|生成PPT

图5 平均传输时间与 $θ R T$ 的关系

2.2.4 平均节点能耗

最后,分析节点传输数据时所消耗的能量。如图6所示。平均节点能耗是指节点传输数据时所消耗的平均能量。从图6可知,

θ R T

越大,平均节点能耗越大。原因在于:

θ R T

越大,中断概率越高(如图4所示),这就使得节点需多次传输才能完成数据包的传输,最终增加了节点能耗。

显示原图|下载原图ZIP|生成PPT

图6 平均节点能耗与 $θ R T$ 的关系

3 结论

文中提出了多址接入的RADM-DC算法。该算法将整个区域划分为多个虚拟扇形,降低了随机接入UAV-BS的活动节点数,进而避免了信号碰撞。由于天线增益增加,降低节点数据传输的中断概率。并依据信道条件,调整传输速率,缩短了数据传输时间,最终降低了节点能耗。仿真结果表明,当旋转角度为60°时,RADM-DC算法将中断概率控制为零,提高了通信效率,降低了节点能耗。

References

Publishing order | Descend order by publishing year | Descend order by cited within

[1]	GHARAEI N, BAKAR K A, HASHIM S Z M, et al. Collaborative mobile sink sojourn time optimization scheme for cluster-based wireless sensor networks[J]. IEEE Sensors Journal, 2018, 18(16): 6669-6676.

[2]	江禹生, 冯砚毫, 管芳, 等. 无线传感网非测距三维节点定位算法[J]. 西安电子科技大学学报(自然科学版), 2012, 39(5):140-147.

[3]	SHAHIN N, RASHID A, KIM Y T. Hybrid slotted-CSMA/CA-TDMA for efficient massive registration of IoT devices[J]. IEEE Access:Practical Innovation, Open Solutions, 2018, 6(5): 18366-18382.

[4]	ZENG Y, ZHANG R, LIM J T. Wireless communications with unmanned aerial vehicles: opportunities and challenges[J]. IEEE Communication Magazine, 2016, 54(5): 36-42.

[5]	SAY S, INATA H, LIU J, et al. Priority-based data gathering framework in UAV-assisted wireless sensor networks[J]. IEEE Sensors Journal, 2016, 16(14): 5785-5794.

[6]	AHMED N, KANHERE S S, JHA S. On the importance of link characterization for aerial wireless sensor networks[J]. IEEE Communication Magazine, 2016, 54(5): 52-57.

[7]	MOZAFFARI M, SAAD W, BENNIS M, et al. Efficient deployment of multiple unmanned aerial vehicles for optimal wireless coverage[J]. IEEE Communication Letters, 2016, 20(8): 1647-1650.

[8]	同非, 郭磊, 连豪. 基于MUSIC及其改进算法的空间信号到达方向估计方法研究[J]. 火控雷达技术, 2018, 47(2):58-62.

[9]	MOZAFFARI M, SAAD W, BENNIS M, et al. Unmanned aerial vehicle with underlaid device-to-device communications: performance and tradeoffs[J]. IEEE Transactions on Wireless Communications, 2016, 15(6): 3949-3963.

[10]	ORFANUS D, FREITAS E P D, ELIASSEN F. Self-organization as a supporting paradigm for military UAV relay networks[J]. IEEE Communication Letters, 2016, 20(4): 804-807.

Options

Outlines

模态框（Modal）标题

Abstract

Cite this article

0 引言

1 RADM-DC算法

1.1 约束条件

图1 虚拟的扇形区域

1.2 信道模型

图2 UAV与节点间的空间示意图

1.3 UAV旋转角度

1.4 基于信噪比的传输速率调整

表1 基于 γ k的传输速率调整

2 性能仿真

2.1 仿真环境

表2 仿真参数

2.2 数据分析

2.2.1 中断概率

图3 平均中断概率与 θ R T关系

2.2.2 平均碰撞帧数

图4 平均碰撞帧数与 θ R T的关系

2.2.3 平均传输时间

图5 平均传输时间与 θ R T的关系

2.2.4 平均节点能耗

图6 平均节点能耗与 θ R T的关系

3 结论

References

表1 基于 $γ k$ 的传输速率调整

图3 平均中断概率与 $θ R T$ 关系

图4 平均碰撞帧数与 $θ R T$ 的关系

图5 平均传输时间与 $θ R T$ 的关系

图6 平均节点能耗与 $θ R T$ 的关系