用于作物表型信息边缘计算采集的认知无线传感器网络分簇路由算法

　　摘要: 随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加，农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题，本研究建立了一个认知无线传感器网络（CRSN）作物表型信息采集模型，并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡（DSEB）的事件驱动分簇路由算法。算法包括：（1）动态频谱感知分簇，采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头，构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子，提升网络各分簇平均频谱利用率；（2）融入边缘计算的事件触发数据路由，根据构建的分簇拓扑结构，将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点，簇内汇聚包括直传和簇内中继，簇间中继包括主网关节点和次网关节点-主网关节点两种情况；（3）基于频谱变化和通信服务质量（QoS）的自适应重新分簇：基于主用户行为变化引起的可用信道改变，或分簇效果不佳对通信服务质量产生的干扰，触发CRSN进行自适应重新分簇。此外，本研究还提出了一种新的能耗均衡策略去能量消耗中心化（假设sink为中心），即在网关或簇头节点选取计算式中引入与节点到sink的距离成正比的权重系数。算法仿真结果表明，与采用K-medoid分簇和能量感知的事件驱动分簇(ERP)路由方案相比，在CRSN节点数为定值的前提下，基于DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进；在主用户节点数为定值时，所提算法比其它两种算法具有更高频谱利用率。

　　关键词: 认知无线传感器网络(CRSN)；作物表型信息采集；能耗均衡；分簇路由

　　1 引 言

　　无线传感器网络（Wireless Sensor Networks，WSNs）在以农情信息精确获取为前提的精准农业中具有重要应用。将WSNs应用于需要高通量数据传输的作物表型信息采集系统中，可以解决人力监测成本高、周期长、规模和数据量大以及远程监测难等问题。2017年，法国国家农业研究院的Francois Tardieu和诺丁汉大学的Malcolm Bennett共同提出了多层次表型组的研究构想，以此将感知数据转化为有意义的生物学知识[1]。然而，这种作物表型系统需要密集部署的传感器节点才能完成巨量图像和传感器数据的采集[2,3]，并且由于节点部署的过于密集，农业物联网的相关领域在传输过程中已逐渐出现无线频谱资源紧缺的趋势[4,5]。一方面，在为了监测农作物的生长与发育形态的节点相对密集部署的农作物环境中，以工业、科学和医疗频段为典型代表的非授权频谱使用将出现拥堵现象；另一方面，一些传输特性较好的低频授权频段的利用率却很低[6-8]。为此，Mitola于1999年提出了认知无线电（Cognitive Radio，CR）的概念来解决频谱利用不均衡的问题[9]。融入认知无线电技术的传感器网络被称为认知无线传感器网络（Cognitive Radio Sensor Networks，CRSN）[10]。

　　2 前人相关工作

　　2.1　CRSN分簇路由

　　自2009年，Ozgur等[10]首次在研究论文中提出CRSN，其对分簇路由协议的研究就从未停止过。王继红和石文孝[14]在2018年对近年的CRSN分簇路由协议按时间触发和事件驱动两个方面进行了分类综述总结。WSNs相关的分簇路由协议前人已经做了大量工作，然而，针对农业物联网的CRSN分簇路由算法的考虑因素、考虑频谱可用性变化、保护主用户、跨层设计、数据通信等方面还有待开发。本节将从网络的重新分簇机制、能耗均衡研究以及簇内与簇间通信的设计模式3方面对近年CRSN的分簇路由的研究进展进行介绍。

　　2.2　CRSN在农业物联网中应用现状

　　近年，在基于农业物联网的作物表型信息采集系统中，CRSN凭借其高效的频谱利用特性逐渐引起了学者的关注。2004年，IEEE 802.22无线区域局域网（Wireless Regional Area Network，WRAN）工作组成立，负责认知无线电物理层和MAC协议标准的制定，包括制定认知设备在电视频谱中使用的标准[31];2015年，阿尔及利亚的研究人员设计了一种利用蜂窝频段进行传输的智能农业远程监测和控制灌溉系统，并通过仿真对提议的方法进行验证[32];2016年，美国联邦通信委员会（Federal Communications Commission，FCC）已允许将470~698 MHz频谱范围内的认知无线电设备用于农业机械和农业设备的数字农业应用[33];2017年Zhou等[3]开发的CropQuant系统是以基于物联网平台获取大量特征数据后的生物性状分析算法为研究对象，但具体关于该平台如何从密集部署的传感器节点避免频谱拥堵，以较小的延迟、能耗以及丢包率完成数据的传输，且在固定的电池能量耗尽前，尽量持久地完成作物表型检测任务，即对传统的物联网平台在密集部署的终端中暴露出的路由传输问题，没有进行详细说明;2019年，Reynolds等[34]在CropQuant平台的基础上开发了具有分布式植物表型信息交互和集中式数据管理两部分功能的CropSight系统，系统采用的有线和无线两种数据传输方式。有线传输的方式可以避免出现CropQuant平台的路由问题，但需要较高的成本;同年，Salam和Karabiyik[7]介绍了数字农业在认知物理层的合作叠加方法，所提认知直接序列扩频（Cognitive Direct Sequence Spread Spectrum，CDSSS）方法通过在非认知用户之间进行信息交换来获取频谱同步、多用户解码、中继和协作。

　　3 作物表型信息采集网络模型构建与评估指标设计

　　物联网与云计算相结合组成的作物表型信息监测系统通常都是将数据以时间触发的方式周期性地集中上传至数据中心，再由数据中心进行统一计算处理和决策。但面对爆发式增长的设备和数据，尤其是在需要连续、近实时获取巨量图像和传感器数据作为植物视觉识别输入田间表型监测系统中，传统物云结合的农业物联网由于所有计算均在云端进行，且多数采用时间触发驱动等原因已逐渐暴露出通信能耗开销大、带宽需求高、时延大、中心节点计算压力大和数据安全与隐私保障等问题[34,42]。近年来，边缘计算作为一种新模式，提出让物联网的每个边缘设备都具有数据采集、分析计算、通信和智能处理的能力。边缘传感器节点不再需要持续不断的往网络数据中心传递数据集中处理，而是将原本由中心处理的大型服务分解到网络的边缘，由边缘的传感器节点自己判断各种感知数据，只有读数发生重大变化时才告知数据中心[43,44]。引入边缘计算的CRSN可以大大提高传感能力和QoS，包括有效地减少带宽、提升响应处理速度以及保护数据的隐私等[42,45]。

　　4 结 论

　　本研究针对精准农业中作物表型信息精确获取的需求和已出现的网络生存期短、能耗不均衡以及即将出现的频谱拥堵等问题，构建了基于事件驱动的CRSN作物表型信息采集模型，并对其多跳分簇路由提出一种DSEB的解决方案。在检测到源节点触发事件后，采用层次聚类的分簇机制构建分簇。对聚类迭代过程各分簇节点数量的平衡性引入奖励和惩罚因子；路由过程通过簇内汇聚和簇间中继迭代，将数据以多跳传输至sink。为了适应主用户行为改变和保证主次用户的QoS，该算法引入自适应频谱的重新分簇机制。在网关或簇头节点选取计算式中引入与节点到sink的距离成正比的权重系数作为能耗均衡策略去能耗中心化。仿真结果表明，DSEB算法在频谱利用率、网络生存期以及能效等方面均具有一定改进。

　　参考文献：

　　[1] TARDIEU F, CABRERA-BOSQUET L, PRIDMORE T, et al. Plant phenomics, from sensors to knowledge[J]. Current Biology, 2017, 27(15): R770-R783.

　　[2] 徐凌翔, 陈佳玮, 丁国辉, 等. 室内植物表型平台及性状鉴定研究进展和展望[J]. 智慧农业(中英文), 2020, 2(1): 23-42.XU L, CHEN J, DING G, et al. Indoor phenotyping platforms and associated trait measurement: Progress and prospects[J]. Smart Agriculture, 2020, 2(1): 23-42.

　　[3] ZHOU J, REYNOLDS D, CORN T L, et al. CropQuant: An automated and scalable field phenotyping platform for crop monitoring and trait measurements to facilitate breeding and digital agriculture[J]. bioRxiv, 2017. https://doi.org/10.1101/161547.

　　作者汪进鸿 1,2, 韩宇星 1,2*

　　推荐阅读：智慧农业无线传感器精确定位

《用于作物表型信息边缘计算采集的认知无线传感器网络分簇路由算法》

上一篇：基于调制近红外反射光谱的土壤养分近场遥测方法研究

下一篇：基于轻量级无锚点深度卷积神经网络的树上苹果检测模型