机会移动传感器网络中的自适应数据收集机制

《机会移动传感器网络中的自适应数据收集机制》由会员分享，可在线阅读，更多相关《机会移动传感器网络中的自适应数据收集机制（9页珍藏版）》请在装配图网上搜索。

1、第11期孙利民等：机会移动传感器网络中的自适应数据收集机制193机会移动传感器网络中的自适应数据收集机制孙利民1，熊永平2, 3，马建4（1. 中国科学院 软件研究所 信息安全国家重点实验室，北京 100190;2. 中国科学院 计算技术研究所，北京 100190;3. 中国科学院 研究生院，北京 100190; 4. 诺基亚（中国）研究中心，北京100176）摘 要：针对多种类型数据具有不同传输质量需求的信息采集应用，提出了一种自适应的数据收集机制。每个节点关联一个持续变化的“转发概率”参数，每个消息关联一个动态调整的“重要因子”参数，这2个参数自适应确定消息在网络中的复制次数，使数据收集机

2、制既能满足数据传输性能的要求，又具有小的网络开销。模拟实验结果验证了该收集机制在传输性能和网络开销之间达到很好折衷。关键词：移动传感器网络；数据收集；机会转发；缓存管理中图分类号：TP393 文献标识码：B 文章编号：1000-436X(2008)11-0186-08Adaptive data gathering mechanism in opportunistic mobile sensor networksSUN Li-min1,XIONG Yong-ping2, 3, MA Jian4(1. State Key Laboratory of Information Security, In

3、stitute of Software, Chinese Academy of Sciences, Beijing 100190, China;2. Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China;3. Graduate University of the Chinese Academy of Sciences, Beijing 100190, China; 4. Nokia Research Center, Beijing 100176, China) Abstract

4、: An adaptive data gathering scheme was proposed for the application which different transmission quality was needed for different kinds of data. In the scheme, every sensor was associated with a forwarding probability parameter; every message was associated with an importance factor parameter. The

5、two parameters determined adaptively the count of replication of a message, while meeting the transmission quality requirement and minimizing the network overhead. Experiment results show that the proposed data gathering scheme can achieve the tradeoff between transmission performance and network ov

6、erhead.Key words: mobile sensor network; data gathering; opportunistic forwarding; buffer management1 引言 收稿日期：2008-03-30；修回日期：2008-10-10 基金项目：国家高技术研究发展计划（“863”计划）基金资助项目（2008AA01Z217）；国家自然科学基金资助项目（60673178，604340302008）Foundation Items: The National High Technology Research and Development Program of

7、 China (863 Program) (2008AA01Z217); The National Natural Science Foundation of China (60673178，604340302008)随着无线传感器网络的深入研究和逐渐应用，人们开始关注移动的传感器网络，特别是将传感器节点部署在移动物体上，如安装在动物身上收集它们的生活习性和迁徙特性1，人身携带微型传感器收集人群中流感病毒的传播状况2，以及安装在移动车辆上收集城市环境和交通状况3等。在这些应用中，传感器节点往往稀疏部署，同时，通信距离有限的传感器节点随物体移动而变化，这样很难形成一个全连通的无线网络，往往形成局

8、部连通、相互隔离且拓扑动态变化的无线网络。节点之间的通信链路以一定概率存在，网络依赖节点移动带来的通信机会实现数据的转发，因而这类网络称为机会移动传感器网络（OMSN, opportunistic mobile sensor networks）或间歇性连通移动传感器网络4。机会移动传感器网络中同一时刻可能不存在从传感器节点到sink节点的连通路径，因此，传统固定传感器网络中基于先建立路由后传输数据的模式无法运行。机会移动传感器网络充分利用节点移动形成的通信机会，采用“存储携带转发”的模式转发消息，即节点在收到消息后，如果没有遇到合适的转发节点时就存储消息，在携带消息的移动过程中遇到sink节点

9、或合适的转发节点时，就转发给sink节点或合适中继节点。由于机会传感器网络中节点往往随机移动，很难预测节点的移动轨迹，因而数据转发的路径无法预先确定。在这种“存储携带转发”的通信模式下，为了实现数据及时地可靠地传输到sink节点，通常使用数据复制技术5，同一份数据在网络中有多份拷贝并行传输。一个简单的转发机制就是传染转发6，携带消息的节点对遇到的没有携带该消息的节点都转发一份，这样网络中的每个节点都可能复制一份。数据复制会给带宽有限的传感器网络带来很大的网络开销，因此高效的数据传输机制必须在数据传输可靠性和网络开销之间进行折衷。目前研究人员提出了一些机会移动传感器网络中的数据转发机制来实现数据

10、收集。但是，提出的机制侧重于基本的数据转发机制，没有考虑在一个多种类型数据的应用中，不同类型数据因其重要性不同而需要不同的传输可靠性。例如，在动物习性监控的传感器网络应用中，传感器检测到动物突然的剧烈奔跑数据当然比动物大多数时候缓慢移动产生的数据更重要，这些突变数据往往包含更有价值的信息，应该获得更高的传输可靠性。在通信和存储资源非常匮乏的机会移动传感器网络中，对不同类型的数据采用不同优先级的处理，在满足应用需求的同时提高网络资源的利用率。本文针对机会网络的具有不同传输服务质量需求的多种类型数据收集应用，提出了一种自适应数据收集机制。该机制包括消息转发和缓存管理2个部分。消息转发机制中，每个传

11、感器节点都关联一个“转发概率”参数，转发概率表示把消息从该节点传输到sink节点的概率；当2个传感器节点相遇时，消息从概率低的节点传输到概率高的节点。缓存管理机制中，每个消息关联一个“重要因子”参数，表明该消息所携带数据的重要度，也表示该消息所需的传输可靠性，它确定消息在节点缓存内排队和丢弃优先级。重要因子和转发概率动态决定消息在网内的复制次数。此外，该机制还包括一个消息主动删除机制，即由sink节点生成一个消息通知传感器节点删除已经传输成功的消息拷贝，从而进一步降低网络开销。实验结果表明提出的数据收集机制可以动态为不同重要度的消息提供不同的传输质量，并有效控制了网络开销。论文的组织如下：第2

12、节介绍相关研究工作；第3节详细阐述了提出的数据收集机制和算法；第4节给出了模拟实验和结果分析；第5节为结束语。2 相关研究机会移动传感器网络本质上是一种延迟容忍网络（DTN, delay tolerant networks）7。研究人员提出了多种应用在DTN中基于机会通信的转发机制6,810。但限于篇幅，本文只叙述接近的相关研究工作。Haas等11提出了用于研究海洋中鲸鱼生活习性的移动传感器网络的数据收集机制。嵌入在鲸鱼身上的传感器节点周期性产生感知数据，并将生成的数据消息拷贝给每个相遇的鲸鱼传感器节点，当鲸鱼游过部署在海面浮标上的sink节点附近时，将数据上传到sink节点。该机制实际上是传

13、染转发机制，如果传感器节点的缓存足够大，这种机制的数据传输成功率就高，但网络开销很大。在普林斯顿大学的ZebraNet项目1中，研究人员在斑马脖子上安装传感器节点，采集环境信息和斑马的生活习性/迁徙特性等信息，通过定期驾驶安装有基站的车辆穿越监控区域收集传感器节点的数据。项目提出了基于历史的数据转发机制：每个传感器节点维持一个到基站的传输概率，当斑马遇到基站并传输成功时，传输概率就增大，否则传输概率就随时间推移不断降低。当2个传感器节点相遇时，较低传输概率的节点将消息转发到概率较高的节点上，并从自身缓存删除。由于传感器节点与基站的相遇机会很少，大多数传感器节点的传输概率都很小，因而数据的传输可

14、靠性很低。Wang Yu等2改进了ZebraNet中的数据转发机制，每个传感器节点的传输概率不仅在与基站相遇时增大，而且与传输概率高的其他传感器节点相遇时也增大。此外，他们提出的机制中也利用每个消息关联一个参数来产生消息拷贝以提高消息传输可靠性。 Mascolo等12针对不连通移动传感器网络提出了一种机会数据收集机制SCAR（sensor context-aware routing）。SCAR机制中每个节点关联的传输概率不是基于前述的节点相遇状况，而是基于节点上下文信息（包括节点邻居变化率、能量等）定义。SCAR利用卡尔曼滤波预测节点上下文信息的变化，并用多属性效用理论估算其传输概率，作为节点

15、转发的依据。SCAR通过在消息源指定消息拷贝个数来提高传输可靠性，尽管可以较好地控制网络开销，但在不同的网络环境中的传输质量相差很大，缺乏灵活性。此外，该机制估计传输概率的计算非常复杂，在资源紧张的传感器节点上不是非常合适。Shah等13提出了Data Mule方法来收集稀疏静态传感器网络的数据，一个称为Mule的移动实体在观测区域内移动，收集附近区域的传感器数据，并在遇到接入点时接入骨干网并上传数据。论文的主要目的在于提出一个传输架构，没有详细研究节点之间如何转发消息。现有的机会移动传感器网络中的数据收集机制没有考虑不同重要度的数据需要不同的传输质量，无差别地对待所有数据消息，降低了网络资源

16、利用率，也间接降低了消息传输质量。3 自适应数据收集机制下面首先描述网络模型，然后分别详述自适应数据收集机制中的2个部分：消息转发和缓存管理。3.1 网络模型1) 机会移动传感器网络由移动的传感器节点和固定的sink节点组成；2) 传感器节点的能量和缓存大小有限，而sink节点接入骨干网，其缓存大小认为无穷大；3) 传感器节点可以任意移动，如应用中可安装在人或动物身上；4) 同一消息的所有拷贝具有相同的消息ID。3.2 定义1) 相遇概率每个节点的“相遇概率”表示节点移动过程中与sink节点通信的可能性。相遇概率值越大，表示节点出现在sink附近的可能性就越大，或与相遇概率大的节点相遇的可能性

17、大，例如与sink周围的邻居节点相遇，从而间接与sink通信。传感器节点相遇概率初始化为0，而sink节点的相遇概率则初始化为1。传感器节点i 的相遇概率Mi 计算如下(1)其中，,0,1，Mi是更新前的节点i的相遇概率值。首先，当i 遇到另一个具有更高相遇概率的节点 j时，i的相遇概率利用指数加权滑动平均方法重新计算，其中表示历史概率值的权重；其次，每个传感器节点的相遇概率值随着时间推移不断老化，传感器节点上维持一个定时器，当定时器超时后，当前节点的相遇概率以老化因子的速率减小。2) 剩余能量传感器节点i的归一化剩余能量Ei 简单定义如式（2）所示，其中Ecur和Etotal分别表示i的当前

18、能量和总能量。 (2)传感器节点的剩余能量多，剩余的生存时间就越长，转发消息到sink节点的可能性相对更大，同时，也希望剩余能量多的节点更多参与消息转发。3) 转发概率每个传感器节点的“转发概率”表示节点成功转发消息到sink节点的概率。节点转发概率与节点相遇概率和当前剩余能量有关，如果节点经常与sink节点直接或间接相遇，或节点能量越高，转发概率越大。设Pi(0Pi1)表示传感器节点i的转发概率，则(3)其中，Mi和Ei分别代表归一化的节点相遇概率和剩余能量值，而是一个预设的权重参数。4) 重要因子每个消息都关联一个重要因子参数，表示消息的传输可靠性要求。重要因子越大，该消息传输要求越可靠。

19、每个新产生消息的重要因子初始值称为初始重要因子，由数据源传感器节点根据该数据对应用的重要程度确定。当消息从当前节点复制到其他节点上时，该消息在网络中的冗余度增加，消息可靠性提高，单个消息拷贝的重要因子则降低，其降低速率由2个节点的转发概率确定。设Fm i表示传感器节点i中消息m的重要因子，当节点i成功将消息m传输给节点j，则消息m的重要因子重新计算如式（4）所示。(4)其中，是消息m 更新前的重要因子，P是传感器节点的转发概率。在传输消息m到节点j前，其成功传输到sink的概率等于i的转发概率Pi，当在复制消息m到节点j后，其成功传输到sink节点的概率等于1-(1-Pi) (1-Pj)，由于

20、节点i复制消息给节点j条件是Pi1- (1-Pi)2 = Pi(2-Pi)，又由于0Pi1，所以1- (1-Pi)(1-Pj)Pi，即消息的重要因子随着消息的复制不断减小。消息的重要因子确定了消息的可靠性要求，消息传输可靠性从2方面提供：负责传输消息的节点转发概率越高，其传输成功率和可靠性越高；消息在网络内的拷贝数越多，其可靠性也越高。只有在消息转发给另一个节点后，消息的重要因子才需要重新计算。消息每转发给一个节点，该消息的重要因子就根据式（4）降低一次，由于每个节点的重要因子下降到一定阈值后就不再变化也不允许再转发（如3.3节所述）。因此，转发消息的节点转发概率越高，消息的重要因子就下降越快

21、，消息的复制次数就越少；反之，消息的复制次数越多。3.3 消息转发当2个传感器节点i和j相遇，携带消息的节点i按如下过程执行消息转发，假设每个消息有一个域保存其重要因子参数值。第1步：节点i根据剩余能量和相遇概率计算其转发概率，然后把相遇概率和转发概率发送给节点j；节点i在接收到j的相遇概率后，判断如果Mj Mi，则按式（1）更新Mi值；节点j执行相似的先计算后交换的操作；第2步：如果Pi Pj+Pth，则1) 节点i将所有缓存消息ID编码在一个汇总向量SV中发送给节点j，为了降低网络开销，该过程基于一种高效的散列编码技术CBF（compressed bloom filter）14，利用一个很

22、短的位串向量表示所有消息ID的集合。2) 节点j接收到该SV向量后，依次扫描自身缓存队列，查找不属于SV表示的集合（即节点i未缓存的消息）且重要因子大于阈值Fth的消息，并根据式（4）重新计算并设置该消息的重要因子，然后发送相应消息给节点i。发送给节点i的消息并不从节点j缓存中删除，而是根据消息，新的重要因子重新在其缓存队列中排队（如3.4.1节所述）。3) 节点i接收节点j发来的消息，并根据其重要因子将消息插入到缓存队列合适位置（如3.4.1节所述）。否则若PjPi+Pth，节点i和j交换执行第2步。第2步中，为了提高传输效率，要求2个节点转发概率相差一个阈值，如果消息在2个转发概率相差不大

23、的节点之间传输，容易导致节点间来回传输，增加不必要的开销。第2步的2)小步中，当消息的重要因子下降到一定阈值后，除非遇到sink节点，该消息不能再被转发。因此，消息的初始重要因子越小，或转发消息的节点转发概率越大，该消息的重要因子就越快降低到指定阈值，消息的复制次数就越少。3.4 缓存管理缓存管理机制包括调度策略杨机制和消息删除机制。3.4.1 缓存调度机会移动传感器网络中，当没有通信机会时，消息被缓存在节点上，当遇到合适的转发节点时，当前节点必须选择合适的消息进行转发。每个节点将缓存的消息组织在一个队列中，并将节点的重要因子作为排队优先级。消息的重要因子越大，消息需要的传输质量要求越高，越应

24、该优先传输。因此，重要因子最大的消息总是排在队头，当遇到一个合适的转发节点时，该消息首先被转发出去。如果队列满时，接收到的消息重要因子比队尾消息的大，则队尾消息被抛弃，新消息根据其重要因子插入到队列合适位置。3.4.2 消息删除上述的转发机制中，每个消息被复制成多个拷贝在网络中传输。当消息的一个拷贝到达sink节点后，该消息的其他拷贝仍在网络内传播，浪费网络资源。因此本文提出了一种基于死亡向量的主动消息删除机制。sink节点记录最近到达的消息ID，并周期性利用前述的Compressed Bloom Filter技术将所有最近到达的消息ID编码在一个称为死亡向量的位向量中。每个死亡向量关联一个有

25、效时间，当超过该时间时，死亡向量从网络中删除。传感器节点接收到死亡向量时，首先扫描缓存队列消息，并删除所有被死亡向量标识的消息。当传感器节点上缓存有死亡向量时，如果接收到的新消息被死亡向量标识，则删除该消息。当传感器节点与sink节点相遇时，sink节点将死亡向量转发给传感器节点。当携带有死亡向量的传感器节点i与另一个节点j相遇时，如果节点j的转发概率大于一个阈值Pdvth，则节点i将死亡向量复制给节点j。一般来说，死亡向量是沿着与消息传播相反的方向在网络中扩散，从转发概率高的节点传输到转发概率低的节点。由于死亡向量的长度很小，可以稍带的方式在节点之间交换，因而开销很小。阈值Pdvth越大，保

26、存死亡向量的节点越限制在转发概率较高的节点上。由于消息总是从转发概率低的节点不断转发到概率高的节点，因此转发概率高的节点“命中”并删除已成功交付的消息拷贝概率更大。但阈值Pdvth如果设置太高，只有少数几个节点可以执行消息删除，例如极端时Pdvth等于1，只允许sink节点保存该向量，删除已交付消息拷贝的效率太低。3.5 数据收集算法本节将给出数据收集算法的完整描述。不失一般性，假设2个传感器 i 和 j 相遇，每个传感器（这里假定传感器 i）都分布式执行下列算法。其中，Pi 和Pj 是转发概率， Mi 和Ei 分别表示相遇概率和剩余能级。DV 和 SV 表示死亡向量和汇总向量。Pdvth是死

27、亡向量扩散的转发概率阈值，Pth是允许传输消息的2个传感器转发概率差值的阈值，Fm i是传感器i队列中消息m的的重要因子，Fth是允许传输消息的重要因子阈值。数据收集协议完整算法如图1所示，协议开始时，2个传感器首先计算并交换各自的转发概率，然后根据可能接收到的死亡向量删除队列中的无用消息，最后转发概率高的节点传输汇总向量，通知对方转发合适的消息给自身。4 性能评估4.1 模拟设置本文在Glomosim15中实现了提出的数据收集协议以评估其性能。模拟环境设置如下，5个sink节点和100个传感器随机部署在400400m2的区域中，其中sink节点静止，传感器节点按照基于社区的移动模型移动，首先

28、将整个区域分成64个互不重叠的方格，每格面积是5050m2，传感器节点初始所处的方格称为其主方格。如果当前时刻传感器位于其主方格，则下一时刻，以0.8的概率继续在其主方格随机选择一个位置，以0.2的概率选择邻居方格中的任意位置作为目标位置。如果传感器在其他方格内，则以0.6的概率在当前方格随机选择一个位置，以0.4的概率在其当前邻居方格随机选择一个位置作为目标位置。节点移动速度服从1, 10m/s均匀分布，在到达一个新位置后暂停时间从0, 10s随机选取。图1 数据收集算法消息大小是30byte，传感器节点传输半径是15m，并以20s的周期生成消息，新消息的初始重要因子从0.5, 0.7, 0

29、.9中随机选取。每个传感器的缓存设置为200个消息大小（大约6kbyte）。信道带宽是20kbit/s。本实验仔细选取了合适的算法参数。参数, , 的取值分别为0.4、0.95和0.6。限制死亡向量扩散的节点转发概率阈值Pdvth设置为0.7，允许交换消息的两个传感器最小转发概率差值的阈值Pth设置成0.1。允许传输的消息重要因子阈值Fth设置成0.2。所有模拟参数如表1所示。表1模拟设置模拟参数值网络区域400400m2方格大小5050m2传感器通信半径 15m传感器个数100Sink节点数5传感器移动速度110m/s传感器暂停时间0, 10s消息大小30byte传感器缓存大小200mess

30、age初始重要因子0.5, 0.7, 0.9信道带宽20kbit/s协议参数值Fth0.2Pth0.7Pdvth0.10.40.950.6由于Glomosim不支持上述移动模型，文中开发了一个移动模型工具生成了5组不同的移动Trace文件驱动Glomosim中收集协议的运行。模拟过程如下：生成消息前网络空转500s，以保证所有传感器的相遇概率成功初始化，在接下来的1 000s中传感器生成消息并传输，最后模拟再持续1 000s等待被收集或丢弃。4.2 性能指标与比较协议本文选择的性能评价指标包括消息传输成功率（传输可靠性）和网络通信开销。传输成功率用成功到达sink的消息个数与传感器生成消息总数

31、的比值表示，而通信开销则用每个节点发送消息的平均个数表示。同时为了验证本文的数据收集机制是否可以为不同重要度的消息提供不同的传输质量，分别比较了初始重要因子为0.5、0.7、0.9三个不同值时，消息传输成功率的变化。本次模拟比较了所提出的协议与2个基本协议Direct Transmission（DT）和Flooding的性能。在DT协议中，每个传感器缓存所有产生的数据直到遇到sink节点转发；而在Flooding协议中，每当2个传感器节点相遇，都交换相互对方没有缓存的消息，当遇到sink节点则全部转发。4.2 模拟结果与性能分析4.2.1 相遇概率分布机会移动传感器网络中，节点的相遇概率对系统

32、性能有很大影响。本实验首先研究传感器节点的相遇概率变化。图2显示了网络空转500s后，传感器相遇概率在全网的分布图。为清晰起见，将相遇概率划分成不同的离散级，用不同深度的颜色表示，颜色越深，节点相遇概率越高，颜色最深的节点是sink节点，它具有最大的相遇概率，而且可以看出由于节点移动的时空局部性，离sink节点越近的节点颜色越深，表明其相遇概率越大。这与本文预期的一致，因为相遇概率越高，其转发概率也相应越高，被选为中继节点转发消息到sink节点的概率就越大。图2 区域内节点相遇概率分布4.2.2 消息传输成功率本小节对比了不同初始重要因子（IIF, initial importance fac

33、tor）对消息传输成功率的影响，并比较了3个协议的消息传输成功率性能。首先研究的是sink节点个数对传输成功率的影响。如图3所示，无论sink数目如何变化，本协议始终比其他协议有更好的数据传输成功率，而且具有不同初始重要因子的消息的传输成功率在sink节点较少时，差别比较明显，初始重要因子越大，消息传输成功率越高。此外，当sink数目很大时，sink节点密度很高，传感器遇到sink节点的概率较大，导致本协议与DT性能相似，传输成功率都接近100%。然而，尽管Flooding机制的传输成功率随sink数目增加也有所提高，还是比其他协议低得多，由于其生成了太多的消息拷贝，导致缓存溢出和消息丢弃。图

34、3 sink节点数目对传输成功率的影响图4显示了传感器节点移动速度对协议性能的影响。随着节点移动速度加快，DT协议和本协议的传输成功率都有所提高，这是由于节点移动越快，传感器之间、传感器与sink节点之间的通信机会增加了，消息能够选择更多更好的中继节点用来转发消息。Flooding协议却由于节点移动导致通信冲突增多而性能降低。此外，可以看出不同的初始重要因子依然影响了消息的传输成功率。图4 传感器节点移动速度对传输成功率的影响本实验还研究了传感器缓存大小对传输成功率的影响，其结果如图5所示。可以看出，传感器缓存大小并不影响DT协议的传输成功率，因为本次模拟图5 传感器节点队列缓存大小对传输成功

35、率的影响中每个节点仅仅生成50个消息，小于节点上的缓存。但Flooding协议随着缓存大小的增加，性能略有提高，由于缓存增加，更多消息缓存在传感器节点上，增加了到达sink节点的概率。本协议的传输成功率随着缓存的增加上升比Flooding更快，主要是由于本协议的高效缓存管理机制。此外，当缓存较小时很容易溢出而丢包，只有当缓存增加到一定大小后，不同的初始重要因子的消息传输成功率才会有较大差距。4.2.3 网络通信开销本次模拟还研究了不同协议的网络通信开销，由于不同的消息重要因子并不会引起很明显的通信开销差异，因此本实验忽略了初始重要因子的影响。图6对比了sink节点个数对协议通信开销的影响。很显

36、然，DT协议平均转发消息数是最小，因为每个节点只转发自身生成的消息。而Flooding协议转发的消息个数比其他协议高很多。而本文所提算法随着sink数目增多，通信开销稍稍降低。其原因可从2方面阐述：部署的sink节点越多，更多的传感器节点有很高的转发概率，相互差异缩小导致传感器间传输机会减小；传感器到达sink节点的跳数更小，每个节点平均转发的消息个数下降。图6 sink节点数目对通信开销的影响本次模拟也研究了节点移动速度对通信开销的影响，结果如图7所示。本协议随着节点移动速度的加快带来了稍微更高的通信开销。由于传感器的传输半径限定在15m，所以当节点移动加快时，网络拓扑动态非常快变化，传感器

37、节点相遇概率和转发概率变得更加不精确，一些消息会在不同的传感器节点来回传输，因而增加了节点的转发次数。最后，研究人员比较了传感器缓存大小对协议开销的影响，结果如图8所示。本协议的通信开销随着节点缓存增加稍稍上升，表明本协议高效的缓存管理机制可以很好地控制通信开销，而Flooding 图7 传感器节点移动速度对通信开销的影响图8 传感器节点队列缓存大小对网络开销的影响机制的开销随着缓存增加迅速上升，这是因为节点可以缓存更多的消息并被发送到网络中。5 结束语本文针对机会网络的具有不同转发服务质量需求的多种类型数据收集应用，提出了一种自适应数据收集机制，包括消息转发和缓存管理2个关键组件。相比于现有

38、的收集机制，模拟结果表明本文提出的数据收集机制可以动态为不同重要度的消息提供不同的传输质量，并有效控制网络开销。参考文献：1JUANG P, OKI H, WANG Y, et al. Energy-efficient computing for wildlife tracking: design tradeoffs and early experiences with ZebraNetJ. SIGPLAN Not. 2002，37(10):96-107. 2WANG Y, WU H. DFT-MSN: the delay fault tolerant mobile sensor networ

39、k for pervasive information gatheringA. IEEE INFOCOM06C. 2006.3HULL B, BYCHKOVSKY V, ZHANG Y, et al. CarTel: a distributed mobile sensor computing systemA. Proceedings of the 4th International Conference on Embedded Networked Sensor SystemsC. Boulder, Colorado, USA: ACM, 2006.125-138.4PELUSI L, PASS

40、ARELLA A, CONTI M. Opportunistic networking: data forwarding in disconnected mobile ad hoc networksJ. Communications Magazine, 2006,44(11): 134-141.5JAIN S, DEMMER M, PATRA R. Using redundancy to cope with failures in a delay tolerant networkA. Proc of ACM SIGCOMMC. 2005.6BECKER, VAHDAT D. Epidemic

41、Routing for Partially Connected Ad Hoc Networks Tech. RepR. CS-2000-06, Department of Computer Science, Duke University, Durham, NC, 2000.7FALL K. A delay-tolerant network architecture for challenged internetsA. Proceedings of the 2003 Conference on Applications, Technologies, Architectures, and Pro

42、tocols for Computer CommunicationsC. Karlsruhe, Germany: ACM, 2003.27-34.8SPYROPOULOS T, PSOUNIS K, RAGHAVENDRA C S. Spray and focus: efficient mobility-assisted routing for heterogeneous and correlated mobilityA. Proceedings of IEEE PerCom Workshop on Intermittently Connected Mobile Ad Hoc Networks

43、C. 2007.9SPYROPOULOS T, PSOUNIS K, RAGHAVENDRA C S. Spray and wait: efficient routing in intermittently connected mobile networksA. Proceedings of ACM SIGCOMM Workshop on Delay Tolerant Networking (WDTN)C. 2005.10LINDGREN A, DORIA A, SCHELN O. Probabilistic routing in intermittently connected networ

44、ksJ. Mobile Comp. and Commun., 2003, 7(3): 233-244.11SMALL T, HAAS ZJ. The shared wireless infostation model a new ad hoc networking paradigm (or where there is a whale, there is a way)A. Proc of ACM MOBIHOC03C. 2003. 233-244.12MASCOLO C, MUSOLESI M, PSZTOR B. Data collection in delay tolerant mobil

45、e sensor networks using SCARA. Proceedings of the 4th International Conference on Embedded Networked Sensor Systems (Boulder, Colorado, USA, October 31 - November 03, 2006). SenSys 06C. ACM, New York, 343-344.13SHAH R, ROY S, JAIN S, et al. Data MULEs: modeling a three-tier architecture for sparse s

46、ensor networksA. Proc of the First International Workshop on Sensor Network Protocols and ApplicationsC. 2003. 30-41.14MITZENMACHER. Compressed bloom filtersJ. IEEE/ACM Trans Net, 2002, 10(5): 604-612.15Glomosim simulatorEB/OL. http:/pcl.cs.ucla.edu/projects/ glomosim.作者简介：孙利民（1966-），男，河南淮阳人，博士，中国科学院软件研究所研究员、博士生导师，主要研究方向为无线传感器网络和无线自组网。熊永平（1982-），男，江西丰城人，中国科学院计算技术研究所博士生，主要研究方向为随机网络和无线传感器网络。马建（1959-），男，北京人，博士，诺基亚（中国）研究中心首席研究员，主要研究方向为未来互联网人性化移动系统的移动性、异构性、搜索与区配、融合、体系结构和应用等。