用于作物表型信息邊緣計算采集的認知無線傳感器網絡分簇路由算法

　　摘要: 隨著無線終端數量的快速增長和多媒體圖像等高帶寬傳輸業務需求的增加，農業物聯網相關領域可預見地會出現無線頻譜資源緊缺問題。針對基于傳統物聯網的作物表型信息采集系統中存在由于節點密集部署導致數據傳輸過程容易出現頻譜競爭、數據擁堵的現象以及固定電池的網絡由于能耗不均衡引起監測周期縮減等諸多問題，本研究建立了一個認知無線傳感器網絡(CRSN)作物表型信息采集模型，并針對模型提出一種引入邊緣計算機制的動態頻譜和能耗均衡(DSEB)的事件驅動分簇路由算法。算法包括：(1)動態頻譜感知分簇，采用層次聚類算法結合頻譜感知獲取的可用信道、節點間的距離、剩余能量和鄰居節點度為相似度對被監控區域內的節點進行聚類分簇并選取簇頭，構建分簇拓撲的過程對各分簇大小的均衡性引入獎勵和懲罰因子，提升網絡各分簇平均頻譜利用率;(2)融入邊緣計算的事件觸發數據路由，根據構建的分簇拓撲結構，將待檢測各區域變化異常表型信息觸發事件以簇內匯聚和簇間中繼交替迭代方式轉發至匯聚節點，簇內匯聚包括直傳和簇內中繼，簇間中繼包括主網關節點和次網關節點-主網關節點兩種情況;(3)基于頻譜變化和通信服務質量(QoS)的自適應重新分簇：基于主用戶行為變化引起的可用信道改變，或分簇效果不佳對通信服務質量產生的干擾，觸發CRSN進行自適應重新分簇。此外，本研究還提出了一種新的能耗均衡策略去能量消耗中心化(假設sink為中心)，即在網關或簇頭節點選取計算式中引入與節點到sink的距離成正比的權重系數。算法仿真結果表明，與采用K-medoid分簇和能量感知的事件驅動分簇(ERP)路由方案相比，在CRSN節點數為定值的前提下，基于DSEB的分簇路由算法在網絡生存期與能效等方面均具有一定的改進;在主用戶節點數為定值時，所提算法比其它兩種算法具有更高頻譜利用率。

　　本文源自智慧農業(中英文)【2020年第2期】《智慧農業(中英文)》(季刊)是國家新聞出版署批準、國內外公開發行的農業工程類學術期刊，由中華人民共和國農業農村部主管，中國農業科學院農業信息研究所主辦，《智慧農業(中英文)》編輯委員會學術指導，《智慧農業(中英文)》編輯部編輯出版。

　　關鍵詞: 認知無線傳感器網絡(CRSN);作物表型信息采集;能耗均衡;分簇路由

　　1 引 言

　　無線傳感器網絡(Wireless Sensor Networks，WSNs)在以農情信息精確獲取為前提的精準農業中具有重要應用。將WSNs應用于需要高通量數據傳輸的作物表型信息采集系統中，可以解決人力監測成本高、周期長、規模和數據量大以及遠程監測難等問題。2017年，法國國家農業研究院的Francois Tardieu和諾丁漢大學的Malcolm Bennett共同提出了多層次表型組的研究構想，以此將感知數據轉化為有意義的生物學知識[1]。然而，這種作物表型系統需要密集部署的傳感器節點才能完成巨量圖像和傳感器數據的采集[2,3]，并且由于節點部署的過于密集，農業物聯網的相關領域在傳輸過程中已逐漸出現無線頻譜資源緊缺的趨勢[4,5]。一方面，在為了監測農作物的生長與發育形態的節點相對密集部署的農作物環境中，以工業、科學和醫療頻段為典型代表的非授權頻譜使用將出現擁堵現象;另一方面，一些傳輸特性較好的低頻授權頻段的利用率卻很低[6-8]。為此，Mitola于1999年提出了認知無線電(Cognitive Radio，CR)的概念來解決頻譜利用不均衡的問題[9]。融入認知無線電技術的傳感器網絡被稱為認知無線傳感器網絡(Cognitive Radio Sensor Networks，CRSN)[10]。

　　CRSN是一種具有感知無線電功能的傳感器網絡，同時也是一種可以理解自身所處環境并結合從環境獲取的信息來調整通信的智能網絡。眾所周知，無線自組織網絡Zigbee節點、Wi-Fi以及藍牙等非授權用戶以非授權頻段內進行通信;CRSN節點(未授權或二級用戶)憑借其認知無線電的特點，撼動了一直以來的靜態頻譜分配策略，提出未授權用戶除了以非授權頻段為通信介質，也可通過頻譜感知來獲取授權或主用戶未使用的空閑授權頻譜，在不干擾主用戶通信的前提下，CRSN節點可以伺機使用這些空閑信道進行傳輸。

　　由于能量受限和較高實時性要求，CRSN節點除去頻譜感知需要消耗部分能量之外，主要的能耗來源與WSNs一樣，是由節點進行數據轉發通信產生。數據轉發的路徑是由網絡層的路由決定，因此，路由選擇對監測網提供可靠通信服務至關重要。本研究對象是應用于作物表型信息采集的大規模CRSN分簇多跳路由，它與WSNs路由的區別體現在認知無線電動態頻譜接入特性可以根據環境變化動態的進行頻譜選擇決策，頻譜的改變需要路由協議等進行相應的調整。而作物表型平臺是一種除了監測農作物的生長與發育形態，還旨在提供高分辨率和高頻率等高通量表型檢測的物聯網植物表型平臺[3]，持續時間長、數據傳輸量大以及采集終端的密集部署對無線傳輸的頻譜帶寬需求提出了嚴峻的挑戰，所以基于認知無線電的作物表型信息采集系統需要新的支持分布式頻譜共享的介質訪問控制(Medium Access Control，MAC)協議和路由協議，以此不斷地將數據多跳轉發至匯聚節點sink[11]。多跳傳輸的優勢在于較多跳數且較短跳距的路由會比具有較少跳數但跳距較長的路由更節能，因此分簇的思想鼓勵傳感器節點以多跳方式通信，從而延長了CRSN網絡的生存期。如果節點密度足夠高，還可以有效克服陰影和路徑損耗的影響[12]。在自組織分簇網絡架構中，CRSN多跳傳輸的分簇路由問題涉及分簇拓撲控制，涉及信道、下一跳節點、簇頭、網關節點、調度方式等選擇，而這些選擇會極大地影響認知農業物聯網的多項性能指標，包括監測周期、能耗、實時性、聯通性以及頻譜利用率等[13]。此外，分簇的拓撲結構可以解決平面結構的數據擁堵、能耗大等問題，在實際生產環境中較為適用。因此，CRSN分簇多跳路由算法逐漸得到研究關注[14]。

　　2 前人相關工作

　　2.1　CRSN分簇路由

　　自2009年，Ozgur等[10]首次在研究論文中提出CRSN，其對分簇路由協議的研究就從未停止過。王繼紅和石文孝[14]在2018年對近年的CRSN分簇路由協議按時間觸發和事件驅動兩個方面進行了分類綜述總結。WSNs相關的分簇路由協議前人已經做了大量工作，然而，針對農業物聯網的CRSN分簇路由算法的考慮因素、考慮頻譜可用性變化、保護主用戶、跨層設計、數據通信等方面還有待開發。本節將從網絡的重新分簇機制、能耗均衡研究以及簇內與簇間通信的設計模式3方面對近年CRSN的分簇路由的研究進展進行介紹。

　　重新分簇機制只在少數幾篇文獻中提到，對其如何檢測主用戶活動以及觸發機制細則沒有進行詳細說明;2011年，在Zhang等[15]提出的分布式頻譜感知分簇(Distributed Spectrum-Aware Clustering，DSAC)文獻中，首次提到主用戶活動和節點位置變化引發重新分簇;2013年，OZGER的事件驅動頻譜感知分簇路由 (Event-driven Spectrum-Aware Clustering，ESAC)只對頻譜變化的局部區域進行重新分簇，從重新分簇覆蓋面積方面進行了優化[16];2014—2015年，相繼問世的認知低功耗的自適應分簇層次結構(Cognitive Low Energy Adaptive Clustering Hierarchy，CogLEACH)[17]、基于CogLEACH的集中式概率分簇算法(Centralized Probabilistic Clustering Algorithm Based on CogLEACH Algorithm，CogLEACH-C)[18]和低能耗自適應非均勻分簇算法(Low-energy Adaptive Uneven Clustering Hierarchy，LEAUCH)[19] 等因為是低能耗自適應分簇協議(Low Energy Adaptive Clustering Hierarchy，LEACH)[20]的認知無線電擴展版本，所以也繼承了LEACH高頻重新分簇而消耗大量能量的缺點;2016年，能量感知的事件驅動分簇路由協議(Energy Aware Event-driven Routing Protocol，ERP)[21] 和分布式事件驅動聚類路由[22]針對重新分簇的頻率進行了優化，它們選擇公共數據信道時考慮了每個信道主用戶出現的概率和平均空閑時間，從而降低了更改公共數據信道和重新分簇的頻率。本研究為了保護主用戶和提高監測任務的通信服務質量提出一種基于頻譜變化和通信服務質量(Quality of Service，QoS)的自適應重新分簇機制。

　　CRSN的分簇路由采用的能耗均衡策略主要有3種：(1)同構網絡通常采用非均勻分簇在拓撲控制層面增大網絡的能耗均衡性，即通過調整競爭半徑令離sink越近的簇覆蓋的簇成員節點(Cluster Member，CM)數目越少，使得靠近sink區域更多節點擔任一個簇頭節點(Cluster Head，CH)分解轉發的壓力[19,23]。(2)將能耗均衡性與分簇機制、觸發原因、簇數、空閑信道、節點度、節點剩余能量和距離等因素之間的關系進行建模優化[24,25]。(3)采用異構網絡節點，調整異構節點的比例或令靠近sink區域需要頻繁數據轉發的節點由固定的高能量節點擔任簇頭[26,27]。本研究針對同構多跳傳輸網絡中能耗均衡性與低能節點空間分布的關系——靠近sink區域易出現頻譜空洞引起能耗不均衡，提出一種去能耗中心化的能耗均衡策略。

　　在簇內與簇間通信的方案設計上，CRSN分簇路由的簇內匯聚主要采用時分多址(Time pision Multiple Access，TDMA)調度機制，由簇頭節點在簇信道上對簇成員節點進行調度，對于大面積規模的網絡簇內節點單跳無法傳輸簇頭節點的情形目前還沒有解決方案[14]。DSAC[15]和沖突和能量感知路由方法(Collision and Energy Aware Routing Method，CR-CEA)[26]是從相鄰的簇頭節點中選取網關節點進行簇間中繼，但它們均沒有考慮相鄰的簇頭節點不在彼此通信半徑內的情況，沒有說明當具有多個相鄰簇頭節點如何選擇;2013年的頻譜感知的分簇路由(Spectrum-aware Cluster-based Routing，SCR)[28]、高效的多媒體頻譜感知分簇路由(Spectrum-aware Clustering for Efficient Multimedia Routing，SCEEM)[29]和2015年的LEAUCH[19]的簇間通信是采用網關節點多跳傳輸至sink，但也沒有交待具體路由選擇機制，例如是選取簇內、簇外還是簇邊緣節點作為網關節點;也不能保證簇間傳輸具有公共信道。據文獻[14]統計，目前真正針對多跳建簇且說明路由選擇原則的只有2015年的認知無線傳感器網絡的機會集中式時隙分配(Opportunistic Centralized Time Slot Assignment for Cognitive Radio Sensor Networks，OTICORIC)[30]和2016年的ERP[21]。其中，OTICORIC的簇間通信是選取一跳鄰居在簇外的成員節點作為中繼網關節點，但其沒有考慮一跳鄰居在簇外的成員節點為空的情況。ERP通過相鄰節點合并構建分簇可以保證節點簇間通信的至少有一條公共信道，同時采用主次網關節點(網關節點和包轉發節點)中繼通信選擇機制考慮了OTICORIC的不足，即主網關節點為空的情況;它只是針對簇間傳輸的解決方案。本研究提出將簇內匯聚按節點能否單跳傳輸至簇頭節點分為直傳和簇內中繼轉發兩種形式。

　　2.2　CRSN在農業物聯網中應用現狀

　　近年，在基于農業物聯網的作物表型信息采集系統中，CRSN憑借其高效的頻譜利用特性逐漸引起了學者的關注。2004年，IEEE 802.22無線區域局域網(Wireless Regional Area Network，WRAN)工作組成立，負責認知無線電物理層和MAC協議標準的制定，包括制定認知設備在電視頻譜中使用的標準[31];2015年，阿爾及利亞的研究人員設計了一種利用蜂窩頻段進行傳輸的智能農業遠程監測和控制灌溉系統，并通過仿真對提議的方法進行驗證[32];2016年，美國聯邦通信委員會(Federal Communications Commission，FCC)已允許將470~698 MHz頻譜范圍內的認知無線電設備用于農業機械和農業設備的數字農業應用[33];2017年Zhou等[3]開發的CropQuant系統是以基于物聯網平臺獲取大量特征數據后的生物性狀分析算法為研究對象，但具體關于該平臺如何從密集部署的傳感器節點避免頻譜擁堵，以較小的延遲、能耗以及丟包率完成數據的傳輸，且在固定的電池能量耗盡前，盡量持久地完成作物表型檢測任務，即對傳統的物聯網平臺在密集部署的終端中暴露出的路由傳輸問題，沒有進行詳細說明;2019年，Reynolds等[34]在CropQuant平臺的基礎上開發了具有分布式植物表型信息交互和集中式數據管理兩部分功能的CropSight系統，系統采用的有線和無線兩種數據傳輸方式。有線傳輸的方式可以避免出現CropQuant平臺的路由問題，但需要較高的成本;同年，Salam和Karabiyik[7]介紹了數字農業在認知物理層的合作疊加方法，所提認知直接序列擴頻(Cognitive Direct Sequence Spread Spectrum，CDSSS)方法通過在非認知用戶之間進行信息交換來獲取頻譜同步、多用戶解碼、中繼和協作。

　　國內在植物表型組學和一些保護性農業中的物聯網研究也具有較大的進展。丁么明和夏洪星[4]分析了農業物聯網及其面臨的頻譜資源危機，并提出用認知無線電技術組建傳輸網與感知子網來緩解其頻譜危機。杜紅等[5]分析了農業物聯網中的頻譜資源的使用情況和認知無線電在農業物聯網中的應用可行性，并介紹了一種基于認知的農業物聯網的網絡架構;同詩楊等[35]探討了ZigBee在農業物聯網中的兩種認知頻譜檢測算法，即改進型的雙門限協作頻譜檢測算法和基于信噪比加權的改進型算法。從2017年開始，國內逐漸出現基于蜂窩授權頻段的窄帶物聯網(Narrow Band Internet of Things，NB-IoT)與ZigBee無線傳感網相結合的現代農業物聯網的研究進展，包括基于NB-IOT的節水灌溉系統和基于電信NB-IoT平臺的作物監測系統[36,37];張敏[38]設計了一種基于認知無線電的LoRa網絡結構。由南京農業大學作物表型組學交叉研究中心和荷蘭的PhenoSpex、PhenoKey和PhenoVation公司聯合開發高通量多光譜植物激光三維掃描測量系統、溫室傳送型高通量植物表型平臺和高通量小型植物光合表型測量系統可對植物進行深入的高通量表型信息測量，由于植株之間的間隙較小，多個密集部署的傳感器節點在進行圖像等高通量數據的無線傳輸時必然會引起頻譜沖突，因此引起認知無線電的農業物聯網恰恰可以緩解這一傳輸瓶頸[2,39-41]。同年，Shi等[42]介紹了終端設備所要面對的復雜惡劣的監控環境和限制傳感器網絡在智慧農業中大規模應用的重要因素——成本問題。此外，提到為了避免頻繁的更換電池，迫切需要開發低功耗的采集設備、節能的路由協議和能量平衡的通信算法。

　　目前認知無線電與農業物聯網的融合大多還處于理論研究階段，還未發現有將CRSN應用于作物表型信息采集的例子。認知農業物聯網的理論研究主要是集中于物理層和數據鏈路層協作頻譜感知算法，其網絡層路由選擇算法相關的研究成果相對較少。本研究就針對CRSN在作物表型信息采集中的應用，綜合考慮了密集節點觸發產生的高通量數據傳輸的困境和其它農業物聯網領域未來極大可能出現頻譜缺乏趨勢，結合前人的相關研究，建立了基于邊緣計算事件驅動的CRSN表型信息采集仿真模型，提出了一種動態頻譜和能耗均衡的分簇路由算法。具體貢獻如下。

　　(1)CogLEACH、CogLEACH-C和LEAUCH繼承了LEACH可能存在簇的大小差異很大的缺點，由試驗證實各個分簇大小的差異性是影響網絡頻譜利用率和能耗的重要指標，但傳統的聚類分簇路由很少考慮該因素。CRSN算法在分簇過程中對各分簇大小的平衡性引入獎勵和懲罰因子，提升網絡各分簇平均頻譜利用率，也有利于能耗均衡。

　　(2)文獻[14]中提到現有的CRSN事件驅動分簇路由協議沒有解決與主用戶信道可用性變化兼容的問題。CRSN算法在數據路由過程中，持續性地進行主用戶行為監測，一旦檢測到可用信道改變即觸發重新分簇。提出基于頻譜變化和QoS的自適應重新簇：基于主用戶行為變化引起的可用信道改變，或分簇效果不佳對通信服務質量產生的干擾，觸發CRSN進行自適應重新分簇。

　　(3)本研究監測區域以sink為中心，考察網絡中能耗均衡性與低能節點分布的關系——靠近sink區域過早地出現能量空洞而引起能耗不均衡。為此提出一種新的能耗均衡策略去能量消耗中心化，即在網關或簇頭節點選取計算式中引入與節點到sink的距離成正比的權重系數，從而削弱越靠近sink的節點具有越大概率當選網關或簇頭節點的趨勢，提高網絡的能耗均衡性。

　　(4)本研究采用層次聚類的相似度選擇機制雖然有考慮節點距離這個因素，但在大規模的農業物聯網應用中，這種分簇算法由于融入簇頭輪換和重新分簇機制，經常會出現簇內節點單跳無法直接與簇頭進行通信的情況。本研究將簇內節點單跳傳輸至簇頭節點劃分為兩種情形：簇頭節點在當前簇成員節點傳輸范圍內，以直接傳輸至簇頭的方式傳輸;簇頭節點位于當前簇成員節點的通信半徑以外，從簇內其它簇成員節點中選擇一個靠近簇頭節點的上行節點為網關節點進行中繼轉發。

　　3 作物表型信息采集網絡模型構建與評估指標設計

　　物聯網與云計算相結合組成的作物表型信息監測系統通常都是將數據以時間觸發的方式周期性地集中上傳至數據中心，再由數據中心進行統一計算處理和決策。但面對爆發式增長的設備和數據，尤其是在需要連續、近實時獲取巨量圖像和傳感器數據作為植物視覺識別輸入田間表型監測系統中，傳統物云結合的農業物聯網由于所有計算均在云端進行，且多數采用時間觸發驅動等原因已逐漸暴露出通信能耗開銷大、帶寬需求高、時延大、中心節點計算壓力大和數據安全與隱私保障等問題[34,42]。近年來，邊緣計算作為一種新模式，提出讓物聯網的每個邊緣設備都具有數據采集、分析計算、通信和智能處理的能力。邊緣傳感器節點不再需要持續不斷的往網絡數據中心傳遞數據集中處理，而是將原本由中心處理的大型服務分解到網絡的邊緣，由邊緣的傳感器節點自己判斷各種感知數據，只有讀數發生重大變化時才告知數據中心[43,44]。引入邊緣計算的CRSN可以大大提高傳感能力和QoS，包括有效地減少帶寬、提升響應處理速度以及保護數據的隱私等[42,45]。

　　因此，本算法中農業物聯網所采用觸發機制是與邊緣計算相結合事件驅動觸發。事件驅動的表型信息采集模型只監測和報告區域特定事件是否發生。因此，需要將植物表型與環境信息劃分為類似病蟲害是否入侵、水分和pH值是否失衡、環境溫度是否過高、種子是否萌發出芽等一系列觸發事件的集合。當特定事件發生時，例如利用攝像頭或昆蟲誘捕器檢測特定區域蟲害數量高出預設閾值，該區域部署的CRSN節點就會產生觸發數據包，通過多跳的方式迅速傳輸至sink[46]，從而進行高通量性狀分析并產生監測區域作物生長環境處方圖，為農民噴射農藥量、灌溉量、施肥量等提供科學精準的數據依據。

　　3.1　農業應用情形及具體案例

　　眾所周知，CRSN的一個重要的潛在應用領域是室內多媒體傳感應用[10]。因此，適用于本研究CRSN分簇路由的農業物聯網應用場景總結如下：被監測區域存在一個節點相對密集部署的傳感器網絡，或一個高頻譜帶寬需求的多媒體監控無線網絡或空間上有交集的多種使用工業、科學和醫療頻段的共存網絡，導致非授權頻譜使用擁堵，CRSN節點需要借助授權頻譜的空洞進行傳輸。然而，因為目前農業物聯網發展總體相對滯后，這種趨勢暫時還不明顯，但隨著農業物聯網感知與傳輸需求的增大，其頻譜緊張的趨勢影響將逐漸增大。如今CRSN算法一個非常典型的應用場景就是室內高通量植物表型分析平臺(High-throughput Phenotyping Platforms，HTPPs)[47]。由于被監測植株多數置于室內相對狹小的空間內，因此平臺通常也是在一個較小的區域內部署幾十甚至上百個無線傳感器節點用于監控作物生長發育的室內、外表型性狀[39,41]，例如英國諾維奇科學研究院、法國農科院的作物表型設施、南京農業大學作物表型組學交叉研究中心等都存在類似的應用平臺[2,3]。大型無線智能農場中的室內大棚種植環境信息的無線網絡路由協議也是CRSN算法的應用場景之一;在牲畜圈養區域存在監測牲畜生長健康狀況的無線設備;室外存在監視農作物生長環境的蟲害、溫度、空氣質量信息的無線終端，還可能存在無線Wi-Fi、藍牙、手持無線終端設備和家用電器等多種設備。以上多數設備均是以非授權工業、科學和醫療頻段進行傳輸通信，在用戶終端通信半徑交疊區域的頻譜使用必然存在競爭現象。而這些區域使用授權頻譜通信的主用戶①數量相對較少，因此大型農場中出現授權頻譜空洞的頻率會比人口相對密集區域出現空閑頻譜的頻率大，頻譜利用率提升的空間也比較高[48,49]。

　　3.2　CRSN作物表型信息采集模型構建

　　本研究中的CRSN模型參數及定義詳見表1。

　　表1 CRSN參數及定義

　　Table 1 CRSN parameters and definition

　　可調模型參數意義

　　Area區域面積

　　節點

　　的能量

　　NCRSN(二級用戶)節點數量

　　CRSN節點ID

　　P主用戶數量

　　主用戶ID

　　網絡sink(匯聚節點)的位置

　　k分簇數量

　　分簇ID

　　CRSN節點(二級用戶)的通信半徑

　　主用戶的通信保護范圍

　　Chan(

　　or

　　)節點

　　或分簇

　　的可用頻譜信道列表

　　Neigh(

　　or

　　)節點

　　鄰居節點列表或分簇

　　的鄰居分簇列表

　　每一輪事件觸發前低能節點的個數

　　整個網絡的平均頻譜利用率

　　Di-j節點i和節點j之間的距離

　　圖1　CRSN作物表型信息采集模型拓撲與傳輸示意圖

　　Fig. 1 CRSN crop phenotype information collection model topology and transmission schematic

　　農業CRSN繼承和發展于認知無線電網絡與農業WSNs，因此它們的部分規約在CRSN中也適用。CRSN表型信息采集模型的分簇結構與數據路由過程見圖1[15]，假定N個具有頻譜感知能力的CRSN節點(褐色或黑色節點)隨機均勻的分布在面積為Area的待監測區域，完成頻譜感知與數據收集、傳輸任務的都是這種同構節點。每個節點的最大通信半徑為

　　，在節點部署之初，每個CRSN傳感器節點都記錄了該區域內其他CRSN傳感器節點的位置。匯聚節點sink位于監測區域的中心(圖1只畫出部分區域，因此sink不在中心)。與每個CRSN節點相連的是負責感知動植物生長和環境信息物理量的傳感器，例如土壤濕度、pH、空氣溫度傳感器和監測動植物生長情況的高清攝像機等。

　　此外，該區域可能還存在P個主用戶(手機形狀，即非必須存在的授權網絡終端，因為認知無線電的核心是采用頻譜空洞進行傳輸，而頻譜空洞的存在與授權終端用戶的存在沒有關聯)，主用戶是該區域頻譜的授權用戶，對信道具有優先接入權，例如開源軟件Leaf-GP以智能手機等移動設備拍攝的作物系列圖像作為輸入可進行多個生長指標的分析，這其中涉及以授權頻譜進行通信的智能手機就是主用戶的典型代表[50]。每個主用戶隨機接入信道遵循ON/OFF的馬爾可夫更新過程[14]。在每個主用戶的通信保護范圍內，即圖1中紅黃藍三個半徑為

　　圓形區域，分別代表主用戶1、2、3在這些區域分別對應占用信道1、2、3，那么此時處于對應區域內CRSN節點為了保護主用戶通信應避免使用這些信道，同理假如處在兩個圓形主用戶保護范圍的交集之內，則這些CRSN節點不能使用相應的兩條信道，只能使用唯一剩下的一條空閑頻譜(頻譜空洞)信道，例如圖1中處于紅色與黃色交集部分的CRSN節點只能使用信道3(黑色方框標出)進行通信。二級用戶(CRSN節點)可以伺機地接入主用戶未使用的空閑頻譜，但不得占用或干擾主用戶正在使用的信道，在主用戶回收或返回授權信道時，二級用戶應立即停止通信，黑色方框中所標識的信道即為該區域節點可用信道。可用信道指特定頻帶中的頻譜空洞，圖1假設可能的頻譜空洞的集合形成3個非重疊信道的頻譜池[51]，每個白色的虛線圍成的區域是各個分簇CRSN節點的監測區域的標識，每個分簇CRSN節點由一個簇頭和若干簇成員節點組成。此外，在一些異構型的網絡中，還可能專門設置負責數據轉發的網關節點。本監測模型采用的CRSN是單層的同構網絡，即CRSN節點除了具有數據采集和網關節點轉發數據功能，還需要具備邊緣計算網關簡單數據分析處理的能力，也即傳感器節點通過自主判斷感知數據，只在讀數出現異常變化時才聯系數據中心，決定采取何種操作[43]。因為無論是通過高清攝像機拍攝得到的占大內存視頻圖像數據還是普通物理傳感器感知得到連續變化的物理量，根據采樣壓縮傳輸理論都可以將其轉化為離散的數字量從而極大地減小傳輸的數據量，進而將需要周期性獲取的表型信息應用轉化為事件驅動應用(例如監測水分是否低于閾值)，達到監測和報告特定事件發生與否的目的。通過這種邊緣計算機制減小傳輸大數據量帶來的開銷，也可以緩解多跳傳輸中過早出現的sink數據中心周圍節點的能量空洞以及連續傳輸大數據量表型信息引起的頻譜帶寬緊張和延遲較大的趨勢。由于CRSN節點的同構性以及簇頭輪換和重新分簇的機制，一個CRSN節點在不同時間和地點可能充當簇成員節點、簇頭節點和網關節點任意一個角色，各個觸發輪次中角色分配就由本文提出的分簇路由算法決定[52]。

　　3.3　模型評估指標設計

　　監測網絡的生存期定義為節點首次感知到農場的觸發數據直至網絡中的任意一個節點能量耗盡歷經的周期[51]。由于模型的數據路由是基于事件觸發，并且在農作物生長環境中監測事件的觸發機制是隨機均勻的，觸發次數表示觸發源節點將觸發信息數據包路由至匯聚節點的輪數。因此，網絡壽命的等價表征是網絡中任意一個節點能量耗盡前網絡成功完成數據路由的次數[53,54]

　　其次，監測區域外圍的節點必須通過簇間中繼才能與sink通信，這必然導致網絡中的節點能耗不均衡，將所有節點在網絡生存期終止時剩余能耗的方差作為網絡能耗均衡性的度量標準。因此，網絡的能耗均衡性可表示為：

　　(1)

　　其中，

　　表示第i個節點的剩余能量;

　　表示所有節點的平均剩余能量。本文公式中部分未注明符號的含義請參見表1。

　　由于從建簇到數據傳輸過程路徑節點選擇與相鄰節點有關。因此，鄰居節點的定義是兩個傳感器節點位于彼此的通信范圍內，并且節點相互之間至少有一個公共的信道。通過執行鄰居發現協議，網絡中的各節點可以共享它們的單跳鄰居、位置、剩余能量以及可用信道[55]。

　　此外，最優簇數是與網絡壽命和頻率利用率有關的重要參數，分簇數量太多會造成數據轉發跳數過大，引起較大的端到端延遲;分簇數量過小會引起節點間的距離增大，進而增大通信開銷和減弱能耗的均衡性，同時導致頻譜共享的效率降低[56]。最優簇數的計算式采用DSAC[15]分簇算法的結論，即最優簇數

　　表示為：

　　(2)

　　其中，

　　，表示二級用戶的最大傳輸距離;

　　表示網絡的節點密度，在本模型中，

　　能效與頻效是當今5G移動無線通信技術的兩個重要衡量標準。頻譜利用率是認知用戶通過頻譜檢測使用的頻譜，占授權用戶沒有利用的活動頻譜或頻譜空穴總值的比例[57]。但這一定義過于籠統，將它與CRSN實際應用的時空特性相結合起來，信道

　　的頻譜利用率

　　可細化地定義表示為在信道

　　上成功完成一次數據傳輸的概率[58]。由文獻[58]可知所有信道的平均頻譜利用率可表示為：

　　(3)

　　其中，L是一個分簇中可用信道的總條數;用

　　和

　　表示動態頻譜感知階段選擇信道l進行數據傳輸的發送源節點與目標接收節點的集合，

　　=

　　表示利用信道l進行數據傳輸的節點對集合。結合CRSN作物信息采集分簇結構的特點，公式(3)在單個分簇的平均頻譜利用率Ucluster可轉化為：

　　(4)

　　其中，

　　表示分簇內部節點個數。因此整個網絡的頻譜利用率

　　可定義為網絡中所有分簇頻譜利用率的平均值：

　　(5)

　　4 基于模型的分簇路由設計

　　CRSN節點繼承了傳統WSNs節點硬件資源受限的特點，能量的不可補充性和監測任務的持久性之間的矛盾要求網絡必須具有高效的路由協議才能保證長期穩定的數據采集。基于事件驅動的CRSN分簇路由協議與傳統的LEACH算法相似主要分為分簇構建和數據傳輸兩個階段，分簇構建采用的算法是在傳統聚類算法基礎上融入農業信息采集所考慮的因素，例如相似度的度量除了傳統的歐氏距離，還要考慮農業物聯網數據傳輸過程中的可用信道條數、節點度和節點剩余能量等[16];多跳數據觸發路由是在分簇結構上選擇構成數據轉發路徑的節點。設計難點主要是在表型或環境信息觸發后，數據包由源節點開始直至轉發至匯聚節點過程中，當前節點如何根據自身和其它節點信息乃至網絡的狀態選擇最適合下一跳節點，以此順利完成檢測任務的同時，也實現傳輸服務質量、監測周期、能量效率與頻譜利用率等多項指標的優化，這就是路由協議設計的關鍵[59]。圖2是基于CRSN作物表型信息采集模型設計的動態頻譜和能耗均衡(Dynamic Spectrum and Energy Balance，DSEB)分簇路由算法框架。其中，“事件驅動路由-判斷節點是否死亡-掃描是否有觸發事件節點”構成的循環是正常的進行監測數據獲取的過程，只有未檢測到觸發事件的節點并且滿足重新分簇的條件，才會進行全局范圍的頻譜感知重新分簇，接著再次進入正常的觸發事件路由的過程。

　　圖2　表型信息采集模型的DSEB分簇路由算法

　　Fig. 2 DSEB clustering routing algorithm for phenotype information collection model

　　4.1　動態頻譜感知分簇：鄰居分簇對合并構建分簇

　　頻譜感知分簇過程的核心思想采用層次聚類算法AGNES[60]，主要框架由分簇合并和分裂兩部分組成。節點的初始可用信道也等價于分簇的初始可用頻譜。每個CRSN節點根據第二節中鄰居節點的定義獲取與自身位置和可用信道相關的鄰居節點列表。采用自底向上的聚合策略，由鄰居分簇對經過多次迭代融合完成分簇的構建。為了確保分簇間通信鏈路的完整性，分簇間距離必須小于節點的通信半徑。分簇距離定義為兩個不同簇間簇內節點間的最大距離，例如給定兩個分簇

　　，x和y分別是屬于

　　和

　　的簇內節點，簇間距離

　　為：

　　(6)

　　其中，

　　表示節點x和節點y之間的距離。

　　在簇數減少到最優簇數之前，每一輪合并都伴隨著鄰居分簇信息、分簇頻譜條數、簇間距離以及節點剩余能量更新。其中，融合后的頻譜條數是融合前分簇對的信道交集。由于本研究采用的層次聚類分簇是以權重比較的方式作為簇間的相似度度量，權重的計算往往綜合考慮簇間距離、節點能量以及可用頻譜條數等因素，從而選出最佳下一跳節點。每輪迭代每個分簇都會向自己的鄰居分簇發送合并請求，但只有權重最大的鄰居分簇會回復同意合并請求。只有互為最大權重的鄰居分簇對，即相互接收到對方的同意合并請求的分簇對才會進行合并。其它情況的分簇繼續迭代，直至網絡的分簇數到達最優。其中，權重矩陣中分簇

　　與分簇

　　相互的權重計算式為[16]：

　　(7)

　　其中，

　　表示被合并分簇的平均節點能量;

　　表示分簇

　　與分簇

　　間通信可用信道的條數。

　　此外，分簇構建過程除了不斷合并，也存在分裂的情況[22]。在頻譜感知分簇過程每個節點執行信道感知，如果某個節點發現它與其它簇內成員之間沒有公共通道，它會自動脫離分簇，形成一個新的分簇。在網絡的分簇數減少到最優簇數之前，都屬于分簇構建的過程。分簇過程是不進行數據傳輸的，只有分簇構建完成之后，才進行全局區域的觸發節點掃描。這種分簇構建算法使得簇內節點兩兩之間至少有一條公共信道，保證簇內傳輸的聯通性。由于分簇的大小差異過大會引起網絡的能耗不均衡，通過在層次聚類過程對各分簇的節點個數引入獎勵和懲罰因子，來提高分簇間節點個數的均衡性，這種分簇的效果有利于提高頻譜利用率。

　　DSEB的頻譜感知分簇算法流程如圖3所示，頻譜感知分簇構建的迭代合并的可視化展示過程如圖4，它與執行層次聚類AGNES算法可視化展示過程相似，本研究將其應用到CRSN的聚類分簇中。圖4(a)是在100 m×100 m監測區域內隨機生成20個CRSN節點(o)和3個主用戶(*)，圖4(b)~(e)中，+、o、x、□、△、▽、◇等同一形狀的節點表示屬于同一分簇。Sink的坐標為(50，50)。3個半徑為40 m的圓分別表示各個主用戶的通信保護范圍，圖4(a)~(e)中每個節點上方的數字表示該節點ID，圖4(a)下方的數字表示主用戶行為未改變前該節點可使用的空閑信道。經過四輪迭代合并分簇構建完成，網絡由最初20個分簇融合成為圖4(e)中的4個分簇。完成分簇構建后數據如何由一個分簇傳往下一個分簇，最終多跳傳輸至sink，就是簇間通信的問題，具體參見4.2.2節。

　　圖3　DSEB中的頻譜感知分簇算法流程

　　Fig. 3 Process of spectrum sensing clustering algorithm in DSEB

　　(a)　模型隨機初始化得到的可用信道和節點ID

　　(b)　節點第一輪迭代融合為11個分簇

　　(c)　第二輪繼續合并為9個分簇

　　(d)　第三輪進一步合并至6個分簇

　　(e)　直至合并后分簇數小于等于最優簇數

　　圖4　分簇構建的合并迭代過程

　　Fig. 4 Process of clustering iterative merge iteration

　　4.2　結合邊緣計算的事件觸發數據路由

　　基于節能和高頻效的分簇路由協議由簇內匯聚和簇間中繼兩部分交替迭代組成。其中，簇內匯聚是指數據由簇成員節點根據可用信道向簇頭節點進行匯聚的過程;簇間中繼是因為節點的硬件資源受限，多數分簇的簇頭無法直接與sink進行通信，此時就需要其它分簇的節點作為中繼進行轉發。簇內匯聚按簇內節點能否單跳傳輸至簇頭節點分為直傳和簇內中繼轉發兩種形式;簇間中繼可以分為網關節點或包轉發節點-網關節點兩種情況[21]。

　　4.2.1　簇頭輪換機制

　　為了節約成本，網絡一般只建一個sink基站進行數據的匯聚收集，但無論將sink設置在網絡的任何區域(本研究是假設將其建在監測區域中心)，因為單sink收集和多跳傳輸的網絡架構在采用概率方法或權重比較方法選取網關節點和簇頭節點時[14]，往往都是令越靠近sink的節點具有越大的概率或權重當選網關或簇頭，那么這種選取機制必然會引起靠近sink區域的節點過于頻繁的擔任網關或簇頭節點，頻繁地進行數據轉發，從而導致這些節點能量消耗過快，引起網絡出現能量空洞的現象，所謂能量空洞就是指組成網絡某個區域的多個節點的能量都大大低于整個網絡平均節點剩余能量。正是這種能耗中心化的現象引起了能耗不均衡。

　　分簇的拓撲結構決定了簇頭在數據通信中擔任主要角色。因此，在每一輪路由節點迭代結束后，對各分簇的簇頭進行更新，簇頭輪換機制可以延長網絡的生存期。簇內選取簇成員節點擔任簇頭節點的權重計算式為[21]：

　　(8)

　　其中，

　　表示當前包轉發節點的鄰居節點的個數;

　　表示當前簇成員節點到sink距離與簇內其它簇成員節點到sink距離最大值的占比，令與sink距離稍遠的簇成員節點也有較大的概率當選簇頭節點，而不是只考慮與sink較近的簇成員節點，從而實現去能耗中心化，提高能耗均衡性。

　　因為在網關或簇頭節點選取計算式中引入一個與節點到sink的距離成正比例的權重系數，等價于增大距離sink稍遠的節點擔任簇頭和網關節點的概率，這些節點的剩余能量相對較高;組成能量空洞的低能節點通常是由距離sink較近的節點組成的，因此增大了較遠節點當選簇頭和網關的概率等價于減小了靠近sink區域的低能節點當選簇頭和網關的概率，也就等價于在特定的觸發輪次選擇一定數量剩余能量最低的節點不再擔任簇頭和網關節點。

　　4.2.2　穩定的簇內匯聚與簇間中繼

　　分簇構建完成后，CRSN會周期性地監測事件集合中的特定事件發生與否。在待檢測事件產生觸發電流之前，CRSN節點處于低功耗的休眠狀態。一旦檢測到觸發電流，源節點將采用與SCR[28]數據路由相似的載波偵聽多路訪問/沖突避免(CSMA/CA)和時分多址(TDMA)相結合混合信道訪問方式把數據包往簇頭或網關節點進行轉發。

　　其中，源節點作為首個當前節點。若當前節點是簇成員節點，則將簇成員節點能否單跳傳輸至簇頭節點劃分為兩種情形：簇頭節點在當前節點傳輸范圍內，以直接傳輸至簇頭的方式傳輸;簇頭節點位于當前簇成員節點的通信半徑以外，從簇內其它節點中選擇一個靠近簇頭節點的上行節點為網關節點進行中繼轉發。再進入下一階段路由迭代。若當前節點是簇頭節點，判斷sink是否處于一跳傳輸半徑范圍內。若條件成立，則當前簇頭節點直接將數據包傳輸sink，本次事件路由結束;否則，當前簇頭節點會以簇間中繼的某種方式將數據包中繼至下一跳節點，下一跳節點再次重復上述的判斷過程，直至迭代傳輸至當前節點為sink。從源節點到sink數據路由算法詳細流程如圖5。

　　圖5　源節點到sink數據路由算法流程

　　Fig. 5 Process of routing algorithm from source node to sink data

　　該算法流程相對比于其它CRSN的分簇路由具有以下優勢。

　　(1)具體地介紹了一種簇內與簇間通信的路由選擇機制。

　　(2)充分考慮了簇內傳輸單跳無法傳輸至簇頭節點和簇間通信不存在簇外網關節點的情況，尤其是農業物聯網這種大規模的監測網絡中，具有更好的聯通性和更低的丟包率等。

　　(3)這種直傳或簇內中繼的簇內匯聚和主次網關節點交替的簇間通信方式與簇頭節點直接一跳傳輸sink的方式比較更加節能。

　　簇內匯聚分為如圖6所示的兩種情形。情形1是當前觸發節點或中繼節點的一跳范圍

　　內可直接傳輸至簇頭節點，如圖6中的{T、N、S}，則用直傳的方式進行簇內匯聚。否則情形2如簇成員Q，則需要從簇內其它簇成員節點中選擇一個節點中繼轉發至簇頭節點。

　　圖6　簇內匯聚中的直傳和簇內中繼

　　Fig. 6 Direct transmission and intra-cluster relay in intra-cluster aggregation

　　簇間中繼轉發可分為網關節點和包轉發節點-網關節點兩種情形，這兩種中繼方式的差別是當前簇頭節點的一跳通信范圍

　　內是否有其它分簇的候選網關節點。如圖7，情形3是簇頭I可從簇外單跳鄰居候選網關節點集合{R、P、M、Q}選出一個最佳的網關作為下一跳的中繼;而情形4如簇頭A的簇外單跳鄰居候選網關節點集合為空，因此它必須從簇內其它簇成員節點候選包轉發節點集合{B、C}選出一個最佳的包轉發節點，再以該包轉發節點為當前節點選擇網關節點(與情形3一致)。網關節點權重CGNW的計算式如下：

　　圖7　簇間中繼的網關節點和包轉發節點-網關節點

　　Fig. 7 Gateway node and packet forwarding node-gateway node for inter-cluster relay

　　(9)

　　其中，

　　,

　　,

　　是為了避免靠近sink的節點被頻繁的選為網關而設置的權值，

　　+

　　+

　　=1，大小與路徑中節點到sink的距離成正比，從而削弱越靠近sink的節點具有越大概率當選網關的趨勢，提高網絡的能耗均衡性。相比較于非均勻分簇通過調整競爭半徑令靠近sink區域更多節點擔任簇頭節點分解轉發的壓力，本文所采用的去能耗中心化的策略則是在讓網關節點和簇頭節點外圍化，從而使得不同的輪次會有更多的節點來進行分解數據轉發的壓力。數據包轉發節點權重PFNW為：

　　(10)

　　其中，Q表示候選網關所屬分簇的個數;

　　是各分簇的候選網關平均剩余能量與對應簇頭剩余能量的乘積;

　　表示各分簇的候選網關到簇頭平均距離與簇頭到sink距離的乘積;

　　表示分簇頻譜條數。

　　4.3　基于頻譜變化和QoS的自適應重新分簇

　　主用戶行為變化會引起可用信道改變，分簇效果不佳會對QoS產生干擾，出現這兩種現象時都會觸發網絡進行重新分簇。

　　由于頻譜空洞是取決于特定時間和地點的主用戶活動，因此當主用戶行為改變時二級用戶不得不切換信道進行傳輸甚至引起較高的端到端延遲和重路由[61]。因此，為保護主用戶接入信道的優先權并且保證二級用戶的正常通信，簇成員節點一個重要任務就是檢測主用戶[14]。

　　分簇效果不佳引起的QoS下降有可能是分簇本身建立的拓撲結構不佳引起的，也有可能是由于農場外在環境因素引起的。例如考慮到農作物在不同生長期枝繁葉茂程度的差異，枝葉的遮擋會引起節點接收信號的衰減甚至丟包。為此，在傳統分簇路由的基礎上，引入了基于頻譜變化和QoS的自適應重新分簇和簇頭輪換的機制。因為認知無線電是一種可以感知外界環境進而調整通信的技術，農場的外在因素(例如地理空間的因素)引起的服務質量下降可以被納入作為下一輪分簇的考慮因素，CRSN針對障礙物遮擋視距鏈路的一個簡單的解決方案就是將這兩個節點彼此之間通過頻譜感知得到的公共信道數設置為0，或者將它們的距離設置為無窮大。通過相關操作可以令這兩個節點分入不同的簇中，那么兩者就不再需要直接通信。此外，簇頭輪換也可以避免簇內傳輸時類似情況的出現，重新分簇是全局區域的所有節點重新劃分為若干分簇;簇頭輪換是指各個分簇內部由不同的簇成員節點在不同的觸發輪次中擔任簇頭節點，因為簇內傳輸都是由簇成員節點往簇頭節點匯聚傳輸數據，檢測到簇頭節點與簇成員節點之間存在障礙物后通過更換簇頭節點可以避免信號的衰減或丟包，從而提高監測的服務質量。

　　大量統計實驗表明，某一次的分簇不合理會導致某些節點過于頻繁的擔任簇頭或網關，致使網絡的服務質量下降。因為3.3節模型采用平均的觸發次數作為網絡生存期的衡量標準，所以路由的次數也可用來表征網絡QoS。DSEB采用隨機生成的十個模型的平均觸發次數作為最終模型度量依據。如圖8，設10個模型平均路由次數為A，區間步長為Step=

　　5 仿真結果與分析

　　采用MATLAB模擬農作物生長的表型平臺，CRSN節點和主用戶的位置在面積為150 m×150 m的區域內隨機生成，在任意時間任意節點觸發事件。仿真模型的其它參數設置如下：

　　=40 m，上述參數的含義或其它參數見表1。由于監測的生存期受隨機生成節點位置的制約較大，仿真傳輸結果一般波動也較大，因此本節的仿真均是取50次平均的計量結果。其它網絡模型的具體參數見表2，使得檢測區域更加模擬實際的農作物生長環境。

　　表2 網絡的其它參數及取值

　　Table 2 Other parameters and values of the network

　　網絡參數取值

　　信道帶寬512 kbps

　　信道頻譜池[1,2,3,4,5]

　　退避機制CSMA/CA

　　數據包大小10，000 bit

　　控制包大小200 bit

　　發送能耗0.00000001/(bit·meter-1)

　　接收能耗0.00000001/(bit·meter-1)

　　數據融合能耗0.000000001/(bit·PU-1)

　　節點位置、觸發節點隨機均勻生成

　　5.1　內部參數調整仿真

　　未考慮均衡能耗的農業WSNs往往隨著觸發次數增加而迅速陷入癱瘓。能耗的均衡性與網絡的生存期和節點最終能耗有很大關系，由于多跳傳輸的網絡結構必然引起能量空洞的出現，為了去能耗中心化提高能耗的均衡性，在網關或簇頭節點選取計算式中引入一個與節點到sink的距離成正比例的權重系數，從而削弱越靠近sink的節點具有越大概率當選網關或簇頭節點的趨勢。由于能量空洞通常是由靠近sink區域的低能節點組成，因此去能耗中心化的策略與通過在特定的觸發輪次選擇一定數量剩余能量最低的節點不再擔任簇頭和網關節點在本質上是相似的，其中低能節點個數的選取至關重要，故接下去的實驗通過討論低能節點個數與能耗均衡性、網絡生存期之間的關系來說明所采用的能耗均衡策略對網絡最終的能耗與監測周期的影響。

　　大量實驗表明，低能節點個數取值與最優分簇數k相關[15]。在圖9中無論總的CRSN節點數N是25、30或35個，隨著迭代的低能節點個數k/5增大至k的過程中，整個網絡的剩余節點能量方差越來越小，即網絡的能耗均衡性越來越優。因此，為實現網絡的能耗更加均衡，需要調整所引入的與節點到sink的距離成正比例的權重系數使得在網絡運行過程中具有較多的低能節點不擔任簇頭或網關。

　　圖9　低能節點個數與能耗均衡性

　　Fig. 9 Number of low-energy nodes and energy consumption balance

　　當然，低能節點的個數并不是越大越好，因為相比于能耗的均衡性，農業應用中往往更關心監測周期的長短。由3.3節可知，基于事件驅動的無線自組織網絡衡量網絡壽命的一個重要指標就是生存期內成功采集的總觸發次數。由圖10可以看出，為了實現網絡最大的生存期，下一輪不擔任簇頭的低能節點個數最佳取值是k/3個，即通過調節所引入的與節點到sink的距離成正比例的權重系數可以取得延長生存周期與均衡網絡能耗的平衡點最優解。這是因為低能的中繼轉發節點在網絡中往往都是出現在靠近sink的區域，假如所有的這些節點在下一輪中都不擔任簇頭，源節點觸發的數據就會因為通信距離受限而選擇“繞道”傳輸至sink，這樣必然會引起網絡中的其它節點損耗更多的能量甚至出現丟包的現象，進而導致縮短網絡生存期。

　　圖10　低能節點個數與網絡生存期

　　Fig. 10 Number of low-energy nodes and network lifetime

　　5.2　不同聚類算法的CRSN監測路由

　　能量效率與頻譜效率是無線通信的重要衡量標準。本仿真實驗中，將主要在不同算法之間討論網絡收集作物表型信息數據的生存期、頻效和能效等。與本研究比較的基于K-medoid聚類[62]和ERP[21]的兩種CRSN路由協議的區別主要是分簇構建的過程。其中，K-medoid是在傳統聚類算法K-means的基礎上以樣本點為聚類中心，這一特點也更符合CRSN的以具體的節點為簇頭(聚類中心)的應用場景，而不是一個不存在的節點。ERP的分簇算法由確定合格節點和形成分簇兩部分構成，先確定簇頭節點并由它選擇共享公共信道的合格節點為簇內節點，共享信道的確定原則是以較低概率與主用戶沖突的信道。基于K-medoid的CRSN路由、ERP以及DSEB使用的層次聚類AGNES算法的時間復雜度都是O(n2)。因為監測農場的面積固定，隨著CRSN節點個數的增加，網絡可以完成數據轉發路由的次數越來越多。如圖11所示，網絡的平均生存期曲線隨著節點個數的增加而上升。對比DSEB算法、基于k-medoid聚類和ERP的CRSN路由3條曲線也可看出，基于DSEB算法的路由具有更高的平均網絡生存期，從而完成更持久的監測任務。當然，對于不同的檢測環境，網絡中的節點個數并不都是與網絡的整體性能成正比，而是應該針對特定監測面積、主次節點個數、保護范圍以及節點的通信范圍來選取最佳的CRSN節點個數，從而獲得整體性能的提升，不會造成資源的浪費。

　　圖11　不同算法間的網絡生存期

　　Fig. 11 Network lifetime of different algorithms

　　此外，由于主次用戶間頻譜互補的特殊關系，主用戶的數量會對頻譜利用率產生較大影響。文獻[63]提到認知網絡的頻譜利用率會隨著主用戶數量的增加而提升。圖12也表明了這種關系，主用戶數量越多，網絡二級用戶的頻譜利用率越高;并且DSEB的頻譜利用率略高于ERP，但相比于K-medoid聚類路由，基于DSEB的頻譜利用率提升了10%~15%。這是因為K-medoid聚類方案的相似性度量中無法考慮頻譜條數，并且它對各分簇的大小是不可控的。而DSEB采用的AGNES層次聚類的相似度定義限制較少，可直接將頻譜條數納入相似性度量依據。同時還引入獎懲因子來提高各分簇節點數的平衡，有效地提升頻譜利用率。

　　圖12　不同算法間的頻譜利用率

　　Fig. 12 Spectrum utilizations of different algorithms

　　由于CRSN節點繼承了WSNs硬件資源受限的不足，能效問題將直接影響網絡監測功能的實現。本研究結合事件觸發的特性將網絡的能效定義為：當網絡中第一個節點能量耗盡時，整個網絡平均每消耗單位節點能量所能完成的數據路由的次數。圖13是不同算法間不同節點個數與能效對比實驗的結果。可以看出隨著CRSN節點個數的增加，網絡平均每消耗單位節點能量所能完成的數據路由次數也在增大;在CRSN節點數一定的情況下，網絡每消耗單位節點能量，基于DSEB路由比ERP和K-medoid聚類路多完成大約0.2和0.4次的數據轉發。所以在完成相同次數的從源節點到sink路由轉發中，采用DSEB的方案會比其它兩種算法節省能量。

　　圖13　不同算法間的不同節點個數與能效

　　Fig. 13 Number of different nodes and energy efficiency of different algorithms

　　6 結 論

　　本研究針對精準農業中作物表型信息精確獲取的需求和已出現的網絡生存期短、能耗不均衡以及即將出現的頻譜擁堵等問題，構建了基于事件驅動的CRSN作物表型信息采集模型，并對其多跳分簇路由提出一種DSEB的解決方案。在檢測到源節點觸發事件后，采用層次聚類的分簇機制構建分簇。對聚類迭代過程各分簇節點數量的平衡性引入獎勵和懲罰因子;路由過程通過簇內匯聚和簇間中繼迭代，將數據以多跳傳輸至sink。為了適應主用戶行為改變和保證主次用戶的QoS，該算法引入自適應頻譜的重新分簇機制。在網關或簇頭節點選取計算式中引入與節點到sink的距離成正比的權重系數作為能耗均衡策略去能耗中心化。仿真結果表明，DSEB算法在頻譜利用率、網絡生存期以及能效等方面均具有一定改進。