CN103096445A - 基于实际电池模型的无线传感网任务调度方法及系统 - Google Patents

Abstract

本发明提出一种基于实际电池模型的无线传感网任务调度方法及系统。其中，方法包括：根据无线传感网的运行参数和实际电池模型以获得每个周期内不同阶段的功耗，其中，不同阶段包括数据的采样发送阶段、接收阶段、侦听和睡眠阶段，且实际电池模型为能量损耗与时间和电流的关系；根据不同阶段的功耗获得无线传感网节点的总功耗模型，其中，总功耗模型与无线传感网节点的睡眠时间相关；求解无线传感网节点总功耗模型的最优睡眠时间；通过最优睡眠时间对无线传感网的任务进行调度降低无线传感网的功耗。根据本发明实施例的方法，通过求解无线传感网的最优睡眠时间，从而降低了无线传感网节点的功耗，同时延长了无线传感网节点的使用寿命。

Description

基于实际电池模型的无线传感网任务调度方法及系统

技术领域

本发明涉及无线传感器技术领域，特别涉及一种基于实际电池模型的无线传感网任务调度方法及系统。

背景技术

由于无线传感网可以通过自身的电池在不进行人为干涉的情况下较长时间内正常运行。尤其是在环境恶劣、人类无法踏足的领域其优越性更加显著。由于电池的供电情况与其使用寿命和节点的使用时间息息相关，如何有效使地能源成为关键点。

对于特定的无线传感器网络，发送数据的长度一般情况下是固定的，但是一个很重要的参数，睡眠任务的时间长度是可以根据系统情况进行自主设定。在B-MAC协议中，有两个为了协议的可靠数据传播而必须的能量消耗是值得注意的，一个是发送导言的能量消耗，另一个是接收节点的侦听能量消耗。这两个能量消耗都是与睡眠时间联系到一起的，睡眠时间长，导言的长度相应增长，发送导言所耗能量就增加。与此同时，无效侦听的期望时间也会随之增加。同样，也不是睡眠长度越小越好，不然就一直处于侦听状态了。

现有的无线传感网的能源使用过程中无功能耗较多，主要原因是节点都是在理想电池模型下运行的，相关参数没有结合实际电池模型进行优化，并且，没有在优化的能耗参数上实现任务调度，从而没有最优地降低系统的功耗，同时，没有考虑实际电池模型，使得与实际运行有较大偏差。

发明内容

本发明的目的旨在至少解决上述的技术缺陷之一。

为达到上述目的，本发明一方面的实施例提出一种基于实际电池模型的无线传感网任务调度方法，包括以下步骤：S1：根据无线传感网的运行参数和实际电池模型以获得每个周期内不同阶段的功耗，其中，所述不同阶段包括数据的采样发送阶段、接收阶段、侦听和睡眠阶段，且所述实际电池模型为能量损耗与时间和电流的关系；S2：根据所述采样发送阶段的功耗、接收阶段的功耗、侦听和睡眠阶段的功耗获得所述无线传感网节点的总功耗模型，其中，所述总功耗模型与无线传感网节点的睡眠时间相关；S3：求解所述无线传感网节点总功耗模型的最优睡眠时间；以及S4：通过所述最优睡眠时间对无线传感网的任务进行调度使实际电池消耗的能量最小，以降低无线传感网的功耗。

根据本发明实施例的方法，通过建立无线传感网的总功耗模型，并求解无线传感网的最优睡眠时间，从而降低了无线传感网节点的功耗，同时延长了无线传感网节点的使用寿命。

本发明的一个实例中，所述实际电池模型为Rakhmatov模型，通过如下公式表示， $\mathrm{\σ}\left(t\right)=\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{I}_k{\mathrm{\Δ}}_k+2\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}\underset{m=1}{\overset{\∞}{\mathrm{\Σ}}}{I}_k\left(\frac{e^{-{\mathrm{\β}}^2{m}^2(t-t_k-\mathrm{\Δk})}-e^{-{\mathrm{\β}}^2{m}^2(t-t_k)}}{{\mathrm{\β}}^2{m}^2}\right),$ 其中，σ(t)表示表观电荷损失，即电池在t时间内能量消耗的度量，n表示在周期t内的任务数量，I_k，t_k,Δ_k分别表示第k个任务的电流值、开始时间和持续时间，β表示电池种类系数。

本发明的一个实例中，所述总功耗模型通过如下公式表示， $E_{\mathrm{period}}=E_{\mathrm{SAS}}+N*E_{\mathrm{RD}}+\frac{(1/r-T_1-N*T_2)}{T_3}*E_{\mathrm{LAS}},$ 其中，E_period表示总功耗，E_SAS表示采样发送阶段的功耗，E_RD表示接收阶段的功耗，E_LAS表示侦听和睡眠阶段的功耗，N表示无线传感网中相邻节点的个数，r表示采样率，T₁表示采样发送阶段的持续时间，T₂表示接收阶段的持续时间，T₃表示侦听和睡眠阶段的持续时间。

本发明的一个实例中，所述总功耗优化模型通过如下公式表示， $\underset{T_{\mathrm{sieep},N}}{\min }{E}_{\mathrm{period}}(T_{\mathrm{sleep}},N)S.T.0<T_{\mathrm{sleep}}<\min (1/r,T_{\mathrm{constraint}}),$ 其中，E_period表示总功耗，T_sleep表示睡眠时间，N表示无线传感网中相邻节点的个数，S.T.表示延迟约束，r表示采样率，T_constraint表示延迟约束为时间常量。

本发明的一个实例中，所述最佳睡眠时间与网络的拓扑情形有关。

为达到上述目的，本发明的实施例另一方面提出一种基于实际电池模型的无线传感网任务调度系统，包括：第一获取模块，用于根据无线传感网的运行参数和实际电池模型以获得每个周期内不同阶段的功耗，其中，所述不同阶段包括数据的采样发送阶段、接收阶段、侦听和睡眠阶段，且所述实际电池模型为能量损耗与时间和电流的关系；第二获取模块，用于根据所述采样发送阶段的功耗、接收阶段的功耗、侦听和睡眠阶段的功耗获得所述无线传感网节点的总功耗模型，其中，所述总功耗模型与无线传感网节点的睡眠时间相关；求解模块，用于求解所述无线传感网节点总功耗模型的最优睡眠时间；以及调整模块，用于通过所述最优睡眠时间对无线传感网的任务进行调度使实际电池消耗的能量最小，以降低无线传感网的功耗。

根据本发明实施例的系统，通过建立无线传感网的总功耗模型，并求解无线传感网的最优睡眠时间，从而降低了无线传感网节点的功耗，同时延长了无线传感网节点的使用寿命。

本发明的一个实例中，所述实际电池模型为Rakhmatov模型，通过如下公式表示， $\mathrm{\&sigma;}\left(t\right)=\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{I}_k{\mathrm{\&Delta;}}_k+2\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{I}_k\left(\frac{e^{-{\mathrm{\&beta;}}^2{m}^{2(t-t_k-{\mathrm{\&Delta;}}_k)}-e^{-{\mathrm{\&beta;}}^2{m}^{2(t-t_k)}}}}{{\mathrm{\&beta;}}^2{m}^2}\right),$ 其中，σ(t)表示表观电荷损失，即电池在t时间内能量消耗的度量，n表示在周期t内的任务数量，I_k，t_k,Δ_k分别表示第k个任务的电流值、开始时间和持续时间，β表示电池种类系数。

本发明的一个实例中，所述总功耗模型通过如下公式表示， $E_{\mathrm{period}}=E_{\mathrm{SAS}}+N*E_{\mathrm{RD}}+\frac{(1/r-T_1-N*T_2)}{T_3}*E_{\mathrm{LAS}},$ 其中，E_period表示总功耗，E_SAS表示采样发送阶段的功耗，E_RD表示接收阶段的功耗，E_LAS表示侦听和睡眠阶段的功耗，N表示无线传感网中相邻节点的个数，r表示采样率，T₁表示采样发送阶段的持续时间，T₂表示接收阶段的持续时间，T₃表示侦听和睡眠阶段的持续时间。

本发明的一个实例中，所述总功耗优化模型通过如下公式表示， $\underset{T_{\mathrm{sieep},N}}{\min }{E}_{\mathrm{period}}(T_{\mathrm{sleep}},N)S.T.0<T_{\mathrm{sleep}}<\min (1/r,T_{\mathrm{constraint}}),$ 其中，E_period表示总功耗，T_sleep表示睡眠时间，N表示无线传感网中相邻节点的个数，S.T.表示延迟约束，r表示采样率，T_constraint表示延迟约束为时间常量。

本发明的一个实例中，所述最佳睡眠时间与网络的拓扑情形有关。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于实际电池模型的无线传感网任务调度方法的流程图；

图2为根据本发明一个实施例的无线传感器发送或接收任务数据的示意图；

图3为根据本发明一个实施例的最佳睡眠时间与周期的关系图；

图4为根据本发明一个实施例的实际电池模型与理想电池模型的能耗比较图；

图5为根据本发明一个实施例的最佳睡眠时间随邻居节点个数而变化的统计图；

图6为根据本发明一个实施例的电池寿命与邻居节点个数的关系图；以及

图7为根据本发明一个实施例的基于无线传感网任务调度系统的框架图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

图1为根据本发明一个实施例的基于实际电池模型的无线传感网任务调度方法的流程图。如图1所示，根据本发明实施例的基于实际电池模型的无线传感网任务调度方法，包括以下步骤：

步骤S101，根据无线传感网的运行参数和实际电池模型以获得每个周期内不同阶段的功耗，其中，不同阶段包括数据的采样发送阶段、接收阶段、侦听和睡眠阶段，且实际电池模型为能量损耗与时间和电流的关系。

具体地，节点将数据发送和接收的过程分为三个阶段，即节点的数据采集发送阶段（SAS阶段）、接收阶段（RD阶段）和侦听和睡眠阶段（LAS阶段）。

图2为根据本发明一个实施例的无线传感器发送或接收任务数据的示意图。如图2所示，从中可以看出，发送数据以及接收数据是大电流任务，而睡眠任务是所有任务中消耗能量最少的。在上述的三大阶段分类由若干细节任务组成，例如，侦听和睡眠阶段可以分别由多个侦听和多个睡眠组合而成。表1和表2为无线传感网的各种运行参数，可以通过表1和表2的相关参数进行计算获得，例如，发送一个数据包的时间T_send,可以通过表1的发送数据长度L_packet和表2的发送一比特数据所需时间为T_txb，并根据如下公式得到L_send，T_send=L_packet*T_txb

表1

符号	描述	默认值
			Csleep	睡眠电流(mA)	0.03
Lpreamble	导言长度(bytes)	无
			Lpacket	数据长度(bytes)	36
N	邻居节点个数(nodes)	10
			r	采样率(每秒次数)	1/300
Clisten	采样电流(mA)	2.4
			Tlisten	采样时间(s)	2.5E-3
Tsleep	睡眠时间(s)	无

Tback

后退时间(ms)

27.4

表2

在本发明的一个实施例中，每个阶段的任务都由若干细节任务组合而成，而这三种阶段所消耗的能量都可以通过实际电池模型公式为， $\mathrm{\&sigma;}\left(t\right)=\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{I}_k{\mathrm{\&Delta;}}_k+2\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{I}_k\left(\frac{e^{-{\mathrm{\&beta;}}^2{m}^2(t-t_k-\mathrm{\&Delta;k})}-e^{-{\mathrm{\&beta;}}^2{m}^2(t-t_k)}}{{\mathrm{\&beta;}}^2{m}^2}\right),$ 其中，σ(t)表示表观电荷损失，即电池在t时间内所消耗的能量，n表示在周期t内的任务数量，I_k，t_k,Δ_k分别表示第k个任务的电流值、开始时间和持续时间，公式的第二项包含了比率容量效应以及恢复效应。我们使用这个模型度量一个传感器节点上的能量消耗。β表示电池种类系数，其值根据不同种类的干电池各不相同。

在本发明的一个实施例中，部署在簇状拓扑网络中的传感器节点，任一周期都有1个SAS任务以及N个RD任务（来自N个邻居节点），周期剩余的时间则由LAS任务占据。周期中总能量消耗为三类任务能量消耗的和。这三类任务可以进一步的划分为细节任务组合，这些细节任务是不可随意调度的，也就是顺序不可改变。一旦三类任务包含的小任务的个数，开始时间确定，总任务的能量消耗就可以随之确定。在我们的模型中，唯一可以改变的参数是睡眠时间。

在本发明的一个实施例中，SAS阶段任务的分析如下。根据B-MAC协议内容，该阶段任务执行过程为，传感器采集数据（小任务1），然后传感器节点侦听信道（小任务2），如果信道空闲，则发送导言以及数据（任务3），若繁忙，则节点等待（小任务4）一段时间后再次侦听信道（任务5）。一直持续这个过程直到发送出这个数据，最大的尝试次数为M，M可以根据具体网络规模等因素设定。任意细节任务的持续时间以及电流参数都可以从表1和表2中查询、计算得到。

细节任务3的持续时间可以如下公式进行计算。根据BMAC协议，导言的长度L_preamble必须大于节点的睡眠时间。令L_preamble等于睡眠时间T_sleep加常数C，仿真中C的默认值为20比特。L_preamble=C+T_sleep/T_txb，因此细节任务3的持续时间为T_SAS3＝(L_preamble+L_packet)*T_txb。若首次侦听信道为空闲，则没有等待任务发生，则SAS任务只包含三个细节任务，我们把此事件发生概率记为p0。若发生了一次等待，则SAS任务包含了5个细节任务，分别为采样，侦听，等待，侦听，发送，这件事的概率记为P1。同理，我们用错误！未找到引用源。事件表示为侦听了k次信道，其中k-1次信道繁忙，第k次信道空闲。此事件的概率为，P(A_k)=(1-p0)^k-1p0所有事件都可由上述式进行能量消耗计算。注意到，根据协议最多有M-1次等待，则我们可以分别得到M个事件消耗的能量，可以分别表示为错误！未找到引用源。(k=0,1…,M-1)。综合所有事件，我们得到SAS任务消耗能量的期望值，如下式所示，任意错误！未找到引用源。(k=0,1…,M-1)都是参数T_sleep的函数，而P_k(k=0,1…,M-1)都是p0的函数。p0是检测信道为空闲的概率，在这里我们假定每次检测事件都是独立的，则p0应等于总睡眠时间除于整个周期的长度，即L_receive=L_preamble/2+L_packet因此T_k也是睡眠时间和邻居个数的函数。从而能量E_SAS是睡眠时间T_sleep和邻居个数N的函数。

在本发明的一个实施例中，对RD任务分析如下：按照B-MAC协议，以下事件按次序发生：侦听信道（细节任务1），若检测到活动，则一直侦听直到导言结束，若发现数据的发送目的地为本节点，则接收数据（细节任务2），否则返回睡眠状态。若没有检测到活动则直接返回睡眠状态，这样实际上为一个睡眠任务，此种情况留到LAS任务中进行讨论。因为节点侦听信道时间的随机性，我们可以简单假定接收导言的期望长度为一半的导言长度加数据包的长度，L_receive=L_preamble/2+L_packet这个假定是合理的，从宏观上看，平均的接收导言长度确实为实际导言长度的一半。根据这个假定，我们可以从以上公式得到RD任务的消耗能量。需要注意的是，第二个小任务的持续时间应该通过L_receive来计算。当然，我们也可以取足够多的L_receive的样本，分别计算能量消耗后取平均值，但这一方法除了增加计算复杂度之外，并没有在提高计算精度上有任何贡献。我们用符号错误！未找到引用源。表示RD任务消耗的能量，同样的分析，它只是睡眠时间以及N的函数，即

在本发明的一个实施例中，对LAS阶段任务分析如下。这里的任务有两种情况。第一种情形，侦听信道为空闲状态，节点立即进入睡眠状态。第二种情况，信道状态为繁忙，则等待直到导言结束，发现目的地不是本节点，则转入睡眠状态。在第一种情形下，只有两个细节任务，分别为侦听、睡眠，易于用式1进行计算，消耗能量记做E_LAS1。在第二种情形中，期望的接收导言长度为L_preamble/2。在这种情况下有三个细节任务，分别为侦听、接收导言数据、睡眠，同样通过上述公式计算能量，记为错误！未找到引用源。。类似上面的分析，这两个能量都是睡眠时间以及邻居个数N的函数。第二种类型任务的发生概率依赖于信道的繁忙程度。我们把此事件概率记为c。一般来说，信道繁忙概率依赖于邻居节点的信息发送情况，但从自身节点观察来看，信道占用概率可以估计为本身节点总的接收信息的时间除于总周期时间。这样做的合理性在于，我们本身讨论的是低载荷因数的传感器网络，信息经过多次的等待才得于发送的概率微乎其微。节点本身要发送一次数据，一次接收成功，N-1次可能的错误侦听，从而我们得到下式为，c=(T₁+(N-1)*T₂)/(1/r)，其中，T₁和T₂分别表示节点发送数据任务平均占用时间和接收数据平均占用时间。从而，LAS任务消耗的能量可以表示为，E_LAS=(1-c)*E_LAS1+c*E_LAS2由上，一个周期只有1个SAS任务以及N个RD任务，周期的剩余时间都由LAS任务占据。

步骤S102，根据采样发送阶段的功耗、接收阶段的功耗、侦听和睡眠阶段的功耗获得无线传感网节点的总功耗模型，其中，总功耗模型与无线传感网节点的睡眠时间相关。

在本发明的一个实施例中，一个周期的总能量消耗计算如下： $E_{\mathrm{period}}=E_{\mathrm{SAS}}+N*E_{\mathrm{RD}}+\frac{(1/r-T_1-N*T_2)}{T_3}*E_{\mathrm{LAS}},$ 其中，E_period表示总功耗，E_SAS表示表示表示采样发送阶段的功耗，E_RD表示接收阶段的功耗，E_LAS表示侦听和睡眠阶段的功耗，N表示无线传感网中相邻节点的个数，r表示采样率，T₁表示采样发送阶段的持续时间，T₂表示接收阶段的持续时间，T₃表示侦听和睡眠阶段的持续时间。

步骤S103，求解无线传感网节点总功耗模型的最优睡眠时间。

在本发明的一个实施例中，在某些应用问题中，可能存在着延迟约束，也就是睡眠时间过长导致信息传输速率的降低。这一点对于我们的模型来说并不存在本质上的困难。加上延迟约束，我们最终的优化模型为： $\underset{T_{\mathrm{sieep},N}}{\min }{E}_{\mathrm{period}}(T_{\mathrm{sleep}},N)S.T.0<T_{\mathrm{sleep}}<\min (1/r,T_{\mathrm{constraint}}),$ 其中，E_period表示总功耗，T_sleep表示睡眠时间，N表示无线传感网中相邻节点的个数，S.T.表示延迟约束，r表示采样率，T_constraint表示延迟约束为时间常量。

从上述优化模型中可以看出，节点能耗的多少与睡眠时间、无线传感网中相邻节点的个数和采样率有关，并且传感器节点的最佳睡眠时间只与网络的拓扑情形有关。因为邻居节点的多少直接反应了信道可能的繁忙状况，从而影响睡眠时间的长短。至于实际电池模型，只是在计算信道繁忙状况对能量消耗的影响时和理想电池模型有不同的度量。

步骤S104，通过最优睡眠时间对无线传感网的任务进行调度使实际电池消耗的能量最小，以降低无线传感网的功耗。

图3为根据本发明一个实施例的最佳睡眠时间与周期的关系图。如图3所示，图中邻居节点数N为10，从图中可以看到，周期越长，两种模型下的最佳睡眠时间都增大，且实际电池模型比理想电池模型对应的最佳睡眠时间增长的更快。在同样多的任务以及网络拓扑情况下，周期加长相当于网络拥塞情况的降低，节点可以有更长的时间进入睡眠状态。而我们的优化模型得到的最佳睡眠时间增加幅度比理想电池的增加幅度要大，这说明干电池的恢复效应是非常明显的。在图3中我们还可以观察到，随着周期长度的减少,两个最佳睡眠时间趋于相同。这是因为吞吐量大，信道太过繁忙致使在睡眠阶段恢复的能量同理想电池模型相比可以忽略不计。但在低载荷因数的无线传感器网络中，这种情形很少，实际电池模型是非常必要的。

图4为根据本发明一个实施例的实际电池模型与理想电池模型的能耗比较图。如图4所示，图中邻居节点数为固定值，我们计算在两种模型下各自消耗的能量。结果表明用实际电池模型计算出的单位比特能量比在理想电池模型下的对应值小。这可看出在设置了最佳睡眠时间参数后，能量恢复确实有显著效果。当吞吐量变的足够大（较小的周期），两者间的差异可以被忽略。但是在低载荷因数的无线传感器网络中，这种能量节省是非常重要的。

图5为根据本发明一个实施例的最佳睡眠时间随邻居节点个数而变化的统计图。如图5所示，保持周期长度在300s，改变邻居节点个数可以看出，不管哪种模型，随着邻居节点个数增加，最佳睡眠时间减少。在实际电池模型下的睡眠时间总是大于理想电池模型下的值。当邻居节点个数足够大，达到100以上，则差异可以减少到忽略不计。

图6为根据本发明一个实施例的电池寿命与邻居节点个数的关系图。如图6所示，在优化模型下，N等于10时最佳的能量节省能够达到14%。如果周期小于300s，则延长的寿命降低至2%。

根据本发明实施例的方法，通过建立无线传感网的总功耗模型，并求解无线传感网的最优睡眠时间，从而降低了无线传感网节点的功耗，同时延长了无线传感网节点的使用寿命。

图7为根据本发明一个实施例的基于实际电池模型的无线传感网任务调度系统的框架图。如图7所示，根据本发明实施例的基于实际电池模型的无线传感网任务调度系统包括第一获取模块100、第二获取模块200、优化模块300和调整模块400。

第一获取模块100用于根据无线传感网的运行参数和实际电池模型以获得每个周期内不同阶段的功耗，其中，不同阶段包括数据的采样发送阶段、接收阶段、侦听和睡眠阶段，且实际电池模型为能量损耗与时间和电流的关系。

具体地，节点将数据发送和接收的过程分为三个阶段，即节点的数据采集发送阶段（SAS阶段）、接收阶段（RD阶段）和侦听和睡眠阶段（LAS阶段）。

图2为根据本发明一个实施例的无线传感器发送或接收任务数据的示意图。如图2所示，从中可以看出，发送数据以及接收数据是大电流任务，而睡眠任务是所有任务中消耗能量最少的。在上述的三大阶段分类由若干细节任务组成，例如，侦听和睡眠阶段可以分别由多个侦听和多个睡眠组合而成。表1和表2为无线传感网的各种运行参数，可以通过表1和表2的相关参数进行计算获得，例如，发送一个数据包的时间T_send,可以通过表1的发送数据长度L_packet和表2的发送一比特数据所需时间为T_txb，并根据如下公式得到L_send，T_send=L_packet*T_txb

表1

符号	描述	默认值
			Csleep	睡眠电流(mA)	0.03
Lpreamble	导言长度(bytes)	无
			Lpacket	数据长度(bytes)	36
N	邻居节点个数(nodes)	10
			r	采样率(每秒次数)	1/300
Clisten	采样电流(mA)	2.4
			Tlisten	采样时间(s)	2.5E-3
Tsleep	睡眠时间(s)	无
			Tback	后退时间(ms)	27.4

表2

在本发明的一个实施例中，每个阶段的任务都由若干细节任务组合而成，而这三种阶段所消耗的能量都可以通过实际电池模型公式为， $\mathrm{\&sigma;}\left(t\right)=\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{I}_k{\mathrm{\&Delta;}}_k+2\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{I}_k\left(\frac{e^{-{\mathrm{\&beta;}}^2{m}^2(t-t_k-\mathrm{\&Delta;k})}-e^{-{\mathrm{\&beta;}}^2{m}^2(t-t_k)}}{{\mathrm{\&beta;}}^2{m}^2}\right),$ 其中，σ(t)表示表观电荷损失，即电池在t时间内所消耗的能量，n表示在周期t内的任务数量，Ik，t_k,Δ_k分别表示第k个任务的电流值、开始时间和持续时间，公式的第二项包含了比率容量效应以及恢复效应。我们使用这个模型度量一个传感器节点上的能量消耗。β表示电池种类系数，其值根据不同种类的干电池各不相同

在本发明的一个实施例中，部署在簇状拓扑网络中的传感器节点，任一周期都有1个SAS任务以及N个RD任务（来自N个邻居节点），周期剩余的时间则由LAS任务占据。周期中总能量消耗为三类任务能量消耗的和。这三类任务可以进一步的划分为细节任务组合，这些细节任务是不可随意调度的，也就是顺序不可改变。一旦三类任务包含的小任务的个数，开始时间确定，总任务的能量消耗就可以随之确定。在我们的模型中，唯一可以改变的参数是睡眠时间。

在本发明的一个实施例中，SAS阶段任务的分析如下。根据B-MAC协议内容，该阶段任务执行过程为，传感器采集数据（小任务1），然后传感器节点侦听信道（小任务2），如果信道空闲，则发送导言以及数据（任务3），若繁忙，则节点等待（小任务4）一段时间后再次侦听信道（任务5）。一直持续这个过程直到发送出这个数据，最大的尝试次数为M，M可以根据具体网络规模等因素设定。任意细节任务的持续时间以及电流参数都可以从表1和表2中查询、计算得到。

细节任务3的持续时间可以如下公式进行计算。根据B-MAC协议，导言的长度L_preamble必须大于节点的睡眠时间。令L_preamble等于睡眠时间T_slep加常数C，仿真中C的默认值为20比特。L_preamble=C+T_sleep/T_txb，因此细节任务3的持续时间为T_SAS3＝(L_preamble+L_packet)*T_txb。若首次侦听信道为空闲，则没有等待任务发生，则SAS任务只包含三个细节任务，我们把此事件发生概率记为p0。若发生了一次等待，则SAS任务包含了5个细节任务，分别为采样，侦听，等待，侦听，发送，这件事的概率记为P1。同理，我们用错误！未找到引用源。事件表示为侦听了k次信道，其中k-1次信道繁忙，第k次信道空闲。此事件的概率为，P(A_k)=(1-p0)^k-1p0所有事件都可由上述式进行能量消耗计算。注意到，根据协议最多有M-1次等待，则我们可以分别得到M个事件消耗的能量，可以分别表示为错误！未找到引用源。(k=0,1…,M-1)。综合所有事件，我们得到SAS任务消耗能量的期望值，如下式所示，

任意错误！未找到引用源。(k=0,1…,M-1)都是参数T_sleep的函数，而P_k(k=0,1…,M-1)都是p0的函数。p0是检测信道为空闲的概率，在这里我们假定每次检测事件都是独立的，则p0应等于总睡眠时间除于整个周期的长度，即L_receive=L_preamble/2+L_packet因此P_k也是睡眠时间和邻居个数的函数。从而能量E_SAS是睡眠时间T_sleep和邻居个数N的函数。

在本发明的一个实施例中，对RD任务分析如下：按照BMAC协议，以下事件按次序发生：侦听信道（细节任务1），若检测到活动，则一直侦听直到导言结束，若发现数据的发送目的地为本节点，则接收数据（细节任务2），否则返回睡眠状态。若没有检测到活动则直接返回睡眠状态，这样实际上为一个睡眠任务，此种情况留到LAS任务中进行讨论。因为节点侦听信道时间的随机性，我们可以简单假定接收导言的期望长度为一半的导言长度加数据包的长度，L_receive=L_preamble/2+L_packet这个假定是合理的，从宏观上看，平均的接收导言长度确实为实际导言长度的一半。根据这个假定，我们可以从以上公式得到RD任务的消耗能量。需要注意的是，第二个小任务的持续时间应该通过L_receive来计算。当然，我们也可以取足够多的L_receive的样本，分别计算能量消耗后取平均值，但这一方法除了增加计算复杂度之外，并没有在提高计算精度上有任何贡献。我们用符号错误！未找到引用源。表示RD任务消耗的能量，同样的分析，它只是睡眠时间以及N的函数，即

在本发明的一个实施例中，对LAS阶段任务分析如下。这里的任务有两种情况。第一种情形，侦听信道为空闲状态，节点立即进入睡眠状态。第二种情况，信道状态为繁忙，则等待直到导言结束，发现目的地不是本节点，则转入睡眠状态。在第一种情形下，只有两个细节任务，分别为侦听、睡眠，易于用式1进行计算，消耗能量记做E_LAS1。在第二种情形中，期望的接收导言长度为L_preamble/2。在这种情况下有三个细节任务，分别为侦听、接收导言数据、睡眠，同样通过上述公式计算能量，记为错误！未找到引用源。。类似上面的分析，这两个能量都是睡眠时间以及邻居个数N的函数。第二种类型任务的发生概率依赖于信道的繁忙程度。我们把此事件概率记为c。一般来说，信道繁忙概率依赖于邻居节点的信息发送情况，但从自身节点观察来看，信道占用概率可以估计为本身节点总的接收信息的时间除于总周期时间。这样做的合理性在于，我们本身讨论的是低载荷因数的传感器网络，信息经过多次的等待才得于发送的概率微乎其微。节点本身要发送一次数据，一次接收成功，N-1次可能的错误侦听，从而我们得到下式为，c=(T₁+(N-1)*T₂)/(1/r)其中，T₁和T₂分别表示节点发送数据任务平均占用时间和接收数据平均占用时间。从而，LAS任务消耗的能量可以表示为，E_LAS=(1-c)*E_LAS1+c*E_LAS2由上，一个周期只有1个SAS任务以及N个RD任务，周期的剩余时间都由LAS任务占据。

第二获取模块200用于根据采样发送阶段的功耗、接收阶段的功耗、侦听和睡眠阶段的功耗获得无线传感网节点的总功耗模型，其中，总功耗模型与无线传感网节点的睡眠时间相关。

在本发明的一个实施例中，一个周期的总能量消耗计算如下： $E_{\mathrm{period}}=E_{\mathrm{SAS}}+N*E_{\mathrm{RD}}+\frac{(1/r-T_1-N*T_2)}{T_3}*E_{\mathrm{LAS}},$ 其中，E_period表示总功耗，E_SAS表示表示表示采样发送阶段的功耗，E_RD表示接收阶段的功耗，E_LAS表示侦听和睡眠阶段的功耗，N表示无线传感网中相邻节点的个数，r表示采样率，T₁表示采样发送阶段的持续时间，T₂表示接收阶段的持续时间，T₃表示侦听和睡眠阶段的持续时间。

求解模块300用于求解无线传感网节点总功耗模型的最优睡眠时间。

在本发明的一个实施例中，在某些应用问题中，可能存在着延迟约束，也就是睡眠时间过长导致信息传输速率的降低。这一点对于我们的模型来说并不存在本质上的困难。加上延迟约束，我们最终的优化模型为： $\underset{T_{\mathrm{sieep},N}}{\min }{E}_{\mathrm{period}}(T_{\mathrm{sleep}},N)S.T.0<T_{\mathrm{sleep}}<\min (1/r,T_{\mathrm{constraint}}),$ 其中，E_period表示总功耗，T_sleep表示睡眠时间，N表示无线传感网中相邻节点的个数，S.T.表示延迟约束，r表示采样率，T_constraint表示延迟约束为时间常量。

从上述优化模型中可以看出，节点能耗的多少与睡眠时间、无线传感网中相邻节点的个数和采样率有关，并且传感器节点的最佳睡眠时间只与网络的拓扑情形有关。因为邻居节点的多少直接反应了信道可能的繁忙状况，从而影响睡眠时间的长短。至于实际电池模型，只是在计算信道繁忙状况对能量消耗的影响时和理想电池模型有不同的度量。

调整模块400用于通过最优睡眠时间对无线传感网的任务进行调度使实际电池消耗的能量最小，以降低无线传感网的功耗。

在本发明的一个实施例中，最优睡眠时间与网络的拓扑情形，即相邻节点的个数有关，通过调整相邻节点的个数，从而实现调整无线传感网的功耗降低功耗。

根据本发明实施例的系统，通过建立无线传感网的总功耗模型，并求解无线传感网的最优睡眠时间，从而降低了无线传感网节点的功耗，同时延长了无线传感网节点的使用寿命。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于实际电池模型的无线传感网任务调度方法，其特征在于，包括以下步骤：

S1：根据无线传感网的运行参数和实际电池模型以获得每个周期内不同阶段的功耗，其中，所述不同阶段包括数据的采样发送阶段、接收阶段、侦听和睡眠阶段，且所述实际电池模型为能量损耗与时间和电流的关系；

S2：根据所述采样发送阶段的功耗、接收阶段的功耗、侦听和睡眠阶段的功耗获得所述无线传感网节点的总功耗模型，其中，所述总功耗模型与无线传感网节点的睡眠时间相关；

S3：求解所述无线传感网节点总功耗模型的最优睡眠时间；以及

S4：通过所述最优睡眠时间对无线传感网的任务进行调度使实际电池消耗的能量最小，以降低无线传感网的功耗。

2.根据权利要求1所述的基于实际电池模型的无线传感网任务调度方法，其特征在于，所述实际电池模型为Rakhmatov模型，通过如下公式表示，

$\mathrm{\&sigma;}\left(t\right)=\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{I}_k{\mathrm{\&Delta;}}_k+2\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{I}_k\left(\frac{e^{-{\mathrm{\&beta;}}^2{m}^2(t-t_k-\mathrm{\&Delta;k})}-e^{-{\mathrm{\&beta;}}^2{m}^2(t-t_k)}}{{\mathrm{\&beta;}}^2{m}^2}\right),$

其中，σ(t)表示表观电荷损失，即电池在t时间内能量消耗的度量，n表示在周期t内的任务数量，I_k，t_k,Δ_k分别表示第k个任务的电流值、开始时间和持续时间，β表示电池种类系数。

3.根据权利要求1所述的基于实际电池模型的无线传感网任务调度方法，其特征在于，所述总功耗模型通过如下公式表示，

$E_{\mathrm{period}}=E_{\mathrm{SAS}}+N*E_{\mathrm{RD}}+\frac{(1/r-T_1-N*T_2)}{T_3}*E_{\mathrm{LAS}},$

其中，E_period表示总功耗，E_SAS表示采样发送阶段的功耗，E_RD表示接收阶段的功耗，E_LAS表示侦听和睡眠阶段的功耗，N表示无线传感网中相邻节点的个数，r表示采样率，T₁表示采样发送阶段的持续时间，T₂表示接收阶段的持续时间，T₃表示侦听和睡眠阶段的持续时间。

4.根据权利要求1所述的基于实际电池模型的无线传感网任务调度方法，其特征在于，所述总功耗优化模型通过如下公式表示，

$\underset{T_{\mathrm{sieep},N}}{\min }{E}_{\mathrm{period}}(T_{\mathrm{sleep}},N)S.T.0<T_{\mathrm{sleep}}<\min (1/r,T_{\mathrm{constraint}}),$

其中，E_period表示总功耗，T_sleep表示睡眠时间，N表示无线传感网中相邻节点的个数，S.T.表示延迟约束，r表示采样率，T_constraint表示延迟约束为时间常量。

5.根据权利要求1所述的基于实际电池模型的无线传感器的低功耗任务调度方法，其特征在于，所述最佳睡眠时间与网络的拓扑情形有关。

6.一种基于实际电池模型的无线传感网任务调度系统，其特征在于，包括：

第一获取模块，用于根据无线传感网的运行参数和实际电池模型以获得每个周期内不同阶段的功耗，其中，所述不同阶段包括数据的采样发送阶段、接收阶段、侦听和睡眠阶段，且所述实际电池模型为能量损耗与时间和电流的关系；

第二获取模块，用于根据所述采样发送阶段的功耗、接收阶段的功耗、侦听和睡眠阶段的功耗获得所述无线传感网节点的总功耗模型，其中，所述总功耗模型与无线传感网节点的睡眠时间相关；

求解模块，用于求解所述无线传感网节点总功耗模型的最优睡眠时间；以及

调整模块，用于通过所述最优睡眠时间对无线传感网的任务进行调度使实际电池消耗的能量最小，以降低无线传感网的功耗。

7.根据权利要求6所述的基于无线传感网任务调度系统，其特征在于，所述实际电池模型为Rakhmatov模型，通过如下公式表示，

$\mathrm{\&sigma;}\left(t\right)=\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{I}_k{\mathrm{\&Delta;}}_k+2\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{I}_k\left(\frac{e^{-{\mathrm{\&beta;}}^2{m}^2(t-t_k-\mathrm{\&Delta;k})}-e^{-{\mathrm{\&beta;}}^2{m}^2(t-t_k)}}{{\mathrm{\&beta;}}^2{m}^2}\right),$

其中，σ(t)表示表观电荷损失，即电池在t时间内能量消耗的度量，n表示在周期t内的任务数量，I_k，t_k,Δ_k分别表示第k个任务的电流值、开始时间和持续时间，β表示电池种类系数。

8.根据权利要求6所述的无线传感器的低功耗任务调度系统，其特征在于，

所述总功耗模型通过如下公式表示，

$E_{\mathrm{period}}=E_{\mathrm{SAS}}+N*E_{\mathrm{RD}}+\frac{(1/r-T_1-N*T_2)}{T_3}*E_{\mathrm{LAS}},$

其中，E_period表示总功耗，E_SAS表示采样发送阶段的功耗，E_RD表示接收阶段的功耗，E_LAS表示侦听和睡眠阶段的功耗，N表示无线传感网中相邻节点的个数，r表示采样率，T₁表示采样发送阶段的持续时间，T₂表示接收阶段的持续时间，T₃表示侦听和睡眠阶段的持续时间。

9.根据权利要求6所述的无线传感器的低功耗任务调度系统，其特征在于，所述总功耗优化模型通过如下公式表示，

$\underset{T_{\mathrm{sieep},N}}{\min }{E}_{\mathrm{period}}(T_{\mathrm{sleep}},N)S.T.0<T_{\mathrm{sleep}}<\min (1/r,T_{\mathrm{constraint}}),$

其中，E_period表示总功耗，T_sleep表示睡眠时间，N表示无线传感网中相邻节点的个数，S.T.表示延迟约束，r表示采样率，T_constraint表示延迟约束为时间常量。

10.根据权利要求6所述的无线传感器的低功耗任务调度系统，其特征在于，所述最佳睡眠时间与网络的拓扑情形有关。

Images