軟件定義云邊協同架構下的水下監測新機制

金志剛, 洪 葉, 蘇毅珊,*, 羊秋玲

(1. 天津大學電氣自動化與信息工程學院, 天津 300072;2. 海南大學計算機科學與技術學院, 海南 ?？?570228)

0 引 言

海洋是生命的搖籃和地球資源的寶庫[1-2]。近年來,國內海洋監測得到迅速發展,浮標監測網、水質自動監測站等技術設備被廣泛應用于海洋監測網中;國外也進行了相關的研究,如日本地震和海嘯海底觀測密度網絡(dense oceanfloor network system for earthquakes and tsunamis, DONET)與美國大型海底觀測計劃(ocean observatories initiative, OOI)[3]。為響應建設海洋強國的號召,應加快對海洋監測的研究。

水聲傳感器網絡(underwater acoustic sensor networks, UASNs)是海洋監測的關鍵技術,其已在環境監測、資源勘探等領域得到了廣泛應用[4]。傳統UASNs結構有二維和三維網絡[5],根據傳統開放式系統互聯通信參考模型(open system interconnection reference model, OSI)和傳輸控制協議/網際協議(transmission control protocol/internet protocol, TCP/IP)模型自下而上設置為物理層、數據鏈路層、網絡層、傳輸層及應用層[6]。而UASNs大多依賴于硬件基礎設施,相關協議及應用在部署之前就固化在節點的硬件存儲器中[7],可控性及靈活性較差。為滿足水下多樣化監測任務的需求,迫切需要設計新型、智能且靈活的水聲傳感器監測網。

軟件定義網絡(software defined network, SDN)是一種新的集中式管理技術,將路由器的控制平面與數據平面分離[8-9]。在無線傳感器網絡(wireless sensor network, WSN)領域,基于SDN的研究較為成熟。文獻[10]設計了一種基于軟件定義WSN的能量路由算法,路由算法在控制器中運行,每個節點總是與其距離最近的節點進行通信,該研究驗證了基于SDN的WSN路由協議比傳統的WSN路由協議具有更好的性能。文獻[11]將強化學習應用于軟件定義WSN的路由路徑優化,利用SDN控制器進行路由決策,實現了控制平面與數據平面的分離,并延長了網絡的生命周期。而將SDN與UASNs結合是目前的重點研究方向之一,文獻[12]定義了一種水下SDN體系結構,該體系結構可輕松結合新的水下通信解決方案,提高網絡的健壯性和能效。文獻[13]提出一種基于軟件定義的多自主水下航行器(autonomous underwater vehicle, AUV)UASNs模型,提高了UASNs的可擴展性和可控性。文獻[14]提出基于SDN的能量感知路由,利用SDN提出的集中式解決方案解決了UASNs低效以及不協調的信道接入導致的問題,并通過實驗表明該研究在可靠性、時延、能效、壽命和公平性方面比傳統路由協議表現更佳。將SDN應用于UASNs進行海洋監測,可解決傳統UASNs監測存在的問題。

此外,目前常見的海洋監測方法有衛星遙感、海底觀測等,遙感衛星只能對海表進行大范圍的監測,而UASNs僅在水下展開監測且面臨著復雜多變的海洋環境[15-16]。所以,單一的監測方式無法完成全方位立體的海洋監測。

本文首先提出一種監測網絡架構,通過控制器將集中式云中心的功能部署至底層傳感器及邊緣控制器上,并對網絡進行分級控制;其次,基于該架構提出一種以水下監測為主聯合低軌遙感衛星監測的多級協同水下監測(multilevel collaborative underwater monitoring, MLCUM)機制。該機制先通過低軌衛星進行大范圍監測,隨即展開二級小范圍水下監測及水下聯合監測。本文提高了網絡的可擴展性及靈活性,減少了數據流量,降低了傳輸時延及能耗,實現了多監測任務的切換及對海洋的全面監測,滿足了海洋監測多樣化應用的需求。

1 系統模型

1.1 水下軟件定義監測網絡架構

本文首先構建了一種水下軟件定義監測網絡(underwater software defined monitoring networks, USDMN)系統架構,如圖1所示。

圖1 USDMN架構Fig.1 USDMN architecture

底層為智能感知層,由多種智能感知設備及AUV組成;中間層為邊緣控制層,由主要控制節點(sink控制節點)以及具備邊緣處理功能及控制功能的邊緣控制節點組成;最上層為應用層,由低軌遙感衛星、地面數據中心及云數據中心組成。本文架構允許應用層的下行數據和邊緣控制層的上行數據進行交互通信[17],通過SDN來管理網絡并簡化邊緣計算架構的復雜性,使相對簡單的邊緣設備免于決策復雜的網絡活動,如業務切換、流量控制等,具體設計如表1所示。

表1 網絡結構設計Table 1 Network structure design

感知數據在原位置按照Open Flow協議定義的流表[18]進行原位處理,之后中繼至邊緣控制節點進行預處理[19],然后將處理結果上傳至陸地數據中心及云數據中心,繼續進行深度處理,并根據分析結果下發控制命令,使底層智能傳感器進行特定數據的收集,最終實現全方位分層立體的廣域海洋監測。

水下延遲包括5部分:sink控制節點向下進行功能部署的延遲TSDN、智能傳感層向邊緣控制節點傳輸延遲Tend-edge、智能傳感層進行原位處理的延遲Tpreprocess、邊緣處理的延遲Tprocess、邊緣控制節點向云中心傳輸的延遲Tedge-cloud。其中,TSDN包括sink節點向邊緣控制節點部署的延遲Ts-edge以及邊緣控制節點向智能傳感設備部署的延遲Tedge-end,Tend-edge又分為感知數據中繼延遲Trelay和AUV移動延遲TAUV,總延遲為

Tdelay=TSDN+Tend-edge+Tpreprocess+Tprocess+Tedge-cloud

(1)

TSDN=Ts-edge+Tedge-end

(2)

Tend-edge=Trelay+TAUV

(3)

在能耗模型中,N和M分別表示節點發送和接收數據包的數量,Cξ為數據發送能耗,Cφ為數據接收能耗,Epre為智能傳感層原位處理的能耗開銷,Epro為邊緣處理任務的能耗開銷,sink節點間發送接收數據包的能耗為Ebetween。因此,能耗模型需要滿足以下要求:

Etotal=Eξ+Eφ+Epre+Epro+Ebetween=

NCξ+MCφ+Epre+Epro+Ebetween

(4)

1.2 多業務切換機制

該架構中sink控制節點作為SDN主控制器,可完成路由計算、網絡拓撲管理、監測業務切換等管理任務。邊緣控制節點作為次控制器僅對其控制域內的節點進行管理,將部分數據處理任務部署至智能終端傳感設備,并完成上級控制器部署的數據處理任務。

此外,通過網絡功能虛擬化可完成網絡資源切片,從而實現網絡資源的按需靈活分配,極大地增強了網絡的靈活性[12]。因此,當有不同業務需求時,可下達指令至USDMN的sink控制節點以進行業務分析并將拓撲調整、流量配置等策略通過東西向接口發送給邊緣控制節點,邊緣控制節點再將相應的網絡結構變動按照Open Flow協議以流表的形式部署至智能傳感設備,傳感設備按照所部署的流表進行網絡功能切換及必要的拓撲調整。該監測架構實現了根據任務需求的監測任務切換,并可通過移動的AUV及深度可調節傳感設備[20]完成整個網絡基礎設施的重新部署,具體流程如圖2所示。

圖2 多業務切換示意圖Fig.2 Multi-service switching schematic diagram

具體來說,在收到業務轉換需求時,云中心通過無線電鏈路向sink控制節點發送指令。當新業務不需要網絡重新部署時,sink控制節點便直接下發指令調動新業務模塊,邊緣控制節點收到指令后將數據預處理算法轉換至新業務數據的處理體系并將控制指令下發至其控制域內的底層智能傳感器節點上,底層傳感器接收到控制指令后進行響應并根據控制指令做出相應的變化,收集的數據類型及原位處理算法也轉換至新業務相關;當新業務要求網絡重新部署時,網絡中的節點除以上所有變化外,再根據sink控制節點計算得出的新拓撲策略進行重新部署。與通過船舶投放節點來實現新的監測任務相比,基于SDN的業務切換機制節省了大量的人力和物力資源。

1.3 MLCUM機制

MLCUM機制如圖3所示,先利用低軌遙感衛星對大規模海域進行異常篩查,若發現異常,則由云數據中心通過控制器向智能傳感設備下發指令,進行信息采集并處理分析,生成二級監測結果。確認異常后,通過sink節點告知相鄰的監測網絡進行水下聯合異常監測。該機制實現了基于SDN的云洋協同海洋監測。

圖3 MLCUM機制Fig.3 MLCUM mechanism

1.3.1 低軌遙感衛星監測

海洋遙感利用傳感器實現對海洋的遠距離非接觸觀測,以獲取海洋要素的圖像或數據[21]。遙感衛星可搭載多種具有不同功能的傳感器,如云遙宇航研發的星載全球導航衛星系統(global navigotion satellite system, GNSS)反射探測載荷[22],以提供海洋監測數據從而對海洋進行多方位的監測。目前,海洋遙感監測主要應用于海洋環境災害及海洋地質災害的監測,不同遙感衛星或其所搭載的不同功能的傳感器可以獲取大量的水溫、海流、海水污染等圖像或數據[23],基于這些信息可對海洋災害進行監測。

水溫是影響海洋環境的重要因素[24],因此低軌遙感衛星可對海表溫度進行監測,獲取實時海表溫度,以實現海洋環境的實時監測。美國國家海洋和大氣管理局提供了對珊瑚礁的監測方法[25],利用低軌遙感衛星獲取的5 km海表溫度值得到周熱度指數和熱點指數,將得到的指數值按照珊瑚礁白化警報級別判斷標準給出其白化預警結果。大氣溫度及海浪海波的狀態變化是海洋地質災害的主要表現,海洋地震發生前,震中位置的大氣溫度折線圖會出現“蝴蝶形”特殊曲線形狀[26],因此可通過星載GNSS反射探測載荷衛星對海洋大氣溫度進行監測,若大氣溫度折線圖出現特殊形狀,則產生災難預警,以此來達到海洋地震監測的目的。

1.3.2 二級小范圍水下監測

二級小范圍監測的關鍵在于智能傳感層與邊緣控制層的信息交互與處理。傳統UASNs收集完數據以時間觸發的方式全部上傳。但上傳數據中包含大量的正常數據,使網絡負載過大,降低其整體性能。因此,在邊緣端對數據進行處理,可避免不必要的傳輸和浪費,數據驅動的異常數據檢測如圖4所示。

圖4 數據檢測流程圖Fig.4 Data detection flow chart

部署在底層的智能傳感設備具有感知數據的能力并可對數據進行原位處理來判斷是否出現異常,然后聯合AUV進行協同分析。若判斷為正常,則原位存儲不再上傳;若數據異常,則邊緣控制節點通知AUV收集數據進行判斷。若AUV判斷數據為正常,則其對智能傳感設備展開故障檢測;否則上傳至邊緣控制層進行下一步處理,并將處理結果上報至數據中心。該監測方法需要提前將數據異常判斷的標準設置在底層智能傳感設備中,如海水pH值、溫度等指標。

1.3.3 水下聯合監測

在進行水下聯合監測時,小范圍海洋監測網絡架構共用同一云端,不同網絡之間通過sink控制節點進行無線電通信。

具體示意圖如圖5所示,當一小范圍網絡監測到異常且sink控制節點接收到數據異常的確認消息后,sink節點立即向相鄰監測網絡廣播異常信息并啟動聯合監測,使其對本監測區域進行數據收集并檢測是否存在異常情況,數據檢測方法與二級小范圍水下監測相同。

圖5 水下聯合監測示意圖Fig.5 Underwater joint monitoring schematic diagram

2 實驗性能與評價

本節通過仿真軟件進行數值仿真實驗來評估本文的工作:首先分析MLCUM機制對異常數據的平均處理時間和傳輸能耗的影響;其次評價在不同傳輸方式下,本文架構與傳統架構在總能耗、端到端延遲以及包投遞率3個指標上的表現;最后,更換實驗場景來說明本文架構的靈活性,可滿足不同監測任務的需求。

2.1 實驗場景設置

本實驗選取20 000×20 000×5 000 m3的三維網絡作為海洋災難監測的場景,部署了300個傳感器節點,其中包括智能傳感設備以及邊緣控制節點,并在水面共布置4個位置已知的sink控制節點,用于控制指令的下發以及區域間的信息交互,主要實驗參數如表2所示。

表2 實驗參數設置Table 2 Experimental parameters setting

2.2 性能評價

2.2.1 監測機制評價

本文所提出機制的重點在各個部分的數據處理、傳輸及交互,經典的路由協議基于矢量的逐跳轉發協議(hop-by-hop vector based forwarding,HHVBF)可以很好地檢測UASNs轉發數據時的性能,因此采用HHVBF來完成數據的傳輸。

本實驗數據包生成速率為0.1 packets/s,α在[0,1]內變化,其中0為數據無異常,1為全異常。表3顯示了α為0.5時的異常數據平均處理時間,本文所提出的數據驅動的異常數據分散處理方法需要2.375 s。這是因為SDN將異常判斷及數據處理功能分別部署至智能傳感設備及邊緣控制節點上,距離數據源更近。將異常數據傳輸至水下的邊緣端進行處理比傳統的將全部數據上傳至水面數據中心進行處理所需要的跳數少,這樣可以避免數據包碰撞和重傳,縮短時延,減輕數據中心的壓力。

表3 異常數據平均處理時間Table 3 Average processing time of abnormal data s

圖6表示本文所提出的數據處理方法與傳統的數據處理方法在不同異常數據率的情況下傳輸能耗方面的差異,傳輸能耗為數據從數據源傳輸至數據處理地點所消耗的能量。兩種處理方式的主要區別在于驅動方式、數據處理地點以及處理數據類型:傳統數據集中處理是以時間觸發的方式將收集到的所有數據全部上傳至水面數據中心進行處理,而新型數據分散處理是以數據驅動的方式只將異常數據傳輸至水下邊緣設備進行處理。數據驅動的異常數據檢測方法只有當數據出現異常時才會將數據上傳,而異常數據是少量的,剩余正常數據原位存儲一段時間后丟棄,因此本文所提出方法的傳輸能耗明顯低于傳統方式。隨著α的增加,異常數據量不斷增加,本文方法的傳輸能耗不斷增加。當α為1時,本文方法與傳統方式所需上傳的數據量相等,因此傳輸能耗也相同。

圖6 傳輸能耗Fig.6 Transmission energy consumption

2.2.2 USDMN系統架構性能評價

本節對比了新架構與傳統架構在不同中繼協議下端到端時延、包投遞率以及總能耗的性能,中繼方式分別采用HHVBF協議[27]、基于深度調整的地理和機會路由(geographic and opportunistic routirg with depth adjustment, GEDAR)協議[28]以及基于Q學習的自適應路由(Q-learning based adaptive routing, QELAR)協議[29],且將異常數據率設置為0.3。

圖7描繪了在不同傳輸方式下,本文新網絡架構與傳統網絡架構的端到端延遲隨數據包生成速率的變化情況,端到端時延為數據包從源端正確傳輸到接收端所需的時間?？梢钥闯?在相同路由協議下,本文架構具有比傳統架構更低的端到端時延,這是因為本文架構通過SDN控制器將數據處理任務部署至智能傳感設備及邊緣控制節點上。相比于傳統架構在云端集中處理的方式,本文架構的數據處理地點更靠近數據源,處理響應速度更快。數據包生成速率越高,就越容易發生數據包的碰撞重傳,從而延長了每種傳輸方式的端到端時延。此外,因為HHVBF相比于其他兩種路由協議轉發跳數更多,所以其端到端時延總是最大。

圖7 端到端時延Fig.7 End-to-end delay

圖8表示本文架構與傳統架構在不同數據傳輸方式下的包投遞率與數據生成速率的關系,包投遞率為sink節點接收數據包數量與源節點發送數據包數量的比值?？梢钥闯鲈谙嗤酚蓞f議下,本文架構的包投遞率總是高于傳統架構的包投遞率。這是因為在本文架構中,SDN控制器進行不同傳輸方式的路由決策,再將最優路由表以流表形式部署至邊緣端。sink控制器掌握全局試圖并定期更新網絡狀態,采用預設的路由算法來尋找最優路徑。路由決策在功能強大的控制節點上進行,路由計算的速度更快,且網絡拓撲變化能及時被控制器發現,路由的收斂性更強[30]。水下節點除AUV外一般不主動運動,且水下移動速度緩慢,因此拓撲變化量與節點的通信范圍相比較小。所以,通過SDN進行部署路由表比傳統架構進行自主決策的方式效率更高,所以傳輸效率更高,包投遞率也更高。每種傳輸方式的包投遞率都隨著數據生成速率的增加而減少,這是因為隨著數據生成速率的增加,傳輸一定數量數據包時產生的碰撞會增加,因此損失的數據包增多,包投遞率隨之減小。GEDAR通過對無效節點的深度調整進行拓撲控制,其包投遞率在這幾種傳輸方式中最高。

圖8 包投遞率Fig.8 Packet delivery rate

圖9可以看出,本文架構與傳統架構在不同數據傳輸方式下的總能耗與數據生成速率的關系,其中本文架構的總能耗包括數據收集能耗、數據處理能耗及數據傳輸能耗,傳統架構的總能耗包括數據收集能耗及傳輸能耗?？梢钥闯?本文架構的總能耗總是低于傳統架構的總能耗。首先,本文架構通過SDN部署實現了數據的原位處理,數據處理地點更靠近數據源且只將異常數據上傳,減少了數據的傳輸能耗;其次,本文架構數據處理傳輸的能耗小于傳統架構將全部數據上傳的能耗;最后,SDN將路由表部署至每個節點,節點按照路由表轉發數據,減少了數據包自主轉發時不必要的探索,且傳輸路由表給底層轉發節點帶來的傳輸負荷與其自主決策所消耗的能量相比給整體網絡能耗帶來的影響相對較小[14]。單位時間內數據生成速率越快,產生碰撞越多,能耗越高。但是在傳輸一定數量的數據包時發送時間對能耗的影響更大,因此當數據生成速率越快,所耗費的總時間越少,總能耗就越少,從而每種傳輸方式的總能耗都隨著數據生成速率的增加而減少。

圖9 總能耗Fig.9 Total energy consumption

當有監測任務更換的需求時,若需要對網絡拓撲進行重新部署,則通過SDN下發指令移動網絡設備進行該監測任務的執行。為驗證所提出架構的靈活性,實驗又進行了珊瑚礁監測的仿真實驗,選擇6 000×6 000×2 500 m3的仿真場景作為珊瑚礁監測的場景,與海洋災難監測場景的不同之處主要在于場景范圍的大小,其他實驗參數如表2所示,仿真結果如表4所示。

表4 珊瑚礁監測場景下的各項指標Table 4 Indicators under coral reef monitoring scenario

可以看出,本文架構在珊瑚礁監測場景中也有良好的表現,端到端時延、包投遞率以及總能耗隨數據生成速率的變化趨勢與圖7～圖9中的變化大致相同。珊瑚礁監測場景范圍相比地質災害監測場景較小,節點密度更大,因此SDN按照路由協議進行路由表生成時,就能找到從源節點到sink控制節點跳數更少的路徑,且可參與轉發的鄰居傳感設備變多了,因此與地質災害監測場景中的仿真結果相比,端到端時延有所減小、包投遞率與總能耗都有所增加。表4說明本文架構可用于多個監測任務,且相比傳統架構有更好的表現。

綜上所述,本文所提出的USDMN系統架構在端到端時延、包投遞率以及網絡能耗方面與傳統架構相比都有更好的性能。在更換場景后,該架構依然具有比傳統UASNs更好的性能,驗證了該架構可適用于不同的監測場景以執行多樣的監測任務,說明了本文USDMN架構在靈活性方面的表現比傳統UASNs架構更加突出,可以滿足水下多樣化監測任務的需求。

3 結 論

現有傳統水聲傳感器監測網絡靈活性、可控性較差,無法滿足水下多樣化監測任務的需求。因此,本文構建了一種基于軟件定義的水下監測網絡架構,通過SDN將數據處理功能部署至邊緣端,可實現數據的原位處理及邊緣處理。同時,基于該架構提出一種MLCUM機制,通過遙感衛星監測、小范圍水下監測及水下聯合監測實現了云洋聯合的立體海洋監測。實驗結果顯示,本文提出的監測網絡架構與監測機制提高了異常數據處理效率并降低了數據流量,在端到端時延、包投遞率以及總能耗方面都有較大的提升,能夠滿足海洋多監測任務的需求,節省了資源。