论文部分内容阅读
无线传感器网络(WSN)作为IoT的基础设施,连接物理世界和互联网世界。随着物联网和智慧城市的发展,传感器节点也越来越普及。传统的无线传感器网络结构由于受到传感器资源限制,已经无法满足数据通信的服务质量要求。同时,WSN在不断发展中面临难以扩展、无法同步感知等问题。软件定义网络的可编程、数据与控制分离等特性为无线传感器网络带来了机遇。本研究基于现有的研究,为了解决无线传感器网络面临的在不同数据传输质量方面存在的问题,引入软件定义网络,设计了适合大规模无线传感器节点的一种软件定义无线传感器网络的服务感知流量决策方案,充分考虑节点面临的资源限制和数据传输过程中的服务质量要求,针对传感器网络的路由和拓扑控制问题进行了研究。本文主要工作如下:本文首先分析了无线传感器网络的自身特点以及应用软件定义思想的可能性,并且详细分析了无线传感器网络不同路由技术。其次根据相关已有研究,设计了软件定义无线传感器网络的控制平面与数据平面的交互流程,将传统的Sink节点设计为控制器,采用集中式的控制决策,控制器根据无线传感器网络的视图周期性生成节点的数据转发规则。由于控制器具有全局视图,因此可以更好的控制分布式节点的数据转发。控制器采用周期性的网络状态收集方式,通过轮循,减少控制消息的开销。本文针对无线传感器网络固定传输范围的通信和拓扑可变范围的通信,应用了两种不同的机器学习算法,提出了针对不同动态环境的解决方案,探讨了深度学习优化路由的方式。深度学习的发展为优化大规模控制问题提供了可行方式,在控制器中采用机器学习的算法,根据收集得到的WSN网络的状态,通过不断训练,优化动态的WSN网络,合理的制定路由决策的转发规则并且生成流表信息。最后,对提出的软件定义无线传感器网络的路由算法进行了仿真实验,验证了路由决策在不同数据负载和链路环境中的性能,并与传统的无线传感器网络路由算法进行了比较,实验表明针对大规模的网络状态空间,深度学习在一些方面具有应用的潜力,通过设计的方案有效的减少了能量消耗并且提升了数据服务质量。