中 華 大 學 碩 士 論 文
在無線感測網路中有效率的不規則多點傳 播路由
Energy-efficient Irregular Multicast Routing in Wireless Sensor Networks
系 所 別：資訊工程學系碩士班 學號姓名：M09502040 許 倫 嘉 指導教授：歐 陽 雯 博 士
中 華 民 國 100 年 2 月
摘要
無線感測網路(Wireless Sensor Network)是一種用於收集資料的無線網路，這 種網路通常是由數百個到數千個感測節點所組合而成的。應用的領域也相當地廣 泛，因為其中的感測節點具有體積小而且成本低廉的優點，但是相對的也有不少 的限制，例如︰能量、運算能力、儲存能力等等，因此，運作能力也相當有限，
其中最困難也是最直接的問題就是能量問題，如果說感測節點的能量消耗能夠降 低，進而就可以延長無線感測網路的壽命(Lifetime)。
在最近幾年的研究中，因為廣播(Broadcast)與多點傳播(Multicast)在無線網路 傳播技術中被廣泛應用，所以在無線感測網路上多半以廣播與多點傳播最為常 見。因為廣播屬於多點傳播的特殊例子，所以本篇論文則是以多點傳播作為討論 的對象。在一片感測區域上，當使用者需要知道感測區域上某些特定節點的感測 資料時，基地台(Base station)會發出請求送達至特定感測節點上，此時選擇高效率 的傳輸路徑將請求送達到特定節點，以避免節點消耗多餘額外能量。在先前一些 研究論文中，利用相關的建樹演算法將網路建構成樹狀結構，並且討論整體能量 消耗的問題，但是在感測節點接收基地台請求機率(Probability)的不同之可能性上 並沒有做討論，因此，我們在本篇論文中討論此問題，並且提出不規則多點傳播 問題和解決方式。我們利用感測節點之接受請求的機率提出五套不同的多點傳播 路由，希望可以藉由感測節點之接受請求機率上的不同建構出高效率的路由路 徑，使請求傳送到目的端(Destination)時所需消耗的整體能量消耗能達到最低。
關鍵字：無線感測網路、壽命、廣播、多點傳播、基地台、請求、機率、路由路
ABSTRACT
Wireless sensor network is a collected-information wireless network. This network usually is consisted by hundreds to thousands of sensor nodes. Application is widely studied in this field. Because nodes have advantages of small size and low cost, but have much constraint. For example: energy, computing, and storage, etc. So operation is limited, energy problem is the most difficult problem. If reducing energy consumption of nodes, it can extend lifetime of wireless sensor networks.
In recent years, most of the studies are major in broadcast and multicast in wireless sensor networks since broadcast and multicast are widely used in wireless networking.
This paper is major in multicast because broadcast is a special case of multicasting. In the sensing region, when user needs to know the sensing data from the specific sensor nodes, the base station will send queries to the specific sensor nodes. However, to avoid additional energy consumption, nodes select high-efficiency routing path to send queries to the specific nodes. In previous methods, authors used the related algorithm to construct network and to form a tree structure. But the possibility of having different query-receiving probability from base station was not discussed. So we discuss this problem in this paper and name irregular multicast problem. We propose the solution for this problem in this paper. We utilize the different probability of receiving-query of nodes to propose five different multicast routings, and hope that they can construct high-efficiency routing paths. When queries are sent to destinations, the multicast routing can achieve minimum total energy consumption.
Keywords：Wireless sensor network, lifetime, broadcast, multicast, base station, query, probability, routing path.
誌謝
在碩士班的這段求學期間，首先我要感謝我的指導教授歐陽雯老師在這些年 對我的做人處事以及課業上的指導與教誨，使我在學術研究上更為嚴謹且細膩，
同時也學到許多寶貴的經驗。此外也感謝口試委員們所提供的寶貴意見，學生在 此致上最誠摯的謝意。另外還要感謝學長、同學以及學弟們在於這段時間裡，不 管是在生活、課業、或是研究上的互相幫助及砥礪，讓我能夠在一個良好的環境 中進步與成長。
最後要感謝我的父母及家人對我的照顧與鼓勵，讓我能順利完成學業，邁向 人生的另一個階段。僅以此論文獻給所有曾幫助過我的老師和同學們，期許在未 來的日子能發揮所長，回饋社會以及大家對我的期望。
目錄
摘要 ... I ABSTRACT ... II 誌謝 ... III 目錄 ... IV 圖目錄 ... V 表目錄 ... VIII
第 1 章 緒論 ... 1
1.1 研究背景 ... 1
1.2 研究動機 ... 3
第 2 章 相關研究 ... 7
第 3 章 假設與網路模型 ... 19
3.1 假設定義 ... 19
3.2 能量消耗模型 ... 20
第 4 章 不規則多點傳播路由演算法 ... 22
4.1 建樹機制 ... 22
4.2 防孤點機制 ... 41
第 5 章 模擬實驗與結果 ... 43
5.1 模擬環境與設定 ... 44
5.2 模擬結果 ... 48
第 6 章 結論 ... 52
參考文獻 ... 53
圖目錄
圖 1-1 無線感測網路架構圖 ... 3
圖 1-2 廣播範例圖 ... 5
圖 1-3 不規則多點傳播範例圖 ... 5
圖 2-1 SARF 演算法[22]示意圖 ... 8
圖 2-2 SAM 演算法[22]示意圖 ... 9
圖 2-3 CoFAM 演算法[22]示意圖 ... 10
圖 2-4 MSAM 演算法[22]示意圖 ... 10
圖 2-5 Standard dynamic programming model[21] ... 11
圖 2-6 DP multicast tree 演算法[21] ... 12
圖 2-7 DLMP 演算法[11]之建立路徑範例圖 ... 12
圖 2-8 DLMP 演算法[11]之改變路徑範例圖 ... 13
圖 2-9 RBMulticast 演算法[9] ... 13
圖 2-10 兩種不同 Multicast tree 之比較[16] ... 14
圖 2-11 AMCA 演算法[14]之範例圖 ... 15
圖 2-12 MWIA 演算法(a)建樹機制(b)調整機制[4] ... 17
圖 2-13 MDP 演算法(a)使用調整機制前(b)使用調整機制後[17] ... 18
圖 3-1 傳輸範圍區域分配圖 ... 20
圖 3-2 一階無線電傳送模式[10] ... 21
圖 4-1 FPMR-highest 演算法之流程圖 ... 24
圖 4-1-1 FPMR-highest 演算法之步驟一範例圖 ... 24
圖 4-1-2 FPMR-highest 演算法之步驟二範例圖 ... 25
圖 4-1-3 FPMR-highest 演算法樹狀圖... 25
圖 4-2-1 FPMR-closest 演算法之步驟一範例圖 ... 26
圖 4-2-2 FPMR-closest 演算法之步驟二範例圖 ... 27
圖 4-2-3 FPMR-closest 演算法樹狀圖 ... 27
圖 4-3 DCMR 演算法建樹機制之流程圖 ... 28
圖 4-3-1 DCMR 建樹機制之步驟一範例圖 ... 29
圖 4-3-2 DCMR 建樹機制之步驟二範例圖 ... 29
圖 4-3-3 DCMR 建樹機制之步驟三範例圖 ... 29
圖 4-3-4 DCMR 建樹機制之步驟四範例圖 ... 30
圖 4-3-5 DCMR 建樹機制之步驟五範例圖 ... 30
圖 4-3-6 DCMR 建樹機制之步驟六範例圖 ... 31
圖 4-3-7 DCMR 建樹機制樹狀圖 ... 31
圖 4-4 DCMR 演算法調整機制之流程圖 ... 32
圖 4-4-1 DCMR 調整機制之步驟一範例圖 ... 33
圖 4-4-2 DCMR 調整機制之步驟二範例圖 ... 33
圖 4-4-3 DCMR 調整機制之步驟三範例圖 ... 34
圖 4-4-4 DCMR 調整機制之步驟四範例圖 ... 34
圖 4-4-5 DCMR 調整機制樹狀圖 ... 35
圖 4-5 TDMR 演算法之流程圖 ... 35
圖 4-5-1 TDMR 演算法之步驟一範例圖 ... 36
圖 4-5-2 TDMR 演算法之步驟二範例圖 ... 36
圖 4-5-3 TDMR 演算法之步驟三範例圖 ... 37
圖 4-5-4 TDMR 演算法之步驟四範例圖 ... 37
圖 4-5-5 TDMR 演算法之步驟五範例圖 ... 37
圖 4-5-6 TDMR 演算法樹狀圖 ... 38
圖 4-6 CLMR 演算法之流程圖 ... 38
圖 4-6-1 CLMR 演算法之步驟一範例圖 ... 39
圖 4-6-2 CLMR 演算法之步驟二範例圖 ... 39
圖 4-6-3 CLMR 演算法之步驟二範例圖 ... 40
圖 4-6-4 CLMR 演算法之步驟三範例圖 ... 40
圖 4-6-4 CLMR 演算法樹狀圖 ... 40
圖 5-4 防孤點機制之流程圖 ... 41
圖 5-4-1 防孤點機制之步驟一範例圖 ... 41
圖 5-4-2 防孤點機制之步驟二範例圖 ... 42
圖 5-1 總能量消耗範例圖 ... 43
圖 5-2 無線感測網路佈點範例圖 ... 45
圖 5-3 不同的 Range 範圍，在不同的 Threshold 交叉比對之曲線圖 ... 46
圖 5-4 不同的 delta 值，在不同的 Threshold 交叉比較之曲線圖 ... 47
圖 5-5 在不同的節點數量，總能量消耗曲線圖 ... 49
圖 5-6 在不同節點數量，能量平衡曲線圖 ... 50
圖 5-7 在不同節點數量，延遲因素曲線圖 ... 51
表目錄
表 3-1 符號表 ... 19 表 6-1 環境變數設定 ... 44
第 1 章 緒論
無線感測網路主要是應用在不同範圍的待觀察區上，藉由感測節點的回報資 訊來判斷訊息是否有所需價值。因為感測節點受到體積小與成本上的考量，所以 感測節點本身的運算能力與能量都受到相當大的限制，在最近幾年中，這議題是 個很常被提出來探討的重要問題。每當基地台需要知道待感測區的資訊時，感測 節點就會接受到基地台所發出的請求，此時感測節點所感測到的資訊將需要藉由 感測節點之間的連接把訊息回傳到基地台。因此，當感測節點回傳訊給基地台 時，回傳路徑能不浪費而有效地善用感測節點的能量，不僅可以降低感測節點的 能量消耗，對整體地無線感測網路壽命也可以達到延長的效果。所以，本篇論文 著重於感測節點如何使用分散式地溝通方式與周遭鄰近節點形成一個有效率地 廣播樹，讓基地台能透過此廣播樹將請求傳送到特定感測節點上。在後面的 1.1 節中，將會介紹無線感測網路的背景與由來，在 1.2 節中，將會詳細介紹我們所 要解決的問題所在。
1.1 研究背景
無線感測網路的發展，最早在 50 年代美蘇冷戰時期[5]，但是當時受到軟硬 體設備與技術的限制，使無線感測網路的發展受到了阻礙。當到了 80 年代，許 多的無線感測網路陸續逐漸地被開發出來，但只限運用在軍事上的應用。直到
點，被稱為智慧灰塵(smart dust)[25]。這項計畫是由美國國防部研究計畫單位 (DARPA)所資助，原先的構想是應用在軍事上，例如在戰場上，使用無人駕駛的 小飛機，帶著數以百萬的無線感測器，撒在敵軍的區域進行蒐集資料任務，過一 段時間之後，同樣派遣無人駕駛的小飛機，將感測器蒐集到的資料透過無線網路 回傳到小飛機上，並帶回基地加以分析。如此一來，就不需要冒著極大的危險派 遣兵力深入敵方，便可完成蒐集敵軍情報的任務。在 2003 年美國 MIT 技術評論 (Technology Review)[26]中提到，認為有十種新興技術很快就可以改變計算、醫 療、製造、運輸、和我們的能源基礎設施，其中排名第一的就是無線感測網路，
有此可見，無線感測網路在未來的科技運用上佔了相當重要的地位。
無線感測網路(Wireless Sensor Networks, WSNs)是將大量的感測節點散佈在 待感測區域，經由感測節點收集各種環境資料，再透過無線網路的傳輸將所有收 集到的資料回傳到基地台(Base Station)，觀察者再透過網際網路(Internet)從基地 台中取得所有感測節點所感測得到的資料。在最近幾年來，因為微機電及嵌入式 處理的技術進步，將感測、無線通訊以及處理資訊的基本運算能力寫入微小的墊 子裝置內，而造就了現在多功能的感測節點進而形成現在所謂的無線感測網路。
為了達到大量佈建的目的，感測節點必須具備著以下幾點特性：低成本、低耗電、
體積小、容易佈建等等，並且必須具有感應環境裝置。藉由可程式化、可動態組 成等特性將感測周遭環境種種變化的所有訊息，再經過處理運算後形成各種數 據，並將個些數據資料透過無線傳輸的方式回傳到收集中心(Sink)或基地台，供 使用者監控紀錄。
感測節點可以在任意環境上被散佈使用的，但一開始被散佈在感測區域上 時，感測節點自己並不知道自己與鄰近節點之間的周遭資訊，所以感測節點必須 藉由自我組態(Self- organization)的方式才能瞭解與鄰近節點之間的相對位置與 其他資訊，自動形成一個通訊網路[1][2][7]。無線感測網路的基本架構如圖 1-1 所示，使用者將感測節點散佈在感興趣的感測區域上偵測特定的感測項目，再經
由無線網路將感測到的訊息資料送到遠方的基地台。
圖 1-1 無線感測網路架構圖
1.2 研究動機
感測節點是具有感測環境、運算能力、無線通訊等功能的微小電子儀器，而 無線感測網路則是藉由數千個感測節點散佈在使用者感興趣的感測區域，進行感 測、偵測環境，收集周遭環境資料並且將資料彙整後回傳到基地台，因此，收集 使用者所需資料是無線感測網路的重要任務之一。
無線感測網路是藉由感測節點透過彼此之間互相溝通連線，進而形成一個無 線網路拓樸，所以當感測節點的能量消耗殆盡時，無線感測網路將會因此產生斷 路或是形成網路分割的情況產生。一開始當使用者需要知道感測區域上面的環境 變化，則會透過基地台對感測節點發出請求(Query)，當感測節點接收到基地台 所發出的請求後，感測節點將會把感測資料回傳給基地台，在經由基地台傳送到 使用者的手上。當基地台對感測節點發出請求的時候，因為傳輸距離上的限制，
若要一對一地直接對感測節點發出請求是不可能的，因此，基地台發出的請求將
地，當感測節點把感測資料回傳到基地台的時候，也是會透過鄰近感測節點使用 轉傳的方式將感測資料回傳。感測區域的範圍可大可小，但並不是整個涵蓋範圍 的資訊都是使用者所需要知道的，而使用者只需要知道某幾個特定節點或是某些 特定區域中的感測節點所感測到的訊息即可。因為每個感測節點的位置並不一 樣，所收集到的資訊也會不一樣，所以並不是所有的資訊都是使用者所感興趣 的，例如：使用者想觀察森林中的生態環境，但是感興趣的生態棲息地並不相同，
所以，並不是所有的生態棲息地都需要接受基地台的請求，此時使用者只會要求 基地台對感興趣的生態區域發出請求，藉由這些請求，使被指定的感測節點將感 測資料回傳基地台。
因為感測節點的成本低廉，所以在感測節點的設計上如運算能力、記憶體、
能量、通訊能力等電子裝置都受到有所限制。正因為感測節點的體積小、成本低 的關係，所攜帶電池能量也相當有限，因此為了減少感測節點的能量消耗，而達 到延長無線感測網路的網路壽命，這是一項很重要的討論議題。影響無線感測網 路壽命的因素有很多，例如：因為感測器自身硬體上出現不明原因故障或是自身 上電池能量以消耗殆盡或是因為環境的關係使得感測節點在通訊上產生阻礙而 造成傳輸中斷等。因此，感測節點將會因為許多不穩定的因素而影響著他們的存 亡，在這裡的討論則以能量消耗為主題。因為感測節點受到硬體上的限制，通常 是以電池作為電源供應裝置，而且散佈的環境不一定，因此，不容易回收更換電 池或充電。所以如何節省能量消耗，進而延長感測節點的使用壽命是無線感測網 路當中一個非常重要的問題。
前人提出的相關研究中已經說明指出，基地台發出請求至感測節點時所需要 消耗的整體能量若要達到最小，此問題是一個 NP-hard 的問題[8][19]，因此，取 得最小整體能量消耗並沒有辦法使用一個很有效率的方法來尋找出最佳解。無線 感測網路的整體能量消耗[17]的算法，在後面將會詳細說明。如圖 1-2 所示，當 基 地 台 送 出 請 求給 目 的 端 (Destination) 的 時 候 ， 一 般 採 取 的方 式 都 是 廣 播
(Broadcast)的方式，中途透過其他的感測節點把請求送達到所有的感測節點上。
此時，當基地台送出請求至所有目的端時，所有感測節點所需要的能量消耗則是 無線感測網路的整體能量消耗，以圖 1-2 為例，此時的整體能量消耗為 9。
圖 1-2 廣播範例圖
在此我們著重於基地台發出的請求傳輸到指定感測節點或地區性感測區域 的節點時所走得傳輸路徑。但跟先前學者所考量而提出相關的多點傳播路由協定 不一樣[9],[11]，他們是考量每個感測節點接受請求的機率一致的情況下，所提出 來的多點傳播路由協定的演算法，因此，基地台送出請求的對象則是無線感測網 路中的全體感測節點，這與廣播是相同的處理方式。
圖 1-3 不規則多點傳播範例圖
之下基地台送出請求，這些請求藉由路徑上的其他節點，將請求送達到基地台所 指定的感測節點，如圖 1-3 所示，基地台所特定接收請求的感測節點有 1、4、6，
所需消耗的整體能量為 7。因為每個感測節點接受請求之機率值並不一定相同，
所以傳輸路徑的使用機率也將不一定相同，換句話說，傳輸路徑將會受到感測節 點接受請求之狀況影響，機率值高的節點，路徑使用機率就高，而路徑上的所有 感測節點將會為了傳送請求而頻繁地消耗能量。例如：當基地台發出請求到某特 定節點時，路徑上某個感測節點的機率較低，代表的是較少接受到基地台的通 知，但是為了傳輸基地台請求則必須消耗能量將請求傳送到某特定節點，此時，
如果可以藉由高機率值的感測節點傳送，將可以為低機率值之感測節點省電。所 以，如果傳送請求時，可以挑選有效率的傳輸路徑來傳送基地台的請求，將會降 低感測節點的能量消耗。
在這裡我們提出五套不同的不規則多點傳播路由，分別為 FPMR-highest、
FPMR-closest、DCMR、TDMR 和 CLMR 演算法。而每一個感測節點利用本身 接收基地台請求機率的高低不同，再透過彼此之間的溝通傳送訊息建立出一棵有 效率地多點傳播樹。我們考量的是對感測節點接受請求的機率會有高低不同的情 況下，討論如何建構無線感測網路的網路拓樸與整體能量消耗。演算法包含了感 測節點如何挑選子節點或挑選父節點之建樹機制與防孤點機制，藉由接受請求機 率地高低特性，讓感測節點彼此連接並有效地建立出傳輸路徑，使得請求傳送到 各個感測節點時可以更有效率。
接下來此篇論文分成下列幾個章節：第二章我們介紹一些相關多點傳播路由 協定的相關參考文獻。第三章描述無線感測網路的假設模型與初始設定。接下來 第四章就是我們提出的多點傳播路由演算法與防孤點機制，最後第五章是模擬實 驗結果、第六章是結論。
第 2 章 相關研究
在此章節我們會簡介有關多點傳播路由協定的演算法，在提出我們的方法之 前已經提出許多相關多點傳播路由協定的研究論文。在這些相關方法中，針對相 同的目標，為了降低整體的能量消耗而使用不同的方法作研究討論，一般以提出 新的路由演算法，藉由新的路由方式以致於達到降低整體能量消耗之目標。而在 這些不同的路由方法中，無線網路的傳播技術多半以多點傳播(Multicast)與廣播 (Broadcast)兩種網路傳輸技術最為常見，基於廣播是屬於多點傳播中的特例，因 此在此篇論文中我們的研究討論以多點傳播為主。接下來，我們將會依序介紹前 人所提出各種不同多點傳播路由協定的研究及應用，應用不同的建構網路方式形 成不同的傳輸路徑，達到降低能量的消耗與感測節點彼此之間的能量平衡，進而 達到延長無線感測網路的使用壽命。
Zhang, Jia, Chuanhe, Huang, 和 Yang[22]提出 GeoMulticast 多點傳播路由協 定，想法是採取不同區段則使用不同方法處理而有不同的效果。將整個感測區域 分成兩個區段， 將所有目的端(Destination)圍成一塊長方形的多點傳播區域 (Multicast region)，在多點傳播區域中挑出一點 AP(Access point)，而基地台到 AP 為第一區段，AP 到所有目的端為第二區段。在這裡作者分別提出四套不同的演 算法來完成此篇論文，分別是 SARF、SAM、CoFAM、MSAM 四套演算法，以 下將為此四套演算法簡單介紹：
一、 SARF 演算法
SARF 演算法是藉以訊息氾濫(Flooding)形成路由路徑(Routing path)的演算 法。如圖 2-1 所示，挑選最靠近多點傳播區域中的中心點之感測節點為 AP，藉 由最短路徑(Shortest path)演算法，在基地台與 AP 之間找出最短的路由路徑將訊 息從基地台傳送到 AP，接下來 AP 將會使用訊息氾濫的方式將訊息傳送到所有 的目的端。此演算法因為使用訊息氾濫的方式，雖然可以保證訊息一定會傳送到 目的端，但是會造成感測節點消耗多餘不必要的能量，如此將會加速感測節點的 能量消耗殆盡而縮短感測節點壽命。
圖 2-1 SARF 演算法[22]示意圖
二、 SAM 演算法
如圖 2-2 所示，SAM 演算法在多點傳播區域中，挑選最靠近基地台之感測 節點為 AP，然後，與 SARF 演算法相同使用最短路徑演算法在基地台與 AP 之 間找出最短的路由路徑，將訊息從基地台傳送到 AP。在廣播樹中(Broadcast tree) 的總能量消耗是中繼節點(Relay node)的能量消耗之總和，換句話說，越少的中 繼節點則代表越少感測節點需消耗能量。因此，作者以 AP 為端點(Root)，在 AP 傳輸範圍內挑選最多鄰近節點之節點為下一個中繼節點，依序將會在多點傳播區 域中形成多點傳播樹。此演算法雖然可以減少中繼節點的數量進而降低總能量消 耗，但如果只有固定少量節點消耗能量，將會造成能量消耗不均的情況發生，導
致加速中繼節點能量消耗殆盡，縮短中繼節點壽命。
圖 2-2 SAM 演算法[22]示意圖
三、 CoFAM 演算法
在作者提出的四套演算法當中，以 CoFAM 演算法較為特別。如圖 2-3 所示，
此套演算法不但使用訊息氾濫的方式傳遞訊息，也套用了圓錐體的概念，以基地 台為角錐，基地台到多點傳播區域為角柱，從基地台與多點傳播區域之間稱為遞 送區(Forwarding area)。從基地台開始，從遞送區中挑選階乘數(Degree)最高之感 測節點為下一個中繼節點，在這當中，新的中繼節點與其鄰近節點接加入傳播樹 的一部分，依序挑選至多點傳播區域中所有的感測節點皆成為樹的一部分為止。
接下來，將擁有多個父節點並且只擁有一個子節點之感測節點移除，刪除不必要 之路徑後則形成一棵多點傳播樹。此套演算法雖然使用了訊息氾濫的方式，使得 感測節點將會消耗多餘的能量，但採用了圓錐體的概念，不但使傳遞的範圍縮 小，也減少了範圍外之感測節點的能量消耗。在移除的動作中，將會使感測節點 從中繼節點轉變為末端點，使其減少能量消耗。
圖 2-3 CoFAM 演算法[22]示意圖
四、 MSAM 演算法
最後一套 MSAM 演算法則是一套簡單形成傳播樹的演算法，雖然此篇論文 著重在基地台到所有目的端之間的資料傳輸，但是作者也顧慮到了資料回傳到基 地台的路由路徑，此套演算法則是如此。作者利用最短路徑演算法將基地台請求 傳送到多點傳播區域，當基地台請求到達多點傳播區域後則使用最小生成樹 (Minimum spanning tree)演算法將基地台請求送達到所有目的端。如此一來，傳 送請求時所消耗的能量消耗可以降低，對資料回傳基地台時的能量消耗也不會升 高，並且對能量消耗上也能達到一定的平衡，不會偏重於某些感測節點。
S
D AP
D
D D
D S
Sensor Node
Source Node Destination Node
Connection Routing Path Multicast
Region
圖 2-4 MSAM 演算法[22]示意圖
A
E B
C
F D
G
H
I
1 2 3 4 5
圖 2-5 Standard dynamic programming model[21]
在[22]中，為了對感測節點的額外能量過度消耗的缺點加以改善，在 2008 年時，Wang, Li 和 Wang 提出[21]此篇論文作為改善[22]的缺點。如圖 2-5 中所示，
第一區段中，作者為了尋找基地台 (A 點)到 AP (I 點)之間的最短路徑，提出了 dynamic programming (DP) model 代替了[22]中採取訊息氾濫的方式，達到減少基 地台到 AP 之間所有感測節點的能量消耗。在每一階段中透過 DP model 的精確 計算後挑選出下一個中繼節點，依序執行找出最短的路由路徑到 AP，而 DP model 的計算如下：
0
1 1
1 1
1 n n
t t t t t t t t
t
x f
,..., n , n t x
A f x A , x E min ) x ( f
第二部份 AP 到所有目的端，作者以 AP 為圓心依序以 R, 2R, 3R…形成多個同心 環 A, B, C…，R 為最大傳輸範圍。如圖 2-6 所示，環 A 內的感測節點直接與 AP 做連結，環 B 內的感測節點則往內層環 A 挑選距離最近之節點當父節點，依序 至外環形成一棵多點傳播樹。藉由這些方法的改善，不只降低了感測節點的能量 消耗，並且使得整體感測節點之能量消耗取得平衡。
圖 2-6 DP multicast tree 演算法[21]
Kim, Park, Jin, Batzorig 和 Sambuu[11]在 2008 年提出以平面座標四個象限的 概念建構出多點傳播路由協定，稱為 DLMP 演算法。目的是為了讓感測節點的 能量消耗可以達到平衡。如圖 2-7 所示，以基地台為中心，水平與垂直座標軸形 成四個象限，目的端的所在位置依照四個象限分成四群，資料分別從四個象限送 出，挑選最靠近所有目的端的平均位置之感測節點當中繼節點，相同地程序依序 執行到路徑到達所以目的端則停止。為了避免路由路徑相同，使得路徑上的感測 節點一再被當中繼節點消耗能量，因此作者將週期性的修改傳輸路徑。如圖 2-8 所示，作者週期性的將平面座標往順時鐘方向轉α度，使得在下一次尋找路徑時 將會創出不同的路由路徑傳送基地台請求，進而避免同一感測節點不斷扮演中繼 節點角色，達到整體感測節點能量消耗平衡。
圖 2-7 DLMP 演算法[11]之建立路徑範例圖
D D
D D
D D
D
D S
Sensor Node
Source Node Destination Node
Routing Path S
α
D
圖 2-8 DLMP 演算法[11]之改變路徑範例圖
在 2009 年時，Feng, Heinzelman[9]相同以平面座標四個象限的想法提出 RBMulticast 演算法，與[11]不同的地方在於作者提出 Virtual node 的概念，Virtual node 指的是在同一象限中的所有目的端找出他們的平均位置，假使此位置沒有 感測節點，則取最靠近之感測節點當 Virtual node。如圖 2-9 所示，當挑選出 Virtual node 後，在傳輸範圍內挑選最靠近 Virtual node 之感測節點當中繼節點，直到資 料傳送到所有目的端為止。這麼做將可以減少中繼節點的數量，而降低整體感測 節點的能量消耗，但因為作者提出路徑改變的方法，因此，此演算法之傳輸路徑 容易重複使用，使得降低整體感測節點能量消耗之平衡。
圖 2-9 RBMulticast 演算法[9]
在 2008 年，Peng, Li, Chen, Xiao, Peng[16]使用 Stenier tree 的概念提出一套 SenCast 演算法，將基地台與所有目的端構成有效率的傳輸路徑。SenCast 演算法 的目的是希望找出最少數量之中繼節點來達到降低整體感測節點的能量消耗。如 圖 2-10 所示，圖 2-10(a)表示的是使用傳統 Steiner tree 所產生出的傳輸路徑，途 中需透過 6 個中繼節點才能將基地台的資訊送達到所有目的端，而圖 2-10(b)表 示的是 SenCast 演算法所產生的傳輸路徑，途中只需透過 4 個中繼節點就可以完 成目的，成功改善了傳統 Steiner tree 而減少感測節點的能量消耗。
(a) Traditional Steiner Tree
(b) MNN Steiner Tree
圖 2-10 兩種不同 Multicast tree 之比較[16]
在 2007 年時，Onodera, Miayzaki[14]以分群的概念並且結合了 TDMA 的機 制提出一套 AMCA 多點傳播樹演算法。此篇論文是建構一棵分群樹的架構來管 理所有感測節點，為了避免傳輸封包時發生碰撞，則將 TDMA 的機制使用在資
料傳輸上。所有的中繼節點都是群頭(Cluster head)，如圖 2-11 所示，群頭管理群 內的感測節點並且匯集所感測的所有資料，然後透過其他群頭或是直接將資料傳 送至基地台。
圖 2-11 AMCA 演算法[14]之範例圖
Hong, Scaglione 在 2006 年時引用論文[]中 OLA (Opportunistic Large Arrays) 的概念，即是透過在物理層上作訊號處理的技術提供一套合作的廣播形式使感測 節點達到儲存能量的效果，此篇論文則是著重於分析在無線感測網路廣播的情況 下使用能量效率(Energy efficiency)的合作傳輸技術。廣播在傳統的網路協定中，
對分散式控制訊息傳送至網路協定是一個有效率的方法，特別是在無線感測網路 中能提供有效的解決方法，對每個感測節點分享自己區域的感測資訊並且降低了 協定的複雜，但是，忽略了每個感測節點有限的能量資源。在此作者為了節省感 測節點的能量消耗進而提出了此篇論文，希望透過傳輸者(Transmitter)彼此地合 作代替每個接收者(Receiver)偵測到由傳輸者貢獻的訊號，達到減少多餘的傳輸 以降低總能量消耗。
在 2006 年時，Ingelrest, Simplot-Ryl, Stojmenovic 針對感測節點的傳輸半徑 做研究，尋找出最佳的傳輸半徑進而形成有效能量的廣播協定。此篇論文中作者 提到，在無線感測網路中，每個感測節點都具有為自己的傳輸半徑作調整的能力
TR-LBOP 是計算連結所需要之最小半徑，然後將半徑增長至目標物以減少直接 相連之鄰居集合。TRDS 先考慮距離沒超過目標物半徑之鄰近節點，然後區域性 的結構以 RNG 或 LMST 的方式行連結的拓樸結構。
當傳送請求的時候，如果以資訊氾濫(Flooding)的方式將訊息廣播到任意感 測節點，雖然會有較低的跳躍延遲(Hop-delay)，但是會有許多多餘的傳輸狀況發 生 ， 造就多餘能量 的消耗 ， 因此 ， 在 2008 年時，Subramanian, Shakkottai, Arapostathis 三位學者提出一篇論文，研究地理資訊的角色和狀態資訊以達到減 少網路上多餘的傳輸。在這篇論文，作者考慮了三種有地區訊息之變化程度的廣 播的排程，每個節點(i)沒有地理上或狀態上的資訊(ii)具有有關起初廣播的粗糙 地理資訊(iii)沒有地理上的資訊，但是記得先前接到的訊息。
Cheng, Sun, Min, Li, Wu[4]在 2006 年提出 Minimum Weighted Incremental Arborescence(MWIA)演算法，這套演算法的目的在於如何降低整體的能量消耗，
不但能使整體能量消耗達到最小，整體感測節點的能量消耗也達到平衡。這套演 算法是由兩個機制所組成的，一套是建樹機制，另一套則是調整機制。如圖 2-12 所示，在圖 2-12(a)建樹機制中，作者使用最小生成樹(Minimum spanning tree)演 算法將所有感測節點連結成樹狀結構，然後經過圖 2-12(b)調整機制後，使整體 能量消耗降至最低。以感測節點的子節點中最遠的一個當作傳輸距離，在此傳輸 距離內如果有鄰近節點需要透過中繼節點接收訊息的話，則此鄰近節點將會調整 成為感測節點的新子節點。
(a)建樹機制，最小生成樹演算法[4]
1 3
4 2
6 5
Sensor Node
(b)調整機制
圖 2-12 MWIA 演算法(a)建樹機制(b)調整機制[4]
與 MWIA 相同的想法，在 2008 年 Rahnavard, Vellambi, Fekri[17] 提出 Multicast Decremental Power(MDP)演算法，作者在建樹機制中使用了最短路徑 (Shortest path)演算法，依序將所有感測節點連結起來形成一棵最短路徑樹，再透 過調整機制將無線感測網路的整體能量消耗達到最低。在圖 2-13(a)調整機制中，
每個感測節點透過計算，從鄰近節點中，除了子節點以外之節點挑出最小的額外 能量消耗調整成為新的父節點，計算的式子如下︰
} c { max c
c
ikj
\ ) i ( C ij k
ij
在圖 2-13(b)中，每個感測節點透過調整機制調整後，雖然說並不會每個感測節 點都會降低能量消耗，但是整體無線感測網路所需消耗能量卻是降低。
(b)使用調整機制後
圖 2-13 MDP 演算法(a)使用調整機制前(b)使用調整機制後[17]
以上所介紹的參考文獻每位作者所作的考量並不一定相同，但共通點是對感 測節點接收請求的機率皆一樣，換句話說，基地台發送請求送至的對象是感測區 上的所有節點，並沒有指定感測節點，這樣到那些不需接受請求的感測節點之路 徑上的能量消耗將是多餘消耗。所以我們在這篇論文內針對感測節點接受基地台 請求的機率作探討，為的是要節省那些多餘消耗的能量以達到降低整體無線感測 網路的能量消耗。
第 3 章
假設與網路模型
此章節我們將會介紹所使用的無線感測網路模型與定義所要的問題以及其 他假設。除此之外，還有定義所需的符號並且解釋其意義。
3.1 假設定義
表 3-1 符號表
N 在無線感測網路之中的感測節點總數。
Si 代表的是感測節點i。
S 所有感測節點所形成的集合 (S={S1, S2, …, Sn})。
R 感測節點的傳輸半徑。
probi 感測節點Si接受基地台請求之機率值。
N(Si) 以感測節點Si為圓心及R為半徑所形成的區域。 (N(Si)={Si1, Si2, …, Sij}) Dest(q) 基地台發出請求時目的端之集合。(Dest(q)={S1, S2, …, Sk})
ji 感測節點Si的鄰居數目。
k 目的端數量。
如表 3-1 之中所述，我們假設感測網路所涵蓋範圍為 m × m (以 A 表示)，且 有 N 個感測節點隨機散佈(Random distribution)在此涵蓋範圍中。所有的感測節點
播的方式互相交換訊息。其中 R 為感測節點的傳輸半徑，Si代表的是感測節點 i。
probi代表感測節點 i 接受基地台請求的機率值。S 表示全部感測節點的集合(S = {S1, S2, …, Sn})。N(Si)包含的是感測節點 Si為中心以及 R 為傳輸半徑的鄰近範圍 內的所有節點所形成的集合群(N(Si) = {Si1, Si2, …, Sij}, 其中 ji表示感測節點 Si的 鄰居數目)，也就是 N(Si)代表感測節點 Si的所有鄰近節點。Dest(Q)包含著所有目 的端所形成的集合群(Dest(q) = {S1, S2, …, Sk}, 其中 k 表示接受請求感測節點數 目)，也就是 Dest(q)代表基地台指定接受請求的所有目的端。在此，我們也為感 測節點 Si的傳輸範圍分成兩個區域，如圖 3-1 所示，以基地台與感測節點 Si之間 之距離 r 作為分界，若鄰近節點與基地台之間的距離比 r 小，則屬於近區域(Near region)，反之，距離比 r 大則屬於遠區域(Far region)。
圖 3-1 傳輸範圍區域分配圖
3.2 能量消耗模型
在無線感測網路的資料傳送與網路通訊上，資料通訊的能量消耗佔了整體能 量消耗的絕大部分，這將會直接影響到無線感測網路的網路壽命時間。為了清楚 分析感測節點的能量消耗，我們將引用[10]所提出的能量消耗模式，一階無縣電 傳送模式，這也是最常被使用在感測節點上的無線電模組，如圖 3-2。
圖 3-2 一階無線電傳送模式[10]
當兩個感測節點在距離 d 公尺的情況下作無線傳輸的時候，能量消耗將分為 兩個部份，一個為傳送部份，另一個則為接收部份。當傳送一個 l-bits 的訊息封 包給距離 d 公尺的感測節點之傳送時所需能量消耗式子如下：
* l * d
l
* E ) d , l (
E
Tx
elec
ampEelec代表的是每單位位元的所需能量消耗，在這裡 Eelec = 50nJ/bit。εamp是一個 常數，代表的是放大器將訊號放大時所需能量消耗，在這裡εamp = 10pJ/bit/m2。 α值都在 2~4 之間，在這裡α=2 代表。當傳送節點將 l-bits 的訊息封包傳送給接 受節點時，需要藉由放大器將訊號放大，經過距離 d 公尺的訊號衰減後傳送到接 送節點，雖然不只有訊息封包的大小會影響能量消耗，但是絕大部分的能量消耗 是在後面放大器，因為跟距離的平方成正比，需要的能量消耗將成平方倍成長。
而接收節點所需的接收能量消耗式子如下：
l
* E ) l (
E
Rx
elec接受節點因為只需要接受訊息封包，所以只需消耗訊息封包容量大小能量即可。
因為訊息封包的容量大小影響不大，因此，在這裡我們將忽略訊息封包所需能量
第 4 章
不規則多點傳播路由演算法
在此章節，我們假設基地台對感測節點發出請求的機率(Probability)不一定相 同，在如此不規則的多點傳播下，感測節點要如何透過彼此之間的溝通，不但可 以順利將請求傳送到指定的感測節點外，並且不會使感測節點消耗多餘的能量將 是我們此篇論文討論的主題。下面將詳細敘述我們所提出來的不規則多點傳播路 由，我們提出的不規則多點傳播路由將分成了兩個階段，第一階段為建樹機制，
此階段所要說明的是如何將每個獨立的感測節點透過彼此之間的溝通形成一個 樹狀結構的網路拓樸，在此我們提出了五套建樹機制，在後面將會依序詳細介 紹。第二階段則是防孤點機制，所謂的孤點就是沒有父節點的感測節點稱為孤 點，此機制是為了避免因為意外因素造成孤點產生，當孤點產生的時候，就會進 入防孤點機制。
4.1 建樹機制
在建樹機制中，要如何利用每個感測節點接受請求機率的不同，將無線感測 網路建構成樹狀網路結構，在這裡我們提出了五套不同的分散式建樹機制，分別 為 FPMR-highest (Finding Parent Multicast Routing-highest)、FPMR-closest (Finding Parent Multicast Routing-closest)、DCMR (Distance Confined Multicast Routing)、
TDMR (Threshold Decreasing Multicast Routing)、CLMR (Contour Lines Multicast Routing)等五種建樹演算法。在這五套演算法中，FPMR 及 FPMRII 演算法是說 明感測節點如何尋找自己的父節點，另外兩套 DCMR、TDMR 演算法則是說明
感測節點如何挑選其子節點，而最後一套 CLMR 演算法則是使用等高線的概念 建出路由路徑，希望藉由這概念可以為樹狀結構建立主脈，使路由路徑更家有效 率。在 FPMR 演算法中，說明著感測節點從近區域中(Near region)中選取一個機 率值與自己相等或高於自己的感測節點當作父節點，但其缺點為與父節點的距離 過遠增加了父節點的能量消耗，因為將會集中在機率高之節點上，因此造成整體 感測節點能量消耗不平衡，相反地，所形成的樹深度不深，傳輸的延遲時間短。
第二套 FPMRII 演算法與 FPMR 演算法相似，此套演算法則是從近區域中選取最 靠近之鄰近節點做父節點，如此做來不會增加父節點的能量消耗並且可以使整體 感測節點的能量消耗達到平衡，相反地，所形成的樹深度較深，傳輸的延遲時間 會較長。第三套 DCMR 演算法是一套挑選子節點的演算法，在這套演算法中，
感測節點會設定出一個接受範圍 Range，從這接受範圍中挑選出適當的鄰近節點 當子節點，而剩餘的節點則挑選最接近其鄰近節點加入當子節點，而這套演算法 會因為 Range 的設置而將避免過遠的鄰居成為子節點，使父節點不會因為遠距離 的傳輸而增加能量消耗，並且也可以使整體能量消耗平衡，五套建樹機制中也只 有這套需要調整機制，透過調整機制將使 DCMR 演算法整體的能量消耗降低。
第四套 TDMR 演算法與 DCMR 相同，是一套說明感測節點如何挑選子節點的演 算法，這套演算法是將門檻值作遞減的動作，依序比較鄰近節點之機率值來挑選 為子節點，所以當最遠之鄰近節點的機率值高於門檻值的話，則感測節點將會因 為距離過遠而造成父節點之能量消耗負荷過高導致提早耗盡能量，相反地，所形 成的樹深度較淺，傳輸的延遲時間較短。第五套 CLMR 演算法分兩個階段建樹，
先將所有感測節點之鄰近節點中機率最高的節點集合起來，然後以最短路徑的方 式為他們之間建出路由路徑當作主脈，第二階段將剩餘的感測節點也以最短路徑 的方式加入主脈形成整個樹狀結構，如此做來將使感測節點的能量消耗達到平 衡，但在傳輸上的延遲時間會較長。以下將依序為此五套建樹演算法作詳細介紹
一、 FPMR-highest (Finding Parent Multicast Routing-highest)演算法
圖 4-1 FPMR-highest 演算法之流程圖
Step 1: 從近區域(Near region)內之鄰近節點中，挑出機率值最高的感測節點為候 選節點 P。如圖 4-1-1 所示，感測節點 1 從鄰近節點中尋找出父節點，在 距離基地台較近的鄰近節點中找出最高機率值之候選節點 4。如此尋找是 為了可以方便尋找出機率值較高的感測節點作為父節點，進而達到我們的 目的，使傳輸路徑有效率。
2 5
6
3
9 1
8 7
4 BS
BS Base Station Candidate Node
Connnection 0.6
0.4
0.3
0.4
0.7
0.5 0.3
0.6 0.5
Sensor Node
Transmission Range
圖 4-1-1 FPMR-highest 演算法之步驟一範例圖
Step 2: 將候選節點 P 作為父節點。如圖 4-1-2 所示，候選節點 4 的機率值比節點 1 高時，則選作為節點 1 的父節點。
圖 4-1-2 FPMR-highest 演算法之步驟二範例圖
FPMR-highest 演 算 法 經 由 以 上 的 詳 細 介 紹 後 ， 我 們 將 實 驗 中 模 擬 的 FPMR-highest 演算法所產生的樹狀結構圖呈現如下：
圖 4-1-3 FPMR-highest 演算法樹狀圖
二、 FPMR-closest (Finding Parent Multicast Routing-closest)演算法
圖 4-2 FPMR-closest 演算法之流程圖
Step 1: 從近區域內之鄰近節點中，挑出距離最近的感測節點為候選節點 P。如圖 4-2-1 所示，感測節點 1 從鄰近節點中尋找出父節點，在近區域內的鄰近 節點中選出最靠近之候選節點 5。如此挑選是避免父節點因距離過遠而造 成父節點之能量消耗過大，使父節點縮短壽命。
2 5
6
3
9 1
8 7
BS
0.6
0.4
0.3
0.4
0.7
0.5 0.3
0.6 0.5
1 3
3
2
1 1
3 2
4
BS Base Station
Candidate Node
Connnection Sensor Node
Transmission Range
圖 4-2-1 FPMR-closest 演算法之步驟一範例圖
Step 2: 將候選節點 P 作為父節點。如圖 4-2-2 所示，候選節點 5 最靠近節點 1，
則選作為節點 1 的父節點。
圖 4-2-2 FPMR-closest 演算法之步驟二範例圖
FPMR-closest 演 算 法 經 由 以 上 的 詳 細 介 紹 後 ， 我 們 將 實 驗 中 模 擬 的 FPMR-closest 演算法所產生的樹狀結構圖呈現如下：
圖 4-2-3 FPMR-closest 演算法樹狀圖
三、 DCMR (Distance Confined Multicast Routing)演算法
圖 4-3 DCMR 演算法建樹機制之流程圖
Step 1: 初始 Range 的範圍，Range 取的範圍為 N(Si)中最遠距離的 0.25，如圖 4-3-1。如此設定是避免感測節點 Si 與子節點因為距離過長，而導致感測 節點 Si的傳輸能量消耗過高而提早能量耗盡。Range 制定為 0.25 是經由模 擬實驗的結果決定，這部份會在第五章模擬實驗作介紹。
圖 4-3-1 DCMR 建樹機制之步驟一範例圖
Step 2: 從 N(Si) 遠區域內的感測節點中，除了具有父節點之感測節點外，計算感 測節點 Si與鄰近節點 Sa之間的距離。如圖 4-3-2 所示，感測節點 1 計算與 遠區域內之鄰近節點之間的距離。
圖 4-3-2 DCMR 建樹機制之步驟二範例圖
Step 3: 將計算出來的感測節點 Si 與鄰近節點 Sa 之距離與 Range 做比較，如圖 4-3-3。如果小於 Range 則進入 Step 4。反之，則進入 Step 5。
Step 4: 感測節點 Sa之機率值 proba與門檻值做比較。如果 proba高於門檻值的話，
將進入 Step 6。反之，則進入 Step 5，如圖 4-3-4。制定門檻值機率值作比 較，是為了達到我們的目標，使請求可以挑選高效率之傳輸路徑進行傳 輸，而不需繞道行走低效率之傳輸路徑。
圖 4-3-4 DCMR 建樹機制之步驟四範例圖
Step 5: 尋找最靠近之感測節點加入成為其子節點，如圖 4-3-5。尋找最近之感測 節點加入，是避免傳輸路徑過長而導致父節點能量消耗過高，因此，挑選 最靠近之節點加入。
圖 4-3-5 DCMR 建樹機制之步驟五範例圖
Step 6: 直接加入當作感測節點 Si之子節點。如圖 4-3-6 所示，節點 2 在 Range 內 且機率值比節點 1 高，所以加入節點 1 當其子節點。
圖 4-3-6 DCMR 建樹機制之步驟六範例圖
DCMR 演算法中的建樹機制經由以上的詳細介紹後，我們將實驗中模擬的 DCMR 建樹機制所產生的樹狀結構圖呈現如下：
圖 4-3-7 DCMR 建樹機制樹狀圖
為了使基地台請求傳輸路徑更有效率，我們再為 DCMR 演算法做出調整機 制，接下來說明 DCMR 演算法中的調整機制，每一步驟如圖 4-4，以下將以圖解 方式詳細說明。
圖 4-4 DCMR 演算法調整機制之流程圖
Step 1: 感測節點 Si與父節點 Sa的機率值 probi與 proba做比較，當如果 probi大於 proba 的話，則需要進入路徑修改調整機制。反之，則不需進行路徑修改 離開此機制。如圖 4-4-1 所示，節點 1, 3 之機率值比父節點高，所以需作 調整。因為節點 Sa的機率值比節點 Si低，代表的是請求經過節點 Sa的機 會比節點 Si小，假使基地台送出請求給節點 Si，則會因為需經過節點 Sa
而額外多消耗節點 Sa之能量。因此，需為節點 Si作路徑修改，以致於傳 輸請求時更有效率。
圖 4-4-1 DCMR 調整機制之步驟一範例圖
Step 2: 從 N(Si)中尋找出機率值高於 probi的所有感測節點收入 Candi(Si)集合內當 候選節點集合。如圖 4-4-2 所示，鄰近節點 1 的機率值比節點 3 高，所以 收入候選集合內。找出機率值比節點 Si高的鄰近節點 Sb，代表著請求經 過節點 Sb機率高於節點 Si，因此，當請求傳送至節點 Si時，不會多餘消 耗節點 Sb的能量。
圖 4-4-2 DCMR 調整機制之步驟二範例圖
Step 3: 從 Candi(Si)中，機率值由高至低依序挑出路徑能量消耗比感測節點 Si低的 候選節點 Sb，接下來則進入 Step 4。反之，則離開修改調整機制。如圖 4-4-3 所示，請求從節點 1 傳送到節點 3 所需的路徑消耗比從節點 6 小。制定這 個條件式是為了避免路徑產生繞路而增加整體能量消耗。
圖 4-4-3 DCMR 調整機制之步驟三範例圖
Step 4: 檢查假使感測節點 Si加入候選節點 Sb成為其子節點後，候選節點 Sb的能 量消耗是否增加，如果增加的話，將離開調整修改機制。反之，則加入節 點 Sb當其子節點。如圖 4-4-4 所示，節點 1 的最大能量消耗為 5，如果節 點 3 加入只需消耗 3，所以不會增加節點 1 之能量消耗，因此將節點 3 調 整成為節點 1 之子節點。
圖 4-4-4 DCMR 調整機制之步驟四範例圖
DCMR 演算法中的調整機制經由以上的詳細介紹後，我們將實驗中模擬的 DCMR 調整機制所產生的樹狀結構圖呈現如下：
圖 4-4-5 DCMR 調整機制樹狀圖
四、 TDMR (Threshold Decreasing Multicast Routing)演算法
Step 1: 設定門檻值大小，在此範例門檻值為 0.3。設立門檻值是為了透過與門檻 值的比較來決定感測節點 Si是否開始挑選適合的子節點，如圖 4-5-1。
圖 4-5-1 TDMR 演算法之步驟一範例圖
Step 2: 在感測節點 Si的遠區域(Far region)內，未有父節點之所有鄰近節點 Sa挑選 成為子節點。如圖 4-5-2 所示，節點 1 遠區域內的鄰近節點中有節點 7，
則節點 7 則挑選為節點 1 之子節點。
圖 4-5-2 TDMR 演算法之步驟二範例圖
Step 3: 若有多個感測節點同時挑選相同節點 Sa為子節點，則節點 Sa將這些感測 節點作為候選父節點，從候選父節點中挑選最近之感測節點加入為其子節 點。如圖 4-5-3 所示，節點 2, 5 同時為節點 6 之候選父節點，節點 6 則挑 選最近之節點 5 加入為其子節點。
圖 4-5-3 TDMR 演算法之步驟三範例圖
Step 4: 檢查是否每個感測節點都具有父節點。假使每個節點都具有父節點，則結 束流程。反之，將進入 Step 5，降低門檻值重新進入 Step 2，直到每個感 測節點加入為止。如圖 4-5-4 所示，還有節點 2, 3, 4, 5, 8, 9 還未加入。
0.5
6
3
9
1
8 2
Threshold: 0.6 0.5
0.3 0.7
0.6 0.6
0.4
0.3
0.4 7 5
4
No Parent Node
Sensor Node
圖 4-5-4 TDMR 演算法之步驟四範例圖
Step 5: 降低門檻值。
TDMR 演算法經由以上的詳細介紹後，我們將實驗中模擬的 TDMR 演算法 所產生的樹狀結構圖呈現如下：
圖 4-5-6 TDMR 演算法樹狀圖
五、 CLMR (Contour Lines Multicast Routing)演算法
圖 4-6 CLMR 演算法之流程圖
Step 1: 為了讓路由路徑更加有效率，建立一棵高機率的樹當主脈。在每個感測節 點之鄰近節點中挑出機率值最高的感測節點當作結構點(Contour node)。
圖 4-6-1 CLMR 演算法之步驟一範例圖
Step 2: 將所有挑出的結構點 cn建構成最短路徑樹 T。
圖 4-6-2 CLMR 演算法之步驟二範例圖
Step 3: 在 T 中建構點之間的連結用最短路徑連接，最後則形成一棵高機率樹 T’
當主脈。
圖 4-6-3 CLMR 演算法之步驟二範例圖
Step 4: 接下來建立完整的多點傳播樹。剩下未加入 T’之感測節點，使用最短路徑 連接主脈 T’，完整的多點傳播樹則正式完成。
圖 4-6-4 CLMR 演算法之步驟三範例圖
CLMR 演算法經由以上的詳細介紹後，我們將實驗中模擬的 CLMR 演算法 所產生的樹狀結構圖呈現如下：
圖 4-6-4 CLMR 演算法樹狀圖
4.2 防孤點機制
在這裡孤點指的是沒有父節點的感測節點。當完成建樹機制後，為了避免有 意外情況發生而導致有節點沒有父節點，例如：因為訊號的碰撞或其他外界因 素，因此，提出了防孤點機制，以檢查是否有孤點的存在，如圖 5-4。以我們的 模擬實驗結果顯示，此機制沒有套用在演算法中。
圖 5-4 防孤點機制之流程圖
Step 1: 確認是否每個感測節點都已經加入樹集合中。如圖 5-4-1 所示，感測網路 中還有節點 10 未加入樹中成為孤點。
Step 2: 如果還有節點未加入樹集合，則挑選距離樹集合最近之節點加入當其子節 點。為了避免父節點的能量消耗不會因為距離過長而增加，所以挑選最近 的感測節點當作父節點。
圖 5-4-2 防孤點機制之步驟二範例圖
第 5 章
模擬實驗與結果
在這個章節，我們將透過模擬實驗來說明所提出來的不規則多點傳播路由協 定的效能，說明結果之前，在這裡我們先依序介紹模擬實驗的效能評估標準。
總能量消耗(Total energy consumption)T(Q)︰T(Q)在這裡代表的是，當基地台 對特定感測節點發出請求的時候，請求到達接受端在路徑傳輸中所有感測節點所 需能量消耗，如下面式子所示︰
Sensor i
, P )
Q ( T
} Cost { max P
i ) ik S ( Child i k
i
Pi代表的是節點 i 所需消耗的最大能量消耗，T(Q)則是將路徑上所有節點所消耗 的能量加總起來。以圖 5-1 為範例，當基地台發出請求到節點 1、4、6 的時候，
傳送請求的路徑會經過點 2、3、5，所以需要消耗的能量消耗加上基地台總共是 2+1+1+2=6，所以總能量消耗為 6。
能量平衡(Energy balance)Bal(Q)︰Bal(Q)在這裡代表的是，當基地台發出所 有請求時，途中所有感測節點所消耗的能量是否達到能量平衡。在這裡我們使用 標準差來衡量能量平衡，式子如下︰
1 2 2
) ) Q ( T ( ) P n (
) Q (
Bal i
n 代表的是所有消耗能量的節點數目。在這裡我們一樣以圖 5-1 為範例，n=4，
節點能量消耗之平方和為 10，所以前項為 2.5，後項則為平均能量消耗之平方為
1.52，此時 Bal(Q)為 2.52 .152 2。
延遲因素(Delay factor)D(Ti)︰Ti 指的是不同演算法所建造出來的樹，D(Ti) 在這裡代表的是樹的深度，我們以樹的深度說明基地台傳送請求時所需花費的傳 送時間長短。以圖 5-1 為範例，此樹之 D(Ti)為 3。
5.1 模擬環境與設定
我們使用 C#開發所需的模擬環境，在所有的模擬實驗中，我們所做的變數 設定如表 6-1 所示，佈點範例如圖 5-2 所示。
表 6-1 環境變數設定
環境範圍 200 * 200
感測節點數量(N) 30、70、100、150、200
傳輸半徑(R) 100
感測節點機率(probi) 隨機
接受端數量(k) 隨機
請求總量(Query) 600
機率實例(Probability case) 30 位置實例(Location case) 10
(a) N=30 (b) N=70 (c) N=100
(d) N=150 (e) N=200 圖 5-2 無線感測網路佈點範例圖
在討論模擬結果之前，我們先探討其他變數的影響，以下是對 DCMR 與 TDMR 兩套演算法的參數設定所作的探討資料︰
一、 DCMR 演算法
這裡主要是在探討 DCMR 演算法在建樹機制中，參數的設定對感測節點能 量消耗是否造成影響，所以我們採取相同的佈點位置、機率、傳輸半徑並在不同 的節點數量中作探討，需探討的參數設定有 Range、Threshold 兩種參數。我們將 Range 的範圍分別設定在 0.25、0.33、0.5、0.66、0.75 等五種不同比例大小，
Threshold 的設定則從 0%~90%等十種不同數值作比較。在我們的模擬實驗中所 呈現的曲線圖如下：
(a)N=70
(b)N=150
圖 5-3 不同的 Range 範圍，在不同的 Threshold 交叉比對之曲線圖
從上面的兩張曲線圖觀察，Range 所呈現出來的結果以 0.25 表現出的能量消耗為 最低。Threshold 所呈現出來的結果卻不相當明顯，但以曲線所呈現出來的趨勢 觀察，Threshold 似乎是越低越好，因此，我們將 Range 設定為 0.25，Threshold 設定為 0%。在這方面的數據探討，我們將在未來作更加詳細地探討與研究，並 且找出影響能量消耗之因素。
二、 TDMR 演算法
在這部份我們主要是為了探套在 TDMR 演算法中，對 Threshold 與 delta 此 兩個參數設定對感測節點的能量消耗是否造成影響，所以我們採取在相同的佈點
位置、機率、傳輸半徑並在不同的節點數量下作探討。我們將 delta 設定為 10%、
30%、50%、70%、90%等五種不同大小，Threshold 則是設定從 0%~90%等十種 不同大小來作交叉比較結果。在我們模擬實驗中所呈現的結果曲線圖如下：
(a)N=30
(b)N=200
圖 5-4 不同的 delta 值，在不同的 Threshold 交叉比較之曲線圖
從上面兩張曲線圖的結果觀察，delta 呈現出的結果顯示出，不同的 delta 對 TDMR 演算法並不會有太大的影響，所以為了加快程式的運作之下，我們將 delta 設定 為 0.9。而 Threshold 所呈現的結果並不完全顯著，但以目前此兩張曲線圖呈現 出的結果，我們對 Threshold 設定為 30%。在未來裡，我們將會對 TDMR 演算法
5.2 模擬結果
在此，我們將呈現我們的所有模擬結果。我們對模擬實驗的效能評估標準包 含了平均總能量消耗、能量平衡、和延遲因素，而在模擬環境上我們採取在相同 的佈點位置並搭配 30 種不同的機率配置分別執行在 N=30, 70, 100, 150, 200 等五 種不同的節點數量下，共執行了 10 種不同的佈點位置算其平均總能量消耗、能 量平衡與延遲因素。模擬結果圖表中，橫座標代表的是五種不同的節點數量，縱 座標代表的是平均總能量消耗、平均能量平衡與平均延遲因素，以下則為不同的 評估標準作分開討論。
一、 總能量消耗：
在總能量消耗中，從圖 5-5(a)中可以清楚發現到，以 FPMR-highest 與 TDMR 所花費的總能量消耗為最高。對感測節點而言，FPMR-highest 與 TDMR 所需傳 送的傳輸距離過長，因為能量消耗是以距離的平方成正比，導致距離過長而能量 消耗更大。其他演算法我們可以從圖 5-5(b)中放大觀察到，在不同的節點數量下，
總能量消耗以 MWIA 為最低，其次是 MDP。而在我們提出的其他方法中，以 CLMR 的總能量消耗為最低，尤其當節點數量越高則與 MDP 越接近。因此，如 果以總能量消耗為考量之下，則是以 MWIA 為優先考量，其次是 MDP。
(a)
(b)
圖 5-5 在不同的節點數量，總能量消耗曲線圖
二、 能量平衡
在能量平衡上，我們可以從圖 5-6 發現，在圖 5-6(a)中以 FPMR-highest 和 TDMR 兩套方法在能量平衡上效果最差，原因是在 FPMR-highest 和 TDMR 會集 中高機率之感測節點上，以致於只有這些高機率節點需消耗大量能量而其他節點 卻不需要，所以能量消耗嚴重不平衡。其他方法從圖 5-6(b)的放大可以發現，在 能量平衡上最低效果最好的方法是 MWIA，其次則是我們提出的 CLMR 演算法，
當隨著節點數量增加，能量消耗越平衡效果越好，因此，若以能量平衡為考量的 情況下，則是以 MWIA 為優先，其次則是 CLMR。
(b)
圖 5-6 在不同節點數量，能量平衡曲線圖
三、 延遲因素
在 延 遲 因 素 上 ， 我 們 可 以 從 圖 5-7 中 得 知 ， 在 圖 5-7(a) 中 明 顯 可 以 發 現 FPMR-highest 和 TDMR 兩套演算法在延遲因素中達到最低，其中以 TDMR 為 最。相反地，卻是以 MWIA 所呈現出的延遲因素最高，這是因為 MWIA 是使用 最小生成樹演算法完成，所以會使路徑呈現繞路的情形發生，在節點數量越高的 情況下則越嚴重。其餘的方法我們可以藉由圖 5-7(b)放大看出，以使用調整機制 之 DCMR 與 MDP 兩套為較低。因此，若是以延遲因素為考量的情況下，則可以 挑選 TDMR 與 FPMR-highest 為優先考量。
(a)
(b)
圖 5-7 在不同節點數量，延遲因素曲線圖
由上面的模擬實驗得知，在不同的環境與不同的考量下則使用的方法也有不 同的選擇。若是以能量消耗為前提，則是挑選 MWIA 或 MDP，若是以能量平衡 則是挑 選 MWIA 或 CLMR ，若 是以 延遲 因素為 考量 則是 挑選 TDMR 或 FPMR-highest。因此，不同的建樹方式則會有不同的效果呈現，完全依不同的條 件來作適當的使用才能使路由達到最好的效率與效果。
