无线传感器网络涉及如覆盖、检测时间、能量消耗、网络生存时间、鲁棒性、安全、隐私、数据共享、延迟等问题通常需要较为复杂的算法和技术。为了实现其特有目的，WSN需要成为可自动配置、可调、远程控制的网络。移动agent(mobile agent，MA)技术可为WSN应用领域中的若干目标提供可行的解决方案。

MA是一种特殊的软件，能够自主运行，并在部署后能够从一个节点移动到另一个节点进行自动的数据处理，是WSN完成复杂应用、实现节点自治的有效途径。文献^[1]使用MA在WSN中对移动目标进行自动跟踪。与传统的agent不同，MA在无线传感器网络中通过其移动性能够承担很多重复工作，并由于MA是目标指向的，能够为用户提供管理抽象能力，当其部署在网络中后能够独立完成工作。MA仅在需要时才通知用户目标的完成状态。基于WSN的agent需要具有迁移能力，能够在确保其数据完整的前提下完成状态的转移。移动agent具有比固定的agent更强的自治性。

基于移动agent技术的WSN架构能够为群智能算法^[2]提供支撑框架。该研究有以下特点：1) 移动agent在局部随机产生降低了sink节点的数据传输量。2) 多移动agent协同能够扩大区域覆盖率。3) 随机生成和随机迁移的活动节点需要较少的活动完成对事件监控。

1 相关工作

由于WSN节点几乎都在无人管理的环境部署，因此WSN节点需要极强的自适应能力。文献^[3]提出动态宏程序(dynamic macro-programming)的WSN的概念。该研究定义了元代理(meta-agent)的概念，即固定代理给远端的移动agent发出查询消息(uQueries)以完成相应的任务。由于该技术提出基于移动agent的节点能够被赋予多种不同的能力，因此通过uQueries能够增加节点的动态工作能力。

为了提高数据融合精度，减少传输数据的能量消耗，研究WSN的数据和压缩融合技术是必要的，相关研究主要集中在成簇、成链、树和移动agent等方面。事件检测是基于移动agent的WSN研究重点，文献^[4]给出了使用MA产生和维护从设计用户界面到发现事件节点的最优路径的技术，从而达到WSN快速响应的目的。MA由当地的代理产生并在网络中迁徙，对最优路径进行维护和升级。但根据仿真结果，MA在事件发生处的密集较高，可能导致节点的能量消耗过快。

除了研究基于移动agent的WSN结构外，还有一些专用移动agent结构，如文献^[5]通过建立容错模型和分布式数据库，构建能够检测错误并修复的移动agent结构，以减少持续维护网络管理流量的开销。发放子代理的过程可以程序化，并且能够分批进行。

2 RMAWSN系统模型

移动agent通过迁移代码可以方便地进行任务重置，在本地进行数据处理，完成多点协同合作等功能，较通过固定节点完成所有独立任务的WSN而言更为灵活。图 1展示了3种基于移动agent的无线传感器数据传输模式。图 1c为本文讨论的采用随机产生和迁移的无线传感器获取数据的模式，称为基于随机移动agent的WSN(random mobile agent-based WSN，RMAWSN)。

RMAWSN中的MA有两种状态，即激活与休眠状态。每个代理激活状态意味着代理能够执行代理各种行为，如环境检测。处于休眠状态的代理能够自动激活，或者根据网络状态激活。休眠状态的代理不意味着节点也处于休眠状态，节点依然能够接收无线信号，执行其他日常工作。

RMAWSN中，每个激活状态的代理运行一个定时器，限制MA的激活时间，因此MA拥有短周期特点。定时器的计数根据代理移动步数减少。每个代理处于休眠状态并等待被激活。采用短周期MA的原因有以下几点：1)能够避免激活代理的分布不均；2) 能够避免MA在一个区域重复迁移；3) 能够控制网络中激活状态代理的数目，提高能量的使用率。

图 1a为移动agent的分布式传感器网络(mobile agent-based distributed sensor network, MADSN)^[6]的示意图，该移动agent采用CS模式的WSN的数据传输过程。在sink节点需要多次往返传输数据。监控区域发生异常事件后，附近的传感器需要通知sink节点，在sink节点决策后，派出MA进行监测。该过程需要确定源节点，即能够探测到事件的传感器节点，MA能够根据源节点的分布自行完成行程规划。

如图 1b所示，基于移动agent的WSN(mobile agent-based WSN，MAWSN)^[7]提出了采用母agent (mother agent)的结构以减少数据传输量。sink节点向目标区域发送母agent，母代理到达目的节点后，发送若干子代理到事件区域周围。每个子代理在完成事件检测后，需要单独从sink节点出发并返回sink节点。

如图 1c所示，RMAWSN模式的节点在本地即可获取数据。MA并不由sink节点发出，而在网络中自动生成，并能够随机地迁移。代理在发现事件后可以根据行程规划进行迁移，获取数据后，再单程返回sink节点。这种模式在WSN网络规模较大时，能得到更佳的能耗效率。

定义节点发送、接收、感知过程的单位能耗分别为e_t、e_r、e_s；未携带数据的代理l_new假设从每个节点能够获取的数据为l_new。假设图 1中访问的所有节点传输距离相同，代理头部信息相同，图 1中，代理访问的源节点数为n，从sink节点到源节点经过的节点数为m。

${E_{\rm{m}}} = {l_{{\rm{new}}}}({e_{\rm{t}}} + {e_{\rm{r}}})$

MA获得数据后，中继节点的能耗也相应地增加为：

${E_{\rm{m}}} = ({l_{{\rm{new}}}} + {l_{{\rm{node}}}})({e_{\rm{t}}} + {e_{\rm{r}}})$

在图 1a中，m个MA从sink节点出发，迁移到事件附近的m个源节点，并返回sink节点，总能耗为：

${E_{\rm{a}}} = mn{l_{{\rm{new}}}}({e_{\rm{t}}} + {e_{\rm{r}}}) + n({l_{{\rm{new}}}}{\rm{ + }}{l_{{\rm{node}}}})({e_{\rm{s}}}{\rm{ + }}{e_{\rm{t}}}{\rm{ + }}{e_{\rm{r}}}) + mn({l_{{\rm{new}}}}{\rm{ + }}{l_{{\rm{node}}}}{\rm{)(}}{e_{\rm{t}}}{\rm{ + }}{e_{\rm{r}}})$

(1)

在图 1b中，MA从sink节点出发，迁移至源节点，并将数据返回到sink节点的过程，总能耗为：

$ \begin{array}{c} {E_{\rm{b}}} = m{l_{{\rm{new}}}}({e_{\rm{t}}} + {e_{\rm{r}}}) + n{l_{{\rm{new}}}}({e_{\rm{t}}} + {e_{\rm{r}}}) + \\ n({l_{{\rm{new}}}} + {l_{{\rm{node}}}})({e_{\rm{s}}} + {e_{\rm{t}}} + {e_{\rm{r}}}) + \\ m({l_{{\rm{new}}}} + {l_{{\rm{node}}}})({e_{\rm{t}}} + {e_{\rm{r}}}) \end{array}$

(2)

在图 1c中，假设节点随机游动k次后发现事件，在遍历n个源节点后返回sink节点的能耗为：

$ \begin{array}{c} {E_{\rm{c}}} = k{l_{{\rm{new}}}}({e_{\rm{t}}} + {e_{\rm{r}}} + {e_{\rm{s}}}) + \\ n({l_{{\rm{new}}}}{\rm{ + }}{l_{{\rm{node}}}})({e_{\rm{s}}} + {e_{\rm{t}}} + {e_{\rm{r}}}) + \\ m({l_{{\rm{new}}}} + {l_{{\rm{node}}}})({e_{\rm{t}}} + {e_{\rm{r}}}) \end{array}$

(3)

由式(1)和式(2)，将图 1a的MADSN构架与图 1b的MAWSN构架的能耗进行对比，得：

$ {E_{\rm{a}}} - {E_{\rm{b}}} = {l_{{\rm{new}}}}{\rm{(}}{e_{\rm{t}}} + {e_{\rm{r}}})(mn - m - n)$

(4)

通过式(4)能够看出，若源节点与sink节点越远，源节点数量越多，MAWSN模式较MADSN模式的效率要高很多。

图 1c的RMAWSN模式与图 1b的MAWSN模式相比，得：

$ {E_{\rm{b}}} - {E_{\rm{c}}} = {l_{{\rm{new}}}}[(m + n)({e_{\rm{t}}} + {e_{\rm{r}}}) - k({e_{\rm{s}}} + {e_{\rm{t}}} + {e_{\rm{r}}})]$

(5)

根据式(5)，当$m + n \ge \frac{{{e_{\rm{t}}} + {e_{\rm{r}}} + {e_{\rm{s}}}}}{{{e_{\rm{t}}} + {e_{\rm{r}}}}}k$时，MAWSN模式的能耗比RMAWSN模式高，因此在特定的情况下，RMAWSN模式的代理能耗效率更好，更适于较大规模的WSN应用。

3 RMAWSN的覆盖区域

随机产生和随机移动的MA能够获取更好的目标监测能力和更少的活动传感器。本节采用区域覆盖方法评估RMAWSN的随机模型，基于文献^{[8, 9]}中寻找最佳突破路径(maximal breach path)和最佳支撑路径(maximal support path)使用的部分定义。

定义节点的感知范围半径为r；被测物体从S点到D点的路径轨迹为曲线p。设曲线p₁和p₂在p的两侧，并分别离曲线p的距离为r。p₁和p₂构成的封闭区域为$||{Z_p}||$。

$||{Z_p}||$内若无探测器，即传感器节点无法发现穿越该区域的物体^[10]，因此物体沿路径p被探测到的可能性为：

$ {P_d}(p) = 1 - P(Np = 0) = 1 - {e^{ - \lambda ||Np||}}$

(6)

设S、D两点之间曲线p的长度为x，即：

$||{Z_p}|| = 2rx + \pi {r^2} $

(7)

式中，2rx为p₁和p₂构成的条状区域面积；πr²为条状区域两端分别与点S和点D为中心的两个半圆面积(其半径为r)。将式(7)代入式(6)，得检测到的概率：

${P_d}(p) = 1 - P(Np = 0) = 1 - {e^{ - \lambda 2rx + {\rm{\pi }}{r^2}}} $

(8)

通过式(7)，确定发现物体的概率和穿过该区域的最短路径长度，可以推算出穿过区域时，节点能够发现试图穿过该区域的物体所需部署的密度：

$\lambda > \frac{{ - \ln (1 - {P_{\rm{d}}}(p))}}{{{\rm{2}}rx + \pi {r^2}}} $

(9)

若确定检测到目标的概率P_d(p)和目标穿越区域的路径长度x，即区域中活动节点的密度就能根据式(9)计算出。需要提出，当$x \to \infty $时，表示被测物体在区域中不断徘徊，被测的可能性为百分之百。即当$x \to \infty $时，且物体不知活动节点位置，$P_d^\infty \to 1$。

定义被测物体移动速度为v，节点部署密度为${\lambda _s}$，将传感器区域分为n个小区域，即$||{Z_i}||(i = 1,2, \cdots ,n)$，节点穿过区域的时间t = n/v。将t分为m份，定义每一份为一个步长，一个步长的距离为n/m。若物体在$||Z||$移动一个步长的距离，被发现的概率定义为p_s。

根据式(7)，${\lambda _s}$和P_s的关系为：

${P_{\rm{s}}} = 1 - {e^{ - {\lambda _s}(2rn/m + \pi {r^2})}} $

(10)

物体移动一个步长的时间后，所有探测节点根据部署密度${\lambda _s}$重新部署。物体穿过m个步长被发现的概率为：

${P_d} = 1 - {(1 - {p_{\rm{s}}})^m}$

(11)

若m足够大，且探测物体的速度已知时，P_s可以设置很小，即根据式(9)，传感器节点部署密度${\lambda _s}$可以设置得很小。

由于激活的移动agent密度较随机固定激活节点数量少，显然该算法在网络中所需的总能量要小。同时由于移动agent的随机移动和自动随机产生机制，能量消耗的分布也能满足均匀分布的目标，避免监测区域中过早出现监测空洞。因此通过移动agent形式的MA在寻找事件的过程中，能量消耗和覆盖效率均能获得很好的平衡。

根据式(11)，若网络中激活状态的代理密度接近${\lambda _s}$，传感器网络能够有效地检测和跟踪到目标。为了获得所需密度${\lambda _s}$，每个代理保持一个定时器t₁,t₂记录未被MA访问的时间。假设网络中所有节点数为∑N_i，若t₁=t_max，代理将根据概率P_af=λ_S/∑N_i激活，并设置定时器t₁=0。若t₁ < t_max，代理处于休眠状态，若另一个MA访问该节点(与该节点通信)时，休眠代理将设置定时器t₁=0。

根据式(10)，激活状态的代理需要随机在区域$||{Z_p}||$中移动或出现才能达到P_d(p)，因此MA需要能够随机迁移到通信范围内的休眠代理。

4 RMAWSN仿真结果

本文采用基于RMAWSN模式的人工鱼群算法(short life artificial fish swarm algorithm, SLAFSA)^[11]进行仿真验证。表 1为实验的详细参数。网络存在10个MA，在50×50的网络中一共部署136个节点，节点的通信距离为10，感知距离为4。RMAWSN的MA将运行15次。实验中随机放置了10个事件，仿真结果显示所有事件在5步后均被发现。设定发现事件的MA消失，长时间未被访问的节点根据概率P_af自动激活MA。

MA在网络中的移动情况如图 2所示。根据表 2，在3步后，7个事件被发现，同时接近半数的节点被访问到；在7步后，即图 2c，接近80%的节点被访问，覆盖率接近80%，并发现了所有的事件。在图 2d中，MA覆盖了近90%的节点。根据表 2，在第7步时覆盖率接近80%，并发现了所有的事件。

在图 2b的右下角区域几乎没有节点访问，该区域被当前MA访问的几率很小。图中在点(45,11)处一个新的MA被激活，在5步后，该MA将对该区域探索一遍。这种自我激活的机制能够让算法避开空洞区域。

4.1 RMAWSN的覆盖性能

本文将文献^[12]中描述的两种基于AFSA和OAFSA算法与基于RMAWSN的SLAFSA算法进行比较，在表 3中显示了3种算法的网络覆盖率。每种算法使用相同的网络参数，如50x50的区间，50个节点，通信距离为12，感知距离为4。从表 3中可以看到，SLAFSA算法在5步时获得近80%的覆盖率，而在10步时获得了近90%的覆盖率。

4.2 RMAWSN的参数分析

从仿真结果看，在节点密度固定时，RMAWSN节点覆盖率与两个因素相关：MA的数量和MA移动的步数。显然，步数越多获得的覆盖率越高。其次，仿真发现RMAWSN模式下，覆盖率与通信距离无关。

1) MA的数量与覆盖率

MA的数量是网络覆盖中重要的参数之一。在表 4中显示了不同的起始MA数量与MA移动了15步之后的节点覆盖率的关系。根据RMAWSN的随机模型，SLAFSA算法的节点能够在时间t₁后随机激活MA，因此即使起始MA的数量为2个，在20步后，网络也能获得接近80%的节点覆盖率。

2) 通信距离对覆盖率的影响

节点之间的无线通信是重要的能量消耗因素。越长的通信距离意味着相同密度下的网络将消耗更多的通信能量。有意思的是，算法分析中发现延长通信距离并不能增加网络覆盖的效果。

为研究通信距离与覆盖率的关系，图 3和图 4统计了在50×50的范围内部署450个节点，并且运行10步后的结果。图 3研究节点在不同通信距离下的累计激活节点，图 4统计在不同通信距离下的覆盖率，两图结果均显示了激活节点的密度和覆盖范围与通信距离无关。或者说，通信距离对RMAWSN模式的性能影响很小。实验说明采用RMAWSN模式的WSN，节点可以采用较短的通信距离节约能量，且不影响网络的覆盖率。

5 结 束 语

本文提出了一种新的基于移动agent的WSN模式RMAWSN，在减少能量消耗和提高事件的覆盖检测能力上有较好的表现。通过实验，发生在监测区域的事件能够有效地在较短时间内被随机游动的MA发现。由于MA的随机行为和短周期特点，网络需要的活动节点更少，并能有效地发现事件。实验表明，在该模式下节点通信距离可以与覆盖率无关。