[论文解读] Performance Modeling of WSN with Bursty Delivery Mode

Adel Agamy, Ahmed M. Mohamed|arXiv (Cornell University)|Feb 13, 2017

Energy Harvesting in Wireless Networks被引用 6

一句话总结

本文提出了一种用于无线传感器网络（WSNs）的解析N-Burst流量模型，以准确表示来自传感器节点的突发性数据流量，采用幂律尾（Pareto）分布来建模ON时长，以捕捉长程依赖性。该模型可实现均值分组延迟和缓冲区溢出概率的闭式分析，表明在相同负载条件下，与单节点聚合相比，多个节点的联合流量可显著降低延迟和溢出风险，尤其在高突发性（b ≈ 1）时表现更优。

ABSTRACT

Wireless Sensor Network (WSN) usually consist of hundreds or thousands of sensor nodes scattered in a geographical area and one or multiple sink(s) collecting information. The special design and character of sensors and their applications make WSNs different from traditional networks. These characteristics pose great challenges for architecture and protocol design, performance modeling, and implementation. Accurately modeling the data generated by each sensor node is essential for correctly simulating network traffic, network congestion, interference between nodes and the energy expended by each node. Successful design leads to enhancing the overall performance of the whole of network. In this paper we analyze the performance of WSN with N-BURST traffic model. The impact of bursty traffic on the mean packet delay and buffer overflow probability is investigated analytically. We study the effects of bursty WSN traffic through simulations with three different cases. Both short-range dependency (SRD) traffic and long range dependency (LRD) traffic are simulated over different burst parameters. Finally we study the effect of pareto OFF time through simulation. The results are collected for 10 different 24 hour simulated periods in order to study and measure day-today statistical fluctuation.

研究动机与目标

• 开发一种可解析处理的、广义化的WSN流量模型，以捕捉真实世界中的突发行为。
• 研究突发性（通过突发参数b衡量）对均值分组延迟和缓冲区溢出概率的影响。
• 比较在不同流量模式下，sink处单节点与多节点流量聚合的性能差异。
• 利用Pareto分布的ON时长，评估长程依赖性（LRD）与短程依赖性（SRD）流量对网络性能的影响。
• 通过为期24小时的大量仿真验证分析模型，以评估每日之间的统计波动。

提出的方法

• 使用可调突发性的1-Burst（ON/OFF）过程对每个传感器节点的流量进行建模，通过参数b控制突发性。
• 引入幂律尾（Pareto）分布来建模ON时长，以表示长程依赖性（LRD），并实现矩阵几何解法。
• 应用排队论将sink建模为有限缓冲队列（G/M/1/L），推导出均值延迟和缓冲区溢出概率的闭式表达式。
• 采用串联队列模型对多跳WSNs进行建模，模拟不同突发参数下各簇之间的端到端延迟。
• 采用仿真方法，设置三种不同情形：SRD、LRD以及Pareto分布的ON/OFF时长，每种情形独立运行10次24小时周期。
• 比较单节点与多节点流量聚合场景下的性能指标（延迟、吞吐量、溢出）差异。

实验结果

研究问题

• RQ1 在N-Burst流量的WSN中，由参数b控制的突发性如何影响均值分组延迟和缓冲区溢出概率？
• RQ2 在sink处将多个节点的聚合流量视为单一流与分别处理为独立流相比，性能差异为何？
• RQ3 在相同平均负载下，长程依赖性（LRD）与短程依赖性（SRD）流量模式对网络性能有何影响？
• RQ4 Pareto分布的ON时长对均值延迟和吞吐量有何影响，尤其在高突发性环境下？
• RQ5 在不同流量模型下，流量负载的逐日统计波动如何影响WSN的稳定性和性能？

主要发现

• 采用幂律尾（Pareto）ON时长的N-Burst模型具备良好的解析可处理性，并能准确捕捉WSNs中突发性与长程依赖性流量。
• 在相同总体负载（ρ）下，多节点聚合（N=10）相比单节点聚合（N=1）可显著降低均值分组延迟与缓冲区溢出概率，尤其在高突发性（b ≈ 0.95）时表现更优。
• 当ON时长服从Pareto分布（大T值）时，单节点模型表现出均值延迟的急剧上升（爆发区域），表明在高突发性下存在不稳定性；而双节点模型仍保持稳定。
• 当第三个簇直接向sink通信时，仅当该簇的到达率超过sink的服务率时，簇1与簇2的端到端延迟才会增加，表明存在阈值效应。
• 当第三个簇处于活动状态时，sink的吞吐量超过簇1与簇2吞吐量之和，证实流量聚合行为会影响整体网络性能。
• 在10次独立的24小时周期仿真中，统计波动被有效捕捉，验证了该模型对现实世界变化的鲁棒性。