1 、 Deriving efficient mobile agent routes in wireless sensor networks with NOID algorithm

1. 1、Deriving efficient mobile agent routes in wireless sensor networks with NOID algorithm • 无线传感器网络中使用NOID算法的高效移动代理路由

2. 摘要： • In this article, we consider the problem of calculating an appropriate number of near-optimal (subject to a certain routing objective) routes for mobile agents (MAs) that incrementally fuse the data as they visit the nodes in a distributed sensor network. We propose an improved heuristic algorithm which computes an approximate solution to the problem by suggesting an appropriate number of MAs and constructing near-optimal itineraries for each of them. The performance gain of our algorithm over alternative approaches both in terms of cost and task completion latency is demonstrated by a quantitative evaluation and also in simulated environments through a Java-based tool. • 在本文，我们考虑了计算近似最优near-optimal的移动代理的路由路径(subject to a certain routing objective)的数据问题，当在访问传感节点的时候，增加了额外的融合数据。我们提出了改进的启发式算法heuristic algorithm，它通过分析一定数量的MA和构建近似最优的MA路线itineraries，以接近最合适的解决方法。我们的目标是使我们的算法在能量消耗和任务的执行方面具有选择性，并通过基于JAVA的工具对各种算法进行评价与仿真。

3. 在很多的应用方面都提有移动代理（MA）的概念，包括电子商务e-commerce、网络管理、信息恢复retrieval等等。WSN的环境使用移动代理是很有前途的promising。他们已经证明了使用移动代理的传感器网络能够节省网络的带宽和减少网络的拥塞。为了解决数据拥塞这个难以解决的问题，文献[7]和文献[8]提出了在大规模的网络环境下使用移动代理技术。MA将访问大量的节点和采集尽量多的数据，然后送到处理节点。经过证明，这种模式的性能表现优于traditional client/server model。 • 移动代理对传感器网络的模型进行重新配置[10]，在多分辨率数据融合中[7]，这些应用涉及到移动代理的多跳访问大量节点的使用问题，节点的访问顺序问题是关键的问题所在，将影响着整个系统的性能。随机地选择路由将导致性能的恶化甚至性能低于traditional client /server model，现在，我们就来研究这些问题。

4. 据我们所研究，只有文献[8]和[11]较好地解决了传感器网络中最佳MA的路由设计问题。在文献[8]，Qi提出了启发式算法来计算路由访问的问题，在本地最优算法中Local Closest First (LCF) algorithm，每个移动代理从它的PE结点出发，然后寻找下一个最短路径的目的地。在全局最优的算法Global Closest First (GCF) algorithm中，MA也是从处理节点开始移动，然后选择与处理中心最近的节点作为下一个目的地。 • LCF类型的算法LCF-like algorithms的输出主要依赖于MA移动代理的原始位置，剩下的被访问的节点都带有高迁移的损失[5]，这是因为下一个目的地的迁移取决于MA的当地位置信息，而不是以全局的情况来决定迁移的路线。另外，GCF在很多情况下比LCF的路由路线要多，因为它是重复向处理中心迁移，路由的变长导致性能的下降[8][11]。

5. Wu等提出了基于遗传算法的解决方法[11]。虽然它给出了比LCF和GCF算法更好的性能，但是这种方法意味着imply更多的时间消耗在最佳路由路线的计算上，(genetic algorithms typically start their execution with a random solution ‘vector’ which is improved as the execution progresses)，对于实时性强的系统来说是不可取的，例如在目标定位和目标监测上。同时在这种方法中，一大部分已经被访问的节点(i.e. those with maximum detected signal level)由于目标的移动等因素，导致他们的状况频繁改变。因此，寻找一个快速计算的MA移动代理的移动路径是十分必需的。

6. 在文献[8]和文献[11]提出来的方法中，移动代理都是从处理PE节点出发然后访问其它节点，不管它们的物理位置在哪里。在小型的传感器网络系统中，这些算法是满足satisfactory需求的，但是，当节点数量增加时，系统变得复杂，算法性能也随着恶化。这是因为随着节点数量的增加，移动代理的的路由路径变长，发费的时间也不断增加。移动代理随着也不断增加，导致无线带宽的拥挤，并消耗有限的节点能量。在文献[8]和文献[11]提出来的方法中，移动代理都是从处理PE节点出发然后访问其它节点，不管它们的物理位置在哪里。在小型的传感器网络系统中，这些算法是满足satisfactory需求的，但是，当节点数量增加时，系统变得复杂，算法性能也随着恶化。这是因为随着节点数量的增加，移动代理的的路由路径变长，发费的时间也不断增加。移动代理随着也不断增加，导致无线带宽的拥挤，并消耗有限的节点能量。

7. Our algorithm has been designed on the basis of three objectives: • (a) MA itineraries should be derived as fast as possible and adapt quickly to changing networking conditions • (b) visited sensors energy consumption should be minimized, • (c) The number of MAs involved in the data fusion process should depend on the number and the physical location of the sensors to be visited; the order an MA visits its assigned nodes should be computed in such a way as to minimize the overall migration cost. • 我们的算法设计有三个目标： • A 移动代理的路线能够尽快地适应网络状况的改变。 • B 被访问节点的能量消耗的状况应该是最小的。 • C 数据融合中移动代理的数量应该依靠节点的数量和物理位置的改变而改变；移动代理迁移的路径应先进行计算，然后再进行迁移。

8. 仿真结果SIMULATION RESULTS • 我们的仿真工作在整体路线长度、数据融合的能耗和时间方面上，试图比较NOID算法与LCF和GCF算法优缺点。除了另外的定义，一些用到的参数都如图1所示。 • 仿真是用基于JAVA的工具执行，来实现仿真的目的，仿真器允许简单地定义仿真的一些NOID算法、LCF和GCF算法参数的输出，当然也记录了它们的整体的路线长度，数据融合的能耗和反应时间。

9. Figure 1. Java-based simulation of MA-based distributed data • fusion algorithms: (a) LCF output; (b) GCF output;

10. (c) the trees constructed by NOID (four trees, each assigned to an individual MA; (d) NOID output, where the four trees created on the previous step are traversed in post-order.

12. 结论CONCLUSIONS • 本文我们提出了NOID算法的改进版本，它是一种有效的启发式算法，它能够得出移动代理的近似的最优路线，虽然NOID算法只是考虑了移动代理的空间大小和移动代理迁移的路线，它能使能量损耗减少。NOID算法已经被仿真过，并得出它的输出性能。 • 展望我们未来的工作，我们打算研究NDIOI算法在目标跟踪应用的适用性，MA路线包括信号的强度和能量的有效性。另外未来工作的方向是NOID算法应用到实际的WSN环境中去，特别地，把传感节点放置到在一定的执行环境中，移动代理的运行由JAVA来仿真得出我们所要的结果。

13. 2、Mobile Agent Middleware for Sensor Networks: An Application Case Study • 传感器网络中移动代理的中间件：应用情况的学习

14. 摘要： • Agilla是移动代理中间件的一种，在传感器网络中它能够自适应地快速地被应用。Agilla允许用户创建和注入移动代理这种特殊的代码，这种代码可以互相协调并且在WSN中执行中特殊的任务。代码的流动性和状态可以在WSN中共享，允许我们利用它的潜能。我们将火种跟踪的原理应用到系统中，并决定Agilla怎样实现它的最优性能。火种由逐渐传播的移动代理生成，然后分布到各个网络，有火种的节点通过插入火元并进入他们的本地元组空间。 火跟踪仪代理然后被用于形成周长在火种附近。通过使用Agilla，我们可以快速地创造和部署47字节火种代理和在WSN布置由26 MICA2微粒组成包括的100个字节跟踪代理。

15. 中间件技术是在软件技术发展过程中，为了简化应用程序的开发部署以及解决不同平台互操作问题而发展起来的软件技术。中间件作为分布式系统的组成部分，存在于应用软件和操作系统之间，主要用于解决不同平台的互操作问题。中间件技术是在软件技术发展过程中，为了简化应用程序的开发部署以及解决不同平台互操作问题而发展起来的软件技术。中间件作为分布式系统的组成部分，存在于应用软件和操作系统之间，主要用于解决不同平台的互操作问题。 • 20 世纪90年代以来，一些中间件技术，有开放源代码组织的DCE，对象管理组的CORBA，微软的以COM/DCOM以及Sun公司的J2SE/RMI等在分布式环境中得到了广泛的应用。在这些中间件平台的架构上，分布式应用程序的开发变得容易起来。但是仍存在一些问题，主要表现在：一些流行的中间件使用专有的实现，使得采用这种技术的应用依赖于单一厂商的产品。相对于传感器的应用环境，传统中间件自身过于复杂和耗费资源，不适用于低端设备，尤其是没有考虑能源有效的问题。 

16. 基于移动 Agent 的中间件 　 • Agilla 将移动 Agent 运用到传感器网络中间件设计中，移动Agent是在网络中能够复制和移动执行的程序。在Agilla中用户可以创建Agent并注入到传感器网络中，这些移动Agent在网络中迁移，通过局部元组空间进行协作，共同执行和完成某个特定的任务。通过移动Agent可以向网络中动态部署复杂的应用。

17. 在本文，我们提出了一种基于火种原理的Agilla的深入研究。在这种应用中，移动代理动态地部署在一定的区域内，并且保持火场内的一定的参数，网络传播由26个MICA2节点组成，火它本身应用特殊的火代理并在网络周围流动地传播。本文做出三个主要贡献。 首先，它证明了移动代理中间件是怎样方便发展和怎样使用的。使用Agilla，我们能通过注射47字节火代理和100字节跟踪代理迅速地创造和部署整个火跟踪的应用。其次，我们提出一套应用层的表现，从而证明了在动态移动的应用中，移动代理的元组空间的可靠性和高效性。最后，我们提供无线传感器网络移动代理编程技术的新思想，我们做了最好的工作，本文提供移动代理的第一个专题研究使用一种真正的应用在一个物理无线传感器网络试验台。

19. 移动代理结构在图1所示。它包括堆栈、堆和各种各样的记数器。 移动代理使用一个栈结构，因为它允许多数指示是一个唯一字节(一些消耗推的16位可变物3个字节在堆上)。 。 • Agilla 模型在图2显示，每个节点当前支持四个代理。 Agilla 自动地处理允许代理同时和独立地跑的上下文转换程序。 而不是依它们的ID到达目的地，Agilla由他们的地理位置定们自己。

21. 火种跟踪有应用如图4所示，火种首先在传感器网络的一定区域点燃，当火种漫延的时候，跟踪代理向周边扩散swarm并且不断地克隆它自己和形成周长，一旦周长形成，它们就会修改火头。这种情形下的重心转移到跟踪代理那里，带头的代理和它的安全路由发现算法将会离开，火种跟踪有应用如图4所示，火种首先在传感器网络的一定区域点燃，当火种漫延的时候，跟踪代理向周边扩散swarm并且不断地克隆它自己和形成周长，一旦周长形成，它们就会修改火头。这种情形下的重心转移到跟踪代理那里，带头的代理和它的安全路由发现算法将会离开， • 我们使用两种类型的火种代理来形成火种：静态的和动态的。静态的火代理在元组空间插入一个火元，然后点亮LED红灯，通过点亮LED红灯，我们将整个网络的状态可视化。程序代码如图5所示，1—3行在本地的元组空间插入火元，然后4—8行点亮红灯。

22. Agilla将会遇到许多挑战。 • 首先，传感器网络的有限资源。例如，MICA2节点有且仅有数据存储为128KB和4KB，并且运行的是一个比较慢的8MHz Atmel 128微处理器。此外， TinyOS不提供动态内存管理，意味必须静态地分配所有数据存储。 因此，Agilla实施代理指示和元组空间的自己的动态记忆功能。 • 其次，小的体积依赖电池的容量、信赖和微粒的嵌入设施导致使用不可靠的低带宽(38.4 Kbaud)无线电线路。 因为它干涉以代理的能力移居和克隆，移动代理是特别易受消息损失。要使消息损失减到最小的冲击，代理被划分成微小的小包(少于41个字节)，每次移居为一跳，并且运用暂停并且转播。因为它只使用介绍存储和发送延迟，当不为遥远的元组空间操作时，移居或克隆代理。 遥远的元组空间操作故意地是非阻塞的，能够防止代理锁死由于消息损失。

23. 结论 • 在这项研究中，我们证明了Agilla可以被用于部署在无线传感器网络的复杂应用。 我们也展示了多种应用软件怎么可能同时分享网络(即火模仿应用和跟踪仪应用)。我们提出了一个专题研究的移动代理怎样可以被用于编程跟踪基于火的传感器网络。我们表示移动代理和元组面向无线通信是可行的，甚至在高度限制性环境里，并且，这些抽象可以被用于增加网络灵活性。 通过在一个26结MICA2网络的实验，我们显示出101个字节跟踪仪代理能在静态火附近迅速形成周长，并且，效率非常取决于程度代理平行性。 • 我们也表明了当它传播在网络中，火跟踪仪代理能在动态火附近维护周长。 许多东西需要学习，包括仔细的代理设计、选择一个适当的指令组的重要性和需要对于一种高水平代理编程语言。 我们的开发与应用的经验得出了几种重要的方法，使Agilla为传感器网络的灵活应用提供一个更好的基础。

24. 3、Multi-objective Mobile Agent Routing in Wireless Sensor Networks 无线传感器网络中基于多目标监测的移动代理路由技术

25. 基于移动代理的数据融合技术首先应用移动代理技术向传感节点有选择的迁移，在迁移的过程中进行数据融合，因此可以减少不必要的数据传输和祛除冗余数据。而传感节点沿着路由路径的访问顺序决定着数据融合的质量和通信带宽的损耗。基于移动代理的数据融合技术首先应用移动代理技术向传感节点有选择的迁移，在迁移的过程中进行数据融合，因此可以减少不必要的数据传输和祛除冗余数据。而传感节点沿着路由路径的访问顺序决定着数据融合的质量和通信带宽的损耗。 • 本文在基于移动代理路由的基础上提出了多目标监测的最优路径问题，在尽可能减少能量损耗和路径损失的基础上，使整体的监测能量最优化。仿真结果表明，使用多目标监测的算法例如EMOCA和NSGA-II可以更好地解决这些问题。

26. 在传感器网络监测系统中，冗余数据的传输会浪费能量和网络带宽。基于本地最优local closest first (LCF)和全局最优global closest first (GCF)的算法用来计算移动代理的路由路径的问题。但是当传感器网络节点变多时和变复杂时，这些算法的性能将不断恶化。 • 移动代理路由的计算问题牵涉到能量损耗，路径损失和监测的准确性。当传感器网络节点增加时，数据融合的准确性也随着增加，但是能量损耗和路径损失的问题也在增加。因些，我们将这些问题综合考虑，权衡这些利弊，我们采用多目标最优算法multi-objective optimization (MOO)。

27. 为了证明多目标最优算法(MOO)的有效性，拟采用分量遗传算法weighted genetic algorithm (WGA)，考虑到遗传算法中不同的分量的协调性能，从而得到最优路径。 NSGA-II算法是典型的多目标最优算法中的一种。 • 移动代理路由问题 传感节点随机地分布到一定的范围内，在传感节点比较多的情况下，将整个传感器网络分为M个簇，在每个簇内有个处理节点，移动代理先从处理节点迁移，在迁移的过程中进行数据融合。迁移完毕后，移动代理携带着数据信息和各个传感器节点的能量等级返回处理节点。

29. 在每个簇首和中心节点放置与计算最佳路由路径有关的数据库，例如地理位置信息geographical locations和传感节点的传输/接收的参数。 • 中心节点和簇首依据传输回来的信息和本地的数据库，计算出移动代理的传输路径和传输的节点顺序，然后移动代理再依据这些信息进行路径迁移和数据传输。

30. 优化的目标 我们算法的优化目标是：(a)减少能量损失(b)减少路径损失(c)整体监测信息能量的最大化 • Our multi-objective optimization algorithms must: (a) minimize energy consumption, (b) minimize path loss, and(c) maximize total detected signal energy.

31. 对数据融合的结果进行优化 消除两端的极值，在每个簇的簇首，祛除最高的r个值和最低的r个值。r的值定为r=(s-1)/3。 • The cluster head drops the r highest and r lowest values among the set of detected energy values sent by all sensors to the cluster head. r is chosen to be r = (s- 1)/3 .

32. 总结Conslusions • 我们使用多目标的监测的移动代理技术，可以改善系统的性能。EMOCA和NSGA-II这两种算法可以最佳路由路径，使目标性能最优化，与遗传算法(GA)相比较， EMOCA可以更好地解决路径寻优的问题。