《ICT Express》：An SDN-based adaptive payload structure and transmission management for reliable WSN data collection in extreme cold region environments
编辑推荐：
极地观测网络面临间歇性连接、信道质量退化以及远程边缘节点能量受限等问题。传统策略要么丢失数据，要么在失败的传输中浪费能量。本文提出一种基于SDN的自适应载荷控制架构，该架构根据实时信道状态将载荷动态重组为元数据层（Metadata）和原始数据层（Raw），并采
极地观测网络面临间歇性连接、信道质量退化以及远程边缘节点能量受限等问题。传统策略要么丢失数据，要么在失败的传输中浪费能量。本文提出一种基于SDN的自适应载荷控制架构，该架构根据实时信道状态将载荷动态重组为元数据层（Metadata）和原始数据层（Raw），并采用非对称双信道拆分、基于优先级的过滤以及中止-恢复机制。研究人员定义了非生产性能量比（Non-Productive Energy Ratio, NPER），用以量化在失败传输上浪费的能量。基于受控极地条件实验中RSSI数据的仿真表明，所提策略将完全数据丢失率从19.4%～54.6%降至0%～0.1%，同时将NPER降低97%～99%。
极地气候、地质与生态观测对理解全球环境变化至关重要。韩国极地研究所（Korea Polar Research Institute, KOPRI）及国际同行在南极开展多种监测活动，推动了对可靠数据采集系统的需求，包括为极端陆地探测开发的协作移动平台。现有方法依赖人工回收或VHF/UHF遥测，两者采集率均较低。标准化工作和网络设计研究正在进行中，但尚无运行系统实际部署。极地环境缺乏商业基础设施，低温会降低电子设备性能并削弱2.4 GHz频段的RSSI，雪和风还会引发天线问题，造成间歇性连接和极短的接触窗口。现有方法存在共同局限：DTN/Data Mule策略聚焦存储-转发可靠性，但缺乏信道自适应的载荷决策；SDWSN研究假设持续连接，不适用于30分钟工作周期；上下文感知方法只调整传输速率，而未在应用层调整传输内容。在物理层，索引调制（Index Modulation, IM）技术已在6G和无人机辅助网络中展示能效收益，但这些方法工作在调制层，与本文讨论的应用层传输调度问题正交。核心问题是数据丢失：信道质量差导致重复传输失败，中心站无法获知边缘节点存在哪些数据，而浪费的能量缩短了运行寿命。本文提出一种基于SDN的架构，将控制-数据平面分离应用于应用层调度，包含三项贡献：（C1）对极地信道严重性的经验表征以及用于传输能量浪费的NPER指标；（C2）具有两层载荷和四种控制机制的SDN模式自适应传输框架；（C3）在三种经验场景下的验证及敏感性分析，确认了鲁棒性。本文范围仅限于应用层。物理层效应（频率漂移、放大器非线性）和传输层动态（TCP/MQTT重传）不在模型范围内，拓扑假设为单跳单边缘节点。信道分类使用IEEE 802.11–2020定义的RSSI阈值；多指标分类留作单独的验证任务。验证定位为部署前设计阶段，基于受控极地模拟条件下获得的经验测量，后续阶段将进行极地站点的硬件级现场验证。
相关工作中，DTN和Data Mule方法（如Bundle Protocol、NVIS骨干网、GNN-based DRL无人机调度、基于MQTT的存储-转发）决定是否交付，但当信道质量阻止原始传输时，无法自适应地决定交付什么。软件定义无线传感器网络（SDWSN）研究（如SSDWSN、DENIS-SDN、路由优化）均假设控制器与节点间持续连接，不适用于30分钟工作周期中仅1分钟接触窗口的极地环境。上下文感知传输方法（如ATPC、EAST、移动汇聚设计）在物理层调整功率或速率，但不在应用层重构载荷内容。通过SDN/NFV的能耗感知控制在绿色云和多媒体服务网络等领域已有探索，但本文针对的是间歇连接、占空比接触窗口和硬能量限制的极地边缘场景，控制决策管理应用层载荷构成而非网络功能放置或流路由。表1总结了这些差异，出现两个空白：（1）当原始传输不可行时，没有机制在应用层确保信息感知；（2）没有指标量化间歇连接极地网络中失败传输浪费的能量。
系统模型遵循TTAK标准，包含三类节点：中央控制站（ECR-CCS，位于Jang Bogo站）、边缘节点（ECR-CS）和移动搬运器（ECR-MM，用于备份检索的Data Mule）。研究聚焦ECR-CS与ECR-CCS之间30–50 km的长距离WiFi链路，采用主-备模式。信道环境方面，Hwang等人在两种受控条件下测量了RSSI和电场强度：低于?15 °C的自然户外条件和积雪天线条件。测量于2025年2月7日进行，环境温度?6至?15 °C，确认积雪覆盖。测量点当日平均温度?14.2 °C、平均风速4.2 m/s，与Jang Bogo站夏季条件（?4.1 °C、4.5 m/s）同属零下低温区且风速相当。链路使用TP-Link CPE210户外长距离WiFi CPE（IEEE 802.11n，2.4 GHz，9 dBi天线，25 dBm发射功率，最大功耗5 W，工作温度?40 °C至70 °C）。信道状态基于IEEE 802.11–2020 HT PHY接收灵敏度要求分为三级：Benign（RSSI > ?74 dBm）、Harsh（?82至?74 dBm）、Critical（≤ ?82 dBm）。实测条件下96.6%样本处于Critical状态，3.4%处于Harsh，0%处于Benign。RSSI数据包含两个数据集：NaturedBm（296个样本）和SnowdBm（322个样本），各覆盖30分钟间隔。由于分布集中在Critical状态深处（平均?89.2 dBm，低于边界约7 dB），±2 dBm测量不确定度很少改变状态分类。能量约束方面，边缘节点使用VMAX SLR200电池（容量8,640,000 J），能量消耗包含空闲（0.6 J/步）、基础传输（30.0 J/步）和每字节成本（4×10?? J/B）。失败传输因重传惩罚（×1/×2/×5）成倍增加有效能量成本。NPER定义为：NPER = (E_wasted / E_transmission) × 100(%)，其中E_transmission为主动传输总能量，E_wasted为未贡献于成功数据交付的部分。现有指标如PDR按包计数，无法捕获失败传输消耗的能量体积；效率指标（B/J）只度量成功交付吞吐量，对失败成本不敏感。架构目标为：（O1）最小化完全数据丢失；（O2）最小化NPER；（O3）在间歇性1分钟接触窗口下运行。
所提架构中，控制平面位于ECR-CCS，执行信道状态评估、载荷组成和信道拆分比决策以及传输命令下发；数据平面位于ECR-CS，执行命令而不自主决策。由于控制器在每个接触窗口开始仅基于当时测量的RSSI做出单一决策，控制开销为每窗口O(1)。在OFF周期内，连续控制器-节点同步不可行，因此边缘节点在每一步局部重新评估信道状态，并在需要时中止正在进行的Raw传输。主-备模式下，CC链路连续失败N次（N=3）后派遣Mobile Mover作为备份控制器。N=3区分瞬态信道退化和持续断连。调度决策由先前通过Signal信道传递的元数据提供信息：即使原始数据无法到达ECR-CCS，Manifest和Summary也传达边缘节点存在哪些数据及其基本内容。两层载荷结构为：元数据层（通过Signal信道）包含Manifest（50 B，数据清单条目：传感器ID、时间戳、类别、原始大小）和Summary（可变，关键统计/预览）；原始层（通过Data信道）为无损原始数据，仅当信道条件允许在接触窗口内完成时传输。数据单元按安全关键性（主轴）和延迟容忍度（次轴）分为四类：Class 1（地震+冰IMU，安全关键）、Class 2（天气+生态）、Class 3（天气相机）、Class 4（极光+磁力计+记录器）。非对称双信道设计将物理WiFi链路逻辑拆分为Signal和Data信道，状态相关拆分比：Benign 10%/90%，Harsh 30%/70%，Critical 80%/20%。元数据传输完成后，剩余Signal带宽重新分配给Data信道。自适应传输算法在每个接触窗口（10步=1分钟）执行：信道评估→拆分比→类别过滤→信号/数据传输→中止检查。类别过滤在Harsh/Critical状态仅允许安全关键类（1, 2）；尺寸过滤将超过可完成尺寸的Raw单元延迟；中止和恢复机制在信道从Benign退化到Harsh/Critical时立即停止进行中的Raw传输，并将浪费能量计入NPER。字节级进度保存在每对象累计字节计数器（raw_bytes_sent）中，该计数器不重置，后续接触窗口从偏移量恢复传输，避免已交付字节的重复能量消耗。
性能评估仿真设置模拟2阶段工作周期：290步OFF后接10步ON（1分钟接触窗口），每24小时重复12次。RSSI值从受控测量（NaturedBm数据集，296个样本）中抽取，随机种子固定为42。四类传感器生成不同大小和优先级的数据。比较三种策略：Legacy（信道无关FIFO纯Raw）、Static-SDN（固定30/70拆分，含元数据但无自适应比、类别过滤或中止）、Adaptive-SDN（所提架构含全部四种机制）。三种场景：CCOnly（经验RSSI，无Mule；100% Critical，最坏情况）、Hybrid（经验RSSI+N=3次CC连续失败后派遣Mule）、Markov（Good-Bad两态天气转换模型，P_(G→B)=0.3，P_(B→G)=0.2，Bad稳态60%）。
CCOnly场景结果：Fig. 5(a)显示Legacy完全丢失54.6%数据——既无Raw也无Summary到达ECR-CCS。Static-SDN和Adaptive-SDN均通过Signal信道的Metadata传递消除完全丢失（分别为0%和0.1%）。Raw恢复率Legacy为45.4%，两种SDN策略均为37.5%。Adaptive-SDN的0.1%丢失是有意的安全优先级权衡：Class 3/4在Critical状态受限。Fig. 5(d)显示Static-SDN（NPER=35.1%）与Legacy（35.4%）相比无改善，而Adaptive-SDN达到NPER=0.3%，降低99.2%。关键洞察：信道拆分本身不减少能量浪费；自适应比调整、类别限制和中止/恢复的组合才是必要的。能量分解显示：CCOnly中Legacy将550.2 J用于有效载荷，但重传惩罚浪费2275.5 J——是有效部分4倍以上；Adaptive-SDN反转此比例：2819.1 J有效对18.3 J浪费。类别层面，Legacy存在阻塞模式：Class 4（18.8 MB）占据整个接触窗口未完成传输，阻止较小但更高优先级的类别发送；Adaptive-SDN的尺寸过滤器在Critical状态延迟Class 4 Raw，允许Class 1–2完成传输。Class 3–4并未丢失——其Metadata仍通过Signal信道交付——但Raw交付被延迟。
Hybrid场景下，Legacy数据丢失降至19.4%（偶尔Mule接触带来Benign质量信道），SDN策略达到0%丢失。Adaptive-SDN NPER=0.3%，较Legacy（27.5%）降低98.9%。Markov场景下Legacy丢失24.6%，SDN策略0%丢失。Adaptive-SDN NPER=0.6%对Legacy 22.3%（?97.3%）。表7总结所有场景。值得注意的是Markov场景说明NPER为何补充传统指标：Static-SDN和Adaptive-SDN的Raw恢复率相当（均81.9%）且位/焦耳效率相近，但NPER差异大（0.6%对22.2%）。两者交付相似数据比例，但Static-SDN将更大份额的主动传输能量消耗在失败重传上。类别过滤引入低优先级类的延迟权衡（表8）：Hybrid和Markov中Adaptive-SDN在141步内交付Class 1–2 Raw，与Static-SDN相同；但Class 3/4 Raw延迟到Benign窗口（Hybrid 831步，Markov 666步），而Static-SDN统一为290步。安全优先化的代价仅出现在Class 3–4：Hybrid中延迟高2.9倍，Markov中高2.3倍。带宽利用率方面，Adaptive-SDN略低于Legacy/Static-SDN，这是设计使然：类别和尺寸过滤器有意压制Critical状态下的非生产性Raw传输。
敏感性分析中，信道退化概率扫描（p从0.3到1.0）：Adaptive-SDN在所有p值下保持0%数据丢失和NPER<3%，而Legacy/Static-SDN的NPER单调增加。差距在p≥0.7时扩大，证实架构优势随条件恶化而增大。在p=1.0时，系统派遣3次Mule行程；Adaptive-SDN实现100%信息恢复且NPER=0.3%，而Legacy丢失19.2%且NPER=27.4%。Summary参数扫描：跨20种Summary比例（0.1–10%）和Critical Summary大小（50–500 B）组合，策略排序在所有情况下不变：Adaptive-SDN NPER保持在0.2–1.0%，Legacy和Static-SDN保持在34%以上。最大的Adaptive-SDN NPER（1.0%）出现在最大Critical Summary大小（500 B）处，此时更大的Metadata占用更多Signal带宽，略减少Data信道容量；即使最坏情况也比Legacy降低97%。
结论：本文提出用于间歇连接极地网络的基于SDN的自适应载荷控制架构。四种机制——双信道拆分、类别过滤、尺寸门控和中止-恢复——消除传统方法19–55%的完全数据丢失，并将NPER降低97–99%。关键发现是Static-SDN的NPER与Legacy几乎相同（CCOnly中35.1%对35.4%），确认结构分离本身不减少能量浪费；利用信道状态信息的自适应机制才是必要的。类别过滤引入低优先级类的延迟权衡（混合条件下比Static-SDN高2–3倍），这是安全优先化的直接结果，可通过自适应类阈值策略缓解。结果表明，信道状态感知的载荷决策——而非结构分离本身——是间歇连接极地网络中能量效率的主要驱动因素。
本文限于应用层部署前设计验证。原因包括：实际极地站点的硬件测量因访问限制、成本和安全法规目前不可行；多节点协调调度只能在单节点信道自适应载荷控制机制建立后进行；使用LQI、PER或SNR的多指标分类需要单独的传感电路设计和测量标准化，因此本文使用由IEEE 802.11–2020直接定义的RSSI分类。模型未包含：（i）收发信机硬件低温退化（频率漂移、放大器非线性、功放效率降低）；（ii）TCP/MQTT传输层重传超时和长距离WiFi链路拥塞控制动态；（iii）天线和CPE结冰或积雪造成的额外物理退化（SnowdBm数据集在RSSI层面捕获天线积雪效应，但方向图改变和阻抗失配等PHY效应未包含）；（iv）极地条件下电池补充（太阳能、热电发电）的限制及充放电效率的温度依赖性；（v）多节点争用、节点间干扰和协调调度。在此范围内，本文实现了：基于618个经验RSSI样本的信道模型（在受控极地模拟条件下使用标准设备获取）、使用IEEE 802.11–2020阈值的信道分类、源自先前工作的能量参数，以及三个场景（CCOnly、Hybrid、Markov）的仿真验证和两项敏感性分析（p扫描、Summary扫描）。该框架可在现有基础设施上实现：完全在应用层运行，无需专用硬件或底层修改，可部署在测量中使用的同类商用WiFi CPE（IEEE 802.11n，2.4 GHz）上。控制器每窗口决策为O(1)，对资源受限的嵌入式边缘节点负担可忽略。实际部署仍受操作约束：极端寒冷下的能量补充可用性（太阳能、热电）、远程站点的物理访问以及多节点协调。未来工作包括：（a）在Jang Bogo站等实际极地站点进行硬件级现场验证；（b）扩展到多节点（1:N）拓扑，通过轮询等调度方案检索多个分布式边缘节点的数据；（c）使用LQI、PER和SNR的多指标信道分类与纯RSSI方法的比较评估；（d）Mule派遣阈值N与信道拆分比的联合优化；（e）基于剩余能量和队列深度的自适应类别过滤策略；（f）与GNN-based Mule路径规划框架集成；（g）在极地模拟环境下对重实现的最新自适应传输和能量感知方法进行公平定量基准测试。框架的协议无关设计也暗示其可适用于其他间歇连接场景。
