CN102379135A - 用于改善无线网状网络的管理的方法及装置 - Google Patents

Abstract

本发明揭示一种用于计算无线网状网络的传输速率的方法。该方法包括：根据链路的流量负荷获得干扰概率分布；根据该干扰概率分布获得SINR；根据该SINR确定MCS；及根据该MCS确定该传输速率。

Description

用于改善无线网状网络的管理的方法及装置

技术领域

本发明涉及无线局域网(Wireless Local Area Networks)，并且更具体而言涉及一种用于改善无线网状网络(Wireless Mesh Networks)的管理的方法及装置。

背景技术

关于无线局域网(WLAN)的标准IEEE 802.11最初是设计用于由一个接入点(Access Point；AP)与一或多个站(Station；STA)组成的小型非管理网络。最近，它们被越来越多地用于提供至更大区域(例如城市中心)的无线因特网接入。由于一个AP的服务区域的服务区域因高路径损耗及低传输功率而受限制，所以采用多个AP来扩大服务区域。为降低各AP之间的有线骨干网的成本，用无线电来代替有线电缆，引入了无线网状网络(WMN)。在WMN中，网点(Mesh Points；MP)用于将数据从邻近的AP(可能跨越其他MP)多跳转发至STA或者从STA多跳转发至邻近的AP。从STA的角度来看，一个MP好像是一个常规AP，因而，该概念与遗留IEEE 802.11完全回溯相容。

在大型WMN运行之前及运行期间必须进行智能网络管理。基于其特殊的多跳结构以及IEEE 802.11网络的特点，并且由于WMN具有静态拓扑结构，因而可在管理网络时同时考虑到供应商、用户以及服务区域的要求。。

从蜂窝状网络得出的管理方法不能直接应用至WMN。管理大型IEEE 802.11网络的最大困难在于规划期间或者运行阶段期间对网络质量的评估。要具有可用性，该估算应具有高准确性，假定初始参数(流量分布、传播条件)是正确的。此外，模型应具有低复杂性，以便适用于网络的优化。

动态模型通过以事件驱动模拟形式来执行协议栈而捕获IEEE 802.11的所有必要特性。由于几个随机源会影响该模拟(例如帧错误、随机退避(backoff)、封包到达时间等)，通过对长的模拟运行求平均可获得统计上合理的结果。与静态模型相比，事件驱动模拟能够实现具有高精度的模型。对于RNP期间的优化程序，长的运行时间使得本方法不可行。

马尔可夫链(Markov-Chains)是一种著名的将IEEE 802.11媒体接入控制(MAC)的动态属性(例如随机退避)转换成动态模型的方法。通过导出状态概率，可以预测参与的节点之间的交互情况以及因而可以预测成功的及失败的封包传输。

现有技术每个链路仅考虑一种调制及编码方案(MCS)，而IEEE 802.11a/g有八种MCS，该简化仅能在无速率自适应(Rate Adaptation；RA)的网络中使用，否则会导致低估。

发明内容

在本发明中，我们在三个方面优于现有技术。第一，我们允许使用一组对干扰具有不同的敏感性的调制及编码方案(MCS；Modulation-and Coding Scheme)；发送机对MCS的选择被包纳入RA模型中。因而可包括具有八种不同MCS的IEEE 802.11a/g的多速率能力。第二，该模型不仅涵盖单跳网络，还适用于包括WMN在内的任何具有静态拓扑结构的多跳网络。第三，除了饱和吞吐量外，我们的模型还能够估算网络中任何节点的占用情况。因而，可以直接识别网络的瓶颈，从而能够实现精确的RNP优化过程。

本发明的一个实施例提供一种用于计算无线网状网络的传输率的方法，该方法包括：根据链路的流量负荷及当前速率获得干扰概率分布；根据该干扰概率分布获得信号与干扰加噪声比(SINR；Signal toInterference plus Noise Ratio)；根据该SINR确定MCS；以及根据该MCS确定该传输速率。

本发明的一个实施例提供一种用于计算无线网状网络的传输速率的装置，该装置包括：MAC层单元、信道模型单元、速率自适应单元及物理模型单元。

该MAC单元适用于根据链路的流量负荷及当前速率来计算链路干扰概率分布。该信道模型单元适用于根据该干扰概率分布来计算SINR。该速率自适应单元适用于根据该SINR来确定MCS。而该物理模型单元适用于根据该MCS及SINR来确定链路的速率。

在本发明的该实施例中，第一，我们允许使用一组对干扰具有不同的敏感性的MCS；发送机对MCS的选择被包纳入RA模型中。第二，该模型不仅涵盖单跳网络，还适用于包括WMN在内的任何具有静态拓扑结构的多跳网络。第三，除了饱和吞吐量外，我们的模型还能够估算网络中任何节点的占用情况。因而，可以直接识别网络的瓶颈，从而能够实现精确的RNP优化过程。

附图说明

我们将对在描述本发明实施例或现有技术时需要的图进行简要介绍，以便更清楚地解释这些实施例或现有技术中的技术解决方案。显而易见，以下所述图仅用于对本发明的一些实施例进行说明，所属领域的技术人员不进行任何创造性努力便可进一步从这些图导出其他图。

图1显示本发明一个实施例的流程图，该实施例提供一种用于计算无线网状网络的传输速率的方法；

图2显示例示性网络及一个链路的相应的干扰源树(interferer tree)；

图3显示不同MCS下有效速率与SINR的关系曲线；

图4显示用于计算无线网状网络的传输速率的装置的一个实施例的图。

具体实施方式

下面将参照本发明实施例中的图清楚而全面地对本发明实施例中的技术解决方案进行说明。显而易见，所进行说明的实施例仅为一部分而非全部的本发明实施例。所属领域的技术人员借助本发明的实施例而不用做出任何创造性努力便可想到的任何其他实施例应在本发明的范围之内。

基于IEEE 802.11的WMN模型所面临的最大挑战为链路之间复杂的交互作用。一个重要的性质是链路i至j的有效速率r(i，j)，定义为i每秒钟能够成功地向j传送的数据位的平均数目。首先，该速率取决于所选的MCS以及来自IEEE 802.11的信道接入程序的开销(例如帧标头及应答封包)。第二，r(i，j)取决于周围节点的干扰，尤其是如果这些节点对于i而言是隐藏的这种情况。如果干扰频繁地出现，i可能选择更坚固的MCS，这会降低其有效速率。因而，它不得不用更长的时间来传送相同量的数据，这可能增加对其他节点的干扰。这些继而又可降低其MCS，等等。或者，该程序收敛于一个稳定的点处或某些链路被完全阻断并停止运行。

图1显示本发明的一个实施例，该实施例提供一种用于计算无线网状网络的传输速率的方法。

S101：根据链路的流量负荷及当前速率获得干扰概率分布。

S102：根据该干扰概率分布获得SINR。

S103：根据该SINR确定MCS。

S104：根据该MCS确定该传输速率。

重复从S101至S104的过程，并且初始有效速率被选择为在最佳条件即无干扰情况下的速率。

获得干扰概率分布的一个实施例如下。IEEE 802.11MAC中的分布式协调功能(Distributed CoordinationFunction；DCF)使用载波侦听多点接入/冲突避免(Carrier Sense Multiple Access/Collision Avoidance；CSMA/CA)的变化形式来降低干扰传输的概率。有一个封包在其传输队列中的节点在开始传输尝试之前会等待，直到信道空闲为止。为降低多个节点同时接入的概率，在该信道变为空闲之后选择随机等待时间，如果该信道在倒计时(countdown)期间始终空闲，则传输启动；否则，该节点退避并在出现下一次机会时重复该企图。

本程序中的中心要素是用以判断信道条件的空闲信道评估(Clear Channel Assessment；CCA)方法。使用两种不同的技术：第一种技术为物理空闲信道评估(Physical Clear Channel Assessment；P-CCA)，该技术仅依赖于所接收的信号能量；如果所接收的信号能量超过阈值(在IEEE 802.11a中为-82dBm)，则判断信道处于忙状态。第二种方法是虚拟空闲信道评估(Virtual Clear Channel Assessment；V-CCA)，该方法使用在PHY及MAC标头中传送的帧长度及网络分配矢量(NAV)长度，这两个长度分别表示当前帧的长度以及当前帧交换的长度。如果节点收听到此类信息，则其将信道接入推迟所指示的时间周期。

对于该网络中的任何链路，CCA操作控制：(i)哪些节点集合能够同时地与该链路传送并从而产生干扰，以及(ii)哪些节点可能因其传输而阻断该链路。(i)及(ii)以及相应概率的计算是MAC模型的任务。

以下对该算法(给出为算法1)的解释使用图2a中所示网络中的“发送机至接收机”链路作为一个实例。为计算概率，必须给出每一节点的负荷，在该实例中，每一节点的负荷用紧挨着该节点的小数目表示。

算法1静态MAC模型：干扰集合及阻断概率的计算。初始化：ComputeInterfererSets(计算干扰源集合)(tx，Icand，{}，1.0)

输入：现用发送机tx，候选干扰源I_cand，现用干扰源I_active，概率p

输出：II＝{(I，pI)|I：具有概率p_I的干扰源集合}，

P_busy

1：如果I_cand＝{}，则

没有剩余候选干扰源

2：返回{({}，p)}，0.0

选择候选干扰源

3：I←来自I_cand的一个候选干扰源

4：如果tx被来自i的传输阻断，则

i仅造成P_busy

5：II，pbusy←ComputeInterfererSets

(tx，Icand-i，Iactive，p)

6：pbusy←pbusy+p·ptx(i)

7：返回II，pbusy

针对i不现用的情况进行递归

8：II-，pbusy-←ComputeInterfererSets

(tx，Icand-i，Iactive，p·(1-ptx(i)))

9：如果ptx(i)＞0，则

10：I_active ^new←I_active+i

11：I_cand ^new←{j20Icand|j未∈被i阻断}

针对i现用的情况进行递归

12：I+，P_busy+←ComputeInterfererSets

(tx，I_cand ^new，I_active ^new，p·p_tx(i))

13：将i附加至I+中的所有集合

14：返回II⁺∪II^-，p_busy ⁺+p_busy ^-

在第一步中，将影响该链路的所有节点存储到候选集合Icand中；这些节点的特点是具有大于零的负荷并且位于距离发送机或接收机的规定距离之内-其设定为-105dBm。在该实例中，Icand＝{1，2，4，5，7}。

随后，算法1对I_cand进行深度优先搜寻，以计数能与所选链路同时地传送的节点的所有子集合(称为“干扰集合”)。图2b中给出该实例相应的搜寻树。在每一递归步骤中，从I_cand中拾取一个候选节点i，视节点而定，区分出两种情况：i不能与发送机同时地传送并向其信道中增加忙比例(busy fraction)(链路5)。在该实例中，节点1及节点2的情况均是如此；i可同时地传送；这产生当前顶点的两个子顶点(children)；一个用于被动i并且一个用于现用i(分别为链路8与链路12)。在i是现用的情况下，候选干扰源集合更新至仅包含不被i阻断的节点。该情况的一个实例请参加其中节点4是现用的并阻断节点5的搜寻树实例。

如果I_cand为空，则会找到一个叶(leaf)，该叶代表一个干扰集合，包含在通往该叶的路径中被选择为现用的所有节点。当一个顶点的所有叶都找到后，该递归结束，并且母节点在II中收集不同的干扰源集合。每一集合的概率被计算为该树期间路径中每一情况的概率积，其由该路径中各节点的传输概率确定。以同样的方式，通过计算阻断节点的传输概率的总数来计算发送机的P_busy。

因此，这些步骤概述如下。存储影响该链路的节点的信息，并产生一个候选集合。从候选集合获得干扰集合，其中干扰集合中的节点能与发送机同时地传送数据。根据该现用概率(active probability)获得干扰概率分布。

图2.4b为通过2.4a中所示实例网络下的深度优先搜寻得出干扰集合以及相应的概率的实例。(1)发送机及接收机的初始I_cand为{1，2，4，5，7}并且初始忙概率p＝1.0；(2)节点1及节点2被从Icand中移除，这是因为它们不能与发送机同时地进行传送，新I_cand＝{4，5，7}并且p＝1.0；(3)节点4可同时地传送并且其预约流量负荷为0.2，因此节点4的现用概率为0.2；(4)如果节点4是现用的，则节点5将被阻断，因此当节点4是现用的并且p＝0.2时将节点5移除并且I_cand＝{7}；(5)节点7可同时地传送并且其预约流量负荷是0.2，因此节点7的现用概率是0.2；(6)一个干扰集合{4，7}被确定，节点4与节点7的现用概率的乘积p＝0.04。

下文对计算SINR的过程进行解释。

对于本发明的实施例，我们认为已进行了现场测量或者至少已对服务区域中的具体传播条件进行了建模。因此，对于n个节点的给定网络配置，在从节点i进行传输期间节点j处的平均接收功率是已知的或可以计算。在该实施例中，我们将该功率表示为P(i，j)。

作为IEEE 802.11模型中的重要要素，无线信道用于将MAC模型的输出(由元组(I，PI)组成的集合II，其中I为节点集合，并且P_I为这些节点同时地传送的相关概率)转换成特定链路tx至rx的SINR直方图。这通过将I中的每一集合转换成相应的SINR值来进行：

${\mathrm{SINR}}_I=\frac{P(\mathrm{tx},\mathrm{rx})}{N+{\mathrm{\Σ}}_{i\∈I}P(i,\mathrm{rx})},$

其中N代表背景噪声及接收机噪声。随后，将具有权数PI的所有SNIR_I在直方图中排序，以近似表示该链路的SINR分布。

下文对根据SINR确定MCS的过程进行解释。

无线网络中的速率自适应(RA)，尤其是在IEEE 802.11中，解决这样的一个问题，即发送机必须使用对于接收机处的当前SINR条件的有限知识来估算传输的最佳MCS。尤其是在基于IEEE 802.11的WMN的情况中，隐藏的节点以及不确定性信道增大了该问题的复杂性。

该SINR分布使用RA模型来确定所选的MCS。在该实施例中，我们认为发送机可以通过反馈而获知先前的帧的平均SINR。因此，发送机在静态情况下的功能缩减至根据(由MAC及信道模型产生的)SINR直方图计算平均SINR并选择在该SINR水平下具有最高预期吞吐量的MCS。必须注意，该预期吞吐量与有效速率不同，因为这是在SINR分布已知的情况下来计算所选MCS的平均速率。该差异反映出以下事实：发送机不能对快速改变的SINR的做出反应，而是仅能对平均值的改变做出反应。

计算候选集合中的每一可能的SINR值，以获得用该候选集合中所有所述可能的SINR值的概率加权的平均SINR。这些平均SINR值决定MCS，如图3中所示的实施例。我们可如图3中所示预先获得SINR与MCS之间的关系。所选的MCS在该SINR水平下具有最高的预期吞吐量。

下文对根据MCS确定传输速率的过程进行解释。

虽然该实施例并不专门针对给定物理层的特性，但我们将使用IEEE 802.11a，IEEE 802.11a使用OFDM在免执照5.5GHz频带中提供八种不同的MCS。事实上，成功的帧接收取决于几个参数：必须对在传输期间来自其他信源的干扰进行限制，使得可使用所施加的纠错代码来正确地对所有所传送的数据位进行解码；必须使用帧前置码正确地使接收机与传输同步；来自多重反射或多普勒频移(Doppler-shift)的影响必须仍然是可耐受的。

结果，该物理层决定封包错误率(PER)、成功的接收的预期重传数目以及两个节点i与j之间的有效速率r(i，j)。

在该静态模型中，r(i，j)仅取决于干扰分布及所选的MCS。对于单个SINR值，可容易地根据所选MCS的比特错误率(Bit Error Rate；BER)、帧长度、MCS的每个符号的数据位的数目以及固定的IEEE 802.11开销(包括平均退避)、帧间间隔(IFS)以及应答(ACK)时间周期来计算出有效速率。

作为一个实施例，可在SINR与MCS之间的关系图中搜寻速率，如图3中所示。对于所有速率，一个速率对应于一个SINR值。这些SINR值为候选集合中所有可能的SINR值。随后获得用其概率加权的平均速率。

前面的部分中所描述的模型允许执行有效速率的迭代估算。为计算给定网络的饱和吞吐量，中间步骤将有效速率转换成占用率，并且随后最终地转换成饱和吞吐量。

在该实施例中，将路径的动态选择及维护简化成静态的加权图，该加权图作为输入用于Floyd-Warshall所有顶点对最短路径算法。为计算边线权重(edge weight)，需要每一链路的预期速率r(i，j)；对于无干扰的最佳情形，这些速率是计算一次。

使用Floyd-Warshall算法的输出，可以通过经过所有所选路径并将相应的负荷相加而将预约端对端流量转换成每个链路的预约流量o(i，j)。

同样，初始有效速率被选择作为在最佳条件即无干扰情况下的速率。在图12的迭代过程收敛后，便可得知最终有效速率r(i，j)及信道忙比例pbusy(i)。因此，被其相邻节点节点阻断及向其相邻节点进行传送的时间的比例可被计算作为该节点的占用率。

如果至少一个节点具有大于1.0的占用率，则网络便处于饱和状态，该节点为该网络的瓶颈。

所属领域技术人员将不难理解，本发明可使用硬件、软件、或硬件与软件二者执行。在本发明范围内的实施例还包括用于执行计算机可执行的指令、计算机可读指令、或数据结构的计算机可读媒体或者其中存储有计算机可执行的指令、计算机可读指令、或数据结构的计算机可读媒体。此类计算机可读媒体可包括例如RAM、ROM、其他光盘存储器、或磁盘存储器等物理存储媒体。存储在计算机可读媒体中的指令程序通过机器执行来实施一种方法。该方法可包括本发明的方法实施例中任一者的步骤。

下文对用于计算无线网状网络的传输速率的装置进行解释。

参照图4，装置50包括MAC层单元501、信道模型单元503、速率自适应单元505及物理模型单元507。

MAC单元501适用于根据链路的流量负荷及当前速率来计算链路干扰概率分布。

信道模型单元503适用于根据该干扰概率分布来计算SINR。

速率自适应单元505适用于根据该SINR来确定MCS。计算候选集合中每个可能的SINR值。对候选集合中每个可能的SINR值进行计算，以根据候选集合中所有的所述可能的SINR值获得平均SINR。该平均SINR值确定MCS，如图3中所示的实施例。我们可如图3中所示预先获得SINR与MCS之间的关系。

而物理模型单元507适用于根据该MCS及SINR来确定链路的速率。

装置50包括判断单元504，判断单元504适用于在该装置处于迭代状态时判断信道的占用率，并随后判断是否退出该迭代状态。

装置50包括路径选择单元502，该路径选择单元适用于获得从网点(MP)至接入点(AP)的路由。AP可连接到因特网。

该方法实施例以及该装置实施例均能够在考虑到不同因素之间的复杂相互作用的情况下通过高效的计算来估算给定WMN的饱和吞吐量。评价显示，在不同的典型WMN场景中进行测量，均得出小于15％的合理的平均相对错误。作为一个特殊的功能，我们的模型能够识别网络的瓶颈，这可用于指导网络的优化。这使得能够在WMN的RNP过程的不同阶段期间实施几种不同的应用。

以上提供的实施例仅用于举例说明的目的，不能将实施例的次序视为评价这些实施例的标准。另外，这些实施例中的措辞“步骤”并不打算将用于执行本发明的步骤的顺序限制为本文中所述的顺序。

所述领域的技术人员将很容易地想到另外的优点及修改形式。因此，本发明在广义上并不限于本文中显示及描述的具体细节及代表性实施例。相应地，可进行各种修改及改变，此并不背离随附权利要求书及其等效项所界定的本发明的范围。

Claims (8)

1.一种用于计算无线网状网络的传输速率的方法，包括：

根据链路的流量负荷及当前速率获得干扰概率分布；

根据所述干扰概率分布获得SINR；

根据所述SINR确定调制及编码参数MCS；

根据所述MCS确定所述传输速率。

2.如权利要求1所述的方法，其特征在于，还包括：

重复从S101至S104的过程，其中初始有效速率被选择为在最佳条件下的速率。

3.如权利要求1所述的方法，其特征在于，所述根据链路的所述流量负荷及所述当前速率获得所述干扰概率分布包括：

存储所述链路上的节点信息，并生成候选集合；

从所述候选集合获得干扰集合，其中所述干扰集合中的节点可同时地与发送机传送数据；

根据所述现用概率获得所述干扰概率分布。

4.如权利要求1所述的方法，其特征在于，所述根据所述干扰概率分布获得所述SINR包括：

计算所述候选集合中的每个SINR值；

根据所述候选集合中所有的所述SINR值获得平均SINR。

5.如权利要求1所述的方法，其特征在于，所述根据所述MCS确定所述传输速率包括：

在SINR与MCS的关系图中搜寻速率；

获得所有速率，其中一个速率对应于一个SINR值；

获得用所述速率加权的平均速率。

6.一种用于计算无线网状网络的传输速率的装置，包括MAC层单元、信道模型单元、速率自适应单元及物理模型单元；

所述MAC单元适用于根据链路的流量负荷及当前速率来计算链路干扰概率分布；

所述信道模型单元适用于根据所述干扰概率分布来计算SINR值；

所述速率自适应单元适用于根据所述SINR值来确定MCS；

所述物理模型单元适用于根据所述MCS及所述SINR来确定所述链路的速率。

7.如权利要求6所述的装置，其特征在于，还包括：

判断装置，适用于在所述装置处于迭代状态时判断信道占用率并随后判断是否退出所述迭代状态。

8.如权利要求6所述的装置，其特征在于，还包括：

路径选择单元，适用于获得从网点至接入点的路由。

Images