CN102711125B - 一种提高无线mesh网络传输能力的方法 - Google Patents

Abstract

本发明提供一种提高无线mesh网络传输能力的方法，通过建立无线mesh网络扩展点吞吐量最优的模型、进行优化模型转换，以及采用相应的合适遗传算法(GA)获得工程最优解等步骤，实现了业务的高效传输。

Description

一种提高无线mesh网络传输能力的方法

技术领域

本发明涉及无线通信技术领域，特别是涉及无线传输和计算机网络理论。

背景技术

在无线通信领域，无线mesh网络已经被设想为构建宽带大范围无线通用网络的较为经济的可选方案。对于工业界而言，无线网状网具备诸多的特征，无线网状网是一种多层次的如图所示的网络架构，主要由无线路由节点(Wireless Router，WR)，接入点(Access Point，AP)、和用户节点(Client)组成。其中，AP也称无线接入点或网络桥接器，AP的主要作用是将无线网络接入核心网，其次要将各个与无线路由器相连的无线客户端连接到一起，使装有无线网卡的终端设备可以通过AP共享核心网的资源。除此之外，AP还具有网管的功能，实现对无线接入网络的控制和管理，把传统交换机的智能性分散到接入点中，大大节省了骨干网络建设的成本，提高了网络的可延展性。在该网络结构中，通过使用无线路由器(WR)可以实现移动终端设备与接入点间通信范围的弹性延展。终端用户/设备(Client)兼备主机和路由器两种角色。一方面，节点作为主机运行相关的应用程序；另一方面，节点作为路由器需要运行相关的路由协议，参与路由发现、路由维护等常见的路由操作。所有的WR节点构成了无线主干(Backbone)网络，它负责在无线用户和有线网关节点之间建立多跳。其主要具有以下优点：

(a)通过无线网状网构建主干无线网络的方法则可大大减少有线接入点的数量，从而降低网络构建的费用；

(b)适合大范围布网，可以实现无线链路的较大程度的复用，可以更快的速率支持更远距离传输；

(c)无线网状网为两终端节点间提供了多径链路，这大大提高了通信的可靠性，也消除了中间节点错误和潜在的瓶颈链路的束缚，网络的冗余设计和对潜在问题(节点错误、路径阻塞、外部干扰等)的自适应能力，也可为接入有线网络提供多个接入口和到目的节点的可选路由；

(d)采用对等网络来构建无线传输系统并具备了自组织、自治愈等优点，因而网络的建立相对于用户透明，例如当新加入的节点时，各节点由相应的功能函数自动发现新的路由和选择新的传输路径。

尽管无线mesh网络具有许多优点，但其对时变的业务传输能力较低。因此，有必要设计一种方法以提高无线mesh网络的传输能力。

发明内容

本发明所要解决的技术问题是：解决无线mesh网络传输能力较低问题。

本发明为解决上述技术问题提供一种提高无线mesh网络传输能力的方法，其特征在于：

A、建立无线Mesh网络扩展点吞吐量最优的模型；

B、进行优化模型转换；

C、采用相应的合适遗传算法(GA)获得工程最优解；

所述步骤A中，为满足扩展点EP在传输场景(一组同时处于工作状态链路的集合)t下对业务流的需求，不仅在每一时刻要选择合适的传输路径，还要将业务流在每一个传输时刻进行分配。假设在传输场景t扩展点EP的流量需求为g，分配的传输时间为ζ_t，那么在总共T个传输场景所用传输时间为为在传输场景t从EP点i到EP点j的链路上的流量，为在EP点i到EP点j的链路上，在传输场景t下的最大传输速率，即链路容量。为使每个EP点的吞吐率最大，因此必须使得总的传输时间最小，因此我们可建立基于流量和链路的优化模型：

$\min \mathrm{\γ}=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\ζ}}_t$

$s.t.\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{x}_{i,j}^t\≤c_{i,j}^t{\mathrm{\ζ}}_t,\∀(i,j)\∈A---\left(1\right)$

$\underset{j:(i,j)\∈A}{\mathrm{\Σ}}{x}_{i,j}^t+\underset{j:(j,i)\∈A}{\mathrm{\Σ}}{x}_{j,i}^t=g,\∀i\∈N\∀t=1,...,T,---\left(2\right)$

$x_{i,j}^t\∈Z^{+},\∀(i,j)\∈A,\∀t=1,...,T.$

其中约束条件(1)为链路容量对业务流的约束，约束条件(2)为对扩展点EP的流量需求保证。A为网络中的链路集合，

所述步骤A中，在传输场景t扩展点EP的流量需求g可通过流量需求预测单元获得，其结构如图2所示。其中业务状态观测单元如图3所示，有效带宽估计单元结构如图4所示。

所述步骤B中，由于上述模型的计算量较大，需要多次迭代，因此我们采用基于路径的变量来描述此优化问题，基于路径的模型描述与基于流量和链路的模型描述相比可大大降低迭代次数，因此上述模型可转换为如下的基于路径的优化模型：

$\min \{{\mathrm{\α}}_1\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{p\∈P^t}{\mathrm{\Σ}}{c}_p,f_p^t-{\mathrm{\α}}_2\underset{(i,j)\∈A}{\min }{s}_{i,j}\}$

$\begin{array}{cc}\mathrm{or}& \min {\mathrm{\α}}_1\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{p\∈P^t}{\mathrm{\Σ}}{c}_p{f}_p^t+{\mathrm{\α}}_2\underset{(i,j)\∈A}{\mathrm{\Σ}}{w}_{i,j}{\left(\frac{c_{i,j}-x_{i,j}}{c_{i,j}}\right)}^2,\end{array}$

$s.t.\underset{p\∈P^t}{\mathrm{\Σ}}{f}_p^t=d^t,\∀t=1,...,T,---\left(3\right)$

$s_{i,j}=c_{i,j}-\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{x}_{i,j}^t\≥0,\∀(i,j)\∈A,---\left(4\right)$

$x_{i,j}=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{p\∈P^t}{\mathrm{\Σ}}{\mathrm{\δ}}_p^{i,j}{f}_p^t\≤c_{i,j},\∀(i,j)\∈A,---\left(5\right)$

$f_p^t\∈Z^{+},p\∈P^t,\∀t=1,...,T.---\left(6\right)$

其中约束条件(3)表示在每一传输场景的网络中的业务流需求都能被完全满足，其中；约束条件(4)中x_i，j表示经过节点i到节点j的链路的流量，因此其必须小于或者等于链路所能提供的容量c_i，j，s_i，j为链路(i，j)的剩余容量；d^t表示在传输场景t相应的业务需求，P^t表示包含从起始节点到终止节点的吸收路径，为在传输场景t经过路径p的流量，c_p为路径p∈P^t的延迟，为链路和路径的关联矩阵，当链路(i，j)使用路径p时，反之w_i，j为减小链路(i，j)拥塞的权重，α₁，α₂为权重系数，并且α₁＝1-α₂。

所述步骤C中，令为路径集合，M为集合P中路径的个数，假设P¹，P²，...，P^k为矩阵P中的行向量， $P\_I\left(t\right)=\left\{\begin{array}{ccc}\left|P^1\right|,& \mathrm{for}& t=1,\\ P\_I(t-1)+\left|P^t\right|,& \mathrm{for}& t=2,...,T.\end{array}\right.,$ 其中|I|表示I中元素的个数，P_I(t)表示对于传输场景t，集合P中的哪一个行向量处于运行状态。在此GA算法中，一个染色体由一个M行和T列的矩阵表示。染色体中的元素(i，t)为整数，表示数据流在传输过程中经过路径p_i的传输场景的个数。染色体中的第t列表示在传输场景t经过路径p∈P的流量，此列各元素相加的和为d^t。用算法表示，令C_ln为输入随机整数矩阵，C_out为输出随机整数矩阵，需求向量D＝D(t)＝d^t，P_I(.)和C_out满足需求约束条件。为满足约束条件(3)和(6)，我们通过相关条件的计算，对路径采用列举计算的方式，来获得输出随机整数矩阵，从而产生一个满足约束条件(3)和(6)的染色体。采用如下伪代码表示：

所述步骤C中，采取下面两个办法满足链路的容量约束条件(5)：

①运用递归搜寻子步骤的办法满足链路容量约束条件；

②在目标函数中使用惩罚项惩罚违背链路容量的约束行为。

令在路径p中的剩余容量为： $\mathrm{free}\left(p\right)=\min \{c_{i,j}-x_{i,j}|(i,j)\∈A\&{\mathrm{\δ}}_p^{i,j}=1\},$ 当链路(i，j)∈A的容量违背约束条件时，路径p₁的剩余容量free(p₁)＜0。在这种条件下，存在如下两种情况：

1)假设在传输场景t₁路径p₁，p₂可用，并且free(p₂)＞0时。可减小至水平和增加至水平，其中Δ的取值范围为， $\mathrm{\Δ}\≤\min \{-\mathrm{free}\left(p_1\right),f_{p_1}^{t_1},\mathrm{free}\left(p_2\right)\};$

2)假设在传输场景t₁路径p₁，p₂可用，并且free(p₂)＝0，存在链路(i，j)共享p₂，有x_i，j-c_i，j＝0。因此必定在传输场景t₂存在包含链路(i，j)的路径p₃，使得以及存在路径p₄，使得free(p₄)＞0，可以较小至水平，和增加至水平，其中Δ的取值范围为： $\mathrm{\Δ}\≤\min \{-\mathrm{free}\left(p_1\right),f_{p_3}^{t_2},\mathrm{free}\left(p_4\right)\}.$

本发明的有益效果为：提供一种提高无线mesh网络传输能力的方法，通过建立无线Mesh网络扩展点吞吐量最优的模型、进行优化模型转换，以及采用相应的合适遗传算法(GA)获得工程最优解等步骤，实现了业务的高效传输。

附图说明

图1为具有回程链路和覆盖链路的无线mesh网络模型；

图2为流量需求预测单元结构示意图；

图3为业务状态观测单元结构示意图；

图4为有效带宽估计单元结构示意图；

具体实施方式

本发明针对无线mesh网络传输能力较低问题，提供一种提高无线mesh网络传输能力的方法，通过建立无线Mesh网络扩展点吞吐量最优的模型，进行优化模型转换，采用相应的合适遗传算法(GA)获得工程最优解等步骤，实现了业务的高效传输。

为达到上述目的，本发明的技术方案如下：

1.建立无线Mesh网络扩展点吞吐量最优的模型。为满足扩展点EP在传输场景(一组同时处于工作状态链路的集合)t下对业务流的需求，不仅在每一时刻要选择合适的传输路径，还要将业务流在每一个传输时刻进行分配。假设在传输场景t扩展点EP的流量需求为g，分配的传输时间为ζ_t，那么在总共T个传输场景所用传输时间为为在传输场景t从EP点i到EP点j的链路上的流量，为在EP点i到EP点j的链路上，在传输场景t下的最大传输速率，即链路容量。为使每个EP点的吞吐率最大，因此必须使得总的传输时间最小，因此我们可建立基于流量和链路的优化模型：

$\min \mathrm{\γ}=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\ζ}}_t$

$s.t.\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{x}_{i,j}^t\≤c_{i,j}^t{\mathrm{\ζ}}_t,\∀(i,j)\∈A---\left(1\right)$

$\underset{j:(i,j)\∈A}{\mathrm{\Σ}}{x}_{i,j}^t+\underset{j:(j,i)\∈A}{\mathrm{\Σ}}{x}_{j,i}^t=g,\∀i\∈N\∀t=1,...,T,---\left(2\right)$

$x_{i,j}^t\∈Z^{+},\∀(i,j)\∈A,\∀t=1,...,T.$

其中约束条件(1)为链路容量对业务流的约束，约束条件(2)为对扩展点EP的流量需求保证；

在传输场景t扩展点EP的流量需求g可通过流量需求预测单元获得，其结构如图2所示。其中业务状态观测单元如图3所示，有效带宽估计单元的结构如图4所示。

2.进行优化模型转换。由于上述模型的计算量较大，需要多次迭代，因此我们采用基于路径的变量来描述此优化问题，基于路径的模型描述与基于流量和链路的模型描述相比可大大降低迭代次数，因此上述模型可转换为如下的基于路径的优化模型：

$\min \{{\mathrm{\α}}_1\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{p\∈P^t}{\mathrm{\Σ}}{c}_p,f_p^t-{\mathrm{\α}}_2\underset{(i,j)\∈A}{\min }{s}_{i,j}\}$

$\begin{array}{cc}\mathrm{or}& \min {\mathrm{\α}}_1\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{p\∈P^t}{\mathrm{\Σ}}{c}_p{f}_p^t+{\mathrm{\α}}_2\underset{(i,j)\∈A}{\mathrm{\Σ}}{w}_{i,j}{\left(\frac{c_{i,j}-x_{i,j}}{c_{i,j}}\right)}^2,\end{array}$

$s.t.\underset{p\∈P^t}{\mathrm{\Σ}}{f}_p^t=d^t,\∀t=1,...,T,---\left(3\right)$

$s_{i,j}=c_{i,j}-\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{x}_{i,j}^t\≥0,\∀(i,j)\∈A,---\left(4\right)$

$x_{i,j}=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{p\∈P^t}{\mathrm{\Σ}}{\mathrm{\δ}}_p^{i,j}{f}_p^t\≤c_{i,j},\∀(i,j)\∈A,---\left(5\right)$

$f_p^t\∈Z^{+},p\∈P^t,\∀t=1,...,T.---\left(6\right)$

其中约束条件(3)表示在每一传输场景的网络中的业务流需求都能被完全满足，其中；约束条件(4)中x_i，j表示经过节点i到节点j的链路的流量，因此其必须小于或者等于链路所能提供的容量c_i，j，s_i，j为链路(i，j)的剩余容量；d^t表示在传输场景t相应的业务需求，P^t表示包含从起始节点到终止节点的吸收路径，为在传输场景t经过路径p的流量，c_p为路径p∈P^t的延迟，为链路和路径的关联矩阵，当链路(i，j)使用路径p时，反之w_i，j为减小链路(i，j)拥塞的权重，α₁，α₂为权重系数，并且α₁＝1-α₂。

3.采用相应的合适遗传算法(GA)获得工程最优解。令为路径集合，M为集合P中路径的个数，假设P¹，P²，...，P^k为矩阵P中的行向量， $P\_I\left(t\right)=\left\{\begin{array}{ccc}\left|P^1\right|,& \mathrm{for}& t=1,\\ P\_I(t-1)+\left|P^t\right|,& \mathrm{for}& t=2,...,T.\end{array}\right.,$ 其中|I|表示I中元素的个数，P_I(t)表示对于传输场景t，集合P中的哪一个行向量处于运行状态。在此GA算法中，一个染色体由一个M行和T列的矩阵表示。染色体中的元素(i，t)为整数，表示数据流在传输过程中经过路径p_i的传输场景的个数。染色体中的第t列表示在传输场景t经过路径p∈P的流量，此列各元素相加的和为d^t。用算法表示，令C_ln为输入随机整数矩阵，C_out为输出随机整数矩阵，需求向量D＝D(t)＝d^t，P_I(.)和C_out满足需求约束条件。为满足约束条件(3)和(6)，我们通过相关条件的计算，对路径采用列举计算的方式，来获得输出随机整数矩阵，从而产生一个满足约束条件(3)和(6)的染色体。采用如下伪代码表示：

采取下面两个办法满足链路的容量约束条件(5)：

②运用递归搜寻子步骤的办法满足链路容量约束条件；

②在目标函数中使用惩罚项惩罚违背链路容量的约束行为。

令在路径p中的剩余容量为：当链路(i，j)∈A的容量违背约束条件时，路径p₁的剩余容量free(p₁)＜0。在这种条件下，存在如下两种情况：

1)假设在传输场景t₁路径p₁，p₂可用，并且free(p₂)＞0时。可减小至水平和增加至水平，其中Δ的取值范围为， $\mathrm{\Δ}\≤\min \{-\mathrm{free}\left(p_1\right),f_{p_1}^{t_1},\mathrm{free}\left(p_2\right)\};$

2)假设在传输场景t₁路径p₁，p₂可用，并且free(p₂)＝0，存在链路(i，j)共享p₂，有x_i，j-c_i，j＝0。因此必定在传输场景t₂存在包含链路(i，j)的路径p₃，使得以及存在路径p₄，使得free(p₄)＞0，可以较小至水平，和增加至水平，其中Δ的取值范围为： $\mathrm{\Δ}\≤\min \{-\mathrm{free}\left(p_1\right),f_{p_3}^{t_2},\mathrm{free}\left(p_4\right)\}.$

Claims (2)

1.一种提高无线mesh网络传输能力的方法，解决无线mesh网络传输能力较低问题，包括以下步骤：

A、建立无线mesh网络扩展点吞吐量最优的模型，具体为为满足扩展点EP在传输场景t下对业务流的需求，不仅在每一时刻要选择合适的传输路径，还要将业务流在每一个传输时刻进行分配，假设在传输场景t扩展点EP的流量需求为g，分配的传输时间为ζ_t，那么在总共T个传输场景所用传输时间为为在传输场景t从EP点i到EP点j的链路(i,j)上的流量，相应的为在传输场景t从EP点j到EP点i的链路(i,j)上的流量，为在EP点i到EP点j的链路上在传输场景t下的最大传输速率，即链路容量，A为链路(i,j)的集合，j:(i,j)∈A为j的取值空间，为使每个EP点的吞吐率最大，因此必须使得总的传输时间最小，即传输时间γ最小，因此建立基于流量和链路的优化模型：

$\min \mathrm{\γ}=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\ζ}}_t$

$\begin{array}{cc}s.t.& \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{x}_{i,j}^t\≤c_{i,j}^t{\mathrm{\ζ}}_t,\∀(i,j)\∈A\end{array}---\left(1\right)$

$\underset{j:(i,j)\∈A}{\mathrm{\Σ}}{x}_{i,j}^t+\underset{j:(j,i)\∈A}{\mathrm{\Σ}}{x}_{j,i}^t=g,\∀i\∈N\∀t=1,...,T,---\left(2\right)$

$x_{i,j}^t\∈Z^{+},\∀(i,j)\∈A,\∀t=1,...,T,$

其中约束条件(1)为链路容量对业务流的约束，约束条件(2)为对扩展点EP的流量需求保证，在传输场景t扩展点EP的流量需求g可通过流量需求预测单元获得；

B、进行优化模型转换，具体为由于上述模型的计算量较大，需要多次迭代，因此我们采用基于路径的变量来描述此优化问题，基于路径的模型描述与基于流量和链路的模型描述相比可大大降低迭代次数，因此上述模型可转换为如下的基于路径的优化模型：

$\min \{{\mathrm{\α}}_1\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{p\∈P^t}{\mathrm{\Σ}}{c}_p{f}_p^t-{\mathrm{\α}}_2\underset{(i,j)\∈A}{\min }{s}_{i,j}\}$

$\begin{array}{cc}\mathrm{or}& \min {\mathrm{\α}}_1\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{p\∈P^t}{\mathrm{\Σ}}{c}_p{f}_p^t+{\mathrm{\α}}_2\underset{(i,j)\∈A}{\mathrm{\Σ}}{w}_{i,j}{\left(\frac{c_{i,j}-x_{i,j}}{c_{i,j}}\right)}^2\end{array},$

$\begin{array}{cc}s.t.& \underset{p\∈P^t}{\mathrm{\Σ}}{f}_p^t=d^t,\∀t=1,...,T,\end{array}---\left(3\right)$

$s_{i,j}=c_{i,j}-\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{x}_{i,j}^t\≥0,\∀(i,j)\∈A,---\left(4\right)$

$x_{i,j}=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{p\∈P^t}{\mathrm{\Σ}}{\mathrm{\δ}}_p^{i,j}{f}_p^t\≤c_{i,j},\∀(i,j)\∈A,---\left(5\right)$

$f_p^t\∈Z^{+},p\∈P^t,\∀t=1,...,T.---\left(6\right)$

其中约束条件(3)表示在每一传输场景的网络中的业务流需求都能被完全满足，其中约束条件(4)中x_i,j表示经过节点i到节点j的链路的流量，因此其必须小于或者等于链路所能提供的容量c_i,j，s_i,j为链路(i,j)的剩余容量；d^t表示在传输场景t相应的业务需求，P^t表示包含从起始节点到终止节点的吸收路径，为在传输场景t经过路径p的流量，c_p为路径p∈P^t的延迟，为链路和路径的关联矩阵，当链路(i,j)使用路径p时，反之w_i,j为减小链路(i,j)拥塞的权重，α₁,α₂为权重系数，并且α₁＝1-α₂；

C、采用相应的合适遗传算法获得工程最优解，其具体为令为路径集合，M为集合P中路径的个数，假设P¹,P²,...,P^k为矩阵P中的行向量， $P\_I\left(t\right)=\left\{\begin{array}{ccc}\left|P^1\right|,& \mathrm{for}& t=1,\\ P\_I(t-1)+\left|P^t\right|,& \mathrm{for}& t=2,...,T.\end{array}\right.,$ 其中|I|表示I中元素的个数，P_I(t)表示对于传输场景t，集合P中的哪一个行向量处于运行状态，在此遗传算法中，一个染色体由一个M行和T列的矩阵表示，染色体中的元素(i,t)为整数，表示数据流在传输过程中经过路径p_i的传输场景的个数，染色体中的第t列表示在传输场景t经过路径p∈P的流量，此列各元素相加的和为d^t，用算法表示,令C_ln为输入随机整数矩阵，C_out为输出随机整数矩阵，需求向量D＝D(t)＝d^t，P_I(.)和C_out满足需求约束条件，为满足约束条件(3)和(6)，我们通过相关条件的计算即对路径采用列举计算的方式，来获得输出随机整数矩阵，从而产生一个满足约束条件(3)和(6)的染色体。

2.根据权利要求1的方法，对于所述步骤C其特征在于：采取下面两个办法满足链路的容量约束条件(5)：运用递归搜寻子步骤的办法满足链路容量约束条件(5)和在目标函数中使用惩罚项惩罚违背链路容量的约束行为，其具体为令在路径p中的剩余容量为：当链路(i,j)∈A的容量违背约束条件(5)时，路径p₁的剩余容量free(p₁)<0，在这种条件下，存在如下两种情况：

1)假设在传输场景t₁路径p₁,p₂可用，并且free(p₂)>0时，可减小至水平和增加至水平，其中△的取值范围为 $\mathrm{\&Delta;}\&le;\min \{-\mathrm{free}\left(p_1\right),f_{p_1}^{t_1},\mathrm{free}\left(p_2\right)\};$

2)假设在传输场景t₁路径p₁,p₂可用，并且free(p₂)＝0，存在链路(i,j)共享p₂，有x_i,j-c_i,j＝0，因此必定在传输场景t₂存在包含链路(i,j)的路径p₃,使得以及存在路径p₄，使得free(p₄)>0，可以减小至水平，和增加至水平，其中△的取值范围为 $\mathrm{\&Delta;}\&le;\min \{-\mathrm{free}\left(p_1\right),f_{p_3}^{t_2},\mathrm{free}\left(p_4\right)\}.$