CN103200641B - 多射频多信道无线Mesh网络路由选择方法 - Google Patents

Abstract

本发明提出了多射频多信道无线Mesh网络路由选择方法。所述方法首先对链路上的期望传输时延进行改进，认定其由等待时间和传输时间两部分组成；然后引入负载尺度的概念，与期望传输时延共同构成路由判据LIBATD，并通过设置权重因子来均衡负载尺度及期望传输时延两者在路由选择时的重要性；最后将LIBATD与蚁群算法相结合，提出了转移概率、信息素更新和启发因子更新的方法。本发明以瓶颈传输时延和链路负载作为路由判据，与以跳数作为路由判据的传统方法相比，更能体现多射频多信道无线Mesh网络的特点，且本方法非常简单、易于实现，具有很好的应用前景。

Description

多射频多信道无线Mesh网络路由选择方法

技术领域

本发明属于无线通信技术领域，特别涉及多射频多信道无线Mesh网络路由选择方法。

背景技术

近年来，无线移动通信技术取得了长足的发展，移动通信给人们的生活方式带来了深刻的变革。无线Mesh网络（wirelessmeshnetwork，WMN）是一种新型的宽带接入网络，又被称为无线网状网。WMN技术是对传统组网方式的变革，并由此变革给传统的网络技术带来新的特性和新的需要解决的问题。WMN技术采用多点到多点通信的网络拓扑结构，在这种网络结构中，各网络节点通过相邻其他网络节点，以多跳的方式进行通信。WMN以其特殊的网状结构、高覆盖率、高可靠性等特点受到了越来越高的关注，越来越广泛地应用于军事、住宅、学校、购物中心和整个城市的无线通信，被认为是未来无线通信发展的关键技术。

随着WMN网络中的应用对数据传输性能的要求日益提高，使得对WMN网络的容量要求也越来越高。从而提出将多射频多信道（Multi-RadioMulti-Channel，MRMC）技术应用到WMN网络中，形成了MRMC-WMN网络。MRMC-WMN网络具有提升网络容量，增强数据传输的可靠性，减轻网络中的信道干扰，降低暴露终端和隐藏终端问题等诸多优点。尽管MRMC-WMN网络具有如此多的好处，但是如何在MRMC-WMN网络中寻找适合数据传输的路由仍然是一个难点问题。因此对路由优化方案的研究具有较高的理论研究价值和实际应用前景。

传统的路由协议主要包括：先应式路由协议，即每个节点无论通信与否都一直保留一条到其他任何节点的路由；反应式路由协议，即只有当节点需要选择路由时才进行路由计算；混合式路由协议，即将先应式路由协议和反应式路由协议结合起来。但是传统的路由协议大多是以跳数作为判据以期望获得数据传输的最短路径，这些路由协议并不能充分发挥MRMC-WMN网络多射频多信道的技术优势，无法满足MRMC-WMN网络中多媒体业务的QoS需求。因此合理的适用于MRMC-WMN网络的路由判据和路由优化方案有待于进一步研究。

发明内容

本发明所要解决的技术问题是为了克服现有技术的不足，针对上述问题提出多射频多信道无线Mesh网络路由选择方法。该方法以一种新的路由判据LIBATD为基础，该判据综合考虑了负载、干扰、及瓶颈传输时延，将其与蚁群优化算法相结合，在保证信息传输可靠性的前提下，寻找最优传输路径。该方法具有完备的数学优化模型，而且非常简单易于实现，具有很好的应用前景。

为了解决上述问题，本发明采用的技术方案是：多射频多信道无线Mesh网络路由选择方法，所述方法具体过程如下：

步骤A，确定路由判据LIBATD：

$\mathrm{LIBATD}\left(p\right)={\mathrm{\λ}}_d\×(d_{\max }-\max \left(\mathrm{LETD}\right))+{\mathrm{\λ}}_N\underset{e_{\mathrm{ij}}\∈p}{\mathrm{\Σ}}(N_{\max }-N_{e_{\mathrm{ij}}})$

LETD≤d_max

$N_{e_{\mathrm{ij}}}\≤N_{\max }$

其中，p表示路径，d_max表示最大可容忍时延，N_max表示链路最大可容忍负载，表示链路上的负载尺度；λ_d表示期望传输时延的权重因子，λ_N表示链路负载尺度的权重因子；e_ij表示节点i到节点j的链路；i、j是节点标号，为自然数；

max(LETD)表示该路径上的瓶颈时延，LETD是期望传输时延，其数学表达式为：

$\mathrm{LETD}=\underset{e_{\mathrm{ab}}\∈I\left(e_{\mathrm{ij}}\right)}{\mathrm{\Σ}}{\mathrm{ETT}}_{e_{\mathrm{ab}}}+{\mathrm{ETT}}_{e_{\mathrm{ij}}}$

其中I(e_ij)表示对链路e_ij产生干扰的所有链路的集合，e_ab是集合I(e_ij)中的元素，表示节点a到节点b的链路，a,b是节点标号，为自然数；表示数据在链路e_ab上传输的期望传输时间，表示数据在链路e_ij上传输的期望传输时间；

步骤B，将路由判据LIBATD与蚁群优化算法相结合，得到数据从节点i转移到下一跳节点j的概率公式P(i,j)：

$P(i,j)=\left\{\begin{array}{cc}\frac{{\left({\mathrm{\τ}}_{\mathrm{ij}}\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ij}}\right)}^{\mathrm{\β}}}{\underset{k\∈{\mathrm{ANS}}_n\left(i\right)}{\mathrm{\Σ}}{\left({\mathrm{\τ}}_{\mathrm{ik}}\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ik}}\right)}^{\mathrm{\β}}}& \mathrm{ifj}\∈{\mathrm{ANS}}_n\left(i\right)\\ 0& \mathrm{else}\end{array}\right.$

其中，τ_ij,τ_ik分别表示链路e_ij和e_ik上的信息素值，η_ij,η_ik表示链路e_ij,e_ik上的启发因子，参数α和β分别表示信息素和启发因子的重要程度，ANS_n(i)表示蚂蚁在当前节点i的下一跳节点的集合；k是节点编号，为自然数；

信息素τ_ij的更新方法为：

τ_ij←(1-ρ)τ_ij+Δτ_ij

其中，0≤ρ≤1为信息素挥发因子，Δτ_ij表示人工蚂蚁从节点i移动到节点j后链路e_ij上的信息素增量，Δτ_ij的计算方法为：

${\mathrm{\Δ\τ}}_{\mathrm{ij}}={\mathrm{\λ}}_d(d_{\max }-\max \left(\mathrm{LETD}\right))+{\mathrm{\λ}}_N(N_{\max }-\frac{N_p}{\left|p\right|})$

启发因子η_ij的更新方法为：

${\mathrm{\η}}_{\mathrm{ij}}={\mathrm{\λ}}_d(d_{\max }-\mathrm{LETD})+{\mathrm{\λ}}_N(N_{\max }-N_{e_{\mathrm{ij}}})$

其中，|p|表示路径p所包含的链路数，N_p表示路径p所包含的链路的负载之和。

本发明的有益效果是：本发明提出了多射频多信道无线Mesh网络路由选择方法。所述方法首先对链路上的期望传输时延LETD进行改进，认定其由等待时间和传输时间两部分组成；然后引入负载尺度的概念，与LETD共同构成路由判据LIBATD，并通过设置权重因子λ_d、λ_N来均衡两者在路由选择时的重要性；最后将LIBATD与蚁群算法相结合，提出了转移概率、信息素更新和启发因子更新的方法。本发明以瓶颈传输时延和链路负载作为路由判据，与以跳数作为路由判据的传统方法相比，更能体现多射频多信道无线Mesh网络的特点，且本方法非常简单、易于实现，具有很好的应用前景。

附图说明

图1为本发明方法流程图。

具体实施方式

为了更加详细的描述本发明提出的多射频多信道无线Mesh网络路由选择方法，结合附图，举例说明如下：

传统的路由优化方法大多以跳数作为路由判据，但这一方法已不能满足数据的传输要求，随着无线技术的发展，期望传输次数ETX和期望传输时间ETT作为新的路由判据应用的路由优化方法中。ETX和ETT的计算方法如下：

prob=1-(1-p_t)×(1-p_r)    （1）

$\mathrm{ETX}=\frac{1}{1-\mathrm{prob}}---\left(2\right)$

$\mathrm{ETT}=\mathrm{ETX}\×\frac{S}{B}---\left(3\right)$

其中p_t表示链路正向传输丢包率，p_r表示链路反向传输丢包率。prob表示传输数据包失败的概率。S是指数据包的长度，B是指链路带宽。

在多射频多信道无线Mesh网络中，每个节点安装有多个射频接口，不同的射频接口可以分配不同的信道，因此在同一节点实现数据的同时接收和发送时可能的。数据在链路上的期望传输时延LETD，可以被认为是由等待时延和传输时延两部分组成，通过期望传输时间ETT计算链路e_ij的期望传输时延LETD，如公式（4）所示：

$\mathrm{LETD}=\underset{e_{\mathrm{ab}}\∈I\left(e_{\mathrm{ij}}\right)}{\mathrm{\Σ}}{\mathrm{ETT}}_{e_{\mathrm{ab}}}+{\mathrm{ETT}}_{e_{\mathrm{ij}}}---\left(4\right)$

公式（4）中，I(e_ij)表示对链路e_ij产生干扰的所有链路的集合，包括同一路径内的链路干扰和其它路径的链路干扰。从公式（4）中可以看到LETD包含两部分，第一部分代表数据到达节点后，在节点等待传输的时间，第二部分表示数据在链路中的期望传输时间。

在实际的数据传输中，对于两条期望传输时延LETD相同，但负载不同的链路，我们更倾向于选择负载较低的链路传输数据，而很多路由判据都忽视了这一问题，很容易造成数据拥塞。为此LIBATD中引入了负载尺度的概念，定义每条链路的负载尺度为：

$N_{e_{\mathrm{ij}}}=\frac{Q_{e_{\mathrm{ij}}}}{B_{e_{\mathrm{ij}}}}---\left(5\right)$

其中为链路e_ij上将要传输的数据的队列长度，表示链路带宽。

综合（4）（5）式，对于路径p，LIBATD可表示为：

$\mathrm{LIBATD}\left(p\right)={\mathrm{\λ}}_d\×(d_{\max }-\max \left(\mathrm{LETD}\right))+{\mathrm{\λ}}_N\underset{e_{\mathrm{ij}}\∈p}{\mathrm{\Σ}}(N_{\max }-N_{e_{\mathrm{ij}}})---\left(6\right)$

LETD≤d_max

$N_{e_{\mathrm{ij}}}\≤N_{\max }$

其中d_max表示最大可容忍时延，N_max表示链路最大可容忍负载，LETD表示数据在某条链路上的期望传输时延，max(LETD)表示该路径上的瓶颈时延，表示链路上的负载尺度。λ_d和λ_N分别表示期望传输时延和链路负载尺度的权重因子。LIBATD路由判据在考虑了传输时延、链路的干扰范围、路径间的干扰和链路负载的问题，致力于充分化发挥多射频多信道Mesh网络的优势。

蚁群优化算法是一种性能优良的启发式优化算法，该算法模拟蚁群寻路的行为，通过信息素的不断更新达到寻找最优解的目的，被广泛应用于路由搜索方面。本节提出一种基于LIBATD的蚁群优化路由算法。在该路由算法中，源节点通过发送探测包来寻找到达目的节点的最优路径，实际上这些探测包就是蚁群算法中的人工蚂蚁，这些蚂蚁在所经过的路径上留下信息素，通过这些信息素计算蚂蚁到下一跳节点的转移概率，经过多次迭代后，信息素最高的传输路径为所求的最优解。

在该路由优化方案中每只人工蚂蚁都要维护如下信息表：TP，mLETD，N_p，STATE。TP记录了人工蚂蚁已经经过的节点集合，可以避免造成环路。mLETD表示人工蚂蚁经过的所有链路的最大LETD值，用于衡量本路径的瓶颈传输时延。N_p表示蚂蚁经过的路径中所有链路的负载之和，用于权衡所经过路径的负载情况。STATE用于记录蚂蚁的当前状态，包括下一跳节点集合是否为空和是否到达目的节点。

若蚂蚁n当前处在某节点i，其下一跳节点集合ANS_n(i)应满足如下条件：（1）ANS_n(i)中的任意节点都是节点i的邻居；（2）ANS_n(i)中的任意节点没有在人工蚂蚁的已经过节点集合TP中出现。（3）节点i与ANS_n(i)中任意节点形成的链路满足公式（6）中的不等式约束。若ANS_n(i)为空集，则蚂蚁必须回退到上一跳节点，重新选择下一跳节点。人工蚂蚁从节点i转移到下一跳节点j的概率如公式（7）所示：

$P(i,j)=\left\{\begin{array}{cc}\frac{{\left({\mathrm{\τ}}_{\mathrm{ij}}\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ij}}\right)}^{\mathrm{\β}}}{\underset{k\∈{\mathrm{ANS}}_n\left(i\right)}{\mathrm{\Σ}}{\left({\mathrm{\τ}}_{\mathrm{ik}}\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ik}}\right)}^{\mathrm{\β}}}& \mathrm{ifj}\∈{\mathrm{ANS}}_n\left(i\right)\\ 0& \mathrm{else}\end{array}\right.---\left(7\right)$

τ_ij表示节点i和j组成的链路e_ij上的信息素的值，η_ij表示节点i和j组成的链路e_ij上的启发因子，参数α和β反应选择路径时信息素和启发因子的重要程度。

当人工蚂蚁从源节点到达目的节点后，其所经过的路径所包含的链路的信息素需要进行更新，信息素τ_ij的更新方法如公式（8）所示：

τ_ij←(1-ρ)τ_ij+Δτ_ij    （8）

其中0≤ρ≤1为信息素挥发因子，可以消弱链路上的信息素，用于控制信息素的无限增长，尽可能避免进入局部最优化；Δτ_ij表示人工蚂蚁从节点i移动到节点j后，链路e_ij上的信息素增量。

假设人工蚂蚁从源节点到达目的节点经过的路径为p，为了充分利用蚂蚁经过路径的全局信息，Δτ_ij用公式（9）表示：

${\mathrm{\Δ\τ}}_{\mathrm{ij}}={\mathrm{\λ}}_d(d_{\max }-\max \left(\mathrm{LETD}\right))+{\mathrm{\λ}}_N(N_{\max }-\frac{N_p}{\left|p\right|})---\left(9\right)$

|p|表示路径p所包含的链路数，N_p表示路径p所包含的链路的负载之和。从（9）式可以看出，链路上的信息素的增量是受其所在路径的全局信息影响的。为了平衡全局信息和局部信息的关系，蚁群算法中引入了启发因子η_ij。

反映局部信息的启发因子η_ij定义为：

${\mathrm{\η}}_{\mathrm{ij}}={\mathrm{\λ}}_d(d_{\max }-\mathrm{LETD})+{\mathrm{\λ}}_N(N_{\max }-N_{e_{\mathrm{ij}}})---\left(10\right)$

根据以上的分析，可以得到如下算法流程：

第一步：初始化网络基本参数，初始化网络中各条链路的信息素，各链路的信息素增量置为0。将M只人工蚂蚁放置在源节点上。

第二歩：每只蚂蚁从当前节点出发，通过各链路的信息素和启发因子，计算转移概率，选择下一跳节点。当蚂蚁到达下一跳节点后，对其所维护的信息表进行更新。

第三步：判断蚂蚁所在当前节点的下一跳节点集合是否为空，若为空集，则将蚂蚁回退到上一跳接点，并且在此次路由选择的过程中，将当前节点从上一跳节点的ANS_n(i)中删除。

第四步：重复第二、三步，直到蚂蚁到达目的节点。通过蚂蚁维护的信息表中的值计算所经过路径上每条链路的信息素增量，更新链路上的信息素。

第五步：选择LIBATD值最大的路径作为源节点到目的节点的最优传输路径，更新该路径中各节点的路由表。

Claims (1)

1.多射频多信道无线Mesh网络路由选择方法，其特征在于，所述方法具体过程如下：

步骤A，确定路由判据LIBATD：

$\mathrm{LIBATD}\left(p\right)={\mathrm{\λ}}_d\×(d_{\max }-\max \left(\mathrm{LETD}\right))+{\mathrm{\λ}}_N\underset{e_{\mathrm{ij}}\∈p}{\mathrm{\Σ}}(N_{\max }-N_{e_{\mathrm{ij}}})$

LETD≤d_max

$N_{e_{\mathrm{ij}}}\≤N_{\max }$

其中，p表示路径，d_max表示最大可容忍时延，N_max表示链路最大可容忍负载，表示链路上的负载尺度，且其中为链路e_ij上将要传输的数据的队列长度，表示链路带宽；λ_d表示期望传输时延的权重因子，λ_N表示链路负载尺度的权重因子；e_ij表示节点i到节点j的链路；i、j是节点标号，为自然数；

max(LETD)表示该路径上的瓶颈时延，LETD是期望传输时延，其数学表达式为：

$\mathrm{LETD}=\underset{e_{\mathrm{ab}}\∈I\left(e_{\mathrm{ij}}\right)}{\mathrm{\Σ}}{\mathrm{ETT}}_{e_{\mathrm{ab}}}+{\mathrm{ETT}}_{e_{\mathrm{ij}}}$

其中I(e_ij)表示对链路e_ij产生干扰的所有链路的集合，e_ab是集合I(e_ij)中的元素，表示节点a到节点b的链路，a,b是节点标号，为自然数；表示数据在链路e_ab上传输的期望传输时间，表示数据在链路e_ij上传输的期望传输时间；

步骤B，将路由判据LIBATD与蚁群优化算法相结合，得到数据从节点i转移到下一跳节点j的概率公式P(i,j)：

$P(i,j)=\left\{\begin{array}{cc}\frac{{\left({\mathrm{\τ}}_{\mathrm{ij}}\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ij}}\right)}^{\mathrm{\β}}}{\underset{k\∈{\mathrm{ANS}}_n\left(i\right)}{\mathrm{\Σ}}{\left({\mathrm{\τ}}_{\mathrm{ik}}\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ik}}\right)}^{\mathrm{\β}}}& \mathrm{ifj}\∈{\mathrm{ANS}}_n\left(i\right)\\ 0& \mathrm{else}\end{array}\right.$

其中，τ_ij,τ_ik分别表示链路e_ij和e_ik上的信息素值，η_ij,η_ik表示链路e_ij,e_ik上的启发因子，参数α和β分别表示信息素和启发因子的重要程度，ANS_n(i)表示蚂蚁在当前节点i的下一跳节点的集合；k是节点编号，为自然数；

信息素τ_ij的更新方法为：

τ_ij←(1-ρ)τ_ij+Δτ_ij

其中，0≤ρ≤1为信息素挥发因子，Δτ_ij表示人工蚂蚁从节点i移动到节点j后链路e_ij上的信息素增量，Δτ_ij的计算方法为：

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}={\mathrm{\λ}}_d(d_{\max }-\max \left(\mathrm{LETD}\right))+{\mathrm{\λ}}_N(N_{\max }-\frac{N_p}{\left|p\right|})$

启发因子η_ij的更新方法为：

${\mathrm{\η}}_{\mathrm{ij}}={\mathrm{\λ}}_d(d_{\max }-\mathrm{LETD})+{\mathrm{\λ}}_N(N_{\max }-N_{e_{\mathrm{ij}}})$

其中，|p|表示路径p所包含的链路数，N_p表示路径p所包含的链路的负载之和。