CN103561443A - 基于时间和空间预测的无线自组网自适应转发方法 - Google Patents

Abstract

本发明涉及一种无线自组网机会转发方法，属于无线传感器网络传输领域。基于时间和空间预测的无线自组网自适应转发方法，具体包括如下部分：1）构建干扰度优化的连通子图，2）构建出基于连通子图的联系时空预测模型，3）探测出联系时空预测模型中时间序列异常值，4）基于时间和空间预测的自适应机会确定确定转发模型。本发明可以将无线自组网建模为社会网络，进而建立合适的时空联系移动预测模型，并通过贝叶斯方法对预测模型中的时间序列进行优化，提出一种高效的机会转发机制，提高无线自组网的性能。而且本发明可在网络拓扑结构频繁改变的情况下，实现自适应的高效预测与转发。

Description

基于时间和空间预测的无线自组网自适应转发方法

技术领域

本发明涉及一种无线自组网机会转发方法，特别涉及一种基于时间和空间预测的无线自组网自适应转发方法，属于无线传感器网络传输领域。

背景技术

目前无线自组网中的机会转发机制主要包含以下4类：

1、基于冗余的转发机制——每个消息产生多个冗余消息在网络中扩散，通过多路径并行传输提高消息传输性能，通信代价高。

2、基于效用的转发机制——利用预测函数给每个节点赋予转发效用值，当两个节点相遇时，消息从效用值低的节点转发到效用值高的节点，直到目标节点，实时性欠缺。

3、冗余效用混合机制——代价高昂。

4、基于主动运动的转发机制——网络中某些节点在部署区域内主动运动来为其他节点提供通信服务，传输效率有所提高，但无自适应机制。

发明内容

本发明研究开发了一种基于时间和空间预测的无线自组网自适应转发方法，目的在于：提出一种高效的自适应机会转发机制，提高无线自组网的数据转发效能和可靠性。

本发技术方案：

基于时间和空间预测的无线自组网自适应转发方法，其特征在于，具体包括如下部分：1）、构建干扰度优化的连通子图，

2）、构建出基于连通子图的联系时空预测模型，

3）、探测出联系时空预测模型中时间序列异常值，

4）、基于时间和空间预测的自适应机会确定确定转发模型。

所述步骤1）中具体包括确定网络初始结构的网络连通度，并对网络干扰度进行优化，最后保持网络连通度的拓扑结构得到优化。

所述步骤2）中具体方法为：根据移动节点联系时间和联系时间间隔分布确定时间预测公式，并结合联系规律预测和空间位置预测从而得到转发节点预测。

所述步骤3）的具体方法为：先对时间序列进行建模，然后转换为线性回归模型，结合线性回归模型异常值探测的贝叶斯方法，提出平稳时间序列异常值探测的方法。

所述步骤4）的具体方法为：对未来节点的时间和空间的联系概率进行预测，并利用贝叶斯方法对预测中的时间序列进行优化，确定转发模型，在节点相遇的时候转发分组。

本发明的有益效果是:本发明可以将无线自组网建模为社会网络，进而建立合适的时空联系移动预测模型，并通过贝叶斯方法对预测模型中的时间序列进行优化，提出一种高效的机会转发机制，提高无线自组网的性能。而且本发明可在网络拓扑结构频繁改变的情况下，实现自适应的高效预测与转发。

附图说明

图1为本发明连通子图生成模型结构图。

图2为本发明时空联系移动预测模型结构图。

图3为本发明时间序列异常值探测模型结构图。

图4为本发明时空机会转发模型结构图。

图5为本发明BJ建模方法流程结构图。

具体实施方式

下面结合实施例对本发明进行进一步描述。

实施例一：

如图1至图4所示，基于时间和空间预测的无线自组网自适应转发方法，具体包括如下部分：1）、构建干扰度优化的连通子图，

2）、构建出基于连通子图的联系时空预测模型，

3）、探测出联系时空预测模型中时间序列异常值，

4）、基于时间和空间预测的自适应机会确定确定转发模型。

所述步骤1）中具体包括确定网络初始结构的网络连通度，并对网络干扰度进行优化，最后保持网络连通度的拓扑结构得到优化。

所述步骤2）中具体方法为：根据移动节点联系时间和联系时间间隔分布确定时间预测公式，并结合联系规律预测和空间位置预测从而得到转发节点预测。

所述步骤3）的具体方法为：先对时间序列进行建模，然后转换为线性回归模型，结合线性回归模型异常值探测的贝叶斯方法，提出平稳时间序列异常值探测的方法。

所述步骤4）的具体方法为：对未来节点的时间和空间的联系概率进行预测，并利用贝叶斯方法对预测中的时间序列进行优化，确定转发模型，在节点相遇的时候转发分组。

实施例二：

如图1所示，将无线自组网的拓扑用图的形式进行形式化的描述，并通过子图的生成算法，将原始的全连通的图简化为一张新的能够保持连通性的子图。新的拓扑结构图在保持整个无线自组网连通度不变的情况下，尽可能的简化网络的拓扑结构和降低网络中的互相干扰，同时有效的减小了其它算法执行的复杂度。

如图2所示，对整个拓扑图中的具有相似联系概率的节点进行合理的划分。然后，结合节点联系时间和联系间隔的时间分布，以及节点的空间位置的变化规律，预测转发节点并建立相应的时空预测模型。

如图3所示，由于时间序列的观测值经常会受到异常扰动的影响，因此，在综合利用先验信息与观测信息的基础上，在一定的限制条件下，将时间序列的异常值探测问题转化为线性回归模型的异常值探测问题，结合线性回归模型异常值探测的贝叶斯方法，提出平稳时间序列异常值探测的方法。

如图4所示，结合前述手段，在满足连通度的要求的连通子图的基础上，对未来节点的时间和空间的联系概率进行合理预测，并利用贝叶斯方法对预测中的时间序列进行合理的优化，确定转发模型，在节点相遇的时候转发分组。

实施例三：

整个转发方法包括4个部分，分别是：连通子图生成方法、时空联系移动预测模型、时间序列异常值探测模型、基于时空预测的机会转发模型。

(1)、连通子图的生成方法

如图1所示，将整个自组网用图的形式表示，根据干扰度的评估情况来选择链路并添加到空的子图G’(V,E’)中，并在每次添加了新的链路后采用低计算成本算法，重新计算新添加链路的两端点的一定范围内的终端的干扰度，以确定该链路是否确定添加。通过以上方法将原有网络中的链路不断地添加到新的拓扑结构中，直到所得到的拓扑结构是K连通的。为了降低计算复杂度我们采用新的算法来评估是否达到K连通，以便适应无线自组网的实际状况。

(2)、时空联系移动预测模型

如图2所示，

●模型首先预测节点间的历史联系规律，在步骤(1)生成的连通子图中有n个节点，构造历史联系概率矩阵P且其中的数值按如下方法进行更新:

$p_{\mathrm{ij}}=c_{\mathrm{ij}}/{\mathrm{\Σ}}_{k-1}^n{c}_{\mathrm{ik}}$     则矩阵P中的元素是最新节点间联系概率的平均值。

●接着进行移动节点联系时间以及联系间隔时间分布预测

充分发掘节点间的相遇机会，提高转发的概率。节点间的联系时间呈指数分布，联系时间的间隔呈幂律分布，在推测出节点的联系时间和联系时间间隔分布的基础上再推测出任意两个节点在给定的时间范围内相遇的可能性以及相遇后彼此交换分组的时间即联系时间的可能性。以便节点在移动的过程中预测它最有可能和哪些节点相遇以及与这些节点相遇的期望时间。

假设以s_ij和t_ij来表示移动节点i和j的联系时间和联系时间间隔，构造出节点联系时间矩阵S和节点联系时间间隔矩阵T，这两个矩阵都是随机矩阵，也是预测的基础。矩阵S和T初始值可以根据节点间的历史联系时间平均与历史联系时间样本平均来表示，在节点间每次相遇后利用指数滑动平均法来更新矩阵S和T中的元素。例：若以s_ij,s_a,s'_ij分别表示节点i和j的历史联系时间，联系时间平均值以及最新的联系时间，而t_ij,t_a,t'_ij分别表示节点i和j的历史联系时间间隔，联系时间间隔平均值以及最新的联系时间间隔，则矩阵S与T中元素的更新类似于矩阵P中元素的更新（移动加权平均法）。

●然后构建移动节点空间位置预测模型

充分发掘节点的未来位置信息，提高节点间未来联系的预测准确性。算例：将整个网络中节点所处的空间位置区域用矩形表示，即包含整个物理拓扑的一个最小矩形。然后将此矩形水平和垂直地划分为成一个单位大小的单元(cell)，然后对此cell进行从上到下从左到右的编号，假设共有m²个cell，则网络中每个节点的移动轨迹就可以利用这些cell的编号来表示。设当前移动节点处在(x,y)这个cell中，则此单元cell的编号就可以表示为(y-1)m+x，即说明移动节点所处的单元cell的编号其实就是其坐标位置的逻辑表示，基于此逻辑上的空间坐标表示，就可以建立节点的半马尔可夫位置预测模型，从而体现出节点联系预测模型的空间位置规律变化。（省略具体公式）

●最后建立完整的移动转发节点预测模型

当前转发节点在移动的过程需要预测将来可能相遇的转发节点，以及需要多长的时间才能和这些节点相遇。以节点联系概率矩阵P和节点联系时间矩阵S以及节点联系间隔时间矩阵T为预测基础。从矩阵P获取最有可能与当前移动转发节点相遇的节点，从矩阵T求出当前节点需要等待多长时间才能和这些节点相遇，矩阵S就表示当前移动转发节点与相遇节点能够交换数据的时间长度。在前述步骤中已获取节点联系时间间隔的幂律分布特点的基础上，求出节点间联系时间的数学期望和方差，同样的方法确定矩阵T的数学期望和方差。他们分别为：E(t_ij)和Var(t_ij)，于是可知节点i在移动过程中就可预知最多经过E(t_ij)+Var(t_ij)和最少需要E(t_ij)-Var(t_ij)长时间才能与节点j相遇且平均需要E(t_ij)长时间，从而构建完整的移动转发节点预测模型。

(3)、时间序列异常值探测方法

利用BJ（Box-Jenkins）方法进行建模，以便探测到时间序列中的异常值。

如图5所示，首先输入预测数据，接着将时间序列平稳化。采用AR(p)序列的偏相关函数和MA(q)序列的自相关函数的截尾性以及ARMA(p,q)序列的偏相关函数和自相关函数的拖尾性作为计算依据。随后判断时间序列的自相关函数和偏相关函数的截尾性或拖尾性，以便确定其适合阶数。

接下来估计出模型的参数，进一步识别和应用模型。设{Zi}为一AR(p)序列，那么该序列满足:

Z_i=Φ₁Z_i-1-T_n≤t|S_n+1=j,S_n=i

进一步写成矩阵的形式，Y=XΦ+δ，其中

Y=(Z_p+1,…,Z_n)^z，Φ=(Φ₁,…,Φ_p)^z，δ=(δ_p+1,…,δ_n)^z

然后采用基 $\underset{(N-p)*p}{X}=\left[\begin{array}{cccc}{z}_p& z_{p-1}& ...& z_1\\ z_{p+1}& z_p& ...& z_2\\ ...& ...& ...& ...\\ z_{n-1}& z_{n-2}& ...& z_{n-p}\end{array}\right]$ 于均值漂移模型的后验概率来进行时间序列的异常值探测。假设δ_i的标准分布为N(0,σ²)，备选分布为N(γ,σ²)(γ≠0)，那么观测值为异常值的先验概率相等，所以N(0,σ²)服从无信息先验分布，若X(J)为列满秩矩阵，则事件Bj发生的后验证概率可表示为

其中 $p\left(B_j\right|Y)=\frac{{\left|X{\left(J\right)}^{T}X\left(J\right)\right|}^{\frac{1}{2}}\left[\mathrm{RSS}{\left(J\right)}^{-(N-2p-k)/2}\right]}{\underset{J}{\mathrm{\Σ}}\left\{{\left|X{\left(J\right)}^{T}X\left(J\right)\right|}^{-\frac{1}{2}}\right\}\left[\mathrm{RSS}{\left(J\right)}^{-(N-2p-k)/2}\right]}$

$\mathrm{RSS}\left(J\right)={[Y\left(J\right)-X\left(J\right)\widehat{\mathrm{\φ}}\left(J\right)]}^T[Y\left(J\right)-X\left(J\right)\widehat{\mathrm{\φ}}\left(J\right)]$

$\widehat{\mathrm{\φ}}\left(J\right)={(X{\left(J\right)}^T*X\left(J\right))}^{-1}X{\left(J\right)}^{T}Y\left(J\right)$

从而探测出时间序列中的异常值，提高抗扰动性能。

(4)、基于时空预测的机会转发模型

最后，综合运用以上思想，提出有效的基于时空预测的机会转发算法，整个步骤如下：首先将整个网络用连通子图的方法,对整个网络的干扰度进行优化,并且精简网络的拓扑结构。然后，在生成的连通图中的，对各个节点通过对保存的历史联系记录数据进行分析，构建历史联系概率矩阵P，根据P中节点间的相似联系概率建立基于相应的联系时空图。基于该联系时空图的分组转发步骤大致为:首先确定当前移动节点在移动的过程中，即将建立联系的节点。然后进一步利用矩阵T中分别确定与这些节点相遇的联系时间间隔，优先选择联系间隔时间较短的下一个的节点，并利用移动节点空间位置预测模型中的思想来预测在经过相应的联系间隔时间后，这些即将相遇节点的实际位置，进一步确认当前移动节点是否可以与由前面挑选的节点相遇。紧接着确定当前移动节点与即将相遇的节点的距离位置关系，并求出在经过相应联系间隔时间后的相遇概率大小，然后节点处于对应的通信范围且时空机会转发效用最大的移动节点作为下一跳候选节点，并利用矩阵S来分别确定与上步中所选节点的联系时间，然后在这有限的联系时间内，向这些节点转发尽可能多地分组。转发后的分组需要从当前移动节点的缓冲中删除，减少缓存空间的占用率。在无线自组网的拓扑结构频繁变化的情况下，应用该预测模型，能拥有比现有转发方法更高的转发效能和可靠性。

前面提供了对较佳实施例的描述，以使本领域内的任何技术人员可使用或利用本发明。对这些实施例的各种修改对本领域内的技术人员是显而易见的，可把这里所述的总的原理应用到各其他实施例而不使用创造性。因而，本发明将不限于这里的所示的实施例，而应依据符合这里所揭示的原理和新特征的最宽范围。

Claims (5)

1.基于时间和空间预测的无线自组网自适应转发方法，其特征在于，具体包括如下部分：

1）、构建干扰度优化的连通子图，

2）、构建出基于连通子图的联系时空预测模型，

3）、探测出联系时空预测模型中时间序列异常值，

4）、基于时间和空间预测的自适应机会确定确定转发模型。

2.根据权利要求1所述的基于时间和空间预测的无线自组网自适应转发方法，其特征在于：所述步骤1）中具体包括确定网络初始结构的网络连通度，并对网络干扰度进行优化，最后保持网络连通度的拓扑结构得到优化。

3.根据权利要求1所述的基于时间和空间预测的无线自组网自适应转发方法，其特征在于：所述步骤2）中具体方法为：根据移动节点联系时间和联系时间间隔分布确定时间预测公式，并结合联系规律预测和空间位置预测从而得到转发节点预测。

4.根据权利要求1所述的基于时间和空间预测的无线自组网自适应转发方法，其特征在于：所述步骤3）的具体方法为：先对时间序列进行建模，然后转换为线性回归模型，结合线性回归模型异常值探测的贝叶斯方法，提出平稳时间序列异常值探测的方法。

5.根据权利要求1所述的基于时间和空间预测的无线自组网自适应转发方法，其特征在于：所述步骤4）的具体方法为：对未来节点的时间和空间的联系概率进行预测，并利用贝叶斯方法对预测中的时间序列进行优化，确定转发模型，在节点相遇的时候转发分组。

Images