CN103906130B - 带有节点状态估计的拥塞控制方法 - Google Patents

Abstract

本发明公开了一种带有节点状态估计的拥塞控制方法，属于无线网络拥塞控制技术。包括：步骤一：利用马尔科夫链估算节点状态转移概率，从而估计下一时刻饱和状态以及非饱和状态节点数量；步骤二：节点估计其直接感知结果及来自于其他节点的间接感知结果，从而聚合直接感知与间接感知结果；步骤三：判定节点所在范围的拥塞状态，选择中继节点并限定转发数据数量，进而实施拥塞控制。该方法能够在保障数据有效传输的同时，对网络拥塞进行一定的控制，达到了提升网络资源利用率及降低。

Description

带有节点状态估计的拥塞控制方法

技术领域

本发明属于无线网络数据转发技术领域，具体是一种带有节点状态估计的拥塞控制方法。

背景技术

区别于传统移动自组织网络的数据转发机制，间断连接无线网络中节点之间的连接频繁间断，为了提高网络整体性能，常采用多副本转发数据，但数据副本在网络中的不断扩散将导致中继节点缓存空间逐渐饱和，使其无法为其他数据提供转发服务，进而造成网络拥塞。

显然，对于网络资源有限的间断连接无线网络来说，网络拥塞控制尤为重要。虽然，传统的传输控制协议(Transmission Control Protocol,TCP)能够较好地解决有线网络的拥塞控制问题，但是，TCP需要在限定时间内在源节点和目的节点之间快速反馈网络状态信息，从而达到拥塞控制的目的，然而，对于节点之间连接频繁间断的间断连接无线网络来说，网络状态信息传输延迟较大，TCP中的拥塞控制方法无法适用。

针对冗余副本导致网络拥塞的问题，目前已有的拥塞控制方法主要有：(1)负载均衡法（参见文献Radenkovic M,Grundy A.Efficient and adaptive congestion controlfor heterogeneous delay-tolerant networks[J].Ad Hoc Networks,2012,10(7):1322-1345.）：该算法中，节点检测到本地缓存区即将溢出时，则利用邻居节点剩余缓存转移本地节点缓存中的部分数据以降低拥塞，从而缓解拥塞严重的区域；(2)抑制数据法（参见文献Leela-Amornsin L,Esaki H.Heuristic congestion control for message deletion indelay tolerant network[M]//Smart Spaces and Next Generation Wired/WirelessNetworking.Springer Berlin Heidelberg,2010:287-298.）：在该算法中，首先判定是否存在相同的数据副本，进而对此类数据副本设定相应的暂停接收时间，并更新其他数据的传输概率，以通过降低网路中的冗余副本达到缓解网络拥塞的目的。这两种拥塞控制方法均未考虑本地节点所在范围内节点的拥塞状态。大量的数据转移将使得有限的网络资源无法为亟待发送的数据提供服务，且批量的传输数据将导致部分网络区域甚至全网区域出现拥塞。从而降低拥塞区域的数据传输效率，进而影响网络性能。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种保障数据有效传输的同时，降低网络拥塞、达到了提升网络资源利用率及降低冗余副本的带有节点状态估计的拥塞控制方法，本发明的技术方案如下：

一种带有节点状态估计的拥塞控制方法，其包括以下步骤：

101、节点A统计与其相遇的节点中饱和节点的数量N_s(t)和非饱和节点的数量N_v(t)，并得出节点A传输数据数量的上限M_max，然后根据马尔科夫模型估计与节点A相遇的节点的状态转移概率，包括非饱和节点转变成饱和的概率P_r(n,q)以及饱和节点转变成非饱和节点的概率P(t_min<△t)，即其中q表示相遇节点携带数据的数量，n表示相遇节点此次转发的数据中本地缓存中未保留的数据数量；处于饱和的节点状态转移的概率为其中△t表示给定的时间段，TTL表示数据生存时间，k表示饱和节点在丢包前携带数据数量；则相遇节点中非饱和节点状态转移的数量为N_act(t)=P_r(n,q)·N_max(t)，其中N_max(t)为非饱和节点状态转移数量上限，N_max(t)=N_v(t)；

102、然后估计下一时刻相遇节点中饱和节点数量，下一时刻处于饱和状态的节点主要包含两个部分：非饱和节点接收数据之后转变成饱和节点;删除TTL到期数据后而变成非饱和节点的饱和节点数量,根据公式N_s(t+△t)=N_act(t)+{N_s(t)-N_s(t)·P(t_min<△t)}估计下一时刻相遇节点中饱和节点数量，其中N_s(t)初始值N_s(0)为节点首次相遇节点中的饱和节点数量，采用时间序列指数平滑方法估计出下一时刻相遇节点中非饱和节点数量，即 表示当前时刻的指数平滑值；

103、根据步骤102中得到的N_s(t+△t)和N_v(t+△t)，采用D-S聚合法对相遇节点状态的转移概率进行权重量化，并得出节点A聚合直接感知和间接感知状态后非饱和节点影响节点A判定下一时刻拥塞状态的影响权重值饱和节点对节点A判定下一时刻拥塞状态的影响权重值相遇节点中，未能与节点A建立连接并未能确定其状态的这类节点对本次预测拥塞状态的影响权重值

104、根据步骤103中得到的计算本次连接数据转发数量的上限值其中，R_{i_al}为节点A携带数据总量，相遇节点若接收数据数量少于R_{i_se}时达到饱和状态，则中断本次连接；若节点A中数据在网络中存在时间达到自身数据生存时间TTL的75%时，则节点A不再转发数据存在时间高于75%TTL的数据，直到携带该数据的节点A与其目的节点相遇时才会被转发；然后节点A获取其缓存中数据的扩散率并按照扩散率的升序进行转发排序，若节点A预测出下一时刻其相遇节点均处于饱和状态，则节点A只转发本地缓存中最新产生的数据。

进一步的，步骤102中时间序列指数平滑方法中，采用α,1-α(0<α<1)为权重对下一刻相遇节点数量进行加权平均，即其中S_t-1分别表示当前时刻及前一时刻的指数平滑值，N_t(t)表示当前时刻相遇节点数量，α为节点相遇概率。

进一步的，步骤104中的数据扩散率值其中T_u为节点统计时间，C_d本地缓存和其相遇节点中拥有该数据副本的数量。

本发明的优点及有益效果如下：

在本方法中，对于网络中节点所在范围的拥塞状态的预测是通过节点通过运动过程中以直接获取及间接推荐的方式来实现的。节点根据预测的拥塞状态动态地为数据选择中继节点，利用最终的预测结果计算本次连接数据转发数量上限R_{i_se}，从而按照数据在网络中的生存时间及其扩散率V_msg选取符合要求的数据进行转发。本发明提出的带有节点状态估计的拥塞控制方法，能够在保障数据有效传输的同时，对网络拥塞进行有效的控制，达到了提升网络资源利用率及降低冗余副本的目的。

附图说明

图1是本发明所述方法的流程图；

图2为本发明中节点状态估计的拥塞控制流程图；

图3为本发明中节点状态转移的马尔科夫模型概率预测图。

具体实施方式

下面结合附图给出一个非限定性的实施例对本发明作进一步的阐述。

间断连接无线网络中存在三类状态的节点，分别是饱和状态的节点、非饱和状态的节点以及与本地节点未建立连接而状态未被获知的节点，且所有节点在网络中随机分布，节点的状态可以随着缓存的变化而发生转移。按照网络中节点状态的类型，节点状态之间会发生如下三种变化。这三种变化分别是：仍保持原状态不变、由非饱和状态转变成饱和状态、由饱和状态转变成非饱和状态。

在带有节点状态估计的拥塞控制中，节点在一个较小的时间段[t,t+△t]的运动过程中分别统计与其相遇节点中饱和节点的数量Ns(t)和非饱和节点的数量Nv(t)，并计算出在给定的时间[t,t+△t]内，节点可以传输数据数量的上限M_max；从而利用马尔科夫链估计其相遇节点状态转移的概率，即非饱和状态节点因接收数据后其剩余缓存不足以容纳一个数据而转变成饱和状态的概率P_r(n,q)以及饱和状态节点因缓存中数据生存时间截止而被丢弃之后转变成非饱和状态节点的概率P(t_min<△t)。即其中q表示相遇节点携带数据的数量；n表示相遇节点此次转发的数据中，本地缓存中未保留的数据数量。同时，处于饱和状态的节点因数据生存时间截止丢弃数据而状态转移的概率为其中△t表示给定的时间段，TTL表示数据生存时间，k表示饱和节点在丢包前携带数据数量。因此，相遇节点中非饱和节点状态转移的数量为N_act(t)=P_r(n,q)·N_max(t)，其中N_max(t)为非饱和节点状态转移数量上限，且N_max(t)=N_v(t)。从而可估计下一时刻相遇节点中饱和节点数量N_s(t+△t)=N_act(t)+{N_s(t)-N_s(t)·P(t_min<△t)}，其中N_s(t)初始值N_s(0)为节点首次相遇节点中的饱和节点数量。同时，节点根据基于历史信息采用适用于广义平稳随机过程的时间序列指数平滑方法预测下一时刻节点的相遇节点数量，即预测值其中分别表示当前时刻及前一时刻的指数平滑值，且初始值S₀为原时间序列的第一项，即节点首次估计下一时刻相遇节点数量，α为节点相遇概率，且节点相遇时间间隔服从指数分布。显然，在给定时间△t内，节点运动范围较小，因此，可认为节点所在区域的网络拓扑较稳定。至此，可以估计出下一时刻相遇节点中非饱和节点数量，即

然而，下一时刻相遇节点中处于各状态节点数量的实际值与预测值的误差直接影响所设计的拥塞控制方法的效果，若实际值与本次预测值误差较大，将导致节点无法做出正确的数据转发操作，从而降低了网络性能。同时，N_v(t+△t)、N_s(t+△t)并不能十分准确的描述下一时刻处于各状态的相遇节点数量。若在t时刻，节点通信范围的某些相遇节点与其他节点建立连接，节点则不能与之建立连接，从而不能确定这类节点的状态并获知这类节点的反馈信息。因此，节点按照上述方法所获知的拥塞状态并不是非常准确，从而使得拥塞控制过程也无法较好地适用于当前网络状况。因此，拥塞状态的确定需要充分考虑多个节点的工作状态，即节点自身的感知结果及与其相遇节点的间接推荐结果。为了更加准确、全面地获知当前网络状况，利用D-S证据理论对相遇节点状态的不确定性进行量化，首先，利用N_s(t+△t)和N_v(t+△t)归一化处理未能与本地节点建立连接，从而未能获知其状态的这类节点影响本地节点此次判定网络拥塞状态的权重值，即权重值其次，量化下一时刻非饱和状态节点数量N_v(t+△t)影响本地节点此次判定网络拥塞状态的权重值，即权重值最后，量化下一时刻饱和状态节点数量N_s(t+△t)影响本地节点此次判定网络拥塞状态的权重值，即权重值且满足同时，节点获取其相遇节点的间接信息之后，分别就采用均值法聚合获取的间接感知结果，即 最后节点采用加权平均方法对感知结果进行聚合，即 其中φ₁、φ₂为加权因子，且 其中γ为预测倾向因子。

在本方法中，对于网络中节点所在范围的拥塞状态的预测是通过节点通过运动过程中以直接获取及间接推荐的方式来实现的。节点根据预测的拥塞状态动态地为数据选择中继节点，利用最终的预测结果计算本次连接数据转发数量上限R_{i_se}，从而按照数据在网络中的生存时间及其扩散率V_msg选取符合要求的数据进行转发。

图1为本发明所述方法的流程图，如图所示，本方法主要包括以下步骤：利用马尔科夫链估算节点状态转移概率，从而估计下一时刻饱和状态以及非饱和状态节点数量，节点估计其直接感知结果及来自于其他节点的间接感知结果，从而聚合直接感知与间接感知结果，判定节点所在范围的拥塞状态，选择中继节点并限定转发数据数量，进而实施拥塞控制。

图2为本发明中节点状态估计的拥塞控制流程图，具体来说，包括以下步骤：

1.节点状态感知过程：

(1)网络特征：在带有节点状态估计的拥塞控制中，节点相遇时间间隔服从参数为λ的指数分布，节点在一个较小的时间段[t,t+△t]内，相遇节点数量服从泊松分布，节点运动过程中分别统计与其相遇节点中饱和节点数量N_s(t)和非饱和节点数量N_v(t)；

(2)估计下一时刻各状态节点数量：在给定的时间[t,t+△t]内，节点计算传输数据数量的上限其中B为链路容量，m_size为数据大小；从而利用马尔科夫链估计节点发生状态转移概率，即非饱和状态节点因接收数据后其剩余缓存不足以容纳一个数据而转变成饱和状态的概率P_r(n,q)以及饱和状态节点因缓存内数据生存时间截止而丢弃之后转变成非饱和状态的概率P(t_min<△t)。即其中q表示相遇节点携带数据的数量；n表示相遇节点此次转发的数据中，本地缓存中未保留的数据数量。同时，处于饱和状态的节点因数据生存时间截止丢弃数据而状态发生转移的概率为：其中△t表示给定的时间段，TTL表示数据生存时间，k表示节点在丢包前携带数据数量。因此，相遇节点中非饱和节点状态转移的数量为N_act(t)=P_r(n,q)·N_max(t)，其中N_max(t)为非饱和节点状态转移数量上限，且N_max(t)=N_v(t)。从而可估计下一时刻相遇节点中饱和节点数量N_s(t+△t)=N_act(t)+{N_s(t)-N_s(t)·P(t_min<△t)}，其中N_s(t)初始值N_s(0)为节点首次相遇节点中的饱和节点数量。假设{Xi,i=1,2,…,n}为节点相遇持续时间序列，则集合中任意X_i独立不相关，以α,1-α(0<α<1)为权重估计下一时刻的相遇节点数量，即其中S_t-1分别表示当前时刻及前一时刻的指数平滑值，且初始值S₀为原时间序列的第一项，即节点首次估计下一时刻相遇节点数量，α为节点相遇概率，且节点相遇时间间隔服从指数分布，因此节点在给定时间△t内的相遇概率为α=1-e^-△t。显然，在给定时间△t内，节点运动范围较小，因此，可认为节点所在区域的网络拓扑较稳定。至此，可以估计出下一时刻相遇节点中非饱和节点数量，即

2.估计转移概率并聚合节点状态信息：下一时刻相遇节点中处于各状态节点数量的实际值与预测值的误差直接影响所设计的拥塞控制方法的效果，若实际值与本次预测值误差较大，将导致节点无法做出正确的数据转发操作，从而降低了网络性能。同时，N_v(t+△t)、N_s(t+△t)并不能十分准确的描述下一时刻处于各状态的相遇节点数量。若在t时刻，节点通信范围的某些相遇节点与其他节点建立连接，节点则不能与之建立连接，从而不能确定这类节点的状态并获知这类节点的反馈信息。因此，节点按照上述方法所获知的拥塞状态并不是非常准确，从而使得拥塞控制过程也无法较好地适用于当前网络状况。因此，拥塞状态的确定需要充分考虑多个节点的工作状态，即节点自身的感知结果及与其相遇节点的间接推荐结果。为了更加准确、全面地获知当前网络状况，利用D-S证据理论对相遇节点状态的不确定性进行量化，首先，利用N_s(t+△t)和N_v(t+△t)归一化处理未能与本地节点建立连接，从而未能获知其状态的这类节点影响本地节点此次判定网络拥塞状态的权重值，即权重值其次，量化下一时刻非饱和状态节点数量N_v(t+△t)影响本地节点此次判定网络拥塞状态的权重值，即权重值最后，量化下一时刻饱和状态节点数量N_s(t+△t)影响本地节点此次判定网络拥塞状态的权重值，即权重值且满足同时，节点获取其相遇节点的间接信息之后，分别就采用均值法聚合获取的间接感知结果，即 最后节点采用加权平均方法分别对不同状态的感知结果进行聚合，即 其中φ₁、φ₂为加权因子，且 其中γ为预测倾向因子。

3.判定拥塞状态，选择中继节点并限定数据转发数量，实施拥塞控制过程：

(1)根据最终的预测结果计算本次连接数据转发数量的上限值，其转发数量的上限值其中，R_{i_al}为节点携带数据总量，相遇节点若接收数据数量少于R_{i_se}时达到饱和状态，则中断本次连接；

(2)若本地缓存中数据在网络中存在时间达到自身TTL的75%时，则节点不再转发本地缓存中数据存在时间高于75%TTL的数据，直到携带该数据的节点与其目的节点相遇，才会被投递；

(3)本地节点感知其缓存中数据的扩散率并按照扩散率的升序进行转发排序，即数据扩散率值其中T_u为节点统计时间，C_d本地缓存和其相遇节点中拥有该数据副本的数量；

(4)若节点预测出下一时刻其相遇节点均处于饱和状态，则节点只转发本地缓存中最新产生的数据。

如图3所示为本发明的节点状态转移的马尔科夫链概率，在间断连接无线网络中非饱和状态节点接收数据后仍处于非饱和状态的概率为P₁₁，非饱和状态节点接收数据后变成饱和状态的概率为P₁₂，饱和状态的节点不发生数据丢弃的概率为P₂₂，饱和状态的节点丢弃数据后变成非饱和状态的概率为P₂₁。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明方法权利要求所限定的范围。

Claims (3)

1.一种带有节点状态估计的拥塞控制方法，其特征在于包括以下步骤：

101、节点A统计与其相遇的节点中饱和节点的数量N_s(t)和非饱和节点的数量N_v(t)，并得出节点A传输数据数量的上限M_max，然后根据马尔科夫模型估计与节点A相遇的节点的状态转移概率，包括非饱和节点转变成饱和的概率P_r(n,q)以及饱和节点转变成非饱和节点的概率P(t_min＜Δt)，即其中q表示相遇节点携带数据的数量，n表示相遇节点此次转发的数据中本地缓存中未保留的数据数量；处于饱和的节点状态转移的概率为其中Δt表示给定的时间段，TTL表示数据生存时间，k表示饱和节点在丢包前携带数据数量；则相遇节点中非饱和节点状态转移的数量为N_act(t)＝P_r(n,q)·N_max(t)，其中N_max(t)为非饱和节点状态转移数量上限，N_max(t)＝N_v(t)；

102、然后估计下一时刻相遇节点中饱和节点数量，下一时刻处于饱和状态的节点主要包含两个部分：非饱和节点接收数据之后转变成饱和节点；删除TTL到期数据后而变成非饱和节点的饱和节点数量,根据公式N_s(t+Δt)＝N_act(t)+{N_s(t)-N_s(t)·P(t_min＜Δt)}估计下一时刻相遇节点中饱和节点数量，其中N_s(t)初始值N_s(0)为节点首次相遇节点中的饱和节点数量，采用时间序列指数平滑方法估计出下一时刻相遇节点中非饱和节点数量，即 表示当前时刻的指数平滑值；

103、根据步骤102中得到的N_s(t+Δt)和N_v(t+Δt)，采用D-S证据理论算法和均值聚合算法对相遇节点状态的转移概率进行权重量化，并得出节点A聚合直接感知和间接感知状态后非饱和节点影响节点A判定下一时刻拥塞状态的影响权重值饱和节点对节点A判定下一时刻拥塞状态的影响权重值相遇节点中，未能与节点A建立连接并未能确定其状态的这类节点对本次预测拥塞状态的影响权重值

104、根据步骤103中得到的计算本次连接数据转发数量的上限值其中，R_{i_al}为节点A携带数据总量，相遇节点若接收数据数量少于R_{i_se}时达到饱和状态，则中断本次连接；若节点A中数据在网络中存在时间达到自身数据生存时间TTL的75％时，则节点A不再转发数据存在时间高于75％TTL的数据，直到携带该数据的节点A与其目的节点相遇时才会被转发；然后节点A获取其缓存中数据的扩散率并按照扩散率的升序进行转发排序，若节点A预测出下一时刻其相遇节点均处于饱和状态，则节点A只转发本地缓存中最新产生的数据。

2.根据权利要求1所述的带有节点状态估计的拥塞控制方法，其特征在于：步骤102中时间序列指数平滑方法中，采用α,1-α(0＜α＜1)为权重对下一刻相遇节点数量进行加权平均，即其中S_t-1分别表示当前时刻及前一时刻的指数平滑值，N_t(t)表示当前时刻相遇节点数量，α为节点相遇概率。

3.根据权利要求1所述的带有节点状态估计的拥塞控制方法，其特征在于：步骤104中的数据扩散率值其中T_u为节点统计时间，C_d本地缓存和其相遇节点中拥有该数据副本的数量。