CN104468192B - 一种多尺度多权重链路质量评估的路由方法 - Google Patents
一种多尺度多权重链路质量评估的路由方法 Download PDFInfo
- Publication number
- CN104468192B CN104468192B CN201410625631.2A CN201410625631A CN104468192B CN 104468192 B CN104468192 B CN 104468192B CN 201410625631 A CN201410625631 A CN 201410625631A CN 104468192 B CN104468192 B CN 104468192B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- moment
- link
- mover
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种多尺度多权重链路质量评估的路由方法。采用随机过程理论对链路质量与路径质量进行数学建模,将链路的稳定性作为路由选路的准则,形成了基于稳定链路的稳定路由策略。针对移动自组网中语音网络通信的具体应用需求,提出了多尺度评测链路质量指标集和链路综合评价指标,既减少了方案设计的复杂度又节约了节点有限的计算资源。同时本发明引入基于时间序列分析的卡尔曼滤波方法对样本进行预处理,形成了比较完备的链路稳定性计算和预测机制。另外本发明还引入权重层级划分与权重轮换机制,使得路由协议性能在闭环条件下实现稳态优化,提高了多尺度链路稳定模型的实用性和适应性。
Description
技术领域
本发明涉及一种多尺度多权重链路质量评估的路由方法。
背景技术
随着各个行业的发展,移动自组织网络正得到越来越广泛的应用。实时音视频业务在移动自组织网络应用领域的重要性不言而喻,很多行业都需要使用该业务,包括军用侦查无人机,警用移动终端等应用都涉及其中,因而实时音视频业务在移动自组织网络的应用是一个应用较为广泛的范畴。但是由于移动自组织网络技术缺乏QoS(Quality ofService,服务质量)支持,多媒体业务应用受到较多限制,存在很多问题,直接影响了实时多媒体业务的进一步发展。在移动自组网中,如何合理、有效的利用网络资源,提高数据传输性能,进而为各种业务提供服务质量保障,即在移动自组网中提供QoS支持成为焦点。移动自组网QoS保障对协议栈各组件设计提出了相应的要求,路由层则体现为QoS路由问题,其首要任务就是在源节点和目的节点之间寻找一条高可靠路径。
移动自组网中每个节点兼有终端和路由的功能,不在彼此无线信号覆盖范围内的节点之间的通信需要借助中间节点转发完成,参与数据传输的相邻节点之间的链路共同组成了从源节点到目的节点的路径。这种方式提高了网络数据传输的灵活性,同时也带来了许多问题。比如,当中间节点的电池电量耗尽或移动超出了其邻节点的无线信号传输范围,则与此节点相关的链路就会中断,从而造成从源节点到目的节点的路径失效,导致数据包丢失或传输延迟等问题。从直观上看,链路的稳定性关系到路由选择的路径是否稳定,链路越稳定,则链路形成的路径越可靠,因此,选择高质量链路是实现路由可靠性的前提条件。目前国内外针对链路质量评估的研究开展了许多工作,综合分析各种链路评价方案,目前链路评价方案存在以下缺陷:
(1)样本空间(即影响链路质量的参数)存在耦合性,评估结果与实际有偏差;
(2)针对特定拓扑环境,可扩展性差;
(3)简单将路径质量与链路质量的关系等价为最小链路质量的定性分析,给需要定量计算的路由选择带来不便;
发明内容
要解决的技术问题
为了解决无线自组织网络在实际应用中语音、视频等多媒体业务中存在的服务质量(QoS)问题,针对传统的路由协议不能够很好的处理链路质量的可靠性问题这一情况,提出了一种多尺度多权重链路质量评估的路由方法。
技术方案
一种多尺度多权重链路质量评估的路由方法,其特征在于步骤如下:
步骤1:源节点使用全向天线向周边发送邻居探测信息报文和接收邻居节点发送过来的邻居探测信息报文;
步骤2:根据节点间交换的邻居探测信息报文,收集一跳或两跳邻居信息,由收到邻居节点信息报文的多少计算出节点的网络密度:
Network_scale表示网络的节点总数,Neighbor_Num表示节点的邻居个数;
步骤3:使用累积参数法计算邻节点的信号强度值:
Scumj=αScumj+(1-α)Sj
Sj代表当前时刻采集到的信号强度值,Scumj代表该时刻上一时刻的累积信号强度,α为亲和参数;
步骤4:由操作系统统计节点CPU使用率,由下式计算报文队列的空闲率:
Qfree表示报文队列的空闲率,length表示报文队列的总长度,queued_length表示已经占用的报文队列长度;
步骤5:将步骤2-4得到的节点的网络密度、邻节点的信号强度值、节点CPU使用率和报文队列的空闲率分别代入结合时间序列分析的Kalman滤波模型中对链路状态向量进行滤波和预测:
步骤a:根据链路状态向量的时间序列计算各链路状态的回归参数τj,φ1j,j=1,2,3,,确定状态转移方程中的状态转移矩阵A和水平向量β,计算量测误差阵Rk:
步骤b:依据Kalman滤波模型进行状态向量k时刻的滤波和k+1时刻的预测:
滤波实现过程:
时间更新:
量测更新:
预测实现过程:
时间更新:
量测更新:
Qk为k时刻的过程噪声方差阵;Qk+1为k+1时刻的过程噪声方差阵;xk为k时刻的最优线性估计;xk-1为k-1时刻的最优线性估计;xk|k-1为k-1时刻推出k时刻的最优线性估计;xk+1|k为k时刻推出k+1时刻的最优线性估计;Pk为k时刻的基于卡尔曼滤波的状态协方差估计;Pk-1为k-1时刻的基于卡尔曼滤波的状态协方差估计;Pk|k-1为k-1时刻推出k时刻的基于卡尔曼滤波的状态协方差估计;Pk|k为k时刻最优结果;Pk+1|k为k时刻推出k+1时刻的基于卡尔曼滤波的状态协方差估计;Kk为k时刻的增益矩阵;Kk+1为k+1时刻的增益矩阵;zk为k时刻的测量值;zk+1为k+1时刻的测量值;
步骤c:将k时刻的信号强度滤波值(m1,k)和信号强度预测值(m1,k+1)与阈值(m1,t)进行比较:若m1>(m1,t)时,将m1与除m1之外的由网络密度、邻节点的信号强度值、节点CPU使用率和报文队列的空闲率得到的指标(m2,m3,m4,m5)进行综合权重叠加,并计算出综合评价输出值M;若m1<=(m1,t)时,则直接判定链路质量为坏;
步骤d:将综合评价输出值M与总体阈值Mt进行比较,若M>Mt,则判定链路质量好;若M<=Mt,则判定链路质量坏。
所述的α<0.5。
所述的阈值(m1,t)为0.8。
有益效果
本发明提出的一种多尺度多权重链路质量评估的路由方法,有益效果:从无线自组织网络实际的语音业务应用出发,基于已有的研究成果,本发明设计了多尺度的链路稳定性评估框架,同时对模型进行了基于时间序列分析和Kalman滤波的优化设计,提升了链路评估模型的稳定性和可靠性。从该模型可见,众多影响因素充分包含了对链路质量有影响的各种关键信息,同时在信息采集上,结合了当前时刻的测量值,上一时刻或上一时段的统计值;加入可靠性设计后,实现了对下一时刻的状态向量预测值的提取。因此在系统层面形成了时间上的完备性,为增强模型的稳定性和可靠性提供了条件。
附图说明
图1LS_OLSR中的HELLO消息处理流程
图2LS_OLSR协议的TC消息处理流程
图3LS_OLSR协议MPR选择算法
图4权重轮换机制
图5可靠链路稳定性度量模型
具体实施方式
现结合实施例、附图对本发明作进一步描述:
一种多尺度多权重链路质量评估的路由方法,包括如下步骤:
步骤1:源节点使用全向天线向周边发送邻居探测信息报文和接收邻居节点发送过来的邻居探测信息报文;
步骤2:根据节点间交换的邻居探测信息报文,实现节点邻居拓扑探测。主要是收集一跳邻居的信息,也有收集两跳邻居信息的,根据收到邻节点信息报文的多少计算出节点的网络密度;
节点周边节点密度可以通过节点可探测的邻居节点个数表达。同时可以使用公式实现量化方式的转化:
Network_scale表示表示网络的总体规模,即网络的节点总数,Neighbor_Num表示节点的邻居个数;
步骤3:再根据邻居探测信息报文中携带的链路质量信息得到邻节点的信号强度值等相关的链路质量信息。接收信号强度就是典型的链路层面的影响因素,其受到发送端和接收端的共同影响。接收信号强度在很大程度上存在振荡,同时信号强度采样得到的数据也有可能存在较大误差的数据,一般称为“脏数据”。当采集数据的时候正好遇到振荡或者采集到“脏数据”,利用这样的数据得出的链路影响成分必然失去参考性。本发明使用累积参数法来减小误差和“脏数据”带来的影响。其量化表达式如下:
Scumj=αScumj+(1-α)Sj
Sj代表当前时刻采集到的信号强度值,Scumj代表该时刻上一时刻的累积信号强度,这是个递推的过程。通过应用这样的递推规则对信号强度值进行了多次采样的融合,提高了数据的可靠性。参数α为亲和参数(affinity parameter),参数表达了上一时刻的累积值和当前该模型中采集值对最终的结果的影响权重。为了体现当前值对结果的主导作用,一般情况下需要设置参数满足α<0.5。
步骤4:从本节点操作系统提供的访问接口得到CPU使用率、报文队列长度等节点层面的链路质量影响因素值。节点CPU使用率由操作系统自己本身统计,并且采用百分制表示,在准确性上有所保证,可以直接使用。报文队列长度需要转化为队列的空闲率来实现对链路稳定性的度量。计算方式可以按照公式进行:
Qfree表示报文队列的空闲率,length表示报文队列的总长度,queued_length表示已经占用的报文队列长度;
步骤5:将步骤2-4得到的节点的网络密度、邻节点的信号强度值、节点CPU使用率和报文队列的空闲率分别代入结合时间序列分析的Kalman滤波模型中对链路状态向量进行滤波和预测,下面以邻节点的信号强度为例详细描述其过程:
步骤a:首先,根据状态向量的时间序列计算各链路状态的回归参数τj,φ1j,j=1,2,3,4,5。进而确定状态转移方程中的状态转移矩阵A和水平向量β,计算量测误差阵Rk。并初始化Kalman滤波模型。滤波器的初始化阶段只负责一部分信息采集,通过采集到的信息计算滤波器的各种初始值。采用初始化时段的时间序列的平均值作为对于过程噪声一般参考具体网卡的参数和其他状态分量给一个近似作为这里Qk,信号强度一旦确定则认为其保持不变。P0可以通过Q0计算实现初始化(系统过程噪声协方差阵Q0,滤波状态向量P0)。时间序列分析的列长,即模型中的S,它代表了时间序列的长度。由于在建立的模型中,假定链路状态短时段的连续平稳。如果选取的序列太长短时平稳特性得不到保证,反而会影响模型的效果,但是要作出模型参数估计,数据量又该得到保证。在这种情况下,只能找一个折衷点(S=8)。使得数据量不至于太少,同时时间序列所占用的时间段要较短。从实际情况经过权衡与分析本发明得到以下模型关键参数的设定值:
表1模型关键参数设定
步骤b:依据Kalman滤波模型进行状态向量k时刻的滤波和k+1时刻的预测:
滤波实现过程:
时间更新:
量测更新:
预测实现过程:
时间更新:
量测更新:
Qk为k时刻的过程噪声方差阵;Qk+1为k+1时刻的过程噪声方差阵;xk为k时刻的最优线性估计;xk-1为k-1时刻的最优线性估计;xk|k-1为k-1时刻推出k时刻的最优线性估计;xk+1|k为k时刻推出k+1时刻的最优线性估计;Pk为k时刻的基于卡尔曼滤波的状态协方差估计;Pk-1为k-1时刻的基于卡尔曼滤波的状态协方差估计;Pk|k-1为k-1时刻推出k时刻的基于卡尔曼滤波的状态协方差估计;Pk|k为k时刻最优结果;Pk+1|k为k时刻推出k+1时刻的基于卡尔曼滤波的状态协方差估计;Kk为k时刻的增益矩阵;Kk+1为k+1时刻的增益矩阵;zk为k时刻的测量值;zk+1为k+1时刻的测量值;
步骤c:将k时刻的信号强度滤波值(m1,k)和信号强度预测值(m1,k+1)与阈值(m1,t)进行比较:若m1>(m1,t)时,将m1与除m1之外的由网络密度、邻节点的信号强度值、节点CPU使用率和报文队列的空闲率得到的指标(m2,m3,m4,m5)进行综合权重叠加,并计算出综合评价输出值M;若m1<=(m1,t)时,则直接判定链路质量为坏;(阈值的选取根据不同的观测指标各自有所不同,以丢包率为例,阈值为80%,即要求丢包率小于等于0.8)。
步骤d:将综合评价输出值M与总体阈值Mt(总体阈值根据不同输入指标变化,无法给出具体数值和范围)进行比较,若M>Mt,则判定链路质量好;若M<=Mt,则判定链路质量坏。
下面以OLSR协议为例,通过对关键数据结构的进一步改进设计,加入链路质量评估信息,同时对消息结构加以修改,利用现有的消息交换机制实现链路质量的获取和传递。
数据结构改进主要在于对OLSR协议中的各种表项数据结构进行改进。本地链路信息表可以记录链路及相关链路信息状况的原始数据,这些数据是在控制消息中得到的。本地链路信息表的结构改变如表2:
表2LS_OLSR协议本地链路信息表项
增加的表项中Queue_Length为邻接点的队列长度,CPU_Utilization为节点的CPU利用率。Num_Neighbor为邻居节点的邻接点个数,用于计算其网络覆盖能力,即网络密度。SSI为信号强度相关信息。Num_PR为接收到的控制报文个数,用于计算包传输率。Build_time记录了该条链路状态信息建立的时间。
对于其他的表项,如:一跳邻居表,两跳邻居表,MPR表和MPR Selectors表。统一扩展LQ域为链路质量的指示。拓扑表中增加对最后一跳的链路质量的存储单元。路由表中的每一项对应加入路径稳定性表示域PSQ,根据前文分析,链路稳定性和路径稳定性的关系为:
该PSQ值(PSQ值与上文所指综合评价输出值M一致)给出了链路质量和路径跳数的综合作用,LQi表示上文提出的单因素卡尔曼滤波预测指标mi,因此直接比较路由条目的PSQ值可以寻找到最优链路质量路由。
上述提到的各种表的信息更新是靠节点与节点之间交换控制消息实现的。首先,我们要对控制报文的总体格式进行修改,控制报文需要传输计算链路稳定性的相关原始信息,主要是发送控制报文节点的队列长度,CPU利用率,邻接点个数。LS_OLSR的控制报文格式改变如表3:
表3LS_OLSR协议控制报文格式
其中扩展的内容和链路信息表项的相应内容一致。
HELLO消息的功能仍然是邻居节点探测和链路探测,但是其需要携带相关的链路质量信息,因此做如表4扩展:
表4扩展的LS_OLSR协议HELLO消息格式
HELLO消息改进处理流程见附图一。
TC消息则负责传递拓扑信息,同时传递MPR和MPR Selector之间的链路状态信息。
形成具有链路状态信息的拓扑表。TC消息的扩展同HELLO消息类似,具有如下结构:
表5扩展的LS_OLSR协议的TC消息格式
修改后的TC消息的处理流程见附图二:
OLSR中的MPR选择原则是选择覆盖度较大的节点作为MPR这样可以有效减小MPR集的大小,从而限制数据包转发范围和转发数量,减少不必要的消息泛洪。但是其选择MPR集合时没有考虑所选节点覆盖范围内的节点的链路稳定性。因此在LS_OLSR协议中将链路稳定性纳入选择条件,当覆盖范围相同的条件下,选择其覆盖集中各链路稳定性的平均值最大的节点作为MPR。若节点M为S的一跳邻居,设M对于S的两跳邻居的覆盖集为Nk非空,则M的覆盖链路稳定性定义为:
这样在保证能够以最小MPR集覆盖两跳邻居的情况下,还能保证其链路状况在同等条件下最优。既兼顾了MPR选择原则,也提升了MPR集的链路质量。采用N(X)代表节点X的一跳邻居节点集合,N2(X)表示X的两跳邻居节点集合,MPR(X)表示X的MPR集合,则具有链路稳定性考量的MPR选择算法流程如附图三:
路由生成算法仍然采取OLSR中的逐条生成形式,唯一不同的就在于,每生成一跳新路由时需要按照倒数和原则进行路由的稳定性计算,对于同时具备的几条路由比较取稳定度最大的作为最终路由,实现稳定路由的选取。
为了提高多尺度链路稳定模型的实用性和适应性,本发明还设计了一个合适的权重轮换方案,来满足不同条件下的权重分配需求,如果当时权重分配的链路稳定性预测效果受
到严重影响时,就对权重分配进行轮换匹配。附图四显示了权重轮换机制详细工作过程。
本发明具有以下特点:
1)引入随机过程理论,对链路质量与路径质量关系进行数学建模,根据模型建立基于链路质量评估的路由方案;通过分析现有对链路质量产生影响的参数,选择能表征链路质量的指标集,降低耦合信息对评价模型的干扰以及计算复杂程度;
2)根据无线环境和应用需求的不同,引入权重层级划分与权重轮换策略,为了满足移动自组网的小开销需求,对链路质量评估要采取分层策略,对质量差的链路,只给出定性分析,对质量好的链路,才给出定量评估值;
3)对获取的指标样本使用预处理算法进行校正,利用卡尔曼滤波对样本空间进行优化,对整个稳定性模型做了基于时间序列分析和Kalman滤波的可靠性设计,形成了比较完备的链路稳定性计算和预测机制。
Claims (3)
1.一种多尺度多权重链路质量评估的路由方法,其特征在于步骤如下:
步骤1:源节点使用全向天线向周边发送邻居探测信息报文和接收邻居节点发送过来的邻居探测信息报文;
步骤2:根据节点间交换的邻居探测信息报文,收集一跳或两跳邻居信息,由收到邻居节点信息报文的多少计算出节点的网络密度:
<mrow>
<mi>D</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>N</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>b</mi>
<mi>o</mi>
<mi>r</mi>
<mo>_</mo>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
<mrow>
<mi>N</mi>
<mi>e</mi>
<mi>t</mi>
<mi>w</mi>
<mi>o</mi>
<mi>r</mi>
<mi>k</mi>
<mo>_</mo>
<mi>s</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
Network_scale表示网络的节点总数,Neighbor_Num表示节点的邻居个数;
步骤3:使用累积参数法计算邻节点的信号强度值:
Scumj=αScumj+(1-α)Sj
Sj代表当前时刻采集到的信号强度值,Scumj代表该时刻上一时刻的累积信号强度,α为亲和参数;
步骤4:由操作系统统计节点CPU使用率,由下式计算报文队列的空闲率:
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>f</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
<mo>-</mo>
<mi>q</mi>
<mi>u</mi>
<mi>e</mi>
<mi>u</mi>
<mi>e</mi>
<mi>d</mi>
<mo>_</mo>
<mi>l</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
<mrow>
<mi>l</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
Qfree表示报文队列的空闲率,length表示报文队列的总长度,queued_length表示已经占用的报文队列长度;
步骤5:将步骤2-4得到的节点的网络密度、邻节点的信号强度值、节点CPU使用率和报文队列的空闲率分别代入结合时间序列分析的Kalman滤波模型中对链路状态向量进行滤波和预测:
步骤a:根据链路状态向量的时间序列计算各链路状态的回归参数
τj,φ1j,j=1,2,3,4,5,确定状态转移方程中的状态转移矩阵A和水平向量β,计算量测误差阵Rk:
步骤b:依据Kalman滤波模型进行状态向量k时刻的滤波和k+1时刻的预测:
滤波实现过程:
时间更新:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>A</mi>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>AP</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<mo>+</mo>
<msub>
<mi>Q</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
量测更新:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>K</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>K</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
预测实现过程:
时间更新:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>A</mi>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mo>+</mo>
<mi>&beta;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>AP</mi>
<mi>k</mi>
</msub>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<mo>+</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
量测更新:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
Qk为k时刻的过程噪声方差阵;Qk+1为k+1时刻的过程噪声方差阵;为k时刻的最优线性估计;为k-1时刻的最优线性估计;为k-1时刻推出k时刻的最优线性估计;为k时刻推出k时刻的最优线性估计;为k时刻推出k+1时刻的最优线性估计;为k+1时刻推出k+1时刻的最优线性估计;Pk为k时刻的基于卡尔曼滤波的状态协方差估计;Pk-1为k-1时刻的基于卡尔曼滤波的状态协方差估计;Pk|k-1为k-1时刻推出k时刻的基于卡尔曼滤波的状态协方差估计;Pk|k为k时刻最优结果;Pk+1|k为k时刻推出k+1时刻的基于卡尔曼滤波的状态协方差估计;Pk+1|k+1为k+1时刻推出k+1时刻的基于卡尔曼滤波的状态协方差估计;Kk为k时刻的增益矩阵;Kk+1为k+1时刻的增益矩阵;zk为k时刻的测量值;zk+1为k+1时刻的测量值,Rk+1为k+1时刻的量测误差阵;
步骤c:将k时刻的信号强度滤波值(m1,k)和信号强度预测值(m1,k+1)与阈值(m1,t)进行比较:若m1>(m1,t)时,将m1与除m1之外的由网络密度、邻节点的信号强度值、节点CPU使用率和报文队列的空闲率得到的指标(m2,m3,m4,m5)进行综合权重叠加,并计算出综合评价输出值M;若m1<=(m1,t)时,则直接判定链路质量为坏;
步骤d:将综合评价输出值M与总体阈值Mt进行比较,若M>Mt,则判定链路质量好;若M<=Mt,则判定链路质量坏。
2.根据权利要求1所述的一种多尺度多权重链路质量评估的路由方法,其特征在于所述的α<0.5。
3.根据权利要求1所述的一种多尺度多权重链路质量评估的路由方法,其特征在于所述的阈值(m1,t)为0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410625631.2A CN104468192B (zh) | 2014-11-06 | 2014-11-06 | 一种多尺度多权重链路质量评估的路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410625631.2A CN104468192B (zh) | 2014-11-06 | 2014-11-06 | 一种多尺度多权重链路质量评估的路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104468192A CN104468192A (zh) | 2015-03-25 |
CN104468192B true CN104468192B (zh) | 2017-11-07 |
Family
ID=52913603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410625631.2A Expired - Fee Related CN104468192B (zh) | 2014-11-06 | 2014-11-06 | 一种多尺度多权重链路质量评估的路由方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104468192B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105871717A (zh) * | 2016-05-30 | 2016-08-17 | 杭州电子科技大学 | 一种基于链路稳定性的无人机自组网路由方法 |
CN106776184B (zh) * | 2016-12-26 | 2020-05-12 | 苏州浪潮智能科技有限公司 | 一种高速链路质量验证方法及装置 |
CN108270636A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团河北有限公司 | 链路质量评估方法及装置 |
CN107567067A (zh) * | 2017-07-20 | 2018-01-09 | 华南理工大学 | 一种mpr算法的改进方法 |
US11039364B2 (en) * | 2018-09-28 | 2021-06-15 | Google Llc | Methods and apparatus for proactively switching between available networks |
CN109275171B (zh) * | 2018-10-17 | 2022-07-12 | 珠海云洲智能科技股份有限公司 | 无线自组网通信方法和装置 |
CN109714260B (zh) * | 2019-01-04 | 2020-09-04 | 浙江大学 | Olsr路由协议中基于ucds算法构建虚拟骨干网的实现方法 |
CN111263419B (zh) * | 2020-01-17 | 2021-12-28 | 西安交通大学 | 基于无人机的应急场景下立体异构网络的动态路由方法 |
CN112019398B (zh) * | 2020-07-16 | 2022-03-11 | 中国人民财产保险股份有限公司 | 网络流量的预测方法和装置 |
CN112672398B (zh) * | 2020-12-28 | 2023-06-16 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 一种基于自适应kalman预测的3D-GPSR路由方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101610170B (zh) * | 2009-06-23 | 2011-08-24 | 华中科技大学 | 基于测量的多业务网络性能综合因子评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI20105658A (fi) * | 2010-06-10 | 2011-12-11 | Defendec Inc | Laite ja menetelmä liikkuvaa ad hoc -monijänneverkkoa varten |
-
2014
- 2014-11-06 CN CN201410625631.2A patent/CN104468192B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101610170B (zh) * | 2009-06-23 | 2011-08-24 | 华中科技大学 | 基于测量的多业务网络性能综合因子评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104468192A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104468192B (zh) | 一种多尺度多权重链路质量评估的路由方法 | |
CN107196858B (zh) | 一种考虑多类型约束的k最短路径求解方法 | |
CN105580437B (zh) | 在无线网络中发现路由以从源节点向汇节点转发分组的方法 | |
Anupong et al. | Towards a high precision in AMI-based smart meters and new technologies in the smart grid | |
CN108781188A (zh) | 用于平衡即兴网络构造的设备和方法 | |
Xiao et al. | Maximizing precision for energy-efficient data aggregation in wireless sensor networks with lossy links | |
Matos et al. | Towards in-network data prediction in wireless sensor networks | |
Li et al. | Random walks on digraphs: A theoretical framework for estimating transmission costs in wireless routing | |
Millan et al. | Tracking and predicting link quality in wireless community networks | |
CN100471166C (zh) | 一种基于移动Ad Hoc网络的分布式QoS多播路由方法 | |
CN103139804A (zh) | 无线传感器网络的节能传播自适应rls分布式检测方法 | |
Sheltami et al. | A publish/subscribe middleware cost in wireless sensor networks: A review and case study | |
Natarajan et al. | Improving qos in wireless sensor network routing using machine learning techniques | |
Peng et al. | Real-time transmission optimization for edge computing in industrial cyber-physical systems | |
Santos et al. | CGR: Centrality-based green routing for Low-power and Lossy Networks | |
Yogalakshmi et al. | Development of an efficient algorithm in hybrid communication for secure data transmission using LoRa technology | |
CN108092892B (zh) | 一种物联网最优网络路由路径的确定方法及系统 | |
Meghanathan | Link selection strategies based on network analysis to determine stable and energy-efficient data gathering trees for mobile sensor networks | |
Zhao et al. | Load balanced and efficient data collection protocol for wireless sensor networks | |
Li et al. | An Intelligent SDWN Routing Algorithm Based on Network Situational Awareness and Deep Reinforcement Learning. | |
Millan et al. | Tracking and predicting end-to-end quality in wireless community networks | |
Mughal et al. | An intelligent Hybrid‐Q Learning clustering approach and resource management within heterogeneous cluster networks based on reinforcement learning | |
Vanitha | Taylor based Neuro-Genetic Algorithm for Secure and Energy aware multi hop routing protocol in WSN | |
Wei et al. | Mobile agent based topology discovery in mobile ad hoc networks | |
Han et al. | Energy Saving Routing Algorithm for Wireless Sensor Networks Based on Minimum Spanning Hyper Tree |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171107 Termination date: 20211106 |