CN104734808B - 一种无线传感网络中最差时延感知跨层优化方法 - Google Patents
一种无线传感网络中最差时延感知跨层优化方法 Download PDFInfo
- Publication number
- CN104734808B CN104734808B CN201510099667.6A CN201510099667A CN104734808B CN 104734808 B CN104734808 B CN 104734808B CN 201510099667 A CN201510099667 A CN 201510099667A CN 104734808 B CN104734808 B CN 104734808B
- Authority
- CN
- China
- Prior art keywords
- queue
- data
- network
- node
- virtual
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005540 biological transmission Effects 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims description 27
- 230000006399 behavior Effects 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 abstract description 4
- 238000012546 transfer Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 230000001934 delay Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种无线传感网络中最差时延感知跨层优化方法,涉及无线通信传输技术领域,包括以下步骤:网络中的各节点根据当前时隙数据队列和构造的虚拟队列的队列状态,做出相应的决策行为,进而更新当前时隙的队列状态;源节点根据数据队列状态和虚拟辅助队列状态,对数据采集行为进行优化决策;源节点与中间节点根据当前时隙数据队列和虚拟时延队列状态,对数据丢包行为以及路由调动和数据传输行为进行优化决策。经过多次迭代后,使得无线传感网络的队列状态逐渐稳定。该方法同时可使得无线传感网络的吞吐量效用逐渐趋于最优,及使得网络整体的时间平均数据丢包量趋于0,并为网络每个节点中每条会话流的数据提供一个最差传输时延上界。
Description
技术领域
本发明属于无线通信传输技术领域,具体为无线传感网络中单节点数据传输最差时延感知跨层优化方法。
背景技术
无线传感网络近年来获得全球范围内越来越多的关注,尤其是随着微机电系统(MEMS)技术的扩散,智能传感器得到了快速的发展。网络通常只由一些传感器节点组成,这些节点可以分工协作并获得所在区域的环境信息。传感器节点的位置不需要改变或预先确定,这允许我们在难以接近的地形或救灾行动中对其进行随机的部署。另一方面,这也意味着传感器网络协议和算法必须具备自组织的能力。
在实际应用当中,跨层优化中的数据随机丛发性抵达和时延性能是除了传统的PHY层性能外非常重要的一项性能指标。时延在无线通信网络中可以分为许多方面,如单个节点中的数据队列传输时延,无线网络端到端通信时延等。无线网络理论研究中存在许多关于时延感知资源控制的方法。在多跳无线网络中,基于优化设计的方法学也已经被广泛地使用于处理队列时延问题。Bui等人提出了一种新的架构和算法并将其应用于改进背压算法中的时延性能。Ying等人提出了一种基于跳数的队列架构使得节点在传输数据时能够基于最短路径信息自适应地选择最优路由集,并获得较传统的背压算法更小的端到端传输时延。Huang等人提出了一种完全分布式的联合拥塞控制和调度算法,并保证了每条回话的顺序最优端到端时延。Xue等人提出了一种基于多跳无线网络的联合拥塞控制,路由和调度算法,该算法保证了每条回话流的平均端到端时延约束以及最小速率要求。
综上,上述研究一般只讨论平均时延约束,均没有给出最差时延上界约束。Neely等人设计出一种随机调度算法使得队列中的每条会话流数据都存在一个最差等待时延上界,从而保证了每个数据包从进入数据队列到离开数据队列最长等待时间。但并没有给出最差时延感知跨层优化方法。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种无线传感网络中最差时延感知跨层优化方法,该方法能在保障网络稳定性的基础上,给出网络中每个传感器节点的数据传输最差时延,同时优化网络吞吐量性能。
本发明通过以下技术方案加以实现:
所述的一种无线传感网络中最差时延感知跨层优化方法,其特征在于该方法包括以下步骤:
1)网络中的各节点根据当前时隙数据队列和构造的虚拟队列的队列状态,做出相应的决策行为,进而更新当前时隙的队列状态;
2)源节点根据数据队列状态和虚拟辅助队列状态,对数据采集行为进行优化决策;
3)源节点与中间节点根据当前时隙数据队列和虚拟时延队列状态,对数据丢包行为以及路由调动和数据传输行为进行优化决策;
4)重复步骤1)到步骤3)的决策过程,在完成设定的网络运行时隙过程中,观察网络中节点的队列积压,丢包情况以及网络吞吐量效用变化情况。
所述的一种无线传感网络中最差时延感知跨层优化方法,其特征在于步骤1)中的更新过程为,在每个源节点中,对任意会话流的队列,实施如下过程:
a):观察实际数据队列和虚拟队列的队列积压,对数据队列的数据输入速率进行调整,当条件得到满足时,令,否则,令,其中,为单个时隙内数据采集上限;
b):对虚拟队列的虚拟输入速率进行控制决策,观察当前时隙虚拟辅助队列的队列积压,若,令;若,令;若,令;否则,令;其中,表示效用函数的最大右导数,且,为李雅普诺夫惩罚因子;
c):结合步骤a)和b)得到的决策结果,同时根据虚拟辅助队列的队列演变方式对其进行队列更新。
所述的一种无线传感网络中最差时延感知跨层优化方法,其特征在于步骤2)中优化决策过程为:对网络中的每个节点及每条会话流,实施如下过程:观察当前时隙的数据队列和虚拟时延队列的队列积压,当条件满足时,令该时隙的队列丢包量,否则,令,即此时相应的数据队列不进行任何的丢包行为。
所述的一种无线传感网络中最差时延感知跨层优化方法,其特征在于步骤3)中的优化决策过程为:对网络中每个节点数据传输的路由调度和链路传输速率的控制决策,实施如下过程:
A):定义链路上会话流的链路权重为,同时,定义为对应链路上的最优权重,其中表示对应权重下的传输会话流,即当条件满足时,选择会话流作为链路上的传输会话;
B):完成步骤1)后,确定传输会话流,进一步对传输速率进行决策控制,观察节点中的数据队列和虚拟时延队列的队列积压以及节点中的数据队列的队列积压,当条件满足时,令,否则,令,其中,表示单条会话流在一个时隙内的传输速率上限;
C):结合步骤1),2)和3)的决策结果,同时根据数据队列和虚拟时延队列的演变方式对其进行队列更新。
本发明与现有技术相比,存在以下有益效果:采用本发明方法,通过多次迭代后,使得无线传感网络的队列状态逐渐稳定,同时可使得无线传感网络的吞吐量效用逐渐趋于最优,及使得网络整体的时间平均数据丢包量趋于0,并为网络每个节点中每条会话流的数据提供一个最差传输时延上界。
附图说明
图1为本发明构造网络拓扑结构图;
图2为本发明取不同参数值下总的目标函数效用收敛结果图;
图3为本发明不同控制参数下的网络总的时间平均丢包量的对比图;
图4为本发明网络中3种队列的总的时间平均队列积压图;
图5为本发明节点A中关于第一条会话流的队列积压随时间变化关系图。
具体实施方式
本发明下面结合附图予以进一步详述。
网络模型与问题构建:
假设网络拓扑为的混合无线传感网络,其中,表示网络中的节点集合,表示网络中会话流集合。其运行时间可以看成离散的时隙。定义网络中的链路集合,所有会话源节点集合为。我们用表示源节点为的会话流集合。假设表示在时刻节点中会话流的队列积压,在初始时隙队列积压为0,且其源节点和目的节点分别为。网络中所有队列的数据传输均满足FIFO条件。
由此网络模型可知,第个节点中的第条会话的数据队列的演变方式为:
其中,定义为。表示节点下一跳传感器节点的集合,将其定义为,表示节点入链路端点的节点的集合,定义为。表示队列中的数据流在时刻的服务速率,表示节点中数据流在时刻丢失的数据包,表示节点在时刻感知到的数据流的数据。为指示函数,表示当为会话的源节点时,取值为1,否则为0。数据感知速率和丢包量满足分别约束条件和。
同时,为了保障数据传输最差时延,构造虚拟时延队列,其队列演变如下;
该虚拟队列始终存在一个固定的队列输入 ,且其满足约束条件。为一控制参数,通过对控制参数赋予合适的参数值可以使我们获得一些更好的网络性能度量。
结合实际数据队列和上述虚拟队列的演变方式,我们可以得到节点中数据传输最差时延满足以下式子:
为了最小化上式中的,我们给定值如下,
其中,和分别表示数据队列和虚拟队列的队列上界。
本发明在网络稳定性条件的约束下,建立如下无线传感网络的吞吐量优化问题,并保障网络中所有节点队列的数据传输最差时延以及减少网络中的时间平均丢包量:
其中,效用函数为凹函数,且连续非递减,并满足初始条件。假设为效用函数的最大右导数,且。
为了将上述优化问题转成可通过李雅普诺夫优化方法求解形式,进一步构造虚拟辅助队列,队列演变如下:
其中,为一个辅助变量且满足约束条件。
最终,可以得到以下优化问题:
其中,定义如下式,
约束条件表示在某一时隙链路上的总传输速率不能大于链路容量。
采用李雅普诺夫算法对上述问题的求解:
现将上述优化问题的求解过程写成如下形式的迭代算法。在第次迭代时;
步骤1:在每个源节点中,对任意会话流的队列,实施如下过程:
1):观察实际数据队列和虚拟队列的队列积压,对数据队列的数据输入速率进行调整。当条件得到满足时,令,否则,令。其中,为单个时隙内数据采集上限;
2):对虚拟队列的虚拟输入速率进行控制决策,观察当前时隙虚拟辅助队列的队列积压,若,令;若,令;若,令;否则,令。其中,表示效用函数的最大右导数,且。为李雅普诺夫惩罚因子;
3):结合步骤1)和2)得到的决策结果,同时根据虚拟辅助队列的队列演变方式对其进行队列更新。
步骤2:对网络中的每个节点及每条会话流,实施如下过程:观察当前时隙的数据队列和虚拟时延队列的队列积压,当条件满足时,令该时隙的队列丢包量,否则,令,即此时相应的数据队列不进行任何的丢包行为。
步骤3:对网络中每个节点数据传输的路由调度和链路传输速率的控制决策,实施如下过程:
1):定义链路上会话流的链路权重为,同时,定义为对应链路上的最优权重。其中表示对应权重下的传输会话流,即当条件满足时,选择会话流作为链路上的传输会话;
2):完成步骤1)后,传输会话流已经得到确定,我们将进一步对传输速率进行决策控制。观察节点中的数据队列和虚拟时延队列的队列积压以及节点中的数据队列的队列积压,当条件满足时,令,否则,令。其中,表示单条会话流在一个时隙内的传输速率上限。
3):结合步骤1,2和3的决策结果,同时根据数据队列和虚拟时延队列的演变方式对其进行队列更新。
步骤4:重复步骤1到步骤3的决策过程,在完成设定的网络运行时隙过程中,观察网络中节点的队列积压,丢包情况以及网络吞吐量效用变化情况。
以下通过相应的试验数据进一步证明本发明的有益效果:
以仿真实例来说明本发明所设计的基于李雅普诺夫优化方法的具有最差时延感知效果的算法收敛性能。构造网络拓扑结构如图1所示。在该拓扑结构中,考虑一个多信道无线传感器网络模型。该网络包含13个传感器节点,32条传输链路以及8条传输会话流。从图1中可以看出网络中节点能够同时进行会话传输的最大链路数为4条。
部分仿真参数值设置如下:,,,,,,。同时,我们分别设置参数的值为 。这样可以通过实验观察随着参数的增加,网络中的队列积压和网络效用将会发生怎样的变化。
图2展示了取不同参数值下总的目标函数效用收敛结果。我们的目标由两部分组成,即吞吐量效用和网络丢包量。从图2可以看出,目标值将随着参数的增加而增加,当取值足够大时优化目标值将逐渐收敛并无限趋近于最优值。
图3展示了取不同控制参数下的网络总的时间平均丢包量的对比。图中叉号和菱形标记符号的横坐标位置对应惩罚因子的取值。从图中可以看出随着取值的增大,网络中总的丢包量将逐渐减少。并且从图中可以进一步看出当时,可以得到一个较好网络丢包性能,当取值为0.2时,网络在每个值下的时间平均丢包相对时均有所增加。
图4展示了网络中3种队列的总的时间平均队列积压。可以看出所有队列的队列积压将随着的增加呈线性增长。图5展示了节点A中关于第一条会话流的队列积压随时间变化关系。图中用表示队列,从图5中可以看到三个队列均快速地进入了稳定状态。其中,实际数据队列和Z队列最终收敛于同一水平附近,这与分解得到的第一个优化子问题相吻合。
通过上述算法说明和性能仿真验证,本发明的方法不仅可以保证网络整体的稳定性能,而且可以得到一个接近最优的网络吞吐量性能,同时,还拥有每个传感器节点数据传输的最差时延感知效果。
本发明不仅局限于上述具体实施方式,本领域一般技术人员根据本发明公开的内容,可以采用其他多种具体实施方案实施本发明。因此,凡是采用本发明的设计结构和思路,做一些简单的变化或更改的设计,都落入本发明保护范围。
Claims (1)
1.一种无线传感网络中最差时延感知跨层优化方法,其特征在于该方法包括以下步骤:
1)网络中的各节点根据当前时隙数据队列和虚拟辅助队列的队列状态,做出相应的决策行为,进而更新当前时隙数据队列的队列状态;
2)源节点根据当前时隙数据队列的队列状态和虚拟辅助队列的队列状态,对数据采集行为进行优化决策;
3)源节点与中间节点根据当前时隙数据队列和虚拟时延队列的队列状态,对数据丢包行为以及路由调动和数据传输行为进行优化决策;
4)重复步骤1)到步骤3)的决策过程,在完成设定的网络运行时隙过程中,观察网络中节点的队列积压,丢包情况以及网络吞吐量效用变化情况;
步骤1)中的更新过程为,在每个源节点中,对任意会话流的队列,实施如下过程:
a):观察当前时隙数据队列和虚拟辅助队列的队列积压,对当前时隙数据队列的数据输入速率进行调整,当条件得到满足时,令,否则,令,其中,为单个时隙内数据采集上限;
b):对虚拟辅助队列的虚拟输入速率进行控制决策,观察虚拟辅助队列的队列积压,若,令;若,令;若,令;否则,令;其中,表示效用函数的最大右导数,且,为李雅普诺夫惩罚因子;
c):结合步骤a)和b)得到的决策结果,同时根据虚拟辅助队列的队列演变方式更新当前时隙数据队列的队列状态;
步骤2)中优化决策过程为:对网络中的每个节点及每条会话流,实施如下过程:观察当前时隙数据队列和虚拟时延队列的队列积压,当条件满足时,令该时隙的队列丢包量,否则,令,即此时相应的数据队列不进行任何的丢包行为;
步骤3)中的优化决策过程为:对网络中每个节点数据传输的路由调度和链路传输速率的控制决策,实施如下过程:
A):定义链路上会话流的链路权重为,同时,定义为对应链路上的最优权重,其中表示对应权重下的传输会话流,即当条件满足时,选择会话流作为链路上的传输会话;
B):完成步骤A)后,确定传输会话流,进一步对传输速率进行决策控制,观察节点n中的当前时隙数据队列和虚拟时延队列的队列积压以及节点b中的数据队列的队列积压,当条件满足时,令,否则,令,其中,表示单条会话流在一个时隙内的传输速率上限;
C):结合步骤A)和B)的决策结果,同时根据当前时隙数据队列和虚拟时延队列的演变方式对其进行队列更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510099667.6A CN104734808B (zh) | 2015-03-07 | 2015-03-07 | 一种无线传感网络中最差时延感知跨层优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510099667.6A CN104734808B (zh) | 2015-03-07 | 2015-03-07 | 一种无线传感网络中最差时延感知跨层优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104734808A CN104734808A (zh) | 2015-06-24 |
CN104734808B true CN104734808B (zh) | 2018-05-29 |
Family
ID=53458283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510099667.6A Active CN104734808B (zh) | 2015-03-07 | 2015-03-07 | 一种无线传感网络中最差时延感知跨层优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104734808B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105357115B (zh) * | 2015-10-14 | 2018-08-07 | 浙江理工大学 | 一种基于异步背压式路由与调度的网络效用最大化方法 |
CN106209674B (zh) * | 2016-07-19 | 2019-12-13 | 北京工业大学 | 基于分布式无线网络的网络控制系统最优线性控制方法 |
CN110996351B (zh) * | 2016-09-29 | 2023-05-16 | 杭州鸿雁智能科技有限公司 | 一种用于提高网络服务质量的方法 |
CN106528941B (zh) * | 2016-10-13 | 2019-04-26 | 内蒙古工业大学 | 一种服务器平均温度约束下的数据中心能耗最优化资源控制算法 |
CN110225566A (zh) * | 2019-05-31 | 2019-09-10 | 暨南大学 | 无线传感器网络中基于延迟与距离的背压方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159697A (zh) * | 2007-11-23 | 2008-04-09 | 南京大学 | 无线传感器网络中时延限制下实现最小能耗路由的方法 |
CN101493992A (zh) * | 2008-12-19 | 2009-07-29 | 浙江工业大学 | 一种基于无线传感器网络的单点自组织交通信号控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2437440A1 (en) * | 2010-10-01 | 2012-04-04 | Koninklijke Philips Electronics N.V. | Device and method for delay optimization of end-to-end data packet transmissions in wireless networks |
-
2015
- 2015-03-07 CN CN201510099667.6A patent/CN104734808B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159697A (zh) * | 2007-11-23 | 2008-04-09 | 南京大学 | 无线传感器网络中时延限制下实现最小能耗路由的方法 |
CN101493992A (zh) * | 2008-12-19 | 2009-07-29 | 浙江工业大学 | 一种基于无线传感器网络的单点自组织交通信号控制方法 |
Non-Patent Citations (1)
Title |
---|
Opportunistic scheduling with worst case delay guarantees in single and multi-hopnetworks;M.J.Neely;《INFOCOM, 2011 Proceedings IEEE》;20110630;1-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN104734808A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104734808B (zh) | 一种无线传感网络中最差时延感知跨层优化方法 | |
Zheng et al. | A mobility and load aware OLSR routing protocol for UAV mobile ad-hoc networks | |
Neely | Delay-based network utility maximization | |
CN103200096B (zh) | 一种复杂网络中避免关键节点的启发式路由方法 | |
CN105376157B (zh) | 一种路由路径选择的方法和装置 | |
CN104735800B (zh) | 一种异构无线传感网络中最差时延感知跨层优化方法 | |
CN109413707B (zh) | 无线网络环境下基于深度强化学习技术的智能路由方法 | |
WO2015036870A2 (en) | Multi-stage interconnect network in a parallel processing network device | |
US20160065449A1 (en) | Bandwidth-Weighted Equal Cost Multi-Path Routing | |
Neely et al. | Max weight learning algorithms for scheduling in unknown environments | |
CN103312606A (zh) | 一种基于多路径并发的无线Mesh网络路由及其方法 | |
CN102025628A (zh) | 网络流量的分配方法 | |
CN109474960B (zh) | 一种基于q学习的双连接流量分配方法 | |
Wang et al. | Performance modeling and analysis of multi-path routing in integrated fiber-wireless networks | |
CN102711125A (zh) | 一种提高无线mesh网络传输能力的方法 | |
Rai et al. | A distributed algorithm for throughput optimal routing in overlay networks | |
WO2024125664A1 (zh) | 一种飞行Ad Hoc网络的自适应路由联合预测方法 | |
CN105357115B (zh) | 一种基于异步背压式路由与调度的网络效用最大化方法 | |
CN110620691B (zh) | 664航电网络的物理拓扑结构生成算法 | |
Meng et al. | Intelligent routing orchestration for ultra-low latency transport networks | |
CN115037638B (zh) | 低能耗和高时效性的无人机网络数据采集与传输控制方法 | |
Desai et al. | Analysis of reinforcement based adaptive routing in MANET | |
Ayub et al. | Buffer scheduling policy for opportunistic networks | |
Sharma et al. | Estimation-based queue scheduling model to improve QoS for end users in manets | |
Zhuang et al. | Adaptive and robust network routing based on deep reinforcement learning with lyapunov optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |