CN105684524A - 通信系统、接入网络节点和优化通信网络中能耗的方法 - Google Patents

Abstract

提供了一种包括接入网络节点和多个资源受限节点的通信系统。该接入网络节点包括：控制单元，所述控制单元可用于基于网络观测和所述网络观测的历史概况，针对所述多个资源受限节点的资源受限节点估计对网络条件的信任；在所述接入网络节点中动态更新对所述资源受限节点的信任；确定所述网络条件中所述更新的信任的严重程度指示需要所述资源受限节点的睡眠占空比的改变；确定所述多个资源受限节点之内所述若干资源受限节点之间的相关性指示需要所述资源受限节点的睡眠占空比的改变；以及更新所述资源受限节点的睡眠占空比以优化所述若干资源受限节点中消耗的总能量，同时达到特定的检测阈值。

Description

通信系统、接入网络节点和优化通信网络中能耗的方法

技术领域

本发明涉及一种通信系统、一种接入网络节点和一种优化包括多个资源受限节点和接入网络节点的通信网络中消耗的能量的方法。

背景技术

机器到机器(M2M)网络和装置的数量正在增长，并被规划成在数量上超过现有的蜂窝网络。不过，现有的个人区域网(PAN)标准，例如IEEE802.15.4和Zigbee，不足以处理这样大量的业务，尤其是在通信距离增大且功率减小的时候。这些网络被期望覆盖各种各样的应用，略举数例，有智能电能表、温度/话务量监测、身体区域网络和工业自动化。

机器到机器通信中要考虑的一个重要因素是传感器节点或网络中甚至其他资源受限节点的电池寿命。希望用于机器到机器通信的传感器节点的电池寿命应当为几年而不是蜂窝通信中那样的几天，以及当前个人区域网和机器到机器标准中的少于1到2个月。

有鉴于此，要求传感器节点对于这些各种工作模式具有低占空比，并在大部分时间保持为睡眠模式。在睡眠模式中，传感器节点的大部分收发器部件，例如数字传输块、功率放大器、接收机链和微处理器，都是关闭的。为了向网络传输信息，传感器节点偶尔从睡眠模式转变到活动发射和接收模式，并且从网络传输数据以及传输数据至网络。

用于控制传感器节点占空比的一种技术是对传感器节点进行同步，以周期性地从睡眠模式醒来进入活动模式。在活动模式中，传感器节点扫描物理网络并启用往返于网络的信息传输。这种技术是不利的，因为传感器节点将周期性地从睡眠模式醒来进入活动模式，无论其是否有任何信息要发射/接收，并且它可能涉及传感器转变到活动状态而不发挥任何功能。

用于控制传感器节点占空比的另一项技术是控制传感器节点，使其保持在空闲状态中，并且随后转变到活动模式，其中传感器扫描物理网络并启用往返于网络的信息传输。空闲状态是关闭且不使用发射/接收功能但对其控制器加电从而能够随时对其进行使用的状态。因此，在空闲模式中，传感器节点比在发射/接收模式中消耗更少功率，但是比在睡眠模式中消耗更多功率。

用于控制传感器节点占空比的另一种技术是周期性唤醒传感器节点。根据来自传感器或协调器(co-ordinator)的事件，可以控制与网络之间的传输。这是不利的，因为不论是否要感测任何事情，这一技术都需要让传感器节点醒来，由此可能会浪费功率。

在再一种技术中，相邻的传感器节点能够协调它们的占空比。

以上所有技术都需要感测和确认无线信道以实现通信，这又会消耗大量能量。因此，使用以上技术的传感器节点将受限于大约1到2个月的电池寿命。具体而言，在大中型网络中，与网络的通信更新时相比传感器节点可能会在感测和睡眠周期管理中消耗多得多的能量。

因此希望提供优化传感器节点睡眠占空比的机制。

发明内容

根据本发明的第一方面，提供了一种包括接入网络节点和多个资源受限节点的通信系统，该接入网络节点包括：控制单元，所述控制单元可操作以基于网络观测和所述网络观测的历史概况，针对所述多个资源受限节点的资源受限节点估计对网络条件的信任；在所述接入网络节点中动态更新对所述资源受限节点的信任；确定所述网络条件中所述更新信任的严重程度指示需要所述资源受限节点的睡眠占空比的改变；确定所述多个资源受限节点之内所述若干资源受限节点之间的相关性指示需要所述资源受限节点的睡眠占空比的改变；以及更新所述资源受限节点的睡眠占空比以优化所述若干资源受限节点中消耗的总能量，同时达到特定的检测阈值。

在所述网络条件中所述更新的信任的严重程度以及所述若干资源受限节点之间的相关性指示需要所述资源受限节点睡眠占空比的改变时，所述控制单元可操作以更新所述资源受限节点的睡眠占空比以优化所述资源受限节点中消耗的总能量，同时达到特定检测阈值。

所述控制单元可以确定网络条件中所述更新的信任的严重程度指示需要所述资源受限节点睡眠占空比的改变以优化所述资源受限节点中消耗的总能量，同时达到特定检测阈值，并且所述资源受限节点之间的相关性没有指示需要所述资源受限节点的睡眠占空比改变，则不对所述资源受限节点的睡眠占空比进行任何更新。

在所述控制单元确定网络条件中所述更新的信任的严重程度指示关键事件时，可以减小所述资源受限节点的睡眠占空比，以触发所述资源受限节点更频繁地从睡眠模式切换到活动模式。

在所述控制单元确定网络条件中所述更新的信任的严重程度指示事件严重程度低时，可以增大所述资源受限节点的睡眠占空比，以触发所述资源受限节点以较低频率从睡眠模式切换到活动模式。

网络条件中更新的信任严重程度的定义是可调谐的(tuneable)，并且其取决于应用要求、运营商选择或由应用或系统运营商定义的自适应学习过程。

所述多个资源受限节点之内的若干资源受限节点之间的相关性可以基于若干本地节点之间的拓扑关系、若干资源受限节点之间的应用相关性、它们的无线信道之间的统计相关性或其组合。

所述若干本地节点之间的拓扑关系可以包括所述资源受限节点与所述多个资源受限节点的其他节点的物理邻近，以及所述资源受限节点与所述多个资源受限节点的其他节点的通信邻近。可以将所述若干资源受限节点之间的这种相关性归类为邻居表。

所述本地节点之间的相关度量可以是过滤器，所述过滤器确保所述通信网络可能受到所述网络条件影响的部分的睡眠占空比被更新，同时所述通信网络中不大可能受到所述网络条件影响的部分的睡眠占空比保持不变。任何相关度量的选择取决于系统运营商或应用的要求。

在所述通信网络初始化时，所述资源节点的睡眠占空比可以是优化的睡眠占空比，并且所述睡眠管理方法在所述通信网络工作的同时动态更新受影响节点的睡眠占空比，以确保所述睡眠占空比是优化的。

在所述通信网络初始化时，所述睡眠管理方法可以为睡眠占空比参数确定任意起始值，并在所述通信网络工作的同时动态更新所述睡眠占空比，以确保所述睡眠占空比是优化的。

可以利用针对不同策略对的具有博弈理论偿付功能的多级贝叶斯方法，估计对所述网络条件的信任更新。

可以利用贝叶斯纳什均衡分析结合贝叶斯规则和一组网络观测，估计对所述网络条件的信任更新。

可以利用鲁棒且低开销的统计方法估计对网络条件的信任更新。可以利用任何机器学习方法，例如指数加权的移动平均(EWMA)方法、卡尔曼滤波器、神经网络等，估计对网络条件的信任更新。

根据本发明的第二方面，提供了一种包括多个资源受限节点的通信网络中的接入网络节点，所述接入网络节点包括：控制单元，所述控制单元可操作以基于网络观测和所述网络观测的历史概况，针对所述多个资源受限节点的资源受限节点估计对网络条件的信任；在所述接入网络节点中动态更新对所述资源受限节点的信任；确定所述网络条件中所述更新信任的严重程度指示需要所述资源受限节点的睡眠占空比的改变；确定所述多个资源受限节点之内所述若干资源受限节点之间的相关性指示需要所述资源受限节点的睡眠占空比的改变；以及更新所述资源受限节点的睡眠占空比以优化所述若干资源受限节点中消耗的总能量，同时达到特定的检测阈值。

根据本发明的第三方面，提供了一种优化包括多个资源受限节点和接入网络节点的通信网络中消耗的能量的方法，所述方法包括：基于网络观测和所述网络观测的历史概况，针对所述多个资源受限节点的资源受限节点估计对网络条件的信任；在所述接入网络节点中动态更新对所述资源受限节点的信任；确定所述网络条件中所述更新的信任的严重程度指示需要所述资源受限节点的睡眠占空比的改变；确定所述多个资源受限节点之内所述若干资源受限节点之间的相关性指示需要所述资源受限节点的睡眠占空比的改变；以及更新所述资源受限节点的睡眠占空比以优化所述若干资源受限节点中消耗的总能量，同时达到特定的检测阈值。

根据本发明的第四方面，提供了一种计算机程序产品，在计算机上执行所述计算机程序产品时，可以执行以上第三方面所述的方法。

在附带的独立和从属权利要求中阐述了本发明的其他特定和优选的方面。

附图说明

现在参考附图，通过仅仅是例示的方式描述根据本发明实施例的设备和/或方法的一些实施例，在附图中：

图1示意性示出了具有异质应用的典型M2M网络；

图2示意性示出了跨层占空比优化；

图3示出了用于估计最优链路级占空比的算法流程；

图4示出了用于估计最优网络级占空比的算法流程；

图5示意性示出了交互式的睡眠管理系统；

图6示意性示出了迭代的信任预测算法；

图7示出了睡眠管理的范例；

图8示意性示出了两级睡眠管理算法；以及

图9示出了后验信任更新上一系列观测到的事件的效果。

具体实施方式

图1示出了具有异质应用，即应用1和应用2的典型M2M通信网络10。M2M网络10例如可以是传感器网络，可以包括通过M2M网关18与多个M2M装置14、16通信的接入网络12。可以将M2M网关视为接入网络12的接入网络节点。在图1的M2M网络10中，第一多个M2M装置14可以与第一应用1相关，第二多个M2M装置16可以与第二应用2相关。例如，M2M装置14可以是电能表，M2M装置16可以是工业传感器。实际上，M2M装置可以涉及很宽范围的应用，例如，但不限于，电能表、工业传感器、身体区域网和智能城市监测仪。

M2M装置14、16中的每一个都可以被视为是通信网络10的资源受限节点。例如，M2M装置14、16可以是能量/功率受限的，因为它们是由电池供电的，电池的寿命限制着M2M装置的使用寿命。还应当认识到，M2M装置也可以是空间受限的。

为了延长M2M装置的电池寿命，希望M2M装置在尽可能长的时间内保持在睡眠模式中。因此希望提供一种方法优化通信网络中M2M装置的睡眠占空比，以便减少能量消耗并增加电池寿命。

重要的是注意到整体目标是使网络10中所有传感器节点14、16在睡眠模式中花费其大部分时间，同时确保在需要时传感器节点能够发射所需的有效载荷。为了进行发射，传感器节点(M2M装置)必须还能够感测来自接入网关的用于下行链路/上行链路控制、估计信道、多路访问等的命令。需注意，这个感测动作是不可避免的，并且涉及能量消耗。在发送短有效载荷的密集网络中，这种感测操作中消耗的功率可能显著大于传输操作。频繁的信道感测提供了物理层和调度器的极好估计，但代价是能量增大。

此外，需要M2M通信网络10覆盖电能表、工业传感器、身体区域网、智能城市监测仪等异质应用集合，每种应用都由不同的传输要求所指定。换言之，在异质节点的密集网络中，谁或哪个传感器要醒来可能是M2M装置电池寿命之间1年或5年的差异。何时以及谁醒来依赖M2M装置的工作(应用)、它们位于哪里、其优先级是什么以及它们如何与网络中的M2M装置其他集合相关。

此外，需注意，M2M装置的占空比和操作也依赖环境的改变。一个M2M装置中的改变可能影响到连接到所述装置的一组装置。应当动态考虑这样的改变。

不能仅仅利用MAC层睡眠周期管理技术来在异质应用、异构网络和多组物理要求和装置上实现占空比优化。此外，现有的MAC层睡眠周期管理技术需要定期感测和确认M2M装置(睡眠->接收->发送)，这又会消耗大量能量。注意，在大中型网络中，节点比发送数据花费多得多的能量来进行感测和同步。

跨层算法被提供以指定M2M装置何时睡眠，何时感测以及何时发送，从而使总能量最小化。换言之，提供了一种确定最优睡眠占空比以最小化通信网络的资源受限节点中消耗的总能量的方法。

通过考虑通信的物理要求并指定M2M装置何时睡眠，提出的这种方法能够从链路级开始。接下来，其指定每个M2M装置应当如何访问网络，以便使总能量最小化。着重于使总能量最小化来执行睡眠、传输、多路访问和感测/调度。这与重点放在使频谱效率最大化的现有多址技术和蜂窝系统是不同的。

此外，提出的方法还可以从网络级方法开始，基于其应用、优先级、物理性质、环境和/或邻域来集成不同的M2M装置，以提供跨越物理层、MAC层、控制层和应用层的跨层方案，以便优化睡眠和通信周期。

最优链路级占空比

提供了一种M2M通信装置，例如图1的通信网络10中的传感器节点14、16。M2M装置具有睡眠、发送、接收等通信要求。给定针对特定应用、业务和物理要求的这种M2M装置(蜂窝、电能表等)，可以确定使得总能量最小化的装置可睡眠的最大时间量。

信息理论的占空比

估计使消耗的总能量最小化的最优睡眠占空比、感测(控制)占空比和发送占空比。在这里，占空比对应于睡眠模式时间与总时间之间的比例分数。从容量的通信理论表达开始，可以导出网络中任何M2M装置能够睡眠的最大时间以使资源受限节点中的能量消耗最小化。

针对给定的收发器和信号传送架构对用于上行传输模式、睡眠模式、感测(控制)模式和多址模式的总能量消耗建模，并利用基于导数的技术求解。在范例中，可以对此进行一般化以针对不同的M2M装置和M2M应用做出说明。这样就确定了使收发器中总能量最小化的信号传送技术和占空比。

多址调度——扩展到多用户

通过多址方案实现该信号传送技术和占空比。在有N个这样的M2M装置共享时间和频谱的情形中，希望确定可以如何分配/调度资源以使总能量消耗最小化。

可以将总的时间和频率资源块分解成不同的时间和频率资源块，可以针对网络中的特定M2M装置选择这些块，以满足所需的信号与干扰加噪声比(SINR)水平，同时使总能量最小化。

在范例中，通信质量度量由物理链路和SINR度量指定，而通信成本由能量消耗指定。可以使用“右移(moveRight)”过程的改变来确定这些时间和频率资源块，其中引入了相关的度量，例如功耗和SINR阈值，以及产生成本的链路质量。该过程然后能够确定这些约束之间的折衷关系。

这种方法将针对具有睡眠、发射和接收模式的任何通信系统估计最优占空比，这会获得能够使功耗最小化的最优占空比。在范例中，在M2M网关18或接入网络12中进行计算。这不限于M2M网络，也可以应用于异质蜂窝网络，其中，例如，毫微微小区或能量维持基站(ESBS)在大部分时间中是睡眠的。

最优网络级占空比

上文描述了用于确定最优链路级占空比的机制和用于使给定M2M装置和应用的总能量消耗最小化的多址技术。M2M通信的特性特征是处理多种应用和网络。因此希望扩展链路级M2M网络以处理各种应用，估计其从属性(dependencies)并更新其占空比，以用于更精确的感测和减低的能量消耗。

针对异质应用的M2M节点之间的从属性可能是由于地理相邻、由于应用之间的从属性(例如，带火警的温度传感器)、由于特定M2M装置的优先级或由于类似的传播环境。

使总能量最小化的最优占空比方案能够解释这些从属性。由于密集网络中准确感测所消耗的能量比传输和睡眠模式更多，所以睡眠和感测占空比可以与以上从属性和网络邻域信息相关。可以使用这种信息通过组合来自M2M节点的各种低精确度感测估计来改善感测精确度。

更具体而言，根据范例提出了若干过程，以用于利用包括地理位置信息、应用/M2M装置优先级、链路级占空比等的概率度量来连接给定网络中的任意M2M装置。可以对应于网络中的所有节点堆叠这种度量。可以在堆叠的概率度量上进行特征分解(eigendecomposition)或类似分解技术，以估计使总能量最小化的针对异质应用睡眠和扫描占空比的最优工作模式和占空比。

可以在称为跨层占空比优化的伞形结构(umbrella)下指定两个步骤，以用于确定最优链路级占空比，并确定最优网络级占空比。

图2示意性示出了根据范例的跨层占空比优化。在图2中，在步骤20₁到20_N,，针对通信网络中的第一到第N应用中的每一个确定最优链路级占空比。然后在步骤22中确定最优网络级占空比时使用这些最优链路级占空比。

现在将更详细地描述图2的跨层占空比优化。诸如图1的通信网络10的网络包括连接到电能表、流量监测仪、数据传感器等的能量约束的M2M装置(M2MD)。这些M2M装置定期或不定期地与M2M网关通信，并传输信息。.

令N为这种节点的数量，每个节点都在带宽W(Hz)上利用信号传送技术(例如PSK、FSK等)传输有效载荷L_n比特n∈{1，…，N}，通信距离为R_n(m)，每天K_n次。在这种情况下，K_n和L_n取决于应用的目的(例如，电能表等)。对于给定的应用，其余参数由物理层和多址情形指定。

假定M2M装置在大部分时间中处于睡眠模式中以节省能量。它从睡眠模式转变到活动模式以便与整个网络通信。下面的表1示出了M2M装置活动模式中的能量消耗。

工作模式	Volt.Reg&Osc	收发器	功率
				睡眠	关，关	关	30μW
空闲	开	关	3mW
				接收	开	开	55mW
发射(0dB)	开	开	49mW

表1

表1示出了在每种模式中M2M装置的哪些部件在工作，以及在这些模式中的每一种中的功耗是多少。模式之间的转变可以是周期性的或由网络需求、节点需求、关键事件等驱动。在表1中可以看出，希望M2M在尽可能多时间中处于睡眠模式中。

最优链路级占空比估计

给定专用于特定应用、业务和多址技术的能量约束的M2M装置或能量维持基站(ESBS)，提供了链路级算法和M2M操作，指定了何时睡眠、醒来、发送和感测M2M装置(或ESBS)，以便使总能量消耗最小化。提供了使M2M节点中消耗的总能量最小化的多址算法。

用于占空比优化的通信理论算法

针对每天通信K_n次的给定M2M节点，使总能量最小化的最优睡眠占空比：

能量模型：考虑上行传输模式中的M2M节点。给定M2M装置中用于发送一个比特消耗的总能量为：

$E_{tot}=T_{tot}{P}_{tot}=\frac{(\frac{\mathrm{\ϵ}}{\mathrm{\η}}{P}_{th}+P_{ckt})T_{tx}+P_{sl}{T}_{sl}+E_{ma}}{L_n}---\left(1\right)$

其中η和ε分别对应于功率放大器效率和信号传送方案的峰值与平均值比，P_th和P_ckt分别对应于收发器中的通信理论功耗(包括信号传送、编码和数字处理)和电路功耗，P_sl和E_ma分别对应于睡眠模式中的功耗和用于多址的能量，T_sl和T_tx分别对应于睡眠模式和传输L_n比特花费的时间。忽略估计多址资源所需的时间和睡眠模式和活动模式之间的转变时间，总时间为T_tot＝T_sl+T_tx，睡眠占空比为

从信息理论的角度看，对于给定的信号传送技术和物理层规范、通信范围等，希望确定最大的可实现传输速率R_m，以使传输L_n比特所消耗的能量最小化。

如果E_ma＝0且P_ckt＝0，稍后提出了算法和架构以使这些项最小化。还假设η＝1且ε＝1。

$-P_{tot}=\frac{1}{L_n}{\mathrm{\αP}}_{sl}+\frac{W}{R_m}(1-\mathrm{\α})\[2^{\frac{L_n}{K_n}\frac{1}{(1-\mathrm{\α})W}}-1\]---\left(2\right)$

为了估计使范例中的使总能量最小化的睡眠占空比，在能量模型(1)中包括信息理论成本(2)。在范例中，P_tot是根据α表示的。确定P_tot相对于α的偏导数，使等于零。用于使E_tot最小化的最优α或睡眠占空比条件由下式指定：

获得由下式约束的最优占空比

根据范例，提出了一种为一列物理要求和信号传送约束估计最优占空比的方法。图3示出了用于估计最优链路级占空比的过程流，其包括，利用方程(1)对给定M2M装置中的总能量消耗进行建模的步骤32，利用方程(2)为给定物理资源确定信息理论成本的步骤34，相对于睡眠占空比α使方程(2)的偏导数相等的步骤36，以及估计睡眠占空比的步骤38。

将要认识到，可以针对P_ckt、η和ε的不同值修改上述估计最优链路级占空比的方法。

此外，可以将最优链路级占空比的估计扩展到多址算法，使特定服务质量的总能量最小化。在以上推导中，假设使用调度的多址传输，不同通信模式的最优睡眠占空比被估计，同时使总能量最小化。可以在可用资源，例如空间、时间、频谱或代码域上进行调度。由于M2M节点的复杂性低，所以可以省略多天线和耙型(rake)接收机类型架构，并可以考虑时间和频谱资源。在这种情况下，将整个频谱和发送时间分别分成K个容器(bin)和时刻的块。

考虑M2M节点n∈{1，…，N}，在时间τ_n＝[τ₁…τ_K]和频率容器w_n＝[w₁…w_K]中分配资源。这里，K对应于特定应用。这种分配类似于例如根据3GPP标准所遵循的那些。目的是通过某种方式调度这些容器，使得上行传输中的总体能量针对特定SINR最小化。在M2M网关处，针对节点n：γ_n的SINR阈值被指定为从节点n接收的信号能量与针对所有其它节点的总信号能量之比。可以将γ_n值链接到误差率的期望概率。可以将多址问题指定为选择适当的τ_n和w_n，使得在这些资源上总体SINR最大化。

来自每个M2M装置的发射功率保持最小。这是由以下表达中指定的发射功率约束指定的：

其中g_n是信道增益，并其利用导频信号或从先前估计来对其进行估计。目的是估计τ_n和w_n。

在数学上，可以利用典型的凸优化技术(convexoptimizationtechniques)来指示以上问题。提供了一种低复杂性的调度技术。这种方式是“右移”过程的修改版本。右移的原始版本提供了一种低复杂性方式来调度资源，但未提供SINR等级和能量消耗上的任何度量。在范例中，这些因素被包括。接下来，检查这些块是否满足方程(4)中的不等式约束，同时使成本最大化。所提出的过程是：

-从针对每个τ_n的非零块随机集合开始

-对于τ_n和w_n-1

-如果前一最大值，同时满足(4)中的约束

ο那么w_n＝[w_n-1]

ο否则w_n＝[w_n-11]

-如果尺寸(w_n)≥K

ο那么τ_n+1＝[τ_n1]

ο否则τ_n+1＝[_τn]

-循环结束

最优网络级占空比估计

如上所述，提出了针对给定应用的最优链路级占空比估计和多址技术。注意，M2M网络包含专用于不同应用、业务和资源约束的节点。因此，进一步提出了跨层优化技术，该技术将无线链路质量和位置的物理层估计与MAC层寻址和事件触发技术以及更高层应用集成了起来。

改善网络级的感测精确度

感测模式是不可避免的，并且其直接关系到M2M网关中的估计精确度；可以通过如下方式对此加以改进：

a.直接或广播网络：从接入网络向M2M节点发送频繁的导频信号，并从其响应估计信道状态、多路访问、传感器读取等，以能量消耗增大为代价。

b.网络邻域发现：或者，传感器能够提供邻居列表以访问这个网络。根据邻居列表及其感测信息的质量，接入网络能够重新估计并改进传感器节点的占空比。考虑图1中为异质应用服务的异构网络。可以利用来自为不同应用服务的邻近节点的信息大大改善M2M装置的通信和感测功能。

如果一些节点受到其能量的严重约束并需要极低的感测周期，这种方式可能尤其有用。这种方法需要了解总体网络的布局以及它们的连接性。一旦有了这种信息，就可以通过处理来自所连接节点的列表的稀少信道感测信息来推导针对每个节点的精确感测信息。换言之，估计网络邻域导致从几种低精确度M2M感测模式得到改进的感测估计。

例如在现有的IEEE802.15.4标准以及具有100-1000个节点的大中型网络中，感测模式期间消耗的能量比发送短有效载荷中所消耗的能量更多。为了改进M2M节点中的这种感测时间，现有网络忽略了网络级信息。通过估计链路级占空比来获得的占空比被如上所述地通过利用网络级地图来更新。

分析给定网络中节点之间关系的一种有效方式是使用协方差技术。从传感器数据获得的协方差度量可以提供物理层应用和定位。可以将此与特定M2M节点的一跳邻居值组合，可以提供网络和MAC层地图。

这两个度量的加权组合可以提供跨层地图。给定局部邻域覆盖范围、各种应用要求和给定的触发事件信息等，传感器网关估计醒来的占空比。这种方式在传感器网关或接入网络中进行估计，利用任其使用的足够的的处理能力。

跨层的M2M网络优化

考虑具有N个节点的给定网络，其中如上所述估计链路级占空比。首先，考虑睡眠占空比，稍后，引入感测和发送占空比。利用N×1矢量t_sl＝[T_sl，1，…，T_sl，N]^T代表最优睡眠模式占空比，其中T_sl，i对应于睡眠模式期间花的时间。从链路级占空比算法获得T_sl，i的初始值。

为简单起见，假设所有传感器对应于同一应用，不过，如下文更详细的所述，可以针对改变的应用对这进行一般化。利用ω_j指示特定节点j，j∈{1，…，，N}的优先级或权重。在其他参数中，由链路度量或距离度量d_i，j指定传感器i和传感器j之间的链路质量。可以在网络初始化阶段期间获得这些度量并一直保持固定。从物理层的角度看，然后可以利用信息或概率度量指示任何两个传感器之间的相关性：

其中

c为常数，P_th对应于某个预定义阈值。可以通过设置P_th的不同值，改变该算法的复杂性。概率度量p_i，j随不同占空比的变化而变化。可以通过将概率度量堆叠为N×N矩阵，获得针对N个节点的整个网络的一组概率转移(probabilitytransition)：

用于异质应用的最优占空比算法

通过相对于由概率度量矩阵(5)指定的连接、权重和应用更新单位规范矢量(unitnormvector)t_sl来实现能量最小化的目的。注意，初始t_sl不考虑这些网络连接，其累积占空比将始终小于利用网络邻域信息更新的t_sl：

$\begin{array}{cc}{\hat{t}}_{sl}=\arg max& t_{sl}\left|\right|{\mathrm{Pt}}_{sl}\left|\right|\end{array}$

优化函数未指定对个体占空比T_sl，j的任何限制。例如，最优t_sl可能具有某些零值条目。对于实际的传感器网络，这将是不可接受的，因为每个传感器都需要感测信道至少最小的时间量T_min。

在上文中，T_min对应于要实现预指定的功率节省，特定M2M装置必须要睡眠的最小量时间。这个值是从最优链路级占空比估计过程获得的。可以将此表示为不等式约束：

T_sl，j≥T_minj∈{1，…，N}。

除了第一约束之外，网络中所有传感器的总体感测时间满足||t_sl||²＝1。可以如下将优化问题重写成：

$\begin{array}{cc}{\hat{t}}_{sl}=\arg \max & t_{sl}\left|\right|{\mathrm{Pt}}_{sl}\left|\right|\end{array}$

条件是T_sl＞T_min(6)

合理的是假设p_i，i＝1且换言之，P为对角优势矩阵。P具有满列秩。

1.注意，P取决于传感器之间的无线传播和距离，对于传感器、优先级和T_sn，j的随机分布，合理的是假设P是对称的正方形矩阵。

2.从(6)，从P的特征分解获得不受约束的解。

3.从以上性质，特征分解将获得不同的一组特征值(eigenvalue)和特征矢量(eigenvector)。

4.对于对称满秩矩阵P，在按照降序布置这些不同的特征值时，选择t_sl作为对应于最优势特征值的特征矢量将使概率转移矩阵最小化：

t_sl＝u_N其中[u₁，…，u_N，λ₁，…，λ_N]＝eig{P}(7)

5.在(7)中，通过使占空比与t_sl成比例给出针对给定网络的最优睡眠时间。

图4示出了用于估计最优网络级占空比的过程。在图4中可以看出，该过程开始于步骤40，步骤40是图3所示过程的结尾。在步骤42，利用概率度量指示M2M装置之间的连接。在步骤44，堆叠概率度量，这就是睡眠占空比。对于不受约束的情况，在步骤46，计算堆叠概率矩阵的特征分解，以使总能量消耗最小化。在步骤48，确定对应于最少优势特征值的特征矢量以提供最优睡眠占空比。

扩展算法以用于最优感测占空比

可以针对工作于感测模式中的M2M节点扩展更新睡眠占空比的表达式(5)和(6)，以获得控制信号传送。利用N×1矢量t_sn＝[T_sn，1，...，T_sn，N]^T表示最优感测模式占空比，其中T_sn，i对应于感测模式期间的时间花费。从链路级占空比估计算法获得T_sn，i的初始值。

利用由概率测量矩阵P指定的不同感测邻居之间的连接，可以将节点处的感测信息表示为累积和：

$\begin{array}{cc}{T}_{sn,i}\left(t_{sn}\right)=T_{sn,i}+{\Σ}_{j=1}^N{p}_{i,j}{T}_{sn,j}& \∀j\≠i\end{array}$

从以上表达式可知，更新的感测时间T_sn，i(t_sn)≥T_sn，i和网络感测模式的质量比链路级感测时间更好。注意，感测信息的精确度与T_sn，i(t_sn)成比例；于是，可以将概率度量用于如下任一目的：

-减小实现特定服务质量(例如，初始T_sn，i)所需的扫描占空比。这又减少了每个传感器在扫描阶段消耗的总时间，从而使扫描模式期间的能量消耗最小化；

-从一组低占空比扫描提供给定传感器的更精确信道/操作状态。

以上过程为给定网络估计最优睡眠占空比。可以利用概率度量扩展相同的方式以修改在上行通信模式中从一组传感器发送的时间。

最优网络级占空比算法的一般化

可以对概率度量进行一般化以包括对应于MAC和应用层的参数。在这样的情况下，其余参数保持不变，仅修改概率度量。假设每个M2M装置都提供一跳邻居估计。注意，一跳邻居的估计是相当低复杂性的操作(基于粗略的RSSI强度)。

包括一跳邻居，可以将概率度量进行如下重写：

包括关于异质应用的概率度量信息：

其中w_i，j指示对两个不同应用寻址的节点i和j之间的权重或优先级。接入网络能够基于测量值估计这一权重。

例如，令x_i和x_j对应于在M2M网关处接收的指示来自传感器i和j的消息的L_n个比特序列。M2M网关可能没有应用的细节。在这种情况下，这两个序列之间的自相关会提供这两个消息之间关系的测量：

$w_{i,j}=x_j^T{x}_i.$

将要认识到，可以将跨层占空比优化扩展到在自组织网络设立中的跨层优化。例如，为具有异质应用的自组织网络进行路由或为具有分裂控制平面的异质蜂窝网络进行多路访问。

具有异质应用的自组织网络：

在扩展到更一般的自组织网络空间时，提出了路由算法的网络级优化以解决流量瓶颈的问题。不过，节点未必是受能量限制的，并且优化成本可能与M2M网络的不同。不过，可以针对这个问题重新表述上述算法。例如，通过最优网络级过程，可以使用邻居协作来增强路由协议的性能。

具有分裂控制平面的异质蜂窝网络的多路访问：

已经提出了一种用于异质蜂窝网络的网络配置，以将控制平面分开并方便网络的部署，减轻切换失败并实现能量接节约。根据其业务要求，可以由宏小区或小小区控制该组用户设备。这些业务要求以及它们与宏小区和小小区的相关性可以被表述为类似于最优网络级占空比的问题，并可以使用对应的小区选择技术。

上述跨层占空比优化方法允许利用跨层优化模型显著地增加电池寿命，并将异质应用与网络和物理设置集成。

上文这样描述了物理、MAC和更高层的算法，以估计在为异质应用服务的网络之内每个能量受约束装置或M2M装置必须工作的最优睡眠占空比，以使得这些装置中的总能量消耗最小化。不过，进一步希望提供利用完整或不完整信息对网络状况的自适应学习，以便保持感测的精确度和睡眠占空比优化。

可以将上述跨层占空比优化用作包括自适应学习的交互式睡眠管理系统的起始点。或者，交互式技术可以从例如随机选择的占空比开始。不过，应当指出，与使用随机选择的占空比参数相比，与使用最优跨层占空比估计相结合可以为交互式睡眠管理系统使得成本最小化(例如，能量、带宽和延迟)，以实现最优性能。

图5示意性示出了根据范例的交互式睡眠管理过程。在图5中可以看出，交互式睡眠管理过程能够在步骤52处从图2的跨层占空比优化开始，或者可以在步骤54从链路级占空比的随机值开始。不论起点在哪里，该过程都进行到步骤56，在此，将如下所述，基于感测历史和事件的严重程度，执行动态交互式睡眠管理过程。

在交互式睡眠管理系统中提出了两种关键技术：

·关于网络状况的动态更新：提出了使用多级动态贝叶斯博弈论对感测现象和M2M网络之间的交互进行建模。博弈动态学习网络中的流量状况，并相应地引导M2M装置调谐其睡眠占空比。

·睡眠占空比参数的交互式控制：基于提供的与网络条件相关的动态更新，提出了一种用于M2M通信的交互式睡眠管理系统。这种睡眠管理系统从网络条件分析开始，给定更新的网络条件和应用以及本地节点之间的拓扑关系，有效率地调节整个网络中的睡眠占空比参数。这些更新和调节能够通过例如动态贝叶斯博弈模型或交互式机器学习技术来完成。

原则上，利用博弈理论方法和用于连续学习网络的博弈均衡状态，将M2M网络操作建模为响应于环境改变的动态网络。博弈的均衡条件获得了在竞争状况下的准确可靠的解(与M2M网络面对的状况相同)。这样的预测与跨层占空比优化以及应用和拓扑要求结合，方便了整个改变网络内占空比参数的调谐。

注意，所有以上技术未必限于M2M通信设置或能量效率的优化，并可以容易扩展到以能量最小化或任何其他目的为重点的任何自组织网络设置，例如用于具有异质应用的自组织网络的路由和占空比管理、用于具有分裂控制平面的异质蜂窝网络的多路访问和用于具有不确定信息的跨层CDMA网络的博弈理论功率控制。

考虑图1的异质通信网络10，其包括网络，该网络包括多个M2M节点14、16和M2M网关18。如果网络不随时间变化并由于随机事件而改变，上述用于估计跨层占空比优化的过程足以使总能量最小化。正常情况下，会要求任何支持异质应用的M2M网络处理周期性和随机的突发流量并面对改变的拓扑结构。在用于静态和周期性睡眠和醒来操作时，流量的随机突发性质和改变的拓扑结构限制着网络对感测现象的响应，这能够导致具有高度改变的性能，导致例如服务质量下降。

动态博弈和策略

为了解决总体感测中的随机改变，提出了一种基于动态贝叶斯博弈论的自适应网络架构对感测现象和网络交互进行建模。提出的方法在网络的流量条件改变时就向资源约束的节点提供占空比参数和网络连接，并相应地令M2M节点调节它们的睡眠占空比。如下定义根据范例的两玩家静态贝叶斯博弈：

一个玩家代表总体感测现象，被标识为玩家i。另一个玩家(标识为玩家j)代表被设计成检测感测现象并做出响应的一组M2M节点。

对于玩家的动作策略，玩家i具有如下动作集合：

1.使用现象触发策略(T)，或

2.不使用现象触发策略(NT)。

玩家i的动作策略是独立且随机的。

玩家j具有如下动作集：

1.使用睡眠、转变和传输策略(STT)(由于预配置的周期性唤醒或现象触发，节点从睡眠模式变成活动模式，执行感测和数据上载，最后返回到睡眠模式)。

2.使用睡眠和转变策略(ST)(由于预配置的周期性唤醒触发，传感器节点从睡眠模式变成活动模式，执行感测而不进行数据上载，最后返回到睡眠模式)。

3.使用睡眠策略(S)(传感器节点保持在睡眠模式中)。上述动作策略覆盖了所有潜在的玩家i和j的动作。

由于玩家i的动作选择对于玩家j而言是未知的，如果传感器现象正在被视为关键(critical)状态，这种博弈逻辑上采用T和NT策略，仅在传感器现象被视为正常(normal)状态时才使用NT策略。这样的不确定信任存在于玩家i的类型上(玩家i的关键或正常状态对于玩家j而言是私密信息)，但反之不是这样。

表2示出了根据范例的贝叶斯博弈的策略形式和偿付矩阵。

玩家j

表2

成本和偿付之间的交互关系

表2给出了玩家i和j的策略形式，并汇总了玩家策略的不同组合的偿付函数。在博弈矩阵中，任一玩家都以完成其目标为目的，为其自己赢得报酬W，其中W>0，而竞争玩家招致损失-W。这样的模型假设在博弈玩家之间有着相等的盈亏。这是符合逻辑的，因为双方都因为自身的原因以自私方式操作。例如，玩家j被设置成成功识别并报告玩家i的触发。利用这样的成功，玩家j赢得报酬W，但玩家i支付价格，-W，反之亦然。

在这种交互中，可能节点的触发检测不是100％的可靠，因此α代表给定任何实际触发时的正触发检测概率，而β代表未给定任何实际触发时检测到触发的虚警概率(这是指在未产生任何触发时检测显示为肯定结论时的虚假报警)，α、β∈[0，1]。运行任何动作策略还引入了成本，其取决于所选的动作。分别由C_T、C_STT、C_ST和C_S指示生成触发T和使用STT、ST和S策略的成本；P'是误检测的惩罚；其中所有值都大于0且小于W。出于在博弈中理性交互的目的配置相应的成本参数，同时考虑M2M通信中的因素(物理和网络要求)。

玩家j的动作策略的成本包括两个标准，即能量和带宽，因为它们是无线通信中最重要的资源。玩家i的动作策略成本是虚数值0。也可以在用于无线通信的币值中对这样的成本参数和报酬建模。在这一表格中，玩家i和j的预期偿付(EP)等于预期报酬及其对应成本与策略组合之和。它计算每对具有参数K的策略的虚拟输出，参数K代表一个博弈级中产生的触发数量。这一参数与传感器流量(其关联到针对链路级优化中的M2M节点n的有效载荷参数L_n以及这种参数的聚合值，该聚合值由网络级优化中的异质应用和本地邻居关系的共同感测目标确定)相关。

玩家i的理性行为是在任何地方/任何时候生成现象，而玩家j的理性行为是有效率地报告所感测现象。这种性质导致自私行为，为此玩家仅专注于自身目标的成功(使其自己的偿付度量最大化)。如果一个玩家的偿付最大化，而另一个还有提升空间，这样的策略组合将不会被两个玩家都相互接受。两个玩家都同意参与的唯一条件是使用均衡策略组合，其中他们相信实现了其最大偿付(相互最优化)。因此，针对所提出博弈模型的贝叶斯纳什均衡(BNE)被分析。

贝叶斯纳什均衡

考虑不确定类型的玩家i(正常或关键)，设计概率参数μ以评估这种不确定性。可以将这一概率参数μ看做玩家j对玩家i类型的信任。在这种分析中，μ是玩家做出决策时共同的优先考虑事项。

如果玩家i选择策略集(如果其类型为关键，选择T，如果是正常，选择NT)，玩家j的STT、ST和S策略的预期偿付分别指示为EP_j(STT)、EP_j(ST)和EP_j(S)。表3汇总了所提出的博弈的均衡关系：

表3

类似地，如果玩家i选择策略集(如果类型为关键，选择NT，如果为正常，选择NT)，用于玩家j的优势策略是使用策略S，无论μ的值是多少。在这样的情况下，如果玩家i的类型为关键，玩家i的最佳策略将变成T。这种分析简化到前一种情况，获得非纯粹的BNE。

混合BNE策略：

利用以上分析，未找到针对整个博弈的纯粹BNE策略集。因此，导出混合策略BNE。令P为类型是关键时玩家i产生任何触发的概率。针对概率P，表述玩家j使用STT、ST和S的预期偿付。对于玩家i策略的均衡，应用EP_j(S)＝EP_j(nonS)＝EP_j(STT)+EP_j(ST)。这会导出使用T策略的玩家i的概率P*。类似地，计算玩家j的策略Q*的均衡。导出的混合BNE策略集如下：

·如果玩家i的类型是关键，玩家i和j分别使用概率为P*和Q*的策略集

·如果玩家i的类型为正常，玩家i仅使用NT

·玩家j对玩家i类型为关键的信任为μ。

其中

$P*=\frac{{\mathrm{\βP}}^{\′}+C_{STT}+C_{ST}-C_S}{\mathrm{\μ}(3\mathrm{\α}\mathrm{\ω}k+{\mathrm{\βP}}^{\′})}$

这种情况在以下表4中汇总：

表4

利用这样的BNE分析，可以设计睡眠管理策略以实现网络中相互接受的偿付。

动态贝叶斯博弈——对网络改变做出解释

以上BNE分析假设玩家交互的共同优先考虑项为μ。在实际应用中，这样的参数取决于网络环境和玩家的交互。例如，如果网络中节点的流量产生很高，可以分配μ的高值。因此，可以将上述贝叶斯博弈模型扩展到演化动态贝叶斯博弈(evolutionaryanddynamicBayesiangame)，对此玩家j根据博弈历史连续更新其对玩家i类型的信任。这种连续博弈是在n个博弈级中运行的，每级的持续时间都等于唤醒周期的平均间隔。玩家在每个游戏级中的偿付保持相同(在博弈进行时，玩家偿付没有折扣)。令H_i(t)为玩家i直到博弈级t时的历史概况，OA_i(t)为玩家i在博弈级t的观测动作，PT_i为玩家i的私有类型(关键或正常)，为玩家i的所有可能私有类型，α₀为观测成功率(正确观测到事件的概率)，β₀为观测事件的误报警概率。基于贝叶斯规则，导出玩家j对玩家i为关键类型的后验信任如下。

图6示意性地示出了上述迭代信任预测过程。在图6中可以看出，过程开始于步骤62，在此开始多级动态贝叶斯博弈。在步骤64，如表2中所示，针对不同策略对利用偿付函数形成静态贝叶斯博弈。在步骤66，进行贝叶斯纳什均衡分析。在步骤67，进行后验信任更新，其考虑了动作历史68和观测的动作69。

为M2M通信应用动态贝叶斯博弈

图7示出了睡眠控制操作的范例。在图7中，接入网络节点服务网关(SG)与第一传感器节点(节点1)、非常接近第一传感器节点的第二传感器节点(节点2)以及远离第一和第二传感器节点的第三传感器节点(节点3)通信。一开始，节点1、节点2和节点3的占空比具有长的感测间隔TD。亦即，每个传感器节点以时间间隔TD都转变到活动模式，并执行感测发射/接收功能。可以将这种具有长感测间隔TD的模式称为低感测模式。

在特定时间，节点1处发生关键事件(触发事件)。这种关键事件可以是传感器节点1的传感器具有需要发送到接入网络的数据。将这种关键事件报告到接入网络节点SG，接入网络节点SG进行对事件严重程度的信任更新。在这种情况下，SG指出严重程度高，节点1将进入高感测模式，其中，更新感测间隔TU比长感测间隔TD更短。

由于节点2在地理上接近节点1，因此有可能在节点1发生的关键事件也会在节点2处发生，SG因为节点1处的关键事件而做出这种判断，预期到节点2处可能有关键事件，节点2的占空比也应当变成具有感测间隔TD的高感测模式。

在一段时间之后，SG可以对事件严重程度进行信任更新。在过去一段时间而没有检测到另一关键事件时，SG指出现在严重程度低，节点1应当进入具有长感测间隔TD的低感测模式。此时，SG还指出节点2应当也进入低感测模式。尽管图7示出了节点2与节点1同时返回到低感测模式，但应当认识到，可能不是这种情况，在节点2上没有关键事件的情况下，节点2可以在节点1之前返回低感测模式。

重要的是要指出，因为节点3在地理上远离节点1和2，考虑到节点1上的关键事件，GW不会决定节点3必须要变成高感测模式。

图8示出了对应于图7的睡眠控制操作的睡眠控制框架70。框架70基于导出的最优睡眠占空比参数，假设每个节点都维持其睡眠和唤醒模式。此外，对于事件检测的越来越大的时间概率，相邻节点异步地遵循这一参数。

图8示出了两级睡眠控制框架，其中SG使用观测到的感测数据和感测历史72导出其对事件严重程度的信任，并更新传感器节点的感测占空比。有两个过滤器用于对占空比进行最终判决。一个是如上所述且如图6所示，基于信任更新系统的事件严重程度74的定义，另一个是感测范围的定义，该感测范围允许受到所感测到的现象影响的网络部分进行睡眠占空比调节，而网络其余部分保持不变。两个过滤器都是应用依赖的(application-dependent)。根据这两个过滤器的结果，传感器节点的占空比被要求处于低感测模式78或高感测模式82中。

在图7的框架中，在存储单元中存储网络的感测历史72。基于来自传感器节点的感测历史和观测，可以由接入网络节点或接入网络进行对感测事件严重程度的信任更新74。可以根据图6中所示并如上所述的算法进行这种信任更新74。基于信任更新74，可以确定76针对特定感测节点的感测事件的严重程度。可以确定事件严重程度为指示传感器节点应当处于高感测模式中的关键事件，或者可以确定其为指示传感器节点应当处于低感测模式中的正常事件。在高感测模式中，感测节点可以比在低感测模式中更频繁地进行其感测操作。

在图7中，如果确定事件严重程度为正常，而不是严重，框架指示感测节点处于低感测模式78中。如果确定事件严重程度为严重，框架然后进行基于范围的过滤，其中判断是否应当基于网络的覆盖范围改变占空比。例如，如果确定网络中的感测事件为关键，但这一感测事件发生于远离相关特定感测节点的感测节点处，可以不将特定感测节点的占空比更新到高感测模式82，可以使其保留在低感测模式78中。相反，如果确定网络中的感测事件为关键，并且这一感测事件发生于距相关特定感测节点在地理上和网络级上都接近的感测节点处，可以将特定感测节点的占空比从低感测模式78更新到高感测模式82。

由于不必要节点唤醒，这种位置测绘过滤器80进一步使得能量消耗最小化。对于感测范围的定义，可以构建虚拟覆盖地图，其定义给定应用和任何相关检测的单个或多个目标的情况下，每个节点的受影响区域。

图8中的两个过滤器是应用依赖的，可以针对具有新标准的细粒度多级睡眠控制进行扩展。

执行交互式资源管理技术

图9示出了一系列观测到的事件对后验信任更新的效果。进行一组数值模拟以论证所提出的贝叶斯博弈模型。目标是分析博弈公式和博弈玩家之间的均衡策略。在这种分析中，α，β、W，K，P′、C_STT、C_ST、C_S、α_o和β_o参数的默认值分别是0.9、0.01、1、1、5、0.9、0.025、0.001、0.9和0.01。它们被根据通信规范配置。例如，成本参数C_STT、C_ST和C_S的比值基于ChipconAS(RTM)的CC2420无线电收发器芯片。符号(α,β)和(α_o，β_o)取决于信道条件、传感器部件等，并用于不同目的。在用于博弈交互的偿付函数中使用α和β，而在信任更新过程中使用α_o和β_o来估计观测误差。奖励W和惩罚P′是虚拟参数，用于对玩家的行为建模。在评估时，我们调谐被研究的参数，以分析玩家j的后验信任更新。

通常，信任更新系统快速并准确地获取网络的改变，并产生对其做出的响应(信任更新)。在这种博弈配置中，对关键事件的响应比对正常事件的响应更快。通过调谐博弈参数，信任更新的结果能够改变。

上述动态管理方法允许对改变的网络进行睡眠占空比的动态管理。它将动态管理与网络层、物理层和应用层集成，利用跨层优化模型和交互式睡眠管理的组合显著延长了电池寿命。

可以将本发明实现在其他特定设备和/或方法中。所述实施例在所有方面中都被视为仅仅例示性而非限制性的。具体而言，本发明的范围由所附权利要求而非这里说明书和附图指明。在权利要求等价描述含义和范围之内的所有改变都涵盖在其范围之内。

Claims (15)

1.一种包括接入网络节点和多个资源受限节点的通信系统，所述接入网络节点包括：

控制单元，所述控制单元可操作以

基于网络观测和所述网络观测的历史概况，针对所述多个资源受限节点中的资源受限节点估计对网络条件的信任；

在所述接入网络节点中动态更新对所述资源受限节点的信任；

确定所述网络条件中所述更新的信任的严重程度指示需要所述资源受限节点的睡眠占空比的改变；

确定所述多个资源受限节点之内的所述若干资源受限节点之间的相关性指示需要所述资源受限节点的睡眠占空比的改变；以及

更新所述资源受限节点的睡眠占空比以优化所述若干资源受限节点中消耗的总能量，同时达到特定的检测阈值。

2.根据权利要求1所述的通信系统，其中，在所述网络条件中所述更新的信任的严重程度以及所述若干资源受限节点之间的相关性指示需要所述资源受限节点睡眠占空比的改变时，所述控制单元可操作以更新所述资源受限节点的睡眠占空比以优化所述资源受限节点中消耗的总能量，同时达到特定检测阈值。

3.根据权利要求1或2所述的通信系统，其中，在所述控制单元确定网络条件中所述更新的信任的严重程度指示需要所述资源受限节点睡眠占空比的改变以优化所述资源受限节点中消耗的总能量，同时达到特定检测阈值，并且所述若干资源受限节点之间的相关性没有指示需要所述资源受限节点的睡眠占空比的改变时，不对所述资源受限节点的睡眠占空比进行更新。

4.根据任何前述权利要求所述的通信系统，其中，在所述控制单元确定网络条件中所述更新的信任的严重程度指示关键事件时，减小所述资源受限节点的睡眠占空比以触发所述资源受限节点更频繁地从睡眠模式切换到活动模式。

5.根据任一前述权利要求所述的通信系统，其中，在所述控制单元确定网络条件中所述更新的信任的严重程度指示事件严重程度低时，增大所述资源受限节点的睡眠占空比以触发所述资源受限节点以较低频率从睡眠模式切换到活动模式。

6.根据任一前述权利要求所述的通信系统，其中，所述多个资源受限节点之内的若干资源受限节点之间的相关性基于若干本地节点之间的拓扑关系、若干资源受限节点之间的应用相关性、它们的无线信道之间的统计相关性或其组合。

7.根据权利要求6所述的通信系统，其中，所述若干本地节点之间的拓扑关系包括所述资源受限节点与所述多个资源受限节点的若干其他节点的物理邻近，以及所述资源受限节点与所述多个资源受限节点的若干其他节点的通信邻近。

8.根据任一前述权利要求所述的通信系统，其中，所述若干本地节点之间的相关性度量是过滤器，所述过滤器确保所述通信网络可能受到所述网络条件影响的部分的睡眠占空比被更新，同时所述通信网络中不大可能受到所述网络条件影响的部分的睡眠占空比保持不变。

9.根据任一前述权利要求所述的通信系统，其中，在所述通信网络初始化时，所述资源节点的睡眠占空比是优化的睡眠占空比，所述睡眠管理方法在所述通信网络工作的同时动态更新若干受影响节点的睡眠占空比，以确保所述睡眠占空比是优化的。

10.根据权利要求1到8的任一项所述的通信系统，其中，在所述通信网络初始化时，所述睡眠管理方法为所述睡眠占空比参数确定任意起始值并在所述通信网络工作的同时动态更新所述睡眠占空比，以确保所述睡眠占空比是优化的。

11.根据任一前述权利要求所述的通信系统，其中，利用针对不同策略对具有博弈理论偿付功能的多级贝叶斯方法估计对所述网络条件的信任更新。

12.根据权利要求11所述的通信系统，其中，利用贝叶斯纳什均衡分析结合贝叶斯规则和一组网络观测，估计对所述网络条件的信任更新。

13.一种包括多个资源受限节点的通信网络中的接入网络节点，所述接入网络节点包括：

控制单元，所述控制单元可操作以

基于网络观测和所述网络观测的历史概况，针对所述多个资源受限节点的资源受限节点估计对网络条件的信任；

在所述接入网络节点中动态更新对所述资源受限节点的信任；

确定所述网络条件中所述更新的信任的严重程度指示需要所述资源受限节点的睡眠占空比的改变；

确定所述多个资源受限节点之内的所述若干资源受限节点之间的相关性指示需要所述资源受限节点的睡眠占空比的改变；以及

更新所述资源受限节点的睡眠占空比以优化所述若干资源受限节点中消耗的总能量，同时达到特定的检测阈值。

14.一种优化包括多个资源受限节点和接入网络节点的通信网络中消耗的能量的方法，所述方法包括：

基于网络观测和所述网络观测的历史概况，针对所述多个资源受限节点的资源受限节点估计对网络条件的信任；

在所述接入网络节点中动态更新对所述资源受限节点的信任；

确定所述网络条件中所述更新的信任的严重程度指示需要所述资源受限节点的睡眠占空比的改变；

确定所述多个资源受限节点之内的所述若干资源受限节点之间的相关性指示需要所述资源受限节点的睡眠占空比的改变；以及

更新所述资源受限节点的睡眠占空比以优化所述若干资源受限节点中消耗的总能量，同时达到特定的检测阈值。

15.一种可以在计算机上执行时执行根据权利要求14所述的方法的计算机程序产品。