CN105959988A - 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法 - Google Patents

Abstract

一种基于支持向量机的认知无线自组织网络节点稳定性判决方法，该方法结合局部网络属性，基于支持向量机方法，对认知无线自组织网络中节点的稳定性状态问题进行建模。本发明包含指标参数的感知与获取机制、基于支持状态机的节点稳定性判决及路由决策方法。首先，通过跨层交互机制，感知当前网络环境、获取指标参数传递给稳定性判决决策模块。其次，结合支持向量机模型，以前述指标为输入特征，以不同的稳定性状态为分类标签进行训练，获得其预测输出。最后，选择有差异的路由策略进行数据转发。本发明通过综合分析网络环境，融合机器学习方法对节点稳定性状态做出预测，从而增强对动态认知无线自组织网络的适应性、提高转发效率。

Description

一种基于支持向量机的认知无线自组织网络节点稳定性判决方法

技术领域

本发明涉及计算机科学中的认知无线自组织网络领域，特别是涉及认知无线自组织网络中的节点稳定性判决方法。

背景技术

认知无线网络(Cognitive Radio Network,CRN)在传统网络传输技术的基础上，融入了认知领域的某些功能，包括网络状态的获取、依据状态信息设计的决策机制、行为备选集的生成、依据预设准则采取的行动以及依据历史知识的学习等状态，该过程被归结为一个具备智能特性的认知环结构。认知无线自组织网络(Cognitive Radio Ad Hoc Network,CRAHN)则将传统的无线自组织网络和认知无线电技术相结合，将后者的频谱探测(Detecting)、共享(sharing)、决策(Deciding)、迁移(Shifting)等功能有效的整合到无线自组织网络的网络协议栈模型中，使其在节点多跳传输、拓扑动态变化及频谱资源的分布式控制等特点的基础上，具备智能化决策的功能，通过资源的有效配置提高频谱资源的利用率，进而提高整体网络性能。

支持向量机(Support Vector Machine,SVM)是机器学习领域中的一种有监督学习分类器(Supervised Classifier)。其基本思想是一个线性分类器，目的是找出一个超平面的分类间隔，并最大化该间隔值，最终的求解过程可转化为一个凸优化问题。相比于无监督学习(Unsupervised Learning)，其需要为数据点事先指定一个分类标签。对一个数据点进行分类，其距离分类超平面(Hyperplane)的“间隔”大小反映了分类结果的可靠性或置信度。

发明内容

本发明以提高认知无线自组织网络的数据转发效率为目标，结合机器学习的相关思想，设计并实现一种基于支持向量机的认知无线自组织网络节点稳定性判决方法，整体功能模块见图1所示。具体包括：

1、指标参数的感知与获取

认知无线自组织网络中的节点周期性收集或计算邻居稳定性、可用频谱稳定性、干扰程度等网络属性。这些信息一部分通过跨层信息交互机制、物理层及链路层的环境感知以及节点对自身运动环境的记录获得，另一部分信息则通过和邻居节点间周期性的信息交换获得。

2、基于支持向量机的节点稳定性判决决策

在节点稳定性判决决策阶段，以上一阶段获取的信息为基础，综合考虑邻居稳定性、可用频谱稳定性、干扰程度等指标，利用支持向量机，判决出符合当前网络状况的节点稳定性状态(分为稳定、次稳定、不稳定三种状态)。支持向量机隶属于有监督的机器学习方法，即其假设每个数据点拥有对应的分类标签。通过将模型中的输入特征指定为网络中的指标参数，将分类标签指定为不同的稳定性状态，通过模型训练求解最优分类超平面，最终可依据当前节点收集的周围网络环境信息，独立的进行稳定性状态预测输出。

3、基于节点稳定性的路由方式选择

节点稳定性判决机制为路由方式的选择提供了基础和依据。对应于认知无线自组织网络节点的三种稳定性状态，依次选取了三种不同的路径方式与之对应：单径、多径和洪泛方式，其对应方式如图2。

与现有技术相比，本发明的创新之处在于：

1)采用支持向量机这一机器学习方法，结合网络信息的感知与获取功能，通过跨层交互机制与周期性信息交换得到的网络信息作出决策，从而增强对动态认知无线自组织网络环境的适应性。

2)基于节点稳定性的路由方式选择紧密结合节点稳定性判决结果与网络环境，适用于不同的网络状态，本发明根据当前网络环境动态地做出路由方式选择进行数据分组转发。

附图说明

图1基于支持向量机的节点稳定性判决方法功能模块图

图2基于节点稳定性的路由方式选择示意图

图3指标参数体系示意图

具体实施方式

1.指标参数的感知与获取

对影响网络节点稳定性的相关因素进行分析，建立的稳定性指标如图3。整个评价体系被分为自顶向下的目标层、准则层和决策方案层等。目标层即该评价体系的最终目标为网络当前节点的稳定性；准则层涉及为了达到这一目标所考虑的评价因素；决策方案层即是通过相应的决策机制,获得对于当前节点的稳定性状态输出。

对于认知无线自组织网络中的某个节点，其稳定性评估取决于邻居节点稳定性、可用频谱稳定性以及干扰程度等三个方面。其中邻居节点稳定性可用当前一跳的邻居节点总数、一跳邻居节点的变化频繁程度来衡量；可用频谱稳定性可用当前邻居节点的可用信道数、可用信道的变化情况统计来衡量；干扰程度可用与当前邻居节点的链路质量、受到电磁干扰的链路变化情况统计来衡量。各个指标参数的计算方法如下。

一跳邻居节点总数(影响因素一)通过节点的局部拓扑管理机制得到，而一跳邻居节点变化统计(影响因素二)通过计算邻居节点数目的变化差异的比值得到；邻居节点的可用信道数(影响因素三)通过统计当前节点自身的链路层属性得到，可用信道的变化情况统计(影响因素四)通过链路层提供的信道中断频率得到。

节点周围环境干扰程度的分析和计算较复杂。在本文中，邻居节点的链路质量以聚合吞吐量来衡量。对于网络中的某一节点对(i,j)，其利用某个频段进行通信时得到的吞吐量为：

Thr_(i,j),t＝T_f×B_w×(1-p_loss,t)

在上述公式中，B_w为代表当前通信链路的带宽，p_loss,t计为当前所用频段t的损失概率(Loss Probability)，该变量的计算通过统计当前通信节点对的广播消息的损失率获得。T_f表示该节点通过当前频段发送或接收消息包的单位时间片。对于当前的节点对来讲，其通信过程会受到许多因素的影响，如授权用户的干扰、非授权用户的机会竞争接入、干扰源的恶意通信破坏等，因此其单位时间T_f的长度也会因通信环境的不同而存在差异。设T_f＝min{T_f,b,i,T_f,b,j}，则节点对(i,j)的聚合吞吐量为：

${\mathrm{Thr}}_{(i,j)}={\Σ}_{b\∈B_i\∩B_j}{a}_b\×\frac{{\mathrm{Thr}}_{(i,j),b}}{{\mathrm{maxThr}}_{(i,j),b}}$

若损失概率为0、当前频段上通信用的单位时间为T_f＝1且B_i是节点i选用的通信频段，则有maxThr_(i,j),b＝Thr_(i,j),b，其中的权值a_b(a_b≤1)表示不同的频谱特性。受到干扰的链路变化统计，是指节点与各个邻居节点的当前可用信道的误码率高于某个阈值的信道数目。

2.基于支持向量机的节点稳定性判决决策

采用支持向量机模型对节点当前网络状态的稳定性做出判决决策。SVM属于有监督的学习方法，因此在使用该分类器前，需对网络相关属性信息进行周期性收集、分析并划分分类标准(即参数为何种网络状态条件下被定义为稳定、次稳定或不稳定)，获得原始数据集以进行模型训练。

假定(x_i,y_i)为通过网络预设实验采集的数据点，即x_i为网络中收集的参数归一化后组成的向量，如当前邻居总数、可用链路值、存在的干扰值大小等变量，y_i为节点稳定性状态分类，由于其分为稳定、次稳定、不稳定三类，取值集合便设定为{-1，0，1}；令超平面为w^Tx+b＝0，则SVM的优化问题为：

max 1/||w||，s.t.y_i(w^Tx_i+b)≥1，or

$min\frac{1}{2}\left|\right|w|{|}^2,s.t.y_i(w^T{x}_i+b)\≥1$

该SVM优化问题可转化为凸二次优化的求解问题，可用已被实现完成的二次规划(Quadratic Programming,QP)模型来分析和解决，即在满足预设或被挖掘出的限制条件下，通过最小化损失函数来使目标函数达到最优。另外，此类问题也可通过拉格朗日乘数法求解。在这种框架模型下，上述问题可转化为：

$L(w,b,\mathrm{\α})=\frac{1}{2}\left|\right|w|{|}^2-\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i\left(y_i\right(w^T{x}_i+b)-1)$

对于上式的求解，可利用对偶性把它等价转换为它的对偶问题，进而通过KKT条件和SMO算法，在线性可分的条件下完成对SVM模型的求解。

完成模型训练后，节点即可通过感知网络环境和提取指标参数，预测当前的稳定性状态并进行输出。

3.基于节点稳定性的路由方式选择

节点稳定性判决结果的输出，为路由方式的选择提供了基础。对应于其稳定、次稳定、不稳定三种状态，分别选择单径、多径和洪泛方式进行数据分组的转发。

以单径路由方式选择为例来进行说明。节点判决所处的状态为稳定时，数据以单径方式进行转发。在网络环境稳定时，周围节点的邻居关系不发生明显变化，底层的链路通信处于可靠的状态，采用单径的方式已能够满足数据转发需求、减轻网络负载。另外，由于节点周期性的通过HELLO消息维护邻居关系、交换彼此的属性信息，周期值的大小需要自身定时器来决定。当节点状态为稳定时，可适当增大定时器的值，使节点在此功能下进入相对空闲的状态。

网络中所有节点状态变化都是相对的。如果节点在下一探测周期内由稳定状态变为次稳定或不稳定状态，其对应的数据转发及局部拓扑更新方式也随之改变，以便能够迅速对动态网络环境的变化做出反应。

Claims (5)

1.一种基于支持向量机的认知无线自组织网络节点稳定性判决方法，具体包括指标参数的感知与获取、基于支持状态机的节点稳定性判决决策、基于节点稳定性的路由方式选择，其特征在于：

指标参数的感知与获取的目的是周期性收集当前局部网络环境相关属性，并将分析后的指标参数传递给节点稳定性判决决策模块进行模型训练与预测，基于节点稳定性的路由方式选择则以该预测结果为基础，选择有差异的路由方式进行数据分组转发，步骤如下：

1)指标参数的感知与获取，通过周期性信息交换或跨层交互机制，感知获取、分析当前局部网络环境相关属性，这包括邻居节点稳定性、可用频谱稳定性及干扰程度等三个方面，其中邻居节点稳定性可用当前一跳的邻居节点总数、一跳邻居节点的变化频繁程度来衡量，可用频谱稳定性可用当前邻居节点的可用信道数、可用信道的变化情况统计来衡量；干扰程度可用与当前邻居节点的链路质量、受到电磁干扰的链路变化情况统计来衡量；

2)基于支持向量机的节点稳定性判决决策，采用有监督的学习方法，判决出最符合当前网络状况的节点稳定性状态(分为稳定、次稳定、不稳定三种状态)，其包含如下步骤：

a)对网络相关属性信息进行周期性收集(即指标信息的感知与获取)、分析并划分分类标准(即网络状态在参数为何种条件下被定义为稳定、次稳定或不稳定)，获得输入数据集；

b)设(x_i，y_i)为通过网络预设实验采集的数据点，即x_i为网络中收集的参数归一化后组成的向量，如当前邻居总数、可用链路值、存在的干扰值大小等变量，y_i为节点稳定性状态分类，由于其分为稳定、次稳定、不稳定三类，其取值集合为{-1，0，1}；令超平面为w^Tx+b＝0，优化问题为s.t.y_i(w^Tx_i+b)≥1，通过对该问题求解完成模型训练；

c)结果预测，模型训练完成后，节点通过感知网络环境和提取指标参数，预测当前的稳定性状态并进行输出。

2.如权利要求1所述的方法，其特征在于，一跳邻居节点总数通过节点的局部拓扑管理机制得到，一跳邻居节点变化统计通过计算邻居节点数目的变化差异的比值得到；邻居节点的可用信道数通过统计当前节点自身的链路层属性得到，可用信道的变化情况统计通过链路层提供的信道中断频率得到。

3.如权利要求1所述的方法，其特征在于，邻居节点的链路质量以聚合吞吐量来衡量，计算公式为受到干扰的链路变化统计，以节点与各个邻居节点的当前可用信道的误码率高于某个阈值的信道数目来衡量。

4.如权利要求1所述的方法，其特征在于，对应于其稳定、次稳定、不稳定等三种节点稳定性状态，分别选择单径、多径和洪泛路由方式进行数据分组的转发。

5.一种计算机程序，其实现如权利要求1所述的方法。