CN106211291A - 基于多重休假的无线传感网络网关节点功率控制方法 - Google Patents

Abstract

本发明公开一种基于多重休假的无线传感网络网关节点功率控制方法，属于无线传感网技术领域。包括步骤：网关节点业务排队模型，网关节点能耗模型，采用排队理论分析系统性能，利用凸优化理论求解时延容忍门限下最优的网关节点能耗问题。本发明区别与以往的无线传感网络延长节点生存周期的方法，从实际出发重点研究网关节点，提出一种多重休假的网关节点休眠方法，在尽可能降低节点能耗的同时，也要兼顾系统的平均时延，做到节点能耗和数据包平均时延的折中，综合考虑节点休眠和业务的关系具有现实的指导意义。

Description

基于多重休假的无线传感网络网关节点功率控制方法

技术领域

本发明属于无线传感网技术领域，更具体地说，涉及一种基于多重休假的无线传感网络网关节点功率控制方法。

背景技术

无线传感网是由很多具有感知、计算和通信能力的能量有限节点组成。目前，低成本的无线传感网已经应用于很多现有和未来设想的领域，如智能电网、环境监测，战场监视，医疗保健和智能家居等，越来越受到学术界和产业界的关注。

在无线传感器网络中，节点的部署方式有两种:确定性部署和随机性部署。针对一些价值比较昂贵的无线传感器节点或者受限于特定的应用需求，无线节点多采用确定性部署；而针对一些价值比较低廉或者确定性部署无法完成的无线传感器网络环境，无线节点采用随机性部署。在随机性部署的无线传感器网络中，为了保证节点完全覆盖目标范围，节点的密度往往很大，从而造成冗余。判断出这些冗余节点，并将其休眠既可以节省网络的能量又能减少网络中信道冲突发生的概率。无线传感器网络一经部署，节点往往不能移动，节点的电池也不可以替换，所以能量问题一直是无线传感器网络研究的热点。在满足覆盖率的前提下，让一部分节点处于休眠状态可以有效地节省网络的总体能量，从而延长整个网络的生命周期。

网络生存时间作为无线传感网最重要的指标之一，为了延长网络的生存时间，无线传感网的很多算法采用各种传输策略(如路由，功率控制和调度等)。其中节点发送功率控制机制是无线传感网的拓扑控制研究方向之一，它主要是调节网络中每个节点的发送功率，在满足网络连通度的前提下，均衡节点的单跳可达邻居数目，剔除节点间不必要的通信链路，形成一个数据转发的优化网络结构，从而达到优化生存时间的目的。无线传感网络网关作为无线传感网中的核心枢纽元件，其生存时间问题的重要性更加凸显出来。

中国发明专利号200910092056.3，公开日2009年9月11日，公开了一份名称一种基于概率统计的无线传感器网络分布式休眠方法，分布式休眠过程启动后,当待测节点处于冗余状态时,待测节点向同层节点、前向节点和后向节点发送休眠通告报文；前向节点将邻居节点列表中待测节点的工作状态修改为休眠状态；当待测节点不是同层节点中唯一处于激活状态的节点或者不是后向节点唯一处于激活状态的前向节点,同层节点和后向节点将邻居列表中待测节点的工作状态改为休眠状态；待测节点关闭无线通信模块正式切换至休眠状态；当休眠定时器超时后,待测节点向同层节点、前向节点和后向节点发送休眠唤醒报文。本方法在保证网络连通性的同时,可使网络节点根据不同的应用感知,进行自适应休眠调节。

中国发明专利号201110047275.7，公开日2011年2月28日，公开了一份名称无线传感器网络的随机休眠调度路由方法,具体方法是各个节点维护一个伪随机数序列。该数列是以各节点随机产生的种子由同一个伪随机数生成算法生成的。继而,节点以该随机数序列确定出自己在该次网络运行周期里的随机休眠时序安排。通过在网络初始化时广播自己的种子,节点与其一跳邻居可以通过计算获知彼此的伪随机数列,从而得知彼此的休眠与苏醒时间。当节点需要发送数据时,通过计算自己邻居的苏醒时间,将数据包发送给第一个醒来的节点。该方法通过一种随机休眠调度的机制使节点轮替工作,以达到降低和均衡全网能量消耗的目的。

中国发明专利号201210014288.9，公开日2012年3月17日，公开了一份名称一种无线传感器网络的节能方法及休眠决策系统。通过设计元胞自动机状态转换规则，根据网络拓扑情况不同，设置休眠门限值从而调节休眠强度，使得节点能够通过元胞自动机的状态转换规则，在休眠和工作状态间进行切换，当有过多邻居节点处于工作状态时，当前节点可以进入休眠状态，从而减少了能量消耗。该休眠决策系统通过合理使用元胞自动机处理机制，在MAC层与IP层间设计CA层，在保证网络传输可靠性的基础上，减少了节点能量消耗，延长了网络生存期的功能。

总的来说，申请号200910092056.3的公开材料考虑一种基于概率统计的分布式节点休眠方法，但是没有考虑业务的排队情况，没有考虑节点休眠策略对数据包时延的影响。申请号201110047275.7的公开材料考虑一种随机休眠调度的机制使节点轮替工作，但是没有充分考虑休眠与业务的关系。申请号201210014288.9的公开材料引入元胞自动机考虑节点周期性的休眠和唤醒问题，但是没有深入考虑关闭期和启动期等实际问题，也没有给出休眠和业务的数学关系式。

发明内容

针对现有的无线传感网络网关节点功率控制方法未充分考虑节点休眠和业务的关系带来的性能改善、节点延时休眠、节点延时开启、低复杂度算法实际应用等问题，本发明提出一种基于多重休假的无线传感网络网关节点功率控制方法，在综合考虑节点休眠和业务的关系，增加节点延时休眠、节点延时开启的实际问题，辅助低复杂度迭代算法，最大化无线传感网络性能。

为解决上述问题，本发明所采用的技术方案如下：

一种基于多重休假的无线传感网络网关节点功率控制方法，包括以下步骤：

步骤1:网关节点业务排队模型；

建立网关节点休眠模型，把单个网关节点建模成一个带休假策略的M/G/1排队模型，考虑单服务员工作模式，数据包的到达服从参数为λ的泊松分布，每个数据的包转发看作一个独立同分布的一般过程，服务时间记成B，其期望为μ，方差为增加考虑网关节点休眠的关闭期D和网关节点唤醒后能够开始服务的启动期S，关闭期D服从一般分布，其拉普拉斯变换为D^*(s)，定义假期为V，方差为其拉普拉斯变换为V^*(s)，定义启动期为S，方差为其拉普拉斯变换为S^*(s)；

步骤2:网关节点能耗模型；

网关节点的一个工作周期可以被分割成若干个时间片，由忙期B，关闭期D，休眠期V和启动期S组成，定义忙期B，关闭期D，休眠期V和启动期S的功耗分别是P_BS,P_CD,P_SL,P_BS和P_ST，定义忙期B，关闭期D，休眠期V和启动期S在一整个网关节点的工作周期里面所占的时间比例分别是η_BS,η_CD,η_SL,η_BS和η_ST，可以给出网关节点功耗的表达式如下：

其中：P₀和P_t分别表示网关节点在激活模式下的固定功耗和发送功耗，Δ_p表示由负载影响发射功率的约束因子，P_BS＝P₀+Δ_pP_t，P_CD＝P_ID＝P₀，进一步定义每比特能量消耗：

$E_{bit}=\frac{1}{\mathrm{\λ}{\stackrel{\‾}{L}}_{data}}\[{\mathrm{\η}}_{BS}{P}_{BS}+{\mathrm{\η}}_{CD}{P}_{CD}+{\mathrm{\η}}_{SL}{P}_{SL}+{\mathrm{\η}}_{ST}{P}_{ST}+{\mathrm{\η}}_{ID}{P}_{ID}+P_{\cos t}\]$

其中：表示平均数据包的长度，网关节点在休眠期间需要探测是否休眠期间会有数据到达，开销P_cost＝λ_VE_sniff，λ_V表示休眠速率，E_sniff表示每次探测的能量消耗；一般的服务分布下基于香农公式的服务时间μ和发射功率P_t的关系式：

$\mathrm{\μ}=\frac{B_W}{{\stackrel{\‾}{L}}_{data}}\·{\log }_2(1+{\mathrm{\γP}}_t),\mathrm{\γ}=\frac{g}{N_0{B}_W}$

其中：g,B_w和N₀分别代表信道增益，信道带宽和噪声功率谱密度；

步骤3:采用排队理论分析系统性能；

步骤3.1:采用随机分解方法推导平均逗留时间；

借助于随机分解方法，研究系统的平均逗留时间，将它分解成两个部分，一部分是经典的M/G/1模型产生的平均逗留时间，另一部分是采用我们的休眠策略后导致的附件的平均逗留时间，

$T=T_{M/G/1}+T_V=\[\frac{1}{\mathrm{\μ}}+\frac{\mathrm{\λ}(1+c_b^2)}{2\mathrm{\μ}(\mathrm{\μ}-\mathrm{\λ})}\]+\frac{E\[K_V^2\]-E\[K_V\]}{2\mathrm{\λ}E\[K_V\]}$

其中：K_V表示一个休假周期内数据包的平均到达个数；

步骤3.2:推导该休眠策略下网关节点的每比特能耗；

针对发送数据包来说，网关节点每比特能耗E_bit：

$E_{bit}=\frac{1}{\mathrm{\λ}{\stackrel{\‾}{L}}_{data}}\{\mathrm{\ρ}\[P_0+\frac{{\mathrm{\Δ}}_p}{\mathrm{\γ}}(2^{\frac{\mathrm{\μ}{\stackrel{\‾}{L}}_{data}}{B_W}}-1)\]+(1-\mathrm{\ρ}){\stackrel{\‾}{P}}_V\}$

其中：ρ＝λ/μ，表示一个休假周期的平均能耗；

步骤4:利用凸优化理论求解时延容忍门限下最优的网关节点能耗问题；

定义时延容忍门限t₀，最优化问题P1如下：

P1:

s.t.T≤t₀

其中，最优化问题的优化变量是一个休假周期内数据包的平均到达个数K_V和一个休假周期内的平均能耗然后，采用经典的凸优化理论，寻找最优的和

进一步的，所述优化问题P1的求解可以采用拉格朗日因子方法：

$\begin{array}{c}L(K_V,{\stackrel{\‾}{P}}_V,\mathrm{\β})=\frac{1}{\mathrm{\λ}{\stackrel{\‾}{L}}_{data}}\{\mathrm{\ρ}\[P_0+\frac{{\mathrm{\Δ}}_p}{\mathrm{\γ}}(2^{\frac{\mathrm{\μ}{\stackrel{\‾}{L}}_{data}}{B_W}}-1)\]+(1-\mathrm{\ρ}){\stackrel{\‾}{P}}_V\}\\ -\mathrm{\β}(\[\frac{1}{\mathrm{\μ}}+\frac{\mathrm{\λ}(1+c_b^2)}{2\mathrm{\μ}(\mathrm{\μ}-\mathrm{\λ})}\]+\frac{E\[K_V^2\]-E\left(K_V\right)}{2\mathrm{\λ}E\[K_V\]}-t_0)\end{array}$

再联立并用次梯度方法迭代求解，其中，β表示拉格朗日因子。

进一步的，所述次梯度算法的迭代更新方程是：

$\mathrm{\β}(n+1)={\[\mathrm{\β}\left(n\right)-\mathrm{\α}\left(n\right)(t_0-\[\frac{1}{\mathrm{\μ}}+\frac{\mathrm{\λ}(1+c_b^2)}{2\mathrm{\μ}(\mathrm{\μ}-\mathrm{\λ})}\]-\frac{E\[K_V^2\]-E\[K_V\]}{2\mathrm{\λ}E\[K_V\]})\]}^{+}$

其中β(n)表示第n次迭代的拉格朗日因子，α(n)表示相应的迭代步长，所述迭代步长可以设置成：

进一步的，所述步骤3还包括：一个休假周期内数据包的平均到达个数K_V的Z变换形式

$T_V^{\left(MV\right)}=\frac{\frac{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}{1-V^{*}\left(\mathrm{\λ}\right)}\{E\[{(V+S)}^2\]-V^{*}\left(\mathrm{\λ}\right)E\[S^2\]\}}{2\{D^{*}\left(\mathrm{\λ}\right)\[\frac{\mathrm{\λ}E\left(V\right)}{1-V^{*}\left(\mathrm{\λ}\right)}+E\[S\]\mathrm{\λ}\]+\[1-D^{*}\left(\mathrm{\λ}\right)\]\}}$

一个休假周期内的平均能耗表达式如下：

${\stackrel{\‾}{P}}_V^{\left(MV\right)}=\frac{A_1^{\left(MV\right)}{P}_0+A_2^{\left(MV\right)}{P}_{SL}+A_3^{\left(MV\right)}{P}_{ST}+A_4^{\left(MV\right)}}{A_1^{\left(MV\right)}+A_2^{\left(MV\right)}+A_3^{\left(MV\right)}}$

其中： 定义E[V]＝v，以v和D^*(λ)为优化变量，为优化目标，最优化问题P2可以写成：

P2:

进一步的，所述优化问题P2的求解可以采用拉格朗日因子方法：

$\begin{array}{c}L(v,D^{*}(\mathrm{\λ}),{\mathrm{\β}}_0,{\mathrm{\β}}_1)=\frac{\frac{1}{\mathrm{\λ}}\[1-D^{*}\left(\mathrm{\λ}\right)\]P_0+D^{*}\left(\mathrm{\λ}\right)\frac{E\[V\]}{1-V^{*}\left(V\right)}{P}_{SL}+D^{*}\left(\mathrm{\λ}\right)E\[S\]P_{ST}+\frac{D^{*}\left(\mathrm{\λ}\right)E_{sniff}}{1-V^{*}\left(\mathrm{\λ}\right)}}{\frac{1}{\mathrm{\λ}}\[1-D^{*}\left(\mathrm{\λ}\right)\]+D^{*}\left(\mathrm{\λ}\right)\frac{E\[V\]}{1-V^{*}\left(V\right)}+D^{*}\left(\mathrm{\λ}\right)E\[S\]}\\ -{\mathrm{\β}}_0(\frac{\frac{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}{1-V^{*}\left(\mathrm{\λ}\right)}\{E\[{(V+S)}^2\]-V^{*}\left(\mathrm{\λ}\right)E\[S^2\]\}}{2\{D^{*}\left(\mathrm{\λ}\right)\[\frac{\mathrm{\λ}E\left(V\right)}{1-V^{*}\left(\mathrm{\λ}\right)}+E\[S\]\mathrm{\λ}\]+\[1-D^{*}\left(\mathrm{\λ}\right)\]\}}-{t_0}^{\′})-{\mathrm{\β}}_1\left(D^{*}\right(\mathrm{\λ})-1)\end{array}$

再联立并用次梯度方法迭代求解，其中β₀,β₁表示拉格朗日因子。

进一步的，所述次梯度算法的迭代更新方程是：

${\mathrm{\β}}_0(n+1)={\[{\mathrm{\β}}_0\left(n\right)-{\mathrm{\α}}_{{\mathrm{\β}}_0}\left(n\right)({t_0}^{\′}-\frac{\frac{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}{1-V^{*}\left(\mathrm{\λ}\right)}\{E\[{(V+S)}^2\]-V^{*}\left(\mathrm{\λ}\right)E\[S^2\]\}}{2\{D^{*}\left(\mathrm{\λ}\right)\[\frac{\mathrm{\λ}E\left(V\right)}{1-V^{*}\left(\mathrm{\λ}\right)}+E\[S\]\mathrm{\λ}\]+\[1-D^{*}\left(\mathrm{\λ}\right)\]\}})\]}^{+}$

${\mathrm{\β}}_1(n+1)={\[{\mathrm{\β}}_1\left(n\right)-{\mathrm{\α}}_{{\mathrm{\β}}_1}\left(n\right)(1-D^{*}(\mathrm{\λ}\left)\right)\]}^{+}$

其中β₀(n),β₁(n)表示第n次迭代的拉格朗日因子，表示相应的迭代步长。

进一步的，所述次梯度算法的迭代更新方程的迭代步长可以设置成：

进一步的，所述步骤3还包括：休眠策略下的基站休眠增益存在的必要条件：

$\frac{E\left(V\right)}{1-V^{*}\left(\mathrm{\λ}\right)}(P_0-P_{SL})>E\left(S\right)(P_{SL}-P_0)+\frac{E_{sniff}}{1-V^{*}\left(\mathrm{\λ}\right)}$

若公式我们以最小化系统平均时延为目标可以获得最优的启动期平均时间长度：

$E\left(S\right)=\sqrt{\frac{F_s^{\left(MV\right)}}{(1+c_s^2)(1-V^{*}(\mathrm{\λ}\left)\right)}}-\frac{E\left(V\right)}{1-V^{*}\left(\mathrm{\λ}\right)}-\frac{1-D^{*}\left(\mathrm{\λ}\right)}{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}$

其中：

$\begin{array}{c}{F}_s^{\left(MV\right)}={\[\frac{1-D^{*}\left(\mathrm{\λ}\right)}{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}\]}^2(1+c_s^2)(1-V^{*}(\mathrm{\λ}\left)\right)+E\[V^2\]\\ -{\left(E\right(V\left)\right)}^2\left(\frac{1+c_s^2}{1-V^{*}\left(\mathrm{\λ}\right)}\right)+\frac{1-D^{*}\left(\mathrm{\λ}\right)}{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}2c_s^{2}E\[V\]\end{array}$

当休眠期V增大会降低系统能耗的同时，也会增大系统的平均时延，并满足如下的约束条件：

$\begin{array}{c}{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)v^2+{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)(2E{\left(S\right)}^2-E(S^2\left)\right)F_2^{\left(MV\right)}\\ +{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)E\left(S\right){\mathrm{vF}}_1^{\left(MV\right)}+(1-D^{*}(\mathrm{\λ}\left)\right)F_3^{\left(MV\right)}\≥0\end{array}$

其中：

$F_1^{\left(MV\right)}=2-e^{-\mathrm{\λ}v}(2+\mathrm{\λ}v),F_2^{\left(MV\right)}=1-e^{-\mathrm{\λ}v}(1+\mathrm{\λ}v),F_3^{\left(MV\right)}={\mathrm{vF}}_1^{\left(MV\right)}-2E\[S\]F_2^{\left(MV\right)}.$

和折中关系满足：

${\stackrel{\‾}{P}}_V^{\left(MV\right)}=P_0+\frac{2T_V^{\left(MV\right)}(1-V^{*}(\mathrm{\λ}\left)\right)}{E\[{(V+S)}^2\]-V^{*}\left(\mathrm{\λ}\right)E\[S^2\]}\·\[\frac{E\[V\](P_{SL}-P_0)+E_{sniff}}{1-V^{*}\left(\mathrm{\λ}\right)}+E\[S\](P_{ST}-P_0)\].$

有益效果：

相对比于现有技术，本发明的有益效果为：

(1)本发明区别与以往的无线传感网络延长节点生存周期的方法，从实际出发重点研究网关节点，提出一种多重休假的网关节点休眠方法，在尽可能降低节点能耗的同时，也要兼顾系统的平均时延，做到节点能耗和数据包平均时延的折中，综合考虑节点休眠和业务的关系具有现实的指导意义；

(2)本发明针对特殊的应用场景，来源实际应用，场景设置细致、合理，更有实践指导意义；

(3)本发明提出一种简单易行的网关节点多重休眠策略，区别于单重休眠策略，如果启动期结束，网关节点队列没有数据要处理，则再次进入休眠期，直至休眠期间有业务到达，再次进入忙期处理数据，否则网关节点持续休假，最大可能的降低能耗；

(4)本发明从实际工程应用角度出发，增加考虑网关节点休眠的关闭期和唤醒后能够开始服务的启动期，在保证业务时延的同时又降低了网关节点能耗；

(5)本发明所提出的多重休假的网关节点休眠方法，简单有效，操作性强，经过精确的数学计算和理论推导，采用凸优化的方法建立优化问题和相应约束条件，并采用凸优化的方法求解出最优解，用于指导实践；

(6)本发明寻优采用拉格朗日乘子方法，寻优速度快，算法迭代过程中采用次梯度方法，并选用渐进步长，寻优更加精确；

(7)本发明进一步讨论了最优化问题存在最优解的解空间的限制条件，从而方便寻优，提高算法鲁棒性和运算效率。

附图说明

图1为本发明系统场景架构示意图。

图2为本发明网关节点休眠周期示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一

步骤1:网关节点业务排队模型；

本发明针对特殊的应用场景，来源实际应用，场景设置细致、合理，更有实践指导意义。如图1所示，现有的无线传感网络中，由于传感器节点的大量布放，海量数据需要传输，势必要通过网关节点的协作转发，随着数据量的急剧增大，网关节点的能耗问题也越来越引起人们的关注，其中，休眠策略是网关节点降低能耗的一个非常重要的手段。考虑到业务负载在无线传感网络中大约波动是根据每日和每周的变化，并服从一定规律，由此我们考虑引入排队理论，根据业务流量变化适时地关闭网关节点可以节约网络能量。

我们建立网关节点休眠模型，把单个网关节点建模成一个带休假策略的M/G/1排队模型，考虑单服务员工作模式，数据包的到达服从参数为λ的泊松分布，每个数据的包转发(服务)看作一个独立同分布的一般过程，服务时间记成B，其期望为μ，方差为

本发明针对特殊的应用场景，来源实际应用，场景设置细致、合理，更有实践指导意义。具体来说，从实际工程应用角度出发，本发明增加考虑网关节点休眠的关闭期D和网关节点唤醒后能够开始服务的启动期S，在保证业务时延的同时又降低了网关节点能耗。当网关节点工作(发送数据包)时，或者说队列中有数据包等待发送时，网关节点处于忙期。一旦队列为空，或者说没有数据要发送，传统的休眠策略就是立即休眠，但其实这样很不合理。一方面，不符合实际应用，网关节点这样的转发设备不可能立即断电关闭，需要先关闭射频单元，再关闭处理器等一系列动作，网关节点直接断电也会损坏设备本身；另一方面，如果采用没有数据立刻休眠的策略，因为数据的到达是泊松到达，有随机性，很可能在下一个极小的时间段内就会有数据到达，而此时网关节点被关闭又不能提供服务，这样的话这个数据包的时延会非常大，甚至会导致数据包的溢出丢包，造成用户满意度下降。

因此，区别与其它的休眠策略，作为本发明的一个重要的创新点，采用延时关闭的策略，一旦系统内没有需要服务的数据，并不立刻关闭服务，而是等待一段时间，这段时间就是关闭期。我们定义一个可以自己调整的关闭期，并研究关闭期是系统平均时延的关系，具有非常重要的实践指导意义。关闭期D服从一般分布，其拉普拉斯变换为D^*(s)。如果关闭期内没有新的数据到达并要求服务，系统进入休眠期；如果关闭期内有新的数据到达并要求服务，系统停止关闭期，重新进入服务期，继续服务，发送数据包。

本发明提出一种简单易行的网关节点多重休眠策略，当网关节点的队列没有数据发送时，网关节点由忙期进入关闭期，如果关闭期仍然没有业务到达，则网关节点进去休假，假期的长度是根据该网关节点自身特点所定制的，取决于网关节点的地理位置、业务、负载、用户群等等因素。不同的网关节点我们定制不同的休假长度，操作简单，也更加灵活。因为休假长度的数值可以很容易的被更改，所以这个算法灵活度很高，可以很容易的实现能耗和平均时延的折中。定义假期为V，方差为其拉普拉斯变换为V^*(s)。

同样的，区别与其它的节点休眠策略，从实际工程应用角度出发，我们规定节点从睡眠期被唤醒后，要经过一个启动期才能正式进入忙期。这显然更加符合实际，而且不同的节点情况不同，启动期也不一致，更能模拟实际系统性能。因为网关节点服务的相当一部分业务是时延敏感业务，除了考虑网关节点节能以外，服务用户的时延也非常重要，因此，我们规定：在经过一个休假时间后，网关节点由休眠期进入启动期，启动期结束，如果网关节点队列有数据，则进入忙期开始处理数据；如果启动期结束，网关节点队列没有数据要处理，则再次进入休眠期，直至休眠期间有业务到达，再次进入忙期处理数据，否则网关节点持续休假，最大可能的降低能耗。定义启动期为S，方差为其拉普拉斯变换为S^*(s)。

步骤2:网关节点能耗模型；

如图2所示，根据我们的定义，网关节点的一个工作周期可以被分割成若干个时间片，由忙期B，关闭期D，休眠期V和启动期S组成。为了考察网关节点的平均能耗，我们定义忙期B，关闭期D，休眠期V和启动期S的功耗分别是P_BS,P_CD,P_SL,P_BS和P_ST，同样的，我们定义忙期B，关闭期D，休眠期V和启动期S在一整个网关节点的工作周期里面所占的时间比例分别是η_BS,η_CD,η_SL,η_BS和η_ST。

如此，我们可以给出网关节点功耗的表达式如下：

其中：P₀和P_t分别表示网关节点在激活模式下的固定功耗和发送功耗，Δ_p表示由负载影响发射功率的约束因子，一般可设置为常数，不同网关节点的设置不一样。相比较于休眠模式仅仅包括休眠期，激活模式包括除休眠期其外的所有时间段。这样我们可以写出如下关系式：

P_BS＝P₀+Δ_pP_t (2)

P_CD＝P_ID＝P₀ (3)

为了更好的考察能耗的指标，我们进一步定义每比特能量消耗：

$E_{bit}=\frac{1}{\mathrm{\λ}{\stackrel{\‾}{L}}_{data}}\[{\mathrm{\η}}_{BS}{P}_{BS}+{\mathrm{\η}}_{CD}{P}_{CD}+{\mathrm{\η}}_{SL}{P}_{SL}+{\mathrm{\η}}_{ST}{P}_{ST}+{\mathrm{\η}}_{ID}{P}_{ID}+P_{\cos t}\]---\left(4\right)$

其中：表示平均数据包的长度。

由于我们采用多重休眠的网关节点节能策略，网关节点在休眠期间需要探测是否休眠期间会有数据到达，公式(4)中的网关节点休眠期开销P_cost＝λ_VE_sniff，其中：λ_V表示休眠速率，E_sniff表示每次探测的能量消耗。

从实际出发，我们研究的是更一般的服务分布，我们推导出基于香农公式的服务时间μ和发射功率P_t的关系式：

$\mathrm{\μ}=\frac{B_W}{{\stackrel{\‾}{L}}_{data}}\·{\log }_2(1+{\mathrm{\γP}}_t),\mathrm{\γ}=\frac{g}{N_0{B}_W}---\left(5\right)$

其中：g,B_w和N₀分别代表信道增益，信道带宽和噪声功率谱密度。

步骤3:采用排队理论分析系统性能；

步骤3.1:采用随机分解方法推导平均逗留时间；

为了更加全面的分析系统性能，尤其是针对网关节点的性能，节能并不是唯一的指标，我们更多情况下还要关注系统的时延指标。

本发明区别与以往的无线传感网络延长节点生存周期的方法，从实际出发重点研究网关节点，提出一种多重休假的网关节点休眠方法，在尽可能降低节点能耗的同时，也要兼顾系统的平均时延，做到节点能耗和数据包平均时延的折中，综合考虑节点休眠和业务的关系具有现实的指导意义。平均逗留时间T是系统非常重要的指标，直接体现于数据包的时延，或者说用户的时延。作为本发明的一个重要创新点，在研究网关节点休眠策略时，不能一味关注于网关节点能耗的降低，因为这是以牺牲系统时延为代价的，因此，我们要兼顾考虑系统时延的要求。

为了解决本发明的复杂的场景，我们借助于随机分解方法，研究系统的平均逗留时间，将它分解成两个部分，一部分是经典的M/G/1模型产生的平均逗留时间，另一部分是采用我们的休眠策略后导致的附件的平均逗留时间。

$T=T_{M/G/1}+T_V=\[\frac{1}{\mathrm{\μ}}+\frac{\mathrm{\λ}(1+c_b^2)}{2\mathrm{\μ}(\mathrm{\μ}-\mathrm{\λ})}\]+\frac{E\[K_V^2\]-E\[K_V\]}{2\mathrm{\λ}E\[K_V\]}---\left(6\right)$

其中：K_V表示一个休假周期内数据包的平均到达个数。这样需要特别指出的是，一个休假周期的定时并不是我们前面所说的休眠期(或者休眠时间)，休假周期指的是连续的两个忙期之间的时间长度。

步骤3.2:推导该休眠策略下网关节点的每比特能耗；

下面我们根据提出的网关节点休眠策略，尝试推导网关节点的能耗指标，针对发送数据包来说，每比特能耗E_bit是个非常普遍的参数。

$E_{bit}=\frac{1}{\mathrm{\λ}{\stackrel{\‾}{L}}_{data}}\{\mathrm{\ρ}\[P_0+\frac{{\mathrm{\Δ}}_p}{\mathrm{\γ}}(2^{\frac{\mathrm{\μ}{\stackrel{\‾}{L}}_{data}}{B_W}}-1)\]+(1-\mathrm{\ρ}){\stackrel{\‾}{P}}_V\}---\left(7\right)$

其中：ρ＝λ/μ，表示一个休假周期的平均能耗。

步骤4:利用凸优化理论求解时延容忍门限下最优的网关节点能耗问题；

本发明区别于其它的网关节点休眠策略，在尽可能降低网关节点能耗的同时，也要兼顾系统的平均时延，因此，要做到网关节点能耗和数据包平均时延的折中。为了将折中的思想体现出来，我们采用凸优化的方法建立优化问题和相应约束条件，并采用凸优化的方法求解出最优解。

我们首先定义时延容忍门限t₀，最优化问题的目标函数是网关节点的能耗E_bit，约束条件是数据包的平均时延T小于时延容忍门限t₀，我们要求此约束条件下最小的网关节点能耗。归结好的最优化问题P1如下：

其中，最优化问题的优化变量是一个休假周期内数据包的平均到达个数K_V和一个休假周期内的平均能耗

然后，采用经典的凸优化理论，可以找到最优的和

实施例二

本发明在实施例一的基础上进一步改进，提高最优化问题P1的求解效率，本发明提出一种新的求解最优化问题P1的思路，采用拉格朗日乘子方法去寻优，速度更快，算法复杂度更低。具体来说，所述优化问题P1的求解可以采用拉格朗日因子方法：

$\begin{array}{c}L(K_V,{\stackrel{\‾}{P}}_V,\mathrm{\β})=\frac{1}{\mathrm{\λ}{\stackrel{\‾}{L}}_{data}}\{\mathrm{\ρ}\[P_0+\frac{{\mathrm{\Δ}}_p}{\mathrm{\γ}}(2^{\frac{\mathrm{\μ}{\stackrel{\‾}{L}}_{adata}}{B_W}}-1)\]+(1-\mathrm{\ρ}){\stackrel{\‾}{P}}_V\}\\ -\mathrm{\β}(\[\frac{1}{\mathrm{\μ}}+\frac{\mathrm{\λ}(1+c_b^2)}{2\mathrm{\μ}(\mathrm{\μ}-\mathrm{\λ})}\]+\frac{E\[K_V^2\]-E\[K_V\]}{2\mathrm{\λ}E\[K_V\]}-t_0)\end{array}---\left(9\right)$

再联立并用次梯度方法迭代求解，其中，β表示拉格朗日因子。

采用拉格朗日乘子算法的基础上，每一次循环迭代的过程中我们可以采用次梯度方法，并选用渐进步长，寻优更加精确。具体来说，所述所述优化问题P1的拉格朗日形式中的拉格朗日因子β的迭代更新方法采用次梯度算法，复杂度更低，更有效率，所述次梯度算法的迭代更新方程是

$\mathrm{\β}(n+1)={\[\mathrm{\β}\left(n\right)-\mathrm{\α}\left(n\right)(t_0-\[\frac{1}{\mathrm{\μ}}+\frac{\mathrm{\λ}(1+c_b^2)}{2\mathrm{\μ}(\mathrm{\μ}-\mathrm{\λ})}\]-\frac{E\[K_V^2\]-E\[K_V\]}{2\mathrm{\λ}E\[K_V\]})\]}^{+}---\left(10\right)$

其中β(n)表示第n次迭代的拉格朗日因子，α(n)表示相应的迭代步长。

为了使得迭代速度更快，精度更高，我们选择递进减小的迭代步长。所述迭代步长可以设置成：

实施例三

实施例一和实施例二针对最优化问题P1展开求解，优化的变量是一个休假周期内数据包的平均到达个数K_V和一个休假周期内的平均能耗然后，为了更近一步的指导工程实践，更好的做好网关节点节能的控制参数，我们需要更加深入的去挖掘其它的控制参数，尝试简化最优算法的运算量。

下面我们再次分析公式(6)，注意到平均逗留时间T中有个重要参数K_V，深入研究发现，我们可以获得一个休假周期内数据包的平均到达个数K_V的Z变换形式

$T_V^{\left(MV\right)}=\frac{\frac{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}{1-V^{*}\left(\mathrm{\λ}\right)}\{E\[{(V+S)}^2\]-V^{*}\left(\mathrm{\λ}\right)E\[S^2\]\}}{2\{D^{*}\left(\mathrm{\λ}\right)\[\frac{\mathrm{\λ}E\left(V\right)}{1-V^{*}\left(\mathrm{\λ}\right)}+E\[S\]\mathrm{\λ}\]+\[1-D^{*}\left(\mathrm{\λ}\right)\]\}}---\left(11\right)$

其中，的上标MV代表本发明的多重休眠策略。需要特别注意的是，在给定启动期和休眠期的分布的情况下，D^*(λ)直接决定的大小，因此，我们可以在接下来的优化问题中将D^*(λ)作为优化变量去寻优，这样会极大的降低算法复杂度，有利于工程实践。事实上的物理含义是节点由关闭期跳转到休眠期的概率，我们定义为D^*(λ)休眠概率。

接下来我们再次分析公式(7)，注意到一个休假周期内的平均能耗可以进一步深入研究，展开其表达式如下：

${\stackrel{\‾}{P}}_V^{\left(MV\right)}=\frac{A_1^{\left(MV\right)}{P}_0+A_2^{\left(MV\right)}{P}_{SL}+A_3^{\left(MV\right)}{P}_{ST}+A_4^{\left(MV\right)}}{A_1^{\left(MV\right)}+A_2^{\left(MV\right)}+A_3^{\left(MV\right)}}---\left(12\right)$

其中：

再次分析公式(11)和公式(12)，我们可以发现D^*(λ)和E[V]可以用作优化变量，重写改写最优化问题，使得优化问题更加明确，寻优的计算复杂度进一步降低。

我们定义E[V]＝v，以v和D^*(λ)为优化变量，为优化目标，最优化问题P2可以写成：

我们可以采用拉格朗日乘子方法去寻优，速度更快，算法复杂度更低。具体来说，所述优化问题P2的求解可以采用拉格朗日因子方法：

$\begin{array}{c}L(v,D^{*}(\mathrm{\λ}),{\mathrm{\β}}_0,{\mathrm{\β}}_1)=\frac{\frac{1}{\mathrm{\λ}}\[1-D^{*}\left(\mathrm{\λ}\right)\]P_0+D^{*}\left(\mathrm{\λ}\right)\frac{E\[V\]}{1-V^{*}\left(V\right)}{P}_{SL}+D^{*}\left(\mathrm{\λ}\right)E\[S\]P_{ST}+\frac{D^{*}\left(\mathrm{\λ}\right)E_{sniff}}{1-V^{*}\left(\mathrm{\λ}\right)}}{\frac{1}{\mathrm{\λ}}\[1-D^{*}\left(\mathrm{\λ}\right)\]+D^{*}\left(\mathrm{\λ}\right)\frac{E\[V\]}{1-V^{*}\left(V\right)}+D^{*}\left(\mathrm{\λ}\right)E\[S\]}\\ -{\mathrm{\β}}_0(\frac{\frac{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}{1-V^{*}\left(\mathrm{\λ}\right)}\{E\[{(V+S)}^2\]-V^{*}\left(\mathrm{\λ}\right)E\[S^2\]\}}{2\{D^{*}\left(\mathrm{\λ}\right)\[\frac{\mathrm{\λ}E\left(V\right)}{1-V^{*}\left(\mathrm{\λ}\right)}+E\[S\]\mathrm{\λ}\]+\[1-D^{*}\left(\mathrm{\λ}\right)\]\}}-{t_0}^{\′})-{\mathrm{\β}}_1\left(D^{*}\right(\mathrm{\λ})-1)\end{array}---\left(14\right)$

再联立并用次梯度方法迭代求解，其中，β₀,β₁表示拉格朗日因子。

采用拉格朗日乘子算法的基础上，每一次循环迭代的过程中我们可以采用次梯度方法，并选用渐进步长，寻优更加精确。具体来说，所述所述优化问题P2的拉格朗日形式中的拉格朗日因子β₀,β₁的迭代更新方法采用次梯度算法，复杂度更低，更有效率，所述次梯度算法的迭代更新方程是

${\mathrm{\β}}_0(n+1)={\[{\mathrm{\β}}_0\left(n\right)-{\mathrm{\α}}_{{\mathrm{\β}}_0}\left(n\right)({t_0}^{\′}-\frac{\frac{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}{1-V^{*}\left(\mathrm{\λ}\right)}\{E\[{(V+S)}^2\]-V^{*}\left(\mathrm{\λ}\right)E\[S^2\]\}}{2\{D^{*}\left(\mathrm{\λ}\right)\[\frac{\mathrm{\λ}E\left(V\right)}{1-V^{*}\left(\mathrm{\λ}\right)}+E\[S\]\mathrm{\λ}\]+\[1-D^{*}\left(\mathrm{\λ}\right)\]\}})\]}^{+}---\left(15\right)$

${\mathrm{\β}}_1(n+1)={\[{\mathrm{\β}}_1\left(n\right)-{\mathrm{\α}}_{{\mathrm{\β}}_1}\left(n\right)(1-D^{*}(\mathrm{\λ}\left)\right)\]}^{+}---\left(16\right)$

其中β₀(n),β₁(n)表示第n次迭代的拉格朗日因子，表示相应的迭代步长。

为了使得迭代速度更快，精度更高，我们选择递进减小的迭代步长。所述迭代步长可以设置成：

实施例四

通常的最优化问题，可以通过凸优化方法去寻优，但是最优化问题一旦复杂，寻优的时候就会碰见一些问题，比如最优解的解空间是否存在奇点或者奇异区域，在这些点是不存在最优解的。最优化问题寻优时，一旦寻优到这些区域，找到的解往往不是最优解，是次优解，甚至导致寻优失败，这就极大的影响到算法的鲁棒性，不利于工程实际应用。

因此，本实施例在前面三个实施例的基础上，进一步讨论了最优化问题P1和P2存在最优解的解空间的限制条件，从而方便寻优，提高算法鲁棒性和运算效率。

由于我们采用是的网关节点多重休眠策略，首先考虑什么条件下网关节点有休眠的必要，或者说网关节点休眠增益存在的必要条件是什么。根据公式(7)，当时，能量效率等价于没有采用网关节点休眠策略的情形，因此，只有时，引入休眠策略才有意义，由此我们可以推导出该休眠策略下的网关节点休眠增益存在的必要条件：

$\frac{E\left(V\right)}{1-V^{*}\left(\mathrm{\λ}\right)}(P_0-P_{SL})>E\left(S\right)(P_{SL}-P_0)+\frac{E_{sniff}}{1-V^{*}\left(\mathrm{\λ}\right)}---\left(17\right)$

然后，我们讨论启动期时间长度的影响，经过观察发现，当公式(17)满足时，参数E[S]会对能耗产生影响，E[S]越大能耗越低。数学分析得知，启动期的两个参数E[S]和会对系统平均时延产生影响，一旦E[S]给定，是系统平均时延的单调递增函数，一旦给定，E[S]是系统平均时延的单调递增函数，相应的约束关系必须满足：

$D^{*}\left(\mathrm{\λ}\right)\frac{2\mathrm{\λ}E{\left(V\right)}^2}{1-V^{*}\left(\mathrm{\λ}\right)}+2(1-D^{*}(\mathrm{\λ}\left)\right)E\left(V\right)-{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)E{\left(V\right)}^2\≥0---\left(18\right)$

若公式(18)不满足，我们以最小化系统平均时延为目标可以获得最优的启动期平均时间长度：

$E\left(S\right)=\sqrt{\frac{F_s^{\left(MV\right)}}{(1+c_s^2)(1-V^{*}(\mathrm{\λ}\left)\right)}}-\frac{E\left(V\right)}{1-V^{*}\left(\mathrm{\λ}\right)}-\frac{1-D^{*}\left(\mathrm{\λ}\right)}{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}---\left(19\right)$

其中：

$\begin{array}{c}{F}_s^{\left(MV\right)}={\[\frac{1-D^{*}\left(\mathrm{\λ}\right)}{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}\]}^2(1+c_s^2)(1-V^{*}(\mathrm{\λ}\left)\right)+E\[V^2\]\\ -{\left(E\right(V\left)\right)}^2\left(\frac{1+c_s^2}{1-V^{*}\left(\mathrm{\λ}\right)}\right)+\frac{1-D^{*}\left(\mathrm{\λ}\right)}{{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)}2c_s^{2}E\[V\]\end{array}---\left(20\right)$

作为工程实践的具体指导如下：设置网关节点的启动时间越短越好，系统性能越佳，在不能继续降低网关节点启动期均值的情况下，降低启动期时间长度的方差，也能提高系统性能。

接下来，我们继续研究休眠期时间长度对系统性能的影响。经过数值仿真，当公式(17)满足时，当休眠期V的均值E[V]固定时，休眠期方差会获得最佳的系统系统。然而当休眠期V增大会降低系统能耗的同时，也会增大系统的平均时延，并满足如下的约束条件：

$\begin{array}{c}{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)v^2+{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)(2E{\left(S\right)}^2-E(S^2\left)\right)F_2^{\left(MV\right)}\\ +{\mathrm{\λD}}^{*}\left(\mathrm{\λ}\right)E\left(S\right){\mathrm{vF}}_1^{\left(MV\right)}+(1-D^{*}(\mathrm{\λ}\left)\right)F_3^{\left(MV\right)}\≥0\end{array}---\left(21\right)$

其中：

$F_1^{\left(MV\right)}=2-e^{-\mathrm{\λ}v}(2+\mathrm{\λ}v),F_2^{\left(MV\right)}=1-e^{-\mathrm{\λ}v}(1+\mathrm{\λ}v),F_3^{\left(MV\right)}={\mathrm{vF}}_1^{\left(MV\right)}-2E\[S\]F_2^{\left(MV\right)}.$

最后，我们研究关闭期时间长度对系统性能的影响。我们经过分析发现，关闭期D对系统能耗和平均时延的影响主要是通过D^*(λ)。当公式(17)满足时，随着D^*(λ)的增加，系统平均时延增加，但是系统能耗减小，这其中必然会存在和折中关系：

${\stackrel{\‾}{P}}_V^{\left(MV\right)}=P_0+\frac{2T_V^{\left(MV\right)}(1-V^{*}(\mathrm{\λ}\left)\right)}{E\[{(V+S)}^2\]-V^{*}\left(\mathrm{\λ}\right)E\[S^2\]}\·\[\frac{E\[V\](P_{SL}-P_0)+E_{sniff}}{1-V^{*}\left(\mathrm{\λ}\right)}+E\[S\](P_{ST}-P_0)\]---\left(22\right)$

通过公式(22)的折中关系，我们可以更好的指导实践，在满足基本系统平均时延的前提下，最优化系统能耗。本发明进一步讨论了最优化问题存在最优解的解空间的限制条件，从而方便寻优，提高算法鲁棒性和运算效率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多重休假的无线传感网络网关节点功率控制方法，其特征在于，包括以下步骤：

步骤1:网关节点业务排队模型；

建立网关节点休眠模型，把单个网关节点建模成一个带休假策略的M/G/1排队模型，考虑单服务员工作模式，数据包的到达服从参数为λ的泊松分布，每个数据的包转发看作一个独立同分布的一般过程，服务时间记成B，其期望为μ，方差为增加考虑网关节点休眠的关闭期D和网关节点唤醒后能够开始服务的启动期S，关闭期D服从一般分布，其拉普拉斯变换为D^*(s)，定义假期为V，方差为其拉普拉斯变换为V^*(s)，定义启动期为S，方差为其拉普拉斯变换为S^*(s)；

步骤2:网关节点能耗模型；

网关节点的一个工作周期可以被分割成若干个时间片，由忙期B，关闭期D，休眠期V和启动期S组成，定义忙期B，关闭期D，休眠期V和启动期S的功耗分别是P_BS,P_CD,P_SL,P_BS和P_ST，定义忙期B，关闭期D，休眠期V和启动期S在一整个网关节点的工作周期里面所占的时间比例分别是η_BS,η_CD,η_SL,η_BS和η_ST，可以给出网关节点功耗的表达式如下：

其中：P₀和P_t分别表示网关节点在激活模式下的固定功耗和发送功耗，Δ_p表示由负载影响发射功率的约束因子，P_BS＝P₀+Δ_pP_t，P_CD＝P_ID＝P₀，进一步定义每比特能量消耗：

其中：表示平均数据包的长度，网关节点在休眠期间需要探测是否休眠期间会有数据到达，开销P_cost＝λ_VE_sniff，λ_V表示休眠速率，E_sniff表示每次探测的能量消耗；一般的服务分布下基于香农公式的服务时间μ和发射功率P_t的关系式：

其中：g,B_w和N₀分别代表信道增益，信道带宽和噪声功率谱密度；

步骤3:采用排队理论分析系统性能；

步骤3.1:采用随机分解方法推导平均逗留时间；

借助于随机分解方法，研究系统的平均逗留时间，将它分解成两个部分，一部分是经典的M/G/1模型产生的平均逗留时间，另一部分是采用我们的休眠策略后导致的附件的平均逗留时间，

其中：K_V表示一个休假周期内数据包的平均到达个数；

步骤3.2:推导该休眠策略下网关节点的每比特能耗；

针对发送数据包来说，网关节点每比特能耗E_bit：

其中：ρ＝λ/μ，表示一个休假周期的平均能耗；

步骤4:利用凸优化理论求解时延容忍门限下最优的网关节点能耗问题；

定义时延容忍门限t₀，最优化问题P1如下：

s.t.T≤t₀

其中，最优化问题的优化变量是一个休假周期内数据包的平均到达个数K_V和一个休假周期内的平均能耗然后，采用经典的凸优化理论，寻找最优的和

2.根据权利要求1所述的网关节点功率控制方法，其特征在于，所述优化问题P1的求解可以采用拉格朗日因子方法：

再联立并用次梯度方法迭代求解，其中，β表示拉格朗日因子。

3.根据权利要求2所述的网关节点功率控制方法，其特征在于，所述次梯度算法的迭代更新方程是：

其中β(n)表示第n次迭代的拉格朗日因子，α(n)表示相应的迭代步长，所述迭代步长可以设置成：

4.根据权利要求1所述的网关节点功率控制方法，其特征在于，所述步骤3还包括：一个休假周期内数据包的平均到达个数K_V的Z变换形式

一个休假周期内的平均能耗表达式如下：

其中： 定义E[V]＝v，以v和D^*(λ)为优化变量，为优化目标，最优化问题P2可以写成：

D^*(λ)∈(0,1]。

5.根据权利要求4所述的网关节点功率控制方法，其特征在于，所述优化问题P2的求解可以采用拉格朗日因子方法：

再联立并用次梯度方法迭代求解，其中β₀,β₁表示拉格朗日因子。

6.根据权利要求5所述的网关节点功率控制方法，其特征在于，所述次梯度算法的迭代更新方程是：

其中β₀(n),β₁(n)表示第n次迭代的拉格朗日因子，表示相应的迭代步长。

7.根据权利要求6所述的网关节点功率控制方法，其特征在于，所述次梯度算法的迭代更新方程的迭代步长可以设置成：

8.根据权利要求1所述的网关节点功率控制方法，其特征在于，所述步骤3还包括：休眠策略下的基站休眠增益存在的必要条件：

若公式我们以最小化系统平均时延为目标可以获得最优的启动期平均时间长度：

其中：

当休眠期V增大会降低系统能耗的同时，也会增大系统的平均时延，并满足如下的约束条件：

其中：

和折中关系满足：