CN106211344B - 一种基于情景感知的Ad Hoc网络带宽管理方法 - Google Patents

一种基于情景感知的Ad Hoc网络带宽管理方法 Download PDF

Info

Publication number
CN106211344B
CN106211344B CN201610553944.0A CN201610553944A CN106211344B CN 106211344 B CN106211344 B CN 106211344B CN 201610553944 A CN201610553944 A CN 201610553944A CN 106211344 B CN106211344 B CN 106211344B
Authority
CN
China
Prior art keywords
bandwidth
business
data flow
group
price
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
Application number
CN201610553944.0A
Other languages
English (en)
Other versions
CN106211344A (zh
Inventor
王海涛
宋丽华
闫力
张国敏
陈晖�
张学平
吴强
张祯松
朱世才
黄照翠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PLA University of Science and Technology
Original Assignee
PLA University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by PLA University of Science and Technology filed Critical PLA University of Science and Technology
Priority to CN201610553944.0A priority Critical patent/CN106211344B/zh
Publication of CN106211344A publication Critical patent/CN106211344A/zh
Application granted granted Critical
Publication of CN106211344B publication Critical patent/CN106211344B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W72/00Local resource management
    • H04W72/50Allocation or scheduling criteria for wireless resources
    • H04W72/56Allocation or scheduling criteria for wireless resources based on priority criteria

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于情景感知的Ad Hoc网络带宽管理方法,利用节点的本地情景来推断当前业务的重要程度,给出业务重要性评级;依据业务重要性级别,通过在节点带宽分配的效用函数中引入业务重要性指数,使得网络在带宽资源紧张时,带宽分配的份额向重要性高的业务偏置,优先保证网络关键业务的完成。本发明实现网络根据节点的情景信息,自适应地对带宽分配进行调整,提高了网络整体生存性。

Description

一种基于情景感知的Ad Hoc网络带宽管理方法
技术领域
本发明涉及一项有关在战场和应急救援等复杂网络环境下,借助网络情景感知的思想,通过节点收集本地情景信息利用贝叶斯网络推断出当前业务的重要性,进而合理地分配带宽资源以改善业务生存性的发明,本发明涉及情景感知技术、贝叶斯网络和带宽分配模型,特别是涉及基于情景感知的区分业务优先级的带宽管理方案。
背景技术
Ad Hoc网络是一种不需要基础设施的支持,节点间通过自动配置相互连接,组网灵活且功能强大的无线自组织网络,在军事作战、灾后恢复和临时会议等场合广泛应用。AdHoc网络中带宽资源稀缺,当网络中数据流对带宽资源争用时,就需要对数据流的带宽分配进行控制。目前,Ad Hoc网络的带宽管理方面已有许多研究成果。Ad Hoc网络的显式资源管理机制基于DSR(动态源路由算法),并使用路径状态(Path State)和流状态(Flow State)方法。在网络负载较轻时网络局部也可能会出现拥塞,资源管理机制通过合理分配可用的链路带宽,以便使流量尽量避开网络瓶颈来防止网络拥塞。具体可以采用两种机制:一是要求网络的中间节点按照业务需求及时向源端反馈状态信息,然后源节点选择它认为能够最好利用网络资源的路径来转发分组;二是要求源节点在发送数据前在中间节点预留相应的资源,以便允许中间节点能够控制它们所消耗的资源量。
Ad Hoc网络具有分布式、动态、自愈和自组织的特性,这种特性使得博弈论成为一种非常合适的网络建模工具。通过对节点间通信交互过程的建模,可以合理配置网络参数,达到网络的全局优化。Fang Z Y等从博弈角度提出了非合作博弈和合作博弈两种带宽分配模型,通过改变效用函数来权衡带宽分配的公平性和效率。Xue Y等引入最大团影子价格的概念,提出了一种基于价格的带宽分配算法,在达到公平性的同时使数据流的效用之和最大化。还有学者提出了基于拍卖机制的Ad Hoc带宽分配算法,数据流根据预算和当前带宽价格确定出标来竞争资源,降低了算法复杂度并加快了收敛时间。
对Ad Hoc网络进行资源管理时,需要对移动终端的位置、业务类型、网络资源和无线传输特性等因素综合进行考虑。一方面,要尽量提高有限资源的利用率;另一方面,要最大程度满足用户期望的服务质量要求。这两个目标通常是矛盾的,需要折衷考虑,同时还要保证系统在较强的外界干扰下具有较好的健壮性。考虑到Ad Hoc网络的动态特性,有学者考虑采用一种动态资源管理机制,以便保证Ad Hoc网络中QoS控制和资源分配的高效性。自适应业务通常对带宽有一个基本要求和可调节的范围,并且带宽分配在业务会话过程中可以动态调整。因此,可以通过动态分配资源来为自适应业务提供一种软QoS保证,但是需要对业务的QoS进行合理评估。动态资源管理机制的目标是使更多的业务流被接纳,并使业务流平滑地适应网络资源的变化。
带宽分配的效率常常使用网络的吞吐量来衡量。当带宽分配方案X1的吞吐量大于宽分配方案X2的吞吐量时,则称X1的带宽分配效率高于X2。带宽分配的公平性用来评价用户对网络带宽资源占用的合理程度。迄今,已有不少工作研究公平性准则,力求在效率和公平之间达到一个较好的平衡,最经典的两种方案是最大最小公平准则和比例公平准则。最大最小公平性是指当任何数据流分配带宽的增加,不能以降低已有与其相等或者更小带宽的数据流的带宽为代价时,称这样的带宽分配方案为最大最小公平的。实际上,就是优先保证带宽需求小的数据流。相比于最大最小公平准则,比例公平准则主要考虑了数据流对网络资源的消耗,对于占用链路较多的流所分配的带宽进行削减,使数据流的吞吐量反比于其跨越的跳数,优先保障那些占用资源较少的数据流。但是,比例公平准则往往使得跳数较少的数据流分配到带宽过多,甚至超出了链路容量,造成带宽的浪费。
另外,资源管理还与网络和设备的情景意识能力相关,因为识别可用资源对于异质网络系统中的资源管理非常重要。情景可以简单定义为影响用户行为的环境要素。情景不仅依赖用户的位置,而且与用户周围的环境相关(包括可用的资源、天气、噪声和交通情况等)。在决定业务可以获得的QoS时,需要考虑网络连接、通信成本、链路带宽和用户位置等因素,因为这些因素影响数据的交互、端系统的选用以及用户的喜好。例如,当带宽允许时可以传输多媒体业务,而在网络负载较重时只能提供数据报业务。贝叶斯网络是一种用于不确定性问题建模和分析的方法,属于概率图形模型,在处理不确定性问题方面具有独特的优势[8]。当前,利用贝叶斯网络作为情景推理工具,已经得到广泛认可[9-10]。基于情景感知,应用系统能及时获知环境信息并据此做出适应性行动,并为用户提供相关信息或服务,使用户以较低的代价高效获得满意的服务[11]
主要参考文献:
[1]陈林星,曾曦.移动Ad Hoc网络[M].第2版.北京:电子工业出版社,2012:5-10.
[2]王海涛,李桂伦,吴波.Ad Hoc网络的资源管理,现代有线传输,2004(6):58-62
[3]王田,曹长修,汪纪峰.基于柔性QoS的资源动态分配策略研究,通信学报,2001,22(10):70-76
[4]闫力,王海涛,许尹颖.Ad Hoc网络资源管理方法分类及比较分析,中国电信建设,2014,26(3):21-28.
[5]顾君忠.情景感知计算[J].华东师范大学学报,2009(5):3-4.
[6]Perera C,Zaslavsky A,Christen P,et al.Context aware computing forthe internet of things:A survey[J].Communications Surveys&Tutorials,IEEE,2014,16(1):414-454.
[7]Patvardhan C,Prasad V C,Pyara V P.Vertex cutsets of undirectedgraphs[J].Reliability,IEEE Transactions on,1995,44(2):347-353.
[8]Xu Jianfeng,Wang Dong.Object-oriented and ontology context-awaremodeling based on XML[C]//IEEE 2012 2nd International Conference on ComputerScience and Network Technology,2012:1795-1800.
[9]Wibisono W,Zaslavsky A,Ling S.CoMiHoC:a middleware framework forcontext management in MANET environment[C]//IEEE 2010 24th IEEE InternationalConference on Advanced Information Networking and Applications,2010:620-627.
[10]李艳娜,乔秀全,李晓峰.基于证据理论的上下文本体建模以及不确定性推理方法[J].电子与信息学报,2010,32(8):1806-1811.
[11]Sun Rui,Huang Hongzhong,Miao Qiang.Improved information fusionapproach based on DS evidence theory[J].Journal of Mechanical Science andTechnology,2008,22(12):2417-2425.
[12]Kelly F P,Maulloo A K,Tan D K H.Rate control for communicationnetworks:shadow prices,proportional fairness and stability[J].Journal of theOperational Research society,1998:237-252.
发明内容
发明目的:实际上,现实网络环境中不同业务的重要性各异,战场中尤其如此。从网络生存性角度出发,在带宽资源紧张时,应使带宽分配向业务重要性高的数据流倾斜,保障关键业务的优先完成。另外,现有的Ad Hoc网络管理方案并没有系统考虑应用所处的网络情景,包括节点的异构性和用户的特殊需求等。为了在资源受限的网络中优先保障关键业务,提出一种基于情景感知的Ad Hoc网络带宽管理机制(Context-Aware BandwidthManagement Scheme,CABMS)。网络节点收集本地情景信息,并以贝叶斯网络作为情景推理工具来判断业务重要性,进而确定带宽分配的效用函数。通过建立原问题的对偶问题和引入带宽“影子价格”,实现节点自主根据带宽价格调整带宽请求,并使带宽分配算法快速收敛。CABMS将业务分为不同等级,当带宽资源紧缺时,高等级业务优先得到带宽;在带宽严重不足时,拒绝部分常规业务请求以保证关键业务的带宽需求。
技术方案:一种基于情景感知的Ad Hoc网络带宽管理方法,主要利用节点的本地情景来推断当前业务的重要程度,给出业务重要性评级。依据重要性级别,通过在节点带宽分配的效用函数中引入业务重要性指数,不同重要性的业务具有不同数值的业务重要性指数,重要性低的业务要付出更高的代价来获得同样多的带宽分配。这样,使得网络在带宽资源紧张时,带宽分配的份额向重要性高的业务偏置,优先保证网络关键业务的完成。也就是说,CABMS能够实现网络根据节点的情景信息,基于业务重要性自适应地对带宽分配进行调整,提高了网络生存性。
通过节点上配备相应传感器件实时采集用户的情景属性值作为输入,将其视为证据输入贝叶斯网络进行推理,计算出各个业务的重要性边缘概率,对业务重要性进行判定,传递至带宽分配方案中根据相关规则来计算得到各个业务应该分配的带宽值作为输出。
由于Ad Hoc网络自身的特点,其在带宽分配上有着不同于传统网络的特点。传统网络带宽分配的约束主要体现在并发的数据流会在路由器处产生竞争,是时域上的竞争关系;而当Ad Hoc网络中的数据流使用的链路在彼此干扰范围之内时,同样会出现竞争关系,构成空间域上的竞争关系。如果一条数据流要经过多跳才能到达目的节点,那么能够分配给该流的带宽取决于其所使用的链路集中的瓶颈链路,即可提供带宽最小的链路。当在这条链路上存在数据流间的激烈竞争,所有使用这条链路的用户的QoS均会下降。在战场环境下,各种业务有着不同的重要程度,重要程度高的业务即为关键业务,若网络中的关键业务处在发生激烈竞争的区域,那么就会使关键业务的服务质量恶化,甚至不能满足基本通信需求。为了能够在种情况下为关键业务的服务质量提供保障,就需要对带宽分配进行有针对性的调控。
为根据业务重要性自适应分配带宽资源,CABMS带宽管理机制需要借助情景感知技术对业务的重要性进行推理。具体来说,CABMS选用贝叶斯网络作为推理工具,其可以表达和分析不确定性和概率性的事物,利用贝叶斯网络可用一种可视化方式来表达不确定性,有利于理解情景模型。节点获取情景后,利用构造好的贝叶斯网络进行推理,CABMS采用团树法来完成概率分布的计算。团树法是一种目前计算速度很快的精确推理算法,其主要步骤是将贝叶斯网络转化为团树,通过置信度传播来计算相关概率。利用团树法可以在给定证据的条件下,计算出感兴趣节点的边缘概率分布,由此判断出节点的取值。
为反映业务的差异,实现不同业务重要性对带宽分配结果的影响,CABMS中使用Sigmoid函数来表示数据流的效用。为简化处理,选择团中到所有其他链路跳数之和最小的节点作为团首节点,团首节点负责收集经过该团的流的带宽请求,并更新团的带宽价格。收到数据流的带宽请求后,团首节点根据式(1)计算新的带宽价格。
其中,[a]+表示max{0,a},r为带宽分配的轮次,xj为数据流j的上一轮中的带宽请求值,Ai,j表示团流矩阵中数据流j在团i中所占链路数目,Ci表示团i的带宽容量,β为更新步长,且当β足够小时,带宽分配结果将收敛。令Q为数据流所穿过团的最大数目,L为最拥塞团中的链路数,U为效用函数,a为-U"上界,则0<β<2/(QLa)时,结果可收敛,详细信息可参见文献:Low S H,Lapsley D E.Optimization flow control—I:basic algorithm andconvergence[J].IEEE/ACM Transactions on Networking(TON),1999,7(6):861-874。可见当带宽需求大于团容量时,价格会逐步上升;反之,价格会逐步降低,反映经济学中的供求关系。团首节点将新价格告知所有穿越该团的数据流(源节点)。然后,数据流计算出新的最优带宽分配值x*(r+1)后,最优值是根据以下公式计算出来的:节点根据式(2)确定实际的带宽需求,并将xreq返回给团首节点,开始下一轮价格计算。如此迭代,直至各数据流的带宽请求值收敛,作为最终带宽分配结果。
xreq=min(max(x*,Rmin),Rmax) (2)
x*表示根据带宽价格计算得出的最优带宽分配值,Rmin表示最小带宽需求,Rmax表示最大带宽需求。
CABMS考虑了数据流的最大和最小带宽需求,提高了带宽使用效率。当带宽充足时,为所有数据流分配其带宽最大需求值;当团容量不足以满足所有数据流的最小带宽需求时,应根据业务重要性有选择地拒绝某些非关键业务,以优先保障关键业务的顺利完成。当各数据流请求的带宽值发送至团时,团首节点将计算得到的带宽价格和团剩余容量返回数据流,然后数据流确定当前剩余带宽是否满足自己的最低带宽需求。如果满足最低需求,它将继续参与带宽分配过程;否则,退出带宽分配过程。
有益效果:本发明设计的情景感知的带宽管理方案(CABMS)针对战场动态环境下不同业务流的网络带宽需求,借助情景感知的思想,通过节点收集本地情景,利用贝叶斯网络推断当前业务流的重要性。进而,通过引入业务重要性指数使节点自适应确定各自的效用函数,在带宽资源较为紧张的情况下使带宽分配向关键业务偏置。并在带宽资源严重匮乏时,拒绝接纳某些非关键业务,优先保障关键业务的带宽需求,有效提高了网络的生存性。
仿真实验中所配置的网络拓扑结构如附图2所示,仿真实验在1000×1000m2区域中生成了一个包含10个节点的无线自组网拓扑结构,节点的覆盖范围均是半径为400m的圆形区域,节点之间有边表示两节点在彼此覆盖范围内。从仿真试验结果(图3)可以看到CABMS在带宽较为充足时,可以使关键业务在带宽分配上得到偏置,并且同等重要性的业务,短路径的业务会得到更多带宽;在带宽严重不足时,CABMS也能够优先保障关键业务的完成,同时也不会使其他重要性级别较低的业务完全“饿死”。CABMS不仅完成了带宽分配的任务,同时也在一定程度上实现了对数据流的接纳控制。
附图说明
图1为基于情景感知的带宽管理方案原理图;
图2为仿真实验中所配置的网络拓扑结构图;
图3为仿真实验中带宽分配结果比较图;
图4为Ad Hoc网络拓扑示例图;
图5为图4对应的流竞争图;
图6为情景推理中的贝叶斯网络图;
图7为CABMS带宽分配流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,基于情景感知的Ad Hoc网络带宽管理方法(Context-AwareBandwidth Management Scheme,CABMS),通过节点上配备相应传感器件实时采集用户的情景属性值作为输入,将其视为证据输入贝叶斯网络进行推理,计算出各个业务的重要性边缘概率,对业务重要性进行判定,传递至带宽分配方案中根据相关规则来计算得到各个业务应该分配的带宽值作为输出。
具体实施方案主要包括:Ad Hoc网络带宽分配模型、基于贝叶斯网络的情景推理方法和带宽分配算法,具体说明如下:
1)带宽分配模型
无线自组网的带宽分配问题较有线网络更加复杂,以图4中的拓扑结构为例,说明Ad Hoc网络空间域上的竞争关系。一般来说,节点间的相互干扰半径Rinference要大于传输半径Rtransmission。简便起见假设所有节点具有相同的传输半径,且传输半径与干扰半径相等。同时,节点不能同时收发数据。在上述假设条件下,Ad Hoc网络可视为一个无向图G(V,E),V表示节点集合,E表示链路集合。对于两条无线链路,若其中一条链路的一端在另外一条链路一端的一跳覆盖范围之内时,则认为这两条链路之间存在竞争关系。基于此分析,可根据网络的拓扑图来构造流竞争图,图4中的拓扑图对应的流竞争图由图5给出。
流竞争图中的节点表示链路,节点间的边表示两节点存在竞争关系。由此可见,流竞争图的构建只与其网络拓扑有关。图中的两条虚线圈出了流竞争图中的两个最大完全子图,称为团(Clique),这里以Q表示。一条链路能够传输成功,当且仅当此链路所在的所有团中的其他链路不能同时传输数据,因此团构成了Ad Hoc网络中的基本带宽资源单位。一条数据流可以由它所经过的链路表示,根据图4可以得到:F1={1,2,3,4}、F2={7,5}、F3={3,4,6}。其中,F1经过了Q1和Q2,F2经过了Q2,F3经过了Q1和Q2。并且可以看到,每条流在团中所占用的链路数目也不同,F1在Q1和Q2中均占用了3条链路,F2在Q2中占用了2条链路,F3在Q1中占用了3条链路,在Q2中占用了1条链路。
表1团流关系矩阵
为了清晰表达这种关系,可以构建矩阵A,其中Aij表示在Qi中数据流Fj所占用的链路数,称A为团流关系矩阵,表1给出了图中对应的团流矩阵A。一条数据流可能穿越多个团,并且在每个团内占用的链路数也可能不同,这种关系均可以用矩阵A来表示。
为了在上述模型的基础上说明带宽分配方案的可行性,假设网络中共有n条数据流,m个团,给出以下符号表示:1、X表示为各个数据流分配的带宽向量,则X=(x1,x2,...,xn),2、C表示各个团的带宽容量,则C=(c1,c2,...,cm),3、以A表示团流关系矩阵:
基于上述符号,一种带宽分配方案X=(x1,x2,...,xn)是可行的,当且仅当
AXT≤CT (3)
式(3)和(4)称为团的约束条件。
2)基于贝叶斯网络的情景推理
CABMS选用贝叶斯网络作为推理工具来表达和分析不确定性和概率性的事物,进而做出合理的推理和判断。在应用贝叶斯网络时,事先往往并不知道其结构和参数。一般来说,可以通过两种方法来构造一个贝叶斯网络:一是,咨询专家给出的意见,根据变量间的因果关系,构造出贝叶斯网络的结构,并通过数据分析来确定参数;二是,通过大量数据样本,让贝叶斯网络自己学习网络结构和参数;在结构学习方面,被广泛认可的方法是搜索网络状态空间,并给每次搜索结果打分,找出得分高的结,结构学习常见的方法包括K2算法、爬山法、贪婪搜索、EM算法和MCMC(Markov Chain Monte Carlo)算法等,前三种方法用于数据完整时的学习,后两者用于不完整数据时的学习;参数学习主要包括两类基本方法,即最大似然估计和贝叶斯估计。已知贝叶斯网络结构,并且获得一些节点的观测数据时,就可以计算得到每个节点的条件概率分布。利用团树法可以在给定证据的条件下,计算出感兴趣节点的边缘概率分布,由此判断出节点的取值。
影响业务流重要性的因素很多,为简化分析,在此以战场环境为例使用7种较常见的情景信息来评价业务的重要程度,即业务类型(Business)、用户身份(Identity)、战斗状态(Fight)、环境噪声(Noise)、用户加速度(acceleration)、机械振动频率(Vibration)和业务重要性(Significance),且假定均为离散变量。根据变量是否可观察,可将上述7种情景分为可观察变量Vobserved={I,N,A,V,B}和隐藏变量Vhidden={F,S}。
表2情景类型及取值集合
表2归纳了各类情景的取值及含义。根据情景对业务重要程度产生影响的因果关系,构造出图6所示的贝叶斯网络,其中白色为可观察变量,灰色为隐藏变量。举例来说,当环境嘈杂,用户快速移动并且机械振动频率较高时,用户很可能处于战斗环境中,此时用户的通信需求往往更重要。同时,用户身份对业务类型也有影响,相比而言指挥人员的信息比来自普通士兵的信息更重要。
在实际应用中可以根据大量样本来对贝叶斯网络进行参数训练。在数据无缺失时,可利用最大似然法来估计参数;数据有缺失时,可利用EM(Expectation Maximization)算法来进行参数学习。节点获取情景后,利用构造好的贝叶斯网络进行推理。CABMS采用团树法来完成概率计算。团树法是一种目前计算速度最快的精确推理算法,其主要步骤是将贝叶斯网络转化为团树,通过置信度传播来计算相关概率。利用团树法可以在给定证据的条件下,计算出感兴趣节点的概率分布情况,由此判断出节点的取值。
3)CABMS带宽分配算法
CABMS带宽分配的目标就是寻找一个可行的分配方案,达到既定的性能要求,例如某种公平性或者分配效率的提高。以数据流为研究对象,现假设网络中有n条数据流参与带宽分配,F表示数据流的集合,带宽分配向量为X=(x1,x2,...,xn),其中xi表示数据流i分配得到的带宽,数据流i的最小带宽要求和最大带宽要求分别为Bi min和Bi max,其对应的效用函数Ui(xi),(令Ui(xi)定义域为D,且θ∈[0,1],x,y∈D则Ui(xi)表示为凹函数,当且仅当U(θx+(1-θ)y)≥θU(x)+(1-θ)U(y))。则网络优化目标可写成
s.t.AXT≤CT (6)
A为团流竞争关系矩阵,C=(c1,c2,...,cm)为团容量向量,共有m个团,上述优化目标称为原问题P。P的约束条件为线性不等式,流i所分配的带宽xi不仅要在其带宽需求内,而且受到团容量的约束,这里称约束条件为可行域Ω,显然Ω是紧致的、凸的、非空的。又因为Ui(xi)为凹函数,则P有唯一的最优解。可以看到,要求得最优解需要数据流(也即源节点)之间相互了解对方的带宽分配,也就需要大量交换分配信息,这无疑会带来很大的通信代价。因此,为了分布式地进行带宽分配,需要考虑P的对偶问题D。
现在考虑原问题P的拉格朗日方程,得到:
其中,γ为拉格朗日乘子向量,γ=(γ12,...,γm),且γ≥0。根据拉格朗日方程可进一步写出P的对偶形式:
其中,
拉格朗日对偶问题可以从经济学角度给出一个有趣的解释,γ可认为是反映资源真实价值的价格,也称影子价格(Shadow price)。在带宽分配问题中,γj可作为团j中单位带宽的影子价格。在最大化问题中,D给出了P最优解x*的上界:
DL(γ)≥U(x*) (11)
这点很容易证明,对于任意可行解由于γ≥0,AXT≤CT,故
证毕。
上述特性称为弱对偶性,通过对偶问题建立原问题的上界,若D的最优解为γ*,P的最优解为X*,则称Gap=U(X*)-DL(γ*)为最优对偶间隔,在最大化问题中,总有Gap≤0。当Gap=0时,称原问题和对偶问题满足强对偶性。根据凸优化理论,若U(x)为严格凹的,且可行域是紧致凸的,则P和D是强对偶的。也就是说,通过对偶问题求得的最优带宽分配向量对于原问题也是最优的,这样就可以通过求解式(9)得到式(5)的解。在强对偶条件下,根据KKT(Karush-Kuhn-Tucker)条件,设γ*为对偶问题最优解,X*为原问题最优解,有以下关系:
可见当团i中带宽供过于求时,团i的带宽价格一定为0。可以看到,式(10)中最后一项给定γ时为常数项,不会影响最优带宽分配的求解,所以可以略掉,改写对偶函数为:
在给定各个团的带宽价格γ时,由于效用函数为严格凹的,每条数据流均可以根据式(13)计算出一个唯一最优解使得
由此可以看出,将γ视为带宽价格,γ反映了网络中的拥塞程度,并且通过求解对偶问题每条流不需要知道其他流的带宽分配值,所以实现了分布式带宽分配。
将效用增益因子引入效用函数中,来实现不同业务重要性对带宽分配结果的影响,CABMS中使用Sigmoid函数来表示数据流的效用:
其中,称为效用增益因子,CABMS中通过来控制数据流效用的增长速度,以使带宽分配结果向大的数据流偏置。这里将效用限制在[0,1]之间,当数据流i分配到的带宽超过其最大需求时,效用为1,当分配带宽小于其最小需求时,效用为0。随着的增大,效用函数的递增速度也变得更快。
采用了梯度投影法(Gradient Projection Algorithm,GPA)来求解最优解X*,每次迭代中GPA沿着负梯度方向从当前位置移动固定的步长β,对团i,0<i<m,其梯度为
所以,团i每次在给定带宽分配向量X后,可以根据式(17)计算带宽资源的新价格
式中,[a]+表示max{0,a}。可见当需求大于团容量时,价格会逐步上升,反之,价格会逐步降低,反映出经济学中的供求关系。在计算出的新价格后,团i告知所有穿过自身的数据流(源节点)。数据流收到所有团的新价格后,依照式(14)计算出新的最优带宽分配值此时,节点根据式(18)确定实际的带宽需求。其中,
并将发送给团i,如此迭代,直至收敛。β的选择对于结果收敛性有很大影响,设网络中数据流穿过的团数目最大值为拥塞程度最高的团中的链路数目为 为-U″(x)的上界,则当β满足时,结果一定是收敛的。
在通过贝叶斯网络推理出当前业务的重要程度后,为了实现在网络拥塞时,使带宽分配向重要程度高的业务偏置,需要为不同重要性的流指派不同的效用函数,通过效用增益因子来达到此目的。效用函数以带宽分配目的为标准,在有限带宽的情况下,业务流依据重要程度得到对应比例的带宽分配。显然,当时,Ui(xi)为严格凹函数。假设给定带宽价格γ,式(14)中的反映了数据流j的路径价格,即其所占用资源的总价格,可以对xj求导,并使其为零,得到
则可以写成(20),并得到2个解,参见式(21)
因为PP>0,且则可知
根据0<z≤1,可知
所以只有z1是可行解,带入到可得到
此外,若PP=0,
这说明路径价格为0时,最优带宽需求x*将变为无穷大,且效用恒为1。至此,可以看到在给定各个团中的带宽价格向量γ后,与x*之间的关系。这里引入业务重要性指数κ>0,且有
当数据流j计算得到路径价格PP后,可根据κ确定当前使用的效用函数Uj(xj)。将(26)带入(24)可得到
根据前述,将业务等级分为三个等级,以xEM,xIM,xGE分别表示为“紧急业务”、“重要业务”和“一般性业务”分配的带宽,在路径价格相等的条件下,令业务等级每上升一个级别,分配的带宽就多50%,等级最高的业务比等级最低的业务多分配125%。可用式(28)表示。
实际上,路径价格PP反映了接入某条数据流时,系统单位带宽损失的效用(Utility/Mbps),而U′(x)则是数据流在带宽为x时单位带宽带来的效用增益,只有在PP≤U′(x)时,数据流提出的带宽分配要求才会被接受。根据式(27)计算出满足式(28)的相应κ值,得到表3中的对应关系。
表3业务重要程度指数κ取值分配表
CABMS中同时考虑了最大和最小带宽需求,具体而言,当带宽完全充足时,为所有数据流分配其带宽最大需求值,剩余带宽还可用于接纳新的数据流;当团容量不足以满足所有数据流的最小带宽需求时,应根据业务重要性来选择性拒绝某些非关键业务的带宽请求,以优先保障关键业务的完成。当数据流请求的带宽值发送至团时,团同时将计算后的新的带宽价格和团剩余容量返回至各个数据流,数据流收到后,首先根据如下的JOIN_RULE规则来确定当前带宽剩余容量是否能够满足自己的最低需求。如果能够满足(即join=1),将继续参与带宽分配过程;否则,直接退出带宽分配过程,因为即使所有剩余带宽均分配给自己,将仍不能满足带宽最小需求。
在带宽竞争很激烈时,参与分配的数据流提出的带宽需求将随着带宽价格的不断上升而逐步降低,直到降至各自的最小带宽需求。如果团的带宽容量不足以满足所有带宽请求,团将发送给每条参与竞争的数据流一条带宽容量不足的指示信息Request_to_abort,以此要求部分数据流取消或者延后带宽请求来完成带宽分配过程。由于CABMS基于情景信息获悉了业务重要性,所以收到Request_to_abort后,数据流应根据自身业务的重要性以相应概率来临时退出竞争。之所以选择概率性退出,是出于公平性的考虑,以使这种情况下重要性较低的业务不至于完全“饿死”。式(29)给出了临时退出概率的表达式
Pr(Abort)=w1fmin_rate+w2fimportance (29)
其中,w1和w2为分配权重,且w1+w2=1,这里取w1=0.1,w2=0.9,因为CABMS更注重业务重要性对临时退出概率的影响。
式(30)和(31)分别是最小带宽需求比重函数和重要性比重函数,且有fmin_rate,fimportance∈[0,1]。η为常数且这里η=2,为最小带宽需求的上限,这里取因为1Mpbs基本可以满足所有类型业务的带宽需求。I∈{1,2,3},IMAX=3,对应业务重要性,I越小则业务重要性越高。由此可见,业务重要性越高时,临时退出概率越低,反之,临时退出概率越高;同等级别的业务,最小带宽需求越大,临时退出概率越高,反之,临时退出概率越低。显而易见,Pr(Abort)∈[0,1]。这里称Pr(Abort)为临时退出概率。因为当收到Request_to_abort后,存在所有或者大部分数据流退出的情况,这样在满足未退出数据流带宽需求后,仍可能存在部分剩余带宽可供已退出的数据流使用。需要注意到,若有带宽剩余,那么带宽价格一定为0。所以当带宽价格变为0时,团将已分配给未退出数据流的带宽从总容量减去后,临时退出的数据流将再次参与剩余带宽的竞争。和前面一样,数据流首先判断剩余带宽是否能够满足自己的最小带宽需求,若不能满足,则完全退出竞争,不再参与带宽分配。当剩余带宽不能满足所有参与竞争的数据流最小需求时,再一次发送Request_to_abort至这些数据流,重复前面的过程。直至所有的数据流都得到相应的带宽分配或者完全退出,至此带宽分配完成。
为了清晰表述CABMS带宽分配方案,参照图7分步骤说明其带宽分配过程:
1.当某源节点需要发起通信业务时,首先查询本地节点情景数据库中的节点情景,包括上述讨论的可观察情景:Context={Noise,acceleration,Vibration,Identity,Business},每种情景的取值可以通过设定相应阈值来确定。利用训练好的贝叶斯网络对业务重要性进行推理判断,得到业务重要性评级,并获得对应的κ值。
2.源节点选取一个可行的发送带宽请求xj(0)。
3.收集拓扑信息,构造流竞争图,并求解其最大团。初始化团资源的带宽价格,得到带宽价格向量γ,这里初始化值只要是合理的,即γi(0)≥0,分配结果均可以收敛,这里设置为γ=0。
4.第(r+1)轮,各个团收到各个流的带宽请求后,根据式(6)计算新的带宽价格γ(r+1),同时记录各数据流的带宽请求值和本次带宽价格。比较本次和上次的带宽价格,若价格在上升,则进一步比较各数据流本次和上次的带宽请求值,若所有的数据流的带宽请求值均未发生变化,则说明当前的带宽容量已不能满足所有的请求。将γ(r+1)和当前的带宽剩余容量发送给各个数据流,并根据前面的判断结果,决定是否同时发送Request_to_abort。
5.首先根据是否收到Request_to_abort,来采取相应动作。若未收到,各数据流根据JOIN_RULE规则来决定是否参与带宽分配。如果没有退出带宽分配,则根据式(18)计算实际带宽请求值x(r+1),并发送给各个团;若收到Request_to_abort,则以式(29)给出的概率来随机临时退出带宽分配,如果还没有退出分配过程,则发送最小带宽需求作为请求值;如果临时退出带宽分配,则检测带宽价格是否为0,当价格降为0时,尝试再次发起带宽分配请求。
6.如果网络拓扑没有改变,返回到第4步;否则,返回至第3步。
JOIN_RULE规则描述如下:
Aji表示在某个团内,以节点i为源节点的数据流所占据的链路数目,BD_volumej表示某团j的带宽总量剩余,即该团的剩余容量不能满足节点i的最低带宽需求,则其直接退出带宽分配过程。

Claims (5)

1.一种基于情景感知的Ad Hoc网络带宽管理方法,其特征在于:选用贝叶斯网络作为推理工具,利用节点的本地情景作为输入,将其视为证据输入贝叶斯网络进行推理,采用团树法计算出各个业务的重要性边缘概率,来推断当前业务的重要程度,给出业务重要性评级;将业务重要性评级传递至带宽分配方案中来计算得到各个业务应该分配的带宽值作为输出;所述分配方案依据业务重要性级别,通过在节点带宽分配的效用函数中引入业务重要性指数,使得网络在带宽资源紧张时,分配的份额向重要性高的业务偏置,优先保证网络关键业务的完成。
2.如权利要求1所述的基于情景感知的Ad Hoc网络带宽管理方法,其特征在于:所述分配方案的带宽分配过程为:
(1)当某源节点需要发起通信业务时,首先查询本地节点情景数据库中的节点情景,利用训练好的贝叶斯网络对业务重要性进行推理判断,得到业务重要性评级,并获得对应的业务重要性指数κ值;
(2)源节点选取一个可行的发送带宽请求xj(0);
(3)收集拓扑信息,构造流竞争图,并求解其最大团;初始化团资源的带宽价格,得到带宽价格向量γ;
(4)在第(r+1)轮,r为带宽分配的轮次,r取自然数并逐次加1,各个团收到各业务流的带宽请求后,计算新的带宽价格γ(r+1),同时记录各数据流的带宽请求值和本次带宽价格;比较本次和上次的带宽价格,若价格在上升,则进一步比较各数据流本次和上次的带宽请求值,若所有的数据流的带宽请求值均未发生变化,则说明当前的带宽容量已不能满足所有的请求;将γ(r+1)和当前的带宽剩余容量发送给各个数据流,并根据前面的判断结果,决定是否同时发送Request_to_abort;
(5)首先根据是否收到Request_to_abort来采取相应动作;若未收到,各数据流判断团的剩余容量是否能满足其最低带宽需求来决定是否参与带宽分配,如果不能满足,则直接退出带宽分配过程;如果能够满足,则计算实际带宽请求值x(r+1),并发送给各个团;若收到Request_to_abort,则以给出的概率来随机临时退出带宽分配,如果还没有退出分配过程,则发送最小带宽需求作为请求值;如果临时退出带宽分配,则检测带宽价格是否为0,当价格降为0时,尝试再次发起带宽分配请求;
(6)如果网络拓扑没有改变,则返回第4步,否则,返回至第3步。
3.如权利要求1所述的基于情景感知的Ad Hoc网络带宽管理方法,其特征在于:将效用增益因子引入效用函数中,来实现不同业务重要性对带宽分配结果的影响,使用Sigmoid函数Ui(xi)来表示数据流的效用:
其中,表示数据流i的最小带宽需求,表示数据流i的最大带宽需求,称为效用增益因子,通过来控制数据流效用的增长速度,以使带宽分配结果向大的数据流偏置;这里将效用限制在[0,1]之间,当数据流i分配到的带宽超过其最大需求时,效用为1,当分配带宽小于其最小需求时,效用为0;
选择团中到所有其他链路跳数之和最小的节点作为团首节点,团首节点负责收集经过该团的流的带宽请求,并更新团的带宽价格;收到数据流的带宽请求后,团首节点根据式(1)计算新的带宽价格;
其中,[a]+表示max{0,a},r为带宽分配的轮次,xj为数据流j在上一轮中的带宽请求值,Ai,j表示团流矩阵中数据流j在团i中所占链路数目,Ci表示团i的带宽容量,β为更新步长;团首节点将新价格告知所有穿越该团的数据流;然后,数据流计算出新的最优带宽分配值x*(r+1)后,最优值是根据以下公式计算出来的节点根据式(2)确定实际的带宽需求,并将xreq返回给团首节点,开始下一轮价格计算;如此迭代,直至各数据流的带宽请求值收敛,作为最终带宽分配结果;
xreq=min(max(x*,Rmin),Rmax) (2)
x*表示根据带宽价格计算得出的最优带宽分配值,Rmin表示最小带宽需求,Rmax表示最大带宽需求。
4.如权利要求1所述的基于情景感知的Ad Hoc网络带宽管理方法,其特征在于:
在给定各个团中的带宽价格向量γ后,可得到效用增益因子与x*之间的关系
其中,PP为路径价格,这里引入业务重要性指数κ>0,并根据
当数据流j计算得到路径价格PP后,可根据κ确定当前使用的效用函数Uj(xj);将(26)带入(24)可得到
路径价格PP反映了接入某条数据流时,系统单位带宽损失的效用,而U′(x)则是数据流在带宽为x时单位带宽带来的效用增益,只有在PP≤U′(x)时,数据流提出的带宽分配要求才会被接受。
5.如权利要求2所述的基于情景感知的Ad Hoc网络带宽管理方法,其特征在于:分配方案同时考虑了最大和最小带宽需求,具体而言,当带宽完全充足时,为所有数据流分配其带宽最大需求值,剩余带宽还可用于接纳新的数据流;当团容量不足以满足所有数据流的最小带宽需求时,应根据业务重要性来选择性拒绝某些非关键业务的带宽请求,以优先保障关键业务的完成;当数据流请求的带宽值发送至团时,团同时将计算后的新的带宽价格和团剩余容量返回至各个数据流,数据流收到后,首先判断当前带宽剩余容量是否能够满足自己的最低需求;如果能够满足,将继续参与带宽分配过程;否则,直接退出带宽分配过程,因为即使所有剩余带宽均分配给自己,将仍不能满足带宽最小需求;
如果团的带宽容量不足以满足所有带宽请求,团将发送给每条参与竞争的数据流一条带宽容量不足的指示信息Request_to_abort,以此要求部分数据流取消或者延后带宽请求来完成带宽分配过程;收到Request_to_abort后,数据流应根据自身业务的重要性以相应概率来临时退出竞争;式(29)给出了临时退出概率的表达式
Pr(Abort)=w1fmin_rate+w2fimportance (29)
其中,w1和w2为分配权重,且w1+w2=1,这里取w1=0.1,w2=0.9,
式(30)和(31)分别是最小带宽需求比重函数和重要性比重函数,且有fmin_rate,fimportance∈[0,1];η为常数且这里η=2,为最小带宽需求的上限,I∈{1,2,3},对应业务重要性,I越小则业务重要性越高,IMAX=3。
CN201610553944.0A 2016-07-14 2016-07-14 一种基于情景感知的Ad Hoc网络带宽管理方法 Expired - Fee Related CN106211344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610553944.0A CN106211344B (zh) 2016-07-14 2016-07-14 一种基于情景感知的Ad Hoc网络带宽管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610553944.0A CN106211344B (zh) 2016-07-14 2016-07-14 一种基于情景感知的Ad Hoc网络带宽管理方法

Publications (2)

Publication Number Publication Date
CN106211344A CN106211344A (zh) 2016-12-07
CN106211344B true CN106211344B (zh) 2019-04-05

Family

ID=57475647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610553944.0A Expired - Fee Related CN106211344B (zh) 2016-07-14 2016-07-14 一种基于情景感知的Ad Hoc网络带宽管理方法

Country Status (1)

Country Link
CN (1) CN106211344B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685292A (zh) * 2017-10-18 2019-04-26 北京京东尚科信息技术有限公司 用于输出信息的方法和装置
CN108513330B (zh) * 2018-03-09 2021-07-02 西安电子科技大学 一种基于网络情境感知的路由协议分布式自适应切换方法
CN108881067B (zh) * 2018-06-15 2020-11-06 北京邮电大学 一种基于应用感知确保业务公平性的带宽分配方法和系统
CN108924881B (zh) * 2018-08-20 2021-09-17 中国联合网络通信集团有限公司 一种车载流量分配方法和系统
CN117519990B (zh) * 2024-01-03 2024-05-28 福建亿榕信息技术有限公司 一种边缘算力与边缘网关资源协同管理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436740A (zh) * 2011-09-29 2012-05-02 东南大学 一种高速公路交通事件自动检测方法
CN103327542A (zh) * 2013-05-28 2013-09-25 中国电子科技集团公司第七研究所 一种应用于MANET网络的QoS保障方法及装置
CN103561431A (zh) * 2013-11-18 2014-02-05 南京航空航天大学 一种适用于并发接入ad hoc网络的链路可用带宽估计方法
CN104301933A (zh) * 2014-10-17 2015-01-21 中国人民解放军理工大学 一种无线自组网中用于计算带宽和分配带宽的方法
WO2015011220A1 (en) * 2013-07-26 2015-01-29 Koninklijke Kpn N.V. Monitoring network use of resources

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436740A (zh) * 2011-09-29 2012-05-02 东南大学 一种高速公路交通事件自动检测方法
CN103327542A (zh) * 2013-05-28 2013-09-25 中国电子科技集团公司第七研究所 一种应用于MANET网络的QoS保障方法及装置
WO2015011220A1 (en) * 2013-07-26 2015-01-29 Koninklijke Kpn N.V. Monitoring network use of resources
CN103561431A (zh) * 2013-11-18 2014-02-05 南京航空航天大学 一种适用于并发接入ad hoc网络的链路可用带宽估计方法
CN104301933A (zh) * 2014-10-17 2015-01-21 中国人民解放军理工大学 一种无线自组网中用于计算带宽和分配带宽的方法

Also Published As

Publication number Publication date
CN106211344A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN106211344B (zh) 一种基于情景感知的Ad Hoc网络带宽管理方法
Mammeri Reinforcement learning based routing in networks: Review and classification of approaches
Liu et al. Task-driven relay assignment in distributed UAV communication networks
Dawaliby et al. Distributed network slicing in large scale IoT based on coalitional multi-game theory
Wang et al. QoS multicast routing protocol oriented to cognitive network using competitive coevolutionary algorithm
CN110753319B (zh) 异构车联网中面向异质业务的分布式资源分配方法及系统
Shrivastava et al. Deep Q-network learning based downlink resource allocation for hybrid RF/VLC systems
Goudarzi et al. Dynamic resource allocation model for distribution operations using SDN
Yang et al. Multi-armed bandits learning for task offloading in maritime edge intelligence networks
Jamil et al. IRATS: A DRL-based intelligent priority and deadline-aware online resource allocation and task scheduling algorithm in a vehicular fog network
Tham et al. A load balancing scheme for sensing and analytics on a mobile edge computing network
WO2023245835A1 (zh) 一种基于栅格时延预测的卫星传输优化方法
Ioannou et al. A novel Distributed AI framework with ML for D2D communication in 5G/6G networks
Pham et al. When RAN intelligent controller in O-RAN meets multi-UAV enable wireless network
Zhou et al. Joint multi-objective optimization for radio access network slicing using multi-agent deep reinforcement learning
Huang et al. A hierarchical pseudonyms management approach for software-defined vehicular networks
Zhang et al. Vehicular multi-slice optimization in 5G: Dynamic preference policy using reinforcement learning
Zhang et al. Deep reinforcement learning based energy-efficient task offloading for secondary mobile edge systems
CN115484205A (zh) 确定性网络路由与队列调度方法及装置
Dongare et al. Deep reinforcement learning for task allocation in energy harvesting mobile crowdsensing
Song et al. A Channel Perceiving-based Handover Management in Space-ground Integrated Information Network
Deng et al. Spectrum-aware Multi-hop Task Routing in Vehicle-assisted Collaborative Edge Computing
Nour et al. Unsupervised Data Splitting Scheme for Federated Edge Learning in IoT Networks
Marcel et al. Qos-aware transmission for multimedia applications in manet using aco with fuzzy logic
Abdullah et al. Hybrid optimization based on spectrum aware opportunistic routing for cognitive radio ad hoc networks

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
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: 20190405

Termination date: 20210714