CN106304169A - 一种无线mesh网络的业务高效处理架构 - Google Patents

Abstract

本发明针对无线mesh网络中业务汇聚与传输能力低下问题，采用一种无线mesh网络的业务高效处理架构，通过建立高效业务处理引擎架构模型和邻近节点传输时延与功率优化均衡机制，实现了无线mesh网络中业务的高效、安全汇聚与传输。

Description

一种无线mesh网络的业务高效处理架构

技术领域

本发明涉及通信技术领域，特别是涉及业务调度，以及最优化理论。

背景技术

伴随移动通信网络在过去20年中的广泛普及，全球移动语音通信业务获得了巨大的成功。如今，随着技术的更新换代，移动通信除继续支持话音业务外，数据业务的进展开始明显加快，而且对高传输速率、高覆盖以及良好的端到端服务质量(QoS)也有更迫切的要求。随着无线通信业务需求的不断增长，无线通信技术的发展日新月异，新的无线网络架构和技术不断被提出。在传统蜂窝通信技术以及自组织网络(ad-hoc)技术的基础上，无线mesh(WMNs)网络技术得到了快速发展，而且受到了工业界与学术界越来越广泛的重视。

无线mesh网是一种动态自组织和自配置网络，网络中的所有节点自动建立一个无线网状网络并维护网络的连通性。WMNs包含了两种类型的节点：无线mesh路由器和无线mesh客户端。无线mesh路由器除了具有传统无线路由器所具有的网关/网桥功能外，还包括额外的路由功能以支持mesh网。通过多跳通信，无线mesh路由器可以以相对较低的发射功率来实现较大的覆盖范围。为了进一步提高无线mesh网的灵活性，无线mesh路由器通常具有相同或不同无线接入技术实现的多个无线接口。尽管具有这些差异，无线mesh路由器和传统的无线路由器通常是建立在相同的硬件平台上。无线mesh路由器具有较小的移动性，并形成骨干网供mesh客户端接入。因此，尽管mesh客户端也可以作为mesh网的路由器来工作，但它们的软硬件平台要比mesh路由器简单的多。例如，用于mesh客户端的通信协议可以是较简单的，mesh客户端中并不存在网关或网桥的功能，而只需要单一的无线接口，等等。在mesh网中除了mesh路由器和mesh客户端外，mesh路由器中的网关/网桥(WirelessGateway：WGW)功能可以使WMNs与其他网络集成。传统的具有无线接口(NICs)的节点可以直接通过mesh路由器接入到WMNs，没有无线NICs的客户端可以通过以太网等来连接到mesh路由器以接入WMNs。因此，WMNs将极大的有助于用户随时随地保持在线。因此，WMNs并不是另一种形式的Ad-hoc网络，而是Ad-hoc网络功能的扩展。这就为WMNs带来了很多的优点，如较低的建设成本，简单的网络维护，健壮性和可扩展性，可靠的服务覆盖等等。故而，WMNs除了被传统的Ad-hoc网络应用方面所广泛接受外，还在其他许多应用中被快速商业化，如宽带家庭网络，社区网络，无线城域网以及企业网等。

综上所述：为实现无线mesh网络的高效安全传输，需建立相应的业务高效处理架构，实现网络资源的归一化优化利用。

发明内容

本发明所要解决的技术问题是：解决无线mesh网络中业务汇聚与传输能力低下问题，提高网络的传输与处理能力。

本发明为解决上述技术问题所采用的技术方案包括以下步骤：

A、建立高效业务处理引擎架构模型；

B、建立邻近节点传输时延与功率优化均衡机制。

所述步骤A中，业务处理引擎架构模型由原始数据汇聚、分类和整形单元、安全管理单元、数据相关性分析引擎、网络与实时业务分析引擎、大尺度非实时数据分析预处理引擎、数据存储与预处理引擎以及邻近节点传输时延与功率优化均衡规划单元组成，如图2所示；数据存储与预处理引擎获取经分类和整形后的原始数据，并进行进一步处理，邻近节点传输时延与功率优化均衡规划单元获取分类和整形后的原始数据，并对节点资源展开动态优化，数据相关性分析引擎主要用于数据与网络资源的全局耦合、数据与网络资源的利用效能关联性分析与推理；

所述步骤A中，网络与实时业务分析引擎由信息安全事件分析单元、网络状态分析单元、原始数据表征分析单元组成，网络与实时业务分析引擎主要用于对局部网络状态和强关联性实时业务进行语义、统计特性以及局部网络与实时业务的耦合性进行分析；大尺度非实时数据分析预处理引擎主要用于对具有强时空差异性的数据进行分析与处理，其主要包括面向用户的大尺度非实时数据特征与推理结果处理单元、大尺度非实时数据语义规则分析单元、大尺度非实时数据挖掘分析单元、大尺度非实时数据特征描述单元、大尺度非实时数据特征提取单元、大尺度非实时数据分析引擎管理单元；数据存储与预处理引擎主要用于原始数据的存储与预处理，其主要包括实时数据存储与预处理单元和大尺度非实时数据存储与预处理单元。

所述步骤A中，将邻近节点传输时延与功率优化均衡规划单元获得的相关网络资源的最优解集合信息发送至网络状态分析单元，并且网络状态分析单元将网络状态信息与大尺度非实时数据分析引擎进行实时联动，进而提升大尺度非实时数据的精细化分析能力。

所述步骤B中，采用如下优化模型来实现：

min C_max

min TEC

$\begin{array}{ccc}s.t.& M(1-{\mathrm{\ζ}}_j)+o_j\≥s_{2jj}-c_{1j}& \∀j\end{array}$

$\begin{array}{cc}{c}_{1j}\≥\frac{p_{1j}}{v_l}{y}_{1jl}+s_{1jj}{\mathrm{\ζ}}_j& \∀j,l\end{array}$

$\begin{array}{cc}{c}_{2j}\≥c_{1j}+o_j+\frac{p_{2j}}{v_l}{y}_{2jl}& \∀j,l\end{array}$

$\begin{array}{cc}{C}_{\max }\≥c_{2j}& \∀j\end{array}$

$\underset{j}{\Σ}{\mathrm{\ζ}}_j=1$

$\begin{array}{cc}\underset{l}{\Σ}{y}_{ijl}=1& \∀i,j\end{array}$

$\begin{array}{cc}\underset{k}{\Σ}{x}_{jk}=1& \∀j|j\≠k\end{array}$

$\begin{array}{cc}\underset{j}{\Σ}{x}_{jk}=1& \∀k|j\≠k\end{array}$

$\begin{array}{cc}{\mathrm{\θ}}_i=C_{\max }-\underset{j}{\Σ}\underset{l}{\Σ}\frac{p_{ij}}{v_l}{y}_{ijl}& \∀i\end{array}$

c_ij≥0，o_j≥0，θ_i≥0，TEC≥0，ζ_j∈{0，1}，

x_jk∈{0，1}，y_ijl∈{0，1}

其中i为节点标识，i＝1,2，j,k为业务流标识且j,k＝1,2,......,n，l为节点处理速度，p_ij为节点i上的业务流j处理时间，v_l为处理速度因子，s_ijk为节点i上的由处理业务流j转换至处理业务流k所需的状态转换时间，λ_l为处理速度l的动态调整因子，为节点i上的空闲时间动态调整因子，π_i为节点i消耗的功率，M为正常数，c_ij为节点i上的业务流j被该节点推出的时间戳，θ_i为节点i上的空闲时间，C_max为最后一个节点处理完最后一个业务的时间戳，TEC为网络中的所有能量消耗，ο_j为业务流j在节点上的平均装载时间，ζ_j为决策变量，若业务流j为第一个被处理的业务则ζ_j＝1，反之则ζ_j＝0，x_jk为决策变量，若业务流j先于业务流k被处理则x_jk＝1，反之则x_jk＝0，y_ijl为决策变量，若节点i以速度l处理业务流j则y_ijl＝1，反之则y_ijl＝0。

本发明的有益效果为：一种无线mesh网络的业务高效处理架构，采用建立高效业务处理引擎架构模型和建立邻近节点传输时延与功率优化均衡机制，实现了无线mesh网络中业务的高效、安全汇聚与传输。

附图说明

图1无线mesh网络架构示意图

图2业务处理引擎架构模型示意图

具体实施方式

为达到上述目的，本发明的技术方案如下：

第一步，业务处理引擎架构模型由原始数据汇聚、分类和整形单元、安全管理单元、数据相关性分析引擎、网络与实时业务分析引擎、大尺度非实时数据分析预处理引擎、数据存储与预处理引擎以及邻近节点传输时延与功率优化均衡规划单元组成，如图2所示；数据存储与预处理引擎获取经分类和整形后的原始数据，并进行进一步处理，邻近节点传输时延与功率优化均衡规划单元获取分类和整形后的原始数据，并对节点资源展开动态优化，数据相关性分析引擎主要用于数据与网络资源的全局耦合、数据与网络资源的利用效能关联性分析与推理。

第二步，网络与实时业务分析引擎由信息安全事件分析单元、网络状态分析单元、原始数据表征分析单元组成，网络与实时业务分析引擎主要用于对局部网络状态和强关联性实时业务进行语义、统计特性以及局部网络与实时业务的耦合性进行分析；大尺度非实时数据分析预处理引擎主要用于对具有强时空差异性的数据进行分析与处理，其主要包括面向用户的大尺度非实时数据特征与推理结果处理单元、大尺度非实时数据语义规则分析单元、大尺度非实时数据挖掘分析单元、大尺度非实时数据特征描述单元、大尺度非实时数据特征提取单元、大尺度非实时数据分析引擎管理单元；数据存储与预处理引擎主要用于原始数据的存储与预处理，其主要包括实时数据存储与预处理单元和大尺度非实时数据存储与预处理单元。

第三步，将邻近节点传输时延与功率优化均衡规划单元获得的相关网络资源的最优解集合信息发送至网络状态分析单元，并且网络状态分析单元将网络状态信息与大尺度非实时数据分析引擎进行实时联动，进而提升大尺度非实时数据的精细化分析能力。

第四步，建立邻近节点传输时延与功率优化均衡机制，采用如下优化模型来实现：

min C_max

min TEC

$\begin{array}{ccc}s.t.& M(1-{\mathrm{\ζ}}_j)+o_j\≥s_{2jj}-c_{1j}& \∀j\end{array}$

$\begin{array}{cc}{c}_{1j}\≥\frac{p_{1j}}{v_l}{y}_{1jl}+s_{1jj}{\mathrm{\ζ}}_j& \∀j,l\end{array}$

$\begin{array}{cc}{c}_{2j}\≥c_{1j}+o_j+\frac{p_{2j}}{v_l}{y}_{2jl}& \∀j,l\end{array}$

$\begin{array}{cc}{C}_{\max }\≥c_{2j}& \∀j\end{array}$

$\underset{j}{\Σ}{\mathrm{\ζ}}_j=1$

$\begin{array}{cc}\underset{l}{\Σ}{y}_{ijl}=1& \∀i,j\end{array}$

$\begin{array}{cc}\underset{k}{\Σ}{x}_{jk}=1& \∀j|j\≠k\end{array}$

$\begin{array}{cc}\underset{j}{\Σ}{x}_{jk}=1& \∀k|j\≠k\end{array}$

$\begin{array}{cc}{\mathrm{\θ}}_i=C_{\max }-\underset{j}{\Σ}\underset{l}{\Σ}\frac{p_{ij}}{v_l}{y}_{ijl}& \∀i\end{array}$

c_ij≥0，o_j≥0，θ_i≥0，TEC≥0，ζ_j∈{0，1}，

x_jk∈{0，1}，y_ijl∈{0，1}

其中i为节点标识，i＝1,2，j,k为业务流标识且j,k＝1,2,......,n，l为节点处理速度，p_ij为节点i上的业务流j处理时间，v_l为处理速度因子，s_ijk为节点i上的由处理业务流j转换至处理业务流k所需的状态转换时间，λ_l为处理速度l的动态调整因子，为节点i上的空闲时间动态调整因子，π_i为节点i消耗的功率，M为正常数，c_ij为节点i上的业务流j被该节点推出的时间戳，θ_i为节点i上的空闲时间，C_max为最后一个节点处理完最后一个业务的时间戳，TEC为网络中的所有能量消耗，ο_j为业务流j在节点上的平均装载时间，ζ_j为决策变量，若业务流j为第一个被处理的业务则ζ_j＝1，反之则ζ_j＝0，x_jk为决策变量，若业务流j先于业务流k被处理则x_jk＝1，反之则x_jk＝0，y_ijl为决策变量，若节点i以速度l处理业务流j则y_ijl＝1，反之则y_ijl＝0。

本发明提出了一种无线mesh网络的业务高效处理架构，采用建立高效业务处理引擎架构模型和建立邻近节点传输时延与功率优化均衡机制，实现了无线mesh网络中业务的高效、安全汇聚与传输。

Claims (5)

1.一种无线mesh网络的业务高效处理架构，通过采用高效业务处理引擎架构模型和建立邻近节点传输时延与功率优化均衡机制，实现无线mesh网络中业务的高效、安全汇聚与传输，包括如下步骤：

A、建立高效业务处理引擎架构模型；

B、建立邻近节点传输时延与功率优化均衡机制。

2.根据权利要求1的方法，对于所述步骤A其特征在于：业务处理引擎架构模型由原始数据汇聚、分类和整形单元、安全管理单元、数据相关性分析引擎、网络与实时业务分析引擎、大尺度非实时数据分析预处理引擎、数据存储与预处理引擎以及邻近节点传输时延与功率优化均衡规划单元组成，如图2所示；数据存储与预处理引擎获取经分类和整形后的原始数据，并进行进一步处理，邻近节点传输时延与功率优化均衡规划单元获取分类和整形后的原始数据，并对节点资源展开动态优化，数据相关性分析引擎主要用于数据与网络资源的全局耦合、数据与网络资源的利用效能关联性分析与推理。

3.根据权利要求1的方法，对于所述步骤A其特征在于：网络与实时业务分析引擎由信息安全事件分析单元、网络状态分析单元、原始数据表征分析单元组成，网络与实时业务分析引擎主要用于对局部网络状态和强关联性实时业务进行语义、统计特性以及局部网络与实时业务的耦合性进行分析；大尺度非实时数据分析预处理引擎主要用于对具有强时空差异性的数据进行分析与处理，其主要包括面向用户的大尺度非实时数据特征与推理结果处理单元、大尺度非实时数据语义规则分析单元、大尺度非实时数据挖掘分析单元、大尺度非实时数据特征描述单元、大尺度非实时数据特征提取单元、大尺度非实时数据分析引擎管理单元；数据存储与预处理引擎主要用于原始数据的存储与预处理，其主要包括实时数据存储与预处理单元和大尺度非实时数据存储与预处理单元。

4.根据权利要求1的方法，对于所述步骤A其特征在于：将邻近节点传输时延与功率优化均衡规划单元获得的相关网络资源的最优解集合信息发送至网络状态分析单元，并且网络状态分析单元将网络状态信息与大尺度非实时数据分析引擎进行实时联动，进而提升大尺度非实时数据的精细化分析能力。

5.根据权利要求1的方法，对于所述步骤B其特征在于：采用如下优化模型来实现：

min C_max

min TEC

$\begin{array}{ccc}s.t.& M(1-{\mathrm{\ζ}}_j)+o_j\≥s_{2jj}-c_{1j}& \∀j\end{array}$

$c_{1j}\≥\frac{p_{1j}}{v_l}{y}_{1\mathrm{jl}}+s_{1\mathrm{jj}}{\mathrm{\ζ}}_j,\∀j,l$

$\begin{array}{cc}{C}_{\max }\≥c_{2j}& \∀j\end{array}$

$\underset{j}{\mathrm{\Σ}}{\mathrm{\ζ}}_j=1$

$\begin{array}{cc}\underset{k}{\mathrm{\Σ}}{x}_{jk}=1& \∀j|j\≠k\end{array}$

$\begin{array}{cc}\underset{j}{\mathrm{\Σ}}{x}_{jk}=1& \∀k|j\≠k\end{array}$

c_ij≥0，0_j≥0，θ_i≥0，TEC≥0，ζ_j∈{0，1}，

χ_jk∈{0，1}，y_ijl∈{0，1}

其中i为节点标识，i＝1,2，j,k为业务流标识且j,k＝1,2,......,n，l为节点处理速度，p_ij为节点i上的业务流j处理时间，v_l为处理速度因子，s_ijk为节点i上的由处理业务流j转换至处理业务流k所需的状态转换时间，λ_l为处理速度l的动态调整因子，为节点i上的空闲时间动态调整因子，π_i为节点i消耗的功率，M为正常数，c_ij为节点i上的业务流j被该节点推出的时间戳，θ_i为节点i上的空闲时间，C_max为最后一个节点处理完最后一个业务的最大时间戳，TEC为网络中的所有能量消耗，ο_j为业务流j在节点上的平均装载时间，ζ_j为决策变量，若业务流j为第一个被处理的业务则ζ_j＝1，反之则ζ_j＝0，x_jk为决策变量，若业务流j先于业务流k被处理则x_jk＝1，反之则x_jk＝0，y_ijl为决策变量，若节点i以速度l处理业务流j则y_ijl＝1，反之则y_ijl＝0。