CN106358148A

CN106358148A - 一种基于潜博弈的协同数据分流联合信道选择方法

Info

Publication number: CN106358148A
Application number: CN201610880561.4A
Authority: CN
Inventors: 李大鹏; 姜泽; 黄波
Original assignee: Nanjing Post and Telecommunication University
Current assignee: Nanjing Post and Telecommunication University; Nanjing University of Posts and Telecommunications
Priority date: 2016-10-09
Filing date: 2016-10-09
Publication date: 2017-01-25
Anticipated expiration: 2036-10-09
Also published as: CN106358148B

Abstract

本发明公开了一种基于潜博弈的协同数据分流联合信道选择方法，该方法包括以下步骤：所有在系统中的设备随机选择一个信道；每一个用户根据同一信道上其他用户的情况计算自己在信道上的能量消耗；用户随机再选择一个新的信道，再次计算此时的能量消耗；用户以概率p停留在当前信道，以概率p'返回上次选择的信道；不断迭代后达到稳态。本发明提出的分布式算法将通过设置合适的信道转移概率，使得用户能够选择到自己合适的信道并达到能量收敛。

Description

一种基于潜博弈的协同数据分流联合信道选择方法

技术领域

本发明涉及一种无线网络中基于潜博弈的协同数据分流联合信道选择方法，属于通信技术领域。

背景技术

近年来，随着移动网络数据量的迅速增长，移动端的处理能力和能量消耗问题受到了极大考验。数据分流技术的应用使得移动端能将本来自身处理的数据分流到云端，通过云端强大的计算能力来处理并直接将结果返回给移动端，从而极大的减小了移动端的能量消耗。但现有文献是针对单个用户的数据分流场景提出中心式优化策略，而对于多用户的场景，并没有提出在上行链路上的协同方案。对于协同数据分流，用户之间可以通过协作减少不必要的长距离通信，从而减少了能量开销。另外，对于多用户合作模型现今也没有提出过分布式信道选择算法。

经对现有技术文献的检索发现，Yonggang Wen等人在《INFOCOM，March2012,pp.2716-2720》上发表了题为“Energy-Optimal Mobile Application Execution:TamingResource-Poor Mobile Devices with Cloud Clones”一文，该文针对单个用户的应用应该放在移动端还是云端执行的问题，提出了能量最优执行策略，但是此策略只是针对单个用户的情况，并未考虑多个用户协同数据分流的情况。

另检索发现，Chang,T.Ristaniemi等人在《IEEE International Conference onCommunications(ICC),Sydney,NSW,2014,pp.

4281-4286，2014》上发表题为"Energy efficient user grouping andscheduling for collaborative mobile cloud"一文，该文提出在云计算环境下，用户之间可以通过协同来实现数据分流。然而该文的系统模型针对的是下行链路的情况，而且采用的是中心式最优算法，并没有提出分布式算法。

经检索还发现，L.Al-Kanj等人在《IEEE Transactions on VehicularTechnology,vol.62,no.8,pp.3828-3847,Oct.2013》上发表题为"Energy-AwareCooperative Content Distribution Over Wireless Networks:Optimized andDistributed Approaches"一文，该文在下行链路上设计了一种数据分发的分布式算法。该文虽然提出了一种分布式算法，但没有讨论数据分流在上行链路上的情况。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于针对上述现有技术的不足，提出了一种基于潜博弈的协同数据分流联合信道选择方法，该分布式方法能让设备在迭代平稳后选择合适的信道，从而降低了自身的能量消耗。

本发明解决其技术问题所采取的技术方案是：一种基于潜博弈的协同数据分流联合信道选择方法，该方法的信道选择策略只需获取本信道的设备状况，而无需知道整个网络状况。

方法流程：

步骤1：设置算法精度参数θ和信道选择更新速率τ_n；

步骤2：所有在系统中的设备随机选择一个信道a_n；

步骤3：在处于同一信道上的设备中随机生成一位信头header,其他用户将自己要分流的数据通过WiFi或蓝牙短距离通信技术传送给信头header；

步骤4：信头header将收集来的数据连同自己的数据一起通过3G(即第三代通信技术)或4G(即第四代通信技术)长距离通信技术传送到基站，在时间段1/τ_n内，每一个用户根据同一信道上其他用户的情况计算自己在信道a_n上的能量消耗

步骤5：系统中用户随机再选择一个新的信道a′_n，再次计算此时的能量消耗

步骤6：用户以概率

停留在当前信道，以概率返回上次选择的信道，其中S_n是设备要发送的数据量，D_n是长距离通信的范围，α是路径损耗系数；

步骤7：信道中的每一个用户轮流成为信头header，重复上述步骤5～步骤6。

本发明上述系统包括协同网络模块、基站模块和云端模块。

协同网络模块给处于网络中的用户提供多个信道接入，处于同一信道上的用户可以通过短距离通信技术进行数据传输。

基站模块负责接收从header发来的数据并转交到云端。

云端模块利用强大的服务器运算性能对传来的数据进行运算并将结果返回。

有益效果：

1、本发明通过用户之间的协作，实现了上行链路上的协同数据分流，通过设计分布式算法，用户无需了解整个网络的信道状况，只需知道本信道上的设备状况即可，通过算法迭代选择到合适的信道上。

2、本发明基于潜博弈的协同数据分流联合信道选择方法，该方法能让设备在迭代平稳后选择合适的信道，从而降低了自身的能量消耗。

3、本发明兼顾系统的公平性，每个用户都会成为header，降低了系统总能量消耗。

4、本发明信道选择策略只需获取本信道的设备状况，而无需知道整个网络状况，通过设置合适的信道转移概率，使得用户能够很好地选择到自己合适的信道并达到能量收敛。

附图说明

图1是系统模型示意图。

图2是最终形成的合作圈示意图。

图3是每个设备能量消耗的收敛示意图。

图4是实施例分布式算法与中心式算法比较示意图。

具体实施方式

下面结合说明书附图对本发明创造作进一步的详细说明。

如图1所示，本发明系统包括协同网络模块、基站模块和云端模块。

基站模块负责接收从header发来的数据并转交到云端。

处于协同网络中的多个用户通过接入多个信道来完成自己的数据分流。处于同个信道上的用户形成一个合作簇，每个用户将自己需要上传的数据首先传送给header(即信头)，然后再由header将本信道上的所有数据上传到基站，完成一次数据分流上传。基站用于接收用户上传数据并将数据转交到云端服务器上。位于云端的服务器利用其强大的运算能力对数据进行处理并将结果返回。

由香农公式可知，用户n的能量消耗为：

\underset{i &Element; N}{Σ} \frac{2^{\frac{R_{n}^{L}}{W_{L}} - 1} σ^{2} {D_{n}}^{α}}{{R_{n}}^{L}} S_{i} \cdot I {a_{i} = a_{n}} + \underset{i &Element; N, i &NotEqual; n}{Σ} \frac{2^{\frac{R_{n i}^{S}}{W_{S}} - 1} σ^{2} {d_{i n}}^{α}}{{R_{n i}}^{S}} S_{n} \cdot I {a_{i} = a_{n}}

其中n为任意一个用户，是用户n的长距离通信速率，是用户n的短距离通信速率；W_S,W_L是网络带宽。S_n是设备要发送的数据量，D_n是长距离通信的范围，α是路径损耗系数。σ²为高斯白噪声功率。N为用户的集合。

由潜博弈的性质可得到潜方程

其中

G_{1} = \frac{(2^{\frac{R_{n}^{L}}{W_{L}} 1}) σ^{2}}{R_{n}^{L}}

G_{1} = \frac{(2^{\frac{R_{n i}^{S}}{W_{S}} - 1}) σ^{2}}{R_{n i}^{S}}

由KKT条件可得收敛概率

具体实施如图2所示，在250m的方形区域内实现该算法。所有设备随机分布在此区域内，需要上传的数据量为1～8MB，通过算法实施，当达到算法稳态后，用户之间形成的合作簇如图所示。

本发明中所有在系统中的设备随机选择一个信道，每一个用户根据同一信道上其他用户的情况计算自己在信道上的能量消耗；用户随机再选择一个新的信道，再次计算此时的能量消耗；用户以概率p停留在当前信道，以概率p'返回上次选择的信道；不断迭代后达到稳态。本发明提出的分布式算法将通过设置合适的信道转移概率，使得用户能够选择到自己合适的信道并达到能量收敛。

本发明实施例中得到的合作关系具有唯一性，帕累托最优性和稳定性，即对节点所形成的集合，不存在另一种合作关系，使得每个节点都能够得到更好的协作效益。

本实施例中得到的能量收敛图如图3所示，从图中可知，用户的能量消耗曲线在迭代大约200步后能收敛，证明了算法的有效性。

本实施例方法分布式算法与中心式算法比较如图4。从图中可知，当区域内用户数目增加时，该分布式算法效率提升；用户通过协作数据分流消耗的能量与不协作直接进行数据分流相比能量消耗减少了50％以上；与中心式算法比较，能量多消耗了10％，但是由于分布式算法无需知道整个网络的节点信息，仍显示出本分布式算法的高效性。

本发明实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

Claims

1.一种基于潜博弈的协同数据分流联合信道选择方法,包括如下步骤：

步骤1：设置算法精度参数θ和信道选择更新速率τ_n；

步骤2：所有在系统中的设备随机选择一个信道a_n，

步骤4：信头header将收集来的数据连同自己的数据一起通过3G或4G长距离通信技术传送到基站，在时间段1/τ_n内，每一个用户根据同一信道上其他用户的情况计算自己在信道a_n上的能量消耗

步骤6：用户以概率停留在当前信道，以概率返回上次选择的信道，其中S_n是设备要发送的数据量，D_n是长距离通信的范围，α是路径损耗系数；

2.根据权利要求1所述的一种基于潜博弈的协同数据分流联合信道选择方法，其特征在于，所述系统包括协同网络模块、基站模块和云端模块；

协同网络模块给处于网络中的用户提供多个信道接入，处于同一信道上的用户可以通过短距离通信技术进行数据传输；

基站模块负责接收从header发来的数据并转交到云端；

3.根据权利要求1所述的一种基于潜博弈的协同数据分流联合信道选择方法，其特征在于，用户n的能量消耗为：

\underset{i &Element; N}{Σ} \frac{2^{\frac{R_{n}^{L}}{W_{L}} - 1} σ^{2} {D_{n}}^{α}}{{R_{n}}^{L}} S_{i} \cdot I {a_{i} = a_{n}} + \underset{i &Element; N, i &NotEqual; n}{Σ} \frac{2^{\frac{R_{n i}^{S}}{W_{S}} - 1} σ^{2} {D_{i n}}^{α}}{{R_{i n}}^{S}} S_{n} \cdot I {a_{i} = a_{n}}

其中n为任意一个用户，是用户n的长距离通信速率，是用户n的短距离通信速率；W_S,W_L是网络带宽，S_n是设备要发送的数据量，D_n是长距离通信的范围，α是路径损耗系数，σ²为高斯白噪声功率，N为用户的集合；

所述方法的潜方程为：

其中

G_{1} = \frac{(2^{\frac{R_{n}^{L}}{W_{L}} - 1}) σ^{2}}{R_{n}^{L}}

G_{1} = \frac{(2^{\frac{R_{n i}^{S}}{W_{S}} - 1}) σ^{2}}{R_{n i}^{S}}

由KKT条件得到收敛概率为：

4.根据权利要求1所述的一种基于潜博弈的协同数据分流联合信道选择方法，其特征在于：所述方法的信道选择策略只需获取本信道的设备状况，而无需知道整个网络状况。

5.根据权利要求1所述的一种基于潜博弈的协同数据分流联合信道选择方法，其特征在于：所述方法通过设置合适的信道转移概率，使得用户能够选择到自己合适的信道并达到能量收敛。