CN107277888B - 跨层路由实现方法和装置 - Google Patents

跨层路由实现方法和装置 Download PDF

Info

Publication number
CN107277888B
CN107277888B CN201710520380.5A CN201710520380A CN107277888B CN 107277888 B CN107277888 B CN 107277888B CN 201710520380 A CN201710520380 A CN 201710520380A CN 107277888 B CN107277888 B CN 107277888B
Authority
CN
China
Prior art keywords
node
value
utility
energy
route requests
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.)
Active
Application number
CN201710520380.5A
Other languages
English (en)
Other versions
CN107277888A (zh
Inventor
徐方
邓敏
熊曾刚
叶从欢
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.)
Hubei Engineering University
Original Assignee
Hubei Engineering University
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 Hubei Engineering University filed Critical Hubei Engineering University
Priority to CN201710520380.5A priority Critical patent/CN107277888B/zh
Publication of CN107277888A publication Critical patent/CN107277888A/zh
Application granted granted Critical
Publication of CN107277888B publication Critical patent/CN107277888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/02Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/04Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
    • H04W40/10Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W84/00Network topologies
    • H04W84/18Self-organising networks, e.g. ad-hoc networks or sensor networks
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实例提供一种跨层路由实现方法和装置,该方法包括在目的节点接收到首个路由请求报文的预设时长内,对由源节点以广播形式发送且经不同路径到达该目的节点的路由请求报文进行统计,该路由请求报文包括节点能量开销值和链路稳定性效用值,且节点能量开销值和链路稳定性效用值在每经过一个中间节点时更新一次,根据统计到的多个路由请求报文中分别对应的能量开销值和链路稳定性效用值计算各路由请求报文对应的路径效用值,对各路由请求报文对应的路径效用值进行比对、分析以得到最小路径效用值,选取与最小路径效用值对应的路径以使得目的节点通过该路径发送路由应答报文给源节点。本发明能够有效提高无线自组网的能量效率和网络生存时间。

Description

跨层路由实现方法和装置
技术领域
本发明涉及无线自组织网络技术领域,具体而言,涉及一种跨层路由实现方法和装置。
背景技术
经发明人研究发现,在自组织网络环境下,由智能移动设备构成的无线自组网节点受能源约束的影响很大,加之,智能移动设备上日益增长的复杂应用等都给设备带来了越来越大的能量压力。例如,在日常应用中,人们通常在这些智能移动设备上安装各种应用程序,而应用程序的运行对节点能量效率以及路由效率有较大影响,因此,在设计这类无线自组织网络的路由算法时,如何综合考虑节点的能耗和链路稳定性成为本领域技术人员的研究热点。
发明内容
有鉴于此,本发明提供一种基于能量感知的跨层路由实现方法和装置,能够有效提高网络中的能量使用效率和网络性能。
本发明较佳实施例提供一种跨层路由实现方法,应用于基于智能移动设备的无线自组织网络,所述无线自组织网络包括源节点、目的节点和多个中间节点,所述方法包括:
在所述目的节点接收到首个路由请求报文的预设时长内,对由所述源节点以广播形式发送且经不同路径到达该目的节点的路由请求报文进行统计,其中,所述不同路径由不同数量个中间节点构成;
所述路由请求报文包括节点能量开销值和链路稳定性效用值,所述节点能量开销值和链路稳定性效用值在每经过一个中间节点时更新一次;
根据统计到的多个路由请求报文中的各路由请求报文分别对应的所述能量开销值和链路稳定性效用值,计算所述各路由请求报文对应的路径效用值;
对各路由请求报文对应的路径效用值进行比对、分析以得到最小路径效用值;
选取与所述最小路径效用值对应的路径以使得所述目的节点通过该路径发送路由应答报文给所述源节点以完成路由发现过程。
进一步地,所述节点能量开销值通过以下步骤得到:
对应用层中的上下文认知自学习模型进行初始化;
针对每个接收到所述路由请求报文的中间节点,通过应用程序监测模块和上下文信息采样模块获取应用层中的应用程序的上下文信息;
根据所述应用程序的上下文信息对所述上下文认知自学习模型中的应用程序信息进行更新,其中,所述应用程序信息包括程序类别、负载能耗和剩余能耗;
根据更新后的所述上下文认知自学习模型中的应用程序信息计算所述中间节点的节点能量开销值;
根据所述节点能量开销值对路由表和所述路由请求报文中的节点能量开销值进行更新,并使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。
进一步地,所述节点能量开销值通过以下公式得到:
其中,表示路由路径上第i个中间节点上的应用程序的能量效用和节点剩余能量之和。
进一步地,所述对应用层中的上下文认知自学习模型进行初始化的步骤,包括:
在上下文知识库中建立组件负载能耗表并通过运行预定义任务的方式获取各所述组件的工作负载能耗;
通过所述工作负载能耗对系统能量模型进行训练以得到各组件的负载能耗和剩余能耗的权重值,从而完成对所述上下文认知自学习模型的初始化。
进一步地,所述链路稳定性效用值通过以下步骤得到:
针对每个接收到所述路由请求报文的中间节点,通过数据链路层的链路稳定性监测与度量模块获取并分析接收到的无线信号的信号强度,根据所述信号强度计算所述中间节点的链路稳定性效用值;
根据所述链路稳定性效用值对路由表和所述路由请求报文中的链路稳定性效用值进行更新,以使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。
进一步地,所述链路稳定性效用值可以表示为
其中,表示第i-1个中间节点到第i个中间节点之间的链路开销值。
本发明较佳实施例还提供一种跨层路由实现装置,应用于基于智能移动设备的无线自组织网络,所述无线自组织网络包括源节点、目的节点和多个中间节点,所述装置包括:
统计模块,用于在所述目的节点接收到首个路由请求报文的预设时长内,对由所述源节点以广播形式发送且经不同路径到达该目的节点的路由请求报文进行统计,其中,所述不同路径由不同数量个中间节点构成;
报文更新模块,用于所述路由请求报文包括节点能量开销值和链路稳定性效用值,所述节点能量开销值和链路稳定性效用值在每经过一个中间节点时更新一次;
计算模块,用于根据统计到的多个路由请求报文中的各路由请求报文分别对应的所述能量开销值和链路稳定性效用值,计算所述各路由请求报文对应的路径效用值;
比较模块,用于对各路由请求报文对应的路径效用值进行比对、分析以得到最小路径效用值;
选取模块,用于选取与所述最小路径效用值对应的路径以使得所述目的节点通过该路径发送路由应答报文给所述源节点以完成路由发现过程。
进一步地,所述报文更新模块包括:
初始化单元,用于对应用层中的上下文认知自学习模型进行初始化;
第一获取单元,用于针对每个接收到所述路由请求报文的中间节点,通过应用程序监测模块和上下文信息采样模块获取应用层中的应用程序的上下文信息;
信息更新单元,用于根据所述应用程序的上下文信息对所述上下文认知自学习模型中的应用程序信息进行更新,其中,所述应用程序信息包括程序类别、负载能耗和剩余能耗;
第一计算单元,用于根据更新后的所述上下文认知自学习模型中的应用程序信息计算所述中间节点的节点能量开销值;
第一路由更新单元,用于根据所述节点能量开销值对路由表和所述路由请求报文中的节点能量开销值进行更新,并使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。
进一步地,所述节点能量开销值通过以下公式得到:
其中,表示路由路径上第i个中间节点上的应用程序的能量效用和节点剩余能量之和。
进一步地,所述报文更新模块还包括:
第二获取单元,用于针对接收到所述路由请求报文的中间节点,通过数据链路层的链路稳定性监测与度量模块获取并分析接收到的无线信号的信号强度,根据所述信号强度计算所述中间节点的链路稳定性效用值;
第二路由更新单元,用于根据所述链路稳定性效用值对所述路由表和所述路由请求报文中的链路稳定性效用值进行更新,以使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。
本发明实施例提供的基于能量感知的跨层路由实现方法和装置,通过综合利用数据链路层、网络层和应用层的上下文信息,提高了网络中各节点能量的使用效率和生存时间,实现了能量效率与网络性能之间的平衡。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种应用跨层路由实现装置的应用场景示意图。
图2为本发明实施例提供的路由体系结构示意图。
图3为本发明实施例提供的上下文自学习认知模型示意图。
图4为本发明实施例提供的跨层路由实现方法的流程示意图。
图5为本发明实施例提供的跨层路由实现方法的子流程示意图。
图6为本发明实施例提供的跨层路由实现方法的另一子流程示意图。
图7为本发明实施例提供的不同节点在不同运行时间下的能量消耗仿真结果示意图。
图8为本发明实施例提供的不同节点的网络生存时间的仿真结果示意图。
图9为本发明实施例提供跨层路由实现装置的方框结构示意图。
图10为图9中所示的报文更新模块的方框结构示意图。
图标:100-跨层路由实现装置;110-统计模块;120-报文更新模块;121-初始化单元;122-第一获取单元;123-信息更新单元;124-第一计算单元;125-第一路由更新单元;126-第二获取单元;127-第二路由更新单元;130-计算模块;140-比较模块;150-应答模块;200-存储器;300-存储控制器;400-处理器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
如图1所示,为本发明实施例提供的一种跨层路由实现装置100的应用场景示意图。所述应用场景包括跨层路由实现装置100、存储器200、存储控制器300以及处理器400。
其中,所述存储器200、存储控制器300、处理器400各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件之间通过一条或多条通讯总线或信号线实现电性连接。所述跨层路由实现装置100包括至少一个可以软件或固件的形式存储于所述存储器200中的软件功能模块。所述处理器400在所述存储控制器300的控制下访问所述存储器200,以用于执行所述存储器200中存储的可执行模块,例如所述跨层路由实现装置100所包括的软件功能模块及计算机程序等。
进一步地,基于上述应用场景,本实施例给出的的跨层路由实现方法应用于基于能量感知的无线自组织网络,该无线自组织网络由多个智能移动设备构成,其中,包括源节点、多个中间节点和目的节点。应注意,所述源节点和所述目的节点可以为多个。
具体地,如图2所示,本实施例中所给出的跨层路由实现方法基于图2中所示的路由体系结构实现。该体系结构包括应用层、传输层、网络层、数据链路层和物理层。其中,采用基于所述路由体系结构的跨层设计理念,该跨层设计理念可以增强网络中各层之间的信息共享,从而有效提高该网络的服务质量和能量效率,例如,可综合利用应用层、网络层和数据链路层的信息进行路由设计和数据转发决策。
鉴于此,在进行网络中各层之间的信息共享时,本实施例首先提出一种基于所述路由体系结构的上下文认知自学习模型(Context-Aware Self-learning Model,CASM)。如图3所示,该CASM能动态采集移动操作系统中与应用程序相关的上下文信息,并利用应用感知能量模型对上下文信息进行学习并优化调整该能量模型的相关参数,从而动态地预测移动操作系统未来的能量消耗信息。应理解,本实施例中提到的系统均指移动操作系统。
进一步地,本实施例中,CASM模型工作在应用层,当一个新的应用启动时,可通过应用程序监测模块和上下文信息采样模块对应用层中的应用程序的上下文信息、程序类型等进行信息采集和监控。
具体地,所述程序监测模块可以识别当前应用程序的类别。
所述上下文信息采样模块从操作系统获取所需要的上下文信息。其中,所述上下文信息包括屏幕的亮度、设备的额定功率值、电池电量,以及设备各组件的工作负载状态。例如,中央处理器(CPU)、图形处理器(GPU)、无线局域网接口(WLAN)、蜂窝网络接口(CELL)和显示屏(MON)。
应用程序监测模块监测设备上运行的应用程序并获取相关信息,包括应用程序的类型、持续时间等。
实际实施时,所述上下文信息处理模块周期性获取应用程序的上下文信息,并对对上述上下文信息进行融合和推理,计算设备上与应用程序相关的能量消耗的效用值,以为下一步的路由决策提供依据。除此之外,所述上下文信息处理模块将经过处理的上下文信息存储在上下文知识库中,上下文知识库主要包含组件负载能耗表、应用负载信息表、监测和推理出的相关上下文信息。应注意,所述上下文信息是指来自应用层和数据链路层,并在网络层进行数据处理、融合。
应注意,上下文知识库中的信息能反映系统的动态变化,为本实施例给出的跨层路由设计提供相关的能量约束信息。一般情况下,在线监测和能量建模对智能移动设备正常使用的影响甚微。
下面结合路由体系结构和上下文认知自学习模型对跨层设计理念进行简单介绍。
(1)应用层能量效用计算
应用层使用应用监测、能耗监测、剩余能量监测三个组件来收集应用与能耗相关的上下文信息,使用上下文认知自学习模型处理收集到的上下文信息。应用监测组件持续监测当前运行的应用类型和硬件组件工作负载,剩余能量监控组件监测节点剩余能量的情况,而上下文认知自学习模型包含一个维持应用相关信息和对应能量消耗的能量模型,它通过应用监测模型和剩余能量监测模块获取应用和能量相关的信息,然后将这些信息提供给能量模型来计算一个度量值(能量效用值),这个度量值可以反映出应用层能量效用的情况。最后,应用层将这个度量值传送给网络层的路由信息处理模块,为路由决策提供信息。
(2)数据链路层稳定性度量
数据链路层部署的链路稳定性监测与度量模块能够分析接收到的无线信号强度,并利用相应的效用函数计算信号强度的效用值。在网络路由的选择中,节点接收到的无线信号强度也是路由实现方法中考虑的一个重要因素。因为不稳定的或者是较差的信息强度会导致节点收不到数据或者收到错误数据,从而引起接收节点频繁发出数据重传请求,最终将会导致路由协议性能的下降。
路径上的开销不仅要考虑节点的能量开销,还要考虑链路信号强度的影响。链路开销主要考虑接收到的信号强度。假设链路是双向对称的,每个节点使用固定的发射功率。节点发送功率Pt与接收功率Pr服从次方路径损耗,如其中c为常数,d为发送节点与接收节点之间的欧拉距离,的值取决于节点所使用的无线传播模型,例如,自由模型取值为2,双线模型时取值为4。
设λ为节点成功接收到数据包的最小信号强度值(阈值),即只有当接收到的信号强度Pr大于或等于λ时,才能保证数据包的成功接收。
进一步地,链路稳定性效用值Clink是信号强度阈值(λ)与成功接收数据的信息强度(Pr)的比值,其中,Clink的范围从0到1。这里假设所有智能移动通信设备传输数据时使用固定的发射功率。从可以看出成功接收数据的信息强度Pr的值越大,Clink的值越小,链路上的数据传输就越是稳定可靠。
数据链路层的链路稳定性监测与度量模块根据接收到的信号强度信息,利用效用函数计算链路稳定性效用值,然后将这个效用值发送到网络层的路由信息处理模块,为路由决策提供信息。
(3)网络层路由信息处理
网络层的路由信息处理模块包含上下文信息融合和路由信息处理,该模块接收应用层的能量约束信息和数据链路层链路稳定性信息,并根据这些上下文信息进行路由决策。路由信息处理模块中设置有一个计时器来定时从应用层获取信息,每当计时器超时,路由信息处理模块从应用层获取能量效用Cnode,从数据链路层获取链路稳定性效用值Clink,然后,计时器重新开始计时。路由信息处理模块根据获得的数据信息计算当前节点的开销并更新路由表。当计时器超时后,路由信息处理模块还会检查整个路由表并删除超时路由。
为了区分数据报文和路由控制报文,所有进入网络层的报文都要通过报文分类模块进行分类。报文分类模块将数据报文交给数据报文处理模块,而把路由控制报文转发给路由报文处理模块。数据报文处理模块提取每个数据包中的目的地址并在路由表中进行查找,如果目的地址是当前节点的地址,则将数据传给上层协议做本地进一步的处理。否则,如果路由表中有相应的目的地址的路由,则将数据包转发给下一跳。路由报文处理模块将路由控制报文转交给路由信息处理模块,如果路由控制报文中包含了更新的路由信息,路由信息处理模块将该信息加入路由表。在向邻居节点发送路由控制报文之前,路由信息处理模块将当前节点的能量约束加入控制报文的路由开销字段。
综上所述,可通过采用跨层设计的方法综合利用应用层、网络层和数据链路层的信息进行路由设计和数据转发决策,从而提高网络的服务质量和能量效率。
进一步地,请结合参阅图4,为本实施例给出的跨层路由实现方法的流程示意图,下面将对图4所示的具体流程进行详细阐述。所应说明的是,本发明所述的跨层路由实现方法并不以图4以及以下所述的具体顺序为限制。应当理解,本发明所述的跨层路由实现方法的部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。
步骤S110,在所述目的节点接收到首个路由请求报文的预设时长内,对由所述源节点以广播形式发送且经不同路径到达该目的节点的路由请求报文进行统计,其中,所述不同路径由不同数量个中间节点构成
在本实施例中,当源节点需要发送数据时,源节点向周围的邻居节点(中间节点)发送路由请求报文(RREQ),该路由请求报文的帧格式如表1所示,其中,本实施例中给出的路由请求报文的帧格式与现有技术中的AODV协议中的路由请求报文相比,添加了节点能量开销值Enode和链路稳定性效用值Elink。应注意,所述节点能量开销值Enode和链路稳定性效用值Elink在该路由请求报文的转发过程中,根据所述上下文认知自学习模型获取的信息进行不断更新。
本实施例中,所述源节点以广播形式发送所述路由请求报文给所述目的节点时,位于所述源节点附近的邻居节点接收到该路由请求报文后,再次以广播形式发送至各自的邻居节点,从而多次重复,使得目的节点在不同时间点收到多个不同路径上发送的路由请求报文,其中,不同的路径均是由所述中间节点中的一个或多个节点构成。应注意,本实例中所述的邻居节点为所述中间节点的子节点。
表1
源节点序列号 目的节点序列号 广播ID Enode Elink
步骤S120,所述路由请求报文包括节点能量开销值和链路稳定性效用值,所述节点能量开销值和链路稳定性效用值在每经过一个中间节点时更新一次。
本实施例中,由于无线自组织网络中的每个节点均是由智能移动设备构成,每个智能移动设备中的硬件、软件等均可能不同,进而使得不同的路径发送的路由请求报文中的节点能量开销值和链路稳定性效用值亦不同。假如某条路径中的一个中间节点接收到路由请求报文后,需要对所述节点能量开销值和链路稳定性效用值进行更新,下面将分别对所述节点能量开销值和链路稳定性效用值的更新过程进行简单介绍。
首先,请参阅图5,所述步骤S120中的节点能量开销值Enode可通过以下步骤得到。
步骤S1201,对应用层中的上下文认知自学习模型进行初始化。
步骤S1202,针对每个接收到所述路由请求报文的中间节点,通过应用程序监测模块和上下文信息采样模块获取应用层中的应用程序的上下文信息。
步骤S1203,根据所述应用程序的上下文信息对所述上下文认知自学习模型中的应用程序信息进行更新,其中,所述应用程序信息包括程序类别、负载能耗和剩余能耗。
步骤S1204,根据更新后的所述上下文认知自学习模型中的应用程序信息计算所述中间节点的节点能量开销值。
步骤S1205,根据所述节点能量开销值对路由表和所述路由请求报文中的节点能量开销值进行更新,并使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。
进一步地,请参阅图6,所述步骤S120中的链路稳定性效用值可通过以下步骤得到。
步骤S1206,针对每个接收到所述路由请求报文的中间节点,通过数据链路层的链路稳定性监测与度量模块获取并分析接收到的无线信号的信号强度,根据所述信号强度计算所述中间节点的链路稳定性效用值。
步骤S1207,根据所述链路稳定性效用值对路由表和所述路由请求报文中的链路稳定性效用值进行更新,以使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。
具体地,为了能够详细解释所述节点能量开销值和链路稳定性效用值的计算步骤,下面将从初始化阶段、应用程序监测阶段以及应用层能量效用计算阶段三个阶段对所述上下文认知的自学习模型进行介绍。
1、初始化阶段
由于智能移动设备规格存在多样性,致使相同的应用程序在不同的智能移动设备上可能产生不同的工作负载,即使是同样的工作负载百分比,也可能在不同的移动设备上产生不同的能量消耗。因而,在初始化阶段需要建立组件负载信息表,使得CASM模型能够适应于不同种类的移动设备。
具体地,在初始化阶段,首先设计用于周期性的采样系统使用情况的相关数据的能量模型,再通过采样的数据对该能量模型进行训练,最后根据移动设备当前的状态计算出应用相关的能量效用值。应注意,为了减少所述能量模型产生的开销,该能量模型中存储用户应用程序的功率特征信息以减少在系统中进行的采样频率。可选地,能量模型的训练可以在智能移动设备充电时运行,从而减少对移动设备中电池的消耗。
接着,运行一组预定义的任务在中央处理器(CPU)、图形处理器(GPU)、无线局域网接口(WLAN)、蜂窝网络接口(CELL)和显示屏(MON)等组件上产生不同程度的工作负载,并监测相应组件的功率消耗。其中,能量模型在上下文知识库中建立如表2所示的组件负载能耗表。该组件负载能耗表用于记录各组件工作负载百分比与能量消耗速率之间的对应关系。
表2组件负载能耗表
例如,通过在中间节点上运行一组预定义的任务来获取各组件的工作负载,设定的负载为5%、25%、50%、75%和100%,使用LCPU(x)、LGPU(x)、LWLAN(x)、LCELL(x)、LMON(x)分别表示CPU、GPU、WLAN、CELL、和MON等组件的工作负载是x%,Preal(x)表示工作负载为x%时从系统采样的功率值。其中,x=5,25,50,75,100。
如表2所示,系统的工作负载可以由组件的工作负载来表示,具体地,公式(2)给出了当前系统的能量模型。该能量模型考虑了上述提到的所有主要硬件组件的负载与系统能耗的关系。其中,组件对应的权重Wcomp(i)用来平衡不同的组件对总体效用的影响。
进一步地,可通过训练能量模型得到权重因子Wcomp(i)的值,模型训练的数据来自组件负载能耗表,该组件负载能耗表中存储了各组件的真实工作负载与在系统中监测到的系统的功率值。
其中,Psys表示当前系统的功率消耗,Lcomp(i)表示第i个组件上的工作负载,C为多元线性回归模型中的常量。
应注意,对所述能量模型进行训练的目的是最小化能量模型输出值的误差。其中可通过比较能量模型计算的功率值Pcal(由公式(1)计算得出)和从操作系统采样的真实功率值Preal获得误差值,具体如式(2)所示。然后利用误差值调整权重值Wcomp(i),以达到优化能量模型的目的,并提高模型预测的精度。
在初始化阶段完成对能量模型的设计和训练后,接着可在应用程序监测阶段将工作负载作为能量模型的输入,以使用该能量模型评估系统的能量约束。
需要说明的是,系统的功率消耗被建模成一个预测模型,可采用现有的回归方法求解模型的参数。例如,向量回归(SVR)和人工神经网络(NN)等非线性方法,或者多元线性回归(MLR)方法等。其中,线性方法的主要优点是易于实现,而非线性方法可能会获得更高的精度。由于智能移动设备资源受限和线性回归的精度基本满足该场景的需要。
2、应用程序监测阶段
在监测阶段,首先需要构建一个应用负载信息表,当存在新的应用程序启动时(表3未记录的应用),CASM模型记录该应用程序运行时在各组件上额外产生的工作负载。当应用程序关闭时,CASM模型计算该应用程序在组件上产生的工作负载的平均值,并把这些应用作为一条新的记录存入应用负载信息表。其中,表3描述了应用负载信息表的基本结构。
表3应用负载信息表
从表3中可以看出,对于应用程序j,LCPU(j)表示CPU的工作负载,LGPU(j)表示GPU的工作负载,LWLAN(j)表示WLAN的工作负载,LCELL(j)表示CELL的工作负载。应注意,智能移动设备的屏幕工作负载不记录在这个表中,因为屏幕的能耗由其亮度决定,而屏幕的亮度取决于环境的照度和用户的喜好,因此需要单独采集和存储。
进一步地,上述由应用程序产生的工作负载可通过向量进行表示,具体如公式(3)所示,PApp(j)为应用程序j的功率特征。
系统中应用程序产生的总功耗值可以通过系统中每个应用程序的功率消耗值之和表示。在计算能量约束时,公式(4)的计算结果作为能量模型的部分输入,能量模型的输出则是整个系统的功率值。
本实施例中,上下文认知自学习模型通过监测和更新应用相关的上下文信息提高其自适应能力,使得应用负载信息表能动态反映当前移动设备的使用情况。当应用负载信息表存在记录的应用启动时,能量模型考虑表3中的数据计算当前的能量约束,运行阶段根据当前移动设备相关信息对应用负载信息表采用增量更新的方式,CASM对于表中存在的应用,不定期的采样这些应用在各个组件的平均功率。
例如,根据公式(5)更新一个应用程序对应的功率消耗PApp(j)(updated),新的功率消耗PApp(j)(updated)由两个因素组成,一个是从表中取得的老的功率消耗值PApp(j)(old),另一个是刚刚从系统测量到的新的PApp(j)(new)。同时使用归一化的权重值Wold和Wnew表示两个值对最新工作负载的影响,其中,权重的取值由应用程序的运行持续时间决定。每当一个应用开始运行时,利用公式(5)计算应用j对应的功率消耗和新采样的负载值更新应用负载信息表,从而实现一个上下文认知自学习过程。
PApp(j)(updated)=Wold·PApp(j)(old)+Wnew·PApp(j)(new) (5)
本实施例中,相比于定期的硬件级别的监测,该上下文认知自学习模型能够识别应用的类型,并结合功能特征和能量模型计算当前应用的能量约束,从而降低能量开销。应注意,应用负载信息表中的数据可以用于训练模型,因为它动态记录移动设备使用的变化情况。
3、应用层能量效用计算阶段
由于各个移动设备屏幕的亮度与人们的个人喜好相关,在计算设备的功率消耗特征时,应分别考虑应用产生的功率消耗和屏幕产生的功率消耗,则公式(1)中表述的能量模型可以转化为公式(7)进行表示,具体如下。
Psys=PAPP+WMON·LMON+C (7)
其中,UApp描述了应用程序对应能量约束的效用函数,Psys表示系统当前功率消耗,Prat表示设备的额定功率值。
进一步地,应用层能量效用不仅考虑应用程序的效用还应考虑网络中节点内的剩余能量情况,在公式(9)中,检测时应用程序的实时能耗值用Econs表示,节点总电量用Etotal表示,Ubat为节点剩余能量效用函数,它的取值范围是0到1之间。
应用层能量效用Cnode由节点中应用的效用和节点中剩余能量的效用组成,如公式(11)所示。通过使用归一化的权重WApp和Wbat来协调上述两个因素的贡献。
经过上述自学习过程中,应用层能量相关的上下文信息被学习和利用,在当前设备中,该过程对每类应用程序在每个硬件组件上产生的工作负载进行监测和采样,然后将应用相关的能量约束存储在应用负载信息表中。此外,每当一个应用程序启动时,新的监测值会被用于更新应用负载信息表,体现了模型的自适应和自学习能力。通过使用这种方法,模型能够处理移动应用市场上的大量应用程序。
因此,在实际实施时,假设从源节点到目的节点存在多条路径,针对其中一条路径,假设该路径上的当前节点的序号为k,下一跳节点的序号依次递增,源节点的序号为1,目的节点的序号用n表示。那么,节点能量开销Enode的计算方法如公式(12)所示,链路稳定性效用值Elink的计算方法如公式(13)所示,再根据所述节点能量开销Enode和所述链路稳定性效用值Elink计算对应的路径效用值Croute
其中,表示第i个中间节点上的应用程序的能量效用和节点剩余能量之和,表示第i-1个中间节点到第i个中间节点之间的链路开销值。
进一步地,请再次参阅图4,应用层使用应用监测、能耗监测、剩余能量监测三个组件来收集应用与能耗相关的上下文信息,使用上下文认知自学习模型处理收集到的上下文信息。数据链路层部署的链路稳定性监测与度量模块能够分析接收到的无线信号强度,并利用相应的效用函数计算信号强度的效用值。网络层的路由信息处理模块包含上下文信息融合和路由信息处理,该模块接收应用层的能量约束信息和数据链路层链路稳定性信息,并跨层共享各类上下文信息进行路由决策。
步骤S130,根据统计到的多个路由请求报文中的各路由请求报文分别对应的所述能量开销值和链路稳定性效用值,计算所述各路由请求报文对应的路径效用值;
本实施例中,针对所述目的节点接收到的多个路由请求报文中的某个路由请求报文,计算该路径对应的路径效用值,具体地,所述路径效用值的计算如式(14)所示。
其中,Wnode+Wlink=1,Wnode和Wlink分别代表节点能量开销值和链路稳定性效用值所占的权重值。应注意,所述节点能量开销Enode和所述链路稳定性效用值Elink所述可根据公式(12)和(13)计算得到。
步骤S140,对各路由请求报文对应的路径效用值进行比对、分析以得到最小路径效用值。
本实施例中,针对所述目的节点在预设时间内接收的多个路由请求报文,分别计算得到多个路径效用值,需选取其中最小值,具体地,可根据公式(15)得到。
步骤S140,选取与所述最小路径效用值对应的路径以使得所述目的节点通过该路径发送路由应答报文给所述源节点以完成路由发现过程。
本实施例中,根据上式(15)中得到最小路径效用值,选取与该最小路径效用值对应的路径作为数据转发路径,以使得所述目的节点通过该数据转发路径发送路由应答报文(RREP)给所述源节点完成路由的发现过程。
应注意,如果中间节点的路由表中包含有到达目的节点的路由信息,那么中间节点直接返回路由应答报文(RREP),源节点收到该报文以完成路由发现过程。
除此之外,基于上述的路由发现过程,本实施例还给出了路由维护过程,具体如下。
具体地,无线自组织网络利用“Hello”报文消息帧监测活跃路径上相邻节点的链接状况,如果在“Hello”报文消息时间间隔内,当前节点没有收到邻居节点发送来的Hello消息帧或其他任何消息,该节点就认为它与该邻居节点的链路已断。如果一个路由表项的存在时间超过了阈值,并且在该时段没有进行更新,则该路由表项会被标记为无效路由。如果节点收到源地址和目的地址相同的新的路由时,那么,比较路由表中存储路由和新路由的序列号,选择序列号大的为有效路由。
当节点移动时,路由表中的已有路由可能会失效。根据不同的节点类型,本实施例采取不同的路由维护的策略。
(1)如果路由失效是因源节点移动所导致,那么此时只能由源节点在网络中再一次发起路由请求报文。
(2)如果路由失效是因为目的节点或者中间节点的移动所导致,则检测到路由断裂的节点会发送报文给其上游节点,告知其目的节点不可达。这样,检测到路由断裂的节点和源节点之间的所有节点都会收到报文而及时更新本地的路由信息。
进一步地,本实施例还利用NS2网络仿真软件,在同样的网络环境中,对比分析了CAER算法、AODV算法、LAER算法和E2算法的能量效率和性能。其中,为了充分分析路由算法的能量效率,网络中的150个节点被分为三种类型,根据节点上运行的应用程序分为A类节点50个(空闲节点),B类节点50个(游戏节点),C类节点50个(视频流节点)。数据传输时,随机选择4对源节点和目的节点,传输速率的比特率分别为150Kbps、200Kbps、250Kbps、300Kbps和350Kbps。仿真实验的持续时间设为120秒,每种实验运行30次。A、B、C三类节点的功率分别为150毫瓦、350毫瓦和550毫瓦。WiFi接入的功率为400毫瓦,网络中节点的能量初始值为100焦耳。在计算公式(11)时,WApp和Wbat权值分别设为0.4、0.6,体现了应用能效与剩余能量对总效用的实际影响。
(1)不同运行时间下的能量消耗
请参阅图7中的图(a)、图(b)和图(c),分别为A、B、C三种类型节点的平均能耗情况,可以看出,本实施例提出的CAER路由在不同程度上为三类节点能耗较低。其中,对于A类节点来说,CAER算法的节能效果最明显,因为A类节点处于空闲状态,节点剩余能量多,为跨层信息共享的路由机制提供了更多的节能空间。以AODV协议为基准进行比较,采用CAER方案可以为A类节点节约18%的能量,为B类节点节约12%的能量,为C类节点节约7%的能量。
(2)网络生存时间仿真
请参阅图8,为在不同数据传输率下使用不同路由实现方法的网络生存时间,可以看出,随着网络中数据传业务的增加,网络负载不断增大,能量消耗也在逐渐加大,与此同时,随着传输速率的增加,网络生存时间逐渐缩短。因为AODV算法没有考虑能量消耗等因素,其在生存时间上的表现最差,考虑了能量信息的其它三种路由算法能不同程度的提高网络生存时间。以AODV为基准,CAER算法平均提高网络生存时间大约20%,而LAER和E2分别提高了大约12%和15%。
进一步地,如图9所示,为本实施例提供的跨层路由实现装置100的方框结构示意图,其中,所述跨层路由实现装置100包括统计模块110、报文更新模块120、计算模块130、比较模块140和应答模块150。
所述统计模块110,用于在所述目的节点接收到首个路由请求报文的预设时长内,对由所述源节点以广播形式发送且经不同路径到达该目的节点的路由请求报文进行统计,其中,所述不同路径由不同数量个中间节点构成。本实施例中,图4中的步骤S110由所述统计模块110执行,具体过程请参考步骤S110,在此不再赘述。
所述报文更新模块120,用于所述路由请求报文包括节点能量开销值和链路稳定性效用值,所述节点能量开销值和链路稳定性效用值在每经过一个中间节点时更新一次。本实施例中,图4中的步骤S120由所述报文更新模块120执行,具体过程请参考步骤S120,在此不再赘述。可选地,实际实施时,如图10所示,所述报文更新模块120包括初始化单元121、第一获取单元122、信息更新单元123、第一计算单元124、第一路由更新单元125、第二获取单元126和第二路由更新单元127。
所述初始化单元121,用于对应用层中的上下文认知自学习模型进行初始化。本实施例中,图5中的步骤S1201由所述初始化单元121执行,具体过程请参考步骤S1201,在此不再赘述。
所述第一获取单元122,用于针对每个接收到所述路由请求报文的中间节点,通过应用程序监测模块和上下文信息采样模块获取应用层中的应用程序的上下文信息。本实施例中,图5中的步骤S1202由所述第一获取单元122执行,具体过程请参考步骤S1202,在此不再赘述。
所述信息更新单元123,用于根据所述应用程序的上下文信息对所述上下文认知自学习模型中的应用程序信息进行更新,其中,所述应用程序信息包括程序类别、负载能耗和剩余能耗。本实施例中,图5中的步骤S1203由所述信息更新单元123执行,具体过程请参考步骤S1203,在此不再赘述。
所述第一计算单元124,用于根据更新后的所述上下文认知自学习模型中的应用程序信息计算所述中间节点的节点能量开销值。本实施例中,图5中的步骤S1204由所述第一计算单元124执行,具体过程请参考步骤S1204,在此不再赘述。
所述第一路由更新单元125,用于根据所述节点能量开销值对路由表和所述路由请求报文中的节点能量开销值进行更新,并使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。本实施例中,图5中的步骤S1205由所述第一路由更新单元125执行,具体过程请参考步骤S1205,在此不再赘述。
所述第二获取单元126,用于针对接收到所述路由请求报文的中间节点,通过数据链路层的链路稳定性监测与度量模块获取并分析接收到的无线信号的信号强度,根据所述信号强度计算所述中间节点的链路稳定性效用值。本实施例中,图6中的步骤S1206由所述第二获取单元126执行,具体过程请参考步骤S1206,在此不再赘述。
所述第二路由更新单元127,用于根据所述链路稳定性效用值对所述路由表和所述路由请求报文中的链路稳定性效用值进行更新,以使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。本实施例中,图7中的步骤S1207由所述第二路由更新单元127执行,具体过程请参考步骤S1207,在此不再赘述。
所述计算模块130,用于根据统计到的多个路由请求报文中的各路由请求报文分别对应的所述能量开销值和链路稳定性效用值,计算所述各路由请求报文对应的路径效用值。本实施例中,图4中的步骤S130由所述计算模块130执行,具体过程请参考步骤S130,在此不再赘述。
所述比较模块140,用于对各路由请求报文对应的路径效用值进行比对、分析以得到最小路径效用值。本实施例中,图4中的步骤S140由所述比较模块140执行,具体过程请参考步骤S140,在此不再赘述。
所述应答模块150,用于选取与所述最小路径效用值对应的路径以使得所述目的节点通过该路径发送路由应答报文给所述源节点以完成路由发现过程。本实施例中,图4中的步骤S150由所述应答模块150执行,具体过程请参考步骤S150,在此不再赘述。
综上所述,本发明提供的跨层路由实现方法和装置,采用跨层设计的思想综合利用数据链路层、网络层和应用层的上下文信息,有效提高了网络能量的使用效率和生存时间,同时,实现了能量效率与网络性能之间的平衡。
在本发明的描述中,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的预设数量个实施例的装置、方法和计算机程序产品可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分。所述模块、程序段或代码的一部分包含一个或预设数量个用于实现规定的逻辑功能。
也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (8)

1.一种跨层路由实现方法,应用于基于智能移动设备的无线自组织网络,所述无线自组织网络包括源节点、目的节点和多个中间节点,其特征在于,所述方法包括:
在所述目的节点接收到首个路由请求报文的预设时长内,对由所述源节点以广播形式发送且经不同路径到达该目的节点的路由请求报文进行统计,其中,所述不同路径由不同数量个中间节点构成;
所述路由请求报文包括节点能量开销值和链路稳定性效用值,所述节点能量开销值和链路稳定性效用值在每经过一个中间节点时更新一次;
根据统计到的多个路由请求报文中的各路由请求报文分别对应的所述能量开销值和链路稳定性效用值,计算所述各路由请求报文对应的路径效用值;
对各路由请求报文对应的路径效用值进行比对、分析以得到最小路径效用值;
选取与所述最小路径效用值对应的路径以使得所述目的节点通过该路径发送路由应答报文给所述源节点以完成路由发现过程;
其中,所述节点能量开销值通过以下步骤得到:
对应用层中的上下文认知自学习模型进行初始化;
针对每个接收到所述路由请求报文的中间节点,通过应用程序监测模块和上下文信息采样模块获取应用层中的应用程序的上下文信息;
根据所述应用程序的上下文信息对所述上下文认知自学习模型中的应用程序信息进行更新,其中,所述应用程序信息包括程序类别、负载能耗和剩余能耗;
根据更新后的所述上下文认知自学习模型中的应用程序信息计算所述中间节点的节点能量开销值;
根据所述节点能量开销值对路由表和所述路由请求报文中的节点能量开销值进行更新,并使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。
2.根据权利要求1所述的跨层路由实现方法,其特征在于,所述节点能量开销值通过以下公式得到:
其中,表示路由路径上第i个中间节点上的应用程序的能量效用和节点剩余能量之和。
3.根据权利要求1所述的跨层路由实现方法,其特征在于,所述对应用层中的上下文认知自学习模型进行初始化的步骤,包括:
在上下文知识库中建立组件负载能耗表并通过运行预定义任务的方式获取各所述组件的工作负载能耗;
通过所述工作负载能耗对系统能量模型进行训练以得到各组件的负载能耗和剩余能耗的权重值,从而完成对所述上下文认知自学习模型的初始化。
4.根据权利要求1所述的跨层路由实现方法,其特征在于,所述链路稳定性效用值通过以下步骤得到:
针对每个接收到所述路由请求报文的中间节点,通过数据链路层的链路稳定性监测与度量模块获取并分析接收到的无线信号的信号强度,根据所述信号强度计算所述中间节点的链路稳定性效用值;
根据所述链路稳定性效用值对路由表和所述路由请求报文中的链路稳定性效用值进行更新,以使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。
5.根据权利要求1所述的跨层路由实现方法,其特征在于,所述链路稳定性效用值可以表示为
其中,表示第i-1个中间节点到第i个中间节点之间的链路开销值。
6.一种跨层路由实现装置,应用于基于智能移动设备的无线自组织网络,所述无线自组织网络包括源节点、目的节点和多个中间节点,其特征在于,所述装置包括:
统计模块,用于在所述目的节点接收到首个路由请求报文的预设时长内,对由所述源节点以广播形式发送且经不同路径到达该目的节点的路由请求报文进行统计,其中,所述不同路径由不同数量个中间节点构成;
报文更新模块,用于所述路由请求报文包括节点能量开销值和链路稳定性效用值,所述节点能量开销值和链路稳定性效用值在每经过一个中间节点时更新一次;
计算模块,用于根据统计到的多个路由请求报文中的各路由请求报文分别对应的所述能量开销值和链路稳定性效用值,计算所述各路由请求报文对应的路径效用值;
比较模块,用于对各路由请求报文对应的路径效用值进行比对、分析以得到最小路径效用值;
应答模块,用于选取与所述最小路径效用值对应的路径以使得所述目的节点通过该路径发送路由应答报文给所述源节点以完成路由发现过程;
其中,所述报文更新模块包括:
初始化单元,用于对应用层中的上下文认知自学习模型进行初始化;
第一获取单元,用于针对每个接收到所述路由请求报文的中间节点,通过应用程序监测模块和上下文信息采样模块获取应用层中的应用程序的上下文信息;
信息更新单元,用于根据所述应用程序的上下文信息对所述上下文认知自学习模型中的应用程序信息进行更新,其中,所述应用程序信息包括程序类别、负载能耗和剩余能耗;
第一计算单元,用于根据更新后的所述上下文认知自学习模型中的应用程序信息计算所述中间节点的节点能量开销值;
第一路由更新单元,用于根据所述节点能量开销值对路由表和所述路由请求报文中的节点能量开销值进行更新,并使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。
7.根据权利要求6所述的跨层路由实现装置,其特征在于,所述节点能量开销值通过以下公式得到:
其中,表示路由路径上第i个中间节点上的应用程序的能量效用和节点剩余能量之和。
8.根据权利要求6所述的跨层路由实现装置,其特征在于,所述报文更新模块还包括:
第二获取单元,用于针对接收到所述路由请求报文的中间节点,通过数据链路层的链路稳定性监测与度量模块获取并分析接收到的无线信号的信号强度,根据所述信号强度计算所述中间节点的链路稳定性效用值;
第二路由更新单元,用于根据所述链路稳定性效用值对所述路由表和所述路由请求报文中的链路稳定性效用值进行更新,以使得所述中间节点根据所述路由表中的路径信息将更新后的所述路由请求报文转发至下一个相邻节点。
CN201710520380.5A 2017-06-30 2017-06-30 跨层路由实现方法和装置 Active CN107277888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710520380.5A CN107277888B (zh) 2017-06-30 2017-06-30 跨层路由实现方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710520380.5A CN107277888B (zh) 2017-06-30 2017-06-30 跨层路由实现方法和装置

Publications (2)

Publication Number Publication Date
CN107277888A CN107277888A (zh) 2017-10-20
CN107277888B true CN107277888B (zh) 2018-06-29

Family

ID=60070435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710520380.5A Active CN107277888B (zh) 2017-06-30 2017-06-30 跨层路由实现方法和装置

Country Status (1)

Country Link
CN (1) CN107277888B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108811027B (zh) * 2018-07-16 2020-06-19 山东大学 软件定义物联网中节点移动性识别应对方法及系统
US11929907B2 (en) 2022-03-08 2024-03-12 T-Mobile Usa, Inc. Endpoint assisted selection of routing paths over multiple networks
CN115550244B (zh) * 2022-09-21 2023-11-17 中国电子科技集团公司第二十八研究所 一种多数据链间指令消息转发方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101534538A (zh) * 2009-04-09 2009-09-16 浙江工业大学 基于量子搜索思想的无线移动自组织网络路由控制系统
CN101951658A (zh) * 2010-09-16 2011-01-19 北京邮电大学 一种基于路径质量感知的移动自组网Internet网关路由选择方法
CN103391595A (zh) * 2013-08-01 2013-11-13 北京交通大学 基于跨层链路状态反馈的矿井应急救援无线网状网路由方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100872351B1 (ko) * 2007-03-21 2008-12-08 국방과학연구소 이동 애드혹 네트워크의 라우팅 방법
CN101420364B (zh) * 2007-10-26 2011-12-28 华为技术有限公司 链路选择方法、确定链路的稳定度量值的方法及装置
CN103841020B (zh) * 2014-03-17 2017-01-18 山东大学 一种基于功率控制的Ad Hoc稳定路由算法
US9838943B2 (en) * 2015-11-24 2017-12-05 King Fahd University Of Petroleum And Minerals Method of routing for wireless ad hoc and sensor networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101534538A (zh) * 2009-04-09 2009-09-16 浙江工业大学 基于量子搜索思想的无线移动自组织网络路由控制系统
CN101951658A (zh) * 2010-09-16 2011-01-19 北京邮电大学 一种基于路径质量感知的移动自组网Internet网关路由选择方法
CN103391595A (zh) * 2013-08-01 2013-11-13 北京交通大学 基于跨层链路状态反馈的矿井应急救援无线网状网路由方法

Also Published As

Publication number Publication date
CN107277888A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
Huang et al. Energy-efficient monitoring in software defined wireless sensor networks using reinforcement learning: A prototype
Khanna et al. Self-organisation of sensor networks using genetic algorithms
Baskaran et al. Synchronous firefly algorithm for cluster head selection in WSN
Wang et al. QoS multicast routing protocol oriented to cognitive network using competitive coevolutionary algorithm
Al-Turjman Cognitive-node architecture and a deployment strategy for the future WSNs
CN107277888B (zh) 跨层路由实现方法和装置
Sarkar et al. VSF: An energy-efficient sensing framework using virtual sensors
Komathy et al. Trust-based evolutionary game model assisting AODV routing against selfishness
Khalil et al. Reliable and energy efficient topology control in probabilistic wireless sensor networks via multi-objective optimization
Cuka et al. IoT node selection in opportunistic networks: implementation of fuzzy-based simulation systems and testbed
Nazi et al. Efficient communications in wireless sensor networks based on biological robustness
Vasilakos et al. Integrated methodology to cognitive network slice management in virtualized 5G networks
Bera et al. Intelligent routing in wireless sensor network based on african buffalo optimization
Guo et al. A reinforcement learning-based sleep scheduling algorithm for cooperative computing in event-driven wireless sensor networks
Manalastas et al. Where to go next?: A realistic evaluation of AI-assisted mobility predictors for HetNets
Tamizharasu et al. An intelligent AODV routing with energy efficient weight based clustering algorithm (EEWCA) in wireless Ad hoc network (WANET)
Rana et al. Metaheuristic routing: a taxonomy and energy-efficient framework for internet of things
Mertens et al. Federated learning through model gossiping in wireless sensor networks
Ozturk et al. Context-aware wireless connectivity and processing unit optimization for IoT networks
Shinkuma et al. Smarter base station sleeping for greener cellular networks
Moussa et al. A reinforcement learning based routing protocol for software-defined networking enabled wireless sensor network forest fire detection
Abbood et al. Enhancement of the performance of MANET using machine learning approach based on SDNs
Mertens et al. Centrality-aware gossiping for distributed learning in wireless sensor networks
Tang et al. Actsee: Activity-aware radio duty-cycling for sensor networks in smart environments
Ramya et al. Proficient algorithms for enhancing topology control for dynamic clusters in MANET

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant