CN108449763B - 一种基于信道状态识别的LoRaWAN网络速率自适应调整方法 - Google Patents
一种基于信道状态识别的LoRaWAN网络速率自适应调整方法 Download PDFInfo
- Publication number
- CN108449763B CN108449763B CN201810213856.5A CN201810213856A CN108449763B CN 108449763 B CN108449763 B CN 108449763B CN 201810213856 A CN201810213856 A CN 201810213856A CN 108449763 B CN108449763 B CN 108449763B
- Authority
- CN
- China
- Prior art keywords
- rate
- data
- channel
- collision
- packet loss
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
- H04W28/0242—Determining whether packet losses are due to overload or to deterioration of radio communication conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/10—Flow control between communication endpoints
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于信道状态识别的LoRaWAN网络速率自适应调整方法,属于低功耗广域网无线技术领域。该方法首先,结合终端使用的信道频率与速率、终端位置信息,构建路径衰减丢包概率估算模型;其次,根据LoRa数据冲突特性,结合消息速率、信道数、数据负载,建立数据冲突丢包概率估算模型;之后,通过估算概率使用Softmax回归分类方法分类信道状态;最后,建立基于信道状态识别的速率自适应调整机制,对终端数据速率进行自适应调整。本发明在网络出现大规模丢包情况下,通过识别信道状态判断丢包原因,针对性的对终端数据速率进行调整,避免在网络数据冲突情况下错误的速率调整,提高网络的数据吞吐量和数据包传输可靠性。
Description
技术领域
本发明属于低功耗广域网无线技术领域,涉及一种基于信道状态识别的LoRaWAN网络速率自适应调整方法。
背景技术
LoRa低功耗广域网技术具有功耗低、传输距离远的特点。LoRaWAN协议支持多种速率选择,其通信距离与传输速率成反比关系,也就是说,选择的速率越快,成功通信的距离也就越短。同时由于采用了扩频技术,由于不同速率下使用的扩频因子是相互正交的,所以各数据传输速率之间的数据传输不会互相冲突。另外,LoRa的低速特性造成了较高的空中传播时间(ToA),这使得LoRa传输会长时间占用通信信道,这也增加了并发传输冲突的可能性。在实际应用过程中,如何在保证一定通信成功率的同时,通过速率选择,保证网络的可靠性与实时性,减低数据冲突,增加网络的传输效率,是LoRa技术急需解决的一个问题。
现有的LoRaWAN自适应选择机制中,一般是通过丢包率作为速率选择的指标,并未考虑到具体的丢包原因,导致终端设备使用的数据速率总是不断降低,例如,在因为数据冲突而导致丢包的情况下,原有速率选择机制进一步降低速率,增加了单个数据包的传输时间,导致数据冲突概率进一步增强,反而降低了网络性能,未能使网络在可靠性与吞吐量方面达到最优化,会限制LoRaWAN网络的传输效率。
发明内容
有鉴于此,本发明的目的在于提供一种基于信道状态识别的LoRaWAN网络速率自适应调整方法,利用终端设备与网关距离、终端设备速率以及消息速率、终端设备数、包负载大小、信道数等信息识别信道状态并判断丢包原因,针对性的对终端数据速率进行调整,提高网络的数据吞吐量和数据包传输可靠性。
为达到上述目的,本发明提供如下技术方案:
一种基于信道状态识别的LoRaWAN网络速率自适应调整方法,应用于大规模终端设备定点部署的周期采样型无线网络场景,该方法具体包括以下步骤:
S1:建立路径衰减丢包概率估算模型,预测网络中终端设备由于信道衰减导致数据丢包概率Pf(d,DR[i]);
S2:建立数据冲突丢包概率估算模型,预测在当前网络中数据速率DR[i]下的数据冲突概率Pi(N,DR[i]);
S3:根据Pf(d,DR[i])、Pi(N,DR[i])值使用Softmax回归分类方法分类信道状态;
S4:通过基于信道状态识别的速率自适应调整机制,对网络中各速率下终端设备进行更新。
进一步,所述步骤S1中,所述的建立路径衰减丢包概率估算模型具体包括:
使用考虑大尺度衰落Pp(d)和阴影效应Ps的对数正态阴影衰减模型PL(f,d),并在其中引入频率衰减因子XF(f),由此得到路径衰减模型:
PL(f,d)=PP(d)+Ps
=P(fref,d0)+10γlog10(d/d0)+XF(f)+Xδ
其中,d为终端设备到网关的距离,d0为参考距离,γ为路径损耗指数,f表示当前使用频率,fref表示参考频率,Xδ表示均值为0,标准差为δ的正态分布;PL(f,d)为标识在频率为f距离为d下的路径损耗,P(fref,d0)为标识参考频率fref以及参考距离d0下的路径损耗。
由此可得Xδ=PL(f,d)-P(fref,d0)-10γlog10(d/d0)-XF(f),其中PL(f,d)由理论计算得到:
PL(f,d)=20log(4πdf/c)
其中,c表示光速;
由此,根据发射功率Ptx和天线增益G得到接收方接收信号强度Pr(f,d):
Pr(f,d)=Ptx+G-PL(f,d)
以不同速率下接收端的最低接收灵敏度SDR[i]为阈值,只有在接收方接收信号强度Pr(f,d)大于SDR[i]时才能解包;所以不考虑冲突的情况下,由于信道衰落导致的丢包概率如下:
Pf(d,DR[i])=P{Pr(f,d)>SDR[i]}
=P{Ptx+G-PL(f,d)>SDR[i]}
=P{Ps<Ptx+G-Pp(d)-SDR[i]}
其中,SDR[i]满足以下关系:
SDR[i]=-174+10log(BW)+NF+SNR
其中,NF为接收方的噪声系数,BW为带宽,SNR为不同速率DR[i]下的可调制信噪比;
由于Ps满足标准偏差为δ的零均值的对数正态分布,可得到:
其中,Φ(·)表示标准正态分布的累积分布函数。
进一步,所述步骤S2中,数据冲突判断方法为:
在网关通信范围内包含g个终端设备,根据消息速率v,每个终端设备在单位时间内包含n个待发送的数据包,使用向量DR[i][j]、CHAN[i][j]、Time[i][j]分别表示每一个待发送数据包所使用的速率、信道以及数据包传输的起始时间;其中i表示第i个终端设备,取值范围为1~g,j表示第j个数据包,取值范围为1~n;
令前导码加报头的传输时间为PHTme,除去最后6个符号长度前导码的传输时间为PTime;τ为数据包的空中传播时间;对于终端设备i的第j个数据包,存在一个终端设备k的第l个数据包,k的取值范围为1~g,l的取值范围为1~n,k!=i&j!=l),当DR[i][j]==DR[k][l]且 CHAN[i][j]==CHAN[k][l]时,若
((Time[k][l]<Time[i][j]+PHTime[i][j]<Time[k][l]+τ[k][l])
or
(Time[k][l]+τ[k][l]>Time[i][j]+PTime[i][j]>Time[k][l]))
则表示冲突发生。
进一步,所述步骤S2中,所述的建立数据冲突丢包概率估算模型具体包括:
通过冲突判断发送生成在单信道下参考消息速率vc和参考数据负载Mc时,各数据速率下的终端设备数N与丢包率的关系曲线fSCH_DR[i](N);并引入可变参量,包括消息速率v、终端设备包负载大小M,以及信道数CN等;得到网络中数据速率DR[i]下的数据冲突概率:
Pi(N,DR[i])=fSCH_SDR(N*rP*vP/CN)
其中,vP表示实际消息速率v与参考消息速率vc的比值;rP表示实际负载M的空中传播时间与参考数据负载Mc的空中传播时间的比值。
进一步,所述步骤S3具体包括:通过信道衰减丢包概率Pf(d,DR[i])与数据冲突概率 Pi(N,DR[i])进行分类,使用Softmax回归分类方法对信道状态进行分类Y∈{y1,y2,y3},y1表示信道状态良好,y2表示信道链路错误,y3表示信道数据冲突。
进一步,所述步骤S4具体包括:
1)当连续丢包次数大于一定值后,进行信道状态识别;若信道状态为链路错误y2,则降低速率;如果信道状态为数据冲突y3,则获取当前状态各速率下该终端的冲突概率以及信道衰减导致数据丢包概率;获取冲突概率最小且信道状态非链路错误的数据速率,并切换到该速率;其他情况则保持速率不变;
2)当连续成功接收数据包数大于一定值后,增加速率以提高吞吐量,其他情况则保持速率不变。
本发明的有益效果在于:本发明在网络出现大规模丢包情况下,通过识别信道状态判断丢包原因,针对性的对终端数据速率进行调整,避免在网络数据冲突情况下错误的速率调整,提高网络的数据吞吐量和数据包传输可靠性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明所述的速率自适应调整方法结构图;
图2为本发明所述的速率自适应调整方法中速率控制模块速率选择的具体流程图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
图1为本发明所述一种基于信道状态识别的LoRaWAN网络速率自适应调整方法结构图。在本发明中,将网络中丢包原因分类为信号衰减与终端设备间的数据冲突,当网络出现大规模丢包情况时,S1:通过建立考虑大尺度衰落和阴影效应的路径衰减丢包概率估算模型来获取只考虑信道衰减下的丢包概率Pf(d,DR[i]);S2:通过建立包含应用的消息速率、网络中同一速率下的终端设备数、终端设备包负载大小以及信道数的数据冲突丢包概率估算模型获取只考虑数据冲突下的丢包概率Pi(N,DR[i]);S3:通过这两个丢包概率进行信道状态识别,识别信道状态为非丢包状态、信道衰减状态以及数据冲突状态;S4:通过识别结果作为速率控制模块的输入以得到最终的速率。
S1:建立路径衰减丢包概率估算模型
考虑在终端设备未出现大规模移动的网络中,主要的信道衰减来自于大尺度衰落和阴影效应,因此使用考虑大尺度衰落Pp(d)和阴影效应Ps的对数正态阴影衰减模型PL(f,d),并在其中引入频率衰减因子XF(f),由此得到路径衰减模型:
PL(f,d)=PP(d)+Ps
=P(fref,d0)+10γlog10(d/d0)+XF(f)+Xδ
其中,d为终端设备到网关的距离,d0为参考距离,γ为路径损耗指数,f表示当前使用频率,fref表示参考频率,Xδ表示均值为0,标准差为δ的正态分布;PL(f,d)标识在频率为f距离为d下的路径损耗,P(fref,d0)标识参考频率fref以及参考距离d0下的路径损耗。
由此可得Xδ=PL(f,d)-P(fref,d0)-10γlog10(d/d0)-XF(f),其中PL(f,d)可由理论计算得到:
PL(f,d)=20log(4πdf/c);
其中,c表示光速;
其中,阴影衰落标准差δ可以更具实际路径损耗Pc(d)与期望路径损耗Pp(d)的标准差得到,而Pc(d)可以通过测量得到的接收信号强度指示(RSSI)、信噪比(SNR)、有效全向辐射功率(PTX)以及接收天线增益(G)得到。
Pc(d)=RSSI+SNR+PTX+G
δ=std(Pc(d)-PP(d))
另外,根据路径损耗模型,我们可以通过发射功率Ptx和天线增益G得到接收方接收信号强度Pr(f,d):
Pr(f,d)=Ptx+G-PL(f,d)
根据信道状态,引入不同速率下接收端的最低接收灵敏度SDR[i]为阈值,只有在接收方的接收信号强度Pr(f,d)大于SDR[i]时才能解包;所以不考虑冲突的情况下,由于信道衰落导致的丢包概率如下:
Pf(d,DR[i])=P{Pr(f,d)>SDR[i]}
=P{Ptx+G-PL(f,d)>SDR[i]}
=P{Ps<Ptx+G-Pp(d)-SDR[i]}
其中,SDR[i]满足以下关系:
SDR[i]=-174+10log(BW)+NF+SNR
其中,NF为接收方的噪声系数,BW为带宽,SNR为不同速率DR[i]下的可调制信噪比。SNR则是由数据速率决定,数据速率越高,SNR值越高,具体如下表1所示。
表1
DR | 5 | 4 | 3 | 2 | 1 | 0 |
SNR | -6 | -9 | -12 | -15 | -17.5 | -20 |
由于Ps满足标准偏差为δ的零均值的对数正态分布,可得到:
其中,Φ(·)表示标准正态分布的累积分布函数。
S2:建立数据冲突丢包概率估算模型
根据LoRa调制特性,认定每一个信道和速率的组合可以产生互不冲突的逻辑信道,同时我们认定在同一环境下,在数据传输过程中,一旦传输的最后6个前导码以及报头收到冲突,则该数据包就无法正确接收。因此,我们将对单个信道下的单个速率进行建模。
设定在网关通信范围内包含g个终端设备,根据消息速率v,每个终端设备在单位时间内包含n个待发送的数据包,使用向量DR[i][j]、CHAN[i][j]、Time[i][j]分别表示每一个待发送数据包所使用的速率、信道以及数据包传输的起始时间;其中i表示第i个终端设备,取值范围为1~g,j表示第j个数据包,取值范围为1~n;
其中,令前导码加报头的传输时间为PHTme,除去最后6个符号长度前导码的传输时间为PTime;τ为数据包的空中传播时间。对于终端设备i的第j个数据包,存在一个终端设备k的第l个数据包(k的取值范围为1~g,l的取值范围为1~n,k!=i&j!=l),当 DR[i][j]==DR[k][l]且CHAN[i][j]==CHAN[k][l]时,若
((Time[k][l]<Time[i][j]+PHTime[i][j]<Time[k][l]+τ[k][l])
or
(Time[k][l]+τ[k][l]>Time[i][j]+PTime[i][j]>Time[k][l]))
则表示冲突就会发生。
数据冲突判定方法如表2所示:
表2
由此可以计算出由于冲突导致丢失数据包的百分比,即第k次训练由于冲突丢包百分比 Ck表示:
因此,每个情况下的总百分比值可以表示为:
由此,可以生成在不同网络负载下的数据丢包概率拟合曲线图,最后通过拟合曲线的方法,可以得到单信道、参考消息速率vc和参考数据负载Mc环境时,各数据速率下该数据速率的终端设备数N与丢包率的关系曲线fSCH_DR[i](N)。
在关系曲线fSCH_DR[i](N)中引入消息速率v、终端设备包负载大小M,以及信道数CN等可变参量。由此得到网络中数据速率DR[i]下的数据冲突概率:
Pi(N,DR[i])=fSCH_SDR(N*rP*fP/CN)
其中,vP表示实际消息速率v与参考消息vc的比值;rP表示实际负载M的空中传播时间与参考参考数据负载Mc的空中传播时间的比值。
fp=f/fc;rp=ToA(M)/ToA(Mc)
其中,TOA(M)为数据包的空中传播时间,包括的前导码、报头以及数据负载M。
S3:基于概率预测的信道状态识别
基于概率预测的信道状态识别,使用S1与S2中得到的Pf(d,DR[i])以及Pi(N,DR[i]),通过使用softmax回归分类方法分类信道状态Y∈{y1,y2,y3}。分别表示信道状态良好(y1),信道链路错误(y2),信道数据冲突(y3)。首先,生成如下的假设函数
其中,θ1,θ2,θ3为模型参数,x(i)表示输入参数。
假定本次学习的m个训练案例可以独立生成,由此生成如下的代价函数:
其中1{·}表示示性函数,表达式为真则为1,表达式为假则为0。
使用梯度下降算法对J(θ)的最下化问题进行求解,进行多次迭代,每一次迭代进行如下更新:
其中梯度公式如下:
S4:基于信道状态的速率选择机制
由于数据冲突导致丢包情况下,原有的速率选择机制降低速率的方案会导致增加单个数据包空中传播时间,会加大冲突概率,因此是不合适的。同时,原有方案会逐渐趋于较低的速率。本发明提供一种新的速率选择机制,目的在于解决在数据冲突情况下的不必要的速率改变。
如图2所示,提出的基于信道状态速率选择机制采用了两个计数ADR_MSG_CNT与RCV_ACK_CNT。ADR_MSG_CNT计数器在每次数据发送时加1,当接收到网关发送的下行 ACK消息时,RCV_ACK_CNT会自动加1。当ADR_MSG_CNT的值达到ADR_MSG_LIMIT 时,终端设备通过信道状态识别机制判断信道状态。
在获取信道状态以后,将ADR_MSG_CNT和RCV_ACK_CNT的值进行比较,如果两个值相同,则表示所有数据都成功发送。连续两次计数周期内数据都成功发送,则尝试提高速率以提高吞吐量。否则速率不变。
如果终端设备没有收到任何的下行ACK,终端设备将发送链路检查请求,如果网关没有回复ACK,则首先也是进行信道状态判断,如果信道状态为y2,则降低通信速率以增加通信距离;如果信道状态为y3,则获取当前状态各速率下该终端的冲突概率以及信道衰减导致数据丢包概率。获取冲突概率最小且信道状态非链路错误的数据速率,并切换到该速率来避免数据冲突;其他情况则保持速率不变。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (3)
1.一种基于信道状态识别的LoRaWAN网络速率自适应调整方法,其特征在于,应用于大规模终端设备定点部署的周期采样型无线网络场景,该方法具体包括以下步骤:
S1:建立路径衰减丢包概率估算模型,预测网络中终端设备由于信道衰减导致数据丢包概率Pf(d,DR[i]);
S2:建立数据冲突丢包概率估算模型,预测在当前网络中数据速率DR[i]下的数据冲突概率Pi(N,DR[i]);
S3:根据Pf(d,DR[i])、Pi(N,DR[i])值使用Softmax回归分类方法分类信道状态;
S4:通过基于信道状态识别的速率自适应调整机制,对网络中各速率下终端设备进行更新;
步骤S1中,所述的建立路径衰减丢包概率估算模型具体包括:
使用考虑大尺度衰落Pp(d)和阴影效应Ps的对数正态阴影衰减模型PL(f,d),并在其中引入频率衰减因子XF(f),由此得到路径衰减模型:
PL(f,d)=PP(d)+Ps
=P(fref,d0)+10γlog10(d/d0)+XF(f)+Xδ
其中,d为终端设备到网关的距离,d0为参考距离,γ为路径损耗指数,f表示当前使用频率,fref表示参考频率,Xδ表示均值为0,标准差为δ的正态分布;PL(f,d)为标识在频率为f距离为d下的路径损耗,P(fref,d0)为标识参考频率fref以及参考距离d0下的路径损耗;
由此可得Xδ=PL(f,d)-P(fref,d0)-10γlog10(d/d0)-XF(f),其中PL(f,d)由理论计算得到:
PL(f,d)=20log(4πdf/c)
其中,c表示光速;
由此,根据发射功率Ptx和天线增益G得到接收方接收信号强度Pr(f,d):
Pr(f,d)=Ptx+G-PL(f,d)
以不同速率下接收端的最低接收灵敏度SDR[i]为阈值,只有在接收方接收信号强度Pr(f,d)大于SDR[i]时才能解包;所以不考虑冲突的情况下,由于信道衰落导致的丢包概率如下:
Pf(d,DR[i])=P{Pr(f,d)>SDR[i]}
=P{Ptx+G-PL(f,d)>SDR[i]}
=P{Ps<Ptx+G-Pp(d)-SDR[i]}
其中,SDR[i]满足以下关系:
SDR[i]=-174+10log(BW)+NF+SNR
其中,NF为接收方的噪声系数,BW为带宽,SNR为不同速率DR[i]下的可调制信噪比;
由于Ps满足标准偏差为δ的零均值的对数正态分布,可得到:
其中,Φ(·)表示标准正态分布的累积分布函数;
步骤S2中,所述的建立数据冲突丢包概率估算模型具体包括:
通过冲突判断发送生成在单信道下参考消息速率vc和参考数据负载Mc时,各数据速率下的终端设备数N与丢包率的关系曲线fSCH_DR[i](N);并引入可变参量,包括消息速率v、终端设备包负载大小M,以及信道数CN;得到网络中数据速率DR[i]下的数据冲突概率:
Pi(N,DR[i])=fSCH_SDR(N*rP*vP/CN)
其中,vP表示实际消息速率v与参考消息速率vc的比值;rP表示实际负载M的空中传播时间与参考数据负载Mc的空中传播时间的比值;
步骤S4具体包括:
1)当连续丢包次数大于一定值后,进行信道状态识别;若信道状态为链路错误y2,则降低速率;如果信道状态为数据冲突y3,则获取当前状态各速率下该终端的冲突概率以及信道衰减导致数据丢包概率;获取冲突概率最小且信道状态非链路错误的数据速率,并切换到该速率;其他情况则保持速率不变;
2)当连续成功接收数据包数大于一定值后,增加速率以提高吞吐量,其他情况则保持速率不变。
2.根据权利要求1所述的一种基于信道状态识别的LoRaWAN网络速率自适应调整方法,其特征在于,所述步骤S2中,数据冲突判断方法为:
在网关通信范围内包含g个终端设备,根据消息速率v,每个终端设备在单位时间内包含n个待发送的数据包,使用向量DR[i][j]、CHAN[i][j]、Time[i][j]分别表示每一个待发送数据包所使用的速率、信道以及数据包传输的起始时间;其中i表示第i个终端设备,取值范围为1~g,j表示第j个数据包,取值范围为1~n;
令前导码加报头的传输时间为PHTme,除去最后6个符号长度前导码的传输时间为PTime;τ为数据包的空中传播时间;对于终端设备i的第j个数据包,存在一个终端设备k的第l个数据包,k的取值范围为1~g,l的取值范围为1~n,k!=i&j!=l),当DR[i][j]==DR[k][l]且CHAN[i][j]==CHAN[k][l]时,若
((Time[k][l]<Time[i][j]+PHTime[i][j]<Time[k][l]+τ[k][l])
or
(Time[k][l]+τ[k][l]>Time[i][j]+PTime[i][j]>Time[k][l]))
则表示冲突发生。
3.根据权利要求1所述的一种基于信道状态识别的LoRaWAN网络速率自适应调整方法,其特征在于,所述步骤S3具体包括:通过信道衰减丢包概率Pf(d,DR[i])与数据冲突概率Pi(N,DR[i])进行分类,使用Softmax回归分类方法对信道状态进行分类Y∈{y1,y2,y3},y1表示信道状态良好,y2表示信道链路错误,y3表示信道数据冲突。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810213856.5A CN108449763B (zh) | 2018-03-15 | 2018-03-15 | 一种基于信道状态识别的LoRaWAN网络速率自适应调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810213856.5A CN108449763B (zh) | 2018-03-15 | 2018-03-15 | 一种基于信道状态识别的LoRaWAN网络速率自适应调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108449763A CN108449763A (zh) | 2018-08-24 |
CN108449763B true CN108449763B (zh) | 2021-03-16 |
Family
ID=63195380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810213856.5A Active CN108449763B (zh) | 2018-03-15 | 2018-03-15 | 一种基于信道状态识别的LoRaWAN网络速率自适应调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108449763B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109327271B (zh) * | 2018-11-23 | 2021-02-02 | 西安电子科技大学 | 基于部分相干光的水下光通信系统平均信道容量确定方法 |
CN109639684B (zh) * | 2018-12-17 | 2021-11-09 | 北京微吼时代科技有限公司 | 动态应用带宽的方法及系统 |
CN110351114B (zh) * | 2019-05-23 | 2023-03-28 | 蓝炬兴业(赤壁)科技有限公司 | 基于工控机安全网络加速方法及系统 |
CN110267282B (zh) * | 2019-06-24 | 2020-05-29 | 厦门大学 | 一种实现LoRa网络最优吞吐量公平性的方法 |
CN113114401B (zh) * | 2019-12-24 | 2022-06-21 | 西华师范大学 | 物联网中无线射频标签识别系统无线信道参数的估计方法 |
CN111917468A (zh) * | 2020-06-29 | 2020-11-10 | 西安理工大学 | VLC/Wi-Fi无线异构网中一种降低切换次数的实现方法 |
CN112020105B (zh) * | 2020-08-26 | 2022-08-12 | 贵州电网有限责任公司 | 一种用于电网的基于LoRa传输的速率自适应方法 |
CN111988102B (zh) * | 2020-08-31 | 2022-03-04 | 华侨大学 | 基于gru网络的mac信息识别方法、装置、设备及存储介质 |
CN112654057B (zh) * | 2020-12-16 | 2023-08-11 | 西安烽火电子科技有限责任公司 | 基于信道探测的带宽及速率自适应通信方法 |
CN113038541B (zh) * | 2021-03-04 | 2022-05-20 | 重庆邮电大学 | 一种基于冲突感知的LoRaWAN网络速率自适应调整方法 |
CN113543350B (zh) * | 2021-03-30 | 2022-09-13 | 太原理工大学 | 一种基于频率映射的速率自适应方法 |
CN113207149B (zh) * | 2021-04-09 | 2022-09-27 | 东北农业大学 | 一种基于LoRaWAN网络协议的数据传输速率自适应方法 |
CN113596921A (zh) * | 2021-05-31 | 2021-11-02 | 国网江苏省电力有限公司电力科学研究院 | 一种公平自适应数据速率分配和功率控制方法及系统 |
CN113613186A (zh) * | 2021-07-06 | 2021-11-05 | 三叶草(绍兴)智能技术有限公司 | 提升LoRa实时性的通信系统及方法 |
CN115767755B (zh) * | 2022-11-23 | 2023-07-11 | 国网湖北省电力有限公司电力科学研究院 | 一种适用于LoRaWAN网络终端节点的轻量级调度方法、系统及存储介质 |
CN116996165B (zh) * | 2023-08-30 | 2024-04-19 | 东北农业大学 | 一种面向移动场景的LoRaWAN自适应数据速率调节方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101938770A (zh) * | 2010-09-20 | 2011-01-05 | 南京邮电大学 | 基于网络信道状态的无线网络最大重传次数的优化方法 |
CN102630095A (zh) * | 2012-04-28 | 2012-08-08 | 福建星网锐捷网络有限公司 | 速率调整方法、装置和网络设备 |
CN103763212A (zh) * | 2014-01-02 | 2014-04-30 | 河南科技大学 | 一种网络拥堵的调节方法 |
CN105592564A (zh) * | 2015-08-12 | 2016-05-18 | 中山大学 | 无线Mesh网络中基于活跃节点数估计的自适应接入机制 |
CN106255137A (zh) * | 2016-09-18 | 2016-12-21 | 南方电网科学研究院有限责任公司 | 提升LoRa网络通信速率的方法与系统 |
CN106385303A (zh) * | 2016-08-30 | 2017-02-08 | 中兴长天信息技术(南昌)有限公司 | 一种用于物联网的lora无线传输系统信息速率自适应调整方法 |
CN106899387A (zh) * | 2017-03-13 | 2017-06-27 | 武汉慧联无限科技有限公司 | 基于LoRa无线网络的速率自适应方法 |
CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9894311B2 (en) * | 2013-07-30 | 2018-02-13 | Robert Bosch Gmbh | Adaptive methods for wireless camera communication |
FR3052952B1 (fr) * | 2016-06-15 | 2018-07-13 | Sagemcom Energy & Telecom Sas | Procede de definition et d'application d'un plan de frequence |
-
2018
- 2018-03-15 CN CN201810213856.5A patent/CN108449763B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101938770A (zh) * | 2010-09-20 | 2011-01-05 | 南京邮电大学 | 基于网络信道状态的无线网络最大重传次数的优化方法 |
CN102630095A (zh) * | 2012-04-28 | 2012-08-08 | 福建星网锐捷网络有限公司 | 速率调整方法、装置和网络设备 |
CN103763212A (zh) * | 2014-01-02 | 2014-04-30 | 河南科技大学 | 一种网络拥堵的调节方法 |
CN105592564A (zh) * | 2015-08-12 | 2016-05-18 | 中山大学 | 无线Mesh网络中基于活跃节点数估计的自适应接入机制 |
CN106385303A (zh) * | 2016-08-30 | 2017-02-08 | 中兴长天信息技术(南昌)有限公司 | 一种用于物联网的lora无线传输系统信息速率自适应调整方法 |
CN106255137A (zh) * | 2016-09-18 | 2016-12-21 | 南方电网科学研究院有限责任公司 | 提升LoRa网络通信速率的方法与系统 |
CN106899387A (zh) * | 2017-03-13 | 2017-06-27 | 武汉慧联无限科技有限公司 | 基于LoRa无线网络的速率自适应方法 |
CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
Non-Patent Citations (3)
Title |
---|
LoRa无线网络技术与应用现状研究;王鹏;刘志杰;郑欣;《信息通信技术》;20171015;全文 * |
LoRa无线网络技术分析;赵静;苏光添;《移动通信》;20161115;全文 * |
UL small data transmission use cases and requirements;VEOLIA;《3GPP TSG-RAN WG2 Meeting #99,R2-1708447》;20170825;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108449763A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108449763B (zh) | 一种基于信道状态识别的LoRaWAN网络速率自适应调整方法 | |
CN113038541B (zh) | 一种基于冲突感知的LoRaWAN网络速率自适应调整方法 | |
KR100885628B1 (ko) | 무선 통신 네트워크에서 데이터 레이트를 선택하기 위한 방법 | |
US9693363B2 (en) | Method and apparatus for controlling clear channel assessment threshold | |
CN112911723B (zh) | 一种基于干扰优先级的无人机集群自组网信道接入方法 | |
US20160037363A1 (en) | Interference management in a bursty-interference environment | |
Hosseinabadi et al. | Token-DCF: An opportunistic MAC protocol for wireless networks | |
CN112398806B (zh) | 一种基于状态着色的水声网络mac协议生成方法 | |
Ci et al. | Self-regulating network utilization in mobile ad hoc wireless networks | |
KR20150030517A (ko) | 무선 네트워크 환경에서 데이터를 전송하는 방법 및 데이터 전송 장치 | |
CN114302497A (zh) | 一种应用于非授权毫米波段异构网络共存的调度方法 | |
JP7032721B2 (ja) | チャネル状態予測装置、チャネル状態予測方法、無線通信装置および無線通信方法 | |
CN112188565A (zh) | 基于网络分配向量的移动自组织网络多用户协同发送方法 | |
Ding et al. | Model-based deep learning optimization of IEEE 802.11 VANETs for safety applications | |
Cao et al. | Deep reinforcement learning MAC for backscatter communications relying on Wi-Fi architecture | |
US7697562B2 (en) | Apparatus and method for transmitting data in a wireless local area network | |
CN115884343B (zh) | 基于定向多波束天线的高机动自组网动态功率分配方法 | |
Huang et al. | A Hierarchical Deep Learning Approach for Optimizing CCA Threshold and Transmit Power in Wi-Fi Networks | |
Wang et al. | Intelligent hybrid automatic repeat request retransmission for multi‐band Wi‐Fi networks | |
Xu et al. | Contention-based transmission for decentralized detection | |
Kwon et al. | Bayesian game-theoretic approach based on 802.11 p MAC protocol to alleviate beacon collision under urban VANETs | |
Orim et al. | Cluster-based random access scheme for 5G URLLC | |
CN114916087A (zh) | 一种vanet系统中基于印度自助餐过程的动态频谱接入方法 | |
Karabulut et al. | Performance of the CR-MAC with channel fading and capture effect under practical traffic scenarios for VANETs | |
CN111343722A (zh) | 边缘计算中基于认知无线电的能效优化方法 |
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 |