CN108811030B - 认知无线电网络中基于主用户活动性预测的拓扑控制方法 - Google Patents
认知无线电网络中基于主用户活动性预测的拓扑控制方法 Download PDFInfo
- Publication number
- CN108811030B CN108811030B CN201810590573.2A CN201810590573A CN108811030B CN 108811030 B CN108811030 B CN 108811030B CN 201810590573 A CN201810590573 A CN 201810590573A CN 108811030 B CN108811030 B CN 108811030B
- Authority
- CN
- China
- Prior art keywords
- node
- link
- topology
- network
- neighbor
- 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
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/242—Connectivity information management, e.g. connectivity discovery or connectivity update aging of topology database entries
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/48—Routing tree calculation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/246—Connectivity information discovery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/248—Connectivity information update
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
Abstract
本发明属于无线电网络技术领域,公开了一种认知无线电网络中基于主用户活动性预测的拓扑控制方法,提出一种基于主用户活动性的链路预测模型,首先在上述模型的基础上来预测链路的可用时间,然后将计算得到的链路可用时间作为改进最大生成树拓扑控制算法的目标。本发明这样可以最大化网络拓扑的保持时间,避免了频繁的进行网络重构,减小了网络拓扑保持的花费;从而能够简化拓扑,减小冗余链路,增大网络拓扑的维持时间,减小网络拓扑的重构次数;仿真结果证明了基于主用户活动性的拓扑控制算法对于链路的可用持续时间预测的更加的准确,同时也保证了网络拓扑能够维持最大化的持续时间。
Description
技术领域
本发明属于无线电网络技术领域,尤其涉及一种认知无线电网络中基于主用户活动性预测的拓扑控制方法。
背景技术
目前,业内常用的现有技术是这样的:
随着越来越多的人们在日常生活中依赖无线技术(如WiFi网络等),使得无线电资源变得更加的稀缺,同时又由于当前的静态频谱资源政策是由政府机构规定的,即在当前的静态频谱政策下,仅仅有5%-15%的频谱被充分利用,还有大量的频谱资源未被利用,这造成了无线电频谱资源的分布不均匀。为了克服以上的两种因素带来的频谱稀缺问题,提高频谱资源的利用率,认知无线电网络(CRN)被提出,并且它会在未来通信机制中变为一个整体构件。认知无线电网络中包含两种不同优先级类型的用户:
主用户(PU)是频谱的拥有者,能够优先的接入授权频谱,另一种是次级用户(SU),只有在不对主用户(PU)造成干扰的前提下机会性地接入授权频谱。
在移动认知无线电网络中,由于网络中的用户不是静止的,而是移动的,这会使得网络拓扑的动态性变得更加的复杂。
与传统的认知无线电网络相比,移动认知无线电网络中的次级用户之间的通信不仅受到次级用户本身的影响,也会由于主用户的干扰而变得不可通信,使得节点之间的通信中断或者延迟,而且频谱的动态接入与断开会造成次级用户的可用信道随着时间与空间的改变而变化。这些因素都会使得认知无线电网络的拓扑结构动态性的变化,从而使得在移动认知无线电网络中动态拓扑控制与路由研究变成为一个更具有复杂性的问题。
拓扑控制技术的实质就是减小介质访问控制层的竞争度,删除网络拓扑中不符合目标度量的链路,保存网络拓扑中的符合目标度量的链路,减小网络中节点能量的花费,同时由于在拓扑控制后维持的网络拓扑具有更高质量的链路,因此在其生成的网络拓扑上运行路由协议,将会使得网络的吞吐量等性能变得更加的优越。因此稳定可靠的拓扑对于改善无线网络,尤其是认知无线电网络的整体性能起着关键作用。
在对认知无线电网络拓扑的研究过程中,大量的研究成果已经被提出。文献提出了一种基于链路预测的联合拓扑控制与路由算法,即通过建立链路预测模型来计算出链路的可用时间以及与之相对应的概率,然后设计了一种以最大化网络的存活时间为目标函数的拓扑控制算法,最终优化了网络的整体性能。文献设计了一种混合度量-功耗与链路可用时间之和,然后设计了一种基于局部最小生成树的网络拓扑控制的算法,使得网络的性能得到了更大的改善。文献提出了基于链路保持时间的拓扑控制算法,在这个算法中链路保持时间将通过采用几何的方法严格推导得出,文献提出了一种基于节点移动性的链路可用性的预测模型,来预测链路在任意时刻t的可用时间,并通过实验结果来验证其预测的准确性,文献考虑的是在认知无线电网络中静止的情况,没有考虑节点移动性对网络拓扑的影响。文献采用渗流理论来论证了认知无线电网络拓扑的连通性以及通过严格的数学理论推导来证明在什么情况下布设的认知无线电网络性能最优。
综上所述,现有技术存在的问题是:
(1)与传统的无线网络不同的是,认知无线电网络中次级用户的链路状态不仅受节点自身移动性的影响,也受主用户干扰的影响。这些原因使得在移动认知无线电网络中进行拓扑控制更加具有挑战性,例如,如果链路两端的次级用户之一进入到主用户的干扰半径内,并且主用户是活跃的,则该跳链路将会变得不可利用,从而造成次级用户之间的通信延迟或中断,这将会大大降低网络的性能。针对网络中次级用户与主用户优先级的不同而造成网络拓扑的不稳定。
(2)但是现有的文献都假定主用户的活动状态一直是活动的,这并不符合现实中主用户的活动模型,由于在实际中主用户的活动状态是ON与OFF交替出现的,因此在预测链路的可用时间时必须要考虑主用户的活动行为。
(3)由于认知无线电网络中存在两种不同的用户:主用户与次级用户,其中主用户比次级用户具有较高的优先级。当链路两端的次级用户被其附近的主用户干扰时,链路将会失效。这也就造成了认知无线电网络的拓扑结构是动态的,而动态的网络拓扑不仅会增加网络拓扑维持的花费,还会造成网络通信的延迟或中断等问题,即网络拓扑会进行频繁的拓扑重构从而增大网络的花费,而且如果次级用户在该链路进行传输时,如果受到主用户的干扰将会造成其通信的延迟或中断。
解决上述技术问题的难度和意义:
与传统无线网络不同的是在认知无线电Ad Hoc网络中主要存在两种不同优先级的用户:主用户与次级用户。主用户是频谱的拥有者,具有较高的优先级,次级用户只有在主用户不使用该授权频谱的前提下使用该频谱。换句话说,网络中次级用户之间的通信链路状态不仅受次级用户本身移动状态的影响,同时受到主用户活动性的影响。如果链路两端的次级用户任意一个进入到主用户的干扰范围内,并且主用户正好处于活跃状态,那么这条链路将会失去效用,这将会造成次级用户通信的延迟或中断,也会造成网络拓扑进行频繁的重构操作。因此,本发明提出了一种基于主用户活动行为预测的拓扑控制算法,即首先通过考虑主用户的活动行为,更加准确的预测链路的可用时间,同时利用拓扑控制技术在保证网络拓扑连通性的基础上删除可用存活时间短的链路,保存可用时间长的链路,从而增大了网络拓扑的维持时间,避免网络拓扑进行频繁的重构操作。
发明内容
针对现有技术存在的问题,本发明提供了一种认知无线电网络中基于主用户活动性预测的拓扑控制方法。为了使得模型变得更加的贴近于实际,本发明提出了一种基于主用户活动性的链路预测模型,并在这个模型的基础上来预测链路的可用时间,然后将链路的可用时间来作为链路上的权值,利用生成树的思想来设计拓扑控制算法。从而能够简化拓扑,减小冗余链路,增大网络拓扑的维持时间,减小网络拓扑的重构次数。
本发明是这样实现的,一种认知无线电网络中基于主用户活动性预测的拓扑控制方法,其特征在于,所述认知无线电网络中基于主用户活动性预测的拓扑控制方法包括:
将拓扑构造与链路预测进行结合;基于链路预测的方法是指通过对链路的可用时间的预测来作为评估链路质量的指标,现有的预测方法大多忽略了主用户的活动性,该发明考虑老人主用户的活动性,使得对链路的可用时间预测的更加准确;拓扑控制是指将链路的可用时间作为指标来优化链路质量,即在保证网络连通性的基础上将链路可用时间短的链路删除掉,保存可用时间长的链路。
通过分析主用户的活动行为预测链路的可用时间,并且将链路的可用时间作为拓扑构造中的度量值进行优化。现有的在基于链路预测的方法基本上都忽略了主用户的活动行为,或者简单的认为只要次级用户进入到主用户的干扰半径内,则链路将会变得不可用,但是却忽略了即使次级用户进入到主用户的干扰半径内,如果主用户不活跃那么该链路仍然是可用的这一情况。为此,本发明提出了一种基于主用户活动行为预测的拓扑控制算法,这使得对链路的可用存活时间的预测值变得更加的精确。
进一步,所述认知无线电网络中基于主用户活动性预测的拓扑控制方法具体包括:
步骤一,邻居信息收集:对于每个节点都需要在时刻t利用公式(2)(3)(4)计算自身不被主用户干扰的时间NPT(μ);
LPT(u1,u2)=min(NPT(u1),NPT(u2)) (4)
其中,r表示次级用户的通信半径,d表示两个次级用户之间的距离,v1max,v2max和v3max分别表示次级用户μ1,μ2和μ3的最大速度,θ表示两个次级用户之间的夹角,并且服从[0,2π]的均匀分布;
每个节点都以本身的最大功率向距离每个节点一跳的邻居节点广播自身的有节点本身的位置坐标、运动速度和运动方向、不受主用户干扰的链路持续时间信息;
步骤二,链路权重计算:根据节点本身自有的信息以及来自所述节点邻居节点的信息,分别采用公式(1)与公式(6)计算节点之间只分析节点移动性彼此通信的持续时间LAT(μ1,μ2)和节点之间链路的可用持续时间t(u1,u2);
其中,r表示次级用户的通信半径,d表示两个次级用户之间的距离,v1max,v2max和v3max分别表示次级用户μ1,μ2和μ3的最大速度,θ表示两个次级用户之间的夹角,并且服从[0,2π]的均匀分布;
步骤三,拓扑构造:将链路可用时间作为节点之间链路的权值,利用最大生成树算法构建节点邻居拓扑图,即最大生成树算法分为两个阶段:邻居发现阶段-首先节点向其一跳的邻居节点发送信息,构建一个邻居拓扑图;拓扑形成阶段-在原始邻居拓扑图上以该节点为根节点利用改进的Prim算法建立一个最大生成树,删除其他不在这棵树上的冗余链路;然后各个节点以广播的形式将自身在邻居拓扑图上的邻居信息进行彼此通报,删除链路可用时间较少的冗余链路;
步骤四,拓扑重构:将生成的邻居拓扑图的生存时间作为拓扑重构的间隔时间,当拓扑重构的时间截止时或者有重构触发的情况发生时,邻居拓扑图重构将重复上述步骤一~步骤四。
本发明的另一目的在于提供一种实现所述认知无线电网络中基于主用户活动性预测的拓扑控制方法的计算机程序。
本发明的另一目的在于提供一种实现所述认知无线电网络中基于主用户活动性预测的拓扑控制方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的认知无线电网络中基于主用户活动性预测的拓扑控制方法。
本发明的另一目的在于提供一种实现所述认知无线电网络中基于主用户活动性预测的拓扑控制方法的认知无线电网络中基于主用户活动性预测的拓扑控制系统。
综上所述,本发明的优点及积极效果为:
本发明将主用户的活动建为ON-OFF时间分布的,即处于ON状态时间分布是服从参数λ=100的指数分布,处于OFF状态时间分布是服从参数μ=100的指数分布,ON与OFF是随机交换的。仿真环境区域为1000*1000大小,主用户的干扰半径为Rp=500,次级用户的传输半径为Rs=200。由于考虑了主用户的活动行为,这使得对链路的可用时间预测变得更加的准确。这种预测模型也能够保存一部分原本错认为失效的一部分链路可用时间,从而增大了网络拓扑的维持时间,避免了网络拓扑进行频繁的拓扑重构过程,减小了网络拓扑维持的花费,保证了网络拓扑能够更加的稳定与可靠。
本发明提出了一种基于主用户预测的链路可用时间的预测模型。与其他的预测方法相比,本发明考虑了主用户的活动行为,而不是简单认为只要次级用户进入主用户干扰半径以内就被认为被主用户干扰。本发明首先在上述模型的基础上来预测链路的可用时间,然后将计算得到的链路可用时间作为改进最大生成树拓扑控制算法的目标。这样可以最大化网络拓扑的保持时间,避免了频繁的进行网络重构,减小了网络拓扑保持的花费。
仿真分析中,节点的运动过程是建立在改进的随机节点游走模型[17]的基础之上的。真实值(realvalue)指的是在改进的随机节点游走模型中链路的实际生存时间。随机选择10条链路,用公式计算得到的数据和实际移动模型中的数据进行比较,验证链路预测的准确性。图3反映了移动周期为T=0.1s时对链路可用时间预测的准确性,图4反映了移动周期为T=2s时对链路可用时间预测的准确性。由两个图可以看出,考虑主用户活动行为的预测方法(improved-predictvalue)的准确性要高于没有考虑主用户活动行为(predictvalue)的准确性,即考虑主用户行为的预测方法比没有考虑主用户预测行为的预测方法得出的预测值更加贴近于真实值。
图5表现的是没有施行拓扑控制的原始网络拓扑图,图6表现的是经由基于主用户预测的拓扑控制算法运行后获得的拓扑效果图。对比图5与图6可以看出,基于主用户预测的拓扑控制算法删除了网络中可用时间较小的那部分链路,从而不仅能够大大减小网络链路的数量以及节点度,而且能够大大增大网络的生存时间,从而能够提高网络拓扑的稳定性。图7反映了不同拓扑控制算法对链路可用时间影响的实验图,其中original1表示没有进行拓扑控制的网络拓扑的平均存活时间,其中original2表示运行完不考虑主用户活动的拓扑控制算法后得到的网络拓扑的平均存活时间,其中improved表示运行完考虑主用户活动的拓扑控制算法后得到的网络拓扑的平均存活时间。因此,由图7得出基于主用户预测的拓扑控制算法得到的网络生存时间要比不考虑主用户活动的拓扑控制算法所得到的网络存活时间大,生成更加稳定的网络拓扑,避免了频繁的网络拓扑重构操作,提高了网络性能。
仿真结果证明了基于主用户活动性的拓扑控算法对于链路的可用持续时间预测的更加的准确,同时也保证了网络拓扑能够维持最大化的持续时间。
附图说明
图1是本发明实施例提供的SU的移动与PU的干扰示意图。
图2是本发明实施例提供的认知无线电网络中基于主用户活动性预测的拓扑控制方法流程图。
图3是本发明实施例提供的移动周期T=0.1s图。
图4是本发明实施例提供的移动周期T=2s图。
图5是本发明实施例提供的原始拓扑图。
图6是本发明实施例提供的基于主用户预测的拓扑控制结果图.
图7是本发明实施例提供的不同算法下的网络平均存活时间图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
与传统的无线网络不同的是,认知无线电网络中次级用户的链路状态不仅受节点自身移动性的影响,也受主用户干扰的影响。这些原因使得在移动认知无线电网络中进行拓扑控制更加具有挑战性。针对网络中次级用户与主用户优先级的不同而造成网络拓扑的不稳定。
下面结合具体分析对本发明作进一步描述。
1网络模型及相关定义
1.1认知无线电网络模型:
认知无线电网络是由N个SU与M个PU组成的,并且这些SU与PU都具有唯一的ID,每个SU和PU都装备有全向天线和GPS定位设备,可以获得自己的坐标位置、移动速度与移动方向。在本发明中,节点移动模型将采用目前一种改进的随机游走模型。每个SU的最大发射功率为Pmax,与其最大发射功率相对应的最大发射半径为Rmax,每个SU的发射功率为Ps,与其发射功率相对应的发射半径为Rs,每个主用户的干扰半径为Rp。本发明将认知无线电网络中节点之间的链路关系抽象为无向图G(V,E),其中V表示网络中的SU,E表示次级用户之间的通信链路。
1.2认知无线电网络中对链路可用时间的预测
与传统的无线网络不同的是,认知无线电网络中次级用户的链路状态不仅受节点自身移动性的影响,也受主用户干扰的影响。
定义1如果两个次级用户之间的距离在彼此的通信范围内,并且这两个次级用户都不在主用户的干扰半径内,或者主用户处于不活跃的状态,则说明这两个用户之间存在一条通信链路。
定义2两个彼此运动的次级用户保持在彼此通信范围内的时间,称为由于节点移动而引起的链路存活时间,可以用LAT来表示。
定义3次级用户一直处于主用户干扰半径之外的时间称为一直不受主用户抑制的节点通信时间,可以用LPT来表示。
节点的移动过程可以分为一系列随机长度的时间片,在这些时间片上节点的移动速度大小和方向都是保持不变的,且节点在这些时间片上的速度变化满足均匀分布。次级用户之间的链路可用时间为随机变量,用概率方法求解期望值代替平均值。次级用户由于节点运动保持通信的时间LAT,节点不受主用户抑制的时间LPT可以根据LPT(u1,u2)=min(NPT(u1),NPT(u2))计算得到。
其中,r表示次级用户的通信半径,d表示两个次级用户之间的距离,v1max,v2max和v3max分别表示次级用户μ1,μ2和μ3的最大速度,θ表示两个次级用户之间的夹角,并且服从[0,2π]的均匀分布。
因此,移动认知无线电网络中链路一直不受主用户抑制的时间可以公式化为:
LPT(u1,u2)=min(NPT(u1),NPT(u2)) (4)
1.3基于主用户活动性的链路可用时间预测
在移动认知无线电网络中,链路的稳定性除了依赖节点的相对移动以外,还依赖PU的活动行为。但是大部分现有的基于链路可用时间的预测方法都只是考虑了节点的相对移动对其造成的影响,或者简单的认为只要节点进入PU的干扰半径内,与该节点的相关链路都将变得不可用,但却没有考虑PU的活动行为。例如图1SU的移动与PU的干扰示意图所示,现有的大部分算法在预测考虑节点不受主用户抑制的时间时,都简单的看成是预测节点从开始运动到进入主用户的干扰半径的这一段时间TA,B,但这样的预测方案却没有考虑到主用户在节点处于X的位置时才开始活跃,也就是说节点不受主用户干扰的时间不止是TA,B,还可以在加上以后的TB,X,因此如果考虑主用户的活动行为,则节点不受主用户干扰的时间应该是TA,B+TB,X,而不是简单的TA,B。
假定主用户的活动行为遵循ON-OFF时间分布,其中处于OFF状态的时间遵循参数为λ的指数分布,处于ON状态的时间遵循参数为μ的指数分布,因此主用户处于OFF状态的概率为:
综上所述,链路的可用时间可以公式化为:
如果节点之间保持在彼此通信范围内的时间小于节点不受主用户干扰的时间,则链路的可用时间为节点之间保持在彼此通信范围内的时间;如果节点之间保持在彼此通信范围内的时间大于或等于节点不受主用户干扰的时间,则链路的可用时间为节点之间保持在彼此通信范围内的时间与节点不受主用户抑制的时间之差和主用户的活动概率的乘积,然后加上上述算法中节点不受主用户干扰的时间。
2基于主用户活动性的拓扑控制算法
基于上述的度量标准t(u1,u2),本发明提出了一种基于主用户活动性的拓扑控制算法来删除那些可用时间较短的链路,保存那些可用时间较长的链路。本发明所提分布式拓扑控制算法的原则就是在保证连通性的前提下保存具有最大路径权重的可靠链路,从而增大网络拓扑的生存时间,减小网络拓扑重构的次数,以保证网络的性能。
本发明所提出的基于主用户预测的拓扑控制算法就是将拓扑构造与链路预测结合在一起,通过考虑主用户的活动行为来尽可能准确的预测链路的可用时间,并且将链路的可用时间作为拓扑构造中的度量值来进行优化,算法的流程图如图2所示。
算法步骤详细概述如下:Step.1邻居信息收集:
Step.1.1对于每个节点都需要在时刻t利用公式(2)(3)(4)计算自身不被主用户干扰的时间NPT(μ),
Step.1.2每个节点都以其本身的最大功率向距离它一跳的邻居节点广播其自身的信息,这些信息主要包括有节点本身的位置坐标、运动速度和运动方向、不受主用户干扰的链路持续时间等信息。
Step.2链路权重计算:根据节点本身自有的信息以及来自其邻居节点的信息,分别采用公式(1)与公式(6)来计算节点之间只考虑节点移动性彼此通信的持续时间LAT(μ1,μ2)和节点之间链路的可用持续时间t(u1,u2)。
Step.3拓扑构造:
将链路可用时间作为节点之间链路的权值,利用最大生成树算法构建节点邻居拓扑图,即最大生成树算法分为两个阶段:邻居发现阶段-首先节点向其一跳的邻居节点发送信息,构建一个邻居拓扑图;拓扑形成阶段-在原始邻居拓扑图上以该节点为根节点利用改进的Prim算法建立一个最大生成树,删除其他不在这棵树上的冗余链路;然后各个节点以广播的形式将自身在邻居拓扑图上的邻居信息进行彼此通报,删除那些链路可用时间较少的冗余链路。
Step.4拓扑重构:
将生成的邻居拓扑图的生存时间作为拓扑重构的间隔时间,当拓扑重构的时间截止时或者有重构触发的情况发生时,邻居拓扑图重构将重复上述步骤Step.1-Step.4。
下面结合具体分析对本发明作进一步描述。
算法分析:
上述算法体现了分布式算法的显著特征,即不需要一个中心实体参与计算,每个节点都可以依据其自身信息和收集到的邻居节点信息独立的选择自己的邻居节点,构建节点自身与其邻居节点的拓扑图。
在邻居信息的收集阶段,每个节点都只需要了解自身及其一跳的邻居节点信息,而不需要了解其两跳甚至多跳的邻居节点信息,这也就避免了网络中节点之间会频繁的进行信息交换,从而极大地减小了网络中的信息开销与花费。
定理3.1若在网络拓扑中节点u与节点v的路径path(u,v)是两点之间的最大链路可用时间路径,那么在其上的任意子路径path(ui,uj)也是节点ui与节点uj最大链路可用时间的路径。
证明:假设路径中的链路(ui,uj)不是ui和uj之间的最大链路可用持续时间路径,那么至少存在一条路径path'(ui,uj)=(ui,ux,uj)使得path'(ui,uj)>path(ui,uj),这与最大链路可用时间的路径定义相矛盾,因此定理3.1是成立的。
因此,基于主用户活动预测的拓扑控制算法生成的网络拓扑中,任意两节点间的链路都是链路可用时间最长的链路,网络拓扑就会具有更好的稳定性。
下面结合仿真实验对本发明作进一步描述。
仿真分析
节点的运动过程是建立在改进的随机节点游走模型的基础之上的。真实值(realvalue)指的是在改进的随机节点游走模型中链路的实际生存时间。随机选择10条链路,用公式计算得到的数据和实际移动模型中的数据进行比较,验证链路预测的准确性。图3反映了移动周期为T=0.1s时对链路可用时间预测的准确性,图4反映了移动周期为T=2s时对链路可用时间预测的准确性。由两个图可以看出,考虑主用户活动行为的预测方法(improved-predictvalue)的准确性要高于没有考虑主用户活动行为(predictvalue)的准确性,即考虑主用户行为的预测方法比没有考虑主用户预测行为的预测方法得出的预测值更加贴近于真实值。
图5表现的是没有施行拓扑控制的原始网络拓扑图,图6表现的是经由基于主用户预测的拓扑控制算法运行后获得的拓扑效果图。对比图5与图6可以看出,基于主用户预测的拓扑控制算法删除了网络中可用时间较小的那部分链路,从而不仅能够大大减小网络链路的数量以及节点度,而且能够大大增大网络的生存时间,从而能够提高网络拓扑的稳定性。图7反映了不同拓扑控制算法对链路可用时间影响的实验图,其中original1表示没有进行拓扑控制的网络拓扑的平均存活时间,其中original2表示运行完不考虑主用户活动的拓扑控制算法后得到的网络拓扑的平均存活时间,其中improved表示运行完考虑主用户活动的拓扑控制算法后得到的网络拓扑的平均存活时间。因此,由图7得出基于主用户预测的拓扑控制算法得到的网络生存时间要比不考虑主用户活动的拓扑控制算法所得到的网络存活时间大,生成更加稳定的网络拓扑,避免了频繁的网络拓扑重构操作,提高了网络性能。
下面结合效果对本发明作进一步描述。
本发明提出了一种基于主用户活动行为的链路可用时间预测方法,从而提高了对链路可用时间预测结果的准确性,同时在此基础上提出了一种基于最小生成树的分布式网络拓扑控制算法,从而使得生成的网络拓扑能够保存具有较长时间的链路,且变得更加的稳定与简单,避免了频繁的进行网络重构,提高了网络整体性能。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种认知无线电网络中基于主用户活动性预测的拓扑控制方法,其特征在于,所述认知无线电网络中基于主用户活动性预测的拓扑控制方法包括:
将拓扑构造与链路预测进行结合;基于链路预测的方法是指通过对链路的可用时间的预测来作为评估链路质量的指标;
通过分析主用户的活动行为预测链路的可用时间t(μ1,μ2),并且将链路的可用时间t(μ1,μ2)作为拓扑构造中的度量值进行优化;
所述认知无线电网络中基于主用户活动性预测的拓扑控制方法具体包括:
步骤一,邻居信息收集:对于每个节点都需要在时刻t利用公式(2)(3)(4)计算自身不被主用户干扰的时间NPT(μ);
LPT(u1,u2)=min(NPT(u1),NPT(u2)) (4)
其中,r表示次级用户的通信半径,d表示两个次级用户之间的距离,v1max,v2max和v3max分别表示次级用户μ1,μ2和μ3的最大速度,θ表示两个次级用户之间的夹角,并且服从[0,2π]的均匀分布;
每个节点都以本身的最大功率向距离每个节点一跳的邻居节点广播自身的有节点本身的位置坐标、运动速度和运动方向、不受主用户干扰的链路持续时间信息;
步骤二,链路权重计算:根据节点本身自有的信息以及来自所述节点邻居节点的信息,分别采用公式(1)与公式(6)计算节点之间只分析节点移动性彼此通信的持续时间LAT(μ1,μ2)和节点之间链路的可用持续时间t(u1,u2);
其中,r表示次级用户的通信半径,d表示两个次级用户之间的距离,v1max,v2max和v3max分别表示次级用户μ1,μ2和μ3的最大速度,θ表示两个次级用户之间的夹角,并且服从[0,2π]的均匀分布;
步骤三,拓扑构造:将链路可用时间作为节点之间链路的权值,利用最大生成树算法构建节点邻居拓扑图,即最大生成树算法分为两个阶段:邻居发现阶段-首先节点向其一跳的邻居节点发送信息,构建一个邻居拓扑图;拓扑形成阶段-在原始邻居拓扑图上以该节点为根节点利用改进的Prim算法建立一个最大生成树,删除其他不在这棵树上的冗余链路,然后各个节点以广播的形式将自身在邻居拓扑图上的邻居信息进行彼此通报,删除链路可用时间较少的冗余链路;
步骤四,拓扑重构:将生成的邻居拓扑图的生存时间作为拓扑重构的间隔时间,当拓扑重构的时间截止时或者有重构触发的情况发生时,邻居拓扑图重构将重复上述步骤一~步骤四。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810590573.2A CN108811030B (zh) | 2018-06-09 | 2018-06-09 | 认知无线电网络中基于主用户活动性预测的拓扑控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810590573.2A CN108811030B (zh) | 2018-06-09 | 2018-06-09 | 认知无线电网络中基于主用户活动性预测的拓扑控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108811030A CN108811030A (zh) | 2018-11-13 |
CN108811030B true CN108811030B (zh) | 2021-11-09 |
Family
ID=64088090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810590573.2A Active CN108811030B (zh) | 2018-06-09 | 2018-06-09 | 认知无线电网络中基于主用户活动性预测的拓扑控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108811030B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112383422B (zh) * | 2020-11-04 | 2021-11-02 | 浙江大学 | 加快一致性分布式算法收敛速度的网络拓扑优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105337899A (zh) * | 2015-09-29 | 2016-02-17 | 重庆邮电大学 | 一种灵活调整预留型业务传输带宽的光网络节能路由方法 |
CN106162720A (zh) * | 2016-06-20 | 2016-11-23 | 北京航空航天大学 | 一种基于多属性决策的认知无线自组织网络节点稳定性评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10084658B2 (en) * | 2015-09-28 | 2018-09-25 | Cisco Technology, Inc. | Enhanced cloud demand prediction for smart data centers |
US9843485B2 (en) * | 2015-11-30 | 2017-12-12 | International Business Machines Coprporation | Monitoring dynamic networks |
-
2018
- 2018-06-09 CN CN201810590573.2A patent/CN108811030B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105337899A (zh) * | 2015-09-29 | 2016-02-17 | 重庆邮电大学 | 一种灵活调整预留型业务传输带宽的光网络节能路由方法 |
CN106162720A (zh) * | 2016-06-20 | 2016-11-23 | 北京航空航天大学 | 一种基于多属性决策的认知无线自组织网络节点稳定性评估方法 |
Non-Patent Citations (5)
Title |
---|
"Analysis of false traceroute links in the presence of per-packet load balancing";zhang quan;《Web of Science》;20150920;全文 * |
"保证高可靠度和低传输开销的DTN拓扑控制";齐小刚;《西安电子科技大学学报》;20180322;全文 * |
"基于拓扑控制的卫星网络路由优化";刘立芳;《通信学报》;20180225;全文 * |
"基于链路可用时间的认知无线网络拓扑控制算法";杨怀德;《系统仿真学报》;20170308;正文第1-2节 * |
"基于链路可用时间的认知无线网络路由算法";杨怀德;《合肥工业大学学报(自然科学版)》;20170728;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108811030A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111342984B (zh) | 一种信息处理方法、系统及装置 | |
Naranjo et al. | P-SEP: A prolong stable election routing algorithm for energy-limited heterogeneous fog-supported wireless sensor networks | |
Umbreen et al. | An energy-efficient mobility-based cluster head selection for lifetime enhancement of wireless sensor networks | |
Tyagi et al. | Cognitive radio-based clustering for opportunistic shared spectrum access to enhance lifetime of wireless sensor network | |
Lu et al. | A cross-layer resource allocation scheme for ICIC in LTE-Advanced | |
Pappalardo et al. | Caching strategies in heterogeneous networks with D2D, small BS and macro BS communications | |
Talay et al. | Self adaptive routing for dynamic spectrum access in cognitive radio networks | |
Saifan et al. | Probabilistic and deterministic path selection in cognitive radio network | |
Loh et al. | Performance evaluation of efficient and reliable routing protocols for fixed-power sensor networks | |
Danratchadakorn et al. | Coverage maximization with sleep scheduling for wireless sensor networks | |
Kar et al. | Connectivity reestablishment in self-organizing sensor networks with dumb nodes | |
Özdemir et al. | Multi-objective clustered-based routing with coverage control in wireless sensor networks | |
Zhao et al. | Spectrum-aware data replication in intermittently connected cognitive radio networks | |
CN108811030B (zh) | 认知无线电网络中基于主用户活动性预测的拓扑控制方法 | |
Roberts et al. | An optimized ticket manager based energy‐aware multipath routing protocol design for IoT based wireless sensor networks | |
Khan et al. | Throughput-efficient dynamic coalition formation in distributed cognitive radio networks | |
Poonguzhali | Energy efficient realization of clustering patch routing protocol in wireless sensors network | |
KR101011265B1 (ko) | 모바일 애드혹 네트워크에서의 이기성 노드 검출 장치 및 방법과 이를 이용한 데이터 복제본 할당 방법 | |
Ma et al. | Socially aware distributed caching in device-to-device communication networks | |
Habachi et al. | A Stackelberg model for opportunistic sensing in cognitive radio networks | |
Kahraman et al. | An efficient and adaptive channel handover procedure for cognitive radio networks | |
Bukhari et al. | Remaining idle time aware intelligent channel bonding schemes for cognitive radio sensor networks | |
Li et al. | A mobility-resistant efficient clustering approach for ad hoc and sensor networks | |
Oki et al. | Dynamic spectrum reconfiguration for distributed cognitive radio networks | |
Subramaniam et al. | Research Article Predictive Energy Efficient and Reliable Multicast Routing 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 |