CN111935721A - 一种实现异构网络共存的方法和系统 - Google Patents
一种实现异构网络共存的方法和系统 Download PDFInfo
- Publication number
- CN111935721A CN111935721A CN202010830054.6A CN202010830054A CN111935721A CN 111935721 A CN111935721 A CN 111935721A CN 202010830054 A CN202010830054 A CN 202010830054A CN 111935721 A CN111935721 A CN 111935721A
- Authority
- CN
- China
- Prior art keywords
- wifi
- heterogeneous
- detection threshold
- channel
- signal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 230000005540 biological transmission Effects 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000013461 design Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0808—Non-scheduled access, e.g. ALOHA using carrier sensing, e.g. carrier sense multiple access [CSMA]
- H04W74/0816—Non-scheduled access, e.g. ALOHA using carrier sensing, e.g. carrier sense multiple access [CSMA] with collision avoidance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0833—Random access procedures, e.g. with 4-step access
- H04W74/0841—Random access procedures, e.g. with 4-step access with collision treatment
- H04W74/085—Random access procedures, e.g. with 4-step access with collision treatment collision avoidance
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种实现异构网络共存的方法和系统。该方法：WiFi发送端基于采集的环境样本利用设定的第一空闲信道检测阈值判断信道状态；在判断信道处于空闲状态的情况下，在所设置的分布式帧间间隙时间内，将所述环境样本输入到预训练的神经网络模型以识别是否存在异种信号；在识别出存在异种信号的情况下，WiFi发送端将第一空闲信道检测阈值降低至第二空闲信道检测阈值，并结束所述分布式帧间间隙时间，进入退避过程，且在退避时隙利用第二空闲信道检测阈值检测信道状态，进而根据检测结果确定WiFi数据包的传输时机。本发明能够准确的识别异种信号，进而降低异构网络之间的干扰。
Description
技术领域
本发明涉及异构网络通信技术领域，更具体地，涉及一种实现异构网络共存的方法和系统。
背景技术
物联网技术的蓬勃发展带来无线通讯设备的爆发式增长，繁多的设备因需求不同而采用性能各异的多种通信协议，采用不同协议的设备于同一频段下进行无线通信将导致跨协议干扰。例如，在最为通用的ISM2.4GHZ频段下，WiFi设备因其占用频宽大，发射功率高，传输范围远等因素无法感知发射功率低的同频段下的ZigBee信号，WiFi数据包与ZigBee数据包于ZigBee接收节点发生碰撞，从而极大干扰ZigBee节点的信息传输。
近年来，各种无线网络都在拓展其应用领域，从而形成多种无线协议于同一空间共存的情形，由此跨协议干扰愈发严重，异种协议共存问题已成为制约无线网络发展的瓶颈。目前，缓解跨协议干扰、解决异种信号共存问题主要从异种信号识别和共存机制设计两方面入手。
若不能有效探测并识别异质干扰源，就无法采取对应措施解决共存问题。传统手段通过定制的频谱分析仪以高采样率根据异种信号频谱特征进行识别。近几年，研究人员通过异质干扰独有的时频特征实现常见通信芯片的干扰源识别。例如利用WiFiBeacon的周期性实现ZigBee芯片上识别WiFi干扰，又如通过WiFi芯片中RSSI值运用决策树学习以识别多种异构信号。
在获悉干扰源之后，设计合理的机制使异种协议和谐地使用信道便成重中之重。常见手段包括通过认知无线电或干扰检测机制探知各个拥塞程度以选择合适的信道。近年来研究者提出通过提高ZigBee可见性以使WiFi发射端避让，例如，在WiFi发射端附近额外放置ZigBee节点发送冗余数据；又如，增加ZigBee的Preamble(前导)以预留信道供远端的ZigBee链路传输；再如，运用搭载跨协议通信技术的网络服务器实现信道协调和规划；或者，利用子载波置零技术，通过WiFi发射端预留出部分与ZigBee信道重叠的子载波从而实现异种信号的频域隔离。
现有异种信号识别方案中均基于人工提取的时频特征进行异质信号识别，这种方法的最大的弊端是所需的采样时间长，即频谱分辨率高时才能得到较优的识别结果。而在现有的共存机制设计中，切换信道的方案由于设备增多导致信道愈发繁忙而变得不可取，增设节点提高ZigBee可见性将带来额外的成本且收效甚微，跨协议通信技术传输信息较低效且物理层修改流程繁琐复杂，子载波置零技术需要在WiFi发送端和接收端上均进行修改，修改WiFi接收设备琐碎且不现实。
发明内容
本发明的目的是克服上述现有技术的缺陷，提供一种实现异构网络共存的方法和系统，以解决发送功率不对等导致的WiFi设备给重叠信道的ZigBee节点带来严重干扰的异构网络共存问题。
根据本发明的第一方面，提供一种实现异构网络共存的方法。该方法包括以下步骤：
步骤S1：WiFi发送端基于采集的环境样本利用设定的第一空闲信道检测阈值判断信道状态，并在判断信道处于空闲状态的情况下；
步骤S2：在判断信道处于空闲状态的情况下，在所设置的分布式帧间间隙时间内，将所述环境样本输入到预训练的神经网络模型以识别是否存在异种信号；
步骤S3：在识别出存在异种信号的情况下，WiFi发送端将第一空闲信道检测阈值降低至第二空闲信道检测阈值，并结束所述分布式帧间间隙时间，进入退避过程，且在退避时隙利用第二空闲信道检测阈值检测信道状态，进而根据检测结果确定WiFi数据包的传输时机。
根据本发明的第二方面，提供一种实现异构网络共存的系统。该系统包括：
信道状态检测单元：WiFi发送端基于采集的环境样本利用设定的第一空闲信道检测阈值判断信道状态；
异种信号识别单元：在判断信道处于空闲状态的情况下，在所设置的分布式帧间间隙时间内，将所述环境样本输入到预训练的神经网络模型以识别是否存在异种信号；
共存协议单元：在识别出存在异种信号的情况下，WiFi发送端将第一空闲信道检测阈值降低至第二空闲信道检测阈值，并结束所述分布式帧间间隙时间，进入退避过程，且在退避时隙利用第二空闲信道检测阈值检测信道状态，进而根据检测结果确定WiFi数据包的传输时机。
与现有技术相比，本发明的优点在于，所提供的异种信号识别设计，将信噪比低的ZigBee信号通过深度学习模型进行自动特征提取，实现微秒级别时延下仍有极优的识别率。共存机制设计仅需在WiFi发送端进行媒质接入控制层的修改，其余均与现有网络兼容，更便于部署和大规模推广。异种信号识别模块结合共存机制设计，可实现在WiFi发送端以极短时延判断低功率ZigBee信号存在性，从而避免WiFi发送端在ZigBee数据传送期间同时传输WiFi数据包。本发明从干扰源入手，解决功率不对等的异构网络的共存问题，实现更为公平合理的信道竞争局面。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的实现异构网络共存的方法的流程图；
图2是根据本发明一个实施例的实现异构网络共存的方法的整体过程图；
图3是根据本发明一个实施例的识别异种信号的流程图；
图4是根据本发明一个实施例的采集样本数据的实验设备拓扑图；
图5是根据本发明一个实施例的识别异种信号的过程示意；
图6是根据本发明一个实施例的卷积神经网络的结构图；
图7是根据本发明一个实施例的异构网络中的共存机制示意图；
图8是根据本发明一个实施例的识别异种信号的实验结果示意；
图9是根据本发明一个实施例的协议性能验证仿真的拓扑图；
图10是根据本发明一个实施例的WiFi发送端采用不同参数的协议性能示意图；
图11是根据本发明一个实施例的不同拓扑距离的协议性能示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
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讨论。
参见图1所示，本发明提供的实现异构网络共存的方法总体上包括：步骤S110，WiFi发送端基于采集的环境样本利用设定的第一空闲信道检测阈值判断信道状态；步骤S120，在判断信道处于空闲状态的情况下，在所设置的分布式帧间间隙时间内，将所述环境样本输入到预训练的神经网络模型以识别是否存在异种信号；步骤S130，在识别出存在异种信号的情况下，WiFi发送端将第一空闲信道检测阈值降低至第二空闲信道检测阈值，并结束所述分布式帧间间隙时间，进入退避过程，且在退避时隙利用第二空闲信道检测阈值检测信道状态，进而根据检测结果确定WiFi数据包的传输时机。本发明主要包括异种信号识别的设计和异种信号共存机制的设计。
在下文中，将具体介绍异种信号识别和共存机制(或称共存协议)，并便于理解，以WiFi和ZigBee组成的异构网络为例，结合图2进行说明。
一、关于异种信号识别
对于异种信号识别，本发明采用深度学习技术实现信噪比低时的ZigBee信号的识别。总体而言，异种信号识别过程包括：采集大量数据构建原始数据集；根据较高频谱分辨率的频域特征对原始数据集进行标注后，再分帧获得满足低时延的较少样本点及对应标签，获得训练集；将训练集送入CNN(Convolutional Neural Network，卷积神经网络)进行训练。此外，还可进一步应用测试集验证该模型的鲁棒性，从而实现极短时延内低信噪比的ZigBee信号的有效识别。
具体地，结合图3、图4和图5所示，构建训练集包括以下步骤：
步骤S101，采集信号。
为确保原始信号的纯净性，在屏蔽室进行信号采集。实验设备距离和发送参数设置如图4所示，采用两台通用软件无线电设备USRPN210作WiFi协议收发装置，WiFi发送端于WiFi信道6、以16dBm的标准发射功率和54Mbps的速率持续发送长达1500字节的数据包。采用TelosB设备作ZigBee协议传输节点，ZigBee发送节点每隔1ms、以与WiFi信道6重叠的ZigBee信道16、0dBm的ZigBee设备标准发送功率、250kbps的数据传输速率发送20字节的数据包。
采集实验首先仅运行WiFi接收设备和ZigBee收发设备，以25Mbps采样率采集10s，构建纯净的ZigBee信号数据集1；再仅运行WiFi收发设备，以25Mbps采集10s，构建纯净的WiFi信号数据集2；然后，同时运行WiFi收发设备和ZigBee收发设备，以25Mbps采样率采集10s数据构建数据集3。由于数据包收发之间有间隙，因此数据集1中ZigBee信号占比约60％，其余是底噪，数据集2用于提升模型鲁棒性，无需关心WiFi信号占比，数据集3中ZigBee信号占比约7％，其余是底噪和WiFi信号。数据集1与数据集2构成训练集，数据集3作为测试集。
步骤S102，分长帧并获取标签。
所有数据集的原始样本数据流以每1024个样本点分帧得到长帧，逐帧应用汉宁窗以减少信号波动带来的干扰，随后对每个长帧进行快速傅里叶变换获得频谱图像，
进一步地，从频谱图中提取出信号带宽和中心频率这两个频谱特征，用于识别ZigBee信号的存在性。在一个实施例中，采用峰值查找法找出频谱特征。具体地，峰值查找法对比两个相邻点连线斜率的变化，若邻近斜率上升超过30％，则认定此为一个峰值，一张频谱分辨率为1024个点的ZigBee信号频谱图有若干峰值，峰值中心即是中心频率，峰值边界宽度即是带宽。利用高频谱分辨率下的带宽和中心频率能够容易地辨认出该帧是否存在ZigBee信号。例如，若信号带宽是2MHz，其中心频率落在2.435GHz附近，则可判定这段数据中存在ZigBee信号，则将标签设置成ZigBee(表示存在异种信号ZigBee)，否则，无论是噪声还是WiFi信号，均标记为Noise标签。
步骤S103，获取短帧及对应标签
在步骤S102中，以1024个样本点划分的长帧具有较高的频谱分辨率，为满足较短时延的需求，将采取截短样本点的方式，获得每64个点一帧的短帧。此时，短帧的频谱图的频谱特征已不再明显，因此提取频谱带宽和中心频率的手段已不再可行。
在一个实施例中，借助长帧的标签来获取短帧的标签。例如，将1024个样本点的长帧再分为64个样本点的短帧时，只需标签扩充16倍即可得到短帧对应标签。由于一次ZigBee数据包连续占用约36个以1024点划分的帧，信号边界帧处于ZigBee信号和噪声的交界处，可能既包含ZigBee信号也包含噪声信号，在这种情况下，将边界长帧标签直接进行扩充将出现错误标签，为避免混淆且保证标签准确性，优选地，移除信号边界长帧及对应标签后再进行分短帧操作。
步骤S104，数据向量化
在一个优选实施例中，对于步骤S103中获得短帧，进行向量化操作，以将IQ数据短帧变成方便CNN读取和使用的四维向量形式Nexample×DimIQ×Dimvalue×Dimchannel。其中Nexample代表短帧数量，DimIQ＝2分别存储IQ两个通道的数据，Dimvalue＝64意味着每个短帧仅含64个样本点，Dimchannel＝1是图像处理中代表黑白图像的值。例如，使用numpy库向量化短帧数据流后，采用cPickle库进行序列化存储到文件中供CNN模型备用。
对于CNN模型的具体网络结构参见图6所示，经过上述数据处理流程得到的短帧向量与对应标签(即向量化的样本数据集)，将送入CNN模型中进行训练。利用CNN能找出微弱ZigBee信号的隐藏特征且识别速度快。参见图6，第一层网络是零填充层(Zero Padding)用以保存边界信息；然后，送入卷积核大小是(1,3)、步长是(1,1)的128个卷积滤波器组成的卷积层，并采用ReLU(线性整流函数)函数作激活函数引入非线性，此卷积层是提取信号隐藏特征的关键；随后，进行Dropout随机丢弃一半神经元以避免过拟合，有利于提升模型鲁棒性；再同样的进行一次补零、卷积，dropout操作，以获得更深层的、更具代表性的隐藏特征；随后，送入Flatten(压平)层将多维数据一维化便于后续全连接层使用；随后设置两个全连接层作为输出层，目的是将卷积层得到的高维特征加权求和得到每个类别的分数，再经过Softmax函数映射为概率。最终得到一个能在较短时间，以极少样本点有效识别ZigBee等异种信号的CNN模型。
二、关于异构网络中的共存机制设计
WiFi发送数据包前，将采样少量环境信号样本进行ED(EnergyDetection，能量检测)以判断信道是否空闲。在本发明实施例中，同时将环境信号采样点送入深度学习模型进行ZigBee信号存在性的判别，若不存在则一切照常，若存在则CNN分类器将设置一个ZigBeeOn的标志位并传递给MAC(Medium Access Control，媒质接入控制)层，MAC层将调低CCA(Clear Channel Assessment，空闲信道检测)阈值，从而对信号能量低的ZigBee数据包将更敏感，因而能量检测将判定信道繁忙，触发退避机制，推延本次传输，预留信道供ZigBee信号进行传输，从而避免两种协议同时传输导致的ZigBee数据包被毁坏的现象，实现两种功率不对等的信号公平竞争信道。阈值的调低程度可根据网络的实际应用场景确定，或根据仿真确定，本发明对此不进行限制。
由CNN模型识别出微弱的ZigBee信号正在信道中传输后，下一步便是设计一个合理的MAC层机制推迟WiFi信号的传输，防止其接入信道干扰ZigBee数据包的正常接收。由于WiFi设备也不能一直等待，必须找机会重新接入信道，以实现公平合理的异种协议信道分配方案。
本发明设计的共存机制如图7所示，通过修改WiFi固有的DCF(DistributedCoordination Function，分布式协调功能)机制的参数，即降低CCA阈值使WiFi发射端对ZigBee微弱信号更敏感，从而判定信道繁忙并触发其固有的退避机制，推迟WiFi数据包的传输，让出信道供ZigBee数据传输。
具体地，当WiFi发送端有数据包需要传输时，其首先采样少量环境样本进行能量检测判定信道状态，此时由于ZigBee发送功率低于能量检测阈值，WiFi将判定信道空闲，并等待如协议802.11g/n规定的9微秒的DIFS(Distributed Inter-frame Spacing，分布式帧间间隙)。而在本发明实施例中，会在DIFS时间将用于能量检测的少量环境样本送入预训练的CNN模型中进行ZigBee信号存在性的判别，若存在则设置一个ZigBeeOn的标志位。WiFiMAC层接收到该标志位后将降低CCA阈值，此时发送端结束DIFS进入退避过程，并从竞争窗口中随机选择一个数值作随机回退计数器的值，退避时间由若干个退避时隙构成，每个退避时隙均会进行CCA，由于CCA阈值已被降低，因此将会感知到ZigBee信号的存在，认定信道繁忙，从而挂起随机回退计数器，推迟WiFi数据包的传输。通过这种方式，便不会出现WiFi信号与ZigBee信号同时存在于信道中的场景，因而解决了WiFi数据包对ZigBee接收端的ZigBee数据包毁坏的问题。
相应地，本发明还提供一种实现异构网络共存的系统，用于实现上述方法的一个方面和多个方面。例如，该系统包括：信道状态检测单元，WiFi发送端基于采集的环境样本利用设定的第一空闲信道检测阈值判断信道状态；异种信号识别单元：在判断信道处于空闲状态的情况下，在所设置的分布式帧间间隙时间内，将所述环境样本输入到预训练的神经网络模型以识别是否存在异种信号；共存协议单元：在识别出存在异种信号的情况下，WiFi发送端将第一空闲信道检测阈值降低至第二空闲信道检测阈值，并结束所述分布式帧间间隙时间，进入退避过程，且在退避时隙利用第二空闲信道检测阈值检测信道状态，进而根据检测结果确定WiFi数据包的传输时机。本发明能够应用于实际部署的异构网络，也可用于实验室仿真、网络性能测试设备等。
为进一步验证本发明的效果，分别验证了异种信号识别和共存机制的有效性。
具体地，对于异种信号识别，从USRP N210和TelosB搭建的实验平台中获取无线协议数据，经由装载Intel Graphics 620的显卡和Intel Corei7-8550U的中央处理器对训练集进行离线训练获得卷积神经网络模型，再将测试集送入模型中得到如图8(a)所示的识别准确率和图8(b)所示的混淆矩阵(样本点为64)，通过性能测试，得到如图8(c)所示的不同样本点数对应的运行时间。
由图8(a)可知，所有测试集数据均得到99.9％以上的识别准确率，其中验证了使用相同数据集生成的不同样本点数对应的准确率，由于样本点数越小，相同数据集经由划分短帧操作所得的短帧向量数越多，所以对应的准确率相对较高。此外，在划分短帧操作时，在多个短帧中仅选取1个短帧，对应的不同样本点数所得的短帧数一致，如图8(a)所示，样本点数越高，频谱分辨率越大，对应的识别准确率就更高。图8(b)是样本点数是64个点时对应的混淆矩阵，ZigBee标签预测值和真实值一致，意味着所有ZigBee信号均被识别出来，同时也有0.0187％的噪声信号会被误认为是ZigBee信号，经分析是部分WiFi信号所致(WiFi信号的标签也是Noise，因为只关心是否存在ZigBee信号)，但是占比过小，对性能的影响可忽略不计。图8(c)是模型运行每个短帧的平均时间，样本点数越长对应的运行时间就越大，样本点数是64个点时平均识别时间是66微秒，若采用专用神经网络芯片如TPU，速度将提升10倍以上，便可缩短至6us。实验证明，本发明利用卷积神经网络模型进行异种信号识别，完全符合设计目标，性能极优。
进一步地，验证了共存协议性能，采用仿真方式进行验证。仿真采用ns-3库，仿真拓扑如图9所示，大体设置与信号采集实验一致，只是由于ns-3库的原因，若ZigBee收发节点距离小于2米易出现持续抢占信道的现象。故将默认距离设置成5米。仿真实验以WiFi的吞吐量作为性能指标，而由于ZigBee发送数据少，速率低，以吞吐量衡量不合适，因此优选采用PRR(PacketReceiveRate，数据包接收率)作衡量指标，
具体的共存协议仿真过程是，首先修改WiFi发送端设置，验证各种WiFi标准发送速率下本发明的共存协议的性能。由图10(a)可知，相对于标准协议，本发明设计的协议为ZigBee的PRR带来两倍以上的提升，意味着该协议设计对ZigBee协议的收益极大。发送速率低时，WiFi吞吐量较标准协议有些许损失，发送速率较高时，带来的WiFi吞吐量的损失微乎其微。
图10(b)是不同WiFi数据包长度的性能，此时WiFi数据传输速率已调回默认54Mbps。由图可知，包长越大，吞吐量越大，而本协议对WiFi吞吐量几乎无影响，并且采用本发明的共存机制协议将提升两倍以上的PRR，性能卓越。
接下来，改变实验拓扑结构，通过修改ZigBee设备之间的距离dz，ZigBee发送节点与WiFi发送设备之间的距离dwz，并观察对应的性能指标变化，得到如图11的不同拓扑距离的协议性能。
当dz在2m以内时，接收端信噪比足够大，PRR接近100％；增至3m时采用本发明提出的协议能使PRR从90％升至100％；而增大dz至4m以上，PRR开始急剧下降，采用本发明将提升近2倍的PRR。由于ZigBee发送端与WiFi发送端距离始终没变，因此吞吐量恒定，本发明的协议对吞吐量的影响极小。
尽管当dwz在2m以内时，若采用本发明的协议，ZigBee将持续占用信道，导致WiFi吞吐量降至0。所幸现实中WiFi发射端处于通常位于高处，极少与ZigBee发送端近距离接触的机会。而当dwz是3m以上时，本发明提出的协议将使PRR提升两倍左右，WiFi吞吐量近乎不变。
综上所述，本发明首次提出了将深度学习应用于ZigBee信号识别中。借助卷积神经网络模型，能够自动提取信噪比低的少量ZigBee信号样本的隐藏特征，实现微秒级别的微弱ZigBee信号识别。本发明将卷积神经网络模型应用于无线协议识别中，提供一种全新的异种信号识别思路。进一步地，本发明结合深度学习识别结果设计了MAC层共存协议，通过简单修改WiFi采用的DCF机制的CCA阈值，从干扰端出发，解决功率不对等带来的跨协议干扰问题，实现WiFi和ZigBee协议更为公平合理的信道争用策略。
相较现有的异种信号识别方案，本发明提出的基于深度学习的异种信号识别方案获得高达99.9％的识别准确率，且无需高频谱分辨率，实现微秒级别的极短时延。现有的共存机制设计方案或是需要额外的节点铺设，或是需要同时修改发射端与接收端，而本发明提出的共存协议设计，结合现有的DCF机制，仅需修改WiFi发射端，与当前商用设备兼容性高，更便于大规模推广和部署。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的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、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，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。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (9)
1.一种实现异构网络共存的方法，包括以下步骤：
步骤S1：WiFi发送端基于采集的环境样本利用设定的第一空闲信道检测阈值判断信道状态；
步骤S2：在判断信道处于空闲状态的情况下，在所设置的分布式帧间间隙时间内，将所述环境样本输入到预训练的神经网络模型以识别是否存在异种信号；
步骤S3：在识别出存在异种信号的情况下，WiFi发送端将第一空闲信道检测阈值降低至第二空闲信道检测阈值，并结束所述分布式帧间间隙时间，进入退避过程，且在退避时隙利用第二空闲信道检测阈值检测信道状态，进而根据检测结果确定WiFi数据包的传输时机。
2.根据权利要求1所述的方法，其中，步骤S3包括以下子步骤：
设置异种信号存在标志位并传达至WiFi的媒质接入控制层；
WiFi的媒质接入控制层将第一空闲信道检测阈值降低至第二空闲信道检测阈值，WiFi发送端结束所述分布式帧间间隙时间，进入退避过程，并从竞争窗口中随机选择一个数值作随机回退计数器的值，对于退避时间所包含的每个退避时隙均进行空闲信道检测，当检测到信道繁忙时，挂起随机回退计数器，推迟WiFi数据包的传输。
3.根据权利要求1所述的方法，其中，训练所述神经网络模型包括以下步骤：
构建样本数据集，所述样本数据集表征采集信号的频谱特征和异种信号存在性标签之间的对应关系，所采集的信号包括纯净的ZigBee信号数据、纯净的WiFi信号，以及包含ZigBee信号、底噪和WiFi信号的数据；
对所述样本数据集进行向量化操作；
利用向量化的样本数据集训练神经网络模型，获得满足设定优化目标的神经网络模型。
4.根据权利要求3所述的方法，其中，所述构建样本数据集包括：
将采集的原始样本数据流以每1024个样本点分帧得到长帧，并对每个长帧进行快速傅里叶变换获得频谱图；
从频谱图中提取出信号带宽和中心频率作为频谱特征；
将1024个样本点的长帧再分为64个样本点的短帧，将长帧的标签扩充16倍作为短帧的标签。
5.根据权利要求4所述的方法，其中，在执行分短帧操作之前，还包括移除信号边界长帧及对应标签。
6.根据权利要求4所述的方法，其中，对所述样本数据集进行向量化操作包括：
将所述样本数据集表示为四维向量形式Nexample×DimIQ×Dimvalue×Dimchannel，其中Nexample代表短帧数量，DimIQ＝2表示IQ两个通道的数据，Dimvalue＝64表示每个短帧仅含64个样本点，Dimchannel＝1表示图像处理中代表黑白图像的值。
7.根据权利要求1所述的方法，其中，所述神经网络模型依次包括：用于保存边界信息的零填充层；用于提取信号隐藏特征的卷积层，并采用线性整流函数进行非线性化；用于丢弃神经元的Dropout层；用于将多维数据一维化的压平层；以及用作输出层的两个全连接层。
8.一种实现异构网络共存的系统，包括：
信道状态检测单元：WiFi发送端基于采集的环境样本利用设定的第一空闲信道检测阈值判断信道状态；
异种信号识别单元：在判断信道处于空闲状态的情况下，在所设置的分布式帧间间隙时间内，将所述环境样本输入到预训练的神经网络模型以识别是否存在异种信号；
共存协议单元：在识别出存在异种信号的情况下，WiFi发送端将第一空闲信道检测阈值降低至第二空闲信道检测阈值，并结束所述分布式帧间间隙时间，进入退避过程，且在退避时隙利用第二空闲信道检测阈值检测信道状态，进而根据检测结果确定WiFi数据包的传输时机。
9.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010830054.6A CN111935721B (zh) | 2020-08-18 | 2020-08-18 | 一种实现异构网络共存的方法和系统 |
| PCT/CN2020/116547 WO2022036801A1 (zh) | 2020-08-18 | 2020-09-21 | 一种实现异构网络共存的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010830054.6A CN111935721B (zh) | 2020-08-18 | 2020-08-18 | 一种实现异构网络共存的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111935721A true CN111935721A (zh) | 2020-11-13 |
| CN111935721B CN111935721B (zh) | 2022-06-28 |
Family
ID=73305260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010830054.6A Active CN111935721B (zh) | 2020-08-18 | 2020-08-18 | 一种实现异构网络共存的方法和系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111935721B (zh) |
| WO (1) | WO2022036801A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113242557A (zh) * | 2021-03-26 | 2021-08-10 | 深圳大学 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
| CN113613255A (zh) * | 2021-07-02 | 2021-11-05 | 山东大学 | 一种同频段多协议无线通信技术共存的方法 |
| CN113810244A (zh) * | 2021-08-18 | 2021-12-17 | 柳州达迪通信技术股份有限公司 | 一种空闲信道识别系统、方法、装置及存储介质 |
| CN115022147A (zh) * | 2022-05-30 | 2022-09-06 | 深圳大学 | 基于WiFi有效载荷编码实现跨协议共存的方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114584675B (zh) * | 2022-05-06 | 2022-08-02 | 中国科学院深圳先进技术研究院 | 一种自适应视频增强方法和装置 |
| CN115132231B (zh) * | 2022-08-31 | 2022-12-13 | 安徽讯飞寰语科技有限公司 | 语音活性检测方法、装置、设备及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102183294A (zh) * | 2011-03-15 | 2011-09-14 | 浙江大学 | 基于ZigBee技术的环境噪声无线实时监测系统 |
| US20130017794A1 (en) * | 2011-07-15 | 2013-01-17 | Cisco Technology, Inc. | Mitigating Effects of Identified Interference with Adaptive CCA Threshold |
| CN104902545A (zh) * | 2015-05-27 | 2015-09-09 | 厦门盈趣科技股份有限公司 | 一种Zigbee与WiFi共存方法 |
| CN107682830A (zh) * | 2017-09-27 | 2018-02-09 | 清华大学 | 一种ZigBee到WiFi的通信方法及装置 |
| CN110197127A (zh) * | 2019-05-06 | 2019-09-03 | 安徽继远软件有限公司 | 基于深度学习的无线信号检测与电磁干扰分类系统及方法 |
| CN110809903A (zh) * | 2017-06-19 | 2020-02-18 | 三菱电机株式会社 | 用于wi-fi halow网络和低速率无线个域网(lr-wpan)的共存的网络系统和网络设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008070871A2 (en) * | 2006-12-07 | 2008-06-12 | Misonimo Chi Acquisition L.L.C. | System and method for timeslot and channel allocation |
| US10286475B2 (en) * | 2012-08-17 | 2019-05-14 | Illinois Tool Works Inc. | Wireless communication network for control of industrial equipment in harsh environments |
| CN108934046B (zh) * | 2017-05-23 | 2022-10-18 | 中兴通讯股份有限公司 | 一种降低WiFi与ZigBee相互干扰的方法及装置 |
-
2020
- 2020-08-18 CN CN202010830054.6A patent/CN111935721B/zh active Active
- 2020-09-21 WO PCT/CN2020/116547 patent/WO2022036801A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102183294A (zh) * | 2011-03-15 | 2011-09-14 | 浙江大学 | 基于ZigBee技术的环境噪声无线实时监测系统 |
| US20130017794A1 (en) * | 2011-07-15 | 2013-01-17 | Cisco Technology, Inc. | Mitigating Effects of Identified Interference with Adaptive CCA Threshold |
| CN104902545A (zh) * | 2015-05-27 | 2015-09-09 | 厦门盈趣科技股份有限公司 | 一种Zigbee与WiFi共存方法 |
| CN110809903A (zh) * | 2017-06-19 | 2020-02-18 | 三菱电机株式会社 | 用于wi-fi halow网络和低速率无线个域网(lr-wpan)的共存的网络系统和网络设备 |
| CN107682830A (zh) * | 2017-09-27 | 2018-02-09 | 清华大学 | 一种ZigBee到WiFi的通信方法及装置 |
| CN110197127A (zh) * | 2019-05-06 | 2019-09-03 | 安徽继远软件有限公司 | 基于深度学习的无线信号检测与电磁干扰分类系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴琼等: "基于ZigBee和WiFi网络的抗同频干扰技术研究", 《仪表技术与传感器》 * |
| 黄仁等: "空闲信道评估对ZigBee与Wi-Fi共存的影响研究", 《计算机应用研究》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113242557A (zh) * | 2021-03-26 | 2021-08-10 | 深圳大学 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
| CN113242557B (zh) * | 2021-03-26 | 2022-12-20 | 深圳大学 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
| CN113613255A (zh) * | 2021-07-02 | 2021-11-05 | 山东大学 | 一种同频段多协议无线通信技术共存的方法 |
| CN113810244A (zh) * | 2021-08-18 | 2021-12-17 | 柳州达迪通信技术股份有限公司 | 一种空闲信道识别系统、方法、装置及存储介质 |
| CN113810244B (zh) * | 2021-08-18 | 2022-09-16 | 柳州达迪通信技术股份有限公司 | 一种空闲信道识别系统、方法、装置及存储介质 |
| CN115022147A (zh) * | 2022-05-30 | 2022-09-06 | 深圳大学 | 基于WiFi有效载荷编码实现跨协议共存的方法 |
| CN115022147B (zh) * | 2022-05-30 | 2023-07-25 | 深圳大学 | 基于WiFi有效载荷编码实现跨协议共存的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111935721B (zh) | 2022-06-28 |
| WO2022036801A1 (zh) | 2022-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111935721B (zh) | 一种实现异构网络共存的方法和系统 | |
| CN110311829B (zh) | 一种基于机器学习加速的网络流量分类方法 | |
| CN107968689B (zh) | 基于无线通信信号的感知识别方法及装置 | |
| CN108683526B (zh) | 一种识别竞争类mac协议的方法 | |
| US10045232B2 (en) | Electronic device, method and computer-readable medium for sensing spectrum usage in a cognitive radio communication system | |
| CN113779247B (zh) | 基于意图驱动的网络故障诊断方法及系统 | |
| CN107360577B (zh) | 一种基于机器学习的频谱感知方法及装置 | |
| CN112804119B (zh) | 一种基于卷积神经网络的mac协议识别方法 | |
| US11283505B2 (en) | Adaptive spatial diagnostics in a wireless network | |
| CN111050391B (zh) | 基于cr-vanet的车载雷达通信一体化系统的时间和功率联合分配方法 | |
| Wu et al. | A simple model of IEEE 802.11 wireless LAN | |
| US20200112386A1 (en) | Concept for the analysis of a radio communication system | |
| US7710892B2 (en) | Smart match search method for captured data frames | |
| CN109861864B (zh) | 一种基于lstm网络的mac协议识别方法 | |
| Girmay et al. | Technology recognition and traffic characterization for wireless technologies in ITS band | |
| RU172615U1 (ru) | Устройство выявления низкоинтенсивных атак "отказ в обслуживании" | |
| CN110190917B (zh) | 一种LTE230MHz电力无线专网的频谱空洞感知方法、装置及设备 | |
| Gottapu et al. | Performance analysis of collision alleviating distributed coordination function protocol in congested wireless networks–a Markov chain analysis | |
| CN111612097B (zh) | 一种基于gru网络的主用户数目估计方法 | |
| Cao et al. | Performance analysis of hybrid MAC scheme with multi‐slot reservation | |
| CN112399472B (zh) | 用于低功耗广域网的上行冲突信号解码方法及系统 | |
| CN112671670A (zh) | 一种vr视频业务识别方法、装置、智能终端及存储介质 | |
| Haines et al. | Petri-nets for formal verification of MAC protocols | |
| CN102869114A (zh) | 基于ieee 802.11的公共跳多信道协议吞吐性能分析系统及方法 | |
| Xul et al. | Fast Packet Loss Inferring via Personalized Simulation-Reality Distillation |
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 |