CN112423242A - 一种基于智能学习的无线网络广播方法 - Google Patents
一种基于智能学习的无线网络广播方法 Download PDFInfo
- Publication number
- CN112423242A CN112423242A CN202011314473.0A CN202011314473A CN112423242A CN 112423242 A CN112423242 A CN 112423242A CN 202011314473 A CN202011314473 A CN 202011314473A CN 112423242 A CN112423242 A CN 112423242A
- Authority
- CN
- China
- Prior art keywords
- neighbor node
- node
- broadcast
- learning
- data packet
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H04W28/0289—Congestion control
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
Description
技术领域
本发明实施例涉及无线网络广播术领域,具体涉及一种基于智能学习的无线网络广播方法。
背景技术
广播是主机之间“一对所有”的通讯模式,网络对其中每一台主机发出的信号都进行无条件复制并转发,所有主机都可以接收到所有信息。而广播也是无线网络的一个广泛应用的基本行为。将一个数据包广播给网络中所有节点,最简单的方法被称为简单洪泛,该方法就是要求每个节点一旦收到新的数据包,就向其邻居进行再广播。再广播的行为一直持续到全网所有节点都收到该数据包为止。然而,简单洪泛会导致网络中出现大量的数据包,最终在全网中泛滥,引发过量的再广播,令节点不断接收已经收到的数据包或者产生大量的碰撞,最终引发广播风暴。
解决广播风暴的主要思路是如何减少过多的重复传输,常用的办法是禁止一部分网络节点进行再广播。然而,已有的广播方法都假设进行广播时,网络拓扑处于静态或准静态,在面对高速移动的网络时,大部分广播协议性能较弱。也就是说,目前针对无线网络的广播路由技术中,没有与高速移动网络相关的。这些已有的广播方法都假设进行广播时,网络拓扑处于静态或准静态。它们主要是以固定概率进行广播或者采用事先确定的策略进行转发,以提高广播的效率和可靠性、抑制广播风暴和节省网络资源。在面对高速移动的移动网络时,大部分广播协议性能较弱。尚没有方案提出基于智能学习的广播方法,从而无法减少无线网络中广播数据包的碰撞,无法提高广播通信效果。
发明内容
为解决上述问题,本发明实施例提供了一种基于智能学习的无线网络广播方法,有效避免了现有技术中无线网络的广播方法在面对高速移动的网络时大部分广播协议性能较弱、无法减少无线网络中广播数据包的碰撞、无法提高广播通信效果的缺陷。
为了克服现有技术中的不足,本发明实施例给予了一种基于智能学习的无线网络广播方法的解决方案,具体如下:
一种基于智能学习的无线网络广播方法,包括:
进一步的,所述节点i针对邻居节点j的学习表Qji 1行×4列的结构,状态空间只有1个状态,该状态为Sji,Sji表示节点i收到了来自其邻居节点j的广播数据包,动作集包含2个行为,该两个行为分别为转发Fji和静默Dji,再附上2个信息,该2个信息分别为邻居节点j的GPS信息Gj和邻居节点j的上次的hello时间tj。
进一步的,当所述邻居节点j在一定时间Δ内未更新hello信息后,就认为其已经离开通信范围,就注销邻居节点j的学习表;所述节点i每次收到hello数据包,要进行学习,并更新相应的学习表。
进一步的,所述学习的具体步骤如下:
S11,保持监听,直至收到邻居节点j的hello数据包;
S12,判断是否为第一次收到邻居节点j的hello数据包;
S13,如果为第一次收到邻居节点j的hello数据包,建立针对邻居节点j的学习表Qji,为该针对邻居节点j的学习表Qji内的转发Fji和静默Dji赋值1,记录该针对邻居节点j的学习表Qji内的邻居节点j的GPS信息Gj和邻居节点j的上次的hello时间tj;
S14,如果不是第一次收到邻居节点j的hello数据包,更新该针对邻居节点j的学习表Qji的内的邻居节点j的GPS信息Gj和作为时间信息的邻居节点j的上次的hello时间tj;
S15,根据设定的公式计算概率后判断是否应当进行广播转发;
S16,应当进行广播转发时,使用智能学习算法计算转发广播可能发生的碰撞;
S17,更新针对邻居节点j的学习表Qji;
S18,不应当进行广播转发时,使用智能学习算法计算不转发广播可能造成的损失;
S19,更新针对邻居节点j的学习表Qji。
所述根据设定的公式计算概率后判断是否应当进行广播转发的方法,包括:
当所述节点i收到了来自其邻居节点j的广播报文时,按照公式(1):
计算得到进行广播转发的概率,以此判断是否应当进行广播转发的方法。
进一步的,所述智能学习算法包括深度学习、强化学习或者深度强化学习这样的智能学习算法。
进一步的,所述转发Fji表示:收到其邻居节点j的广播数据包,所述节点i就对该广播数据包进行广播转发;所述静默Dji表示:节点i收到其邻居节点j的广播数据包,节点i对该广播数据包不进行广播转发。
进一步的,所述邻居节点j包括有GPS模块,每个邻居节点j定期在一跳范围内周期发送hello数据包。邻居节点j的hello数据包里面有邻居节点j的GPS信息和邻居节点j的上次的hello时间tj。
本发明实施例的有益效果为:
本发明广播方法是在传统的无线网络hello数据包交互机制基础上增加一个学习模块,通过无线网络节点之间交互hello数据包,使用智能学习方法对hello数据包中携带的信息进行学习,对转发广播的可能发生的碰撞,以及不转发广播可能造成的损失进行评估,调整来自不同节点的广播数据包的转发概率,从而减少无线网络中广播数据包的碰撞,提高广播通信效果。有效解决了现有技术中无线网络的广播方法在面对高速移动的网络时大部分广播协议性能较弱、无法减少无线网络中广播数据包的碰撞、无法提高广播通信效果的缺陷。
附图说明
图1为本发明的所述学习的具体步骤的流程图。
具体实施方式
本发明通过在传统的无线网络hello数据包交互机制基础上增加一个学习模块,通过无线网络节点之间交互hello数据包,使用智能学习方法对hello数据包中携带的位置信息和时间信息进行学习,对转发广播的可能发生的碰撞,以及不转发广播可能造成的损失进行评估,调整来自不同节点的广播数据包的转发概率。该方法的具体实施是在每个节点中建立与多个邻居节点的学习表。同时,每次收到hello消息的时候都要更新学习表。根据学习表中的信息,使用智能学习算法计算转发广播信息可能发生的碰撞和不转发广播信息产生的损失。该方法采用的智能学习算法包括但不限于深度学习、强化学习、深度强化学习等智能学习算法。该方法可以与其他类型的广播机制进行结合,且不会修改其他机制,如基于位置的、基于邻居数的或者基于相遇次数等。
下面将结合附图和实施例对本发明实施例做优选的说明。
如图1所示,基于智能学习的无线网络广播方法,包括:
设当前节点为i,为其邻居节点集合,邻居节点j∈Ni发出广播数据包后,节点i根据其针对其邻居节点j的学习表中的记录,计算概率Pji,决定是否转发来自其邻居节点j的广播数据包。所述当前节点和其邻居节点可以是无人机节点或者无人车节点。其中N能够是正整数。
表1
F<sub>ji</sub> | D<sub>ji</sub> | G<sub>j</sub> | t<sub>j</sub> | |
S<sub>ji</sub> |
表1所示为所述节点i针对邻居节点j的学习表Qji,表1为1行×4列的结构,状态空间只有1个状态,该状态为Sji,Sji表示节点i收到了来自其邻居节点j的广播数据包,动作集包含2个行为,该两个行为分别为转发Fji和静默Dji,再附上2个信息,该2个信息分别为邻居节点j的GPS信息Gj和邻居节点j的上次的hello时间tj。这里,所述转发Fji表示:收到其邻居节点j的广播数据包,所述节点i就对该广播数据包进行广播转发;所述静默Dji表示:节点i收到其邻居节点j的广播数据包,节点i对该广播数据包不进行广播转发。邻居节点j包括有GPS模块,每个邻居节点j定期在一跳范围内周期发送hello数据包。邻居节点j的hello数据包里面有邻居节点j的GPS信息和邻居节点j的上次的hello时间tj。
当所述邻居节点j在一定时间Δ内未更新hello信息后,就认为其已经离开通信范围,就注销邻居节点j的学习表;所述节点i每次收到hello数据包,要进行学习,并更新相应的学习表。
所述学习的具体步骤如下:
S11,保持监听,直至收到邻居节点j的hello数据包;
S12,判断是否为第一次收到邻居节点j的hello数据包;
S13,如果为第一次收到邻居节点j的hello数据包,建立针对邻居节点j的学习表Qji,为该针对邻居节点j的学习表Qji内的转发Fji和静默Dji赋值1,记录该针对邻居节点j的学习表Qji内的邻居节点j的GPS信息Gj和邻居节点j的上次的hello时间tj;
S14,如果不是第一次收到邻居节点j的hello数据包,更新该针对邻居节点j的学习表Qji的内的邻居节点j的GPS信息Gj和作为时间信息的邻居节点j的上次的hello时间tj;
S15,根据设定的公式计算概率后判断是否应当进行广播转发;这里计算的是节点i转发其邻居节点j广播数据包的概率,之后是依概率转发。例如,若概率Pji=1,代表一定转发;概率Pji=0.5代表转发概率为50%。
S16,应当进行广播转发其邻居节点的广播数据包时,使用智能学习算法计算转发广播可能发生的碰撞;
S17,更新针对邻居节点j的学习表Qji;这里的更新是假设邻居节点j发起了一次广播,节点i决策转发,并评价这次虚拟转发行为的回报,用于更新针对邻居节点j的学习表Qji。
S18,不应当进行广播转发时,使用智能学习算法计算不转发广播可能造成的损失;
S19,更新针对邻居节点j的学习表Qji。这里的更新是假设邻居节点j发起了一次广播,节点i决策不转发,并评价这次虚拟转发行为的回报,用于更新针对邻居节点j的学习表Qji。
所述根据设定的公式计算概率后判断是否应当进行广播转发的方法,包括:
当所述节点i收到了来自其邻居节点j的广播报文时,按照公式(1):
计算得到进行广播转发的概率,以此判断是否应当进行广播转发的方法。该公式(1)的方法采用的是Boltzmann公式:
其中,T为温度参数,取值较高时动作的概率比较接近,取值较低时动作的概率相差较大;邻居节点j的学习表Qji内的转发Fji和静默Dji初始赋值1,之后根据设定的学习算法进行值的更新;Pji为节点i转发节点j的广播数据包的概率。
所述智能学习算法包括但不限于深度学习、强化学习或者深度强化学习这样的智能学习算法,包括:
假设邻居节点j发起了一次广播,其自己要决策转发还是静默,并评价这次虚拟行为的回报。计算这次虚拟行为的回报如公式(2)所示:
其中,ac表示虚拟行为,该虚拟行为是转发或静默,r(ac)表示该虚拟行为产生的回报。Ni_ch表示节点i的其余邻居节点中与该邻居节点j的距离小于等于一跳通信距离的所有邻居节点的集合。Ni_nh表示节点i的其余邻居节点中与该邻居节点j的距离大于一跳通信距离的所有节点的集合。δab表示节点a与节点b的通信可达关系δab=0表示节点a与节点b不可达,δab=1表示节点a与节点b可达。
更新针对邻居节点j的学习表Qji的方法为如公式(3)所示的Bellman方程:
其中,转发Fji和静默Dji为Q值表Qji中的两个参数。γ∈[0,1]是预期获得收益值,γ值越小表示越在意短期收益,γ值越大表示越在意长期收益。
本发明通过在传统的无线网络hello数据包交互机制基础上增加一个学习模块,通过无线网络节点之间交互hello数据包,使用智能学习方法对hello数据包中携带的位置信息和时间信息进行学习,对转发广播的可能发生的碰撞,以及不转发广播可能造成的损失进行评估,调整来自不同节点的广播数据包的转发概率。该方法的具体实施是在每个节点中建立与多个邻居节点的学习表。同时,每次收到hello消息的时候都要更新学习表。根据学习表中的信息,使用智能学习算法计算转发广播信息可能发生的碰撞和不转发广播信息产生的损失。本发明对比现有技术的方法在网络寿命不受影响的前提下有着更小的广播代价,更高的传输效率。
以上以用实施例说明的过程对本发明实施例作了描述,本领域的技术人员应当理解,本公开不限于以上描述的实施例,在不偏离本发明实施例的范围的状况下,能够做出每种变动、改变和替换。
Claims (8)
2.根据权利要求1所述的基于智能学习的无线网络广播方法,其特征在于,所述节点i针对邻居节点j的学习表Qji 1行×4列的结构,状态空间只有1个状态,该状态为Sji,Sji表示节点i收到了来自其邻居节点j的广播数据包,动作集包含2个行为,该两个行为分别为转发Fji和静默Dji,再附上2个信息,该2个信息分别为邻居节点j的GPS信息Gj和邻居节点j的上次的hello时间tj。
3.根据权利要求1所述的基于智能学习的无线网络广播方法,其特征在于,当所述邻居节点j在一定时间Δ内未更新hello信息后,就认为其已经离开通信范围,就注销邻居节点j的学习表;所述节点i每次收到hello数据包,要进行学习,并更新相应的学习表。
4.根据权利要求3所述的基于智能学习的无线网络广播方法,其特征在于,所述学习的具体步骤如下:
S11,保持监听,直至收到邻居节点j的hello数据包;
S12,判断是否为第一次收到邻居节点j的hello数据包;
S13,如果为第一次收到邻居节点j的hello数据包,建立针对邻居节点j的学习表Qji,为该针对邻居节点j的学习表Qji内的转发Fji和静默Dji赋值1,记录该针对邻居节点j的学习表Qji内的邻居节点j的GPS信息Gj和邻居节点j的上次的hello时间tj;
S14,如果不是第一次收到邻居节点j的hello数据包,更新该针对邻居节点j的学习表Qji的内的邻居节点j的GPS信息Gj和作为时间信息的邻居节点j的上次的hello时间tj;
S15,根据设定的公式计算概率后判断是否应当进行广播转发;
S16,应当进行广播转发时,使用智能学习算法计算转发广播可能发生的碰撞;
S17,更新针对邻居节点j的学习表Qji;
S18,不应当进行广播转发时,使用智能学习算法计算不转发广播可能造成的损失;
S19,更新针对邻居节点j的学习表Qji。
6.根据权利要求4所述的基于智能学习的无线网络广播方法,其特征在于,所述智能学习算法包括深度学习、强化学习或者深度强化学习这样的智能学习算法。
7.根据权利要求4所述的基于智能学习的无线网络广播方法,其特征在于,所述转发Fji表示:收到其邻居节点j的广播数据包,所述节点i就对该广播数据包进行广播转发;所述静默Dji表示:节点i收到其邻居节点j的广播数据包,节点i对该广播数据包不进行广播转发。
8.根据权利要求4所述的基于智能学习的无线网络广播方法,其特征在于,所述邻居节点j包括有GPS模块,每个邻居节点j定期在一跳范围内周期发送hello数据包。邻居节点j的hello数据包里面有邻居节点j的GPS信息和邻居节点j的上次的hello时间tj。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011314473.0A CN112423242A (zh) | 2020-11-21 | 2020-11-21 | 一种基于智能学习的无线网络广播方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011314473.0A CN112423242A (zh) | 2020-11-21 | 2020-11-21 | 一种基于智能学习的无线网络广播方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112423242A true CN112423242A (zh) | 2021-02-26 |
Family
ID=74777246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011314473.0A Pending CN112423242A (zh) | 2020-11-21 | 2020-11-21 | 一种基于智能学习的无线网络广播方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112423242A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1524800A2 (en) * | 2003-10-13 | 2005-04-20 | Samsung Electronics Co., Ltd. | A method for processing broadcast data in a mobile ad-hoc network |
CN101184037A (zh) * | 2007-10-31 | 2008-05-21 | 北京航空航天大学 | 基于概率有效广播系数的洪泛方法 |
CN102300160A (zh) * | 2011-08-22 | 2011-12-28 | 哈尔滨工业大学 | 车载无线自组网的n次幂广播方法 |
CN105704678A (zh) * | 2016-01-20 | 2016-06-22 | 浙江工商大学 | 移动自组织网络中基于邻居成功广播率的广播方法 |
-
2020
- 2020-11-21 CN CN202011314473.0A patent/CN112423242A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1524800A2 (en) * | 2003-10-13 | 2005-04-20 | Samsung Electronics Co., Ltd. | A method for processing broadcast data in a mobile ad-hoc network |
CN101184037A (zh) * | 2007-10-31 | 2008-05-21 | 北京航空航天大学 | 基于概率有效广播系数的洪泛方法 |
CN102300160A (zh) * | 2011-08-22 | 2011-12-28 | 哈尔滨工业大学 | 车载无线自组网的n次幂广播方法 |
CN105704678A (zh) * | 2016-01-20 | 2016-06-22 | 浙江工商大学 | 移动自组织网络中基于邻居成功广播率的广播方法 |
Non-Patent Citations (1)
Title |
---|
ZHANG,XINMING等: "A Neighbor Coverage-Based Probabilistic Rebroadcast for Reducing Routing Overhead in Mobile Ad Hoc Networks", 《IEEE TRANSACTIONS ON MOBILE COMPUTING》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7916666B2 (en) | Reliable broadcast protocol and apparatus for sensor networks | |
CN100442786C (zh) | 基于树形结构的路由方法 | |
Sengul et al. | Bypass routing: An on-demand local recovery protocol for ad hoc networks | |
US11290942B2 (en) | System and method for independent dominating set (IDS) based routing in mobile AD hoc networks (MANET) | |
Sheng et al. | Relative degree adaptive flooding broadcast algorithm for ad hoc networks | |
Feng et al. | Stateless multicast protocol for ad hoc networks | |
CN113490251B (zh) | 基于泛洪约束和多度量函数的移动自组网路由构建方法 | |
CN101562780B (zh) | 基于mcds近似算法的最小化资源消耗的组播路由方法 | |
Kumar et al. | Enhanced mobility based content centric routing in rpl for low power lossy networks in internet of vehicles | |
CN109874162B (zh) | 高空高速移动节点自组网的混合式路由协议设计优化方法 | |
CN113727415A (zh) | 动态感知的无人机自组网改进aodv路由协议的方法 | |
CN110233889B (zh) | 一种基于缓存机制的网络数据通信实现方法 | |
CN115665860B (zh) | 一种基于候鸟群特性的无人机自组网的资源分配方法 | |
Bai et al. | An optimized method for minimum MPRs selection based on node density | |
CN112423242A (zh) | 一种基于智能学习的无线网络广播方法 | |
US10813033B1 (en) | Partitioned network routing | |
CN111371572A (zh) | 一种网络节点的选举方法及节点设备 | |
Xie et al. | Virtual overhearing: An effective way to increase network coding opportunities in wireless ad-hoc networks | |
Mosko et al. | A self-correcting neighbor protocol for mobile ad-hoc wireless networks | |
CN108770030B (zh) | 一种下一代无线网络的数据通信方法 | |
CN110139304B (zh) | 基于孤立度和非mpr节点的mpr集合选择方法 | |
CN101552732A (zh) | 混合网格路由选择协议 | |
Feng et al. | Performance analysis of IEEE 802.11 s wireless mesh network on RM-AODV path selection protocol | |
CN114071412B (zh) | 无人机自组网中数据包的限制泛洪转发方法 | |
Wang et al. | Improvement and optimization of a mobile multi-agent AODV routing protocol |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |