CN113490234B - 窄带物联网无线链路协议子层am实体数据传输优化方法 - Google Patents

窄带物联网无线链路协议子层am实体数据传输优化方法 Download PDF

Info

Publication number
CN113490234B
CN113490234B CN202110629766.6A CN202110629766A CN113490234B CN 113490234 B CN113490234 B CN 113490234B CN 202110629766 A CN202110629766 A CN 202110629766A CN 113490234 B CN113490234 B CN 113490234B
Authority
CN
China
Prior art keywords
rlc
data transmission
data
entity
network
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
CN202110629766.6A
Other languages
English (en)
Other versions
CN113490234A (zh
Inventor
周晓明
周陈虹
王薇
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.)
Suzhou Beelinker Technology Co ltd
Original Assignee
Suzhou Beelinker Technology Co ltd
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 Suzhou Beelinker Technology Co ltd filed Critical Suzhou Beelinker Technology Co ltd
Priority to CN202110629766.6A priority Critical patent/CN113490234B/zh
Publication of CN113490234A publication Critical patent/CN113490234A/zh
Application granted granted Critical
Publication of CN113490234B publication Critical patent/CN113490234B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
    • H04W28/065—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information using assembly or disassembly of packets
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/18—Negotiating wireless communication parameters
    • H04W28/22—Negotiating communication rate
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种窄带物联网无线链路协议子层AM实体数据传输优化方法，包括如下步骤：设计AM实体的数据传输速率，并统计记录数据传输过程中的网络状况、RLC参数配置和网络性能；将数据进行预处理形成数据集；将数据集用于五元二次多项式回归算法训练，拟合出RLC数据传输模型；将RLC数据传输模型的模型函数配置于遗传算法的适应度函数中，并利用配置好的遗传算法根据网络状况计算出RLC参数最优解；将获取的RLC参数最优解配置于RLC协议中，通过调整RLC发送、接收实体中的参数值，优化RLC数据传输过程。本发明使数据传输过程适应网络环境的变化，能有效降低RLC SDU处理时延、提高吞吐率，解决了网络拥塞时RLC数据传输过程中时延高、吞吐率低的问题。

Description

窄带物联网无线链路协议子层AM实体数据传输优化方法
技术领域
本发明涉及计算机和通信领域，具体涉及一种基于机器学习算法和遗传算法的窄带物联网无线链路协议子层AM实体数据传输优化方法。
背景技术
NB-IoT技术是由第三代合作伙伴计划组织(3rd Generation PartnershipProject，3GPP)在2016年制定的物联网技术标准，该网络技术基于蜂窝网络并具有低功耗、强覆盖和多连接等网络特点。NB-IoT技术被广泛应用于大规模的低功耗抄表、监测、智慧路灯等业务中。虽然物联网的大连接特性能满足更多应用需求，但是也容易出现网络过载、终端接入失败的问题，以及网络拥塞和时延较高的问题。因此，如何改善网络拥塞、提升网络性能成为了国内外研究的热点。
针对网络拥塞问题提出的优化算法已较为成熟，按其实现的角度分为链路算法和源算法两大类。链路算法根据缓存队列的状态更新拥塞度量信息，然后及时丢弃数据包或将拥塞信息反馈给数据源端。基于随机早期检测技术(Random Early Detection，RED)的主动队列管理算法是一种链路算法，根据接收队列的平均长度选择提前丢弃数据包。主动队列管理算法能够在出现大量突发数据的网络拥塞时，避免更多的数据包被丢弃。保持较小的队列长度，能够减少数据包的排队延迟，降低网络时延。但是NB-IoT网络为无线网络，且NB-IoT网络拥塞主要出现在终端上报业务中，因此不适合使用链路算法进行拥塞控制优化。
源算法通过终端主动调整注入网络的数据量来避免网络拥塞。针对无线网络设计的TCP-Westwood(TCPW)算法是一种源算法，利用自适应滤波带宽预测(AdaptiveBandwidth Share Estimation，ABSE)算法，并基于往返时间(Round Trip Time，RTT)，可以在丢包情况下控制发送滑动窗的大小以避免拥塞。该算法可以依据网络条件合理利用带宽资源，有效提高网络吞吐率。但是，端到端拥塞控制机制的效率不高，且存在终端资源消耗的问题。NB-IoT属于低功耗的物联网协议，其终端设备受成本约束，在运算能力、存储空间等方面存在限制，因此不适合使用TCP拥塞控制算法进行优化。
发明内容
发明目的：为了克服现有技术中存在的不足，提供一种基于机器学习算法和遗传算法的窄带物联网无线链路协议子层AM实体数据传输优化方法，其将优化算法实现在网络侧，避免了终端资源消耗。通过多项式回归算法拟合RLC数据传输模型，并利用遗传算法计算当前网络状况下的最优RLC参数。将该最优解配置于RLC协议栈中，使NB-IoT协议的数据传输过程适应网络环境的变化，从而解决了NB-IoT网络中大量终端进行数据传输带来的网络拥塞问题。
技术方案：为实现上述目的，本发明提供一种窄带物联网无线链路协议子层AM实体数据传输优化方法，包括如下步骤：
S1：设计AM实体的数据传输速率，并统计记录数据传输过程中的网络状况、RLC参数配置和网络性能；
S2：将步骤S1统计的数据进行预处理形成数据集；
S3：将数据集用于五元二次多项式回归算法训练，拟合出RLC数据传输模型；
S4：将RLC数据传输模型的模型函数配置于遗传算法的适应度函数中，并利用配置好的遗传算法根据网络状况计算出RLC参数最优解；
S5：将获取的RLC参数最优解配置于RLC协议中，通过调整RLC发送、接收实体中的参数值，优化RLC数据传输过程。
进一步地，所述步骤S1中数据传输速率为RLC发送实体中将生成的RLC PDU交付给MAC层的速率，通过设计发送延时定时器来控制数据传输速率。
进一步地，所述步骤S1中网络状况由软件模拟获取，具体为：设计由MATLAB作为RLC发送实体与RLC接收实体中间的传输信道，在传输信道中设计包括随机丢包率以及多个数据流来模拟多终端并发进行业务数据传输，当数据流个数为n时，RLC接收实体将同时接收并处理n个终端的数据包。
进一步地，所述步骤S1中网络性能由RLC SDU处理时延表征。RLC SDU处理时延为RLC接收实体按序递交一个RLC SDU所需的平均时间。
进一步地，所述步骤S2中数据集由数据流到达率rate、延时定时器值ttrans、轮询定时器值tpoll、重排序定时器值treorder、状态禁止定时器值tstatus、RLC SDU平均时延构成，将数据集按7：3的比例拆分为训练集和测试集，采用最值标准化方法将训练集和测试集中的数据映射到[0,1]区间。
进一步地，所述步骤S3中数据集用于五元二次多项式回归算法训练，其中，回归方程的应变量为RLC SDU时延，自变量为数据流到达率、数据发送速率、轮询定时器值、重排序定时器值和状态禁止定时器值。采用梯度下降法求解五元二次多项式中的21个常系数。
进一步地，所述步骤S3中RLC数据传输模型的拟合方法为：由五元二次多项式回归模型模拟NB-IoT协议的RLC数据传输模型，通过确定方程各系数值，将网络性能和网络状况、RLC协议参数之间的关系表示为数学表达式。
进一步地，所述步骤S4具体为：将RLC数据传输方程配置为遗传算法的目标函数，在指定数据流到达率数值的条件下，利用遗传算法求解此时使RLC SDU时延最小的RLC参数最优解。
遗传算法中的数据流到达率范围为n/12(n＝1,2,…,12)，其余定时器值范围为[0,1]。遗传算法的适应度函数为目标函数的倒数，待求解个体为使RLC SDU时延最小的元素组成。遗传算法采用的选择操作算子为轮盘赌选择法，交叉操作算子公式为变异操作算子公式为
遗传算法在执行时，固定个体中元素数据流到达率的数值后求解使RLC SDU最小的其余元素值。当前模拟网络中的终端个数为n时，将元素数据流到达率设为n/12，求解此时的函数最优解。
进一步地，所述步骤S5具体为：由RLC接收实体配置重排序定时器值和状态禁止定时器值，通过状态报告机制反馈参数配置包，由发送实体配置数据发送速率、轮询定时器值，完成基于机器学习算法对RLC数据传输过程的优化。
在NB-IoT协议的MAC子层运用机器学习算法，能有效降低信令重传次数和增大信号覆盖面。通过NS2网络模拟软件搭建无线网与有线网结合的拓扑结构，验证发现使用神经网络调节的队列长度与传统算法相比波动范围较小。因此，利用机器学习算法调节参数能有效提升系统性能，也能够应对突发数据流、提高对动态网络环境的适应性。
有益效果：本发明与现有技术相比，将NB-IoT协议栈的RLC子层参数配置为求得的最优解，使数据传输过程适应网络环境的变化；通过将多项式回归算法与遗传算法结合进行计算，将RLC参数配置为适合当前网络的参数最优解，能有效降低RLC SDU处理时延、提高吞吐率，解决了网络拥塞时RLC数据传输过程中时延高、吞吐率低的问题。
附图说明
图1为终端与EUTRAN的并行执行流程图；
图2为RLC发送实体改进发送流程图；
图3为RLC接收实体改进状态报告流程图；
图4为最优参数配置包格式示意图；
图5为RLC发送实体配置最优参数的流程图；
图6为实施例中RLC层五元二次多项式函数表达式；
图7为网络侧和终端之间的数据传输示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种窄带物联网无线链路协议子层AM实体数据传输优化方法，参照图7，其包括如下步骤：
S1：设计AM实体的数据传输速率，并统计记录数据传输过程中的网络状况、RLC参数配置和网络性能；
S2：将步骤S1统计的数据进行预处理形成数据集；
S3：将数据集用于五元二次多项式回归算法训练，拟合出RLC数据传输模型；
S4：将RLC数据传输模型的模型函数配置于遗传算法的适应度函数中，并利用配置好的遗传算法根据网络状况计算出RLC参数最优解；
S5：将获取的RLC参数最优解配置于RLC协议中，通过调整RLC发送、接收实体中的参数值，优化RLC数据传输过程。如图1所示为终端(RLC发送实体)与网络侧(RLC接收实体)的并行执行流程图
步骤S1中数据传输速率为RLC发送实体中将生成的RLC PDU交付给MAC层的速率，参照图2，通过设计发送延时定时器来控制数据传输速率，若该延时定时器超时，则将RLCPDU交给MAC层并重启延时定时器，否则等待。
步骤S1中网络状况由软件模拟获取，具体为：设计由MATLAB作为RLC发送实体与RLC接收实体中间的传输信道，在传输信道中设计包括随机丢包率以及多个数据流来模拟多终端并发进行业务数据传输，当数据流个数为n时，RLC接收实体将同时接收并处理n个终端的数据包。
步骤S1中网络性能由RLC SDU处理时延表征。RLC SDU处理时延为RLC接收实体按序递交一个RLC SDU所需的平均时间。
步骤S2中数据集由数据流到达率rate、延时定时器值ttrans、轮询定时器值tpoll、重排序定时器值treorder、状态禁止定时器值tstatus、RLC SDU平均时延构成，将数据集按7：3的比例拆分为训练集和测试集，采用最值标准化方法将训练集和测试集中的数据映射到[0,1]区间。
步骤S3中数据集用于五元二次多项式回归算法训练，其中，回归方程的应变量为RLC SDU时延，自变量为数据流到达率、数据发送速率、轮询定时器值、重排序定时器值和状态禁止定时器值。采用梯度下降法求解五元二次多项式中的21个常系数。
步骤S3中RLC数据传输模型的拟合方法为：由五元二次多项式回归模型模拟NB-IoT协议的RLC数据传输模型，通过确定方程各系数值，将网络性能和网络状况、RLC协议参数之间的关系表示为数学表达式。
方程具体为：dealy＝k1+k2rate+k3tpoll+k4ttrans+k5treorder+k6tstatus+rate(k7rate+k8tpoll+k9ttrans+k10treorder+k11tstatus)+tpoll(k12tpoll+k13ttrans+k14treorder+k15tstatus)+ttrans(k16ttrans+k17treorder+k18tstatus)+treorder(k19treorder+k20tstatus)+k21tstatus 2。
步骤S4具体为：将RLC数据传输方程配置为遗传算法的目标函数，在指定数据流到达率数值的条件下，利用遗传算法求解此时使RLC SDU时延最小的RLC参数最优解。
遗传算法中的数据流到达率范围为n/12(n＝1,2,…,12)，其余定时器值范围为[0,1]。遗传算法的适应度函数为目标函数的倒数，待求解个体为使RLC SDU时延最小的元素组成。遗传算法采用的选择操作算子为轮盘赌选择法，交叉操作算子公式为变异操作算子公式为
遗传算法在执行时，固定个体中元素数据流到达率的数值后求解使RLC SDU最小的其余元素值。当前模拟网络中的终端个数为n时，将元素数据流到达率设为n/12，求解此时的函数最优解。
调整RLC实体参数值由RLC接收实体实现，即网络侧EUTRAN。如图3所示为接收实体配置由遗传算法计算得到的最优解的流程。当接收实体得到根据当前网络数据流到达率计算出的最优RLC参数值后，将参数配置包触发标志置1，触发RLC接收实体在生成状态报告的流程中生成最优参数配置包，然后反馈给RLC发送实体。
RLC最优参数配置包的格式如图4所示。该格式仿照状态报告的格式进行设计，将CPT域为111标记为最优RLC参数配置包。para_poll为轮询定时器值，预留18比特，能够表示0至262144之间的数值，满足NB-IoT中对轮询定时器值在250ms至180000ms之间的规定。para_TX_delay为延时定时器值，预留8比特，能够表示0至1023之间的数值。
RLC发送实体对最优参数的配置流程如图5所示。RLC发送实体通过D/C域判断是否为RLC控制包，通过CPT域判断是否为RLC最优参数配置包。
步骤S5具体为：由RLC接收实体配置重排序定时器值和状态禁止定时器值，通过状态报告机制反馈参数配置包，由发送实体配置数据发送速率、轮询定时器值，完成基于机器学习算法对RLC数据传输过程的优化。
本发明还提供一种窄带物联网无线链路协议子层AM实体数据传输优化系统，该系统包括网络接口、存储器和处理器；其中，网络接口，用于在与其他外部网元之间进行收发信息过程中，实现信号的接收和发送；存储器，用于存储能够在所述处理器上运行的计算机程序指令；处理器，用于在运行计算机程序指令时，执行上述共识方法的步骤。
本发明还提供一种计算机存储介质，该计算机存储介质存储有计算机程序，在处理器执行所述计算机程序时可实现以上所描述的方法。所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/输出系统(BIOS)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作系统、用户应用程序、后台服务、后台应用程序等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
基于上述方案，为了验证本发明方法的效果，本实施例将上述方案进行实例应用，具体的过程如下：
步骤一、数据统计。
本实施例中数据流到达率rate分别取1、2、3、4、5、6、7、8、9、10、11、12，轮询定时器值tpoll分别取250ms、1000ms、4000ms、10000ms、25000ms，延时定时器值ttrans分别取0ms、10ms、20ms，重排序定时器值treorder分别取0ms、50ms、100ms、150ms、200ms，状态禁止定时器值tstatus分别取0ms、50ms、100ms、150ms、200ms。在上述参数取值的排列组合下对RLC发送实体与RLC接收实体通信进行测试，记录5400条关于RLC协议参数与RLC SDU平均时延的数据样本，构建用于多项式回归算法的数据集。
步骤二、模型训练。
本实施例中将RLC数据集按7：3的比例拆分为训练集和测试集。为了统一不同量级的特征值对拟合模型系数的影响，需要对数据进行标准化处理。同时，对数据进行标准化能够加快后续梯度算法求解损失函数的速度。通过分别将训练集和测试集中的各项参数数据映射到[0,1]区间。利用五元二次多项式回归算法训练RLC数据传输模型，得到如图6所示的函数表达式。
步骤三、参数求解。
将遗传算法的适应度函数设为步骤二求得的RLC五元二次多项式函数的倒数。将种群大小设为100，停止条件设为达到200次进化代数。交叉概率设为0.6，变异概率设为0.1。将延时定时器值ttrans、轮询定时器值tpoll、重排序定时器值treorder和状态禁止定时器值tstatus的求解范围设为[0,1]，将数据流到达率值设为1代表当前网络中存在12个终端同时与网络侧进行通信，模拟网络拥塞。执行遗传算法，在上述限制条件下求得RLC SDU平均时延的最小值为315.418ms。
步骤四、参数配置。
将RLC SDU设计为30至40字节不等长度的数据包，将RLC PDU的data域长度设为50至60字节之间的随机长度。发送端循环接收设计好的RLC SDU，通过在60s内统计RLC接收实体解析出的RLC SDU个数，计算得到NB-IoT协议的RLC SDU平均传输时延。在随机丢包率设为1％的条件下，由RLC接收实体反馈RLC最优参数配置包并配置重排序定时器值、状态禁止定时器值为遗传算法求得的最优解。数据流到达率为12时，测试得到RLC SDU平均时延为307.692ms，与标准RLC协议相比降低了约32.16％。测得的单数据流吞吐率为6397b/s，提高了约23.23％。
综上所述，本发明提出一种窄带物联网无线链路协议子层AM实体数据传输优化方法，通过将机器学习多项式回归算法与遗传算法结合，能够得到最适应当前网络状况的RLC层参数。本发明设计的优化算法不仅能够降低RLC SDU处理时延，并且能够提高吞吐率。同时，由网络侧实现优化算法、终端配置最优参数，能够减少终端的资源消耗。

Claims (9)

1.窄带物联网无线链路协议子层AM实体数据传输优化方法，其特征在于，包括如下步骤：
S1：设计AM实体的数据传输速率，并统计记录数据传输过程中的网络状况、RLC参数配置和网络性能；
S2：将步骤S1统计的数据进行预处理形成数据集；
S3：将数据集用于五元二次多项式回归算法训练，拟合出RLC数据传输模型；
S4：将RLC数据传输模型的模型函数配置于遗传算法的适应度函数中，并利用配置好的遗传算法根据网络状况计算出RLC参数最优解；
S5：将获取的RLC参数最优解配置于RLC协议中，通过调整RLC发送、接收实体中的参数值，优化RLC数据传输过程。
2.根据权利要求1所述的窄带物联网无线链路协议子层AM实体数据传输优化方法，其特征在于，所述步骤S1中数据传输速率为RLC发送实体中将生成的RLCPDU交付给MAC层的速率，通过设计发送延时定时器来控制数据传输速率。
3.根据权利要求1所述的窄带物联网无线链路协议子层AM实体数据传输优化方法，其特征在于，所述步骤S1中网络状况由软件模拟获取，具体为：设计由MATLAB作为RLC发送实体与RLC接收实体中间的传输信道，在传输信道中设计包括随机丢包率以及多个数据流来模拟多终端并发进行业务数据传输，当数据流个数为n时，RLC接收实体将同时接收并处理n个终端的数据包。
4.根据权利要求1所述的窄带物联网无线链路协议子层AM实体数据传输优化方法，其特征在于，所述步骤S1中网络性能由RLCSDU处理时延表征。
5.根据权利要求1所述的窄带物联网无线链路协议子层AM实体数据传输优化方法，其特征在于，所述步骤S2中数据集由数据流到达率rate、延时定时器值ttrans、轮询定时器值tpoll、重排序定时器值treorder、状态禁止定时器值tstatus、RLCSDU平均时延构成，将数据集按比例拆分为训练集和测试集，采用最值标准化方法将训练集和测试集中的数据映射到[0,1]区间。
6.根据权利要求5所述的窄带物联网无线链路协议子层AM实体数据传输优化方法，其特征在于，所述步骤S3中数据集用于五元二次多项式回归算法训练，其中，回归方程的应变量为RLCSDU时延，自变量为数据流到达率、数据发送速率、轮询定时器值、重排序定时器值和状态禁止定时器值。
7.根据权利要求1所述的窄带物联网无线链路协议子层AM实体数据传输优化方法，其特征在于，所述步骤S3中RLC数据传输模型的拟合方法为：由五元二次多项式回归模型模拟NB-IoT协议的RLC数据传输模型，通过确定方程的各系数值，将网络性能和网络状况、RLC协议参数之间的关系表示为数学表达式。
8.根据权利要求1所述的窄带物联网无线链路协议子层AM实体数据传输优化方法，其特征在于，所述步骤S4具体为：将RLC数据传输方程配置为遗传算法的目标函数，在指定数据流到达率数值的条件下，利用遗传算法求解此时使RLCSDU时延最小的RLC参数最优解。
9.根据权利要求1所述的窄带物联网无线链路协议子层AM实体数据传输优化方法，其特征在于，所述步骤S5具体为：由RLC接收实体配置重排序定时器值和状态禁止定时器值，通过状态报告机制反馈参数配置包，由发送实体配置数据发送速率、轮询定时器值，完成基于机器学习算法对RLC数据传输过程的优化。
CN202110629766.6A 2021-06-07 2021-06-07 窄带物联网无线链路协议子层am实体数据传输优化方法 Active CN113490234B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110629766.6A CN113490234B (zh) 2021-06-07 2021-06-07 窄带物联网无线链路协议子层am实体数据传输优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110629766.6A CN113490234B (zh) 2021-06-07 2021-06-07 窄带物联网无线链路协议子层am实体数据传输优化方法

Publications (2)

Publication Number Publication Date
CN113490234A CN113490234A (zh) 2021-10-08
CN113490234B true CN113490234B (zh) 2023-08-11

Family

ID=77934299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110629766.6A Active CN113490234B (zh) 2021-06-07 2021-06-07 窄带物联网无线链路协议子层am实体数据传输优化方法

Country Status (1)

Country Link
CN (1) CN113490234B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1983698A1 (en) * 2007-04-20 2008-10-22 Matsushita Electric Industrial Co., Ltd. Improved transmission scheme of protocol data units during a procedure that comprises the reset of the protocol layer
WO2017057987A1 (ko) * 2015-10-01 2017-04-06 엘지전자 주식회사 D2d 통신에서의 참조신호 송신 방법 및 단말
CN108650258A (zh) * 2018-05-09 2018-10-12 东南大学 窄带物联网无线链路协议子层am实体数据传输自适应方法
WO2019064204A1 (en) * 2017-09-28 2019-04-04 Telefonaktiebolaget Lm Ericsson (Publ) SHARING AND PRE-PROCESSING UL PDCP
CN112671515A (zh) * 2020-12-09 2021-04-16 中国电子科技集团公司第五十四研究所 一种无线链路控制层有限重传数据传输方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018216871A1 (en) * 2017-05-24 2018-11-29 Lg Electronics Inc. Method and apparatus for transmitting and receiving a wake-up signal in a wireless communication system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1983698A1 (en) * 2007-04-20 2008-10-22 Matsushita Electric Industrial Co., Ltd. Improved transmission scheme of protocol data units during a procedure that comprises the reset of the protocol layer
WO2017057987A1 (ko) * 2015-10-01 2017-04-06 엘지전자 주식회사 D2d 통신에서의 참조신호 송신 방법 및 단말
WO2019064204A1 (en) * 2017-09-28 2019-04-04 Telefonaktiebolaget Lm Ericsson (Publ) SHARING AND PRE-PROCESSING UL PDCP
CN108650258A (zh) * 2018-05-09 2018-10-12 东南大学 窄带物联网无线链路协议子层am实体数据传输自适应方法
CN112671515A (zh) * 2020-12-09 2021-04-16 中国电子科技集团公司第五十四研究所 一种无线链路控制层有限重传数据传输方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Adaptive Status Report with Congestion Control in NB-IoT;Chenhong Zhou, Jiong Zhao, Hao Liu;2019 Sixth International Conference on Internet of Things: Systems, Management and Security (IOTSMS);全文 *

Also Published As

Publication number Publication date
CN113490234A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN110417650B (zh) 多链路数据分配方法、装置及电子设备
KR102478440B1 (ko) 혼잡 제어 방법 및 네트워크 디바이스
CN107431638A (zh) 业务流监视
WO2022121559A1 (zh) 移动通信系统管控方法、网络管控体、系统及存储介质
EP4020892A1 (en) Network parameter configuration method and apparatus
Maity et al. TCP download performance in dense WiFi scenarios: Analysis and solution
WO2016173155A1 (zh) 一种tcp ack报文处理方法及装置
US7339899B2 (en) Method and system for network emulation using packet reorder emulation techniques
US20150131538A1 (en) Adjusting Delaying Of Arrival Of Data At A Base Station
US20220053373A1 (en) Communication apparatus, communication method, and program
CN113490234B (zh) 窄带物联网无线链路协议子层am实体数据传输优化方法
CN105340318B (zh) 传输拥塞的确定方法及装置
US20230379727A1 (en) Supervision of Data in a Wireless Network
EP4037272A1 (en) Data processing method and device
US20150131450A1 (en) Congestion in a wireless network
CN117354252A (zh) 一种数据传输处理方法、装置、存储介质及电子装置
Zhang et al. LearningCC: An online learning approach for congestion control
Vornefeld Analytical performance evaluation of mobile internet access via GPRS networks
KR20220041043A (ko) 네트워크 전송 제어 방법 및 장치
Monhof et al. Payload-size and deadline-aware scheduling for upcoming 5G networks: Experimental validation in high-load scenarios
CN116232442B (zh) 基于tcp/ip协议和ccsds协议的通信方法、装置以及存储介质
Liao et al. STOP: Joint send buffer and transmission control for user-perceived deadline guarantee via curriculum guided-deep reinforcement learning
Pötsch Future Mobile Transport Protocols
Chaponniere et al. Effect of physical layer bandwidth variation on TCP performance in CDMA2000
Prados-Garzon et al. Simulation-based performance study of YouTube service in 3G LTE

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