CN114245318B - 一种基于智能眼镜的区域人员管控方法 - Google Patents

Abstract

本发明公开了一种基于智能眼镜的区域人员管控方法，管控区域内的人员佩戴智能眼镜，每个智能眼镜内加载多优先级自适应退避算法，智能眼镜在执行任务过程中检测到重点人员，并把检测到的数据附上位置参数以广播的形式共享给同一组网内的其他智能眼镜，其他智能眼镜获取并同步显示重点人员的坐标位置。本发明采用忙闲因子自适应机制和最优竞争窗自适应机制，通过信道忙闲程度自适应调整各优先级的忙闲自适应因子，并依据网络状态信息自适应调整最优竞争窗自适应因子，从而实时动态更新各优先级竞争窗口长度并使其快速收敛到最佳状态，实现多优先级业务区分服务、改善了网络在重负载下的性能且能有效保障高优先级业务低时延、高可靠的服务质量需求。

Description

一种基于智能眼镜的区域人员管控方法

技术领域

本发明属于安全及网络技术领域，特别涉及了一种基于智能眼镜的区域人员管控方法。

背景技术

车牌、人脸等生物识别，是安防的最重要环节，安保人员巡逻执勤时无法凭借个人记忆识别出多个重点人员面貌特征，单兵智能眼镜仅具备单个人员识别出重点人员。在执行任务时，多设备通信时或基于有中心节点的路由网络，或使用去中心化的Ad-Hoc无线移动网络互联。为保证网络的稳定性、实时性，部分单兵设备使用Ad-Hoc网络进行通信。

目前，移动Ad-Hoc网络广泛采用的是二进制指数退避算法。研究表明，该类算法存在无法根据网络负载情况快速选取最佳竞争窗口、在饱和状态时网络性能急剧下降且不能区分服务类别等不足。近年来，许多研究者针对BEB算法的不足，根据网络实际需求提出并设计了多种退避算法。例如，增强型退避算法，能够有效降低重负载下网络中的冲突，并提高短期公平性，但无法区分优先级，且不能根据负载情况将竞争窗口收敛到最佳状态；支持服务质量的自适应竞争窗口退避算法，根据分组碰撞概率估计网络中的不同业务的活跃节点数量并动态调整各优先级竞争窗口，实现了多业务区分，但对于大尺度稀疏分布的智能眼镜区域组网，活跃节点数量难以准确估计；区分业务优先级的自适应退避算法，通过实时调整节点相邻退避阶段的前后转移概率，为多种优先级业务提供区分服务，但其通过载波侦听判定信道忙闲从而决定节点下一阶段退避状态的方法并不准确，无法良好的应用于智能眼镜区域组网。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种基于智能眼镜的区域人员管控方法。

为了实现上述技术目的，本发明的技术方案为：

1、一种基于智能眼镜的区域人员管控方法，管控区域内的人员佩戴智能眼镜，每个智能眼镜内加载有多优先级自适应退避算法，智能眼镜在执行任务过程中检测到重点人员，并把检测到的数据附上位置参数以广播的形式共享给同一组网内的其他智能眼镜，其他智能眼镜获取并同步显示重点人员的坐标位置；

所述多优先级自适应退避算法包括以下步骤：

(1)建立退避过程三维马尔可夫链模型，计算单个节点的分组接入速率；

(2)根据单个节点的分组接入速率求解各业务的优先级接入门限；

(3)根据优先级接入门限计算系统吞吐量；

(4)计算各优先级分组的平均MAC时延；

(5)根据各优先级分组的平均MAC时延求解使系统吞吐量达到最优的优先级接入门限，根据最优的优先级接入门限计算最优竞争窗自适应因子，并通过自适应调整最优竞争窗自适应因子使系统吞吐量达到最优。

进一步地，步骤(1)的过程如下：

建立退避过程三维马尔可夫链模型：

令g_r(t)表示优先级r的分组在t时刻的忙闲自适应因子，s_r(t)表示优先级r的分组在t时刻所处的退避阶段，b_r(t)表示优先级r的分组在t时刻退避计数器的值，则三维随机过程(g_r(t),s_r(t),b_r(t))构成离散三维马尔可夫链，其各状态稳态概率：

其中，P^r{}表示求取概率，i，j，k分别为g_r(t)，s_r(t)，b_r(t)的取值，优先级r∈{1,2,3,...,R}，R为优先级级数；

令λ_r表示单个节点中优先级r的分组到达率，σ表示单位时隙长度，则在σ内，单个节点有优先级r分组进入相应队列的概率：

由于采用优先抢占式的信道接入策略，节点发送端服务器每次仅能服务一个分组，得分组在任一时隙σ能接入信道的概率：

其中，τ^r表示优先级r分组经退避和信道忙闲判定后允许接入的概率；

单个节点的分组接入速率：

进一步地，步骤(2)的过程如下：

设接入网络中的分组在间隔时间上服从参数为λ_pre＝Nλ_in/M的负指数分布，则分组成功接收概率：

其中，N为节点数量，M为信道数量，T_send为信道传输时延；

根据纠错编码机制原理，得分组成功传输概率：

其中，N_b为分组拆分后的突发包个数，M_b为恢复原分组所需最少突发个数；

对优先级r∈{2,3,…,R}业务设置接入门限，设接入网络的优先级1,2,…,R的业务比例为k₁,k₂,..,k_R，设优先级r业务的接入门限为A_th ^r，其含义为其业务恰好无法接入信道时，网络中所对应的最大负载G_max：

通过上式求解所有A_th ^r的值，即各优先级接入门限值。

进一步地，步骤(3)的过程如下：

定义S表示系统吞吐量，表示单位时间内信道实际传输成功的所有优先级分组比特数之和：

S＝λ_inNL_pacP_b

其中，L_pac为数据分组的比特长度。

进一步地，步骤(4)的过程如下：

计算优先级r分组的平均MAC时延：

E[D_r]＝E[T_r]σ

E[D_r]为优先级r的分组成功传输所需的平均时隙数：

其中，p_r表示优先级r的分组到达缓冲区队首时经信道忙闲判定后不能接入的概率，m为最大退避次数。

进一步地，步骤(5)的过程如下：

使系统吞吐量达到最优的优先级接入门限：

根据上述得到最优竞争窗自适应因子：

其中，

上式中，

采用上述技术方案带来的有益效果：

本发明将多个智能眼镜通过自组网络去中心化的方式进行数据共享，并根据信道忙闲程度和网络状态参数自适应实时更新各优先级竞争窗口长度，从而使每次退避的竞争窗口可快速收敛到最佳状态，实现了多业务区分服务，得到了最优的系统性能。具体地：

1)本发明能根据信道忙闲程度和网络状态参数自适应调整各优先级竞争窗口长度，从而可将竞争窗口收敛到最佳状态，为不同优先级业务提供了不同的服务质量保障能力，得到了最优的系统性能；

2)通过仿真实验验证了本发明所建模型准确有效，与Q-ABACW和PAB算法相比，本发明在吞吐量性能上具有明显的优势。

附图说明

图1是本发明中智能眼镜区域组网示意图；

图2是本发明中多优先级自适应退避算法示意图；

图3是本发明中优先级r分组退避状态的三维马尔可夫链模型示意图；

图4是本发明中最优竞争窗自适应因子与信道负载、信道数目的关系图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本发明设计了一种基于智能眼镜的区域人员管控方法，管控区域内的人员佩戴智能眼镜，每个智能眼镜内加载有多优先级自适应退避算法，智能眼镜在执行任务过程中检测到重点人员，并把检测到的数据附上位置参数以广播的形式共享给同一组网内的其他智能眼镜，其他智能眼镜获取并同步显示重点人员的坐标位置，如图1所示。

所述多优先级自适应退避算法如图2所示，步骤如下：

步骤一，建立退避过程三维马尔可夫链模型，令p_r表示优先级r的分组到达缓冲区队首时经信道忙闲判定后不能接入的概率，m表示最大退避次数。令g_r(t)表示优先级r的分组在t时刻的忙闲自适应因子，s_r(t)表示优先级r的分组在t时刻所处的退避阶段，b_r(t)表示优先级r的分组在t时刻退避计数器的值，则三维随机过程(g_r(t),s_r(t),b_r(t))构成如图2所示的离散三维马尔可夫链，其各状态稳态概率为

引入状态(0,-1,0)表示发送缓冲区队首恰好为空的概率(即前一分组服务完成时，后一分组还未进入队首的瞬时状态)，由图3可得，节点退避状态的一步转移概率可表示为

P^r{0,-1,0|i,j,0}＝1-p_r

i∈[1,l_r]；j∈[0,m]   (4)

P^r{0,-1,0|i,m,0}＝1

i∈[1,l_r]   (5)

式中：为将i作为竞争窗口调整参数，构造优先级r分组在第j个退避阶段的竞争窗口表达式为；p为到达缓冲区队首时经信道忙闲判定后不能接入概率的分组集；q_r为单个节点有优先级r分组进入相应队列的概率。

式(1)表示发送缓冲区队首分组经信道忙闲判定后首次执行退避的概率；式(2)表示状态转移图中同一行向左转移的概率；式(3)表示状态转移图中分组经信道忙闲判定后无法接入信道并重新确定忙闲自适应因子并进入下一退避阶段的概率；式(4)表示分组经信道忙闲判定后允许接入信道并回到初始状态的概率；式(5)表示分组经m次退避后仍不能接入信道，节点将分组丢弃并回到初始状态的概率。

又由图3可得

结合式(6)及图3推导可得

令λ_r表示单个节点中优先级r的分组到达率，σ表示单位时隙长度，则在σ内，单个节点有优先级r分组进入相应队列的概率q_r为

根据三维Markov链的归一化条件，一个节点所有状态概率应满足

联立式(1)～式(9)可求解的表达式。

根据式(6)～式(9)可求解图3中每个状态的取值。

定义τ^r表示优先级r分组经退避和信道忙闲判定后允许接入的概率，即

  

由于采用优先抢占式的信道接入策略，节点发送端服务器每次仅能服务一个分组，因此可得分组在任一时隙σ能接入信道的概率为

则单个节点的分组接入速率λ_in为

步骤二，各优先级接入门限求解，由于接入网络的分组会在时域、频域发生碰撞。因此，分组成功接收需保证在同一条信道上，当前分组与其前后一个分组的发送间隔时间同时大于其信道传输时延T_send。对于单个信道，假设接入网络中的分组在间隔时间上服从参数为λ_pre＝Nλ_in/M(N为节点数量，M为信道数量)的负指数分布。定义P_b表示分组成功接收概率，则

令N_b为分组拆分后的突发包个数，M_b为恢复原分组所需最少突发个数。根据纠错编码机制原理，可得分组成功传输概率p_pac为

假设最高优先级业务所要求的最低传输成功概率为99％，则令P_pac＝99％，联立式(13)～式(14)可得当前网络所对应的信道负载为G。

为了保障最高优先级业务的时效性与可靠性需求，需对优先级r∈{2,3,…,R}业务设置接入门限。设接入网络的优先级1,2,…,R业务比例为k₁:k₂:…:k_R。设优先级r业务的接入门限为A_th ^r，其含义为其业务恰好无法接入信道时，网络中所对应的负载。A_th ^r需满足

通过式(15)可以求解所有A_th ^r的值，即各优先级业务的接入门限值；G_max为信道最大负载。

根据接入门限A_th ^r可求解P_r，即

步骤三，计算系统吞吐量，定义S表示系统吞吐量，表示单位时间内信道实际传输成功的所有优先级分组比特数之和，即

S＝λ_inNL_pacP_b   (17)

式中：L_pac为数据分组的比特长度。

步骤四，计算平均MAC时延，令E[D_r]表示优先级r分组的平均MAC时延，即分组到其相应优先级队首至该分组接入信道前所需时间的平均值，表示为

E[D_r]＝E[T_r]σ   (18)

式中：E[D_r]为优先级r的分组成功传输所需的平均时隙数，可表示为

步骤五，最优竞争窗自适应因子求解，为提高接入方案的吞吐量性能，通过式(19)求解可使S达到最优的λ_in，并通过λ_in求解最优竞争窗自适应因子β_CWI的值，从而通过自适应调整β_CWI，使S达到最优。

式(19)可表示为

通过求吞吐量S关于λ_in的偏导数，令易知式(20)存在唯一极大值点可使S达到最大。解得该极大值为

联立式(12)和式(21)，可得

整理式(22)可得

式中：

将式(24)进行整理，并对其取以e为底的对数可得

由于q_r,p_r∈(0,1)，忽略和的影响，并近似认为(l_r-1)/l_r≈1，可推导出

因此有成立，并将近似结果代入式(30)，最终可得

由式(23)和式(27)可知，最优竞争窗自适应因子β_CWI与信道负载(网络中所有节点分组接入速率之和)G_tra、信道数目M直接相关。由图4可知，相同信道数目下的β_CWI与信道负载呈正比关系；信道负载相同的情况下β_CWI与信道数目呈反比关系。故得到基于Ad-Hoc无线移动网络互联的多优先级自适应退避算法，实现了智能眼镜区域组网。并实时动态更新各优先级竞争窗口长度并使其快速收敛到最佳状态，实现了多优先级业务区分服务、改善了网络在重负载下的性能且能有效保障高优先级业务低时延、高可靠的服务质量需求。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种基于智能眼镜的区域人员管控方法，其特征在于：管控区域内的人员佩戴智能眼镜，每个智能眼镜内加载有多优先级自适应退避算法，智能眼镜在执行任务过程中检测到重点人员，并把检测到的数据附上位置参数以广播的形式共享给同一组网内的其他智能眼镜，其他智能眼镜获取并同步显示重点人员的坐标位置；所述多优先级自适应退避算法包括以下步骤：

(1)建立退避过程三维马尔可夫链模型，计算单个节点的分组接入速率；

(2)根据单个节点的分组接入速率求解各业务的优先级接入门限；

(3)根据优先级接入门限计算系统吞吐量；

(4)计算各优先级分组的平均MAC时延；

(5)根据各优先级分组的平均MAC时延求解使系统吞吐量达到最优的优先级接入门限，根据最优的优先级接入门限计算最优竞争窗自适应因子，并通过自适应调整最优竞争窗自适应因子使系统吞吐量达到最优；

步骤(1)的过程如下：

建立退避过程三维马尔可夫链模型：

令g_r(t)表示优先级r的分组在t时刻的忙闲自适应因子，s_r(t)表示优先级r的分组在t时刻所处的退避阶段，b_r(t)表示优先级r的分组在t时刻退避计数器的值，则三维随机过程(g_r(t),s_r(t),b_r(t))构成离散三维马尔可夫链，其各状态稳态概率：

其中，P^r{}表示求取概率，i，j，k分别为g_r(t)，s_r(t)，b_r(t)的取值，优先级r∈{1,2,3,...,R}，R为优先级级数；

令λ_r表示单个节点中优先级r的分组到达率，σ表示单位时隙长度，则在σ内，单个节点有优先级r分组进入相应队列的概率：

由于采用优先抢占式的信道接入策略，节点发送端服务器每次仅能服务一个分组，得分组在任一时隙σ能接入信道的概率：

其中，τ^r表示优先级r分组经退避和信道忙闲判定后允许接入的概率；

单个节点的分组接入速率：

2.根据权利要求1所述基于智能眼镜的区域人员管控方法，其特征在于，步骤(2)的过程如下：

设接入网络中的分组在间隔时间上服从参数为λ_pre＝Nλ_in/M的负指数分布，则分组成功接收概率：

其中，N为节点数量，M为信道数量，T_send为信道传输时延；

根据纠错编码机制原理，得分组成功传输概率：

其中，N_b为分组拆分后的突发包个数，M_b为恢复原分组所需最少突发个数；

对优先级r∈{2,3,…,R}业务设置接入门限，设接入网络的优先级1,2,…,R的业务比例为k₁,k₂,..,k_R，设优先级r业务的接入门限为A_th ^r，其含义为业务恰好无法接入信道时，网络中所对应的最大负载G_max：

通过上式求解所有A_th ^r的值，即各优先级接入门限值。

3.根据权利要求2所述基于智能眼镜的区域人员管控方法，其特征在于，步骤(3)的过程如下：

定义S表示系统吞吐量，表示单位时间内信道实际传输成功的所有优先级分组比特数之和：

S＝λ_inNL_pacP_b

其中，L_pac为数据分组的比特长度。

4.根据权利要求3所述基于智能眼镜的区域人员管控方法，其特征在于，步骤(4)的过程如下：

计算优先级r分组的平均MAC时延：

E[D_r]＝E[T_r]σ

E[D_r]为优先级r的分组成功传输所需的平均时隙数：

其中，P_r表示优先级r的分组到达缓冲区队首时经信道忙闲判定后不能接入的概率，m为最大退避次数。

5.根据权利要求4所述基于智能眼镜的区域人员管控方法，其特征在于，步骤(5)的过程如下：

使系统吞吐量达到最优的优先级接入门限：

根据上述得到最优竞争窗自适应因子：

其中，

上式中，

Images