CN114585022A - 一种区分多业务跨层优化无线网络协议头压缩方法 - Google Patents

Abstract

本发明涉及无线通信技术领域，涉及一种区分多业务跨层优化无线网络协议头压缩方法，包括将压缩器建模为三种状态的有限状态机；将解压器建模为三种状态的有限状态机；将ROHC信道建模成K种状态的马尔可夫信道；基于压缩器、解码器以及信道的建模，将选择下一个需要传输的包报头的类型建模为部分可观测的马尔科夫决策模型，通过求解获取下一个需要传输的包报头的类型；根据不同数据流的业务类型对实时性的要求，对压缩端乐观参数进行区分，调整ROHC压缩端状态；本发明自适应决策ROHC的压缩端状态，不需要引入单独反馈信道就能实现较高的效率和可靠性，对业务进行区分，使实时性业务获取更高的鲁棒性，非实时性业务获取更高的压缩比。

Description

一种区分多业务跨层优化无线网络协议头压缩方法

技术领域

本发明涉及无线通信技术领域，尤其涉及一种区分多业务跨层优化无线网络协议头压缩方法。

背景技术

如今，IP以成为使用最为广泛的网际互连协议，当IP承载段分组时，IP协议头的开销会很大，甚至高于有效负载的占比，这大大降低了通信系统的带宽利用率。同有线通信相比，无线通信的带宽有限，更需要减小通信协议的协议头开销，以增加无线带宽资源的利用率。协议头压缩是减小通信协议开销的主要技术手段。为此，3GPP从第4版开始引入鲁棒协议头压缩(ROHC,Robust Header Compression)方法，以减少无线基站和移动客户端之间的协议封装开销，增加带宽利用率。ROHC是一种适合于无线分组交换链路的协议头压缩算法，通常在发送方/接收方的数据链路层和网络层之间加入的压缩器/解压缩器模块。 ROHCv2扩展了ROHC的功能，可以支持各种协议的压缩如IP、IP/TCP、IP/UDP 等。并拥有良好的压缩比，目前，ROHC用来提高4G、5G、卫星、ad-hoc(军事) 和WAN网络的协议封装效率。

ROHC中有三种工作模式，其中R、O模式是需要在压缩端和解压端建立一个单独的ROHC反馈信道来维持两端的状态同步。U模式则没有这部分的反馈开销，压缩端采用乐观逼近原则和周期性原则来控制状态转换，实现双端状态同步。本发明主要对U模式下的ROHC进行改进。

目前大多数研究都是优化ROCH压缩参数，提高了ROCH的效率，但存在如下不足：1)在对ROHC建模时，较少考虑压缩端降级到IR状态，这不适合具有突发误码的无线通信场景。无线通信的突发误码会导致上下文静态字段失去同步，使得ROHC模型无法正常工作。2)没有考虑到不同业务对服务质量(QoS, Quality of Service)的不同要求。随着新一代移动通信网络(如LTE、5G移动通信)的广泛应用，无线通信网络需要支持越来越广泛的业务类型。为此，4G/5G 移动通信通过QCI(QoS class identifier)属性值来区别不同业务类型，3GPP发布的第8版本的标准一共有9种不同优先级的业务，到第14版本就增加到15种不同优先级的业务。通常，不同业务对实时性、鲁棒性和压缩比应有不同的要求。其中鲁棒性和压缩比是协议头压缩关注的两个重要指标，需要针对不同业务的Qos需求来动态调整ROHC的两端状态，平衡不同业务的实时性、鲁棒性和压缩比。

发明内容

为了解决以上问题，使ROHC可以在在无线环境恶劣的情况下保证较好的压缩比和性能，本发明提出一种区分多业务跨层优化无线网络协议头压缩方法，具体包括以下步骤：

S1、将压缩器建模为三种状态的有限状态机，包括刷新状态、一阶状态和二阶状态；

S2、将解压器建模为三种状态的有限状态机，包括非文本状态、全上下文状态以及中间静态上下文状态；

S3、将ROHC信道建模成K种状态的马尔可夫信道，其中

为信道好的状态，

为信道不好的状态；

S4、基于压缩器、解码器以及信道的建模，将如何选择下一个需要传输的包报头的类型建模为部分可观测的马尔科夫决策模型，通过求解该模型获取下一个需要传输的包报头的类型。

进一步的，压缩器总是在初始化和刷新状态下启动，初始化和刷新状态表示数据包报头未压缩，此时通过数据包建立上下文同步；一阶状态表示数据包的报头被部分压缩，数据包中包括动态域的差分信息，数据包中部分包含静态域的差分信息；二阶状态表示数据包的报头被完全压缩。

进一步的，在解压器中，若处于非文本状态下，解压器需要一个刷新状态的数据包建立上下文同步，完成初始化过程；初始化成功后解压器可以从非文本状态转换到全上下文状态，全上下文状态可以对刷新状态、一阶状态和二阶状态的数据包进行解压，且当全上下文状态重复解压失败的情况下，可以切换为中间静态上下文状态；中间静态上下文状态在成功接收刷新状态或一阶状态的数据包后也可以上移转换为全文本状态，但中间静态上下文状态重复解压失败时也会向下转移至非文本状态。

进一步的，解压器有k1+k2+3个状态包括一个非文本状态、k1+1全上下文状态以及k2+1中间静态上下文状态，解压器处于全上下文状态时连续k1个数据包解压失败情况下，解压器转换为静态上下文状态，该状态只能解压刷新状态、一阶状态的数据包，且当一个一阶状态的数据包或者刷新状态数据包的分组解压成功，则将状态转换为全上下文状态；若在连续k2个数据包解压失败，则将状态转换为非文本状态。

进一步的，根据POMDP求解得到的下一个需要传输的包报头的类型后，再根据数据流的QCI指数对业务进行区分，对不同业务使用不同的U模式ROHC 的乐观参数，再次调整ROHC压缩端状态，即若当前处理的任务为非实时任务时，采用的乐观参数为k1和k2，且部分可观测的马尔科夫决策模型业务当前解压端的状态为s_D∈{FC₀,...,FC_k1}或s_D∈{SC₀,...,SC_k2}，则不调整压缩端状态；若当前处理的任务为实时任务，将k1和k2参数模拟为k1＞＞1和k2＞＞1，若 s_D∈{FC₀，...，FC_k1/2}或s_D∈{SC₀,...,SC_k2/2}则不调整压缩端状态，若s_D∈{FC_k1/2+1,...,FC_k1} 或s_D∈{SC_k2/2+1,...,SC_k2}，则从二阶状态向下转换为一阶状态或者从一阶状态向下转换为刷新状态。

进一步的，部分可观测的马尔科夫决策模型用一个七元组进行表示，表示为(S,A,T,R,Ω,O,γ)，其中S为系统状态集合，某一时刻的系统状态为解压器状态和信道状态的笛卡尔积；A为智能体动作的集合，T为状态之间的条件转移概率集合，R为奖励函数集合，Ω为观测值集合，O为条件观测概率集合，γ为折扣因子集合。

进一步的，当给定动作a时，系统从状态s到状态s′的状态转移矩阵表示为：

T(s,a,s′)＝p(s′_H∣s_H)p(s′_D∣s_D,a,s′_H)；

其中，T(s,a,s′)表示当给定动作a时、系统从状态s到状态s′的状态转移矩阵，其属于状态之间的条件转移概率集合；p(s′_H∣s_H)表示信道从当前s_H状态转移到下一时刻s′_H状态的概率；p(s′_D∣s_D,a,s′_H)表示给定动作a，下一时刻信道状态为s′_H时，解压端的状态转移概率；a属于智能体动作的集合，状态s属于系统状态集合。

进一步的，在执行动作a之后，在状态s′下观测到o的概率表示为：

O(s′,a,o)＝p(o_H∣s′_H)p(o_T∣a,s′_D,s′_H)；

其中，O(s′,a,o)表示在执行动作a之后、在状态s′下观测到o的概率，其属于条件观测概率集合；p(o_H∣s′_H)表示，s′_H表示下一时刻信道状态为s′_H时观测到信道状态o_H的概率；p(o_T∣a,s′_D,s′_H)表示在给定动作a，下一时刻信道状态为s′_H，解压端状态为s′_D时观测到数据包传输状态的概率，，s′_D表示下一时刻的解压端状态的集合；a属于智能体动作的集合，状态s属于系统状态集合，o属于观测值集合，o_H属于观测信道状态的集合，o_T表示观测数据包传输状态的集合。

进一步的，在执行动作a之后，系统从状态s到状态s′的奖励函数表示为：

其中，R(s,a,s′)表示在执行动作a之后、系统从状态s到状态s′的奖励函数，其属于奖励函数集合；s′_D表示下一时刻的解压器状态；L_P表示未压缩前的数据包总长度；L_i表示解压器处于i状态时，压缩包的总长度。

进一步的，利用PBVI算法求解部分可观测的马尔科夫决策模型，即为每个信念求最大化期望回报，优化目标表示为：

其中，

表示信念b(s)的优化目标；a属于智能体动作的集合；ρ(b,a)＝∑_s b(s)R(s,a)表示总的期望奖励，b(s)表示在智能体状态为s时的置信，R(s,a)表示表示在状态s时选择动作a的奖励；P(o∣b,a)表示在当前置信为b，动作为a的情况下，获得观测o的概率；

表示决策步骤为n-1的情况下，置信为b′的最优期望。

进一步的，在当前置信为b、状态为s，且执行动作a得到观测o的条件下，下个状态为s′的概率，更新置信为b′，置信b′(s′)表示为：

其中，P(o∣a,b)表示在当前置信为b，动作为a的情况下，获得观测o的概率；b(s)为当前置信为b，状态为s的概率。

本发明提出的新的ROHC模型下使用POMDP方法在无线信道条件恶劣的情况下也能保持良好的压缩比和效率，并且很显然在信道条件越恶劣的条件下，该模型相比现有研究具有更优的压缩比。在做业务区分时，对实时性业务，以牺牲一定压缩比来换取更快的恢复上下文置信，满足业务的实时性要求，也在吞吐量上面更具优势。对非实时性业务，不需要更早的进行向下状态转移，更多考虑到其压缩比，其仿真解决达到预期。

附图说明

图1为本发明中ROHC协议栈图；

图2为本发明中压缩器的状态转换图；

图3为本发明中压器的状态转换图；

图4为本发的马尔可夫信道状态转换图；

图5为本发明健壮性协议头压缩跨层优化功能框图；

图6为本发明与现有技术信道误码为10^-3时测试ACL图；

图7为本发明与现有技术信道误码为10^-4时测试ACL图；

图8为本发明与现有技术信道误码为10^-5时测试ACL图；

图9为本发明与现有技术吞吐量对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出一种区分多业务跨层优化无线网络协议头压缩方法，具体包括以下步骤：

S1、将压缩器建模为三种状态的有限状态机，包括刷新状态、一阶状态和二阶状态；

S2、将解压器建模为三种状态的有限状态机，包括无上下文状态、全上下文状态以及静态上下文状态；

S3、将ROHC信道建模成K种状态的马尔可夫信道，其中

为信道好的状态，

为信道不好的状态；

S4、基于压缩器、解码器以及信道的建模，将如何选择下一个需要传输的包报头的类型建模为部分可观测的马尔科夫决策模型，通过求解该模型获取下一个需要传输的包报头的类型。

ROHC有三种模式可以选择，分别为单向U模式、双向乐观O模式、双向可靠R模式。其中O、R模式需要引入反馈机制，需要单独的反馈信道反而增加带宽压力。单向U模式不采用反馈信道，解压方不能向压缩方发送反馈信息，为保证压缩健壮性和压缩率，压缩方采用乐观逼近原则和周期性原则进行状态转移。本发明主要讨论ROHC-U模式的优化，U模式下的ROHC使用，本发明通过利用从较低层获得的有用信息预测解压端状态，并自适应调整ROHC压缩器，从而实现双端同步。本发明适用于无线环境恶劣的情况下，且计算复杂度在系统承受的范围之内，适合运用在实际的无线分组链路中。

本实施例将ROHC压缩器建模为具有三种状态的有限状态机(FSM)，每个状态用在该状态下传输的数据包类型表示，包括刷新(IR)状态、一阶(FO)状态和二阶(SO)状态，则在各个状态中的数据包表示为刷新数据包(IR包)、一阶数据包(FO包)和二阶数据包(SO包)。数据包报头的字段可以大致分类为静态的，在整个包会话期间不改变(例如IP地址)，和动态的其有规律地并且主要以特定模式改变(例如数据包长度)。压缩器总是在初始化和IR状态下启动，通过传输IR包(其报头未压缩)来建立上下文同步，FO包通常被部分压缩，其中包含动态域的差分信息，很少包含静态域的差分信息，以便有效地传输数据包中的不规则信息；SO包的报头被完全压缩。

单向U模式不采用反馈信道，此时解压方不能向压缩方发送反馈信息，为保证压缩健壮性和压缩率，压缩方采用乐观逼近原则和周期性原则进行状态转移。如图2，U模式下的是根据计时器和计数器来控制压缩状态的转换，压缩器状态通过在每个较低状态(即IR和FO)发送多个分组，然后向上转换到较高阶状态(FO和SO)。为了方便运算，压缩端的状态表示为S_C＝{0,1,2}，0,1,2 分别代表着IR,SO,FO数据包，P_C,yx表示压缩器中从状态x转换为状态y的概率， x、y＝{0,1,2}。

解压器刚开始时解压缩程序需要初始化，初始化后处于无上下文(NC)状态，该状态只能解压IR数据包。一旦成功地接收到至少一个IR分组，默认成功建立静态和动态字段的上下文，解压缩器向上转换到全上下文(FC)状态，其中所有三种类型的(IR、FO、SO)分组都可以被成功解压。如图3，在连续k1个数据包解压失败情况下，解压缩器转换为静态上下文(SC)状态，该状态只能解压IR、 FO的数据包，其中一个FO或IR分组解压成功，就足以重新建立上下文同步以将解压缩器状态再次向上移动到FC状态，若连续k2个数据包解压失败，则默认解压端静态字段失去同步，则向下转化为NC状态。本发明将解压端建模成一个拥有k1+k2+3状态的有限状态机，表示为S_D＝{0,1,...,k1,k1+1...,k1+k2+1,k1+k2+2}，其中[0,k1]代表着图中的FC₀-FC_k1状态，[k1+1,k1+k2+1]代表着SC₀-SC_k2状态， k1+k2+2代表着NC状态，s_T＝1和s_T＝0分别代表分组的传输成功和失败。

本发明将ROHC信道建模成K种状态的马尔可夫信道，如图4，其中

为信道好的状态，

为信道不好的状态，信道状态等效为S_H＝m,m∈{1,...,K}，其中t代表时间变量。则状态k转化为状态m的转移概率为：

因此，信道转移概率矩阵P可以表示为一个K×K矩阵：

本发明根据引入较低层的部分信息来预测解压端状态，并自适应决策ROHC 的压缩端状态，从而在不需要引入反馈信道就能实现较高的效率和可靠性。前一个数据包是否传输成功，可以通过引入MAC层的HARQ反馈来评估，而 ROHC信道状态，可以根据来自PHY层的CQI报告、链路自适应等信息来估计。 HARQ是与CRC校验码相关，可以根据重传次数来估计当前传输的成功率。

在U型ROHC模型中，压缩器不知道解压器的明确状态信息无法确知双端状态是否同步，采用POMDP的目的就是想让压缩器在没有解压器的反馈条件下，凭借可以得到的低层信息来评估解压器的状态。基本原则是，基于解压器的初始状态、传输状态和信道状态估计，可以不断更新对ROHC系统状态的信念，并且可以就下一个要传输的包报头的类型做出最优决策。该问题可以归结为一个部分可观测的马尔可夫决策过程，就是智能体在环境不确定的情况下采取一系列行动使回报最大化。POMDP可以用一个七元组来表示：(S,A,T,R,Ω,O,γ)，其中S为系统状态集合，A是智能体动作的集合，T是状态之间的条件转移概率， R是奖励函数，Ω是观测值，O是条件观测概率，γ∈[0,1]是折扣因子。

在任意时间段内，环境都处于某种状态s∈S。本发明将解压器状态和信道状态的笛卡尔积作为系统状态：

s＝(s_D,s_H)∈S＝S_D×S_H；

智能体采取的行动为

这导致环境转换到状态s′的概率为，给定动作a时，从s到s′的状态转移矩阵：

T(s,a,s′)＝p(s′_H∣s_H)p(s′_D∣s_D,a,s′_H)；

同时智能体收到一个观测o＝(o_T,o_H)∈Ω＝Ω_T×Ω_H，其中o_T∈Ω_T＝{0,1}跟S_T一样都代表着传输状态，Ω_H＝S_H＝{0,...,K-1}代表着信道状态。这影响了环境的新状态s′以及智能体采取的动作a。观测函数为在执行动作a之后，在s′状态下观测到o的概率为：

O(s′,a,o)＝p(o_H∣s′_H)p(o_T∣a,s′_D,s′_H)

最后，智能体收到奖励R(s,a,s′)函数为：

如图3，当解压成功后s_D的状态为FC₀，及s_D＝0时代表解压成功，L_P代表未压缩前的数据包总长度，L_i,i＝1,2,3分别代表s_c处于IR、FO、SO状态时，ROHC 数据包的负载，而L_P/L_i就代表当前数据包的压缩比，只有当s′_D＝0时，代表解压成功，l(s′_D＝0)为在s′_D＝0该函数值为1，否则为0。

当POMDP模型已知的时，智能体可以在与环境交互时更新其信念b′(s′)，在当前置信为b的情况下智能体做了动作a得到观测o的条件下，下个状态为s′的概率：

PBVI算法背后的思想是近似求解POMDP模型。PBVI的算法流程如下：

POMDP的目标就是找到一系列行动{a₀,...,a_t}来求得最大化期望回报，表示为：

当然，由于POMDP中的每个状态不能被完全观测到，需要为每个信念求最大化期望回报，优化目标为最大化折扣累计奖励，其值函数可以表述为：

其中

在迭代n次之后，值函数可以表示为一系列的α-vector:V_n＝{α₀,α₁,...,α_m}。每一个α-vector定义了某个区间里的值函数，表示为：

在POMDP值迭代中，第n个平线的值函数可以通过回溯，算子H从第n-1 个平线的值函数构造出：

V＝HV′

为了实现以上步骤，对每个动作观测集合都生成中间体：

Γ^a,*←α^a,*(s)＝R(s,a)

由于只用考虑有限个信念点，只需要在一组有限的点上进行运算，复杂度大大简化，公式为：

最后得到每一个信念点上的最优动作：

如图3所示，解压端建模成k1+k2+3种状态，解压缩器处于FC状态时，连续k1个包解压失败，向下转换为静态上下文(SC)状态，再连续k2个数据包解压失败，则默认解压端静态字段失去同步，则向下转化为NC状态。其中k1和k2的取值决定双端上下文恢复同步的速度和ROHC模块的压缩比，k1和k2越小，代表系统在无线链路质量越差的时候，越早的进行状态转移，确保双端不会失去同步，以提高解压成功率；k1和k2越大，ROHC模块向下状态转移的次数就会减少，则系统会拥有更高的带宽利用率。

在POMDP求解之后，根据数据流的QCI指数将业务分为，S_RT＝1的非实时业务和S_RT＝0的实时业务。

当S_RT＝1时，即当前业务类型为非实时业务，且采用参数为k1和k2，在经过 POMDP预测之后，如判断s_D∈{FC₀,...,FC_k1}或s_D∈{SC₀,...,SC_k2}，则不调整压缩端状态，保证该业务在保证一定的健壮性同时，使压缩比更大。

对S_RT＝0，即实时业务，实时性要求比较高的业务，则更多考虑到数据包的实时性而不是压缩比，更早的进行向下状态转移。将k1和k2参数模拟为k1＞＞1和 k2＞＞1。即判断s_D∈{FC₀,...,FC_k1/2}或s_D∈{SC₀,...,SC_k2/2}则不调整压缩端状态，如 s_D∈{FC_k1/2+1,...,FC_k1}或s_D∈{SC_k2/2+1,...,SC_k2}状态，则将s_C从SO、FO状态向下调整为 FO、IR状态，使其双端更快地回复同步，保证了业务的实时性。

本发明提出了一种新的ROHC模型，并提出了一种新的U模式下区分多业务的跨层ROHC优化算法，该算法不仅引入了底层信息反馈来实现自适应协议头压缩，也对不同业务进行区分，使高优先级业务(实时性高)具有更快的恢复能力，低优先级业务具有更高的压缩比。

本发明为了验证算法的有效性，本发明将与传统的U-ROHC和马尔科夫预测模型做对比，来验证本发明算法的有效性。本发明使用PC端(Intel Core i5-7500 CPU、16GBDDR3)打开VMare Workstation 15的Ubuntu16操作系统，并将ROHC 模块集成到NS-3开源网络模拟器上对ROHC跨层进行仿真分析。POMDP的实例中的转移概率皆可用统计法来计算。仿真使用平均标头压缩长度(ACL)来进行效率的评估，其中T代表分组字节总数，P代表有效负载的字节数，C代表发送数据包的总数，平均协议头长度越小代表压缩比越高。

仿真分别在信道误码率为10^-3,10^-4,10^-5时，发送10000个数据包，每一个数据包的长度为40的字节，并第一个采样点为发送100个数据包，后面对每发送 1000个包的点进行采样分析，仿真结果如图6-8。

如图6所示，在信道误码率为10^-3时，误码率较高，仿真结果可得，传统 U-ROHC在传输第10000包时平均压缩长度为10.85字节，马尔可夫预测在传输时趋于平稳的ACL为9.47字节，而实时性业务的POMDP模型因为考虑到实时性的原因，会相对更快地进行状态转移，导致趋于平稳时的ACL比马尔可夫预测的结果高0.25个字节。而非实时性业务的POMDP模型趋于平稳时的ACL比马尔可夫预测的ACL减少了约0.6个字节，比传统的U-ROHC减少了约1.7个字节。

如图7所示，在信道误码率为10^-4时仿真结果可得，传统U-ROHC在传输第10000包时平均压缩长度约为7.10字节，马尔可夫预测在传输时趋于平稳的 ACL约为6.10字节，而实时性业务的POMDP模型在该误码率的条件下的向下状态转移的次数相对于10^-3时较少，其压缩比主要受益于POMDP模型，再趋于平稳时比马尔可夫预测模型的ACL低约0.08字节。而非实时性业务的POMDP 模型更多考虑到压缩比，趋于平稳时的ACL比马尔可夫预测的ACL减少了约 0.3个字节,比传统的U-ROHC减少了约1.3个字节。

图8所示，在信道误码率为10^-5时仿真结果可得，传统U-ROHC在传输第 10000包时平均压缩长度约为6.19个字节，马尔可夫预测在传输时趋于平稳的 ACL约为5.45字节，而实时性业务的POMDP模型在该误码率的条件下的向下状态转移的次数相对于10^-4时较少，在趋于平稳时比马尔可夫预测模型的ACL 低约0.06字节。而非实时性业务的POMDP模型更多考虑到压缩比，趋于平稳时的ACL比马尔可夫预测的ACL减少了约0.2个字节,比传统的U-ROHC减少了约0.94个字节。

本发明对该算法进行吞吐量测试，来验证区分多业务下的实时性的要求是否达到预期。采用发送固定字节，每一个数据包都依赖重传来保证发送成功，在获取仿真完成时间计算吞吐量。设置信道误码率为10^-5，在发送端发送300个数据流，每条数据流分组成10000个数据包，每个数据包的有效负载为40字节，计算发送时间，其中发送总量为：

40B×1000×300＝12MB；

吞吐量的计算为：

其中吞吐量与系统端到端的时延密切相关。

如图9所示，在误码率为10^-5时，发生连续分组丢失的概率不大，实时性业务的POMDP较非实时性业务的吞吐量增加较少，而非实时性业务的POMDP 虽然平均压缩长度较马尔科夫预测模型[5]低，但是因为算法复杂度的关系，在吞吐量上并无优势，在误码率为10^-4时，偶尔发生连续分组丢失，实时性业务的 POMDP较非实时性业务的吞吐量增加较为明显，在误码率为10^-3时，经常发生连续分组丢失，实时性业务的POMDP具有更快速地向下状态转移，更快地恢复上下文置信，较非实时性业务和马尔科夫预测模型的吞吐量增加明显，但是非实时业务的POMDP因为复杂度的关系在吞吐量上不如马尔可夫预测模型，但具有更高的压缩比。

仿真分析得本发明提出的新的ROHC模型下使用POMDP方法在无线信道条件恶劣的情况下也能保持良好的压缩比和效率，并且很显然在信道条件越恶劣的条件下，该模型相比现有研究具有更优的压缩比。在做业务区分时，对实时性业务，以牺牲一定压缩比来换取更快的恢复上下文置信，满足业务的实时性要求，也在吞吐量上面更具优势。对非实时性业务，不需要更早的进行向下状态转移，更多考虑到其压缩比，其仿真解决达到预期。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种区分多业务跨层优化无线网络协议头压缩方法，其特征在于，具体包括以下步骤：

S1、将压缩器建模为三种状态的有限状态机，包括刷新状态、一阶状态和二阶状态；

S2、将解压器建模为三种状态的有限状态机，包括非文本状态、全上下文状态以及静态上下文状态；

S3、将ROHC信道建模成K种状态的马尔可夫信道，其中

为信道好的状态，

为信道不好的状态；

S4、基于压缩器、解码器以及信道的建模，将如何选择下一个需要传输的包报头的类型建模为部分可观测的马尔科夫决策模型，通过求解该模型获取下一个需要传输的包报头的类型，即压缩端状态；

S5、根据QCI指数对数据流业务类型进行区分，再次调整ROHC压缩端状态。

2.根据权利要求1所述的一种区分多业务跨层优化无线网络协议头压缩方法，其特征在于，压缩器总是在初始化和刷新状态下启动，初始化和刷新状态表示数据包报头未压缩，此时通过数据包建立上下文同步；一阶状态表示数据包的报头被部分压缩，数据包中包括动态域的差分信息，数据包中部分包含静态域的差分信息；二阶状态表示数据包的报头被完全压缩。

3.根据权利要求1所述的一种区分多业务跨层优化无线网络协议头压缩方法，其特征在于，在解压器中，若处于非文本状态下，解压器需要一个刷新状态的数据包建立上下文同步，完成初始化过程；初始化成功后解压器可以从非文本状态转换到全上下文状态，全上下文状态可以对刷新状态、一阶状态和二阶状态的数据包进行解压，且当全上下文状态重复解压失败的情况下，可以切换为中间静态上下文状态；中间静态上下文状态在成功接收刷新状态或一阶状态的数据包后也可以上移转换为全文本状态，但中间静态上下文状态重复解压失败时也会向下转移至非文本状态；解压器有k1+k2+3个状态包括一个非文本状态、k1+1全上下文状态以及k2+1中间静态上下文状态，解压器处于全上下文状态时连续k1个数据包解压失败情况下，解压器转换为静态上下文状态，该状态只能解压刷新状态、一阶状态的数据包，且当一个一阶状态的数据包或者刷新状态数据包的分组解压成功，则将状态转换为全上下文状态；若在连续k2个数据包解压失败，则将状态转换为非文本状态。

4.根据权利要求3所述的一种区分多业务跨层优化无线网络协议头压缩方法，其特征在于，根据POMDP求解得到的下一个需要传输的包报头的类型后，再根据数据流的QCI指数对业务进行区分，对不同业务使用不同的U模式ROHC的乐观参数，再次调整ROHC压缩端状态，即若当前处理的任务为非实时任务时，采用的乐观参数为k1和k2，且部分可观测的马尔科夫决策模型业务当前解压端的状态为s_D∈{FC₀,...,FC_k1}或s_D∈{SC₀,...,SC_k2}，则不调整压缩端状态；若当前处理的任务为实时任务，将k1和k2参数模拟为k1＞＞1和k2＞＞1，若S_D∈{FC₀，...，FC_k1/2}或s_D∈{SC₀,...,SC_k2/2}则不调整压缩端状态，若s_D∈{FC_k1/2+1,...,FC_k1}或s_D∈{SC_k2/2+1,...,SC_k2}，则从二阶状态向下转换为一阶状态或者从一阶状态向下转换为刷新状态。

5.根据权利要求1所述的一种区分多业务跨层优化无线网络协议头压缩方法，其特征在于，部分可观测的马尔科夫决策模型用一个七元组进行表示，表示为(S,A,T,R,Ω,O,γ)，其中S为系统状态集合，某一时刻的系统状态为解压器状态和信道状态的笛卡尔积；A为智能体动作的集合，T为状态之间的条件转移概率集合，R为奖励函数集合，Ω为观测值集合，O为条件观测概率集合，γ为折扣因子集合。

6.根据权利要求5所述的一种区分多业务跨层优化无线网络协议头压缩方法，其特征在于，当给定动作a时，系统从状态s到状态s′的状态转移矩阵表示为：

T(s,a,s′)＝p(s′_H∣s_H)p(s′_D∣s_D,a,s′_H)；

其中，T(s,a,s′)表示当给定动作a时、系统从状态s到状态s′的状态转移矩阵，其属于状态之间的条件转移概率集合；p(s′_H∣s_H)表示信道从当前s_H状态转移到下一时刻s′_H状态的概率；p(s′_D∣s_D,a,s′_H)表示给定动作a，下一时刻信道状态为s′_H时，解压端的状态转移概率；a属于智能体动作的集合，状态s属于系统状态集合。

7.根据权利要求5所述的一种区分多业务跨层优化无线网络协议头压缩方法，其特征在于，在执行动作a之后，在状态s′下观测到o的概率表示为：

O(s′,a,o)＝p(o_H∣s′_H)p(o_T∣a,s′_D,s′_H)；

其中，O(s′,a,o)表示在执行动作a之后、在状态s′下观测到o的概率，其属于条件观测概率集合；p(o_H∣s′_H)表示，s′_H表示下一时刻信道状态为s′_H时观测到信道状态o_H的概率；p(o_T∣a,s′_D,s′_H)表示在给定动作a，下一时刻信道状态为s′_H，解压端状态为s′_D时观测到数据包传输状态的概率，，s′_D表示下一时刻的解压端状态的集合；a属于智能体动作的集合，状态s属于系统状态集合，o属于观测值集合，o_H属于观测信道状态的集合，o_T表示观测数据包传输状态的集合。

8.根据权利要求5所述的一种区分多业务跨层优化无线网络协议头压缩方法，其特征在于，在执行动作a之后，系统从状态s到状态s′的奖励函数表示为：

其中，R(s,a,s′)表示在执行动作a之后、系统从状态s到状态s′的奖励函数，其属于奖励函数集合；s′_D表示下一时刻的解压器状态；L_P表示未压缩前的数据包总长度；L_i表示解压器处于i状态时，压缩包的总长度。

9.根据权利要求4所述的一种区分多业务跨层优化无线网络协议头压缩方法，其特征在于，利用PBVI算法求解部分可观测的马尔科夫决策模型，即为每个信念求最大化期望回报，优化目标表示为：

其中，

表示信念b(s)的优化目标；a属于智能体动作的集合；ρ(b,a)＝∑_sb(s)R(s,a)表示总的期望奖励，b(s)表示在智能体状态为s时的置信，R(s,a)表示表示在状态s时选择动作a的奖励；P(o∣b,a)表示在当前置信为b，动作为a的情况下，获得观测o的概率；

表示决策步骤为n-1的情况下，置信为b′的最优期望。

10.根据权利要求9所述的一种区分多业务跨层优化无线网络协议头压缩方法，其特征在于，在当前置信为b、状态为s，且执行动作a得到观测o的条件下，下个状态为s′的概率，更新置信为b′，置信b′(s′)表示为：

其中，P(o∣a,b)表示在当前置信为b，动作为a的情况下，获得观测o的概率；b(s)为当前置信为b，状态为s的概率。

Images