CN116709359A - 一种飞行Ad Hoc网络的自适应路由联合预测方法 - Google Patents
一种飞行Ad Hoc网络的自适应路由联合预测方法 Download PDFInfo
- Publication number
- CN116709359A CN116709359A CN202310959006.0A CN202310959006A CN116709359A CN 116709359 A CN116709359 A CN 116709359A CN 202310959006 A CN202310959006 A CN 202310959006A CN 116709359 A CN116709359 A CN 116709359A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- routing
- time
- decision
- representing
- 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 53
- 239000000872 buffer Substances 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims description 30
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005562 fading Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims 2
- 230000006403 short-term memory Effects 0.000 claims 2
- 238000004088 simulation Methods 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000002821 scintillation proximity assay Methods 0.000 description 19
- 230000007423 decrease Effects 0.000 description 5
- 235000008694 Humulus lupulus Nutrition 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000012464 large buffer Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/026—Route selection considering the moving speed of individual devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种飞行Ad Hoc网络的自适应路由联合预测方法,属于通信技术领域,本发明所述的联合预测方法采用长短期记忆(LSTM)模型来预测和获取每个相邻无人机的机动性、缓冲区可用大小和链路过期时间,以避免出现高机动性、高流量和弱链路的无人机,并建立合适的路径;然后将路由决策问题表述为优化问题,并使用所提出的基于熵权的多度量(EWMM)方法进行快速联合路由决策。本发明所提出的集成的预测和决策过程考虑了当前和未来可能导致丢包或延迟的多度量因素,仿真结果证明了基于LSTM的联合预测(JP)模型的有效性,并表明JPE协议优于PAP和SPA协议。
Description
技术领域
本发明涉及一种飞行Ad Hoc网络的自适应路由联合预测方法,属于通信技术领域。
背景技术
近年来,无人机或无人驾驶飞行器在航空摄影、通信、农业和搜救等军事和民用应用中越来越受欢迎。FANETs使无人机之间能够协调和协作,使它们能够 执行单个无人机难以完成或不可能完成的任务。
已经有一些研究提出了FANETs的路由解决方案,但是许多这些传统方法在满足FANETs在路由发现、维护和决策方面的特定需求方面存在局限性。首先,传统的基于拓扑的路由协议由于节点数量多、连接复杂、拓扑动态等原因,可能难以及时维护和更新路由路径或路由表;其次,最近基于强化学习的路由协议可能存在探索和奖励时间长、收敛速度慢、状态建模不准确以及可扩展性困难等挑战;第三,基于群智能的路由协议往往侧重于寻找次优解,但在实际的适应度函数建模和终端条件设置方面可能会遇到困难;最后,许多现有的基于预测的路由方法难以自适应地预测多个指标并做出共同考虑多个指标的路由决策。现有路由解决方案的这些限制突出了对更先进和创新的路由算法的需求,以有效地处理FANETs的独特挑战。
发明内容
针对上述存在的问题,本发明提供了一种飞行Ad Hoc网络的自适应路由联合预测方法,使用多度量预测和决策来通过预测移动性和数据流量来增强传输链路的可靠性,并使用基于熵权的方法来找到适当的路由路径。
本发明为解决上述技术问题采用的技术方案如下:
一种飞行Ad Hoc网络的自适应路由联合预测方法,具体包括如下步骤:
步骤S1,构建由普通和灾区无人机组成的三维飞行Ad Hoc网络,即FANETS,无人机
遵循相同的高斯-马尔可夫迁移模型;将无人机在时刻t的位置写成得到:
公式(1):;
公式(2):;
公式(3):;
式中,表示无人机的速度,后面的,表示
水平方向,,表示俯仰角后面的;对于、和,t表示迭代,步长在范围[0,1]内;、
和表示平均值;、和表示高斯分布的随机变量;其中假设每架无人机都有一
个等长的缓冲区,缓冲区溢出会导致丢包;
步骤S2:输入:无人机集合,路由请求,历史序列,运行时间T;当系统时间t<T时,
通过长短期记忆的联合预测模块自适应预测无人机的,并寻找合适的传输路径;
步骤S3,当一架无人机收到路由请求执行时,用最短路径法求解,然后开始路由;
步骤S4,利用超时计时器和确认包ACKs控制路由时间和重传;当无人机收到ACK报文则路由成功;如果超时则重新路由,如果是其他情况则路由失败,结束步骤S3至步骤S4的循环;
步骤S5,更新t,回到步骤S2,直至结束循环。
进一步的,在步骤S2中利用长短期记忆(LSTM)的联合预测(JP)模块预测以下指标:缓冲区可用大小、传输速率和链路失效时间。
进一步的,步骤S2中通过长短期记忆的联合预测模块预测无人机的的指标内
容包括:
相邻无人机,即NU,离散时间排队系统的内容表示为整数时隙处的;
假设系统的初始状态为非负实值随机变量,未来状态分别由随机数据包到达和传输过
程和决定;其中数据包的到达用一个随机过程来描述,,它是一个随时隙定义的实值随机变量序列; 表示NU的队列在槽位上可以处理的数据包数
量,表示到达槽位的新数据包数量,假设非负;为传输量,LET作为时差计算为;表示到达数据包,计算为预测数据包到达率的乘积;时间间隔定义为LET;其
中信道的传输速率表示为:
式中为当前无人机,即CU的带宽,为CU的传输功率,为对数正态阴影分量,平
均值为0dB,标准差为, 为CU c与NU i之间的衰落幅度,采用瑞利分布建模,期望值
为, 表示加性高斯白噪声的幂,λ为路径衰落指数,λ为路径衰落指数,一般
选择在[2,4]范围内,表示CU c和NU i之间的距离;
然后把LET表示为:
;
式中R表示无人机的通信范围,
其中,和表示速度值,和表示水平方向值,和表示俯仰角值,m和n分
别表示CU和NU,路由决策受益于更高的LK。
进一步的,步骤S2中寻找合适的传输路径具体是指采用基于熵权的多度量方法来衡量路由路径的合适程度,其内容包括:首先,将每个决策因素归一化为:
式中,表示第i个NU的第j个度量的决策度量,其中度量包括传输速率、链路持
续时间、NU位置、NU速度等;式中N为单位个数,M为决策指标个数,为控制第j个决策指标
取值范围的效率系数,并且;
CU根据如下公式得到第j个决策指标取值范围的熵:
其中表示NU i的j个网络度量比例,写成
;
定义第j个决策指标的熵权为:
基于上述得到的归一化值和度量熵,CU得到第i个NU的可用性为:
CU得到第i个NU的转发概率为:
;
通过上面计算过程,将NU-metric矩阵转换为决策概率向量:
公式(4):
当上述公式(4)的决策向量中出现几个NUs不自洽的情况,CU通过当前数据包大小除以传输速率得出所需时间,如果所需时间小于链路失效时间LET,则消除该NU进行路由;同时,CU用比PAR计时链路失效时间LET更小的可用缓冲区大小来消除NU,或者在LET内的通信范围之外;在消除操作后,将剩余的NUs命名为候选NUs,即CNU集合;
给定基于SDN的控制体系结构后,集中控制器CC给出公式(4)右侧概率最高的路由决策,如下所示
式中,NBS表示基站数,表示CNU集合中候选路径的概率,通过上式求解最短
路径算法得到可靠的路由解。
进一步的,本方法的JPE路由协议的计算复杂度为:
其中为基于LSTM的JP模块输入序列的长度,为最大NUs数,E为FANETS中的无
人机数量,V为FANETS中的连接数,为路由请求之间的时间间隔。
与现有技术相比,本发明的技术方案具有以下的技术效果:
本发明提出了一种基于联合预测熵权重(JPE)的路由协议,通过基于长短期记忆模型的联合预测模块预测无人机链路的移动性和数据流量,构成了路由决策的基础;然后将路由决策问题表述为优化问题,使用所提出的基于熵权的多度量(EWMM)方法进行快速联合路由决策。本发明所提出的针对FANETs的解决方案JPE协议在流量和移动性预测、路由决策和实际部署方面具有适应性,在集成的预测和决策过程考虑了当前和未来可能导致丢包或延迟的多度量因素,使得传输链路的可靠性。
附图说明
图1为本发明的基于LSTM的JP模块体系结构图;
图2为本发明的JPE路由协议工作流程图;
图3为本发明实施例中在不同无人机数量下的延迟性能比较图;
图4为本发明实施例中在不同CR(以m为单位)情况下的延迟性能比较图;
图5为本发明实施例中在不同AV(以m/s为单位)情况下的延迟性能比较图;
图6为本发明实施例中在不同APAR(以Kb/s为单位)情况下的延迟性能比较图;
图7为本发明实施例中将APAR、AV和CR分别设置为10 Kb/s、5 m/s和28 m,改变无人机数量情况下的延迟箱形图;
图8为本发明实施例中在不同CR(以m为单位)情况下的延迟箱形图;
图9为本发明实施例中在不同AV(以m/s为单位)情况下的延迟箱形图;
图10为本发明实施例中在不同APAR(以Kb/s为单位)情况下的延迟箱形图;
图11为本发明实施例中在不同无人机数量下的PDR性能比较图;
图12为本发明实施例中在不同CR(以m为单位)情况下的PDR性能比较图;
图13为本发明实施例中在不同AV(以m/s为单位)情况下的PDR性能比较图;
图14为本发明实施例中在不同APAR(以Kb/s为单位)情况下的PDR性能比较图;
图15为本发明实施例中在不同无人机数量下的PDR箱形图;
图16为本发明实施例中在不同CR(以m为单位)情况下的PDR箱形图;
图17为本发明实施例中在不同AV(以m/s为单位)情况下的PDR箱形图;
图18为本发明实施例中在不同APAR(以Kb/s为单位)情况下的PDR箱形图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及对应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
本发明提供了一种飞行Ad Hoc网络的自适应路由的联合预测方法,包含自适应和联合预测驱动的路由决策方案;如图2,具体包括如下步骤:
步骤S1,构建由普通和灾区无人机组成的三维飞行Ad Hoc网络,即FANETS,无人机
遵循相同的高斯-马尔可夫迁移模型;将无人机在时刻t的位置写成得到:
公式(1):;
公式(2):;
公式(3):;
式中,表示无人机的速度,后面的,表示
水平方向,,表示俯仰角后面的。对于、和,t表示迭代,步长在范围[0,1]内,、
和表示平均值,、和表示高斯分布的随机变量。其中假设每架无人机都有一
个等长的缓冲区,缓冲区溢出会导致丢包;
步骤二,输入:无人机集合,路由请求,历史序列,运行时间T;当系统时间t<T时,
通过LSTM的JP模块自适应预测无人机的,并寻找合适的传输路径;
其中通过LSTM的JP模块预测无人机的的指标内容包括:
相邻无人机(NU)离散时间排队系统的内容表示为整数时隙处的。假
设系统的初始状态为非负实值随机变量。未来状态分别由随机数据包到达和传输过程和决定;其中数据包的到达用一个随机过程来描述,,它是一个随时隙定义的实值随机变量序列; 表示NU的队列在槽位上可以处理的数据包数
量,表示到达槽位的新数据包数量,假设非负;为传输量,LET作为时差计算为;表示到达数据包,计算为预测PAR的乘积;时间间隔定义为LET;其中信道的传
输速率表示为:
式中为当前无人机(CU)的带宽,为CU的传输功率,为对数正态阴影分量,平
均值为0dB,标准差为, 为CU c与NU i之间的衰落幅度,采用瑞利分布建模,期望值
为, 表示加性高斯白噪声的幂,λ为路径衰落指数,λ为路径衰落指数,一般
选择在[2,4]范围内,表示CU c和NU i之间的距离;
然后把LET表示为:
;
式中R表示无人机的通信范围;
其中,和表示速度值,和表示水平方向值,和表示俯仰角值,m和n表
示CU和NU,路由决策受益于更高的LK。
本发明研究了以下指标.1)缓冲区可用大小,2)传输速率,3)链路失效时间(LET)。通过考虑当前和未来的这些指标,再加上照亮无关的NUs,网络可以自适应地获得适当的路由路径,为了做出有效的路由决策,必须同时考虑前面提到的所有指标。
为了做出联合快速决策,本实施例提出采用基于熵权的多度量(EWMM)方法来衡量路由路径的合适程度,其内容包括:首先,将每个决策因素归一化为:
式中,表示第i个NU的第j个度量的决策度量,其中度量包括传输速率、链路持
续时间、NU位置、NU速度等;式中N为单位个数,M为决策指标个数,为控制第j个决策指标
取值范围的效率系数,并且;
CU根据如下公式得到第j个决策指标取值范围的熵:
;
其中表示NU i的j个网络度量比例,写成
;
定义第j个决策指标的熵权为:
;
基于上述得到的归一化值和度量熵,CU得到第i个NU的可用性为:
;
CU得到第i个NU的转发概率为
;
通过上面五个公式,将NU-metric矩阵转换为决策概率向量:
公式(4):;
当上述公式(4)的决策向量中出现几个NUs不自洽的情况,CU通过当前数据包大小除以传输速率得出所需时间,如果所需时间小于链路失效时间LET,则消除该NU进行路由;同时,CU用比PAR计时链路失效时间LET更小的可用缓冲区大小来消除NU,或者在LET内的通信范围之外;在消除操作后,将剩余的NUs命名为候选NUs,即CNU集合;本实施例以三个消除NUs为例,过程如下所示
公式(5):
其中划线部分表示消除部分,以减少决策空间;在消除操作后,将这些剩余的NUs命名为候选NUs (CNUs),这确保了EWMM方法的全面和合理的路由决策;
给定基于SDN的控制体系结构后,CC可以给出公式(4)右侧概率最高的路由决策,如下所示
公式(6):
式中,NBS表示基站数,表示CNU集合中候选路径的概率,通过上式求解最短
路径算法得到可靠的路由解。
步骤三,当一架无人机收到路由请求执行时,用最短路径法求解公式(6),然后开始路由;
步骤四,利用超时计时器和ACKs控制路由时间和重传;当无人机收到ACK报文则路由成功;如果超时则重新路由,如果是其他情况则路由失败,结束步骤三至步骤四的循环;
步骤五,更新t,返回上述步骤二,直至结束循环。
本发明的JPE路由协议在流量和移动性预测、路由决策和实际部署方面具有适应
性。通过选择使用响应式方法,有效地演示了预测特性如何支持路由使用基于LSTM的JP模
块自适应计算路径的关键参数,并消除不一致的NUs来获得CNUs;一旦无人机请求数据包
传输,CUs会选择概率最大的路径,利用超时定时器和ACKs来控制路由时间和重传。JPE路由
协议的计算复杂度可以表示为:
其中为基于LSTM的JP模块输入序列的长度,为最大NUs数,E为FANETS中的无
人机数量,V为FANETS中的连接数,为路由请求之间的时间间隔。这种复杂性是由NUs的规
模、路由请求的频率以及无人机的数量和密度决定的。
为了验证本发明的有效性,本实施例以JPE路由协议(简称JPE路由协议)与以下协议进行比较:最优解,基于最优路径求解公式(6),采用蛮力搜索算法,在这种情况下性能最好;数据包到达预测路由协议,或PAP,通过基于预测流量和移动性的约束排序来路由数据包,去除基于熵权的决策模块;随机数据包转发算法,或SPA,基于当前拓扑的度量熵决策方法路由数据包,并在决策模块中删除未来的度量。如图3-18所示为试验仿真对比结果。
本发明的JPE路由协议的实验仿真内容如下:
模拟装置包括一个灾难援助(DA)中心、一个基站(BS)和多个需要通过逐跳路由或直接传输的方式传输到基站的无人机。仿真试验中的所有无人机在网络区域内使用相同的高斯-马尔可夫模型飞行,并根据所使用的相同的泊松数据包到达模型到数据中心的距离接收数据包,这意味着无人机根据下述公式(1)-(3)移动,并根据泊松数据包到达模型和APAR接收来自地面节点的数据包。此外,数据包根据其到DA中心的距离到达无人机,但受FANETS的总体PAR的约束。传输通道可能会由于链路中断、缓冲区溢出或传输时机错误而导致数据包丢失;在通道质量差、CU队列延长或额外跳数的情况下,延迟也可能增加。主要仿真参数如表1所示。
表1仿真参数
参数 | 值 |
缓冲区大小 | 128Kb |
一次迭代 | 1ms |
初始积压长度 | 10Kb |
超时定时器 | 300ms |
网络面积 | 100*100*20m3 |
PAR波动 | ±20% |
基站通信半径 | 30m |
无人机数量 | 20∼160 |
无人机通信半径(CR) | 20∼80m |
平均PAR (APAR) | 10∼100Kb/s |
平均速度(AV) | 5∼50km/h |
试验将APAR(平均包到达率)、AV(无人机平均速度)和CR(无人机通信半径)分别设置为10 Kb/s、5 m/s和28 m,并改变无人机数量来观察延迟性能;仿真结果如图3和图7所示,当无人机数量达到100架时,4个协议的延迟激增,但在100架后急剧下降,在120架后再次增加;如图7中的箱形图所示,与SPA和PAP相比,JPE获得了最好的延迟性能,几乎达到了最优性能,因为基于LSTM的JP和EWMM路由决策模块工作实际,可以推导出最接近最优的次优解。也就是说,所提出的基于LSTM的JP模块可以综合考虑移动性和数据流量,自适应地评估每条链路,EWMM路由决策方法可以在考虑当前和未来度量的情况下输出路由决策。此外,未来的指标非常重要,而SPA产生了最糟糕的延迟,与对比例SPA方案相比,本实施例的JPE方法在延迟方面有明显的降低,平均可降66.94%。
对于不同的CR情况,本实施例中设置APAR为10Kb/s, AV为5 m/s,无人机数量为35架,CR为20 ~ 80 m,观察延迟趋势;仿真结果如图4和图8所示,随着CR的增加,无人机之间的连接次数越多,唯一失去连接的无人机走的越少,因此延迟在CR的70 m之前增加;然而,当一架无人机的CR达到70 m后,仅在100*100*300的区域内就可以与几乎所有的无人机进行连接,这是一个极高的CR,导致一个CU的NU非常大,连接是稳定的。因此,跳数大幅度增加,延迟性能下降。此外,在考虑LET的情况下,JPE获得了最佳的延迟性能。与SPA相比,JPE显然接近于最优,平均可以提高15.69%的延迟性能。此外,对于动态场景,只有总熵权而没有自适应预测的SPA无法做出更好的决策,因此其延迟性能最差。
图5和图9显示了在APAR为10Kb/s、无人机数量为35架、CR为28 m的恒定条件下,不同AV的延迟性能。结果显示,由于AV的增加,增加了无人机的机动性和相关的拓扑漂移,这四种协议的延迟都大大增加。此外,通过图9中的箱线图比较,JPE获得了最优的性能,因为移动性预测和EWMM路由决策方法工作正常,并且可以快速找到合适的路径。如图5和图9,与SPA相比,JPE能够平均提高68.88%的延迟性能。
最后,我们绘制了延迟性能与不同APAR的关系图,但将AV设置为5 m/s,无人机数量为35,CR为28 m,如图6和图10所示。同样,随着APAR的增加,延迟激增会导致数据流量爆发和传输缓冲区溢出。数据流量是导致丢包的另一个关键参数,因为缓冲区溢出肯定意味着丢包。因此,这些结果表明,基于LSTM的JP模块能够充分预测数据流量。此外,三个关键指标合理地考虑了当前和未来的情况,并将它们集成到EWMM方法中,该方法在处理不同的APAR方面表现出良好的性能。考虑到箱形图,图10显示了整体延迟性能,除了最优之外,JPE延迟最小,与SPA相比延迟时间平均减少24.52%。
在PDR性能方面,本实施例仿真将APAR设为10Kb/s, AV设为5m/s, CR设为28m,并改变无人机数量,如图11和图15。四种协议的PDR表现出3阶段的变化,但JPE优于PAP和SPA。如上是因为增加无人机的数量会导致无人机之间的连接增加,从而导致更多的跳数,最终形成稳固的连接。其中JPE显示出最好的PDR,因为它的预测和熵决策可以避免高流量、高移动性和中继的低持久链路NUs,同时考虑到当前和未来的指标。此外,这验证了JPE在所有数量的无人机上都优于PAP和SPA。根据图15所示的四种方案的箱形图,与SPA方案相比,JPE方案的PDR平均提高了30.98%。
图13和图17显示了JPE如何适应不同的AV,如图所示,随着AV的增加,四种协议的PDR性能都会下降,这是因为随着无人机移动性的增加,保持稳定的连接和避免丢包变得更加困难。然而,JPE能够通过准确预测无人机的机动性并根据这些信息做出联合路由决策来减轻这种影响,JPE在高移动性环境中提高PDR性能的能力是其基于LSTM的JP模块的结果。JP模块考虑了各种因素,如无人机的速度和加速度,以及环境的风速和风向,能够准确预测无人机的机动性参数,这对于保持稳定的连接至关重要。此外,JP模块还使用EWMM路由决策方法,该方法评估每个无人机的缓冲区可用大小、传输速率和LET来进行路由决策。此外,JPE预测移动性的能力允许它获得一个新的拓扑,其中CU可以在不丢失连接的情况下做出路由决策。通过消除对自一致单元的需求,JPE提高了决策效率和准确性,再加上JPE避免由移动和缓冲区溢出引起的数据包丢失的能力,使其成为比PAP和SPA更好的路由协议。图17进一步强调了这一点,显示了JPE的高价值和稳定的PDR性能,与SPA相比平均提高了27.88%。
如图14所示,无人机数量设为35架,AV设为5 m/s, CR设为28 m。然后观察不同APAR下的PDR曲线。可以观察到,随着APAR的增加,所有四种协议的PDR都降低了,因为APAR的增加使得缓冲区难以有效地中继更多的数据包。由于APAR是一个关键因素,改变它可能导致大量缓冲区溢出和数据包丢失。为了缓解这种情况,JPE中基于LSTM的JP模块考虑了PAR,EWMM方法将缓冲区可用大小视为决策的基本度量。JPE的集成过程确保不同的APAR仅在最小程度上影响它。此外,由于JPE具有高性能和快速的预测能力,可以有效地减少缓冲区溢出造成的丢包。图18中的PDR方框显示,JPE在速率幅度和稳定性方面优于PAP和SPA,因为较大的APAR使数据流量更大,更容易中继失败,尤其是PAP和SPA。总体而言,如图14和图18所示,与SPA相比,JPE平均提高了43.33%的PDR性能。
最后,本实施例还将SPA协议作为基准,总结了PAP、JPE和Optimal的改进。为了更好地说明,本实施例假设延迟改进为物理延迟减少,以保持与PDR相同的评估度量,即改进百分比;此外,本实施例将将y轴设置为多个场景。仿真结果显示,Optimal优于其他,而JPE是次优的,PAP优于SPA,通过对改进率进行平均,得出结论,与SPA相比,JPE可以分别提高30.13%和31.24%的PDR和延迟。
上述仅为本发明的优选实施例,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (5)
1.一种飞行Ad Hoc网络的自适应路由联合预测方法,其特征在于,具体包括如下步骤:
步骤S1,构建由普通和灾区无人机组成的三维飞行Ad Hoc网络,即FANETS,无人机遵循相同的高斯-马尔可夫迁移模型;将无人机在时刻t的位置写成得到:
;
;
;
式中,表示无人机的速度,后面的/>,/>表示水平方向,/>,/>表示俯仰角后面的;对于/>、/>和/>,t表示迭代,步长/>在范围[0,1]内;/>、/>和/>表示平均值;/>、/>和/>表示高斯分布的随机变量;其中假设每架无人机都有一个等长的缓冲区,缓冲区溢出会导致丢包;
步骤S2:输入:无人机集合,路由请求,历史序列,运行时间T;当系统时间t<T时,通过长短期记忆的联合预测模块自适应预测无人机的/>,并寻找合适的传输路径;
步骤S3,当一架无人机收到路由请求执行时,用最短路径法求解,然后开始路由;
步骤S4,利用超时计时器和确认包ACKs控制路由时间和重传;当无人机收到ACK报文则路由成功;如果超时则重新路由,如果是其他情况则路由失败,结束步骤S3至步骤S4的循环;
步骤S5,更新t,回到步骤S2,直至结束循环。
2.根据权利要求1所述的一种飞行Ad Hoc网络的自适应路由联合预测方法,其特征在于,在步骤S2中利用长短期记忆的联合预测模块预测以下指标:缓冲区可用大小、传输速率和链路失效时间。
3.根据权利要求1所述的一种飞行Ad Hoc网络的自适应路由联合预测方法,其特征在于,步骤S2中通过长短期记忆的联合预测模块预测无人机的的指标内容包括:
;
相邻无人机,即NU,离散时间排队系统的内容表示为整数时隙处的/>;假设系统的初始状态/>为非负实值随机变量,未来状态分别由随机数据包到达和传输过程和/>决定;其中数据包的到达用一个随机过程来描述,/>,它是一个随时隙定义的实值随机变量序列; />表示NU的队列在槽位/>上可以处理的数据包数量,/>表示到达槽位/>的新数据包数量,假设/>非负;/>为传输量,LET作为时差计算为;/>表示到达数据包,计算为预测数据包到达率的乘积;时间间隔/>定义为LET;其中信道的传输速率/>表示为:
;
式中为当前无人机,即CU的带宽,/>为CU的传输功率,/>为对数正态阴影分量,平均值为0dB,标准差为/>, />为CU c与NU i之间的衰落幅度,采用瑞利分布建模,期望值为, />表示加性高斯白噪声的幂,λ为路径衰落指数,λ为路径衰落指数,一般选择在[2,4]范围内,/>表示CU c和NU i之间的距离;
然后把LET表示为:
;
式中R表示无人机的通信范围,
;
其中,和/>表示速度值,/>和/>表示水平方向值,/>和/>表示俯仰角值,m和n分别表示CU和NU,路由决策受益于更高的LK。
4.根据权利要求3所述的一种飞行Ad Hoc网络的自适应路由联合预测方法,其特征在于,步骤S2中寻找合适的传输路径具体是指采用基于熵权的多度量方法来衡量路由路径的合适程度,其内容包括:首先,将每个决策因素归一化为:
;
式中,表示第i个NU的第j个度量的决策度量,其中度量包括传输速率、链路持续时间、NU位置、NU速度等;式中N为单位个数,M为决策指标个数,/>为控制第j个决策指标取值范围的效率系数,并且/>;
CU根据如下公式得到第j个决策指标取值范围的熵:
;
其中表示NU i的j个网络度量比例,写成
;
定义第j个决策指标的熵权为:
;
基于上述得到的归一化值和度量熵,CU得到第i个NU的可用性为:
;
CU得到第i个NU的转发概率为:
;
通过上面计算过程,将NU-metric矩阵转换为决策概率向量:
公式(4):;
当上述公式(4)的决策向量中出现几个NUs不自洽的情况,CU通过当前数据包大小除以传输速率得出所需时间,如果所需时间小于链路失效时间LET,则消除该NU进行路由;同时,CU用比PAR计时链路失效时间LET更小的可用缓冲区大小来消除NU,或者在LET内的通信范围之外;在消除操作后,将剩余的NUs命名为候选NUs,即CNU集合;
基于上述SDN的控制体系结构,集中控制器CC给出公式(4)右侧概率最高的路由决策,如下所示
;
式中,NBS表示基站数,表示CNU集合/>中候选路径/>的概率,通过上式求解最短路径算法得到可靠的路由解。
5.根据权利要求1所述的一种飞行Ad Hoc网络的自适应路由联合预测方法,其特征在于,本方法的JPE路由协议的计算复杂度为:
;
其中为基于LSTM的JP模块输入序列的长度,/>为最大NUs数,E为FANETS中的无人机数量,V为FANETS中的连接数,/>为路由请求之间的时间间隔。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310959006.0A CN116709359B (zh) | 2023-08-01 | 2023-08-01 | 一种飞行Ad Hoc网络的自适应路由联合预测方法 |
PCT/CN2024/070748 WO2024125664A1 (zh) | 2023-08-01 | 2024-01-05 | 一种飞行Ad Hoc网络的自适应路由联合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310959006.0A CN116709359B (zh) | 2023-08-01 | 2023-08-01 | 一种飞行Ad Hoc网络的自适应路由联合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116709359A true CN116709359A (zh) | 2023-09-05 |
CN116709359B CN116709359B (zh) | 2023-10-31 |
Family
ID=87841820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310959006.0A Active CN116709359B (zh) | 2023-08-01 | 2023-08-01 | 一种飞行Ad Hoc网络的自适应路由联合预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116709359B (zh) |
WO (1) | WO2024125664A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024125664A1 (zh) * | 2023-08-01 | 2024-06-20 | 南京邮电大学 | 一种飞行Ad Hoc网络的自适应路由联合预测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200220788A1 (en) * | 2019-01-04 | 2020-07-09 | GoTenna, Inc. | Method and apparatus for modeling mobility and dynamic connectivity on a stationary wireless testbed |
CN111541572A (zh) * | 2020-04-26 | 2020-08-14 | 武汉理工大学 | 一种低约束条件的随机机会网络图的精确重构方法 |
US20200333767A1 (en) * | 2018-02-17 | 2020-10-22 | Electro Industries/Gauge Tech | Devices, systems and methods for predicting future consumption values of load(s) in power distribution systems |
CN112491712A (zh) * | 2020-11-30 | 2021-03-12 | 复旦大学 | 一种基于多智能体深度强化学习的数据包路由算法 |
CN112822745A (zh) * | 2020-12-31 | 2021-05-18 | 南京航空航天大学 | 一种面向无人机自组网的自适应路由方法 |
CN113115399A (zh) * | 2021-03-31 | 2021-07-13 | 南京航空航天大学 | 一种异构无人机自组织网络的路由优化方法 |
CN113406588A (zh) * | 2021-05-14 | 2021-09-17 | 北京理工大学 | 对认知雷达信号的联合调制类型识别和参数估计方法 |
WO2022050138A1 (ja) * | 2020-09-04 | 2022-03-10 | 古河電気工業株式会社 | 通信装置、ネットワークシステム及び通信方法 |
CN114390631A (zh) * | 2022-02-15 | 2022-04-22 | 重庆邮电大学 | 一种无人机自组网络移动性预测的多径路由协议方法 |
US11323570B1 (en) * | 2021-07-29 | 2022-05-03 | Intuit Inc. | Multi-channel hybrid models for efficient routing |
CN116156455A (zh) * | 2022-12-29 | 2023-05-23 | 南京理工大学 | 一种基于联邦强化学习的车联网边缘内容缓存决策方法 |
CN116506916A (zh) * | 2022-01-19 | 2023-07-28 | 中国移动通信有限公司研究院 | 一种路由路径的确定方法、节点、终端及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107517158B (zh) * | 2017-08-29 | 2019-05-17 | 北京航空航天大学 | 无人机通信网络联合路由协议的设计方法 |
CN108076158B (zh) * | 2018-01-08 | 2020-07-03 | 苏州大学 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
CN112770256B (zh) * | 2021-01-06 | 2022-09-09 | 重庆邮电大学 | 一种无人机自组织网络中的节点轨迹预测方法 |
CN116506915A (zh) * | 2023-05-04 | 2023-07-28 | 东南大学 | 一种基于位置预测的无人机自组网路由方法 |
CN116709359B (zh) * | 2023-08-01 | 2023-10-31 | 南京邮电大学 | 一种飞行Ad Hoc网络的自适应路由联合预测方法 |
-
2023
- 2023-08-01 CN CN202310959006.0A patent/CN116709359B/zh active Active
-
2024
- 2024-01-05 WO PCT/CN2024/070748 patent/WO2024125664A1/zh unknown
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200333767A1 (en) * | 2018-02-17 | 2020-10-22 | Electro Industries/Gauge Tech | Devices, systems and methods for predicting future consumption values of load(s) in power distribution systems |
US20200220788A1 (en) * | 2019-01-04 | 2020-07-09 | GoTenna, Inc. | Method and apparatus for modeling mobility and dynamic connectivity on a stationary wireless testbed |
CN111541572A (zh) * | 2020-04-26 | 2020-08-14 | 武汉理工大学 | 一种低约束条件的随机机会网络图的精确重构方法 |
WO2022050138A1 (ja) * | 2020-09-04 | 2022-03-10 | 古河電気工業株式会社 | 通信装置、ネットワークシステム及び通信方法 |
CN112491712A (zh) * | 2020-11-30 | 2021-03-12 | 复旦大学 | 一种基于多智能体深度强化学习的数据包路由算法 |
CN112822745A (zh) * | 2020-12-31 | 2021-05-18 | 南京航空航天大学 | 一种面向无人机自组网的自适应路由方法 |
CN113115399A (zh) * | 2021-03-31 | 2021-07-13 | 南京航空航天大学 | 一种异构无人机自组织网络的路由优化方法 |
CN113406588A (zh) * | 2021-05-14 | 2021-09-17 | 北京理工大学 | 对认知雷达信号的联合调制类型识别和参数估计方法 |
US11323570B1 (en) * | 2021-07-29 | 2022-05-03 | Intuit Inc. | Multi-channel hybrid models for efficient routing |
CN116506916A (zh) * | 2022-01-19 | 2023-07-28 | 中国移动通信有限公司研究院 | 一种路由路径的确定方法、节点、终端及存储介质 |
CN114390631A (zh) * | 2022-02-15 | 2022-04-22 | 重庆邮电大学 | 一种无人机自组网络移动性预测的多径路由协议方法 |
CN116156455A (zh) * | 2022-12-29 | 2023-05-23 | 南京理工大学 | 一种基于联邦强化学习的车联网边缘内容缓存决策方法 |
Non-Patent Citations (6)
Title |
---|
MIN ZHANG ET.AL: "Adaptive Routing Design for Flying Ad Hoc Networks", 《IEEE COMMUNICATIONS LETTERS 》, vol. 26, no. 06, pages 1438 - 1442, XP011910901, DOI: 10.1109/LCOMM.2022.3152832 * |
何明;陈秋丽;陈希亮;郑翔;陈剑;: "鱼群启发的三维Ad hoc网络节点随机移动优化模型", 仪器仪表学报, no. 12 * |
吴承治;李振涛;: "FANET特种通信路由协议的综合调研(续)", 现代传输, no. 06 * |
张珉等: "无人机自组网路由协议研究综述", 《数据采集与处理》, vol. 37, no. 05 * |
沈艳霞;薛小松;: "无线传感器网络移动信标节点路径优化策略", 传感器与微系统, no. 12 * |
胡欢锋: "基于位置预测的无人机自组网分簇路由协议", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, no. 01 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024125664A1 (zh) * | 2023-08-01 | 2024-06-20 | 南京邮电大学 | 一种飞行Ad Hoc网络的自适应路由联合预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024125664A1 (zh) | 2024-06-20 |
CN116709359B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111132258B (zh) | 一种基于虚拟势场法的无人机集群协同机会路由方法 | |
US10142909B2 (en) | Artificial intelligence-augmented, ripple-diamond-chain shaped rateless routing in wireless mesh networks with multi-beam directional antennas | |
CN116709359B (zh) | 一种飞行Ad Hoc网络的自适应路由联合预测方法 | |
CN112822745B (zh) | 一种面向无人机自组网的自适应路由方法 | |
CN113163466B (zh) | 基于模糊决策树的自适应鱼群寻路包路由方法 | |
CN111935303A (zh) | 空地一体化车联网中基于意图感知的任务卸载方法 | |
CN109587751B (zh) | 无人机自组网自适应路由方法和系统 | |
CN112202848A (zh) | 基于深度强化学习的无人系统网络自适应路由方法和系统 | |
Jianmin et al. | Ardeep: Adaptive and reliable routing protocol for mobile robotic networks with deep reinforcement learning | |
Zhang et al. | Adaptive routing design for flying ad hoc networks | |
Toorchi et al. | Skeleton-based swarm routing (SSR): Intelligent smooth routing for dynamic UAV networks | |
CN111614559B (zh) | 实现全局优化aodv路由的方法、系统及介质 | |
Alam et al. | Q-learning-based routing inspired by adaptive flocking control for collaborative unmanned aerial vehicle swarms | |
CN111356199B (zh) | 一种三维场景中车载自组织网络路由选择方法 | |
CN110621052B (zh) | 一种多路径路由优化方法 | |
CN108024200B (zh) | 针对间歇性连接的无人机自组织网络的自适应方法及系统 | |
Gao et al. | Improvement of GPSR routing protocol for TDMA-based UAV ad-hoc networks | |
Liu et al. | Collaborative intelligence enabled routing in green iov: A grid and vehicle density prediction-based protocol | |
Royyan et al. | Bio-inspired scheme for congestion control in wireless sensor networks | |
Zhang et al. | Adaptive routing design for flying ad hoc networks: a joint prediction approach | |
Meng et al. | Intelligent routing orchestration for ultra-low latency transport networks | |
CN110691364B (zh) | 基于双曲正割学习率因子的q路由方法 | |
WO2024021281A1 (zh) | 一种分布式协同进化方法、uav及其智能路由方法、装置 | |
Zhou et al. | Optimized Routing Protocol Through Exploitation of Trajectory Knowledge for UAV Swarms | |
CN114938530B (zh) | 基于深度强化学习的无线自组网智能组网方法 |
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 |