CN103618674A - 基于自适应服务模型的联合分组调度和信道分配路由方法 - Google Patents

基于自适应服务模型的联合分组调度和信道分配路由方法 Download PDF

Info

Publication number
CN103618674A
CN103618674A CN201310508249.9A CN201310508249A CN103618674A CN 103618674 A CN103618674 A CN 103618674A CN 201310508249 A CN201310508249 A CN 201310508249A CN 103618674 A CN103618674 A CN 103618674A
Authority
CN
China
Prior art keywords
packet
scheduling
information
packet scheduling
routing
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
Application number
CN201310508249.9A
Other languages
English (en)
Other versions
CN103618674B (zh
Inventor
唐飞龙
季丽娟
唐灿
周金
过敏意
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201310508249.9A priority Critical patent/CN103618674B/zh
Publication of CN103618674A publication Critical patent/CN103618674A/zh
Application granted granted Critical
Publication of CN103618674B publication Critical patent/CN103618674B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供一种基于自适应服务模型的联合分组调度和信道分配路由方法,包括依次连接的认知信息库、推理学习库以及自适应路由调度器,其中:认知信息库用于认知信息的获取与建模;推理学习库用于资源分配子决策的预测与推理;自适应路由调度器用于联合分组调度和信道分配做出全局最优决策,控制整个网络资源的分配。本发明通过联合分组调度和信道分配算法,做出全局最优的路由决策,可以显著提高不同的多媒体业务在移动认知无线网络中的服务质量,高度动态、自适应地调整移动认知无线网络协议中的决策模型。认知信息、决策模型与路由的分离使得算法更易于扩展和维护,从而为标准统一的移动认知无线网络QoS路由方法提供了推动与支持。

Description

基于自适应服务模型的联合分组调度和信道分配路由方法
技术领域
本发明属于计算机技术领域,尤其是应用于移动认知无线网络环境下基于自适应服务模型的联合分组调度和信道分配的路由方法,具体涉及一种基于自适应服务模型的联合分组调度和信道分配路由方法。
背景技术
认知无线电是在软件无线电的基础上扩展的一种新技术,最早在1999年由瑞典皇家理工学院的Joseph Mitola博士提出。认知无线电技术的出现打破了传统的固定频谱分配制度,它可以实时地感知当前的无线环境,找出没有被使用的授权频谱,通过机会频谱接入,动态地利用这些“频谱空穴”,实现授权频谱的二次利用,提高了授权频谱的利用率,有效地缓解了无线频谱资源日趋紧张的问题。在认知无线网络中,存在两种用户,主用户(Primary User,PU)和次用户(Secondary User,SU)。主用户即分配了固定频段的授权用户,它对频谱具有优先使用权。次用户也叫做认知用户,它是在不对主用户的通信造成干扰的前提下,动态地接入授权频谱、利用“频谱空穴”进行通信的非授权用户。
传统的认知无线网络为数据传输业务提供单一的尽力而为的服务,而随着一些多媒体业务如视频点播、IP电话的不断涌现,对网络的服务质量(QoS)提出了不同层次的要求。例如实时语音业务要求传输时延和抖动要小,允许存在一定错误;而数据传输业务要求可靠性高,对时延要求一般。此外,在移动认知无线网络中,各节点的移动速度、移动模式、接入频谱都是随机的,这就造成网络拓扑、信道带宽随时可能发生变化。移动无线认知网络内在的动态性决定了它很难满足不同业务的服务质量需求。如何根据不同的业务QoS需求提供不同的服务始终是移动认知无线网络致力解决的难点,而综合各层的认知信息进行路由选择是解决QoS的关键技术。
经过对现有技术文献的检索发现,目前针对移动认知无线网络的QoS路由方法的研究还处于起步阶段,且没有一个公认的模型。He Qing和Zhou Huaibei(He Qing,ZhouHuaibei.Research on the routing algorithm based on Qos requirement forcognitive radionetworks[C].2008International Conference on Computer Science and SoftwareEngineering.2008)根据信道容量和时延的不同,联合网络层和MAC层采用最小生成树的思想找出最佳的路由路径,用于减少整个路由数据转发过程中的时延。这种QoS路由算法试图在信道容量和时延之间找到一个平衡点,最终得出一个具有最佳QoS性能的路由选择。但是,网络的QoS性能不单单是指时延这样一种单一的性能,不同的应用在不同的场合有着不同的性能需求。此外,该QoS路由机制中将认知信息与控制信息融合在一起,使得协议很难扩展和维护。认知无线网络必须能根据不同的业务QoS需求、不同的网络环境自适应地分配所需的网络资源,以此达到网络资源的优化分配与网络服务质量的提高,因而,移动认知无线网络需要新的可扩展资源的路由方法。
发明内容
移动认知无线网络必须根据动态的网路状况、可用频谱以及不同的业务QoS需求自适应地选择路由,以此来提高用户满意度和网络资源利用率。因此,为了在最短时间内完成业务的传输需求,必须基于业务QoS联合考虑分组调度和频谱分配,进行路由选择。
基于以上理解以及针对现有技术中的不足之处,本发明的目的在于克服现有移动认知无线网络资源分配机制可扩展性差、自适应能力弱的不足,针对业务QoS需求多样性,认知无线网络动态多变的特点,提出一种移动认知无线网络中基于自适应服务模型的联合分组调度和信道分配的路由方法。本发明将业务的不同层次需求、网络状况、可用频谱统一建模,在选择路由时综合考虑调度和信道策略,做出全局最优路由决策,从而达到了自适应地满足不同业务QoS需求、提高网络整体服务质量的目的。
根据本发明提供的基于自适应服务模型的联合分组调度和信道分配路由方法,包括依次连接的认知信息库、推理学习库以及自适应路由调度器,其中:
认知信息库用于认知信息的获取与建模;
推理学习库用于资源分配子决策的预测与推理;
自适应路由调度器用于联合分组调度和信道分配做出全局最优决策,控制整个网络资源的分配。
优选地,所述认知信息库包括业务QoS需求信息、网络节点信息、可用频谱信息,其中:
业务QoS需求信息包括传输时延、时延抖动、吞吐量和丢包率;
网络节点信息包括节点的邻居信息;
可用频谱信息包括频谱的分配情况、干扰约束、效益情况。
优选地,所述推理学习库包括分组调度策略模块和频谱分配策略模块,其中:
分组调度策略模块用于根据当前网络的变化情况实时调整个业务及各指标所占的权重,动态地调整各数据分组在等待队列中所处的位置;
频谱分配策略模块用于根据当前频谱分配情况预测下一轮的频谱分配。
优选地,所述自适应路由调度器是网络资源分配的控制者,控制着各数据分组在网络节点的调度、路由、传输信道,所述自适应路由调度器根据当前网络节点和邻居节点的信息自适应地调整分组调度策略和频谱分配策略,从候选的数据分组集找出最适合调度的数据分组,从预测的可分配频谱中找出可用信道,从而联合分组调度和信道分配将当前节点的数据分组从最优的路由传输。
与现有的技术相比,本发明具有如下有益效果:在最短时间内通过联合分组调度和信道分配生成的路由策略是全局综合最优解,满足了不同业务的QoS需求,同时降低了重建路由的可能性,因此可以极大提升网络的服务质量。此外,通过认知信息、推理自决策与联合调度的分离,使得该自适应服务模型更加容易扩展和维护。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为自适应服务模型与传统无线网络协议的交互原理示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
自适应服务模型(AdaptiveService)包括认知信息库、推理学习库以及自适应路由,如图1所示。其中:认知信息库用于认知信息的获取与建模,推理学习库用于资源分配子决策的预测与推理,自适应路由联合分组调度和信道分配做出全局最优路由决策,控制整个网络资源的分配。自适应服务模型的关键组件是自适应路由,通过交互一系列的认知信息,控制着网络资源的分配过程。具体包括三个阶段:(1)认知信息获取与建模。各网络节点将各层认知信息加入到认知信息库中并统一建模。(2)资源分配子决策预测与推理。根据认知信息库中的认知信息,生成相应的分组调度策略和信道分配策略,以及相应的候选集。(3)全局最优路由决策生成。基于候选集中选出的数据分组和可用信道,选择下一跳节点。
所述的认知信息库包括业务QoS需求信息、网络节点信息、可用频谱信息。其中:业务QoS需求信息包括传输时延、时延抖动、吞吐量和丢包率,不同的业务在网络中所占的权重不同,各需求指标在各业务中的所占的权重也是不同的,这样通过加权可以得到各业务的优先级。网络节点信息存储的是节点的邻居信息,是进行路由选择的重要参考信息。可用频谱信息包括频谱的分配情况、干扰约束、效益情况。
所述的推理学习库包括分组调度策略和频谱分配策略。其中:分组调度策略是各节点调度数据分组的依据,它根据当前网络的变化情况实时调整个业务及各指标所占的权重,动态地调整各数据分组在等待队列中所处的位置;频谱分配策略根据当前频谱分配情况预测下一轮的频谱分配。
所述的自适应路由是网络资源分配的控制者,控制着各数据分组在网络节点的调度和传输信道。它根据当前网络节点和邻居节点的信息自适应地调整分组调度策略和频谱分配策略,从候选的数据分组集找出最适合调度的数据分组,从预测的可分配频谱中找出可用信道,从而联合分组调度和信道分配选出最优的路由。
以下结合具体的实施例对本发明的技术方案作进一步详细阐述。整个发明实现过程如下:
1.认知信息的获取与建模
(1)业务QoS
业务QoS需求信息包括传输时延、时延抖动、吞吐量和丢包率来描述。通过对这些影响QoS的因素的综合判定,给出每个业务的优先级。
Figure BDA0000401609420000041
业务类型的分类及权重
A={a1,a2,…,an},ai(i=1,2,3,…,n)代表不同的业务,如语音,视频,数据等。
T={t1,t2,…,tn},ti(i=1,2,3,…,n)代表不同业务在网络中所占权重。
QoS级别的判决指标及权重
C={c1,c2,…,cn}分别代表QoS判决指标:传输时延、时延抖动、吞吐量、丢包率。各业务对QoS指标的要求不一样,所以,各指标在各业务下所占的权重不一样。设各判决指标在各业务中的权重系数表示为Wi=[wi1,wi2,wi3,wi4]分别代表传输时延、时延抖动、吞吐量、丢包率在第i种业务中所占的权重系数。
各业务优先级
根据各业务权重及各QoS指标权重进行加权,得到各业务的优先级Si为:
S i = t i ( Σ j = 1 4 c i w ij )
(2)网络节点信息
用邻居节点列表存储来自与本节点相邻节点的相关信息,如下网络节点列表所示:
NID NChannel NWLength NPostition VelocityVector ExpireTime
NID表示邻居节点地址;NChannel表示邻居节点工作的频段;NWLength表示邻居节点中正在等待处理的分组的队列长度;NPositinon记录邻居节点的地理位置;VelocityVector表示邻居节点的速度矢量;ExpireTime表示邻居节点的生存时间。
(3)可用频谱
假设有N个认知用户,M个可用频谱,则认知库中的可用频谱信息如下:
Figure BDA0000401609420000051
可用频谱矩阵
L={ln,m|ln,m∈{0,1}}N×M表示频谱对认知用户的分配情况,ln,m=1表示认知用户n可以使用信道m
Figure BDA0000401609420000052
效益矩阵
B={bn,m|bn,m≥0}N×M,表示认知用户n在信道m上获得的收益。
Figure BDA0000401609420000053
冲突矩阵
C={cn,m|cn,m≥0}N×M,表示与认知用户n在信道m上产生冲突的用户数。
Figure BDA0000401609420000054
干扰约束矩阵
I={in,k,m|in,k,m∈{0,1}}N×N×M,表示对某一可用信道,若不同的认知用户同时使用,则认知用户之间可能产生干扰。in,k,m=1表示会产生干扰。
2.资源分配子决策的预测与推理
(1)分组调度策略
在考虑分组调度策略时还必须考虑当前分组的等待时间,以免某些低优先级的业务得不到调度而处于饥饿状态。由此得到各业务分组的调度优先级为Qi=cSi+(1-c)Ri,其中c为调节系数,Ri为分组的等待时间。分组调度策略的实施过程如下:
第一步,更新节点上所有分组的等待时间。
第二步,更新节点上所有分组的优先级Qi=cSi+(1-c)Ri
第三步,根据最新的分组优先级调整每一个分组在等待队列上的位置,按优先级从高到低排序。
第四步,选取优先级最高的N个分组作为候选分组。
(2)频谱策略
具体的实施过程如下:
第一步,创建可用频谱矩阵L,效益矩阵B,冲突矩阵C,干扰约束矩阵I。
第二步,根据可用频谱矩阵L,冲突矩阵C,干扰约束矩阵I创建无干扰分配矩阵T。
第三步,根据无干扰分配矩阵T和效益矩阵B,创建优化分配矩阵R。
第四步,根据优化分配矩阵R按照业务优先级分配信道。
第五步,更新可用频谱矩阵L、冲突矩阵C、干扰约束矩阵I、优化分配矩阵R,进行下一轮频谱分配。
3.全局最优路由决策生成
自适应路由是自适应服务模型的核心,当接收到来自应用层的一个业务请求时,并行地驱动推理学习库的分组调度策略和频谱策略,然后根据推理学习库返回的候选子决策做出全局最优路由决策。具体的实施过程如下:
第一步,自适应路由等待来自应用层的业务请求,当有分组数据需要传输时,则从相应的候选调度分组集和可用频谱集选出数据分组和可用频谱;期间,若任何一个候选集为空,则转第二步;
第二步,调用相应的子决策,生成当前状态下的候选集,并将生成的候选集返回给自适应路由。自适应路由根据当前的认知信息和候选集为数据分组选择下一跳节点。
下一跳节点的选择有如下几个原则:(1)距离最短、(2)链路最稳定、(3)等待队列的长度最短、(4)信道最稳定。当前节点与邻居节点的距离用di表示;若当前节点和邻居节点相互靠近则表明链路比较稳定,若远离则表明链路不稳定,用rdi表示两个节点之间的相对运动情况;邻居节点中数据分组的等待队列长度用wli表示,根据公式邻居节点的优先选择权值可以表示为:pi=c1di+c2rdi+(1-c1-c2)wli,c1,c2为调节系数,优先权值最小且和当前节点之间在优化分配矩阵R中存在信道的邻居节点将被为下一跳节点。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。

Claims (4)

1.一种基于自适应服务模型的联合分组调度和信道分配路由方法,其特征在于,包括依次连接的认知信息库、推理学习库以及自适应路由调度器,其中:
认知信息库用于认知信息的获取与建模;
推理学习库用于资源分配子决策的预测与推理;
自适应路由调度器用于联合分组调度和信道分配做出全局最优决策,控制整个网络资源的分配。
2.根据权利要求1所述的基于自适应服务模型的联合分组调度和信道分配路由方法,其特征在于,所述认知信息库包括业务QoS需求信息、网络节点信息、可用频谱信息,其中:
业务QoS需求信息包括传输时延、时延抖动、吞吐量和丢包率;
网络节点信息包括节点的邻居信息;
可用频谱信息包括频谱的分配情况、干扰约束、效益情况。
3.根据权利要求1所述的基于自适应服务模型的联合分组调度和信道分配路由方法,其特征在于,所述推理学习库包括分组调度策略模块和频谱分配策略模块,其中:
分组调度策略模块用于根据当前网络的变化情况实时调整个业务及各指标所占的权重,动态地调整各数据分组在等待队列中所处的位置;
频谱分配策略模块用于根据当前频谱分配情况预测下一轮的频谱分配。
4.根据权利要求1所述的基于自适应服务模型的联合分组调度和信道分配路由方法,其特征在于,所述自适应路由调度器是网络资源分配的控制者,控制着各数据分组在网络节点的调度、路由、传输信道,所述自适应路由调度器根据当前网络节点和邻居节点的信息自适应地调整分组调度策略和频谱分配策略,从候选的数据分组集找出最适合调度的数据分组,从预测的可分配频谱中找出可用信道,从而联合分组调度和信道分配将当前节点的数据分组从最优的路由传输。
CN201310508249.9A 2013-10-24 2013-10-24 基于自适应服务模型的联合分组调度和信道分配路由方法 Active CN103618674B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310508249.9A CN103618674B (zh) 2013-10-24 2013-10-24 基于自适应服务模型的联合分组调度和信道分配路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310508249.9A CN103618674B (zh) 2013-10-24 2013-10-24 基于自适应服务模型的联合分组调度和信道分配路由方法

Publications (2)

Publication Number Publication Date
CN103618674A true CN103618674A (zh) 2014-03-05
CN103618674B CN103618674B (zh) 2017-04-12

Family

ID=50169378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310508249.9A Active CN103618674B (zh) 2013-10-24 2013-10-24 基于自适应服务模型的联合分组调度和信道分配路由方法

Country Status (1)

Country Link
CN (1) CN103618674B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105959988A (zh) * 2016-04-15 2016-09-21 北京航空航天大学 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法
CN105636062B (zh) * 2016-01-25 2019-02-26 长江大学 一种面向业务适度服务的认知无线网络传输学习方法
CN109547876A (zh) * 2018-12-29 2019-03-29 重庆邮电大学 一种弹性光网络双重故障下的自适应保护级别方法
CN110519859A (zh) * 2019-09-06 2019-11-29 山东星通易航通信科技有限公司 一种vdes***的接入上行信道的调度方法
CN113411757A (zh) * 2021-06-23 2021-09-17 西北工业大学 通信与计算一体化认知云网络中用户分组设计方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101437273A (zh) * 2008-12-24 2009-05-20 北京科技大学 一种基于跨层设计的分布式认知无线电网络路由方法
CN102036335A (zh) * 2009-09-27 2011-04-27 北京邮电大学 一种面向无线网络的认知路由协议
CN102158294A (zh) * 2011-02-25 2011-08-17 北京邮电大学 认知无线网络***及其认知流的传输方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101437273A (zh) * 2008-12-24 2009-05-20 北京科技大学 一种基于跨层设计的分布式认知无线电网络路由方法
CN102036335A (zh) * 2009-09-27 2011-04-27 北京邮电大学 一种面向无线网络的认知路由协议
CN102158294A (zh) * 2011-02-25 2011-08-17 北京邮电大学 认知无线网络***及其认知流的传输方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈赓 等: "认知无线电网络路由及频谱分配联合策略研究", 《电子与信息学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105636062B (zh) * 2016-01-25 2019-02-26 长江大学 一种面向业务适度服务的认知无线网络传输学习方法
CN105959988A (zh) * 2016-04-15 2016-09-21 北京航空航天大学 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法
CN105959988B (zh) * 2016-04-15 2021-05-18 北京航空航天大学 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法
CN109547876A (zh) * 2018-12-29 2019-03-29 重庆邮电大学 一种弹性光网络双重故障下的自适应保护级别方法
CN110519859A (zh) * 2019-09-06 2019-11-29 山东星通易航通信科技有限公司 一种vdes***的接入上行信道的调度方法
CN110519859B (zh) * 2019-09-06 2021-04-27 山东星通易航通信科技有限公司 一种vdes***的接入上行信道的调度方法
CN113411757A (zh) * 2021-06-23 2021-09-17 西北工业大学 通信与计算一体化认知云网络中用户分组设计方法及***
CN113411757B (zh) * 2021-06-23 2022-05-06 西北工业大学 通信与计算一体化认知云网络中用户分组设计方法及***

Also Published As

Publication number Publication date
CN103618674B (zh) 2017-04-12

Similar Documents

Publication Publication Date Title
Tran et al. COSTA: Cost-aware service caching and task offloading assignment in mobile-edge computing
Sun et al. Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning
Urgaonkar et al. Opportunistic scheduling with reliability guarantees in cognitive radio networks
US8681693B2 (en) Dynamic networking spectrum reuse transceiver
CN103618674A (zh) 基于自适应服务模型的联合分组调度和信道分配路由方法
Mirzaei et al. Towards optimal configuration in MEC Neural networks: deep learning-based optimal resource allocation
Yang et al. A cross‐layer optimization for maximum‐revenue‐based multicast in multichannel multiradio wireless mesh networks
Abouaomar et al. Matching-game for user-fog assignment
Shigueta et al. A strategy for opportunistic cognitive channel allocation in wireless Internet of Things
Kanagasabapathy et al. An adaptive channel reconfiguration algorithm for multi-channel multi-radio wireless mesh networks
Misra et al. Stochastic learning automata‐based channel selection in cognitive radio/dynamic spectrum access for WiMAX networks
Wu et al. Capacity optimization in networks with heterogeneous radio access technologies
Chen et al. Efficient spectrum utilization via cross-layer optimization in distributed cognitive radio networks
Pan et al. A time efficient aggregation convergecast scheduling algorithm for wireless sensor networks
Cui et al. A two-timescale resource allocation scheme in vehicular network slicing
CN104412647A (zh) 用于帮助解决通信***中的边界问题的集群优化的***和方法
Guo et al. Radio resource management for C-V2X: From a hybrid centralized-distributed scheme to a distributed scheme
Junior et al. ZAP: a distributed channel assignment algorithm for cognitive radio networks
Kaur et al. Intelligent spectrum management based on reinforcement learning schemes in cooperative cognitive radio networks
Yang et al. A Hierarchical Network Management Strategy for Distributed CIIoT With Imperfect CSI
Mardani et al. Energy and latency-aware scheduling under channel uncertainties in lte networks for massive iot
Naghsh et al. MUCS: A new multichannel conflict-free link scheduler for cellular V2X systems
Balieiro et al. An evolutionary scheme for secondary virtual networks mapping onto cognitive radio substrate
Zou et al. RSCMF: A mapping framework for resource scalability collaboration in radio access networks with SDR and virtualization
Hajjar et al. Relay selection based clustering techniques for high density LTE networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant