CN108966353B - Ad hoc网络中时隙分配策略的动态调整方法 - Google Patents
Ad hoc网络中时隙分配策略的动态调整方法 Download PDFInfo
- Publication number
- CN108966353B CN108966353B CN201810734655.XA CN201810734655A CN108966353B CN 108966353 B CN108966353 B CN 108966353B CN 201810734655 A CN201810734655 A CN 201810734655A CN 108966353 B CN108966353 B CN 108966353B
- Authority
- CN
- China
- Prior art keywords
- slot allocation
- time slot
- network
- node
- strategy
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 230000008447 perception Effects 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 19
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000008092 positive effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 2
- 241000854291 Dianthus carthusianorum Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种Ad hoc网络中时隙分配策略的动态调整方法,通过采集当前时刻网络特征信息,利用建立的基于BP神经网络的性能态势感知模型预测两种时隙分配策略下的分组端到端时延均值和分组成功传输概率;通过归一加权计算两种时隙分配策略下的***性能评估结果;根据网络的***性能评估结果和策略切换开销做出是否执行策略切换的智能决策。与现有技术相比,本发明的积极效果是:解决了现有Ad hoc网络中时隙分配策略无法随网络拓扑变化程度进行动态调整的问题,实现了分组传输时效性和可靠性的联合最优。
Description
技术领域
本发明涉及一种Ad hoc网络中时隙分配策略的动态调整方法。
背景技术
在采用TDMA技术体制的Ad hoc网络中,时隙分配策略是影响通信***性能的重要因素之一,当前时隙分配策略主要有以下两种:
一是“独占式”时隙分配策略。每个时隙资源在任一时刻只能被一个节点占用,即无空间复用。
二是“超两跳复用”时隙分配策略。相距超过两跳的节点允许使用相同的时隙,即有空间复用。
以上两种时隙分配策略各有优势和缺点,当网络拓扑较为稳定时,“超两跳复用”策略的时隙资源利用率较高,在时隙资源受限时的业务分组时效性和可靠性较好;当网络拓扑变化较为频繁时,“超两跳复用”策略需要对因节点移动造成的时隙冲突进行消解,而频繁的冲突消解会消耗较多的时隙资源,使得时隙资源利用率下降,在时隙资源受限时的业务分组时效性和可靠性较差。鉴于这两种时隙分配策略各有优势,分别适用于不同的网络拓扑变化程度场景,而目前尚未有文献或专利提出如何让网络能够根据拓扑变化程度进行时隙分配策略智能选择的方法。
发明内容
为了克服现有技术的上述缺点,本发明提供了一种Ad hoc网络中时隙分配策略的动态调整方法,旨在解决现有TDMA体制Ad hoc网络中时隙分配策略无法随网络拓扑变化程度进行动态调整的问题,以实现分组传输时效性和可靠性的联合最优。
本发明解决其技术问题所采用的技术方案是:一种Ad hoc网络中时隙分配策略的动态调整方法,包括如下步骤:
步骤一、建立基于BP神经网络的性能态势感知模型;
步骤二、采集当前时刻网络特征信息,利用基于BP神经网络的性能态势感知模型预测两种时隙分配策略下的分组端到端时延均值和分组成功传输概率;
步骤三、通过归一加权计算两种时隙分配策略下的***性能评估结果;
步骤四、根据网络的***性能评估结果和策略切换开销做出是否执行策略切换的智能决策。
与现有技术相比,本发明的积极效果是:
本发明通过BP神经网络建立从时隙分配策略、网络节点规模、网络拓扑信息等输入层神经元到分组端到端时延均值、分组成功传输概率等输出层神经元的非线性映射关系,即网络性能态势感知模型;再采集当前时刻网络特征信息,基于BP神经网络预测两种时隙分配策略下的分组端到端时延均值和分组成功传输概率,并通过归一加权计算得到两种时隙分配策略下的***性能评估结果;最后根据网络性能评估结果和策略切换开销做出是否执行策略切换的智能决策。总体来说,基于BP神经网络的时隙分配策略选择方法,解决了现有 Ad hoc网络中时隙分配策略无法随网络拓扑变化程度进行动态调整的问题,实现了分组传输时效性和可靠性的联合最优。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1为Ad hoc网络时隙分配策略选择模型;
图2为基于BP神经网络的性能态势感知模型;
图3为基于BP神经网络的时隙分配策略智能选择过程。
具体实施方式
1.基本思路
采用TDMA技术体制的Ad hoc网络时隙分配策略选择模型如图1所示,首先选取一个节点作为Ad hoc网络的核心节点,负责网络特征信息的采集、训练、学习,再对当前网络场景下两种时隙分配策略的性能进行预测和评估,最后给出是否进行时隙分配策略切换的决策;其中核心节点既可以选取簇首节点或网络中心节点,也可以按照其它原则甚至随机方法进行选择。除核心节点外的其它节点称为普通节点,负责采集本地的流量、拓扑等网络特征信息,并将其上报给核心节点,同时检测核心节点最新发布的策略切换通告,以及执行策略切换。依此循环,构成网络拓扑变化程度态势与时隙分配策略智能切换的认知环。
2.网络特征信息
按照既要反映网络拓扑变化程度、又要与分组传输时效性和可靠性相关联的要求,确定网络特征信息类型如下:
(1)拓扑信息:
节点i一跳邻居节点数量H1,i,两跳邻居节点数量H2,i,三跳以上邻居节点数量H3,i。
(2)拓扑变化程度信息:
节点i在过去T时段内,一跳范围内邻居节点变化次数之和Ci。例如,j节点T时段内在节点i的一跳和两跳范围频繁变化,则以j节点进入和退出i节点一跳范围的次数之和作为其相对于i节点的变化次数。
节点i在过去T时段内,一跳范围内未发生进入和退出变化的邻居节点数量Di。例如,在T时段内,有且仅有3个节点一直位于i节点的一跳范围,则Di=3。
(3)流量信息:
节点i在过去T时段内,源节点为本节点,目的节点为一跳、两跳、三跳以上范围内节点的业务流量E1,i、E2,i、E3,i。
3.输入层神经元
核心节点根据普通节点上报和本地采集的网络特征信息,确定BP神经网络的输入层神经元如下:
(1)时隙分配策略s。
采用“独占式”时隙分配策略时s取值1,采用“超两跳复用”时隙分配策略时s取值2。
(2)网络节点规模n。
(3)拓扑信息H1、H2、H3。
所有节点一跳、两跳、三跳以上邻居节点数量H1,i、H2,i、H3,i的均值H1、H2、 H3,即
(4)拓扑变化程度信息C、D。
所有节点在过去T时段内,一跳范围内邻居节点变化次数之和Ci的均值C,即
所有节点在过去T时段内,一跳范围内未发生进入和退出变化的邻居节点数量Di的均值D,即
(5)流量信息E1、E2、E3。
所有节点在过去T时段内,源节点为本节点,目的节点为一跳、两跳、三跳以上范围内节点的业务流量E1,i、E2,i、E3,i的均值E1、E2、E3,即
4.BP神经网络模型
以分组端到端时延均值t和分组成功传输概率p作为BP神经网络输出层神经元,用于衡量通信***时效性和可靠性两方面性能指标,相应基于BP神经网络的性能态势感知模型如图2所示。
如图2所示,中间隐含层的神经元数量取值5,设 X=[s,n,H1,H2,H3,C,D,E1,E2,E3]T,Y=[t,p]T,H=[h1,h2,h3,h4,h5]T,用 W1=[w1,1,1,…w1,10,1;w1,1,2,…w1,10,2;…;w1,1,5,…w1,10,5]、B1=[b1,1,b1,2,b1,3,b1,4,b1,5]T分别表示从 输入层到隐含层的权值和偏置矩阵, W2=[w2,1,1,…w2,10,1;w2,1,2,…w2,10,2;…;w2,1,5,…w2,10,5]、B2=[b2,1,b2,2,b2,3,b2,4,b2,5]T分别表示 从隐含层到输出层的权值和偏置矩阵,f表示神经元激励函数,可得隐含层和 输出层公式分别为:
采集大量历史样本数据,对BP神经网络进行训练,使其收敛,即建立从输入层神经元到输出层神经元的非线性映射关系。
5.策略切换
基于已收敛的BP神经网络,对下一时刻采用不同时隙分配策略时的网络性能态势进行预测,辅助时隙分配策略的智能选择,主要包括如图3所示的预测、评估和决策三个阶段。
(1)预测阶段
基于当前时刻的网络特征信息计算BP神经网络的输入层神经元,分别对两种时隙分配策略下的分组端到端时延均值和分组成功传输概率进行预测。即,第一个BP神经网络的输入层神经元X1=[1,n,H1,H2,H3,C,D,E1,E2,E3]T,对应的输出层神经元为Y1=[t1,p1]T;第二个BP神经网络的输入层神经元 X2=[2,n,H1,H2,H3,C,D,E1,E2,E3]T,对应的输出层神经元为Y2=[t2,p2]T。
(2)评估阶段
分组端到端时延均值和分组成功传输概率是衡量通信***性能的两个重要指标,不同的通信***对这两方面指标各有侧重,需要根据实际应用需求进行权重分配,设分组成功传输概率的权重为α,分组端到端时延均值的权重为β,则两种时隙分配策略下***性能归一加权后的评估结果为:
(3)决策阶段
在决策阶段,需要根据性能评估结果,做出是否进行时隙分配策略切换的智能决策。考虑到频繁的策略切换带来的切换开销易造成网络震荡,在策略切换时预留10%的缓冲区间。即,当且仅当另一种时隙分配策略性能评估结果高于当前时隙分配策略超过10%时,才执行策略切换,下一时刻时隙分配策略用公式表示为
其中V、V(+1)分别表示当前时刻和下一时刻时隙分配策略,取值1、2分别表示采用第一、二种时隙分配策略。
Claims (7)
1.一种Ad hoc网络中时隙分配策略的动态调整方法,其特征在于:包括如下步骤:
步骤一、建立基于BP神经网络的性能态势感知模型;
步骤二、采集当前时刻网络特征信息,利用基于BP神经网络的性能态势感知模型预测两种时隙分配策略下的分组端到端时延均值和分组成功传输概率;所述网络特征信息的采集、BP神经网络的训练和学习、两种时隙分配策略的性能预测和评估,以及时隙分配策略切换的决策均由Ad hoc网络中选取的一个核心节点负责;除核心节点外的其它节点为普通节点,负责采集本地的网络特征信息,并上报给核心节点,同时检测核心节点最新发布的策略切换通告,以及执行策略切换;其中:
所述网络特征信息的类型包括:
(1)拓扑信息:
节点i一跳邻居节点数量H1,i,两跳邻居节点数量H2,i,三跳及以上邻居节点数量H3,i;
(2)拓扑变化程度信息:
节点i在过去T时段内,一跳范围内邻居节点变化次数之和Ci,一跳范围内未发生进入和退出变化的邻居节点数量Di;
(3)流量信息:
节点i在过去T时段内,源节点为本节点,目的节点为一跳、两跳、三跳及以上范围内节点的业务流量E1,i、E2,i、E3,i;
所述核心节点根据普通节点采集并上报的本地网络特征信息,确定基于BP神经网络的性能态势感知模型的输入层神经元如下:
(1)时隙分配策略s;
(2)网络节点规模n;
(3)拓扑信息H1、H2、H3;
(4)拓扑变化程度信息C、D;
(5)流量信息E1、E2和E3;
步骤三、通过归一加权计算两种时隙分配策略下的***性能评估结果;
步骤四、根据网络的***性能评估结果和策略切换开销做出是否执行策略切换的智能决策。
2.根据权利要求1所述的Ad hoc网络中时隙分配策略的动态调整方法,其特征在于:所述输入层神经元的时隙分配策略为:采用“独占式”时隙分配策略时s取值1,采用“超两跳复用”时隙分配策略时s取值2。
3.根据权利要求1所述的Ad hoc网络中时隙分配策略的动态调整方法,其特征在于:所述输入层神经元的拓扑信息H1、H2、H3分别为所有节点一跳、两跳、三跳以上邻居节点数量H1,i、H2,i、H3,i的均值。
4.根据权利要求1所述的Ad hoc网络中时隙分配策略的动态调整方法,其特征在于:所述输入层神经元的拓扑变化程度信息包括:所有节点在过去T时段内,一跳范围内邻居节点变化次数之和Ci的均值C和所有节点在过去T时段内,一跳范围内未发生进入和退出变化的邻居节点数量Di的均值D。
5.根据权利要求1所述的Ad hoc网络中时隙分配策略的动态调整方法,其特征在于:所述输入层神经元的流量信息包括:所有节点在过去T时段内,源节点为本节点,目的节点为一跳、两跳、三跳以上范围内节点的业务流量E1,i、E2,i、E3,i的均值E1、E2和E3。
6.根据权利要求1所述的Ad hoc网络中时隙分配策略的动态调整方法,其特征在于:所述基于BP神经网络的性能态势感知模型的输出层神经元为分组端到端时延均值t和分组成功传输概率p。
7.根据权利要求1所述的Ad hoc网络中时隙分配策略的动态调整方法,其特征在于:步骤四满足策略切换的条件是:当且仅当另一种时隙分配策略性能评估结果高于当前时隙分配策略超过10%时,才执行策略切换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810734655.XA CN108966353B (zh) | 2018-07-06 | 2018-07-06 | Ad hoc网络中时隙分配策略的动态调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810734655.XA CN108966353B (zh) | 2018-07-06 | 2018-07-06 | Ad hoc网络中时隙分配策略的动态调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108966353A CN108966353A (zh) | 2018-12-07 |
CN108966353B true CN108966353B (zh) | 2022-02-08 |
Family
ID=64485981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810734655.XA Active CN108966353B (zh) | 2018-07-06 | 2018-07-06 | Ad hoc网络中时隙分配策略的动态调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108966353B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103002525A (zh) * | 2012-12-26 | 2013-03-27 | 上海交通大学 | 一种基于定向天线的Ad Hoc网络异步邻居节点扫描方法 |
CN103874226A (zh) * | 2014-03-27 | 2014-06-18 | 西安电子科技大学 | 自组织网络中基于tdma的多址接入方法 |
CN103916929A (zh) * | 2014-03-25 | 2014-07-09 | 中国电子科技集团公司第三十研究所 | 一种定向Ad Hoc网络邻居发现方法 |
CN104735159A (zh) * | 2015-04-02 | 2015-06-24 | 东南大学 | 一种基于自适应时隙分配的车载网接入方法 |
CN105554887A (zh) * | 2015-12-09 | 2016-05-04 | 电子科技大学 | 一种基于tdma的无线mesh网络分布式资源分配的方法 |
CN108235437A (zh) * | 2017-12-04 | 2018-06-29 | 中国电子科技集团公司第三十研究所 | 一种无线移动自组织网络信道时隙调度分配方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100150027A1 (en) * | 2008-04-04 | 2010-06-17 | Peter Atwal | Systems and methods of planning and deploying an ad hoc mobile wireless network |
US8942197B2 (en) * | 2011-10-24 | 2015-01-27 | Harris Corporation | Mobile ad hoc network with dynamic TDMA slot assignments and related methods |
-
2018
- 2018-07-06 CN CN201810734655.XA patent/CN108966353B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103002525A (zh) * | 2012-12-26 | 2013-03-27 | 上海交通大学 | 一种基于定向天线的Ad Hoc网络异步邻居节点扫描方法 |
CN103916929A (zh) * | 2014-03-25 | 2014-07-09 | 中国电子科技集团公司第三十研究所 | 一种定向Ad Hoc网络邻居发现方法 |
CN103874226A (zh) * | 2014-03-27 | 2014-06-18 | 西安电子科技大学 | 自组织网络中基于tdma的多址接入方法 |
CN104735159A (zh) * | 2015-04-02 | 2015-06-24 | 东南大学 | 一种基于自适应时隙分配的车载网接入方法 |
CN105554887A (zh) * | 2015-12-09 | 2016-05-04 | 电子科技大学 | 一种基于tdma的无线mesh网络分布式资源分配的方法 |
CN108235437A (zh) * | 2017-12-04 | 2018-06-29 | 中国电子科技集团公司第三十研究所 | 一种无线移动自组织网络信道时隙调度分配方法 |
Non-Patent Citations (5)
Title |
---|
A Dynamical Slot Assignment Method for Wireless Sensor Networks Based on Hopfield Network;Yang Q等;《International Journal of Distributed Sensor Networks》;20140505;全文 * |
Research on Time Slot Allocation Protocols of Ad Hoc Network Based on TDMA;Liu, Z.-X.等;《IEEE 2017 International Conference on Network and Information Systems for Computers (ICNISC)》;20171231;全文 * |
定向Ad hoc网络中一种带冲突避免的邻居发现算法;景中源等;《通信技术》;20150510(第05期);全文 * |
航空自组网MAC协议综述;朱庆等;《计算机应用与软件》;20160615(第06期);全文 * |
认知车载网中基于TDMA/CSMA的混合多信道MAC协议研究;金喜龙等;《计算机应用研究》;20170321(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108966353A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107846714B (zh) | 一种可见光通信与WiFi异构***的切换方法及设备 | |
CN110247793B (zh) | 一种移动边缘云中的应用程序部署方法 | |
CN107484209B (zh) | 一种考虑用户QoS的网络负载均衡垂直切换方法 | |
CN108600103A (zh) | 面向多层级网络的多QoS路由约束的蚁群算法 | |
CN105530312B (zh) | 网络服务路径选择***及其选择方法 | |
CN104135752B (zh) | 一种无线传感器网络簇头节点选择方法及分簇方法 | |
CN110519798A (zh) | 一种光纤无线融合网络资源分配机制以及收益计算方法 | |
CN111083733B (zh) | 一种无线传感器网络拥塞控制方法及*** | |
CN114500561B (zh) | 电力物联网网络资源分配决策方法、***、设备及介质 | |
CN112118602A (zh) | 基于区间二型模糊神经网络的垂直切换算法 | |
Arkian et al. | FcVcA: A fuzzy clustering-based vehicular cloud architecture | |
CN115001537B (zh) | 一种基于分簇算法的载波通信***的路由组网方法 | |
CN104022951A (zh) | 一种网络服务路径的建立方法及*** | |
CN103618674B (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 | |
CN108966353B (zh) | Ad hoc网络中时隙分配策略的动态调整方法 | |
CN111683384B (zh) | 运用人工智能实现通讯链路动态加权的网络优化方法 | |
CN115173926B (zh) | 基于拍卖机制的星地融合中继网络的通信方法和通信*** | |
Prithiviraj et al. | Multi-Criteria Fuzzy-Based Decision Making Algorithm to Optimize the VHO Performance in Hetnets. | |
Wang et al. | A dynamic channel-borrowing approach with fuzzy logic control in distributed cellular networks | |
HaghighiFard et al. | Hierarchical federated learning in multi-hop cluster-based vanets | |
CN110149608B (zh) | 一种基于dai的光学无线传感器网络的资源分配方法 | |
CN113094857A (zh) | 一种节能的软件定义车辆网络的控制器布局方法 | |
Assareh et al. | A novel many-objective clustering algorithm in mobile ad hoc networks | |
CN104219679A (zh) | 认知无线电网络中的一种改进的信道分配方法 | |
Jiang et al. | Potential game based distributed IoV service offloading with graph attention networks in mobile edge computing |
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 |