CN117320112A - 一种双模通信网络能耗均衡方法及*** - Google Patents
一种双模通信网络能耗均衡方法及*** Download PDFInfo
- Publication number
- CN117320112A CN117320112A CN202311400044.9A CN202311400044A CN117320112A CN 117320112 A CN117320112 A CN 117320112A CN 202311400044 A CN202311400044 A CN 202311400044A CN 117320112 A CN117320112 A CN 117320112A
- Authority
- CN
- China
- Prior art keywords
- communication
- network node
- network
- power consumption
- data
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 393
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005265 energy consumption Methods 0.000 title claims abstract description 45
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 100
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 46
- 230000005540 biological transmission Effects 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 13
- 101710097943 Viral-enhancing factor Proteins 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000002195 synergetic effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 206010033799 Paralysis Diseases 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/123—Evaluation of link metrics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/124—Shortest path evaluation using a combination of metrics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/14—Routing performance; Theoretical aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/46—Cluster building
-
- 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
-
- 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)
Abstract
本发明涉及无线通信网络技术领域,提出了一种双模通信网络能耗均衡方法及***,包括:获取耗电量序列以及通信相关数据的数据序列;基于耗电量序列分类分割的结果确定每种通信相关数据对应的状态协同系数;基于状态协同系数以及不同通信相关数据概率分布的差异获取耗电量关联紧密指数;根据耗电量关联紧密指数获取节点通信负载指数;基于节点通信负载序列获取高工模式选择指数;根据剩余能量值以及通信负载预测值获取簇头选取指数;基于不同通信模式中网络节点的簇头选取指数确定簇头节点,基于簇头节点实现双模通信网络中的能耗均衡。本发明避免只根据网络节点的初始能量进行簇头选举造成将剩余能量较低的网络节点作为簇头的问题。
Description
技术领域
本发明涉及无线通信网络技术领域,具体涉及一种双模通信网络能耗均衡方法及***。
背景技术
双模通信网络是指一种可以在不同模式下运行的通信网络,通常采用不同的通信技术或频段,以保证在不同条件下提供高质量的通信性能,双模通信网络中一般支持4G、5G的两种模式的通信方式。5G通信网络使用高频率和毫米波传输,可以提供更高的带宽和速度,但是具有极高的能源消耗,而4G通信网络使用较低的频段,传输速率相较于5G较慢,因此往往能源消耗较少。因此,双模通信网络中应当进行能耗均衡,防止网络节点一直采用高能耗的5G通信,导致节点甚至网络瘫痪,延长节点和网络的使用寿命,而且能耗均衡不仅可以降低网络的总体能源消耗,还可以减少运营成本和对环境的不良影响。
传统的通信网络能耗均衡方法,如路由分簇LEACH(Low Energy AdaptiveClustering Hierarchy)算法,将网络中的节点分成不同的小组,每个小组就是一个簇,但是在双模通信网络中,不同类型的通信网络节点是不同的,LEACH算法无法将不同网络节点进行区分;而SEP(Stable Election Protocol)算法,可以将两者进行区分,但是传统SEP算法只是根据节点的初始能量进行簇头选举,双模通信网络中实际也应当考虑节点的剩余能量。
发明内容
本发明提供一种双模通信网络能耗均衡方法及***,以解决SEP算法中只根据网络节点的初始能量进行簇头选举,易造成簇头选举过程中将剩余能量较低的网络节点作为簇头导致网络节点能量耗尽的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供一种双模通信网络能耗均衡方法,该方法包括以下步骤:
获取每个网络节点的耗电量序列,以及每种通信相关数据的数据序列,所述通信相关数据包括数据传输量、通信速率、时延;
基于每个网络节点上耗电量序列分类分割的结果确定每个网络节点上每种通信相关数据与耗电量数据之间的状态协同系数;
基于所述每种通信相关数据对应的状态协同系数以及每个网络节点上不同种通信相关数据概率分布的差异获取所述每种通信相关数据的耗电量关联紧密指数;
根据所述每种通信相关数据的耗电量关联紧密指数获取每个网络节点每个时刻的节点通信负载指数;采用数据预测算法基于所有网络节点的节点通信负载序列获取高工模式选择指数;
根据每个网络节点的剩余能量值以及通信负载预测值获取每个网络节点的簇头选取指数;基于不同通信模式中网络节点的簇头选取指数确定SEP算法中的簇头节点,基于所述簇头节点实现双模通信网络中的能耗均衡。
优选的,所述基于每个网络节点上耗电量序列分类分割的结果确定每个网络节点上每种通信相关数据与耗电量数据之间的状态协同系数的方法为:
采用数据聚类算法将每个网络节点的耗电量序列划分为高耗电量数据簇、低耗电量数据簇;
采用区域生长算法分别将高耗电量数据簇、低耗电量数据簇分割为第一预设数量个高耗电量二级数据序列、第二预设数量个低耗电量二级数据序列;每个网络节点的耗电量二级数据序列包括高耗电量二级数据序列、低耗电量二级数据序列两类;
根据与所述耗电量二级数据序列处于同一时间区间的不同种通信相关数据序列分别获取每个网络节点上每种通信相关数据的低耗电量协同因子、高耗电量协同因子;
将每个网络节点上每种通信相关数据的低耗电量协同因子与高耗电量协同因子的和作为每个网络节点上每种通信相关数据与耗电量数据之间的状态协同系数。
优选的,所述根据与所述耗电量二级数据序列处于同一时间区间的不同种通信相关数据序列分别获取每个网络节点上每种通信相关数据的低耗电量协同因子、高耗电量协同因子的方法为:
式中,Li,j是第i个网络节点上第j种通信相关数据的低耗电量协同因子,m是低耗电量二级数据序列的数量,ALj,a是与第a个低耗电量二级数据序列处于同一时间区间的第j种通信相关数据的二级数据序列,RL(ALj,a)是所述二级数据序列ALj,a的特征权重,A是通信相关数据的种类数量;
Hi,j是第i个网络节点上第j种通信相关数据的高耗电量协同因子,n是高耗电量二级数据序列的数量,AHj,b是与第b个高耗电量二级数据序列处于同一时间区间的第j种通信相关数据的二级数据序列,RH(AHj,b)是所述二级数据序列AHj,b的特征权重。
优选的,所述基于所述每种通信相关数据对应的状态协同系数以及每个网络节点上不同种通信相关数据概率分布的差异获取所述每种通信相关数据的耗电量关联紧密指数的方法为:
获取每个网络节点上每种通信相关数据序列与其余任意一种通信相关数据序列中元素的概率分布之间的度量结果,将所述度量结果在其余所有种通信相关数据序列上的累加结果作为每个网络节点上每种通信相关数据的状态独立系数;
将每个网络节点上每种通信相关数据的状态独立系数与所述每种通信相关数据对应状态协同系数的乘积作为分子;
将每个网络节点上所有种通信相关数据的状态独立系数中的最大值作为分母;
将分子与分母的比值作为每个网络节点上每种通信相关数据的耗电量关联紧密指数。
优选的,所述根据所述每种通信相关数据的耗电量关联紧密指数获取每个网络节点每个时刻的节点通信负载指数的方法为:
将每个网络节点上每种通信相关数据的耗电量关联紧密指数与每种通信相关数据序列中每个时刻元素值的乘积作为分子;
将每个网络节点上所有种通信相关数据的耗电量关联紧密指数的累加和作为分母;将分子与分母的比值作为第一比例因子;将第一比例因子在所有种通信相关数据上的累加结果作为每个网络节点上每个时刻的通信补偿系数;
将每个网络节点上每个时刻的耗电量与其通信补偿系数的均值作为每个网络节点每个时刻的节点通信负载指数。
优选的,所述采用数据预测算法基于所有网络节点的节点通信负载序列获取高工模式选择指数的方法为:
将每个网络节点所有时刻的节点通信负载指数按照时间升序顺序组成的序列作为每个节点的节点通信负载序列,采用数据预测算法基于所述节点通信负载序列获取预测时刻每个网络节点的通信负载预测值;
将预测时刻每个网络节点的通信负载预测值与其余任意一个网络节点的通信负载预测值之间的差值作为第一差值,将第一差值在其余所有网络节点上的累加作为分子;
将预测时刻每个网络节点剩余能量值与所有网络节点剩余能量值的均值之间的差值作为第二差值;将以自然常数为底数,以第二差值为指数的计算结果作为分母;
将分子与分母的比值作为每个节点的高工模式选择指数。
优选的,所述根据每个网络节点的剩余能量值以及通信负载预测值获取每个网络节点的簇头选取指数的方法为:
获取双模通信网络中每个网络节点与其余每个网络节点之间的欧式距离,将所述欧式距离最小值对应的网络节点作为每个网路节点的最近邻传输节点;
将每个网络节点传输预设数据量的通信数据到其最近邻传输节点的总能耗与传输时长的比值作为每个网络节点的传输最小损耗;
将预测时刻每个网络节点剩余能量值与每个网络节点的传输最小损耗的比值作为每个网络节点的数据传输距离;
根据每个网络节点的数据传输距离以及所述每个网络节点剩余能量值确定每个网络节点的簇头选取指数。
优选的,所述根据每个网络节点的数据传输距离以及所述每个网络节点剩余能量值确定每个网络节点的簇头选取指数的方法为:
获取预测时刻所有网络节点剩余能量值的均值,将预测时刻剩余能量值大于所述均值的网络节点标记为高能量节点,将预测时刻剩余能量值小于等于所述均值的网络节点标记为低能量节点;
将以每个网络节点为圆心,以每个网络节点的数据传输距离为半径确定的圆形区域内所有高能量节点的集合作为可传输高能量节点集合;将以每个网络节点为圆心,以每个网络节点的数据传输距离为半径确定的圆形区域内所有低能量节点的集合作为可传输低能量节点集合;
将可传输高能量节点集合中所有网络节点的剩余能量值与中心点的剩余能量值之间差值的累加和作为第一计算因子;将中心点的剩余能量值与可传输低能量节点集合中所有网络节点的剩余能量值之间差值的累加和作为第二计算因子;将第一计算因子与第二计算因子的差值作为分子;
将预测时刻可传输高能量节点集合与可传输低能量节点集合中所有网络节点的通信负载预测值的累加和作为分母;
将分子与分母的比值的归一化结果作为每个网络节点的簇头选取指数。
优选的,所述基于不同通信模式中网络节点的簇头选取指数确定SEP算法中的簇头节点的方法为:
采用阈值分割算法获取双模通信网络中所有节点的高工模式选择指数的分割阈值;将高工模式选择指数大于所述分割阈值的网络节点作为5G通信模式中的网络节点;将高工模式选择指数小于所述分割阈值的网络节点作为4G通信模式中的网络节点;
对于5G通信模式中的网络节点,将以自然常数为底数,以每个网络节点的簇头选取指数的相反数为指数的计算结果与第一预设阈值的差值作为5G通信模式中每个网络节点的第一特征值;将5G通信模式中所有网络节点的第一特征值按照降序顺序排列组成的序列作为5G通信模式的簇头选取序列;
对于4G通信模式中的网络节点,将以自然常数为底数,以每个网络节点的簇头选取指数的相反数为指数的计算结果与第二预设阈值的差值作为4G通信模式中每个网络节点的第一特征值;将4G通信模式中所有网络节点的第一特征值按照降序顺序排列组成的序列作为4G通信模式的簇头选取序列;
分别将5G通信模式、4G通信模式的簇头选取序列中预设数量个元素对应的网络节点作为5G通信模式、4G通信模式的簇头节点。
第二方面,本发明实施例还提供了一种双模通信网络能耗均衡***,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是:本发明根据双模通信网络中每个网络节点上不同种类采集数据之间的协同性和独立性,对不同种通信相关数据进行加权数据融合,构建节点通信负载指数,反应网络节点每个时刻的通信负荷程度,有益效果在于避免通信相关数据之间互相影响致使数据融合效果较差的情况;基于双模通信网络不同通信模式的特点,结合网络节点的数据传输距离和通信负载的分布特征构建节点簇头选取指数,改进传统SEP算法中的簇头选取阈值,有益效果在于避免传统SEP算法只根据网络节点的初始能量进行簇头选举,易造成簇头选举过程中将剩余能量较低的网络节点作为簇头从而导致网络节点能量耗尽、网络瘫痪的问题,提高了不同通信模式下簇头节点选取的有效性,使得双模通信网络中的能耗均衡效果更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种双模通信网络能耗均衡方法的流程示意图;
图2为本发明一个实施例所提供的一种双模通信网络能耗均衡方法的实施流程图。
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。
请参阅图1,其示出了本发明一个实施例提供的一种双模通信网络能耗均衡方法的流程图,该方法包括以下步骤:
步骤S001,获取网络节点的耗电量序列,以及每种通信相关数据的数据序列。
首先利用网络流量分析工具,例如Wireshark,采集双模通信网络中每个网络节点的通信相关数据,所述通信相关数据包括:数据传输量、通信速率以及时延。其次,为了实时监测双模通信网络中每个网络节点的耗电量,采用电能表采集每个网络节点的耗电量相关数据,具体过程为:将电能表连接到双模通信网络中网络节点的电源线上,通过电能表采集每个网络节点耗电量相关数据,包括电流、电压等数据,数据采集可以通过物理接口、无线通信等方式,本发明中为了减少数据传输过程中网络波动的影响,通过物理接口的方式采集,最终将采集数据通过双模通信网络上传至云平台,云平台根据采集的电流、电压等数据计算每个网络节点的耗电量。需要说明的是,电能表的类型和规格、以及网络流量分析工具可由实施者选择,测量精度越高越好。
本发明中相邻两个数据采集时刻的时间间隔为1s,每一轮采集5min的数据,每个时刻采集每个网络节点的耗电量、数据传输量、通信速率以及时延,将每个网络节点所有采集时刻得到的耗电量按照时间顺序组成的序列作为每个网络节点的耗电量序列;并分别将每个网络节点所有采集时刻得到的数据传输量、通信速率、时延按照时间顺序组成的序列作为每个网络节点的数据传输量序列、通信速率序列、时延序列。需要说明的是,数据采集的时间间隔、数据量可由实施者根据实际情况选择。
至此,得到每个网络节点的耗电量序列,以及每个网络节点每种通信相关数据的数据序列。
步骤S002,基于每个网络节点上耗电量序列分类分割的结果确定每个网络节点上每种通信相关数据与耗电量数据之间的状态协同系数。
在双模通信网络中,基站负责接收、处理和转发节点通信数据,每个网络节点数据都会传输到基站中。若通信数据直接从网络节点传输到基站中,往往需要消耗网络节点较多的能量,当网络节点进行通信传输的频率较高时,可能会出现网络节点能量耗尽,节点瘫痪,影响用户体验。因此,实际中往往是将能量较多的网络节点作为簇头,其余网络节点将数据传输到簇头上,簇头再将通信数据传输到基站中,降低其余网络节点通信的能耗,完成网络通信。因此,本发明基于SEP(Stable Election Protocol)算法从双模通信网络的所有网络节点中选择真正合适作为簇头的网络节点,将整个通信网络的能耗负载平均到每一个网络节点上,实现降低网络通信能耗、延长整个通信网络生命周期的目的。
具体地,在双模通信网络的两种通信模式中,5G通信网络可以提供更高的带宽和速度,但是具有极高的能源消耗;4G通信网络传输速率相对较慢,但是能源消耗较少。对于4G、5G双模通信网络而言,网络节点采用哪种通信模式主要取决于网络节点的通信负载和剩余能量的多少,当通信负载较高,同时网络节点的剩余能量较为充裕时,采用5G通信模式,而当通信负载较低,网络节点的剩余能量也较少时,通常采用4G通信模式。网络节点的耗电量可以体现网络节点的通信负载程度,当网络节点的耗电量越多,说明节点的通信数据处理越多,即网络节点的通信负载越高,但是仅仅只使用网络节点的耗电量计算网络节点的通信负载程度误差可能较大,如存在网络节点通信带宽利用率较大时,网络信道堵塞,此时网络节点的耗电量趋于稳定,但是通信数据需要排队等待处理、传输,此时网络节点的时延较高、通信负载程度也较高。因此,首先分析通信网络节点不同种类通信相关数据的协同性和独立性,获取较为准确的网络节点通信负载。
进一步地,对于任意一个网络节点,以第i个网络节点的耗电量序列为例,将第i个网络节点的耗电量序列Xi,1作为K-means聚类算法的输入,聚类簇的数量K设置为2,聚类过程中的度量方式为欧式距离,输出为两个聚类簇,将数据均值较大的聚类簇作为高耗电量数据簇XH,将数据均值较小的聚类簇作为低耗电量数据簇XL,K-means聚类算法为公知技术,具体过程不再赘述。其次,采用区域生长算法分别将高耗电量数据簇XH、低耗电量数据簇XL划分成二级数据序列,具体过程如下:对进行二值化处理,将低耗电量数据簇XL内所有元素都置为0,将高耗电量数据簇XH内所有元素都置为1。将所有置为0的元素作为区域生长算法的初始种子点,生长准则为低耗电量数据簇XL中初始种子点相邻采集时刻的值为0则进行生长,否则不生长,遍历低耗电量数据簇XL中的所有元素,将低耗电量数据簇XL分割成m个二级数据序列,分别记为低耗电量二级数据序列XL1至低耗电量二级数据序列XLm;其次,重复上述区域生长流程,将所有置为1的元素作为区域生长算法的初始种子点,生长准则为高耗电量数据簇XH中初始种子点相邻采集时刻的值为1则进行生长,否则不生长,遍历高耗电量数据簇XH中的所有元素,将高耗电量数据簇XH分割成n个二级数据序列,分别记为高耗电量二级数据序列XH1至高耗电量二级数据序列XHn,区域生长为公知技术,具体过程不再赘述。
根据上述步骤,分别将每个网络节点的数据传输量序列、通信速率序列、时延序列作为K-means聚类算法的输入,重复上述处理流程,获取每个网络节点的每种通信相关数据的二级数据序列。根据与高耗电量二级数据序列、低耗电量二级数据序列位于同一时间区间的通信相关数据的二级数据序列获取每种通信相关数据的特征权重。举例而言,将低耗电量二级数据序列XL1中所有元素采集时刻最小值到采集时刻最大值之间的时间间隔作为低耗电量二级数据序列XL1的时间区间[tmin,tmax],获取时间区间为[tmin,tmax]的所有通信相关数据的二级数据序列,将时间区间为[tmin,tmax]的所有通信相关数据的二级数据序列作为特征选择ReliefF算法的输入,输出为每种通信相关数据的特征权重,特征选择ReliefF算法为公知技术,具体过程不再赘述。
基于上述分析,此处构建状态协同系数,用于表征通信相关数据与耗电量数据之间处于相同数据状态的程度,计算第i个网络节点第j种通信相关数据与耗电量数据之间的状态协同系数Ci,j:
Ci,j=Li,j+Hi,j
式中,Li,j是第i个网络节点上第j种通信相关数据的低耗电量协同因子,m是低耗电量二级数据序列的数量,ALj,a是与第a个低耗电量二级数据序列XLa处于同一时间区间的第j种通信相关数据的二级数据序列,RL(ALj,a)是所述二级数据序列ALj,a的特征权重,A是通信相关数据的种类数量;
Hi,j是第i个网络节点上第j种通信相关数据的高耗电量协同因子,n是高耗电量二级数据序列的数量,AHj,b是与第b个高耗电量二级数据序列XHb处于同一时间区间的第j种通信相关数据的二级数据序列,RH(AHj,b)是所述二级数据序列AHj,b的特征权重,RH(AHj,b)的获取原理与RL(ALj,a)一致,不再赘述;
Ci,j是第i个网络节点第j种通信相关数据与耗电量数据之间的状态协同系数。
其中,与第a个低耗电量二级数据序列XLa处于同一时间区间的第j种通信相关数据的二级数据序列ALj,a对低耗电量二级数据序列XLa的影响程度越大,特征权重RL(ALj,a)的值越大,Li,j的值越大;第j种通信相关数据的二级数据序列AHj,b对高耗电量二级数据序列AHj,b的影响程度越大,特征权重RH(AHj,b)的值越大,Hi,j的值越大;即Ci,j的值越大,第j种通信相关数据序列与第i个网络节点耗电量序列之间的关联程度越高。
至此,得到每个网络节点每种通信相关数据与耗电量数据之间的状态协同系数,用于后续获取每种通信相关数据的耗电量关联紧密指数。
步骤S003,基于每种通信相关数据对应的状态协同系数以及每个网络节点上不同种通信相关数据概率分布的差异获取每种通信相关数据的耗电量关联紧密指数,根据所述每种通信相关数据的耗电量关联紧密指数获取每个网络节点每个时刻的节点通信负载指数。
对于双模通信网络而言,不同种类之间的通信相关数据可能并不是相互独立的,数据之间可能会互相影响,如数据传输量增大,导致网络节点信道利用率提高,也会导致数据需要长时间排队,网络节点的时延也增大。因此考虑根据每个网络节点的每种通信相关数据的数据序列获取每个网络节点的每种通信相关数据序列中所有元素的概率分布。例如,获取第i个网络节点的通信速率序列,统计通信速率序列中元素取值的情况,并统计每一种取值出现的概率,利用最小二乘法获取以所述元素取值为横坐标,以取值出现的概率为纵坐标确定数据点的拟合曲线,将所述拟合曲线作为第i个网络节点的通信速率序列的概率分布曲线,最小二乘法为公知技术,具体过程不再赘述。
进一步地,基于每个网络节点上不同种通信相关数据概率分布的差异获取每个网络节点上每种通信相关数据的耗电量关联紧密指数,计算第i个网络节点上第j种通信相关数据的耗电量关联紧密指数Sij:
式中,Dij是第i个网络节点上第j种通信相关数据的状态独立系数,A是通信相关数据的种类数量,Xi,j、Xi,k分别是第i个网络节点上第j种、第k种通信相关数据的数据序列,p(Xi,j)、p(Xi,k)分别是数据序列Xi,j、Xi,k对应的概率分布曲线,JS()是散度计算函数,JS(p(Xi,j),p(Xi,k))是概率分布曲线p(Xi,j)、p(Xi,k)的JS散度,JS散度为公知技术,具体过程不再赘述;
Sij是第i个网络节点上第j种通信相关数据的耗电量关联紧密指数,Ci,j是第i个网络节点第j种通信相关数据与耗电量数据之间的状态协同系数,Di,max是第i个网络节点上A种通信相关数据的状态独立系数中的最大值。
其中,第i个网络节点上第j种通信相关数据与其余种通信相关数据的数据序列中概率分布差异越大,说明第j种通信相关数据相对于其它通信相关数据越独立,Dij的值越大;第j种通信相关数据与网络节点耗电量联系越紧密、关联程度越高,Ci,j的值越大,相应的,Sij的值越大。
进一步地,基于每种通信相关数据的耗电量关联紧密指数获取每个网络节点每个时刻的节点通信负载指数,计算第i个网络节点第h个时刻的节点通信负载指数Vi,h:
式中,vi,h是第i个网络节点上第h个时刻的通信补偿系数,A是采集通信相关数据的种类数量,本发明中,A的大小取经验值3,Sij是第i个网络节点上第j种通信相关数据的耗电量关联紧密指数,ui(j,h)是第i个网络节点上第j种通信相关数据的数据序列中第h个采集时刻的元素值;
Vi,h是第i个网络节点第h个时刻的节点通信负载指数,wi,h是第i个网络节点上第h个时刻的耗电量。
其中,第j种通信相关数据与第i个网络节点耗电量的关联程度越高,第j种通信相关数据对第i个网络节点上所有通信相关数据融合时的权重越大,第一比例因子/>的值越大;第i个网络节点上第h个时刻的耗电量越大,wi,h的值越大;即Vi,h的值越大,第i个网络节点第h个时刻从通信相关数据反映出的网络节点通信负载也可能越大。
至此,得到每个网络节点每个时刻的节点通信负载指数,用于后续确定每个网络节点的簇头选取指数。
步骤S004,采用数据预测算法基于所有网络节点的节点通信负载序列获取高工模式选择指数;根据每个网络节点的剩余能量值以及通信负载预测值获取每个网络节点的簇头选取指数。
由于SEP算法是一种簇头轮换机制的算法,以轮为算法的工作周期,每一轮中都会选举出一个具有较高的剩余能量值的簇头,以此确保双模通信中不同网络节点都有机会充当簇头节点,防止某些节点在频繁成为簇头的情况下能量耗尽的现象发生。
对于双模通信簇头节点选举中,当下一轮网络节点的通信负载程度较高,同时网络节点的剩余能量较为充裕时,可以采用5G通信模式,而当下一轮网络通信负载程度较低,网络节点的剩余能量也较少时,通常采用4G通信模式。因此对于每个网络节点而言,将每个网络节点所有时刻的节点通信负载指数按照时间升序顺序组成的序列作为每个节点的节点通信负载序列,将第i个网络节点各个时刻的节点通信负载指数按照时间升序顺序组成的序列作为第i个节点的节点通信负载序列Yi。进一步地,将每个节点的节点通信负载序列作为差分自回归移动平均ARIMA模型的输入,得到下一轮网络通信起始时刻每个网络节点的通信负载预测值,ARIMA模型为公知技术,具体过程不再赘述。同时利用电能表采集的耗电量相关数据计算下一轮网络通信起始时刻每个网络节点的剩余能量。
基于上述分析,此处构建高工模式选择指数,用于表征每个网络节点在下一轮网络通信中作为5G通信模式网络节点的概率,计算第i个网络节点的高工模式选择指数Ui:
式中,Ui是第i个网络节点的高工模式选择指数,Ei、分别是下一轮网络通信起始时刻第i个网络节点的剩余能量、所有网络节点剩余能量的均值,M1是网络节点的总数量,yi、yb分别是第i个、第b个网络节点下一轮网络通信起始时刻的通信负载预测值。
其中,第i个网络节点相对于的其它网络节点的通信负载预测值越大,第i个网络节点在下一轮通信中负载越高,yi的值越大,第二差值yi-yb的值越大,下一轮通信中第i个网络节点越应当进入5G通信模式,提供较高的带宽和传输速率来进行网络通信;第i个网络节点相对于的其它网络节点的剩余能量越多,Ei的值越大,第二差值的值越小,/>的值越大,第i个网络节点越能满足5G通信模式的能耗需求。
进一步地,通过每个网络节点在一轮网络通信的时间内传输通信数据的平均能耗评估每个网络节点可以传输通信数据的距离。具体地,以第i个网络节点为例,获取双模通信网络中第i个网络节点与其余每个网络节点之间的欧式距离,将所述欧式距离最小值对应的网络节点作为第i个网路节点的最近邻传输节点;将第i个网络节点传输每一轮所采集的通信数据到其最近邻传输节点的总能耗与每一轮采集时间的比值作为第i个网络节点的传输最小损耗cs(i),本发明中,每一轮采集时间取经验值5min。
进一步地,根据下一轮网络通信起始时刻所有网络节点剩余能量的均值将剩余能量大于均值/>的网络节点标记为高能量节点,将剩余能量小于等于均值/>的网络节点标记为低能量节点。在传统SEP算法中,并未考虑网络节点的分布和通信负载对网络小组簇头节点选取的影响,在网络节点分布较为密集而且各个网络节点的通信负载程度较高,选取的网络节点小组簇头具有较快的能量损耗速率,为了防止网络节点能量耗尽,导致网络节点、网络瘫痪,此时应当选取更多具有高能量剩余值的网络节点作为簇头节点。
基于上述分析,此处构建簇头选取指数,用于表征每个网络节点被选为簇头节点的可能性,计算第i个网络节点的簇头选取指数Qi:
Qi=Norm(qi)
式中,cdi是第i个网络节点的数据传输距离,Ei是下一轮网络通信起始时刻第i个网络节点的剩余能量,cs(i)是第i个网络节点的传输最小损耗;
qi是第i个网络节点的簇头显著值,M2是第i个网络节点对应可传输高能量节点集合与可传输低能量节点集合内所有网络节点的总数量,yb是第b个网络节点下一轮网络通信起始时刻的通信负载预测值;n1、n2分别是第i个网络节点对应可传输高能量节点集合、可传输低能量节点集合内网络节点的数量,Ef是所述可传输高能量节点集合内第f个网络节点下一轮网络通信起始时刻的剩余能量,Eg是所述可传输低能量节点集合内第g个网络节点下一轮网络通信起始时刻的剩余能量;所述两个节点集合的获取过程为:将以第i个网络节点为圆心,以第i个网络节点的数据传输距离cdi为半径确定的圆形区域内所有高能量节点的集合作为可传输高能量节点集合;将所述圆形区域内所有低能量节点的集合作为可传输低能量节点集合;
Qi是第i个网络节点的簇头选取指数,Norm()是归一化函数。
其中,第i个网络节点的剩余能量越多,第i个网络节点中的通信数据可以传输到更远的距离,cdi的值越大;第i个网络节点对应可传输高能量节点集合内高能量节点的剩余能量越少,Ef-Ei的值越小,第一计算因子的值越小,说明数据传输距离内具有较高能量剩余的网络节点越少,簇头节点的通信负担越大;第i个网络节点对应可传输低能量节点集合内低能量节点的数量越多,剩余能量越少,Ei-Eg的值越大,第二计算因子/>的值越大,此时说明第i个网络节点附近较多低能量网络节点,簇头节点的通信负载越大;第i个网络节点数据传输距离内的网络节点下一轮通信时通信负载预测值越大,/>的值越大,即Qi的值越小,越应当降低SEP算法中原有的簇头选取阈值,从而选取更多的小组簇头进行数据中转,满足较高的网络通信负载,防止网络堵塞。
至此,得到双模通信网络中每个网络节点的簇头选取指数,用于后续改进SEP算法中簇头节点的选取阈值。
步骤S005,基于不同通信模式中网络节点的簇头选取指数确定SEP算法中的簇头节点,基于簇头节点实现双模通信网络中的能耗均衡。
根据上述步骤,分别获取每个网络节点的簇头选取指数。其次根据上述步骤,分别计算双模通信网络中所有网络节点的高工模式选择指数,高工模式选择指数的值越大,说明网络节点越可能会选择5G通信模式。因此本发明对所有网络节点的高工模式选择指数采用交叉验证的方法,获取分割阈值z1,将高工模式选择指数大于分割阈值z1的网络节点划分为下一轮双模通信网络中5G通信模式的网络节点,将高工模式选择指数小于等于分割阈值z1的网络节点划分为下一轮双模通信网络中4G通信模式的网络节点,同时将5G通信网络节点作为SEP算法中的网络高级节点,将4G通信网络节点作为SEP算法中的网络正常节点,交叉验证技术为公知技术,具体过程不再赘述。
进一步地,基于下一轮双模通信网络中5G通信模式、4G通信模式中网络节点的簇头选取指数确定不同通信模式下的簇头节点。对于下一轮双模通信网络中5G通信模式,以其中第i个网络节点为例,计算5G通信模式中第i个网络节点的第一特征值Zi:
式中,Zi是5G通信模式中第i个网络节点的第一特征值,Qi是第i个网络节点的簇头选取指数,α1是SEP算法中5G通信模式的原始阈值。
同理,对于下一轮双模通信网络中4G通信模式,以其中第p个网络节点为例,计算4G通信模式中第p个网络节点的第一特征值Zp:
式中,Zp是4G通信模式中第p个网络节点的第一特征值,Qp是第p个网络节点的簇头选取指数,α2是SEP算法中4G通信模式的原始阈值。
根据上述步骤,分别获取不同通信模式下每个网络节点的第一特征值,其次,将5G通信模式中所有网络节点的第一特征值按照降序顺序排列组成的序列作为5G通信模式的簇头选取序列;将4G通信模式中所有网络节点的第一特征值按照降序顺序排列组成的序列作为4G通信模式的簇头选取序列。进一步地,分别从所述5G通信模式的簇头选取序列、4G通信模式的簇头选取序列中选取前0.05%比例元素对应的网络节点作为5G通信模式中、4G通信模式中的簇头节点,需要说明的是,如果选取前0.05%比例的数量不是一个整数,则采用往后取点的方式,将与已选取元素相邻元素对应的网络节点同样选取为簇头节点,本发明中,簇头节点的整个实施流程如图2所示。例如,5G通信模式的簇头选取序列有99个元素,按照前0.05%比例的方式选取,只能选取5G通信模式的簇头选取序列中前4个元素对应的网络节点,但是为了使得每个簇头节点的生命周期更长,将5G通信模式的簇头选取序列中第5个元素对应的网络节点同样作为簇头节点。
簇头节点选取完成后,簇头节点采用广播的方式传输自己成为簇头的信号,网络中所有非簇头节点根据接收到的信号强弱来判断应该加入哪个簇,并对相应的簇头发送加入的信号,至此双模通信网络的小组簇建立完成。小组簇内的成员节点将通信数据发送到簇头,簇头将获取的所有数据再发送到下一跳节点或者基站,实现双模通信网络中各个节点的传输。同时由于SEP算法是一种簇头轮换机制的算法,以轮为整个算法的工作周期,每一轮中每种通信模式都会从根据上述步骤从新选举簇头节点,以此确保双模通信中不同节点都有机会充当簇头,有助于防止某些节点在频繁成为簇头的情况下耗尽能源,同时也有助于平衡网络节点之间的能源负载,实现降低网络通信能耗、延长整个通信网络的生命周期的目的。
基于与上述方法相同的发明构思,本发明实施例还提供了一种双模通信网络能耗均衡***,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种双模通信网络能耗均衡方法中任意一项所述方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种双模通信网络能耗均衡方法,其特征在于,该方法包括以下步骤:
获取每个网络节点的耗电量序列,以及每种通信相关数据的数据序列,所述通信相关数据包括数据传输量、通信速率、时延;
基于每个网络节点上耗电量序列分类分割的结果确定每个网络节点上每种通信相关数据与耗电量数据之间的状态协同系数;
基于所述每种通信相关数据对应的状态协同系数以及每个网络节点上不同种通信相关数据概率分布的差异获取所述每种通信相关数据的耗电量关联紧密指数;
根据所述每种通信相关数据的耗电量关联紧密指数获取每个网络节点每个时刻的节点通信负载指数;采用数据预测算法基于所有网络节点的节点通信负载序列获取高工模式选择指数;
根据每个网络节点的剩余能量值以及通信负载预测值获取每个网络节点的簇头选取指数;基于不同通信模式中网络节点的簇头选取指数确定SEP算法中的簇头节点,基于所述簇头节点实现双模通信网络中的能耗均衡。
2.根据权利要求1所述的一种双模通信网络能耗均衡方法,其特征在于,所述基于每个网络节点上耗电量序列分类分割的结果确定每个网络节点上每种通信相关数据与耗电量数据之间的状态协同系数的方法为:
采用数据聚类算法将每个网络节点的耗电量序列划分为高耗电量数据簇、低耗电量数据簇;
采用区域生长算法分别将高耗电量数据簇、低耗电量数据簇分割为第一预设数量个高耗电量二级数据序列、第二预设数量个低耗电量二级数据序列;每个网络节点的耗电量二级数据序列包括高耗电量二级数据序列、低耗电量二级数据序列两类;
根据与所述耗电量二级数据序列处于同一时间区间的不同种通信相关数据序列分别获取每个网络节点上每种通信相关数据的低耗电量协同因子、高耗电量协同因子;
将每个网络节点上每种通信相关数据的低耗电量协同因子与高耗电量协同因子的和作为每个网络节点上每种通信相关数据与耗电量数据之间的状态协同系数。
3.根据权利要求2所述的一种双模通信网络能耗均衡方法,其特征在于,所述根据与所述耗电量二级数据序列处于同一时间区间的不同种通信相关数据序列分别获取每个网络节点上每种通信相关数据的低耗电量协同因子、高耗电量协同因子的方法为:
式中,Li,j是第i个网络节点上第j种通信相关数据的低耗电量协同因子,m是低耗电量二级数据序列的数量,ALj,a是与第a个低耗电量二级数据序列处于同一时间区间的第j种通信相关数据的二级数据序列,RL(ALj,a)是所述二级数据序列ALj,a的特征权重,A是通信相关数据的种类数量;
Hi,j是第i个网络节点上第j种通信相关数据的高耗电量协同因子,n是高耗电量二级数据序列的数量,AHj,b是与第b个高耗电量二级数据序列处于同一时间区间的第j种通信相关数据的二级数据序列,RH(AHj,b)是所述二级数据序列AHj,b的特征权重。
4.根据权利要求1所述的一种双模通信网络能耗均衡方法,其特征在于,所述基于所述每种通信相关数据对应的状态协同系数以及每个网络节点上不同种通信相关数据概率分布的差异获取所述每种通信相关数据的耗电量关联紧密指数的方法为:
获取每个网络节点上每种通信相关数据序列与其余任意一种通信相关数据序列中元素的概率分布之间的度量结果,将所述度量结果在其余所有种通信相关数据序列上的累加结果作为每个网络节点上每种通信相关数据的状态独立系数;
将每个网络节点上每种通信相关数据的状态独立系数与所述每种通信相关数据对应状态协同系数的乘积作为分子;
将每个网络节点上所有种通信相关数据的状态独立系数中的最大值作为分母;
将分子与分母的比值作为每个网络节点上每种通信相关数据的耗电量关联紧密指数。
5.根据权利要求1所述的一种双模通信网络能耗均衡方法,其特征在于,所述根据所述每种通信相关数据的耗电量关联紧密指数获取每个网络节点每个时刻的节点通信负载指数的方法为:
将每个网络节点上每种通信相关数据的耗电量关联紧密指数与每种通信相关数据序列中每个时刻元素值的乘积作为分子;
将每个网络节点上所有种通信相关数据的耗电量关联紧密指数的累加和作为分母;将分子与分母的比值作为第一比例因子;将第一比例因子在所有种通信相关数据上的累加结果作为每个网络节点上每个时刻的通信补偿系数;
将每个网络节点上每个时刻的耗电量与其通信补偿系数的均值作为每个网络节点每个时刻的节点通信负载指数。
6.根据权利要求1所述的一种双模通信网络能耗均衡方法,其特征在于,所述采用数据预测算法基于所有网络节点的节点通信负载序列获取高工模式选择指数的方法为:
将每个网络节点所有时刻的节点通信负载指数按照时间升序顺序组成的序列作为每个节点的节点通信负载序列,采用数据预测算法基于所述节点通信负载序列获取预测时刻每个网络节点的通信负载预测值;
将预测时刻每个网络节点的通信负载预测值与其余任意一个网络节点的通信负载预测值之间的差值作为第一差值,将第一差值在其余所有网络节点上的累加作为分子;
将预测时刻每个网络节点剩余能量值与所有网络节点剩余能量值的均值之间的差值作为第二差值;将以自然常数为底数,以第二差值为指数的计算结果作为分母;
将分子与分母的比值作为每个节点的高工模式选择指数。
7.根据权利要求1所述的一种双模通信网络能耗均衡方法,其特征在于,所述根据每个网络节点的剩余能量值以及通信负载预测值获取每个网络节点的簇头选取指数的方法为:
获取双模通信网络中每个网络节点与其余每个网络节点之间的欧式距离,将所述欧式距离最小值对应的网络节点作为每个网路节点的最近邻传输节点;
将每个网络节点传输预设数据量的通信数据到其最近邻传输节点的总能耗与传输时长的比值作为每个网络节点的传输最小损耗;
将预测时刻每个网络节点剩余能量值与每个网络节点的传输最小损耗的比值作为每个网络节点的数据传输距离;
根据每个网络节点的数据传输距离以及所述每个网络节点剩余能量值确定每个网络节点的簇头选取指数。
8.根据权利要求7所述的一种双模通信网络能耗均衡方法,其特征在于,所述根据每个网络节点的数据传输距离以及所述每个网络节点剩余能量值确定每个网络节点的簇头选取指数的方法为:
获取预测时刻所有网络节点剩余能量值的均值,将预测时刻剩余能量值大于所述均值的网络节点标记为高能量节点,将预测时刻剩余能量值小于等于所述均值的网络节点标记为低能量节点;
将以每个网络节点为圆心,以每个网络节点的数据传输距离为半径确定的圆形区域内所有高能量节点的集合作为可传输高能量节点集合;将以每个网络节点为圆心,以每个网络节点的数据传输距离为半径确定的圆形区域内所有低能量节点的集合作为可传输低能量节点集合;
将可传输高能量节点集合中所有网络节点的剩余能量值与中心点的剩余能量值之间差值的累加和作为第一计算因子;将中心点的剩余能量值与可传输低能量节点集合中所有网络节点的剩余能量值之间差值的累加和作为第二计算因子;将第一计算因子与第二计算因子的差值作为分子;
将预测时刻可传输高能量节点集合与可传输低能量节点集合中所有网络节点的通信负载预测值的累加和作为分母;
将分子与分母的比值的归一化结果作为每个网络节点的簇头选取指数。
9.根据权利要求1所述的一种双模通信网络能耗均衡方法,其特征在于,所述基于不同通信模式中网络节点的簇头选取指数确定SEP算法中的簇头节点的方法为:
采用阈值分割算法获取双模通信网络中所有节点的高工模式选择指数的分割阈值;将高工模式选择指数大于所述分割阈值的网络节点作为5G通信模式中的网络节点;将高工模式选择指数小于所述分割阈值的网络节点作为4G通信模式中的网络节点;
对于5G通信模式中的网络节点,将以自然常数为底数,以每个网络节点的簇头选取指数的相反数为指数的计算结果与第一预设阈值的差值作为5G通信模式中每个网络节点的第一特征值;将5G通信模式中所有网络节点的第一特征值按照降序顺序排列组成的序列作为5G通信模式的簇头选取序列;
对于4G通信模式中的网络节点,将以自然常数为底数,以每个网络节点的簇头选取指数的相反数为指数的计算结果与第二预设阈值的差值作为4G通信模式中每个网络节点的第一特征值;将4G通信模式中所有网络节点的第一特征值按照降序顺序排列组成的序列作为4G通信模式的簇头选取序列;
分别将5G通信模式、4G通信模式的簇头选取序列中预设数量个元素对应的网络节点作为5G通信模式、4G通信模式的簇头节点。
10.一种双模通信网络能耗均衡***,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311400044.9A CN117320112B (zh) | 2023-10-26 | 2023-10-26 | 一种双模通信网络能耗均衡方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311400044.9A CN117320112B (zh) | 2023-10-26 | 2023-10-26 | 一种双模通信网络能耗均衡方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117320112A true CN117320112A (zh) | 2023-12-29 |
CN117320112B CN117320112B (zh) | 2024-05-03 |
Family
ID=89286528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311400044.9A Active CN117320112B (zh) | 2023-10-26 | 2023-10-26 | 一种双模通信网络能耗均衡方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117320112B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105050095A (zh) * | 2015-04-02 | 2015-11-11 | 浙江理工大学 | 一种基于能量预测的异构无线传感网的拓扑构建方法 |
CN108810855A (zh) * | 2018-05-22 | 2018-11-13 | 南京邮电大学 | 基于能量约束和干扰限制区域的分簇d2d资源分配方法 |
CN108832972A (zh) * | 2018-09-11 | 2018-11-16 | 上海交通大学 | 面向无线通信增强的多点联合传输方法与*** |
CN109194763A (zh) * | 2018-09-21 | 2019-01-11 | 北京邮电大学 | 一种超密集网络中基于小型基站自组织协作的缓存方法 |
CN109714804A (zh) * | 2019-01-11 | 2019-05-03 | 南京邮电大学 | 基于相对剩余能量和sep协议的簇头选举算法 |
CN110072265A (zh) * | 2019-03-25 | 2019-07-30 | 湖州师范学院 | 一种能量异构无线传感网络分簇协议的实现方法 |
CN112654001A (zh) * | 2020-10-27 | 2021-04-13 | 华中科技大学 | 面向多无人艇协同控制的混合通信网络架构、管理方法及通信质量评价 |
CN112954763A (zh) * | 2021-02-07 | 2021-06-11 | 中山大学 | 一种基于樽海鞘算法优化的wsn分簇路由方法 |
CN114040473A (zh) * | 2021-11-29 | 2022-02-11 | 中国科学院上海微***与信息技术研究所 | 一种无线传感器网络分簇路由方法 |
CN115002579A (zh) * | 2022-07-19 | 2022-09-02 | 国网湖北省电力有限公司信息通信公司 | 一种基于物联网的电力信息获取*** |
CN116567107A (zh) * | 2023-05-19 | 2023-08-08 | 肇庆学院 | 一种面向智慧城市的无线传感器网络节能数据传输方法 |
CN116867025A (zh) * | 2023-06-21 | 2023-10-10 | 北京邮电大学 | 无线传感器网络中传感器节点分簇方法及装置 |
-
2023
- 2023-10-26 CN CN202311400044.9A patent/CN117320112B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105050095A (zh) * | 2015-04-02 | 2015-11-11 | 浙江理工大学 | 一种基于能量预测的异构无线传感网的拓扑构建方法 |
CN108810855A (zh) * | 2018-05-22 | 2018-11-13 | 南京邮电大学 | 基于能量约束和干扰限制区域的分簇d2d资源分配方法 |
CN108832972A (zh) * | 2018-09-11 | 2018-11-16 | 上海交通大学 | 面向无线通信增强的多点联合传输方法与*** |
CN109194763A (zh) * | 2018-09-21 | 2019-01-11 | 北京邮电大学 | 一种超密集网络中基于小型基站自组织协作的缓存方法 |
CN109714804A (zh) * | 2019-01-11 | 2019-05-03 | 南京邮电大学 | 基于相对剩余能量和sep协议的簇头选举算法 |
CN110072265A (zh) * | 2019-03-25 | 2019-07-30 | 湖州师范学院 | 一种能量异构无线传感网络分簇协议的实现方法 |
CN112654001A (zh) * | 2020-10-27 | 2021-04-13 | 华中科技大学 | 面向多无人艇协同控制的混合通信网络架构、管理方法及通信质量评价 |
CN112954763A (zh) * | 2021-02-07 | 2021-06-11 | 中山大学 | 一种基于樽海鞘算法优化的wsn分簇路由方法 |
CN114040473A (zh) * | 2021-11-29 | 2022-02-11 | 中国科学院上海微***与信息技术研究所 | 一种无线传感器网络分簇路由方法 |
CN115002579A (zh) * | 2022-07-19 | 2022-09-02 | 国网湖北省电力有限公司信息通信公司 | 一种基于物联网的电力信息获取*** |
CN116567107A (zh) * | 2023-05-19 | 2023-08-08 | 肇庆学院 | 一种面向智慧城市的无线传感器网络节能数据传输方法 |
CN116867025A (zh) * | 2023-06-21 | 2023-10-10 | 北京邮电大学 | 无线传感器网络中传感器节点分簇方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117320112B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109286959B (zh) | 一种基于层次分析法的异构无线网络垂直切换方法 | |
CN112469100B (zh) | 基于可充电多基站式无线异构传感器网络的分层路由算法 | |
CN111628855B (zh) | 基于深度强化学习的工业5g动态多优先级多接入方法 | |
CN101521896B (zh) | 认知无线电中的基于似然比的协同频谱感知方法 | |
CN107071841A (zh) | 异构网络中基于动态权重优化的垂直切换方法 | |
CN102638802B (zh) | 一种分层协作联合频谱感知算法 | |
CN107820321B (zh) | 一种基于蜂窝网络的窄带物联网中大规模用户智能接入方法 | |
CN105792218B (zh) | 具有射频能量收集能力的认知无线电网络的优化方法 | |
CN101309460B (zh) | 多用户资源分配的方法和装置 | |
CN109831808B (zh) | 一种基于机器学习的混合供电c-ran的资源分配方法 | |
CN105025547A (zh) | 能量采集节点网络的中继选择和功率分配方法 | |
CN104467999B (zh) | 一种基于量子蛙跳的频谱感知算法 | |
CN103781166B (zh) | 异构无线网络协作通信***中的移动终端功率分配方法 | |
CN109672570A (zh) | 一种流量自适应的水声认知传感器网络多址接入方法 | |
ZHANG et al. | Heterogeneous wireless network selection algorithm based on group decision | |
CN117320112B (zh) | 一种双模通信网络能耗均衡方法及*** | |
CN114423028A (zh) | 基于多智能体深度强化学习的CoMP-NOMA协作成簇与功率分配方法 | |
Farahani | Energy Consumption Reduction in Wireless Sensor Network Based on Clustering | |
CN113795050A (zh) | 一种基于Sum tree采样的深度双Q网络动态功率控制方法 | |
CN109362086B (zh) | 基于串行干扰消除的无线传感网络充电策略跨层优化方法 | |
Chen et al. | The contract net based task allocation algorithm for wireless sensor network | |
CN108235424B (zh) | 一种基于q学习的可穿戴设备发射功率控制方法 | |
CN108934027A (zh) | 一种mimo多小区基站可缓存***的分簇方法 | |
CN113055229B (zh) | 一种基于ddqn的无线网络自选择协议的方法 | |
CN107465471B (zh) | 协作感知中基于公平和节能的认知用户选择方法 |
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 |