一种无线体域网中WiFi和ZigBee节点避免冲突的方法与流程

本发明涉及通信网络技术领域，尤其涉及一种无线体域网中wifi和zigbee节点避免冲突的方法。

背景技术：

无线体域网(wban)是以人体周围的生物传感节点或植入节点等为对象的无线通信专用系统。它传递生理数据，如心电图，脑电图，血压等。所记录的生理信号经由无线技术发送至协调器，然后被发送到医疗监控中心。由于wban中需要低速率和较长电池寿命的传感节点，所以最广泛使用的无线技术就是zigbee。但zigbee网络面临着wifi网络的严重干扰问题，这是因为它们都在未经授权的ism2.4ghz频段上工作，它是全球唯一公开的频段，许多系统都在此频段上工作，这就导致不同系统间相互干扰的问题日益加重，并且这种干扰是不可避免的，其中以wifi对zigbee的干扰最为严重。

在未经授权的ism2.4ghz频段上，zigbee节点受到wifi设备的干扰，这是因为wifi的发送功率比zigbee强5-20分贝，zigbee信号能勉强的被wifi设备检测，而wifi信号则很容易地被zigbee设备检测，这就会导致zigbee节点主动退避冲突。在无线体域网的医学领域中，zigbee是非常关键的，它用于传输大量的人体生理数据，我们不能承受在wifi网络的高干扰下其吞吐量降低，导致敏感数据失去时效性。因此，需要提出一种成本低能耗低的避免干扰方案运用到医疗生产中。

现有技术中，解决办法大多集中在物理层，例如更改调制的类型、发射功率、扩展频谱、切换信道等。这些方法大多对zigbee都不可行，因为会造成节点能耗的浪费。当前无线体域网中zigbee和wifi冲突的解决方法主要可以分为共存和避免，其中，避免干扰的方法是通过物理层扫描信道强度，找到比较空闲的工作信道，从而减少wifi的干扰，但是随着wifi设备和热点的不断增加，空闲的信道越来越少，而且频繁的切换信道也会造成zigbee的能源消耗，不太可行；在一般情况下，对于共存问题提出的技术，基本上有以下几个方面，例如调制的类型，发射功率，扩展频谱，负载，包的大小，相互作用节点的地理分布等解决办法。虽然这些研究方法不同程度地减少了wifi对zigbee通信的干扰，但有一些研究却不切实际，例如使用特殊的硬件、控制所有的wifi接入点、以及系统的修改等。这些要求大大地提高了成本和能量的消耗，在实际应用中很能实现。

技术实现要素：

针对上述问题，本发明的目的在于提供一种无线体域网中wifi和zigbee节点避免冲突的方法，通过虚拟wifi数据帧冲突抑制wifi传输进而满足优先级较高的zigbee节点通信。

为了解决背景技术中所存在的问题，本发明的技术方案为：

一种无线体域网中wifi和zigbee节点避免冲突的方法，包括以下步骤：

1)对zigbee、wifi的传输信道状态通过隐形马尔可夫模型进行建模；

2)根据网络中预先获得的数据痕迹，学习隐形马尔可夫模型中所有参数，训练及预测zigbee和wifi的传输模式，获取当前状态和下一个状态的信道冲突概率分布；

3)当预测到zigbee和wifi的信道冲突后，通过ap虚拟wifi数据帧的冲突，抑制周围的wifi传输，保证优先级高的zigbee节点进行通信。

所述步骤1)具体为：根据隐形马尔可夫模型，对可列的状态空间在离散化的时间参数空间上进行建模。

所述步骤2)具体包括：

2.1、根据网络中预先获得的数据痕迹，利用前向后向算法学习隐形马尔可夫模型中所有参数；

2.2、通过递归方式，更新隐形马尔可夫模型中的参数系统使其收敛，得到的参数系统和当前样本是最匹配的参数；

2.3、利用步骤2.2所得的参数，使用viterbi算法对输入的测试数据预测出可能的信道传输状态序列；

2.4、根据训练的隐形马尔可夫模型，基于极大似然估计当前状态和下一个状态的信道冲突概率分布。

所述步骤3)中，ap位置通过采用多目标遗传算法获取。

采用多目标遗传算法获取ap位置包括：

第一步、将位置信息编码为遗传算法的染色体，每一条染色体代表空间中的一个ap位置，在解空间中随机均匀选取多个由位置编码形成的染色体作为初始种群；

第二步、设置目标函数：

函数一：收集ap所在位置所有wifi设备的信号强度，取其最大值；函数二：设置一个最小信号强度阈值，计算ap所在位置所有信号强度大于该阈值的wifi设备的数量；

第三步、对初始种群的每个个体，通过目标函数进行评估，选取若干个帕累托占优的解作为下一代种群；

第四步、获取交叉算子和变异算子，生成子代；

第五步、将新生成的子代作为下一代的父辈种群，如果满足经过若干次迭代结果稳定，或者超过预设的迭代次数，则迭代终止进入第六步，否则进入第二步。

第六步、选取产生的结果作为最优解。

与现有技术相比较，本发明的有益效果为：

本发明提供了一种无线体域网中wifi和zigbee节点避免冲突的方法，通过虚拟wifi数据帧冲突抑制wifi传输进而满足优先级较高的zigbee节点通信，使用户不需要额外的硬件设备，也不需要更改wifi、zigbee设备的相关参数，只通过修改ap来避免或减少zigbee传输中来自wifi的干扰，进而节省芯片的能耗，另外，使病人的监测数据更加实时，这样对医院和病人都能带来便利，本发明能够提供高效的、有价值的帮助。

附图说明

图1是本发无线体域网中wifi和zigbee节点避免冲突的方法流程图；

图2是本发明预测结果与原数据的情况对比图；

图3是本发明zigbee-wifi冲突的预测结果图。

具体实施方式

下面结合附图对本发明做详细描述。

如图1所示，本发明提供了一种无线体域网中wifi和zigbee节点避免冲突的方法，包括以下步骤：

1)对zigbee、wifi的传输信道状态通过隐形马尔可夫模型进行建模；

具体为：根据隐形马尔可夫模型，对可列的状态空间在离散化的时间参数空间上进行建模。在进行信道冲突分析时，首先将信道冲突序列切分为许多不同类型的信道冲突(可能有重叠)，对每一种冲突或者非冲突信号进行特征提取，这样得到一个一维的特征向量序列o＝o1o2o3…ot。认为每一个特征向量是满足某种概率分布的随机向量，这种随机向量序列又是随时间变化的，因此可以看作是一种随机过程。由于状态空间连续(即特征向量非离散)，直接以这种连续的状态空间进行建模十分复杂，因此基于某种可列的离散状态空间对冲突信号进行建模。考虑到冲突信号具有一定的短时平稳特性，即在一个较短的时间内可以认为冲突的状态是不变的，而一段信道的状态的整个过程则是由不同状态构成的，因此提炼出一个可列的状态空间在离散化的时间参数空间上进行建模。

本发明把改变信道状态的节点分为三种，分别为zigbee类、wifi类和zigbee-wifi类，其中zigbee类节点发送zigbee信号和zigbee自身冲突信号，wifi类节点发送wifi信号和wifi自身冲突信号，zigbee-wifi类则是二者在传输中发送冲突信号。同样的，我们把空信号看做是不同类节点在发送空信号，并归为以下三类，一类是zigbee类节点发送的空信号，一类是wifi类节点发送的空信号，最后一类是zigbee-wifi类节点发送的空信号。这样我们就可以按照空信号紧接着的信号类型来划分状态，并把这些状态作为隐藏状态。例如：空信号后面紧接着zigbee信号那我们就认为这是状态一的情况。

2)根据网络中预先获得的数据痕迹，学习隐形马尔可夫模型中所有参数，训练及预测zigbee和wifi的传输模式，获取当前状态和下一个状态的信道冲突概率分布；

具体包括：

2.1、根据网络中预先获得的数据痕迹，利用前向后向算法学习隐形马尔可夫模型中所有参数；

2.2、通过递归方式，更新隐形马尔可夫模型中的参数系统使其收敛，得到的参数系统和当前样本是最匹配的参数；

2.3、利用步骤2.2所得的参数，使用viterbi算法对输入的测试数据预测出可能的信道传输状态序列；

2.4、根据训练的隐形马尔可夫模型，基于极大似然估计当前状态和下一个状态的信道冲突概率分布。

3)当预测到zigbee和wifi的信道冲突后，通过ap(无线访问接入点，wirelessaccesspoint)虚拟wifi数据帧的冲突，抑制周围的wifi传输，保证优先级高的zigbee节点进行通信。

本发明中，采用多目标遗传算法来对传统的ap放置方法进行优化。传统的ap设置方法根据信号强度来选择位置，信号强度越强说明ap到wifi设备的距离越近，当ap距离某个wifi设备足够近的时候，距离其它wifi设备就会相对变远，从而导致其他设备的信号强度低，这种方法在位置选择上难免会忽略一些wifi设备，得出的结果往往距离信号强度更大的设备更近，同最大限度的覆盖重叠区域相比有着不小的误差。

因此，本发明采用多目标遗传算法在二维空间中选取合适的ap位置，通过设置合适的目标函数评价该位置的优劣，对于初步选取出的占优解集，再通过交叉、变异等方式增加解的多样性，然后进行多次迭代，优中取优，最终得到二维空间中ap位置的最优解。

采用多目标遗传算法获取ap位置包括：

第一步、将位置信息编码为遗传算法的染色体，每一条染色体代表空间中的一个ap位置，在解空间中随机均匀选取多个由位置编码形成的染色体作为初始种群，染色体格式即为二维空间内的坐标；

第二步、设置目标函数：

函数一：收集ap所在位置所有wifi设备的信号强度，取其最大值；函数二：设置一个最小信号强度阈值，计算ap所在位置所有信号强度大于该阈值的wifi设备的数量；

第三步、对初始种群的每个个体，通过目标函数进行评估，选取若干个帕累托占优的解作为下一代种群；示例性的选取100个帕累托占优的解；

第四步、获取交叉算子和变异算子，生成子代；

交叉算子：

(1)设定发生交叉的几率为90％；

(2)对上一步中选取出的每一对解，计算是否发生交叉；

(3)若发生交叉：将这一对解的纵坐标互换，产生新的一对解，并将这一对解并入子代种群；

变异算子：

(1)设定发生变异的几率为10％；

(2)设定变异的范围为解空间；

(3)对上一步中选取出的每一个解的每一位，计算是否发生变异；

(4)若发生变异：在预设的范围中随机获取一个值，作为该坐标变异的结果，并将变异后的解并入子代种群。

第五步、将新生成的子代作为下一代的父辈种群，如果满足经过若干次迭代结果稳定，或者超过预设的迭代次数，则迭代终止进入第六步，否则进入第二步。

第六步、选取产生的结果作为最优解。

本发明提出基于隐马尔科夫模型来训练及预测zigbee和wifi的传输模式。了解了二者的传输模式后，在每次zigbee-wifi冲突到来前通过ap虚拟wifi数据帧冲突从而抑制wifi传输，保证优先级较高的zigbee节点进行通信，同时不改变wifi和zigbee设备的相关参数。并在测试平台进行测试，证明了它的有效性，本发明可以预测出90％左右的zigbee-wifi冲突并进行抑制，避免或减少了wifi信号对于zigbee的干扰。

实验验证：

对于隐马尔可夫模型这种方法，是先训练数据得出具体的模型参数，然后使用模型参数来预测即将到来的冲突。为了证明所提出方法的有效性，进行了实验评估。测试平台建立在笔记本电脑的matlab上，数据集采用wifi和zigbee的真实数据，如图2所示，是本方法的预测结果与原数据的情况对比。

在图中，对比了观测状态链中真实隐状态的变化和预测的状态变化，可以看到当观测状态长度为100的时候，通过隐马尔可夫模型进行预测结果的正确率占整个状态的50％左右，但因为每个状态都有发送空信号的可能，因此在判断zigbee-wifi冲突状态并抑制时有三种情况：

1.在信道状态为空闲时，误判为zigbee-wifi冲突进而抑制；

2.在信道状态为忙时，误判为zigbee-wifi冲突进而抑制；

3.在信道状态为其余两种冲突时，误判为zigbee-wifi冲突进而抑制。

其中，在第一种情况下发送抑制信号并不影响其他信号的正常传输，而在其余情况的误判下可能会影响到wifi信号的正常传输，导致wifi信号的时延增大。

如图3所示，为zigbee-wifi冲突的预测结果，可以看出在预测的状态链中，状态三的预测率有90％以上，即(zigbee-wifi)空信号和zigbee-wifi发生冲突的情况，因此可以抑制掉90％左右的wifi传输，进而保证zigbee传输的优先级，进而保证所需的链路吞吐量和数据包投递率。实验结果表明了该发明的有效性。

对于本领域技术人员而言，显然能了解到上述具体实施例只是本发明的优选方案，因此本领域的技术人员对本发明中的某些部分所可能作出的改进、变动，体现的仍是本发明的原理，实现的仍是本发明的目的，均属于本发明所保护的范围。