本发明涉及认知无线电技术领域,具体涉及一种dcss-ocr机会认知路由协议优化方法。
背景技术:
认知无线adhoc网络(crahns)路由面临许多挑战,由于主用户活动动态地改变着网络的拓扑和频谱的可用机会,认知节点不得不自适应地调整通信频率和可用信道,选择合适的路由路径。面对这些挑战,传统的测量路由质量的路由度量如吞吐量、延迟、能量有效性等度量已经不能满足路由决策的需求。为了得到一个实际有效的路由,不仅需要传统路由度量,还需要一些能将路径稳定性/pus活动和频谱利用率考虑进去的新路由度量联合捕获频谱信息,建立实际有效的路由。目前,crahns网络基于度量的路由协议研究主要包括以下六类:
1.基于延迟的路由协议:以延迟为路由度量;
2.基于链路稳定性路由协议:旨在选择最稳定的路由;
3.基于吞吐量的协议:搜索最大吞吐量;
4.基于位置的路由协议:利用距离目的节点最近的节点建立路由;
5.基于能量的路由协议:最小化各节点所消耗的能量;
6.联合的多度量路由协议:联合多个路由度量或根据一些满足qos要求的特定规则度量。
由于不同的路由度量,会产生不同的最优路径,目前的一些研究成果尚存有一定限制或缺点,仍需进一步拓展或深入研究。因此,定义一些新的合理的路由度量,对测量实际多信道多跳认知无线adhoc网络路由质量和稳定性优为重要。
技术实现要素:
为解决上述问题,本发明提供了一种dcss-ocr机会认知路由协议优化方法,可以更加准确地发现路由接入机会和路由中断概率,这样有利于及时做好路由维护/恢复工作,减少因主用户突然出现而路由中断的机率。
为了克服现有技术中的不足,本发明提供了一种dcss-ocr机会认知路由协议优化方法的解决方案,具体如下:
一种dcss-ocr机会认知路由协议优化方法,具体方式如下:
首先,对链路的可用概率和期望的传输延迟进行优化,其优化目标函数表达式可表示为公式(1)所示:
其中ui表示第i个认知用户,
将公式(0-8)的
关于链路可用概率的优化问题转化为公式(4)所示:
受限于公式(5):
式中δtij为ui和
接着得到优化目标函数表达式(1)中第二项关于期望链路传输平均延迟
上式中
这样关于链路平均传输延迟的优化问题可转化为公式(8)所示:
受限于公式(9):
式中xi,
从式(4)和式(5)可综合得到,对优化目标函数式(1)的优化实际可以转化为对
通过进行仿真分析以进一步评估基于双次协同频谱感知的机会认知路由协议的准确性和最优性,在仿真中,设定各认知路由节点有相同的射频覆盖范围,各信道对主用户感知能力也相同,感知的虚警概率pf=0.1,链路两节点在时间间隔(t+nt,t+(n+1)t)一个周期t内的期望累积通信时间δtij=t-ts,因为感知时间ts<<t,所以累积利用因子
主用户pus在各信道的活动建模为on-off开关过程;on-off时间均值
传播模型是一个简化的无线信道路径损耗和衰落模型,用均值为零的高斯随机变量x(0,σ)表示长期衰落效应。那么在距离d处的平均接收功率可表示为公式(10):
式中ptx,db表示发射机的传输功率,
设置主用户pui的最大传输功率限为
通过蒙特卡罗仿真和四种不同频谱感知方法来验证期望链路路由接入机会的正确性,具体地说,将montecarlo仿真结果和理论数值分析结果随主用户pu授权信道空闲(off)率的增加进行比较,并对双次协同频谱感机会认知路由协议dcss-ocr、单次协同频谱感机会认知路由协议scss-ocr、非协同频谱感机会认知路由协议ncs-ocr三种协议与理想的无频谱感知错误存在的路由协议ideal-ocr进行比较。
本发明的有益效果为:
对dcss-ocr机会认知路由协议中关于期望链路接入机会和平均传输延迟度量提出了优化方案。通过montecarlo实验仿真和理论数值分析验证了链路接入机会和平均传输延迟表达式的正确性。通过仿真和数值仿真分析了主用户活动对路由链路和路径接入机会、以及平均传输延迟的影响。
仿真结果表明:所提基于双次协同频谱感知的机会认知路由dcss-ocr决策算法,与利用单次协同感知理论(scss)和非协同感知理论(ncs)的机会认知路由算法相比较,可以更加准确地发现路由机会和路由中断概率,并减少了路由平均传输延迟;
同时,空闲可用信道数n、最佳侯选邻节点k和路径跳数hops在很大程序上影响着路由接入机会和平均传输延迟:随着n,k的增加路由成功接入机会增多,平均传输延迟减少,但n,k不能无限增加,而是有一个最优值;相反,路径跳数hops的增加,减少了路由成功接入机会,增加了路径传输延迟。
因此,为了增加路由成功建立的机会,得到一个稳定、有效和高效的路由,必须设计一个较优的路由决策算法,合理选取路由协议各参数。
附图说明
图1是链路路由接入机会(路由成功概率)验证与比较的示意图。
图2是期望链路传输延迟的验证与比较的示意图。
图3是dcss-ocr期望链路路由接入机会准确性分析的示意图。
图4是dcss-ocr期望链路平均传输延迟准确性分析的示意图。
图5是空闲可用信道数n对期望链路传输延迟的影响的示意图。
图6是侯选邻节点数k对期望链路传输延迟的影响的示意图。
图7是路由路径跳数hops对端到端期望路径传输延迟的影响的示意图。
图8是空闲可用信道数n与路径跳数hops对端到端期望路径传输延迟的影响的示意图。
图9是路径中断概率的示意图。图10是可用信道数和路径跳数对路径接入机会的影响的示意图。
具体实施方式
针对上述这些技术挑战,对多信道多跳路由发现与选择策略进行深入研究,将物理层(phy)的频谱感知技术和媒体访问控制子层(mac)的调度机制紧密融合到网络层的路由决策中,提出一种基于双次协同频谱感知的机会认知路由协议(dualcollaborativespectrumsensingopportunisticcognitiverouting,dcss-ocr)决策算法,以提高动态频谱环境下路由发现和建立的机会,增强路由路径的稳定性及可靠性。也就是首先联合考虑了频谱感知和链路可用性因素,构建了基于dcss频谱感知理论的路由发现模型,建立认知无线adhoc网络的有效路由;其次,考虑路由分集的存在,给出了基于最短路径选择下一跳前传点,最大链路可用概率选择信道,和最大路径接入概率和/或最大化最小链路可用概率选择路径的方法,以满足认知网络路由可靠性和稳定性目标;最后,给出了评估路由路径质量的有关度量数学闭表达式及其优化算法,并给出相关推导证明。
下面将结合附图和实施例对本发明做进一步地说明。
如图1到图6所示,dcss-ocr机会认知路由协议优化方法,具体方式如下:
通过研究机会认知路由协议的路由链路的可用概率、路由路径的接入机会、链路的中断概率、期望链路传输延迟和路径端到端的平均传输延迟度量,这些度量可以不同程度地反映路由路径的质量和稳定性,根据不同的度量,可以得到不同的最优路径。在路由路径选择决策中,选择最优路由路径仅考虑了最大链路的可用概率和最小链路的可用概率和/或最大路径接入概率,在满足这些条件的情况下,路由链路传输延迟和路由端到端的平均传输延迟是否也是最优的也需要进一步详细讨论。
决策建立一条最优路由路径的期望是接入机会最大、利用时间最长并且传输延迟最小,但是要同时实现全局最优的确很难,因此只能取一个折中的目标,先局部最优。因为一条路由路径的端到端的性能取决于每链路(每一跳)的性能,所以为了提高路由整体性能,先对每一链路的性能进行改善和优化。
在认知crahns无线网络中,网络路由路径的连通性不仅取决于节点间的距离和传输功率,也取决于授权信道的可用概率。为了清楚获取认知crahns无线网络中路由的唯一特性,给出以下一些定义。
定义1:几何链路(geographiclink)
当两认知节点ui和uj在彼此的传输区域时,则两节点间存在几何链路,即两节点间的欧氏距离满足以下公式(0-9),
上式中xi和xj分别表示认知节点ui和uj的位置坐标,
定义2:射频链路(radiolink)
当两认知节点ui和uj间有公共可用频带(信道)时,则称该两点间存在射频链路。即sop(ui)∩sop(uj)≠φ,sop(·)表示认知节点频谱可用机会(spectrumopportunities,sop)集合。
定义3:通信链路(communicationlink)
如果两认知节点ui和uj间同时存有几何链路和射频链路,则ui和uj间存在通信链路,即ui和uj可以相互通信。也就是说,两认知节点是否能通信取决于它们之间的距离及频谱机会的可用性。
定义4:干扰集(interferingset)
干扰集
上式xi和xpu分别表示认知节点ui和pu的位置坐标
类似的,定义
定义5:链路可用概率(linkavailabilityprobability,lap)
两认知节点ui和uj在第m个公共信道上通信,链路
式中
定义6:链路中断概率(linkbreakageprobability)
根据定义5,两认知节点ui和uj在第m个公共信道上通信,链路
那么,在t时刻,两认知节点ui和uj间m个公共信道全部受到主用户pus活动影响而链路中断的概率为公式(0-13)所示:
定义7:全中断概率/信道切换概率(allbreakageprobability/channelswitchingprobability)
假设ui在第m个公共信道上的认知邻居节点集为
若主用户pus活动在时间t对随机变量
定义8:条件链路中断概率(conditionallinkbreakageprobability)
结合定义7,在时间t,若已知第k条链路
因为在同一信道,同一时间,不同空间位置的认知节点受到主用户活动干扰不同,所以在第m个公共信道上,时刻t,ui也许会有多个邻居候选节点可供选择作为下一跳路由节点。根据定义7,ui的最佳邻居候选节点集按照距离认知目的节点ud最近的原则进行优先权排序,其优先权序列集为
式中
ui选择好下一跳路由节点
式中
所述最优信道选择过程的具体方式如下:
为了优化crahns网络路由的性能,我们试图优化路由每一链路(单跳)的性能。各认知节点su通过与相邻节点周期性的交换授权信道被占用的概率,根据公式(17),它可求得n个信道上的全部链路可用概率;那么,在这n个信道中,具有最大链路可用概率的信道将被选择进行数据传输,因此,ui和
那么,此时ui和
如果从认知源节点us到认知目的节点ud间的路由跳数用h表示,那么整条路径成功路由的机会概率,亦称路径接入概率,可表示为公式(0-23)所示:
首先,对链路的可用概率和期望的传输延迟进行优化,其优化目标函数表达式可表示为公式(1)所示:
其中ui表示第i个认知用户,
将公式(0-8)的
从上式可以看出,
受限于公式(5):
式中δtij为ui和
接着得到优化目标函数表达式(1)中第二项关于期望链路传输平均延迟
上式中
从上式可以看出,
受限于公式(9):
式中xi,
通过上述分析,从式(4)和式(5)可综合得到,对优化目标函数式(1)的优化实际可以转化为对
通过进行仿真分析以进一步评估基于双次协同频谱感知的机会认知路由协议的准确性和最优性,在仿真中,为简化分析,设定各认知路由节点有相同的射频覆盖范围,各信道对主用户感知能力也相同,感知的虚警概率pf=0.1,链路两节点在时间间隔(t+nt,t+(n+1)t)一个周期t内的期望累积通信时间δtij=t-ts,因为感知时间ts<<t,所以累积利用因子
主用户pus在各信道的活动建模为on-off开关过程;on-off时间均值
传播模型是一个简化的无线信道路径损耗和衰落模型,用均值为零的高斯随机变量x(0,σ)表示长期衰落效应。那么在距离d处的平均接收功率可表示为公式(10):
式中ptx,db表示发射机的传输功率,
设置主用户pui的最大传输功率限为
如图1所示,通过蒙特卡罗仿真(montecarlo)和四种不同频谱感知方法来验证期望链路路由接入机会(路由成功概率)的正确性,具体地说,将montecarlo仿真结果和理论数值分析结果随主用户pu授权信道空闲(off)率的增加进行比较,并对双次协同频谱感机会认知路由协议dcss-ocr、单次协同频谱感机会认知路由协议scss-ocr、非协同频谱感机会认知路由协议ncs-ocr三种协议与理想的无频谱感知错误存在的路由协议ideal-ocr进行比较。
首先,可以注意到四种感知方法的montecarlo仿真结果和理论数值分析结果基本一致,这验证了所述期望链路路由接入机会(路由成功概率)的正确性。需要说明的是,虽然仿真结果与理论数值分析结果存有微小偏差,这是由于主用户pu随机产生的信号,以及随机指数分布的on/off时间所致。
其次,可以观察到采用dcss双次协同频谱感知方法的仿真与数值分析结果要优于采用scss单次协同频谱感知和ncs非协同频谱感知这两种感知方法的结果,这说明相比于其它两种频谱感知方法,认知节点sus可以有更多的路由接入机会,而且它的结果更接近于理想ideal无频谱感知错误(无检测虚警概率和漏检概率存在)的实际结果。
最后,可以发现链路路由接入机会随pu空闲概率的增加而明显增长,增长幅度较强,这个结果与观察者的直觉是一致的:因此当主用户pus空闲机会越大时,认知节点sus接入授权信道的机会就会越多。
如图2所示,用与图1同样的方法来验证期望链路传输延迟的正确性。从图中我们观察到仿真结果与理论数值分析结果亦非常接近。
其次,进一步发现,当主用户pus的空闲率uoff很低时,比如uoff=0.05时,四种感知方法的montecarlo仿真期望传输延迟结果都比理论分析时的期望传输延迟结果略小些,而且此时传输延迟最大。这是因为此时pus的活动概率很高,sus需要周期性的频繁感知是否有可利用的授权信道,此时延迟主要由于感知到pu活动而不能传输数据所导致。
相反的是,随着主用户pus的空闲率uoff的增加,链路期望传输延迟逐渐减小,仿真结果与理论分析结果之间的偏差也逐渐缩小,当uoff≥0.5时,采用四种感知方法的montecarlo仿真延迟结果开始比理论分析时的延迟结果要略大些,如中的局部放大图所示。随着uoff的继续增加,仿真结果与理论分析结果之间的偏差又逐渐变大,而且链路期望传输延迟下降更明显,当uoff=0.95时,链路期望传输延迟已经降到非常小的值。这是因为此时主用户pus基本不活动,认知节点sus可以充分利用空闲信道进行数据包传输,此时延迟主要是由数据传输产生。
最后,可以发现采用四种方法所得仿真结果的明显区别:采用dcss方法的仿真与数值分析结果要明显小于采用scss和ncs两种方法的结果,认知节点的传输延迟会减少,而且更接近于理想ideal无感知错误存在的实际结果。
因此,综合和,可以得出结论:当pus处于空闲状态时,所提的双次协同频谱感机会认知路由协议dcss-ocr可以提高认知节点链路路由接入的机会,并减少了传输延迟,而且其结果更接近于实际值,这验证了所提方案的正确性。
所示为利用dcss-ocr理论得到的期望链路路由机会概率与主用户对频带(信道)占用率uon的关系曲线,仿真环境与参数设置同。从图中可以观察到期望链路路由机会概率随主用户占用率uon的增加而减少。
首先,需要说明的是:图中h1表示对某一主用户pu在某一段统计时间δt内,它即有活动(on状态)又有不活动(off状态)这两种状态时,认知节点sus依据其感知结果及主用户pu的历史行为统计,依据统计概率公式p(h1)=uon·p(h1|h1)+uoff·p(h1|h0),统计分析主用户pu有活动(on)状态的概率,然后预测出对主用户pu所占用信道的可用概率及路由链路的接入机会概率;h1|h1表示仅对主用户pu处在on状态时,根据统计概率公式p(h1)=uon·p(h1|h1),认知节点预测对主用户所占用信道的可用概率及路由链路的接入机会概率,而忽略了主用户pu处在off状态时虚警概率的影响,因此这时h1|h1预测出的路由链路的接入机会概率要高于前一种h1的情况,如图黑色星状曲线图与圈状曲线图所示。对应的实际仿真曲线图结论与理论数值仿真结论亦相一致,只是仿真值略小于理论值,由于实际环境的影响,出现这种现象也是合理的。
同理,图中h0表示根据率公式p(h0)=uoff·p(h0|h0)+uon·p(h0|h1),h0|h0表示根据统计概率公式p(h0)=uoff·p(h0|h0),认知节点统计分析主用户处于off状态的概率,从而预测出对主用户所占用信道的可用概率和路由链路接入机会概率,因为后者忽略了主用户pu处在on状态时漏检概率的影响,显然,后者h0|h0的值会小于前者h0的。实际仿真结果与理论结果亦一致,如图中局部放大图所示。
此外,从图中我们还可以发现h1和h0结果是一致的,这说明计算路由链路接入机会概率时,利用统计概率p(h1)=uon·p(h1|h1)+uoff·p(h1|h0)及p(h0)=uoff·p(h0|h0)+uon·p(h0|h1)所得的结果是相同的,因此两种统计方法可互用,不影响所要得出的结论。
然而,h1|h1及h0|h0所得的仿真结果偏差却很大,h0|h0的结果与h1|h1、h1和h0的相比,其数值结果略小于实际值如图中所示,而h1|h1、h1和h0的数值结果偏大于实际值。因此,用h0|h0计算结果更加准确。
用与相同的方法,对dcss-ocr期望链路平均传输延迟的准确性进行了分析,如所示。从图中可以观察到期望链路平均传输延迟随主用户占用率uon的增加而增加。实际仿真结果与理论数值结果基本一致,实际仿真结果略大于理论数值结果也是合理的。
类似于的结论:h1和h0结果亦是一致的;当uon≤0.5,h0|h0的仿真数值结果微大于ideal实际值,当uon>0.5时,h0|h0的结果逐渐与ideal实际结果重合(如图中局部放大图所示);而h1|h1、h1和h0的结果都略小于ideal实际结果。因此,用h0|h0计算期望链路平均传输延迟更接近于实际结果,更加准确。
最后,综合和所示结果,可以得出结论:通过h0|h0方法计算的期望链路路由机会和平均传输延迟会更准确性,较接近于实际值;通过h1和h0计算的结果次之h0|h0;通过h1|h1计算的结果与实际值相差最大。但是,实际检测时,并不知道主用户是否活动,只能用h1概率统计来判断主用户的活动概率p(h1),为了提高统计准确度,只能尽量提高检测概率p(h1|h1),降低虚警概率p(h1|h0),才会使得实际检测概率p(h1)值走近于理论值uon,才会得到更加准确的路由接入机会和平均传输延迟。
接下来分析不同参数对链路传输延迟的影响:
描述了dcss-ocr协议中不同空闲可用信道数n对期望链路传输延迟的影响。仿真参数的设置如下:主用户pus在on状态的平均时间e[ton]=2s,认知发送节ui在各信道的下一跳最优侯选邻节点数k=2,sus感知周期t=1s,感知微时隙长度t1=t2=20ms,t3=4ms。发送包的长度为l=1500bits,在各信道的吞吐量ψ=54mbps。
从图中可以观察到,期望链路传输延迟随pu活动概率的增加而逐渐增加,随空闲可用信道数的增加而减少。对于某一固定的活动概率,如uon=0.95时,当各认知节点可能空闲可用信道数分别为n=1,3,5时,期望链路传输延迟分别为10s,2s,1s,可以发现随着空闲可用信道数的均匀增加,期望链路传输延迟的降幅逐渐变小。
因此,期望链路传输延迟会随空闲可用信道数n的增加而降低,但并不是空闲可用信道数n越多越好,n应该有一个最优值,当降低幅度趋于零时,说明空闲可用信道数继续增加对期望链路传输延迟的减少已没有贡献,此时对应的空闲可用信道数应该是n的最优值。
描述了下一跳最佳侯选邻节点数k随pu平均空闲时间的增加对期望链路传输延迟的影响。已知各认知路由节点可用信道数n=3,其它参数设置同。从图中可以观察到期望链路传输延迟是关于pu平均空闲时间的减函数,随着空闲时间的增加,期望链路传输延迟快速下降,如当e[toff]=0.1s增加到1.1s,k=1时,期望链路传输延迟从约为1.6s快速降到约为0.1s。
其次,随着下一跳最佳侯选邻节点数k由1到3的增加,pu平均空闲时间e[toff]约小于0.8s时,期望链路传输延迟也大幅度的降低,如e[toff]=0.1s时,k=1,2,3时的期望链路传输延迟分别约为1.6s,0.6s,0.3s,可以发现降低幅度逐渐变小。
因此,期望链路传输延迟会随最佳侯选邻节点数k的增加而降低,但并不是k越大越好,而是有一个最优值,当降低幅度趋于零时,这说明侯选邻节点数k继续增加对期望链路传输延迟的减少已没有贡献,此时所对应的k值应该是它的最大取值。
不同参数对端到端路径传输延迟的影响:
描述了不同路由路径跳数hops随主用户活动概率的变化对端到端期望路径传输延迟的影响。仿真参数设置:空闲可用信道数n=2,最佳侯选邻居节点数k=2,其它参数设置同。
首先,从图中可以观察到,期望路径传输延迟亦随pus活动概率的增加而增加,当pus活动概率约小于0.4时,期望路径传输延迟增长较缓慢,此时的期望路径传输延迟主要由数据包的传输延迟产生,而当pus活动概率约大于0.4时,期望路径传输延迟增幅变大,此时的期望路径传输延迟主要因pus活动而产生的传输延迟。
其次,随着路径跳数从1增加到3,相应的期望路径传输延迟也小幅度增加。因此,期望路径传输延迟会随路由路径跳数的增加而相应增加。
描述了不同路由路径跳数hops随空闲可用信道数n的增加对期望路径传输延迟的影响。已知当pus不占用授权信道的空闲概率uoff=0.6,最佳侯选邻居节点数k=2,其它参数设置同。
首先,从图中可以观察到,期望路径传输延迟随空闲可用信道数n的增加而减少,当空闲可用信道数n约增加到8时,期望路径传输延迟已趋近于“0”,当空闲可用信道数继续增加时,对期望路径传输延迟的减少已没有贡献。因此,空闲可用信道数n并不是越大越好,而是有一个最优值,这进一步验证所得的结论。
其次,随着路由跳数hops的增加,期望路径传输延迟亦增加,对于某一固定空闲可用信道数n,如n=1,期望路径传输延迟随着路由跳数hops的增加均匀增加,但随着n的增加,期望路径传输延迟随着路由跳数hops的增加增幅逐渐减少。
因此,期望路径传输延迟取决于路由跳数hops与空闲可用信道数n共同影响。
描述了用四种不同频谱感知算法比较路由路径中断概率的曲线图。各链路中节点的相关参数设置和信道利用率相同。参数设置为:认知节点sus感知的虚警概率pf=0.1,最佳侯选邻居节点数k=2,已知当pus不占用授权信道的空闲概率uon=0.6,路由路径的跳数hops=3。
从图中可以观察到,在dcss-ocr协议算法中,感知中继节点sri到主用户pus距离的变化对路由路径中断的影响不明显。
其次,与dcss-ocr协议算法ncs-ocr协议算法相比,dcss-ocr协议算法的仿真结果明显优于后者,而且最接近于理论的结果。
因此,所提dcss-ocr协议算法更能准确预判决路由中断的发生,以便及时做好信道切换或路由维护工作,防止或避免路由中断的发生。
描述了端到端的路由路径接入机会与空闲可用信道数和路径跳数的关系曲线图。仿真参数设置:主用户pui的最大传输功率限为
从图中可以观察到,随认知节点空闲可用信道数n的增加路由成功接入机会增多;而随着路径跳数hops的增加,路由成功接入机会减少。当可用信道数n≤5,路由跳数增加到hops=5时,路由成功接入机会几乎趋近于‘0’。
因此,为了增加路由成功建立的机会,在路由节点选择时要尽量增加单跳链路的长度,减少路由路径的跳数。
以上以附图说明的方式对本发明作了描述,本领域的技术人员应当理解,本公开不限于以上描述的实施例,在不偏离本发明的范围的情况下,可以做出各种变化、改变和替换。