本发明涉及一种adhoc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adhoc网络中,时隙分配策略是影响通信系统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。
技术实现要素:
为了克服现有技术的上述缺点,本发明提供了一种adhoc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adhoc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adhoc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系统性能评估结果;
步骤四、根据网络的系统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系统性能评估结果;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adhoc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adhoc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adhoc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adhoc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,用于衡量通信系统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系统性能的两个重要指标,不同的通信系统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系统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。