基于业务量预测的转发节点休眠调度方法及系统与流程

本发明涉及认知网络能耗技术领域，尤其涉及一种基于业务量预测的转发节点休眠调度方法及系统。

背景技术：

认知多跳网络是一种由认知无线电技术组成的网络系统，这种网络系统充分利用了由计算机网络引进的先进技术，以解决在传统无线网络中所遇到的问题。认知多跳网络的研究不同于认知无线电的研究，认知多跳网络的研究覆盖了开放式系统互联模型的所有层。早期所定义的认知多跳网络的其中之一描述为一个具有认知过程的网络，在这个过程中，它可以感知当前网络状况，计划，判决，对当前状况作出行为反应，从行为中了解结果，并且遵循端到端的目标。后来，随着对认知多跳网络概念的完善，认知多跳网络根据对资源可用性的感知，被描述为一个能机会式地利用无线电频谱和无线基站资源的网络，这样的一种认知无线电发展成为一种无线电收发机，能够机会利用频谱信道，因此，认知多跳网络是一种能够机会组织认知无线电的网络。

认知多跳网络中的节点通过对网络资源和网络环境进行认知，需要时刻保持清醒，与邻居节点建立合作关系，才能完成整个通信过程。但是，在整个通信过程中，各个阶段中每个节点的活跃程度会有所变化，从而每个节点的业务量也会变化。某一段时间过程中，并不是所有节点都参与数据包的收发，如果使网络中所有节点都一直处于侦听状态，这样会导致能量效率降低。

目前，基于认知多跳网络的一些现有的性能优化主要包括：频谱感知和频谱分配策略，选频和路由方法等，然而，却忽略了为获得预期性能所付出的能量代价。实际上，由于认知多跳网络中的节点大都靠电池供电，能量受阻成为一个亟待解决的问题。

另外，在固定休眠时间的节点休眠调度方法中，除源节点和目的节点以外，网络中部署的其他节点都进行自适应地休眠调度，并采取自组织的形式。若节点从当前时刻开始，经过时间t，在此固定时间内无数据包接收，就进入休眠状态，但是，经过自适应休眠时间tsleep后，再恢复到侦听状态，并且又经过时间t后，判断有接收无数据包，以此循环；反之，若节点在时间t内参与数据包接收，就持续保持侦听状态，并且经过时间t后，判断有无数据包的收发，以此循环，直至所有数据包传输完成。t是一个固定值，在仿真模拟环境下，传输两个数据包大概需要25ms，为了保证t时间存在一定的冗余，能在t内判断出有无数据包的传输，所以t可设为25毫秒。然而，由于自适应休眠时间tsleep也为固定值，因此，这样也会导致能量效率降低。

因此，提供一种基于业务量预测的转发节点休眠调度方法及系统。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于业务量预测的转发节点休眠调度方法及系统，能够降低认知多跳网络能耗，提高网络能量效率，并且保证了时延。

根据本发明的一个方面，提供一种基于业务量预测的转发节点休眠调度方法，用于无线多跳网络模型，该无线多跳网络模型包括源节点、转发节点和目的节点，包括以下步骤：

监测各转发节点的预定个时间间隔中每个时间间隔内的节点收包参数，获取预定个节点收包参数；

根据业务量预测模型和预定个节点收包参数计算下一个时间间隔的节点收包参数预测值；

判断节点收包参数预测值在预定时间内是否为0，若是，则计算节点平均收包速率，并根据节点平均收包速率和收包速率-休眠时间关系模型获取节点休眠时间，并根据节点休眠时间进行休眠。

进一步地，业务量预测模型为：

其中，为下一个时间间隔的节点收包参数预测值，xt-i+1为预定个时间间隔中每个时间间隔内的节点收包参数，wi为赋予节点收包参数的权重数；n为的权重数的个数；i＝1,2,...,n；t＝n,n+1,...,m，m为时间间隔的预定个数。

进一步地，上述基于业务量预测的转发节点休眠调度方法，还包括：为各转发节点建立业务量预测模型，具体实现如下过程：

选取权重数个数n，以满足其中，n为的权重数的个数，m为时间间隔的预定个数；

对各个权重数的初始值进行赋值，并满足权重数之和等于1；

根据业务量预测模型计算下一个时间间隔的节点收包参数预测值；

根据下一个时间间隔的节点收包参数预测值和节点收包参数观测值计算下一个时间间隔的预测误差；

根据预测误差反复调整权重数，直到获取一组使预测误差在预定范围内的权重数，以为各转发节点建立业务量预测模型。

进一步地，通过以下公式计算预测误差：

其中，et+1为预测误差，为下一个时间间隔的节点收包参数预测值，xt+1为下一个时间间隔的的节点收包参数观测值，

根据以下公式调整权重数：

wi′＝wi+2ket+1xt-i+1

其中，wi为调整前的第i个权重数；wi′为调整后的第i个权重数；et+1为预测误差，xt-i+1为预定个时间间隔中每个时间间隔内的节点收包参数，k为收敛因子或自适应常数，其中，xt为第t个时间间隔节点收包参数。

进一步地，上述基于业务量预测的转发节点休眠调度方法，还包括：为各转发节点建立收包速率-休眠时间关系模型，具体实现如下过程：

测试在不同的源节点平均发包间隔下各转发节点的最佳休眠时间上限值，以获取源节点平均发包间隔-最佳休眠时间上限值关系模型；

测试在不同的源节点平均发包间隔下各转发节点的平均收包速率，以获取源节点平均发包间隔-平均收包速率关系模型；

根据源节点平均发包间隔-最佳休眠时间上限值关系模型和源节点平均发包间隔-平均收包速率关系模型获取收包速率-休眠时间关系模型。

进一步地，通过最小二乘法，根据不同的源节点平均发包间隔下各转发节点的最佳休眠时间上限值，获取源节点平均发包间隔-最佳休眠时间上限值关系模型。

进一步地，源节点平均发包间隔-最佳休眠时间上限值关系模型如下：

其中，τd为源节点平均发包间隔，tsh为最佳休眠时间上限值。

根据本发明的另一方面，提供一种基于业务量预测的转发节点休眠调度系统，包括：

节点收包参数监测模块，用于监测各转发节点的预定个时间间隔中每个时间间隔内的节点收包参数，获取预定个节点收包参数；

节点收包参数预测值计算模块，用于根据业务量预测模型和预定个节点收包参数计算下一个时间间隔的节点收包参数预测值；

节点休眠判断模块，用于判断节点收包参数预测值在预定时间内是否为0；

节点平均收包速率计算模块，用于若节点收包参数预测值在预定时间内为0，则计算节点平均收包速率；

节点休眠时间获取模块，用于根据节点平均收包速率和收包速率-休眠时间关系模型获取节点休眠时间，并根据节点休眠时间进行休眠。

进一步地，业务量预测模型为：

其中，为下一个时间间隔的节点收包参数预测值，xt-i+1为预定个时间间隔中每个时间间隔内的节点收包参数，wi为赋予节点收包参数的权重数；n为的权重数的个数；i＝1,2,...,n；t＝n,n+1,...,m，m为时间间隔的预定个数。

进一步地，上述基于业务量预测的转发节点休眠调度系统，还包括：业务量预测模型建立模块，用于为各转发节点建立业务量预测模型，具体实现如下：

选取权重数个数n，以满足其中，n为的权重数的个数，m为时间间隔的预定个数；

对各个权重数的初始值进行赋值，并满足权重数之和等于1；

根据业务量预测模型计算下一个时间间隔的节点收包参数预测值；

根据下一个时间间隔的节点收包参数预测值和节点收包参数观测值计算下一个时间间隔的预测误差；

根据预测误差反复调整权重数，直到获取一组使预测误差在预定范围内的权重数，以为各转发节点建立业务量预测模型。

本发明与现有技术相比具有以下的优点：

1.本发明的基于业务量预测的转发节点休眠调度方法及系统根据节点平均收包速率和收包速率-休眠时间关系模型获取节点休眠时间，以节点收包速率为节点业务量的参考标定调整节点休眠时间，使得能够根据转发节点的繁忙度自动调整休眠时间，使转发节点更好地适应于网络流量的实时变化，自适应性更强，能够降低认知多跳网络能耗，提高网络能量效率，并且保证了时延；

2.本发明的基于业务量预测的转发节点休眠调度方法及系统在为各转发节点建立业务量预测模型过程中，根据预测误差调整权重数，使得业务量预测模型的预测更准确，以实现节点收包参数预测值更接近节点收包参数观测值；

3.本发明的基于业务量预测的转发节点休眠调度方法及系统根据源节点平均发包间隔-最佳休眠时间上限值关系模型和源节点平均发包间隔-平均收包速率关系模型获取收包速率-休眠时间关系模型，通过源节点平均发包间隔这一中间参量得到收包速率-休眠时间之间的关系图，使得收包速率-休眠时间关系模型的建立准确且有理论依据。

附图说明

以下结合附图和实施例对本发明作进一步说明。

图1是网络拓扑结构图；

图2是本发明的基于业务量预测的转发节点休眠调度方法步骤图；

图3是节点执行算法的流程图；

图4是自适应滤波预测方法的程序流程图；

图5是节点host[10]的平均收包速率随节点最佳休眠时间的上限值变化趋势；

图6是节点host[43]的平均收包速率随节点最佳休眠时间的上限值变化趋势；

图7是本发明的基于业务量预测的转发节点休眠调度系统框图；

图8是网络节点平均能耗对比图；

图9是网络端到端平均时延对比图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。

本发明提供的基于业务量预测的转发节点休眠调度方法，用于无线多跳网络模型，该无线多跳网络模型包括源节点、转发节点和目的节点，在整个认知多跳网络运行时间中，采用omnet++仿真平台建立仿真模型，例如，本发明的无线多跳网络模型可以是由54个节点(包括源节点、目的节点和若干个转发节点)等间距分布在一个6行9列的矩形区域内组成，从源节点发送50个数据包给目的节点，源节点平均发包间隔为30ms，总仿真时间为0.886s，认知多跳网络拓扑结构如图1所示。

图2是本发明的基于业务量预测的转发节点休眠调度方法步骤图，如图2所示，本发明的基于业务量预测的转发节点休眠调度方法包括以下步骤：

s210，监测各转发节点的预定个时间间隔中每个时间间隔内的节点收包参数，获取预定个节点收包参数。

具体地，如图3所示，转发节点(图1中除节点源节点host[0]和目的节点host[53]以外)在启动后均进入侦听状态，转发节点从进入侦听状态的时刻开始，进行长度为t的计时，设t内有n个时间间隔，每个时间间隔为τ，从当前时刻开始，向前递推n个时间间隔，以获取这n个时间间隔中每个时间间隔内节点实际收包数目。

s220，根据业务量预测模型和预定个节点收包参数计算下一个时间间隔的节点收包参数预测值。

具体地，如图3所示，根据这n个时间间隔中每个时间间隔内节点实际收包数目，以预测第n+1个时间间隔内的节点收包数目。通过自适应滤波预测方法由历史节点实际收包数目的加权平均数得到下一时间间隔的节点收包数目预测值。在某种场景下，假设统计到了一组序列为x1、x2、...、xt，这组序列是按某种单位时间记录统计的一组从第1期到第t期的历史节点实际收包数目序列。在这里，业务量预测模型为：

其中，为下一个时间间隔的节点收包参数预测值，xt-i+1为预定个时间间隔中每个时间间隔内的节点收包参数，wi为赋予节点收包参数的权重数；n为的权重数的个数；i＝1,2,...,n；t＝n,n+1,...,m，m为时间间隔的预定个数。

s230，判断节点收包参数预测值在预定时间内是否为0，若是，则计算节点平均收包速率，并根据节点平均收包速率和收包速率-休眠时间关系模型获取节点休眠时间，并根据节点休眠时间进行休眠。在这里，预定时间可以为25ms。

具体地，如图3所示，根据对当前转发节点业务量的预测，并根据在预定时间内是否为0这一判定准则判断是否需要休眠，若需要，则根据节点平均收包速率计算当前转发节点的休眠时间，休眠一段时间后进入到侦听状态，转至步骤s210，再次开始长度为t的计时，以此循环，直至所有数据包传输完成。

本发明的基于业务量预测的转发节点休眠调度方法根据节点平均收包速率和收包速率-休眠时间关系模型获取节点休眠时间，以节点收包速率为节点业务量的参考标定调整节点休眠时间，使得能够根据转发节点的繁忙度自动调整休眠时间，使转发节点更好地适应于网络流量的实时变化，自适应性更强，能够降低认知多跳网络能耗，提高网络能量效率，并且保证了时延。

在这里，节点不同状态下的转换通过调整节点功率来实现，节点不同状态下的工作功率具体如下表1。

表1

进一步地，上述基于业务量预测的转发节点休眠调度方法，还包括：s200，为各转发节点建立业务量预测模型，具体实现如下过程：

s2001，选取权重数个数n，以满足其中，n为的权重数的个数，m为时间间隔的预定个数。

s2002，对各个权重数的初始值进行赋值，并满足权重数之和等于1，i＝1,2,...,n。

s2003，根据业务量预测模型计算下一个时间间隔的节点收包参数预测值。

s2004，根据下一个时间间隔的节点收包参数预测值和节点收包参数观测值计算下一个时间间隔的预测误差。

具体地，通过以下公式计算预测误差：

其中，et+1为预测误差，为下一个时间间隔的节点收包参数预测值，xt+1为下一个时间间隔的的节点收包参数观测值。

s2005，根据预测误差反复调整权重数，直到获取一组使预测误差在预定范围内的权重数，以为各转发节点建立业务量预测模型。

具体地，根据以下公式调整权重数：

wi′＝wi+2ket+1xt-i+1

其中，wi为调整前的第i个权重数；wi′为调整后的第i个权重数；et+1为预测误差，xt-i+1为预定个时间间隔中每个时间间隔内的节点收包参数，k为收敛因子或自适应常数，其中，xt为第t个时间间隔节点收包参数。

在这里，可以利用matlab语言实现自适应滤波预测方法，建立预测模型的具体程序流程图如图4所示：输入m个时间间隔内的节点收包参数和n个初始权重数；从m个时间间隔内的节点收包参数选出按照从大到小排序的n个时间间隔内的节点收包参数计算收敛因子k的值；从m个时间间隔内的节点收包参数随机选出n个时间间隔内的节点收包参数，根据收敛因子k计算n个权重数，并计算预测值的均方误差，循环计算m-n次；判断最后一次计算得到的均方误差是否大于前一次的均方误差，若是，则输出“自适应过程不收敛”并停机；若最后一次计算得到的均方误差小于前一次的均方误差，则判断最后一次计算得到的均方误差是否小于前一次的均方误差不超过0.001，若是，则直接输出最后三次迭代的均方误差和n个权重数的终值，从而输出预测模型；最后一次计算得到的均方误差小于前一次的均方误差超过0.001，则循环计算200次，再输出最后三次迭代的均方误差和n个权重数的终值，从而输出预测模型。

如图1所示，可知节点host[0]和节点host[53]分别是源节点和目的节点，在这里，以离源节点和目的节点较近位置中选取节点host[10]和节点host[43]为例，分别建立它们的业务量预测模型。

总时间分为20期，每一期时间间隔为0.04s，即τ为0.04s，对每个0.04s内的节点收包数进行统计。n取5，t为0.2s。节点host[10]的收包数的一种统计情况如表2所示。

表2

根据表2中的数据经过自适应滤波预测法的matlab计算机迭代可得：

w1＝0.2380w2＝0.2361w3＝0.2138w4＝0.2069w5＝0.2054

由数据可知，靠近预测时刻的权重数较大，远离预测时刻的权重数较小，代入可得：

上式为节点host[10]的收包数预测公式。

节点host[43]的收包数的一种统计情况如表3所示。

表3

根据表3数据经过自适应滤波预测法的matlab计算机迭代可得：

w1＝0.2573w2＝0.2457w3＝0.2365w4＝0.2331w5＝0.2273

由数据可知，靠近预测时刻的权重数较大，远离预测时刻的权重数较小，代入可得：

上式为节点host[43]的收包数预测公式。

上述方法分别建立了节点host[0]和节点host[43]的一段时间间隔内节点收包数的预测模型，可以看出每个预测模型的权重数呈减小趋势，时间离得越近，权重数越大，时间离得越远，权重数越小。由此可知，时间越近的节点收包参数为下一个时间间隔的节点收包参数预测值提供的可信度较高的参考依据。其他所有转发节点(除节点源节点host[0]和目的节点host[53]以外)的收包数预测公式都是根据上述方法获得，在此就不一一列举。

本发明的基于业务量预测的转发节点休眠调度方法为各转发节点建立业务量预测模型，根据预测误差调整权重数，使得业务量预测模型的预测更准确，以实现节点收包参数预测值更接近节点收包参数观测值。

进一步地，上述基于业务量预测的转发节点休眠调度方法，还包括：s201，为各转发节点建立收包速率-休眠时间关系模型，具体实现如下过程：

s2011，测试在不同的源节点平均发包间隔下各转发节点的最佳休眠时间上限值，以获取源节点平均发包间隔-最佳休眠时间上限值关系模型。

s2012，测试在不同的源节点平均发包间隔下各转发节点的平均收包速率，以获取源节点平均发包间隔-平均收包速率关系模型；

s2013，根据源节点平均发包间隔-最佳休眠时间上限值关系模型和源节点平均发包间隔-平均收包速率关系模型获取收包速率-休眠时间关系模型。

具体地，经过多次实验可得，当源节点平均发包间隔为30ms时，节点的最佳休眠时间为10ms至20ms；当源节点平均发包间隔为60ms时，节点的最佳休眠时间为10ms至30ms；当源节点平均发包间隔为90ms时，节点的最佳休眠时间为10ms至40ms。并且，又通过多次实验以及多组数据可知，最佳休眠时间tsleep的上限值与源节点平均发包间隔存在一定的关系，根据多组数据可从表面上判断，最佳休眠时间tsleep的上限值与源节点平均发包间隔存在一定的关系，实际上，可以通过最小二乘法，根据不同的源节点平均发包间隔下各转发节点的最佳休眠时间上限值，获取源节点平均发包间隔-最佳休眠时间上限值关系模型。获取的源节点平均发包间隔-最佳休眠时间上限值关系模型如下：

其中，τd为源节点平均发包间隔，tsh为最佳休眠时间上限值。

在不同的源节点平均发包间隔下，通过仿真测试得到不同的源节点平均发包间隔所对应的转发节点的平均收包速率。其中，节点host[10]和节点host[43]平均收包速率的统计分别如表4和表5所示。

表4

表5

根据可推出不同的源节点平均发包间隔与最佳休眠时间tsleep的上限值的对应关系，并根据表4和表5可知，节点host[10]和节点host[43]的平均收包速率与源节点平均发包间隔的对应关系，从而可知，节点host[10]和节点host[43]的平均收包速率随节点所选择的最佳休眠时间的上限值变化趋势分别如图5和图6所示，其中，图5为节点host[10]的节点平均收包速率和收包速率-休眠时间关系模型，图6为节点host[43]节点平均收包速率和收包速率-休眠时间关系模型。由图5和图6可知，随着节点收包速率的增大，节点休眠时间上限值呈下降趋势。

同样地，然后测试其它转发节点在不同源节点平均发包间隔下的节点平均收包速率，可知其它每个转发节点的休眠时间上限值和每个节点的收包速率的对应关系。最后，在网络运行过程中，使每个转发节点都执行这种基于节点业务量预测的休眠调度方法，每个转发节点通过对自己在过去一段时间内的平均收包速率的统计，建立一个属于自己的预测模型，通过这个模型预测当前一段时间的节点收包速率，同时根据节点休眠时间上限值和节点收包速率的对应原则，自适应决定自己的休眠时间。

本发明的基于业务量预测的转发节点休眠调度方法及系统根据源节点平均发包间隔-最佳休眠时间上限值关系模型和源节点平均发包间隔-平均收包速率关系模型获取收包速率-休眠时间关系模型，通过源节点平均发包间隔这一中间参量得到收包速率-休眠时间之间的关系图，使得收包速率-休眠时间关系模型的建立准确且有理论依据。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

图7是本发明的基于业务量预测的转发节点休眠调度系统框图，参见图7，本发明提供的基于业务量预测的转发节点休眠调度系统，包括：

节点收包参数监测模块710，用于监测各转发节点的预定个时间间隔中每个时间间隔内的节点收包参数，获取预定个节点收包参数；

节点收包参数预测值计算模块720，用于根据业务量预测模型和预定个节点收包参数计算下一个时间间隔的节点收包参数预测值；

节点休眠判断模块730，用于判断节点收包参数预测值在预定时间内是否为0；

节点平均收包速率计算模块740，用于若节点收包参数预测值在预定时间内为0，则计算节点平均收包速率；

节点休眠时间获取模块750，用于根据节点平均收包速率和收包速率-休眠时间关系模型获取节点休眠时间，并根据节点休眠时间进行休眠。

本发明的基于业务量预测的转发节点休眠调度系统根据节点平均收包速率和收包速率-休眠时间关系模型获取节点休眠时间，以节点收包速率为节点业务量的参考标定调整节点休眠时间，使得能够根据转发节点的繁忙度自动调整休眠时间，使转发节点更好地适应于网络流量的实时变化，自适应性更强，能够降低认知多跳网络能耗，提高网络能量效率，并且保证了时延。

进一步地，业务量预测模型为：

其中，为下一个时间间隔的节点收包参数预测值，xt-i+1为预定个时间间隔中每个时间间隔内的节点收包参数，wi为赋予节点收包参数的权重数；n为的权重数的个数；i＝1,2,...,n；t＝n,n+1,...,m，m为时间间隔的预定个数。

参见图7，上述基于业务量预测的转发节点休眠调度系统，还包括：业务量预测模型建立模块700，用于为各转发节点建立业务量预测模型，具体实现如下：

选取权重数个数n，以满足其中，n为的权重数的个数，m为时间间隔的预定个数；

对各个权重数的初始值进行赋值，并满足权重数之和等于1；

根据业务量预测模型计算下一个时间间隔的节点收包参数预测值；

根据下一个时间间隔的节点收包参数预测值和节点收包参数观测值计算下一个时间间隔的预测误差；

根据预测误差反复调整权重数，直到获取一组使预测误差在预定范围内的权重数，以为各转发节点建立业务量预测模型。

本发明的基于业务量预测的转发节点休眠调度系统为各转发节点建立业务量预测模型，根据预测误差调整权重数，使得业务量预测模型的预测更准确，以实现节点收包参数预测值更接近节点收包参数观测值。

参见图7，上述基于业务量预测的转发节点休眠调度系统，还包括：收包速率-休眠时间关系模型建立模块701，用于为各转发节点建立收包速率-休眠时间关系模型，具体实现如下过程：

测试在不同的源节点平均发包间隔下各转发节点的最佳休眠时间上限值，以获取源节点平均发包间隔-最佳休眠时间上限值关系模型。

测试在不同的源节点平均发包间隔下各转发节点的平均收包速率，以获取源节点平均发包间隔-平均收包速率关系模型；

根据源节点平均发包间隔-最佳休眠时间上限值关系模型和源节点平均发包间隔-平均收包速率关系模型获取收包速率-休眠时间关系模型。

本发明的基于业务量预测的转发节点休眠调度系统根据源节点平均发包间隔-最佳休眠时间上限值关系模型和源节点平均发包间隔-平均收包速率关系模型获取收包速率-休眠时间关系模型，通过源节点平均发包间隔这一中间参量得到收包速率-休眠时间之间的关系图，使得收包速率-休眠时间关系模型的建立准确且有理论依据。

对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明运用本发明提出的基于业务量预测的转发节点休眠调度方法(称为nap休眠调度方法)，使源节点平均发包间隔不断变化，然后统计整个网络节点的平均能耗和网络端到端平均时延，并与休眠时间固定的节点休眠调度方法进行比较。其中，在休眠时间固定的节点休眠调度方法(称为fst休眠调度方法)中，在同一个源节点平均发包间隔下，节点的休眠时间是一样的，不随节点业务量的变化而变化。而在本发明提出的基于业务量预测的转发节点休眠调度方法中，节点可根据前一段时间的业务量，自适应决定当前的休眠时间，并休眠一段时间然后被唤醒。对比结果如图8和图9所示。由图8和图9可知，与固定休眠时间的节点休眠调度方法相比，所提出的方法不仅能够有效地减少能量，而且降低了时延，并且本发明提出的方法能够更好地适应于网络流量的实时变化，自适应性更强。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。