应用于多跳环境反向散射无线网络的负载均衡调控方法

本发明涉及无线通信技术领域，特别涉及应用于多跳环境反向散射无线网络的负载均衡调控方法。

背景技术：

随着5g、人工智能、大数据、云计算技术的发展，无线设备飞速增长并被广泛应用到工业物联网、智能家居、智慧医疗、无人驾驶、无人监测系统等领域。然而，设备供电成为了无线设备进行广泛部署的关键问题之一。在大规模部署无线设备网络时，对无线设备进行充电或者重新部署将带来高昂的成本。此外，在一些无法触及的嵌入式医疗系统、或有毒有害的工业环境、或敌对环境中，对无线设备进行周期性的电池更换或重新部署更是难以完成的任务。因此，针对这类应用场景构建可持续的无线网络是至关重要的。

环境反向散射通信因其仅利用环境中已有的射频信号作为载波进行数据传输为解决无线设备的续航问题提供了新的思路，从而成为近期国际上的研究热点。在摒弃了高能耗的载波产生过程后，环境反向散射设备在传输过程中拥有极低的功耗通常低至几微瓦，而传统无线电设备如低功耗的蓝牙进行主动传输时其功耗为数十毫瓦。此外，在传统的通信中，来自其他节点的信号引起的干扰通常被认为会降低通信信噪比和吞吐量。但是，反向散射设备可以利用其他节点发射的信号进行传输，从而支持同频传输，进而提升网络的频谱利用效率。

鉴于反向散射通信在能量和频谱方面的优势，研究具有反向散射通信功能的无线网络是很有意义的。然而该网络也存在诸多研究挑战：首先，由于反向散射通信的传输范围有限，大规模网络的部署需要利用多跳通信来进行；其次，环境反向散射设备因负载分配不均衡容易出现节点能量不足导致的数据传输中断，从而造成不可控的时延。因此，需要专门针对多跳环境反向散射通信网络设计负载分配方案。

发表于ieeeglobecom2017国际会议文章《robustcooperativeroutingforambientbackscatterwirelesssensornetworks》通过反向散射传感器节点的相互协作来降低路由中断的概率，首先采用传统的按需路由确定一条传输路径，然后为每一条既定路径构建一条伴随路径。该技术仅依据以往信息考虑了单个节点的状况，可替代路径限定为一条伴随路径。单独的路径优化不能达到网络整体优化的目标。此外，该技术假定主动通信模式仅用于发送控制信号，反向散射模式用于数据传输，该模式不能充分的利用环境信号和节点能量资源来优化网络性能。

技术实现要素：

本发明实施例提供了应用于多跳环境反向散射无线网络的负载均衡调控方法，用以解决现有技术中存在的问题。

本发明公开了应用于多跳环境反向散射无线网络的负载均衡调控方法，包括以下步骤：

步骤1，建立多跳环境反向散射网络吞吐量最大化问题的目标函数；

步骤2，计算网络中传输数据量的基尼系数和各个节点单位时间内的能耗，确定包含所述基尼系数和能耗在内的约束条件；

步骤3，利用重构线性化技术rlt将步骤1中的目标函数和步骤2中的约束条件转换为混合整数线性规划milp问题；

步骤4，采用分支定界法求解步骤3中的milp问题，得到网络吞吐量最大化的参数；

步骤5，利用步骤4的参数配置网络，实现基于环境反向散射的多跳无线网络的负载均衡调控。

本发明提供的应用于多跳环境反向散射无线网络的负载均衡调控方法，具有以下优点：

通过对基尼阈值的灵活控制来实现网络负载的比例均衡，提升预期的网络性能指标。通过求解基尼阈值约束下的吞吐量最大化问题可获得各节点的传输模式、传输时长、传输速率以及路由，进而提升了整个网络的吞吐量，降低网络时延。

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为本发明中多跳环境反向散射无线网络示意图；

图2为求解吞吐量最大化问题的流程示意图；

图3为不同基尼阈值下的吞吐量对比图；

图4为不同基尼阈值下端到端的时延对比图。

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。

本发明实施例提供了应用于多跳环境反向散射无线网络的负载均衡调控方法，该方法包括以下步骤：

步骤1，建立多跳环境反向散射网络吞吐量最大化问题的目标函数；

步骤2，计算网络中传输数据量的基尼系数和各个节点单位时间内的能耗，确定包含所述基尼系数和能耗在内的约束条件；

步骤3，利用重构线性化技术rlt将步骤1中的目标函数和步骤2中的约束条件转换为混合整数线性规划milp问题；

步骤4，采用分支定界法求解步骤3中的milp问题，得到网络吞吐量最大化的参数；

步骤5，利用步骤4的参数配置网络，实现基于环境反向散射的多跳无线网络的负载均衡调控。

下面对上述步骤进行详细说明。

步骤1中的目标函数为：

步骤2中的约束条件为：

g(v)≤εg,(1f)

上述约束条件的含义分别为：(1a)包含了主动通信模式和反向散射模式的能量限制条件；(1b)指节点只能选择主动通信或反向散射模式中的一种进行通信；(1c)表示每个节点的所有的传输时间总和限制在一个单位时间内；(1d)表示节点传输的数据量应不大于节点新接收的数据量和自身存储的数据量di之和；(1e)是链路容量，包括主动通信模式下的信道容量以及反向散射模式的信道容量其中μ是高斯噪声密度，w是信道带宽；(1f)限定基尼系数应不大于基尼阈值εg；(1g)是能耗约束，节点的能耗应不大于节点的储能；最后，(1h)给出了各变量的取值范围。

本发明采用基尼系数来衡量网络负载的均衡性。当各节点传输的数据量的基尼系数接近0表示网络负载趋于平均，否则当接近1时，网络负载极度不平衡。用fij和τij分别表示链路(i,j)上的传输速率和传输时长。各节点传输的数据量的基尼系数表示如下：

其中，表示节点i传输的总数据量，n表示总的节点数，而加粗的n表示总的节点集。

用pt^a，pt^b，和分别表示节点的主动传输功耗、反向散射传输功耗、主动接收功耗及反向散射接收功耗。当节点i采用主动传输时，节点j处接收到的信号功率为而当节点i采用反向散射传输时，节点j处接收到的信号功率为dij是节点i和节点j之间的距离，α是路径损耗系数，而β和pi^h分别表示反向散射系数和节点i接收到的环境信号功率。和分别表示节点i选择主动通信模式和反向散射模式。节点i在单位时间内的能耗包括接收能耗和发送能耗表示如下：

其中，ni，和分别表示节点i的邻接节点集、下一跳节点子集、前一跳节点子集和具有反向散射通信能力的节点子集，即节点储能ei达到反向散射模式的能量阈值此外，节点使用主动传输的能量阈值为

令矩阵t＝{τij}，f＝{fij}，为确定网络的最佳传输模式、时隙分配、链路数据分配以及路由，即可建立式(1)所示的吞吐量最大化问题的目标函数。

由于步骤2中的约束条件是minlp问题，其包含非线性项fijτij，因此接下来首先采用rlt将该问题转化为milp(mixed-integerlinearprogramming)问题，然后利用分支定界法求解该问题。

rlt的基本概念是通过引入新的变量替换原来的非线性项，并对新的变量添加线性约束条件。首先，变量的限制范围为0≤τij≤1和0≤fij≤[fij]u，其中[fij]u表示变量fij的上界。由此转换得到以下约束条件：

由约束条件(1e)可知根据式(4)，利用新变量δij替换非线性项fijτij，得到δij的非线性约束：

由于上式(5)中仍存在非线性项，同样根据rlt变换，分别用和代替式(5)中的非线性项和可以得到以下线性约束条件：

接着，令δ＝{δij},利用上述变量替换将步骤1的目标函数和步骤2的约束条件转换为：

s.t.(1a)-(1c),(1e),(1h),(6)(7a)

最后，采用分支界定法求解转换的目标函数(7)。

图1给出了与传统网络共存的多跳环境反向散射无线网络模型。该网络包含n个具有双通信模式的节点。如图所示，当节点a经过b向c传输数据时，节点b处于主动传输模式，其邻接节点d通过反射b发射的信号进行反向散射传输。于此同时，节点e利用b发射的信号进行能量采集。

在此模型基础上，本发明提出了基尼阈值约束下吞吐量最大化问题。接下来，介绍该优化问题的求解及参数的设置过程。如附图2所示，具体实施步骤如下：

步骤41：利用导频信号收集各节点的位置信息d＝{dij}、储能状态e＝{eⁱ}和环境信号强度p＝{pi^h}，作为优化问题(7)的初始化参数。

步骤42：设置主要的网络性能指标如吞吐量、时延或能效，并据此确定基尼阈值参数。

步骤43：设定算法精度ε和最大迭代次数，将问题(7)作为初始问题加入到问题列表q中。初始化目标函数值的下界lb＝-∞。

步骤44：从问题列表q中挑选具有最大目标函数值ubq的子问题q，令二元变量在[0,1]内取实数值得到优化问题线性松弛，求线性松弛后的优化问题的最优解可获得目标函数值作为上界ub＝ubq。已知子问题q线性松弛下的最优解，令二元变量就近取整，从而获得子问题q的可行解以及目标函数值lbq，如果lbq大于当前的lb，令lb等于lbq。

步骤45：更新迭代次数，然后判断算法精度和最大迭代次数是否达到。如果问题下界满足不等式lb≥(1-ε)ub或者达到最大迭代次数，循环终止并输出当前的可行解即式(7)目标函数的最终解，据此配置各节点的传输模式，传输时长，传输速率及路由。

步骤46：若循环终止条件未满足，选择最接近0.5的变量将子问题q划分成两个子问题和

步骤47：求解子问题q1和q2线性松弛下的解并得到对应上界和判断子问题的上界是否大于当前下界的精度范围，即是否满足和若满足条件则将子问题加入q，同时移除子问题q。检查q中的其他问题q’的上界，若lb≥(1-ε)ubq'，则该问题不能提供更优的解将其移除出q。更新列表q后，返回步骤44。

在步骤42中确定基尼阈值的方法：在网络配置阶段，从(0,1)中选择一个初始值赋给εg，然后按步长δε调整基尼阈值参数，重复求解问题(7)，并记录不同的基尼阈值对应的网络性能指标值，如吞吐量、时延和能效。最终得到不同的基尼阈值下的网络性能，存储各性能指标下对应的最佳基尼阈值，如将吞吐量设置为主要的性能指标，则选择吞吐量对应的最佳基尼阈值作为εg的设定参数。

本发明所用到的仿真参数可参考现有工作，如表1所示。在matlab中按算法实施步骤编写代码就能很好的实现本发明中的算法，从而获得最终的优化结果，并可进一步对网络性能进行统计测量，如总吞吐量和时延。如图3和图4所示，通过控制基尼阈值可获得不同的吞吐量和端到端的时延。同时，在不同环境信号强度μp下，最佳的基尼阈值也有所区别。如图3所示，在给定μp为-30dbm时，最佳的基尼阈值处(即εg＝0.3)的吞吐量是无均衡约束下(即εg＝1)吞吐量的13倍。此外，图4中，在给定μp为-30dbm时，最佳的基尼阈值处(即εg＝0.1)的端到端时延相对于无均衡约束下(即εg＝1)时延降低了94.5％。

表1仿真参数设置

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。