自适应淘汰机制（共6篇）
自适应淘汰机制 篇1
颜色的定量描述一直以来都是色彩学的研究热点,它通常在三维空间中由三刺激值来表示。 在三维空间中,被广泛认可的表达方式为基于色度的三刺激值法,而物体表面的光谱反射率被人们称为物体颜色最本质的属性,它能准确地表示在任一观察环境下物体的颜色信息。 因此,获取物体表面的光谱颜色信息可从根本上解决同色异谱问题,已成为最近的研究热点。 然而,多光谱成像设备存在重构过程复杂、时间复杂度高、 价格昂贵等因素限制了其在印刷、艺术品复制和网上购物等领域的应用;同时这些领域的颜色获取设备仅有三通道颜色值,例如常规相机、扫描仪及色度仪等。
因此,利用数学算法从颜色色度值到光谱反射率的光谱重建技术得到了广泛地研究。 尽管该数学算法的求解是欠定矩阵的求解,但其重建的光谱反射率仍然具有较高地重建精度。 目前,光谱反射率重建算法按照其原理基本上可分为两种类型:一种是基于机器学习的重建算法(神经网络、支持向量积、压缩感知、遗传算法等);另一种是基于线性模型的重建算法(线性插值、非负矩阵分解、主成分分析法、伪逆法等)。 很显然,基于机器学习的重建算法要求算法的时间复杂度高,这样基于线性模型的重建算法得到了广泛地研究。 由于伪逆法是一种能够直接地反映颜色三刺激值与光谱反射率之间的对应关系的线性模型,所以样本筛选机制的精度评价都采用该方法进行。
为了提高光谱的重建精度,研究人员对标准的基于线性模型的重建算法进行了修正,其主要是为了根据每个测试样本的特性来创建最佳训练样本子集。这些训练样本的筛选机制可分为两种类型:第一种是固定分区法,它主要涉及到将光谱颜色空间按照颜色特性进行划分, 且标准模型应用到每个子分区中;Garcia-Beltran等人通过聚类分析按照颜色的色相对光谱颜色空间进行固定分区划分,然后线性模型应用在每个分区中;Lee等人基于Macbeth Color Checker颜色特性划分Munsell样本颜色空间,然后线性模型应用到每个分区中;Ayala等人和张显斗等人根据Munsell样本色相自身的特性对光谱颜色空间进行划分, 在每个分区中进行光谱重建。 另一种是以色差值作为样本的筛选机制, 使用测试样本与训练样本之间的色差值大小进行样本预筛选, 然后使用预筛选的样本进行光谱重建;Babaei等人利用色差值的大小来形成加权函数, 从而通过加权函数来影响光谱的重建精度。 然而,色差值的局限只能选择临近的样本对光谱重建精度产生较大影响, 这样人为地导致把相似的光谱排除在外。
本文提出了一种基于样本筛选机制的自适应光谱重建算法,该方法基于颜色特征匹配来实现由CIE XYZ三刺激值来重建物体光谱反射率。 我们根据颜色特征来筛选相似样本曲线,进而提高光谱重建的精度。 为了体现提出样本筛选机制的优势,该方法的性能在色度精度和光谱精度上与传统的方法进行了比较分析。
一、基本理论
颜色样本的CIE XYZ三刺激值可通过物体的光谱反射率、光源相对功率分布和标准观察者函数三者的积分,即为:
其中,
式中k是归化系数,r(λ),I(λ)是CIE颜色匹配函数。 这时使用矩阵形式来表示公式(1)得:
式中AT和r是表示为两个矩阵, 分别涉及到样本的三刺激值和光谱反射率向量。 AT是系数矩阵,是标准光源和颜色匹配函数的内积,而r代表的是矩阵转换。 由式(3)可知,光谱形状越相似,其对应的三刺激值向量也具有越高的相似度。
对于一个给定地三刺激值,物体的光谱反射率可直接通过系数矩阵的违逆而得到,而这种直接从三刺激值空间到光谱空间的重建方法叫做直接重构法。由于系数矩阵是欠定矩阵,光谱反射率的重构需使用违逆矩阵来进行计算,这样必然导致较大的重构误差。使用伪逆法来重建光谱反射率的公式如下:
公式(4)建立了三刺激值(CIE XYZ或RGB相机响应值)空间与相对应的光谱反射率之间的映射关系。 一旦确定了转换矩阵, 这时乘以三刺激值向量就可计算出相对应的光谱反射率。 使用标准的伪逆法得到的转换矩阵是所有样本的最优解而非是每一个单独的样本, 这也是造成标准线性模型重建光谱精度低的原因。 如果转换矩阵的形成是根据每一个样本的特性进行确定来可以提高光谱的重建精度, 所以样本筛选机制可根据样本三刺激值向量特征进行样本选择。然而, 三刺激值不能代表着样本的光谱向量特征,这主要是由于同色异谱现象。正常情况下, 样本之间的同色异谱现象并不严重, 主要是由于同色异谱对具有相同的光谱形状趋势。 因此,基于颜色特征匹配原理来从本质上探讨三刺激值空间到光谱反射率空间之间的映射关系。该样本筛选机制首先依据颜色特征匹配选择机制动态选择训练样本集, 通过测试样本与训练样本集之间的匹配/不匹配关系而得到自适应样本子集, 基于自适应样本子集计算得到重建光谱。 理论上来讲, 增加不同环境下的物体三刺激值的数量可有效地避免同色异谱问题,但常规色度获取设备常常仅能获得固定环境下的三刺激值。
二、实验过程
本文的测试样本选择三个不同的样本集:Munsell样本集、Color Checker SG和Vrhel样本集进行测试验证。 Munsell样本集包含1269 个样本光谱反射率值,其来自于Munsell半光泽度色卡;Color Checker SG光谱颜色信息是通过Gretag Macbeth Eye -one Pro分光光度仪测量得到;Vrhel数据集包含354 个不同材料的光谱反射率。
为了获得最佳转换矩阵,具有样本筛选流程如下:首先,所有样本在CIE D65光源和CIE 1964 标准观察者的环境下计算样本的CIE XYZ三刺激值;然后,利用颜色特征匹配从训练样本中筛选得到自适应子集;这种样本筛选机制是利用样本之间的相似度,样本之间的相似度通过公式(5)计算得到:
式中,t和r代表着测试样本的向量和训练样本集的向量;这种方法把样本的三刺激值看作一个向量,计算结果仅显示了向量的方向性而非是向量的大小,从而计算得到相对应的相似度。 为了便于训练样本的选择,选择公式(6) 对数值进行归一化处理。 式(6)中,α 和 α′分别代表着原始和归一化的角度值;αmax代表着原始角度值的最大值。 换句话说,为了得到与测试样本具有良好的光谱相似度的训练样本曲线,需要确定一个较佳地相似度系数, 以此来建立自适应子集。例如, 如果定义相似度系数为t来作为最小选择系数,自适应子集的相似度归一化范围为r;最后,通过公式(4)计算得到具有测试样本特性的转换矩阵。
为了证明提出的算法的有效性和准确性,同时常规伪逆法和加权伪逆法来重建光谱反射率。 为了定量分析的伪逆法、 加权伪逆法和提出的算法的结果, 选择均方根误差(RMSE) 和CIE LAB色差值( 使用CIE1964 标准观察者和光源A,D50,E,F2) 来计算测试光谱和重构光谱反射率之间的差值。
三、结果和讨论
为了在细节上评价提出算法的精度,相似系数的数值是一个非常重要的决定因素。 换句话说,相似系数决定着相对应的最佳自适应子集。 正如Babaei等人所讨论的那样, 最佳条件的实现就是测试样本是训练样本集中的一个样本。 因此,Munsell样本集作为训练样本集, 而三个样本集作为测试样本集。 图1 展示了在不同的相似系数下,RMSE的平均值和在光源A和CIE 10°标准观察者的色差平均值。
从图1 可看出, 随着相似系数的不同而样本差值的分布也相对应的的发生变化,当相似系数为=0.95 时重构误差在最佳值。因此,在本文中相似度系数选择为=0.95。
为了验证本文所提出的算法机理,光谱反射率的重建过程展示了图2 中,光谱曲线是从Munsell样本集,Color Checker SG样本集和Vrhel数据集中随机选择的样本。
正如图2 所展示, 测试样本从训练样本集Munsell中选择具有较高曲线形状相似度而不是选择的临近的样本来作为自适应子集。 为了进一步分析所选择样本的特征, 计算了每一个所选择样本和测试样本的CIE L*C*H*, 且把样本展示在色相环上。 通过图2 可看出,测试样本的色相角分布以测试样本色相角为中心的固定角度范围内。 为了节省计算时间,预先确定固定的角度范围来预筛选样本。 例如,如果测试样本的色相角是和预先确定的角度是, 则动态分区的角度范围是。 在实验中,计算时间随着预先确定的角度的变小而显著减少,但颜色的重建精度基本上保持不变。 因此,考虑到计算复杂度和重建精度,本文选择在光谱颜色空间进行预筛选,然后计算与测试样本相似度。
为了验证提出算法的准确性, 比较了伪逆法、加权伪逆法和提出方法的光谱重建精度。 数学统计结果展示在表格1中。 首先,加权伪逆法和提出的算法计算精度明显高于标准伪逆法,并且提出算法的优势要明显好于加权伪逆法。 这样可以说明提高重构光谱精度不仅能够使临近的样本,还可以是通过光谱相似度;为了客观地评价这三种不同的算法,测试样本集和重构样本集之间的平均光谱误差展示在图3~5。
通过分析图3~5, 可以看出本文提出的算法在光谱重建精度方面要明显优于其他两种算法, 这也是本文的光谱重建精度高于其他两种方法的原因。
第二, 表1 展示所有方法在重建Munsell样本集时重建精度要高于其他两个样本集。 其主要原因是不同样本集具有自身的特性,使其应用场景不同。
第三, 在三种算法和测试样本下,CIELAB色差在CIE光源A和F2 要明显大于其他光源D50和E。 这种现象跟Ayala等人和Zhang等人的所得到的结论相一致, 主要是由于三刺激值的获得受到光源光谱曲线的影响。
四、结论
本文提出了一种新的基于颜色特征匹配样本选择机制的自适应光谱重建算法,通过创建根据样本自身特性的自适应转换矩阵,实现通过三刺激值来重建光谱反射率。 为了减少计算时间,根据测试样的色相角进行预筛选以此来实现算法计算复杂度的降低。测试样本重构精度的提高依据筛选样本之间相似度而不是样本之间的距离。
本文选择三种测试样本:Munsell样本集、Color Checher SG样本集和Vrhel样本集进行测试, 并与标准伪逆法、加权违逆法进行比较。 正如结果展示的那样, 本文提出的样本筛选机制是一种有效地提高光谱重建精度的筛选方式。
参考文献
[1]Dupont D.Study of the recon struction of reflectance curves based on tristimulus values:Comparison of methods of optimization[J].Color Research&Application,2002(27).
[2]Zhang W-F,D ai D-Q.Spectral reflectance estimation from camera responses by support vector regression and a composite model[J].JOSA A,2008(25).
[3]Zhang L,Liang D,Pan Z,et al.Study on the key technology of reconstruction spectral reflectance based on the algorithm of compressive sensing[J].Optical and Quantum Electronics,2015(47).
[4]Abed F M,Amirshahi S H,Abed M R M.Reconstruction of reflectance data using an interpolation technique[J].JOSA A,2009(26).
[5]Amiri M M,Amirshahi S H.A hybrid of weighted regression and linear models for extraction of reflectance spectra from CIEXYZ tristimulus values[J].Optical Review,2014(21).
[6]张显斗.数字图像颜色复现理论与方法研究[D].浙江大学,2010.
[7]Babaei V,Amirshahi S H,Agahian F.Using weighted pseudo‐inverse method for reconstruction of reflectance spectra and analyzing the dataset in terms of normality[J].Color Research&Application,2011(36).
[8]García-Beltrán A,Nieves J L,Hernández-Andrés J,et al.Linear bases for spectral reflectance functions of acrylic paints[J].Color Research&Application,1998(23).
[9]Lee C-H,Park K-H,Ha Y-H,et al.Surface reflectance estimation using the principal components of similar colors[J].Journal of Imaging Science and Technology,2007(51).
[10]Ayala F,Echávarri J F,Renet P,et al.Use of three tristimulus values from surface reflectance spectra to calculate the principal components for reconstructing these spectra by using only three eigenvectors[J].Journal of the Optical Society of America A,2006(23).
[11]Zhang X,Xu H.Reconstructing spectral reflectance by dividing spectral space and extending the principal components in principal component analysis[J].Journal of the Optical Society of America A,2008(25).
自适应淘汰机制 篇2
在车载自组织网( Vehicular Ad - hoc NETwork,VANET) 中,紧急消息对实时性要求高,应让更多车辆在更短时间内正确接收消息。广播技术成为VANET传输紧急信息的主要方式之一。由于VANET中节点拓扑动态变化,通常采用广播的方式来发现节点并建立路由。但目前国内外对于VANET的研究都没有提出一个完整统一的方案解决VANET在不同的车辆节点密集程度下的紧急消息转播问题。
不合理的广播机制可能出现大量的冗余消息,即车辆节点可能从不同的邻节点收到重复的消息,这将浪费宝贵的网络带宽。文献[1]提出一种名为streetcast的广播协议,该协议包括转播节点选择,基于边际替代率的信号交换和自适应的信标控制组成,是一种有效的紧急消息转播机制。通过建立数字街道地图和一跳内邻近节点信息对中继节点进行选择,边际替代率机制用于保护无线通信,避免冲突和增强可靠性,同时通过能够自适应学习的信标控制减少冗余。文献[2]设计一种过滤模型辨别信息的真假,过滤机制分为两层。第一层负责快速过滤,基于多种信息进行判断; 当第一层无法判别时,第二层基于有自学习能力的BP神经网进行精确过滤。由于广播消息没有得到接受者的确认( ACK) ,包冲突会引起包丢失,即可能出现邻近事故发生的最近节点并不能够收到紧急消息。同时由于缺少请求发送/清楚发送( Request To Send /Clear To Send,RTS / CTS) 协议的握手,隐蔽的终端问题也可能引起包冲突。所以,不可靠的广播消息会引起更多的问题。文献[3]对于车辆间多跳的紧急消息传播情况,提出一种跨层的广播协议。在综合考虑地理位置、物理层信道条件和车辆移动速度的基础上,设计一种新的复合型中继度量方法。基于这个度量量,提出一种分布式转播节点选择机制保证紧急消息准确可靠传播。文献[4]针对VANET的信道控制,提出一个分布式的跨层机制。该理论增强了网络的性能和消息传播的安全可靠性,特别是在紧急消息传播中,动态选择一跳内的紧急消息转播节点,与目前的机制相比,更加强健,可扩展和容易实现。由于没有转播控制机制,一个节点只是简单转播接到的广播消息。这就会引起广播风暴。广播风暴会大量占用带宽资源,甚至引起网络瘫痪。文献[5]针对紧急消息传播过程中,出现的广播风暴问题,提出单播和广播结合自动选择的方式进行紧急消息的传播。文献[6]提出名为快速且可靠的紧急消息传播机制( FR - EDM) ,该机制达到低延时和高可靠性,解决了广播风暴问题。为了使车载自组网更灵活可靠,还可将整个网络聚合分类为几个小网络。文献[7]提出一种新颖的,利用多种解析得出相对速度,利用它,在不需要GPS的情况下,改善车载自组网聚合分类算法。该理论用到平滑异同平均线,接收信号强度动量和人造神经网络理论,进而根据接收信号强度,得出移动状态和相对速度,从而实现速度分类和移动侦查,分为多个小网络,避免广播风暴,利于紧急消息的传播。对消息传播的路径进行优化,进而降低时延。为了保证紧急消息的到达,需要选择最优路径,保证时延小,同时要有备用路径提高信息到达率。文献[8]运用Hopfield神经网络适合做路径选择算法的特点,选择紧急消息传播中的最优路径和备选路径。为了在紧急消息传播中不花费额外消耗,文献[9]运用NHNN神经网络设置选择路径算法,自修复中断节点和中断链路,保证消息快速传播。文献[10]运用模糊神经网络构建和管理紧急消息传播中的路由系统,时延小,传播及时。由于动态变化的路面情况以及紧急消息传播的实时快速要求,车辆与车辆间的路由协议尤为重要。文献[11]运用跨层设计思想,提出一种基于不同需求的选择路由协议混合结构。该方案集成了基于位置和基于拓扑的路由协议,从而根据紧急消息传播的实际情况切换路由协议达到提高网络性能的目的。文献[12]提出一个基于跨层思想的路由协议DCR模型,根据交通状况动态改变路由算法,紧急消息对路由性能要求较高,此模型表现快速有效。
上述文献所提出的算法都分别从各自的角度改善广播性能,但对于双向多车道场景下,具有车辆密度自适应性的广播机制仍有待研究。本文将针对这一问题提出一种新的面向紧急消息的广播机制,以抑制广播风暴、降低丢包率、减少冗余为目标,利用双向行驶车辆进行有效转发,兼顾了消息扩散速率以及覆盖率。
2 系统模型及帧结构
在城市场景中,所有车辆节点均沿道路分布,并且车速除受到道速限速约束外,还受到交通状况影响。由于车辆间相对运动,因此节点间拓扑具有时变性,但后车辆为与前车保持安全距离,其车速必然受到前车影响,因此可以采用Krauss跟驰模型模拟[13,14,15]。城市道路宽度通常为3. 5m左右,以双向六车道为例,总宽度约为21m,而VANET中节点的通信半径根据IEEE 802. 11p规定最大的通信半径约为1000m[16],城市场景下常用的通信半径在250m左右[17],均远大于道路宽度,这就意味着道路上节点发送的消息将同时覆盖双向行驶的车辆,并且在节点密度密集时,将有许多节点同时收到某节点广播的消息。因此,若广播机制不合理则容易引发广播风暴。
为实现车辆间信息交互,假设车辆节点均装备有收发通信设备,并且以安装GPS等导航定位装置以便获取地理坐标信息。紧急消息数据包通常帧长度在100 ~ 300 字节之间[18,19],以保证快速完成数据包发送。紧急消息数据包中将包含数据类型标识、数据包序号、生成消息时间戳、源节点坐标位置、源节点速度,数据包生存时间、数据包传播方向以及传播范围。其中数据类型标识指明该数据包为紧急消息,并通过其中的优先级标志位区分消息的紧急程度; 数据包序号将用于中继节点筛选重复接收的数据包,避免重复转发; 生成消息时间戳表明紧急消息产生的时间,用于鉴别该消息的时效性; 源节点坐标位置表明紧急消息始发节点的坐标,用于中继节点判断自身与源节点的距离; 源节点速度将给中继节点的选择做参考,候选中继节点与源节点的相对速度将影响中继节点的选择; 数据包生存时间和传播范围将提供紧急消息需要扩散的范围,避免无限广播占用信道资源; 数据包传播方向在双向道路的同向或反向中继节点选择中发挥作用。
3 算法流程及分析
3. 1 节点类别
紧急消息传播过程中,需要多种节点参与,本文定义如下节点类别: 源节点、同向节点、反向节点。
源节点是遇到紧急情况,发出紧急消息的车辆节点,它通过广播方式发出紧急消息包。例如,预知前方有事故的消息,则应告知其后方向前行驶的节点; 或者预知后方有紧急车辆的消息,如城市中的救护车、火警车等,则在紧急车辆前面的节点应及时避让。源节点广播紧急消息时无法确保消息可以扩散到远处。所以,为确保在紧急事件未解除前,源节点需要持续地重复广播此消息,直至紧急事件结束。
同向节点是需要获知此次紧急事件消息的车辆,一般与源节点移动方向相同。同向节点接收到源节点传来的紧急消息后,首先读取消息包中所携带的信息,以判别出自己是否参与转播。如应参与转播,则与其他参与转播的中继节点进行信道竞争,择优转发,从而避免在车辆密集状态下,所有的车辆节点都参与广播导致的广播风暴。因为道路交通实时改变,每个节点周围的情况都不尽相同,被选中转播该事件的同向节点转播消息后,并不能保证该消息能够沿着事件传播方向继续传播。因此,转播节点还需要判断是否已经成功地完成了转播任务。事件同向节点可以通过在一段时间后是否再次收到事件传播方向上节点发的此消息来判别消息是否已经被成功传递。事件消息被成功传递则节点丢弃该消息,如果未被成功传递,则需要保留此消息并继续广播。
反向节点是与源节点处在的车道方向相反车道的车辆。反向车辆节点收到此消息后,根据紧急消息包内标志判断是否应参与转播,如无需参与转播则说明该紧急消息可以通过同向节点完成转播,此时反向节点直接丢弃数据包。如需参与转发,说明无合适的同向车辆作为中继节点,则反向节点间将通过选举机制确定中继节点。
3. 2 基于优先级的同向节点转播策略
源节点Si遇到紧急情况发出紧急消息,若其通信范围内存在同向节点,其传播方向上的一跳同向邻居节点则成为候选中继节点,记为xij( j = 1,2,…,Ni) ,其中Ni为候选中继节点个数,其集合称为候选中继节点集,记为 Ψi。每个同向节点依据消息中的消息传播方向判断自身是否处于传播方向中,如是则提取数据包中源节点的位置坐标和速度信息,并根据邻居列表中邻居信息计算各候选中继节点的优先级。该运算过程是分布式的,即各个节点各自计算候选节点集中节点的优先级并排序。由于节点均以广播方式周期发送自身状态信息,包括位置、速度、负载等,其通信覆盖范围内节点收到的消息均相同,因此同一节点的不同邻居节点对其计算出的优先级也相同。这样候选中继节点相互之间根据优先级排序的结果相同。排序最高的节点优先转发紧急消息,排序次优的节点等待一个时隙后,若发现最优候选转发的同向节点因某种意外状况无法转发,则进行转发,以此类推。若候选节点集中的节点收到候选集中其他节点转发的该紧急消息,则丢弃紧急消息数据包放弃转发。
对候选节点的优先级计算方式如下: 距离源节点越远的节点优先级越高,以保证最快的消息传播速率;与源节点距离相同的节点,在后向传播中则速度越慢优先级越高,在前向传播中速度越快则优先级越高,这是为了进一步加快消息传播速率并提高覆盖率。
广播消息将沿着狭长的道路转发,因此可将道路近似为一维坐标系,将源节点设为坐标原点,源节点的行驶方向为坐标轴正向并定义为前向传播方向,用于后方有紧急消息发出并需要告知前方车辆的情况; 指向坐标轴负向的方向定义为后向传播方向,用于前方有紧急消息发出并需要告知后方车辆的情况,如图1 所示,其他节点则可简化为只用其x轴坐标表征。由于节点通信半径R远大于车道宽度,因此通信覆盖区域可近似为以车道宽度为宽、以2R为长的矩形。在前述定义的一维坐标系中,可将源节点S的通信覆盖范围表述为区间[- R,+ R]。以后向传播为例,源节点S的候选中继节点集即为横坐标位于[- R,0]范围内的节点,如节点C及D,可表征为{ x1j| - R≤x1j≤0} 。该范围的两个边界位置x1j= - R,0 的通信覆盖范围分别为[- 2R,0]及[- R,R],均包含候选节点集的范围[- R,0],因此可以推断候选节点集中任一节点均已获得该集合中所有节点的信息。这样候选节点集中节点即可通过分布式运算求得候选节点集中所有节点的优先级并排序,且各节点计算出的结果一致。当某一候选中继节点成功转发紧急消息后,将其视为新的源节点,对应的候选节点集也自然形成,候选节点集中节点的转发则重复前述过程,直到紧急消息生存时间到期或者已覆盖需要传播的区域。该过程与节点密度无关,总是使候选节点集中有且仅有一个节点完成转发,因此可自适应于节点密度变化。
3. 3 基于携带- 转发的反向节点转播策略
当源节点所在车道上通信范围内缺少同向车辆时,为了保障紧急消息传播给远处同向节点,启用反向节点转播机制,采用携带- 转发策略向外扩散信息,并且对反向中继节点的选举将通过发送端指定。反向节点转播机制与同向节点转播机制不同是因为反向节点所在车道本身可能也正在转播紧急消息,因此不应过多占用反向车道上的网络资源,只能尽力而为地辅助传输,最终目的仍是将紧急消息传回同向节点。为了减少反向节点参与转发时的开销,反向中继节点由发送方根据邻居列表中信息评估后选择,在数据包中指定该节点作为转发节点,其他未被指定的反向节点在收到数据包后直接丢弃不做处理,以减少网络开销及数据负载。
由于所有节点均周期地发送状态信息,因此节点可同时收到同向及反向节点的信息,从而除了可建立同向节点邻居列表外,还可建立反向节点的邻居列表。由于无线传输的广播特性,使得中继节点在转发消息时也起到对源节点反馈的作用,即当源节点接收到从其他节点转发来的自身的紧急消息时,即可判定其覆盖区内有合适的中继节点存在。反向中继节点的选择需要区分后向传播和前向传播。在后向传播中,源节点在多次发出紧急消息后都收不到其他同向节点转发的该数据包,则说明其周围没有合适的同向中继节点,从而寻求反向节点辅助转发。由于反向节点的行驶方向和紧急消息的传播方向相同,因此在源节点通信范围内距离源节点越远、车速越快的反向节点越有利于数据包快速传播。总体而言,紧急消息在节点中消耗的信道接入时延很短,通常在毫秒数量级,在此期间节点位移有限,因此与源节点的距离成为筛选反向中继节点的首要因素。首先筛选出源节点在负方向上的一跳反向节点候选集,即以源节点横坐标为原点,筛选出横坐标小于零的一跳反向邻居节点。再从一跳反向节点候选集中选择横坐标与源节点距离最远的节点作为中继节点,当有多个反向节点与源节点距离相同时,则选择其中车速较快的节点。如图2( a) 所示,源节点S从一跳反向邻居节点集合中选出位于负半轴的节点构成一跳反向中继节点候选集{ B,C} ,然后再从中选择距离最远的节点C作为中继节点。将节点C的地址写入数据包中并广播,节点C收到后完成转发,同时源节点收到该转发包后判定中继节点转发成功。若由于某种原因导致节点C无法完成转发,则源节点在下一周期广播的紧急消息中将次优的节点B作为中继节点。若一跳反向中继节点候选集中节点均无法完成转发,则选择一跳反向节点集合中位于坐标系正半轴的节点,距离源节点近的优先,如图2( a) 中的节点A。前向传播中反向中继节点选择过程类似,但是将一跳反向邻居节点集合中横坐标位于以源节点为原点、以道路为横坐标的正半轴的节点构成一跳反向中继节点候选集,如图2( b) 中的集合{ B,C} ,再从中选择距离源节点最远的节点作为中继节点,如节点C。若出现多个距离相同的候选节点,由于反向节点的运动方向与数据包传播方向相反,因此从中选择速度最慢的节点。
当反向中继节点完成转发后,则将其视为新的源节点。新的源节点首先在邻居表中寻找与紧急消息始发源节点同向的节点作为下一跳中继,若无合适中继节点则重复上述反向中继节点的选择过程,直到紧急消息数据包生存时间过期或者找到同向中继节点。
4 性能仿真及分析
4. 1 仿真环境设置
在仿真软件SUMO( Simulation of Urban Mobility) 中使用一个从Open Street Map导入的福州市真实的街道场景作为仿真背景,如图3 所示。Open Street Map简称OSM,是一个可供自由编辑的世界地图。开放街道图是一个网上地图协作计划,目的是创造一个内容自由且能让所有人编辑的世界地图。然后利用Krauss跟驰模型模拟车辆运动轨迹,再将轨迹文件导入NS2 中进行网络性能仿真,交通仿真参数及网络性能仿真参数如表1、表2 所示。
4. 2 消息覆盖率
消息覆盖率定义为在紧急消息生存时间期间或者传播距离之内成功接收紧急消息数据包的节点数与总节点数的比值。该性能指标表征紧急消息被所有相关的车辆成功接收的程度。这能体现出网络的可靠性以及网络的拥塞状况。所提出的紧急消息转播机制的消息覆盖率性能如图4 所示,仿真过程中,发出紧急消息的源节点一跳通信范围内的车辆由10 辆/公里增加至100 辆/公里,由于车辆节点的增多,网络中的消息覆盖率都有所下降。在洪泛机制下,当节点密度稀疏时( 10 辆/公里) ,各节点间信道竞争不激烈,广播带来的覆盖率的增益大于导致网络拥堵造成的性能损失,因此可达到约96. 5% 的消息覆盖率。但随着车辆密度的增大以及存在并行于不同车道的节点同时进行广播,节点间竞争迅速加剧,网络拥堵带来的负面影响递增,最终导致广播风暴,从而使得消息覆盖率在高车辆密度( 100 辆/公里) 时降低至仅为约32% 。但是使用本文提出的车辆密度自适应转播机制时,消息覆盖率性能有明显改善,在低密度下( 10 辆/公里) 可达97% ,而高节点密度( 100 辆/公里) 时仍可保持约93% 的消息覆盖率性能。这是因为通过对同向中继节点或反向中继节点的优化选择,使得在低节点密度下可利用反向节点选举机制提高消息覆盖率以及消息传播速率; 而在高节点密度时使用同向节点的自适应选择,减少参与转发的节点数,提高系统的消息覆盖率,抑制广播风暴。
4. 3 平均转播跳数
平均转发次数定义为给定节点密度下,在紧急消息生存时间或者所需传播距离内,所有节点用于转播紧急消息的转发次数之和。此值越小,则整个网络用于转发该紧急消息的次数越少,转发效率越高,网络中冗余信息越少。以所需传播距离为约束,模拟所提出的机制以及洪泛的平均转发次数性能,设所需传播距离为3km,紧急消息的始发节点位于区域一端边界,节点以泊松分布分散于该区域中,节点密度为10 - 100 辆/公里,节点传输半径均设为1000m,重复仿真1000 次取均值。
仿真结果如图5 所示,可以看出随着节点密度的增大,基于洪泛的转发机制的平均转发次数快速增大,当节点密度提高一个数量级时平均转发次数也增大了一个数量级,并且即使在低节点密度分布( 10 辆/公里) 时平均转发次数已达到100 次左右。而采用本文所提出的车辆密度自适应的转发机制的平均转发性能并不随着节点密度增大而增加,基本保持稳定,在低节点密度时( 10 辆/公里) 比洪泛转播低约两个数量级,而在高节点密度时( 100 辆/公里) 则体现出三个数量级的性能优势。这是因为洪泛机制中节点均参与转发,而车辆密度自适应转播机制中源节点不论采用同向节点筛选,还是采用反向节点选举,都是在兼顾覆盖率的情况下每跳产生一个中继节点,这对于车辆密度变化具有很强的鲁棒性,不仅降低了平均转发次数,还减少了节点间的信道竞争,减轻网络负载。
5 结束语
自适应淘汰机制 篇3
目前,在无线传感器网络中,节点通常采用电池供电,而且某些场合下分布在人类难以接近的地区,使得人们无法为其补充能量,故其能量是相当有限的,因此,如何合理、有效地使用节点的能量关系到整个网络的生存时间和工作质量[1,2]。
传感器网络的典型应用模式是每个传感器节点采集数据后发送到基站,但在很多情况下,这一模式对于能量受限的传感器节点而言是不可接受的。同时,由于很多邻近的传感器采集到的数据彼此间存在很大的相容性,完全可以采用某种手段数据融合后再传送到基站,在这个目标的指引下,自然而然就会产生网络分簇算法的思想分簇思想是在网络中选择几个节点作为簇首,其余的传感器节点作为簇首的成员,每个成员采集到数据后不是直接发送到基站,而是发送到簇首,簇首把收集到的簇成员数据压缩后,发送到基站,分簇算法由于减少了每个节点向基站发送数据的次数,因此大大地减少了每个节点的能量消耗和网络中参加信道竞争的节点数目,提高了信道的利用率,LEACH算法[3,4]就是一种经典的分簇算法
1 LEACH算法
1.1 算法的简单介绍
LEACH算法采用轮换簇首的方式,以避免单个节点一直担任簇首而消耗过多的能量。每个轮次又分成簇形成阶段和簇稳定阶段。在簇形成阶段,算法采用随机选举的方法产生每轮的簇首。选举过程如下:每个传感器节点先生成0到1之间的随机数,如果生成的随机数小于阈值,那么这个节点就当选为簇首。阈值的大小Pi(t)是由以下的公式来决定:
其中N和k分别为所有节点数和簇首的个数,r是当前轮数,Ci(t)是一个标志位,担任过簇首的节点Ci(t)为0,在每个大轮结束后,所有节点的标志位Ci(t)都将置为1,开始新的一轮的循环。当节点被选为簇首后,就向周围广播ADV-CH信息。其它节点根据收到的广播信息的能量的大小判断自己离该簇首的距离。节点选择离自己最近的簇首加入该簇。接着,节点向簇首发送要求加入该簇的请求,簇首收到各成员的加入请求后建立一张时间调度表,将含有该表的ADV-SCH消息发送给所有簇内成员,完成簇的建立。之后就进入数据传输阶段,各个节点按照簇首分配的时隙给簇首发送数据,簇首将收到的信息进行融合,然后将信息传递给基站。
1.2 对LEACH算法的分析
从算法的介绍中可以看出,LEACH算法充分体现了分簇思想,节点不需要保存任何关于网络拓扑结构的信息就可以进行网内簇结构的划分,同时通过动态的选择聚首的方法延长了网络的寿命。分簇思想在之后的很多研究中都被应用[5,6],但是该算法也存在一些不足,在这样的分簇算法中,普通节点可以长时间进入睡眠状态,因而消耗的能量比较小,而簇首既要与簇内节点通信,又要进行数据融合以及与基站传输的任务,这将消耗大量的能量,所以,分簇算法成功与否的关键在于簇首节点的选择,而LEACH算法单纯的采用了随机数生成的方法来选出簇首,在这种情况下,簇首节点所带的能量可能并不能担当起其相应的传输责任,从而使某些节点生命期急剧缩短,导致整个网络可靠性下降。
在很多情况下,传感器节点被用来监控目标区域,簇首节点的衰亡会导致某区域内数据的缺失,这对于关键事件的监控而言是绝对不能接受的。
所以,把能量作为一个约束条件来进行簇首的选举是一个可行的改进措施,关于这方面之前也有一些研究成果,如文献[7]中提出了一种自适应改变簇首选择门限来优先选取高能量节点担当簇首,通过这种方式,一定程度上提高了网络的负载均衡,但是,可以预期到,该算法只是实现簇首能量充足的概率上的提高,并不能确定的得到符合要求的簇首。而对于某些关键事件的监控,必需采取一种有效的策略来确保网络内簇首节点的能量足以完成一轮内的传输任务。本文将采用一种簇首退避机制,通过这种策略,最大程度地保证了簇首节点的健康度。
2 自适应退避机制
2.1 算法实现
首先,在使用随机数方式产生簇首以后,其他节点收到了各个簇首的信息,从中选择最合适的簇加入,把自己的能量值连同节点ID一起发给当前的簇首,当簇形成以后,簇首节点在分配时间调度表之前首先进行一次“体检”,即判断自身是否有足够的能量完成担当簇首的任务,这可以通过在节点内设定一个能量门限Eth来实现,为了描述方便,本文称节点能量高于门限时该节点具有足够的健康度。当簇首自身的能量超过门限时,它广播时间调度表给周围节点,从而顺利地进行数据传输,而当簇首健康度不够时,它将进行以下工作,如图1所示:
(1)启动一种筛选机制,由于簇首节点在形成簇的阶段获知了簇内各个成员的能量值,于是它以能量门限Eth作为标准来依次比较簇内成员的能量,当发现某个成员的能量值高于门限,即说明该成员足够健康那么簇首就找到一个继任者筛选到此结束,如果在扫描完所有成员后仍然没有得到超过能量门限的成员,那么通过这次扫描,簇首依然能得到一个能量最大,最健康的成员,从而也把这个成员作为继任者。
(2)簇首将含有继任者ID的CHANGE-CH消息进行广播,由于消息中携带原簇首的ID值,所以簇内成员可以判断这是本簇内进行的退避调整,于是把自己的簇首节点改变为继任者的ID值,而簇外成员则简单丢弃该消息。
(3)原簇首替自己的继任者建立一张时间调度表。在退避机制中,簇首给出了一张与LEACH形式相似的调度表,不同的是,它在原先为继任者分配的时隙中放入自己的ID,然后将这张调度表同样地以ADV-SCH消息发出,继任者在收到这张表时,已经知道在某一时刻将接收到来自哪个节点的数据,而其他节点则不受任何干扰的在自己的时隙内进行数据的采集和发送。
2.2 基于退避机制的算法分析
该算法有如下特性:
(1)算法是完全分布式的,节点无须得知全网的拓扑信息,完全依赖本地信息就可以互相协同工作。
(2)算法的消息复杂度是O(1)的,因为簇首在进行退避时只多发送了一次消息,属于常数级别数目。
(3)算法能够提高全网的数据传输吞吐量,因为退避选举出来的簇首能够保证充足的能量完成数据融合和转发,这就避免出现成员因为簇首的死亡而不得不直接与SINK通信的后果,提高了传输的可靠性和吞吐量。
(4)算法能够达到时间同步的要求,假设出现如下情况:分簇过程完成过后某些簇进行了退避,而某些簇直接开始传输数据,这样就产生了各簇形成时间不一致,下面来分析时间误差情况:退避机制中首先进行替代者的筛选过程,由于只需进行几十个能量值的比较,对于现在的微处理器而言,这一步几乎不占时间,误差主要集中在广播继任者ID的CHANGE-CH消息及响应的时延上,设普通簇形成阶段的总耗时为τ,簇稳定阶段的时间为ω,而退避机制使得某些簇的形成时间延长至τ′,那么对于每一轮来说,相对时间误差为
在不退避时,簇首和成员之间要进行三次消息的沟通,退避机制使得消息总数增加到四次,设一次消息传递的平均时延为簇内消息处理耗时为θ,
于是
(当θ→时等号成立)
通常为了节省能量,簇形成阶段远小于簇稳定阶段,一般取ω/τ≥50,因此,这对于一般的同步需求是完全可以满足的,而对于要求极高的情况下,也可以通过设置未退避簇首节点延时一定的时间来达到精确同步。
(5)关于能量门限值Eth的设定,如果该值设定的过大,那么将会在节点完全具有完备性的时候消耗不必要的资源进行退避,如果设定的过小,那么就起不到均衡网络的目的,为了探索能量门限Eth与节点初始能量E的关系,引入因子β,Eth=βE。在分簇算法中,簇首通常占全部节点的5%,那么每个簇的成员个数期望值为20,簇首要与每个成员联络,还要进行数据融合,而其他节点在发送数据完毕后就消耗睡眠能量,簇首与成员的能量消耗比约为20∶1,门限的设定要保证高于门限值的节点在当选为簇首后仍然可以有若干次作为成员所需的能量,因此,若当选一次簇首的能量消耗期望值为e的话,则Eth=(1+0.05n)e,再假设节点持续进行信号收发并进行数据时(即节点总是当选簇首),该簇首的初始能量E能够维持p轮,即E=pe,则
3 仿真实验
通过仿真工具NS2比较本文算法和LEACH,实验模型由100个节点组成,它们随机均匀分布在(x=0,y=0)至(x=100,y=100)的正方形区域内,每个节点的初始能量为E=2J,无线覆盖半径为25m,SINK节点位于(50,175)的位置。为了分析系统的能耗,引入一种简单的无线信道模型,每20s重新进行一轮簇首选举,由于2J的能量大约可以提供节点连续工作10轮,即p=10,再令n=20,则β=0.2,Eth=0.2E=0.4J,仿真采用Monte-Karlo统计实验取平均值的方法。
首先测试了网络的系统寿命如图所示定义为第一个因为电池耗尽而“死亡”的节点所经过的工作轮次R,由图2可见,与LEACH相比,本文算法明显的延长了系统寿命,如前所述,这是因为退避机制使那些原本过度担当簇首的节点找到代替者,而避免很快地死亡,使整个网络的寿命延长了百分之四十左右。
其次再比较一下该算法在数据吞吐量方面的性能,如图3所示,稳定工作时,每个成员节点收集信息生成一个原始的分组并向簇首发送,分组的长度设定为10kbits,簇首将簇内成员(包括自身)的所有分组融合封装成一个新的分组再传送给SINK,如果一个节点联系不到周围的簇首,它直接把分组传递给SINK。
最后再看一下退避机制中Eth门限因子的选择对于算法的影响,还是以网络寿命作为评价标准。可知,当门限为零时,退避机制退化为LEACH,而当门限值过高时,节点将花费大量无必要的能量在改选簇首上理论和仿真如图所示当时算法将获得比较好的性能。
4 结束语
尽管LEACH算法是一种比较高效节能的网络分簇算法,但是美中不足的是它随机选举簇首的方式破坏了网络的负载均衡性,导致网络寿命的缩短和传输吞吐量的降低,而通过一种退避机制的实现,解决了节点能耗分布不均的这一难题,并且由于设置了能量门限值,因此在刚开始各节点能量充沛的时候,算法并不消耗任何额外的能量,而在后期各节点的能量已经趋于不均衡的时候,该算法体现出了它自适应调整簇首,调节节点负荷,延长网络平均寿命的能力
参考文献
[1]Akyildiz I F,Su W,Sankarasubramaniam Y.A survey on sensor net-works[J].IEEE Communications Magazine,2002,8(2):102-114.
[2]孙利民,李建中,陈渝,等.无线传感器网络[M].北京:清华大学出版社,2005.
[3]Heinzelman W R,Chandrakasan A,Balakrishnan H.Energy-EfficientCommunication Protocol for Wireless Microsensor Networks[C]//Pro-ceddings of IEEE HICSS,January 2000:10-11.
[4]Wendi B Heinzelman,Anantha P Chandrakasan,Hari Balakrishnan.An Application-Specific Protocol Architecture for Wireless MicrosensorNetworks[J].IEEE Transactons On Wireless Commucations,October2002,1(4):660-670.
[5]LIANG YING,YU Haibin.Energy Adaptive Cluster-Head Selection forWireless Sensor Networks[C]//Proceedings of the Sixth InternationalConference on Parallel and Distributed Computing,Applications andTechnologies,IEEE,2005:634-638.
[6]Jian Zhang,Benxiong Huang,Lai Tu,et al.A Cluster-Based Energy-Efficient Scheme for Sensor Networks[C]//Proceedings of the Sixth In-ternational Conference on Parallel and Distributed Computing,Applica-tions and Technologies,IEEE,2005:191-195.
自适应淘汰机制 篇4
目前,具有感知能力、计算能力和通信能力的无线传感器网络WSN( Wireless Sensor Network) 作为一个新的研究领域正逐步得到广泛关注,无论是在军用领域还是在民用领域皆具有广阔的应用前景[1,2]。传感节点一般被部署在特殊的检测环境中,节点一旦部署就不易更换,所以WSN存在节点能量受限的问题。因此,如何尽可能地降低传感器节点的能量损耗,以延长WSN的生存周期一直是研究人员研究的重点[3]。
研究发现尽管传感器节点通信模块存在发送、接收、侦听( 空闲) 和休眠4 种工作状态,但大部分时间却都处于侦听状态[4,5]。为了减少空闲侦听造成的能量浪费,研究人员设计了低占空比MAC协议。但是低占空比意味着节点大部分时间都处于休眠状态,这会极大地影响邻居节点相互发现的时间,甚至可能会影响整个网络的通信性能[6]。上述问题的一个解决方案是让所有的节点同步。但时间同步在大规模分布式环境中开销非常大。在网络规模比较大时,收敛性无法得到保证,同时由于传输延时的存在,时间同步甚至是不灵活的[7]。
针对上述邻居发现的另一个解决方案是开发一种异步的能量节省协议[8,9]。文献[10]中首次提到了这个问题,并针对这个问题提出了三种解决方案,实验结果表明Quorum-based的协议是最适合WSN的协议。文献[11]提出了异步QPS( Quorumbased Power Saving) 协议,但是节点的循环长度N是固定的。文献[12,13]提出了自适应QPS协议,允许节点根据网络的拥塞状况自适应地改变循环长度,但是协议只能应用在对称网络中。文献[11,14]提出了适用于非对称网络的QPS协议,但是协议不适用于异步网络环境并且节点的循环长度是固定的。
尽管在后来的研究中,基于Quorum的协议被用于解决非对称、异步、自适应网络环境问题,但是到目前为止很少有人设计出同时解决这三种问题的协议。本文基于Quorum系统[15,16,17]设计了一种异步自适应非对称调度机制3ASM。3ASM不仅能使节点根据网络的拥塞状况自适应地改变循环长度,还能使节点在时钟不同步时,无需采用时间同步协议,也能保证网络的连通性。
1 系统模型
1. 1 网络模型
WSN存在传感节点能量受限的问题,如何尽可能地减少节点能量损耗以延长网络的使用周期一直是WSN研究的重点内容。WSN的分簇路由协议在可扩展性与节能方面有着显著优势[18]。为了提高所设计网络的性能、延长网络的使用周期,本文采用分簇路由协议中的分簇算法将网络划分成簇。网络成簇模型如图1 所示,网络中所有节点同构,按它们在网络中的作用不同将它们划分为簇成员节点和簇头节点。簇内,簇成员节点与簇头节点直接进行通信; 簇间通过中继节点( 簇头节点) 进行通信。簇头节点作为本簇内的协调节点,一方面将本簇内簇成员节点发送的数据进行融合并通过中继节点传输至汇聚节点,另一方面担任本簇内簇成员之间的通信桥梁并与周围相邻簇头节点共同构成通向汇聚节点的骨干链路。
1. 2 基于Quorum的能量节省协议
基于Quorum的能量节省协议如图2 所示,网络中的每个节点的时间轴被划分为若干个均等的部分,每个部分称为一个帧,节点在每个帧内保持侦听或休眠状态。节点的侦听/休眠机制遵循一个循环模式,即每N个帧为一个循环周期( 其中N称为循环长度) 。节点处于休眠帧时,将保持休眠状态。节点处于侦听帧时,将保持侦听状态,并且可以收发数据。节点处于侦听状态时,将在广播传输指示窗口ATIM( Announcement Traffic Indication Message window) 内广播一个携带自身调度信息( 循环模式和当前帧的编号等信息) 的信标帧,如果这个信标帧被其他处于侦听状态的邻居节点侦听到,就表示该节点被其邻居节点发现了。如图2( a) 所示,节点的循环长度为9,节点在第4、5、7、8 个帧内保持休眠状态,第0、1、2、3、6 个帧内处于侦听状态,节点只有处于侦听帧时,才能完成邻居发现和收发数据包。从图2( b) 中可以清楚地看到,一跳范围内的任意两个节点A和B ,一旦它们在某个时间段都处于侦听状态,则它们一定能够完成邻居发现。当它们没有同时处于侦听状态的帧时,如果节点A有数据需要发送给节点B ,节点A首先缓存数据并根据已经接收到的节点B发送的信标帧预测它们下一个同时处于侦听状态的帧,直到等到那个帧,才采用分布式协调功能( Distributed Coordination Function,其中包括RTS、CTS以及随机退避机制) 传输数据。如果数据没有在一个帧内完成接收或者发送,将在该帧的下一个帧继续发送,直到数据传输完毕。
2 3ASM设计
在为一个分布式多跳网络设计节能策略时,邻居发现问题不容忽视[19]。由于WSN节点采用周期性侦听/休眠模式,当节点需要将数据发送给它一个处于休眠状态的邻居节点时,就必须能够预测出该邻居节点何时处于侦听状态,因为节点只有处于侦听状态才能收发信标帧完成邻居发现。Quorum系统的运用主要是用来解决邻居发现问题,即两个有着任意时间差的节点,如何能够完成邻居发现。Quorum系统有不同的构建机制,其中最常用的是基于网格的构建机制。本文基于质数网格设计了一种新的邻居发现机制—3ASM,3ASM能够保证有任意时间差的两个节点能够在有限的时间内完成邻居发现,下面我们对3ASM的非对称性、自适应性、异步性分别进行详细阐述。
2. 1 非对称性
为了满足WSN的性能要求,采用如图1 所示的成簇模型将网络划分成簇。分簇机制使得簇成员节点、簇头节点的通信量、能耗以及在网络中的作用不同。在基于Quorum的能量节省协议中,簇头节点和簇成员节点均选择S-quorum作为它们的侦听帧,但一般情况下簇成员节点的通信量比簇首节点要少,如果他们选择相同的工作时间,无疑会增加簇成员节点的能量损耗,从而增加整个网络的能量损耗,缩短网络的使用周期。而3ASM正是充分考虑到分簇机制的特性,在基于Quorum的能量节省协议的基础上进行改进,使能量较少、通信量较小的簇成员节点采用A-quorum选择侦听帧,使能量较多、通信量较大的簇头节点采用S-quorum选择侦听帧来实现非对称性( 不同类型的节点采用不同类型的Quorum) 。为便于文章的描述,我们分别对A-quorum、S-quorum作如下定义。
定义1 A-quorum是0 到N - 1 这N个连续数字按先行后列依次排列组成的的网格中任一列数字构成的一个整体,若A-quorum包含第j列,则记为Ajn。如图3( a) 所示,在3 × 3 的网格中第二列数字构成的整体,记为A23。
定义2 S-quorum是0 到N - 1 这N个连续数字按先行后列依次排列组成的的网格中任一行和任一列数字组成的一个整体,若S-quorum包含第c行第i列,则记为Sic。如图3( b) 所示,第一行第二列数字组成的一个整体记为S31。
2. 2 自适应性
3ASM允许网络中所有节点根据网络的拥塞状况、通信量和时延要求等自适应地调整循环长度。例如当节点检测到网络负载超过预先设置的一个阀值时,节点就会在循环长度较长的网格中选择Quorum。而当网络负载低于预先设置的一个阀值时,节点就会在循环长度较小的网格中选择Quorum,以此来满足人们对网络的性能要求。但是网格的选择并不是任意的,如果A-quorum和S-quorum是从任意的两个网格中选择的,要想保证它们具有非空交叉特性是很困难的。但是如果我们选择的网格是质数网格( 定义3) ,则这种非空交叉特性就很容易得到满足。
定义3 若QA是一个n × n的网格,如果n是质数,我们就称QA为质数网格。
定义1[16]( P - 延伸) 设N、P、K为正整数,集合A = { ax|1 ≤ i ≤ k,ax∈ Zn} ,则集合A的P延伸定义为AP= { ax+ y ×n | 1 ≤ x ≤ k,0 ≤ y ≤ P - 1} 。
定理1 设QA、QB分别是一个n × n和m × m的质数网格,一跳范围内的任意两个节点A从QA中选择A-quorum、B从QB中选择S-quorum作为它们的侦听帧,则它们一定会在max( n2,m2) 个帧内有一个都处于侦听状态的帧。
证明:(1)当n≤m时,P=|m/ n|,A节点选择的A-quorum为Anj,节点B选择的S-quorum为Sci,由定义1、定义2可知Sci包含Ami。由于m、n均为质数,则Anj、Ami中所有元素分别满足ax≡r(modn),a'x≡r'(modn),其中r、r'分别为余数,并且r<n,r'<m。根据孙子定理可知,一定存在一个正整数I满足I≡r(modn)≡r'(modm)且I≤m×n<m2,I∈(Anj)P,I∈Ami。所以节点A与节点B一定会在m2个帧内有一个都处于侦听状态是帧。
( 2) 若n > m ,同理可证节点A与节点B一定会在n2个帧内有一个都处于侦听状态是帧。
综上所述,节点A与节点B一定会在max( n2,m2) 个帧内有一个都处于侦听状态的帧。
定理2 设QA、QB分别是一个n × n和m × m的质数网格,一跳范围内任意两个节点A 、B分别从QA、QB中选择S-quorum作为它们的侦听帧,则它们一定会在max( n2,m2) 个帧内至少有一个都处于侦听状态的帧。
定理2 与定理1 的证明类似,这里不再详细阐述。
定理1、定理2 可以保证任意两个邻居节点无论是分别采用A-quorum、S-quorum还是均采用S-quorum,均可以保证在有限个帧内至少有一个都处于侦听状态的帧,这个都处于侦听状态的帧是两邻居节点完成相互发现必须的。下一小节将会详细证明两个异步节点是如何在这个都处于侦听状态的帧完成邻居发现的。
2. 3 异步性
基于Quorum的能量节省协议要求网络中的节点时间同步,这会增加网络中的同步控制开销、限制网络的收敛性和鲁棒性。为了保证两个异步节点能够完成邻居发现,3ASM在基于Quorum的能量节省协议的基础上,进行如下改进: 节点在Quorum选定的帧以及选定帧的下一个帧的ATIM均保持侦听状态,其余时间处于休眠状态。通过证明我们可以得出一跳范围内的任意两个节点,只要它们在某个时间段都处于侦听状态,则它们一定能够发现彼此,下面我们对此结论进行详细证明。
定理3 一跳范围内的任意两个节点,只要它们在某个时间段都处于侦听状态,则它们一定能够完成邻居发现。
证明: ( 1) 节点异步
设A、B是网络内一跳范围的任意两个节点,它们的时钟相差个帧,其中是每个帧的持续时间,。如图4 所示,节点A和B均处于侦听状态的帧是在A的第i个帧、B的第j个帧,设A的第i个帧的起始时间是t ,ATIM持续时间记为,则节点B的ATIM的活动时间范围是,节点A的侦听时间范围,因为,所以我们可以得到,因此节点B的ATIM一定能够被节点A的侦听时间完全覆盖。若设节点B在交叉帧的起始时间为时间t ,将 Δt用替换,采用同样的方法,我们可证节点A的ATIM一定能够被节点B的侦听时间完全覆盖。
( 2) 节点同步
节点同步是节点异步的一种特殊情况,只需将第一部分证明过程中的k、Δt均设为0 ,我们可得到同第一步一样的结论。
3 仿真结果与分析
为了进一步验证3ASM的性能,本节采用Omnet + + 仿真软件,以Grid[7]和AQEC[12]为对象进行了仿真和分析。具体仿真参数设置如下: 节点个数为100 ,检测区域为400 m × 400 m,广播包大小为64 Byte,数据包大小512 Byte,为16 ms,每次仿真时间为100 s,仿真次数1000 次,簇成员节点的循环长度为25。电台有发送、接收、侦听、休眠四种工作方式,其能耗分别为36 m W、14. 4 m W、10 m W、15 u W[4]。
图5、图6 分别给出了帧长在50 ms到300 ms范围内变化时,3ASM、AQEC、Grid的能量损耗和平均邻居发现延迟的仿真实验结果。由图5 可知,3ASM的能耗最小。这是由于1) 3ASM不需采用时间同步协议,而AQEC、Grid均采用时间同步协议,时间同步在大规模网络中开销非常大; 2) 在3ASM中,当簇成员节点的循环长度是25 时,簇头节点的循环长度一定大于25,而在AQEC、Grid中簇头节点的循环长度仍为25,由图3( b) 可知节点的循环长度越长越节省能量。由此可得,3ASM大大降低了能量损耗,使得WSN的寿命得以延长。
从图6 可以看出,3ASM与AQEC、Grid相比,邻居发现延迟略有增加。这是由于3ASM不采用时间同步协议,当邻居节点需要传输数据时,需等待都处于侦听状态的帧,但由于时钟差异的存在,即使两节点都处于侦听状态的帧,也未必能够立刻发现彼此。
由仿真结果可知,随着帧长的增加,节点的能耗不断减少而节点邻居发现延迟不断增加。这说明节点能耗的降低是以时延为代价的。3ASM在节能方面有显著优势,所以其邻居发现延迟略大是很正常的。由于WSN节点能量受限并难以补给,所以用邻居发现延迟的略微增加来换取能耗大幅度地降低在时延要求不是十分严格的WSN是值得的。
4 结语
自适应淘汰机制 篇5
Crossbar交换结构由于具有简单及内部无阻塞的特性,成为现代交换机系统的核心组成部分[1]。 传统的crossbar内部无缓存, 只在输入端或输出端设置缓存队列, 各输入输出端口的数据传输应相互同步。 因此,在处理变长包时需要使用切分- 重组(SAR) 机制, 在输入端将数据包切割成定长信元进行交换,再在输出端将信元重组为原始的数据包。目前,一种内部带缓存的crossbar交换结构 —CICQ ( Combined Input Crosspoint Queued ) 通过在crossbar内交叉点设置少量缓存来提高调度效率,已成为更具优势的交换结构[2]。CICQ的一个特点是能够直接交换变长数据包[3],不需要SAR机制。 然而,直接变长交换存在两方面限制:与定长交换相比,硬件实现相对复杂;交叉点缓存至少需要一个最大包长的空间来存放数据,限制交换机端口数的扩展。 因此,对于CICQ中变长数据包的处理,仍然需要采用高效的数据包切分方法将其切分以便于交换。
目前已有的数据包切分方法包括: 定长单包切分、定长多包切分[4]、 变长单包切分[5]和变长多包切分(Variable - size Multipacket Segments , VMS )[6]。 定长单包切分,对单个数据包进行处理,切分为定长信元。 然而最后一个切片通常包含无用的填充字节, 需要crossbar内部加速来补偿填充字节引起的带宽利用率损失。 由于信元较小,需要较高的调度速率,对调度算法的要求也较高。 定长多包切分属于同一数据流的数据包合并起来进行切分。 切片长度增加,能够缓解调度速率,同时填充字节减少可以提高带宽利用率。 缺点是队尾的部分数据需要保持在队列中直到能够填满一个切片, 增加数据包的延迟。 变长单包切分对单个数据包进行切分,最后一个切片不需要填充开销。 但是,由于在单个数据包内进行切片,调度速率不会减小。 变长多包切分对相邻的数据包合并起来进行切分, 切片大小的增加缓解调度速率,而且不需要额外的填充字节, 性能优于其他三种切分方法。 然而,在对延迟性能要求较高的实时业务流量中,实时的小数据包会因为较大切片的阻挡而导致延迟增加,从而影响其交换效率及公平性。
针对传统切分方法的不足,本文在变长多包切分[7]的基础上进行改进,提出了一种新的基于CICQ交换机的高效自适应数据包切分机制(Adaptive Multipacket Segments,AMS ) 。 该机制根据输入端的队列状态实时地调整切片长度, 以适应动态变化的网络流量以及不同数据包长度。 切片长度灵活可变,使得队列中的大型数据包和实时小数据包都能得到有效服务,不会影响实时小数据包的交换效率。 CICQ结构采用新的数据包切分机制,在不同的网络流量模型下都表现有良好的时延性能,且明显优于变长多包切分机制。
1 CICQ交换结构和基本数据包切分模型
图1 所示为带SAR机制的N×N CICQ交换结构, 主要包括N个输入端、N个输出端、虚拟输出队列(VOQ)、带缓存的crossbar、输入切分机制以及输出重组机制。 数据包到达输入端时,首先切分机制将变长数据包切割为定长信元,存入相应的VOQ队列中。 然后,信元经过带缓存的crossbar进行交换。 最后,在输出端通过重组机制将信元重组为原始的数据包并发送。 为了分析切分机制,采用如图2 所示的定长单包切分模型。 假设数据包到达过程为服从参数为 λ 的Poisson过程, 令数据包的长度为X, 以s为标准切片大小对数据包进行切分, 则每个数据包切分为ceil(X/s) 个信元, 其中ceil为标准的上取整函数。 若包长X不能被s整除,则剩下的数据添加填充字节构成标准信元。 此外,每个信元还需要添加信元头,以指示该信元在数据包中的位置。 令数据包切分成长度为s的信元个数为随机变量Y,则Y与X的关系为:
假设数据包长度X为服从参数为 μ 的指数分布,其累积分布函数F(x)为:
由式(2)得到
令变量Z=Y-1,则
由式(4) 可知, 变量Z服从参数p为e-μs,q为1-e-μs的几何分布,P(Z=k)=qkp。 Z的均值为:
切分过程中每个信元添加的无用填充字节会消耗系统带宽, 为了保证CICQ结构能够以线速率交换经切分后的信元,crossbar内部需要一定的加速比f:
式中,E(X)为数据包长度X ( 服从指数分布) 的均值为1/μ,h为每个信元头的大小。
将式(6)代入式(7),可得
分析上式得出, 平均包长E(X) 一定, 切片长度s为影响CICQ交换性能的主要因素。 随着切片长度s的增加,CICQ所需的内部加速比f增大。 这是因为填充字节在所有传输数据中所占的比例增加,交换填充字节引起的带宽利用率损失更严重,需要更大的加速比以线速转发数据。
2 自适应数据包切分
2 . 1 变长多包切分模型
图3 所示为变长多包切分模型, 不同阴影部分代表输入VOQ队列中不同的数据包。 相邻数据包合在一起进行切分,以s为标准切片大小。 每个切片中可能包括一个或多个数据包, 队列中最后剩余的数据若不能被s整除, 则直接构成变长切片s′, 无需用填充字节填满。对于这种方法, 采用不同的切片长度s, 系统的交换性能有显著差异。 随着s的增大,信元头的整体开销减少,使得带宽利用率和时延性能都进一步提高。 然而,若切片长度s太大, 在实时性要求较高的网络业务流量中,小数据包会因大切片的阻挡而导致包延迟增加,其交换效率及公平性会大大降低。 同时,切片过大会降低硬件电路的利用率。
2 . 2 自适应数据包切分机制
在实际的网络流量中,进入交换机的数据包长度具有随机性,VMS机制采用固定切片长度灵活性较差, 无法适应动态变化的流量。 针对VMS机制灵活性差和交换效率低的问题,本节提出一种高效的自适应数据包切分机制(AMS)。 其基本思想是根据输入VOQ队列的状态信息动态地调整切片长度,使其适应实时变化的流量和数据包长度,同时保证良好的交换性能。 具体切分时将VOQ队列中相邻的数据包合并起来进行切片。 完整的自适应数据包切分机制描述如下:
对于一个N×N CICQ交换机, 输入端有数据包到达时直接存放到对应VOQ队列中。 假设LVij为输入VOQij的队列长度,LCij为crossbar交叉点缓存CBij的队列长度,C表示交叉点缓存的最大容量, 其中1≤i≤N,1≤j ≤ N 。 有效VOQij: VOQij满足一定的条件,即对应交叉点缓存CBij包括能够容纳一个切片大小的空间。 每个输入端i,在每个调度周期按以下步骤执行:
( 1 ) 自适应切片长度Si生成。 计算N个VOQ队列中所有数据包包长的平均值为Si= ( LVi1+ LVi2+ … + LVi N) / N 。
( 2 ) 确定VOQij的实际切片长度Sij。 若VOQij的队列长度LVij大于Si, 则实际切片长度Sij= Si; 否则, Sij= LVij。
(3) 输入调度。 按照一定的调度规则从所有输入VOQ中选择一个有效VOQik( Sik+ LCik< C ) 进行服务。
( 4 ) 数据包切分。 对输入调度选中的VOQik队列, 按照步骤(2) 确定的对应实际切片长度Sik, 相邻的数据包合并起来进行切分,并将切片发送到crossbar交叉点缓存。
自适应数据包切分机制的特点如下: 实时跟踪当前调度周期内输入VOQ的状态,确定合适的切片长度。 如果各VOQ队列长度之和较大, 说明VOQ队列整体占用率较高, 则选择较大的切片长度进行数据包切分, 保证尽快服务滞留的数据包,以提高排队系统的性能和稳定性; 相反, 队列长度之和较小时, 表示队列拥塞情况较轻, 采用对应的小切片长度, 以保证小数据包不被长期阻挡,能够得到有效服务,从而提高交换效率和公平性。
2 . 3 自适应数据包切分机制的实现
自适应数据包切分机制的实现如图4 所示, 主要包括切片长度产生模块、 输入调度器、 信用值管理模块和切片传输控制模块。
切片长度产生模块根据每个VOQij对应的计数器记录的队列长度信息,计算产生输入端i的自适应切片长度Si, 并按照步骤( 2 ) 确定每个VOQij可能的实际切片长度Sij。
输入调度器根据切片长度产生模块提供的切片长度信息Sij, 以及信用值管理模块的当前crossbar交叉点队列信息LCij, 判断每个VOQij是否为有效队列; 按照一定的调度规则仲裁选择出一个队列VOQik进行服务。 调度完成后将调度决策送到切片传输控制模块。
信用值管理模块接收crossbar返回的交叉点信用值信息, 并根据下一个将被服务队列VOQik的切片长度信息,实时更新crossbar各交叉点的信用值,即交叉点缓存的占用情况,以防止交叉点队列溢出而导致数据丢失。 切片传输控制模块, 根据输入调度器的调度决策, 控制对应VOQik中的切片数据发送到crossbar交叉点缓存中。
3 性能评估
3 . 1 仿真环境和流量模型
本节对提出的自适应数据包切分机制(AMS) 和已有变长多包切分(VMS)进行时延性能的仿真分析比较。变长多包切分机制主要考虑5 种情况,切片长度分别为64 B 、 128 B 、 256 B 、 512 B和1 024 B 。 时延是指数据包从进入交换机的输入队列到发送至输出端的时间间隔,以微秒(μs)为单位。 性能评估基于16×16 的CICQ交换机,运行具有低复杂度、 高性能的RR-LQD调度算法[7], 端口线速率设为1 Gb/s,crossbar交叉点缓存的最大容量为一个切片信元, 仿真时间为1 s。 仿真实验中采用Poisson和马尔科夫调制的Poisson过程( MMPP )[8]两种典型的流量模型。
Poisson流量到达过程中, 数据包的包间隔时间t服从指数分布。 MMPP模型[8]能很好地模拟真实网络流量的突发特性。 MMPP过程为ON和OFF两种状态交替进行,p为ON状态转换到OFF状态的概率,q为OFF跳转到ON的概率。 ON状态是包到达率为 λON的Poisson过程,OFF状态时无数据包到达。
数据包长度为[40,1 500]B范围内的IMIX[9]分布模型。 IMIX混合模型是一种常用的模拟真实Internet流量的测试模型, 包括3 种包长:40 B占58.33% ,576 B占33 . 33 % , 1 500 B占8.33% , 数据包平均长度为340 . 26 B 。数据包目的端口服从均匀分布,即到达所有输出端口的概率相同。
3 . 2 不同负载下时延性能分析
图5 所示为Poisson-IMIX流量模型下,基于不同切分方法的CICQ交换机的平均时延性能。 仿真结果说明,对于变长多包切分机制, 切片长度越小, 平均时延性能越差。 VMS-64B, 即切片长度为64 B, 在负载高于90% 时就出现不稳定现象,这是由于高负载下随着队列中数据包的积聚, 需要交换的内部信元头开销增加, 导致带宽利用率大大降低。 VMS-512B和VMS-1024B, 当负载大于95%时平均延迟开始迅速增长。 而AMS性能最优,在高负载情况下都能够保持良好的时延性能和稳定性。
在MMPP-IMIX的突发流量模型下,平均时延性能如图6 所示。 由于突发特性的影响,各种切分方法的平均延迟都随着输入负载的增加而逐渐增大。 VMS-64B表现最差,自适应数据包切分机制与其他变长多包切分性能接近,在不同负载下平均延迟都低于VMS-64B。
图7 表示在Poisson -IMIX流量模型下所有40 B大小的数据包的平均延迟, 可以看出对于这种情况,AMS机制明显优于VMS机制,即使在99%的负载下都能够保持稳定,表现出理想的时延性能。 而几种VMS机制在高负载下出现不同程度的不稳定现象。 在负载大于90%时,VMS - 64B机制下40 B包的平均延迟随输入负载增加而急剧恶化。 变长多包切分中相对较好的VMS-1024B,平均延迟从负载95%就开始快速增长。
图8 为MMPP-IMIX流量模型下40 B数据包的平均延迟结果。 与图6 显示的总体时延性能表现相似,由于MMPP过程的突发性, 40 B包的平均延迟都随着输入负载的增加而增长。 AMS表现最好,在不同负载下40 B包的平均延迟都低于其他变长多包切分机制。 VMS-64B表现最差。
实验结果说明, 提出的AMS机制能够有效发挥作用, 在两种模拟真实Internet流量的模型下都表现出良好的延迟性能。 而且,根据输入端队列的状态实时调整切片长度,灵活适应动态变化的网络流量以及不同的数据包长度。 通过分析40 B数据包的时延结果得到, 与VMS相比, AMS机制能有效降低小数据包的延迟。 原因在于切片长度随输入队列信息灵活改变的策略,保证队列中大型数据包和实时小数据包都能得到有效服务。 在对时延要求较高的实时业务中,不会出现较大切片将小数据包长期阻挡而导致阻塞延迟,从而有效确保交换效率和公平性。 因此,AMS比VMS更有优势。
4 结论
本文首先介绍了CICQ交换结构和基本的数据包切分模型, 然后针对传统变长多包切分机制交换效率低、灵活性较差的问题, 提出了一种新的CICQ交换机自适应数据包切分机制(AMS)。 该机制基于实时可变的切片长度, 采用相邻数据包结合的方式进行数据包切分,自适应动态变化的网络流量和数据包长度。 通过仿真实验比较了采用AMS机制和传统VMS机制的CICQ结构的交换性能,结果表明提出的自适应数据包切分机制在不同流量下具有比VMS机制更优的时延性能, 且能够更好地满足实时性业务流量的要求,是一种更高效的数据包切分方法,适用于高性能CICQ交换机的设计实现。
参考文献
[1]CHAO H J,LIU B.High performance switches and routers[M]Hoboken,New Jersey:Wiley-IEEE Press,2007.
[2]YOSHIGOE K,CHRISTENSEN K J.An evolution to crossbar switches with virtual output queuing and buffered cross points[J].IEEE Network,2003,17(5):48-56.
[3]KATEVENIS M,PASSAS G,SIMOS D,et al.Variable packet size buffered crossbar(CICQ)switches[C].Proc of IEEE International Conference on Communications.Paris,France:IEEE,2004:1090-1096.
[4]CHRISTENSEN K,YOSHIGOE K,ROGINSKY A.Performance evaluation of packet-to-Cell segmentation schemes in input buffered packet switches[C].Proc of IEEE International Conference on Communications.Paris,France:IEEE,2004:1097-1102.
[5]STEPHENS D,ZHANG H.Implementing distributed packet fair queueing in a scalable switch qrchitecture[C].Proc of IEEE INFOCOM’98 Conference.San Francisco,CA:IEEE,1998:282-290.
[6]KATEVENIS M,PASSAS G.Variable-size multipacket segments in buffered crossbar(CICQ)architectures[C].Proc of IEEE International Conference on Communications,2005:999-1004.
[7]彭来献,恽姿,赵文栋,等.一种基于最长队列预测的CICQ交换结构调度算法[J].电子与信息学报,2010,32(6):1457-1462.
[8]PAN D,YANG Y.Localized independent packet scheduling for buffered crossbar switches[J].IEEE Transactions on Computers,2009,58(2):260-274.
自适应淘汰机制 篇6
伴随着无线网络技术的日益发展，世界各国的无线网络通信业务量得到了急剧增加，且用户对无线网络的传输性能提出了更高的要求[1]。为了克服这个难题，保证通信网络有一个良好的性能，研究人员开发出了异构无线网络技术[2]。异构无线网络是一种包含多种无线接入技术、协议类型、发送方式或者是不同发射功率基站的网络架，能够灵活接入多种不同类型无线网络的能力，具高的无线异构网络资源利用率、低成本、网络容量大以及网络覆盖能力强等优点，得到了诸多学者的广泛研究[2,3,4]。
而异构网络的传输质量由其择取方法控制。故开发一个最佳的异构网络择取机制以增强其传输性能是非常重要的。如唐良瑞[5]等人在综合考虑用户移动性、通话质量等基础上，开发出一种均衡异构无线网络负载的动态接入选择方法，并对方法进行了实验验证，结果显示该机制能够减小候选网络的阻塞率差距，显著提高了网络性能。贾春霞[6]等人提出了一种基于模糊层分析法的异构无线网络选择算法，并采用仿真平台验证了其算法的正确性和有效性。Mino G等人[7]从用户速率以及优先级等方面考虑，并引入模糊逻辑，提出了一种新的异构无线网络选择方法，实验数据显示该选择机制可以显著改善异构网络的传输性能。
尽管以上方法在一定程度上可改善网络传输质量;但由于当前异构无线网络的选择机制都是围绕Qo E效用函数或者切换函数这两方面，使得这些选择方法只考虑了某个特定的Qo E需求，无法可满足用户不断变化的Qo E需求;且难以共享网络资源，在未知的网络状态信息下，无法适应动态变化的网络环境，自适应能力较差。
为了解决上述不足，本文提出了增强学习与Qo E需求函数相融合的自适应网络择取优化机制。该机制考虑客户和业务的差异化，建立Qo E需求函数;再由Qo E反馈信号，嵌入最小二乘法创建网络决策优化模型，根据决策最优值，利用增强学习对网络进行择取与切换，使得本文机制在未知网络信息条件下，可达到自适应动态变化网络目的，并能消除异构网络间的竞争关系，达到资源共享。
1 增强学习融合QoE需求函数的自适应网络择取优化机制研究
本文择取机制流程如图1所示;其工作机制过程如图2所示。从图中可以看到，本文机制主要包括三个步骤:(1)建立适用于不同用户和业务的Qo E需求函数;并初始化增强学习的参数;(2)按照增强学习来择取一个最佳网络;(3)更新增强学习的变量，完成业务传输。
本文机制具体设计如下:
步骤1建立Qo E需求函数[10]。
1)本文针对三种不同的业务:视频;音频;弹性。构建各自对应的Qo E需求函数;并将利用该函数将网络性能反馈为净回报:
(1)视频业务
将其记为BVideo，它的Qo E需求由其最大信躁率Psnr控制。对应的Qo E需求函数如下:
其中，FVideo(Psnr)代表该业务的Qo E需求函数;b1、b2均为模型式(1)的两个参数。b1用于控制用户体验的扩张速度;b2控制FVideo(Psnr)的正中位置。
(2)音频业务
将其记为Saudio，主要受数据丢包率e与时间延迟τ的影响。由于异构网络处于动态环境，考虑随机离散原则;则二者的计算模型如下:
其中，enetwork代表数据发送阶段的丢包率;emin是最低丢包率;eunit代表emin的单位;ne代表n个离散状态;eplayout是缓冲该业务引起的丢包率;τcodec代表编码器的时间延迟;τnetwork是数据发送引起的时间延迟;τmin是最小时间延迟;τunit代表τmin的单位;nτ代表n个延迟值的离散状态;最小τplayout代表缓冲该业务引起的时间延迟。这两个因素对其性能的降低程度记为Re与Rτ:
其中，β1、β2、β3均为参数，其值由所选择的编码器;τ用“ms”计量，177.3 ms代表τ的门限值;R(x)是指示函数。
再综合Re与Rτ，由二者造成的该业务性能降低程度Ik可用如下方程表示:
根据Ik值，推导其对应的Qo E需求函数Faudio(Ik):
(3)弹性业务
将它记为Selastic;Selastic对应的Qo E主要受网络吞吐量α的影响。考虑不断变化的网络状况，嵌入随机离散原;则它的Qo E需求函数如下:
其中，b3、b4均为该函数的参数;αmin代表最低吞吐量;αunit是αmin的单位;nα代表n个吞吐量的离散状态。计算方程如下:
其中，α1代表最低的预计吞吐量;α2是预计吞吐量的峰值。
2)增强学习参数设置。
用S这些不同的业务集合:S={svideo,saudio,selastic};当前网络集合用N={n1,n2，…，nN}表示;且x=[s,n]∈X代表网络客户的状态;x是客户所选网络为n，且业务变成s时的状态;X=S×N是客户状态空间;δ∈N代表切换后的网络;增强学习的初始值Q(x,n)=0;T是网络时隙间距;C={cm,n}，m,n∈N是不同网络间的切换开销矩阵;w代表开销权重;cm,n是网络m变成n的开销，且初始化的cm,n=0。
步骤2建立网络决策优化模型;根据增强学习择取网络。
(1)假设在t时隙发送的业务种类为s(t);
(2)考虑客户在用的网络n(t)，可得:
(3)确定最优网络切换决策η(t)。
若切换开销矩阵中各个元素的权重数组为W=[w1,w2，…，wn]T，则异构网络中的各网络的最终决策为ηi:
其中，cij为开销矩阵C的元素。
本文提出的网络择取机制得到的属性权值体现了客户的主管需求，但为了兼顾主观和客观，引入最小二乘法，则最优网络切换决策模型如下:
其中，ri代表开销矩阵的客观决策;σi是客观决策特征向量;si代表主观决策;i是主观决策特征向量。
根据极限知识，构造拉格朗日函数:
其中，ε代表Lgrange因子。令:
其中，代表对权重向量元素的导数。
通过式(14)和式(15)，获得(n+1)维方程组。通过求解可得权重W:
由上述公式可知其最终决策为ηi;再从大到小重排ηi，确定其对应的最佳网络。
(4)由最优网络切换规则，耦合增强学习来择取。
(a)以概率ρ(t)随机选择一个网络进行连接;(b)再以概率(1-ρ)选择网络μ接入:
步骤3增强学习的参数更新[10]
(1)完成步骤2后，开始发送相应的业务。
(2)在结束时隙t的传输后，依据其传输的业务类别，得到其对应的Qo E回报Fs(t);再计算客户的净回报z(x(t)，η(t)):
其中，w∈[0,1]代表权重，cn(t)，η(t)代表切换开销矩阵的元素。
(3)从(t+1)时隙起，业务类别变成s(t+1);则整个网络状态处于一个新的环境:
(4)再根据如下方程更新增强学习法中的Q值:
其中，ξt∈[0,1]代表增强学习法中的控制因子;t越大，则其值越小，且其满足如下关系:
(5)令t=t+1;返回步骤2。
2 仿真实验及结果分析
为验证本文自适应网络择取优化机制的优异性和正确性，将本文机制与其他几种最新的异构网络择取方法在MATLAB平台上进行对比测试。全文对照组为:随机选择方法、文献[8]和文献[9]，为了便于实验，令随机择取法、文献[8]、文献[9]分别为A、B、C。将每个时刻的净值回报均值视为衡量标准来评估每种方法的性能。从式(22)可知，净回报的主要由开销权重w与概率转移矩阵C控制。故根据这两个因子来实验。实验环境如图3所示。
2.1 参数设置
(1)三个网络的变量值如表1所示。
(2)三类不同业务的Qo E参数:
(1)Video业务:b1=1、b2=5;(2)audio业务:编码器为G.711，β1=0，β2=30，β3=20,enetwork=0.05，τnetwork=60 ms且τcodec=25 ms;(3)Elastic业务:α1=100 kbps;α2=2 b Mps;计算得到b3=2.6496,b4=0.0235。
(3)邻近时刻的转移概率矩阵P:
(4)不同网络切换开销矩阵C:
(5)增强学习中参数设置:概率
2.2 仿真结果分析
图4代表在异构网络满载条件下，不同的择取机制所对应的业务堵塞率均值。从图中可知，在不超过48户人数使用时，此时网络有丰富的资源供应给客户，产生阻塞率很低的现象，从而这些方法对应的网络性表现非常好的态势;但是当用户超过50时，这些方法对应的网络业务阻塞率急剧增加;但是相对于其他几种择取方法而言，本文提出的网络择取优化机制出现的阻塞率较低，只有0.128%;随机择取方法出现的阻塞率最大，达到0.252%;而B、C分别为0.193%和0.149%。原因是本文方法兼顾了网络的主观和客观性;并依据不同的业务和客户优化了Qo E需求函数;由最优决策值和增强学习来确定最佳网络。
图5是不同机制下的切换开销权重对净回报均值的影响。设置权重的浮动范围为[0,1]。从图中可知，在权重w不断变化下的条件下，所有的网络择取机制性能都在下降，但本文提出的增强学习与Qo E需求函数相融合的自适应网络择取优化机制所反馈的净回报均值最大，在这种动态变化的情况，仍表现出优异的网络性能;而尽管B和C的择取机制所产生的净回报均值没什么变化，但是它们的均值都要小于本文优化机制;而随机择取机制所表现出的性能最差，呈直线下降趋势，当权重w=1时，净回报均值只有2.08。原因是其他三种网络择取机制无法充分兼容异构网络间的差异性，使其性能受限;而尽管随机择取方法的柔性较好，但该机制不具备学习功能，忽略了网络切换带来的消极影响。文本方法引入了增强学习，优化了网络决策，使得本文机制在不断变化的切换权重下，可以自适应动态变化的环境。本文的网络优化决策如下:
(1)当0≤w≤0.4时，网络切换决策优化结果为:
elastic业务WLAN1WLAN1WLAN1其中，所在的行代表当前网络;列代表当前网络切换为的新业务。若网络是LET，此时业务是Vedio，则其最佳网络应切换为WLAN2;若变为audio，则最优网络应切换为LET，即无需切换。
(2)当0<w≤0.9时，网络切换决策优化结果为:
(3)当0.9<w≤1时，网络切换决策优化结果为:
图6代表权重w=0.35时，在三个不同的业务种类切换矩阵P条件下，不同的网络择取机制对应的净回报均值。本文采用了如下矩阵P1,P2,P3:
从图中可知，随着P的不断变化，尽管B、C以及随机择取法A反馈得到的净回报均值只有微小变化;而本文择取机制却呈现降低态势，但是所得到净回报均值仍然要大于另外三种方法。这表明在网络动态变化情况下，本文异构网络择取优化机制的性能是较稳定的。
3 结语
因当前的无线异构网络择取机制都是基于已知先验网络信息，无法在未知条件下适应复杂多变的网络环境;且只考虑了某个特定的Qo E需求，无法满足客户动态变化的Qo E需求，故提出了增强学习与Qo E需求函数相融合的自适应网络择取优化机制。根据不同客户和业务，建立Qo E需求函数，达到了优化Qo E目的;构建网络切换决策优化模型，确定决策最优值;计算切换开销与用户需求的折中概率，采用增强学习对网络进行择取/切换，使得本文机制具有很强的柔性，可在未知信息条件下较好地适应动态变化的网络。仿真结果表明了本文机制在网络切换开销权重以及转移概率矩阵的实时变化状况下，其性能最好，而且最稳定。
摘要：为了使网络择取机制能在未知的网络信息条件下仍可适应复杂多变的网络;并可迎合客户动态变化的QoE需求,且能对其进行优化,提出了增强学习与QoE需求函数相融合的自适应网络择取优化机制。从各类用户出发,划分不同性质的业务,并引入随机离散原则,建立QoE需求函数;根据QoE反馈信号,兼顾切换决策的主观与客观性,嵌入最小二乘法,构建网络切换决策优化模型,获得决策最优值;计算切换开销与客户需求的概率中间值,并定义了最优网络切换规则,耦合增强学习对网络进行择取/切换;设计增强学习参数更新法,完成会话业务发送。在MATLAB仿真平台上对该机制以及其他几种无线网络择取方法进行了测试,实验结果显示:随着网络切换开销权重的不断增大以及转移概率矩阵的实时变化,所提出的机制的性能最好,而且最稳定。
关键词：增强学习,QoE需求函数,决策优化,自适应网络择取机制,开销权重,转移概率矩阵
参考文献
[1]许浩,许卫山,高东怀.异构网络安全设备统一管理平台研究与构建[J].科学技术与工程,2012,12(1):1834-1839.
[2]Charles Sarraf,Firas Ousta,Nidal Kamel.Mapping of QoS between UMTS and WiM AX in Tight Coupling Heterogeneous Wireless Network[J].International Journal of Soft Computing and Software Engineering,2012,2(3):1-14.
[3]Jia Chunxia,Liu Jianhui,Liu Shuang.Heterogeneous Wireless Network Selection Based on FAHP[J].Journal of Xihua University:Natural Science Edition,2012,25(1):156-162.
[4]Ioannis Chamodrakas,Drakoulis Martakos.A utility-based fuzzy TOPSIS method for energy efficient network selection in heterogeneous wireless networks[J].Applied Soft Computing,2012,12(7):1929-1938.
[5]唐良瑞,杨筝,赵琳.有效均衡异构无线网络负载的接入选择[J].应用科学学报,2013,31(5):441-447.
[6]贾春霞,刘建辉,刘爽.基于FAHP的异构无线网络选择[J].西华大学学报:自然科学版,2012(1):41-44.
[7]Mino G,Ikebata T,HafaF X.The comparison of fuzzy-based intelligent CAC systems and performance evaluation for heterogeneous wireless networks[C]//2010 International Conference on Intelligent Networking and Collaborative Systems,2010:177-184.
[8]石文孝,李娜,王继红.改进的异构无线网络接入选择方法[J].应用科技学报,2013,31(1):21-26.
[9]盛洁,祁兵,杨筝,等.基于粗糙集理论和层次分析方法的异构无线网络接入选择算法[J].计算机应用与软件,2013,30(2):133-136.