CN106535225A - 一种云环境下的无线mesh网络的网关优化布置方法 - Google Patents

Abstract

本发明针对无线mesh网络的网关对空间资源的调度具有重要影响，通过建立网关间距离优化模型和优化设置吞吐量和信道利用率，实现无线mesh网络的资源利用效能提升。

Description

一种云环境下的无线mesh网络的网关优化布置方法

技术领域

本发明涉及通信网络领域，特别是涉及排队论，以及优化理论。

背景技术

随着无线通信技术的发展，人们对802.11a/b/g等网络技术有了更加深入的研究，Mesh网络也在消费者、企业界以及云计算领域中引发了广泛关注。WMN技术具有支持多跳连接、网络部署灵活、覆盖范围广以及高传输速率等特点，目前，已经普遍被业界认为是下一代无线网络技术的一个重要的研究方向。

WMN是移动AdHoc网络的一种延伸形态，但两者又存在差异，WMN和移动Ad Hoc网络的网络结构和网络连接方式的不同。WMN中，节点具有两种功能:一是对等节点之间交换数据；二是作为接入网关，通过特定的网关节点，把WMN接入Internet。各种通信设备都可以通过有线或者无线接入Mesh路由器，进而接入WMN。此外，Mesh路由器中的路由或者网关接入功能能把现有的无线网络，如移动蜂窝网络、无线传感网络、WiFi等，接入到WMN，进而接入到Internet。因此，通过WMN用户能够获得单一网络无法提供的服务。

无线多模网关和客户端一起可以组成无线Mesh网络，网关间可以通过WiFi(2.4GHz)、340MHz等无线设备互连，组成自组织网络，节点间互为备份。无线多模网关可以通过3G网络、卫星网络接入Internet或者选择其它网关节点作为接入网关。客户端可以通过有线网的方式接入无线多模网关，从而通过无线Mesh网络把客户端接入Internet。另外，无线多模网关会根据传输内容自适应地选择传输方式，从而做到兼顾传输效率和传输带代价，无线网关部署示意图如图1所示。

因此为提升无线mesh网络的传输能力，有必要设计一种高效的网关优化布置方法。

发明内容

本发明所要解决的技术问题是：通过建立网关间距离优化模型和优化设置吞吐量和信道利用率，实现无线mesh网络的资源利用效能提升。

本发明为解决上述技术问题所采用的技术方案包括以下步骤，如图2所示：

A、建立网关间距离优化模型；

B、优化设置网关吞吐量和信道利用率，并建立云服务资源预测模型。

所述步骤A中，使用无线mesh网络作为云计算的信息传输体系，其网关间距离优化模型：

I_i∈{0,1}

其中I_i为决策变量，若存在无线mesh路由器作为网关设备则I_i＝1，反之则I_i＝0，v_i为路由器标识，V为路由器集合，v_igw为网关标识，Γ_i,igw为决策变量，若v_i被分配给v_igw，则Γ_i,igw＝1，反之则Γ_i,igw＝0，h_i,igw为无线mesh路由器与网关之间的传输跳数，为决策变量，若v_i与v_igw之间的数据传输经过路由器v_k则反之则IGW为网关集合，为网关设备间的传输跳数，igw(i)∈IGW,igw(k)∈IGW，D_QoS为延迟约束门限，R_QoS为中继负载约束门限，C_QoS为簇规模约束门限，δ为网络中v_igw最小使用数目。

所述步骤B中，网关吞吐量为信道利用率为其中B_max为单个RTT传输分配的最大时隙数，T为RTT时间，N为单个超帧中的数据包，R为超帧数目，J为碰撞的数据包数目，为第m个超帧中在随机接入时隙期间传输的数据包数目，为第l个重传超帧内采用接入重传的数据包数目，q_m为在超帧m的起始时刻移动终端队列的数据包数目，tx(ψ^(p,R)＝K^(R))为在状态中被使用的时隙数的期望，为的概率函数，x为被传输的数据包数目，N为移动终端队列的数据包数目上限，Pr{ψ^(p,R)＝K^(R)}为网络处于状态的概率，l为重传超帧标识，为p+1个移动终端上的超帧l的时隙分配参数，为ψ^(p,R)的状态空间集合，ψ^(p,R)为具有随机状态矢量的隐马尔科夫链，为二项分布概率密度函数，P_tx为单个epoch内移动终端的数据发送概率，

所述步骤B中，云服务资源预测机制为：a.获取虚拟资源使用的历史数据，并形成离散时间序列M(t)；b.对M(t)进行小波分解，设置小波分解尺度，将历史数据分解为多尺度分量；c.将多尺度分量进行归一化处理，为归一化资源序列，m_i为原始资源序列，m_min≤m_i≤m_max；d.将原始资源序列分解为训练样本集和测试样本集，采用交叉验证法来确定多尺度分量的维度，并根据维度信息来确定SVM的输入量和输出量；e.利用上一步经过优化的参数对模型训练集进行学习，建立预测模型，并对测试集进行预测；f.使用m_i＝m_i′·(m_max-m_min)+m_max对多尺度分量的预测结果进行反归一化处理；g.将归一化后的各尺度分量进行小波重构，并输出所需预测结果。

附图说明

图1无线网关部署示意图

图2无线mesh网络的网关优化布置流程示意图

具体实施方式

为达到上述目的，本发明的技术方案如下：

第一步，建立网关间距离优化模型，优化模型具体为：

I_i∈{0,1}

其中I_i为决策变量，若存在无线mesh路由器作为网关设备则I_i＝1，反之则I_i＝0，v_i为路由器标识，V为路由器集合，v_igw为网关标识，Γ_i,igw为决策变量，若v_i被分配给v_igw，则Γ_i,igw＝1，反之则Γ_i,igw＝0，h_i,igw为无线mesh路由器与网关之间的跳数，为决策变量，若v_i与v_igw之间的数据传输经过路由器v_k则反之则IGW为网关集合，为网关设备间的传输跳数，igw(i)∈IGW,igw(k)∈IGW，D_QoS为延迟约束条件，R_QoS为中继负载约束，C_QoS为簇规模大小约束，δ为网络中v_igw最小使用数目。

第二步，优化设置网关吞吐量和信道利用率，具体为：网关吞吐量为信道利用率为其中B_max为单个RTT传输分配的最大时隙数，T为RTT时间，N为单个超帧中的数据包，R为超帧数目，J为碰撞的数据包数目，为第m个超帧中在随机接入时隙期间传输的数据包数目，为第l个时间戳内采用调度接入重传的数据包数目，q_m为超帧m的起始时刻移动终端队列的数据包数目，tx(ψ^(p,R)＝K^(R))为在状态中被使用的时隙数的期望，为的概率质量函数，x为被传输的数据包数目，N为移动终端队列的数据包数目上限，Pr{ψ^(p,R)＝K^(R)}为网络处于状态的概率，l为重传超帧标识，为p+1个移动终端上的超帧l的时隙分配参数，为ψ^(p,R)的状态空间集合，ψ^(p,R)为具有随机状态矢量的隐马尔科夫链，为二项分布概率密度函数，P_tx为单个epoch内移动终端的数据发送概率，

本发明提出了一种无线mesh网络的网关优化布置方法，通过建立网关间距离优化模型和优化设置吞吐量和信道利用率，实现无线mesh网络的资源利用效能提升。

Claims (4)

1.一种基于云环境的无线mesh网络网关优化布置方法，通过建立网关间距离优化模型和优化设置吞吐量和信道利用率,并建立云服务资源预测模型，实现无线mesh网络的资源利用效能提升，包括如下步骤：

A、建立网关间距离优化模型；

B、优化设置网关吞吐量和信道利用率，并建立云服务资源预测模型。

2.根据权利要求1的方法，对于所述步骤A其特征在于：使用无线mesh网络作为云计算的信息传输体系，其网关间距离优化模型：

$\begin{array}{cc}min& \underset{i\∈V}{\Σ}{I}_i\end{array}$

$\begin{array}{cc}min& \underset{i\∈V}{\Σ}\underset{igw\∈IGW}{\Σ}{h}_{i,igw}\·{\mathrm{\Γ}}_{i,igw}\end{array}$

$\begin{array}{cc}s.t.& \underset{igw\∈IGW}{\Σ}{\mathrm{\Γ}}_{i,igw}=1,\∀v_i\∈V\end{array}$

${\mathrm{\Γ}}_{i,j}\≤I_i,\∀v_i\∈V,v_{igw}\∈IGW$

$\begin{array}{cc}min& \frac{1}{2}\underset{i\∈IGW}{\Σ}\underset{j\∈IGW}{\Σ}{h}_{igw\left(i\right)}^{igw\left(j\right)}\·I_i=\mathrm{\δ}\end{array}$

$\underset{v_{igw}\∈IGW}{\Σ}{\mathrm{\Γ}}_{i,igw}\·h_{i,igw}\≤D_{QoS},\∀v_i\∈V$

$\underset{v_i\∈V}{\Σ}{\mathrm{\λ}}_{i,igw}^k\·T_i\left(v_k\right)\≤R_{QoS},\∀v_k\∈V,v_{igw}\∈IGW$

$\underset{v_i\∈V}{\Σ}{\mathrm{\Γ}}_{i,igw}\·T_i\left(v_i\right)\≤C_{QoS},\∀v_{igw}\∈IGW$

I_i∈{0,1}

${\mathrm{\Γ}}_{i,igw},{\mathrm{\λ}}_{i,igw}^k\∈\{0,1\}$

其中I_i为决策变量，若存在无线mesh路由器作为网关设备则I_i＝1，反之则I_i＝0，v_i为路由器标识，V为路由器集合，v_igw为网关标识，Γ_i,igw为决策变量，若v_i被分配给v_igw，则Γ_i,igw＝1，反之则Γ_i,igw＝0，h_i,igw为无线mesh路由器与网关之间的传输跳数，为决策变量，若v_i与v_igw之间的数据传输经过路由器v_k则反之则IGW为网关集合，为网关设备间的传输跳数，igw(i)∈IGW,igw(k)∈IGW，D_QoS为延迟约束门限，R_QoS为中继负载约束门限，C_QoS为簇规模约束门限,δ为网络中v_igw最小使用数目。

3.根据权利要求1的方法，对于所述步骤B其特征在于：网关吞吐量为信道利用率为其中B_max为单个RTT传输分配的最大时隙数，T为RTT时间，N为单个超帧中的数据包，R为超帧数目，J为碰撞的数据包数目，为第m个超帧中在随机接入时隙期间传输的数据包数目，为第l个重传超帧内采用接入重传的数据包数目，q_m为在超帧m的起始时刻移动终端队列的数据包数目，tx(ψ^(p,R)＝K^(R))为在状态中被使用的时隙数的期望，为的概率函数，x为被传输的数据包数目，N为移动终端队列的数据包数目上限，Pr{ψ^(p,R)＝K^(R)}为网络处于状态的概率，l为重传超帧标识，为p+1个移动终端上的超帧l的时隙分配参数，为ψ^(p,R)的状态空间集合，ψ^(p,R)为具有随机状态矢量的隐马尔科夫链，为二项分布概率密度函数，P_tx为单个epoch内移动终端的数据发送概率，

4.根据权利要求1的方法，对于所述步骤B其特征在于：云服务资源预测机制为：a.获取虚拟资源使用的历史数据，并形成离散时间序列M(t)；b.对M(t)进行小波分解，设置小波分解尺度，将历史数据分解为多尺度分量；c.将多尺度分量进行归一化处理，为归一化资源序列，m_i为原始资源序列，m_min≤m_i≤m_max；d.将原始资源序列分解为训练样本集和测试样本集，采用交叉验证法来确定多尺度分量的维度，并根据维度信息来确定SVM的输入量和输出量；e.利用上一步经过优化的参数对模型训练集进行学习，建立预测模型，并对测试集进行预测；f.使用m_i＝m_i′·(m_max-m_min)+m_max对多尺度分量的预测结果进行反归一化处理；g.将归一化后的各尺度分量进行小波重构，并输出所需预测结果。