刘炜伦,张衡阳,郑 博,赵 玮
空军工程大学 信息与导航学院,西安 710077
机载自组网(Airborne Ad Hoc Network)[1-3]是将地面移动自组网技术应用于航空通信而产生的新研究领域,具有部署迅速、自组织、高抗毁等特点,能够明显提升各类飞行器网络化协同作战能力,是对现有航空通信网络的补充和发展。
机载自组网中的信道资源有限,拓扑具有高速动态变化特性,且传输业务要求多优先级并存,若业务负载持续增大,将会造成大量的拥塞和冲突,导致网络性能的下降,无法满足机载自组网中指挥控制、作战指令等高优先级业务高可靠、低时延的服务质量(Quality of Service,QoS)需求[4]。为保证数据传输的时效性、可靠性,以及区分不同优先级服务,媒质接入控制(Medium Access Control,MAC)协议[5]的设计必须考虑各优先级业务的不同QoS需求。美军战术目标瞄准网络技术[6-8](Tactical Targeting Network Technology,TTNT)采用多信道随机竞争类MAC协议——(Statistical Priority-based Multiple Access)SPMA协议,协议基于多信道认知和跳频跳时机制,通过统计信道历史占用情况实现了对不同优先级业务的接入控制,但由于技术保密,量化信道忙闲程度和各优先级业务阈值设置的具体方法并没有明确给出,但信道忙闲程度的量化方法会直接影响协议性能,因此,通过合理设计信道忙闲程度的量化表示方法,实现对不同优先级业务的接入控制,是MAC协议设计的重点问题。
文献[9]提出了一种区分优先级的PFH_MAC协议,根据前一时刻的突发分组数量量化信道忙闲程度,从而限制低优先级业务的接入,但信道忙闲程度值的设置仅依靠网络中前一时刻突发分组数量,不能准确反映当前信道忙闲程度,同时网络中仅有两个优先级,无法保证多优先级业务的QoS需求。文献[10]基于随机接入机制,提出一种采用部分可观测马尔可夫决策过程的信道接入策略,可为不同优先级分组的接入决策过程提供理论依据并有效控制接入冲突,但该接入策略并未给出对下一时刻信道负载的准确预测方法。文献[11]针对航空通信网络,提出一种信道忙闲程度统计预测机制,通过统计信道占用状态的历史信息对下一时刻的信道忙闲程度实时预测,但预测准确度只能达到70%。文献[12]针对航空环境具有大尺度稀疏性,载波侦听结果并不准确的问题,提出一种信道忙闲认知算法,具有较高的平均预测概率,但是算法波动性较大,无法实时保证较高的正确预测概率。
针对上述问题,本文在随机竞争类MAC协议的基础上,提出一种信道占用统计预测机制(Statistical Prediction Mechanism of Channel Occupancy,SPMCO)。在根据信道负载划分忙闲程度的基础上,该机制采用滑动窗口机制[13]、加权-马尔科夫链预测模型,通过统计一段时间内信道负载的历史信息来对下一时刻的信道状态实时预测,并将信道负载的多步预测值和真实值的差值作为当前时刻预测值的修正,根据预测结果与业务等级规定的接入门限决定分组是否可以接入信道,实现了优先级区分服务。仿真结果表明,该机制预测准确度高于90%,能够改善随机竞争类MAC协议在重负载下的性能。
机载自组网中多信道状态模型如图1所示,整个网络包括N个独立可用子信道,记为子信道 f1,f2,…,fN,信道之间不存在干扰问题。且各子信道上不同颜色代表某一时刻的信道状态,空白表示信道未被突发所占用,即信道状态空闲;阴影表示信道被突发占用,即信道状态忙碌。
图1 机载自组网多信道状态模型
假设机载自组网中分组到达服从泊松分布,各优先级分组具有相等的长度,且拆分成长度相等的突发进行发送。因此,在单位时间σ(即单个突发在信道中的传输时间)内,产生k个突发的概率为:
其中,G为业务负载,其表达式为:
其中,Nnode表示网络中的节点数量,λ表示单个节点的分组到达率。
由于各个子信道之间不存在干扰,因此,在分组传输过程中,若没有其他分组在其所占用的信道上传输,该分组将传输成功。因此,根据式(1),分组成功传输概率Psuc可以表示为:
由式(3)可知,在信道数量N一定的情况下,Psuc值将随信道负载G的增大而减小。因此,下一时刻的业务负载是影响分组成功传输概率的唯一因素,可用其来衡量信道忙闲程度。为了更好地表述信道忙闲程度,根据下一时刻信道负载G的取值区间,将信道忙闲程度划分为4个等级,见表1,其中信道负载G的区间划分是由Psuc的取值范围决定的。
表1 信道忙闲程度划分标准
由于在单跳全连通的网络中,任一节点都可以通过广播的方式接收网络中的所有数据分组,因此,为了提高预测性能的时效性与准确性[11],节点采用滑动窗口机制对收到的突发数量进行实时统计。
当网络开始运行时,节点的统计窗口机制同步运行,其中,窗口大小为J(J的大小由人为设定),每次统计的总时长为J·σ(σ表示单位时长,即单个突发在信道中的传输时间),且每经过σ时间时,窗口依时间轴向右滑动一次并继续下一次的统计,如图2所示。
节点通过广播信息获取最近统计时段J内每一时刻突发个数,即X=(x1,x2,…,xJ)。为了获得下一时刻网络中突发分组个数所处区间,采用加权-马尔科夫链预测模型对xJ+1进行预测。
图2 统计预测模型图
首先,对序列X=(x1,x2,…,xJ)进行滑动平均[14-15]处理得:
其中:
n表示单侧平滑时距。
对新序列求均值得:
对新序列求方差得:
由于信道负载区间对应着4种不同的忙闲程度值,因此,新序列X^内每一个数据都对应着一种信道状态,即马尔可夫状态。
定义di,j表示在统计窗口J内的样本由其所对应的信道忙闲程度值i经一步转移到信道忙闲程度值 j的频次,其中,,则一步转移概率P1为:
同理可求得P2,P3,P4等。
计算各阶步长下的自相关系数,计算公式如下:
其中,k表示步长。
在计算出各阶自相关系数后进行归一化处理,并将处理结果值作为各种步长的马尔科夫链的权重。归一化公式如下:
按照式(10)将同一状态各预测概率加权作为处于该状态的预测概率:
依据最大隶属度原则[16],当存在max{Pi,i∈I} >0.5时,则 max{Pi,i∈I}所对应的状态i为当前时刻的信道忙闲程度值。否则用级别特征值法来确定其状态,当有-0.5<H-i<0.5存在时,则判定当前时刻信道所处的状态为i。
计算下一时刻信道负载的预测值,即突发数量值。首先给各状态赋以相应的权重,构成权重集D={D1,D2,…,Dm},m为系统的状态数。其中权重的大小取决于各状态概率的大小,即:
式(13)中η为最大概率作用系数,在实际应用中通常取为2。
定义H为级别特征值,其值可由式(14)确定:
依据最大概率原则确定状态所对应的预测值Xforecast。
其中,ai,bi为状态i所对应负载区间值的上下限。
在统计窗口J内,将J个数据的预测值Xiforecast(i∈[1 , J])与其真实接收值Xireal对比产生误差的均值α作为此次预测的修正,即:
因此,最终的预测公式为:
综上所述,机载自组网中信道忙闲程度统计预测机制的具体流程如图3所示。
图3 统计预测机制流程
假设机载自组网中存在4种优先级业务信息,各优先级业务具有不同的QoS需求。根据信道忙闲程度划分标准,当预测到信道负载在(a1,b1)时,认为信道较闲,优先级1、2、3、4的业务都可以接入信道。
当预测到信道负载G在(a2,b2)时,此时的信道忙闲程度值为2,信道略忙,将限制优先级4业务接入信道,因此优先级4业务允许接入信道的概率为:
当预测到当前信道负载G在(a3,b3)时,此时信道忙闲程度为3,信道较忙,将限制优先级4、3接入信道,因此优先级3业务允许接入信道的概率为:
当预测到信道负载G在(a4,b4)时,此时对应的信道忙闲程度为4,信道繁忙,将限制优先级4、3、2业务接入信道,只允许优先级1业务接入信道,因此优先级2业务允许接入信道的概率为:
综上所述,各优先级信道接入权限与信道负载的关系如表2所示。
表2 优先级接入权限与信道负载的关系
下面采用OMNeT++仿真工具对统计预测机制的性能进行仿真评估。仿真场景中,所有节点在200 km×200 km×10 km的三维空间内随机分布,构成全连通网络,且各节点随机选择目的节点进行通信,具体仿真参数设置如表3所示。
表3 仿真参数设置
将表3的参数代入式(3)得到各信道忙闲程度值所对应的信道负载区间,结果如表4所示。
表4 信道负载区间计算结果
取J=50,任选一个统计窗口作为研究对象,通过仿真得到信道负载数量、预测误差及信道忙闲程度值的真实值,并按照图3的统计预测机制流程对下一时刻整个网络中的信道负载数量、预测误差及信道忙闲程度值进行统计预测,同时将其与文献[11]提出的SPMCBID预测机制及文献[12]提出的LS-AR预测算法进行对比,仿真结果如图4~图6所示。
图4 下一时刻信道负载数量与分组到达率的关系
图5 下一时刻突发预测误差与分组到达率的关系
图6 下一时刻信道忙闲程度值与分组到达率的关系
由图4可知,下一时刻网络中信道负载数量的真实值与本文提出的SPMCO机制预测值近似,而SPMCBID机制和LS-AR线性预测机制的预测性能一般,表明SPMCO预测算法具有优良的性能。由图5可知,SPMCO机制的突发预测误差可以始终保持在10%以下,满足系统设计需求,而SPMCBID机制和LS-AR机制均无法保证突发预测误差在10%以下。由图6可知,即使算法对突发数量的预测存在一定误差,但只要保证预测数量值在其信道忙闲程度值所对应的负载区间内,仍然可以得到下一时刻准确的信道状态值,且SPMCO机制具有更优异的预测效果。
取λ=5packet/σ,正确预测概率随统计窗口J变化关系如图7所示。当J小于50时,随着J的增加,统计预测机制正确预测概率逐渐增大;当J=50时,正确预测概率逐渐趋于平稳,平稳时正确预测概率接近90%,这表明更多的样本值也无法带来预测性能的增加,只会盲目增加运算量。因此,应该选择合适的统计窗口值,保证较高预测概率的同时减少运算开销。
图7 正确预测概率与统计窗口大小的关系
假设网络中存在4种优先级业务,优先级1业务分组到达率固定为6 packet/s,优先级2、3、4业务分组到达率的比例为1∶3∶6。将 G=2.2,5.4,10.2分别设置为优先级4、3、2分组的接入阈值,优先级1具有最高接入权限,所以不需要设定接入阈值。分组到达率与各优先级接入成功率的关系如图8所示,图8表明该机制可以保证优先级1业务成功概率始终保持在75%以上,优先级2业务保持在50%以上,优先级3业务保持在25%以上,能够为不同优先级业务提供差分服务。
图8 各优先级接入成功率与分组到达率的关系
将采用信道占用统计预测机制的多信道ALOHA(Statistical Prediction of Channel Occupancy based on Multi-Channel ALOHA)协议称为SPMCA-MAC协议,将其与相同信道数量的ALOHA协议与CSMA协议的系统吞吐量进行对比,结果如图9所示。结果表明本文提出的信道占用统计预测机制可以明显提升系统性能,通过划分信道忙闲程度限制分组在重负载下的接入数量,保持了系统稳定的吞吐量,性能明显优于ALOHA协议和CSMA协议。
图9 不同协议下的系统吞吐量性能对比
针对机载自组网中随机竞争类MAC协议在重负载下性能严重恶化的问题,提出一种信道占用统计预测机制,通过统计一段时间内突发信号的历史数量信息对下一时刻的信道状态实时预测,并将突发数量的多步预测值和真实值的差值作为当前时刻预测值的修正,提高了预测性能及协议系统吞吐量。仿真结果表明,该机制预测准确度高于90%,并且可以为多优先级业务提供区分服务能力,性能优于CSMA协议及ALOHA协议。