基于粒子群优化算法的机载战术网络信道负载预测机制

管伟 冯煊 郑博

1.解放军31006 部队北京100840 2.空军工程大学信息与导航学院陕西西安710077

机载战术网(Airborne Tactical Network,ATN)是一定空域内的多个航空飞行器利用机载通信设备交互信息,借助邻居节点的多跳通信而自动构建的一种移动自组织网络[1-4].它能够满足临时快速动态组网、空中态势信息共享、远距低空通信保障等应用需求,具有广阔的军事应用前景.由于机载战术网具有高动态、大尺度、节点稀疏分布、通信业务多样、显著的临时性,以及特殊的节点移动性等特征[5-7],尤其是对传输成功率和时延等服务质量(Quality of Service,QoS)指标有较高的要求,使其研究与应用比传统的移动自组织网络更有挑战性.媒质接入控制(Medium Access Control,MAC)协议作为数据链路层的核心功能机制,是机载战术网协议栈的重要组成部分,其设计优劣直接影响网络吞吐量、信息传输成功率和时延.分布式随机接入MAC协议在重业务负载时分组成功传播概率和吞吐量急剧下降,不满足面向时敏目标打击的远距离航空通信可靠性要求,主要原因在于协议对信道使用状态缺乏分布式感知能力,不能根据信道忙闲程度有效控制业务接入量,导致信道负载过大.

针对这一问题,文献[8-9] 采用直接观测法量化信道忙闲程度.直接观测法以当前的信道忙闲程度统计值作为下一时刻的预测值,这在大尺度的航空通信场景中误差较大,并没有充分利用信道忙闲程度变化前后的相关性.现有的研究工作更多利用信道忙闲程度预测结果来指导MAC协议QoS 机制设计,常用的预测模型有基于神经网络的预测模型[10-11]、回归分析预测模型[12]、时间序列预测模型[13]、灰色预测模型[14-15],以及指数平滑预测模型[16]等.在上述预测模型中,基于神经网络的预测模型具有自主学习能力,可以对非线性的序列进行预测.其中,BP 神经网络采用全局逼近的学习算法,网络训练时间长; RBF 神经网络采用局部逼近学习算法,相比BP 神经网络的函数逼近能力和学习速度都有所提升;回归分析法对样本数量要求高,且预测精度与预测对象的波动性、规律性关系较大.以上方法普遍具有预测周期长、样本数量需求大的特点,而以上预测模型并不适用于高动态的航空自组网,其业务突发性强、变化快.时间序列预测和灰色预测法要求研究对象具有一定的稳定性,否则不能保证较高的预测精度,且灰色预测法仅适用于预测对象具有指数变化规律的情况.三次指数平滑模型适合各种观测数据,能跟踪序列的非线性变化趋势,其优化目标是使预测值和观测值间的均方误差最小.但三次指数平滑中平滑系数的取值对预测精度影响较大,一般通过人为经验及序列特点大致确定,缺乏客观性、自适应性.

综合以上因素,本文针对ATN 重业务负载时QoS 急剧恶化问题,在多信道、Turbo 编码、多包接收(Multi-channel,Turbo coding and Multi-packet reception,MTM)随机接入多信道MAC协议的基础上,提出一种基于统计预测的接入判定(Statistical Prediction-based Access Decision,SPAD)机制.该机制采用粒子群优化(Particle Swarm Optimization,PSO)算法的三次指数平滑预测模型,实现了预测步长和平滑系数根据序列阶段性特征自适应调整,提高了预测精度.进一步根据预测结果与信道忙闲程度阈值的大小关系进行业务接入判定,自适应控制接入业务量,防止协议运行过程中出现信道负载过重.

1 机载网络信道负载预测机制

1.1 协议总体描述

该协议包括信道忙闲程度统计预测模块和接入判定模块,各个模块的运行机制及功能如图1所示.

1)信道忙闲程度统计预测模块:在信道状态统计时间窗口内,统计所有信道接收到的突发包数量,用于量化表示信道忙闲程度,并根据预测算法对下一时刻信道忙闲程度进行预测,然后将该值反馈给接入判定模块并作为其接入判定依据.

2)接入判定模块:分组到达队首后并不立即进入突发产生模块,而是先进行接入判定.判定规则为:比较信道忙闲程度预测值与信道忙闲程度阈值大小,如果信道忙闲程度预测值小于信道忙闲程度阈值则允许分组进入突发产生模块,否则等待一段时间后继续进行下一次判定,直到满足接入条件为止.

1.2 PSO算法优化的三次指数平滑预测模型

三次指数平滑法具有较强的可操作性、适用性,具有“重近轻远”的作用效果,能较好地跟踪序列变化趋势,适合于实时变化的信道忙闲程度预测.

设观测数据序列为Qt,指数平滑值为s,表示t时间段第i次指数平滑值,则各次指数平滑计算表达式为

其中,Qt+m是第t时间段的实际值,α 是指数模型中的平滑系数(0＜α＜1),三次指数平滑法在后m个时间段的预测值为

其中,at、bt、ct分别为

采用平均绝对误差(MAD)作为预测精度的判定标准,则

图1 协议框架

三次指数平滑预测模型中的平滑指数往往通过经验判断来确定,且不能反映时间序列的阶段性特点,可能导致较大的预测误差.PSO算法优化的三次指数平滑预测模型根据t+1 时刻之前的n个观测数据来确定最佳平滑系数.其中,n为步长,则在每一个步长n都存在一个局部最佳平滑系数,选择所有步长中最优的平滑系数(叫做优化平滑系数,对应步长为优化步长),然后平滑预测t+1 时刻的信道忙闲程度值.

PSO 算法是一种群体智能优化算法,将粒子群优化算法与三次指数平滑预测结合起来,以步长n(2≤n≤N)以及平滑参数α(0＜α＜1)构成的二维空间作为粒子的解集,取前n个预测值的MAD 作为粒子的适应度函数,通过迭代寻优找到最优粒子,作为下次预测的优化平滑参数α 及优化步长n的取值.从而使得当前的平滑参数始终为该预测阶段最优值,提高了预测精度,更好地适应时间序列的动态发展趋势.采用PSO算法优化的三次指数平滑预测执行流程如图2所示.

1.3 建模分析

1)最优信道负载区间

由于分组成功传输概率和系统吞吐量可表示为信道负载(即分组接入网络的总速率)的函数.根据系统设计需求,信道负载最优取值区间需综合考虑两个因素:第一,航空通信中存在高可靠性要求的业务,由于无差异的信道传播环境,为保证该类分组一次接入成功概率不低于99%,在不计分组溢出的情况下,接入网络的分组的成功传播概率需要达到99%;第二,为满足系统容量需求,在保证了分组的传输可靠性后需使得系统吞吐量不低于10 Mbit/s.因此,接入网络的分组速率最优取值区间由式(9)决定.

令M=2,可得到不同信道数量下和C随信道负载变化的关系曲线,如图3所示.

由图3 可知,当信道数量大于10 时可以得到满足要求的最优信道负载区间.令G表示最优信道负载区间,当Nchannel分别为10、11 时,G分别为[10 010,11 200]、[10 000,12 250].

2)分组服务模型

由于分组在拆分后以突发包的形式接入信道,网络中所有节点突发包接入总速率为Rin=Nnode·rin.令Xperiod表示在任意Tperiod时间内网络中的突发包数量,则Xperiod服从参数为Rin·Tperiod的Poisson分布,在任意Tperiod时间内网络中突发包数量的概率密度函数为

图2 PSO算法优化的三次指数平滑预测流程

图3 系统吞吐量、成功传输概率随业务负载的变化关系

令Xthresh表示信道忙闲程度阈值,根据接入判定规则:当信道忙闲程度预测值小于Xthresh时,允许分组接入信道,当信道忙闲程度预测值大于或等于Xthresh时则需等待下一个判定周期.定义pin为节点队首分组在任意Tperiod时间内允许接入网络的概率,则

根据接入判定规则,分组允许接入信道前等待的判定周期次数n的概率密度函数如表1所示.

由表1 可得判定周期次数的期望值为

表1 分组接入信道前判定周期次数概率分布

分组的平均服务时间应包含接入前的判定时间,以及允许接入后的分组传输时间和抖动时间,即

另外,设置信道忙闲程度阈值Xthresh的目的是让系统在重业务负载时仍能有效工作,Xthresh的大小直接影响了重业务负载时分组接入网络的速率(信道负载).Xthresh取值过低则导致分组接入网络难度加大,分组服务时间增加,接入速率降低,尽管分组的传输可靠性得以提高,但此时系统利用率没有达到最优; 当Xthresh取值过高则导致分组接入网络速率过大,使得信道负载过重而致使信道碰撞加剧,分组的成功传输概率降低.因此,根据最优信道负载设计需求,Xthresh值应保证分组接入网络的速率满足

2 仿真分析

2.1 预测结果验证

通过与传统三次指数平滑预测法、直接观测法的预测效果进行比较,检验PSO算法优化的三次指数平滑预测模型的准确性.首先利用自相似模型得到1 500 个信道忙闲程度实验值.为不失一般性,在传统三次指数平滑预测中,设置两次平滑系数值分别为0.3、0.7.各方法预测效果图、预测误差图如图4、图5所示.

图4 预测效果对比图

图5 预测误差对比图

由图4、图5 可知,本文提出的预测算法可根据实验数据的阶段性特点自动确定平滑系数α 的取值,预测准确性优于三次指数平滑算法和直接观测法.

2.2 协议仿真分析

设置仿真场景大小为300×300×20 km3,节点在场景内随机分布,组成全连通网络.设置Tperiod=1 ms、Nchannel=10,协议仿真参数设置如表2所示.

根据仿真得到信道忙闲程度阈值Xthresh的取值范围为[285,310],在仿真时取值为298.仿真中将未采用SPAD 的协议记为MTM,将采用SPAD 的协议记为MTM-SPAD,两者性能对比曲线如图6所示.

表2 协议仿真参数

图6 MTM 和MTM-SPAD 协议系统性能仿真对比图

从图6 可知,通过引进分组接入判定机制,系统的信道负载在重业务负载时得到了有效的控制.根据不同的信道数量合理设置Xthresh值,可使MTMSPAD 分组成功传输概率最终稳定在0.99 之上,可为时敏紧急业务的传输提供安全稳定的信道环境,同时系统吞吐量在重业务负载时始终能够保持在10 Mbit/s 之上.在重业务负载时MTM-SPAD 的成功传输概率急剧下降,分组的平均时延不断增加.在分组成功传输概率基本不变的情况下,分组的成功传输概率主要受分组溢出概率影响,而分组溢出概率的增加主要受分组平均时延增加所致.因此,解决这个问题只需为时敏紧急业务提供最高优先级的信道接入权,减少其信道接入时延.

3 结论

本文在MTM 协议基础上,引入SPAD 机制,采用PSO 算法的三次指数平滑法作为预测模型,预测精度高于直接观测法和传统的三次指数平滑预测法.根据预测结果,实时控制业务分组接入,避免了MTM 重业务负载时信道传播条件严重恶化问题.通过协议建模、仿真可知,SPAD 机制的使用,大大改善了协议重负载时QoS 性能.