基于智能建筑环境的吞吐量和QoS 优化方案

许威，林月娥，张霞

（1.北京城建设计发展集团股份有限公司，北京 100037；2.北京理工大学信息与电子学院，北京 100081）

物联网（IoT）以其创新的解决方案和不同领域中具有的优势，在通信和网络行业中已变得异常重要。物联网提供了从医疗保健到监测环节等多种应用程序[1-2]，因此基于物联网的网络已成为未来应用程序中最有前景的技术之一。物联网是由智能物理对象（设备、车辆、建筑物和其他物品）组成的网络，配备有各种微控制器、收发器和协议，用于传播感知和控制信息。所以，物联网旨在为智能对象提供无处不在的连接。连接这些异构对象的最新技术包括RFID、UWB、蓝牙、ZigBee、WiFi Direct 等。而这些技术使用非许可频谱进行操作[3]，在已建立链路上的QoS 是不可控制的。但是，QoS 对物联网来说又至关重要，需要一种创新的解决方案来确保所需的QoS。认知无线电（Cognitive Radio,CR）技术是一种前景较好的解决方案，因为它可以利用未经许可的频谱和经过许可的频谱进行传输。

智能建筑是建筑、电气和信息技术的融合，是通过网络系统和设备的聚合而产生的建筑概念，这些设备属于不同的系统,它们在数据速率、延迟和误码率方面有不同的QoS 要求。因此，这些设备的集成必须以更高的频谱效率完成。提高频谱效率的关键技术之一是认知无线电（CR）技术，因此将CR 技术应用于这些物联网设备。

在基于CR 的网络（CRN）中，有两种用户：主用户（PU）和CR用户或辅助用户（SU），CR仅允许使用PU未使用的频谱。在不失一般性的前提下，为支持认知物联网的智能建筑系统保留相同的PU 和CR 术语，即部署在建筑物内的移动用户、物联网设备和网络监视器（NM）称为CR 或SU，少数移动终端称为PU[4]。可以根据CRN 的架构（集中式或分布式）、分配行为（协作或非协作）、访问技术（底层或重叠式）和范围（内部或内部）来对CRN 的信道分配领域中的工作进行分类[5-6]。王玉等[7]提出了一种基于不同业务服务质量要求的通信频谱资源分配算法，该算法可以有效提升系统总吞吐量，但是网络存在延迟，效果不佳；张淑华等[8]设计了一种基于组合智能算法的无线网络信道分配方法，该方法可以大幅度提升无线网络的吞吐量，数据传输丢包率远小于单一的遗传算法，但其蜂窝用户的通信质量较差。因此，文中提出了一种新的信道分配方案，该方案考虑了不同物联网设备的QoS 要求、PU 活动导致的信道可用性以及不同应用程序在不同物联网设备上运行的流量模式。

1 系统模型

智能建筑环境由一个中央实体、Q个频谱传感器、I个IoT 设备、M个移动用户和N个免费许可信道组成。中央实体负责管理频谱，包括频谱感知和频谱分配。在频谱分配期间，中央实体将可用的许可信道分配给IoT 设备和移动用户，物联网设备和移动用户被视为SU，但不执行频谱感知任务，这是因为在频谱感知任务中使用了专用传感器，它不仅有助于节省IoT 设备和移动用户的能源，而且还减少了频谱感知过程中的延迟。频谱传感器感知不同的信道，以检查它们是否为空，并将其决策发送给中央实体。在频谱感知之后，中央实体执行信道分配，以将空闲信道分配给物联网设备和移动用户。将物联网设备、移动用户和网络监视器（NM）划分到C 类。每个类别在数据速率(αmin)、误码率(βmin)和稳定性指数(γmin)方面都有最低要求。由于物联网涉及能量受限的设备，所以无法远距离传输[9-10]；否则，其电池将很快耗尽。为了促进物联网与中央实体的通信，将智能建筑分为多个部分，每个部分都有特定的网关，SU 与中央实体之间通过网关进行通信。SU、网关和中央实体之间的帧交换序列如图1 所示。

图1 SU、网关和中央实体之间的帧交换序列

各帧的简要说明如下：每个要发送数据的SU 都将I-REQ 消息定向到其各自的网关，I-REQ 消息指定具体的用户类别。收到所有SU 的I-REQ 后，网关将C-REQ 消息转发到中央实体，C-REQ 消息包括与特定网关相关联的所有SU 需求信息。从所有网关接收到C-REQ 消息后，中央实体将最大程度地服务用户，同时根据每个SU 的类确保最低的QoS 要求。对于分配给SU 的信道，中央实体考虑信道的数据速率、误码率和稳定性指数，向每个网关广播C-GRANT 消息，其中包括分配给每个SU 的信道列表。之后，网关将I-GRANT 消息定向到相应的SU，I-GRANT 包含分配给每个SU 的信道号。若PU 在任何信道上返回，则由中央实体向网关生成PUDETECT 消息，以指示PU 在预定信道上到达。因此，网关向SU 生成CH-PAUSE 消息以停止其正在进行的传输，以避免干扰PU。

1.1 容量和误码率

假设每个SU 都属于某个类别c，满足c∈C，并以功率传输信号。令ρk为SU 在第k个信道上受到的干扰，σ为噪声含量，可以使用式（1）来计算第k个信道上SU 可达到的数据速率：

其中，K=-1.5/lg(5×)，b为第k个信道上SU的BER。

1.2 频谱感知

由于SU 使用CR 技术，将独立的频谱传感器部署在智能建筑的顶部和内部，负责检测SU 频谱中的空白点。基于发射体检测（频谱传感器接收到的信号）的假设模型如式（2）所示：

其中，rk(t)为频谱传感器在第k个信道上接收到的信号，(t)为PU 的传输信号，h(t)为信道响应，表示噪声含量。简化后，使用一个基于双阈值的能量检测器，该检测器按如下方式计算第k个信道上的PU 信号能量：

如果Ek的值大于阈值-1，则认为PU 存在于第k个信道上，故SU 不能使用第k个信道进行传输；若Ek的值小于阈值-2，则证明该信道可供SU 使用。

1.3 信道稳定性指数

如前所述，独立的频谱传感器用于PU 检测。每个频谱传感器在每个感知间隔上创建一个矢量，并将其直接转发到中央实体，中央实体基于信道的稳定性指数来表征信道的特征，PU 活动最少的信道被认为是最稳定的信道。设fk={f1,f2,…,fT}为历史状态向量(HSV)，表示第k信道在T时段的PU 活动。为了更好地预测PU 活动，将HSV 垂直划分为不同的区域，其中z=1 表示最新区域，z=Z表示HSV 的最旧区域。假设πk={π1,π2,…,πZ}表示在HSV 不同区域中的连续空闲槽数，wk＝{w1,w2,…,wZ} 表示分配给HSV 各区域的权重。从最新的HSV 样本到较旧的HSV 样本，权重的分配顺序是递减的。稳定性指数可由式（4）给出：

其中，θk表示第k个信道的稳定性指数。θk的值越大，表明该信道越稳定，并且其PU 活动越少。

2 粒子群优化算法

为了在智能建筑中为SU 提供所需的QoS，需要找到一个最佳的信道分配调度，以处理最大请求数[11-12]。考虑到SU 的需求和可用信道，文中提出了一种优化方案，以在特定时间内最大化服务的用户数量，从数学上可以表示为式（5）：其中，为二进制变量，取值为0 或1。如果=1，则意味着将信道k分配给属于类c的第u个用户。优化问题试图在可用信道、用户数量和类上最大化的总和。粒子群优化算法是一种从鸟类社会行为中获得灵感的人工智能技术，被用来近似求解涉及大搜索空间的优化问题[13-15]。鸟类种群中的个体被称为粒子，它代表给定问题的可能解决方案。每个粒子的适合度表明它与理想解决方案的距离，该方案具有明确的边界，粒子在三维边界(鸟类飞行空间)内运动。设P为粒子总数，表示第j个粒子(1 ≤P≤D)在迭代τ处的位置，其中表示粒子在第d(1 ≤d≤D)维空间中的位置。在迭代τ处，第j个粒子的速度记为它在范围[-Vmax,Vmax]内变化。

在每次迭代过程中，都会评估粒子的适合度以指示其优点。粒子的位置取决于两个关键参数[16-17]：1）粒子最佳(Pbτ)；2）邻居最佳(Nbτ)。令Pbτ表示第j个粒子的最佳位置，并且是邻居最佳位置。如果将其余粒子视为邻居，则该术语可以称为全局最佳，可以用Gbτ表示，该参数有助于快速收敛到可能的解决方案。利用式（6）和式（7）可以更新单个粒子的速度和位置：

其中，η1和η2分别为学习因子或加速度系数，而δ1和δ2均为0～1 范围内的随机数。和分别表示第j个粒子的更新位置和速度因子。

2.1 粒子编码

编码过程是粒子群优化过程中的重要步骤之一。对于当前问题，解决方案是将N个信道分配给M个移动用户、I个IoT 设备和网络监视器。使用上述编码方案执行模拟场景，并假设移动用户、传感器和网络监视器在离散信道上提供服务。

图2 为两种流量场景（即低流量和高流量）的编码过程。粒子1 的大小为20，表示来自移动用户、IoT 和网络监视器的请求总数，而粒子2 的长度为40。从给定方案中可以明显看出，粒子在向移动用户、IoT 和网络监视器分配信道方面可以表示最佳的解决方案。

图2 粒子编码

2.2 位置和速度更新

为了获得最优解，粒子群需要更新其速度和位置。第j个粒子的速度可以用D维矢量表示，其中每个元素都是随机实数，表示给定迭代的信道分配变化。例如，对于一个用于低负载流量的粒子，将速度矢量(-13,5,2,-8,33,24,-22,…,-19,41,6,55)加到位置矢量(5,42,58,69,21,6,18,…,6,11,22,30)上，形成粒子的新位置(8,47,80,61,54,30,4,…,13,52,28,85)。为了获得粒子在D维空间内的最新位置，可以使用给定范围[-Vmax,Vmax]来限制速度。

3 性能评估

文中使用Matlab 中的仿真结果评估所提出方案的性能。为了提高清晰度，将结果分为两部分。第一，给出了低流量和高流量情况下的仿真结果，以表明所提出的方案能够快速收敛到最优解。第二，将提出的解决方案与现有方案在QoS 参数(如数据速率、BER 和稳定性指数)方面进行了比较。通过改变迭代次数、信道、流量负荷和稳定性指数（SoC），研究了这些评价参数的影响。采用蒙特卡罗仿真模型，得到迭代次数超过500 次的平均结果。PU 流量使用开/关状态建模，PU 到达率范围为0.0～0.6。为了简化SoC 计算，保留了30个时隙的PU历史记录，将其划分为三个区域，权重分别为ω1=0.6，ω2=0.25和ω3=0.15。

3.1 平均目标函数

图3 所示为四种不同粒径的目标函数随迭代次数的变化曲线。粒子群优化算法是一种迭代算法，通常在一定次数的迭代后才能得到最优解，停止标准（就迭代而言）取决于目标函数和给定问题的约束。通过曲线图可以清楚地看出，12 个粒子是最合适的种群大小。其余的模拟是使用12 个粒子的种群进行的。此外，该方案在两种情况下均能快速收敛得到最优解。例如，在图3 所示的低流量情况下，提出的方案满足了SU 95%以上的请求，在图4 所示的高流量情况下，满足了SU 90%的请求。因此，提出的方案可有效地管理智能建筑中SU 的异构流量。

图3 低流量情况下的平均目标函数

图4 高流量情况下的平均目标函数

3.2 与现有方案比较

文中比较了提出的方案与基于吞吐量、可靠性和SoC 的随机信道选择(RCS)方案以及贪婪信道选择(GCS)两种现有方案的性能。RCS 从概率为的可用信道池中随机选择一个信道分配给SU，而不考虑其QoS，而GCS 为每个用户选择一个局部最优信道，以期得到全局最优解。与现有方案比较，选择高流量模式并进行500 次迭代仿真，采用蒙特卡洛原理给出平均值。图5 根据网络的整体吞吐量将提出方案与RCS 和GCS 方案进行了比较，将SU 的总吞吐量与现有方案进行了比较，以说明建议方案的性能增益。从图中可以看出，所提出方案的吞吐量在0.74～1.75 Mbps 的范围内，而RCS 的吞吐量在0.378～1.0 Mbps 之间变化，GCS 的吞吐量在0.43～1.505 3 之间变化。可以计算出提出方案与RCS 方案相比，其最大吞吐量提升了[(1.75-1.0)/1.0]×100%=75%，同理可得提出方案与GCS 方案相比，其最大吞吐量提升了16.25%。因此，所提出方案优于RCS 和GCS 方案。基于可靠性的比较如图6 所示，对结果进行了500 次仿真，然后绘制平均可靠性指标曲线。在可靠性指标上，RCS 的可靠性最大值为0.687 2，文中方案的可靠性最大值为0.959 8，由此可计算出文中方案相较于RCS 方案在可靠性方面提升了[(0.9596-0.687)/0.687]×100%=39.68%。虽然与RCS 相比，GCS显示出领先的模式，但仍然落后于所提出方案。

图5 吞吐量的累积分布函数

图6 可靠性的累积分布函数

4 结论

针对智能建筑环境开发了一种大吞吐量和QoS优化方案，该方案根据所需的QoS 将信道分配给移动用户、IoT 设备和网络监控器。该方案在可靠性（低误码率）方面提高了39.68%。考虑到网络的总吞吐量，与贪婪和随机共享方案相比，所提出方案分别提高了16.25%和75%的吞吐量。因此，该方案可以支持更高密度的用户，并获得具有竞争力的性能增益。