[發明專利]一種無線自組織網絡表驅動跨層路由學習方法

有效

• 申請號: 201210138777.5
• 申請日: 2012-04-28
• 公開（公告）號: CN102711285A
• 公開（公告）日: 2012-10-03
• 發明（設計）人: 江虹;李強;黃玉清;許文舉;張曉琴
• 申請（專利權）人: 西南科技大學
• 主分類號: H04W80/00
• 分類號: H04W80/00;H04W84/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明是一種提高無線自組織網絡表驅動路由協議在線學習能力的算法，屬于無線通信和信息傳播技術領域。

背景技術

Ad?Hoc無線自組織網絡是一種沒有基礎網絡設施的移動網絡，可以在任何時間任何地點快速構建。在這種網絡中，路由技術對整個網絡系統的性能具有決定性作用。由于Ad?hoc網絡面臨比較復雜的無線環境，其路由協議的研究一直是業界的重點。

表驅動路由算法是Ad?hoc路由協議的重要組成部分。在實時性要求較高的應用場合，一般選用表驅動路由協議。在典型的表驅動路由協議(如OLSR)中，每個節點實時掌握全網的拓撲信息并依據這些信息計算路由表。計算路由表時，一般依據到達目標節點的距離，選擇最短的下一跳作為中繼，距離可以指跳數、延時、鏈路狀態等一些性能指標。每個節點通過定期廣播Hello分組和拓撲控制分組將拓撲變化告知全網。Hello機制負責鏈路檢測和鄰居發現任務，拓撲控制分組的處理機制負責建立和維護全網拓撲信息表。在表驅動路由協議中，路由選擇沒有考慮MAC層和物理層信息，不能適應網絡的動態變化情況，也不能依據網絡擁塞信息和信道情況合理選擇下一跳節點。在動態變化的網絡環境中，網絡鏈路可能隨時中斷，此類協議沒有有效解決鏈路修復時間過長的問題，從而導致丟包率大，網絡吞吐量不高等問題。另外，在某些情況下，跳數最短的路徑并不一定是最優路徑，最優路徑一般受網絡擁塞和鏈路質量等多種因素的影響。由此可見，當前典型的表驅動路由協議缺乏對環境的在線學習能力，使得此類路由算法的應用受到很大限制。

強化學習算法通過感知環境狀態和從環境中獲得不確定的信息來學習動態系統的最優策略。環境僅對某一動作的好壞做出評價，并不告知如何產生最優動作。由于強化學習技術具有較好的自適應性，已經在無線自組織網絡路由領域得到關注。如：Brian?Russel在learning-based?route?management?in?wireless?ad?hoc?networks中，基于強化學習技術，提出了一種針對反應式路由的Warp-5自適應無線網絡協議；張彬彬在基于強化學習的adhoc網絡QOS路由算法研究中，基于強化學習技術，針對反應式路由設計了具有學習能力的路由算法。

針對當前表驅動路由協議缺乏對環境的學習適應能力問題，本發明提出一種無線自組織網絡表驅動跨層路由學習方法。該方法基于表格型迭代學習算法，通過將Mac層、物理層的信息反饋到行為動作參考值值中，以提高協議對網絡環境的適應能力，有效降低數據包的傳輸延時和丟包率。

發明內容

本發明的目的在于解決Ad?Hoc網絡表驅動路由協議缺乏學習能力的問題，以有效提高網絡傳輸性能。該方法利用跨層信息通過迭代學習算法降低Ad?Hoc網絡傳輸端到端時延，并提高通信協議對網絡環境的自適應能力，在網絡環境惡化時自適應選擇合適的下一跳中繼節點。

本發明涉及到的Ad?Hoc網絡節點采用TCP/IP協議模型，即層次結構分成五層：應用層、傳輸層、網絡層、數據鏈路層、物理層。假設網絡層的IP協議采用某種表驅動路由協議，如OLSR，DSDV協議等，且表驅動路由協議定期廣播拓撲信息，并依據接收到的信息實時建立或更新全網拓撲信息。

本發明的表驅動跨層路由學習方法需要完成跨層信息提取，并基于跨層信息構建迭代學習模型。表驅動跨層路由學習所傳輸的數據包處理流程如圖1示，源節點的應用層產生的用戶數據包被傳遞到網絡層后，網絡層根據其要到達的目標地址，依據一定的策略選出下一跳中繼節點，同時對數據包進行處理后向下傳遞給鏈路層。當該數據包到達鏈路層的MAC子層時，MAC子層完成該數據包的傳輸，并將該數據包的重傳次數反饋到網絡層，從而實現跨層信息的提取。當任意節點的MAC層收到來自底層的數據包時，如果此數據包需要上傳給網絡層，則將此數據包上傳，并把本節點接收此數據包時的跨層信息上傳給網絡層，跨層信息包括信噪比、MAC層緩存隊列長度、丟包率等信息。網絡層將數據包從其上一跳到本節點之間的傳輸延時作為回報值，并將其和MAC層上傳的跨層信息處理并保存。一定時間間隔后，該節點網絡層將這些信息廣播給鄰居節點的網絡層，鄰居節點網絡層收到這些信息后依據迭代模型進行迭代學習，為下一次選擇中繼節點提供決策依據。當數據包轉發到其它中繼節點時，其它中繼節點也按這種方式進行同樣的處理，直到數據包到達目標節點。當路由拓撲信息發生變化時，例如增加或失去拓撲鏈路時，需要對迭代學習模型中的狀態進行更新，以保證迭代學習模型進行正確決策。

一、跨層信息提取