一种H2H和M2M共存下基于异构云的资源分配算法
发布时间：2021-10-08 08:36
由于H2H （human-to-human）业务和M2M（machine-to-machine）业务的特性存在很大差异,现有的资源分配算法无法有效地同时解决H2H业务的可靠传输需求和M2M业务海量接入需求。文中提出两种异构资源分配算法:采用反应函数求解的博弈资源分配方法和最佳反应动态博弈资源分配迭代算法。采用该算法,不同服务提供商可通过共享网络资源,实现网络资源的空间复用度增加,从而达到网络资源利用率的提升,以缓解共存场景中H2H业务的QoS保障和M2M业务的海量传输带来的资源分配压力。仿真结果表明,由于引入一种惩罚机制,提出的方法能够有效地消除构建过程中的贡献过度和"搭便车"问题,同时能够明显地提升网络容量,可同时解决M2M业务的海量接入和H2H业务的QoS保障问题。
【文章来源】：南京邮电大学学报(自然科学版). 2020,40(02)北大核心
【文章页数】：8 页
【图文】：
参数α i C 对不同算法的性能影响
在异构无线环境中存在N个无线接入网络,如图1所示,其中每个无线接入网络包含一个SP和多个末端接入节点,包括HTC用户、MTC网关节点以及MTC设备。本文主要考虑HTC用户和MTC设备的上行通信。由于单个无线接入网的资源受限,因此考虑每个SP提供部分无线资源(本文主要考虑频谱资源)构成一个虚拟公共网络,利用公共网络来应对海量节点的接入需求,将该虚拟网络称为异构云无线接入网络,简称异构云。由于异构云都是异构资源,这就要求每个接入网的使用者必须是多模终端。然而目前绝大多数MTC设备尺寸和功能受限,无法支持多种模式传输。因此针对MTC设备接入异构云时,可采用分层架构,即MTC设备必须利用MTC网关节点转发,才能通过SP与远端服务器进行通信。对于HTC用户,由于其功能强大,可直接通过SP接入到核心网。这里假设MTC设备采用蓝牙、ZigBee和WiFi等低功耗的方式与MTC网关节点通信。注意每个参与构建异构云的SP才能免费使用其中无线资源。N={1,2,…,N}表示异构网络中所有SP的集合,Di={1,2,…,Di}表示属于SPi的所有MTC网关节点集合,Hi={1,2,…,Hi}表示属于SPi的所有HTC节点集合,Bi表示SPi(?i∈N)的带宽。考虑到M2M业务的特点,H2H通信的QoS保障以及H2H和M2M两类业务之间的干扰消除这三个方面的因素,每个SP可利用异构云传输M2M业务,然后利用自己剩余的无线资源来保证H2H通信。由于M2M很多业务的随机性,所以并不是所有SP都会同时使用异构云;同时M2M业务的数据包很小但数量很多,这就导致了每个SP占用异构云无线接入网络资源的时间很短。假设这种公共网络[1]资源很多,这就导致了每个SP在某段短时间内需要较多的无线资源来支持这种M2M随机突发业务,而异构云恰好能够满足;最后,这种异构云由于资源的异构性,可考虑资源在空间上复用,提升网络资源利用率。正是基于以上三点原因,本文设计利用异构云传输M2M业务,降低网络拥塞,保证两类通信的性能。
图2描述了BRRAI算法在不同参数下的收敛性能。其中,该图的仿真参数设置如下:10个SP所拥有的频谱资源按照下标顺序分别设置为{5,6,7,8,9,10,11,12,13,14}MHz,10个SP的平均信噪比 γ ˉ i 按照下标顺序分别设置为{10,11,12,13,14,15,16,17,18,19}dB。从图2中可以看出,BRRAI算法的收敛速度非常快(迭代次数不超过2次)。这是因为BRRAI算法通过反馈获得了全网信息,能够加速算法的求解速度。进一步说明集中控制算法适用于动态变化的网络。同时,BRRAI算法的收敛性能不会受到参数α i C 和λi改变的影响。表1给出了不同参数下各个SP对异构云的频谱贡献量。仿真参数设置如下:10个SP所拥有的频谱资源按照下标顺序分别为{5,6,7,8,9,10,11,12,13,14}MHz,10个SP的平均信噪比按照下标顺序分别为{10,11,12,13,14,15,16,17,18,19}dB。从表1中可以看出,本文设计的惩罚机制能够有效地消除“搭便车”现象,并且能通过调节参数α i C 和λi来控制每个SP的贡献量。此外,从结果还可看出,λi越大越能刺激SP贡献频谱资源,同时每个SP的贡献量还与平均信噪比有关,平均信噪比高的SP,其贡献量也越大。这是因为每个SP的收益函数式(3)与频谱复用度λi以及平均接收信噪比正相关,λi越大,越能激励SP贡献更多的频谱。
【参考文献】：
期刊论文
[1]面向物联网的无线传感器网络综述[J]. 钱志鸿,王义君. 电子与信息学报. 2013(01)
本文编号：3423812
【文章来源】：南京邮电大学学报(自然科学版). 2020,40(02)北大核心
【文章页数】：8 页
【图文】：
参数α i C 对不同算法的性能影响
在异构无线环境中存在N个无线接入网络,如图1所示,其中每个无线接入网络包含一个SP和多个末端接入节点,包括HTC用户、MTC网关节点以及MTC设备。本文主要考虑HTC用户和MTC设备的上行通信。由于单个无线接入网的资源受限,因此考虑每个SP提供部分无线资源(本文主要考虑频谱资源)构成一个虚拟公共网络,利用公共网络来应对海量节点的接入需求,将该虚拟网络称为异构云无线接入网络,简称异构云。由于异构云都是异构资源,这就要求每个接入网的使用者必须是多模终端。然而目前绝大多数MTC设备尺寸和功能受限,无法支持多种模式传输。因此针对MTC设备接入异构云时,可采用分层架构,即MTC设备必须利用MTC网关节点转发,才能通过SP与远端服务器进行通信。对于HTC用户,由于其功能强大,可直接通过SP接入到核心网。这里假设MTC设备采用蓝牙、ZigBee和WiFi等低功耗的方式与MTC网关节点通信。注意每个参与构建异构云的SP才能免费使用其中无线资源。N={1,2,…,N}表示异构网络中所有SP的集合,Di={1,2,…,Di}表示属于SPi的所有MTC网关节点集合,Hi={1,2,…,Hi}表示属于SPi的所有HTC节点集合,Bi表示SPi(?i∈N)的带宽。考虑到M2M业务的特点,H2H通信的QoS保障以及H2H和M2M两类业务之间的干扰消除这三个方面的因素,每个SP可利用异构云传输M2M业务,然后利用自己剩余的无线资源来保证H2H通信。由于M2M很多业务的随机性,所以并不是所有SP都会同时使用异构云;同时M2M业务的数据包很小但数量很多,这就导致了每个SP占用异构云无线接入网络资源的时间很短。假设这种公共网络[1]资源很多,这就导致了每个SP在某段短时间内需要较多的无线资源来支持这种M2M随机突发业务,而异构云恰好能够满足;最后,这种异构云由于资源的异构性,可考虑资源在空间上复用,提升网络资源利用率。正是基于以上三点原因,本文设计利用异构云传输M2M业务,降低网络拥塞,保证两类通信的性能。
图2描述了BRRAI算法在不同参数下的收敛性能。其中,该图的仿真参数设置如下:10个SP所拥有的频谱资源按照下标顺序分别设置为{5,6,7,8,9,10,11,12,13,14}MHz,10个SP的平均信噪比 γ ˉ i 按照下标顺序分别设置为{10,11,12,13,14,15,16,17,18,19}dB。从图2中可以看出,BRRAI算法的收敛速度非常快(迭代次数不超过2次)。这是因为BRRAI算法通过反馈获得了全网信息,能够加速算法的求解速度。进一步说明集中控制算法适用于动态变化的网络。同时,BRRAI算法的收敛性能不会受到参数α i C 和λi改变的影响。表1给出了不同参数下各个SP对异构云的频谱贡献量。仿真参数设置如下:10个SP所拥有的频谱资源按照下标顺序分别为{5,6,7,8,9,10,11,12,13,14}MHz,10个SP的平均信噪比按照下标顺序分别为{10,11,12,13,14,15,16,17,18,19}dB。从表1中可以看出,本文设计的惩罚机制能够有效地消除“搭便车”现象,并且能通过调节参数α i C 和λi来控制每个SP的贡献量。此外,从结果还可看出,λi越大越能刺激SP贡献频谱资源,同时每个SP的贡献量还与平均信噪比有关,平均信噪比高的SP,其贡献量也越大。这是因为每个SP的收益函数式(3)与频谱复用度λi以及平均接收信噪比正相关,λi越大,越能激励SP贡献更多的频谱。
【参考文献】：
期刊论文
[1]面向物联网的无线传感器网络综述[J]. 钱志鸿,王义君. 电子与信息学报. 2013(01)
本文编号：3423812
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3423812.html
