多接口多信道无线Mesh网络关键技术研究

发布时间：2017-04-03 22:04

  本文关键词：多接口多信道无线Mesh网络关键技术研究，，由笔耕文化传播整理发布。

【摘要】：无线网状网(Wiereless Mesh Network,WMN)作为一种新型的自组织和自管理无线架构多跳接入网,是宽带无线接入“最后一公里”问题的解决方案。多接口多信道(Multi-radio multi-channel,MRMC)WMN有效克服了单信道WMN的干扰大、网络性能差等诸多缺点,成为国内外无线网络研究的热点之一。国内外关于MRMC WMN的研究目前尚处于起步阶段,其中最优信道分配策略、最优路由协议和吞吐量预测还未见文献报道。本文以提高MRMC WMN吞吐量为目标,经理论分析明确了MRMC WMN需研究的关键技术,在Linux环境下利用NS2网络仿真工具构建了2种MRMC WMN模型,建立了LB-TS(Load Balance based on Tabu-search)和LB-GA(Load Balance based on Genetic Algorithm)信道分配算法,优选了适应2种MRMC WMN模型的路由协议,建立了基于支持向量回归(Support Vector Regression,SVR)的MRMC WMN吞吐量预测模型。本文分别从信道分配算法、路由协议性能分析和吞吐量预测3个方面对MRMC WMN的关键技术进行了研究。本文的主要工作和结果如下:(1)探明了影响WMN吞吐量的制约因素。在分析WMN结构和特点的基础上,揭示了隐蔽终端问题、流内和流间干扰是制约WMN网络吞吐量的关键因素。(2)搭建了MRMC WMN仿真平台。通过比较,提出Ramon方案是网络仿真环境NS2中单接口WMN扩展为MRMC WMN的有效方案。利用Ramon方案,修改网络仿真工具NS2.33代码,使其支持MRMC WMN,建立6节点和13节点的MRMC WMN模型,MRMC WMN中每个Mesh节点配备2个接口卡,3条可用正交信道,为信道分配算法和路由协议性能分析搭建仿真平台。(3)提出了基于禁忌搜索算法的LB-TS算法和遗传算法的LB-GA算法,降低了信道之间的干扰。这2种信道分配算法通过估计每条链路上的流量负载,实现了信道流量的均衡分配,使信道分配后的链路带宽接近链路的流量需求,提高了MRMC WMN吞吐量,减少了信道间的干扰。在6节点MRMC WMN中,采用LB-TS算法和LB-GA算法比TS在介质访问控制层(Medium Access Control,MAC)层的吞吐量分别提高了22.06%和35.62%,在IP层的吞吐量分别提高了10.90%和19.41%。在13节点MRMC WMN中,采用LB-TS算法和LB-GA算法比TS在MAC层的吞吐量分别提高了14.66%和12.96%,在IP层的吞吐量分别提高了12.93%和21.10%。(4)优选了适合2种MRMC WMN的路由协议作为NS2.33仿真时默认加载的路由协议。在NS2中采用Ramon方案对DSR、AODV和OLSR 3种无线路由协议的核心代码进行修改,使其支持MRMC WMN。分析了6节点和13节点MRMC WMN中,路由协议在1-4跳之间和0 Mbps-77 Mbps之间负载变化时,LB-TS和LB-GA算法对4个路由协议性能指标的影响。试验结果表明,使用OLSR路由协议时的网络吞吐量较AODV和DSR分别提高了1.78%和3.25%,LB-TS和LB-GA算法分别对3种路由协议的4个性能指标的影响均无显著差异,表明LB-TS和LB-GA算法对3种无线路由协议的性能影响均无差异。因此,选取OLSR作为NS2运行时所加载的路由协议。(5)建立了基于SVR的MRMC WMN吞吐量预测模型。针对目前常有预测模型因建模样本少而带来预测精度低的问题,在分析SVR核函数的基础上,以径向基核函数(Radial Basis Function,RBF)作为MRMC WMN吞吐量预测模型的核函数,在NS2中建立6种MRMC WMN,在MAC层使用LB-GA信道分配算法,在网络层加载OLSR路由协议。对NS2.33的仿真结果进行数据采集,确定影响MRMC WMN吞吐量的关键因子,建立样本集和测试集。分别采用网格搜索-10折交叉验证法和遗传算法对RBF核函数参数进行优化,选择2种优化结果中均方误差(Mean Square Error,MSE)值较小的参数值,建立基于SVR的MRMC WMN的吞吐量预测模型。(6)对基于SVR的MRMC WMN预测模型的预测精确度进行了评估。利用NS2.33采集的数据集建立EWMA预测模型和BP神经网络预测模型,对MRMC WMN吞吐量进行预测,并与基于SVR的MRMC WMN的吞吐量预测结果进行比较。实验结果表明,基于SVR的MRMC WMN预测结果比BP神经网络和EWMA模型的预测精度分别提高了4.90%和36.26%。以上结果为减少MRMC WMN干扰、减低网络拥塞和提高吞吐量预测精度提供了技术支持,突破了限制MRMC WMN应用的瓶颈,而且为将机器学习和优化理论用于MRMC WMN的网络信道分配和吞吐量预测领域提供了借鉴。
【关键词】：无线Mesh网络 信道分配 路由协议 吞吐量 预测模型
【学位授予单位】：西北农林科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN929.5
【目录】：

• 中文摘要5-7
• abstract7-14
• 第一章 绪论14-29
• 1.1 研究背景14-16
• 1.2 国内外研究现状16-23
• 1.2.1 信道分配方法研究现状17-19
• 1.2.2 路由协议研究现状19-20
• 1.2.3 吞吐量预测研究现状20-23
• 1.2.4 拟解决的关键问题23
• 1.3 研究内容23-24
• 1.4 技术路线及研究方案24-27
• 1.4.1 研究方法24-25
• 1.4.2 技术路线25-26
• 1.4.3 研究方案26-27
• 1.5 论文组织结构27-29
• 第二章多接.多信道无线Mesh网络概述29-46
• 2.1 WMN基本架构29-33
• 2.1.1 WMN特点29-30
• 2.1.2 WMN体系结构30-32
• 2.1.3 WMN流量模式32
• 2.1.4 WMN吞吐量32-33
• 2.2 信道分配关键技术33-34
• 2.2.1 多接.多信道WMN33
• 2.2.2 隐蔽终端问题33-34
• 2.2.3 干扰问题34
• 2.3 路由协议性能研究34-36
• 2.3.1 路由协议多信道扩展35
• 2.3.2 路由度量35
• 2.3.3 性能分析指标35-36
• 2.4 吞吐量预测关键技术36-37
• 2.4.1 数据来源36
• 2.4.2 影响因子36
• 2.4.3 预测模型36-37
• 2.4.4 预测评价37
• 2.5 多接.多信道WMN仿真平台37-44
• 2.5.1 网络仿真工具37-38
• 2.5.2 NS2网络仿真工具38
• 2.5.3 NS2网络组件38-39
• 2.5.4 IEEE 802.11实现39-41
• 2.5.5 MAC层多接.的实现41-44
• 2.5.6 NS2的运行环境44
• 2.6 本章小结44-46
• 第三章 多接.多信道无线Mesh网络信道分配算法研究46-70
• 3.1 IEEE 802.11体系结构46-48
• 3.1.1 IEEE 802.11b47
• 3.1.2 IEEE 802.11g47-48
• 3.2 CSMA/CA协议48
• 3.3 多信道MAC协议48-49
• 3.4 信道分配算法49
• 3.5 信道分配模型49-56
• 3.5.1 假设50
• 3.5.2 物理模型50
• 3.5.3 网络模型50-51
• 3.5.4 协议模型51
• 3.5.5 干扰模型51-53
• 3.5.6 网络冲突模型53-55
• 3.5.7 网络负载模型55-56
• 3.6 信道分配算法56-59
• 3.6.1 基于禁忌搜索的信道分配算法56-58
• 3.6.2 基于遗传算法的信道分配算法58-59
• 3.7 实验方案59-65
• 3.7.1 实验条件59-61
• 3.7.2 实验对象61-62
• 3.7.3 流量模式62-63
• 3.7.4 信道分配63-64
• 3.7.5 仿真场景64
• 3.7.6 数据采集64
• 3.7.7 数据处理64-65
• 3.8 实验结果及分析65-69
• 3.8.1 6节点MRMC WMN吞吐量65-67
• 3.8.2 13节点MRMC WMN吞吐量67-69
• 3.8.3 性能分析69
• 3.9 本章小结69-70
• 第四章 多接.多信道无线Mesh网络路由协议性能分析70-89
• 4.1 MRMC WMN路由协议特点70-71
• 4.2 常用无线网络路由协议性能比较71-74
• 4.2.1 常用无线路由协议71-72
• 4.2.2 性能比较72-73
• 4.2.3 代码修改73-74
• 4.3 路由协议性能评价指标74-75
• 4.3.1 路由开销74
• 4.3.2 数据包投递率74-75
• 4.3.3 端到端传输延迟75
• 4.3.4 吞吐量75
• 4.4 实验方案75-78
• 4.5 实验结果及分析78-88
• 4.6 本章小结88-89
• 第五章 多接.多信道无线Mesh网络吞吐量预测方法研究89-113
• 5.1 吞吐量预测研究方法89-90
• 5.2 支持向量回归机SVR90-98
• 5.2.1 SVM工作原理91-96
• 5.2.2 SVR工作原理96-97
• 5.2.3 SVR核函数97-98
• 5.3 构建基于SVR的WMN吞吐量预测模型98-106
• 5.3.1 实验方案98-102
• 5.3.2 核函数参数选取102-105
• 5.3.3 建立预测模型105-106
• 5.3.4 评估预测精度106
• 5.4 EWMA预测模型106
• 5.5 BP神经网络预测模型106-107
• 5.6 实验结果及分析107-112
• 5.6.1 预测结果107-109
• 5.6.2 预测精度分析109-112
• 5.6.3 预测方法评价112
• 5.7 本章小结112-113
• 第六章 结论与展望113-116
• 6.1 结论113-114
• 6.2 创新点114
• 6.3 展望114-116
• 参考文献116-125
• 致谢125-126
• 作者简介126

【参考文献】

中国期刊全文数据库 前8条

1 李明迅;孟相如;温祥西;袁荣坤;;基于在线LS-SVM的网络流量预测[J];电视技术;2012年07期

2 李开红;邹冬超;陈宝仁;;宽带无线Mesh在输电线路在线监测的应用研究[J];电力信息与通信技术;2014年01期

3 冯兴杰,魏新,黄亚楼;基于支持向量回归的旅客吞吐量预测研究[J];计算机工程;2005年14期

4 王艳春;何东健;王守志;;基于级联神经网络的蛋白质二级结构预测[J];计算机工程;2010年04期

5 符琦;陈志刚;蒋云霞;;集中式无线Mesh网络信道分配策略研究[J];计算机应用研究;2012年08期

6 霍燕斌;杭成宝;;无线Mesh技术在神华胜利露天矿GPS智能调度系统的应用[J];露天采矿技术;2013年11期

7 王铮;黎放;彭若虹;董鹏;;预测模型精度的评价[J];统计与决策;2008年09期

8 张海亮;何东健;吴建华;;基于改进BP网络模型的洪水预报研究[J];西北农林科技大学学报(自然科学版);2006年05期

中国硕士学位论文全文数据库 前1条

1 李祥;基于机器学习的性能预测方法[D];浙江大学;2010年

  本文关键词：多接口多信道无线Mesh网络关键技术研究，由笔耕文化传播整理发布。

本文编号：285030