86、认知无线电网络与无线Mesh网络的优化策略

认知无线电网络与无线Mesh网络的优化策略

1. 认知无线电网络中的最优信道感知

在认知无线电网络里，信道感知是一个关键问题，尤其是在多个次级用户尝试接入信道的场景下。这里主要探讨了单一次级链路和多个次级链路的最优信道感知情况。

1.1 单一次级链路

当网络中只有单一次级链路时，总速率的计算是一个特殊情况。总速率公式为：
[R_{sum}(\alpha, \gamma) = C_s(1 - \alpha)(1 - \gamma) + C_p\gamma\beta(\alpha)]
这里，由于只有一个次级用户，所以省略了下标 (i)。在 p - ALOHA 中，无论信道感知的工作点如何，当 (N = 1) 时，使总速率最大化的最优接入概率 (p) 为 (1/N = 1)。

关于最优工作点和最优总速率，有以下特性：
- 对于任意 (\gamma \in (0, 1))，当信道传感器的 ROC 曲线为凹函数时，存在一个最优工作点 (\alpha_{opt}(\gamma))。并且，随着主用户活动因子 (\gamma) 的增加，(\alpha_{opt}(\gamma)) 是非递减的。在严格凹的情况下，(\alpha_{opt}(\gamma)) 单调递增，且最优值唯一。
- 最优总速率 (R_{opt - sum}(\gamma))（针对每个 (\gamma) 对 (\alpha) 进行优化）对于任何类型的 ROC 曲线都是关于 (\gamma) 的凸函数。

为了研究由于不完美感知导致的总速率损失，定义速率损失为：
[L(\gamma) = \frac{R_{perf}(\gamma) - R_{opt - sum}(\gamma)}{R_{perf}(\gamma)}]
其中，(R_{perf}(\gamma)) 表示完美感知时的总速率，即 (\alpha_i = 0) 且 (\beta(\alpha_i) = 1)。研究表明，速率损失可能大于 1/2，并且考虑噪声方差和信道增益的不确定性时，总速率损失不大于 1/2。

1.2 多个次级链路

假设次级链路质量按顺序排列，即 (C_{s1} \geq C_{s2} \geq \cdots \geq C_{sN})，且所有次级发射机的感知 SNR 值相同。

• 轮询调度 ：总速率由上述单一次级链路的公式给出。为了使主用户成功传输，所有次级用户都应正确检测。对于固定的 (\gamma)，使 (R_{s, rr}) 最大化的虚警概率满足：
• 若 (C_{s1} \geq C_{s2} \geq \cdots \geq C_{sN})，则 (\alpha_{rr, 1}^{opt} \leq \alpha_{rr, 2}^{opt} \leq \cdots \leq \alpha_{rr, N}^{opt})。
• 并且有 (\frac{f’(\alpha_{rr, i}^{opt})}{f’(\alpha_{rr, i + 1}^{opt})} = \frac{C_{s, i + 1}}{C_{s, i}})，其中 (f(\alpha) = \log(\beta(\alpha)))。
• 分散 p - ALOHA 方案 ：总速率公式为：
  [R_{s, al} = \sum_{i = 1}^{N} C_{s, i}(1 - \alpha_i)(1 - \gamma) + \prod_{i = 1}^{N} p(1 - \alpha_i)\gamma\beta(\alpha_i)]
  最优接入概率 (p_{opt} = 1/N)，通过对 (R_{s, al}) 关于 (p) 求最大值得到。在这个最优接入概率下，最优虚警概率 (\alpha_{al, i}^{opt}) 通过求解 (\frac{\partial R_{s, al}}{\partial \alpha_i} = 0) 得到：
  [\frac{1}{N - 1}\prod_{j \neq i}(1 - \alpha_j)\gamma\beta’(\alpha_i) = \frac{C_{s, i}}{C_p}(1 - \gamma)]

比较两种方案的虚警概率，有以下结论：在相同的主、次级链路容量和主用户活动因子下，轮询调度的最优虚警概率低于 p - ALOHA 方案。这是因为在分散方案中，每个时隙有更多的次级用户尝试接入信道，通过增加虚警率来减轻次级用户之间的冲突，以获得更高的总速率。

以下是不同方案的一些特性对比表格：
| 方案 | 最优接入概率 | 最优虚警概率特性 | 总速率 |
| ---- | ---- | ---- | ---- |
| 轮询调度 | - | 链路质量好的用户虚警概率低 | (R_{s, rr}) |
| p - ALOHA 方案 | (p_{opt} = 1/N) | 链路质量好的用户虚警概率低，整体虚警概率高于轮询调度 | (R_{s, al}) |

2. 无线Mesh网络中H.264视频的传输优化

无线Mesh网络（WMNs）由于其快速配置和低成本的特点，在多媒体传输领域得到了广泛关注。然而，由于其动态特性，保证H.264视频流的QoS是一个挑战。这里提出了一种基于IEEE 802.11e MAC策略的自适应跨层映射方案，即MDCA（Mesh Distributed Channel Access）MAC策略。

2.1 自适应跨层映射方案分析

MDCA根据视频编码的重要性支持不同优先级的AC队列，因此编码后的H.264数据也相应分配。当映射方案是静态且非自适应时，即使网络负载较轻，映射到低优先级AC（如AC[1]和AC[0]）的视频数据也可能导致数据包丢失和不必要的传输延迟。

为了避免这种情况，提出了一种自适应映射算法。该算法根据视频类型的重要性和当前网络流量负载，动态地将视频数据分配到最合适的AC队列，以保证MAC层的QoS指标和视频的视觉质量。

在802.11e MAC层，重要的视频数据（I - slice）被分配到高优先级的AC队列，并为不同的视频切片类型定义了不同的映射概率 (P(Type))。不太重要的视频切片类型将被分配更大的 (P(Type))。对于H.264编解码器，三种视频切片类型的向下映射概率关系为 (P(B) > P(P) > P(I))，且这些概率在0到1之间。

为了预测性地避免即将到来的拥塞，定义了两个参数：(Threshold_{low}) 和 (Threshold_{high})。新的向下映射概率 (P(New)) 的计算公式为：
[P(New) = P(Type) \times \frac{Qlen_{AC[2]} - Threshold_{low}}{Threshold_{high} - Threshold_{low}}]
其中，(Qlen_{AC[2]}) 是AC[2]队列的长度。(P(New)) 的值越高，数据包被映射到低优先级队列的机会就越大。

以下是自适应跨层映射算法的伪代码：

当视频数据切片到达时：
    如果 (Qlen_AC[2] < Threshold_low)
        视频数据包 → AC[2];
    否则如果 (Qlen_AC[2] < Threshold_high) {
        P(New) = P(Type) × (Qlen_AC[2] - Threshold_low) / (Threshold_high - Threshold_low);
        RN = 从均匀分布函数 (0.0, 1.0) 生成的随机数;
        如果 (RN > P(New))
            视频切片 → AC[2];
        否则
            视频切片 → AC[1];
    }
    否则如果 (Qlen_AC[2] > Threshold_high) {
        如果 (RN > P(Type)) {
            视频切片 → AC[1];
        否则
            视频切片 → AC[0];
    }

2.2 GEDSR模型用于自适应FEC

为了表征和估计视频流的依赖性和敏感性，采用了GEDSR（GOP - level Estimation Decodable Slice Rate）模型。GEDSR定义为可解码切片率的分数，即：
[GEDSR = \frac{N_{dec}}{N_I + N_P + N_B}]
其中，(N_{dec}) 是 (N_{I - slice - dec})、(N_{P - slice - dec}) 和 (N_{B - slice - dec}) 的总和。GEDSR值越大，接收端接收到的视频质量越好。

I - slice可解码的概率为：
[P(I) = (1 - \xi_I)^{Avg_{packet}^I}]
(N_{I - slide - dec} = P(I) \times N_{GOPi})
P - slice可解码的概率为：
[P(P_{N_p}) = (1 - \xi_I)^{Avg_{packet}^I}(1 - \xi_P)^{Avg_{packet}^P * N_p}]
整个视频的可解码P - slices的预期数量为：
[N_{P - slice - dec} = P(I) \times \sum_{j = 1}^{N_p}(1 - \xi_P)^{j \times Avg_{packet}^P} \times N_{GOPi}]

通过结合信道状态估计（CSE）信息和GEDSR模型，可以设计自适应FEC，使 (N_{dec}) 达到更高的值，从而提高GEDSR参数和接收视频的质量。自适应FEC的数量根据当前重试时间进行调整，具体伪代码如下：

如果 (retry < queue_low_threshold_of_retry)
    FEC_no（冗余FEC的数量） = 0;
否则如果 (retry < queue_high_threshold_of_retry)
    FEC_no = FEC_no × α（自适应因子）;
否则
    FEC_no = FEC_no;

通过以上的自适应跨层映射和自适应FEC方案，可以有效提高无线Mesh网络中H.264视频传输的QoS。

以下是自适应跨层映射方案的流程 mermaid 图：

graph TD;
    A[视频数据切片到达] --> B{Qlen_AC[2] < Threshold_low};
    B -- 是 --> C[视频数据包 → AC[2]];
    B -- 否 --> D{Qlen_AC[2] < Threshold_high};
    D -- 是 --> E[计算P(New)];
    E --> F[生成随机数RN];
    F --> G{RN > P(New)};
    G -- 是 --> H[视频切片 → AC[2]];
    G -- 否 --> I[视频切片 → AC[1]];
    D -- 否 --> J{RN > P(Type)};
    J -- 是 --> K[视频切片 → AC[1]];
    J -- 否 --> L[视频切片 → AC[0]];

3. 实验结果

为了验证上述方案的有效性，进行了仿真实验，比较了静态跨层和自适应跨层映射算法在无线Mesh网络中视频流传输的性能。

实验采用混合网格模式仿真拓扑，包含14个移动站，其中有4个网格客户端、4个传统客户端和6个网格点。比特率为1Mbps，一些系统参数基于802.11b标准的物理层参数。为了更接近实际网络设置，采用了瑞利衰落统计信道和有限状态马尔可夫链信道模型。

实验结果如下：
- 吞吐量 ：静态和自适应跨层机制在吞吐量提升方面表现相似。
- 丢包率 ：自适应跨层算法由于具有完整的CSE信息反馈和更高的可解码切片总数，优于静态跨层方案。
- 延迟 ：静态跨层机制在平均延迟性能上优于自适应跨层方案。这是因为自适应跨层方案需要额外的时间来处理反馈信息，但延迟仍在可接受范围内。

此外，还对静态跨层和自适应跨层映射方案的H.264视频传输的主观质量进行了评估。结果表明，自适应方案的整体主观质量明显优于静态方案。

综上所述，无论是认知无线电网络中的最优信道感知，还是无线Mesh网络中H.264视频传输的优化方案，都通过合理的设计和算法实现了性能的提升。在实际应用中，可以根据具体的网络场景和需求选择合适的方案。

认知无线电网络与无线Mesh网络的优化策略

4. 认知无线电网络优化总结

认知无线电网络中，针对单一次级链路和多个次级链路的最优信道感知问题，我们进行了详细的研究和分析。以下是对这两种情况的总结：
- 单一次级链路 ：
- 总速率计算有特定公式，最优接入概率在 (N = 1) 时为 (1/N = 1)。
- 当信道传感器的 ROC 曲线为凹函数时，存在最优工作点，且随着主用户活动因子增加，最优工作点非递减。
- 最优总速率是关于主用户活动因子的凸函数。
- 速率损失可能大于 1/2，但考虑噪声方差和信道增益不确定性时，总速率损失不大于 1/2。
- 多个次级链路 ：
- 轮询调度 ：链路质量好的次级用户虚警概率低，通过特定公式确定虚警概率关系。
- 分散 p - ALOHA 方案 ：最优接入概率为 (1/N)，链路质量好的用户虚警概率低，但整体虚警概率高于轮询调度。

下面是一个 mermaid 格式的流程图，展示认知无线电网络中不同方案的选择流程：

graph TD;
    A[认知无线电网络场景] --> B{是否为单一次级链路};
    B -- 是 --> C[按单一次级链路计算总速率和最优参数];
    B -- 否 --> D{采用何种调度方案};
    D -- 轮询调度 --> E[按轮询调度计算虚警概率等参数];
    D -- 分散 p - ALOHA 方案 --> F[按分散 p - ALOHA 方案计算接入概率和虚警概率];

5. 无线Mesh网络优化总结

在无线Mesh网络中，为了保证 H.264 视频传输的 QoS，提出了自适应跨层映射和自适应 FEC 方案。以下是对这些方案的总结：
- 自适应跨层映射方案 ：
- 根据视频编码重要性和网络流量负载，动态分配视频数据到不同优先级的 AC 队列。
- 定义了映射概率 (P(Type)) 和新的向下映射概率 (P(New))，通过队列长度和阈值参数进行调整。
- 伪代码实现了根据队列长度和随机数判断视频数据的映射方向。
- 自适应 FEC 方案 ：
- 采用 GEDSR 模型表征和估计视频流的依赖性和敏感性。
- 根据信道状态估计和 GEDSR 模型，调整自适应 FEC 的数量，以提高可解码切片率和视频质量。

以下是一个表格，对比静态跨层和自适应跨层映射方案在无线Mesh网络中的性能：
| 方案 | 吞吐量 | 丢包率 | 延迟 | 主观质量 |
| ---- | ---- | ---- | ---- | ---- |
| 静态跨层映射方案 | 与自适应方案相似 | 高于自适应方案 | 低于自适应方案，但自适应方案延迟可接受 | 低于自适应方案 |
| 自适应跨层映射方案 | 与静态方案相似 | 低于静态方案 | 高于静态方案，但延迟可接受 | 高于静态方案 |

6. 综合分析与应用建议

综合认知无线电网络和无线Mesh网络的优化方案，我们可以根据不同的网络场景和需求，选择合适的方案。以下是一些应用建议：
- 认知无线电网络 ：
- 当网络中只有单一次级链路时，可直接采用单一次级链路的最优信道感知方案，确保总速率的最大化。
- 当有多个次级链路时，如果希望减少次级用户之间的冲突，提高主用户的成功传输概率，可以选择轮询调度方案；如果希望在一定程度上提高总速率，可考虑分散 p - ALOHA 方案。
- 无线Mesh网络 ：
- 如果对视频传输的丢包率和主观质量要求较高，且网络负载变化较大，建议采用自适应跨层映射和自适应 FEC 方案。
- 如果对延迟要求极为严格，且网络负载相对稳定，静态跨层映射方案可能更合适，但需注意其在丢包率和主观质量方面的不足。

综上所述，通过对认知无线电网络和无线Mesh网络的深入研究和优化，我们可以根据具体的网络条件和应用需求，灵活选择合适的方案，从而提高网络性能和视频传输质量。在未来的网络部署和优化中，这些方案将具有重要的参考价值。