那尔斯

(青海省广播电视信息网络股份有限公司， 青海 西宁 810001)

0 引言

作为计算机相关领域的主要组成部分，移动网络在我们的生活和工作中都发挥着重要的作用。网络通信节点在工作时具有一定的规律，会不停地进入、退出，直到脱离系统的管控。只有确保系统拥有良好的传输带宽和及时性，才能减少信号干扰，确保通信效果。当前对此方面抗干扰性的研究成果颇多，但是在某些方面都存在不足，限制了其应用性。本文针对此种情况，提出了应用节点属性感知优化和弱能量节点的方式来消除延迟，优化节点传输快速性，提升系统的抗干扰性。

1 网络通信原理分析

网络通信由不同的应用部件构成，用户可以通过ADSL、4G、WLAN等多种渠道进入网络通信系统，因使用用户众多，存在的差异性较大，因此往往采取分层方法对数据进行处理。由于各渠道之间缺乏兼容性，因此在其进行运算时会产生一定的干扰效果，其原理如下[1]。

如果我们将网络通信的信号集合设定为D，其式为D2p={Dm,m=1,2,…,p},网络通信信号的强度计算式,如式(1)。

(1)

检验密度公式,如式(2)。

(2)

式中，Bp表示通信信号完成传输工作时应用的总时间；r表示信号微分变换的数据，其误差计算式,如式(3)。

(3)

通过上述三式，我们可以计算出通信信号的对应比率,如式(4)。

(4)

利用下方计算式，可以创建出完善的移动网络通信模型，以此来提升通信信号的传递效率，如式(5)。

J(b)=V2-∑m,n∂l∂np(bm,bm)+

2∑mxlp(bm,b)-p(b,b)

(5)

借助上述方法，可以确保移动网络通信信号在良好的环境下进行传输，以此来完成移动网络通信。但是受小区制结构的影响，当同频复用系统发生增长后，会产生更大的干扰效果，会直接影响通信质量。

2 网络通信节点传输原理

若想完成网络通信的延迟消除工作，首先需要掌握网络通信所能负载的最大值和消耗的能量值，根据剩余能量值构建延迟消除模型，并给出适应度函数当做参考数据，以此数据为目标，进行延迟消除工作。

利用Etx(l,d)=l×Eelec+l×eamp×d2计算传递信息产生的能量损耗。

利用ERx(l)=l×Eelec计算接受信息产生的能量损耗。

(6)

f1数值的大小与所剩能量成正比。受网络数据流量大的影响，用户在进行网络通信时会受到干扰，出现随机延迟现象，只有消除延迟才能提升通信节点的传输速度，提高通信质量，因此利用属性自学习和利用弱能量节点来减少干扰是目前广泛应用的方法。

3 节点属性自学习法

3.1 节点属性分类提取

从节点的特征和概率理论入手，对概率体制进行深度分析。将节点数据特征设定为X，因其自身拥有多个特征项，单项数据分别为X1，X2，…，Xn，因这些单项数据之间无相关性，在进行计算时可以通过删除特征项之间的关联项的方式来获取更加简化的概率模型。假如n个类型的节点数据分布状况用g1，g2，…，gn来表示。任意选取两个网络通信渠道，假设为Xp和Xq，二者无关联性，可独立工作互不打扰。在X1，X2，…，Xn，中随意选取两个都可以确保二者相互独立，因此可以得出条件概率式,如式(7)。

H(X1=x1,X2=x2,…,Xq=xq/dj)=

(7)

①节点数据k按属性来划分应该归属于sr类，当r=0时代表着数据之间存在冲突，当r=1时则代表节点数据有效，如式(8)。

(8)

②对数据进行分割，通过计算可以得出后验概率的最大值,如式(9)。

(9)

应用上述计算式的条件是各特征项之间不存在联系，可以独立运行，互不干扰，若在校验过程中发现冲突节点,则要及时进行划分，计算出节点准确的有效值，确保网络通信节点运行的稳定性[4-5]。

3.2 抗干扰过程分析

提升网络通信节点的抗干扰性是一个需要不断求精的过程，运用的迭代算法具有循环性，通过适当的调整为节点找到合适的位置。为了确保抗干扰过程顺利进行，首先需要设定一个节点区间，将上一小节中计算出的节点分割结果输入到Gossip反馈机制当中，确保各节点独自掌握自身信息，不受其他节点打扰。

抗干扰测试开始后，节点首先会证明自身所处位置，证明其具备独立性后会采集相邻节点的位置信息，运用最小二乘法计算距离值，通过计算结果判断节点间是否可以完成相互通信。一般条件下，在经过大量的测算后，各个节点间的实际间隔距离误差值会越来越小，当误差值在合格范围内时，系统会自动停止求精运算。需要注意的是，若是三维空间中的节点数量超过4个，对应的方程组就会具备超定性，此时运用最小二乘法可以有效地缩小计算误差，虽然部分节点仍会对网络通信造成干扰，但是从理论上来讲，误差值会朝着逐渐变小的方向发展。

因为干扰具备必然性，根据其产生干扰的原因将其划分为几种类型：①通信节点所处的位置坐标具有干扰性。②因通信技术不够完善而产生的检验干扰。③在运算过程中产生的信号干扰。因产生干扰的原因各不相同，因此需要做出适当的调整，调整函数式,如式(10)。

Δf(x)=∑qij(lij-dij)k(i/j)

(10)

式中，Lij表示节点i、j之间的相隔距离；dij表示节点i、j之间发生同频干扰位置的相隔距离；k(i/j)表示指条件概率值。我们假设Q(X)为高斯分布函数的均值，D(X)为方差，如式(11)。

(11)

第j个节点的概率密度,如式(12)。

(12)

(13)

(14)

(15)

式中，Qrr表示所有相邻节点之间的均衡系数；p表示数量，网络通信节点受干扰的强度与测量距离成正比，因此当通信半径距离不同时得到的Qrr数值也会发生明显变化[6-7]。

4 延迟消除法

4.1 能量计算模型

若想顺利地在网络通信中开展延迟消除工作，必须掌握进行网络通信时所产生的总能量损耗、各节点能量损耗等多项参数数据，并通过引入惩罚值的方法来重新规划各通信节点的工作顺序。计算OE(总能量损耗)，CE(各节点能量损耗)和BCP(电池惩罚值)的运算式,如式(16)、式(17)。

(16)

(17)

式中，nls,nhs,nch表示不同网络通信条件下对应的能量值。当所处网络通信环境有所差异时，各节点之间可以互换工作内容，以此来快速地完成任务，需要注意的是，一个节点不可过多的进行内容互换，确保能量损耗值控制在一定范围内。同时还可以借助引入惩罚值的方式来重新排列各个网络通信节点的工作顺序，确保其以最好的条件开展工作，如式(18)、式(19)。

(18)

(19)

从式中我们可以得知，第i个网络通信节点在进行调整时参照的是原有的t-1节点的运行状况，并最终得到BCi，BCP[t]指的是网络通信节点t的能量抑制值，ngrid指的是整个网络通信系统中可以正常运行和使用的节点数。当BCi的计算数值处于0-1之间时，证明网络通信节点的能量损耗值在正常范围内，处于正常使用状态[8-9]。

4.2 计算网络通信节点的跳变距离

在计算出各个网络通信节点之间的跳变距离后，将数据进行分类并传送至通信网络之中，然后利用三边测量最大似然法对未能接受到数据信息的网络通信节点进行标记，并对其进行计算，其运算过程由三个部分构成。

(1) 首先利用下式计算各网络通信节点之间的平均跳变距离，如式(20)。

Distancei=Hopsi×Hopsizei

(20)

(2) 将计算出的平均跳变距离分批传送至网络通信系统中，未接受到信息的网络通信节点只需转发第一次收到的每跳平均距离即可。

(3) 将各个网络通信节点所接收到的信息进行整合，利用三边测量最大似然法对未接收到数据的网络通信节点进行位置抓取，完成通信节点距离的测算。

4.3 网络簇间交互通信

以前文计算出的各网络通信节点的距离为参考数据，计算出在进行网络通信时所需要消耗的具体能量值和网络通信节点与目标簇首二者的间隔距离，构建网络通信衰退矩阵，得到多渠道网络通信传输函数，以此为参考，对网络通信进行延迟消除，提升抗干扰性。

假设每个网络通信节点都配备了全向天线且清楚地掌握自身所在的位置坐标，我们将通信渠道设定为瑞利通道，进行网络通信所消耗的能量可以通过下式进行计算,如式(21)。

(21)

各个网络通信节点在进行信息交互时，将交互节点值设定为m-1，参考链路负载的相关性，其发射能量的测算,如式(22)。

(22)

在进行网络通信时，需要构建一个供信息传递的衰退矩阵，其自身应该具备可独立运行的高斯随机变量，如式(23)。

H=[h1,h2,…,hm]

(23)

在该序列式中，所有元素的方差值都是1。当m=1时，H=[h1]，其余数值以此类推进行计算，如果在网络通信过程中出现了两个或多个天线功率相同的情况，那么需要计算信噪比，如式(24)。

(24)

根据Chernoff边界定理为参考依据，随误符号率进行计算，如式(25)。

(25)

(26)

(27)

计算结束后，取阈值当中的最大值当做计算参数，可以计算出网络通信时产生的平均发射能量值,如式(28)。

(28)

如果初始通信节点与目标通信节点之间相隔较远，在理论上来讲，各网络通信节点间的距离可视为相等，可以表示为εdcjB≈dabo，如式(29)。

(29)

当网络通信节点之间进行信息传递时，收发端都会产生能量损耗，我们用Ec来表示，如式(30)。

Ec(m)=mEct+Ecr

(30)

结合上述公式，我们可以计算出网络通信节点相互之间进行通信时所需要的总体能量值,如式(31)。

(31)

在计算出最大能耗值后，可以在网络通信中选择最优路径进行信息传递和延迟消除，以此来提升通信节点的抗干扰性，确保通信正常进行。

5 实验结果与分析和评价指标

本文应用节点属性自学习法和延迟消除法来提升网络通信节点的抗干扰性，需要进行适当的仿真实验来判断其是否具备可行性。在本次仿真实验中，我们设计了7个信号干扰源，划定了5个干扰区域，网络通信节点的综合可以达到1 000个以上。在移动终端的选择上，我们选择日常生活中应用较为频繁的手机和可通信终端这两种设备。由于在进行数据调度算法时，数据往往具备随机性，因此选择了VRN算法来适当地解决这一问题，对比传统抗干扰方法Kademlia、AKademlia和本文提到的抗干扰方法优化后的网络通信状况，开始进行实验，实验结果，如表1所示。

表1 三种实验方法抗干扰性统计表

从表1中我们可以看出，除了在极少时段,传统的Kademlia、AKademlia的抗干扰效果会略高于本文所应用的延迟消除法和节点属性自学习法，本文所应用的抗干扰方法的效果都是远高于传统方法的，其数值可稳定控制在0.8左右，证明其对动态环境适应能力较强，抗干扰效果好，可以确保网络通信质量，可以进行广泛地推广和使用[10]。

6 总结

本文采用了节点属性自学习和延迟消除两种方法来加强网络通信系统的抗干扰性，可以对受到干扰的节点的状态和所处位置进行适当地调整和分析，创建动态推理区间，采用Gossip程序来进行信息采取，有效解决相邻同频段节点之间互相干扰的问题。还可以一定程度上优化各通信节点间的数据传输速度，提升通信质量，带给用户更好的体验。并于文章的最后进行了仿真实验，通过实验结果我们也验证了这两种抗干扰方法拥有良好的使用效果，可以优化网络通信环境，具有可实施性和可操作性。