毛忠阳, 张治霖, 刘锡国, 康家方

(1. 海军航空大学航空通信教研室, 山东 烟台 264001;2. 海军航空大学信号与信息处理山东省重点实验室, 山东 烟台 264001)

0 引 言

随着我国对海洋开发利用的进一步深入,海上通信的需求量急剧增加,海上军事和民用业务的拓展对海上异构通信网的构建提出了更高的需求,这就要求海上移动终端兼顾高移动性和高通信能力,如何实现高移动性终端在海上异构无线网络(marine heterogeneous wireless networks, MHWNs)中对动态变化环境的快速适应,完成实时通信任务,成为广大学者关注的热点问题和当前研究的主要方向。现阶段,一系列针对异构无线网络中网络选取的研究方案被提出。

一方面,在针对异构网络节点的移动性问题上,已有研究方案大多将节点运动方式设定为静止或缓慢移动。文献[1]提出了一种基于逼近于理想值的排序方法(technique for order preference by similarity to an ideal solution, TOPSIS)的异构网络多接入决策算法,该算法根据信号强度将网络划分成不同的候选子集,再根据子集中的网络负载、费用、吞吐量和能耗等指标对静止节点的网络选取进行综合考量。文献[4]提出了一种基于多目标决策的异构无线网络接入选择算法,该算法引入多目标决策算法,对缓慢移动节点接入范围内的网络指标主观权重和客观熵信息权重进行综合考虑,进而对网络完成最优选取。文献[5]提出了一种用于异构无线环境的新网络选择算法,该算法使用修改后的粒子群优化算法对参数的相对权重进行优化,并根据用户在可用网络之间的切换速率来衡量算法的性能。然而,上述文献对仿真节点运动方式的设定均是静止或缓慢移动,不能很好地模拟海上移动节点的现实运动情况。因此,对高移动性节点的网络选择进行研究,是进一步完善异构网络选择问题的关键。

另一方面,在异构网络属性动态变化的问题上,需要在波动多变的网络属性参数中,选取适合业务完成的机动站点对移动节点进行连接。针对该问题,文献[7]提出了一种改进TOPSIS的接入控制算法,该算法通过动态调整带宽资源的分配方式和连接数量,提高了通信的可靠性。针对终端运行多个业务流的场景,文献[8]利用序数偏好思想,对不同接入网络进行排序,消除了传统方法中的失序问题。然而,上述文献均存在仿真环境属性参数波动性较弱、主观权重始终恒定的问题。考虑到不同业务有不同的主观需求,其对于预设的用户偏好标准不能根据用户的需求和环境的波动而动态改变,这在一定程度上限制了业务完成率的进一步提升。因此,在面对网络属性和业务更替的动态调整时算法缺少智能性。

围绕异构网络多属性决策权重问题上,现有的算法普遍将多属性权重分成客观权重和主观权重进行处理。在客观权重方面,文献[9-10]采用熵权法和客观权重赋权法(criteria importance though intercrieria correlation, CRITIC)两种方式来计算各个属性的客观权重,并将二者综合起来,最后结合基于离差极小化的综合赋权法,得到每个属性的最终权重。文献[11]运用协同学原理分析细裂纹演化,给出了协同学的数学解释和验证结果,这为提高客观权重的理论选择提供了一种很好的方向。在主观权重方面,文献[10-12]引入传统层次分析(analytic hierarchy process, AHP)计算出网络选择问题的主观权重,AHP可以有效地将多属性问题分解成多个底层因素,具有简洁实用、系统性强等优点,有效地满足了主观意图对权重的要求。但传统AHP不能为决策提供新的方案,特别是面对基于任务驱动的多属性决策问题上有着局限性。

因此,在剖析传统AHP权重特性的基础上,基于不同任务主观权重相互独立的特点,引入十级标度法,提出了动态AHP,将恒定主观权重设置转换为相互独立的实时主观权重设置,提高了算法面向服务的适应性。通过仿真发现相对于基于传统AHP、协同学和距离的算法和基于距离的算法,所提算法在移动节点海上基于任务驱动的场景下,提高了节点的任务完成率,提升了网络性能。

1 动态AHP和协同学原理算法

1.1 模型建立

用户对随时随地能够接入高质量的无线网络的需求日渐强烈,为了支持不同用户的不同业务,多种网络并存且信号范围互相覆盖的异构无线网络应运而生。用户终端想要在重叠的信号范围内选择最合适数据传输的网络连接,需要考虑网络、业务和用户3个维度的动态因素。而终端的高移动性作为用户维度的动态因素,是海上异构网络场景区别于其他场景的突出特点之一。MHWNs的网络架构如图1所示。

图1 MHWNs架构

移动性节点网络选择算法复杂度高的原因在于,移动节点与每个机动站点的距离、可连接的机动站点个数和传输的业务类型都在发生变化,算法为节点提供接入方案时需综合全部要素。因此,如何对各动态要素进行有效权衡,是提高算法时效性和对移动性节点匹配性的一个重要突破口。

本文针对移动性节点采用高斯-马尔可夫移动模型进行描述。在现实环境中,节点移动的速度和方向前后存在着影响,使用传统随机移动模型不能准确描述节点的随机连续运动情况,而高斯-马尔可夫移动模型中节点的运动轨迹与随机移动模型相比有很大的缓和,克服了随机移动模型急停急转的缺陷。

1.2 海上通信网络特征

鉴于地球弧度、海浪、气候和船只的影响,同陆上通信相比,海上通信的地形更加开阔,障碍物遮挡物更少,使得海上绕射损耗较小,反射波影响较大。

本文针对海上通信网络特点,不考虑绕射损耗、云雾衰减等恶劣环境的影响,选用考虑海面反射和大气吸收损耗的海上通信信道模型进行模拟仿真。

1.3 算法描述

由于干扰的存在,临时机动站点的网络属性处于不断波动的状态,节点在面向服务时需要根据环境参数和业务需求来动态改变主观权重,本文提出的动态层次分析(dynamic analytic hierarchy process, DAHP)法将不断变化的网络属性信息作为输入量,利用事先预设好的十级标度法将网络属性进行自行分级和自动对比,自主建立比较矩阵并计算在预设准则下的相对重要性,为平衡主观性再结合其他客观因素权重计算出各个网络属性相对于最终方案的总权重,总权重与实时的网络属性结合得到最优接入方案。

(1) 建立权重决策矩阵

设有个可选网络,建立备选网络集合={,,…,}。

设有个网络属性,建立网络属性集合={,,…,},对于不同的网络属性要使用归一化方法消除数据间衡量尺度的不公平性和差异性,以带宽参数为例:

(1)

同时建立网络属性比较矩阵

(2)

式中:表示可选网络在网络属性的相对重要程度。

(2) 确定主观权重

考虑到不同环境下网络属性存在不同的波动大小,因此,不同类型的业务对网络属性的需求也不同。一方面,平稳环境下网络属性波动较小,各种业务类型的通信任务都可以在任意时间完成;另一方面,干扰环境下网络属性波动剧烈,只有少量时间能传输对网络属性要求较高的通信任务,因此移动节点若想在干扰环境下传输不同种类的业务,则需给出不同的网络参数主观权重。针对以上需求,本文在传统AHP的基础上引入十级标度法构成DAHP算法,由于传统AHP是人为给出属性和属性间的相对重要程度,并给出1～10的相对重要性等级结果,所以本文在五级标度法的基础上扩展到十级标度法,能够更好地贴合AHP的使用条件。标度方法为将最佳参数设置为标度6,再以最佳参数为中心,按照高斯分布样式内密外疏进行标度,十级标度法适用于参数波动在限定范围内的情况。将DAHP根据十级标度法直接给出,解决了原本传统AHP中需要频繁人为更改输入的比较矩阵的问题,提高了算法的智能性。

收集到波动多变的网络属性参数后,本文算法采用十级标度法对属性参数进行定级,参数越大网络条件越好的网络属性定级结果如表1所示,参数越小网络条件越好的网络属性定级结果与表格结果相反。

表1 十级标度法

将实时的网络属性参数定级后,建立实时的比较矩阵:

(3)

式中:(,)表示的是网络属性与网络属性进行的定级运算,定级运算指的是和作差后与0进行比较,根据比较结果给出最终属性相对于属性的权重比例。然后计算实时比较矩阵的最大特征值和最大特征值对应的特征向量。由于算法自行生成的比较矩阵不一定满足一致性条件,需要对实时比较矩阵进行一致性检验,一致性比率CR定义为

(4)

式中：RI为平均随机一致性指标;一致性指标CI的公式定义为

(5)

其中,为比较矩阵维数。

当CR>01时说明先前主观生成的比较矩阵产生矛盾,需要对比较矩阵进行调整;当CR<01时说明比较矩阵一致性水平符合要求,此时最大特征值对应的特征向量即为各个网络属性的主观权值,定义为矩阵。

定义DAHP权值矩阵为,设共有个机动站点,则第时刻第个机动站点的第个网络属性参数值为(,),网络属性参数对应的实时权重值为(,),则定义第时刻第个机动站点的DAHP权值(,)为归一化后的网络属性及其属性权重乘积的和,归一化能将参数统一在(0,1)间,方便后续的计算和使用,表达式为

(6)

(3) 确定客观权重

本文算法利用协同学原理建立客观属性权重。协同学认为系统是由许多子系统构成,子系统之间的相互影响和配合才使得系统能够以特定的结构和功能正常运行,本文将每个备选网络看作是一个系统,备选网络集合={,,…，},每个备选网络都由3个子系统组成,分别由吞吐量、实时性和可靠性组成,子系统集合={,,},3个子系统之间既相互影响又相互协作,不同的协作程度致使备选网络产生不同的差异,所以在网络接入选择时要选择子系统之间协作度最高者进行接入。在子系统中支配子系统的序参量=(1,2,…,),表示子系统中网络属性的个数,序参量的取值范围是≤≤,其中和分别是第个序参量的最小值和最大值。子系统吞吐量包含的序参量为带宽,子系统及时性包含的序参量为包延迟和包抖动,子系统包含的序参量为丢包率,其中序参量带宽值越大网络性能状态越好越有序,序参量包延迟、包抖动和丢包率值越小网络性能状态越好越有序。

定义吞吐量子系统中的属性1的有序度为

(7)

则用几何平均法得到子系统的的有序度为

(8)

在得到实时AHP主观权重、协同学客观权重和子系统的有序度后，复合后的系统熵定义为

(9)

式中:∈表示第个网络属性是属于第个子系统,即∑∈代表了子系统在总系统的权重占比。

(4) 确定位置权重

鉴于高移动性节点的位置、与机动站点的相对距离在时刻变化,同时海上传输损耗主要来自距离损耗,距离损耗影响接收功率的大小,进而影响业务传输的速率和效率,因此本文选用经过归一化后的接收功率作为节点的位置权重,通过位置权重体现高速节点距离的变化。在计算节点的接收功率时,仅使用海面反射以及大气吸收损耗的简单模型进行仿真运算。设时刻第个机动站点的接收功率为, ,归一化后的接收功率权值为

(10)

(5) 综合主客观与位置权重

在节点面向服务时,主观权重按照要发送的业务类型而改变,而客观权重中加入了部分主观权重的比例,所以主观权重不必过大也能使其结果按照主观意向倾斜。在多次仿真取平均值后给出复合的系统权重定义

(,)=045(,)+035, +02(,)

(11)

移动节点根据可接入机动站点的复合系统权值大小选择合适的机动站点接入,优先接入可选网络范围内复合系统权值较大的机动站点。

1.4 算法流程

为了使算法仿真更贴近现实环境,移动节点采用高斯-马尔可夫移动模型模拟移动,每个移动节点代表一个任务编队,在仿真时间内进行连续的随机移动。本文采用的海上通信信道,海上通信信道和陆上通信信道相比,海上障碍物遮挡少,使得绕射损耗减少,电波传播余隙增大,反射波影响增大。

节点在运动时,先收集周边临时机动站点的网络属性参数,然后用预先设定的十级标度法,算法将网络状态参数进行分级,把分级结果输入到DAHP中进行主观权重更新。再利用协同学原理得到客观权重,同时为了考虑节点的移动性因素,用远距离传播造成的功率损耗得到位置权重,将3种指标进行加权计算得到可选机动站点的最终复合系统权重,选择权重大的临时机动站点进行连接。

编队节点出发时算法开始运行,算法流程如图2所示。

图2 算法流程

2 仿真结果与分析

本文的场景设置为海上临时机动站点环境,图3给出了机动站点的位置和编号。通常情况下当海上节点移动速度大于30 km/h时可视作高速运动,机动站点在海平面以15节的速度缓慢向轴正方向移动,移动节点开始时从(0,0)出发,之后的时间内以150 m/s的速度做连续随机运动。由于仿真使用的是机动站点和海上节点的相对距离,所以机动站点的移动速度相对海上节点来说可以近似看做静止。机动站点的通信范围是视距范围,编队节点出发点设置为坐标原点,把带宽参数视作不同业务类型间的主要区别,以此为例子进行蒙特卡罗仿真。仿真时间结束时节点停止移动。

图3 机动站点位置图

网络选择考虑4个属性参数,分别是带宽、包延迟、包抖动和丢包率。本文采用马尔可夫链表示动态变化的网络属性,每一秒的网络属性值都不同,这一时刻的网络属性值只与前一时刻相关,与其他时刻无关。网络属性相关值设定范围如表2所示,部分业务参数值设定参照文献[11]。

表2 仿真参数表

节点在移动过程中不间断地产生随机业务需求,基本业务类型分别是会话类业务、流媒体类业务和交互类业务,其对应的最低带宽需求如表3所示。在传输业务的过程中,带宽参数决定传输能否开始,包延迟、包抖动和丢包率决定传输时间。

表3 业务参数表

为验证本文提出算法的性能,将其与基于距离的网络接入算法、在文献[16]基础上改进的基于传统AHP、协同学和距离的网络接入算法和基于DAHP的网络接入算法作性能对比。基于距离的网络接入算法即在节点运动过程中通过比较和机动站点间的发射功率和接收功率,选择最大的机动站点接入;改进的基于传统AHP、协同学和距离的网络接入算法在原有文献[1]的基础上加入距离参数体现动态节点与静态节点的不同,其传统AHP主观权重设定为=[0.65 0.15 0.2]。3个权重分别代表了3个子系统的权重。

图4给出了通信过程中实时带宽变化,由于环境变化对带宽影响最为明显,故带宽的数值波动也最为剧烈。从图4可以看出基于距离选择机动站点进行连接,移动节点的实时带宽波动剧烈,业务传输的连续性受到制约。本文提出的DAHP算法能够及时更新权重配置,经过50次蒙特卡罗仿真取平均可得,算法70%的仿真时间能实时地选择带宽较大的机动站点,大大提高了算法的时效性和节点网络的业务传输能力,降低了网络内的业务拥堵程度,一定程度上提高了节点通信网络的时效性。

图4 带宽参数对比

图5～图7给出了包延迟、丢包率和包抖动的实时参数对比图,从中可以看出本文提出的算法对包延迟和丢包率的性能指标有较好的提升,但对包抖动的性能提升有限,这是由于在此场景下认为包抖动对业务传输的影响相对较小,因此算法选择牺牲包抖动性能,更关注带宽、包延迟和丢包率3个指标对任务完成的影响。

图5 包延迟参数对比

图6 丢包率参数对比

图7 包抖动参数对比

基于DAHP的算法不考虑节点移动性这一特征,把节点视作静态节点,将全体机动站点纳入连接范围,故通常情况下在直观上基于DAHP的算法性能参数是最优的。而实际中仅仅用实时网络参数并不能全面评价算法,最终决定业务完成度的参数是业务完成度和信息传输速率,故引入这两种指标对算法进行评估。

把一段时间内未完成的任务数除以总的任务数定义为业务未完成率,用此参数衡量算法在基于任务驱动下的性能优劣。图8可以看出4种算法在波动环境场景下,节点接入网络的业务完成情况随着时间的增长逐渐产生差异,本文提出的算法和单一的基于DAHP的算法在面向服务时有更好的表现。对50次仿真结果进行统计平均,本文提出的算法相较于基于传统AHP和基于距离的网络选择算法在业务完成率上提升10%;与基于DAHP的网络选择算法相比,有60%的概率在业务完成率性能上一致。这是因为基于DAHP的算法得到的是无通信距离约束的全局最优解,而本文提出的算法在通信距离的约束下只能得到较优解。

图8 算法业务未完成度

图9给出4种算法的传输速率对比图,可以看出基于传统AHP、协同学和距离的算法和基于距离的算法不仅平均传输速率低,还有较大的波动性。本文提出的算法相较于单一的DAHP网络选择算法在同样保持较高传输速率的情况下,波动性减少44%,有利于移动节点切换和传输不同类型的业务,提高了业务完成率。

图9 算法传输速率对比

图10是节点不同的移动速率对算法未完成率的影响对比图,通过50次蒙特卡罗仿真取平均得到如图曲线。从图中横向对比可以看出,节点移动速度对算法的未完成率有双向的影响,一方面节点移动速度较慢时,节点移出当前覆盖范围的时间较长,当前覆盖范围的基站参数不佳时难以切换到参数较优的基站;另一方面节点移动速度较快时,节点频繁的改变被覆盖范围,受距离影响迫使算法频繁改变接入方案,不利于业务传输。因此移动节点在某一适中速度下才能发挥算法的最优效能。从图中纵向对比可以看出DAHP算法相较于其他算法在不同移动节点速度下仍具有优势,有效降低算法的业务未完成率。

图10 节点移动速率影响对比

3 结 论

针对传统网络接入算法无法适应高移动性节点,时效性不强的问题,本文提出一种基于动态AHP、协同学和位置信息的多属性网络选择算法。首先在传统AHP方法上引入十级标度法,再在传统主客观权重基础上提出由位置信息提供的位置权重,建立由主客观、位置权重共同构成的综合系统权重模型,最后搭建仿真环境对其性能进行仿真。通过对节点的实时业务完成度和传输速率进行分析,在移动节点基于任务驱动的网络选择场景下,引入动态AHP和位置权重提高了业务完成度和算法的时效性。网络接入技术作为异构网络资源管理的关键技术,有着广阔的探索空间和巨大的研究价值,其中网络权重的动态分配对面向服务的网络选择有着重要的意义,值得未来进行研究和探索。