2023-09-09

字数统计: 5.2k字 | 阅读时长: 20分

无线网络跨层优化论文

命名数据多跳无线网络的最优拥塞控制、转发策略和功率控制

0. 摘要

命名数据网络(NDN)作为一种很有发展前途的网络架构，被广泛认为是一种非常适合多跳无线网络(MWN)的网络协议。在命名数据MWN中，拥塞控制、转发策略和功率控制是三个耦合的关键问题。目前已有大量关于IP网络的跨层设计的工作，并证明了跨层设计的优越性。在基于IP的MWN跨层设计的启发下，研究了命名数据MWN的联合拥塞控制、转发策略和功率控制问题，并将其建模为命名数据网络效用最大化(NDNUM)问题。在我们的NDNUM中，我们最大限度地提高了与数据接收速率相关的网络效用减去功耗，同时考虑了NDN与IP不同的通信特性。然后提出了一种基于次梯度法的分布式迭代算法来求解NDNUM。据我们所知，我们的算法是命名数据MWN的拥塞控制和功率控制的第一个跨层设计。我们表明，网络效用最大化不仅可以用于促进端到端协议网络的跨层设计，而且可以用于设计以信息为中心的网络的跨层机制。

仿真结果表明，该算法在网络吞吐量、资源利用效率和稳定PIT大小等方面优于现有拥塞控制机制。

1. 介绍

命名数据MWN的主要优点如下[7]。

首先，NDN自然支持内容交付，因为NDN通过在未决兴趣表(Pending Interest table, PIT)中聚合相同数据包的兴趣包，简化了来自多个接收器的数据检索。(PIT聚合)
其次，使用NDN，命名数据的使用简化了移动性支持。NDN的任意播播和网络内缓存属性允许接收方从最方便的(通常是离接收方最近的)提供者处检索内容。(CS)
第三，NDN本身提供基于内容的安全性，在数据包级别而不是在通信通道级别实现保护和信任。因此，不再需要设置安全连接，并且对数据的信任与获取数据的方式/位置分离。这对MANET和VANET尤其重要（安全）

在命名数据MWN中，拥塞控制、转发策略和功率控制是三个耦合问题，因此最好共同优化。通过拥塞控制，从而决定网络的总流量负载。转发策略决定了每个链路对上的流量负荷。功率控制决定了干扰水平，从而决定了无线链路的容量。由以上讨论可知，拥塞控制、转发策略和功率控制分别针对容量资源需求、分配和供给。

创新点：

提出了一个命名数据网络效用最大化(NDNUM)框架。在考虑NDN通信特性相关约束的同时，以链路传输功率加权和的最小化和内容接收者数据接收速率相关网络效用的最大化为优化目标。
考虑了命名数据MWN的许多通信特征，如(a)同时考虑了Interest和Data引起的流量，(b)由于NDN的Interest处理机制，从其他节点接收Interest的速率等于或大于向其他节点转发Interest的速率，(c)两个节点之间由“流量平衡”引起的Interest和Data的流量模式[21]，[22]，(d)接收方。由于NDN的接收方驱动的通信机制，兴趣包会拉回数据包。
通过共同优化拥塞控制、转发策略和功率控制，解决命名数据MWN各层之间协作不佳导致的性能下降问题，倡导应用层、策略层和物理层之间的协作。
设计了一个跨层拥塞控制机制，可以应用于命名数据MWN。基于IP的MWN的跨层拥塞控制机制不适用于命名数据MWN，因为IP和NDN的通信模式不同:(a)兴趣数据包经过动态多路径，这是由NDN中的在线转发策略决定的，而IP中的数据包路由通常是预定义的，更加稳定;(b) NDN中存在一种独特的现象，称为“流量平衡”，这将在第二节中解释。流量均衡影响相邻节点间的流量分布和链路的容量消耗。(c)由于未决兴趣表(Pending Interest Table, PIT)对数据包处理的影响，带有IP的MWN中的“流守恒”在命名数据MWN中不成立。
通过求解非凸NDNUM问题，提出了一种迭代分布式跨层拥塞控制、转发策略和功率控制算法。此外，我们的仿真结果表明，我们的算法1优于其他拥塞控制机制。在网络吞吐量和资源利用效率方面采用跨层设计，可以稳定PIT大小。

本文的其余部分组织如下:第二节介绍了命名数据MWN的通信机制。第三节描述了本文的系统模型。第四节在考虑命名数据MWN通信特性的情况下，提出一个NDNUM问题，共同优化拥塞控制、转发策略和功率控制。在第五节中，我们提出了解决NDNUM问题的算法1，并讨论了算法1的实现问题。第六节给出了初步模拟的结果。第七节总结了本文并讨论了一些未来的工作。

2.背景

优化方法：

拥塞控制：

$\begin{array}{r} y_{i}^{c}(k)=\operatorname{argmax}_{m_{i}^{c} \leq y_{i}^{c} \leq M_{i}^{c}} U_{i}^{c}\left(y_{i}^{c}\right) +\left(\frac{\lambda_{i}^{c}(k)}{a_{c}}-\xi_{i}^{c}(k)\right) y_{i}^{c} \end{array}$

转发策略：

$\begin{array}{c} \mu_{i j}^{c}(k), \eta_{i j}^{c}(k)=\operatorname{argmax}_{\mu_{i j}^{c}, \eta_{i j}^{c} \succeq 0} \sum_{c: j \in u_{c}(i)}\left(\lambda_{j}^{c}(k)-\lambda_{i}^{c}(k)-a_{c} v_{i j}^{c}(k)-\omega_{i j}(k)\right) \mu_{i j}^{c} +\sum_{c: i \in u_{c}(j)}\left(\xi_{j}^{c}(k)+v_{j i}^{c}(k)-\omega_{i j}(k)\right) \eta_{i j}^{c} \text { s.t. (14)} \end{array}$

功率控制：

$\mathbf{P}(k)=\operatorname{argmax}_{\mathbf{P} \succeq 0} \sum_{(i, j) \in \mathcal{L}}\left[\omega_{i j}(k) r_{i j}(\mathbf{P})-\beta_{i j} P_{i j}\right]$

3.系统模型

$x_i^c$表示节点i应用层发送内容$i \in rec(c)$为c的兴趣包的速率(bit/s)，$y_i^c$表示应用层接收到的数据包的速率

$\mu_{ij}^{c}$和$\eta_{ij}^{c} $分别表示转发内容为c的兴趣包和数据包的速率。

如果j不是i的上游邻居节点 $j\notin u_c^{i},则\mu_{ij}^{c} = 0$ ，如果i不是j的下游节点，$j\notin d_c^{i},则\eta_{ij}^{c} = 0$

假设无线链路的链路(i，j)和容量$r_{ij}(\bf P)$是传输功率向量$\bf P$和信道条件的全局非线性函数。

容量定义为：$r_{i j}({\bf P})=\frac{1}{T}\log(1+K S I R_{i j}({\bf P})) \geq\sum_{c\in C}(\mu_{i j}^{c}+\eta_{i j}^{c})$

这里，常数T是符号周期，它可以假设为1而不失去一般性，常数K取决于调制和所需的误码率。链路的信干扰比SIR定义为:

$S I R_{i j}(\bf{\hat{P}})=\frac{P_{i j}G_{i j,i j}}{\sum_{(m,l)\neq(i j)}P_{m l}G_{m l,i j}+n_{i j}}$

$P_{ij}$是传输功率，$G_{ml,ij}$是链路(m，l)的发送方m到链路(i，j)的接收方j的路径损耗，包含传播损耗、扩展增益和其他归一化常数。

为了保证功率控制能够提供足够的链路容量来转发所有内容的兴趣和数据，需要满足以下不等式：$r_{i j}(\mathbf{P})\geq\sum_{c\in C}(\mu_{i j}^{c}+\eta_{i j}^{c})$

由于有PIT聚合，$x_{i}^{C}I_{i\in r e c(c)}+\sum_{j\in d_{c}(i)}\mu_{j i}^{c}\geq\sum_{j\in u_{c}(i)}\mu_{i j}^{c}$，也就是下游节点的流量之和应该大于等于上游节点的流量。此外还应满足$\sum_{j\in u_{c}(i)}\eta_{j i}^{c}\geq y_{i}^{c}$，也就是链路层流量大于等于应用层流量。相当于如果是消费者，没有下游节点，$x_{i}^{C}\geq\sum_{j\in u_{c}(i)}\mu_{i j}^{c}$,如果不是，就是$\sum_{j\in d_{c}(i)}\mu_{j i}^{c}\geq\sum_{j\in u_{c}(i)}\mu_{i j}^{c}$

此外，还应该满足$\eta_{j i}^{c}\geq a_{c}\mu_{i j}^{c}$ 和 $a_{c}x_{i}^{c}=y_{i}^{c}$，链路层的兴趣包流量应该大于数据包，应用层应该相等。

4.网络效用最大化

主要有两个目标，即最大化所有接收方-内容对的数据接收速率的整体网络效用，最小化所有链路的传输功率加权和。

优化目标：

$\mathrm{max}_{\mathrm{y\bar{\geq0}}}\sum_{c\in C}\sum_{i\in r e c(c)}U_{i}^{c}(y_{i}^{c}) $
$\operatorname*{min}\operatorname{P}_{\geq0}\sum_{(i,j)\in\mathbb{Z}}\left.\beta_{i j}P_{i j}\right.$

综合起来，也就是：最大化(1) - (2)

$\begin{array} {c\in c} \mathrm{max} \sum_{c\in C}\sum_{i\in r e c(c)} U_{i}^{c} (y_i^c)-\sum_{(i,j)\in\mathcal L}\beta_{i j}P_{i j} \qquad(8)\end{array}$

约束条件为：

$r_{i j}({\bf P})-\sum_{c\in C}(\mu_{i j}^{c}+\eta_{i j}^{c})\geq0,\forall(i,j)\in{\mathcal L}~~~~(9) \\ x_{i}^{c}I_{i\in r e c(c)}\nonumber\,+\sum_{j\in d_{c}(i)}\mu_{j i}^{c}-\sum_{j\in u_{c}(i)}\mu_{i j}^{c}\geq0,\\ \forall c\in C,\;\forall i\in R(c)-p r o\nu(c)\qquad(10)\\ \sum_{j\in u_{c}(i)}\eta_{j i}^{c}-y_{i}^{c}\geq0,\ \forall c\in{\mathcal C},\ \forall i\in r e c(c)\qquad(11)\\ \eta_{j i}^{c}-a_{c}\mu_{i j}^{c}\ge0,\;\forall c\in C,\forall(i,j):j\in u_{c}(i)\qquad(12)\\ a_{c}x_{i}^{c}=y_{i}^{c},\ \forall c\in C,\ \forall i\in r e c(c)\qquad(13)\\ 0\,\le\,\mu_{i j}^{c},\,\eta_{i j}^{c}\le r_{i j}^{m a x},\forall\,(i,j)\in\mathcal{L},\forall\,c\in{\mathcal{C}}\qquad\qquad(14) \\ m_{i}^{c}\,\le\,y_{i}^{c}\le\dot{M}_{i}^{c}\,,\,\dot{\forall\,c}\in{\mathcal{C}},\forall\,i\in rec(c)\qquad\qquad\qquad(15)$

拥塞避免约束。约束条件(9)表明，每条链路上不同内容的兴趣和数据转发速率之和不能超过该链路通过功率控制获得的容量。这避免了所有链路的拥塞。
PIT聚合。约束(10)揭示了并非所有进入节点(包括接收方)的兴趣包都由该节点转发。
数据接收速率限制。约束(11)表明，对于接收方来说，提供给应用程序的数据接收速率不能超过其他节点的数据接收速率。
流量平衡约束。约束(12)利用流量平衡现象来避免PIT的过度生长和利息消耗过多的容量。
一对一约束。约束条件(13)表明，一个兴趣包会拉回一个数据包以供接收方应用。
转发速率限制。约束(14)表明，在实际操作中，特定链路上Interest或Data的转发速率受该链路的最大转发速率的限制。
速率公平约束[19]。约束条件(15)表明，为了保持公平性，每个接收方-内容对的数据接收率都以最大接收率和最小接收率为界。

但是，(8)是一个非凸问题，如果向变为凸问题，就需要对P取对数，定义$\widetilde{P}_{i j}\:\triangleq\;\log(P_{i j})$，(8)式可以转换为(16)：

$\max_{y\geq0,\tilde{\mathrm{P}}}\qquad\sum_{c\in C}\sum_{i\in r e c(c)}U_{i}^{c}(y_{i}^{c})-\sum_{(i,j)\in\mathbb{Z}}\beta_{i j}e^{\tilde{P}_{i j}}\qquad(16) \\ s.t.~~~~~~\widetilde{r}_{i j}(\widetilde{\bf P})-\sum_{c\in C}(\mu_{i j}^{c}+\eta_{i j}^{c})\geq0,\forall(i,j)\in{\cal L}~~(17)\\ (10), (11), (12)$

五、联合最优拥塞控制、前向策略和功率控制算法

原问题的对偶问题为：$\operatorname*{min}_{\lambda\,,\,\xi,\,\nu,\,\omega\geq0}D(\lambda,\,\xi\,,\,\nu,\,\omega)$,具有部分对偶函数

$D(\lambda\,,\,\xi,\,\nu,\,\omega) = \operatorname*{max}_{\mathrm{x,y,}{\mu,\eta}\geq0.\widetilde{\mathbf{p}}}\sum_{c\in C}\sum_{i\in r e c(c)}U_{i}^{c}(y_{i}^{c})-\sum_{(i,j)\in\mathbb{Z}}\beta_{i j}e^{\tilde{P}_{i j}} \\ +\sum_{c\in C\;i\in R(c)-p r o v(c)}[x_{i}^{C}I_{i\in r e c(c)}+\sum_{j\in d_{c}(i)}\mu_{j i}^{c}-\sum_{j\in u_{c}(i)}\mu_{i j}^{c}]\lambda_{i}^{c} \\ +\sum_{c\in C}\sum_{i\in r e c(c)}\left[\sum_{j\in u_{c}(i)}\eta_{j i}^{c}-y_{i}^{c}\right]\xi_{i}^{c} \\ +\sum_{c\in C}\sum_{(i,j);j\in u_{c}(i)}[\eta_{j i}^{c}-a_{c}\mu_{i j}^{c}]\nu_{i j}^{c} \\ +\sum_{(i,j)\in\mathbb{Z}}[{\tilde{r}}_{i j}({\tilde{\mathbf{P}}})-\sum_{c\in C}(\mu_{i j}^{c}+\eta_{i j}^{c})]\omega_{i j}$

将上述问题合并同类项，x和y合并为拥塞控制的最优化，$\mu$和$\eta$决定了转发策略的最优化，$\tilde{P}$决定了功率的最优化。

信息中心异构无线网络联合转发策略与资源分配

0.摘要：

提出了一种共同设计的能够适应多变无线环境的转发策略和资源分配算法——动态转发与资源分配(DFRA)。并证明了DFRA是吞吐量最优的。

资源配置影响着链路的实际容量，转发策略决定了每个用户对特定链路容量的需求。

改进思路

根据第一篇论文，可以进行优化的点在于：

在计算信噪比时，需要全局节点泛洪传输功率信息，造成了网络额外的开销。

考虑只需要接收方节点的邻居功率信息，接收不到信息认为干扰很小忽略。根据功率信息计算信噪比，根据香农公式可以得到一个理论极限，进而维护链路理论容量表(考虑在LSDB中的LSA中加入链路容量这个指标，但是这样好像会频繁更新LSDB，存在问题)，上层根据链路容量表进行实时的速率控制或流量控制。

优化目标：在维持丢包率接近时吞吐量大，或在维持吞吐量接近时丢包率小。

前面的文章计算信噪比默认全局的所有节点都在发包，都会对当前发送的数据造成干扰，这个是不合理的，实际上应该是信噪比的下界，计算信噪比的方式由于RTS/CTS机制的实现，实际上发包时大多数节点都是静默的，因此实际的信噪比应该比之前计算的高，理想情况下可以认为不存在干扰。

基于能量优化的移动Ad Hoc网络路由协议研究

各层节能的考虑：

网络层：尽量做到网络能耗的均衡化，也就是流均衡的概念。发射功率的最优化可以减小数据发射过程的能耗，减小对邻居节点的干扰。
MAC层：减小数据发射过程中的冲突和碰撞，尽量避免产生碰撞。
LLC层：差错控制和流量控制，自动重传请求ARQ和前向纠错(FEC)。

基于能量优化的移动Ad Hoc网络路由策略

1. 最小传输能耗路由策略：选传输能耗最小的作为下一跳，这样效果就是跳数比较多，会有大量重传

2. 剩余能量感知路由策略：选取的路由尽量避开剩余能量较低的节点。

MBCR：在所有可用路由的集合下选择总剩余能量最大的路由进行传输
MMBCR：首先在所有路径中找到能量最小的节点，然后选出其中最大的那个节点对应的路径。

3. 多径能耗均衡路由策略：即考虑节点剩余能量，有考虑路损。

SMR：构造两条相关性最小的路由，并将网络负载平均在两条相关性最小的路由之上。
LBMSR：引入了负载平衡加权系数。调整不同路径的权值进行流量的部分转移。

4. 基于拓扑控制的路由协议：

本文设计了EALB协议：

能量等级：将节点剩余能量分为危险级，警告级和正常级。
能量代价：节点的剩余能量的倒数，路径的能量代价等于路径中节点的最大值。
负载代价：由当前MAC队列长度和节点的密集程度共同决定，路径的负载代价等于路径中节点的最大值。

$L_{i}={\frac{1}{2}}*\frac{q u e u e_{-}size}{b uffe r_{-}s i z e}+{\frac{1}{2}}*{\frac{n b_{-}n o d e_{-}n u m}{a l l_{-}n o d e_{-}n u m}}\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;(3.5)$

检测性能：平均端到端时延，分组投递率，网络生存时间；

基于博弈论的功率控制路由协议GTPC：

无线AdHoc网络中的能量模型技术

在本节中，我们提出了三种用于自组织网络环境的节能技术。第一种技术将路由请求消息最小化。第二种技术优化每个节点的传输功率，第三种技术通过拓扑控制机制增加网络容量。

优化传输功率：实际上就类似与前面的最小传输能耗路由策略

分层还是不分层:在无线多跳网络中平衡传输层和物理层(原始论文)

容量定义参考的参考文献[16]

0.摘要

在多跳传输和链路速率限制干扰的无线自组织网络中，如何平衡物理层的功率控制和传输层的拥塞控制以提高网络的整体性能，同时保持网络的稳定性、鲁棒性和架构的现代化?我们提出了一种分布式功率控制算法，该算法与原始TCP协议相结合，以提高网络的端到端吞吐量和能源效率。在严格的非线性约束优化框架下，我们证明了该耦合系统在同步和异步实现下对联合功率控制和拥塞控制的全局最优的收敛性，收敛速度是几何的，并且传输层和物理层之间保持了理想的模块化。特别是当拥塞控制机制为TCP Vegas时，只需简单地利用路由器物理层的占用信息就足以实现这种跨层设计的联合最优。分析结果和仿真都说明了所提出算法的其他理想特性，包括对通道电压和路径损耗估计误差的鲁棒性，以及在权衡性能最优性以实现简单性方面的灵活性。

TCP Vegas（TCP Vegas Congestion Control）是一种拥塞控制算法，旨在优化TCP协议的性能，特别是在高带宽、高延迟网络环境下。它是一种基于延迟的拥塞控制算法

3.建模

$x_s$是源的传输速率，$c_l$是逻辑链路可达数据速率的容量，(物理链路应该视为多个逻辑链路)，应该满足

流量的网络效用最大化用$U_s(x_s)$表示，其为连续可微的递增的严格凹函数

$maximize \sum_s U_s(x_s) \\ subject \, to \sum_{s:l\in L(S)}x_s\leq c_l, \forall l, x \geq 0 \quad (3)$

然而，对于基于cdma的无线自组织网络，上式的范围是有限的，因为逻辑链路上可达到的数据速率不是固定的，而是可以写成(对于一个大的调制族)发射功率矢量P的全局非线性函数:

$c_{l}({\bf P})=\frac{1}{T}\log(1+K S I R_{l}({\bf P})) \geq x_s) \\ maximize \sum_s U_s(x_s) \\ subject \, to \sum_{s:l\in L(S)}x_s\leq c_l({\bf P}), \forall l, x , {\bf P}\geq 0 \quad(4)$

T是符号周期，可以认为是1；$K=\frac{-\Phi_1}{log(\Phi_2BER)}$，根据调制方式和误码率确定。链路l的信干噪比为$S I R_{l}(\bf{\hat{P}})=\frac{P_{l}G_{l,l}}{\sum_{k\neq l}P_{k}G_{l,k}+n_{l}}$,$G_{l,k}$是逻辑链路的路损。

(4)中存在两个全局依赖：

源速率$x_s$和链路容量$c_l$在整个网络是全局耦合的
每个链路容量$c_{l}({\bf P})$是所有干扰发射功率的全局函数