无线自组网络MAC层链路调度算法设计

来源 :中国科学技术大学 | 被引量 : 0次 | 上传用户:ganjinwei2001
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着通讯与计算技术的不断发展,无线自组网络(无线Adhoc网络)正在发挥越来越重要的作用,其目标是使信息可以在“所有时间,所有地点”进行交互。它跟目前的蜂窝网络最大的区别在于,与蜂窝网络的集中式结构不同,无线自组网络采用一种松散的,自组织的结构,这种结构使得无线自组网络在许多应用中有非常广阔的前景,例如端对端通信网络和传感器网络。 在无线Adhoc网络设计中有许多重要问题,其中一个就是如何优化物理层,数据链路层与网络层的资源(带宽,时间片等)分配算法,使得在满足网络层传输速率的同时可以减少整个网络的资源消耗。在TDMA介质访问控制协议中,传输过程被分为不同的离散时间片来完成,每个要传输数据包的链路分配一个特定时间片。一个对TDMA机制的有效改进方法是空分TDMA机制,它将无线节点之间的物理距离考虑在内,规定互相不干扰的通讯链路可以在相同的时间片内传输,从而减少了网络所需时间片的总量,从而提高了单位时间内可传输数据包的数量,即提高了整个网络的吞吐量(throughput)。于是,在目前TDMA机制的无线网络中,一个非常重要的问题是,在空分TDMA机制下,给定路由信息与网络负载的条件,通过对MAC层进行链路调度来最大化网络的吞吐量。 此问题的难点在于,由于其蕴含数学问题的复杂性,之前的研究工作对于实际规模的网络并不适用。绝大部分方法在网络中有20-30个结点,100-200条链路时就需要花几天甚至更多的时间来寻找最优调度。而这在实际应用中是完全不可行的。因此,非常有必要继续研究和探索这一领域的新理论和新方法。 本文通过运筹学中的规划理论对此问题进行建模,利用改进后的columngeneration方法对网络吞吐量进行优化。实验结果表明此方法在实际规模的网络中也能在可控制时间内得到最优解;同时,文中还提出了一种简单易用的贪心算法,并对这两种方法进行比较。此外,作为前述问题的延伸,本论文还深入地探讨了吞吐量与延时(delay)的组合优化问题,目的是设计更加有效而实用的算法来推动STDMA机制在无线多媒体流中的应用。 本论文中有特色的工作体现在如下几个方面:1.利用setcovering规划与columngeneration方法将有效地解决了实际规模网络中链路时间片分配问题;2.有效改进columngeneration方法的优化过程,使其收敛性大大改善,进一步缩短了寻找最优调度所需时间;3.给出了一种适用于大规模网络的贪心算法,并对两种方法进行比较;4.为吞吐量-延时组合优化问题指明了可行研究方向,以拓展对这一研究领域的探索,促进STDMA机制在实际应用中的发展。
其他文献
本文提出了一种通过静态分析提取宏动作的方法。静态分析的对象是基动作之间的关系。首先经过分析问题域,特定的选取一些常量对动作实例化,得到一些基动作。然后分析这些基动作
为提升物流管理的效率和准确率,本文协助物流企业把日常的物流管理平移到信息系统中,结合企业的物流管理流程和具体内容,开发了一套物流管理信息系统,系统的各模块充分针对物流企
无线网状网是近年来迅速发展起来的一种新技术,它解决了当前无线局域网覆盖范围小、可靠性差等缺点。无线网状网的无线访问点(AccessPoint)之间通过无线方式组成网状结构,提供
随着通信技术的迅猛发展,飞速膨胀量成了下一代无线网络中最关键的问题。而中继以其性能佳、易于拓展部署方便等优势在新一代网络标准中占有一席之地。本文挑选了三个典型的
路径规划、寻路问题是当前计算机科学领域中具有较高研究价值的一类问题,在计算机网络路由算法设计、机器人探路、交通路线导航、人工智能、交互虚拟现实等系统中有着广泛的
WEB上的数字化信息呈爆炸式增长,Internet已经成为一个巨大的信息数据库。要在如此庞大且瞬息万变的Internet上获取所需的信息,必须一个有效的检索工具的协助。现有的搜索引
随着Internet的快速发展,网络的应用范围越来越广泛,如何保证以及提高网络的服务质量(Quality of Service,QoS)成为至关重要的问题。流量工程(Traffic Engineering,TE)就是为
随着互联网的迅速发展,Web已经成为就业信息的重要来源。抽取并合理地保存这些信息,对于进一步分析就业信息,了解就业状况和特点,制定就业方案具有十分重要的意义。由于Web上
数字水印技术作为多媒体数据版权保护和内容可靠性认证的一种新技术,自20世纪90年代以来得到了迅速的发展,成为当前国内外研究的一个热门课题。数字水印是在不影响多媒体产品(
生物信息学、信息检索以及图像挖掘等大规模机器学习问题的不断涌现,对已有的特征选择算法和机器学习算法提出了严峻的挑战。人们迫切需要适应大规模数据集的特征选择算法和机