Phân lớp hàng xóm
Để tìm các đường tối ưu và năng lượng truyền tối ưu, mỗi node phải khảo sát các hàng xóm của nó để biết điều kiện trạng thái của mỗi liên kết. Sự định nghĩa đơn giản là một liên kết trực tiếp sẽ tồn tại giữa hai thiết bị radio khi chúng có thể liên kết trực tiếp với nhau thì không đủ trong ngữ cảnh WMN. Trong ngữ cảnh radio, các giao diện có thể thay đổi năng lượng truyền và có thể truyền ở các tốc độ khác nhau, cần phải có một định nghĩa khác về các hàng xóm. Các node có thể truyền thông sử dụng một mức năng lượng và tốc độ dữ liệu nhất định có thể không có khả năng truyền thông nữa nếu mức năng lượng hay tốc độ dữ liệu thay đổi. Để phát hiện ra dung lượng liên kết và phân loại hàng xóm trên cơ sở này, cần phải nâng cao giao thức phát hiện hàng xóm. Việc đề xuất một giao thức phát hiện hàng xóm mới ngoài phạm vi của bài báo này. Ở đây, chúng tôi giới hạn thảo luận của chúng tôi tới các tính năng như
một giao thức nên có và cách các hàng xóm nên được phân loại để áp dụng phương pháp kinh nghiệm tối ưu hóa năng lượng.
Bước đầu tiên trong việc thực hiện phân lớp các hàng xóm là định nghĩa các tham số sử dụng cho mục đích này; vì vậy, các tập cơ bản sau được định nghĩa:
• Tập có thứ tự các mức năng lượng có thểđược diễn tả theo mW là: với là số các mức năng lượng sẵn có. • Tập có thứ tự của các tốc độ dữ liệu có thểđược biểu diễn theo Mbps là: với là số các tốc độ dữ liệu sẵn có.
Bước thứ hai là hiểu xem node nào là các hàng xóm. Cho một node i, chúng ta
định nghĩa hàng xóm của node đó là tập tất cả các node có thể tới được khi truyền ở
mức năng lượng tối đa với tốc độ truyền thấp nhất. Chúng ta gọi tập này là . Chú ý rằng, vì đặc trưng vật lý của việc truyền và giải mã tín hiệu, đây là tập hàng xóm lớn nhất có thể định nghĩa. Dựa trên các tập và , tập các hàng xóm có thể được phân chia thành các tập con không-tách rời. Gọi mỗi tập con được chia là
với là mức năng lượng và là tốc độ dữ liệu được sử dụng để truyền. Chú ý rằng sự phân chia tập không thể được làm bằng mô hình toán học, vì một phương pháp như vậy sẽ có thể cho kết quả mà không phù hợp với môi trường thực. Chính giao thức phát hiện hàng xóm phải phát hiện các phân vùng này, ví dụ bởi các gói HELLO được gửi với tất cả các tổ hợp mức năng lượng và tốc độ dữ liệu và thu thập các câu trả lời từ các hàng xóm.
Các hàng xóm được phát hiện và các tham số của chúng có thể được tổ chức trong một ma trận , các hàng của ma trận này thể hiện các tốc độ dữ liệu khác nhau và các cột thể hiện các mức năng lượng khác nhau. Mỗi phần tử của ma trận là tập không-tách rời của tập hàng xóm . Đặc biệt, thuộc tính
vẫn giữ. Theo cách này, tất cả các hàng xóm được phân lớp một cách chính xác dựa trên dung lượng truyền thông của mỗi liên kết, cho phép áp dụng phương pháp tối ưu hóa năng lượng.
Thuật toán tối ưu hóa năng lượng cục bộ
Mục đích của thuật toán này là tìm mức năng lượng tối ưu mà tối đa hóa tốc
độ truyền tới mỗi hàng xóm trong khi tối thiểu hóa nhiễu và PER. Người ta đã đề cập rằng nhiệm vụ này bao gồm việc tìm điểm gần với điểm tối ưu lý tưởng mà giảm thiểu khoảng cách trên đường cong được vẽ trong hình 1. Có thể thấy rằng với mỗi hàng
Để tìm sự cân bằng tốt nhất giữa nhiễu và PER thì không cần tính mối quan hệ
thực giữa hai đại lượng này. Mối quan hệ này không dễ vẽ và việc tính toán này đối với mỗi node thì rất khó khăn. Chúng tôi chọn một phương pháp kinh nghiệm đơn giản hơn: điểm “tối ưu” được xem như là điểm làm cho khoảng cách sau là nhỏ nhất:
Việc tối ưu hóa được thực hiện trên liên kết j (nghĩa là hướng tới hàng xóm), là tập các tốc độ dữ liệu có sẵn trên kênh đó và PERmax là PER tối đa mà hệ
thống cho phép.
Công thức (6) thể hiện các điều kiện và chiến lược tối ưu năng lượng. Sự cân bằng tốt nhất giữa I(p) và PER(p) được tìm bằng việc tìm kiếm giá trị nhỏ nhất của d*. Khoảng cách d* thể hiện khoảng cách phụ thuộc vào năng lượng truyền, từđiểm tối ưu lý tưởng trên đường cong I-PER và được định nghĩa như sau:
Mặc dù độ nhiễu và PER là các đại lượng khác nhau hoàn toàn, các hàm chúng ta thêm vào là số truyền vô hướng, vì vậy công thức (7) thì đúng. Hơn nữa, công thức là thể hiện đơn giản của vấn đề Multi Constrained Path (MCP) chung, và giải pháp chung cho vấn đề này dựa trên việc thêm các hàm giá ràng buộc khác nhau [8].
Chú ý rằng, phương pháp kinh nghiệm cho trong công thức (7) không phải là giải pháp duy nhất, tuy nhiên nó khá đơn giản, dễ và tính toán nhanh, và như trong phần 4.4 chỉ ra nó cho kết quả rất tốt. Trong khi thực hiện sự tối ưu hóa trên một liên kết, chỉ các mức năng lượng giữ tốc độ truyền lớn nhất của liên kết là được xem xét. Tương tự, vì không hữu ích để bỏ nhiều PER để tránh nhiễu, một kiểm tra liên tục trên PER được thực hiện để tránh việc mất hiệu năng.
Chú ý rằng kí hiệu PER(p) đơn giản nói rằng năng lượng để truyền lớn hơn thì xác xuất có mức SNR tốt ở node nhận sẽ cao hơn, vì vậy PER sẽ thấp hơn. Điều này
đúng với việc giả sử rằng độ ồn trần trung bình là không đổi. Tuy nhiên, nếu không như vậy, độ đo xa hơn của SNR sẽđưa ra một PER khác và thuật toán tối ưu sẽđược áp dụng lại.
Thuật toán 1 Thuật toán tối ưu hóa năng lượng 1: Set N = Ni
2: ∀j∈N Set [d* =2, Popt= Pmax, Rj = Rmax, davg, d] 3: For r = Rmax to Rmin
4: For p = Pmax to Pmin 5: d = 0 6: For j ∈ Mi p r, 7: d = d + d*(Ij(p), PERj(p)) 8: End For j 9: davg = d / | Mi p r, | 10: If (davg < d*
j)&& (PERj(p) < PERmax) 11: Set [d* = davg] 12: Set [Popt = p] 13: Set [R = r] 14: End If 15: End For p 16: N = (N \ Mi r) 17: End For r
Thuật toán tối ưu hóa năng lượng được định nghĩa trong bảng 1. Hai bước đầu tiên của thuật toán có mục đích khởi tạo. Chúng sao chép toàn bộ hàng xóm trong biến N, và khởi tạo mỗi thành viên j của tập này. Đặc biệt mức năng lượng tối ưu
được khởi tạo với giá trị Pmax, vì tập hàng xóm được định nghĩa tới giá trị cực đại này. Khoảng cách dj*, hướng tới mỗi hàng xóm, được khởi tạo bằng 2, vì đây là giá trị
cực đại có thểđạt được suy ra từ trong công thức 7. Các bước từ 3 đến 13 là hai bước lặp lồng nhau mà quét toàn bộ ma trận để tìm sự cân bằng nhiễu-PER tối ưu. Khi
đã tìm thấy năng lượng tối ưu cho node j với một tốc độ truyền nhất định, j được loại khỏi N. Điều này được làm để tránh sự thực thi lại thuật toán tối ưu trên cùng một node với tốc độ truyền thấp hơn. (adsbygoogle = window.adsbygoogle || []).push({});
Độ phức tạp của thuật toán là , cái này phải chịu một thời gian bootstrap dài hơn (ít) khi sự tối ưu hóa phải được thực hiện cho tất cả các hàng xóm được khám phá. Trong suốt các thao tác bình thường, nếu một sự kiện đánh thức một thay đổi trong các metric định tuyến của một liên kết, sự tối ưu hóa chỉđược thực
hiện cho liên kết đó. Sau đó một thông điệp cập nhật đường đi được gửi đi sau khi cập nhật bảng định tuyến cục bộ.
Khi thuật toán tối ưu đã tìm thấy mức năng lượng tối ưu, một tập các tham số
mô tả sự truyền thông liên kết với mỗi hàng xóm j:
Nghĩa là tốc độ, năng lượng tối ưu, nhiễu và PER. Tập chứa hai phần thông tin cơ bản cho mỗi hàng xóm: giá của liên kết thể hiện bởi <tốc độ, nhiễu, PER>; các tham số truyền thể hiện bởi <tốc độ, năng lượng truyền tối ưu>. Hơn nữa, các tập ở trên mô tả giá tối ưu để tới được mỗi hàng xóm là các phần tử thông tin cơ
bản tráo đổi giữa các WMR để tạo nên các bảng định tuyến.
Hình … mô tả kiến trúc của phương pháp đề xuất mới CLNC. Trong thiết kế
liên tầng chúng tôi nối 3 tầng vật lý, MAC, tầng mạng với nhau và cùng chia sẻ một số
biến chung.
Hình. Kiến trúc của CLNC
Tóm lại, hoạt động của hệ thống đề xuất có thể được mô tả một cách chi tiết như sau. Khi node trung gian nhận được một gói tin, nó kiểm tra xem liệu gói tin có là mới lạ (innovative) hay không. Nếu gói tin là mới lạ thì nó sẽ chứa gói tin trong buffer của nó, nếu không nó sẽ loại bỏ gói tin. Khi node có cơ hội truyền dữ liệu, nó chọn mức năng lượng tốt nhất bằng cách sử dụng thuật toán tối ưu hóa năng lượng. Sau đó, nó chọn ngẫu nhiên các hệ số mã hóa cục bộ trong trường GF(28) và trộn tất cả các gói tin trong buffer để tạo ra gói tin đã mã hóa. Nó tính hệ số mã hóa toàn cục và nhúng hệ
Application Transport Network MAC Physical Cross-la ye r Network Codi ng
số này vào gói tin đã mã hóa và thực hiện việc quảng bá gói tin này tới tất cả các hàng xóm. Node nguồn cũng hoạt động tương tự như node trung gian chỉ khác là nó không trộn tất cả các gói tin ban đầu mà nó chỉ chọn ngẫu nhiên một số gói tin nào đó. Khi node đích nhận được đủ gói tin đã mã hóa, nó bắt đầu quá trình giải mã. Nó sử dụng các hệ số mã hóa cục bộ nhúng trong các gói tin đã mã hóa để giải mã ra các gói tin ban đầu.
Đề xuất của chúng tôi làm việc hiệu quả với sự thay đổi của điều kiện môi trường. Ngoài ra hệ thống đề xuất cũng yêu cầu tài nguyên để tính toán, do đó đề xuất thích hợp với các mạng mesh không dây.
Chương 5 KẾT QUẢ THỰC NGHIỆM
Chúng tôi sử dụng bộ mô phỏng mạng NS-2 để mô phỏng đề xuất mới. Ở tất cả các thí nghiệm, chúng tôi mô phỏng một vùng rộng 1000m×1000m. Số lượng các node là 15. Chúng tôi thay đổ số các node nhận và số các node gửi từ 2 đến 15. Trong NS-2, không có mô hình truyền âm cho di động. Chúng tôi đã tải và cài đặtmô hình này từ nhóm CMU Monarch của trường đại học … và chúng tôi sử dụng mô hình này cho tất cả các thí nghiệm. Chúng tôi thực hiện tất cả các phép đo sử dụng UDP traffic truyền ở tốc độ không đổi (CBR) và kích cỡ gói tin ở tầng MAC là 1500 byte. Tốc độ
truyền của các node là 11Mbps, 5.5Mbps, 2Mbps và 1Mbps.
Chúng tôi không sử dụng giao thức bắt tay RTS/CTS của tầng MAC vì nó làm cho dung lượng giảm đi đáng kể.
MAODV (Multicast Ad hoc On-Demand Distance Vector) là một phương pháp định tuyến multicast thích hợp cho các mạng không dây. Phương pháp này không có trong NS-2, vì vậy chúng tôi đã download và sử dụng bản cài đặt MAODV của Zhu .. để đánh giá. Các phương pháp định tuyến như AODV, DSDV, DSR là các phương pháp định tuyến phổ biến dùng cho mạng không dây. Chúng tôi so sánh đề xuất của chúng tôi với các phương pháp này và phương pháp định tuyến multicast MAODV.
0 1 2 3 4 5 6 2 5 10 15 Number of receivers Throughput ( M B p s) CLNC MAODV AODV DSDV DSR
0 1 2 3 4 5 6 7 8 9 2 5 10 15 Number of receivers T h roug hput ( M B p s) CLNC MAODV AODV DSDV DSR
Hình 5. Tổng thông lượng (số node gửi là 2)
Hình 4 và 5 chỉ ra rằng thông lượng của CLNC lớn hơn nhiều so với thông lượng của các phương pháp khác là AODV, DSDV, DSR và lớn hơn so với MAODV. MAODV là một phương pháp định tuyến multicast thực sự. Nó là phương pháp định tuyến multicast phổ biến cho các mạng không dây. Chính vì vậy, thông lượng của MAODV thì khá cao so với các phương pháp như AODV, DSDV, DSR.
Như ta thấy trên hình 5, thông lượng của CLNC lớn hơn từ 6 đến 7 lần thông lượng của AODV, DSDV, DSR khi số node nhận từ 5 đến 10. Hình 4 và 5 cũng cho thấy khi số node nhận tăng lên thì CLNC cũng hiệu quả hơn MAODV.
TABLEI
PDRVỚISỐCÁCNODENHẬNTỪ2ĐẾN15(KHISỐNODEGỬILÀ1)
2 3 5 10 15
CLNC 0.97660 0.96166 0.96390 0.93015 0.91023
MAODV 0.97723 0.97240 0.94693 0.91962 0.88452
DSDV 0.98241 0.94252 0.91524 0.90146 0.87969 (adsbygoogle = window.adsbygoogle || []).push({});
TABLEII
PDRVỚISỐCÁCNODENHẬNTỪ2ĐẾN15(KHISỐNODEGỬILÀ2)
MAODV 0.97685 0.96751 0.93015 0.89365 0.87689
DSDV 0.97387 0.95278 0.90478 0.88267 0.87569
PDR là tỉ lệ phân phát gói tin (Packet Delivery Ratio). Tham số này được tính bằng tổng các gói tin nhận được/(tổng số gói tin gửi đi × số các node nhận).
Từ dữ liệu ở TABLE I, chúng ta có thể suy ra rằng khi số các node nhận là nhỏ (2 hoặc 3 node) thì PDR của MAODV và DSDV lớn hơn của CLNC. Tuy nhiên, PDR của CLNC lại tốt hơn khi số các node nhận là lớn (ví dụ 5, 10, 15 node). Tương tự đối với TABLE II. Trong trường hợp 10 hoặc 15 node nhận, PDR của CLNC cao hơn của MAODV và DSDV.
TÀI LIỆU THAM KHẢO
1) R. Ahlswede, N. Cai, S.-Y.R. Li and R.W. Yeung, “Network Information Flow,” IEEE-IT, vol. 46, pp. 1204-1216, 2000.
2) S.-Y. R. Li, R. W. Yeung, and N. Cai, “Linear network coding,” IEEE Transactions on Information Theory, 49:371-381, 2003
3) Ralf Koetter, Muriel Médard, “An algebraic approach to network coding,” IEEE/ACM Trans. Netw. 11(5): 782-795 (2003)
4) P. A. Chou, Y. Wu, and K. Jain. “Practical network coding”. In Proceedings of 41st Annual Allerton Conference on Communication,Control, and Computing, October 2003.
5) Tracey Ho, Muriel Médard, Ralf Koetter, David R. Karger, Michelle Effros, J. Shi, B. Leong, “A Random Linear Network Coding Approach to Multicast,” IEEE Transactions on Information Theory 52(10): 4413-4430 (2006)
6) Y. Wu, “Network Coding for Multicasting,” Ph.D. Dissertation, Dept. of Electrical Engineering, Princeton University, Nov. 2005
7) Sachin Katti, Hariharan Rahul, Wenjun Hu, Dina Katabi, Muriel Médard, Jon Crowcroft, “XORs in the air: practical wireless network coding” SIGCOMM 2006: 243-254
8) S. Deb, M. Effros, T. Ho, D. R. Karger, R. Koetter, D. S. Lun, M. M´edard, and N. Ratnakar “Network coding for wireless applications: A brief tutorial” In
IWWAN, 2005.
9) Y. Wu, P. A. Chou, K. Jain, “A comparison of network coding and tree packing,” to appear at the IEEE International Symposium on Information Theory (ISIT 2004), June 27th-July 2nd, Chicago.
10) Shirish Karande, Kiran Misra, and Hayder Radha, “CLIX: Network Coding and Cross Layer Information Exchange of Wireless Video,” IEEE International Conference on Image Processing (ICIP), October 2006.
11) T. Huovila, P. Lassila, J. Manner and A. Penttinen, “State of the Art Analysis of Wireless Mesh Technologies 2006,” ABI project technical report.
12) S. Shakkottai, T. S. Rappaport, P. C. Karlsson, “Cross-Layer Design for Wireless Networks,” IEEE Communications Magazine, Volume 41, No. 10, October 2003, pp. 74-80.
13) Vijay T. Raisinghani, Sridhar Iyer, “Cross-layer design optimizations in wireless protocol stacks,” Computer Communications (Elsevier), v 27, n 8, 20 May 2004, p 720-4 DOI:10.1016/j.comcom.2003.10.011
14) X. Lin, N. B. Shroff, R. Srikant, “A Tutorial on Cross-Layer Optimization in Wireless Networks,” IEEE Journal on Selected Areas in Communications on " Non-Linear Optimization of Communication Systems,” vol. 24, Issue 8, June 2006, pp. 1452- 1463.
15) Jun Yuan, Zongpeng Li, Wei Yu, Baochun Li, “A Cross-Layer Optimization Framework for Multihop Multicast in Wireless Mesh Networks,” in IEEE
Journal on Selected Areas in Communicatoins (JSAC), 24(11):2092-2103, November 2006.
16) L. Iannone, S.Fdida, “MRS: A Simple Cross-Layer Heuristic to Improve Throughput Capacity in Wireless Mesh Networks,” In proceedings of Conext 2005 Conference. Toulouse (France), October 2005.