一种基于认知网络的QoS优化方法技术

本发明专利技术针对认知网络难以实现QoS动态优化问题，通过建立基于路径的延迟优化模型、基于认知的网络吞吐量模型和网络故障检测概率和错误报警概率，实现认知网络的QoS弹性优化管理。

【技术实现步骤摘要】

本专利技术涉及通信网络领域，特别是涉及排队论，以及优化理论。
技术介绍
认知无线电,是瑞典皇家技术学院在其定义的软件无线电基础上进一步扩展,它打破了传统\条块分割\的无线频谱资源管理和使用,通过具有认知功能的无线通信设备感知周围频谱的使用情况,并能够根据频谱使用情况的变化自主地调整系统参数设置,进而有效地提高无线频谱资源在时间和空间上的利用率,这对解决有限资源条件下提高频谱资源利用率这一通信难题有着不可替代的推进作用,也是促进移动互联网蓬勃发展的一项关键技术。另一方面,从广义上分析,认知无线电技术是指各类无线终端设备具有足够的智能或者认知能力,通过对周围无线环境的感知同时集合当前状态及参考历史信息进行检测、分析、学习和规划,通过自适应的调整自己的传输参数,达到使用最合适的无线资源(包括频率、调制方式、发射功率等)完成无线传输。这将是物联网发展的支撑技术。随着物联网的迅猛发展,考虑智能终端数量指数型发展,把单纯的个体最优资源分配推广到整个感知网络将是未来移动通信的发展方向，认知网络的参考结构如图1所示。认知无线电网络中一般共存着主用户网络和次用户网络。主用户网络主要包括主用户和主用户基站PU。其中PU也可成为称为授权用户,是指那些对某段频具有专有的授权,该授权段可为蜂窝网络频段,电视广播频段等等。而PBS也可成为授权基站,是固定的基础单元,具有对授权频段的管理功能,其主要作用是要是控制PU的接入与资源分配策略。次用户网络,也可称为动态频谱接入网络、动态频谱共享网络或者非授权网络。因此，为提升认知无线网络的资源管理能力，有必要设计高效的QoS保障方法。专利技术内容本专利技术所要解决的技术问题是：通过建立基于路径的延迟优化模型、基于认知的网络吞吐量模型和网络故障检测概率和错误报警概率，实现认知网络的QoS弹性优化管理。本专利技术为解决上述技术问题所采用的技术方案包括以下步骤，如图2所示：A、建立基于路径的延迟优化模型；B、建立基于认知的网络吞吐量模型；C、建立网络故障检测概率和错误报警概率。所述步骤A中，业务发送优化概率模型为其中为节点v的发送冲突概率，τw为节点w发送业务流的概率，CWv为节点v的竞争窗口，k为节点w的具有优先级的业务数目，m为冲突退避门限，n为网络节点数，ξ为业务发送概率期望值。所述步骤A中，具体为：基于路径的延迟优化模型为：其中H为网络中的簇的集合，D为端到端需求集合，d为端到端需求标识，Rd为发送端和接收端之间的具有业务需求d的路径集合，θid为簇间跳数，若簇i的业务需求为d则θid＝2，反之则θid＝1，为业务需求d所产生的网络负载，wi为簇i中的数据包平均等待时间，为簇i中产生拥塞的概率，为决策变量，若业务需求d的路径r上的数据传输经过簇i则反之则cclus为网络中的簇的平均容量，minΣi∈Hwi]]>s.t.wi=1cclus·ρiclus1-ρiclus]]>∀i∈H:ρiclus=Σd∈DΣr∈Rdρddemθidδidr≤1.]]>所述步骤B中，建立基于认知的网络吞吐量模型，具体为：当主用户不存在时，网络的吞吐量当主用户存在时，网络的吞吐量h|M×N|为具有M个发送天线和N个接收天线的信道矩阵，和分别为从用户和主用户的信噪比，为高斯白噪声方差，Y为用户数，IN为单位阵。所述步骤C中，网络故障检测概率网络错误报警概率其中为检测门限，η1为进行频谱空洞检测的决策门限，L为帧长，he为用户e使用的信道矩阵，h为期望信道矩阵，为从用户的信号方差，为主用户的信号方差。附图说明图1认知网络的参考结构示意图图2基于认知网络的QoS优化流程示意图具体实施方式为达到上述目的，本专利技术的技术方案如下：第一步，建立基于路径的延迟优化模型，具体为：业务发送优化概率模型为其中为节点v的发送冲突概率，τw为节点w发送业务流的概率，CWv为节点v的竞争窗口，k为节点w的具有优先级的业务数目，m为冲突退避门限，n为网络节点数，ξ为业务发送概率期望值。第二步，基于路径的延迟优化模型为：其中H为网络中的簇的集合，D为端到端需求集合，d为端到端需求标识，Rd为发送端和接收端之间的具有业务需求d的路径集合，θid为簇间跳数，若簇i的业务需求为d则θid＝2，反之则θid＝1，为业务需求d所产生的网络负载，wi为簇i中的数据包平均等待时间，为簇i中产生拥塞的概率，为决策变量，若业务需求d的路径r上的数据传输经过簇i则反之则cclus为网络中的簇的平均容量，minΣi∈Hwi]]>s.t.wi=1cclus·ρiclus1-ρiclus]]>∀i∈H:ρiclus=Σd∈DΣr∈Rdρddemθidδidr≤1.]]>第三步，建立基于认知的网络吞吐量模型，具体为：当主用户不存在时，网络的吞吐量当主用户存在时，网络的吞吐量hM×N为具有M个发送天线和N个接收天线的信道矩阵，和分别为从用户和主用户的信噪比，为高斯白噪声方差，Y为用户数，IN为单位阵。第四步，建立网络故障检测概率和错误报警概率，具体为：网络故障检测概率网络错误报警概率其中为检测门限，η1为进行频谱空洞检测的决策门限，L为帧长，he为用户e使用的信道矩阵，h为期望信道矩阵，为从用户的信号方差，为主用户的信号方差。本专利技术提出了一种基于认知网络的QoS优化方法，通过动态调节层叠网络容量和建立QoS优化模型，实现层叠网络的QoS弹性优化管理。本文档来自技高网...

【技术保护点】
一种基于认知网络的QoS优化方法，通过动态调节层叠网络容量和建立QoS优化模型，实现层叠网络的QoS弹性优化管理，包括如下步骤：A、建立基于路径的延迟优化模型；B、建立基于认知的网络吞吐量模型；C、建立网络故障检测概率和错误报警概率。

【技术特征摘要】
1.一种基于认知网络的QoS优化方法，通过动态调节层叠网络容量和建立QoS优化模型，实现层叠网络的QoS弹性优化管理，包括如下步骤：A、建立基于路径的延迟优化模型；B、建立基于认知的网络吞吐量模型；C、建立网络故障检测概率和错误报警概率。2.根据权利要求1的方法，对于所述步骤A其特征在于：业务发送优化概率模型为其中为节点v的发送冲突概率，τw为节点w发送业务流的概率，CWv为节点v的竞争窗口，k为节点w的具有优先级的业务数目，m为冲突退避门限，n为网络节点数，ξ为业务发送概率期望值。3.根据权利要求1的方法，对于所述步骤A其特征在于：基于路径的延迟优化模型为：其中H为网络中的簇的集合，D为端到端需求集合，d为端到端需求标识，Rd为发送端和接收端之间的具有业务需求d的路径集合，θid为簇间跳数，若簇i的业务需求为d则θid＝2，反之则θid＝1，为业务需求d所产生的网络负载，wi为簇i中的数据包平均等待时间，为簇i中产生拥塞的概率，为决策变量，若业务需求d的路径r上的数据传输经过簇i则反之则...

【专利技术属性】
技术研发人员：黄东，杨涌，龙华，沈俊，张矩，刘竟成，
申请(专利权)人：黄林果，
类型：发明
国别省市：重庆;50