-
随着信息技术的快速进展,制式各异、性能互补的各类通信网络与大量智能终端并存,形成了重叠覆盖的泛在无线环境[1-2]。泛在环境中,业务汇聚流量服从幂率分布,表现为各个小区的流量分布异常不均:部分小区资源分配殆尽而变得拥塞;部分小区资源大量闲置而非常空闲。将到达拥塞小区的接入需求迁移到周围空闲小区,可解决小区流量分布不均问题。特别地,对于高速率业务,需以多流并发方式[3]将业务分流并迁移接入到多个临近空闲小区,从而满足拥塞小区的高负载业务需求。多宿主迁移场景下,需求节点往往不在空闲小区的覆盖范围内或与其采用异构的通信方式,故需邻居节点的中继转发才能实现各业务流的迁移接入。然而,中继节点自私属性和泛在特点,使得中继激励和中继选择成为了实现多宿主迁移接入而必须解决的难题。
-
首先,构建基于买卖模型的中继激励机制:中继节点根据自身消耗的功率资源量出价,需求节点根据相应的分流容量大小出价,两者按照既定规则进行交易,以激励中继节点参与转发。根据前面所述,分流容量${\nu _{{r_{{k_i}l}}{d_i}}}$(业务子流路径的传输容量)等于相应的中继节点${r_{{k_i}l}} \in {R_{{k_i}}}$到小区基站${d_i} \in D$的蜂窝链路容量。该指标表征了经过${r_{{k_i}l}}$的业务子流路径所能承载的最大业务速率,依据香农定理表示为:
$$ {\nu _{{r_{{k_i}l}}{d_i}}} = {w_{{k_i}}}{\log _2}\left( {1 + \frac{{{p_{{r_{{k_i}l}}}}{\gamma _{{r_{{k_i}l}}{d_i}}}}}{{{n_{{d_i}}}{w_{{k_i}}}}}} \right) $$ (1) 式中,${w_{{k_i}}}$为空闲小区${k_i}$可分配的上行信道带宽;${p_{{r_{{k_i}l}}}}$为中继节点${r_{{k_i}l}}$愿意消耗的功率大小;${n_{{d_i}}}$表示链路接收端${d_i}$的高斯白噪声的功率谱密度;${\gamma _{{r_{{k_i}l}}{d_i}}}$为蜂窝链路的损耗系数。简单起见,${\gamma _{{r_{{k_i}l}}{d_i}}}$可表示为:
$$ {\gamma _{{r_{{k_i}l}}{d_i}}} = {g_{{r_{{k_i}l}}}}{g_{{d_i}}}{\left( {\frac{{{\lambda _{{k_i}}}}}{{4\pi }}} \right)^2}\zeta _{{r_{{k_i}l}}{d_i}}^\phi $$ (2) 式中,${g_{{r_{{k_i}l}}}}$和${g_{{d_i}}}$分别表示${r_{{k_i}l}}$的发射天线增益和${d_i}$的接收天线增益,仿真中统一设为1;${\lambda _{{k_i}}}$为传输信号波长,根据小区${k_i}$的上行载波频率而定;${\zeta _{{r_{{k_i}l}}{d_i}}}$为${r_{{k_i}l}}$到${d_i}$的距离;$\phi $为衰落系数。
在买卖模型之中,虚拟货币作为买卖双方出价的衡量标尺,具有类似于真实货币的各类属性[6-7]。为保证虚拟货币的可靠流通,该类货币应由第三方权威平台负责实时结算和精准记录。
-
作为买方,需求节点s显然期望各子流路径具有更大的分流容量,以承载其高速率业务需求。因此,分流容量越大,需求节点s相应出价越高。因此,需求节点s对中继节点${r_{{k_i}l}}$的出价表示为分流容量${\nu _{{r_{{k_i}l}}{d_i}}}$的递增函数形式:
$$ {\text{pr}}_{{r_{{k_i}l}}}^s = \delta \nu _{{r_{{k_i}l}}{d_i}}^2 $$ (3) 式中,$\delta > 0$为调节因子,用于调节出价的取值尺度。
作为卖方,中继节点${r_{{k_i}l}}$期望付出较小的成本代价获取较高的虚拟货币。采用${r_{{k_i}l}}$愿意消耗的功率大小${p_{{r_{{k_i}l}}}}$作为衡量成本代价的指标。考虑实际情况,为保证${r_{{k_i}l}}$到${d_i}$满足最低通信要求,${p_{{r_{{k_i}l}}}}$应大于阈值${p^{\min }}$;为保证${r_{{k_i}l}}$不对其他小区通信造成干扰,${p_{{r_{{k_i}l}}}}$应小于阈值${p^{\max }}$。一方面,消耗功率越大,中继节点${r_{{k_i}l}}$相应要价越高,要价函数应包含${p_{{r_{{k_i}l}}}}$的递增函数部分;另一方面,为防止要价过高导致交易失败,反而无法获得虚拟货币,要价函数还应引入${p_{{r_{{k_i}l}}}}$的递减函数部分。故而,中继节点${r_{{k_i}l}}$对需求节点s的要价应表示为${p_{{r_{{k_i}l}}}}$的平缓递增函数:
$$ {\text{pr}}_{{r_{{k_i}l}}}^y = \alpha p_{{r_{{k_i}l}}}^\varphi + \beta {{\text{e}}^{ - {p_{{r_{_{{k_i}l}}}}}}} $$ (4) 式中,$\alpha $和$\beta $为非负权重因子;$\varphi \geqslant 1$为幂率因子。
在公平交易过程之中,讨价还价和价值一致是必须遵循的基本原则[8]。由式(3)和式(4)可知,中继节点${r_{{k_i}l}}$和需求节点s分别从各自角度给出各自所认定的中继服务价值。买卖模型的关键在于通过讨价还价使得双方在价格承受范围之内对中继服务价值的认定趋于一致。趋于一致的中继服务价值即为成交价格,由基于双方出价的价值协商函数计算得到。
若${\text{pr}}_{{r_{{k_i}l}}}^y - {\text{pr}}_{{r_{{k_i}l}}}^s \leqslant 0$,则双方出价始终在对方价格承受范围之内,故总能达成交易。此时,价值协商函数:
$$ \begin{gathered} {\text{pr}}_{{r_{{k_i}l}}}^c = V({\text{pr}}_{{r_{{k_i}l}}}^s, {\text{pr}}_{{r_{{k_i}l}}}^y) = \\ {\text{pr}}_{{r_{{k_i}l}}}^y + \left( {\frac{{{\text{pr}}_{{r_{{k_i}l}}}^s - {\text{pr}}_{{r_{{k_i}l}}}^y}}{\pi }} \right)\arctan ({\text{pr}}_{{r_{{k_i}l}}}^s - {\text{pr}}_{{r_{{k_i}l}}}^y) \\ \end{gathered} $$ (5) 此种情况下,成交价格${\text{pr}}_{{r_{{k_i}l}}}^y \leqslant {\text{pr}}_{{r_{{k_i}l}}}^c \leqslant \frac{{{\text{pr}}_{{r_{{k_i}l}}}^y + {\text{pr}}_{{r_{{k_i}l}}}^s}}{2}$,介于双方出价之间并偏向${\text{pr}}_{{r_{{k_i}l}}}^y$,符合交易过程以卖方为主导的实际情况。若$0 < {\text{pr}}_{{r_{{k_i}l}}}^y - {\text{pr}}_{{r_{{k_i}l}}}^s \leqslant {\theta _{\min }}$,由于双方出价非常接近且以卖方为主,故价值协商函数:
$$ {\text{pr}}_{{r_{{k_i}l}}}^c = V({\text{pr}}_{{r_{{k_i}l}}}^s, {\text{pr}}_{{r_{{k_i}l}}}^y) = {\text{pr}}_{{r_{{k_i}l}}}^y $$ (6) 此种情况下,${\text{pr}}_{{r_{{k_i}l}}}^c$介于双方出价之间并等于${\text{pr}}_{{r_{{k_i}l}}}^y$。若${\theta _{\min }} < {\text{pr}}_{{r_{{k_i}l}}}^y - {\text{pr}}_{{r_{{k_i}l}}}^s \leqslant {\theta _{\max }}$,此时${\text{pr}}_{{r_{{k_i}l}}}^c$直接等于${\text{pr}}_{{r_{{k_i}l}}}^y$显然对于需求节点不够公平,故价值协商函数定义为:
$$ {\text{pr}}_{{r_{{k_i}l}}}^c = V({\text{pr}}_{{r_{{k_i}l}}}^s, {\text{pr}}_{{r_{{k_i}l}}}^y) = \frac{{{\text{pr}}_{{r_{{k_i}l}}}^s + {\text{pr}}_{{r_{{k_i}l}}}^y + {\theta _{\min }}}}{2} $$ (7) 此种情况下,${\text{pr}}_{{r_{{k_i}l}}}^c$仍然介于双方出价之间并偏向于${\text{pr}}_{{r_{{k_i}l}}}^y$。若${\text{pr}}_{{r_{{k_i}l}}}^y - {\text{pr}}_{{r_{{k_i}l}}}^s > {\theta _{\max }}$,此时双方差价过大,无法达成一致,交易失败。综合上述4种情况即可得到基于买卖模型的中继激励机制。需求节点针对中继节点子集${R_{{k_i}}}$各节点执行上述激励机制,即可得到初步成交中继节点子集${\text{C}}{{\text{R}}_{{k_i}}} = \{ {r_{{k_i}l}}|\forall {r_{{k_i}l}} \in {R_{{k_i}}}$且${r_{{k_i}l}}$达成交易},进而得到初步成交中继节点总集${\text{CR}} = \{ {\text{C}}{{\text{R}}_{{k_1}}}, {\text{C}}{{\text{R}}_{{k_2}}}, \cdots, {\text{C}}{{\text{R}}_{{k_N}}}\} $,最后得到分流容量总集${\text{FR}} = \{ {\text{F}}{{\text{R}}_{{k_1}}}, {\text{F}}{{\text{R}}_{{k_2}}}, \cdots, {\text{F}}{{\text{R}}_{{k_N}}}\} $ (${\text{F}}{{\text{R}}_{{k_i}}} = \{ {v_{{r_{{k_i}l}}{d_i}}}| \forall {r_{{k_i}l}} \in {\text{C}}{{\text{R}}_{{k_i}}}\} $分流容量子集)和成交价格总集${\text{PR}} = \{ {\text{P}}{{\text{R}}_{{k_1}}}, {\text{P}}{{\text{R}}_{{k_2}}}, \cdots, {\text{P}}{{\text{R}}_{{k_N}}}\} $(${\text{P}}{{\text{R}}_{{k_i}}} = \{ {\text{pr}}_{_{{r_{{k_i}l}}}}^c|\forall {r_{{k_i}l}} \in {\text{C}}{{\text{R}}_{{k_i}}}\} $成交价格子集)。
-
根据前面所述,对于每个空闲小区,最多选择一个中继节点接入的方式具有更优异的综合性能。因此,构建基于双层规划的中继选择模型:由上层优化模型得到面向各空闲小区的性价比最佳中继节点集,由下层优化模型得到满足节点s的业务速率要求且总交易价格最低的中继集合,以最佳性价比实现业务多流并发迁移接入。
在上层优化模型中,性价比指标${\mathit{\Omega }_{{r_{{k_i}l}}}}$被用以衡量空闲小区${k_i}$内中继节点${r_{{k_i}l}}$提供中继服务的综合性能:
$$ {\mathit{\Omega} _{{r_{{k_i}l}}}} = \frac{{{\nu _{{r_{{k_i}l}}{d_i}}}}}{{{\text{pr}}_{_{{r_{{k_i}l}}}}^c}}\;\;\;\forall {r_{{k_i}l}} \in {\text{C}}{{\text{R}}_{{k_i}}}, \forall {\text{C}}{{\text{R}}_{{k_i}}} \subset {\text{CR}} $$ (8) 可以看出,${\mathit{\Omega} _{{r_{{k_i}l}}}}$综合考虑了${r_{{k_i}l}}$的成交价格和分流容量。进而,构建面向小区${k_i}$的上层中继选择模型:
$$ \begin{gathered} {{r'}_{{k_i}}} = \mathop {\arg \;\max }\limits_{\forall {r_{{k_i}l}} \in {\text{C}}{{\text{R}}_{{k_i}}}} \{ {\mathit{\Omega} _{{r_{{k_i}l}}}}\} \\ {\text{s}}{\text{.t}}\;\;\;{\nu _{{r_{{k_i}l}}{d_i}}} \in {\text{F}}{{\text{R}}_{{k_i}}} \\ {\text{pr}}_{_{{r_{{k_i}l}}}}^c \in {\text{P}}{{\text{R}}_{{k_i}}} \\ \end{gathered} $$ (9) 式中,${\text{C}}{{\text{R}}_{{k_i}}} \subset {\text{CR}}$,${r'_{{k_i}}}$表示面向小区${k_i}$的最佳中继节点。对于各空闲小区分别执行上述模型,可得面向小区的最佳中继节点集${\text{OR}} = \{ {r'_{{k_1}}}, {r'_{{k_2}}}, \cdots, {r'_{{k_N}}}\} $。
-
由上层优化模型构建下层中继选择模型:
$$ \begin{gathered} {\text{Z}}{{\text{R}}^*} = \mathop {\arg \;\min }\limits_{\forall {\text{ZR}} \subset {\text{OR}}} \;\sum\limits_{\forall {{r'}_{{k_i}}} \in {\text{ZR}}} {{\text{pr}}_{{{r'}_{{k_i}}}}^c} \\ {\text{s}}{\text{.t}}\;\;\;\sum\limits_{\forall {{r'}_{{k_i}}} \in {\text{ZR}}} {{\nu _{{{r'}_{{k_i}}}{d_i}}}} \; \geqslant \nu _{{\text{req}}}^s \\ {\text{pr}}_{{{r'}_{{k_i}}}}^c \in {\text{P}}{{\text{R}}_{{k_i}}}, {\text{P}}{{\text{R}}_{{k_i}}} \subset {\text{PR}} \\ {\nu _{{{r'}_{{k_i}}}{d_i}}} \in {\text{F}}{{\text{R}}_{{k_i}}}, {\text{F}}{{\text{R}}_{{k_i}}} \subset {\text{PR}} \\ \end{gathered} $$ (10) 式中,$\nu _{{\text{req}}}^s$为需求节点s的业务速率要求;${\text{Z}}{{\text{R}}^*}$为满足业务速率需求且总成交价格最低的最终成交中继节点集。据此,需求节点s即可将业务分流到${\text{Z}}{{\text{R}}^*}$的各中继节点,从而最终实现多流并发迁移接入。
-
由前面可知,上层优化模型的最优解构成了下层优化模型的解空间,故被联合建模为双层规划模型[13]。对于上层优化模型,直接采用穷尽搜索方法暴力求解。此时,需求节点的计算复杂度不超过$O((2L - 1)N)$(L为接入不同空闲小区的初步成交中继个数的最大值,N为空闲小区个数),若由各小区基站分布式执行上层优化模型,则相应的计算复杂度不超过$O(2L - 1)$。由于L受实际中继个数所限,故上述解法的线性复杂度完全可以接受。
对于下层优化模型,直接采用暴力解法,需求节点的计算复杂度将超过$O({2^N})$,故而该优化问题是NP-Hard问题。为实现该优化问题的快速求解,引入一组N元0-1数值向量$({x_1}, {x_2}, \cdots, {x_N})$,将下层优化模型等价转化为0-1整数规划问题:
$$ \begin{gathered} \{ x_1^*, x_2^*, \cdots , x_N^*\} = \arg \;\min \;\sum\limits_{i = 1}^N {{\text{pr}}_{{{r'}_{{k_i}}}}^c\;{x_i}} \\ {\text{s}}{\text{.t}}\;\;\sum\limits_{i = 1}^N {{\nu _{{{r'}_{{k_i}}}{d_i}}}\;{x_i}} \geqslant \nu _{{\text{req}}}^s \\ {\text{pr}}_{{{r'}_{{k_i}}}}^c \in {\text{P}}{{\text{R}}_{{k_i}}}, {\text{P}}{{\text{R}}_{{k_i}}} \subset {\text{PR}} \\ {\nu _{{{r'}_{{k_i}}}{d_i}}} \in {\text{F}}{{\text{R}}_{{k_i}}}, {\text{F}}{{\text{R}}_{{k_i}}} \subset {\text{PR}} \\ {x_i} \in \{ 0, 1\} \;\;\;{\text{ }}1 \leqslant i \leqslant N \\ {{r'}_{{k_i}}} \in {\text{OR }}\;\;\;1 \leqslant i \leqslant N \\ \end{gathered} $$ (11) 显然,如果采用穷尽搜索方法求解$\{ x_1^*, x_2^*, \cdots, x_N^*\} $,共有$2N \cdot {2^N}$次计算操作,计算复杂度为$O(2N \cdot {2^N}) = O(N \cdot {2^{N + 1}})$。显然,当N较大时,穷尽搜索方法的计算量将会迅猛增加。可以证明,上述问题具有递推特性,可被视为0-1背包问题,应利用动态规划方法[14]加以求解。需将业务需求速率$v_{{\text{req}}}^s$以$\mathit{\Delta }$为量化间隔,使之成为离散整型量$\mathit{\Lambda} = \left[{\frac{{v_{{\text{req}}}^s}}{\mathit{\Delta} }} \right]$,$[\cdot]$表示取整运算。由此,可得动态规划的递推公式:
$$ \ell (i, j) = \min \{ \ell (i - 1, j), \ell \left( {i - 1, j - \;\left[ {\frac{{{\nu _{{{r'}_{{k_i}}}{d_i}}}}}{\mathit{\Delta} }} \right]} \right) + {\text{pr}}_{{{r'}_{{k_i}}}}^c\} \\ 1 \leqslant i \leqslant N, {\text{ }}1 \leqslant j \leqslant \mathit{\Lambda} $$ (12) 式中,$\left[{\frac{{{\nu _{{{r'}_{{k_i}}}{d_i}}}}}{\mathit{\Delta} }} \right]$表示分流容量${\nu _{{{r'}_{{k_i}}}{d_i}}}$的量化整型量,$\ell (0, j) = + \infty, j > 0$且$\ell (i, j) = 0, {\text{ }}j \leqslant 0$。根据式(12),可得以i为行以j为列的$\ell (i, j)$的二维递推表。若$\ell (i, j) = \ell (i - 1, j)$,则表明$x_i^* = 0$;若$\ell (i, j) = \ell \left( {i - 1, j - \;\left[{\frac{{{\nu _{{{r'}_{{k_i}}}{d_i}}}}}{\mathit{\Delta} }} \right]} \right) + {\text{pr}}_{{{r'}_{{k_i}}}}^c$,则表明$x_i^* = 1$;若三者均相等,则$x_i^* = 0$和$x_i^* = 1$均可。依据上述规则,可对二维递推表通过反向判断方式,最终获得全局最优解$(x_1^*, x_2^*, \cdots, x_N^*)$。
故动态规划方法的整体计算复杂度为$O(N(\mathit{\Lambda} + 1))$。考虑到前述穷尽搜索方法计算复杂度为$O(N \cdot {2^{N + 1}})$,则$N \geqslant {\log _2}(\mathit{\Lambda} + 1) - 1$时,动态规划方法效率更高;反之,则穷尽搜索方法效率更高。
综上,采用分类求解策略求解本文的双层规划模型:对于上层优化模型,直接采用穷尽搜索方法求解;对于下层优化模型,当$N \geqslant {\log _2}(\mathit{\Lambda} + 1) - 1$时,采用动态规划方法求解,反之则采用穷尽搜索方法求解。
-
综上所述,本文算法的流程为:
1) 初始化网络场景,形成多空闲小区(个数为N)、多中继节点的泛在通信场景;初始化系统参数:各空闲小区的${w_{{k_i}}}$、${n_{{d_i}}}$、${g_{{d_i}}}$和${\lambda _{{k_i}}}$,各中继节点的${p_{{r_{{k_i}l}}}}$、${g_{{r_{{k_i}l}}}}$、${\zeta _{{r_{{k_i}l}}{d_i}}}$和$\phi $,需求节点的$\nu _{{\text{req}}}^s$;初始化算法参数:$\delta $、${p^{\min }}$、${p^{\max }} \alpha $、$\beta $、$\varphi $、${\theta _{\min }}$、${\theta _{\max }}$、$\mathit{\Delta }$。相关节点均通过分布式感知获得上述信息。
2) 一旦需要业务迁移,需求节点根据式(1)~式(3)出价,中继节点根据式(4)出价,两者根据式(5)~式(7)分布式执行基于买卖模型的激励机制,由此得到初步成交中继节点总集CR、分流容量总集FR和成交价格总集PR。
3) 需求节点通知各空闲小区基站根据式(8)~式(9)分布式建立上层优化模型,并采用穷尽搜索方法求解,得到面向小区的最佳中继节点集OR。
4) 需求节点根据式(11)建立下层优化模型,根据N的大小选择穷尽搜索方法或者动态规划方法求解,得到$(x_1^*, x_2^*, \cdots, x_N^*)$。
5) 需求节点根据OR和$(x_1^*, x_2^*, \cdots, x_N^*)$,采用达成一致的成交价格激励相应的中继节点实现多流接入,从而以最佳性价比保障自身高速率业务需求。
-
在规定范围的矩形区域内通过随机方式部署网络小区和网络节点,异构小区之间重叠覆盖,确保需求节点的临近空闲小区平均数N=8,各空闲小区的相应中继节点数服从[10, 20]的均匀分布。相关参数设置如表 1所示。本仿真基于蒙特卡罗方法,并通过Java语言实现。所有数据点均为10次仿真结果的平均值。
表 1 参数设置
名称 符号 取值 空闲小区${k_i}$可分配的上行信道带宽/ MHz ${w_{{k_i}}}$ [0.1, 1]随机选取 链路接收端${d_i}$的高斯白噪声的功率谱密度/dBm·Hz-1 ${n_{{d_i}}}$ -93 ${d_i}$的接收天线增益 ${g_{{d_i}}}$ 1 传输信号波长 ${\lambda _{{k_i}}}$ 由相应制式的上行频率得到 中继节点${r_{{k_i}l}}$愿意消耗的功率大小/W ${p_{{r_{{k_i}l}}}}$ [0.1, 2]随机选取 ${r_{{k_i}l}}$的发射天线增益 ${g_{{r_{{k_i}l}}}}$ 1 ${r_{{k_i}l}}$到${d_i}$的距离 ${\zeta _{{r_{{k_i}l}}{d_i}}}$ 由基站位置和节点位置得到 衰落系数 $\varphi $ -4 需求节点s的业务速率要求 $\nu _{{\text{req}}}^s$ [5, 25] Mbps依次取值 调节因子 $\delta $ 4 最小功率阈值/W ${p^{\min }}$ 0.1 最大功率阈值/W ${p^{\max }}$ 2 权重因子Ⅰ α 5.89 权重因子Ⅱ β 6 幂率因子 $\varphi $ 1.4 差价参数Ⅰ/units ${\theta _{\min }}$ 13 差价参数Ⅱ/units ${\theta _{\max }}$ 26 量化间隔/Mb·s-1 $\mathit{\Delta} $ 1 由于每个节点均假定为自私的,故采用自私性(selfishness)表示中继节点拒绝合作的概率。各中继节点以该概率决定合作与否。若节点自私性小于某一阈值,则视为合作节点,反之视为非合作节点,仿真中该阈值设为0.4。假设所有节点的初始虚拟货币数为1 000 units,合作节点和非合作节点初始化为各占节点总数的50%(即相应的节点密度均为0.5),合作节点和非合作节点的自私性分别初始化为0.2和0.8。此外,当任一节点提供中继服务后而未获得激励,其合作意愿均会降低,即节点自私性提高(仿真中,每次提高0.1),从而导致合作节点转化为非合作节点。图 2给出了在没有执行中继激励机制情况下合作节点和非合作节点的节点密度随小区节点数的变化比较。小区节点数越多意味着小区拥塞可能性提高,希望业务迁移的需求节点随之增加。如图 2所示,当节点数较少时,需求节点将很少,中继节点提供中继服务的机会和次数就会较少,因而相应的节点密度在初始值0.5左右;随着节点数增加,需求节点将增加,中继节点提供中继服务的机会和次数也会增加,在没有给予激励的情况下合作节点因自私性提高变为非合作节点,故而合作节点密度降低且非合作节点密度升高;随着节点数增大到一定数值,需求节点将很多,各中继节点提供多次中继服务后均将转换为非合作节点,即合作节点密度趋于0而非合作节点密度趋于1。显然,没有激励机制的中继服务无法持久,最终导致没有节点愿意提供中继服务,进而难以保证需求节点的业务体验。因此,引入本文提出的中继激励机制变得非常必要。
图 3给出了采用本文的中继激励机制在不同自私性下中继节点的平均收益(获得的虚拟货币数)随请求交易次数的变化。这里,假设所有中继节点的自私性均统一设为selfishness,请求交易次数指每个中继节点被请求提供服务的次数。如图 3所示,中继节点自私性越大,其实际参与交易的次数越小,因而所获收益越小;在自私性一定时,随着请求交易次数的增加,中继节点实际参与交易(提供服务)的次数增加,因而所获收益相应增加。显然,在继激励机制的刺激下,各中继节点的收获正比于付出,故而愿意提供中继服务,以便获得更多的虚拟货币。
在初步验证了本文中继激励机制有效性的基础上,进一步构建3类比较算法(PEF算法、RPP算法和QRPS算法)以评估本文算法(基于激励机制的双层规划中继选择算法)的整体性能。PEF算法综合考虑了中继节点的能量代价和时延代价,采用基于转发补偿的定价激励机制[15],在此价格基础上,选择各小区性价比最佳的中继节点(参见3.2.1节),从中选出若干性价比排序在前的中继节点,直到满足需求节点的业务速率为止。RPP算法采用基于发射功率和剩余能量比值的定价激励机制[16],以此价格为基础,采用同于PEF算法的中继选择方法。QPRS算法采用本文的基于买卖模型的定价激励机制(参见3.1节),从每个小区各随机选择一个中继节点,并从中选出若干的中继节点,直到满足需求节点的业务速率为止[17]。图 4给出了基于上述4类算法的需求节点支出随业务需求速率变化的比较结果。这里,4类算法均面向多宿主场景分别选择出各自中继节点集,以此为基础统一按照本文定价机制计算需求节点总支出,以保证在相同的指标下比较性能。图 5给出了基于4类算法的中继节点发射功率随业务需求速率变化的比较结果。这里,4类算法均面向多宿主场景分别选择出各自中继节点集,以此为基础计算集合内所有中继节点的发射功率之和。如图 4和图 5所示,随着业务需求速率的增加,基于4类算法的业务需求节点支出和中继节点发射功率均随之增加。比较4类算法可知,QPRS算法以随机方式选择中继节点集,相应地性能最差(需求节点支出和中继节点发射功率均最高);PEF算法和RPP算法采用类似于本文3.2.1节方法(上层优化模型)选择性价比最佳的中继节点集,需求节点支出和中继节点发射功率性能均介于QPRS算法和本文算法之间;相比于PEF算法,RPP算法定价机制更加接近于本文算法(将发射功率作为主要定价因素),故而RPP算法性能均优于PEF算法;相比3类比较算法,本文算法基于更加合理的定价激励机制,采用双层规划模型选择全局最优的中继节点集,故而在保障业务需求速率的前提下在需求节点支出和中继节点发射功率两个方面的性能表现均最佳。
An Incentive Mechanism Based Bi-level Programming Relay Selection Algorithm for Multi-homing Scenario
-
摘要: 面向泛在无线环境下的多宿主场景,基于多流并发思想探索拥塞小区内高速率业务需求保障问题,该文提出一种基于激励机制的双层规划中继选择算法。首先,建立基于买卖模型的中继激励机制,获得初步成交的中继集合及对应的交易标的值。在此基础上,构建基于双层规划的中继选择模型,以获得最终达成交易的中继集合及对应的交易标的值。借助分类求解策略以快速得到该模型的最优解,从而选择出性价比最佳中继用于协作转发并实现拥塞小区内高速率业务的可靠保障。仿真结果验证了该算法的有益效果。Abstract: For the multi-homing scenario of ubiquitous wireless environment, a novel incentive mechanism based bi-level programming relay selection algorithm is proposed. According to characteristics of multi-homing scenario, this paper investigates high rate service guarantee problem in congestion cells based on multi-flow parallel access. First, a bargain model based relay incentive mechanism is constructed to obtain the preliminary deal relay set and the corresponding deal results. Second, by using a bi-level programming based relay selection model, the final deal relay set and the corresponding deal results can be obtained. In particular, by means of differentiated solving strategy, the optimal solution of this model can be obtained rapidly, thus selecting cooperation relays with the optimal performance-price ratios and guaranteeing high rate services in congestion cells. Extensive simulations verify the effectiveness of the proposed algorithm.
-
表 1 参数设置
名称 符号 取值 空闲小区${k_i}$可分配的上行信道带宽/ MHz ${w_{{k_i}}}$ [0.1, 1]随机选取 链路接收端${d_i}$的高斯白噪声的功率谱密度/dBm·Hz-1 ${n_{{d_i}}}$ -93 ${d_i}$的接收天线增益 ${g_{{d_i}}}$ 1 传输信号波长 ${\lambda _{{k_i}}}$ 由相应制式的上行频率得到 中继节点${r_{{k_i}l}}$愿意消耗的功率大小/W ${p_{{r_{{k_i}l}}}}$ [0.1, 2]随机选取 ${r_{{k_i}l}}$的发射天线增益 ${g_{{r_{{k_i}l}}}}$ 1 ${r_{{k_i}l}}$到${d_i}$的距离 ${\zeta _{{r_{{k_i}l}}{d_i}}}$ 由基站位置和节点位置得到 衰落系数 $\varphi $ -4 需求节点s的业务速率要求 $\nu _{{\text{req}}}^s$ [5, 25] Mbps依次取值 调节因子 $\delta $ 4 最小功率阈值/W ${p^{\min }}$ 0.1 最大功率阈值/W ${p^{\max }}$ 2 权重因子Ⅰ α 5.89 权重因子Ⅱ β 6 幂率因子 $\varphi $ 1.4 差价参数Ⅰ/units ${\theta _{\min }}$ 13 差价参数Ⅱ/units ${\theta _{\max }}$ 26 量化间隔/Mb·s-1 $\mathit{\Delta} $ 1 -
[1] AKHTMAN J, HANZO L. Heterogeneous networking:an enabling paradigm for ubiquitous wireless communications[J]. Proceedings of the IEEE, 2010, 98(2):135-138. doi: 10.1109/JPROC.2009.2037213 [2] REINA D G, TORAL S L, ASIMAKPOULOU E, et al. The role of congestion in probabilistic broadcasting for ubiquitous wireless multi-hop networks through mediation analysis[J]. Pervasive and Mobile Computing, 2015, 24:16-29. doi: 10.1016/j.pmcj.2015.06.014 [3] GENG R F, ZHANG H. Multi-flow parallel transmission optimization algorithm based on network cooperation in wireless ubiquitous environment[J]. Journal of Information and Computational Science, 2015, 12(4):1479-1490. doi: 10.12733/issn.1548-7741 [4] BEHROUZ J, LI L, TIE Q, et al. A game theoretic incentive scheme for social-aware routing in selfish mobile social networks[J]. Future Generation Computer Systems, 2016, 70(C):178-190. http://cn.bing.com/academic/profile?id=e8b3674422026dbe0c5c97a64a652f6e&encoded=0&v=paper_preview&mkt=zh-cn [5] SHEN H Y, LI Z. A hierarchical account aided reputation management system for MANETs[J]. IEEE/ACM Transactions on Networking, 2015, 23(1):70-84. doi: 10.1109/TNET.2013.2290731 [6] 刘浩, 陈志刚, 张连明.自私性移动P2P网络中节点激励策略研究[J].电子与信息学报, 2017, 39(8):1986-1992. http://d.old.wanfangdata.com.cn/Periodical/dzkxxk201708029 LIU Hao, CHEN Zhi-gang, ZHANG Lian-ming. Research on node incentive protocol in selfish mobile peer-to-peer network[J]. Journal of Electronics & Information Technology, 2017, 39(8):1986-1992. http://d.old.wanfangdata.com.cn/Periodical/dzkxxk201708029 [7] HEMANTH M, SANJAY K M, MARK L. Incentive based approach to find selfish nodes in mobile P2P networks[C]//2012 IEEE 31st International Performance Computing and Communications Conference (IPCCC). Piscataway: IEEE, 2012: 352-359. [8] ZHENG Z, SONG L Y, DUSIT N, et al. Resource allocation in wireless powered relay networks:a bargaining game approach[J]. IEEE Transactions on Vehicular Technology, 2017, 66(7):6310-6323. doi: 10.1109/TVT.2016.2641930 [9] 张晖, 任文辉, 娄亚翔.业务迁移场景下利用信誉值的拓扑构造激励算法[J].西安交通大学学报, 2017, 51(6):66-72. http://d.old.wanfangdata.com.cn/Periodical/xajtdxxb201706011 ZHANG Hui, REN Wen-hui, LOU Ya-xiang. An incentive algorithm with topological construction using reputation for service migration scenario[J]. Journal of Xi'an Jiaotong University, 2017, 51(6):66-72. http://d.old.wanfangdata.com.cn/Periodical/xajtdxxb201706011 [10] SHEIKH T B. Energy-efficient distributed relay selection in wireless sensor network for Internet of Things[C]//2017 13th International Wireless Communications and Mobile Computing Conference (IWCMC). Piscataway: IEEE, 2017: 1802-1807. [11] AYSWARYA P, VALTTERI T, HE J. Minimum power based relay selection for orthogonal multiple access relay networks[C]//2017 European Conference on Networks and Communications (EuCNC). Piscataway: IEEE, 2017: 1-5. [12] SUN H, MORT N P. Hop-by-hop relay selection strategy for multi-hop relay networks with imperfect CSI[J]. IET Communications, 2017, 11(9):1387-1395. doi: 10.1049/iet-com.2016.1454 [13] ZHOU X Y, TU Y, HU R J. A class of decentralized bi-level programming with multi-objectives in the upper level[C]//2015 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD). Piscataway: IEEE, 2015: 391-396. [14] AWANGE J L, BELA P, LEWIS R H, et al. Mathematical geosciences:Hybrid symbolic-numeric methods[M]. Berlin:Springer, 2018:185-206. [15] ILERI O, MAU S C, NARAYAN B M. Pricing for enabling forwarding in self-configuring AD hoc networks[J]. IEEE Journal on Selected Areas in Communications, 2005, 23(1):151-162. doi: 10.1109/JSAC.2004.837356 [16] WU M Y, WEI S. RPP: a distributed routing mechanism for strategic wireless ad hoc networks[C]//IEEE Global Telecommunications Conference. Piscataway: IEEE, 2004: 2885-2889. [17] CHO S R, CHOI W, HUANG K B. QoS provisioning relay selection in random relay networks[J]. IEEE Transactions on Vehicular Technology, 2011, 60(6):2680-2689. doi: 10.1109/TVT.2011.2153220