基于智能建筑環境的吞吐量和QoS 優化方案

許威，林月娥，張霞

（1.北京城建設計發展集團股份有限公司，北京 100037；2.北京理工大學信息與電子學院，北京 100081）

物聯網（IoT）以其創新的解決方案和不同領域中具有的優勢，在通信和網絡行業中已變得異常重要。物聯網提供了從醫療保健到監測環節等多種應用程序[1-2]，因此基于物聯網的網絡已成為未來應用程序中最有前景的技術之一。物聯網是由智能物理對象（設備、車輛、建筑物和其他物品）組成的網絡，配備有各種微控制器、收發器和協議，用于傳播感知和控制信息。所以，物聯網旨在為智能對象提供無處不在的連接。連接這些異構對象的最新技術包括RFID、UWB、藍牙、ZigBee、WiFi Direct 等。而這些技術使用非許可頻譜進行操作[3]，在已建立鏈路上的QoS 是不可控制的。但是，QoS 對物聯網來說又至關重要，需要一種創新的解決方案來確保所需的QoS。認知無線電（Cognitive Radio,CR）技術是一種前景較好的解決方案，因為它可以利用未經許可的頻譜和經過許可的頻譜進行傳輸。

智能建筑是建筑、電氣和信息技術的融合，是通過網絡系統和設備的聚合而產生的建筑概念，這些設備屬于不同的系統,它們在數據速率、延遲和誤碼率方面有不同的QoS 要求。因此，這些設備的集成必須以更高的頻譜效率完成。提高頻譜效率的關鍵技術之一是認知無線電（CR）技術，因此將CR 技術應用于這些物聯網設備。

在基于CR 的網絡（CRN）中，有兩種用戶：主用戶（PU）和CR用戶或輔助用戶（SU），CR僅允許使用PU未使用的頻譜。在不失一般性的前提下，為支持認知物聯網的智能建筑系統保留相同的PU 和CR 術語，即部署在建筑物內的移動用戶、物聯網設備和網絡監視器（NM）稱為CR 或SU，少數移動終端稱為PU[4]。可以根據CRN 的架構（集中式或分布式）、分配行為（協作或非協作）、訪問技術（底層或重疊式）和范圍（內部或內部）來對CRN 的信道分配領域中的工作進行分類[5-6]。王玉等[7]提出了一種基于不同業務服務質量要求的通信頻譜資源分配算法，該算法可以有效提升系統總吞吐量，但是網絡存在延遲，效果不佳；張淑華等[8]設計了一種基于組合智能算法的無線網絡信道分配方法，該方法可以大幅度提升無線網絡的吞吐量，數據傳輸丟包率遠小于單一的遺傳算法，但其蜂窩用戶的通信質量較差。因此，文中提出了一種新的信道分配方案，該方案考慮了不同物聯網設備的QoS 要求、PU 活動導致的信道可用性以及不同應用程序在不同物聯網設備上運行的流量模式。

1 系統模型

智能建筑環境由一個中央實體、Q個頻譜傳感器、I個IoT 設備、M個移動用戶和N個免費許可信道組成。中央實體負責管理頻譜，包括頻譜感知和頻譜分配。在頻譜分配期間，中央實體將可用的許可信道分配給IoT 設備和移動用戶，物聯網設備和移動用戶被視為SU，但不執行頻譜感知任務，這是因為在頻譜感知任務中使用了專用傳感器，它不僅有助于節省IoT 設備和移動用戶的能源，而且還減少了頻譜感知過程中的延遲。頻譜傳感器感知不同的信道，以檢查它們是否為空，并將其決策發送給中央實體。在頻譜感知之后，中央實體執行信道分配，以將空閑信道分配給物聯網設備和移動用戶。將物聯網設備、移動用戶和網絡監視器（NM）劃分到C 類。每個類別在數據速率(αmin)、誤碼率(βmin)和穩定性指數(γmin)方面都有最低要求。由于物聯網涉及能量受限的設備，所以無法遠距離傳輸[9-10]；否則，其電池將很快耗盡。為了促進物聯網與中央實體的通信，將智能建筑分為多個部分，每個部分都有特定的網關，SU 與中央實體之間通過網關進行通信。SU、網關和中央實體之間的幀交換序列如圖1 所示。

圖1 SU、網關和中央實體之間的幀交換序列

各幀的簡要說明如下：每個要發送數據的SU 都將I-REQ 消息定向到其各自的網關，I-REQ 消息指定具體的用戶類別。收到所有SU 的I-REQ 后，網關將C-REQ 消息轉發到中央實體，C-REQ 消息包括與特定網關相關聯的所有SU 需求信息。從所有網關接收到C-REQ 消息后，中央實體將最大程度地服務用戶，同時根據每個SU 的類確保最低的QoS 要求。對于分配給SU 的信道，中央實體考慮信道的數據速率、誤碼率和穩定性指數，向每個網關廣播C-GRANT 消息，其中包括分配給每個SU 的信道列表。之后，網關將I-GRANT 消息定向到相應的SU，I-GRANT 包含分配給每個SU 的信道號。若PU 在任何信道上返回，則由中央實體向網關生成PUDETECT 消息，以指示PU 在預定信道上到達。因此，網關向SU 生成CH-PAUSE 消息以停止其正在進行的傳輸，以避免干擾PU。

1.1 容量和誤碼率

假設每個SU 都屬于某個類別c，滿足c∈C，并以功率傳輸信號。令ρk為SU 在第k個信道上受到的干擾，σ為噪聲含量，可以使用式（1）來計算第k個信道上SU 可達到的數據速率：

其中，K=-1.5/lg(5×)，b為第k個信道上SU的BER。

1.2 頻譜感知

由于SU 使用CR 技術，將獨立的頻譜傳感器部署在智能建筑的頂部和內部，負責檢測SU 頻譜中的空白點。基于發射體檢測（頻譜傳感器接收到的信號）的假設模型如式（2）所示：

其中，rk(t)為頻譜傳感器在第k個信道上接收到的信號，(t)為PU 的傳輸信號，h(t)為信道響應，表示噪聲含量。簡化后，使用一個基于雙閾值的能量檢測器，該檢測器按如下方式計算第k個信道上的PU 信號能量：

如果Ek的值大于閾值-1，則認為PU 存在于第k個信道上，故SU 不能使用第k個信道進行傳輸；若Ek的值小于閾值-2，則證明該信道可供SU 使用。

1.3 信道穩定性指數

如前所述，獨立的頻譜傳感器用于PU 檢測。每個頻譜傳感器在每個感知間隔上創建一個矢量，并將其直接轉發到中央實體，中央實體基于信道的穩定性指數來表征信道的特征，PU 活動最少的信道被認為是最穩定的信道。設fk={f1,f2,…,fT}為歷史狀態向量(HSV)，表示第k信道在T時段的PU 活動。為了更好地預測PU 活動，將HSV 垂直劃分為不同的區域，其中z=1 表示最新區域，z=Z表示HSV 的最舊區域。假設πk={π1,π2,…,πZ}表示在HSV 不同區域中的連續空閑槽數，wk＝{w1,w2,…,wZ} 表示分配給HSV 各區域的權重。從最新的HSV 樣本到較舊的HSV 樣本，權重的分配順序是遞減的。穩定性指數可由式（4）給出：

其中，θk表示第k個信道的穩定性指數。θk的值越大，表明該信道越穩定，并且其PU 活動越少。

2 粒子群優化算法

為了在智能建筑中為SU 提供所需的QoS，需要找到一個最佳的信道分配調度，以處理最大請求數[11-12]。考慮到SU 的需求和可用信道，文中提出了一種優化方案，以在特定時間內最大化服務的用戶數量，從數學上可以表示為式（5）：其中，為二進制變量，取值為0 或1。如果=1，則意味著將信道k分配給屬于類c的第u個用戶。優化問題試圖在可用信道、用戶數量和類上最大化的總和。粒子群優化算法是一種從鳥類社會行為中獲得靈感的人工智能技術，被用來近似求解涉及大搜索空間的優化問題[13-15]。鳥類種群中的個體被稱為粒子，它代表給定問題的可能解決方案。每個粒子的適合度表明它與理想解決方案的距離，該方案具有明確的邊界，粒子在三維邊界(鳥類飛行空間)內運動。設P為粒子總數，表示第j個粒子(1 ≤P≤D)在迭代τ處的位置，其中表示粒子在第d(1 ≤d≤D)維空間中的位置。在迭代τ處，第j個粒子的速度記為它在范圍[-Vmax,Vmax]內變化。

在每次迭代過程中，都會評估粒子的適合度以指示其優點。粒子的位置取決于兩個關鍵參數[16-17]：1）粒子最佳(Pbτ)；2）鄰居最佳(Nbτ)。令Pbτ表示第j個粒子的最佳位置，并且是鄰居最佳位置。如果將其余粒子視為鄰居，則該術語可以稱為全局最佳，可以用Gbτ表示，該參數有助于快速收斂到可能的解決方案。利用式（6）和式（7）可以更新單個粒子的速度和位置：

其中，η1和η2分別為學習因子或加速度系數，而δ1和δ2均為0～1 范圍內的隨機數。和分別表示第j個粒子的更新位置和速度因子。

2.1 粒子編碼

編碼過程是粒子群優化過程中的重要步驟之一。對于當前問題，解決方案是將N個信道分配給M個移動用戶、I個IoT 設備和網絡監視器。使用上述編碼方案執行模擬場景，并假設移動用戶、傳感器和網絡監視器在離散信道上提供服務。

圖2 為兩種流量場景（即低流量和高流量）的編碼過程。粒子1 的大小為20，表示來自移動用戶、IoT 和網絡監視器的請求總數，而粒子2 的長度為40。從給定方案中可以明顯看出，粒子在向移動用戶、IoT 和網絡監視器分配信道方面可以表示最佳的解決方案。

圖2 粒子編碼

2.2 位置和速度更新

為了獲得最優解，粒子群需要更新其速度和位置。第j個粒子的速度可以用D維矢量表示，其中每個元素都是隨機實數，表示給定迭代的信道分配變化。例如，對于一個用于低負載流量的粒子，將速度矢量(-13,5,2,-8,33,24,-22,…,-19,41,6,55)加到位置矢量(5,42,58,69,21,6,18,…,6,11,22,30)上，形成粒子的新位置(8,47,80,61,54,30,4,…,13,52,28,85)。為了獲得粒子在D維空間內的最新位置，可以使用給定范圍[-Vmax,Vmax]來限制速度。

3 性能評估

文中使用Matlab 中的仿真結果評估所提出方案的性能。為了提高清晰度，將結果分為兩部分。第一，給出了低流量和高流量情況下的仿真結果，以表明所提出的方案能夠快速收斂到最優解。第二，將提出的解決方案與現有方案在QoS 參數(如數據速率、BER 和穩定性指數)方面進行了比較。通過改變迭代次數、信道、流量負荷和穩定性指數（SoC），研究了這些評價參數的影響。采用蒙特卡羅仿真模型，得到迭代次數超過500 次的平均結果。PU 流量使用開/關狀態建模，PU 到達率范圍為0.0～0.6。為了簡化SoC 計算，保留了30個時隙的PU歷史記錄，將其劃分為三個區域，權重分別為ω1=0.6，ω2=0.25和ω3=0.15。

3.1 平均目標函數

圖3 所示為四種不同粒徑的目標函數隨迭代次數的變化曲線。粒子群優化算法是一種迭代算法，通常在一定次數的迭代后才能得到最優解，停止標準（就迭代而言）取決于目標函數和給定問題的約束。通過曲線圖可以清楚地看出，12 個粒子是最合適的種群大小。其余的模擬是使用12 個粒子的種群進行的。此外，該方案在兩種情況下均能快速收斂得到最優解。例如，在圖3 所示的低流量情況下，提出的方案滿足了SU 95%以上的請求，在圖4 所示的高流量情況下，滿足了SU 90%的請求。因此，提出的方案可有效地管理智能建筑中SU 的異構流量。

圖3 低流量情況下的平均目標函數

圖4 高流量情況下的平均目標函數

3.2 與現有方案比較

文中比較了提出的方案與基于吞吐量、可靠性和SoC 的隨機信道選擇(RCS)方案以及貪婪信道選擇(GCS)兩種現有方案的性能。RCS 從概率為的可用信道池中隨機選擇一個信道分配給SU，而不考慮其QoS，而GCS 為每個用戶選擇一個局部最優信道，以期得到全局最優解。與現有方案比較，選擇高流量模式并進行500 次迭代仿真，采用蒙特卡洛原理給出平均值。圖5 根據網絡的整體吞吐量將提出方案與RCS 和GCS 方案進行了比較，將SU 的總吞吐量與現有方案進行了比較，以說明建議方案的性能增益。從圖中可以看出，所提出方案的吞吐量在0.74～1.75 Mbps 的范圍內，而RCS 的吞吐量在0.378～1.0 Mbps 之間變化，GCS 的吞吐量在0.43～1.505 3 之間變化。可以計算出提出方案與RCS 方案相比，其最大吞吐量提升了[(1.75-1.0)/1.0]×100%=75%，同理可得提出方案與GCS 方案相比，其最大吞吐量提升了16.25%。因此，所提出方案優于RCS 和GCS 方案。基于可靠性的比較如圖6 所示，對結果進行了500 次仿真，然后繪制平均可靠性指標曲線。在可靠性指標上，RCS 的可靠性最大值為0.687 2，文中方案的可靠性最大值為0.959 8，由此可計算出文中方案相較于RCS 方案在可靠性方面提升了[(0.9596-0.687)/0.687]×100%=39.68%。雖然與RCS 相比，GCS顯示出領先的模式，但仍然落后于所提出方案。

圖5 吞吐量的累積分布函數

圖6 可靠性的累積分布函數

4 結論

針對智能建筑環境開發了一種大吞吐量和QoS優化方案，該方案根據所需的QoS 將信道分配給移動用戶、IoT 設備和網絡監控器。該方案在可靠性（低誤碼率）方面提高了39.68%。考慮到網絡的總吞吐量，與貪婪和隨機共享方案相比，所提出方案分別提高了16.25%和75%的吞吐量。因此，該方案可以支持更高密度的用戶，并獲得具有競爭力的性能增益。