基于SVM的飞行自组网分类切换MAC协议.pdf

年 无线电工程 第 卷 第 期：引用格式：陈虎，赵一帆，吴波，等基于的飞行自组网分类切换协议无线电工程，（）：，（）：基于的飞行自组网分类切换协议陈虎，赵一帆，吴波，范菁，闫涛，唐嘉宁（云南民族大学 电气信息工程学院，云南 昆明）摘要：飞行自组织网络（，）具有节点高速移动、拓扑频繁变化的特点，单一媒体接入控制（，）协议难以满足的多样化业务需求，针对该问题，提出一种基于支持向量机（，）的分类切换（）协议。通过融合吞吐量、延迟和丢包率进而提出通信质量因子作为数据集标签的标定准则，解决了指标类型、量纲不一致的问题，以网络服务质量（，）整体最优为目标构建基于的分类切换器。考虑使用种备选协议联合控制，在动态变化的网络环境中，使全网无人机节点实时选择当下整体更优的备选协议。仿真实验表明，与相比较，最佳协议运行时间比提高了，平均吞吐量提高了，平均端到端时延降低了，平均丢包率降低了。关键词：飞行自组织网络；媒体接入控制协议；自适应；支持向量机；指标融合中图分类号：文献标志码：开放科学（资源服务）标识码（）：文 章 编 号：（），（，）：（），（），（），（），：；收稿日期：基金项目：国家自然科学基金（）：（）引言近年来，无人机（，）技术发展迅速，在航空摄影、通信、森林火灾监测和搜救等领域得到了广泛应用。单架的通信和感知能力为多架协同作战提供了基础，使得协同工作的小型取代大型飞机成为可能。由于能够支持多架之间的高效、实时和协作通信，飞行自组织网络（，）受到了工业界和学术界的关注。但是，多的协同配合面临着一系列技术挑战，如何保证之间快速、可靠地通信是确保多之间相互协作的重要问题之一。中的媒体接入协议一直是核心研究问工程与应用书书书 题之一，因为它决定多个节点如何高效共享信道资源。中使用的 协议可分为 类：基于竞争的协议，例如带冲突避免的载波侦听多址（）和调度类型协议，例如时分多址（）。是目前应用最广泛的异步多址访问协议之一，该协议实现简单，非常适合于 网络等动态应用。在低负载的网络场景下，性能表现优秀；然而在高负载网络场景中，节点的端到端延时将不可估计。协议具有传输效率高、平均端到端时延低的特点，基于调度机制的 协议能够在高负载网络环境中为 通信节点提供更加公平的接入机制，减少站点的平均端到端延时，从而提高网络吞吐量。因此，不同类型的 协议适用于不同的网络场景：在网络场景处于低负载时，竞争类型 协议网络性能表现更优；在网络场景处于高负载时，调度类型 协议网络 性 能 表 现 优 于 竞 争 类 型 协 议。因 为 具有临时、动态、灵活和快速组网等特点，存在大量不同的应用场景和不同的数据传输模式，因此，需要一种能够实现在不同 协议之间切换的方法以满足 中的多样化业务需求。目前，针对 协议选择切换已有一些研究。文献 可以实现根据当前的网络场景同步切换 协议，同时也验证了竞争协议更适合于负载较轻的网络，而非竞争协议更适合于负载较重的网络。文献 通过对通信统计量的收集与计算寻找基于吞吐量的切换阈值，使用吞吐量和网络负载寻找 协议切换阈值的方式可以快速做出切换决策。文献 考虑到交通负荷和 数量，可以调整控制通道间隔和服务通道间隔的长度，以更好地利用信道。与固定信道 协议相比，端到端延迟和吞吐量得到了改善。文献 提出了一种分时混合 协议，不 同 于 使 用 固 定 长 度 时 隙 交 替 运 行 与 协议，该协议根据网络负载与信道竞争情况动态调整时隙分配策略与协议选择。在负载较大时，长时间连续多个时隙运行同一种协议，提高网络吞吐量，称为持续分配。机器学习的发展为这些问题提供了潜在的解决方案，例如，利用机器学习算法从复杂的数据中自动提取高级特征，用以指导网络尽量寻求到最优解和最佳路径，保证 协议的高效性和稳健性。文献 提出了一种基于支持向量机（，）的 协议分类方法，选择接收功率均值和方差作为训练特征对 协议进行分类，但少量的训练样本并未显著提升 协议性能。文献 提出了一种结合中继节点选择与功率分配的预约握手协议，节点根据传播时延与信道状况动态选择最佳中继节点，并利用启发式算法优化正交频分复用（，）中子载波的功率分配。但传输时延较大且公 平 性 降 低，还 需 结 合 物 理 层。文献 提出了一种自适应 协议，节点可以在不解调 的情况下加入 网络，利用 分类器对 中提取的物理特征进行分类，但是其特征提取过程会造成网络信息分组的大量冲突。文献 使用 对主用户的功率和时间特征进行了识别，分类结果可以帮助次级用户选择适用于当前网络场景的 协议，但因主节点广播过程中网络场景变化会造成通信开销，反而降低了网络服务质量（，）。文献 提出了一种基于机器学习的无线传感器网络智能媒体接入控制 协议选择方案，该方案可以帮助通信节点选择适合当前网络环境的 协议，但仅考虑吞吐量作为判决依据，在对端到端时延需求优先级较高的应用场景中鲁棒性无法得到保证。文献 提出了一种可同时调整 和 特性的 通 信 自 适 应 协 议。提 高 了 吞 吐 量 和 网络的 指标，但是通信开销可能会随着 节点数量的增加而增加，在实际网络运行过程中会导致网络拥塞。大部分上述切换研究集中在通信节点的固有行为上，并且一般只考虑了发送功率或流量负载的统计特征，忽略了动态网络环境对网络整体服务质量造成的影响，例如吞吐量、端到端时延和丢包率等。并且，文献 对于 场景中的 协议判决标准未能明确表述。因此，针对目前 网络中 协议切换存在的问题，本文提出了一种基于 的多 动态场 景 下 可 切 换 （）协 议。协议选择吞吐量、端到端时延和丢包率等共 组特征项来建立特征样本数据集，并使用 算法进行训 练，选 择 竞 争 型 协 议 和 调 度 型 协议作为备选协议，使用熵值法 融合样本指标对传统的吞吐量切换阈值进行改进。本文的主要贡献如下：提 出 一 种 基 于 的 分 类 切 换 协议。使用 种备选 协议联合控制，在动态变化的网络环境中，使全网 节点实时选择 显著的备选 协议。工程与应用 年 无线电工程 第 卷 第 期 通过融合吞吐量、延迟和丢包率进而提出通信质量因子作为数据集标签的标定依据，解决了指标类型、量纲不一致问题，并以网络整体最优为目标构建基于的分类切换器。通过仿真评估各种性能，结果表明，本文所提出的协议相较于同类协议，最佳协议运行时间比能够达到，平均吞吐量提高了，平均端到端时延降低了，平均丢包率降低了。在保障高吞吐量的同时，更能显著降低端到端时延和丢包率。网络体系结构和备选协议 网络体系结构在运行协议的网络体系中有种类型的通信节点：中心节点和节点。由一个中心节点和若干个传感器节点组成，中心节点用于执行监督学习任务，所有节点共享一个无线信道来传输数据。通常，节点同步到相同的定时时钟，可以通过全局同步方法实现，例如、集中同步等。在本文的工作中，每个节点可以通过接收来自中心节点的广播同步消息来调整自己的时钟。广播信息还包括分类切换结果。当分类精度达到可接受的结果时，可以帮助节点选择最优的协议。在节点通信过程中，接收错误仅来源于信息分组的碰撞，每个节点移动方式为随机路点，数据包发送间隔服从指数分布。协议实现流程如图所示，本文所提出的协议实现步骤如下：步骤通过 编写、协议包；步骤在 中导入协议包，构建通信仿真环境；步骤选定参数进行仿真，得到吞吐量等类关键网络指标；步骤通过熵值法融合类网络指标得到通信质量因子和；步骤在各离散时间数据样本上比较和，选择性能较优的备选协议进而完成数据集标签标定；步骤基于训练中切换分类器；步骤在仿真实验场景中调整切换分类器超参数。图协议实现流程 备选协议概述基于调度和基于竞争的协议之间的一个明显区别是，通过应用基于调度的协议可以有效避免由于同时传输多个数据包而导致的冲突。这一特性导致在有冲突的动态网络中，能够在高负载场景下有效避免数据包冲突。基于竞争的协议可以通过载波侦听和退避机制高效利用信道资源，在低负载网络场景中提高网络性能。因此，为了着重突出备选协议性能的差异性，也为了结合竞争性协议和调度型协议的优点，基于竞争的协议选择 协议和非竞争的协议选择协议，将二者作为分类学习过程中的备选协议。由前文可知，现有的自适应协议切换方法通常在网络负载与吞吐量中进行计算并寻找切换阈值。网络 与协议对比如图所示，通信节点移动速度设为 ，节点数量为，协议在网络负载较低的情况下具有较优的网络性能，协议则在网络负载较高时性能较优。组协议的性能曲线交于点，对 协议而言，在网络负载未达到点时网络性能已经呈现出下降趋势，但是仍然要优于协议；在网络负载超过点时，协议的性能低于协议的网络性能。所以在只考虑网络负载和吞吐量的网络场景下，点为理想的协议切换点。协议在网络负载到达点前，将保持当工程与应用 前的协议状态，在网络负载到达点后，将切换协议类型为。需要选择最适合当前网络场景的协议，并希望切换指令始终出现在性能曲线的交点位置。然而，由于学习训练和决策的过程中不可避免地存在时间开销，在这个过程中网络状况可能发生了新的变化，以预选的通信协议中单一的统计量作为评价指标并不理想。图 节点下网络 与协议对比 构建样本数据集 关键统计量定义协议中使用的是监督学习的方法。在学习过程中，将特征集及其类标签输入到机器学习模型中，使模型达到所要求性能。在测试过程中，经过训练的机器学习模型将预测标签输入特征集的类别标签，所以首先需要建立样本数据集进行训练和验证。针对网络中的协议性能，一般使用如下个指标进行评价：吞吐量、端到端时延和丢包率。吞吐量指单位时间内接收端成功接收的比特数，用来评估网络的数据传输效率，同样也是评价通信网络协议性能的重要指标之一。吞吐量的计算如下：（）（）（），（）式中：表示吞吐量，（）表示数据包数量，（）表示数据包长，（）表示协议仿真时间。端到端时延指发送节点从产生数据包到接收节点处成功接收所需要的时间。端到端时延主要包含三部分，分别为传播时延、传输时延和队列等待时间。端到端时延的计算如下：（）（）（），（）式中：（）为传输时延，（）为传播时延，（）为队列等待时间。丢包率是指在网络传输过程中丢失报文占传输报文的比值：（）（），（）式中：（）为丢失报文数量，（）为传数报文数量。特征项选择在建立协议选择模型时，关键问题是揭示决策标准与网络特征之间的关系，数据收集对于学习过程至关重要。为了验证所提出的方案，本文使用了种数据集，即用于训练的特征数据集和用于评估的测试数据集。这种数据集具有相同的特征项，但它们包含不同数量的样本，特征项同时包含参数特征和统计特征。本文选择了个特征项来构建数据集。数据集中的个特征项中有个是协议设置的参数特征（协议类型、网络负载和网络负载变化度）。此外，还有个特征项是用于性能评估的统计特征（吞吐量、端到端延迟、丢包率、吞吐量变化度、端到端时延变化度、丢包率变化度和通信质量因子）。具体特征项含义如表所示。表特征项含义 特征项含义吞吐量单位时间内接收端成功接收并转发的比特数端到端时延发送节点从产生数据包到接收节点处成功接收所需要的时间丢包率网络传输过程中丢失报文占传输报文的百分比网络负载单位时间内发送端生成并发送的比特数吞吐量变化度单位时间内节点的吞吐量变化程度端到端时延变化度 单位时间内节点的端到端时延变化程度丢包率变化度单位时间内节点的丢包率变化程度网络负载变化度单位时间内节点的网络负载变化程度 基于熵值法的切换依据选择方法在切换依据选择过程中，为了减小各种性能指标的类型、量纲不一致带来的差异性，所期望的切换指令能够做出在当前网络场景下的高吞吐量、低端到端延迟和低丢包率的决策。将吞吐量作为正向样本，将端到端延迟和丢包率作为负向样本，使用熵值工程与应用 年 无线电工程 第 卷 第 期 法融合得到通信质量因子。熵值法是一种基于原始数据提供的信息量大小确定指标权重的方法。指标的信息熵越小，代表指标值传递出的信息量越多，变异程度越大，在评价中也就起到更重要的作用。由于每个统计量都有不同的单位和意义，为了方便处理，本文对各指标进行标准化处理，具体如下：对于正向样本：（）（）（），（）对于负向样本：（）（）（），（）式中：，表示第项指标的第个数据值。采用融合指标通信质量因子（）能够确定切换指令，其权重计算与决策方法如图和图所示。图指标融合流程示意 图切换决策方法示意 计算步骤如下：计算第项指标第个值的指标值比重：，（）计算各项指标的熵值：（），（）计算各项指标的差异系数：，（）计算通信质量因子的权重：，（）式中：表示第项指标第个值的熵值，表示指标数量，表示指标的项数，表示第项指标的权重。根据输入统计量信息，采用极大极小标准化方法处理得到信息矩阵，根据信息矩阵计算样本的指标信息量，根据指标信息量计算每个样本的信息熵，最后根据样本信息熵计算样本权重值。由此，可构造融合指标通信质量因子为：（），（）式中：（）表示网络通信质量的好坏，（）越大表示通信性能越好。因此，使用算法对特征项中的切换指令进行确定。算法：利用熵权法融合指标判决切换指令输入：质量因子集，协议状态集，为状态，为状态输出：切换指令，表示保持指令，表示切换指令开始 节点为状态 节点为状态 工程与应用 模型建立和结果分析 可以利用核函数将特征向量映射到高维的空间中，可为中协议分类切换问题提供线性分类超平面。如下所示：（）（，），（）式中：（，）表示核函数，可选用如线性核、多项式核和高斯核等构成不同的。常用的内核函数如下：线性核函数：（，），。（）多项式核函数：（，）（，）。（）高斯核函数：（，）()。（）核函数：（，）（，）。（）仿真参数设置通过复用统计特征和高阶特征，可以获得共包含个特征的数据集，用于训练分类器。每组样本都包含参数特征和统计特征，本文协议仿真参数设置如表所示。表仿真参数 参数取值场景大小 节点最大通信距离 仿真时间 节点数量节点移动速度（）最大数据包 数据发包间隔 最小退避次数 最大退避次数 退避时隙长度 时隙长度 为了验证协议的性能表现，实验分为个阶段。在第一阶段，本文按照表在 仿真组备选协议。在其他仿真参数不变的情况下，通信节点数量设为，通信节点移动速度设为 ，采集 组协议参数样本进行训练。在第二阶段，本文收集测试特征数据集中的单个样本，并验证分类器的性能。遵循上述实验设置，并收集模拟样本作为测试数据集来进行评估。交叉验证与分类器评估在当前网络环境下，将样本值代入熵值法判别式，得到分类结果。然后，对特征数据集进行分类训练，得到协议选择模型。本文分别通过折和折交叉验证的方法对数据集使用不同的分类算法进行训练，选择精度最优的分类算法调整参数得到多动态场景下的协议切换分类器。为了能够评估协议的泛化性能，本文共对比了种分类算法：逻辑回归、决策树和随机森林。本文在特征数据集上分别执行折和折交叉验证。每个算法运行次，结果如图和图所示。结果表明，折交叉验证逻辑回归、决策树和随机森林精度分别为、和，折交叉验证逻辑回归、决策树和随机森林精度分别为、和。图 折交叉验证图 图十折交叉验证图 算法运行时间如表所示，可以看出在种算法中随机森林算法的分类精度最高。但是用棵决策树来训练协议选择模型需要，远高于其他种分类算法。决策树算法在修剪后得到一个节点的决策树，其中个是叶节点。这一结果表工程与应用 年 无线电工程 第 卷 第 期 明，决策树算法可能存在过度拟合问题，不适合扩展到其他网络环境。综上所述，本文选择算法建立协议切换分类器。表算法运行时间 单位：算法名称折交叉验证时间折交叉验证时间逻辑回归决策树随机森林 结果分析通过交叉验证实验，本文选择作为模型的分类算法。不同核函数下的最佳协议运行时间比如表所示，通过网格搜索对比不同核函数的最佳协议运行时间比，进而选择使用高斯核函数的。表不同核函数下的最佳协议运行时间比 核函数名称最佳协议运行时间比 最佳协议运行时间比 线性核 多项式核 高斯函数核 核函数 在高斯核函数的超参数选择中，参数表示惩罚系数，表现为样本容错度，参数为原式中参数的倒数。如图和图所示，在参数设为、参数设为 时，分类精度可以达到。本文提出的协议与协议相比，最优协议运行时间比提高了。图参数与分类精度关系 图参数与分类精度关系 吞吐量对比如图所示，可以看出，随着网络负载的增加，协议与协议相比，平均吞吐量提高了。端到端时延对比如图所示。丢包率对比如图所示。可以看出，协议与协议相比，能够得到更低的端到端时延和丢包率，相对于协议中的方法，平均端到端时延降低了，丢包率降低了。相较于、协议，协议的平均吞吐量分别提升了 和，平均端到端延迟分别降低了 和，平均丢包率分别降低了 和。图吞吐量对比 图端到端时延对比 工程与应用 图丢包率对比 综上所述，协议在多动态场景下具有高吞吐量、低端到端时延和低丢包率的优点，能够实现网络整体最优的目标。结束语本文提出了一种多动态场景下的可切换协议。基于分类算法，切换分类器可以帮助通信节点选择最适合当前网络环境的备选协议。本文提出了一个分类框架来完成协议选择任务，使用竞争性 协议和非竞争性协议作为备选协议。为了快速提供稳健的分类结果，分别建立了用于训练的特征数据集和用于评估的测试数据集，并以网络整体最优为目标构建基于的分类切换器。仿真结果表明，所提出的分类方法能够实现较好的分类切换精度，并且协议选择模型能够选择最适合当前网络环境的协议。在未来的工作中，将在此基础上设计并应用分类器来处理多个备选协议时的协议选择问题。?参考文献 ，：，（）：，：，：，（），（）：，：，：，：，（）：，：，（）：，：，：，（）：，（）：，（）：，：，：，：（）：，：，（）：，（），：，：，：工程与应用 年 无线电工程 第 卷 第 期 ，（）：，：，：，（）：，：，：，：?，：，：，：作者简介陈虎男，（），硕士研究生。主要研究方向：飞行自组织网络协议。赵一帆男，（），博士，讲师，硕士生导师。主要研究方向：随机多址通信协议、飞行自组织网络和车联网路由协议。吴波男，（），硕士研究生。主要研究方向：无人机可视化应用、大数据可视化应用。范菁女，（），硕士，教授，硕士生导师。主要研究方向：计算机网络、智能控制。闫涛男，（），硕士研究生。主要研究方向：飞行自组织网络协议。唐嘉宁女，（），博士，研究员。主要研究方向：协同制导与控制技术、多无人机协同与探索技术。工程与应用