《Computer Communications》:Closing the gap between The Things Network and the optimal downlink scheduler
编辑推荐:
摘要LoRaWAN 是用于长距离、低功耗物联网应用程序的领先 LPWAN 技术。尽管上行流量已被广泛研究,但下行通信仍然是一个关键但高度受限的资源。此外,现实生活网络服务器中下行调度的有效性仍知之甚少。在本文中,我们提出了一个统一的评估框架,首次实现了对真实世界和优化调度模型
摘要
LoRaWAN 是用于长距离、低功耗物联网应用程序的领先 LPWAN 技术。尽管上行流量已被广泛研究,但下行通信仍然是一个关键但高度受限的资源。此外,现实生活网络服务器中下行调度的有效性仍知之甚少。在本文中,我们提出了一个统一的评估框架,首次实现了对真实世界和优化调度模型之间进行公平且受控的比较。通过使用 ELoRa 模拟器,我们能够比较广泛采用的开源 LoRaWAN 网络服务器 The Things Stack (TTS) 的性能与相同条件下优化调度模型的性能。我们的结果表明,TTS 的运行性能低于可达下行容量多达 23%。我们确定了这一差距的根本原因,并设计了 SF-Threshold Scheduler (SFTS),这是一种轻量级的确定性策略,通过基于扩频因子的阈值考虑空中传输时间。SFTS 将下行容量提高了多达 12%,几乎缩小了与优化调度模型差距的一半,而无需更改终端设备或增加系统复杂性。这些结果表明,通过简单、可部署的调度策略可以实现显著增益,凸显了网络服务器设计在 LPWAN 性能中的关键作用。
引言
在物联网(IoT)背景下,LoRaWAN(长距离广域网)[1] 脱颖而出,成为最显着的低功耗广域网(LPWAN)协议之一。它能够实现低功耗的长距离无线通信,使其非常适合部署在大规模、低数据速率应用程序中的电池供电设备。典型例子包括空气质量监测、智能停车系统、农业传感以及公用事业智能计量。
LoRaWAN 的一个关键优势是其双向通信能力,包括从终端设备到网络和应用程序服务器的上行传输,以及从网络和应用程序服务器到终端设备的下行传输。尽管大多数 LoRaWAN 应用程序主要是面向上行的,但 LoRaWAN 的几个基本机制或监控应用程序依赖于下行通信。这些包括加入网络的过程(例如,空中激活)、确认上行帧的确认、设备管理功能(如自适应数据速率(ADR)算法)、空中固件更新 [2]、执行器控制命令或终端设备配置更改。
先前的研究表明,频繁的下行传输会显著降低网络容量,因为它们增加了上行数据包丢失 [3]、[4]、[5]。这源于硬件和监管限制:(i) 不能同时发送和接收的半双工网关,导致上行和下行流量之间发生冲突;(ii) 网关能够同时接收多个上行但一次只能发送一个下行;以及 (iii) 区域法规,如占空比和停留时间限制,严格限制了网关传输的频率和持续时间。
尽管网关通常似乎下行容量的瓶颈,但它仅执行由网络服务器做出的传输决策,网络服务器负责调度何时以及通过哪个网关发送每个下行数据包。在主要的开源 LoRaWAN 网络服务器中,The Things Stack (TTS) [6] 和 ChirpStack (CS) [7] 是最广泛采用的。TTS 提供了更全面且功能丰富的实现 [8],并被广泛认为是参考开源 LoRaWAN 网络服务器,这促使我们在本工作中重点关注它。
TTS 优先考虑鲁棒性和对法规及协议约束的严格遵守,导致保守的调度决策 [8]。特别是,TTS 不执行跨设备的全局优化,也不考虑空中时间的异质性或未来的调度机会,导致稀缺的下行资源利用不足。鉴于下行容量是 LoRaWAN 网络中的瓶颈,尤其是在占空比和半双工约束下,即使是很小的效率低下也会显著影响整体网络性能。因此,将 TTS 与最优调度器进行比较是至关重要的,以量化这一性能差距并指导设计更高效且实用的调度策略。
我们的贡献可以总结如下:
- •
我们设计了一个统一、受控的评估框架,使得能够对现实世界 LoRaWAN 网络服务器 TTS1 和 Caillouet 等人提出的基于 MILP 的最优解决方案 [9] 进行公平且受控的比较。我们的方法依赖于 ELoRa 将相同的 LoRaWAN 流量注入到两个系统中,确保它们在相同的网络条件下运行,包括流量模式、拓扑结构和协议约束,并且调度策略是唯一变化的组件。
- •
我们研究并量化了 TTS 调度和最优调度模型之间的差距,指出 TTS 的下行容量可以提高多达 23%。我们还指出了 TTS 做出的非最优决策。据我们所知,这是第一种方法,能够在严格对齐且符合系统现实条件的情况下,实现最优和现实世界 LoRaWAN 调度之间的一对一比较。
- •
利用我们从与最优调度器的受控比较中获得的见解,我们提出并评估了 SF-Threshold Scheduler (SFTS),这是一种确定且高效的 LoRaWAN 网络调度器,捕获了当前 TTS 调度器中效率低下的主要来源。我们表明,它将 TTS 的下行容量提高了多达 12%,将与最优调度模型的性能差距减少了近一半,同时保持最小复杂性。
本文其余部分组织如下。第 2 节提供了必要的背景,第 3 节介绍了最优调度器。第 4 节提出了我们的评估框架,第 5 节量化了 TTS 和最优调度之间的差距。第 6 节随后提出并评估了我们的确定性调度器。最后,第 8 节总结全文。
章节摘要
背景
在本节中,我们介绍了评估中涉及的技术,特别是工作在欧盟频段 EU863-870 [10] 的 Long Range (LoRa)、LoRaWAN 和 The Things Stack (TTS)。然后,我们介绍了 LoRaWAN 下行性能评估的最新进展。
优化模型
在本节中,我们回顾了 Caillouet 等人 [9] 提出的优化模型的关键要素,并详细介绍了 ILP 建模的约束集合。
优化模型的输入数据是所有上行帧的集合,特别是确认 UL 帧的集合 (大小为 )。这些帧是从考虑一组网关(从 1 到 4)、一组终端设备(从 100 到 400)、流量模型和无线通道的 NS-3 网络模拟中生成的
框架描述
评估框架如图 4 所示,由三个主要组件组成:ELoRa 仿真工具、优化模型和指标计算模块。ELoRa 建立在 NS-3 网络模拟器 [26] 之上,能够在保持真实 LoRaWAN 行为的同时探索不同的网络配置和流量条件。得益于其架构,UL 流量从 NS-3 转发到真实的 TTS 实例,触发 DL 数据包的生成(即。
性能评估:最优 vs. TTS
在本节中,我们提出了评估的场景、仿真设置以及 TTS 和最优调度模型之间的性能比较。
基于扩频因子阈值的确定性调度
在本节中,我们介绍了 SF-Threshold Scheduler (SFTS),这是一种确定性调度策略,旨在提高可达到的 ACK%,缩小与最优调度模型的差距。其实现轻量级,完全兼容 LoRaWAN 网络服务器提供的所有现有功能,并且不需要终端设备侧的任何修改。我们通过将其实施在 TTS 中并使用与之前相同的评估指标来评估其性能
讨论
SFTS 以最小的复杂性实现了显著改进,同时仍符合 LoRaWAN 规范。然而,它也存在一些局限性。例如,其确定性性质限制了其对动态网络条件的适应性,并可能导致在需要跨设备、网关和接收窗口进行更细粒度协调的场景中做出非最优决策。引入自适应 SF 阈值,动态调整到终端设备之间的 SF 分布
结论
在本文中,我们介绍了一个统一的、输入对齐的评估框架,使得能够对最优下行调度和 TTS 实现的调度进行公平且受控的比较。通过确保相同的输入、网络条件和协议约束,我们的方法将调度策略隔离为唯一变量,从而允许对性能进行严格且符合系统现实的评估。利用这个框架,我们量化了部署和基于 MILP 的最优之间的差距
CRediT 作者贡献声明
Carlos Fernandez Hernandez: 写作 – 审阅与编辑,写作 – 原稿,可视化,验证,软件,形式分析,数据管理,概念化。Christelle Caillouet: 写作 – 审阅与编辑,写作 – 原稿,软件,方法论,调查,形式分析,概念化。Alexandre Guitton: 写作 – 审阅与编辑,写作 – 原稿,验证,监督,方法论,调查,形式分析,概念化。Oana Iova:
稿件准备过程中生成式 AI 和 AI 辅助技术的声明
在准备本工作期间,作者使用了 ChatGPT 以协助文本重写、清晰度改进和语言润色。在使用该工具后,作者仔细审阅并编辑了内容,如有需要,并对发表文章的内容承担全部责任。
利益冲突声明
作者声明以下财务利益/个人关系,可能被视为潜在的利益冲突:Oana Iova 报告说获得了法国国家研究署的财务支持。如果有其他作者,他们声明没有已知的竞争性财务利益或个人关系可能会影响本论文中报告的工作。
致谢
本研究获得了项目 ANR-21-CE25-0002-01 的支持。
Carlos Fernandez Hernandez|Christelle Caillouet|Alexandre Guitton|Oana Iova|Fabrice Valois