异构认知UASNs的频谱与能量联合优化

《Computer Communications》:Spectrum-energy joint optimization for heterogeneous cognitive UASNs

【字体: 大 中 小 】 时间:2026年07月13日 来源:Computer Communications 4.2

编辑推荐:

  朱晓颖|徐立军|王世|边廷月|赵青青 摘要:为解决异构认知水下声学传感器网络中频谱资源匮乏和能耗限制的问题,本文提出了一种符合生态要求的低耦合跨层框架,该框架能够评估并优化频谱分配策略,从而在保障传感器节点的服务质量的同时控制其能耗。通过运用排队论和马尔可夫模型,推导出了服务质

  朱晓颖|徐立军|王世|边廷月|赵青青

摘要:为解决异构认知水下声学传感器网络中频谱资源匮乏和能耗限制的问题,本文提出了一种符合生态要求的低耦合跨层框架,该框架能够评估并优化频谱分配策略,从而在保障传感器节点的服务质量的同时控制其能耗。通过运用排队论和马尔可夫模型,推导出了服务质量指标的闭式表达式,如吞吐量分布、队列长度和数据包拒绝率等,以便准确描述传输特性。基于吞吐量概率分布的通用节点能耗模型则提供了明确的能耗分析方法。据此,本文提出了一种最小能耗频谱分配协议,用于动态选择最优传输通道。数值实验结果表明,与最大吞吐量协议相比,该协议可使能耗降低53%(同时保持85.55%的吞吐量),且相较于传统协议,其能耗降低14%,吞吐量提升31.26%。这些结果证明了该框架在资源受限的海洋监测系统中的可扩展性和分析价值。

引言:“智能海洋”计划的推动下,水下声学传感器网络已成为实时海洋环境监测、生态资源勘探以及灾害预警等领域不可或缺的基础设施[1]。然而,水下声学信道具有带宽窄、传播损耗高以及多径效应严重的特点,导致可用频谱资源十分有限且处于动态变化状态[2]。此外,海洋哺乳动物(如鲸鱼和海豚)产生的生物声学信号会严重分割可用频谱,造成大量干扰[3]。因此,传统的水下声学传感器网络亟需向认知水下声学传感器网络发展。在这一转型过程中,如何平衡频谱稀缺性、生态要求以及电池供电节点的严格能耗限制,是一个关键难题。这一限制促使人们需要开发出更为轻量化且实用的模型,以提高实际应用效果和网络使用寿命[4]。

在认知水下声学传感器网络中,频谱资源分配是实现生态合规性、频谱效率以及能效这三项目标的关键。分配决策的质量直接决定了网络的可持续性。具体而言,频谱分配不仅需要物理层信道状态信息[5]以及动态的生物源用户活动模型[6],还必须满足水下声学目标识别等复杂下游任务的服务质量要求[7]。为应对这些挑战,罗等人[8]提出了基于跨层设计的接收端触发型频谱管理框架;在另一项研究中,作者们分析了MAC层协议中访问权限与能耗之间的权衡关系[9],而曾等人[10]则开发了物理层优化算法以减少传播延迟。尽管取得了这些进展,现有研究往往未能全面处理物理层、数据链路层和网络层之间的深度耦合问题,从而导致在动态水下环境中的性能不尽如人意。

马尔可夫建模框架为通过概率抽象方法解决此类多层耦合问题提供了坚实的理论基础。例如,彭和米特拉[11]利用基于马尔可夫的源用户模型构建了最优调度问题,而张等人[12]则通过缓冲区排队分析建立了系统级马尔可夫模型。虽然有限状态马尔可夫模型能够有效描述时变信道状态[13],但至今仍缺乏一种能够同时量化频谱效率、能耗节省程度以及生态合规性的低耦合跨层框架,这仍是该领域的一个研究空白。

为填补这一空白,频谱分配协议的核心目标是在严格的非干扰约束条件下,最大化有效数据传输量,同时最小化节点能耗。传感器节点的服务质量通常由吞吐量和数据包拒绝率来体现,但目前仍缺乏用于描述能耗的统一分析框架。那些依赖瞬时或平均吞吐量的确定性模型,由于假设信道条件始终稳定[15],因此会限制能耗评估的准确性[14]。相比之下,水下信道的高随机性——源于频谱空洞的变化以及生物活动的干扰——会导致实际吞吐量出现较大波动[16]。因此,为了进行可靠的性能评估,就需要建立能够体现信道不稳定性统计特征的能耗模型,这对于在复杂运行条件下的稳健性能分析至关重要。

与现有文献主要依赖启发式算法或基于仿真的跨层设计(这类方法缺乏精确的能耗分析界限)以及单一的马尔可夫模型(存在严重的高耦合性和结构僵化问题)不同,本文提出的框架成功弥补了这一重要缺陷。通过引入通用的概率分布向量,该框架从数学上实现了物理信道状态、源用户感知以及MAC层排队动态之间的解耦。这种独特的结构使得该框架能够为任何频谱分配协议计算出精确的闭式能耗值,而这在当前的研究中是难以实现的。

基于对认知水下声学传感器网络核心挑战及现有研究不足的深入分析,本文的主要贡献如下:
•提出了符合生态要求的跨层认知分析框架:本文设计了一种新型的低耦合跨层分析框架,有效解决了物理层、数据链路层和网络层之间复杂的相互依赖关系。具体而言,每一层的动态特性,如源用户活动、信道状态以及缓冲区行为,都通过独立的转移矩阵来描述。随后,这些独立的模型通过克罗内克积整合在一起,形成联合系统状态空间。这种模块化架构使得修改某一层的模型无需重新构建整个框架,从而便于根据不同的网络配置进行灵活调整。由此,为在生物敏感型认知水下声学传感器网络中进行定量性能评估奠定了坚实基础。
•推导出了传感器节点核心性能指标的闭式表达式:通过运用排队论对认知传感器节点的缓冲区行为进行建模,本文得到了包括吞吐量、数据包队列长度和数据包拒绝率在内的关键性能指标的闭式表达式。这些分析结果有助于准确描述控制水下数据传输的随机过程。
•建立了传感器节点能耗建模方法:为建立系统动态与能耗之间的直接关联,本文将吞吐量分布与节点级通信能耗模型相结合,从而得到了每个时隙预期总能耗的闭式表达式,便于对不同频谱分配策略下的能耗情况进行定量评估。
•设计并评估了最小能耗频谱分配协议:基于上述分析模型,本文提出了一种能够最小化预期总能耗的最小能耗频谱分配协议。在该协议中,每个时隙都会首先根据感知状态、信道条件以及预测的性能指标来评估所有可用的频谱空洞,然后计算每个候选通道的预期能耗,最终选择能耗最低的通道进行数据传输。在所提出的跨层框架下的系统测试表明,该协议相比传统的频谱分配方案具有显著的能耗降低效果。

本文的其余部分安排如下:第2节介绍系统模型及基本假设;第3节阐述动态频谱共享的各个方面及其相关假设;第4节展示本文提出的性能分析框架;第5节重点介绍所提出的最小能耗协议;第6节给出数值实验结果与分析;最后在第7节对全文内容进行总结。

章节要点
系统模型与假设:本文中使用的各类符号和参数汇总于表1中。
动态频谱共享:为明确研究范围,本文针对动态频谱共享过程中的频谱感知和频谱分配制定了基本假设。频谱感知采用传统的能量检测方法,而频谱分配则通过概率分布向量来描述。
系统状态空间:认知水下声学传感器网络的动态行为受到源用户活动、时变信道条件以及传感器节点数据流量的共同影响。为描述这种复杂性,本文定义了一个三维状态向量,用于表示任意离散时间时刻系统的当前运行状态。认知水下声学传感器网络的状态由向量Ω=(o,w,b)表示,其中o=[o1,o2,…,oK]为源用户活动状态向量,oi∈{0,1},用于指示第i个信道是空闲状态还是被占用状态。
能耗优化频谱分配协议:通过对频谱分配协议的定量分析,本文验证了第4节中所提框架的低耦合优势。基于此,本文进一步提出了一种最小能耗频谱分配协议,旨在在认知水下声学传感器网络中复杂的流量条件下优化传感器节点的能耗。该协议利用基于马尔可夫模型的排队理论,严格推导出了每个传感器节点每个信道的潜在吞吐量分布的闭式表达式。
参数设置:为在保证一般性的同时控制模型复杂度,本文构建了一个包含两个传感器节点、两个可用源用户信道、一个中继节点和一个接收节点的认知水下声学传感器网络模型。各参数的默认配置详见表2。为全面评估所提出的最小能耗协议,本文采用了两种传统的频谱分配方案作为对比基准:随机分配方案,它通过均匀分配空闲信道作为性能下限;最大吞吐量方案,则...

结论:本文针对认知水下声学传感器网络中的核心难题——如何在保证通信性能的同时控制能耗,以实现可持续的海洋监测目标——提出了一种基于排队论和马尔可夫建模的低耦合跨层认知优化框架。该框架通过分离物理层、数据链路层和网络层,能够准确描述传输特性,并为节点级通信性能和能耗计算提供闭式表达式。作为...

CRediT作者贡献说明
朱晓颖:写作——审稿与编辑,写作——初稿撰写,资源获取,方法设计,实验研究,形式分析,数据整理,概念构思。徐立军:写作——审稿与编辑,资源获取,方法设计,实验研究。王世:写作——审稿与编辑,项目管理,数据整理。边廷月:写作——审稿与编辑,方法设计,数据整理。赵青青:写作——审稿与编辑,数据整理。

利益冲突声明:作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢:本研究得到了中国国家自然科学基金的支持[项目编号:62571046和62192712]。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号