DCF指数退避算法的两点改进

分布式协调机制是Ad-hoc网络中的工作站访问其他移动工作站的主要网络协议,因此为每个网络工作站提供一种自主调控的方法是必要的。这就是退避算法。目前,一种指数退避算法已经用于无线局域网中。对于分布式协调机制的指数退避算法提出了两点改进。为了测试这种改进的有效性,建立了一个离散时间马尔可夫链模型,在此基础上配置了与多种网络条件相对应的参数集,来评测改进算法获取的饱和吞吐量,以期在工作站数达到饱和状态时获得最大吞吐量。

IEEE 802.11无线局域网二进制指数退避算法改进与分析

IEEE 802.11标准引入二进制指数退避算法BEB,以降低节点发送数据包碰撞的概率。两步指数退避算法TBEB避免了BEB算法中竞争窗口长度出现振荡这一现象,可以提高吞吐率。导出了TBEB算法和BEB算法中节点的平均竞争窗口长度和平均退避次数的解析表达式,并采用仿真进行验证;以退避时间最小为目标,给出了求解竞争窗口长度最优复位值的优化模型。研究结果可用于基于IEEE 802.11无线局域网的BEB算法的性能评价。

DCF的二进制指数退避算法的非均匀性研究

在对IEEE 802.11 DCF的二进制指数退避算法的非均匀性进行严密分析的基础上,提出了一个详尽的使用马尔可夫链的分析模型来描述由BEBA控制的信道活动.为了降低计算复杂性,对该模型作了进一步的近似处理.模型的分析结果与仿真结果表明该分析模型能在更广泛的系统配置范围内更精确地刻画BEBA的特性.

基于1坚持指数退避算法的时隙CSMA/CD协议的排队模型的建立与分析

建立了1坚持指数退避算法的CSMA/CD协议的离散时间排队模型,基于该模型分析了网络吞吐量(S)、等待时间(W)等性能指标,并通过建立相应的马尔可夫链(MarkovChain),计算了信道忙的概率及产生冲突的概率。

802.11DCF机制的改进二进制指数退避算法

为了弥补802.11DCF机制的缺陷,通过调节网络节点竞争窗口CW的大小和增长速度来改进该机制的指数退避算法。改进的算法可以使得处于信道冲突严重时的节点获得较多的信道接入机会。

周期性采样的两步指数退避算法研究

针对二进制指数退避算法(BEB)中退避窗口调整机制的不足以及在各个节点传输数据时公平性差的问题,提出了周期性采样的两步指数退避算法(PTEB)。PTEB算法首先引入了采样周期的概念,在此基础上又引入了信道竞争能力参数Qc和网络拥挤参数Qb。在采样周期内计算Qc与Qb的值,并根据这两个参数的值定义了调整竞争窗口的公式。窗口的调整需要经过两个阶段来完成,不同的阶段分别对应不同的公式。仿真结果表明PTEB算法能够有效地减少节点的碰撞次数,增加网络的吞吐率和节点的公平性。

基于IEEE802.11协议的退避算法改进设计

IEEE802.11协议的随机退避机制作为协议的主要运行机制之一,在降低数据分组碰撞、减小数据传输时延以及增加节点接入信道的公平性方面都有着重要作用,因此,退避算法的设计对协议的整体性能有着重要的影响;主要针对IEEE802.11协议的二进制指数退避算法(Binary Exponential Backoff,BEB))进行了分析研究,并在此基础上设计了新的退避算法,最后用Matlab软件对改进前后的协议的关键性能指标(吞吐量和传输时延)进行了仿真对比,结果表明改进后的协议具有一定的先进性。

车联网的MAC协议退避算法研究

针对车联网MAC层IEEE802.11p协议中的二进制指数退避算法不能有效应用在车辆环境的问题,提出一种基于车辆密度退避算法来解决这一问题。在该算法中,车辆节点通过定期广播信标来获取通信范围内的车辆数量并计算出车辆密度,根据密度的大小动态的调整竞争窗口值,从而更加适应网络拓扑变化快速的车联网环境。通过OPNET仿真表明,基于车辆密度退避算法比二进制指数退避算法在吐量方面大约提高了30.7%;平均端到端时延则大约降低了20ms,基于车辆密度退避算法具有更好的网络性能,更加适用于车联网环境。

井下人员定位系统防碰撞算法改进

为解决井下人员定位系统中多个标签向接收器发送信息时产生的数据碰撞问题,提出了一种改进的二进制指数退避算法。该算法采用乘法增加、线性减小的碰撞窗口调整方式,设定了两个阈值,并根据不同网络流量制定了不同的退避发生器值更新规则,同时同步更新优化窗口值,使标签能够自适应快速接入信道。测试表明,改进后的算法最大并发识别数量为150,最大位移速度为10m/s,均优于经典的二进制指数退避算法。该算法提高了数据传输率,减少了漏卡率,有效地解决了井下多目标识别的防碰撞问题。

IEEE802.11 DCF退避机制公平性分析与改进

详细分析了DCF使用的二进制指数退避算法的原理,通过研究竞争周期内冲突概率增加和造成竞争不公平性的原因,优化了DCF方式下的退避机制,经OPNET仿真验证,系统的吞吐量得到提高,延迟减小。

基于Q-learning的多业务网络选择博弈策略

为了增加网络吞吐量并改善用户体验,提出一种基于Q学习(Q-learning)的多业务网络选择博弈(Multi-Service Network Selection Game based on Q-learning,QSNG)策略。该策略通过模糊推理和综合属性评估获得多业务网络效用函数,并将其用作Q-learning的奖励。用户通过博弈算法预测网络选择策略收益,避免访问负载较重的网络。同时,使用二进制指数退避算法减少多个用户并发访问某个网络的概率。仿真结果表明,所提策略可以根据用户的QoS需求和价格偏好自适应地切换到最合适的网络,将其与基于强化学习的网络辅助反馈(Reinforcement Learning with Network-Assisted Feedback,RLNF)策略和无线网络选择博弈(Radio Network Selection Games,RSG)策略相比,所提策略可以分别减少总切换数量的80%和60%,使网络吞吐量分别提高了7%和8%,并且可以保证系统的公平性。

2BSS场景下WLAN网络信道接入机制建模

无线局域网是一种新兴的无线自组织网络,具有低成本、高吞吐的特点。对于单个AP,数据在传输时可能会发生碰撞而传输失败,对于两个或多个同频AP,它们之间又可能会存在相互干扰问题,从而影响系统的性能。于是本文在分布式协调功能和二进制指数退避的基础上,通过对不同条件环境下的2BSS系统进行模型建立,并对系统的吞吐量进行评估。本文主要基于负顾客的双端队列机制的Bianchi改进模型,并结合排队论中的平衡方程对模型进行求解,最后得出系统吞吐量的显示解。通过数值实验结果表明:在参数条件下,数值实验得到的吞吐量与仿真得到的结果相似,分别为30.5 Mbps和31.03 Mbps。另外,当信干比SIR较高时,AP间同频干扰不影响数据传输,会对系统的吞吐量产生积极的影响。

基于IEEE 802.11的无线Ad hoc网络的接入性能研究

无线 Ad hoc网络对无线接入平台有着独特的要求 ,当前广泛使用的是基于 IEEE80 2 .1 1标准的接入平台。本文从理论和仿真两个方面考察 IEEE80 2 .1 1标准采用的 CSMA/CA接入方式对于无线多跳 Ad hoc网络接入性能的影响 ,并找出制约该性能的因素。

基于OPNET的MAC协议的研究与仿真

文中主要分析了IEEE802.11的MAC协议中的分布式协调工作模式(Distribute Coordination Function,DCF)。使用DCF方式进行访问控制时,二进制指数退避算法在竞争周期内冲突增加会使信道分配不合理,这样严重影响网络的通信吞吐量。针对影响网络吞吐量这个问题,文中首先结合了马尔科夫(Markov)的改进模型,根据节点的实时状态,设计了节点在初始竞争成功发送数据后和发生冲突时的退避算法,优化了DCF的退避机制,动态地调整了节点在不同状态时的信道获取能力,提高了节点发送数据的网络吞吐量。最后以OPNET为仿真平台证明其在吞吐量方面有所改善。

一种新的紫外光自组织通信网络MAC层避退算法

紫外光自组织通信网络是把紫外光与自组织网络相结合的,能够利用自组织网络的多跳特性来克服紫外光距离有限性的通信网络。为了使紫外光自组织通信网络中各个节点能够对有限的信道资源进行充分与公平的利用,需要对网络协议栈中的第二层——媒介接入控制层上的传统算法进行优化。本文以媒质接入控制层(MAC,Media Access Control)传统上采用的二进制指数退避算法为基础,以提高公平性为目的,提出了依据退避计数器值的随机选取是否合理,继而采取相应的奖励惩罚机制的新算法。研究结果表明:新算法提高了无线紫外光自组织通信网络中各节点接入信道的公平性,并在信道吞吐量和信道接入公平性之间达到了一个较好的折衷。