论文部分内容阅读
无线Mesh网络是构建下一代宽带无线接入网的关键技术之一，由于其可扩展性好、可覆盖范围广及部署方便快捷等优点，在诸多领域得到了广泛的应用。目前无线Mesh网络主要基于射频(Radio Frequency, RF)，而微波可用带宽较少、共信道干扰较大及毫米波传输距离、覆盖范围受限等问题限制了基于RF无线Mesh网络的性能。混合RF/自由空间光通信(Free Space Optical-communication, FSO)Mesh网络结合了无线Mesh网络与FSO系统的优点，在保证部署方便及组网灵活的基础上具有更广的覆盖范围、更高的可扩展性及更大的网络容量。然而随着节点数量的增加，混合RF/FSOMesh网络资源被迅速消耗，网络性能下降。资源分配可以提高网络资源利用率、增加网络容量、提升网络性能，是混合RF/FSOMesh网络亟需研究的重点方向之一。
基于RF的无线Mesh网络资源分配的相关研究成果并不完全适用于解决混合RF/FSOMesh网络资源分配问题。目前，关于混合RF/FSOMesh网络资源分配的研究工作较少，且存在以下问题：(1)未全面考虑多种网络资源的联合优化，不易得到网络资源分配问题的最优解；(2)未充分考虑不同天气条件下RF及FSO链路衰减对网络资源分配的影响，不适合应用于实际网络部署；(3)未量化时延、网络部署成本对网络资源分配的影响，难以为实际网络的资源分配提供参考。
针对现有研究工作存在的不足，本文围绕混合RF/FSOMesh网络资源分配问题展开研究，解决了混合RF/FSO单接口单信道、多接口多信道Mesh网络资源分配及混合RF/FSOMesh前传网络资源分配问题，主要创新工作如下：
(1)在考虑RF及FSO链路衰减的条件下，提出混合RF/FSO单接口单信道Mesh网络联合资源分配方案。在基础设施无线Mesh网络骨干中部署FSO链路，构建混合RF/FSO单接口单信道Mesh网络；考虑RF及FSO链路可用率，以最大化网络吞吐量为目标，将混合RF/FSO单接口单信道Mesh网络功率控制、传输时隙分配、拓扑控制及FSO链路部署的联合资源分配问题构建为一个混合整数线性规划(Mixed-Integer Linear Programming, MILP)；利用Gurobi及IBMCPLEX进行求解，得到联合资源分配问题的最优解。
(2)在考虑天气的条件下，提出混合RF/FSO多接口多信道Mesh网络联合资源分配方案。利用FSO链路对多接口多信道无线Mesh网络的瓶颈骨干链路进行升级，构建混合RF/FSO多接口多信道Mesh网络；考虑天气对FSO链路可用率的影响以及RF链路的衰减特性，以公平的最大化混合RF/FSO多接口多信道Mesh网络吞吐量为目标，在保证时延要求的前提下，将混合RF/FSO多接口多信道Mesh网络路由、拓扑控制、信道分配、FSO链路部署及接口分配的联合资源分配问题构建为一个两阶段优化问题；提出改进的迭代局部搜索算法对两阶段优化问题进行求解，该算法基于启发式方法获得初始值，利用适当的扰动来提高算法的搜索能力，并利用基于模拟退火调度的接受准则来过滤低质量解。改进的迭代局部搜索算法可以在多项式时间内求得逼近最优网络性能的联合资源分配结果，可应用于实际。
(3)针对α-η-κ-μ与双广义伽马信道模型，推导毫米波及FSO在晴朗、雨、雾等天气条件下的链路可用率，在此基础上，提出面向网络切片的混合RF/FSOMesh前传网络资源分配方案。基于毫米波，利用无线Mesh网络技术构建混合RF/FSOMesh前传网络；针对大规模机器类通信(massive Machine Type Communications, mMTC)、超可靠低时延通信(Ultra-Reliable and Low Latency Communications, URLLC)及增强移动宽带(enhanced Mobile Broadband, eMBB)场景，以公平的最大化网络可支持业务的同时减小网络部署成本为目标，在保证URLLC时延及可靠性要求的前提下，将面向网络切片的混合RF/FSOMesh前传网络资源分配问题构建为一个MILP；基于Q学习及磷虾群算法，利用Q学习自适应地训练磷虾群算法的参数，提出面向网络切片的资源分配算法，该算法可以智能地响应mMTC、URLLC及eMBB切片请求，求得逼近最优网络性能的面向网络切片的资源分配结果。
本文通过对混合RF/FSOMesh网络资源分配问题的深入研究，提出混合RF/FSO单接口单信道、多接口多信道Mesh网络资源分配及混合RF/FSOMesh前传网络资源分配方案，克服了现存研究的局限性，提升了混合RF/FSOMesh网络的性能，为混合RF/FSOMesh网络资源分配提供指导。
基于RF的无线Mesh网络资源分配的相关研究成果并不完全适用于解决混合RF/FSOMesh网络资源分配问题。目前，关于混合RF/FSOMesh网络资源分配的研究工作较少，且存在以下问题：(1)未全面考虑多种网络资源的联合优化，不易得到网络资源分配问题的最优解；(2)未充分考虑不同天气条件下RF及FSO链路衰减对网络资源分配的影响，不适合应用于实际网络部署；(3)未量化时延、网络部署成本对网络资源分配的影响，难以为实际网络的资源分配提供参考。
针对现有研究工作存在的不足，本文围绕混合RF/FSOMesh网络资源分配问题展开研究，解决了混合RF/FSO单接口单信道、多接口多信道Mesh网络资源分配及混合RF/FSOMesh前传网络资源分配问题，主要创新工作如下：
(1)在考虑RF及FSO链路衰减的条件下，提出混合RF/FSO单接口单信道Mesh网络联合资源分配方案。在基础设施无线Mesh网络骨干中部署FSO链路，构建混合RF/FSO单接口单信道Mesh网络；考虑RF及FSO链路可用率，以最大化网络吞吐量为目标，将混合RF/FSO单接口单信道Mesh网络功率控制、传输时隙分配、拓扑控制及FSO链路部署的联合资源分配问题构建为一个混合整数线性规划(Mixed-Integer Linear Programming, MILP)；利用Gurobi及IBMCPLEX进行求解，得到联合资源分配问题的最优解。
(2)在考虑天气的条件下，提出混合RF/FSO多接口多信道Mesh网络联合资源分配方案。利用FSO链路对多接口多信道无线Mesh网络的瓶颈骨干链路进行升级，构建混合RF/FSO多接口多信道Mesh网络；考虑天气对FSO链路可用率的影响以及RF链路的衰减特性，以公平的最大化混合RF/FSO多接口多信道Mesh网络吞吐量为目标，在保证时延要求的前提下，将混合RF/FSO多接口多信道Mesh网络路由、拓扑控制、信道分配、FSO链路部署及接口分配的联合资源分配问题构建为一个两阶段优化问题；提出改进的迭代局部搜索算法对两阶段优化问题进行求解，该算法基于启发式方法获得初始值，利用适当的扰动来提高算法的搜索能力，并利用基于模拟退火调度的接受准则来过滤低质量解。改进的迭代局部搜索算法可以在多项式时间内求得逼近最优网络性能的联合资源分配结果，可应用于实际。
(3)针对α-η-κ-μ与双广义伽马信道模型，推导毫米波及FSO在晴朗、雨、雾等天气条件下的链路可用率，在此基础上，提出面向网络切片的混合RF/FSOMesh前传网络资源分配方案。基于毫米波，利用无线Mesh网络技术构建混合RF/FSOMesh前传网络；针对大规模机器类通信(massive Machine Type Communications, mMTC)、超可靠低时延通信(Ultra-Reliable and Low Latency Communications, URLLC)及增强移动宽带(enhanced Mobile Broadband, eMBB)场景，以公平的最大化网络可支持业务的同时减小网络部署成本为目标，在保证URLLC时延及可靠性要求的前提下，将面向网络切片的混合RF/FSOMesh前传网络资源分配问题构建为一个MILP；基于Q学习及磷虾群算法，利用Q学习自适应地训练磷虾群算法的参数，提出面向网络切片的资源分配算法，该算法可以智能地响应mMTC、URLLC及eMBB切片请求，求得逼近最优网络性能的面向网络切片的资源分配结果。
本文通过对混合RF/FSOMesh网络资源分配问题的深入研究，提出混合RF/FSO单接口单信道、多接口多信道Mesh网络资源分配及混合RF/FSOMesh前传网络资源分配方案，克服了现存研究的局限性，提升了混合RF/FSOMesh网络的性能，为混合RF/FSOMesh网络资源分配提供指导。