一种基于多属性决策的认知无线自组织网络节点稳定性评估方法与流程

本发明涉及认知无线网路的节点状态评估领域，特别是涉及一种基于多属性决策的节点状态评估方法。
背景技术：
：认知无线自组织网络是一种基于认知无线电技术的自组织网络。每个认知用户(CognitiveUser，CU)通过认知无线电设备寻找并利用频谱空洞。CU在检测到可能的传输机会(频谱空洞)后，通过执行动态频谱接入，将数据通过认知无线电(CognitiveRadio)传输到接收方。如果主用户(PrimaryUser，PU)突然出现，CU不得不立即退避。由于认知无线自组织网络节点可用频谱的动态变化以及拓扑的动态特性对网络可用性有较大影响，因此高效、可靠的节点稳定评估方法对网络可靠性差、链路不稳定、可用频谱动态变化的认知无线自组织网络而言尤其重要。近年来，为了解决认知无线自组织网络环境下的节点稳定性评估问题，研究人员从多个方面展开研究，所取得的成果主要有：(1)以节点的移动为基础的链路保持时间预测方法当采用该方法时，节点需要获得自身和相邻节点的位置、速度及移动方向。根据节点的位置和移动轨迹，结合节点移动特点，使用几何的方法计算两个节点的链路可用时间，从而可以计算出该节点与其相邻节点的稳定程度。该方法多用于可以随时定位，移动方向明确的网络形态中。(2)以节点信号干扰为基础的节点稳定性评估方法当采用该方法时，节点记录与邻节点链路的流内干扰和流间干扰值，并对每对链路的干扰值进行加权累加。根据每对邻接链路的干扰值，预测出当前节点的总的干扰值，从而可以计算出节点的稳定程度。该方法多用于多跳、多流的认知无线自组织网络中。根据所需信息不同，可将(1)归纳为需要节点位置信息的方法，而(2)则属于不需要节点位置信息的方法。方法(1)中，在认知无线自组织网络分布式的环境下，通常较难获得目的节点的位置和速度，而影响节点稳定性不仅仅是由于拓扑变化造成的；方法(2)目前在大多数场景中的干扰预测较为粗略，并且时效性很差。以上因素都制约了认知无线自组织网络中节点稳定性评估方法在实际应用中的准确性。在各种认知无线自组织网络环境中，通过挖掘影响节点稳定的因素节点因素，进而对各个因素进行分析归类，提高节点稳定性预测的有效性和准确性，进一步提高认知无线自组织网络的可用性。因此，对影响节点稳定的进行归纳和影响程度分析，对提高认知无线自组织网络可用性具有非常重要的意义。技术实现要素：本发明以提高节点认知无线自组织网络可用性为目标，以影响节点稳定性的因素为基础，结合多属性决策分析方法，解决认知无线自组织网络节点稳定性预测问题。具体包括：1.节点稳定性由于受节点移动、可用频谱变化和电磁干扰等众多不确定因素影响，建立节点稳定性指标评价体系，分析各个因素对节点稳定性的影响程度。2.基于节点稳定性指标评价体系，将对节点稳定性评估问题转化为多属性决策问题，从而实现对认知无线自组织网络节点的稳定性属性的判定。为了使计算结果快速、准确，使得结果适用于路由、分簇、分发等领域，本发明引用了跨层共享机制、正负理想解方法。与现有技术相比，本发明的创新之处在于：以节点稳定性评价体系为基础，适用于不同的认知无线自组织网络形态，并具有自适应能力。具体体现在：1.以节点稳定性评价体系为基础，在各种认知无线自组织网络的环境中各节点都可以分布式记录评价体系中影响因素的属性信息，所需要的信息和其它方法相比容易获得。2.在影响因素属性信息的使用过程中，基于节点的先验知识，在不同的网络环境中调整网络环境相关参数，使本发明具有自适应能力。附图说明图1节点稳定性评估方法流程图2节点稳定性指标评价体系示意图图3正负理想解示意图具体实施方式参阅图1，节点通过跨层协作交互机制收集节点稳定性指标评价体系(参阅图2)准则层中的因子属性信息，将这些参数生成模糊评价决策矩阵；通过决策指标属性值归一化，把模糊评价决策矩阵转化成标准模糊决策矩阵，给出节点当前状态的各个特征属的标准值。然后对各个特征属性的权重进行分配，确定各个影响因子对节点稳定状态的影响程度。基于采样数据作为标准矩阵，将节点稳定性评估问题转换为多属性决策问题，最后通过正负理想解方法，判断节点的稳定状态。本发明引入了节点稳定性评价体系模型、正负理想解方法和模糊层次分析法，使计算结果适用于路由、分簇、分发等领域，实际实施中主要包含三个阶段进行实施。第一，基于节点稳定性评价体系，建立属性向量。通过对认知无线自组织网络环境对节点稳定性因素分析，可以构建出一个节点稳定性评价体系，如附图2所示。从图中可以看出，把影响节点稳定性的因素归纳为3个方面，6个指标。3个方面是指：邻居节点稳定性、可用频谱稳定性和干扰程度。6个指标是指：一跳邻居节点个数，与一跳邻居节点的链路稳定性，与一跳邻居节点的可用信道数，可用信道变化活动统计，与一跳邻居节点的信道质量和受到干扰的信道数量。为了构建反映节点稳定性状态，需采集指标原始数据，其中反映可用频谱稳定性和干扰程度的指标需通过跨层协作的方式得到，然后对指标数据进行计算和归一化处理，最后得到属性矩阵。指标数据采集与计算是指采集节点当前的6个指标数据信息，其中有些指标需要直接采集原始数据得到，有些指标需要对原始数据进一步的计算。具体来讲，指标1通过网络层拓扑管理机制直接得到，指标3通过MAC层相关协议得到，指标4为链路中断频率，也可由MAC层相关协议得到。指标2、5利用前人的成果计算得到，指标6是与各个邻居节点当前可用信道误码率高于某个阀值的信道数目。另外，指标2,3,5算出与邻居节点的指标值后，先进行累加然后求均值，最后得到指标2,3,5最终指标值。指标2与一跳邻居节点的链路稳定性的计算公式为：Lij=min(TijE(T),,1)---(1)]]>其中Tij表示节点i和节点j预计保持的时间，E(T)示节点i和节点j保持的时间的期望值。指标5与各邻居节点的信道质量的计算公式为：Thr(i,j)=Σb∈Bi∩Bjαb×Thr(i,j),bmaxThr(i,j),b---(2)]]>当ploss，b＝0，Tf，b＝1且Bi是节点i的适用频段时，maxThr(i，j)，b＝Thr(i，j)，b。权值ab(ab≤1)反映了不同的频谱特性(相邻频段的干扰水平、信道错误率、路径损耗)。由于有些指标值越大越好(即指标值越大，节点越稳定)，而有些指标值是越小越好，所以需要对指标值进行归一化处理。对于越大越好的指标(指标1,2,3和5)，归一化公式为：x*=x-minmax-min---(3)]]>对于指标值越大越差(即指标值越大，节点越不稳定)，即指标4和6，归一化公式为：x*=1-x-minmax-min---(4)]]>经过归一化之后，最后得到一个6维的属性向量第二，确定决策指标属性权重分配。决策指标属性权重分配是指根据指标属性对节点稳定性的影响大小，确定该指标在节点稳定性评价体系中的权值。具体来讲，就是确定附图2目标层至准则层模型中的6个指标的权值。总的方法是，首先要得到每层指标的权值分配，然后在根据上层的权值得到最下层(即6个指标)的权重。每层指标的权值分是指对准则层的每层指标进行权重分配计算，分如下步骤计算：1)计算模糊矩阵。对准则层第k层所有指标进行两两比较时，采用三角模糊数的语言转换规则加以转换，三角模糊数以mij为中值的封闭区间，而mij是层次分析法中的1～9标度值，如下表1所示。得到对k层所有指标两两比较的模糊数aij＝(lij，mij，hij)，假设评判专家的人数为t，则第k层指标i对指标j的最终的三角模糊数为假设第k层共有h个指标，则得到一个hk×hk的模糊矩阵A＝(aij)hk×hk。需要说明的是，该矩阵具有互反性，即表1属性相对重要性对比的1～9标度对照表2)计算指标的模糊测度值。根据上步得到的模糊测矩阵，第i个指标对同层k的其它所有因素的综合模糊测度值的计算公式如下：Sik=Σj=1naijk·(Σi=1nkΣj=1nkaijk)-1---(5)]]>3)计算第k层第i个指标的权重分配，计算公式如下其中的计算方式为V(Sik≥Sjk)=1m1≥m2l2-h1(m1-h1)-(m2-l2)m1≤m2,h1≥l2,i,j=1,2,...,nk,i≠j0otherwise---(6)]]>于是，第k层指标的权重分配为：Wk={w1k,...,wik,...,whkk}---(7)]]>4)计算准则层最底层指标的权重分配。由于本方案准则层为两层，第一层有三个指标，第二层有六个指标，所以根据上述前3步骤，可分别得到指标权重向量W1=(w11,w21,w31)---(8)]]>和W=(w12,w22,w32,w42,w52,w62),---(9)]]>于是，指标属性权重分配为：W=(w12w12+w22*w11,w22w12+w22*w22,w32w32+w42*w21,w42w32+w42*w21,w52w52+w62w31,w62w52+w62w31)---(10)]]>第三，节点稳定性状态决策判决计算。根据专家打分对节点稳定性评价体系指标进行权重分配之后，就需要进行节点稳定性状态计算了。节点稳定性状态计算分为2个步骤。首先根据构建的属性向量进行采样，得出节点不稳定、次稳定和稳定状态时的属性向量：然后把这些样本状态属性向量作为知识保存在样本库中。其次，根据节点当前构建的属性向量计算与各个样本状态属性向量的拟合相似度，找出拟合相似度最高值对应的样本状态作为节点当前的状态。拟合相似度的计算方法流程如下(参阅说明说附图3)：1)构建决策空间。设节点稳定性评价体系指标个数n个，样本状态属性向量m个，则构建一个n维空间Sn，把每个决策状态i映射为Sn空间中的一点，表征样本状态i在Sn中的空间位置，并把这些点称为正理想解的空间点为了避免评价状态存在与各个状态的正理想解的距离相等时无法判断状态拟合相似度优劣的情况，对每一正理想节点，设定n维空间Sn的负理想解。这里的正负理想空间点是虚拟的，负理想空间点的每个指标属性都是相对应的正理想解空间点的最差状态。2)计算拟合相似度。计算拟合相似度，方法是分别测量当前待评估属性向量与各个正负理想点在n维空间中的距离，以此来衡量当前待评估属性向量与各个样本状态的拟合相似度。当前待评估属性向量lt与样本状态i的正理想解空间点的距离计算公式如下：dli+=Σj=1m(ltj-xij+)2,j=1,2,...m.---(11)]]>其中表示正理想解空间点的第j个属性在Sn中的分量值。当前待评估属性向量lt与样本状态i的负理想解空间点的距离计算公式如下：dli-=Σj=1m(ltj-xij-)2,j=1,2,...m---(12)]]>则当前待评估属性向量与样本状态i的拟合相似度为：Cli=dli-dli-+dli+---(13)]]>3)计算当前节点稳定性状态。由于节点稳定性评价体系指标个数6个，样本状态属性向量3个，根据步骤一和二，可计算出当前待评估属性向量lt与每个样本状态i的拟合相似度Cli(i＝1，2，3)，则当前节点稳定性状态为：j＝{i|Cliismax}(14)。当前第1页1 2 3