MANET中一种干扰识别的路由度量及协议

分析移动自组网中节点受干扰的2个因素, 网络拓扑结构和网络流量分布, 并对这两方面的影响程度进行量化. 基于拓扑结构干扰和网络流量干扰, 提出具有干扰识别特点的路由度量. 提出干扰识别的路由协议IADSR, 该协议根据路径的干扰情况来选择路由, 由此实现网络吞吐量及性能的提高. 实验表明, 在网络负载较重时, IADSR协议性能优于DSR及DIAR协议; 与DSR协议相比, 网络吞吐量提高7.8%, 网络端到端时延下降9.4%.     

基于蚁群算法改进的 AODV 路由协议研究

AODV协议是Ad hoc无线自组网中经典路由协议之一;针对AODV协议的缺点,提出一种基于蚁群算法改进的AODV路由协议;结合蚁群算法与Ad Hoc网络的特点,将蚁群算法应用于AODV协议,考虑节点负载、路径跳数、路径时延等因素,对AODV的路由组建和路由维护策略进行改进;通过在NS2平台中设置不同的网络负载和不同的节点移动速度,对改进后的AODV协议进行模拟,仿真结果表明,该路由协议在分组投递率、平均端到端延时和归一化路由开销等性能上比AODV协议具有一定的优势,网络的健壮性和抗毁性得到增强.     

无人机自组网中改进型反应-贪婪-反应路由协议

无人机自组网具有网络拓扑变化剧烈,链路断开频繁等特点.反应-贪婪-反应(reactive-greedy-reac-tive,RGR)路由协议是针对无人机自组网而提出的改进型协议,在高动态环境下具有较好的网络性能.针对RGR协议具有网络开销大、易出现网络拥塞等问题,提出了一种基于负载均衡和高贪婪地理转发成功概率的改进RGR路由协议.该协议在RGR协议的基础上,提出基于节点负载状态和地理位置信息辅助的受限洪泛机制、GGF模式下高分组成功传输概率的路径选择策略和基于节点负载预测和运动特征的分组转发策略3项关键改进措施.仿真结果表明,相较于AODV和RGR及其改进型协议,该协议提高了分组投递率,降低了网络的控制开销和平均端到端时延,提升了网络应对拓扑高度动态变化的能力,有效改善了网络性能.     

一种新型的高吞吐量路由量度

在期望吞吐量路由量度的基础上,研究路径负载状况和链路干扰范围对路径性能的影响,将介质访问控制子层(Media access control,MAC)接口平均等待队列长度和MAC层向物理层递交数据的速率作为节点负载加入到路由量度中, 提出一种用于无线Mesh网络(Wireless mesh network)的新型路由量度,并将该量度应用于动态源路由协议DSR(Dynamic source routing protocol)协议中;通过仿真实验研究该路由量度中权值系数β的取值对网络性能的影响,并在仿真网络性能β最优时,分析比较期望吞吐量度和新型路由量度在网络吞吐量和数据包端到端延迟方面的性能.仿真结果表明:在数据流量较大、网络负载较大的多射频多信道无线Mesh网络中,新型的路由量度能够提供比期望吞吐量路由量度更准确的链路及路径性能的估计,使得基于该路由量度的路由协议能够选择数据位总传输延迟最小和总节点负载最小的路径,能够避开网络中的繁忙路径和拥塞节点,从而有效地提高网络吞吐量,降低数据包端到端延迟,实现网络的负载平衡.     

超短波电台通信网络中的自组网路由协议应用研究

针对临时组网通信过程中使用超短波电台作为常用的通信手段,讨论了自组网技术在超短波电台通信网络过程中,组网路由协议在实现高效组网和有效数据传输所起的关键作用。进而设计了一种适用于军事指挥、抗震救灾等野外临时性工作的应用场景,对不同自组网路由协议进行了比较研究,并通过仿真和评估测试路由协议在超短波电台通信网络中负载情况及数据投递情况,从数据投递率和归一化路由负载两方面对路由协议进行了性能比较和分析。实验数据表明,DSR协议的性能表现具有明显的优势,分组投递率高,路由负载较小,比较适合移植到超短波电台通信网络中使用。此外,AODV协议具有较小的路由负载,也可应用于低带宽的超短波电台通信网络。     

基于流量预测的Ad Hoc网络负载均衡协议

针对AdHoc网络中的负载均衡问题,提出了一种基于小波神经网络方法预测节点流量的路由协议WNNP-LBRP,协议中的流量值以MAC层接口队列长度来衡量.该协议利用小波神经网络预测模型计算节点下一时刻的流量值及动态阈值,并对二者进行比较,避免将重负载节点作为中间节点而导致网络拥塞,从而在网络出现拥塞之前提前更新路径,实现网络负载的平均分配.仿真结果表明,WNNP-LBRP协议与LBR-AODV协议和AODV协议相比,网络性能得到提高:减少了丢包现象,降低了端到端时延和路由开销.     

基于深度强化学习的无人机自组网路由算法

针对无人机自组网节点密度大、拓扑变换频繁,导致移动自组网复杂的问题,提出了一种基于深度强化学习(deep-reinforcement learning, DRL)的分布式无人机自组网路由算法。利用DRL感知学习无人机特征,使节点不断与环境交互、探索学习最优行动(路由)策略;通过存储经验知识,维护端到端路由,赋予无人机网络智能化重构和快速修复的能力,从而提高路径的稳定性,降低路由建立和维护开销,增强网络的鲁棒性能。仿真结果表明,提出的算法具有较好的收敛性能;在路由修复时间、端到端时延,以及网络适应性、扩展性方面都优于传统的路由算法。     

战术无人机群移动自组网的路由性能分析

提出了采用Ad hoc 移动自组网建立战术用无人机群的网络通信以实现战术无人机群的协同与控制,使用参考点组移动模型(RPGM)对战术用无人机群的运动进行仿真,分析了在战术无人机节点运动情况下移动自组网的路由协议性能.结果表明,Ad hoc网络可以有效地实现战术用无人机之间的网络通信问题,其中ADOV路由协议吞吐量大,更能适合网络拓扑的剧烈变化;而DSR则具有路由负载轻的特点,路由协议的性能也随结点移动速度的变化而发生显著改变. 因此为适应无人机群的不同战术任务,应根据战术任务的不同要求来选择不同的路由算法     

面向移动节点不确定性特征的自组网路由协议

为了在资源有限的移动Ad Hoc网络环境中提高网络能量效率、延长网络存活寿命,提出了一种面向移动节点不确定性特征的自组网路由协议.根据信息熵的相关理论,从移动节点的邻居节点集合的取值空间和取值空间中各邻居节点集合成员的具体分布来度量节点的不确定性,从统计和行为上对无线移动节点的动态特性进行刻画.对路由表项进行了扩展,增加了路由稳定性测度值域,以适用节点记录其到达路由请求分组源节点的路由稳定性测度信息.仿真结果表明,所提协议能够有效提高移动Ad Hoc网络的分组递交成功率和端到端分组延迟等性能,降低频繁路由重建和维护操作所产生的控制负载开销和能量消耗.     

基于跨层设计的MANET拥塞控制路由算法

移动无线自组网(MANET,Mobile Ad Hoc Network)是由无线移动节点所组成的具有任意和临时性网络拓扑的动态自组织网络系统,每个节点都可以作为主机和路由器使用。由于移动自组网的独特组织形式,固定网络和有中心无线网络的很多协议无法直接被它采用,因而需要设计专门适用于移动自组网的协议。其中,路由协议是自组网设计并研究的主要技术难点之一。对MANET中的经典AODV路由算法进行了改进,通过节点MAC层信息感知,表征出链路拥塞状态,同时将MAC层信息跨层共享,提出时延跳数积作为网络层路由判断和选择的依据,改善移动自组网传统路由协议遇到的拥塞问题,优化路由工作和网络性能。