最大化网关流量的物联网路由的研究
2019-07-08王玉珏吴庆州黄羽周月娥
王玉珏 吴庆州 黄羽 周月娥
摘 要: 为了解决现存的路由方案经常依赖于具体的链路探测包估计路由质量,对能量受限的IoT设备而言成本高昂的问题,提出基于虚拟网络估计的物联网路由(VNE?R)方案。VNE?R路由通过虚拟网络估计节点流量,再用流量大的节点构建路由,进而最大化网络流量。利用OMNEET++软件和SWIM工具进行仿真实验,实验数据表明,VNE?R路由能够较准确地估计各节点的流量并且能够有效地提高网络吞吐量。
关键词: 物联网; VNE?R路由; 虚拟网络估计; 网关流量; 网络吞吐量; 路由构建
中图分类号: TN915.04?34; TPT393 文獻标识码: A 文章编号: 1004?373X(2019)13?0019?04
Research on IoT route maximizing gateway traffic
WANG Yujue1, 2, WU Qingzhou2, HUANG Yu3, ZHOU Yuee2
(1. Nanjing University of Science, Nanjing 210094, China;
2. Nanjing University of Science and Technology Zijin College, Nanjing 210046, China;
3. Coil Plate Plant, Nanjing Nangang Iron & Steel United Co., Ltd., Nanjing 210035, China)
Abstract: The existing routing schemes often rely on specific link probing packet to estimate the route quality, which is too expensive for energy?constrained IoT device. Therefore, the virtual network estimation?based routing (VNE?R) scheme is proposed. The VNE?R can estimate the traffic of nodes by means of virtual network, and the nodes with maximum traffic are used to construct the route, so as to maximize the network traffic. The OMNEET++ software and SWIM tool are used to carry out the simulation experiments. The simulation results show that the VNE?R can estimate the traffic of each node accurately, and improve the network throughput capacity effectively.
Keywords: Internet of Things; VNE?R route; virtual network estimation; gateway traffic; network throughput capacity; route establishment
0 引 言
维持通信连接是物联网(Internet of Things,IoT)提供服务的关键问题。最近,研究人员对蜂窝网络技术进行扩展,进而处理IoT流量,称为机器类通信(Machine?Type Communication,MTC)[1]技术。MTC技术可支持大量的IoT设备。
然而,由于制造成本、操作费和电池寿命短等,MTC蜂窝链路并不适用于IoT。而短程免费宽带无线电(Shorter Range Free Band Ratios)是实施MTC蜂窝的一个不错选择。在基于短程无线电的IoT网络中,IoT设备能够连接至IoT网关[2]。通过网关,IoT设备能够连接Internet。IoT设备间、IoT设备与IoT网关的数据传递可通过其他IoT设备转发,即通过多跳无线路由实现数据传输。
本文以基于多跳IoT网络的路由为研究对象,其主要目的在于寻找能够有效传输数据的路径。所谓有效路径是指具有高的吞吐量和低的能量消耗。目前,为了保证路径质量,现存的多数路由依赖于探测流量包,如ETX[3],ETT[4],Iaware[5]。在这些方案中,邻居节点间交互自己的探测包,且利用这些探测包测量链路质量。
然而,具体的链路探测包会引入高的开销,这对能量受限的IoT设备而言是非常关键的。此外,也可能会导致错误的路由决策,原因在于:链路质量容易受邻近链路的干扰,而探测包是很难发现这些干扰的。
为此,本文考虑节点流量的变化问题,并提出VNE?R(Virtual Network Estimation?based Routing)方案。首先估计每条链路的数据包传输成功率,再计算节点流量,最后依据节点流量动态构建路由,使网关流量最大化。实现数据表明,提出的VNE?R能有效地提高网络吞吐量。
1 网络模型
考虑单一网络由一个网关路由(Gateway Router,GR)和多个IoT节点构成,且由IEEE 802.11链路维持节点的连通。此外,每个节点产生流量,并将流量传输至GR。尽管提出的VNE?R方案很容易扩展处理下行流量,但本文仅考虑上行流量。因此,网络路径可看成一个树结构形式,且GR为树根。
图1显示了一个网络结构,其中S表示路由网关,其他从0~10的数字表示10个节点,节点间的连接表示它们间的链路。每个节点旁边的数字表示由节点产生的流量,例如,节点1所产生的流量为50。
图1 网络拓扑示例
据此,本文引用矩形网格拓扑结构。假定每个节点只能感测它的一跳邻居节点,且仅一跳邻居节点间才可能完成数据的直接传输。例如,节点5有4个一跳邻居节点,分别为1,4,6和9。此外,每个节点与它的对角线节点存在隐藏终端关系。例如,节点5与节点0,2,8和10具有隐藏终端关系。而隐藏终端会引起竞争和碰撞。因此,每个节点所产生的所有流量可能难以成功地传输至网关。设计VNE?R的目的就是最大化网关所接收的流量,即网关流量最大化。如图1所示,网关S所接收的流量为207。此外,VNE?R引用单一路径的静态路由,即仅一条消息复本在预定路径上传输。
2 VNE?R方案
2.1 传输成功率
为了更好地表述节点在传输阶段的状态,定义一个二值矢量。矢量中的每个比特位数对应于每个节点。如果比特位为1,则此节点正参与数据传输;反之,为零,表示此节点目前未参与数据传输(空闲)。例如,对由三个节点A,B和C构成的网络,就存在8类网络状态矢量[000,100,010,001,110,011,101,111]。当矢量[?=]100时,说明仅节点A处于数据传输,而节点B和C空闲。
而每个矢量[?]都对应一个活动共享(Active Share, AS),其反映了此矢量的维持归一化时间。所谓归一化时间是指此矢量维持的时间占整个抽样间隔的比例,如图2所示。当矢量[?=]100时,它的AS为0.25,表示保持此状态的归一化时间为0.25。假定整个抽样时间为10 s,则维持此状态的时间为0.25×10 s=2.5 s。
图2 网络状态矢量和AS示例
依据上述表述可知,当网络有[N]个节点,则网络状态矢量可表示为[?=b1,b2,???,bN,?i∈0,1]。由于有[N]个节点,则存在[23=8]个网络状态矢量,即[?1,?2,…,?8]。而矢量[?j]的AS等于该矢量的持续时间占抽样间隔[L]的比例。
每个节點记录数据传输的开始时间和结束时间,并将这些数据传输至网关。当网关收集了所有节点的信息后,就能得到相应的AS[6]。
令[lij]表示从节点[i]至节点[j]的链路,现推导每条链路的传输成功率。为了保证数据能够成功传输,需要满足两个条件:
1) 链路开始传输数据包时,未有隐藏节点传输它们的数据包;
2) 在它的任何隐藏节点开始传输数据包之前,数据传输已完成。
假定节点间的数据传输并非相互独立,则隐藏节点传输数据的开始时间服从指数分布。令ON表示至少有一个隐藏节点正在传输数据包的时期,而OFF表示未有隐藏节点传输数据包的时期。因此,链路[lij]上发生碰撞的概率可定义为:
式中:[TOFF],[TON]分别表示它们各自的归一化时间,即将[TOFF],[TON]的平均时间与抽样间隔相除可得[TOFF],[TON]值;[h]表示数据包传输时间。
从式(1)可知,式(1)的第一项与条件1)相关,第二项与条件2)相关。从节点[i]的角度而言,[TOFF+TON]等于节点[i]有机会传输数据包的时间。因此,可令:
2.2 节点流量估计
首先估计节点流量。最后,利用每个节点产生的流量和每条链路的传输成功率两项数据估计网关接收的数据量。
首先,考虑如图3所示的节点队列模型。对于节点[i],它的数据包到达率由三项流量元素组成:局部产生流量[λei]、来自邻居节点的流入流量[λfi]和重传流量[λri]。
图3 节点[i]的队列模型
2.3 路由决策
首先计算链路的数据包传输成功率[8],然后计算PE。再依据PE构建路由。每个节点选择PE大的节点作为下一跳邻居。考虑到PE是动态变化的,因此,每个节点需在之前建立的路径中检测是否存在这样的邻居节点:若由此邻居节点作为下一跳节点,是否能够增加网关的流量[9]。若存在这类节点,就将此节点作为下一跳节点。
如图4a)所示是初始路由。假定节点2发现若选择节点3的流量远大于节点6的流量(节点3的流量为200,节点6的流量为10),节点2就将节点3作为下一跳路由,如图4b)所示。通过更新路由后,发现网关的流量从207增加至230。
图4 路由初始阶段
3 性能仿真
3.1 仿真环境
为了更好地分析VNE?R性能,利用OMNEET++仿真软件建立平台,并引用IEEE 802.11b无线链路,且数据传输比特率为2 Mb/s。最小和最大竞争窗口尺寸分别设为31和1 023。最大重传数设为1。节点的传输范围为170 m,干扰范围为250 m。引用如图1所示的矩形拓扑网格模型。两跳的邻居点距离为150 m,且位于对角线的两个节点呈终端隐藏关系。
此外,建立两个实验。实验一分析VNE?R估计节点流量的性能,实验二对比分析提出的VNE?R的吞吐量。
3.2 实验一
本次实验分析VNE?R对每个节点所传输的数据包[λs]和它成功接收的数据包数[λf]的估计性能,并与仿真实验的数据进行对比。
以图4a)的路由进行数据传输,且节点产生的数据包尺寸为150 B。[λs]和[λf]的数据分别如图5a)和图5b)所示,图中的横坐标表示节点的标号。
从图5可知,VNE?R所估计的数据包数与仿真实验所产生的数据包数相吻合,这也说明,利用VNE?R能够较准确地估计各节点的流量。
图5 节点传输和接收的数据包数(图4a)的路由)
类似地,以图4b)路由对各节点流量进行估计,实验数据如图6所示。图6a)显示了各节点所传输的数据包数[λs];图6b)显示了各节点所接收的数据包数[λf]。
图6 节点传输和接收的数据包数(图4b)的路由)
从图6可知,仿真的数据包数与推导的数据包数一致。结合图5和图6不难发现,VNE?R能够较准确地估计节点所传输和接收的数据包数(流量),这为后续的路由决策提供了基础。
3.3 实验二
本次实验分析网关的吞吐量。选择负载感知的路由(Load?aware Routing,LAR)作为参照。同时,为了更好地产生真实动态流量模型,选用真实的人类移动轨迹,称为Cambridge traces。利用SWIM工具[10]按比例放大轨迹文件,且分为包含90个用户和180个用户两类,实验数据如图7所示。
图7 吞吐量
从图7可知,提出的VNE?R的吞吐量优于LAR。原因在于,VNE?R在选择下一跳邻居节点时,总是将吞吐量大的节点作为下一跳邻居节点,这有利于提高网络吞吐量。
4 结 语
针对物联网的路由问题,提出基于虚拟网络估计的VNE?R方案。VNE?R目的在于最大化网络的吞吐量。通过虚拟估计节点的流量,使得流量大的节点构建路由,进而最大化网络流量。实验数据表明,提出的VNE?R能够有效地提高网络吞吐量。
参考文献
[1] MURUGANATHAN S D, MA D C, BHASIN R I. A centra?lized energy?efficient routing protocol for wireless sensor networks [J]. IEEE radio communications, 2015, 43(3): 8?13.
[2] SHANG Guoqiang, CHEN Yanming, ZUO Chao, et al. Design and implementation of a smart IoT gateway [C]// Proceedings of 2013 IEEE International Conference on Green Computing and Communications. Beijing: IEEE, 2013: 23?31.
[3] DE COUTO D S J, AGUAYO D, BICKET J, et al. A high?throughput path metric for multi?hop wireless routing [J]. Wireless networks, 2015, 11(4): 419?434.
[4] DRAVES R, PADHYE J, ZILL B. Routing in multi?radio, multi?hop wireless mesh networks [J]. IEEE mobile communications, 2014, 6(8): 34?41.
[5] SUBRAMANIAN A P, BUDDHIKOT M M, MILLER S. Interference aware routing in multi?radio wireless mesh networks [J]. IEEE wireless mesh networks, 2016, 9(7): 12?21.
[6] MAGISTRETTI E, GUREWITZ O, KNIGHTLY E W. Measurement?driven modeling of transmission coordination for 802.11 online throughput prediction [J]. IEEE/ACM transactions on networking, 2017, 20(5): 1635?1648.
[7] BEJERANO Y, CHOI H G, HAN S J, et al. Performance tuning of infrastructure?mode wireless lans [C]// 2010 IEEE International Symposium on Modeling and Optimization in Mobile. Avignon: IEEE, 2016: 56?61.
[8] BISNIK N, ABOUZEID A A. Queuing network models for delay analysis of multihop wireless ad hoc networks. Elsevier [J]. Ad Hoc networks, 2015, 7(1): 79?97.
[9] ANCILLOTTI E, BRUNO R, CONTI M, et al. Load?aware routing in mesh networks: Models, algorithms and experimentation [J]. Computer communication, 2016, 34(8): 948?961.
[10] KOSTA S, MEI A, STEFA J. Large?scale synthetic social mobile networks with swim [J]. IEEE transactions on mobile computing, 2015, 13(1): 116?129.