基于认知频谱的移动Ad-Hoc网络在线抗干扰模型

李本刚

(江苏自动化研究所， 江苏 连云港 222061)

移动Ad-Hoc网络是一种应用广泛但在实际应用中容易受到恶意干扰的自配置网络[1]。国内外学者针对其特点纷纷展开抗干扰模型及方法的研究。

国外学者研究了MANET中的一个干扰信道问题，提出了一种基于深度Q网络(DQN)的发送决策生成方法，为了适应干扰条件的变化，引入了自适应DQN。结果表明：该方案能更快、更有效地学习最优策略来引导发射机避免干扰。同时提出了一个新的路由协议的启发布谷鸟搜索方法，选择与路由协议Ad-Hoc按需距离向量、目的地序列距离向量和bio-inspired路由协议anthcnet在服务质量参数进行比较[2]。姜铁骝等[3]为了提高太阳能光热发电短期功率预测的准确性，通过对影响光热发电准确性因素分析，结合相应的实验数据，建立了基于Ad-Hoc网络的短期负荷预测模型，预测方法具有较高的精度。邓钧忆等[4]采用GSPN构建节点内和节点间的数据传输模型，运用Petri网抽象和精化，结合连续时间马尔可夫链CTMC计算性能、安全和收益，以此研究了Ad-Hoc网络性能与安全的平衡优化方案的量化标准来比较性能和收益。在移动无线Ad-Hoc网络中，频繁的节点移动、不佳的节点分布会减少簇的生存时间、降低通信质量并增加通信开销，而这些问题势必会降低簇的稳定性。提出了基于学习自动机理论与稳定性控制的自适应MANET分簇策略(LASCA)[5]。

虽然上述方法都在一定程度上达到了抗干扰的目的，但是在不同大小白噪声干扰情况下的网络能效以及吞吐率不稳定，因此提出基于认知频谱的移动Ad-Hoc网络在线抗干扰模型。研究移动Ad-Hoc网络在线抗干扰模型，通过认知频谱干扰的能量有效路由模型应用于移动Ad-Hoc网络中，建立移动Ad-Hoc网络的在线抗干扰模型，提升移动Ad-Hoc网络的通信性能以及抗干扰性能，为提升移动Ad-Hoc网络的生存能力和防护性能提供重要的战略价值。

1 认知频谱干扰的能量有效路由在线抗干扰模型

1.1 集成化移动Ad-Hoc网络

移动Ad-Hoc网络需具有较高的交互性、操作性以及开放性，移动Ad-Hoc网络集成总体结构框图如图1所示。

通过图1移动Ad-Hoc网络集成结构图可以看出，移动Ad-Hoc网络集成包括感知层、现场协议层、应用层以及中心交汇层。

图1 移动Ad-Hoc网络集成结构框图

1) 感知层。通过感知层采集移动Ad-Hoc网络内全部物体信息。通过识读器、二维码标签、无线射频识别技术、摄像头、全球定位系统、传感器网关等设备与技术组成移动Ad-Hoc网络集成的感知层。感知层的信息采集效果以及感知信息情况决定互联网的良好运行，感知层可通过标准体系架构实现设备信息的感知。移动Ad-Hoc网络感知层内包含众多的传感器技术、标识、定位以及协同处理等技术，具有较宽广的覆盖范围。

2) 现场协议层。移动Ad-Hoc网络集成的现场协议层可直接采集、传输和处理移动Ad-Hoc网络信息。现场协议层设置数据云端接口和不同的网络端口，可保证通过编程获取的各项控制协议良好应用。现场总线、实时内核、网络通信以及集成芯片等技术均可应用于互联网内。

3) 中心交汇层。移动Ad-Hoc网络通过分布式实时数据云动态控制平台作为集成的中心交汇层，移动Ad-Hoc网络内的工业控制中的管理、供应链以及控制等信息流的融合通过云概念实现。云概念从数据采集、数据分析到数据挖掘优化的全过程提升互联网的安全性和可靠性。将人工智能平台应用于中心交汇层，利用统一结构实现工业互联网的工业化操作。

4) 应用层。移动Ad-Hoc网络集成的工业应用层利用数据统计分析方法提升集成化移动Ad-Hoc网络的应用性。应用层通过领域算法、知识库等技术的完善，建立具有全生命周期的覆盖移动Ad-Hoc网络全流程的生态链。

1.2 干扰认知路由代价

移动Ad-Hoc网络内相同路径受到干扰影响导致节点受到干扰时，通过提升发射功率令节点与相邻节点实现通信，移动Ad-Hoc网络受到干扰将造成互联网误码率有所提升。移动Ad-Hoc网络沿固定路径传输时，该簇簇头利用相同频道信道传输数据，该簇受到干扰影响链路传输性能[6-8]。

利用全网周期性侦听方法明确互联网受干扰情况，全网同步周期性侦听方法在互联网节点传输过程中间隙侦听，该方法仅需建立路由阶段侦听，可有效提升移动Ad-Hoc网络吞吐率。

通过节点传输时隙扫描能量检测互联网各节点受干扰情况，将最终次所扫描噪音能量记录于各节点中，降低互联网能量开销和时延。

建立按需路由时需判断记录时间，所记录时间未超期即可直接使用，所记录时间超期时扫描节点能量并再次记录。

用en表示时槽保障机制特定时间发送时隙扫描所获取噪声能量，需通过区间化处理明确噪声大小。

设时槽保障机制发射功率以及Zigbee设备发射功率分别为14 dBm和0 dBm，噪声能量en转化至区间[0，14+b]dBm内的值用ed表示，可得公式如下：

(1)

当节点en≥14+b以及en

时槽保障机制传输过程中的时隙通过扫描能量所检测噪声能量值用en表示，噪声能量下限用b表示。

用Gaj表示干扰路由代价，可得公式如下：

Gaj=ed×wa

(2)

式(2)中，ed表示区间的干扰强度;wa与单位干扰噪声相应的路由代价。

1.2.1距离、能量路由代价

定义干扰认知时，将通信链路受干扰的影响体现至路由代价中，设移动Ad-Hoc网络内各节点具有相似的链路环境，剧烈影响节点的能量消耗。

设其中一个节点发送大小为k比特的数据包至距离为l的节点所需能量公式如下：

(3)

式(3)中，Eelec表示发射电路损耗能量;l0表示通信半径阈值，传输距离小于或大于等于l0时，功率放大损耗分别采用自由空间模型以及多路径衰减模型；εfs表示自由空间模型中功率放大所需能量；εmp表示多路径衰减模型中功率放大所需能量。

发送相同的数据包度量路由协议，设置数据包大小k为1。路由代价中的节点电池剩余能量需通过路由协议度量获取能量有效性的保证，可得节点剩余能量权重wbt公式如下：

(4)

式(4)中，Pc与Po分别表示一次数据传输的电池损耗以及节点目前剩余的电池功率。

移动Ad-Hoc网络路由能量代价Gen公式如下：

Gen=wbt×Etx(l)

(5)

式(5)可以看出：路由能量代价由节点剩余能量决定，节点剩余能量过低时，路由能量代价较高，选择该路径的成本越高。

1.2.2认知频谱干扰的能量有效路由方法

将认知频谱干扰的能量有效路由方法应用于移动Ad-Hoc网络中，充分考虑干扰认知路由代价以及距离、能量路由代价[9-12]获取移动Ad-Hoc网络在线抗干扰模型的运行过程如下：

1) 利用源节点检查路由表建立路由，当路由表过期或未找到目的节点时，广播的一个路由通过源节点请求分组RREQ。所获取RREQ分组[13]中包含源序列号、源地址、目的地址、广播地址以及跳数计数器；

2) 路由请求分组发送至中间节点时，需判断该请求是否为已收到，为已收到的请求可直接丢弃；将跳数计数器递减，丢弃计数结果低于0的请求；获取路由代价的延时，并将节点添加一个延时；

3) 将目的节点地址与本节点地址相比，当所比较节点与目的节点存在差异时，将该路由转发至邻居节点，并请求分组，将相应信息记录获取反向路由。

通过以上过程提升移动Ad-Hoc网络的抗干扰性能。

2 模型测试

为检测本文所研究基于认知频谱的在线抗干扰模型对移动Ad-Hoc网络的抗干扰有效性，将本文模型应用于所建立的移动Ad-Hoc网络中，如图2所示。

图2 移动Ad-Hoc网络在线抗干扰模型示意图

该移动Ad-Hoc网络内包含节点数量为1 000个，采用Matlab仿真平台仿真模拟该移动Ad-Hoc网络运行状态，设该移动Ad-Hoc网络时延敏感数据包大小为10 Kbit；时延容忍数据包大小为1 Mbit；其中的路由器平均数据包达到率为2个/s；数据采集频带带宽为3 MHz移动Ad-Hoc网络与基站间采用瑞利衰落信道，将正交频分复用技术应用于移动Ad-Hoc 网络物理层的无线通信中。仿真时间设置为1 000 s，移动Ad-Hoc网络拓扑结构总大小为200 m×200 m。根据式(3)设置实验环境，具体实验环境参数如表1所示。

表1 实验环境参数

为验证采用本文模型抗干扰的移动Ad-Hoc网络的集成性，明确本文模型的可扩展性，利用移动Ad-Hoc网络检索关键词，统计本文模型检索效率，并将本文模型与文献[14]的网络隐蔽信道模型以及文献[15]的数字孪生模型制表，如表2。

表2 检索效率

表1模型测试结果可以看出：本文模型具有较高的检索效率，不同节点数量情况下的检索效率均高于另两种模型，说明本文模型可有效解决移动Ad-Hoc网络内众多格式多元异构数据间的互操作性，集成性能高，具有较高的实用性。

为了检测本文模型的在线抗干扰性能，在Matlab仿真平台中加入5～50 dB的白噪声，统计加入不同大小白噪声时采用本文模型的移动Ad-Hoc网络能效，并将本文模型与网络隐蔽信道模型以及数字孪生模型对比，统计结果如图3所示。

图3 网络能效统计结果直方图

统计加入不同大小白噪声时采用3种模型的移动Ad-Hoc网络吞吐率，统计结果如图4所示。

图4 吞吐率统计结果直方图

图3、图4系统测试结果可以看出：不同白噪声大小时，采用本文模型的移动Ad-Hoc网络均具有较高的网络能效以及吞吐率，通信性能明显优于另两种模型。本文模型可在保持移动Ad-Hoc网络较高吞吐率情况下提升网络能量使用效率，白噪声大小为50 dB时，其余两种模型的网络能效与吞吐率下降较为明显，而本文模型由于具有较高的抗干扰性能，可保持较高的吞吐率以及较高的能效，再次验证本文模型对于移动Ad-Hoc网络的在线抗干扰有效性。

统计采用3种模型的移动Ad-Hoc网络在不同频带利用率时的传输时延，统计结果如图5所示。

图5 传输时延曲线

图5模型测试结果可以看出：采用本文模型的移动Ad-Hoc网络在不同频带利用率情况下均具有较低的传输时延，传输时延均低于200 ms，验证本文模型具有较高的抗干扰性能同时具有较低的传输时延，通信性能良好。

统计采用3种模型的移动Ad-Hoc网络在不同频带利用率时的路由开销，统计情况如图6所示。

图6 路由开销曲线

图6系统测试结果可以看出：采用本文模型的移动Ad-Hoc网络在不同频带利用率情况下路由开销均低于另外两种模型，说明本文方法可通过较低的路由开销实现移动Ad-Hoc网络的良好通信，通信性能优，不仅可提升移动Ad-Hoc网络的抗干扰性能，并且可提升移动Ad-Hoc网络的运行性能。

以上系统测试结果可以看出：本文模型可应用于场景变化较大的移动Ad-Hoc网络中，充分利用信道资源，选取合理的中继节点作为协作路由，提升网络吞吐率以及能效，在路由开销以及传输时延方面均具有良好的性能，具有较高的可靠性，是适用于移动Ad-Hoc网络中的在线抗干扰模型。

3 结论

利用认知频谱干扰的能量有效路由方法建立移动Ad-Hoc网络的在线抗干扰模型。该模型在受到不同大小干扰情况下具有较高的抗干扰实用价值，可应用于移动Ad-Hoc网络的实际应用中，实现集成化移动Ad-Hoc网络的安全通信。