基于SPMA协议的数据链信道负载统计算法

赵志勇 张 洋 刘锡国

1.海军航空大学 山东烟台 264001

数据链是战场获取信息优势的重要基础,是实现诸兵种作战力量之间无缝链接的“纽带”,是作战武器装备效能发挥的倍增器.采用何种网络协议构建数据链作战网络,对数据链系统的拓扑结构、网络容量、系统抗毁性、组网灵活性等都具有重要影响.因此,国内外数据链领域非常重视数据链网络协议的研究,这对于提高数据链的作战效能具有重要意义.美军的TTNT 数据链采用了统计优先多址接入（statistic priority-based media access,SPMA）协议,大幅提升了数据链组网的灵活性[1-4],网内各单元能够实时有效地共享战场态势信息,使以SPMA 协议为代表的随机接入类协议在数据链领域展现出重要研究价值.

SPMA 协议采用统计优先级方式实现信道接入控制,在发送某一优先级分组时,SPMA 协议将信道负载统计值与对应优先级阈值进行比较,从而判定该优先级分组是否允许发送.当全网业务量较大时,SPMA 协议采用退避低优先级分组的方式,保证高优先级分组传输的实时性,从而将信道占用控制在良好的状态,以解决随机竞争类协议在全网业务量较大时由于信道碰撞导致的网络性能恶化问题[5-7].由此可知,数据链信道负载统计是SPMA 协议控制数据链信息发送的关键.

在现有文献中,关于数据链信道负载统计主要有两类算法.一类算法是采用广播消息的方式,网内各节点通过广播消息将近一段时间内所发送的脉冲数广播至网内其他节点,以此判断数据链信道状态.但所述广播消息的发送,必然占用一定的信道带宽和传输时间,降低了信道资源利用效率[8-12].另一类算法是通过统计物理层接收到的脉冲数量计算信道负载.由于该类方法便捷高效,使其在数据链信道负载统计领域占据了主导地位[10-15].但由于该类算法所得到的信道负载统计值是由单个节点设备独立完成的,这使得信道负载统计值完全依赖于某个单一节点平台特性.然而,数据链网络中各节点设备的物理特性差异较大,如数据链端机天线接收灵敏度、所处电磁环境、物理层器件老化程度等因素,都会导致数据链网络中各节点对当前信道状态的认知存在较大偏差,甚至严重偏离信道的真实状态,造成网内用户数据链信息冲突,从而降低数据链信息发送的成功概率.

本文针对单节点基于物理层脉冲数统计类方法存在的不足,通过分析数据链的波形特征和脉冲参数,优化统计时间窗设置方法,改进现有信道负载统计算法.在此基础上,采用距离加权的方式,统计单跳范围内各节点的信道负载值,以克服现有算法对单节点设备依赖性大、信道资源利用率低的问题,使信道负载值能够更准确地反映信道真实状态,以提高网内节点信息传输的实时性和可靠性.

1 单节点物理层信道负载统计算法

基于物理层脉冲数统计类方法是通过统计接收物理层脉冲数量来计算信道负载值.然而该算法在统计计算信道负载时,模型参数设置不合理,并未将脉冲间隔时间参数考虑在内,仅考虑了脉冲数据包长,这会使所计算的信道负载值减小,无法正确反映当前的信道状态,进行节点数据传输时,会造成网内用户冲突,将大大降低数据发送的成功概率.事实上,数据链设备的信息传输通常是采用脉冲形式传输,且脉冲间设置有传输间隔[13-15].如美军的TTNT 数据链、Link-16数据链,数据链端机所辐射的射频信号是成串的脉冲信号,每个脉冲的持续时间为6.4 μs,脉冲之间的间隔是6.6 μs.设置脉冲间隔的原因是对抗转发式干扰,以提高数据链信号的可靠性.

基于上述分析,结合数据链的跳频脉冲传输体制,本文对现有单节点物理层信道负载统计算法进行改进,改进后的信道负载Ck的表达式为：

其中,fi表示数据链的跳频频点,表示本数据链端机在跳频频点fi上统计接收到的其他节点发送的数据链脉冲个数,表示统计本数据链端机在跳频频点fi上发送的数据链脉冲个数,M 表示数据链端机的跳频频点数,表示数据链脉冲持续时间长度,δ 表示数据链脉冲间隔时间长度,Ts表示统计时间窗长度.

在改进后的信道负载统计算法中,数据链网内节点通过物理层统计各跳频点fi上的数据链脉冲数量,包括在跳频频点fi上的发送数据链脉冲数和接收到的数据链脉冲数,信道负载Ck不仅与脉冲时间参数 有关,还与数据链脉冲间隔时间参数δ 有关.

在现有算法中,用于信道负载统计算法的统计时间窗Ts固定设置为100 ms,无论当前信道是拥堵还是空闲,统计时间窗大小不变.这种统计时间窗设计方法缺乏灵活性,不能根据信道状态进行适应性调整.鉴于此,在本文中,所述统计时间窗的设计方法为：根据数据链端机天线的感应信号启动和停止统计时间窗；当数据链端机天线感应接收到数据链脉冲信号时,启动所述统计时间窗计时；当连续一个时间单元长度没有感应接收到数据链脉冲信号时,停止所述统计时间窗计时,从而得到所述统计时间窗Ts的时间长度大小.统计时间窗Ts可根据信道的忙闲变化自动调整,相对于固定统计时间窗来统计数据链脉冲数的方式来说,能够更好地反映当前信道状况,有利于提高信道负载统计的准确性和灵活性.

2 基于距离加权的信道负载统计算法

在现有物理层信道负载统计算法中,所述信道负载的统计都是由待发送数据链信息的节点计算得到的,即由单个节点设备独立完成的,这使得信道负载统计值完全依赖于某个单一节点.然而,数据链网络中各节点的物理特性差异是较大的,如数据链端机天线接收灵敏度的差异会导致对信道中传输的数据链脉冲数存在较大的统计误差,从而存在相同信道状态下不同节点统计得到不同信道负载值的现象.进一步,在复杂电磁环境下,由于电磁干扰的来向和强度分布的不同,数据链网络中各节点受电磁干扰的程度也可能存在较大差别,从而使得不同节点对当前数据链信道状态的统计也存在较大差异.另外,由于网内各节点数据链端机物理层器件老化程度差异性不同,在统计信道负载时也会存在较大差别.这些因素,都会导致数据链网络中各节点对当前信道状态的认知存在较大偏差,甚至严重偏离信道的真实状态.因此,在现有算法中,由单个节点独立完成信道负载统计的方法,会造成对信道负载统计值与真实值偏差较大,当其用于控制数据链信息发送时,必然会造成网内用户数据链信息冲突,将大幅降低数据链信息发送的成功概率,无法将战场信息实时共享交互.

为了克服数据链信道负载统计算法对单一节点设备的依赖性,本文提出了基于距离加权的信道负载统计算法.在该算法中,数据链网络中的各节点分别在统计时间窗内,通过统计信道中数据链脉冲数量计算节点信道负载,再经信道负载广播消息,将所计算的节点信道负载周期性地向网内节点广播发送.在单跳范围内,数据链网络节点通过接收其他节点所发送的信道负载广播消息,提取解读所述节点信道负载,并按距离加权的方式计算综合信道负载CZ,所述综合信道负载CZ可表示为：

在本文所提出的信道负载统计算法中,所述距离加权系数ρj可表示为：

其中,Dj表示当前节点与单跳范围内的其他节点的距离,N 表示单跳范围内的节点数.在现有技术中,数据链网络中的各节点能够获得与单跳范围内其他节点的距离信息,典型的如TTNT 数据链、Link-16 数据链,可通过接收PPLI（参与定位与识别）消息,获得本节点与网内其他节点的距离信息,亦可通过TOA（到达时间）测量获得本节点与网内其他节点的距离信息.

在本文所提出的信道负载统计算法中,所述信道负载的计算不再单独依赖于某一个节点,而是单跳范围内的所有节点都参与信道负载统计.在此基础上再进行距离加权,获得信道负载统计值,使其避免了信道负载统计值与网内某个平台物理特性关联性较大的问题出现,解决了现有算法中信道负载统计依赖于某个单一平台的问题,使所统计的信道负载能够更准确地反映信道真实状态.

3 理论分析与仿真验证

本文采用OPENT 对该算法进行仿真.仿真参数为：网内节点为20 个,节点传输速率为2 Mbit/s,分组数据长度为500 bit,数据包到达时间间隔服从均值为λ 的泊松分布,系统负载为1 Mbit/s～10 Mbit/s,网内各节点在区域范围为200 km×200 km 内随机分布,优先级由高至低为0～7（整数）.仿真分析了数据分组成功发送概率、端到端平均时延和系统吞吐量,分别如图1～图3所示.

如图1所示,仿真分析了网内端机性能下降节点数n 分别为3 和5 时,数据包分组成功发送概率随业务量的变化曲线,并将本算法与原算法进行了对比.通过分析图1所示仿真结果可知,在本文所提出的算法中,其数据分组成功发送概率随着业务量的增加而减小,这是由于业务量的增加会导致碰撞概率的增加,从而降低了数据分组的成功发送概率,这是与实际场景相适应的.进一步,当网内节点端机性能下降数n 增加时,数据分组的成功发送概率也随着下降,这是由于端机性能下降会导致信道负载统计值与信道实际状态发生偏差,错误控制用户端机发送数据分组时机,造成网内用户数据链信息冲突,从而降低数据链信息发送的成功概率.但是,通过本算法与原算法对比分析可知,本算法的数据发送成功概率远优于原算法,这是由于原算法对信道负载统计完全依赖于某个单一平台,节点端机的性能下降对信道负载统计值影响较大；而在本算法中,信道负载统计是由单跳范围的节点按照距离加权的方式所得到的综合信道负载,对某个节点端机性能的依赖性较小.

本文仿真分析了不同网内端机性能下降节点数n 条件下,端到端平均时延与业务量变化的对应关系,如图2所示.

通过分析图2所示仿真结果可知,端到端平均传输时延随着业务量的增加而增加.通过对比本算法与原算法的端到端时延可知,即使当端机性能下降节点数为5 时,端到端时延特性仍然优于原算法.这是由于原算法对单一平台依赖性较大,当节点端机性能下降时,会导致网内节点冲突概率增加,从而增加了端到端时延.而本算法通过距离加权的方式,弱化了单一平台对综合信道负载统计值的影响.

本文仿真分析了不同网内端机性能下降节点数n 条件下,系统吞吐量与业务量变化的对应关系,如图3所示.

通过分析图3所示仿真结果可知,系统吞吐量随着业务量的增加迅速上升,并逐渐达到饱和状态.然而,在系统吞吐量的上升阶段,本算法的上升速率明显优于原算法,当业务量达到6 Mbit/s 左右时,就可达到饱和状态,原算法在业务量达到7 Mbit/s 左右时才达到饱和状态.这是由于原算法对单一平台的依赖性导致信道负载统计值与信道真实状态偏差较大,造成网内节点之间信息冲突概率增加,从而影响系统吞吐量.

4 结论

本文通过对现有信道负载统计算法改进,网内各节点分别统计节点信道负载值,并按距离加权的方式,统计单跳范围内节点的信道负载值获得综合信道负载.仿真验证了数据分组成功发送概率、端到端平均时延和系统吞吐量随着业务量的变化关系.仿真结果表明,本文所提出的信道负载统计算法明显优于原算法,克服了原算法对单节点设备依赖性大、信道资源利用率低的问题,使信道负载值能够准确地反映信道真实状态,提高了网内节点信息传输的实时性和可靠性.