基于LAA-WiFi智慧医疗的网络优化拥塞控制方法

温浩杰，解韵坤，姜东亚

(中国人民解放军东部战区总医院，南京 210002)

0 引言

随着物联网和无线网络等技术的发展，智慧医疗的发展在逐渐加快。与此同时，医院和患者对智慧医疗设备的需求在逐渐增加，医疗无线传感器网络在医疗领域的使用也在逐渐深入[1]。现阶段的智慧医疗设备主要通过主流的无线协议来进行连接和组网，且主要在非授权频段进行工作[2]。由于目前智慧医疗设备数量过多且医疗无线传感器网络被广泛使用，医疗无线异构共存网络遇到了很多问题，如因网络拥塞而导致的吞吐量下降等[3]。网络拥塞是指在分组交换的网络中由于分组数量过多而转发节点资源有限，导致转发节点无法及时处理这些分组，造成网络性能下降[4-5]。

对于这些问题，大部分研究主要是通过简单的拥塞检测和速率调节机制来对拥塞进行处理，并没有考虑到信息流量的变化趋势和拥塞的变化过程，也没有考虑网络传输的公平性[6]。此外，也有一些研究是从频域入手，通过长期演进网络的动态选择，在频域上把长期演进信道和无线网络信道给分开。这种办法虽然可以较好地对无线异构共存网络的冲突进行避免，但是也存在节点数量多时效率较低的问题[7-8]。

为了对智慧医疗设备共存网络的拥塞情况进行更好的缓解，研究在现有网络优化模型的基础上引入了以虚拟队列为基础的拥塞控制方法[9]。虚拟队列方法主要涉及两个方面，第一个方面是先对多路径和服务质量感知路由进行构建，第二个方面是通过速率调整和主动丢包的策略来对拥塞进行检测[10]。因此，研究创新性地提出了基于授权辅助接入和无线保真共存的拥塞控制模型，且以此为依据建立了不同公平约束下最大吞吐量的问题优化，并引入了以虚拟队列为依据的拥塞控制方法。

1 LAA-WiFi网络优化模型构建

图1 HOL马尔科夫链状态转移过程

图1中，K(g)代表最大退避等级，m(g)表示最大窗口重传次数上限，W(g)代表网络节点的初始退避窗口。R代表HOL请求开始传输，F表示HOL此次传输存在冲突，传输未完成。T代表HOL正在传输且传输成功，Ri和Fi中的i代表HOL目前重新传输的次数。当HOL传输失败时，其状态会从Ri转变为Fi，若相反，则转变为T。因此，各状态最后呈现的概率如式(1)所示。

(1)

(2)

式中，σ表示时隙时长，RD代表数据速率，PL为数据包长度。RB为基础速率，DIFS表示分布式帧间隔，SIFS代表短帧间隔。macH和phyH分别代表介质访问控制层包头和物理层包头，ACK为确认字符，其全称为Acknowledge character。LAA网络的在F状态和T状态下以及不同网络在R状态下的平均停留时间如式(3)所示。

(3)

(4)

(5)

HOL在共存网络中的状态可以被当作对应节点的状态，WiFi节点和LAA节点的接入成功概率的表达式如式(6)所示。

(6)

(7)

式中，g=W，L。且e(g)的表达如式(8)所示。

(8)

网络共存界有两种较为流行的公平原则，时间公平原则和第三代合作计划(3GPP，3rd generation partnership project)公平原则[13-14]。为了得到最大吞吐量，研究以LAA-WiFi模型为基础，对这两种公平原则进行了理论约束条件的转化，并以此为依据建立了最大吞吐量优化问题[13-14]。时间公平约束下的最大吞吐量优化问题如式(9)所示。

(9)

(10)

在3GPP公平约束下，最大吞吐量优化问题的建立如式(11)所示。

(11)

对于3GPP公平约束下最大吞吐量的求解，研究先是将优化问题划分为两个独立的问题，之后再用数学方法进行求解。在对不同公平约束条件下的最大吞吐量求解之后，研究会通过实验仿真的方式对求解的结果进行验证。

2 拥塞控制方法

为了对智慧医疗设备共存网络的拥塞情况进行更好的缓解，研究在现有网络优化模型的基础上引入了以虚拟队列为基础的拥塞控制方法。虚拟队列方法主要涉及两个方面，第一个方面是先对多路径和服务质量感知路由进行构建，第二个方面是通过速率调整和主动丢包的策略来对拥塞进行检测。路由路径的构建分为三步，第一步是汇聚节点Sink先生成一个任务，并将其发送到整个网络中。第二步是源节点把和事件相关的请求包发送到Sink，第三步是Sink把确认包发送到源节点，并对最终的路由进行构建。确认包一般根据事件的类型分为两类，其中一类是高优先级确认包，另一类是低优先级确认包。在构建了路由路径之后，源节点会开始发送数据到Sink。数据优先级不同，节点选择的路由也不同。高优先级路由表中可以到达Sink的路只有一条，而低优先级路由表中可以达到Sink的路有许多条。低优先级路由表中记录被转发的概率如式(12)所示。

(12)

式中，DSPk代表转发概率，k为第k条记录，m表示节点低优先级路由表的记录总数，a代表比重因子，HSk代表低优先级路由表中第k条记录对应的下一跳节点到Sink的跳数。DMax(b)为节点b到Sink的最大数据转发时延，DMax(k)为第k条记录到Sink的最大数据转发时延。为了对网络的拥塞情况和节点的发送速率等信息进行了解，研究使用了队列管理机制。该机制下单个节点的虚拟队列模型如图2所示。

图2 单个节点的虚拟队列模型

队列管理机制会以节点数量为依据对整个父节点队列进行虚拟地分离。如图2所示，节点Z是父节点，其子节点的数量为A，则Z节点的队列可以用一个本地虚拟队列和m个子虚拟队列来进行虚拟分离。不同节点发送或产生的分组都用自身的虚拟队列来进行存储，且队列大小的分配主要以流的优先级为依据。经过节点的数据流优先级决定了节点的优先级，研究把数据流的优先级分为三种，分别为全局优先级、自身流优先级和转发流优先级。自身流优先级的计算如式(13)所示。

(13)

TP(b)=∑b∈C(b)GP(b)

(14)

式中，TP(b)表示节点收到其所有子节点发送的数据流的优先级，b∈C(b)代表节点的子节点的集合，GP(b)表示节点的全局优先级。全局优先级的计算即为自身流优先级和转发流优先级之和。对于拥塞的检测，大部分方法都是使用信道负载，没有对网络拥塞的变化过程进行考虑，得出的检测结果基本上也只有拥塞或非拥塞两种情况。为了对网络拥塞检测精度进行提高，通过队列长度和变化率来对网络拥塞情况进行检测。通过虚拟队列变化情况可以对队列的变化率进行计算，虚拟队列变化的计算如式(15)所示。

(15)

(16)

式中，qvb代表节点拥塞状态的趋势，Mb+1为节点的虚拟队列总数。在对网络拥塞情况进行了解之后，节点需要进行拥塞信息的反馈。拥塞反馈分为显示反馈和隐式反馈两种方式。基于两种反馈方式各自的特点，研究选择了隐式反馈方式来进行拥塞的反馈。速率调整主要是以网络的具体状态为依据，而网络的状态一般分为三种，分别为拥塞已出现、拥塞将出现和拥塞已清除。当网络已经出现拥塞时，为了对拥塞进行消除，需要对子节点的发送速率和自身流的产生速率进行调整。平均服务时间的计算如式(17)所示。

(17)

(18)

(19)

式中，为t时刻节点b中第m个虚拟队列的拥塞程度。子节点发送速率和自身流的产生速率分配如式(20)所示。

(20)

当队列长度在拥塞避免区时，需要对队列的变化率进行判断。队列的变化率越大，节点的队列波动就越大。此时的产生速率计算如式(21)所示。

(21)

(22)

(23)

式中，υd代表丢包概率，δ1和δ2为比重系数，qv表示队列的变化率。qv值越大，拥塞越严重，υd值也就越高。

3 实验结果与分析

3.1 网络优化实验结果与分析

根据LAA-WiFi智慧医疗设备的共存网络优化模型，研究找到了网络吞吐量等表达式。本部分主要对共存网络优化模型及表达式等结果进行验证，如吞吐量和网络节点数量的相关性等。LAA-WiFi模型共存网络、LAA网络和WiFi网络在不同节点的吞吐量和LAA节点及WiFi节点在不同节点数量下的接入成功概率如图3所示。

图3 不同网络吞吐量和不同节点的接入成功概率

通过图3(a)可以得知，LAA-WiFi模型共存网络总吞吐量的理论值最大值为0.99，最小值为0.95，平均值为0.97。LAA网络吞吐量的理论值最大值为0.88，最小值为0.81。WiFi网络吞吐量的理论值最大值为0.12，最小值为0.10。三种网络的吞吐量仿真值和理论值数值基本吻合。LAA-WiFi模型共存网络和LAA网络的吞吐量皆是随着节点的增加而减少，而WiFi网络的吞吐量是随着节点的增加而增加。通过图3(b)可以看出，接入成功概率的理论值最大值为0.51，最小值为0.20。LAA节点和WiFi节点的接入成功概率仿真值和理论值基本吻合，但是二者仿真值的最大值和理论值不一样。LAA节点和WiFi节点仿真值的最大值皆为0.52。随着节点数量的增加，LAA节点和WiFi节点的接入成功概率也在下降。由此可见，信道接入成功概率及网络吞吐量都和节点数量有关。不同传输时长下不同网络的吞吐量和不同节点的接入成功概率如图4所示。

图4 不同传输时长下不同网络的吞吐量和不同节点的接入成功概率

由图4(a)可知，LAA-WiFi模型共存网络总吞吐量的理论值最大值为0.97，最小值为0.95。LAA-WiFi模型的吞吐量随着成功传输时长的增加而缓慢增加。LAA网络吞吐量的理论值最大值为0.66，最小值为0.37。LAA网络的吞吐量随着成功传输时长的增加而减少。WiFi网络吞吐量的理论值最大值为0.6，最小值为0.3。WiFi网络的吞吐量随着成功传输时长的增加而逐渐增加。三种网络的吞吐量仿真值和理论值数值基本吻合。通过图4(b)可以看出，WiFi节点和LAA节点接入成功概率的理论值和仿真值皆没有变化。由此可知，接入成功概率和成功传输时长没有相关性，网络吞吐量和成功传输时长有关。不同LAA节点初始退避窗口下不同网络的吞吐量和不同节点的接入成功概率如图5所示。

图5 不同LAA节点初始退避窗口下不同网络的吞吐量和不同节点的接入成功概率

通过图5(a)可以看出，LAA-WiFi模型共存网络总吞吐量的理论值最大值为0.98，最小值为0.93。LAA网络吞吐量的理论值最大值为0.86，最小值为0.1，且吞吐量整体变化幅度较大。WiFi网络吞吐量的理论值最大值为0.84，最小值为0.13，且吞吐量整体变化幅度较大。WiFi网络的吞吐量是随着初始退避窗口的增加而增加，LAA-WiFi模型和LAA网络的吞吐量是随着初始退避窗口的增加而减少。三种网络的吞吐量仿真值和理论值数值基本吻合。通过图5(b)可以得知，WiFi节点和LAA节点的接入成功概率基本一致，且其理论值和仿真值的数值大致吻合。随着初始退避窗口的增加，接入成功概率也在缓慢地上升。当初始退避窗口足够大时，接入成功概率基本不变。由此可见，网络吞吐量和接入成功概率都与初始退避窗口有关，且初始退避窗口对网络吞吐量的影响较大。以LAA-WiFi共存网络的理论模型为依据，研究通过公式对时间公平和3GPP公平约束进行了表达。同时，通过对不同公平约束下网络最大吞吐量优化问题的求解，研究发现了在不同约束条件下最大吞吐量和节点数量等内容的相关性。时间公平约束下标准参数在不同接入优先级下的不同网络吞吐量如图6所示。

图6 时间公平约束下标准参数在不同接入优先级下的不同网络吞吐量

由图6(a)可知，在LAA接入优先级为1时，LAA-WiFi共存网络、LAA网络和WiFi网络吞吐量的理论值都和仿真值基本一致。LAA-WiFi共存网络吞吐量的最大值为0.85，最小值趋近于0。LAA网络吞吐量的最大值为0.8，最小值也趋近于0。WiFi网络吞吐量的最大值为0.03，最小值趋近于0。随着节点数量的增加，LAA-WiFi共存网络和LAA网络的吞吐量先较为迅速地下降再较为缓慢地下降。WiFi网络吞吐量是随着节点数量的增加而缓慢减少。通过图6(b)可以看出，在LAA接入优先级为3和4时，LAA-WiFi共存网络、LAA网络和WiFi网络吞吐量的理论值都和仿真值基本一致。LAA-WiFi共存网络吞吐量的最大值为0.99，最小值为0.98。LAA网络吞吐量的最大值为0.54，最小值为0.5。WiFi网络吞吐量的最大值为0.5，最小值为0.45。LAA-WiFi共存网络和LAA网络的吞吐量都是随着节点数量的增加而缓慢减少，且LAA-WiFi共存网络的吞吐量下降得更慢。WiFi网络吞吐量是随着节点数量的增加而增加。由此可见，当LAA接入优先级过高时，其和WiFi网络之间基本不存在公平性，网络空间基本上都被LAA网络给占据。此时节点数量越多，LAA网络和WiFi网络就越容易崩溃。时间公平约束下优化参数在不同接入优先级下的不同网络吞吐量如图7所示。

通过图7(a)可以得知，在LAA接入优先级为1时，LAA-WiFi共存网络、LAA网络和WiFi网络吞吐量的理论值都和仿真值基本一致，且这些网络吞吐量的理论值和仿真值基本上都没有变化。由图7(b)可知，在LAA接入优先级为3和4时，LAA-WiFi共存网络、LAA网络和WiFi网络吞吐量的理论值都和仿真值基本一致，且这些网络吞吐量的理论值和仿真值基本上也都没有变化。由此可见，在时间公平优化下最大吞吐量和节点数量无关。3GPP公平约束下标准参数在不同接入优先级下的不同网络吞吐量如图8所示。

由图8(a)可知，在LAA接入优先级为1时，三种网络的吞吐量仿真值和理论值数值基本吻合。LAA-WiFi共存网络理论值和仿真值的最大值皆为0.35，最小值皆为0.32。LAA网络理论值和仿真值的最大值皆为0.35，最小值皆为0.3。WiFi网络理论值和仿真值的最大值皆为0.04，最小值皆趋近于0。此时，WiFi网络的吞吐量比其他网络的吞吐量要小很多。LAA-WiFi共存网络和LAA网络的吞吐量是随着wifi节点的增加而逐渐减少，WiFi网络的吞吐量是随着wifi节点的增加而缓慢增加。通过图8(b)可以得知，在LAA接入优先级为3和4时，三种网络的吞吐量仿真值和理论值数值基本吻合。LAA-WiFi共存网络理论值和仿真值的最大值接近于1，最小值皆为0.98。LAA网络理论值和仿真值的最大值皆为0.7，最小值皆为0.3。WiFi网络理论值和仿真值的最大值皆为0.69，最小值皆趋近于0.3。LAA-WiFi共存网络的吞吐量随着wifi节点的增加而缓慢的增加，WiFi网络的吞吐量随着wifi节点的增加而较为快速的增加。LAA网络的吞吐量是随着wifi节点的增加而逐渐减少。3GPP公平约束下优化参数在不同接入优先级下的不同网络吞吐量如图9所示。

图9 3GPP公平约束下优化参数在不同接入优先级下的不同网络吞吐量

由图9(a)可知，在LAA接入优先级为1时，LAA-WiFi共存网络、LAA网络和WiFi网络吞吐量的理论值和仿真值基本上一致。LAA-WiFi共存网络吞吐量的值基本上没有变化，整体上都趋近于1。WiFi网络吞吐量最大值为0.96，最小值为0.83，且其随着WiFi节点的增加而逐渐增加。LAA网络吞吐量最大值为0.16，最小值为0.4，且其随着WiFi节点的增加而逐渐下降。通过图9(b)可以看出，在LAA接入优先级为3和4时，LAA-WiFi共存网络、LAA网络和WiFi网络吞吐量的理论值和仿真值基本上一致。LAA-WiFi共存网络吞吐量的值基本上也没有变化，整体上也都趋近于1。WiFi网络吞吐量最大值为0.7，最小值为0.35，且其随着WiFi节点的增加而逐渐增加。LAA网络吞吐量最大值为0.65，最小值为0.3，且其随着WiFi节点的增加而逐渐下降。由此可见，在3GPP 公平优化下最大吞吐量和WiFi 节点数量有关。

3.2 拥塞控制控制实验结果与分析

为了解决网络吞吐量的问题，研究通过虚拟队列的方法来对网络拥塞进行控制。为了证明方法的有效性，研究对虚拟队列方法下的丢包率和吞吐量等信息进行了分析。虚拟队列方法下的丢包率、吞吐量和端到端时延的统计如图10所示。

图10 丢包率、吞吐量和端到端时延的统计

由10(a)可知，随着源节点采样速率的提升，虚拟队列方法的丢包率也在不断地上升。当采样速率在20 kb/s到40 kb/s之间时，丢包率的增长速率是较为缓慢的。当采样速率大于40 kb/s后，丢包率的增长速率有了较大的提升。由图10(b)可知，虚拟队列方法的吞吐量最大值约为317，最小值约为108。虚拟队列方法的吞吐量随着采样速率的增加而增加。通过图10(c)可以看出，虚拟队列方法端到端时延的最大值为0.61 s，最小值为0.21 s。当采样时间在1 s到2 s之间时，端到端时延是呈上升的趋势。当采样时间大于2 s时，端到端时延随着时间的增长而减少。为了进一步说明虚拟队列方法的有效性，研究选取了混合最优信道分配(HOCA，hybrid optimal channel allocation)算法来进行对比。虚拟队列方法和HOCA算法的损失值和综合评价值F1对比如图11所示。

图11 虚拟队列方法和HOCA算法的损失值和F1值对比

由图11(a)可知，虚拟队列训练集损失值最大值为2.0，最小值为0.53。虚拟队列验证集损失值最大值为1.9，最小值为0.55。HOCA训练集损失值最大值为3.17，最小值为2.08。HOCA验证集损失值最大值为3.17，最小值为2.0。通过图11(b)可知，虚拟队列F1值最大值为0.938，最小值为0.913，平均值为0.923 4。HOCA的F1值最大值为0.831，最小值为0.818，平均值为0.826 6。由此可见，序列队列方法在拥塞控制方面有良好的效果。

4 结束语

为了对智慧医疗设备的无线异构共存网络进行优化和对网络拥塞进行控制，研究提出了基于授权辅助接入和无线保真共存的网络优化理论模型，并以此为依据建立了不同公平约束下最大吞吐量的问题优化，且引入了以虚拟队列为依据的拥塞控制方法。实验结果显示，网络吞吐量和节点数量、成功传输时长都有关。在不同节点数量下，LAA-WiFi模型共存网络总吞吐量的仿真值最小值为0.95。在不同成功传输时长上，LAA-WiFi模型共存网络总吞吐量的仿真值最小值为0.95。在时间公平约束优化方案下，LAA-WiFi模型共存网络的总吞吐量一直都是0.5。在3GPP公平约束优化方案下，LAA-WiFi共存网络吞吐量的值整体上都趋近于1，且该值比3GPP公平定义中原网络的最大值还大。由此可见，在3GPP 公平优化下最大吞吐量和WiFi节点数量有关。虚拟队列方法的吞吐量最大值约为317，最小值约为108。虚拟队列方法端到端时延的最大值为0.61 s，最小值为0.21 s。虚拟队列训练集损失值最大值为2.0，最小值为0.53，且验证集损失值最大值为1.9，最小值为0.55。虚拟队列综合评价值平均值为0.923 4。综上所述，在把参数调整到最优时LAA-WiFi模型会让LAA网络和WiFi网络实现公平共存，且虚拟队列方法可以有效地对网络拥塞进行控制。