小规模无线自组网负载均衡路由算法研究

来源 :中国科学院大学 | 被引量 : 0次 | 上传用户:liuln6
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
无线自组网是一种节点以动态、自组的方式互连形成的网络,被广泛应用于军事、无线传感网等多个领域。网络节点间的通信需要借助其他中间节点,让中间节点实现路由的功能。然而,节点的移动性、拓扑的变化性等特性使得传统路由算法无法直接应用于无线自组网。因此,如何在源节点和目的节点之间找到有效的路由成为研究的难点。传统的无线自组网路由算法基于最短路思想,会导致网络内的负载分布不均。而负载不均衡会造成端到端时延增大、传输比下降、网络生存时间下降等严重的后果。因此,对负载均衡路由算法的研究具有重要的意义。  无线自组网路由算法可以分为表驱动和按需两大类,其中,按需路由算法比表驱动路由算法更具优势。在按需路由算法中,AODV算法的应用较广,并且在重负载情况下的性能相对较好。现有的负载均衡策略可以分为单路径方法和多路径方法。其中,单路径方法的性能较好。因此,本文以AODV算法为基础,采用单路径负载均衡策略对算法进行改进。  提出一种新的负载均衡路由算法LB-AODV。改进算法将节点的负载分为即时负载和过往负载。即时负载反应了节点当前的繁忙程度,而过往负载反应了节点在过去承担的负载总和。用节点的接口队列长度反映即时负载,节点的剩余能量反映过往负载。重视路径上的瓶颈关键节点对网络性能的影响,提出路径的最小剩余能量和最大队列长度指标,在控制分组和路由表的相关表项中添加相应的字段加以记录。利用宽松因子对经典AODV算法的跳数准则进行放宽,在选路时倾向于选择具有较大的最小剩余能量,较小拥塞度的路径,避开负载较重的瓶颈节点。  在LB-AODV算法的基础上,引入存储优化策略。提出最大队列长度和最小剩余能量的压缩存储策略。存储优化的LB-AODV算法可以有效降低算法的存储开销和控制分组的大小,适用于对存储要求更为严格但允许增加一定计算开销的网络。引入存储优化策略使得算法能适用于更多不同需求的应用场景。  使用仿真软件NS2对改进算法进行仿真。分别从端到端时延、传输比、死亡节点数等方面比较LB-AODV算法与AODV算法、队列呼叫准入方法、改进能量路径方法。对算法在不同负载情况下的适应性进行了分析。结果显示,LB-AODV算法能降低网络的时延,提高传输比,降低分组平均能耗,改善网络性能。算法能适应不同的负载程度,在不同的负载下提供稳定的性能。并且,在重负载情况下较传统算法有显著的性能提升。还对算法中的参数进行了敏感度分析,算法对参数的取值不敏感。仿真比较了存储优化的LB-AODV算法和LB-AODV算法。结果显示,通过恰当地选择压缩策略,可以在保证网络性能的同时,大幅度降低算法需要的存储空间和带宽占用。
其他文献
我国当前的室内环境和陈设设计,传统楹联陈设的运用已经越来越多,随着当今社会对传统文化的回归,以及现代楹联陈设艺术在我国的逐渐复兴,楹联进入现代室内装饰设计已成为一种
高中教师在自己的课堂上希望带给学生们的是真正有效的教育,随着现在新课改的不断深入推进,在其中颁布的标准也提出要将培养学生的生物核心素养作为课程学习的目标.生命观念
期刊
该文对电子设备热设计仿真技术及与之相关的电磁设计进行了研究.在热设计方面,对比了各种热场数值计算方法的原理及其在工程上的应用特点,采用了有限元方法,研究了辐射、传导
艺术教育在中学教育中具有不可或缺的重要地位和作用,是进行中学生素质教育的重要途径.艺术教育符合中学教育特点,有益于促进中学生智商培养和智力创新,是培养情商高雅、人格
随着中小学生素质教育的不断深入,国家教育部门对中小学生研学旅行也越来越重视,研学旅行工作也在持续发展,各大研学机构如雨后春笋般诞生,许多传统旅行社也纷纷开启转型模式
期刊
人文性、情感性是语文学科的显著性特征,所以人文情怀理念是支持语文学科有效施教的重要理念.在语文内容的讲解中,教师应当通过挖掘教材当中的生命元素、利用问题对学生循循
期刊
群体性事件是由各种社会矛盾引发的,而这些矛盾全都汇集于社区,所以社区建设是群体性事件防控的一个重要环节.通过社区建设,加强社区管理,实现社区自治,完善社区功能,整合社
学生们在进入到高中阶段之后,不仅学习压力非常大,而且各个学科的学习难度也有了明显的提升.语文学科的学习与初中阶段相比,不仅难度有所提升,而且广度和深度有了明显的增加.
期刊
物理对于初中学生来说是一个新科目,所以学生如果从开始对一个新科目没有提起很大的学习兴趣的话,那么对于学生以后的学习生涯来讲并不是一个很乐观的情况.所以为了培养学生
期刊
对一个非特定人的大词汇量加续语音识别系统,现有的基于数据驱动的模型训练方法需要非常多的训练数据.因而在有限的训练数据下,基于传统识别单元的识别效果并不是很好.同时,