英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
IEEE物联网杂志
基于雾的物联网（IoT）网络中的中断最小化的最佳中继方案
BabatunjiOmoniwa,RiazHussain,MuhammadAdil,AtifShakeel,StudentMember,IEEE,AhmedKamalTahir,StudentMember,IEEE,QadeerUlHasan,andShahzadA.Malik
摘要
雾设备在物联网（IoT）生态系统中的数据和服务中继中开始发挥关键作用。这些中继器可以是静态的，也可以是移动的，后者通过精心设计的中继器移动性设计，为提高性能提供了新的自由度。除此之外，节电已经成为物联网网络中普遍存在的问题，因为设备的电源受限，需要最佳的电源控制机制。在本文中，我们考虑一种基于多层雾的IoT架构，其中移动/静态雾节点充当放大和转发中继，将接收的信息从传感器节点传输到更高层次的静态雾设备，该设备提供一些本地化服务。通过共同优化雾型继电器的移动性模式和发射功率，可以有效地最小化所提出方案的中断概率。得出了停机概率的封闭式分析表达式。此外，由于所提出问题的难解性和非凸性，我们应用了基于最速下降法的迭代算法来达到理想的目标。仿真表明，优化位置固定功率方案的断电概率提高了62.7％，优化功率固定位置方案的断电概率提高了79.3％，优化位置固定功率方案的断电概率提高了94.2％固定位置和固定功率方案（即没有优化）。最后，我们提出了一种最佳的中继选择策略，该策略从随机分布的中继候选中选择一个合适的中继节点。
关键词：基于雾的物联网（IoT），非凸优化，最佳中继选择策略，中断概率，最速下降法（SDM）。
- 介绍
基于物联网的物联网（IoT）是一种分布式架构，可提供本地化服务，包括利用物联网终端设备的存储，处理，数据库操作，集成，安全性和对物联网终端设备的管理到网络的边缘。雾设备以支持移动性以及来自各种IoT终端设备的数据和服务请求的实时处理而著称。工业机器人可能会成为雾设备，向任何物理网络系统（智能交通，智能电网，智能健康，智能建筑等）中的IoT终端设备提供本地控制和应用程序数据分析[1]。最近，工业4.0，也称为工业物联网，它是制造业（采矿，纺织，食品，工厂等）的计算机化[2]，见证了雾化设备（机器人）的快速技术进步的角色。随着机器类型通信的增加，由越来越多的IoT传感器产生的实时数据的海量性将要求在网络边缘迅速做出响应并进行处理[3]–[5]。因此，基于雾的物联网通过利用其“事物”邻近性和分布式架构来提供网络内的有效连接性，具有增强物联网生态系统整体性能的潜力[6]。
物联网的愿景是将异构设备互连[4]，传感器节点通常是环境中感测数据的主要来源，它与其他物联网设备（通常是雾设备）进行无线通信，以便将数据或控制消息传输到目标目的地。这种通信设置的一个缺点是这些传感器受功率限制，并且由于部署稀疏而经常被隔离。而且，这些传感器节点可能会在任何时间点受到服务质量（QoS）下降的影响，这是由于距目标目的地[静态雾节点（SFN）]距离太远或有障碍，如图1所示。在传感器节点与目标目的地之间没有视线（LOS）通信链路的情况下，中继可以是确保不间断通信的可行且有价值的替代方案。
在过去的几十年中，在无线通信领域还有许多其他的中继应用，其中一些应用在无线传感器网络[7]，车辆延迟容忍网络[8]，无人飞行器（UAV）通信网络[9]，[10]和中继辅助的D2D通信[11]，仅举几例。这些工作大多数都具有通过最小化网络中的通信中断来提高系统性能的单个目标。中继概念是一个相当新的概念，但在物联网网络中以协助长距离通信[12]变得更加突出，而雾起了主要作用。但是，与可连接到电源的SFN不同，移动雾/边缘节点通常受能量限制。有了这个瓶颈，就必须实现最佳的功率控制机制，以最大程度地减少通信中断，并以更有效的方式利用设备的功率。
图1多层雾架构描述了IoT生态系统内的中继场景
实际上，IoT传感器稀疏地分布在智能建筑应用程序的房间和走廊中，智能运输工具的道路和车辆上，智能保健中的患者和医疗设施上，以及嵌入式智能仪表板应用程序中的仪表和家用电器中。这些IoT传感器节点（ISN）可以随时通过雾中继将数据或服务请求传输到目标节点。未来物联网网络的成功将在很大程度上取决于多层雾层中的处理方式，在多层雾层中可以完成本地化服务。本文的主要动机是工业4.0，其中雾化设备（工业机器人）可用于提供中介服务，并在智能工业设备之间传递重要信息。同样，用于农业种植园，工业，停车场和军事化区域以进行监视（情报收集）的监视无人机也可以用于在网络内中继信息。
这种监视无人机具有主动更改其位置以改善通信性能的能力。本文旨在强调中继在未来物联网网络中的重要性。
值得注意的是，由于容易出错的链路，传输的数据包经常丢失或损坏，从而使中继成为可行的选择。部署物联网网络时，要考虑的另一项重要事项是通过潜在中继节点提供冗余链接来最大程度地减少停机。在具有多个活动中继候选者的网络中，中继节点的最佳选择可以显着提高网络的效率，从而提高目标的性能指标[7]。近来，在继电器选择策略的发展中，研究力度加大了[13]。直观地讲，中继选择策略是一种基于某些已定义目标（例如，将中断概率最小化）来选择最佳中继的策略。
- 相关工作
关于使用中继来改善网络内的通信，有几项工作。在[7]中，提出了一种分散的WSN协议，其中“适当的”节点决定充当中继而无需任何中央协调器。假设源和节点之间的距离以及通道端子之间的链路是完全随机的，从而得出中继器和目标位置的平均信噪比（SNR）。但是，本文考虑的模型是每个继电器以相等的功率传输并具有固定的位置。[8]中的工作提出了一种双向中继方案，以最大程度地减少两个相距较近的无聊路边单元之间的未覆盖区域内的通信车辆的中断。将内点算法应用于提出的问题，以找到目标车辆的最佳速度。派生模型未考虑信道在中继选择中的影响。在[9]中提出了一种重复中继选择技术，以提高分组错误率（PER）性能，其中将转发的数据分为多个段，并在传输每个段之前根据更新后的通道重新选择一个中继状态信息。但是，此策略以网络内部的公平为代价提高了PER性能。在[10]中，提出了一种用于无人机中继网络的联合功率控制和轨迹优化方案。在本文中，使用梯度下降算法有效地降低了停机概率。但是，在存在多个中继候选的情况下，该工作未考虑中继选择策略。
整个IoT领域有大量工作要做，但是，有关IoT中继的工作还处于起步阶段。[11]中的工作提出了一种基于覆盖的绿色中继辅助D2D通信，在异构蜂窝网络中具有双电池。拟议的资源分配方法可提供物联网服务，并最大限度地降低了微微中继基站（BS）的总体能耗。通过有效地平衡微微中继BS之间的残留绿色能源，可以最大程度地利用绿色能源，从而节省了并网能源。然而，所使用的中继是静态BS，其假设宏小区内的设备被完全覆盖，而不考虑通信的老化。文献[12]提出了从可实现的自由度和逆向分析两个方面对圆形多继电器多输入多输出干扰（CMMI）信道的自由度（DoF）的研究。基于线性处理技术，针对此模型制定了一个一般的DoF可实现性问题。提出的CMMI网络模型可以视为构建复杂物联网网络的基本组件。在本文中，通过一些数学推导在模型设计中考虑了通道参数。但是，这项工作仅专注于MIMO多中继信道的性能优化。同样，可能需要进一步的工作来实际实施该想法。
在[14]中开发了一个框架，该框架用于具有随机分布的空间节点的无线能量收集中继辅助底层认知网络（WEHRCRN）。将未使用的频谱重新用于传输数据和收集电源的环境能量被设计为大规模物联网部署的有效方法。提出了WEH-RCRN中的中继选择技术，以选择合适的中继来帮助传输。但是，主要关注点是能量获取，而不是中继通信。[15]中的工作集中在基于OFDMA的无线物联网网络中的资源分配，并且在满足SINR要求的同时还包括信道分配和功率控制。将资源分配问题表述为混合整数线性规划问题。此外，推导了基于中继的通信模型并将其用于中继选择。本文的局限性在于它选择了离源最近的继电器作为最佳继电器，这可能不适用于所有情况。在[16]中，针对物联网的无线射频能量收集提出了一种新颖的中继策略。工作中考虑的网络实体是源，中继和目的地。研究了能量收集对度量标准（例如网络寿命和延迟）的影响，以得出最佳中继策略。但是，这项工作并未考虑通道变化，而这是物联网网络中必不可少的功能。
在这种背景下，提出了一种最佳的中继方案，该方案可最大程度地减少通信中断，并且系统开发人员可以轻松部署该中继方案，以构建基于雾的强大物联网网络。
- 我们的工作和贡献
我们的工作在最小化基于雾的IoT网络中的停机可能性时，考虑了移动性和功率控制约束。本文的主要贡献概述如下。
1）在基于雾的IoT中继场景中，我们采用基于最速下降法（SDM）的停运最小化技术来解决公式化的非凸性问题，从而极大地降低了从源到目的地的停电概率。
2）我们提出了一种迭代算法，可以有效地最小化三个提议方案中的目标：a）优化位置优化功率（OLOP）；b）优化位置固定功率（OLFP）；c）优化功率固定位置（OPFL）方案，与固定位置和固定功率（FLFP）方案相比，所有方案均具有更好的性能。要使用的方案的选择取决于中继器的设计和部署（静态或移动）。
3）我们提出了一种最佳的中继选择策略，该策略基于选择一个合适的链路，以最小的会聚值最大程度地减少中断。提议的策略将确保公平，还将有助于确保提出的受功率限制的雾继电器的寿命。
在第三部分中，我们提出了一种基于SDM的迭代算法，该算法适用于不同的中继场景，以最小化我们的目标。在第四节中，我们考虑了通信空间内存在多个中继候选的情况，因此，我们提出了一种最佳的中继选择策略来选择合适的链路。第五节介绍了结果和讨论。最后，第六节总结了本文。
- 系统模型和问题公式化
在本节中，我们考虑一种情况，即ISN打算将被感测的数据传输到SFN，而由于阻塞而导致它们之间没有LOS链接。这样，需要部署中继雾节点（RFN）来辅助从ISN到SFN的通信。与传统的静态中继方案不同，我们使用具有一定DoF的RFN，即具有更改其位置的能力。RFN用作放大和转发中继，以在ISN和SFN之间提供无处不在的通信。在本文中，我们专注于RFN辅助的通信，而忽略了ISN和SFN之间直接通信的可能性，其动机是强调中继在未来物联网网络中的巨大好处。
图2使用静态/移动RFN的物联网通信的系统模型
如图2所示，我们考虑一个ISN和SFN坐标分别为（0，0）和（L，0）的笛卡尔平面。我们假设传输阶段有K个时隙。RFN在时隙t的坐标为（x（t），y（t）），0le;tle;K.RFN的初始和最终位置可以为（x0，y0）和（xf，yf）。
使用坐标，我们可以将ISN和RFN之间的距离表示为
（1）
同样，SFN和RFN之间的距离为
(2)
在传输期间，RFN可以动态调整其位置以进行干扰。在传输期间，RFN可以动态调整其位置以改善QoS。我们假设两个连续的时隙，其中ISN在t时隙中将数据发送到RFN，然后RFN将在（t 1）时隙中放大并转发接收到的数据。在两个时隙中，我们都假设通信节点之间存在完美的同步，如[17]所示。现在，ISN和RFN之间的间隔是t时隙中的DtI和（t 1）时隙中的Dt 1I。同样，SFN和RFN之间的间隔是t时隙中的DtS和（t 1）时隙中的Dt 1S。我们还假设继电器在两个连续时隙中的位置变化为delta;。类似地，我们将ISN和RFN的发射功率分别表示为时隙时间t和（t 1）中的PtI和PtR，以及Pt 1I和Pt 1R。
接下来，为了得出中断概率，我们将t时隙中ISN的RFN接收功率表示为[10]。
（3）
我们还以（t 1）时隙表示来自RFN的SFN处的接收功率为
（4）
其中beta;tI和beta;t 1S分别是ISN到RFN的信道系数和RFN到SFN的信道系数，建模为N（0，1），alpha;是路径损耗指数。我们进一步将在RFN处接收到的信号表示为噪声分量的函数，该噪声分量建模为N（0，N0）[13]
(5)
其中xi;tI是来自ISN的单位能量信号，RFN接收到的噪声分量为Nt0R。RFN放大接收到的信号，因此，所得增益表示为
(6)
我们现在可以将目标SFN处的接收信号表示为
（7）
其中Nt 10S是SFN处接收到的噪声，它也被建模为N（0，N0）。由式（7）可知，网络的信噪比为
（8）
为了推导中断概率Pout的表达式，我们假设预定义的阈值gamma;〜。如果（8）中给出的值gamma;t下降到阈值gamma;〜以下，则通信中断[13]。因此，我们整合了gamma;t的概率密度函数（PDF）
（9）
引理1：连续时隙中中断概率的近似值由下式给出：
（10）
Algorithm1SDM
1:datax0isin;Rn
2:initializei=0
3:top:
4:ifnabla;Pout(xi)le;
thenreturnstop,
5:computesearchdirectionhilarr;minus;nabla;Pout(xi)
6:endif
7:computethestep-size:
8:lambda;iisin;a
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[424436]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
