基于人工智能的認知無線網絡關鍵技術研究.pdf

1、隨著Internet技術的不斷發(fā)展，傳統(tǒng)的諸如電子郵件、文件傳輸以及遠程登陸等服務已經不能夠滿足人們的需要。同時，隨著移動Internet設備的大量涌現，能夠支持移動性應用的服務將會對網絡本身產生不同的需求。這些新的需求促使網絡能夠根據用戶的可變需求對網絡結構進行重新設計并導致主動或可編程網絡的出現。盡管這一領域已經取得豐碩的成果，而網絡的自動化管理和維護卻由于網絡管理者是人類本身而處于較低的水平。網絡不能夠意識到本身的狀態(tài)和應用的需求

2、，沒有本身的目標和如何實現這個目標的知識，并且不能夠對自身的行為進行推理。這就是說，應用的發(fā)展迫切需要網絡本身具有“認知”屬性。
　　 認知無線網絡能夠感知當前網絡的情況，基于數據流的端到端的配置目標對無線網絡進行計劃、判決和采取相應的自適應行動。同時，無線網絡能夠從這些自適應行動中學習，并將學習到的知識應用于網絡未來的判決中。認知無線網絡是一項復雜的技術，其研究內容包括了網絡體系結構研究、環(huán)境感知技術、知識表示以及獲取技術、機

3、器推理技術、機器學習技術、網絡可重配置技術等諸多技術問題。本文采用機器學習技術通過跨層優(yōu)化的手段來實現端到端的配置目標，著重對網絡體系結構、知識獲取技術和機器學習技術作了比較深入的研究。主要研究成果如下：
　　 1.設計了一種認知網絡系統(tǒng)結構，即獨立于傳統(tǒng)OSI七層結構的新的認知面，它方便認知網絡實現中的模塊化，并降低未來網絡系統(tǒng)實現的復雜度。其次，給出了認知面的功能實現模塊，特別是闡述了兩種認知能力具體的實現方法：利用多目標遺

4、傳算法對認知網絡進行“離線內省”學習，解決“有經驗指導”的學習問題，提高認知網絡的離線學習能力；利用案例推理對認知網絡進行“在線判決”，解決模型的快速匹配問題，提高認知網絡的實時處理能力。最后，以異構網絡中擁塞控制為例對這兩種認知能力進行了詳細闡述。2.采用網絡情景意識知識庫和案例推理相結合來實現認知能力目前得到了廣泛的研究。著重對無固定設施的無線網絡如自組織網，如何構建網絡情景意識知識庫包括構建案例集以及從案例集中提煉出知識進行研究。

5、結合某自組織網絡，從網絡情景意識和網絡的協(xié)議重配置能力兩個方面，提出采用NSGA-Ⅱ的多目標優(yōu)化算法和模糊判決相結合的方法來生成認知無線網絡的案例集。根據對案例集的觀察獲取到認知無線網絡的一些共性知識。仿真結果表明：隨著信道質量和網絡業(yè)務負載的變化，采用學習機制對網絡采取跨層重配置以后，網絡傳輸平均時延大約可以減小為網絡最差性能的50％以上，網絡呼叫成功率可達100％，網絡吞吐量可以提高20％左右。3.針對部分連接Ad hoc網絡中路由

6、選擇主要依賴于轉發(fā)概率而轉發(fā)概率事先未知的特點，研究認知無線網絡單個節(jié)點通過人工智能領域的Q學習手段實現對轉發(fā)概率的在線學習機制。提出了一種基于SSPQL框架的DTN網絡路由算法Q-MEED。Q-MEED算法能夠實現在充分“利用”最大轉發(fā)概率節(jié)點的同時“探索”其它具有更好轉發(fā)概率的節(jié)點；同時，Q-MEED算法實時地根據Q學習給出的獎勵或者懲罰結果來對下一跳節(jié)點自動做出選擇。針對Q學習需要較長的訓練時間達到收斂問題，采用SSP算法來對路徑

7、進行隨機統(tǒng)計概率的學習從而加快收斂的速度。在The One平臺上，用Java語言實現了該算法的仿真，并與其它路由算法在傳遞成功率、平均緩沖時間、消息傳輸開銷進行了比較。仿真結果表明，Q-MEED算法具有較好的性能，能夠滿足DTN網絡的需求，是一種有效的路由解決方案。4.針對存在局部干擾的Ad hoc網絡中節(jié)點的自私性和網絡整體利益之間的矛盾而導致的Ad hoc網絡擁塞問題，研究認知無線網絡節(jié)點之間通過博弈學習而實現最佳的數據分流的在線學

8、習機制。首先證明基于MAC層競爭造成的網絡擁塞模型中存在納什均衡點。其次，基于WOLF-PHC學習策略提出了一種跨層擁塞控制(WCS)機制。它在路由層中選擇一對去耦合節(jié)點作為轉發(fā)節(jié)點，同時在MAC層對源節(jié)點的發(fā)送數據進行分流，從而提高鏈路的空間重用性。仿真結果表明：在不需要交互任何信息的情況下，通過節(jié)點之間的相互博弈以后，采用WOLF-PHC算法能夠找到每個節(jié)點的最佳分流概率進而使整體網絡吞吐量達到最大值；同時當外界環(huán)境發(fā)生改變時，該算