文摘

无人机(UAV)云可以大大增强的智能无人驾驶系统通过动态卸载到云计算密集型应用程序。无人机任务的不确定特性和快速变化的环境中,不同的无人机应用程序可能有不同的服务质量(QoS)需求。本文提出一种混合QoS保障体系和检测功能(MQEB)架构无人机云从控制理论的角度,可以同时支持软硬QoS保障与节能的考虑。软硬QoS需求是解耦的,被规范化为一二级级联反馈循环。前者是时间段循环(TS-Loop)执行的绝对QoS保障对于实时应用程序,而后者是竞争窗口循环(CW-Loop)执行塑料QoS保障非实时应用程序。最后,后传播(BP)神经网络用于参数的自调优和控制器的设计。硬件实验演示MQEB的可行性。在重负载,MQEB更大的吞吐量和更好的能源效率,在轻载,MQBE的总功耗较低。

1。介绍

在网络化的无人机(UAV)系统、无人机,也称为无人机,分享信息和相互合作的分散式无线网络,提高了性能和任务的有效性。然而,无人机的空中情报仍然有限的运输平台。云机器人,云的结合和机器人(1,2),提供了一个新颖的概念,打破了高无人机集群的复杂性和低的限制单个无人机的情报。通过平行的计算、存储和通信、计算密集型应用程序动态无人机可以卸载到云上。这种操作模式使无人机的新概念云(3]。

如图1计算密集型应用程序像大满贯(同步定位和映射)分为一系列的任务流,然后派遣到云主机进行快速处理。任务流传输的过程中,作为一个即将离任的传播向下通过堆栈,每个层重新打包生成实际的数据与自己的头信息,然后传递到底层。最后卸载任务封装到MAC帧的数据链。在无线ad hoc网络(WANET)无人机通信信道共享相同的链接,争在载波监听多路访问/冲突避免(CSMA / CA)模式。

一般来说,无人机不同处理能力、任务环境,和任务紧急,因此相应的传输流可能实时和非实时交通量的混合物。他们有不同的服务质量(QoS)需求的带宽,延迟,失去速度,等等。实时交通,QoS指标必须在“弹性”的“硬”QoS约束,而对于非实时流量,首选QoS度量可以灵活一些,也就是说,“软”或“弹性”QoS (4]。

最初,实时流应该优先对待。最好是安排更多的资源在数据链接和网络。不幸的是,无人机的运动加强无线连接的不确定性和交通的不可预知性,很难安排准确的资源,满足QoS约束。获得一个类的交通将会恶化其他交通量的QoS因为总频道资源是有限的,和短期提供实时交通可能诱发无人机应用的失败。

支持本地大规模机器对机器通信在高密度无线网络5,6),争用解决协议,例如,争用解决多样性有槽迎宾(CRDSA)及其变体(7),是导致大幅提高吞吐量与CSMA / CA (8]。原则是每个包包含标题的位置信息副本内的框架,可以用于连续干扰消除(原文如此)和传输回避。然而,QoS支持仍然是考虑的争用解决方法。

我们所知,contention-based和contention-free MAC协议,有改进的QoS支持multiqueueing架构。QS-MAC的方法(9],PRIN-MAC [10),当mac (11],RF-MAC [12),中国商用飞机有限责任公司(13)和dar (14)是典型的contention-based协议优先队列。QoS由不同的资源分配不同的队列控制或不同的CSMA / CA参数,如竞争窗口大小(9),帧间空间(10),活动时间11),传动功率(12),TCP拥塞窗口(13和数据速率14]。

Contention-free方法,例如,频分多址(FDMA),分配通道只有一个节点在任何给定的频率还可以提供高吞吐量。然而,它是一个集中的方法需要基站频率同步和专用控制信道交换控制信息,这使得FDMA是不可能实现的无人驾驶飞机和添加一个高通信开销[15]。一些研究也提出了多通道车载网络中MAC。时间槽子通道可以安排根据传输的优先级(16,17]。其他资源,如数据速率和功率分配可以自适应时变信道和用户的质量要求18]。

事实上,这些方法有QoS的共同特征指标反馈。但大多数人关注架构实现和性能评估没有从理论上分析了系统的稳定性。基于反馈的Diff-MAC (FD-MAC) [19)解决了聚合问题,less-step控制器提供比例delay-differentiated (PDD) QoS支持。但有以下问题。首先,在基于无人驾驶系统,责任自行车总是实现节能。所以必须考虑能源效率当QoS提供支持。第二,FD-MAC只控制相对QoS,不适合硬QoS约束的实时应用程序。第三,控制模型不应该是一个线性系统由于负载突然从上层和网络拓扑。无法使人信服的使用系统辨识的线性模型。

在云计算和无线通信资源分配,通常大多数研究制定问题转化为优化问题与资源限制的对象,例如,能源消耗(18,20.,21[],带宽22),财务成本(23),处理时间(24],效用函数[25),保密中断概率(26),和缓存27这些方法的假设是,不同客户的资源需求、交通应该是明确的,虽然总资源的总和超出了限制。在无人机云的情况下,这些方法不适合了,因为模型是不同的。它存在的随机过程模型,打破首选QoS量化指标和资源之间的互连。传输流量总是与无人机任务和环境变化。是不可能预测山资源来满足QoS要求。

本文从一个新的控制理论的视野,传播(BP)神经网络,形成一个一体化的混合QoS保障体系和检测功能(MQEB)架构能够支持的共同混合软、硬QoS流量。基于系统的节能特性的能源消耗也在考虑。软硬QoS约束是解耦的归一化到二级级联反馈循环。前者是时间段适应性循环(TS-Loop)努力执行QoS保障对于实时应用程序,而后者是竞争窗口循环(CW-Loop)执行软QoS保障非实时流量。硬件实验演示MQEB架构的可行性。与FD-MAC相比,MQEB-MAC绝对QoS保障的新特性,进一步发展后两个优点。在重负载的情况,MQEB有很大的吞吐量和更好的能源效率;在轻负荷,MQEB有较低的总功耗。

剩下的纸是组织如下。部分2礼物MQEB最初的想法。困难的QoS保障时间槽隔离和BP自调优控制部分制定3与访问概率优化,软QoS保障中所描述的部分4。节5硬件实验显示,MQEB的绩效评估,包括动态性能、能源效率和功耗,静态性能和健壮的验证。

2。混合QoS保障体系和检测功能的概述(MQEB)体系结构

图2显示了MQEB的体系结构。基本思想是动态的时间槽隔离硬QoS(总部)和访问概率优化软QoS(平方)。硬性和软性的QoS的方式可以保证two-cascaded反馈控制架构。TS-Loop与动态时间槽隔离,保证了总部和CW-Loop余额平方的QoS满意度和节能的多目标优化。

总结在表的符号定义1详细的概念MQEB如下。

2.1。动态时间槽隔离

在IEEE 802.11分布式协调功能(DCF)的节点缓冲MAC帧开始与一个随机的载波监听范围的退下 。一旦检测到碰撞,节点执行另一个长的随机范围的退下 。这就是所谓的二进制指数退下(BEB)。更密集的节点试图传输帧,发生碰撞和重传概率越高,这不仅会导致不必要的能源浪费,还诱导更高的帧延迟。如图3,有时段在总骑自行车。艰难的QoS交通,不同类型的交通争class-specified时段通道中 ,这实际上是一种资源预约机制避免跨类争用。

2.2。能量平衡

基于节能的固有特性的无人驾驶系统,节点总是工作定期和休眠去扩大。因此,时段往往用于节能休眠。摘要MQEB交易从节能和软QoS满意度的多目标优化(MOP)的优化访问概率以及插槽的数量软QoS流量。

2.3。访问概率优化

其余时段可以安排平方。他们认为在相同的时间通道中槽。他们的QoS约束弹性和不同交通类型,所以他们的访问概率应该精确选择平衡能源和首选的QoS。因此,安排访问的概率是一个网络效用最大化(NUM)模型,将效用函数量化交通的“满意度”的QoS (22,25,28]。

3所示。时间槽隔离适应总部保障

假设有 类型的流量,类型的总部和类型的平方(最大的努力可以被视为一个特殊的平方),还有网络中节点。总部的约束可以表示如下:

QoS平均指标,如平均节点到节点的延迟,吞吐量,和帧率损失,可以用 ,和表示相应的QoS约束。一般来说,我们主要以节点到节点的延迟为QoS度规,所以小的价值 ,更好的QoS的延迟。

3.1。反馈总部时间槽作业

总部应优先保证。本文提出了总部时间段隔离机制。同一个类的总部帧传输在指定的时段。让 ,表示的槽数保留我总部。在这些时段的时间,只有传输帧的所有节点我th总部和其他总部的传输受阻。如图2、时间槽隔离和动态适应实际上构成反馈控制循环(简称TS-Loop)。向量 作为控制器的输出,可根据偏差调整实际的交通延误首选的QoS指标 ,也就是说,

TS控制器通过对偏差进行操作 ,也就是说,调整的时段分发到每一种类型的总部。因此,延迟 是持续的。尽管媒体访问的不确定性,反馈机制固有的自稳定释放我们从每流量精确计算槽作业的时间。对相干非线性逼近特性,本文发展TS-Loop BP神经网络自整定PID控制器。

3.2。BP-Based自适应控制

本文以3 - layer BP神经网络PID参数的自调整有两个原因。首先,从理论上讲,一个3 - layer神经网络能够学习任何函数(29日),计算量将增加指数随着更多的隐藏层添加;第二,以及用于证明在5%显著性水平下,3 - layer,超过3 - layer神经网络没有显著差异。

有 神经元在输入层、隐藏层和输出层,分别。每种类型的PID参数单独训练。所以实际上有一个集的神经网络,如图2。

的经典PID控制器(3)可以写成(4) 在哪里是一个非线性函数相关的所有变量。

取我th总部交通为例。学习过程由正向传播和反向传播。细节如下(29日]:(1)向前传播:计算出网络输出。

输入层的输出如下:

隐藏层的输入和输出如下: 在哪里的权重因数吗j输入层的神经元l隐层的神经元。上标(1)、(2)和(3)代表输入层、隐层和输出层。是激活函数, 。

输出层的输入和输出如下: 在哪里 (2)向后传播:适应体重因素。

假设性能指标函数

根据梯度下降法,学习过程的重量如下: 在哪里 学习速率和吗 是惯性因素加快收敛速度。因为有

输出层的重量

隐藏层的重量

BP神经网络计算自调优参数 基于pretrained权重,同时由传播推导回到训练重量。BP的详细算法显示了自调整PID控制算法1。所有参数的BP将定居下来,我们可以为神经网络与原始数据和使用它的输出进行进一步的工作。因此,TS控制器能够处理系统与动态交通到达率通过调整时段 。

4所示。访问概率适应平方保障

保持时间槽可以分配给平方。一方面,约束平方非强制性;例如,“实际延迟更小比 ,”这意味着最好部署更多的时间槽一个较小的延迟。另一方面,在基于无人驾驶系统中,节点总是工作定期来节约能源。所以更多的休眠时间也是预期。为了解决这个矛盾,节点应该平衡能源效率和QoS要求。

4.1。效用函数

QoS的给定值量化满意度指标由效用函数可以被描述 ,nonincreasing函数关于给指标 。

表示首选的每种类型的平方的平均延迟。效用函数的值是规范化的[0,1]。边际效用可以表示为 。不能简单地将获得流量函数的具体表达式。然而,效用函数的特点可以总结如下28]:

没有损失的普遍性,本文假设统一的效用函数集的通用antisigmoid函数(28使用不同的参数),具有不同的特征。

的参数是曲折的 。当平均延迟小于 ,效用函数是凹的,这意味着交通预计强劲更短的延迟。而平均延迟大于 ,效用函数是凸的,这意味着交通预计更短的延迟不那么强烈。

的参数是用来调整效用曲线的斜率在吗 ,它反映了敏感的首选。更大的 ,陡峭的效用曲线的斜率 ,这样的交通需要低延迟更强烈,诗句。图4显示了效用函数变化 。最大的努力(是)是一种特殊的平方与首选的延迟 (正常的平方= 10 ms),平方,可以在以下统一分析和建模。

4.2。访问可移植性和传输速率

应该注意到,在剩下的槽,各种各样的平方帧争通道在相同的时间跨度槽, 。让表示的访问概率j平方的节点上 ,的等价的时间段分配给类是 ,

一般来说,平均延迟很难形成一个封闭表达式,因为它是一个多变量随机过程相关的权力过渡,信道衰落,交通荷载、强度和BEB参数。对于每个节点,假设PHY传动比 ,等价的传动比交通是 和类的平均延迟在节点(包括排队延迟和传输延迟)

是平均帧长度,交通类的排队长度吗的节点上 ,由节点本身可以取样。是一个缓慢变化的参数与实际网络状况有关。因素定义如下:

并提交(19)(16),效用函数不但可以如下:

适用于所有 。因为MQEB实际上是一个topology-transparency方法,每个UAV节点可以独立运作,因此在下面的讨论中,节点数量是省略了。

4.3。多目标优化

访问概率赋值可以建模为一个优化问题。优化的目标是最大化效用函数的平方的总和节点,同时最小化时段分配。多目标优化问题(拖)

它可以等价于求解优化问题(SOP) multiply-divide方法如下:

和粒子群优化(PSO)用于解决SOP。假设是一群体积, 。让 粒子的位置 。 是相应的速度。符号阿达玛产品运营商。解决SOP的详细算法PSO算法所示2。

算法的输出 ,在那里 是一个可行的解决方案(拖把的22),表示访问概率每平方和时段对他们来说。然而,信道争用的是一个随机过程,无法直接控制。为了提供一个精确的访问概率控制每平方,linear-differ二进制指数退下(LD-BEB)方案介绍。访问概率控制通过调整初始边界的动态CW-Loop退下时间。

最初的退下时间是随机选择的 。1]。一旦设置初始退下时,帧开始争夺中访问。如果检测到碰撞,退下时间重置的 。 在哪里是一个比例因子,调节初始边界的退下时间吗j平方。一般来说,一个更小的将有一个高的访问概率 ,因为它往往试图访问介质更不耐烦,反之亦然。如图2,向量 作为连续波的输出控制器,它可以适应操作的偏差实际上访问概率 。控制器也是BP-based自调整PID控制器是类似于部分3.2。

5。实验和结果

5.1。硬件配置

无人机将ZigBit™900通信模块,这是一个内部784/868/915 MHz IEEE 802.15.4 OEM产品提供服务AVR2025软件包。模块包含一个ATmega1281V微控制器和一个AT86RF212射频收发器。AVR2025是与基本MAC开发工具包API对硬件操作。多亏了这些API的回调函数,一旦传播一个框架,一个回调函数将生成一个软件中断。因此,通过发送方节点可以测量节点到节点的延迟。

20 900 ZigBit UAV节点均匀分布的半径100米。每个节点随机向其他19个节点发送数据包。在MAC,数据包封装成MAC帧,帧流量是由不断发送数据包。帧的时间间隔服从正态分布的平均值 。 提供流量,传输数据率归一化;也就是说, 。(位)是MAC帧长度和平均水平(bps)的数据率。帧的长度是帕累托分布形状参数的1.1和平均 一些。

同时交通一代,每个节点MQEB独立运行。MQBE的详细算法算法所示3。临时按需距离矢量(AODV)路由协议实现在应用程序层,和一个特定的线程处理路由维护和路由发现。在实验中,发射功率设置为1兆瓦, 。

5.2。动态性能

动态性能主要关注QoS指标随时间变化的。假设有4种帧流量,两个总部(总部1和总部2)实时应用程序,和其他两个平方(平方1平方2)携带非实时应用程序。

在考虑无人机云的典型工况,本文发展两组对比实验。前强时间条件(STC)的首选QoS指标比一般情况下。后者是弱时间条件(世贸中心),这意味着实际表现已经供过于求。

MQEB实际上是一个双环控制模型。本文以一种新型off-and-then-on模型动态性能测试,这是一个等价的一个阶跃函数的信号。实验最后600年代在STC和世贸中心。0 ~ 200年代,在循环和没有控制器的行为,因此,它是原始的内部IEEE 802.15.4 MAC提供服务;200 ~ 400年代,控制器动态地调整竞争窗口大小(FD-MAC) [19]开始运作;400 ~ 600年代,MQEB接管控制传播。其后果是如图5和6。为了清楚起见,只有5节点20所示的实验结果。(1)数据5(一个)和6(一)显示的平均延迟STC和世贸中心。在200年代第一次内部(802.15.4 MAC)提供服务,没有流量之间的显著差异。在200 - 400年代,FD-MAC运作来区分不同优先级的平均延迟。但总部的延迟大于STC预设值,小于世贸中心预设值。FD-MAC可以保证延迟配给不同的类是常量,也称为PDD。它是有效的平方而不是可行的总部;400年代之后(MQEB-MAC),总部的平均延迟仍然是杰出的,延迟也聚集首选预设值。(2)数据5 (b)和6 (b)显示相应的吞吐量在STC和世贸中心。400年代在第一,吞吐量几乎没有变化,相同的结果在我们的以前的工作19]。然而,当MQEB系统上工作,400年代后出现的一个新特性。吞吐量变大,延迟减少在世贸中心的失学,反之亦然。很明显在图5 (b)吞吐量的总部和平方相比大大提高了内部与原802.15.4 MAC和FD-MAC提供服务。

5.3。能源效率和功耗

能源效率和功耗是WANET的两个重要因素。能源效率是用来评估数据传输的效率能源的成本(30.];大越好。在实验中,有效数据的总长度的帧发送成功,和能源的单位焦耳。能源效率是衡量比特/焦耳(比特/ J),也称为比特/秒/瓦特。

功耗显示UAV节点的生命周期;更小的功耗,延长工作时间。电力消耗的单位毫瓦特(mW)。

假如间隔期间 ,有帧的长度由一个节点发送成功,能源效率可以估计(28)。(1)数据5 (c)和6 (c)显示的能源效率标准电话和世贸中心。在200 - 400年代(FD-MAC),无论STC或世贸中心,能源效率小于在200年代第一次内部(802.15.4 MAC)提供服务。在信道争用、能源消耗一次节点传输无论数据是否正确。FD-MAC使高优先级小型连续波大小增加了碰撞概率,这将引起不必要的电源和能源浪费。(2)与200 - 400 s (FD-MAC)相比,在400 - 600年代能源效率(MQEB-MAC极大地增强了STC(图)5 (c)在世贸中心),而仍然几乎相同(图6 (c))。这种现象可以解释为(24)。在STC),扩大吞吐量(图5 (b))超越权力浪费由碰撞引起的。但在世贸中心,低吞吐量(图6 (b))补偿节能。(3)数据5 (d)和6 (d)每一个节点上显示的总功耗。在400 - 600年代(MQEB-MAC),总功耗是不同的在STC和世贸中心。在STC,总功耗变化小与200年相比,400年代(图5 (d)在世贸中心),但大大降低(图6 (d))。原因是MQEB可以减少不必要的有效时间,以避免电路功耗overprovided QoS性能时。(4)值得一提的是,MQEB有更好的能源效率标准电话,因为时间槽隔离避免了整个阶级冲突和重传能源浪费。同时,MQEB也有较低的功耗和更长的寿命在世贸中心,因为它可以减少不必要的活动时间。

5.4。静态性能

MQEB执行更好的吞吐量,但牺牲了一生在STC(数字5 (b)和5 (d))相比,在世贸中心。实际上,在无人机云STC)更常见。所以分析MQEB在STC的静态性能,涉及的QoS指标变化提供交通。实验结果如图所示7。x设在提出了不同的控制方法,内部原始IEEE 802.15.4,提供服务FD-MAC MQEB-MAC,分别。提供流量增加y设在(对数刻度)。z设在(垂直轴)代表延迟(图7(一)(图),吞吐量7 (b)),能源效率(图7 (c)总能耗(图),7 (d))。实验表明MQEB的综合优势。(1)在图7(一)内部,与原始802.15.4 MAC提供服务,FD-MAC和MQEB-MAC可以支持差异化延迟QoS。但MQEB-MAC可以进一步控制延迟固定的预设值4 ms总部1和5 ms总部2。(2)在图7 (b),MQEB-MAC不仅支持差异化服务延迟,还大大提高吞吐量(总部和平方)。因为在STC,有效时间与提供流量增加。越工作时间明显增大吞吐量。(3)在图7 (c)MQEB-MAC的能源效率比FD-MAC要好。尤其是对总部、能源效率甚至增加交通提供。这是因为吞吐量比功耗快得多。这说明时间槽隔离的优势又可以空传输失败以及扩大总部的吞吐量。通过测量,一帧碰撞的力量浪费(约10兆瓦)至少十倍(约1兆瓦)电路的功耗。(4)在图7 (d)分化,FD-MAC可以支持QoS但牺牲的总功耗。主要原因是帧碰撞和重传之前讨论。MQEB-MAC,总功耗几乎是相同的(一窝小)内部与原802.15.4 MAC提供服务。可能的原因是,避碰的节能的时间段隔离只是补偿放大工作时间的能源成本。

5.5。健壮的验证

上述实验问题的有效性MQEB不考虑交通破裂。健壮的验证时执行交通到达率动态变化。数据8(一个)和8 (b)的到达率和平均延迟随时间改变。图8 (c)是清晰的节点1的条件。到达率(交通荷载)的总部1和2平方变化与300年代间隔轮流。最大和最小负载大约250帧/ s和50帧/ s。另外两个流,即总部2和1平方,是常数附近230帧/ s和170帧/ s。

考虑到分析部分5.4,我们只讨论STC简化。首选的QoS度量的STC图完全相同5,也就是说, 和 。从1000年代开始MQEB控制器。(1)在1000年代第一次内部(原802.15.4 MAC)提供服务,所有类型的延迟变化以及负载和总部的延迟1和总部2大于价值的首选。当总部1脉冲的到达率在600年代,延误甚至比平方1和2平方,这并不是一个理想的现象。(2)1000年代后,MQEB系统上工作。总部的延迟1和总部2收敛于首选值,这得益于BP-based自调优反馈控制。(3)尽管平方的延迟1和2平方得到一些改善,他们不能总是收敛到预设值,存在一个小抖动和负载波动。这是因为QoS保障的平方是首选的QoS的折扣排队长度的度量与平衡以及节能。(4)由于负载变化作为选通功能,上边缘和下边缘都是冲动,控制器是最严重的条件。因此,实验表明,MQEB BP-based自调优控制器鲁棒稳定性。

6。结论

确保云计算密集型应用程序卸载的性能,本文提出了一种BP-based自调整PID控制器的混合QoS保障体系架构,它可以同时支持实时和非实时交通。时间槽隔离努力QoS和访问概率优化软QoS,后传播(BP)神经网络PID控制用于参数的自调整。硬件实验演示MQEB-MAC的可行性。与FD-MAC相比,MQEB新功能的硬QoS保障和软QoS平衡与节能。它有进一步发展两个优点。在重负载的情况(STC), MQEB有更大的吞吐量和更好的能源效率;在轻负荷(世贸中心),MQEB更低的能耗。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(61203233和61203233号),中国博士后科学基金会(没有。2017 m623243),中国陕西省自然科学基础研究计划(2016 jm6062和2016 jq6017号),上海航天科技创新基金(没有。SAST2016034),中国基础研究基金为中央大学(3102017 zy029和3102017号)。