文摘
物联网的大规模机械化的通信(mMTCs)正在开发的第五代(5克)无线系统。窄带物联网(NB-IoT)是一种重要的通信技术机械化的通信。它支持许多不同的通信协议。应用层通信协议的可靠性和性能深受重传超时(RTO)算法。为了提高手写体通信的可靠性和性能,本研究提出了一种新颖的RTO UDP-XGB算法基于用户数据报协议(UDP)和NB-IoT。它结合了传统的算法和机器学习。仿真结果表明,真正的往返时间(RTT)接近RTO,通过该算法,机械化的通信的可靠性和性能得到了改善。
1。介绍
5克,第五代移动通信技术,一方面,大大提高了宽带移动互联网个人用户的经验和创造新生活和娱乐应用场景。另一方面,它符合5 g网络功能,如大带宽,巨大的连接,和低延迟,并形成新一代的信息基础设施和其他基本的功能,如人工智能(AI)、物联网(物联网),云计算、大数据和计算。
物联网是一个重要的技术在5 g移动通信,预计将带来巨大的经济增长。由于物联网的迅速发展,机械化的通信(mtc)吸引了越来越多的来自学术界和工业界的关注和兴趣。智能交通的日益普及,智能城市,等等,设想,物联网设备的数量将达到750亿,到2025年,这远比手机用户的数量。大规模机械化的通信(mMTCs)分配的三个用例5 g的大量的物联网设备同时在线。可穿戴设备收集和上传小数据包成为矿渣MTC的一个组成部分。防止高频通信的设备在mMTC消耗太多的网络资源,我们需要从不同的技术水平的基础上,分析它现有的物联网通信技术。从技术架构的角度来看,物联网可分为三层,感知层、网络层和应用程序层(1]。
感知层是物联网的发展和应用的基础。传感层包括各种类型的数据采集设备,如可穿戴设备、温度传感器和湿度传感器,包括之前的传感器网络数据连接到网关。无线电频率识别(RFID)系统是应用最广泛的传感器系统在物联网。它只需要扫描相应的电子标签标记对象的获取信息。RFID标签识别取决于碰撞检测,这将大大影响标签识别的性能(2]。
物联网的网络层建立在现有的移动通信网络和互联网。网络层负责不同的设备之间的数据通信和云。网络通信不仅取决于互联网的基础设施,也在一个分层的网络协议栈。如图1,它可分为应用层、传输层、网络层、数据链路层和物理层从上到下。每一层的协议负责管理和安排不同的基础设施来执行一个给定的任务。有很多在不同的协议栈层通信协议,可以形成许多不同的通信模式。不同通信协议的组合适用于不同的应用场景下的物联网。
应用程序层包括各种数据处理和分析程序的应用程序。应用程序层负责数据挖掘和分析各类数据收集的感知层,然后通过直观的数据可视化呈现给用户,如线路图和散点图。用户使用这些数据掌握环境信息和做出相应的决策。
物联网的网络层需要指定一个网络通信技术,物理层的协议栈。选择不同的通信模式的物理层协议栈可以产生很大的性能差异。在这项研究中,窄带物联网(NB-IoT)技术,选择了低功耗广域网技术,交流。NB-IoT是大规模物联网技术的基石之一,5 g的基础。几个特点NB-IoT如下所示:(1)低成本:NB-IoT网络的基础上可以升级现有的长期演进(LTE)网络,大大降低了网络建设和维护的成本。(2)深度报道:通过时域传输技术和改进的功率谱密度,NB-IoT提高最大耦合损失(制程)20 dB相比,全球移动通信系统(GSM)、GSM覆盖距离的三倍,可以穿透两个比GSM墙壁。制程之间的最大总频道损失设备和基站的天线端口传输数据。的联系增强信号覆盖范围扩大和制程的增加价值。(3)低功耗:NB-IoT技术设计了三种不同的节电模式。该设备可以选择最合适的节电模式根据自己的业务特点达到降低功耗的目的,实现真正的超长待机,大大延长电池寿命。(4)巨大的连通性:NB-IoT网络允许更多的设备同时连接,50到100倍现有的无线技术。根据模拟试验,现在NB-IoT单细胞基站的网络可以访问50000终端设备。
NB-IoT沟通也需要传输层的协议支持,如传输控制协议(TCP)和用户数据报协议(UDP)。
TCP提供面向连接的、可靠的字节流服务。面向连接意味着两个应用程序使用TCP必须首先建立TCP连接,然后才能与对方交换数据包。过程类似于打电话,等到结束之前关闭的通信连接。在TCP连接,只有双方相互通信。广播和多播不能用于TCP。TCP使用序列号和确认号码收到相关数据。目的地主机的TCP服务承认接收的数据和源应用程序发送的确认信息。大小的源主机的数据传输可以在收到确认消息之前被称为窗口大小。管理数据丢失和流控制,TCP开始发送数据时重新传输计时器。如果没有收到确认重新传输计时器超时之前,数据段是转播的。 TCP is not suitable for NB-IoT round-the-clock data collection and reporting services because TCP needs to maintain network connections.
UDP是无连接的,这意味着不需要建立连接发送数据之前,没有连接发送数据可以在年底发布,减少了开销和延迟发送数据之前。UDP使用尽最大努力交付;即不保证可靠传递和主机不需要维护一个复杂的连接状态的列表。UDP没有拥塞控制,任何拥堵,发生在网络上不会减慢源主机的传输速度。这是很重要的对于一些实时应用程序。此外,UDP支持一对一、一对多、多对一和多对多的互动交流。最后,UDP报头的开销很小只有8个字节,这是比TCP短20个字节的头。所以,UDP是更适合NB-IoT 24小时数据收集和报告服务因为UDP是轻量级和连接(3]。
由于上述特点,UDP是不可靠的数据传输。在实际应用中,常常需要保证数据到达另一端。这需要开发基于UDP的应用层协议,如限制应用协议(CoAP),以及一个定时重传机制,确保可靠性。最重要的一部分,定时重传的决心重新传输超时(RTO)。设备将决定数据达到一定的时间后另一端基于RTO。如果数据不到达另一端,设备需要发送的数据。RTO需要确定基于网络的当前状态。当一个设备使用NB-IoT移动,网络会产生大的波动,如从室外到室内。这时,RTO的确定往往不理想,导致数据传输网络延迟高或大型网络资源消耗。
本研究根据上述的观察,研究如何确定可靠的RTO当NB-IoT使用UDP传输在移动场景。目标是如何发送相同的数据以更少的网络资源,降低网络延迟与传统算法相比。
论文的其余部分安排如下。部分2收集相关文献综述的一些作品,而部分3显示了描述的交通模型,传统的算法,和目标的问题。部分4描述了UDP-XGB算法及其细节。节5提出了仿真测试和分析。最终,节6突出的结论。
2。相关的工作
有许多通信技术领域的物联网。这些通信技术是基于低功耗广域网(LPWAN)技术。确定哪些通信技术更有可能成为主流大规模物联网在未来,我们进行了一次全面的调查LPWAN。首先,我们看LPWAN[的发展和地位4,5]。在物联网通信的安全,我们也发现了一个很好的方法来处理(6]。然后,我们研究了不同技术的部署大规模物联网(7],NB-IoT更适合大规模部署,因为它可以容纳大量的连接。此外,我们调查能耗分析和物联网应用程序生命不同的技术(8,9),因为NB-IoT技术需要确保更深和更广泛的信号覆盖,能源消耗是略高于其他技术。然后我们调查了不同技术的报道(10],NB-IoT技术可以涵盖许多严酷的环境。最后,我们调查了NB-IoT技术深度(11- - - - - -13]。大规模物联网的技术是一个很好的候选人由于其增强室内覆盖,延迟不敏感,并支持大规模的连接。
然后,我们发现NB-IoT数据传输优化的一个关键问题,以及如何有效地确定RTO。因为RTO可以显著影响性能的传输协议14,15),一个好的RTO算法是至关重要的。初RTO算法TCP (16]。提高TCP的性能,提出了各种各样的RTO算法(17- - - - - -20.]。与此同时,还有一个udp的RTO算法(21- - - - - -23]。此外,也有一些RTO算法对于其他场景(24,25]。上述算法都是基于统计RTT RTO计算,这些算法是缓慢波动的网络信号。当设备移动,很容易切换场景,导致大型网络波动。所以,我们需要一个算法对网络信号的波动更加敏感。因此,我们要计算RTO的网络信号。我们的想法来自两个研究。Kotagi v . j .等人提议NB-IoT的呼吸方法,可以调整传动功率的设备通过网络信号的波动26]。卡索g等人的成功预测随机存取NB-IoT和长期演进(LTE)网络的基于网络状态和调整随机存取的力量使用预测结果[27]。我们使用机器学习的方法来分析收集到的数据并提出UDP-XGB算法(28]。本研究进一步提高UDP-XGB算法的性能,丰富和提高了实验仿真。
3所示。传播模型和问题公式化
在本节中,我们介绍一个简单的UDP通信模型来模拟数据传输在真实的场景中。我们提到几个UDP传输模型(29日- - - - - -32),简化了尽可能多的休息。目的是为了更好地专注于确定RTO定时重传。此外,我们还将介绍几个确定RTO的算法。最后,我们正式定义我们的目标问题。
3.1。传输模型描述
UDP有两个需要解决的问题。一些实时应用程序需要使用UDP没有拥塞控制。然而,当许多源主机发送实时数据流高速网络的同时,网络可能发生拥堵,导致大家无法正常接收。另一方面,一些实时应用程序使用UDP需要做出适当的改进的可靠传输UDP来减少数据丢失。应用程序过程中可以添加一些措施改善可靠性而不影响应用程序的实时性能,如电源失去了消息。为了解决这两个问题,大多数应用程序层基于UDP传输协议使用顺序传输和定时传输来解决这些问题。UDP传输模型如图2。它主要包含以下两个函数。(我)顺序传输:它指定了消息队列长度n .每次发送消息ID被绑定到确定的顺序消息发送。每次发送消息,消息队列存储相应的ID和队列长度增加。在收到一个确认字符(ACK)从服务器,对应的ID删除消息队列和队列长度减少。的消息发送一个固定的时间间隔,但当消息队列长度是N,即承认有N个消息,客户端停止从服务器发送消息并等待ACK的最后一条消息到消息队列长度小于N。(2)定时重传:每个消息被发送后,定时器将被设置。当定时器超过指定的RTO和没有收到ACK从服务器相应的消息ID,将再次发送消息。
消息被发送之间的时间和相应的应答接收叫做往返时间(RTT)。如果RTO小于RTT,客户会认识到消息接收相应的ACK之前损失和将再次发送消息,导致许多不必要的重发。如果RTO远远大于RTT,不能再次发送消息时,消息发送和ACK丢失,导致某些消息传输的传输延迟。考虑到网络资源消耗和传输延迟,RTO应略大于RTT。
当发生定时重传时,很难准确计算RTT。在这种情况下,一般的做法是不计算定时重传的RTT。RTT定时重传的还不算当RTT计算在这个研究。
根据RTT和RTO的关系,数据被发送在三个不同的州。RTT 0时,数据发送失败。RTTRTO代表错误重传。RTT RTO表示数据已发送成功。
3.2。传统的算法描述
有许多不同的方式来确定RTO。标准TCP算法(16)和CoAP-Eifel算法(22)是用来确定RTO历史RTT。在CoAP RTO是由随机值21]。RTO将双当数据传输发生在这些算法。
3.3。标准TCP
表示最近RTT的平均值。是一个平滑因子。随着减少,变得更加稳定,由当前RTT的影响较小。
代表之间的误差和测量RTT。它显示RTT的波动 。
代表之间最近的平均偏差和RTT。绝对的错误代表当前偏差。
新RTO获得的和 ,的推荐值是4,代表的最小时间间隔计时器。
当数据包丢失,新是以前的两倍 。
当第一个RTT测量,主机应该设置如上所述。
3.4。CoAP-Eifel
代表之间的误差和测量RTT。它显示RTT的波动 。
代表的变化速度 ,这是作为 在这项研究中。
变化的速度在吗 。 表明,有一个大的错误之前估计的RTT和真正的RTT,和保持不变。 表明,先前的估计之间的误差RTT和真正的RTT较小或估计RTT大于RTT,适当减少维护的稳定 。
表示最近RTT的平均值。由之前的和估计误差 。估计误差的影响在增加而增加 。 产生大的波动,但他们也快速正确并遵循RTT RTT波动时的波动。
代表之间最近的平均偏差和RTT。由之前的和估计误差 。 意味着真正的RTT的平均值高于过去的RTT,和当前RTT估计可能不到真正的RTT,所以估计RTT需要加以修订。 意味着真正的RTT的平均值低于过去的RTT,和当前RTT估计有很好的效果,所以不需要修改RTT估计。
RTO的RTT估计——之间的最大价值 最后真正的RTT。最后真正的RTT可以作为当前的RTT估计,因为真正的RTT值之间的差异在连续传输通常是非常小的。代表的最小时间间隔计时器。
当数据包丢失,新是以前的两倍 。
3.5。CoAP
在哪里基本的超时的值,典型值为2000 ms;是一个超时随机波浪因素,随机值一般在1.0和1.5之间;和是一个基于起伏的价值和 。 在哪里最大数量的传输,典型值是4;是马克斯RTO的时代。
当数据包丢失,新是以前的两倍 ,但它应该小于 。
传统的算法中使用的变量描述表进行了总结1。
3.6。问题公式化
网络的状态会影响数据传输的速度。当网络处于一个好的状态,数据往往更快地到达另一端。在网络信号差,数据在传输过程中可能会丢失。在此基础上观察,它假定网络信号影响RTT。我们需要找出影响RTT网络信号,这样我们就可以使用网络信号来估计可能的RTT数据传输。UDP消耗更少的网络资源和较低的传输延迟,同时保证使用RTT估计RTO的可靠性。
输入实例:网络状态指示器NB-IoT终端收集的数据,例如参考信号接收质量(RSRQ),参考信号接收功率(RSRP),信号——interference-plus-noise比(SINR)和接收信号强度指示(RSSI)。此外,真正的RTT统计收集网络状态数据。
输出实例:内河货运网络信号数据和实际观察和分析发现隐式定量内河货运网络信号数据和真实之间的关系。
目的:获得网络状态之间的定量关系数据和真正的RTT用作UDP-XGB算法。UDP使用UDP-XGB算法可以减少一些不必要的重传。
丢包率:丢包率是丢失的数据包数量的比值在测试期间发送的数据。
代表数据包损失率。代表总数的包发送的测试。代表包结束的总数,当是0或 。 主要显示了怨恨的数量的比例数据由于发送失败任务的数据量。丢包率越低,越高的概率数据将发送一次,消耗更少的网络资源将通过发送相同的数据。
总结了问题表中使用的变量2。
4所示。提出UDP-XGB
更好的适应大RTT波动引起的场景切换NB-IoT运动期间,如从室外到室内,本研究采用机器学习(ML)方法来预测RTT和预测RTT RTO。
在这项研究中,我们收集了四种网络信号特性,如RSRQ RSRP SINR, RSSI。然后,皮尔森相关系数法分析了网络信号的特点。如图3有一些相关性RTT,这些网络信号。我们提出了一个UDP-XGB算法基于这四个网络信号和机器学习。
极端的梯度增加(XGBoost)是一种基于梯度的算法或工程实现提高决策树(GBDT) [33]。在这项研究中,上述四个维度的数据被用作输入特征。使用RTT作为目标输出。均方根误差(RMSE)被选为损失函数。150年回归树训练和集成到一个模型。开始只有一个回归模型树,每次迭代都将发现和集成一个新的回归树,它需要满足目标函数。引用(18)算法的目标函数1。的特点,所有的数据输入到模型和RTT RTO的预测。UDP-XGB算法在这项研究算法1所示。
损失函数。是一个常规项目。是一个真正的RTT。是当前预测的RTT模型。是数据样本的数量。是一个回归树,一个函数的输入映射到输出。是回归树集成由当前的数量模型。回归树中的叶子的数量吗 。 是分数的平方回归树的树叶吗 。 和是用来防止过度拟合的hyperparameters(算法1)。
|
UDP-XGB需要输入一些数据训练模型,通过这个模型来预测RTT。在这项研究中,我们输入17 000数据训练模型。的功能类似于在传统的算法。我们分析了17000年收集的数据,发现RTT的波动范围总是小于4倍 ,所以我们设置的上限RTO的4倍 。RTO预测RTT添加当前获得的偏差预测RTT和真正的RTT值之间。因此,RTO总是可以大于真正的RTT无论多么真实的RTT不同。此外,当数据重传时由于发送失败,我们忽略和新RTO以前RTO的两倍。
5。仿真结果
本研究采用静态数据的仿真模型模拟分析和四组中进行仿真分析不同算法在2000年收集到的网络信号,确保公平的仿真数据在不同的算法。假设每个数据作为一个圆。
第一轮真正的RTT最初和所有的算法。最初的是1/2的初始 。最初的是1/4的初始 。我们输入 , ,和到标准TCP、CoAP-Eifel CoAP获取 , ,和下一轮。当是0或小于 ,数据包丢失。如果数据包丢失,使用指数回滚方法计算。我们统计了2000圆和 。丢包率和传输延迟是根据统计获得和 。在UDP-XGB,我们17 000训练数据输入XGBoost训练模型,从而得到 。 , , ,和在测试数据输入XGBoost模型每一轮。结合生产和新 。丢包率和传输延迟的统计数据,与其他算法是一致的。
图4显示了标准的RTO TCP相比,真正的RTT。很明显,RTO波能真正的RTT的波动,但总是落后于RTT RTO波,这样数据会重新发送当RTT极端波浪。由于标准TCP、RTO基础计算历史RTT, RTO滞后性质和缺少一些及时性。此外,它很容易丢包网络剧烈波动时,由于磁滞特性标准TCP。
图5显示的RTO CoAP-Eifel与真正的RTT。CoAP-Eifel类似于标准TCP的RTO生产可以在真正的RTT波与波动,但其RTO滞回性质一样的标准TCP。此外,CoAP-Eifel面对网络信号波动的更大的变化,可以避免一些错误重传。然而,急性RTO波动的成本是一个漫长的等待发送失败时,可以显著影响网络传输性能。
图6显示的RTO CoAP与真正的RTT。CoAP不同于以上两种方法,因为它的RTO是随机的,不与RTT的波动而波动。这意味着您需要仔细配置参数对于不同的网络环境,因此这种方法很难适用于广泛的网络。
图7显示的RTO UDP-XGB与真正的RTT。UDP-XGB可以提前获得基地RTT基于网络信号,它确保RTO此刻的及时性。作为图RTT激增,RTO也相应增长。UDP-XGB使用RTT底部添加了最近的预测偏差得到RTO的RTT仍然有效,即使真正的RTT有一些波动。与上述三种算法相比,UDP-XGB RTO更稳定。
图8显示了一盒图之间的误差分布RTO通过不同的算法和真正的RTT。黄色部分显示了分布范围的主要错误。红点表示极端的错误。作为显示在图8,CoAP-Eifel误差很大,广泛分布。与其他算法相比,UDP-XGB较小的极端的错误,这表明UDP-XGB算法具有较高的稳定性和准确性在同一个网络。
图9显示模拟的丢包率与不同的算法。所有算法的丢包率小于0.1,这表明所有算法有很高的可靠性。标准TCP数据包损失率最高由于其滞回性质。CoAP-Eifel数据包损失率最低由于RTO采取更激烈的增加网络波动,但这也减少了网络传输的性能。UDP-XGB的丢包率与其他算法相比也处于较好水平。这是由于它能够获得基地RTT提前根据网络信号和避免一些丢包网络波动引起的。
图10显示模拟不同算法的传输延迟。传输延迟是一个数据包到达的时间从一端到另一端。在这个仿真,RTT的成功传输和RTO传输失败的情况下被视为每个数据传输的传输延迟。从图可以看出10UDP-XGB算法的传输延迟明显低于其他算法,因为UDP-XGB限制RTO的上限,因此减少了等待时间的数据丢包。因为其他算法不限制RTO的上限,RTO将很快成长为巨大的价值的情况下频繁的丢包。这就产生了大的等待时间和传输延迟。这显然是不合理的。
6。结论
UDP-XGB算法在这项研究中,它使用UDP进行可靠性传输5 g NB-IoT在移动场景。与UDP-XGB三个传统算法进行比较,仿真结果表明,UDP-XGB表现良好在丢包率和传输延迟。如图8的RTO UDP-XGB真正的RTT值之间有一些偏差,我们需要优化算法获得更多的准确性。然而,UDP-XGB可以应用到其他网络数据传输由于其可靠性和稳定性。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由SZTU和企业合作的项目(2021010802015和2021010802015号)和实验设备从SZTU发展基金会(没有。20214027010032)。