[论文解读] Combinatorial Evolution and Forecasting of Communication Protocol ZigBee

Mark Sh. Levin, Aliaksei Andrushevich+2 more|arXiv (Cornell University)|Apr 15, 2012

Data Management and Algorithms参考文献 13被引用 7

一句话总结

本文提出了一种组合框架，用于对ZigBee无线传感器网络协议在三个代际中的演化进行建模、分析和预测。通过形态树模型和组合优化（例如，0-1背包问题与聚类问题），生成基于专家判断和计算的预测结果，并将其整合为两个最终预测结果，展示了对协议演化及未来设计预测的系统性方法。

ABSTRACT

The article addresses combinatorial evolution and forecasting of communication protocol for wireless sensor networks (ZigBee). Morphological tree structure (a version of and-or tree) is used as a hierarchical model for the protocol. Three generations of ZigBee protocol are examined. A set of protocol change operations is generated and described. The change operations are used as items for forecasting based on combinatorial problems (e.g., clustering, knapsack problem, multiple choice knapsack problem). Two kinds of preliminary forecasts for the examined communication protocol are considered: (i) direct expert (expert judgment) based forecast, (ii) computation of the forecast(s) (usage of multicriteria decision making and combinatorial optimization problems). Finally, aggregation of the obtained preliminary forecasts is considered (two aggregation strategies are used).

研究动机与目标

• 通过形态树结构构建ZigBee协议演化的分层模块化模型。
• 识别并评估ZigBee三个代际（2004、2006、PRO）之间的变更操作，作为预测的构建模块。
• 利用多准则决策方法和组合优化问题（如0-1背包问题、聚类问题）生成两个计算预测结果。
• 通过两种聚合策略（扩展与压缩）将直接的专家预测与计算预测结果相结合。
• 为无线传感器网络中通信协议演化的预测提供一种系统化、可重复的方法。

提出的方法

• 将ZigBee建模为具有组件与设计备选方案的分层与或树（形态树）。
• 提取连续协议代际之间的变更操作（S1→S2，S2→S3），形成一组基本变更操作。
• 使用多种准则（如成本、优先级、性能）评估变更操作，以分配权重与排序。
• 将预测建模为组合优化问题：使用多选0-1背包问题与聚类问题生成计算预测结果。
• 应用两种聚合策略：(I) 扩展（增加）策略，采用简化0-1背包模型，结合成本与优先级准则；(II) 压缩（删除）策略，采用最小化0-1背包模型。
• 使用贪心算法求解0-1背包问题，并生成最终的预测结构（Θ^I 与 Θ^II）。

实验结果

研究问题

• RQ1 如何构建一个分层模块化模型，以表示ZigBee等通信协议的演化？
• RQ2 ZigBee协议连续代际之间过渡的关键变更操作是什么？
• RQ3 如何利用多准则决策方法与组合优化来计算未来协议配置的合理可能性？
• RQ4 不同的聚合策略（扩展与压缩）对协议演化最终预测结果有何影响？
• RQ5 专家判断预测与计算预测在预测未来ZigBee协议演化方面有何差异？

主要发现

• 形态树模型成功捕捉了ZigBee在三个代际中的分层与模块化结构。
• 在协议演化路径中，共识别并评估了17种不同的变更操作。
• 采用扩展策略的计算预测结果（Θ^I）选中了三项操作：J1 (Φ10)、B1 (Φ13) 与 W1 (Φ15)，总成本为8.00，优先级总和为10。
• 采用压缩策略的计算预测结果（Θ^II）选中了五项操作：B1 (Φ13)、Q1 (Φ7)、P1 (Φ8)、E3 (Φ14) 与 U1&U2 (Φ17)，总成本为8.00，优先级总和为13。
• 聚合过程生成了两个不同的预测协议结构：Θ^I（基于增加）与 Θ^II（基于删除），并通过结构与准则分析得到验证。
• 将专家判断与基于优化的预测结果相结合，显著增强了演化预测过程的稳健性与可信度。