[论文解读] Online Channel Assignment in Multi-Radio Wireless Mesh Networks Using Learning Automata

Ziaeddin Beheshtifard, Mohammad Reza Meybodi|arXiv (Cornell University)|May 14, 2014

Mobile Ad Hoc Networks参考文献 17被引用 3

一句话总结

本文提出了一种基于学习自动机的多无线电无线网状网络在线信道分配方案，通过动态优化信道选择以最大化网络吞吐量并最小化干扰。该算法采用一种分布式、自适应机制，评估上行链路容量和干扰水平，通过李雅普诺夫分析证明其收敛性，最终达到稳定且最优的信道配置。

ABSTRACT

In this paper, we look into the problem of channel assignment in multi-channel multi-radio wireless mesh networks. We propose a new learning automata based channel assignment scheme that adaptively improve network overall throughput by expecting channel state. Since the ability of sending packets via upstream links will be evaluation bases for assigning channels to radio interfaces on each node. We use a link capacity function that potentially reflects degree of interferences imposed by selected channels by each node. According to dynamics of system, proposed algorithm assigns channels to radio interface in distributed fashion such that minimize interference in neighborhood of a node. We analyze the stability of the system via appropriate Lyapunov-like trajectory; we show that stability and optimum point of the system is converged.

研究动机与目标

• 解决在高干扰和变化的流量负载条件下，多无线电无线网状网络中动态信道分配的挑战。
• 通过使每个节点基于实时干扰和链路容量反馈自适应选择最优信道，提升网络吞吐量。
• 设计一种无需集中协调的分布式、在线信道分配算法，以最小化每个节点邻近区域的干扰。
• 通过基于李雅普诺夫的正式分析，确保系统稳定性并收敛至最优信道分配。

提出的方法

• 该算法使用学习自动机来建模每个节点的信道选择过程，其中动作对应于信道分配。
• 每个节点根据上行链路容量评估其选定信道的性能，该指标反映干扰程度和传输成功率。
• 通过奖励-惩罚机制根据观测到的链路性能更新学习自动机的动作概率，优先选择高吞吐量、低干扰的信道。
• 系统采用类似李雅普诺夫的轨迹，从数学上证明其收敛至稳定且最优的信道分配状态。
• 信道分配决策按每个无线接口独立进行，实现无需全局知识的分布式操作。
• 链路容量函数量化干扰影响，使节点能够实时估计信道选择的质量。

实验结果

研究问题

• RQ1 如何在分布式、在线的条件下优化多无线电无线网状网络中的信道分配以最大化吞吐量？
• RQ2 何种学习机制使节点能够自适应地选择最小化干扰并改善链路性能的信道？
• RQ3 基于学习自动机的方法能否在动态网络条件下确保收敛至稳定且最优的信道分配？
• RQ4 该系统在在线信道重新分配过程中如何维持稳定性并避免振荡？

主要发现

• 所提出的基于学习自动机的信道分配方案通过李雅普诺夫分析证明了其能够稳定收敛至最优信道配置。
• 该算法通过根据实时链路性能动态调整信道选择，有效减少了每个节点邻近区域的干扰。
• 通过优先选择上行链路容量较高且干扰水平较低的信道，实现了吞吐量的提升。
• 该算法的分布式特性消除了对集中式控制或全局信道状态信息的需求。