一种基于移动预测和时延预测的OLSR路由方法及系统

    公开(公告)号:CN109922513A

    公开(公告)日:2019-06-21

    申请号:CN201910169081.0

    申请日:2019-03-06

    Abstract: 本发明提供了一种基于移动预测和时延预测的OLSR路由方法,包括簇成员节点路由表计算过程和簇头节点路由表的计算过程,所述簇成员节点路由表计算过程为:采用卡尔曼滤波算法建立移动预测模型,并通过此模型来选择稳定性高的邻节点作为下一跳节点,以此来建立簇内成员节点路由表;所述簇头节点路由表的计算过程为:将数据包在簇头节点MAC层的排队时延作为路由选择的度量因子,通过ARMA算法建立排队时延的预测模型,以此模型来计算簇头节点的路由表。本发明方法可以减弱由于簇内成员节点高速移动带来的路由不稳定问题,同时降低簇头节点网络拥塞的概率,提升路由的鲁棒性,降低端到端时延。

    基于Q-learning算法和OLSR路由机制维护路由表的方法及系统

    公开(公告)号:CN111565153B

    公开(公告)日:2021-06-29

    申请号:CN202010356029.9

    申请日:2020-04-29

    Abstract: 本发明提供了一种基于Q‑learning算法和OLSR路由机制维护路由表的方法及系统,包括:节点在hello包和TC包中添加实际负载量,根据实际负载量计算负载程度参数;节点在hello包和TC包中添加信道忙碌程度;根据负载程度参数和信道忙碌程度,计算得到节点负载参数;节点在hello包和TC包中添加运动信息,计算节点间链路持续生存时间参数;根据节点负载参数和持续生存时间参数计算Q‑value;当节点发送数据包至其他节点或转发任务时,查询本节点的Q‑table,根据Q‑table中目的节点对应的最大Q‑value节点进行路由。本发明提升了路由的稳定性,减少了数据包的丢失率。

    基于Q-learning算法和OLSR路由机制维护路由表的方法及系统

    公开(公告)号:CN111565153A

    公开(公告)日:2020-08-21

    申请号:CN202010356029.9

    申请日:2020-04-29

    Abstract: 本发明提供了一种基于Q-learning算法和OLSR路由机制维护路由表的方法及系统,包括:节点在hello包和TC包中添加实际负载量,根据实际负载量计算负载程度参数;节点在hello包和TC包中添加信道忙碌程度;根据负载程度参数和信道忙碌程度,计算得到节点负载参数;节点在hello包和TC包中添加运动信息,计算节点间链路持续生存时间参数;根据节点负载参数和持续生存时间参数计算Q-value;当节点发送数据包至其他节点或转发任务时,查询本节点的Q-table,根据Q-table中目的节点对应的最大Q-value节点进行路由。本发明提升了路由的稳定性,减少了数据包的丢失率。

    一种基于移动预测和时延预测的OLSR路由方法及系统

    公开(公告)号:CN109922513B

    公开(公告)日:2020-08-18

    申请号:CN201910169081.0

    申请日:2019-03-06

    Abstract: 本发明提供了一种基于移动预测和时延预测的OLSR路由方法,包括簇成员节点路由表计算过程和簇头节点路由表的计算过程,所述簇成员节点路由表计算过程为:采用卡尔曼滤波算法建立移动预测模型,并通过此模型来选择稳定性高的邻节点作为下一跳节点,以此来建立簇内成员节点路由表;所述簇头节点路由表的计算过程为:将数据包在簇头节点MAC层的排队时延作为路由选择的度量因子,通过ARMA算法建立排队时延的预测模型,以此模型来计算簇头节点的路由表。本发明方法可以减弱由于簇内成员节点高速移动带来的路由不稳定问题,同时降低簇头节点网络拥塞的概率,提升路由的鲁棒性,降低端到端时延。

Patent Agency Ranking