（1.重慶郵電大學(xué)光電工程學(xué)院/重慶國際半導(dǎo)體學(xué)院，重慶 400065；2.重慶郵電大學(xué)超視距可信信息傳輸研究所，重慶 400065；3.重慶郵電大學(xué)光電信息感測與傳輸技術(shù)重慶市重點(diǎn)實(shí)驗室博士后科研工作站，重慶 400065）
0 引言
自然災(zāi)害發(fā)生時，由于各種公共設(shè)施被摧毀，傳統(tǒng)的通信手段幾乎失效。如何快速掌握災(zāi)區(qū)情況并發(fā)布救災(zāi)信息至關(guān)重要。短波通信是一種成本低、靈活性高的遠(yuǎn)距離通信手段，其主要的傳播手段——天波傳輸一跳通信距離可達(dá)100 km 以上，廣泛應(yīng)用于大型災(zāi)害救援等領(lǐng)域。由于天波依靠電離層反射進(jìn)行傳播，而電離層具有多變性，導(dǎo)致短波信道變化快、通信質(zhì)量難以保障，因此如何提高短波通信的可靠性是當(dāng)前亟待解決的問題。
近年來，短波通信逐漸網(wǎng)絡(luò)化。通過將短波通信與互聯(lián)網(wǎng)相結(jié)合，組成短波通信接入網(wǎng)[1-2]，接入基站之間并通過互聯(lián)網(wǎng)進(jìn)行連接，接入基站與用戶之間并通過短波進(jìn)行通信。短波通信接入網(wǎng)可以充分利用互聯(lián)網(wǎng)的高速性和可靠性實(shí)現(xiàn)接入基站之間的信息互通和資源共享，同時可以充分利用分集接收[3]技術(shù)來提高短波通信的可靠性。
傳統(tǒng)的短波點(diǎn)對點(diǎn)通信方式通常是結(jié)合質(zhì)量信息選擇一條最優(yōu)的信道或鏈路進(jìn)行通信。文獻(xiàn)[4]結(jié)合長期預(yù)測模型，給出了在加權(quán)算法下的信道質(zhì)量排序的方案，并進(jìn)行了最優(yōu)信道的選擇。文獻(xiàn)[5]結(jié)合當(dāng)前各個鏈路的參數(shù)，選擇最優(yōu)的站點(diǎn)接入，提高了網(wǎng)絡(luò)的成功率和吞吐量。文獻(xiàn)[6]利用頻率預(yù)測軟件分別比較了不同的發(fā)送站臺與接收站臺之間的鏈路質(zhì)量，并以接收端場強(qiáng)中值為依據(jù)進(jìn)行鏈路選擇。但以上方法評判依據(jù)的參數(shù)較為單一，沒有充分考慮當(dāng)前網(wǎng)絡(luò)的實(shí)際情況。并且當(dāng)信道質(zhì)量較差時，點(diǎn)對點(diǎn)的通信方式往往難以保障通信的可靠性。為了保障短波通信的可靠性，在信道質(zhì)量較差時可以調(diào)用多個站臺對用戶進(jìn)行協(xié)同保障。
針對短波點(diǎn)對點(diǎn)通信成功率低、網(wǎng)絡(luò)資源分配困難的問題，本文提出了一種基于短波通信接入網(wǎng)的資源分配算法。該算法綜合考慮網(wǎng)絡(luò)情況及業(yè)務(wù)需求，通過調(diào)用多個發(fā)射端的多個站臺進(jìn)行協(xié)作通信，分別從不同信道對用戶進(jìn)行協(xié)同保障，有效提高了短波通信的成功率。
1 短波通信接入網(wǎng)資源分配算法
為了適應(yīng)現(xiàn)代應(yīng)急救援等需要，傳統(tǒng)短波點(diǎn)對點(diǎn)通信方式已經(jīng)難以滿足實(shí)際需求。因此，需要將短波通信[7-8]與互聯(lián)網(wǎng)相結(jié)合，組建短波通信接入網(wǎng)。
短波通信接入網(wǎng)將多個短波接入站臺合成一個虛擬的接入節(jié)點(diǎn)。對于該虛擬節(jié)點(diǎn)，相當(dāng)于配置了多個分布式的接收天線對用戶上行信息進(jìn)行接收，并將接收的信息遞交到融合中心進(jìn)行融合。同時，對于下行信息，融合中心可以結(jié)合業(yè)務(wù)需求以及當(dāng)前的信道質(zhì)量，調(diào)用多個站臺通過不同的信道對用戶進(jìn)行保障。短波通信接入網(wǎng)充分利用互聯(lián)網(wǎng)速度快、可靠性高的特點(diǎn)實(shí)現(xiàn)多個分布式的短波接入站臺之間的信息共享和資源共享，將傳統(tǒng)的短波點(diǎn)對點(diǎn)模式轉(zhuǎn)變?yōu)辄c(diǎn)對網(wǎng)、網(wǎng)對點(diǎn)的接入網(wǎng)模式，分布式短波通信接入網(wǎng)示意如圖1 所示。
圖1 分布式短波通信接入網(wǎng)示意
固定站臺與機(jī)動用戶之間的通信通常是非對稱的。固定站臺擁有更好的天線配置以及更靈活的功率配置，而機(jī)動用戶的天線通常更加偏向于靈活機(jī)動性能上不如固定站臺的天線，同時機(jī)動用戶還需要考慮能量消耗等因素，功率配置不如固定站臺靈活。因此，相對于固定站臺到用戶的下行信息，用戶到站臺的上行信息保障更困難。在實(shí)際通信場景中，用戶難以實(shí)時掌握當(dāng)前網(wǎng)絡(luò)的情況，而接入站臺間可以利用有線網(wǎng)絡(luò)實(shí)現(xiàn)高效的信息互通和資源共享，從而實(shí)現(xiàn)高效的網(wǎng)絡(luò)資源的分配和協(xié)同。因此，為了合理調(diào)用資源對用戶進(jìn)行保障并引導(dǎo)用戶在優(yōu)選頻率上發(fā)送信息，可以調(diào)度多個站臺，分別在不同的信道上給用戶發(fā)送相同的保障信息，用戶接收到不同信道到達(dá)的信息后進(jìn)行融合處理，通過頻率分集的方式提高下行信息的可靠性。用戶在收到信息后評估各個信道的質(zhì)量，將各個信道按照接收質(zhì)量的高低進(jìn)行排序，并依次在對應(yīng)的信道上發(fā)送信息。接入基站通過將用戶在各個信道上發(fā)送的信息進(jìn)行整合，充分利用頻率分集、時間分集、空間分集的方式最大限度地保障用戶上行信息的可靠性。最后，固定站臺發(fā)送一次確認(rèn)信息即可完成信息的交互。因此，如何合理調(diào)用網(wǎng)絡(luò)中的資源對業(yè)務(wù)進(jìn)行保障是決定整個系統(tǒng)性能的關(guān)鍵。本文算法將接入網(wǎng)資源分配問題分解為信道與站臺的匹配[9]和站臺分配2 個子問題。當(dāng)需要對用戶進(jìn)行保障時，首先將可用信道與接入站臺之間按照最大期望成功率進(jìn)行匹配，匹配完成后將分配到信道的站臺組合為不同的待選方案，并分別采用模糊層次分析（FAHP,fuzzy analytic hierarchy process）法和熵權(quán)法（EWM,entropy weight method）計算出各個方案組合的主客觀置信度，然后通過證據(jù)推理對主客觀得到的結(jié)論進(jìn)行融合得到綜合置信度，最終選擇綜合評估最優(yōu)的方案進(jìn)行通信。
本文的短波通信接入網(wǎng)結(jié)構(gòu)中所有預(yù)先建立的節(jié)點(diǎn)均通過網(wǎng)絡(luò)進(jìn)行連接，整個網(wǎng)絡(luò)由若干固定短波接入站臺和若干機(jī)動用戶組成。其中，短波固定站臺通過有線網(wǎng)絡(luò)進(jìn)行互聯(lián)，內(nèi)部采用網(wǎng)絡(luò)模塊化方式進(jìn)行連接。通過有線網(wǎng)絡(luò)實(shí)現(xiàn)網(wǎng)內(nèi)站臺之間的高效信息互通和資源共享。
1.1 接入站臺信道分配
在進(jìn)行方案組合前，首先需要為各個接入站臺分配可用信道，建立最大期望成功率匹配模型，通過整合網(wǎng)絡(luò)可用資源，將接入網(wǎng)中的可用站臺構(gòu)建為待匹配站臺集Z= {z1,z2,…,zn}，并將可用信道構(gòu)建為待選信道集F= {f1,f2,…,fn}。信道匹配步驟如下。
步驟1信道預(yù)匹配。各個待匹配站臺集中的站臺根據(jù)歷史實(shí)測信息從待選信道集中預(yù)選出期望成功率最高的信道，若沒有實(shí)測信息，可以采用文獻(xiàn)[10]的方法，根據(jù)頻率預(yù)測軟件[11]預(yù)測對應(yīng)頻率的信噪比（SNR,signal-to-noise ratio），并繪制信道模型誤碼率曲線，通過誤碼率分別計算對應(yīng)信道上行和下行的期望成功率，從而得到該信道整體的期望成功率。
步驟2沖突化解。若出現(xiàn)多個站臺預(yù)選同一個信道的情況，則將預(yù)選信道相同的站臺進(jìn)行比較，并將信道分配給其中期望成功率最高的站臺，若期望成功率相同，則分配給其中時延最小的站臺。將分配到信道的站臺從待匹配站臺集中去除，對應(yīng)的信道從待選信道集中去除，剩余站臺清除預(yù)選信道結(jié)果準(zhǔn)備進(jìn)行下一輪匹配。若所有站臺選擇的信道無沖突，則直接將站臺與對應(yīng)的預(yù)選信道進(jìn)行匹配。
步驟3完成分配。重復(fù)步驟1 和步驟2，直到所有接入站臺完成信道匹配或待選信道集為空。然后將完成信道分配的接入站臺構(gòu)建為待選站臺集，作為后續(xù)方案組合的來源。
1.2 決策參數(shù)計算
為了合理調(diào)度多個站臺對用戶進(jìn)行協(xié)同保障，需要對不同站臺的協(xié)同效果做出評估。因此，將待選站臺集中的站臺組合為不同的待決策方案，并根據(jù)決策參數(shù)進(jìn)行比較判決。本文采用的決策參數(shù)為方案最大站臺包含數(shù)、方案期望成功率、方案代價、期望偏差、用戶滿意度以及方案時延，決策參數(shù)計算方式如下所述。
1) 方案最大站臺包含數(shù)
在進(jìn)行方案組合前，首先需要確定最多調(diào)用多少站臺對用戶進(jìn)行保障，即方案組合中最多能包含的站臺數(shù)。假設(shè)每條信道完全獨(dú)立，當(dāng)采用多個站臺分別從不同信道上對用戶進(jìn)行協(xié)同保障時，用戶只要能正確接收其中任意一條信道的信息則接收成功。因此方案中多個站臺協(xié)同保障的成功率可由方案中所包含的每個站臺單獨(dú)的成功率組合計算得到。假設(shè)當(dāng)前所有待選站臺對應(yīng)信道的平均期望成功率為Pv，當(dāng)前業(yè)務(wù)需求的成功率為Pn，滿足需求所需要的站臺數(shù)為N，可得
在調(diào)用多個站臺對用戶進(jìn)行保障時，每多調(diào)用一個站臺，最終的成功率都會提高，但同時也占用了更多資源。為了衡量收益，以每多調(diào)用一個站臺提高的成功率與多占用的資源之間的比值作為收益比，令當(dāng)前調(diào)用的站臺數(shù)為l，則調(diào)用第l個站臺的收益比rl的計算式為
由式(2)可得，當(dāng)l=5 時，在任意信道條件下，調(diào)用第5 個站臺的收益比小于0.09。因此，建議每個方案中所包含的站臺數(shù)不超過5 個，本文采用5 個站臺作為方案組合的上限值。在實(shí)際的應(yīng)用場景中，可以根據(jù)需要進(jìn)行調(diào)整。
合理的方案組合需要綜合考慮網(wǎng)絡(luò)負(fù)載和可用信道情況。因此，方案包含的最大站臺數(shù)Lmax計算方法如下。令當(dāng)前滿足業(yè)務(wù)需求所需的站臺數(shù)為N，待選站臺集中站臺數(shù)為Na，其中，空閑的站臺資源為Nk，網(wǎng)絡(luò)平均負(fù)載率為α，則方案包含最大站臺數(shù)Lmax的計算式為
其中，Nk=Na(1 -α)。
計算出Lmax后，將1.1 節(jié)所選出的待選站臺組合為包含1～Lmax個站臺的待決策方案。例如，當(dāng)前待選站臺集中包含2 個站臺A 和B，且方案最大包含站臺數(shù)為 2，則所有的方案組合為{{ A},{ B},{ A,B} }3 種。
2) 方案期望成功率
方案成功率是對方案中站臺的組合效果進(jìn)行整體性的評估。由于在通信過程采用3 次交互，并且用戶需要在所有接收到信息的信道上依次進(jìn)行回復(fù)，因此為了更加準(zhǔn)確地評估方案的成功率，需要結(jié)合上行成功率和下行成功率分別進(jìn)行計算。設(shè)用戶在方案中站臺所使用的信道上依次回復(fù)時各個站臺接收到的上行信息的成功率為Puij，站臺發(fā)送給用戶的下行信息的成功率為Pdi，當(dāng)前方案包含的站臺數(shù)為Nd，則方案的期望成功率Pz為
其中，i,j=1,…,Nd。
3) 方案代價
方案代價反映的是方案執(zhí)行時調(diào)用網(wǎng)絡(luò)中資源的情況，這里假設(shè)調(diào)用單個站臺的代價為1，則方案總代價K=Nd。
4) 期望偏差
期望偏差反映了當(dāng)前方案與預(yù)期調(diào)用站臺數(shù)的偏差程度。令當(dāng)前業(yè)務(wù)期望調(diào)用的站臺數(shù)為Nq，當(dāng)前方案包含的站臺數(shù)為Nd，綜合考慮業(yè)務(wù)需求及網(wǎng)絡(luò)負(fù)載，Nq的計算式為
其中，Lq=(1 -a)Lmax表示在當(dāng)前負(fù)載和方案組合條件下的站臺資源余量；α表示當(dāng)前網(wǎng)絡(luò)平均負(fù)載率，當(dāng)負(fù)載率較低時，應(yīng)當(dāng)傾向于滿足業(yè)務(wù)的需求，當(dāng)業(yè)務(wù)量較高時，應(yīng)當(dāng)傾向于考慮網(wǎng)絡(luò)的負(fù)載情況。因此期望偏差Q的計算式為
5) 用戶滿意度
用戶滿意度反映了用戶對當(dāng)前方案的滿意程度。令當(dāng)前業(yè)務(wù)需求成功率為Rs，當(dāng)前組合方案成功率為Pz，用戶滿意度Ri的計算式為
6) 方案時延
為了反映多個站臺組合方案的整體時延，本文采用方案中所包含站臺平均時延作為衡量的標(biāo)準(zhǔn)。令方案中各個站臺對應(yīng)的時延為dyi，則方案時延dy 為
通過上述方法，可以對各個方案的決策參數(shù)進(jìn)行計算。若當(dāng)前有n個決策因素和m個待選方案，則決策參數(shù)矩陣為D=[dij]m×n。
1.3 基于FAHP 的主觀判決算法
傳統(tǒng)的層次分析法[12-13]是由專家根據(jù)對應(yīng)的比較標(biāo)度將用于決策的因素進(jìn)行兩兩比較，得到?jīng)Q策因素之間的相對重要性，并構(gòu)建判決矩陣計算權(quán)值向量，從而比較方案之間的優(yōu)劣。但這種方法沒有考慮專家判斷的主觀性與模糊性，導(dǎo)致結(jié)果存在偏差。因此需要引入三角模糊數(shù)（TFN,triangular fuzzy number）代替原方法中的實(shí)數(shù)矩陣，充分考慮專家將因素進(jìn)行兩兩比較時的模糊性。三角模糊數(shù)的重要性比較尺度如表1 所示。
表1 三角模糊數(shù)的重要性比較尺度
由于短波信道不穩(wěn)定、傳輸速率慢，在進(jìn)行資源分配時需要綜合考慮當(dāng)前網(wǎng)絡(luò)情況和信道的質(zhì)量情況，充分恒量各個決策因素的影響。短波通信接入網(wǎng)資源分配是一個典型的多屬性決策[14]問題，在利用模糊層次分析法[15-16]進(jìn)行決策時，每個影響因素的權(quán)重值決定了最終決策的準(zhǔn)確性，因此，權(quán)重的計算至關(guān)重要。
為了充分反映決策者判斷的模糊性，模糊層次分析法將三角模糊數(shù)的概念引入矩陣的構(gòu)建中。具體概念及計算步驟如下。
1) 三角模糊數(shù)定義
那么稱M為一個三角模糊數(shù)，記為M=(l,m,u)，其中，l為下限值，m為中值，u為上限值。
2) 三角模糊數(shù)基本運(yùn)算法則
設(shè) 2 個三角模糊數(shù)為M1= (l1,m1,u1)與M2=(l2,m2,u2)，則這2 個三角模糊數(shù)之間滿足如下運(yùn)算法則
3) 模糊判斷矩陣構(gòu)建
假設(shè)一共有n個影響最終決策的參數(shù){a1,a2,…,an}，由k個決策者對決策屬性進(jìn)行兩兩對比，即可獲得判決矩陣Ap為
綜合多位決策者，可以得到綜合三角模糊矩陣B。令bij為綜合三角模糊數(shù)，其值為
4) 指標(biāo)綜合程度值計算
根據(jù)綜合三角模糊判斷矩陣，計算每個決策因素的綜合程度，計算式為
5) 模糊程度比較及權(quán)向量計算
模糊數(shù)之間的程度值為
對權(quán)向量進(jìn)行歸一化，有
最終得到歸一化權(quán)向量用于后續(xù)計算。
1.4 基于熵權(quán)法的客觀判決算法
除去主觀因素外，還應(yīng)該充分考慮客觀因素的影響。熵權(quán)法是一種根據(jù)各個決策因素所包含的信息量來確定決策因素權(quán)重的方法，即決策指標(biāo)的離散程度越大，該決策指標(biāo)在最終決策時所占的比重就越大。熵權(quán)法可以根據(jù)決策信息對權(quán)重進(jìn)行修正，具有較高的適應(yīng)性。本文利用熵權(quán)法給出客觀判決的權(quán)重，具體計算步驟如下。
1) 構(gòu)建決策因素矩陣
假設(shè)有n個決策影響因素、m個待決策目標(biāo)，則決策因素矩陣為
2) 歸一化處理
歸一化處理用于消除不同因素量綱的影響。
對于正向指標(biāo)，有
對于負(fù)向指標(biāo)，有
3) 熵值計算
4) 權(quán)重計算
最終得到客觀權(quán)重向量W′= [w1,w2,…,wn]。
1.5 權(quán)重融合
為了對每個方案進(jìn)行綜合評價，采用簡單加權(quán)法的方式分別計算各個決策方案的主觀評分和客觀評分，將決策參數(shù)矩陣D進(jìn)行歸一化處理。
對于正向指標(biāo)，有
歸一化后得到矩陣R=(rij)m×n，然后分別計算每個方案的主觀評分和客觀評分。方案的主觀評分和客觀評分分別為
其中，i∈{Z,K}表示分別來自主觀和客觀的結(jié)果。
1.6 證據(jù)推理
為了對每個方案進(jìn)行綜合評估，需要將主觀評價與客觀評價進(jìn)行融合[17]。本文采用證據(jù)理論的方法，將主客觀結(jié)論進(jìn)行決策融合[18]，獲得方案的融合置信度，并通過融合置信度對方案進(jìn)行排序。根據(jù)各個方案組合，定義識別框架Θ= {1,2,…,m}，其中，1～m代表方案組合。將主客觀置信度作為概率賦值{mi(0),mi(1),…,mi(m) }。主客觀置信度計算式分別為
針對2個證據(jù)源，采用Dempster規(guī)則進(jìn)行融合。
綜合以上步驟，可以計算出各方案的主客觀融合置信度M={m(1),m(2),…,m(m)}，最終選擇融合置信度最高的方案。
1.7 資源分配步驟
綜合上文，本文算法評估步驟總結(jié)如下。
步驟1整合網(wǎng)絡(luò)資源，將可用信道與接入站臺之間按照最大期望成功率進(jìn)行匹配，并將匹配到信道的接入站臺構(gòu)建為待選站臺集。
步驟2結(jié)合業(yè)務(wù)需求以及網(wǎng)絡(luò)情況計算出方案最大站臺包含數(shù)，將待選站臺進(jìn)行組合。根據(jù)組合情況，計算各個方案的決策參數(shù)，構(gòu)建決策參數(shù)矩陣。
步驟3分別采用模糊層次分析法和熵權(quán)法計算出決策因素的主觀權(quán)重和客觀權(quán)重。
步驟4將決策參數(shù)矩陣進(jìn)行歸一化，并分別與主客觀權(quán)重進(jìn)行計算，得到各個方案的主客觀評分。
步驟5通過主客觀評分計算出各個方案的主客觀置信度，并采用證據(jù)推理的方式進(jìn)行融合，獲得每個方案的綜合置信度。
步驟6根據(jù)綜合置信度對各個方案進(jìn)行排序，并選擇綜合置信度最高的方案對業(yè)務(wù)進(jìn)行保障。
2 仿真及實(shí)測結(jié)果與分析
2.1 仿真場景搭建
為了驗證本文算法的有效性和適應(yīng)性，采用OPNET 三層建模機(jī)制搭建短波多站臺協(xié)同場景進(jìn)行仿真驗證，場景包含5 個短波接入站臺和3 個用戶。假設(shè)時間為2020 年11 月5 日，仿真時間從上午10 點(diǎn)開始，通過設(shè)置業(yè)務(wù)量定時產(chǎn)生業(yè)務(wù)，并由5 個接入站臺對用戶進(jìn)行保障，仿真采用多進(jìn)制頻移鍵控（MFSK）波形，每個信息大小為8 B，傳輸速率為60 bit/s。短波協(xié)同保障仿真場景示意如圖2 所示。
圖2 短波協(xié)同保障仿真場景示意
仿真設(shè)置5 個可用信道對應(yīng)的中心頻率，分別為7 MHz、8 MHz、9 MHz、10 MHz、11 MHz。通過將站臺和用戶對應(yīng)的位置信息輸入國際電信研討會（ITS）軟件中的子軟件模塊 ICEPAC（ionospheric communication enhanced profile analysis and circuit）中，設(shè)置相應(yīng)的頻率、地理坐標(biāo)等信息，獲取對應(yīng)頻率的質(zhì)量預(yù)測信息，并作為后續(xù)算法的決策信息來源，具體的建模流程和參數(shù)獲取方法可以參考文獻(xiàn)[10]。
2.2 權(quán)向量計算
針對短波廣域協(xié)同場景的需求，選取方案期望成功率、方案代價、期望偏差、用戶滿意度、方案時延作為評估依據(jù)，并通過1.3 節(jié)所描述的方式進(jìn)行計算。其中，方案期望成功率的影響最大，方案代價、期望偏差、用戶需求的影響次之，方案時延的影響最小，通過評估準(zhǔn)則對上述因素進(jìn)行兩兩比較，構(gòu)建判決矩陣，判決矩陣如表2所示。通過式(17)～式(24)計算出權(quán)向量=[0.383,0.260,0.202,0.111,0.044]T，客觀權(quán)重可以根據(jù)決策矩陣進(jìn)行計算。
表2 判決矩陣
2.3 仿真結(jié)果與分析
為了驗證本文算法的有效性，將采用本文算法的多站臺協(xié)同保障方案與最優(yōu)單站臺（選擇待選站臺中期望成功率最高的站臺）方案進(jìn)行比較。假設(shè)每小時產(chǎn)生的業(yè)務(wù)量為500，用戶需求的成功率為0.95。每個業(yè)務(wù)進(jìn)行3 次交互，即固定站臺發(fā)送呼叫信息，用戶回復(fù)應(yīng)答信息，站臺再發(fā)送確認(rèn)信息。每個信息大小為8 B，并且業(yè)務(wù)平均分配到每個用戶上，傳輸速率為60 bit/s，在2 種算法下，分別仿真1 h 并每隔5 min 統(tǒng)計一次業(yè)務(wù)成功率以及平均調(diào)用站臺數(shù)，結(jié)果如圖3 所示。
圖3 業(yè)務(wù)成功率以及平均調(diào)用站臺數(shù)比較
從圖3 中可以看出，多站臺協(xié)同保障方案通過調(diào)用多個站臺分別從不同的信道對業(yè)務(wù)進(jìn)行保障，當(dāng)平均調(diào)用站臺數(shù)為2.15（即20 min）左右時，最終的成功率達(dá)到了96%，比最優(yōu)單站臺方案成功率高出了20.4%，極大地提高了通信的成功率。
為了進(jìn)一步分析算法的適應(yīng)性，假設(shè)所有信道的誤碼率相同，調(diào)節(jié)誤碼率和每小時建鏈次數(shù)，觀察本文算法在不同業(yè)務(wù)量和不同信道質(zhì)量情況下的成功率以及平均調(diào)用站臺數(shù)，結(jié)果分別如圖4 和圖5 所示。
圖4 不同業(yè)務(wù)量和不同信道質(zhì)量情況下的成功率
圖5 不同業(yè)務(wù)量和不同信道質(zhì)量情況下的平均調(diào)用站臺數(shù)
由圖4 可知，在誤碼率不變的情況下，隨著建鏈次數(shù)的增加，成功率逐漸降低，這是因為建鏈次數(shù)逐漸增加，為了防止網(wǎng)絡(luò)負(fù)載過高，算法對單個業(yè)務(wù)所選擇的信道數(shù)減少。在同等建鏈次數(shù)下，隨著誤碼率的降低，最終的成功率整體呈上升趨勢，局部出現(xiàn)下降的原因是隨著誤碼率的降低，算法調(diào)用的站臺數(shù)逐漸減少，從而導(dǎo)致局部成功率低的情況。
由圖5 可知，在每小時建鏈次數(shù)不變的情況下，隨著誤碼率的降低，對于支持單個業(yè)務(wù)所調(diào)用的站臺數(shù)逐漸減少。而在誤碼率不變的情況下，隨著建鏈次數(shù)的增加，為了防止網(wǎng)絡(luò)崩潰，調(diào)用的站臺數(shù)也逐漸減少。因此，算法能夠很好地根據(jù)信道質(zhì)量和網(wǎng)絡(luò)負(fù)載情況做出動態(tài)的調(diào)整，在保障成功率的情況下合理調(diào)用資源。
2.4 實(shí)測結(jié)果與分析
為了驗證本文算法在實(shí)際場景中的有效性，本文采用實(shí)驗室已有短波接入站臺進(jìn)行測試，采用萬州、酉陽、綦江3 個固定短波接入站臺對重慶郵電大學(xué)內(nèi)短波電臺進(jìn)行保障，各個站臺的地理位置分布如圖6所示。
圖6 實(shí)測場景
測試時間從2022年1月11日0:00到2022年1 月11 日23:59，進(jìn)行連續(xù)24 h 的測試，每小時各個站臺單獨(dú)發(fā)起30 次業(yè)務(wù)交互，再采用本文算法進(jìn)行30次業(yè)務(wù)交互，通信采用MFSK 的傳輸方式，實(shí)際測試采用歷史測試結(jié)果作為依據(jù)，并按照2.1 節(jié)的方法為每個站臺分配信道，站臺各個時段使用信道所對應(yīng)的中心頻率如圖7 所示。采用對應(yīng)信道的歷史質(zhì)量信息作為算法決策參數(shù)的來源。
圖7 站臺各個時段使用信道所對應(yīng)的中心頻率
接收端分別統(tǒng)計各個站臺單獨(dú)的成功率和采用本文算法所對應(yīng)的成功率。成功率以及每個時段根據(jù)本文算法所調(diào)用的站臺結(jié)果如圖8 所示。
圖8 成功率以及每個時段根據(jù)本文算法所調(diào)用的站臺結(jié)果
從圖8 中可以看出，相比于酉陽和萬州，綦江-重慶郵電大學(xué)電臺之間的通信質(zhì)量最好，因此，根據(jù)本文算法選擇綦江站臺的次數(shù)最多。同時，采用本文算法可以在信道質(zhì)量較差時調(diào)用多個站臺進(jìn)行協(xié)同，以6 時和7 時為例，在這2 個時間段所有站臺通信效果都較差，此時算法通過調(diào)用3 個站臺進(jìn)行協(xié)同保障，將成功率提升到了96.7%。而在0 時、3 時、8 時、12 時、14 時和15 時，綦江-重慶郵電大學(xué)電臺之間的通信質(zhì)量較好，通過算法選擇通信效果最優(yōu)的綦江對業(yè)務(wù)進(jìn)行保障。
由以上結(jié)果可以得出，本文算法能夠通過多站臺協(xié)同保障的方式將業(yè)務(wù)成功率提升到一個較高水平。在多站臺協(xié)作的實(shí)景測試中，以短波電臺增加一定的硬件所帶來的計算開銷為代價，在對短波通信有效性影響較低的情況下能夠獲得更高的通信成功率。同時，算法能夠根據(jù)實(shí)際情況做出動態(tài)的調(diào)整，當(dāng)業(yè)務(wù)量較高時，能夠減少資源調(diào)用，減輕網(wǎng)絡(luò)壓力；當(dāng)整體信道質(zhì)量較差時，能夠調(diào)用更多資源，提高成功率，具有很好的適應(yīng)性。
3 結(jié)束語
本文針對短波點(diǎn)對點(diǎn)通信可靠性保障低、資源分配難的問題提出了一種短波通信接入網(wǎng)資源分配算法。該算法能夠有效整合網(wǎng)絡(luò)中的可用資源，并根據(jù)網(wǎng)絡(luò)情況和業(yè)務(wù)需求合理地進(jìn)行資源分配，在整體可用信道較差的情況下為業(yè)務(wù)提供相對可靠的保障。仿真與實(shí)測數(shù)據(jù)表明，本文算法能有效提高業(yè)務(wù)的成功率，很好地適應(yīng)當(dāng)前的實(shí)際情況并做出動態(tài)的調(diào)整。
