数据通信网络的主要特征范文

导语：如何才能写好一篇数据通信网络的主要特征，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

现在一般网络稳定性评估研究具有很强的针对性，主要针对小型数据通信网络。这种小型数据通信网络从网络架构上进行评估，架构非常简单，因为网络中有很少的节点数量，在这种情况下对其进行与之相关的建模行为非常容易，并且对稳定性的评估相对简单。随着科技不断的发展，计算机不断高科化，网络规模也越来越大，其中也提升了结构的复杂性。利用传统式的稳定性评估指标对全面数据通信网络的稳定性情况来进行评估，在传统的基础上稳定性评估会大大降低它的可靠性和可信度，这其中最主要的一个原因就是现在计算机发展的精确度在很大程度上根本适应不了一些复杂性数据通信网络的稳定性评估，一大部分初步性的数据很难根据有效测量来进行完善获取，比如，信息指标和网络节点数据等，很大一部分的数据还需要有一个系统的理论推算演变过程。数据通信网络稳定性评估对数据的依赖性和一些简便的网络结构相比较之下，只需节点设备中2个过程中的参数指标即可。对于相对比较复杂的网络而言就需要使数据在每个状态之间进行相应的转移行为，这种转移数据需要根据参数估计方法，通过对原始资料进行统计分析来进行取得。

2数据通信网络稳定性评估办法

状态枚举法状态枚举法也叫状态穷举法，这种叫法主要是由这种方法中的性质来决定的。这种方法的主要特征从状态集合中逐一列举各种发生状态，列举这种发生状态主要是从利用概率，从最大的状态开始，于此同时，根据他们之间一些与之相关的条件来进行合理的计算，从而确切的合理分析。状态枚举法的基础展开式为：（p1＋q1）（p2＋q2）（p3＋q3）…（pN＋qN）；P（）i=fi（x+1，Y-1）+fi（x+1,y+1）-fi（x-1，y-1）-fi（x-1，y+1）；q（）i=fi（x-1，y+1）+fi（x+1，y+1）-fi（x-1，y-1）-fi（x+1，y-1）；展开式中：P1，q1分别指的是第i个节点设备处在工作状态时和失效时的概率；N代表网络系统中的节点量；T（s）指的是系统状态概率；Nf，N－Nf分别是状态失效和正常的节点量。由上面的式子不难看出，任何相互之间的枚举状态相互排斥，由此可知道累计失效概率在实际工作中的表现形式是各失效状态概率之间的和。对于此中的枚举终止，枚举法则是把枚举终止于通过失效阶数而确定的层次。

3结束语

篇2

关键词：无线传感器；网络路由；蚁群分簇；能量；负载均衡

中图分类号：TP212

网络的生命周期可以被定义为从网络开始，随着时间的流逝，用光第一能源节点和死亡的这段时间[1]。蚁群的聚类算法是一种智能优化方法的成熟和高效，应用于无线传感器网络。现有的无线传感器网络的聚类蚁群算法，一般是使用啤酒花或欧氏距离来计算下一跳节点，按照现有的算法，如果一个节点剩余能量少在高浓度的信息素链接，那么节点过早死亡，形成能洞在这里，当能量洞出现在水槽节点、能源孔传感器数据将无法传送到水槽节点，使节点不可用。

1 相关工作

在本文中，作者改进了蚁群的聚类算法，提出了EEABR（节能路由算法）算法的中心思想的算法是改进信息素，信息素更新过程中，信息素更新不单依赖于节点的数量在路径（hop）来衡量，也参考路径的能量。但是仍然有考虑不足的地方在这篇文章中，一个节点剩余能量更少可能仍然是在一个更高的平均剩余能量路径，因此节点会过早死亡，减少了网络的生命周期。针对上述方法的局限性，提出了一种基于蚁群算法的模型（蚁群优化聚类蚁群优化算法——BEACO基于能源和蚁群Opitimization）。

2 基于剩余能量的负载均衡的蚁群分簇算法

2.1 下一跳节点选择

首先，sink节点到所有节点发送广播消息，消息记录在跳数，当节点接收一条消息，它会计算你的到来，我们使用sink节点之间的跳数来衡量每个节点和sink节点距离。当源节点要发送数据时，它会选择下一跳节点按照一定的概率，概率和节点sink、剩余能量的节点概率是一个组合的规划问题的最小费用流，计算公式如下：

2.2 关于能量的评估

在本文中，我们引入一个新集群模型。每个节点可以有一个准确的计算，包括发送能量和剩余能量。我们首先指定的节点在网络中有三个操作模式——空闲的，传输（发送）、接收器（接收）。当一个节点发送或接收数据包，它会消耗一部分能量，在这种情况下，消息大小直接关系到能源消费多少。消费的各种状态之间的转换的能量是固定的。我们使用马尔可夫链预测的能量，每一种操作模式代表了一个链接模式。我们使用如下概率矩阵：

其中，Pkj代表当前状态为k，下一个状态为j的概率。为了算出Pkj，我们根据节点处于k状态的次数，来估计节点从k状态转换到j状态的次数。预计在接下来T个时间段中的能量消耗为：

假设最初，一个节点j能量，一个，根据Ej上述公式，它可以很容易判断出他们的状态转换所带来的能源消耗，能源消费的EP必将大于自己的残余能量，否则，节点不能有足够的精力去完成转移，将节点死亡。

3 仿真结果

本文的模拟仿真环境为NS-2。各仿真参数为：每个传感器节点的初始能量Ej，a（j=1，2，3……）为50J；传感器节点的最大传输距离为50m-60m；每个传感器节点每秒钟产生和发送数据大小为100bits；其中能量消耗参数为5×10-8J/bit节点分布区域为500m×500m。其中sink节点位于网络的最右侧。详细参数参见表1：

为了验证改进的效果在蚁群的聚类算法，分析的基础上，从多个角度的协议，并与其他协议。通过分析实验结果可以得到，BEACO算法的性能更优越，它把一个小通信和计算成本有更长的生命周期和网络吞吐量。

如图1所示，经过反复实验，在300年的节点尺寸线传感器网络，蚁群的最大长度集群路由或之前很多蚂蚁聚类算法改进的路由平均约6跳，改变路由算法和长度的再保险蚂蚁将是动态的，一个逐渐增加的趋势，可以达到最大长度为11跳，因为它是合理的，以避免一些节点在死亡的边缘。尽管路由长度增加数据传输在网络延迟，但无线数据通信网络是不可靠的，可以被容忍的，可以充分利用网络能源，增加数量的数据包在网络，提高网络吞吐量。

图2给出了一个路由改变样本长度数据传输。源节点到目的节点，中间。过程中的选择初始路由，路由（5）被选中，它显然是第一个最低成本路由，但随着时间的推移，一些节点的路径能量耗尽，所以，它迅速综合能源和距离水槽节点动态调整路由，这是第二个路径，二世（9）。随着时间的不断进步，能源消耗将此节点快速路径，路由将动态调节，一个路径（11）。

实验结果表明，当λ和埃塔值很小，例如0.1，可能导致数据包徘徊在一些节点和不能结转到目的节点，导致大量的丢包率，经过反复试验，我们得出，当λ=0.7和η=0.5，封包遗失率几乎是最低，网络延迟是基本和最小，所以我们将lambda和埃塔值分别为0.7倍和0.5倍。在这个时候，无线传感器网络模型，我们建立了最优综合蚁群模型。

4 小结

基于蚁群优化方法聚类，提出了一种新颖的蚁群集群路由算法基于剩余能量：BEACO，主要特征的算法是在选择下一跳节点和更新信息素的过程，参照残余能量。该算法有很多优势，它改善了网络的性能从几个方面。首先，延长网络生命周期，有效解决能源孔问题在个体节点在一个传感器网络；其次，平衡网络负载，而不是一些节点超载现象；第三，通过参考能源，避免了节点数据包发送到残余能量小，从而减少了丢包率；最后，它提高了网络吞吐量。

参考文献：

[1]何文德，杨凤年，刘光灿.无线传感器网络在文物保护中的应用[J].安防科技，2007，07.