xtypora-copy-images-to: upload
稀疏网络编码译码概率的马尔可夫链模型
P. Garrido, D. E. Lucani and R. Agüero, “Markov Chain Model for the Decoding Probability of Sparse Network Coding,” in IEEE Transactions on Communications, vol. 65, no. 4, pp. 1675-1685, April 2017, doi: 10.1109/TCOMM.2017.2657621.
摘要
随机线性网络编码已被证明提供了一种有效的通信方案,然而,它的计算复杂度很高,最近有人提出了一些新的方法,稀疏网络编码(SNC),其中每次传输只组合很少的分组。可以根据适配的密度参数/分布来设置要组合的数据分组的量。在本文中,我们提出了一个半解析模型,能够准确地反映SNC的性能。我们利用吸收马尔可夫过程,其中状态由信宿端接收到的有用分组的数目定义的,即解码矩阵秩和在该矩阵处的非零列的数目(编码包所覆盖的源包c)来定义。通过一次全面的仿真对模型进行了验证,模型与仿真之间的差异可以忽略不计。我们还比较了最近使用的一些更一般的界限,表明它们的精度相当差。建议的模型将能够更精确地评估SNC技术的行为。
设吸收马尔科夫状态为(r,t),r代表解码矩阵秩,t代表解码矩阵的非零列,显然r<t
比如:
KaTeX parse error: Undefined control sequence: \matrix at position 9: \left[ \̲m̲a̲t̲r̲i̲x̲{ 1 & 1 & 0 \\…
此时,状态为(1,2)
可调稀疏网络编码
传统RLNC方案通过组合同一代的原始分组pi(其中i=1,…,k)来生成编码分组。对应的系数Ci选自伽罗瓦域GF( 2 q 2^q 2q),并且还在GF( 2 q 2^q 2