稀疏网络编码中秩分布的解析模型

稀疏网络编码中秩分布的解析模型

H. Sehat and P. Pahlevani, “An Analytical Model for Rank Distribution in Sparse Network Coding,” in IEEE Communications Letters, vol. 23, no. 4, pp. 556-559, April 2019, doi: 10.1109/LCOMM.2019.2896626.

摘要

随机线性网络编码(RLNC)是一种很有前途的提高网络系统鲁棒性和可靠性的编码方案。然而，其主要缺点之一是计算复杂度高。为了降低这种计算复杂度，提出了稀疏网络编码(SNC)，但牺牲了更大的通信开销。然而，由于缺乏对稀疏矩阵行为的准确表达，SNC的性能评价仍然是一个主要的研究课题。本文提出了两个用于分析稀疏矩阵秩的概率分布的近似模型。我们使用我们的模型来推导SNC方案中所需的平均传输数。我们的结果表明，所提出的模型预测稀疏矩阵的秩和平均传输数的最大偏差分别为4%和6%。

由于RLNC的计算复杂度高，对于n个源数据包可以达到O(n3)，因此在无线传感器网络(WSN)等电池驱动网络中使用该方案是不切实际的。为了解决这一问题，我们提出了稀疏网络编码(SNC)，以更大的通信开销[2]为代价来降低RLNC的计算复杂度。

系统模型

我们考虑一个单跳通信系统，其中编码器发送n个源数据包，即一代。采用无错误信道。编码器使用系数向量v对一代进行编码，其中系数从GF(q)中选择。系数v由方程1的非均匀概率产生。p为密度$w/n$，1 - p表示系数向量的稀疏性。（q-1是指有限域数据的个数除0外）

译码器将接收到的编码数据包的系数存储在一个矩阵M中，称为解码矩阵，当且仅当这个矩阵恰好有n行线性无关行时，对整个代进行解码。信宿收到的编码包的数量,也就是在解码矩阵的行数用m表示。解码矩阵的秩,即信宿端收到的线性无关的数据包的数量用r表示。解码矩阵是一个p-稀疏矩阵,这意味着这个矩阵的元素是根据方程1分布的。

w参数生成稀疏编码分组，其中每个编码分组恰好包含来自GF(Q)的w个非零编码系数。通过选择，我们的模型是该SNC方案的近似模型。

概率分析

我们用表示一个秩为r的p-稀疏的m × n矩阵Mm,n的概率，用满秩表示该矩阵满秩的概率。我们假设m≤n。由于对于任何给定的矩阵的秩等于其转置矩阵的秩，对于m > n的矩阵，我们计算其转置矩阵的秩，即，为了找到稀疏矩阵秩的概率，我们提出了如下两个近似模型。

A.利用线性相关性分析p-稀疏矩阵秩的概率分布

在这个模型中，我们使用熟知的线性相关性，其定义如下：

定义1: 线性相关：设Mm, n是GF(q)上的一个矩阵。 M1,M2，…，Mm是矩阵Mm,n的m行。向量v = (v1,v2，…，vm)，假如vi不全为零，若向量组M1，M2…Mm是线性相关的，则Mm,n当且仅当:

如果我们用表示Mm,n的线性相关数，下面的定理表明了矩阵的秩与其线性相关数的关系。

定理1:对于矩阵Mm,n，其中m≤n：

利用定理1，我们得到了矩阵线性相关数的概率分布，从而得到了矩阵秩的概率分布，定理1表明:

有k个非零坐标的向量v = (v1，…，vm)对Mm,n是线性相关的，概率为（线性相关数为k的概率）：

有k个非零坐标的向量v = (v1，…，vm)的数目等于：

我们利用泊松二项分布来求Mm,n的线性相关数的概率分布。该概率分布使用以下递归函数计算:

式中T(i)由下式计算:

利用方程4到7，我们得到了Mm,n的线性相关数的概率分布。然后，利用方程3，我们得到了秩Mm,n的概率分布。很明显，Mm,n满秩（秩=行数，且线性相关数为0）的概率等于:

在这个过程中，可能会发现一些非整数秩的概率，尽管矩阵的秩不能是非整数值。为了解决这个问题，我们将任何非整数秩r的概率映射到它最近的整数，即

和,使用以下规则：

该模型是以的计算复杂度逼近稀疏矩阵秩的概率分布。

B. 用递归模型分析p-稀疏矩阵秩的概率分布

公式8计算了稀疏矩阵满秩的概率，计算复杂度为O(m)，我们用它来给出一个关于模型A的计算复杂度较低的模型。我们用下面的递归方程去得出矩阵

秩的概率分布，其中，我们使用公式8中的

(其中算法是，去掉一行秩的概率*转移概率（这里的转移概率指的是上一个状态发生的情况下当前状态也发生的概率）)

为了证明等式10，考虑一个秩为r的p-稀疏矩阵[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-617lgAeS-1625752777132)(C:/Users/Administrator/AppData/Roaming/Typora/typora-user-images/image-20210706213355362.png)]

，会发生以下情况之一：

（1）秩为r。的线性独立的行是线性相关的。这种情况的概率是：

（2）秩为r−1。在这种情况下，被移除的行是对于原矩阵是线性独立的。这种情况的概率为：

该模型的计算复杂度为

平均传输次数

为了求出平均传输次数(ANT)，我们求出解码器在恰好m次传输后能够解码整个一代的概率。此概率等于当在m次传输后解码矩阵为满秩的概率。假设在m−1次传输后解码矩阵依然不是满秩，其中m≥n。当r=m时，这个概率等于等式12。因此，我们提出下面的定理来逼近ANT。

定理2：完全解码n个源分组(其中使用公式1生成编码分组)的平均传输次数等于：

结论

在本节中，我们通过使用Kodo [10]库来证明所提出的模型的有效性。我们对m、n、p和q的不同值进行了50000个独立实验，以确保仿真结果的统计密度。本文基于稀疏矩阵秩的概率分布，提出了一种新的SNC方案系统所需平均传输数的模型。该模型准确地预测了使用SNC方案的网络解码矩阵秩的演化，取得了良好的效果。在将来，我们将扩展我们的模型来寻找组播网络中SNC方案的译码矩阵秩的概率分布。我们还将利用稀疏矩阵秩的概率分布来处理SNC的其他一些性能度量，如部分译码的概率，这是网络编码文献中的一个基本问题。