如何去调整在无线链路上的稀疏网络编码

How to tune sparse network coding over wireless links

P. Garrido, D. E. Lucani and R. Aguero, “How to Tune Sparse Network Coding over Wireless Links,” 2017 IEEE Wireless Communications and Networking Conference (WCNC), 2017, pp. 1-6, doi: 10.1109/WCNC.2017.7925561.

摘要

在本文中，我们介绍了一种TSNC实现，该方法利用新的分析模型，在当前的接收端产生一个再生分组（线性无关分组）的概率。利用模型的准确性，该方案在计算复杂性和网络性能之间提供了更好的权衡。此外，我们通过使用NS-3库，在无线网络评估其行为来扩大TSNC技术的分析。结果复杂性明显减低（≈3.33×较低的复杂度），而不会危及网络性能。在本章，我们是利用基于吸收马尔科夫链的TSNC分析模型，来寻找一个介于编解码复杂度和网络性能之间的较好的平衡。将结果与先前的TSNC实施进行了比较，并在计算成本和网络性能之间显示出更好的权衡。

提出的调整方案

本文所用到的符号定义：

这一章主要描述RLNC和TSNC的相关操作

RLNC

源节点将信息数据包分割为由k个数据块构成的很多代数据。编码器对属于同一代的分组的进行随机线性组合，

当接收端接收到k个再生包时，解码端就能够对整个代进行解码并生成k个源包。

收到再生包的概率，：

r是当前解码矩阵的秩，注意，只要信宿端收到更多的线性无关分组，就会增加。定理1给出了使用RLNC时需要发送的编码分组的平均数量。

定理1：当使用RLNC时，平均传输次数可按如下方式计算：

其中，是仅取决于使用的有限域大小的常量值。比如在二元域（q=2)时，接近于1.6，以前的工作表明了由一个常数来限定。

TSNC

TSNC最初在 S. Feizi, D. E. Lucani, and M. Médard, “Tunable sparse network coding,”in Proc. of the Int. Zurich Seminar on Comm, 2012, pp. 107–110.中提出，后来进行了一步步拓展。当仅使用一个静态的稀疏网络编码机制时（即稀疏度不变，一直为w），从即相同的一代数据包当中选取w个数据包进行结合编码形成一个编码包。

为了更好理解TSNC性能，提出了一个基于马尔科夫链的分析性模型，每一个状态定义为（r，c），r为解码矩阵当前秩，c为解码矩阵的非零列，显然r<=c，状态（r,c）到（r+i,c+j）之前的转移概率为：

其中，是接收到编码包稀疏与之前接收到的r个线性无关包线性相关的概率，这个概率由建模，其中可以通过以下表达式估算：

其中，斜率m取决于有限域大小q，是当w=3时斜率改变的点，其中对于不同的q下相应的m和的值在表2中给出：

考虑到这些，我们可以估计当状态为（r，c）时接收再生分组的概率（秩增加的概率）：

改善的TSNC调整方案

利用以前模型所示的准确性，我们提出了一种新颖的调整方案，以改善TSNC中复杂性和网络性能之间的权衡。我们选择相应的编码稀疏性，以保证接收的再生数据包的概率略小于传统RLNC方案中的概率，这是由配置参数来确定的差异，目的是让w尽可能小以降低编解码复杂度，同时产生与RLNC所获得的相当的性能：

在TSNC中，源节点开始发送编码包分组时，使得稀疏度w=1（也就是一开始先单个分组），之后对于要发送的编码包分组需要查看是否满足公式7，如果不满足则需等到条件成立，根据需求增加稀疏度w。算法1为调整密度直到条件满足的算法：

需要传输传输最大数据包个数的上限：

在二元域中（Q=2），a接近于1.6，其中可根据表格查看：

值的注意的是，不管稀疏程度如何，在接收方相对于已经接收到的再生包的数量，秩增加的概率是接近于1的，直到接收到一代分组的70%时 。

结论

在本文中，使用稀疏网络编码技术可以大大降低所需的复杂性，这将导致能耗较少，减少处理时间和所需的计算资源。另一方面，提出了通过动态的增加传输期间的编码密度的机制以实现网络性能和计算开销的平衡。

未来可以做的工作：1.将研究反馈机制的影响，用于通知编码端关于解码端的状态。2.在多播方案中使用TSNC ，对于这种情况，每个信宿可能对信源具有不同的信道，该模型仍可用于评估在每个接收端处接收再生分组的概率，并使用最合适的稀疏度w。