面向異構IoT業務的LoRa網絡自適應參數配置策略①

蔡青松,林 佳,夏晨益,吳 杰

(北京工商大學 計算機與信息工程學院,北京 100048)

近來,物聯網 (Internet of Things,IoT)的迅速發展對通信技術提出了更高要求.新一代IoT 應用的設想是以低成本、低速率的特征連接人、機器和物體,而實現這一目標的關鍵是無線通信技術.新興無線通信技術還需為分布在廣袤區域的大量異構IoT 設備提供連接,例如分散部署在農場和倉庫等地的設備就需要通過此技術來傳輸數據[1],這些設備之間的通信距離可能超過10 公里.由此,低功耗廣域網(Low Power Wide Area Network,LPWAN)技術的出現彌補了傳統的無線通信技術(如藍牙、ZigBee 和移動蜂窩網絡)存在的通信距離短、成本高和嚴格地域限制等不足,實現了廣泛的IoT 應用及IoT 設備間的通信互連[2].

LPWAN 根據工作頻段可分為兩類:一類是工作于未授權Sub-GHz ISM 頻段的LoRa[3]、SigFox[4]等;另一類是工作于授權頻段下的NB-IoT[5]等.在眾多的LPWAN 技術中,LoRa 因其開放性和靈活的網絡部署能滿足大規模和廣覆蓋的應用需求[6],是目前應用最廣泛的.LoRa 具有的優勢體現在以下幾個方面:首先,LoRa 運行在未授權頻段中,從而為用戶節省了昂貴的頻段使用費;其次,LoRa 采用星型的組網形式,終端與網關直接相連,易于維護與使用;最后,采用線性擴頻調制技術的LoRa 物理層通過傳輸參數的不同選擇可靈活調整數據傳輸速率.與以往的方法相比,在提升了傳輸距離的同時降低了功耗,實現了遠距離、長電池壽命、大規模覆蓋的數據傳輸[7].因此,LoRa 是一種非常有前景的通信技術,其潛力可滿足眾多不同的IoT 應用.

目前國內外的研究主要關注LoRa 物理層調制和MAC 協議且主要針對單一IoT 應用[8].雖然技術本身已非常成熟,但如何在單個LoRa 網絡內支持異構多類型業務的傳輸需求研究仍涉及較少,因此優化LoRa 網絡的整體性能使之能夠適應日益增長的異構多類型業務的傳輸需求則顯得尤為重要.首先,由于LoRa 物理層參數(例如帶寬(BW),擴頻因子(SF),編碼率(CR)和傳輸功率(TP))組合眾多.這些參數設置值直接影響網絡的吞吐量、可靠性和通信范圍[9].而靜態配置物理層參數使得數據分組交付率(Packet Delivery Rate,PDR)較低[10],因此按照IoT 應用需求確定LoRa 物理層參數至關重要.其次,針對不同業務的數據分組大小、消息生成率和服務質量需求的差異(如數據負載大小從十幾Bytes 到幾百Bytes,消息生成率從每天一個數據分組到每分鐘幾個數據分組[11]),提升支持多業務需求的網絡最大容量問題有待解決.最后,由于LoRa規范中的占空比限制,終端設備每小時只有36 s 處于工作狀態,隨著IoT 應用需求的增加,現有的吞吐量已經不能滿足實際需求,針對異構多類型業務需求提高網絡的吞吐量是目前LoRa 研究的熱點之一[12].

基于上述分析,總結起來,本文的主要工作如下:

1) 通過實驗分析了靜態和動態部署對不同IoT 應用的性能影響,提出了一種基于模擬退火遺傳算法(Simulated Annealing Genetic Algorithm,SAGA)的動態參數自適應配置策略,可在限制能耗的同時最大化LoRa 網絡的容量和吞吐量.

2) 在LoRaSim 模擬器中實現了異構IoT 應用的數據傳輸需求.仿真結果表明,通信中使用動態方法對參數進行選擇,本文所提的方法與傳統ADR (Adaptive Data Rate)相比平均吞吐量提高了近25.6%.當數據分組錯誤率(Packet Error Rate,PER)控制在10%以內時,SAGA 與ADR 相比網絡容量提升了1000 臺左右.

3) 對超過1000 臺設備的單網關LoRa 網絡的運行結果顯示,當每個設備分組生成率小于1/100 s 時,分組交付率(Packet Delivery Rate,PDR)可保證在90%以上.

1 基本原理

1.1 LoRa 幀結構

LoRa 通過使用基于啁啾擴頻(CSS)的物理層調制技術實現長距離通信,終端設備與網絡服務器的通信是通過網關完成的[13].終端設備使用顯示模式發出上行信息,每個上行信息的數據分組包含以下內容:前導碼(Pre)、物理幀幀頭(PHY Header)、幀頭校驗碼(CRC)、負載以及CRC 校驗.圖1所示為LoRa 的幀格式,LoRa 幀以前導碼開始,前導碼用于接收器和發射器之間的同步[14].前導碼之后是物理幀幀頭和幀頭校驗,共20 位字長,并且以最可靠的碼率進行編碼,而其余部分使用PHY Header 中指定的碼率進行編碼[15].傳輸PHY 負載所需符號數表示為:

其中,PL是以字節為單位的有效負載大小.如果啟用ADR 機制,則DE為1,否則為0.

1.2 LoRa 物理層

LoRa 提供了一系列物理層參數,通過改變這些參數可實現變傳輸速率.LoRa 調制取決以下于幾個參數:BW通常設置為125 kHz,250 kHz 或500 kHz,較小的BW會增加接收器的靈敏度,同時降低噪聲,從而降低PER;SF通常設置為SF∈{7,8,9,10,11,12},較高的SF允許較長的通信范圍,但增加了空中時間(Time-on-Air,ToA);CR從4/8 變化到4/5,較高的CR提供了更多的保護,從而產生較低的PER.這些參數還影響ToA,接收機靈敏度和信噪比(Signal Noise Ratio,SNR).表1給出了BW=125 kHz,PL=10 Byte 時,SF與各評價指標之間的關系.可以觀察到ToA 隨著SF呈指數增長,在提高接收器靈敏度的同時降低了比特率,從而允許更大的覆蓋范圍.

表1 SF 與啟用CRC 模式各評價指標的關系

1.3 LoRa 物理層

LoRa 網絡的鏈路層稱為LoRaWAN,是基于物理層之上的MAC 層協議.它定義了3 個終端設備類,即Class A,B 和C[16].A 類設備針對功耗進行了優化,僅通過開啟上行接收窗口來接收下行鏈路消息.除了為A 類設備定義的兩個接收窗口之外,B 類設備在預定時間打開額外的下行鏈路接收窗口,其中時間與由網關發送的信標同步.C 類設備持續保持接收窗口打開,僅在發送時關閉窗口.LoRa 中的信道訪問機制是純ALOHA,其中終端設備訪問信道時無需檢查信道是否空閑,因此發生沖突的概率較大.圖2所示為上行傳輸的主信道和下行信道.為了傳輸數據幀,每個終端隨機選擇一個主信道.收到幀后,網關發送兩個ACK.第一個是在主信道中發送的,在幀被接收后的T1秒發送.在超時T2=T1+1 秒之后,下行鏈路信道中發送第二個ACK.如果終端沒有收到ACK,則進行重傳.第一個ACK 以低于傳輸數據速率的數據速率發送.第二個ACK 始終以固定數據速率發送,默認情況下為最低速率0.3 kbps[17].

圖2 LoRaWAN 的信道訪問

1.4 LoRa 網絡架構

LoRa 網絡的部署方式通常是星型的拓撲,網關直接從多個終端設備接收消息,并使用TCP/IP 協議與網絡服務器通信[18].LoRa 定義了一種ADR 方案來控制LoRa 設備的上行鏈路傳輸參數,以便增加電池壽命和最大化網絡容量.LoRa 設備通過在上行鏈路MAC 報頭中設置ADR-flag 來開啟使用該機制.當啟用ADR方案時,網絡服務器可以使用LinkADRReq MAC 命令控制LoRa 設備的傳輸參數.圖3所示為異構IoT 的LoRa 網絡架構圖.

圖3 異構IoT 的LoRa 網絡架構

2 相關工作

由于LoRa 網絡具有功耗低、傳輸距離遠、組網靈活等諸多方面的優勢,因此在IoT 業務和應用需求快速增長的領域內具有潛在的廣泛應用前景.然而,目前國內外的研究主要關注LoRa 物理層調制和MAC協議且主要針對單一IoT 應用[8].雖然技術本身已非常成熟,但如何在單個LoRa 網絡內支持異構多類型業務的傳輸需求研究仍涉及較少.因此,研究領域針對網絡性能優化方面展開了研究工作,以求提升網絡吞吐量,提高網絡的可擴展性和增加網絡容量.

Adelantado 等闡述了基于LoRa 的IoT 應用案例的特性和局限制[19],將LoRa 應用于智能運輸和物流等領域.Reynders 等[20]提出一種SF 分配機制,通過保證每個子網的流量負載平衡,以此來增加網絡的容量.Cuomo 等提出了EXPLoRa-TS 啟發式方法[21],每個設備根據其應用需求,以不同的方式傳輸可變數量的數據,以此來提高LoRa 網絡的可擴展性.Cuomo 等又提出了2 種混合式算法EXPLoRA-SF 和EXPLoRAAT[22]進一步評估消息生成速率對網絡可擴展性的影響.但上述研究中沒有涉及不同的IoT 應用需求,其模擬中使用的參數局限于SF12 和SF7,并沒有考慮到BW 和CR 以及TP 等參數變化的影響.

Haxhibeqiri 等提出了一個基于干擾測量的仿真模型來評估LoRa 的可擴展性[23].研究指出對于不同的IoT 應用,重要的是要知道平均每小時可以發送多少個數據分組,即消息生成速率.Lavric 等在對數據速率和終端設備的密度進行了模擬,以確定不同IoT 應用的可擴展性[24].Prajanti 等[25]計算自2018年起未來5年終端設備數量的增長情況,并通過所建立的模型推導出當數據傳輸成功率(Packet Success Rate,PSR)大于0.9 時,終端設備具有最佳性能.但上述研究中沒有考慮數據負載和消息生成率變化,這對于異構IoT 應用的LoRa 網絡性能研究具有一定的局限性.

Sandoval 等[26]通過對基于LoRa 的IoT 節點進行建模,得出了最佳的傳輸策略.該策略可以按事件的重要性優先級最大化上傳數據分組,但確忽略了電池消耗.因此,極大降低了這種傳輸策略在電池供電的物聯網部署中的有效性.此外,一旦計算出傳輸策略,便會將其下載到IoT 節點,并且不再更改.相反,我們的方法是通過在資源受限的設備中計算策略推導過程,從而讓IoT 設備更新推導的最佳策略.

Tunc 等[27]采用了一種不同的方法來得出傳輸策略,研究旨在對能量收集傳感單元進行建模.該單元必須確定報告事件的速率,以防止節點快速耗盡其電量,而并不是找到傳輸的最佳配置.盡管提出了詳細的能量收集和消耗過程的數學模型,但作者假設只有一個有效的傳輸設置.這不滿足能量消耗取決于傳輸配置的物聯網設備的性質,因此無法將其廣泛的應用于異構物聯網部署.

對于LoRa 相關研究的實用性和性能分析,領域內主要采用的方法包括仿真實驗和真實場景的部署.相比而言,由于LoRa 參數配置和組網的簡單性,采用仿真的方法代價低,且實用有效.因此通過對LoRaSim網絡模擬器進行擴展,用于在實際部署之前評估異構IoT 應用的數據傳輸需求,而無需現場測量.LoRaSim是由Bor 等開發的LoRa 網絡模擬器,用于評估大規模LoRa 網絡的可擴展性[10].Zhu 等用LoRaSim 評估網絡之間干擾對LoRa 網絡性能的影響[13].Li 等實現了LoRaSim 的擴展版LoRaWANSim,增加了支持雙向通信的MAC 層協議的功能[16].Oh 等用LoRaWANSim證明了LoRa 網絡中的ADR 機制缺乏適應不斷變化的鏈路條件[17].

本文受到以上研究工作的啟發,針對現實場景中不同IoT 業務需求接入無線網絡其通信模式和數據生成速率不同.全面地考慮了傳輸參數、數據負載、消息生成速率等因素在異構 IoT 應用上對網絡容量和吞吐量的影響,提出了一種基于SAGA 的傳輸參數自適應配置策略,在能耗約束的條件下可實現對多種異構業務的數據傳輸需求,并可提高單網關網絡可支持的終端設備數量和數據吞吐量.

3 系統模型

LoRa 網絡性能由許多關鍵因素決定,包括BW、SF、CR、TP、PL和λ(消息生成速率)等參數,這些參數還影響信道上可能發生的沖突數量.大多數情況下,沖突產生的原因是由于設備同時上傳數據且使用相同的通信參數.為了滿足更多的異構IoT 應用需求,LoRa網絡的容量和吞吐量研究至關重要.

在模型中,我們考慮了捕獲效果:當兩個使用相同SF 的數據分組同時到達信道,較強信號比較弱信號高出某個閾值時,捕獲效果會導致較強的信號抑制較弱的信號,從而接收成功具有較強信號的數據分組.性能評估模型表示如下:

節點的性能(γ)計算為每秒上傳的優先字節的預期數量,gi表示上傳信息的優先級,PDR表示成功接收到的概率,Li表示第i個數據分組的負載大小.由于節點被認為會生成兩個不同優先級(i∈{1,2})的事件,每個事件都有特定的事件生成概率,若想以發生概率為感測到類型為i的事件,終端必須處于可傳輸狀態,即不在占空比所限制的時間內.因此表示為:

確定節點處于P(可傳輸)狀態的概率取決于傳輸參數所決定的時間(T)和能耗(Ci)以及占空比(DC)限制.

性能評估模型最終表示如下:

能量消耗模型定義為:

4 傳輸策略實現

一旦以數學方式計算出節點的吞吐量和功耗,就可以確定最大值問題.傳輸策略S由集合(CR1,CR2,SF1,SF2,TP1,TP2,L1,L2)定義報告兩種類型的事件時使用的配置.因此,目的是要找到使 γ 最大化的S同時將 ω保持在ωmax(25 mv)以下.式(6)定義了該最大化問題.

約束條件為:

PDR的定義與數據分組的發送成功率(Pse)和網關的接收成功率(Pre)有關,表示如下所示:

兩個相同SF的數據分組同時到達同一信道會引起沖突,因此導致數據分組丟失.具有相同SF的碰撞,推導出具有相同SF至少發生一次碰撞的概率,如式(9)所示:

Ti表示數據分組的空中時間,L表示分組負載,Rb是比特率,空中時間定義如下:

Rb是由SF、BW、CR決定的數據速率(比特率).

為了確定網關是否正確地接收到分組,網關計算與分組相關的接收信號強度指示符(RSSI),并與網關處使用的LoRa 接收器的靈敏度閾值進行比較.接收的RSSI計算如下:

在接收器側,通信范圍受靈敏度閾值Srx的限制,RSSI受LoRa 參數SF、BW和CR的影響.RSSI>Srx時,則接收成功,網關接收成功率表為:

約束條件中的變量(BW,CR,SF和TP)采用離散值,使得方程具有NP 難組合優化問題,針對兩種數據分組類型具有254 016 (16CR×9BW×36SF×49TP)個不同的有效配置.因此我們選擇遺傳算法(GA)和模擬退火算法(SA)來解決優化問題.GA 的優點體現在對可行解表示的廣泛性上,它處理的對象并不是參數本身,而是通過參數集進行編碼得到的基因個體,并且能同時處理種群中的多個個體.SA 的優勢體現在實現簡單并且在計算資源方面減少了需求,因此,非常適合資源受限的IoT 設備.SA 的優化機制是通過賦予搜索過程一種時變和最終趨于零的概率突變性,來避免陷入局部極小而達到全局最優;GA 則通過概率意義下的“優勝劣汰”思想的群體遺傳操作實現優化.之前的研究中我們采用GA 的機制提高了PDR,與SA 相比在PDR上有一定的優勢.但是關于計算時間,本文所提出的基于SAGA 的實現比GA 快兩倍以上(TSAGA=4.3 s,TGA=9.4 s).對于本文的性能評估模型來說,能耗也是首要考慮的因素.通過對兩種優化機制進行融合,SAGA 算法不但可以保證PDR的精度,而且在一定程度上提高了算法的搜索能力和效率.

整個算法的流程如下所示:

(1) 初始化算法參數,設定退火算法的初始溫度Tk=inf,進化代數K=0.

(2) 生成遺傳算法的初始群體Si,該種群為參數配置方案的可行解集合.

(3) 利用遺傳算法,對Si進 行交叉操作得到Si′.

(4) 通過適應度函數計算pcol和Pre.

(5) 計算退火增量,Δ=PDR(Si)?PDR(Si′),若Δ<0則接受Si′為下一代種群,否則以概率接受Si′,若Si′被拒絕接受,則重新進行步驟(3),生成新的種群.

(6) 溫度更新函數,Tk+1=λTk,Si+1=Si′,k=k+1,其中0 <λ<1是模擬退火參數算法.

(7) 判斷是否滿足結束條件,如果不滿足,轉向步驟(3)以Si+1作為進化的初始種群,如果滿足終止條件,則輸出當前的最優個體.

算法得出了在能耗限制下的具有最優PDR的傳輸參數S,因此來對約束條件中的各項參數值的性能(容量、吞吐量、能耗)評估.

5 IoT 場景假設與性能分析

在本節中,首先假設一些典型的IoT 應用場景;其次分析了負載大小和消息生成速率變化對網絡性能的影響,在模擬器LoRaSim 中實現了可以在不同負載、消息生成速率和通信參數下對網絡容量和吞吐量都有提升的動態傳輸參數自適應配置策略.

5.1 場景假設

不同IoT 應用的數據負載大小和消息生成率是不相同的,本節對不同應用的負載大小和消息生成速率做了一些假設,作為可供選擇的更廣泛的IoT 用例.

5.1.1 不同負載大小應用場景假設

將考慮產生不同LoRa 負載大小的幾種類型的應用:(1) 諸如溫度傳感器等簡單傳感器設備,通常小于15 字節的消息;(2) 對于設備可以同時監測空氣溫度,濕度等數據的傳感器,消息長度介于15 和60 字節之間;(3)用于高級傳感器(如圖像傳感器)的長消息,通常在100 字節左右.

5.1.2 不同消息生成率場景假設

(1) 智能儀表用例作為每天傳輸一個數據分組的IoT 應用.假設智能電表,燃氣或水表將每日儀表讀數傳輸到服務器上.如果所有智能表同時傳輸其讀數,則存在非常高的沖突概率.因此,我們假設上傳數據之前等待一段隨機時間,使用在[0,3600]內的均勻分布的隨機時間間隔來延遲數據分組傳輸.

(2) 智能垃圾桶用例作為每天傳輸幾個數據分組的應用.通過給垃圾桶安裝智能載量傳感器去感知箱體的剩余高度,監測間隔可根據場景不同自行設定,將監測到的數據(例如:垃圾增長量,回收次數等)通過LoRa 網絡回傳至服務器進行功能分類,根據GIS 地圖還可以計算出合理的回收路線.我們將上傳數據的行為作為泊松到達過程,其中λ=30 min.當在規定時間內監測到狀態更新,數據分組就會傳輸到服務器.

(3) 智慧農業用例作為每天傳輸一些數據分組的應用.將溫、濕度以及鹽堿度等環境數據透過傳感器定期上傳,這些信息可以有效幫助農業提高產量以及減少水資源的消耗.我們將上傳數據的行為作為泊松到達過程,其中λ=10 min.因為環境條件沒有太大改變,只需要設備每小時更新幾次感測數據.

(4) 城市中的智能街道停車作為每天傳輸大量數據分組的用例.使用泊松過程對汽車的到達和離開進行建模.假設每當停車位可用時,它在5 min 內被占用,因此占用停車位的λ=5 min.每當停車位的狀態改變數據被發送到服務器以維持停車信息.

5.2 性能分析

5.2.1 負載大小對網絡容量的影響

首先分析不同參數設置下對負載大小的影響.SN1、SN2 和SN3 為靜態部署,圖4中SN1={SF7,BW=500 kHz,CR=4/5},分析此設置是因為它具有最快的數據速率(最短ToA).SN2={SF12,BW=125 kHz,CR=4/8},分析此設置是因為它具有最慢的數據速率(最長ToA),但提供了較高的抗干擾能力.SN3={SF12,BW=125 kHz,CR=4/5}為LoRa 網絡中默認參數配置.為了重點研究負載大小對網絡容量的影響,此階段λ=1800 s.由圖4可得,在終端設備為200 的條件下,動態參數選擇的PDR比靜態設置有顯著提升,尤其在負載較大時(當負載達到80 字節),比靜態設置SN2 提高了30%左右,結果清楚地表明對參數動態分配策略的需求.即使在動態方法條件下,負載大小為80 字節和10 字節相差達到將近15%,因此負載大小在網絡性能評估時是一個不可忽略的重要因素.

圖5箱線圖為200 臺終端設備使用我們所提出的異構網絡部署方法下,模擬的10 次不同負載大小的平均PER,從圖中可以直觀看出PER的最大值和最小值以及平均PER的分布情況.

圖4 不同參數選擇條件下的PDR 與負載的關系

圖5 不同負載下的平均PER

圖6所示為基于SAGA 方法發送的數據分組的負載大小為20 Bytes,40 Bytes,60 Bytes 和80 Bytes 條件下與PER的關系.從結果中可知,對于10% (Prajanti等建模得出的終端數量最優分布的PER閾值)的PER,當使用80 Bytes 的有效負載時,網絡集成了250 個左右的終端設備.60 Bytes 集成500 個終端設備,40 Bytes集成約750 個終端設備,而20 Bytes 的有效負載,LoRa網絡架構中的最大終端設備數量大約為1750 個.

5.2.2 消息生成速率對網絡容量的影響

圖7中描述了4 種不同消息生成速率下每種SF配置的沖突概率,得出參數傳輸策略的選擇在對異構IoT 部署的PER影響較大的結論.

圖8所示為不同的參數設置條件下異構IoT 應用場景的PDR的對比情況.SN1 是具有最長ToA 的設置,SN2 是具有最短ToA 的設置,SN3 是LoRa 默認的參數設置.在終端設備為200 條件下,SN3 和動態參數設置方法具有相同的趨勢(終端設備較大時,2 種設置差異較大),而SN1 和SN2 隨著負載和消息生成速率的增加,PDR逐漸降低,且消息生成速率越小對SN1和SN2 的影響越大.在不同的消息生成速率下,動態網絡部署也展現出了良好的優勢,因此使用動態部署方案來提升異構IoT 網絡容量.我們希望模擬出在單個網關下能夠支持的最大終端設備數量,而保證PER在一定閾值內.設置不同的消息生成周期的情況下,較小的消息生成速率使得單個網關所能連接的終端數只能限制在幾百個,導致網絡容量降低.

圖6 負載對網絡容量的影響

圖7 不同SF 和消息生成速率下的PER

5.2.3 提升LoRa 網絡容量

圖9比較了PDR與流量強度的函數關系(即AP從1 分鐘到40 分鐘).降低流量強度可減少數據分組丟失,從而提高PDR.異構部署具有更好的PDR,因其可以根據異構IoT 應用需求計算出最佳傳輸策略,SF12部署由于其較長的數據分組持續時間和較低的頻譜效率而呈現較低的PDR.

圖10所示為2 種不同方法的IoT 應用隨終端設備數量增加對PDR的影響,同樣是2000 個終端設備,在負載大小為100 字節時,SAGA 和ADR 方法的數據分組丟失率相差36%.在45 字節/秒的流量負載下,ADR 方法在75%PDR下可以支持2000 臺設備,SAGA在94%PDR下可以支持2000 臺設備;ADR 方法在99%PDR時只能支持100 臺設備,而SAGA 在98%PDR下可以支持1000 臺設備.當PER控制在10%以內時,我們的方法和ADR 相比的最大網絡容量限制在2000 臺和1000 臺左右.

圖8 4 種IoT 應用場景下的PDR 比較

圖9 1000 臺終端設備下的不同傳輸策略下的PDR

圖11說明了與SA 方法相比,通過該方法針對不同的PDR所實現的能耗有所降低.可以看出,當PDR為95%時,電池消耗降低了47%.此外,當PDR從70%提高到95%,而電池消耗僅增加36%.因此,使用所提出的方法,僅在電池消耗量略有增加的情況下,就可以顯著提高用例中的網絡容量.

圖10 不同方法下的網絡容量比較

圖11 不同PDR 下的能耗值比較

5.2.4 提升LoRa 網絡吞吐量

圖12比較了異構網絡部署和隨機部署以及使用SF12 方法的吞吐量情況.當流量強度降低時,吞吐量降低.對于高流量強度(例如1 分鐘的應用周期),我們所提出的異構部署方法可提供每秒10 個數據分組的吞吐量,而其他策略的吞吐量則小于每秒2 個數據分組.

隨著消息生成速率(packet/s)的增加,為滿足高流量強度IoT 應用的需求,對PDR進行了評估.本文所采用的方法中,SF的分布情況為:?7=0.45,?8=0.25,?9=0.145,?10=0.08,?11=0.04,?12=0.024.1000 個終端設備分布在一個圓形網關范圍內,為了說明本文方法的有效性,對比了2 種其他方法.圖13顯示了不同的策略對PDR產生的影響:圖中圓線為ADR 機制分配;圖中方塊線為EXP_AT 方法;圖中三角形線為基于SAGA的面向異構IoT 應用的動態配置策略.消息生成速率從每小時產生1 個消息增加到每秒產生10 個,對于每秒小于0.01 個數據分組的負載,本文所提出的方法PDR可保證在90%以上.且當消息生成速率大于每秒1 個時,EXP_AT 和ADR 的PDR 迅速下降.

圖12 1000 臺終端設備下的不同傳輸策略下的消息生成速率

圖13 不同方法消息生成速率的PDR 關系

圖14以箱形圖表示了最終獲得的結果.由于最終節點的性能受其配置(即生成的數據分組長度,事件發生率)支配,因此無法將在一種情況下獲得的性能值與在其他情況下獲得的性能值直接進行比較;使用解決方案SAGA 與ADR 機制相比,可以將吞吐量提高25.60%(從32.40 字節/s 提高到40.7 字節/s),與SA 機制相比較提高了2.7%.隨機選擇傳輸參數方法(具有最差性能值)將導致吞吐量差異達到65%.這些結果展現了我們所提出的基于SAGA 的動態參數傳輸策略在吞吐量上的優勢.

圖14 不同方法下的吞吐量值比較

6 總結

本文針對單一IoT 應用已不滿足日益增長的異構多類型業務的傳輸需求的問題,提出了一種基于SAGA的動態參數自適應配置策略.首先解決可配置參數利用率低的問題;其次在數據負載和消息生成速率變化時,提升多類型業務異構應用場景中LoRa 網絡的容量和吞吐量;最后在模擬器LoRaSim 中驗證所提方法的有效性.實驗結果表明,對于不同IoT 需求,動態參數配置使LoRa 網絡PDR提高近20%,有效提升了網絡的性能;在45 字節/s 的流量負載下,ADR 方法在99%PDR時只能支持100 臺設備,而SAGA 在98%PDR下可以支持1000 臺設備.當PER控制在10%以內時,本文所提方法提升了異構IoT 應用的網絡容量近1000 臺左右,僅在電池消耗量略有增加的情況下,就可以顯著提高用例中的網絡容量.使用解決方案SAGA 與ADR機制相比,可以將吞吐量提高25.60%.因此在限制能耗的同時有效的提升了具有異構業務需求LoRa 網絡的容量和吞吐量.