一種ZigBee網(wǎng)絡中基于優(yōu)先級的CSMA/CA優(yōu)化算法*

石佳川,劉劍飛,秦 浩,王蒙軍

(河北工業(yè)大學電子信息工程學院,天津 300401)

IEEE 802.15.4/ZigBee作為一種低速率、低功耗的無線通信技術日益普及,廣泛應用在智能電網(wǎng)、照明控制以及樓宇自動化等方面[1]。然而,載波監(jiān)聽多路訪問/沖突避免(CSMA/CA)算法作為ZigBee的MAC協(xié)議層核心算法,不能區(qū)分業(yè)務的優(yōu)先級,很難滿足業(yè)務多元化發(fā)展需求;此外,ZigBee在組網(wǎng)、數(shù)據(jù)融合和網(wǎng)絡管理等方面的技術難度隨著網(wǎng)絡規(guī)模增大而大幅上升,甚至導致網(wǎng)絡性能的極速惡化[2]。為此,人們提出了CSMA/CA的多種改進的方法。

文獻[3-4]采用離散馬爾科夫鏈模型分析了標準算法性能;文獻[5]通過仿真實驗分析了算法的不同參數(shù)對網(wǎng)絡性能的影響;文獻[6]提出通過修改競爭窗口來區(qū)分業(yè)務優(yōu)先級,但未進行網(wǎng)絡方面的優(yōu)化;文獻[7]通過更改競爭窗口變化規(guī)則來優(yōu)化網(wǎng)絡;文獻[8]提出根據(jù)網(wǎng)絡負荷來調整競爭窗口;文獻[9]提出了pnl_ASDB算法,該算法根據(jù)信道負荷動態(tài)改變競爭窗口值來區(qū)分不同業(yè)務優(yōu)先級。在文獻[7-8]基礎上,文獻[10]提出了pnl_ls算法,該算法根據(jù)網(wǎng)絡負荷狀況來預測下一次的BE初始值。上述改進算法均在某一方面改善了網(wǎng)絡性能,但缺乏對網(wǎng)絡綜合性能的考慮,本文針對現(xiàn)有CSMA/CA算法及其改進算法的缺陷,提出一種基于優(yōu)先級的CSMA/CA優(yōu)化算法。不僅可以區(qū)分不同優(yōu)先級的業(yè)務,同時優(yōu)化了網(wǎng)絡的整體性能。

1 算法設計

CSMA/CA算法需要維護3個主要參數(shù):競爭窗口(CW)、退避次數(shù)(NB)和退避指數(shù)(BE)。其中,CW表示在傳輸數(shù)據(jù)前需要進行信道檢測連續(xù)為空的次數(shù);NB表示節(jié)點接入信道時,執(zhí)行CSMA/CA算法的退避的次數(shù);BE則決定了在進行信道檢測之前節(jié)點需要等待的退避周期數(shù)量。

分析表明,進行較高次數(shù)的信道檢測能夠提高網(wǎng)絡吞吐量,但同時會增大網(wǎng)絡時延[3];較小的退避指數(shù)會增加吞吐量,可以減小時延[11],充足的信道檢測次數(shù)和較高退避指數(shù)是減小數(shù)據(jù)包碰撞的保證。據(jù)此,本文提出了根據(jù)網(wǎng)絡負荷設置競爭窗口的方法確定網(wǎng)絡中不同業(yè)務的優(yōu)先級;同時,在低網(wǎng)絡負荷時減小信道檢測次數(shù)和退避指數(shù),在高網(wǎng)絡負荷時增大信道檢測次數(shù)和退避指數(shù),從而優(yōu)化網(wǎng)絡性能。

算法流程圖如圖1所示。

圖1 算法流程圖

1.1 網(wǎng)絡負荷狀況判斷

根據(jù)最近一次業(yè)務分組傳輸時,信道檢測為空閑的次數(shù)與信道檢測的總次數(shù)的比值定義網(wǎng)絡狀況指數(shù)PN。用PN來預測此次業(yè)務分組傳輸?shù)木W(wǎng)絡狀況。

(1)

式中:idle_cca是最近一次業(yè)務分組傳輸時信道檢測為空閑的次數(shù),total_cca是信道檢測的總次數(shù)。本文以0.5為臨界點,定義PN>0.5時為低負荷,PN≤0.5時為高負荷。

1.2 區(qū)分不同優(yōu)先級業(yè)務的策略

如前所述,競爭窗口為傳輸數(shù)據(jù)前進行信道檢測連續(xù)為空的次數(shù)。因此,通過降低檢測次數(shù)可以保證優(yōu)先級高的業(yè)務優(yōu)先傳輸。算法中結合當前的網(wǎng)絡狀況確定不同優(yōu)先級數(shù)據(jù)競爭窗口的CW值。

1.3 根據(jù)網(wǎng)絡負荷的優(yōu)化策略

業(yè)務優(yōu)先級確定后,為了優(yōu)化網(wǎng)絡數(shù)據(jù)傳輸性能,本文提出了基于網(wǎng)絡負荷自適應調整退避指數(shù)BE的策略。BE值的賦值策略如下:

①首次檢測時BE值均設置為2。

②當PN>0.5時,網(wǎng)絡狀況較好。

③當PN≤0.5時,網(wǎng)絡狀況較差,需要劃分多種情況,更準確的確定網(wǎng)絡狀況。

若上一次數(shù)據(jù)傳輸成功,則

若上一次數(shù)據(jù)傳輸失敗,則

式中:采用曲線擬合預測BE值策略如下:

首先假設預測BE的方程為

BE=a0+a1x+a2x2

(2)

各個參數(shù)的計算公式如下:

(3)

式中:xi為數(shù)據(jù)包第i次發(fā)送成功,yi為第i個數(shù)據(jù)包發(fā)送成功的BE值。本文m值取4,即采用近4次的BE值進行預測,計算時初始BE值均設置為2。

調整BE值時,若BE值大于規(guī)定的最大值時,則將其設置為最大值;若BE值小于規(guī)定最小值時,則設置為最小值。為了獲得較大退避指數(shù)調節(jié)空間,本文算法的BE值最大為6,最小為1。

圖2 節(jié)點馬爾科夫鏈模型

2 節(jié)點馬爾科夫鏈模型

假設IEEE802.15.4網(wǎng)絡模型為只有1個協(xié)調節(jié)點的單跳星型網(wǎng)絡拓撲,且所有節(jié)點偵聽范圍足夠大,故不考慮隱藏節(jié)點問題。在建模過程中,先不考慮信道負荷情況,對于高優(yōu)先級業(yè)務,進行1次信道檢測;對于低優(yōu)先級業(yè)務,進行2次信道檢測。通過馬爾科夫鏈模型來分析算法參數(shù)設置對網(wǎng)絡性能的影響。

根據(jù)文獻[11-12]的CSMA/CA算法的馬爾科夫鏈模型,設隨機過程M(t)表示t時刻的退避次數(shù),隨機過程N(t)表示t時刻的退避時隙,{M(t),N(t)}表示模型中t時刻的設備狀態(tài)。則{M(t)=-1,N(t)=-1}表示沒有數(shù)據(jù)包準備傳輸?shù)臓顟B(tài),{M(t),N(t)=0}和{M(t),N(t)=-1}分別表示準備第1次和第2次執(zhí)行CCA狀態(tài),{M(t)=-1,N(t)=n}表示數(shù)據(jù)傳輸狀態(tài),其中n∈[0,G-1]。G是數(shù)據(jù)包長度,單位為時隙。由此建立的二維隨機離散馬爾科夫鏈模型,如圖2所示。圖2中,P表示數(shù)據(jù)傳輸概率,當P=1時表示飽和狀態(tài),當P<1時表示非飽和狀態(tài)。虛線為高優(yōu)先級數(shù)據(jù)傳輸成功的情況,實線為低優(yōu)先級數(shù)據(jù)傳輸成功的情況。α表示第1次進行信道檢測為空的概率,β表示第2次進行信道檢測為空的概率,m表示最大退避次數(shù)。

2.1 高優(yōu)先級馬爾科夫鏈模型分析

在建模過程中為了方便分析,高優(yōu)先級數(shù)據(jù)設定為進行1次信道檢測。其模型狀態(tài)轉移概率如下:

①節(jié)點從空閑狀態(tài)轉入到傳輸狀態(tài)的概率為

(4)

②節(jié)點保持自身空閑狀態(tài)的概率為

p{-1,-1|-1,-1}=1-p0

(5)

③在每一次的隨機退避過程中,退避時隙依計數(shù)器次遞減的概率為

p{i,k|i,k+1}=1,k∈(0,G-2),k∈(0,W0-1)

(6)

④退避結束時,退避時隙計數(shù)器為0,節(jié)點進行信道檢測狀態(tài)為空閑的概率為

p{i,-1|i,0}=1-α,i∈(0,m)

(7)

⑤退避結束時,退避時隙計數(shù)器為0,節(jié)點進行信道檢測狀態(tài)為忙,退避次數(shù)計數(shù)器加1,進入下一次退避的概率為

(8)

⑥業(yè)務數(shù)據(jù)包進入傳輸狀態(tài)時,數(shù)據(jù)包依次傳輸?shù)母怕蕿?/p>

p{-2,k+1|-2,k}=1,k∈(0,G-2)

(9)

⑦一次傳輸結束,節(jié)點有高優(yōu)先級數(shù)據(jù)需要傳輸時,初始化退避時隙的概率為

(10)

⑧一次傳輸失敗,當前的業(yè)務數(shù)據(jù)包將被丟棄,此時數(shù)據(jù)傳輸隊列不為空,重新初始化退避時隙的概率為

(11)

⑨一次傳輸失敗,當前的業(yè)務數(shù)據(jù)包將被丟棄,此時數(shù)據(jù)傳輸隊列為空,節(jié)點轉入空閑狀態(tài)的概率為

p{-1,-1|m,-1}=α(1-p0)

(12)

設bi,k是節(jié)點在M(t)=i,N(t)=k的穩(wěn)態(tài)概率,由馬爾科夫鏈規(guī)律,有如下公式成立:

(13)

由馬爾科夫鏈的歸一性可得:

(14)

聯(lián)立以上公式可以得到高優(yōu)先級節(jié)點第1次退避時隙結束后的概率b0,0為:

(15)

m′=2(1-p0)(1-α)+2G(1-α)(1-αm+1)p0

(16)

當信道檢測狀態(tài)為空閑時,高優(yōu)先級業(yè)務數(shù)據(jù)傳輸?shù)母怕蕿棣?,則有:

γ1=(1-αm+1)b0,0

(17)

信道檢測狀態(tài)為忙的概率α為:

α=1-(1-λ1)n-1

(18)

通過式(17)、式(18)可以計算出γ1和α。對于計算過程中所涉及到的非線性方程組,本文采用不動點迭代法求解。

2.2 低優(yōu)先級馬爾科夫鏈模型分析

當?shù)蛢?yōu)先級業(yè)務進行網(wǎng)絡傳輸時,業(yè)務數(shù)據(jù)設定進行2次CCA。其模型狀態(tài)轉移概率比高優(yōu)先級多了以下4種情況:

①退避結束時,退避時隙計數(shù)器為0,節(jié)點進行第2次CCA狀態(tài)為空閑的概率為

p{i-1|i,0}=1-β,i∈(0,m)

(19)

②退避結束時,退避時隙計數(shù)器為0,節(jié)點進行第2次CCA信道狀態(tài)為忙,退避次數(shù)計數(shù)器加1,進入下一次退避的概率為

(20)

③當退避次數(shù)達到最大值并且進行第2次CCA信道狀態(tài)為忙時,當前的業(yè)務數(shù)據(jù)包將被丟棄,此時數(shù)據(jù)傳輸隊列不為空,重新初始化退避時隙的概率為

(21)

④當退避次數(shù)達到最大值并且進行第2次CCA信道狀態(tài)為忙時,當前的業(yè)務數(shù)據(jù)包將被丟棄,此時數(shù)據(jù)傳輸隊列為空,節(jié)點轉入空閑狀態(tài)的概率為

p{-1,-1|m,-1}=β(1-p0)

(22)

由馬爾科夫鏈規(guī)律可得:

(23)

由馬爾科夫鏈的歸一性可得

(24)

(25)

n′=2(1-p0)(1-q)+2Gp0(1-q)(1-qm+1)+
2p0(1-α)(1-qm+1)

(26)

節(jié)點執(zhí)行兩次CCA的結果都為空閑時,低優(yōu)先級業(yè)務數(shù)據(jù)傳輸概率為γ2,則有

(27)

節(jié)點執(zhí)行一次CCA后,信道為閑的概率為α,則有

α=1-(1-γ2)n-1

(28)

節(jié)點執(zhí)行兩次CCA后,信道為忙的概率為β,則有

β=[1-(1-γ2)n-1](1-β)

(29)

聯(lián)立式(27)～式(29),同樣通過不動點迭代法求解出α、β和γ2的值。

3 信道馬爾科夫鏈模型

與802.11的CSMA/CA算法不同,802.15.4的時隙是一個定值,為了分析網(wǎng)絡吞吐量、時延等參數(shù),本文建立了基于優(yōu)先級的信道馬爾科鏈模型,如圖3所示。

圖3 信道馬爾科夫鏈模型

圖3中,clear表示初始狀態(tài),cca表示即將進行信道檢測狀態(tài),success_H表示高優(yōu)先級數(shù)據(jù)傳輸成功狀態(tài),success_L表示低優(yōu)先級數(shù)據(jù)傳輸成功狀態(tài),failure表示傳輸失敗狀態(tài)。f1表示高優(yōu)先級數(shù)據(jù)傳輸成功的概率,f2表示低優(yōu)先級數(shù)據(jù)傳輸成功的概率,f3表示傳輸失敗的概率,f4表示無數(shù)據(jù)或正在監(jiān)聽是否有數(shù)據(jù)需要傳輸?shù)母怕省?/p>

只考慮高優(yōu)先級數(shù)據(jù)情況時,由于通過CSMA/CA進行信道競爭,同一時間只能有一個節(jié)點成功傳輸數(shù)據(jù),所以高優(yōu)先級數(shù)據(jù)成功傳輸?shù)母怕师?為

α1=N1γ1(1-γ1)N1-1

(30)

高優(yōu)先級數(shù)據(jù)保持自身狀態(tài)概率α2為

α2=(1-γ1)N1

(31)

高優(yōu)先級數(shù)據(jù)傳輸失敗的概率α3為

(32)

經(jīng)過數(shù)學分析可得

α1+α2+α3=1

(33)

式(33)符合馬爾科夫鏈各狀態(tài)和為一的規(guī)律。

同理,只分析低優(yōu)先級數(shù)據(jù)時,可以得到低優(yōu)先級數(shù)據(jù)傳輸成功的概率β1為

β1=N2γ2(1-γ2)N2-1

(34)

低優(yōu)先級數(shù)據(jù)保持自身狀態(tài)概率β2為

β2=(1-γ2)N2

(35)

低優(yōu)先級數(shù)據(jù)傳輸失敗的概率β3為

(36)

同理可得

β1+β2+β3=1

(37)

以上是不同優(yōu)先級數(shù)據(jù)分別考慮的情況,當信道中不同優(yōu)先級數(shù)據(jù)同時存在時(假設兩種優(yōu)先級數(shù)據(jù)互不影響),考慮高優(yōu)先級數(shù)據(jù)傳輸成功的情況,即高優(yōu)先級數(shù)據(jù)傳輸成功同時,低優(yōu)先級數(shù)據(jù)保持自身狀態(tài)或傳輸失敗時,其概率f1為

f1=α2β1+α2β3

(38)

考慮低優(yōu)先級數(shù)據(jù)傳輸成功的情況,即低優(yōu)先級數(shù)據(jù)傳輸成功同時,高優(yōu)先級數(shù)據(jù)保持自身狀態(tài)或傳輸失敗時,其概率f2為

f2=α1β2+α3β2

(39)

考慮整個信道維持自身狀態(tài)的情況,即兩種數(shù)據(jù)均維持自身狀態(tài)時,其概率f4為

f4=α1β1

(40)

除以上所述情況之外均為為數(shù)據(jù)傳輸失敗,其概率f3為

f3=α1β3+α2β2+α3β1+α3β3

(41)

由分析可得

f1+f2+f3+f4=1

(42)

式(42)符合馬爾科夫鏈的歸一性。

根據(jù)圖3的信道馬爾科夫鏈模型,把πa、πs1、πs2、πf分別定義為即將進行CCA狀態(tài)、高優(yōu)先級數(shù)據(jù)發(fā)送成功狀態(tài)、低優(yōu)先級數(shù)據(jù)發(fā)送成功狀態(tài)、發(fā)送失敗狀態(tài)的穩(wěn)態(tài)概率。有如下狀態(tài)概率轉移規(guī)律:

(43)

4 建模性能分析

本文分別從信道接入概率、系統(tǒng)吞吐量和信道時延3個方面來分析算法性能,為了分析直觀簡潔,只分析飽和狀態(tài)下的不同優(yōu)先級業(yè)務數(shù)據(jù)傳輸?shù)木W(wǎng)絡性能。此外,通過對比分析不同BE值時網(wǎng)絡性能,來驗證基于信道負荷調整BE值策略的必要性。

4.1 信道接入概率

在傳輸過程中,不同優(yōu)先級的業(yè)務數(shù)據(jù)應該具有不同的信道接入概率,高優(yōu)先級數(shù)據(jù)的信道接入概率為γ1,低優(yōu)先級數(shù)據(jù)的信道接入概率為γ2。信道接入概率對比如圖4所示。

圖4 不同優(yōu)先級數(shù)據(jù)信道接入概率對比圖

如圖4所示,由于節(jié)點增多,網(wǎng)絡負荷增大,數(shù)據(jù)包產生的碰撞增多,導致數(shù)據(jù)的信道接入概率會隨著節(jié)點數(shù)的增加而降低,而高優(yōu)先級數(shù)據(jù)信道接入概率明顯高于低優(yōu)先級數(shù)據(jù)信道接入概率,從而證明了本文所采用區(qū)分優(yōu)先級策略的有效性。

4.2 系統(tǒng)吞吐量

網(wǎng)絡吞吐量定義為發(fā)送成功的時間與消耗的總時間之比,吞吐量Sq可以表示為

(44)

式中:Nq為不同優(yōu)先級數(shù)據(jù)節(jié)點數(shù),Tk為在信道狀態(tài)為k時逗留時間,Ω為狀態(tài)的集合。

高優(yōu)先級業(yè)務數(shù)據(jù)的吞吐量S1為

(45)

低優(yōu)先級業(yè)務數(shù)據(jù)的吞吐量S2為

(46)

圖5即為根據(jù)以上公式計算而得到的不同優(yōu)先級數(shù)據(jù)的吞吐量對比圖。

圖5 不同優(yōu)先級吞吐量對比圖

如圖5所示,隨著節(jié)點數(shù)目增加,網(wǎng)絡中發(fā)送的數(shù)據(jù)包增加,網(wǎng)絡吞吐量先增加后減小,當數(shù)據(jù)包達到一定數(shù)量后,吞吐量達到一個閾值,超過這個閾值后吞吐量隨著網(wǎng)絡負荷的增加而下降。高優(yōu)先級數(shù)據(jù)吞吐量始終大于低優(yōu)先級數(shù)據(jù)吞吐量,由此可見高優(yōu)先級數(shù)據(jù)具有較強的傳輸能力。

4.3 信道時延

傳輸時延是衡量網(wǎng)絡性能的一個重要指標,不同優(yōu)先級業(yè)務數(shù)據(jù)時延公式定義如下:

高優(yōu)先級業(yè)務數(shù)據(jù)時延T1為

(47)

低優(yōu)先級業(yè)務數(shù)據(jù)時延T2為

(48)

式中:slot_time表示一個時隙時延,為0.32 ms/slot[13]。

圖6為不同優(yōu)先級數(shù)據(jù)時延對比圖。

圖6 不同優(yōu)先級數(shù)據(jù)時延對比圖

圖6中,當節(jié)點數(shù)目增多時,數(shù)據(jù)量也隨之增加,數(shù)據(jù)傳輸?shù)臅r延也會增大。高優(yōu)先級業(yè)務數(shù)據(jù)的傳輸時延比低優(yōu)先級業(yè)務數(shù)據(jù)的傳輸時延小,保證了高優(yōu)先級業(yè)務數(shù)據(jù)能夠快速傳輸。

4.4 不同退避指數(shù)網(wǎng)絡性能對比

為了提高整個網(wǎng)絡數(shù)據(jù)的傳輸效率,本文提出基于信道負荷來自適應調整BE值的策略來優(yōu)化整個網(wǎng)絡的性能,為了直觀簡潔的分析,下面只采用飽和狀態(tài)下高優(yōu)先級數(shù)據(jù)變化的趨勢來分析,圖7和圖8分別為不同BE值高優(yōu)先級時網(wǎng)絡吞吐量和信道時延的變化趨勢。

如圖7和圖8所示,節(jié)點個數(shù)少時,網(wǎng)絡負荷較小,低BE值能使吞吐量變高,信道時延較低,網(wǎng)絡性能較好,但是隨著節(jié)點數(shù)增加,網(wǎng)絡負荷變大,高BE值能使吞吐量較高、信道時延較低,網(wǎng)絡性能較好。因此,網(wǎng)絡負荷較小時,可采用較小BE值,網(wǎng)絡負荷較大時,可采用較大BE值,這與本文的基于信道負荷來調整BE值的策略完全相符。

圖7 不同退避指數(shù)吞吐量對比圖

圖8 不同退避指數(shù)時延對比圖

5 NS2系統(tǒng)仿真

5.1 仿真場景建立

本文采用星型網(wǎng)絡拓撲仿真,包含1個靜止的協(xié)調器節(jié)點和6個靜止的終端節(jié)點,網(wǎng)絡協(xié)調器在中心,終端節(jié)點分散在周圍。

為了增加碰撞概率,本文設定終端在組網(wǎng)后以相同時間間隔和相同速率同時向協(xié)調器發(fā)送數(shù)據(jù),數(shù)據(jù)包到達方式采用均勻分布,網(wǎng)絡范圍為50×50,假設偵聽范圍足夠大,故不考慮隱藏節(jié)點問題。表1為參數(shù)表。

表1 仿真參數(shù)表

5.2 仿真結果分析

5.2.1 吞吐量

圖9對比了標準算法、pnl_ls、pnl_ASDB和本文算法不同優(yōu)先級數(shù)據(jù)的吞吐量,隨著信道負荷增大,數(shù)據(jù)包增加,吞吐量均逐漸增加,并趨于平穩(wěn),達到一個閾值,信道負荷過大時,吞吐量呈下降趨勢。本文算法的吞吐量高于其他3種算法,且高優(yōu)先數(shù)據(jù)吞吐量高于低優(yōu)先級數(shù)據(jù)吞吐量。

圖9 NS2仿真吞吐量對比圖

5.2.2 丟包率

圖10對比4種算法丟包率,隨著信道負荷增加,4種算法的丟包率均增大,本文算法丟包率始終低于其他3種算法,并且高優(yōu)先級數(shù)據(jù)傳輸?shù)膩G包率低于低優(yōu)先級數(shù)據(jù)傳輸?shù)膩G包率。

圖10 NS2仿真丟包率對比圖

5.2.3 時延

圖11對比了標準算法、pnl_ASDB算法和本文算法的不同優(yōu)先級數(shù)據(jù)傳輸?shù)木W(wǎng)絡時延。本文算法時延略高于標準算法,而pnl_ASDN算法在網(wǎng)絡負荷低時,時延性能好于本文算法;網(wǎng)絡負荷較高時,與本文高優(yōu)先級數(shù)據(jù)傳輸?shù)臅r延性能相比較差。本文算法以很小的時延代價換取了高吞吐量和低丟包率,保證了網(wǎng)絡的公平性。

圖11 NS2仿真時延對比圖

6 結束語

針對ZigBee網(wǎng)絡中采集數(shù)據(jù)優(yōu)先級的多樣性和數(shù)據(jù)量的增加導致網(wǎng)絡性能下降的問題,本算法在區(qū)分優(yōu)先級數(shù)據(jù)后,采用基于信道負荷自適應調整BE值的方式對整個網(wǎng)絡進行優(yōu)化,采用馬爾科夫鏈模型對網(wǎng)絡進行了性能分析。NS2仿真結果表明,改進的算法以很小的傳輸時延代價,增加了網(wǎng)絡吞吐量,降低了丟包率,保證了整個數(shù)據(jù)網(wǎng)絡可靠傳輸。

參考文獻:

[1] Papatsimpa C,Linnartz J P M G. Coexistence Performance Model for a Large ZigBee Lighting Sensor Network in the 2.4 GHz ISM band[C]//2017 IEEE 14th International Conference on Networking,Sensing and Control(ICNSC),2017:465-470.

[2] 熊茂華,熊昕. 無線傳感器網(wǎng)絡技術及應用[M]. 西安:西安電子科技大學出版社,2014.

[3] 黃穎. EEE802_15_4時隙CSMA_CA算法性能研究[D]. 西安:西安電子科技大學,2010.

[4] Do Thanh Quan,Pham Thanh Hiep,Takumi Kobayashi,et al. Proposal Methods for Performance Analysis of WBANs Based on CSMA/CA[C]//2017 11th International Symposium on Medical Information and Communication Technology(ISMICT),2017:19-22.

[5] 陳維興,李雯清,孫毅剛. 基于Zigbee技術的機坪移動目標監(jiān)控網(wǎng)絡能量優(yōu)化方法研究[J]. 傳感技術學報,2012,25(8):1146-1152.

[6] 周明偉,樊曉平,劉少強. 基于優(yōu)先級的IEEE 802.15.4 CSMA/CA建模與分析[J]. 傳感技術學報,2009,22(3):422-426.

[7] Yoshiaki Morino,Takefumi Hiraguri,Hideaki Yoshino,et al. A Novel Contention Window Control Scheme Based on a Markov Chain Model in Dense WLAN Environment[C]//2015 3rd International Conference on Artificial Intelligence,Modelling and Simulation(AIMS),2015:417-421.

[8] Dahham Z,Sali A,Ali B M,et al. An Efficient CSMA-CA Algorithm for IEEE 802.15.4 Wireless Sensor Networks[C]//1st IEEE International Symposium on Telecommunication Technologies,2012:118-123.

[9] 喬冠華,毛劍琳,郭寧,等. 基于業(yè)務區(qū)分的IEEE802.15.4MAC協(xié)議分析及改進[J]. 計算機科學,2014,41(10):149-153.

[10] 劉劍飛,張富官,王蒙軍,等. 一種ZigBee網(wǎng)絡自適應退避機制[J]. 電力信息與通信技術,2016,13(1):19-23.

[11] 陳金. IEEE802.15.4時隙CSMA/CA算法改進研究與性能分析[D]. 中南大學,2011.

[12] Wen Hao,Lin Chuang,Chen Zhijia,et al. An Improved Markov Model for IEEE 802.15.4 Slotted CSMA/CA Mechanism[J]. Journal of Computer Science and Technology,2009,24(3):495-504.

[13] Yang Jian,Yang Liuqing,Xiong Gang,et al. Performance Evaluation of IEEE 802.15.4 MAC Layer[C]//Proceedings of 2013 IEEE International Conference on Vehicular Electronics and Safety,2013:142-146.