基于分布式喷泉码的车辆自组织网络实时组播方法

摘要

本发明涉及一种无线通信领域中的分布式喷泉编码组播方案，具体涉及一种将分布式喷泉码应用在车辆自组织网络中，以提供实时组播服务的方法，属于通信技术领域。首先采用改进的去卷积孤立度分布，得到异或模式的选取概率及其度分布，以及直传模式的选取概率及其度分布；然后在0到1之间产生一个随机数，选择传输模式；并生成多个编码包，采用基于DLT码的改进的MDLT组播方案实现车辆自组织。本发明操作简单，不需要储存一定数量的数据包重新译码，与传统的基于ARQ和基于LT码的组播方案相比，在组播一定数量的数据包时，本发明的两个方案具有更小的延时，显著提高了系统传输效率。

主权项

基于分布式喷泉码的车辆自组织网络实时组播方法，其特征在于：为实现从一个源端，经r个中继车辆向d个目的车辆组播发送k个源数据包，采用的技术方案如下：步骤1，将k个数据包分成两个集合k₁和k₂，每个集合都包含k/2个数据包；采用改进的去卷积孤立度分布，得到异或模式的选取概率λ_m及其度分布f_m(i)，以及直传模式的选取概率1‑λ_m及其度分布μ′₁(i)；所述的改进的去卷积孤立度分布的求解过程在基于传统的LT码度分布的分解技术将LT码的鲁棒孤立度分布μ(i)分成两部分基础上进行：$\mu \left(i\right)=\frac{{\beta }^{\prime }}{\beta }·{\mu }^{\prime }\left(i\right)+\frac{{\beta }^{\prime \prime }}{\beta }·{\mu }^{\prime \prime }\left(i\right),$$1\le i\le \frac{k}{2}---\left(2\right)$其中,μ′(i)和μ″(i)分别代表采用异或模式和直传模式生成的类似LT码的度分布，β′/β和β″/β分别代表μ′(i)和μ″(i)的概率，β′/β+β″/β=1；继续将μ′(i)分成两部分：中继车辆直接将编码包传给目的车辆为事件E₁，中继车辆需要进行异或运算为事件E₂；DLT码异或后产生的类似LT码的度为i时事件E₁和E₂发生的概率分别为P(E₁|d＝i)和P(E₂|d＝i)；$P\left(E_1\right|d=i)=\left\{\begin{array}{cc}2·\left(\begin{array}{c}k/2\\ i\end{array}\right)/\left(\begin{array}{c}k\\ i\end{array}\right),& 1\le i\le k/2\\ 0,& k/2+1\le i\le k\end{array}\right.---\left(3\right)$P(E₂|d＝i)=1‑P(E₁|d＝i),1≤i≤k    （4）其中d是LT码的度，k为数据包数目，利用贝叶斯法则：$P(d=i|E_1)=\frac{P\left(E_1\right|d=i)·{\mu }^{\prime }\left(i\right)}{P\left(E_1\right)}---\left(5\right)$$P(d=i|E_2)=\frac{P\left(E_2\right|d=i)·{\mu }^{\prime }\left(i\right)}{P\left(E_2\right)}---\left(6\right)$P(d＝i|E₁)和P(d＝i|E₂)代表事件E₁和E₂发生时度为i的概率，其中$P\left(E_1\right)=\underset{i^{\prime }=1}{\overset{k}{\Sigma }}P\left(E_1\right|d=i^{\prime })·{\mu }^{\prime }\left(i^{\prime }\right)---\left(7\right)$P(E₂)=1‑P(E₁)         （8）令η=P(E₁)，代表事件E₁发生的概率，则μ′(i)=η·P(d＝i|E₁)+(1‑η)·P(d＝i|E₂)      （9）将式（9）插入式（2），得到$\mu \left(i\right)=\frac{{\beta }^{\prime }}{\beta }·{\mu }^{\prime }\left(i\right)+\frac{{\beta }^{\prime \prime }}{\beta }·{\mu }^{\prime \prime }\left(i\right)$$=\frac{{\beta }^{\prime }}{\beta }·{\mu }^{\prime }\left(i\right)+(1-\frac{{\beta }^{\prime }}{\beta })·{\mu }^{\prime \prime }\left(i\right)---\left(10\right)$$=\frac{{\beta }^{\prime }}{\beta }·[\eta ·P(d=i|E_1)+(1-\eta )·P(d=i|E_2)]+(1-\frac{{\beta }^{\prime }}{\beta })·{\mu }^{\prime \prime }\left(i\right),1\le i\le k$整理得到直传模式的总的度分布为μ′₁(·)，包含式（2）中的μ″(i)和事件E₁；异或模式的总的度分布为μ′₂(·)，包含E₂，μ′₂(·)需要去卷积，得到$f_m\left(i\right)=\left\{\begin{array}{cc}\sqrt{{\mu }_2^{\prime }\left(2\right)},& i=1\\ \frac{{\mu }_2^{\prime }(i+1)-{\Sigma }_{j=2}^{i-1}{f}_m\left(j\right)f_m(i+1-j)}{2f_m\left(1\right)},& 2\le i\le k/2\\ 0,& \mathrm{others}\end{array}\right.---\left(12\right)$式（11）重写成$\mu \left(i\right)=\frac{{\beta }^{\prime }}{\beta }·(1-\eta )·{\mu }_2^{\prime }\left(i\right)+(1-\frac{{\beta }^{\prime }}{\beta }·(1-\eta ))·{\mu }_1^{\prime }\left(i\right)---\left(13\right)$其中${\mu }_1^{\prime }\left(i\right)=\frac{\frac{{\beta }^{\prime }}{\beta }·\eta }{1-\frac{{\beta }^{\prime }}{\beta }·(1-\eta )}·P(d=i|E_1)+\frac{1-\frac{{\beta }^{\prime }}{\beta }}{1-\frac{{\beta }^{\prime }}{\beta }·(1-\eta )}·{\mu }^{\prime \prime }\left(i\right)$和μ′₂(i)=P(d＝i|E₂)所以对于DLT码的度分布采用改进的去卷积孤立度分布p_m(·)为p_m(i)=λ_m·f_m(i)+(1‑λ_m)·μ′₁(i),$1\le i\le \frac{k}{2}$其中${\lambda }_m=\sqrt{\frac{{\beta }^{\prime }}{\beta }·(1-\eta )};$步骤2，在0到1之间产生一个随机数val，若val＜λ_m，则采用异或模式进行编码，度分布为f_m(i)，概率为λ_m；反之，则采用直传模式进行编码，度分布为μ′₁(i)，概率为1‑λ_m；根据选择的度分布随机选择当前编码包的度d；步骤3，根据步骤2得到的当前编码包的度d，生成DLT编码包；（1）在异或模式下，源端交替在k₁集合和k₂集合里选择d个数据包用来异或生成DLT编码包并组播发送给中继车辆；（2）在直传模式下，从k个数据包中选择d个数据包用来异或生成DLT编码包并且直接传给目的车辆；步骤4，重复步骤2到步骤3，生成多个编码包；当某一目的车辆接收到的编码包数达到可以译码的数量时，采用置信度传播算法进行译码，获得源数据包后向源端发送一个ACK；当源端接收到来自所有目的车辆的ACK时，源端停止生成DLT编码包。