版本。右移的 原始版本提供了一种低复杂性方式来调度资源，但未提供SINR等级和能量消耗上的任何度 量。在范例中，这些因素被包括。接下来，检查这些块是否满足方程(4)中的不等式约束，同
最大化。所提出的过程是：
[0095] -从针对每个^的非零块随机集合开始
[0096] -对于 τη 和 wn-1
[0097]
，前一最大值，同时满足(4)中的约束
[0098] 〇 那么 wn=[wn-1]
[0099] 0 否则 Wn=[Wn-1 1]
[0100] -如果尺寸(Wn)2K
[0101] 〇 那么 τη+1 = [τη 1]
[0102] 〇 否则 τη+1 = [τη]
[0103] -循环结束
[0104] 最优网络级占空比估计
[0105] 如上所述，提出了针对给定应用的最优链路级占空比估计和多址技术。注意，Μ2Μ 网络包含专用于不同应用、业务和资源约束的节点。因此，进一步提出了跨层优化技术，该 技术将无线链路质量和位置的物理层估计与MAC层寻址和事件触发技术以及更高层应用集 成了起来。
[0106] 改善网络级的感测精确度
[0107] 感测模式是不可避免的，并且其直接关系到M2M网关中的估计精确度;可以通过如 下方式对此加以改进：
[0108] a.直接或广播网络:从接入网络向M2M节点发送频繁的导频信号，并从其响应估计 信道状态、多路访问、传感器读取等，以能量消耗增大为代价。
[0109] b.网络邻域发现:或者，传感器能够提供邻居列表以访问这个网络。根据邻居列表 及其感测信息的质量，接入网络能够重新估计并改进传感器节点的占空比。考虑图1中为异 质应用服务的异构网络。可以利用来自为不同应用服务的邻近节点的信息大大改善M2M装 置的通信和感测功能。
[0110]如果一些节点受到其能量的严重约束并需要极低的感测周期，这种方式可能尤其 有用。这种方法需要了解总体网络的布局以及它们的连接性。一旦有了这种信息，就可以通 过处理来自所连接节点的列表的稀少信道感测信息来推导针对每个节点的精确感测信息。 换言之，估计网络邻域导致从几种低精确度M2M感测模式得到改进的感测估计。
[0111] 例如在现有的IEEE 802.15.4标准以及具有100-1000个节点的大中型网络中，感 测模式期间消耗的能量比发送短有效载荷中所消耗的能量更多。为了改进M2M节点中的这 种感测时间，现有网络忽略了网络级信息。通过估计链路级占空比来获得的占空比被如上 所述地通过利用网络级地图来更新。
[0112] 分析给定网络中节点之间关系的一种有效方式是使用协方差技术。从传感器数据 获得的协方差度量可以提供物理层应用和定位。可以将此与特定M2M节点的一跳邻居值组 合，可以提供网络和MAC层地图。
[0113] 这两个度量的加权组合可以提供跨层地图。给定局部邻域覆盖范围、各种应用要 求和给定的触发事件信息等，传感器网关估计醒来的占空比。这种方式在传感器网关或接 入网络中进行估计，利用任其使用的足够的的处理能力。
[0114] 跨层的M2M网络优化
[0115] 考虑具有N个节点的给定网络，其中如上所述估计链路级占空比。首先，考虑睡眠 占空比，稍后，引入感测和发送占空比。利用NX1矢量。^[[^，…，^^，…代表最优睡眠模 式占空比，其中Tsl, i对应于睡眠模式期间花的时间。从链路级占空比算法获得Tsl, i的初始 值。
[0116] 为简单起见，假设所有传感器对应于同一应用，不过，如下文更详细的所述，可以 针对改变的应用对这进行一般化。利用ω」指示特定节点j，j e {1，…，，N}的优先级或权重。 在其他参数中，由链路度量或距离度量dlu指定传感器i和传感器j之间的链路质量。可以在 网络初始化阶段期间获得这些度量并一直保持固定。从物理层的角度看，然后可以利用信 息或概率度量指示任何两个传感器之间的相关性：
[0118] c为常数，Pth对应于某个预定义阈值。可以通过设置Pth的不同值，改变该算法的复 杂性。概率度量Plu随不同占空比'巧e {LiV}的变化而变化。可以通过将概率度量堆叠 为NXN矩阵，获得针对N个节点的整个网络的一组概率转移(probability transition):
[0120] 用于异质应用的最优占空比算法
[0121] 通过相对于由概率度量矩阵(5)指定的连接、权重和应用更新单位规范矢量(unit norm vector)tsi来实现能量最小化的目的。注意，初始tsi不考虑这些网络连接，其累积占 空比将始终小于利用网络邻域信息更新的t sl:
[0123]优化函数未指定对个体占空比Tslu的任何限制。例如，最优tsl可能具有某些零值 条目。对于实际的传感器网络，这将是不可接受的，因为每个传感器都需要感测信道至少最 小的时间量Tmin。
[0124] 在上文中，Tmin对应于要实现预指定的功率节省，特定M2M装置必须要睡眠的最小 量时间。这个值是从最优链路级占空比估计过程获得的。可以将此表示为不等式约束：
[0125] Tsl,j>Tmin
[0126] 除了第一约束之外，网络中所有传感器的总体感测时间满足I |tsl| |2 = 1。可以如 下将优化问题重写成：
[0128] 条件是 Tsi>Tmin (6)
[0129] 合理的是假设Pi,i = l且牧\换言之，P为对角优势矩阵。P具有满列秩。
[0130] 1.注意，P取决于传感器之间的无线传播和距离，对于传感器、优先级和Tsnu的随 机分布，合理的是假设P是对称的正方形矩阵。
[0131] 2.从(6)，从P的特征分解获得不受约束的解。
[0132] 3 .从以上性质，特征分解将获得不同的一组特征值（eigenvalue)和特征矢量 (eigenvector)〇
[0133] 4.对于对称满秩矩阵P，在按照降序布置这些不同的特征值时，选择tsl作为对应于 最优势特征值的特征矢量将使概率转移矩阵最小化：
[0134] tsi = UN其中[U1，…，ι?Ν，λι，···，XN] = eig{P} (7)
[0135] 5.在(7)中，通过使占空比与七81成比例给出针对给定网络的最优睡眠时间。
[0136] 图4示出了用于估计最优网络级占空比的过程。在图4中可以看出，该过程开始于 步骤40,步骤40是图3所示过程的结尾。在步骤42,利用概率度量指示M2M装置之间的连接。 在步骤44,堆叠概率度量，这就是睡眠占空比。对于不受约束的情况，在步骤46,计算堆叠概 率矩阵的特征分解，以使总能量消耗最小化。在步骤48,确定对应于最少优势特征值的特征 矢量以提供最优睡眠占空比。
[0137]扩展算法以用于最优感测占空比
[0138] 可以针对工作于感测模式中的M2M节点扩展更新睡眠占空比的表达式(5)和（6)， 以获得控制信号传送。利用NX1矢量t sn=[Tsna，. . .，Tsn,N]T表示最优感测模式占空比，其中 Tsn, i对应于感测模式期间的时间花费。从链路级占空比估计算法获得Tsn, i的初始值。
[0139] 利用由概率测量矩阵P指定的不同感测邻居之间的连接，可以将节点处的感测信 息表示为累积和：
[0140] 巧,"知〇 二 Am + W #
[0141] 从以上表达式可知，更新的感测时间Tsn,i(tsn) 2 Tsn,i和网络感测模式的质量比链 路级感测时间更好。注意，感测信息的精确度与Utsn)成比例；于是，可以将概率度量用 于如下任一目的：
[0142] -减小实现特定服务质量(例如，初始Tsmi)所需的扫描占空比。这又减少了每个传 感器在扫描阶段消耗的总时间，从而使扫描模式期间的能量消耗最小化；
[0143] -从一组低占空比扫描提供给定传感器的更精确信道/操作状态。
[0144] 以上过程为给定网络估计最优睡眠占空比。可以利用概率度量扩展相同的方式以 修改在上行通信模式中从一组传感器发送的时间。
[0145] 最优网络级占空比算法的一般化
[0146] 可以对概率度量进行一般化以包括对应于MAC和应用层的参数。在这样的情况下， 其余参数保持不变，仅修改概率度量。假设每个M2M装置都提供一跳邻居估计。注意，一跳邻 居的估计是相当低复杂性的操作(基于粗略的RSSI强度）。
[0147] 包括一跳邻居，可以将概率度量进行如下重写：
[0149]包括关于异质应用的概率度量信息：
[0151]其中Wlu指示对两个不同应用寻址的节点i和j之间的权重或优先级。接入网络能 够基于测量值估计这一权重。
[0152 ]例如，令xi和xj对应于在M2M网关处接收的指示来自传感器i和j的消息的Ln个比特 序列。M2M网关可能没有应用的细节。在这种情况下，这两个序列之间的自相关会提供这两 个消息之间关系的测量：
[0154] 将要认识到，可以将跨层占空比优化扩展到在自组织网络设立中的跨层优化。例 如，为具有异质应用的自组织网络进行路由或为具有分裂控制平面的异质蜂窝网络进行多 路访问。
[0155] 具有异质应用的自组织网络:
[0156] 在扩展到更一般的自组织网络空间时，提出了路由算法的网络级优化以解决流量 瓶颈的问题。不过，节点未必是受能量限制的，并且优化成本可能与M2M网络的不同。不过， 可以针对这个问题重新表述上述算法。例如，通过最优网络级过程，可以使用邻居协作来增 强路由协议的性能。
[0157] 具有分裂控制平面的异质蜂窝网络的多路访问:
[0158] 已经提出了一种用于异质蜂窝网络的网络配置，以将控制平面分开并方便网络的 部署，减轻切换失败并实现能量接节约。根据其业务要求，可以由宏小区或小小区控制该组 用户设备。这些业务要求以及它们与宏小区和小小区的相关性可以被表述为类似于最优网 络级占空比的问题，并可以使用对应的小区选择技术。
[0159] 上述跨层占空比优化方法允许利用跨层优化模型显著地增加电池寿命，并将异质 应用与网络和物理设置集成。
[0160]上文这样描述了物理、MAC和更高层的算法，以估计在为异质应用服务的网络之内 每个能量受约束装置或M2M装置必须工作的最优睡眠占空比，以使得这些装置中的总能量 消耗最小化。不过，进一步希望提供利用完整或不完整信息对网络状况的自适应学习，以便 保持感测的精确度和睡眠占空比优化。
[0161] 可以将上述跨层占空比优化用作包括自适应学习的交互式睡眠