一种基于误码特征的802.11 WLAN包丢失原因推断方法

王涛^{1, 2}，黎文伟²，雷婷³

(1. 湖南城市学院 信息科学与工程学院，湖南 益阳，413000；

2. 湖南大学 信息科学与工程学院，湖南 长沙，410082；

3. 成都工业学院 通信工程系，四川 成都，611730)

摘 要：

基于误码特征的802.11 WLAN误码丢包原因判别方法。利用误码包末尾比特误码概率更高的特点，只回送末尾1 500 bit进行误码特征分析；通过理论分析和实验验证，引入区分效果较好的误差向量指标；并在获得误码特征指标集后使用贝叶斯分类算法进行丢包原因判别。研究结果表明：与COLLIE相比，本文方法的判别精度提高，准确性提高约5.3%，假阳性率降低约4.8%，假阴性率降低约10.5%，而通信开销则降低约50%，表明本文方法可更高精度、低开销地实时判别WLAN误码丢包原因。

关键词：

WLAN；丢包；误码特征；误差向量幅度；贝叶斯分类；

中图分类号：TP393           文献标志码：A         文章编号：1672-7207(2014)05-1522-09

A bit error characteristic based method for packet loss causes inference in 802.11 WLAN

WANG Tao^{1, 2}, LI Wenwei², LEI Ting³

(1. College of Information Science and Engineering, Hunan City University, Yiyang 413000, China;

2. College of Information Science and Engineering, Hunan University, Changsha 410082, China;

3. Department of Communication Engineering, Chengdu Technological University, Chengdu 611730, China)

Abstract: An improved bit error characteristic based method for infering the causes of bit-error packet loss in 802.11 WLAN was proposed. It adopts the phenomenon that the ending bits in bit-error packets have higher error probability, just sends the ending 1 500 bit for analyzing bit-error characteristics, and it adds EVM as a new infering parameter through theory analyzing and experimental varifing. At last, the Bayes classification algorithm for judging packet loss causes was studied after the bit-error characteristics metrics were obtained. The results show that, compared with COLLIE, the precision of the proposed method is improved. It can increase the accuracy by about 5.3%, and decrease the pseudo positive rate r_fp by about 4.8%, pseudo negative rate r_fn by about 10.5%, while communication cost decreases by about 50%. So it can deduce the causes of bit-error packet loss in wireless LAN with higher pricision and lower cost.

Key words: WLAN; packet loss; bit error characteristic; error vector magnitude; Bayes classification

近年来，基于国际电气与电子工程学会(IEEE) 802.11的无线局域网(wireless local area network, WLAN)得到快速发展，被广泛应用于需要提供互联网接入但又不方便采用有线接入方式的场所，如校园、机场、车站等。由于受信号衰减或信号干扰等因素的影响，与有线网络相比，IEEE 802.11 WLAN链路质量较差，存在较高误码率，且往往由此引起数据包频繁丢弃^[1-2]，使得发送端需多次重传数据包，导致信道利用效率不高，性能下降。总体而言，IEEE 802.11 WLAN的频繁丢包是因为无线链路有较高误码率，而具体到每一个数据包，主要有2类不同原因的误码可导致丢包：第1类是由于数据包传输出现了冲突(collision)或无线信号受到干扰而产生误码，由此引起的丢包称为冲突丢包；第2类是信号衰减、信道衰弱等使得接收端收到的信号太弱而导致的误码，由此引起的丢包称为弱信号丢包。误码丢包的原因反映了当前的无线信道状态。但IEEE 802.11标准未考虑区分误码丢包的原因，对误码丢包亦采取较保守的处置方案^[3-4]：标准规定接收端需对每个收到的单播数据包以ACK (acknowledgement)包进行确认，若发送端超时未收到ACK包则指示出现丢包。首次出现丢包时，发送端会保守地将其归结为冲突丢包，执行二进制指数退避(binary exponential back-off, BEB)算法以原速率进行若干次重传；若重传数据包仍被丢弃，则归结为弱信号丢包，触发速率自适应(rate adaptation, RA)调整算法调整传输速率^[5]。此方案主要在冲突丢包的静态WLAN环境下可以工作良好，但无线用户的移动性增强^[6-7]。在用户移动较频繁的环境下，丢包更可能是由于传输速率过度优化或传输距离太远而引起弱信号丢包，显然，该方案会产生大量不必要的包重传，使WLAN性能明显恶化，如Kolar等^[2]发现在实际WLAN中有26%的数据发生重传。因此，在出现误码丢包时，有必要对误码的原因进行推断，使发送端可采取正确的丢包处置措施。若为冲突丢包，则发送端运行BEB算法重传数据包；若为弱信号丢包，则根据RA算法适当降低发送速率后重传，从而保证发送端选取最佳传输速率并避免不必要的包重传和速率调整，提高系统吞吐量并优化WLAN性能^[8]。目前，已有一些802.11误码丢包原因推断方法的研究，如：Seongkwan 等^[9]提出了通过发送方、接收方交换RTS(request-to-send)/ CTS(clear-to-send)控制报文的误码原因推断方法；Khan等^[10]提出了RTS/CTS与数据分段相结合的方法来推断误码丢包和拥塞丢包。这些方法均需要多次交换RTS/CTS控制报文，通信开销大，且不能在出现丢包后实时地推断原因。Rayanchu等^[11]提出了一种COLLIE(collision inferencing engine)推断方法，主要通过分析丢包时的误码特征来判别丢包原因，具有实现简单、可实时推断丢包原因等特点。但COLLIE需要接收端将整个误码包作为误码数据回送至发送端来分析误码特征，开销较大；虽然分析了多种误码特征，但判别丢包原因时实际上只参考了任一指示冲突丢包的误码特征，故判别准确性不高。为进行实时、准确地推断误码丢包原因，本文作者对COLLIE方法进行改进，通过对丢包时误码特征进行分析，减少接收端回送的数据量；通过理论分析和实验验证，引入新的区分指标误差向量幅度；综合考虑误码特征，采用贝叶斯方法对丢包原因进行推断。

1　COLLIE方法分析

COLLIE进行误码丢包原因推断的基础是在实验中发现的现象：出现误码丢包时，冲突丢包和弱信号丢包的误码特征具有明显不同的统计分布特征。COLLIE进行丢包原因推断过程如图1所示。发送端发送数据包后保存1个备份。若接收端收到的数据包出现误码包，则将其作为误码数据全部回送反馈至发送端。发送端将其与之前保存的数据包备份进行比较得出误码位图，以计算误码特征指标集。发送端再采用Metric-Vote策略检查计算的误码特征指标集来推断丢包原因，该策略只要发现任一误码特征指标指示是冲突引起的误码，则判别为冲突丢包。

图1  COLLIE工作过程示意图

Fig. 1  Illustration of COLLIE

COLLIE所用的误码特征指标有接收信号强度(I_RSS)、误码率(R_BE)、符号误码率(S_EP)以及符号累积误码率(R_AE)。符号(symbol)是指经物理层编码和调制后同时传输的bit序列，如正交频分复用(OFDM)技术中，若有48个子载波(sub-carry)传输数据，则符号为48 bit的序列。S_EP是误码包中所有出现误码的符号的平均误码率。记误码包中第i次连续出现的误码符号个数为B_i，则R_AE是所有B_i的平方和。

在有额外的COLLIE服务器辅助及多个接入点(access point, AP)回送误码数据时，COLLIE的判别准确度可高达95%。显然，这种方式成本太高，且与802.11 WLAN的实际应用场景不符。在实际应用中，绝大多数无线终端仅连接了1个AP，此时，COLLIE的准确度不超过60%，故有必要对COLLIE进行改进。

2　改进的丢包原因推断方法

对COLLIE方法进行分析，可知其主要有3个可改进之处。首先，接收端将整个误码包作为误码数据回送发送端带来了较大的通信开销；其次，在已有误码特征指标基础上若能补充区分性能好的指标，则可提高推断精度；最后，推断丢包原因的Metric-Vote策略未能充分利用误码特征指标集对误码原因的指示作用，导致判别准确度低。为此，下面从这3个方面对COLLIE进行改进。

2.1  误码比特回送量分析

获取误码特征时，COLLIE实际隐含了1个假设，即认为误码包中任一比特出错的概率是相等的，所以，将整个误码包回送发送端来计算误码特征指标集。而Bo等^[12]的研究表明，数据包中bit数出错的概率并不相等，而是与比特数在数据包中的位置线性相关，越靠近数据包末尾的比特，出错概率越高。根据这一结果，若仅使用误码包末尾的部分比特即可计算出能明显区分冲突或弱信号的误码特征指标，则与接收端回送误码数据时，完全可以只回送误码包末尾的部分比特，而不是回送整个误码包，从而降低通信开销。

为验证误码包末尾的部分比特是否具有与整个误码包类似的、足以区分冲突或弱信号的误码特征，同时为确定恰当的误码包末尾比特回送数量，使得回送比特数尽量少且保持足够的丢包原因区分能力，设计了与COLLIE类似的实验，对截取误码包末尾不同比特数的误码特征进行比较分析。Bo等^[12]的研究结果表明误码包末尾1 000~2 000 bit误码概率较大，故本文选取全部误码包、误码包末尾1 000，1 500和2 000 bit进行分析。

2.1.1  误码特征分析实验设置

用于测量分析误码特征的实验环境如图2所示。Tx1和Tx2为2台带无线网卡的笔记本电脑，安装Red Hat Linux操作系统，内核版本为2.6.26。Tx1和Tx2之间为AP(PC)。因为实验需对AP的无线网卡驱动进行修改，而通用AP修改较困难，故图2中以1台装有无线、以太双网卡的普通PC代替AP。其无线网卡选型及驱动程序与Tx1和Tx2相同，工作模式为AP模式，并自行编写了实验所需的程序。为避免其他802.11无线信号的干扰，实验在较空旷的操场进行，且每次实验前均测试是否存在其他同频的无线信号。

测量冲突误码特征时，Tx1和Tx2工作于STA模式即一般的客户模式，以指定速率发送数据包，并记录每个数据包的发送时间戳和包内容。Tx1和Tx2与AP的距离稍远，但保证了单独发送时AP不会出现误码丢包，以避免信号衰减影响冲突误码特征的准确测量。为保证在AP有较高概率出现冲突，Tx1和Tx2关闭了BEB算法，且发送的是广播包，以避免AP对接收的包响应ACK包而影响实验结果。

图2  误码特征分析实验环境

Fig. 2  Experiment setup for analyzing bit errors

弱信号误码特征的测量实验设置更简单。将图2中的Tx2移除，Tx1向PC发生单播数据包。Tx1与AP之间的距离从1 m开始，逐步增大，直至AP接收到较频繁的错误包时才开始记录数据，并继续增大距离至丢包率为100%。

PC除充当AP外，亦工作于monitor模式。在该模式下，PC将忽略循环冗余校验，无论数据包正确与否，都会捕获下来。PC记录包接收时间戳、包内容、接收信号强度以及该包是否应丢弃等信息。

2.1.2  数据处理

由于不同传输速率可能有不同误码特征，选择了最大的54 Mbit/s，中等的24 Mbit/s以及最低的6 Mbit/s进行实验。实验时，Tx1和Tx2是随机地发送任意长度的广播包,每次试验发送的包数量为10 000个。

分析数据时，需要将发送端数据包与接收端数据包进行匹配。处理时，直接使用误码数据包中的源MAC地址来确定其发送者。这是因为：由于包接收时接收端使用了前导码(preamble)进行包同步，使得紧随前导码之后的数据包括源MAC地址、目的MAC地址等很少出现误码，因此，虽然数据包存在误码，但使用源MAC地址来确定其发送者仍较准确。而Bo等^[12]的研究也表明，比特出错的概率与比特在包中所处的位置存在一定的线性关系，在起始位置的比特出错的概率极小，故接收端虽然收到的是存在误码的数据包，但其源MAC地址、目的MAC地址部分一般能正确解码，从而能保证正确地确定误码数据包的发送者。

确定发送者后，需将误码数据包与正确的发送数据包匹配。由于接收端数据包的其他部分很可能出现误码，显然在包内设置序列号等标识不能辅助包匹配，故确定了包的发送者后，根据接收、发送时间戳及估计的包传输时间来进行接收包、发送包的匹配。为此，需要Tx1，Tx2和AP有较精确的时钟同步，故每次实验前将Tx1和Tx2接入以太网，以AP为基准进行时钟同步，以保证准确的包匹配。

2.1.3  不同末尾比特数的误码特征

指示误码特征的指标有接收信号强度I_RSS、误码率R_BE、符号误码率S_EP及符号累计误码率R_AE等。其中I_RSS是在接收端直接读取的，与误码包比特数无关，不在分析比较范围内，故主要考虑R_BE，S_EP及R_AE的分析比较。由于试验时随机选择包长，可能会出现包长度不足指定比特数的情况，故使用全部误码包比特进行分析。

图3所示为不同传输速率下，分别使用全部误码包以及仅使用末尾2 000，1 500和1 000 bit计算得出的误码率累计分布函数图。其中，WS表示弱信号丢包，CL表示冲突丢包。

由图3可知：若使用全部比特计算，弱信号丢包时约有98%的包误码率小于10%，冲突丢包时最多约有42%的包误码率小于10%；使用末尾2 000 bit计算，弱信号丢包时约有95%的包误码率小于10%，冲突丢包时最多约有40%的包误码率小于10%；使用末尾1 500 bit计算，弱信号丢包时约有90%的包误码率小于10%，冲突丢包时最多约有38%的包误码率小于10%；而使用末尾1 000 bit计算，弱信号丢包时约有76%的包误码率小于10%，冲突丢包时最多约有36%的包误码率小于10%。可见：使用不同比特数计算的误码率累计分布函数存在差别，但使用全部比特或末尾2 000 bit或1 500 bit计算的误码率对丢包原因区分效果较好，而使用末尾1 000 bit计算的误码率对丢包原因区分效果则不理想。

图4所示为24 Mbit/s时，使用不同比特数计算得出的误码率累计分布函数图。从图4可以看到：对于4种计算方式，在同种原因下，同一传输速率的误码率累计分布函数有所不同。但据图3和图4，无论传输速率多大，对于冲突丢包和弱信号丢包，使用全部误码包或末尾2 000 bit或1 500 bit计算的误码率累计分布函数有明显区别，故根据计算的误码率，丢包原因是统计可分的；而使用末尾1 000 bit计算的误码率累计分布函数虽有区别，但用于误码原因的统计推断时可能误差较大。综合考虑推断的通信开销和推断精度，选择末尾1 500 bit较合适。在实验中，上述4种使用不同比特数进行计算的方式所得出的符号误码率和符号累积误码的结果与误码率类似。

图3  误码率R_BE的累计分布函数

Fig. 3  CDF of R_BE

图4  24 Mbit/s的R_BE累计分布函数

Fig. 4  CDF of R_BE at 24 Mbit/s

2.1.4  末尾1 500 bit的误码特征

图3和图4给出了末尾1 500 bit的误码率累计分布函数，发现2种原因的误码率特征是统计可分的。下面对末尾1 500 bit的其他指标进行分析。

图5和图6所示分别为根据误码包末尾1 500 bit计算得出的S_EP累计分布函数图及R_AE的累计分布函数图。从图5可见：约98%的弱信号丢包S_EP小于36%，而只有约40%的冲突丢包S _EP小于36%。从图6可见：约98%的弱信号丢包R_AE小于320，而只有约63%的冲突丢包R_AE小于320。这表明仅使用末尾1 500 bit计算S_EP和R_AE，同样在统计意义上可以判别误码丢包原因。

综合图3~6可知：使用误码包末尾1 500 bit计算的R_BE，S_EP和R_AE指标在统计意义上已经足够判别丢包原因，故不必要使用更多比特，如2 000 bit或全部误码包。但若小于1 500 bit如1 000 bit，则可能区分效果不理想。因此，根据这一结果，当接收端出现误码丢包时，仅将误码包的末尾1 500 bit反馈回发送端，这样极大地降低了丢包原因判别的传输开销。

图5  S_EP的累计分布函数(末尾1 500 bit)

Fig. 5  CDF of S_EP (1 500 bit in ending)

图6  R_AE的累计分布函数(末尾1 500 bit)

Fig. 6  CDF of R_AE (1 500 bit in ending)

2.2  误差向量幅度指标分析

为进一步提高丢包原因的推断精度，可以考虑补充更多区分效果好的误码特征指标。现代无线通信系统中，误差向量幅度(error vector magnitude, EVM)是评价数字调制质量的指标之一。

2.2.1  M_EV的理论分析

对于IEEE 802.11的无线通信，下面分析约定采用OFDM技术，并假设使用二进制相移键控BPSK调制技术(其他调制技术的分析类似)。

对于第n个发送的信号，设I_n表示发送端发送的信号，R_n表示接受端收到的信号，误差向量E_n可表示为E_n=R_n-I_n，则M_EV定义为误差向量的均方根^[13]，即

      (1)

式中：T为接收的符号数量；P₀为给定调制技术下所有符号的平均功率。

对于OFDM系统，根据文献[14]，式(1)可变换为

    (2)

式中：N为子载波的数量；r_n,k为第k个子载波上接收的第n个OFDM时域符号；i_n,k为第k个子载波上发送的第n个OFDM时域符号，e_n,k=r_n,k-i_n,k。假设信道为多径衰落信道，有

r_n,k=H_ni_n,k+η_n,k +ζ_n,k             (3)

式中：H_n为频域的信道失真系数；η_n,k为第k个子载波的第n个OFDM符号的高斯白噪声；ζ_n,k为其由于冲突而受到的干扰。

当信号传输没有受到冲突干扰时，式(3)可变为

r_n,k=H_ni_n,k+η_n,k                (4)

将式(4)代入式(2)可得信号传输没有受到冲突干扰时的M_EV计算公式为

      (5)

而当信号传输受到冲突干扰时，将式(3)代入式(2)可得信号传输受到冲突干扰时的M_EV计算公式为

   (6)

比较式(5)和式(6)可知：若数据包在传输过程中出现了冲突，则其M_EV将要比其他没有误码的数据包或因弱信号而出现误码的数据包的高。这说明可以考虑将M_EV作为丢包原因区分指标之一。

2.2.2  M_EV的试验分析

图7所示为不同速率下，冲突丢包及弱信号丢包的M_EV累计分布函数。由图7可知：在相同原因丢包下，不同速率的M_EV累计分布函数较接近，区别不大；而不同原因丢包的M_EV累计分布函数则有较大区别，如约90%的冲突丢包M_EV小于10 dB，有约90%的弱信号丢包M_EV小于-18 dB，在统计意义上，冲突丢包的M_EV要明显大于弱信号丢包的M_EV，这也与前面的分析结果相一致。因此，从累计分布函数可知，丢包原因根据M_EV是统计可分的，故可将M_EV作为一个丢包原因区分指标。

图7  M_EV的累计分布函数

Fig. 7  CDF of M_EV

2.3  判别算法

对于丢包原因判别而言，仅将误码包的末尾1 500 bit反馈回发送端后，利用计算的R_BE，S_EP和R_AE等误码特征指标已足够进行判别，而且实际判别时，还会加上I_RSS指标以及M_EV指标。但需要注意的是：这种判别是统计意义上的，即不能根据计算的误码特征指标简单地直接判别，而是需要采用适当的统计学判别方法。

从本质上看，丢包原因判别问题其实就是统计学中常见的分类问题，目前已有很多经典的算法。由于每次误码丢包都需要对丢包原因进行判别，算法不能太复杂，故本文选择结构较简单但准确、快速的贝叶斯分类算法进行丢包原因判别。具体应用过程如下。

令C为表示丢包原因的类变量，则

           (7)

令属性变量X₁，X₂，X₃，X₄和X₅分别表示误码包的I_RSS，M_EV及根据末尾1 500 bit计算的BER，EPS和S-Score，则由贝叶斯公式可得

    (8)

式中：P为概率。设I_RSS，R_BE和S_EP等属性均独立，则

    (9)

又由于P(X₁，X₂，X₃，X₄，X₅)对任何C均为常数，故由式(8)可得：

  (10)

则对任意给定的属性值x₁，x₂，x₃，x₄和x₅，C为

          (11)

式(11)表明：任意给定的属性值x₁，x₂，x₃，x₄和x₅对应的丢包原因即为使得最大的C的取值。

为使用式(11)对丢包原因进行判别，首先对贝叶斯分类方法进行训练，即根据实验数据获得先验概率P(X_i|C)(i=1, 2, 3, 4, 5)的估计值。此外，属性变量X₁，X₂，X₃，X₄和X₅均为连续随机变量，为方便处理，采用等区间法将各个属性变量进行离散化。

2.4  丢包原因判别方法

改进的丢包原因判别方法步骤如下。

(1) 发送端发生数据包时，备份数据包末尾的1 500 bit，记为P_s，并等待接收端的ACK。若误码包包长较小，不足1 500 bit，则备份全部比特。

(2) 接收端收到误码包需丢弃时，以ACK的形式向发送端回送反馈I_RSS，M_EV和误码包末尾1 500 bit。若误码包包长较小，小于1 500 bit，则返回全部比特。

(3) 发送端收到接收端ACK反馈的信息，记误码包末尾1 500 bit为P_e，将P_s和P_e按位进行异或运算，得出误码位图。

(4) 发送端根据误码位图计算R_BE，S_EP和R_AE等误码特征指标。

(5) 发送端根据I_RSS，M_EV，R_BE，S_EP和R_AE的取值分别计算和，其中大者决定C的取值，亦即丢包原因。

3　实验评估

通过实际网络的实验对本文方法进行评估，并与COLLIE方法进行比较。实验环境见图2，实验设置与前面所述的类似。

评估的指标有准确性r_a、假阳性率r_fp、假阴性率r_fn和通信开销c。定义r_a为被正确推断丢包原因的误码包占全部误码丢包中的百分比，r_fp为丢包原因为弱信号但被误判为冲突的误码包占所有弱信号丢包的百分比，r_fn为丢包原因为冲突但被误判为弱信号的误码包占所有冲突丢包的百分比，c为所有误码包的接收端回送比特数占原数据包比特数百分比的平均值。

3.1  方法准确性

采用本文方法BeInf与COLLIE的评估结果如表1所示。由表1可知：本文方法比COLLIE的丢包原因推断性能有较大提高。首先是准确性、假阳性率、假阴性率等精度得到较大提高。这是因为所使用的贝叶斯分类算法比COLLIE所用的Metric-Vote策略更适合对丢包原因进行统计意义上的推断，且考虑了更多的推断指标。具体地说，本文方法与COLLIE相比，准确率r_a提高5.3%，假阳性率r_fp降低4.8%，假阴性率r_fn降低10.5%。r_fp降低表明丢包原因为弱信号但被误判为冲突的误码包减少，因此，发送端可减少等待不必要的指数退避时间，及时重传，提高信道利用效率；r_fn降低意味着丢包原因为冲突但被误判为弱信号的误码包减少，因此，发送端可以避免更多不必要的、无效的以原速率重传，减少信道带宽浪费。故这2个指标的改善对提高WLAN的性能有重要作用。

表1  2种方法的评估结果

Table 1  Evaluation results of two methods

其次，本文方法用于原因推断的通信开销也大幅度降低。COLLIE需要回送全部误码包比特，故相对原数据包比特数，其通信开销为100%。而本文方法最多只需回送末尾1 500 bit，故通信开销能大幅度降低。在极端情况下，若原数据包包长为1 500字节，则本文方法通信开销仅为12.5%，在表1中本文方法通信开销降低近50%。

3.2  干扰端距离的影响

干扰端距离AP不同，对AP接收发送端数据包存在的干扰作用也不同，冲突程度也不一样。为评估此因素对方法推断准确性的影响，设置数据发送端Tx1与AP的距离固定为d₁=5 m，干扰端Tx2与AP的距离d₂从5 m递增至40 m(增幅为5 m)进行实验。

随着干扰端与AP间距离d₂的变化，本文方法及COLLIE这2种方法的准确率比较见图8。随着d₂的变化，这2种方法的r_fp和r_fn的比较见图9和图10。由图8~10可知：随着d₂的增大，这2种方法的准确率均下降，而r_fp和r_fn提高。这是因为随着d₂的增大，干扰端在AP对发送端数据包的干扰作用变小，故在AP的冲突程度也变小。此时，对于AP收到误码包，虽然其误码原因是冲突，但冲突对误码原因区分指标的影响程度减弱，误码原因区分指标取值甚至与弱信号误码时的相似，从而使得2种方法识别的准确率降低，r_fp和r_fn提高。

图8  2种方法的准确率r_a比较

Fig. 8  Accuracy comparison of two methods

图9  2种方法的假阳性率r_fp比较

Fig. 9  FPR comparison of two methods

图10  2种方法的假阴性率r_fn比较

Fig. 10  FNR comparison of two methods

从图8~10还可看到：在任意的d₂取值下，本文方法的准确率均比COLLIE的准确率高，而r_fp和r_fn均比COLLIE的低。实验中，在最差情况下，本文方法准确率约为79%，比COLLIE高近12%；r_fp约为18%，比COLLIE低近5%；r_fn约为20%，比COLLIE低近20%。这表明本文方法比COLLIE更能适应冲突程度的变化，在进行误码丢包原因识别时，本文方法具有更好的性能。

4　结论

(1) 在实验基础上，主要对WLAN误码丢包原因判别的COLLIE方法进行了改进。改进措施为：利用误码包末尾比特误码概率更高的特点，只回送末尾1 500 bit而不是全部误码包来分析误码特征，以降低通信开销；通过理论分析和实验比较引入新的具有较好区分效果的误差向量幅度指标；使用更适于统计分类的贝叶斯分类算法对误码原因进行判别，以提高判别准确度。这些改进措施取得了预期的效果，与COLLIE相比，本文方法的判别精度提高，而通信开销则降低近一半。此外，本文方法仍保持了出现误码丢包时可实时判别丢包原因的特点，故是较合适的WLAN丢包原因的判别方法。

(2) 在本文基础上，对WLAN的指数退避算法及速率自适应调整算法进行改进，可有效地提高WLAN的性能和吞吐量。

参考文献：

[1] Pathak P, Utta R. A survey of network design problems and joint design approaches in wireless mesh networks[J]. IEEE Communications Surveys & Tutorials, 2011, 13(3): 396-428.

[2] Kolar V, Razak S, Mahonen P, et al. Measurement and analysis of link quality in wireless networks: An application perspective[C]// 2010 IEEE International Conference on Computer Communications. New York: IEEE, 2010: 15-19.

[3] Kong Z, Tsang D, Bensaou B. Adaptive RTS/CTS mechanism for IEEE 802.11 WLANs to achieve optimal performance[C]// 2004 IEEE International Conference on Communications. New York: IEEE, 2004: 185-190.

[4] Chieochan S, Hossain E, Diamond J. Channel assignment schemes for infrastructure-based 802.11 WLANs: A survey[J]. IEEE Communications Surveys & Tutorials, 2010, 12(1): 124-136.

[5] Huang D, Duffy R, Malone D. H-RCA:802.11 collision-aware rate control[J]. IEEE/ACM Transactions on Networking, 2013, 21(4): 1021-1034.

[6] Waleed A, Weihua Z. Mobility impact in IEEE 802.11p infrastructureless vehicular networks[J]. Ad Hoc Networks, 2012, 10(2): 222-230.

[7] Bychkovsky V, Hull B, Miu A, et al. A measurement study of vehicular internet access using in situ wi-fi networks[C]// 2006 ACM International Conference on Mobile Computing and Networking. New York: ACM, 2006: 50-61.

[8] Paul U, Kashyap A, Maheshwari R, et al. Passive measurement of interference in WiFi networks with application in misbehavior detection[J]. IEEE Transactions on Mobile Computing, 2013, 12(3): 434-446.

[9] Seongkwan K, Lochan V, Sunghyun C, et al. Collision-aware rate adaptation in multi-rate WLANs: Design and implementation[J]. Computer Networks, 2010, 54(17): 3011-3030.

[10] Khan M, Veitch D. Isolating physical per for smart rate selection in 802.11[C]// 2009 IEEE International Conference on Computer Communications. New York: IEEE, 2009: 1080-1088.

[11] Rayanchu S, Mishra A, Agrawal D, et al. Diagnosing wireless packet losses in 802.11:Separating collision from weak signal[C]// 2008 IEEE International Conference on Computer Communications. New York: IEEE, 2008: 735-743.

[12] Bo H, Lusheng J, Seungjoon L, et al. Are all bits equal?: Experimental study of IEEE 802.11 communication bit errors[J]. IEEE/ACM Transactions on Networking, 2012, 20(6): 1695-1706.

[13] Forestier S, Bouysse P, Quere R, et al. Joint optimization of the power-added efficiency and the error-vector measurement of 20-GHz pHEMT amplifier through a new dynamic bias-control method[J]. IEEE Transactions on Microwave Theory Technology, 2004, 52(4): 1132-1141.

[14] McKinley M, Remley K, Myslinski M, et al. EVM calculation for broadband modulated signals[C]// 64th ARFTG Conference on Digital. Orlando: ARFTG, 2004: 45-52.

(编辑  陈灿华)

收稿日期：2013-05-12；修回日期：2013-07-22

基金项目：国家自然科学基金资助项目(61173168)；湖南省科技计划项目(2012FJ3024)；中央高校基本科研业务费项目(2014年)；湖南省普通高校青年骨干教师培养计划项目(2014年)

通信作者：王涛(1981-)，男，湖南益阳人，硕士，讲师，从事网络测量与优化研究；电话：0737-6353128；E-mail: 23119264@qq.com

摘要：提出一种改进的基于误码特征的802.11 WLAN误码丢包原因判别方法。利用误码包末尾比特误码概率更高的特点，只回送末尾1 500 bit进行误码特征分析；通过理论分析和实验验证，引入区分效果较好的误差向量指标；并在获得误码特征指标集后使用贝叶斯分类算法进行丢包原因判别。研究结果表明：与COLLIE相比，本文方法的判别精度提高，准确性提高约5.3%，假阳性率降低约4.8%，假阴性率降低约10.5%，而通信开销则降低约50%，表明本文方法可更高精度、低开销地实时判别WLAN误码丢包原因。