MANET的关键技术及其在军事通信中的应用_物联网应用中的三项关键技术

摘　要：MANET因具有自组性、机动性及抗毁性而受到人们的高度关注。在阐述MANET的起源与发展及其工作原理的基础上，较全面详细地分析了MANET的关键技术；介绍了MANET在法军、美军通信中的应用。
关键词：MANET　关键技术　军事通信
中图分类号：TN911文献标识码：A　文章编号：1007-3973（2012）007-089-03
1 引言
MANET（Mobile Ad-hoc Network，MANET）起源于1971年美国夏威夷大学设计实现的第一个分组无线网络——ALOHA系统，在军事通信中具有广阔的应用前景。美国DARPA（Defense Advanced Research Project Agency）在1972年、1993年和1994年分别启动于分组无线网（PRNET,Packet Radio NETwork）、高残存性自适应网络SURAN和全球移动信息系统GloMo三个项目，取得丰硕的理论和应用成果，并一直持续深入研究PRNET技术。1991年成立的IEEE80211标准委员会使用术语“Ad Hoc网络”来描述这种特殊的自组织对等式多跳无线移动通信网络。1997年成立IETF MANET工作组，致力于MANET协议的标准化，加速推动了商用MANET的研发。
以局域网技术、数据分组交换技术为基础，MANET由一组带有无线收发装置的移动分组无线单元(Packet Radio Unit，PRU)组成，是一种多跳临时性移动通信网络。PRU由无线电台、天线和数字控制器组成。在MANET网络中传送的信息以分组为基本单元，每个分组包括包头和正文两部分。包头通常包括该分组在分组无线网中的源地址、目的地址和相关路由信息；正文部分则是需要传送的消息，正文部分可包含IP数据或其他数据。MANET不设中心站、采用分布式网络结构，每个节点均可作为源节点、目的节点或中继节点，且利用分组包头中的控制信息分包为每个分组选择传输合适的路由。
和依赖于固定基础设施的通信网络相比，MANET具有自身的特点和优点，近年来受到人们的广泛关注。
2 MANET的关键技术
不依赖于固定的基础设施、节点可能随时进入/离开网络、整个网络采用分布式结构运行，MANET有很多技术难点，其关键技术主要有：MAC协议、QoS保障、路由协议、功率控制、安全问题、网络互联和网络资源管理等。
21 MANET的MAC协议
链路层解决的主要问题包括介质接入控制以及数据的传送、同步、纠错和流量控制等，分为媒介访问控制层（MAC）和逻辑链路控制层（LLC）。MAC协议决定节点什么时候允许发送其分组，且通常控制对物理层的所有访问。
在MANET中存在隐藏终端和暴露终端问题，要在MAC层解决这两个固有问题，因而不能直接应用载波侦听多址访问（CSMA）协议（WLAN中使用最多的异步随机访问协议）。MANET的MAC协议有竞争协议、分配协议和混合协议三类。竞争协议使用直接竞争来决定信道访问权并通过随机重传来解决碰撞问题，在传输载荷轻的时候碰撞次数少、信道利用率高、分组传输时延小；但在传输载荷增大时，协议性能下降很快甚至致使网络崩溃。改进的竞争协议代表有：多址访问与碰撞回避（MACA）协议、信道获取多址访问（FAMA）协议、IEEE80211 MAC等。分配协议使用同步通信模式，时隙与节点的映射决定一个节点在其特定时隙内允许访问的信道。分配协议往往在中等到繁重传输载荷条件下运行良好，但信道时隙化导致在轻传输载荷条件下的时延相对于竞争协议是非常大的。分配协议有：五步预留协议（FPRP）、跳频预留多址访问协议（HRMA）等。混合协议能够保持所组合的各个协议的优点又能避免其缺陷，在传输载荷轻的时候表现为竞争协议的性能，而在传输载荷重的时候近似表现为分配协议的性能。典型的混合协议有：TDMA/CSMA混合协议、Meta-协议等。
22 路由协议
MANET设计中的一个关键问题是开发能够在两个节点之间提供高质量高效率通信的路由协议。Internet路由协议不能适应MANET网络节点的移动性和网络拓扑结构不断变化，专门的适用于MANET的路由协议应能够满足功能：能感知网络拓扑的变化、维护网络拓扑的连接、高度自适应的路由。IETF MANET已经完成的标准化路由协议主要有：主动式路由协议有最优化链路状态路由协议（OLSR）和基于反向路径转发的拓扑分发协议（TBRPF）；按需路由协议有按需距离矢量路由协议（AODV）和基于节点间相互关系的路由协议（ABR）；综合主动式路由思想和按需路由思想的路由协议称为混合型路由协议，有域路由协议（ZRP）和抢先式路由协议等。
分组无线网应用环境复杂多样，不同的应用环境追求不同的性能，这导致很难寻找MANET的最优路由协议。如：在军事应用中更关注系统的抗毁性、隐蔽性和保密性；而在无线会议系统中则更注重端到端的时延和吞吐量。不同类型的路由协议具有自身的优缺点，适应于不同的网络环境。不可能用一种路由算法作为标准的路由协议去比较好地解决所有MANET路由问题，路由算法的最优化石针对具体网络环境的工程化问题。混合型路由协议因其固有的灵活性，而具有很好的应用前景。
MANET的用户通常是具有协同工作关系的群体，而群组通信必须由多播路由协议提供通信支持。但有线网络环境中使用的多播路由协议(如：多播开放最短路径优先协议MOSPF等)在移动分组无线网中不再适用，因为动态的网络拓扑结构会导致分发树的破坏，而不得不因连接变化而调整。原达等提出了适用于移动分组无线网的多播路由协议。在移动分组无线网环境中，多播路由协议起着非常重要的作用。在协议中采用按需路由发现策略，动态建立路由信息及维持多播组成员关系。控制开销小、实现简单，能够适应较低带宽的大规模动态网络环境，具有稳定的分组转发成功率和良好的伸缩性，获得了较好的多播数据传输质量。

这款洗衣机有防鼠板。防鼠底板可以防止老鼠打洞，防止咬坏电器设备，造成损坏，甚至漏电，引起人身伤害，这个就是设计防鼠底板的原因。小天鹅，全名无锡小天鹅股份有限公司是一家洗衣机制造商，始建于1958年，总部位于江苏无锡。无锡小天鹅股份有限公司前身始建于1958年。从1978年中国第一台全自动洗衣机的诞生到2010年品牌价值达15016亿元，成为世界上极少数能同时制造全自动波轮、滚筒、搅拌式全种类洗衣机的全球第三大洗衣机制造商，小天鹅历史上的每一次进步都印证着成功的脚步。2010年推出全球首台物联网洗衣机，2012年推出国内首创、达国际先进水平的热泵干衣机、首台iAdd自动投放洗衣机、全球首台物联网自动投放洗衣机，可以说，作为中国洗衣机市场发展最早，也是唯一还处在市场领军行列的企业，小天鹅的发展成长史，就是一部中国洗衣机产业的创新做强史。

大数据技术与应用专业还是比较好找工作，近几年最火热的互联网公司，大多都需要大数据工程师，这个专业毕业的学生有机会进到大的互联网公司从事大数据项目实施工程师、大数据平台运维工程师、大数据平台开发工程师等。

从宏观来看，分析了各大招聘网站收集整理的信息，我们发现，除了BAT巨头企业之外，金融、新能源、汽车、智能硬件、计算机软件、电子商务、医疗、制造和教育九大行业目前仍然冒着凌冬继续在招聘AI人才。

扩展资料：

应用领域

大数据技术被渗透到社会的方方面面，医疗卫生、商业分析、国家安全、食品安全、金融安全等方面。2014年，从大数据作为国家重要的战略资源和加快实现创新发展的高度，在全社会形成“用数据来说话、用数据来管理、用数据来决策、用数据来创新”的文化氛围与时代特征。

大数据科学将成为计算机科学、人工智能技术（虚拟现实、商业机器人、自动驾驶、全能的自然语言处理）、数字经济及商业、物联网应用、还有各个人文社科领域发展的核心。

从三个方向去预测大数据发展的未来趋势
技术的发展，让这个世界每天都在源源不断地产生数据，随着大数据概念被提出，这个技术逐渐发展成为一个行业，并被不断看好。那么大数据行业的未来发展如何？三个方向预测大数据技术发展未来趋势：
(一)社交网络和物联网技术拓展了数据采集技术渠道
经过行业信息化建设，医疗、交通、金融等领域已经积累了许多内部数据，构成大数据资源的“存量”;而移动互联网和物联网的发展，大大丰富了大数据的采集渠道，来自外部社交网络、可穿戴设备、车联网、物联网及政府公开信息平台的数据将成为大数据增量数据资源的主体。当前，移动互联网的深度普及，为大数据应用提供了丰富的数据源。
另外，快速发展的物联网，也将成为越来越重要的大数据资源提供者。相对于现有互联网数据杂乱无章和价值密度低的特点，通过可穿戴、车联网等多种数据采集终端，定向采集的数据资源更具利用价值。例如，智能化的可穿戴设备经过几年的发展，智能手环、腕带、手表等可穿戴正在走向成熟，智能钥匙扣、自行车、筷子等设备层出穷，国外 Intel、Google、Facebook，国内百度、京东、小米等有所布局。
企业内部数据仍是大数据主要来源，但对外部数据的需求日益强烈。当前，有 32%的企业通过外部购买所获得的数据;只有18%的企业使用政府开放数据。如何促进大数据资源建设，提高数据质量，推动跨界融合流通，是推动大数据应用进一步发展的关键问题之一。
总体来看，各行业都在致力于在用好存量资源的基础之上，积极拓展新兴数据收集的技术渠道，开发增量资源。社交媒体、物联网等大大丰富了数据采集的潜在渠道，理论上，数据获取将变得越来越容易。
(二) 分布式存储和计算技术夯实了大数据处理的技术基础
大数据存储和计算技术是整个大数据系统的基础。
在存储方面，2000 年左右谷歌等提出的文件系统(GFS)、以及随后的 Hadoop 的分布式文件系统 HDFS(Hadoop Distributed File System)奠定了大数据存储技术的基础。
与传统系统相比，GFS/HDFS 将计算和存储节点在物理上结合在一起，从而避免在数据密集计算中易形成的 I/O吞吐量的制约，同时这类分布式存储系统的文件系统也采用了分布式架构，能达到较高的并发访问能力。
在计算方面，谷歌在 2004 年公开的 MapReduce 分布式并行计算技术，是新型分布式计算技术的代表。一个 MapReduce 系统由廉价的通用服务器构成，通过添加服务器节点可线性扩展系统的总处理能力(Scale Out)，在成本和可扩展性上都有巨大的优势。
(三) 深度神经网络等新兴技术开辟大数据分析技术的新时代
大数据数据分析技术，一般分为联机分析处理(OLAP，OnlineAnalytical Processing)和数据挖掘(Data Mining)两大类。
OLAP技术，一般基于用户的一系列假设，在多维数据集上进行交互式的数据集查询、关联等 *** 作(一般使用 SQL 语句)来验证这些假设，代表了演绎推理的思想方法。
数据挖掘技术，一般是在海量数据中主动寻找模型，自动发展隐藏在数据中的模式(Pattern)，代表了归纳的思想方法。
传统的数据挖掘算法主要有：
(1)聚类，又称群分析，是研究(样品或指标)分类问题的一种统计分析方法，针对数据的相似性和差异性将一组数据分为几个类别。属于同一类别的数据间的相似性很大，但不同类别之间数据的相似性很小，跨类的数据关联性很低。企业通过使用聚类分析算法可以进行客户分群，在不明确客户群行为特征的情况下对客户数据从不同维度进行分群，再对分群客户进行特征提取和分析，从而抓住客户特点推荐相应的产品和服务。
(2)分类，类似于聚类，但是目的不同，分类可以使用聚类预先生成的模型，也可以通过经验数据找出一组数据对象的共同点，将数据划分成不同的类，其目的是通过分类模型将数据项映射到某个给定的类别中，代表算法是CART(分类与回归树)。企业可以将用户、产品、服务等各业务数据进行分类，构建分类模型，再对新的数据进行预测分析，使之归于已有类中。分类算法比较成熟，分类准确率也比较高，对于客户的精准定位、营销和服务有着非常好的预测能力，帮助企业进行决策。
(3)回归，反映了数据的属性值的特征，通过函数表达数据映射的关系来发现属性值之间的一览关系。它可以应用到对数据序列的预测和相关关系的研究中。企业可以利用回归模型对市场销售情况进行分析和预测，及时作出对应策略调整。在风险防范、反欺诈等方面也可以通过回归模型进行预警。
传统的数据方法，不管是传统的 OLAP 技术还是数据挖掘技术，都难以应付大数据的挑战。首先是执行效率低。传统数据挖掘技术都是基于集中式的底层软件架构开发，难以并行化，因而在处理 TB 级以上数据的效率低。其次是数据分析精度难以随着数据量提升而得到改进，特别是难以应对非结构化数据。
在人类全部数字化数据中，仅有非常小的一部分(约占总数据量的 1%)数值型数据得到了深入分析和挖掘(如回归、分类、聚类)，大型互联网企业对网页索引、社交数据等半结构化数据进行了浅层分析(如排序)，占总量近 60%的语音、、视频等非结构化数据还难以进行有效的分析。
所以，大数据分析技术的发展需要在两个方面取得突破，一是对体量庞大的结构化和半结构化数据进行高效率的深度分析，挖掘隐性知识，如从自然语言构成的文本网页中理解和识别语义、情感、意图等;二是对非结构化数据进行分析，将海量复杂多源的语音、图像和视频数据转化为机器可识别的、具有明确语义的信息，进而从中提取有用的知识。
目前来看，以深度神经网络等新兴技术为代表的大数据分析技术已经得到一定发展。
神经网络是一种先进的人工智能技术，具有自身自行处理、分布存储和高度容错等特性，非常适合处理非线性的以及那些以模糊、不完整、不严密的知识或数据，十分适合解决大数据挖掘的问题。
典型的神经网络模型主要分为三大类：第一类是以用于分类预测和模式识别的前馈式神经网络模型，其主要代表为函数型网络、感知机;第二类是用于联想记忆和优化算法的反馈式神经网络模型，以 Hopfield的离散模型和连续模型为代表。第三类是用于聚类的自组织映射方法，以 ART 模型为代表。不过，虽然神经网络有多种模型及算法，但在特定领域的数据挖掘中使用何种模型及算法并没有统一的规则，而且人们很难理解网络的学习及决策过程。
随着互联网与传统行业融合程度日益加深，对于 web 数据的挖掘和分析成为了需求分析和市场预测的重要段。Web 数据挖掘是一项综合性的技术，可以从文档结构和使用集合中发现隐藏的输入到输出的映射过程。
目前研究和应用比较多的是 PageRank 算法。PageRank是Google算法的重要内容，于2001年9月被授予美国专利，以Google创始人之一拉里·佩奇(Larry Page)命名。PageRank 根据网站的外部链接和内部链接的数量和质量衡量网站的价值。这个概念的灵感，来自于学术研究中的这样一种现象，即一篇论文的被引述的频度越多，一般会判断这篇论文的权威性和质量越高。
需要指出的是，数据挖掘与分析的行业与企业特点强，除了一些最基本的数据分析工具外，目前还缺少针对性的、一般化的建模与分析工具。各个行业与企业需要根据自身业务构建特定数据模型。数据分析模型构建的能力强弱，成为不同企业在大数据竞争中取胜的关键。

---