實驗模擬

在第四章中我們充份的表現出 DBO 演算法在多餘讀取器移除上有很好的優勢，在第 五章中我們再實際設計實驗環境來與 LEO 和 RRE 演算法，甚至在各種不同條件下來做精 密的比較與測試。首先是 DBO、LEO 與 RRE 演算法的比較，我們設計了實驗如下：標籤 的數量由 1000 至 10000，α之數值為 0.6，讀取器的數量為 500，讀取器的讀取資料有效 半徑為 500，模擬空間大小為 10000*10000 之平面空間，且實驗結果皆採多餘讀取器移除 之數量以 10000 次結果之總合平均，結果如圖十六。

Comparison of DBO, LEO and RRE

0 25 50 75 100 125 150 175 200 225 250 275 300

1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 Number of Tag

Redundant Reader Detected

LEO RRE DBO

圖十六、DBO，LEO 與 RRE 演算法對讀取器移除比較圖

從圖十六中可以觀察到 DBO 比之 RRE 和 LEO 有著十分出色的表現，甚至在 10000 個 標籤這種高密度環境時比 RRE 演算法多出 13%之效能提升，比之 LEO 之有 4%的提升。第 二個實驗是以相同標籤分布模式演算法執行 11 次之比較模擬，因為執行 11 次之後不管 LEO 還是 RRE 演算法，皆再也不能移除任何讀取器 [8]，且由於 DBO 是以 LEO 為基礎的 改善方法，故 11 次為最終能移除多餘讀取器之最大上限，我們設計了實驗如下：標籤的

數量為 1000，α之數值為 0.6，讀取器的數量為 500，讀取器的讀取資料有效半徑為 500，

模擬空間大小為 10000*10000 之平面空間，總執行次數為 11 次且將所有移除之讀取器加 以統計，結果如圖十七。

11 Times Detected summation

320 330 340 350 360 370 380 390 400 410 420

LEO DBO RRE

Redundant Detect Method

Redundant Reader Detect summation

圖十七、DBO，LEO 與 RRE 重覆執行 11 次讀取器移除數量總合曲線圖

從圖十七的結果中我們可以得知重覆執行 11 次後 DBO 比之 LEO 與 RRE 仍然有最高 的效能，移除最多的多餘讀取器；以平面空間考量為前提下，我們發現了 10000*10000 的 平面空間如果要用有效資料讀取半徑為 500 的讀取器覆蓋整個平面空間至少需要 221 個，

圖十八、模擬實驗平面空間之讀取器完全覆蓋示意圖

如圖十八，詳細的計算方式如下，短形寬(Width)為 10000，矩形高(Height)為 10000，有效

資料讀取半徑為 500，公式為：





100 2

2 1 2

2 1 2

2    















 



 



 









 



 



 





 



 

r Height r

Width r

Height r

Width

而這 221 個所需的讀取器數量我們稱為 Upper Bound，接下來我們進行了實驗去比較了執 行 11 次之後的 DBO、LEO 與 RRE 演算法與 Upper Bound 的比較圖，結果如圖十九；從圖 十九中得知 DBO 的效能比之 LEO 與 RRE 演算法效能高出許多。

Comparison of execution times

0 50 100 150 200 250 300

1 2 3 4 5 6 7 8 9 10 11

Round of Execution

Redundant Reader Detected

LEO DBO RREUpper Bound Active Reader

圖十九、DBO，LEO 與 RRE 多次執行與 Upper Bound 之比較

其中 Upper Bound 表示的是要完全覆蓋平面空間所需的最低上限，Active Reader 指的是讀 取器總數量扣除多餘讀取器之後的讀取器個數，從 Active Reader 的曲線中可以得知第二次 執行時所需的讀取器工作個數就已經低於 Upper Bound 且能避免讀取器浪費的覆蓋平面空 間上的所有標籤。第三個實驗我們也針對了分層式消去法進行實驗與比較，所謂的分層式 消去法就是將 LEO 演算法執行一次後再配合 RRE 來進行統計消除多餘之讀取器的方法，

因此我們用了四個對向進行比較；一、DBO+RRE 二、RRE+DBO 三、LEO+RRE 四、

RRE+LEO，我們設計了實驗如下：標籤的數量由 1000 至 10000，α之數值為 0.6，讀取器 的數量為 500，讀取器的讀取資料有效半徑為 500，模擬空間大小為 10000*10000 之平面 空間，且實驗結果皆採多餘讀取器移除之數量以 10000 次結果之總合平均，結果如圖二十。

Comparison of double layer method

0 50 100 150 200 250 300 350

1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 Number of Tag

Redundant Reader Detected

DBO+RRE RRE+DBO LEO+RRE RRE+LEO

圖二十、DBO 與 LEO 配合 RRE 之分層式消去演算法比較圖

圖二十中發現不論是 DBO+RRE 還是 RRE+DBO 皆比 LEO+RRE 與 RRE+LEO 所移除之 讀取器要多，得到 DBO+RRE>LEO+RRE，由於在大於符號左右二側皆有 RRE 演算法，將 左側之 RRE 移至右側後可得到 DBO >LEO+RRE-RRE，在 RRE 與 RRE 相減後得到最後結 果為 DBO>LEO，因此不論是數據上或是數學上皆證實 DBO 演算法比 LEO 演算法更有效 的將多餘讀取器移除。第四個實驗我們進行了標籤寫入次數比較的實驗，在第二章中了解 到現今能夠多次讀寫之標籤記憶體是十分昂貴的，因此優秀的演算法除了比較數據外，更 要能與實際應用面相結合，降低記憶體的寫入次數相對也就提升了記憶體的壽命，標籤的 壽命對於成本是很重要的關鍵；我們設計了實驗如下：標籤的數量由 1000 至 10000，α之 數值為 0.6，讀取器的數量為 500，讀取器的讀取資料有效半徑為 500，模擬空間大小為 10000*10000 之平面空間，且實驗結果皆採標籤記憶體寫入之次數以 10000 次結果之總合 平均，結果如圖二十一。

Tag Memory writing

0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000

1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 Number of Tag

Tag memory access times

DBO/LEO RRE

圖二十一、DBO，LEO 與 RRE，對標籤記憶體寫入次數比較圖

從圖二十一中我們可以了解 DBO 與 LEO 演算法對標籤記憶體寫入次數皆比 RRE 少了 許多，甚至在 10000 個標籤的高密度環境仍能以低於標籤總數量的次數完成多餘讀取器之 移除，相對 RRE 演算法在 10000 個標籤的高密度環境下需要將近 20000 次的寫入，對於標 籤記憶體之壽命有著十分不利的行為。第五個實驗我們進行了低密度之實驗，在高密度有 著卓越效能的 DBO 演算法，是否在低密度仍能保持水準，我們設計了實驗如下：標籤的 數量由 300 至 1200，α之數值為 0.6，讀取器的數量為 500，讀取器的讀取資料有效半徑 為 500，模擬空間大小為 10000*10000 之平面空間，且實驗結果皆採多餘讀取器移除之數 量以 10000 次結果之總合平均，結果如圖二十二。

Comparison of low density

0 50 100 150 200 250 300 350 400

300 400 500 600 700 800 900 1000 1100 1200

Number of tag

Redundant Reader Detected

LEO RRE DBO

圖二十二、DBO，LEO 與 RRE，於低密度標籤環境移除比較直條圖

由圖二十二中數據中顯示雖然 DBO 演算法在低密度上比 LEO 演算法還要好，但是比 之 RRE 演算法就顯的較為不佳，原因在於低密度中擁有著「先寫先贏」這種特性的 DBO/LEO 不能像在高密度中任意的選中較多的標籤，在無法以較高的機率命中較多的標籤之情況 下，擁有著 Greedy 演算法的 RRE 便能利用統計將擁有最多標籤的讀取器保留下來，因此 在低密度的表現上優於 DBO 與 LEO 演算法，因此移除多餘讀取器的演算法在低密度中的 提升也將是我們今後的討論課題之一。第六個實驗我們進行了讀取器在不同讀取資料範圍 下的實驗，看是否讀取器在不同讀取資料範圍下 DBO 演算法仍有出色的表現，我們設計 了實驗如下：標籤的數量為 3000，α之數值為 0.6，讀取器的數量為 500，讀取器的讀取 資料有效半徑由 300~800，模擬空間大小為 10000*10000 之平面空間，且實驗結果皆採多 餘讀取器移除之數量以 10000 次結果之總合平均，結果如圖二十三。

Reader Range Comparison

70 120 170 220 270 320 370

300 400 500 600 700 800

Reader Range

Redundant Reader Detected

LEO RRE DBO

圖二十三、DBO，LEO 與 RRE，讀取器範圍比較直條圖

由圖二十三中可以得知不論讀取器之讀取資料範圍如何變更，對於移除多餘之讀取器 皆有很好的表現，也了解在層層讀取器的覆蓋之下 DBO 演算法仍然出色，但是我們可以 注意到有效資料讀取範圍為 300 時 RRE 是優於 DBO 與 LEO 的，因為當有效資料讀取範圍 變小時，環境就會接近低密度的標籤環境，讓 DBO 與 LEO 演算法無法高機率的覆蓋較多 的標籤。第七個實驗我們針對了讀取器的數量做了實驗，因為在 Mobile 的環境下有著無上

限的讀取器隨時隨地會加入，因此在讀取器數量變多的情況下 DBO 是否仍然出色，我們 設計了實驗如下：標籤的數量為 3000，α之數值為 0.6，讀取器的數量由 300~800，讀取 器的讀取資料有效半徑為 500，模擬空間大小為 10000*10000 之平面空間，且實驗結果皆 採多餘讀取器移除之數量以 10000 次結果之總合平均，結果如圖二十四。

Number of Reader Comparison

30 80 130 180 230 280 330 380 430 480

300 400 500 600 700 800

Number of Reader

Redundant Reader Detected

LEO RRE DBO

圖二十四、DBO，LEO 與 RRE，讀取器數量比較直條圖

由圖二十四中得知即使在複雜的讀取器環境，DBO 演算法仍然能有效的移除多餘的讀 取器，更證實了在大量讀取器的 Mobile 環境中，DBO 仍然有出色的表現。最後我們針對 實驗模擬的空間大小做精密的實驗，我們設計了實驗如下：標籤的數量為 3000，α之數值 為 0.6，讀取器的數量為 500，讀取器的讀取資料有效半徑為 500，模擬空間大小分別 7500*7500、10000*10000 和 12500*12500 之平面空間，且實驗結果皆採多餘讀取器移除之 數量以 10000 次結果之總合平均，結果如圖二十五。

Simulation Area Comparison

80 130 180 230 280 330

7500 10000 12500

Simulation Area

Redundant Reader Detected _LEO

RRE DBO

圖二十五、DBO，LEO 與 RRE，實驗模擬範圍增減比較圖

由圖二十五中我們可以得知不論實驗模擬空間是大還小，DBO 演算法皆比 RRE 與 LEO 演算法較出色，即使在廣大的 RFID 網路中 DBO 也能有很好的效能來移除多餘的讀取器，

進行 RFID 網路整體的優化。從以上種種實驗得知 DBO 演算法在降低標籤記憶體寫入次 數，減少多餘特讀取器上皆有十分卓越之性能輸出，因此不止在效能上好，在成本考量上 也有十分優秀的表現。