國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
25
第四章、 應急蜂巢式行動通訊網路的多路徑拓樸設計 4.1、設計理念與目標
由於天然災害之發生常具有持續性與不可預測性，短時間內所建置之 CCN 在餘 震等持續性災害中亦可能受到損害而無法正常運作，若重新建置 CCN 勢將浪費寶貴 之黃金 72 小時，此外，CRP 的數量有限，如果在災難發生後，已配置之 CRP 因餘震 受損，造成可供使用的 CRP 數量減少，則對於重新建置 CCN 而言，可謂難上加難。
因此在災害發生後，針對如何提升 CCN 建置運轉的可用度，將是非常重要的議題，
否則縱使成功建置了 CCN，但僅能提供短暫、不穩定的通訊服務，對於增進救災工作 的效果將十分有限。
各基地台如能有多條獨立路徑連網台，則 CCN 網路的可用度將能大幅提高。惟 此類問題不易求解，也未必有解，故退而求其次，挑選少部份如倒塌的大型建物地區、
前線救災指揮中心等關鍵之區域，配置多條連外路徑，建構一個高可用度的網路拓樸。
我們之前的研究中已有初步的拓樸設計，係假設所有基地台都來自於同一電信業 者，並使用樹狀拓樸來建置 CCN[17]，另外我們也研究了聯合不同電信公司的基地台，
使用跨網路的拓樸來建置 CCN[37]。但前述研究尚未針對如何提高可用度與確保關鍵 區域通話正常提出有效之方法，因此根據這個目標與限制，本論文為 CCN 提出多路 徑拓樸問題之最佳化模型與解決方案。
4.2、CCN 網路拓樸的規劃
在 CRP 內的 ICC Module 數量的多寡，直接決定該設備所能鏈接的鄰台個數，當 CRP 內含有兩組 ICC Module 時，只能連接兩個鄰台，可建立一個線狀的網路拓樸。若 CRP
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
26
內含有三組 ICC Module 時，則可建立一個樹狀的網路拓樸（如圖 11 所示）或建立一 個非樹狀的網路拓樸。
圖 11、CCN Forwarding Tree
一個好的網路拓樸規劃可以提高整個網路的效能、服務量和穩定度。為了確保整體 網路拓樸的穩定性，在規劃網路拓樸時，我們須要考慮到以下因素：
資源有限
在災害發生時，行動通訊網路極為脆弱，斷訊的基地台為數眾多。而應急修復包(CRP) 的數量有限，而運送能力更是受制於交通系統的存活狀況以及運送工具的能量，無法 搶救所有孤立台，因此，如何在有限資源下建構 CCN 網路，使 CCN 可覆蓋服務的總 效益達最大，將是一大問題。
控制流量負載
如圖 11，CCN 網路藉由多點繞送的方式遞送資料，因此，拓樸上的某個節點如果負 責轉送太多訊務時，頻寬負載將大幅增加，造成網路負載失衡的現象。因此，為了控 制網路的負載平衡和維持通訊的品質，我們不希望 CCN 網路的流量過度集中於部分 節點。
減少通訊延遲
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
27
如圖 12，CCN 網路資料如經多次轉送，會對網路傳輸品質造成影響，其傳遞時間會 隨著轉送次數而增加，而且受到外在因素干擾之機率也會提高，此將不利於整體 CCN 之效益，因此我們希望藉由限制孤立台到連網台的長度(Length)，減低轉送的次數。
圖 12、網路拓樸規劃限制因素 4.2.1、 樹狀拓樸規劃
我們先前的研究，對 CCN 採用樹狀拓樸規劃，孤立台使用多重跳接的方式連接到鄰 近的連網台，孤立台才得以對外連線溝通。每一個連網台與數個孤立台的連線間接形 成了一個的 CCN 樹狀轉送拓樸(Forwarding Tree)，數個 CCN 樹狀轉送拓樸組成了整體 CCN 網路。有關樹狀拓樸限制如下：
樹狀結構脆弱：就樹而言，由於各個子節點只有 1 個父節點，一旦父節點受損，
其下層所有節點將完全無法連向連網台，通話將中斷。
整體連網台頻寬利用率低：在各個 CCN 樹狀拓樸所形成的區域，都是各自獨 立的，若欲調整不同連網台底下的孤立台所能使用的對外頻寬，只能重新建立 新的 CCN 樹狀拓樸。CCN 樹狀拓樸與 CCN 網狀拓樸的比較表如表 5 所示。
表 5、Comparison between Tree and Mesh Topology for CCN
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
28
Tree topology for CCN Mesh topology for CCN
Dependence on single survival base station
Yes No
Number of paths form isolated base station to survival base station
Single path Multiple path
Path switching on link failure
Difficult Easy
4.2.2、 多連網台樹狀拓樸規劃
依我們先前的研究，只要將多連網台的問題轉換為單一連網台的問題後，即可以單一 連網台的拓樸規劃模型求解，如圖 13，轉化步驟如下：
1. 在原來的網路拓樸之外，額外增設一個虛擬的根節點 2. 將所有的連網台連到此虛擬的根節點
圖 13、多連網台問題轉換單一連網台問題
此法雖然可以同時解出存在多個連網台的 CCN 網路拓樸，但受限於樹狀拓樸結構，
每個孤立台均只有一條對連網台的路徑，若假設每個孤立台的故障機率一樣，這對於
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
29
提升節點的可用度仍無幫助。
4.2.3、 多路徑拓樸網狀拓樸規劃
在建構 CCN 拓樸時，若能建置多條關鍵節點通往連網台的路徑，可以提升關鍵節點 在災害持續過程中的通話可用度，因餘震而導致關鍵節點通話中斷的機率也將減少，
順利進行救災工作的機會將可大幅增加，同時也可減少因餘震中斷關鍵節點的通話後，
所必須付出的時間與 CRP 資源成本。因此，在設計 CCN 的多路徑拓樸時，我們須將 不同的關鍵節點，與數個連網台間建立多條路徑，如圖 14 所示，這將使拓樸設計比我 們之前的研究更為複雜。
圖 14、多路徑 CCN 網路拓樸問題
4.3、最佳化演算法簡介
4.3.1、 精確解法 (Exact Algorithm)
又稱為最佳解法，利用數學法則或數據結構搜尋的方式求得問題的解。使用此演算法 時，須要先將問題中的資料數據化，並透過相關轉換將其轉換成符合數學表達式子的 因子來供運算式使用，當條件都滿足時，即可經由反覆的計算來獲得最佳解。其最大 的缺點是反覆的運算過程中，所需要的運算時間會因為數值的累積而越來越多，因此，
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
30
在運算因子基數龐大的問題之中並不適用。此種解法通常用來解決非 NP 難度的問題。
常見的精確解法類型如下：
分枝界限法 (Branch and Bound)
分枝界限法把問題的可行解展開成類似樹分枝的樣子，將原來的大問題分解為小問題 (子集)，每次分支都相當於一次限制，限制解的範圍，再經由此些分枝尋找最佳解，
這種方法不是盲目的窮舉搜索，而是在搜索過程中通過限制，停止對某些不可能得到 最優解的子空間進一步搜索，一但確定得到的子集中所有的可能解都不是所求問題的 解，則停止對這個子集的可能解作進一步的限制，即不必產生這個節點的子節點了，
這一過程一直進行到找出可行解為止，故它比窮舉法效率更高。其演算法可以分成三 部份，一、子集合生成規則：如何分割所有可行解，讓其子集合會有相同界限。二、
限界或剪枝規則：凡是界限超出已知可行解值那些子集不再做進一步分支。三、界限 計算：對每個節點要用統一方法計算出解集合約束函數值的界限作為控制搜索方向和 是否進一步生成和搜索該節點子節點的判斷根據。此種方法常用來找組合問題中的解，
不同的地方是在於對整個問題可能解空間(solution space)搜索，所設計出來的演算法其 時間複雜度比貪婪算法高，但能保證求出問題的最佳解。[14]
整數規劃法 (Integer Programming)
整數規劃法是一種在求算的過程中，限制變數必須是整數的線性或非線性規劃問題，
將問題表示成目標方程式及限制式進行求解。此演算法的複雜度會隨著限制式的增加 而提高。
非線性的整數規劃問題可分為線性和整數兩個部分，在線性規劃問題之中，所求 出的最佳解可能是小數或分數，此時，只要把所求得的非整數解四捨五入即可。在整 數規劃問題中，限制所有變數為整數，稱為純整數規劃法；若只限制部分的變數為整 數，則稱為混合整數規劃法；若所有變數限於 0 或 1，則稱為 01 規劃。
動態規劃法 (Dynamic Programming)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
31
動態規劃法要是將一個大問題分解成多個小問題來求解，以反向工作的方式，求解路 徑中連接兩點的值，動態規劃法缺乏效率，比較適合小問題和批次問題，此類方法雖 然可以求得最佳解，但其求解範圍小，與分支界限法不一樣的地方在於是從小到大，
而不是從大到小。
求解關於 n 個元素的某個最佳解，將 i 個要素組成子集的最佳解求出來放在一張 表裡。當元素個數增加一個的時候，可以根據此表來計算最佳解是否發生變化，並建 立一張新的表。重覆這一過程，直到由 n 個元素組成的全集為止，最終將求出關於 n 個元素的最佳解。亦即以空集合的最佳解為初值開始，每次增加一個元素，求得一個 最佳解，直到全集為止。適用動態規劃的問題必須滿足最優化原理和無後效性。
4.3.2、 後啟發式演算法 (Meta-heuristics)
新興的最佳化演算法，這類演算法的概念經常是由觀察自然界所獲得的靈感，常能發 現接近最佳解的次佳解，但沒辦法證明不會得到較壞的解。可以應用在非常廣泛的問 題上，但由於通常使用亂數搜尋技巧所以並不能保證效率，一般可在合理的時間內解 出答案(每次求解時間可能會不一樣)。目前常見的隨機型演算法可分為兩類，一是單 粒子演算法，由一個初始解進行優化，優化完的解將成為新解再以此解進行改良，
Hill-Climbing Algorithm、Taboo Search、Simulated Annealing…等，都是屬於這一類。
另一類是多粒子型的演算法，由多個初始解開始進行優化，解與解之間會有一定的連 繫，透過這些解的連繫，使各個新解朝某一優化方向偏移(指引)，藉此得到較優解，
Genetic Algorithm、Particle Swarm Optimization 與 Ant Colony Optimization…等是屬於 這一類。單粒子演算有速度快、簡單…等優點，但是對於較佳解分布廣散的情況下，
Genetic Algorithm、Particle Swarm Optimization 與 Ant Colony Optimization…等是屬於 這一類。單粒子演算有速度快、簡單…等優點，但是對於較佳解分布廣散的情況下，