基本原理
跨層最佳化 跨層最佳化基於博弈論最佳化的跨層建模可以用一個三元組G={P，A，{ }}來定義。其中P為博弈的參與者，分別代表協定的不同層(物理層、數據鏈路層、網路層、傳輸層和套用層)；A是博弈的策略集合，如物理層調整不同功率發射參數、數據鏈路層調整鏈路狀況等； 為參與者i的效用函式，如傳輸層通過調整擁塞視窗大小，可以獲得更高的數據傳輸速率。該博弈模型最終可以表示為
跨層最佳化
跨層最佳化
跨層最佳化
跨層最佳化
跨層最佳化
跨層最佳化
跨層最佳化式中：
為物理層；為數據鏈路層；為網路層；為傳輸層；為套用層。在具體的博弈跨層最佳化中，如果相應的層沒有參與跨層最佳化，由對應的參與者集合表示為空。
效用函式方程表示為
跨層最佳化
跨層最佳化
跨層最佳化
跨層最佳化
跨層最佳化
跨層最佳化根據逼近程度或易於處理的系統，通過求線性函式、一階導數
或，分析計算效用函式。其中，為最佳化協定棧j層的第i個參數，為最佳化協定棧l層的第m個參數。在無線網路中，節點通過跨層最佳化以最小的開銷(如消耗功率最小)提供更優的服務性能(吞吐量最大化，時延較小，數據傳輸速率較快，丟包率較小以及減小網路擁塞)。當然，將所有層統一考慮進行最佳化設計，從博弈分析的角度，模型過於複雜，研究局限於將某兩層進行統一最佳化考慮，從而進行博弈建模。
具體實現
和純分層架構相比，跨層最佳化提高了網路性能和適應性，但有可能也引入了額外的實現成本。主要包括3種類型的成本：
1)計算成本。CLO需較高的計算能力來確定一系列參數的值；評估一個複雜的目標函式時也需要較高的計算能力，並可能引入相對較大的處理延時。參數抽象有助於降低複雜性，但卻有可能降低生成配置的最優性。另一個降低計算成本的方法是使最佳化器成為一組同時運行但可能在不同資源上執行的組件。
2)通信成本。CLO使用在分散式網路位置上可用的網路參數。收集這些參數會導致較大的頻寬額外開銷。
3)重配置和管理成本。分層架構由一組協定層構成，每層單獨定義，並且通過良好定義的接口可以和其他層區分開。跨層架構模組化相對較差，因此當有變化時更難管理和重配置。這種類型的成本不太容易量化，然而，它可以通過定義傳統層和跨層最佳化器之間的接口的方式來加以限制。
選擇跨層架構的一種有效實現需要對性能增益和上述的成本因素做一個仔細的評估。
CLA的實現可以是集中式的，也可以是分散式的。
集中式CLO實現1)集中式。CLO作為一個集中的單元，從網路層收集所有相關的參數，執行最佳化，然後將選擇的參數值分配給相應的各層(見圖一)。由於一些原因，集中式方式實現起來通常成本較高，並且效率低。首先，從分散的各地收集網路參數耗時，而且延緩最佳化過程。其次，層參數以不同的速率變化(物理層的變化量級是毫秒，而套用層變化的量級是秒)，因此在最差情況最佳化所有的參數效率可能會相當低。第三，同時給大量參數計算目標函式也許成本太高。
分散式LCO的實現2)分散式。CLO由一組分布在網路各層(垂直分布)或節點(水平分布)中的組件構成。每個組件執行一個針對全局最佳化問題參數子集的本地最佳化，並和其他組件相互合作，以實現全局網路最佳化的目標。如圖二中所示的採用分散式實現的最佳化器，其組件屬於多個層和節點。垂直上分布的實現有一個分層結構，在該結構中CLO放置在不同層上的組件以不同的速率操作，並且使用較低層能力和上層需求的抽象表示來最佳化本地參數。結果，一個垂直上分布的CLO實現和一個分層架構很相像。
多層最佳化：信道調度分散式實現通常更為實際和有效，特別是當最佳化需要大量參數時。每個分布在各層或節點上的CLO組件最佳化一組網路參數。設計一個分散式CLO的最大挑戰在於如何確保所有本地最佳化器通過一個良好定義的接口交換一組參數，並且有效地合作來達到全局最佳化目標。CLO分布於各層的架構中，每包括一個本地最佳化器，該最佳化器通過考慮上層的需求和下層能力來選擇層參數的值。因此，需求必須從套用層由上至下傳遞，而以一組可行參數值形式(如差錯率、延遲和吞吐量等)表示的能力則必須從下層向上傳遞。圖三中給出了多用戶視頻流媒體場景下，為了做信道調度，跨層最佳化的組件 垂直地分布在兩層中。上層的最佳化在每個圖像組(GOP)的開始重複地執行。
上層的最佳化器選擇分配給每個用戶的時隙，並且基於下層在下一個GOP周期(長期地信道預測)時關於可利用信道速率的信息的基礎上選擇視頻源速率。選擇的時隙數然後作為需求傳遞給下層的最佳化器用來分配特定的時隙和載波，並且選擇調製方案。底層的最佳化基於短期的信道預測，因此執行速率較高。
跨層最佳化的研究進展
認知網路採用跨層技術實現網路協定的最最佳化，使得不同網路協定層的參數能夠被同時使用。跨層網路協定的研究主要分為兩類：合併層的最佳化設計和跨層的適應性設計。合併層的最佳化是將多層融合併且要求一些網路信息同步以實現全局的最佳化算法。在跨層的適應性協定中，分級通信信息分屬於兩個網路協定層，以最佳化本地操作為目的進行參數調整。無論採用哪種跨層網路協定，解決方案都集中在單一的參數最佳化上，並且很多跨層
協定只集中在選擇的網路層次上進行最佳化，這樣將降低整個系統或端到端連線的性能。因此，跨層設計更適合作為認知層技術，其沒有體現網路的智慧型性，也沒有體現出端到端的必要性。
由於環境變化的高度動態性，為了保證網路的可靠連線和套用的順利完成，保證認知實體的有效調整和正確重構，網路各層信息的高效互動是非常重要的，通過引人跨層設計方法來提高系統效率是必要的。但是，由於跨層設計破壞了系統原有良好的層次結構，必然會使得系統的通用性和移植性較差，從而產生不利於更新和維護等問題。此外，許多跨層設計方法過多關注某些特定層的最佳化問題，而並沒有著眼於系統層面或連線性能方面。從這個意義上講，跨層設計更適合於單一層次，而不是整個網路 。
跨層設計的四個方面的挑戰：即模組化、信息解釋、精確性和確定性、複雜性和可測量性。而無線網路跨層最佳化的設計思想也還處在完善階段，仍有以下問題尚待解決：
（1）網路的整體設計和最佳化極其複雜，尤其是實時動態的網路最佳化。
（2）網路協定層使用的最佳化標準較難統一，傳統網路層有各自獨立的最佳化準則，例如物理層的設計基本上集中在減少誤碼率，MAC層的設計依據通過節點的數據傳輸率或信道的可用性，網路層的設計要求低時延和較高的路由效率。
（3）採用何種測量標準決定未來系統的主要性能，以及測量標準的最佳化和優先權排序。跨層最佳化設計中實時動態最佳化網路是難以實現的，但可以進行一些限制性設計。跨層最佳化設計應採用性能評價的準則，傳統網路層次設計中有優先權準則。例如：物理層準則是誤碼率，MAC準則是節點吞吐量或信道可用性，網路層準則是時延和路由效率。
（4）在跨層動態最佳化中，需要進行複雜的數學建模和仿真。例如，物理層仿真器採用時間驅動法，而網路層仿真器採用事件驅動法。解決上述問題的方法是雙層仿真法，即用物理層仿真器的輸出去激發網路層仿真器。但是，這種方法不允許層次間有相互作用，不能套用於跨層最佳化設計，為此可以採取下述方法¨“：混合高層次的功能性能仿真和低層次的功能性能分析仿真；可變的量化度，即大部分物理層鏈路採用粗量化度網路仿真器，特定物理層鏈路採用細量化度仿真器；從物理層到套用層的仿真和實時處理。
（5）在動態最佳化時網路協定層之間傳遞的信息要簡明有效，信息過於複雜，將產生較大時延或大量最佳化過程計算，信息過於簡單，又不能表明通信需求。
（6）動態網路最佳化的網路控制權歸屬，當需要實現跨層功能時，誰來控制這個過程 。
