CN102065446B - 面向群组移动环境的拓扑控制系统及控制方法 - Google Patents

Abstract

一种面向群组移动环境的拓扑控制系统及控制方法，该拓扑控制方法能够适应战术网络中节点群组移动的特征，并利用群组移动的特征，对网络变化的趋势进行预测，进而控制整个网络拓扑的变化。拓扑控制技术中的通信协议部分通过使用SVM进行了形式化的分析，证明了该协议具有收敛性，可终结性等性质。它可以为具体通信应用提供更好的支持，为网络中的数据传输提供更可靠的服务，进而减少网络延迟，提高网络利用效率。

Description

面向群组移动环境的拓扑控制系统及控制方法

技术领域

本发明涉及一种面向群组移动环境的拓扑控制系统及控制方法，属于计算机网络领域。

背景技术

目前拓扑控制技术的主要适用目的分为在链路密集网络中的链路剪枝和在链路稀疏网络中的连通性保持两大类，其中链路剪枝主要使用在WSN网络，而连通性保持主要使用在城市车载网络和链路稀疏的WSN网络。K-neigh、CLTC等拓扑控制技术适用于链路密集的Ad Hoc网络，其主要目的在于减少网络开销，因为连通性已经达到了数据通信的要求。localalgorithms for topology control、Vehicular grid communications等拓扑控制技术的主要目的是保持连通性，其主要控制手段是增加固定的基础设施来提高连通性和数据传输率。

在战术网络的环境中，链路条件比较恶劣，所以在战术网络中的应用的拓扑控制技术是为了增强连通性.在当前的拓扑控制技术中，缺少专门针对群组移动环境这一特殊环境的拓扑控制技术。在战术互联网中，群组移动环境是很常见的网络环境，其主要特征有：战术网络以有组织的战术单位为基础，由于作战的组织和任务等原因而呈现出群组移动的特征；战术通信链路通常距离长，其变化也大；战术链路带宽小，数据率低，网络节点数量大，在师范围内可能有数百甚至数千台，并且节点移动性大。在这样的环境下，当前的现有的拓扑控制技术不能够适应节点群组移动且节点移动性大的网络特征。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种面向群组移动环境的拓扑控制系统及控制方法，能够在群组移动环境下，在不影响节点移动的前提下增强整个网络的连通性，适应网络的群组移动的特征，并利用这种特征来解决网络的连通性问题。

本发明的技术解决方案：面向群组移动环境的拓扑控制控制及控制方法通过节点之间的消息交互，将网络中的节点分成若干个相对稳定的群组，并计算群组的整体移动趋势，根据群组的移动趋势来判断群组间的网络连通性，根据此判断结果来对群组间的网络连通性实施增强手段。

面向群组移动环境的拓扑控制系统包括：群组划分模块、基于云模型的逆向群组意图提取模块、链路预测模块和控制消息处理模块；其中：

群组划分模块的输入是控制消息处理模块输出的所有节点的位置和速度信息，输出是若干个群组。群组由距离上接近，通信上保持连通的一系列节点组成。输出后的群组信息送至逆向群组意图提取模块。

基于云模型的逆向群组意图提取模块，输入时各个群组中节点的位置和速度信息，输出是整个群组的移动意图，移动意图的组织方式是一个三元组，分别表示群组的中心，群组中节点的分布函数，节点分布函数的不确定度。意图提取模块的输出送到链路预测模块。

链路预测模块的输入是两个相邻群组的移动意图，输出为这两个群组之间的链路预测结果，链路预测结果分为稳定、需要增强和无法增强，对于需要增强的群组，链路预测结果同时给出了可以增强链路的节点摆放的位置信息。

控制消息处理模块负责处理所有的节点间的消息交互，可以分为消息发送子模块和消息接收子模块。其中消息接收子模块负责所有消息的接收和消息内容的提取，接收其他节点发送的消息同时向群组划分模块、意图提取模块和链路预测模块输出节点的移动信息；消息发送子模块负责消息的发送，接收来自群组划分模块、意图提取模块和链路预测模块的信息，发送控制消息。

所述群组划分模块具体的实现过程如下：

(1)网络开始阶段，节点周期性的向外发送Hello消息，同时接收来自邻居的Hello消息，并更新邻居表。Hello消息的内容包括：节点ID、组长ID、到组长的跳数、所在组的移动意图、后继节点的移动意图、节点权值、节点的移动速度和方向。

(2)分组和组长选举过程中，节点首先周期性的向周围节点发送Hello消息，在确认接收到所有邻居节点的至少一个Hello消息之后，节点开始进行选举权重的更新。权重的更新规则为

其中v表示节点的相对移动速度，节点计算出最新的权重以后，更新Hello消息的内容，再次向外发送Hello消息，同时接受周围节点发送过来的Hello消息。

(3)在接收到周围邻居更新过权值以后的Hello消息以后，节点从邻居表中的所有邻居以及自身权重中选举出来一个权重最高的节点。如果自身的权重最高，那么节点决定自己的做组长，同时更新自己的Hello消息内容；如果别的节点的权重最高，那么选择该目标节点作为自己的前驱节点，目标节点的组长作为自己的组长，同时更新Hello消息内容。

(4)节点不断接收Hello消息，同时更新自己的邻居表。如果发现比前驱节点离组长距离更近的邻居节点，那么节点选择该邻居节点作为自己的前驱节点，同时更新自己的Hello消息内容。如果节点同所有同组的节点都失去联系或者邻居的权重大于组长的权重，那么节点重新选择自己的组长。

基于云模型的逆向群组意图提取模块具体的实现过程如下：

(1)节点首先统计出邻居表中所有以自己为前驱的邻居节点，并取出各个节点的移动意图信息和该移动意图中包含的节点数量，其表示方式为

其中

表示一个节点集合的移动意图，权重n_i表示该意图中的节点数目，

表示节点的样本方差。

(2)遍历上述节点，平均求出所有节点的移动意图的中心坐标，其计算公式为

$E_x=\stackrel{\‾}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i=\frac{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{n}_i\stackrel{\‾}{X_i}}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{n}_i},$ $E_n=\sqrt{\frac{\mathrm{\π}}{2}}\×\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_i-E_x|=\sqrt{\frac{\mathrm{\π}}{2}}\×\frac{1}{n}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{n}_i|\stackrel{\‾}{X_k}-E_x|;,$

$S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{X})}^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i^2-2x_i\stackrel{\‾}{X}+{\stackrel{\‾}{X}}^2)}^2=\frac{1}{n-1}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i^2-n{\stackrel{\‾}{X}}^2);,$ $H_e=\sqrt{S^2-{E_n}^2};.$

E_x表示群组移动的中心，E_n表示群组中节点围绕该中心的离散程度，H_e表示了E_n的不确定度。

(3)移动意图提取模块求出上述结果之后，将结果交给消息处理模块，更新向外发送的Hello消息，如果节点为组长，那么移动意图的输出结果同时交给链路预测模块进行链路预测。

所述链路预测模块具体的实现过程如下：

(1)链路预测模块的输入是两群组的移动意图，其表达形式为：群组A的移动意图(Ex_ax，En_ax，He_ar)，(Ex_ay，En_ay，He_ay)和群组B的移动意图(Ex_bx，En_bx，He_bx)，(Ex_by，En_by，He_by)，这里假设群组中节点的分布是在二维平面上，每个群组的移动意图分为两部分，其中(Ex_ax，En_ax，He_ax)表示群组A在X轴上的移动意图，(Ex_ay，En_ay，He_ay)表示群组A在Y轴上的移动意图，(Ex_bx，En_bx，He_bx)表示群组B在X轴上的移动意图，(Ex_by，En_by，He_by)表示群组B在Y轴上的移动意图。

(2)群组连通预测过程通过对两个群组之间的距离和群组的移动意图进行比较。

(3)当两个群组之间的距离小于等于

时，认为群组间的连通性处于非常稳定的状态；

(4)当两个群组之间的距离大于

时，认为群组间无法保持连通性，此时的两个群组处于不连通状态。

(5)当两个群组之间的距离大于

小于

时认为此时的群组间连通性需要增强；连通性增强的中转节点坐标为

(6)链路预测模块将上述结果交给消息处理模块，以此来组织相应的消息和消息内容。

本发明面向群组移动环境的拓扑控制方法实现步骤如下：

(1)消息处理模块周期性的向外发送Hello消息，同时将接收到的Hello消息的内容提交到群组划分模块。

(2)群组划分模块根据接收到的Hello消息的内容完成群组划分和维护工作，并将群组划分的结果提交给群组意图提取模块以及消息处理模块。

(3)消息处理模块根据群组划分结果更新Hello消息的内容，同时将接收到的Hello消息中的邻居节点的信息提交给群组意图提取模块。

(4)群组意图提取模块计算节点及其后继节点的移动意图，并将计算结果提交给消息处理模块和链路预测模块。

(5)消息处理模块根据群组意图提取的结果更新Hello消息的内容，同时将接收到的Hello消息中的群组意图提交给链路预测模块。

(6)链路预测模块根据群组意图提取模块的得到的群组意图以及消息处理模块接收到的邻居的群组意图进行预测，如果链路预测结果为需要增强连通性，则将中转节点的目的坐标发送给消息处理模块。

(7)消息处理模块发送通信中转消息给通信中转节点，以维持请求。

本发明的原理：利用当前群组移动环境的节点移动特征，对网络区域进行划分，找出网络中急需增强连通性的区域，有针对性的对整个网络的连通性进行增强。

本发明与现有技术相比的优点在于：

(1)通信中转节点可以由网络自组织的控制其移动轨迹，而不需要预先设定。当前现有的拓扑控制技术中通过引入基础设施来增加连通性的相关技术，都要求实现明确网络中的具体配置，如节点的移动轨迹和分布规律。引入的基础设施也都预设好移动轨迹，不能够自适应的应对网络变化而进行调整。本发明中，群组通过信息交互来得到通信中转节点的移动目标，同时发送给通信中转节点，通信中转节点可以实时的对通信目标进行调整，以此来适应未知的网络变化。

(2)适应战术互联网的特点，专注于网络中链路稀疏的区域的连通性增强。针对群组移动环境下的网络特征，由于群组内的连通性相对稳定且通信能够得到保证，本发明致力于群组间的连通性的增强，这样能够更明确的针对网络中容易出现连通性问题的区域，减少了对通信中转节点的需求，同时提高了网络的性能。

(3)对网络中群组的移动意图更准确的提取。对于网络中群组的移动趋势的表示方式上，本发明采用逆向的正态云模型的意图提取算法来提取整个群组的移动意图，使用云模型中的均值、熵、超熵等概念来描述群组的移动意图。当前的已有的群组意图表达方式一般采用参考点来描述群组的移动趋势。云模型中的熵和超熵已经被证明能够充分描述意图的确定性和模糊度，因此能够更精确的描述群组的移动意图。

附图说明

图1为本发明的结构组成示意图；

图2为图1中的群组划分模块实现流程图；

图3为图1中的基于云模型的逆向群组意图提取模块实现流程图；

图4为图1中的链路预测模块实现流程图；

图5为图1中的控制消息处理模块实现流程图；

图6为传染病路由协议数据可达率；

图7为传染病路由协议网络开销率；

图8为蚁群路由算法数据可达率；

图9为蚁群路由算法延迟时间。

具体实施方式

如图1所示，消息处理模块周期性的向外发送Hello消息，同时将接收到的Hello消息的内容提交到群组划分模块。群组划分模块根据接收到的Hello消息的内容完成群组划分和维护工作，并将群组划分的结果提交给群组意图提取模块以及消息处理模块。消息处理模块根据群组划分结果更新Hello消息的内容，同时将接收到的Hello消息中的邻居节点的信息提交给群组意图提取模块。群组意图提取模块计算节点及其后继节点的移动意图，并将计算结果提交给消息处理模块和链路预测模块。消息处理模块根据群组意图提取的结果更新Hello消息的内容，同时将接收到的Hello消息中的群组意图提交给链路预测模块。链路预测模块根据群组意图提取模块的得到的群组意图以及消息处理模块接收到的邻居的群组意图进行预测，如果链路预测结果为需要增强连通性，则将中转节点的目的坐标发送给消息处理模块。消息处理模块发送通信中转消息给通信中转节点，以维持请求。

如图2所示，在无线传感器网络中，群组划分算法主要通过节点的密集程度来进行群组的分割，并且选举出其中到群中各个节点距离较短的点作为组长。自组织的群组划分和组长选举过程分为三个活动：

权重计算：通过节点的信息计算节点作为组长的权重，计算中参考的因素体现出分组的依据。

分组和组长选举：节点通过一系列的交互来完成群组的划分和组长的选举工作。

分组的维护：群组划分完成后，由于拓扑的变化，节点通过不断监听和更新信息来维持原来的群组的结构或者进行新的群组划分。

权重计算主要体现的是群组划分的依据，由本系统中群组的定义可知，要求群组是地理位置节点，移动速度和方向也接近的节点构成群组，所以权重是通过对节点的之间的相对速度进行比较来获得的。

本系统对每个邻居的权重进行了修改，根据节点间的相对移动速度来作为节点的权值，如果两个节点的相对移动速度差别较大，也就说明了两个节点之间的链路稳定性很差，这两个节点在同一个群组的可能性也非常小。所以本系统根据相对移动速度的大小而将每个邻居的权值限定在(0，1]的区间内。

节点间的相对移动速度的取值范围从理论上讲是[0，+∞)，而权重的计算结果为(0，1]，根据该值域和定义域，使用了指数函数来作为权重的计算依据，即

其中v表示节点的相对移动速度。仿真验证表明，该公式能够很好的区分出群组的界限。

分组和组长选举流程如下：

所述群组划分模块具体的实现过程如下：

(1)网络开始阶段，节点周期性的向外发送Hello消息，同时接收来自邻居的Hello消息，并更新邻居表。

(2)分组和组长选举过程中，节点首先周期性的向周围节点发送Hello消息，在确认接收到所有邻居节点的至少一个Hello消息之后，节点开始进行选举权重的更新。节点计算出最新的权重以后，更新Hello消息的内容，再次向外发送Hello消息，同时接受周围节点发送过来的Hello消息。

(3)在接收到周围邻居更新过权值以后的Hello消息以后，节点从邻居表中的所有邻居以及自身权重中选举出来一个权重最高的节点。如果自身的权重最高，那么节点决定自己的做组长，同时更新自己的Hello消息内容；如果别的节点的权重最高，那么选择该目标节点作为自己的前驱节点，目标节点的组长作为自己的组长，同时更新Hello消息内容。

(4)节点不断接收Hello消息，同时更新自己的邻居表。如果发现比前驱节点离组长距离更近的邻居节点，那么节点选择该邻居节点作为自己的前驱节点，同时更新自己的Hello消息内容。如果节点同所有同组的节点都失去联系或者邻居的权重大于组长的权重，那么节点重新选择自己的组长。

分组和组长选举流程如下：

分组维护流程如下：

如图3所示，基于云模型的意图提取算法。群组移动意图的表示方式为(E_x，E_n，H_e)，其中E_x表示群组移动的中心，E_n表示群组中节点围绕该中心的离散程度，H_e表示了E_n的不确定度。由于网络场景的设定为二维空间，所以以上结果均分为x轴和y轴的值。传统的云模型的意图提取算法是一个集中式的计算方法，本发明对该算法进行了修改，使之能够适应移动Ad Hoc网络中分布式计算的特点。在修改过的算法中，意图提取的输入由一系列有着权重的移动意图

组成，其中

表示一个节点集合的移动意图，权重n_i表示该意图中的节点数目，

表示节点的样本方差。对意图提取公式用计算机逻辑进行实现，得到了基于云模型的意图提取算法，算法流程如下：

(1)节点首先统计出邻居表中所有以自己为前驱的邻居节点，并取出各个节点的移动意图信息和该移动意图中包含的节点数量，其表示方式为

$(\stackrel{\‾}{X_i},{\mathrm{En}}_{n_i},{\mathrm{He}}_{n_i},{S_{n_i}}^2,n_i),i=\mathrm{1,2},...,k.$

(2)遍历上述节点，平均求出所有节点的移动意图的中心坐标，其计算公式为

$E_x=\stackrel{\‾}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i=\frac{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{n}_i\stackrel{\‾}{X_i}}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{n}_i};,$ $E_n=\sqrt{\frac{\mathrm{\π}}{2}}\×\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_i-E_x|=\sqrt{\frac{\mathrm{\π}}{2}}\×\frac{1}{n}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{n}_i|\stackrel{\‾}{X_k}-E_x|;,$

$S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{X})}^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i^2-2x_i\stackrel{\‾}{X}+{\stackrel{\‾}{X}}^2)}^2=\frac{1}{n-1}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i^2-n{\stackrel{\‾}{X}}^2);,$ $H_e=\sqrt{S^2-{E_n}^2};.$

对上述意图提取公式用计算机逻辑进行实现，得到了基于云模型的意图提取算法，算法流程如下：

(3)移动意图提取模块求出上述结果之后，将结果交给消息处理模块，更新向外发送的Hello消息，如果节点为组长，那么移动意图的输出结果同时交给链路预测模块进行链路预测。

如图4所示，群组连通预测过程通过对两个群组之间的距离和群组的移动意图进行比较，当两个群组之间的的基本元素范围重叠时，认为群组间的连通性处于非常稳定的节点；当两个群组之间的只有外围元素重叠时，认为此时的群组间连通性需要增强；当两个群组间没有外围元素重叠时，认为群组间无法保持连通性，此时的两个群组处于不连通状态。具体算法过程如下：

(1)链路预测模块的输入是两群组的移动意图，其表达形式为：群组A的移动意图(Ex_ax，En_ax，He_ax)，(Ex_ay，En_ay，He_ay)和群组B的移动意图(Ex_bx，En_bx，He_bx)，(Ex_by，En_by，He_by)，这里假设群组中节点的分布是在二维平面上，每个群组的移动意图分为两部分，其中(Ex_ax，En_ax，He_ax)表示群组A在X轴上的移动意图，(Ex_ay，En_ay，He_ay)表示群组A在Y轴上的移动意图，(Ex_bx，En_bx，He_bx)表示群组B在X轴上的移动意图，(Ex_by，En_by，He_by)表示群组B在Y轴上的移动意图。

(2)群组连通预测过程通过对两个群组之间的距离和群组的移动意图进行比较。

(3)当两个群组之间的距离小于等于

时，我们认为群组间的连通性处于非常稳定的状态；

(4)当两个群组之间的距离大于

时，我们认为群组间无法保持连通性，此时的两个群组处于不连通状态。

(5)当两个群组之间的距离大于

小于

时，则认为此时的群组间连通性需要增强；连通性增强的中转节点坐标为 其中(point_x，point_y)为通信中转节点的中转坐标。

链路预测的算法流程如下：

(6)链路预测模块将上述结果交给消息处理模块，以此来组织相应的消息和消息内容。

如图5所示，控制消息处理模块负责处理所有的节点间的消息交互，可以分为消息发送子模块和消息接收子模块。其中消息接收子模块负责所有消息的接收和消息内容的提取，接收其他节点发送的消息同时向群组划分模块、意图提取模块和链路预测模块输出节点的移动信息；消息发送子模块负责消息的发送，接收来自群组划分模块、意图提取模块和链路预测模块的信息，发送控制消息。

(1)消息处理模块周期性的向外发送Hello消息，同时将接收到的Hello消息的内容提交到群组划分模块。

(2)群组划分模块根据接收到的Hello消息的内容完成群组划分和维护工作，并将群组划分的结果提交给群组意图提取模块以及消息处理模块。

(3)消息处理模块根据群组划分结果更新Hello消息的内容，同时将接收到的Hello消息中的邻居节点的信息提交给群组意图提取模块。

(4)群组意图提取模块计算节点及其后继节点的移动意图，并将计算结果提交给消息处理模块和链路预测模块。

(5)消息处理模块根据群组意图提取的结果更新Hello消息的内容，同时将接收到的Hello消息中的群组意图提交给链路预测模块。

(6)链路预测模块根据群组意图提取模块的得到的群组意图以及消息处理模块接收到的邻居的群组意图进行预测，如果链路预测结果为需要增强连通性，则将中转节点的目的坐标发送给消息处理模块。

(7)消息处理模块发送通信中转消息给通信中转节点，以维持请求。

为了证明本系统设计的有效性，此处已采用SMV来证明本系统具有的若干系统属性，SMV应用SMV输入语言对有限状态并发系统进行建模，应用CTL公式对待检验的性质进行描述，然后采用基于OBDD的模型检验算法判断系统模型是否满足相应的性质。为了用SMV对系统进行检验，首先要使用该规范语言来对系统进行描述(系统说明)，即要建立系统的各个模块的有限自动机模型和系统的全局状态即Kripke模型，并且用CTL表示出该系统将被检验的性质(系统属性)，然后提交给SMV系统运行。

首先证明系统的各个状态的可达并且无论从哪个节点开始进行分组划分，最后总能收敛到一个稳定的群组划分结果上。验证结果如下：

Model checking results

＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝

(AG  (EF  ((((((((weights[0]＝1)&(weights[1]＝1))&(weights[2]＝1))&(weights......true

(AG  ((weights[0]＝1)-＞(EF  (～(weights[0]＝1))))).............................false

(AG  ((weights[1]＝1)-＞(EF  (～(weights[1]＝1))))).............................false

(AG  ((weights[2]＝1)-＞(EF  (～(weights[2]＝1))))).............................false

(AG  ((weights[3]＝4)-＞(EF  (～(weights[3]＝4))))).............................false

(AG  ((weights[4]＝2)-＞(EF  (～(weights[4]＝2))))).............................false

(AG  ((weights[5]＝3)-＞(EF  (～(weights[5]＝3))))).............................false

(AG  ((weights[6]＝1)-＞(EF  (～(weights[6]＝1))))).............................false

(AG  ((weights[7]＝1)-＞(EF  (～(weights[7]＝1))))).............................false

第一行表示节点总能到达最后的结果，以下的几行输出结果表示节点一旦到达稳定的结果将不再变化。

其次，验证目标是在给出的可终结输入中，不存在死锁以及节点能够到达所有状态。验证结果如下所示：

|Model checking results

＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝

(AG  ((sen.state＝s0)-＞(EF  (rec.state＝r1)))).................................true

(AG  ((sen.state＝s1)-＞(EF  (rec.state＝r1)))).................................true

(AG  ((sen.state＝s2)-＞(EF  (rec.state＝r1)))).................................true

(AG  ((sen.state＝s3)-＞(EF  (rec.state＝r1)))).................................true

(AG  ((sen.state＝s0)-＞(EF  (rec.state＝r0)))).................................true

((EG ((sen.state＝s0)-＞(EF  ((sen.state＝s2)|(sen.state＝s3)))))&(EG ((re......true

最后一行输出表明了通信过程无死锁，其余的部分证明了节点的所有状态都可达。

在实现了本系统的拓扑控制方法后，在ONE仿真平台上进行了实验验证。首先建立实验的想定场景。在网络区域中有200个普通节点，普通节点分成若干组进行活动，首先某部队在接到上级指令后出发，首先部队以一字形队形行军，在到达指定区域有展开队形进行巡逻指定地区，在巡逻过程中，由于发现敌情，部队完成了对指定目标的包围。在部队执行任务过程中，某无人机编队奉命协助该军队的通信。

想定场景中有5个群组的方式移动，在移动过程中，群组会出现分离和合并，直行，环形转弯，按队形行进等方式。无人机编队节点8个，用于群组间的中转。

在仿真过程中，节点随机产生通信需求，仿真平台统计整个仿真过程中信息的传输情况并输出。仿真结果同无通信中转节点支持的环境以及仿真中转节点以固定形式运动的情况下作对比。

在ONE仿真平台中，按照每个群组的节点数量不同来对本发明进行的验证，图6、7给出了使用“传染病”路由算法的路由协议的路由性能对比，横轴表示每个群组的节点数量，纵轴表示路由的性能指标。图6中的红色曲线表示在本发明的拓扑控制方法基础上使用“传染病”路由算法的数据可达率曲线，蓝色曲线表示在无通信中转节点支持的拓扑环境下使用“传染病”路由算法的数据可达率曲线。由此可见，基于本发明的拓扑控制方法可以实现相对较高的数据可达率。图7中的红色曲线表示在本系统的拓扑控制方法基础上使用“传染病”路由算法的网络开销率曲线，蓝色曲线表示在无通信中转节点支持的拓扑环境下使用“传染病”路由算法的网络开销率曲线。对比可见，基于本发明的拓扑控制方法可以有效地降低网络开销。

为了进一步证明本发明的广泛有效性，同时还使用了蚁群路由多路径算法协议进行对比验证，图8、9给出了本发明的拓扑控制方法在使用蚁群路由算法的移动场景中性能对比。图8显示了采用本发明的拓扑控制方法和不采用本发明的拓扑控制方法的条件下蚁群路由多路径算法协议的数据可达率的对比。图9显示了两者的网络开效率的对比。

综合以上仿真结果可以看出，本发明拓扑控制方法能够提高数据可达率，并且减少数据到达的延迟时间。在仿真过程中，随着每个群组节点数目的增加，该拓扑控制方法的性能指标也会趋于稳定。这是因为随着使用云计算的意图提取算法的样本量增加，其预测结果更加趋于稳定，群组间的链路连通性预测也更加精确。

Claims (3)

1.面向群组移动环境的拓扑控制系统，其特征在于包括：群组划分模块、基于云模型的逆向群组意图提取模块、链路预测模块和控制消息处理模块；其中：

群组划分模块的输入是控制消息处理模块输出的所有节点的位置和速度信息，输出是若干个群组；所述群组由距离上接近，通信上保持连通的一系列节点组成，输出后的群组信息送至逆向群组意图提取模块；

基于云模型的逆向群组意图提取模块，输入是各个群组中节点的位置和速度信息，输出是整个群组的移动意图，移动意图的组织方式是一个三元组，分别表示群组的中心，群组中节点的分布函数，节点分布函数的不确定度，逆向群组意图提取模块的输出送到链路预测模块；

链路预测模块的输入是两个相邻群组的移动意图，输出为这两个群组之间的链路预测结果，链路预测结果分为稳定、需要增强和无法增强，对于需要增强的群组，链路预测结果同时给出了可以增强链路的节点摆放的位置信息；

控制消息处理模块负责处理所有的节点间的消息交互，可以分为消息发送子模块和消息接收子模块，其中消息接收子模块负责所有消息的接收和消息内容的提取，接收其他节点发送的消息同时向群组划分模块、逆向群组意图提取模块和链路预测模块输出节点的移动信息；消息发送子模块负责消息的发送，接收来自群组划分模块、逆向群组意图提取模块和链路预测模块的信息，发送Hello消息、通信中转请求消息；

所述群组划分模块具体的实现过程如下：

网络开始阶段，节点周期性的向外发送Hello消息，同时接收来自邻居的Hello消息，并更新邻居表;在确认接收到所有邻居节点的至少一个Hello消息之后，节点开始进行选举权重的更新，同时向外发送更新后的Hello消息；在接收到周围邻居更新过权值以后的Hello消息以后，节点从邻居表中的所有邻居以及自身权重中选举出来一个权重最高的节点作为组长，同时更新Hello消息内容；不断重复以上过程来满足分组与组长动态变化的过程；

所述基于云模型的逆向群组意图提取模块具体的实现过程如下：

首先统计出邻居表中所有以自己为前驱的邻居节点，并取出各个节点的移动意图信息和该移动意图中包含的节点数量；遍历邻居表中所有以自己为前驱的邻居节点，平均求出所有节点的移动意图的中心坐标；逆向群组意图提取模块求出上述结果之后，将结果交给控制消息处理模块，更新向外发送的Hello消息，如果节点为组长，那么移动意图的输出结果同时交给链路预测模块进行链路预测。

2.根据权利要求1所述的面向群组移动环境的拓扑控制系统，其特征在于所述链路预测模块具体的实现过程如下：

链路预测模块的输入是两群组的移动意图，这里群组中节点的分布是在二维平面上；群组连通预测过程通过对两个群组之间的距离和群组的移动意图进行比较，来预测组群间的连通性状态；最后，链路预测模块将上述结果交给控制消息处理模块，以此来组织相应的消息和消息内容。

3.根据权利要求1所述的面向群组移动环境的拓扑控制系统，其特征在于所述控制消息处理模块实现步骤如下：

控制消息处理模块周期性的向外发送Hello消息；将接收到的Hello消息的邻居移动信息提交到群组划分模块;将接收到的Hello消息中的群组意图信息提交给链路预测模块；根据群组划分结果和群组意图提取的结果更新Hello消息的内容;根据链路预测的结果发送通信中转消息给通信中转节点，以维持请求。

Images