CN102843301B - 一种基于接触预测的移动容迟网络路由方法 - Google Patents

Abstract

一种基于接触预测的移动容迟网络路由方法，从随机路点等移动模型和北京市出租车等大规模移动轨迹数据特性分析出发，提炼出非频繁接触、接触次数独立、接触持续时间短暂的三条假设，在此基础上挖掘出移动容迟网络的节点接触间隔时间分布特性。基于该特性，本发明给出了节点相遇概率的计算方法及对应的概率更新规则。在实际的路由中，节点通过相遇历史记录来得到与不同节点的相遇概率，最终通过比较相遇概率来决定转发结果。本发明在公交车网络中进行了仿真实验，仿真结果表明本发明的路由性能高于其他经典的DTN路由，能够满足公交车网络等移动容迟网络的需求。

Description

一种基于接触预测的移动容迟网络路由方法

技术领域

本发明涉及移动容迟网络路由决策，特别是一种基于接触预测的移动容迟网络路由方法，可用于移动容迟网络中，提升网络的整体性能。

背景技术

公交车网络是一种典型移动容迟网络环境，这种网络主要以公交汽车等公共交通工具所构成，该类网络通过在公交车上安装无线通信装置，结合部署在车站或路旁的WiFi等设施，构成了一个典型的移动容迟网络环境。近年来各研究机构研发了一系列有代表性的公交移动容迟网络通信系统，如DieselNet和DakNet等，这些系统的部署表明公交移动容迟网络有重要的应用前景。

公交车环境下车辆移动模式的特殊性在于：(1)两辆车之间并非两两之间都能直接通信，而有可能需要其他车辆作为中继节点进行通信；(2)每辆公交车有自身的固定线路，仅仅会在地图上的“道路”中行驶；(3)作为人类网络的一种，公交车的移动轨迹也表现出一定的习惯性和社会性。如有一辆公交车经常在某一区域游走，或某几辆公交车表现出经常性接触的状态。这些特性使得公交车通信的空时路径在空间和时间两个维度上都具有变化性。产生这种变化性的原因是因为网络中节点移动速度快，并且受到运动习惯、周边环境状况、甚至是人的主观意志等多种不确定性因素影响，使得消息分组的传递机会在何时、何地出现也具有了相当的不确定性。如何消除或减轻这种不确定性带来的影响，提高路由的准确度正是移动容迟网络研究的核心问题。

对于这一问题，现有的基于图论的拓扑描述方法如进化图、时间图和时变图等，都难以很好地描述公交车网络中接触存在的不确定性，这也会导致实际路由时节点无法准确的估计传输机会，进而影响路由性能。而在移动容迟网络的路由方法方面，基于接触预测的路由方法根据其预测方法主要分为基于历史信息的接触预测和基于移动模型接触预测两种方法。在基于历史信息的预测方法中，一个核心观点是认为节点的运动并不是完全随机的，历史上相遇过的节点会有较大的概率再次相遇。因此在这类路由中，节点根据历史的相遇信息来选择转发节点。典型的路由方法有PRoPHET，Maxprop，Link-State Protocol等。此类概率路由由于只用到了节点的历史接触信息，因此此类路由算法对网络场景的要求不高，并且可扩展性、自适应性较强，但是由于节点只有在相遇时才能更新路由信息，容易造成全网路由信息不同步的情况。此外，由于是基于历史信息进行接触预测，当网络环境中节点过于稀疏或节点间接触很少时，该类路由方法并不适用。

而在基于移动模型的预测方法中，研究者一般认为节点的移动具有较强的规律性，符合某种移动模型，因而能够根据节点当前的位置、速度等信息预测节点将来的位置，从而对未来的接触进行预测，从而构造一个可能的接触图，并据此来计算消息转发的最短路径。典型的路由方法有MobySpace，RCM等。此类基于移动模型接触预测的路由算法特点是网络环境中节点的移动模式具有较为明显的规律性，利用节点的移动特性设计对应的路由，可以在对应的网络环境中取得不错的路由性能。然而，该类方法的最大问题就是每个方法仅仅适用于某一个特定的网络场景，对网络场景的移动特性要求较高，缺乏普适性。此外，对于许多网络环境，如移动车辆网络、公交车网络等，节点的移动虽然具有一定的特点，但是仍然有很强的随机性，很难建立类似于时空图的数学模型，因此基于模型类的路由并不适用于移动容迟网络。

发明内容

本发明技术解决问题：克服现有技术的不足，提供了一种基于接触预测的移动容迟网络路由方法，对具有一定运动模式的移动网络，充分利用节点自身运动规律，借助与其他节点接触概率的大小实现容迟网络节点数据包投递率的提升，使移动容迟网络的整体性能得到提升。

本发明技术解决方案：一种基于接触预测的移动容迟网络路由方法。技术方案如下：首先，从考虑节点间的接触概率的角度出发，构造节点接触概率矩阵，以三元组的形式记录节点的接触概率，然后基于节点间的ICT信息，根据节点接触概率公式，每个节点计算与其他节点的相遇概率，通过比较接触概率大小完成报文转发的路由决策。

具体实现步骤如下：

(1)节点接触概率矩阵建立

每个节点在一开始会初始化一个接触概率矩阵，接触概率矩阵负责存储相关的节点相遇概率信息，节点接触概率矩阵用一个n×n的double型二维数组表示，其中n为节点数目，设节点接触概率矩阵用A_n×n表示，则每个值a_ij表示节点i与节点j的接触概率；每个节点独立管理各自的概率矩阵，在初始化阶段，每个节点将自己与其他节点的相遇概率置为一个初始值，往后通过概率矩阵更新活动进行更新；

(2)节点接触概率矩阵更新

节点接触概率矩阵更新活动是节点所执行的更新节点接触概率矩阵的活动；节点接触概率矩阵更新包括两个子活动：概率衰减和概率重建；当两个节点相遇时，每个节点分别维护各自的节点接触概率矩阵；在节点接触概率矩阵A_n×n中，每个值a_ij由每个节点根据历史信息，根据节点接触概率公式计算得出；每个节点记录的历史信息包括相遇节点的相遇间隔时间以及相遇次数等信息，然后根据这些信息，采用节点接触概率公式来计算不同节点对之间的接触概率；当节点将自己与其余节点的相遇概率重新计算后，完成一次接触概率矩阵的更新；

其中，节点间接触间隔时间指的是相同的一对节点两次相遇之间的时间间隔，描述了一个节点与另一个节点相遇等待的时间；节点间接触间隔时间分布的累计分布函数F(x)和概率分布f(x)函数分别为：

$\left\{\begin{array}{c}F\left(x\right)=1-e^{-\frac{r}{t_r}x}\\ f\left(x\right)=\frac{r}{t_r}{e}^{-\frac{r}{t_r}x}\end{array}\right.$

其中，r表示定数截尾试验中节点i,j的相遇次数，t_r为前r次接触间隔时间Ti的累计和，由于节点间接触间隔时间的累积分布函数是对应特定节点对而言的，因此F(x)等同于节点i,j的相遇概率函数，即节点i,j在未来期望时间T内相遇的概率T为未来期望时间，指的是从现在开始要预测的一段时间，比如要预测5分钟之内的相遇概率，则T＝300s；

矩阵的更新方式有两种情况，一种情况是车辆根据系统设置的周期参数C周期性的更新自己的节点接触概率矩阵，这种情况下，若节点在一个周期内没有与别的节点接触，则节点执行概率衰减活动；另一种情况是，在更新周期中节点与别的节点发生接触，需要相互交换各自的节点接触概率矩阵，重新计算节点相遇概率，此时节点执行概率重建活动，完成概率矩阵的更新；

(3)转发节点选择

在选择转发节点时，当两个节点相遇时，通过更新和交换各自的节点接触概率矩阵，比较各自到达目的节点d的概率大小，若i节点接触概率小于j节点接触概率，即p(i,d)<p(j,d)，则节点i将报文交给j，否则保留。

本发明与现有技术相比的优点在于：

(1)本发明首次从节点间的接触间隔时间角度对节点接触特性进行理论分析，在此基础上通过数学理论推导得出的接触概率公式，并用该公式对未来的接触进行预测。相比传统的基于马尔科夫决策等路由预测方法，本发明方法考虑了节点移动特性对路由决策的影响，通过挖掘节点移动特性的规律来达到提高路由性能的目的。

(2)本发明的路由方法在投递率、负载比和平均传输延迟等指标上均优于目前现有的经典路由方法，在路由性能方面有较大的提升。

(3)本发明在公交车网络中进行了仿真实验，仿真结果表明本发明的路由性能高于其他经典的DTN路由，能够满足公交车网络等移动容迟网络的需求。

附图说明

图1为本发明方法流程示意图；

图2为本发明算法的伪代码图；

图3为场景选取区域示意图；

图4为缓存大小对投递率的影响；

图5为缓存大小对负载比的影响；

图6为缓存大小对平均延时的影响。

具体实施方式

如图1所示，本发明具体实现步骤如下：

步骤一，节点接触概率矩阵建立

节点接触概率矩阵建立活动是获取节点接触信息和计算接触概率活动的集合，及其关系集合的二元组。记为：

式中，节点接触概率矩阵建立活动记为其组分Φ_establish包括两个子活动，分别表示获取节点接触信息和计算接触概率活动，以及两者之间的关系ξ_establish。每个节点在一开始会初始化一个接触概率矩阵，接触概率矩阵负责存储相关的节点相遇概率信息。每个节点在一开始会初始化一个接触概率矩阵，接触概率矩阵负责存储相关的节点相遇概率信息，节点接触概率矩阵用一个n×n的double型二维数组表示，其中n为节点数目，设节点接触概率矩阵用A_n×n表示，则每个值a_ij表示节点i与节点j的接触概率，如a₂₅＝0.4表示2号节点和5号节点发生接触的概率为0.4。每个节点独立管理各自的概率矩阵。在初始化阶段，每个节点在初始化一个新的二维数组时，将自己与其他节点的相遇概率置为一个初始值，往后通过概率矩阵更新活动进行更新。

步骤二，节点接触概率矩阵建立

节点接触概率矩阵更新活动是节点所执行的更新节点接触概率矩阵的活动。节点接触概率矩阵更新包括两个子活动：概率衰减和概率重建整个更新活动是概率衰减和概率重建两个子活动的集合，及其关系集合的二元组，记为：

式中，节点接触概率矩阵更新记为分别表示概率衰减活动和概率重建活动活动，表示两个字活动之间的关系。

当两个节点相遇时，每个节点分别维护各自的节点接触概率矩阵。在节点接触概率矩阵A_n×n中，每个值a_ij表示节点i与节点j的接触概率，这个值由每个节点根据历史信息，根据节点接触概率公式计算得出。每个节点记录的历史信息包括相遇节点的相遇间隔时间ICT以及相遇次数等信息，然后根据这些信息，采用节点接触概率公式来计算不同节点对之间的接触概率。当节点将自己与其余节点的相遇概率重新计算后，完成一次接触概率矩阵的更新。

其中，节点间接触间隔时间(Inter Contact Time，ICT)指的是相同的一对节点两次相遇之间的时间间隔，描述了一个节点与另一个节点相遇等待的时间；节点间ICT分布的累计分布函数F(x)和概率分布f(x)函数分别为：

$\left\{\begin{array}{c}F\left(x\right)=1-e^{-\frac{r}{t_r}x}\\ f\left(x\right)=\frac{r}{t_r}{e}^{-\frac{r}{t_r}x}\end{array}\right.---\left(1.3\right)$

其中，r表示定数截尾试验中节点i,j的相遇次数，t_r为前r次ICT的累计和，注意到这里得出的ICT的累积分布函数是对应特定节点对而言的，因此F(x)等同于节点i,j的相遇概率函数，即节点i,j在T时间内相遇的概率由于节点间的接触时长要远小于ICT，因此可以近似等于观测到第r次接触发生的总时长△T，于是最终得到节点i,j在T时间内相遇的概率为：

$p(i,j)=1-e^{-\frac{r}{\mathrm{\&Delta;T}}T}---\left(1.4\right)$

其中r为相遇次数，t_r为历史ICT的累计时长，T为未来期望时间，指的是从现在开始要预测的一段时间，比如要预测5分钟之内的相遇概率，则T＝300s。可以看出，影响概率p的参数有三个，分别是相遇次数r，历史总时长△T和未来期望时间T。其中，相遇次数r和历史总时长△T仅与节点有关，是客观参数；而未来期望时间T需要人工指定，注意到p是关于T的单调递增函数，反映了未来时间越久，两个节点越有可能相遇的规律，这也符合主观认识。

矩阵的更新方式有两种情况，一种情况是车辆周期性的更新自己的节点接触概率矩阵，这种情况下，在一个更新周期中节点没有与别的节点接触，因此节点执行概率衰减活动；另一种情况是，在更新周期中节点与别的节点发生接触，需要相互交换各自的节点接触概率矩阵，重新计算节点相遇概率，因此此时节点执行概率重建活动，完成概率矩阵的更新。概率重建规则如下：

首先相互更新各自的p(i,j)，然后逐个比较到达其余节点的相遇概率，若p(i,k)＝0而p(j,k)≠0，则对p(i,k)进行更新，p(i,k)＝p(i,j)×p(j,k)。影响路由信息更新阶段的参数有两个，一个是更新周期updateInterval，另一个是未来期望时间expectTime。下分别对这

两个参数简要说明：

1.更新周期updateInterval

随着时间的流逝，历史信息的时效性下降，所以要定期更新路由信息。当更新频率过快则需要较大的运算量，频率过慢则路由信息不准确。

2.未来期望时间expectTime

当未来期望时间T过大时，估计的精确度低，p(i,j)接近于1；当未来期望时间T过小时，估计的精确度高，p(i,j)接近于0。

以上两个参数会影响到投递概率的计算和路由计算量，要求定位参数可调，需要由用户来直接输入。

步骤三，转发节点选择

在数据转发阶段，当两个节点相遇时，比较各自到达目的节点d的概率大小，若p(i,d)<p(j,d)，则节点i将报文交给j，否则保留。此外，为了提高缓存的利用率，CPBR中设置了成功投递反馈机制，即当报文到达目的地后，目的节点会广播成功投递报文的ID，接受到消息的节点对自己缓存中的报文进行遍历，若有成功投递报文的ID则做丢弃处理，以增加可用缓存。

整个算法的流程图如图1所示，根据上述流程，算法的伪代码如图2所示：

算法复杂度方面，设节点数为n，对每个节点而言，不需要维护全部的节点接触概率矩阵只需维护一个长度为n-1的自己与其他节点的历史接触向量即可，因此空间复杂度为O(n²)。两个节点相遇时，首先会更新各自的历史信息，在最坏情况下，每个节点都没有对方的记录，此时更新阶段的时间复杂度应为O(n²)。

本发明的效果可以通过以下仿真结果进一步说明：

为了验证本章所提出的路由方法的性能，本发明选定ONE仿真软件作为实验模拟的平台。将提出的CPBR协议与Epidemic(ED)、Direct Delivery(DD)和PRoPHET(Prop)三种典型的容迟网络路由进行模拟实验并对比分析不同缓存大小对不同路由的投递率、平均时延和开销比的影响。本发明参考公交车的实际线路，选取北京市东北方地区作为仿真环境，依据实际的道路图构建了图3所示的仿真场景。仿真的区域大小大约为7×7km²，其他相关参数信息如下表所示：

表1 ONE仿真参数

公交车数	7×7km2	仿真周期	10000s
				数据包数	586	数据包大小	50～100kB
移动模型	MapBasedMovement	通信半径	150m
				车速	7～10m/s	缓存大小	100k～5MB

场景中节点都处于初始位置，空心圆环代表节点的通信半径。每路节点的公交车轨迹固定不变，每个节点在各自路线上做往返运动。数据包在各个站点随机产生。由于对于大多数容迟网络来说，节点的缓存大小是影响网络性能的重要因素，实验里分别采集公交车的缓存为100KB到5MB的数据。由于设定的数据包大小为50～100KB，因此当缓存大小为100KB时，每辆车只能携带1个数据包，可以看成是一种极限情况。

按照之前给出的仿真参数，对各个协议进行了仿真，仿真结果如图4、图5和图6所示。

图4给出了4种路由不同缓存大小下的投递成功率。在投递成功率的比较中，相比其他路由方法，CPBR路由表现出了更为优秀的性能。可以看到，CPBR路由的投递率随着缓存的增加迅速上升并最终维持在90％左右。这是因为在公交车网络场景中，节点相遇的概率并不是均匀的，而是有的节点对容易相遇有的很少相遇甚至不可能相遇(比如线路完全不相交的两辆公交车)，这导致了不同节点对的相遇概率有较大的差异。在这种节点运动不完全随机的场景中，将报文交给与目的地相遇概率值更大的节点要比Epidemic路由这种洪泛式的路由策略具有更高的效率，因而表现出了更高的投递率；另一方面，虽然PRoPHET路由也采用了相同的路由策略，但是它没有利用ICT的分布特性来提高路由性能，因此投递率要低于CPBR。对于另外3种路由方法，Direct Delivery路由的投递率在缓存大小为100KB时处于18％左右，接着便稳定在30％左右，这是因为Direct Delivery路由属于单副本路由，其路由性能对缓存的依赖很小。而CPBR、PRoPHET和Epidemic路由都属于多副本协议，但是CPBR由于具有缓存优化管理机制，因此当缓存大小增加时能够迅速的提升并达到峰值状态，而PRoPHET和Epidemic路由一直保持逐步增长的趋势，直到达到4.5MB之后才到达投递峰值。

图5给出了4种路由算法在不同缓存大小下的平均传输时延。由于Direct Delivery路由的传输机制是除非遇到目的节点，否则不进行报文转发，因此这种极端的路由策略无法保证数据的及时传输，而本发明的仿真实验也表明Direct Delivery路由的平均传输延迟是最高的。CPBR路由协议由于在缓存达到一定大小后即表现出较为稳定的路由性能，因此缓存持续的增加对它们的平均时延几乎没有影响。而Epidemic路由和PRoPHET路由的性能受缓存大小的影响较大，在缓存受限时，由于绝大部分的报文被丢弃处理，因此此时的平均传输时延较低；而当缓存增加时，报文丢弃数减少，成功传输的报文数增加，导致平均传输时延一定程度上的增加；而随着缓存的进一步增加，节点不再丢弃报文，报文成功传输率达到一个较高值，此时平均传输时延不再上升并维持在一个比较稳定的范围内。

图6给出了4种路由不同缓存大小下的网络负载比。负载比是指在网络中开始传送但未到达目的地的报文数量，与成功交付的报文数量的比值。对于算法而言，其开销比越大，意味着其每传送一个报文需要更多的网络开销。图中，Direct Delivery路由的负载比一直为0，这是因为Direct Delivery是单副本路由，不存在开始传送但并未到达目的地的报文，因此其负载比始终为0。剩下的三种协议在缓存为100KB的这种极限情况下负载比相对较高，在缓存增加到500KB后迅速下降，可见当缓存受限时，绝大部分的报文只能做丢弃处理，投递率过低，导致路由的负载比过高，但是随着缓存的增加，成功交付的报文数量增加，使得其负载比迅速下降。从缓存对投递率和负载比的影响可以看出，投递率和负载比这两个参数是息息相关的，当路由的投递率趋于稳定时，其负载比也相应的稳定，且两者的稳定速率也是相互对应的，这一结论在图4和图6中得到了很好的体现。

本发明说明书未详细阐述部分属于本领域公知技术。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于接触预测的移动容迟网络路由方法，其特征在于实现步骤如下：

(1)节点接触概率矩阵建立

每个节点在一开始会初始化一个接触概率矩阵，接触概率矩阵负责存储相关的节点接触概率信息，节点接触概率矩阵用一个n×n的double型二维数组表示，其中n为节点数目，设节点接触概率矩阵用A_n×n表示，则每个值a_ij表示节点i与节点j的接触概率；每个节点独立管理各自的概率矩阵，在初始化阶段，每个节点将自己与其他节点的接触概率置为一个初始值，往后通过概率矩阵更新活动进行更新；

(2)节点接触概率矩阵更新

节点接触概率矩阵更新活动是节点所执行的更新节点接触概率矩阵的活动；节点接触概率矩阵更新包括两个子活动：概率衰减和概率重建；当两个节点接触时，每个节点分别维护各自的节点接触概率矩阵；在节点接触概率矩阵A_n×n中，每个值a_ij由每个节点根据历史信息，根据节点接触概率公式计算得出；每个节点记录的历史信息包括接触节点的接触间隔时间以及接触次数信息，然后根据这些信息，采用节点接触概率公式来计算不同节点对之间的接触概率；当节点将自己与其余节点的接触概率重新计算后，完成一次接触概率矩阵的更新；

其中，节点间接触间隔时间指的是相同的一对节点两次接触之间的时间间隔，描述了一个节点与另一个节点接触等待的时间；节点间接触间隔时间分布的累计分布函数F(x)和概率分布f(x)函数分别为：

$\left\{\begin{array}{c}F\left(x\right)=1-e^{-\frac{r}{t_r}x}\\ f\left(x\right)=\frac{r}{t_r}{e}^{-\frac{r}{t_r}x}\end{array}\right.$

其中，r表示定数截尾试验中节点i,j的相遇次数，t_r为前r次接触间隔时间Ti的累计和，由于节点间接触间隔时间的累积分布函数是对应特定节点对而言的，因此F(x)等同于节点i,j的接触概率函数，即节点i,j在未来期望时间T内接触的概率T为未来期望时间，指的是从现在开始要预测的一段时间；

矩阵的更新方式有两种情况，一种情况是车辆根据系统设置的周期参数C周期性的更新自己的节点接触概率矩阵，这种情况下，若节点在一个周期内没有与别的节点接触，则节点执行概率衰减活动；另一种情况是，在更新周期中节点与别的节点发生接触，需要相互交换各自的节点接触概率矩阵，重新计算节点接触概率，此时节点执行概率重建活动，完成概率矩阵的更新；

(3)转发节点选择

在选择转发节点时，当两个节点相遇时，通过更新和交换各自的节点接触概率矩阵，比较各自到达目的节点d的概率大小，若i节点接触概率小于j节点接触概率，即p(i,d)<p(j,d)，则节点i将报文交给j，否则保留。