CN104468346A - 一种容迟网络中基于节点移动轨迹的路由决策方法 - Google Patents

Abstract

本发明公开一种容迟网络中基于节点移动轨迹的路由决策方法。首先，利用半马尔科夫模型获得节点在各社区稳态分布，提出节点移动轨迹热度概念。其次，利用半马尔科夫模型预测节点未来位置分布，提出节点之间移动轨迹相似度概念。再次，提出基于节点移动轨迹路由决策方法，它选择移动轨迹热度较高或者与数据包携带者移动轨迹相似度较低的节点作为中继节点参与数据传播。最后，在真实节点移动轨迹数据上对路由方法进行性能评价，实验结果表明，与最近著名的喷射等待路由方法和基于社会群体路由方法相比，路由方法整体性能优于它们，同时，与经典的传染病路由方法相比，可以明显地降低网络开销，同时接近该方法达到的最大数据包传递率和最低传递延迟。

Description

一种容迟网络中基于节点移动轨迹的路由决策方法

技术领域

本发明属于计算机网络技术领域，具体涉及一种容迟网络中基于节点移动轨迹的路由决策方法。

背景技术

容迟网络(Delay Tolerant Networks，DTNs)是通过携带的移动无线终端的节点，近距离接触形成的通信机会来传递数据。随着近年来智能手机和无线网络技术(WIFI、3G、蓝牙等)的发展，容迟网络成为无线网络领域一个热点。由于它不需要基础设施支持，因此可以被方便用于星际网络、无线车载网络、生态环境监测网络等领域，并为此提供有力理论和技术的支持，推进未来网络通信智能化、泛在化、融合化的发展，被认为是实现“无处不在的网络”的一项关键技术，具有重要的理论价值和实践意义。

路由方法是容迟网络中一个关键和极具挑战性的问题。与传统网络不同，由于节点密度低、不可预见的节点移动、有限的传输范围、电池供电等原因造成容迟网络中一般不存在从源节点到目的节点的端到端路径，传统网络数据包转发方法不能应用到该网络中。因此，容迟网络采用一种新的、“存储-携带-转发”数据包转发范式来传输数据。传染病路由是第一个数据转发算法，相遇节点彼此交换对方没有的数据，从而取得最大的传递率和最小的传递延迟，但是，该算法容易引起数据在网络中洪泛从而导致很多网络资源被浪费，同时受到节点缓存及通信带宽影响较大。针对这些不足，一些算法希望以较低网络开销取得与传染病路由相近的网络性能。喷射等待路由和喷射聚焦路由都包含两阶段：第一阶段都为喷射：在网络中产生固定数目的拷贝数目；第二阶段分别是等待和聚焦，在等待阶段数据包携带者对除目的节点外其它节点不再传播数据包，在聚焦阶段数据包携带者对除目的节点或者效用值比本节点高的节点外其它节点不再传播数据包。另外一些转发算法是基于节点转发数据到目的节点的能力。概率算法计算节点直接或者通过其它节点间接碰到目的节点的概率，并且引入老化因子来实时更新此概率，数据包携带者仅拷贝数据包给碰到目的节点概率高于自己的节点。由于节点缺乏全局的信息，有转发算法通过节点实际移动数据来预测节点的移动模式从而得到节点之间碰面的概率。近年来越来越多的工作从容迟网络中携带设备者的社会属性来设计路由算法。冒泡路由方法从社区和节点中心性两个方面来设计转发算法。为每个节点计算全局秩和局部秩，当数据包携带者节点A遇到节点B时，节点A拷贝数据包给节点B仅当下面两种情况之一发生：(1)节点A、B和目的节点属于同一个社区且节点A的局部秩比节点B大；(2)节点A和目的节点不属于同一社区，如果节点B和目的节点同属一个社区或者节点B全局秩比节点A全局秩大。针对容迟网络中节点移动的随机性，包括瞬态联系分布、瞬态网络连通性和瞬态社会社区结构等瞬态社会联系模式被用来设计数据转发算法。基于社会群体路由方法在每个节点a处定义一个到其它任意节点b的连通度Γ_ab＝(Γ_a,b)_oldγ^k+(1-(Γ_a,b)_oldγ^k)α，其中(Γ_a,b)_old是节点a，b连通度历史记录，α是更新因子，γ是老化因子，k是自它们上次碰面以来经历的时间。初始在源节点处产生L个数据包副本，当数据包携带者遇到(1)目的节点，转发数据包给目的节点；(2)与自己的连通度小于C_th的其它节点，即与自己不属于同一群组的节点，将一半数据包副本转发给该节点，自己留下剩余一半数据包副本。然后，如果它们之间连通度大于D_th则丢弃自己的该数据包所有副本。

容迟网络中设备一般由人来携带，而人的意识、行为等社会属性直接影响到节点的移动轨迹，因此节点的移动轨迹反映了节点的社会性。但是，目前研究工作主要关注节点移动模式特征，缺乏利用移动轨迹的理论分析来设计路由决策方法。

发明内容

本发明针对容迟网络中，移动轨迹对节点的影响，从单个节点移动轨迹绝对特征和节点之间移动轨迹相对特征出发，设计基于节点移动轨迹的路由决策方法。

本发明所采用的技术方案如下：

一种容迟网络中基于节点移动轨迹的路由决策方法，其特征在于，包括以下步骤：

(1)、建立网络模型，将网络划分为若干个社区，根据节点在各社区累计停留时间比例得到节点的社区分布；

(a)、假设网络被分成M-1个地理位置不重叠的社区C₁,C₂,…,C_M-1，定义一个虚拟社区C₀表示节点离开网络状态，得到一个社区集合C＝{C₀,C₁,…,C_M-1}；

(b)、假设网络中共有N个节点，它们可以在社区集合C内自由移动，在相邻社区之间转换不耗费时间；

(c)、当且仅当节点u在社区C_i停留时间占它在所有社区累积时间的比例不低于β₁时，节点u(1≤u≤N)属于社区C_i(1≤i≤M-1)；

(2)、根据节点u历史移动轨迹数据获得转移概率矩阵P^u和由状态i转换到状态j概率分布然后计算节点u在各社区的平稳分布和未来出现在各个社区的概率；

(a)、定义一个马尔科夫更新过程和状态空间S＝{0,1,2,...,M-1}，其中状态空间S表示节点u属于哪个社区，表示第n次转换后的状态，表示发生第n次状态转换的时刻，初始值T₀＝0；

(b)、假设转移概率矩阵 $P^u=\left|p_{\mathrm{ij}}^u\right|(0\≤i,j\≤M-1),$ 其中表示当前在状态i则下次转移到状态j的概率，根据节点u的移动跟踪数据计算如下：

$p_{\mathrm{ij}}^u=\frac{{\mathrm{num}}_{\mathrm{ij}}^u}{{\mathrm{num}}_i^u}---\left(1\right)$

其中，表示节点u从状态i到状态j的转移次数，表示节点u从状态i转移出去但下一个状态不一定是状态j的次数；

(c)、结合转移概率矩阵P^u，计算稳态转移概率过程如下：

${\stackrel{\‾}{\mathrm{\π}}}^u={\stackrel{\‾}{\mathrm{\π}}}^u{P}^u,\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}{\stackrel{\‾}{\mathrm{\π}}}_i^u=1;---\left(2\right)$

(d)、计算节点状态i转换到状态j概率分布时间被离散化为大小为Δt的时间片，用表示下一个状态是j时的节点在当前状态i逗留时间分布，根据节点u的移动轨迹数据，具体计算公式如下：

$H_{\mathrm{ij}}^u\left(k\right)=P(t_{\mathrm{ij}}^u<k)=\underset{w=0}{\overset{k-1}{\mathrm{\&Sigma;}}}P(t_{\mathrm{ij}}^u=w),---\left(3\right)$

其中表示当下一个状态是j时节点在当前状态i的逗留时间；

假定节点u在状态逗留时间变量独立于状态转换过程得齐次半马尔科夫链核Q^u：

$\begin{array}{c}{Q}_{\mathrm{ij}}^u\left(k\right)=P(X_{n+1}^u=j,T_{n+1}^u-T_n^u\&le;k|X_n^u=i)\\ =P(X_{n+1}^u=j|X_n^u=i)\&CenterDot;P(T_{n+1}^u-T_n^u\&le;k|X_{n+1}^u=j,X_n^u=i)\\ =p_{\mathrm{ij}}^u{H}_{\mathrm{ij}}^u\left(k\right),\end{array}---\left(4\right)$

其中，是状态i和j之间的转移概率，表示在不迟于时间k节点u由状态i转换到状态j概率；设表示节点u在状态i的逗留时间分布，因此可得，

$D_i^u\left(k\right)=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{ij}}^u\left(k\right).---\left(5\right)$

由等式(5)和随机变量期望的定义可以计算得到节点u在状态i的平均逗留时间

(e)、根据 ${\stackrel{\&OverBar;}{\mathrm{\&pi;}}}_i^u,d_i^u(0\&le;i\&le;M-1)$ 的，计算用户稳态分布 ${\mathrm{\&pi;}}^u=[{\mathrm{\&pi;}}_0^u,{\mathrm{\&pi;}}_1^u,...,{\mathrm{\&pi;}}_{M-1}^u]:$

${\mathrm{\&pi;}}_i^u=\frac{d_i^u{\stackrel{\&OverBar;}{\mathrm{\&pi;}}}_i^u}{\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{d}_j^u{\stackrel{\&OverBar;}{\mathrm{\&pi;}}}_j^u},---\left(6\right)$

其中，表示节点u在任何时刻位于状态i的概率；

(f)、定义齐次半马尔科夫链通过齐次半马尔科夫链来预测节点u未来时刻移动轨迹概率分布情况；该链的瞬态分布用来预测节点u未来kΔt秒时所处的状态，具体定义如下：

${\mathrm{\&phi;}}_{\mathrm{ij}}^u\left(k\right)=P(Z_k=j|Z_0=i)=d_{\mathrm{ij}}^u\left(k\right)+\underset{w=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{\mathrm{\&tau;}=1}{\overset{k}{\mathrm{\&Sigma;}}}{v}_{\mathrm{iw}}^u\left(\mathrm{\&tau;}\right){\mathrm{\&phi;}}_{\mathrm{wj}}^u(k-\mathrm{\&tau;}),---\left(7\right)$

其中，如果i＝j则δ_ij＝1否则为0，由下列公式给出：

$v_{\mathrm{ij}}^u\left(k\right)=\left\{\begin{array}{c}{Q}_{\mathrm{ij}}^u\left(1\right),k=1\\ Q_{\mathrm{ij}}^u\left(k\right)-Q_{\mathrm{ij}}^u(k-1),k>1\end{array}\right..---\left(8\right)$

如果节点u现在状态i中且已经停留了s个时间片，则预测节点u未来时刻k位于状态j的概率可由条件概率公式得到，

$\begin{array}{c}{\widehat{\mathrm{\&phi;}}}_{\mathrm{ij}}^u(k,s)=\frac{\mathrm{Pr}(Z_{s+k}=j,t_{\mathrm{sojourn}}=s|Z_0=i)}{\mathrm{Pr}(t_{\mathrm{sojourn}}=s|Z_0=i)}\\ =\frac{d_{\mathrm{ij}}^u(s+k)+\underset{w=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{\mathrm{\&tau;}=s+1}{\overset{s+k}{\mathrm{\&Sigma;}}}{v}_{\mathrm{iw}}^u\left(\mathrm{\&tau;}\right){\mathrm{\&phi;}}_{\mathrm{wj}}^u(s+k-\mathrm{\&tau;})}{1-D_i\left(s\right)},\end{array}---\left(9\right)$

其中t_sojourn表示在状态i的逗留时间；

(3)、定义节点移动轨迹热度；

(a)、定义社区i(1≤i≤M-1)的热度Chd_i，Chd_i为属于该社区的节点个数，节点访问热度高的社区可能更易传播数据，进而带来由于节点的移动轨迹不同导致数据传播能力的差别；

(b)、假设节点u在各状态的稳态分布为则该节点移动轨迹热度Thd_u定义为：

${\mathrm{Thd}}_u=\underset{i=1}{\overset{M-1}{\mathrm{\&Sigma;}}}{\mathrm{Chd}}_i\&CenterDot;{\mathrm{\&pi;}}_i^u;---\left(10\right)$

(4)、定义节点移动轨迹相似度；

(a)、引用向量空间余弦相似度测量方法定义两节点在kΔt秒时间间隔后的位置相似度：对于M维向量和余弦相似度定于如下：

$\mathrm{sim}(\stackrel{\&RightArrow;}{p},\stackrel{\&RightArrow;}{q})=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{p}_i{q}_i}{\left(\sqrt{{\mathrm{\&Sigma;}}_{i=1}^M{p}_i^2}\right)\left(\sqrt{{\mathrm{\&Sigma;}}_{i=1}^M{q}_i^2}\right)}=\frac{\stackrel{\&RightArrow;}{p}\&CenterDot;\stackrel{\&RightArrow;}{a}}{\left|\stackrel{\&RightArrow;}{p}\right|\left|\stackrel{\&RightArrow;}{q}\right|}---\left(11\right)$

(b)、假设节点u和v当前时刻都在状态cur中，且在该状态中已经停留的时间分别为s₁、s₂，kΔt秒后可能的位置分布分别为 ${\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^u(s_1,k)=\{{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},1}^u(s_1,k),{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},2}^u(s_1,k),...,{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},M-1}^u(s_1,k)\},$ ${\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^v(s_1,k)=\{{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},1}^v(s_1,k),{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},2}^v(s_1,k),...,{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},M-1}^v(s_1,k)\},$ 此两节点kΔt秒后位置相似度Lsim(u,v,cur,s₁,s₂,k)如下：、

$\mathrm{Lsim}(u,v,\mathrm{cur},s_1,s_2,k)=\mathrm{sim}({\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^u(s_1,k),{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^v(s_2,k));---\left(12\right)$

(c)、假设每个数据包都有一个生存时间TTL(time-to-live)，设当前值为T_cur·Δt秒，将T_cur·Δt划分为δ个区间，每隔δ·Δt秒，计算一次节点u和v的位置相似度，因此得到的位置相似度值分别为：

(d)、定义节点u和v移动轨迹相似度：

假设节点u和v都在状态cur中，且在该社区中已经停留的时间分别为s₁、s₂，数据包生存时间当前值为T_cur·Δt时，此两节点移动轨迹相似度MTsim(u,v,cur,s₁,s₂,T_cur)由下面等式给出：

(5)、根据节点移动轨迹热度以及节点移动轨迹相似度低的特点，提出基于节点移动轨迹数据转发策略(Data Forwarding based on node moving trajectory，DFNMT)，在DFNMT策略中，与携带数据包的节点相遇节点满足移动轨迹热度高和与之携带数据包的节点的移动轨迹相似度低的条件，则携带数据包的节点将拷贝数据包给相遇节点。

所述的基于节点移动轨迹数据转发策略DFNMT策略如下：

假设携带数据包p的节点u遇到节点v时：

(1)节点u和节点v交换移动轨迹热度；

(2)如果节点v也携带数据包p时，转(3)；

否则，则按以下步骤进行

(2.1)如果节点v是目的节点，则转发数据包给它，转(3)；

(2.2)如果节点v的移动轨迹热度则拷贝数据包给节点v，转(3)；

(2.3)如果节点v的移动轨迹热度则节点u和节点v交换交换转移概率矩阵P^u、P^v和由状态i转换到状态j概率分布计算节点u和节点v的移动轨迹相似度MTsim(u,v,cur,s₁,s₂,T_cur)。如果MTsim(u,v,cur,s₁,s₂,T_cur)≤λ，则拷贝数据包给节点v；

(3)结束。

在上述步骤(2.2)中，β₂是一个阈值，表示节点u记录的网络中N_meet个相遇节点移动轨迹热度平均值，条件表达式意味节点v的移动轨迹热度很高，可以参与数据传播过程。另外，如步骤(2.3)所述，对于移动轨迹热度较高且与数据包携带节点移动轨迹相差较大的节点，也参与数据传播过程，这样可以扩大数据扩散的网络区域，其中λ是一个阈值。从上面路由决策过程可以看出存在(2.1)、(2.2)和(2.3)三种情况，节点u将拷贝数据包给节点v。

本发明的有益效果体现在：

本发明相比于最近著名的喷射等待路由方法和基于社会群体路由方法，整体性能优越，而且，与经典的传染病路由方法相比，本发明显著地降低了网络开销，并且在传递率和传递延迟方面接近于该方法。

附图说明

图1为本发明的流程图。

图2(a)为本发明与传染病路由方法、喷射等待路由方法、基于社会群体路由方法相比时数据包生存时间TTL对网络数据包传递率的影响。

图2(b)为本发明与传染病路由方法、喷射等待路由方法、基于社会群体路由方法相比时数据包生存时间TTL对网络开销(参与转发的节点数目)的影响。

图2(c)为本发明与传染病路由方法、喷射等待路由方法、基于社会群体路由方法相比时数据包生存时间TTL对网络数据包传递延迟的影响。

具体实施方式

一种容迟网络中基于节点移动轨迹的路由决策方法，包括以下步骤：

(1)、建立网络模型，将网络划分为若干个社区，根据节点在各社区累计停留时间比例得到节点的社区分布；

(a)、假设网络被分成M-1个地理位置不重叠的社区C₁,C₂,…,C_M-1，定义一个虚拟社区C₀表示节点离开网络状态，得到一个社区集合C＝{C₀,C₁,…,C_M-1}；

(b)、假设网络中共有N个节点，它们可以在社区集合C内自由移动，在相邻社区之间转换不耗费时间；

(c)、当且仅当节点u在社区C_i停留时间占它在所有社区累积时间的比例不低于β₁时，节点u(1≤u≤N)属于社区C_i(1≤i≤M-1)；

(2)、根据节点u历史移动轨迹数据获得转移概率矩阵P^u和由状态i转换到状态j概率分布然后计算节点u在各社区的平稳分布和未来出现在各个社区的概率；

(a)、定义一个马尔科夫更新过程和状态空间S＝{0,1,...,M-1}，其中状态空间S表示节点u属于哪个社区，表示第n次转换后的状态，表示发生第n次状态转换的时刻，初始值T₀＝0；

(b)、假设转移概率矩阵其中表示当前在状态i则下次转移到状态j的概率，根据节点u的移动跟踪数据计算如下：

$p_{\mathrm{ij}}^u=\frac{{\mathrm{num}}_{\mathrm{ij}}^u}{{\mathrm{num}}_i^u},---\left(1\right)$

其中，表示节点u从状态i到状态j的转移次数，表示节点u从状态i转移出去但下一个状态不一定是状态j的次数；

(c)、结合转移概率矩阵P^u，计算稳态转移概率过程如下：

${\stackrel{\&OverBar;}{\mathrm{\&pi;}}}^u={\stackrel{\&OverBar;}{\mathrm{\&pi;}}}^u{P}^u,\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{\mathrm{\&pi;}}}_i^u=1;---\left(2\right)$

(d)、计算节点状态i转换到状态j概率分布时间被离散化为大小为Δt的时间片，用表示下一个状态是j时的节点在当前状态i逗留时间分布，根据节点u的移动轨迹数据，具体计算公式如下：

$H_{\mathrm{ij}}^u\left(k\right)=P(t_{\mathrm{ij}}^u<k)=\underset{w=0}{\overset{k-1}{\mathrm{\&Sigma;}}}P(t_{\mathrm{ij}}^u=w),---\left(3\right)$

其中表示当下一个状态是j时节点在当前状态i的逗留时间；

假定节点u在状态逗留时间变量独立于状态转换过程得齐次半马尔科夫链核Q^u：

$\begin{array}{c}{Q}_{\mathrm{ij}}^u\left(k\right)=P(X_{n+1}^u=j,T_{n+1}^u-T_n^u\&le;k|X_n^u=i)\\ =P(X_{n+1}^u=j|X_n^u=i)\&CenterDot;P(T_{n+1}^u-T_n^u\&le;k|X_{n+1}^u=j,X_n^u=i)\\ =p_{\mathrm{ij}}^u{H}_{\mathrm{ij}}^u\left(k\right),\end{array}---\left(4\right)$

其中，是状态i和j之间的转移概率，表示在不迟于时间k节点u由状态i转换到状态j概率；设表示节点u在状态i的逗留时间分布，因此可得，

$D_i^u\left(k\right)=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{ij}}^u\left(k\right).---\left(5\right)$

由等式(5)和随机变量期望的定义可以计算得到节点u在状态i的平均逗留时间

(e)、根据 ${\stackrel{\&OverBar;}{\mathrm{\&pi;}}}_i^u,d_i^u(0\&le;i\&le;M-1)$ 的，计算用户稳态分布 ${\mathrm{\&pi;}}^u=[{\mathrm{\&pi;}}_0^u,{\mathrm{\&pi;}}_1^u,...,{\mathrm{\&pi;}}_{M-1}^u]:$

${\mathrm{\&pi;}}_i^u=\frac{d_i^u{\stackrel{\&OverBar;}{\mathrm{\&pi;}}}_i^u}{\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{d}_j^u{\stackrel{\&OverBar;}{\mathrm{\&pi;}}}_j^u},---\left(6\right)$

其中，表示节点u在任何时刻位于状态i的概率；

(f)、定义齐次半马尔科夫链通过齐次半马尔科夫链来预测节点u未来时刻移动轨迹概率分布情况；该链的瞬态分布用来预测节点u未来kΔt秒时所处的状态，具体定义如下：

${\mathrm{\&phi;}}_{\mathrm{ij}}^u\left(k\right)=P(Z_k=j|Z_0=i)=d_{\mathrm{ij}}^u\left(k\right)+\underset{w=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{\mathrm{\&tau;}=1}{\overset{k}{\mathrm{\&Sigma;}}}{v}_{\mathrm{iw}}^u\left(\mathrm{\&tau;}\right){\mathrm{\&phi;}}_{\mathrm{wj}}^u(k-\mathrm{\&tau;}),---\left(7\right)$

其中，如果i＝j则δ_ij＝1否则为0，由下列公式给出：

$v_{\mathrm{ij}}^u\left(k\right)=\left\{\begin{array}{c}{Q}_{\mathrm{ij}}^u\left(1\right),k=1\\ Q_{\mathrm{ij}}^u\left(k\right)-Q_{\mathrm{ij}}^u(k-1),k>1\end{array}\right..---\left(8\right)$

如果节点u现在状态i中且已经停留了s个时间片，则预测节点u未来时刻k位于状态j的概率可由条件概率公式得到，

$\begin{array}{c}{\widehat{\mathrm{\&phi;}}}_{\mathrm{ij}}^u(k,s)=\frac{\mathrm{Pr}(Z_{s+k}=j,t_{\mathrm{sojourn}}=s|Z_0=i)}{\mathrm{Pr}(t_{\mathrm{sojourn}}=s|Z_0=i)}\\ =\frac{d_{\mathrm{ij}}^u(s+k)+\underset{w=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{\mathrm{\&tau;}=s+1}{\overset{s+k}{\mathrm{\&Sigma;}}}{v}_{\mathrm{iw}}^u\left(\mathrm{\&tau;}\right){\mathrm{\&phi;}}_{\mathrm{wj}}^u(s+k-\mathrm{\&tau;})}{1-D_i\left(s\right)},\end{array}---\left(9\right)$

其中t_sojourn表示在状态i的逗留时间；

(3)、定义节点移动轨迹热度；

(a)、定义社区i(1≤i≤M-1)的热度Chd_i，Chd_i为属于该社区的节点个数，节点访问热度高的社区可能更易传播数据，进而带来由于节点的移动轨迹不同导致数据传播能力的差别；

(b)、假设节点u在各状态的稳态分布为则该节点移动轨迹热度Thd_u定义为：

${\mathrm{Thd}}_u=\underset{i=1}{\overset{M-1}{\mathrm{\&Sigma;}}}{\mathrm{Chd}}_i\&CenterDot;{\mathrm{\&pi;}}_i^u;---\left(10\right)$

(4)、定义节点移动轨迹相似度；

(a)、引用向量空间余弦相似度测量方法定义两节点在kΔt秒间隔后的位置相似度：对于M维向量和余弦相似度定于如下：

$\mathrm{sim}(\stackrel{\&RightArrow;}{p},\stackrel{\&RightArrow;}{q})=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{p}_i{q}_i}{\left(\sqrt{{\mathrm{\&Sigma;}}_{i=1}^M{p}_i^2}\right)\left(\sqrt{{\mathrm{\&Sigma;}}_{i=1}^M{q}_i^2}\right)}=\frac{\stackrel{\&RightArrow;}{p}\&CenterDot;\stackrel{\&RightArrow;}{a}}{\left|\stackrel{\&RightArrow;}{p}\right|\left|\stackrel{\&RightArrow;}{q}\right|};---\left(11\right)$

(b)、假设节点u和v当前时刻都在状态cur中，且在该状态中已经停留的时间分别为s₁、s₂，kΔt后可能的位置分布分别为 ${\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^u(s_1,k)=\{{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},1}^u(s_1,k),{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},2}^u(s_1,k),...,{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},M-1}^u(s_1,k)\},$ ${\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^v(s_1,k)=\{{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},1}^v(s_1,k),{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},2}^v(s_1,k),...,{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},M-1}^v(s_1,k)\},$ 此两节点kΔt时间后位置相似度Lsim(u,v,cur,s₁,s₂,k)如下：

$\mathrm{Lsim}(u,v,\mathrm{cur},s_1,s_2,k)=\mathrm{sim}({\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^u(s_1,k),{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^v(s_2,k));---\left(12\right)$

(c)、假设每个数据包都有一个生存时间TTL(time-to-live)，设当前值为T_cur·Δt，将T_cur·Δt划分为δ个区间，每隔δ·Δt时间，计算一次节点u和v的位置相似度，因此得到的位置相似度值分别为：

(d)、定义节点u和v移动轨迹相似度：

假设节点u和v都在状态cur中，且在该社区中已经停留的时间分别为s₁、s₂，数据包生存时间当前值为T_cur·Δt时，此两节点移动轨迹相似度MTsim(u,v,cur,s₁,s₂,T_cur)由下面等式给出：

(5)、根据节点移动轨迹热度以及节点移动轨迹相似度低的特点，提出基于节点移动轨迹数据转发策略(Data Forwarding based on node moving trajectory，DFNMT)，在DFNMT策略中，与携带数据包的节点相遇节点满足移动轨迹热度高和与之携带数据包的节点的移动轨迹相似度低的条件，则携带数据包的节点将拷贝数据包给相遇节点。

所述的基于节点移动轨迹数据转发策略DFNMT策略如下：

假设携带数据包p的节点u遇到节点v时：

(1)节点u和节点v交换移动轨迹热度；

(2)如果节点v也携带数据包p时，转(3)；

否则，则按以下步骤进行

(2.1)如果节点v是目的节点，则转发数据包给它，转(3)；

(2.2)如果节点v的移动轨迹热度则拷贝数据包给节点v，转(3)；

(2.3)如果节点v的移动轨迹热度则节点u和节点v交换交换转移概率矩阵P^u、P^v和由状态i转换到状态j概率分布计算节点u和节点v的移动轨迹相似度MTsim(u,v,cur,s₁,s₂,T_cur)。如果MTsim(u,v,cur,s₁,s₂,T_cur)≤λ，则拷贝数据包给节点v；

(3)结束。

在上述步骤(2.2)中，β₂是一个阈值，表示节点u记录的网络中N_meet个相遇节点移动轨迹热度平均值，条件表达式意味节点v的移动轨迹热度很高，可以参与数据传播过程。另外，如步骤(2.3)所述，对于移动轨迹热度较高且与数据包携带节点移动轨迹相差较大的节点，也参与数据传播过程，这样可以扩大数据扩散的网络区域，其中λ是一个阈值。从上面路由决策过程可以看出存在(2.1)、(2.2)和(2.3)三种情况，节点u将拷贝数据包给节点v。

通过模拟实验将本文提出的路由方法DFNMT与传染病路由方法、喷洒等待路由方法和基于社会群体路由方法进行性能比较。著名的Infocom06的真实跟踪数据被用来作为节点的移动模型，它是通过2006年在西班牙巴塞罗那召开的Infocom会议上通过78个志愿者携带Imote设备采集得到。另外20个固定的Imote设备被放置在会议现场不同区域作为AP，从而形成20个社区。我们使用下面性能评价标准来比较不同路由转发方法：(1)传递率，网络中被成功传递到目的节点的数据包与所有发送数据包的比值；(2)传递延迟，数据包从源节点到达目的节点所经历的时间。(3)网络开销，在数据包被成功传递到目的节点时网络中参与转发的节点数目。时间片大小Δt＝180。在DFNMT方法中，β₁＝0.1，β₂＝1.1，β₃＝0.9，δ＝3和λ＝0.3。在喷洒等待路由、基于社会群体路由方法中，一开始源节点数据包副本数目L＝32，携带数据节点采用二分喷洒，即将拥有的数据拷贝一半留给自己，一半转发给相遇节点。在基于社会群体路由方法中，γ＝0.98，α＝0.45C_th＝C_dt＝0.5。从网络节点中随机选择两个节点分别作为源节点和目的节点。每个实验结果都是1000次运行结果的平均值。

将数据包生存时间TTL从1.5小时变化到3.25小时来研究生存时间TTL对三种路由方法性能影响情况。仿真结果如图2(a)、2(b)、2(c)所示，可以看出本发明方法的整体性能比喷射等待路由方法和基于社会群体路由方法好。而且，与经典的传染病路由方法相比，我们方法显著地降低了网络开销，并且在数据包传递率和传递延迟方面接近于该方法。

本发明在容迟网络中通过对移动轨迹的理论分析，提出了一种基于节点移动轨迹路由决策方法DFNMT。通过半马尔科夫链模型来建立节点的移动模型，在此模型上得到节点在各社区的稳态分布和未来位置分布分别用来计算反映节点访问热点区域的移动轨迹的活跃度和反映与数据包携带者在未来同时访问相同社区的几率的移动轨迹相似度概念。接着，DFNMT方法充分利用高移动轨迹的活跃度和低移动轨迹相似度的节点作为中继节点，参与数据扩散。通过在真实数据跟踪文件Infocom 06上的模拟实验结果表明，相比于最近著名的喷射等待路由方法和基于社会群体路由方法，我们的路由方法整体性能优于它们，而且，与经典的传染病路由方法相比，我们方法显著地降低了网络开销，并且在传递率和传递延迟方面接近于该方法。

Claims (2)

1.一种容迟网络中基于节点移动轨迹的路由决策方法，通过半马尔科夫链模型来建立节点的移动模型，在此模型上得到节点在各社区的稳态分布和未来位置分布，在此基础上，分别计算反映节点访问某一社区的移动轨迹的热度和反映与数据包携带者在未来同时访问相同社区几率的移动轨迹相似度，接着，基于节点移动轨迹的路由决策方法充分利用具有高移动轨迹热度和低移动轨迹相似度的节点作为中继节点，参与数据扩散，并对数据传递扩散效果进行评估，其特征在于，包括以下步骤：

(1)、建立节点的移动模型，将节点的移动模型网络划分为若干个社区，根据节点在各社区累计停留时间比例得到节点的社区分布；

(a)、假设节点的移动模型网络被分成M-1个地理位置不重叠的社区C₁,C₂,…,C_M-1，定义一个虚拟社区C₀，其中C₀表示节点离开网络状态，则社区集合C＝{C₀,C₁,…,C_M-1}；

(b)、假设网络中共有N个节点，它们可以在社区集合C内自由移动，在相邻社区之间转换不耗费时间；

(c)、当且仅当任一节点u在社区C_i停留时间占它在所有社区累积时间的比例不低于β₁时，节点u(1≤u≤N)属于社区C_i(1≤i≤M-1)；

(2)、根据节点u历史移动轨迹数据获得转移概率矩阵P^u和由状态i转换到状态j概率分布然后计算节点u在各社区的平稳分布和未来出现在各个社区的概率；

(a)、定义马尔科夫更新过程和状态空间S＝{0,1,...,M-1}，其中状态空间S表示节点u属于哪个社区，表示第n次转换后的状态，表示发生第n次状态转换的时刻，初始值T₀＝0；

(b)、假设转移概率矩阵其中表示当前在状态i则下次转移到状态j的概率，根据节点u的移动跟踪数据计算如下：

$p_{\mathrm{ij}}^u=\frac{{\mathrm{num}}_{\mathrm{ij}}^u}{{\mathrm{num}}_i^u},---\left(1\right)$

其中，表示节点u从状态i到状态j的转移次数，表示节点u从状态i转移出去但下一个状态不一定是状态j的次数；

(c)、结合转移概率矩阵P^u，计算稳态转移概率过程如下：

${\stackrel{\&OverBar;}{\mathrm{\&pi;}}}^u={\stackrel{\&OverBar;}{\mathrm{\&pi;}}}^u{P}^u,\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{\mathrm{\&pi;}}}_i^u=1;---\left(2\right)$

(d)、计算节点状态i转换到状态j概率分布时间被离散化为大小为Δt的时间片，用表示下一个状态是j时的节点在当前状态i逗留时间分布，根据节点u的移动轨迹数据，具体计算公式如下：

$H_{\mathrm{ij}}^u\left(k\right)=P(t_{\mathrm{ij}}^u<k)=\underset{w=0}{\overset{k-1}{\mathrm{\&Sigma;}}}P(t_{\mathrm{ij}}^u=w),---\left(3\right)$ 其中表示当下一个状态是j时节点在当前状态i的逗留时间；

假定节点u在状态逗留时间变量独立于状态转换过程得齐次半马尔科夫链核Q^u：

$\begin{array}{c}{Q}_{\mathrm{ij}}^u\left(k\right)=P(X_{n+1}^u=j,T_{n+1}^u-T_n^u\&le;k|X_n^u=i)\\ =P(X_{n+1}^u=j|X_n^u=i)\&CenterDot;P(T_{n+1}^u-T_n^u\&le;k|X_{n+1}^u=j,X_n^u=i)\\ =p_{\mathrm{ij}}^u{H}_{\mathrm{ij}}^u\left(k\right),\end{array}---\left(4\right)$

其中，是状态i和j之间的转移概率，表示在不迟于时间k节点u由状态i转换到状态j概率；设表示节点u在状态i的逗留时间分布，因此可得，

$D_i^u\left(k\right)=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{ij}}^u\left(k\right)---\left(5\right)$

由等式(5)和随机变量期望的定义可以计算得到节点u在状态i的平均逗留时间

(e)、根据 $d_i^u(0\&le;i\&le;M-1),$ 计算用户稳态分布 ${\mathrm{\&pi;}}^u=[{\mathrm{\&pi;}}_0^u,{\mathrm{\&pi;}}_1^u,...,{\mathrm{\&pi;}}_{M-1}^u];$

${\mathrm{\&pi;}}_i^u=\frac{d_i^u{\stackrel{\&OverBar;}{\mathrm{\&pi;}}}_i^u}{\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{d}_j^u{\stackrel{\&OverBar;}{\mathrm{\&pi;}}}_j^u},---\left(6\right)$

其中，表示节点u在任何时刻位于状态i的概率；

(f)、定义齐次半马尔科夫链通过齐次半马尔科夫链来预测节点u未来时刻移动轨迹概率分布情况；该链的瞬态分布用来预测节点u未来kΔt秒时所处的状态，具体定义如下：

${\mathrm{\&phi;}}_{\mathrm{ij}}^u\left(k\right)=P(Z_k=j|Z_0=i)=d_{\mathrm{ij}}^u\left(k\right)+\underset{w=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{\mathrm{\&tau;}=1}{\overset{k}{\mathrm{\&Sigma;}}}{v}_{\mathrm{iw}}^u\left(\mathrm{\&tau;}\right){\mathrm{\&phi;}}_{\mathrm{wj}}^u(k-\mathrm{\&tau;}),$

其中，如果i＝j则δ_ij＝1否则为0，由下列公式给出：

$v_{\mathrm{ij}}^u\left(k\right)=\left\{\begin{array}{c}{Q}_{\mathrm{ij}}^u\left(1\right),k=1\\ Q_{\mathrm{ij}}^u\left(k\right)-Q_{\mathrm{ij}}^u(k-1),k>1\end{array}\right..---\left(8\right)$

如果节点u现在状态i中且已经停留了s个时间片，则预测节点u未来时刻k位于状态j的概率可由下列条件概率公式得到，

$\begin{array}{c}{\widehat{\mathrm{\&phi;}}}_{\mathrm{ij}}^u(k,s)=\frac{\mathrm{Pr}(Z_{s+k}=j,t_{\mathrm{sojourn}}=s|Z_0=i)}{\mathrm{Pr}(t_{\mathrm{sojourn}}=s|Z_0=i)}\\ =\frac{d_{\mathrm{ij}}^u(s+k)+\underset{w=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{\mathrm{\&tau;}=s+1}{\overset{s+k}{\mathrm{\&Sigma;}}}{v}_{\mathrm{iw}}^u\left(\mathrm{\&tau;}\right){\mathrm{\&phi;}}_{\mathrm{wj}}^u(s+k-\mathrm{\&tau;})}{1-D_i\left(s\right)}\end{array},---\left(9\right)$

其中t_sojourn表示在状态i的逗留时间；

(3)、定义节点移动轨迹热度；

(a)、定义社区i(1≤i≤M-1)的热度Chd_i，Chd_i为属于该社区的节点个数，节点访问热度高的社区可能更易传播数据，进而带来由于节点的移动轨迹不同导致数据传播能力的差别；

(b)、假设节点u在各状态的稳态分布为则该节点移动轨迹热度Thd_u定义为：

${\mathrm{Thd}}_u=\underset{i=1}{\overset{M-1}{\mathrm{\&Sigma;}}}{\mathrm{Chd}}_i\&CenterDot;{\mathrm{\&pi;}}_i^u;---\left(10\right)$

(4)、定义节点移动轨迹相似度；

(a)、引用向量空间余弦相似度测量方法定义两节点在kΔt秒间隔后的位置相似度：对于M维向量和余弦相似度定于如下：

$\mathrm{sim}(\stackrel{\&RightArrow;}{p},\stackrel{\&RightArrow;}{q})=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{p}_i{q}_i}{\left(\sqrt{{\mathrm{\&Sigma;}}_{i=}^M{p}_i^2}\right)\left(\sqrt{{\mathrm{\&Sigma;}}_{i=1}^M{q}_i^2}\right)}=\frac{\stackrel{\&RightArrow;}{p}\&CenterDot;\stackrel{\&RightArrow;}{q}}{\left|\stackrel{\&RightArrow;}{p}\right|\left|\stackrel{\&RightArrow;}{q}\right|};$

(b)、假设节点u和v当前时刻都在状态cur中，且在该状态中已经停留的时间分别为s₁、s₂，kΔt秒后可能的位置分布分别为 ${\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^u(s_1,k)=\{{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},1}^u(s_1,k),{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},2}^u(s_1,k),...,{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},M-1}^u(s_1,k)\},$ ${\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^v(s_1,k)=\{{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},1}^v(s_1,k),{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},2}^v(s_1,k),...,{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur},M-1}^v(s_1,k)\},$ 此两节点kΔt秒后位置相似度Lsim(u,v,cur,s₁,s₂,k)如下：

$\mathrm{Lsim}(u,v,\mathrm{cur},s_1,s_2,k)=\mathrm{sim}({\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^u(s_1,k),{\widehat{\mathrm{\&phi;}}}_{\mathrm{cur}}^v(s_2,k));---\left(12\right)$

(c)、假设每个数据包都有一个生存时间TTL(time-to-live)，设当前值为T_cur·Δt秒，将T_cur·Δt划分为δ个区间，每隔δ·Δt秒，计算一次节点u和v的位置相似度，因此得到的位置相似度值分别为：

(d)、定义节点u和v移动轨迹相似度；

假设节点u和v都在状态cur中，且在该社区中已经停留的时间分别为s₁、s₂，数据包生存时间当前值为T_cur·Δt时，此两节点移动轨迹相似度MTsim(u,v,cur,s₁,s₂,T_cur)由下面等式给出：

(5)、根据节点移动轨迹热度以及节点移动轨迹相似度的特点，提出基于节点移动轨迹数据转发策略(Data Forwarding based on node moving trajectory，DFNMT)，在DFNMT策略中，与携带数据包的节点相遇节点满足移动轨迹热度高和与之携带数据包的节点的移动轨迹相似度低的条件，则携带数据包的节点将拷贝数据包给相遇节点。

2.根据权利要求1所述的一种容迟网络中基于节点移动轨迹的路由决策方法，其特征在于：所述的基于节点移动轨迹数据转发策略DFNMT策略如下：

假设携带数据包p的节点u遇到节点v时：

(1)节点u和节点v交换移动轨迹热度；

(2)如果节点v也携带数据包p时，转(3)；

否则，则按以下步骤进行

(2.1)如果节点v是目的节点，则转发数据包给它，转(3)；

(2.2)如果节点v的移动轨迹热度则拷贝数据包给节点v，转(3)；

(2.3)如果节点v的移动轨迹热度则节点u和节点v交换交换转移概率矩阵P^u、P^v和由状态i转换到状态j概率分布计算节点u和节点v的移动轨迹相似度MTsim(u,v,cur,s₁,s₂,T_cur)；如果MTsim(u,v,cur,s₁,s₂,T_cur)≤λ，则拷贝数据包给节点v；

(3)结束；

其中，β₂是一个阈值，表示节点u记录的网络中N_meet个相遇节点移动轨迹热度平均值，条件表达式意味节点v的移动轨迹热度很高，可以参与数据传播过程。