CN104935659A - 一种车载网中基于服务质量感知的接入算法 - Google Patents

Abstract

一种车载网中基于服务质量感知的接入方法，依据节点相互关联进行直接观察评价，服务质量评估以节点设备间的历史服务接入记录和推荐信息，通过对历史接入服务的评价预测未来能够获取的服务质量；根据共同关联设备所获取的推荐信息进行间接观察评价；基于节点设备对共同关联设备的评价行为进行社会化关系计算；为了量化评估两个节点之间的内部相似性，本发明引入了皮尔森相关系数并基于节点设备对共同关联设备的评价行为进行相似度计算。本发明有效地提升网络接入服务评估准确性、动态响应性能和连接时间的预测准确度。

Description

一种车载网中基于服务质量感知的接入算法

技术领域

本发明属于无线自组织网络接入领域，具体涉及基于自组织网络社会关系和服务质量下的自适应网络接入方法，具体是指一种车载网中基于服务质量感知的接入算法。

背景技术

车载自组织网络在保障道路和车辆安全、提升运输效率、提高驾驶和乘坐舒适性等方面具有巨大潜能，相关研究正逐渐成为热点领域。随着车载设备种类与数量的丰富、设备智能化程度的不断提高以及用户对于多样化、优质化车载服务需求的不断增强，构建起车与车之间、车与基础设施之间的连接并为用户提供一系列安全性和使用性相关的车载应用服务变得十分重要。面对不断提高的应用需求，单一的车载设备由于获取和处理信息能力的局限性很难满足对应要求，因此，建立起车载智能设备之间的信息分享、服务接入和相互协作机制是车载自组织网络服务接入技术发展的必然趋势。

车载自组织网络环境的服务发现策略的相关研究主要可以分为三类：推送式的服务发现、拉动式(响应式)服务发现以及复合式服务发现。

在一个推送式的服务发现方法中，服务的提供者并不等待来自服务请求者的服务请求信息，与此相反，它将以一种主动的方式发布自己所拥有的服务信息并将该服务信息传播到车载自组织网络中的各个节点中。M.Caliskan等人提出一种应用于搜索空闲停车位置的去中心化服务发现算法。R.Yokoyama等人根据机会网络理论提出了一种基于浮标信息的车载网络服务发现协议。A.Boukerche等人基于位置感知技术提出了一种时间敏感的服务发现策略，然而服务查询方面的故障显著影响了该方法的性能。K.Abrougui等人提出了一种故障容忍的方法，通过将服务信息集成到网络层并使用多样化的频道为设备提供基于基础设施和位置的服务发现，然而该方法要求每台车辆上安装两个网络设备。

在拉动式(响应式)的服务发现方法中，如果一个用户需要接入某项服务，他将向车载自组织网络中发送一个请求报文。当请求报文到达一个能够满足用户请求的节点时，该节点将返回一个服务报文至请求节点。S.Noguchi等人基于IPv6多播技术和地理网络技术提出了一种位置感知的服务发现策略。K.Abrougui等人基于上下文感知技术提出了车载网络中位置信息服务的发现协议。K.Shafiee等人提出了一种用户请求适应的报文请求机制，该机制允许不同的应用根据独自的观察和需求产生请求信息并保证传输过程的稳定性。然而在上述方法中，当请求数量提高时，用于交换服务发现与反馈的报文数量也将明显增高，这也使得网络的可扩展性和稳定性难以得到保障。

复合式服务发现方法将推送式和拉动式的技术相互结合。A.Lakas等人提出了一种设备间相互协作的复合式服务发现策略。在该策略中，节点之间通过分享各自收集到的服务信息形成合作机制，并基于传统的携带转发方式完成服务的接入。此外，该策略还通过使用代理节点及缓存策略提高服务的发现效率和准确度。K.Abrougui等人基于车载自组织网络中带宽资源高效利用方面的考虑，提出了一种基础设备支持的复合服务发现协议。该协议在搜索相关服务及路由路径的同时考虑节省网络整体的带宽资源，从而提高网络对于请求数量大幅增加的可拓展能力。C.Huang等人基于成员间的协作机制提出了K-Hop的车载自组织网络的带宽聚合策略，并将其应用到视频流在车辆间分享和传输的应用中。上述方法中不仅考虑了主动式的服务信息广播机制，还结合了被动式的服务请求传播。然而，复合式服务发现方法的主要问题在于如何选择服务信息的广播范围，从而达到网络负载和服务发现效率之间的平衡。

目前车载自组织网络服务发现和接入技术的研究更多关注于服务发现过程的成功率、响应时间、带宽利用率和传输时延等指标，而对所发现的服务本身的质量及其安全性的研究相对较少。然而，随着车载设备的用户个性化程度不断提高以及服务接入需求的不断增强，接入服务的可靠性、安全性以及隐私性等问题在服务的发现和接入过程中也将变得越来越重要，甚至将直接影响到如成功率、带宽利用率等其他指标。

发明内容

随着车载设备智能化程度的不断提高，以及用户对于多样性、优质化车载服务的需求不断增强，建立智能设备之间的信息分享、服务接入和相互协作机制是车载自组织网络服务接入技术发展的必然趋势。本发明探究一种车载网中基于服务质量感知的网络接入方式，包括以下步骤：

步骤1、依据节点相互关联进行直接观察评价；

步骤2、利用推荐信息进行间接观察评价；

步骤3、基于节点设备对共同关联设备的评价行为进行社会化关系计算；

步骤4、基于运动轨迹分析的车载移动性预测；

步骤5、设计接入服务评估值的选择列表，考虑元素包括：接入服务质量、社会化关系相似度和预期连接性的评估。

附图说明

图1为网络模型图。

图2为交互次数递增过程中算法所获取的选择正确率值示意图。

图3为平均绝对误差指标示意图。

图4为非正常节点比例节点的接入正确率曲线示意图。

图5为选择正确率在不同节点比例下的对比示意图。

图6为网络成员动态变化的网络性能示意图。

图7为可变节点状态的表现性能示意图。

图8为连接时间准确度预测示意图。

具体实施方式

下面结合附图和技术方案对本发明实施例做进一步说明。

图1为系统模型图，本发明考虑一个异构的且去中心化的动态网络环境，其中不存在固定的信任权威来向节点设备提供信誉评估与帮助。节点设备随用户动态地移动，不断地加入或者离开某个局域网络和群体。每个节点设备都携带着自定义的概要文件，用于反映自己的特征信息。节点设备的兴趣偏好是从设备用户与用户之间在真实世界中的社会化联系或兴趣偏好到网络系统中设备与设备之间社会化关系的映射。考虑到即使对于相同的服务或行为，具有不同特征信息的设备也可能将给予不同的评价，因此根据特征信息的不同，节点设备构成不同的群体并建立不同的社会化关系形式。在相同群体内的设备间存在相类似的特征偏好和连接关系，故具有相似的评价标准和接入服务的能力。本发明中每一个节点设备都可能是正常设备或者非正常设备。正常设备能够提供有质量的服务并积极向其他设备提供合适的推荐信息，而一个非正常节点通过提供劣质的服务或发送不正确的反馈评价或推荐信息来影响网络的服务质量和稳定性。

每个节点设备在服务接入的过程中不仅可以作为服务或信息的请求者，也可以成为提供者或推荐者。设备维护存储在本地的接入服务记录和简要配置信息，并依据这些信息对其他设备进行评估或者提供推荐。节点设备间直接的接入服务评价、间接的推荐评价、社会化联系和预测交互时间均作为评估标准直接影响对于接入服务的选择。在每次接入服务结束后，节点设备根据所接入的服务质量对提供者及推荐者分别进行反馈，并调整更新本地数据及配置信息。具有步骤如下：

步骤1、依据节点相互关联进行直接观察评价：

当节点设备产生接入需求时，它首先从服务质量、服务相关度和交互时间三个方面对其周围存在的其他节点设备(即潜在接入对象)进行评估。评估过程所依据的数据从自己的历史接入服务记录和网络中其他节点设备发送的配置信息获得。考虑到不断动态变化的网络环境，对每一条记录和配置信息都赋予一个精确的时间属性，节点设备之间的评估计算要充分考虑数据的时效性要求。

服务质量评估以节点设备间的历史服务接入记录和推荐信息为基础，通过对过去接入服务的评价预测未来能够获取的服务质量。在时间点(t)节点设备u对v的接入服务质量评估(R_u,v(t))通过自己的直接观察(Rdir u,v(t))和共同关联设备的间接推荐(Rind u,v(t))两种方式综合获得，如式(1)所示：

$R_{u,v}\left(t\right)=a\·R_{u,v}^{dir}\left(t\right)+(1-\mathrm{\α})\·R_{u,v}^{ind}\left(t\right)---\left(1\right)$

其中，直接观察和间接推荐的结果取值均处于[0,1]范围内，权重因子α∈[0,1]用于调节两者之间的重要性。当节点设备u需要评估节点设备v的接入服务质量时，它首先检索本地的接入服务记录和配置信息进行直接评价，并从节点u和v共同关联的其他设备所发送的推荐信息中获取间接评价信息。公式(2)描述了节点设备u对v的直接评价方法。

$R_{u,v}^{dir}\left(t\right)=\underset{i=1}{\overset{I(u,v,t)}{\Σ}}decay(t,i)\·DF(v,i)\·TF(v,i)/\underset{i=1}{\overset{I(u,v,t)}{\Σ}}TF(v,i)---\left(2\right)$

其中I(u,v,t)表示直到时间点t节点设备u和v之间的全部服务接入次数，DF(v,i)和TF(v,i)分别代表节点设备v的第i次接入服务的质量评价和该次服务的重要性因子。考虑到车载自组织网络环境的动态变化特征，为了提高有限接入服务记录的评估价值并获得更具实时性的评估结果，衰减系数decay(t,i)被应用到接入记录的评估中。第i次接入记录的衰减系数计算方法如公式(3)所示，其中t(i)表示第i次接入发生的时间。

decay(t,i)＝1/ln(|t-t(i)|)          (3)

步骤2、利用推荐信息进行间接观察评价：

间接评价根据共同关联设备所获取的推荐信息进行计算。节点设备u和v在t时刻的共同关联设备C(u,v,t)＝{w|I(u,w,t)>0and I(w,v,t)>0}，即到时间点t为止u所接入过的节点设备中同样也接入过v的节点设备的集合。请求接入节点u对共同关联设备的评估结果被认为是该设备所提供的推荐信息的可信度参数，如式(4)所示。来自接入服务评估结果更高的共同设备的推荐信息被认为具有更高的可信度，因此也将在综合计算过程中拥有更高的权重值，从而有利于降低虚假推荐、恶意评价等因素对接入服务质量产生的影响，并从另一方面提升推荐信息的准确度。

$R_{u,v}^{ind}\left(t\right)=\underset{j=1}{\overset{C(u,v,t)}{\Σ}}{R}_{u,j}^{dir}\left(t\right)\·R_{j,v}^{dir}\left(t\right)/\underset{j=1}{\overset{C(u,v,t)}{\Σ}}{R}_{u,j}^{dir}\left(t\right)---\left(4\right)$

步骤3、社会化关系计算。为了量化地评估两个节点之间的内部相似性，本发明引入了皮尔森相关系数并基于节点设备对共同关联设备的评价行为进行相似度计算。

节点设备之间的社会化关系作为设备用户在真实世界中社会化关系和服务需求特征的抽象映射，是本发明所提出的接入服务评估算法中重要的评估指标。通过发掘节点设备之间潜在的社会化联系，能够有效实现大规模动态网络环境中快速的可信节点感知与辨别，从而提升发现、接入优质服务的效率和正确率。为了更深入、更全面地建立节点设备之间的社会化关系，本发明所提出的评估算法引入了节点设备的行为相似度作为内在社会化关系衡量指标。在已有的社会化物联网模型的基础上，将社会化关系进一步细化为内部相似性和外部相似性两个方面，而最终的社会化关系强度由两者综合计算得到，如公式(5)所示。

$S_{u,v}\left(t\right)=\mathrm{\β}\·S_{u,v}^{\mathrm{int}}\left(t\right)+(1-\mathrm{\β})\·S_{u,v}^{ext}\left(t\right)---\left(5\right)$

如果两个节点设备对于其他设备的评价趋于一致，则说明它们之间更有可能具有相似的接入服务需求和要求，这样的节点设备之间也更有可能建立高质量的协作和共享；反之，对关联设备的评价分歧较大的节点设备之间，则可能出现接入服务需求和要求不一致，甚至劣质服务提供、虚假评价等恶意行为，这样的社会化联系应该被弱化或抑止。内部相似性和外部相似性的具体计算方法如公式(6)和(7)所示：

$S_{u,v}^{\mathrm{int}}\left(t\right)=\frac{\underset{k=1}{\overset{C(u,v,t)}{\Σ}}|R_{u,k}^{dir}\left(t\right)-\stackrel{\‾}{R_u^{dir}\left(t\right)}|\·|R_{v,k}^{dir}\left(t\right)-\stackrel{\‾}{R_v^{dir}\left(t\right)}|}{\sqrt{\underset{k-1}{\overset{C(u,v,t)}{\Σ}}{\left(R_{u,k}^{dir}\right(t)-\stackrel{\‾}{R_u^{dir}\left(t\right)})}^2}\·\sqrt{\underset{k-1}{\overset{C(u,v,t)}{\Σ}}{\left(R_{v,k}^{dir}\right(t)-\stackrel{\‾}{R_v^{dir}\left(t\right)})}^2}}---\left(6\right)$

$S_{u,v}^{ext}\left(t\right)=\underset{i=1}{\overset{R}{\Σ}}Value\left(i\right)*{\mathrm{Factor}}_{u,v}(i,t)---\left(7\right)$

其中，Sint u,v(t)和Sext u,v(t)分别表示在t时刻节点设备间的内部和外部社会化关系，C(u,v,t)代表u和v之间的共同关联设备集合，Rdir n(t)表示节点设备n的平均评价值。R表示节点u与v之间存在的外部社会化关系维数，而Value(i)和Factor_u,v(i,t)则分别表示每一维关系的标准权重值以及t时刻节点设备间该社会化关系的联系强度。

步骤4、基于运动轨迹分析的车载移动性预测：

在车载自组织网络环境中，车载设备的移动性一直是接入服务选择算法必须要考虑的重要课题。由于节点设备长期处于高速运动及相对运动过程中，对节点设备的移动性分析和有效连接时间预测也变得尤为重要，分析预测的准确度也直接影响着接入服务的选择策略及最终的服务质量。大多数车载自组织网络中服务发现、接入以及路由协议相关的研究工作中都对连接时间进行了分析和计算，并作为一个重要衡量指标参与到接入服务或者路由链路的选择。本发明提出了一种基于运动轨迹的交互时间预测方法，根据一定时间窗内节点设备的运动轨迹进行分析预测，在线性分析过程所采用的横向移动与纵向移动分解的基础上进一步考虑节点设备运动和横线及纵向速度变化率，从而对节点在未来一段时间内的运动轨迹进行预测，并量化节点设备之间的可连接性。同时，随着时间窗口的不断移动，新的数据被导入并替换旧的数据，不断修正预测误差。

考虑一个长度为n的时间窗：t_cur-n+1,…,t_cur-1,t_cur和一个长度为m的预测时间段t_cur+1,…,t_cur+m，其中t_cur表示当前时间点。与时间窗内每个时间点相对应，节点设备的运动方向可以表示为：θ_cur-n+1,…,θ_cur-1,θ_cur。本发明将真实世界中节点设备的转向运动模拟为以某一个坐标点为圆心，半径为r的圆周运动，根据圆周运动中运动角度随运动路径长度的变化关系可得：

$\frac{\mathrm{\Δ}\mathrm{\θ}}{2\mathrm{\π}}=\frac{\mathrm{\Δ}t\·\mathrm{\Δ}V}{2\mathrm{\π}r}---\left(8\right)$

可以推得：

$r=\frac{\mathrm{\Δ}t\·\mathrm{\Δ}V}{\mathrm{\Δ}\mathrm{\θ}}---\left(9\right)$

其中v为移动速度，r为计算所得的圆周半径。依据公式(9)依次计算时间窗内每个时刻t_i到当前时刻t_cur运动过程中对应的圆周半径r_i，可以得到一系列在与当前运动方向相垂直的方向上，且与当前坐标位置距离为r_i的圆心点，对这些点进行拟合便可以得到预期的轨迹半径r_predict，如公式(10)所示。

$r_{predict}=\frac{1}{n}\·\underset{cur-n+1}{\overset{cur-1}{\Σ}}\mathrm{\ν}\·(t_{cur}-t_i)/({\mathrm{\θ}}_{cur}-{\mathrm{\θ}}_i)---\left(10\right)$

以当前位置为初始点，根据预测半径r_predict并再次应用公式(9)，便可得到预测时间段内每个时间点对应的运动方向θ_j(j＝1,2,…,m)的计算公式和分解的速度计算公式：

$\left\{\begin{array}{c}{\mathrm{\θ}}_i={\mathrm{\θ}}_{cur}+\frac{1}{r_{predict}}\·(t_j-t_{cur})v\\ {\mathrm{\ν}}_j^x=v\·cos\left({\mathrm{\θ}}_j\right)\\ {\mathrm{\ν}}_j^y=\mathrm{\ν}\·sin\left({\mathrm{\θ}}_j\right)\end{array}\right.---\left(11\right)$

随着运动方向θ_j的变化，节点在横向(x方向)上的速率与方向成余弦函数关系，在横向(y方向)上的速率与方向成正弦函数关系，根据正余弦函数变化率函数，可以得到时间点t_j节点运动在横向与纵向的速率变化函数：ax j与ay j，即加速度函数如公式(12)所示：

$\left\{\begin{array}{c}{a}_j^x=-sin\left({\mathrm{\θ}}_j\right)\\ a_j^y=cos\left({\mathrm{\θ}}_j\right)\end{array}\right.---\left(12\right)$

将公式(11)、(12)与加速度位移公式联立可得节点设备在从当前时刻开始，在各个时刻点相对于当前坐标点位移距离和的计算公式。

$\left\{\begin{array}{c}{\mathrm{\Δx}}_j={\mathrm{\Δx}}_{j-1}+v\·\cos \left({\mathrm{\θ}}_{j-1}\right)\·(t_j-t_{j-1})-\frac{1}{2}\·\sin \left({\mathrm{\θ}}_{j-1}\right)\·{(t_j-t_{j-1})}^2\\ {\mathrm{\Δy}}_j={\mathrm{\Δy}}_{j-1}+v\·\sin \left({\mathrm{\θ}}_{j-1}\right)\·(t_j-t_{j-1})+\frac{1}{2}\·\cos \left({\mathrm{\θ}}_{j-1}\right)\·{(t_j-t_{j-1})}^2\end{array}\right.---\left(13\right)$

通过位移计算公式，节点设备可以计算出预测时间段内各个时间点目标节点所在坐标及自身坐标，使用平面上两点间的距离公式便可以快速得到两个设备间距离随时间变化的函数Dist_u,v(t)。根据该函数所求得的距离，结合网络中节点设备间有效通信范围，可以推导出随着时间t推移两个节点设备之间可连接性的变化曲线，经过归一化，则可以得到时间段[0,T]内节点设备u对v连接时间的评估值P_u,v(t)，如公式(14)所示：

$P_{u,v}\left(t\right)=\frac{1}{T}\·\underset{0}{\overset{T}{\∫}}(1-\frac{{\mathrm{Dist}}_{u,v}\left(t\right)}{CR})dt---\left(14\right)$

步骤5、设计接入服务评估值的选择列表，综合考虑接入服务质量、社会化关系相似度和预期连接性三个方面的评估指标。在给定时间t，节点设备u对v的接入服务评估值T_u,v(t)可通过公式(15)计算得到。其中，分别为接入质量、社会化关系和预期连接性的权重值，并满足：

T_u,v(t)＝ω₁·R_u,v(t)+ω₂·S_u,v(t)+ω₃·P_u,v(t)        (15)

经过上述方法的计算评估，节点设备生成一个基于接入服务评估值的选择列表。节点依照列表选择一个或者多个具有较高评估值的节点设备发起接入服务请求。在接入过程结束后，请求节点u将根据所获得的服务质量对提供者v进行反馈评价feedback_u,v(t)，并作为激励或惩罚机制，请求节点u也将依据所获取的推荐信息准确度对关联节点设备集合C(u,v,t)中的节点j进行评价：

${\mathrm{feedback}}_{u,j}\left(t\right)=1-|{\mathrm{feedback}}_{u,v}\left(t\right)-R_{j,v}^{dir}\left(t\right)|---\left(16\right)$

根据公式(16)，如果从节点j获得的推荐信息接近于节点设备u实际获得的接入服务质量，即节点j提供了正确的建议，则它将得到肯定的反馈评价，反之亦然。无论是对于接入服务的反馈或对于推荐信息的反馈都将同样地记录到本地交互数据中，也即在本发明的激励或惩罚机制中，积极的反馈不但将给予提供优质接入服务的设备，也将给与协助提供的设备，否定的反馈不但将给予劣质服务提供者，也将给予提供错误推荐信息的相关设备。这使得具有不同接入质量和不同服务特征的节点设备间的区别更为明显，从而提高整体接入服务选择的正确性。

验证结果：

在本发明的仿真实验环境中，N＝100个智能设备随机分布在1km*1km的方形空间内并设定节点间的有效通信范围为200米。为了建立节点设备之间的社会化关系，所有的节点被随机分配到N_community＝10个群体，每个群体内的设备被设定为具有相似的服务能力和偏好。为了模拟一个相对真实的应用场景，在实验环境中不同类型的节点被赋予一个不同的标准值(实际值)来反映该节点所能提供的真实服务质量。非正常节点随机地从全部节点中选择，其非正常节点比例在[10％,90％]区间内且被默认设置为20％。本发明假设节点设备的状态可能在正常与非正常之间转换，故设定非正常行为可能性参数来指定一个非正常节点表现非正常行为的可能性。

作为验证算法性能各项指标的参照，本发明将与M.Nitti等人提出的节点主观模型(SA)和F.Bao等人提出的一种动态信任管理协议(DTMP)进行比较。此外，本发明还考虑了一种不使用任何评估和选择策略的接入方法作为对照。从图2可以看出，相比于不使用任何选择策略的接入方法，其他三种方法在选择成功率方面均取得了显著的提高。这是因为通过采用评估和选择策略，这三种方法能够有效地区分正常节点和非正常节点，从而获取更优质的服务。然而在交互循环的初始阶段，由于缺乏充足的交互记录和配置信息，这三种算法的优势并不明显，而随着交互次数逐渐增加，算法的性能快速提升。基于节点主观模型的评估方法在循环初期效果更好，这种主要是由于该算法更注重于节点之间的社会化关系和相关配置信息，这有助于在缺少交互数据和推荐信息的情况下获取相对较好的接入服务质量。而本发明所提出的算法具有更快的收敛速度和更高的选择成功率，这主要是因为该算法在接入服务质量评估的实时性方面的考虑以及激励/惩罚机制发挥了作用。如图3所示，随着交互次数的不断增加，各个算法均出现了评价误差不断降低的趋势。而正由于上述的原因，本发明所提出的算法取得了四类方法中最小的评价误差并在收敛后保持最小的平均绝对误差值。

图4展示了随着网络环境中非正常节点比例从10％至90％变化过程中节点所能获取的接入正确率的变化曲线。可以看到随着非正常节点比例的增加，节点所能获取的接入服务正确率明显下降。这说明不断增加的错误推荐信息和劣质服务比例极大地影响了节点对接入服务的选择。作为对比，本发明也对各个算法在MNP不断增加的环境中进行了实验，结果如图5所示。可以看到，当MNP小于20％时三种算法的选择正确率几乎相同。随着MNP的增加，三者的正确率也均出现了明显的下降趋势，但算法之间的差异也逐渐产生。本发明所提出的算法相对其他两种方法保持了最佳的正确率，这主要是缘于对节点间社会化关系的深入发掘与评估，使得算法能够在大量错误推荐和评价信息导致接入服务质量评估算法功能失效时，起到一定的缓解和协助作用。

当新加入的节点为正常节点时，如图6(a)所示，DTMP算法最快地接近了标准值，随后是本发明所提出的算法和SA算法；而当加入节点为非正常节点时，如图6(b)所示，本发明所述算法和SA算法均快速接近了标准值，而DTMP算法则出现了明显的波动。总体上可以看出，本发明所提出的算法相对其他两类算法表现得更为稳定和高效。这主要是由于合适的激励和惩罚机制的引入以及内外部社会化关系的建立和量化，使得快速、高效地区分正常与非正常节点并选择合适接入服务对象成为可能。

在考察可变节点状态对算法动态性能的影响的实验中，本发明随机选择一个网络中的节点并设定其标准值以50次交互为单位在正常和非正常区间振荡。图7显示了各个算法计算得到的评估值随着节点的状态发生振荡示意图，如图所示，本发明所述算法在评估准确度和响应速率方面均明显优于其他算法。其原则主要是时间属性和衰减系数在算法中的引入，因此能够更快适应不断变化的节点状态。此外，激励和惩罚机制的应用也有助于提高接入服务评估值的变化灵敏度。从图8可以看到，各预测算法的性能与前文的分析基本吻合。基于线性方法的LET算法在速度或者方向发生变化的环境下的预测结果与理论值差距较大，而本发明所提出的基于运动轨迹的预测算法和基于概率密度的预测算法虽然在预测的中后期出现了偏差，但是总体上符合节点间连接时间的变化趋势。

综上所述，本发明在深入分析接入服务需求产生背景及其所面临的挑战的基础上，结合车载自组织网络的特征和约束，提出了一种适用于车载自组织网络环境的接入服务选择算法，并从接入服务质量评估、节点设备社会化关系建立和设备连接时间预测三个方面对所提出的算法进行了详细描述。最后通过一系列的仿真实验对算法的接入服务评估准确性、动态响应性能和连接时间预测准确度指标进行了全面的考察与分析。

Claims (1)

1.一种车载网中基于服务质量感知的接入算法，其特征包括以下步骤：

步骤1、依据节点相互关联进行直接观察评价：

服务质量评估以节点设备间的历史服务接入记录和推荐信息为基础，通过对过去接入服务的评价预测未来能够获取的服务质量；在时间点(t)节点设备u对v的接入服务质量评估(R_u,v(t))通过自己的直接观察(Rdir u,v(t))和共同关联设备的间接推荐(Rind u,v(t))两种方式综合获得，如式(1)所示：

$R_{u,v}\left(t\right)=a\·R_{u,v}^{dir}\left(t\right)+(1-\mathrm{\α})\·R_{u,v}^{ind}\left(t\right)---\left(1\right)$

其中，直接观察和间接推荐的结果取值均处于[0,1]范围内，权重因子α∈[0,1]用于调节两者之间的重要性；当节点设备u需要评估节点设备v的接入服务质量时，它首先检索本地的接入服务记录和配置信息进行直接评价，并从节点u和v共同关联的其他设备所发送的推荐信息中获取间接评价信息；公式(2)描述了节点设备u对v的直接评价方法；

$R_{u,v}^{dir}\left(t\right)=\underset{i=1}{\overset{I(u,v,t)}{\Σ}}decay(t,i)\·DF(v,i)\·TF(v,i)/\underset{i=1}{\overset{I(u,v,t)}{\Σ}}TF(v,i)---\left(2\right)$

其中I(u,v,t)表示直到时间点t节点设备u和v之间的全部服务接入次数，DF(v,i)和TF(v,i)分别代表节点设备v的第i次接入服务的质量评价和该次服务的重要性因子；考虑到车载自组织网络环境的动态变化特征，为了提高有限接入服务记录的评估价值并获得更具实时性的评估结果，衰减系数decay(t,i)被应用到接入记录的评估中；第i次接入记录的衰减系数计算方法如公式(3)所示，其中t(i)表示第i次接入发生的时间；

decay(t,i)＝1/ln(|t-t(i)|)   (3)

步骤2、利用推荐信息进行间接观察评价：

间接评价根据共同关联设备所获取的推荐信息进行计算；节点设备u和v在t时刻的共同关联设备C(u,v,t)＝{w|I(u,w,t)>0and I(w,v,t)>0}，即到时间点t为止u所接入过的节点设备中同样也接入过v的节点设备的集合；请求接入节点u对共同关联设备的评估结果被认为是该设备所提供的推荐信息的可信度参数，如式(4)所示；来自接入服务评估结果更高的共同设备的推荐信息被认为具有更高的可信度，因此也将在综合计算过程中拥有更高的权重值，从而有利于降低虚假推荐、恶意评价等因素对接入服务质量产生的影响，并从另一方面提升推荐信息的准确度；

$R_{u,v}^{ind}\left(t\right)=\underset{j=1}{\overset{C(u,v,t)}{\Σ}}{R}_{u,j}^{dir}\left(t\right)\·R_{j,v}^{dir}\left(t\right)/\underset{j=1}{\overset{C(u,v,t)}{\Σ}}{R}_{u,j}^{dir}\left(t\right)---\left(4\right)$

步骤3、社会化关系计算；为了量化地评估两个节点之间的内部相似性，引入了皮尔森相关系数并基于节点设备对共同关联设备的评价行为进行相似度计算；

在已有的社会化物联网模型的基础上，将社会化关系进一步细化为内部相似性和外部相似性两个方面，而最终的社会化关系强度由两者综合计算得到，如公式(5)所示；

$S_{u,v}\left(t\right)=\mathrm{\β}\·S_{u,v}^{\mathrm{int}}\left(t\right)+(1-\mathrm{\β})\·S_{u,v}^{ext}\left(t\right)---\left(5\right)$

内部相似性和外部相似性的具体计算方法如公式(6)和(7)所示：

$S_{u,v}^{\mathrm{int}}\left(t\right)=\frac{\underset{k=1}{\overset{C(u,v,t)}{\Σ}}|R_{u,k}^{dir}\left(t\right)-\stackrel{\‾}{R_u^{dir}\left(t\right)}|\·|R_{v,k}^{dir}\left(t\right)-\stackrel{\‾}{R_v^{dir}\left(t\right)}|}{\sqrt{\underset{k=1}{\overset{C(u,v,t)}{\Σ}}{\left(R_{u,k}^{dir}\right(t)-\stackrel{\‾}{R_u^{dir}\left(t\right)})}^2}\·\sqrt{\underset{k=1}{\overset{C(u,v,t)}{\Σ}}{\left(R_{v,k}^{dir}\right(t)-\stackrel{\‾}{R_v^{dir}\left(t\right)})}^2}}---\left(6\right)$

$S_{u,v}^{ext}\left(t\right)=\underset{i=1}{\overset{R}{\Σ}}Value\left(i\right)*{\mathrm{Factor}}_{u,v}(i,t)---\left(7\right)$

其中，Sint u,v(t)和Sext u,v(t)分别表示在t时刻节点设备间的内部和外部社会化关系，C(u,v,t)代表u和v之间的共同关联设备集合，Rdir n(t)表示节点设备n的平均评价值；R表示节点u与v之间存在的外部社会化关系维数，而Value(i)和Factor_u,v(i,t)则分别表示每一维关系的标准权重值以及t时刻节点设备间该社会化关系的联系强度；

步骤4、基于运动轨迹分析的车载移动性预测：

考虑一个长度为n的时间窗：t_cur-n+1,…,t_cur-1,t_cur和一个长度为m的预测时间段t_cur+1,…,t_cur+m，其中t_cur表示当前时间点；与时间窗内每个时间点相对应，节点设备的运动方向可以表示为：θ_cur-n+1,…,θ_cur-1,θ_cur；将真实世界中节点设备的转向运动模拟为以某一个坐标点为圆心，半径为r的圆周运动，根据圆周运动中运动角度随运动路径长度的变化关系可得：

$\frac{\mathrm{\Δ}\mathrm{\θ}}{2\mathrm{\π}}=\frac{\mathrm{\Δ}t\·\mathrm{\Δ}v}{2\mathrm{\π}r}---\left(8\right)$

可以推得：

$r=\frac{\mathrm{\Δ}t\·\mathrm{\Δ}v}{\mathrm{\Δ}\mathrm{\θ}}---\left(9\right)$

其中v为移动速度，r为计算所得的圆周半径；依据公式(9)依次计算时间窗内每个时刻t_i到当前时刻t_cur运动过程中对应的圆周半径r_i，可以得到一系列在与当前运动方向相垂直的方向上，且与当前坐标位置距离为r_i的圆心点，对这些点进行拟合便可以得到预期的轨迹半径r_predict，如公式(10)所示；

$r_{predict}=\frac{1}{n}\·\underset{cur-n+1}{\overset{cur-1}{\Σ}}v\·(t_{cur}-t_i)/({\mathrm{\θ}}_{cur}-{\mathrm{\θ}}_i)---\left(10\right)$

以当前位置为初始点，根据预测半径r_predict并再次应用公式(9)，便可得到预测时间段内每个时间点对应的运动方向θ_j(j＝1,2,…,m)的计算公式和分解的速度计算公式：

$\left\{\begin{array}{c}{\mathrm{\θ}}_j={\mathrm{\θ}}_{cur}+\frac{1}{r_{predict}}\·(t_j-t_{cur})v\\ v_j^x=v\·cos\left({\mathrm{\θ}}_j\right)\\ v_j^y=v\·sin\left({\mathrm{\θ}}_j\right)\end{array}\right.---\left(11\right)$

随着运动方向θ_j的变化，节点在横向(x方向)上的速率与方向成余弦函数关系，在横向即y方向上的速率与方向成正弦函数关系，根据正余弦函数变化率函数，可以得到时间点t_j节点运动在横向与纵向的速率变化函数：ax j与ay j，即加速度函数如公式(12)所示：

$\left\{\begin{array}{c}{a}_j^x=-sin\left({\mathrm{\θ}}_j\right)\\ a_j^y=cos\left({\mathrm{\θ}}_j\right)\end{array}\right.---\left(112\right)$

将公式(11)、(12)与加速度位移公式联立可得节点设备在从当前时刻开始，在各个时刻点相对于当前坐标点位移距离和的计算公式；

$\{\begin{array}{c}{\mathrm{\Δx}}_j={\mathrm{\Δx}}_{j-1}+v\·\cos \left({\mathrm{\θ}}_{j-1}\right)\·(t_j-t_{j-1})-\frac{1}{2}\·\sin \left({\mathrm{\θ}}_{j-1}\right)\·{(t_j-t_{j-1})}^2\\ {\mathrm{\Δy}}_j={\mathrm{\Δy}}_{j-1}+v\·\sin \left({\mathrm{\θ}}_{j-1}\right)\·(t_j-t_{j-1})+\frac{1}{2}\·\cos \left({\mathrm{\θ}}_{j-1}\right)\·{(t_j-t_{j-1})}^2\end{array}---\left(13\right)$

通过位移计算公式，节点设备可以计算出预测时间段内各个时间点目标节点所在坐标及自身坐标，使用平面上两点间的距离公式便可以快速得到两个设备间距离随时间变化的函数Dist_u,v(t)；根据该函数所求得的距离，结合网络中节点设备间有效通信范围，可以推导出随着时间t推移两个节点设备之间可连接性的变化曲线，经过归一化，则可以得到时间段[0,T]内节点设备u对v连接时间的评估值P_u,v(t)，如公式(14)所示：

$P_{u,v}\left(t\right)=\frac{1}{T}\·\underset{0}{\overset{T}{\∫}}(1-\frac{{\mathrm{Dist}}_{u,v}\left(t\right)}{CR})dt---\left(14\right)$

步骤5、设计接入服务评估值的选择列表，综合考虑接入服务质量、社会化关系相似度和预期连接性三个方面的评估指标；在给定时间t，节点设备u对v的接入服务评估值T_u,v(t)可通过公式(15)计算得到；其中，分别为接入质量、社会化关系和预期连接性的权重值，并满足：

T_u,v(t)＝ω₁·R_u,v(t)+ω₂·S_u,v(t)+ω₃·P_u,v(t)   (15)

经过上述方法的计算评估，节点设备生成一个基于接入服务评估值的选择列表；节点依照列表选择一个或者多个具有较高评估值的节点设备发起接入服务请求；在接入过程结束后，请求节点u将根据所获得的服务质量对提供者v进行反馈评价feedback_u,v(t)，并作为激励或惩罚机制，请求节点u也将依据所获取的推荐信息准确度对关联节点设备集合C(u,v,t)中的节点j进行评价：

${\mathrm{feedback}}_{u,j}\left(t\right)=1-|{\mathrm{feedback}}_{u,v}\left(t\right)-R_{j,v}^{dir}\left(t\right)|---\left(16\right)$

根据公式(16)，如果从节点j获得的推荐信息接近于节点设备u实际获得的接入服务质量，即节点j提供了正确的建议，则它将得到肯定的反馈评价，反之亦然；无论是对于接入服务的反馈或对于推荐信息的反馈都将同样地记录到本地交互数据中，也即在的激励或惩罚机制中，积极的反馈不但将给予提供优质接入服务的设备，也将给与协助提供的设备，否定的反馈不但将给予劣质服务提供者，也将给予提供错误推荐信息的相关设备。