CN105025516B - 高动态环境下的移动状态累积加权路由方法 - Google Patents

Abstract

本发明提供一种高动态环境下的移动状态累积加权路由方法，使用可记忆性模型仿真以减少节点运动的随机性对仿真性能的影响。步骤一、选用接近高动态环境的可记忆性模型模拟节点运动情况；步骤二、任意时刻的两个相邻节点之间的距离不大于有效的传播范围，即可认为此两点保持连接，利用移动预测法计算两节点间链路生存时间；步骤三、利用状态累积加权法优化所述的链路生存时间，利用优化的两节点间链路生存时间确定整条路径的生存时间，即路由生存时间由该路径上相邻两节点间最短链路生存时间决定；步骤四、利用优化的链路生存时间改进DSR路由协议。

Description

高动态环境下的移动状态累积加权路由方法

技术领域

本发明适用于高动态环境，涉及一种利用链路状态预测机制和移动状态累计加权改进的DSR路由方法，属于无线Ad Hoc网络领域和通信路由协议领域。

背景技术

Ad Hoc网络是一种没有固定基础设施的无线移动通信网络，节点可以根据需要随时组网，节点间因通信距离等问题无法直接通信时，其他节点可以进行中继，实现紧急通信。基于Ad Hoc网络技术构建的战术互联网在战场通信系统中具有非常重要的地位。目前先进的巡航导弹、防空导弹、战斗机、无人侦察机等等其飞行速度可达到3～4马赫，未来使用下一代超音速燃烧冲压发动机的飞行体将可以6～10马赫的速度飞行。由于飞行体移动速度快、动态性高，造成网络拓扑结构的频繁变化，形成高动态网络。

尽管国际上对移动自组网技术的研究已经开展多年，但是通常涉及的移动自组网中继节点移动速率较慢，每秒移动速率为每秒数米、或者十几米，与高动态飞行体在移动速度上有一个数量级的差别，无法满足高速移动自组网的需求。但是，现代战争环境中，作战飞机体基本都是以飞行编队执行任务，同一个飞行编队有着相同的作战任务，速度大小方向等基本相同且都有一定的变化规律，另外，高动态环境下的高速运动的飞行体虽然运动速度非常快，甚至高达10马赫以上，但是速度和运动状态不可能存在突变、畸变、急停急转等现象，即使运动状态改变地较快或者出现机器故障等意外问题，运动状态也是渐变的过程，该过程是可以描述的，所以运动状态的改变在一定时间内是可以监测并预测的。这一特点使得对链路质量的预测成为可能。

已有不少方法对链路质量进行预测。比如链路存在概率的模型，适用于信道变化慢的网络；还有通过信号强度来预测链路稳定性的方法，但并未考虑节点的运动记忆性，而且是在状态不变的基础上进行预测；此外还有预测和链路修复的按需路由协议和模糊逻辑移动预测的路由算法等。以上这些方法都是在低速、节点随机运动的条件下仿真的，而当节点完全随机运动时，根本就预测不到下一位置值，与实际网络中节点的运动差别较大。另传统的DSR路由协议以“最小跳数”作为路由判据。然而由于高动态环境中节点的高运动度，拓扑变化剧烈，通信链路可能会发生频繁的断开，导致数据分组的丢失，丢包率增加。无法处理链路生存时间导致的链路频繁失效的问题，是“最小跳数”准则无法适用于空中高速移动网络的最主要原因。

发明内容

有鉴于此，为了解决上述传统路由算法中存在的问题，本发明提供一种高动态环境下的移动状态累积加权路由方法，使用可记忆性模型仿真以减少节点运动的随机性对仿真性能的影响。

本发明通过以下技术方案实现：

一种高动态环境下的移动状态累积加权路由方法，包括以下步骤：

步骤一、选用接近高动态环境的可记忆性模型模拟节点运动情况，保证节点任一时刻的状态与其过去状态的相关性，保证节点的运动是平滑的、可记忆性的，避免速度或方向的突变；

步骤二、任意时刻的两个相邻节点之间的距离不大于有效的传播范围，即可认为此两点保持连接，利用移动预测法计算两节点间链路生存时间；

步骤三、利用状态累积加权法优化所述的链路生存时间，利用优化的两节点间链路生存时间确定整条路径的生存时间，即路由生存时间由该路径上相邻两节点间最短链路生存时间决定；

步骤四、利用优化的链路生存时间改进DSR路由协议，DSR路由协议中每个节点维护路径缓存，当需要发送信息时，先从自身缓存中查找是否有到达目的节点的路由信息，当具有多个到达目的节点的路由时，根据优化的路径生存时间优先选择生存时间最长的路由，以此改进DSR路由协议。

其中所述的高动态环境为节点高速运动状态下的Ad Hoc网络，即移动自组网。

其中所述的可记忆性模型为改进的Gauss-Markov移动模型。

所述步骤二的链路生存时间计算方法如下：首先获得节点的坐标及运动参数信息，然后对每条链路的任意两节点的链路生存时间LET进行预测：d_max为节点i和j的有效传输距离，(x_i,y_i)和(x_j,y_j)分别为节点i和节点j的坐标，v_i和v_j分别为节点i和节点j当前速度，θ_i和θ_j分别为节点i和节点j的移动方向：

其中:a＝v_i cosθ_i-v_j cosθ_j,b＝x_i-x_j,c＝v_i sinθ_i-v_j sinθ_j，d＝y_i-y_j。

改进DSR路由协议方法如下：

(1)在节点的Node结构中添加LifeTimeList指针字段；

(2)在DSR协议中添加根据IP地址搜索节点方法DsrGetNodeByIPAddress；

(3)在DSR路由协议中根据当前节点的运动信息求得两节点生存时间；

(4)优化两节点链路生存时间；

(5)在DSR协议中添加最短时间搜寻方法DsrGetShortestLifeTim，搜索到的相邻链路间最短生存时间即为该路由最长生存时间；

(6)利用DSR的节点缓存机制，存储源节点探测包探测到的节点信息，源节点发送路由请求信息包RREQ，RREQ探测包含有源节点及路经所有节点的信息记录；

(7)当搜索到路径只有唯一一条时，不存在链路竞争；当到达同一节点有多条路径时，根据优化的路径生存时间，优先选择最长生存时间路由，以此思想改进DSR路由选择策略。

本发明的有益效果：

在QualNet环境下的大量仿真实验数据表明，基于连续的、可记忆性的模型，根据链路状态预测机制和移动状态累计加权改进的DSR路由算法在数据投递率、吞吐量、数据端到端延时、数据传输时延抖动等性能上均得到了明显的提高和改善。

具体实施方式

1、实现可记忆性模型

许多网络协议的研究和完善都依赖于大量的仿真。仿真需要模拟节点的运动，因此提出了移动模型的概念。移动模型的实质是通过统计学的观点去表现节点的运动模式，包括节点位置、速度、方向的变化。不同的应用场合，Ad Hoc网络的节点表现出迥异的移动特征，不同的节点移动模型对网络协议的性能评价具有不同的影响。相同的算法在不同的网络移动模型下的性能可能千差万别，因此，为了达到最好的网络设计性能，在研究网络协议和进行网络设计时，必须针对某一种应用场景建立适合此场景的移动模型。另外，在Ad-hoc Networks中，节点移动是有规律的，用完全随机的实体移动模型来描述其节点移动是不可行的。群组移动模型虽然考虑到了群组移动性，但是群组的群首节点的移动是随机的，存在急停急转的情况。在真实环境下，群组移动的速度和方向前后存在着影响，所以完全使用群组移动模型不能很好地描述节点的运动情况，需建立一种考虑到上述特点的模型才能真实反映现实中节点的运动情况。

根据高动态网络中飞行体运动的连续性和记忆性，综合分析Gauss-Markov移动模型的特点，采用Gauss-Markov移动模型更适用于本发明所描述的高速飞行体的运动特性。Gauss-Markov Mobility Model最早用于移动网络中移动终端的快速定位。在该模型中，移动节点的运动速率被看作时间上相关的Gauss-Markov过程。Gauss-Markov移动模型提供了比较真实的节点移动模型，开始时，每个移动节点设计一个当前的速度和方向，在一个固定的时间间隔后，每个移动节点更新当前的速度和方向。该模型采用离散时间间隔划分移动，速度矢量在每次间隔之初更新。节点任一时刻的速度是它过去的速度和一个高斯随机变量的函数，因此节点的运动是平滑的，避免了速度或方向的突变，只要记忆参数不为1，节点就不能沿直线运动，而且在整个仿真过程中都不会停止。

Gauss-Markov移动模型中节点速度描述如下:

和为节点在三个坐标轴上的平均速度，和是服从高斯分布的随机变量。0≤α≤1是一个随机变量，通过改变α值的大小，可控制节点的随机性。

(l)如果α＝0，则是无记忆性。该模型描述的就是随机游走RW模型。

(2)如果α＝1，则是强记忆性。该模型在t时间的速率与前一时刻相同，称为流体流动模型。

(3)如果0＜α＜1，则称为有一些记忆性。在这种情况下，节点的速度会受到以前的速度和新的高斯随机变量的影响。如果α增加，速度主要受以前速度的影响；反之，则主要受新的高斯随机变量的影响。

Gauss-Markov移动模型提供了比较真实的节点的移动模型，节点任一时刻的速度是它过去的速度和一个高斯随机变量的函数，因此节点的运动是平滑的，避免了速度或方向的突变，只要记忆参数α≠1，节点就不能沿直线运动，而且在整个仿真过程中都不会停止。节点遇到弄随机性和突变性越强；反之，节点运动记忆性就越强，运动轨迹越平滑，比较符合高动态环境下节点运动方式，具有可预测性，可以较好的运用于本发明的仿真中。

本发明在Matlab中实现该模型，并以生成的固定格式.nodes作为配置文件载入仿真中。文件格式如下：

节点ID

当前时刻t

坐标xi

坐标yi

拓展信息

2、利用移动预测法计算两节点间链路生存时间

利用移动预测法计算两节点间链路生存时间，两个飞行体由于运动方向和速度的不同，位移会不断的变化，另由于电磁波的衰减，两节点的通讯会受到距离的影响。当两飞行体的距离达到最大通讯距离时，飞行体间的通信链路将会断开，因此相对运动的两个通信节点间的通信链路存在一定的生存时间。基于上述思想，获得节点的坐标及运动参数(运动速度和运动方向)等信息，然后就可以对每条链路的任意两节点的链路生存时间LET(Link Expiration Time)进行预测：

d_max为节点i和j的有效传输距离，(x_i,y_i)和(x_j,y_j)分别为节点i和节点j的坐标，v_i和v_j分别为节点i和节点j当前速度，θ_i和θ_j分别为节点i和节点j的移动方向，由(b+at)²+(d+ct)²＝d_max ²，解出

其中：

a＝v_icosθ_i-v_jcosθ_j；

b＝x_i-x_j；

c＝v_isinθ_i-v_jsinθ_j；

d＝y_i-y_j；

3、利用状态累积加权法优化链路生存时间，根据瞬态的两结点的运动状况进行预测容易出现较大误差，若结点在一段时间内始终保持他们的运动状态，则该算法的准确度比较高，但是实际网络中，结点的运动并不总是如此，为了尽量减少这种瞬态值所引起的偏差，提出状态累积加权的概念，以加权的方式对计算的链路生存时间进行优化。该节点所处网络运动状态决定了处于该网路中的两运动节点之间的链路通信周期，同理优化的链路平均生存时间在一定程度上反应了该结点所处的网络运动状况。其计算方法如下：

其中可根据网络情况调整权重比

本发明取权重比

一跳路径会有好几个链路组成，以此类推，可以计算出一条多节点链路上的相邻两节点之间的通信生存时间。举个例子，节点1，2，3，…，N组成路径1-2-3-…-4，它由链路1-2、2-3、3-4、…、(N-1)-N组成。我们可以根据上述方法的到每条链路的优化后的生存时间分别为LET(1,2)，LET(2,3)，LET(3,4)，…，LET(N-1,N)。一条路径中的一个链路断裂，这条路径也失效了，所以整条路径的生存时间是由最短链路生存时间决定的，因此：

LET(1,N)＝min[LET(1,2),LET(2,3),LET(3,4),...,LET(N-1,N)]

将此准则称为路径生存时间最大准则，选择路径生存时间最大的最优路径，将高动态环境中链路生存时间问题转化到与低速移动环境中相当的时间尺度上，提高了高动态环境下的路由性能。

4、通过生存时间预测链路状态，修改DSR路由协议路由选择策略

DSR路由协议(Dynamic Source Routing)使用源路由，每一个分组的分组头中包含整条路由的信息，中间节点不需要维持当前的路由信息，分组本身带有路由信息，按需路由的特性避免了周期性路由广播和邻节点的检测。DSR协议包括两个过程：路由发现和路由维护。路由发现过程使用flooding routing。为了减少路由发现过程的开销，每一个节点都包括一个缓存器，存放最近学习到的和使用过的路由信息。路由维护过程是源节点用来检测网络拓扑是否发生变化的机制。若拓扑发生变化、源路由发生中断，源节点就会收到路由错误信息。它会试着用缓存中的路由信息，如果不通就重新启动路由发现过程。DSR协议具有以下优点：(1)源路由可以避免环路，支持单双向路径。(2)同时搜索，可以获得多条有用路径，快速应对路由变化。(3)路由缓冲技术可进一步减少路由发现的代价。(4)仅在需要通信的时候维护路由，减少了路由维护的代价。

传统的DSR路由协议以“最小跳数”作为路由判据。然而由于高动态环境中节点的高运动度，拓扑变化剧烈，通信链路可能会发生频繁的断开，导致数据分组的丢失，丢包率增加，需要频繁启动路由建立过程，增加了网络路由开销，降低了路由性能。无法处理链路生存时间导致的链路频繁失效的问题，是“最小跳数”准则无法适用于空中高速移动网络的最主要原因。本发明采用路径生存时间最大准则来进行路由选择，代替传统的“最小跳数”原则。在低速移动环境中，在有效时间内基本上不会出现链路失效情况。但在高速移动环境中，链路生存时间很小，极易发生链路失效，造成正在转发的数据分组丢失，并且链路失效造成路由维护过程中产生大量的路由维护包增加了路由维护开销，另外需要重新启动路由发现过程，给网络带来大量冗余负载，导致网络性能急剧降低。无法处理链路生存时间导致的链路频繁失效的问题，是“最小跳数”准则无法适用于空中高速移动网络的最主要原因。

本发明在Matlab环境下计算并实现Gauss-Markov模型后，生成节点时隙轨迹文件，载入到QualNet软件中作为配置文件，在QualNet的C++环境下更改原有的DSR路由协议路由选择部分代码，生成新的解决方案，进而进行仿真。

改进DSR路由选择策略具体方法步骤如下：

(1)在节点的Node结构中添加LifeTimeList指针字段；

节点Node结构部分内容示意如下：

(2)在DSR协议添加根据IP地址搜索节点方法DsrGetNodeByIPAddress；

(3)在DSR路由协议中根据当前节点的运动信息根据2所述方法求得两节点生存时间；

(4)利用3所述方法优化两节点链路生存时间；

(5)在DSR协议中根据3所述方法添加最短时间搜寻方法DsrGetShortestLifeTim，搜索到的相邻链路间最短生存时间即为该路由最长生存时间；

(6)利用DSR的节点缓存机制，存储源节点探测包探测到的节点信息。源节点发送路由请求信息包RREQ，RREQ探测包含有源节点及路经所有节点的信息记录，每当该RREQ包探测到新节点，由于本发明中所有节点可以转发路由所以DSR在本发明中适用双向路由，双向存储该路径上所有可达的链路信息，例如源节点1发送的RREQ包已经探测到通信链路“1-2-3”，当该包从节点3传送到节点4时，节点4为当前最新节点，信息探测包能从节点1传送到节点4，同时节点4也就能反向到达该路径所有节点，因此存储链路“4-3-2-1”、“4-3-2”、“4-3”信息至节点4缓存，存储链路“3-4”至节点3缓存，存储链路“2-3-4”至节点2缓存，存储“1-2-3-4”至节点1缓存，因此一次搜索就能获得该路径上所有可达信息(在时间戳内有效)，后续再有包的传送时可直接搜索该节点缓存信息，大大提高了算法效率；

(7)当搜索到路径只有唯一一条时，不存在链路竞争；当到达同一节点有多条路径时，根据优化的路径生存时间，优先选择最长生存时间路由，以此思想改进DSR路由选择策略。即在维护节点缓存时，将步骤(5)双向存储的路径信息至各节点缓存时，用“最长生存时间”代替“最小跳数”作为新的路由选择策略。存储最新链路信息至该节点缓存时利用的数据结构是哈希表(如下所示)，将目的节点地址作为主关键字直接从低到高按序存储，当搜索到一条新的路径需要存储时，先按目的节点地址这一关键字查找，当有多条路径时，存储入同一地址的后续散列地址中，同一地址按照生存周期从长到短排序，这样发送数据时搜索到的第一条路由信息就是链路生存时间最长的路由，大大提高了搜索效率。

例如排列顺序就是LET(1)>LET(2)>LET(3)，当搜索到到目的地址为3的一条新路径N时，经计算路径N的生存时间LET(N)<LET1，同时LET(N)>LET(2)，就将路径N插入路径1和路径2之间的位置。

3、在QualNet仿真软件中验证本发明中提出的方法。

QualNet是美国Scalable NetworksTechnologies公司的产品，源于美国国防部高级研究计划署(DARPA)的全球移动通信计划，主要对无线通信网络进行了优化处理，仿真速度得到很大提升。QualNet中每个节点都独立进行运算，使仿真与现实更加接近。QualNet支持并行仿真，使仿真更加方便快捷。对小规模同等复杂度网络模型进行仿真，QualNet仿真速度是其他仿真器的几倍，对于大规模网络，QualNet仿真速度是其他仿真器的几十倍。

QualNet的协议模块更加独立、更加模块化，可以方便屏蔽、增加、删除某些协议模块。绝大多数的协议都满足，包括大量军方数据通信联网设备。QualNet具有Batch功能，可以设置参数的不同取值，执行一次即可得到同一仿真场景下的不同协议或者同一参数不同取值情况下的网络性能进行比较。

QualNet的主要优点有如下几点：

(1)采用C++语言编译，用户易于修改调用。

(2)QualNet内核每个节点都独立进行运算，能够仿真上万个节点。

(3)动画效果强大，可查看单个功能动画效果，可实现仿真与动画同步。

(4)仿真协议的移植性强。仿真协议与真实设备上的协议相似，只需做简单修改便可以下载到设备中试用，并与CPU无关。

(5)可以作为真实网络的一部分，参与到网络的测试中。

本发明采用以下4个指标作为评价标准，说明如下

(1)分组投递率：接收到的数据包的个数与发送的数据包的个数的比值；

(2)吞吐量：吞吐量表示在单位时间内通过某个网络(或信道、接口)的数据量；

(3)端到端时间延迟：源节点准备发送数据到数据发送至目的节点这个过程所需要的时间；这是衡量整个网络通讯体系实时性的主要指标。

(4)时延抖动：时延抖动是指一个数据流中连续两个数据分组端到端时延的差值。每个数据分组在传输过程中耗费的时间是不一样的，因此会存在时延抖动。如果传输的是语音流，当时延抖动比较大时，接收方会受到很大影响。整个网络平均时延抖动的计算式利用方差来完成。

本发明仿真参数如下表所示，仿真实验为10个高速运动的节点在30km*30km的方形区域中进行，每组仿真进行300s。在仿真中，仿真速度从1Ma变化至5Ma，每个速度进行至少300组实验最后计算平均值。Gauss-Markov移动模型的记忆参数α取0.85，高斯参数变化范围为[-50,50]。

本发明改进的路由算在上述四项指标的性能的表现中均有所改善。在新算法中，正是由于网络更稳定，网络链路断裂失效现象减少，网络本身不会频繁的制造出大量的RRER消息来传送链路失效和拓扑结构改变信息，同时避免为了搜索新链路信息而发送大量RREQ信息。因此，网络资源消耗自然就下降了。

综上所述，基于可记忆的Gauss-Markov移动模型我们改进了Ad Hoc Networks中的DSR路由协议，使其适用于高动态作战环境。我们的发明利用移动状态累计加权优化链路生存时间，将DSR路由协议中根据“最小跳数”选择下一跳地址的思想更改为根据最长路径生存周期选择下一跳地址的路径选择依据，虽然可能增加了数据传输跳数，但是根据生存周期选择路径却使网络传输更加稳定。综上所述，在QualNet环境下的大量仿真实验数据表明，基于连续的可记忆性模型，根据链路状态预测机制和移动状态累计加权改进的DSR路由算法在数据投递率、吞吐量、数据端到端延时、数据传输时延抖动等性能上均得到了明显的提高和改善。

Claims (4)

1.一种高动态环境下的移动状态累积加权路由方法，其特征在于，包括以下步骤：

步骤一、选用接近高动态环境的可记忆性模型模拟节点运动情况，保证节点任一时刻的状态与其过去状态的相关性，保证节点的运动是平滑的、可记忆性的，避免速度或方向的突变；

步骤二、任意时刻的两个相邻节点之间的距离不大于有效的传播范围，即可认为此两点保持连接，利用移动预测法计算两节点间链路生存时间；

步骤三、利用状态累积加权法优化所述的链路生存时间，利用优化的两节点间链路生存时间确定整条路径的生存时间，即路由生存时间由该路径上相邻两节点间最短链路生存时间决定；

步骤四、利用优化的链路生存时间改进DSR路由协议，DSR路由协议中每个节点维护路径缓存，当需要发送信息时，先从自身缓存中查找是否有到达目的节点的路由信息，当具有多个到达目的节点的路由时，根据优化的路径生存时间优先选择生存时间最长的路由，以此改进DSR路由协议；

所述步骤二中采用移动预测法获得链路生存时间的方法如下：首先获得节点的坐标及运动参数信息，然后对每条链路的任意两节点的链路生存时间LET进行预测：d_max为节点i和j的有效传输距离，(x_i,y_i)和(x_j,y_j)分别为节点i和节点j的坐标，v_i和v_j分别为节点i和节点j当前速度，θ_i和θ_j分别为节点i和节点j的移动方向：

$LET=\frac{\sqrt{d_{max}(a^2+c^2)-{(ad-bc)}^2}-(ab+cd)}{a^2+c^2}$

其中:a＝v_icosθ_i-v_jcosθ_j,b＝x_i-x_j,c＝v_isinθ_i-v_jsinθ_j，d＝y_i-y_j；

改进DSR路由协议方法如下：

(1)在节点的Node结构中添加生存时间列表指针字段；

(2)在DSR协议中添加根据IP地址搜索节点方法；

(3)在DSR路由协议中根据当前节点的运动信息求得两节点生存时间；

(4)优化两节点链路生存时间；

(5)在DSR协议中添加最短时间搜寻方法，搜索到的相邻链路间最短生存时间即为该路由最长生存时间；

(6)利用DSR的节点缓存机制，存储源节点探测包探测到的节点信息，源节点发送路由请求信息包RREQ，RREQ探测包含有源节点及路径所有节点的信息记录；

(7)当搜索到路径只有唯一一条时，不存在链路竞争；当到达同一节点有多条路径时，根据优化的路径生存时间，优先选择最长生存时间路由，以此思想改进DSR路由选择策略；

所述步骤三中的状态累积加权法如下：以加权的方式对计算的链路生存时间进行优化，将过去一段时间内的状态以累计加权的方式反映到，该节点所处网络运动状态决定了处于该网路中的两运动节点之间的链路通信周期，同理优化的链路平均生存时间在一定程度上反映了该节点所处的网络运动状况；其计算方法如下：

其中各个权重根据网络状况做出相应调整；其中，代表权重，k代表的是第k个时刻；

另一条路径会由好几个链路组成，以此类推计算出一条多节点链路上的相邻两节点之间的通信生存时间；整条路径的生存时间由最短链路生存时间决定，此准则即为路径生存时间最大准则，选择路径生存时间最大的最优路径。

2.如权利要求1所述的一种高动态环境下的移动状态累积加权路由方法，其特征在于，其中所述的高动态环境为节点高速运动状态下的Ad Hoc网络，即移动自组网。

3.如权利要求1所述的一种高动态环境下的移动状态累积加权路由方法，其特征在于，其中所述的可记忆性模型为Gauss-Markov移动模型。

4.如权利要求1所述的一种高动态环境下的移动状态累积加权路由方法，其特征在于，所述步骤(6)和(7)中存储链路信息至节点缓存时利用的数据结构是哈希表，将目的节点地址作为主关键字直接从低到高按序存储，当搜索到一条新的路径需要存储时，先按目的节点地址这一关键字查找，当有多条路径时，存储入同一地址的后续散列地址中，同一地址按照生存周期从长到短排序。