CN105208616B - 车载自组织网络中基于道路拓扑的自适应多副本路由方法 - Google Patents

Abstract

本发明请求保护一种车载自组织网络中基于道路拓扑的自适应多副本路由方法，首先，比如路口模式和直路模式采用不同的喷发方式来喷发副本。其次，使用拉格朗日内插法基于节点的历史位置信息预测节点未来的位置，根据网络中车辆密度的不同，自适应动态地调整Reach阶段的转发方法。网络密度较低的情况下，采用基于历史位置信息插值预测法预测选择最佳路径；网络密度较高时，通过强化学习预测最小时延路径方法，选取Q值高的车辆进行转发。本发明所述路由方法针对车载自组织网络节点密度分布不均，消息传输易受网络环境与车辆移动因素影响，导致消息投递率不高，时延较大的问题。提出该路由方案，以能够保证较高投递率的情况下，降低时延。

Description

车载自组织网络中基于道路拓扑的自适应多副本路由方法

技术领域

本发明属于车载自组织网络技术领域，涉及一种车载自组织网络中基于道路拓扑的自适应多副本路由方法。

背景技术

车载自组织网络(Vehicular Ad hoc Network,VANET)是以车内网、车际网和车载移动互联网为基础，按照约定的通信协议和数据交互标准，在车与车、车与路、车与行人及与互联网等之间，进行无线通讯和信息交换的网络。车载自组织网络的研究，可以大大提高安全性和智能性，车辆通信网络已经在交通调度、车辆娱乐与导航、智能驾驶车辆预警、辅助驾驶、自动化系统等安全性应用和商业运用等方面极大改变人们的生活和出行。未来结合全球卫星定位系统(Global Positioning System)、传感技术、计算机处理技术等技术运用到智能交通和信息服务上，具有广泛前景。

由于VANET传输环境恶劣并且车辆高速移动，所以很容易造成车辆间链路的中断。一般的MANET(Mobile Ad hoc Network)的路由协议在VANET路由中表现极差，因此引入DTN(Delay Tolerant Networks)，很多车载网络的应用都是建立在DTN上的，两者在很多方面存在着同样的挑战和机遇。而且当车载自组织网络工作时，网络层需要获得最多的关注。在这样的网络中，各种不同的目标和用于各种特定需求的丰富的路由协议已经提出了。在网络层的两个最重要的操作，即数据转发和路由，它们有着不同的概念。数据转发管理数据包如何从一个链接放到其他。路由决定数据分组从源节点到目标应从哪条路径。后者本质上提供了前者的控制输入。设计有效的车载自组织网络DTN路由协议来提高网络连接性、降低开销与时延、增加消息传输率成为研究的核心问题。

发明内容

针对现有技术的不足，提出了一种提高消息的投递率，又降低时延的车载自组织网络中基于道路拓扑的自适应多副本路由方法，本发明的技术方案如下：一种车载自组织网络中基于道路拓扑的自适应多副本路由方法，将整个路由的步骤分为副本消息喷发阶段和到达阶段即Reach阶段，所述副本消息喷发阶段包括以下步骤：

101、在副本消息喷发阶段，车辆源节点S首先从自身复制获得L个消息副本，查找一跳范围的邻居列表，并判断是否存在目的车辆，若存在目的车辆，则直接将消息副本转发给该目的车辆，结束路由寻找过程，如果不是目的车辆，再根据网络环境，判断是否进入了路口模式，若判断进入了路口模式，则跳转至步骤102；若判断进入了直路模式则跳转至步骤103；

102、若进入路口模式，判断邻居车辆与车辆源节点S方向是否相同，若存在与车辆源节点S方向不同的节点，获取与车辆源节点S方向不同的车辆节点的速度方向，然后计算与车辆源节点S方向不同的车辆节点与车辆源节点S的夹角，然后选取夹角最大的车辆即代表与自身运动方向差异最大的方向喷射自身副本数一半的消息副本；再从与车辆源节点S行驶方向相同的车辆中，选取运动速度最大的邻居车辆将自身消息剩余的副本全部转发给该车辆，重复该步骤，当每辆车携带的消息副本数散发到仅剩一个副本时，结束喷发阶段，进入Reach阶段；跳转至步骤104；

103、车辆进入直路模式，在只有两个运动方向的情况下，首先，找到与车辆源节点S自己运动方向相反的节点，选择距离自己最近的车辆，转发一半的副本数，剩下的副本转发给与自己同一运动方向且运动速度最快的车辆；重复步骤102，当每辆车携带的消息副本数散发到仅剩一个副本时，结束喷发阶段，跳转至步骤104；进入Reach阶段；

104、设置车辆密度的阈值M，当车辆密度小于M时，采用拉格朗日插值法预测未来的位置选择下一跳中继车辆进行转发，当车辆密度大于M时，采用基于Q-学习选取时延最优路径的算法建立Q学习模型，初始化Q值路由表，并更新Q值，选择中继车辆进行转发，本次路由结束。

进一步的，步骤104中的采用基于Q-学习选取时延最优路径的算法建立Q学习模型，初始化Q值路由表，并更新Q值的具体步骤为：

A1、建立Q学习模型，如下定义：整个车载自组织网络环境即为Q学习的环境，包括车载自组织网络中的车辆节点、节点间的通信链路以及数组包，在网络中所有车辆节点集是一个状态空间，一个车辆节点选择转发包的下一跳，因此可能行为集定义在节点的一跳的邻居集，一个状态的转变是包从一个节点发送给它的邻居；

A2、首先，初始化Q值表，令Q值表为全零，并分别设定初始学习率a和折扣因子γ；

A3、每个节点对每一个邻居维持一个Q值表，Q值表通过接收hello消息来更新，包含了从0-1范围的Q值，这个Q值表的大小依赖于一跳通信范围内节点数，公式为：TTL_i’表示节点i还剩下的时间。TTL_i表示总的生存时间。D_ab为历史数据中的时延，L_ab是路段的长度，t_τ是一跳传输时延，R为通信半径，ρ表示平均车辆密度，其中，σ为学习率，γ为折扣因子，如果传输完成，根据ACK等确认消息和Q值路由表，完成Q值的更新。

进一步的，步骤104中的采用拉格朗日插值法预测未来的位置选择下一跳中继车辆进行转发的具体步骤为：每个节点维持一个信息表，这个信息表记录了所有节点的过去位置和相应的时刻，信息表{Xkω,Ykω,tkω}(k＝1,2,…N)，Xkω,Ykω,tkω分别表示在时刻t节点的未来的坐标位置。ω代表记录的数量，l_k(t)表明时刻t₁,t₂,…t_ω的拉格朗日内插法基础函数，然后，在未来的时刻t从节点i，j的距离到节点d通过以下给出：

这里，D_id，D_jd表示未来的时刻t从节点i，j到节点d的距离。 分别代表预测出未来节点i，j，d的坐标，其中函数：

f(x,t)＞1，表示未来节点j距离目的地更近，将消息副本转发给邻居车辆节点j，f(x,t)＜1，表示未来自己离目的地更近，消息副本由自己携带转发，直至遇到目的车辆。

本发明的优点及有益效果如下：

本发明提供的车载自组织网络中基于道路拓扑的自适应多副本路由方法，重点解决因为车辆间断性连接并且行驶速度过高，相遇时间过短带来的消息投递率较低，时延较大等问题。着重于对现有S&W路由算法应用在车载网络中存在的薄弱环节加以发现与改进，这种做法的好处在于不会变动既有的路由协议，也不会为数据转发带来太多额外的开销，因此具有良好的适用性与应用前景。

附图说明

图1是本发明提供的车载自组织网络中基于道路拓扑的自适应多副本路由方法第一阶段流程图；

图2是本发明路由方法中的第一阶段进入路口模式的场景示意图；

图3是本发明路由方法中的第一阶段进入直路模式的场景示意图；

图4是本发明提供的车载自组织网络中基于道路拓扑的自适应多副本路由方法Reach阶段流程图；

图5是本发明的载自组织网络中基于道路拓扑的自适应多副本路由方法的整体流程图。

具体实施方式

以下结合附图，对本发明作进一步说明：

参见图1，整个路由过程分为两个阶段，首先车辆源节点自身复制L个消息副本，第一个阶段，即消息的喷发阶段，为了在第一阶段以最快速度将消息副本散发到网络中去，根据道路拓扑不同，分为路口模式和直路模式采用不同的喷发方式来喷发副本。第二个阶段(Reach阶段)，由于车载网络(VANETs)是一种节点密度分布不均的自组织网络。车辆密度的不同对数据传递有着非常明显的影响。车辆密度较大的道路上，车辆节点比较密集，备选中继节点多，数据转发的机会因此而增加，并大大提高数据传输的成功率。根据网络中车辆密度的不同，自适应动态地调整Reach阶段的转发方法。网络密度较低的情况下，采用能保证较高投递率的插值预测法；网络密度较高时，采取通过强化学习预测最小时延路径方法，减少网络时延。

图1为本发明提供的VANET中选择喷发范围的多副本路由方法第一阶段流程图。如图所示，在本发明中，喷射的具体过程可包括：

步骤101：车辆源节点首先获得L个消息副本，每个车辆节点查找自己的一跳邻居列表。

步骤102：邻居列表中是否存在目的车辆，若存在目的车辆，则直接将消息副本转发给它，结束路由寻找过程。

步骤103：如果不是目的车辆，再根据网络环境，判断是否进入路口模式。

步骤104a：进入路口模式，如图2为路由方法中的第一阶段进入路口模式的场景示意图，本节点车辆为图中S，考虑其最复杂的情况，故设置在路口处，并包含可能存在的各种情况，在它的邻居列表里面存在节点A，B，C，D，E五个邻居车辆，根据本发明设计的喷发规则，具体方式如下：若存在与携带副本的节点S方向不同的节点，如发现车辆节点E，B，C，F均与当前车辆S的行驶方向不同，计算这几辆车的方向与车辆S的夹角，夹角的计算方法为其中表示当前车辆的速度矢量方向，表示其他车辆的速度矢量方向。选取夹角最大的车辆(即代表与自身运动方向差异最大的方向)喷射自身一半的消息副本。然后，剩下的节点A，D与源节点C是行驶方向相同的车辆，选取运动速度最快的车辆将自身消息副本全部转发给它。

步骤104b：网络环境长时间呈现带状拓扑，即车辆进入直路模式。这样的Spray方式是根据车载自组织网络独特的运动环境，因为车辆在一条道路上只有两个运动方向，如果每辆车都携带副本并会造成资源浪费。如图3本发明路由方法中的第一阶段进入直路模式的场景示意图。

步骤105：判断邻居车辆是否与当前车辆同向。

步骤106a：若运动方向相反，如图3中B，C，为减少时延，选择距离自己最近的车辆转发一半的副本数。

步骤107：若运动方向相同，比较车辆速度，将自身副本数转发一半给邻居车辆中，速度最快的车辆。

图4为本发明提供的VANET中选择喷发范围的多副本路由方法Reach阶段流程图。步骤如下：

步骤401：喷发出的副本都被车辆节点所携带，进入Reach阶段。

步骤402：车载网络是一种节点密度分布不均的自组织网络，本发明根据网络密度动态地调整路由方法，网络密度的分析界定对于评估整个网络性能来说十分重要。车辆是稀疏分布车辆之间距离就接近一个指数分布，假设Xi的概率密度函数为因此，车辆在传输范围内的概率为：路段L_ab存在x辆车，如果车辆之间都是连接的，那么两辆车必然在相互传输的无线通信范围内，ρ＝L_ab/x，因此，整个路段节点联通的概率为：

步骤403a：车辆密度小于阈值时，即定义为本文中的稀疏场景，车辆间只能间歇性地通信，拉格朗日内插法在稀疏场景下能够极大地提高消息的交付率，因为通过内插法能较为精确的预测节点未来的位置。每个节点维持一个信息表，这个信息表记录了所有节点的过去位置和相应的时刻，例如{Xk₁,Yk₁,tk₁}，{Xk₂,Yk₂,tk₂}，……{Xk_ω,Yk_ω,tk_ω}(k＝1,2,…N)，ω代表记录的数量。l_k(t)表明时刻t₁,t₂,…t_ω的拉格朗日内插法基础函数，然后，在未来的时刻t从节点i，j的距离到节点d通过以下给出：

这里，分别代表预测出未来节点i，j，d的坐标。其中：

f(x,t)＞1，将消息副本转发给邻居车辆节点j，f(x,t)＜1，消息副本由自己携带转发，直至遇到目的车辆。意味着当中继车辆和目的车辆在未来会变得更近，它们相遇的概率将会更高，因此消息投递率能极大地增加。

步骤403b：车辆密度较大的道路上，车辆节点比较密集，数据转发的机会因此而增加，数据传输的成功率较高，并减少车辆携带数据的时延，如果继续采取内插预测法，增加了整体的路由时延，这种路由时延的增大没有意义。基于以上，当网络密度较大时，本文将Q学习应用于车载路由协议领域，采用强化学习路由方法，在保证投递率的前提下，选择时延最小的路径进行消息传输。

步骤404：建立Q学习模型，如下定义：其中整个VANET环境即为Q学习的环境，包括VANET中的车辆节点、节点间的通信链路以及数组包。在网络中所有车辆节点集是一个状态空间。一个车辆节点选择转发包的下一跳，因此可能行为集定义在节点的一跳的邻居集。一个状态的转变是包从一个节点发送给它的邻居。

步骤405：首先，初始化Q值表，可以令Q值表为全零，并分别设定初始学习率a和折扣因子γ。然后根据特定的动作选择算法来进行动作选择。

步骤406：每个节点对每一个邻居维持一个Q值。Q表通过接收hello消息来更新，包含了从0-1范围的Q值。这个Q表的大小依赖于一跳通信范围内节点数。公式为：D_ab为历史数据中的时延，L_ab是路段的长度，t_τ是一跳传输时延，R为通信半径，ρ表示平均车辆密度，在这里取为13veh/km。其中，σ为学习率，它的值越大，即说明Q值更新得越快。γ为折扣因子，这里设置学习速率α为0.8，并且基于仿真分析折扣因子设置为0.9。随着跳数的增加，这个奖励已经进行折扣了。TTL_i’为节点i还剩下的时间，TTL_i为总的生存时间。由于自组织网络节点的能生存时间有限，一旦有节点死亡，将大幅度降低网络的联通性。为了统一量纲，在假设节点的生存时间都相同的情况下，在此考虑节点的剩余时间与总的生存时间的比值。如果传输完成，根据ACK等确认消息和Q值路由表，完成Q值的更新。

步骤407：每个车辆节点计算其自身传输消息的Q值，并且通过Hello消息周期性地向外界传播消息副本总是传给该区域内具有最高Q值的车辆。由于综合考虑了车辆的各种因素，因此此算法可利用当前可用车辆选择最佳传输路线。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (3)

1.一种车载自组织网络中基于道路拓扑的自适应多副本路由方法，其特征在于，将整个路由的步骤分为副本消息喷发阶段和到达阶段即Reach阶段，所述副本消息喷发阶段包括以下步骤：

101、在副本消息喷发阶段，车辆源节点S首先自身复制消息得到L个消息副本，查找一跳范围的邻居列表，并判断是否存在目的车辆，若存在目的车辆，则直接将消息副本转发给该目的车辆，结束路由寻找过程，如果不是目的车辆，再根据网络环境，判断是否进入了路口模式，若判断进入了路口模式，则跳转至步骤102；若判断进入了直路模式则跳转至步骤103；

102、若进入路口模式，判断邻居车辆与车辆源节点S方向是否相同，若存在与车辆源节点S方向不同的节点，获取与车辆源节点S方向不同的车辆节点的速度方向，然后计算与车辆源节点S方向不同的车辆节点与车辆源节点S的夹角，然后选取夹角最大的车辆即代表与自身运动方向差异最大的方向喷射自身副本数一半的消息副本；再从与车辆源节点S行驶方向相同的车辆中，选取运动速度最大的邻居车辆将自身消息剩余的副本全部转发给该车辆，重复该步骤，当每辆车携带的消息副本数散发到仅剩一个副本时，结束喷发阶段，进入Reach阶段；跳转至步骤104；

103、车辆进入直路模式，在只有两个运动方向的情况下，首先，找到与车辆源节点S自己运动方向相反的节点，选择距离自己最近的车辆，转发一半的副本数，剩下的副本转发给与自己同一运动方向且运动速度最快的车辆；重复步骤103，当每辆车携带的消息副本数散发到仅剩一个副本时，结束喷发阶段，跳转至步骤104；进入Reach阶段；

104、设置车辆密度的阈值M，当车辆密度小于M时，采用拉格朗日插值法预测未来的位置选择下一跳中继车辆进行转发，当车辆密度大于M时，采用基于Q-学习选取时延最优路径的算法建立Q学习模型，初始化Q值路由表，并更新Q值，选择中继车辆进行转发，本次路由结束。

2.根据权利要求1所述的一种车载自组织网络中基于道路拓扑的自适应多副本路由方法，其特征在于，步骤104中的采用基于Q-学习选取时延最优路径的算法建立Q学习模型，初始化Q值路由表，并更新Q值的具体步骤为：

A1、建立Q学习模型，如下定义：整个车载自组织网络环境即为Q学习的环境，包括车载自组织网络中的车辆节点、节点间的通信链路以及数组包，在网络中所有车辆节点集是一个状态空间，一个车辆节点选择转发包的下一跳，因此可能行为集定义在节点的一跳的邻居集，一个状态的转变是包从一个节点发送给它的邻居；

A2、首先，初始化Q值表，令Q值表为全零，并分别设定初始学习率a和折扣因子γ；

A3、每个节点对每一个邻居维持一个Q值表，Q值表通过接收hello消息来更新，包含了从0-1范围的Q值，这个Q值表的大小依赖于一跳通信范围内节点数，公式为：TTL_i’表示节点i还剩下的时间；s代表源节点，s_t表示t时刻的源节点，TTL_i表示总的生存时间；D_ab为历史数据中的时延，L_ab是路段的长度，t_τ是一跳传输时延，R为通信半径，ρ表示平均车辆密度，其中，σ为学习率，γ为折扣因子，如果传输完成，根据ACK等确认消息和Q值路由表，完成Q值的更新。

3.根据权利要求1所述的一种车载自组织网络中基于道路拓扑的自适应多副本路由方法，其特征在于，步骤104中的采用拉格朗日插值法预测未来的位置选择下一跳中继车辆进行转发的具体步骤为：每个节点维持一个信息表，这个信息表记录了所有节点的过去位置和相应的时刻，信息表{Xk_ω,Yk_ω,tk_ω}(k＝1,2,…N)，Xkω,Ykω,tkω分别表示在时刻t节点的未来的坐标位置；ω代表记录的数量，l_k(t)表明时刻t₁,t₂,…t_ω的拉格朗日内插法基础函数，然后，在未来的时刻t从节点i，j的距离到节点d通过以下给出：

这里，表示在未来的时刻的位置坐标，X_k、Y_k表示现在的位置坐标，D_id，D_jd表示未来的时刻t从节点i，j到节点d的距离； 分别代表预测出未来节点i，j，d的坐标，其中函数：

f(x,t)＞1，表示未来节点j距离目的地更近，将消息副本转发给邻居车辆节点j，f(x,t)＜1，表示未来自己离目的地更近，消息副本由自己携带转发，直至遇到目的车辆。