CN105228180B - 一种基于节点转发能力估计的车载容迟网络路由方法 - Google Patents

Abstract

本发明公开了一种基于节点转发能力估计的车载容迟网络路由方法，包括：步骤1：判断目的节点是否在源节点通信范围内，若在，则直接发送信息至目的节点；否则，执行步骤2；步骤2：估计源节点与其通信范围内所有邻居节点的有效连接时间T_a；步骤3：将T_a值超过阈值的邻居节点视为中继候选节点；步骤4：构造中继候选节点吞吐量函数，计算中继候选节点的平均转发能力值；步骤5：将平均转发能力值最大的中继候选节点作为下一跳中继节点；步骤6：源节点选出中继节点，将信息发送至中继节点；并将中继节点作为新的源节点；步骤7：循环执行步骤1至步骤6，直至流媒体信息被成功传送至目的节点。本发明数据包投递率高，传输时延低、时延抖动低。

Description

一种基于节点转发能力估计的车载容迟网络路由方法

技术领域

本发明属于车载容迟网络应用领域，具体为一种基于节点转发能力估计的车载容迟网络路由方法。

背景技术

车联网作为物联网产业首先落地的项目，日益受到学术界和产业界的关注。当前，车联网的主要应用服务包括车辆主动安全服务和用户娱乐体验服务。车辆主动安全服务是指在前方路段发生事故后，由前方车辆通过音视频采集装置将事故发生的状况进行采集，而后通过车联网的通信模块向后方车辆节点进行数据转发，以主动方式提醒汽车驾驶员前方有异常情况，从而避免了更大的交通事故。用户娱乐体验服务是一种新兴的车联网业务，它是指车辆之间以自组织的方式形成移动自组网，然后，在车辆之间共享短音频和短视频流，从而为用户在旅途中增添乐趣。然而，车联网中这两项核心业务对于数据的传输能力要求很高，因此，有必要研究车联网环境下的数据传输方法。

根据车辆节点的分布和道路状况，车联网可以分为节点间全连通的车载自组织网络(Vehicular Ad Hoc Networks,VANETs)和节点间间歇性连通的车载容迟网络(VehicleDelay Tolerant Networks,VDTNs)，因此，当前车联网研究的重点就是针对VANETs和VDTNs两种环境下的高效数据转发。由于VDTNs中节点间的连接是间歇性的、机会性的，因此，VDTNs相对于VANETs的数据转发条件更加严格、更具挑战性。归纳起来，现有的车联网路由和数据转发算法可以分为3类：基于连接感知的路由算法、基于地理区域的路由算法Geocast和基于地图导航的路由算法。其中，基于连接感知的路由算法主要是根据源节点与目的节点之间的距离、传播功率、传输比率和车辆密度来计算节点之间的连接概率，并以此来估计数据包被成功接收的概率，继而选出高连接率的节点作为中继节点。这类方法不仅实现简单，且效率较高。不足之处在于它们均是针对全连通覆盖的VANETs网络，所采用的路由模式为存储—转发，这种路由转发模式并不适用于VDTNs这种机会性网络。基于地理区域的路由算法Geocast是一种向特定区域内所有节点传送数据的多播数据转发协议，它主要适用于地理区域广播这类型的应用。然而，Geocast协议并不适应于Geocast组内节点稀疏的环境，因此，现有针对Geocast路由的研究仍然是在VANETs环境下。基于地图导航的路由算法是利用车辆在长途行驶时会开启GPS系统并根据电子地图选路的特性，将驶往相同或相近目标区域的车辆组合成稳定的连通支配集，从而提高了数据转发的成功率。这种方法的不足在于它过分依赖于GPS导航系统，因此，对于不使用GPS导航系统或者不使用相同厂家GPS导航系统的车辆，将无法获得这项服务，这必将进一步降低车联网环境下车辆节点的稀疏度并导致节点连接间歇性和机会性程度加强，不可预测度加剧。

发明内容

技术问题：目前，车联网路由和数据转发方法大都还是基于连通覆盖度较高的VANETs环境，而现有方法应用于节点连接具有间歇性和机会性的VDTNs网络，会导致数据转发效率降低；数据传输时延、时延抖动及丢包率增大；数据传输的稳定性变弱。

技术方案：为了解决上述技术问题，本发明提出一种基于节点转发能力估计的车载容迟网络路由方法，该方法针对VDTNs环境的特点，采用了基于节点转发能力估计的存储—携带—转发路由策略，具体技术方案如下：

一种基于节点转发能力估计的车载容迟网络路由方法，包括如下步骤：

步骤1：判断目的节点是否在源节点的通信范围内，若目的节点在源节点的通信范围内，则源节点直接发送信息至目的节点；否则，执行步骤2；

步骤2：估计源节点与其通信范围内的所有邻居节点之间的有效连接时间T_a；

步骤3：将步骤2中所述的源节点与所有邻居节点的有效连接时间T_a取平均值，以所述平均值作为自适应阈值P_th，将T_a值超过阈值P_th的邻居节点视为中继候选节点；

步骤4：构造所述中继候选节点吞吐量函数F(x)，并结合步骤2计算所述中继候选节点的平均转发能力估计值；

步骤5：选择平均转发能力估计值最大的中继候选节点作为下一跳中继节点；

步骤6：源节点选出所述中继节点，将信息发送至所述中继节点；并将所述中继节点作为新的源节点；

步骤7：依次循环执行步骤1至步骤6，直至流媒体信息被成功传送至目的节点。

进一步，步骤2所述的估计源节点与其通信范围内的所有邻居节点之间的有效连接时间T_a的方法为：

步骤2.1：首先计算源节点以及其通信范围内的邻居节点在水平和垂直方向的速度和距离；

步骤2.2：在Δt时间之后，源节点和其通信范围内的邻居节点之间直线距离为r，根据欧几里得距离可得标准的一元二次方程式；

步骤2.3：由一元二次方程的判别式定理，可以求得源节点与其通信范围内的邻居节点之间的有效连接时间T_a的估计值；

步骤2.4：重复步骤2.1至步骤2.3计算出源节点与其通信范围内的所有邻居节点之间的有效连接时间T_a的估计值。

进一步，步骤4所述的计算所述中继候选节点的平均转发能力估计值的方法为：

步骤4.1：根据车联网历史流量特征，构建车辆流量模型；

步骤4.2：由车辆流量模型拟合出车辆节点吞吐量函数；

步骤4.3：对中继候选节点在有效连接时间区间[0，T_a]内的吞吐量函数F(x)求积分得到中继候选节点的平均转发能力估计值E_NFC。

进一步，所述步骤4.1中所述的车辆流量模型为：基于小波神经网络车辆流量预测模型；所述小波神经网络车辆流量预测模型采用三层神经网络结构，并且以小波函数代替常规神经网络的Sigmoid作为神经网络的隐节点激励函数、以小波的尺度和平移参数作为神经网络的权值和阈值参数，构成一个前馈型神经网络。

进一步，所述步骤6中所述信息为Bundle束消息，所述Bundle束消息包括：车辆间交互的车辆位置坐标、方向和移动速度，车辆与中继节点交互的车辆的历史流量数据以及车辆间的流媒体数据。

本发明的有益效果：

(1)数据包的投递率较高

本发明提出的车载容迟网络路由方法是基于节点转发能力，它总是主动选择转发能力估计值最大的节点转发数据，因此，该方法随着网络负载的增加，始终能够维持较高的数据包成功投递率。

(2)平均传输时延较低

传输时延由节点间传输的带宽决定，只选择连通概率最大的节点来转发数据，而不考虑到节点间传输的网络带宽，极可能导致数据传输时延和传输次数的增加。本发明首先根据车辆节点的运动方向和运动速度估计出节点的有效连接时间，然后根据车联网的流量特征为车辆构建流量模型并将其作为车辆节点的吞吐量函数，之后，通过对有效连接时间区间内的吞吐量函数求积分得到节点转发能力的估计值，根据节点转发能力的估计值构造高效的车载容迟网络路由算法。本发明的算法综合考虑到节点连通概率与网络带宽，能很好地解决该问题，并获得较低的平均传输时延。

(3)低时延抖动

一般来讲，随着车辆节点的快速运动和网络负载的增大，必然引起车辆间路径的改变和网络拥塞发生，并导致数据包传输时的时延抖动，这是不可避免的，但是希望能将时延抖动控制到合理范围之内，以保障VDTNs环境下多媒体服务的服务质量。本发明提出的方法会选择吞吐量较大的窗口(通过对有效连接时间区间内的吞吐量函数求积分得到节点转发能力的估计值继而比较选择出来的平均转发能力最大的节点，其吞吐量窗口是较大的)进行数据转发，因此，它能够容纳的数据量就更大；随着网络中发送消息数量的增加，本发明提出的方法产生的时延抖动就会减小。

(4)丢包率低

丢包率与网络的带宽、缓冲区大小以及节点间的连接时间有密切的关联，这三个因素会从不同的方面影响着算法的丢包率这一重要性能指标。因此，单独考虑其中的一项因素，而忽略另一个因素，都会导致丢包率的升高，严重影响网络的服务质量和用户体验。缓冲区大小的设置一定的情况下，丢包率指标仅与网络的带宽和节点间的连接时间正相关。本发明的算法将两者有机地结合(在节点的平均转发能力计算过程中，通过对有效连接时间区间内的吞吐量函数求积分从而得到节点转发能力的估计值，因此可以将网络的带宽和节点间的连接时间进行结合)，具有较好的数据转发能力和拥塞规避能力，对数据丢包率这一性能指标有明显地改善

附图说明

图1是VDTNs网络场景图；

图2是节点转发能力估计值计算的流程图；

图3是本发明提出的车载容迟网络路由算法的流程图；

图4是车辆节点i和j的有效连接图；

图5是小波神经网络拓扑结构图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的说明

图1给出了本发明提出的方法在VDTNs网络中应用场景。车辆节点在遇到中继节点后，会将其携带的Bundle束消息发送给中继节点。之后，中继节点将其处理后发送给后来的请求车辆节点。Bundle束消息包括车辆间交互的车辆位置坐标、方向和移动速度、车辆与中继节点交互的车辆的历史流量数据以及车辆间正常的流媒体数据；车辆的历史流量数据用于为车辆构建流量模型并将其作为车辆节点的吞吐量函数；车辆间正常的流媒体数据用于为用户提供娱乐的信息，这两部分是由车辆与中继节点之间进行交互。

图2是计算节点平均转发能力估计值的流程图，一方面根据车辆节点的运动方向和运动速度估算出车辆节点的有效连接时间，另一方面根据车联网的流量特征为车辆构建流量模型并拟合出车辆节点的吞吐量函数，最后，通过对有效连接时间区间内的吞吐量函数求积分得到节点平均转发能力的估计值。相较现有仅考虑连接时间的算法，本发明的算法将有效连接时间与节点传输带宽(对应于图2中的右侧分支)有机地结合，具有较好的数据转发能力和拥塞规避能力。

下面针对图2的内容进行详细说明。

(1)估算车辆节点之间有效连接时间T_a

节点间有效连接时间的估计是保障两个车辆节点进行正常通信的关键。为进行车辆节点之间有效连接时间的估计，节点可以通过GPS定位系统获得车辆的坐标，车辆节点的运动方向，运动速度。那么，节点间的有效连接时间估计过程描述如下：

步骤2.1：首先给出车辆节点在水平和垂直方向的速度和距离；

步骤2.2：在Δt时间之后，两车之间直线距离为r，根据欧几里得距离可得公式标准的一元二次方程式；

步骤2.3：由一元二次方程的判别式定理，可以求得参数t，即有效连接时间T_a的估计值。

VDTNs中车辆节点会周期性地与邻居节点交换节点的实时位置信息，其中包括节点的位置坐标、移动速度和方向角，因此车辆节点可以实时地获取周边车辆的信息，利用所得公式估算出它与周边邻居节点的有效连接时间。

具体计算的实施例如图4所示，为车辆节点i和车辆节点j在进行有效连接时间T_a的估计。其中，车辆节点i和车辆节点j可以通过GPS定位系统获得车辆的坐标(x_i,y_i)和(x_j,y_j)，车辆节点的运动速度v_i和v_j，车辆节点i和j的运动方向角θ_i和θ_j。那么，节点间的有效连接时间T_a估计过程描述如下：

1)首先计算出车辆节点在水平和垂直方向的速度和距离，如式(1)所示。

其中，α与β表示车辆节点i和车辆节点j的速度分别在水平与垂直方向上的分量差，μ与δ表示车辆节点i和车辆节点j所在位置分别在水平与垂直方向上的分量差。

2)在Δt时间之后，车辆节点i和车辆节点j之间直线距离为r，根据欧几里得距离可得公式(2)。由于IEEE 802.11p所定义的车辆之间的通信距离r的数值不超过300米，因此将r定义为小于等于300米。

(μ+α·Δt)²+(δ+β·Δt)²＝r²,r≤300. (2)

将式(2)整理为标准的一元二次方程式，如(3)所示。

(α²+β²)Δt²+(2αμ+2βδ)Δt+(μ²-δ²-r²)＝0,r≤300. (3)

3)由一元二次方程的判别式定理，可以求得参数Δt，Δt即为有效连接时间T_a的估计值，如式(4)所示。

(2)构造车辆节点的吞吐量函数F(x)，计算车辆节点平均转发能力估计值E_NFC

对于车辆节点的吞吐量函数构造问题，需要涉及到车辆节点的历史流量信息采集、数据预处理以及采用相应的预测模型进行数据拟合，这个过程实质上是一个在线采集和离线分析构造的过程。因此，假设车辆节点经过中继节点时，会把自身采集到的网络流量打包成Bundle束消息发送给中继节点，而中继节点则是一台运算能力很强的节点，由它来实现车辆的吞吐量函数构造及其平均转发能力计算。那么，当车辆节点需要选择下一跳转发节点时，会首先和中继节点进行通信，从而获得其邻居节点的转发能力，以便从中选择最优的节点作为其下一跳数据转发节点。若遇到VDTNs中没有中继节点的情况，比如，偏远的乡村、山地、沙漠等地貌，则由车辆节点之间相互交互协作从而完成这一过程。下面对车辆的吞吐量构造过程及其平均转发能力计算过程进行描述。

本发明采用韩国首尔的WiBro网络的多媒体数据集作为车联网的吞吐量构造的数据集。之所以选用WiBro网络是因为它与基于IEEE 802.11p的车联网有很多相似的地方，比如它们都属于无线宽带网络，它们都是针对移动应用而产生的，当移动物体的运动速度在60～100km/h变化时，它们的上行平均带宽可达6Mbps左右，下行带宽可达1Mbps左右。

首先，假设这些采集到的多媒体数据流量的时间序列是{X_i}，然后，通过业界经典的商业化数据统计软件SAS来分析这组时间序列数据。分析的结果发现，所采集的数据是一组具有高斯白噪声的宽平稳非线性时间序列。因此，常用的线性网络流量预测模型，比如回归模型、ARIMA时间序列模型和卡尔曼滤波模型就不再适用于对上述流量特征的描述，无法完成对车辆的吞吐量函数构造。必须采用非线性流量预测模型，比如小波模型和神经网络模型。小波分析是一种时频局部化方法，时频窗口的面积固定但形状可变化，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，所以被誉为“数学显微镜”。尽管小波理论可以有效地分析网络流量中的自相似性和多尺度性，但小波模型不具有实时性和递归性，因此，它无法实现在线的预测。神经网络是一种具有高度非线性的系统，它具有高速处理信息的能力、具有处理不确定性信息的能力以及很强的健壮性。但是，神经网络预测模型也有缺点，它的缺点就是学习速度太慢，很容易陷入局部次优点，无法得到最优解。综上所述，小波模型具有独特的多分辨分析能力，而人工神经网络具有很强的自学习自适应和非线性逼近功能，若将小波模型和人工神经网络相结合，必可以有效地改善神经网络求解容易陷入次优的状况，同时提高网络流量的预测精度。下面给出车辆节点平均转发能力的计算流程：

步骤4.1：根据车联网历史流量特征，构建车辆流量模型；

步骤4.2：由车辆流量模型拟合出车辆节点吞吐量函数F(x)；

步骤4.3：对中继候选节点在有效连接时间区间[0，T_a]内的吞吐量函数求积分得到节点平均转发能力估计值E_NFC。

计算车辆节点平均转发能力估计值的具体实施例：

本发明根据车联网的历史流量数据，构建基于小波神经网络车辆流量预测模型，以此拟合出所有中继候选节点的吞吐量函数，这种方法可以直观形象地反映出候选转发节点在未来的连接时间段内的吞吐量。

1)小波神经网络车辆流量预测模型的结构选择

如图5所示，本发明采用三层的神经网络结构，即输入层、隐含层和输出层。选用三层结构是因为低于三层的神经网络结构无法逼近非线性函数曲线，只有层数大于等于3时，才能更好地逼近非线性函数曲线，但随着神经网络层数的增加必然会增加计算的开销，并增大计算时延。综合考虑，选用三层的BP神经网络来构造车辆吞吐量这一非线性函数。和传统三层神经网络不同的是，直接以小波函数代替常规神经网络的Sigmoid作为神经网络的隐节点激励函数，以小波的尺度和平移参数作为神经网络的权值和阈值参数，构成一个前馈型神经网络，该神经网络可以达到对任意信号函数的最佳逼近。

在图5中，输入层中同时输入p个时间序列值，隐含层包含n个神经元，而输出层仅有1个神经元，输出为第k+l个时间序列的预测值。其中表示从第m-1层的神经元i到第m层的神经元j之间的权值，表示第m层神经元j的第k次输入，ψ_m表示第m层的转移函数，表示第m层的相应输出，见公式(5)-(6)。

2)基于三层的小波神经网络实现k+l步网络流量预测，拟合出吞吐量函数F(x)

本发明采用三层网络结构，令隐含层的转移函数采用morlet小波，见公式(7)。

式(7)中，ψ(t)表示隐含层的转移函数，自变量t表示时间。

于是可得和分别见公式(8)-(10)。

式(9)中，a_i表示神经元i的输入；b_i表示神经元i的输出。

用θ表示上式中所有参数(参数a,b和w)的集合，网络的输入为p个序列值为元素的时间序列，即[X_k,X_k-1,…,X_k-p+1]，输出为第k+l个序列值的预测值

把预测值的均方误差函数作为目标函数C(θ)。

为了使上述误差最小，得出网络模型的最优参数，采用共轭梯度下降法计算误差函数的最小值，见式(12)-(15)。

w_i(m+1)＝w_i(m)-αh(w_i)

a_i(m+1)＝a_i(m)-αh(a_i). (15)

b_i(m+1)＝b_i(m)-αh(b_i)

上式(12)至(15)中，ai表示神经元i的输入；h(a_i)表示误差函数C获得最小时，神经元i的输入a_i的取值；b_i表示神经元i的输出；h(b_i)表示误差函数获得最小时，神经元i的输出b_i的取值；w_i表示神经元i与其他神经元之间的权重；h(w_i)表示误差函数获得最小时，权重向量w_i的取值；

w_i(m+1)＝w_i(m)-αh(w_i)表示将上一时刻的权重调整量迭加到按本次误差计算得到的权重调整量作为本时刻的实际权重调整量；

a_i(m+1)＝a_i(m)-αh(a_i)表示将上一时刻神经元i的输入调整量迭加到按本次误差计算得到的输入调整量作为本时刻的实际输入调整量；

b_i(m+1)＝b_i(m)-αh(b_i)表示将上一时刻神经元i的输出调整量迭加到按本次误差计算得到的输出调整量作为本时刻的实际输出调整量；

α表示动量因子。

当误差函数的绝对值小于预先设定的阈值时，即停止网络学习；否则重复上述步骤。

由此，可以得到车辆的历史、现在和未来的网络流量数据根据网络流量的变化趋势，从数学函数库中调用相应的拟合函数对车辆的网络流量变化曲线进行拟合，得到吞吐量函数F(x)。

3)计算车辆节点的平均转发能力估计值E_NFC

车辆节点平均转发能力估计值E_NFC实际上就是求以吞吐量函数F(x)为曲边的梯形面积，这种方法可以直观形象地反映出候选转发节点在未来的连接时间段内的吞吐量，对设计高效的车载容迟网络路由算法具有重要的参考价值。设车辆节点间的有效连接时间区间为[0，T_a]，对有效连接时间内的吞吐量函数F(x)求积分可得车辆节点的平均转发能力估计值E_NFC，见公式(16)。

本发明提出的车载容迟网络路由算法流程图，如图3所示，在总体体系结构上，采用存储—携带—转发模式实现数据转发，节省车联网中路边中继设施架设成本，降低数据包的平均传输时延、时延抖动及丢包率，从而保障数据传输的稳定性，很好的满足用户对车辆主动安全和各类娱乐服务的需求。此外，在偏远的乡村、山地、沙漠等地貌本发明同样适用。

基于转发能力估计的车载容迟网络路由算法包括如下步骤：

步骤1：判断目的节点是否在源节点的通信范围内，若目的节点在源节点的通信范围内，则源节点直接发送信息至目的节点；否则，执行步骤2；

步骤2：估计源节点与其通信范围内的所有邻居节点之间的有效连接时间T_a；

步骤3：将步骤2中所述的源节点与所有邻居节点之间的有效连接时间T_a取平均值，以所述平均值作为自适应阈值P_th，将T_a值超过阈值P_th的邻居节点视为中继候选节点；

步骤4：构造所述中继候选节点吞吐量函数F(x)，并结合步骤2计算所述中继候选节点的平均转发能力估计值；

步骤5：选择平均转发能力估计值最大的中继候选节点作为下一跳中继节点；

步骤6：源节点选出所述中继节点，将信息发送至所述中继节点；并将所述中继节点作为新的源节点；

步骤7：依次循环执行步骤1至步骤6，直至流媒体信息被成功传送至目的节点。

以上所述仅用于说明本发明的技术方案和具体实施例，并不用于限定本发明的保护范围，应当理解，在不违背本发明实质内容和原则的前提下，所作任何修改、改进或等同替换等都将落入本发明的保护范围内。

Claims (3)

1.一种基于节点转发能力估计的车载容迟网络路由方法，其特征在于，包括如下步骤：

步骤1：判断目的节点是否在源节点的通信范围内，若目的节点在源节点的通信范围内，则源节点直接发送信息至目的节点；否则，执行步骤2；

步骤2：估计源节点与其通信范围内的所有邻居节点之间的有效连接时间T_a；

步骤3：将步骤2中所述的源节点与所有邻居节点的有效连接时间T_a取平均值，以所述平均值作为自适应阈值P_th，将T_a值超过阈值P_th的邻居节点视为中继候选节点；

步骤4：构造所述中继候选节点吞吐量函数F(x)，并结合步骤2计算所述中继候选节点的平均转发能力估计值；

步骤5：选择平均转发能力估计值最大的中继候选节点作为下一跳中继节点；

步骤6：源节点选出所述中继节点，将信息发送至所述中继节点；并将所述中继节点作为新的源节点；

步骤7：依次循环执行步骤1至步骤6，直至流媒体信息被成功传送至目的节点；

步骤2所述的估计源节点与其通信范围内的所有邻居节点之间的有效连接时间T_a的方法为：

步骤2.1：首先计算源节点以及其通信范围内的邻居节点在水平和垂直方向的速度和距离；

步骤2.2：在Δt时间之后，源节点和其通信范围内的邻居节点之间直线距离为r，根据欧几里得距离可得标准的一元二次方程式；

步骤2.3：由一元二次方程的判别式定理，可以求得源节点与其通信范围内的邻居节点之间的有效连接时间T_a的估计值；

步骤2.4：重复步骤2.1至步骤2.3计算出源节点与其通信范围内的所有邻居节点之间的有效连接时间T_a的估计值；

步骤4所述的计算所述中继候选节点的平均转发能力估计值的方法为：

步骤4.1：根据车联网历史流量特征，构建车辆流量模型；

步骤4.2：由车辆流量模型拟合出车辆节点吞吐量函数；

步骤4.3：对中继候选节点在有效连接时间区间[0，T_a]内的吞吐量函数F(x)求积分得到中继候选节点的平均转发能力估计值E_NFC。

2.根据权利要求1所述的一种基于节点转发能力估计的车载容迟网络路由方法，其特征在于，所述步骤4.1中所述的车辆流量模型为：基于小波神经网络车辆流量预测模型；所述小波神经网络车辆流量预测模型采用三层神经网络结构，并且以小波函数代替常规神经网络的Sigmoid作为神经网络的隐节点激励函数、以小波的尺度和平移参数作为神经网络的权值和阈值参数，构成一个前馈型神经网络。

3.根据权利要求1所述的一种基于节点转发能力估计的车载容迟网络路由方法，其特征在于，所述步骤6中所述信息为Bundle束消息，所述Bundle束消息包括：车辆间交互的车辆位置坐标、方向和移动速度，车辆与中继节点交互的车辆的历史流量数据以及车辆间的流媒体数据。