CN105228215A - 车载自组织网络中基于决策树机制的多副本路由方法 - Google Patents

Abstract

本发明涉及一种车载自组织网络中基于决策树机制的多副本路由方法，属于车载自组织网络技术领域。在该方法中，采用一种机器学习内容里的决策树C4.5学习方法，车辆首先根据对历史数据的采集，然后对采集的历史数据进行整合处理，并使用决策树学习方法对所选取的相应属性进行分类和评级，生成决策规则树，之后在初始消息和消息副本的传递中利用构建的决策规则树使得消息的传输更加具有方向性和目的性。本方法解决了在多副本路由中消息副本数盲目洪泛转发带来的网络开销过大的问题，同时也解决了由于被动地采用直接传输使得投递率不高以及时延较大的问题，该方法相比于传统方法及时性、可靠性等性能更强，更适合高动态拓扑且网络密度较大的车载自组织网络。

Description

车载自组织网络中基于决策树机制的多副本路由方法

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决策树机制的多副本路由方法。

背景技术

车载自组网络(VehicularAdhocNetworks,VANET)是专门为了车辆通信而设计的自组织网络。由于车辆不断的高速运动所以其网络传输环境一般比较恶劣。VANET近几年备受关注，在VANTE中，点对点通信对于许多应用非常需要，包括驾驶辅助系统，互联网接入，和道路交通信息的收集。由于车辆的移动性，无线资源的有限性和无线信道的损耗性，通过一系列中间节点寻找一条从源节点到目的节点的有效的路径是非常大的挑战。路由的效率依赖于所有节点参与数据传输，这一系列情况使得路由选择问题比较困难。

多副本路由策略被认为是最合适消息传递的方法，所以传染路由方式被提出。传染路由协议是一种基于存储携带转发方式的洪泛路由协议，它有着很高的投递率和较低的复杂性，但是同时也有很高的开销和时延，传统的路由算法为追求高的传输成功率、低的传输延迟，通常会进行大量的数据包转发，大量的无效数据包转发成为节点资源消耗的一个突出问题。因此，为了最大化传输率、最小化端到端时延和总体资源消耗，需要对传染路由协议进行消息副本数量的控制，在传染路由的基础上提出了洪泛控制算法SprayandWait，以及近期热门研究的基于社会属性的BubbleRap路由协议来控制洪泛的程度和消息传递的有向性。

SprayandWait路由包含两个阶段：喷发阶段和等待阶段。在喷射阶段，类似于传染路由的喷发方式，源节点消息生成L个消息副本，拥有此消息副本的节点将其转发给L个不同的能接收消息副本的节点，然后进入等待阶段。等待阶段，即如果目的节点在喷射阶段没有被发现，L个携带消息副本的节点一直等到遇见目的节点并把消息投递给它，或者到达消息的生存时间丢弃消息。

BubbleRap转发策略依赖于两个社会特征(社区和中心度)。消息转发的第一个阶段是基于网络中心性的全局转发阶段，第二个阶段是基于局部中心性的局部转发阶段。在每个阶段，消息都将向中心性高的节点转发。

虽然以上两种协议性能较好，但是它自身也存在一些缺陷，比如，S&W协议转发固定数量的副本，对于应用在不同的网络中，没有很好的灵活性；在车载自组织网络中，由于它自身的一些特点，它可以获得关于周围环境的各种信息，所以可以对基础的协议进行改进，使得更适合在车载自组织网络中的应用。并且，在第二阶段，它一直被动的等待采用直接传输或者等到消息到达生存时间，非常不利于消息迅速而有效地投递到目的地。而对于BubbleRap协议，如果目标节点的所有邻居的网络中心性都较低，消息传递将会失败。

发明内容

有鉴于此，本发明的目的在于提供一种车载自组织网络中基于决策树机制的多副本路由方法，该方法根据采集的网络历史数据，对历史数据采用机器学习中的C4.5算法，将数据按照一定的属性进行分类、评级，并建立规则树；之后消息的转发根据当前的网络数据和规则树对消息进行转发和携带；该方法用于在车间通信中提高消息的投递率，降低时延并且减少资源的消耗和开销。

为达到上述目的，本发明提供如下技术方案：

一种车载自组织网络中基于决策树机制的多副本路由方法，其特征在于：包括以下步骤：

步骤1、车辆对在相同网络下的历史数据(指网络中的车辆位置信息以及转发或者接受数据的状态)进行采集；

步骤2、对步骤1中采集的历史数据进行预处理；

步骤3、对处理过的历史数据，采用机器学习C4.5学习算法，并建立相应的决策树准则；

步骤4、在扩散阶段，车辆节点采集当前网络的数据并递归生成决策规则，看是否符合扩散规则并以二分法进行扩散；

步骤5、在转发阶段，车辆节点采集当前网络的数据，将数据发送到规则树入口，看是否符合转发规则，进行数据包的转发。

进一步，在步骤1中，车辆收集到历史节点网络环境和节点自身的属性，将其定义为车辆数据集：V_l＝(A₁,A₂,L,A_l)，即所选取的类别属性，其中l为车辆标记数据集的个数；车辆约束数据集：V_u＝(A₁,A₂,L,A_u)，即在车辆数据集的前提下，对其进行数据处理所得出的结果，其中V_u∈V_l,u∈l。

进一步，在步骤2中，根据车辆属性建立车辆属性集合A＝(a¹,a²,L,a^m)，其中，m为车辆属性个数，a^j,j∈(1,2,L,m)代表车辆节点在网络中或者自身的第j个属性。

进一步，在步骤3中，对于收集到的车辆属性集合A，依据决策树C4.5学习方法，计算出车辆网络信息熵： $Info\left(S\right)=-\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\left(\right(Ratio\left(C_i,S\right)/\left|S\right|)\×{\log }_2(Ratio\left(C_i,S\right)/\left|S\right|\left)\right),$ 其中，S为跟踪投递数据集，目标变量C_i有k个分类；ratio(C_i,S)表示S中目标属性C_i所占比例，其中，i＝0,1，"0"表示投递失败，"1"表示投递成功；|S|表示数据集S中的样本个数之和；

再计算出网络属性条件熵：设车辆的某种属性变量为T，有n个分类(这里的分类数n＝0,1,2L)，其中，T_j表示考虑该属性时该属性的分类集合(j＝0,1,2L)；

根据计算出的车辆网络信息熵Info(S)和网络属性条件熵Info(T)，得出车辆网络中属性变量T对该网络带来的信息增益为，VehicleGain(T)＝Info(S)-Info(T)，同时，车辆网络中属性变量T对该网络带来的车辆信息增益率为，

$VehicleGainRatio\left(T\right)=\frac{VehicleGain\left(T\right)}{SplitInfo\left(T\right)}$

其中，SplitInfo(T)为 $SplitInfo\left(T\right)=-\underset{j=1}{\overset{n}{\Σ}}\left(\right(\left|T_j\right|/\left|T\right|)\×{\log }_2(\left|T_j\right|/\left|T\right|\left)\right);$

依据生成的车辆信息增益率VehicleGainRatio(T)，利用决策树C4.5学习算法生成决策规则树；依据决策规则树对每次相遇的车辆节点进行决策规则树搜索，如果满足决策规则，则采用二分法进行副本的扩散。

进一步，在步骤4中，车辆根据决策规则进行数据包转发，车辆首先收集当前网络的数据，预处理后送入决策规则进行匹配，如果匹配规则且当前车辆携带的副本数大于1，则将进行转发的数据包按“二分法”进行扩散；如若不匹配则等待下次相遇机会；

当每辆车携带的数据包副本数仅剩一个副本时，结束扩散阶段，进入转发阶段；在转发阶段同样根据决策规则树主动进行下一跳的选择和转发；同时，对于决策规则树的更新，需要对历史数据进行重新采集。

进一步，在步骤5中，在转发阶段同样根据决策规则主动进行下一跳的选择和转发，可以有效降低投递延时；同时，对于决策规则树的更新，需要对历史数据进行重新采集建立新的决策规则。

本发明的有益效果在于：本发明提供的路由方法解决了在多副本路由中消息副本数盲目洪泛带来的网络开销过大的问题，同时也解决了由于被动地采用直接传输使得投递率不高以及时延较大的问题，该方法相比于传统方法及时性、可靠性等性能更强，更适合高动态拓扑的车载自组织网络。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明实施例提供的多副本决策树机制的扩散阶段流程图；

图2为本发明路由方法中的主动选择下一跳阶段的流程图；

图3为在本发明的扩散阶段车辆方向角度的场景图；

图4为在本发明的扩散阶段扩散(转发)角度场景示意图；

图5为在本发明的决策树C4.5算法流程图。

具体实施方式

本发明所述的方法，在扩散阶段：车辆源节点首先获得L个消息副本；通过定位系统获取当前位置信息、目的地位置信息，通过对当前车联网环境属性的采集，结合规则决策树，如果判断出遇到的邻居车辆符合规则树的搜索，则发送L/2个消息副本给相遇车辆节点，如果判断出遇见的邻居车辆不满足规则树的搜索，则等待至下一次相遇，最后每个车辆节点携带一个消息副本时结束扩散阶段，进入转发阶段。

在车载自组织网络中，车辆可以比较方便地获取自己和当前网络属性信息及目的地的位置，每个车辆维护一个邻居列表记录一跳范围内的节点信息，可以利用这些信息使消息副本的扩散有一定的导向性和目的性，而不是在网络中盲目地扩散，所以在本发明中，在确定是否扩散时，车辆利用自身和当前网络的属性信息及目的地的位置使消息副本的扩散具有一定的导向性和目的性，假设车辆收集到当前网络环境和自身的属性，将其定义为车辆数据集：V_l＝(A₁,A₂,L,A_l)，即所选取的类别属性，其中l为车辆标记数据集的个数。车辆约束数据集：V_u＝(A₁,A₂,L,A_u)，即在车辆数据集的前提下，对其进行数据处理所得出的结果，其中V_u∈V_l,u∈l。

车辆对于收集到的数据集，根据车辆属性建立车辆属性集合，A＝(a¹,a²,L,a^m)。其中，m为车辆属性个数，a^j,j∈(1,2,L,m)代表车辆节点的第j个属性，进一步，将采集到的属性数据集通过决策树算法主动选择下一跳的方法，具体包括：获取节点基本信息，通过获取的信息计算当前网络中的新近度、节点活跃因子、接近中心度、中介中心性等，同时得出车辆自身的属性速度和方向等。对于收集到的车辆属性集合A，依据决策树C4.5学习算法，计算出车辆网络信息熵： $Info\left(S\right)=-\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\left(\right(Ratio\left(C_i,S\right)/\left|S\right|)\×{\log }_2(Ratio\left(C_i,S\right)/\left|S\right|\left)\right),$ 其中，S为跟踪投递数据集，目标变量C_i有k个分类。ratio(C_i,S)表示S中目标属性C_i所占比例(其中，i＝0,1，"0"表示投递失败，"1"表示投递成功)。|S|表示数据集S中的样本个数之和。再计算出网络属性条件熵：设车辆的某种属性变量为T，有n个分类(这里的分类数n＝0,1,2L)，其中，T_j表示考虑该属性时该属性的分类集合(j＝0,1,2L)。

根据算出的车辆网络信息熵Info(S)和网络属性条件熵Info(T)，得出车辆网络中属性变量T对该网络带来的信息增益为，VehicleGain(T)＝Info(S)-Info(T)，同时，车辆网络中因该属性变量T网络带来的车辆信息增益率为，

$VehicleGainRatio\left(T\right)=\frac{VehicleGain\left(T\right)}{SplitInfo\left(T\right)}$

根据车辆信息增益率构建决策规则树，车辆节点的相遇扩散通过搜索满足决策规则树进行二分法副本转发；当每辆车携带的信息副本数仅剩一个副本时，结束扩散阶段，进入转发阶段；传统的Wait阶段不会去主动寻找下一跳，而是选择被动地等待遇见目的节点，这样不利于消息的高效投递，在本发明中，转发过程中下一跳的选择，综合考虑影响消息副本转发效率的各个因素，选择更加合适的节点，可以极大地提高消息的投递率，在转发阶段根据搜索满足规则树主动进行下一跳的选择。

新近度、节点活跃因子、接近中心度、中介中心性等车辆网络属性是通过移动加权指数平均方法来更新，选取上一状态的数据和当前状态的数据加权更新。根据仿真，α的值设置为0.7效果最好，更新公式定义为：

A←(1-α)*A_i-1+α*A_i

其中，A表示更新的属性值，A_i-1表示上一次的值即历史的属性值，A_i表示当前采集到的属性值，α为更新因子。

通过过去的历史结合当前的状态，计算的指标更具有动态性，更加符合车载自组织网络。在VANET中，车辆的运动是由人为因素主导的，具有较大的不确定性，所以通过决策树算法的不断学习过程来智能解决不确定性和做出合理的决策下一跳的问题。

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明路由方法中的选择性扩散阶段的流程图。如图所示，在本发明中，扩散的具体过程可包括：

步骤A1，车辆源节点获得L个消息副本。

具体的，L取值通常根据网络的规模来决定，一般所取得L值都是远远小于网络中节点的个数M。

步骤A2，获取当前位置信息和目的位置信息以及车辆的运动方向和速度。

具体的，移动的车辆上都装置有GPS系统，所以可以比较方便地获取这些信息，并且车辆保存着记录了一跳范围内节点信息的邻居列表。

步骤A3，车辆对当前网络属性的采集。

具体的，在扩散阶段，盲目地向遇到的所有车辆发送消息副本，对于资源是一种浪费，本发明提出将车辆扩散的消息副本数量与“有向”相联系。所以此阶段对属性的采集和处理是在基于对历史数据处理的前提下，对将来是一种预测。通过决策树学习算法，能够对下一跳进行“有向”选择。

步骤A4，通过决策树算法生成决策规则树。

具体的，根据对历史属性数据的处理，再经过决策树学习算法C4.5生成决策规则树。同时在满足步骤A3的条件下，若车辆节点与相遇节点满足规则树搜索条件，则向这些邻居节点喷发L/2的消息副本；若车辆节点与相遇节点不满足规则树搜索条件，则放弃此次扩散机会，等待下一次的车辆节点相遇。

步骤A5，结束扩散阶段，进入第二阶段。

具体的，扩散出的L个副本都被车辆节点所携带，且每个携带节点有且只有一个副本，则进入第二个阶段。如果，在扩散阶段，车辆携带节点副本数大于1，且正好遇到目的节点，则直接将消息转发给目的节点，结束当前数据包的扩散与转发阶段。

在本发明实施例中，与传统的喷射协议相比，移动的车辆根据位置信息和当前车辆网络的属性来使数据包的散发有一定的导向性和目的性，不用消耗过多的网络资源且不会盲目洪泛，还能较好的提高消息的投递率。

图2为本发明路由方法中的主动选择下一跳阶段的流程图。如图所示，在本实施例中，车辆的运动是由人为因素主导的，在转发过程中的下一跳的选择，应该考虑车辆网络的综合影响消息副本转发效率的各个因素，选择更加合适下一跳，其中步骤应该包括：

步骤B1，获取需要计算的属性指标的基本信息。

具体的，通过车辆之间的交互需要获得相遇时间，车辆在网络中的停留时间，邻居节点数目还有距离和速度等基本信息。

步骤B2，根据步骤B1获取车辆间的基本信息，计算出车辆网络的属性指标值。具体的包括：

节点新近度：它是基于最近多长时间车辆j遇到网络中任意车辆i，为车辆之间最近一次建立连接的时间间隔比例。最近一次联系与当前时间间隔越短，说明未来联系出现的概率越高。

节点活跃因子：节点活跃因子表示车辆节点的活动能力，车辆遇见的其他车辆越频繁，邻居列表信息变化越剧烈，说明该车辆越活跃，能够成功转发到目的地的机会越大。本文节点活跃因子通过节点在最近一段时间内平均邻居节点个数来衡量。

节点度：车辆节点在车辆网络图中的度。描述了车载用户在网络中的流行程度。车辆之间进行信息传递时，车辆节点的度将是路由选择的一个重要度量值。

接近中心度：接近中心度表示与其他所有节点具有最短路径的节点。描述了最高效的路径和网络可视性，选取接近中心度最高的节点作为信息分发和扩散的节点，可以有效的减少信息扩散的时延和网络的开销。

中介中间性：在车辆网络中，节点作为2个相邻节点的中间桥梁节点的度量。连接2个车辆节点的中间节点会具有很高的中介中间性，这个中间节点在车辆节点之间信息交互过程中，起到了很关键的作用。

网络密度：车载用户之间的连接的密度。描述了网络中节点之间连接密度的分布。

步骤B3，根据步骤B1获取车辆间的基本信息，计算出车辆自身属性值。

具体的，车辆速度：车辆的运动速度也是一个重要的衡量因子，由于车辆的速度在真实的车载网络中，并不是一直是一个恒定的数字，所以需要结合司机的行为和环境状态等各种因素进行预测估计。

车辆方向角度当前车辆到目的地的矢量与车辆运动方向的夹角，如图3所示。其中，S为源车辆节点，D为目的节点，各种车辆在道路中行驶，车辆源节点产生消息后，希望迅速地将消息副本从源节点S发送到D。根据S与D的地理位置，可以计算出矢量。假设当前车辆行驶方向为单位向量为则与夹角θ为车辆方向角度。

扩散(转发)角度当前车辆与中继节点车辆运动方向的夹角，如图4所示。其中，S为源车辆节点，D为目的节点，A、B为中继车辆节点。则φ1和φ2分别是S向A和B扩散(转发)夹角。因此在选取角度属性时，一般满足即可。

步骤B4，将所有属性指标值进行决策规则树规则搜索，决策出最好的下一跳。

具体的，结合在步骤B2和B3计算出的网络属性和车辆节点自身的属性指标值，将这些属性值指标作为输入参数通过决策树规则系统。将这些属性值依照约束规则树进行搜索，根据是否满足搜索的结果进行路由选择。

在本发明实施例中，不同于基础路由协议的第二阶段，携带消息副本的节点会被动的等待遇到目的节点将消息传输给它，或者等到消息的生存时间丢弃消息。携带消息副本的车辆节点会主动地依照决策规则树进行路由选择、转发，以便能够更快地将消息传到目的地。

参见图5，图5是本发明中提出的路由属性决策树C4.5算法流程图。通过此算法能够将对投递有影响的各种属性指标进行分类和评级，生成决策树模型，它能够转换成一组容易理解的IF-THEN规则，通过此规则能够更好的选择下一跳。

步骤C1，选择分类属性。具体的，对投递成功和失败的历史数据进行处理，将成功投递的用“1”表示，失败的用“0”表示，并依照收集的历史数据按照属性进行分类。

步骤C2，选择训练集。具体的，这里将所有采集到的历史数据随机的分出一般作为训练样集，另一半作为检测样集。

步骤C3，计算各种属性的信息增益。具体的，首先根据A_i属性集合得到的车辆属性数据集V_l，计算出Info(S)和Info(T)，再根据算出的车辆网络信息熵Info(S)和网络属性条件熵Info(T)，然后得出车辆网络中属性变量T对该网络带来的信息增益：VehicleGain(T)＝Info(S)-Info(T)。

步骤C4，选取合适的信息增益率进行属性划分。具体的，根据步骤4算出的信息增益VehicleGain(T)，可以得出信息增益率：然后选取信息增益率最大的一个作为树的根节点。

步骤C5，判断是否还有新的划分。具体的，重复步骤1-4.直到将所有的属性都构建到决策树后，则停止该算法，最终生成的树就是依照属性指标建立的规则决策树模型。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种车载自组织网络中基于决策树机制的多副本路由方法，其特征在于：包括以下步骤：

步骤1、车辆对在相同网络下的历史数据进行采集；

步骤2、对步骤1中采集的历史数据进行预处理；

步骤3、对处理过的历史数据，采用机器学习C4.5学习算法，并建立相应的决策树准则；

步骤4、在扩散阶段，车辆节点采集当前网络的数据并递归生成决策规则，看是否符合扩散规则并以二分法进行扩散；

步骤5、在转发阶段，车辆节点采集当前网络的数据，将数据发送到规则树入口，看是否符合转发规则，进行数据包的转发。

2.根据权利要求1所述的一种车载自组织网络中基于决策树机制的多副本路由方法，其特征在于：在步骤1中，车辆收集到历史节点网络环境和节点自身的属性，将其定义为车辆数据集：V_l＝(A₁,A₂,L,A_l)，即所选取的类别属性，其中l为车辆标记数据集的个数；车辆约束数据集：V_u＝(A₁,A₂,L,A_u)，即在车辆数据集的前提下，对其进行数据处理所得出的结果，其中V_u∈V_l,u∈l。

3.根据权利要求2所述的一种车载自组织网络中基于决策树机制的多副本路由方法，其特征在于：在步骤2中，根据车辆属性建立车辆属性集合A＝(a¹,a²,L,a^m)，其中，m为车辆属性个数，a^j,j∈(1,2,L,m)代表车辆节点在网络中或者自身的第j个属性。

4.根据权利要求3所述的一种车载自组织网络中基于决策树机制的多副本路由方法，其特征在于：在步骤3中，对于收集到的车辆属性集合A，依据决策树C4.5学习方法，计算出车辆网络信息熵： $Info\left(S\right)=-\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\left(\right(Ratio\left(C_i,S\right)/\left|S\right|)\×{\log }_2(Ratio\left(C_i,S\right)/\left|S\right|\left)\right),$ 其中，S为跟踪投递数据集，目标变量C_i有k个分类；ratio(C_i,S)表示S中目标属性C_i所占比例，其中，i＝0,1，"0"表示投递失败，"1"表示投递成功；|S|表示数据集S中的样本个数之和；

再计算出网络属性条件熵：设车辆的某种属性变量为T，有n个分类(这里的分类数n＝0,1,2L)，其中，T_j表示考虑该属性时该属性的分类集合(j＝0,1,2L)；

根据计算出的车辆网络信息熵Info(S)和网络属性条件熵Info(T)，得出车辆网络中属性变量T对该网络带来的信息增益为，VehicleGain(T)＝Info(S)-Info(T)，同时，车辆网络中属性变量T对该网络带来的车辆信息增益率为，

$VehicleGainRatio\left(T\right)=\frac{VehicleGain\left(T\right)}{SplitInfo\left(T\right)}$

其中，SplitInfo $\mathrm{SplitInfo}\left(T\right)=-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(\left(\right|T_j|/|T\left|\right)\×{\log }_2\left(\right|T_j|/|T\left|\right));$

依据生成的车辆信息增益率VehicleGainRatio(T)，利用决策树C4.5学习算法生成决策规则树；依据决策规则树对每次相遇的车辆节点进行决策规则树搜索，如果满足决策规则，则采用二分法进行副本的扩散。

5.根据权利要求4所述的一种车载自组织网络中基于决策树机制的多副本路由方法，其特征在于：在步骤4中，车辆根据决策规则进行数据包转发，车辆首先收集当前网络的数据，预处理后送入决策规则进行匹配，如果匹配规则且当前车辆携带的副本数大于1，则将进行转发的数据包按“二分法”进行扩散；如若不匹配则等待下次相遇机会；

当每辆车携带的数据包副本数仅剩一个副本时，结束扩散阶段，进入转发阶段；在转发阶段同样根据决策规则树主动进行下一跳的选择和转发；同时，对于决策规则树的更新，需要对历史数据进行重新采集。

6.根据权利要求5所述的一种车载自组织网络中基于决策树机制的多副本路由方法，其特征在于：在步骤5中，在转发阶段同样根据决策规则主动进行下一跳的选择和转发，可以有效降低投递延时；同时，对于决策规则树的更新，需要对历史数据进行重新采集建立新的决策规则。