CN106060887B - 面向时空特性变化认知的机会网络路由方法 - Google Patents
面向时空特性变化认知的机会网络路由方法 Download PDFInfo
- Publication number
- CN106060887B CN106060887B CN201610353633.XA CN201610353633A CN106060887B CN 106060887 B CN106060887 B CN 106060887B CN 201610353633 A CN201610353633 A CN 201610353633A CN 106060887 B CN106060887 B CN 106060887B
- Authority
- CN
- China
- Prior art keywords
- node
- time
- space
- geographic area
- message
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种面向时空特性变化认知的机会网络路由方法,属于机会网络,认知物联网和自组织网络技术领域。该方法包括以下步骤:S1:节点移动半马尔可夫模型建立阶段:用于预测未来时刻节点处于某一地理区域的概率和节点间在未来时间段内接触的效用值;S2:面向节点时空特性变化认知机制阶段:用于检测节点的时空特性变化与半马尔可夫模型是否相吻合;S3:路由方法自适应性的实现阶段:用于携带消息的节点与相遇节点进行接触效用值的比较,以决定是否要转发消息。本发明提供的方法能够克服现有技术中存在的问题,实现高效、智慧的认知自组织路由机制。
Description
技术领域
本发明属于机会网络,认知物联网和自组织网络技术领域,涉及一种面向时空特性变化认知的机会网络路由方法。
背景技术
传统的自组织路由技术由于缺乏弹性的自我管理能力,已不能完全适应越来越复杂的传输环境。未来的物联网需要具备服务感知、数据感知、环境感知能力,进一步还将拥有智能化的认知能力,若要真正实现智慧化的物联网,需要将物联网从“感知”上升到“认知”层面,构成认知物联网。“认知”的核心思想是赋予节点自主、智慧的特性,使其具有自我学习能力。认知物联网相应的自组织路由技术也应利用节点间的群体协作完成共同的任务目标,实现智慧性、分布性和鲁棒性,实现路由根据动态的需求变化、自适应地寻找最优传输路径以及对网络中的各个节点进行相应的配置优化,提高认知物联网的传输性能。认知物联网具有网络规模大、网络拓扑变化快、无中心节点、无线通信链路易中断、节点能力有限、区域网络性能目标各异以及自私节点消极转发数据包等特点,这些特点会使得认知物联网变得更为复杂,为其部署、应用提出了更高的要求。其中,作为其关键技术之一的路由机制在很大程度上决定了整个认知物联网的性能。
传统的感知网络大部分都是由蜂窝网集中收集信息,这种集中式的网络负载量大,覆盖范围也非常有限,若遭受攻击,会导致大范围的网络受损。而现有的移动智能设备已非常普及,嵌入了如蓝牙、WIFI等通信接口,而且具有摄像头、压力传感器、温度传感器等各种信息采集设备,具备了认知的诸多条件。当机会网络由人携带的短距离通信设备组成时,机会网络既是特殊的移动社会网络,又是特殊的延迟容忍网络,称其为社会机会网络。社会机会网络,作为认知物联网底层的传感网络之一,在影响其性能的诸多因素中,节点的时空特性是不可忽视的一个重要方面。由于节点的移动,导致网络拓扑结构频繁的变化,直接影响了机会网络的性能,如数据包丢失、消息投递平均时延的增加等。
机会网络中节点的时空特性是制定高效路由策略的关键因素。首先,节点的移动并不符合随机移动模型,而是在一定时间范围内经常访问有限个地理区域;其次,节点的移动具有自己的活动日程安排,并且按照日程安排在不同地理区域之间转移,形成自己的移动时间规律特性,这些都是节点的时空特性。
目前,现有的基于节点时空特性变化认知的机会网络路由方法存在以下问题:1)针对机会网络节点所建立的模型,忽略了移动区域之间的区域,不符合真实的网络环境。2)在所建立的半马尔可夫模型中增加了转移区域,会增加节点的存储空间和算法复杂度。3)网络中的节点周期性规律地运动,但在遇到突发事件时节点的运动会发生改变。此时,原有的消息转发策略不再有效,需要对其进行消息转发策略的调整,现有的研究并未针对此种情况做出消息转发策略调整的措施。上述3个问题对现有的面向时空特性变化认知的路由方法的网络交付率、开销率和消息投递平均延时性能造成不利影响,因此有必要提出新的技术方案加以解决。
发明内容
有鉴于此,本发明的目的在于提供一种面向时空特性变化认知的机会网络路由方法,该方法能够克服现有技术中存在的问题,实现高效、智慧的认知自组织路由机制。
为达到上述目的,本发明提供如下技术方案:
一种面向时空特性变化认知的机会网络路由方法,在该方法中,在考虑转移区域时,将地理区域以外的空间在半马尔可夫模型中视为同一个状态,降低节点的缓存空间和算法的时间复杂度;当认知到节点时空特性不再符合半马尔可夫模型时,改变已有的消息转发机制,采用消息的多副本转发;当认知到节点时空特性再次符合半马尔可夫模型时,恢复原有的消息转发机制,实现所提路由方法的自适应性;具体包括以下步骤:
S1:节点移动半马尔可夫模型建立阶段:用于预测未来时刻节点处于某一地理区域的概率和节点间在未来时间段内接触的效用值;
S2:面向节点时空特性变化认知机制阶段:用于检测节点的时空特性变化与半马尔可夫模型是否相吻合;
S3:路由方法自适应性的实现阶段:用于携带消息的节点与相遇节点进行接触效用值的比较,以决定是否要转发消息。
进一步,所述步骤S1具体包括:
S11:将节点在地理区域之间的移动看作半马尔可夫链{(Xn,Tn):n≥0}的更新过程,Tn表示第n次状态转移的时间,Xn表示第n次转移到的状态;假设网络中共有M个地理区域和地理区域以外的区域间,状态空间对应于网络中的地理区域集合为S={1,2,...,M,0},其中0表示地理区域以外的空间,简称区域间;节点在地理区域之间的移动对应于半马尔可夫过程中状态之间的转移,随机变量Tn+1-Tn表示节点在地理区域内的停留时间;将状态i到j的转移概率,即节点从地理区域i到j的概率用pij表示;节点移动到下一个地理区域j之前,节点在地理区域i的停留时间概率分布函数为Hij(t),节点在地理区域i的停留时间概率分布函数为Gi(t);机会网络中节点移动模型表达式按照半马尔可夫链的特征可定义为:X=(Xk,k∈N+);
S12:k步状态转移概率函数fij(k)表示节点在初始时刻的状态为i,经过时间k后所处状态为j的概率值,其求解过程分为两种情况:在时间段k内节点状态没有发生改变,一直处于i状态(i=j);在时间段k内节点状态曾发生改变,假设节点的初始状态为i,在时间段k中的某一时刻状态转移到l,最后处于状态j;因此,首先需要获得节点的状态转移概率pij以及时间概率分布函数Hij(k);统计节点在地理区域i处的转移频率获得pij,用Nij表示节点由地理区域i转移到j的转移次数,Ni表示节点由地理区域i转移到其他地理区域的总次数;Hij(k)表示节点在地理区域i的停留时间小于等于k且离开i后所到下一地理区域为j的概率值;Hij(k)的求解过程为统计N(tij<k)/N(tij)的值,其中N(tij<k)表示在地理区域i的停留时间小于等于k且离开i后移动到区域j的次数,N(tij)表示从区域i移动到区域j的总次数;
S13:当网络运行到稳定状态时,求出节点稳态转移概率向量p;由节点在地理区域停留的时间概率分布函数Hi(k)求出平均停留时间向量即节点在每个地理区域停留的平均时长;由节点的k步状态转移概率函数fij(k)可知,如果节点在0时刻处于状态i,那么在k时刻节点处于状态j的概率为fij(k);因此在机会网络中,已知节点在0时刻处于地理区域i,则通过fij(k)计算出节点在k时刻处于地理区域j的概率;节点互相交换状态转移概率矩阵P和状态停留时间概率分布矩阵H,即可对接触节点在未来时间所处状态进行评估;节点在本地保留的信息为<id,P,H,ID,TimeStamp>,其中id表示节点标识,ID表示地理区域标识,TimeStamp表示该条信息的记录时刻,接触节点依据TimeStamp相互更新记录;假设节点移动是相互独立的过程,节点a在时刻ka所处状态为sa,节点b在时刻kb所处状态为sb,在未来时刻k时,节点a、b所处状态为τ的概率分别为则节点a、b在未来时刻k接触的预测值为Cab(k);路由策略选取节点接触效用值为C_Util,表示在消息的剩余生存时间内,相遇节点c与目的节点d能够接触的效用值。
进一步,所述步骤S2具体包括:
S21:由半马尔可夫链建立的节点移动模型可知,如果预测得到节点在未来时刻的状态与节点实际状态不吻合,则表明节点的时空特性发生改变,节点的移动不再符合所建模型;原有的消息转发策略不再有效,需要对其进行消息转发策略的调整;
S22:假设节点当前时刻处于状态s,在未来时间段T内,节点在地里区域τ停留的最大概率为pmax;统计在过去时间段T内,节点停留在地理区域τ的时间为tτ,则在地理区域τ中停留时间比例为wτ;将预测所得的pmax和统计得到的wτ之间的差值比率定义为认知比率ρ;
S23:若ρ大于阈值γ,表明节点时空特性发生改变;原有的依赖节点接触概率预测值的消息转发策略将不再有效,需要对其进行消息转发策略的调整;
S24:若ρ≤γ表明所建半马氏模型预测准确,节点时空特性没有发生改变,或是节点时空特性恢复;原有的依赖节点接触概率预测值的消息转发策略仍然有效;
S25:增加时空特性变化认知机制的节点,节点的知识单元会发生改变,增加预测记录Pre和统计记录Stat;在nT时刻对节点在nT~(n+1)T时间段内最大概率值pmax对应的停留地理区域τpre进行预测;在(n+1)T时刻对节点在nT~(n+1)T时间段内在地理区域τpre停留时间比例进行统计,然后求得认知比率;在(n+1)T时刻再次预测下一时间段T内的预测记录Pre,更新原有的数据,在(n+2)T时刻更新记录Stat,以此做循环步骤;称时间段T为时移窗口,称此过程为节点时空特性变化认知机制。
进一步,所述步骤S3具体包括:
S31:假设节点a携带目的地址为节点d的消息M,当节点a与节点c相遇时,如果c与d的接触效用值大于a与d的接触效用值,则节点a将消息M转发给c,然后由c继续与相遇节点做接触效用值判断;
S32:如果c与d的接触效用值小于或等于a与d的接触效用值,则a携带消息M,继续与相遇节点做接触效用值比较;
S33:循环以上接触效用值判断步骤,直到将消息转发到目的节点d,或是消息M的剩余生命时长TTL为零,M被丢弃;
S34:如果机会网络中节点的时空特性变化过程一直遵循所建立的半马尔可夫模型,那么消息的每次转发过程都是将消息转发到一个与目的节点发生接触机会更大的中继节点;如果节点在某一段时间的地理区域访问倾向性和时间规律性发生改变,则此时该节点的时空特性变化过程不再符合半马尔可夫模型,导致节点接触效用值的计算不再准确,相应地,基于节点接触效用值的消息转发策略不再是逐步将消息转发到一个与目的节点发生接触机会更大的中继节点;当节点a、b接触时,若a和b的时空特性都没有发生改变,则进行策略转发;若a的时空特性改变,b的时空特性未改变,则直接转发;若a的时空特性未改变,b的时空特性改变,则拒绝转发;若a和b的时空特性都改变,则复制消息。
本发明的有益效果在于:
1)网络交付比率更高:本发明提出的面向时空特性变化认知的机会网络路由方法,与无时空特性变化认知机制的路由方法相比,网络交付比率更高。机会网络的网络交付比率受节点时空特性变化的影响。当节点时空特性发生改变时,网络交付比率下降,有节点时空特性变化认知机制的路由策略比无时空特性变化认知机制的路由策略对应的网络交付比率高。而且网络交付比率也受认知阈值γ的影响,γ越大节点时空特性变化认知的灵敏度越低,只能认知到节点时空特性变化范围大的节点,网络交付比率的改善越小;相反,γ越小节点时空特性变化认知机制的灵敏度越高,能认知到节点时空特性变化范围小的节点,网络交付比率的改善越大。
2)网络开销比率更低:本发明提出的节点时空特性变化认知机制的路由方法,与无时空特性变化认知机制的路由方法相比,当γ等于0.7时网络开销比率降低的平均值为0.98%,γ等于0.5时为0.73%,γ等于0.3时为0.63%。当节点时空特性发生变化时,无时空特性变化认知机制的路由策略对应的网络开销比率增大,主要原因是消息投递比率的下降,节点时空特性发生改变时,机会网络的网络交付比率降低,成功投递的消息数量减少;而在消息转发机制不改变的前提下,网络中消息的转发次数不受影响,因此网络开销比率提高。相反地,当认知到节点时空特性发生变化时,改变消息转发机制,以保证消息投递率不会急剧降低,同时降低网络开销。网络开销比率随着认知比率增加而减小,原因是认知比率越大,采用该多副本转发消息的节点越少,网络开销就越小。
3)平均延时降低:机会网络消息投递平均延时同样受到路由方法中节点时空特性变化认知机制的影响,与无时空特性变化认知机制的路由方法相比,当认知阈值γ等于0.7时消息投递平均延时降低的平均值为0.55%,γ等于0.5时为1.3%,γ等于0.3时为1.5%。在无时空特性变化认知机制的路由方法中,当节点时空特性发生变化时,消息投递平均延时会增大,原因是节点移动不再符合所建立的半马尔可夫模型,预测节点所处地理区域的概率值准确性降低,相应的消息转发过程会发生错误,从而导致消息在网络中被成功投递的时间增加。有节点时空特性变化认知机制的路由方法,在节点时空特性发生改变时改变消息转发机制,采用消息的多副本转发,从而降低成功投递消息的时间。相应地,当认知比率增大时消息投递平均延时增大,原因是认知比率越大,多副本转发的消息数量越少,消息投递平均延时改善就越小。
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为路由方法应用场景示意图;
图2为节点状态转移示意图;
图3为节点知识单元及其更新过程示意图;
图4为节点时空特性变化认知的消息转发策略示意图;
图5为面向节点时空特性变化认知的消息转发流程图;
图6为有时空特性变化认知机制和无时空特性变化认知机制的路由方法的网络交付率仿真图;
图7为有时空特性变化认知机制和无时空特性变化认知机制的路由方法的网络开销率仿真图;
图8为有时空特性变化认知机制和无时空特性变化认知机制的路由方法的平均延时仿真图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明首先建立半马尔可夫模型,在考虑转移区域时,将地理区域以外的空间在半马尔可夫模型中视为同一个状态,降低了节点的缓存空间和算法的时间复杂度。其次,在本发明的路由方法中,当认知到节点时空特性不再符合半马尔可夫模型时,改变已有的消息转发机制,采用消息的多副本转发;当认知到节点时空特性再次符合半马尔可夫模型时,恢复原有的消息转发机制。以此能实现该路由方法的自适应性。
1、图1为本发明的路由方法的应用场景,如图所示,拥有短距离通信接口的手持设备在各个地理区域之间移动,如教学楼、图书馆或者宿舍楼。各个地理区域都覆盖有局域网,区域与区域之间没有连接。仅当两节点处于同一个地理区域时,节点之间才会建立通信连接,否则通信连接处于断开状态。在实际场景中节点的移动具有无记忆性,即节点下一时刻所处的地理区域只与当前时刻所处的地理区域有关,与之前所处的地理区域无关。因此可采用时间离散、状态离散的半马尔可夫过程刻画节点的社会属性,建立移动模型。
将节点在地理区域之间的移动看作半马尔可夫链{(Xn,Tn):n≥0}的更新过程,Tn表示第n次状态转移的时间,Xn表示第n次转移到的状态。假设网络中共有M个地理区域和地理区域以外的区域间,状态空间对应于网络中的地理区域集合为S={1,2,...,M,0},其中0表示地理区域以外的空间,简称区域间。节点在地理区域之间的移动对应于半马尔可夫过程中状态之间的转移,随机变量Tn+1-Tn表示节点在地理区域内的停留时间。因此,对应的时间齐次半马尔可夫内核为:
将状态i到j的转移概率,即节点从地理区域i到j的概率用pij表示:
现定义节点移动到下一个地理区域j之前,节点在地理区域i的停留时间概率分布函数:
Hij(t)=P(Tn+1-Tn≤t|Xn+1=j,Xn=i)
于是:
如果不考虑节点下一时刻停留在哪一个地理区域,节点在地理区域i的停留时间概率分布函数为Gi(t)=P(Tn+1-Tn≤t|Xn=i),由半马尔可夫内核公式可知机会网络中节点时空特性变化模型表达式按照半马尔可夫链的特征可定义为:
X=(Xk,k∈N+)
2、k步状态转移概率:
k步状态转移概率函数fij(k)表示节点在初始时刻的状态为i,经过时间k后所处状态为j的概率值,节点的k步状态转移概率函数为:
其中为Q(k)的微差。
其中为H(k)的微差。因此,首先需要获得节点的状态转移概率pij及时间概率分布函数Hij(k)。
3、图2为节点状态转移示意图,统计节点在地理区域i处的转移频率获得pij,用Nij表示节点由地理区域i转移到j的转移次数,Ni表示节点由地理区域i转移到其他地理区域的总次数,pij=Nij/Ni。
Hij(k)表示节点在地理区域i的停留时间小于等于k且离开i后所到下一地理区域为j的概率值:
Hij(k)的求解过程为统计N(tij<k)/N(tij)的值,其中N(tij<k)表示在地理区域i的停留时间小于等于k且离开i后移动到区域j的次数,N(tij)表示从区域i移动到区域j的总次数。
4、节点接触效用值。
当网络运行到稳定状态时,可以求出节点稳态转移概率向量p=[p1,...pM,p0],其中,pτ表示节点处于地理区域τ的概率,并且p=p×P,P=|pij|为半马尔可夫链中状态转移概率矩阵,P为爪型矩阵。由节点在地理区域停留的时间概率分布函数Hi(k)可以求出平均停留时间向量即节点在每个地理区域停留的平均时长。是Hi(k)的平均值。
由节点的k步状态转移概率函数fij(k)可知,如果节点在0时刻处于状态i,那么在k时刻节点处于状态j的概率为fij(k)。因此在机会网络中,已知节点在0时刻处于地理区域i,则可以通过fij(k)计算出节点在k时刻处于地理区域j的概率。节点互相交换状态转移概率矩阵P和状态停留时间概率分布矩阵H,可对接触节点在未来时间所处状态进行评估。节点在本地保留的信息为<id,P,H,ID,TimeStamp>,其中id表示节点标识,ID表示地理区域标识,TimeStamp表示该条信息的记录时刻,接触节点依据TimeStamp相互更新记录。
假设节点移动是相互独立的过程,节点a在时刻ka所处状态为sa,节点b在时刻kb所处状态为sb,在未来时刻k时,节点a、b所处状态为τ的概率分别为则节点a、b在未来时刻k接触的预测值为:
其中,表示节点a、b在未来时刻k,在地理区域τ接触的概率值,τ∈(S-{0})表示节点只能在地理区域内接触,不能在区域间接触。本发明中的PER路由策略选取节点接触效用值C_Util为1≤k≤TTL,其中,c表示相遇节点,d表示目的节点,TTL表示消息的剩余生命时间。C_Util表示在消息的剩余生存时间内,相遇节点c与目的节点d能够接触的效用值。
5、时空特性变化认知机制。
由半马尔可夫链建立的节点时空特性变化模型可知,如果预测得到节点在未来时刻的状态与节点实际状态不吻合,则表明节点的时空特性发生改变,节点的移动不再符合所建模型。原有的消息转发方法不再有效,需要对其进行消息转发方法的调整。
假设节点当前时刻处于状态s,在未来时间段T内,节点在地理区域τ停留的最大概率pmax为:
统计在过去时间段T内,节点停留在地理区域τ的时间tτ,则在地理区域τ中停留时间比例为wτ=tτ/T。
将预测所得的pmax和统计得到的wτ之间的差值比率定义为认知比率:
若ρ大于阈值γ,表明节点时空特性发生改变;原有的依赖节点接触概率预测值的消息转发方法将不再有效;若ρ≤γ表明所建半马尔可夫模型预测准确,节点时空特性没有发生改变,或是节点时空特性恢复;原有的依赖节点接触概率预测值的消息转发策略仍然有效。
6、图3是节点知识单元及其更新过程示意图。
增加时空特性变化认知机制的节点,节点的知识单元会发生改变,增加预测记录Pre和统计记录Stat。节点在nT时刻按照公式(7)对节点在nT~(n+1)T时间段内最大概率值pmax对应的停留地理区域τpre进行预测;在(n+1)T时刻按照公式wτ=tτ/T对节点在nT~(n+1)T时间段内在地理区域τpre停留时间比例进行统计,然后求得认知比率。在(n+1)T时刻再次预测下一时间段T内的预测记录Pre,更新原有的数据,在(n+2)T时刻更新记录Stat,以此做循环步骤。称时间段T为时移窗口,称此过程为节点时空特性变化认知机制。
7、节点接触效用值的比较
假设节点a携带目的地址为节点d的消息M,当节点a与节点c相遇时,如果c与d的接触效用值大于a与d的接触效用值,则节点a将消息M转发给c,然后由c继续与相遇节点做接触效用值判断;否则a携带消息M,继续与相遇节点做接触效用值比较。循环以上接触效用值判断步骤,直到将消息转发到目的节点d,或是消息M的剩余生命时长TTL为零,M被丢弃。
如果机会网络节点的移动过程一直遵循所建立的半马尔可夫模型,那么消息的每次转发过程都是将消息转发到一个与目的节点发生接触机会更大的中继节点。现假设节点在某一段时间的地理区域访问倾向性和时间规律性发生改变,如一个学生在星期一至星期五期间和在周末的时空特性有明显的不同,其在星期一至星期五每天访问教学楼、图书馆、实验室等区域都具有时间规律性,而在周末的作息时间具有随机性。因此在周一至周五建立的半马尔可夫模型不再符合周末的移动过程,导致节点接触效用值的计算不再准确。相应地,基于节点接触效用值的消息转发策略不再是逐步将消息转发到一个与目的节点发生接触机会更大的中继节点。
8、图4是节点时空特性变化认知的消息转发策略
当节点a、b接触时,面向时空特性变化认知机制的消息转发策略。若a和b的时空特性都没有发生改变,则进行策略转发;若a的时空特性改变,b的时空特性未改变,则直接转发;若a的时空特性未改变,b的时空特性改变,则拒绝转发;若a和b的时空特性都改变,则复制消息。
9、图5是面向时空特性变化认知的消息转发流程图
以节点a向节点b转发消息M为例,M的目的节点为d,说明面向时空特性变化认知路由方法的消息转发流程。
S91根据时空特性变化认知机制判断节点a的时空特性是否发生改变。即比较节点a的认知比率ρ与认知阈值γ的大小,若ρ>γ,则转至S92;若ρ≤γ,则转至S93;
S92判断节点b的时空特性是否发生改变。即比较节点b的认知比率ρ与阈值γ的大小,若ρ>γ,则a向b复制消息;若ρ≤γ,则a向b转发消息;
S93比较节点b的认知比率ρ与阈值γ的大小,若ρ>γ,则a拒绝向b转发消息;若ρ≤γ,则转至S94;
S94若a与d的接触效用值比b与d的接触效用值小,则a向b转发消息;若a与d的接触效用值不小于b与d的接触效用值,则a不向b转发消息。
10、图6是有时空特性变化认知机制和无时空特性变化认知机制的路由策略的网络交付率仿真图:
机会网络的网络交付比率受节点时空特性变化的影响。当节点时空特性发生改变时,网络交付比率下降,有时空特性变化认知机制的路由方法比无时空特性变化认知机制的路由方法对应的网络交付比率高。网络交付比率也受认知阈值γ的影响,γ越大节点时空特性变化认知机制的灵敏度越低,只能认知到节点时空特性变化范围大的节点,网络交付比率的改善越小;相反,γ越小节点时空特性变化认知机制的灵敏度越高,能认知到节点时空特性变化范围小的节点,网络交付比率的改善越大。在仿真时间36到72小时内,当γ等于0.7时网络交付率平均值提升1.5%,γ等于0.5时为1.8%,γ等于0.3时为2%。在仿真时间72h时,节点时空特性恢复,网络交付比率逐渐恢复到节点时空特性变化之前的取值。
11、图7是有时空特性变化认知机制和无时空特性变化认知机制的路由方法的网络开销率仿真图:
网络开销比率描述的是机会网络成功投递一个消息需要的平均转发次数。机会网络开销比率与节点时空特性变化认知阈值γ的关系,与无认知机制的路由方法相比,当γ等于0.7时网络开销比率降低的平均值为0.98%,γ等于0.5时为0.73%,γ等于0.3时为0.63%。当节点时空特性发生变化时,无认知机制的路由方法对应的网络开销比率增大,主要原因是消息投递比率的下降,节点时空特性发生改变时,机会网络的网络交付比率降低,成功投递的消息数量减少;而在消息转发机制不改变的前提下网络中消息的转发次数不受影响,因此网络开销比率提高。相反地,当认知到节点时空特性发生变化时,改变消息转发机制,以保证消息投递率不会急剧降低,同时降低网络开销。网络开销比率随着认知比率增加而减小,原因是认知比率越大,采用该多副本转发消息的节点越少,网络开销就越小。
12、图8是有时空特性变化认知机制和无时空特性变化认知机制的路由方法的平均延时仿真图:
机会网络消息投递平均延时同样受到路由方法中节点时空特性变化认知机制的影响,与无认知机制的路由方法相比,当认知阈值γ等于0.7时消息投递平均延时降低的平均值为0.55%,γ等于0.5时为1.3%,γ等于0.3时为1.5%。在无节点时空特性认知机制的路由方法中,当节点时空特性发生变化时,消息投递平均延时会增大,原因是节点移动不再符合所建立的半马尔可夫模型,预测节点所处地理区域的概率值准确性降低,相应的消息转发过程会发生错误,从而导致消息在网络中被成功投递的时间增加。有节点时空特性变化认知的路由机制在节点时空特性发生改变时改变消息转发机制,采用消息的多副本转发,从而降低成功投递消息的时间。相应地,当认知比率增大时消息投递平均延时增大,原因是认知比率越大,多副本转发的消息数量越少,消息投递平均延时改善就越小。
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 (1)
1.一种面向时空特性变化认知的机会网络路由方法,其特征在于:在该方法中,在考虑转移区域时,将地理区域以外的空间在半马尔可夫模型中视为同一个状态,降低节点的缓存空间和算法的时间复杂度;当认知到节点时空特性不再符合半马尔可夫模型时,改变已有的消息转发机制,采用消息的多副本转发;当认知到节点时空特性再次符合半马尔可夫模型时,恢复原有的消息转发机制,实现所提路由方法的自适应性;具体包括以下步骤:
S1:节点移动半马尔可夫模型建立阶段:用于预测未来时刻节点处于某一地理区域的概率和节点间在未来时间段内接触的效用值;
S2:面向节点时空特性变化认知机制阶段:用于检测节点的时空特性变化与半马尔可夫模型是否相吻合;
S3:路由方法自适应性的实现阶段:用于携带消息的节点与相遇节点进行接触效用值的比较,以决定是否要转发消息;
所述步骤S1具体包括:
S11:将节点在地理区域之间的移动看作半马尔可夫链{(Xn,Tn):n≥0}的更新过程,Tn表示第n次状态转移的时间,Xn表示第n次转移到的状态;假设网络中共有M个地理区域和地理区域以外的区域间,状态空间对应于网络中的地理区域集合为S={1,2,...,M,0},其中0表示地理区域以外的空间,简称区域间;节点在地理区域之间的移动对应于半马尔可夫过程中状态之间的转移,随机变量Tn+1-Tn表示节点在地理区域内的停留时间,对应的时间齐次半马尔可夫内核为Qij(t);将状态i到j的转移概率,即节点从地理区域i到j的概率用pij表示:节点移动到下一个地理区域j之前,节点在地理区域i的停留时间概率分布函数为Hij(t)=P(Tn+1-Tn≤t|Xn+1=j,Xn=i),节点在地理区域i的停留时间概率分布函数为机会网络中节点移动模型表达式按照半马尔可夫链的特征可定义为:X=(Xk,k∈N+);
S12:k步状态转移概率函数表示节点在初始时刻的状态为i,经过时间k后所处状态为j的概率值,其中为H(k)的微差,fij(k)求解过程分为两种情况:在时间段k内节点状态没有发生改变,一直处于i状态(i=j);在时间段k内节点状态曾发生改变,假设节点的初始状态为i,在时间段k中的某一时刻状态转移到l,最后处于状态j;因此,首先需要获得节点的状态转移概率pij以及时间概率分布函数Hij(k);统计节点在地理区域i处的转移频率获得pij,用Nij表示节点由地理区域i转移到j的转移次数,Ni表示节点由地理区域i转移到其他地理区域的总次数,pij=Nij/Ni;Hij(k)表示节点在地理区域i的停留时间小于等于k且离开i后所到下一地理区域为j的概率值:Hij(k)的求解过程为统计N(tij<k)/N(tij)的值,其中N(tij<k)表示在地理区域i的停留时间tij小于等于k且离开i后移动到区域j的次数,N(tij)表示从区域i移动到区域j的总次数;
S13:当网络运行到稳定状态时,求出节点稳态转移概率向量p=[p1,...pM,p0],其中pτ表示节点处于地理区域τ的概率,并且p=p×P,P=|pij|为半马尔可夫链中状态转移概率矩阵,P为爪型矩阵;由节点在地理区域停留的时间概率分布函数Hi(k)求出平均停留时间向量即节点在每个地理区域停留的平均时长,是Hi(k)的平均值;由节点的k步状态转移概率函数fij(k)可知,如果节点在0时刻处于状态i,那么在k时刻节点处于状态j的概率为fij(k);因此在机会网络中,已知节点在0时刻处于地理区域i,则通过fij(k)计算出节点在k时刻处于地理区域j的概率;节点互相交换状态转移概率矩阵P和状态停留时间概率分布矩阵H,即可对接触节点在未来时间所处状态进行评估;节点在本地保留的信息为<id,P,H,ID,TimeStamp>,其中id表示节点标识,ID表示地理区域标识,TimeStamp表示该条信息的记录时刻,接触节点依据TimeStamp相互更新记录;假设节点移动是相互独立的过程,节点a在时刻ka所处状态为sa,节点b在时刻kb所处状态为sb,在未来时刻k时,节点a、b所处状态为τ的概率分别为则节点a、b在未来时刻k接触的预测值为其中,表示节点a、b在未来时刻k,在地理区域τ接触的概率值,τ∈(S-{0})表示节点只能在地理区域内接触,不能在区域间接触;路由策略选取节点接触效用值为1≤k≤TTL,表示在消息的剩余生存时间内,相遇节点c与目的节点d能够接触的效用值,其中,c表示相遇节点,d表示目的节点,TTL表示消息的剩余生命时间;
所述步骤S2中,所述节点时空特性变化认知机制具体为:增加时空特性变化认知机制的节点,节点的知识单元会发生改变,增加预测记录Pre和统计记录Stat;在nT时刻对节点在nT~(n+1)T时间段内最大概率值pmax对应的停留地理区域τpre进行预测;在(n+1)T时刻对节点在nT~(n+1)T时间段内在地理区域τpre停留时间比例进行统计,然后求得认知比率;在(n+1)T时刻再次预测下一时间段T内的预测记录Pre,更新原有的数据,在(n+2)T时刻更新记录Stat,以此做循环步骤;称时间段T为时移窗口,称此过程为节点时空特性变化认知机制;
所述检测节点的时空特性变化与半马尔可夫模型是否相吻合的具体分为以下两种情况:
(1)由半马尔可夫链建立的节点移动模型可知,如果预测得到节点在未来时刻的状态与节点实际状态不吻合,则表明节点的时空特性发生改变,节点的移动不再符合所建模型;原有的消息转发策略不再有效,需要对其进行消息转发策略的调整;即:若认知比率ρ大于阈值γ,表明节点时空特性发生改变;原有的依赖节点接触概率预测值的消息转发策略将不再有效,需要对其进行消息转发策略的调整;
(2)若ρ≤γ表明所建半马氏模型预测准确,节点时空特性没有发生改变,或是节点时空特性恢复;原有的依赖节点接触概率预测值的消息转发策略仍然有效;
所述认知比率ρ的计算过程为:假设节点当前时刻处于状态s,在未来时间段T内,节点在地理区域τ停留的最大概率为统计在过去时间段T内,节点停留在地理区域τ的时间为tτ,则在地理区域τ中停留时间比例为wτ=tτ/T;将预测所得的pmax和统计得到的wτ之间的差值比率定义为认知比率
所述步骤S3具体包括:
步骤S2中第(1)种情况具体包括:如果节点在某一段时间的地理区域访问倾向性和时间规律性发生改变,则此时该节点的时空特性变化过程不再符合半马尔可夫模型,导致节点接触效用值的计算不再准确,相应地,基于节点接触效用值的消息转发策略不再是逐步将消息转发到一个与目的节点发生接触机会更大的中继节点;当节点a、b接触时,若a和b的时空特性都没有发生改变,则进行策略转发;若a的时空特性改变,b的时空特性未改变,则直接转发;若a的时空特性未改变,b的时空特性改变,则拒绝转发;若a和b的时空特性都改变,则复制消息;
步骤S2中第(2)种情况具体包括:
S31:如果机会网络中节点的时空特性变化过程一直遵循所建立的半马尔可夫模型,那么消息的每次转发过程都是将消息转发到一个与目的节点发生接触机会更大的中继节点;假设节点a携带目的地址为节点d的消息M,当节点a与节点c相遇时,如果c与d的接触效用值大于a与d的接触效用值,则节点a将消息M转发给c,然后由c继续与相遇节点做接触效用值判断;
S32:如果c与d的接触效用值小于或等于a与d的接触效用值,则a携带消息M,继续与相遇节点做接触效用值比较;
S33:循环以上接触效用值判断步骤,直到将消息转发到目的节点d,或是消息M的剩余生命时长TTL为零,M被丢弃。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610353633.XA CN106060887B (zh) | 2016-05-25 | 2016-05-25 | 面向时空特性变化认知的机会网络路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610353633.XA CN106060887B (zh) | 2016-05-25 | 2016-05-25 | 面向时空特性变化认知的机会网络路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106060887A CN106060887A (zh) | 2016-10-26 |
CN106060887B true CN106060887B (zh) | 2019-10-25 |
Family
ID=57175223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610353633.XA Active CN106060887B (zh) | 2016-05-25 | 2016-05-25 | 面向时空特性变化认知的机会网络路由方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106060887B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106604222A (zh) * | 2016-11-21 | 2017-04-26 | 四川大学 | 一种基于时空关系的移动社会网络路由方法 |
CN107071852B (zh) * | 2017-06-06 | 2018-04-03 | 陕西师范大学 | 面向移动机会社会网络的社会感知和概率预测的路由方法 |
CN107318117A (zh) * | 2017-06-12 | 2017-11-03 | 三峡大学 | 一种占空比机会移动网络中基于预期的接触值的自适应工作方法 |
CN107333312B (zh) * | 2017-08-01 | 2019-03-05 | 陕西师范大学 | 机会网络中的路由选择方法 |
CN108075975B (zh) * | 2017-12-28 | 2020-10-16 | 吉林大学 | 一种物联网环境中的路由传输路径的确定方法及确定系统 |
CN109168183B (zh) * | 2018-09-19 | 2021-07-20 | 东南大学 | 一种基于移动特征和社交关系的机会网络多播路由方法 |
CN110809303B (zh) * | 2019-11-11 | 2022-06-10 | 华中师范大学 | 一种基于节点地理位置的移动机会网络路由方法 |
CN111970200B (zh) * | 2020-08-27 | 2022-02-01 | 华中师范大学 | 一种基于效用值的概率路由方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478805A (zh) * | 2009-01-20 | 2009-07-08 | 中国科学院软件研究所 | 一种基于机会通信的DTN网络Anycast路由方法 |
CN101977226A (zh) * | 2010-10-28 | 2011-02-16 | 北京航空航天大学 | 一种新型的机会网络数据传输方法 |
CN103501512A (zh) * | 2013-10-22 | 2014-01-08 | 中国人民解放军理工大学 | 基于簇的wsn可生存路由方法及生存性评估模型 |
CN104901888A (zh) * | 2015-06-03 | 2015-09-09 | 安徽大学 | 一种基于活跃性调节的时延容忍网络数据路由方法 |
-
2016
- 2016-05-25 CN CN201610353633.XA patent/CN106060887B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478805A (zh) * | 2009-01-20 | 2009-07-08 | 中国科学院软件研究所 | 一种基于机会通信的DTN网络Anycast路由方法 |
CN101977226A (zh) * | 2010-10-28 | 2011-02-16 | 北京航空航天大学 | 一种新型的机会网络数据传输方法 |
CN103501512A (zh) * | 2013-10-22 | 2014-01-08 | 中国人民解放军理工大学 | 基于簇的wsn可生存路由方法及生存性评估模型 |
CN104901888A (zh) * | 2015-06-03 | 2015-09-09 | 安徽大学 | 一种基于活跃性调节的时延容忍网络数据路由方法 |
Non-Patent Citations (3)
Title |
---|
An Efficient Prediction-Based Routing in Disruption-Tolerant Networks;Quan Yuan 等;《IEEE TRANSACTIONS ON PARALLEL AND DISTRIBUTED SYSTEMS》;20110512;全文 * |
Data Distribution Mechanism over Opportunistic;Guo Da 等;《China Communications》;20150615;全文 * |
基于动态半马尔可夫路径搜索模型的DTN分簇路由方法;王恩 等;《计算机学报》;20150519;第38卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106060887A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106060887B (zh) | 面向时空特性变化认知的机会网络路由方法 | |
Al-Turjman | Cognitive routing protocol for disaster-inspired internet of things | |
Sathyasri et al. | Performance Evaluation of Efficient and Reliable Routing Protocol Algorithm | |
Jan et al. | PASCCC: Priority-based application-specific congestion control clustering protocol | |
Chanak et al. | Energy-aware distributed routing algorithm to tolerate network failure in wireless sensor networks | |
Misra et al. | Policy controlled self-configuration in unattended wireless sensor networks | |
Kakarla et al. | A new optimal delay and energy efficient coordination algorithm for WSAN | |
Yau et al. | Application of reinforcement learning to wireless sensor networks: models and algorithms | |
TW200408232A (en) | Intelligent communication node object beacon framework(ICBF) with temporal transition network protocol (TTNP) in a mobile AD hoc network | |
AU2004201581A1 (en) | Predictive routing including the use of fuzzy logic in a mobile ad hoc network | |
CN109922513A (zh) | 一种基于移动预测和时延预测的olsr路由方法及系统 | |
Chen et al. | GAR: Group aware cooperative routing protocol for resource-constraint opportunistic networks | |
CN105636062A (zh) | 一种面向业务适度服务的认知无线网络传输学习方法 | |
Chhabra et al. | Data fusion and data aggregation/summarization techniques in WSNs: A review | |
CN114423061A (zh) | 一种基于注意力机制和深度强化学习的无线路由优化方法 | |
CN107708086B (zh) | 一种无线传感器和执行器网络的移动能量补充方法 | |
Al-Maitah et al. | An optimal storage utilization technique for IoT devices using sequential machine learning | |
Sumathy et al. | An Efficient Prevention and Challenges in Wireless Sensor Networks for Energy and Security Concern | |
Elwhishi et al. | SARP-a novel multi-copy routing protocol for intermittently connected mobile networks | |
Peng et al. | An adaptive real-time routing scheme for wireless sensor networks | |
Yang et al. | Hybrid cooperative caching based iot network considering the data cold start | |
Sebastin Suresh et al. | Fuzzy logic based nodes distributed clustering for energy efficient fault tolerance in IoT-enabled WSN | |
CN106454937A (zh) | 一种移动终端缓存空间的分配控制方法 | |
Akinola et al. | Link state prediction in mobile ad hoc network using Markov renewal process | |
Wang et al. | Multicast Optimization and Node Fast Location Search Method for Wireless Sensor Networks Based on Ant Colony Algorithm. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |