CN106358243A - 一种海空广域自组织网络分簇方法 - Google Patents

Abstract

本发明涉及一种海空广域自组织网络分簇方法，所述网络包括若干个超视距范围分布的节点，所有节点首先获取自身的位置信息，并通过邻居发现获取全网节点的位置等信息；其次基于最近邻分类思想建立伪最近邻分类模型；然后利用伪最近邻分类对网络节点进行分簇，将地理位置接近的节点划入一个簇中；并且当分簇结果不满足需要时可再次进行调整，通过获取新的伪训练样本集，从而得到新的分簇结果，最后设定簇合并及簇分裂机制，有效实现簇间负载的均衡。本发明的分簇方式可以将路由重构、资源重新分配尽可能限制在簇内，避免了拓扑局部变化对整个网络造成影响，并降低了路由重构和资源重新分配的开销。

Description

一种海空广域自组织网络分簇方法

技术领域

本发明涉及一种自组织网络分簇方法，具体地说是一种海空广域自组织网络分簇方法。

背景技术

海空广域自组织网络中各节点的运动速度快慢不一，使得不同区域的网络拓扑结构变化很大，拓扑变化将引起路由重构、信道资源重新分配，大大降低了通信链路的可靠性。而分簇可以将路由重构、资源重新分配尽可能限制在簇内，避免了拓扑局部变化对整个网络造成影响，并降低了路由重构和资源重新分配的开销。由于海空广域自组织网络的特殊应用背景，要求簇内节点具有一定的集群性，即要求簇内节点地理位置接近，并且要求簇结构能够根据需求实时调整。而传统的分簇方法大都采用节点以一定的概率通过竞争的方式产生簇头，其余普通节点根据一定的规则(如信号接收强度)加入的方式形成簇。大都缺乏结合应用需求如按地理位置、负载均衡等因素进行分簇，并且分簇结果不能调整。因此，亟待需要设计簇内节点具有集群性、簇结构能够实时调整的分簇方法。

发明内容

本发明的目的就是提供一种海空广域自组织网络分簇方法，用于超视距范围分布的N个节点的海空广域自组织网络，该分簇方法基于节点位置信息，能将地理位置集群的节点划入一个簇中，并能根据要求实时调整簇结构，从而满足海空广域自组织网络的需求，以解决传统分簇方法缺乏结合应用需求进行分簇，且分簇结果不能调整的问题。

本发明的目的是这样实现的：

一种海空广域自组织网络分簇方法，所述网络包括若干个超视距范围分布的节

点，包括如下步骤：

步骤(1)：为每个节点设置唯一的标识符ID，所有节点通过卫星定位系统获取自身的位置信息；

所述卫星定位系统为GPS或北斗卫星导航系统；

步骤(2)：每个节点通过邻居发现过程获取网络内其他节点的位置信息及邻接关系；

步骤(3)：基于模式识别最近邻分类理论建立伪最近邻分类模型；

步骤(4)：利用伪最近邻分类模型对节点进行分类；

步骤(5)：设定每个簇的节点数目的上限U和下限L，

若一个簇的节点数小于L，则寻找其邻居簇进行合并，且要求合并后的簇满足节点数小于等于U的要求，若合并后的簇的节点数大于U，则将该合并后的簇返回步骤(4)进行再分类；

若一个簇的节点数大于U，则将该簇返回步骤(4)进行再分类；

经过该步骤，实现将网络节点分为若干类，每类节点构成网络的一个簇；

步骤(6)：选择簇头节点和网关节点

在每个簇中选择与网络几何中心距离最短的节点作为簇头节点，若满足条件的簇头节点多于一个，则将其中ID较小的节点作为簇头节点；

计算每个簇中每个节点与相邻簇中所有节点之间的链路长度，将该两个簇之间的最短链路对应的节点作为网关节点，若满足条件的网关节点多于一个，则以其中ID较小的节点作为网关节点。

所述的海空广域自组织网络分簇方法，步骤(2)中所述的邻居发现过程，其主要包括如下步骤：

步骤(2a)：为每个节点设置一个邻居节点列表NList，用以存储邻居节点的标识符ID和位置信息，列表初始为空；

步骤(2b)：节点随机选择一个时间发送Hello消息，消息中附带其标识符ID、位置信息和列表NList信息，消息发送完毕，节点立即进入接收状态；

步骤(2c)：若节点在Δt内收到其它节点的Hello消息，则将发送该Hello消息的节点的标识符ID添加到NList中并转入步骤(2b)；若节点在Δt内没有收到其它节点发送的Hello消息，则直接转入步骤(2b)。

所述的海空广域自组织网络分簇方法，步骤(3)中伪最近邻分类模型的建立主要包括如下步骤：

步骤(3a)：以节点分布区域的几何中心O为原点，在其分布区域的二维平面内建立直角坐标系；任意给定α，其中α∈[0,π)，以α为倾斜角作一条穿过原点的直线l’，同时过原点作直线l’的垂线l；

步骤(3b)：以直线l’为边界，将网络节点分为两类，具体分类过程包括如下步骤：

步骤(3b1)：从直线l上选取属于两个不同象限的任意两点v和v’，假设xi是网络的任意一个节点，规定由原点O指向v的向量设为R，由原点O指向v’的向量设为R'，由原点O指向xi的向量设为G，并规定向量G和R的夹角为θ，向量G和R'的夹角为θ'；

步骤(3b2)：选择伪训练样本集

将v和v’的位置坐标分别作为类ω1和类ω2的训练样本集；

步骤(3b3)：确定决策规则

由于伪训练样本集的伪训练样本都位于同一条直线上，故节点x_i与每个伪训练样本集的任意一个伪训练样本的夹角都是相同的，故可设定ω_i类的判别函数为：

其中，

若

则决策

x∈ω_j………………式(Ⅴ)。

所述的海空广域自组织网络分簇方法，步骤(4)中利用伪最近邻分类模型对节点进行分类，其主要包括如下步骤：

步骤(4a)：设置以下参量：

①角度α与β，α,β∈[0,π)，其中α表示边界与x轴之间的夹角，β表示边界所在直线每次转过的角度，而边界是指在直角坐标系中倾斜角为α、穿过原点O的直线l’；

②依据网络规模要求设定一个常数X，X表示不同簇的簇成员节点数目之差的上限；

步骤(4b)：伪训练样本集的选取

以直角坐标系中倾斜角为α，穿过原点O的直线l’为边界，将边界的垂线l上若干离散点的集合作为伪训练样本集，伪训练样本集所在直线l的函数表达式为：

伪训练样本集所在直线l的正方向上随机选取伪训练样本v作为ω₁类的训练样本集，负方向上随机选取伪训练样本v’作为ω₂类的训练样本集，直线l的正方向选取遵循以下规则：

①α＝0时，将直线l位于y轴正半轴部分设定为正方向；

②α∈(0,π/2)时，将直线l位于第二象限的部分设定为正方向；

③α＝π/2时，将直线l位于x轴负半轴部分设定为正方向；

④α∈(π/2,π)时，将直线l位于第三象限的部分设定为正方向；

步骤(4c)：利用伪最近邻分类模型对节点进行分类

将步骤(4b)中得到的伪训练样本集作为伪最近邻分类模型的训练样本集，从而将全网节点分为ω₁和ω₂两类节点，

步骤(4d)：若两类节点同时满足规则1和规则2，则转入步骤(5)，否则，令α＝α+β并返回步骤(4b)；其中：

规则1：||ω₁|-|ω₂||≤X，即两类节点的节点数目之差不超过X；

规则2：每类节点组成的子网能构成连通的网络。

所述的海空广域自组织网络分簇方法，节点分布区域的几何中心O的确定方法是：

将节点的位置信息表示为纬度x和经度y组成的虚拟坐标对(x，y)，通过获取所有节点的位置信息求出网络节点分布区域的几何中心O的坐标(x₀，y₀)，其中，x₀和y₀的计算方式如下：

其中，N为待分类节点的总数，x_i、y_i分别为第i个节点的纬度和经度，i＝1,2,3，…，N。

本发明涉及一种海空广域自组织网络分簇方法，所述网络包括若干个超视距范围分布的节点，所有节点首先通过GPS或北斗获取自身的位置信息，并通过邻居发现获取全网节点的位置等信息；其次基于模式识别中的最近邻分类思想建立伪最近邻分类模型；然后利用伪最近邻分类对网络节点进行分簇，能将地理位置接近的节点划入一个簇中，簇之间交叠区域较小；并且当分簇结果不满足需要时可再次进行调整，通过获取新的伪训练样本集，从而得到新的分簇结果，最后设定簇合并及簇分裂机制，有效实现簇间负载的均衡。

基于其特殊的应用背景，海空广域自组织网络通常要求簇内节点具有一定的集群性及较好的簇结构稳定性，并且要求簇结构能够根据要求实时调整。本发明针对海空广域自组织网络节点的移动性会影响网络性能的问题，分簇可以将路由重构、资源重新分配尽可能限制在簇内，避免了拓扑局部变化对整个网络造成影响，并降低了路由重构和资源重新分配的开销。从而本发明克服了一般分簇算法在输入参数确定时，分簇结果是唯一的缺陷，能有效满足海空广域自组织网络在某些特定的应用(如协同作战)中簇内节点具有一定集群性的要求；负载均衡性好。

附图说明

图1是本发明的实现总流程图。

图2是本发明中邻居发现流程图。

图3是本发明中决策设定过程示意图。

图4是本发明中节点分类流程图。

图5是本法明网络节点初始位置分布图。

图6是网络节点分簇结果。

图7是依据网络节点分簇结果所选择出的簇头节点。

图8是依据网络节点分簇结果所选择出的网关节点。

具体实施方式

将300km*300km超视距范围内的20个节点作为一个网络，按以下步骤(1)～(6)进行处理，图1是本发明实现总流程图。

步骤(1)：为每个节点分配唯一的标识符(ID)，所有节点通过GPS或北斗卫星定位系统获取自身的位置信息，本例中所涉及的节点(初始位置)见表1及图5。

表1：节点ID、节点位置坐标信息

节点编号(ID)	坐标(单位:km)
		1	(348.91,171.32)
2	(68.43,4.58)
		3	(260.15,149.13)
4	(150.15,170.68)
		5	(208.47,125.97)
6	(190.21,7.29)
		7	(70.21,130.65)
8	(307.83,237.19)
		9	(278.46,328.45)
10	(341.20,48.52)
		11	(256.36,294.12)
12	(276.53,246.58)
		13	(15.49,77.19)
14	(131.13,256.26)
		15	(88.78,33.34)
16	(391.75,81.43)
		17	(394.12,247.32)
18	(97.89,209.63)
		19	(283.56,101.02)
20	(45.32,221.03)

步骤(2)：每个节点通过定向邻居发现过程获取网络内其他节点的位置及邻接信息，即获取全网的拓扑结构。

参照图2，按步骤(2a)～(2c)实现邻居发现过程：

步骤(2a)：为每个节点设置一个邻居节点列表NList，用以存储邻居节点标识符(ID)和位置信息，列表初始为空；

步骤(2b)：节点随机选择一个时间发送Hello消息，消息中附带其标识符ID、位置信息和列表NList信息，消息发送完毕，节点立即进入接收状态；

步骤(2c)：若节点在Δt(一般为0.01ms)内收到其它节点的Hello消息，则将该Hello消息发送节点的ID添加到NList中，并转入步骤(2b)；若节点在Δt内没有收到其它节点的Hello消息，则转入步骤(2b)，如此循环，节点即可获取全网节点的位置及邻接信息。

步骤(3)：基于模式识别最近邻分类理论建立伪最近邻分类模型。

首先计算节点分布区域的几何中心O，然后按照步骤(3a)～(3c)建立为最近邻分类模型：

节点分布区域的几何中心O的计算过程是：

将节点的位置信息表示为由纬度x和经度y组成的虚拟坐标对(x,y)，通过获取所有节点的位置信息即可求出网络节点分布区域的几何中心O的坐标(x₀,y₀)，x₀和y₀按下式(Ⅵ)计算得到：

式(Ⅵ)中，N为节点总数，本例中N＝20。

步骤(3a)：以几何中心O为原点，在节点分布区域的二维平面内建立直角坐标系。

步骤(3b)：任意给定弧度角α，其中α∈[0,π)，并以α为倾斜角作一条穿过原点的直线l’，同时过原点作直线l’的垂线l。本例中，α＝0。

步骤(3c)：以直线l’为边界，将网络节点分为两类，详见步骤(3c1)～(3c3)：

步骤(3c1)：如图3，从直线l上选取属于两个不同象限的任意两点v和v’，假设x_i是网络的任意一个节点，规定由原点O指向v的向量设为R，由O指向v’的向量设为R’，由O指向x_i位置的向量设为G，并假设向量G和R的夹角为θ，向量G和R’的夹角为θ'；

步骤(3c2)：选择伪训练样本集

将v和v’的位置坐标分别作为类ω₁和类ω₂的伪训练样本集(由于v和v’的位置信息不是网络实际节点的位置信息，因此称为伪训练样本集)，则此时若将以l’为边界将网络分为两个簇，则问题转化为有2个类别ω₁、ω₂的伪最近邻分类问题，且每类都有标明类别的伪样本；

步骤(3c3)：确定决策规则

由于伪训练样本集的伪训练样本都位于同一条直线上，故x_i(即相关的向量G)与每个伪训练样本集的任意一个伪训练样本(及相关的向量R和R’)的夹角都是相同的，故可设定ω_i类的判别函数为：

其中，

若

则决策

x∈ω_j………………式(Ⅴ)。

步骤(4)：利用伪最近邻分类模型对节点进行分类，参照图4，本发明利用伪最近邻分类模型对节点进行分类包括如下步骤(4a)～(4c)：

步骤(4a)：利用伪最近邻分类模型对节点进行分类，主要包括如下几个步骤：

步骤(4a1)：在对节点进行分类之前，首先设置以下参量：

①角度α与β，α,β∈[0,π)(弧度制)，其中α含义与步骤(3)中α含义相同，表示边界与x轴之间的夹角，β表示边界所在直线每次转过的角度，而边界是指在直角坐标系中倾斜角为α、穿过原点O的直线l’；本例中，初始值α＝0，β＝π/36；

②依据网络规模要求设定一个常数X，表示不同簇的簇成员节点数目之差的上限，本例中常数X＝2。

为实现簇间负载的均衡、提高网络整体性能，要求各个簇的节点总数接近，当各个簇节点数目相等时，网络负载均衡性最好。因此，要求各个簇的节点总数接近。但为了提高分簇效率、节约分簇开销，当在确定的α处，若两个簇的节点总数之差不超过算法设定的X，则认为分簇成功，X的值一般不超过2，即X取值一般为0、1或2。

步骤(4b)：选取伪训练样本集

伪训练样本集所在直线l的函数表达式为：

伪训练样本集所在直线l的正方向上随机选取伪训练样本v作为ω₁类的训练样本，负方向上随机选取v’伪训练样本作为ω₂类的训练样本，其中，直线l的正方向选取遵循以下规则：

①α＝0时，将直线l位于y轴正半轴部分设定为正方向；

②α∈(0,π/2)时，将直线l位于第二象限的部分设定为正方向；

③α＝π/2时，将直线l位于x轴负半轴部分设定为正方向；

④α∈(π/2,π)时，将直线l位于第三象限的部分设定为正方向。

初始样本集为全体节点组成的集合。首先将初始样本集分为两类，该问题转化为有2个类别ω₁、ω₂的模式识别问题。因此，在对样本集进行分类之前，首先要确定每个类别的训练样本集。

步骤(4c)：利用伪最近邻分类模型对节点进行分类

将步骤(4b)中得到的伪训练样本集作为伪最近邻分类模型的训练样本集，从而将全网节点分为ω₁和ω₂两类，若两类节点同时满足规则1和规则2，则转入步骤(5)，否则，令α＝α+β并返回步骤(4b)，其中规则1和规则2分别为：

规则1：||ω₁|-|ω₂||≤X，即两类节点的节点数目之差不超过X；

规则2：每类节点组成的子网能构成连通的网络：

所有的分簇都要求每个簇内所有节点能构成一个连通的子网，即子网内任意一对节点之间都存在一条路径，通俗讲，即任意节点u发送的消息都能直接或经过簇内其余节点的转发到达簇内其余任意一个节点。这样才能保证信息在子网内能共享给每个节点。

步骤(5)：设定每个簇的节点数目的上限U和下限L，若一个簇的节点数小于L，则寻找其邻居簇进行合并，且要求合并后的簇满足节点数小于等于U的要求，若合并后的簇的节点数大于U，则将该合并后的簇返回步骤(4)进行再分类；

若一个簇的节点数大于U，则将该簇返回步骤(4)进行再分类；

经过以上步骤，将网络节点分为若干类，每类节点一起构成了网络的一个簇，分类结果如图6所示。

步骤(6)：选择簇头节点和网关节点

步骤(6a)：选择簇头节点

计算簇中每个节点与网络几何中心的距离，以节点v为例，假设其位置坐标为(x，y)，与几何中心的距离为d，d的计算公式为：

每个簇中选择与几何中心O距离最近的节点作为簇头，若最小距离相等则通过节点ID区分，将节点ID较小的节点作为簇头节点，结果如图7所示。

步骤(6b)：选择网关节点

计算按照公式(Ⅰ)计算每个节点与相邻簇中所有节点之间的链路长度，将相邻簇之间的最短链路对应的节点作为网关节点，若最短链路对应节点数多于一个，则选择节点ID较小的节点作为网关节点，结果如图8所示。

Claims (5)

1.一种海空广域自组织网络分簇方法，所述网络包括若干个超视距范围分布的节点，其特征是，包括如下步骤：

步骤(1)：为每个节点设置唯一的标识符ID，所有节点通过卫星定位系统获取自身的位置信息；

步骤(2)：每个节点通过邻居发现过程获取网络内其他节点的位置信息及邻接关系；

步骤(3)：基于模式识别最近邻分类理论建立伪最近邻分类模型；

步骤(4)：利用伪最近邻分类模型对节点进行分类；

步骤(5)：设定每个簇的节点数目的上限U和下限L，

若一个簇的节点数小于L，则寻找其邻居簇进行合并，且要求合并后的簇满足节点数小于等于U的要求，若合并后的簇的节点数大于U，则将该合并后的簇返回步骤(4)进行再分类；

若一个簇的节点数大于U，则将该簇返回步骤(4)进行再分类；

经过该步骤，实现将网络节点分为若干类，每类节点构成网络的一个簇；

步骤(6)：选择簇头节点和网关节点

在每个簇中选择与网络几何中心距离最短的节点作为簇头节点，若满足条件的簇头节点多于一个，则将其中ID较小的节点作为簇头节点；

计算每个簇中每个节点与相邻簇中所有节点之间的链路长度，将该两个簇之间的最短链路对应的节点作为网关节点，若满足条件的网关节点多于一个，则以其中ID较小的节点作为网关节点。

2.根据权利要求1所述的海空广域自组织网络分簇方法，其特征是，步骤(2)中所述的邻居发现过程，其主要包括如下步骤：

步骤(2a)：为每个节点设置一个邻居节点列表NList，用以存储邻居节点的标识符ID和位置信息，列表初始为空；

步骤(2b)：节点随机选择一个时间发送Hello消息，消息中附带其标识符ID、位置信息和列表NList信息，消息发送完毕，节点立即进入接收状态；

步骤(2c)：若节点在Δt内收到其它节点的Hello消息，则将发送该Hello消息的节点的标识符ID添加到NList中并转入步骤(2b)；若节点在Δt内没有收到其它节点发送的Hello消息，则直接转入步骤(2b)。

3.根据权利要求1所述的海空广域自组织网络分簇方法，其特征是，步骤(3)中伪最近邻分类模型的建立主要包括如下步骤：

步骤(3a)：以节点分布区域的几何中心O为原点，在其分布区域的二维平面内建立直角坐标系；任意给定α，其中α∈[0,π)，以α为倾斜角作一条穿过原点的直线l’，同时过原点作直线l’的垂线l；

步骤(3b)：以直线l’为边界，将网络节点分为两类，具体分类过程包括如下步骤：

步骤(3b1)：从直线l上选取属于两个不同象限的任意两点v和v’，假设x_i是网络的任意一个节点，规定由原点O指向v的向量设为R，由原点O指向v’的向量设为R'，由原点O指向x_i的向量设为G，并规定向量G和R的夹角为θ，向量G和R'的夹角为θ'；

步骤(3b2)：选择伪训练样本集

将v和v’的位置坐标分别作为类ω₁和类ω₂的训练样本集；

步骤(3b3)：确定决策规则

由于伪训练样本集的伪训练样本都位于同一条直线上，故节点x_i与每个伪训练样本集的任意一个伪训练样本的夹角都是相同的，故可设定ω_i类的判别函数为：

其中，

若

则决策

x∈ω_j………………式(Ⅴ)。

4.根据权利要求3所述的海空广域自组织网络分簇方法，其特征是，步骤(4)中利用伪最近邻分类模型对节点进行分类，其主要包括如下步骤：

步骤(4a)：设置以下参量：

①角度α与β，α,β∈[0,π)，其中α表示边界与x轴之间的夹角，β表示边界所在直线每次转过的角度，而边界是指在直角坐标系中倾斜角为α、穿过原点O的直线l’；

②依据网络规模要求设定一个常数X，X表示不同簇的簇成员节点数目之差的上限；

步骤(4b)：伪训练样本集的选取

以直角坐标系中倾斜角为α，穿过原点O的直线l’为边界，将边界的垂线l上若干离散点的集合作为伪训练样本集，伪训练样本集所在直线l的函数表达式为：

伪训练样本集所在直线l的正方向上随机选取伪训练样本v作为ω₁类的训练样本集，负方向上随机选取伪训练样本v’作为ω₂类的训练样本集，直线l的正方向选取遵循以下规则：

①α＝0时，将直线l位于y轴正半轴部分设定为正方向；

②α∈(0,π/2)时，将直线l位于第二象限的部分设定为正方向；

③α＝π/2时，将直线l位于x轴负半轴部分设定为正方向；

④α∈(π/2,π)时，将直线l位于第三象限的部分设定为正方向；

步骤(4c)：利用伪最近邻分类模型对节点进行分类

将步骤(4b)中得到的伪训练样本集作为伪最近邻分类模型的训练样本集，从而将全网节点分为ω₁和ω₂两类节点，

步骤(4d)：若两类节点同时满足规则1和规则2，则转入步骤(5)，否则，令α＝α+β并返回步骤(4b)；其中：

规则1：||ω₁|-|ω₂||≤X，即两类节点的节点数目之差不超过X；

规则2：每类节点组成的子网能构成连通的网络。

5.根据权利要求3所述的海空广域自组织网络分簇方法，其特征是，节点分布区域的几何中心O的确定方法是：

将节点的位置信息表示为纬度x和经度y组成的虚拟坐标对(x，y)，通过获取所有节点的位置信息求出网络节点分布区域的几何中心O的坐标(x₀，y₀)，其中，x₀和y₀的计算方式如下：

其中，N为待分类节点的总数，x_i、y_i分别为第i个节点的纬度和经度，i＝1,2,3，…，N。