CN106656819A - 一种基于时间表的dtn机会预测路由方法 - Google Patents

Abstract

本发明公开了一种基于时间表的容迟容断网络(DTN)机会预测路由方法，在研究现有容迟容断网络路由机制的基础上，针对战场特殊环境和移动车队的特点设计了集结‑展开移动模型和基于时间表的机会预测DTN路由算法及缓存管理策略，能够根据移动节点活动时间表预测节点的物理位置和节点之间相遇的机率，进而做出优化的信息转发决策，使得在战场环境高延时、链路频繁中断的条件下能够保持网络通信畅通，提高信息传输的可靠性、数据吞吐量并减少投递时延，从而增强战场环境下DTN通信网络的生存能力。

Description

一种基于时间表的DTN机会预测路由方法

技术领域

本发明涉及一种基于时间表的DTN机会预测路由方法，针对复杂多变的战场或应急通信环境设计高效的DTN路由算法以提高数据转发效率和可靠性，本发明涉及DTN网络技术、DTN节点移动模型和机会预测路由。

背景技术

延迟容忍网络(Delay Tolerant Network,DTN)也称为容迟容断网络或容迟网络，是一种能容忍网络中断和较大传输延迟的新型网络体系。容迟容断网络(DTN)作为一种新型存储转发网络体系，能在复杂恶劣的网络环境下提供基本的通信服务，近年来得到广泛关注和研究。DTN的信息传输依赖于节点间的接触机会，采用异步传输方式将数据逐跳发送给目的节点。DTN将传统的存储转发模式变为存储等待转发或存储中继转发模式，提高了信息传输的可靠性。DTN具有广泛的应用领域，包括军事通信、应急通信、车辆通信、无线传感网、社交网络和深空通信等。

DTN网络中路由算法是一个关键组成部分，选择合适的路由策略以保证高效的端到端数据传输是DTN研究的一个热点问题。由于DTN网络中很可能不存在到目的节点的端到端路径，加之受限的节点能量、存储空间及有限的网络带宽，使得设计高效健壮的DTN路由算法变得非常困难。

迄今，研究人员针对不同应用场景提出了多种DTN路由算法。在城市交通领域，赫尔辛基市将交通工具作为通信终端，建立了基于DTN的通信模型，并对DTN移动模型和路由算法进行了验证。在传感网络领域，ZebraNet项目采用DTN技术建立了野生动物监测网络，采用基于历史信息的概率路由方法，大大提高了斑马信息的收集效率。根据路由策略的不同，马华东等人将DTN路由算法分为五大类：洪泛路由、转发策略路由、历史预测路由、概率式路由和编码策略路由^[1]。洪泛路由的典型代表是流行性(Epidemic)路由，在转发过程中各中继节点依次复制消息并以泛洪方式进行转发。洪泛路由的消息传输可靠性较高，但开销过大。转发策略路由根据网络拓扑信息选择最佳路径，消息以逐跳方式转发至目的地，在保证消息投递率的同时减少开销。历史预测路由学习消息传播的历史经验，中继节点根据经验来决定消息的转发和传播路径。概率式路由根据节点移动或网络拓扑的实际情况，以某种概率分布来进行消息的转发。编码策略路由将网络编码引入消息转发，可以提高网络吞吐量和均衡网络负载。

虽然近期针对DTN网络的路由问题提出了各式各样的路由算法，但由于DTN网络拓扑变化的动态特性，链路中断的随机性以及网络中存在的大延时和长中断，算法设计依然存在诸多问题和挑战，例如算法应用场景的差异比较大，现有路由算法数据转发效率低，节点不能很好的结合自身特性和网络状态进行数据转发，洪泛式的转发会造成资源浪费，固定式的转发又可能造成转发的失败，算法可靠性和有效性是必须考虑的问题。

另一方面，研究学者对DTN网络中的移动模型进行了系统研究，主要包括个体移动模型和群体移动模型两大类。个体移动模型是指在判断移动性规律时仅考虑节点的绝对位置变化，移动模型刻画的是节点作为单独的个体所表现出的移动性特征。典型的个体移动模型包括随机游走模型和随机路点模型等。

随机游走模型(Random Walk Mobility Model)是一种提出较早的移动模型。在无线网络中，节点的随机游走模型描述如下：节点随机选择一个方向和速度，并以这个方向和速度从当前位置开始运动，一次运动结束后，重新随机选择方向和速度继续运动。在随机游走模型中，运动方向和速度的改变有两种方式，一种方式为每隔一段时间改变一次，另一种方式为每隔一定距离改变一次。在改变运动参数时，节点的运动方向可以在[0,2π)范围内随机选择，而运动速度有一个给定的范围，无论如何改变，都不能超出这一范围。随机游走模型实现非常简单，因此，随机游走模型在无线网络的性能仿真和分析中被广泛采用。

但在实际网络中，随机移动更为常见的场景是：节点的目标位置是随机选择的，而移动性参数将根据目标位置而定。随机路点模型(Random Waypoint Mobility Model)就是为了模拟这样的运动而提出的。随机路点模型简单描述如下：移动节点首先选择一个目标位置，并以一定的速度向目标位置运动，当节点到达目标位置之后，将随机停留一段时间，然后随机选择下一个目标位置继续运动。节点在目标位置停留的时间不能超过预先设定的阈值。同时，随机路点模型为节点设定一个最大允许的速度，节点在移动过程中不能超过这一速度。在随机路点模型中，由于停留时间的存在和运动速度的变化，可能导致节点的运动变化较为剧烈，为此，可以对此移动模型加以改进，采用步进式的速度变化来模拟实际节点运动，从而使得节点的运动变得更为平滑。另外，随机路点移动模型实际产生的节点分布并不均匀，网络仿真区域的中心部分会出现节点的聚集，这一现象称之为密度波(DensityWave)。

整体移动模型就是为描述节点相对位置的变化规律而提出的，该模型描述的是某些节点作为一个整体表现出的移动性特征。典型的整体移动模型包括群组移动模型和社区模型等。在无线网络中，经常出现某些节点作为一个整体一起运动的情况，登山探险队和部队行军就是其中的典型例子。在这种情况下，虽然每个节点的运动可能并没有什么规律性，但是，这些节点作为一个整体一起运动，它们的相对位置变化不大，这种移动模型就是群组移动模型(Group Mobility Model)。群组移动模型是一种研究较多的整体移动模型，在此基础上研究者相继提出了参考点群组移动模型(Reference Point Group MobilityModel，RPGM)、基于Gibbs分布模拟退火的群组移动模型(Gibbs Sampler based SimulatedAnnealing Group Mobility Model，GGM)和多组协调移动模型(Multi-GroupCoordination Mobility Model，MGCM)等构建群组移动模型的算法。

在实际网络中，节点的运动可能具有一定的倾向性，需要采用符合实际应用场景的移动模型。例如，在大学校园内，学生上课和吃饭时分别在教室和食堂聚集，而晚上则回到各自的寝室。这样的聚集具有一定的社会规律性，这种移动模型就是社区模型(或社会模型)。

参考文献：

[1]马华东，袁培燕,赵东.移动机会网络路由问题研究进展[J]，软件学报，2015，26(3):600-616.

[2]王朕,王新华,隋敬麒.机会网络模拟器ONE及其扩展研究[J].计算机应用研究,2012,29(1):272-277.

发明内容

发明目的：本发明针对战场或应急通信的特殊应用场景，充分考虑DTN网络的异步存储转发特性，设计一种高效、可靠的基于时间表的DTN路由算法，首先设计了符合战场机动车队通信业务特征的DTN节点移动模型，能够完成从实际场景到具体节点运动模型的抽象；然后，基于此移动模型特点针对现有DTN路由算法中存在的副本转发数量多和投递延迟大等问题，提出了机会预测DTN路由算法。该路由算法以DTN时变网络模型为依据，通过利用车辆行动计划时间表来准确预测节点之间的相遇机会来优化消息转发决策，并适当限制了消息副本的转发数量，从而能够有效提高数据传输效率和网络性能。相比于典型的DTN路由算法，基于时间表的机会预测多副本DTN路由算法可以在战场特殊网络环境下提高消息投递率，降低投递时延和控制开销。

技术方案：一种基于时间表的DTN机会预测路由方法，包括如下内容：

1.基于时间表的集结-展开移动模型设计

车队的移动行为可以采用一种所谓的“集结-展开”移动模型来描述：车辆从四面八方向集结地域集结，在集结地域做小范围运动，等待所有车辆聚集完毕后，车辆再向目的区域出发，到达新的目的区域后各车辆自行展开开始行动。

在上述集结-展开模型的基础上引入行动计划表(时间表)，节点按照计划安排的时间、路线依次完成集结和展开等活动，并将此移动模型称为基于时间表的集结-展开移动模型(Aggregation and Spread Mobility Model,ASMM)。时间表规定了节点进行集结或展开活动的地理坐标、活动半径及时间信息。每个节点组遵循一个时间表，组内节点在规定的时间段到达指定地点，然后按照集结或展开模式在指定半径内独立随机移动，经过一段时间(也由时间表指定)后，集体前往下一个活动地点。在指定的地域内活动时，节点的移动是独立随机的，呈现个体性，而在指定地域之间的转场以及活动时间的控制上，节点的移动呈现出整体性。在活动地域之间转场时，节点按照地图上的最短路径移动；在展开地域，节点的移动遵循随机路点模型；在集结地域，每个节点有一个属于自己的位置，它通常会停留在这个位置，但也会偶尔在附近走动。总的来说，基于时间表的模型是一种混合式移动模型，以时间表为线索将最短路径、随机路点和集结地域的半静止模型有机相结合。

2.DTN时变网络模型

在传统的图论中引入一个时间参量，可以将DTN网络抽象为一张随时间不断演化的时空图。考虑时间参量的DTN网络拓扑关系可以表示为：G(t)＝(V(t),E(t))；其中，V表示网络节点，E表示节点关联关系，t是时间参量。如果对于G(t₁)＝G(t₂)，则此网络称为静态网络；如果对于G(t₁)≠G(t₂)，则此网络是动态网络。

对于给定的时变网络G(t)以及时间序列T＝t₀,t₁,…,t_k，其中t_i＝[t_i′,t_i″]表示离散化的时间段。随着时间的推进，整个网络会不断发生演化，节点之间的联系也会发生变化，并产生一系列动态子图：G_sub＝G₁,G₂,…,G_k。如果这些动态子图满足：则称该时变网络G(t)为动态演进网络，即整个网络是完备且可分的。这意味着整个DTN网络中节点之间在某些时间内可能并不存在端到端的连接，但是随着时间的演化推进，通过借助中间节点可以实现部分的互联互通，最终构造异步的端到端路径。

在动态演进网络G(t)中，随着时间推移整个网络不断向前演变，网络中节点之间的联系呈现阶段性特征。如果能够恰当的利用节点的阶段性连接，通过采取存储-携带-转发或存储-等待-转发的方式，可以基于数据分段传输来实现数据的端到端传输。任意节点a,b之间的路径p(a,b)可以表示为时间演进序列：

p(a,b)＝((a,x₁,t₁),(x₁,x₂,t₂),…,(x_i,b,t_k)) (1)

其中，x_i∈V是网络中的各个中间转发节点；t_i≤t_i+1表示节点转发时间不断向前演进；(x_i,x_i+1,t_i+1)表示在时间段t_i+1之内节点x_i与x_i+1可以维持连接并能够收发数据。

3.基于时间表的相遇机会预测DTN路由算法

在基于时间表的“集结-展开”移动模型场景中，节点之间的相遇机会可以通过时间表进行预测。

在基于时间表的移动模型场景下，基于节点各自与消息目的节点的相遇机会预测信息作为决策依据，将消息发给或保留在与其目的节点有更大相遇机会的节点上，更有可能利用潜在的优质异步转发路径，提高消息的投递率，降低投递时延，这就是基于相遇机会预测的路由算法的基本设计思想。

为了减少节点缓存占用，提高网络性能，基于机会预测的路由算法借鉴经典的喷射等待(SprayAndWait)路由采用的有限副本机制，进一步减少副本消息转发的数量，从而对路由转发过程进行优化。作为对比，将这种基于机会预测的DTN路由视为一种泛型喷射路由算法(GenericSpray)。具体来说，基于机会预测的DTN路由算法的消息投递过程主要包括以下三个阶段。

(1)消息生成阶段

当节点的上层应用产生一个消息交给路由层投递时，路由层先将消息存储在缓存中，并为它产生N个副本。N为系统配置参数，如取网络中节点总数的10％。实际上，路由层并非真实产生N个消息副本，而是为消息设置一个属性来记录其当前副本数，因此并未增加节点存储要求。

(2)消息副本喷射阶段

设节点A持有消息m的n个副本，且n>1。当节点A与某节点B相遇时，如果B无消息m的副本，则A向B传递(喷射)x个副本，A保留剩余的(n–x)个副本。

x的值由以下方法决定：设A所在节点组与目的节点D所在节点组最早可能相遇的时间为t_e1；相遇后交叠活动时间为t_d1；相遇时A所在节点组的活动面积为area_A，D所在节点组的活动面积为area_D，area_A和area_D的交叠面积为area1。设B所在节点组与目的节点D所在节点组最早可能相遇时间为t_e2，相遇后交叠活动时间为t_d2；相遇时B所在节点组的活动面积为area_B，D所在节点组的活动面积为area_D，两者的交叠面积为area2。当前时间设为t_now。

先分别计算节点A、B与目的节点D的相遇机会权重：

接下来，根据t_A、t_B可计算节点A将一个消息副本转发节点B的概率p＝t_B/(t_A+t_B)；最后得到服从以n，p为参数的二项式分布的随机变量即为所求转发副本数x。

相遇机会权重是对节点A、B与消息目的节点下一次相遇机会的相对优劣衡量，最终由两者比值决定转发复本数。从时间角度看，相遇时间越早、交叠活动时间越长，相遇机会越占优，越应该持有更多消息副本。但交叠活动面积对相遇机会优劣的影响并非如此直接，需要综合考虑交叠面积和各组活动地域的总面积。直观来看，以A为例，交叠面积area1与组活动地域面积area_A的比值反映了节点A在交叠区域内活动的概率，值越大与目的节点相遇机会越大；但另一方面，由于通信半径的限制，与目的节点同在交叠区域内活动时，相遇机会又会随交叠面积增大而降低。

根据以上分析，决定将相遇机会权重计算为一个乘积，分别反映时间和交叠面积给相遇机会造成的影响。以t_A为例，t_e1为绝对时间表示的最早可能相遇时间，减去t_now后表示从当前时间算起还要过多久才有可能相遇，t_d2为交叠活动时间，因此乘积前一部分反映了相遇时间的影响；乘积后一部分等于节点A和目的节点同时在交叠地域活动的概率，除以交叠面积，反映了交叠面积对相遇机会的影响。

(3)单副本趋近阶段

设节点A持有消息m的n个副本，且n＝1。当节点A与某节点B相遇时，如果B无消息m的副本且满足以下条件，则A将自己的消息副本交给B，并从缓存中删除该消息：节点A与目的节点D不在同一组，而节点B与消息目的节点D在同一组，或节点B与D的预期相遇时间早于A与D的预期相遇时间。

为了优化整体性能，进一步采取了以下缓存管理策略：

1、任何节点，在向目的节点D直接递交了消息m后，不论其持有多少个消息副本，都应该将m从自己的缓存中清除。

2、两个节点进入通信范围时，优先交换以对方为目的节点的消息，其次是喷射阶段的消息，最后是单副本趋近阶段的消息。

3、对于同为喷射阶段的两个消息，喷射副本数目多的消息优先传递。

4、对于同为单副本趋近阶段的两个消息，以后与目的节点预期相遇时间早的消息优先传递。

有益效果：本发明在研究现有容迟容断网络路由机制的基础上，针对战场特殊环境设计了集结-展开节点移动模型和基于时间表的机会预测DTN路由算法及缓存管理策略，能够根据节点活动时间表预测节点的物理位置和相遇机率，进而做出优化的信息转发决策，使得在战场环境高延时、链路频繁中断的条件下能够保持通信畅通，提高信息传输的可靠性、吞吐量并减少投递时延，从而提高战场环境下DTN通信网络的生存能力。

附图说明

图1是DTN时变网络模型示意图；

图2是基于时间表的节点移动模型流程图；

图3是基于时间表的集结-展开移动模型示例；

图4是基于相遇机会预测的DTN路由算法流程图；

图5是DTN路由仿真实验场景；

图6是不同路由算法的消息投递率变化情况；

图7是不同路由算法的消息投递时延变化情况；

图8是不同路由算法的传输开销变化情况。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

基于时间表的DTN机会预测路由方法，包括如下内容：

1.基于时间表的集结-展开移动模型设计

考察战场环境下典型的车队行进和展开模式，发现车队的移动行为可以采用一种所谓的“集结-展开”移动模型来描述：车辆从四面八方向集结地域集结，在集结地域做小范围运动，等待所有车辆聚集完毕后，车辆再向目的区域出发，到达新的目的区域后各车辆自行展开开始行动。

在上面描述的场景中，不难看出车队中车辆节点的移动兼具个体性和整体性，无法用现有的个体或整体移动模型来描述，如随机游走模型或群组移动模型。此外，车载节点在执行任务时，通常会遵循预先制定的行动计划：全体节点或各节点组整体上按照预先制定的计划(包括行车路线和时间)行动，但在特定的展开或集合地点，各节点的行为又是随机、相互独立的。为反映车队的这种移动特点，在上述集结-展开模型的基础上引入行动计划表(时间表)，节点按照计划安排的时间、路线依次完成集结和展开等活动，并将此移动模型称为基于时间表的集结-展开移动模型(Aggregation and Spread Mobility Model,ASMM)，其工作流程如图2所示。ASMM模型中的一个重要概念是时间表。时间表规定了节点进行集结或展开活动的地理坐标、活动半径、以及时间信息。每个节点组遵循一个时间表，组内节点在规定的时间段到达指定地点，然后按照集结或展开模式在指定半径内独立随机移动，经过一段时间(也由时间表指定)后，集体前往下一个活动地点。在指定的地域内活动时，节点的移动是独立随机的，呈现个体性，而在指定地域之间的转场以及活动时间的控制上，节点的移动呈现出整体性。在活动地域之间转场时，节点按照地图上的最短路径移动；在展开地域，节点的移动遵循随机路点模型；在集结地域，每个节点有一个属于自己的位置，它通常会停留在这个位置，但也会偶尔在附近走动。总的来说，基于时间表的模型是一种混合式移动模型，以时间表为线索将最短路径、随机路点和集结地域的半静止模型串联起来。

2.DTN时变网络模型

在传统的图论中引入一个时间参量，可以将DTN网络抽象为一张随时间不断演化的时空图。考虑时间参量的DTN网络拓扑关系可以表示为：G(t)＝(V(t),E(t))；其中，V表示网络节点，E表示节点关联关系，t是时间参量。如果对于G(t₁)＝G(t₂)，则此网络称为静态网络；如果对于G(t₁)≠G(t₂)，则此网络是动态网络。

对于给定的时变网络G(t)以及时间序列T＝t₀,t₁,…,t_k，其中t_i＝[t_i′,t_i″]表示离散化的时间段。随着时间的推进，整个网络会不断发生演化，节点之间的联系也会发生变化，并产生一系列动态子图：G_sub＝G₁,G₂,…,G_k。如果这些动态子图满足：则称该时变网络G(t)为动态演进网络，即整个网络是完备且可分的。这意味着整个DTN网络中节点之间在某些时间内可能并不存在端到端的连接，但是随着时间的演化推进，通过借助中间节点可以实现部分的互联互通，最终实现异步的端到端路径。

在动态演进网络G(t)中，随着时间推移整个网络不断向前演变，网络中节点之间的联系呈现阶段性特征。如果能够恰当的利用节点的阶段性连接，通过采取存储-携带-转发或存储-等待-转发的方式，可以基于数据分段传输来实现数据的端到端传输。任意节点a,b之间的路径p(a,b)可以表示为时间演进序列：

p(a,b)＝((a,x₁,t₁),(x₁,x₂,t₂),…,(x_i,b,t_k)) (1)

其中，x_i∈V是网络中的各个中间转发节点；t_i≤t_i+1表示节点转发时间不断向前演进；(x_i,x_i+1,t_i+1)表示在时间段t_i+1之内节点x_i与x_i+1可以维持连接并能够收发数据。

以图1为例，网络中包含2个移动节点和6个静止节点，随着时间的推进，网络拓扑不断演进，该网络是一个时间演进的动态网络。假定通信任务是：数据源节点S发送信息给目标节点D，其数据传输过程简单描述如下：S将数据发送给中间节点N0，N0在转发给节点N2的同时自己保留了一份副本，然后向既定方向运动，采取存储-携带-转发的路由方式；节点N0在运动过程中遇到了节点N4，转发其携带的数据后继续运动，直至运动到目的节点D范围内。同时数据经N4转发后到达N5，由于N5不移动，采取存储-等待-转发的方式，等待与目的节点的相遇；目的节点D在移动过程中，可以同时收到N0和N5发来的信息，经过取舍确认后完成整个数据的收发过程。

3.基于时间表的相遇机会预测DTN路由算法

异步转发路径是DTN网络中数据传输的主要方式，如果能准确预测节点之间的相遇，就能找到并利用异步转发路径，提高数据的传输效率和网络性能。在基于时间表的“集结-展开”移动模型场景中，节点之间的相遇机会可以通过时间表进行预测。例如，在与图3对应的1给出的行动时间表中，A组节点和B组节点在10:40—12:30时间段内有可能于各自的展开地域A2、B2相遇，因为A2和B2在地理位置上有交叠，而10:40—12:30正是这两组节点在这两个地域各自活动时间的交集。给定两个节点的行动时间表，就可以通过机会预测算法来推测未来任意时刻节点的最早相遇机会。

DTN网络体系结构中，路由算法是一个关键组成部分，对网络性能的影响非常大。路由算法决定了两个节点相互进入通信范围时，交换哪些消息，按照什么次序交换。在基于时间表的移动模型场景下，两个节点各自与消息目的节点的相遇机会预测信息可以用来作为决策依据，将消息发给或保留在与其目的节点有较早相遇机会的节点上，更有可能利用潜在的优质异步转发路径，提高消息的投递率，降低投递时延，这就是基于相遇机会预测的路由算法的基本设计思想。

为了减少节点缓存占用，提高网络性能，基于机会预测的路由算法借鉴经典的喷射等待(SprayAndWait)路由^[2]采用的有限副本机制，进一步减少副本消息转发的数量，从而对路由转发过程进行优化。作为对比，将这种基于机会预测的路由视为一种泛型喷射路由算法(GenericSpray)。具体来说，基于机会预测的DTN路由算法的消息投递过程主要包括以下三个阶段。

(1)消息生成阶段

当节点的上层应用产生一个消息交给路由层投递时，路由层先将消息存储在缓存中，并为它产生N个副本。N为系统配置参数，通常取网络中节点总数的10％。实际上，路由层并非真实产生N个消息副本，而是为消息设置一个属性来记录其当前副本数，因此算法并未提高节点的存储要求。

(2)消息副本喷射阶段

设节点A持有消息m的n个副本，且n>1。当节点A与某节点B相遇时，如果B无消息m的副本，则A向B传递(喷射)x个副本，A保留剩余的(n–x)个副本。

x的值由以下方法决定：设A所在节点组与目的节点D所在节点组最早可能相遇的时间为t_e1；相遇后交叠活动时间为t_d1；相遇时A所在节点组的活动面积为area_A，D所在节点组的活动面积为area_D，area_A和area_D的交叠面积为area1。设B所在节点组与目的节点D所在节点组最早可能相遇时间为t_e2，相遇后交叠活动时间为t_d2；相遇时B所在节点组的活动面积为area_B，D所在节点组的活动面积为area_D，两者的交叠面积为area2。当前时间设为t_now。

先分别计算节点A、B与目的节点D的相遇机会权重：

接下来，根据t_A、t_B可计算节点A将一个消息副本转发节点B的概率p＝t_B/(t_A+t_B)；最后得到服从以n，p为参数的二项式分布的随机变量即为所求转发副本数x。

相遇机会权重是对节点A、B与消息目的节点下一次相遇机会的相对优劣衡量，最终由两者比值决定转发复本数。从时间角度看，相遇时间越早、交叠活动时间越长，相遇机会越占优，越应该持有更多消息副本。但交叠活动面积对相遇机会优劣的影响并非如此直接，需要综合考虑交叠面积和各组活动地域的总面积。直观来看，以A为例，交叠面积area1与组活动地域面积area_A的比值反映了节点A在交叠区域内活动的概率，值越大与目的节点相遇机会越大；但另一方面，由于通信半径的限制，与目的节点同在交叠区域内活动时，相遇机会又会随交叠面积增大而降低。

根据以上分析，我们决定将相遇机会权重计算为一个乘积，分别反映时间和交叠面积给相遇机会造成的影响。以t_A为例，t_e1为以绝对时间表示的最早可能相遇时间，减去t_now后表示从当前时间算起还要过多久才有可能相遇，t_d2为交叠活动时间，因此乘积前一部分反映了相遇时间的影响；乘积后一部分等于节点A和目的节点同时在交叠地域活动的概率，除以交叠面积，反映了交叠面积对相遇机会的影响。

(3)单副本趋近阶段

设节点A持有消息m的n个副本，且n＝1。当节点A与某节点B相遇时，如果B无消息m的副本且满足以下条件，则A将自己的消息副本交给B，并从缓存中删除该消息：节点A与目的节点D不在同一组，而节点B与消息目的节点D在同一组，或节点B与D的预期相遇时间早于A与D的预期相遇时间。

为了优化整体性能，进一步采取了以下缓存管理策略：

1、任何节点，在向目的节点D直接递交了消息m后，不论其持有多少个消息副本，都应该将m从自己的缓存中清除。

2、两个节点进入通信范围时，优先交换以对方为目的节点的消息，其次是喷射阶段的消息，最后是单副本趋近阶段的消息。

3、对于同为喷射阶段的两个消息，喷射副本数目多的消息优先传递。

4、对于同为单副本趋近阶段的两个消息，以后与目的节点预期相遇时间早的消息优先传递。

为了描述移动模型和路由算法的具体实施方案，下面以附图来说明：

1、集结-展开移动模型

图2给出了基于时间表的集结-展开移动模型的运转流程图，图3给出了一个基于时间表的集结-展开移动模型的具体示例，其中A和B是两个节点组，A1、A2和A3以及B1、B2和B3分别是节点组A和节点组B在三个时间段内的活动区域，与之对应的时间表如表1所示。

表1与图3中移动场景对应的时间表

组别	坐标	半径	到达时间	离开时间	活动类别
						A	A1	rA1	9:00	10:00	集结
A	A2	rA2	10:40	15:00	展开
						A	A3	rA3	15:20	16:00	集结
B	B1	rB1	8:00	8:30	集结
						B	B2	rB2	10:00	12:30	展开
B	B3	rB3	13:00	14:00	集结

2、相遇机会预测DTN路由算法

在上述集结-展开移动模型中，节点间的相遇机会可以通过时间表进行预测。给定两个节点组的行动时间表，可以通过下面的机会预测算法推测两个节点组的最早相遇机会。

算法输入：时间表s₁和s₂，当前时间t_now，最大搜索时间长度t_max；

算法输出：最早可能相遇时间t_e，交叠活动地域面积a，交叠活动时间t_d。(或搜索时间超限，报错)。

步骤1：初始化，定位当前或即将到达的活动地域。基于时间表s₁和s₂找出当前时刻t_now两个节点组A和B正在活动的地域D1和D2，如果某组节点在转场途中，则找出其即将到达的下一活动地域。根据时间表计算出两组节点到达和离开此活动地域的时间，分别记作ts_A(A组节点到达地域D1时间)、tl_A(A组节点离开地域D1时间)、ts_B(B组节点到达地域D2时间)、tl_B(B组节点离开地域D2时间)。如果ts_A<t_now，则ts_A＝t_now，同理若ts_B<t_now，则ts_B＝t_now；

步骤2：根据D1、D2中心坐标和半径计算两者的交叠面积a。如果a>0，转步骤3；否则判断：如果tl_A≤tl_B，转步骤4；否则，转步骤5；

步骤3：判断有无交叠活动时间。

如果tl_A≤ts_B，转步骤4；否则如果tl_B≤ts_A，转步骤5；否则，令t_e＝Max(ts_A,ts_B)，t_d＝Min(tl_A,tl_B)-t_e。算法结束，返回交叠面积a，最早可能相遇时间t_e，交叠活动时间t_d；

步骤4：根据时间表s₁找出A组节点下一个到达的活动地域D1’，计算到达D1’时间ts_A’和离开D1’时间tl_A’。如果t_now+t_max≤ts_A’，返回搜索失败消息。否则，返回步骤2；

步骤5：根据时间表s₂找出B组节点下一个到达的活动地域D2’，计算到达D2’时间ts_B’和离开D2’时间tl_B’。如果t_now+t_max≤ts_B’，返回搜索失败消息。否则，返回步骤2。

依照设计方案的描述，图4给出了相遇机会预测的路由算法的运转流程图。

为了评价设计的路由算法的性能，在ONE仿真平台上实现了基于相遇机会预测的路由算法，并与其它典型的DTN路由算法进行性能比较，从而为算法的改进和优化提供参考。ONE是公认的一种基于离散事件的DTN模拟平台，由芬兰的诺基亚研究中心开发。为了比较不同DTN路由算法的性能，采用了一些常用的评价指标，包括递交成功率、消息递交时延和传输开销等。

如图5所示，仿真实验场景设置了A、B两个行动小组，每组50个节点。初始时，各组节点在各自的集合地点集结，集结地域半径100米，两组节点的集结地域不相交；接下来，各组节点进入展开地域作业，展开地域半径200米，有部分交叠；集结时间是10分钟，展开作业时间90分钟，两种活动交替执行，仿真时长3小时。整个过程中，A组节点以固定速率向B组节点发送消息，消息大小为500KB-1MB，期限为1小时。消息产生速率为12个/分钟，消息的源节点和目的节点均随机设置，节点缓存容量20MB。

基于上述仿真场景，调节两组节点展开地域中心点的距离，使两组节点共同活动地域的面积由小到大变化，其他参数保持不变，观察这一过程中路由算法的性能变化情况。选择Epidemic、Prophet和SprayAndWait三种经典的DTN路由算法作为参照，与本发明设计的机会预测路由算法(称之为GenericSpray)进行性能比较，仿真结果如图6-图8所示。

从仿真结果看出，相比Epidemic和Prophet，SprayAndWait和GenericSpray的性能要好很多，后者的投递率都超过前者的两倍，时延也要低于前者，而传输开销相比则可忽略不计。Epidemic和Prophet算法的低效源于它们的副本洪泛策略，网络中充斥了太多消息副本，既占用缓存，又消耗带宽。虽然Prophet通过估算节点相遇机会对副本的复制进行限制，但效果有限。究其原因，Prophet把节点的运动看作是独立的个体运动，并没有利用群组移动规律的信息。再看GenericSpray和SprayAndWait，多数情况下两者性能接近，GenericSpray在中心距离较大时性能略好些。由于后两种路由算法均控制了副本数量，取得了较好的性能。此外，在其它场景下对四种路由协议的性能进行了仿真比较，包括不同的集结时间、不同的缓存大小和不同的初始副本数量，仿真结果均表明GenericSpray算法在投递率、投递时延和传输开销这三个指标上均具有较好的性能。

Claims (5)

1.一种基于时间表的DTN机会预测路由方法，其特征在于，包括如下内容：

1.基于时间表的集结-展开移动模型设计

在集结-展开模型的基础上引入行动计划表(时间表)，节点按照计划安排的时间、路线依次完成集结和展开等活动，并将此移动模型称为基于时间表的集结-展开移动模型；

2.DTN时变网络模型

在图论中引入一个时间参量，将DTN网络抽象为一张随时间不断演化的时空图；考虑时间参量的DTN网络拓扑关系可以表示为：G(t)＝(V(t),E(t))；其中，V表示网络节点，E表示节点关联关系，t是时间参量；

在动态演进网络G(t)中，通过采取存储-携带-转发或存储-等待-转发的方式，可以基于数据分段传输来实现数据的端到端传输；

3.基于时间表的相遇机会预测DTN路由算法

在基于时间表的“集结-展开”移动模型场景中，节点之间的相遇机会可以通过时间表进行预测；

在基于时间表的移动模型场景下，基于相邻节点各自与消息目的节点的相遇机会预测信息作为消息转发决策依据，将消息发给或保留在与其目的节点有较早相遇机会的节点上，从而更有可能利用潜在的优质异步转发路径，提高消息的投递率，降低投递时延；

为了减少节点缓存占用，提高网络性能，基于机会预测的路由算法借鉴喷射等待(SprayAndWait)路由采用的有限副本机制，进一步减少副本消息转发的数量，从而对路由转发过程进行优化。

2.如权利要求1所述的基于时间表的DTN机会预测路由方法，其特征在于：时间表规定了节点进行集结或展开活动的地理坐标、活动半径及时间信息；每个节点组遵循一个时间表，组内节点在规定的时间段到达指定地点，然后按照集结或展开模式在指定半径内独立随机移动，经过一段时间(也由时间表指定)后，集体前往下一个活动地点；在指定的地域内活动时，各节点的移动是独立随机的，呈现个体性，而在指定地域之间的转场以及活动时间的控制上，每组节点的移动呈现出整体性；在活动地域之间转场时，节点按照地图上的最短路径移动；在展开地域，节点的移动遵循随机路点模型；在集结地域，每个节点有一个属于自己的位置。

3.如权利要求1所述的基于时间表的DTN机会预测路由方法，其特征在于：如果对于G(t₁)＝G(t₂)，则此网络称为静态网络；如果对于G(t₁)≠G(t₂)，则此网络是动态网络。

对于给定的时变网络G(t)以及时间序列T＝t₀,t₁,…,t_k，其中t_i＝[t_i′,t_i″]表示离散化的时间段；随着时间的推进，整个网络会不断发生演化，节点之间的联系也会发生变化，并产生一系列动态子图：G_sub＝G₁,G₂,…,G_k；如果这些动态子图满足：则称该时变网络G(t)为动态演进网络，即整个网络是完备且可分的；这意味着整个DTN网络中节点之间在某些时间内可能并不存在端到端的连接，但是随着时间的演化推进，通过借助中间节点可以实现部分的互联互通，最终构成异步的端到端路径；

任意节点a,b之间的路径p(a,b)可以表示为时间演进序列：

p(a,b)＝((a,x₁,t₁),(x₁,x₂,t₂),…,(x_i,b,t_k)) (1)

其中，x_i∈V是网络中的各个中间转发节点；t_i≤t_i+1表示节点转发时间不断向前演进；(x_i,x_i+1,t_i+1)表示在时间段t_i+1之内节点x_i与x_i+1可以维持连接并能够收发数据。

4.如权利要求3所述的基于时间表的DTN机会预测路由方法，其特征在于：基于机会预测的DTN路由算法的消息投递过程主要包括以下三个阶段。

(1)消息生成阶段

当节点的上层应用产生一个消息交给路由层投递时，路由层先将消息存储在缓存中，并为它产生N个副本；N为系统的配置参数，如取网络中节点总数的10％；实际上，路由层并非真实产生N个消息副本，而是为消息设置一个属性来记录其当前副本数；

(2)消息副本喷射阶段

设节点A持有消息m的n个副本，且n>1；当节点A与某节点B相遇时，如果B无消息m的副本，则A向B传递(喷射)x个副本，A保留剩余的(n–x)个副本；

x的值由以下方法决定：设A所在节点组与目的节点D所在节点组最早可能相遇的时间为t_e1；相遇后交叠活动时间(两组节点活动面积存在交叠区域的时间)为t_d1；相遇时A所在节点组的活动面积为area_A，D所在节点组的活动面积为area_D，area_A和area_D的交叠面积为area1；设B所在节点组与目的节点D所在节点组最早可能相遇时间为t_e2，相遇后交叠活动时间为t_d2；相遇时B所在节点组的活动面积为area_B，D所在节点组的活动面积为area_D，两者的交叠面积为area2；当前时间设为t_now；

先分别计算节点A、节点B与目的节点D的相遇机会权重：

$t_A=\frac{t\_d1}{t\_e1+t\_d1-t_{now}}\&CenterDot;\frac{{\mathrm{area}}_1}{area\_A\&CenterDot;area\_D}$

$t_B=\frac{t\_d2}{t\_e2+t\_d2-t_{now}}\&CenterDot;\frac{{\mathrm{area}}_2}{area\_B\&CenterDot;area\_D}$

接下来，根据t_A、t_B可计算节点A将一个消息副本转发给节点B的概率p＝t_B/(t_A+t_B)；最后，得到服从以n，p为参数的二项式分布的随机变量即为所求转发副本数x；

相遇机会权重是对节点A、B与消息目的节点下一次相遇机会的相对优劣进行衡量，最终由两者比值决定转发复本数。从时间角度看，相遇时间越早、交叠活动时间越长，相遇机会越占优，越应该持有更多消息副本；但交叠活动面积对相遇机会优劣的影响并非如此直接，需要综合考虑交叠面积和各组活动地域的总面积。对于节点A，交叠面积area1与组活动地域面积area_A的比值反映了节点A在交叠区域内活动的概率，值越大A与目的节点相遇机会越大；另一方面，由于通信半径的限制，当节点与目的节点同在交叠区域内活动时，相遇机会又会随交叠面积的增大而降低。

根据以上分析，将相遇机会权重计算为一个乘积，分别反映时间和交叠面积对相遇机会造成的影响；对于t_A，t_e1为绝对时间表示的最早可能相遇时间，减去t_now后表示从当前时间算起还要过多久才有可能相遇，t_d2为交叠活动时间，因此乘积前的部分反映了相遇时间的影响；乘积后的部分等于节点A和目的节点同时在交叠地域活动的概率，除以交叠面积，反映了交叠面积对相遇机会的影响；

(3)单副本趋近阶段

设节点A持有消息m的n个副本，且n＝1；当节点A与某节点B相遇时，如果B无消息m的副本且满足以下条件，则A将自己的消息副本交给B，并从缓存中删除该消息：节点A与目的节点D不在同一组，而节点B与消息目的节点D在同一组，或节点B与D的预期相遇时间早于A与D的预期相遇时间。

5.如权利要求4所述的基于时间表的DTN机会预测路由方法，其特征在于，为了优化整体性能，进一步采取了以下缓存管理策略：

1、任何节点，在向目的节点D直接递交了消息m后，不论其持有多少个消息副本，都应该将m从自己的缓存中清除；

2、两个节点进入通信范围时，优先交换以对方为目的节点的消息，其次是喷射阶段的消息，最后是单副本趋近阶段的消息；

3、对于同为喷射阶段的两个消息，喷射副本数目多的消息优先传递；

4、对于同为单副本趋近阶段的两个消息，以后与目的节点预期相遇时间早的消息优先传递。