CN108712287B - 基于节点相似度的vanet社区发现方法 - Google Patents
基于节点相似度的vanet社区发现方法 Download PDFInfo
- Publication number
- CN108712287B CN108712287B CN201810493553.3A CN201810493553A CN108712287B CN 108712287 B CN108712287 B CN 108712287B CN 201810493553 A CN201810493553 A CN 201810493553A CN 108712287 B CN108712287 B CN 108712287B
- Authority
- CN
- China
- Prior art keywords
- community
- similarity
- nodes
- node
- vanet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000006855 networking Effects 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 63
- 230000008569 process Effects 0.000 claims description 29
- 238000011160 research Methods 0.000 claims description 7
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000010348 incorporation Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000004451 qualitative analysis Methods 0.000 abstract description 2
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于节点相似度的车联网社区发现方法。该方法首先研究VANET场景下社区模型,给出基于节点相似度的VANET社区发现方法;其次,依据RSU节点与VANET社区的连通强度,合理划分RSU节点社区归属,从而给出基于节点相似度有RSU基础设施的车联网社区发现方法。该方法可以有助于更好地定性和定量分析其网络结构、变化规律以及流量分布,对构建车联网数据转发路由策略和通达性方案具有重要意义。
Description
技术领域
本发明涉及车联网领域,具体涉及车联网社区发现方法。
背景技术
车辆节点高速移动和网络通信间断使车联网网络拓扑高动态变化,这对其社区发现造成巨大挑战。研究人员提取车辆物理位置、密度、速度以及道路情况等参数,并基于这些参数进行聚类分析,这与社区发现有相似之处。研究人员提出的稳定社区发现算法是对LPA算法在VANET中的一种应用,其中节点相似度等概念有重要借鉴意义。研究人员提出分布式社区聚类方法Sp-Cl,该方法是以局部节点间相对移动性为基础进行社区聚类,移动速度相似的节点形成社区,这样的社区具有一定的稳定性。虽然这些方法在各自的应用场景上有一些亮点,但它们在车联网中的去中心化、时间复杂度等方面表现欠佳。
发明内容
本发明给出以下技术方案实现:
本发明研究方法,其特征在于,在研究车联网节点相似度的基础上,提出了基于相似度归并的VANET社区发现以及有RSU节点的社区发现方法,将通信连接时间等因素纳入到节点相似度中,并根据设定的模块度阈值归并社区,具有较高的准确度和实时性。
一种基于节点相似度的车联网社区发现方法,其特征在于,具体方法包括如下步骤:
步骤1.相关定义;
定义1节点相似度:在VANET网络中,两个车辆节点之间存在一定的相似性,包括在拓扑结构中的邻居节点相似性、运动相似性以及连接相似性,将其相似性的组合量化称为节点相似度。节点u和v在t时刻的相似度sim(u,v,t)如公式(1)。
定义2邻接相似度simnei(u,v,t)为两个节点的拓扑相似性,节点vi和vj在t时刻的邻接相似度如公式(2)。
在车联网中,若两个车辆节点u和v在t时刻的网络拓扑结构中位置相近,那么影响其节点相似度的另一个因素就是移动相似度。
定义3移动相似度是simmob(u,v,t)是节点u和v在t时刻的移动情况的相似程度,与两者的运动速度和运动角度有关,如公式(3)。
在公式中,sa(u,v,t)表示节点u和v在t时刻运动速度方向的相对角度(speedangle) 如公式(4)。
θ表示速度的角度,sr(u,v,t)表示速度比率(speed radio),当u和v在t时刻都静止时,速度比率为1,否则就为两者速度的最小值与最大值之比,如公式(5)所示。
O≤Sr(u,v,t)≤1
其中,T(u,v,t)表示节点u与节点v从开始建立连接到t时刻相差的时间。
定义5邻接社区:若两个社区Ci与Cj之间存在边,则这两个社区互为邻接社区。
定义6社区相似度:车联网两个社区之间所有邻接点对的相似度的最大值。社区Ci与Cj的社区相似度simC(i,j,t)表达式为公式(7)。
simC(i,j,t)=max{sim(u,v,t)|u∈Ci∧v∈Cj∧{u,v}∈E} (7)
定义7紧密对(Tight-pair):如果两个车辆节点或社区的相似度的值在各自的所有邻接节点或者邻接社区中是最大的,则将这两个节点或社区互为紧密对;相应地,当两个对象是节点时称为紧密节点对,当两个对象都是社区时称为紧密社区对。其中,所有与社区Ci互为紧密对的社区的集合可表示为公式(8)。
步骤2.社区质量评价函数_
选取模块度的概念来作为评价社区质量的尺度。根据车联网中的网络特性,定义VANET 网络中的模块度表达式如公式(10)。
其中,n表示社区总数,ISi表示VANET网络中社区Ci内部节点相似度之和,
DSi表示社区Ci的所有节点与网络中其他节点的相似度之和,如公式(12)。
DSi=∑j≠isimC(Ci,Cj) (12)
TS表示整个VANET研究区域内节点的相似度之和,如公式(13)。
TS=∑u,v∈G,u≠vsim(u,v) (13)
若要合并两个社区Ci和Cj,合并后形成的新社区所在区域相对于合并前的模块度的改变量记为ΔQ(Ci,Cj),其计算过程如下所示:
步骤3.基于相似度归并的VANET社区发现
一种基于归并相似度的社区发现算法,通过节点相似度以及迭代归并紧密节点对和紧密社区对来探测社区结构。基于相似度归并的VANET社区发现过程,该算法1主要步骤是:
(1)根据t时刻网络的拓扑结构(包括节点分布、通信连接、通信持续到此时的时间等)得到VANET网络拓扑图G(V,E,W),并计算图G中所有带边节点间的节点相似度;
(2)将所有节点视为单个社区,且所有节点置以“未访问”的状态标记,为后面的归并过程做准备;然后,随机选择一个没有访问过的社区Ci,若Ci存在紧密社区对(Ci,Cj),并且满足ΔQ(Ci,Cj)>0,则将Cj合并入Ci,Cj社区被置为“已访问”状态,合并后的新社区Ci重新置为“未访问”状态;
(3)重复上一过程,直到算法收敛结束。
步骤3.基于相似度归并的VANET社区发现
(1)RSU的社区归属问题
定义8RSU节点与VANET社区连通强度Connectivity(rk,Ci,t)是指车联网中的路边基础设施节点rk与VANET网络中的社区Ci之间通信的紧密程度,其表达式如公式(15):
其中,rk是路边基础设施R中的一个节点,sim(rk,u)表示rk与车辆节点u之间的节点相似度,n代表社区Ci中节点的个数。Connectivity(rk,Ci)表示路边基础设施节点rk与社区Ci中所有节点相似度的平均值。
RSU的社区归属是指为所有RSU节点赋予社区标签。对于RSU节点rk,其所属社区是由该节点与VANET社区连通强度Connectivity(rk,Ci,t)决定的,选择具有最大Connectivity(rk,Ci,t)的社区作为rk的社区归属,如公式(16)所示。
(2)基于节点相似度有RSU基础设施的车联网社区发现方法
在确定了RSU节点的社区属性后,车联网社区模型就已经基本构建完成,其基本过程是:
(a)首先,计算VANET网络中所有带边节点的节点相似度;
(b)其次,迭代归并紧密节点对和紧密社区对,确定VANET网络的社区结构;
(c)最后,确定RSU节点的社区归属,从而得到有路边基础设施的车联网社区结构。
基于节点相似度的VANET社区发现方法(创新点1):由于车联网节点高速移动、网络拓扑高动态变化等特性,其社区发现过程对准确性和实时性均具有较高要求,需要合理定义网络实体,避免过度中心化以及降低时间复杂度。因此,本发明综合考虑节点间邻接相似度、移动相似度以及连接稳定度对节点相似度的影响,通过归并紧密节点对或社区对来获得模块度较大的社区结构,实现基于节点相似度的VANET社区发现方法。
基于节点相似度有RSU基础设施的车联网社区发现方法(创新点2):有基础设施的车联网中的基础设施节点通常处于城市道路的关键区域以及网络的连接部分,它们的特点是位置固定、通信范围广、数据转发能力强。因此,本发明根据车辆节点快速移动这一特性,结合路边基础设施与VANET网络各个社区的距离与通信频繁的情况,为每个路边基础设施找到自己的社区归属,构建有基础设施的车联网社区模型,给出社区发现方法。通过仿真实验验证了该方法的准确性,对比其他车联网社区发现方法,该方法具有时间复杂度较低、鲁棒性较强等优点,为车联网社区演化机制和通达性方案提供重要的社区模型依据。
有益效果
本发明目的在于公开一种去中心化和减少运算时间复杂度的基于节点相似度的车联网社区发现方法。对基于节点相似度的VANET社区以及基于节点相似度有RSU基础设施的车联网社区发现方法进行深入系统的研究,从而从根本上可以有助于更好地定性和定量分析其网络结构、变化规律以及流量分布,对构建车联网数据转发路由策略和通达性方案具有重要意义。
附图说明
图1基于相似度归并的VANET社区发现过程
图2确定RSU节点的社区归属过程
图3基于节点相似度的VANET社区发现算法具体流程图
图4有基础设施RSU的车联网社区发现算法具体流程图
图5Lankershim Boulevard路段分布图
图6不同算法社区数目对比
图7不同算法最大社区规模对比
图8不同算法平均社区规模对比
图9不同算法运行时间对比
图10不同算法模块度对比
图11为本发明方法流程图
具体实施方式
车联网是一种拓扑结构高动态变化的移动自组织网络,车辆受道路约束、位置易变以及网络资源有限等特性,成为阻碍车联网社区结构实时确定和导致车联网数据失时和失真的重要因素。现有研究主要集中在利用复杂网络静态社区发现和演化方法探测车联网社区结构,利用社区中关键节点进行信息转发实现网络连通。存在以下问题:没有考虑大规模网络节点类型多样与数据量大对社区探测过程的影响,使得社区易于过度中心化和运算时间复杂度较高。本发明针对以上问题,给出基于节点相似度的车联网社区发现方法,该方法首先研究VANET场景下社区模型,给出基于节点相似度的VANET社区发现方法;其次,依据RSU节点与VANET社区的连通强度,合理划分RSU节点社区归属,从而给出基于节点相似度有RSU基础设施的车联网社区发现方法。该方法可以有助于更好地定性和定量分析其网络结构、变化规律以及流量分布,对构建车联网数据转发路由策略和通达性方案具有重要意义。
附表说明
表1本发明中的符号说明(表1中所列符号是VANET社区发现过程中需要用到的重要符号,特此说明。)
表2数据集参数
以下结合附图进一步说明本发明技术方案。
本发明的具体实施过程如图11所示,包括如下8个方面:
①相关定义
②社区质量评价函数
③基于节点相似度的VANET社区发现方法
④基于节点相似度有RSU基础设施的车联网社区发现方法
⑤仿真实验
⑥结果分析
①相关定义
为了研究VANET中的社区发现算法,我们将对一些专有名词进行阐述和定义。包括VANET网络中的节点相似度、邻接社区、社区相似度以及紧密对等,下面详细说明。
定义1节点相似度:在VANET网络中,两个车辆节点之间存在一定的相似性,包括在拓扑结构中的邻居节点相似性、运动相似性以及连接相似性,我们将其相似性的组合量化称为节点相似度。节点u和v在t时刻的相似度sim(u,v,t)如公式(1)。
定义2邻接相似度simnei(u,v,t)为两个节点的拓扑相似性,节点vi和vj在t时刻的邻接相似度如公式(2)。
在车联网中,若两个车辆节点u和v在t时刻的网络拓扑结构中位置相近,那么影响其节点相似度的另一个因素就是移动相似度。
定义3移动相似度是simmob(u,v,t)是节点u和v在t时刻的移动情况的相似程度,与两者的运动速度和运动角度有关,如公式(3)。
在公式中,sa(u,v,t)表示节点u和v在t时刻运动速度方向的相对角度(speedangle) 如公式(4)。
θ表示速度的角度,sr(u,v,t)表示速度比率(speed radio),当u和v在t时刻都静止时,速度比率为1,否则就为两者速度的最小值与最大值之比,如公式(5)所示。
O≤Sr(u,v,t)≤1
其中,T(u,v,t)表示节点u与节点v从开始建立连接到t时刻相差的时间。
定义5邻接社区:若两个社区Ci与Cj之间存在边,则这两个社区互为邻接社区。
定义6社区相似度:车联网两个社区之间所有邻接点对的相似度的最大值。社区Ci与Cj的社区相似度simC(i,j,t)表达式为公式(7)。
simC(i,j,t)=max{sim(u,v,t)|u∈Ci∧v∈Cj∧{u,v}∈E} (7)
定义7紧密对(Tight-pair):如果两个车辆节点或社区的相似度的值在各自的所有邻接节点或者邻接社区中是最大的,则将这两个节点或社区互为紧密对;相应地,当两个对象是节点时称为紧密节点对,当两个对象都是社区时称为紧密社区对。其中,所有与社区Ci互为紧密对的社区的集合可表示为公式(8)。
②社区质量评价函数
为了评价算法的社区质量,我们需要一种标尺去量化。本发明选取模块度的概念来作为评价社区质量的尺度。我们根据车联网中的网络特性,定义VANET网络中的模块度表达式如公式(10)。
其中,n表示社区总数,ISi表示VANET网络中社区Ci内部节点相似度之和,
DSi表示社区Ci的所有节点与网络中其他节点的相似度之和,如公式(12)。
DSi=∑j≠isimC(Ci,Cj) (12)
TS表示整个VANET研究区域内节点的相似度之和,如公式(13)。
TS=∑u,v∈G,u≠vsim(u,v) (13)
若要合并两个社区Ci和Cj,合并后形成的新社区所在区域相对于合并前的模块度的改变量记为ΔQ(Ci,Cj),其计算过程如下所示:
③基于节点相似度的VANET社区发现方法
由于VANET网络中车辆节点快速移动,网络拓扑与通信连接动态变化,社区的归属可能会在短时间内发生改变。因此,我们需要一种时间复杂度底、准确度高的社区发现算法来逻辑定义和计算车辆节点的社区归属。本文提出了一种基于归并相似度的社区发现算法,通过节点相似度以及迭代归并紧密节点对和紧密社区对来探测社区结构。基于相似度归并的VANET社区发现过程如图1所示。
该算法主要步骤是:
(1)根据t时刻网络的拓扑结构(包括节点分布、通信连接、通信持续到此时的时间等)得到VANET网络拓扑图G(V,E,W),并计算图G中所有带边节点间的节点相似度;
(2)将所有节点视为单个社区,且所有节点置以“未访问”的状态标记,为后面的归并过程做准备;然后,随机选择一个没有访问过的社区Ci,若Ci存在紧密社区对(Ci,Cj),并且满足ΔQ(Ci,Cj)>0,则将Cj合并入Ci,Cj社区被置为“已访问”状态,合并后的新社区Ci重新置为“未访问”状态;
(3)重复上一过程,直到算法收敛结束。
具体算法代码如算法1所示,算法具体流程图如图2所示。
在算法1中,第1行至第3行表示计算VANET网络拓扑图G(V,E,W)中所有带边的两端节点间相似度;第四行表示初始化每个节点为单节点社区;第5至7行表示将所有社区的状态置为“未访问”;第8至20行是一个表示归并过程,对于每个“未访问”的社区Ci,首先置其访问状态为“已访问”(即代码第10行),其次,若该社区存在紧密社区对,则从中选择一个能增大模块度的社区Cj与Ci合并成新Ci,Cj从社区集合CS中移除,并将新Ci社区置为“未访问”状态重新加入CS;以此类推,直到算法收敛,返回社区集合CS。
算法1的时间复杂度分析。假设VANET网络拓扑图G(V,E,W)中,V集合里节点个数为n,E集合里边的个数为m。从前往后分析,节点相似度的计算时间复杂度为O(m),初始化社区CS过程的时间复杂度为O(n),社区的归并过程时间复杂度是O(n),其中虽有部分状态处理和社区合并,但所需时间很少可忽略不计。因此,综上可知,算法1的时间复杂度为O(m+n)。
④基于节点相似度有RSU基础设施的车联网社区发现方法
在车联网中,除了车与车(V2V)的网络,还有车与路边基础设施(V2I)的网络。因此,本发明研究了基于节点相似度有RSU基础设施的车联网社区发现方法。
(1)RSU的社区归属问题
定义8RSU节点与VANET社区连通强度Connectivity(rk,Ci,t)是指车联网中的路边基础设施节点rk与VANET网络中的社区Ci之间通信的紧密程度,其表达式如公式(15):
其中,rk是路边基础设施R中的一个节点,sim(rk,u)表示rk与车辆节点u之间的节点相似度,n代表社区Ci中节点的个数。Connectivity(rk,Ci)表示路边基础设施节点rk与社区Ci中所有节点相似度的平均值。
RSU的社区归属是指为所有RSU节点赋予社区标签,是研究车联网社区模型的重要一步。对于RSU节点rk,其所属社区是由该节点与VANET社区连通强度 Connectivity(rk,Ci,t)决定的,选择具有最大Connectivity(rk,Ci,t)的社区作为rk的社区归属,如公式(16)所示。
确定RSU节点的社区归属过程示意图如图3所示。
(2)基于节点相似度有RSU基础设施的车联网社区发现方法
在确定了RSU节点的社区属性后,车联网社区模型就已经基本构建完成,其基本过程是:
(d)首先,计算VANET网络中所有带边节点的节点相似度;
(e)其次,迭代归并紧密节点对和紧密社区对,确定VANET网络的社区结构;
(f)最后,确定RSU节点的社区归属,从而得到有路边基础设施的车联网社区结构。
通过建立的有基础设施的车联网社区模型,构造社区发现算法,详细过程如算法2所示,算法具体流程图如图4所示。
在算法2中,第1行表示根据算法1来确定VANET的社区结构CS;第2至4行表示将CS中的所有社区的状态初始化为“未访问”;第5至16行表示确定RSU节点集合R中所有节点的社区归属并更新社区集合CS。其中,第6至13行是选择与RSU节点rk连接的VANET社区中具有最大连通强度的社区作为rk的归属社区,第14行表示将RSU节点rk加入到并更新社区集合CS。
⑤仿真实验
(1)实验数据
本发明的实验数据采用Lankershim Data,该数据集采集的是美国洛杉矶一条叫做Lankershim Boulevard道路的交通相关数据,Lankershim Boulevard路段分布如图5所示。
为了模拟大规模异构网络的环境,本发明在Lankershim Data道路中十字路口的两侧增加共8个RSU节点,修改后数据集的具体参数如表2所示,其中道路长度为487m,包含十字路口、多条车道以及交通信号灯等条件。此外,采集频率是0.1s/次,分别采集了2005年6月16日的8:28am-8:45am与8:45am-9:00am时间段的车辆基本信息和轨迹数据等信息。本发明采用的是8:28am-8:45am时间段的数据进行仿真实验。
(2)实验方法
本发明在Lankershim Data数据集的基础上,采用OMNET++软件模拟车辆以及RSU节点发送数据包,从而得到车联网网络拓扑图。为了验证基于节点相似度的车联网社区模型的有效性,本发明实验将进行如下步骤:
(a)取某时刻车辆节点的位置信息,得到车辆在路段上分布图;
(b)使用OMNET++软件进行网络仿真,结合无线通信距离,模拟节点间按一定频率发送数据包,得到车联网网络拓扑图;
(c)实验过程中,根据主成分分析法对网络仿真后得到的数据集进行主成分分析,设定公式1中的相似度权值α、β、γ分别为0.7、0.2、0.1。
(d)采集不同时刻下的基于节点相似度的车联网社区模型的社区数目、平均社区规模、最大社区以及模块度等指标;
(e)对比本发明提出的ICDNS算法与Grzybek等人提出的SMC-LPA算法在上述指标的异同,探讨ICDNS算法的优势和适用场景。
⑥结果分析
(1)社区数目与社区规模
车联网社区的数目可能随着网络节点数目的增大而增大,但也可能随着网络节点数目的增大而减小,这与车联网网络结构的分布变化的具体情况相关。取Lankershim Data数据集8:28am-8:45am前7s的车辆位置及网络仿真信息,分别利用ICDNS、SMC-LPA以及SP-Cl 三种算法对0~7s中每个整秒时刻采样获得7个时刻的网络拓扑结构,然后进行社区发现实验,并对实验结果中得到的社区数目和社区规模进行对比分析。
图6为三种算法在上述数据集上的社区数目随时间变化情况,可以看出ICDNS算法探测出的车联网社区个数最为稳定,大致分布在75~85之间;而SMC-LPA算法探测出的车联网社区个数变化较大,分布在55~105之间;Sp-Cl算法的社区平均社区个数分布在72~89之间,稳定性仅次于ICDNS算法。
图7和图8分别是这7次测试中得到的最大社区规模和平均社区规模变化情况(在本实验中,社区规模以社区内节点个数来量化)。从图7中可以看出ICDNS算法最大社区规模相对其他两种算法较小,说明该算法的中心化问题不严重,SMC-LPA算法存在过度中心化和极大团问题从图8中可以看出,ICDNS算法的平均社区规模为6左右,而SMC-LPA算法与 SP-Cl算法的平均社区规模分布在4.5~8.5和5~7之间,相对于ICDNS算法表现缺乏稳定性。
此外,Lankershim Data数据集的前7s中每个整秒时刻,路段上车辆数量大约为470~490 辆左右,这也说明在这前7s车联网的网络拓扑结构并未发生较大的变化,结合两种算法的社区数目与社区规模分布情况可以看出ICDNS算法的准确率和鲁棒性较高。
(2)算法运行时间
图9为ICDNS、SMC-LPA以及Sp-CI三种算法在上述数据集的7次社区发现过程的运行时间对比图。从图中可以看出,ICDNS算法的平均运行时间最低,每次消耗时间大约为200ms左右,而SMC-LPA以及Sp-CI算法每次社区发现过程的消耗时间分别大约为320ms 与350ms左右。此外,ICDNS算法的性能较为稳定,另外两种算法每次运行时间起伏较大,这也从而验证了ICDNS算法的时间复杂度较低,鲁棒性较强的特点。
(3)模块度(Modularity)
模块度是衡量社区质量的重要评价标准,模块度的值越大说明社区的质量越高。图10 表示本发明所提ICDNS算法与另外两个算法(SMC-LPA以及Sp-CI)的模块度对比图,从该图中可以看出三种算法的模块度曲线呈微弱下降趋势,这是因为随着时间得进行,车辆节点之间的联系增大,社区出现重叠的可能性增大,社区质量会受到一定影响。此外,ICDNS和Sp-CI的模块度值要高于SMC-LPA,说明简单地实验LPA算法在车联网社区发现上表现不是很突出。ICDNS在前5次测试中的模块度要低于Sp-CI,在第6~7次的实验中才开始领先,说明ICDNS应对社区出现重叠现象的情况具有一定的优势。
创新点
创新之一:针对车联网特定的属性,定义了节点相似度的相关概念,提出了VANET社区发现方法,从而有效去中心化和减少运算时间复杂度。
由于车联网节点高速移动、网络拓扑高动态变化等特性,其社区发现过程对准确性和实时性均具有较高要求,需要合理定义网络实体,避免过度中心化以及降低时间复杂度。因此,本发明综合考虑节点间邻接相似度、移动相似度以及连接稳定度对节点相似度的 影响,通过归并紧密节点对或社区对来获得模块度较大的社区结构,实现基于节点相似度 的VANET社区发现方法。
创新之二:给出合理划分RSU节点社区归属,提出了基于节点相似度的有基础设施的车联网社区发现方法,从而有效去中心化和减少运算时间复杂度,从根本上可以有助于更好地定性和定量分析其网络结构、变化规律以及流量分布,对构建车联网数据转发路由策略和通达性方案具有重要意义。
有基础设施的车联网中的基础设施节点通常处于城市道路的关键区域以及网络的连接部分,它们的特点是位置固定、通信范围广、数据转发能力强。因此,本发明根据车辆节点快速移动这一特性,结合路边基础设施与VANET网络各个社区的距离与通信频繁的情况,为每个路边基础设施找到自己的社区归属,构建有基础设施的车联网社区模型,给出社区发现方法。通过仿真实验验证了该方法的准确性,对比其他车联网社区发现方法,该方法具有时间复杂度较低、鲁棒性较强等优点,为车联网社区演化机制和通达性方案提供重要的社区模型依据。
说明书附表
表1
参数 | 取值 |
地点 | Lankershim Boulevard |
采集时间段 | 8:28am-8:45am和8:45am-9:00am |
道路全长 | 487m |
十字路口数量 | 4 |
RSU节点个数 | 8 |
采集频率 | 0.1s/次 |
最大同向车道数量 | 6 |
是否提供交通灯 | 是 |
8:28am-8:45am数据量 | 705294 |
8:28am-8:45am车辆数量 | 1375 |
8:45am-9:00am数据量 | 902025 |
8:45am-9:00am车辆数量 | 1601 |
表2
Claims (1)
1.一种基于节点相似度的车联网社区发现方法,其特征在于,具体方法包括如下步骤:
步骤1.相关定义;
定义1节点相似度:在VANET网络中,两个车辆节点之间存在一定的相似性,包括在拓扑结构中的邻居节点相似性、运动相似性以及连接相似性,将其相似性的组合量化称为节点相似度;节点u和v在t时刻的相似度sim(u,v,t)如公式(1);
定义2邻接相似度simnei(u,v,t)为两个节点的拓扑相似性,节点vi和vj在t时刻的邻接相似度如公式(2);
在车联网中,若两个车辆节点u和v在t时刻的网络拓扑结构中位置相近,那么影响其节点相似度的另一个因素就是移动相似度;
定义3移动相似度是simmob(u,v,t)是节点u和v在t时刻的移动情况的相似程度,与两者的运动速度和运动角度有关,如公式(3);
在公式中,sa(u,v,t)表示节点u和v在t时刻运动速度方向的相对角度(speed angle)如公式(4);
θ表示速度的角度,sr(u,v,t)表示速度比率(speed radio),当u和v在t时刻都静止时,速度比率为1,否则就为两者速度的最小值与最大值之比,如公式(5)所示;
其中,T(u,v,t)表示节点u与节点v从开始建立连接到t时刻相差的时间;
定义5邻接社区:若两个社区Ci与Cj之间存在边,则这两个社区互为邻接社区;
定义6社区相似度:车联网两个社区之间所有邻接点对的相似度的最大值;社区Ci与Cj的社区相似度simC(i,j,t)表达式为公式(7);
simC(i,j,t)=max{sim(u,v,t)|u∈Ci∧v∈Cj∧{u,v}∈E} (7)
定义7紧密对(Tight-pair):如果两个车辆节点或社区的相似度的值在各自的所有邻接节点或者邻接社区中是最大的,则将这两个节点或社区互为紧密对;相应地,当两个对象是节点时称为紧密节点对,当两个对象都是社区时称为紧密社区对;其中,所有与社区Ci互为紧密对的社区的集合可表示为公式(8);
步骤2.社区质量评价函数_
选取模块度的概念来作为评价社区质量的尺度;根据车联网中的网络特性,定义VANET网络中的模块度表达式如公式(10);
其中,n表示社区总数,ISi表示VANET网络中社区Ci内部节点相似度之和,
DSi表示社区Ci的所有节点与网络中其他节点的相似度之和,如公式(12);
DSi=∑j≠isimC(Ci,Cj) (12)
TS表示整个VANET研究区域内节点的相似度之和,如公式(13);
TS=∑u,v∈G,u≠vsim(u,v) (13)
若要合并两个社区Ci和Cj,合并后形成的新社区所在区域相对于合并前的模块度的改变量记为ΔQ(Ci,Cj),其计算过程如下所示:
步骤3.基于相似度归并的VANET社区发现
一种基于归并相似度的社区发现算法,通过节点相似度以及迭代归并紧密节点对和紧密社区对来探测社区结构;基于相似度归并的VANET社区发现过程,该算法1主要步骤是:
(1)根据t时刻网络的拓扑结构(包括节点分布、通信连接、通信持续到此时的时间等)得到VANET网络拓扑图G(V,E,W),并计算图G中所有带边节点间的节点相似度;
(2)将所有节点视为单个社区,且所有节点置以“未访问”的状态标记,为后面的归并过程做准备;然后,随机选择一个没有访问过的社区Ci,若Ci存在紧密社区对(Ci,Cj),并且满足ΔQ(Ci,Cj)>0,则将Cj合并入Ci,Cj社区被置为“已访问”状态,合并后的新社区Ci重新置为“未访问”状态;
(3)重复上一过程,直到算法收敛结束;
步骤3.基于相似度归并的VANET社区发现
(1)RSU的社区归属问题
定义8 RSU节点与VANET社区连通强度Connectivity(rk,Ci,t)是指车联网中的路边基础设施节点rk与VANET网络中的社区Ci之间通信的紧密程度,其表达式如公式(15):
其中,rk是路边基础设施R中的一个节点,sim(rk,u)表示rk与车辆节点u之间的节点相似度,n代表社区Ci中节点的个数;Connectivity(rk,Ci)表示路边基础设施节点rk与社区Ci中所有节点相似度的平均值;
RSU的社区归属是指为所有RSU节点赋予社区标签;对于RSU节点rk,其所属社区是由该节点与VANET社区连通强度Connectivity(rk,Ci,t)决定的,选择具有最大Connectivity(rk,Ci,t)的社区作为rk的社区归属,如公式(16)所示;
(2)基于节点相似度有RSU基础设施的车联网社区发现方法
在确定了RSU节点的社区属性后,车联网社区模型就已经基本构建完成,其基本过程是:
(a)首先,计算VANET网络中所有带边节点的节点相似度;
(b)其次,迭代归并紧密节点对和紧密社区对,确定VANET网络的社区结构;
(c)最后,确定RSU节点的社区归属,从而得到有路边基础设施的车联网社区结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810493553.3A CN108712287B (zh) | 2018-05-22 | 2018-05-22 | 基于节点相似度的vanet社区发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810493553.3A CN108712287B (zh) | 2018-05-22 | 2018-05-22 | 基于节点相似度的vanet社区发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108712287A CN108712287A (zh) | 2018-10-26 |
CN108712287B true CN108712287B (zh) | 2020-12-29 |
Family
ID=63869362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810493553.3A Active CN108712287B (zh) | 2018-05-22 | 2018-05-22 | 基于节点相似度的vanet社区发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108712287B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840720B (zh) * | 2019-03-01 | 2023-04-07 | 同济大学 | 车联网社区动态演化方法 |
CN109862536B (zh) * | 2019-03-07 | 2020-06-16 | 同济大学 | 大规模车联网多社区间通达性方法 |
CN110417594B (zh) * | 2019-07-29 | 2020-10-27 | 吉林大学 | 网络构建方法、装置、存储介质及电子设备 |
CN111427926B (zh) * | 2020-03-23 | 2023-02-03 | 平安医疗健康管理股份有限公司 | 异常医保群组识别方法、装置、计算机设备及存储介质 |
CN114528439B (zh) * | 2020-11-23 | 2024-06-14 | 电科云(北京)科技有限公司 | 基于分布式系统的极大团枚举方法和装置 |
CN115529581B (zh) * | 2021-06-25 | 2024-08-02 | 中国移动通信有限公司研究院 | 一种离网用户识别方法及装置 |
CN113742909B (zh) * | 2021-08-24 | 2023-11-03 | 同济大学 | 封闭场景下无人驾驶车群自协模型构建方法 |
CN114401134B (zh) * | 2022-01-14 | 2023-12-15 | 深圳市兴海物联科技有限公司 | 一种端边协同的物联网分布式可信管理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020163A (zh) * | 2012-11-26 | 2013-04-03 | 南京大学 | 一种网络中基于节点相似度的网络社区划分方法 |
WO2016011946A1 (en) * | 2014-07-22 | 2016-01-28 | The Hong Kong University Of Science And Technology | System and methods for analysis of user-associated images to generate non-user generated labels and utilization of the generated labels |
CN106453096A (zh) * | 2016-09-05 | 2017-02-22 | 北京邮电大学 | 一种动态网络社区发现方法及装置 |
CN107948246A (zh) * | 2017-10-31 | 2018-04-20 | 武汉科技大学 | 一种基于车联网车辆社交性的rsu部署方法及系统 |
CN108053665A (zh) * | 2018-01-15 | 2018-05-18 | 长安大学 | 车联网环境中双信任机制的交通信息识别转发方法 |
-
2018
- 2018-05-22 CN CN201810493553.3A patent/CN108712287B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020163A (zh) * | 2012-11-26 | 2013-04-03 | 南京大学 | 一种网络中基于节点相似度的网络社区划分方法 |
WO2016011946A1 (en) * | 2014-07-22 | 2016-01-28 | The Hong Kong University Of Science And Technology | System and methods for analysis of user-associated images to generate non-user generated labels and utilization of the generated labels |
CN106453096A (zh) * | 2016-09-05 | 2017-02-22 | 北京邮电大学 | 一种动态网络社区发现方法及装置 |
CN107948246A (zh) * | 2017-10-31 | 2018-04-20 | 武汉科技大学 | 一种基于车联网车辆社交性的rsu部署方法及系统 |
CN108053665A (zh) * | 2018-01-15 | 2018-05-18 | 长安大学 | 车联网环境中双信任机制的交通信息识别转发方法 |
Non-Patent Citations (1)
Title |
---|
"基于轨迹分析的VANET朋友圈挖掘方法";宁伟勋,肖晓强,周鹏;《2016应用数学与信息技术国际会议论文集》;20161025;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108712287A (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108712287B (zh) | 基于节点相似度的vanet社区发现方法 | |
CN105629198B (zh) | 基于密度的快速搜索聚类算法的室内多目标追踪方法 | |
CN104331422A (zh) | 一种路段类型推测方法 | |
Gao et al. | Optdynlim: An optimal algorithm for the one-dimensional rsu deployment problem with nonuniform profit density | |
CN107274669B (zh) | 一种基于最短路径的城市道路交通网络熵计算方法及系统 | |
Lu et al. | Modeling the heterogeneous traffic correlations in urban road systems using traffic-enhanced community detection approach | |
CN112365708B (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
CN104217593A (zh) | 一种面向手机移动速度的路况信息实时获取方法 | |
CN110298687B (zh) | 一种区域吸引力评估方法及设备 | |
CN109858559B (zh) | 基于交通流宏观基本图的自适应交通分析路网简化方法 | |
CN108882172A (zh) | 一种基于hmm模型的室内移动轨迹数据的预测方法 | |
Cheng et al. | A dynamic evolution mechanism for IoV community in an urban scene | |
CN104821086B (zh) | 一种定位大规模交通网络中低效路段组合的方法 | |
CN110059795A (zh) | 一种融合地理位置与时间特征的移动用户节点组网方法 | |
CN103200041A (zh) | 基于历史数据的容迟容断网络节点相遇概率预测方法 | |
CN110445654A (zh) | 一种基于社区划分的社交网络多源谣言溯源方法及系统 | |
CN104778355B (zh) | 基于广域分布交通系统的异常轨迹检测方法 | |
CN107577727B (zh) | 一种群体移动行为特性分析方法 | |
CN117454208A (zh) | 一种基于深度学习的共享单车出行网络社团挖掘方法 | |
CN117594135A (zh) | 基于分子动力学模拟轨迹的反应扩散过程分析方法及系统 | |
CN109064750A (zh) | 城市路网交通估计方法及系统 | |
CN112351394A (zh) | 一种基于手机信令数据的交通出行模型构建方法 | |
CN103906077A (zh) | 基于近邻传播算法的路侧单元放置方法 | |
Tripkovic et al. | Unbiased benchmarking in mobile networks: The role of sampling and stratification | |
CN109255433A (zh) | 一种基于相似性的社区检测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |