CN111130853A - 一种基于时间信息的软件定义车辆网络的未来路由预测方法 - Google Patents

Abstract

本发明涉及一种基于时间信息的软件定义车辆网络(SDVN)的未来路由预测方法。包括：根据车辆上传的状态信息和预处理好的路口信息，构建与当前车辆网络对应的隐马尔科夫模型(HMM)，路口为隐状态，车辆为显状态；根据此模型进行预测，主要分为两步：考虑多个参数的情况下，使用独有的算法生成最有可能的隐状态序列，即路口序列；由预测的路口序列，通过特有计算转化到显状态上，即车辆，联系起来即可获得高质量的预测后未来路由。此方法将时间图的概念带入到了路由计算中，比起过去将车辆网络视作一组静态图，时间图考虑了更多的时间信息，是预测后的路由更加符合真实场景，同时为下一步的路由计算等应用带来更多可能性。

Description

一种基于时间信息的软件定义车辆网络的未来路由预测方法

技术领域

本发明属于无线通信技术领域，应用于车联网，涉及一种基于时间信息的软件定义车辆网络的未来路由预测方法。

背景技术

车载自组织网络(VANET)已经成为智能交通系统(ITS)中一种很有前途的架构。近年来已对其进行了大规模的研究。然而，传统的分布式系统管理方法已不再满足当今快速增长的需求。分布式方法中大量重复和冗余计算大大拖累了VANET的发展。因此，作为一种新颖的网络范例，软件定义车辆网络(SDVN)弥补了当前车辆通信架构所带来的不足。SDVN是一种新兴的体系结构，允许集中管理和分布式控制。其中规定转发规则的策略是集中的，而实际的转发规则处理分布在多个设备之间[3]。数据平面和控制平面之间的分离是SDVN的核心思想。在车辆网络情景下，数据平面指的是车辆，路边单元以及它们配备的传感器和发射器。控制平面是逻辑控制器，为数据平面上的每个元素提供服务。逻辑可编程控制中心可以实现分布式控制平面能够实现的所有功能。同时，它为数据传输控制提供了更大的灵活性。路由计算的任务主要由控制器执行。其周期性地从数据平面收集的车辆状态信息，因此可以实时感知全局车辆网络。因此，控制器可以有效地为整个网络计算全局最优解决方案。另一方面，数据平面只需要专注于转发数据包，而不是在路由计算上浪费时间和计算资源。此外，车辆仅需要分配一小部分计算资源来收集车辆状态信息，例如位置和速度，然后将其发送给控制器。这将使数据平面上的元素间的联系更加紧密，最终允许车辆网络自身具有更大的灵活性，控制和可扩展性。

作为一种新颖的网络范例，SDVN在实现高效的网络通信的方面仍然存在无数的挑战。计算效率是一个需要解决的主要问题。如上所述，SDVN控制器需要承担整个数据平面上的路由计算任务。如果控制器无法高效地处理来自数据平面的路由请求。传输拥塞将会发生。请求车辆在发送路由请求后无法及时获得路由路径。如果需要传输的这个数据包与道路安全有关。后果将是不可想象的。

另一个问题是控制器将车辆网络视作什么。大多数研究人员将该网络视为一系列静态图。许多有效的经典图算法可以直接应用于路由计算(例如，Dijkstra，Bellman-ford)。然而，由于车辆的高移动性和车辆网络的复杂性，单个静态图上的计算无法感知到车辆网络随时间发生的变换。缺乏时间信息可能导致完全错误的结果。

发明内容

鉴于上述问题，为将时间图与SDVN更好地融合在一起，使得SDVN控制器高效地处理路由请求，本发明所要解决的技术问题是一种基于时间信息的软件定义车辆网络的未来路由预测方法，根据车辆状态信息和预处理的路口信息，高效预测足够数量的高质量的未来路由。本发明提供了高效的基于时间图的未来预测方法，采用了软件定义网络架构，控制平面基于数据平面上收集的数据进行决策，预测高质量路由，具体包括以下步骤：

步骤一：在结合贪婪思想和动态规划策略的混合策略的基础上，有效地构建了隐马尔科夫模型(HMM)。以路口为隐状态，车辆为显状态，根据源车辆，目的地车辆和每个路口的历史路由，路口间距离和目的节点的距离关系，自适应地构建隐状态概率转换矩阵，即路口概率转换矩阵，之后再通过每个车辆与其归属路口的距离和历史路由构建显状态(路口)-隐状态(车辆)概率转换矩阵，即路口-车辆概率转换矩阵。

步骤二：根据上一步生成的HMM，结合贪婪与动态规划结合的预测策略来预测数量足够体现当前车辆网络特征的未来路由，其数量为需要保证包含所有可能性；将路口概率转换矩阵视为图，在上面执行Dijkstra最短路算法，获得路口最优序列，之后将最优序列上的路口删除，再次执行Dijkstra算法，获得路口次优序列；将次优路口序列中的每个路口连接到最优路口序列的最近路口，路口最优序列和次优序列经过上文方法连接后形成路口序列；还原当前车辆网络状况的路口信息传输网络。

步骤三：根据步骤二中所述方法连接后的路口网络和路口-车辆概率转换矩阵，考虑车辆历史路由和与其他车辆的距离信息，选举出每个路口处适合担任转发工作的车辆，将其做全连接，即可获得未来车辆路由时间图。

本发明采用LTE-V2X技术的软件定义车辆网络，通过控制器获取节点的状态信息，构建自适应变化的马尔可夫模型，利用模型对未来车辆网络做预测，构成对应的时间图后为未来的路由应用提供无数可能性。本发明将时间图的概念带入到传统的车辆网络中，随着对时间信息的考虑控制器中对车辆网络的映射更加贴近现实。高效的时间图算法与网络规模的减小，大大提高了路由计算的效率，减少了中央控制器的开销。

附图说明

图1是时间图和它所对应的静态图举例。

图2展示了本发明提出的软件定义车联网架构及应用场景。

图3是系统详细功能的示意图。

图4是路口车辆密度计算的示意图。

图5是沈阳城市小面积地图场景示意图。

图6是沈阳城市大面积地图场景示意图。

图7是小地图上路由计算效率的实验数据对比图。

图8是小地图上路由的送达率实验数据对比图。

图9是小地图上路由平均时延的实验数据对比图。

图10是小地图上路由平均时延抖动的实验数据对比图。

图11是大地图上路由计算效率的实验数据对比图。

图12是大地图上路由的送达率实验数据对比图。

图13是大地图上路由平均时延的实验数据对比图。

图14是大地图上路由平均时延抖动的实验数据对比图。

图15是该未来路由预测方法的整体流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参考图1-15，将时间图的概念引入SDVN，时间图即可以表示图的所有节点之间的关系，如静态图。同时，它能够记录不同时间戳中同一对节点之间关系的多样性。使用时间图来表示车辆网络更准确。另外，时间图上的最优路径算法是高效的。如果使用得当，SDVN中的时间图应用提高了路由计算的效率，并使SDVN中建立的模型更接近现实世界的车辆网络。

例如，图1(a)示出了车辆网络的时间图G，而图1(b)示出了其对应的静态图。如上所述，每条边具有其时间信息，由(u,v,t,d)表示，指示从u到v的边缘在时间t开始，并且它持续d个时间戳，直到分组成功到达v为止。事实上，u和v之间可能存在多条边，表明它们在不同时间戳上的关系。为简单起见，假设图1(a)中每条边的持续时间为1，而每条边上的数字是其开始时间。现在可以计算从A到J的最短路径。在图1(b)中，最短路径之一是<A,D,G,J>，这条路径的距离明显是3。然而，在图1(a)中，不可能找到从A到J的任何连通路径。这是因为只能从G到达J，但是从G到J的最晚出发时间是时间9和到达G最早到达时间是时间10。如果以A为起点，两个图之间的时间信息的差异使得J在时间图中无法到达。图1解释传统静态图可以在动态拓扑中产生错误信息。当在SDVN中计算下一时刻的路由路径(流表)时，这种错误也会发生。首先，假设每个节点是车辆或基础设施，边代表将车辆正将分组发送到另一车辆。在数据包到达目的地(接收方)之前，边(或链路，在过去是有效的)可能会被破坏。如果发生上述情况，则需要在SDVN的控制器中生成重新发送新路由，这会导致丢包，路由开销和延迟。因此，必须将时间信息保存在SDVN中。

然而时间图大部分是用来统计已经发生的变化，例如过去一小时的路由情况，或者是日常固定的图信息，例如航班信息，而路由的目的是计算下一时刻的传输路径，所有，很有必要将预测这一机制引入进SDVN中，使时间图与SDVN更好的适配。因此，在本技术方案中，提出了一种新的SDVN预测方法，即一种基于时间信息的软件定义车辆网络的未来路由预测。

本发明的应用环境如图2所示，整个SDVN架构分为控制平面和数据平面两部分。数据平面包括基站(BS)和车辆。由于SDVN需要在数据平面和控制平面之间进行长期稳定的通信，因此使用BS作为中继来保证向控制平面的强大且稳定的数据传输。在数据平面，车辆到车辆(V2V)通信和车辆到BS(V2B)通信中发生了两种类型的通信。V2V采用LTE-V2X，V2B采用LTE技术。

所有车辆都需要通过BS向控制平面发送信标消息。通过这种方式，控制器可以立即获得整个车辆网络的最新全局视图。信标消息包括位置，速度，加速度等。该信标消息应该能够呈现在车辆网络中某车辆的特定状态。利用从数据平面收集的信标消息，控制平面可以构建该车辆网络的全局视图。一旦需要传输数据，源车辆通过V2B通信向控制平面发送路由请求。采用集中式SDVN控制器作为控制平面。当接收到路由请求时，控制器在其自己的有效协议下计算最佳路由路径，并通过V2B通信将其发送回相关车辆。最后，最优路由路径上的车辆根据流表转发数据包。

在转发失败的情况下，故障车辆将错误请求发送到控制器以重新计算路由路径。如果根据重新计算的路由路径，车辆成功重新转发此数据包，则表示此错误已得到修复。如果连续三次发生相同的路由错误，则该路由将被视为失败。同时，将在控制平面和数据平面中删除该失败路由的所有相关路由信息。这确保了路由信息的可靠性和实时性。

本技术方案提供的基于时间信息的软件定义车辆网络的未来路由预测方法，包括以下步骤：

步骤一：在结合贪婪思想和动态规划策略的混合策略的基础上，有效地构建了隐马尔科夫模型(HMM)。以路口为隐状态，车辆为显状态，根据源车辆，目的地车辆和每个路口的历史路由，路口间距离和目的节点的距离关系，自适应地构建隐状态概率转换矩阵，即路口概率转换矩阵，之后再通过每个车辆与其归属路口的距离和历史路由构建显状态(路口)-隐状态(车辆)概率转换矩阵，即路口-车辆概率转换矩阵；

步骤二：根据上一步生成的HMM，结合贪婪与动态规划结合的预测策略来预测数量足够体现当前车辆网络特征的未来路由，其数量为需要保证包含所有可能性；将路口概率转换矩阵视为图，在上面执行Dijkstra最短路算法，获得路口最优序列，之后将最优序列上的路口删除，再次执行Dijkstra算法，获得路口次优序列；将次优路口序列中的每个路口连接到最优路口序列的最近路口，路口最优序列和次优序列经过上文方法连接后形成路口序列；还原当前车辆网络状况的路口信息传输网络；

步骤三：根据步骤二中所述方法连接后的路口网络和路口-车辆概率转换矩阵，考虑车辆历史路由和与其他车辆的距离信息，选举出每个路口处适合担任转发工作的车辆，将其做全连接，即可获得未来车辆路由时间图。

为了清楚地说明流程，先对路由信息在时间图内的表达下定义：

定义1：路由链路信息(REI):在SDVN中的分组传输期间，从车辆i发送的分组到达在最佳路由上下一个车辆j，该路由链路的时间信息统称为路由链路信息(REI)。REI包括发送方节点i，接收方节点j，开始时间t和持续时间d。

图3所示的具体流程如下，步骤101代表着HMM的构建，如上所述的HMM配置将路口设置为隐状态和路口周围的车辆作为显状态。一开始，需要记录网络中所有路口的信息。当控制器从特定车辆接收到信标消息时，控制器需要判断该车辆属于哪个路口，这意味着该车辆在路口的特定范围内。通过计算每个路口处车辆下属的数量和每两个路口之间的距离，可以计算出能够表示当前车辆网络的隐马尔可夫模型。

首先，需要记录所有路口的状态。获取三个与车辆网络数据传输相关的属性以用于路口概率转换矩阵的构建，以下是路口的三个属性：

(1)路口的位置信息。这些信息可以通过地图或GPS信息轻松实现。为了降低后续程序的计算复杂度，可以预处理所有路口的位置信息，计算每个路口对之间的距离，表示为d_ij，并将其以邻接矩阵存储。

(2)车辆路口下属信息。这意味着该交叉路口的特定范围内的车辆数量和这些车辆的状态。这里对路口的范围下一个定义，

定义2：(路口范围)：将源自路口i的每个路段平均分成两部分。更靠近路口i的那一半路段上的车辆被定义为在i的路口范围内。

同时，每个路口被划分为若干个部分，因为一个路口与具有不同路段的其他路口链接。如果想要计算从路口i到路口j的转移概率，应该只考虑段S_ij而不是从路口i的其他路段。其他路段的车辆只有很小可能会被利用来与j进行通信。因此，路口被分成多个部分，其数量等于源自它的路段的数量。每个部分只需要负责来记录自己路段上车辆的数量和状态。主要使用路段的车辆密度来测量链路的稳定性。该公式用于计算车辆密度：

公式(1)中，

代表着从路口i出发的路段s_ij上的车辆密度。

指从路口i出发的路段s_ij上的车辆数量。这里需要注意

与

并不相同。如图(4)所示，每个路段平均分为两个部分，每个路段和路段上的车辆都属于靠近它们的路口。这使得每个路口及其下属车辆的界限更加清晰。所以

才是路段s_ij上的实际车辆数。

表示路段s_ij的长度。将其除以二的原因与上述相同。

(3)历史路由信息。与历史REI不同，这意味着不同路口处的车辆之间的分组传输。认为这是一个历史路口路由信息。计算每个路口对的历史交叉路由指数ii，以构建状态转移概率分布矩阵A，该指数按以下公式实现。

在公式二中，ii_ij表示从路口i到路口j的历史路口路由指数，t_i表示时刻i的时间值。i＝0表示第一个历史路由边缘发生的时间。同时，i＝p表示当前时间值。

是在时间h从路口i到路口j的路由有效值。如果在时间h，路口i处的车辆向路口j处的车辆发送分组；即，从路口i到路口j的这种路由发生，

的值为1，否则为0。

该公式表明两个路口之间的关系将随着它们之间发生的路由数量的增加而更加接近。由于过去成功传输过分组，现在这个链路可达且稳定的概率更大。另一方面，特定的一个历史路由发生的时间离现在越远，它就越不重要。

利用路口的这三个基本属性，可以在动态规划和贪婪策略下构建对应于当前网络的HMM。首先，定义从路口i转移到路口j的可能性为从路口i到路口j的转换指数由i_ij表示。过转换指数按此公式3计算，

如果车辆密度为0，则表示路段s_ij上没有车辆。在这种情况下，如果想要在这两个路口之间传输数据包，就会有很大的失败概率。因此，i_ij被设置为0以避免使用该链路发送分组。

另一方面，如果车辆密度高于0.这意味着有可用于分组传输的车辆。因此，定义两个部分来定义转换指数，动态规划部分和贪婪部分。在第一部分中，以车辆密度

和历史路口路由指数ii_ij作为参数。每个参数都直接与传输成功相关。车辆密度越高意味着可用于传输的车辆越多。在这种情况下，交付率自然上升。k和l分别是参数的权重系数。k和l的总和始终为1。k值越大，车辆密度信息越重要。相反，历史路口路由指数的重要性随着l值的增加而增长。

第二部分是贪婪部分，d_jd表示路口j和路口d之间的距离。路口d是目的地车辆所属的路口。d_id也可以用同样的方式理解。它们之间的差表示在选择此链接后解决路由问题的优化程度。简单来说，这表明在采取这一链路后离目的地近了多少。通过考虑该参数，它使得对HMM的预测更可能向更接近目的地车辆的方向发展。

α和β是动态规划和贪婪部分的权重系数。它们用于调整这两个部分对模型的权重。这里倾向于设置α的值，也就是是动态编程部分，略大于β。采用这种策略有两个原因。首先，希望给传输成功率更高优先级。换句话说，希望在保证链路质量的前提下追求最优路由路径。其次，希望通过使贪婪部分的权重小一点来避免局部最优。

在计算每个路口对的转换指数之后，表示当前网络的HMM的隐层就已经构建完成。有了这个模型，未来的REI就可预测了。但是，需要将预测后REI数量保持在合适范围内，以保证路由路径的质量和路由计算的效率。因此，在这一部分中，将详细介绍预测算法。首先，将HMM视为该模型的顶点相对应的一个图。然后预测两个路口序列，最佳路径和次优路径。次优路径将在适当节点处连接到最佳路径。最后，将隐状态转换为显状态，即路口至车辆。通过将相关车辆连接在一起。足够数量的合格REI就可被预测出来。

构造的HMM的状态转移概率分布在某种程度上是一个矩阵，可以将其视为邻接矩阵。过渡指数可以被视为两个路口之间的“距离”。虽然与实际距离不同，转换指数越大，此链接越容易通过。当然，为了更好地利用图论中的相关知识，将转换指数作为其倒数形式。这样的话，过渡指数就与现实中的距离更相近，而比率保持不变。相应的邻接矩阵构造如下所述：

遍历HMM的所有转换指数。每次遍历中进行判断。如果该指数高于从同一路口发出的所有转换指数的平均值。将其考虑在内并将其视为图中的边。边的权重是该转换指数的倒数形式。否则，图中没有与该指数对应的边。全部转换指数遍历完成后，与HMM对应的临界即可构建完成。

之后实现了代表HMM的邻接矩阵，可以正式进入预测阶段。第一步是生成隐状态序列(即路口序列)。因为已经将矩阵视为图。可以在其上使用一些传统的图算法。决定选择Dijkstra算法来计算从源路口到目的路口的最佳路径。由于图矩阵的尺寸远小于车辆网络，计算的时间成本也很小。为了探索所有可能性，计算了两条路径，即最优路径和次优路径。然后将两条路径链接在一起以实现混合交叉路径。通过这种方式，几乎可以将所有可能性都考虑在内，并同时保证适当数量的合格REI。算法细节如下所述：

首先，初始化三个列表来存储结果。optimal_path，suboptimal_path和subgraph。subgraph用于存储该算法的结果：具有两个最佳路径的混合路径。然后，使用Dijkstra算法计算表示HMM的图G上的最佳路由路径，并将其存储在optimal_path中。由于路口的数量是有限的，因此该过程在计算上是有效的。之后，除了源路口和目的路口之外，删除与G上的最佳路径相关的所有路口于其对应的路径。然后再次执行Dijkstra以获得次优路径并将其存储在suboptimal_path中。现在已经实现了两条路径。接下来就是链接部分。遍历suboptimal_path。对于每个suboptimal_path中的路口，一旦找到了更接近目标路口的储存在optimal_path中的路口，将suboptimal_path中的路口链接到optimal_path中的较近交点，将该链接存储在subgraph中，并处理suboptimal_path中的下一个路口。最后，将optimal_path和suboptimal_path插入到子图中。可以实现混合交叉路径，subgraph中就储存着混合路径结果。

在这一部分中，将介绍预测的最后部分，从路口到车辆的转换。使用已经实现的路口路径来预测合适的合格REI数量。首先，用DFS方法探索子图。由于交叉路口的车辆下属数量有限，决定在两个特定交叉路口的所有车辆之间做全链接。在转发REI预测时，需要在其前继路由的结束时间(开始时间+持续时间)之后累积记录REI的时间信息。当预测到目的车辆时，所有预测结束，预测的REI的质量和数量也可以得到保证，在所有路口连接完成后，连接所产生的边与相关车辆即可组成路由预测时间图。

由于的方法在计算效率和路由路径质量方面具有良好的性能。效率仍有很大提升空间。因此，提出了两种在确保路由质量，位置更新和车辆选择策略的前提下提高计算效率的方法。下面将详细描述这两种方法的细节。

(1)位置更新

在的原始协议中，车辆将信标发送到控制器的频率是每秒一次。这个频率对于车辆网络来说有点太高了。车辆的平均速度为30-50km/h，即车辆每秒移动8-14m。它在车辆网络上的位置在一秒钟内不会发生很大变化。因此，需要根据每个车辆的状态来决定每个车辆发送信标的频率。这里选择两个属性，它的速度v_x和它切换主交叉点d_x,ij的距离。速度的重要性是显而易见的。发送信标的频率随着速度的增加而增加。另一方面，协议的核心是车辆和路口之间的关系。一旦车辆切换路口，接下来的预测可能完全不同。因此，将切换路口的距离视为重要参数。车辆越接近两个路口之间的边界它将信标发送给控制器的频率越高。这是计算信标频率的公式。

f_x是发送车辆x的信标的频率。v_x是车辆x的速度。d_x,ij是车辆x到达边界之前的距离，并且从路口j转移到路口d。

实际上是车辆到达边界之前的时间的倒数形式，因此δ用于确定车辆向控制器发送信标消息的次数，直到它到达边界。该方法可以保证车辆网络的实时性，同时提高控制器和车辆的计算效率。

(2)车辆选择策略

在路口-车辆转换程序中，在属于两个路口的所有车辆之间建立完连接。但这不是必要的。有些车辆并没有足够的资格承担转发数据包的任务。因此，在从路口-车辆的转换期间，移除这些车辆不会影响最佳路由路径的质量，并且同时大大提高效率。在这里，使用此公式来量化车辆资格。

q_x是车辆x的资格指数。该公式还分为历史路由部分和距离部分两部分。历史路由部分与HMM构造中的路由部分几乎相同。唯一的区别是计算从车辆x开始而不是路口的路由。第二部分是距离部分，距离路口中心太近或太远不是想要的。如果车辆太靠近，则很难将数据包传输到下一个交叉路口。如果太远，它很难从上一个交叉口接收数据包。它的分布类似于正态分布。因此，当车辆到达该段的中心时，采用该公式使其值为最高。

在此交叉路口中为每辆车计算q_x后。可以选择一部分车辆用于车辆交叉口的转换，而不是在每辆车之间进行完整连接。一旦该车辆的q_x高于属于该交叉路口的所有车辆中的平均值，则该车辆被选择作为路由候选者。

将介绍实验仿真的细节，包括参数和评估。使用SDVN仿真平台(https://github.com/a824899245/SDVN-platform)一种在Python环境中开发的强大工具来评估的路由协议路由算法。该模拟器专为SDVN设计。的模拟基于真实场景。背景是中国沈阳市铁西区。选择了不同大小但统一位置的两张地图作为实验环境。图5与图6显示了地图的细节。白线是选择的路段。地图信息来自OpenStreetMap。然后基于真实世界地图，使用SUMO来获取车辆运动轨迹数据。最后，使用仿真平台来模拟车载网络中的数据包传输。路由请求每秒从随机车辆生成一次。并且请求的目的地也是随机的。表1显示了的车载网络和模拟器的基本设置。每轮模拟持续300秒。每个模拟轮次用不同的随机种子重复5次。

表1:

实验参数名	实验参数值
		仿真区域面积	2686m×1494m/5193m×5863m
路口数	68/267
		路段数	116/457
车辆数量	100/200/300/400/500
		车辆速度	0–60km/h
车辆数据传输范围	500m
		仿真持续时间	300s
分组产生间隔	1s

将基于该发明的预测的路由算法(PT-GROUT)与Dijkstra，HRLB和PRHMM进行比较。实现最佳路由的最流行的方法是SDVN中的Dijkstra。研究人员倾向于选择Dijkstra作为其协议的主要算法。即使它是一种有效且准确的最短路径算法，它也可能遗漏车辆网络中的一些重要时间信息。还选择SDVN路由方案HRLB作为参考。HRLB是一种具有负载平衡的分层路由方案。它使用三级方案来计算路由，网格-路段-车辆。在网格选择阶段，HRLB考虑平均网格车辆密度和平均网格传输概率。然后根据选定的网格连接分段。最后，将选择相关段的合格车辆作为最佳路由的一部分。因此，与另一种路由方案PRHMM进行比较。它还将预测集成到路由协议路由算法中。在PRHMM中，车辆通过HMM预测它们的位置和与目的地车辆的关系。在转发阶段，每个车辆根据预测的交付概率和交付延迟计算下一跳车辆。因为它是一种分布式路由协议路由算法。效率可以得到保证。每个路由的质量不稳定，原因主要是分布式方法无法实现网络的全局视图。结合路由质量的各种要求，选择了四个指标。以下指标用于比较这些方案。最后简单介绍一下PT-GROUT，此路由算法主要分为两部分：预测与时间图最短路算法。预测部分即与本专利所述完全相同；时间图最短路算法细节在算法4中如下所述：首先按开始时间从小到大排序遍历所有边。如果改边开始时间晚于其开始节点的最早到达时间，即表示信息赶得上在该边出发前抵达开始节点，就代表这条边合格，进入下一个判断，如果该边的结束时间(开始时间+持续时间)小于该边目的节点的最早到达时间，就代表此边为更优解，需要记录前序节点并且更新目的节点的最早到达时间。在所有边遍历完成后，从一节点出发到剩余所有节点的最早到达时间与最优路径均被记录完成。

计算效率：每个路由请求的平均计算持续时间，该度量主要取决于控制器性能和算法复杂度。

送达率：在创建的所有数据包中成功传送到目标节点的数据包的比率。

传送时延：从创建数据包到成功传递到目标的时间的平均时延。这是评测计算路由质量的主要方法。

抖动：每个成功的数据包传输的时延的方差。这表明了路由质量的波动性。在某些方面，它表示计算路由的质量。

首先进行小地图上的实验，正如在图7中所看到的，在计算效率方面比较了这四种路由协议路由算法的性能。值得一提的是，计算时间成本只是控制器中路由计算的持续时间。将处理转发的时间记录在内。在大多数场景中，的协议是这些协议中最好的协议。除车辆密度低的情况外，Dijkstra的性能略好于PT-GROUT。在其他情况下，的协议均优于其他协议。这证明了的方法是高效的，因为路口的数量是有限的，路口的属性已经在状态更新阶段处理。在最好情况下，的方法比对照组中最有效的协议快20％。在低密度情况下，Dijkstra中的车辆网络边数量是有限的。路口的数量可以达到70.因此，的方法和Dijkstra之间的效率没有太大差异。在此仿真中可以看到，的方法能够显着提高控制器的计算效率，并大大减少控制器的计算负担。

在图8中，给出了送达率的模拟结果。的协议具有比其他3种协议更好的送达率。这主要有两个主要原因，足够数量的可能预测REI和对车辆密度的考虑，的预测为最终计算的路由路径提供了适当数量高质量的REI。有必要解释低密度情况下送达率的波动。的SDVN平台考虑了信号衰减模型。在低车辆密度情况下，车辆拓扑是稀疏的，并且车辆之间的距离很大。它导致不稳定的送达率。但是随着车辆数量的增加，的方法在交付率方面始终优于其他3种协议。

图9和图10分别示出了计算的路由的质量，其中使用了两个性能度量，延迟和抖动。在四种路由算法中，PT-GROUT在延迟方面表现出比其他两种更好的性能。在最佳时间，PT-GROUT下的路由延迟比对照组中的最佳算法短14％。另一方面，就延迟抖动而言，Dijkstra具有最佳性能，因为它总是计算所有四种算法之间的绝对最佳路由。PT-GROUT的抖动在开始时迅速上升。此外，随着车辆数量的增加，趋势保持稳定。这意味着PT-GROUT的抖动随着节点数的增加而逐渐稳定。即使它在抖动方面也能达到最佳质量，没有指数增长的趋势表明PT-GROUT仍然足以在复杂的网络场景中生成稳定的路由。

结合上述两个指标的性能，可以得出，的算法可以有效地计算具有不同节点数的场景中的最佳路由路径。路由路径质量更好的最明显原因是PT-GROUT的送达率更高。另一方面，通过适当的HMM预测，已经考虑了数据传输的所有可能路线。它们的质量和数量得到保证。最后，有效的时间图路由算法也有助于此结果。该算法可以有效地计算这些预测路由中的绝对最优路由路径。结果证明了计算出的数据报文转发路由的质量和实时性。

然后我在大地图上进行实验，在计算效率方面，比较结果可以在图11中看到。性能与低密度车辆网络几乎相同，因为路口序列生成和路口数增加，PT-GROUT的效率略差于Dijkstra。但是，它仍然优于其他两种算法。然而，随着车辆数量的增加，PT-GROUT的优势逐渐显现。适当的交叉路口路径预测和有效时间图最优路由算法为路由计算带来了巨大的潜力。在最佳时间，PT-GROUT比对照组中最有效的算法快25％。这证明PT-GROUT是最有效的路由算法，无论车载网络的情况如何。

在图12中，提供了数据包送达率比较模拟的细节。首先需要解释的是当车辆数量达到100时，所有四种算法的低送达率。对于5193m×5863m的区域，100辆车组成的车辆网络太过于稀疏。当数据包到达一辆车时，该车辆很难找到下一跳车辆。这将导致数据包丢失。因此，在过度稀疏的车辆网络中，算法执行得不是很好。当车辆数量达到200时，低送达率的现象消失。由于分布式路由算法的优势，PRHMM在车辆数量为200时具有最佳传输率。然而，PT-GROUT是所有三种SDVN路由算法中最好的。随着节点数的增加，PT-GROUT的性能保持稳定甚至逐渐上升。此外，由于网络拓扑越来越复杂，其他三种算法的送达率也有所下降。这证明了路由算法PT-GROUT下的分组传送率在任何情况下都保持高质量。

图13和图14分别示出了计算的路由的质量，其中在大区域地图上利用了两个性能度量，时延和抖动。在时延方面，大面积地图突出了分布式路由算法的缺点：没有车载网络的全球视图。每辆车只接收周围车辆的信息。在复杂的网络拓扑中，无法计算全局最优路由。有时会陷入局部最优。这些原因将不可避免地导致路由时延的增加和波动。在三种SDVN路由算法中，就时延和抖动而言，PT-GROUT在大多数情况下是最佳路由算法。即使在PT-GROUT的性能较弱的情况下，差距也很小。大面积地图上的实验突出了PT-GROUT在追求更好的计算路由质量方面的优势。

本专利的优点：

1、简单高效的HMM构建方法，完美地表示了当前车辆网络的特征，充分利用了SDVN架构的优势，合理的HMM设置使该模型可以找到车辆网络内部的演化规律。为路由预测做好充足的准备

2、新颖，高效且准确的基于HMM的路由预测算法，足够数量的高质量REI可以经由此算法预测出来。

3、利用这些预测的REI，构建了与当前车辆网络相对应的时间图。其中的所有边都是未来可能的未来路由。由于该图带来的时间信息。基于此图的路由可能是高效和现实的。

4、两个高效的优化方法，使得在不影响预测质量的同时，进一步提高预测算法效率。

上面对本发明的实施方式做了简要说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (5)

1.一种基于时间信息的软件定义车辆网络的未来路由预测方法，其特征在于：包括如下步骤，

步骤一：构建隐马尔科夫模型HMM；以路口为隐状态，车辆为显状态，根据源车辆，目的地车辆和每个路口的历史路由，路口间距离和目的节点的距离关系，自适应地构建路口概率转换矩阵，再通过每个车辆与其归属路口的距离和历史路由构建路口-车辆概率转换矩阵；

步骤二：根据生成的HMM，预测数量足够体现当前车辆网络特征的未来路由；将路口概率转换矩阵视为图，在上面执行Dijkstra最短路由算法，获得路口最优序列，之后将最优序列上的路口删除，再次执行Dijkstra算法，获得路口次优序列；将次优路口序列中的每个路口连接到最优路口序列的最近路口，路口最优序列和次优序列经过上文方法连接后形成路口序列；还原当前车辆网络状况的路口信息传输网络；

步骤三：根据步骤二中所述方法连接后的路口网络和路口-车辆概率转换矩阵，结合车辆历史路由和与其他车辆的距离信息，选举出每个路口处适合担任转发工作的车辆，将其做全连接，获得未来车辆路由时间图。

2.如权利要求1所述的一种基于时间信息的软件定义车辆网络的未来路由预测方法，其特征在于：获取三个与车辆网络数据传输相关的属性以用于路口概率转换矩阵的构建，所述的属性包括：

(1)路口的位置信息，该位置信息通过地图或GPS信息获得，将该位置信息进行预处理，计算每个路口对之间的距离，表示为d_ij，并将其以邻接矩阵存储；

(2)车辆路口下属信息，将源自路口i的每个路段平均分成两部分，更靠近路口i的那一半路段上的车辆被定义为在i的路口范围内；每个部分只负责来记录自己路段上车辆的数量和状态，使用路段的车辆密度来测量链路的稳定性；该公式为：

公式(1)中，

代表着从路口i出发的路段s_ij上的车辆密度，

指从路口i出发的路段s_ij上的车辆数量，

表示路段s_ij的长度；

(3)历史路由信息，计算每个路口对的历史交叉路由指数ii，以构建状态转移概率分布矩阵A，该指数按以下公式实现；

在公式2中，ii_ij表示从路口i到路口j的历史路口路由指数，t_i表示时刻i的时间值，

是在时间h从路口i到路口j的路由有效值。

3.如权利要求2所述的一种基于时间信息的软件定义车辆网络的未来路由预测方法，其特征在于：根据所述路口的三个属性，构建每一对路口间的转换概率，全部路口对计算完成后，即可获得与当前车辆网络对应的路口概率转换矩阵；

路口间的转换概率计算公式如下；

公式3中

代表着从路口i出发的路段s_ij上的车辆密度，ii_ij表示从路口i到路口j的历史路口路由指数，d_jd表示路口j和路口d之间的距离；路口d是目的地车辆所属的路口；d_id则表示路口i和路口d之间的距离；

α和β是动态规划和贪婪部分的权重系数，K是车辆密度的权重系数；全部路口对之间的转换概率计算完成后，代表整个车辆网络的路口转换概率矩阵就构建完成。

4.如权利要求3所述的一种基于时间信息的软件定义车辆网络的未来路由预测方法，其特征在于：以权3中构建的路口转换概率矩阵为基础通过以下算法从模型中预测有可能的路口网络；

遍历HMM的所有转换概率，每次遍历中进行判断，如果该指数高于从同一路口发出的所有转换指数的平均值，将其考虑在内并将其视为图中的边，边的权重是该转换指数的倒数形式；否则，图中没有与该指数对应的边，全部转换指数遍历完成后，与HMM对应的邻接矩阵即可构建完成；

使用Dijkstra算法来计算从源路口到目的路口的最佳路径，将最优路径上所有相关路口从图中删除，再次计算使用Dijkstra算法来计算次优路径，最后将次优路径上所有路口连接至最优路径上离其最近的路口，即可获得最适合当前车辆网络情况的路口网络。

5.如权利要求4所述的一种基于时间信息的软件定义车辆网络的未来路由预测方法，其特征在于：在所预测的路口网络中，挑选有足够资格承担路由任务的车辆，之后将所有有资格的车辆以全连接方式进行连接，同时并将其连接的边以时间顺序安排，即可获得一个与当前车辆网络完全对应的未来车辆路由时间图；

在路口-车辆转换过程中，使用此公式来量化车辆资格：

q_x是车辆x的资格指数，

是在时间h从车辆i到车辆j的路由有效值，d_ij表示车辆i和路口j之间的距离，d_xi表示车辆x与路口i之间的距离；

在此交叉路口中为每辆车计算q_x，可以选择一部分车辆用于车辆交叉口的转换，一旦该车辆的q_x高于属于该交叉路口的所有车辆中的平均值，则该车辆被选择作为路由候选者；将各个路口的路由候选车辆做全连接，构建反映未来车辆路由的时间图。

Images