CN111787594A - 基于决策树算法的无人机自组网dsr协议实现方法 - Google Patents

基于决策树算法的无人机自组网dsr协议实现方法 Download PDF

Info

Publication number
CN111787594A
CN111787594A CN202010815000.2A CN202010815000A CN111787594A CN 111787594 A CN111787594 A CN 111787594A CN 202010815000 A CN202010815000 A CN 202010815000A CN 111787594 A CN111787594 A CN 111787594A
Authority
CN
China
Prior art keywords
node
aerial vehicle
unmanned aerial
routing request
decision tree
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.)
Pending
Application number
CN202010815000.2A
Other languages
English (en)
Inventor
刘庆华
黄声培
叶金才
康一鸣
肖菁颖
何垣鑫
周辰
朱彩球
乔睿萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202010815000.2A priority Critical patent/CN111787594A/zh
Publication of CN111787594A publication Critical patent/CN111787594A/zh
Pending legal-status Critical Current

Links

Images

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
    • H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/34—Source routing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/48—Routing tree calculation
    • 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
    • H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
    • H04W40/14—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality based on stability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于决策树算法的无人机自组网DSR协议实现方法，根据划分的无人机节点数据集属性等级和决策结果，利用ID3算法构造决策树，并动态计算更新划分出的节点属性因子，同时利用中间节点接收源节点发出路由请求，根据决策结果对应执行决策树算法，直至路由请求过程完成，并发送路由回复；本发明方法能根据无人机节点各属性因子大小，综合决策是否接收和丢弃路由请求，提高DSR协议的路由请求效率，综合选取稳定的节点组成可靠的通信链路，让其更好的应用于无人机场景的自组网中，改进后的DSR协议减少了路由开销、降低端到端时延的同时，提高网络的业务接收速率。

Description

基于决策树算法的无人机自组网DSR协议实现方法
技术领域
本发明涉及无人机自组网技术领域，尤其涉及一种基于决策树算法的无人机自组网DSR协议实现方法。
背景技术
无人机自组网(Flying Ad Hoc Network,FANET)以飞行的无人机为载体，不依赖固定基础设施，各无人机节点之间通过特定的路由协议实现信息的传递和共享，自组网支持节点动态入网和退网，无人机自组网需要实现在复杂环境下进行快速组网通信的目标。相比于传统地面自组网，无人机自组网受到节点载荷、能量等方面的诸多限制，在节点稳定性和网络拓扑难以确定的环境下，网络的通信质量往往难以保障。通过改进现有MANET路由协议，让其更好的应用于FANET网络中，具有较大的研究价值和应用前景。动态源路由(DSR)协议是经典的按需路由协议，该协议没有邻居检测和周期路由维护，仅在传输业务时才进行路由发现，因而路由开销较小。然而，由于没有考虑传输链路的稳定性，降低了业务接收速率。
发明内容
本发明的目的在于提供一种基于决策树算法的无人机自组网DSR协议实现方法，提高网络的业务接收速率。
为实现上述目的，本发明提供了一种基于决策树算法的无人机自组网DSR协议实现方法，包括：
根据划分的无人机节点数据集属性等级和决策结果，利用ID3算法构造决策树；
动态更新节点属性因子，并根据接收到的路由请求，执行决策算法，直至路由请求过程完成。
其中，根据划分的无人机节点数据集属性等级和决策结果，利用ID3算法构造决策树，包括：
根据划分的数据集属性计算出对应的熵，并根据对应的熵计算出对应属性的信息增益后，将对应的所述信息增益按照降序排列，分别作为根节点和子树，构造决策树。
其中，动态更新节点属性因子，并根据接收到的路由请求，执行决策算法，直至路由请求过程完成，包括：
基于无人机组网过程，动态计算更新划分出的所有节点属性因子，同时利用中间节点接收源节点发出路由请求，根据决策结果对应执行决策树算法。
其中，动态更新节点属性因子，并根据接收到的路由请求，执行决策算法，直至路由请求过程完成，还包括：
若接收的所述路由请求的目标地址与接收的所述中间节点的地址不匹配或不具有对应的缓存路由时，则重新更新所述节点属性因子，并广播所述路由请求，直至路由请求过程完成；
若接收的所述路由请求的目标地址与接收的所述中间节点的地址匹配或具有对应的缓存路由时，则路由请求过程完成，并发送路由回复。
本发明的一种基于决策树算法的无人机自组网DSR协议实现方法，根据划分的无人机节点数据集属性等级和决策结果，利用ID3算法构造决策树，并动态计算更新划分出的节点属性因子，同时利用中间节点接收源节点发出路由请求，根据决策结果对应执行决策树算法，直至路由请求过程完成，并发送路由回复；本发明方法能根据无人机节点各属性因子大小，综合决策是否接收和丢弃路由请求，提高DSR协议的路由请求效率，所述方法综合选取稳定的节点组成可靠的通信链路，让其更好的应用于无人机场景的自组网中，改进后的DSR协议减少了路由开销、降低端到端时延的同时，提高网络的业务接收速率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于决策树算法的无人机自组网DSR协议实现方法的步骤示意图。
图2是本发明提供的基于决策树算法的无人机自组网DSR协议实现方法的流程示意图。
图3是本发明提供的平均端到端时延对比图。
图4是本发明提供的业务接收速率对比图。
图5是本发明提供的网络开销中的路由发送速率对比图。
图6是本发明提供的网络开销中的路由接收速率对比图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1，本发明提供一种基于决策树算法的无人机自组网DSR协议实现方法，包括：
S101、划分无人机节点数据集属性等级，并得到对应的决策结果。
具体的，节点属性等级的划分如表一所示：
表1节点属性等级划分
属性 高 中 低
拥塞因子c c＞0.66 0.33＜c≤0.66 c≤0.33
速度因子s s＞0.9 0.45＜s≤0.9 s≤0.45
能量因子e e＞0.66 0.33＜e≤0.66 e≤0.33
其中，节点属性因子c、s和e分别表示拥塞因子、速度因子和能量因子，c＝Bnow/Bmax，Bmax表示节点缓存区的最大容量，Bnow为当前缓存的大小；s＝Snow/Smax，Smax表示节点移动速度的最大值，Snow为节点当前的移动速度值；e＝Econ/E0，E0表示节点的初始通信总能量，Econ为节点已消耗的能量。根据各属性等级综合决定决策结果，将决策结果划分为0和1，0表示节点拒收路由请求，1表示节点接收路由请求。
S102、根据划分的无人机节点数据集属性等级和决策结果，利用ID3算法构造决策树。
具体的，根据划分的无人机节点数据集属性等级计算对应数据集的熵，计算公式为：
Figure BDA0002632356260000041
Figure BDA0002632356260000042
其中，E(S)表示数据集S的信息熵，k表示数据集样本类别数，Pi表示样本i的概率，EA(S)表示属性A的熵，v表示数据集属性的个数，Sj表示根据属性A划分S的第j个子集，pji表示第j个子集中样本i的概率，S和Sj均表示样本数目。
然后利用数据集的熵来计算各属性的信息增益，信息增益的表示式为：
Figure BDA0002632356260000043
其中，G(S,A)表示属性A的信息增益，根据各属性信息增益的大小来构造决策树，即将对应的所述信息增益按照降序排列，增益值大的属性作为根节点，接下来是子树，以此类推，最终生成决策树。利用决策树机器学习算法改进现有的DSR路由协议，拓展DSR协议的适用场景，让其适用于FANET场景中。对比传统的改进方案，决策树机器学习算法的决策速度快，效率高，便于在拓扑结构难以预测的无人机自组网中快速筛选出稳定的节点构建可靠的通信链路。
S103、动态更新节点属性因子，并根据接收到的路由请求，执行决策算法，直至路由请求过程完成。
具体的，在无人机组网期间，网络节点的实时缓存大小、能量消耗和移动速度属性值均处于动态变化中，各节点需动态感知各属性值的变化，计算更新各属性因子的大小。源节点以广播形式发出路由请求后，中间节点接收到路由请求，该节点根据决策结果对应执行决策树算法，具体为：决策结果为0则自动忽略该路由请求；决策结果为1则接收处理该路由请求；若接收到的所述路由请求的目标地址与接收的所述中间节点的地址不匹配或不具有对应的缓存路由时，则重新更新所述节点属性因子，并广播所述路由请求，直至路由请求过程完成；若接收的所述路由请求的目标地址与接收的所述中间节点的地址匹配或具有对应的缓存路由时，则路由请求过程完成，并发送路由回复，表示算法执行结束，其流程图如图2所示。本发明方法对原DSR协议洪泛算法进行了优化，加入决策树算法抑制了部分无效的路由洪泛，提高了路由请求效率，因而减少了路由开销，延长自组网的生存时间。可靠的通信链路减少发生路径断裂现象，从而降低了端到端时延，提高了业务接收速率。
利用OPNET Modeler网络仿真软件来模拟无人机自组网通信，其仿真参数如下：
无人机自组网部署面积为
Figure BDA0002632356260000051
节点个数为30个，各节点随机分布于区域内，各节点海拔均为0.1km,节点的运动模型默认选择Default Random Waypoint，其速度范围为1～10m/s，传输速率为5.5Mbps,通信连接数量为4条单向CBR数据流,发包间隔为0.2s，数据包大小为1024bit，节点初始能量设为40J，每发送1024bit数据消耗8.5mJ，每接收1024bit数据消耗6.3mJ，发送功率设为5mW，仿真时长为600s。决策结果的划分如表2示：
表2决策结果的划分
Figure BDA0002632356260000052
Figure BDA0002632356260000061
根据数据集，生成决策结果，决策结果表明，节点拥塞因子的信息增益最高，因此选取拥塞因子作为决策树的根节点，接下来是子树。节点收到路由请求时，首先读取拥塞因子属性，如果拥塞因子等级为高，则说明节点丢失数据包的概率高，因此将请求数据包丢弃；如果拥塞因子等级为中或低，该节点按照决策算法，进一步读取其它属性因子，以此类推，最终得到稳定的传输路径。
仿真得到的结果如图3、图4、图5和图6所示，其中，DSR为传统方法，DT_DSR为本发明提出的方法。图3为网络平均端到端时延对比，结果显示，本发明提出的方法能效降低网络的端到端时延；图4对比了业务接收速率，本发明提出的方法显著提高了业务接收速率；图5和图6为分别表示路由发送和接收速率，结果表明，本发明提出的方法在一定程度上降低路由发送速率和路由接收速率，即降低了维护网络的路由开销。
仿真结果显示，本发明所述的基于决策树的无人机自组网DSR协议实现方法，通过决策树算法改进DSR协议，拓展DSR协议的适用场景，在拓扑结构难以预测的无人机自组网中快速筛选出稳定的节点构建可靠的通信路径，在降低网络的端到端时延和路由开销的前提下，有效提高业务的接收速率，虽然提高了路由请求算法的复杂度，但基本达到了改进的目的，仿真实验验证了本方法的可行性。
本发明的一种基于决策树算法的无人机自组网DSR协议实现方法，根据划分的无人机节点数据集属性等级和决策结果，利用ID3算法构造决策树，并动态计算更新划分出的节点属性因子，同时利用中间节点接收源节点发出路由请求，根据决策结果对应执行决策树算法，直至路由请求过程完成，并发送路由回复；本发明方法能根据无人机节点各属性因子大小，综合决策是否接收和丢弃路由请求，提高DSR协议的路由请求效率，所述方法综合选取稳定的节点组成可靠的通信链路，让其更好的应用于无人机场景的自组网中，改进后的DSR协议减少了路由开销、降低端到端时延的同时，提高网络的业务接收速率。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (4)

1.一种基于决策树算法的无人机自组网DSR协议实现方法，其特征在于，包括：
根据划分的无人机节点数据集属性等级和决策结果，利用ID3算法构造决策树；
动态更新节点属性因子，并根据接收到的路由请求，执行决策算法，直至路由请求过程完成。
2.如权利要求1所述的基于决策树算法的无人机自组网DSR协议实现方法，其特征在于，根据划分的无人机节点数据集属性等级和决策结果，利用ID3算法构造决策树，包括：
根据划分的数据集属性计算出对应的熵，并根据对应的熵计算出对应属性的信息增益后，将对应的所述信息增益按照降序排列，分别作为根节点和子树，构造决策树。
3.如权利要求2所述的基于决策树算法的无人机自组网DSR协议实现方法，其特征在于，动态更新节点属性因子，并根据接收到的路由请求，执行决策算法，直至路由请求过程完成，包括：
基于无人机组网过程，动态计算更新划分出的所有节点属性因子，同时利用中间节点接收源节点发出路由请求，根据决策结果对应执行决策树算法。
4.如权利要求3所述的基于决策树算法的无人机自组网DSR协议实现方法，其特征在于，动态更新节点属性因子，并根据接收到的路由请求，执行决策算法，直至路由请求过程完成，还包括：
若接收的所述路由请求的目标地址与接收的所述中间节点的地址不匹配或不具有对应的缓存路由时，则重新更新所述节点属性因子，并广播所述路由请求，直至路由请求过程完成；
若接收的所述路由请求的目标地址与接收的所述中间节点的地址匹配或具有对应的缓存路由时，则路由请求过程完成，并发送路由回复。
CN202010815000.2A 2020-08-13 2020-08-13 基于决策树算法的无人机自组网dsr协议实现方法 Pending CN111787594A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010815000.2A CN111787594A (zh) 2020-08-13 2020-08-13 基于决策树算法的无人机自组网dsr协议实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010815000.2A CN111787594A (zh) 2020-08-13 2020-08-13 基于决策树算法的无人机自组网dsr协议实现方法

Publications (1)

Publication Number Publication Date
CN111787594A true CN111787594A (zh) 2020-10-16

Family

ID=72762833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010815000.2A Pending CN111787594A (zh) 2020-08-13 2020-08-13 基于决策树算法的无人机自组网dsr协议实现方法

Country Status (1)

Country Link
CN (1) CN111787594A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105228215A (zh) * 2015-09-01 2016-01-06 重庆邮电大学 车载自组织网络中基于决策树机制的多副本路由方法
CN106789912A (zh) * 2016-11-22 2017-05-31 清华大学 基于分类回归决策树的路由器数据平面异常行为检测方法
CN111148178A (zh) * 2020-01-06 2020-05-12 桂林电子科技大学 一种基于无人机自组网的dsr路由协议实现方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105228215A (zh) * 2015-09-01 2016-01-06 重庆邮电大学 车载自组织网络中基于决策树机制的多副本路由方法
CN106789912A (zh) * 2016-11-22 2017-05-31 清华大学 基于分类回归决策树的路由器数据平面异常行为检测方法
CN111148178A (zh) * 2020-01-06 2020-05-12 桂林电子科技大学 一种基于无人机自组网的dsr路由协议实现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王勋等: "关于有人机/无人机编队协同作战决策", 《计算机仿真》 *
赵毅峰等: "基于深度学习的VANET网络DSDV路由协议改进", 《湖南科技大学学报(自然科学版)》 *

Similar Documents

Publication Publication Date Title
CN112020103B (zh) 一种移动边缘云中的内容缓存部署方法
Zang et al. Mobility prediction clustering algorithm for UAV networking
CN104168620B (zh) 无线多跳回传网络中的路由建立方法
Shen et al. A cooperative routing protocol based on Q-learning for underwater optical-acoustic hybrid wireless sensor networks
CN111741448B (zh) 一种基于边缘计算策略的分簇aodv路由方法
Rivoirard et al. Performance evaluation of AODV, DSR, GRP and OLSR for VANET with real-world trajectories
CN103200643B (zh) 基于剩余能量感知的分布式容错拓扑控制方法
CN110461018B (zh) 基于可计算ap的机会网络路由转发方法
CN113163466B (zh) 基于模糊决策树的自适应鱼群寻路包路由方法
CN115665227B (zh) 一种普适的异构融合算网资源智慧适配网络架构及方法
CN105848241A (zh) 移动自组织网的分簇方法及系统
Arkian et al. FcVcA: A fuzzy clustering-based vehicular cloud architecture
Amiri et al. Retracted article: Improved AODV based on Topsis and fuzzy algorithms in vehicular ad-hoc networks
CN113727408B (zh) 一种基于速度与能量感知的无人机自组网改进aodv路由方法
CN108632785B (zh) 一种基于链路质量的蚁群自适应车联网路由选择方法
CN108768852B (zh) 一种车联网中基于多副本拥塞避免的机会路由方法
CN111447658B (zh) 一种基于sdwsn的分簇路由方法
CN111787594A (zh) 基于决策树算法的无人机自组网dsr协议实现方法
CN116133082A (zh) 一种提高航空自组网拓扑持续时间的多跳分簇方法
CN114641049A (zh) 一种基于模糊逻辑的无人机自组网分层路由方法
CN103716783B (zh) 基于兴趣和地址组合的无线传感器网络数据查询算法
Ortiz et al. Intelligent role-based routing for dense wireless sensor networks
Wang Research on data transmission optimization of communication network based on reliability analysis
Fang et al. An energy balance and mobility prediction clustering algrithm for large-scale UAV ad hoc networks
Hu et al. Performance analysis of routing protocols in UAV ad hoc networks

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201016

RJ01 Rejection of invention patent application after publication