CN115087069A - 基于链路持续时间的自适应地理位置路由方法 - Google Patents
基于链路持续时间的自适应地理位置路由方法 Download PDFInfo
- Publication number
- CN115087069A CN115087069A CN202210739759.6A CN202210739759A CN115087069A CN 115087069 A CN115087069 A CN 115087069A CN 202210739759 A CN202210739759 A CN 202210739759A CN 115087069 A CN115087069 A CN 115087069A
- Authority
- CN
- China
- Prior art keywords
- node
- region
- area
- nodes
- routing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011800 void material Substances 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 36
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 230000033001 locomotion Effects 0.000 claims description 24
- 238000006073 displacement reaction Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 12
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 7
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 238000004088 simulation Methods 0.000 abstract description 16
- 230000006855 networking Effects 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 241000239290 Araneae Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 101100460714 Aspergillus sp. (strain MF297-2) notN gene Proteins 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/248—Connectivity information update
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种基于链路持续时间的自适应地理位置路由方法。所述自适应地理位置路由方法包括计算相邻节点间的链路持续时间,基于所述链路持续时间、相对距离和节点度的贪婪转发、区域预测转发和自适应路由更新四个部分。仿真结果表明:利用本方法制定的LDAGR协议在链路稳定性、时效性和资源利用率方面均表现良好,性能明显优于经典的AODV,OLSR和GPSR路由协议;相较于GPSR协议,LDAGR协议的包投递率增高了13.7%,平均端到端时延降低了21.3%,路由开销分别降低了15.1%。上述研究可为具有高动态时变拓扑的大规模无人集群网络可扩展性组网提供参考。
Description
技术领域
本申请涉及路由协议技术领域,特别是涉及一种基于链路持续时间的自适应地理位置路由方法。
背景技术
无人机集群网络(Unmanned Aerial Vehicle Cluster Network,UACNET)是由多个协作的无人机组成的信息感知、传输、处理与分发的网络,被广泛应用于野外搜救、应急通信、军事战争等领域。作为一种具有颠覆性的技术,集群智能一直是军事强国重点关注的对象。美国军方从2000年左右就开始布局无人机集群智能,并开展了诸多项目,我国从2016年开始逐步推进无人机集群的相关项目试验,起步较晚,进行研发和试验的主要机构科研机构和高校,但处于快速发展阶段。
UACNET在执行任务时,常常需要保持较高的速度飞行,导致整个网络的拓扑变化非常剧烈,节点间链路也变得不稳定而频繁通断,从而会造成大量的资源浪费,网络的通信性能也因此受到较大影响。为满足UACNET在高动态时变网络拓扑状态下可扩展性组网的通信需求,UACNET需要具有较高的稳定性以及较好的可扩展性。在实现高动态时变网络拓扑下可扩展性组网所需要的技术中,路由协议是非常关键的技术,UACNET的性能很大程度上取决于路由协议的效率和有效性。常见的UACNET路由协议可以分为两类:基于拓扑的路由协议和基于地理位置的路由协议,前者又可分为先验式路由协议、反应式路由协议和混合式协议。先验式路由协议通常具有较低的端到端时延,但需要全网广播控制包,花费大量的开销维护路由。反应式路由协议通常是在有数据传输请求后才发起路由请求,这种方式往往具有较高的包投递率,但时延一般较大。混合式路由协议均衡了上述两类协议优点,但存在强权节点引入的节点信任和可靠性等问题。地理位置信息路由协议能够无需全网广播控制包,数据传输与路由同时进行,已被证明在无线自组织网络(MANET,Mobile Ad HocNetwork)中更具可扩展性和可靠性,同时对于网络节点的高速运动与网络拓扑的频繁变化表现得更加健壮,且在高动态无人机集群网络中具有很好的性能基础及提升空间。
贪婪周边无状态路由协议(GPSR,Greedy Perimeter Stateless Routing)是最经典的地理位置信息路由协议。随着MANET的快速发展,研究人员致力于对其改进以适用于各类场景。一些学者们提出了一种新的位置更新策略,该策略根据网络中节点位置与节点位置的可预测性来动态调整拓扑更新频率。关于GPSR协议常遇到的路由空洞问题,一些学者们提出了一种新的算法来解决周边转发方向模糊或判决错误的问题;一些学者们提出了一种基于左右手规则的分区外围路由替代周边转发;一些学者们考虑转发角度和距离,设计了投标节点的评分函数和收益模型,最后通过比较多个投标节点的质量属性和投标价格选择最佳下一跳节点。在节点的选择方式上,一些学者们把前向区域划分为成四个子区域,然后根据能量方差来选择中继区域,最后再根据概率机制选择中继节点;一些学者们使用邻居的拥塞信息执行流量平衡策略,并通过作为强化学习算法的Q网络算法评估无线链路的质量,然后选择最优链路;TD-GPSR协议引入跨层思想,在选择下一跳节点时还考虑了两个节点间的时隙距离;一些学者们将进入目的地通信范围的时间作为路由选择的重要依据,并采用排队论对流量进行分配。随着人工智能技术的发展,其与路由协议的结合也能提高UACNET的能力,一些学者们利用Q学习算法设计了一个带有反向强化学习概念的路由方案来实时学习奖励函数;一些学者们使用基于Q学习的地理路由(QGeo)来提高无人机器人网络的网络性能;一些学者们从仿生的角度出发,构建基于网络拓扑的蜘蛛网,利用人工蜘蛛初步选择到达目的地的可行路径。除此之外,GPSR协议也被广泛应用到车联网,一些学者们通过多重参数评估、计算角度、计算累计通信时间、度量节点获取唯一值和扩展决策集等方式对 GPSR协议进行改进以提高其应用到车联网中的性能。
上述研究一定程度上解决了GPSR协议在高动态无人机集群网络中仍会面临的链路稳定性较差、时延偏高和资源利用率较低等问题;然而大多关注二维场景的节点选择方式及其优化策略,较少关注三维场景和路由空洞发生的主要原因是节点分布不均以及控制信息周期更新带来的资源消耗等问题,仍未完全发挥地理位置信息路由在高动态时变网络拓扑的 UACNET中的优势,仍存在性能提升空间。
发明内容
本申请的一个目的在于提供一种基于链路持续时间的自适应地理位置路由方法,以期望提高高动态时变网络拓扑的UACNET的性能,使之能够应用于更多场景。
为实现上述目的及其他相关目的,本申请的一些方面,提供一种基于链路持续时间的自适应地理位置路由方法,自适应地理位置路由方法包括计算相邻节点间的链路持续时间,基于所述链路持续时间、相对距离和节点度的贪婪转发、区域预测转发和自适应路由更新四个部分,所述自适应地理位置路由方法的具体步骤如下:
步骤A,计算相邻节点间的链路持续时间;步骤A包括以下步骤:
步骤A-1,当两节点i,j位置信息失效时,根据链路持续时间的表达式计算两节点间的链路持续时间,其中,V为节点j相对于节点i的相对速度的大小,R表示最大通信半径;D表示初始的相对位移的大小,λ为发射信号的波长,fd表示节点i,j之间信号的传播存在的多普勒,fd=V·cosθ/λ;
步骤B,基于所述链路持续时间、相对距离和节点度的贪婪转发模式;步骤B包括以下步骤:
步骤B-1,根据公式sld=1-e-ld,ld∈[0,+∞),计算链路持续时间维度得分Sld,其中,ld 表示链路持续时间;
步骤B-2,根据公式sd=dcosθ/R,d∈(0,R),计算相对距离维度得分Sd;其中,d表示两节点之间的相对距离;
步骤B-4,根据所述链路持续时间维度得分Sld、相对距离维度得分Sd,节点度维度得分Sde,计算节点的最终评价分数Sj;其中,Sj=Sld+Sd+Sde,Sld,Sd,Sde分别表示链路持续时间、相对距离和节点度这三个维度的归一化加权所得分数,三者维度所占权重为η1,η2,η3,满足η1+η2+η3=1,Sld=η1sld,Sd=η2sd,Sde=η3sde;及
步骤B-5,根据节点的最终评价分数,选择评价分数最高的节点作为下一跳节点;
步骤C,区域预测转发;步骤C包括以下步骤:
步骤C-1,当近侧区域有邻居节点时:假设近侧区域内的节点发生路由空洞,则每个节点对应一个假设空洞区域,假设空洞区域与节点j空洞区域求并集,其中并集区域面积最大的节点,记为节点m,则认为节点j将数据包转发给节点m之后,节点m再进行贪婪转发时出现路由空洞的概率最小;及
步骤C-2,当近侧区域无邻居节点时:节点j将数据包回传给上一跳节点i,如果节点i 的Ni-Eff无除节点j以为的其他节点时,丢弃该数据包;如有,则求取每个节点的假设空洞区域与节点j的空洞区域的并集,并集区域面积最大的节点,记为节点k,则认为节点j将数据包转发给节点k之后,节点k再进行贪婪转发时出现路由空洞的概率最小;
步骤D,自适应路由更新;步骤D包括以下步骤:
步骤D-1,自适应HELLO更新;及
步骤D-2,目的节点位置预测更新。
于一实施例中,在二维场景下,所述链路持续时间的表达式
设α是相对速度与水平方向的夹角,β为相对位移与水平方向的夹角,满足(0≤α,β<2π),相对速度在水平方向和竖直方向的分量为vx=V·cosα,vy=V·sinα;相对位移在水平方向和竖直方向的分量为x=D·cosβ,y=D·sinβ,两个节点能够维持通信的边界是其相对距离的大小为R,即两个节点从计时开始起到运动到起相对距离为R时,链路断开,这期间所需的时间即为两个节点的链路持续时间t,可以得到: (x+vx·t)2+(y+vy·t)2=R2,通过解方程得到:当节点i向节点j发射信号时,节点i,j之间信号的传播存在多普勒fd=V·cosθ/λ,θ满足 cosθ=cos(α-β),将上述参数代入上式得到所述链路持续时间的表达式
于一实施例中,在三维场景下,所述链路持续时间的表达式:通过以下方式获得:相对位移映射到xy平面与x轴方向的夹角为α,与z轴方向的夹角为θ;相对速度映射到平面xy与x轴方向的夹角为β,与 z轴方向的夹角为γ为相对位移与相对速度之间的夹角,满足(0≤α,β<2π),相对速度在x轴,y轴,z轴方向的分量分别为 节点j相对节点i的坐标可表示为x=Dsinθcosα, y=Dsinθsinα,z=Dcosθ;相对速度与相对位移的向量表示形式为 可得到(x+vx·t)2+(y+vy·t)2+(z+vz·t)2=R2,进一步化简得:求解得到由于夹角γ满足:和节点i,j之间同样存在多普勒频移fd=V·cosγ/λ,将上述参数代入上式得到所述链路持续时间的表达式:
于一实施例中,在所述贪婪转发模式下,假设节点i有数据发送或转发需求,在步骤B- 1之前包括,构建节点i的有效中继节点候选集Ni-Eff,所述候选集Ni-Eff由节点i的邻居列表中距离目的节点更近的节点构成;所述自适应地理位置路由方法对候选集Ni-Eff中的节点从链路持续时间、相对距离和节点度三个维度进行度量获取度量分数。
于一实施例中,当所述Ni-Eff为空时,节点i无符合贪婪转发的下一跳邻居,即遇到路由空洞,此时切换到所述区域预测转发。
于一实施例中,步骤C-1包括以下步骤:近侧区域内的节点均在节点j的通信半径内,对近侧区域内的任意节点m,当节点j选择节点m作为下一跳节点时,假设节点m依然存在路由空洞,则设节点m的空洞区域面积为Sm,节点m与节点j的空洞区域的面积Sj的并集记为Sjm=Sj∪Sm,假设节点j的近侧区域内共有n个邻居节点,假设这n个节点发生路由空洞时对应的n个空洞区域的面积分别为S1,S2,…,Sn,这n个空洞区域面积与节点j的空洞区域面积的并集可分别记为Sj1,Sj2,…,Sjn,则其中并集区域面积最大的可记为:
Sjmax=max(Sj1,Sj2,…,Sjn),近侧区域有邻居节点的情况下,选择并集区域Sjmax对应的节点作为节点j的下一跳节点,能够最大概率的避免下一跳节点也出现路由空洞,以此来绕过路由空洞。
于一实施例中,步骤C-2包括以下步骤:设节点j的空洞区域的面积为Sj,对节点i的候选集Ni-Eff集中存在的n个节点,他们对应的假设空洞区域的面积可记为S1,S2,…,Sn,这n 个空洞区域面积与节点j的空洞区域面积的并集可分别记为Sj1,Sj2,…,Sjn,则其中并集区域面积最大的可记为Sjmax=max(Sj1,Sj2,…,Sjn),近侧区域无邻居节点的情况下,由于已知空洞区域所处的位置,回传至上一跳后再次选择并集区域Sjmax对应的节点作为节点i的下一跳节点,能够最大概率的避免下一跳节点也出现路由空洞,以此来绕过路由空洞。
于一实施例中,并集区域面积可通过如下方式计算:设节点j的坐标为(xj,yj),目的节点dest的坐标为(xd,yd),联合两圆方程可求得圆j和圆dest的两个交点m1和m2的坐标,记为:m1(x1,y1),m2(x2,y2),两圆的交集区域面积为Sc,所述交集区域面积Sc包括第一阴影部分面积Sc1和第二阴影部分面积Sc2,其中,第一阴影部分面积Sc1为扇形m1jm2的面积减去三角形m1jm2的面积,即其中扇形对应的圆心角第二阴影部分面积β为圆dest的扇形圆心角,则交集区域面积:
设节点k,j的坐标为(xk,yk)和(xj,yj),以节点k,j为圆心,节点通信半径R为圆半径的圆为记为Ok和Oj,其圆方程分别为(x-xk)2+(y-yk)2=R2,(x-xj)2+(y-yj)2=R2。以目的节点dest为圆心,Dk和Dj为半径的圆为Odk和Odj,其圆方程分别为(x-xd)2+(y-yd)2=Dk 2和 (x-xd)2+(y-yd)2=Dj 2;设Ok和Odk交集区域的面积为Sk,设Oj和Odj交集区域的面积为Sj, Sk区域与Sj区域的相交区域的面为Skj,则并集区域的面积S可表示为:S=Sk+Sj-Skj,当 Skj区域是两条圆弧构成的相交区域,Skj区域面积大小可直接通过上述交集区域面积求解方式求得,最后再得到并集区域面积S;当Skj区域是三条圆弧构成的相交区域,Skj对应的区域由三个交点m1,m4,m5拆分的三段圆弧构成,记三个交点的坐标分别为:(x1,y1), (x2,y2),(x3,y3),根据任意多边形面积公式:求得 m1,m4,m5三点构成的三角形面积为:取三角形面积的两倍作为交集区域的面积Skj,Skj=2·SΔ,最后得到:S=Sk+Sj-Skj。
于一实施例中,步骤D-1包括:对任意节点i,其通信半径内的区域可划分为4个分区,分别记为s1,s2,s3,s4,假设各区域内分别有j,k,m,n个节点,对s1区域的j个节点,节点i与这j个节点的链路持续时间分别为t1,t2,…,tj,其中链路持续时间最大的记为tmax1,其值表示为:tmax1=max(t1,t2,…,tj),同理,可求得s2,s3,s4区域对应的tmax2,tmax3和tmax4;对于s1,s2,s3,s4任意一个区域,在节点i选择其中一个区域内的节点传输数据时,只考虑其中最大的链路持续时间即可,由于目的节点的位置不固定,因此需要考虑四个区域内的最大链路持续时间中的最小值,即下次更新间隔T=min(tmax1,tmax2,tmax3,tmax4),当某个分区不存在节点时,对应的tmax设为+∞,即可认为是空洞区域,在转发过程采用区域预测转发。
于一实施例中,步骤D-2包括:
在二维场景下,假设query分组记录的发送时间为t1,该时刻节点位置坐标为(x1,y1),运动的速度为v1,运动方向与水平正方向夹角为α;当中继节点在t2时刻转发数据包时,假设目的节点在t1-t2之间内保持直线运动,则在t2时刻目的节点的位置(x2,y2)为:
x2=x1+v·cosα(t2-t1),y2=y1+v·sinα(t2-t1);
在三维场景下,假设query分组记录的发送时间为t1,位置坐标为(x1,y1,z1),运动的速度大小为v1,其方向映射到xy平面上与x轴正方向形成的夹角为α,速度与z轴正方向形成的夹角为γ,假设中继节点在t2时刻需要发送或转发数据包,则假设目的节点在t1-t2时间内保持直线运动,在t2时刻目的节点的位置(x2,y2,z2)为:
x2=x1+vsinγcosα(t2-t1),y2=y1+vsinγsinα(t2-t1),z2=z1+vcosγ(t2-t1)。
如上所述,本申请一个或多个实施例中所述的数据处理方法具有以下有益效果:
针对无人机集群网络高动态时变网络拓扑导致的链路不稳定、通信时延大和资源利用率低等问题,本文在贪婪周边无状态路由(GPSR,Greedy Perimeter StatelessRouting)协议的基础上设计了一个基于链路持续时间的自适应地理位置路由方法(LDAGR,Link Duration Adapted Geographic Routing),主要包括综合链路持续时间、相对距离和节点度的贪婪转发、区域预测转发和自适应路由更新机制。仿真结果表明:LDAGR协议在链路稳定性、时效性和资源利用率方面均表现良好,性能明显优于经典的AODV,OLSR和GPSR路由协议;相较于GPSR协议,LDAGR协议的包投递率增高了13.7%,平均端到端时延降低了21.3%,路由开销分别降低了15.1%。上述研究可为具有高动态时变拓扑的大规模无人集群网络可扩展性组网提供参考。
附图说明
图1所示为根据本发明一个实施例的近侧区域有无邻居节点的数据转发示意图;
图2所示为根据本发明一个实施例的并集区域面积的示意图;
图3所示为根据本发明一个实施例的交集区域面积的示意图;
图4所示为根据本发明一个实施例的并集区域面积的示意图;
图5所示为根据本发明一个实施例的自适应更新的示意图;
图6所示为根据本发明一个实施例的平均速度与包投递率的关系;
图7所示为根据本发明一个实施例的平均速度与端到端时延的关系;
图8所示为根据本发明一个实施例的平均速度与路由开销的关系;
图9所示为根据本发明一个实施例的节点密度与包投递率的关系;
图10所示为根据本发明一个实施例的节点密度与端到端时延的关系;
图11所示为根据本发明一个实施例的节点密度与路由开销的关系;
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本申请的基本构想,图示中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。此外,在本文中,诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
为解决高动态时变网络拓扑的UACNET的可扩展性组网所面临的链路不稳定、时效性较低和资源利用率等问题,本文提出了LDAGR协议。主要包括综合链路持续时间、相对距离和节点度的贪婪转发、区域预测转发和自适应路由更新机制。
自适应地理位置路由方法的具体步骤如下:
步骤A,计算相邻节点间的链路持续时间;步骤A包括以下步骤:
步骤A-1,当两节点i,j位置信息失效时,根据链路持续时间的表达式:
计算两节点间的链路持续时间,其中,V为节点j相对于节点i的相对速度的大小,R表示最大通信半径;D表示初始的相对位移的大小,λ为发射信号的波长,fd表示节点i,j之间信号的传播存在的多普勒,fd=V·cosθ/λ;
步骤B,基于所述链路持续时间、相对距离和节点度的贪婪转发模式;步骤B包括以下步骤:
步骤B-1,根据公式sld=1-e-ld,ld∈[0,+∞),计算链路持续时间维度得分Sld;
步骤B-2,根据公式sd=dcosθ/R,d∈(0,R),计算相对距离维度得分Sd;其中,d表示两节点之间的相对距离;
步骤B-4,根据所述链路持续时间维度得分Sld、相对距离维度得分Sd,节点度维度得分Sde,计算节点的最终评价分数Sj;其中,Sj=Sld+Sd+Sde,Sld,Sd,Sde分别表示链路持续时间、相对距离和节点度这三个维度的归一化加权所得分数,三者维度所占权重为η1,η2,η3,满足η1+η2+η3=1,Sld=η1sld,Sd=η2sd,Sde=η3sde;及
步骤B-5,根据节点的最终评价分数,选择评价分数最高的节点作为下一跳节点;
步骤C,区域预测转发;步骤C包括以下步骤:
步骤C-1,当近侧区域有邻居节点时:假设近侧区域内的节点发生路由空洞,则每个节点对应一个假设空洞区域,假设空洞区域与节点j空洞区域求并集,其中并集区域面积最大的节点,记为节点m,则认为节点j将数据包转发给节点m之后,节点m再进行贪婪转发时出现路由空洞的概率最小;及
步骤C-2,当近侧区域无邻居节点时:节点j将数据包回传给上一跳节点i,如果节点i 的Ni-Eff无除节点j以为的其他节点时,丢弃该数据包;如有,则求取每个节点的假设空洞区域与节点j的空洞区域的并集,并集区域面积最大的节点,记为节点k,则认为节点j将数据包转发给节点k之后,节点k再进行贪婪转发时出现路由空洞的概率最小;
步骤D,自适应路由更新;步骤D包括以下步骤:
步骤D-1,自适应HELLO更新;及
步骤D-2,目的节点位置预测更新。
本文在贪婪周边无状态路由(GPSR,Greedy Perimeter Stateless Routing)协议的基础上设计了一个基于链路持续时间的自适应地理位置路由方法(LDAGR,LinkDuration Adapted Geographic Routing),主要包括综合链路持续时间、相对距离和节点度的贪婪转发、区域预测转发和自适应路由更新机制。仿真结果表明:LDAGR协议在链路稳定性、时效性和资源利用率方面均表现良好,性能明显优于经典的AODV,OLSR和GPSR路由协议;相较于 GPSR协议,LDAGR协议的包投递率增高了13.7%,平均端到端时延降低了21.3%,路由开销分别降低了15.1%。上述研究可为具有高动态时变拓扑的大规模无人集群网络可扩展性组网提供参考。
针对链路持续时间而言:
链路持续时间定义为相邻节点能够维持通信的最长时间。在UACNET中,无人机节点可通过北斗、GPS等定位系统获取到自身的位置信息,并将该信息连同节点运动的速度和方向等信息广播给邻居节点,邻居节点收到信息后计算出与发送节点的链路持续时间。
①位置信息已知
(1)二维场景下,一些学者提出了链路持续时间的计算方式:
其中a=vi cosθi-vj cosθj,c=vi sinθi-vj sinθj,b=xi-xj,d=yi-yj,R表示节点的通信半径,(xi,yi)表示节点i的二维坐标,(xj,yj)表示节点j的二维坐标,vi表示节点i的运动速度的大小,vj表示节点j的运动速度的大小,θi表示节点i的运动方向与水平方向的夹角大小,θj表示节点j的运动方向与水平方向的夹角大小,(0≤θi,θj<2π)。
(2)三维场景下,一些学者提出了链路持续时间的计算方式:
其中R为节点的通信半径,节点i和节点j在x,y,z轴的速度分量分别表示 (vxi,vyi,vzi),(vxj,vyj,vzj)和(xi,yi,zi);坐标向量分别表示为(xi,yi,zi)和(xj,yj,zj)。a,b,c,d, e,f分别表示为:a=vxi-vxj,c=vyi-vyj,e=vzi-vzj,b=xi-xj,d=yi-yj,f=zi-zj;a,c,e表示节点i相对于节点j在x轴,y轴和z轴的速度分量,b,d,f表示节点i相对于节点 j在x轴,y轴和z轴方向的距离分量。
②位置信息未知
以上是节点位置信息已知时的链路持续时间计算模型,当位置信息未知时,也可通过其他方式求解除两节点间的链路持续时间。
(1)二维场景下,设两无人机节点i,j在互相的通信半径内,R表示无人机的通信半径,V表示节点j相对节点i的速度的大小,则可认为节点i静止,节点j以相对速度保持运动。D表示初始的相对位移的大小,α是相对速度V与水平方向的夹角,β为相对位移与水平方向的夹角,满足(0≤α,β<2π)。
相对速度在水平和竖直方向的分量为vx=V·cosα,vy=V·sinα;相对位移在水平和竖直方向的分量为x=D·cosβ,y=D·sinβ。两个节点能够维持通信的边界是其相对距离的大小为R,即两个节点从计时开始起到运动到起相对距离为R时,链路断开,这期间所需的时间即为两个节点的链路持续时间t,可以得到:
(x+vx·t)2+(y+vy·t)2=R2 (3)
解方程得:
无人机节点i,j之间存在相对运动,当节点i向节点j发射信号时,节点i,j之间信号的传播存在多普勒fd=V·cosθ/λ。其中,V为节点j相对于节点i的运动速度,λ为发射信号的波长,θ满足cosθ=cos(α-β)。
将上述参数代入公式4中,即可得到链路持续时间表达式为:
(2)三维场景,相对位移映射到xy平面与x轴方向的夹角为α,与z轴方向的夹角为θ;相对速度V映射到平面xy与x轴方向的夹角为β,与z轴方向的夹角为γ为相对位移与相对速度之间的夹角,满足(0≤α,β<2π),
(x+vx·t)2+(y+vy·t)2+(z+vz·t)2=R2 (6)
化简得:
解方程(7)得:
最后可以得到链路持续时间的表达式为:
综上所述,在极端环境下少量无人机位置信息失效时,二维与三维场景下的链路持续时间都可通过通信半径、相对位移、相对速度、运动方向和多普勒频移等参数计算得出。二维与三维场景下的链路持续时间的最后表达式完全相同,这极大提高了公式的通用性。在求得链路持续时间之前,需要通过其他的方式测量出节点间的相对距离、相对速度和多普勒频移。UACNET可以采用基于信号到达时间(Time of Arrival,TOA)测距方法,通过测量发射信号的到达时间可以计算出节点间的相对距离;HELLO包可携带本节点的速度信息、运动方向等信息,并据此可以求得节点间的多普勒频移。
针对贪婪转发而言:
在贪婪转发模式下,假设节点i有数据发送或转发需求,LDAGR协议首先需要构建节点i的有效中继节点候选集Ni-Eff,Ni-Eff由节点i的邻居列表中距离目的节点更近的节点构成。LDAGR协议将对Ni-Eff中的节点从链路持续时间、相对距离和节点度三个维度进行度量获取度量分数。当收到来自位置信息失效的邻居节点的HELLO包时,如果邻居表中存有之前的位置信息,则通过位置预测来更新位置信息,链路持续时间由前文提及的位置信息失效时的方式计算得出。
当Ni-Eff为空时,节点i无符合贪婪转发的下一跳邻居,即遇到路由空洞,此时切换到区域预测转发模式,该模式在后文详细介绍。
①链路持续时间评分
由于UACNET中的节点随机分布,设节点平均运动速度为v,对任意两个节点,记为节点i,j,则节点i相对节点j的速度平均范围是[0,2v]。根据几何关系,两个邻居节点间的距离为(0,R),R表示无人机的通信半径,节点i,j间的链路持续时间可能的取值范围为[0,+∞)。当链路持续时间趋于+∞时,sld基准设为1,当链路持续时间趋于0,sld基准设为0,对于上述基准设置,函数y=1-e-x,x∈[0,+∞)能够很好的满足该基准设置,所以链路持续时间维度得
分为:sld=1-e-ld,ld∈[0,+∞) (10)
②相对距离
节点之间的相对距离为(0,R),有效传输距离为相对距离在当前节点与目的节点之间的直系距离上的投影,记为dv=dcosθ。有效传输距离dv=R时,令此时sd=1。有效传输距离 dv=0时,令此时sd=0。相对距离维度归一化得分为:
sd=dcosθ/R,d∈(0,R) (11)
③节点度
节点度定义为节点通信半径内的邻居数量。在选择下一跳节点时,对节点度进行度量目的是降低转发过程中出现路由空洞的概率。在已知场景范围和网络中的节点数的前提下,可求得节点的平均度,记为K。以K为基准,由于节点随机分布,满足U[0,2K]的均匀分布的平均值为K,设节点度大于等于2K时,sde为1;节点度为0时,sde为0;当节点度在(0, 2K)之间时,sde分数也对应分布在(0,1)之间。则当节点的节点度为k时,该维度评分可表示为:
④贪婪转发
对节点i的Ni-Eff中的任意一个邻居节点j,其最终的度量分数为:
Sj=Sld+Sd+Sde (13)
其中,Sld,Sd,Sde分别表示链路持续时间、相对距离和节点度这三个维度的归一化加权所得分数。三者维度所占权重为η1,η2,η3,其满足:
η1+η2+η3=1 (14)
Sld=η1sld,Sd=η2sd,Sde=η3sde (15)
sld,sd,sde分别表示链路持续时间、相对距离和节点度这三个维度的归一化所得分数。则节点j的最终的评价分数为:
Sj=η1sld+η2sd+η3sde (16)
在LDAGR协议中,源节点在发送数据包时会在包内标记目的节点的位置,在选择下一跳节点时,其Ni-Eff集中包含的是距离目的节点更近的所有节点。因此,中继节点可以在选择数据包的下一跳时贪婪的选择出本地最佳,本地最佳节点由上述链路度量得出。具体而言,假设节点i的Ni-Eff集中有n个节点,通过链路度量可以得到这n个节点的得分 S1,S2,…,Sn,当节点i需要选择下一跳节点时,做出本地最佳选择,选择度量分数最高的节点作为下一跳节点,即选择Smax对应的节点作为下一跳节点:
Smax=max(S1,S2,…,Sn) (17)
采用这类度量方式综合考虑了链路持续时间与相对距离以及邻居节点度,链路持续时间反应了链路稳定性,相对距离反应了中继跳数,邻居节点度反应下一跳空洞概率。采用这种方式可以避免GPSR协议的贪婪转发模式下容易出现的节点移动到通信半径之外而没有感知导致的突发性丢包问题,也可有效减少路由空洞发生的概率;同时兼顾传输距离,避免中继跳数过高导致的时延较大的问题。
针对区域预测转发而言:
当遇到路由空洞时,传统的周边转发模式需要构建局部的实时拓扑,但对于高动态时变网络拓扑的UACNET,要想获取实时的局部拓扑是相对困难的。本文提出区域预测转发算法用于解决路由空洞,通过当前空洞区域的位置来预测其他节点发生路由空洞的概率,选择发生路由空洞概率最小的节点作为下一跳节点。
①算法原理假设节点j遇到空洞时,其Nj-Eff中无可供选择的下一跳节点,设其距离目的节点更近的区域为空洞区域。区域预测转发算法可根据近侧区域内是否有邻居节点分为两种情况进行转发,近侧区域定义为节点j靠近目的节点dest的一半可通信区域内除去空洞区域后所剩的区域。
(1)当近侧区域有邻居节点时:假设近侧区域内的节点发生路由空洞,则每个节点对应一个假设空洞区域,假设空洞区域与节点j空洞区域求并集,其中并集区域面积最大的节点,记为节点m,则认为节点j将数据包转发给节点m之后,节点m再进行贪婪转发时出现路由空洞的概率最小。
(2)当近侧区域无邻居节点时:节点j将数据包回传给上一跳节点i,如果节点i的Ni-Eff无除节点j以为的其他节点时,丢弃该数据包;如有,则求取每个节点的假设空洞区域与节点j的空洞区域的并集,并集区域面积最大的节点,记为节点k,则认为节点j将数据包转发给节点k之后,节点k再进行贪婪转发时出现路由空洞的概率最小。
通常情况下,并集区域面积最大时,节点k,j或m,j之间的相对距离也较远,对于UACNET这类节点密度较高的网络,对同一个目的节点,两个相隔较远的节点同时发生路由空洞的概率相对较低。下面具体介绍两种场景下的转发流程。
②近侧区域有邻居节点
如图1阴影部分所示,近侧区域内的节点均在节点j的通信半径内,对近侧区域内的任意节点m,当节点j选择节点m作为下一跳节点时,假设节点m依然存在路由空洞,则设节点m的空洞区域面积为Sm,他与节点j的空洞区域的面积Sj的并集记为:
Sjm=Sj∪Sm (18)
假设节点j的近侧区域内共有n个邻居节点,假设这n个节点发生路由空洞时对应的n 个空洞区域的面积分别为S1,S2,…,Sn,这n个空洞区域面积与节点j的空洞区域的面积的并集可分别记为Sj1,Sj2,…,Sjn,则其中并集区域面积最大的可记为:
Sjmax=max(Sj1,Sj2,…,Sjn) (19)
近侧区域有邻居节点的情况下,选择并集区域Sjmax对应的节点作为节点j的下一跳节点,能够最大概率的避免下一跳节点也出现路由空洞,以此来绕过路由空洞。
③近侧区域无邻居节点
如图1所示,数据从节点i转发至节点j时,发生路由空洞,节点j无距离目的节点更近的邻居节点,且节点j的近侧区域内无其他邻居节点。此时节点j将数据包回传至节点i,然后节点i重新选择下一跳节点。如果节点i的Ni-Eff集中仅有节点j一个邻居,无其他可供选择的节点,则丢弃该数据包;如果有,则在Ni-Eff集中选择合适的节点作为下一跳节点,选择下一跳的节点的方法与有近侧节点时的方法类似,具体步骤如下:
设节点j的空洞区域的面积为Sj,对节点i的Ni-Eff集中存在的n个节点,他们对应的假设空洞区域的面积可记为S1,S2,…,Sn,这n个空洞区域面积与节点j的空洞区域的面积的并集可分别记为Sj1,Sj2,…,Sjn,则其中并集区域面积最大的可记为:
Sjmax=max(Sj1,Sj2,…,Sjn) (20)
同理,近侧区域无邻居节点的情况下,由于已知空洞区域所处的位置,回传至上一跳后再次选择并集区域Sjmax对应的节点作为节点i的下一跳节点,能够最大概率的避免下一跳节点也出现路由空洞,以此来绕过路由空洞。
④并集区域面积求解
在区域预测转发算法中,核心是通过并集区域的面积来预测其他邻居节点发生路由空洞的概率,并集区域为图2中两块阴影部分面积的并集。在求解并集区域面积之前,首先要求得两圆交集区域的面积,如图3阴影部分所示。设阴影部分的面积为Sc,Sc由两块圆缺组成,分别记他们的面积为Sc1和Sc2,则Sc满足:
Sc=Sc1+Sc2 (21)
设节点j的坐标为(xj,yj),目的节点dest的坐标为(xd,yd),联合两圆方程可求得圆i和圆dest的两个交点m1和m2的坐标,记为:m1(x1,y1),m2(x2,y2)。如图3所示,Sc1表示一块圆缺,其面积可由扇形m1jm2的面积减去三角形m1jm2的面积求得。扇形对应的圆心角α为:
三角形m1jm2的面积可表示为R2·sinα/2,扇形m1jm2的面积可表示为α·R2/2,则阴影部分面积为:
同理可得,记隶属圆dest的扇形圆心角记为β,则其对应阴影部分面积也可求得为:
则交集区域面积Sc为
如图2所示,设节点k,j的坐标为(xk,yk)和(xj,yj),以节点k,j为圆心,节点通信半径R 为圆半径的圆为记为Ok和Oj,其圆方程分别为(x-xk)2+(y-yk)2=R2,(x-xj)2+(y-yj)2=R2。以目的节点dest为圆心,Dk和Dj为半径的圆为Odk和Odj,其圆方程分别为:
(x-xd)2+(y-yd)2=Dk 2和(x-xd)2+(y-yd)2=Dj 2。
设Ok和Odk交集区域的面积为Sk,如图2中红色阴影部分所示,设Oj和Odj交集区域的面积为Sj,如图2中黑色阴影部分所示。记Sk区域与Sj区域的相交区域的面为Skj,则并集区域的面积S可表示为:
S=Sk+Sj-Skj (26)
Skj区域只有两种情况,如图2是两条圆弧构成的相交区域,如图4是三条圆弧构建的区域。
联立圆Ok的方程与圆Odj的方程,可求得交点m3和m4的坐标,当m3和m4的纵坐标介于m1和m2的纵坐标之间时,Skj区域则由两条圆弧构成,如图2所示,其面积大小可直接通过上述交集区域面积求解方式求得,最后再得到并集区域面积S。
当m3和m4的纵坐标不介于m1和m2的纵坐标之间时,Skj区域则由三条圆弧构成,如图4 所示,此时需联立圆Ok的方程与圆Oj的方程,求得两交点m5和m6的坐标。如图4所示,Skj的对应的区域由三个交点m1,m4,m5拆分的三段圆弧构成,记三个交点的坐标分别为:
(x1,y1),(x2,y2),(x3,y3)。根据任意多边形面积公式:
求得m1,m4,m5三点构成的三角形面积为:
取三角形面积的两倍作为交集区域的面积Skj,Skj=2·SΔ,最后得到:
S=Sk+Sj-Skj (29)
在三维场景下,并集区域由面积转换为体积,同样分为两种情形:并集区域由两块球面包围而成和三块球面包围而成。前者并集区域体积由式30求得,其中D表示两个节点的相对距离,R表示节点的通信半径。
对于由三块球面包围而成的并集区域,采用相对距离来反应并集区域的体积,根据式 31计算出节点的相对距离,认为距离最大所对应的并集区域的体积最大。
针对自适应更新而言:
在GPSR协议中,每个节点周期性的广播HELLO包,目的是将自身的位置信息传递给邻居节点。固定周期的广播控制包会消耗大量的网络资源,且局部的拓扑信息也非完全准确。为解决上述问题,本文提出自适应HELLO更新机制,根据节点间链路持续时间来动态调整HELLO包发送的频率。
在GPSR协议中,目的节点周期性的全网广播查询(query)分组,query分组内主要包括目的节点的坐标信息,目的是全网节点目的节点所处位置。但是由于UACNET中的节点往往保持高速运动,因此直接使用query分组内的目的节点的位置信息可能会出现偏差。为解决这个问题,本文提出目的节点位置预测更新方法,用于预测目的节点的实时位置。
①自适应HELLO更新
如图5所示,对任意节点i,其通信半径内的区域可划分为4个分区,分别记为: s1,s2,s3,s4,假设各区域内分别有j,k,m,n个节点,对s1区域的j个节点,节点i与这j个节点的链路持续时间分别为t1,t2,…,tj,其中链路持续时间最大的记为tmax1,其值表示为:
tmax1=max(t1,t2,…,tj) (32)
同理,可求得s2,s3,s4区域对应的tmax2,tmax3和tmax4。对于s1,s2,s3,s4任意一个区域,在节点i 选择其中一个区域内的节点传输数据时,只考虑其中最大的链路持续时间即可,由于目的节点的位置不固定,因此需要考虑四个区域内的最大链路持续时间中的最小值,即下次更新间隔设为:
T=min(tmax1,tmax2,tmax3,tmax4) (33)
当某个分区不存在节点时,对应的tmax设为+∞,即可认为是空洞区域,在转发过程采用区域预测转发,同样可以处理这类场景。
在三维场景下,将空间内可通信区域划分为8个分区,按照二维场景的更新方式获取下一个更新间隔T。
②目的节点位置预测更新
本文提出的LDAGR协议在GPSR协议原有query分组格式的基础上,加入目的节点运动的速度和方向信息,中继节点在收到query分组后,可以计算出目的节点的实时位置。
在二维场景下,假设query分组记录的发送时间为t1,该时刻节点位置坐标为(x1,y1),运动的速度为v1,运动方向与水平正方向夹角为α。当中继节点在t2时刻转发数据包时,假设目的节点在t1-t2之间内保持直线运动,则在t2时刻目的节点的位置(x2,y2)为:
x2=x1+v·cosα(t2-t1) (34)
y2=y1+v·sinα(t2-t1) (35)
在三维场景下,假设query分组记录的发送时间为t1,位置坐标为(x1,y1,z1),运动的速度大小为v1,其方向映射到xy平面上与x轴正方向形成的夹角为α,速度与z轴正方向形成的夹角为γ,假设中继节点在t2时刻需要发送或转发数据包,则假设目的节点在t1-t2时间内保持直线运动,在t2时刻目的节点的位置(x2,y2,z2)为:
x2=x1+vsinγcosα(t2-t1) (36)
y2=y1+vsinγsinα(t2-t1) (37)
z2=z1+vcosγ(t2-t1) (38)
仿真分析
本文将从以下三个维度详细评估LDAGR协议的性能:(1)数据分组投递率(Packagedelivery rate,PDF)定义为网络中目的节点成功接收的数据包的数量与源节点发送的数据包的数量之比。(2)平均端到端时延(Average end-to-end delay)定义为网络中数据包从源节点到目的节点所花费时间的平均值。(3)平均路由开销(overhead)定义为网络中平均每成功传输一个数据包所需要的路由控制包的数量。并将LDAGR协议与AODV,OLSR,GPSR和LDGR协议进行对比分析,LDGR是LDAGR协议剔除自适应更新机制的协议,用于对比分析自适应更新机制对协议性能的影响。
仿真参数设置
表1列出了仿真过程中的详细参数。
表1仿真参数
数值仿真结果
①节点速度的影响
图6给出了节点平均速度从5m/s逐渐增加到30m/s时PDR的仿真结果图。由图6可知,随着节点平均速度的增加,所仿真的5种协议的包投递率均逐渐下降,但下降的速率不同,OLSR协议相较于其他4种协议下降更快,表明先验式路由协议不适合高动态时变网络拓扑下的UACNET。在同等速度下,OLSR协议的包投递率最低,GPSR协议次之,AODV withoutHELLO协议、LDGR协议和LDAGR协议的包投递率相差无几,其原因在于OLSR 协议是先验式路由协议,因其周期性的更新路由,导致网络中的控制包数量较多,造成网络拥塞,造成一定的丢包,同时由于OLSR是周期性进行路由更新的协议,对于节点移动较快的网络,难以获取实时的路由信息,因此造成更多的丢包。对于UACNET,其网络中节点规模一般相对较大,且移动速度较快,这些因素导致OLSR协议的包投递率较低。对于 GPSR协议,虽然其也周期性的更新路由,但节点收到控制包后不转发,因此网络中的控制包要比AODV without HELLO少得多,网络扩展性更好。AODV without HELLO协议是反应式路由协议,网络仅在有数据传输需求时发起路由,这种方式获取的路由更有效,也更稳定,因此AODV without HELLO协议的包投递率更高。LDGR协议和LDAGR协议具有同样的转发算法,因此在包投递率方便表现类似,相较于GPSR协议,LDGR协议和LDAGR协议的贪婪转发和区域预测转发能够更好的选择稳定链路,从而提高通信路径的稳定性,减少了丢包的数量。
图7所示为当节点平均速度从5m/s逐渐增加到30m/s时,平均端到端时延仿真结果图。从图中可知,在总体趋势上,所有协议的平均端到端时延均随着平均速度的增加而增加,但AODV without HELLO协议的平均端到端时延随平均速度的增加出现较大幅度的波动,这是因为这类反应式路由寻路的不确定性造成的,同时它也是时延最大的协议,这是因为节点只有在有数据传输需求时才会发起探路寻找路由,因此其平均端到端时延最高。在平均速度低于20m/s时,OLSR协议的性能更好,但超过20m/s时,其时延增加更快,表明先验式路由协议更适用于节点移动较慢的UACNET。GPSR协议、LDGR协议和LDAGR协议是基于地理位置信息的路由协议,数据一边转发一边寻路,因此他们的平均端到端时延比 AODVwithout HELLO协议更低。LDGR协议和LDAGR协议采用基于链路度量的贪婪转发和区域预测转发来完成数据的传输工作,更稳定的路径和网络中更少的控制包也能节约传输过程中的时延。
图8所示为当节点平均速度从5m/s逐渐增加到30m/s时,平均路由开销仿真结果图。从图中可知,随着节点平均速度的增加,5种协议的路由开销均增加,对于周期性更新的路由协议,如OLSR和GPSR协议,其路由开销的增加主要是因为包投递率的下降,网络中的控制包的数量总体变化不大的前提造成路由开销的增加。OLSR的路由开销相较于其他4种协议更多,这是因为OLSR的控制包是全网广播的,所以其路由开销巨大。在其他的四种协议中,AODV的路由开销随速度的增长更快,这是因为AODV是通过广播探路,当节点平均速度增加时,其探路难度增加,需要更多的控制包,导致路由开销增加。GPSR、LDGR 和LDAGR协议的更新频率受节点速度影响不大,且不全网广播,所以网络中控制包的数量随速度变化不大,进而路由开销变化不大。当网络中的控制包数量相对较少时,可能减少网络拥塞的发生概率,更好的节约时延。
图9所示为当节点数量从40逐渐增加到160的时候,平均包投递率的仿真结果图。从图中可知,随着节点数量的增加,AODV without HELLO和OLSR的性能在一定范围内波动,而GPSR、LDGR和LDAGR的性能随节点数量的增加而逐渐增加。由于基于地理位置信息的路由协议拥有很强的可扩展性,且随着节点密度的增加,基于地理位置信息的路由协议有更多的邻居节点可供选择,出现路由空洞的概率更低,因此包投递率逐渐增加。随着节点数的增加,LDGR和LDAGR的性能逐渐优于AODV without HELLO,这些因为LDGR和 LDAGR采用了基于链路度量的贪婪转发和区域预测转发,避免了GPSR协议的贪婪转发过程中因选择距离目的节点最近的节点而可能带来的突发性丢包,从而提高了包投递率。
图10所示为当节点数量从40逐渐增加到160的时候,平均端到端时延的仿真结果图。从图中可知,随着节点数量的增加,OLSR的时延快速增加,结合路由开销的仿真结果,可以看出随着节点数量的增加,网络中的控制包的数量快速增加,造成网络拥塞,使得平均端到端时延增加,这表明OLSR这类先验式路由协议不适用于节点密度较大的网络。AODVwithout HELLO的时延性能随着节点数量的增加出现一定的波动,这是因为反应式路由是有数据传输时才发起探路过程,每次探路仅获得一对通信节点的路径,当网络中需要通信的节点增加时,就需要频繁探路,造成时延性能波动。而GPSR、LDGR和LDAGR的时延性能受节点数影响较小,这是因为基于地理位置信息的路由协议在扩展性方面表现较好。在同等节点密度下,GPSR的时延最高,LDGR次之,LDAGR最低,这是基于链路度量的贪婪转发和区域预测转发能够选择更加稳定的路径和更好的处理路由空洞,能够节约时间,且基于地理位置的路由协议路由开销更低,网络拥塞的可能性更小,也能节约时延。
图11所示为当节点数量从40逐渐增加到160的时候,路由开销的仿真结果图。从图中可知,随着节点数量的增加,5种协议的路由开销均不同程度的上升。在同样节点数量下,OLSR的路由开销比其他4种协议高得多,这是因为OLSR的控制包是全网广播的,所以其路由开销巨大。AODV的路由开销随节点数的增长更快,这是因为AODV探路包的广播的,节点数越多,则广播造成的控制包越多。GPSR、LDGR和LDAGR协议的更新频率受节点数量影响不大,且不全网广播,所以网络中控制包的数量随节点数量变化不大,进而路由开销变化不大,同时也能更好的节约时延。
综上所述,以提高高动态时变网络拓扑的UACNET通信性能为目标,本文提出LDAGR协议,主要包括基于链路持续时间的贪婪转发,区域预测转发和自适用更新机制三个方面,用于解决链路稳定性较差、通信时延较高和资源利用率较低等问题。仿真分析显示相较于GPSR协议,LDAGR协议的包投递率增高了13.7%,平均端到端时延降低了 21.3%,路由开销分别降低了15.1%。表明LDAGR协议能够有效的应用于高动态时变网络拓扑下的UACNET。作者下一步工作主要是引入能量指标,完善链路评估体系;以及建立更优秀的轨迹预测模型。综上所述,本申请有效克服了相关技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种基于链路持续时间的自适应地理位置路由方法,其特征在于,所述自适应地理位置路由方法包括计算相邻节点间的链路持续时间,基于所述链路持续时间、相对距离和节点度的贪婪转发、区域预测转发和自适应路由更新四个部分,所述自适应地理位置路由方法的具体步骤如下:
步骤A,计算相邻节点间的链路持续时间;步骤A包括以下步骤:
步骤A-1,当两节点i,j位置信息失效时,根据链路持续时间的表达式:
计算两节点间的所述链路持续时间,其中,V为节点j相对于节点i的相对速度的大小,R表示最大通信半径;D表示初始的相对位移的大小,λ为发射信号的波长,fd表示所述节点i,j之间信号的传播存在的多普勒,fd=V·cosθ/λ;
步骤B,基于所述链路持续时间、相对距离和节点度的贪婪转发模式;步骤B包括以下步骤:
步骤B-1,根据公式sld=1-e-ld,ld∈[0,+∞),计算链路持续时间维度得分Sld;其中,ld表示链路持续时间;
步骤B-2,根据公式sd=dcosθ/R,d∈(0,R),计算相对距离维度得分Sd;其中,d表示两节点之间的相对距离;
步骤B-4,根据所述链路持续时间维度得分Sld、相对距离维度得分Sd,节点度维度得分Sde,计算节点的最终评价分数Sj;其中,Sj=Sld+Sd+Sde,Sld,Sd,Sde分别表示链路持续时间、相对距离和节点度这三个维度的归一化加权所得分数,三者维度所占权重为η1,η2,η3,满足η1+η2+η3=1,Sld=η1sld,Sd=η2sd,Sde=η3sde;及
步骤B-5,根据节点的最终评价分数,选择评价分数最高的节点作为下一跳节点;
步骤C,区域预测转发;步骤C包括以下步骤:
步骤C-1,当近侧区域有邻居节点时:假设近侧区域内的节点发生路由空洞,则每个节点对应一个假设空洞区域,假设空洞区域与所述节点j空洞区域求并集,其中并集区域面积最大的节点,记为节点m,则认为节点j将数据包转发给节点m之后,节点m再进行贪婪转发时出现路由空洞的概率最小;及
步骤C-2,当近侧区域无邻居节点时:所述节点j将数据包回传给上一跳节点i,如果所述节点i的Ni-Eff无除所述节点j以为的其他节点时,丢弃该数据包;如有,则求取每个节点的假设空洞区域与节点j的空洞区域的并集,并集区域面积最大的节点,记为节点k,则认为所述节点j将数据包转发给所述节点k之后,所述节点k再进行贪婪转发时出现路由空洞的概率最小;
步骤D,自适应路由更新;步骤D包括以下步骤:
步骤D-1,自适应HELLO更新;及
步骤D-2,目的节点位置预测更新。
vx=V·cosα,vy=V·sinα;
x=D·cosβ,y=D·sinβ;
两个节点能够维持通信的边界是其相对距离的大小为R,即两个节点从计时开始起到运动到起相对距离为R时,链路断开,这期间所需的时间即为两个节点的链路持续时间t,可以得到:(x+vx·t)2+(y+vy·t)2=R2,通过解方程得到:
3.根据权利要求1所述的自适应地理位置路由方法,其特征在于,在三维场景下,所述链路持续时间的表达式通过以下方式获得:相对位移映射到xy平面与x轴方向的夹角为α,与z轴方向的夹角为θ;相对速度映射到所述平面xy与所述x轴方向的夹角为β,与所述z轴方向的夹角为γ为所述相对位移与所述相对速度之间的夹角,满足(0≤α,β<2π),所述相对速度在x轴,y轴,z轴方向的分量分别为所述节点j相对所述节点i的坐标可表示为x=Dsinθcosα,y=Dsinθsinα,z=Dcosθ;相对速度与相对位移的向量表示形式为可得到(x+vx·t)2+(y+vy·t)2+(z+vz·t)2=R2;
4.根据权利要求1所述的自适应地理位置路由方法,其特征在于,在所述贪婪转发模式下,假设所述节点i有数据发送或转发需求,在步骤B-1之前包括,构建节所述点i的有效中继节点候选集Ni-Eff,所述候选集Ni-Eff由节点i的邻居列表中距离目的节点更近的节点构成;所述自适应地理位置路由方法对所述候选集Ni-Eff中的节点从所述链路持续时间、所述相对距离和所述节点度三个维度进行度量获取度量分数。
5.根据权利要求4所述的自适应地理位置路由方法,其特征在于,当所述Ni-Eff为空时,节点i无符合贪婪转发的下一跳邻居,即遇到路由空洞,此时切换到所述区域预测转发。
6.根据权利要求1所述的自适应地理位置路由方法,其特征在于,步骤C-1包括以下步骤:近侧区域内的节点均在节点j的通信半径内,对近侧区域内的任意节点m,当节点j选择节点m作为下一跳节点时,假设节点m依然存在路由空洞,则设节点m的空洞区域面积为Sm,节点m与节点j的空洞区域的面积Sj的并集记为Sjm=Sj∪Sm,假设节点j的近侧区域内共有n个邻居节点,假设这n个节点发生路由空洞时对应的n个空洞区域的面积分别为S1,S2,…,Sn,这n个空洞区域面积与节点j的空洞区域面积的并集可分别记为Sj1,Sj2,…,Sjn,则其中并集区域面积最大的可记为Sjmax=max(Sj1,Sj2,…,Sjn),近侧区域有邻居节点的情况下,选择并集区域Sjmax对应的节点作为节点j的下一跳节点,能够最大概率的避免下一跳节点也出现路由空洞,以此来绕过路由空洞。
7.根据权利要求6所述的自适应地理位置路由方法,其特征在于,步骤C-2包括以下步骤:设节点j的空洞区域的面积为Sj,对节点i的候选集Ni-Eff集中存在的n个节点,他们对应的假设空洞区域的面积可记为S1,S2,…,Sn,这n个空洞区域面积与所述节点j的空洞区域面积的并集可分别记为Sj1,Sj2,…,Sjn,则其中并集区域面积最大的可记为:
Sjmax=max(Sj1,Sj2,…,Sjn);
近侧区域无邻居节点的情况下,由于已知空洞区域所处的位置,回传至上一跳后再次选择并集区域Sjmax对应的节点作为所述节点i的下一跳节点,能够最大概率的避免下一跳节点也出现路由空洞,以此来绕过路由空洞。
8.根据权利要求6或7所述的自适应地理位置路由方法,其特征在于,并集区域面积可通过如下方式计算:设所述节点j的坐标为(xj,yj),目的节点dest的坐标为(xd,yd),联合两圆方程可求得圆j和圆dest的两个交点m1和m2的坐标,记为:m1(x1,y1),m2(x2,y2),两圆的交集区域面积为Sc,所述交集区域面积Sc包括第一阴影部分面积Sc1和第二阴影部分面积Sc2,其中,所述第一阴影部分面积Sc1为扇形m1jm2的面积减去三角形m1jm2的面积,即:
(x-xk)2+(y-yk)2=R2,(x-xj)2+(y-yj)2=R2;
以所述目的节点dest为圆心,Dk和Dj为半径的圆为Odk和Odj,其圆方程分别为:
(x-xd)2+(y-yd)2=Dk 2和(x-xd)2+(y-yd)2=Dj 2;
设Ok和Odk交集区域的面积为Sk,设Oj和Odj交集区域的面积为Sj,Sk区域与Sj区域的相交区域的面为Skj,则并集区域的面积S可表示为:S=Sk+Sj-Skj,当Skj区域是两条圆弧构成的相交区域,Skj区域面积大小可直接通过上述交集区域面积求解方式求得,最后再得到并集区域面积S;当Skj区域是三条圆弧构成的相交区域,Skj对应的区域由三个交点m1,m4,m5拆分的三段圆弧构成,记三个交点的坐标分别为:(x1,y1),(x2,y2),(x3,y3),根据任意多边形面积公式:求得m1,m4,m5三点构成的三角形面积为:
取三角形面积的两倍作为交集区域的面积Skj,Skj=2·SΔ,最后得到:S=Sk+Sj-Skj。
9.根据权利要求1所述的自适应地理位置路由方法,其特征在于,步骤D-1包括:对任意节点i,其通信半径内的区域可划分为4个分区,分别记为s1,s2,s3,s4,假设各区域内分别有j,k,m,n个节点,对s1区域的j个节点,节点i与这j个节点的链路持续时间分别为t1,t2,…,tj,其中链路持续时间最大的记为tmax1,其值表示为:tmax1=max(t1,t2,…,tj),同理,可求得s2,s3,s4区域对应的tmax2,tmax3和tmax4;对于s1,s2,s3,s4任意一个区域,在节点i选择其中一个区域内的节点传输数据时,只考虑其中最大的链路持续时间即可,由于目的节点的位置不固定,因此需要考虑四个区域内的最大链路持续时间中的最小值,即下次更新间隔T=min(tmax1,tmax2,tmax3,tmax4),当某个分区不存在节点时,对应的tmax设为+∞,即可认为是空洞区域,在转发过程采用区域预测转发。
10.根据权利要求1所述的自适应地理位置路由方法,其特征在于,步骤D-2包括:
在二维场景下,假设query分组记录的发送时间为t1,该时刻节点位置坐标为(x1,y1),运动的速度为v1,运动方向与水平正方向夹角为α;当中继节点在t2时刻转发数据包时,假设目的节点在t1-t2之间内保持直线运动,则在t2时刻目的节点的位置(x2,y2)为:
x2=x1+v·cosα(t2-t1),y2=y1+v·sinα(t2-t1);
在三维场景下,假设query分组记录的发送时间为t1,位置坐标为(x1,y1,z1),运动的速度大小为v1,其方向映射到xy平面上与x轴正方向形成的夹角为α,速度与z轴正方向形成的夹角为γ,假设中继节点在t2时刻需要发送或转发数据包,则假设目的节点在t1-t2时间内保持直线运动,在t2时刻目的节点的位置(x2,y2,z2)为:
x2=x1+vsinγcosα(t2-t1),y2=y1+vsinγsinα(t2-t1),z2=z1+vcosγ(t2-t1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210739759.6A CN115087069B (zh) | 2022-06-28 | 基于链路持续时间的自适应地理位置路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210739759.6A CN115087069B (zh) | 2022-06-28 | 基于链路持续时间的自适应地理位置路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115087069A true CN115087069A (zh) | 2022-09-20 |
CN115087069B CN115087069B (zh) | 2024-06-07 |
Family
ID=
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933947A (zh) * | 2016-04-24 | 2016-09-07 | 江西理工大学 | 贪婪地理路由协议切线切换空洞处理的路由方法 |
CN109104366A (zh) * | 2018-08-29 | 2018-12-28 | 重庆大学 | 一种链路持续时间计算方法、mpr节点选择方法及路由协议 |
CN109874147A (zh) * | 2019-03-06 | 2019-06-11 | 天津理工大学 | 一种基于贪婪转发优化策略的移动自组织网络的路由方法 |
CN113382382A (zh) * | 2021-06-09 | 2021-09-10 | 天津理工大学 | 一种基于模糊逻辑优化策略的车辆自组网络路由方法 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933947A (zh) * | 2016-04-24 | 2016-09-07 | 江西理工大学 | 贪婪地理路由协议切线切换空洞处理的路由方法 |
CN109104366A (zh) * | 2018-08-29 | 2018-12-28 | 重庆大学 | 一种链路持续时间计算方法、mpr节点选择方法及路由协议 |
CN109874147A (zh) * | 2019-03-06 | 2019-06-11 | 天津理工大学 | 一种基于贪婪转发优化策略的移动自组织网络的路由方法 |
CN113382382A (zh) * | 2021-06-09 | 2021-09-10 | 天津理工大学 | 一种基于模糊逻辑优化策略的车辆自组网络路由方法 |
Non-Patent Citations (6)
Title |
---|
GAO, YANZHONG, JIELIN FU, AND YI LU.: ""Improvement of GPSR routing protocol for TDMA-based UAV ad-hoc networks"", 《2021 WORLD CONFERENCE ON COMPUTING AND COMMUNICATION TECHNOLOGIES (WCCCT)》, 3 June 2021 (2021-06-03) * |
KUIPER, ERIK, AND SIMIN NADJM-TEHRANI.: "Kuiper, Erik, and Simin Nadjm-Tehrani.", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY 60.2 (2010)》, 31 December 2010 (2010-12-31) * |
NGUYEN, PHI LE, THANH HUNG NGUYEN, AND KIEN NGUYEN.: ""A path-length efficient, low-overhead, load-balanced routing protocol for maximum network lifetime in wireless sensor networks with holes"", 《SENSORS 20.9 (2020)》, 22 April 2020 (2020-04-22) * |
YANG, HAOJUN, MING YU, AND XUMING ZENG.: ""Link available time prediction based GPSR for vehicular ad hoc networks"", 《2017 IEEE 14TH INTERNATIONAL CONFERENCE ON NETWORKING, SENSING AND CONTROL (ICNSC)》, 31 December 2017 (2017-12-31) * |
冷鹏程: ""无人机集群网络自适应地理位置信息路由协议研究"", 《万方数据》, 1 November 2023 (2023-11-01) * |
李志伟, 卢昱, 赵文栋等.: ""基于位置的无人机自组网路由协议综述"", 《飞航导弹, 2019(06)》, 31 December 2019 (2019-12-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A communication strategy of proactive nodes based on loop theorem in wireless sensor networks | |
Hong et al. | Toward swarm coordination: Topology-aware inter-UAV routing optimization | |
Abuarqoub et al. | Dynamic clustering and management of mobile wireless sensor networks | |
CN106961707B (zh) | 一种vanet中基于连通性的多因素决策路由协议 | |
Gavalas et al. | Mobility prediction in mobile ad-hoc networks | |
CN1988550A (zh) | 一种无线传感器网络无锚点定位的分布式实现方法 | |
Chandrashekar et al. | Providing full connectivity in large ad-hoc networks by dynamic placement of aerial platforms | |
Fan et al. | A survey of routing protocols for highly dynamic mobile ad hoc networks | |
CN112822752A (zh) | 一种无人机自组织网络的路由建立方法及系统 | |
Liu et al. | Swarm-intelligence-based rendezvous selection via edge computing for mobile sensor networks | |
Maakar et al. | Performance evaluation of AODV and DSR routing protocols for flying ad hoc network using highway mobility model | |
Anwit et al. | Sustainable and optimized data collection via mobile edge computing for disjoint wireless sensor networks | |
Yao et al. | Game theory and coverage optimization based Multihop routing protocol for network lifetime in wireless sensor networks | |
Ji et al. | Research on optimal intelligent routing algorithm for IoV with machine learning and smart contract | |
Syfullah et al. | Mobility-based clustering algorithm for multimedia broadcasting over IEEE 802.11 p-LTE-enabled VANET | |
Shu et al. | Mobility prediciton clustering routing in UAVs | |
Zhang et al. | V2V routing in VANET based on fuzzy logic and reinforcement learning | |
CN115087069B (zh) | 基于链路持续时间的自适应地理位置路由方法 | |
CN115087069A (zh) | 基于链路持续时间的自适应地理位置路由方法 | |
Prakash et al. | Fuel consumption and delay aware traffic scheduling in vanet environment | |
CN113993099B (zh) | 一种面向三维空间移动无人机用户的切换参数配置方法 | |
Almolaa et al. | Distributed deep reinforcement learning computations for routing in a software-defined mobile Ad Hoc network | |
Varma et al. | Cluster Based Multipath Dynamic Routing (CBDR) protocol for wireless sensor networks | |
Li et al. | Trajectory-aware spatio-temporal range query processing for unmanned aerial vehicle networks | |
Chen et al. | Ellipse group mobility model for tactical manet |
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 |