CN108650141B - 一种基于车联网连通基的大规模网络通达性模型设计方法 - Google Patents

Abstract

一种基于车联网连通基的大规模网络通达性模型。考虑车联网网络节点冗余特性，给出了一种车联网网络拓扑结构，即车联网连通基,并利用启发式算法给出了连通基构造方法。从连通基内部结构属性和动态特性出发，结合平滑高斯‑半马尔科夫移动模型，证明了车联网大规模网络的连通性和稳定性，给出了车联网通达性理论模型，该理论模型可以对车联网高动态环境下的网络连通性以及稳定性进行准确评估，同时为网络层提供理论支撑，为应用层提供实时数据保障，使得车联网高动态网络环境下保持稳定持久的传输重要信息，例如交通事故信息、实时媒体数据等，具有重要的理论和实际应用价值。

Description

一种基于车联网连通基的大规模网络通达性模型设计方法

技术领域

本发明涉及车联网复杂网络领域。

背景技术

近年来，国内外学者对车联网网络性能的研究主要集中在某一特定场景或者基于某些假设条件下的网络连通性研究上，现有车联网连通性研究主要集中与两个方面：(1)端到端连通性；(2)网络整体连通性。

目前端到段连通性研究主要研究动态网络环境下两个节点之间的连通概率。此类研究一般针对高速公路或者是城市场景中某一路段，并将其建模为1-D网络空间，然后依据一定的节点分布模型如随机分布、平均分布或者泊松分布来分析节点之间连通概率与车辆密度的关系。但是这些研究是在车辆节点分布隶属于某一数学分布模型的前提下，研究高速公路场景或者城市中一条路段中两个节点之间的端到端连通概率与节点密度之间的关系，没有从车联网大规模网络场景出发，研究网络整体连通性以及稳定性。

网络整体连通性主要基于渝渗理论研究网络连通与节点密度的关系，根据逾渗理论求解出网络连通所需要的节点密度，求解过程没有考虑车联网节点的移动性和网络拓扑结构的内在属性，依然没有给出大规模网络环境下实时衡量网络性能的标尺。

综上所述，针对车联网网络性能的相关研究主要集中在网络连通性上，包括端到端连通性和网络整体连通性两方面。端到端连通性研究主要考虑使用节点分布模型分析小规模网络环境下两个节点间的连通概率与车辆密度和通信半径的关系，没有从整体网络角度出发研究网络连通性能。而网络整体连通性研究一般基于逾渗理论分析网络静态连通性随着车辆密度的变化，不考虑节点移动性，无法给出实时衡量网络连通性的标尺。因此，车联网网络性能的研究工作没有深入研究，无法实时准确衡量大规模网络的性能。

发明内容

程久军等发明人于2017年10月11日申请的《车联网大规模网络互联互通的连通基组件构造方法》(申请人：同济大学，专利申请号2017103978077)该专利申请给出了车联网连通基的定义，是指：对于车联网络拓扑G＝(V,E)，若有子图

满足以下条件：

⑴

其中

⑵

都有

或者v至少和

中一个节点相邻；

⑶

是连通的；

则称

为网络G的车联网连通基。本发明基于互联互通的连通基组件给出了车联网大规模网络通达性模型。

本发明技术方案为：

一种车联网大规模网络通达性模型，具体方法包括如下步骤：

步骤1.基于连通基的车联网通达性分析；

步骤2.基于连通基的通达性模型；

步骤21.节点运动模型化；

步骤22.网络连通性；

步骤23.网络稳定性；

步骤24.网络通达性模型

有益效果

针对目前车联网没有从整体网络角度出发以及不考虑节点移动性，无法给出实时衡量网络连通性的标尺，导致无法实时准确衡量大规模网络的性能等问题，本发明基于互联互通的连通基组件(程久军等发明人于2017年10月11日申请的《车联网大规模网络互联互通的连通基组件构造方法》(申请人：同济大学，专利申请号201710397807 7)从连通基内部结构属性和动态特性出发，结合平滑高斯-半马尔科夫移动模型，研究了车联网大规模网络的连通性和稳定性，给出了车联网通达性理论模型，该理论模型可以对车联网高动态环境下的网络连通性以及稳定性进行准确评估，同时为网络层提供理论支撑，为应用层提供实时数据保障，使得车联网高动态网络环境下保持稳定持久的传输重要信息，例如交通事故信息、实时媒体数据等，具有重要的理论和实际应用价值。

附图说明

图1连通路径示意图

图2单跳链路模型

图3 α＝0.9时不同Δt下网络稳定性误差CDF

图4Δt＝0.2s不同α下网络稳定性误差CDF

图5通信半径为300米时网络通达性以及投递率与车辆密度的关系

图6通信半径为500米时网络通达性以及投递率与车辆密度的关系

图7通信半径为300米时网络通达性以及投递率与速度均方差的关系

图8通信半径为500米时网络通达性以及投递率与速度均方差的关系

图9为本发明方法流程图

具体实施方式

车联网网络通达性问题研究是车联网研究领域一个重要的方向，是车联网网络性能评判的重要指标，它关系到网络的数据能否准确抵达目的地并保持稳定连接。目前关于车联网连通性的研究主要集中于端到端连通性和网络整体连通性两方面。端到端连通性研究主要考虑使用节点分布模型分析小规模网络环境下两个节点间的连通概率与车辆密度和通信半径的关系，没有从整体网络角度出发研究网络连通性能。而网络整体连通性研究一般基于逾渗理论分析网络静态连通性随着车辆密度的变化，不考虑节点移动性，无法给出实时衡量网络连通性的标尺，从而无法实时准确衡量大规模网络的性能。本发明针对以上问题，给出基于车联网连通基的大规模网络通达性模型，该模型基于互联互通的连通基组件(程久军等发明人于2017年10月11日申请的《车联网大规模网络互联互通的连通基组件构造方法》(申请人：同济大学，专利申请号201710397807 7)，该专利申请给出的技术方案为：考虑车联网网络节点冗余特性，给出了一种车联网网络拓扑结构，即车联网连通基,并利用启发式算法给出了连通基构造方法。)，从连通基内部结构属性和动态特性出发，结合平滑高斯-半马尔科夫移动模型，证明了车联网大规模网络的连通性和稳定性，给出了车联网通达性理论模型，该理论模型可以对车联网高动态环境下的网络连通性以及稳定性进行准确评估，同时为网络层提供理论支撑，为应用层提供实时数据保障，使得车联网高动态网络环境下保持稳定持久的传输重要信息，例如交通事故信息、实时媒体数据等，具有重要的理论和实际应用价值。

本发明的具体实施过程如图9所示，包括如下3个方面：

①基于连通基的车联网通达性分析

②基于连通基的通达性模型

③实验

④网络稳定性验证

⑤网络通达性模型的验证

①

基于连通基的车联网通达性分析

本发明着眼于车联网大规模网络通达性，因车联网连通基只筛选了若干连通元节点构成连通基，降低了网络节点冗余性，网络规模相比原网络较小，并且不影响网络的正常运行，基于连通基研究网络通达性可以有效降低通达性的计算复杂度。

这里，对于任意给定网络G，其中车辆节点集为V，链路集为E。G可以看做由网络节点设备、连接节点的通信链路以及由节点和链路组成的动态拓扑结构组成。若网络G存在连通基

把G分为连通元节点和普通节点，并且普通节点之间的通信全权交给支配其的连通元节点处理，那么网络中任意两点v_i，v_j之间网络通达性为v_i，v_j之间连通基的通达性再加上连通基和两节点相连链路的通达性，也就是：

其中

为v_i，v_j之间的连通基。

当中间转发连通元节点较多时，连通基与节点之间链路的通达性可以忽略不计，此时v_i，v_j之间的网络通达性为：

那么网络G的通达性约等于其连通基

的通达性。也就是：

网络的通达性主要取决于网络连通性以及网络稳定性，本发明从这两方面分析其对网络通达性的影响：

(1)网络连通性Co

在车联网中，节点无线传输范围有限，节点之间处于相应的通信半径范围时才相连。网络连通性反应了终端之间的连通状态，是决定网络通达性的重要因素。

(2)网络稳定性St

由于车辆节点的高速移动性，节点间传输距离时刻变化，旧路径断开和新路径建立频繁交替，网络拓扑动态变化很快。网络稳定性是确保数据能够稳定传输的基础。

分别求取网络G的连通基

的连通性

和稳定性

即可得到G的通达性Ac(G)，有如下函数关系：

②

基于连通基的通达性模型

(1)节点运动模型化

对于车联网网络，车辆的运动具有一定规律性，要研究移动状态下网络的通达性需要将网络节点运动模型化。本发明假设网络的拓扑结构在一个较短的时间内不发生变化，利用平滑高斯-半马尔科夫移动模型SGM将连续运动离散化来描述拓扑结构随时间的变化。

对于一个给定的车联网网络，首先将连续时间切分成相等的短时间间隔Δt，这样每个时间元都可表示为t_k＝Δt+t_k-1；k＝1,2,…,n。假设网络中所有节点按照SGM运动并且节点的初始位置已知，节点v_i的初始位置为(x_i0,y_i0)。那么可得v_i在第k^th个时刻的位置(x_ik,y_ik)为：

其中Ve_ik表示v_i在第k^th个时刻的速度，θ_ik表示v_i的运动方向。在时间间隔Δt内，我们将节点运动方向看做不变。这样节点在网络中任一时刻的位置可通过上式求解，若Δt的取值越小，所求解的节点位置越精确。

由式(5)可计算节点v_i和v_j在第k^th个时刻的欧式距离为：

根据节点间的欧式距离D_ij(t_k)和节点的通信半径即可判断节点之间的连接状态，a_ij表示节点间的连接状态，R表示通信半径，则

根据第k^th时刻任意节点之间的连接状态可构建网络的时变邻接矩阵为：

A(t_k)表示第k^th时刻的网络拓扑结构，将整个网络周期分为n个时间间隔，网络每个时刻的邻接矩阵均可根据上式求得，进而可知每个时刻的网络连接状态，对于建立移动状态下网络的通达性模型有重要意义。

(2)网络连通性

连通基是覆盖整个网络的拓扑结构，并且保证每个节点到连通元的距离只有一跳，基于连通基的车联网连通性评估就是对连通基的连通性进行评估。

定义1连通路径：网络中节点和边的交替序列w＝v₀e₀v₁e₁v₂e₂…v_ke_kv_k+1为连通路径。其中k为连通路径的跳数。若连通路径w中v₀＝v_k+1，则称连通路径为连通环。

图1为连通路径示意图。在网络a中，v₁和v₆之间跳数为3的连通路径的数目为4，分别为：v₁v₂v₃v₆，v₁v₂v₅v₆，v₁v₄v₃v₆，v₁v₄v₅v₆。而在网络b中，v₁和v₅之跳数为3的连通路径数目为：v₁v₂v₄v₅和v₁v₃v₄v₅。网络a比网络b含有更多的连通路径，即使网络中部分链接断开，网络a依然可以保持连通。因此，网络a的连通性比b强。因此可以得出结论，网络中节点之间备选路径的数目决定了网络连通性。由此可以推断，基于连通基的车联网的连通性取决于连通基中连通路径的数目大小。对于网络G，其连通基为

中连通路径的数目为任意连通元对

之间跳数为k的连通路径的数目

的和。但在大规模网络中

的计算难度较大，计算的复杂度会很高，而连通环路的数目也可以度量网络中连通路径的数目，计算复杂度将会低一些。

连通环路的数目为：

其中

表示跳数为k，起始点为

的连通环路的数目，N_k表示连通基中所有跳数为k的连通环路的数目。Sum越大，说明备用路径的数目越多，连通基的连通性就越强。但在计算Sum时，包含了边和节点重复的情况，最终Sum值可能趋向于无穷大。对于任意连通元对

跳数越多的连通环路与其他环路计算的重复率越高，应该降低跳数多的连通环路在Sum占的比例，因此对N_k进行加权计算，即：

其中λ_i为连通基邻接矩阵的特征值。

由上式看出，Sum′可通过邻接矩阵的特征值计算而得。但是，当网络规模较大时，Sum′将是一个很大的数字。方便起见，将Sum′进行对数运算，得到连通基

的连通性值

从形式上看，

和Sum′为正比关系，

是连通基邻接矩阵

的所有特征值的特殊平均值，只不过通过了一次指数运算和对数运算。

将节点的运动模型化之后，根据式子(11)可求得第k^th时刻的网络连通性

同样在将网络周期离散为多个时间间隔Δt后，各个时刻的网络连通度均可求解。Δt取值越小，所求得的网络连通性越精确。

具体网络连通性计算步骤应该如下：

1.构建连通基

确认时间间隔Δt、节点的通信半径、连通元的初始位置，然后根据连通元的位置信息确认其之间的连接状态，进而构建初始时刻的邻接矩阵

2.根据第k^th时刻的邻接矩阵

计算

的特征值，接着按照式(11)计算连通性

3.若网络生存周期还未结束，根据SGM计算第(k+1)^th时刻网络中各个连通元的位置，并建立此时的邻接矩阵

重新计算连通性，直到整个网络生命周期结束。

(3)网络稳定性

连通基是覆盖整个网络的拓扑结构，通过对连通基动态网络拓扑稳定性的分析来分析整个网络的稳定性，基于连通基的网络稳定性研究实质上是研究连通基的稳定性。

车联网与传统网络最大的不同在于其拓扑动态性，链接建立与断开频繁，链路寿命可以衡量一条链路的稳定性。在实际网络中，直接通过节点之间发送消息来确认节点之间链路可用时长存在一定误差和干扰，卡尔曼滤波技术可以去除噪声还原真实数据。因此本发明基于节点移动模型和卡尔曼滤波来计算链路寿命，进而推导网络的稳定性。

对于任意两个节点v_A和v_B，令Ve_Ak和Ve_Bk分别表示v_A和v_B在第k^th时刻的速度。按照SGM模型即可得到节点在第k+1^th时刻的速度。进一步，节点v_A和v_B在第(k+1)^th时刻的相对速度可按如下公式计算：

其中，Ve_Rk＝Ve_Ak-Ve_Bk，y_Rk＝y_Ak-y_Bk，显然y_Rk为均值为0，方差为σ_R ²＝2σ²的高斯随机变量。

为了计算链路寿命，考虑以下单跳链路模型，如图2。两个车辆节点v_A和v_B按照图在网络中运动。尽管v_A和v_B都按照SGM运动，假设v_A静止，v_B按照式(12)中的相对速度移动。把网络看作一个坐标***，车辆v_A在原点，只要车辆v_B在坐标(-R,0)到(R,0)之间，v_A和v_B建立链接。当车辆v_B进入v_A的传输半径时，v_A会收到Beacon消息，并且开始使用卡尔曼滤波计算v_B的移动距离以及和v_B之间的相对速度，进而计算两个节点之间的链路寿命。

Kalman滤波器是实时递归算法，用来对动态***的状态变量进行最优估计，算法包括两个重要方程：***的状态方程和观测方程。

首先给出状态方程，在以上两节点链接模型中，状态变量包括车辆v_B的行驶距离以及v_B移动速度，根据SGM模型，这两个变量都和前一时刻相关，因此第(k+1)^th时刻的状态过程方程为：

其中x_k+1和x_k分别指车辆v_B在第(k+1)^th和k^th时刻的位置；y_Rk和y_xk是独立不相关的高斯随机变量，均值均为0，方差分别为σ_R ²和σ_x ²。状态方程的矩阵形式为：

通过上式可以把过程方程看成一种通用形式X_k+1＝TX_k+w_k，X_k+1为状态变量向量，T是第k^th时刻的状态转移矩阵，w_k为观测噪声，是均值为0，协方差矩阵为Q的高斯随机变量。根据式(14)可得Q为：

观测方程由Kalman滤波统一给出，第k^th时刻的观测方程为Z_k＝HX_k+μ_k，其中Z_k是观测向量，H是观测矩阵，μ_k是观测噪声，它是均值为0，协方差矩阵为R的高斯变量。

接着令

为X_k的先验估计，

为X_k的后验估计，

和P_k分别为先验和后验协方差矩阵。

的初始值也就是在k＝0时的值，此时对角元素应该是特别大的值，而非对角元素应该为0。因此

的初始值为：

根据Kalman滤波算法的时间更新和观测更新过程，我们就可以对网络的链路寿命进行估算。如图2中所示，当车辆v_B进入v_A的通信范围之内时，v_A会通过v_B发送过来的Beacon信息探测到v_B，可得到车辆v_A与v_B在第(k+1)^th时刻的链路寿命估计值为：

其中

对于网络G，其连通基为

的网络稳定性由连通基所有链路的加权平均寿命表示，每条链路的权值为连通基中包含此链路的连通路径数目占所有连通路径的比例。则网络稳定性

为：

其中E_j表示连通基中第j条链路，n_j为连通基中包含链路E_j的连通路径数目，

为连通基中链路的数目。

给出了衡量网络G某一时刻稳定性的计算公式，根据式(18)以及Kalman滤波算法，可以得出动态网络中任意时刻网络的稳定性值。

(4)网络通达性模型

车联网网络通达性，即根据当前任务快速实现网络互联互通，并实时保持稳定状态以完成当前任务为目的。通达性网络是指连通又稳定的网络，网络通达性模型则是用来综合衡量目标网络的连通性和稳定性。因车联网大规模网络节点规模庞大，直接分析其通达性难度高，基于车联网连通基建立网络通达性模型可以较小网络规模。对于G中任意两个节点v_A和v_B，其网络通达性为v_A和v_B之间连通基网络的通达性，那么网络G的通达性则为其连通基的通达性，可以得出网络通达性的计算公式：

其中

为网络G的连通基，Co_th为网络连通性阈值，根据源车辆的车联网应用程序需求而定。网络连通是通达性网络首先要满足的条件，因此，网络通达性模型应当先判断网络连通性是否满足应用需求，当连通性值大于其阈值，则网络符合应用程序要求，此时网络通达性为连通性与稳定性的乘积。当网络连通性小于连通性阈值，其通达性为0。

③

实验

本发明使用的仿真平台和实验方法与(程久军等发明人于2017年10月11日申请的《车联网大规模网络互联互通的连通基组件构造方法》(申请人：同济大学，专利申请号201710397807 7)相同，为了验证所提出通达性模型的正确性，本发明继续使用(程久军等发明人于2017年10月11日申请的《车联网大规模网络互联互通的连通基组件构造方法》(申请人：同济大学，专利申请号201710397807 7)设计的城市场景道路车联网场景，在实验场景的左上角和右下角分别放有一个固定的路边基础设施，一个为源节点，负责发送数据包，一个为目标节点，是数据包发送的目的地。根据DSRC的规定，IEEE802.11p的通信半径为300米到1000米，本实验分别采用300米和500米来分析网络通达性与网络性能指标的变化关系。

具体实验步骤如下：

(1)首先依据(程久军等发明人于2017年10月11日申请的《车联网大规模网络互联互通的连通基组件构造方法》(申请人：同济大学，专利申请号201710397807 7)给出的连通基构造方法构建车联网连通基；

(2)控制平滑高斯-半马尔科夫模型中的相关记忆参数α和时间间隔Δt，观察所提出网络稳定性的正确性，研究适用于仿真场景下的最优α和Δt值。

(3)使用基于地图的路由协议DSDV地理源路由协议，由源节点向目的节点发送数据包。控制网络中车辆密度和车辆速度标准差，研究网络中端到端数据包的投递率和网络延迟，并且与本文通达性模型计算所得的网络通达性比对，验证通达性模型的正确性。

④

网络稳定性验证

为计算网络稳定性，需要把仿真时间按Δt进行分割。依据SGM模型对节点的位置和速度进行更新，每隔Δt对节点位置和速度进行一次更新。当车辆B进入车辆A的通信范围时，A开始计算与B的相对速度和相对位置，也就得到了卡尔曼滤波的测量数据。在仿真中，每个车辆都会每隔Δt时刻计算其所在边的稳定性，每隔Δt时刻提取此时的网络快照，把每张快照网络看做是静止网络，并且分析此时刻的真是网络稳定性。网络稳定性误差η定义为根据网络稳定性模型计算得出的稳定性值和真实稳定值的差与真实稳定值之间的比值：

采集网络稳定性误差值，并且将其绘制为图形，如图3和4所示。

图3为α＝0.9不同Δt下的网络稳定性误差CDF。结果表明当Δt小于等于0.5s时，70％的网络稳定性误差会小于20％。这是因为随着Δt变大，根据卡尔曼滤波计算的值的数目变少，进而推导出的网络稳定性误差就会变大。图4为Δt＝0.2s不同α网络稳定性误差CDF。当α为0.8或者0.9时，超过60％的网络稳定性误差少于20％。这不难理解，随着α的减少，节点在每个时间元之间速度变化会更随机，所以会导致网络稳定性误差增大。根据以上实验可以推断出当α＝0.9，Δt＝0.2s时，网络稳定性模型能较准确的计算网络的稳定性。

⑤

网络通达性模型的验证

为验证网络通达性模型的正确性，考虑以网络数据包投递率与网络通达性进行对比。

首先在不同的车辆密度下进行仿真实验，设定仿真中的车辆速度均方差都为5m/s。在不同通信半径下统计不同车辆密度下的由源节点向目标节点数据包的平均投递率，同时计算不同车辆密度下对应的平均网络通达性值，并绘制网络通达性与车辆密度的曲线图。如图5和6所示，蓝线代表网络通达性的理论值，橙线代表统计得来的DSDV协议的平均投递率。

在不同的通信半径下，都会有当车辆密度不足时，网络通达性很低，开始随着车辆密度增加，网络通达性增速缓慢，当到达一个阈值时，通达性开始急剧增长，到最后达到最高值，并且最后也有一个阈值，阈值之后增速缓慢。

由图5和6看出，车辆的通信半径影响了阈值的位置，当传输范围为300米时，网络通达性开始急剧增长的位置为0.025辆/米，当传输范围为500米时，则为0.02辆/米。这说明，在其他条件一致的情况下，节点传输范围越大，通达性网络越容易实现。当节点传输范围不论为300还是500米时，通过蓝线和橙线位置的对应，都可以看出根据通达性模型计算得出的通达性值与数据包投递率随着车辆密度的变换曲线是比较符合的。根据网络通达性值和数据包投递率随着车辆密度的变化关系可以看出，在节点比较稀疏时，连通性值达不到连通性阈值，网络通达性为0，此时网络通达性值和数据包投递率变化曲线不相符，但是大部分情况网络通达性可以准确衡量网络的数据传输能力。

随后在不同的速度均方差下进行仿真实验，设定仿真中的车辆密度为0.035辆/米。在不同通信半径下统计不同速度均方差下的由源节点向目标节点数据包的平均投递率，同时计算不同车辆密度下对应的平均网络通达性值，并绘制网络通达性与车辆密度的曲线图。如图7和8所示。

图7为节点通信半径为300米时，网络通达性以及数据包投递率与速度均方差的变化关系。当速度均方差为2m/s时投递率达到80％，随着速度均方差的增加，网络通达性和数据投递率都开始降低，并且在速度均方差为10m/s时达到最低。经过对网络拓扑性质随着速度均方差的变化的研究，发现这是由于速度均方差增加，车辆之间的相对速度变大，网络中链路容易断裂，增大了网络拓扑动态性，所以数据投递率会随着速度均方差的增大而降低。图8中当节点传输范围为500米时也证明了这一点。从图7和图8可以看出，即使在不同的通信半径和不同的速度均方差下，网络通达性和投递率的随着速度均方差的变化趋势也基本相同，这也证实了网络通达性模型符合仿真结果。

综上所述，基于连通基的车联网大规模网络通达性模型可以对网络的数据传输能力进行准确评估。因此，采用此网络通达性模型来预测网络通达性是准确可信的，适用于车联网大规模网络场景。

创新点

本发明提出了一种表征车联网大规模网络通达性的理论模型，从而有助于准确衡量车联网大规模网络实时且稳定的网络性能。目前关于车联网连通性的研究没有从整体网络角度出发，而且不考虑节点移动性，无法给出实时衡量网络连通性的标尺，从而无法实时准确衡量大规模网络的性能。本发明针对以上问题，给出基于车联网连通基的大规模网络通达性模型，该模型基于互联互通的连通基组件(程久军等发明人于2017年10月11日申请的《车联网大规模网络互联互通的连通基组件构造方法》(申请人：同济大学，专利申请号201710397807 7)，该专利申请给出的技术方案为：考虑车联网网络节点冗余特性，给出了一种车联网网络拓扑结构，即车联网连通基,并利用启发式算法给出了连通基构造方法。)，从连通基内部结构属性和动态特性出发，结合平滑高斯-半马尔科夫移动模型，证明了车联网大规模网络的连通性和稳定性，给出了车联网通达性理论模型，该理论模型可以对车联网高动态环境下的网络连通性以及稳定性进行准确评估，同时为网络层提供理论支撑，为应用层提供实时数据保障，使得车联网高动态网络环境下保持稳定持久的传输重要信息，例如交通事故信息、实时媒体数据等，具有重要的理论和实际应用价值。

Claims (1)

1.一种基于车联网连通基的大规模网络通达性模型设计方法，其特征在于，通达性网络是指既连通又稳定的网络，网络通达性模型则是用来综合衡量目标网络的连通性和稳定性；

对于网络G中任意两个节点v_A和v_B，其网络通达性为v_A和v_B之间连通基网络的通达性，网络G的通达性则为其连通基的通达性，得出网络通达性Ac(G)的计算公式：

其中

为网络G的连通基，Co_th为网络连通性阈值，Co_th根据源车辆的车联网应用程序需求而定；

所述车联网连通基是指：对于车联网络拓扑G＝(V,E)，若有子图

满足以下条件：

⑴

其中

⑵

都有

或者v至少和

中一个节点相邻；

⑶

是连通的；

则称

为网络G的车联网连通基；

连通基

的连通性值

是基于连通基邻接矩阵

的特征值来计算；λ_i为连通基邻接矩阵的特征值，i为连通路径序号，n为总连通路径数；

网络稳定性

为：

其中E_j表示连通基中第j条链路，n_j为连通基中包含链路E_j的连通路径数目，

为连通基中链路的数目；n_All为总连通路径数，LET(E_j)链路寿命估计函数。

Images