CN109862537B - 车联网社区内通达性方法 - Google Patents

Abstract

由于车联网中车辆节点快速移动与车联网网络拓扑高动态变化，车联网易发生数据聚集与延迟等现象，从而很大程度上给车联网网络连通并稳定带来巨大的挑战。然而，一个良好的车联网路由策略不仅需要保持网络的快速连通，而且需要保持网络稳定，即保证网络的通达性。因此分析和理解车联网社区内部通达是一个急需解决的问题。本发明针对以上问题，为了探测车联网社区内部连通并保持稳定，给出车联网社区内通达性方法，该方法利用学习自动机理论，通过部署在社区节点间的信息交换与竞争，设置相应的激励函数和惩罚函数，自适应调整不同路由的转发概率，达到纳什均衡状态，从而实现从整体上优化网络中的数据传输，提升车联网网络通达性的目的。

Description

车联网社区内通达性方法

本发明是在程久军等发明人于2019年3月1日申请的《车联网社区动态演化方法》(申请人：同济大学，专利申请号201910155584 2))在先申请专利文献的进一步研究和开发，该在先专利文献可以视为本发明说明书的一部分。

技术领域

本发明涉及车联网领域，具体涉及车联网社区内通达性方法。

背景技术

通达性是网络实现互联互通最重要的特性之一，主要包括网络中的连通性和稳定性。连通性主要是解决网络中点对点路由是否可达；稳定性的重点则在于优化网络结构和路由策略，避免因信息拥塞以及传输延迟等带来的网络效率问题。下面从车联网通达性方法中连通性和稳定性两个侧重点分别进行说明。

(1)连通性

车联网的连通性研究分为定性分析和量化度量分析。定性分析通常指车辆在道路上的分布情况或车联网固有特性对连通性的影响，而量化度量则是通过比较平均数据延迟或丢包率等指标研究不同连通策略的具体优劣。Jin等人将车辆在道路上的分布视为泊松分布，结合车辆道路约束的特性来研究车辆密度和通信范围对连通性的影响。文献中进一步在车辆节点符合泊松分布的基础上，采用二维随机图模型进行建模，定性和定量分析车辆密度与最小无线传输距离的关联程度，并据此为车联网中关键节点的位置部署提供指导。此外，在第一章中提到的MCEGR方法是对车联网社区内与社区间连通性的折中，但存在的问题是MCEGR是一个两跳路由方法，社区规模不是很大，适用范围有限。

(2)稳定性

稳定性是保证车联网这种拓扑结构快速变化的自组织网络持续连通的关键指标之一，是车联网通达性的重要组成部分。有关基于社区演化的通达性方案，社区的稳定性是关注的重点。Morales等人提出了一种车载网络自适应社区聚类算法，该算法根据车辆节点运动轨迹、当前速度与位置、道路情况等来预测下一时刻车辆节点的位置，并结合当前网络拓扑与预测后的网络拓扑来进行社区划分，考虑了网络未来变化的趋势，提高了社区的持续时间和稳定性。

综上所述，这些方法在连通性和稳定性方面存在的问题是，当网络规模较大且拓扑结构高动态变化时，由于缺乏自适应的路由，可能因为部分连接丢失而不能快速恢复，导致网络连通性不足，也可能因为数据聚集导致网络拥塞，造成部分节点超过通信负载上限而无法正常工作，导致网络稳定性不佳。针对以上问题，本发明在(程久军等发明人于2019年3月1日申请的《车联网社区动态演化方法》(申请人：同济大学，专利申请号2019101555842)研究车联网动态社区演化机制可实时得到车联网社区结构的基础上，提出一种基于学习自动机的车联网社区内通达性方法(Community Accessibility Scheme forVehicle Networking based on Learning Automata,CAVN-LA)。CAVN-LA将学习自动机理论应用到车联网社区内，通过部署在社区节点的学习自动机间信息交换与竞争，自适应调整不同路由的转发概率，从而达到从整体上优化网络通信的目的，提升车联网网络通达性。

发明内容

发明目的：

本发明研究方法是针对车联网中车辆节点快速移动与车联网网络拓扑高动态变化，以及车联网易发生数据聚集与延迟等现象带来的通达性问题，利用学习自动机理论，通过部署在社区节点间的信息交换与竞争，设置相应的激励函数和惩罚函数，自适应调整不同路由的转发概率，达到纳什均衡状态，从而实现从整体上优化网络中的数据传输，提升车联网网络通达性的目的。

现有关于车联网社区连通性和稳定性方面存在的问题是，当网络规模较大且拓扑结构高动态变化时，由于缺乏自适应的路由，可能因为部分连接丢失而不能快速恢复，导致网络连通性不足，也可能因为数据聚集导致网络拥塞，造成部分节点超过通信负载上限而无法正常工作，导致网络稳定性不佳。最后的结论则是：车联网作为一种动态自组织网络，仅使用静态社区发现方法难以实时探测其社区结构，需要建立自适应调整的不同路由转发概率以及达到纳什均衡状态，才能提升车联网社区内部通达性的目的。

为此，本发明具体给出以下技术方案实现：车联网社区内通达性方法，具体包括如下步骤：

步骤1.相关性质定义

步骤2.车联网社区内通达性方法

步骤2.1节点信息表初始化与更新

步骤2.2社区头节点筛选

步骤2.3普通节点到头节点的消息转发

步骤2.4头节点到普通节点的消息转发

步骤2.5社区内通达性路由算法

有益效果

本发明目的在于公开一种考虑车联网高动态复杂情况下，提供一种能够提升车联网社区连通并稳定的通达性方法。

通过车联网社区动态演化方法的基础上，(此部分发明请见(程久军等发明人于2019年3月1日申请的《车联网社区动态演化方法》(申请人：同济大学，专利申请号2019101555842))，给出了一种车联网社区内通达性方法。该方法将学习自动机理论应用到车联网社区，通过部署在社区节点的学习自动机间信息交换与竞争，自适应调整不同路由的转发概率，从而达到从整体上优化网络通信的目的，提升车联网网络通达性。

附表说明

表1节点信息表字段

表2节点v_i的转发行为概率向量表

表3头节点v_chr的社区内转发行为概率向量表

附图说明

图1社区头节点与网关节点筛选流程图(算法1流程图)

图2社区内节点LA转发行为概率调整流程图(算法2流程图)

图3社区内通达性路由方法流程图(算法3流程图)

图4LA在社区内各节点上运行图

图5为本发明方法流程图

具体实施方式

本发明的具体实施过程如图5所示，包括如下6个方面：

①相关性质定义

②节点信息表初始化与更新

③社区头节点筛选

④普通节点到头节点的消息转发

⑤头节点到普通节点的消息转发

⑥社区内通达性路由算法

①

相关性质定义

对于车联网社区内的节点，本发明采用的通达性方案将为其赋予不同的角色，分别是社区头节点、社区网关节点以及社区普通节点，定义如下：

定义1社区头节点集(CHSet)：社区C_i的头节点(CH)为该社区中社区向心力较大的节点的集合，若在社区C_i存在节点u满足数学表达式为(1)：

其中，η为头节点选择因子，一般η取(0.75,1]中的一个值，社区C_i中符合上述条件的节点u被加入到C_i的CHSet中。CHSet中的节点是当前社区C_i内通信质量较好的节点，社区内的通信通常选择CHSet的节点作为中继节点。

定义2社区普通节点(CM)：一个社区内除头节点之外的都可称为社区普通节点。

一般地，由于车联网是一个高动态变化的网络，每个节点的角色会随着自身的移动与拓扑以及通信情况的变化而改变，普通节点、头节点的角色可能会根据网络连通的需求而互换。

定义3节点连通概率(Node Connectivity Probability,NCP)是指车联网中节点连通的可信程度。

若节点u与节点v相邻且在各自的无线通信范围内，则它们直接连通概率(DirectNode Connectivity Probability,DNCP)为数学表达式(2)：

其中，dist(u,v)表示节点u和v之间的距离，TR表示节点的最大通信半径。当节点之间的距离大于节点最大通信半径时，节点之间的连通概率为0；否则，节点之间的连通概率会随节点之间距离的减小而增大。

若两节点间接通信，即节点u和v之间可通过其他节点构成节点连通路径，若这一路径被表示成NodePath_i＝{e₁,e₂,…,e_n}，其中e₁＝u,e_n＝v,n>2，n表示该通路上节点的数量，则节点u和v在NodePath_i上的节点连通概率(Path Node Connectivity Probability,PNCP)是：

即u和v连通路径的直接节点连通概率的累乘。由于u和v之间可能存在多条节点连通路径，定义节点u和v之间的间接节点连通概率(Indirect Node ConnectivityProbability,INCP)是所有节点连通路径上连通概率的最大值：

INCP(u,v)＝max(PNCP(NodePath_i)) (4)

综上，本发明定义节点之间的节点连通概率为DNCP与INCP中的最大值：

NCP(u,v)＝max(DNCP(u,v),INCP(u,v)) (5)

②

节点信息表初始化与更新

在车联网的网络通信层中，每个节点上都有一个节点信息表，该表包含的字段包括节点自身ID、当前时间、速度、加速度、位置经纬度、社区归属、节点角色、所属社区头节点的ID以及网关节点的ID等。具体如表1所示。

在表1中，节点ID是车联网中该节点的唯一标识，是否为RSU是由节点本身的类型决定，时间戳代表当前时间，速度、加速度以及经纬度等节点基本信息可通过传感器获得。对于节点社区归属，计算过程如下：初始时刻，每个节点需要向其无线信号传播范围内的节点广播邻居节点探测报文(Neighbor node detection message，NNDM)，收到NNDM的节点需要回复确认报文，通过这个过程可以判断节点与邻居节点是否存在边，由此来明晰邻居信息及网络拓扑结构。此后，采用车联网社区动态演化方法，(此部分发明请见(程久军等发明人于2019年3月1日申请的《车联网社区动态演化方法》(申请人：同济大学，专利申请号2019101555842))，来确定节点社区归属。在NNDM报文中，不仅包括节点自身的基本信息，还包括该节点所在社区的节点邻接表(Node Adjacency List,NAL)，NAL是一个二维数组。若社区C_i节点个数是m，它的NAL为：

其中，nei_p,q＝0时表示社区C_i中的节点v_p与v_q之间不存在边，反之则表示v_p与v_q的直接连通概率。在基于节点相似度的社区归并过程与基于增量的演化过程中，节点之间交换NAL，使得每个节点都知道自身所属社区的节点邻接信息。

当前时刻的社区结构确定后，每个社区的社区邻接表(Community AdjacencyList，CAL)，即社区的邻接社区信息，可通过类似得到节点邻接表的广播方式来获得。

③

社区头节点筛选

当前时刻的社区结构确定后，每个社区的社区邻接表(Community AdjacencyList，CAL)，即社区的邻接社区信息，可通过类似得到节点邻接表的广播方式来获得。社区头节点的筛选可参照定义1的内容来实现，具体步骤如算法1所示，具体流程图如图1所示。

通过算法1中的步骤，社区的头节点将会被筛选出来，并且将CHSet的内容存放在各个节点的节点信息表中，为后续通达性路由的建立提供信息支撑。

④

普通节点到头节点的消息转发

对于车联网较大的社区内节点间通信，若目标节点在源节点的直接通信范围内，则根据邻接表中的信息直接建立通信。若目标节点不在源节点的直接通信范围内，为了实现社区内通信的总体有序性与通达性，规定普通节点须先选择向CHSet中的某一头节点转发消息。在上述选择过程中，社区内的每个普通节点都有一组转发行为概率向量表。例如节点v_i的转发行为概率向量表如表2所示：

在表2中，每一行表示普通节点v_i的转发行为概率向量。转发概率PF_r的含义是对于一个转发事件，即v_i需要向同社区的v_p发送信息时，选择头节点为v_chs且下一跳节点为v_nextq的概率。

⑤

头节点到普通节点的消息转发

当普通节点将消息转发到头节点上后，头节点需要从其维护的到普通节点的多条路由中选择最优的一条。同“普通节点到头节点的消息转发”中的选择过程类似，社区头节点上也都有一组转发行为向量表。例如头节点v_chr的社区内转发行为概率向量表如表3所示。

类似地，在表3中，每一行表示头节点v_chs的转发行为概率向量。PF_r表示v_chs向同社区的节点v_p发送信息时，下一跳节点为v_nextq的概率。

为了保证车联网网络拓扑的高动态变化条件下的网络通达性，上面提到的转发行为概率向量中的转发概率PF会随着通信的进行而动态改变，改变的过程将由部署在社区普通结点或社区头节点上学习自动机(LA)的反馈机制决定。

⑥

社区内通达性路由算法

为了量化环境对LA的反馈，本发明将NCP、节点剩余能量比率(Rest Energy Rate,RER)以及数据延迟(Delay)作为LA输入的主要指标。这里，RER与Delay的定义如公式(7)和(8)所示。

节点RER表示节点能继续承载的通信负载与最大通信负载的比值：

其中，EA表示节点最大通信负载，EU表示节点已经占用的通信负载。

节点上的Delay表示因数据处理导致的在该节点上的时间延迟：

其中，T_receive表示节点v_i收到数据包时的时间戳，T_ACK表示该节点v_i转发数据包时的时间戳。

NCP主要与节点间的相对距离有关，RER是节点能继续转发数据的保证，Delay则是节点间通信延迟历史信息的描述。综合以上三方面因素，定义一个新尺度机会转发评判因子(Opportunity to Forward Evaluation,OFE)

OFE＝f(NCP,RER,Delay) (9)

即OFE是NCP、RER以及Delay的函数。

对于普通节点v_i到社区头节点v_chr且下一跳为v_nextq的转发行为，有：

η、

与ψ分别是NCP、RER以及Delay的调节系数。

对于社区头节点v_chs到目标节点v_p且下一跳节点为v_nextq的转发行为，有：

同理，η′、

与ψ′也分别是NCP、RER以及Delay的调节系数。

部署在车联网社区节点u(普通节点或社区头节点)上的社区内转发LA的转发行为向量数目设为r，LA转发概率初始化为：

即t＝0时刻LA上的每个转发行为概率相同。在后续时刻，LA无法立即得到当前时刻的NCP、RER以及Delay值，而前一时刻的这些数据是可获得的。因此，在t时刻选择第i个转发行为的OFE_i与该LA上的平均机会转发评判因子OFE_avg比较，若OFE_i≥OFE_avg，则LA对此行为做出激励动作：

若OFE_i≤OFE_avg，则LA对此行为做出惩罚动作：

其中，λ为激励参数，λ′为惩罚参数。

综上所述，社区内节点LA转发行为概率调整具体步骤如算法2所示，具体流程图如图2所示。

在社区内节点LA转发行为概率调整算法2的基础上，将得到社区内通达性路由方法，详细步骤如算法3所示，具体流程图如图3所示。若目标节点在源节点的通信范围内则直接通信，否则，消息传递将经历从源节点到社区头节点再到目标节点的两个阶段。此外，为了防止消息传递中陷入死循环或消息丢失的情况，规定上述两个阶段转发的最大跳数值为HOP_max，如果跳数值K超过HOP_max，源节点或头节点将重新转发。

对于车联网社区，普通节点上部署的LA是通过调整转发行为概率向量中的转发概率，以期找到连通概率较大、剩余负载较多且延迟较小的头节点以及通往该头节点的路径下一跳；头节点上部署的LA是通过调整转发行为概率向量中的转发概率，以期找到通往目标节点的合适路径。这些LA在网络中会相互交换数据和竞争。具体如图4(a)和(b)所示。

在图4中，(a)表示车联网社区的CHSet是由车辆节点组成的，而(b)表示车联网社区的CHSet不仅有车辆节点还有RSU充当头节点。由于RSU节点较一般车载通信设备的通信能力要大很多，经算法1中头节点筛选，若车联网社区中含有RSU节点，则RSU节点充当社区头节点或网关节点的概率很大，通过本发明的实验过程验证了上述内容。

创新点

创新点：基于车联网社区动态演化方法，(程久军等发明人于2019年3月1日申请的《车联网社区动态演化方法》(申请人：同济大学，专利申请号2019101555842))，利用学习自动机技术，通过部署在社区节点间的信息交换与竞争，设置相应的激励函数和惩罚函数，自适应调整不同路由的转发概率，达到纳什均衡状态，实现车联网社区连通并稳定。

车联网中车辆节点快速移动与车联网网络拓扑高动态变化，车联网易发生数据聚集与延迟等现象，从而很大程度上给车联网网络连通并稳定带来巨大的挑战。因此，分析和理解车联网社区连通并稳定是目前车联网网络通达性研究中一个急需解决的问题。本发明将学习自动机理论应用到车联网社区，通过部署在社区节点的学习自动机间信息交换与竞争，自适应调整不同路由的转发概率，从而达到从整体上优化网络通信的目的，提升车联网网络通达性。

说明书附表

表1

表2

表3

Claims (1)

1.车联网社区内通达性方法，具体包括如下步骤：

步骤1.定义步骤，包括：

定义1社区头节点集(CHSet)：社区C_i的头节点(CH)为该社区中社区向心力较大的节点的集合，若在社区C_i存在节点u满足数学表达式为(1)：

其中，η为头节点选择因子，η取(0.75,1]中的一个值，社区C_i中符合上述条件的节点u被加入到C_i的CHSet中；CHSet中的节点是当前社区C_i内通信质量较好的节点，社区内的通信选择CHSet的节点作为中继节点；

定义2社区普通节点(CM)：一个社区内除头节点之外的都可称为社区普通节点；

每个节点的角色会随着自身的移动与拓扑以及通信情况的变化而改变，普通节点、头节点的角色会根据网络连通的需求而互换；

定义3节点连通概率(Node Connectivity Probability,NCP)是指车联网中节点连通的可信程度；

若节点u与节点v相邻且在各自的无线通信范围内，则它们直接连通概率(Direct NodeConnectivity Probability,DNCP)为数学表达式(2)：

其中，dist(u,v)表示节点u和v之间的距离，TR表示节点的最大通信半径；当节点之间的距离大于节点最大通信半径时，节点之间的连通概率为0；否则，节点之间的连通概率会随节点之间距离的减小而增大；

步骤2.车联网社区内通达性方法

步骤2.1节点信息表初始化与更新

在车联网的网络通信层中，每个节点上都有一个节点信息表，该表包含的字段包括节点自身ID、当前时间、速度、加速度、位置经纬度、社区归属、节点角色、所属社区头节点的ID以及网关节点的ID；

节点ID是车联网中该节点的唯一标识；

时间戳代表当前时间；

速度、加速度、位置经纬度通过传感器获得；

对于节点社区归属，计算过程如下：初始时刻，每个节点需要向其无线信号传播范围内的节点广播NNDM(邻居节点探测报文Neighbor node detection message)，收到NNDM的节点需要回复确认报文，通过这个过程判断节点与邻居节点是否存在边，由此明确邻居信息及网络拓扑结构，此后采用已知的车联网社区动态演化方法来确定节点社区归属；

节点角色包括普通节点，头节点，网关节点；

在NNDM报文中，不仅包括节点自身的基本信息，还包括该节点所在社区的节点邻接表(Node Adjacency List,NAL)，NAL是一个二维数组；若社区C_i节点个数是m，它的NAL为：

其中，nei_p,q＝0时表示社区C_i中的节点v_p与v_q之间不存在边，反之则表示v_p与v_q的直接连通概率，在基于节点相似度的社区归并过程与基于增量的演化过程中，节点之间交换NAL，使得每个节点都知道自身所属社区的节点邻接信息；

当前时刻的社区结构确定后，每个社区的社区邻接表(Community Adjacency List，CAL)，即社区的邻接社区信息，可通过类似得到节点邻接表的广播方式来获得；

步骤2.2社区头节点筛选

当前时刻的社区结构确定后，每个社区的社区邻接表通过得到节点邻接表一样的广播方式来获得；社区头节点的筛选参照步骤1中定义1的内容来实现；

步骤2.3普通节点到头节点的消息转发

对于车联网较大的社区内节点间通信，若目标节点在源节点的直接通信范围内，则根据邻接表中的信息直接建立通信；若目标节点不在源节点的直接通信范围内，普通节点先选择向CHSet中的某一头节点转发消息；所述选择过程中，社区内的每个普通节点都有一组转发行为概率向量表，节点v_i的转发行为概率PF_r是对于一个转发事件，是v_i需要向同社区的v_p发送信息时选择头节点为v_chs且下一跳节点为v_nextq的概率；

步骤2.4头节点到普通节点的消息转发当普通节点将消息转发到头节点上后，头节点需要从其维护的到普通节点的多条路由中选择最优的一条；选择过程中，社区头节点上也都有一组转发行为向量表，头节点v_chr的社区内转发行为概率PF_r表示v_chs向同社区的节点v_p发送信息时，下一跳节点为v_nextq的概率；

步骤2.5社区内通达性路由算法:

社区内节点LA转发行为概率调整具体步骤如算法2:

算法2描述：

输入：社区Ci的网络拓扑结构Ci(V,E,W),社区头节点集合CHSet；

输出：空

step1:若社区Ci中存在未访问的节点u,则跳到step2,否则算法结束；

step2:若u为普通节点且有转发任务，则到step3,否则到step5；

step3:对普通节点u每个转发行计算其下一跳到头节点机会转发评判因子；

step4:如果第i行机会转发评判因子大于平均机会转发评判因子，则用奖励函数；调整其i行转发概率PF，否则用惩罚函数调整其i行转发概率PF；

step5:如果u为头节点，且有转发任务，则跳到step6；

step6:计算头节点u每个转发行计算其下一跳到头节点机会转发评判因子；

step7:如果第i行机会转发评判因子大于平均机会转发评判因子，则用奖励函数；调整其i行转发概率PF，否则用惩罚函数调整其i行转发概率PF；

step8:回到step1；

运行算法3，是在社区内节点LA转发行为概率调整算法2的基础上，将得到社区内通达性路由方法:

算法3描述：

输入：源节点Vori,目标节点Vdes,社区头节点集合CHSet，社区的节点邻接表NAL

输出：空

step1:判断，若Vori与Vdes是邻接节点，则直接通信，否则转到step2；

step2:节点变量u赋初始值为Vori，跳数K赋初始值为0；

step3:若u不是头节点且跳数K小于最大跳数HOPmax，进入step4，否则转到step5；

step4:则选择最大转发概率PF转发消息，用算法2更新u的转发表，将下一跳Vnext赋给u，K值加1，转到step3；

step5:若K值大于或等于最大跳数HOPmax，则转到step6，否则转到step7；

step6:将u的值赋为Vori，跳到step1；

step7:节点变量v赋值为u，K赋值为0；

step8:若v不是目标节点，并且跳数K小于最大跳数HOPmax，则转到step9，否则到step10；

step9:则选择最大转发概率PF转发消息，用算法2更新u的转发表，将下一跳Vnext赋给u，K值加1，转到step8；

step10:若K值大于或等于最大跳数HOPmax，则转到step11，否则转到step12；

step11:节点变量v赋值为u，转到step8；

step12:算法结束。

Images