CN110139334B - 一种基于软件定义车载网的影响力最大化的集群路由方法 - Google Patents

Abstract

本发明公开了一种基于软件定义车载网的影响力最大化的集群路由方法，通过本地控制器可以获取车辆节点的相关位置信息，上述信息结合社交网络中的影响力最大化方法可以用于选取簇头，通过本地控制器与簇头之间的车辆信息交流，可以构建出路由模型并实时进行数据更新，进而合理地利用网络资源，减少上行传输开销，实现更好的车载通信。

Description

一种基于软件定义车载网的影响力最大化的集群路由方法

技术领域

本发明涉及车载网无线通信技术领域，特别提供了一种基于软件定义车载网的影响力最大化的集群路由方法。

背景技术

智能交通***的发展带动了车载网的研发。近年来，传统的车辆自组织网络(VANET)深得学术界和工业界的关注，通过搭载802.11p和一定的路由策略，实现车辆到车辆、以及车辆对基础设施的通信。软件定义网络(SDN)最初被用于无线网络，由于其核心技术OpenFlow将控制平面与数据平面分离开来，在控制层采用集中式控制器实现全局视图的处理，可以灵活地控制网络流量，有效地解决高带宽问题，所以被逐渐应用于无线网络。软件定义车载网(SDVN)则是实现车载通信网络的一种更优解决方案。其中，SDVN-VANET是一种SDVN和VANET的混合方案；在这种方案中，控制器对数据平面的路由请求进行计算，并返回响应的路由流表(FLOW TABLE)；而在数据平面上，车辆节点可以自组织的进行分布式组网，并根据路由流表交换数据。这种SDVN-VANET，即是本专利所涉及的SDVN技术是一种较优的软件定义车载网框架。

在本领域的公知技术中，研究人员一般是基于软件定义车载网的聚类架构并且针对簇头的选取进行方案的制定，主要分为以下几类：⑴只考虑单跳集群，根据单参数的变化进行簇头的选取；⑵应用双参数优化簇头的选择，提高自适应能力。但由于拓扑的高动态性，有效地预测拓扑的变化是一个难点。

在公知技术中，Dr.Mohammad Bokhari等人在《Review of ClusteringAlgorithms as Applied in MANETs》中提出了一种适用于单跳集群的簇头选择方案，根据节点ID来选取簇头，其中具有最低ID的节点将被选做簇头。这种方案简单迅速，但其主要缺点是节点的负载不均衡，偏向ID较小的节点可能会导致能量的耗尽。Narendra SinghYadav等人在《Low Control Overhead Cluster Maintenance Scheme for Mobile Ad hocNetworks》中提出了使用节点间距离的选择机制来选择聚类中的簇头。这种选取方式简单，但其节点均集中在集群内，使吞吐量急剧增加。

另一个公知技术中，X.Duan等人在《SDN Enabled Dual Cluster Head Selectionand Adaptive Clustering in 5G-VANET》中提出了一种基于速度和信噪比的簇头选取方案。在该方法中，车辆速度越接***均集群速度，信噪比越好，停留时间越长，被选做集群头的概率越大。但其忽略了环境和车载网拓扑变化的影响。此外，Bhawnesh Kumar等人在《Distance based Cluster Head Selection Algorithm for Wireless Sensor Network》的公知技术中提出了一种基于距离的簇头选择方案。A.Ahizoune和L.Bononi等人分别在《Anew clustering algorithm(SBCA)for VANETs》和《A Cross Layered MAC andClustering Scheme for Efficient Broadcast in VANETs》中提出了一种基于相对速度和链接过期时间的方法，但其并不能完全适应高节点区域的网络。在这种情况下，其可能成为众所周知的隐藏节点问题的牺牲品。

综以上可见，现有的公知技术大致均为簇头选取的路由策略。基于传统VANET的体系结构还不够灵活和适应，很难实现网络部署和网络管理，不能满足车载通信传输效率的提高和海量数据的需求，而现有的基于软件定义网络的路由策略则大都采用集中式的路由策略，灵活控制网络流量的同时，给中央控制器带来极大的开销。

发明内容

本发明通过提供一种基于软件定义车载网的影响力最大化的集群路由方法，以适应现有车载网的高动态拓扑，解决车载网络上行开销大的问题，并实现簇内的高效路由和数据传输。

本发明提供的技术方案是：一种基于软件定义车载网的影响力最大化的集群路由方法，核心为双簇头的设计以及影响力最大化方法在簇头选择中的应用。具体方法模型如下：

S1：利用交通仿真软件SUMO生成车辆节点的相关位置信息，之后，车辆节点将这些相关信息发送给管理其所在区域的本地控制器；

S2：按照地理上相邻的节点将被分配到同一个集群的规则，将网络中的车辆节点进行集群划分，并在各个集群中采用双簇头的设计，利用社交网络中的影响力最大化方法来选取出双簇头；

S3：集群内的其他车辆与簇头进行信息交流，实时向簇头传送各自的坐标位置信息；簇头与备用簇头之间也时刻进行通信交流，簇头总是把自己获取的相关信息发送给备用簇头，从而保证在已有簇头出现故障或丢失时，备用簇头能够及时接替其进行网络通信；

S4：本地控制器实时与被选中的簇头进行通信，从而获取网络中车辆节点的信息状态，接着，根据一段时间内控制器收集到的车辆节点信息以及车辆的移动轨迹，构造仿真模型，之后，计算相关数据指标丢包率和时延来对该路由方法进行方法评估。

本发明提供的基于软件定义车载网的影响力最大化的集群路由方法，通过本地控制器可以获取车辆节点的相关位置信息，上述信息结合社交网络中的影响力最大化方法可以用于选取簇头，通过本地控制器与簇头之间的车辆信息交流，可以构建出路由模型并实时进行数据更新，进而合理地利用网络资源，减少上行开销，实现更好的车载通信。

本发明在软件定义车载网中引入聚类和双簇头结构的设计，有效减少了网络的上行开销，提升了网络的鲁棒性。同时，与传统的自组织网络相比，控制平面和数据平面的分离使网络流量的控制更加灵活，易于网络的管理和执行。

附图说明

图1为基于影响力最大化的软件定义车载网的集群路由方法架构图；

图2为该集群路由方法的流程图；

图3为双簇头设计原理图；

图4影响力最大化方法的应用示例图；

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。

如图1-2所示，S1：安装了一个控制器，用于覆盖一定范围的路段，以便管理本地数据流量。接着，利用交通仿真软件SUMO生成车辆节点的相关位置信息(如表1所示)，之后，车辆节点将这些相关信息发送给管理其所在区域的本地控制器；

表1相关车辆数据(部分示例)

S2～S4：对于聚类，按照地理上相邻的节点将被分配到同一个集群的规则，将网络中的车辆节点进行集群划分(集群1和集群2)，然后在其各自范围内选择簇头(V2和V9)和备用簇头(V4和V11)。所选的簇头收集簇内车辆信息及其动态变化，然后通过聚合的5G流量将该动态拓扑发送给控制器，使其能够即时掌握整个网络的结构拓扑。接着，根据一段时间内控制器收集到的车辆节点信息以及车辆的移动轨迹，构造仿真模型。之后，计算相关数据指标丢包率和时延来对该路由方法进行方法评估。

采用社交网络中的影响力最大化方法进行簇头选择，如图1所示。

采用影响最大化方法：采用贪婪策略。在本地控制器收集到所有车辆节点的位置信息后，通过以下影响力最大化公式来选取簇头：

max{&(s),|s|＝k,s∈V}；

其中&(S)是受影响的节点总数，k个初始节点个数，S是节点的集合。它将一个节点放入集合中，记录集合中所有节点可以影响的节点数量，然后依次将新节点放入集合中。如果由于增加了新节点，使得可以被集合中所有节点影响的节点数量增加，或者集合内节点数量超过预先规定，则删除集合内影响力最小的节点，并更新集合，最终集合中的节点是所需影响最大的节点。

以图4为例，共分为三个簇。依据以上影响力最大化方法进行簇头的选择，利用如下公式：

max{&(s),|s|＝k,s∈V}

首先，给出一个特定的正整数k作为该方法的输入。其次,从该网络中选择出包含k个初始节点的集合S。其中，k个初始节点可以影响其他节点,最后使受影响的节点数量&(S)最大化。最后,图中深色的节点(最优簇头)被选取出来。

当集群中的车辆进行通信时，簇头将获取集群中其他车辆的相关信息。任何两辆车都可以通过现有簇头直接通信，而不是通过控制器来获取下一跳信息。因此，实现了内部集群通信，减少了控制器的上下行路由开销。相比之下，只有当车辆在两个不同的集群相互通信，两个集群的集群头交换流表并获得相关车辆信息时会通过控制器。之后，在控制器中生成的流表将被传送到底层集群头，然后传送到相应的节点发送数据包。同时，当节点从一个集群移动到另一个集群时，只有集群中的节点需要更新信息，这减少了存储信息的数量和每个节点的开销。

S3：双簇头方案的设计：如图1所示，集群内单簇头的设计可能会产生单点故障，因为如果该簇头发生了意外或不可预测的事件，例如簇头被损坏或丢失，那么簇头的作用就会消失，回到传统的通信方式。由此可知，双簇头的设计是十分必要的。

以图1中的集群1为例，采用影响最大化方法，分别选取图1中的车辆(V2)和车辆(V4)作为簇头和备份簇头。V4始终与V2交换状态信息，所以当V2出现问题时，V4可以替换V2继续通信。

在该设计中，集群内车辆通信，如集群1中的车辆通过IEEE 802.11p向V2发送和接收数据，然后V2与外部控制器和基站通信，节省了大量频谱资源，减轻了网络的负担；而集群外车辆通信(如在集群2中)，V8直接与基站和控制器通信。当V8打算向集群2中的其他车辆(如V13)发送数据包时，它首先与控制器对话。控制器计算从V8到V13的流表，并回答V13。同时，将流表发送到集群2的集群头V9。然后，V9开始按照流表向V13发送数据包。

如图3所示，现有簇头总是将FCD(浮动车)数据发送给备用CH，如果现有的簇头正常离开没有任何问题，备份簇头将立即作为集群的新簇头，承担起集群内车辆信息的收集以及和上层控制器通信的责任。然后，同样应用影响最大化方法，选择一个新的备份集群头，使备份CH能够无缝地承担责任，有效降低了网络开销，提高了网络的鲁棒性。

本发明利用应用软件参与对网络的控制管理，满足上层业务需求，减少上层传输开销。在具体的实施方式中，首先在一条公路上选取100个车辆节点，其位置以及数据信息如表2所示，然后所有车辆节点以数据包的形式每秒向本地控制器发送车辆位置信息。

表2车辆节点相关位置信息

在本地控制器收集到所有车辆节点的位置信息后，来选取簇头。簇头选取成功后，公路上所有车辆节点将自己的状态信息传递给簇头，之后由簇头负责收集车辆的相关信息，并把数据实时上传给本地控制器。本地控制器接收到数据后，生成路由表并将流表信息反馈给簇头，再由簇头传递给道路上的其余节点。当簇头丢失时，备用簇头则立即生效成为新的簇头，然后再依据影响力最大化方法选取新的备用簇头。

整体上，通过车辆的位置等信息计算出当前网络的时延和丢包率。时延和丢包率的公式分别如所示：

Time_delay＝cars.max Layer*jump_time

packetLoss＝(reallyNum-numCars)/reallyNum

其中cars.maxLayer为当前车辆节点数据信息传递的最大层数，由车辆行驶过程中数据传输的实际情况统计而来；reallyNum为实际发出的数据包总数，由各车辆节点与其他节点数据进行传输过程中发出的数据包数量统计而来。通过计算，整体的结果如表3所示：

双簇头：

车辆编号：7

时延：700ms 丢包率：2.50％

能够影响车辆的数量：80

能够影响的车辆编号：

表3具体实施方式结果图

从表3可以看到，通过影响力最大化方法选取的簇头为7号车辆，并且在当前网络中，产生的时延为700ms，丢包率为2.50％。

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 (2)

1.基于软件定义车载网的影响力最大化的集群路由方法，其特征在于：包括如下步骤：

S1：利用交通仿真软件SUMO生成车辆节点的相关位置信息，车辆节点将这些相关信息发送给管理其所在区域的本地控制器；

S2：按照地理上相邻的节点将被分配到同一个集群的规则，将网络中的车辆节点进行集群划分，并在各个集群中采用双簇头的设计，利用社交网络中的影响力最大化方法来选取出簇头和备用簇头；具体的，在本地控制器收集到所有车辆节点的位置信息后，通过以下影响力最大化公式来选取簇头：

max{&(s),|s|＝k,s∈V}

其中&(s)是受影响的节点总数，k个初始节点个数，s是节点的集合,V是所有车辆节点的集合，它将一个节点放入集合中，记录集合中所有节点可以影响的节点数量，然后依次将新节点放入集合中；如果由于增加了新节点，使得可以被集合中所有节点影响的节点数量增加，或者集合内节点数量超过预先规定，则删除集合内影响力最小的节点，并更新集合，最终集合中的节点是所需影响最大的节点；

S3：集群内的其他车辆与簇头进行信息交流，实时向簇头传送各自的坐标位置信息；簇头与备用簇头之间也时刻进行通信交流，簇头总是把自己获取的相关信息发送给备用簇头；

S4：本地控制器实时与被选中的簇头进行通信，从而获取网络中车辆节点的信息状态，根据一段时间内控制器收集到的车辆节点信息以及车辆的移动轨迹，构造仿真模型，之后，计算相关数据指标丢包率和时延来对该路由方法进行方法评估。

2.如权利要求1所述的基于软件定义车载网的影响力最大化的集群路由方法，其特征在于：通过车辆的实时坐标位置信息计算出当前网络的时延和丢包率，时延和丢包率的公式分别如所示：

Time_delay＝cars.maxLayer*jump_time

packetLoss＝(reallyNum-numCars)/reallyNum

其中cars.maxLayer为当前车辆节点数据信息传递的最大层数；reallyNum为实际发出的数据包总数。