本发明具体涉及一种非回连模式下车联网中雾计算能力的评估方法。
背景技术：
随着经济技术的发展和人们生活水平的提高，物联网技术也得到了飞速的发展。
目前，全球运营车辆数量在2014年已经超过12亿辆，并且以大幅速度不断增加。这种趋势使得城市环境智能交通系统的实施变得越来越重要。过去十年来，已经有多种解决方案使道路上的车辆更加智能化，并提供更好的驾驶体验。例如，配备车载电脑，传感设备，无线收发器和可充电电池，典型的现代汽车或卡车能够与互联网交互以获得相关服务。随着在单个车辆上嵌入先进资源的技术不断发展，可以预见即使是低端车辆也将在不久的将来配备车载无线通信和数据采集设备。通过互联网访问，将车辆采集到的信息上传到传统客户-服务器通信模型下的远程数据中心，实现以智能车辆为普通移动设备的车辆云辅助服务。
车联网是物联网的一种。一组附近的智能车辆在道路上相互拥挤，可以通过专用的短程通信(dsrc)连接形成车辆雾(vf，vehicularfog)，dsrc在美国车辆联网委员会支持的联邦通信所分配的5.9ghz频带内具有75mhz的许可频谱范围。由于可能存在连接车辆的路边单元以加强车辆雾的连通性，车辆到车辆(v2v)和车辆到基础设施(v2i)通信都可以为vfc(车辆雾计算，vfc，vehicularfogcomputing)服务。在被称为节点的车辆雾中，每个智能车辆都可以是计算服务提供者以及服务的客户端。通过在车辆雾节点之间划分任务，初始车辆可以加速其计算任务，同时节约能耗。由于雾计算服务是通过车辆雾的本地交互即时访问的，从而消除了通信延迟和远程数据漫游费用。许多安全和应急应用，如事故预警，路线推荐和其他车载计算密集型游戏或任务，可以由本地vfc支持或加速。
但是，目前对于车辆雾计算的研究中，大多都集中于对于车辆雾计算的系统设计，缺乏对于车辆雾计算能力的评估研究。
技术实现要素：
本发明的目的在于提供一种能够科学合理地在非回连模式下评价车联网中雾计算能力的方法。
本发明提供的这种非回连模式下车联网中雾计算能力的评估方法，包括如下步骤：
s1.获取初始化数据信息；
s2.在每一个时间点，计算每台车辆到车联网中其他所有车辆的距离并获取距离最小值；
s3.若步骤s2获取的距离最小值小于事先设定的第一阈值，则将该车辆添加进入车联网；
s4.更新车联网的数据信息；
s5.计算车联网的评估信息，从而完成车联网中雾计算能力的评估。
步骤s1所述的初始化信息，具体包括车辆样本集合、车辆数量、车联网通信半径和车联网最大容忍时间。
步骤s3所述的事先设定的第一阈值具体为车联网通信半径。
步骤s5所述的评估信息，具体包括车联网的连接车辆数和车联网的计算能力。
所述的计算评估信息，具体为采用如下步骤进行计算：
a.若某车辆加入车联网，则车辆网的的连接车辆数增加1；
b.若某一车辆加入车联网，则该车的计算能力增加n+，n+为自然数；
c.若某一车辆加入车辆网，则车联网中所有加入车联网的时间小于n+的车辆的计算能力均增加n++，n++为自然数；
d.采用如下公式计算车联网的雾计算能力：
式中cn(t)为t时刻非回连模式下的车联网雾计算能力，v＝vi为车联网内车辆的集合；
e.采用车联网的连接车辆数和车联网的雾计算能力作为车联网中雾计算能力的评估依据。
本发明提供的这种非回连模式下车联网雾计算能力的评估方法，通过车联网中的车辆数和计算能力对车联网的雾计算能力进行评估，能够科学合理地对非回连模式下车联网的雾计算能力进行评估和评价，而且本发明方法简单可靠。
附图说明
图1为本发明方法的方法流程图。
图2为非回连模式下不同通信半径情况下连接车辆数量和车联网雾计算能力与延迟的关系示意图。
图3为非回连模式下不同延迟情况下连接车辆数量和车联网雾计算能力与通信半径的关系示意图。
图4为非回连模式下连接车辆数量和车联网雾计算能力与7天内不同延迟情况的关系示意图。
图5为非回连模式下在不同延迟情况下连接车辆数量和车联网雾计算能力与发起者数量之间的关系示意图。
具体实施方式
所述的非回连模式，即处理任务的车辆不需要将结果发回给发起者。
如图1所示为本发明方法的方法流程图：本发明提供的这种非回连模式下车联网雾计算能力的评估方法，包括如下步骤：
s1.获取初始化数据信息；具体包括车辆样本集合、车辆数量、车联网通信半径和车联网最大容忍时间
s2.在每一个时间点，计算每台车辆到车联网中其他所有车辆的距离并获取距离最小值；
s3.若步骤s2获取的距离最小值小于事先设定的第一阈值(可以设置为车联网通信半径)，则将该车辆添加进入车联网；
s4.更新车联网的数据信息；
s5.计算车联网的评估信息，包括车联网的连接车辆数和车联网的计算能力，从而完成车联网中雾计算能力的评估；采用如下步骤进行计算评估信息：
a.若某车辆加入车联网，则车辆网的的连接车辆数增加1；
b.若某一车辆加入车联网，则该车的计算能力增加n+，n+为自然数；
c.若某一车辆加入车辆网，则车联网中所有加入车联网的时间小于n+的车辆的计算能力均增加n++，n++为自然数；
d.采用如下公式计算车联网的雾计算能力：
式中cn(t)为t时刻非回连模式下车联网的雾计算能力，v＝vi为车联网内车辆的集合；
e.采用车联网的连接车辆数和车联网的雾计算能力作为车联网中雾计算能力的评估依据。
以下对本发明方法进行进一步说明和讨论：
定义如下变量：
时变图：将g(v(t),e(t))定义为在时间t的时变图。在这里，v＝vi是一组顶点，每个顶点代表在t时刻行驶在道路情景中的车辆i，在t时刻的车辆样本为(i,t,xi(t),yi(t))。e＝{eij|vi,vj∈v,i≠j}为边的集合，表示车辆之间连接的可行性；
建立时序图后，定义与车辆雾计算有关的参数和因素。将两辆车的连接简化为一个0-1的过程，连接是否可以建立是由两车之间的距离决定的。计算任务可以在一定距离内发送到其他车辆，接收到任务的车辆成为新的发起者。可以发现，这个模型提供了车辆雾的上限容量，成功通过连接的数据传输是否可以实现取决于除了距离外的许多其他随机因素。计算任务的结果必须在所有车辆完成处理后返回到某处。本发明仅讨论非回连模式(nbc)，即处理任务的车辆不需要将结果发回给发起者。
定义通信半径r，它表示信号可以发送的最大距离。当两辆车之间的距离小于r时，两辆车则在那个时间相连。基于时变图模型，定义两个顶点在时间t的边为e(t)：{eij|i≠j,vi,vj∈v,(xi(t)-xj(t))2+(yi(t)-yj(t))2＜r2}。
每辆车都有一个处理器来处理一些计算任务。当某一特定车辆的计算任务复杂而不能自行完成时，可将其作为子任务卸载到所连接的车辆上。接收到子任务的车辆可以同时进行处理，并将子任务发送给之后连接的其他车辆。因此，此任务通过网络扩散的方式分配给其他车辆。最初接收任务的车辆被定义为发起者。发起者在开始时间t＝0时分配任务。发起者的第一个坐标为0，因此发起者的样本为(0,ti,x0(ti),y0(ti))。延迟是指从发起者开始分配计算任务的持续时间。本申请定义了两种模式：回连模式(bc,back-connectingmode)和非回连模式(nbc,non-back-connectingmode)。对于回连模式，车辆必须将结果直接发送回发起者，这意味着他们必须在时间t之前连接到发起者。对于非回连模式，处理任务的车辆不需要将结果发回给发起者。本发明讨论的是非回连模式。
假设每辆车的处理器具有相同的处理速度，则可以用时间长度来描述每个处理器的计算能力。
以下以b市的实际数据为例，使用了2009年5月份历时一个月从27,000台b市携带gps接收机的出租车获得的移动轨迹日志。出租车对城市环境更加敏感，包括道路拓扑结构和对其他车辆设备的交通管制，它们的时空覆盖面更广。这是选择出租车来收集数据的主要原因。在数据集中，移动出租车的位置和时间戳是按固定的时间间隔记录的。使用的信息包括：出租车id，出租车位置的经纬度坐标和时间戳。从整个数据轨迹来看，每天大约有两千万条有效记录，这是可以获得的最大车辆移动轨迹。
在获取数据后，对数据进行滤波和插值处理，从而得到有效数据。
图2(a)为连接车辆数量随延迟的变化情况示意图；图2(b)为计算能力随延迟的变化情况示意图；图3(a)中的曲线显示了通信半径为50m，100m，200m不同情况下连接车辆数量随延迟的变化趋势，研究发现所有的曲线都具有类似的趋势。开始阶段，连接的车辆数量增加比较缓慢，在车辆数量达到一半左右前增长速度随着延迟增大也随之上升，随后增长速度变缓和到一个较低的水平。比较三种不同通信半径下的曲线，可以看到，在相同的延迟下，对于较大的通信半径r，连接车辆的数量越大，快速增长也越早发生。当r＝200m时，连接车辆的数量在600s左右迅速增加，在1500s时减速；当r＝50m时，在1000s-3000s之间也出现了同样的趋势；在6000s时，r＝200m的连接车辆数量接近达到车辆总数的大小，而r＝50m的连接车辆数量还达不到车辆总数的一半。这种增长情况可以解释如下：首先，连接的车辆很少。然而，随着连接车辆数量的变大，连接的车辆包含许多正在积极运行去与其他车辆快速进行连接的车辆，这将对车辆的整体数量造成限制。因此，当连接更多车辆时，连接车辆数量的增速会减慢。图3(b)显示了网络在非回连模式下的计算能力。在计算能力增长缓慢后，增长速度加快。但是，计算能力最终将以稳定和较高的增长率结束。尽管网络连接车辆的数量增长缓慢，但是连接的车辆仍然对计算能力有贡献。连接车辆的计算能力与延迟之间是线性关系。
图3(a)为连接车辆数量随通信半径的变化情况示意图，图3(b)为计算能力随通信半径的变化情况示意图；在图3显示的非回连模式下，延迟为2000s时，连接车辆数量在r＝50m时相当小，在r＝200m时小于25％。然而，延迟时间较长的情况下，连接车辆数量n与通信半径r的增加更加稳定。原因是之前提到的连接车辆数量的增加分为不同的阶段：首先是非常缓慢，然后迅速扩大到一个较大的n，最后再放缓。对于较长的通信半径，前两个阶段的持续时间较短。因此，在延迟为2000s，当r＝50m时，连接车辆的数量开始迅速增加，但是在较大的通信半径下，连接车辆的数量快速增长出现时间更早，因此连接车辆的数量也大不相同。然而在延迟为6000s时，三条曲线都处于缓慢增长的最后阶段。可以看到，随着通信半径的增加，计算能力也随之增加，不同延迟下的变化幅度也越大，因为连接的车辆数量受到了前一次连接车辆数量n自身增加的影响。
图4(a)为连接车辆数量随7天内不同延迟情况变化的示意图，图4(b)为计算能力随7天内不同延迟情况变化的示意图。图4表明：连接车辆的数量和计算能力在2:00到4:00达到最低点，因为这段时间很多人在睡觉并且路上的车很少，曲线不断上升，直到一天的中午。在非回连模式下，连接车辆数量和计算能力在7天内表现较为均匀，从8:00到20:00全天保持稳定在较高值(分别约2×104s和1×108s)。n值约为22000，c为1.0×108。由此可以得出结论，在白天当有更多的车辆活动时，连接车辆数量和计算能力较大，在夜间则较小。
图5(a)为不同延迟情况下连接车辆数量随发起者数量的变化情况示意图，图5(b)为不同延迟情况下计算能力随发起者数量的变化情况示意图。在非回连模式下，虽然发起者更多时，连接车辆的数量和计算能力均较大，但在多启动器的网络中，这种差异并不大。在延迟为6000s时，其他8个发起者的连接车辆数目不到500个，计算能力低于1×107s。事实上，正如以前所观察到的，即使对于非回连模式下的单启动器网络，连接车辆的数量也会在短时间内急剧增加，而且城市中大多数车辆很快成为连接车辆。此外，没有连接的车可能难以连接到其他所有车，因为有些车可能停在相对偏远的地方。因此，增加发起者不能有效地增加连接车辆的数量和计算能力，因为对于所有的发起者来说，最多的连接车辆可能是相同的，并且它们仍然只能被计算一次。可以看出，在非回连模式下，由于单发起者网络具有较好的性能，连接车辆数量和计算能力的增长较为缓慢。