本发明涉及一种路由机制工作方法，具体是一种面向最大数据传输概率的路由机制工作方法。
背景技术：
近年来，随着装备有wi-fi接口或者蓝牙接口的无线便携设备(如：ipad，智能手机等)的普及和流行，基于机会移动网络方面的应用得到了蓬勃的发展。机会移动网络(opportunisticmobilenetworks,omns)泛指由于节点的稀疏分布、快速移动和无线通信技术的限制等原因造成的源节点和目的节点之间不存在完整的端到端连接的一类特殊的移动自组织网络。目前，机会移动网络已经在智能交通、恶劣环境下组网和野生动物追踪等方面得到了广泛的应用，是无线网络中一个新兴的研究热点。
机会移动网络和传统的互联网以及移动自组织网络不同的关键点在于其采用的数据传输机制：“存储-携带-转发”模式。由于现有的基于传统网络的数据传输机制不能直接应用到机会移动网络中，因此，如何设计高效的数据转发机制成为机会移动网络的研究热点和难点，同时也是目前为止机会移动网络中研究最广泛的领域。
目前，已经有很多相关的文献对机会移动网络中的路由机制进行了研究。最早提出的两种路由机制是此类机制的两个极端：(1)在传染路由(epidemicrouting)机制中(参见vahdata.,beckerd..epidemicroutingforpartiallyconnectedadhocnetworks.cs-200006,dukeuniversity,2000)，网络中的节点简单地将每个数据洪泛到整个网络中，也就是每个携带数据的节点都将自身携带的数据转发给所有遇到的邻居节点。如果网络中节点的能量、带宽和缓存等资源足够，这种路由机制具有最高的的数据传输成功率，但缺点是网络开销太大。(2)直接传输(directtransmission)机制则要求源节点缓存数据直到遇到目的节点才转发，即一跳转发(参见grossglauserm.,tsed.mobilityincreasesthecapacityofadhocwirelessnetworks.ieee/acmtransactionsonnetworking,2002,10(4):477)。这类路由机制具有最小的网络开销，但其缺点是数据传输延时大而且数据传输成功率最低。之后的这类路由机制研究工作主要介于传染路由和直接传输路由之间，试图以尽可能小的网络开销去达到或者接近传染路由的数据传输成功率。
最近，一些工作根据节点的社交接触特征来设计路由机制。由于从长远角度看，节点间的社交接触特征比其它转发模式具有更强的稳定性，因此这一方向吸引了大批研究人员的关注。gao等(参见gaow.,liq.,zhaob.,etal.multicastingindelaytolerantnetworks:asocialnetworkperspective[c],inproceedingsofacmmobihoc,2009.)利用节点的累计接触概率来定义多播中节点的中心性指标，如果节点的中心性越高，说明这个节点在网络中的重要性就越大，那么从该节点传输数据到机会移动网络中其它节点的概率就越高，因此数据传输过程中会优先选择这些中心性高的节点作为中继节点。daly等(参见dalye.m.,haahrm..socialnetworkanalysisforroutingindisconnecteddelaytolerantmanets,inproceedingsofacmmobihoc,2007:32–40.)提出的simbet数据转发机制使用介数(betweenness)中心性指标和社会相似性(socialsimilarity)来进行数据转发。在该机制中，数据被转发给那些不仅具有高的中心性而且和目的节点具有高的相似性的节点，这样数据就能以高的数据传输率转发到目的节点。hui等(参见p.hui,j.crowcroft,ande.yoneki,“bubblerap:social-basedforwardingindelaytolerantnetworks,”inproceedingsofacmmobihoc,2008,pp.241–250.)通过对节点间相遇数据的统计和分析，将相遇频繁的节点归为同一社区。由于同一社区的节点相遇频繁，因此只要将网络中的数据转发至与目标节点隶属于同一社区的节点，这样目的节点就可以从隶属于同一社区的节点处得到传输的数据，从而大幅度降低数据的传输延迟和网络开销，进而提高数据的传输成功率。
技术实现要素：
本发明提供一种面向最大数据传输概率的路由机制工作方法，旨在从多跳和分布式的角度对节点的社交接触特征进行研究，并且为机会移动网络设计一种面向最大数据传输率的路由机制。这种路由机制不仅可以大大提高数据的传输成功率，而且可以尽可能地减少数据的传输开销。
本发明采取的技术方案为：
面向最大数据传输概率的路由机制工作方法，其特征在于包括以下步骤：
步骤1：每个节点都利用自己的缓存记录与其它节点的历史接触时间间隔，节点i和j之间记录的历史接触时间间隔用
步骤2：利用存储的接触历史记录，每个节点计算和其他节点的接触频率，节点i和j之间的接触频率λij的计算方法，具体如下：
其中
步骤3：每个节点根据存储的历史数据计算到其他节点的k-hop机会转发路径的最大数据传递概率，在节点i和j之间的某个k-hop机会转发路径(表示为l)由节点集{i,r1,r2,...,rk-1,j}和权重集{λ1,λ2,...,λk}组成的。其中{λ1,λ2,...,λk}是机会移动网络中沿机会转发路径的节点对的接触率。定义prij(t)为某一数据在时间t内沿路径l从i转发到j的概率；
当k＝1时，这意味着在节点i和j之间直接接触,那么节点集将被更改为{i,j}，相应的权重为λij。这时将数据沿机会转发路径l从i传递到j的总时间是yl＝xij。因此，当k＝1时，根据公式(1)，某一数据在时间t内沿机会转发路径l从i到传递j的概率可以表示为：
当k>1时，表示节点i和j不直接接触，那么某个数据沿着机会转发路径l从i传递到j的总时间为
其中
因此，k>1时，某一数据在时间t内沿机会转发路径l从i到传递j的概率可以表示为：
如果在节点对i和j之间有l条机会转发路径，并且每条机会转发路径都有一个数据传递概率。用
4)每个节点根据到目的节点的最大数据传递概率以及是否到达目的节点，来确定是否转发数据。例如：当节点i和节点j相遇，节点i的缓存中有一个到目的节点d的数据，这时节点i首先需要确定节点j是不是目的节点d，如果是则直接转发。如果不是，则需要和节点j比较到目的节点d的最大数据传递概率，从而确定是否转发数据。如果
所述路由机制，针对具有n个移动节点的机会移动网络，其中i∈{1,2,...,n}。在机会移动网络中，节点间的接触可以描述为网络连通图g(v,e)，其中节点对i,j∈v之间的随机接触过程可以建模成连通图中的边eij∈e。
本发明一种面向最大数据传输概率的路由机制工作方法，具有的有益效果是：
1)：本发明所提出的面向最大数据传输概率的路由机制能够有效地提高数据的传输成功率，同时减少数据的转发开销；
2)：本发明所提出的面向最大数据传输概率的路由机制(mddpr)相比已有的路由机制bubble(参见文献p.hui,j.crowcroft,ande.yoneki,“bubblerap:social-basedforwardingindelaytolerantnetworks,”inproceedingsofacmmobihoc,2008,pp.241–250)、prophet(参见文献lindgrena.,doriaa.,scheleno.,“probabilisticroutinginintermittentlyconnectednetworks,”lecturenotescomputerscience,3126:239–254,2004)和epidemic(参见文献vahdata.,beckerd.,“epidemicroutingforpartiallyconnectedadhocnetworks,”cs-200006,dukeuniversity,2000)，取得了较高的数据包递送率以及较低的传输开销，如图3、图4所示。
3)：本发明所提出的自适应工作方法算法简单，易于实现。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为节点i和j之间的多跳机会转发路径示意图。
图2为节点i和j之间的某一条多跳机会转发路径权重示意图。
图3(a)为在infocom06真实数据集中，本发明所提出的路由机制(mddpr)和已有的路由机制bubble、prophet和epidemic比较示意图(数据包递送率)。
图3(b)为在infocom06真实数据集中，本发明所提出的路由机制(mddpr)和已有的路由机制bubble、prophet和epidemic比较示意图(数据包递送开销)。
图4(a)为在mitreality真实数据集中，本发明所提出的路由机制(mddpr)和已有的路由机制bubble、prophet和epidemic的比较示意图(数据包递送率)。
图4(b)为在mitreality真实数据集中，本发明所提出的路由机制(mddpr)和已有的路由机制bubble、prophet和epidemic的比较示意图(数据包递送开销)。
具体实施方式
面向最大数据传输概率的路由机制工作方法，本发明所提出的路由机制，主要针对具有n个移动节点的机会移动网络，其中i∈{1,2,...,n}。在机会移动网络中，节点间的接触可以描述为网络连通图g(v,e)，其中节点对i,j∈v之间的随机接触过程可以建模成连通图中的边eij∈e。一些最近的研究(参见gaow.,liq.,zhaob.,etal.multicastingindelaytolerantnetworks:asocialnetworkperspective,inproceedingsofacmmobihoc,2009；zhuh.,ful.,xueg.,etal.recognizingexponentialinter-contacttimeinvanets,inproceedingsofieeeinfocom,2010.)表明在真实移动数据集中节点对之间的接触时间间隔服从指数分布(exponentialdistribution)。因此，本发明也假设节点对的接触时间间隔服从指数分布。具体而言，本发明所提出的路由机制，主要包括四个步骤：
1)：每个节点都利用自己的缓存记录与其它节点的历史接触时间间隔。例如：节点i和j之间记录的历史接触时间间隔可以用
2):利用存储的接触历史记录，每个节点计算和其他节点的接触频率。这里用两个节点i和j作为例子，来介绍节点对i和j之间的接触频率λij的计算方法，具体如下：
其中
n为接触的次数。
3):每个节点根据存储的历史数据计算到其他节点的k-hop机会转发路径的最大数据传递概率。这里用节点对i和j为例描述计算k-hop机会转发路径的最大数据传递概率的步骤：如图2所示，在节点i和j之间的某个k-hop机会转发路径(表示为l)由节点集{i,r1,r2,...,rk-1,j}和权重集{λ1,λ2,...,λk}组成的。其中{λ1,λ2,...,λk}是机会移动网络中沿机会转发路径的节点对的接触率。定义prij(t)为某一数据在时间t内沿路径l从i转发到j的概率。
当k＝1时，这意味着在节点i和j之间直接接触,那么节点集将被更改为{i,j}，相应的权重为λij。这时将数据沿机会转发路径l从i传递到j的总时间是yl＝xij。因此，当k＝1时，根据公式(1)，某一数据在时间t内沿机会转发路径l从i到传递j的概率可以表示为：
当k>1时，表示节点i和j不直接接触，那么某个数据沿着机会转发路径l从i传递到j的总时间为
其中
λm和λu为机会转发路径的权重。
因此，k>1时，某一数据在时间t内沿机会转发路径l从i到传递j的概率可以表示为：
如图1所示，如果在节点对i和j之间有l条机会转发路径，并且每条机会转发路径都有一个数据传递概率。用
4):每个节点根据到目的节点的最大数据传递概率以及是否到达目的节点，来确定是否转发数据。例如：当节点i和节点j相遇，节点i的缓存中有一个到目的节点d的数据，这时节点i首先需要确定节点j是不是目的节点d，如果是则直接转发。如果不是，则需要和节点j比较到目的节点d的最大数据传递概率，从而确定是否转发数据。如果
现结合附图1和2说明本发明的具体实施例为：
图1给出了一个节点i和j之间的多跳机会转发路径的例子。如图1所示，节点i和j之间有l条机会转发路径：p1,p2,…,pl。每条机会转发路径都可以由一些节点和权重来进行描述。例如：如图2所示，节点i和j之间的某一条多跳机会转发路径(表示为l)由节点集{i,r1,r2,...,rk-1,j}和权重集{λ1,λ2,...,λk}组成，其中{λ1,λ2,...,λk}是沿机会转发路径l的节点对的接触率，每一条机会转发路径都可以计算出一个数据传递概率。通过计算节点i和j之间的l条机会转发路径的数据传递概率，就可以得到这l条机会转发路径的最大数据传递概率。这样每个节点就可以根据到目的节点的最大数据传递概率以及是否到达目的节点，来确定是否转发数据。
图3(a)、图3(b)分别给出了在infocom06真实数据集中，本发明所提出的路由机制(mddpr)和已有的路由机制bubble、prophet和epidemic的数据包递送率以及数据包递送开销比较示意图。如图所示，随着数据包的生存时间的增加，和预期的一样，epidemic具有最大的数据包递送率，和最大的数据包递送开销。虽然相比mddpr，epidemic具有更大的数据包递送率，但是epidemic的数据包递送开销却是mddpr的3-4倍，而epidemic的数据包递送率却只比mddpr增加了5％-15％。特别是，当数据包的生存时间增加到6小时时，epidemic的数据包递送率只比mddpr约5％，但epidemic的数据包递送开销却是mddpr对应值的大约3倍。mddpr的数据包递送率要比bubble和prophet都大，并且mddpr和bubble的数据包递送开销接近，在所有路由机制中开销最小。
图4(a)、图4(b)分别给出了在mitreality真实数据集中，本发明所提出的路由机制(mddpr)和已有的路由机制bubble、prophet和epidemic的数据包递送率以及数据包递送开销比较示意图。如图所示，和在infocom06真实数据集中的实验结果类似，随着数据包的生存时间的增加，在mitreality数据集中epidemic同样具有最大的数据包递送率，和最大的数据包递送开销。虽然相比mddpr，epidemic具有更大的数据包递送率，但是epidemic的数据包递送开销却是mddpr的数倍，而epidemic的数据包递送率却只比mddpr增加约10％。特别是，当数据包的生存时间增加到4小时时，epidemic的数据包递送率只比mddpr约10％，但epidemic的数据包递送开销却是mddpr对应值的大约4倍。同样，在mitreality数据集中，相比bubble和prophet，mddpr具有更大的数据包递送率和更小的数据包递送开销，因此mddpr的性能也要优于bubble和prophet。