一种基于网络连通的路由骨干路径的选择方法与流程

本发明属于通信技术领域，具体涉及一种基于网络连通的路由骨干路径的选择方法。

背景技术：

随着当前我国车辆数量的日益增多，交通管理面临着越来越严重的难题。作为最新的综合交通管理系统，智能交通系统(Intelligent Transportation System，ITS)可以提高道路使用者的安全性和舒适水平，在未来可以得到普及。ITS使用当前最先进的电子信息科学、智能传感、快速数据传输、高效控制和现代计算机科学等技术，旨在提供全方位的、大范围的、实时性高、准确高效的综合交通管理服务。

车载自组织网络的应用主要包含三大类：车辆安全性应用、休闲娱乐性应用和舒适便利性应用。车辆安全性的一些应用目的是为了保证驾驶出行人的行车安全，尽量避免交通拥塞和事故的发生，提供变道预警、道路故障预警、道路拥塞预警等安全性预警，提醒驾驶者及时作出防范措施。这些安全消息大多数以单跳或者多跳的方式广播出去，众所周知，安全性消息最重要的就是保证消息的实时性。娱乐性应用包括地图下载、停车支付、自动收费服务、浏览网页、下载APP、观看流媒体等。这些应用都有各自的QoS要求。便利性应用旨在提高交通效率。使用发达的路由导航系统、信号灯的智能调度等方式优化交通情况，使得驾驶者有效避免交通拥塞，减少了出行时间。这类应用跟安全性应用相比来说时延没有那么严格，但是对误码率有一定的要求。通常来说，便利性应用一般通过多跳V2V实现源到目的节点的通信。

为实现VANET的上述应用，FCC为车与车(V2V)和车与基站(V2I)通信分配了75MHz的短距离通信频谱，IEEE也为车辆之间的通信制定了标准，欧盟的车辆间通信联盟(Car-2-Car communication consortium,C2C-CC)和美国的汽车智能一体化(vehicle infrastructure integration,VII)也致力于车联网的推进。但是，由于车载自组织网络与传统的移动自组织网络有很大的不同。主要体现在如下几个方面：(1)车辆的快速移动导致网络拓扑的频繁变化；(2)不确定的用户行为；(3)车辆节点具有较强的存储能力和计算能力；(4)车辆的运动轨迹受道路的限制，可预测。其中，特点(1)、(2)导致拓扑的不断变化，车辆之间的连通性也就表现为一个随驾驶者不确定行为、车辆密度和通信范围等因素而变化的概率值了。特点(3)、(4)为这个概率值的研究提供了可能和依据。在移动自组织网络中，关于连通性的研究已经不在少数了，然而并不能将它们直接应用到车载自组织网络中。由于车辆速度较快、频繁的急加速和急减速行为等都会使网络的拓扑结构发生很大的变化，并且网络中车辆的数目都是不确定且难以控制的，这些严重影响VANET连通性的交通流特性在以往的连通性研究中都很少有被考虑到。

上述两种网络之间的不同点使得很多用于移动自组织网络的成熟的协议不能直接应用在车载网络中，加上最近人们对于车辆间宽频带的服务需求越来越多，这些都使得车载网络的通信技术倍受挑战。

与移动自组织网络相比，车载自组织网络中节点的高速移动会引起通信链路不稳定，这给路由协议算法的设计带来了极大的挑战，即如何在满足不同业务的QoS要求的情况下保证将数据包由源节点传送到目的节点。所以，车载网络中路由协议的设计旨在提高网络的连通概率，而且设计出满足各种QoS的路由算法是不可能的。

技术实现要素：

本发明目的在于解决了上述现有的技术问题，提出了一种基于网络连通概率的车载通信中骨干路由选择的方法，针对时延、路由跳数和误码率敏感的业务进行路由算法的设计。

本发明解决其技术问题所采取的技术方案是一种基于网络连通的路由骨干路径的选择方法，具体包括如下步骤：

步骤1：网关根据管辖范围内的车辆位置信息计算源到目的节点的协助连通概率；

步骤2：网关计算端到端的时延d；

步骤3：网关计算路由跳数H；

步骤4：网关计算误码率BER；

步骤5：将步骤1计算得到的协助连通概率当做目标函数，将时延、跳数、误码率作为约束条件，形成一个最优化问题；

步骤6：利用路由基因算法得到最优解，即主干路由；

步骤7：将所述最优解加到数据包的首部；

步骤8：如果QoS要求的端到端的时延d、路由跳数H和误码率BER相应的阈值D_th、H_th、BER_th不变，则返回步骤7，否则返回步骤1。

进一步，上述步骤1中计算源到目的节点的协助连通概率所基于的车载网络系统模型设为G＝(V,E),包括一些十字路口v∈V和路段e∈E连接着十字路口，具体的计算过程如下：

步骤1：根据提出的车载网络系统模型可知，车道1上的车辆数目是服从平均值为K1的指数分布，网关根据F_X1(x)＝1-e^-K1*x计算出车道1上的相邻节点的距离X₁；

步骤2：网关计算相邻车辆之间的小段个数为n＝Xi/(R/2)；

步骤3：网关根据车道1上相邻两车间隔的小段数目(n)计算出通过车道2和车道3的协助连通概率P_C，如公式所示；

步骤4：如果相邻两车辆之间的距离大于车辆的通信距离d，则两车辆之间是不能通信的，X₁服从参数为K1的指数分布，所以网关计算车道1的中断概率P_d的方法为P_d＝P(X₁＞R)＝e^-R*K1；

步骤5：考虑到车道1上可能有多条链路是不连通的，设不连通的链路条数为q，节点有Q个，则q∈1,2,.....Q-1，则车道1上有q条链路被协助连通的概率P_cq为

步骤6：假设不同车道上的车辆不能协助通信，则车道1上的q条链路不连通的概率P_q可以表示为

步骤7：最终网关计算得到车道1的连通概率P_1C为

步骤8：同理网关可以计算出车道2和车道3的连通概率，分别为P_2C和P_3C，网关选择连通概率最高的车道进行数据的转发，即P_s＝Max{P_1CP_2CP_3C}，由于整条路径是由n个车道组成，且骨干路径由连通概率最大的首尾相连的n个车道组成，则骨干路径的连通概率可以表示为

步骤9：当车道为3或者4的情况下，某一车道上的车辆被其他车道上的车辆协助通信的概率更大，假设车道一上的相邻车辆之间的距离n＝k，道路有L个车道，则连通概率如公式

上述步骤5所述的最优化问题可以用下式来表达：

maxp(y)

Subject to

其中，p(y)是路径y的连通概率，D_th、H_th和BER_th分别是容忍时延、误码率、跳数的阈值。

上述步骤6所述的路由基因算法为基因进化算法GA，具体包含以下步骤：

S1：编码定义问题，对可行解进行合适的编码表述，将主干路由中每一个路口作为一个基因，骨干路由是由被选择的标识数字构成，即一条路由中的路口被看成是一条有顺序的染色体结构；

S2：初始化可行解集合，从可行解中随机选择出几个组成可行解集合；

S3：基因交叉，采用单点交叉算法，即从可行解集合中选择出两个染色体，选出相同的基因，将相同基因左右的部分交换，生成新的染色体；

S4：基因突变，即在一条染色体中随机改变基因，在集合中等概率选择一条染色体，随机将其中的基因换成相邻的基因；

S5：利用评估函数f(y)评估路由，依据这一函数可以选择出较好的几条路由，所以这个函数的选择是至关重要的，由于我们的目标是最大化连通概率，所以我们将协助连通概率看做是评估函数；

S6：选择，让连通概率较高的路由路径有较大的机会进行交叉组合，即让评估函数较高的染色体有较大的机会去产生后代，被选中的概率取决于

S7：当后代的染色体的数目到达期望数目时，循环终止，否则转到S4。

上述GA算法中的评估函数f(y)，定义如下：

f(y)＝p(y)

其中p(y)表示路径的连通概率。

与现有技术相比，本发明的有益效果：

1、本发明提出的这种基于十字路口的路由机制以较高的网络连通概率保证了传输时延、误码率等QoS指标。

2、在已经选择好的交叉路口之间的路段上采用基于地理位置的转发机制来转发数据包，减少了对路段上节点移动的敏感度。

附图说明

图1是本发明的主要流程图。

图2是三车道道路模型图。

图3是交叉路口编码图。

图4是基因交叉图。

图5是基因变异图。

图6是基因算法的流程图。

具体实施方式

下面结合说明书附图对本发明创造作进一步的详细说明。

基于多车道的连通概率算法是本发明的基础性研究内容。由于本发明讨论的是城市场景，存在车辆分布不均匀，车辆数目很多，各种各样的信号灯，被限制的移动区域，大楼与大树等阻碍等原因，所以选择合适的十字路口即主干路由是本发明的一大研究点。

1、路径的连通概率

如附图2所示，本发明将车载网络系统模型设为G＝(V,E),包括一些十字路口v∈V和路段e∈E连接着十字路口，假设道路为三车道场景，而且每个车道上的车辆进行匀速运动，车道1、2、3上对应的车辆速度分别为V1、V2、V3，如上图2。本发明将每个路段分成长度均为通信距离一半的小段，网关维持着对应网络中的路径长度L以及每一车道的车辆速度和车辆密度。根据经验值得每个小段中的节点位置是服从均匀分布的。假设三条车道上的节点到达数量均服从泊松分布，且密度分别为K1、K2、K3(单位为辆/米)。则车道1上的每个小段上的节点是独立同分布的，且是服从参数为(R/2)*K1的泊松分布，即三条车道的小段上的节点数目N_i(i＝1,2,3)独立且服从参数为(R/2)*Ki的泊松分布。所以三车道每个小段中的节点数目的概率分布为

附图2中节点1和节点2之间的距离大于通信距离R，不能完成车与车之间的通信，但是通过节点3和节点4的可以连通。将三条车道看成一个整体，很显然由于每小段距离均为R/2，所以只要保证每个小段中都至少有一个节点，就可以保证网络的连通性(忽略车间横向距离)。

附图2中由于车道2中无节点，只能通过车道3中的节点进行通信(车道3中的小段是独立同分布的)，所以可得节点1和节点2的连通概率为

推理到普遍情况下(这里仅考虑车道1通过车道2和车道3的协助完成连通的情况)：

若车道1上的不连通的相邻两车间隔两个小段(n＝2)，通过车道2和车道3的协助可以使得车道1上的节点连通。

当n＝2时：

当n＝3时：

推理得出n等于任意值k时，

记Xi为车道1上相邻两车之间的距离，相邻车辆之间的小段个数为n＝Xi/(R/2)。

X₁是车道1上的相邻节点的距离，它是服从指数分布的，平均值为车辆密度K1，即

如果相邻两车辆之间的距离大于车辆的通信距离d，则两车辆之间是不能通信的。X₁服从参数为K1的指数分布，所以车道1的中断概率如下：

P_d＝P(X₁＞R)＝e^-R*K1 (8)

考虑到车道1上可能有多条链路是不连通的，设不连通的链路条数为q，节点有Q个，则q∈1,2,.....Q-1。则车道1上有q条链路被协助连通的概率如下：

假设不同车道上的车辆不能协助通信，则车道1上的q条链路不连通的概率可以表示为

则车道1的连通概率为

同理可以算出两个网关之间车道2和车道3的连通概率，分别为P_2C和P_3C。网关选择连通概率最高的车道进行数据的转发，即P_s＝Max{P_1CP_2CP_3C}。由于整条路径是由n个车道组成，且骨干路径由连通概率最大的首尾相连的n个车道组成，则骨干路径的连通概率可以表示为

当车道为3或者4的情况下，某一车道上的车辆被其他车道上的车辆协助通信的概率更大，假设车道一上的相邻车辆之间的距离n＝k，道路有L个车道，则连通概率如下：

以上是连通概率的表达式，网关通过以上计算出连通概率最大的主路由路径，并将此加到源节点数据包的头部。此外，满足相同QoS的数据包的主路由是一样的，无需重新计算，只需要询问邻居节点即可。接下来讨论相应的QoS表达式，即时延、跳数和误码率表达式，并用最优化方法里的GA算法来解决这个带约束条件(QoS)的最优化表达式(p(y))。

2、误码率BER(Bit Error Rate)

误码率BER是衡量路由质量的重要指标。通信范围R严重影响着BER，在车辆密度很高的场景下，增大通信范围R反而会引起干扰和信道衰落，使得误码率大大增大。每条链路上相邻俩辆车在传输数据包时的误码率如下：

其中，α₁是常数，P_t是发送功率，p_th是热噪声，2σ_f²是瑞利密度函数的平均方差值。假设相邻两辆车之间的距离Z服从指数分布，则其概率密度函数如下：

当相邻车辆之间的距离小于等于通信距离T_r时，概率密度函数如上。所以，一条链路上两个相邻车辆的BER可以表示为：

因此，一个路段上的误码率BER如下：

由于n条首尾相接的路段构成骨干路径，所以骨干路径的BER表达式如下：

3、端到端时延

在主干路由路径上，数据包从源节点S传递到目的节点D所需的时间称为端到端的时延d。假设一条主干路由路径y上包含n条路段，每条路段j上的时延是d_j。故整条路径的端到端时延如下所示：

d_j取决于j路段上的车辆的数目和数据包在相邻车辆之间传输的时间，而相邻车辆之间传输的时间又取决于车辆转发数据包所采取的策略。如果车辆采取的是多跳传输，那么时延就是处理和传输数据包的时间；如果车辆采取携带转发的策略，那么数据包将会以车辆的速度传输至可转发的状态。为了估算时延d，我们考虑两种情况如下(α＝T_r/d，T_r、d分别是相邻车辆之间的距离和通信距离)：

(1)当α≤1，相邻车辆可转发数据包，时延取决于节点处理和传输数据包的时间t_p。

(2)当α＞1，相邻车辆之间不能直接转发数据包。为计算简单，我们将道路看成是双车道的，假设路段长度为T_r的路段上有k辆车在行驶，则k服从泊松分布如下：

其中，Υ₁、Υ₂分别是双车道的车辆密度。当某一路段上无车辆时，即车辆的周围无可转发车辆，这时车辆将会携带这个数据包直到在其通信范围内存在车辆。某一路段上无车辆的概率β如下：

则在路段j上的时延d_j可以表示为：

其中S是路段j中的车辆的平均速度，C_j表示可以路段中车辆的数目，S_k表示每辆车的速度，则S可表示为：

4、数据包的转发次数

数据包在骨干路径中的某一路段中的跳数就是该数据包的转发次数，由这一路段的长度L和车辆通信范围d决定。若L≤d(α≤1)，数据包转发次数为一跳；若L≥d(α≥1)，数据包可以通过多跳到达目的车辆或者通过携带转发机制到达目的车辆。即某一路段上的数据分组的跳数能够表示为：

记y为n条路段构成的骨干路径，则数据包在y上的总跳数为：

最佳的主干路由是在满足端到端时延、误码率BER和数据包转发次数的前提下保证连通概率的最大值。利用最优化理论，我们可以将连通概率计算公式作为目标函数，将BER、H、d作为约束条件，由网关计算出其覆盖范围内的车辆转发数据包的最佳主干路由。所以，通过解决以下最优化表达式，能够使我们得到最佳的骨干路由路径。

maxp(y)

Subject to

其中，p(y)是路径y的连通概率，D_th、H_th和BER_th分别是容忍时延、误码率、跳数的阈值。

5、路由基因算法

为解决上述最优化问题，找出源节点到目的节点的骨干路由，本发明引入了基因进化算法GA(Genetic Algorithm)，这是一种适用于解决路由问题的启发式的搜索算法。GA搜索算法的流程图如下图，包括以下部分：问题描述、初始化、可行解评估、选择、交叉、突变等。

在选择主干路由时，将一个交叉路口可以看成是一个基因，一条骨干路由可以看成是一条染色体；一条骨干路由包括若干个十字路口就相当于一条染色体包括若干个基因。GA搜索算法首先是编码问题，对可行解进行合适的编码表述，自然编码机制是其中一种适用的编码表述，它将主干路由中每一个路口作为一个基因，骨干路由是由被选择的标识数字构成，即一条路由中的路口被看成是一条有顺序的染色体结构。所以每一个可行解y即一条染色体。在附图3中，路由8-11-13-12-18、9-10-13-19-18都是染色体。总之，每条染色体都是包含着有序交叉路口的向量。

接着初始化可行解集合，初始化是从可行解中随机选择出几个组成可行解集合，每个可行解都是以最靠近源节点的路口作为有序染色体的第一个基因，随后的基因是从中间交叉路口中随机选择的，一直到离目的节点最近的交叉路口才停止。必须要保证解是可行的，即两个交叉路口之间的链路是连通的，而且要保证选出来的路由是满足时延、跳数、误码率这些QoS分别小于阈值D_th、H_th和BER_th，计算公式分别如上述公式(22)、(23)、(34)所述。遵照这个方法产生出来足够数量p_z的可行解组成了可行解集合。

接下来是交叉步骤，采用单点交叉算法，即从可行解集合中选择出两个染色体，选出相同的基因，将相同基因左右的部分交换，生成新的染色体。如附图4所示，(a)是本来的染色体，(b)是后代染色体。注意要保证后代染色体是可行解。

接下来是基因突变，即在一条染色体中随机改变基因，有效防止了局部最优化的困局。我们采用相同的基因突变操作，即在集合中等概率选择一条染色体，随机将其中的基因换成相邻的基因，如附图5。

GA算法中最重要的就是用来评估路由的评估函数f(y)，依据这一函数可以选择出较好的几条路由，所以这个函数的选择是至关重要的，由于我们的目标是最大化连通概率，所以我们将评估函数定义如下：

f(y)＝p(y)

选择算法的目的是让连通概率较高的路由路径有较大的机会进行交叉组合，即让评估函数较高的染色体有较大的机会去产生后代。一条染色体被选中的概率P_selection是取决于路径的连通概率p(y)评估值在归一化总评估值中的比例，P_selection越大被选中的机率越高，P_selection的计算方法如下：

(P_z：满足QoS可行解的数量) (27)

当后代的染色体的数目到达期望数目时，循环终止。其中p(y)表示路径的连通概率，计算公式如(13)所示。