快速移动环境中上下文感知优化链路状态路由协议(2)

由式(1),式(3),通信概率Pi可以为Pi=(1-(

K(

00R))+

(2)

选择可达集合N2中节点数量最多的那个节点。若存在多个节点提供相同数量的可达性,则计算这些节点的优先度Ai,选择优先度Ai数值最大的那个节点。如果优先度Ai相同,则选择其中节点密度最高的节点。密度定义为该节点对称相邻节点的数量,但不包括集合N中所有成员节点以及正在执行该MPR计算的那个节点。删除集合N2中的已被MPR集合中的一个节点所覆盖的节点。

(6)将一个节点的每个接口的MPR集合组合在一起,就建立了该节点的MPR集合。3.3 CAOLSR的Fisheye设计

对自然界中的鱼眼来说,靠近视觉焦点处的视野越清晰,远离视觉焦点处的视野越模糊。因此,Kleinrock提出了/鱼眼(Fisheye)0[10]技术用于维护精确距离与路由信息质量,逐渐精确的路由减少了移动性对路由精度的影响。在链路崩溃时,不发送控制信息,只删除邻居列表与拓扑表中的信息,以适合快速变化拓扑结构的网络。关于Fisheye,在文献[10]中有更多的描述。

CAOLSR所设置的Fisheye如图3所示。CAOLSR的Fisheye根据节点发出消息的传播跳数来划分层次,消息经历的跳数越少,越位于Fisheye的内层。TC控制信息根据Fisheye的层次来进行传播,不同层次采用不同的传播频率。位于Fisheye内层的节点TC传播频率越高,越外层传播的频率越低。在CAOL

SR中,采用控制TC消息发送的延迟De-lay来达到不同层次之间传播频率不相同的目的。越内层,延迟越小,反之越大。

0)2+(y-y0)2-x$t-x0)+(y$t-y0))/(($t+G)R)

(4)

(K>0,$t>0,G\0)

HELLO消息中的时间戳信息同时用来标示节点的最近访问情况,参照最近访问优先,将其纳入MPR选择策略,同时引入节点的连接度因素。参考机会网络中的上下文相关路由协议CAR(Context-awareRouting)[16]与传感器上下文相关路由协议SCAR(SensorContext-awareRouting)[18],构建MPR选择优先度A。A可以通过下式计算:

Ai=APi+Be(t2-t1)+CN (A\0,B\0,C\0,t2>t1)(5)式中,A,B,C为相关权重系数,根据Pi等3个上下文参数取值范围并经过多次仿真实验分析取得经验数据进行优化设置。t1及t2分别为节点中保留的原有记录时间戳信息及新收到包的时间戳信息,t2-t1值越大,则反映出访问时间越近。3.2 MPR选择流程

当A值确定后,可以开始MPR选择搜索。描述该搜索方法时采用了如下定义:N表示一个节点的相邻节点子集,这些相邻节点是每个接口的相邻节点。N2表示从每个接口可达的二跳邻居节点集合,但是不包括只能通过集合N中不愿意为其他节点转发信息的成员到达的那些节点、正在执行MPR计算的那个节点以及全部对称相邻节点。

CAOLSR的MPR搜索方法流程如下:

(1)将邻居集合N中的N_willingness域为WILL_AL-WAYS(即总是愿意为其他节点转发信息)的节点加入MPR集合中。

(2)计算N2中节点的传输概率Pi,并将节点按照传输概率Pi进行从大到小排序。

(3)将集合N中的这些成员节点添加到MPR集合中:它们是提供可达集合N2中的一个节点的唯一节点。例如,若集合N2中的节点B只能通过集合N中的节点A的一条对称链到达,那么节点A添加到MPR集合中,删除集合N2中的已被MPR集合中的一个节点所覆盖的节点。

(4)集合N2中依然存在未被MPR集合中任何节点所覆盖的节点,但是对于集合N中的每个节点,计算其可达性,即集合N2中依然未被MPR集合中任何节点所覆盖的、但是通过该一跳相邻节点可达的节点的数量。

(5)从该集合中选择一个节点作为MPR,该节点的愿意程度在N中最高,而且可达性不为零。存在多种选择时,则

图3 Fisheye示意图

Delay的具体设置如下式所示。其中JITTER为与HELLO消息发送时隙相关的随机时间长度。

JITTER

Delay=

a*JITTERb*JITTER

(Hop<=3)

(3<Hop<=6) (b>a>1)(Hop>6)

(6)

此外,CAOLSR路由选择策略采用Dijkstra算法,以应对剧烈变化的拓扑结构带来的路由变化。

4 仿真分析

4.1 仿真场景

采用NS2作为仿真实验工具,将上节所提出的CAOLSR协议与HOLSR协议在NS2上予以实现,并将其与OLSR协议、DSDV协议一同进行仿真比较。在NS2节点运动场景中采用RandomWaypointMobilityModel运动模型。仿真实验中网络节点运动场景参数设置如表1所列,其中括号内数值为默认场景参数值。

#

快速移动环境中

表1 网络节点运动场景参数设置

Parameter(unit)NumberofnodesArea(m2)

Maximumspeedofnodes(m/s)Minimumspeedofnodes(m/s)

Pausetime(s)Simulationtime(s)

Value

10,15,20,25,(30),35,40

750@750

5,10,15,20,25,(30),35

00100

(c)移动速度对平均跳数的影响 (d)移动速度对平均时延的影响

本实验中在随机的节点对之间采用CBR流方式。仿真场景参数如表2所列。

表2 仿真场景参数设置

Parameter(unit)

Radiopropagationrange(m)Channelcapacity(Mbits/s)

TraffictypeMaximumpairs(pair)IntervalofCBRpackets(s)SizeofCBRpacket(Bytes)SizeofTCpacket(Bytes)IntervalofHELLOpacket(s)IntervalofTCpacketinOLSR(s)

Value2502.0CBR2215122012

图4 移动速度对算法性能的影响

从图4(a)可以看出,随着节点移动速度加快,4种算法的数据交付率逐渐降低。由于CAOLSR在计算MPR时考虑了运动趋势对MPR的影响,数据交付率始终保持相对较高水平。此外,节点移动速度对负载也具有一定的影响,如图4(b)所示,负载随着节点移动速度的增加而增加,CAOLSR负载相对HOLSR与OLSR也保持较低水平,DSDV的负载最低。由图4(c)可以看出,随着节点速度的加快,4种协议的平均跳数变化起伏较大,CAOLSR依然保持相对较低的水平。从图4(d)可以看出,随着节点移动速度加快,4种协议的平均时延都有所变化,数据交付率下降,平均延迟总体呈现增加趋势,这是由于节点速度的增加导致了拓扑变化的加剧,造成了路由准确性下降,影响了数据传输的时延。相比较其他3种算法,CAOLSR也呈现了一定的优势,能够尽量减少速度的增加对路由精准性的影响。4.2.2 节点密度对算法性能的影响

网络的拓扑结构与节点的密度有关,本组实验主要研究不同节点密度情况下不同算法的性能。改变节点的数量N,实验结果如图5(a)-图5(d)

所示。

CAOLSR以及HOLSR算法相关参数设置如表3所列。此外,HOLSR其他相关参数设置均与文献[10]中设置相同。

表3 CAOLSR/HOLSR协议相关参数设置

Parameter(unit)

ThefirstscopeofCAOLSR/HOLSRThesecondscopeofCAOLSR/HOLSRThethirdscopeofCAOLSR/HOLSRDelayCoefficientof1stscope(s)DelayCoefficientof2ndscope(s)DelayCoefficientof3rdscope(s)KofcommunicationprobabilityGofcommunicationprobability

$t(s)

AofcommunicationpriorityBofcommunicationpriorityCofcommunicationpriority

ValueHops[33<Hops[6Hops>61.01.11.2310.14.00.21.0

4.2 仿真分析结果

仿真从4个方面来对比分析:(1)数据交付率(SuccessRatio),用于度量协议传输数据的能力。数值越高表明该协议的数据交付性越好。(2)负载(RoutingOverhead),考查路由协议是否可以有效降低链路负载,从而减少协议开销。该指标越小,协议越高效。(3)平均跳数(AverageHopes),用来度量数据包从发送到接收所经历的平均转发次数。数值越小表明算法转发数据包越准确、高效。(4)平均时延(End-to …… 此处隐藏：3964字，全部文档内容请下载后查看。喜欢就下载吧 ……