機會網(wǎng)絡(luò)中計算節(jié)點間數(shù)據(jù)分組余弦相似度的高效轉(zhuǎn)發(fā)策略

劉名陽,陳志剛,吳 嘉

1(中南大學(xué) 軟件學(xué)院,長沙 410075)2(“移動醫(yī)療”教育部-中國移動聯(lián)合實驗室,長沙 410083)

1 引 言

機會網(wǎng)絡(luò)(Opportunistic networks,OPN)是一種在間歇性連通的網(wǎng)絡(luò)環(huán)境下,通過節(jié)點之間的相互移動帶來的接觸機會,完成網(wǎng)絡(luò)中的信息轉(zhuǎn)發(fā)[1].機會網(wǎng)絡(luò)源于早期的間歇式連通網(wǎng)絡(luò)(intermittently connected networks,ICN)[2]和延遲容忍網(wǎng)絡(luò)(delay-tolerant networks,DTN)[3].機會網(wǎng)絡(luò)的通信不同于傳統(tǒng)的無線網(wǎng)絡(luò),最大的不同點就是機會網(wǎng)絡(luò)中的節(jié)點并不是統(tǒng)一部署的,其不需要發(fā)送端和接收端之間擁有完全連通的傳輸路徑[4].在機會網(wǎng)絡(luò)中,由于網(wǎng)絡(luò)鏈接時斷時續(xù)、網(wǎng)絡(luò)鏈接持續(xù)時間短、網(wǎng)絡(luò)拓撲結(jié)構(gòu)動態(tài)變化[5,6],源節(jié)點和目的節(jié)點之間往往不存在可靠的通信鏈路[7].由于應(yīng)用特點、環(huán)境、成本等多種因素的限制,機會網(wǎng)絡(luò)恰好可以滿足某些特定應(yīng)用的需求.現(xiàn)如今,機會網(wǎng)絡(luò)的典型應(yīng)用主要有:野外數(shù)據(jù)收集[8]、偏遠地區(qū)網(wǎng)絡(luò)通信[9]、車載網(wǎng)絡(luò)[10]以及各種環(huán)境下的自組織通訊網(wǎng)絡(luò)[11]等.

由于機會網(wǎng)絡(luò)中不存在固定的傳輸路線,所以采用“存儲—攜帶—轉(zhuǎn)發(fā)”的路由機制進行信息傳送[12].該方式不需要節(jié)點維護到網(wǎng)絡(luò)中其他節(jié)點的路由表,而是將信息緩存到具有存儲能力的移動節(jié)點上,借助節(jié)點的移動帶來的相遇機會,尋找合適的下一跳節(jié)點進行信息傳輸.圖1為機會網(wǎng)絡(luò)信息傳輸過程示意圖.假設(shè)發(fā)送端S和接收端D要進行信息傳輸,由于在t1時刻發(fā)送端S和接收端D并不在同一個連通域內(nèi),在它們之間不存一條完整的通信鏈路,因此節(jié)點S將數(shù)據(jù)發(fā)送給中繼節(jié)點A.由于節(jié)點A同樣沒有到達節(jié)點D的合適路徑,節(jié)點A攜帶該信息等待合適的轉(zhuǎn)發(fā)機會.隨著節(jié)點移動帶來的相遇機會,在t2時刻,節(jié)點A和節(jié)點C移動到同一連通域內(nèi),節(jié)點A將數(shù)據(jù)轉(zhuǎn)發(fā)給節(jié)點C.節(jié)點C在t3時刻與接收端D相遇,將攜帶的數(shù)據(jù)轉(zhuǎn)發(fā)給接收端D,完成信息傳輸.

(1) 盾構(gòu)隧道常見病害之間是相互聯(lián)系的，往往表現(xiàn)為多種病害同時存在，且隨著地鐵運營時間的增加病害亦會隨之加劇。其中，隧道不均勻沉降是導(dǎo)致產(chǎn)生其他常見病害的重要原因之一，也是判斷隧道是否穩(wěn)定的重要依據(jù)之一。

教育教學(xué)的過程十分漫長，需要不斷地發(fā)現(xiàn)與改良，其最終目標是給學(xué)習(xí)者帶來極大的便利與可能性。信息技術(shù)便是能夠體現(xiàn)該可能性的關(guān)鍵因素，因此，信息技術(shù)與教育教學(xué)的完美融合是當(dāng)代教育領(lǐng)域中極為重要的研究項目。通過利用信息技術(shù)可以將傳統(tǒng)的教育教學(xué)方式做出改變，提高“教師”與“學(xué)生”的信息素養(yǎng)，將“教”與“學(xué)”的方式做出變革，完成信息技術(shù)與教育教學(xué)完美融合是所有從事教育工作人士不斷追求的目標。

圖1 機會網(wǎng)絡(luò)信息傳輸過程示意圖Fig.1 Schematic diagram of opportunistic network transmission

因為機會網(wǎng)絡(luò)中節(jié)點的移動性導(dǎo)致網(wǎng)絡(luò)拓撲結(jié)構(gòu)呈現(xiàn)出動態(tài)變化的趨勢,使得傳統(tǒng)的路由算法很難應(yīng)用于機會網(wǎng)絡(luò)中.因此,如何在拓撲結(jié)構(gòu)中選擇合適的鄰居節(jié)點進行信息傳輸成為了機會網(wǎng)絡(luò)的研究熱點之一.目前,對于機會網(wǎng)絡(luò)路由算法的研究主要分為兩類,一種類型先驗式路由,另一種類型是后應(yīng)式路由.但由于機會網(wǎng)絡(luò)中節(jié)點自身的移動以及無線連接的間歇性,依然存在傳輸成功率較低以及下一跳節(jié)點選擇不合理的問題.

在實際的應(yīng)用場景中,機會網(wǎng)絡(luò)中的節(jié)點通常是處于一定社會關(guān)系的人[13],其進行信息的交互行為與移動模式都具有社會性[14].在以人作為網(wǎng)絡(luò)終端載體的機會網(wǎng)絡(luò)中,人的行為特征和社會屬性是區(qū)別于其他移動網(wǎng)絡(luò)模式的本質(zhì)特征[15],在路由算法設(shè)計中具有舉足輕重的作用.例如,人類移動行為的小世界特性和集聚性可以幫助路由協(xié)議利用節(jié)點的影響力和社區(qū)特征輔助消息轉(zhuǎn)發(fā);人類移動巧為的規(guī)律性和社會性可以幫助路由協(xié)議預(yù)測節(jié)點未來的相遇過程,以幫助數(shù)據(jù)選擇最佳的下一跳轉(zhuǎn)發(fā)節(jié)點.

通過分析一些傳統(tǒng)機會網(wǎng)絡(luò)路由算法存在的問題,結(jié)合機會網(wǎng)絡(luò)“小世界”的特點,本文從節(jié)點之間的社會屬性角度去考慮如何選擇合適的鄰居節(jié)點作為下一跳,提出了基于節(jié)點間數(shù)據(jù)分組余弦相似度的路由算法.實踐證明,余弦相似度算法可以很好的計算出兩個文本之間的相似度情況.通過計算節(jié)點間數(shù)據(jù)分組的余弦相似度來衡量節(jié)點間社會關(guān)系的強弱,以此進行路由選擇.

2 相關(guān)工作

在機會網(wǎng)絡(luò),采用“存儲—攜帶—轉(zhuǎn)發(fā)”的傳輸策略進行數(shù)據(jù)轉(zhuǎn)發(fā),由于節(jié)點的移動導(dǎo)致的網(wǎng)絡(luò)拓撲結(jié)構(gòu)動態(tài)變化,使得傳統(tǒng)的路由算法難以適用于機會網(wǎng)絡(luò)中.因此,如何合理的選擇下一跳節(jié)點,高效地進行信息傳遞已成為機會網(wǎng)絡(luò)的一個重要研究方向[16].現(xiàn)如今,對于對于機會網(wǎng)絡(luò)路由算法的研究主要有以下一些方法.

Epidemic算法[17]基于泛洪策略,主要的思想就是相遇的節(jié)點交換彼此缺少的報文信息.該路由算法可以很好地提高網(wǎng)絡(luò)傳輸成功率,有效地降低傳輸延遲,但是會在網(wǎng)絡(luò)中產(chǎn)生大量的數(shù)據(jù)副本,容易導(dǎo)致網(wǎng)絡(luò)的路由開銷過高,造成網(wǎng)絡(luò)負載.Ren Z[18]等人在傳統(tǒng)的Epidemic算法的基礎(chǔ)上提出了一種具有自適應(yīng)能力的Epidemic路由算法,通過觀察周圍節(jié)點的緩存狀態(tài),實時調(diào)整節(jié)點向網(wǎng)絡(luò)中注入消息副本的數(shù)量,進而改善Epidemic算法性能,有效地降低了路由開銷.

SIM27≈0.22,SIM28≈0.18,SIM29≈0.13

由于機會網(wǎng)絡(luò)中節(jié)點的移動特性,網(wǎng)絡(luò)的拓撲機構(gòu)呈現(xiàn)出動態(tài)變化的趨勢,整個網(wǎng)絡(luò)并不是全連通網(wǎng)絡(luò),因此在機會網(wǎng)絡(luò)中隨機選取某一子網(wǎng)絡(luò)拓撲結(jié)構(gòu)進行研究.假設(shè)選取的子網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖2所示,共有12個節(jié)點,節(jié)點集合為V={V1,V2,…,V12},所有節(jié)點均為中繼節(jié)點,都具有移動的特性以及攜帶與轉(zhuǎn)發(fā)信息的能力.在當(dāng)前時段,假設(shè)節(jié)點V1為源節(jié)點需要發(fā)送信息,并且信息在節(jié)點之間傳遞的速度遠遠大于節(jié)點的移動速度,信息在子網(wǎng)絡(luò)中進行傳輸時,網(wǎng)絡(luò)拓撲結(jié)構(gòu)不會發(fā)生本質(zhì)上的改變.

文獻[21]提出了基于歷史信息的路由算法(HBPR),將網(wǎng)絡(luò)的地理區(qū)域劃分為不同的區(qū)域單元并編號,每個節(jié)點利用GPS軟件記錄自身的位置信息,并統(tǒng)計訪問最頻繁的區(qū)域,源節(jié)點將一份消息傳輸給地理位置上與目的節(jié)點更近的中繼節(jié)點,不斷縮短攜帶消息的節(jié)點與目的節(jié)點的距離,達到與目的節(jié)點相遇并傳輸消息的效果.

文獻[22]從機會網(wǎng)絡(luò)和社交網(wǎng)絡(luò)相結(jié)合的角度考慮,提出了基于節(jié)點社會屬性的路由算法SNOP.該算法利用節(jié)點的社會屬性,分析網(wǎng)絡(luò)中存在的社團結(jié)構(gòu),并計算社團之間的相似程度與節(jié)點在社團中的活躍度,進而有目的性地選擇中繼節(jié)點.該算法并將計算節(jié)點之間的社會性與信息轉(zhuǎn)發(fā)兩項任務(wù)拆分開,分別以離線與在線的方式進行,以此實現(xiàn)數(shù)據(jù)分組的高效轉(zhuǎn)發(fā).

文獻[23]提出了SRBet路由算法,在利用時空演化圖模型來準確捕捉機會網(wǎng)絡(luò)的動態(tài)拓撲結(jié)構(gòu)的基礎(chǔ)上,根據(jù)節(jié)點歷史接觸記錄,提出基于中介中心性度量的社會關(guān)系,以確保消息通過具有更強社會關(guān)系的節(jié)點進行轉(zhuǎn)發(fā).

針對機會網(wǎng)絡(luò)路由算法存在的一些問題,本文從網(wǎng)絡(luò)中節(jié)點間存在的關(guān)系進行分析,提出了基于節(jié)點間數(shù)據(jù)分組余弦相似度的高效轉(zhuǎn)發(fā)算法CSDP.在該算法下,首先計算節(jié)點間數(shù)據(jù)分組的余弦相似度,以此來定義節(jié)點之間的關(guān)系,根據(jù)節(jié)點之間的相似程度選擇下一跳進行數(shù)據(jù)轉(zhuǎn)發(fā).

3 基于節(jié)點間余弦相似度的高效轉(zhuǎn)發(fā)策略

3.1 構(gòu)建機會網(wǎng)絡(luò)拓撲結(jié)構(gòu)

文獻[20]通過對節(jié)點存在的社會屬性進行分析,提出了一種基于節(jié)點歸屬位置感知的轉(zhuǎn)發(fā)策略.該策略首先是根據(jù)節(jié)點的社會屬性,對網(wǎng)絡(luò)中的節(jié)點進行社區(qū)劃分.然后在節(jié)點的移動過程中,檢測副本消息的接收端是否與相遇的節(jié)點在相同的社區(qū).根據(jù)與相遇節(jié)點的檢測結(jié)果,進而執(zhí)行社區(qū)內(nèi)轉(zhuǎn)發(fā)策略或是社區(qū)間轉(zhuǎn)發(fā)策略.在相遇的同時,根據(jù)相遇節(jié)點與目的節(jié)點之間的相鄰程度,為副本信息選擇合理的轉(zhuǎn)發(fā)節(jié)點.

在機會網(wǎng)絡(luò)中,每個節(jié)點的鄰居節(jié)點都可以進行信息傳遞,每個鄰居節(jié)點都有可能成為下一跳節(jié)點.相對于動態(tài)變化的網(wǎng)絡(luò)拓撲結(jié)構(gòu),在以人為載體的機會網(wǎng)絡(luò)中,節(jié)點之間的社會關(guān)系則是相對比較穩(wěn)定的,并不會隨著拓撲結(jié)構(gòu)的變化而變化,而節(jié)點所呈現(xiàn)的社會性則具體表現(xiàn)在其自身攜帶的數(shù)據(jù)上.因此需要在眾多的鄰居節(jié)點之間選擇一些相對比較可靠、社會關(guān)系比較穩(wěn)定且有效性較大的節(jié)點進行信息傳遞.本文是利用余弦相似度來計算節(jié)點間所攜帶數(shù)據(jù)分組的相似度,節(jié)點間數(shù)據(jù)分組的相似度等同于節(jié)點間的相似度,從而來定義節(jié)點之間社會關(guān)系的強弱.

“孟母三遷”的故事意在闡述環(huán)境對人成長的重要意義。以美國行為主義者華生為代表的西方學(xué)者也提出環(huán)境決定論，認為兒童是被動的個體，其成長由所處的環(huán)境決定。兒童成長為什么樣的人，教育者負有很大的責(zé)任。

圖2 子網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖Fig.2 Topology structure of sub-network

3.2 節(jié)點定義及相似度計算

定義1.節(jié)點數(shù)據(jù)分組合集Di={di1,di2,…,dij},表示任一節(jié)點i所攜帶的j個數(shù)據(jù)分組信息,并將節(jié)點i所攜帶的數(shù)據(jù)分組信息表達為向量Ci=(wi1,wi2,…,wij),其中wij為第j個數(shù)據(jù)分組信息在節(jié)點i中的權(quán)重,即該數(shù)據(jù)分組在節(jié)點i中出現(xiàn)的頻率,初始值為1.

實驗中，由于直接測量主軸熱變形不太方便，所以用一根鐵棒來代替主軸，把鐵棒用磁性表座固定在主軸上，間接獲得主軸徑向與軸向變形。然后通過電渦流位移傳感器測得這兩個方向上的熱誤差數(shù)據(jù)。

定義2.任意兩個節(jié)點a與b的數(shù)據(jù)分組合集的合并運算,記為D′=Da∪Db,并在合并之后的數(shù)據(jù)分組合集基礎(chǔ)上,重新計算各自的數(shù)據(jù)分組向量表達式.

設(shè)節(jié)點a共有n個數(shù)據(jù)分組信息,其合集為:

Da={da1,da2,…,dai,…,dan},1≤i≤n

(1)

則節(jié)點a的數(shù)據(jù)分組信息可表達為向量Ca:

Ca=(wa1,wa2,…,wai,…,wan),1≤i≤n

(2)

設(shè)節(jié)點共m有個數(shù)據(jù)分組信息,其合集為:

Db={db1,db2,…,dbj,…,dbm},1≤j≤m

(3)

則節(jié)點b的數(shù)據(jù)分組信息可表達為向量Cb:

Cb=(wb1,wb2,…,wbj,…,wbm),1≤j≤m

(4)

節(jié)點a和節(jié)點b的數(shù)據(jù)分組合并運算,記為:

(5)

(6)

2)依次訪問節(jié)點V2、V3、V4、V5、V6,計算它們與當(dāng)前節(jié)點的相似度.節(jié)點V1和節(jié)點V2的相似度計算過程如下:

(7)

(8)

1)初始化一棵有向樹Tree,每個節(jié)點i都維持一個數(shù)據(jù)分組集合Di,以及數(shù)據(jù)分組向量Ci,將當(dāng)前要傳送信息的節(jié)點s作為樹Tree的根節(jié)點.

(9)

定義3.節(jié)點相似度SIMab,表示節(jié)點a和節(jié)點b之間的相似程度.

已知向量Q和向量D之間余弦相似度為:

人們也將由裁判官創(chuàng)造的“三重告示”的時間鎖定在公元前2世紀，其因包含了三項訴權(quán)而得名：“在特有產(chǎn)的限度內(nèi)”(actio de peculio)、“在權(quán)力擁有者獲益的限度內(nèi)”(actio de in rem verso)以及“根據(jù)從權(quán)力擁有者處接收的命令”(actio quod iussu)。它們被用來給那些與處于他人權(quán)力下之人完成了交易的債權(quán)人使用，就像告示使用的話語指出的那樣，“基于與處在他人權(quán)力下的人締結(jié)了一筆交易的情況”，由烏爾比安記錄在D. 15,1,1 pr.-2(烏爾比安：《告示評注》第29卷)當(dāng)中：

我告訴寢室的阿蓮我愛上了一個35歲的男人時，她不動聲色地看著我半分鐘，然后從嘴里擠出三個字兒，有病啊。

(10)

(11)

定義4.鄰居節(jié)點訪問控制數(shù)K,用來控制節(jié)點訪問其鄰居節(jié)點的個數(shù).當(dāng)一個節(jié)點的鄰居節(jié)點的數(shù)量比較多時,要把所有的鄰居節(jié)點完全遍歷一遍時會花費比較長的時間,這會造成更長時間的傳輸延遲,不利于信息在網(wǎng)絡(luò)中傳遞.因此,當(dāng)節(jié)點的鄰居數(shù)大于訪問控制數(shù)K時,則根據(jù)該節(jié)點與其各鄰居節(jié)點的傳輸距離進行排序,優(yōu)先訪問前K個傳輸距離相對比較近的鄰居節(jié)點,這樣可以有效地減少CSDP算法的計算時間,避免了隨著網(wǎng)絡(luò)中節(jié)點數(shù)量的增加而節(jié)點之間對比的次數(shù)顯著增加的情況.

定義5.節(jié)點相似度下閾值α,作為下一跳候選節(jié)點篩選標準.當(dāng)一個節(jié)點與其鄰居節(jié)點的相似度大于下閾值時,則將該鄰居節(jié)點作為下一跳候選節(jié)點.如果求得一個節(jié)點與其所有的鄰居節(jié)點的相似度都小于下閾值α,則選擇其中相似度最大的節(jié)點進行信息傳輸.

丙組40例患者應(yīng)用培美曲塞聯(lián)合順鉑治療，即給予患者靜脈滴注135 mg/m2培美曲塞+25mg/m2順鉑。

定義6.節(jié)點相似度上閾值β.在以人為載體的機會網(wǎng)絡(luò)中,如果一個節(jié)點與其一個鄰居節(jié)點的相似度大于上閾值β時,則表明該兩個節(jié)點的社會屬性十分相似,可能它們的移動軌跡,能接觸到的節(jié)點都沒有太大的區(qū)別,所以就沒有必要把這個鄰居節(jié)點作為下一跳的候選節(jié)點.如果一個節(jié)點與其所有鄰居節(jié)點的相似度都大于上閾值β,則選擇其中相似度最小的節(jié)點進行信息傳輸.

農(nóng)民是從事農(nóng)業(yè)生產(chǎn)的主體人員，因此農(nóng)民的自身素質(zhì)對于設(shè)施農(nóng)業(yè)的發(fā)展有直接影響。農(nóng)民對于機械的使用認識程度不高，是影響設(shè)施農(nóng)業(yè)發(fā)展的重要原因之一。所以，可以向農(nóng)民開展“如何致富”、“如何增加糧食產(chǎn)量”為主題的指導(dǎo)課程，通過課程向農(nóng)民講解設(shè)施農(nóng)業(yè)機械化的重要性，提高農(nóng)民對機械的使用意識和市場競爭意識，向農(nóng)民明確使用機械設(shè)施會減少人力勞動的投入、提高生產(chǎn)效率、科學(xué)的種植能夠提高農(nóng)作物的產(chǎn)量、能夠提高農(nóng)民的經(jīng)濟效益。農(nóng)民對于設(shè)施農(nóng)業(yè)有正確的認識，才能積極使用設(shè)施農(nóng)業(yè)機械設(shè)備，進而推動我國設(shè)施農(nóng)業(yè)的發(fā)展水平。

如果求得一個節(jié)點與一部分鄰居節(jié)點的相似度小于相似度下閾值α,而與剩下一部分鄰居節(jié)點的相似度大于相似度上閾值β,則在所有相似度小于下閾值α的鄰居節(jié)點中,選擇相似度最大的鄰居節(jié)點,以及在所有相似度大于上閾值β的鄰居節(jié)點中,選擇相似度最小的鄰居節(jié)點進行信息傳輸.

3.3 節(jié)點信息遍歷過

如圖2所示的子網(wǎng)絡(luò)拓撲結(jié)構(gòu)中每個節(jié)點維護一個緩沖區(qū),緩沖區(qū)中存放本節(jié)點和其他節(jié)點需要本節(jié)點轉(zhuǎn)發(fā)的數(shù)據(jù)分組,每個數(shù)據(jù)分組有一個全局唯一的標識.假設(shè)該子網(wǎng)絡(luò)拓撲結(jié)構(gòu)中每個節(jié)點的數(shù)據(jù)分組如表1所示.

4:Set:T.setRootNode(i);Ui;/*A set of neighbor nodes of node i*/

基于圖2的節(jié)點遍歷過程如下所示:

1)首先,初始化一顆有向樹Tree,把當(dāng)前要發(fā)送信息的節(jié)點V1作為根節(jié)點,按照與節(jié)點V1的傳輸距離依次將前K個鄰居節(jié)點插入樹中作為節(jié)點V1的子節(jié)點,如圖3所示.

①合并節(jié)點V1與V2數(shù)據(jù)分組合集:

D12=D1∪D2={b,c,d,j,p,k}

表1 節(jié)點數(shù)據(jù)分組
Table 1 Data packet of nodes

節(jié)點數(shù)據(jù)分組合集數(shù)據(jù)分組向量V1{b,c,j,k}(1,1,2,1)V2{d,j,p}(1,1,1)V3{a,c,d}(1,1,2)V4{a,e,k,o}(2,2,1,1)V5{a,e,j,k}(1,1,1,2)V6{a,b,j,k}(1,1,2,2)V7{b,p,n,t}(2,1,1,1)V8{d,g,h,n}(1,2,2,1)V9{c,k,m,n,p}(2,3,2,1,1)V10{b,a,e,k}(1,1,1,2)V11{a,e,j,k}(1,1,1,1)V12{a,c,j,p}(1,2,1,3)

②重新計算節(jié)點V1與V2的數(shù)據(jù)分組向量:

嗜水氣單胞菌、魯氏不動桿菌、溫和氣單胞菌等均可導(dǎo)致腐皮病的發(fā)生，外傷、營養(yǎng)不良和水質(zhì)惡化是該病發(fā)生的重要誘因。特別是在蛙池內(nèi)無飼料或投喂量不足時，會出現(xiàn)大蛙殘食小蛙現(xiàn)象，造成小蛙掙扎逃脫后頭背部位皮膚受損，誘發(fā)腐皮病。該病流行于夏、秋兩季，8-10月份是發(fā)病的高峰期。該病具有發(fā)病快、病期長、致死率高等特點，幼蛙死亡率高達90%，且常與紅腿病并發(fā)。

圖3 樹Tree結(jié)構(gòu)圖Fig.3 Structure of the Tree

③計算節(jié)點V1與V2的相似度:

(12)

根據(jù)上述節(jié)點V1與V2的計算過程,計算節(jié)點V1與V3、V4、V5、V6的相似度.結(jié)果如下:

SIM13≈0.15,SIM14≈0.12,SIM15≈0.57,SIM16≈0.84.

假設(shè)其中SIM13和SIM14都小于下閾值α;SIM16大于上閾值β;SIM12和SIM15的值位于下閾值和上閾值之間.

所以,將節(jié)點V3、V4和V6從樹Tree中刪除,留下節(jié)點V2與V5作為節(jié)點V1的下一跳,并把節(jié)點V2與V5的鄰居節(jié)點按照傳輸距離優(yōu)先將前K個節(jié)點插入樹中,作為相應(yīng)節(jié)點的子節(jié)點.此時,樹Tree的結(jié)構(gòu)圖如圖4所示.

一般說來，學(xué)者在進入村落進行調(diào)查的時候，多會尋找合適的合作者。他們不僅能夠提供豐富的鄉(xiāng)村生活資料，還能為學(xué)者搭建更多的田野關(guān)系提供便利。正如勞格文所言：

3)依次訪問節(jié)點V2的鄰居節(jié)點V7、V8與V9,以及節(jié)點V5的鄰居節(jié)點V10、V11、與V12,計算相應(yīng)節(jié)點之間的相似度.結(jié)果如下:

文獻[19]提出了噴灑等待(Spray and Wait)算法,該算法分為兩個階段:Spray階段,發(fā)送端將自身攜帶的報文信息按照一定的數(shù)量轉(zhuǎn)發(fā)出去,若沒有發(fā)送到接收端則進入Wait階段;Wait階段,攜帶該報文信息的節(jié)點通過直接傳遞的策略把信息傳輸?shù)浇邮斩?Spray and Wait算法的主要優(yōu)點就是路由開銷顯著地小于Epidemic算法,有更好的擴展性,能夠很好地適應(yīng)各種規(guī)模的機會網(wǎng)絡(luò).

SIM5,10≈0.86,SIM5,11≈0.96,SIM5,12≈0.20.

假設(shè)SIM27、SIM28和SIM29都小于下閾值α,此時將其中與節(jié)點V2相似度最大的節(jié)點V7保留,刪除剩余的節(jié)點V8與V9.

假設(shè)SIM5,10與SIM5,11均大于上閾值β,而SIM5,12小于下閾值α,則在小于下閾值的節(jié)點中保留相似度最大的節(jié)點V12,在大于上閾值的節(jié)點中保留相似度最小的節(jié)點V10,刪除剩余節(jié)點V11.

圖4 樹Tree結(jié)構(gòu)圖Fig.4 Structure of the Tree

此時,子網(wǎng)絡(luò)拓撲結(jié)構(gòu)已經(jīng)遍歷完畢,得到最終的有向樹Tree,如圖5所示,即為該子網(wǎng)絡(luò)的傳輸路徑圖.

圖5 傳輸路徑圖Fig.5 Transmission paths

3.4 算法設(shè)計

根據(jù)上一小節(jié)的節(jié)點在子網(wǎng)絡(luò)拓撲結(jié)構(gòu)中的遍歷過程推導(dǎo)出基于節(jié)點間數(shù)據(jù)分組余弦相似度的路由算法,具體的算法執(zhí)行過程如下:

2)創(chuàng)建當(dāng)前節(jié)點s的鄰居節(jié)點集合Us,若是在樹Tree中存在當(dāng)前節(jié)點s的父節(jié)點p,則創(chuàng)建父節(jié)點的鄰居節(jié)點集合Up,并作如下運算:Us=Us-(Us∩Up).

3)判斷集合Us中節(jié)點的個數(shù)是否大于K,若集合Us中的節(jié)點個數(shù)大于訪問控制數(shù)K,則對集合Us中的節(jié)點按照與當(dāng)前節(jié)點的傳輸距離由近至遠排序,將前K個節(jié)點一次插入樹Tree中,作為當(dāng)前節(jié)點s的子節(jié)點.

5)判斷當(dāng)前節(jié)點與各鄰居節(jié)點之間的相似度大小,選擇SIMsk值大小在下閾值α和上閾值β之間的節(jié)點作為下一跳,并將其余節(jié)點從樹中刪除.

如果與所有的鄰居節(jié)點的相似度都小于下閾值,即max(SIMsk)<α,則從中選擇相似度最大的鄰居節(jié)點,即max(SIMsk),作為下一跳,并將其余節(jié)點從樹中刪除;

如果min(SIMsk)>β,則選擇相似度最小的鄰居節(jié)點,即min(SIMsk),作為下一跳,并將其余節(jié)點從樹中刪除;

如果與一部分鄰居節(jié)點的相似度小于下閾值α,與剩余鄰居節(jié)點的相似度大于上閾值β,則在所有相似度小于下閾值α的鄰居節(jié)點中,選擇相似度最大的鄰居節(jié)點,以及在所有相似度大于上閾值β的鄰居節(jié)點中,選擇相似度最小的鄰居節(jié)點作為下一跳,并將其余節(jié)點從樹中刪除.

6)依次把當(dāng)前節(jié)點s在樹Tree中的所有子節(jié)點作為當(dāng)前節(jié)點,重復(fù)2)、3)、4)、5)、6),直至訪問完子網(wǎng)絡(luò)拓撲結(jié)構(gòu).

7)根據(jù)上述過程,最終可以得到一個樹Tree,可以得到一條或多條傳輸路徑,將當(dāng)前要發(fā)送信息的節(jié)點通過復(fù)制轉(zhuǎn)發(fā)策略在這些路徑上進行轉(zhuǎn)發(fā).

根據(jù)上述算法的推導(dǎo)過程,可以設(shè)計相似度算法,如下所示：

算法1.Opportunistic Network Routing Algorithm Based on Cosine similarity of data packets between nodes

1:Input:A graph G(V,E),a source S,Dz:Data packet aggregation of node z,Cz:Data packet weight vector of node z collection of z(z∈V);

2:Output:A or more paths.

3:Init:InitTree(T),CurrentNode(i,s);/*set the node s as the current node i*/

當(dāng)上述曲面為球面時，設(shè)球面為Sβ，如圖4所示，其中oimmobile-ximmobileyimmobilezimmobile為實驗室坐標系.此時，(10)式中的Gauss曲率K為球面半徑平方的倒數(shù).若沿Sβ上的一條閉曲線平移矢量一周后，與平移前相比的角度差別為：

5:if(Node p=T.getParentNode(i));Up;Ui=Ui-(Ui∩Up);

我一個很好的同事經(jīng)常和我抱怨類似的事情，他是一個對熟悉的人很隨和的人，但是卻很容易與其他專業(yè)的人員發(fā)生矛盾。在一次他在電話中的激烈爭吵后，我問其原因，他說，是由于對方人員提供的設(shè)計資料不夠規(guī)范，雖然資料已經(jīng)進行多次修改，但是還是沒有符合要求，于是對方人員誤以為是我方進行故意刁難，所以發(fā)生了激烈的爭吵。

/*if the node i has parent node p in the tree T,set the node sets of p,and delete the same part from the Uias Up*/

采用SPSS 20.0統(tǒng)計學(xué)軟件對數(shù)據(jù)進行處理，計量資料以“±s”表示；計數(shù)資料以百分數(shù)（%）表示，以P＜0.05為差異有統(tǒng)計學(xué)意義。

6:SortbyDistance(Us);Us.Delete(K);/*Sorting neighbor nodes in Uiaccording to the transmission distance,and delete the neighbor nodes after K*/

7:while(! Empty(Ui))

8:for(Neighbor j:Ui)

11:end for;

12:SelectSim(SIMij);T.setChildNode(i,j)/*select the similarity between r and R*/

13:If(all(SIMij)<αor all(SIMij)>β)selectNode(max(SIMij)or min(SIMij));

T.setChildNode(i,j);

14:If(onePart(SIMij)<αand theRest(SIMij)>β)selectNode(max(onePart)and min(theRest));T.setChildNode(i,j);

15:for(ChildNode k:T.getChildNode(i))

16:CurrentNode(i,k),continue;

17:end for;

18:Node p=T.getParentNode(i);Up;

Ui= Ui- Up;Sort(Ui);Ui.Delete(K);

19:end while;

20:getPath(T);/*Gets the transmission paths based on the tree T*/

上述算法的執(zhí)行主體是一個雙層嵌套循環(huán),用來計算當(dāng)前節(jié)點和鄰居節(jié)點之間的相似程度,并對其作一定規(guī)則的篩選,選擇出合適的下一跳節(jié)點.整個算法的時間復(fù)雜度為O(n2),算法的復(fù)雜度相對較高,整個計算過程會占用大量的時間,容易造成高的傳輸延遲,但是由于定義了鄰居節(jié)點訪問控制數(shù)K,將要訪問的鄰居節(jié)點控制在一定的范圍內(nèi),有效地降低了計算過程需要消耗的時間.

4 實驗結(jié)果與分析

針對上述過程提出的CSDP路由算法,本文將采用機會網(wǎng)絡(luò)仿真平臺ONE,并于傳統(tǒng)的路由算法Spray and Wait(S&W)算法和Epidemic算法進行方針實驗對比.文中將選用傳輸成功率、傳輸延遲和路由開銷這三個指標對上述的三個算法進行比較分析.仿真場景設(shè)置如表2所示.

表2 仿真場景設(shè)置
Table 2 Simulation parameter setting

參數(shù)值模擬時間15h模擬區(qū)域范圍4500m*3000m節(jié)點移動速度2～10(m/s)節(jié)點傳輸速率300kb/s最大傳輸范圍10m傳輸方式廣播通信方式藍牙節(jié)點緩存大小15MB數(shù)據(jù)分組大小25kb～100kb數(shù)據(jù)分組生成頻度25～35s

表3為算法參數(shù)設(shè)置,通過多次的仿真實驗表明,當(dāng)下閾值α=0.26,上閾值β=0.83時,CSDP算法的綜合性能相對較好,且鄰居節(jié)點訪問控制數(shù)K位6或7時,不會顯著地增加節(jié)點之間的比較次數(shù),可以有效地降低算法的執(zhí)行時間.

表3 算法參數(shù)設(shè)置
Table 3 Algorithm parameter setting

參數(shù)值α0.26β0.83K6、7

下面是CSDP算法、S&W算法和Epidemic算法在不同情況下的分析比較.圖6為三種路由算法在不同的節(jié)點緩存的情況下傳輸成功率.

圖6 傳輸成功率(節(jié)點緩存)Fig.6 Deliver ratio(node cache)

根據(jù)圖6可知,節(jié)點緩存大小對CSDP算法傳輸成功率的影響最為顯著.在節(jié)點緩存非常小的情況下,三種算法的傳輸成功率都很低,隨著節(jié)點緩存的不斷增大,三種算法的傳輸成功率都呈現(xiàn)出了不同程度的增長趨勢.S&W算法和Epidemic算法的傳輸成功率呈現(xiàn)出了緩慢的增長趨勢,當(dāng)節(jié)點緩存在50M時,S&W算法和Epidemic算法的傳輸成功率分別維持在60%和50%左右.而CSDP算法的傳輸成功率的增長趨勢比較快速,當(dāng)節(jié)點緩存在25M時,CSDP算法的傳輸成功率就已經(jīng)達到了S&W算法和Epidemic算法的最高水平,最終,CSDP算法的傳輸成功率可以達到85%左右.

圖7為節(jié)點數(shù)量對三種算法傳輸成功率的影響.整體趨勢和節(jié)點緩存比較相似,不同的是,在節(jié)點緩存不斷變大的情況下,Epidemic算法的傳輸成功率一直高于S&W算法,而在節(jié)點數(shù)量不斷增多時,S&W算法的傳輸成功率一直高于Epidemic算法.這說明Epidemic算法比較依賴節(jié)點的緩存大小,而S&W算法比較依賴網(wǎng)絡(luò)中的節(jié)點數(shù)量.當(dāng)網(wǎng)絡(luò)中的節(jié)點數(shù)量達到600時,Epidemic算法和S&W算法和的傳輸成功率分別為45%和55%,而CSDP算法的傳輸成功率高達80%左右.

圖7 傳輸成功率Fig.7 Deliver ratio

圖8為三種算法的傳輸延遲在節(jié)點數(shù)不同情況下的表現(xiàn).CSDP算法的傳輸延遲受節(jié)點變化的影響最小,S&W算法和Epidemic算法的傳輸延遲呈現(xiàn)出相同的增長趨勢.在節(jié)點數(shù)為600的情況下,Epidemic算法和S&W算法的傳輸延遲分別高達6500和5500左右.而CSDP算法傳輸延遲的增長速度比較緩慢,在節(jié)點數(shù)大于400以后,CSDP算法的傳輸延遲一直維持在3000上下,要比S&W算法低2500,還不到Epidemic算法的二分之一.

圖8 傳輸延遲Fig.8 Delivery delay

圖9為節(jié)點數(shù)對三種算法路由開銷的影響.隨著節(jié)點數(shù)不斷增加,三種算法的路由開銷呈現(xiàn)出不同的增長趨勢.其中,Epidemic算法的路由開銷增長速率最快,約為Epidemic算法的兩倍,約為CSDP算法的三倍.當(dāng)網(wǎng)絡(luò)中的節(jié)點數(shù)高達600時,S&W算法在2500左右,Epidemic算法的路由開銷在4500左右,而CSDP算法的路由開銷最低,在1500左右.因為Epidemic算法是基于泛洪策略,會在網(wǎng)絡(luò)中產(chǎn)生大量的副本消息,造成網(wǎng)絡(luò)的路由開銷過大,而CSDP算法則是基于節(jié)點之間的關(guān)系進行信息轉(zhuǎn)發(fā),不會在網(wǎng)絡(luò)中產(chǎn)生過多的副本消息.

圖9 路由開銷Fig.9 Routing overhead

上述的仿真結(jié)果表明,相對于傳統(tǒng)的路由算法,S&W算法和Epidemic算法,CSDP算法更加適應(yīng)機會網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)發(fā),可以有效地提高傳輸成功率,并降低網(wǎng)絡(luò)的傳輸延遲以及路由開銷.

5 結(jié)束語

對于機會網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)發(fā)過程中存在的問題,本文從節(jié)點間關(guān)系進行分析,提出了基于節(jié)點間數(shù)據(jù)分組余弦相似度的轉(zhuǎn)發(fā)策略,通過計算節(jié)點間數(shù)據(jù)分組的余弦相似度來定義節(jié)點間社會關(guān)系的強弱,并通過一系列閾值的定義,用來篩選鄰居節(jié)點,最終可以在子網(wǎng)中得到多條有效的傳輸路徑.通過仿真實驗表明,CSDP算法要比傳統(tǒng)的路由算法S&W 和Epidemic效果好很多,CSDP算法在提高機會網(wǎng)絡(luò)傳輸成功率的同時,可以有效地減少傳輸延遲,降低路由開銷.實際上,節(jié)點的社會屬性是十分復(fù)雜的,消息在節(jié)點間的傳播過程會受到各種因素的影響,如節(jié)點的移動模型,以及節(jié)點所在的社群等等,對上述因素進行綜合分析是下一步工作的重點.