基于MANET的實(shí)體移動(dòng)模型研究

摘 要：在移動(dòng)自組網(wǎng)仿真研究中，實(shí)體移動(dòng)模型作為研究移動(dòng)自組網(wǎng)的基礎(chǔ)，對(duì)網(wǎng)絡(luò)仿真結(jié)果有重要影響。根據(jù)移動(dòng)實(shí)體特性將實(shí)體移動(dòng)模型分為隨機(jī)移動(dòng)、時(shí)間相關(guān)、空間相關(guān)和地理環(huán)境相關(guān)4類，對(duì)各模型的移動(dòng)規(guī)律及優(yōu)缺點(diǎn)作詳實(shí)描述，利用Bonnmotion和NS3仿真軟件生成實(shí)體移動(dòng)模型的節(jié)點(diǎn)信息并繪制了相應(yīng)的移動(dòng)軌跡，分析各實(shí)體移動(dòng)模型的特點(diǎn)及其適用場(chǎng)景，可為移動(dòng)自組網(wǎng)研究中實(shí)體移動(dòng)模型選取提供參考。

關(guān)鍵詞關(guān)鍵詞：移動(dòng)自組網(wǎng)；實(shí)體移動(dòng)模型；移動(dòng)節(jié)點(diǎn)；Bonnmotion；NS3

DOIDOI：10.11907/rjdk.162053

中圖分類號(hào)：TP302

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：16727800（2016）011003003

基金項(xiàng)目基金項(xiàng)目：

作者簡(jiǎn)介作者簡(jiǎn)介：郭子立（1991-），男，江蘇連云港人，上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院碩士研究生，研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)、智能優(yōu)化算法。

0 引言

移動(dòng)自組網(wǎng)（Mobile Ad hoc Network， MANET）是由多個(gè)移動(dòng)節(jié)點(diǎn)組成的分布式多跳網(wǎng)絡(luò)，具有靈活性好、覆蓋范圍廣、系統(tǒng)容量大等特點(diǎn)，在會(huì)議展覽、搶險(xiǎn)救災(zāi)和前方戰(zhàn)場(chǎng)等場(chǎng)景中發(fā)揮著重要作用[1]。MANET的核心是路由協(xié)議，而移動(dòng)實(shí)體的移動(dòng)特性對(duì)網(wǎng)絡(luò)的路由協(xié)議和拓?fù)浣Y(jié)構(gòu)具有重要影響，因此選取合適的實(shí)體移動(dòng)模型是研究MANET的關(guān)鍵。

實(shí)體移動(dòng)模型主要描述移動(dòng)實(shí)體的速度、方向和目的地等移動(dòng)屬性，用來(lái)反映移動(dòng)實(shí)體運(yùn)動(dòng)軌跡的移動(dòng)特點(diǎn)和移動(dòng)規(guī)律，被廣泛應(yīng)用于無(wú)線網(wǎng)絡(luò)規(guī)劃、算法性能評(píng)價(jià)和蜂窩網(wǎng)絡(luò)性能預(yù)測(cè)等[2]。本文按移動(dòng)特性將實(shí)體移動(dòng)模型分為以下4類：隨機(jī)移動(dòng)模型、具有時(shí)間相關(guān)性的移動(dòng)模型、具有空間相關(guān)性的移動(dòng)模型和具有地理環(huán)境相關(guān)性的移動(dòng)模型[3]。

1 實(shí)體移動(dòng)模型研究

1.1 隨機(jī)移動(dòng)模型

在隨機(jī)移動(dòng)模型中，節(jié)點(diǎn)自由移動(dòng)，速度、方向和目標(biāo)位置等移動(dòng)屬性都是隨機(jī)選擇的，與先前節(jié)點(diǎn)無(wú)關(guān)。由于節(jié)點(diǎn)當(dāng)前時(shí)刻的速度和方向與前一時(shí)刻的速度和方向不相關(guān)，這類移動(dòng)模型通常被看作是無(wú)記憶的。

1.1.1 隨機(jī)漫步模型

隨機(jī)漫步模型最初是由Albert Einstein[4]提出的，用來(lái)仿真微觀粒子的不規(guī)則運(yùn)動(dòng)。在該移動(dòng)模型中，移動(dòng)節(jié)點(diǎn)隨機(jī)選擇速度和方向從一個(gè)位置移動(dòng)到另一個(gè)位置，方向、速度分別在[0， 2π]和[speedmin， speedmax]范圍內(nèi)。該模型每隔一個(gè)固定的時(shí)間間隔t或者固定的移動(dòng)距離d進(jìn)行一次移動(dòng)，每一次移動(dòng)后都會(huì)計(jì)算出一個(gè)新的方向和速度。在隨機(jī)漫步模型中，一旦移動(dòng)節(jié)點(diǎn)到達(dá)仿真邊界，就會(huì)按引入的角度反彈回去繼續(xù)移動(dòng)。目前，隨機(jī)漫步模型包含一維、二維甚至多維漫步模型等多個(gè)種類，雖然該模型簡(jiǎn)單便捷，易于實(shí)現(xiàn)，但因?yàn)樗且粋€(gè)非記憶性的移動(dòng)模型，無(wú)法保留先前節(jié)點(diǎn)的方向和速度，所以產(chǎn)生的是急轉(zhuǎn)和急停等完全不真實(shí)的運(yùn)動(dòng)。本文通過(guò)Bonnmotion工具生成實(shí)體移動(dòng)模型的節(jié)點(diǎn)信息，在此基礎(chǔ)上采用NS3仿真軟件繪制節(jié)點(diǎn)的運(yùn)動(dòng)軌跡，隨機(jī)漫步模型中節(jié)點(diǎn)的運(yùn)動(dòng)軌跡如圖1所示。

1.1.2 隨機(jī)路點(diǎn)模型

目前應(yīng)用最廣的隨機(jī)移動(dòng)模型是隨機(jī)路點(diǎn)模型RWP（RandomWaypoint），由于該模型簡(jiǎn)單實(shí)用，很快成為評(píng)價(jià)MANET路由協(xié)議的基準(zhǔn)。在隨機(jī)路點(diǎn)模型中，節(jié)點(diǎn)隨機(jī)選擇移動(dòng)區(qū)域內(nèi)的一個(gè)目標(biāo)位置（x，y）和[vmin，vmax]范圍內(nèi)的速度v，然后節(jié)點(diǎn)以速度v向選擇的目標(biāo)位置（x，y）移動(dòng)，一旦到達(dá)目標(biāo)位置，移動(dòng)節(jié)點(diǎn)選擇下一次移動(dòng)的目標(biāo)位置和速度，停留一段時(shí)間后繼續(xù)移動(dòng)，如此循環(huán)往復(fù)。圖2為隨機(jī)路點(diǎn)模型中節(jié)點(diǎn)在400×200區(qū)域內(nèi)的移動(dòng)軌跡。

隨機(jī)路點(diǎn)模型中會(huì)出現(xiàn)密度波現(xiàn)象，密度波指的是指定仿真區(qū)域內(nèi)節(jié)點(diǎn)的聚集[5]（通常出現(xiàn)在仿真區(qū)域中心）。在隨機(jī)路點(diǎn)模型中，下一目標(biāo)位置是隨機(jī)選擇的，當(dāng)節(jié)點(diǎn)處于網(wǎng)絡(luò)中心位置偏右時(shí)，下一目標(biāo)位置在當(dāng)前位置左側(cè)的概率更高，因此更有可能選擇向左運(yùn)動(dòng)；同樣，當(dāng)節(jié)點(diǎn)處于網(wǎng)絡(luò)中心位置偏左時(shí)，選擇向右運(yùn)動(dòng)的概率更高。這就導(dǎo)致了節(jié)點(diǎn)的分布不均勻——仿真區(qū)域的中心部分出現(xiàn)節(jié)點(diǎn)的聚集，這一現(xiàn)象稱之為密度波（Density Wave）。

1.1.3 隨機(jī)方向模型

為了克服移動(dòng)節(jié)點(diǎn)不均勻的空間分布，解決密度波的問(wèn)題，Royer和Moser等[6]提出了隨機(jī)方向移動(dòng)模型。隨機(jī)方向模型中移動(dòng)節(jié)點(diǎn)不是在仿真區(qū)域內(nèi)隨機(jī)選擇的目標(biāo)位置，而是從[0，2π]內(nèi)隨機(jī)選擇一個(gè)方向，以一定的速度移動(dòng)到仿真區(qū)域的邊界，停留一段時(shí)間T，再?gòu)腫0，π]內(nèi)隨機(jī)選擇一個(gè)新的方向向下一個(gè)目標(biāo)位置移動(dòng)，如此循環(huán)往復(fù)。通過(guò)這種方式，能夠?qū)崿F(xiàn)節(jié)點(diǎn)在仿真區(qū)域內(nèi)的均勻分布。隨機(jī)方向模型中節(jié)點(diǎn)的軌跡如圖3所示。

1.2 具有時(shí)間相關(guān)性的移動(dòng)模型

當(dāng)節(jié)點(diǎn)的運(yùn)動(dòng)與時(shí)間相關(guān)時(shí)，意味著節(jié)點(diǎn)的移動(dòng)是被運(yùn)動(dòng)學(xué)物理定律所支配的，并且當(dāng)前時(shí)刻的移動(dòng)與先前時(shí)刻的移動(dòng)密切相關(guān)。例如，節(jié)點(diǎn)當(dāng)前速度依賴于先前時(shí)刻的速度，并且大多數(shù)情況下節(jié)點(diǎn)沿著給定的路徑移動(dòng)。

1.2.1 高斯—馬爾科夫模型

高斯—馬爾科夫模型最初是由Liang和Haas提出的，用來(lái)實(shí)現(xiàn)個(gè)人通信系統(tǒng)PCS（Personal Communication System）的仿真。該模型中，節(jié)點(diǎn)起始時(shí)具有當(dāng)前速度和方向，每隔一個(gè)固定的時(shí)間間隔，節(jié)點(diǎn)對(duì)速度和方向進(jìn)行更新，節(jié)點(diǎn)在t時(shí)刻的速度和方向在t-1時(shí)刻的基礎(chǔ)上根據(jù)式（1）和式（2）求得：

式中Vt和dt分別表示節(jié)點(diǎn)在t時(shí)刻的速度和方向，α表示記憶水平，Wt-1和Zt-1是均值為0，方差為σ2的高斯分布隨機(jī)變量，和分別表示當(dāng)t→∞時(shí)速度和方向的平均值[7]。

圖4為高斯-馬爾科夫移動(dòng)模型中節(jié)點(diǎn)的運(yùn)動(dòng)軌跡。高斯-馬爾科夫模型中的節(jié)點(diǎn)被迫與仿真邊界保持距離，一旦接近邊界就改變它的方向，記憶水平α決定了節(jié)點(diǎn)移動(dòng)與時(shí)間的相關(guān)性，α的取值范圍是[0， 1]，α越接近1，節(jié)點(diǎn)當(dāng)前速度和先前速度的相關(guān)性越大。

1.2.2 無(wú)限仿真域模型

無(wú)限仿真域模型中，移動(dòng)節(jié)點(diǎn)當(dāng)前時(shí)刻的方向和速度與先前時(shí)刻相關(guān)，速度向量=（v，θ）用來(lái)描述移動(dòng)節(jié)點(diǎn)的速度v和方向θ，移動(dòng)節(jié)點(diǎn)的坐標(biāo)用（x， y）表示，速度和位置采用以下公式每隔Δt時(shí)間更新一次：

其中，Vmax表示最大速度，Δv表示移動(dòng)節(jié)點(diǎn)在均勻分布區(qū)間[-Amax·Δt，Amax·Δt]上速度的變化，Amax是節(jié)點(diǎn)的最大加速度，Δθ是節(jié)點(diǎn)在均勻分布區(qū)間[-α·Δt，α·Δt]上角度的變化，α表示節(jié)點(diǎn)在移動(dòng)方向上的最大角改變[8]。在無(wú)限仿真域移動(dòng)模型中，節(jié)點(diǎn)到達(dá)仿真域邊界后重新出現(xiàn)在仿真域的另一面繼續(xù)移動(dòng)，該方法產(chǎn)生了允許移動(dòng)節(jié)點(diǎn)進(jìn)行無(wú)障礙移動(dòng)的圓環(huán)形仿真區(qū)域。

1.3 具有空間相關(guān)性的移動(dòng)模型

節(jié)點(diǎn)移動(dòng)并不都是隨機(jī)的或有時(shí)間相關(guān)性的，在很多場(chǎng)景中，節(jié)點(diǎn)的目標(biāo)位置可能和當(dāng)前位置有關(guān)。當(dāng)移動(dòng)節(jié)點(diǎn)下一時(shí)刻的位置和當(dāng)前時(shí)刻的位置呈概率相關(guān)時(shí)，這樣的移動(dòng)模型就被稱作具有空間相關(guān)性，較為典型的是基于概率矩陣的隨機(jī)漫步模型。

基于概率矩陣的隨機(jī)漫步模型采用概率矩陣P來(lái)決定下一時(shí)刻移動(dòng)節(jié)點(diǎn)的位置，其中，矩陣的x坐標(biāo)和y坐標(biāo)分別表示三個(gè)不同的狀態(tài)。狀態(tài)0表示節(jié)點(diǎn)的當(dāng)前位置，狀態(tài)1表示先前位置，狀態(tài)2表示節(jié)點(diǎn)保持同一方向移動(dòng)時(shí)的下一個(gè)位置[9]。狀態(tài)矩陣P如下所示：

P=P（0，0）P（0，1）P（0，2）P（1，0）P（1，1）P（1，2）P（2，0）P（2，1）P（2，2）（7）

其中，P（x， y）表示節(jié)點(diǎn)從狀態(tài)x向狀態(tài)y轉(zhuǎn)移的概率，矩陣P的值用來(lái)更新移動(dòng)節(jié)點(diǎn)的x坐標(biāo)和y坐標(biāo)。該模型產(chǎn)生了概率性的而不是完全隨機(jī)的移動(dòng)方式，更加符合實(shí)際的移動(dòng)行為，但是當(dāng)實(shí)體移動(dòng)模型仿真場(chǎng)景的路徑數(shù)據(jù)無(wú)法獲得時(shí)，選擇合適的P（x，y）值可能比較困難。

1.4 具有地理環(huán)境相關(guān)性的移動(dòng)模型

當(dāng)節(jié)點(diǎn)的移動(dòng)被限制在會(huì)議區(qū)域或者校園等有邊界的區(qū)域內(nèi)時(shí)，所產(chǎn)生的移動(dòng)模型被稱為具有地理環(huán)境相關(guān)性的移動(dòng)模型，其中最為常見(jiàn)且應(yīng)用較多的是曼哈頓移動(dòng)模型。

曼哈頓移動(dòng)模型（Manhattan Mobility Model）起源于對(duì)曼哈頓城區(qū)的移動(dòng)建模，該模型仿真區(qū)域以仿真開始時(shí)生成的地圖為特征，仿真區(qū)域包含了多條垂直或水平的道路，并且允許節(jié)點(diǎn)進(jìn)行多個(gè)方向的移動(dòng)[10]。仿真初始化時(shí)，節(jié)點(diǎn)在仿真區(qū)域的隨機(jī)路段上，在先前速度的基礎(chǔ)上按照式（8）進(jìn)行移動(dòng)：

式中V（t）表示節(jié)點(diǎn)在t時(shí)刻的速度，φ是在區(qū)間[-1，1]內(nèi)的隨機(jī)值，A（t）表示節(jié)點(diǎn)的加速常數(shù)。節(jié)點(diǎn)移動(dòng)到十字路口時(shí)，隨機(jī)選擇一個(gè)方向運(yùn)動(dòng)，可以轉(zhuǎn)彎也可以繼續(xù)直行，轉(zhuǎn)彎的概率可以按照需要進(jìn)行設(shè)置。

2 實(shí)體移動(dòng)模型特點(diǎn)及適用場(chǎng)景

隨機(jī)路點(diǎn)模型被應(yīng)用在許多著名的Ad Hoc網(wǎng)絡(luò)協(xié)議仿真研究中，它靈活多樣，與行人實(shí)際移動(dòng)狀態(tài)更為接近，適用于會(huì)議和博物館等場(chǎng)景。隨機(jī)方向移動(dòng)模型是不現(xiàn)實(shí)的，因?yàn)樾腥瞬豢赡茉谀骋粋€(gè)區(qū)域內(nèi)均勻地分布，并且不可能只在一個(gè)給定的區(qū)域邊界上停留。無(wú)限仿真域模型提供了和現(xiàn)實(shí)更為接近的行人移動(dòng)模式，它是唯一一個(gè)允許移動(dòng)節(jié)點(diǎn)在仿真內(nèi)區(qū)域內(nèi)進(jìn)行無(wú)障礙移動(dòng)的模型，消除了區(qū)域邊界對(duì)性能評(píng)估的影響，但它帶來(lái)的負(fù)面影響是移動(dòng)節(jié)點(diǎn)會(huì)沿著環(huán)形區(qū)域來(lái)回移動(dòng)。高斯—馬爾科夫移動(dòng)模型也提供了符合實(shí)際的移動(dòng)場(chǎng)景（如果選擇的參數(shù)適當(dāng)），該模型為了避免邊界的影響，迫使移動(dòng)節(jié)點(diǎn)遠(yuǎn)離仿真區(qū)域邊界的方法值得關(guān)注。基于概率矩陣的隨機(jī)漫步模型也提供了和實(shí)際較為符合的模型，但是為概率矩陣選擇合適的參數(shù)可能較為困難。當(dāng)獲取到場(chǎng)景的路徑數(shù)據(jù)的時(shí)候，該模型的作用將更為顯著。曼哈頓移動(dòng)模型建立了一個(gè)近似真實(shí)的城區(qū)場(chǎng)景，因?yàn)樗鼑?yán)格限制了移動(dòng)節(jié)點(diǎn)的移動(dòng)方式，節(jié)點(diǎn)在障礙物和交通規(guī)則的限制下無(wú)法自由移動(dòng)，所以該模型需要進(jìn)一步結(jié)合實(shí)際城區(qū)地圖使用。

3 結(jié)語(yǔ)

實(shí)體移動(dòng)模型的研究對(duì)MANET路由協(xié)議和拓?fù)浣Y(jié)構(gòu)具有重要影響，選取合適的實(shí)體移動(dòng)模型是研究移動(dòng)自組網(wǎng)的關(guān)鍵。本文針對(duì)實(shí)體移動(dòng)模型進(jìn)行了分類，結(jié)合NS3仿真軟件描述了各模型中移動(dòng)實(shí)體運(yùn)動(dòng)軌跡的特點(diǎn)及其規(guī)律。實(shí)體移動(dòng)模型的研究具有廣泛的應(yīng)用前景，在后續(xù)研究中，可結(jié)合移動(dòng)實(shí)體的定位數(shù)據(jù)和地圖信息，對(duì)移動(dòng)實(shí)體的運(yùn)動(dòng)軌跡進(jìn)行跟蹤和預(yù)測(cè)，實(shí)現(xiàn)預(yù)測(cè)移動(dòng)性管理。

參考文獻(xiàn)：

[1] 蒲云花， 陳世平. 改進(jìn)蟻群算法在移動(dòng)自組網(wǎng)中的研究[J]. 計(jì)算機(jī)應(yīng)用研究， 2015， 32（2）： 574578.

[2] 劉珩， 安建平. MANET移動(dòng)模型分析與仿真實(shí)驗(yàn)[J]. 計(jì)算機(jī)工程，2006，32（17）：3840.

[3] 盧山， 宋志群， 賈倩. 基于車隊(duì)行進(jìn)場(chǎng)景的MANET移動(dòng)模型研究[J]. 無(wú)線電通信技術(shù)，2016，42（1）：911，17.

[4] 童超， 牛建偉， 龍翔， 高小鵬. 移動(dòng)模型研究綜述[J]. 計(jì)算機(jī)科學(xué)， 2009，36（10）：510， 85.

[5] RAKESH KUMAR， MAYANK DAVE. Mobility models and their affect on data aggregation and dissemination in vehicular networks[J]. Wireless Pers Commun，2014（79）：22372269.

[6] 劉宴濤， 安建平. 自組織網(wǎng)絡(luò)隨機(jī)方向模型的漸近節(jié)點(diǎn)分布[J]. 北京理工大學(xué)學(xué)報(bào)， 2010，30（6）：723726.

[7] 靳超， 李德敏， 佟樂(lè)， 陳鳳偉. 一種高斯馬爾科夫自組網(wǎng)組移動(dòng)模型[J]. 通信技術(shù)， 2011，44（2）：5961.

[8] Z J HAAS. A new routing protocol for reconfigurable wireless networks[J]. IEEE International Conference Publications，1997（2）：562566.

[9] 江秀紅， 段富海， 金霞， 魏學(xué)東. 狀態(tài)概率矩陣及其在GO法中應(yīng)用[J]. 大連理工大學(xué)學(xué)報(bào)，2014，54（2）：176181.

[10] 彭敏. 延遲容忍網(wǎng)絡(luò)中移動(dòng)模型與路由技術(shù)研究[D]. 合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2010.

（責(zé)任編輯：陳福時(shí)）