鏈路預測模型下的無人機網(wǎng)關選擇算法

姚玉坤,宋威威,李其超,張云霞

(重慶郵電大學 通信與信息工程學院,重慶 400065)

1 引 言

近年來,無人機(unmanned aerial vehicle,UAV)已廣泛地用于軍事和民用領域[1].由于單個無人機的工作能力有限,尤其是對于中小型無人機來說,構成無人機自組網(wǎng)(UAV Ad Hoc Networks)來增加無人機工作范圍,提高無人機的執(zhí)行復雜任務的能力[2].根據(jù)無人機的現(xiàn)有應用,無人機的兩種主要的通信需求是:發(fā)回傳感器數(shù)據(jù)、接收控制命令[2,3].如圖1所示,無人機自組網(wǎng)網(wǎng)絡在空中建立后,無人機網(wǎng)絡與地面控制站(ground control station,GCS)的通信任務全部由網(wǎng)關節(jié)點完成,無人機網(wǎng)關節(jié)點與地面控制站的通信通常由高功率無線通信支持.所有無人機采集到的數(shù)據(jù)都要經(jīng)過網(wǎng)關才能發(fā)送到地面控制站,如何最大程度上維持無人機網(wǎng)關與地面控制站之間的數(shù)據(jù)鏈路是無人機網(wǎng)絡和地面控制站通信中的關鍵問題[4].本研究的對象是中小型無人機,無人機離開地面站的控制會失聯(lián);另外,無人機的軌跡是不確定的,是根據(jù)任務動態(tài)調(diào)整的;此外,本文的研究是在網(wǎng)絡層,不考慮通信電磁等外部條件導致的通信干擾.

無人機自組網(wǎng)的網(wǎng)關選擇與無線傳感器網(wǎng)絡和Ad Hoc網(wǎng)絡的簇頭選擇非常相似,例如文獻[5]中的場景就是節(jié)點收集信息并最終將其傳送給基站.目前,對于移動自組網(wǎng)分簇算法的研究都比較成熟,包括最小ID算法[6]、CONID算法[7]等;已有一些學者通過借鑒現(xiàn)有的分簇算法并考慮到無人機自組網(wǎng)中的節(jié)點高速移動問題提出了改進的無人機自組網(wǎng)分簇算法和網(wǎng)關選擇算法.CONID算法是最小ID算法的改進算法[7],將連通性視為主要的考慮因素,但是在無人機自組網(wǎng)中無人機節(jié)點高速移動,導致節(jié)點的連通性變化較快,因此使用該算法會導致簇頭頻繁的切換.文獻[8]提出了一種近空間無人機分簇算法.該算法通過綜合考慮無人機之間的連接時間、節(jié)點度、無人機和浮空器之間連接時間這些因素進行簇頭選舉.該算法在計算無人機與浮空器鏈路持續(xù)時間時假設無人機速度大小方向不變,由于無人機執(zhí)行任務時其飛行速度和方向是動態(tài)變化的,因此這樣的計算方法往往只在較短的時間內(nèi)才比較準確,顯然不適合用于計算無人機網(wǎng)關節(jié)點和地面控制站之間較長的鏈路連接時間.文獻[9]提出了無人機網(wǎng)絡分布式網(wǎng)關選擇算法.該算法考慮到了分區(qū)邊界對無人機穩(wěn)定性的影響并建立了數(shù)學模型,因此其節(jié)點穩(wěn)定性的計算更能反映無人機鏈路實際的連接情況.但是,該算法在選擇網(wǎng)關時首先從滿足穩(wěn)定性閾值要求的節(jié)點中選出潛在網(wǎng)關,然后使用隨機延遲機制從潛在網(wǎng)關中隨機產(chǎn)生網(wǎng)關節(jié)點.因此最終產(chǎn)生的網(wǎng)關很可能不是穩(wěn)定性值最大的節(jié)點,甚至存在另外的潛在網(wǎng)關節(jié)點的穩(wěn)定性值比最終產(chǎn)生的網(wǎng)關節(jié)點穩(wěn)定性值大很多,這樣就會造成下一輪的網(wǎng)關節(jié)點選擇過程中可能會再次將網(wǎng)關節(jié)點切換到穩(wěn)定性值更大的節(jié)點,顯然增加了不必要的網(wǎng)關節(jié)點切換次數(shù),從而帶來更長的通信延遲并降低了網(wǎng)絡整體的吞吐量.

圖1 無人機自組網(wǎng)網(wǎng)絡模型Fig.1 Network model of UAV Ad Hoc networks

文中通過對相關文獻的研究,提出了一種基于無人機-地面控制站鏈路狀態(tài)預測的網(wǎng)關選擇算法.首先,該算法中無人機根據(jù)自身歷史位置記錄信息得出無人機與地面控制站之間鏈路狀態(tài)歷史信息,建立馬爾科夫預測模型用于計算該鏈路狀態(tài)從“連通”到“連通”馬爾科夫預測概率;其次,構建基于無人機運動趨勢的無人機-地面控制站鏈路狀態(tài)預測的數(shù)學模型,通過無人機近期的運動趨勢記錄和該預測概率計算模型得出基于近期運動趨勢的預測結果,之后,綜合基于無人機活動模型的預測結果和基于無人機近期運動趨勢的預測結果得出最終的無人機-地面控制站鏈路狀態(tài)預測概率.最后,在潛在網(wǎng)關成為網(wǎng)關的過程中采用了函數(shù)計時機制,從潛在網(wǎng)關的產(chǎn)生到其廣播網(wǎng)關通告消息的延遲時間根據(jù)無人機節(jié)點穩(wěn)定性和無人機與地面控制站鏈路狀態(tài)預測結果加權計算得出,無人機節(jié)點穩(wěn)定性和無人機-地面控制站鏈路預測概率越大則計算出的延遲時間越小,因此可以選擇出參數(shù)最優(yōu)的節(jié)點作為網(wǎng)關節(jié)點.由此選出的網(wǎng)關節(jié)點可以較長時間的在地面控制站通信范圍內(nèi)持續(xù)工作,減少切換次數(shù),提高無人機自組網(wǎng)通信的穩(wěn)定性,降低無人機網(wǎng)絡高動態(tài)特性給無人機與地面控制站數(shù)據(jù)傳輸?shù)耐ㄐ艜r延和吞吐量帶來的不利影響.

2 人機-地面控制站鏈路狀態(tài)預測機制

2.1 基于無人機節(jié)點活動模型的預測

在無人機網(wǎng)絡中,一架無人機的移動通常是由其任務驅動的,大多數(shù)無人機的位置與地面任務有關,部分無人機可能在大部分的時間內(nèi)在地面控制站的通信范圍內(nèi)執(zhí)行任務,部分無人機可能在小部分時間內(nèi)地面控制站的通信范圍內(nèi)執(zhí)行任務,如圖2所示為某無人機歷史軌跡示意圖,可知該無人機執(zhí)行任務的區(qū)域大部分都在地面控制站的通信范圍內(nèi),我們可以根據(jù)無人機歷史位置信息和當前時刻無人機的位置情況來預測未來一段時間內(nèi)無人機仍將處于地面控制站的通信范圍的概率大小.我們把無人機和地面控制站之間的鏈路狀態(tài)分為“連通”和“中斷”,簡稱“通”和“斷”,則可以根據(jù)無人機當前時刻與地面控制站鏈路的狀態(tài)和歷史信息來預測未來一段時間內(nèi)無人機與地面控制站鏈路的狀態(tài).因為只有當無人機和地面控制站之間的鏈路暢通時才可以被選為網(wǎng)關,因此網(wǎng)關的首要條件就是當前時刻要在地面控制站的通信范圍內(nèi),故我們對無人機-地面控制站鏈路狀態(tài)的預測主要是為了得到“通”到“通”的條件預測概率,這里根據(jù)馬爾科夫預測模型的思想,提出基于馬爾科夫的無人機-地面控制站狀態(tài)活動模型,該模型考慮兩個相鄰時間段無人機-地面控制站鏈路狀態(tài)間的轉換,對無人機-地面控制站鏈路狀態(tài)的歷史記錄進行建模,由鏈路狀態(tài)轉移情況求得鏈路狀態(tài)一步轉移概率.

圖2 無人機歷史軌跡示意圖Fig.2 History track of UAV

在本文中,若無人機在地面控制站的通信范圍內(nèi)就默認為無人機與地面控制站之間的鏈路狀態(tài)處于“暢通”的狀態(tài),因此可以根據(jù)無人機的位置信息可以得到無人機和地面控制站之間的鏈路狀態(tài)信息.

表1 無人機-地面控制站鏈路狀態(tài)抽樣記錄
Table 1 UAV-GCS link state sampling record

LSnLSn-1……LS2LS1 }ΔT 當前時刻

表2 無人機-地面控制站鏈路狀態(tài)轉移情況
Table 2 UAV-GCS link state transition

通斷合計通aba+b斷cdc+d

表3 無人機-地面控制站鏈路狀態(tài)一步轉移概率
Table 3 UAV-GCS link state transition one-step
transition probability

通斷合計通a/(a+b)b/(a+b)1斷c/(c+d)dc/(c+d)1

從當前時刻開始,根據(jù)無人機的歷史位置記錄信息進行抽樣可以得出無人機的鏈路狀態(tài)信息,表1為無人機鏈路狀態(tài)抽樣記錄情況,抽樣時間間隔為ΔT,表示無人機-地面控制站鏈路狀態(tài),可以為“通”或者“斷”,LS1至LSn表示n次無人機-地面控制站鏈路狀態(tài)的抽樣結果;抽樣間隔可以根據(jù)實際情況取適當大小的值,若連續(xù)兩次抽樣中無人機-地面控制站鏈路狀態(tài)都為“通”則認為在抽樣間隔時間ΔT內(nèi)該鏈路狀態(tài)為“通”,否則認為該鏈路狀態(tài)為“斷”.

PMar=P(“通”→“通”)=P11

(1)

2.2 基于無人機運動趨勢的預測

從宏觀角度來看,移動對象至目標位置的距離應越來越近[11],若無人機在近期一段時間內(nèi)距離地面控制站越來越遠則無人機將要離開地面控制站通信范圍內(nèi)的概率會較大,反之若無人機在近期一段時間內(nèi)距離地面控制站越來越近則無人機將要離開地面控制站通信范圍內(nèi)的概率會較小.通過無人機與地面控制站之間距離的變化量可以反映無人機的運動趨勢[12],另外,無人機距離地面控制站越近其在未來時間里繼續(xù)處在地面控制站通信范圍的可能性就越大,反之,當無人機處于地面控制站的通信LS半徑的邊緣時其在未來時間離開地面控制站通信范圍的可能性就較大.因此,我們可以建立基于無人機運動趨勢的無人機-地面控制站鏈路狀態(tài)預測模型,如下.

以當前時刻為起點,對最近歷史時刻無人機與地面控制站之間距離記錄情況進行抽樣,得到的距離集合序列為D={d1,d2,…,ds},其中d1為當前時刻無人機與地面控制站之間的距離,之后依次為歷史時刻的距離抽樣,由于反映的是無人機節(jié)點近期的運動趨勢,所以抽樣間隔需要根據(jù)實際情況取較小的值.

相對于地面控制站而言的無人機運動趨勢可由位置和位置變化量兩方面因素表示,如下所示.

1)近期節(jié)點位置變化量

PCF表示位置變化量因素,如公式(2)所示;其中,Δk為相鄰兩個距離抽樣的變化量,其計算如公式(3)所示,Δd>0表明無人機在接近地面控制站,Δd<0表明無人機在遠離地面控制站;Δdmax為抽樣時間間隔Δt內(nèi)無人機以最大速度vmax飛行的路程長度,如公式(4)所示.

PCF反映的是抽樣距離集合中所有相鄰抽樣差值的平均值的情況.PCF大于零表明近期無人機與地面控制站的距離總體上來說越來越近,PCF小于零表明近期無人機與地面控制站的距離總體上來說原來越遠,當PCF為零或者接近零的時候表明近期無人機與地面控制站的相對位置關系比較穩(wěn)定.

(2)

Δd=dk+1-dk(k≤s)

(3)

Δdmax=Δt×vmax

(4)

2)當前時刻節(jié)點位置情況

PF表示位置因素,如公式(5)所示,d1表示無人機當前時刻距離地面控制站的距離,dGCS表示無人機與地面控制站的最大通信距離.

PF反映的是當前時刻無人機與地面控制站的距離對未來時間里無人機-地面控制站鏈路狀態(tài)測影響.

(5)

綜合PCF和PF,可以得出基于運動趨勢的無人機鏈路狀態(tài)預測結果PMov,如公式(6)所示,可知,PCF和PF的理論上的取值范圍是[0,1],因而PMov的取值范圍也是[0,1].

(6)

當PCF≤0時,PCF值越小則表明無人機節(jié)點整體遠離地面控制站的運動趨勢越明顯,并且無人機離地面控制站越遠則PF的值越大,最終PMov的值就越小,此時無人機在未來一段時間里繼續(xù)與地面控制站的鏈路保持連接的概率就越小,反之亦然.

當PCF>0時,PCF值越大則表明無人機節(jié)點整體接近地面控制站的運動趨勢越明顯,并且無人機離地面控制站越近則PF的值越大,最終PMov的值也越大,此時無人機在未來一段時間里繼續(xù)與地面控制站的鏈路保持連接的概率就越大,反之亦然.

總之,PMov的值越大,在未來一段時間里無人機-地面控制站鏈路狀態(tài)將繼續(xù)處于“通”的可能性就越大;PMov的值越小,在未來一段時間里無人機-地面控制站鏈路狀態(tài)將繼續(xù)處于“通”的可能性就越小.

2.3 無人機-地面控制站鏈路狀態(tài)預測的綜合概率

結合基于無人機活動模型的預測結果和基于無人機運動趨勢的預測結果可以得到無人機-地面控制站鏈路狀態(tài)在未來時間段仍將繼續(xù)處于“通”的綜合概率,如公式(7)所示,通過這兩個預測模型結果結合得到的預測概率可以剛準確的預測未來時間里無人機與地面控制站之間鏈路的來連接情況.與通常意義上的概率不太一樣,該綜合概率的值僅是表征無人機-地面控制站將繼續(xù)保持“通”的可能性的大小的相對性,不同的無人機節(jié)點相比,Ppre越大則無人機在未來時刻將繼續(xù)保持與地面控制站的鏈路連通的可能性就越大.

(7)

3 函數(shù)計時機制

作為網(wǎng)關節(jié)點除了要求無人機與地面控制站之間的鏈路保持暢通外,還要求無人機與其它的鄰居無人機節(jié)點鏈路可以保持暢通,即無人機與鄰居節(jié)點的鏈路越穩(wěn)定則越適合充當網(wǎng)關節(jié)點.現(xiàn)有移動自組網(wǎng)和無人機自組網(wǎng)中進行簇頭選擇或者網(wǎng)關選擇都會定義節(jié)點穩(wěn)定性,從而選出與鄰居節(jié)點鏈路保持時間較長的節(jié)點作為網(wǎng)關節(jié)點,以減少節(jié)點的高速移動特性給通信帶來的不利影響.本文用si表示無人機節(jié)點i的穩(wěn)定性,如公式(8)所示.

si=∑j∈EiLij

(8)

其中,Ei為節(jié)點的i的鄰居節(jié)點集合,Lij為節(jié)點i和鄰居節(jié)點j之間的鏈路可用性,可以通過文獻[10]中的計算方法進行計算得出,鄰居節(jié)點的位置信息通過HELLO消息攜帶得到.

無人機自組網(wǎng)中,在地面控制站通信范圍的節(jié)點都可以是候選網(wǎng)關節(jié)點,當候選網(wǎng)關節(jié)點的穩(wěn)定性值符合一定條件時則被選為潛在網(wǎng)關節(jié)點,潛在網(wǎng)關節(jié)點當中將會產(chǎn)生唯一一個網(wǎng)關節(jié)點廣播網(wǎng)關通告消息GWADV((Gateway Advertisemen).本文由潛在網(wǎng)關被選舉為網(wǎng)關的過程中使用了函數(shù)計時機制,即所有的潛在網(wǎng)關節(jié)點將會延遲一定的時間,延遲時間是通過節(jié)點的穩(wěn)定性值和無人機-地面控制站鏈路狀態(tài)預測的結果加權計算得出,延遲時間最小的潛在網(wǎng)關節(jié)點將會最先廣播GWADV消息,其它潛在網(wǎng)關節(jié)點收到GWADV消息之后將停止計時器計時,不再發(fā)送GWADV消息.網(wǎng)關通告消息的格式如表4所示,GW_Seq_num為網(wǎng)關節(jié)點的序列號,Sder_pos為網(wǎng)關節(jié)點的位置,stability為網(wǎng)關節(jié)點的穩(wěn)定性值.無人機自組網(wǎng)中的無人機節(jié)點通過GWADV消息可以獲知當前網(wǎng)關節(jié)點的穩(wěn)定性信息.

表4 網(wǎng)關通告消息結構
Table 4 Structure of gateway advertisement message

GW_Seq_numSder_posstability

節(jié)點穩(wěn)定性值相差較小無人機節(jié)點作為網(wǎng)關來說其性能基本相當,因此應該把節(jié)點穩(wěn)定性值相差不大的節(jié)點同等對待,另外,由于節(jié)點穩(wěn)定性值相較于延遲時間的值來說太大,不方便進行延遲時間的計算,因此我們在計算延遲時間是將其轉換為合適大小的值再進行計算.這里根據(jù)節(jié)點的穩(wěn)定性值將無人機節(jié)點穩(wěn)定性進行了分級,如表5所示,Δ1、Δ2、Δ3和Δ4為分級的閾值,λ表示不同級別穩(wěn)定性節(jié)點對應的不同級別的參數(shù)且λ1<λ2<λ3<λ4，Tconst為調(diào)節(jié)常數(shù)(可以使延遲時間落在合適的區(qū)間內(nèi));潛在網(wǎng)關節(jié)點i的延遲時間的計算如公式(8)所示,從公式中可以看出,無人機的節(jié)點穩(wěn)定性和無人機-地面控制站鏈路狀態(tài)預測的概率越大,則延遲時間越小.

在“圖書館組織轉型的方向與路徑”主題版塊中，來自倫敦瑪麗女王大學、荷蘭鹿特丹伊斯拉謨斯大學、西弗吉尼亞大學、臺灣大學、新加坡管理大學、嶺南大學、華中師范大學等海內(nèi)外高校圖書館館長圍繞大學圖書館的組織重構和轉型方向、館員角色評估與職業(yè)規(guī)劃、圖書館未來發(fā)展趨勢等方面展開了探討，

Ti=Tconst*λ*(1-Ppre(i))

(9)

表5 節(jié)點穩(wěn)定性分級
Table 5 Grade node stability

級別穩(wěn)定性(Si)級別參數(shù)(λ)1Si ≥ Δ1λ12Δ1>Si ≥ Δ2λ23Δ2>Si ≥ Δ3λ34Si < Δ3λ4

4 基于無人機地面控制站鏈路預測的網(wǎng)關選擇算法

分布式的算法具有可靠和控制開銷較少的特點,本文所提算法采用的是分布式的算法,即無人機網(wǎng)關的選擇參數(shù)由節(jié)點本身進行計算,隨后根據(jù)計算結果自動產(chǎn)生網(wǎng)關節(jié)點.

根據(jù)以上的工作,提出了基于鏈路預測的網(wǎng)關選擇算法,算法的流程如圖3所示,以節(jié)點i為例,該算法具體操作步驟如下:

步驟1.無人機節(jié)點i計算自身的節(jié)點穩(wěn)定性si;

步驟2.檢驗該無人機節(jié)點穩(wěn)定性值是否滿足條件si-sk≥ε,其中sk為網(wǎng)關節(jié)點k的穩(wěn)定性值,ε為網(wǎng)關切換閾值;

步驟3.若不滿足條件則算法結束,否則繼續(xù)執(zhí)行下面步驟;

步驟4.將節(jié)點i置為潛在網(wǎng)關節(jié)點;

步驟5.潛在網(wǎng)關節(jié)點i計算延遲等待時間Ti并開始計時,若計時期間節(jié)點收到新的網(wǎng)關通告消息則停止計時并更新網(wǎng)關節(jié)點id,否則經(jīng)過計時時間Ti后再次檢查是否滿足步驟2中的條件,若仍滿足則廣播網(wǎng)關通告消息GWADV,否則計算算法不廣播網(wǎng)關通告消息.

圖3 網(wǎng)關選擇算法流程Fig.3 Flow of gateway selection algorithm

由于不同的無人機節(jié)點其無人機-地面控制站鏈路狀態(tài)預測概率幾乎不會相同,各個無人機節(jié)點計算延遲等待時間可以認為是不相同的,因此既可以保證同一個網(wǎng)絡分區(qū)只有一個前網(wǎng)關廣播網(wǎng)關通告消息,又可以保證選擇參數(shù)最大的節(jié)點成為網(wǎng)關節(jié)點.

5 圖和表的要求仿真驗證與性能分析

5.1 仿真參數(shù)設置

本文采用OPENT Modeler 14.5 仿真軟件對提出的基于無人機-地面控制站鏈路狀態(tài)預測算法進行了仿真驗證,在相同仿真模擬場景下,分別與CONID算法、近空間無人機分簇算法、無人機網(wǎng)絡分布式網(wǎng)關選擇算法進行了比較和分析.主要仿真參數(shù)如表6所示.

5.2 仿真結果分析

5.2.1 平均網(wǎng)關持續(xù)時間

在不同的節(jié)點移動速度下,比較了四種算法的網(wǎng)關節(jié)點的平均持續(xù)工作時間,進行了多次重復實驗并取結果的平均值.從圖4可以看出,在相同的速度下,使用本文所提算法選出的網(wǎng)關比另外三種算法下的網(wǎng)關節(jié)點的平均持續(xù)工作時間明顯要更長.這是由于使用本算法中無人機-地面控制站鏈路狀態(tài)預測機制得出的網(wǎng)關節(jié)點在地面控制站通信范圍內(nèi)停留的平均時間更長,減少了因無人機離開地面控制站通信范圍而導致的網(wǎng)關切換.另外使用函數(shù)延遲機制可以使選擇參數(shù)最大的節(jié)點成為網(wǎng)關,避免了從潛在網(wǎng)關中隨機產(chǎn)生的網(wǎng)關的選擇參數(shù)非最優(yōu)導致的不必要的網(wǎng)關切換. 因為倘若網(wǎng)關

表6 主要仿真參數(shù)
Table 6 Grade node stability

參 數(shù)數(shù) 值仿真區(qū)域20×20/km2仿真時間380/s節(jié)點數(shù)32/個數(shù)據(jù)分組大小256/Bytes發(fā)送速率10/Mbit/s節(jié)點移動速度20-100/m/s通信半徑(UAV-UAV)1000/m通信半徑(UAV-GCS)5000/mTconst2HELLO消息廣播周期1/sGWADV廣播周期8/s

選擇參數(shù)最大的潛在網(wǎng)關節(jié)點沒有被選為網(wǎng)關且其節(jié)點穩(wěn)定性比被選為網(wǎng)關的節(jié)點大很多,則在下一輪網(wǎng)關選擇時很可能將再進行網(wǎng)關的切換.此外,對于所有算法來說,節(jié)點速度越大,平均網(wǎng)關持續(xù)時間越小,這是由于節(jié)點速度越大,網(wǎng)絡拓撲結構變化越快,節(jié)點的穩(wěn)定性變化就越大,從而導致網(wǎng)關更頻繁的切換;另外網(wǎng)關節(jié)點速度越大,其處于在地面控制站通信范圍的時間就越短,網(wǎng)關的持續(xù)時間就越短.

圖4 平均網(wǎng)關持續(xù)時間Fig.4 Average gateway duration

5.2.2 數(shù)據(jù)平均傳輸時延

在相同的仿真環(huán)境下,比較了分別使用四種算法時數(shù)據(jù)從無人機節(jié)點到地面控制站的平均傳輸時延,其中發(fā)送數(shù)據(jù)的節(jié)點覆蓋整個無人機網(wǎng)絡.從圖5可以看出,在使用四種算法的情況下,隨著無人機節(jié)點的速度越來越大,平均傳輸時延也越來越大,此外,相比于其它三種算法,在使用本算法的情況下的平均傳輸時延明顯要比其它三種算法要低.網(wǎng)關切換次數(shù)增多是導致這一結果的重要因素,因為在進行網(wǎng)關切換時數(shù)據(jù)的傳輸時延會受到較大的影響;發(fā)生網(wǎng)關切換后,舊網(wǎng)關節(jié)點已經(jīng)收到的數(shù)據(jù)將不能直接發(fā)往地面控制站而是發(fā)往新的網(wǎng)關,此外還有正在發(fā)往舊網(wǎng)關路由上的數(shù)據(jù)也要先到達舊網(wǎng)關后才能轉發(fā)到新網(wǎng)關,顯然,這些數(shù)據(jù)需要轉發(fā)更多的次數(shù)才能到達地面控制站,從而導致更高的傳輸時延.因此,本算法通過減少增加網(wǎng)關持續(xù)時間可以降低無人機自組網(wǎng)和地面控制站通信時的數(shù)據(jù)傳輸時延,尤其無人機網(wǎng)絡向地面?zhèn)鬏斒占降膶嵤﹤刹鞌?shù)據(jù)來說,數(shù)據(jù)的傳輸量大且對時延敏感,其提升效果也會比較大.

圖5 平均傳輸時延Fig.5 Average transmission delay

圖6 平均傳輸時延Fig.6 Average transmission delay

5.2.3 數(shù)據(jù)傳輸成功率

在不同的移動速度下,比較了使用四種算法的情況下數(shù)據(jù)從無人機網(wǎng)絡傳輸?shù)降孛婵刂普镜某晒β?從圖6中可以看出,隨著節(jié)點移動速度的增加,四種算法的數(shù)據(jù)傳輸成功率都在下降,這是由于在更高的節(jié)點移動速度情況下,網(wǎng)關節(jié)點的切換更頻繁,由5.2.2中的分析可知這將會導致更多的數(shù)據(jù)轉發(fā)次數(shù)增多,在高速移動的網(wǎng)絡中,鏈路穩(wěn)定性較差,更多的轉發(fā)將會導致丟包數(shù)量增多.相比于其它三種算法,本算法在數(shù)據(jù)傳輸成功率上均是最高,這得益于本算法較另外三種算法其網(wǎng)關持續(xù)時間更高.而且還可以知道,由于CONID算法沒有考慮移動節(jié)點的高移動性,因此在無人機網(wǎng)絡中其性能最差.

6 結束語

為了應對無人機自組網(wǎng)的節(jié)點高速移動特性給無人機網(wǎng)絡和地面控制站通信帶來的問題,文中提出了一種基于無人機-地面控制站鏈路狀態(tài)預測的網(wǎng)關選擇算法.文中建立了無人機-地面控制站鏈路狀態(tài)預測時的數(shù)學模型,并且通過權函數(shù)計時機制兼顧了無人機節(jié)點穩(wěn)定性和無人機-地面控制站鏈路情況,最終使網(wǎng)關選擇參數(shù)最大的節(jié)點成為網(wǎng)關節(jié)點.雖然仿真結果表明,文中所提算法在平均傳輸時延和傳輸成功率等方面性能較現(xiàn)有的算法有所提升,但無人機節(jié)點穩(wěn)定性計算等方面仍然有著優(yōu)化的空間,此外,也可以針對無人機網(wǎng)絡不同的任務需求增加額外的考慮因素,比如說剩余能量等.