本發(fā)明涉及異構車聯(lián)網(wǎng)技術，具體涉及一種異構車聯(lián)網(wǎng)移動數(shù)據(jù)卸載方法。

背景技術：

隨著移動智能設備的與日俱增，全球移動數(shù)據(jù)流量也隨之呈現(xiàn)爆炸性增長，而傳統(tǒng)的單一蜂窩網(wǎng)絡也正面臨著前所未有的數(shù)據(jù)傳輸壓力。機會主義網(wǎng)絡與蜂窩網(wǎng)絡相結(jié)合的異構網(wǎng)絡的移動數(shù)據(jù)卸載可以在減少蜂窩網(wǎng)絡阻塞的同時，有效地解決過載的問題。車載自組網(wǎng)絡技術VANET作為機會主義網(wǎng)絡在車用網(wǎng)絡上的發(fā)展，能夠很好充當了蜂窩網(wǎng)絡的互補網(wǎng)絡，形成異構車載網(wǎng)絡，實現(xiàn)移動數(shù)據(jù)的卸載，減輕蜂窩網(wǎng)絡負載。在異構車聯(lián)網(wǎng)的移動數(shù)據(jù)卸載必然涉及到網(wǎng)絡數(shù)據(jù)投放節(jié)點選擇的研究，投放節(jié)點選擇的好壞直接關系到移動數(shù)據(jù)卸載的整體效果。因此本發(fā)明擬針對VANET和蜂窩網(wǎng)絡構成的異構車聯(lián)網(wǎng)特點出發(fā)，設計一種卸載效率高、投放節(jié)點更少的異構車輛網(wǎng)移動數(shù)據(jù)卸載策略。

技術實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術存在上述不足，提供一種基于車輛運動估計的異構車聯(lián)網(wǎng)移動數(shù)據(jù)卸載方法，具體技術方案如下。

一種基于車輛運動估計的異構車聯(lián)網(wǎng)移動數(shù)據(jù)卸載方法，其包括如下步驟：

(1)利用車輛即節(jié)點的運動信息和節(jié)點所請求移動數(shù)據(jù)的信息，推算出每一個節(jié)點自身可能經(jīng)過路段集合，并利用每一個節(jié)點可能經(jīng)過路段集合求取任意兩個節(jié)點之間的重合路段集合，利用每一個節(jié)點可能經(jīng)過路段的概率分布的集合，把任意兩個節(jié)點之間重合路段中的每一條路段對應的長度與其在節(jié)點的可能經(jīng)過路段概率分布集合中對應的路段概率進行加權和，并把其加權和與相關節(jié)點的估計行駛路徑長度相除作為重合路段占該節(jié)點的路徑比重；把任意兩個節(jié)點之間的重合路段集合在各自節(jié)點的路徑比重相乘作為兩節(jié)點之間的數(shù)據(jù)傳遞概率；所述節(jié)點的運動信息包括節(jié)點位置信息、節(jié)點速度信息和加速度信息；所述節(jié)點所請求移動數(shù)據(jù)的信息包括數(shù)據(jù)類型和數(shù)據(jù)的最大容忍傳輸時延；

(2)由任意兩節(jié)點之間的數(shù)據(jù)傳遞概率，構造任意兩節(jié)點間數(shù)據(jù)傳遞概率矩陣；利用任意兩節(jié)點間數(shù)據(jù)傳遞概率矩陣，構造基于節(jié)點接收數(shù)據(jù)概率的移動數(shù)據(jù)期望卸載量效用函數(shù)，并根據(jù)移動數(shù)據(jù)期望卸載量效用函數(shù)的極值實現(xiàn)基于節(jié)點間數(shù)據(jù)傳遞概率的投放節(jié)點選擇算法，根據(jù)選擇算法把節(jié)點選擇加入投放節(jié)點集合或候選節(jié)點集合中。

進一步的，步驟(1)所述推算出車輛即節(jié)點可能經(jīng)過路段集合具體包括：

開始時，每個節(jié)點在提出數(shù)據(jù)包請求的時候，會發(fā)送自身的節(jié)點運動信息以及所請求的數(shù)據(jù)包信息到蜂窩基站，蜂窩基站考慮到了節(jié)點的運動隨機性，結(jié)合每一個節(jié)點當前運動速度信息和加速度信息，利用式(1)估計每個節(jié)點對應各自的估計行駛路徑長度d_m,T；假設地圖上的路段長度已知，則可以結(jié)合地圖上的路段長度，得到每一個節(jié)點可能經(jīng)過路段集合，用集合L_m＝{l_m,n,n∈[1,k_m]}，其中m為任意節(jié)點，L_m代表節(jié)點m可能經(jīng)過路段集合，k_m為節(jié)點m可能經(jīng)過路段的總數(shù)，l_m,n代表節(jié)點m可能經(jīng)過的一條路段；

d_m,T＝ω₁×v_m×T+(1-ω₁)×1/2×a_m×T² (1)

其中v_m和a_m分別為節(jié)點m的速度和加速度，T為數(shù)據(jù)的最大容忍傳輸時延，ω₁∈[0,0.2]。

進一步的，步驟(1)所述車輛即節(jié)點的可能經(jīng)過路段的概率分布的集合計算過程包括：

依據(jù)曼哈頓城市模式，任意路段r到其相鄰路段o_i都存在一定的轉(zhuǎn)移概率則路段r路段轉(zhuǎn)移概率數(shù)組可用數(shù)組表示，其中num為任路段r相鄰路段個數(shù)；利用步驟(1)所述的節(jié)點自身可能經(jīng)過路段集合，結(jié)合路段轉(zhuǎn)移概率數(shù)組，用深度遍歷方法從節(jié)點m當前路徑出發(fā)，利用式(2)計算節(jié)點m自身可能經(jīng)過路段對應的概率分布，最終使用集合表示節(jié)點m的可能經(jīng)過路段的概率分布的集合；

其中為路段l_m,j到l_m,n的轉(zhuǎn)移概率，為路段l_m,n對應的概率分布。

進一步的，步驟(1)所述兩節(jié)點之間的數(shù)據(jù)傳遞概率的計算過程包括：

利用步驟(1)中的節(jié)點的可能經(jīng)過路段集合，對任意兩個節(jié)點即節(jié)點A與節(jié)點B的可能經(jīng)過路段集合作交集處理，得到兩個節(jié)點之間的重合路段的集合，用集合M_A∩B＝{l_q,l_q∈L_A且l_q∈L_B}；利用步驟(1)中求取的節(jié)點可能經(jīng)過路段的概率分布的集合方法可知的節(jié)點A對應的集合P_A，對于所有l(wèi)_q，將其對應的地圖路段長度以及其在P_A中對應的概率進行加權和，并將加權和得到的結(jié)果與節(jié)點A對應的估計行駛路徑長度相除得到重合路段占節(jié)點A的路徑比重，將其路徑比重與同理可得的重合路段占節(jié)點B的路徑比重的乘積作為兩節(jié)點之間的數(shù)據(jù)傳遞概率。

進一步的，計算步驟(2)所述的基于節(jié)點間數(shù)據(jù)傳遞概率的投放節(jié)點選擇算法如下：

利用步驟(1)中的兩節(jié)點之間的數(shù)據(jù)傳遞概率，建立任意兩節(jié)點間的數(shù)據(jù)傳遞概率分布矩陣；假設兩個集合分別為投放節(jié)點集合H和候選節(jié)點集合S，并開始時把所有節(jié)點加入到集合S中；構造基于節(jié)點接收數(shù)據(jù)概率的移動數(shù)據(jù)期望卸載量效用函數(shù)，如公式(3)所示，其效用函數(shù)表示集合S中的所有節(jié)點能夠從集合H中獲取其所請求移動數(shù)據(jù)總量的期望值；利用基于效用函數(shù)增益最大的貪心算法選擇節(jié)點，即依次從集合S中選擇一個節(jié)點轉(zhuǎn)移到集合H，每一次選擇轉(zhuǎn)移中的節(jié)點都滿足當該節(jié)點加入到集合H時能夠使效用函數(shù)的增益最大；當不存在節(jié)點使得效用函數(shù)增益為正時停止選擇，此時集合H就是基于節(jié)點間數(shù)據(jù)傳遞概率的投放節(jié)點選擇算法的投放節(jié)點選擇。

其中為集合S中的節(jié)點s_e從集合H中獲取到所請求移動數(shù)據(jù)的概率。

與現(xiàn)有技術相比，本發(fā)明的優(yōu)點與積極效果在于：

1、本發(fā)明的方法首先采用基于車輛實時信息和地圖信息的車輛運動軌跡預測方法，為每一個車輛節(jié)點估計出其在有限時間內(nèi)能夠通過的所有路段情況以及其對應的出現(xiàn)概率，能夠更好的模擬車輛未來的運動。本方法從車輛的運動信息出發(fā)，充分考慮車輛未來運動趨勢，計算出車輛的最大運動距離，并從車輛當前節(jié)點出發(fā)，模擬車輛運動。在模擬車輛運動過程中，兼顧利用不同路段之間轉(zhuǎn)移概率矩陣，賦予每一條車輛可能經(jīng)過的路段出現(xiàn)概率。

2、本發(fā)明的方法根據(jù)車輛節(jié)點的可能經(jīng)過路段集合情況來構造的車輛節(jié)點兩兩之間的重合路段集合，然后通過重合路段集合中的路段在車輛節(jié)點中出現(xiàn)的概率分布與該路段長度相結(jié)合的方法來計算重合路段占該節(jié)點的路徑比重，從而求取車輛兩兩之間的數(shù)據(jù)傳遞概率，解決了車輛兩兩之間數(shù)據(jù)傳遞不可預測問題。同時也從車輛兩兩之間的數(shù)據(jù)傳遞概率出發(fā)，構造了移動數(shù)據(jù)卸載量效用函數(shù)，充分考慮了不同數(shù)量以及不同車輛數(shù)據(jù)投放節(jié)點選擇下對移動數(shù)據(jù)量的影響，對應效用增益明顯的車輛節(jié)點作為投放節(jié)點的最優(yōu)選擇，通過最優(yōu)投放節(jié)點來轉(zhuǎn)發(fā)移動數(shù)據(jù)，從而解決了基站移動數(shù)據(jù)傳輸?shù)呢撦d問題。

附圖說明

圖1是本發(fā)明實施方式中基于蜂窩網(wǎng)絡和VANET異構車聯(lián)網(wǎng)的移動數(shù)據(jù)卸載流程圖。

圖2是本發(fā)明實施方式中車輛節(jié)點可能經(jīng)過路段該路分布集合計算示意圖。

圖3是本發(fā)明實施方式中兩個車輛節(jié)點之間的數(shù)據(jù)傳遞概率計算示意圖。

圖4是本發(fā)明實施方式中基于節(jié)點間數(shù)據(jù)傳遞概率的投放節(jié)點選擇算法流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的具體實施方式做進一步說明，但本發(fā)明的實施和保護范圍不限于此。

如圖1所示是實例中基于蜂窩網(wǎng)絡和車載自組網(wǎng)VANET異構車聯(lián)網(wǎng)的移動數(shù)據(jù)卸載流程圖。在開始階段，每一個車輛節(jié)點會把車輛所請求移動數(shù)據(jù)的信息和自身運動信息發(fā)送到其接入的蜂窩基站，車輛所請求移動數(shù)據(jù)的信息包括數(shù)據(jù)的最大容忍傳輸時延，車輛自身運動信息包括位置信息、速度信息和加速度信息；蜂窩基站收到所有車輛節(jié)點發(fā)送的信息后，會所有的信息收集起來，集中分析和估計各個車輛節(jié)點的可能經(jīng)過路段集合及其可能經(jīng)過路段概率分布集合，通過基于節(jié)點間數(shù)據(jù)傳遞概率的投放節(jié)點選擇算法選擇投放節(jié)點組成投放節(jié)點集合，并通過蜂窩網(wǎng)絡把所請求的移動數(shù)據(jù)發(fā)送到投放節(jié)點集合中的車輛節(jié)點。接收到相應移動數(shù)據(jù)的車輛節(jié)點就會開始充當起一個中介者的角色，在其運動的過程中，通過VANET網(wǎng)絡，不斷發(fā)現(xiàn)和更新其鄰居信息，對于有相應的移動數(shù)據(jù)請求的車輛節(jié)點，中介者節(jié)點將會通過VANET網(wǎng)絡直接進行傳輸?shù)狡溧従榆囕v節(jié)點。而接收到數(shù)據(jù)的鄰居節(jié)點會發(fā)送一個ACK包到其接入的蜂窩基站，而該鄰居節(jié)點也會成為為中介者的新成員，在其后續(xù)運動的過程中也會擔任其中介者角色。當數(shù)據(jù)的傳輸時延到達其數(shù)據(jù)的最大容忍傳輸時延，蜂窩基站會通過蜂窩網(wǎng)絡把移動數(shù)據(jù)直接發(fā)送到當前還沒有發(fā)送ACK包到蜂窩基站的車輛節(jié)點。

圖2是本發(fā)明實施方式中車輛節(jié)點可能經(jīng)過路段該路分布集合計算示意圖。根據(jù)車輛發(fā)送到節(jié)點的車輛當前運動信息可以知道車輛的當前速度v和加速度a，結(jié)合請求數(shù)據(jù)的最大容忍傳輸時延T和ω₁∈[0,0.2]，利用式(4)可計算出車輛節(jié)點M的估計行駛路徑長度d_M。假設車輛節(jié)點M此時的位置坐標為(x_m,y_m)，位于路段1，結(jié)合地圖信息中的各路段長度可以推算車輛節(jié)點M的可能經(jīng)過路段集合[m₀,m₁,…,m_k]；假設節(jié)點M沿路段1向路口A行駛，由曼哈頓城市模型可知，每一個路段都存在自身的路段轉(zhuǎn)移概率數(shù)組，如車輛節(jié)點M在路段1中的路口A向路段2、路段3以及路段4轉(zhuǎn)移的路段轉(zhuǎn)移概率數(shù)組，可用數(shù)組P_A＝[p_1-2,p_1-3,p_1-4]表示，其中p_1-2+p_1-3+p_1-4＝1，同理可得路段3中路口B、路段2中路口C以及路段6中的路口D的轉(zhuǎn)移概率數(shù)組P_B、P_C以及P_D。由車輛節(jié)點M當前位置出發(fā)，到達路口時就按照路段轉(zhuǎn)移概率數(shù)組轉(zhuǎn)移到新的路段，由式(5)可得車輛節(jié)點M在在有限時間T下在第m_i路段出現(xiàn)的概率，用數(shù)組表示，其中k表示車輛M可能經(jīng)過的路段總數(shù)。由于車輛M已經(jīng)在某一路段上行駛，所以由車輛節(jié)點M的可能運行的路段集合[m₀,m₁,…,m_k]以及其對應的概率數(shù)組

d_M＝ω₁×v×T+(1-ω₁)×1/2×a×T² (4)

圖3是本發(fā)明實施方式中兩個車輛節(jié)點之間的數(shù)據(jù)傳遞概率計算示意圖。假設節(jié)點M(x_m,y_m)和N(x_n,y_n)分別在路段1和路段19上行駛，根據(jù)前面所述的車輛運動估計道路概率計算可以得到節(jié)點M可能運行的路段集合[m₁,m₂,…,m_k](圖3中用虛線表示)以及概率分布數(shù)組和節(jié)點N對應的路段集合[n₁,n₂,…,n_k](圖3中用實線表示)以及概率分布數(shù)組對路段集合作交集處理可以得到重合路段分布[mn₁,mn₂,…,mn_i]，由于不同節(jié)點在不同路段出現(xiàn)的概率不同，所以有和P_N'[k_N]，其中代表路段mn_i在車輛節(jié)點M可能經(jīng)過路段概率分布集合中對應的概率分布。由式(6)對路段距離和路段概率加權和，則可計算出重合路段對于車輛節(jié)點的期望距離，其中代表路段mn_i距離長度。則由式(7)可計算車重合路段占據(jù)車輛節(jié)點的路徑比重，代表重合路段出現(xiàn)在車輛節(jié)點M的行駛路徑上的概率。由于車輛節(jié)點之間的運動是獨立的，所以由式(8)可以計算出兩個車輛節(jié)點之間的數(shù)據(jù)傳遞概率

圖4是本發(fā)明實施方式中基于節(jié)點間數(shù)據(jù)傳遞概率的投放節(jié)點選擇算法流程圖。初始化兩個集合，分別為投放節(jié)點集合H＝Φ和候選節(jié)點集合S。假設集合H中的節(jié)點為蜂窩基站在開始時直接傳遞移動數(shù)據(jù)的初始節(jié)點，集合S的節(jié)點為希望通過VANET網(wǎng)絡接收到移動數(shù)據(jù)的節(jié)點。對于集合H，由式(9)可以計算集合S中的節(jié)點能夠從集合H中接受到移動數(shù)據(jù)的期望總量即期望減負數(shù)據(jù)總量，其中為集合S中節(jié)點s_i能從集合H中的節(jié)點接收到數(shù)據(jù)概率，由式(11)可得，其中為集合H中的節(jié)點h_j和集合S中的節(jié)點s_i之間的數(shù)據(jù)傳遞概率。要求取最大的期望減負數(shù)據(jù)總量，也就是求取式(9)中的H解，如式(10)所示。根據(jù)車輛之間的數(shù)據(jù)傳遞概率，由式(11)可以知道，當把集合S中的節(jié)點轉(zhuǎn)移到集合H中時，也會隨之發(fā)生變化。利用利用基于效用函數(shù)增益最大的貪心算法選擇轉(zhuǎn)移節(jié)點，即依次從集合S中的節(jié)點中選擇節(jié)點轉(zhuǎn)移到集合H中，每次的選擇都由式(12)獲取集合S使得期望減負數(shù)據(jù)總量增量最大的節(jié)點s_m，直到不存在s_m使得期望減負數(shù)據(jù)總量增益為正就停止選擇轉(zhuǎn)移節(jié)點，此時集合H就是所要求的最優(yōu)投放節(jié)點集合。

H＝arg max U(H) (10)