高效的簇路由在分簇过程中不仅要利用车辆的实时信息,更要能够利用车辆间的历史信息来判断其下一刻的链路信息。本文针对道路上车辆速度多变导致的只依据实时信息选取的簇头不稳定问题,提出了一种基于灰色系统理论的分簇算法CA-GST(Clustering Algorithm Based on Gray System Theory)。该算法利用灰色预测模型根据车辆间的历史链路持续时间预测下一刻的链路持续时间,求出车辆间通信链路的连通率。并结合车辆的节点偏差度(车辆的节点度与最佳节点度之差的归一化值)来选举簇头,使得簇头车辆与其成员车辆间链路较稳定,减少了道路上的簇结构个数。最后通过NS2仿真比较了基于灰色预测的分簇路由方法 CA-GST与VMa SC、DMMAC,结果证明本文提出的CA-GST在簇头持续时间、簇头个数、时延、投递率等方面更适应车辆高速移动场景。
在车载自组织网络(vehicular Ad hoc networks,VANETs)中,当节点缓存和消息副本数目被限制的情况下,如何合理地选择车载网络的路由节点是实现VANETs高效转发和投递的关键问题。为此提出了一种基于学习方法的决策树理论的多副本VANETs机会路由协议(D-Tree)。D-Tree将VANETs中节点间的传输和连接因素看做多个属性的集合,并与决策树方法得到一个消息转发规则,同时结合多副本路由与机会路由的"存储─携带─转发"优势进行消息投递。真实数据集上的实验结果表明,在场景密集的情况下,D-Tree相比于Bubble和S&W路由算法投递成功率提高了近10%,同时在投递延迟等方面也具有明显优势。
提出一种车载自组织网络(VANET)中考虑节点质量的机会路由协议——QAOR(Quality of node based Adaptive Opportunistic Routing Protocol)。针对以往协议均没考虑到节点历史接触频繁性的问题,该协议在路口根据距离目的最近和反映节点接触频繁性的质量两个指标机会选择下一跳,改善了GPSR在路口下一跳没有后续节点的情况;在直路上运用加入携带转发机制的贪婪算法。NS-2仿真显示,在城市场景中,QAOR自适应选路,比传统贪婪算法GPSR投递率增加,延时减少。
