论文部分内容阅读
目前车载网中提出了很多的应用场景，包括可交互的交通管制、实时路况分析、路线推荐、周边信息服务、车祸预警等。这些应用都离不开数据的交互，而高效的数据交互需要底层路由的支持。同时现在一些城市的出租车和公交车都已经有GPS位置数据记录，也称为Trace数据，通过分析海量的GPS信息，可以得出全局的信息，并且把这样的信息融入到车载网的路由算法中，这样可以克服现有的路由算法局限性的问题。 大部分现有的路由算法在计算和设计车载网模型的时候不是根据已有的Trace数据，而是根据MANET中遗留的模型来对车载网进行分析。在最后验证算法有效性的时候使用的模型也是经典的MANET模型，用这样的验证方式即使证明了路由的有效性，也不能够说明这样的路由算法在现实的车载网环境中能够最好地发挥其特性。本文使用分析Trace的方式得到车载网模型，同时在这个模型的基础之上进行路由的设计和开发，因此这样的做法有更好的现实意义，验证的结果和实际环境中检验的结果也能够更加吻合。 本文分析了粗粒度的Trace数据，并且根据粗粒度的Trace数据得到了细粒度的车辆行动轨迹，在这个模型的基础之上提出了自己的路由算法:ERPTA-D和ERPTD-GA算法，其中前者能够以更短的时延将报文传输到指定的地点，而后者则更具扩展性，能够满足QoS路由，可以使得路径的选择更加符合网络的要求。最后本文通过仿真实验，分别从路由算法的优劣时从时延、传递成功率、跳数和辅助报文数量四个角度进行对比，验证所提出的路由算法比已有的经典路由算法更加有效。本文的主要工作包括以下几个方面: 1)通过分析Trace数据，提出UAVRT、UAVAT的概念，并且将车载网的拓扑情况与实际情况联系起来，分析工作日、双休日以及节假日不同情况的车载网拓扑情况，从而能够更加准确细致的预测未来的车载网拓扑，为提出的路由算法提供有力的支撑。 2)文章通过分析粗粒度的Trace数据模型，并且从粗颗粒的Trace中提取出典型的十字路口模型、T字路口模型、Y型路口模型，然后通过分析出来的路口位置对粗粒度的Trace数据进行进一步地分析，从而将粗粒度的Trace数据转化为粒度较细的Trace数据，为之后计算UAVRT、UAVAT提供更为真实的数据，从而使得路由算法在寻找下一跳的时候更加准确。 3)本文设计两种基于Trace数据的路由算法，两种路由算法各有偏重，ERPTD-D算法更加偏重缩短时延，而ERPTD-GA算法则更加偏重于可扩展性。ERPTD-D使用经典的Dijkstra算法寻找下一跳地址，将两个单元格之间的距离转化为报文通过这两个单元格的预计时间。在计算预计时间的时候不仅仅考虑车辆在不同单元格内部的速度，同时要考虑下一跳单元格之内的存在车辆节点的概率，从而使得预算时间更为准确。 4)在计算下一跳单元格之内存在车辆节点的概率时候，asdfasdfas通过排队论的理论对于单元格内部的车辆节点进行模拟，从而发现这个概率只与UAVRT相关，通过计算，本文给出了单元格内部没有车辆节点的概率的计算公式。