黎 陽 王 哲 張楚文 戴惠辰 徐文佺 姬雪楓 萬 穎 劉 斌

(清華大學(xué)計算機科學(xué)與技術(shù)系 北京 100084)

(liyang-12@mails.tsinghua.edu.cn)

面向車載自組織網(wǎng)絡(luò)路由的軌跡預(yù)測算法

黎 陽 王 哲 張楚文 戴惠辰 徐文佺 姬雪楓 萬 穎 劉 斌

(清華大學(xué)計算機科學(xué)與技術(shù)系 北京 100084)

(liyang-12@mails.tsinghua.edu.cn)

在車載自組織網(wǎng)絡(luò)(vehicular ad hoc network, VANET)(也稱車聯(lián)網(wǎng))中，基于地理位置的路由協(xié)議能夠較好地適應(yīng)網(wǎng)絡(luò)拓撲的動態(tài)性變化和鏈路質(zhì)量的不穩(wěn)定性.由于位置信息需要在鄰居節(jié)點間采用信標分組進行交互，信標分組間隔內(nèi)的轉(zhuǎn)發(fā)決策可能因車輛節(jié)點位置的移動而不準確，需要進行位置預(yù)測來修正車輛節(jié)點的位置.已有的位置預(yù)測算法存在普適性差或預(yù)測誤差大的問題.針對上述問題，提出了一種新的預(yù)測算法，首次通過測量得到車輛加速度服從正態(tài)分布的結(jié)論，利用線性回歸進行預(yù)測，并采用反饋機制進行結(jié)果修正.利用真實車輛軌跡進行測試，新的預(yù)測算法的預(yù)測精度大為提高.然后，提出了一種新的基于位置的即時路由協(xié)議.在該協(xié)議中，發(fā)送節(jié)點利用鄰居節(jié)點位置和目的節(jié)點位置計算出轉(zhuǎn)發(fā)下一跳.將新的位置預(yù)測算法加入到即時路由協(xié)議中，實時預(yù)測和更新車輛的位置.利用SUMO軟件生成了基于真實地圖道路軌跡的車輛運動模型，結(jié)合NS3網(wǎng)絡(luò)仿真平臺進行了仿真實驗.實驗結(jié)果表明：采用新的預(yù)測算法后，相比傳統(tǒng)的GPSR協(xié)議和不帶預(yù)測的即時路由協(xié)議，新方法的收包率提高、延遲下降，并且協(xié)議開銷顯著降低.

車載自組織網(wǎng)絡(luò)；即時路由；軌跡預(yù)測；地理位置路由協(xié)議；命名數(shù)據(jù)網(wǎng)絡(luò)

隨著智能汽車系統(tǒng)和自動駕駛技術(shù)的興起，車載自組織網(wǎng)絡(luò)(vehicular ad hoc network, VANET)(也稱車聯(lián)網(wǎng))其V2X(vehicle to everything)技術(shù)迎來了巨大的發(fā)展機遇.而在基礎(chǔ)設(shè)施(LTE-V-Cell或802.11p路邊單元)無法接入的情況下，VANET是一種重要的通信方式[1-3].但是，由于網(wǎng)絡(luò)拓撲的動態(tài)性變化和鏈接質(zhì)量的不穩(wěn)定性，車載自組織網(wǎng)絡(luò)在維持端到端通信過程中面臨極大的挑戰(zhàn).由于全球定位系統(tǒng)正成為車輛的一個必備裝置，實現(xiàn)基于位置的車載自組織網(wǎng)絡(luò)路由協(xié)議成為可能[4-6].基于位置的路由協(xié)議需要通過鄰居和目的節(jié)點的位置信息來進行路由決策.而獲取鄰居位置需要鄰居節(jié)點間定時交互信標分組(beacon packet).為了降低開銷和提高路由協(xié)議的準確性，如何選取信標分組的發(fā)送間隔成為一個重要問題.

在基于位置的VANET路由算法中，如經(jīng)典的路由算法GPSR[4]，在源節(jié)點發(fā)出一個分組之后，每經(jīng)過一跳都要根據(jù)當(dāng)前節(jié)點掌握的鄰居節(jié)點位置和目的節(jié)點位置選取下一跳轉(zhuǎn)發(fā)節(jié)點.由于信標分組有一定的發(fā)送間隔(如1s)，當(dāng)前路由決策節(jié)點掌握的其他節(jié)點位置信息并不是最新的.但是在某個數(shù)據(jù)分組的傳輸時間內(nèi)，在一般的城市道路模型中，車輛的拓撲變化相對較為緩慢.基于這個基本觀察，之前的研究提出了基于預(yù)測進行路由的思想，即在信標分組間隔之內(nèi)，使用預(yù)測的位置信息[7-10]作為節(jié)點路由選擇的依據(jù).

但是，之前基于位置預(yù)測的研究文章[7-10]對于車輛行駛狀況的抽象較為理想化，并且很多算法需要借助電子地圖進行輔助判斷，普適性較差.本文提出了一種新的車輛位置預(yù)測算法，對車輛行駛軌跡進行了重新建模，發(fā)現(xiàn)車輛加速度服從正態(tài)分布的特性，降低了預(yù)測開銷，并利用真實車輛運行數(shù)據(jù)進行測量實驗，得到了新型的路由協(xié)議中的位置預(yù)測算法.為了驗證新的位置預(yù)測算法的有效性，設(shè)計了一種新型的即時路由協(xié)議(instant routing, IR)進行驗證.

本文的主要貢獻有3個方面:

1) 實驗發(fā)現(xiàn)，車輛行駛過程中加速度更加服從正態(tài)分布的特征，提出了一種新的車輛位置預(yù)測算法，從理論上分析了預(yù)測算法的正確性；

2) 利用真實車輛行駛軌跡數(shù)據(jù)驗證了新的車輛位置預(yù)測算法的有效性；

3) 設(shè)計了一種新型的基于位置信息的即時路由協(xié)議IR，并且利用NS3和SUMO工具驗證了新的車輛位置預(yù)測算法對路由協(xié)議性能提升的效果.

1 相關(guān)工作

目前，研究者提出了兩大類基于位置預(yù)測的算法：1)對2個節(jié)點的可通信時長進行預(yù)測，經(jīng)典算法有文獻[7-9]；2)直接對節(jié)點的行駛軌跡進行預(yù)測[10].

據(jù)我們所知，Menouar等人[7]最早提出基于位置預(yù)測的算法.作者將2個車輛節(jié)點的可通信時間記為Lifetimelink，利用節(jié)點速度vi，vj和節(jié)點間的距離di,j進行預(yù)測.另外，作者考慮到車道之間的距離可能相當(dāng)大，因此也需要考慮車道之間的距離ω.若設(shè)無線通信半徑為R，則有預(yù)測模型：

(1)

其中，s的取值與2個車輛節(jié)點的相對行駛方向有關(guān).若兩輛車相向行駛，則s=1，否則s=-1.上述模型是一個確定性的預(yù)測模型，其優(yōu)點在于節(jié)點間交互信息較少，只需要知道節(jié)點間的速度信息，即可進行預(yù)測.但是，由于這個模型沒有引入任何的先驗假設(shè)，因此在面對不同的路況和不同的車節(jié)點拓撲時，其適應(yīng)性不夠好.WangXiufeng等人[8]提出可以假設(shè)道路上行駛車輛的速度為隨機變量，且服從一般的正態(tài)分布N(μ,σ2).作者通過推導(dǎo)，得出了兩輛車通信時長的預(yù)測模型：

t.

(2)

上述預(yù)測模型只利用了車輛的速度信息，需要交互的信息較少，計算方法也較為簡潔.但是，這個預(yù)測模型是一個一維的預(yù)測模型，即只考慮兩輛車的速度方向在一條直線上，不具備普適性.與文獻[8]類似，Eiza等人[9]同樣基于車輛速度服從正態(tài)分布的假設(shè)，但是利用了基于網(wǎng)絡(luò)拓撲的演化圖(evolving graph)給出了詳細的路由算法.文章估計了2個車節(jié)點的通信時長及其置信度，由此構(gòu)建一個圖，節(jié)點為車輛，邊權(quán)為車輛節(jié)點的可通信時長及置信度，利用EG-Dijkstra算法選擇路由.

Xue Guangtao等人[10]利用變階Markov模型對車輛的行駛模式進行識別，通過借鑒自然語言處理中的機器學(xué)習(xí)方法，對大量車輛運行數(shù)據(jù)進行建模，為較大時間跨度的預(yù)測提供了可能性.但是，上述方法并不適用于VANET路由選擇.原因是：1)車輛運行的軌跡模式十分復(fù)雜，是相當(dāng)于定制化的數(shù)據(jù)模式，普適性較差；2)如果使用上述軌跡預(yù)測方法進行路由，需要結(jié)合地圖信息，然而在許多車載自組織網(wǎng)絡(luò)應(yīng)用場景中，并沒有精確的電子道路地圖.

綜上，這些算法各有側(cè)重，但是都無法較好地應(yīng)用于基于位置的路由協(xié)議計算.為此，我們將在第2節(jié)中提出一種新的預(yù)測算法.

2 基于加速度的預(yù)測算法

在本節(jié)中，我們將提出一種新的基于加速度的預(yù)測算法.本節(jié)中的實驗數(shù)據(jù)均來自真實的道路車輛運行數(shù)據(jù).首先我們將在2.1節(jié)提出一種基于加速度正態(tài)分布假設(shè)的樸素預(yù)測方法；針對樸素預(yù)測算法對于拐彎預(yù)測較差的情況，我們將在2.2節(jié)中提出一種改進的預(yù)測算法.

2.1樸素預(yù)測算法

我們對基于速度正態(tài)假設(shè)的預(yù)測算法[8-9]進行了分析.從本質(zhì)上講，Wang Xiufeng等人[8]提出的預(yù)測算法是在勻速運動的假設(shè)上進行的，即假設(shè)在同一時刻道路上各種車輛的速度分布為正態(tài)分布，但在一段時間內(nèi)各個車輛保持勻速.上述假設(shè)導(dǎo)致了預(yù)測模型的實時性較差.我們從新的角度思考，不再考慮所有路上車輛的速度分布，轉(zhuǎn)而考慮單個車輛的速度作為隨機過程的統(tǒng)計規(guī)律.我們通過實車實驗得到了一輛汽車在城市道路運行的軌跡，并統(tǒng)計了一段時間內(nèi)的運行速度，如圖1所示.從圖1我們可以發(fā)現(xiàn)速度的正態(tài)分布規(guī)律不夠明顯，因此我們進一步分析了加速度的分布.我們利用車輛軌跡，取時間間隔為1 s，計算加速度，得到了加速度分布直方圖，如圖2所示.從圖2可以看出，加速度擁有較好的正態(tài)性.如果設(shè)每一時刻的加速度為一隨機變量a，則應(yīng)該有a服從N(μ,σ2).

Fig. 1 Velocity-frequency statistics圖1 速度-頻率統(tǒng)計圖

Fig. 2 Acceleration-frequency statistics圖2 加速度-頻率統(tǒng)計圖

基于上述假設(shè)，我們可以給出一種基礎(chǔ)預(yù)測算法.隨機變量a服從正態(tài)分布N(μ,σ2)，其密度函數(shù)滿足：

(3)

有了上述概率密度函數(shù)，一個重要問題是對分布參數(shù)進行估計.由于我們已經(jīng)擁有了較大量真實車輛運行軌跡數(shù)據(jù)，因此基于統(tǒng)計的參數(shù)估計是首要選擇.假設(shè)已經(jīng)有n個加速度數(shù)據(jù)ai,i=1,2,…,n,則：

(4)

(5)

(6)

為了使距離預(yù)測盡可能準確，我們設(shè)總的預(yù)測時間為T，并給出區(qū)間[0,T]上的一個分割：0=t0lt;t1lt;t2lt;…lt;tn=T，記預(yù)測結(jié)果為

(7)

其中，i=1,2,…,n.則最終的預(yù)測結(jié)果為

(8)

在實際情況中，方便的方法是取所有分割長度相等，記為Δt.所以，可得到一維車輛節(jié)點位置預(yù)測算法1.

算法1. 一維車輛節(jié)點位置預(yù)測算法.

輸入：當(dāng)前車輛速度v、加速度參數(shù)μ和σ、積分步長Δt、預(yù)測時間T；

輸出：T時間后的車輛位移x.

① time←0;

② x←0;

③ temp←v;

④Fortime≤Tdo

⑤ a←normal_variable_producer(μ,σ);

⑥ x←x+temp×Δt+aΔt22;

⑦ temp←temp+aΔt;

⑧ time←time+Δt;

⑨EndFor

Fig. 3 Absolute error of simple prediction圖3 樸素預(yù)測的絕對誤差

針對上述算法，利用一段直路上的真實行車軌跡對這個算法進行了檢驗，其中取Δt=0.1s，得到結(jié)果如圖3所示.圖3中，橫軸表示取不同的預(yù)測時長T，縱軸表示在該條件下進行多次預(yù)測的誤差的平均值.從圖3可以看出，即使在預(yù)測時長較長時，其效果仍然較好，說明該模型是正確可用的.但值得指出的是，當(dāng)預(yù)測時長T較大時，預(yù)測結(jié)果將失去意義，因為真實車輛并不能在一條直線道路上長時間行駛而不拐彎或掉頭.

另外，原則上講Δt的取值應(yīng)該越小越好，但是，在實際操作中，Δt只要不過大，對預(yù)測結(jié)果的影響就很小.為了保證積分的正確性，TΔt必須是整數(shù).需要進一步說明的是，在實際應(yīng)用場景下對加速度的正態(tài)分布的參數(shù)估計可以采用多種方法.其中一種方法是：在預(yù)測開始時，用一個按2.1節(jié)所述方法估計的先驗參數(shù)，之后再隨著時間的推移，不斷修正參數(shù).本文主要討論最基本的預(yù)測算法原理，所以將不對上述工程細節(jié)展開探討.

在此基礎(chǔ)上，加上對速度方向的預(yù)測，即可對車輛二維坐標位置進行預(yù)測.基于對車輛位置的預(yù)測，可以很容易預(yù)測接下來需要的參數(shù)，如通信時長等.在預(yù)測速度方向時，一個樸素的想法是將開始預(yù)測時的速度方向作為接下來預(yù)測的速度方向.通過上述思想，利用一段真實車輛行駛軌跡，得到了樸素算法的實驗結(jié)果如圖4所示.其中，圓圈表示實際的運行軌跡，十字表示預(yù)測的運行軌跡，預(yù)測時長T=10s.預(yù)測的絕對誤差分布如圖5所示，表示的是每次預(yù)測誤差的分布圖.橫軸表示預(yù)測誤差，縱軸表示出現(xiàn)這種誤差的頻率.通過圖5可以得到在這種樸素的預(yù)測方法下，誤差大多數(shù)都集中在10m以下.

Fig. 4 Trajectory prediction result of simple prediction圖4 樸素預(yù)測算法的軌跡預(yù)測結(jié)果

Fig. 5 Error distribution of simple prediction圖5 樸素預(yù)測算法的誤差分布

在圖4中，大多數(shù)的大誤差點都集中在拐彎處，如圖6所示.事實上，由于我們對速度方向的預(yù)測是基于預(yù)測時的速度方向，導(dǎo)致預(yù)測實質(zhì)上是在一維方向上的預(yù)測.因此，如果在預(yù)測時，車輛恰好在拐彎的過程中，則拐彎的偏差就會較大，極端情況下可能有50 m的誤差.

Fig. 6 Trajectory prediction result of simple prediction: local map圖6 樸素預(yù)測算法的軌跡預(yù)測結(jié)果：局部圖

2.2改進的車輛位置預(yù)測算法

Fig. 7 Examples of right-angle turning圖7 直角拐彎示例

為了避免在拐彎預(yù)測中產(chǎn)生較大的偏差，一個自然的想法是通過預(yù)知拐彎的發(fā)生來改善預(yù)測結(jié)果.對于一段的道路情況，拐彎是一個漸變的過程，拐彎時長通常在8～10 s.以一個常見的90°拐彎為例，拐彎過程如圖7所示.這是一張車輛運行的軌跡圖，繪制間隔為1 s，即每一個點表示一輛車在某一時刻的位置，連續(xù)的點之間的間隔為1 s.通過圖7可以想到，如果樸素預(yù)測算法的預(yù)測發(fā)生在恰好要拐彎的第4秒或之后幾秒，此時的預(yù)測誤差將會非常大.因此，改進這種誤差的關(guān)鍵是能夠預(yù)測到拐彎的發(fā)生.

一個直觀的想法是，假設(shè)拐彎是一個相對均勻的過程.實際上，這個假設(shè)符合實際情況，因為在一般道路上拐彎時的速度要小于直線駕駛時的速度.如果一個普通的90°拐彎要持續(xù)10 s，則每一秒的轉(zhuǎn)角平均下來為9°.如果我們發(fā)現(xiàn)了一輛車在第3,4秒的時間內(nèi)速度方向有連續(xù)的改變，那么我們便可以預(yù)知一個拐彎.將這種思想進行推廣，如果我們每一次預(yù)測時的速度方向都是按照前幾秒的速度方向來估計，其效果應(yīng)該遠好于之前的樸素預(yù)測.最簡單有效地利用上述思想的方法就是線性軌跡.在實際中，用車輛運動軌跡的切線方向表示速度方向.而在離散軌跡中，用折線段來近似車輛軌跡，則可用折線段斜率表示速度方向.注意，為了避免出現(xiàn)斜率過大的情形，應(yīng)適當(dāng)?shù)卦诰植窟M行坐標系的旋轉(zhuǎn)，以防止因為斜率過大導(dǎo)致的計算預(yù)測不準確.

現(xiàn)假設(shè)已觀測到n組數(shù)據(jù)，每一組數(shù)據(jù)包括連續(xù)m秒的速度方向數(shù)據(jù)(ki 1,ki 2,…,ki m)，并知道接下來的速度方向為ki(i=1,2,…,n)，則可建立線性回歸模型：

(9)

其中，i=1,2,…,n.將式(9)表示成矩陣式，則記：

(10)

(11)

則這個模型可以表示為

(12)

按照最小二乘法估計參數(shù)β，應(yīng)最小化誤差平方和，即考慮代價函數(shù)：

(13)

(14)

由此可得到速度方向的線性預(yù)測模型：

(15)

在統(tǒng)計學(xué)上，為了評價模型的精確性，要引入相關(guān)系數(shù)來刻畫.為此，記：

(16)

更一般地，我們定義相關(guān)系數(shù)

(17)

容易說明0lt;R2lt;1，且相關(guān)系數(shù)越大表明模型的線性越好.盡管不存在理論上的一個閾值，使得相關(guān)系數(shù)大于這個閾值時認為模型的精確度較高，但在實際工程應(yīng)用中，一般認為當(dāng)R2gt;0.5時，模型就已經(jīng)充分可用.為使用該模型對車輛行駛方向進行預(yù)測，首先應(yīng)該確定回歸變元數(shù)量m的取值.相關(guān)系數(shù)隨變元數(shù)量變化的結(jié)果如圖8所示.圖8的橫軸表示選取了前n(n=1,2,…,13)秒的速度方向來線性擬合這一時刻的速度方向，縱軸表示線性回歸系數(shù).從回歸之后的結(jié)果我們知道這種線性是統(tǒng)計顯著的，回歸系數(shù)在0.6左右，表示模型精確度尚可.在圖8中，我們發(fā)現(xiàn)，取n=7是比較合適的；若ngt;7，則之后的變量影響極小，不必考慮.

Fig. 8 Correlation coefficients with different number of variables圖8 擬合變量個數(shù)對線性回歸系數(shù)的影響

基于以上結(jié)果，我們將預(yù)測的過程細分，預(yù)測逐秒進行，每次都通過回歸系數(shù)計算出一個新的速度方向，可以得到新算法如算法2所示:

算法2. 改進的車輛位置預(yù)測算法.

輸入：當(dāng)前車輛速度v、加速度參數(shù)μ和σ、積分步長Δt、預(yù)測時間T、前7s的斜率向量k;

輸出：T時間后的車輛位置x.

① time←0;

②x=0;

③Fortime≤Tdo

④ temp_k=linear_predict(k);

⑤x←x+position_predict(v,μ,σ,Δt,1,

temp_k);

⑥constructanewkaccordingtotemp_k;

⑦ time←time+1;

⑧EndFor

其中，position_predict(v,μ,σ,Δt,1,temp_k)表示利用之前的樸素預(yù)測算法預(yù)測位置，預(yù)測時長T=1s，距離為按照樸素預(yù)測算法得到的結(jié)果x，方向是temp_k.按照這個算法得到的預(yù)測結(jié)果如圖9所示，其局部放大圖如圖10所示.圖10中的點表示的意思與之前的軌跡圖類似.在這里，我們沒有考慮線性預(yù)測過程的誤差ε，先令ε=0.

Fig. 9 Trajectory prediction result of improved prediction圖9 改進預(yù)測算法的軌跡預(yù)測結(jié)果

Fig. 10 Trajectory prediction result of improved prediction: local map圖10 改進預(yù)測算法的軌跡預(yù)測結(jié)果：局部圖

從圖10中不難看到，對拐彎的預(yù)測已經(jīng)改善很多.這里要說明的是，這種預(yù)測算法的最大誤差會發(fā)生在預(yù)測時車輛剛剛要進入拐彎，即圖7中提到的拐彎的第1秒.但這時的最大誤差顯然會遠小于之前樸素預(yù)測算法的最大誤差.為說明這一點，我們可以簡單計算如下：設(shè)一個拐彎總長度為40 m，拐彎前后各行駛20 m，車輛勻速行駛，拐彎總時間為10 s，預(yù)測時間T=10 s.我們假設(shè)一維預(yù)測是準確的，即忽略一維預(yù)測帶來的誤差，則樸素的位置預(yù)測算法的誤差發(fā)生在恰好拐彎處：

改進的預(yù)測算法的最大誤差發(fā)生在剛拐彎時：

因此，改進算法的誤差已得到大幅改善.

仔細觀察圖9和圖10，可以發(fā)現(xiàn)這個預(yù)測圖有一定的誤差，是因為未考慮ε造成的.一般而言，在線性預(yù)測模型中，總是假定ε服從某種分布(較常見的，如上面模型假設(shè)的正態(tài)分布)，從而給出對ε的估計.但是，在實際應(yīng)用場景中，這個估計一般比較困難.因此，我們轉(zhuǎn)而直接考察預(yù)測結(jié)果的誤差.取定一個局部坐標系，用坐標來表示地圖上的點，并考慮x，y兩個方向上的誤差.我們統(tǒng)計了隨著預(yù)測時間的增長誤差的累計情況，如圖11所示:

Fig. 11 Error accumulation on x-axis with time varing圖11 x方向上誤差隨預(yù)測時間的累積

從圖11中容易看出誤差的累積是高度線性的.值得說明的是，每一次預(yù)測的誤差的線性關(guān)系不盡相同，圖11中表示的是一個平均的結(jié)果.y方向的結(jié)果與之類似，在此不再給出.基于該結(jié)果，雖然不能很好地估計速度方向線性預(yù)測中的誤差ε，但是可以通過修正最終的預(yù)測結(jié)果來使誤差降低.一個操作上的難題是如何利用這個信息，我們可以從反饋的角度思考.如果我們預(yù)測10 s之后車輛的位置，那么其實可以不斷修正這個預(yù)測結(jié)果，修正的方式就是利用圖11的結(jié)果.例如，可以在預(yù)測后3 s內(nèi)統(tǒng)計出誤差的線性增長關(guān)系，在最后一并給出最終的預(yù)測結(jié)果.最初的3 s可以不進行預(yù)測，利用舊的位置信息進行路由決策，然后預(yù)測系統(tǒng)的誤差補償機制開始運作后，隨著窗口滑動，可以得到連續(xù)的修正預(yù)測結(jié)果.誤差修正后的實驗結(jié)果及局部放大圖如圖12和圖13所示，預(yù)測時長T=10 s.其中，圖上各點的意義與之前的軌跡圖類似.在矯正了誤差之后，預(yù)測結(jié)果已經(jīng)很好.

Fig. 12 Trajectory prediction result after error correction圖12 誤差修正后的軌跡預(yù)測結(jié)果

Fig. 13 Trajectory prediction result after error correction: local map圖13 誤差修正后的軌跡預(yù)測結(jié)果：局部圖

我們新提出的預(yù)測算法與已有算法有較大不同，體現(xiàn)在2方面：1)新算法是基于加速度正態(tài)性假設(shè)進行的預(yù)測；2)新算法是實時性的預(yù)測，可以直接給出預(yù)測后的地理位置，方便基于位置的路由協(xié)議的使用.第3節(jié)，將介紹如何將我們的預(yù)測方法用于實際路由協(xié)議，并驗證其在實際路由決策中的有效性.

3 基于位置信息的即時路由協(xié)議

即時路由協(xié)議(IR)是一種基于GPS信息的路由協(xié)議，從本質(zhì)上看也是一種基于地理位置的路由協(xié)議.IR協(xié)議專門被設(shè)計為適用于高速變化拓撲的車聯(lián)網(wǎng)，所以IR放棄了像其他協(xié)議如AODV[11]那樣去修復(fù)端到端的連接，這一過程被證明是很耗時的.相反，IR可以采用第2節(jié)提到的預(yù)測算法，利用保存的周邊節(jié)點的地理位置信息去計算預(yù)估合適的下一跳，并轉(zhuǎn)發(fā)給該下一跳節(jié)點.另外，IR還可以平衡查找路由和計算路由之間的比例，在節(jié)點位置關(guān)系變化不大時，利用之前計算出的下一跳結(jié)果進行轉(zhuǎn)發(fā).下面，我們將詳細介紹IR協(xié)議的設(shè)計.

IR共有3種形式的數(shù)據(jù)包，分別為Beacon包、Interest包和Data包.其中Beacon包是節(jié)點間用來交換地理位置信息的，周期性發(fā)送；Interest包是節(jié)點用來請求數(shù)據(jù)而發(fā)送的，包含所需數(shù)據(jù)的名稱；而Data包顧名思義就是數(shù)據(jù)包，用來響應(yīng)Interest包，里面包含著請求者所需的數(shù)據(jù).

IR工作機制如圖14所示.首先，每個節(jié)點周期性地發(fā)送Beacon包，攜帶自身ID、GPS信息和運動速度信息，發(fā)送給鄰居節(jié)點.所有接收到該Beacon包的節(jié)點都被視為該節(jié)點的鄰居節(jié)點.每個節(jié)點創(chuàng)建并維護一張鄰居列表(neighbor list)，收到Beacon包后就把該鄰居節(jié)點更新到該表中；若之后一段時間未收到來自某鄰居的Beacon包，則把該節(jié)點從鄰居列表中刪除(表項的時間戳過期，自動刪除).把請求數(shù)據(jù)的節(jié)點consumer稱為源節(jié)點，數(shù)據(jù)提供者(provider)稱為目的節(jié)點，其他轉(zhuǎn)發(fā)了Interest包或者Data包的節(jié)點forwarder都稱為中間結(jié)點.上述類似的思想在命名數(shù)據(jù)網(wǎng)絡(luò)NDN[12-17]中被廣泛使用.

Fig. 14 Forwarding calculation procedure of instant routing圖14 即時路由的計算轉(zhuǎn)發(fā)過程

當(dāng)源節(jié)點想要發(fā)送包含所需數(shù)據(jù)名稱的Interest包時，如果是該節(jié)點第1次請求某一數(shù)據(jù)，它并不知道誰擁有內(nèi)容，所以該節(jié)點會通過廣播Interest包尋找數(shù)據(jù)，周圍節(jié)點收到廣播的Interest包后，則會繼續(xù)廣播Interest包，直到抵達最終目的節(jié)點，然后目的節(jié)點將Data包按原路徑返回源節(jié)點.這樣源節(jié)點就獲得了目的節(jié)點的地理位置信息，從而用于請求后續(xù)數(shù)據(jù)分組，并且每一次分組帶回來的GPS信息也都會實時更新目的節(jié)點的位置，以確保目的節(jié)點位置信息最新.

如果節(jié)點不是第1次請求數(shù)據(jù)，而是之前已經(jīng)請求并獲得了數(shù)據(jù)的部分分組，并且當(dāng)通過發(fā)送Interest包請求數(shù)據(jù)的剩余其他分組時，就會根據(jù)已獲得的目的節(jié)點GPS信息(之前請求數(shù)據(jù)包時返回的信息)去查找路由表，如果路由表中存在相應(yīng)路由表項，并且該表項未過期且合法，則節(jié)點就根據(jù)路由表中信息來發(fā)送Interest包.如果不存在相應(yīng)表項或表項不合法，則協(xié)議會啟動計算下一跳過程，根據(jù)節(jié)點鄰居表中的歷史GPS信息，來計算預(yù)測周圍節(jié)點中距離目的地最近的節(jié)點，然后將其作為下一跳，并把Interest包發(fā)送給那個節(jié)點，該節(jié)點的轉(zhuǎn)發(fā)過程與上述過程相同，查表或計算預(yù)測，這樣Interest包就能經(jīng)過不斷地轉(zhuǎn)發(fā)到達目的地，目的節(jié)點則會按照Interest來時的路徑把數(shù)據(jù)分組反向傳遞回源節(jié)點，每一次返回的數(shù)據(jù)包都會將目的節(jié)點的最新位置帶回源節(jié)點.

Fig. 15 Procedure of setting up the reverse link圖15 反向鏈路建立過程

下面詳細介紹計算預(yù)測算法和建立反向鏈路過程，這些都是IR顯著區(qū)別于其他路由算法的內(nèi)容.計算預(yù)測算法是IR路由協(xié)議的最大特色之一，Beacon包的發(fā)送是具有一定周期的，并且周期不能太短，不然就會造成很大的協(xié)議包開銷，影響帶寬利用率.并且在Beacon包的周期內(nèi)，節(jié)點會移動，在車聯(lián)網(wǎng)應(yīng)用場景下移動速度相對較快.考慮到這個情況，我們初始設(shè)計了一個比較簡單的線性預(yù)測算法來專門預(yù)測當(dāng)前時刻周圍節(jié)點的地理位置，從而能準確找到合適的下一跳，使得發(fā)送數(shù)據(jù)包更精確和有效.

首先做這樣一個假設(shè)，即在Beacon包的周期范圍內(nèi)，車輛節(jié)點的速度是恒定的.因此我們可以根據(jù)車輛的速度來預(yù)測位移，進而得出位置.具體方法為：首先基于節(jié)點歷史Beacon包周期獲取的鄰居節(jié)點地理位置信息，先計算出上一周期鄰居節(jié)點的速度向量(包含大小和方向)，從而計算出從上一個Beacon 周期到現(xiàn)在為止鄰居節(jié)點的相對位移，通過向量運算得到鄰居節(jié)點當(dāng)前的位置，然后在當(dāng)前節(jié)點和目的節(jié)點位置的連線方向上，在預(yù)先設(shè)定好的夾角閾值θthreshold范圍內(nèi)，通過計算在鄰居節(jié)點中找出距目的節(jié)點最近的節(jié)點，并將計算出的節(jié)點作為新的下一跳節(jié)點更新到路由表中.不過該方法除了需要GPS 信息的交換之外，每個節(jié)點還須維護其鄰居節(jié)點的速度信息.如圖14所示，C′，D′，F(xiàn)′是A節(jié)點在上一Beacon周期所獲取的鄰居節(jié)點地理位置信息，F(xiàn)′是過去路由表中的下一跳.現(xiàn)在A想發(fā)送數(shù)據(jù)給B，但發(fā)現(xiàn)路由表項過期，于是啟動預(yù)測計算算法，預(yù)測出C′，D′，F(xiàn)′所對應(yīng)的當(dāng)前鄰居節(jié)點位置C,D,F，并在夾角閾值θthreshold范圍內(nèi)，通過計算和判斷，將D點作為自己的下一跳.

反向鏈路，顧名思義，是目的節(jié)點收到Interest包后將數(shù)據(jù)返回給源節(jié)點所要經(jīng)過的路徑.對于建立反向鏈路過程，IR的做法和AODV做法雖看上去相似，但卻有本質(zhì)的不同.首先，在AODV中，是通過協(xié)議包事先建立好源和目的節(jié)點間的來回路徑.而在IR中，是通過查表和計算路由相結(jié)合的方法，Interest包發(fā)往目的節(jié)點途中在中間節(jié)點建立了返回源節(jié)點的路由，數(shù)據(jù)返回過程很快，所以大部分節(jié)點位置幾乎沒變，只有少部分節(jié)點變化很大，導(dǎo)致鏈路中間斷開一小部分，這時可以在斷開位置利用預(yù)測計算來得到下一跳，計算幾次后就可能重新找到原來的反向路徑.如圖15所示，A點向目的節(jié)點B點發(fā)送Interest包，沿途的中間節(jié)點創(chuàng)建了返回A點的路由信息，從而建立了A到B的反向鏈路，B收到請求包后，準備將數(shù)據(jù)發(fā)回A，根據(jù)路由表應(yīng)該發(fā)給下一跳H′，但根據(jù)最新的鄰居表顯示H′已不在B點可達范圍，故路由信息不合法，所以B啟動計算路由過程找到G點作為其下一跳，由于G點沒有參與Interest轉(zhuǎn)發(fā)，故不存在到A點的路由信息，所以G點也啟動計算路由過程找到D點作為其下一跳，D是反向鏈路的一部分，所以D根據(jù)其路由表信息就能將數(shù)據(jù)返回到A點.

以上描述的簡單線性預(yù)測較初步，我們將使用第2節(jié)提出的新型預(yù)測算法進行節(jié)點位置預(yù)測，以改進基礎(chǔ)版IR的性能.

4 實驗與結(jié)果

仿真實驗是在安裝于Ubuntu14.04上的NS3.26[18]和SUMO0.29.0[19]平臺上進行的.我們首先在OpenStreetMap[20]官網(wǎng)上選擇并下載了上海和重慶的局部地圖數(shù)據(jù).其中，上海的局部地圖對應(yīng)了地理范圍較大、節(jié)點較為稀疏的情形，如圖16所示.重慶的局部地圖對應(yīng)了地理范圍較小、路網(wǎng)較密的情形，如圖17所示.我們根據(jù)地圖數(shù)據(jù)同時編寫了車流量文件，車輛規(guī)模為20～100輛車，隨機平均分布在地圖車道上，并在0～100 s內(nèi)通過設(shè)定好的路線運動，遇到紅綠燈會等待，并且會根據(jù)道路選擇拐彎和掉頭，以達到盡可能地模擬真實環(huán)境的目的.最后，利用SUMO生成了車輛仿真Trace文件.

Fig. 16 Local map topology of Shanghai圖16 上海局部地圖拓撲

Fig. 17 Local map topology of Chongqing圖17 重慶局部地圖拓撲

在NS3中，我們設(shè)置了默認的底層模型，選擇802.11a作為物理層，AdhocMac作為鏈路層，創(chuàng)建并安裝無線網(wǎng)絡(luò)設(shè)備.然后選擇上面SUMO生成的Trace文件作為節(jié)點移動拓撲模型.接著安裝我們設(shè)計的基礎(chǔ)版IR路由協(xié)議(記為IR)，新型預(yù)測IR(記為IR_Prediction)，還有對比組GPSR協(xié)議(記為GPSR).完成之后，添加上我們設(shè)計的一個簡單應(yīng)用，該應(yīng)用采用client-server模式，client節(jié)點周期性發(fā)送Interest包，sever節(jié)點是每收到一個發(fā)送給自己的Interest包后就返回一個Data包，然后設(shè)置仿真時間為0～100 s后，就可以進行仿真了.具體實驗參數(shù)如表1所示：

Table 1 Simulation Parameter Configuration Table

我們在改變節(jié)點規(guī)模的情況下，分別對IR，IR_Prediction，GPSR進行了10組實驗，然后對實驗結(jié)果取平均，統(tǒng)計了每個節(jié)點的各項指標.我們選取了具有代表性的3個指標：收包率(round-trip delivery ratio, RTDR)、往返時延(round-trip time, RTT)和開銷率(overhead).其中,收包率的定義為接收到的所有Data包總數(shù)與發(fā)送的Interest包總數(shù)的比值;RTT的定義為接收到所需Data包的時間戳與發(fā)送對應(yīng)的Interest包的時間戳的差值;開銷率定義為每當(dāng)Sever收到一個Interest包或者Client收到Data包，網(wǎng)絡(luò)中需要額外傳輸多少字節(jié)的數(shù)據(jù)，包括協(xié)議包以及未抵達目的節(jié)點而丟棄的各種Interest包和Data包.3個統(tǒng)計量的定義和計算方法如表2所示.對于開銷率，RtotalByte代表某節(jié)點收到的所有包(包括協(xié)議包、轉(zhuǎn)發(fā)包、請求包和數(shù)據(jù)包)的字節(jié)數(shù)，Rits代表某Server節(jié)點收到的Interest包的數(shù)目， Interest包的總字節(jié)數(shù)是105(包含41 B的包頭)，Rdata代表某Client節(jié)點接收到發(fā)往自己的Data包的數(shù)目，Data包的總字節(jié)數(shù)是1 041(同樣包含41 B的包頭)，Hopup代表Interest包到達目的節(jié)點平均所經(jīng)歷的跳數(shù)，Hopdown代表Data包發(fā)回源節(jié)點平均所經(jīng)歷的跳數(shù).

Table 2 Definitions of Experimental Indexes

下面，我們將分別給出在不同節(jié)點規(guī)模下，收包率、RTT和開銷率的實驗結(jié)果與分析.

4.1收包率實驗

Fig. 18 Round-trip delivery ratio of Shanghai topology圖18 上海拓撲的收包率

圖18和圖19分別表示了3種路由協(xié)議在上海和重慶兩張地圖上的收包率仿真結(jié)果.從圖18和圖19都可以看出，使用新型預(yù)測算法的IR_Prediction協(xié)議效果明顯好于基礎(chǔ)版IR和GPSR協(xié)議.需要說明的是，使用上海地圖拓撲時的收包率整體較低，是因為地圖過大及節(jié)點過于稀疏造成的.而從收包率趨勢來看，隨著節(jié)點密度增大，圖18上呈現(xiàn)了一種收包率上升的趨勢.這是因為上海地圖面積較大，在節(jié)點密度較小時，很多鏈路都可能處于最大通信距離的范圍之外.當(dāng)節(jié)點密度增大時，可用連接變多，收包率有所提高.圖19中，隨著節(jié)點密度增大，收包率呈現(xiàn)出下降的趨勢.這是因為在重慶這張較小的地圖中，許多節(jié)點都處在一個CSMA沖突域中，隨著節(jié)點規(guī)模增大，沖突避讓發(fā)生頻率增大，使得收包率呈現(xiàn)下降的趨勢.不過總體上講，圖19中的收包率可以維持在較高的水平，大于70%.

Fig. 19 Round-trip delivery ratio of Chongqing topology圖19 重慶拓撲的收包率

4.2RTT實驗

Fig. 20 Round-trip time of Shanghai topology圖20 上海拓撲的RTT結(jié)果

圖20和圖21分別表示了3種路由協(xié)議在上海和重慶兩張地圖上的RTT仿真結(jié)果.RTT從一定程度上反映了網(wǎng)絡(luò)延遲情況，不過RTT的統(tǒng)計與收包率有一定關(guān)聯(lián)，因此不能單純地從RTT斷定協(xié)議工作狀況的優(yōu)劣.從圖20和圖21的縱軸可以看出，上海地圖的RTT從總體上大于重慶地圖.在上海地圖上進行實驗，IR_Prediction協(xié)議與基礎(chǔ)版IR，GPSR在RTT上并沒有拉開差距，互有高低，在節(jié)點密度大時IR_Prediction協(xié)議的RTT還大于基礎(chǔ)版IR和GPSR，這是由于收包率提高造成的.這部分多收到的包會在一定程度上拉高RTT的數(shù)值.而在圖21中，重慶地圖呈現(xiàn)了相反的情況，在節(jié)點密度大時，由于收包率降低，部分沒收到的包就不再進入RTT的統(tǒng)計之中，反映出的結(jié)果反而是降低了RTT.上述結(jié)果的根本原因是RTT的統(tǒng)計僅考慮收到的包，而未收到的包并沒有加一個較大的值進入統(tǒng)計.

Fig. 21 Round-trip time of Chongqing topology圖21 重慶拓撲的RTT結(jié)果

通過上述收包率和RTT的實驗，可以說明新的預(yù)測算法在幫助IR協(xié)議進行路由決策方面相比基礎(chǔ)版IR有大的改進，可以顯著提升收包率和控制延遲.

4.3開銷實驗

Fig. 22 Protocol overhead of Shanghai topology圖22 上海拓撲的協(xié)議開銷

從圖22和圖23中可以看出，3種協(xié)議的開銷率都隨著節(jié)點密度的增加而逐漸增加.其中，圖22表示的上海的開銷率大于圖23表示的重慶的開銷率，因為上海地圖面積較大，收包率較低.在兩張圖中，IR_Prediction的開銷率均大幅優(yōu)于基礎(chǔ)版IR和GPSR，因為IR_Prediction協(xié)議的重傳率低于IR和GPSR，使得開銷大大降低.

Fig. 23 Protocol overhead of Chongqing topology圖23 重慶拓撲的協(xié)議開銷

5 總 結(jié)

本文針對車載自組織網(wǎng)絡(luò)中基于位置的路由協(xié)議，提出了一種新的車輛位置預(yù)測算法.新算法首先通過測量得出車輛加速度服從正態(tài)分布的結(jié)論，利用線性回歸方法進行預(yù)測，并通過反饋系統(tǒng)修正預(yù)測誤差，克服了之前預(yù)測算法中普適性較差、預(yù)測誤差大的問題.然后，提出了一種新型的基于位置的即時路由協(xié)議，在新協(xié)議上驗證了預(yù)測算法的正確性.實驗結(jié)果表明，新的位置預(yù)測算法在保持網(wǎng)絡(luò)較高收包率、較低延遲的基礎(chǔ)上，使得協(xié)議開銷顯著下降.在未來的工作中，我們期望能夠在實車上實現(xiàn)即時路由協(xié)議和位置預(yù)測算法，實現(xiàn)實際車輛自組織網(wǎng)絡(luò)系統(tǒng)，利用真實應(yīng)用場景驗證本文預(yù)測算法和路由協(xié)議的有效性.

[1]Awang, A, Husain K, Kamel N. Routing in vehicular ad-hoc networks: A survey on single- and cross-layer design techniques, and perspectives[J]. IEEE Access, 2017, 5(1): 9497-9517

[2]Garrosi M, Kalac M, Lorenzen T. Geo-routing in urban vehicular ad-hoc networks: A literature review[C]Proc of IEEE ICNC’17. Piscataway, NJ: IEEE, 2017: 865-871

[3]Lin Dan, Kang Jian, Squicciarini A, et al. MoZo: A moving zone based routing protocol using pure V2V communication in VANETs[J]. IEEE Trans on Mobile Computing, 2017, 16(5): 1357-1370

[4]Kung T, Karp B. GPSR: Greedy perimeter stateless routing for wireless networks[C]Proc of ACM MobiCom’00. New York: ACM, 2000: 243-254

[5]Alsaqour R, Abdelhaq M, Saeed R, et al. Dynamic packet beaconing for GPSR mobile ad hoc position-based routing protocol using fuzzy logic[J]. Journal of Network and Computer Applications, 2015, 47(C): 32-46

[6]Li Jia, Wang Ping, Wang Chao. Comprehensive GPSR routing in VANET communications with adaptive beacon interval[C]Proc of IEEE CPSCom’16. Piscataway, NJ: IEEE, 2016: 211-216

[7]Menouar H, Lenardi M, Filali F. Movement prediction-based routing (MOPR) concept for position-based routing in vehicular networks[C]Proc of IEEE VTC’07. Piscataway, NJ: IEEE, 2007: 2101-2105

[8]Wang Xiufeng, Wang Chunmeng, Cui Gang, et al. Practical link duration prediction model in vehicular ad hoc networks[J]. International Journal of Distributed Sensor Networks, 2015, 2015(1): 311-325

[9]Eiza M, Ni Qiang. An evolving graph-based reliable routing scheme for VANETs[J]. IEEE Trans on Vehicular Technology, 2013, 62(4): 1493-1504

[10]Xue Guangtao, Luo Yuan, Yu Jiadi, et al. A novel vehicular location prediction based on mobility patterns for routing in urban VANET[J]. EURASIP Journal on Wireless Communications and Networking, 2012, 222(1): 422-436

[11]Perkins, C, Belding-Royer E, Das S, et al. Ad hoc on-demand distance vector (AODV) routing[EBOL]. 2003[2017-05-23]. https:tools.ietf.orghtmlrfc3561

[12]Zhang Lixia, Afanasyev A, Burke J, et al. Named data networking[J]. ACM SIGCOMM Computer Communication Review, 2014, 44(3): 66-73

[13]Grassi G, Pesavento D, Pau G, et al. VANET via named data networking[C]Proc of IEEE INFOCOM’14 Workshop. Piscataway, NJ: IEEE, 2014: 410-415

[14]Ahmed S, Bouk S, Kim D. RUFS: Robust forwarder selection in vehicular content-centric networks[J]. IEEE Communications Letters, 2015, 19(9): 1616-1619

[15]Ahmed S, Bouk S, Yaqub M, et al. CODIE: Controlled data and interest evaluation in vehicular named data networks[J]. IEEE Trans on Vehicular Technology, 2016, 65(6): 3954-3963

[16]Bouk S, Ahmed S, Yaqub M, et al. DPEL: Dynamic PIT entry lifetime in vehicular named data networks[J]. IEEE Communications Letters, 2016, 20(2): 336-339

[17]Yaqub M, Ahmed S, Bouk S, et al. Interest forwarding in vehicular information centric networks: A survey[C]Proc of ACM SAC’16. New York: ACM, 2016: 724-729[18]NS-3 Consortium. Network simulator 3[EBOL].[2017-05-23]. https:

[19]Institute of Transportation Systems at the German Aerospace Center. Simulation of urban mobility(SUMO)[EBOL].[2017-05-23]. http:www.sumo.dlr.dewikiSimulation_of_Urban_MObility_-_Wiki

[20]OpenStreetMap Community. OpenStreetMap world map[EBOL].[2015-05-23]. http:www.openstreetmap.org

LiYang, born in 1989. PhD candidate at Tsinghua University. His main research interests include vehicular ad hoc network and network measurement.WangZhe, born in 1995. PhD candidate at Tsinghua University. His main research interests include vehicular ad hoc network and statistics.

ZhangChuwen, born in 1992. PhD candidate at Tsinghua University. His main research interests include high-performance switches/routers, named data networking and vehicle networks.

DaiHuichen, born in 1988. Postdoctoral research fellow in the Department of Computer Science and Technology, Tsinghua University. Received his PhD degree from the Department of Computer Science and Technology, Tsinghua University, in 2016. His main research interests include routing protocols in ad hoc wireless networks, content cache analysis, and SDN.

XuWenquan, born in 1995. PhD candidate at Tsinghua University. His main research interests include NDN and VANET.

JiXuefeng, born in 1994. PhD candidate at Tsinghua University. His main research interests include NDN and VANET.

WanYing, born in 1993. PhD candidate at Tsinghua University. His main research interests include named data networking，software defined networking and vehicular networks.

TrajectoryPredictionAlgorithminVANETRouting

Li Yang, Wang Zhe, Zhang Chuwen, Dai Huichen, Xu Wenquan, Ji Xuefeng, Wan Ying, and Liu Bin

(Department of Computer Science and Technology, Tsinghua University, Beijing 100084)

In vehicular ad hoc network (VANET), geographic routing protocols can preferably adapt to frequent topology changes and unstable link quality. Beacon messages are needed to share the positions of neighboring nodes, so forwarding decisions in the interval of successive beacon messages may be inaccurate due to the movement of the vehicle nodes. In this situation, trajectory prediction is needed to amend the positions of the vehicle nodes. Existing prediction algorithms are either lack of universality or suffered from large prediction errors. To solve the problems above, this paper proposes a new trajectory prediction algorithm, which is based on the measurement result that the vehicle accelerations obey normal distribution. The new algorithm uses linear regression to do the prediction and applies a feedback mechanism to amend error. The new trajectory prediction algorithm can greatly improve the prediction accuracy in several real trajectory trace tests. Then this paper proposes a new position based instant routing protocol. In instant routing protocol, a forwarder uses the predicted position of neighboring nodes and destination node to calculate the next hop. We apply our new trajectory prediction algorithm in instant routing to predict and update vehicle positions in real time. We use SUMO to generate real maps and vehicle trajectory traces, and use NS3 to do the simulation. Experimental results show that instant routing with the new trajectory prediction algorithm outperforms the traditional GPSR protocol and instant routing without trajectory prediction in terms of packet delivery ratio and network latency, while reducing protocol processing overhead remarkably.

vehicular ad hoc network (VANET); instant routing (IR); trajectory prediction; geographic routing protocol；named data networking (NDN)

his MSc and PhD degrees in computer science and engineering from Northwestern Polyte-chnical University, Xi’an, China in 1988 and 1993, respectively. Professor and PhD supervisor of Tsinghua University, Beijing, China. His main research interests include high-performance switches/routers, network processors, named data networking and software-defined networking.

2017-05-31；

2017-08-08

華為公司創(chuàng)新研究計劃項目；國家自然科學(xué)基金項目(61602271,61373143,61432009)；中國博士后科學(xué)基金項目(2016M591182)

This work was supported by the Huawei Innovation Research Program (HIRP), the National Natural Science Foundation of China (61602271, 61373143, 61432009), and the China Postdoctoral Science Foundation (2016M591182).

劉斌(liub@mail.tsinghua.edu.cn)

TP393.03