周天香，夏瑋瑋，燕鋒

（東南大學(xué)移動通信國家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210096）

0 引言

隨著海上活動的增加，海洋環(huán)境中的無線通信需求顯著增加[1]。為了滿足這一不斷增長的需求，需要在海上建立有效的通信，傳統(tǒng)的通信方式包括衛(wèi)星通信和岸基通信[2]。然而，衛(wèi)星通信的傳輸距離長，信號的時延大，且傳輸速率有限。至于岸基基站，雖然能提供較高的傳輸速率，但是基站的通信范圍有限，難以覆蓋到較遠(yuǎn)距離的船只[3]。

相比之下，無人機(jī)具有更高的靈活性和可移動性[4]。無人機(jī)部署在三維空間中，可以擴(kuò)展視距傳輸范圍。無人機(jī)可以充當(dāng)空中中繼，進(jìn)一步擴(kuò)大信號傳輸范圍[5]。因此，無人機(jī)輔助海面通信具有很大潛力。為了給無人機(jī)輔助的海面通信網(wǎng)絡(luò)提供可靠和高效的信息傳輸保障，需要設(shè)計一種路由算法，能夠快速適應(yīng)網(wǎng)絡(luò)拓?fù)涞淖兓?，減少數(shù)據(jù)包的傳輸時延，提高數(shù)據(jù)包投遞率。

近年來，針對海面自組網(wǎng)和FANETs（Flying Ad Hoc Networks，飛行自組網(wǎng)）的路由算法進(jìn)行了許多研究。在海面自組網(wǎng)方面，大部分研究集中在驗(yàn)證現(xiàn)有經(jīng)典路由算法的性能上。文獻(xiàn)[6] 和[7] 中基于NS3 平臺通過仿真驗(yàn)證了，在海面自組網(wǎng)中，相比于DSR（Dynamic Source Routing，動態(tài)源路由）、DSDV（Destination Sequence Distance Vector，目的序列距離向量）和OLSR（Optimized Link State Routing，優(yōu)化鏈路狀態(tài)路由）算法，AODV（Ad Hoc On Demand Distance Vector，自組網(wǎng)按需距離向量）算法具有最佳性能。除此之外，有大量研究致力于改進(jìn)現(xiàn)有路由算法。文獻(xiàn)[1] 提出了航道和機(jī)會路由圖來模擬船只的相遇機(jī)會。然而，該算法需要完整的網(wǎng)絡(luò)位置信息，且具有較高的時間復(fù)雜度，使其難以在海洋大區(qū)域內(nèi)實(shí)現(xiàn)。

針對FANETs，GPSR（Greedy Perimeter Stateless Routing，貪心周邊無狀態(tài)路由）算法是最常用的[8]。改進(jìn)GPSR 性能的主要研究集中在位置預(yù)測、路由決策和恢復(fù)策略方面。首先，為了減少無人機(jī)移動性的影響，在文獻(xiàn)[9]和[10]中使用勻速直線運(yùn)動模型描述無人機(jī)的移動。但在實(shí)際場景中，無人機(jī)不太可能直線移動。文獻(xiàn)[11]和[12]使用高斯分布描述無人機(jī)移動概率密度函數(shù)，提供低誤差和平滑的預(yù)測結(jié)果。在路由決策方面，做貪婪決策時應(yīng)考慮各種因素。文獻(xiàn)[13]和[14]考慮了距離、車輛方向、偏轉(zhuǎn)角度、速度變化和鄰居密度。此外，在恢復(fù)策略方面，文獻(xiàn)[14]使用有限洪泛來跳出路由空洞，可能會導(dǎo)致不必要的帶寬浪費(fèi)。文獻(xiàn)[15]提出了3種恢復(fù)策略，包括重試、轉(zhuǎn)發(fā)到最遠(yuǎn)的鄰居和最佳移動節(jié)點(diǎn)等方法。

然而，單純的海面和無人機(jī)自組織網(wǎng)絡(luò)的路由算法并不適用于異構(gòu)的無人機(jī)輔助海上通信網(wǎng)絡(luò)。無人機(jī)輔助的車聯(lián)網(wǎng)是一種無人機(jī)作為中繼輔助通信的異構(gòu)網(wǎng)絡(luò)，網(wǎng)絡(luò)中同時考慮車輛和無人機(jī)兩類節(jié)點(diǎn)。文獻(xiàn)[16]、[17]和[18] 中都提出了一種基于十字路口結(jié)構(gòu)的反應(yīng)式路由算法來廣播路線發(fā)現(xiàn)請求，目的地節(jié)點(diǎn)基于請求消息中封裝的信息來計算路徑得分，基于得分進(jìn)行路徑選擇。文獻(xiàn)[19] 中使用蟻群方法改進(jìn)了反應(yīng)路由算法。然而無人機(jī)輔助的車聯(lián)網(wǎng)中的路由算法大多是針對特殊的交通場景進(jìn)行設(shè)計的，算法依賴于十字路口的構(gòu)造，并不適合節(jié)點(diǎn)可以任意移動的海面自組網(wǎng)。

針對無人機(jī)輔助的海面通信網(wǎng)絡(luò)場景，本文提出了一種基于位置預(yù)測的地理位置路由（Location Prediction Based Routing，LPGR）算法。該算法將預(yù)測模型和多因素路由決策相結(jié)合。本文的主要研究思路如下：

首先，所提算法采用高斯馬爾科夫預(yù)測模型來獲得節(jié)點(diǎn)的準(zhǔn)確位置?；陬A(yù)測位置，轉(zhuǎn)發(fā)節(jié)點(diǎn)進(jìn)行多因素的路由決策。如果節(jié)點(diǎn)轉(zhuǎn)發(fā)失敗，則陷入路由空洞，失敗節(jié)點(diǎn)將發(fā)起兩跳轉(zhuǎn)發(fā)過程來跳出路由空洞。

其次，所提算法在路由決策中考慮多個因素，包括距離、偏轉(zhuǎn)角度、速度差、運(yùn)動方向角、鄰居數(shù)量和路徑有效期。之后采用主成分分析法來得到各個因素的權(quán)重并做出精確的路由決策。

最后，本文搭建了一個基于OMNeT++平臺的仿真環(huán)境，對比了AODV、GPSR 和LPGR 三種算法的性能，驗(yàn)證了所提算法在端到端時延和數(shù)據(jù)包投遞率方面的良好性能。

1 系統(tǒng)模型

如圖1所示，為了簡化分析，假設(shè)無人機(jī)在三維空間中移動，船舶在二維海面上移動，節(jié)點(diǎn)的移動模型采用隨機(jī)路點(diǎn)模型，其中所有無人機(jī)和船舶都在網(wǎng)絡(luò)層運(yùn)行LPGR協(xié)議。每個節(jié)點(diǎn)都配備有全球定位系統(tǒng)（Global Position System,GPS）模塊，并周期性地向鄰居廣播信標(biāo)，每個信標(biāo)包括了鄰居的一些運(yùn)動信息。在接收到來自鄰居的信標(biāo)后，本節(jié)點(diǎn)將鄰居的信息保存到其本地鄰居表中。其中，在多因素路由決策中，不僅需要位置信息，還需要速度和鄰居數(shù)量信息。因此，信標(biāo)字段包括當(dāng)前位置、速度和鄰居數(shù)量信息。

圖1 系統(tǒng)模型示意圖

2 基于位置預(yù)測的地理位置路由算法

本文提出了一種基于位置預(yù)測的地理位置路由算法，所提算法的完整流程如圖2所示。

圖2 基于位置預(yù)測的地理位置路由算法（LPGR）的流程圖

步驟1：當(dāng)一個節(jié)點(diǎn)接收到一個數(shù)據(jù)包時，它會檢查目的節(jié)點(diǎn)是否為其本身。如果是，則本次數(shù)據(jù)傳輸完成。如果不是，則轉(zhuǎn)到步驟2。

步驟2：節(jié)點(diǎn)檢查目的節(jié)點(diǎn)是否在自身通信范圍內(nèi)。如果是，則將數(shù)據(jù)包直接發(fā)送給目的節(jié)點(diǎn)。如果不是，則轉(zhuǎn)到步驟3。

步驟3：節(jié)點(diǎn)按照LPGR算法的規(guī)則計算下一跳節(jié)點(diǎn)。

步驟3.1：節(jié)點(diǎn)先進(jìn)行多因素貪婪轉(zhuǎn)發(fā)?；陬A(yù)測的位置信息，節(jié)點(diǎn)在其鄰居范圍內(nèi)計算每個鄰居的路由決策值，如果存在比自身決策值更低的鄰居，則將決策值最低的鄰居作為下一跳進(jìn)行數(shù)據(jù)包傳輸。如果不存在，則轉(zhuǎn)到步驟3.2。

步驟3.2：節(jié)點(diǎn)陷入路由空洞，發(fā)起兩跳轉(zhuǎn)發(fā)過程，在兩跳鄰居范圍內(nèi)尋找路由決策值低于自身的節(jié)點(diǎn)作為下一跳。如果不存在合適的兩跳鄰居，則傳輸失敗。

2.1 位置預(yù)測模型

在多因素貪婪轉(zhuǎn)發(fā)過程中，當(dāng)前節(jié)點(diǎn)根據(jù)其本地表中最新更新的鄰居位置信息，進(jìn)行路由決策。由于節(jié)點(diǎn)的移動性，在當(dāng)前時刻鄰居的實(shí)際位置與本地表中記錄的位置不同，可能導(dǎo)致鏈路斷開。如圖3所示，在t0時刻，節(jié)點(diǎn)B廣播信標(biāo)給節(jié)點(diǎn)S，節(jié)點(diǎn)S將節(jié)點(diǎn)B的位置信息保存到本地鄰居表。經(jīng)過t1-t0時間后，在t1時刻，節(jié)點(diǎn)B移動到了B′位置，超出了節(jié)點(diǎn)S的通信范圍。如果節(jié)點(diǎn)S在t1時刻選擇數(shù)據(jù)包轉(zhuǎn)發(fā)給節(jié)點(diǎn)B，則會導(dǎo)致鏈路中斷，數(shù)據(jù)丟失。

圖3 節(jié)點(diǎn)移動性造成的鏈路中斷問題

為了減輕移動性對節(jié)點(diǎn)通信性能的影響，有必要預(yù)測節(jié)點(diǎn)的移動性，在路由決策中使用預(yù)測位置進(jìn)行計算，從而提高網(wǎng)絡(luò)的連接性能和路由壽命。所提出的算法使用高斯分布來描述無人機(jī)移動概率密度函數(shù)，進(jìn)而得到節(jié)點(diǎn)的預(yù)測位置[12]。移動性預(yù)測的目標(biāo)是基于tn-1時刻的過去位置和移動性特征，獲得tn時刻節(jié)點(diǎn)的預(yù)測位置分布。

本文假設(shè)Δt是tn-1和tn之間的單位步長時間，ΔT=tn-tn-1=mΔt，m表示單位時間的數(shù)量。節(jié)點(diǎn)的速度在時刻tn是隨機(jī)的。因此速度可以被視為勻速運(yùn)動，加速度是一系列在Δt期間具有恒定方差ε的高斯白噪聲。

對于tn-1和tn之間的第k個單位步長的節(jié)點(diǎn)i，x軸上的速度分量用表示，位置分量用x(k)表示，其表達(dá)式如下：

根據(jù)tn-1時刻的位置，tn時刻x軸的高斯分布的變量可以表示為：

y軸和z軸的變量表達(dá)式與x軸類似。

用(xn-1,yn-1,zn-1)表示tn-1時刻的位置，因此在ΔT=tn-tn-1=mΔt之后，到達(dá)位置(xn,yn,zn)的概率密度函數(shù)可以表示為：

2.2 多因素貪婪轉(zhuǎn)發(fā)策略

此外，距離可能不是唯一影響路由決策的因素。如圖4所示，當(dāng)前轉(zhuǎn)發(fā)節(jié)點(diǎn)S的通信范圍內(nèi)存在2個鄰居節(jié)點(diǎn)A和B，節(jié)點(diǎn)A距離目的節(jié)點(diǎn)D的距離最近，但其運(yùn)動方向與節(jié)點(diǎn)D相反。如果根據(jù)傳統(tǒng)貪婪轉(zhuǎn)發(fā)考慮的因素，節(jié)點(diǎn)S選擇節(jié)點(diǎn)A作為下一跳，則數(shù)據(jù)包可能需要經(jīng)過更多跳或更大時延才能到達(dá)目的節(jié)點(diǎn)。

圖4 距離和速度因素對路由決策的影響

為避免做出次優(yōu)選擇，在決策中有必要考慮多種影響因素，包括距離、偏轉(zhuǎn)角、速度差、運(yùn)動方向角、鄰居數(shù)量和路徑有效期。對不同因素值進(jìn)行線性加權(quán)求和得到路由決策值，以改進(jìn)原有貪婪轉(zhuǎn)發(fā)策略。

所考慮的第一個因素是距離，指的是當(dāng)前節(jié)點(diǎn)選擇距離目的節(jié)點(diǎn)更近的鄰居節(jié)點(diǎn)。當(dāng)前節(jié)點(diǎn)用Nc表示，則Nc的鄰居Ni和目的節(jié)點(diǎn)Nd之間的距離f1可以表示為：

所考慮的第二個因素是偏轉(zhuǎn)角。為了減少路由跳數(shù)，數(shù)據(jù)包應(yīng)該盡量沿著直線方向傳輸?shù)侥康墓?jié)點(diǎn)，即如圖5所示，偏轉(zhuǎn)角希望盡可能小。偏轉(zhuǎn)角f2可以表示為：

圖5 路由決策中的多因素因子示意圖

表示當(dāng)前節(jié)點(diǎn)Nc的位置坐標(biāo)，[·]表示矢量的點(diǎn)乘運(yùn)算。

所考慮的第三個和第四個因素分別是速率差和運(yùn)動方向角，指的是當(dāng)前節(jié)點(diǎn)會選擇在速率和移動方向上更接近目的節(jié)點(diǎn)的鄰居。鄰居Ni和目的節(jié)點(diǎn)Nd之間的速率差f3可以表示為：

所考慮的第五個因素是鄰居數(shù)量。具有更多鄰居的鄰居節(jié)點(diǎn)更有可能找到合適的下一跳。用di表示鄰居數(shù)量，則有f5=1/di。

所考慮的第六個因素是路徑有效期，有效期表示兩個節(jié)點(diǎn)保持連接的剩余時間[17]。對于路徑有效期，可分為兩種不同場景討論：（i）兩個節(jié)點(diǎn)分布在二維平面中，例如兩艘船只；（ii）兩個節(jié)點(diǎn)分布在三維空間中，例如兩架無人機(jī)。

場景（i）如圖6所示，在二維海平面中，考慮兩個速度非零的船只節(jié)點(diǎn)Nc和Ni，速率分別為vc和vi，視距通信范圍為R，(xc,yc)和(xi,yi)為對應(yīng)位置坐標(biāo)，θc和θi為對應(yīng)速度方位角。則路徑有效期可表示為：

其中

場景（ii）如圖7所示，在三維空間中，考慮兩個速度非零的節(jié)點(diǎn)Nc和Ni，速率分別為vc和vi，視距通信范圍為R，(xc,yc,zc)和(xi,yi,zi)為對應(yīng)位置坐標(biāo)，θc和θi為對應(yīng)速度方位角，φc和φi為對應(yīng)速度俯仰角。則路徑有效期可表示為：

圖7 三維空間的路徑有效期示意圖

其中

總的路由決策函數(shù)可以由上述因素線性加權(quán)計算得到

其中ωi(i=1,2,3,4,5,6)表示各個因素對應(yīng)的權(quán)重，滿足0 ≤ωi≤ 1，且ω1+ω2+ω3+ω4+ω5+ω6=1。路由決策值越小，該鄰居作為下一跳節(jié)點(diǎn)轉(zhuǎn)發(fā)的質(zhì)量越高。

2.3 主成分分析法計算因素權(quán)重

路由決策中每個因素對于路由決策的貢獻(xiàn)可能不同，反映在對應(yīng)的權(quán)重。所提算法采用主成分分析方法來確定權(quán)重。主成分分析方法基于各個因素的方差來計算權(quán)重，方差大的因素波動越劇烈，可以提供越多的信息量，并對路由決策產(chǎn)生更顯著的影響。相反，方差小的因素波動較小，對于路由決策影響更弱。基于主成分分析法來得到各個因素的精確權(quán)重，當(dāng)前轉(zhuǎn)發(fā)節(jié)點(diǎn)可以做出更精確的路由決策。主成分分析法計算權(quán)重的過程如下：

（1）去中心化。求出每個因素的平均值，所有樣本減去每個因素的平均值。

（2）計算協(xié)方差矩陣C。協(xié)方差矩陣可以表示為

其中，cov[·]表示協(xié)方差運(yùn)算。對角線上是各個因素的方差，非對角線上是協(xié)方差值。cov(f1,f2) ＞ 0表示如果f1和f2中的一個增加，另一個也會增加。cov(f1,f2) ＜ 0表示如果f1和f2中的一個增加，另一個減小。cov(f1,f2)=0表示這兩個因素相互獨(dú)立。

（3）計算特征值λ和對應(yīng)的特征向量，其可以表示為：

其中，每個因素的貢獻(xiàn)可以通過降序排列的特征值得到。

（4）計算權(quán)重。每個因素的權(quán)重可以根據(jù)相應(yīng)的特征值，按照下列表達(dá)式計算得到：

2.4 兩跳轉(zhuǎn)發(fā)恢復(fù)策略

如果貪婪轉(zhuǎn)發(fā)失敗，即當(dāng)前轉(zhuǎn)發(fā)節(jié)點(diǎn)的鄰居決策值中沒有比自身更小的，則會陷入路由空洞。在二維平面中，使用構(gòu)造平面圖的方法來從路由空洞中恢復(fù)，但利用右手定則的方法不再適用于三維空間。因此所提算法采用兩跳轉(zhuǎn)發(fā)作為恢復(fù)策略。如果陷入路由空洞，貪婪失敗節(jié)點(diǎn)會在其兩跳鄰居范圍內(nèi)尋找合適的節(jié)點(diǎn)。兩跳轉(zhuǎn)發(fā)的具體步驟如下：

步驟1：如果貪婪轉(zhuǎn)發(fā)失敗，失敗節(jié)點(diǎn)會向其鄰居廣播兩跳請求。兩跳請求消息包含的字段如表1所示。

表1 兩跳請求的字段

步驟2：每個鄰居節(jié)點(diǎn)在收到兩跳請求后，會根據(jù)以下規(guī)則選擇合適的兩跳鄰居節(jié)點(diǎn)。

步驟2.1：基于GPS模塊獲得最新時刻的位置和速度，每個鄰居計算自身的路由決策值。如果該決策值小于貪婪失敗節(jié)點(diǎn)的決策值，則鄰居節(jié)點(diǎn)將返回自身作為下一跳節(jié)點(diǎn)。如果不是，則轉(zhuǎn)到步驟2.2。

步驟2.2：每個鄰居依次計算其兩跳鄰居的路由決策值。如果存在兩跳鄰居的路由決策值小于貪婪失敗節(jié)點(diǎn)的決策值，則選擇其中具有最小決策值的兩跳鄰居作為兩跳節(jié)點(diǎn)。如果不存在，則當(dāng)前鄰居不能提供合適的兩跳鄰居，將返回貪婪失敗節(jié)點(diǎn)本身。

步驟3：每個鄰居節(jié)點(diǎn)將計算得到的下一跳節(jié)點(diǎn)信息放進(jìn)兩跳響應(yīng)的字段中，將其發(fā)回給貪婪失敗節(jié)點(diǎn)。兩跳響應(yīng)消息的字段如表2所示。

表2 兩跳響應(yīng)的字段

步驟4：貪婪失敗節(jié)點(diǎn)在收到兩跳響應(yīng)后，會檢查所有響應(yīng)中的下一跳字段，選擇其中決策值最小的節(jié)點(diǎn)來完成數(shù)據(jù)包轉(zhuǎn)發(fā)。

3 仿真結(jié)果

在本節(jié)中，基于OMNeT++模擬器，實(shí)現(xiàn)LPGR算法，并將所提算法與AODV算法和GPSR算法進(jìn)行性能驗(yàn)證，性能指標(biāo)包括端到端時延與數(shù)據(jù)包投遞率。

3.1 仿真參數(shù)設(shè)置

本仿真考慮數(shù)量級為幾十到上百個節(jié)點(diǎn)的異構(gòu)自組網(wǎng)場景，根據(jù)被廣泛引用的文獻(xiàn)[21]中的參數(shù)設(shè)置，本仿真的關(guān)鍵參數(shù)如表3所示。無人機(jī)和船只的移動模型為隨機(jī)路點(diǎn)移動模型，無人機(jī)和船只的位置和速度在給定范圍內(nèi)隨機(jī)生成，每架無人機(jī)的高度在50 m到100 m范圍內(nèi)隨機(jī)生成。采用隨機(jī)模型可以表示節(jié)點(diǎn)移動的平均特征，可以反映出節(jié)點(diǎn)的平均移動特征，得到的性能指標(biāo)也能代表路由算法的平均性能。為研究海面自組網(wǎng)路由算法的性能，僅考慮船只有收發(fā)數(shù)據(jù)包業(yè)務(wù)，在船只中隨機(jī)指定源和目的節(jié)點(diǎn)發(fā)送UDP數(shù)據(jù)報文，船只既可以作為收發(fā)節(jié)點(diǎn)，也可以作為中繼節(jié)點(diǎn)，無人機(jī)僅作為中繼節(jié)點(diǎn)進(jìn)行數(shù)據(jù)包轉(zhuǎn)發(fā)。

表3 關(guān)鍵參數(shù)設(shè)置

3.2 對端到端時延的仿真結(jié)果

圖8表示不同無人機(jī)數(shù)量下平均端到端時延的變化趨勢。如圖8中所示，端到端時延隨著無人機(jī)數(shù)量的增加而波動。可以看出，與AODV和GPSR算法相比，所提的LPGR算法具有更低的端到端時延，這可能是由于所提算法使用了預(yù)測模型得到了準(zhǔn)確的鄰居位置，并基于主成分分析法計算的精確權(quán)重進(jìn)行路由決策，更有可能選擇高質(zhì)量的下一跳節(jié)點(diǎn)，從而減少了傳輸跳數(shù)和時延。

圖8 不同無人機(jī)數(shù)量下端到端時延示意圖（船只數(shù)量為40）

圖9描述了不同船只數(shù)量下的平均端到端時延。從圖9可以看出，由于采用了預(yù)測位置、多因素路由決策和合適的因素權(quán)重，所提出的LPGR算法比其他算法具有更低的時延。此外，從圖9可以觀察到，所有端到端時延都隨著船只數(shù)量的增加而上升。產(chǎn)生這種趨勢的原因可能是，隨著收發(fā)節(jié)點(diǎn)數(shù)量的增加，中繼節(jié)點(diǎn)的負(fù)載更大，需要更多時間來處理數(shù)據(jù)包并做出路由決策。

圖9 不同船只數(shù)量下端到端時延示意圖（無人機(jī)數(shù)量為50）

3.3 對數(shù)據(jù)包投遞率的仿真結(jié)果

圖10顯示了在不同無人機(jī)數(shù)量下三種路由算法的數(shù)據(jù)包投遞率對比情況。如圖10所示，相比AODV和GPSR算法，由于所提算法利用預(yù)測模型的精確位置信息，并且通過基于優(yōu)化權(quán)重的多因素路由決策中選擇下一跳節(jié)點(diǎn)，LPGR算法可以提供更高的數(shù)據(jù)包投遞率。基于預(yù)測位置做決策，可以減少鏈路中斷的可能性。此外，轉(zhuǎn)發(fā)節(jié)點(diǎn)以精確的權(quán)重做多因素路由決策，更有可能選擇合適的下一跳。此外，貪婪失敗節(jié)點(diǎn)在陷入路由空洞后會發(fā)起兩跳轉(zhuǎn)發(fā)流程，顯著提高了數(shù)據(jù)包的傳遞率。

圖10 不同無人機(jī)數(shù)量下數(shù)據(jù)包投遞率示意圖（船只數(shù)量為40）

圖11描述了不同船只數(shù)量下的數(shù)據(jù)包投遞率變化趨勢。從圖11可以看出，由于預(yù)測位置和精確的路由決策，相比于AODV和GPSR算法，所提出的LPGR算法獲得了最高數(shù)據(jù)包投遞率。此外，收發(fā)節(jié)點(diǎn)數(shù)量越多，網(wǎng)絡(luò)負(fù)載越大，擁塞越嚴(yán)重，因此數(shù)據(jù)包投遞率隨著船只數(shù)量的增加而降低。同時，隨著發(fā)射節(jié)點(diǎn)數(shù)量的增加，中繼節(jié)點(diǎn)必須處理更多的數(shù)據(jù)包，如果中繼節(jié)點(diǎn)的處理能力不能滿足要求，則可能發(fā)生丟包。

圖11 不同船只數(shù)量下數(shù)據(jù)包投遞率示意圖（無人機(jī)數(shù)量為50）

4 結(jié)束語

本文提出了一種基于位置預(yù)測的無人機(jī)輔助海上自組織網(wǎng)絡(luò)地理路由算法。為了減少節(jié)點(diǎn)移動性的影響，該算法使用高斯馬爾科夫預(yù)測模型來獲得準(zhǔn)確的定位。轉(zhuǎn)發(fā)節(jié)點(diǎn)根據(jù)預(yù)測的位置進(jìn)行多因素路由決策。當(dāng)陷入路由空洞時，轉(zhuǎn)發(fā)節(jié)點(diǎn)將發(fā)起兩跳轉(zhuǎn)發(fā)流程以從空洞中恢復(fù)。該算法采用多因素貪婪轉(zhuǎn)發(fā)策略，包括距離、偏轉(zhuǎn)角、速度、移動方向、鄰居數(shù)量和路徑有效期。此外，通過主成分分析法計算出各個因素的權(quán)重用于做出精確的路由決策。所提算法應(yīng)用在數(shù)量級為幾十到上百個節(jié)點(diǎn)的無人機(jī)輔助海面自組網(wǎng)場景，仿真結(jié)果表明，與AODV 和GPSR 算法相比，所提算法可以顯著降低端到端時延，提高數(shù)據(jù)包投遞率，為數(shù)據(jù)傳輸提供可靠高效的轉(zhuǎn)發(fā)機(jī)制。但是所提算法假設(shè)每個節(jié)點(diǎn)周期性的廣播信標(biāo)，對于移動性強(qiáng)的節(jié)點(diǎn)而言，如果周期偏長，可能會導(dǎo)致其鄰居中存儲的節(jié)點(diǎn)位置與實(shí)際位置存在較大誤差，而周期偏短，會導(dǎo)致網(wǎng)絡(luò)控制開銷過大，影響網(wǎng)絡(luò)性能。在未來研究中，節(jié)點(diǎn)可以根據(jù)預(yù)測位置和實(shí)際位置之間的誤差，自適應(yīng)地發(fā)送信標(biāo)，在降低網(wǎng)絡(luò)開銷的同時保證位置的精確性。