延迟容忍网络中面向数据传输的激励机制研究

张 岩

延迟容忍网络中面向数据传输的激励机制研究

张 岩

数据传输问题一直是DTN中的研究热点,已有的数据传输算法均假设网络结点为从不拒绝向其他结点提供服务的合作型结点，然而由于功率、存储空间、连接机会等结点资源有限，实际上DTN未必总是满足上述假设。为了解决已有算法的不足，针对支持自私结点和多兴趣类型的DTN独特环境，提出综合了基于奖金的激励机制和面向兴趣的传输概率的一种新的激励机制，并将结点通信建模为双人合作博弈，通过Nash理论求解。最后，基于实际数据展开广泛的模拟仿真，从数据传输率、时延、开销方面对本文算法进行评估，仿真结果表明，算法的性能更优。

延迟容忍网络；数据传输；激励机制；合作博弈；时延

0 引言

图1 DTN中数据传输示例

本文重点研究移动无线网络的数据传输问题，该型网络由蜂窝手机、PDA、笔记本等移动设备组成。与基于蜂窝信道导致用户承担额外成本的数据通信方案不同，本文算法利用手机、PDA、笔记本普遍支持的无成本、低功率、短范围（比如 Wifi或蓝牙）无线传输功能，来建立间断性连接的数据通信移动网络。由于无线传输范围较小，结点移动性不受限制，网络连通性很低且动态性较高，其中一个结点只是偶尔与其他结点相连，进而形成容延网络（DTN）[1]。如图1所示：对运动、新闻和兼职招聘信息感兴趣。他可以通过蜂窝信道下载信息，但成本太高。他经常光顾咖啡厅、餐厅、教学楼，这些地方都普遍支持AP访问点，因此，他希望对这些访问点加以利用。他可以下载体育新闻或者兼职招聘信息，满足自己需求的同时，通过蓝牙或Wifi空闲给无法访问AP访问点的其他移动用户（比如用户B）共享信息。于是，数据传播时可以不必指定接收方，只需宣布消息内容的类型即可。路由传输不再寻找端到端路径，而是网络根据消息类型把数据传输给感兴趣的用户。

然而，DTN中的参与结点可能为合作结点也可能为自私结点。如果所有结点为合作结点，则每个结点都可以为其他结点义务携带部分消息。另一方面，如果一些结点受到自身的能量、缓存和带宽等因素的影响，则它们可能除了自己感兴趣的内容外拒绝携带其他人的消息，从而成为自私结点。最坏情况下，所有结点均为自私结点，所有移动设备无任何数据共享，网络性能很低。为此，急需开发一种激励方案来促进结点合作，从而提高数据传输的效率。

1 相关工作

DTN数据传播示例中，用户A装备了一个智能手机，

数据传输问题一直是DTN中的研究热点之一，相继有众多研究者提出了一系列用于DTN数据传输的方法，如文献[2] 提出了一种考虑用户社交关系同时提高信息传输效率为目的数据传输方法。仿真实验结果表明，该算法具有更高的数据传输成功率以及更低的传输时延，同时保证了节点更好的安全性。文献[3]提出了一种在资源受限DTN网络中高效数据传输的BAR(Buffer Aware Transmission Policy for DTNs)协议，BAR利用节点的相遇概率信息来提高中继的方向性，还利用当前缓存信息来提高资源的利用效率。仿真结果表明，与现有的几种主流传输策略相比，BAR在投递率、传输延迟和资源消耗等方面都具有明显的优势。文献[4]提出了一种基于相对距离感知的动态数据传输策略RDAD。该策略采用传感器节点到汇聚点的相对距离来计算节点传输概率的大小，并以此作为消息传输时选择下一跳的依据。模拟实验表明，RDAD 能够以较低的数据传输能耗和传输延迟获得较高的数据传输成功率，并且具有相对较长的网络寿命。文献[5]提出了一种基于概率复制的数据传输策略 PRD用于空间中间断连通的延迟容忍移动传感器网络(DTMSN)数据传输。PRD由选择复制策略和队列管理组成，前者根据节点将消息传递给汇聚点的可能性，选择下一跳进行复制传输；队列管理则利用引入传输概率及复制数的消息生存时间决定队列中消息丢弃原则。仿真分析表明，与现有的几种数据传输策略相比，PRD 能以较低的数据复制数及传输延迟获得较高的数据传输成功率。

另外还有，文献[6]提出一种基于网络编码的高效广播数据传输机制(NEBT)，基站传感器节点将原始广播数据分批进行编码，以此来降低节点间的数据相似度，降低广播时延；同时，传感器节点根据自身的广播增益，根据邻居节点相对自身运动趋势准确选择数据交互时机，降低通信开销。仿真结果表明，与常见的泛洪等机制相比，NEBT能进一步降低广播时延并大幅度降低通信开销。文献[7]提出了一种基于分布式群组移动的事件分类传输策略 GMED。通过有效地发现和利用传感器节点在运动过程中形成的群组，建立基于群组的事件分类传输模型，改善数据传输性能。仿真结果表明，GMED 能以较低的数据传输能耗和传输延迟获得较高的数据传输成功率，且网络寿命相对较长。

然而，以上的这些解决方案均假设网络结点为从不拒绝向其他结点提供服务的合作型结点。由于功率、存储空间、连接机会等结点资源有限，实际上DTN未必总是满足上述假设。于是，结点如果不能获得好处，一般不会向其他结点提供服务。所以，必须要有合适的激励机制，以促进结点间的合作。激励机制可分为3类：基于名誉的机制、基于奖金的机制和基于交换的机制。人们针对DTN提出了几种激励机制。例如，文献[8]提出了配对Tit-for-Tat DTN激励机制，以在TFT约束下实现结点吞吐量最大化。在文献[9]中，每个报文被加密，结点着眼自身利益为网络其他结点转发数据。中继结点需要向利益给予结点展现数据成功转发的相关证据。否则，利益给予结点将在整个网络广播行为异常信息，最终将行为异常结点从网络中删除。文献[10]提出了一种基于奖金的容扰网络激励机制，通过集成信用和加密技术解决结点间的边缘插入和边缘隐藏攻击。它需要源结点和目的结点始终能够访问一个高可用性网络，以进行消息控制，同时需要一个可靠的第三方负责验证和支付服务管理。此外，文献[11]提出一种 DTN社交自私路由算法，结点利用社交意愿度来确定是否为其他结点转发报文。然而这些DTN激励机制考虑的网络和应用环境与本文不同（例如，文献[8,9]重点研究了单播问题，本文主要研究一对多通信模式），所以无法直接用于本文研究中。鉴于此，本文在现有研究工作的基础上，对DTN中面向数据传输的激励机制展开研究，提出了一种改进的激励机制，最后，基于实际数据展开广泛的模拟仿真，从数据传输率、时延、开销方面验证了本文算法的有效性。

2 问题建模

本文考虑的结点自私且具有理性行为。更具体地，一个结点受其利益驱使。它只有能够获得收益了才会传输数据。否则，它不会消耗自己资源帮助他人，但也不会恶意攻击他人。此外，我们假设具有验证服务，结点不会通过伪造身份来进行欺骗，以获得免费的转发服务或者从其他结点获得更多便宜。针对支持自私结点和多兴趣类型的DTN独特环境，本文提出综合了基于奖金的激励机制和面向兴趣的传输概率的一种新的激励机制。

2.1 相关定义

为便于阐述，我们首先介绍几种基本概念，以此为基础给出本文激励机制。

定义1. 兴趣是指结点希望得到的数据类型。

兴趣例子包括：博客更新，分期账单通知，天气预报，事件提醒，商业广告，各种新闻。

定义2. 兴趣源是指生成对应兴趣相关数据消息的结点。

定义3. 兴趣汇点是指希望获得并且消费对应兴趣数据消息的结点。

对多种兴趣，一个结点可能既是源结点也是汇点。同时，某个兴趣的数据消息可能由多个源提供，多个结点可能是同一兴趣的汇点。假设网络有N个兴趣类型，每个结点都是至少一个、最多N个兴趣的汇点。

定义 4. 结点n关于兴趣i的有效兴趣接触概率(EICP)表示结点n直接或间接接触兴趣i的汇点的概率。

EICP表示一个结点将数据以感兴趣类型发送给它汇点的概率。该概率的值从本质上取决于结点的移动性，由直接和间接接触概率汇总而得。前一种概率，即结点n兴趣i的直接兴趣接触概率，表示结点i直接接触兴趣i汇点的概率。后一种概率，即间接兴趣接触概率，表示结点i以间接方式通过其他结点，把数据传递给兴趣i汇点的概率。本文采用指数加权移动均值（EWMA）算法来维护更新结点的有效兴趣接触概率[12]。EWMA算法是在线估计最有效的算法之一，在多个领域中得到广泛应用。该算法内容简单，计算量低，对微量位移的响应及时，存储空间需求稳定。当两个结点相遇时，其中任一结点均可执行计算任务，更新结点的有效兴趣接触概率。

具体而言，每个结点维持一个计时器。如果在Δ时间内与其他结点无接触，计时器到期，生成过期事件。表示结点n兴趣i的直接接触概率。初始化为 0，每次与兴趣i结点接触或发生过期事件时进行更新（以先发生者为准）。更新函数如公式（1）：

其中，0≤α≤1为常数，用于存储部分历史接触状态。

定义5. 奖金是指用于激励自私结点的虚拟货币。

设nλ为结点n的奖金量。nλ初始化为Λ，在消息传输时进行更新，这一点将在2.2节具体讨论。

定义6. 奖励策略明确了一个结点如何获得奖金。

为对双人合作博弈提供支持（将在 2.3节讨论），我们采用了如下简单奖励策略：如果结点n从结点m接收到与其兴趣相匹配的消息，前者向后者奖励一个奖金。如果发送的消息与接收方兴趣不匹配，则结点即不获得奖金，也不支付奖金。

定义7. 每个数据消息关联一个复制度，表示该消息的拷贝数量。

定义8. 每个数据消息关联一个消息估价，表示消息的潜在价值。

定义9. 预期奖金奖励表示结点获得数据消息后预期获得的奖金。

定义10. 当结点n与其他结点相遇时，需要决定是否与该结点交换信息。由于自身的自私性，如果进行消息交换，则结点n希望实现其预期奖金奖励最大化。结点n此时在做出决策将要用到的效用函数为公式（5）：

其中，Un为结点n的效用函数，I为兴趣类型总数，和分别为消息交换前和交换后，兴趣i的消息集合。

2.2 本文激励机制概述

基于以上定义，将本文激励机制阐述如下。为方便讨论，我们假设每个数据消息，比如结点n处的消息m，关联了一个描述性元数据，内容包括它的兴趣类型（i），序列号（m），估价（），复制度（）。设为结点n的消息元数据集合，Φn为结点n的 EICP列表（即

当结点n与另一个结点（比如结点k）相遇时，遵循以下5个步骤获得必要信息，并做出消息交换决策：

第四步：结点n和k然后协商交易哪些消息。这一过程描述为双人合作博弈，并用Nash理论获得最优解，确定结点n和k将要交换的两个最终消息列表，表示为Ln和Lk且。双人合作博弈模型及其基于 Nash理论的求解方法将在3.3节做详细讨论。

第五步：最后，结点n和k按对交换Ln和Lk的消息。

2.3 博弈模型和Nash求解方法

在上节所述的激励机制中，第4步涉及双人合作博弈理论，需要详细探讨。根据文献[14]可知，通过假设结点为理性结点（它们的行为受自身利益驱使），两个结点间的交互可以建模为双人合作博弈。博弈双方理性且自私。换句话说，各方不会恶意损害他方利益，这为双方合作打下了基础。另一方面，由于本性自私，每方目的不同。请注意，该自私行为可能促进合作，也可能阻碍合作，具体视其能否给他们带来利益决定。例如，根据本文网络环境，自私结点的目的是实现式5定义的效用函数最大化。一个结点通过获得新的数据消息可以提高它的效用函数。但这也会增加数据消息的复制度，降低其他结点的效用函数。双人合作博弈允许各方根据可能发生冲突的利益情况，达成约束协定。这与禁止双方达成约束协定的非合作博弈刚好相反。鉴于双方的自私本性，只有惠及双方才能达成约束协定。

通过实现Nash积最大化，获得双人合作博弈最优解（或者Nash解）[14]，即公式（6）：

虽然上文对最优解做了总体描述，但是在实际网络中计算该最优解非常复杂，原因有二：一是每个结点拥有的数据消息数量巨大，二是从所有可能解中确定和将会消耗大量时间。为此，通过每次考虑一对消息，我们采用了一种简单的近似策略。具体来说，对每组消息和，通过假设消息mn和mk在结点n和k间交换来计算对应的Nash积。选择Nash积最大的一对消息进行交易。时间复杂度为。重复以上过程，直到结点n和k间的连接断开，或者Ln或Lk为空，或者式6无解。

请注意，结点n发送消息m给结点k时，它仍然保存了消息的一份拷贝，且复制度做了更新。因此，网络状态稳定后，结点数据队列可能变满。接收到一个消息后，意味着替换预期奖金奖励最低的现有消息。在计算效用增益时，需要计算该消息的损失，也就是说，丢失的消息从式5的中排除。

3 仿真实验

我们通过仿真实验对本文激励机制进行了性能评估。本节首先介绍实验配置，然后进行性能比较和讨论。

3.1 仿真设置

本文将文献[15]中的剑桥大学Haggle项目和文献[16]中的UMass DieselNet项目的跟踪数据用作本文仿真。这两个项目分别代表人类社交网络和车载网络。对Haggle项目，称为iMotes的移动结点分发给参加IEEE INFOCOM会议的50名人员。它的数据集包括iMotes和蓝牙设备间的通信情况。我们采用的数据集有98个iMotes和蓝牙设备，仿真时间总共持续342915秒（或3天）。对UMass DieselNet项目，基于30-40辆公交车构建DTN测试床，获得约150平方英里的区域。跟踪数据提供了公交车间的通信事件。本文仿真基于2012年1250847秒（或两周）内37辆公交车获得的跟踪数据。

我们通过改变结点的合作程度来对不同机制加以比较：“直接”机制(Direct)，结点间不存在合作，结点只从对应的 AP访问点下载自己感兴趣的消息；“自我交换”机制(SelfExchange)，结点从AP或者移动结点处获得感兴趣的消息，但不携带自己不感兴趣的消息；“随机合作”机制(CooperRdm)，相遇结点随机选择部分消息（不仅仅包括自己感兴趣的消息）进行交换；“合作”机制(Cooperative)，结点采取完全合作态度，在满足自己需求后选择携带最具价值的消息；本文“激励”机制(Incentive)。另外，本文默认的网络仿真环境有3个AP访问点，15类兴趣。源结点消息生成速率为每100秒一个消息。为充分反映历史状态的影响，式1和2中的和β均为0.1。我们随机选择部分结点为AP访问点，运行20次以上仿真然后取均值作为最终结果。

我们的目标是将数据消息发送给对应的汇点，且延时和流量开销尽量低。在本文仿真研究中，我们对如下性能评估指标感兴趣：整个网络范围的数据传输率，结点接收率分布情况，平均传输延时，消息转发开销。网络数据传输率定义为被传输的消息总量与应该传输给网络的消息总量之比。结点的接收率为结点感兴趣的消息总量和源结点生成的结点感兴趣消息总量之比。平均传输延时描述为结点得到感兴趣消息需要的等待时间。消息转发开销是个成本因子，定义为消息传递的通信成本。开销较低意味着网络传输流量较低。

3.2 性能比较

如表1和表2所示：

表1 基于HAGGLE数据的总体性能比较

表2 基于DIESELNET数据的总体性能比较

基于Haggle和DieselNet数据对不同算法总体性能做了评估。从两表可以看出，合作方案的网络数据传输率最高，其次是激励机制、合作随机机制、自我交换机制、直接机制。合作机制的传输率最高，背后原因是：结点在满足自己兴趣后展开无私互助，始终选择价值最大的消息传送，因此该方案中的消息被传达给兴趣结点的概率最大。同时，我们注意到，虽然合作随机机制也采取完全合作策略，结点愿意免费携带其他结点的消息，但是它的传输率远低于本文激励机制；这证明我们必须要利用消息的估计价值来决定是否值得携带该消息，尤其是当存储资源有限时更是如此。对本文激励机制，消息的估计价值有效促进了结点间的合作，高效利用了通信资源（由结点容量和结点会面概率决定），因此提高了传输率。最后，如果消息仅是随机转发，则消息的传输率变低。由于自我交换机制中，结点只交换它们感兴趣的消息，拒绝携带其他结点感兴趣的消息，大大限制了消息传递，降低了传输率。类似地，直接机制中的结点不存在合作，传输率最低。

合作机制和激励机制的平均时延远低于其他机制，原因是两种机制均使用消息价值来估计消息的传输概率，并选择最佳路由转发消息，因此降低了消息的传递时间。虽然合作机制的传递率和平均时延均优于激励机制，但我们可以看出，前者的开销远大于后者，原因是它的无私性增加了消息在网络中的复制量和分发量。相反，本文激励机制中的结点，只有确认消息可以为其带来收益时才会接收一份消息拷贝，因此开销很低。很明显，直接机制和自我交换机制结点只接收自己感兴趣的消息，因此开销始终为1如图2所示：

图2 基于Haggle数据的接收率分布、延时分布和开销分布

图2和图3分别描述了基于Haggle和DieselNet数据时，各种机制的接受率、平均时延和结点开销。如上文所述，直接机制和自我交换机制的开销始终为1，因此此处省略。图2表明，本文激励机制大约48％的结点可以接收到90％自己感兴趣的消息，直接机制的结点比例为 11％，自我交换机制为13％，合作随机机制为35％。虽然合作机制52％的结点的接收率超过90％，但是30％的结点的开销超过20。这表明，这些结点始终扮演中继角色，对网络的贡献大于其他结点。相反，本文激励机制促进了结点合作，允许结点在个体兴趣和网络贡献间寻求平衡。如图3所示：

于是，所有结点的开销均低于 10。如图2(b)所示，激励机制 56％的结点在两小时内接收到感兴趣消息，而直接机制、自我交换机制、随机合作机制 20％以上结点的平均时延超过9小时。图3基于DieselNet的结果也表现了类似趋势。

图3 基于DieselNet数据的接收率分布、延时分布和开销分布

AP访问点数量变化时不同机制和性能，如图4所示：

图4 AP访问点数量变化

所有AP点通过互联网，与按照一定速率生成消息的源结点相连。AP点数量上升后，结点有更多机会访问数据源，更新消息缓存。这也解释了为什么图4(a)和4(b)中，所有机制的传递率上升而平均延时下降。我们也观察到，合作机制的平均传递率只比本文激励机制高3％左右，开销比本文机制高5倍左右，如图4(c)所示。这说明，激励机制的交换过程大大降低了传输成本，同时保证了传递率和平均时延达到满意水平。

图5通过改变消息生成率来比较各机制的性能。在图5(a)中，消息生成率变大时，直接机制、自我交换机制和随机合作机制的传递率均有所下降，激励机制和合作机制保持稳定。消息生成速率变大时，源结点将会生成更多的消息。源结点生成的消息越多，网络需要携带的负载越多。如果直接机制和自我交换机制等机制的结点对网络贡献有限，则在可接受的延时内，源结点将会积聚更多消息，无法发送给对应的汇点，降低了传递率。对合作机制，结点尽力提高消息发送量，无私贡献它们的缓存和能量。这便解释了它的传递率为何可以保持稳定。下面解释为何本文激励机制的传递率没有下降。原因是：新消息的价值始终较高，自私结点愿意获得这些高价值结点，以实现收益最大化，如图5所示：

图5 数据消息生成速率变化

传递率稳定的同时，开销有所上升，因为有更多的消息在传输期间被复制。消息生成率上升后，延时增加，如图5(b)所示。由于各个结点的资源有限，消息生成率越大，消息在源结点和中间结点的等待时间越长，延时也就越长。

兴趣类型数量对网络的影响，如图6所示：

图6 兴趣类型数量变化

我们假设至少有一个兴趣，最多有N个兴趣，其中N是兴趣类型最大值。图6(a)表明，兴趣类型增多时，自我交换、随机合作和合作机制的传递率下降，激励机制略有上升。这是因为结点兴趣量较多时，激励机制中的结点间展开合作，增加了消息在结点间互相传递的概率。从图6(b)可以看出，除了直接机制外，所有机制的平均延时均略微上升。从图6(c)可以看出，本文激励机制的开销比较稳定。这是因为结点只选择效益最大的消息进行交易，从不把资源浪费在搭便车行为上。

4 结论和未来工作

本文对延迟容忍网络中面向数据传输的激励机制问题展开了研究。考虑到延迟容忍网络的独特性、连通的间断性、结点兴趣的多样性，对于中间结点，一个消息的价值主要取决于由它发送消息的概率。该概率本身的估计值非常重要。此外，可能有多个移动用户需要同一个消息。所以，该消息可能被多次“买”给不同的接收方。另外，消息在传输过程中可能会生成多个拷贝，接收方只为收到的第一个拷贝“买单”。这些特点综合到一起后，大大增加了激励机制开发的特殊性、有趣性和复杂性。鉴于此，本文提出了一种改进的激励机制，并将结点通信表述为双人合作博弈，通过 Nash理论求解，最后通过仿真实验验证了本文算法的有效性。我们下一步工作的重点是对DTN中节点间通信的可靠性进行建模，研究DTN中基于机会路由的数据传输可靠性问题。

[1] 李向群, 刘立祥, 胡晓惠, 等. 延迟/中断可容忍网络研究进展[J]. 计算机研究与发展, 2009, 46(8):1270-1277

[2] 黄海平, 盛勇华, 徐佳, 等. 一种基于社交关系的容迟网络数据传输方法[J]. 解放军理工大学学报, 2013,14(4)：123-130

[3] 陈卓, 冯大权. BAT: 一种资源受限 DTN 中的高效数据传输策略[J]. 计算机工程与应用, 2011, 47(21):28-30

[4] 许富龙, 刘明, 龚海刚, 等. 延迟容忍传感器网络基于相对距离的数据传输[J]. 软件学报, 2010, 21(3):490-504

[5] 张可, 曾家智, 刘伟. 延迟容忍移动传感器网络中基于概率复制的数据传输策略及其性能研究[J]. 电子与信息学报, 2010, 32(3): 677-681

[6] 杨奎武, 郭渊博, 郑康锋, 等. 延迟容忍移动传感器网络高效广播数据传输机制[J]. 北京邮电大学学报,2013, 1(18):167-175

[7] 吴磊, 王晓敏, 刘明, 等. 延迟容忍传感器网络中基于群组运动的事件传输[J]. Journal of Software, 2012,23(3)：629-647

[8] Shevade U, Song H H, Qiu L, et al. Incentive-aware routing in DTNs[C]. Network Protocols, 2008. ICNP 2008. IEEE International Conference on. IEEE, 2008:238-247.

[9] Mei A, Stefa J. Give2get: Forwarding in social mobile wireless networks of selfish individuals [J]. Dependable and Secure Computing, IEEE Transactions on, 2012, 9(4):569-582

[10] Chen B B, Chan M C. Mobicent: a credit-based incentive system for disruption tolerant network[C]. INFOCOM,2010 Proceedings IEEE. IEEE, 2010: 1-9

[11] Li Q, Zhu S, Cao G. Routing in socially selfish delay tolerant networks[C]. INFOCOM, 2010 Proceedings IEEE. IEEE, 2010: 1-9

[12] Wang Y, Wu H. Delay/fault-tolerant mobile sensor network (dft-msn): A new paradigm for pervasive information gathering [J]. Mobile Computing, IEEE Transactions on, 2007, 6(9): 1021-1034

[13] Jelasity M, Montresor A, Babaoglu O. Gossip-based aggregation in large dynamic networks [J]. ACM Transactions on Computer Systems (TOCS), 2005, 23(3):219-252

[14] Gu Y, Fan J, Tang G, et al. Maximum latency scheduling problem on two-person cooperative games [J]. Journal of Combinatorial Optimization, 2013: 1-11

[15] J. Scott, R. Gass, J. Crowcroft, P. Hui, C. Diot, and A.Chaintreau. CRAWDAD trace cambridge/haggle/imote/infocom. Downloaded from http://crawdad.cs.dartmouth.edu/cambridge/haggle/imote/infocom, Jan. 2006

[16] J. Burgess, B. N. Levine, R. Mahajan, J. Zahorjan, A.Balasubramanian, A. Venkataramani, Y. Zhou, B. Croft, N.Banerjee, M. Corner, and D. Towsley. CRAWDAD data set umass/diesel. Downloaded from http://crawdad.cs.

[17] dartmouth.edu/umass/diesel, Sept. 2008

Research on Incentive Mechanism for Data Transmission in Delay Tolerant Networks

Zhang Yan
(Dalian Commercial School,Dalian116033, China)

Data transmission problem is a research hotspot in delay tolerant networks. The existing data transmission algorithms assume that nodes in the network are cooperative and never declining service to other nodes. Such assumption is not always true in a real social network since the resources of a node, such as power, storage, and connection opportunities, are limited. To solve the lack of existing algorithms, under the unique setting of a DTN with selfish nodes and multiple interests types, we propose a novel incentive scheme that incorporates credit-based stimulation mechanism and interest-oriented delivery probability, and model the nodal communication as a two-person cooperative game, whose solution is found by using the Nash Theorem. Finally, extensive simulations are carried out based on real-world traces to evaluate the proposed scheme in terms of data delivery rate, delay and overhead.Simulation results show that the proposed algorithm performs better.

Delay Tolerant Networks; Data Transmission; Incentive Mechanism; Cooperative Game; Delay

TP393

：A

1007-757X(2014)04-0001-08

2014.04.03）

2011年国家自然科学基金面上项目（项目编号：61173051/F020104）

张岩（1962-），女，大连商业学校，辽宁大连人，硕士，讲师，研究方向：DTN网络，信息检索，大连，116033