基于MANET的实体移动模型研究

摘 要：在移动自组网仿真研究中，实体移动模型作为研究移动自组网的基础，对网络仿真结果有重要影响。根据移动实体特性将实体移动模型分为随机移动、时间相关、空间相关和地理环境相关4类，对各模型的移动规律及优缺点作详实描述，利用Bonnmotion和NS3仿真软件生成实体移动模型的节点信息并绘制了相应的移动轨迹，分析各实体移动模型的特点及其适用场景，可为移动自组网研究中实体移动模型选取提供参考。

关键词关键词：移动自组网；实体移动模型；移动节点；Bonnmotion；NS3

DOIDOI：10.11907/rjdk.162053

中图分类号：TP302

文献标识码：A 文章编号文章编号：16727800（2016）011003003

基金项目基金项目：

作者简介作者简介：郭子立（1991-），男，江苏连云港人，上海理工大学光电信息与计算机工程学院硕士研究生，研究方向为无线传感器网络、智能优化算法。

0 引言

移动自组网（Mobile Ad hoc Network， MANET）是由多个移动节点组成的分布式多跳网络，具有灵活性好、覆盖范围广、系统容量大等特点，在会议展览、抢险救灾和前方战场等场景中发挥着重要作用[1]。MANET的核心是路由协议，而移动实体的移动特性对网络的路由协议和拓扑结构具有重要影响，因此选取合适的实体移动模型是研究MANET的关键。

实体移动模型主要描述移动实体的速度、方向和目的地等移动属性，用来反映移动实体运动轨迹的移动特点和移动规律，被广泛应用于无线网络规划、算法性能评价和蜂窝网络性能预测等[2]。本文按移动特性将实体移动模型分为以下4类：随机移动模型、具有时间相关性的移动模型、具有空间相关性的移动模型和具有地理环境相关性的移动模型[3]。

1 实体移动模型研究

1.1 随机移动模型

在随机移动模型中，节点自由移动，速度、方向和目标位置等移动属性都是随机选择的，与先前节点无关。由于节点当前时刻的速度和方向与前一时刻的速度和方向不相关，这类移动模型通常被看作是无记忆的。

1.1.1 随机漫步模型

随机漫步模型最初是由Albert Einstein[4]提出的，用来仿真微观粒子的不规则运动。在该移动模型中，移动节点随机选择速度和方向从一个位置移动到另一个位置，方向、速度分别在[0， 2π]和[speedmin， speedmax]范围内。该模型每隔一个固定的时间间隔t或者固定的移动距离d进行一次移动，每一次移动后都会计算出一个新的方向和速度。在随机漫步模型中，一旦移动节点到达仿真边界，就会按引入的角度反弹回去继续移动。目前，随机漫步模型包含一维、二维甚至多维漫步模型等多个种类，虽然该模型简单便捷，易于实现，但因为它是一个非记忆性的移动模型，无法保留先前节点的方向和速度，所以产生的是急转和急停等完全不真实的运动。本文通过Bonnmotion工具生成实体移动模型的节点信息，在此基础上采用NS3仿真软件绘制节点的运动轨迹，随机漫步模型中节点的运动轨迹如图1所示。

1.1.2 随机路点模型

目前应用最广的随机移动模型是随机路点模型RWP（RandomWaypoint），由于该模型简单实用，很快成为评价MANET路由协议的基准。在随机路点模型中，节点随机选择移动区域内的一个目标位置（x，y）和[vmin，vmax]范围内的速度v，然后节点以速度v向选择的目标位置（x，y）移动，一旦到达目标位置，移动节点选择下一次移动的目标位置和速度，停留一段时间后继续移动，如此循环往复。图2为随机路点模型中节点在400×200区域内的移动轨迹。

随机路点模型中会出现密度波现象，密度波指的是指定仿真区域内节点的聚集[5]（通常出现在仿真区域中心）。在随机路点模型中，下一目标位置是随机选择的，当节点处于网络中心位置偏右时，下一目标位置在当前位置左侧的概率更高，因此更有可能选择向左运动；同样，当节点处于网络中心位置偏左时，选择向右运动的概率更高。这就导致了节点的分布不均匀——仿真区域的中心部分出现节点的聚集，这一现象称之为密度波（Density Wave）。

1.1.3 随机方向模型

为了克服移动节点不均匀的空间分布，解决密度波的问题，Royer和Moser等[6]提出了随机方向移动模型。随机方向模型中移动节点不是在仿真区域内随机选择的目标位置，而是从[0，2π]内随机选择一个方向，以一定的速度移动到仿真区域的边界，停留一段时间T，再从[0，π]内随机选择一个新的方向向下一个目标位置移动，如此循环往复。通过这种方式，能够实现节点在仿真区域内的均匀分布。随机方向模型中节点的轨迹如图3所示。

1.2 具有时间相关性的移动模型

当节点的运动与时间相关时，意味着节点的移动是被运动学物理定律所支配的，并且当前时刻的移动与先前时刻的移动密切相关。例如，节点当前速度依赖于先前时刻的速度，并且大多数情况下节点沿着给定的路径移动。

1.2.1 高斯—马尔科夫模型

高斯—马尔科夫模型最初是由Liang和Haas提出的，用来实现个人通信系统PCS（Personal Communication System）的仿真。该模型中，节点起始时具有当前速度和方向，每隔一个固定的时间间隔，节点对速度和方向进行更新，节点在t时刻的速度和方向在t-1时刻的基础上根据式（1）和式（2）求得：

式中Vt和dt分别表示节点在t时刻的速度和方向，α表示记忆水平，Wt-1和Zt-1是均值为0，方差为σ2的高斯分布随机变量，和分别表示当t→∞时速度和方向的平均值[7]。

图4为高斯-马尔科夫移动模型中节点的运动轨迹。高斯-马尔科夫模型中的节点被迫与仿真边界保持距离，一旦接近边界就改变它的方向，记忆水平α决定了节点移动与时间的相关性，α的取值范围是[0， 1]，α越接近1，节点当前速度和先前速度的相关性越大。

1.2.2 无限仿真域模型

无限仿真域模型中，移动节点当前时刻的方向和速度与先前时刻相关，速度向量=（v，θ）用来描述移动节点的速度v和方向θ，移动节点的坐标用（x， y）表示，速度和位置采用以下公式每隔Δt时间更新一次：

其中，Vmax表示最大速度，Δv表示移动节点在均匀分布区间[-Amax·Δt，Amax·Δt]上速度的变化，Amax是节点的最大加速度，Δθ是节点在均匀分布区间[-α·Δt，α·Δt]上角度的变化，α表示节点在移动方向上的最大角改变[8]。在无限仿真域移动模型中，节点到达仿真域边界后重新出现在仿真域的另一面继续移动，该方法产生了允许移动节点进行无障碍移动的圆环形仿真区域。

1.3 具有空间相关性的移动模型

节点移动并不都是随机的或有时间相关性的，在很多场景中，节点的目标位置可能和当前位置有关。当移动节点下一时刻的位置和当前时刻的位置呈概率相关时，这样的移动模型就被称作具有空间相关性，较为典型的是基于概率矩阵的随机漫步模型。

基于概率矩阵的随机漫步模型采用概率矩阵P来决定下一时刻移动节点的位置，其中，矩阵的x坐标和y坐标分别表示三个不同的状态。状态0表示节点的当前位置，状态1表示先前位置，状态2表示节点保持同一方向移动时的下一个位置[9]。状态矩阵P如下所示：

P=P（0，0）P（0，1）P（0，2）P（1，0）P（1，1）P（1，2）P（2，0）P（2，1）P（2，2）（7）

其中，P（x， y）表示节点从状态x向状态y转移的概率，矩阵P的值用来更新移动节点的x坐标和y坐标。该模型产生了概率性的而不是完全随机的移动方式，更加符合实际的移动行为，但是当实体移动模型仿真场景的路径数据无法获得时，选择合适的P（x，y）值可能比较困难。

1.4 具有地理环境相关性的移动模型

当节点的移动被限制在会议区域或者校园等有边界的区域内时，所产生的移动模型被称为具有地理环境相关性的移动模型，其中最为常见且应用较多的是曼哈顿移动模型。

曼哈顿移动模型（Manhattan Mobility Model）起源于对曼哈顿城区的移动建模，该模型仿真区域以仿真开始时生成的地图为特征，仿真区域包含了多条垂直或水平的道路，并且允许节点进行多个方向的移动[10]。仿真初始化时，节点在仿真区域的随机路段上，在先前速度的基础上按照式（8）进行移动：

式中V（t）表示节点在t时刻的速度，φ是在区间[-1，1]内的随机值，A（t）表示节点的加速常数。节点移动到十字路口时，随机选择一个方向运动，可以转弯也可以继续直行，转弯的概率可以按照需要进行设置。

2 实体移动模型特点及适用场景

随机路点模型被应用在许多著名的Ad Hoc网络协议仿真研究中，它灵活多样，与行人实际移动状态更为接近，适用于会议和博物馆等场景。随机方向移动模型是不现实的，因为行人不可能在某一个区域内均匀地分布，并且不可能只在一个给定的区域边界上停留。无限仿真域模型提供了和现实更为接近的行人移动模式，它是唯一一个允许移动节点在仿真内区域内进行无障碍移动的模型，消除了区域边界对性能评估的影响，但它带来的负面影响是移动节点会沿着环形区域来回移动。高斯—马尔科夫移动模型也提供了符合实际的移动场景（如果选择的参数适当），该模型为了避免边界的影响，迫使移动节点远离仿真区域边界的方法值得关注。基于概率矩阵的随机漫步模型也提供了和实际较为符合的模型，但是为概率矩阵选择合适的参数可能较为困难。当获取到场景的路径数据的时候，该模型的作用将更为显著。曼哈顿移动模型建立了一个近似真实的城区场景，因为它严格限制了移动节点的移动方式，节点在障碍物和交通规则的限制下无法自由移动，所以该模型需要进一步结合实际城区地图使用。

3 结语

实体移动模型的研究对MANET路由协议和拓扑结构具有重要影响，选取合适的实体移动模型是研究移动自组网的关键。本文针对实体移动模型进行了分类，结合NS3仿真软件描述了各模型中移动实体运动轨迹的特点及其规律。实体移动模型的研究具有广泛的应用前景，在后续研究中，可结合移动实体的定位数据和地图信息，对移动实体的运动轨迹进行跟踪和预测，实现预测移动性管理。

参考文献：

[1] 蒲云花， 陈世平. 改进蚁群算法在移动自组网中的研究[J]. 计算机应用研究， 2015， 32（2）： 574578.

[2] 刘珩， 安建平. MANET移动模型分析与仿真实验[J]. 计算机工程，2006，32（17）：3840.

[3] 卢山， 宋志群， 贾倩. 基于车队行进场景的MANET移动模型研究[J]. 无线电通信技术，2016，42（1）：911，17.

[4] 童超， 牛建伟， 龙翔， 高小鹏. 移动模型研究综述[J]. 计算机科学， 2009，36（10）：510， 85.

[5] RAKESH KUMAR， MAYANK DAVE. Mobility models and their affect on data aggregation and dissemination in vehicular networks[J]. Wireless Pers Commun，2014（79）：22372269.

[6] 刘宴涛， 安建平. 自组织网络随机方向模型的渐近节点分布[J]. 北京理工大学学报， 2010，30（6）：723726.

[7] 靳超， 李德敏， 佟乐， 陈凤伟. 一种高斯马尔科夫自组网组移动模型[J]. 通信技术， 2011，44（2）：5961.

[8] Z J HAAS. A new routing protocol for reconfigurable wireless networks[J]. IEEE International Conference Publications，1997（2）：562566.

[9] 江秀红， 段富海， 金霞， 魏学东. 状态概率矩阵及其在GO法中应用[J]. 大连理工大学学报，2014，54（2）：176181.

[10] 彭敏. 延迟容忍网络中移动模型与路由技术研究[D]. 合肥：中国科学技术大学，2010.

（责任编辑：陈福时）