基于NDN的區(qū)分調(diào)度提升樹轉(zhuǎn)發(fā)策略研究

魯 歡，郭永安，陳春玲

(南京郵電大學(xué) 計(jì)算機(jī)學(xué)院、軟件學(xué)院、網(wǎng)絡(luò)空間安全學(xué)院，江蘇 南京 210023)

0 引 言

車聯(lián)網(wǎng)(internet-of-vehicles，IoV)是物聯(lián)網(wǎng)在智能交通領(lǐng)域里的重要應(yīng)用，受到了國內(nèi)外研究人員的廣泛關(guān)注。車聯(lián)網(wǎng)通過使用GPS定位衛(wèi)星、基站和路邊的設(shè)施來完成車輛和車輛之間，車輛和路邊單元(RSU)之間的通信，使車輛之間可以通信，交換數(shù)據(jù)、信息等，以提供道路安全、娛樂和其他路邊服務(wù)[1]。車聯(lián)網(wǎng)相較于一般的網(wǎng)絡(luò)具有網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)變化迅速，車輛之間短暫間歇性連接等特性。TCP/IP體系由于其設(shè)計(jì)之初的局限性，難以適應(yīng)車聯(lián)網(wǎng)快速移動(dòng)變化的特性，這使基于TCP/IP的車聯(lián)網(wǎng)面臨巨大的挑戰(zhàn)。

命名數(shù)據(jù)網(wǎng)絡(luò)(named data networking，NDN)[2]是信息中心網(wǎng)絡(luò)(ICN)[3]多個(gè)方案中比較突出的一個(gè)，是新一代網(wǎng)絡(luò)架構(gòu)。NDN是一種以內(nèi)容為中心的網(wǎng)絡(luò)，取代了端到端的通信模式[4]，同時(shí)，具有對(duì)移動(dòng)性支持良好、不依賴網(wǎng)絡(luò)地址和會(huì)話連接，多網(wǎng)絡(luò)尋址等特點(diǎn)，在移動(dòng)環(huán)境下更具優(yōu)勢(shì)，且延遲低、擴(kuò)展性強(qiáng)，使得網(wǎng)絡(luò)性能增強(qiáng)，給車聯(lián)網(wǎng)提供了新的可行方案。

在車聯(lián)網(wǎng)中，盡管基于NDN的車聯(lián)網(wǎng)能減少移動(dòng)性的問題，但車輛在網(wǎng)絡(luò)中的快速移動(dòng)，有時(shí)難以進(jìn)行有效地通信和節(jié)點(diǎn)之間的數(shù)據(jù)傳輸[1]。此外，基于NDN的車聯(lián)網(wǎng)還面臨著車輛分布的隨機(jī)性和不均勻性、RSU設(shè)施和無線網(wǎng)絡(luò)的配置、車輛存儲(chǔ)空間不足等問題。因此，文中提出了區(qū)分調(diào)度提升樹轉(zhuǎn)發(fā)策略，其目的是為解決網(wǎng)絡(luò)擁塞、時(shí)延較高、緩存命中率不高等問題，提升轉(zhuǎn)發(fā)策略的性能，實(shí)現(xiàn)更高效的數(shù)據(jù)轉(zhuǎn)發(fā)。

1 NDN及其轉(zhuǎn)發(fā)策略

1.1 路由及轉(zhuǎn)發(fā)

NDN在功能上對(duì)其架構(gòu)設(shè)計(jì)進(jìn)行了分離，分為路由平面和轉(zhuǎn)發(fā)平面。路由平面指提供轉(zhuǎn)發(fā)數(shù)據(jù)可選擇的轉(zhuǎn)發(fā)端口的信息，轉(zhuǎn)發(fā)平面根據(jù)轉(zhuǎn)發(fā)策略從可選擇的轉(zhuǎn)發(fā)端口中選擇合適端口進(jìn)行轉(zhuǎn)發(fā)[5]。NDN中有3種數(shù)據(jù)結(jié)構(gòu)非常重要，分別為內(nèi)容倉庫(content store，CS)、轉(zhuǎn)發(fā)興趣表(forwarding information base，F(xiàn)IB)以及轉(zhuǎn)發(fā)請(qǐng)求表(pending interest table，PIT)。CS保存路由節(jié)點(diǎn)的緩存內(nèi)容；FIB保存了路由節(jié)點(diǎn)到達(dá)內(nèi)容服務(wù)器的下一跳接口，為數(shù)據(jù)的轉(zhuǎn)發(fā)提供多路徑的選擇；PIT保存了未得到響應(yīng)的興趣包的前綴信息及其到達(dá)的接口，以便數(shù)據(jù)包報(bào)文沿途返回[6]。這三個(gè)表項(xiàng)與NDN的路由、轉(zhuǎn)發(fā)和緩存都有著密切的聯(lián)系。

車聯(lián)網(wǎng)中，每個(gè)車輛節(jié)點(diǎn)都可能同時(shí)扮演著三種角色：數(shù)據(jù)的生產(chǎn)者、搬運(yùn)者和請(qǐng)求者[7]。隨著車輛用戶需求的改變，其所對(duì)應(yīng)的角色也隨之改變。數(shù)據(jù)生產(chǎn)者就是數(shù)據(jù)發(fā)布者，生產(chǎn)者根據(jù)自身的實(shí)際情況，隨時(shí)準(zhǔn)備接收鄰居節(jié)點(diǎn)的數(shù)據(jù)請(qǐng)求并給出回應(yīng)。搬運(yùn)者的工作就是搬運(yùn)，在其他節(jié)點(diǎn)需要數(shù)據(jù)時(shí)，將其所需數(shù)據(jù)搬運(yùn)過去。車輛在行駛的途中，會(huì)存儲(chǔ)一些數(shù)據(jù)，當(dāng)車輛收到廣播的數(shù)據(jù)請(qǐng)求時(shí)，如果CS中恰好有對(duì)應(yīng)的數(shù)據(jù)，則直接搬運(yùn)數(shù)據(jù)。數(shù)據(jù)的消費(fèi)者既可以是最先發(fā)送興趣包的車輛節(jié)點(diǎn)，也可以是曾經(jīng)搬運(yùn)過興趣包的車輛節(jié)點(diǎn)。數(shù)據(jù)消費(fèi)者推動(dòng)網(wǎng)絡(luò)的正常運(yùn)行。

1.2 轉(zhuǎn)發(fā)策略比較分析

目前車聯(lián)網(wǎng)環(huán)境下，在對(duì)基于NDN的轉(zhuǎn)發(fā)策略研究中，研究的重心主要在提升數(shù)據(jù)取回效率、降低數(shù)據(jù)取回時(shí)延等方面。根據(jù)內(nèi)容發(fā)現(xiàn)方式的不同可以將基于車聯(lián)網(wǎng)的NDN轉(zhuǎn)發(fā)策略分為先應(yīng)式轉(zhuǎn)發(fā)策略、反應(yīng)式轉(zhuǎn)發(fā)策略和機(jī)會(huì)式轉(zhuǎn)發(fā)策略三個(gè)方面[5]。

先應(yīng)式轉(zhuǎn)發(fā)策略中，節(jié)點(diǎn)主動(dòng)廣告所持有數(shù)據(jù)的前綴信息或位置信息等，網(wǎng)絡(luò)中的其他節(jié)點(diǎn)在收到這些信息后，根據(jù)信息更新FIB，并構(gòu)建更優(yōu)的傳輸路徑，這會(huì)產(chǎn)生較大的廣告開銷。同時(shí)，先應(yīng)式轉(zhuǎn)發(fā)策略本質(zhì)上采用“拉”方式取回內(nèi)容，會(huì)導(dǎo)致冗余的開銷。其中文獻(xiàn)[8]提出了一種針對(duì)流行內(nèi)容使用布隆過濾器(bloom filter，BF)廣告命名前綴的方案BFR及其改進(jìn)方案，這是最具代表性的轉(zhuǎn)發(fā)策略。由于車輛的快速移動(dòng)，簇頭是短暫的，需要不斷地重新選取簇頭，轉(zhuǎn)發(fā)效率較低。

反應(yīng)式轉(zhuǎn)發(fā)策略按照原路回復(fù)的策略轉(zhuǎn)發(fā)到網(wǎng)絡(luò)中，洪泛轉(zhuǎn)發(fā)(flooding)[9]是最基本的被動(dòng)式轉(zhuǎn)發(fā)策略，這種方式為每個(gè)接口設(shè)置綠色、黃色、紅色三種狀態(tài)。路由節(jié)點(diǎn)將Interest包轉(zhuǎn)發(fā)給前綴匹配成功且接口狀態(tài)不是紅色的接口，但是數(shù)量較多，容易引發(fā)廣播風(fēng)暴，網(wǎng)絡(luò)性能隨之大幅降低。智能洪泛(smart flooding)[9]是一種改進(jìn)的洪泛方式，可以在一定程度上緩解網(wǎng)絡(luò)風(fēng)暴，但由于節(jié)點(diǎn)狀態(tài)更新滯后，重傳次數(shù)明顯增加。同時(shí)，為了找尋更合適的下一跳節(jié)點(diǎn)或數(shù)據(jù)提供者，感知機(jī)制被用于轉(zhuǎn)發(fā)策略中，如距離感知、位置感知和鄰居感知。比較具有代表性的策略有CHANET[10](content-centric mobile ad-hoc networks)、LFBL[11](listen first，broadcast later)與BREB[12](best rout，error broadcast)三種。BRBE是針對(duì)CHANET和LFBL改進(jìn)的轉(zhuǎn)發(fā)策略，保持了LFBL轉(zhuǎn)發(fā)策略下基于距離的設(shè)計(jì)思路，同時(shí)對(duì)CHANET轉(zhuǎn)發(fā)策略的三種數(shù)據(jù)結(jié)構(gòu)進(jìn)行了整合，增加了路徑恢復(fù)功能。該策略可以極大地減少數(shù)據(jù)的轉(zhuǎn)發(fā)跳數(shù)和相同興趣的冗余，但是在移動(dòng)場(chǎng)景下表現(xiàn)較差，會(huì)導(dǎo)致超時(shí)重傳或重新選路。

機(jī)會(huì)式轉(zhuǎn)發(fā)策略采用“存儲(chǔ)-攜帶-轉(zhuǎn)發(fā)”模式，不再主動(dòng)發(fā)現(xiàn)內(nèi)容，而是使用被動(dòng)發(fā)現(xiàn)的形式，避免了泛洪造成的巨大廣告開銷以及拓?fù)渥兓瘜?dǎo)致的路由失效，但是會(huì)產(chǎn)生巨大的傳輸時(shí)延。其中具有代表性的是STIR[13]轉(zhuǎn)發(fā)策略和STCR[14]轉(zhuǎn)發(fā)策略，STIR轉(zhuǎn)發(fā)策略使用了梯度場(chǎng)的概念，根據(jù)節(jié)點(diǎn)間的時(shí)空相關(guān)性構(gòu)建生產(chǎn)者到提供者的梯度場(chǎng)，形成最小延遲的傳輸路徑，從而實(shí)現(xiàn)機(jī)會(huì)路由轉(zhuǎn)發(fā)。但此算法面臨收斂速度慢的缺陷，導(dǎo)致起始路徑的準(zhǔn)確性較低。STCR轉(zhuǎn)發(fā)策略利用節(jié)點(diǎn)間的社會(huì)關(guān)系作為輔助，通過節(jié)點(diǎn)間的新鮮度和相遇頻率計(jì)算此節(jié)點(diǎn)的社會(huì)關(guān)系，在節(jié)點(diǎn)匹配時(shí)交換本地社交關(guān)系表并更新。但是此轉(zhuǎn)發(fā)策略只考慮了單個(gè)社區(qū)間的路由轉(zhuǎn)發(fā)，沒有考慮社區(qū)間的路由轉(zhuǎn)發(fā)。

這三類轉(zhuǎn)發(fā)策略普遍存在開銷較大、時(shí)延較高、網(wǎng)絡(luò)性能較低、冗余較多等問題，針對(duì)這些問題，提出一種區(qū)分調(diào)度提升樹算法，提高網(wǎng)絡(luò)性能和轉(zhuǎn)發(fā)性能。

2 區(qū)分調(diào)度提升樹算法

由于車聯(lián)網(wǎng)環(huán)境網(wǎng)絡(luò)拓?fù)渥兓烨臆噧?nèi)節(jié)點(diǎn)緩存不足，利用傳統(tǒng)的轉(zhuǎn)發(fā)策略很難將數(shù)據(jù)信息快速、及時(shí)、準(zhǔn)確地轉(zhuǎn)發(fā)出去。因此，針對(duì)當(dāng)前轉(zhuǎn)發(fā)策略的缺點(diǎn)和問題，提出了一種區(qū)分調(diào)度提升樹算法(diffserv dispatch boosting decision tree，DDBDT)。該算法通過區(qū)分服務(wù)類型和服務(wù)緊急程度，使用調(diào)度算法生成優(yōu)先權(quán)隊(duì)列，訓(xùn)練樣本集，使用加權(quán)模型操作子決策樹生成提升樹，選擇最優(yōu)轉(zhuǎn)發(fā)接口，實(shí)現(xiàn)最優(yōu)轉(zhuǎn)發(fā)。

2.1 區(qū)分服務(wù)模型

區(qū)分服務(wù)模型中，逐跳行為主要有加速轉(zhuǎn)發(fā)(expedited forwarding，EF)、確保轉(zhuǎn)發(fā)(assured forwarding，AF)和盡力而為(best-effort，BE)三種類別[15-16]，三種類型的逐跳行為對(duì)于帶寬資源的優(yōu)先權(quán)要求依次降低。EF是優(yōu)先級(jí)最高的服務(wù)，它要求端口保證該類型的分組能夠?qū)崿F(xiàn)較低時(shí)延和防抖，能夠保持配置的速率轉(zhuǎn)發(fā)出去。AF是優(yōu)先級(jí)次高的服務(wù)，屬于AF的分組將盡量不被丟棄，基本上保證分組的轉(zhuǎn)發(fā)，AF中定義了四個(gè)子類和三個(gè)分組丟棄優(yōu)先級(jí)，子類數(shù)字大的優(yōu)先級(jí)高，分組丟棄優(yōu)先級(jí)低的會(huì)優(yōu)先被丟棄。必要時(shí)，AF所占用的帶寬資源可以暫時(shí)被更高優(yōu)先級(jí)的服務(wù)占用。BE是優(yōu)先級(jí)最低的行為，不會(huì)提供任何服務(wù)質(zhì)量的保證。

具體車輛服務(wù)類型所對(duì)應(yīng)的逐跳行為如表1所示。

表1 服務(wù)類型的具體逐跳行為

同時(shí)，根據(jù)服務(wù)的緊急程度從高到低分為一級(jí)(Ⅰ級(jí))、二級(jí)(Ⅱ級(jí))、三級(jí)(Ⅲ級(jí))和四級(jí)(Ⅳ級(jí))。同等類型下的服務(wù)，高緊急度的服務(wù)可以具有更高的優(yōu)先權(quán)，可以進(jìn)行前插操作，插入到低優(yōu)先級(jí)服務(wù)之前，讓緊急程度高的服務(wù)更快速地被訪問和處理，實(shí)現(xiàn)服務(wù)的及時(shí)響應(yīng)和帶寬的合理配置使用。

2.2 加權(quán)循環(huán)調(diào)度算法

加權(quán)循環(huán)調(diào)度算法(weighted round robin，WRR)[14]將不同服務(wù)類型、不同緊急程度的數(shù)據(jù)包進(jìn)行分類，放在不同的優(yōu)先級(jí)隊(duì)列中。相較于低優(yōu)先級(jí)隊(duì)列服務(wù)，WRR算法會(huì)優(yōu)先操作高優(yōu)先級(jí)隊(duì)列服務(wù)，但是，在所有優(yōu)先權(quán)隊(duì)列服務(wù)后通過輪詢的方式進(jìn)行隊(duì)列調(diào)度，解決了PQ(priority queue)隊(duì)列中低優(yōu)先級(jí)隊(duì)列可能餓死的情況。輪詢采用的方式是允許高優(yōu)先級(jí)隊(duì)列發(fā)送多個(gè)數(shù)據(jù)包，同時(shí)，給予高優(yōu)先級(jí)隊(duì)列更高的訪問次數(shù)，讓其享受更多的帶寬資源。WRR調(diào)度算法適用于大小固定的興趣包或差異不大的網(wǎng)絡(luò)。具體示意圖如圖1所示。WRR算法中，服務(wù)會(huì)采用先進(jìn)先出的策略進(jìn)入不同的優(yōu)先級(jí)隊(duì)列中，之后進(jìn)入隊(duì)列的服務(wù)，會(huì)比較服務(wù)的緊急程度，根據(jù)服務(wù)的緊急程度進(jìn)行插隊(duì)服務(wù)，緊急程度高的服務(wù)可以插入到緊急程度低的服務(wù)之前，從而更快被訪問，提供更高效的服務(wù)。

圖1 WRR算法

2.3 提升樹

提升樹(boosting decision tree)是集成學(xué)習(xí)中的一個(gè)重要方法，是將弱分類器線性相加組裝成一個(gè)強(qiáng)分類器。提升樹是以決策樹為基樹的提升方法，采用加法模型和前向分步算法，損失函數(shù)使用平方誤差函數(shù)[17]。文中的提升樹采用4種屬性信息：端口平均時(shí)延、端口PI計(jì)數(shù)、數(shù)據(jù)的熱度值、興趣包的類別。RTT描述的是興趣包轉(zhuǎn)出到數(shù)據(jù)包返回的往返時(shí)間，可以了解端口的擁塞情況和時(shí)延。PI計(jì)數(shù)描述端口中已轉(zhuǎn)發(fā)但待返回的興趣包和數(shù)據(jù)包的個(gè)數(shù)，PI的數(shù)量反映了節(jié)點(diǎn)的擁塞情況。熱度描述的是此興趣包的請(qǐng)求頻率，反映了這段時(shí)間內(nèi)用戶的需求。高熱度的數(shù)據(jù)請(qǐng)求頻率高，數(shù)據(jù)可能緩存在附近的節(jié)點(diǎn)，請(qǐng)求數(shù)據(jù)所需要的時(shí)延、跳數(shù)都會(huì)相應(yīng)減少，反映了端口內(nèi)的緩存情況。不同類別的數(shù)據(jù)對(duì)于網(wǎng)絡(luò)延時(shí)、擁塞、性能、開銷等方面的要求是不一樣的，興趣包的類別可以在一定程度上反映數(shù)據(jù)的分布情況和端口的選擇情況。具體提升樹流程如圖2所示。文中對(duì)訓(xùn)練集集合分別隨機(jī)選擇屬性權(quán)重，使用權(quán)重處理樣本，計(jì)算損失函數(shù)，根據(jù)損失函數(shù)和樣本生成子決策樹；依據(jù)損失函數(shù)更新下一個(gè)屬性權(quán)重，生成帶權(quán)重的樣本，繼而生成另一個(gè)子決策樹，通過迭代生成所有子決策樹，采用加法模型操作子決策樹生成提升樹。

圖2 提升樹流程

2.4 區(qū)分調(diào)度提升樹流程

根據(jù)上述研究可得，區(qū)分調(diào)度提升樹執(zhí)行過程如下所示：

算法：DDBDT算法

輸入：興趣包集合I

輸出：興趣包集合I所對(duì)應(yīng)的轉(zhuǎn)發(fā)端口P

步驟1：興趣包進(jìn)入端口，進(jìn)行CS和PIT查詢，CS匹配成功，則直接傳回?cái)?shù)據(jù)包；PIT匹配成功，則在PIT中記錄下請(qǐng)求端口并丟棄此興趣包；

步驟2：區(qū)分服務(wù)類型和緊急度，興趣包I選擇EF、AF、BE服務(wù)類型和緊急程度；

步驟3：興趣包I根據(jù)類型進(jìn)入相對(duì)應(yīng)優(yōu)先權(quán)隊(duì)列，執(zhí)行隊(duì)列調(diào)度算法；

步驟4：生成提升樹，選擇轉(zhuǎn)發(fā)端口進(jìn)行數(shù)據(jù)轉(zhuǎn)發(fā)。

DDBDT算法的具體工作流程如圖3所示。

圖3 DDBDT流程

當(dāng)節(jié)點(diǎn)收到興趣包后，先進(jìn)行CS和PIT查詢匹配，若CS匹配成功，則直接返回?cái)?shù)據(jù)包；若未匹配上CS，則查詢PIT，若PIT中存在表項(xiàng)，說明已有相同請(qǐng)求在處理，則丟棄興趣包并記錄興趣包來源。之后，對(duì)興趣包的服務(wù)類型和緊急程度進(jìn)行分類，進(jìn)入相對(duì)應(yīng)的EF、AF、BE優(yōu)先權(quán)隊(duì)列，使用WRR隊(duì)列調(diào)度算法進(jìn)行出隊(duì)操作，依據(jù)屬性信息對(duì)樣本進(jìn)行訓(xùn)練，生成提升樹，選擇最優(yōu)端口進(jìn)行數(shù)據(jù)轉(zhuǎn)發(fā)。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)設(shè)置

考慮車聯(lián)網(wǎng)節(jié)點(diǎn)的高移動(dòng)性、間歇連續(xù)性，通過道路交通模擬軟件SUMO來獲取特定道路場(chǎng)景下汽車的移動(dòng)情況，從而反映真實(shí)的實(shí)驗(yàn)數(shù)據(jù)。圖4選取仙林大學(xué)城附近的一段交通道路，運(yùn)用SUMO軟件生成的道路交通圖，設(shè)置了道路的車輛的流量和移動(dòng)速度等多種信息。選取的道路交通圖是真實(shí)路段，有雙向單車道，有單向車道，也有雙向四車道。節(jié)點(diǎn)運(yùn)動(dòng)速度在40 km/h～80 km/h，初始位置是隨機(jī)分布的，內(nèi)容請(qǐng)求者每秒發(fā)送一個(gè)請(qǐng)求，仿真時(shí)間為200 s。同時(shí)，該文采用基于NS-3的NDN模擬器ndnSIM，這是一個(gè)開源網(wǎng)絡(luò)仿真平臺(tái)，通過該平臺(tái)完成對(duì)NDN轉(zhuǎn)發(fā)策略性能的仿真和評(píng)估。

圖4 仿真道路交通圖

3.2 實(shí)驗(yàn)結(jié)果及分析

該文選取經(jīng)典的智能泛洪轉(zhuǎn)發(fā)策略、BRBE轉(zhuǎn)發(fā)策略作為對(duì)比策略，選取的評(píng)價(jià)指標(biāo)有：

平均時(shí)延:從興趣包的發(fā)出到數(shù)據(jù)包的返回經(jīng)過的時(shí)間。

興趣包滿足率:成功返回?cái)?shù)據(jù)包的所對(duì)應(yīng)的數(shù)據(jù)包的數(shù)量和實(shí)驗(yàn)中全部興趣包的數(shù)量之間的比例。

興趣包滿足率與節(jié)點(diǎn)數(shù)目的關(guān)系如圖5所示。

圖5 興趣包滿足率

圖5中，DDBDT轉(zhuǎn)發(fā)策略隨著節(jié)點(diǎn)數(shù)目的增多興趣包滿足率不斷上升。當(dāng)節(jié)點(diǎn)數(shù)目在40個(gè)時(shí)，DDBDT興趣包滿足率比智能泛洪轉(zhuǎn)發(fā)策略高5.2%，比BREB轉(zhuǎn)發(fā)策略高3.5%；而節(jié)點(diǎn)數(shù)目達(dá)到80個(gè)時(shí)，DDBDT興趣包滿足率比智能泛洪轉(zhuǎn)發(fā)策略高8.9%，比BREB轉(zhuǎn)發(fā)策略高5.1%。

隨著節(jié)點(diǎn)數(shù)目的增加，網(wǎng)絡(luò)的連通性更加完善，興趣包滿足率也隨之增加。智能泛洪轉(zhuǎn)發(fā)需要廣播大量節(jié)點(diǎn)以尋找目標(biāo)節(jié)點(diǎn)，因此在節(jié)點(diǎn)數(shù)目較低時(shí)興趣包滿足率較高，但隨著節(jié)點(diǎn)數(shù)目的增加，需要廣播的節(jié)點(diǎn)太多，興趣包滿足率最低。車輛的快速移動(dòng)導(dǎo)致車輛間距離不斷改變，BREB轉(zhuǎn)發(fā)策略會(huì)導(dǎo)致重傳，興趣包滿足率也相對(duì)較低。區(qū)分調(diào)度提升樹算法先對(duì)服務(wù)進(jìn)行區(qū)分，更加具有針對(duì)性，同時(shí)決策選擇最優(yōu)轉(zhuǎn)發(fā)接口，興趣包滿足率較高。

平均時(shí)延與節(jié)點(diǎn)數(shù)目的關(guān)系如圖6所示。

圖6 平均時(shí)延

圖6中，DDBDT轉(zhuǎn)發(fā)策略相較于Smart Flooding轉(zhuǎn)發(fā)策略在節(jié)點(diǎn)數(shù)目為40個(gè)時(shí)，平均時(shí)延低了10.9 ms；在節(jié)點(diǎn)數(shù)目為80個(gè)時(shí)，平均時(shí)延低了25 ms。DDBDT轉(zhuǎn)發(fā)策略在節(jié)點(diǎn)數(shù)目為40個(gè)時(shí)，平均時(shí)延相較于BREB轉(zhuǎn)發(fā)策略低了9.3 ms，在節(jié)點(diǎn)數(shù)目為80個(gè)時(shí)，DDBDT轉(zhuǎn)發(fā)策略相較于BREB轉(zhuǎn)發(fā)策略平均時(shí)延低了14.6 ms。

平均時(shí)延隨著節(jié)點(diǎn)數(shù)目的增加而不斷增加，智能泛洪轉(zhuǎn)發(fā)策略的節(jié)點(diǎn)狀態(tài)更新滯后，重傳次數(shù)明顯，需要耗費(fèi)大量的時(shí)延。BREB轉(zhuǎn)發(fā)策略沒有充分使用節(jié)點(diǎn)中的緩存數(shù)據(jù)，同時(shí)在車輛快速移動(dòng)環(huán)境下，距離的迅速改變，會(huì)導(dǎo)致重傳和重新選路，會(huì)產(chǎn)生較大的時(shí)延，該文提出的區(qū)分調(diào)度提升樹算法根據(jù)興趣包的內(nèi)容、端口的實(shí)際狀況、端口內(nèi)的緩存選擇最優(yōu)的轉(zhuǎn)發(fā)接口，只產(chǎn)生較小的時(shí)延。

4 結(jié)束語

文中闡述了NDN在車聯(lián)網(wǎng)環(huán)境中發(fā)展的局限性以及NDN轉(zhuǎn)發(fā)策略研究的重要性，車聯(lián)網(wǎng)環(huán)境下車輛的快速移動(dòng)，車輛間連接的不穩(wěn)定性，NDN轉(zhuǎn)發(fā)策略存在時(shí)延較高、沒有充分利用節(jié)點(diǎn)內(nèi)緩存等缺點(diǎn)，提出了一種區(qū)分調(diào)度提升樹算法。在ndnSIM平臺(tái)對(duì)該算法和兩種典型轉(zhuǎn)發(fā)策略進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)表明區(qū)分調(diào)度提升樹算法具有更高的興趣包滿足率和更低的時(shí)延。

文中對(duì)轉(zhuǎn)發(fā)策略的時(shí)延、興趣包滿足率進(jìn)行對(duì)比，在此基礎(chǔ)上，筆者將考慮將丟包率、冗余性、跳數(shù)等指標(biāo)進(jìn)行進(jìn)一步的考量，同時(shí)將進(jìn)一步優(yōu)化算法，使其在車輛網(wǎng)環(huán)境下有更好的性能。