摘 要：在移動自組網仿真研究中，實體移動模型作為研究移動自組網的基礎，對網絡仿真結果有重要影響。根據(jù)移動實體特性將實體移動模型分為隨機移動、時間相關、空間相關和地理環(huán)境相關4類，對各模型的移動規(guī)律及優(yōu)缺點作詳實描述，利用Bonnmotion和NS3仿真軟件生成實體移動模型的節(jié)點信息并繪制了相應的移動軌跡，分析各實體移動模型的特點及其適用場景，可為移動自組網研究中實體移動模型選取提供參考。

關鍵詞關鍵詞：移動自組網；實體移動模型；移動節(jié)點；Bonnmotion；NS3

DOIDOI：10.11907/rjdk.162053

中圖分類號：TP302

文獻標識碼：A 文章編號文章編號：16727800（2016）011003003

基金項目基金項目：

作者簡介作者簡介：郭子立（1991-），男，江蘇連云港人，上海理工大學光電信息與計算機工程學院碩士研究生，研究方向為無線傳感器網絡、智能優(yōu)化算法。

0 引言

移動自組網（Mobile Ad hoc Network， MANET）是由多個移動節(jié)點組成的分布式多跳網絡，具有靈活性好、覆蓋范圍廣、系統(tǒng)容量大等特點，在會議展覽、搶險救災和前方戰(zhàn)場等場景中發(fā)揮著重要作用[1]。MANET的核心是路由協(xié)議，而移動實體的移動特性對網絡的路由協(xié)議和拓撲結構具有重要影響，因此選取合適的實體移動模型是研究MANET的關鍵。

實體移動模型主要描述移動實體的速度、方向和目的地等移動屬性，用來反映移動實體運動軌跡的移動特點和移動規(guī)律，被廣泛應用于無線網絡規(guī)劃、算法性能評價和蜂窩網絡性能預測等[2]。本文按移動特性將實體移動模型分為以下4類：隨機移動模型、具有時間相關性的移動模型、具有空間相關性的移動模型和具有地理環(huán)境相關性的移動模型[3]。

1 實體移動模型研究

1.1 隨機移動模型

在隨機移動模型中，節(jié)點自由移動，速度、方向和目標位置等移動屬性都是隨機選擇的，與先前節(jié)點無關。由于節(jié)點當前時刻的速度和方向與前一時刻的速度和方向不相關，這類移動模型通常被看作是無記憶的。

1.1.1 隨機漫步模型

隨機漫步模型最初是由Albert Einstein[4]提出的，用來仿真微觀粒子的不規(guī)則運動。在該移動模型中，移動節(jié)點隨機選擇速度和方向從一個位置移動到另一個位置，方向、速度分別在[0， 2π]和[speedmin， speedmax]范圍內。該模型每隔一個固定的時間間隔t或者固定的移動距離d進行一次移動，每一次移動后都會計算出一個新的方向和速度。在隨機漫步模型中，一旦移動節(jié)點到達仿真邊界，就會按引入的角度反彈回去繼續(xù)移動。目前，隨機漫步模型包含一維、二維甚至多維漫步模型等多個種類，雖然該模型簡單便捷，易于實現(xiàn)，但因為它是一個非記憶性的移動模型，無法保留先前節(jié)點的方向和速度，所以產生的是急轉和急停等完全不真實的運動。本文通過Bonnmotion工具生成實體移動模型的節(jié)點信息，在此基礎上采用NS3仿真軟件繪制節(jié)點的運動軌跡，隨機漫步模型中節(jié)點的運動軌跡如圖1所示。

1.1.2 隨機路點模型

目前應用最廣的隨機移動模型是隨機路點模型RWP（RandomWaypoint），由于該模型簡單實用，很快成為評價MANET路由協(xié)議的基準。在隨機路點模型中，節(jié)點隨機選擇移動區(qū)域內的一個目標位置（x，y）和[vmin，vmax]范圍內的速度v，然后節(jié)點以速度v向選擇的目標位置（x，y）移動，一旦到達目標位置，移動節(jié)點選擇下一次移動的目標位置和速度，停留一段時間后繼續(xù)移動，如此循環(huán)往復。圖2為隨機路點模型中節(jié)點在400×200區(qū)域內的移動軌跡。

隨機路點模型中會出現(xiàn)密度波現(xiàn)象，密度波指的是指定仿真區(qū)域內節(jié)點的聚集[5]（通常出現(xiàn)在仿真區(qū)域中心）。在隨機路點模型中，下一目標位置是隨機選擇的，當節(jié)點處于網絡中心位置偏右時，下一目標位置在當前位置左側的概率更高，因此更有可能選擇向左運動；同樣，當節(jié)點處于網絡中心位置偏左時，選擇向右運動的概率更高。這就導致了節(jié)點的分布不均勻——仿真區(qū)域的中心部分出現(xiàn)節(jié)點的聚集，這一現(xiàn)象稱之為密度波（Density Wave）。

1.1.3 隨機方向模型

為了克服移動節(jié)點不均勻的空間分布，解決密度波的問題，Royer和Moser等[6]提出了隨機方向移動模型。隨機方向模型中移動節(jié)點不是在仿真區(qū)域內隨機選擇的目標位置，而是從[0，2π]內隨機選擇一個方向，以一定的速度移動到仿真區(qū)域的邊界，停留一段時間T，再從[0，π]內隨機選擇一個新的方向向下一個目標位置移動，如此循環(huán)往復。通過這種方式，能夠實現(xiàn)節(jié)點在仿真區(qū)域內的均勻分布。隨機方向模型中節(jié)點的軌跡如圖3所示。

1.2 具有時間相關性的移動模型

當節(jié)點的運動與時間相關時，意味著節(jié)點的移動是被運動學物理定律所支配的，并且當前時刻的移動與先前時刻的移動密切相關。例如，節(jié)點當前速度依賴于先前時刻的速度，并且大多數(shù)情況下節(jié)點沿著給定的路徑移動。

1.2.1 高斯—馬爾科夫模型

高斯—馬爾科夫模型最初是由Liang和Haas提出的，用來實現(xiàn)個人通信系統(tǒng)PCS（Personal Communication System）的仿真。該模型中，節(jié)點起始時具有當前速度和方向，每隔一個固定的時間間隔，節(jié)點對速度和方向進行更新，節(jié)點在t時刻的速度和方向在t-1時刻的基礎上根據(jù)式（1）和式（2）求得：

式中Vt和dt分別表示節(jié)點在t時刻的速度和方向，α表示記憶水平，Wt-1和Zt-1是均值為0，方差為σ2的高斯分布隨機變量，和分別表示當t→∞時速度和方向的平均值[7]。

圖4為高斯-馬爾科夫移動模型中節(jié)點的運動軌跡。高斯-馬爾科夫模型中的節(jié)點被迫與仿真邊界保持距離，一旦接近邊界就改變它的方向，記憶水平α決定了節(jié)點移動與時間的相關性，α的取值范圍是[0， 1]，α越接近1，節(jié)點當前速度和先前速度的相關性越大。

1.2.2 無限仿真域模型

無限仿真域模型中，移動節(jié)點當前時刻的方向和速度與先前時刻相關，速度向量=（v，θ）用來描述移動節(jié)點的速度v和方向θ，移動節(jié)點的坐標用（x， y）表示，速度和位置采用以下公式每隔Δt時間更新一次：

其中，Vmax表示最大速度，Δv表示移動節(jié)點在均勻分布區(qū)間[-Amax·Δt，Amax·Δt]上速度的變化，Amax是節(jié)點的最大加速度，Δθ是節(jié)點在均勻分布區(qū)間[-α·Δt，α·Δt]上角度的變化，α表示節(jié)點在移動方向上的最大角改變[8]。在無限仿真域移動模型中，節(jié)點到達仿真域邊界后重新出現(xiàn)在仿真域的另一面繼續(xù)移動，該方法產生了允許移動節(jié)點進行無障礙移動的圓環(huán)形仿真區(qū)域。

1.3 具有空間相關性的移動模型

節(jié)點移動并不都是隨機的或有時間相關性的，在很多場景中，節(jié)點的目標位置可能和當前位置有關。當移動節(jié)點下一時刻的位置和當前時刻的位置呈概率相關時，這樣的移動模型就被稱作具有空間相關性，較為典型的是基于概率矩陣的隨機漫步模型。

基于概率矩陣的隨機漫步模型采用概率矩陣P來決定下一時刻移動節(jié)點的位置，其中，矩陣的x坐標和y坐標分別表示三個不同的狀態(tài)。狀態(tài)0表示節(jié)點的當前位置，狀態(tài)1表示先前位置，狀態(tài)2表示節(jié)點保持同一方向移動時的下一個位置[9]。狀態(tài)矩陣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）表示節(jié)點從狀態(tài)x向狀態(tài)y轉移的概率，矩陣P的值用來更新移動節(jié)點的x坐標和y坐標。該模型產生了概率性的而不是完全隨機的移動方式，更加符合實際的移動行為，但是當實體移動模型仿真場景的路徑數(shù)據(jù)無法獲得時，選擇合適的P（x，y）值可能比較困難。

1.4 具有地理環(huán)境相關性的移動模型

當節(jié)點的移動被限制在會議區(qū)域或者校園等有邊界的區(qū)域內時，所產生的移動模型被稱為具有地理環(huán)境相關性的移動模型，其中最為常見且應用較多的是曼哈頓移動模型。

曼哈頓移動模型（Manhattan Mobility Model）起源于對曼哈頓城區(qū)的移動建模，該模型仿真區(qū)域以仿真開始時生成的地圖為特征，仿真區(qū)域包含了多條垂直或水平的道路，并且允許節(jié)點進行多個方向的移動[10]。仿真初始化時，節(jié)點在仿真區(qū)域的隨機路段上，在先前速度的基礎上按照式（8）進行移動：

式中V（t）表示節(jié)點在t時刻的速度，φ是在區(qū)間[-1，1]內的隨機值，A（t）表示節(jié)點的加速常數(shù)。節(jié)點移動到十字路口時，隨機選擇一個方向運動，可以轉彎也可以繼續(xù)直行，轉彎的概率可以按照需要進行設置。

2 實體移動模型特點及適用場景

隨機路點模型被應用在許多著名的Ad Hoc網絡協(xié)議仿真研究中，它靈活多樣，與行人實際移動狀態(tài)更為接近，適用于會議和博物館等場景。隨機方向移動模型是不現(xiàn)實的，因為行人不可能在某一個區(qū)域內均勻地分布，并且不可能只在一個給定的區(qū)域邊界上停留。無限仿真域模型提供了和現(xiàn)實更為接近的行人移動模式，它是唯一一個允許移動節(jié)點在仿真內區(qū)域內進行無障礙移動的模型，消除了區(qū)域邊界對性能評估的影響，但它帶來的負面影響是移動節(jié)點會沿著環(huán)形區(qū)域來回移動。高斯—馬爾科夫移動模型也提供了符合實際的移動場景（如果選擇的參數(shù)適當），該模型為了避免邊界的影響，迫使移動節(jié)點遠離仿真區(qū)域邊界的方法值得關注?；诟怕示仃嚨碾S機漫步模型也提供了和實際較為符合的模型，但是為概率矩陣選擇合適的參數(shù)可能較為困難。當獲取到場景的路徑數(shù)據(jù)的時候，該模型的作用將更為顯著。曼哈頓移動模型建立了一個近似真實的城區(qū)場景，因為它嚴格限制了移動節(jié)點的移動方式，節(jié)點在障礙物和交通規(guī)則的限制下無法自由移動，所以該模型需要進一步結合實際城區(qū)地圖使用。

3 結語

實體移動模型的研究對MANET路由協(xié)議和拓撲結構具有重要影響，選取合適的實體移動模型是研究移動自組網的關鍵。本文針對實體移動模型進行了分類，結合NS3仿真軟件描述了各模型中移動實體運動軌跡的特點及其規(guī)律。實體移動模型的研究具有廣泛的應用前景，在后續(xù)研究中，可結合移動實體的定位數(shù)據(jù)和地圖信息，對移動實體的運動軌跡進行跟蹤和預測，實現(xiàn)預測移動性管理。

參考文獻：

[1] 蒲云花， 陳世平. 改進蟻群算法在移動自組網中的研究[J]. 計算機應用研究， 2015， 32（2）： 574578.

[2] 劉珩， 安建平. MANET移動模型分析與仿真實驗[J]. 計算機工程，2006，32（17）：3840.

[3] 盧山， 宋志群， 賈倩. 基于車隊行進場景的MANET移動模型研究[J]. 無線電通信技術，2016，42（1）：911，17.

[4] 童超， 牛建偉， 龍翔， 高小鵬. 移動模型研究綜述[J]. 計算機科學， 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] 劉宴濤， 安建平. 自組織網絡隨機方向模型的漸近節(jié)點分布[J]. 北京理工大學學報， 2010，30（6）：723726.

[7] 靳超， 李德敏， 佟樂， 陳鳳偉. 一種高斯馬爾科夫自組網組移動模型[J]. 通信技術， 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] 江秀紅， 段富海， 金霞， 魏學東. 狀態(tài)概率矩陣及其在GO法中應用[J]. 大連理工大學學報，2014，54（2）：176181.

[10] 彭敏. 延遲容忍網絡中移動模型與路由技術研究[D]. 合肥：中國科學技術大學，2010.

（責任編輯：陳福時）