延遲容忍網絡中面向數據傳輸的激勵機制研究

張 巖

延遲容忍網絡中面向數據傳輸的激勵機制研究

張 巖

數據傳輸問題一直是DTN中的研究熱點,已有的數據傳輸算法均假設網絡結點為從不拒絕向其他結點提供服務的合作型結點，然而由于功率、存儲空間、連接機會等結點資源有限，實際上DTN未必總是滿足上述假設。為了解決已有算法的不足，針對支持自私結點和多興趣類型的DTN獨特環境，提出綜合了基于獎金的激勵機制和面向興趣的傳輸概率的一種新的激勵機制，并將結點通信建模為雙人合作博弈，通過Nash理論求解。最后，基于實際數據展開廣泛的模擬仿真，從數據傳輸率、時延、開銷方面對本文算法進行評估，仿真結果表明，算法的性能更優。

延遲容忍網絡；數據傳輸；激勵機制；合作博弈；時延

0 引言

圖1 DTN中數據傳輸示例

本文重點研究移動無線網絡的數據傳輸問題，該型網絡由蜂窩手機、PDA、筆記本等移動設備組成。與基于蜂窩信道導致用戶承擔額外成本的數據通信方案不同，本文算法利用手機、PDA、筆記本普遍支持的無成本、低功率、短范圍（比如 Wifi或藍牙）無線傳輸功能，來建立間斷性連接的數據通信移動網絡。由于無線傳輸范圍較小，結點移動性不受限制，網絡連通性很低且動態性較高，其中一個結點只是偶爾與其他結點相連，進而形成容延網絡（DTN）[1]。如圖1所示：對運動、新聞和兼職招聘信息感興趣。他可以通過蜂窩信道下載信息，但成本太高。他經常光顧咖啡廳、餐廳、教學樓，這些地方都普遍支持AP訪問點，因此，他希望對這些訪問點加以利用。他可以下載體育新聞或者兼職招聘信息，滿足自己需求的同時，通過藍牙或Wifi空閑給無法訪問AP訪問點的其他移動用戶（比如用戶B）共享信息。于是，數據傳播時可以不必指定接收方，只需宣布消息內容的類型即可。路由傳輸不再尋找端到端路徑，而是網絡根據消息類型把數據傳輸給感興趣的用戶。

然而，DTN中的參與結點可能為合作結點也可能為自私結點。如果所有結點為合作結點，則每個結點都可以為其他結點義務攜帶部分消息。另一方面，如果一些結點受到自身的能量、緩存和帶寬等因素的影響，則它們可能除了自己感興趣的內容外拒絕攜帶其他人的消息，從而成為自私結點。最壞情況下，所有結點均為自私結點，所有移動設備無任何數據共享，網絡性能很低。為此，急需開發一種激勵方案來促進結點合作，從而提高數據傳輸的效率。

1 相關工作

DTN數據傳播示例中，用戶A裝備了一個智能手機，

數據傳輸問題一直是DTN中的研究熱點之一，相繼有眾多研究者提出了一系列用于DTN數據傳輸的方法，如文獻[2] 提出了一種考慮用戶社交關系同時提高信息傳輸效率為目的數據傳輸方法。仿真實驗結果表明，該算法具有更高的數據傳輸成功率以及更低的傳輸時延，同時保證了節點更好的安全性。文獻[3]提出了一種在資源受限DTN網絡中高效數據傳輸的BAR(Buffer Aware Transmission Policy for DTNs)協議，BAR利用節點的相遇概率信息來提高中繼的方向性，還利用當前緩存信息來提高資源的利用效率。仿真結果表明，與現有的幾種主流傳輸策略相比，BAR在投遞率、傳輸延遲和資源消耗等方面都具有明顯的優勢。文獻[4]提出了一種基于相對距離感知的動態數據傳輸策略RDAD。該策略采用傳感器節點到匯聚點的相對距離來計算節點傳輸概率的大小，并以此作為消息傳輸時選擇下一跳的依據。模擬實驗表明，RDAD 能夠以較低的數據傳輸能耗和傳輸延遲獲得較高的數據傳輸成功率，并且具有相對較長的網絡壽命。文獻[5]提出了一種基于概率復制的數據傳輸策略 PRD用于空間中間斷連通的延遲容忍移動傳感器網絡(DTMSN)數據傳輸。PRD由選擇復制策略和隊列管理組成，前者根據節點將消息傳遞給匯聚點的可能性，選擇下一跳進行復制傳輸；隊列管理則利用引入傳輸概率及復制數的消息生存時間決定隊列中消息丟棄原則。仿真分析表明，與現有的幾種數據傳輸策略相比，PRD 能以較低的數據復制數及傳輸延遲獲得較高的數據傳輸成功率。

另外還有，文獻[6]提出一種基于網絡編碼的高效廣播數據傳輸機制(NEBT)，基站傳感器節點將原始廣播數據分批進行編碼，以此來降低節點間的數據相似度，降低廣播時延；同時，傳感器節點根據自身的廣播增益，根據鄰居節點相對自身運動趨勢準確選擇數據交互時機，降低通信開銷。仿真結果表明，與常見的泛洪等機制相比，NEBT能進一步降低廣播時延并大幅度降低通信開銷。文獻[7]提出了一種基于分布式群組移動的事件分類傳輸策略 GMED。通過有效地發現和利用傳感器節點在運動過程中形成的群組，建立基于群組的事件分類傳輸模型，改善數據傳輸性能。仿真結果表明，GMED 能以較低的數據傳輸能耗和傳輸延遲獲得較高的數據傳輸成功率，且網絡壽命相對較長。

然而，以上的這些解決方案均假設網絡結點為從不拒絕向其他結點提供服務的合作型結點。由于功率、存儲空間、連接機會等結點資源有限，實際上DTN未必總是滿足上述假設。于是，結點如果不能獲得好處，一般不會向其他結點提供服務。所以，必須要有合適的激勵機制，以促進結點間的合作。激勵機制可分為3類：基于名譽的機制、基于獎金的機制和基于交換的機制。人們針對DTN提出了幾種激勵機制。例如，文獻[8]提出了配對Tit-for-Tat DTN激勵機制，以在TFT約束下實現結點吞吐量最大化。在文獻[9]中，每個報文被加密，結點著眼自身利益為網絡其他結點轉發數據。中繼結點需要向利益給予結點展現數據成功轉發的相關證據。否則，利益給予結點將在整個網絡廣播行為異常信息，最終將行為異常結點從網絡中刪除。文獻[10]提出了一種基于獎金的容擾網絡激勵機制，通過集成信用和加密技術解決結點間的邊緣插入和邊緣隱藏攻擊。它需要源結點和目的結點始終能夠訪問一個高可用性網絡，以進行消息控制，同時需要一個可靠的第三方負責驗證和支付服務管理。此外，文獻[11]提出一種 DTN社交自私路由算法，結點利用社交意愿度來確定是否為其他結點轉發報文。然而這些DTN激勵機制考慮的網絡和應用環境與本文不同（例如，文獻[8,9]重點研究了單播問題，本文主要研究一對多通信模式），所以無法直接用于本文研究中。鑒于此，本文在現有研究工作的基礎上，對DTN中面向數據傳輸的激勵機制展開研究，提出了一種改進的激勵機制，最后，基于實際數據展開廣泛的模擬仿真，從數據傳輸率、時延、開銷方面驗證了本文算法的有效性。

2 問題建模

本文考慮的結點自私且具有理性行為。更具體地，一個結點受其利益驅使。它只有能夠獲得收益了才會傳輸數據。否則，它不會消耗自己資源幫助他人，但也不會惡意攻擊他人。此外，我們假設具有驗證服務，結點不會通過偽造身份來進行欺騙，以獲得免費的轉發服務或者從其他結點獲得更多便宜。針對支持自私結點和多興趣類型的DTN獨特環境，本文提出綜合了基于獎金的激勵機制和面向興趣的傳輸概率的一種新的激勵機制。

2.1 相關定義

為便于闡述，我們首先介紹幾種基本概念，以此為基礎給出本文激勵機制。

定義1. 興趣是指結點希望得到的數據類型。

興趣例子包括：博客更新，分期賬單通知，天氣預報，事件提醒，商業廣告，各種新聞。

定義2. 興趣源是指生成對應興趣相關數據消息的結點。

定義3. 興趣匯點是指希望獲得并且消費對應興趣數據消息的結點。

對多種興趣，一個結點可能既是源結點也是匯點。同時，某個興趣的數據消息可能由多個源提供，多個結點可能是同一興趣的匯點。假設網絡有N個興趣類型，每個結點都是至少一個、最多N個興趣的匯點。

定義 4. 結點n關于興趣i的有效興趣接觸概率(EICP)表示結點n直接或間接接觸興趣i的匯點的概率。

EICP表示一個結點將數據以感興趣類型發送給它匯點的概率。該概率的值從本質上取決于結點的移動性，由直接和間接接觸概率匯總而得。前一種概率，即結點n興趣i的直接興趣接觸概率，表示結點i直接接觸興趣i匯點的概率。后一種概率，即間接興趣接觸概率，表示結點i以間接方式通過其他結點，把數據傳遞給興趣i匯點的概率。本文采用指數加權移動均值（EWMA）算法來維護更新結點的有效興趣接觸概率[12]。EWMA算法是在線估計最有效的算法之一，在多個領域中得到廣泛應用。該算法內容簡單，計算量低，對微量位移的響應及時，存儲空間需求穩定。當兩個結點相遇時，其中任一結點均可執行計算任務，更新結點的有效興趣接觸概率。

具體而言，每個結點維持一個計時器。如果在Δ時間內與其他結點無接觸，計時器到期，生成過期事件。表示結點n興趣i的直接接觸概率。初始化為 0，每次與興趣i結點接觸或發生過期事件時進行更新（以先發生者為準）。更新函數如公式（1）：

其中，0≤α≤1為常數，用于存儲部分歷史接觸狀態。

定義5. 獎金是指用于激勵自私結點的虛擬貨幣。

設nλ為結點n的獎金量。nλ初始化為Λ，在消息傳輸時進行更新，這一點將在2.2節具體討論。

定義6. 獎勵策略明確了一個結點如何獲得獎金。

為對雙人合作博弈提供支持（將在 2.3節討論），我們采用了如下簡單獎勵策略：如果結點n從結點m接收到與其興趣相匹配的消息，前者向后者獎勵一個獎金。如果發送的消息與接收方興趣不匹配，則結點即不獲得獎金，也不支付獎金。

定義7. 每個數據消息關聯一個復制度，表示該消息的拷貝數量。

定義8. 每個數據消息關聯一個消息估價，表示消息的潛在價值。

定義9. 預期獎金獎勵表示結點獲得數據消息后預期獲得的獎金。

定義10. 當結點n與其他結點相遇時，需要決定是否與該結點交換信息。由于自身的自私性，如果進行消息交換，則結點n希望實現其預期獎金獎勵最大化。結點n此時在做出決策將要用到的效用函數為公式（5）：

其中，Un為結點n的效用函數，I為興趣類型總數，和分別為消息交換前和交換后，興趣i的消息集合。

2.2 本文激勵機制概述

基于以上定義，將本文激勵機制闡述如下。為方便討論，我們假設每個數據消息，比如結點n處的消息m，關聯了一個描述性元數據，內容包括它的興趣類型（i），序列號（m），估價（），復制度（）。設為結點n的消息元數據集合，Φn為結點n的 EICP列表（即

當結點n與另一個結點（比如結點k）相遇時，遵循以下5個步驟獲得必要信息，并做出消息交換決策：

第四步：結點n和k然后協商交易哪些消息。這一過程描述為雙人合作博弈，并用Nash理論獲得最優解，確定結點n和k將要交換的兩個最終消息列表，表示為Ln和Lk且。雙人合作博弈模型及其基于 Nash理論的求解方法將在3.3節做詳細討論。

第五步：最后，結點n和k按對交換Ln和Lk的消息。

2.3 博弈模型和Nash求解方法

在上節所述的激勵機制中，第4步涉及雙人合作博弈理論，需要詳細探討。根據文獻[14]可知，通過假設結點為理性結點（它們的行為受自身利益驅使），兩個結點間的交互可以建模為雙人合作博弈。博弈雙方理性且自私。換句話說，各方不會惡意損害他方利益，這為雙方合作打下了基礎。另一方面，由于本性自私，每方目的不同。請注意，該自私行為可能促進合作，也可能阻礙合作，具體視其能否給他們帶來利益決定。例如，根據本文網絡環境，自私結點的目的是實現式5定義的效用函數最大化。一個結點通過獲得新的數據消息可以提高它的效用函數。但這也會增加數據消息的復制度，降低其他結點的效用函數。雙人合作博弈允許各方根據可能發生沖突的利益情況，達成約束協定。這與禁止雙方達成約束協定的非合作博弈剛好相反。鑒于雙方的自私本性，只有惠及雙方才能達成約束協定。

通過實現Nash積最大化，獲得雙人合作博弈最優解（或者Nash解）[14]，即公式（6）：

雖然上文對最優解做了總體描述，但是在實際網絡中計算該最優解非常復雜，原因有二：一是每個結點擁有的數據消息數量巨大，二是從所有可能解中確定和將會消耗大量時間。為此，通過每次考慮一對消息，我們采用了一種簡單的近似策略。具體來說，對每組消息和，通過假設消息mn和mk在結點n和k間交換來計算對應的Nash積。選擇Nash積最大的一對消息進行交易。時間復雜度為。重復以上過程，直到結點n和k間的連接斷開，或者Ln或Lk為空，或者式6無解。

請注意，結點n發送消息m給結點k時，它仍然保存了消息的一份拷貝，且復制度做了更新。因此，網絡狀態穩定后，結點數據隊列可能變滿。接收到一個消息后，意味著替換預期獎金獎勵最低的現有消息。在計算效用增益時，需要計算該消息的損失，也就是說，丟失的消息從式5的中排除。

3 仿真實驗

我們通過仿真實驗對本文激勵機制進行了性能評估。本節首先介紹實驗配置，然后進行性能比較和討論。

3.1 仿真設置

本文將文獻[15]中的劍橋大學Haggle項目和文獻[16]中的UMass DieselNet項目的跟蹤數據用作本文仿真。這兩個項目分別代表人類社交網絡和車載網絡。對Haggle項目，稱為iMotes的移動結點分發給參加IEEE INFOCOM會議的50名人員。它的數據集包括iMotes和藍牙設備間的通信情況。我們采用的數據集有98個iMotes和藍牙設備，仿真時間總共持續342915秒（或3天）。對UMass DieselNet項目，基于30-40輛公交車構建DTN測試床，獲得約150平方英里的區域。跟蹤數據提供了公交車間的通信事件。本文仿真基于2012年1250847秒（或兩周）內37輛公交車獲得的跟蹤數據。

我們通過改變結點的合作程度來對不同機制加以比較：“直接”機制(Direct)，結點間不存在合作，結點只從對應的 AP訪問點下載自己感興趣的消息；“自我交換”機制(SelfExchange)，結點從AP或者移動結點處獲得感興趣的消息，但不攜帶自己不感興趣的消息；“隨機合作”機制(CooperRdm)，相遇結點隨機選擇部分消息（不僅僅包括自己感興趣的消息）進行交換；“合作”機制(Cooperative)，結點采取完全合作態度，在滿足自己需求后選擇攜帶最具價值的消息；本文“激勵”機制(Incentive)。另外，本文默認的網絡仿真環境有3個AP訪問點，15類興趣。源結點消息生成速率為每100秒一個消息。為充分反映歷史狀態的影響，式1和2中的和β均為0.1。我們隨機選擇部分結點為AP訪問點，運行20次以上仿真然后取均值作為最終結果。

我們的目標是將數據消息發送給對應的匯點，且延時和流量開銷盡量低。在本文仿真研究中，我們對如下性能評估指標感興趣：整個網絡范圍的數據傳輸率，結點接收率分布情況，平均傳輸延時，消息轉發開銷。網絡數據傳輸率定義為被傳輸的消息總量與應該傳輸給網絡的消息總量之比。結點的接收率為結點感興趣的消息總量和源結點生成的結點感興趣消息總量之比。平均傳輸延時描述為結點得到感興趣消息需要的等待時間。消息轉發開銷是個成本因子，定義為消息傳遞的通信成本。開銷較低意味著網絡傳輸流量較低。

3.2 性能比較

如表1和表2所示：

表1 基于HAGGLE數據的總體性能比較

表2 基于DIESELNET數據的總體性能比較

基于Haggle和DieselNet數據對不同算法總體性能做了評估。從兩表可以看出，合作方案的網絡數據傳輸率最高，其次是激勵機制、合作隨機機制、自我交換機制、直接機制。合作機制的傳輸率最高，背后原因是：結點在滿足自己興趣后展開無私互助，始終選擇價值最大的消息傳送，因此該方案中的消息被傳達給興趣結點的概率最大。同時，我們注意到，雖然合作隨機機制也采取完全合作策略，結點愿意免費攜帶其他結點的消息，但是它的傳輸率遠低于本文激勵機制；這證明我們必須要利用消息的估計價值來決定是否值得攜帶該消息，尤其是當存儲資源有限時更是如此。對本文激勵機制，消息的估計價值有效促進了結點間的合作，高效利用了通信資源（由結點容量和結點會面概率決定），因此提高了傳輸率。最后，如果消息僅是隨機轉發，則消息的傳輸率變低。由于自我交換機制中，結點只交換它們感興趣的消息，拒絕攜帶其他結點感興趣的消息，大大限制了消息傳遞，降低了傳輸率。類似地，直接機制中的結點不存在合作，傳輸率最低。

合作機制和激勵機制的平均時延遠低于其他機制，原因是兩種機制均使用消息價值來估計消息的傳輸概率，并選擇最佳路由轉發消息，因此降低了消息的傳遞時間。雖然合作機制的傳遞率和平均時延均優于激勵機制，但我們可以看出，前者的開銷遠大于后者，原因是它的無私性增加了消息在網絡中的復制量和分發量。相反，本文激勵機制中的結點，只有確認消息可以為其帶來收益時才會接收一份消息拷貝，因此開銷很低。很明顯，直接機制和自我交換機制結點只接收自己感興趣的消息，因此開銷始終為1如圖2所示：

圖2 基于Haggle數據的接收率分布、延時分布和開銷分布

圖2和圖3分別描述了基于Haggle和DieselNet數據時，各種機制的接受率、平均時延和結點開銷。如上文所述，直接機制和自我交換機制的開銷始終為1，因此此處省略。圖2表明，本文激勵機制大約48％的結點可以接收到90％自己感興趣的消息，直接機制的結點比例為 11％，自我交換機制為13％，合作隨機機制為35％。雖然合作機制52％的結點的接收率超過90％，但是30％的結點的開銷超過20。這表明，這些結點始終扮演中繼角色，對網絡的貢獻大于其他結點。相反，本文激勵機制促進了結點合作，允許結點在個體興趣和網絡貢獻間尋求平衡。如圖3所示：

于是，所有結點的開銷均低于 10。如圖2(b)所示，激勵機制 56％的結點在兩小時內接收到感興趣消息，而直接機制、自我交換機制、隨機合作機制 20％以上結點的平均時延超過9小時。圖3基于DieselNet的結果也表現了類似趨勢。

圖3 基于DieselNet數據的接收率分布、延時分布和開銷分布

AP訪問點數量變化時不同機制和性能，如圖4所示：

圖4 AP訪問點數量變化

所有AP點通過互聯網，與按照一定速率生成消息的源結點相連。AP點數量上升后，結點有更多機會訪問數據源，更新消息緩存。這也解釋了為什么圖4(a)和4(b)中，所有機制的傳遞率上升而平均延時下降。我們也觀察到，合作機制的平均傳遞率只比本文激勵機制高3％左右，開銷比本文機制高5倍左右，如圖4(c)所示。這說明，激勵機制的交換過程大大降低了傳輸成本，同時保證了傳遞率和平均時延達到滿意水平。

圖5通過改變消息生成率來比較各機制的性能。在圖5(a)中，消息生成率變大時，直接機制、自我交換機制和隨機合作機制的傳遞率均有所下降，激勵機制和合作機制保持穩定。消息生成速率變大時，源結點將會生成更多的消息。源結點生成的消息越多，網絡需要攜帶的負載越多。如果直接機制和自我交換機制等機制的結點對網絡貢獻有限，則在可接受的延時內，源結點將會積聚更多消息，無法發送給對應的匯點，降低了傳遞率。對合作機制，結點盡力提高消息發送量，無私貢獻它們的緩存和能量。這便解釋了它的傳遞率為何可以保持穩定。下面解釋為何本文激勵機制的傳遞率沒有下降。原因是：新消息的價值始終較高，自私結點愿意獲得這些高價值結點，以實現收益最大化，如圖5所示：

圖5 數據消息生成速率變化

傳遞率穩定的同時，開銷有所上升，因為有更多的消息在傳輸期間被復制。消息生成率上升后，延時增加，如圖5(b)所示。由于各個結點的資源有限，消息生成率越大，消息在源結點和中間結點的等待時間越長，延時也就越長。

興趣類型數量對網絡的影響，如圖6所示：

圖6 興趣類型數量變化

我們假設至少有一個興趣，最多有N個興趣，其中N是興趣類型最大值。圖6(a)表明，興趣類型增多時，自我交換、隨機合作和合作機制的傳遞率下降，激勵機制略有上升。這是因為結點興趣量較多時，激勵機制中的結點間展開合作，增加了消息在結點間互相傳遞的概率。從圖6(b)可以看出，除了直接機制外，所有機制的平均延時均略微上升。從圖6(c)可以看出，本文激勵機制的開銷比較穩定。這是因為結點只選擇效益最大的消息進行交易，從不把資源浪費在搭便車行為上。

4 結論和未來工作

本文對延遲容忍網絡中面向數據傳輸的激勵機制問題展開了研究。考慮到延遲容忍網絡的獨特性、連通的間斷性、結點興趣的多樣性，對于中間結點，一個消息的價值主要取決于由它發送消息的概率。該概率本身的估計值非常重要。此外，可能有多個移動用戶需要同一個消息。所以，該消息可能被多次“買”給不同的接收方。另外，消息在傳輸過程中可能會生成多個拷貝，接收方只為收到的第一個拷貝“買單”。這些特點綜合到一起后，大大增加了激勵機制開發的特殊性、有趣性和復雜性。鑒于此，本文提出了一種改進的激勵機制，并將結點通信表述為雙人合作博弈，通過 Nash理論求解，最后通過仿真實驗驗證了本文算法的有效性。我們下一步工作的重點是對DTN中節點間通信的可靠性進行建模，研究DTN中基于機會路由的數據傳輸可靠性問題。

[1] 李向群, 劉立祥, 胡曉惠, 等. 延遲/中斷可容忍網絡研究進展[J]. 計算機研究與發展, 2009, 46(8):1270-1277

[2] 黃海平, 盛勇華, 徐佳, 等. 一種基于社交關系的容遲網絡數據傳輸方法[J]. 解放軍理工大學學報, 2013,14(4)：123-130

[3] 陳卓, 馮大權. BAT: 一種資源受限 DTN 中的高效數據傳輸策略[J]. 計算機工程與應用, 2011, 47(21):28-30

[4] 許富龍, 劉明, 龔海剛, 等. 延遲容忍傳感器網絡基于相對距離的數據傳輸[J]. 軟件學報, 2010, 21(3):490-504

[5] 張可, 曾家智, 劉偉. 延遲容忍移動傳感器網絡中基于概率復制的數據傳輸策略及其性能研究[J]. 電子與信息學報, 2010, 32(3): 677-681

[6] 楊奎武, 郭淵博, 鄭康鋒, 等. 延遲容忍移動傳感器網絡高效廣播數據傳輸機制[J]. 北京郵電大學學報,2013, 1(18):167-175

[7] 吳磊, 王曉敏, 劉明, 等. 延遲容忍傳感器網絡中基于群組運動的事件傳輸[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年國家自然科學基金面上項目（項目編號：61173051/F020104）

張巖（1962-），女，大連商業學校，遼寧大連人，碩士，講師，研究方向：DTN網絡，信息檢索，大連，116033