物聯網環境下數據轉發模型研究

李繼蕊 李小勇 高雅麗 高云全 方濱興

目前，幾乎所有的智能設備和物體都嵌入了傳感器，這使得它們能夠實時感知環境信息，如：汽車、可穿戴設備、筆記本、傳感器、工業和公用事業組件等智能設備都通過網中網相連，并且具有一定的可改變人們工作和娛樂等各種生活方式的數據分析能力，使絕大多數人通過互聯網完成他們的需求或工作，甚至業務或交易。這一過程的實現，要求人們與連接上網絡的許多設備或物體進行互動或通信，由Gubbi等人提出的物聯網（internet of things，簡稱IoT）模式反映了整個世界當前和未來的這種場景。而且，物聯網研究者們曾聲明：到2020年，物聯網將明顯地增長至覆蓋我們生存環境中的所有物體，創建一個所謂的萬聯網（internet of everything，簡稱IoE）。這種現象己經激起一些關于物聯網的有趣應用概念，比如智能家居或家庭、智能城市、環境監測、智能醫療、食品溯源、國防軍事、智能交通和智能環境等，其中，幾乎所有概念的實際應用場景都要求實時響應或及時轉發數據給用戶，否則，數據就會失效，服務會產生中斷，用戶體驗質量下降。因此，數據轉發性能的提高，是實現物聯網服務連續性的有力保障。

盡管過去許多領域的研究工作者已經致力于提高物聯網數據轉發的性能，但因物聯網環境的復雜多變性，許多亟待解決的技術問題依然存在。本文在介紹物聯網體系結構和數據轉發關鍵性問題的基礎上，分析了當前一些典型的物聯網數據轉發應用模型，包括近些年出現的新興技術或概念（比如5G網絡、D2D技術、命名數據網絡、軟件定義網絡、霧計算或移動邊緣計算等）對物聯網數據轉發策略研究帶來的變化和影響，并在可靠性、擴展性和魯棒性等方面進行對比分析。最后，對物聯網數據轉發未來的研究趨勢進行展望和總結。

1 物聯網數據轉發問題

1.1 物聯網體系結構

物聯網技術是以能夠提供靈活有效資源的云計算為根基的，它主要依靠感知層技術（如射頻識別、短距離無線通信、傳感器等）、網絡層技術（有線或無線接入方式）、業務及應用層技術（信息發現、智能處理、中間件、分布式計算等）等按照協議約定將世界萬物全部連入信息系統，達到縮小信息系統與物理世界距離的目的。分布式的物聯網設備產生的巨大數據業務可以通過互聯網被傳輸到稱為“智能大腦”的遠程云來處理。

無線通信技術的發展，促使物聯網應用模式變得更加豐富多彩。為了研究海洋生物或陸地野生動物的生活習性，可以在它們身上裝備傳感器以便收集相關數據進行分析；在商場、公園等人群密集的地方，可以借助人類攜帶的手機等智能設備收集或轉發溫度、濕度、塵粒濃度等數據以便進行PM2.5的監測，為人類提供戶外活動的實時信息指導；為了便于人們出行，在城市交通網絡中安裝各種智能無線傳輸設備，能夠進行實時路況監測，實現安全、可靠的高效率智能交通運輸。除此之外，對其他具有挑戰性的特殊領域（比如軍事等）應用無線通信技術實現實時信息監測也具有重大意義，這些情形充分展現了物聯網應用的泛在性。文獻[7]將物聯網的網絡架構、通信技術、數據融合、異構網絡融合等8個方面歸結為其領域的主要研究內容，其中蘊含著物聯網實現的整個過程，即：在物聯網應用過程中，要遵循相關標準，在其網絡架構的基礎上，通過智能設備感知并采集數據，利用通信技術傳遞信息數據，完成數據融合和異構網絡融合的任務，為其應用和開發服務，并且整個過程要保障信息安全和保密。顯然，通過人或/和物互連實現信息共享，是物聯網應用研究的核心。而信息共享的過程需要對數據進行感知、轉發和處理等一系列操作，其中，數據轉發就是將各類感知節點采集到的數據通過一跳或多跳的方法傳遞到網關或匯聚節點，實現物聯網信息及時處理的過程。多年來，眾多國內外研究者致力于實現各種物聯網環境下高效節能的數據轉發，比如：針對低占空比的無線傳感網，文獻[8]提出了一種基于最優前導碼（發送有用信號之前發送的一系列信號）長度的輕量級數據轉發策略；文獻[9]針對機會水下傳感網提出一種數據傳播可控制的策略以提高轉發性能；基于本地活躍度和社會相似性，文獻[10]提出一個適用于移動社交網絡的數據轉發策略；文獻[11]針對具有社區特征的車載網絡提出了一種考慮旅行信息的數據轉發策略；文獻[12-18]也是有關物聯網各種應用服務下的數據轉發研究等等。由此可見，信息傳遞或數據轉發是物聯網應用實現的一個至關重要的關鍵步驟。

1.2 物聯網數據轉發機制

物聯網數據轉發主要依靠網絡技術完成。在物聯網應用的發展歷程及模式中，其網絡技術主要包括傳統無線傳感網絡和移動機會網絡兩種表現形式。傳統無線傳感網絡是物聯網概念早期的主要應用方式，它屬于有意識主動部署傳感網，目前在很多領域依然占據主導地位。傳統無線傳感網絡在絕大多數情況下是以固定網絡拓撲結構為基礎、按實際需求添加部分動態節點進行各種相關研究的，其中，所有固定傳感器節點基本上是事先按隨機或有意撒播的方式部署，而動態傳感器節點數目較少，僅起到輔助作用，可作為中間轉發媒介節點對固定節點收集的數據進行二次收集，以達到整個無線傳感網絡節能的目的。這種情況下的數據轉發主要依靠轉發數據本身信息、節點實時狀態或事先設定好的轉發方式（如周期轉發、傳染病模式等）完成數據從傳感器收集節點經系列中間傳輸節點（固定傳感器節點或移動傳感器節點）以高速度、高質量、低能耗為目標傳送到sink節點，其網絡拓撲結構的動態性變化主要由節點有限能量的喪失引起，顯然，這種節點能量的不穩定性很容易導致傳遞數據的丟失，引起收集數據的不完整性。再者，節點硬件節能技術又難以有實質性的提升，這些都成為提高傳統無線傳感網絡數據轉發性能的主要障礙。

移動智能設備的出現使物聯網的應用模式發生了很大的變化，其數據轉發的機制研究也隨之有了進一步的突破（http://vdisk.weibo.com/s/dGCJpMRG5imI）。思科公司曾預測：到2019年，連入互聯網的設備將每年產生507.5 ZB的數據量；歐洲委員會也曾提出：到2020年，將有500～1000億的智能設備接入互聯網。顯然，連網智能設備數量在急劇增長，由其產生的數據流是高容積和高速度的。同時，通信技術的發展，促使如GPS、距離傳感器、攝像頭、陀螺儀等各種類型的傳感器應運而生，集成傳感器的各種高性能移動智能終端或便攜式智能設備具有越來越強的計算和通信能力，它們可以組成移動感知機會網絡，也可以融入無線傳感網，充當無線傳感網中的數據收集或傳遞節點，采用逐跳的方式完成數據傳輸，兩者構成互補。“存儲—攜帶—轉發”是移動感知機會網絡節點的特點，它能滿足間歇式連網的需要，其拓撲結構具有隨上下文、時間和空間的動態變化性。作為機會網絡節點的智能設備的移動或部署與人類行為特性密切相關，并且后者會對前者產生一定的影響，所以在移動機會網絡數據轉發研究中，其節點具有人性化特征，即，持有者或實施者的許多特性或行為在數據轉發過程中將被考慮作為主要因素，這使得機會網絡數據轉發研究相對于傳統無線傳感網絡下的數據轉發研究更加貼近實際。雖然機會網絡的節點資源也是受限的，但其中很多節點的能量易于獲取，可再次循環利用，因此，可通過提高機會數據轉發性能為物聯網應用服務連續性提供進一步的可靠保障。目前，機會網絡數據轉發在各個領域均有廣泛的應用研究，比如車載網絡、水下傳感網絡、社交網絡、無線體域網絡、路網等，其轉發機制常見的有基于編碼的、基礎設施幫助的、冗余或復制的、節點主動運動的、效用的、節點間社會關系的等。

物聯網應用在傳統無線傳感網的基礎上借助各種智能設備的傳感器感知一切事物信息，這種新模式改變了傳統無線傳感網的運作方式，能夠降低其網絡部署成本，為非全連通網絡提供更多的數據傳輸機會，在很大程度上提高了數據收集和融合的性能，也為無線傳感網帶來新的機遇和挑戰，滿足隨處感知和泛在互聯的物聯網基本需求。顯然，高效率、低能耗的數據轉發是保障物聯網連續性服務的一個研究重點，值得深入探究。

1.3 挑戰性問題

根據文獻[9，21]和其他相關研究成果，物聯網數據轉發的挑戰性問題主要包括以下6個方面。

（1）能耗問題

節點的電池具有很短的壽命，某些情況下，電池通常是難以替換的，并且太陽能也難以利用，比如環境監測、水下傳感網、視頻共享等。因此，數據轉發的目的之一就是要降低能耗。

（2）傳播時延

傳播時延指的是數據從源節點發出并傳輸到目標節點所耗費的時間。電磁波和光波是物聯網數據轉發的主要通信媒介，但這兩種技術并非適用于所有物聯網應用，比如：監測海洋生物活動的傳感網絡主要依靠聲波，它是一種典型的物理層技術。盡管如此，傳播時延仍然是物聯網數據傳輸的一個重要性能衡量指標。因此，在不同的物聯網應用場景中，減少傳輸時延是提升數據轉發性能的一項重要措施。

（3）投遞率

數據轉發應用于物聯網的各種場景中，比如間歇性連接的網絡，投遞率指的是目標節點成功收到的總數據包數與源節點一共發出的總數據包數的比值。即使采用傳染病模型進行數據轉發，也不能保證從源節點到目標節點具有很高的投遞率。因此，提升投遞率仍然是數據轉發的一項重要任務。

（4）網絡動態拓撲模型

在復雜的物聯網環境中，智能終端總是在不規則地運動，節點間的連接可能隨時產生或消失，網絡的拓撲結構也隨之不斷地變化，因而，轉發數據不可能總是沿一條事先設定好的路徑進行傳輸。所以，網絡環境的高性能動態拓撲模型構建也成為了提高數據轉發效率的途徑之一。

（5）轉發代價

通常，物聯網數據從源節點借助n（n≥0）個中間節點將單個或多個副本采用一跳或多跳的方式傳輸到達目標節點。轉發代價指的是整個傳輸過程中轉發的總數據包數與目標節點成功收到的總數據包數的比值。為了滿足整個社會綠色計算的需求，轉發代價的高低也可以作為衡量轉發效率的一項重要指標。

（6）實驗結果的可靠性

數據轉發模型或算法是否正確有效，需要通過大量的實驗進行驗證。在復雜的物聯網環境中，同一個數據轉發模型在不同應用場景下的實驗結果可能存在一定差別，在同一場景下的實驗結果也可能會有所不同。因此，為了提高實驗結果與預測數據或真實數據結果的一致性，必須遵循現實情境設計轉發模型，盡量采用實地測試，或者在現實條件達不到的情況下盡可能地采用真實、有效的多個數據集進行多次測試。顯而易見，在物聯網轉發模型研究中，真實、可靠的實驗結果是其追求的一項核心目標。

1.4 新興技術及其對物聯網數據轉發的影響

物聯網的形成和發展，使得分布在各處的大量數據需要協調和處理。物聯網的數據處理需要云計算的大力支持，離開云計算，所有的信息或數據就類似于大海中的一個個孤島，物聯網就此失去意義，成為“物離網”。

移動云計算是一項豐富的移動計算技術，隨著各種移動智能終端的廣泛普及，作為云計算的一個重要分支，它目前已成為物聯網應用的主要計算模式之一。移動云計算主要利用各種云中統一的彈性資源和網絡技術，在任何地方、任何時候基于隨時支付原則，無關于異構環境和平臺，通過以太網或互聯網服務于眾多的移動設備，以達到功能、存儲和移動等方面的隨意擴充。移動云計算能為物聯網應用帶來一系列的好處：第一，可卸載移動設備上的任務到云端，延長電池壽命；第二，能夠使移動設備運行復雜的應用程序，還能提供更高的數據存儲能力；第三，提高可靠性，因為移動設備的數據能夠在以存儲為目的的一系列可靠的固定設備上存儲及從其返回。顯而易見：在物聯網環境下的數據轉發應用中，移動云計算模式能夠提供更多的機會使移動設備參與其中；而且移動云計算核心通信技術的發展或計算模式的完善也能促使物聯網數據轉發性能得到進一步提升，從而提高數據轉發的成功率。

5G作為移動云計算的一項核心技術，其主要目標是讓終端用戶不脫離網絡覆蓋，始終與網絡保持連接狀態。它具有密集型小區部署、微米波連接、大規模多輸入多輸出、多個小區協作以及認知無線電等重要的特征。隨著5G的到來，移動云計算服務預計將達到一個快速發展的時期，并將成為移動服務中一個全新的研究熱點。在物聯網應用中，5G系統未來支持的設備不止是移動手機，它還要支持其他智能設備，比如手表、健身腕帶、家居電器（如遠程可控式空調及熱水器）等。5G未來側重于實現與其他移動無線通信技術的無縫連接，并將提供隨處可用的基礎性業務，以適應快速發展的物聯網服務及其他社會需求。顯然，未來高性能5G技術的普及能夠盡量避免移動智能設備經常喪失連接的情況發生，為物聯網環境下借助移動設備而進行的數據轉發任務提供高效、可靠的通信技術保障。

為了適應移動無線網絡的業務需求，5G在無線傳輸技術和無線網絡技術方面都有新的突破。軟件定義網絡（software defined network，簡稱SDN）技術在2014年己成為被電信和IT領域普遍接受的網絡架構概念，它是將網絡虛擬化的一種技術，實現了數據轉發與控制的分離，將作為5G的一種更加智能和靈活的組網技術或網絡架構而存在。在SDN中，受控的轉發設備組成了轉發平面，運行在控制面板上的控制應用決定了業務邏輯及轉發方式，網絡流量的靈活控制就是由這種邏輯上的集中控制實現的，為物聯網的核心網絡及應用創新提供了良好的平臺。目前，SDN涉及的范圍在逐漸擴大，涵蓋核心網、回程網、傳輸網及邊緣網等領域，這些都體現了 SDN具有極好的適應性。SDN終結了傳統網絡，其架構打破了傳統路由協議的局限，可以更加方便地將各種新的路由協議或路由策略引入網絡。作為一種新型網絡架構，它勢必會處于未來網絡架構的核心位置，為物聯網應用（比如數據轉發）提供了極大的便利。

移動邊緣計算（mobile edge computing，簡稱MEC）是基于5G演進的架構，它將云計算和云存儲拉近到網絡邊緣后，可以創造出一個具備高性能、低延遲與高帶寬的電信級服務環境，加速網絡中各項內容、服務及應用的分發和下載，讓消費者享有更高質量的網絡體驗。MEC設備所應具備的一些特性包括網絡功能虛擬化、SDN、邊緣計算存儲、綠色節能等。MEC把無線網絡和互聯網兩種技術有效地融合在一起，并在無線網絡方面增加計算、存儲、處理等功能，構建了開放式平臺以植入應用，并通過無線API開放無線網絡與業務服務器之間的信息交互，對無線網絡與業務進行融合，將傳統的無線基站升級為智能化基站。面向物聯網、視頻、醫療、零售等業務層面，MEC可向行業提供定制化、差異化服務，進而提升網絡利用效率和增值價值。同時，MEC的部署策略可以實現低延遲、高帶寬的優勢，MEC也可以實時地獲取無線網絡信息和更精準的位置信息來提供更加精準的服務。MEC的以上優勢，明顯地能為物聯網環境下的數據轉發研究帶來極大的好處。

另外，作為一種基于信息和內容的全新網絡體系結構，相較于傳統的以主機為中心的互聯網絡體系結構，命名數據網絡（named data networking，簡稱NDN）能夠更好地滿足人們對數據內容本身的強烈需求，并支持和適應其動態拓撲變化。數據轉發是路由機制的一個關鍵操作步驟，NDN在路由過程中屏蔽有關主機地址的任何信息，不管數據包的來源和獲取方式，只關注用戶需求數據，并采用命名數據名稱代替IP數據包，在整個路由算法中使用名稱解析機制。同時，為了提高請求的反饋速率，NDN將緩存機制應用到路由中，希望通過利用廣泛分布的緩存備份采用“空間換時間”的方式實現這一目的。總之，以全新的路由尋址方式和數據包封裝結構為基礎，NDN從本質上改變了網絡的路由策略，促使了物聯網數據轉發性能的提升。

綜上所述，這些新興技術分別在服務計算模式、通信技術、網絡體系架構等方面對物聯網環境下的數據轉發產生重要的影響。

2 數據轉發模型關鍵技術及構建標準

2.1 關鍵技術

節點的易喪失性或智能終端的移動性決定了數據轉發是一個隨時間和/或空間變化而變化的量。節點A可以將數據轉發給節點B并不意味著下一次依然可以轉發給B，節點位置的隨時變換或其他一些行為，極有可能導致未來節點A和/或B不會出現在這樣的路由中。數據轉發模型要能夠反映出這種動態進化性，也要具有隨上下文、時間和空間變化而重新評估的功能。數據轉發的動態模型構建一般需要考慮以下幾個技術問題。

（1）數據轉發網絡空間模型

首先要確定數據轉發應用的網絡空間模型，這個模型依據應用場景一般采用凸空間、有向圖或無向圖、樹形結構、平面空間等形式。比如，水下傳感網的網絡空間模型易采用凸空間結構：D∈R3，|D|＝L×W×H，L,W,H分別代表立體空間的3個坐標軸。它采用概率方式生成節點間的連接，使用冪律分布動態生成節點的度，從而構建一個隨時間變化的網絡動態拓撲結構。車載網絡、社交網絡等大多采用有向或無向圖的形式：G＝〈V，E〉，V是圖G的節點集合，E是圖G邊的集合，即，代表節點間存在一定的關系。瞬時子網節點間關系的建立可以使用高斯函數，它可以是一個時間函數。在占空比無線傳感網數據轉發研究中，通常采用L×W（m2）的區域作為節點的網絡空間模型，其中L和W代表區域的長和寬。由此可見，數據轉發研究的基礎是針對不同的場景建立一個正確而適當的網絡空間模型。

（2）數據轉發度量因子的選擇與計算

物聯網包含各種智能終端或節點，并通過四大網絡技術接入互聯網：短距離有線通信（包括10多種現場總線）、短距離無線通信（包括10多種頻段及標準）、長距離有線通信（互聯網、電信和廣電以及三網融合）以及長距離無線通信（包括基于蜂窩技術的偽長距離），屬于復雜網絡應用，其應用研究場景具有多樣性，比如傳統無線傳感器網絡、社交網絡、車載網絡、路網、無線體域網等。因此，針對不同的應用場景，度量數據轉發的因子也有所區別。如社交網絡中，會注重考慮設備擁有者的瞬時或累積社會關系分析；車載網絡會側重于某些車輛可預測的移動路線分析、車輛間的交互關系及乘客的作用；無線體域網主要用于智能醫療系統，側重考慮攜帶者行為對轉發的影響分析，如坐、立、行、走、陰影等引起節點拓撲結構或信號強度的變化，從而引起轉發節點隨時間和空間變化的動態性選擇。但即使是在同樣的應用場景下，度量因子的計算方式也不盡相同，比如移動社交網絡中節點社會相似性的計算，不同于其他成果，文獻[10]依據節點本地活躍度構建相似性度量。因此，數據轉發度量因子要緊密結合實際場景進行選擇，其計算方式要科學、嚴謹。

（3）數據轉發總體度量值的獲取

顯然，無論是哪一種應用場景下的物聯網數據轉發，其考慮的轉發因素一般都不止一個，這些因素應該如何集成才能取得各方面的均衡，是一個至關重要的問題。可以將整個傳輸路線的預測能耗最小、傳播延時最短、投遞率最高、轉發代價最小等中的一個或多個作為衡量轉發的目標函數，對其中各項指標可以采用線性和或加權線性和、信息熵、指標參數遞進迭代方式、泊松分布測量排序方法、社區劃分基礎上的節點間余弦距離最小值方法、向量內積計算、哈夫曼特征距離、歐式距離等各種機器學習的方法計算轉發總體度量值。

（4）數據轉發算法的設計

數據轉發流程與各種實際應用場景基本無關，僅依賴于網絡空間模型、節點轉發衡量因子和轉發度量值，以目標節點和中間節點的關系以及參數度量為基準，一般情況下，采用分情況條件判斷方式。通常先計算中間節點是否為目標節點：若是，一跳轉發；否則，再使用各種智能方法計算各個度量因素或總體度量值，分步驟比大小采用多跳形式進行，整個過程采用迭代方式直至完成后續轉發操作。在整個算法設計過程中，在追求系統性能提高的同時，還要注意兼顧時間及空間復雜度的問題。

（5）數據轉發模型的評估

根據上下文、時間和空間的動態變化進行轉發節點度量值的動態更新，轉發完成后可以選擇性記錄最新度量值，這主要取決于轉發衡量因素是否依賴于歷史信息。比如，社交網絡將節點間聯系的次數作為轉發因素，則需要保存到節點的緩存中；而在占空比無線傳感網中，如果利用低功耗偵聽MAC（media access control）協議中的前導碼來衡量是否轉發，那么信息無需保存。整個數據轉發模型優劣的判斷是基于不同的目標函數通過與類似的模型對比，然后進行參數分析，總體度量值基本上不影響下一跳轉發節點的選擇。

2.2 轉發模型構建標準

按照不同的劃分標準，可將物聯網數據轉發模型構建研究歸結為以下幾種類別。

（1）按轉發判決時是否需要額外信息輔助劃分。如果不需要，則屬于盲目轉發類型，比如洪泛機制；另一種是感知轉發，可以是一跳感知，也可以是提供者感知，即：轉發源節點感知，按照輔助信息的來源主要包括基于節點數據、數據屬性、數據融合及網絡拓撲等。

（2）按節點的作用劃分。數據轉發協議最初是為具有動態拓撲結構的移動無線Ad-Hoc網絡而提出的，目的是要實現數據包投遞率的提升和數據包傳輸延遲的下降。為了確定最好的轉發者，根據他們采用的方法的不同，這些協議被分成兩種：一種類型使用傳輸者方面決定轉發決策的本地網絡信息，即，基于傳送者的數據轉發；另一種類型是指在接收者方面通過競爭機制選擇一個轉發者的過程，即，基于接收者的數據轉發。

（3）按是否考慮社交環境因素劃分。傳感器節點或具有傳感功能的多數智能終端通常都離不開動物或人類的參與，比如智能手機、動物野外生存研究等，這些人或動物都有一定的社會活動，因此，社交因素也會對物聯網數據轉發應用有一定的影響，尤其是機會數據轉發。

（4）按轉發副本個數劃分。按照轉發的數據包數量分為兩種：多副本轉發模式和單副本轉發模式。

（5）按節點個數劃分。考慮以最小功耗為目標的網絡中節點的合作，比如在無線傳感網/無線體域網中的應用，可針對單個節點或聚簇節點展開數據轉發研究。

（6）按轉發路徑條數劃分。很多研究成果會從整個網絡的吞吐量出發，考慮數據的轉發、收集和傳輸，比如無線混合網，它們聚焦在利用網絡的多個方面（如擁塞緩解、速率調整、調度、信道分配和路由）提高無線混合網的吞吐量，這些方面可以單獨使用也可聯合使用。在源節點和目標節點間存在多跳路徑，業務轉發模式可以選擇單路徑也可選擇多路徑轉發。

除此之外，也有根據其領域研究發展歷程中關于數據轉發度量因子的考量進行階段性劃分的，比如物聯網中的車載網絡應用。

3 典型模型及其評述

物聯網具有復雜的網絡應用環境，如環境監測、智能城市、交通運輸及健康醫療等。從最初的傳統無線傳感網到如今參與設備種類多樣化的萬聯網，物聯網數據轉發技術或模型也在隨之逐步進化。目前，物聯網中關于數據轉發的研究主要涉及兩個領域。

一個是對數據轉發支撐技術的研究，比如基于信道、千擾、無線電頻率或MAC等通信技術或協議的數據轉發模型的構建，這一領域的研究雖然與具體應用關聯不大，但在傳統無線傳感網數據轉發中占有主導地位，并且對在智能物聯網中更加有效地利用數據轉發技術具有指導和實踐意義。尤其是隨著5G等新興技術的出現及飛速發展，物聯網數據轉發研究己經隨之產生了質的飛躍，非常值得關注。

另一個領域是對數據轉發算法本身的研究，這一領域與具體應用密切相關，例如在移動物聯網（社交網絡或車載網絡等）數據轉發研究中，算法會更多地關注特定物聯網環境下節點位置的動態變化、節點間的交互時長或聯系次數等一些隨時間變化的社交因素。尤其是隨著大量智能移動設備的加入或參與，這一領域的數據轉發研究更加符合實際物聯網應用環境的需求，是當前與未來物聯網數據轉發的另一個研究重點。

迄今為止，許多學者致力于各種物聯網應用環境下的數據轉發研究，并使用不同的工具和數學方法建立了數據轉發的模型。本節受文獻[126]的啟發，將根據其采用網絡情形和數學方法的不同，選取一些新的、具有代表性的、常見物聯網環境下的轉發模型進行分析和評述。

3.1 無線傳感器網絡（wireless sensor network，簡稱WSN）數據轉發

LWOF（light-weight opportunistic forwarding）是一種適用于低占空比WSN環境下的數據轉發模型。對于轉發節點的選擇，LWOF并不依賴于歷史網絡信息和節點間的競爭，而是首先考慮限制轉發候選節點到一個最優化區域，然后利用低功耗偵聽（low-power-listening，簡稱LPL）MAC協議中的前導碼和雙信道協作通信從當前節點的下行節點集合（朝向目標節點）中挑選最優轉發節點。其中，每個節點裝備有兩個無線電接口，支持雙信道通信：一個是用于傳輸忙音消息的低速率信道，即信號信道；另一個是用于傳輸感知數據的較高速率信道，即數據信道。這兩個信道的通信范圍是相同的。在每個周期中，整個轉發判斷由信號信道開始，在其空閑的前提下才考慮是否進行數據信道轉發判斷。在對數據信道監聽的過程中，一旦發現多于1個的前導碼出現，那么根據前導碼長度計算公式求得具有最短前導碼的節點作為最優轉發節點。

在占空比無線傳感網中，處于睡眠階段的節點是不參與數據轉發篩選的，而節點蘇醒的序列可以看作一個泊松分布，所以，在周期t內至少一個節點蘇醒的概率Pt（i＞1）為

其中，Ts是時間單位。如果規定當前節點的優化轉發面積為其與目標節點連線兩側各30°的扇形，那么此扇形內的節點個數Nf＝πr2D/6，其中，D是節點密度，r是在數據信道中節點的通信范圍。顯然，在低占空比無線傳感網中，Pt→0（i＞1）→0。同理，在一個周期或前導碼Tp中至少喚醒一個節點的轉發概率Pf為

通過對前導碼長度與每跳包的投遞率、節點密度、睡眠周期之間的關系進行系統分析，最短前導碼Tp為

LWOF是一種不用考慮也不必保存節點歷史狀態信息的數據轉發模型。對比LWOF策略下的LWOFLPL（low-power-listening MAC協議）與LWOF-LWMAC（用縮短了的前導碼優化后的LPL MAC協議）兩個協議和ROF協議，在單傳感數據流環境下，它們的平均投遞率基本持平，LWOF-LWMAC最低；LWOF-LPL的平均時延最長，LWOFLWMAC稍微遜色于ROF，兩者基本保持一致；LWOF-LWMAC的單數據包能耗最低，大約是ROF平均能耗的1/4，LWOF-LPL次之。在多傳感數據流環境下，ROF平均投遞率最高，LWOF-LWMAC稍優于LWOF-LPL，但三者也基本持平；LWOF-LPL的平均時延最長，ROF和LWOF-LWMAC分別大約是它的4/5和3/5；ROF的單數據包能耗依然最高，LWOF-LWMAC最低，且稍低于ROF平均能耗的1/4。由此可見：LWOF-LWMAC在取得最低能耗的同時，在投遞率和時延方面也付出了一定的代價。LWOF的主要優點是：（1）LWOF模型選擇節點具有信號和數據雙信道協作通信的優勢尤其明顯，信號信道初步判斷信道是否被占用，數據信道專用于符合條件的數據傳輸，這在極大程度上避免了轉發沖突的發生；（2）選擇轉發節點之前，優先限制轉發區域為源節點—目標節點連線兩側各30°的扇形區域，極大地縮小了搜尋轉發節點的范圍，提高了數據轉發的速度和成功率；（3）每個周期內，LWOF算法只有簡單的基本信道信息判斷和從數據信道中獲取具有最短前導碼的轉發節點，該算法的空間和時間復雜度均為O（1），因此，對于計算和存儲資源有限的傳感器節點來說，LWOF模型確實是輕量級的且是可行的。但LWOF還存在以下不足：忽略了節點周邊的建筑物或其他物體的存在或分布的不均勻性以及對信號強度造成的衰減，因為LWOF認定一個節點的通信能力在所有方向上是一樣的，這極有可能引起測試結果與實際情況存在較大差別。

類似于LWOF，在綜合考慮網絡編碼機制和數據包傳輸數量及動態傳輸功率的基礎上，Tian等人提出了一個適用于工業無線傳感網的可靠的、高能效的數據轉發模型NCPCR（network coding and power control based routing）。除了最優傳輸功率外，在成功解碼一個被編碼數據包的概率被提取之后，NCPCR模型首先獲得網絡編碼增益，然后以能耗最小化為目標，利用這個網絡編碼增益去智能決策是否應用網絡編碼判斷數據轉發。該轉發算法在線性網絡編碼和伽羅華域的基礎上進行建模，其時間復雜度為O（n2），n是網絡中的節點數量。通過與COPE和DCAR兩個路由協議對比：當節點個數和數據流的數目不變、傳輸功率發生變化時，NCPCR的每數據包平均能耗分別比COPE和DCAR減少68.7%和30.3%；當傳輸功率和數據流數目不變時，隨著節點個數的遞增，這3個路由協議的平均能耗呈遞減趨勢，此時，NCPCR比COPE和DCAR分別減少67.6%和29.9%；而當節點個數和傳輸功率不變、數據流數目發生變化時，NCPCR又比它們分別減少67.4%和29.2%。顯然，NCPCR是高能效的轉發模型，它的最大優點就是能夠支持網絡中更多的數據流，以使節點有更多的網絡編碼機會，最終能夠通過減少數據包傳送數量和讓節點自己選擇最優傳輸功率的方式來降低能耗。

3.2 移動社交網絡（momile social network，簡稱MSN）數據轉發

在MSN中，作為選擇中繼節點的度量因素，社會相似性的定義決定了機會轉發模式的性能。如果兩個節點擁有越多的共同興趣，則它們的社會相似性就越高，聯系的概率就越大，就越有可能被選為中繼節點。但存在一些研究成果忽視了一個事實的情況：在同一個社區，具有相同興趣的節點會有不同的本地活躍度。這將可能導致低效的數據轉發。因此，Zhong等人提出了LASS（local-activity and socialsimilarity based data forwarding）數據轉發模型，它首先將MSN看作一個隨時間變化的動態加權圖，在每個時刻t，這個圖都有k個稱為網絡社區的結構組成，且不同社區間存在共同的交集。節點本地活躍度反映了該節點在每個社區內活躍度的不同級別，即節點在某個社區中相遇概率的統計。那么，t時刻節點u在社區i上的本地活躍度即為

相較于Epidemic、PROPHET、Simbet、BUBBLE RAP和Nguyen’s routing，LASS的平均投遞率大約分別是它們的1.37倍、1.82倍、1.98倍、1.43倍和1.35倍；而平均時延大約分別是它們的1.36倍、1.22倍、1.25倍、1.31倍和1.07倍；在平均代價比方面，LASS與Nguyen’s routing一樣，大約分別是Epidemic、PROPHET、Simbet和BUBBLE RAP的一萬四千分之一、七千八分之一、六千六分之一和四千分之一。顯然，LASS在時延方面表現稍差一些，但在投遞率和代價比方面都有很大的優勢，尤其是突出了LASS模式的節能效果。總之，LASS整體性能表現良好，值得推廣。與目標節點具有較高社會相似性的節點將作為轉發節點，LASS轉發模型引入節點本地活躍度來提高節點間的社會相似性度量性能，其主要優點是：（1）LASS使用時間序列的動態加權圖作為網絡拓撲模型，可以更直觀地表達出節點間聯系的重要程度；（2）LASS使用傳播臨界值和WDE（weighted density embryo）輔助發現社區，這兩種方法有利于避免低權重的邊形成無意義的社區；（3）應用內積方法求解社會相似性，有助于區分不同的社會特征，保證節點間共同興趣的數量和節點的高本地活躍度；（4）內積方法還可以處理向量中均勻和不均勻的本地活躍度分布，能夠減少衡量數據轉發的度量因子數目，使其僅僅依賴節點間共同興趣的數量。盡管LASS有很多的優勢，但依然存在有待完善之處：某時刻節點本地活躍度僅依靠該時刻前節點u和v間的總共聯系次數與所有節點的聯系次數的比值的度量方式，存在不能完全正確反映實際場景應用的情況，應從客觀的角度全面地對本地活躍度進行測量，比如考慮節點在某社區中的傾向性、復雜性、唯一性、積極性和穩定性等。

針對人群密集網絡，以覆蓋社區結構和節點自身相對重要性為度量因素，Yuan等人提出了一個RIM（relative importance）數據轉發模型。該模型使用衰退聚合圖模擬網絡拓撲的時間動態變化，利用衰退和問題計算節點間的聯系強度。節點的相對重要性包括相對某個社區的重要性和相對整個社區的重要性，它主要利用衰退聚合圖的協方差矩陣求解，并利用主成分分析法和K-means算法檢測覆蓋社區結構。在RIM中需注意兩點：第一，對于不同社區，同一個節點會有不同的社交作用，因此，與目標節點社區有更高相對重要性的節點更容易被選為中繼，即，RIM的一個決定因素是當前節點到目標節點所在社區的相對重要性度量值；其次，同一個節點在同一個社區也會有不同的社會行為，比如，一些節點在它們的社交生活中易于形成小集團，而另一些節點喜歡加入多個小集團。節點有3種類型：強類型節點（僅僅屬于一個社區）、橋接類型節點（隸屬于多個社區）和噪聲節點（不屬于任何社區因此，RIM也要依賴節點類型作轉發決策。如果為噪聲節點，該節點將不轉發消息；如果是噪聲節點，同時也是強類型節點或橋接類型節點，則可以執行轉發操作；如果不是噪聲節點，當消息還未傳送至目標節點所在社區時，那么就將其轉發到比當前節點有更高相對重要性的節點，直到傳送至目標節點所在的社區，然后，該消息只在目標節點所在社區進行轉發，直至目標節點接收或消息過期。同等條件下，通過與PROPHET和BUBBLE RAP相比較，RIM的平均投遞率分別比它們提高了70%和40%，而代價分別降低了3個系數和2個系數。顯然，RIM模型在數據轉發算法中存在很大的優勢。

3.3 車載傳感網絡（vehicular sensor network，簡稱VSN）數據轉發

VSN近些年已成為促進物聯網應用的新的解決方案，引起了廣大學者的關注。它使用V2V（vehicle-tovehicle）或vehicle-to-infrastructure的無線通信方式傳遞數據到監測中心，與傳統延遲容忍網絡存在很大的區別。（1）車載網中的節點（車輛）沿一定的路線移動，而后者的節點移動具有隨意性；（2）多數情況下，車載網使用多播路由，后者常常使用單播路由；（3）車載網節點運行軌跡可預測，后者在此方面存在很大的困難。Choi等人在具有一定運行規律路線的車輛（比如公交車）軌跡的基礎上提出了一個OVDF（optimal VSN data forwarding）轉發模型，它對傳統車載網絡模型G=（I,R）（I是交叉點集合，R是原始路段集合）進行了邊的擴展（新邊集合為L），即G'＝（I,R'），其中，R'＝R∪L。

限定時延，結合預定未來軌跡、多播路由、車輛密度及速度等因素的影響，通過建模馬爾可夫決策過程（Markov decision process，簡稱MDP）解決網絡模型的數據轉發問題。

在OVDF中，設定V＝{0, 1, …,M}是車輛類型的集合，向量代表交叉點i上的路由決策，是交叉點i的所有外出邊，且按時延遞增的順序排列。u＝[ui, ?i∈I]為一個路由策略，是指在u i下通過類型為v的車輛從交叉點i轉發數據包到交叉點j的概率，上的期望數據時延，則從交叉點i到任意AP（access point）的數據傳遞時延從而，交叉點i上的數據轉發決策條件為顯然，是求解Di(u)的關鍵。立足于交叉點i，根據車載網實際運行場景分情況加以分析，建立了與類型為0和v的車輛相遇概率的函數關系；當v型的車輛選擇原始路段進行轉發數據時，采用文獻[91]中的模型進行計算；否則，當選擇擴展路段時forv＞0，其中，是類型為v的公交路線上交叉點i和j之間的路段集合；lmn是指交叉點m和n之間的路段長度，代表v型車輛在該路段的平均速度。

OVDF是應用于車載網的一個典型模型。在車輛數目、傳感數據產生速率及與AP間隔不同距離的情況下，對OVDF和已存在的路由算法VADD、TBD進行多個方面的實驗對比，結果顯示：同等條件下，OVDF傳遞總數據量比它們大約分別至少多出20%和15%；對于同一傳感范圍內的數據投遞率，OVDF分別至少比它們高出24%和13%；OVDF的平均時延分別比它們能少20%和23%。由此可見，OVDF在各個指標方面都具有優越的性能。其主要優點是：（1）基于一定條件下的實際車流量統計和預定未來軌跡制定機會轉發策略，能夠適應不同的城市道路結構和交通方式，實用價值高；（2）該模型除了通過最小化時延保存能量外，在其他方面也盡量實現綠色計算，比如數據包一旦被轉發，就從原來的車輛中刪除，確保整個網絡中每個數據包只有一個備份；（3）通過對網絡模型進行邊的擴展，能夠使其更好地適應現實車載網應用場景。OVDF模型存在的明顯不足是：實驗數據主要使用公交車類型的統計信息，并未包含出租車或私家車之類的數據，而且認為所有車輛都能使用數字道路圖和它們的GPS信息，且配備有IEEE 802.11的設備用于與其他車輛或AP通信，這些都可能導致與實際場景數據存在一定的差別。

另外，ZOOM也是一個經典的車載網數據轉發模型，它利用集成的方法完美地對車輛接觸水平和社會分層兩個等級的移動性進行管理，其核心思想即每個車輛本地維持一個與其他相遇車輛最近接觸的列表。根據過去的接觸信息，一部車輛首先為其他每輛車訓練出一個K階馬爾可夫鏈，這個馬爾可夫鏈能被用來預測它與其他車的下一次接觸。另外，一部車輛也能通過利用基于它的自我接觸圖的自我中介中心性去評估它在網絡中的位置。然后，根據預測的未來接觸信息和自我中介中心性的數值，當兩車相遇時，攜帶數據包的那輛車要先計算它們分別和目標節點間的預測接觸延遲，具有最短接觸延遲的車輛將作為下一跳數據中繼；如果兩輛車和目標節點都不存在接觸預測，則在網絡中有更重要位置的車輛將被選為中繼。ZOOM的最大缺點就是每輛車要付出一定的代價或能量來本地維持一個包含相遇車輛的近期接觸列表。與同等條件下的Markov、SimBet、BUBBLE RAP和Epidemic相比，在投遞率方面，24小時內，ZOOM能成功傳遞60%還多，而Markov、SimBet和BUBBLE RAP分別才能達到35%、37%和24%；Epidemic的傳輸時延最短，ZOOM大約分別比Markov、SimBet和BUBBLE RAP少33%、50%和60%。此外，在每個數據包的網絡流量和數據包效用方面，ZOOM也表現得非常好。總之，在城市車載網環境中，ZOOM是一個速度快且成本效益高的機會轉發模式。

3.4 無線體域網絡（wireless body area network，簡稱WBAN）數據轉發

在生化和健康醫療領域，WBAN作為一種特殊的無線傳感網，已引起學術、工業和政府等領域或部門的廣泛關注。Wu等人提出一種EDFS（energy-eficient data forwarding strategy）機會轉發模型來平衡傳感能耗，并提高異構WBAN的網絡壽命和協同操作性能。EDFS中的網絡模型是一個根節點為匯聚節點的樹，選擇轉發節點總共需要6步。第一，匯聚節點s廣播初始信息，為每個身體傳感節點分配初始參數值，如剩余能量閾值Eθ和采樣頻率、剩余能量、節點重要程度的影響因子γi,ρi,ηi；第二，傳感節點i廣播轉發請求（包括ID和位置信息），每個節點使用己知參數計算當前能量為節點j的初始能量，為之前操作過程中消耗的能量。如果節點j滿足Erej≤Eθj，則忽略i的轉發請求，否則接受，最終形成轉發接受節點集合Fi；第三，Fi中的每個節點根據γj,ρj,ηj計算各自的決策值Decj＝γj×ρj×ηj；第四，Fi中每個節點響應各自的ID、位置信息和Decj傳送給i；第五，同時使用條件dij＜djs和djs＜dis對節點間間距進行比較，滿足條件的節點形成候選轉發節點集合Fi'；最后，Fi'中決策值Decj最高的即為最合適的轉發節點。另外，如果Fi'是空集的話，i直接與s通信。

針對是否使用EDFS算法，且利用一個人的躺下、站立、靜坐、行走這4種姿勢對各個傳感器節點協作完成數據傳遞的效果分別進行測試，無論哪個傳感器在哪種人體姿勢下，使用EDFS后，節點作用過程中的滿能量消耗時長幾乎是不使用EDFS的1.6倍；在躺下和站立時，EDFS的平均跳數相同，保持最高，靜坐的平均跳數稍低一些，但它們的平均跳數均大于2跳；而行走時的平均跳數最低，少于2跳；在這4種姿勢的平均時延方面，不使用EDFS是使用EDFS的2.24倍。顯然，EDFS非常適合拓撲動態變化的傳感網，其應用能為WBAN增添巨大的利益。其主要優點是：（1）選擇轉發節點前，預先使用壓縮感知（compressed sensmg，簡稱CS）技術對收集到的數據進行處理，可以減少數據傳輸量，降低能耗，并利用稀疏二元隨機測量矩陣和離散余弦變換（discrete cosine transform，簡稱DCT）使矩陣乘法轉換為矩陣加法，加速算法運行；（2）密切關注節點自身能耗，利用采樣頻率、剩余能量和傳感節點的重要性作為度量因素，可以平衡傳感器能耗，延長網絡壽命；（3）采用網絡能源協同式應用，能有效避免重要傳感器的能量快速耗盡，比較適合拓撲結構動態變化的應用。其不足之處在于：（1）反映節點重要程度的參數ηj是主觀賦值，會對實驗效果造成一定的影響，有待改進；（2）該模型是建立在匯聚節點知道WBAN中傳感器的采樣頻率基礎上，這個獲取過程可能導致能耗增加。

考慮到人體陰影對WBAN中節點和網關間通信能力的不良影響，Argyriou等人提出一個節點具有雙通信技術的WBAN框架，即ODF（optimizing data forwarding for WBAN in the presence of body shadowing）模型。它包含兩個網絡分支：一個由身體上的節點組成，使用電容體耦合通信（body-coupled communication，簡稱BCC）；另一個是IEEE 802.15.4無線電頻率（radio frequency，簡稱RF）網絡，存在一定的工作周期，包括睡眠和工作兩種狀態，工作時轉發數據到網關，而且每個節點都要計算直接RF傳輸的平均時延和能量，并通知給其他節點。這兩個分支均是單跳的，使用不同的MAC協議，相互協作完成中繼節點的選擇和數據轉發。且候選中繼節點n是否轉發請求節點i上的數據的判斷條件為或為期望值，Erf，Drf分別是節點的本地RF傳輸的能耗和時延，Ebcc和Dbcc是隨機變量，分別代表BCC網絡中傳輸一個數據包的能量和時延。無論是在RF還是BCC中，基于MAC工作周期，時延計算都與這兩個網絡在活躍、空閑信道評估、傳輸、接收等狀態下的耗時相關，基本上是各項的線性之和，而能耗是在對不同狀態下時延分析的基礎上，考慮單位功耗后的各項線性之和。

通過與只使用RF通信的Baseline系統相比較，在節點數與中繼節點數均為4的前提下，當時延約束為1 s時，OFD的數據包喪失率大約是Baseline系統的一半，而當時延約束為50 ms時，前者約是后者的1/10；而無論時延約束是1 s還是50 ms，當節點總數不變時，OFD歸一化后的能量都將隨著中繼節點數目的增加和系統裝載量的增長而呈遞減趨勢。當時延約束為1 s、節點總數為4、中繼節點數目由1遞增到4時，OFD的歸一化時延值隨著系統裝載量的增長而遞減。此時，不同系統裝載量下，Baseline的平均數據包喪失率大約是OFD的2.4倍。同時，在真實的RF追蹤測試中，OFD在數據包延時、能耗和數據包喪失率方面都比使用RF中繼、Pocket和Torso等方法的轉發模型做得要好很多。因此，OFD在WBAN應用中性能表現良好。OFD模型僅依靠網絡自身信道條件決定轉發策略，與文獻[8]相似，其主要優點是：（1）具有BCC和RF兩種通信技術的節點，當遇到RF擁塞時，可通過BCC借助其他節點完成請求的監聽、判斷、轉發到網關等工作，分工明確，避免信道擁塞，節省資源，很大程度上降低了網絡能耗；（2）當WBAN中的節點之間不能通過RF通信時，RF傳輸被降到絕對最小，這有益于RF連接負載最小且對周圍的RF設備干擾影響也最小；（3）該模型使用節點本身的實際數據作為轉發判斷條件，更貼近現實需求，實用價值高。其明顯的不足在于：盡管對轉發條件（時延和能耗）的分析相當詳細，但計算過程非常復雜，整個轉發實現算法的時間和空間復雜度也較高，這些都會導致瞬時轉發決策性能的下降，從而增加時延和網絡能耗，因而有待進一步改善。

3.5 無線混合網絡（wireless mesh network，簡稱WMN）數據轉發

相較于車載網、社交網等，WMN是一種更貼近物聯網概念的應用模式。由于代價低、易于部署和安裝，WMN已成為無線互聯網基礎設施發展的熱門技術之一。通過改善各種措施，可以提高整個無線混合網絡的吞吐量。考慮到鏈接質量、干擾和擁塞的動態變化對WMN數據傳遞吞吐量的影響，Islam等人將WMN建模成無向圖，提出一個O-DTE（optimization framework for dynamic trafic engineering）框架模型，基于其NP難問題，首先利用貪婪啟發式變換方法對O-DTE進行優化，形成G-DTE（greedy heuristic alternate solution for dynamic trafficengineering）。G-DTE從傳輸節點的一跳下行節點中選取轉發節點，轉發節點應具有更高的數據傳輸速率和更低的干擾。然后，利用G-DTE將動態流量工程分割成多個流，通過以上選取的轉發節點組成的多條路徑進行數據轉發。在每一跳中，G-DTE僅僅使用節點的鄰居信息，因此具有很強的擴展性。

G-DTE模型立足于某個傳輸源節點，通過以下方法判斷轉發分配方案s是否最優：

其中，v和w分別是傳輸源節點和接收節點，（vw）代表節點間存在一定關系，ω(vw)是指該邊權重，Sv是節點v的所有分配方案集合，δv(s)是分配方案下轉發者的節點級別擁塞，設定ε=0.0001，以免分母為代表節點v的上行連接的集合,x（vw）是該連接在任意給定時刻的激活狀態，p（vw）和r是為該連接分配的傳輸功率和數據速率，它們均是事先給定的離散實數集合。

顯然，在上式取最大值的分配方案中，所有參與節點即為轉發節點。與O-DTE、MRA、MRT和CLC_DGS比較，在網絡吞吐量、端到端的平均時延和數據包的投遞率這3個方面，G-DTE表現得都較為平穩：在前半部分，O-DTE比G-DTE表現得要好。但到中間時，兩者形成交叉點。隨后，G-DTE性能在這3個方面都優于O-DTE。而且無論是哪個方面的比較，G-DTE和O-DTE都比另外3個優越許多。G-DTE框架模型的主要優點是：（1）使用DTE動態確定當前節點的流量分配向量，并為其每個元素分配適當的功率和速率，同時考慮連接質量、鄰居擁塞、節點擁塞和路徑擁塞，可以保證流保護約束，更具客觀性；（2）利用多元化路徑容量將流量分割到設定的多個轉發連接，可以滿足流的需求，提供了實現大數據傳輸的機會，比如傳輸視頻等；（3）為了避免擁塞，每個DTE節點本地監測它的積壓流量強度和轉發能力，目的是為了以一種公平的方式調節上行流速率，可以達到從宏觀上控制流的傳輸的目的，保證網絡吞吐量最大化；（4）這是一種綜合優化整個網絡多個元素的框架，如最大化聚合轉發速率、最小化鄰居干擾和各等級阻塞等，可擴展性強，實用價值高，極其符合物聯網應用的需求。但是，G-DTE模型也存在明顯的不足：（1）使用靜態方式對混合網中轉發節點間通信連接上的信道進行分配，會導致實驗數據與實際應用存在一定的誤差，違背客觀現實；（2）它沒有考慮某個節點不存在合適的轉發方案時的處理情況，這可能會使數據傳輸失敗，網絡服務得不到保障。

針對多傳輸/接收WMN環境，Wang等人結合鏈路調度和數據轉發提出了一個最小化數據轉發調度模型MDFS（minimizing data forwarding schedule），其環境模型是將以網關節點為樹根而形成的森林模型。該路由森林的構造采用啟發式算法，它不斷地將一個節點及其子孫從具有最高裝載量的網關樹遷移到裝載量相對較低的網關樹上，該算法具有較低的復雜度，最終能形成一個接近最優化的均衡森林。MDFS在計算過程中將干擾消除和空間復用等多輸入多輸出通信技術作為判斷轉發的依據，路由者能在它的鏈路上同時傳輸或接收不同的數據包，也能同時將多個數據包傳遞給一個鄰居節點。與文獻[110]提出的另一個構造森林的整數線性規劃算法對比，當網關數目和節點度數均為4、網絡節點數目從10增到70時，在業務量最重的網關上，MDFS較之多出至少8.6%的裝載量；當每個節點有6個鄰居時，MDFS較之多出至少9.1%的裝載量，前考的計算時長為58.8 s，而MDFS為0.36 s；當網關個數為5時，MDFS較之多出至少6.7%的裝載量，此時，前者的計算時長為14.6 s，而MDFS為0.48 s。由此不難看出，MDFS在很多方面都展現出了良好的性能。

3.6 命名數據網絡（named data networking，簡稱NDN）數據轉發

以主機為中心的傳統互聯網絡體系結構已難以滿足人們對數據內容本身的強烈需求，NDN順應這種時代需求而出現，它是一種基于信息和內容的全新網絡體系結構，將作為互聯網下一步研究的基礎。

在最初的車載命名數據網（verhicluar NDN，簡稱VNDN）中，消費者pull機制時延長且不支持push關鍵數據進入網絡，因此，Majeed等人提出一種積極的數據轉發模式EPBC（enabling push-based critical dataforwarding），以便push關鍵內容到一跳鄰居節點。Push-Based VNDN將數據內容分為關鍵和非關鍵兩部分，允許有需求（比如求救）的節點主動傳播信標消息（如內容名字和大小）給它的一跳鄰居節點。

Push-Based VNDN數據轉發判斷的流程非常簡單，且遵循NDN工作機制，其主要優點是：（1）有需求的節點采用積極主動的方式向網絡發送請求信標，觸發數據轉發流程，顯然，該轉發算法的復雜度與PIT（pending interest table）的大小緊密相關，這種通過鍵值（請求）尋找內容的方式能夠提高算法運算速度，節省能源，非常適合像車載網這種高速移動下對瞬時決策要求也較高的應用；（2）相較于傳統的Pull-Based VNDN，Push-Based VNDN的總塊傳輸時延只有它的一半或1/3，且Push-Based VNDN模型中生產者（信息服務節點）發送信標后立即推送數據內容，通過消除等待一個請求到達的時間大大降低了傳輸代價，限于文章篇幅，該證明過程可參見原文；（3）這是第一個嘗試使用NDN分類處理內容并允許推送內容到需要的地方的模型，為研究者們進一步對NDN或其他應用中的數據轉發研究提供了堅實的理論基礎和應用依據。該模型的唯一不足之處在于：只在時延上進行了對比驗證，優化目標單一，不能突顯其優良性能。

由于物聯網中存在大量資源受限的弱網絡設備，當前的NDN采用的數據轉發模式產生了大量的通信代價和無效的緩存命中率，已經不適合物聯網的需求。針對這個問題，文獻[136]提出了一個緩存感知的命名數據轉發模式。

首先是對PIT中興趣的處理。考慮到無線傳感網數據時效性和有效性的敏感程度，不同于以往的NDN數據轉發，當一條新的興趣到來時，文獻[136]不刪除PIT中同名的興趣，而是設置不同的標志進行區別，每個興趣在進入CS（content store）處理管道前要先計算出其節 點上傳感數據興趣的泊松分布輸入值。一旦在內容存儲中發現需要的興趣數據，那么興趣輸入值和輸出值就被載入即將返回的數據包。然而，沒有被命中的興趣將會創建一個新的PIT入口，并被轉發到上游接口。在發出或刪除原來的興趣輸出值后，其值再一次根據興趣被重新計算。

其次是關于數據的處理。該模式構建了一個隨機緩存時間模型，它能表征個體數據包的緩存過程并評估該數據包在下一跳節點上的緩存時間。當一個新的數據到來時，興趣的輸入值和輸出值從數據頭中被取出，根據緩存時間模型計算這個數據的緩存時間。如果這個節點己經存儲了下一個上游的緩存時間，那么這個新的時間將被刪除。在通過己存在的PIT入口傳送數據包后，它會更新興趣的輸入值和輸出值，而且該數據內容的PIT入口立刻被刪除，CS也被更新。

最后是關于數據轉發判斷。當一個興趣在MT或CS中沒有匹配項時，第1個要尋找的部分就是FIB（forwarding information base）的名稱前綴，下一個要尋找的部分是FIB的名稱后綴，如果一個名字的后綴存在，這個興趣選擇一個接口轉發它自己，即通過平等概率隨機選擇一個上游節點發送。整個過程貌似后綴信息不存在一樣，使用多播路由選擇所需數據。

本文提出的緩存感知轉發與NDN多播轉發及概率轉發相比較，在單節點轉發興趣的數量方面，前者分別大約是后兩個的2倍和2.4倍；在平均有效命中率方面，緩存感知轉發為95.65%，稍微低于NDN概率轉發（96.98%），但遠遠高于NDN多播轉發（28.75%）；在平均時延方面，緩存感知轉發為62.93 ms，NDN概率轉發為67.43 ms，而NDN多播轉發為61.68 ms。顯然，緩存感知轉發模式在各個方面的性能表現都很突出，值得關注。

3.7 多跳蜂窩網絡（multi-hop cellular network，簡稱MCN）數據轉發

隨著移動通信系統及技術的發展，未來的5G無線網絡服務模式的改變使D2D或M2M（machine-to-machine）等通信得到廣泛應用，這也將為物聯網應用帶來新的機遇和挑戰。針對MCN，Coll-PeraleS等人結合D2D通信技術以兩跳轉發為研究背景提出了一種高效、節能的基于上下文的機會MCN轉發策略（energy-efficient opportunistic forwarding，簡稱EEOF）。

兩跳機會轉發的最優化條件是

T={τ1,τ2, …,τΓ}是離散化形式的時間約束，F代表傳輸數據大小，TRD2D和TRcell分別表示D2D和Cellular通信的速率，ED2D是D2D通信單位時間功耗，PR和PW分別表示D2D傳輸過程中SN傳輸信息時、MR接收信息時的單位時間存儲功耗，PIDLE代表MR向BS移動過程中存儲和攜帶信息時的單位時間功耗。顯然，能耗最小即尋找最優位置的MR（Opt_Xi）及MR在哪個位置（Opt_Yi）轉發，用g表示最小化處理過程，則有：

EEOF模型的主要優點是：

（1）在MCN中同時使用D2D通信技術和蜂窩技術，很大程度上改善了傳統MCN中因使用間歇式Adhoc連接移動中繼而導致的端到端的傳輸延遲情況，提高了系統服務的性能。

（2）整個應用運作期間的場景設置合理，流程清晰，作為移動中繼節點選擇的度量因素，源節點與移動中繼間通信、中繼移動過程中、中繼向基站轉發過程中的存儲、攜帶和轉發等操作能耗己作了比較全面而充分的考慮，計算方式選擇也較恰當，為實驗結果更加貼近實際應用場景提供了保障。

（3）在節點空間密度分別為0.1和0.05時，節點均勻分布情況下，EEOF模型比一跳蜂窩網配置下的平均能耗可降低95%和94%；而節點不均勻分布時，平均能耗減少量分別為61%和51%。

（4）將經過理論驗證后的EFOF模型應用到基于上下文環境的延遲容忍網絡機會轉發中，性能優良，為今后的相應研究提供了可靠的理論指導和應用保障。該模型存在的唯一不足之處是：實驗僅僅驗證了兩跳通信的場景，但對于目前各種網絡通信應用模式并存的物聯網，其效果不得而知，建議從多跳轉發開始，逐步嘗試擴展應用。

3.8 各種模型的比較

對本節介紹的不同場景下的部分模型在一些參數方面進行的對比，總共適用18個指標。

前8個指標是根據文獻[21]對機會轉發策略分類所提及的各項候選度量因子的比較，其中，接觸信息是指轉發過程中兩個節點相遇時的交換信息；上下文信息是指數據轉發網絡環境信息；社會關系和社會地位根據節點攜帶者的特性來確定，前者反映攜帶者的社交關系，后者代表攜帶者在某個社交關系范圍內的活躍度；網絡拓撲信息指的是轉發模型的網絡環境模型；數據屬性代表轉發數據本身的特征；時間因素和空間因素指的是數據轉發過程中是否考慮判斷節點在不同時刻、不同位置的轉發能力。以上這8個指標都是構建轉發模型時通常需要考慮的因子。

第9個指標是評價是否對所采用模型進行實時動態性能評估。

第10～15個指標代表對比測試該模型時是否使用到的評估度量因子。

第16～18個指標是指數據轉發模型是否己經運用到實際環境中、所使用到的主要數學模型以及所適用的實際場景。

物聯網數據轉發模型的構建并非要考慮所有度量因子，它與實際應用場景及轉發方式密切相關，并且，不同模型間在很多性能方面也存在較大差別。比如LWOF、EDFS、ODF和EEOF這4個模型，LWOF適用于一般的無線傳感網環境，EDFS和ODF應用在無線體域網環境，EEOF是針對移動蜂窩網絡中D2D通信條件下的兩跳轉發場景而設定的轉發策略，在它們的數據轉發模型的構建過程中，都主要依靠網絡上下文環境的通信信道條件時刻進行轉發判斷，這種依據網絡環境實際參數數據制定的轉發策略在模型的魯棒性方面都具有相對最好的效果。而在移動社交網絡中，大量的節點與其攜帶者的行為關聯緊密，因此，攜帶者的移動軌跡、社會關系、社會地位及攜帶者間的接觸信息將會作為數據轉發模型構建的主要度量因子。例如LASS模型和OVDF模型。顯然，這些模型下的度量因子隨機性比較大，對轉發判斷提供人性化效果的同時，也會引起判斷結果與現實情況之間產生一定的誤差，所以它們在魯棒性方面表現一般。但考慮到人類參與物聯網應用的廣泛性，這類模型的適用于各種物聯網環境的性能較強。新興的命名數據網絡技術應用到車載網絡環境中，實現了EPBC數據轉發模型，根據命名數據網絡的工作機制，EPBC暫時僅將節點間的接觸信息、時空因素作為度量因子，這些因子同樣也是具有很大的不穩定性，因此，其魯棒性相對較低。但由于有作為未來互聯網變革主體之一的命名數據網絡的參與，該模型在可擴展性方面會展現出相對最好的效果。G-DTE模型是基于無線混合網絡環境而設計的，無線混合網是一種綜合以上各類特定網絡環境的泛在應用場景，主要以提高整個網絡的吞吐量、降低整體能耗為目標，其中，節點類型和節點間的能力等存在很大差別。另外，其網絡環境最為復雜，因此，一般情況下無法將節點攜帶者的信息、時空因素作為轉發衡量因子，其轉發模型構建主要考慮網絡上下文信息、節點間的接觸情況以及網絡空間的模型情況等。所以，相對于其他模型，該模型的可擴展性效果較好，而適用于各種物聯網環境的能力和魯棒性性能一般。

4 存在的問題及展望

4.1 存在的問題及解決方案

作為物聯網子范疇的無線傳感網，已存在大量與其數據轉發研究相關的成果，但是，隨著與物聯網有關的各項全新的概念、技術、思想和方法的出現，比如命名數據網絡、5G移動通信網絡、（無線）軟件定義網絡、D2D通信技術、移動邊緣計算或霧計算等，原來己有的數據轉發模型或處理過程已不能完全滿足當前物聯網應用的需求，而集成新出現技術的物聯網研究還處于起始階段，存在一些明顯的問題。

（1）物聯網應用場景網絡空間模型構建多樣化的問題。

環境網絡模型構建是研究數據轉發機制的最基礎的工作，有的采用無向圖或有向圖，也有的使用向量，有的使用平面圖表述，有的采用凸空間形式，還有的使用樹形結構等等。霧計算等新技術的出現使得傳統物聯網的體系結構發生了變化，如果網絡空間模型構建不隨之改變，可能會嚴重影響到后續數據轉發的建模效果。

（2）數據轉發度量因子定義的混亂性。

物聯網應用中，不同的環境可能會選擇不同的度量因子，同一名稱的度量因子在不同的環境中會具有同樣的意義，但在不同的研究中對它的定義或計算有可能不同，具有一定的主觀人為性，比如社會關系、接觸信息、社會相似性等的定義及計算方式，這將導致數據轉發模型的性能難以準確測量。

（3）數據轉發模型的多樣性。

物聯網應用場景具有多樣性，比如傳統無線傳感網絡、車載網絡、移動社交網絡、水下傳感網絡、無線體域網絡、無線混合網絡等。各種數據轉發模型都是基于一定的應用背景，比如車載網絡和移動社交網絡應用下的數據轉發易依賴于社會關系和地位、歷史軌跡、接觸信息、時空因素等進行建模，而無線體域網絡更加依賴數據屬性，幾乎不考慮空間因素。所以，不同的數據轉發模型適用于不同的應用場景，這一點導致模型難以統一，性能不易評估。

（4）模型性能評價標準的不一致性且評價困難。

不同的物聯網應用情形對數據轉發模型的性能要求存在差別，比如無線混合網絡比較注重整個網絡的吞吐量最優化，而移動社交網絡會過多地考慮網絡服務提供給使用者的數據質量，因此，不同模型間功能效果的對比評估是一個相當不容易的工作，而且大多數模型性能的評價都是通過模擬實驗完成的，沒有對實際性能進行驗證，可能會與現實情況存在較大偏差。

（5）幾乎所有模型都沒有綜合考慮各種可能的度量因子。

比如：大多數模型沒有考慮社會關系和地位、時空因素，這些在機會網絡應用中起著極其重要的作用。而且，由于物聯網數據轉發應用中存在許多不確定因素，模型的實現存在一定的難度。

（6）新興技術或方法為物聯網數據轉發研究注入了生機和活力。

相較于傳統的物聯網來說，移動邊緣計算或霧計算模式提高了物聯網邊緣設備的計算能力，拉近了物聯網設備與數據中心之間的距離，5G可增強物聯網設備間的通信能力，SDN和NDN能簡化物聯網數據轉發的設計或開發。這些新興技術的應用，總體上能使物聯網數據轉發的延遲減少、投遞率增加、通信代價和能耗降低，可以讓我們將更多的注意力放在轉發算法本身性能的優化上。但到目前為止，其中很多技術并不成熟，相關方面的研究成果也相對較少，會存在各種各樣的問題。比如，盡管霧計算能為物聯網應用帶來巨大的好處，但是由于物聯網設備具有移動性和異構性的特點，很難使霧計算節點的部署達到最優化。例如，可穿戴設備和移動電話的位置隨時間不斷在變化，不同的物聯網設備有不同的傳輸需求等等。一些能量不敏感的設備（如移動電話和監控設備）需要很高的數據速率，而一些能量敏感型的設備（如傳感器節點）要求低速率、低能耗的數據傳輸。因此，物聯網設備中這種異構的數據傳輸需求需要不同的設備采用不同的無線訪問技術，從而導致在物聯網硬件、技術標準及維護等方面都增加了一定的難度和負擔。而且，目前已存在的物聯網數據轉發模型幾乎都沒有考慮設備間性能參數上的這些差異，最終導致測試結果與實際存在較大的誤差，模型或算法的可靠性降低。

由于物聯網應用環境本身的復雜性，不可能使用一種高效、可靠、統一的標準來解決以上問題。因此，為了提高物聯網數據轉發性能：首先，我們在設計轉發模型時應盡量詳細、全面地考慮以上決定轉發性能的度量因素，采用正確、合理的方法構建或獲取它們的模型，針對每一個指標逐項突破；其次，網絡是物聯網的神經系統，數據轉發的成功與否主要由網絡性能決定，因此，除了以上傳統保守的解決方案之外，我們還可以利用5G、移動云計算、移動邊緣計算、NDN等新興網絡模式或技術對物聯網應用的影響。針對特定物聯網環境下數據轉發研究存在的問題，分別從以下3個方面提出相應的解決方案。

（1）移動通信技術

5G作為新一代移動通信系統，它的一些技術、方法或措施可以決定5G的性能和物聯網應用的效果。比如，以采用D2D通信技術輔助的或以5G信道環境、干擾模型等為判斷依據的移動物聯網數據轉發效果就主要依賴于這些技術的性能高低。D2D作為無線通信自組織網絡的一項主要通信技術，具有發射功率低、頻譜利用率高、低時延以及高速率等優點。它能夠復用小區資源進行直接通信，可使終端發射頻率降低，蜂窩網頻譜效率提高，在一定程度上提升了無線通信系統頻譜資源的利用率。顯然，D2D可以輔助蜂窩網完成在某些網絡覆蓋較差環境下的任務，比如利用附近移動智能設備（手機或智能腕表等）作為協作中繼進行數據采集或轉發，使源點與基站時刻保持通信。然而，蜂窩頻譜資源在被D2D復用的同時，蜂窩用戶、基站和D2D用戶之間也會互相干擾，影響了D2D通信和峰窩通信。因此，為了提高物聯網環境下數據轉發的性能，消除干擾或降低干擾影響勢在必行，我們可以從以下方面對5G中的干擾或信道等技術進行改進。首先，可以對特定物聯網環境下干擾產生的原因進行分析并分類總結，尋求降低干擾帶來的性能損傷方法，構建符合其應用的合理干擾模型，優化干擾協調技術或設計高效的干擾協調算法；其次，對于信道，可以從其容量、模型、傳輸方案以及天線抵消技術等方面去改善大規模多輸入多輸出的頻譜效率和功效，合理分配移動網絡頻譜資源，以適應物聯網大規模數據轉發復雜業務的基本需求。所以，深入研究最優信道信息獲取方式、無線傳輸方法、多用戶共享空間無線資源的聯合調配方法，以及研究貼合實際物聯網應用環境的信道模型，分析它對信道容量的影響，分析實際信道模型在適度的導頻開銷和一定實現復雜度下可達到的頻譜效率及功效等，均可以作為研究提升物聯網數據轉發性能的潛在領域。

（2）服務計算模式

傳統的物聯網處理大數據時沒有足夠的可擴展性和有效性，而且大數據轉換會消耗巨大的能量、帶寬和時間，代價太高；而且物聯網大數據流必須以高容積、快速度傳遞到云，其中，用戶隱私還依然是一個未被解決的挑戰性問題。大規模多輸入多輸出天線陣列和超密集異構網絡部署方式等是5G的重要特征，它們使得“宏基站提供覆蓋范圍，小區或小基站提供容量”成為目前或未來互聯網的主要服務部署模式。密集型小區部署使得D2D通信在物聯網應用中無處不在，也使得物聯網服務計算模式從移動云計算向“移動邊緣計算”或“霧計算”“微云計算”逐漸擴展。霧計算是一個分布式計算框架，它包含了大量互相連接的高性能物理機，是一種可使分布式物聯網設備具有較強計算能力的計算模式。因此，在網絡中部署大量霧節點可以進行本地收集、分類、分析原始物聯網數據流，而不用將它們傳輸到云，這樣可以極大地減輕核心網絡的負擔，潛在地加速物聯網大數據的處理。顯然，霧計算等新的計算模式可以使數據中心盡可能地接近物聯網物理設備，從而減少數據的傳輸和延遲，降低網絡通信代價，為物聯網應用注入了生機和活力。因此，設計符合新計算模式下的物聯網數據轉發模型或算法也可以成為一種提升或改進傳統數據轉發性能的手段或方法。另外，為了支持新計算模式下物聯網數據轉發的順利進行，也必須在技術上很好地解決以下問題，如良好的信號模型、高效率的認知無線電技術或干擾消除技術、充足的頻譜資源、智能的回傳網絡、實時的移動性以及良好的網絡節點動態部署、自動配置和維護效果等等，都需要選擇或設計符合實際需求的、正確的算法或模型。

（3）網絡體系架構

一定物聯網環境下的數據轉發研究會嚴格受到物聯網體系架構的影響。在現有且成熟的網絡架構上進行數據轉發研究，可以達到事半功倍的效果。作為一種新型網絡體系架構，NDN是以數據內容和信息為中心的，它給數據資源建立索引，利用虛擬的控制和轉發分離實現高效率的物聯網數據轉發效果。相較于傳統的IP網絡架構，NDN能夠更好地支持和適應物聯網環境的動態拓撲變化。NDN中的通信是由接收端驅動的，它已完善地解決了可控制性轉發策略、路由策略和鏈路協議等一系列關鍵性的問題。類似于NDN，SDN把一個軟件層置于網絡管理員和實體網絡組件之間，使網絡管理員不必手工配置物理的接入網絡設備和硬件，而只需通過軟件接口調整網絡設備。它類似于虛擬化服務器和存儲，目的在于簡化維護和配置操作。資源分片和信道隔離、監控與狀態報告、切換等關鍵技術是當前SDN在無線網絡中應用的技術挑戰，這些挑戰直接影響到數據轉發的效果。比如：資源分片不合理，可能會導致有些資源被多個任務排隊搶占，引起系統擁塞，致使轉發數據停留時間過長而失效，最終轉發失敗；信道隔離效果差，信道間干擾嚴重，會引起以信道信息作為判斷條件的物聯網數據轉發性能的下降等。這些研究剛剛開始，還需要深入進行。另外，SDN和NDN都可作為物聯網數據轉發研究的一個基礎性架構存在，因此，我們還可以以現有SDN架構（如Open flow）或NDN架構為基礎，通過使用各種措施提升它們的自身性能或改進路由策略等來提高物聯網數據轉發的性能。

4.2 展望

結合上節中提到的問題及相應的解決方案，我們認為可以從以下幾個方面對物聯網環境下的數據轉發模型做進一步的工作。

（1）進一步構建合理的網絡場景模型。綜合各方面的需求，選擇的元素要盡量能夠充分展現實際的物聯網應用場景。比如，對于車載網動態場景模型的構建，除了要考慮固定路線車輛和隨機路線車輛的相輔相成特性、車輛間關聯的主要因素個數及值（如權重）、關聯是否有向等，還要考慮因霧計算、5G等新技術出現引起的路邊基站的部署結構變化及通信技術進化的情況。這也是開始進行數據轉發研究的最基礎的工作。

（2）深入研究數據轉發模型中各度量因子的定義，尤其要注意它的獲取方式和測量方法等的正確性、合理化，這對數據轉發的建模非常重要，是其建模的基礎工作。比如，在移動社交網絡環境下，當采用節點間社會相似性作為轉發度量條件時，對于度量因子“相似性”的定義，有的研究利用兩個節點間共同鄰居的個數衡量，而有的借助社團分區和節點間的相遇頻率來衡量。顯然，后者更符合實際物聯網社交網絡場景。

（3）研究盡可能通用的物聯網數據轉發模型。物聯網幾乎綜合了當前的各種應用，要想實現數據轉發模型的完全統一是絕對不可能的，但可以針對相同或相似的應用場景構建通用的數據轉發模型。比如，在車載網和移動社交網中，節點位置都是隨時間不斷變化的，節點間都會存在一定的相遇概率，每個節點也都會有它所屬的小社團等等，這些共同因素的存在，能夠促使同一個數據轉發模型在它們之間通用。

（4）數據轉發模型性能評價問題。如何客觀地對各種數據轉發模型進行性能評測，是下一步值得認真研究的問題，可以考慮對相似或相同物聯網場景下的數據轉發模型建立一個實驗場景進行比較研究。比如，對于適合同時在車載網和移動社交網環境下應用的轉發模型，評估其性能將不會是一件太難的工作。

（5）對已經應用到物聯網的新興技術作深入研究。比如，移動邊緣計算或霧計算的出現改變了傳統物聯網的服務計算模式，并在很大程度上改變了物聯網的基本體系架構，可以考慮在構建一個邊緣物聯網服務模式的基礎上進行數據轉發研究；5G系統使物聯網網絡通信方式或技術性能得以提升，可以考慮利用新特性的網絡通信方法構建高效率的數據轉發模型；SDN和NDN作為新型網絡架構，為物聯網應用研究，尤其是路由研究，提供了便利的框架結構，在此基礎上，可以考慮改進其性能或路由算法，以提升數據轉發的能力。以上這些技術都有助于加速物聯網應用中物體全智能化的實現，值得關注和深入。

（6）結合如人工智能、隨機幾何理論、神經網絡、數據挖掘、深度學習等其他學科的知識，繼續探索適合物聯網環境下數據轉發的新模型、新方法。比如，在具有分布式、無控制中心等特性的無線Ad Hoc網絡環境下構建數據轉發模型時，可以利用隨機幾何理論作為數學分析工具，構建SINR/SIR（signal to interference plus noise ratio/signal to interference ratio）分析模型，推導節點的中繼概率；也可以通過改進機器學習中的支持向量機、核學習機或小波神經網絡等算法提升通信系統的信道性能，以便適應以5G下信道模型或干擾計算為判斷依據的數據轉發算法；還可以利用博弈論、貝葉斯分類器、馬爾可夫鏈等智能算法構建物聯網數據轉發模型；除此之外，也可以考慮在移動邊緣計算等新興技術對物聯網架構改變的基礎上實現上述方法，尋求在物聯網數據轉發性能方面有進一步的突破。

5 總結

多年來，數據轉發應用場景、算法、模型的研究從針對無線傳感網靜態節點到關注動態節點的作用、從基于一種通信技術的傳感器到多種通信技術并存的智能設備、從比較單一的度量因子模型到多個度量因子的模型、從傳統無線傳感器網絡環境到無處不在的智能生活環境、從單一的目標優化實現到多目標聯合優化實現、從集中式數據轉發模型到轉發與控制分離的模型、從專一的應用場景模型到多場景混合的模型等，都可以說明，高性能的數據轉發模型研究是促進物聯網應用快速普及的一個非常活躍的方向。文獻[7]指出，2015年—2020年是物聯網發展的第3個階段，目標是實現物體的半智能化，在應用和服務方面要實現全球化的應用、自適應的系統及代碼的分布式執行、存儲和處理，在能耗方面要實現惡劣條件下的發電、多種能量的捕獲以及能源可再生等問題。結合本文研究工作可知，物聯網環境下的數據轉發性能仍需進一步提升，還需要廣大研究者們的不懈努力。

（摘自《軟件學報》2018年1期）