軟件定義異構(gòu)車聯(lián)網(wǎng)移動(dòng)智能服務(wù)定制算法設(shè)計(jì)

余 庚,朱劍寶,謝道彪

(福建船政交通職業(yè)學(xué)院,福建 福州 350007)

0 引言

為順應(yīng)智能網(wǎng)聯(lián)汽車發(fā)展,促進(jìn)車聯(lián)網(wǎng)QoS[1]服務(wù)成效走向縱深,SDN技術(shù)被廣泛用于擴(kuò)展異構(gòu)車聯(lián)網(wǎng)的各項(xiàng)應(yīng)用服務(wù)。然而由于異構(gòu)車聯(lián)網(wǎng)所服務(wù)的移動(dòng)車端存在接入規(guī)模較大且移動(dòng)頻繁等諸多復(fù)雜特征,導(dǎo)致SDN技術(shù)為異構(gòu)車聯(lián)網(wǎng)提供的在線計(jì)算服務(wù)時(shí)效存在不確定性,進(jìn)而弱化了QoS服務(wù)成效。造成該現(xiàn)象的原因在于當(dāng)移動(dòng)車端發(fā)起數(shù)據(jù)流計(jì)算請(qǐng)求時(shí),數(shù)據(jù)轉(zhuǎn)發(fā)單元和控制器之間需交互較長時(shí)間以分割數(shù)據(jù)包長度,制定數(shù)據(jù)包適配規(guī)則,形成流表項(xiàng)并下發(fā)到每一個(gè)數(shù)據(jù)轉(zhuǎn)發(fā)單元。尤其在上下班及節(jié)假日等繁忙時(shí)段,移動(dòng)車端的接入規(guī)模呈現(xiàn)高度隨機(jī)突發(fā)特征,接入狀態(tài)呈現(xiàn)高頻移動(dòng)特性,導(dǎo)致每一次產(chǎn)生的數(shù)據(jù)流第一個(gè)數(shù)據(jù)子集需耗費(fèi)較多的時(shí)延代價(jià)用于建立流表項(xiàng)。移動(dòng)車端在高速移動(dòng)期間總是頻繁向附近車聯(lián)網(wǎng)接入點(diǎn)提出獲取相同服務(wù)的請(qǐng)求,這勢(shì)必要求數(shù)據(jù)層面的數(shù)據(jù)轉(zhuǎn)發(fā)單元之間不僅能夠快速廣播流表項(xiàng),同時(shí)要求數(shù)據(jù)轉(zhuǎn)發(fā)設(shè)備和應(yīng)用服務(wù)器之間能夠進(jìn)行數(shù)據(jù)無縫傳輸。因此有必要根據(jù)異構(gòu)車聯(lián)網(wǎng)的接入特征重構(gòu)SDN[2]數(shù)據(jù)路由機(jī)制,為移動(dòng)車端設(shè)計(jì)一個(gè)兼具平滑和實(shí)時(shí)的在線移動(dòng)計(jì)算方案。基于此,本文構(gòu)思將SDN架構(gòu)融入異構(gòu)車聯(lián)網(wǎng),用于實(shí)現(xiàn)為移動(dòng)車端提供移動(dòng)智能服務(wù)定制(Mobile Intelligent Service Customization,MISC)的技術(shù)。

1 方案原理

在移動(dòng)用戶設(shè)備和移動(dòng)車端所組成的異構(gòu)車聯(lián)網(wǎng)中,由于節(jié)點(diǎn)移動(dòng)規(guī)律和移動(dòng)范圍須符合實(shí)際交通系統(tǒng)的部署,因此移動(dòng)節(jié)點(diǎn)的運(yùn)動(dòng)需遵循道路網(wǎng)絡(luò)規(guī)則。正是這樣的移動(dòng)局限性使得可以通過統(tǒng)計(jì)分析節(jié)點(diǎn)過往移動(dòng)路徑和移動(dòng)模式來推算出移動(dòng)節(jié)點(diǎn)未來的運(yùn)動(dòng)軌跡。目前已有學(xué)者陸續(xù)針對(duì)移動(dòng)軌跡預(yù)測(cè)開展相關(guān)研究。張海霞等[3]通過為車載終端構(gòu)建移動(dòng)行為評(píng)估模型來實(shí)現(xiàn)導(dǎo)航路線測(cè)算。這為異構(gòu)車聯(lián)網(wǎng)移動(dòng)節(jié)點(diǎn)的行車路徑評(píng)估提供了良好的依據(jù)。同時(shí)依托強(qiáng)大的云計(jì)算能力不僅可以高速響應(yīng)運(yùn)動(dòng)軌跡的移動(dòng)計(jì)算,也能進(jìn)一步提高預(yù)測(cè)數(shù)據(jù)的可信度。因此,通過重構(gòu)SDN數(shù)據(jù)路由機(jī)制為異構(gòu)車聯(lián)網(wǎng)節(jié)點(diǎn)定制移動(dòng)智能服務(wù)的方案具有可行性。

該方案首先根據(jù)移動(dòng)行為推算出節(jié)點(diǎn)即將產(chǎn)生的概率最高的行車軌跡。再采用主動(dòng)部署的方式由控制層發(fā)起監(jiān)測(cè),記錄每個(gè)數(shù)據(jù)轉(zhuǎn)發(fā)節(jié)點(diǎn)的通信范圍。然后在可能性最大的評(píng)估軌跡所經(jīng)過的節(jié)點(diǎn)中提前添加流表項(xiàng)來實(shí)現(xiàn)移動(dòng)智能服務(wù)定制的目標(biāo)。采用評(píng)估策略添加定制流表項(xiàng)不僅最大程度地縮小所涉及節(jié)點(diǎn)的規(guī)模,同時(shí)可有效約束定制流表項(xiàng)的規(guī)模,避免不必要的資源消耗。當(dāng)異構(gòu)車聯(lián)網(wǎng)邊緣移動(dòng)終端靠近此節(jié)點(diǎn)申請(qǐng)接入時(shí),無須頻繁地向控制層提交數(shù)據(jù)適配的請(qǐng)求,控制器也不再制定流表下發(fā)給節(jié)點(diǎn)。當(dāng)有新的移動(dòng)數(shù)據(jù)流發(fā)起時(shí),該數(shù)據(jù)流的第一個(gè)數(shù)據(jù)子集被轉(zhuǎn)發(fā)到交換機(jī)。由于交換機(jī)內(nèi)存已加載了該數(shù)據(jù)子集的流表,只需直接傳輸即可。通過缺省數(shù)據(jù)層和控制器的雙工交互,加速了預(yù)加載的移動(dòng)流表項(xiàng)讀取速度,提高了定制移動(dòng)智能服務(wù)的QoS成效。

然而預(yù)測(cè)存在一定偏差,偏差將導(dǎo)致節(jié)點(diǎn)所加載的定制流表項(xiàng)失效。隨著時(shí)間推移,流表項(xiàng)將占據(jù)更多節(jié)點(diǎn)內(nèi)存,消耗更多網(wǎng)絡(luò)計(jì)算資源,進(jìn)而弱化異構(gòu)車聯(lián)網(wǎng)全網(wǎng)節(jié)點(diǎn)性能。且采用預(yù)測(cè)機(jī)制在部署成本上表現(xiàn)欠佳,缺乏實(shí)用性。因此有必要根據(jù)道路交通網(wǎng)絡(luò)實(shí)際情況為所定制的流表項(xiàng)引入超時(shí)機(jī)制[4]。倘若在特定的時(shí)間間隔內(nèi)節(jié)點(diǎn)未啟用定制流表項(xiàng),則將其從節(jié)點(diǎn)內(nèi)存中移除。因此評(píng)估移動(dòng)車端移動(dòng)軌跡的精度決定了移動(dòng)智能服務(wù)的定制成效。

2 方案模型

為使異構(gòu)車聯(lián)網(wǎng)能夠?yàn)橐苿?dòng)車端提供平滑的移動(dòng)接入服務(wù),通過挖掘分析既往移動(dòng)軌跡信息來計(jì)算移動(dòng)車端未來行車路線已成為研究車聯(lián)網(wǎng)的關(guān)鍵技術(shù)之一。移動(dòng)車端行駛過的每一個(gè)軌跡均代表了該移動(dòng)車端過往每個(gè)時(shí)刻所處的離散位置。根據(jù)時(shí)序先后將這些位置點(diǎn)形成一個(gè)序列,再結(jié)合關(guān)聯(lián)法則[5]運(yùn)用數(shù)據(jù)挖掘算法對(duì)車端的移動(dòng)方位開展測(cè)算。然而移動(dòng)車端行駛軌跡的持續(xù)增加將增加算法復(fù)雜度。但該算法所涉及的馬爾科夫方位評(píng)估模型被證實(shí)和實(shí)際異構(gòu)車聯(lián)網(wǎng)環(huán)境中終端行車規(guī)律較吻合,評(píng)估精度較高。即便如此,該模型依然存在一些不足。諸如,狀態(tài)空間規(guī)模與階數(shù)成正比、狀態(tài)參數(shù)選取稍有偏差將造成預(yù)測(cè)軌跡嚴(yán)重偏離實(shí)際軌跡。隨著異構(gòu)車聯(lián)網(wǎng)接入的移動(dòng)車端規(guī)模不斷增加,潛在風(fēng)險(xiǎn)也逐漸加大。因此本文考慮通過引入一個(gè)階數(shù)自適應(yīng)調(diào)整的馬爾科夫方位評(píng)估模型(Markov Bearing Evaluation Model with Adaptive Order Adjustment,AOA)來解決該風(fēng)險(xiǎn)。模型的建立過程如下:

假設(shè)X是有限個(gè)狀態(tài)構(gòu)成的馬爾科夫鏈狀態(tài)空間集。其中隨機(jī)狀態(tài)序列長度有限,記作{Xk}。k為從0開始的自然數(shù),狀態(tài)nk和狀態(tài)m均為空間集合X的子集。如果存在一個(gè)階數(shù)為z的自適應(yīng)馬爾科夫方位評(píng)估模型,則狀態(tài)空間集要滿足如下規(guī)則:

P(Xk+1=m|Xk-z+1=nk-z+1,…,Xk-1=nk-1,Xk=nk)=P(Xk+1=m|X0=n0,X1=n1,…,Xk-1=nk-1,Xk=nk).

此時(shí),{Xk}即為自適應(yīng)馬爾科夫鏈。通過統(tǒng)計(jì)第z-1個(gè)隨機(jī)狀態(tài)序列的概率和目前第z個(gè)隨機(jī)狀態(tài)序列的概率來共同確定第z+1個(gè)隨機(jī)狀態(tài)序列的概率。由于變量z的長度可調(diào),故稱為自適應(yīng)模型。若變量z取值1,則自適應(yīng)馬爾科夫方位評(píng)估模型即為初始標(biāo)準(zhǔn)化的馬爾科夫方位評(píng)估模型。該自適應(yīng)馬爾科夫方位評(píng)估模型的結(jié)構(gòu)描述為:將隨機(jī)狀態(tài)序列集合轉(zhuǎn)化為一棵非空概率的拓?fù)錁?拓?fù)錁涞母叨葹镠。將隨機(jī)狀態(tài)序列集合中的字符標(biāo)識(shí)作為該拓?fù)錁涞倪厵?quán)重。任意一個(gè)樹節(jié)點(diǎn)延伸出的邊與該節(jié)點(diǎn)的其他邊具有不同的字符標(biāo)識(shí)。除了根部主節(jié)點(diǎn)之外的其他節(jié)點(diǎn)均有一個(gè)字符序列串。該字符序列串由從自身節(jié)點(diǎn)開始逐漸遍歷到主節(jié)點(diǎn)過程中所涉及的所有邊的字符標(biāo)識(shí)權(quán)重組合而成。拓?fù)錁涞墓?jié)點(diǎn)同時(shí)分配了概率向量用于表明自身節(jié)點(diǎn)字符標(biāo)識(shí)串后續(xù)字符的慣性值。相對(duì)于傳統(tǒng)馬爾科夫方位評(píng)估模型(Traditional Markov Orientation Evaluation Model,TMOE),自適應(yīng)馬爾科夫方位評(píng)估模型優(yōu)勢(shì)在于算法可避免不斷累積的歷史行車軌跡規(guī)模對(duì)算法復(fù)雜度的影響[6]。同時(shí)由于移動(dòng)車端受到實(shí)際道路駕駛環(huán)境的限制以及駕駛員行車習(xí)慣的影響,移動(dòng)軌跡具有一定的約束性和規(guī)律性。因此部署自適應(yīng)馬爾科夫方位評(píng)估模型應(yīng)首先將拓?fù)錁涔?jié)點(diǎn)存儲(chǔ)的過往移動(dòng)軌跡數(shù)據(jù)作為訓(xùn)練對(duì)象,通過定義信任閾值建立信任機(jī)制篩選出可靠性較高的節(jié)點(diǎn)進(jìn)行拓?fù)錁涞膬?yōu)化重構(gòu)。然后根據(jù)移動(dòng)車端當(dāng)前行程所組建的移動(dòng)軌跡序列[7],去和優(yōu)化重構(gòu)后的拓?fù)錁涔?jié)點(diǎn)開展適配。直到遍歷出從當(dāng)前節(jié)點(diǎn)出發(fā)能夠途經(jīng)的概率最大的那個(gè)拓?fù)錁涔?jié)點(diǎn),即作為本次評(píng)估的未來移動(dòng)軌跡。由于實(shí)際道路交通網(wǎng)絡(luò)環(huán)境中的交叉路口都部署了諸多路側(cè)單元與移動(dòng)車端進(jìn)行交互,增加了問題的復(fù)雜度。為簡化說明,本文將位于交叉路口的路側(cè)單元視為移動(dòng)軌跡的評(píng)估點(diǎn),以便簡化隨機(jī)狀態(tài)移動(dòng)軌跡序列的表征,優(yōu)化算法過程。

3 算法設(shè)計(jì)

設(shè)計(jì)算法前先規(guī)劃道路交通網(wǎng)絡(luò)和移動(dòng)軌跡狀態(tài)序列。具體規(guī)劃步驟如下:假設(shè)道路的集合為D={d0,d1,…,dn},道路交叉路口的路口單元集合為L={l0,l1,…,ln}。引入一個(gè)路網(wǎng)有向圖G=(D,L)。本文將位于交叉路口的路側(cè)單元視為移動(dòng)軌跡的評(píng)估點(diǎn)[8],因此移動(dòng)終端途經(jīng)的路側(cè)單元即為移動(dòng)路徑序列,記作p={l1,l2,…,lm},其中n>m。每個(gè)移動(dòng)路徑的跨度為K。移動(dòng)終端在整個(gè)圖G的移動(dòng)路徑序列集合為P={p1,p2,…,pn}。為提高移動(dòng)終端在下一時(shí)刻移動(dòng)路徑的評(píng)估精度,考慮將早期交叉路口的信息缺省,將剩余的移動(dòng)軌跡序列定義為序列子集,記作Sm(p)={lm,lm+1,…,ln}。完整的算法實(shí)施過程應(yīng)先對(duì)過往移動(dòng)軌跡樣本進(jìn)行訓(xùn)練再對(duì)未來的移動(dòng)趨勢(shì)開展評(píng)估。

假設(shè)移動(dòng)路徑序列集合中長度最大的軌跡序列為pK,max,該序列長度記作kmax。從長度最小的軌跡序列開始遍歷路徑序列集合,直至遍歷完高度為H的拓?fù)錁洹＞唧w遍歷過程如下:

首先,構(gòu)建一個(gè)根主節(jié)點(diǎn)的拓?fù)錁洹⒔徊媛房趩卧瘍?nèi)所有路側(cè)單元激活的頻次視為該主節(jié)點(diǎn)的經(jīng)驗(yàn)概率[9],即概率向量。假設(shè)有個(gè)特定的路口單元設(shè)備在路口單元集合采集的樣本集合中激活的頻次為fL,全部的路口單元設(shè)備在路口單元集合采集的樣本集合中激活的頻次為fA,則概率向量表征為C(lm)=fL/fA。由于傳統(tǒng)馬爾科夫方位評(píng)估模型在部署期間存在待用節(jié)點(diǎn)序列集合規(guī)模隨時(shí)間推移呈現(xiàn)驟增的現(xiàn)象,本文引入一個(gè)可信度閾值門限Pth1。如果某節(jié)點(diǎn)屬于可靠的待用節(jié)點(diǎn),可考慮納入序列集合,就須滿足關(guān)系式Pth1

其次,循環(huán)開展迭代式計(jì)算,直至遍歷完整個(gè)拓?fù)錁渫瓿煽尚殴?jié)點(diǎn)的拓?fù)錁鋬?yōu)化重構(gòu)。在待用節(jié)點(diǎn)集內(nèi)選擇一個(gè)當(dāng)前待選節(jié)點(diǎn),表征為pK。再推算出該待選節(jié)點(diǎn)的后面節(jié)點(diǎn)的概率向量。倘若節(jié)點(diǎn)li在集合P緊隨pK被激活的概率C(li|pL)超過了可信度閾值門限Pth2,則節(jié)點(diǎn)li屬于可信節(jié)點(diǎn),可作為拓?fù)錁涞墓?jié)點(diǎn)。字符串為pKli的節(jié)點(diǎn)作為節(jié)點(diǎn)li的備選后續(xù)節(jié)點(diǎn)。假設(shè)節(jié)點(diǎn)li緊隨pK被激活的頻次為f0,過往樣本集合緊隨pK出現(xiàn)的交叉路口的規(guī)模為fP,則概率向量表征為C(li|pK)=f0/fP。通過定義Pth2閾值門限機(jī)制高效地簡化了拓?fù)錁淙叻钡慕Y(jié)構(gòu)。

考慮實(shí)際道路環(huán)境中的駕駛情況,移動(dòng)終端的軌跡序列的后續(xù)備選節(jié)點(diǎn)和pK中末尾交叉路口單元總是保持相鄰,故僅遍歷S(lK)-1次即可算得移動(dòng)軌跡序列的概率向量。其中,lK指pK末端的交叉路口;S(lK)指和路側(cè)單元lK關(guān)聯(lián)的路口單元集合。這樣的設(shè)計(jì)可顯著降低算法時(shí)間復(fù)雜度和空間復(fù)雜度。但在傳統(tǒng)評(píng)估模型中需完成路側(cè)單元集合內(nèi)每一個(gè)路口單元設(shè)備的遍歷。相比之下,傳統(tǒng)評(píng)估模型的算法復(fù)雜度較高。

假設(shè)現(xiàn)有一個(gè)移動(dòng)終端接入軟件定義異構(gòu)車聯(lián)網(wǎng),所產(chǎn)生的移動(dòng)軌跡序列為pi={l1,l2,…,li},序列跨度為Ki。當(dāng)H>Ki時(shí),交叉路口單元l′滿足條件l′∈{S(l1)-l2}。若概率向量符合Pth2Ki情形下的步驟,將該序列納入可信節(jié)點(diǎn)行列進(jìn)行循環(huán)迭代。倘若pi內(nèi)的交叉路口單元不在當(dāng)前集合內(nèi),需新建一個(gè)拓?fù)錁洹?/p>

實(shí)施過往移動(dòng)軌跡樣本訓(xùn)練后形成一個(gè)可信度較高的優(yōu)化拓?fù)錁鋄10]。通過該優(yōu)化拓?fù)錁浔憧赏扑愠鲆苿?dòng)終端后續(xù)的行車路徑。推算過程為:借助路側(cè)單元采集存儲(chǔ)的數(shù)據(jù)來提取移動(dòng)終端當(dāng)前行車狀態(tài)下的移動(dòng)軌跡序列pl。從過往移動(dòng)軌跡拓?fù)錁涞母鞴?jié)點(diǎn)開始,讓pl按照逆序的方式去遍歷拓?fù)錁渲敝帘闅v到可適配的拓?fù)錁涔?jié)點(diǎn)。相對(duì)而言,跨度較短的時(shí)間內(nèi)所采集的移動(dòng)終端行車軌跡對(duì)于測(cè)算未來移動(dòng)軌跡更有參考價(jià)值。因此有必要更新pl中的序列,將時(shí)間跨度較大的過往交叉路口單元的節(jié)點(diǎn)剔除以便實(shí)現(xiàn)當(dāng)前行車狀態(tài)和拓?fù)錁涞木_適配[11]。所以如果pl按照逆序的方式遍歷完整個(gè)拓?fù)錁湟廊晃茨苷业娇蛇m配的節(jié)點(diǎn),需按照先后順序選取pl中跨度第二長、第三長的子序列開展拓?fù)錁涔?jié)點(diǎn)的遍歷配對(duì)。再從所適配的節(jié)點(diǎn)中選出概率向量最高的那個(gè)節(jié)點(diǎn)作為移動(dòng)車端未來大概率途經(jīng)的目標(biāo)方位點(diǎn)。

MISC算法經(jīng)由過往移動(dòng)軌跡樣本精確訓(xùn)練和未來行車路徑精確評(píng)估兩個(gè)步驟的設(shè)計(jì),為軟件定義異構(gòu)車聯(lián)網(wǎng)提前定制安裝移動(dòng)服務(wù)流表項(xiàng)提供了可靠的節(jié)點(diǎn)選擇依據(jù)。使軟件定義異構(gòu)車聯(lián)網(wǎng)提供平滑、無縫的快速移動(dòng)智能定制服務(wù)成為可能。

4 方案測(cè)試

為驗(yàn)證所構(gòu)思的MISC算法模型的合理性,測(cè)試環(huán)節(jié)設(shè)計(jì)了兩組測(cè)試工作。第一組測(cè)試工作旨在驗(yàn)證MISC算法模型相對(duì)于TMOE算法模型的優(yōu)勢(shì)。第二組測(cè)試工作旨在驗(yàn)證MISC算法模型部署在軟件定義異構(gòu)車聯(lián)網(wǎng)中的定制成效。

針對(duì)第一組測(cè)試工作,相關(guān)參數(shù)設(shè)置為:Pth1=3×10-4,Pth2=3×10-3,K<20。假設(shè)通過模擬器安排的移動(dòng)軌跡序列規(guī)模為A=8 000。將此規(guī)模序列隨機(jī)地設(shè)置成8個(gè)軌跡序列小組,任意選擇2個(gè)小組開展行車狀態(tài)評(píng)估,任意選擇6個(gè)小組開展樣本訓(xùn)練。每個(gè)小組安排1 000條軌跡序列。算法所在路段的交叉路口單元設(shè)為80個(gè)。循環(huán)執(zhí)行上述分組操作10次后再收集測(cè)試數(shù)據(jù)開展分析。該項(xiàng)測(cè)試工作主要考察兩個(gè)算法方案的復(fù)雜度以及行車軌跡測(cè)算精度。

圖1描述了兩種算法方案在開展移動(dòng)軌跡預(yù)估時(shí),過往軌跡長度變化對(duì)算法運(yùn)行時(shí)間的影響程度。從曲線走勢(shì)可見,隨著過往移動(dòng)軌跡序列長度持續(xù)增長,兩種算法開展未來移動(dòng)軌跡測(cè)算的時(shí)間成本持續(xù)增加,但本文構(gòu)思的MISC算法運(yùn)行時(shí)間成本相對(duì)低一些。究其原因,MISC算法思想是將過往移動(dòng)軌跡序列和拓?fù)錁涔?jié)點(diǎn)開展適配,算法復(fù)雜度僅為O(A·K)。而TMOE算法則利用傳統(tǒng)矩陣轉(zhuǎn)移的方式來開展軌跡測(cè)算,導(dǎo)致算法復(fù)雜度高達(dá)O(n3·z)。隨著時(shí)間推移,引入信任閾值門限機(jī)制的MISC算法逐漸卸載了參考價(jià)值不大的交叉路口單元信息,算法性能得到持續(xù)優(yōu)化,這樣的優(yōu)化機(jī)制是TMOE算法所不具備的。因此隨著軌跡序列規(guī)模和長度持續(xù)增加,MISC算法下的時(shí)間成本優(yōu)勢(shì)表現(xiàn)得越加明顯。

圖1 算法時(shí)間成本

圖2描述了兩種算法方案在開展移動(dòng)軌跡預(yù)估時(shí),處理不同長度的過往移動(dòng)軌跡序列所消耗的內(nèi)存硬件資源情況。從曲線走勢(shì)可見,兩種算法在處理長度較小的過往移動(dòng)軌跡序列時(shí)消耗的內(nèi)存空間大小相差無幾。隨著長度持續(xù)增加,本文提出的MISC算法在處理數(shù)據(jù)時(shí)消耗的空間增量逐漸減小。出現(xiàn)這樣的曲線走勢(shì)是由于在評(píng)估未來移動(dòng)軌跡時(shí)MISC算法方案通過創(chuàng)建優(yōu)化拓?fù)錁溥M(jìn)行節(jié)點(diǎn)和序列適配的方法,該方法的復(fù)雜度僅為O(A)。而TMOE算法方案采用傳統(tǒng)馬爾科夫模型矩陣轉(zhuǎn)移方法來開展預(yù)測(cè),復(fù)雜度高達(dá)O(n2·z)。

圖3描述了兩種算法通過處理不同長度的移動(dòng)軌跡序列評(píng)估的未來行車軌跡精度。不難看出,評(píng)估初期由于過往移動(dòng)軌跡序列長度較短,兩種算法在低階狀態(tài)下評(píng)估未來行車軌跡的精度沒有太明顯的區(qū)分。當(dāng)增加過往移動(dòng)軌跡序列長度,兩種算法精度開始明顯提升。隨著過往移動(dòng)軌跡序列長度進(jìn)一步增加,MISC算法開始持續(xù)發(fā)揮出潛在計(jì)算優(yōu)勢(shì),精度曲線繼續(xù)走升,而TMOE算法的精度曲線則開始趨于平穩(wěn)。這是由于MISC算法方案采用了自適應(yīng)評(píng)估模型,可根據(jù)過往移動(dòng)軌跡序列長度動(dòng)態(tài)調(diào)整序列評(píng)估參數(shù),并結(jié)合閾值門限機(jī)制進(jìn)一步提升了MISC算法評(píng)估未來移動(dòng)軌跡的精度。定制算法的部署成效主要取決于數(shù)據(jù)轉(zhuǎn)發(fā)節(jié)點(diǎn)和控制層之間交互時(shí)延,以及終端移動(dòng)的平滑性。因此第二組測(cè)試工作以響應(yīng)時(shí)延為考察指標(biāo)將MISC算法下的定制級(jí)安裝方式和典型安裝方式[12]開展對(duì)比。典型安裝方式是在所有車聯(lián)網(wǎng)數(shù)據(jù)轉(zhuǎn)發(fā)節(jié)點(diǎn)中提前安裝移動(dòng)服務(wù)流表項(xiàng)。借助Mininet軟件模擬搭建軟件定義異構(gòu)車聯(lián)網(wǎng)環(huán)境,定義6個(gè)交換節(jié)點(diǎn)。通過變化接入異構(gòu)車聯(lián)網(wǎng)的移動(dòng)車端行駛速度和移動(dòng)車端規(guī)模來考察節(jié)點(diǎn)通信時(shí)延,進(jìn)而驗(yàn)證定制級(jí)安裝方式的智能性。

圖3 算法評(píng)估精度

圖4描述了兩種安裝方式在應(yīng)對(duì)不同移動(dòng)車端規(guī)模時(shí)交換機(jī)的通信時(shí)延。從曲線走勢(shì)可見,接入軟件定義異構(gòu)車聯(lián)網(wǎng)的移動(dòng)車端數(shù)量越多,交換機(jī)通信時(shí)延代價(jià)總體越高,尤其是典型安裝方式下的交換機(jī)通信時(shí)延代價(jià)更高。這是因?yàn)楸疚脑O(shè)計(jì)的定制級(jí)流表安裝方式將典型安裝方式中上行移動(dòng)服務(wù)請(qǐng)求和下行計(jì)算服務(wù)響應(yīng)兩個(gè)流表降至一個(gè)流表。當(dāng)移動(dòng)車端行駛到異構(gòu)車聯(lián)網(wǎng)交換機(jī)節(jié)點(diǎn)附近并向其提請(qǐng)移動(dòng)服務(wù)請(qǐng)求時(shí),只要適配到該交換機(jī)內(nèi)存中的移動(dòng)服務(wù)流表即可獲取下發(fā)的響應(yīng)數(shù)據(jù)。這不僅缺省了服務(wù)請(qǐng)求轉(zhuǎn)發(fā)到遠(yuǎn)程云數(shù)據(jù)中心的過程,也免去了控制層制定流表項(xiàng)下發(fā)的步驟。同時(shí),由于持續(xù)增加的流表數(shù)量過度消耗交換機(jī)內(nèi)存空間,導(dǎo)致交換機(jī)性能下降,進(jìn)而引發(fā)通信遲緩的問題也得到有效解決。因此,定制級(jí)安裝方式更有利于提升節(jié)點(diǎn)的通信效率,控制通信時(shí)延代價(jià)。

圖4 交換機(jī)通信時(shí)延

圖5描述了兩種安裝方式在應(yīng)對(duì)不同移動(dòng)車端行車速度時(shí)節(jié)點(diǎn)通信時(shí)延對(duì)比情況。由圖5可見,當(dāng)行車速度增加,兩種安裝方式下的節(jié)點(diǎn)通信時(shí)延都在增加,但本文定制級(jí)安裝方式下的時(shí)延變化率較低。這是由于行車速度增加導(dǎo)致軟件定義異構(gòu)車聯(lián)網(wǎng)節(jié)點(diǎn)拓?fù)浣Y(jié)構(gòu)發(fā)生更加快速的變化,加劇了網(wǎng)絡(luò)變化的復(fù)雜度。此時(shí)典型安裝方式因缺乏智能化移動(dòng)流表適配的預(yù)安裝功能,其移動(dòng)支持能力較弱,導(dǎo)致節(jié)點(diǎn)通信時(shí)延延長。定制級(jí)安裝方式則是在精確預(yù)測(cè)的下一個(gè)移動(dòng)交換節(jié)點(diǎn)中提前定制安裝了移動(dòng)流表,顯著地降低了通信時(shí)延,高效地增加了移動(dòng)服務(wù)定制成效。這種成效將隨移動(dòng)車端速度增加而表現(xiàn)得更加明顯。因此定制級(jí)安裝方式在高速公路環(huán)境中也具備有一定的適應(yīng)性。

圖5 交換機(jī)通信時(shí)延

5 結(jié)語

本文設(shè)計(jì)的移動(dòng)智能服務(wù)定制算法依托軟件定義網(wǎng)絡(luò)架構(gòu)優(yōu)勢(shì),通過分析移動(dòng)車端過往行車軌跡特征開展未來行車路徑的評(píng)估。定制算法中關(guān)于未來移動(dòng)軌跡的評(píng)估方案,不僅充分考慮了過往軌跡序列長度和數(shù)量等因素對(duì)異構(gòu)車聯(lián)網(wǎng)節(jié)點(diǎn)性能的影響,同時(shí)通過淘汰信任度較低的路口單元信息來確保子軌跡序列具有實(shí)時(shí)的參考價(jià)值,為軟件定義異構(gòu)車聯(lián)網(wǎng)節(jié)點(diǎn)提前安裝移動(dòng)流表提供了科學(xué)的節(jié)點(diǎn)評(píng)估機(jī)制。經(jīng)測(cè)試表明,該移動(dòng)服務(wù)定制算法部署在軟件定義異構(gòu)車聯(lián)網(wǎng)中具有良好的自適應(yīng)性。