自组织网中基于移动预测机制的OLSR路由协议研究的综述报告.docxVIP

自组织网中基于移动预测机制的OLSR路由协议研究的综述报告

随着移动互联网的发展，自组织网络（MANET）逐渐成为一个研究热点。MANET是指由移动节点组成的自治网络，节点之间可以自主通信，无需中心化的控制器。由于节点的移动性和网络拓扑的不稳定性，MANET的路由协议设计是其关键的研究领域之一。在MANET中，具有代表性的路由协议包括AdHocOn-DemandDistanceVector（AODV）、Destination-SequencedDistanceVector（DSDV）、OptimizedLinkStateRouting（OLSR）等，其中OLSR路由协议在自组织网络中应用广泛。

OLSR（OptimizedLinkStateRouting）路由协议是一种分布式的路由协议，由瑞典计算机科学家PerJohansson发明。它基于链路状态（LinkState）协议，采用了逆向广播风格（ReversePathBroadcasting）的数据包传输模型。在OLSR中，每个节点都定期向相邻节点发送Hello消息以维护拓扑结构，构建网络拓扑图。然后通过链路状态比较（LSComparison）的机制，计算出最短路径，得到物理路由信息。由于OLSR路由协议可以节省网络带宽，提高路由性能，因此被广泛应用于MANET网络中。

OLSR路由协议具有一定的局限性，如节点的移动性、多径效应以及动态网络拓扑等都会影响其路由性能。对此，研究者们提出了基于移动预测机制的OLSR路由协议。移动预测机制是指通过对节点移动轨迹进行分析，预测节点下一步的位置和移动方向。这样便可以预先缓存物理路径信息，减少路由计算时间和数据包传输延迟。下面将对基于移动预测机制的OLSR路由协议的研究进展进行综述。

一、预测模型

基于移动预测机制的OLSR路由协议需要建立预测模型，来预测节点的移动轨迹和移动方向。预测模型是移动预测技术的核心，其预测准确性直接影响路由性能。目前，常用的预测模型包括：基于历史轨迹模型、卡尔曼滤波器模型以及神经网络模型等。

基于历史轨迹模型通过历史移动轨迹数据来预测节点下一步的位置和移动路径，将轨迹数据进行聚类，将其转化为轨迹模式，从而实现移动预测。卡尔曼滤波器模型则是一种利用观测数据来估计系统状态的解决方案，它可以通过节点移动的位置和速度数据，预测出下一时刻节点的位置和速度。神经网络模型是一种基于神经元结构和学习算法的预测模型，通过训练网络，将历史轨迹数据转换为预测模型，预测节点的下一步位置和移动方向。

二、预测技术

基于移动预测机制的OLSR路由协议的预测技术包括节点位置预测和移动路径预测两个方面。节点位置预测是指根据节点历史移动轨迹，通过预测模型来确定节点下一时刻的位置，进而预测下一跳节点的物理位置，选择最佳路径进行数据包转发。移动路径预测是指基于节点历史移动路径，预测节点下一步的移动方向和路径，从而预测出最佳的数据包传输路径。

常见的预测技术包括时间序列预测、马尔可夫链预测、遗传算法预测以及神经网络预测等。其中，时间序列预测通过对历史移动轨迹数据的时间序列分析，从而预测节点下一步移动的位置和移动方向。马尔可夫链预测是通过对节点移动轨迹数据的频率分析，基于表示状态的马尔可夫链模型，预测节点下一步位置和移动路径。遗传算法预测是通过遗传算法进行个体的选择、交叉和变异，得到最优的预测结果。神经网络预测则是通过节点移动数据进行训练，建立神经网络模型进行位置和移动预测。

三、预测精确度

基于移动预测机制的OLSR路由协议的预测精确度是影响其路由性能的关键因素之一。预测精度取决于多个因素，如移动速度、移动轨迹、节点数量、路由跳数等。在研究过程中，研究者们通过调整预测模型参数、增加历史数据训练量等手段，来提高预测精度。

四、应用前景

基于移动预测机制的OLSR路由协议在自组织网络领域应用广泛，能够提高路由性能、减少网络带宽消耗，对于实现移动互联网场景中的通信、搜索和数据传输等任务具有重要的意义。尽管存在一些问题，如预测精度不高、对算法计算力要求高等，但随着技术的不断发展和优化，其应用前景无限。

综上所述，基于移动预测机制的OLSR路由协议是自组织网络中的一种重要路由协议，能够提高路由性能和网络效率。其预测模型、预测技术和预测精度是其关键研究领域。随着技术和算法的不断进化，基于移动预测机制的OLSR路由协议必将在未来的自组织网络中发挥更加重要的作用。