基于模糊时间序列的移动自组网加权时延预测研究

埃及信息学杂志（2014年）15，105开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com原创文章基于模糊时间序列的移动自组网加权时延预测Jyoti Prakash Singha，*，Paramartha Duttab，Amlan Chakrabartica部。印度比哈尔邦巴特那国家技术学院计算机科学与工程系b部计算机和系统科学，Visva-Bharati大学，WB，印度cA.K. 印度加尔各答大学乔杜里信息技术学院接收日期：2013年9月17日;修订日期：2014年1月18日;接受日期：2014年3月2日2014年3月28日在线提供摘要路由协议、移动模式、移动节点的平均速度、源到目的地的路径长度、先前延迟等参数，影响移动自组织网络中端到端的分组时延。但是端到端时延与这些参数之间的关系本质还不清楚。在本文中，我们试图建立端到端延迟、路径长度和先前延迟。建立了路径长度与端到端时延之间的回归方程。端到端延迟也表示为模糊时间序列。然后将路径长度回归方程预测的时延与模糊时间序列相结合，得到当前端到端时延。这两个预测延迟的合适的权重也通过实验确定。据我们所知，使用各种网络参数以及模糊时间序列对分组延迟估计进行综合分析还没有被探索过。基于各种性能评价标准，我们发现，通过结合使用路径长度回归和模糊时间序列的延迟预测值，给出了令人满意的数据包延迟预测在ad hoc网络。©2014制作和主办由Elsevier B.V.代表计算机与信息学院开罗大学。1. 介绍*通讯作者。联系电话：+91 8521159014。电子邮件地址：jps@nitp.ac.in（J.P.Singh），paramartha.dutta@gmail. com（P. Dutta），acakcs@caluniv.ac.in（A. Chakrabarti）。开罗大学计算机和信息系负责同行审查。制作和主办：Elsevier移动自组织网络中的节点具有移动性和不断变化的位置。它们没有任何固定的基础设施，如基站等。它们可以将数据包中继到另一个节点，而无需使用任何基站。移动自组网中的每个节点都有一个传输范围，在这个范围内，从该节点接收到的信号足够强，可以被其他节点提取有意义的信息。如果两个节点恰好在彼此的传输范围内，则它们可以直接通信，否则它们使用涉及一个或多个中间节点的多个链路来彼此通信。这种通信模式称为多跳1110-8665© 2014由Elsevier B. V.代表开罗大学计算机与信息学院制作和主办。http://dx.doi.org/10.1016/j.eij.2014.03.001关键词网络延迟;移动自组网;梯形模糊数;路径长度106J.P. Singh等人通信这就是为什么MANET也被称为多跳无线网络。路径是源和目的地对之间的链接的有序列表。源-目的地对之间的链路总数定义了该对之间的路径长度。移动台通常使用较小的传输范围以避免干扰。因此，路径长度在大多数情况下恰好大于1移动自组网在深空通信、救灾、战场通信、野外采矿等领域有着广泛的应用前景，这是由于它们的可伸缩性和分布特性。为了为这些应用提供服务质量（QoS），了解此类网络的基本延迟性能非常重要[1]。端到端延迟是数据包在其源处生成后到达其目的地所花费的时间。由于节点的多跳性和连续移动性，移动自组网的端到端时延比其他基础设施网络要高。然而，移动自组网中的端到端时延建模仍然是网络研究界面临的一个挑战。主要原因之一是移动自组网的动态特性，如节点移动性、干扰、无线信道/业务竞争、分组分发、节点中的分组分发过程以及移动节点之间复杂的分组传递过程。然而，目前还没有任何理论框架来有效地描述这些网络动态下复杂的网络状态转换。到目前为止，已有的关于移动自组网端到端时延分析的工作主要集中在推导时延的上界或近似值。Narasimhan和Kunniyur[2]确定了MANET中延迟的三个主要来源。它们是（i）网络的多跳性质，(ii)信道接入延迟;以及（iii）中间节点处的排队延迟。为了到达预期目的地，MANET中的每个分组可以遍历多跳，其中分组由节点排队以进行进一步处理，并且如果节点不是预期目的地，则将分组转发到其他节点。对于每一跳，延迟随着传输和处理延迟的增加而持续增加。但是，迄今为止，路径长度和延迟之间的关系的确切性质还不清楚。对于基于竞争的媒体接入协议（MAC），节点的等待时间对于每个冲突呈指数增加。即使对于低路径长度，信道接入延迟也增加了总延迟。每个节点上的负载、网络中的节点密度或节点数量以及发送功率影响信道接入延迟。在每个节点处，接收到的消息被保持在队列上以供节点进一步处理。队列的长度是网络负载和所用路由协议的函数。排队延迟是队列长度的函数。虽然Narasimhan和Kun- niyur[2]指出了MANET中延迟的主要来源，但他们没有量化单个参数对端到端延迟的影响。除了Narasimhan和Kun- niyur提出的原因外，节点移动模式[3]也对MANET中的整体分组延迟起着重要作用。移动自组网中节点的移动模式因网络部署的应用和位置而异。就像士兵的移动将由指挥官控制一样，因此节点也将遵循战场移动自组网中的相同模式。在城市范围的MAN-ET中，车辆的移动受到障碍物或地图的限制广泛变化的移动性特征肯定会对端到端延迟产生影响。在这篇文章中，我们尝试根据先前的延迟和当前路径长度来预测源/目的地对之间的延迟的未来值。我们提出了一个加权延迟预测机制，使用回归的路径长度和模糊时间序列上以前的延迟。我们在模糊时间序列中使用了梯形模糊数之所以使用梯形模糊数，是因为刘[4]通过大量的实验证明了梯形模糊数比三角模糊数具有更好的预测效果。为了比较预测模型的性能，我们定义了几个性能评估标准（PEC），如均方根误差RMSE，相关系数R和效率E。模型结果与实际数据进行比较，并根据标准确定最佳模型结构。我们认为，这项工作将有助于研究界更全面地分析和建模移动自组网本文的其余部分组织如下。第2节简要介绍了与网络延迟相关的工作。模糊时间序列在第3节中解释。我们在第4节中描述了仿真环境。第5节给出了基于路径长度和模糊时间序列模型的模型开发。对所获得结果的讨论在第节中讨论。第六章我们总结了我们的工作，并在第7节结束。2. 相关作品Gupta和Kumar在[5]中证明，最佳网络吞吐量是在允许连接的最低传输功率下获得的。同时传输之间的干扰将非常低，较小的传输范围有助于更多的节点同时通信。然而，随着到达目的地所需的跳数增加，这增加了延迟。Sharma和Mazumdar[6]和Gamal等人[7]确定了网络中经历的延迟和可能的吞吐量之间的权衡。然而，这两种分析都没有考虑信道接入机制和碰撞对延迟的影响。Sheu和Chen在[8]中分析了移动自组织网络中MAC延迟与邻居数目之间的关系以及MAC延迟的估计方法。Sun和Hughes使用二维有限状态马尔可夫模型来分析排队延迟[9]。他们提出，一条路径的端到端延迟可以通过将路径中所有节点延迟和链路延迟相加郭在埃尔。[10]提出了一种使用神经网络预测平均每包单跳延迟的方案。他们使用（i）抽头延迟线多层感知器（ MLP ） 网 络 和 （ ii ） 抽 头 延 迟 线 径 向 基 函 数 网 络（RBFN）将平均延迟建模为时间序列。它们使用的输入是（i）仅平均延迟时间序列本身，(ii)平均延迟时间序列以及相应的交通负荷。他们忽略了任何其他参数对延迟的影响，并且他们的方案仅预测一跳延迟，而不是完整的端到端分组延迟。红岩等人[11]使用自回归模型和神经网络来预测互联网时延。Tabib和Jalali[12]使用前馈多层感知器来预测互联网时间延迟。Hanyan等人和Tabib等人都只考虑了互联网时延。他们没有考虑任何其他网络类型及其特征。移动自组网107¼ðÞð Þ[2019 - 02-22]ðÞð Þ¼-ð Þ ð -Þ-ð Þ ð-Þ ð -Þ¼ þþLee等人在[13]中通过实验证明，数据包在节点处的处理延迟随着其邻居数量的增加而增加。他们基于节点的活跃邻居定义了一个称为累积处理延迟的度量，并使用该度量提出了对动态源路由（DSR）算法的增强[14]。Tickoo和Sikdar[15]提出了一个分析模型来评估IEEE802.11 MAC的延迟和队列长度，并评估其支持延迟敏感业务的能力。从他们的延迟模型中观察到的一个关键现象是，延迟的主要贡献者是与每个数据包传输相关的信道访问和预留时间。然而，他们未能解决的问题，多跳传输和隐藏和暴露的节点问题。 Bisnik和Abouzeid[16]基于开放的G/G/1排队网络，导出了多跳无线自组网的解析模型。他们使用扩散近似来求解开放排队网络，并推导出MANET中平均端到端分组延迟的封闭形式表达式。他们还获得了表达式的最大可实现的吞吐量。但是，它们没有考虑到节点的移动模式和路由协议，这是在移动自组网的重要参数Guo等人[17]提出了一种延迟预测机制，并将该预测机制与称为最优链路状态路由（OLSR）的主动式ad他们仅使用排队延迟，并表明排队延迟可以建模为非平稳时间序列。他们使用多层感知器（MLP）和径向基函数从MANET中排队延迟的非平稳时间序列模型进行预测他们提出的时延预测机制是分布式的、独立的，只Ghiasian等人[23]建立了adhoc网络最大权值链路调度算法的网络拓扑与时延之间的关系。在1跳干扰模型下，他们此外，他们将这些结果扩展到一般干扰模型，并推导出延迟的上限为：一个关于连通图色数的函数但是，他们在工作中没有考虑到节点的移动模式和网络的路由算法。Gao等人[24]使用准生灭（QBD）理论来模拟MANN中的端到端延迟。他们应用QBD理论开发了一个有效的理论框架，用于捕获MANGOLD中的复杂动态。 在此基础上，建立了一个封闭的模型，分析了移动自组网的端到端时延和单节点吞吐量。但是对于整个分析，他们假设两跳中继路由与随机行走和随机路点移动模型。目前提出的所有模型都适用于具有特定移动模式和特定路由协议的特定类型的网络。这促使我们建立一个模型，在移动自组网中的端到端的延迟，这将是同样有用的任何移动模式和路由协议。3. 模糊时间序列让U是话语的宇宙，其中Uu1; u2;. ;n. U上的模糊集A定义为：以预测未来的延迟值。但他们没有考虑任何其他参数的影响，除了以前的延迟预测下一个延迟。AlAu1lAu2u1u2我是阿云nð1ÞSingh等人。[18，19]确定了在MANET中增强端到端分组延迟的参数。他们发现路径长度是最重要的干扰参数。他们还建立了基于神经网络的模型来预测数据包延迟在移动自组网中使用路径长度作为输入。他们通过实验发现，广 义 回 归 神 经 网 络 （ GRNN ） 和 径 向 基 函 数 网 络（RBFN）模型可以更好地预测MANET中所有移动模式和路由协议的端到端数据包延迟。 Singh等人[20]开发了一种基于梯形模糊数的模型来预测移动自组织网络环境中数据包的端到端延迟。他们使用的模型在网络上使用按需距离矢量（AODV）路由协议。Ciullo等人。[21]考虑了相关移动性模型对MANET中吞吐量和延迟的影响。他们考虑了一个简化的组移动模型，该模型足够灵活，可以探索节点移动过程中的各种相关程度，并发现存在广泛的相关节点移动，可以导致比独立节点移动下可实现的性能更好的性能。Gupta和Shroff[22]分析了多跳无线网络的延迟性能，该网络在每个源目的地对之间具有固定路由，并且链路集上具有任意干扰约束。对于任意调度策略，他们导出了多跳无线网络中分组的系统范围平均排队延迟的基本下限。其中lA 是A的隶属函数;1A：U！1/20;1]。lAu i表示u i在A中的隶属度值;lAu i0; 1和16 i 6 n。具有模糊数据的时间序列称为模糊时间序列时间序列Ft一个模糊时间序列被定义为在时间T上排序的模糊变量F t的序列，其中T是时间上等距点的有限集合。模糊时间序列可以看作是模糊随机过程的实现。Song和Chissom[25，26]将模糊时间序列定义为让你别再说了 。 . 0;1;2;。 . . R是Fuzzy集A i的论域，它是Fuzzy集A it的论域，1; 2; 3;. .. A it的集合表示为Ft。模糊时间序列称为Y上的模糊时间序列。 . 0;1;2;。 . . - 是的 设Ft和Ft-1是Yt和Yt-1t上的模糊时间序列。 . . 0;1;2;。 . . - 是的对于任何A jt2Ft，存在A it-1 2Ft-1，使得存在一阶关系Rt;t-1和A jtA it-1oR ijt;t-1，则Ft被称为仅由Ft-1引起。 这表示为Ft-1-！去你的如果F t是造成通过F t1或F t2或.. . 或F t m m>0，则所得模型为称为一阶模型如果 F t是 造成 通过 F t1只 而F t F t1 oR t;t1 .一、 如果R t;t1与t无关，则Ft被视为时不变模糊时间序列.宋和Chissom[25，27]的时不变模型由Chen[28]简化。Chen方法的预测结果通过Chen的方法使用模糊时间序列进行预测的过程使用以下主要步骤：u...108J.P. Singh等人ð Þ×¼ ð Þ ¼ ðÞ矢量路由（AODV）是每个1. 定义话语U的宇宙。2. 将U分成若干等长的区间。3. 定义U上的模糊集，对历史数据进行模糊化4. 模糊逻辑关系的推导。5. 将所导出的模糊逻辑关系进行分组。6. 解模糊以计算预测值。Liu[4]用梯形模糊函数重新定义了离散模糊集，称之为梯形模糊数。根据刘，梯形模糊数A被定义为A/A =a; b; c;d。8>0：Xb-a-：a6x6b协调功能用作媒体访问控制(MAC)每一个节点。 随需应变距离Dx>>：d-c：c6x6d网络的节点。每个节点产生恒定的比特率流量为1000 s，每个源1个数据包/s。交通是一种，第0章：x>d其中μ Ax是A的隶属函数。以图形梯形模糊数表示如图所示。1.一、Liu扩展加法运算与标量乘法梯形模糊数的运算来计算预测值。加法和标量乘法运算-梯形模糊数的定义在Eqs中给出。（3）及（4）分别。假设A a1;b1;c1;d1;B a2;b2;c2;d2，且S>0。因此，在本发明中，ABa1a2;b1b2;c1c2;d1d2 3S· A¼ A Sa1; Sb1; Sc1; Sd1基于梯形模糊数，刘提出了基于历史数据的预测算法.首先，收集历史数据Dvt，并定义该数据集的论述域U。确定间隔l的适当长度以模糊化给定数据Dvt。确定了模糊逻辑关系。根据这些关系，计算未来值。我们提出的延误预测是基于刘提出的预测算法。4. 仿真环境Network Simulator（NS-2）[29]用于模拟MANET，其中40个 节 点 在 1000 m × 1000 m 的 区 域 内 移 动 。 使 用 Bonn-Motion软件生成运动模式[30]。在使用Bonn-Motion生成运动模式时，忽略前3600 s的运动。下一个1000 s图 1梯形模糊数。使用cbrgen工具进行了验证，该工具是NS-2发行版的一部分来源和目的地的数量是随机cbrgen工具数据包的发送和接收是使用NS-2仿真器进行仿真传送的痕迹以新的跟踪格式存储会话和接收的端到端延迟是使用AWK脚本从这些跟踪文件计算的。然后取延迟的计算值Matlab进行进一步分析。我们研究了三种不同的移动模型下的延迟：（i）曼哈顿网格移动模型，（ii）高斯马尔可夫和（iii）随机路点移动模型。对于每个场景，我们已经在NS-2中进行了10次模拟。然后计算所有数据集的统计特性。选择显示最大随机性（标准差、x最小值和x最大值）的数据集用于模型构建过程。选择显示最大随机性的数据集的原因是，如果预测模型使用该数据集产生良好的结果，那么它将使用任何其他数据集产生更好的结果5. 建议的延迟预测技术加权延迟预测由两个阶段组成。在第一阶段，以路径长度作为独立变量，以延迟作为因变量进行回归。在第二阶段，历史数据被模糊化为梯形模糊数，并用于预测延迟。然后，将使用回归和时间序列获得的预测延迟以适当的比例组合以给出最终的预测延迟。5.1. 基于路径长度回归的时延预测延迟被发现是直接影响的总跳数的数据包必须遍历。任何特定源-目的地对之间的跳数（路径长度）随时间不断其可以被固定用于特定网络部署。端到端分组延迟随着路径长度的增加而增加，因为传播延迟和排队延迟随着每个中间节点而增加。当我们测试路径长度和包延迟之间的相关性时，我们发现它们之间有很强的相关性。由于路径长度和延迟高度相关，我们试图通过这些数据拟合回归线我们发现了一个lAxð2Þ移动自组网109拉吉乌××ðÞðÞ！ ！！¼2¼ ðÞ1234A10： 500001½uuu.拉乌2 3 4 50：5联系我们01第二次世界大战0：50：5第3章10þu40：50苏500我...拉乌0A3¼u 第二次世界大战第3章þu4苏5 我...拉乌......0 0一0： 5十点五这条直线适用于大多数情况。回归方程的形式为m-1u20 0...米-20um-10点 51分延迟<$A ×B×路径<$5AAmu第二次世界大战我...拉乌米-2M-1直升机乌鲁姆其中a和b是实数。a和b的值由实验结果评估。表1中给出了a和b的不同值。b的值大多在6 × 10- 3至10 × 10 - 3的范围内。710-3a的值显示了一个有趣的模式。DSR路由算法的优点是肯定的，缺点是否定的AODV路由协议。因此，如果路径长度已知，则可以使用上述公式容易地近似延迟5.2. 基于模糊时间序列建模的延误预测节点移动性、路由协议、链路拥塞等，是使延迟估计非常困难的参数。其中一些参数本身难以定量测量。这些参数的影响并不局限于一个数据包，而是一系列通过这些节点的数据包。因此，我们将时滞放在时间序列的框架中，来研究其他参数的影响的使用历史数据包延迟数据推导出的模糊逻辑关系。 模糊逻辑关系看起来像一个j！ A k表示“如果时间t- 1的数据值为A j，则时间t的数据值为A k”。基于模糊逻辑关系左侧的相同模糊数逻辑关系被分组在一起以生成模糊逻辑关系组。时间t的预测值由以下规则确定。规则1：如果 Aj的模糊逻辑关系组为空，即一个j！ U，则预测值也是A j，即d j-1; d j; d j <$1; dj<$2。规则2：如果Aj的模糊逻辑关系组是一对一，即Aj！那么预测值是Ak，也就是dk-1; dk; dk1; dk2。规则3：如果A j的模糊逻辑关系组是一对多，即A j Ak1;A j A k2;. . ;Aj Akp，则预测值计算如下：源目的地对之间的连续分组延迟测量可以被视为时间序列数据。端到端的延迟数据表示使用梯形模糊数。刘预测A k1A k2.. . A kppð6Þ采用梯形模糊数时间序列方法对不同移动模型下的移动自组网端到端分组时延进行预测。设有m个区间，分别为u1;u2;. 定义为u11/2/d0;d1;d2;d3]u1/2/d;d;d;d]u3/2/d2;d3;d4;d5]u4/2/d3;d4;d5;d6]...m-3;m-3;m-2;m-1]m-2;dm-2;dm-1;dm]um-1;dm-1;dm-1;dm;dm1; dm 2]um-2; dm-2; dm-1;dm1;dm2]然后，模糊集A1;A2;. ;Am的定义为：其中，Ak1 1/4=dk1-1;dk1;dk11/1;dk11/2，Ak21/4 dk2-1;dk2;dk211; dk212;.以及A kp d kp-1;d kp;d kp-1;d kp-2。所得结果的详细信息见第6节。5.3. 加权时延预测将路径长度法和模糊时间序列法得到的预测延误相结合，得到了较好的延误预测结果。加权延迟的计算方法如下：wgtdelay<$a× path<$b× fuzzy<$7b其中a和b是常数，a=b/1; 06a;b6 1a和b的值通过实验进行评估，发现0： 76a6 0： 9和0： 16b6 0： 3。6. 结果和讨论在下面的小节中给出了基于路径长度的回归、模糊时间序列和加权方法的预测结果。实际延迟数据的统计参数为表1数据集的统计参数。数据集高斯马尔可路由AODVDSRAODVDSRAODVDSRAODVDSRa×10-3-2.6792512.6505曼哈顿-4.272344.97786RPGM-6.558166.545随机路点-1.876412.7116b×10-36.963256.387666.252487.516786.52656.4156.94496.445381MMM111一2110J.P. Singh等人ð Þ ðÞðÞð Þ ð Þð Þð Þ1111ðÞðÞPPE¼1 -i¼12½jP-Oj jO-O1/1MAE¼n1/1表2数据集的统计参数数据集路由XminXMaxXSX高斯马尔可夫AODV0.0055970.0987660.0331542860.020658052DSR0.0055980.0881730.0301303880.017950893曼哈顿AODV0.0054970.059270.0190940610.013738992DSR0.0054970.0566770.0172141220.011575481RPGMAODV0.0055160.0474760.0093034490.007427774DSR0.0055360.0293990.009261020.006146167随机路点AODV0.0055570.0915710.0389298160.026028019DSR0.0055170.0799310.0322666120.018489821如表2所示。Xmin表示样本数据的最小延迟值，Xmax表示样本数据的最大延迟值，X表示样本数据的平均延迟值，Sx表示样本数据的标准偏差。采用相关系数R、等式（8）PnO-OP-P其中n是数据集的总数;O是第i个周期的观测延迟;P是第i个周期的预测延迟;O是观测延迟的平均值;P是预测延迟的平均值相关系数R衡量预测值与实际数据的拟合程度。R的值越接近1，意味着预测值和实际值之间的拟合越好。Nash-E值越接近1，表示模型性能越好。一致性指数IOA是分母的改变旨在惩罚平均预测值和平均观察值之间的差异。再次，IOA值更接近R<$qP2P2ð8Þ为1表示更好的模型性能。均方根n1/1PnOi-OOi-Pin1/1 Pi-P方误差RMSE 是衡量误差并且具有大错误比小错误受到更多关注的优点。RMSE可以给出一个定量的ð9Þ以尺寸量化表示模型误差n1/12Oi-O奶子它表明观察到的和预测值。RMSE值接近于零表示IOA ¼ 1-Pn1/1我Oi-Pi我j]ð10Þ模型的性能平均绝对误差误差项的绝对值，而不是届MAE值接近0是良好模型的指标，s1Xn2- 是的我们将系统的预测结果RMSE¼n1Xn1/1 Oi-Pið11Þtem移动模式遵循网络的节点，简化讨论。对于每种移动模式，我们给出了不同算法的预测值与实际值的图形表示。 一个包含不同提供PEC值以证明适用性 我们的0.10.090.080.070.060.050.040.030.020.0100 10 20 30 40 50分组Id0.090.080.070.060.050.040.030.020.01001020 30 40 50分组Id图 2使用AODV路由协议的GM移动模式下网络的实际延迟与预测延迟。图图 3采用DSR路由协议的GM移动模式下网络的实际延迟与预测延迟。实际路径预测模糊预测实 际路 径 预 测模糊预测wg-pred延迟延迟22njOi-Pij12移动自组网111实际路径预测模糊预测实际路径预测模糊预测表3服从高斯马尔可夫移动模式的网络端到端时延的优度度量。路由技术REIOARMSEMaeAODV路径0.7812158160.6075152560.9999832970.0040228680.000900664模糊0.2882566120.0828983660.9999609840.0061494050.001444658加权0.7935000230.5612210150.9999813290.0042535080.000936503DSR路径0.8345719530.6950064980.9999896060.0031758620.000792312模糊0.8294637150.688009860.9999893780.0032120830.000641804加权0.9318538240.8256925830.9999940630.0024009010.0005855130.060.050.040.030.020.0100 10 20 30 40 50分组Id图4网络遵循MG移动性模式与AODV路由协议的实际延迟与预测延迟。0.060.050.040.030.020.0100 10 20 30 40 50分组Id图5采用DSR路由协议的遵循MG移动性模式的网络的实际延迟与预测延迟。端到端分组延迟预测算法。最佳结果在相应的表格中以粗体6.1. 高斯马尔可夫迁移率的时延预测图 2显示了实际与预测的端到端的数据包延迟的移动自组网的节点遵循GM移动模式，并使用AODV路由。从图2中可以观察到，对于所有三种算法，预测值接近于实际值。实际延迟与预测延迟遵循GM移动模式的MANET DSR路由如图3所示。从图中可以明显看出，所有三种算法的预测值都足够接近实际值。3.第三章。这是非常困难的量化算法给出更好的结果，只是检查图。2和3为了证明我们算法的定量优越性，我们计算了不同的统计指标。PEC的措施，如corre-使用GM移动性模式的MANET的预测延迟的lation系数R、EficiencyE、IOA、RMSE和MAE，der AODV和DSR路由在表3中给出。表中的结果根据路由协议进行分组。在AODV路由的情况下，基于路径长度回归的算法产生更好的结果相比，其他两种策略。虽然加权算法的R值略优于基于路径长度的回归算法。因此，我们可以说，基于路径长度的回归本身是很好的预测移动自组网中的节点遵循GM移动模式，并使用AODV路由算法的端到端的延迟。另一方面，对于节点遵循GM移动模式并使用DSR作为路由算法的MANET，加权算法的端到端时延预测性能优于其他两种算法。6.2. 曼哈顿网格迁移图4给出了遵循曼哈顿网格移动模式并使用AODV路由的MANET的实际延迟与预测延迟的图形表示。对于所有三种算法，发现预测值足够接近实际值，如图4所示。图5示出了其节点遵循曼哈顿网格移动性模式并使用DSR路由协议的MANET的实际与预测的端到端分组延迟。从图5中可以看出，对于所有三种算法，预测值接近于实际值为了检查这三种算法中哪一种是最好的，我们计算了不同的统计指标。消除多氯联苯俱乐部措施像相关性系数R、效率E;IOA;RMSE和MAE，用于AODV下使用曼哈顿网格移动模式的MANET的预测延迟，DSR路由如表4所示。表中的结果根据路由协议进行分组。在AODV路由的情况下，基于路径长度回归的算法产生更好的结果相比，其他两种策略。虽然 加权算法的R值略优于基于路径长度的回归算法。因此，我们可以说，基于路径长度的回归本身就足以预测节点遵循曼哈顿的MANET中的端到端延迟延迟延迟112J.P. Singh等人实际路径预测模糊预测表4服从Manhattan Grid移动模式的网络端到端时延的优度度量。路由技术REIOARMSEMaeAODV路径0.9486849570.8992066840.9999956550.0020645950.000438328模糊0.8432103440.710995280.9999875380.0034960.000799726加权0.9487424980.8980246050.9999956040.0020766660.000441381DSR路径0.9568152560.9107186840.9999960780.001963120.00034097模糊0.8847401990.7827298370.999990450.0030624330.000678374加权0.9624860810.9261548580.9999967560.0017853670.0002855740.050.0450.040.0350.030.0250.020.0150.010.005实际路径预测模糊预测0 10 20 30 4050分组Id网格移动模式，并使用AODV作为路由算法. 另一方面，加权算法是更好的选择端到端的延迟预测的MANET，其节点遵循曼哈顿网格移动模式，并使用DSR作为路由算法的加权算法的所有PEC值相比，其他两种算法。6.3. RPGM移动性图 6显示了实际与预测的端到端的数据包延迟的移动自组网的节点遵循RPGM模式，并使用AODV路由。从图6中可以看出，对于所有三种算法，预测值接近于实际值。实际延迟与预测延迟图图6使用AODV路由协议的RPGM模式下网络的实际延迟与预测延迟。0.030.0250.020.0150.010.0050 10 20 30 40 50分组Id图图7采用DSR路由协议的RPGM模式下网络的实际延迟与预测延迟。在DSR路由下遵循RPGM模式的MANET在图7中给出。从图1中可以明显看出，所有三种算法的预测值都足够接近实际值。第七章为了量化哪种算法性能更好，我们计算了不同的统计指标。PEC测量了相关系数R、效率E、IOA、RMSE和MAE，用于使用RPGM模式的MANET的预测延迟AODV和DSR路由下的端口号见表5。表中的结果根据使用的路由协议进行分组。在AODV路由的情况下，加权算法给出了更好的结果相比，其他两种策略。基于路径长度的回归算法的RMSE和MAE值略优于加权算法。因此，可以说，加权算法可以用来预测的端到端的延迟在移动自组网中的节点遵循RPGM模式，并使用AODV路由算法。同样 ， 加 权 算 法 是 更 好 的 选 择 端 到 端 的 延 迟 预 测 的MANET，其节点遵循RPGM移动模式，并使用DSR作为路由算法的加权算法的所有PEC值相比，其他两个算法。表5服 从 R P G M 模 式 的 网 络 端 到 端 时 延 的优度度量。路由技术REIOARMSEMaeAODV路径0.9745812610.9493672650.9999964780.0018690690.00020563模糊0.9732070380.9470770240.9999963170.0019108730.000343394加权0.9775297240.9555640990.9999969080.0017509620.000255922DSR路径0.9891363880.978083840.9999985070.0012166180.000183834模糊0.9832829310.9668059360.9999977380.0014972780.000308842加权0.9910551080.9821809220.9999987860.0010970210.00020084延迟延迟移动自组网1130.10.090.080.070.060.050.040.030.020.010实际路径预测模糊预测0 10 20 30 4050分组Id使用DSR路由。从图9中可以看出，对于所有三种算法，预测值接近于实际值这是非常困难的量化算法给出更好的结果，只是检查图。8和9。我们已经计算了不同的统计措施的善良，以证明定量我们的算法运行良好在AODV和DSR路由下，使用RWP移动模式的MANET预测延迟的PEC度量（如相关系数R、效率E、IOA、RMSE和MAE）见Ta。表6.表中的结果根据网络使用的路由协议进行分组。在AODV路由的情况下，基于路径长度回归的算法给出了更好的结果相比，其他两种策略。但加权算法的R值略优于基于路径长度的回归算法。因此，我们可以说，基于路径长度图8在AODV路由协议下遵循RWP移动模式的网络的实际延迟与预测延迟。0.080.070.060.050.040.030.020.0100 10 20 30 40 50分组Id图9使用DSR路由协议的遵循RWP移动性模式的网络的实际延迟与预测延迟。6.4. RWP移动性图 8 给 出 了 遵 循RWP 移 动 性 模 式 并 使 用 AODV 路 由 的MANET的实际延迟与预测延迟的图形表示。如图8所示，对于所有三种算法，预测值都足够接近实际值。图9示出了其节点遵循RWP移动性模式回归本身是相当有说服力的预测端到端的延迟在移动自组网的节点遵循RWP移动模式和使用AODV路由算法。类似地，对于节点遵循RWP移动模式并使用DSR作为路由算法的MANET，基于路径长度的回归算法对于端到端延迟预测是更好的选择，因为与其他两种算法相比，路径长度算法的除相关系数R之外的所有PEC值都更好7. 结论在这篇文章中，我们计算的ad-hoc网络中的数据包所经历的端到端的延迟我们评估了路径长度与分组延迟的关系，发现它们高度相关。这种高度的相关性促使我们建立一个回归方程延迟作为因变量和路径长度作为自变量。回归是线性的，并与使用回归方程的预测值拟合良好。由于路径长度是已知的，每当计算到目的地的路由时，因此，我们可以推导出分组延迟的近似值，每当为源目的地对确定路由时。此外，我们已经表示端到端的数据包延迟的模糊时间序列的框架。使用梯形模糊数，我们的模糊时间序列给出了有希望的结果，但infe- rior基于路径长度的回归。我们将这两种算法结合起来，提出了一种加权算法，与两种算法相比，该算法的效果更好。我们发现，对于使用AODV作为路由协议的MANET，基于路径长度的回归给出了几乎与加权算法一样好的结果。而对于DSR路由协议，加权算法在所有移动模式下都能给出更好的结果表6采用RWP移动模式的网络端到端时延的优度度量。路由技术REIOARMSEMaeAODV路径0.8131651060.6319548610.9999747330.004954980.00115993模糊0.4523188810.2045850270.9999452430.0072843080.001931358加权0.8531574940.6036807320.9999727690.0051417860.0012441DSR路径0.8158312250.663501680.9999883920.0033548750.000919625模糊0.4778846690.2269033260.9999733570.0050851280.00127209加权0.8418228240.6489088650.9999878920.0034268480.000918525实际路径预测模糊预测延迟延迟114J.P. Singh等人引用[1] HanzoII L，Tafazolli R.移动自组网qos路由解决方案综述。IEEE Commun Surv Tutor2007;9（2）：50-70.[2] Narasimhan S，Kunniyur SS.网络参数对无线自组织网络时延技术代表工程与应用科学学院;2004年6月。[3] Camp T，Boleng J，Davies V. A survey of mobility models foradhoc network research.无线通信移动计算（WCMC）：特