He-SERIeS: MANET数据卸载的通信模型

埃及信息学杂志19（2018）11全文He-SERIeS：一种用于MANET数据卸载的通信模型P. Rajeswaria，T.N.拉维ba计算机科学系，Cauvery女子学院，Trichy，Tamil Nadu 620018，印度b印度泰米尔纳德邦特里奇Periyar E.V.R学院（自治）计算机科学系阿提奇莱因福奥文章历史记录：2016年10月13日收到2017年2月21日修订2017年6月7日接受2017年6月16日在线发布保留字：移动自组织网络（MANET）数据卸载聚类随机缓存（RC）基于中心性的缓存（CC）消息摘要5（MD5）安全哈希算法SHA1A B S T R A C T移动自组网（Mobile Ad-hoc Network，MANET）是一种包含异构无线移动设备的动态无基础设施网络。在移动自组网中，存在带宽受限、拓扑结构动态变化、路由开销和电池限制等问题。在本文中，异构移动自组网包括不同的MAC层协议进行了考虑。异构安全-dEed-反射-诱导-eState（He-SERIeS）算法所面临的问题是可扩展性和卸载。为了解决现有SERIeS算法的这些问题，设计了He-SERIeS算法。簇头（CH）的选举使用按需分簇算法和具有相似的需求的节点被分簇到一个不同的簇使用相似性度量算法。使用MD5和SHA1等辅助密钥管理方案来预测故障节点。与现有的随机缓存（RC）、基于中心性的缓存（CC）、基于集合覆盖的缓存（SCBC）和SERIeS算法进行了性能分析。用于比较的指标是吞吐量、分组交付率（PDR）、端到端延迟、复制开销和卸载率。该方案获得了92.8%的PDR，96.6%的高吞吐量和0.532的高卸载比，更少的复制开销和端到端延迟。©2018制作和主办由Elsevier B.V.代表开罗计算机和信息学院大学这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍移动自组织网络（MANET）包含一组独立的无线连接节点[1]。在移动自组网中，节点往往以频繁的方式改变它们的链路，并且它们的移动性是独立的。移动自组网具有终端自治、分布式运行、多跳路由、链路容量不一致、网络拓扑自适应等特点。移动自组网的处理能力、板上存储器和电池电量等资源有限。移动自组网中的路由协议负责保持网络的高度移动性，从而改变网络的拓扑结构的*通讯作者。电子邮件地址：rajeswariphd15@hotmail.com（P. Rajeswari）。开罗大学计算机和信息系负责同行审查。制作和主办：ElsevierMANET中的节点是具有大量资源的异构节点具有很高计算能力和通信能力的移动节点比其他节点更适合支持adhoc网络的功能。基于簇的路由解决了异构性和路由信息开销问题。移动自组网中分簇的主要目的是将网络节点分成若干个相互重叠的簇。它用于增强资源管理，并在路由延迟、带宽和吞吐量方面提高网络性能。图1描述了MANET中节点的聚类。在分簇期间，选择CH作为每个簇头的代表。充当中间节点的节点是网关，其他成员是普通节点。非普通节点被认为是占主导地位的转发节点。CH负责保存路由和拓扑信息。集群的三种主要类型是主动集群、被动集群和按需集群。在主动分簇期间，移动节点通过周期性地交换信息来选择CH。被动群集挂起群集过程，直到数据流量开始，并消除了主要的http://dx.doi.org/10.1016/j.eij.2017.06.0011110-8665/©2018制作和主办由Elsevier B. V.代表开罗大学计算机和信息学院这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.com12P. Rajeswari，T.N.拉维/埃及信息学杂志19（2018）11Fig. 1. MANET中的集群[2]。主动集群的控制开销，这意味着更大的建立延迟。在按需分簇中，簇头以按需方式选举采用动态选举簇头的方法，以最小化计算开销和通信开销。1.1. 传统作品中存在的问题为了最小化移动节点中的带宽和流量，卸载概念起着重要作用。数据卸载用于将负载分配给多个节点。移动数据卸载通常被称为Wi-Fi卸载，并且更类似于3G/4G卸载。通过Wi-Fi（无线保真）的移动数据卸载或Wi-Fi卸载是使用诸如Wi-Fi的小小区技术的实现方式之一它以有效和经济的最佳方式为最终用户提供服务使用Wi-Fi卸载有几个原因，以下一点证明了这些原因：它对于不断增长的移动数据需求和具有以下特征的智能设备使用模式非常有用，它通过提高服务容量和能力来增强最终用户体验。它减少了服务提供商的运营支出在现有的工作中，一些技术被开发用于移动自组网中的数据卸载，但它有一些主要的缺点，例如：● 需要更多的时间进行数据检索● 存储占用大量内存● 数据一旦损坏，就不能重复使用● 此外，它增加了用户和服务器端的问题1.2. 拟议工作的动机基于这些原因，本工作致力于开发一种新的异构移动自组网卸载模型。通常，异构网络中的节点具有不同的速度，因此需要不同的数据速率进行检索。因此，这项工作提出了一种新的技术，即He-SERIeS的数据卸载机制，以增加网络的安全性和链路的稳定性。最初，网络由一些节点组成，这些节点本质上是动态的。具有相同要求的节点被分组为单簇。在建议的研究中，按需聚类用于聚类的节点。根据节点的要求，随时随地执行集群。本文的主要贡献如下，所提出的He-SERIeS算法用于获得有关网络路径的知识。具有较高处理能力、较高带宽容量和存储容量的节点被选为CH。使用按需聚类算法将具有相似需求的节点分组到单个集群中。CH根据节点的要求而变化。因此，CH不是固定的。移动节点负责将关于邻居的信息存储在链路状态数据库中。利用辅助密钥管理方案实现故障预测和节点认证，然后进行节点间的数据通信2. 相关工作本节简要介绍了现有的工作相关的集群和数据卸载在移动自组网。Kaur等人[3]提出了一种基于权重的安全节能聚类（WSEEC）算法，用于聚类和保护节点。与传统的WCA相比，WSEEC提供了最优的网络寿命，能耗，延迟，吞吐量和分组投递率。Bokhari等人[4]综述了应用于MANET的各种在众多的聚类算法中，Max-Min D-Cluster算法是最好的聚类算法，具有较好的消息复杂度控制Wang等人[5] 摘要将移动业务数据卸载建模为一个多目标优化问题，即移动数据业务量最小化和QoS感知服务提供。研究了移动自组网中Wi-Fi的几种流量分流模型。通过Wi-Fi卸载移动数据流量被认为是解决流量过载问题的有前途的解决方案。Li等人[6]建立了一个数学框架来解决实时场景中不同类型的移动数据卸载问题。有三个最佳的算法设计，如贪婪，近似和齐次算法处理卸载的情况下。Conti等人[7]探索了互补移动解决方案，其中移动节点依赖于其他节点。移动自组网中的节点之间通过基于Wi-Fi或蓝牙的直接通信进行联系，以实现流量从蜂窝网络中的分流。Lee等人[8]回顾了3G数据通过Wi-Fi网络的卸载性能。基于分布模型的模拟器和理论框架都实现了卸载的平均性能。Han等人[9]建议在新兴的移动社交网络中使用机会主义通信来促进数据通信。由于智能手机的各种应用程序日益普及，3G网络目前过载。解决这一问题的有效方法是通过机会通信来卸载移动数据业务。Liu等[10]提出了软件定义网络（SDN）等分布式环境中移动数据的卸载机制。通过数据卸载的概念避免拥塞，提高了移动台的服务质量。阿马尼al.[6]美国提出了一种集成的Wi-Fi架构，关于SDN卸载Wi-Fi被认为是减轻移动数据流量负荷的重要方法。移动自组网中数据卸载的主要目的是动态地将选定的流量重定向到更低的开销。Eom等人[11]研究了将机器学习技术应用于解决移动设备中的自适应调度问题●●●●●P. Rajeswari，T.N.拉维/埃及信息学杂志19（2018）1113图二. 拟定He-SERIES的总体流程。卸载框架。Budiyanto等人[12]提出了一种用于MANET和第三代无线保真（Wi-Fi）卸载网络的路由算法。将遗传区域路由（GZRP）和垂直切换（VHO）算法结合到3G-Wi-Fi卸载网络中。Xuyan等人[13]提出了一种集中式缓存协议，用于解决现有的缓存方案问题。实验结果表明，该协议提高了卸载收益。采用基于集合覆盖的选择该方案优于现有的方案在卸载的情况下。Chen- get等人[14]提出了一种基于流行度的中继用户选择算法，用于确定中继用户的数量。分析模型还提出了估计减少的数据流量的数量。Dias等人[15]研究了通过从长期演进（LTE）网络到Wi-Fi ad hoc网络的机会连接共享来卸载视频流的可能性。将AODV协议和OLSR协议结合起来，验证了流数据传输的性能.Novo等人[16]探索了三种机制，例如Wi-Fi卸载，移动智能加载（MSL）和智能小区。服务提供商有效地管理了不断增长的移动数据流量需求。Budiyanto 等 人 [17] 提 出 了 一 种 新 的 遗 传 区 域 路 由 协 议 （ N-GZRP），用于优化3G-Wi-Fi卸载和节点之间的负载平衡它是基于组合-轮盘赌轮选择方法和排名选择方法。它比ZRP协议节省60%的功耗。Esnault等人。[18]提出了在间歇连接的混合网络中卸载数据的通信模型。它是在一个中间件平台上实现的，一个用于提高服务质量的Nephila。Bravo-Torres等人。[19]从VANET或向VANET卸载移动数据。数据分流的路由协议在路由方面取得了较好的性能。 Chung等人。[20]提出了一种移动应用程序的自适应卸载，以确定最佳卸载点。移动设备的卸载消耗智能设备的最小能量。Valipour[21]提出了一种优化的神经网络，通过检测干旱和潮湿年警报来提高网络的准确性。本文分析了人工神经网络（ANN）、非线性自回归神经网络（NARNN）、非线性输入输出（NIO）和带外生输入的NARNNX（NARNNX）技术及其结构。Yannopoulos等人[22]研究了几个世纪以来的提水装置及其明显特征。在这里，介绍了世界各地水泵在过去5500年的历史发展的时间轴。 Vali-pour和Eslamian[23]推荐了各种基于温度的模型来分析潜在蒸散。在本文中，方法，包括修改哈格里夫斯14P. Rajeswari，T.N.拉维/埃及信息学杂志19（2018）11Samani 1 、 Samani 2 和 Samani 3 用 于 分 析 伊 朗 的 蒸 散 量 。Valipour[24]介绍了一种基于传输的模型，用于预测不同天气条件下的作物蒸散量。本文的主要目的是选择最好的传输为基础的模型来估计作物蒸散在北部（里海附近）和南部（波斯湾附近）的地区。在此，利用平均温度、最高温度、最低温度、风速和相对湿度等指标对模型的性能进行了分析。用于卸载数据的现有技术具有某些缺点，● 它不能很好地扩展异构网络● 类似的请求没有准确归类为了解决现有数据卸载机制的这些缺点，提出了一种新的算法，并在下一节中进行了解释。3. 该方法本节给出了所提出的用于MANET中的可扩展性和异构性的He-SERIeS的详细描述。图2描绘了所提出的SERIeS的一般流程。它包括以下阶段，例如，● 网络形成● 邻居发现● 选举组组长● 簇成员选择● 更新链路状态数据库● 路由发现● 最优路径选择● 节点认证● 数据卸载和通信。最初，网络由一定数量的节点组成。然后，邻居被发现用于节点之间的通信，并且Hello分组在节点之间被传送。 如果该节点是相邻节点，则在相邻表中更新各个节点ID。在发现邻居节点后，优先选择能量最高的节点作为CH节点，并将性质相似的节点进行分组。为了更新链路状态数据库，在节点之间广播链路状态通告。链路状态数据库中可用的信息是队列长度、能量和带宽。然后，学习代理用于基于链路状态信息更新链路状态数据库。更新链路状态数据库后，利用转发表发现路由，选择最优路径，并对节点进行认证。如果有必要卸载数据，则将本地数据存储在CH中，并且基于要求对数据进行分组。如果节点具有较小的接收容量，例如，256 bps，但是，CH具有非凡的传输容量，例如，1024 bps，则将整个数据划分为多个256 bps并存储在CH中。根据节点的需要，传输数据。最后，CH将用请求的数据节点移动卸载的数据。3.1. 网络形成最初，网络由一组节点组成，并在图中表示的节点之间建立链接。图三. 网络形成。图三.节点是动态的，移动的性质。一般来说，100个节点用于形成网络。3.2. 邻居发现创建网络后，节点负责彼此通信。在通信开始之前，通过在节点之间传输hello分组来发现相邻节点。一旦节点接收到hello数据包，它就会更新其邻居表。hello数据包是专用数据包，负责同时发现网络中的邻居。定期播出，以批准网络关系的邻接并且还发现相邻节点。在发现邻居之后，使用He-SERIeS算法来维护拓扑信息。该算法具有许多优点，在自然界中健壮。它将链路状态信息平均分配给多个节点。它在网络中提供高度安全和经过身份验证的路由。3.3. 选举组组长在发现相邻节点之后，基于节点的规范来选择CH。选择具有最高能量、队列长度和带宽的节点作为CH，负责从数据服务提供商下载数据。类似的节点需求被集中在一个集群中。数据从集群传输到其他节点，具有低能量和低冗余。相似需求的节点的聚类是用按需聚类算法完成的。按需聚类算法简要解释如下，它首先通过查找每个节点在其传输范围内的邻居开始。然后，计算网络中各个节点之间的距离。基于处理能力、存储器容量和带宽容量，选择CH。重复该算法，直到所有的节点被分配到一个集群。为了避免波动，使用了这些加权因子。它用于控制波动。计算节点的总容量以选择CH，选择容量最大的节点作为CH。●●●P. Rajeswari，T.N.拉维/埃及信息学杂志19（2018）11152算法1：按需聚类算法步骤1：找到每个节点在其传输范围v内的邻居。步骤2：计算强度的绝对值如下[25]，Nv 流动差异j步骤3：对于每个节点，计算其与所有邻居的距离之和Sv步骤4：计算每个节点的平均速度。这给出了由Pv表示的迁移率的度量。步骤5：计算节点v的时间Tv，在此期间，它起作用作为CH。步骤6：对于每个节点v，使用以下等式[25]估计总容量，Rv1Nvc 2Svc 3Pvc 4Tv2步骤7：选择具有最大Rv的节点作为CH。所选CH的所有邻居都不能再参与选举算法。第8步：重复第2-7步3.4. 簇成员选择在该步骤中，基于请求生成中的相似性来选择集群成员。首先，为优先级队列分配邻居跳数和CH数，然后检查每个节点是否属于簇或不.将为成员的每个请求计算权重。基于权重，形成簇，并分析每个节点的请求。基于请求，节点被分组在单个CH下。对于每个集群，CH被选举并负责特定操作。（续）算法2：基于相似请求生成的对于所有k长度。 Cl Do{从优先级队列中提取最高的关键节点（Rk，CH）}第四：对于Cl的每个元素Rk{将由用户请求创建的负载与CH的负载限制进行比较如果（用户请求CH的负载限制所创建的{附加负载被添加到CH}其他{请求的成员被转移到备用群集}步骤5：如果被请求的成员是低姿态成员，则数据被存储在CH步骤6：否则按照链路速率步骤7：如果（本地存储（要求）数据）.大小！= 0个）步骤8：根据链路速率将数据转发到Mreq3.5. 更新链路状态数据库在选择CH并将具有相似需求的节点聚类后，节点负责更新链路状态数据库。链路状态信息是队列长度、能量和带宽。学习代理负责存储负责路由信息的最新、正确和认证的链路状态信息。这里，学习代理负责识别从源节点到目的地节点的特定路径。它还获得路径信息，例如先前成功和不成功的路径信息。这些代理用于识别网络中的假节点。因此，通过知识发现路线从学习代理中获得（见表1）。算法2：基于相似度的请求生成步骤1：初始化优先级队列（1-Hop-Neighbor，No.的CH，）对第二：对于每个成员m属于集群Cl Do，{对于来自成员的每个请求Rk，使用以下等式估计权重，R k<$r k T k sum i 2 Ncs;i;w i;k;8k2C300使用等式2创建并更新所有量化请求的权重。（4）、最大值Rk=c1j4}第三步：初始化T为空，P0 =0，Q0 = {（T，P0）}3.6. 路由发现在建立到相邻节点的链路之后，发现到目的地节点的路由。传输通过最佳路径从源到目的地的数据量是表1符号。强度的绝对值Rv总容量c1、c2、c3和c4加权系数Pv节点的平均速度Tv节点作为簇头Sv相邻距离Rk节点请求CH群集头rk内容的长度Tk内容的生命周期N用户数cs;i帮助者与订阅者wi;k订阅者的内容兴趣K数据项C系统中的数据项rk的平均值16P. Rajeswari，T.N.拉维/埃及信息学杂志19（2018）11¼¼称 为 路 由 。 最 初 ， 在 网 络 中 的 节 点 之 间 广 播 路 由 请 求（RouteRequest，RREQ）分组，并且相邻节点接收该分组并且仅通过将其自己的地址添加到分组报头来广播相同的分组。相邻节点使用路由应答（RREP）分组进行应答。3.7. 最优路径选择在发现路由后，通过预测故障节点来选择最优路径最优路径是从源节点到目的节点的最佳路径在网络中，存在用于在节点之间转发分组的若干路径。如果在网络中预测到故障节点，则从网络中移除故障节点。如果没有选择最佳路径，则会降低整个网络的性能。为了检测数据传输的最佳最优方案，需要计算整个网络的端到端如果端到端延迟小于，则在网络中建立安全通信。节点的行为也被考虑，以避免不当行为通信用于比较所提出的He-SERIeS算法的现有技术是随机缓存（RC）、基 于 中 心 性 的 缓 存 （ CC ） 、 基 于 集 合 覆 盖 的 缓 存 （ SCBC ） 和SERIeS。以下参数用于评估所提出的He-SERIeS算法的性能，● 吞吐量● 分组投递率● 数据包传输率与数量的节点● 端到端延迟与节点● 卸载比● 复制开销● 端到端延迟。4.1. 吞吐量吞吐量是在总时间内传送的数据包的总数。在数学上，它由以下等式给出。（五）、3.8. 节点认证数据包总数总时间ð5Þ对最优路径上的节点进行身份认证，避免网络中的丢包和恶意攻击。在此阶段，网络中的节点被认证为故障或正常。节点认证方案通常使用辅助密钥管理方案来完成。在这项工作中，使用MD5和SHA1算法对节点进行身份验证。该算法已在我们以前的工作中讨论过。3.9. 数据卸载和通信在节点被认证之后，收集节点的规范。节点的性能指标包括能量、带宽、队列长度等。如果节点具有图图4描绘了所提出的He-SERIeS算法的吞吐量。用于比较的现有算法是RC、SCBC、SERIeS算法。模拟时间（ms）绘制在X轴中，而吞吐量（Kbps）相对于y轴绘制从图4.与现有算法相比，改进的SERIeS算法具有更高的吞吐量。4.2. 分组投递率（PDR）PDR是用于分析所提出的He-SERIeS算法的性能的度量。PDR被定义为接收到的数据包的数量与发送的数据包的数量的百分比。PDR由以下等式定义（六）、低规格，例如存储器或能量，则执行数据卸载机制。下载数据，PDR目的地节点接收的数据分组的总和源节点ð6Þ根据节点的规范则将数据从CH卸载到其余节点。CH负责根据节点的要求分割数据，并且数据从CH转发到请求节点。最后，如果数据被认证为正常节点，则完成数据通信。通信一直进行到队列为空。3.10. 拟议工作的优点与现有方法相比，所提出的方法的主要优点如下：它实现了数据的可重用性和重新共享减少了用户和服务器端的负担在这种环境中，主节点（即CH）可以存储从服务器获得的数据，然后转发到集群中被请求的节点。因此，它减少了延迟时间，增加的速度的此外，它还降低了数据开销，提高了数据检索率。4. 性能分析本节介绍了使用按需聚类和相似性搜索的He-SERIeS算法的性能分析。使用表2中所示的模拟参数进行实验分析。图5描述了PDR与模拟时间的关系。X轴表示以ms为单位的模拟时间，y轴描述以%为单位的PDR。当与现有算法相比时，所提出的He-SERIeS算法提供了更高的PDR。4.3. 数据包传输率与节点比较了现有的RC、SCBC、SERIeS算法和提出的表2模拟参数。模拟器NS 2.34模拟时间100 s模拟面积1000 ×1000m2MAC IEEE 802.11 b/g/n节点数30、50、70、90、100节点速度2移动模型随机航路点传输距离250米数据包大小512 Kbps-2048 Kbps数据包速率4包/秒交通类型CBR路由协议AODV/SERIES/He-SERIES通道比特率10 MB/sACK 112位+ PHY报头MAC报头272位PHY报头128位传播延迟1m s●●●●P. Rajeswari，T.N.拉维/埃及信息学杂志19（2018）1117见图4。 吞吐量与模拟时间。图五. PDR与模拟时间。He-SERIeS算法如图所示。第六章从结果中，它是分析，建议的He-SERies算法提供了更高的PDR比现有的算法为不同数量的节点。4.4. 端到端延迟与模拟时间端到端延迟相对于现有的RC，SCBC，SERIeS算法和拟议的He-SERIeS算法的节点数的比较表示在图7中。比较结果表明，该算法提供了最小的端到端延迟比现有的算法。4.5. 卸载比卸载率被定义为卸载数据流量与总流量的比率。它估计了CH执行的错误卸载次数。图8解释了卸载率与模拟时间的关系。 X轴描述以ms为单位的模拟时间，并且y轴描述卸载比。从图中可以清楚地看出，所提出的增强型SERIeS算法与现有的RC、CC和SCBC算法进行了比较。仿真时间从10到100 ms不等。卸载率随着仿真时间的增加而增加。与现有算法相比，亲-见图6。 PDR与节点数。见图7。 端到端延迟与节点数的关系。提出的算法实现了高卸载率。因为，网络中没有自我下载过程，也不需要下载时间。此外，它还代表了我们根据请求提供服务的效率。因此，在所提出的系统中可以增加卸载比4.6. 复制开销复制开销是用于分析He-SERIeS算法与现有算法的性能的度量。它被定义为在网络内部生成的数据副本的总数，其中利用多条路径来路由相同的数据。即使数据大小增加，复制开销也不会改变。 图 9描述了复制开销与模拟时间的关系。x轴描述模拟时间，以毫秒（ms）为单位，y轴描述复制开销，以%为单位。从图中可以清楚地看出，所提出的He-SERIeS算法提供了比现有算法最小的复制开销18P. Rajeswari，T.N.拉维/埃及信息学杂志19（2018）11N将数据分组传递到接收到的分组的总数在目的地。端到端延迟的估计基于以下等式，端到端延迟¼Sð7Þ见图8。 卸载比与模拟时间。见图9。 复制开销与模拟时间。见图10。 端到端延迟与模拟时间。4.7. 端到端延迟端到端延迟定义为数据包到达目的地所需的时间。由于路由发现、排队和缓冲等原因，延迟时间会增加。此外，它被定义为花费在其中S是将数据分组传送到目的地节点所花费的总时间，N是目的地节点接收的分组的总数。图10表示现有RC、SCBC、SERIeS算法和所提出的He-SERIeS算法的端到端延迟的比较。x轴描述了以ms为单位的仿真时间，y轴描述了以ms为单位的端到端延迟。比较结果表明，所建议的He-SERIeS算法比现有算法提供了最小的端到端延迟。由于传统的技术需要增加数据的下载时间，而He-SERIeS不需要进行路由过程，因此有效地减少了延迟时间。5. 结论和今后的工作提出了一种新的算法，即He-SERIeS算法，用于提供移动自组网的可扩展性和异构性。本文的主要目的是利用学习代理对已有的SERIeS算法进行改进，对来自节点的相似请求进行聚类，选出能量最高的CH。有两个主要的算法开发用于此目的是动态按需聚类和集群成员选择的基础上，类似的请求生成。我们的SERIeS协议进行了扩展，以减少数据管理问题，以增加吞吐量。所提出的系统支持服务提供者，服务提供者基于服务质量（QoS）因素提供服务，并且服务提供者应该支持数据卸载机制。该算法的性能与现有的RC，CC，SCBC和SERIeS算法进行了比较。用于评估现有的和建议的技术的性能的指标是吞吐量，延迟，复制开销，卸载比，和PDR。从结果中，它是分析所提出的增强SERIeS协议实现了96.6%的高吞吐量和PDR的92.8%，当与现有的算法相比。该工作的优点是使用卸载机制来平衡多个节点之间的负载作为我们未来工作的一部分，假设与MANET通信，并检查流量卸载多个服务在MANET网络物理系统。引用[1] Raja ML，Baboo CDSS.移动自组网概述：应用、攻击和挑战。Int J Comput SciMobile Comput 2014;3：408-17.[2] Gavalas D et al. Clustering of mobile Ad hoc networks ： an adaptivebroadcastperiodapproach.IEEEInternationalConferenceonCommunications，2006。p. 4034-9[3] Kaur K et al. Weightage based secure energy efficient clustering algorithm inMANET. 2015年：计算、通信和信息学进展国际会议（ICACCI）。p. 1006-12[4] Bokhari DM et al. A review of clustering algorithms as applied in MANN.IntJAdv Res Comput Sci Softw Eng 2012;2：364-9.[5] Wang S等人，在车辆网络物理系统中为QoS感知服务提供卸载移动数据流量。2 0 1 5 ：118-27.[6] Amani M et al.基于SDN的数据卸载，用于5G移动网络的基于SDN的数据卸载。《中兴通讯》2014年;12：34。[7] Conti M等人，在移动云计算环境中的移动设备上卸载服务供应。In：Hunold S等人，编辑。Euro-Par 2015：并行处理研讨会：Euro-Par 2015国际研讨会，奥地 利 维 也 纳 ， 2015 年 8 月 24-25 日 。 修 订 的 论 文 集 。 出 版 社 ： SpringerInternational Publishing; 2015。p. 299-310.[8] 移动数据卸载：WiFi能提供多少？IEEE/ACMTrans Netw（TON）2013;21：536-50.[9] HanB 等 .通 过 机 会 性 通 信 和 社 会 参 与 卸 载 移 动 数 据 。 IEEE Trans MobComput2012;11：821-34.P. Rajeswari，T.N.拉维/埃及信息学杂志19（2018）1119[10] Liu L 等 ， A distributed ADMM approach for mobile data offloading insoftware defined network. 2015年IEEE无线通信和网络会议（WCNC）; 2015年。p. 1748-52年。[11] 基于机器学习的运行时调度器用于移动卸载框架。在：2013年IEEE/ACM第六届公用事业和云计算国际会议论文集; 2013年。p. 17比25[12] BudiyantoSetal.Performanceanalysisofgeneticzoneroutingprotocolcombined with vertical handover algorithm for 3G-WiFi offload. J ICTRes Appl2014;8：49-63.[13] Xuyan B et al. Cellular traffic offloading utilizing set-cover based cachinginmobile社交网络. 《中国大学学报》 2016;23（4）：46-55.[14] Cheng R-G等人，通过机会性设备到设备通信卸载多个移动数据内容。无线对等通信2015;84：1963-79.[15] DiasEV et al. 通过从LTE到WiFi ad hoc网络的连接共享来卸载视频流的可行性。2015年国际研讨会（IWT）;2015年：1-6。[16] NovoRA et al.衡量重定 向和卸载移动 数据流量的影 响。贝尔 实验室技术J2013;18：81-103.[17] BudiyantoS 等 .Improvedperformanceofhybridalgorithmfor3G-WiFioffload networks. 78.第七十八章：你是我的[18] Esnault A等人，《一种用于非连续连接混合网络中数据卸载的任播通信模型》。Procedia Comput Sci2015;56：59-66.[19] Bravo-Torres JF et al. Mobile data offloading in urban VANESTAL on top of avirtualization layer. 2015年国际无线通信和移动计算会议（IWCMC）。p. 291-6[20] Chung J-M等人，用于最小能耗的智能设备上的增强现实应用程序的自适应云卸载。KSII跨互联网信息系统（TIIS）2015;9：3090-102。[21] 瓦利普尔湾湿润地区降水分析用神经网络的优化以探测干旱和湿润年警报。 MeteorolAppl 2016;23：91-100.[22] Yannopoulos SI et al.《几个世纪以来世界范围内提水设备（泵）的演变》。Water2015;7：5031-60.[23] Valipour M，Eslamian S.使用11个改进的基于温度的模式分析潜在蒸散。IntJHydrol Sci Technol2014;4：192-207.[24] 瓦利普尔湾基于质量传递模型的校正以预测参考作物蒸散。应用水科学2015：1-11.[25] Chatterjee M等.一种adhoc网络按需加权分簇算法见：IEEE全球电信会议，第3卷; 2000年，第1697-701页