[0068]
[0069] b3:当v1＝v2时，通过公式(6)计算C；
[0070]
[0071] 步骤三：对于不同实际的道路情况，选择出在满足FΔt(t)和FΔv(x)条件的先车辆A和在后车辆B，具体根据车辆对应的△v和△t计算得到FΔt(t)和FΔv(x)，再根据文件的传输时耗和链路持续时间计算节点在发送队列中文件的传输顺序，并选择文件进行发送；
[0072] c1:每个车辆节点各自维护自已的文件序列F，并且各自初始化一个列表S，将要发送的文件顺序地放入S中，然后每个车辆节点依次验证自已列表S队列中的每个文件，并计算出每个文件的传输耗时；
[0073] c2:每个车辆节点根据传输耗时递增的原则对其列表S中的文件进行重排序，然后根据计算的链路持续时间遍历序列，查找与该时间最相近的文件准备发送；
[0074] c3:根据链路持续时间发送文件，如果文件发送截至时间最接近链路持续时间，将列表S中的文件发送到序列Y中；如果文件发送截至时间大于链路持续时间，则延迟该文件的发送，等待下一个链路的建立；在这种传输机制下，每个节点将优先传输文件传输时耗与链路持续时间最接近的文件，进而会有更多的文件传递成功。
[0075] 步骤二中自身的状态信息包括当前车辆位置、方向、行驶速度和加速度。
[0076] 步骤三中的传输耗时根据文件的大小和传输速率的比值进行计算。
[0077] 仿真及性能分析：
[0078] 本申请中文件调度算法(TTLD)和数据传输策略(EPDT)相关性能采用ONE(Opportunistic Network Environment)仿真平台对进行验证，为了验证TTLD算法文件调度的效率，将TTLD算法与RSATA与OCCS两种算法进行对比实验，并把三种算法应用于典型的机会网络路由协议Spray and Wait中。将EPDT分别应用于典型的机会网络Epidemic和Spray and Wait路由协议，并与这两种路由协议的传统方法进行对比实验。本申请中模拟车载网络中的车辆运动过程采用德国科隆市车辆轨迹数据集，随机选取了数据集中800米*800米方形区域内的车辆轨迹数据，时间段为5分钟，共包含235个节点的运动轨迹。为了不失一般性，文件的大小服从帕累托分布，通过对网络流的统计分析，网络中文件的大小服从双帕累托对数正态分布，帕累托参数从1.2增加到2.1，较低的帕累托参数表示文件分布广泛，差异性较大；反之则文件集中在平均值附近，差异性较小。文件的传输速率根据源节点和目的节点的距离以及环境的信噪比来确定。通信半径在80米到200米之间，以20米递增的方式变换。仿真参数设置如表1所示。
[0079] 表1仿真参数设置
[0080]
[0081] 车辆可传输的文件数量由车辆的缓存容量来决定，车载机会网络中的车辆缓存容量虽然日益在增大，但是目前还很有限，目前车载机会网络文件传输策略的研究重点是如何利用有限的车辆缓存容量更有效地完成对文件的传输。因此，主要分析车辆缓存容量的变化对TTLD文件调度算法的影响。
[0082] 车辆缓存容量对TTLD，RSATA与OCCS三种算法消息成功投递率的影响如图6所示，消息投递成功率＝成功传输的文件个数/文件总数。3种算法的文件传输成功率随着车辆缓存容量的逐渐增加而快速上升。缓存容量较为有限时，TTLD的文件发送成功率优于RSATA和OCCS，在缓存容量为10MB时TTLD算法提高15.8％以上，随着缓存容量的变大，TTLD算法的性能增益有所降低，三者的增速逐渐平稳。
[0083] 图7描述了不同缓存容量对文件传输平均时延的影响，从仿真结果中可知，RSATA算法文件发送的平均时延随着车辆缓存容量的增加而迅速增大，而TTLD算法的时延增速较慢，其中，当缓存空间为10MB时，TTLD算法的时延趋于稳定，TTLD较RSATA，OCCS的平均时延减少了14.8％。随着缓存容量的逐渐增大，文件传输数量和大小增加，OCCS的时延性能逐渐接近RSATA，最终TTLD与其他两个算法比较平均时延性能提高15.5％。
[0084] 图8描述了不同缓存容量对网络负载率的影响。网络负载率＝(发送的文件数‑成功发送的文件数)/成功发送的文件数。如图所示TTLD的网络负载率在缓存容量小于10MB时，三种算法网络负载率都有较快下降，但是本申请的算法要远优于其他两种算法。当缓存容量逐渐增加10MB以上时，车辆节点可以携带和发送的文件更多，可以排队等待的文件更多，网络负载率降低，但是当缓存容量持续增加的时候，三种算法的网络负载率都趋于平稳。TTLD算法中文件调度前有两个条件的判定，减少了无效的文件传递，相比其他两种算法网络负载率有明显降低，大约降低了13.8％。
[0085] 以表1参数设置为基础，采用150节点，2小时数据包生存期，通过与Epidemic和Spray and Wait算法的传统方法来进行算法性能评价，两种算法都是目前机会网络研究的热点，能够应用于各种不同的环境，在性能方面有明显的特点，具有较高的可比性。将EPDT算法应用目前机会网络最流行的两种路由算法，更能在性能上比较其优越性。
[0086] 图9仿真结果表明，在不同数据包数量下基于EPDT算法的Epidemic和Spray and Wait路由协议传输成功率均优于传统的Epidemic和Spray and Wait路由协议。当数据包达到1200个时，EPDT‑Epidemic克服Epidemic的弱势，传输成功率几乎接近Spray And Wait，平均传输成功率相比Epidemic高出16.2％。EPDT‑Spray And Wait和Spray And Wait算法相比，平均传输成功率高出13.4％。
[0087] 图10描述的是不同数据包对文件转发次数的影响，Epidemic和Spray and Wait路由协议对消息的多副本复制依赖较大，随着数据包数量的不断增加，其消息转发次数也有较明显的增加。尤其在数据包个数接近900个值时，其转发次数增长较明显。由于Epidemic算法的特性，其转发消息的次数与消息的拷贝数量有关。而EPDT‑Epidemic路由方法通过对节点的概率估计来进行消息拷贝，使得其转发次数明显降低，几乎与Spray and Wait路由协议的转发次数重合。EPDT‑Spray and Wait路由协议在通过寻找概率更优的节点，使得节点相遇概率增大，严格控制转发条件，所以在转发次数上明显优于其他算法，较传统方法其平均转发次数降低了18.6％。
[0088] 图11描述的是不同的数据包对网络开销的影响。Epidemic算法由于数据包的增加，其消息副本数增加迅速，而真正投递成功的消息数却不多，网络开销自然增长明显。
[0089] EPDT‑Epidemic路由方法考虑到只要在合适的相遇概率下才向节点复制数据，因此大幅度降低了网络开销，较Epidemic算法其平均网络开销降低了14.6％，几乎与Spray and Wait路由算法网络开销接近了。EPDT‑Spray and Wait路由算法考虑到在数据喷射过程中，寻找最合适相遇概率的节点完成数据转发，在节点等待过程时也在寻找合适的节点，其平均网络开销较其他算法降低了15.4％。
[0090] 本算法策略与其他算法相比，避免了仅根据文件到达时间或文件大小发送文件，而是根据链路持续时间发送对应文件。数据传输策略根据节点相遇的概率密度函数转发消息，解决了传统算法消息副本的过度发送以及消息副本转发等待。仿真结果表明，所提方法在文件传输成功率、网络平均时延和网络负载率等方面表现出较好的性能。
