Open Access
Issue
JNWPU
Volume 38, Number 1, February 2020
Page(s) 191 - 198
DOI https://doi.org/10.1051/jnwpu/20203810191
Published online 12 May 2020

© 2020 Journal of Northwestern Polytechnical University. All rights reserved.

Licence Creative Commons
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by/4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

无人机蜂群组网是未来无人机技术发展的趋势。在某些特定应用环境下, 无人机组网需要减少信号干扰, 提高信号传输距离, 低截获抗干扰能力等, 都对组网中采用定向天线提出了要求[1-3]。

目前, 无人机多采用抛洒模式和发射架模式发射, 发射后需要节点进行自主快速组网, 然后编队飞行协同执行任务。通常编队采用密集组网方式, 以某种队形组队飞行, 当发生任务规划时会导致队形重组, 从而引起网络拓扑变化。

组网是无人机集群编队的关键技术。蜂群组网根据其应用特点, 主要采用无线自组织组网模式, 其中, 邻居发现是网络拓扑构建的前提。

传统无线自组网中的邻居发现, 由于节点配置的是全向天线, 只需要每个节点定时全向广播邻居探测包, 相邻节点通过接收探测包, 来实现3次握手即可确定邻居关系。

在采用定向天线的组网模式中, 邻居发现要比全向模式复杂。根据定向天线在接收端和发送端的使用情况, 可分为4种[4], 分别是全向发送全向接收、全向发送定向接收、定向发送全向接收和定向发送定向接收。无人机集群组网[5]在特殊应用环境下, 由于战场环境的恶劣, 为了避免信号泄露、位置暴露等考虑, 天线模式可采用DD模式。当使用DD模式时, 节点能否发现邻居, 与天线波束是否同时互相对准有很大的关系, 因此在定向无线自组织网络中, 发送节点和接收节点需要解决同时把天线波束方向对准的问题, 这增加了邻居发现算法的复杂度。

目前, 邻居发现算法可分为2大类[6-7]:①随机型[8-12, 16]; ②规划型[13, 14]。在随机型算法里, 随机体现在2个方面:①探测方向(扇区)或者接收方向(扇区)的随机选择上; ②节点在邻居发现过程中角色定位的随机选择上, 即主动探测(发送探测包)还是被动监听(接收探测包)。因而随机性算法主要目标是, 在减少随机性所带来冲突的可能性的基础上, 提高邻居发现的概率, 并降低发现过程的时延。

规划型算法则与之不同, 它一般是基于全网时钟同步的前提下, 对所有节点进行时隙分配, 每个节点按照某种既定策略, 在当前时隙执行发送或接收, 并约定探测或接收方向, 从而减少了节点和其邻居状态冲突的可能, 增大了邻居发现的概率。

此外, 邻居发现算法根据邻居关系建立所需要的握手次数, 可分为:单次握手型[8], 双向握手型[9-10]和3次握手型[11]。一般3次握手确定的邻居关系更准确, 但是也会有伴随邻居发现过程的高时延所带来的低效率问题。

文献[7]提供了3种邻居发现算法, 其中一种是规划型算法SBA-D。该算法在不考虑冲突的理想状态下, 每个节点在第一次扫描后, 平均能发现网络中一半的邻居节点, 2个互在信号传输范围内的节点, 至多需要[log2M]次扫描就能互相发现(M为网络中节点的个数)。但是该算法在节点个数较多, 2个邻节点的编码差异在后几位时, 会导致很长时间不能互相发现; 此外当波束宽度较大时, 多个节点处于同一扇区的概率较高, 此时冲突的影响就不能忽略。本文在该方案的基础上, 利用公共邻居来加速邻居发现过程, 降低冲突的影响。

文献[10]提出了一种定向天线下的纯随机的双向握手邻居发现算法, 采取选择性反馈的机制, 节点并不是每次接收到消息包后都进行反馈, 而是以概率ρ进行反馈, ρ为反馈因子, 通过这种机制试图减少双向握手中的冲突。

Vasudevan等人[12]通过基于ALOHA的邻居发现算法, 推导出每个节点发现它的所有n个邻居节点所需要期望时间的渐近上界, 并提出一个基于冲突检测的邻居发现算法。

文献[15]为了降低能耗, 通过调整邻居发现的频率, 当长时间未发现新邻居时, 则将间隔时间调到最大值, 在最小值和最大值之间实现自适应跟踪拓扑变化和降低能耗。

Tian等[16]将异步环境下基于单向握手的邻居发现建模为“取特定颜色球的概率问题”, 即节点通过传递m个消息包而发现n个邻居节点的概率, 与从一堆球中挑选出m个球恰好有n种不同颜色的概率相等, 文章发现异步邻居发现算法所需时间接近同步算法的2倍, 然后在此基础上提出混合单向和双向握手的异步邻居发现算法。

文献[17]将机器学习算法引入到邻居发现过程, 提出了一个基于有限状态自学习的邻居发现方案, 节点通过存储每个扇区的历史信息, 通过自学习过程, 用于指导下一次的邻居发现抉择。

1 网络模型和问题描述

1.1 网络模型

定义节点所构成的网络拓扑为G=(V, E), 其中, V表示网络中节点的集合, 节点个数为N, E表示网络中边的集合。每个节点都配置定向天线, 天线类型为波束切换智能天线(switched beam), 波束宽度为θ(0° < θ < 360°), 定向天线需要扫描(360°/θ)个扇区才能覆盖所有邻居区域。节点所配置的定向天线功率和传输距离等指标均相同。同时, 假设网络节点具有以下这些性质:①每个节点具有唯一的ID标志;②节点工作在半双工模式, 任意时刻, 只能处于发送状态或者接收状态;③当发送节点的发送波束对准接收节点的接收波束时, 才可以进行通信;④MAC层使用类TDMA机制, 每个节点按时隙划分工作。

1.2 问题描述

在基于DD模式的邻居发现过程中, 节点能够互相发现, 取决于节点之间能够在某一时隙内天线互相对准, 如果能够提前预知某个邻接点在某个扇区, 将大大增加发现的概率。

经过初期邻居发现过程, 每个节点都会建立部分邻居关系。不同节点的邻居集合有一定的交集, 处于交集中的节点就是公共邻居, 利用这些公共邻居, 可以加速网络的邻居发现过程。

基于上述思想, 本文提出了基于邻居交集迭代的邻居发现算法(ICN-ND)。ICN-ND利用节点之间交换邻居表信息, 通过邻居表来间接发现一部分新的邻居节点, 减少每个节点主动扫描发现邻居节点的时间, 同时为了降低邻居位置信息(比如经纬度)数据的传输量, 采用扇区号(方向)和距离来表征邻居位置信息, 从而提高邻居发现的效率。

2 基于邻居交集迭代的邻居发现算法

ICN-ND将一次扫描分为邻居探测阶段和邻居交互阶段。节点根据ID编码算法[7]来选择在每次扫描时处于主动扫描状态或者被动监听状态。ICN-ND分为3个步骤:初始化、邻居探测和邻居交互, 其工作流程图如图 1所示。

thumbnail 图 1

ICN-ND工作流程

2.1 节点参数初始化

节点参数包括时隙、运行状态以及邻居信息表。每一个扇区时隙是由2个阶段组成, 第一个阶段为邻居探测阶段, 由探测时隙构成, 用于发现邻居, 并通过3次握手建立邻居关系; 第二个阶段为邻居信息交互阶段, 由交互时隙构成, 用于和新发现的邻居进行邻居表信息交互。在每个时隙, 节点可有3种工作状态:发送状态Tx、接收状态Rx和空闲状态Idle。运行状态的确定可参照SBA-D的方式, 通过对节点ID进行二进制编码, 根据扫描次数所对应的编码位来决定节点的运行状态。对于第i次扫描, 如果节点ID二进制编码的第i位为0, 则节点选择进入被动监听状态, 反之则进入主动扫描状态。以平面为例, 网络中节点天线波束扇区分成8个, 即波束宽度大小为45°。为完全覆盖该节点信号范围, 邻居探测阶段时, 节点需要主动探测8个波束扇区, 在某个波束扇区发现邻居节点时需要进行3次握手建立邻居关系, 因此每个波束扇区分配3个时隙, 8个波束扇区共分配24个时隙, 这些时隙称为握手时隙。邻居交互阶段时, 节点需要和8个波束扇区中的节点交换邻居表信息, 每一次交互包括发送自己的邻居表信息和接收其他节点的邻居表信息, 因此每个扇区需要2个时隙用于发送和接收邻居表信息, 8个波束扇区共分配16个时隙, 这些时隙称为交互时隙, 节点时隙状态初始化如图 2所示。

DD模式下节点之间的通信, 天线波束方向必须互相对准, 因此发送角度和接收角度必须满足下面的条件

式中,θ′为发送节点的发送角度, θ″为接收节点的接收角度。此外, 节点需要维护2个循环链表, 分别存储发送角度和接收角度。

thumbnail 图 2

节点AB的初始时隙状态示例

2.2 邻居探测阶段和邻居交互阶段

在邻居探测阶段, 节点A处于扫描状态, B处于监听状态。A的3个握手时隙初始状态分别为Tx, Rx, IDLE; B的3个握手时隙初始状态分别为Rx, IDLE, Rx。根据时隙状态, 在第一个握手时隙, 节点A发送探测消息, 节点B监听探测消息, 如果在这个时隙节点B接收到了节点A的探测消息, 则更新自己的第二个时隙状态, 将Idle设置为Tx, 否则保持Idle状态不变。在第二个握手时隙, 如果节点B的时隙状态为Tx, 则向节点A方向返回一个ACK确认包, 如果节点B的时隙状态是Idle状态, 将不做任何操作, 如果在这个时隙, 节点A收到节点B的ACK确认包, 则将自己的第三个时隙状态由Idle更新为Tx。在第三次握手时隙, 如果节点A的时隙状态为Idle, 将不做任何操作, 如果时隙状态为Tx, 则向节点B方向返回ACK确认包。于是节点AB通过3次握手建立了邻居关系。

图 3示例, 在第一个握手时隙, 节点A朝0号扇区发送探测消息, 节点B首先从4号扇区开始进行监听。由图可知, 节点AB的天线波束没有对准, 无法建立邻居关系。

直到节点A发送角度为135°, 节点B的接收角度恰好为315°时, AB的天线正好对准, 于是经过3个握手时隙建立邻居关系, 并更新邻居表。

在完成该次扫描的邻居探测阶段后, 进入邻居交互阶段。和邻居探测阶段一样, 当节点AB的波束扇区对准时, 节点AB经过2个交互时隙交换了邻居表信息。

上述步骤为一次完整的扫描流程, 节点根据二进制编码, 选择下一次扫描的状态, 经过若干次扫描之后, 完成所有邻居节点的发现。

thumbnail 图 3

邻居探测阶段节点状态图

2.3 邻居判断算法

本文采用扇区号(方向)加距离的方式来表征邻居相对位置, 其目的为了避免采用经纬度信息带来的通信开销。

图 4的拓扑举例, 经过第一次扫描的邻居探测阶段之后, 节点AB通过3次握手建立了邻居关系, 并互相告知位置信息, 同理, 节点BC也建立了邻居关系。节点BA之间的距离为lAB, 节点B在节点Aα方向; 节点BC之间的距离为lBC, 节点C在节点Bβ方向。节点AC都在对方的邻居范围内, 但是因为节点AC在当前扫描位置处于相同状态, 即同为主动扫描状态或者同为被动监听状态, 所以在邻居探测阶段并没有互相发现对方。

当进入邻居交互阶段时, 节点A会收到节点B的邻居表信息, 节点B的邻居表中有节点C的相关信息。现在A需要判断C是否为自己的邻居节点, 在已知AB之间的距离lAB, 由B的邻居表信息可以得到BC之间的距离lBC, 因此只需求出ABBC夹角θ, 再利用三角余弦公式即可估算出节点AC之间的距离lAC, 然后判断lAC是否超过了节点A的信号传输距离, 即可确定C是否是邻居节点。

根据角度αβ的取值范围不同, 夹角θ的大小可以分为图 5中的6种情况, 针对每一种情况, 都可以计算出对应θ的大小, 如表 1所示。

thumbnail 图 4

节点拓扑关系示意图

thumbnail 图 5

节点拓扑关系示意图

表 1

αβ不同取值与夹角θ的大小关系

3 算法性能的分析

3.1 算法初始化

图 6所示的网络拓扑结构为例, 图中共有8个节点, 其中黑色节点表示它处于主动扫描状态, 白色节点表示它处于被动监听状态。图中仅画出了节点4和节点0的圆形信号传输范围。

节点4的二进制编码为100, 节点0的二进制编码为000。节点4在第一次扫描进入主动扫描状态, 并初始化时隙状态。节点0进入被动监听状态, 按照被动监听状态去初始化时隙状态。网络中其他节点的时隙状态初始化方式与之类似。

thumbnail 图 6

节点拓扑图

3.2 基于邻居交集迭代的性能分析

图 7所示, 在第一次扫描中, 当完成邻居探测阶段后, 节点4处于主动扫描状态, 节点0, 1和3都处于被动监听状态, 因此节点4发现0, 1, 3是自己的邻居节点。而节点6, 7和4一样, 都处于主动扫描状态, 不能互相发现。相同的, 节点0发现4, 7和5是自己的邻居节点, 而没有发现节点2和3。网络中的其他节点经过邻居探测阶段更新了自己的邻居表信息。

图 8可看出, 在第一次扫描的邻居探测阶段时, 节点4先和0进行邻居表信息的交换。节点0根据邻居判断算法判断出节点3是自己的邻居节点, 将3加入自己的邻居表。节点4收到邻居信息之后判断出7是自己的邻居节点, 便更新自己的邻居表。网络中的其他节点执行类似操作。

可以证明信号传输范围存在重叠区域的2个节点, 如果它们在同一次扫描处于不同的状态, 即一个节点处于主动扫描状态, 另一个节点处于被动监听状态, 则在该次扫描结束后, 重叠区域的所有其他节点都能被这2个节点所发现。以节点0和4为例, 节点0和4在第一次扫描时处于不同的状态, 节点4处于主动扫描状态, 节点0处于被动监听状态。它们的信号传输范围存在重叠区域, 重叠区域中的其他节点或者处于主动扫描状态或者处于被动监听状态, 如果是处于主动扫描状态的节点, 则与节点0互相发现并建立邻居关系, 如果是处于被动监听状态的节点, 则与节点4互相发现并建立邻居关系。在邻居探测阶段, 节点0会与节点4交换邻居表信息, 根据邻居判断算法, 节点0会发现重叠区域的所有其他未发现的节点。相同的, 节点4也会发现重叠区域的所有其他未发现的节点。因此经过该次扫描, 节点0和4均发现所有处于重叠区域的节点。

图 9所示, 在图 8的基础上, 加上节点3的信号传输范围。在第一次扫描时, 节点4在邻居探测阶段发现了节点3, 并在邻居交互阶段和节点3交换邻居表信息。所有步骤与节点4和0进行的相同。由图可知, 节点3和4也存在一个重叠区域, 经过第一次扫描, 节点4和3的重叠区域内的所有节点都被这2个节点发现。至此, 图 9中的所有其他节点, 即阴影区域中的节点都被节点4发现。接着, 节点4还会和节点1进行邻居表信息交互, 阴影区域面积继续增大。经过若干次扫描后, 节点4的阴影区域面积完全覆盖了该节点的信号传输范围, 此范围内所有节点都被节点4发现, 完成邻居发现过程。其他的节点执行同样的步骤, 完成邻居发现过程。

由上述分析可知, 阴影面积区域的扩张非常快, 因此该邻居发现算法能够大大加快网络中节点的邻居发现过程。

thumbnail 图 7

邻居探测阶段

thumbnail 图 8

邻居交互阶段

thumbnail 图 9

邻居发现的迭代过程

4 仿真及分析

在QualNet仿真平台上进行了仿真验证, 以SBA-D算法作为对照方案进行比较。在仿真场景中采用switched-beam定向天线, 路径损耗模型设置为两径模型, 信道传输率设置为2 Mb/s, 节点均匀地分布在一个圆形区域内。

本文采用邻居发现所需时隙数这一指标, 对SBA-D算法和ICN-ND算法的仿真结果进行分析比较, 并分别考虑不同节点密度和不同波束宽度下对算法性能的影响。

4.1 不同节点密度的仿真结果及分析

节点密度是以节点的平均邻居个数来衡量的。通过设置圆形区域节点的节点个数, 来设置不同的节点密度。考察不同节点密度下, 2种算法完成一次邻居发现过程的所需时隙数。

在该实验仿真中, 天线的波束宽度设置为45°, 实验结果如图 10所示。从图上可见, SBA-D算法随着节点密度增大, 所有节点完成发现邻居的过程所需时隙数急剧增大, 在某些情况下需要达到5 000个时隙, 与之对应的则是ICN-ND算法几乎对节点密度不敏感, ICN-ND所需的时隙数是100以内的量级。究其原因, SBA-D算法实质上仍是一种随机探测方法, 无法快速收敛。

为了进一步考察ICN-ND的性能, 将节点密度逐渐增加到50个。实验结果如图 11所示, 可知随着节点密度增大, ICN-ND完成邻居探测所需的时隙数呈现线性递增, 当平均节点邻居个数达到50时, 所需时隙数仅为250。

thumbnail 图 10

邻居发现所需时隙数

thumbnail 图 11

ICN-ND完成邻居发现所需时隙数

4.2 不同波束宽度下的仿真结果及分析

为了验证ICN-ND和SBA-D算法在不同天线波束宽度下的性能, 设置节点密度一定(每个节点有15个邻居节点), 通过选择不同的天线辐射模式, 调整天线波束宽度。

图 12可知, SBA-D算法中所有节点完成邻居发现所需的时隙数随着波束宽度增大而减少, 波束宽度越大, 同一扇区节点数越多, 则冲突概率激增。ICN-ND算法在波束宽度较大或者较小时, 性能相对来说有所降低, 在20°到70°时, 算法的性能最佳。由上所述, 在相同的节点密度下, 不同天线波束宽度时, ICN-ND在性能上优于SBA-D算法。

thumbnail 图 12

2种算法的仿真结果细节图

4.3 算法收敛性的仿真结果及分析

在该实验仿真中, 假定网络中的节点密度一定, 每个节点有15个邻居节点, 天线波束宽度固定为45°, 分析完成邻居发现过程中, 完成进度与所需时隙的关系。

图 13可知, 采用ICN-ND没有出现某个节点严重滞后, 从而影响整体邻居发现过程的情况, 所用的时隙是均匀分布的, 邻居发现过程仅用了50个时隙左右。而在使用SBA-D算法时, 邻居发现总共耗费了接近1 700个时隙, 在经过400个时隙时, 已经发现了13个邻居节点, 为了发现剩余的2个节点, 用了将近1 300个时隙数。因此从整体上看, ICN-ND在收敛性上比SBA-D表现得更好, 不存在摆动振荡不收敛等影响整体邻居发现时间的情况。

thumbnail 图 13

所有节点邻居发现的仿真结果图

5 结论

本文研究了基于定向天线的无人机蜂群组网的邻居发现问题, 根据无人机组网的特点, 提出了一种基于邻居交集迭代的邻居发现算法, 在邻居发现过程中, 使用公共邻居来发现潜在邻居, 减少了邻居关系建立的时延, 降低了潜在冲突的概率。在QualNet平台上与SBA-D算法做了对照实验, 仿真结果表明, 在不同的节点密度和天线波束宽度下, ICN-ND的收敛性以及有效性, 大大优于SBA-D算法。

References

  1. Singh P J, Silva R D. SEHER I[J]. Comparison of Communication Protocols for UAVs and VANETs[C]//2016 International Conference on Computing, Communication and Automation, Noida, 2016: 616–619 [Article] [Google Scholar]
  2. Park M, Jung J. An Analysis of Communication Performance According to Antenna Directionality in UAV Operation Environment[C]//2010 2nd IEEE International Conference on Network Infrastructure and Digital Content, Beijing, 2010: 854–857 [Google Scholar]
  3. Pottinger T, Yousefi'Zadeh M, White A. Integrating Directional Links with Omni-Directional Tactical MANET Stack: an Experimental Analysis[C]//MILCOM 2006-2006 IEEE Military Communications Conference, Washington, DC, 2006: 1–7 [Article] [Google Scholar]
  4. Tehrani A S, Molisch A F, Caire G. Directional Zigzag: Neighbor Discovery with Directional Antennas[C]//58th IEEE Global Communications Conference, San Diego, CA, United states, 2015 [Article] [Google Scholar]
  5. Li Guihua. Status and Trend of Foreign Military Data Link for Unmanned Aerial Vehicles[J]. Telecommunication Engineering, 2014, 54(6): 851–856 [Article] (in Chinese) [Google Scholar]
  6. Chen L, Li Y, Vasilakos A V. On Oblivious Neighbor Discovery in Distributed Wireless Networks with Directional Antennas: Theoretical Foundation and Algorithm Design[J]. IEEE/ACM Trans on Networking, 2017, 25(4): 1982–1993 [Article] [CrossRef] [Google Scholar]
  7. Ramanathan R, Redi J, Santivanez C, et al. Ad Hoc Networking with Directional Antennas: a Complete System Solution[J]. IEEE Journal on Selected Areas in Communications, 2005, 23(3): 496–506 [Article] [CrossRef] [Google Scholar]
  8. Du J, Kranakis E, Ponce O M, et al. Neighbor Discovery in a Sensor Network with Directional Antennae[J]. Adhoc & Sensor Wireless Netowrks, 2016, 30(4): 261–286 [Article] [Google Scholar]
  9. Zhang Z, Li B. Neighbor Discovery in Mobile Ad Hoc Self-Configuring Networks with Directional Antennas: Algorithms and Comparisons[J]. IEEE Trans on Wireless Communications, 2008, 7(5): 1540–1549 [Article] [CrossRef] [Google Scholar]
  10. Cai H, Wolf T. On 2-Way Neighbor Discovery in Wireless Networks with Directional Antennas[C]//2015 IEEE Conference on Computer Communications, 2015: 702–710 [Article] [Google Scholar]
  11. Zhao S, Liu Y, Yang T, et al. 3-Way Multi-Carrier Asynchronous Neighbor Discovery Algorithm Using Directional Antennas[C]//2016 IEEE Wireless Communications and Networking Conference, Doha, 2016: 1–6 [Article] [Google Scholar]
  12. Vasudevan S, Towsley D, Goeckel D, et al. Neighbor Discovery in Wireless Networks and the Coupon Collector's Problem[C]//Proceedings of the 15th Annual International Conference on Mobile Computing and Networking, 2009: 181–192 [Article] [Google Scholar]
  13. Zhenshang Z. Performance of Neighbor Discovery Algorithms in Mobile Ad Hoc Self-Configuring Networks with Directional Antennas[C]//MILCOM 2005, 2005: 3162–3168 [Article] [Google Scholar]
  14. Zhang D, He T, Liu Y, et al. Poster: Neighbor Discovery with Distributed Quorum System[C]//International Conference on Embedded Networked Sensor Systems, Seattle, WA, USA, 2011: 369–370 [Article] [Google Scholar]
  15. An X, Hekmat R. Self-Adaptive Neighbor Discovery in Ad Hoc Networks with Directional Antennas[C]//2007 16th IST Mobile and Wireless Communications Summit, 2007: 1–5 [Article] [Google Scholar]
  16. Tian F, Liu B, Cai H, et al. Practical Asynchronous Neighbor Discovery in Ad Hoc Networks with Directional Antennas[J]. IEEE Trans on Vehicular Technology, 2016, 65(5): 3614–3627 [Article] [CrossRef] [Google Scholar]
  17. Khamlichi B E, Nguyen D H J, Abbadi J E, et al. Learning Automaton Based Neighbor Discovery for Wireless Networks Using Directional Antennas[J]. IEEE Wireless Communications Letters, 2018, 8(1): 69–72 [Article] [CrossRef] [Google Scholar]

All Tables

表 1

αβ不同取值与夹角θ的大小关系

All Figures

thumbnail 图 1

ICN-ND工作流程

In the text
thumbnail 图 2

节点AB的初始时隙状态示例

In the text
thumbnail 图 3

邻居探测阶段节点状态图

In the text
thumbnail 图 4

节点拓扑关系示意图

In the text
thumbnail 图 5

节点拓扑关系示意图

In the text
thumbnail 图 6

节点拓扑图

In the text
thumbnail 图 7

邻居探测阶段

In the text
thumbnail 图 8

邻居交互阶段

In the text
thumbnail 图 9

邻居发现的迭代过程

In the text
thumbnail 图 10

邻居发现所需时隙数

In the text
thumbnail 图 11

ICN-ND完成邻居发现所需时隙数

In the text
thumbnail 图 12

2种算法的仿真结果细节图

In the text
thumbnail 图 13

所有节点邻居发现的仿真结果图

In the text

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.