第四章 模擬實驗與結果分析
4.4 實驗結果及分析
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
4.4 實驗結果及分析
實驗將與 Affinity Propagation-Based Cluster 及 Social Cluster-based Cluster，透過三個層 面做分析比較，分別為模擬時間、車輛速度限制及車輛數目，以驗證 FAPC 是否有較好 的效能。
模擬時間
圖 4.4，4.5，4.6，4.7 為在連續的模擬時間中觀察 Query Hit Ratio、Retrieve File Ratio、
Average Number of Clusters 及 Average Cluster Head Duration，以比較三種分群方法。在 網路層使用 TCP、車輛數量設定為 450 輛車，最高車速限制為 30m/s，分別發出檔案要 求，盡可能取得要求的檔案。
從圖 4.4 和表 4.3 來看 Packet Delivery Ratio 可觀察到將動態性 Affinity Propagation 與檔案性相關的 Social Cluster-based 整合的機制 FACP，在不同的模擬時間點，不同車 輛所發出的檔案要求，FACP 保有了 Social Cluster-based 檔案相關性的特性。因此，在 檔案搜尋方面，與 Social Cluster-based Cluster 的分群方式有相似的數據，兩者差距平均 範圍在 0.7%內。因為兩者都考慮節點擁有的檔案特性，再將這些節點分配至適當的群 組。反觀 Affinity Propagation 的分群，只考慮動態性卻不管檔案所擁有的檔案資料，因 此，當節點發出檔案要求時，能提供的資料非常有限，效能因此降低，相較於 Affinity Propagation，FAPC 在效能上提升了 2.88 倍。在觀察 Retrieve File Ratio，圖 4.5 和表 4.4，
在 Social Cluster-based Cluster 中使用大量的經費建置多個 RSU 作為 cluster head 管理叢 集並提供服務，但是卻可能因為節點的動態性，造成長時間後位置大幅改變，需要長距 離傳送資料，需要使用多次跳躍轉傳，減低效能。而 FACP 分群考慮動態性分群，節點
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
都在附近，假使分配的叢集無法提供檔案，該叢集的 cluster head 也會負責向鄰近其他 叢集發出檔案要求，盡可能取得檔案，因此能提升平均檔案傳輸效能 26%，達到低建置 成本卻能提升與 Social Cluster-based Cluster 的效能。Affinity Propagation 因為不考慮檔 案特性，效能因此受限，相較於 Affinity Propagation，FAPC 提升了 3.5 倍的效能。根據 圖 4.6 和表 4.5 觀察 Average Number of Clusters，因為 Social Cluster-based Cluster 會選擇 路旁 RSU 作為 cluster head 管理動態的節點，整個模擬環境中 RSU 的數量為叢集數，叢 集數量是一個固定數值，因此在這效能指標不跟 Social Cluster-based Cluster 比較。FAPC 保有 Affinity Propagation 的動態性分群，因此，在叢集上的建置跟 Affinity Propagation 叢集有著同樣穩定的叢集數據結果，數據顯示 FAPC 和 Affinity Propagation 的效能差距 在 0.7%內。觀察圖 4.7 和表 4.6 的 Average Cluster Head Duration，按照剛才所敘述的 Social Cluster-based Cluster，此方法選用 RSU 作為 cluster head，模擬過程中 RSU 至始至終都 是 cluster head，因此不和此方法比較，FAPC 在 cluster head 更換時，考慮當下的行車環 境，動態調整縮短等待和搜尋 cluster head 的時間，當 Affinity Propagation 和 FAPC 兩種 分群方法中的叢集成員同時失去 cluster head 時，FAPC 能在較短時間決定新的 cluster head，拉長下一個 cluster head 的使用時間，所以有較高的 Average Cluster Head Duration。
Affinity Propagation 則會按照既定的等待時間，直到等待時間結束，該節點才會成為新 的 cluster head，Affinity Propagation 在決定 cluster head 時，會比 FAPC 花費較多的時間，
使用新的 cluster head 開始時間會比較晚開始，也因此會有較短的 Average Cluster Head Duration，在此 FAPC 延長了 2%時間，實驗中提升時間最長為 7%。
‧
Clustering Protocol Simulation Time
FAPC Affinity Propagation
Query Hit Ratio
Simulation Time
Query Hit Ratio vs. Simulation Time
FAPC
Affinity Propagation Social-Based Cluster
‧
Clustering Protocol Simulation Time
FAPC Affinity Propagation
Retrieve File Ratio
Simulation Time
Retrieve File Ratio vs. Simulation Time
FAPC
Affinity Propagation Social-Based Cluster
‧
Clustering Protocol Simulation Time
FAPC Affinity Propagation
Average Number of Clusters
Simulation Time
Average Number of Clusters vs.
Simulation Time
FAPC
Affinity Propagation
‧
Clustering Protocol Simulation Time
FAPC Affinity Propagation
60 82 78
Average CH Duration(sec)
Simulation Time
Average CH Duration vs. Simulation Time
FAPC
Affinity Propagation
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
車輛速度限制
圖 4.8，4.9，4.10，4.11 為在不同車輛速度限制中觀察 Query Hit Ratio、Retrieve File Ratio、
Average Number of Clusters 及 Average Cluster Head Duration，比較三種分群方法。在網 路層使用 TCP、模擬時間為 300 秒以及車輛數量設定為 450 輛車，分別發出檔案要求，
盡可能取得要求的檔案。
圖 4.8 和表 4.7 可以看出，FAPC 分群會採用 Affinity Propagation 演算法依照動態性 將各節點分群，也使用 Social-Based Cluster 的分群方式，將檔案資料性納入分群時的考 量，因此有穩定的叢集架構，群組內的檔案也有一定的相關性。因此，發出檔案要求時，
群組內的 Query Hit Ratio 都穩定維持在一定的範圍 0.4%內，相較於原始的 Affinity Propagation 分群方式，效能提升 2.93 倍。圖 4.9 和表 4.8 則顯示當速度增加，在動態性 提高的狀態下，行動節點高速移動，以至於叢集的變動性較大，造成檔案回傳的困難，
而造成 Retrieve file Ratio 效能下降。相較於 Social-Based Cluster，FAPC 會將動態性相似 的節點分配到同樣的分群內，同樣在速度提高的狀況下，效能也會下降，但是下降幅度 卻沒有 Social-Based Cluster 來的快，在較高速度時平均效能提升 31%，效能上最高提升 44%。圖 4.10 和表 4.9 也因為前面所敘述的原因，在 Average Number of Clusters 上不與 Social-Based Cluster 比較，此項目也因為行車速度限制的提高，節點有高動態變動性，
效能的下降也反應在叢集分群的數量上。FAPC 和 Affinity Propagation 兩者分群方式的 效能都會因為行車速度的加快，增加叢集的數量，兩種方法的差距也在 0.5%內。圖 4.11 和表 4.10，也因為前面所敘述的原因，不與 Social-Based Cluster 比較，因為環境的高變 動性，造成 cluster head 維持不易，造成多次的 cluster head 轉換，以至於 cluster head 平 均執行時間下降，但相較於 Affinity Propagation，FAPC 最高提升 14%的時間。
‧
Clustering Protocol Velocity Limit (m/s)
FAPC Affinity Propagation
Query Hit Ratio
Velocity Limit (m/s)
Query Hit Ratio vs. Simulation Time
FAPC
Affinity Propagation Social-Based Cluster
‧
Clustering Protocol Velocity Limit (m/s)
FAPC Affinity Propagation
Retrieve File Ratio
Velocity Limit (m/s)
Retrieve File Ratio vs. Velocity Limit (m/s)
FAPC
Affinity Propagation Social-Based Cluster
‧
Clustering Protocol Velocity Limit (m/s)
FAPC Affinity Propagation
15 41.3 41.0
Average Number of Clusters
Velocity Limit (m/s)
Average Number of Clusters vs. Velocity Limit (m/s)
FAPC
Affinity Propagation
‧
Clustering Protocol Velocity Limit (m/s)
FAPC Affinity Propagation
15 84.1 80.3
Average CH Duration(sec)
Velocity Limit (m/s)
Average CH Duration vs. Velocity Limit (m/s)
FAPC
Affinity Propagation
‧
圖 4.12，4.13，4.14，4.15 中在不同車輛數目中觀察 Query Hit Ratio 、Retrieve File Ratio、
Average Number of Clusters 及 Average Cluster Head Duration，比較三種分群方法。在網 路層使用 TCP，模擬時間為 300 秒，最高車速限制為 30m/s，分別發出檔案要求，盡可 能取得要求的檔案。由此實驗可得知車輛數愈多對 FAPC 愈有提升，因為 FAPC 分群建 立的叢集成員會根據鄰居節點清單得知該叢集成員所擁有的檔案資訊，所以車輛數目越 多，鄰居節點清單就越大，所以提升資料的取得機會。
圖 4.12 和表 4.11 表示當車輛密度不同時，相較於 Affinity Propagation，考慮到檔案 性層面的 Social-Based Cluster 和 FAPC在 Query Hit Ratio都有所提升。隨著車輛數變多，
建置的叢集也因此密集，叢集擁有的種類也隨之上升。就算該叢集無法提供的檔案資料，
但因為高密集度，短距離內一定會有其他的叢集存在，所以提供的檔案種類變多，對 Query Hit Ratio 會有幫助，曲線也因此有緩緩上升的趨勢。Social-Based Cluster 和 FAPC 平均差距在 0.7%內，相較於 Affinity Propagation 卻提升了 2.31 倍。圖 4.13 和表 4.12 顯 示 Retrieve File Ratio 隨著車輛變多，效能也隨之提升，理由與前面相同，相較於 Affinity Propagation，效能大幅度提升 3.79 倍，對 Social-Based Cluster來說，平均效能提升 17.5%，
最高效能也提升 21%。圖 4.14 和表 4.13 表示 Average Number of Clusters 在車輛數提升 時，FAPC 和 Affinity Propagation 分群數量也因此上升，兩種分群方法的差距大約是正 負 0.1%到 2%間。原因是每個分群叢集的叢集成員數量都有限制，若不限制，一旦到達 無法維持原叢集運作能力時，效能就會降低，因此在車輛數上升時，叢集數量會變多，
此時也因為前面所敘述的原因不與 Social-Based Cluster 比較。圖 4.15 和表 4.14 表示 Average CH Duration 在車輛數提升時，FAPC 和 Affinity Propagation 使用相同的演算法，
根據動態性選取適合的 cluster head 節點，兩種方法有相似的效能。而隨著車輛數量的
‧
Clustering Protocol Velocity Limit (m/s)
FAPC Affinity Propagation
300 450 600 750 900
Query Hit Ratio
Node Number (cars)
Query Hit Ratio vs. Simulation Time
FAPC
Affinity Propagation Social-Based Cluster
‧
Clustering Protocol Velocity Limit (m/s)
FAPC Affinity Propagation
300 450 600 750 900
Retrieve File Ratio
Node Number (cars)
Retrieve File Ratio vs. Node Number (cars)
FAPC
Affinity Propagation Social-Based Cluster
‧
Velocity Limit (m/s)FAPC Affinity Propagation
300 450 600 750 900
Average Number of Clusters
Node Number (cars)
Average Number of Clusters vs. Node Number (cars)
FAPC
Affinity Propagation
‧
Clustering Protocol Velocity Limit (m/s)
FAPC Affinity Propagation
300 450 600 750 900
Average CH Duration(sec)
Node Number (cars)
Average CH Duration vs. Node Number (cars)
FAPC
Affinity Propagation
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第五章 結論與未來工作
本論文主要解決車載網路上分群引發的問題，從分析中可發現，建立叢集若不考慮檔案 性和動態性，建立出來叢集架構的應用將有所限制。只考慮動態性的叢集式架構會有良 好的穩定性，但對於檔案傳輸無實質幫助。只根據檔案性考量分群的分群式架構會有一 定程度的檔案相似性，然而，叢集成員的動態性程度不一，可能會造成遠距離傳輸，效 能降低。
至於叢集的架構該如何建置，本篇論文提出的FAPC就是整合檔案相關性和動態性，
建構出穩定且具檔案相關的分群式架構，以增進效能。另外也考量到在大多叢集式架構 中，當失去cluster head時，都會在一個既定時間，找尋可用的cluster head。但是時間過 多過少都不太適合，因此本篇論文也根據此問題改善重選cluster head的機制，動態調整 重選cluster head時間，在適當的時間內決定新的cluster head服務鄰近車輛節點。
本篇論文選出 Affinity Propagation[1]和 Social-Based Cluster[6]整合出新的架構 FAPC，並且與這兩個方法比較。Affinity Propagation 以動態性建置，傳輸檔案方面有相 當大的問題；Social-Based Cluster 以檔案性建置，在節點動態性方面存在許多問題。從 實驗數據可知，整合後的 FAPC 具備了 Affinity Propagation 和 Social-Based Cluster 的優 點，在檔案的傳輸方面和動態的穩定性都有相當好的表現，在檔案傳輸方面指標 Query Hit Ratio 和 Retrieve File Ratio 最高有 31%的提升。在叢集穩定性指標 Average Number of
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
Clusters以及 Average Cluster Head Duration也都有不錯的數據，最高可提升 10%的效能。
於未來研究，若 FAPC 用於傳輸較大檔案，仍須考慮到更複雜的機制，並提出更好的檔 案相關分群方式，以更進一步改善效能。
‧
[1] C. Shea, B. Hassanabadi, and S. Valaee, “Mobility-Based Clustering in VANETs Using Affinity Propagation,” in GLOBECOM'09 Proceedings of the 28th IEEE Conference on Global Telecommunications, IEEE Press Piscataway, NJ, USA, Nov, 2009, pp. 1-6.
[2] Frey B. J and Dueck D, “Clustering by Passing Messages between Data Points,”
Science 315, 2007, pp. 972-976.
[3] "Affinity Propagation" Retrieved:
http://www.psi.toronto.edu/index.php?q=affinity%20propagation, June 2011.
[4] T. Taleb, E. Sakhaee, A. Jamalipour, K. Hashimoto, N. Kato, and Y. Nemoto, “A Stable Routing Protocol to Support ITS Services in VANET Networks,” Vehicular Technology, IEEE Transactions on, vol. 56, no. 6 Part 1, 2007, pp. 3337-3347.
[5] Y. Chu and N. Huang, “Delivering of Live Video Streaming for Vehicular Communication Using Peer-to-Peer Approach,” In Proceedings of 2007 Mobile Networking for Vehicular Environments, Anchorage, AK, USA, May 2007, pp. 1-6.
[6] Sung-Han Lin, Junn-Yen Hu, Cheng-Fu Chou, Ing-Chau Chang, and Chien-Chun Hung,
“A Novel Social Cluster-based P2P Framework for Integrating VANETs with the Internet,’’ in WCNC'09 Proceedings of the 2009 IEEE Conference on Wireless
Communications & Networking Conference(WCNC), IEEE Press Piscataway, NJ, USA, Apr, 2009, pp. 1-6.
[7] B. Ramakrishnan, R. S. Rajesh, and R. S. Shaji, “CBVANET: A Cluster Based Vehicular Ad hoc Network Model for Simple Highway Communication,” Int.J.Advanced
Networking and Application, Dec, 2010,accepted for publication, pp. 755-761.
[8] Slawomir Kuklinski and Grzegorz Wolny, “ Density Based Clustering algorithm for Vehicular Ad-Hoc Networks,” International Journal of Internet Protocol Technology, Volume 4 Issue 3, September, 2009, pp. 1-6.
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
[9] Maen Artimy, “Local Density Estimation and Dynamic Transmission-Range Assignment in Vehicular Ad Hoc Networks,” IEEE Transactions on Intelligent Transportation
Systems, September, 2007, pp. 400-412.
[10] M. M Artimy , W Robertson, and W. J Phillips,“Assignment of Dynamic Transmission Range Based on Estimation of Vehicle Density,” in Proceedings of the 2nd ACM
International Workshop on Vehicular Ad Hoc Networks, New York, NY, USA, Sep, 2005.
[11] “SUMO Simulation of Urban Mobility” Retrieved:
http://sumo.sourceforge.net/, June, 2011.
[12] “The Network Simulator ns 2.35” Retrieved:
[12] “The Network Simulator ns 2.35” Retrieved: