4.1 节点去哪儿：移动性建模与链路寿命预测

4.1 节点去哪儿：移动性建模与链路寿命预测

移动性建模把节点的运动抽象成可仿真、可分析的数学过程（随机游走、随机路点、高斯马尔可夫）；链路寿命预测则从两个节点的相对运动推算无线链路还能维持多久，用于在断链之前主动换路。

不掌握运动规律，就没法评估任何动态机制。你改进的路由协议到底比原版强多少？答案取决于节点怎么动——同一协议在慢速游走场景稳如泰山，换成车载场景可能一塌糊涂。移动模型因此是仿真实验的"自变量"，选错模型，结论全部作废。链路寿命预测则是把运动知识变现的那一步：既然知道双方在怎么动，就能算出"这条链路还剩几秒"，从而把断链处理从被动救场升级为主动换角。

三个模型，三种性格

随机游走最简单：每隔一段固定时间（或每走一段固定距离），随机选一个方向与速度走下一步。它无需任何参数与记忆，但有个著名毛病——节点轨迹像醉汉，频繁急转弯与原地打转，统计出的平均速度严重偏低。随机路点为场景仿真而生：在区域里随机挑一个目的点与一个速度，匀速走过去，停顿片刻，再挑下一个点。它比随机游走"像人"，但区域中心会被系统性高频穿越（边界无人经过），且长时间仿真后平均速度持续下滑（快节点先到达并积累在高概率路径上，产生稳态偏差）。高斯马尔可夫介于两者之间：当前速度是上一时刻速度与新随机扰动的加权混合，权重参数控制"惯性"大小——参数取极限时退化为随机游走，取另一极限则成为匀速直线。它能校准出"合理的转弯频率与速度持续性"，因此成为车载与人携带场景的常用选择。

图：三种模型的轨迹性格

一段可跑的高斯马尔可夫一维速度更新（二维就是横竖各来一份）：

import random
# 高斯马尔可夫速度更新：alpha 越大惯性越强
alpha = 0.75          # 记忆系数
mean_v = 8.0          # 期望速度，米每秒
sigma = 2.0           # 扰动强度
v = mean_v
for step in range(6):
    v = alpha * v + (1 - alpha) * mean_v + sigma * random.gauss(0, 1)
    print(f"step {step}: 速度 {v:.2f} m/s")
# 示例输出（每次运行不同）：
# step 0: 速度 9.14  step 1: 速度 10.37
# step 2: 速度 9.05  step 3: 速度 8.71
# step 4: 速度 7.42  step 5: 速度 8.26
​

真实轨迹模型是第四条路：直接拿出租轨迹、通勤班车 GPS 记录、无人机航线回放给仿真器。它的可信度最高，但只能回答"在这条轨迹上"的问题，外推要谨慎。工程实践通常是三段式：随机路点做初筛，高斯马尔可夫做参数扫描，真实轨迹做验收仿真。

链路寿命：几何题一道

两个节点都在动，什么时候互相走出射程？把问题放到相对运动里看：设 A、B 相距 d，相对速度大小为 v_r（向量差的模），沿连线方向的分离速度分量为 s（靠近为负、远离为正），通信半径 r。若 s 大于零（正在远离），链路剩余时间的粗估就是 (r - d) 除以 s；s 小于等于零（在靠近或平行），本窗口内链路不会因距离失效，剩余时间记为无穷，交给下次评估。真实环境再叠加信号起伏，工程上把 r 打个折（比如取零点九 r）当预警线，提前触发换路。

def link_residual_time(d, r, s):
    # d: 当前距离米; r: 通信半径米; s: 分离速度米每秒（负为靠近）
    if s <= 0:
        return None          # 本窗口内不会因距离断链
    return (r - d) / s       # 粗估剩余秒数

# 例：相距120米，半径150米，正以3米每秒远离
print(f"链路剩余约 {link_residual_time(120, 150, 3):.0f} 秒")
# 输出：链路剩余约 10 秒 —— 足够在断链前发起换路
​

这个估算的价值不在精确（真实信道有起伏），而在给协议一个提前量：剩余十秒，就足够 AODV 发起一次按需寻路（典型一两秒内完成），把"断链后丢包重传"变成"断链前无缝切换"。预测的盲区也要记住：它只看几何，不看遮挡与干扰——拐过一个街角，几何距离没变信号却没了。所以预测要与链路质量监测（第4.2、5.1 节的信道估计）互为补充，几何管趋势、信号管现实。

一次模型选错的返工

背景：某车联网预研项目用随机路点模型评估邻居发现机制，结论"平均邻居表波动在百分之十以内，机制可靠"。操作：进入实车测试，装在城市通勤车队上跑了一周。结果：实测邻居表波动达百分之四十，机制频繁触发重建，控制开销是仿真的三倍。解读：通勤车流有明显的同向结队与对向掠过两种模式——同向时相对速度小、邻居关系长久；对向时相对速度高达两倍车速、邻居几秒内清空。随机路点完全没有这种结构性，把两种极端抹平成了温和的平均。返工做法：改用真实轨迹回放重测，并按"同向、对向、路口交汇"三类场景分别给出指标区间。教训：模型的平均指标可能全部正确，而分布的全部尾部都错——协议恰恰活在尾部。

轨迹数据从哪来

要用真实轨迹，先得有轨迹。三个来源按可信度递增：一是公开数据集（出租车、公交、校园无线关联记录），量大便宜，但场景匹配度要自查——出租车轨迹对仓库场景几乎无参考价值；二是自采，给设备或车辆加定位记录模块跑一两周，成本可控且场景完全对口，是正式项目的标准动作；三是混合合成——拿自采轨迹提取统计特征（速度分布、停留时长、方向转移概率），喂给参数化模型生成更多样本。第三种最容易被低估：它兼具真实性与可扩展性，做参数扫描时不用反复追车采数据。无论哪种来源，交付物都应该是同一格式——时间戳加坐标加状态（移动或停留），这个格式能直接喂给 5.3 的仿真器，也让 4.1 的成果沉淀为团队资产而不是一次性脚本。

台词摘录

• 模型即自变量：仿真结论只在所选模型的世界上成立，换模型先换结论。
• 三个性格：随机游走低估速度、随机路点偏爱中心、高斯马尔可夫可校准惯性。
• 三段式评估：随机路点初筛、高斯马尔可夫扫参、真实轨迹验收。
• 寿命公式：剩余距离除以分离速度，几何管趋势，信号管现实。
• 警惕平均：协议活在分布尾部，模型把尾部抹平等于把问题藏起来。