《Ad Hoc Networks》：DTN forwarding based on local knowledge for underwater acoustic networks
编辑推荐：
水声网络综合了有限带宽、长传播时延、间歇性连通以及高昂的传输代价，使得无差别的DTN复制尤为昂贵。本工作提出NsbKnowledgeGradient（NKG），一种选择性DTN转发策略，其利用通过Node State Beacon（NSB）交换所获得的本地知识
水声网络综合了有限带宽、长传播时延、间歇性连通以及高昂的传输代价，使得无差别的DTN复制尤为昂贵。本工作提出NsbKnowledgeGradient（NKG），一种选择性DTN转发策略，其利用通过Node State Beacon（NSB）交换所获得的本地知识来评估所观测到的转发机会，而不依赖于全局拓扑视图、物理距离、未来接触或预定义路由。NKG在ns-3中结合Aqua-Sim NG进行评估，并配合一种分阶段的控制面组织，该组织将初始学习期与运行期间较低频率的知识维护相分离。研究将NKG与经典复制型、概率型及副本受限型DTN策略进行比较，并进一步考察参数敏感性、不同NKG决策组件的贡献、受限缓存行为、通信能量以及多达50个节点的可扩展性。在主实验矩阵中，分阶段NKG实现了76.08%的总体投递率，而Epidemic为70.70%，在十个随机种子上配对平均提升5.37个百分点。这是在每个成功投递的bundle约30.84次转发请求和10.53 kB的DTN供给流量下实现的，而Epidemic则为176.06次请求和67.10 kB。额外实验表明，这一优势取决于维持足够的决策相关知识：严重存储压力有利于激进复制的冗余性，而更大规模部署可能超出固定知识配置的覆盖广度。在40和50节点实验中，更广的知识传播恢复了投递，但控制代价更高。总体而言，结果表明本地知识能够支持高效的选择性转发，前提是决策所需的知识能够以与声信道相容的代价加以维护。
一、研究背景与问题
水声网络（Underwater Acoustic Networks）的工作环境与陆地无线网络存在本质差异：声链路带宽有限且多变，传播时延大，连通性呈间歇性，传输代价相对高昂。当轻型自主水下航行器（Light Autonomous Underwater Vehicles，LAUVs）等移动平台参与网络时，连通关系随时间演化，数据源与其网关之间可能不存在同时期的端到端路径。延迟容忍网络（Delay-Tolerant Networking，DTN）通过存储—携带—转发范式为这类环境提供了自然的通信模型，但通过复制提升投递率在声网络中代价高昂：Epidemic等策略增加可用副本数，SprayAndWait等有界方法试图限制复制，然而每一次额外传输都消耗信道时间与能量，并可能与科学数据和控?制流量竞争。已有水下路由协议多依赖位置、深度、压力、链路质量、学习到的路由状态或能量可用性等信息；水下DTN方案则包括基于复制、相遇统计、连通性预测、有界副本分配、概率喷洒及编码分组分发等机制。这些工作并未直接回答本文所关注的问题：节点实际接收到的异构网络状态如何被维护并用于评估已观测到的转发机会，而不假设全局拓扑、几何可达性或未来接触。这正是本研究开展NKG的动机。
二、研究工作与结论
研究人员提出NsbKnowledgeGradient（NKG），一种基于Node State Beacon（NSB）交换所获本地知识的选择性复制DTN转发策略。直接观测到的节点构成合格转发机会，间接学习到的信息可参与候选评估但不得凭空创建未被本地观测的下一跳。NKG将互补证据分量与新鲜度惩罚、不确定性惩罚、持有者到候选的知识梯度条件、最低接受阈值及有界转发预算相结合，形成显式且可复现的决策规则。研究还将NSB控制面组织与NKG转发规则在概念上分离，评估了共享、多频带、周期及分阶段等配置。主要结论为：在参考实验配置下，完整NKG分阶段配置实现76.08%的总体投递率，Epidemic为70.70%，十个配对种子均同向，平均提升5.37个百分点，且每成功投递约需30.84次转发请求与10.53 kB DTN供给流量，显著低于Epidemic的176.06次与67.10 kB；建模通信能量亦呈相同趋势。该优势依赖于足够的决策相关知识：严重存储压力下Epidemic因冗余副本而更具投递韧性，NKG仍保持显著更低的每次成功投递通信与能量代价；在40和50节点部署中，固定参考知识配置出现转发地板，放宽知识广度与视野限制可恢复投递但控制代价明显上升。研究意义在于表明本地知识可作为选择性DTN转发的有效基础，且知识本身是一种需要与声信道代价相容地加以维护的网络资源。
三、关键技术方法
研究采用ns-3.41离散事件仿真，并以Aqua-Sim Next Generation（Aqua-Sim NG）作为水声组网环境，在通信栈之上集成专用DTN层以实现ScienceBundle生成与存储、NSB控制流量、本地知识构建、转发策略执行及协议级与通信级指标采集。实验矩阵覆盖S1、S2a、S2b、S3、S4五个预设场景与十一个转发模式（六个参考策略与五个NKG配置），每场景每模式十个预设随机种子，共550次运行；场景由固定节点、移动节点与网关构成，移动轨迹由场景配置预定义，分组接收由Aqua-Sim NG通信栈在运行时确定。研究另设单因素敏感性分析、缓存容量鲁棒性分析（32 KiB与8 KiB）、10至50节点可扩展性实验以及NKG决策组件受控分析（Q1–Q4）。通信能量由被动观测器依据发送、接收与空闲状态时长及固定电功率折算，不作为转发决策输入。
四、研究结果
6.1 主矩阵投递性能：通过对全部五十次对应运行汇总投递与生成bundle数得出全局投递率，NKG staged + LQA最高（77.64%），NKG staged次之（76.08%），Epidemic为参考策略中最高的70.70%，其余参考策略依次为Prophet 48.84%、RBAR 44.04%、SprayAndWait 38.07%、DirectDelivery 21.43%、SWPC 21.03%。
6.2 场景特定行为与主要统计比较：按场景分别计算生成加权投递率，结果显示相对行为并不均匀；NKG staged与Epidemic的配对比较在S1、S3、S4中支持NKG更高，在S2b中支持Epidemic更高，S2a未确立差异。十个配对种子块中NKG staged均高于Epidemic，平均差5.37个百分点，95%置信区间[3.52,7.22]，配对t检验与Wilcoxon符号秩检验均支持。
6.3 NKG控制面组织的影响：比较五种NKG配置的全局投递率，分阶段相对共享提升15.92个百分点、相对多频带提升9.01个百分点、相对周期提升6.06个百分点，均在Holm校正后获两种配对检验支持；staged + LQA相对staged提升1.56个百分点。
6.4 通信代价与能量：以汇总分子分母计算归一化代价，NKG staged每投递需30.84次转发请求、30.77个DATA准入、0.80个控制准入与10.53 kB DTN流量，Epidemic相应为176.06、174.67、26.43与67.10 kB；配对种子层面NKG staged相对Epidemic每投递少145.30次请求与约56.61 kB。分阶段组织提交的控制分组数与序列化控制字节显著低于共享与多频带配置。被动能量核算显示NKG staged每投递总通信能量326.21 J、主动能量247.49 J，Epidemic为831.50 J与781.44 J。
6.5 条件投递时延：仅对成功投递bundle统计，NKG staged中位时延25.95 s低于Epidemic的54.86 s，但均值112.18 s与P95 456.14 s高于Epidemic的66.05 s与174.28 s，呈现低中位、长上尾的分布特征。
6.6 S4迟加入行为：迟源buoy-late-0每次运行生成五个bundle，NKG staged投递38/50（76%）为最高，staged + LQA为37/50（74%），Epidemic为28/50（56%），DirectDelivery与SWPC为零；较高投递伴随部分显著延迟的成功投递。
6.7 敏感性分析：学习期150 s时聚合投递78.52%，高于300 s参考的76.08%，600 s为75.35%；运行期NSB频率三档投递跨度仅0.78个百分点但控制字节变化明显；最低分数门限0.25时S3投递83.37%但置信区间跨零；不确定性惩罚权重在测试范围内不改变输出端点；本地总选择预算由12降至6使S3投递降2.75个百分点并降低供给字节与能量。测试范围内最大三档跨度为3.16个百分点。
6.8 缓存容量鲁棒性：8 MiB参考下两策略均无容量拒绝或压力驱逐；32 KiB时NKG降至61.46%而Epidemic保持70.70%；8 KiB时NKG降至28.36%、Epidemic为46.60%。差分退化对比在两种受限容量下均为负且十个种子同向；NKG在受限条件下仍保持显著更低的每投递请求数、DTN流量与建模能量。
6.9 可扩展性与大网络行为：参考NKG配置在N=10时投递70.39%高于Epidemic的55.92%，N=20与N=30差异不具结论性，N=40与N=50时参考NKG无端到端投递而Epidemic保持约39%；检查未发现实现边界或存储相关原因，初始T3转发机会仍存在，丢失发生在后续阶段，T4最高观测分数0.11938略低于0.12阈值，且知识跳数上限为二、TOPOLOGY条目因通告限制被省略的数量随规模增长。放宽九项广度与视野限制使N=40与N=50投递恢复至66.17%与57.39%，扩展间接置信衰减至0.83进一步在N=40提升5.19个百分点；恢复伴随序列化控制流量增加约152%与159%。学习期时长改变不能消除N=50的零投递地板。
6.10 NKG决策组件贡献：在S3中，完整NKG staged（Q1）投递81.97%，共享NKG（Q2）68.90%，受限决策视图（Q3）59.87%，有界观测对等规则（Q4）70.07%；Q1相对Q3提升22.10个百分点、相对Q4提升11.90个百分点，且Q1每投递请求数与DTN流量低于Q4；Q3低于Q4达10.20个百分点，表明NKG评分结构须与更丰富证据配合方能体现优势。
五、讨论与结论
讨论部分指出，NKG的主要优势不在于激进复制，而在于以本地知识做出更少但更具选择性的转发决策；其效果不能归因于评分规则本身，分阶段控制面组织对知识可用性影响显著，参考参数应理解为固定设计点而非实验识别的最优值。受控组件分析表明，更丰富证据与NKG评分结构的结合才能复现完整配置的行为，且更高投递并非源于更多转发活动。缓存实验揭示选择性与冗余性之间的权衡：选择性复制在通信为主要稀缺资源且存储充足时占优，极端存储压力下额外复制可提供韧性，但Epidemic的此类韧性以显著更高的通信代价换取。可扩展性实验表明，固定知识限制在中小规模足够，但在评估的40与50节点扩展部署中成为制约，更广知识可恢复转发但控制代价更高；知识获取时间与知识覆盖范围是两个不同的设计维度。局限性部分说明结果为仿真范围内结论，物理层为抽象模型而非特定商用调制解调器的校准复现，能量核算仅覆盖通信状态，通信代价指标为DTN与控制报文边界而非物理传输计数，受限缓存容量为受控压力测试而非典型配置，可扩展性实验未分离节点数作为唯一因果变量，参考策略为共同框架内按原文献规则实现而非原始代码复现。
结论部分译为：本工作提出并评估了NsbKnowledgeGradient（NKG），一种面向水声网络的DTN转发策略，其转发决策基于通过Node State Beacon（NSB）交换所获得的本地知识。该方案避免依赖全局网络视图、物理距离、声学范围、未来接触或预定义路由作为在线转发信息，而由直接观测到的通信机会定义合格下一跳候选，并利用本地接收与推导的证据判断在其中一个候选处创建额外bundle副本是否合理。结果表明，当存在足够的决策相关知识时，这种选择性转发能够改善投递—通信代价权衡：主实验矩阵中完整NKG分阶段配置达到76.08%的总体投递率，Epidemic为70.70%，十个种子配对差为5.37个百分点且方向一致；NKG每成功投递约需30.84次转发请求与10.53 kB DTN供给流量，Epidemic为176.06次与67.10 kB，建模通信能量分别为约326 J与831 J。实验还表明转发规则不能与其所获知识相分离：分阶段组织提供初始本地状态构建期并在运行期降低持续控制频率，其相对其他NKG控制组织的优势与受控组件分析共同表明，单独的分阶段或单独的NKG评分结构均不能复现完整方案的行为；限制暴露给决策的证据会显著降低投递，而以简单有界观测对等规则替代NKG也会在更高转发努力下降低投递。额外实验界定了优势减弱的条件：严重存储压力下Epidemic因更大冗余而保持更高投递，NKG仍保持显著更低的每成功投递通信与能量代价；在评估的40与50节点部署中参考配置出现转发地板，更广知识传播可恢复投递但控制报文更大、通信活动更多。总体而言，评估支持本地知识作为选择性DTN转发的有效基础，同时表明知识本身是一种网络资源：过少的有用状态使策略无法识别进展，而维护过广状态会抬高控制代价；NKG的贡献不在于最大化每个节点可得的网络信息量，而在于利用部分的、本地获取的知识减少不必要复制并保留有用转发机会。
