第 32 卷 第 1 期

2017 年 2 月

天津科技大学学报

Journal of Tianjin University of Science & Technology

Vol. 32 No. 1

Feb. 2017

收稿日期：2015–11–09；修回日期：2016–05–16

基金项目：国家自然科学基金资助项目(61401223)；河南省高等学校重点科研项目(15B520002，17B520002)

作者简介：张红军（1979—），男，河南平舆人，讲师，todaytime@163.com

DOI:10.13364/j.issn.1672-6510.20150197

车载网中改进的热点检测和覆盖选择算法研究

张红军1

，刘 珂2

，邹玉龙3

(1. 安阳学院航空工程学院，安阳 455000；2. 黄淮学院信息工程学院，驻马店 463000；

3. 南京邮电大学通信与信息工程学院，南京 210023)

摘 要：覆盖问题是车载网中最基本的问题，覆盖效果对于网络性能具有重要影响．针对现有覆盖算法在覆盖质量方

面的不足，首先提出 3 种基于聚类的热点检测算法，得到值得被覆盖的关键区域．然后以热点检测为基础，提出预算受

限的覆盖选择算法，该算法通过利用 Steiner 最小树模型来选择连接热点的最短路径，可以帮助网络设计人员选择合

适的覆盖模型，以便满足预算和质量要求．算法部署于 Ns2 之上，基于 SUMO 和 OpenStreet Maps 进行仿真实验．结果

表明，针对稀疏覆盖和连续覆盖而言，本文算法在接触时间和覆盖质量方面的性能均优于当前最新算法．

关键词：车载网；聚类；热点；覆盖选择；接触时间；覆盖质量

中图分类号：TP393 文献标志码：A 文章编号：1672-6510(2017)01-0073-06

Improving Hotspot Detection and Coverage Selection

Algorithm in Vehicular Ad Hoc Networks

ZHANG Hongjun1，LIU Ke

2，ZOU Yulong3

(1．School of Aviation Engineering，Anyang University，Anyang 455000，China；

2．School of Information Engineering，Huanghuai University，Zhumadian 463000，China；

3．School of Communication and Information Engineering，Nanjing University of Posts and Telecommunications，

Nanjing 210023，China)

Abstract：Coverage problem is a basic issue in VANETs，and has an important effect on the performance of the network．To

overcome the shortcomings of coverage quality in the existing coverage algorithms，three hotspot detection algorithms based

on clustering are proposed，which can cover the key areas．On the basis of the hotspot detection，a budget constrained cover-

age selection algorithm is then proposed，which can help the network designers to select the appropriate coverage model to

meet the requirements for the budget and quality by using Steiner Model to select the shortest path．The proposed algorithms

have been implemented on top of Ns2 and simulations were carried out using SUMO and OpenStreet Maps．The experimen-

tal results show that the performance of the proposed algorithms is better than that of the latest algorithms in use in terms of

contact time and coverage quality for both sparse coverage and continuous coverage.

Key words：vehicular Ad hoc networks；clustering；hotspot；coverage selection；contact time；coverage quality

车载 Ad hoc 网络(vehicular Ad hoc networks，

VANETs)是车辆间通信及车辆和路边基础设施通信

的重要手段[1–2]．网络中的节点由车辆构成，且车辆

的移动性特点受道路拓扑结构的约束．覆盖问题是

VANETs 中最基本的问题[3–4]，覆盖效果的好坏对于

网络性能优劣具有重要影响．覆盖过程主要分为两

步：首先，根据检测值得被覆盖的关键区域，即热点

区域；然后，利用覆盖选择算法来选择最合适的覆盖

模型．

在热点检测方面，人们经常利用聚类算法等各种

数据挖掘技术[5–6]，在没有先验知识的前提下推断出

隐藏的行驶特征，并检测出数据相似特征．然而这些

聚类算法只可实现局部最优，且计算开销往往较高.

文献[7–8]研究了大规模场景下的车流空间聚类问

·74· 天津科技大学学报 第 32 卷 第 1 期

题，提出了车辆轨迹聚类算法，可自动确定一定数量

的聚类，且运行时间较快，但是它难以确定初始样本

且空间消耗量大．在覆盖选择算法方面，VANETs 中

基于不同应用要求的覆盖问题可分为连续型覆盖和

稀疏型覆盖．车祸避免和事故通知等安全应用需要

对繁忙路段实现可靠连续覆盖[9]．连续型覆盖虽然覆

盖质量较高，但是对于被选路段上的零覆盖点，它的

部署成本和运行成本很高．人们针对 VANETs 中的

驾驶辅助和业务推广等应用提出稀疏型覆盖[10]．这

种覆盖类型的重点是流量较大、车辆拥挤的关键区

域．稀疏型覆盖的部署成本较低，因此适用于资源预

算有限、性价比较高的服务．设计一种可以在两种应

用需求间实现良好平衡的覆盖策略，是 VANETs 的

重要课题．

文献 [11]提出基于α–覆盖的可拓展路边单元

(road-side units，RSUs)部署策略，可保证最坏情况下

的跟踪延时，其目的是保证车辆移动到周围α 范围内

时车辆和 RSUs 间至少联系一次．然而，该策略无法

在多项式时间内确定一种部署策略能否实现α–覆

盖，该问题为 NP 难题．文献[12–13]根据道路系统的

形状提出一种基于区域的 RSUs 部署算法．然而，以

上的几种覆盖策略虽然可以减少建筑物和 RSUs 候

选位置的影响，但是在实践中仍然难以在路口中心部

署 RSUs．此外，现代道路系统包括各种道路和路面

类别，每种类别的形态、优先级和几何特征均不相

同．当前的覆盖策略大多没有考虑道路的二维特征，

因此当它面对现实世界中各种各样的道路网络时很

可能失效[11–13]．因此，本文首先在给出相关定义的基

础上给出了 3 种基于聚类的热点检测新方法；然后提

出了面向预算估计的覆盖选择算法；最后进行了仿真

实验验证．

1 热点检测

1.1 相关定义

定义 1 覆盖价值：指某个区域的价值，用于衡量

被覆盖的通信量，可用式(1)表示．

V

/C fd s= (1)

式中：车流量 f 是指单位时间内通过的车辆数；密度

d 是指单位路段内的车辆数；速度 s 指车辆行驶速

度．假设所有车辆与 RSUs 通信的概率相等．区域的

车流量越大，则通信概率越高，即V

C 值越高的区域，

其价值越高，更应该被覆盖．

分析网格道路系统中速度、密度和车流量 3个宏

观移动性特征的影响，可以看出：速度越高，信号塔

切换频率越高，因此速度与V

C 成反比，在极端情况

下，在停车场或其他位置停车的车辆，完成与 RSUs

信号交换任务的概率最大；车辆密度和车流量反映了

车辆汇集程度，因此均与V

C 成正比．

根据文献[14]中提出的概率分布模型，对车辆速

度、车辆密度和车流量采用二维高斯分布．然后对每

个位置可以计算如下 3 个参数的概率：车流量、密度

和速度．然后，可以利用式(1)计算得到V

C ．

定义 2 热点：指V

C 值超过阈值的区域．

热点表示大多数车辆汇集的繁忙区域．为了检

测出热点区域，需要收集车辆的统计信息，然后确定

区域V

C 值超过阈值的最繁忙区域．一种简单方法[14]

是采用对数正态分布等分布类型来描述V

C 值．然

而，这种方法的底层假设虽然客观，但不够合理．本

文采用的方法是将区域划分为尺寸固定的网格，为每

个网格分配一个V

C 值．图 1 给出了热点检测流

程．首先，从真实地图中提取出道路网络；然后，利用

历史踪迹文件进行车流分析，进而确定该道路网络的

VC 分布；确定

VC 值后，利用合适的聚类算法实现热

点区域检测．

(a) 真实地图 (b) 真实网络

(c) V

C 分布 (d) 热点聚类

图 1 热点检测

Fig. 1 Hotspots detection

1.2 基于聚类的热点检测

热点检测问题可转化为一个聚类问题．将V

C 分

2017 年 2 月 张红军，等：车载网中改进的热点检测和覆盖选择算法研究 ·75·

布看成是一个数据集中的数据集，每个样本均是带有

标签的特征向量，所带标签表示样本属于哪个聚

类．然后，采用聚类技术，通过无监督学习来确定所

有网格的标签．本文给出了 3 种基于聚类的热点检

测算法．

1.2.1 基于 K 均值的热点检测

K 均值是最常见的聚类算法．该算法提前确定 K

个不同质心表示聚类的中心，数据集中的样本如果与

某个质心的距离较近，则认为对应的网格属于该聚

类．K 均值算法将区域划分为 K 个不同聚类，每次迭

代时均需重新计算每个聚类的质心，然后重新确定每

个样本的标签，直到算法收敛为止．

在热点检测算法中，给定训练集 { }road iA g= ，希

望将数据划分到不同的热点区域中．其中，每个网格

是一个四维特征向量 { }, , ,

ii i i v i

x y c l=g ．在特征向量

中，( ),i ix y 为空间坐标，

ivc 为该网格的

VC 值；

il 为每

个网格 ( )i

g 的标签．基于 K 均值聚类的热点检测算

法见算法 1．

算法 1：基于 K均值的热点检测

输入：Aroad

输出：H

1.,对质心随机初始化 { };jμ μ=

2. repeat

3. for Arood 中的每个 gi do

4. 2

min ;i j j

jl arg g μ= −

5. for μ中每个μj do

6. { }{ }

1

1

1;

1

m

i ii

j m

ii

l j g

g jμ =

=

==

=∑

∑

7. until收敛

算法 1 随机初始化 K 个不同质心{ }jμ ．在每次

迭代时，根据坐标值和V

C 值计算每两个网格间的距

离，重新计算每个热点区域的新的质心．算法 1 的收

敛条件：算法经历了 T 次迭代；或者两个连续质心位

置之差低于设定值ζ ．

1.2.2 基于仿射传播(AP)的热点检测

与 K 均值算法不同，仿射传播算法将所有网格

看成是潜在样本，通过用户指定的两两相似性来描述

数据点的特征，且每个数据点均可看成网络节点．检

测出由相似点构成的聚类后，AP 算法将会为每个聚

类分配一个代表性样本．算法 2描述了基于 AP 聚类

的热点检测算法．

算法 2：基于 AP 的热点检测

输入：road

, ,A T ζ

输出：H

1. 对可用性初始化 ( ), 0, , ;i k i k= ∀A

2. 对责任度初始化

( ) 2

, , ;i k

i k g g i k= − − ∀ ≠R

( ) { }, , 1, , ;k

vs k k c k m= − ∀ ∈ �

3. repeat

4. ( ) ( ) ( ) ( ):

, , max , , , , ;k k k

i k s i k s i k i k i k′ ′≠

′ ′= − + ∀⎡ ⎤⎣ ⎦R A

5. ( ) ( ):

, max 0, , , ;i i i

k k i k k i′ ′≠

′= ∀ =⎡ ⎤⎣ ⎦∑A R

6. ( ) ( ){ }: ,, max 0, , , ;

i i i keds k k i k k i

′ ′∉′= + ∀ ≠⎡ ⎤⎣ ⎦∑R R

7. ( ) [ ], min 0, , ;i k eds k i= ∀ ≠A

8. until 收敛

AP 在网格点间发送两种类型的信息：责任度和

可用性．责任度矩阵 R 描述相对于其他候选样本，网

格对某个样本的匹配度．例如， ( ),i kR 表明责任度信

息从i

g 发送给候选样本k

g ，表示k

g 作为网格i

g 的样

本的匹配度．作为输入参数的第 2 个矩阵是可用性

矩阵 A ．可用性矩阵表示一个数据点选择候选样本

的合适性，它考虑了其他网格选择该样本的偏好．例

如， ( ),i kA 表示从样本网格k

g 发送到网格i

g 的信息，

反映了合适程度的累积证据．算法 2 中可用性被初

始化为 0： ( ), 0i k =A ．每个节点作为样本的偏好被定

义为网格的V

C ．每次迭代时计算责任度，以便竞争

网格的拥有权．然后，通过加入新获得的责任度来更

新 可 用 性 ，但 自 我 可 用 性 ( ),k kA 的 更 新 方 式 不

同．AP 聚类算法的收敛条件：T 次迭代后样本决策不

变；或者所有消息的变化之和低于阈值ζ ．

1.2.3 基于α-DBSCAN 的热点检测

目前基于密度的聚类算法[7–8]虽然可以自动检测

出几何特征不规则或不明显的聚类，但是还存在两个

问题：(1)高度繁忙的热点区域可能被划分到若干个

蜂窝中，进而将其归类为一组不繁忙区域；(2)难以

确定热点区域的合适规模．如果热点区域太小，则会

导致热点数量过多，对访问情况难以有效汇集；热点

区域太大同样不合适．为此．本文在对经典的基于密

度的聚类算法 DBSCAN[15]进行改进的基础上，提出

α-DBSCAN 算法．DBSCAN 考虑了ε (搜索半径)和

minp (形成聚类所需最少点)两个参数．它以一个随机

核心点为基础，然后通过距离测量，吸纳周围 ε范围

内所有相邻点作为聚类的成员．当相邻节点数量达

到最少数量要求时(min

p )便形成聚类．在α-DBSCAN

·76· 天津科技大学学报 第 32 卷 第 1 期

算法中，每个网格是算法中的一个点．初始参数min

p

由平均V

C 阈值α 代替．算法 3 给出了α-DBSCAN 的

伪代码．α 值不同时，通过 k-dist 图[16]可以估计另一

参数 ε，因此将阈值 α 看成调步因子．如果网格 g 相

邻节点的平均V

C 值低于 α ，则认为该网格为噪声并

将其删除．相反，g 为核心点并形成一个新的热点区

域．重复上述步骤，直到访问完所有网格且定义了所

有的密度可达区域．α-DBSCAN 算法的最终输出是

一组热点区域 { }1 2 3, , , ,

nH H H H H= � ．

算法 3：基于α-DBSCAN 的热点检测

输入：road

, ,A T ζ

输出：H

1. ;H ← ∅

2. road

for A 中每个未被访问的 dog

3. 将 g标记为“已经访问过”；

4. ( )getNeighbours , ;N g← ε

5. if thenN

V α ≥

6. 创建新的Ｈ；

7. ;H g←

8. for N 中每个被访问过的 ' dog

9. 将 g′标记为“已经访问过”；

10. ( )getNeighbours , ;N g′ ′← ε

11. if thenN

V α′ ≥

12. ;N N N ′← ∪

13. if g ′ 不属于任何 thenH

14. ;H H g ′← ∪

2 覆盖选择算法

以热点区域检测为基础，覆盖选择算法将在稀疏

覆盖和连续覆盖协议间做出选择．本文利用预算估

计作为覆盖类型的选择标准．覆盖选择算法的目的

是选择连接这些热点区域的最短路径．本文采用

Steiner 最小树模型(Steiner minimum tree，SMT)作为

覆盖选择算法，如图 2 所示．然而，SMT 模型是一个

NP 难题．文献[17]提出了一种高效的启发式算法

(Kou-Markowsky-Berman，KMB)用于解决该难题．

然而 KMB 算法只能提供次优解及近似系数，并不适

用于车载网应用场景．为此，本文对 KMB 算法进行

改进，引入了KMB

SMT 算法．

算法 4 给出了KMB

SMT 算法的伪代码．对于连通

无向道路图 ( ),G V E 和一组热点 H V⊆ ，每条边 e E∈

关联一个成本ec ．算法 4 可以输出一个覆盖上述道

路图中所有热点的 Steiner 树．算法 4 的部署也比较

简单．首先是针对热点终端确定完整的最小距离图

G′ 和相应的生成树T ．然后，将树T 平移到图中，删

除环路．

(a) 热点检测 (b) SMT 模型

图 2 覆盖选择

Fig. 2 Coverage selection

算法 4：启发式 SMTKMB 算法

输入： ( ) { }, , ,e

G V E H V c⊆ = λ

输出：T

1. ; ;T G′← ∅ ← ∅

2. for 所有 ( ){ }, | , dos t s t H∈

3. 完成图G G′ ′← ∪ 最小成本路径 ( ), ;P s t

4. T G′← 的最小生成树；

5. for 所有 doe T∈

6. 用 G 中对应路径代替 e

7. 删除Ｔ中的环路

在算法 4 中，步骤 1 的时间开销为常数，步骤

2—4 的时间开销取决于 for 循环，其时间开销为2(| || | )O H V ，步骤 5—7 的时间开销则为 2(| | )O V ．因

此，可得KMB

SMT 算法的复杂性为 2(| || | )O H V ．考虑

到，算法 4 相当于在一个包含了热点的无向连通图中

构建一颗 Steiner 树，然后对 Steiner 树进行修剪，以

得到包含所有热点的最优 Steiner 树．因此，KMB

SMT

算法的复杂性不会超过求 Steiner 树最优解的复杂度

的 2倍．

3 仿真实验

本文仿真以文献 [18]中的城市移动仿真技术

(SUMO)为基础．SUMO 是负责生成道路网络中车辆

遵守的移动模型．为了仿真真实场景，文中获得了渥

太华市区的真实道路网络，图 1(a)为仿真环境的真

实地图．地图数据来自文献[19]中的 OpenStreetMap

项目，该项目中的路段表示为不同形态的二维多边

形．仿真中共有 100辆汽车行驶在 2,300,m×2,100,m

的地图上，每辆汽车的平均行驶时间为 200,s．

2017 年 2 月 张红军，等：车载网中改进的热点检测和覆盖选择算法研究 ·77·

为了研究不同热点检测算法的有效性，选择文献

[10]中的稀疏覆盖模型和文献[13]中的连续覆盖模型

作为基准算法．在稀疏覆盖模型中，本文通过 RSUs

部署来覆盖尽量多的热点区域；而在连续覆盖模型

中，则通过 RSUs 部署来覆盖连接这些热点区域的最

有价值路径．仿真中，首先研究 3 种聚类算法的时间

复杂度；然后以稀疏覆盖模型为基础，比较车辆和

RSUs 间的接触时间(通信时间)；最后根据连续覆盖

模型，计算仿真期间 3 种聚类算法的覆盖路径．

在时间复杂度方面，AP、K 均值、α-DBSCAN 算

法 的 时 间 复杂度 分别为 O(N*N*T)、O(N*K*T)、

O(N*log(N))．其中，N 表示道路网络区域内的网格

数量，T 表示迭代阈值．α-DBSCAN 在 3 种聚类算法

中的时间复杂性最低．

图 3 和图 4 分别给出了稀疏覆盖模型和连续覆

盖模型中 3 种聚类技术的有效性．从图 3 可以看出：

随着部署的 RSUs 数量的增加，3 种聚类技术均会增

加车辆和 RSUs 间的接触时间．这是因为当预算足以

部署足够多的 RSUs 时，大多数热点区域将被 RSUs

覆盖．从图 4 可以看出：被覆盖路径的总长度与接触

时间成正比．这是因为在连续覆盖模型中，RSUs 访

问 一般区 域 中车辆的 机 会增加 ．此外，基 于 α-

DBSCAN 的 热 点 检 测 算 法优于 其 他 两 种 聚 类 方

法．这表明，相比于基于向量的聚类算法，基于密度

的聚类算法更适合于二维部署场景．

图 3 稀疏覆盖仿真结果

Fig. 3 Sparse coverage simulation results

为了证明本文方法的优越性，将 SMTKMB 算法与

文献[10，13]中的覆盖选择算法在被覆盖的热点数量

方面进行了实验对比，结果见图 5．其中，被覆盖的

热点个数越多，表明覆盖质量越高．可以看出：随着

部署的 RSUs 数量的增加，3 种算法的覆盖性能都在

上升．但总的来说，本文 SMTKMB 算法的覆盖质量要

始终优于其他两种算法．主要是因为 SMTKMB 算法

能够根据预算自适应地在稀疏覆盖和连续覆盖之间

进行选择，当预算足以实现一次连续覆盖时，预算肯

定也足够实现至少一次稀疏覆盖，即得到一棵 SMT

树，且该树是连续覆盖的下界．因此，在部署相同数

量的 RSUs 的条件下，SMTKMB 算法取得了更好的覆

盖性能．

图 4 连续覆盖仿真结果

Fig. 4 Continuous coverage simulation results

图 5 不同算法的覆盖质量比较

Fig. 5 Coverage quality comparison of different algorithms

4 结 语

针对现有的热点检测算法的不足，本文提出了 3

种基于不同聚类技术的热点区域检测算法．此外，为

了帮助网络设计人员选择最为合适的覆盖模型，还提

出一种基于 KMB 的覆盖选择策略．仿真表明，本文

算法在接触时间和覆盖质量方面的性能均优于其他

算法．在下一步工作中，将研究如何利用公共密钥基

础设施(PKI)和每个车辆的化名证书池来解决车载网

的安全和隐私问题，提出一种基于停放车辆的车载网

隐私保护方案．

参考文献：

［1］ 谭丹丹，谭晶晶. 基于网络编码的多播车载网路由算

法研究[J]. 计算机研究与发展，2015，48(9)：1616–

1622.

［2］ 张宇，陈晶，杜瑞颖，等. 适于车载网安全通信的高效

·78· 天津科技大学学报 第 32 卷 第 1 期

签密方案[J]. 电子学报，2015，43(3)：512–517.

［3］ 张利锋，金蓓弘，禚伟. 车载自组织网络中一种连通度

感知的可靠数据分发机制[J]. 计算机学报，2013，

36(4)：701–715.

［4］ 杜华坤，奎晓燕，肖雪峰，等. 基于 RSU 辅助的车载

机会网络通信能力增强方案[J]. 高技术通讯，2014，

24(9)：881–886.

［5］ Aslam J，Lim S，Pan X，et al. City-scale traffic estimation

from a roving sensor network[C]//Proceedings of the

10th ACM Conference on Embedded Network Sensor

Systems. Toronto，Canada：ACM Press，2012：141–154.

［6］ Frey B J，Dueck D. Clustering by passing messages be-

tween data points[J]. Science，2007，315(5814)：972–

976.

［7］ Shea C，Hassanabadi B，Valaee S. Mobility-based clus-

tering in VANETs using affinity propagation[C]// Pro-

ceedings of Global Telecommunications Conference

(Globecom). Piscataway：IEEE，2010：1–6.

［8］ Han B，Liu L，Omiecinski E. Road-Network Aware Tra-

jectory Clustering：Integrating Locality，Flow，and Den-

sity[J]. IEEE Transactions on Mobile Computing，2015，

14(2)：416–429.

［9］ Wang T，Jia W，Xing G，et al. Exploiting statistical mo-

bility models for efficient Wi-Fi deployment[J]. IEEE

Transactions on Vehicular Technology，2013，62(1)：

360–373.

［10］ Cheng H，Fei X，Boukerche A，et al. A genetic algorithm-

based sparse coverage over urban VANETs[C]// Pro-

ceedings of IEEE International Parallel & Distributed

Processing Symposium Workshops(IPDPSW). Piscata-

way：IEEE，2014：464–469.

［11］ Zheng Z，Sinha P，Kumar S. Sparse WiFi deployment for

vehicular internet access with bounded interconnection

gap[J]. IEEE/ACM Transactions on Networking，2012，

20(3)：956–969.

［12］ Cheng H，Fei X，Boukerche A，et al. A geometry-based

coverage strategy over urban vanets[C]//Proceedings of

the 10,th ACM symposium on Performance Evaluation of

Wireless Ad Hoc，Sensor & Ubiquitous Networks. New

York，USA：ACM Press，2013：121–128.

［13］ Cheng H，Fei X，Almulla M，et al. A knapsack con-

strained steiner tree model for continuous coverage over

urban vanets[C]//Proceedings of IEEE International

Conference on Communications. Piscataway ：IEEE

Press，2014：130–135.

［14］ Kim M，Kotz D，Kim S. Extracting a mobility model

from real user traces[C]//Proceedings of IEEE Confer-

ence on Computer Communications(INFOCOM). Pis-

cataway：IEEE，2006：1–13.

［15］ Ester M，Kriegel H P，Sander J，et al. A density-based

algorithm for discovering clusters in large spatial data-

bases with noise[C]//Proceedings of the 2th ACM

SIGKDD International Conference on Knowledge Dis-

covery and Data Mining. Piscataway：IEEE，1996：226–

231.

［16］ Liu Q，Deng M，Shi Y，et al. A density-based spatial

clustering algorithm considering both spatial proximity

and attribute similarity[J]. Computers & Geosciences，

2012，46(2)：296–309.

［17］ Kou L，Markowsky G，Berman L. A fast algorithm for

Steiner trees[J]. Acta Informatica，1981，15(2)：141–

145.

［18］ Krajzewicz D，Erdmann J，Behrisch M，et al. Recent

development and applications of SUMO-simulation of

urban mobility[J]. International Journal On Advances in

Systems and Measurements，2012，5(34)：171–180.

［19］ Haklay M ，Weber P. Openstreetmap ：User-generated

street maps[J]. IEEE Pervasive Computing，2008，7(4)：

12–18.

责任编辑：常涛