在移动自组网中，节点并不知晓网络的拓扑结构。由于自组网的拓扑是动态变化的，因此节点必须通过自身去发现它。基本的规则是，当一个新节点进入自组网时，它必须宣告自己的到来和存在，同时也应该监听其他移动节点发出的类似广播。
#### 1. 主动路由协议
这些协议也被称为表驱动路由协议。每个移动节点都维护一个独立的路由表，其中包含通往所有可能目的移动节点的路由信息。
由于移动自组网的拓扑是动态的，每当网络拓扑发生变化时，这些路由表都会周期性地更新。它有一个局限性，即不适用于大型网络，因为路由表中的条目会变得过于庞大，毕竟它们需要维护通往所有可能节点的路由信息。
- 目的地序列距离矢量路由协议 (DSDV): 这是一种主动/表驱动路由协议。顾名思义，它实际上是对有线网络距离矢量路由协议的扩展。它基于 Bellman-ford 路由算法。由于“计数至无穷大”的问题，距离矢量路由协议并不适用于移动自组网。因此，作为解决方案，目的地序列距离矢量路由协议 (DSDV) 应运而生。
每个节点维护的路由表中，每条路由条目都会附带一个目的地序列号。只有当新条目包含通往目的地的更新路由且序列号更高时，节点才会将其纳入表中。
- 全局状态路由 (GSR): 这是一种主动/表驱动路由协议。它实际上是对有线网络链路状态路由的扩展。它基于 Dijkstra 路由算法。链路状态路由协议并不适用于移动自组网，因为在该协议中，每个节点都会直接向整个网络泛洪链路状态路由信息，即全局泛洪，这可能会导致网络中控制包的拥塞。
因此，作为解决方案，全局状态路由协议 (GSR) 出现了。全局状态路由不会向整个网络全局泛洪链路状态路由包。在 GSR 中，每个移动节点维护一个列表和三个表，分别是：邻接表、拓扑表、下一跳表和距离表。
#### 2. 反应式路由协议
这些协议也被称为按需路由协议。在这种类型的路由中，只有在需要时才会发现路由。路由发现的过程是通过向整个移动网络泛洪路由请求包来进行的。它主要包括两个阶段：路由发现和路由维护。
- 动态源路由协议 (DSR): 这是一种反应式/按需路由协议。在这种类型的路由中，只有在需要时才会发现路由。路由发现的过程是通过向整个移动网络泛洪路由请求包来进行的。在该协议中，源节点存储完整的路径信息，而中间节点不需要维护路由信息。它包含两个阶段：
– 路由发现: 该阶段确定源移动节点和目的移动节点之间传输数据包的最佳路径。
– 路由维护: 由于移动自组网的拓扑本质上是动态的，链路断裂导致节点间网络故障的情况很多，因此该阶段负责执行路由的维护工作。
- 自组网按需距离矢量路由协议 (AODV): 这是一种反应式/按需路由协议。它是动态源路由协议 (DSR) 的扩展，旨在帮助消除动态源路由协议的缺点。在 DSR 中，路由发现后，当源移动节点向目的移动节点发送数据包时，其头部也包含完整的路径。因此，随着网络规模的增加，完整路径的长度也会增加，数据包的头部长度也会随之增加，从而降低整个网络的速度。
因此，自组网按需距离矢量路由协议应运而生。主要区别在于存储路径的方式：在 AODV 中，源节点不存储完整的路径信息，而是由每个节点存储其前一个节点和后一个节点的信息。它同样也分两个阶段运行：路由发现和路由维护。
#### 3. 混合路由协议
它基本上结合了反应式和主动路由协议两者的优点。这些协议本质上具有适应性，会根据实际情况进行自我调整。例如，ZRP（区域路由协议）就是在本地区域内使用主动协议，而在区域间通信时使用反应式协议。
—
深入实战：2026年视角下的 MANET 开发与演进
你好！作为在这个领域摸爬滚打多年的技术团队，我们非常高兴能继续与你深入探讨 MANET 路由协议的进阶话题。虽然上述协议奠定了无线自组网的基石，但在 2026 年的今天，我们的开发范式、工具链以及应用场景都发生了翻天覆地的变化。
在这篇文章的这一部分，我们将不再局限于教科书式的定义，而是会分享我们在构建现代分布式系统时的真实经验，以及如何利用AI 辅助开发（Vibe Coding）和云原生技术来解决老旧协议在当今复杂环境下的痛点。
#### 4. 现代开发范式：当 MANET 遇上 AI 辅助编程
你可能已经注意到，编写高并发、低延迟的网络路由代码是一项极具挑战的任务。在 2026 年，我们已经不再单纯依靠“人肉”去调试复杂的竞态条件。我们现在的武器是 AI 辅助的结对编程。
让我们来看一个实际的例子。假设我们需要用 Python 实现一个简化的 AODV 路由表维护逻辑。在过去，我们需要编写大量的样板代码来处理数据结构。现在，借助类似 Cursor 或 Windsurf 这样的现代 AI IDE，我们可以通过与 AI 对话来快速构建原型，并利用 LLM 驱动的调试工具来分析边缘情况。
代码示例：生产级的 AODV 路由表片段（Python 风格）
import heapq
import time
from dataclasses import dataclass, field
from typing import Optional
# 在现代 Python 开发中，我们使用 dataclasses 来减少样板代码，
# 这对于提高代码可读性和 AI 上下文理解非常有帮助。
@dataclass(order=True)
class RouteEntry:
"""
代表 AODV 协议中的一条路由条目。
包含了序列号管理，用于防止路由环路。
"""
destination: str
seq_num: int # 目的地序列号，关键！
hop_count: int = field(compare=False)
next_hop: str = field(compare=False, default="")
expiry_time: float = field(compare=False, default=0.0)
def is_valid(self) -> bool:
"""检查路由是否过期（容灾设计的一部分）"""
return time.time() current_best.seq_num) or \
(new_entry.seq_num == current_best.seq_num and new_entry.hop_count Optional[RouteEntry]:
"""获取有效路由，并处理过期清理（性能优化策略）"""
if dest not in self._routing_table:
return None
# 清理过期条目，防止内存泄漏
while self._routing_table[dest] and not self._routing_table[dest][0].is_valid():
heapq.heappop(self._routing_table[dest])
return self._routing_table[dest][0] if self._routing_table[dest] else None
在上面的代码中，你可能会注意到我们没有使用复杂的并发锁。这是为了演示方便。在我们最近的一个项目中，当涉及到高吞吐量的数据包转发时，我们遇到了严重的性能瓶颈。当时，我们使用 LLM 辅助分析火焰图，发现锁竞争是主要杀手。
经验之谈： 在 2026 年，我们倾向于使用无锁编程或基于 Actor 的并发模型（如 Rust 的 Rayon 或 Erlang VM）来处理路由表更新。结合 AI 代码审查工具，我们可以很容易地识别出潜在的死锁风险。
#### 5. 前沿技术整合：Agentic AI 与边缘计算
想象一下这样的场景：你在灾区部署了一个由数千个微型无人机组成的 MANET 网络。这些设备算力有限，且网络拓扑每毫秒都在变化。这时候，传统的静态路由协议完全失效。
这就是Agentic AI（自主 AI 代理）大显身手的地方。我们不再让节点仅仅运行死板的 AODV 或 OLSR 代码，而是让每个节点运行一个轻量级的 AI 代理。
- 多模态开发体验： 我们在开发这套系统时，结合了代码、网络拓扑图（由 Mermaid.js 实时生成）以及无人机电池状态流数据。
- Agentic 工作流： 每个无人机的代理可以自主决策：“我的电量快耗尽了，我需要降低数据包转发的优先级”，或者“前方网络拥塞，我将切换到备用频率”。
代码示例：基于代理的决策逻辑（伪代码）
# 这是一个概念性示例，展示如何将决策逻辑下放到边缘
class SmartDroneAgent(AODVRouter):
def __init__(self, node_id: str):
super().__init__(node_id)
self.battery_level = 100.0
self.context = {} # 存储环境感知数据
def forward_packet(self, packet):
# 基础路由逻辑
route = self.get_route(packet.dest)
# Agentic 决策：如果电量低于 20%，且我不是目的节点，则拒绝转发
# 这是一种“利己”但能延长网络整体生存时间的策略
if self.battery_level < 20.0 and packet.dest != self.node_id:
print(f"[Agent {self.node_id}] Battery low. Dropping packet to conserve energy.")
return False
if route:
# 实际发送逻辑...
return True
return False
#### 6. 真实场景分析与替代方案对比
作为经验丰富的工程师，我们需要诚实一点：很多时候，我们不应该直接使用原生的 MANET 协议。
在 2026 年的技术选型中，我们发现：
- 什么情况下使用 AODV/DSR？ 只有在极低功耗、算力几乎为零的传感器网络中，或者作为学术研究的基础时才推荐。
- 什么情况下不使用？ 在现代物联网或车联网（V2X）中，单纯的 MANET 太过不可靠。
替代方案：RPL (IPv6 Routing Protocol for Low-Power and Lossy Networks)
在工业级的物联网项目中，我们现在更倾向于使用 RPL 或者基于 SDN（软件定义网络） 架构的变种。我们让一个中央（或者分布式的云原生控制器）来计算全局路径，然后下发流表给边缘节点。这虽然引入了中心化依赖，但极大地提升了网络的可观测性和可控性。
#### 7. 性能优化与常见陷阱
在开发过程中，我们踩过无数的坑。让我们来看看如何避免它们：
- “计数至无穷大”并没有完全消失： 即使有了序列号，如果实现不当，网络震荡时依然会产生大量的无效控制包。解决方案： 引入延迟更新机制和反馈抑制。
- 调试噩梦： 在一个移动网络中抓包非常困难。
* 技巧： 在每个节点上运行轻量级的 eBPF 代理，将关键路由事件（如链路断裂、路由发现）通过侧信道上报给日志聚合系统。结合 LLM 驱动的调试工具，你可以直接问 AI：“为什么节点 A 无法连接到节点 B？”AI 会自动分析 eBPF 上报的 Trace 数据，告诉你“是因为中间节点 C 的信号强度在时间 T 发生了骤降”。
结语
从经典的 DSDV 到如今 AI 赋能的边缘网络，MANET 的核心思想依然闪耀着光芒。但在 2026 年，我们构建这些系统的方式已经截然不同。我们利用 AI 进行结对编程，使用云原生思想进行部署，并拥抱 Agentic 工作流来应对动态的不确定性。
希望这篇文章不仅让你理解了 MANET 的原理，更教会了你如何像一个 2026 年的资深工程师那样去思考和实现它。如果你在实践中有任何疑问，欢迎随时回来交流。让我们一起构建更智能、更坚韧的网络世界。