于家培 王萍 祝捷 王帥

摘 ?要： 為滿足車聯(lián)網(wǎng)的數(shù)據(jù)轉(zhuǎn)發(fā)質(zhì)量，保證通信連接的可靠性非常重要?；趯嚶?lián)網(wǎng)動態(tài)拓?fù)?、車輛行駛行為變化、車輛密度變化、高速移動等交通環(huán)境復(fù)雜性問題的分析，提出基于機(jī)會權(quán)重的環(huán)境自適應(yīng)動態(tài)路由（SaDAGR）。SaDAGR引入了車輛行駛行為預(yù)測模型，設(shè)計了動態(tài)信標(biāo)周期自適應(yīng)調(diào)節(jié)機(jī)制，并在轉(zhuǎn)發(fā)策略中設(shè)計機(jī)會權(quán)重轉(zhuǎn)發(fā)機(jī)制，引入車輛目的方向預(yù)測及車前密度感知，所提路由能夠適應(yīng)復(fù)雜交通環(huán)境下大動態(tài)范圍的車輛速度、車輛密度的交通變化。仿真結(jié)果表明，SaDAGR增強(qiáng)了網(wǎng)絡(luò)的連通性，降低了重傳，減少了時延，提高了數(shù)據(jù)轉(zhuǎn)發(fā)效率。

關(guān)鍵詞： 車聯(lián)網(wǎng); 行駛行為預(yù)測; 動態(tài)信標(biāo)調(diào)節(jié); 機(jī)會權(quán)重轉(zhuǎn)發(fā); 目的方向預(yù)測; 車前密度感知

中圖分類號： TN915.05?34 ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A ? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）07?0017?04

Environment self?adaptive dynamic vehicular network routing

based on opportunity?weight

YU Jiapei， WANG Ping， ZHU Jie， WANG Shuai

（College of Information Science and Technology， Donghua University， Shanghai 201600， China）

Abstract： In order to meet the quality of the vehicular network data forwarding， it is very important to ensure the reliability of the communication connection. On the basis of the analysis of the traffic environment complexity such as the dynamic topology of vehicular network， vehicle behavior change， vehicle density change and high?speed movement of vehicles， the SaDAGR （scenario?adaptive dynamic awareness greedy routing） based on opportunity weight is proposed. The vehicle behavior prediction model is introduced by SaDAGR routing to design the dynamic?beacon?period adaptive adjustment mechanism. The opportunity?weighted forwarding mechanism is designed in the forwarding strategy， in which the vehicle destination direction prediction and the vehicle forward density sensing are introduced. The SaDAGR can adapt to vehicle speed in large dynamic range， vehicle density and traffic changes in the complex traffic environment. The simulation results show that the SaDAGR can enhance network connectivity， reduce retransmission time delay， and improve data forwarding efficiency.

Keywords： vehicular network; vehicle behavior prediction; dynamic beacon adjustment; opportunity weight forwarding; destination direction prediction; vehicle forward density sensing

0 ?引 ?言

隨著5G移動通信、移動互聯(lián)網(wǎng)、人工智能等技術(shù)的發(fā)展，車聯(lián)網(wǎng)不僅成為5G研究的重要場景之一，也是未來智能交通系統(tǒng)的重要組成部分[1]。研究車載自組織網(wǎng)絡(luò)動態(tài)路由技術(shù)，對安全消息的實時轉(zhuǎn)發(fā)及實現(xiàn)交通安全預(yù)警等功能具有重要意義[2]。車載自組織網(wǎng)絡(luò)具有車輛行駛行為變化較快、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)變化較快以及交通環(huán)境復(fù)雜等問題，給車聯(lián)網(wǎng)中可靠通信帶來了困難[3]。

典型的車聯(lián)網(wǎng)路由協(xié)議是基于拓?fù)浣Y(jié)構(gòu)的路由協(xié)議，主要有表驅(qū)動的路由及按需式的路由[4]。但是基于拓?fù)浣Y(jié)構(gòu)的路由不能適應(yīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的快速變化，而基于貪婪轉(zhuǎn)發(fā)的GPSR路由不需要網(wǎng)絡(luò)的全局拓?fù)湫畔5]，只需要根據(jù)車輛的位置信息做路由決策，具有很好的動態(tài)適應(yīng)性[6]。

文獻(xiàn)[7]將對GPSR轉(zhuǎn)發(fā)鏈路的研究歸類為NWLB（Neighbor Wireless Link Break）問題，詳細(xì)分析了信標(biāo)分組間隔、車輛速度、車輛密度及通信范圍等問題對GPSR路由的影響。文獻(xiàn)[8]根據(jù)上一時刻收到的Beacon中所攜帶的周邊車輛位置及速度信息，以及通過電子地圖獲得的目的車輛位置及速度信息，建立了一個線性位置預(yù)測方法，計算鄰居位置表中的車輛與目的車輛相遇的概率，提出了V?GPSR協(xié)議。文獻(xiàn)[9]通過實測得到車輛的加速度近似服從正態(tài)分布，因此，利用線性回歸方程在信標(biāo)的分組間隔內(nèi)對車輛的轉(zhuǎn)彎行為進(jìn)行預(yù)測，并且采用反饋機(jī)制對結(jié)果進(jìn)行修正。

基于上述文獻(xiàn)，本文通過分析通信鏈路連接的穩(wěn)定性及復(fù)雜城市街區(qū)與高速典型交通環(huán)境的特點，提出了一種環(huán)境自適應(yīng)動態(tài)感知路由（Scenario?adaptive Dynamic Awareness Greedy Routing，SaDAGR）。SaDAGR針對車聯(lián)網(wǎng)中車輛行駛行為多變的特征，以車輛預(yù)測位置與真實位置的誤差為自適應(yīng)反饋因子，并根據(jù)環(huán)境中車流密度及車輛平均速度的特點建立環(huán)境函數(shù)，兩者結(jié)合建立了動態(tài)信標(biāo)周期自適應(yīng)調(diào)節(jié)機(jī)制以實現(xiàn)在不同交通場景中動態(tài)調(diào)節(jié)信標(biāo)播報周期。并且SaDAGR在轉(zhuǎn)發(fā)階段引入機(jī)會權(quán)重轉(zhuǎn)發(fā)機(jī)制以增強(qiáng)網(wǎng)絡(luò)的連通性，提高路由轉(zhuǎn)發(fā)性能。

1 ?系統(tǒng)模型

SaDAGR由運動感知、動態(tài)信標(biāo)周期自適應(yīng)調(diào)節(jié)以及機(jī)會權(quán)重轉(zhuǎn)發(fā)三部分組成，通過車聯(lián)網(wǎng)Beacon消息幀動態(tài)控制網(wǎng)絡(luò)的連接狀態(tài)。作為V2V通信中網(wǎng)絡(luò)的控制消息[10]，Beacon消息幀的設(shè)計如圖1所示，其包含鄰居車輛ID、時間戳（TimeStamp）、車輛位置（NodePosition）及速度（NodeVelocity）信息。其中，TTL（Time to Live）是指每個車輛信標(biāo)的廣播周期，每輛車的廣播周期是不同的;而DenFac是車前密度值，作為機(jī)會權(quán)重函數(shù)中的一個參數(shù)，用來計算鄰居車輛的權(quán)重。

運動感知模型通過Beacon消息幀獲取鄰居車輛的歷史位置及速度信息，并實時感知信道環(huán)境，預(yù)估通信覆蓋范圍。鄰居位置表中每個車輛有[v1]～[v4]四條歷史速度信息及一條位置信息，采用三次插值算出未來一個Beacon周期內(nèi)車輛軌跡方程，如圖1中所示，[TrackF]與[TrackG]為運動感知預(yù)測所得軌跡方程。

SaDAGR中動態(tài)信標(biāo)周期自適應(yīng)調(diào)節(jié)通過對車輛周邊的車流密度及車輛平均速度的感知，結(jié)合自適應(yīng)反饋因子動態(tài)修正信標(biāo)周期TTL，如圖1所示，車輛的TTL值不同，在車輛較為密集的區(qū)域，如車輛A，B，C所在區(qū)域，其TTL值會較大，而在車輛H，I所在區(qū)域TTL值會較小。

2 ?SaDAGR設(shè)計

2.1 ?動態(tài)信標(biāo)周期自適應(yīng)調(diào)節(jié)

有較多的文獻(xiàn)研究車輛的行駛速度與車輛密度的關(guān)系[11]，從目前的研究結(jié)果來看，無論車輛速度和車流密度的具體關(guān)系如何，兩者具有相反關(guān)系這一趨勢是不變的。本文以預(yù)測位置與車輛真實位置之間的統(tǒng)計誤差為自適應(yīng)反饋因子[δ]，[δ]的計算如式（1）所示：

[δ=iPiN] （1）

式中：[Pi]為車輛[i]的位置預(yù)測誤差;[N]為鄰居位置表中車輛個數(shù)。

考慮車輛密度值[ρ]和平均速度值[v]的影響，定義環(huán)境函數(shù)[f（x）]。當(dāng)密度的影響大于平均速度時，[f（x）>0];相反，當(dāng)平均速度的影響大于密度的影響時，[f（x）<0];當(dāng)密度的影響和平均速度的影響達(dá)到平衡狀態(tài)時，[f（x）=0]。采用初始化因子[σ]，保證初始化時[ρ-σv=0]。根據(jù)上述設(shè)計，環(huán)境函數(shù)關(guān)于[ρ]與[v]的關(guān)系為：

[fρ-σv=lnρ-σv+1， ? ?ρ-σv≥0eρ-σv-1， ? ?ρ-σv<0] （2）

結(jié)合式（1）和式（2），定義TTL自適應(yīng)調(diào)節(jié)修正值[Δ]的計算式如下：

[Δ=δ2Rfρ-σv] （3）

環(huán)境函數(shù)[fρ-σv]在[ρ-σv=0]時有連續(xù)的一階導(dǎo)，可以對TTL的修正值[Δ]進(jìn)行平滑調(diào)整。

播報周期自適應(yīng)調(diào)節(jié)機(jī)制流程圖如圖2所示，每個車輛有一個消息幀播報計時器，當(dāng)計時結(jié)束時啟動播報周期計算，TTL的修正值通過式（3）計算。隨著自適應(yīng)調(diào)節(jié)機(jī)制不斷迭代，位置預(yù)測結(jié)果與鄰居車輛真實位置之間的誤差不斷縮小，當(dāng)[δ≤εR]時，結(jié)束自適應(yīng)反饋調(diào)節(jié)，其中，[ε]為閾值因子，[R]為通信半徑。

2.2 ?機(jī)會權(quán)重轉(zhuǎn)發(fā)

SaDAGR的轉(zhuǎn)發(fā)策略考慮三個權(quán)重因素，距離目的車輛的歐氏距離、車輛目的方向預(yù)測以及車前密度。車輛的歐氏距離以及車輛的速度方向已經(jīng)有過詳細(xì)的研究[12]，但是基于車輛目的方向預(yù)測及車輛周邊密度的研究較少。機(jī)會選擇權(quán)重函數(shù)如式（4）所示：

[WFi=αDis+βcos（Vi， Ps，d）+γρ] （4）

式中：[α]，[β]及[γ]為權(quán)重值，[α+β+γ=1];[WFi]為鄰居位置表中每個鄰居車輛的轉(zhuǎn)發(fā)權(quán)重值;[Dis]表示鄰居位置表中車輛[i]距目的車輛的歐氏距離與車輛自身[s]距目的車輛的歐氏距離的比值;[Vi]為車輛預(yù)測位置與鄰居位置表中最近時刻的位置之間的方向矢量，[Ps， d]為轉(zhuǎn)發(fā)車輛自身距目的車輛的單位矢量，[cos（Vi， Ps， d）]值越大表明兩車相遇的概率越大;[ρ]為車前密度值，采用車前方扇形區(qū)統(tǒng)計車輛密度信息。選取與車輛行駛方向左右相差90°共180°范圍內(nèi)的車輛進(jìn)行統(tǒng)計計算。

2.3 ?路由機(jī)制及數(shù)據(jù)包轉(zhuǎn)發(fā)流程

SaDAGR動態(tài)信標(biāo)實現(xiàn)過程中的兩個Beacon間隔及TTL的修正方法如圖3所示。車輛的啟動時刻為0，此后每隔一個時間間隔[T]，車輛啟動反饋因子計算，如圖3所示，0?1為一個時間間隔，1?2為下一個時間間隔。

在0?1時間間隔內(nèi)一共有[N1]～[N5]五個Beacon消息幀，每個消息幀帶有一個TTL，1?2時刻之間的時間間隔[T1?2]通過0?1五個車輛的[TTLNi]計算得到。當(dāng)收到車輛[N1]的消息幀時，[T1?2]為[TimeStampN1+TTLN1];當(dāng)收到車輛[N2]的消息幀時，將[TimeStampN1+TTLN1]與[TimeStampN2+][TTLN2]進(jìn)行對比，選取最大的值作為[T1-2]，以此類推，直到從五個車輛中選取出最大的時間間隔，并在此時間間隔后啟動反饋因子計算，如式（5）所示：

[T2=maxNi（TimeStampNi+TTLNi）] （5）

3 ?仿真分析

3.1 ?仿真場景

為了驗證SaDAGR在不同交通場景中的自適應(yīng)性，本文設(shè)計了兩個典型場景：城市街區(qū)場景及高速公路場景。仿真中車輛的行駛服從GaussMarkov模型[13]。物理層采用802.11p協(xié)議，調(diào)制方式為OFDM，MAC層采用基于DSRC[14]的Wave協(xié)議。每次實驗選取不同的隨機(jī)種子進(jìn)行30次迭代，取平均值作為實驗結(jié)果。

為了分析SaDAGR的性能，選擇傳統(tǒng)的GPSR路由，以及具有線性位置預(yù)測的V?GPSR[8]路由進(jìn)行仿真對比。在路由的設(shè)置中，車輛具有緩存機(jī)制，當(dāng)不能找到轉(zhuǎn)發(fā)車輛時數(shù)據(jù)包被緩存，傳輸層使用UDP協(xié)議，沒有差錯重傳機(jī)制。選擇數(shù)據(jù)包分組投遞率PDR（Packet Delivery Ratio）和端到端平均時延E2E?Delay（End?to?End Delay）作為路由性能的指標(biāo)。

3.2 ?仿真結(jié)果及分析

3.2.1 ?城市街區(qū)場景仿真

城市街區(qū)仿真主要驗證SaDAGR在不同車流密度下的自適應(yīng)調(diào)節(jié)，車輛的平均速度值為60 km/h。

不同密度值下，數(shù)據(jù)包分組投遞率的對比分析圖如圖4所示。從圖4中可以看出，SaDAGR可以明顯提升PDR。三種路由協(xié)議的起始Beacon播報周期都是3 s，V?GPSR與傳統(tǒng)GPSR路由的時效性較差導(dǎo)致鏈路不穩(wěn)定從而轉(zhuǎn)發(fā)失敗，致使PDR過低。在車輛密度值低于70 veh/km2時，SaDAGR相較于另外兩種路由協(xié)議有近50%的PDR提升;當(dāng)車輛密度高于70 veh/km2時，依然能保證超過10%的性能提升。

不同密度值下對應(yīng)的E2E?Delay如圖5所示。隨著車輛密度值增加，網(wǎng)絡(luò)的連通性更好，轉(zhuǎn)發(fā)數(shù)據(jù)包被緩存的時間更短，所以時延整體呈現(xiàn)下降趨勢。當(dāng)車輛密度值較小時，SaDAGR相比另外兩種路由具有近15%的性能提升，這可以證明SaDAGR在車輛密度較低時具有較好的適應(yīng)性;當(dāng)車輛密度值升高超過60 veh/km2后，SaDAGR的時延高于另外兩種10 ms左右，此時較高的車輛密度會帶來較好的網(wǎng)絡(luò)連通性。對比圖4可以看出，SaDAGR的PDR較高，因此，會有轉(zhuǎn)發(fā)次數(shù)較多的數(shù)據(jù)包造成平均時延升高。

3.2.2 ?高速公路場景仿真

高速公路場景仿真實驗中密度值取中位數(shù)50 veh/km2，改變平均速度值。

在不同平均速度值下，數(shù)據(jù)包的分組投遞率如圖6所示。從圖6中可以看出，SaDAGR隨著速度的增大，PDR下降幅度要明顯小于另外兩種路由。由仿真結(jié)果可知，此時Beacon的播報周期已經(jīng)下降到1 s以內(nèi)，但是沒有自適應(yīng)調(diào)節(jié)機(jī)制的另外兩個路由的Beacon依然保持3 s的Beacon播報周期。在150 km/h車速時，3 s內(nèi)車輛行駛距離約為125 m，并且此時的車輛密度值并不高，所以網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)已經(jīng)發(fā)生了很明顯的變化，導(dǎo)致PDR出現(xiàn)近80%的下降。

不同平均速度下的E2E?Delay如圖7所示?？梢钥闯觯S著車輛速度的提升，時延整體呈上升趨勢。當(dāng)車輛平均速度值小于60 km/h時，SaDAGR的時延較另外兩種較低，此時車輛密度值及車輛平均速度值都比較小，自適應(yīng)反饋調(diào)節(jié)機(jī)制有一定優(yōu)勢。當(dāng)車輛平均速度值大于60 km/h時，可以看出SaDAGR的時延開始出現(xiàn)明顯的上升并超過另外兩種路由，當(dāng)平均速度達(dá)到150 km/h時，時延出現(xiàn)了27%的上升。結(jié)合圖7分析可以看出，此時SaDAGR的PDR保持在較高水平，而時延的上升是由于較多的中間轉(zhuǎn)發(fā)次數(shù)及中轉(zhuǎn)過程中所帶來的緩存造成的。

4 ?結(jié) ?論

本文基于對車聯(lián)網(wǎng)環(huán)境復(fù)雜性問題的研究，提出基于機(jī)會權(quán)重的環(huán)境自適應(yīng)動態(tài)路由SaDAGR，通過車聯(lián)網(wǎng)Beacon消息幀動態(tài)控制網(wǎng)絡(luò)的連接狀態(tài)，并根據(jù)交通環(huán)境的不同自適應(yīng)調(diào)節(jié)信標(biāo)周期，以緩解網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的快速變化所帶來的鏈路不穩(wěn)定問題。SaDAGR所提的機(jī)會權(quán)重轉(zhuǎn)發(fā)機(jī)制引入了車輛目的方向預(yù)測及車前密度感知，進(jìn)一步提高了通信鏈路的穩(wěn)定性。實驗數(shù)據(jù)表明，所提SaDAGR能明顯提升數(shù)據(jù)包的分組投遞率，并且在車速較高及車輛密度較低等網(wǎng)絡(luò)連接不穩(wěn)定的場景下明顯提升路由性能。

注：本文通訊作者為王萍。

參考文獻(xiàn)

[1] DUAN X， LIU Y， WANG X. SDN enabled 5G?VANET： adaptive vehicle clustering and beamformed transmission for aggregated traffic [J]. IEEE communications magazine， 2017， 55（7）： 120?127.

[2] LIU J， WAN J， JIA D， et al. High?efficiency urban traffic management in context?aware computing and 5G communication [J]. IEEE communications magazine， 2017， 55（1）： 34?40.

[3] NAGAR J K， SINGHROVA A. A review paper for comparative study of different routing protocols in VANET [J]. International journal of enhanced research in science technology & engi?neering， 2014， 3（4）： 313?320.