基于機會權重的環境自適應動態車聯網路由

于家培 王萍 祝捷 王帥

摘 ?要： 為滿足車聯網的數據轉發質量，保證通信連接的可靠性非常重要?；趯嚶摼W動態拓撲、車輛行駛行為變化、車輛密度變化、高速移動等交通環境復雜性問題的分析，提出基于機會權重的環境自適應動態路由（SaDAGR）。SaDAGR引入了車輛行駛行為預測模型，設計了動態信標周期自適應調節機制，并在轉發策略中設計機會權重轉發機制，引入車輛目的方向預測及車前密度感知，所提路由能夠適應復雜交通環境下大動態范圍的車輛速度、車輛密度的交通變化。仿真結果表明，SaDAGR增強了網絡的連通性，降低了重傳，減少了時延，提高了數據轉發效率。

關鍵詞： 車聯網; 行駛行為預測; 動態信標調節; 機會權重轉發; 目的方向預測; 車前密度感知

中圖分類號： TN915.05?34 ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： 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、移動互聯網、人工智能等技術的發展，車聯網不僅成為5G研究的重要場景之一，也是未來智能交通系統的重要組成部分[1]。研究車載自組織網絡動態路由技術，對安全消息的實時轉發及實現交通安全預警等功能具有重要意義[2]。車載自組織網絡具有車輛行駛行為變化較快、網絡拓撲結構變化較快以及交通環境復雜等問題，給車聯網中可靠通信帶來了困難[3]。

典型的車聯網路由協議是基于拓撲結構的路由協議，主要有表驅動的路由及按需式的路由[4]。但是基于拓撲結構的路由不能適應網絡拓撲結構的快速變化，而基于貪婪轉發的GPSR路由不需要網絡的全局拓撲信息[5]，只需要根據車輛的位置信息做路由決策，具有很好的動態適應性[6]。

文獻[7]將對GPSR轉發鏈路的研究歸類為NWLB（Neighbor Wireless Link Break）問題，詳細分析了信標分組間隔、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[8]根據上一時刻收到的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協議。文獻[9]通過實測得到車輛的加速度近似服從正態分布，因此，利用線性回歸方程在信標的分組間隔內對車輛的轉彎行為進行預測，并且采用反饋機制對結果進行修正。

基于上述文獻，本文通過分析通信鏈路連接的穩定性及復雜城市街區與高速典型交通環境的特點，提出了一種環境自適應動態感知路由（Scenario?adaptive Dynamic Awareness Greedy Routing，SaDAGR）。SaDAGR針對車聯網中車輛行駛行為多變的特征，以車輛預測位置與真實位置的誤差為自適應反饋因子，并根據環境中車流密度及車輛平均速度的特點建立環境函數，兩者結合建立了動態信標周期自適應調節機制以實現在不同交通場景中動態調節信標播報周期。并且SaDAGR在轉發階段引入機會權重轉發機制以增強網絡的連通性，提高路由轉發性能。

1 ?系統模型

SaDAGR由運動感知、動態信標周期自適應調節以及機會權重轉發三部分組成，通過車聯網Beacon消息幀動態控制網絡的連接狀態。作為V2V通信中網絡的控制消息[10]，Beacon消息幀的設計如圖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，作為機會權重函數中的一個參數，用來計算鄰居車輛的權重。

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，并實時感知信道環境，預估通信覆蓋范圍。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周期內車輛軌跡方程，如圖1中所示，[TrackF]與[TrackG]為運動感知預測所得軌跡方程。

SaDAGR中動態信標周期自適應調節通過對車輛周邊的車流密度及車輛平均速度的感知，結合自適應反饋因子動態修正信標周期TTL，如圖1所示，車輛的TTL值不同，在車輛較為密集的區域，如車輛A，B，C所在區域，其TTL值會較大，而在車輛H，I所在區域TTL值會較小。

2 ?SaDAGR設計

2.1 ?動態信標周期自適應調節

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

[δ=iPiN] （1）

式中：[Pi]為車輛[i]的位置預測誤差;[N]為鄰居位置表中車輛個數。

考慮車輛密度值[ρ]和平均速度值[v]的影響，定義環境函數[f（x）]。當密度的影響大于平均速度時，[f（x）>0];相反，當平均速度的影響大于密度的影響時，[f（x）<0];當密度的影響和平均速度的影響達到平衡狀態時，[f（x）=0]。采用初始化因子[σ]，保證初始化時[ρ-σv=0]。根據上述設計，環境函數關于[ρ]與[v]的關系為：

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

結合式（1）和式（2），定義TTL自適應調節修正值[Δ]的計算式如下：

[Δ=δ2Rfρ-σv] （3）

環境函數[fρ-σv]在[ρ-σv=0]時有連續的一階導，可以對TTL的修正值[Δ]進行平滑調整。

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

2.2 ?機會權重轉發

SaDAGR的轉發策略考慮三個權重因素，距離目的車輛的歐氏距離、車輛目的方向預測以及車前密度。車輛的歐氏距離以及車輛的速度方向已經有過詳細的研究[12]，但是基于車輛目的方向預測及車輛周邊密度的研究較少。機會選擇權重函數如式（4）所示：

[WFi=αDis+βcos（Vi， Ps，d）+γρ] （4）

式中：[α]，[β]及[γ]為權重值，[α+β+γ=1];[WFi]為鄰居位置表中每個鄰居車輛的轉發權重值;[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]為轉發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，采用車前方扇形區統計車輛密度信息。選取與車輛行駛方向左右相差90°共180°范圍內的車輛進行統計計算。

2.3 ?路由機制及數據包轉發流程

SaDAGR動態信標實現過程中的兩個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。當收到車輛[N1]的消息幀時，[T1?2]為[TimeStampN1+TTLN1];當收到車輛[N2]的消息幀時，將[TimeStampN1+TTLN1]與[TimeStampN2+][TTLN2]進行對比，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性，本文設計了兩個典型場景：城市街區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協議，調制方式為OFDM，MAC層采用基于DSRC[14]的Wave協議。每次實驗選取不同的隨機種子進行30次迭代，取平均值作為實驗結果。

為了分析SaDAGR的性能，選擇傳統的GPSR路由，以及具有線性位置預測的V?GPSR[8]路由進行仿真對比。在路由的設置中，車輛具有緩存機制，當不能找到轉發車輛時數據包被緩存，傳輸層使用UDP協議，沒有差錯重傳機制。選擇數據包分組投遞率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。

3.2 ?仿真結果及分析

3.2.1 ?城市街區場景仿真

城市街區仿真主要驗證SaDAGR在不同車流密度下的自適應調節，車輛的平均速度值為60 km/h。

不同密度值下，數據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。三種路由協議的起始Beacon播報周期都是3 s，V?GPSR與傳統GPSR路由的時效性較差導致鏈路不穩定從而轉發失敗，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議有近50%的PDR提升;當車輛密度高于70 veh/km2時，依然能保證超過10%的性能提升。

不同密度值下對應的E2E?Delay如圖5所示。隨著車輛密度值增加，網絡的連通性更好，轉發數據包被緩存的時間更短，所以時延整體呈現下降趨勢。當車輛密度值較小時，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性;當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絡連通性。對比圖4可以看出，SaDAGR的PDR較高，因此，會有轉發次數較多的數據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50 veh/km2，改變平均速度值。

在不同平均速度值下，數據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。由仿真結果可知，此時Beacon的播報周期已經下降到1 s以內，但是沒有自適應調節機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，所以網絡的拓撲結構已經發生了很明顯的變化，導致PDR出現近80%的下降。

不同平均速度下的E2E?Delay如圖7所示?？梢钥闯?，隨著車輛速度的提升，時延整體呈上升趨勢。當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，自適應反饋調節機制有一定優勢。當車輛平均速度值大于60 km/h時，可以看出SaDAGR的時延開始出現明顯的上升并超過另外兩種路由，當平均速度達到150 km/h時，時延出現了27%的上升。結合圖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發次數及中轉過程中所帶來的緩存造成的。

4 ?結 ?論

本文基于對車聯網環境復雜性問題的研究，提出基于機會權重的環境自適應動態路由SaDAGR，通過車聯網Beacon消息幀動態控制網絡的連接狀態，并根據交通環境的不同自適應調節信標周期，以緩解網絡拓撲結構的快速變化所帶來的鏈路不穩定問題。SaDAGR所提的機會權重轉發機制引入了車輛目的方向預測及車前密度感知，進一步提高了通信鏈路的穩定性。實驗數據表明，所提SaDAGR能明顯提升數據包的分組投遞率，并且在車速較高及車輛密度較低等網絡連接不穩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

[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.