袁小艷 許曉紅

（四川文理學(xué)院智能制造學(xué)院 達(dá)州 635000）

1 引言

車聯(lián)網(wǎng)（Vehicular Ad Hoc Networks，VANETs）已成為智能交通系統(tǒng)（Intelligent Transportation System，ITS）的重要組成部分［1~3］。通過VANETs 可實(shí)現(xiàn)多類應(yīng)用，如車間信息傳輸、協(xié)作駕駛、緊急消息傳輸?shù)?。然而，這些應(yīng)用的實(shí)現(xiàn)是建立于良好的通信網(wǎng)絡(luò)。目前，主要存在兩類通信協(xié)議標(biāo)準(zhǔn)：專用的短距離通信（Dedicated Short-range Communication，DSRC）［4］和C-V2X［5］。DSRC 只能實(shí)現(xiàn)短距離通信，相比下，C-V2X 通信通過借助于4G 和5G 無(wú)線通信網(wǎng)絡(luò)，能夠?qū)崿F(xiàn)大范圍的通信覆蓋和高速率。

然而，車輛的高速移動(dòng)以及障礙物導(dǎo)致網(wǎng)絡(luò)呈間歇性連通，增加了網(wǎng)絡(luò)接入的不穩(wěn)定性，容易丟失數(shù)據(jù)包。簇群技術(shù)是提高數(shù)據(jù)傳輸成功率的有效策略。將道路上的車輛劃分為簇，每個(gè)簇產(chǎn)生一個(gè)簇頭（Cluster Header，CH），簇內(nèi)其他車輛稱為本簇的簇成員（Cluster Members，CM）。CH 收集本簇內(nèi)的CMs的車輛數(shù)據(jù)。

由于車輛的高速移動(dòng)，構(gòu)建穩(wěn)定的簇群是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。文獻(xiàn)［6］利用5G 的基站（gNB）形成簇，并利用多項(xiàng)指標(biāo)構(gòu)建CH。但是由于擁塞以及非視距環(huán)境，基站不能與多個(gè)車輛通信。文獻(xiàn)［7］提出基于車間距離因子的構(gòu)簇算法。但是，由于車輛的高速移動(dòng)，車間距離可能一直在變化，這增加了構(gòu)建簇的頻率。文獻(xiàn)［8］提出基于Q-學(xué)習(xí)的構(gòu)建簇算法，進(jìn)而減少gNB 的開銷。但是該算法在每個(gè)簇內(nèi)形成多個(gè)CHs，這增加了算法本身的復(fù)雜性。同時(shí)，在進(jìn)行Q-學(xué)習(xí)時(shí)需要訓(xùn)練數(shù)據(jù)，這增加處理時(shí)延。文獻(xiàn)［9］提出基于飛蛾撲火算法（Moth-Flame Optimization，MFO）為車輛構(gòu)建虛擬的網(wǎng)格。但是該算法旨在優(yōu)化簇?cái)?shù)，沒有討論網(wǎng)絡(luò)的性能。

綜上所述，目前缺乏從網(wǎng)絡(luò)連通性角度，構(gòu)建自適應(yīng)的簇群技術(shù)。為此，提出基于車輛移動(dòng)相似性的簇群（Compatibility of Vehicle Mobility-based Clustering，CVMC）算法。CVMC算法先通過基站接收車輛的信號(hào)強(qiáng)度決策一個(gè)車輛作為簇頭，再依據(jù)車輛離基站的距離、車輛間相對(duì)速度以及車輛間重疊的路段計(jì)算車輛間的移動(dòng)相似性，再利用車輛間的移動(dòng)相似性形成簇。仿真結(jié)果表明，提出的CVMC算法有效地提升吞吐量。

2 CVMC算法

2.1 網(wǎng)絡(luò)模型

車聯(lián)網(wǎng)主要由車輛、gNBs 構(gòu)建，如圖1 所示。每輛車上安裝一個(gè)OBU［10］。每個(gè)OBU 配備了雙重收 發(fā) 器：1）基 于802.11p 的DSRC 或 者 是3GPP C-V2X；2）4G 或者5G。車輛通過OBU 與其他車輛、gNBs進(jìn)行通信。

圖1 系統(tǒng)模型

每輛車中的OBU 具有防攻擊設(shè)備（Tamper Proof Device，TPD），存儲(chǔ)相關(guān)的數(shù)據(jù)。在VANETs中，車輛通過交互Beacon 包與其鄰居節(jié)點(diǎn)交互信息，進(jìn)而獲取鄰居車輛的信息。

此外，路邊單位（Road-Side Units，RSUs）或者是5G 的eNBs 作為基站gNBs，它們能夠傳輸蜂窩信號(hào)，并且它們之間通過高速的X2鏈路連接。

假定系統(tǒng)中有n輛車，它們構(gòu)成車輛集V={?1，?2，…，?n} 。令Dij表示車輛?i與車輛?j間的歐式距離：

式中：(xi，yi)、(xj，yj)分別表示車輛?i、?j的位置坐標(biāo)。

2.2 車輛間的相似性

為了計(jì)算車輛間的相似性，對(duì)車輛連通目的節(jié)點(diǎn)道路進(jìn)行分段劃分。令Sgi表示車輛?i所在路段的分段，假定分割成q個(gè)等間隔的路段。且如圖2 所示，車輛?k離其目的地的道路被劃分為3 段（q=3），即Sgk=

圖2 車輛路段劃分示例

將每輛車通往目的地的路段進(jìn)行分段后，相鄰車的路段存在重疊。為此，將整個(gè)路段進(jìn)行編號(hào)sg_id_*，其中“*”表示編號(hào)。如圖2 所示，對(duì)整個(gè)路 段 進(jìn) 行 從A、B、C 至G 的 編 號(hào)，即{sg_id_A，sg_id_B，sg_id_C，sg_id_D，sg_id_E} 。

接下來(lái)，計(jì)算兩輛車在通往目的地的重疊路段，用Ni，j=Sgi∩Sgj表示車輛?i與車輛?j的重疊路段集。例如，如圖2 所示，車輛?j與車輛?k間的重 疊 路 段 為Nk，j=Sgk∩Sgj={sg_id_D，sg_id_E，sg_id_F}。

如果兩車輛間的重疊路段數(shù)超過預(yù)定閾值Sgth，則認(rèn)為它們間的移動(dòng)存在相似性。為此，引入布爾變量Fij。如果車輛?i與車輛?j間重疊路段數(shù)大于Sgth，則Fij=1，否則為零：

接下來(lái)，計(jì)算兩輛車間的移動(dòng)相似性。令SMi，j表示車輛?i與車輛?j間的移動(dòng)相似性，其定義如式（3）所示：

式中：0 ＜Dij＜R限定兩輛車在彼此的通信范圍內(nèi)；Δνij表示車輛?i與車輛?j間相對(duì)速度，其定義如式（4）所示。

從式（3）的定義可知，車輛間距離越小、相對(duì)速度越小，它們間的相似性越大。

2.3 簇頭及簇形成

每個(gè)車輛周期Beacon 包，向gNB 傳輸報(bào)告它自己的位置以及速度等信息。gNB 依據(jù)接收的Beacon包消息的信號(hào)強(qiáng)度，選擇具有最大信號(hào)強(qiáng)度（Received Signal Strength，RSS）的車輛作為簇頭：

式中：RSS?1表示車輛?1的信號(hào)強(qiáng)度值RSS。

一旦選舉了簇頭后，簇頭就向鄰居節(jié)點(diǎn)傳輸通告消息Mes_CH。其他節(jié)點(diǎn)接收Mes_CH 消息，計(jì)算與簇頭的間移動(dòng)相似值。如果與簇頭間的移動(dòng)相似性低于閾值SMth，則車輛就直接與gNB 通信。若大于閾值SMth，車輛就從中選擇具有最大移動(dòng)相似性車輛作為自己簇頭，并向該簇頭發(fā)送確認(rèn)消息Mes_ACK，如算法1所示。

算法1：簇形成過程

if 如果車輛不是簇頭

接收到Mes_CH 后，車輛就依據(jù)式（3）計(jì)算與簇頭的移動(dòng)相似性

ifSMi，j小于閾值SMththen

車輛就直接與gNB直接通信

else

車輛就從中選擇具有最大移動(dòng)相似的簇頭作為自己的簇頭，并向其傳輸Mes_ACK。

end if

else

傳輸消息Mes_CH

接收消息Mes_ACK

end if

圖3 給出基于車輛移動(dòng)相似性的簇群模型。依據(jù)車輛位置以及它們移動(dòng)速度的相近性構(gòu)建簇。圖中灰色實(shí)線范圍表示一個(gè)簇群，而不是深色實(shí)線范圍。從理論上講，考慮了車輛移動(dòng)速度的相近性所構(gòu)建簇群穩(wěn)定性更好，由于車輛以相近的速度移動(dòng)以及位置相近，它們能夠保持更好的連通性，鏈路持續(xù)時(shí)間更長(zhǎng)。

圖3 基于車輛移動(dòng)相似性的簇群示例

3 基于簇的接入信道性能分析

由于蜂窩網(wǎng)絡(luò)采用正交頻分多址接入技術(shù)給C-V2X 用戶分配資源，需采用隨機(jī)接入信道方式進(jìn)行信道競(jìng)爭(zhēng)。因此，gNBs 以隨機(jī)方式給用戶分配資源。

假定總共有k個(gè)車輛同時(shí)向gNBs請(qǐng)求M 個(gè)資源。若沒有簇群技術(shù)，車輛能夠獲取資源的概率為

采用簇群技術(shù)可以減少接入上行鏈路的資源的車輛數(shù)。假定 ||Ci表示簇群的平均車輛數(shù)，則車輛接入資源的概率提升為

4 性能分析

4.1 仿真環(huán)境

在Windows 7 操作系統(tǒng)、8GB 內(nèi)存，core i7 CPU的PC 上進(jìn)行實(shí)驗(yàn)仿真。采用SUMO 軟件［11］建立城市車輛移動(dòng)軌跡數(shù)據(jù)，仿真區(qū)域?yàn)?00 m×1500 m，車輛數(shù)從50~500變化。

在網(wǎng)絡(luò)層選用按需矢量距離（Ad-Hoc On-Demand Distance Vector，AODV）［12］路由傳輸數(shù)據(jù)，并選用LENA mmWave 模塊，并考慮Friss 傳播模型［13~14］。道路參數(shù)：40 個(gè)交叉路口，最大車道數(shù)為3，每個(gè)車道寬不超過50m，如圖4所示。

圖4 SUMO道路拓?fù)?/p>

每輛車采用20dB 的傳輸功率，傳輸范圍為145m，具體的仿真參數(shù)如表1所示。

表1 仿真參數(shù)

4.2 閾值Sgth 對(duì)數(shù)據(jù)包傳遞率的影響

考慮兩類情況：Sgth=5 和Sgth=2 。Sgth越大，簇的穩(wěn)定性以及連通性越好，而Sgth越小構(gòu)建簇的頻率越高。圖5（a）顯示了車輛數(shù)和Sgth對(duì)數(shù)據(jù)包傳遞率的影響。從圖可知，CVMC 算法的數(shù)據(jù)包傳遞率在80%至91%。此外，車輛數(shù)的增加對(duì)數(shù)據(jù)包傳遞率的影響并不大。

但是，車輛速度對(duì)數(shù)據(jù)包較大影響，如圖（b）所示。當(dāng)車輛隨機(jī)速度在50m/s~60m/s，CVMC 算法的數(shù)據(jù)包傳遞率達(dá)到91%。然而，車速的增加降低了數(shù)據(jù)包傳遞率。此外，從圖5 可知，Sgth的增加提升了數(shù)據(jù)包傳遞率，這符合預(yù)期。

圖5 Sgth 對(duì)數(shù)據(jù)包傳遞率的影響

4.3 性能對(duì)比分析

選擇文獻(xiàn)［8］提出的兩層簇算法（Two-Level Cluster Algorithm，TLCA）和文獻(xiàn)［6］提出的多跳移動(dòng)區(qū)域算法（Multi-hop Moving Zone Clustering，MMZC）作為參照。分析車輛數(shù)和車速對(duì)CVMC 算法、TLCA 算法和MMZC 算法的吞吐量影響，如圖6、7所示。

圖6 車輛數(shù)對(duì)吞吐量的影響

如圖6 所示，當(dāng)車輛數(shù)為100 時(shí)，CVMC 算法的吞吐量達(dá)到11 Mbps，而TLCA 算法的吞吐量達(dá)到約12 Mbps。但是當(dāng)車輛數(shù)增加至200 時(shí)，TLCA 算法的吞吐量迅速下降。當(dāng)車輛數(shù)增加至500 時(shí)，TLCA 算法的吞吐量下降至4 Mbps，而CVMC 算法的吞吐量仍達(dá)到8 Mbps。幸運(yùn)的是，CVMC 算法的吞吐量隨車輛數(shù)的增加保持較穩(wěn)定的性能。

相比于CVMC 算法和TLCA 算法，MMZC 算法的吞吐量最低。在車輛數(shù)為100 時(shí)，MMZC 算法的吞吐量只有8 Mbps。而當(dāng)車輛數(shù)增加至500，MMZC算法的吞吐量只有1 Mbps。

圖7 給出車速對(duì)吞吐量的變化情況。從圖可知，車速的增加降低，使吞吐量呈下降趨勢(shì)。原因在于：車速越快，車間通信鏈路的持續(xù)時(shí)間越短，這不利于數(shù)據(jù)包的傳輸。此外，相比于TLCA 算法和MMZC 算法，CVMC 算法的吞吐量仍保持較高的水平。這歸功于：CVMC 算法利用車間移動(dòng)相似性構(gòu)建簇，提高了簇的穩(wěn)定性。

圖7 車速對(duì)吞吐量的變化情況

5 結(jié)語(yǔ)

本文針對(duì)車聯(lián)網(wǎng)中的構(gòu)簇算法，提出車輛移動(dòng)相似性的簇群CVMC 算法。CVMC 算法充分利用車輛的移動(dòng)信息，通過計(jì)算車輛在道路中移動(dòng)行為，構(gòu)建簇，提高簇的穩(wěn)定性。仿真結(jié)果表明，相比于MMZC 和TLCA 算法，提出的CVMC 算法的吞吐量提高了近2Mbps~4Mbps。

本文考慮的仿真場(chǎng)景較為簡(jiǎn)單。后期，將考慮更為復(fù)雜場(chǎng)景，使提出的CVMC算法能夠應(yīng)用于真實(shí)場(chǎng)景，這將是后期的研究工作。