VANET网络（精选7篇）
VANET网络 第1篇
关键词：异构网络,智能交通系统,车载网络,VANET,LTE,无线网络
智能交通系统(ITS)已经受到来自世界各地不同研究机构或者企业的青睐。为了迎合现阶段不同的车辆应用程序需求,本文提出了一个集成的基于IEEE 802.11的VANET和LTE移动蜂窝网的异构车载网络。
1 系统模拟
1.1 网络模拟
本文提出的基于DSRC的VANET-LTE异构网络架构如图1所示。
拟建的架构将车载网络划分为车与车Vehicle-to-Vehicle、车与基础设施Vehicle-toInfrastructure、车载车辆通信、回程连接。V2V网络允许通过DSRC在GVs和OVs之间的通信。V2I网络提供GVs和LTE e Node B之间的通信。车载单元(OBU)的数据组成。
从数据流的角度来看,GVs通过DSRC从OVs收集信息。然后发送相关的数据到基础设施。数据在GVs和LTE e Node Bs之间进行交换。在下行方向,LTE e Node Bs单播向GVs发送数据,它们通过不同的路由到达共同的目的地。智能交通数据通过以太网发送到车辆的OBU进行进一步的处理和决策。在上行方向,GVs以一个预先确定速率将交通数据(来自OV)通过LTE传输到基础设施上。
1.2 仿真参数
网络模型采用OPNET模型进行网络仿真。e Node B、G V LTE和智能交通下行参数都是从文献中的模型获得的。CAMs表示从OV传播到GV,CAM大小40字节,传输时间间隔是100ms。然后GV聚集CAMs的数据并将其发送LTE上行通道。
1.3 效能评估指标
模型的性能评价指标定义如下:数据速率(字节/秒)是指接收端单位时间内接收到的数据字节的总和;数据丢包率(DLR)是指发送端发送的数据包总数减去接收端接受到数据包总数比上发送的数据包;时延指一个报文或分组从一个网络的一端传送到另一个端所需要的时间;抖动(以秒为单位)是指变化的时延。抖动大多起源于网络中的队列或缓冲,尤其在低速链路时。抖动反应了网络的稳定性。
2 模拟仿真
总体系统性能通过不同类型的车辆网络应用的具体性能来体现。为此最重要的重点是V2V和V2I在现实的城市仿真环境中的数据丢包率、数据速率、时延和抖动。对所有场景,对上述绩效评估指标(DLR,数据速率,时延和抖动进行了分析。
2.1 No Burst(突发)模型
在视频流服务环境中,重要的是要保持DLR阈值低于1%,视频流服务的质量要求用户满意。此外,视频流的性能很大程度上取决于时延和抖动。最大可接受的视频数据包时延设置为150ms,最大允许抖动是50ms。对于交通控制数据,因为大多数的应用程序都是特别紧急的,必须在100ms和500ms之间的端到端时延。
2.2 Burst恢复机制
Burst是在无线通信系统用于减少或防止数据损失的通信技术。这是通过连续发送相同的包在特定的时间框架内。从本质上说,如果一个原始数据包丢失,其他多余的数据包将带着相同的信息到所需的目的地。
3 总结
智能交通系统通过提高交通效率,安全,舒适和减少排放在未来交通中发挥至关重要的作用。这样的系统依赖于先进的移动和无线通信技术来满足不同车辆应用程序的需求。在本文中,一个综合IEEE802.11p VANET和LTE异构车载网络在城市环境中的应用。系统性能通过数据丢包率,数据速率,时延和抖动进行评价。
参考文献
[1]徐哲鑫,蔡苓玲,林潇,吴怡.VANET/LTE-Advanced异构网络中基于协议序列-IEEE 802.11p的信道接入机制[J]电信科学,2015(09).
[2]Hossain,E.,et al.(2010)Vehicular Telematics over Heterogeneous Wireless Networks:A Survey.Computer Communications,33,775-793.http://dx.doi.org/10.1016/j.comcom.2009.12.010.
VANET网络 第2篇
关键词：车载自组网,MANET,路由协议,SUMO
0 引言
随着交通业的飞速发展, 道路上车辆数目激增, 道路交通安全形势已日趋严峻。在过去10年间, 大量的国内外研究均致力于通过发展车辆驾驶辅助系统来解决交通安全问题, 这一系统能够准确及时地感知周围交通和车辆情况, 并在危急时刻向司机发出必要提醒。VANET (Vehicular Adhoc NETwork, 车载自组织网络) [1]即是相关的最重要研究成果, 并已在ITS (Intelligent Transportation System, 智能交通系统) 中发挥着高度重要的智能引导作用。VANET的预定目标是作为未来ITS的基础部分, 能够通过车与车之间、车与路边节点之间的通信构成统一的无线通信网络, 既可用于传递辅助驾驶或避免事故的实时信息, 更可提供娱乐信息、网络接入等升级服务。具体地, VANET一个典型的实例应用则如图1所示。
作为一种特殊的Ad-Hoc网络, VANET与移动自组网 (Mobile Ad-hoc Network, MANET) 相比较而言, 其相通之处在于, VANET可称作MANET的一种延伸应用, 因其基本架构相同, 且同样具有无基础设施、多点式跳跃连接和动态拓扑等特性[2], 这就决定了VANET能够借鉴并使用大量已有的MANET路由协议。但VANET同时却又表现出很多区别于MANET的不同特点, 诸如网络规模大、车辆节点运动轨迹被严格限制在道路中[3], 网络密度极不均匀, 网络状况更易受时间、空间等因素影响、且其节点的快速移动速度将导致网络拓扑结构变化更为频繁等[4], 为此将VANET与MANET特性对比列于表1。更进一步地, 也将需要重新评估MANET中路由协议在VANET场景下的适用程度。
1 MANET路由协议介绍
1.1 动态源路由协议
动态源路由协议 (Dynamic Source Routing, DSR) 为反应式 (Reactive) 路由协议, 即当源节点S并不知道通往目的节点D的路径并且需要向节点D发送数据的时候, 节点S便启动路由发现过程, 而源节点广播路由请求消息 (Route Request, RREQ消息) 。此时每个节点均在其向前发送的RREQ消息上附加自己唯一的标识符[5]。
1.2 目的节点序列距离矢量协议
目的节点序列距离矢量协议 (Destination Sequenced Distance Vector Routing, DSDV) 是一种点到点距离向量路由协议。其中, 每个节点只是维持一跳到两跳内的相邻节点之间的区域信息, 而不需要知道整个网络的全局拓扑结构, 如此则有可能出现路由环路问题[6]。并且, DSDV亦是先应式 (Proactive) 路由协议, 每个节点需维护自身知道的所有目的节点的路由表, 因而所有节点都要定期更新自身路由表。这就使得在整体网络拓扑没有变化的时候, 为了维护路由表, 仍然会存在一定的网络开销, 因此就可能需要维护一些尚未使用过的路由。距离矢量选路的经典算例则是BellmanFord算法, 对其实现可做如下描述:
(1) 初始化。每个节点记为G, 所有直接相连的目的地记为N, 路由表中的记录可用三元组 (N, G, O) 加以表示, 即从G点到N点亦无需经过路由转发;
(2) 节点G需要定期发送其路由表至相邻节点, 并同时更新信息中对应每一个目的地N, 此时可用一个三元组 (N, V, D) 进行表示, 即从G点出发到目的节点N的路径上下一跳节点可记为V, 而G到N的跳距则记为D;
(3) 当节点G收到G’送来的路由信息时, 更新信息中的每个目的节点, 并在G的路由表中查找对应的记录, 设为 (N, V, D) , 而更新信息后的三元组则设为 (N’, V’, D’) ;
(4) 如果在新三元组中找不到相应的记录, 就在G的路由表中增加一项 (N, G’, D’+C) ;
(5) 如果V=G’, 则G点的路由表对应的记录将随之而更新为 (N, G’, D’+C) ;
(6) 否则, 比较D’+C和D:
(7) 如果D’+C
(8) 否则, 继续保持G点中的路由表不变, 即仍旧记为 (N, V, D) 。
1.3 无线自组网按需平面距离矢量路由协议
DSR协议在每个分组消息的首部都包含了源路由信息, 然而当首部信息过大, 特别是当数据分组中的有用信息相对较少时, 就必然会带来严重的性能损失, 并将降低性能表现。而无线自组网按需平面距离矢量路由协议 (Ad-hoc Ondemand Distance Vector Routing, ADOV) 则通过对每个节点相应维护路由表的方法来改进DSR的性能, 因此数据分组将不再需要包含路径的信息。同时, AODV只是保留了DSR协议中维持需要通信节点之间的有效路径, 并采用类似DSR中构建的向前发送路由请求消息 (RREQ消息) 的方式, 就是当一个节点接收到来自上一个节点所发送的RREQ消息, 而且又再次广播一个路由请求消息的时候, 也将同时建立起一条指向源节点的反向路径 (AODV假定链路是双向的对称链路) 。当RREQ消息到达目的节点的时候, 就将沿着由RREQ消息建立路径的反方向回传一个路由应答 (Route Reply) 消息, 即RREP消息[7]。
2 MANET路由协议在VANET中的研究
2.1 实验平台搭建
本文先是利用开源地图网站Open Street Map上公布的美国旧金山湾的电子地图, 构建真实道路网作为仿真场景, 同时搭建以SUMO (Simulation of Urban MObility) [8]、MOVE (Mobility model generator for Vehicular networks) 和NS2 (Network Simulator version 2) 为核心的VANET仿真实验平台。具体地, SUMO是一个微观、连续的道路交通仿真软件, 主要由德国宇航中心开发。而MOVE则是一个方便用户对VA-NET进行模拟, 并快速生成理想流动模型的免费软件。此外的NS2将作为底层的网络仿真器。本实验平台可通过SU-MO构建真实城市道路和节点移动模拟模型, 同时模拟出正确的车辆运动轨迹。而为了测试不同路由协议的性能指标, 即需仿真车辆节点间的信息交换。并且将该模型编写Tcl脚本导入NS2, 再通过分析生成的trace文件, 由此就分别测试了在不同车辆密度下的三种MANET路由协议 (AODV、DS-DV和DSR) 的分组成功传输率 (Packet Delivery Ratio, PDR) 、归一化路由负载 (Normalized Routing Load, NRL) 和平均端到端延时 (Average End-to-end Delay, AEL) 。
2.1.1 SUMO的安装
(1) 准备工作
(1) Gcc, (2) G++, (3) Gdal proj xerces-c,
(4) Libfox-1.6-dev, (5) Libgdal 1.7.0。
(2) 安装
(1) 进入SUMO执行configure, 具体代码如下:
(2) Make;
(3) Make install。
鉴于本文需要用到MOVE软件, 为此选择了SUMO 0.12.3版本。
2.1.2 地图的处理
登陆Open Street Map, 裁剪合适的地图, 对应效果如图2所示。
下载对应的osm文件, 再对其进行转换:
netconvert--osm-files
download.osm.xml-o download.net.xml
2.1.3 地图的导入
通过将修改后的地图文件导入SUMO运行, 该过程如图3所示。
放大后即可显见具体交通灯和车道等, 放大后的效果则如图4所示。
2.1.4 路径的生成
根据详细设计中的random Trips.py与DUAROUTER脚本生成已知地图文件的车辆运动轨迹。对应语句为:
/random Trips.py-n cabs.net.xml-r cabs.rou.xml
得到对应的trips文件, 再接着构建对应的routes文件。具体过程为:
duarouter-n cabs.net.xml-t cabs.trips.xml-o cabs.rou.xml--repair
--randomize-flows
--continue-on-unbuild
生成路径时, 需要考虑到地图裁剪的不完整性, 即要添加后面的修复参数, 以及忽略错误的参数。
2.1.5 生成configure文件
其中, input域定义了地图network文件与车辆routes文件的位置。Output域则定义了运行后产生的trace文件与各类info文件的位置。该段程序中还涉及到时间time域与reports域。
2.1.6 开始模拟
运行2.1.5中的configure文件, 得到simulation工程, 放大至街口即如图5所示。
由于此时车辆之间并未发生通信, 环境搭建模块也仅仅模拟了车辆的流动过程, 为其后的仿真模拟提供了必要且有效的研究基础。
2.2 仿真模拟
2.2.1 控制车辆数量
由SUMO的configure文件可知, 其中设定了该文件的time域。在这里, 由于模拟的tcl编写规则是在1s内新建若干个车辆节点, 因此可以通过控制simulation的时间来间接控制车辆数量。
2.2.2 控制通信路由协议
通过更改tcl脚本内的rp (routing protocol) 项, 来变换不同的路由协议。各种路由协议的实现方法可具体详见NS2系统配置文件。
2.2.3 tcl脚本
网络试验参数如表2所示。
根据具体的tcl语法编写脚本, 即可完成车辆运动与车辆间通信的过程。
2.2.4 运行脚本分析trace文件
运行脚本后, 通过NAM工具就可形象、直观地将车辆运动及通信展现出来, 局部结果如图6所示。
根据仿真过程, 还需分析三种路由下的四种车辆密度, 共得12个trace文件的PDR、NRL与AEL参数。并且, 为了减少偶然误差, 每组实验将重复多次, 再对实验结果求取平均值。其下, 即给出本次仿真的实验结果分析。
3 实验结果及分析
3.1 路由性能指标介绍
(1) 分组成功传输率 (Packet Delivery Ratio, PDR) , 表示所有源节点发送的CBR分组总数与所有目的节点接收的CBR分组总数之比。分组成功传输率表征了路由协议的业务分组投递能力, 值越高说明协议的选径能力越强, 传输路径的稳定性也就越好。
(2) 归一化路由负载 (Normalized Routing Load, NRL) , 表示成功发送一个CBR分组所需发送的平均路由控制分组数量。归一化路由负载指标体现了路由协议投递业务分组的效率, 可以用来评估路由开销。该值越小, 表明投递单位数量业务分组所需要的路由协议控制分组越少, 相应地路由开销也就越小。
(3) 平均端到端延时 (Average End-to-end Delay, AEL) , 表示目的节点接收分组与源节点相应分组发送时间的平均差值。平均端到端延时指标表征了路由协议投递业务分组的及时程度, 该值越小, 说明路由协议将业务分组发送到目的端的速度则越快。
3.2 实验结果
3.2.1 分组成功传输率 (PDR, Packet Delivery Ratio)
在图7中, AODV协议作为DSDV路由与DSR路由的一种结合, 借鉴了DSDV的逐跳路由、定期维护以及DSR的路由发现策略, 因而PDR较高, 但随着车辆密度变大, 车辆间的无线碰撞冲突必将加剧, PDR则会有所下降。
作为一种表驱动路由协议, DSDV在车辆运动时剧烈变化的拓扑环境中, 即需要不断地更新路由表, 就会经常中断路由链路, 这就使得数据分组的PDR相应地较低。
3.2.2 标准化路由负载 (NRL, Normalized Routing Load)
从图8可见, 总体上DSDV协议的NRL最高, AODV次之, DSR最低。理论上, 随着车辆数的增多, NRL应该有所增加, 但是实验中的模拟车辆数量较为有限, 为此导致了增加到一定程度后NRL趋于平缓的现象。
具体地, DSDV需要定期广播路由链路信息, 这就增加了网内packet流量, 故路由负载较高。而AODV作为借鉴DS-DV定期维护的路由协议, 路由负载则次之。相较而言, DSR就是三者中的最低。
3.2.3 端到端延时 (AEL, Average End-to-end Delay)
这一实验进行了多次, 实验结果均为AODV与DSDV基本相同, 只是后来增加实验次数才得到了如图9中所示的略微差距。由图9可知, DSR的延迟最高, AODV与DSDV则略次之。
经过分析可知, 由于DSR是源路由方式, 就需要遵循路由发现策略, 这就使得延迟最大。与其类似, AODV借鉴了这种策略, 因此AODV次之, 而DSDV则是最低。
综上所述, 现将三种路由协议在VANET中的各自实验结果列成表格, 具体如表3所示。
4 结束语
本文首先对MANET和VANET进行分析对比, 并对MA-NET中三种路由协议DSR、DSDV和AODV展开了分析论述, 然后用构建实际真实道路网作为仿真场景, 同时基于SU-MO、MOVE和NS2对运动的车辆进行模拟, 基于此又对车辆间的通信进行了仿真。仿真过程研究了三种MANET路由协议在不同车辆密度下的PDR、NRL和AEL性能, 对其结果分析表明, 三种路由协议虽然各有利弊, 但在VANET中却基本上都能适用, 只是由于VANET具有节点移动速度快、移动模式受道路制约等特点, 路由协议在传输数据时易受到连接保持时间短而中断的困扰, 为此保持车联网环境下节点连接时间, 将是下一步新路由设计的重点和难点。
参考文献
[1]常促宇, 向勇, 史美林.车载自组网的现状与发展[J].通信学报, 2007, 28 (11) :116-126.
[2]WANG B, YAN B, YUAN D H.The basic study of the features of the ad hoc nodes mobility model[J].Journal of Sichuan University, 2006, 42 (1) :68-72.
[3]魏达, 王沿锡, 王健, 等, 车载自组网移动模型综述[J].计算机学报, 2013, 36 (4) :677-698.
[4]中国车联网产业技术白皮书 (2011) .中国车联网产业技术创新战略联盟, 2011:2-8.
[5]PERKINS C, BELDING-ROYER E, DAS S.Ad hoc On-Demand Distance Vector (AODV) Routing[S].IETF RFC 3561, 2003.
[6]PERKINS C E, BHAGWAT P.Highly dynamic destination-sequenced distance-vector routing (DSDV) for mobile computers[C]//ACM SIGCOMM Computer Communication Review.ACM, 1994, 24 (4) :234-244.
[7]JOHNSON D, MALTZ D, HU Y C.The Dynamic Source Routing Protocol for Mobile Ad hoc Networks (DSR) [S].IETF Internet Draft, draft-ietf-manet-dsr-10.txt, 2004.
VANET网络 第3篇
车载网络(Vehicular Ad Hoc Networks,VANETs)[1]是移动自组织网络(MANET,Mobile Ad Hoc Networks)的一种,由兼具终端和路由功能的车辆节点,通过无线链路形成无中心、多跳、临时性自制系统,不仅突破了传统无线蜂窝网络的地理局限性,而且能更加快速、高效、便捷的灵活部署,同时可以提供强大的实时交通数据信息,改善驾驶员的安全驾驶环境,减少交通事故伤亡人数以及缓解交通拥塞。
由于在现实世界中评测VANET的性能面临耗资巨大等因素的影响,所以目前对于VANET的研究工作主要依赖于仿真。虽然,随着研究的不断深入,现今的车载网络仿真环境相比早期的随机移动、圆形通信区域以及无干扰环境已经有了非常显著的进步,但是面临的主要问题依然是如何更准确的反映现实世界中车辆的移动特性以及外界环境的影响。
现今的车载网络仿真,主要包含三大模块:移动模型、网络模型以及信号传播模型。移动模型作为车载网络仿真的关键组成部分之一,是真实车辆的运动描述,用以反映车辆节点的移动方式。本文论述了车载网络移动模型的发展历程和研究现状,对VANET移动模型分类进行分析,探讨了VANET移动模型存在的问题以及未来的发展前景。
2 移动模型概述
由于车辆的移动性对VANET的网络拓扑结构有着显著的影响,所以在车载网络仿真研究中特别需要能够反映车辆交通真实行为的移动模型。
在建立移动模型的早期,人们更偏好随机移动模型[2],但是由于其随机性(比如方向)使随机移动模型难以模拟比较真实的车辆运动场景。后来研究人员引入地理空间约束,构建基于图的移动模型GBMM[3](Graph-Based Mobility Model)。但是,GBMM中车辆节点的速度产生后恒定不变,无法体现车辆之间的对于速度的相互影响,基于此问题,Seakar等人提出移动模型FTM[4](Fluid Traffic Model),控制车辆行驶速度随车流密度的增减做相应的变化。Bettstetter等人考虑到车辆的运动状态具有连贯性,提出了平滑移动模型SMM[5](smooth mobility)。Trieber等人则综合考虑了车辆行驶状态以及车辆之间的交互影响,提出智能驾驶员模型IDM[6](Intelligent Driver Model)。
现今,对VANET移动模型的构建主要基于IDM模型进行拓展。如交通仿真器Vanet Mobi Sim,为了在岔路口附近获取更贴近真实的车辆驾驶行为描述,Vanet Mobi Sim在IDM模型的基础上对达到岔路口的车辆进行交通规则约束,通过交通标志以及其他车辆状态控制车辆的行驶行为。
3 VANET移动模型分类
根据范围和特性功能,通常将VANET移动模型分为5类[7]:随机模型、车流模型、交通模型、行为模型以及基于踪迹(trace)的模型。
随机模型:车辆的移动是随机的,车辆节点的方向、速率等参数从随机过程中采样。因为实现简单且容易再现结果,所以在车载网络发展初期作为仿真测试的主要选择。但是由于车辆的移动具有其固有特性,且受到道路约束以及交通规则的约束,所以目前已经很少采用随机移动模型对车载网进行车辆移动的建模。
车流模型:现实中的车辆移动受到多方面因素的影响,车流移动模型通过模仿自然现象,把车辆的移动性建模成车流,其研究方向主要从微观、宏观、介观三个方面进行考虑。微观建模主要反映车辆间交互影响(比如与前车需保持安全车距),典型的微观车流模型是车辆跟随模型(car following models,CFM)。宏观车流模型借鉴流体动力学的理论,可以反映车辆移动的总体特征,并极大地减少计算量。介观模型是对微观模型和宏观模型的折中。目前的车载网络路由协议仿真普遍选取微观车流模型。
交通模型:交通模型主要针对行驶至岔路口的车辆的交通规则执行。其运动模型主要分为旅途模型和路径模型。路途模型对当前位置与目的点位置的移动进行建模,而路径规划通常基于最优化函数,比如最短行驶距离,所需的行驶时间最短,或者相对而言最畅通的道路等,根据行驶状况建立可拓展的动态算法。目前对于路径选择,大多采用Dijkstra图算法。
行为模型:人类行为具有极大的复杂性,不会在所有情况下都遵循理想化的特定行为反应。根据人类行为理论构建的行为移动模型,除了考虑对刺激的响应模式和物理影响,也会考虑社会关联关系甚至人工智能的学习过程,以便更好的近似模拟人类的运动模式。缺点的计算量过大。
基于踪迹(trace)的模型:通过收集车辆运动轨迹信息,提取通用的运动模式。但是推测通用运动模式过程极为复杂,推测所基于的数据并不全面,且仅能提供粗粒度的移动性描述,这导致其结果应用范围并不广泛。
4 实际车辆移动模型架构
移动模型的性能主要取决于三个方面:车辆的移动模式、车辆间的相互影响以及对交通规则的执行。车辆的移动模式包括道路对车辆的约束,车辆的基本行驶速度、加速度,对到达目的地的路径选择等;车辆间的相互影响主要体现在前车对当前车辆速度影响,例如在车辆拥挤状态下,保持安全车距跟随前车行驶。而交通规则的执行主要是根据车辆所通过的岔路口交通灯信号或路标进行车辆行驶控制。为了创建更贴近真实车辆运动模拟器以适应特定的应用场景,研究者们提出了真实车辆移动模型的全功能概念视图,如图1所示。
在图1中,移动模型分为了两大主要模块:运动约束和交通生成器。运动约束由拓扑地图和交叉路口管理构成,体现了多车道车流、吸引点/排斥点以及道路障碍对车辆行驶速度的影响。其中吸引点指的是车辆移动至相似的目的点所在地,排斥点指的是车辆出发以相似的起点所在地。而交叉路口管理是对交叉路口的交通规则执行进行建模。交通生成器由车辆生成器和驾驶员生成器构成。车辆生成器定义了车辆的类型以及车辆生成的初始位置。驾驶员生成器主要体现驾驶员与环境之间的交互。时间模式主要用以描述不同时间段的车流密度,比如上下班高峰期道路拥挤状态或者凌晨道路车辆稀疏等状态。外部影响用以主动建模一些运动模式,比如交通事故,临时道路施工等。
5 探讨与展望
VANET作为一种新兴的技术,近年来广泛受到研究机构和企业的关注。目前,车载网络的发展还处于萌芽阶段,并没有形成完整的产业链条和业界标准,无论是软件还是硬件,各大汽车厂商各自为战,其技术研究成果仅加载在自家品牌的高级车辆,各品牌车辆之间的车载通信并不兼容,很难构建大规模,可多次重复的现实评测场景。VANET的性能评测依旧严重依赖于仿真测试。
对车辆移动模型的建模,其直接目标是对车辆移动性对车载网络和应用协议的评估。在现实环境中,高速行驶中的车辆的精确定位、对信号传输造成衰弱或阻断的无线通信障碍都是需要考虑的问题。对于车载网络仿真来说,移动模型是其关键组成部分之一,网络模拟以及信号传播控制之间的相互融合达到每个参数都能有效的影响其他组成模块的效果是车辆移动建模未来发展的方向。
6 总结
VANET的运动模式具有高移动性和自由度受道路约束等特点。对于车载网络的仿真测试,要求所使用的移动模型能够尽可能的反映真实情况的车辆运动模式。本文根据范围和特性功能,探讨了VANET不同分类的移动模型特点,介绍了真实车辆运动模式应该遵循的架构,并简要讨论了目前VANET的发展状况以及未来可能的发展趋势。
摘要：车载网络(VANET)在解决行车安全和提升交通效率方面有着良好的前景,但是由于构建真实场景进行性能测试将面临成本高昂、复杂的技术问题以及众多外界因素影响等问题,所以对VANET性能进行研究分析严重依赖于仿真测试。车辆作为车载网络移动节点,其移动性对VANET的网络拓扑结构有着显著的影响,在仿真测试中根据场景需求构建能恰当反映车辆移动特征的移动模型尤为重要。该文对现有的VANET移动模型进行分类分析,并探讨了真实车辆运动模式所遵循的架构。
关键词：车载网络,移动模型,交通模拟
参考文献
[1]Hassanabadi B,Shea C,Zhang L,et al.Clustering in vehicu-lar ad hoc networks using affinity propagation[J].Ad Hoc Net-works,2014,13:535-548.
[2]魏达,王沿锡,王健,等.车载自组网移动模型综述[J].计算机学报,2013,36(4):677-700.
[3]Tian J,Hahner,Becker C,Stepanov I,Rothermel.K.Graph-based mobility model for mobile ad-hoc network simulation.Proceedings of the 35th Annual Simulation Symposium[C].San Diego,California,USA.2002.337-344.
[4]Seskar T,Marie S,Holtzman J,Wasserman J.Rate of locationarea updates in cellular systems.Proceedings of the VehicularTechnology Conference[C].Denver,CO,USA.1992(2):694-697.
[5]Bettstetter C.Smooth is better than sharp:A random mobilitymodel for simulation of wireless networks.Analysis and Simu-lation of Wireless and Mobile Systems[C].New York,Ameri-ca.2001.19-27.
[6]Trieber M,Hennecke A,Helbing D.Congested traffic statesin empirical observations and microscopic simulations[J].Phys-ical Review E-Statistical Physics.2000,62(2A):1805-1824.
VANET网络 第4篇
VANET面临着巨大的挑战[6],针对VANET在通信方面的挑战进行了详细描述。尽管该领域的很多问题都还不确定,但根据之前的研究可以将VANET的主要应用分为两类:辅助驾驶应用和安全应用。辅助驾驶应用的目标是给驾驶者提供舒适、高效的驾驶环境,如交通信息系统、导航系统、道路电子收费系统、地图下载、视频下载、道路游戏、互联网访问等,这些应用在未来将快速发展。安全应用的目标是通过车辆间安全相关信息的交换,提高驾驶者的安全水平。安全信息以文字或声音的方式提供给驾驶者,或者用于安全系统的输入,进行安全性能分析。该方面的应用有:前方车辆事故报警、左右转弯辅助提示、车道变更警告、紧急刹车预警、道路状况提示等。由于该类应用对数据的时延敏感度要求较高,因此要求车辆与车辆间要采用直接进行通信的模式。
1 问题描述
1.1 安全信息分类
任何一种安全应用都要求车辆间信息的交互。将这些消息分为两类:心跳安全消息(Heartbeat Safety Message,HSM)和紧急报警安全消息(Emergency Alarm Safety Message,EASM)。这两类消息对提升道路安全方面起着不同的作用,因此它们所采用的消息分发机制也不同。HSM从其名字中可以看出采用的是一种周期性消息发送机制,主要用于通知车辆状态信息(Vehicle Status Information,VSI),如车辆位置、行驶速度、行驶方向、加速度等,可以避免近距离的车辆车道变更、紧急刹车、错误的左右转弯等带来的危险,同时HSM也用辅助路由寻径。紧急报警安全消息则用于已发生紧急事件的通报如:道路上特定路段上的交通事故、冰面、道路塌方等。从事故发生的时效性来看,通过HSM的发送可以在近距离事故发生前避免,而EASM是在交通事故发生后通知更多的其他车辆来避免事故的进一步恶化和扩大。EASM是对已有事故的反应,因此其关键是在数据传输方面有着更高的优先级。HSM和EASM相互协同,共同提升道路的安全性,文中对HSM及其发送频率进行探讨,为表述简单,文中所指的安全消息均指心跳安全消息。
1.2 安全水平分析
假设当车辆及时、正确地接收到安全消息后,驾驶员或者安全应用系统能够采取正确措施避免事故的发生,从而达到安全的目的。从安全应用的角度考虑,应当关注的是系统的安全水平(Safety Performance Level,SPL),即能否通过获得安全消息避免事故的可能性。之前很多文章中对都单跳周期性信息的传输可靠性问题进行了探究[9,10,11],从多方面不同的场景中对数据传输率进行了分析,但并没有探讨数据传输率和心跳消息发送频率对安全水平的影响,文中对两者的影响进行分析。
在实际应用中,安全应用的QoS要求和通信层面的QoS有一定区别,下面从宏观的角度将对安全性能和数据传输率之间的关系进行讨论。EASM和HSM的传输对安全的影响不一样,因为丢失一个EASM可能会导致事故,但对HSM来说,它是对先前车辆状态信息的更新,即使丢失一个,仍然可以根据上次的状态信息推测出下一时刻的车辆大致的状态情况。只要能接收到新的HSM,即使丢失一些之前的状态信息也不会影响安全性能。另外,接收方可以根据以前的状态信息建立模型来推测当前信息,作为信息丢失的一种补偿。在进行理论分析后,下面将以交通理论模型中的Free-low阶段中车辆行驶时基于心跳消息的安全应用性能进行分析。
2 模型分析
2.1 场景描述
为说明研究场景,首先引入交通流理论(Traffic Flow Theories,TFT)[12,13]。其主要探讨3个参数之间的关系:车辆密度(Vehicle Density)、流量(Flow)和车速(Speed)。流量f代表单位时间通过观测者的车辆数目;车辆密度k代表单位距离上的车辆数目;车速v是车辆单位时间内通过的距离。通常情况下,交通流不统一,会随着时间和空间的变化而变化,因此讨论的只是平均值或者随机变量的样本值[13]。3个变量平均值之间的关系由以下基础交通流关系表示[12]
f=k·v (1)
图1反应了典型的流量密度关系,从图中可以看出当道路上没有车时车流量为0,达到最大车辆密度时即造成交通拥堵,车辆停止前进,当车辆密度超过一定界限时,交通开始拥堵。
研究高速公路车辆行驶情况时,路上车辆交通可分为两个不同阶段,当车辆密度低时,车辆行驶速度可以非常快。这种状态一直持续到车辆密度增加到一定程度,也就是所谓的临界交通密度k′。这一阶段叫做自由行驶交通阶段(Free-flow Traffic),如图1左侧线段所示阶段。当车辆密度超过k′后,一些车辆就要控制它们的车速来确保安全行驶距离。这一阶段被称为强制车流(也被称为交通拥挤阶段,Congested Traffic),如图1右侧线段所示。此时,如果车辆密度再增加,交通就会陷入阻塞状态,在最糟糕的情况下车辆会完全的停止。在交通理论中每个阶段都有不同的处理方式。从通信的角度看,在自由行驶阶段,维持连通性和多跳路径确立方面是具有挑战性的[8]。然而,在车辆密度大的强制车流的情况下,共享的介质访问方式和避免冲突方面则需要更好的技术来解决。文中只考虑Free-flow阶段,即图1中的左侧线段表示的阶段。
2.2 模型假设
文中考虑在车辆密度较小的情况下,即Free-flow阶段。文献[15～17]对稀疏场景下车辆通信连通性的问题进行了探讨,提出了相应的连通性维持策略,假设在其研究的基础上,考虑在整个移动过程中车辆密度足以满足维持节点之间的连通性。为便于计算,假设车辆速度恒定不变。值得强调的是虽然假设车速恒定不变,但也不能避免交通事故的发生,因此安全消息的传输在此类背景下也有着重要的意义。网络中的节点可以通过一定的手段侦测到网络的负载情况,各个节点正确接收数据包是相互独立的。在该场景中整个网络的负载假设是不会超过门限值造成网络拥塞的情况,在车辆密度稀疏的情况下,采用侦听网络负载和功率控制策略是可以实现这种状态的[14])。数据传输率可以采用式(2)进行求解,即一个周期内接收数据包的数目与发送数据包数目之比
根据上述安全水平分析,安全水平可以用一个安全周期t内至少接收到一个心跳消息的概率来表示
Psafety=1-PAllFailed (3)
根据上述假设各个数据包丢失的概率是相互独立的,得出数据包全部丢失的概率
PAllFailed=(1-Ptransmission)tf (4)
将式(4)代入式(3)得
Psafety=(1-Ptransmission)tf (5)
因此在安全周期t,心跳安全消息发送频率f下的安全水平可以表示为
Psafety(t,f)=1-(1-Ptransmission)tf (6)
2.3 仿真分析
从式中可以看出,在假设数据传输率不变的情况下,安全水平随着tf的增大而增大,在确定的安全应用中安全周期是固定的,因此可以考虑的参数只有心跳消息频率f。为便于仿真,将tf作为整体的参数值进行设置考虑。仿真综合考虑了Psafety和Ptransmission相等的特殊情况,然后再进行3组可能的数值下的仿真,即tf分别为1,2,3,4。仿真结果如图2所示。
(1)安全水平高于数据传输率。从曲线中可以看出,在给定数据传输率的情况下,安全概率均高于数据传输率。验证了基于心跳安全消息的应用中,只要在一个周期内至少成功接收到一个心跳消息即可保证安全性。
(2)在不超过网络负载造成网络拥塞的情况下,Free-flow阶段可以尽可能地提高心跳消息的发送频率。根据假设,在t不变的情况下,相同数据传输率下,较大的f可以获得更高安全概率。
(3)高数据传输率可以提供更好的安全性保证。仿真结果显示,安全概率是数据传输率的单调增函数。从这个层面可以反映出,基于VANET的安全应用的重点集中在如何提高数据的传输率上。
在实际应用中,对式(6)需要给出特定的t和f两个参数,以确定具体的安全性能,为确保道路上整体上的安全性能,应给出安全性能的下限,Pthreshold,使所有车辆都满足Psafety≥Pthreshold。
3 结束语
对基于心跳消息的安全应用性能进行了分析,考虑了单跳数据传输率和心跳消息发送频率两方面因素,建立数学模型并给出了仿真分析。仿真中的参数值仅用于理论分析,具体的安全周期和频率值的设定将用真实的道路场景和VANET相应通信协议来验证。文中只考虑了Free-low阶段的情况,今后将结合Congestion Traffic场景进行分析,即根据道路交通状况,动态调节心跳消息的发送频率,以更好的提高安全水平。
摘要：车载自组织网的目标是尽最大可能为道路行行驶提供安全。为达到该目的,车辆间通信需要充分利用安全消息。文中将安全消息分为两类:心跳安全消息和紧急报警安全消息。引入交通流理论,探讨在Free-low阶段基于心跳安全消息的安全应用。重点分析单跳数据成功传输率和心跳消息发送频率对安全的影响,从概率的角度建立数学模型并进行分析。通过仿真得出结论:提高数据成功传输率可以提高安全水平;在不造成网络拥塞的情况下较高的心跳消息发送频率可以获得更好的安全性。
VANET网络 第5篇
近年来, 随着GPS定位系统和短距离无线通信的发展, 车载自组网VANETs (Vehicular Ad Hoc Networks) 得到广泛的研究。在VANETs中, 信息可在车辆间V2V (Vehicle-to-Vehicle) , 以及车辆和路边设施间V2I (Vehicle-to-Infrastructure) 传递[1]。
基于VANETs, 本文提出支持合乘的去中心化动态叫车系统DVCP (Decentralized Vehicle Calling and Carpooling System Based on VANETs) , 允许行人利用配有短距离无线通信接口的智能手机或平板电脑获得叫车服务, 包括合乘服务 (即有相同方向或相近目的地乘车需求的个体同乘一辆车) 。相比现有的基于呼叫中心的叫车系统, DVCP能让车辆和行人直接交换信息, 实现去中心化、低成本、可扩展的动态叫车系统。此外, DVCP技术不只限于出租车, 也可允许私家车加入。
1 研究背景
目前, 路边招手叫车 (“路抛式”) 是我国城市出租车的主要叫车方式, 尽管出租车电话叫车服务 (电招系统) 90年代已开始出现, 但效果不尽人意[2]。随着智能手机的普及, 目前已有多种叫车软件[3,4], 如:摇摇招车、嘀嘀打车等。这种通过软件叫车的方式需要乘客和司机注册和上网使用, 不仅额外增加了司机和乘客的成本, 而且司机需要时时关注叫车软件, 影响了行车安全。因此本文旨在提出和设计一种更加智能、高效的叫车服务。
车载自组网技术的发展为叫车服务提供了另一种选择。如:文献[5]中提出的叫车系统EZCab, 仅通过车辆间信息转发进行车辆预定, 并提出四种车辆间信息转发的路由算法, 但由于算法过于复杂, 寻找空闲车辆需要较长时间且网络开销较大。文献[6]虽然对EZCab的路由算法进行了改进, 但仍需要存储车辆的大量历史信息, 维护开销较大。文献[7]利用路边通信基础设施实现叫车服务, 但部署成本较大且实现困难, 因此需要进一步改进。
在合乘 (或拼车) 方面, 目前的合乘策略研究主要集中于合乘算法优化[8,9,10,11], 均需借助中心调度单元, 实时性不高。在基于VANETs的系统中, 大部分是借助路边单元进行合乘匹配[12,13,14], 较难实现, 因此本文提出了动态去中心的合乘方式。
2 系统设计
2.1 系统架构
由于路边单元RSU (Road Side Unit) 基础设施目前大规模部署困难, 而随着车载导航设备的大量普及, 使得V2V信息传递成为可能, 因此本文采用V2V的通信方式。
DVCP系统由乘客手持智能终端 (智能手机、平板电脑) 和车载终端 (车载导航设备) 两大实体组成, 两种设备均支持GPS定位。车辆间、车辆与人之间通信均通过IEEE 802.11无线通信协议进行, 所有车辆节点自组织形成车载自组织网络。如图1所示。
2.2 叫车流程
使用DVCP系统进行叫车的流程采用三步握手机制, 整个过程具体为:乘客请求、司机回复和乘客确认三个阶段。如图2所示。
当乘客通过手持终端发送REQ (请求) 给邻近车载终端时, 该请求按所选路由策略, 被多个中继车载终端转发, 直至遇到匹配的车载终端时停止转发, 并进入等待回复阶段。若匹配的车辆司机同意, 该车载终端向请求乘客发送REP (回复) 信息, 告知车辆的当前位置、预计到达时间等信息;乘客收到首个司机回复信息后, 立即发送ACK (确认) 给匹配车辆, 同时告知其他车载终端请求已成功, 请求从缓存中删除原请求消息。随后, 收到确认的匹配车辆驶往乘客所在地, 完成叫车服务。
3 路由算法
由于VANETs具有高速动态变化的特性, 信息从源到目的不存在固定的端到端路径, 需要利用节点移动带来的通信机会寻找下一跳, 因此, 广泛采用以“携带-转发”为核心的路由策略。其中, 最简单的为泛洪方式[15], 该方法不但浪费网络无线带宽和缓存资源, 而且极易引发广播风暴。为此, 文献[16]提出Spray and Wait (SW) 路由协议, 文献[17]在SW基础上提出Spray and Focus (SF) 路由协议。这两种协议均采用限制信息副本转发数量的方法缓解泛洪方式的缺陷。本文基于SW和SF两种方案提出车载环境下叫车服务的路由算法—基于效用的有限副本转发算法。
3.1 信息副本扩散
有限副本策略一般是指将网络中请求信息的数量维持在一定值以内, 具体采用二分法扩散模式, 过程如图3所示。源节点创建请求信息时定义最大令牌数L (假设为8) , 表明最多允许网络中存在的信息副本数, 当该信息转发给下一节点时分给其?L/2」个令牌数, 而本身的令牌数变为「L/2?, 以此类推直到节点中该信息的令牌数全部变为1, 扩散过程结束。之后网络中始终只有L个节点拥有该信息, 当这些节点继续转发信息时, 需将本地信息删除。
当节点信息令牌数等于1时, 进入效用转发阶段。在此阶段信息将转发给匹配成功率更高的节点, 因此需要计算邻居节点的信息效用值, 并选择最高值的邻居节点转发信息。对于回复信息和确认信息, 因有确定的目的节点, 本文不再展开讨论。
3.2 请求条件匹配
接收状态的节点收到请求信息后, 将请求信息与自身信息进行匹配, 若匹配成功则信息不再转发, 否则继续按照路由算法转发给下一节点。请求信息的数据包格式如图4所示, 叫车场景如图5所示。
根据请求条件实现车辆匹配的过程如下:
步骤1判断车辆的行驶方向是否驶向乘客, 当时继续匹配, 反之匹配失败;
步骤2判断车辆类型Vtype。请求信息中Vtype的取值范围为0、1和2。其中1和2分别表示请求出租车和私家车, 0表示所有车辆类型都可以。若车辆类型满足乘客要求, 匹配过程继续, 反之匹配失败;
步骤3判断乘客需要的座位数Nseat, client与车辆能够提供的座位数Nseat, car情况。若车辆座位数能满足乘客的需求, 匹配过程继续, 反之匹配失败;
步骤4若车辆为空出租车且没有行驶目的地, 则不再进行下面的判断, 匹配成功;
步骤5当车辆为私家车或有乘客的出租车时, 需要考虑车辆目的地以及沿途路径, 分a、b两种情况讨论。
a) 计算车辆目的地VD和乘客目的地SD之间的距离为判断目的地相近与否的阈值, 本文设置为200 m) , 匹配成功, 否则进入下一步判断;
b) 乘客的目的地在车辆行驶轨迹附近时, 司机可以沿路搭载乘客。设为乘客所在地SL指向其目的地SD的方向向量, 为车辆位置VL指向其目的地VD的方向向量, θ为的夹角, d⊥为SL与的垂直距离, 当均为阈值常数) , 近似认为司机可沿路搭载乘客, 匹配成功, 反之失败。
其中d⊥和θ分别由式 (1) 和式 (2) 得到。根据本文的仿真场景, 设置为200 m, 因为200 m路长的行驶时间小于1分钟, 便于车辆顺路搭载乘客;设置为10°, 因为在场景中该弧度对应的弧长最长为1500 m, 需要行驶10分钟左右, 这是可以接受的。
3.3 转发效用计算
转发阶段效用值越高表明匹配成功的概率越大。由匹配过程可知, 无目的地的出租车显然比有目的地的车辆更容易匹配成功, 而空余座位数Nseat, car=0时肯定匹配不成功, 因此分成A、B、C三种情况具体讨论。
A) 当车辆满足Vtype=1&Nseat, car=4时没有固定目的, 匹配成功率最高, 效用值应最大且转发给最近的车辆, 故效用值计算如公式 (3) 所示。
其中, ωi≥0为权重系数, 且, dmax是地理上的最远距离 (本文中设置为地理区域的最长斜对角线) 。
B) 当车辆满足Vtype=1&0<Nseat, car<4或Vtype=2&0<Nseat, car≤4时, 有固定目的地和空余座位可以搭载有相同目的地或相同方向的乘客, 故效用值计算如式 (4) 所示。
C) 当车辆满足Nseat, car=0时表示车辆没有空座或司机不愿意搭载乘客, 匹配一定不会成功, 因此需要将信息转发到更远的区域以增大遇到匹配车辆的概率, 故效用值计算如式 (5) 所示。
4 仿真分析
仿真平台采用ONE (Opportunistic Network Environment simulator) 工具, 它是由兰赫尔辛基大学基于Java编写的开源软件。
4.1 仿真场景
实验截取以北京市西直门为中心约6000×6300 m范围的区域, 并进行地图简化得到所需的仿真地图。实验环境只有乘客和车辆两种类型节点。假设乘客位置不变, 只进行发送和接收信息的动作;车辆按照移动模型移动, 同时进行发送、接收转发和确认信息等动作。节点的个数根据仿真的需要变化, 车辆节点根据效用计算的不同分成A、B、C三种类型, 所占的比例为0.1∶0.3∶0.6。车辆的移动速度取10~50 km/h中的随机值, 节点间的通信范围150 m, 请求信息的生存时间为2 min。初始每个移动节点均随机选择目的以及到达目的的路径, 当车辆到达目的或搭载乘客后重新选择目的和行驶路径。
4.2 叫车方式对比
首先对比分析本文提出的DVCP叫车系统与传统路边招手叫车方式在叫车成功率方面的差异。假设招手叫车时, 乘客与空出租车距离50 m以内才能叫车成功。两种方式均在一小时内从某固定地点均匀发出请求信息, 并且由于车辆的随机移动每次实验结果均是10次重复实验的平均值。如图6所示, 可以看出招手叫车的成功率远低于DVCP叫车。由于车辆种类和个数有限, 因此随着请求信息个数的增加, 叫车成功率有减小的趋势, 但是本文中设置的不愿合乘车辆比例较高, 随着系统不断优化, 愿意参与的节点增多, 性能会有更大改进。
4.3 路由算法对比
为了验证本文所使用路由算法的合理性, 选择其他两种传统路由算法与其进行对比:传染路由 (随机选择转发信息给下一个节点) 和效用路由 (基于效用的路由算法, 信息转发给效用值更大的节点, 而不删除本节点该信息) 。各参数的设置不变, 分别对比信息成功交付率、信息从源到目的节点的时延、网络开销以及信息平均经过的跳数, 其中网络开销定义如式 (6) 所示。
仿真结果如图7所示, 由图7 (a) 可以看出三种路由算法的信息成功交付率差别不大, 这主要是由于仿真配置中A、B、C三种车辆的比例固定, 因此在固定时间内能够满足匹配条件的车辆是有限的。但是由图7 (b) 可以看出效用路由和有限副本效用路由的网络开销一直小于传染路由, 特别是随着请求个数的增加, 其开销差距越来越大, 说明基于效用的方式减少了信息的盲目转发, 在请求信息数较多时有限副本的方式会节省更多的网络开销。因为有限副本在开始时将信息扩散到不同方向的随机节点, 增大了节点匹配成功的概率。同时由图7 (c) 可以看出有限副本效用路由时延最小, 即乘客能较快得到回复。由图7 (d) 能够看出基于效用的路由方式跳数远小于传染路由, 尤其在请求信息个数较多时能减小网络负担和节点缓存空间。
总之, 和传统的传染路由相比, 有限副本效用路由在保持信息成功交付率不变的前提下, 在总体上减少信息交付时间约27%, 网络开销最多能减小45%, 信息跳数减少50%, 且随着请求信息个数的增加, 减少量会越来越大。
5 结语
VANET网络 第6篇
车载自组网作为一种新领域, 需要考虑车辆交通安全为首要功能, 有效调度车辆行驶。至今车辆间通信依靠车辆与路边通信, 以避免多普勒效应的影响。然而, 经过一系列的研究, 提出车辆间直接通信, 车辆间的直接通信使得网络拓扑更具多变的特点。车辆来往随时间或者地点都有疏密的变化, 提出了一种智能的自适应网络传输, 即自适应信标率 (ABR) 。自适应的实现需要用到人工智能的模糊逻辑推断算法, 从而得出自适应信标间隔时间。
1 智能自适应信标方案的提出
ABR方案来替代路边基础设施的车辆通信系统, 依据交通状况调节自组网信标产生频率 (beacon/s) 。假设所有的车辆装有用于车辆间信息通信的无线通信设备如全球定位系统 (GPS) 。把VANET网络中的节点进行管理和分类, 与一般以太网相类似, 选取分布节点作为网络的骨干节点。由于不同的节点在分组转发、洪泛的过程中起不同功能, 并且节点占有不同数据资源, 因此, 将网络中纷繁复杂各不相同的节点进行有效的分类, 以便管理网络数据的传输分发, 促进有效传输, 节省资源。并且, 考虑到一个网络的连通和移动节点故障时会影响网络连通, 保证一定的鲁棒性的前提下, 车载的移动网络是瞬息变化的, 数据的传递必须保证时间的实时性。压缩每个节点信息存储, 减少冗余, 减少开销。网络拓扑如图1所示。
1.1 车辆位置与相对距离信息的确定
将部分车辆作为信标, 其余车辆根据与信标相对位置和距离或者跳数等确定自身位置。将信息广播、汇总, 确定车辆疏密度。测距方法使用测量信号接收强度 (RSS) 。依据发送给接收端的信号强度, 通过数据传输过程中传播损耗的计算, 最后, 车辆间距离就可以经无线信号传播理论由传播损耗换算而来。这种技术成本较低。但是, 无线信号的传播是在一个空间大环境下, 受各种可能的背景噪声的影响, 因此, 信号传播测距的精确度也会受影响。另一方面, 因为硬件设备结构简单、成本低廉, 其普遍运用在无线通信。并且, 大部分无线通信设备装有该功能模块, 所以, 根据RSS的测距方法得到车辆间距离之后, 车辆相对位置可应用三边、三角方法得到。
为减少冗余, 采用新的车辆定位方式, 即通过已知位置信息的信标节点, 计算其余节点与信标节点的相对距离, 从而达到定位的目的, 并且减少了信息的存储。由此可知, 选取多的信标节点, 得到的网络开销也大, 显然会造成网络的资源浪费。在设计的定位方法中, 定位精度受到信标节点的分布和数目的影响非常大。
1.2 任意两个节点间关系的预测
基于信号稳定度的自适应路由根据周期性接收到的信号的强度, 将节点的邻居节点简单分为强连接点和弱连接点, 这种分类过于简单, 不利于节点间密切关系的更准确化。
为了计算v节点需要对接收到的来自u节点的信号强度进行周期性取样。公式, 可计算信号强度变化率。
链路生存时间也可用Δsuv表示:其为正值, 则链路生存时间很高, 并且节点正在靠拢, 可简单的将链路生存时间认为很高无需量化。其为负值则相反。
在不考虑其他因素的情况下, 一条路径可能对于完成从源节点到目的节点的给定数量的数据传输是足够稳定的。但是如果该路径上业务流拥塞, 则可能造成稳定性不足以传输给定数据的情况。正常交通中, 根据当前的车辆密度改变信标分布, 提高车辆信标利用率, 减少负载。但是, 当道路突发事故时, 之前根据稀疏的车辆运行而确定的稀疏的信标利用率必须面对大量的车辆距离及安全信息检测, 然后改变信标率。这样会使网络拥堵, 严重的会让网络瘫痪, 对促使车辆安全无任何帮助。使得该自适应方案变成一个严重的问题。那么这个方案就存在弊端了。所以, 在监测车辆运行距离及位置、密度时, 也必须时刻广播车辆危险突发信号。根据这个信号在短时间内改变信标密度, 应对突发的车辆密度剧增的现象。在实际生活中, 道路上车辆运行是多变的。其中存在着一定的危险因素。而车载自组网中, 首要的目的就是保证车辆安全, 即预防意外发生和意外发生后可及时、准确地和邻近车辆广播车辆状态, 防止因意外事故引起的拥堵而继续发生交通事故。车辆的安全状况信息包括许多突发事件 (如交通事故、急刹车等) 。这种情况下, 对有意外事故发生的车辆自组网, 信标率的增加是非常有必要的, 甚至在非常拥堵的情况之下。准确接收意外事故车辆广播信号的车辆合作疏散交通。因此车辆的安全状况是决定车载自组网中信标率的另一个重要的因素。于是, 城市交通中假设存在着不同安全因素的车辆, 用发生意外事故 (emergency) 的车辆与无不安全因素 (non⁃emergency) 的车辆来衡量这些不同安全因素车辆的安全程度。
2 自适应的实现
综上几个因素, 提出自适应方法来控制信标率 (Beacon Rate) 的方法, 而不是简单的在固定时间间隔广播信标。计算出新的信标率之后, 在改变信标数量的过程中, 假如得到的信标率值与当前信标率差值太大, 信标率的骤降或者突长会影响当前信号分发的准确度或者引起信道拥堵降低信号传输的准确度。因此在当前信标率改变过程中, 要防止信标率的突增或突减。于是做出以下的设计, 有车辆位置信息车辆密度以及车辆安全状况, 经决策得到新的要求达到的信标率的值 (BR2) 。而新的信标率 (BR3) 值的计算基于以下公式:
式中:BR1是当前的信标率值;BR2是要求的信标率值, 也是模糊推断的输出值;x是保持BR3的加权值。假如x=0, BR2=BR1说明无需信标率的自适应。相反x=1导致信标率的突增或者突减。这将引起瞬变信道拥堵和准确度的降低。在仿真中, 通过重复试验。设定该值为0.45。得到新信标率值之后, 决定信标间隔时间 (Bea-con Interval Time) , 进而在得出的信标时间间隔内安排发送信标信号。新信标值产生算法如图2所示。
3 决策系统的设计
要求的信标值是由决策推断系统得到的, 因此接下来阐述的就是决策推断系统的设计, 如图3所示。如前所述, 车辆以高速运行, 交通状况也由稀疏到密集不断变化。因此, 许多因素动态地改变信标间隔。以训练集为基础的模式识别人工智能的决策系统在模式分类和决策系统中有着良好的性能, 本文中用来控制信标率。在自组网中, 车辆不清楚怎么样的信标率适合当前的交通状况, 因此, 以5组训练集为例, 车辆稠密度、车辆安全状况作为交通状况的两个特征值, 需要达到的信标率由两个特征值确定, 在训练集的基础上, 应用模式识别的算法得出需要达到的信标率范围。
算法实现如下:
首先假设输出信标率范围再进行细化为1~10信标/秒, 这个值越大产生信标需要的工作周期时间越短。车辆稠密度也分为1~3个等级, 可表示为spare, mdense和vdense。安全状态分为2种即意外事故 (emerge) 和无意外事故 (non⁃emerge) , 需要对不同信标率对应的不同交通特征进行统计。
决策系统具体流程如图4所示。
而神经网络算法缺乏动态处理能力, 算法的稳定性与学习效率成反比;还没找到某一明确的规则确定学习效率的大小, 尤其相对于非线性网络来说, 学习效率的选择更是一个难题;训练过程也可能陷入局部最小, 可以通过变换初始值进行多次训练来解决这个问题, 但又增加了计算的负担;没有有效的方法可以确定网络层数, 太多或太少都会影响系统的性能。
模糊逻辑算法过程实现结果如图5所示。
由两个输入值确定最终的信标率。第一幅图形表示的就是信标率, 第二幅为车辆密度, 第三幅为车辆安全状态。车辆密度与车辆安全状态经由模糊逻辑算法的函数隶属关系, fuzzy运算得到信标率。
4 结论
本文提出基于ABR与车辆交通特点相关的信标频率调整。ABR方法的自适应特点使它适用于稀疏的和稠密的交通情况。在不造成资源浪费的前提下, 又保证信号准确的传输, 即通过ABR提高网络的性能。车辆定位和位置信息推断出车辆密度、车辆安全状态作为车辆通信网络特征及属性决策要达到的新信标率。那么这个方案中车辆安全状况、密度等信息的准确共享和精确传输成为计算信标率的关键, 并影响下一时刻的信标率。最后, 基于一组的规则数据, 用模糊逻辑推断新的信标率控制整个网络数据分发时间周期。
参考文献
[1]TORRENT MORENO M, SANTI P, HARTENSTEIN H.Dis tributed fair transmit power adjustment for vehicular ad hoc net works[C]//3rd Annual IEEE Communications Society on Sen sor and Ad Hoc Communications and Networks.Reston, VA:IEEE, 2007:479-488.
[2]NZOUONTA J, RAJGURE N, WANG G, et al.VANTE routing on city roads using real time vehicular traffic information[J].IEEE Transactions on Vehicular Technology, 2009, 58 (7) :3609-3626.
[3]EENENNAAM V M, WOUTER K W, KARAGIANNIS G, et al.Exploring the solution space of beaconing in VANETs[C]//IEEE Vehicular Networking Conference.Tokyo, Japan:IEEE Communications Society, 2009:1-26.
[4]CUI H Q, WANG Y L.Four mobile beacon assisted localiza tion in three dimensional wireless sensor networks[J].Comput ers and Electrical Engineering, 2012, 38 (3) :652-661.
[5]IQBALAA, MURSHED M.Demand driven movement strategy for moving beacons in distributed sensor localization[J].Proce dia Computer Science, 2011, 4:2226-2235.
[6]GHAFOOR K Z, BAKAR K A, VAN EENENNAAM E M, et al.A fuzzy logic approach to beaconing for vehicular ad hoc net works[J].Telecommunication System, 2013, 52 (1) :139-149.
[7]初国兴, 刘悦.车用自组网的可靠数据分发策略研究[D].济南:济南大学, 2010.
[8]唐宏.钟璐.基于移动信标节点的无线传感器网络定位算法研究[J].信息通信技术, 2012 (3) :51-56.
VANET网络 第7篇
车载自组网(Vehicular Ad Hoc Network,VA-NET)是一种特殊自组网，车辆的高速移动是它的一个特性，高速移动自然导致了网络拓扑结构的快速变化、路径寿命短等问题，现有的无线网络路由协议无法直接应用于VANET。
在传统的按需路由协议[1,2]中，当源节点要与目的节点通讯时，源节点广播一个路由请求(RREQ)，当邻居节点判断自己不是目标节点或没有到目标节点的路径时则继续广播RREQ。这种路由发现的方法称为盲目泛洪。当每个节点都广播一个接收的RREQ的副本，最大数目重播等于N2，其中N是网络上节点的数量。这就极可能会导致过多的冗余，造成信道竞争激烈和过多数据包冲突的密集网络，极大地降低了网络性能。Sofian Hamad等人提出了一个高效的泛洪算法CNRR(Candidat Neighbours to Rebroadcast the RREQ for Efficien flooding in Mobile Ad hoc Network)协议[3]，当节点需要发送RREQ时，先将传输范围内的所有邻居节点分为四个区域，在每个区域内选择一个固定节点作为来转播RREQ的候选邻居，提高了吞吐量，减小了丢包。但是它并没有考虑到链路的稳定性，在VANET场景中路径断裂和路径恢复等过程频繁发生，导致网络中控制消息比重大、带宽消耗大、路由算法性能下降[4,5]。
因此，本文提出一种基于链路生存期的候选邻居的SNRR(Stable Neighbours to Rebroadcast the RREQ for Efficient flooding in VANET)协议。在提高吞吐量和减少丢包率的同时选择更稳定的链路。
1 SNRR协议
SNRR协议目的是设计一种有效的泛洪算法，通过减少争用和相邻节点之间碰撞的几率，消除冗余重传以改善网络性能。假定，每一个节点能够获得其地理位置和速度信息。除此之外，每个节点通过HELLO消息机制共享其与直接相邻的位置信息和速度。本文的SNRR协议建立在AODV协议的基础之上。
1.1 CNRR协议原理
CNRR协议主要是针对在传统路由协议在路由发现阶段的盲目泛洪引起的大量数据包的碰撞和丢失而提出的一种高效的泛洪算法。在路由发现过程中，对于发送端，对于每个需要发送RREQ消息的节点，先将该节点的所有邻居节点按GPS获取到的位置信息分组，定位传输范围内每个邻居在正确的区域的方法如图1所示。
S为发送节点，分区规则如下:
将A节点归到S的1区;
将B节点归到S的2区;
将C节点归到S的3区;
将D节点归到S的4区。
然后计算出每个结点到发送节点的距离，选择最大的作为候选邻居，由于考虑到边缘结点容易脱离发送节点传输范围，候选结点的距离限制在传输范围的80%以内。最后修改RREQ，将每个组的候选邻居节点的地址加入到RREQ中再进行转发。对于接收端，通过判断自己地址和RREQ中的地址来决定路由转发和回复或丢弃等操作。
1.2 SNRR协议原理
SNRR协议是基于CNRR协议的优化，在CNRR协议中，它仅考虑了节点间距离的因素而选出的候选邻居，在VANET场景中路径断裂和路径恢复等过程频繁发生，导致网络中控制消息比重大、带宽消耗大、路由算法性能下降[4,5]，因此路由的稳定性同样需要考虑到。为此，提出链路生存期(Link Expiration Time,LET)对CNRR进行改进，根据当前邻居节点与发送节点相对地理位置和速度关系，计算估计出链路能维持的时间，选出时间最久，也就是最稳定的节点作为候选邻居节点，以此来找出最稳定的路径。
1.3 SNRR路由发现过程
在路由发现的过程中，当节点S需要发送RREQ，它对每个节点进行定位，先将他们分到合适的区域，然后计算每个节点和S之间的链路生存期值，在每个区域内分别选择出一个最大的作为候选节点，最后将所选节点的地址加入到RREQ信息中(RREQ结构如表1所示)，再转播RREQ。
而当节点接收到RREQ时则先判断自己的地址是否在RREQ中，如果否，则直接丢弃RREQ，如果是，则继续判断是否有现存的到目的节点的路径，如果有，则发送RREP回复，如果没有，则进行链路生存期的计算然后转发RREQ。发送端和接收端处理RREQ流程图如图2所示。
1.4 链路生存期
当今的车载GPS或车载导航系统里面大都能提供车辆的位置坐标和速度等信息。基于此，假设一跳传输范围为r，两个节点i,j的坐标分别为(xi,yi)和(xj,yj)，速度分别为vi和vj，速度方向与的夹角分别为θi和θj，那么链路生存期LET估计为:
其中，a=vicosθi–vjcosθj
值得注意的是，在GPS信号缺失或低效率时(例如，由于特定环境导致GPS信号接收不良)，基于GPS信号计算的LET值可以简单地通过多普勒值来取代，多普勒值这方面的工作在文献[6]有详细研究。
2 仿真实验和分析
为了评估SNRR协议的性能，采用NS2来仿真模拟，仿真环境，性能指标和结果在下文给出。
2.1 仿真环境
仿真环境中节点位置，速度大小、方向均由NS2随机生成，变量分别为CBR发送率和数据源连接数，CBR发送率从5开始以步长20依次增加，数据源连接数分别为2,4,6,8,10。具体参数如表2所示。
2.2 性能评估指标
用下面两个指标来对比评估SNRR协议和AODV协议:
(1)吞吐量:在不丢包的情况下单位时间内节点可以接收的数据量。
(2)丢包率:特定时段内丢失的分组站传输的数据总量的比例。
2.3 仿真结果和分析
下文是吞吐量和丢包率随CBR发送率和数据源连接数的变化通过NS2仿真SNRR和AODV协议得到的几组数据的对比，在CBR变化时数据源连接数固定在8个，在数据源连接数变化时，CBR固定在45kbit/s。结果表明，SNRR协议比AODV协议有较好的性能提升。
(1)吞吐量:吞吐量是测量一个网络性能的一个重要指标。它被定义为单位时间内传送的比特数。通过比较不同情况下的网络的吞吐量，能够发现SNRR的吞吐量相较AODV有所提升。因为SNRR先确定稳定的邻居结点再重传，这有效地减少了数据包的重传，重传越少，控制消息消耗的带宽越小，这就降低了资源争用和碰撞的程度，从而导致了相对较高的吞吐量。具体数据如图3所示。
(2)丢包率也是反映网络质量的一个重要参数。通过比较不同情况下网络的丢包率，能够发现SNRR的相较AODV有更小的丢包率。因为首先在SNRR中，通过对RREQ中加入稳定邻居节点地址，最多只有4个邻居节点会广播收到的RREQ，这就能重传率，也就减少了丢包率，而在AODV协议中，每个邻居节点都会广播收到的RREQ，这就有更多数据包的重传，因此数据包的碰撞就更有可能发生，丢包率也就高了。其次，通过链路生存期的优化，所选择的链路具有更高的稳定性，也就减少了链路断裂的可能性，降低了要重新进行路由发现而带来的丢包率的问题。这也就是为什么AODV曲线走势一路偏高，而SNRR却趋于平稳的原因。值得一提的是在丢包率与随数据包发送率的变化曲线中AODV协议呈现的发送率在25时比5更低。经过多次测试均为此趋势，目前尚待研究。具体数据如图4所示。
3 结束语
本文提出了一个改善泛洪过程的SNRR协议。通过GPS获取移动节点的地理位置和速度信息的协助，在没有现存路径，需要路由发现时，SNRR协议选择四个稳定候选邻居节点来转发RREQ，而不是所有邻居都转发收到的RREQ。在减少因泛洪引起的数据包重传次数的同时提升链路稳定性，增强了协议的性能。该算法比AODV有更大的吞吐量和更小的丢包率。
摘要：车载自组网的大多路由协议都使用泛洪算法来传递路由更新包,而基本的泛洪算法会有很高的重传率,高重传率直接会导致数据包的碰撞以及网络的阻塞,这些都极大影响了网络的性能。为此,提出一种高效泛洪算法,在发送的RREQ中包含4个最稳定候选邻居节点的地址,只有这4个节点对收到的RREQ进行转发,其余节点则丢弃。仿真结果表明该算法降低了丢包率,提高了网络的吞吐量。
关键词：车载自组网,路由协议,高效泛洪
参考文献
[1]Das S R,Belding-Royer E M,Perkins C E.Ad hoc on-demand distance vector(AODV)routing[Z].2003.
[2]Johnson D B.The dynamic source routing protocol for mobile ad hoc networks[Z].draft-ietf-manet-dsr-09.txt,2003.
[3]Hamad S,Radhi N,Al-Raweshidy H.Candidate Neighbours to Rebroadcast the RREQ for efficient flooding in mobile ad hoc network[C]∥Wireless Advanced(Wi Ad),2011.IEEE,2011:26-29.
[4]Dhurandher S K,Misra S,Obaidat M S,et al.Efficient angular routing protocol for inter-vehicular communication in vehicular ad hoc networks[J].Communications,IET,2010,4(7):826-836.
[5]Li F,Wang Y.Routing in vehicular ad hoc networks:A survey[J].Vehicular Technology Magazine,IEEE,2007,2(2):12-22.
