不同車輛密度下的車聯(lián)網(wǎng)最大路由跳數(shù)仿真研究*

裴忠惠 杜路遙 紀(jì) 軍 陳 偉，▲ 鄭洪江

（1.武漢理工大學(xué)信息工程學(xué)院 武漢 430070；

（2.武漢理工大學(xué)自動化學(xué)院 武漢 430070；

（3.上海智能網(wǎng)聯(lián)車載終端工程技術(shù)研究中心 上海 200030；

（4.上海博泰悅臻電子設(shè)備制造有限公司 上海 200030）

0 引 言

近年來，隨著智能交通系統(tǒng)（intelligent transportation system，ITS）和自動駕駛技術(shù)的快速發(fā)展，車聯(lián)網(wǎng)（internet of vehicles，IoV）作為其中的關(guān)鍵部分也得到了人們的重要關(guān)注，國內(nèi)提出的智能網(wǎng)聯(lián)汽車概念將車聯(lián)網(wǎng)與智能車技術(shù)結(jié)合，使得車與路能夠更好的協(xié)同工作[1-2]。車聯(lián)網(wǎng)能夠?qū)崿F(xiàn)車與車（Vehicle to Vehicle，V2V）、車與路側(cè)單元（Vehicle to Infrastructure，V2I）的實(shí)時可靠通信，為智能交通和車路協(xié)同提供了網(wǎng)絡(luò)通信基礎(chǔ)[3-5]。

由于車輛節(jié)點(diǎn)快速移動的特性，車聯(lián)網(wǎng)的網(wǎng)絡(luò)拓?fù)浯嬖诟邉討B(tài)地變化特性，傳統(tǒng)網(wǎng)絡(luò)中的路由技術(shù)大多不能夠在這樣高動態(tài)的網(wǎng)絡(luò)環(huán)境中保證良好的通信質(zhì)量[6-7]。針對車聯(lián)網(wǎng)的高動態(tài)特性以及實(shí)際應(yīng)用中的網(wǎng)絡(luò)要求，眾多路由方案被提出。根據(jù)路由技術(shù)所需的信息[8]，可分為基于網(wǎng)絡(luò)拓?fù)涞穆酚蓞f(xié)議，例如無線自組網(wǎng)按需平面距離向量路由協(xié)議(ad-hoc on demand distance vector AODV)；基于地理位置的路由協(xié)議，例如貪婪邊界無狀態(tài)路由協(xié)議(greedy perimeter stateless routing GPSR)；基于地圖的路由協(xié)議，例如地理源路由(geographic source routing GSR)；以及基于路徑的路由協(xié)議，例如車輛輔助傳輸路由(vehicle-assisted data delivery VADD)[9]。

在各種路由協(xié)議中，路由跳數(shù)是一個極為重要的參數(shù)，與鏈路連接性、鏈路可靠性及數(shù)據(jù)包投遞率有著密切聯(lián)系，而在車聯(lián)網(wǎng)這樣一個高動態(tài)多變的網(wǎng)絡(luò)環(huán)境中，其重要性尤為突出。通常不同的路由協(xié)議有其各自的路由跳數(shù)選擇優(yōu)化方案，AODV路由協(xié)議中是從可選的路由路徑中選擇路由跳數(shù)最小的1條路徑進(jìn)行轉(zhuǎn)發(fā)，VADD選擇具有最低延時的轉(zhuǎn)發(fā)路徑。趙海濤等[10]提出一種基于連通概率感知的多跳消息轉(zhuǎn)發(fā)算法，利用所建立的多車道多跳連通概率分析模型，選擇連通概率較高的道路路段和車輛節(jié)點(diǎn)進(jìn)行轉(zhuǎn)發(fā)。張滬寅等[11]結(jié)合了有限頻譜資源調(diào)度研究與最小化路由跳數(shù)的優(yōu)化目標(biāo)，提出一種認(rèn)知無線車載自組織網(wǎng)絡(luò)中的聯(lián)合路由調(diào)度，通過車輛間有效接觸時間和CR頻譜可用概率定義通信鏈路消耗，并提出一種混合啟發(fā)式算法，對有限頻譜資源進(jìn)行調(diào)度，同時優(yōu)化路由跳數(shù)。M.Nabil等[12]利用車輛位置信息、行駛方向和鄰居車輛預(yù)計(jì)停留時間改進(jìn)了位置輔助路由 (LAR),以增加路由生存時間。N.S.Rajput等[13]綜合網(wǎng)絡(luò)的時間、空間和環(huán)境依賴性進(jìn)行鏈路魯棒性地建模和量化，并在此基礎(chǔ)上提出了一種路由選擇策略。

目前針對車聯(lián)網(wǎng)路由跳數(shù)的研究大多為最優(yōu)化路由選擇方案，以最小化路由跳數(shù)、最大化路由生存時間或者綜合考慮多項(xiàng)通信性能指標(biāo)來決定最終路由路徑選擇，但是卻較少針對最大路由跳數(shù)參數(shù)的選擇進(jìn)行研究。最大路由跳數(shù)參數(shù)的設(shè)置限制了路由數(shù)據(jù)包的生命周期，決定著路由路徑所經(jīng)過的中繼節(jié)點(diǎn)的最大跳數(shù)。值得注意的是，即使擁有較優(yōu)的路由路徑選擇策略，最大路由跳數(shù)的設(shè)置依然對網(wǎng)絡(luò)有著較大的影響，過大的數(shù)值可能會過度增加路由開銷，增加網(wǎng)絡(luò)擁堵，降低網(wǎng)絡(luò)的數(shù)據(jù)傳輸率及可靠性；過小的數(shù)值又會導(dǎo)致路由成功率降低，同樣會降低網(wǎng)絡(luò)的數(shù)據(jù)傳輸率及可靠性[14-15]。

車輛密度對于車聯(lián)網(wǎng)網(wǎng)絡(luò)的連通性及各項(xiàng)通信性能有著重要的影響，將道路交通條件與網(wǎng)絡(luò)環(huán)境相結(jié)合能夠更好的發(fā)揮智能網(wǎng)聯(lián)與車路協(xié)同的優(yōu)勢，形成環(huán)境與網(wǎng)路的自適應(yīng)交互。Q.Yang等[14]在中提出一種自適應(yīng)連接感知路由協(xié)議（ACAR），通過統(tǒng)計(jì)車輛密度和實(shí)時車輛密度收集以及文中建立的連接性模型來優(yōu)化路由轉(zhuǎn)發(fā)策略，以最小化分組錯誤率。O.S.Oubbati等[16]提出了在城市車載環(huán)境中使用實(shí)時交通信息的智能路由協(xié)議(IRTIV)，通過周期性的hello消息來收集實(shí)時的交通密度并基于交通密度和Dijkstra算法計(jì)算路段的權(quán)重，選擇具有足夠車輛連接和最短的傳輸路徑，但是在交通密度較低時很難找到轉(zhuǎn)發(fā)路徑。C.Wang等[17]提出了一種用于車聯(lián)網(wǎng)的軟件定義認(rèn)知路由(SDCoR)，利用軟件定義網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)對環(huán)境進(jìn)行感知學(xué)習(xí)，文中用到了車輛密度和速度2個環(huán)境參數(shù)，并設(shè)計(jì)了基于Q-learning的感知路由算法根據(jù)不同的環(huán)境來選擇不同的路由策略。

一般來說，在車輛密度較大的環(huán)境下，節(jié)點(diǎn)之間的連通概率較大，但同時節(jié)點(diǎn)密度過大也容易導(dǎo)致網(wǎng)絡(luò)擁堵現(xiàn)象，相反，在車輛密度較小時，發(fā)生網(wǎng)絡(luò)擁堵的概率較低，但是節(jié)點(diǎn)之間的連通性也會隨之降低[18]。將最大路由跳數(shù)參數(shù)與車輛密度相關(guān)聯(lián)，利用道路交通條件優(yōu)化網(wǎng)絡(luò)建設(shè)，研究在不同的車輛密度情況下，選擇不同的最大路由跳數(shù)參數(shù)對網(wǎng)絡(luò)各項(xiàng)性能指標(biāo)的影響，包括理論分析與仿真研究，為網(wǎng)絡(luò)與環(huán)境的智能交互提供理論基礎(chǔ)。

1 多跳車聯(lián)網(wǎng)系統(tǒng)架構(gòu)

車聯(lián)網(wǎng)作為一個高動態(tài)大型網(wǎng)絡(luò)，包括通信車輛和路邊基礎(chǔ)設(shè)施（roadside units，RSU）2個通信主體，通信方式包括車對車通信和車對基礎(chǔ)設(shè)施通信。目前車聯(lián)網(wǎng)的通信標(biāo)準(zhǔn)大多為單跳通信，在簡化網(wǎng)絡(luò)拓?fù)涞耐瑫r，也降低了網(wǎng)絡(luò)資源的利用率，增加了網(wǎng)絡(luò)建設(shè)的成本，多跳通信是車聯(lián)網(wǎng)發(fā)展的一個必然趨勢。

多跳車聯(lián)網(wǎng)系統(tǒng)架構(gòu)見圖1，路側(cè)單元也可以看作是1個小型的通信基站，車輛可以看作是數(shù)量眾多的移動通信終端。圖1中r為車輛的有效通信半徑（單位：m），RSU的通信范圍通常由于其較大的功率會覆蓋更大，用R表示（單位：m）。車聯(lián)網(wǎng)中多跳通信的優(yōu)勢體現(xiàn)在2個方面：①針對V2I通信，對于RSU的布設(shè)來說，如果僅允許單跳通信，那么其布設(shè)密度要求較高，2個RSU之間必須無縫銜接，這樣才能保證所有車輛均覆蓋在RSU的有效通訊范圍內(nèi)。但是如果允許多跳通信，RSU的布設(shè)密度可以相對減小，例如圖1中RSU1與RSU2可以不相互覆蓋，轉(zhuǎn)而通過它們之間車輛的多跳通信來間接增加其自身的覆蓋范圍。②對于V2V通信而言，例如圖1中的車輛節(jié)點(diǎn)Vs與Vd如果想完成直接通信，僅通過單跳通信方式顯然無法實(shí)現(xiàn)，而通過多跳通信則可實(shí)現(xiàn)。

圖1 多跳車聯(lián)網(wǎng)系統(tǒng)架構(gòu)Fig.1 Multi-hop IoV system architecture.

多跳車聯(lián)網(wǎng)在一定程度上可以增加網(wǎng)絡(luò)資源的利用率，減少網(wǎng)絡(luò)的布設(shè)成本，但是如果網(wǎng)絡(luò)中的跳數(shù)過大，同樣會導(dǎo)致網(wǎng)絡(luò)通信沖突增加，造成廣播風(fēng)暴，降低網(wǎng)絡(luò)的吞吐量，所以對車聯(lián)網(wǎng)最大允許路由跳數(shù)的設(shè)置至關(guān)重要。固定的最大路由跳數(shù)通常不能適應(yīng)車聯(lián)網(wǎng)環(huán)境的復(fù)雜多變，利用車路協(xié)同思想根據(jù)不同的交通車輛密度設(shè)定對應(yīng)的最大路由跳數(shù)，可以改善車聯(lián)網(wǎng)的多跳通信性能，做到真正的智能網(wǎng)聯(lián)。

2 節(jié)點(diǎn)連接性概率及數(shù)據(jù)包投遞率模型與分析

在車聯(lián)網(wǎng)中通信質(zhì)量的評估可以使用多種度量方式，針對網(wǎng)絡(luò)節(jié)點(diǎn)間的最大路由跳數(shù)參數(shù)和車輛密度與節(jié)點(diǎn)連接概率和包投遞率之間的聯(lián)系進(jìn)行理論模型分析。

2.1 節(jié)點(diǎn)連接性概率模型與分析

設(shè)車輛的通信模型為Unit-disk模型，這是最簡易的一種通信模型，即假定車輛的有效通信半徑為R，則只要2車之間的距離小于R即可建立有效通信。設(shè)g(x)為2節(jié)點(diǎn)之間可以建立通信的概率，則

式中：x為2個節(jié)點(diǎn)之間的距離，m。

考慮一種特殊場景下的節(jié)點(diǎn)連接概率與最大路由跳數(shù)及車輛密度的關(guān)系，見圖2，設(shè)車輛在長為Lm的直線路段中，源節(jié)點(diǎn)車輛Vs與目的節(jié)點(diǎn)車輛Vd距離為 x,m，車輛通信范圍為 R,m，且R＜x＜2R。

由圖2中的場景可以看出，增加路由跳數(shù)可以在一定程度上增加節(jié)點(diǎn)之間的連接性概率，例如，源節(jié)點(diǎn)車輛Vs需要與目的節(jié)點(diǎn)車輛Vd建立通信鏈路，在最大路由跳數(shù)設(shè)置為1時，由于車輛間距x＞R，2個節(jié)點(diǎn)之間無法建立通信。最大路由跳數(shù)設(shè)置為2時，源節(jié)點(diǎn)與目的節(jié)點(diǎn)之間可以建立1條可能的通信鏈路Vs→Va→Vd。將最大路由跳數(shù)設(shè)置為3時，源節(jié)點(diǎn)與目的節(jié)點(diǎn)之間可以建立4條可能的通信鏈路，其中1條可能鏈路為2跳通信：Vs→Va→Vd；另外3條可能的通信鏈路為3跳通信：Vs→Va→Vc→Vd，Vs→Vb→Va→Vd，Vs→Vb→Vc→Vd。

圖2 特殊場景下的車輛坐標(biāo)圖Fig.2 Vehicle coordinates in specific scenario

以源節(jié)點(diǎn)Vs為坐標(biāo)原點(diǎn)建立一維坐標(biāo)系，由于道路寬度相對于車輛通訊距離來說較小，故忽略道路寬度對通信距離的影響。在R＜x＜2R的場景下，分析最大路由跳數(shù)及車輛密度對節(jié)點(diǎn)之間的連接性概率的影響。

實(shí)際應(yīng)用中的車輛密度通常由道路傳感器檢測、歷史交通流密度記錄和車聯(lián)網(wǎng)通信中的beacon消息等方式獲取，此處為便于分析，假設(shè)車流量分布服從車輛密度為λ輛/m的泊松分布[19]，則有k輛車分布在長度為x的路段上的概率為

式中：e為自然指數(shù)。根據(jù)泊松分布模型，在長度為Lm的路段上共有車輛λL輛，其中源節(jié)點(diǎn)與目的節(jié)點(diǎn)之間共有車輛λx輛。設(shè)K(R)為長度為R的路段內(nèi)存在的車輛數(shù)量，則R范圍內(nèi)至少有1輛車的概率為

設(shè)h為通信鏈路的路由跳數(shù)，f(h=i)為路由跳數(shù)等于i時源節(jié)點(diǎn)Vs與目的節(jié)點(diǎn)Vd的連接性概率，xi為第i跳中繼節(jié)點(diǎn)的坐標(biāo)位置，即第i跳節(jié)點(diǎn)與Vs之間的距離，且 xi＜x,則設(shè)H為節(jié)點(diǎn)所允許的最大路由跳數(shù)，P(H=j)為最大路由跳數(shù)參數(shù)等于 j時源節(jié)點(diǎn)Vs與目的節(jié)點(diǎn)Vd的連接性概率，則

由于研究內(nèi)容是最大路由跳數(shù)參數(shù)H對節(jié)點(diǎn)網(wǎng)絡(luò)層的連接性概率的影響，故可假設(shè)在一般場景下（即在任意長度的路段，2個相距任意距離的源節(jié)點(diǎn)與目的節(jié)點(diǎn)），f*(h=i)為路由跳數(shù)等于i時源節(jié)點(diǎn)與目的節(jié)點(diǎn)的可能連接概率，P*(H=j)為最大路由跳數(shù)參數(shù)等于 j時源節(jié)點(diǎn)與目的節(jié)點(diǎn)的連接性概率，則

通過所建立的最大路由跳數(shù)和車輛密度的節(jié)點(diǎn)連接性概率數(shù)學(xué)模型不難看出，所允許的最大路由跳數(shù)和車輛密度越大，則節(jié)點(diǎn)之間的連接概率越大。

2.2 數(shù)據(jù)包投遞率模型與分析

包投遞率是指網(wǎng)絡(luò)中成功接收的數(shù)據(jù)包的總數(shù)量與發(fā)送的數(shù)據(jù)包總數(shù)量的比值，能夠直觀地反映網(wǎng)絡(luò)通信質(zhì)量。數(shù)據(jù)包傳輸失敗的原因主要分為2個：數(shù)據(jù)碰撞和物理層數(shù)據(jù)錯誤。首先提出路由跳數(shù)和車輛密度與網(wǎng)絡(luò)層數(shù)據(jù)碰撞率的關(guān)系模型，然后結(jié)合物理層的傳播模型共同建立了路由跳數(shù)和車聯(lián)密度的數(shù)據(jù)包投遞率模型。

設(shè)每個車輛節(jié)點(diǎn)在1個數(shù)據(jù)包持續(xù)時間內(nèi)發(fā)送數(shù)據(jù)包的平均概率為τ，則

式中：Smean為數(shù)據(jù)包的平均持續(xù)時間，s，根據(jù)數(shù)據(jù)包長度獲得；Tmean為數(shù)據(jù)包平均發(fā)送間隔，s；Hmean為平均最大路由跳數(shù)。

另節(jié)點(diǎn)干擾范圍為R，則范圍R內(nèi)同1個數(shù)據(jù)包持續(xù)時間不發(fā)生碰撞的概率Pn為

則單跳碰撞概率Pc=1-Pn，h跳碰撞概率為

由于本文針對包投遞率模型的研究主要為網(wǎng)絡(luò)層最大路由跳數(shù)對其造成的影響，并且路由跳數(shù)的變化與物理層信道無關(guān)，故此處不對信道模型做研究。假設(shè)在DSRC/IEEE 802.11p物理環(huán)境下的信噪比為SINR，且使用BPSK調(diào)制方式，由文獻(xiàn)[14]，其位錯誤率（Bit Error Rate,BER）可表示為

式中：N為重傳次數(shù)。假設(shè)每個數(shù)據(jù)包由t幀組成，則物理層傳輸單跳數(shù)據(jù)包錯誤率PERphy=1-那么對于跳數(shù)為h的路由鏈路來說，其物理層傳輸數(shù)據(jù)包錯誤率為

由此，同時考慮數(shù)據(jù)碰撞率及物理層傳輸?shù)臄?shù)據(jù)包錯誤率，則數(shù)據(jù)包投遞率可以表示為

通過以上建立的車輛密度和最大路由跳數(shù)的節(jié)點(diǎn)連接性概率模型和數(shù)據(jù)包投遞率模型可以較為直觀地反映車輛密度和最大路由跳數(shù)對通信質(zhì)量的影響以及最大路由跳數(shù)與車輛密度之間的聯(lián)系。大的路由跳數(shù)和高的車輛密度均可以增加節(jié)點(diǎn)間的連接概率，同時也會增加數(shù)據(jù)包的傳輸失敗率，由此可以針對不同的車輛密度設(shè)置不同的最大路由跳數(shù)，達(dá)到車路智能交互的目的，并為進(jìn)一步優(yōu)化車聯(lián)網(wǎng)路由算法提供了理論基礎(chǔ)。

3 仿真實(shí)驗(yàn)與結(jié)果分析

使用Veins仿真平臺，利用AODV路由協(xié)議，分析在不同車輛密度下，不同的最大路由跳數(shù)參數(shù)選擇對網(wǎng)絡(luò)的各項(xiàng)性能指標(biāo)的影響。

3.1 仿真環(huán)境設(shè)置

Veins仿真平臺集成了OMNET++網(wǎng)絡(luò)模擬器及SUMO道路交通模擬器，為車聯(lián)網(wǎng)地仿真提供了一套開源的仿真架構(gòu)[20]。由于直線道路上的車輛密度分布簡單，能夠直觀地反映不同的車輛密度下的最大路由跳數(shù)參數(shù)對通信指標(biāo)的影響，首先建立1段長為5 km的直線道路仿真場景，雙向4車道，也可用來代表高速公路場景。然后將仿真實(shí)驗(yàn)擴(kuò)展到一般城市場景，對2 500 m×2 500 m的城市道路區(qū)域進(jìn)行實(shí)時仿真數(shù)據(jù)分析。筆者重點(diǎn)關(guān)注于在同一道路環(huán)境下最大路由跳數(shù)及車輛密度對通信指標(biāo)造成的影響，對直道場景與城市道路場景的環(huán)境差異可在進(jìn)一步的工作中展開深入研究。

為了模擬真實(shí)的車輛模型，在SUMO環(huán)境下設(shè)置4種不同的車輛類型（根據(jù)市場上典型車輛數(shù)據(jù)），包括對車輛的最大速度、車輛加速度、車輛減速度、車輛長度及跟車模型等參數(shù)的設(shè)置，見表1，其中類型A為默認(rèn)類型。同時使用Krauss跟車模型及LC2013變道模型，其中sigma為跟車模型的駕駛員行為因子。車輛以每秒鐘給定的概率隨機(jī)生成，并且從不同的道路位置以隨機(jī)速度進(jìn)入道路。利用對車輛生成概率的設(shè)置，可以粗略地控制車輛的分布密度，并且生成的車輛大致服從泊松分布模型。

表1 4種車輛類型參數(shù)Table.1 Four Vehicle Types with Different Parameters

網(wǎng)絡(luò)應(yīng)用層使用UdpApp，車輛進(jìn)入道路后以0～5 s的隨機(jī)時間進(jìn)行周期地發(fā)送信息，傳輸目的地址從道路中已有的車輛節(jié)點(diǎn)中進(jìn)行隨機(jī)選擇，每個數(shù)據(jù)包的長度設(shè)置為512 Byte。為了實(shí)現(xiàn)可重復(fù)的隨機(jī)性實(shí)驗(yàn)研究，同一場景下的同一組數(shù)據(jù)使用相同的隨機(jī)數(shù)種子，并將幾組不同隨機(jī)數(shù)種子的數(shù)據(jù)取均值作為最終仿真數(shù)據(jù)。網(wǎng)絡(luò)層使用IPV4報文格式，并且使用AODV路由協(xié)議。MAC層和物理層使用802.11p標(biāo)準(zhǔn)，每個節(jié)點(diǎn)的有效通信范圍設(shè)置為300 m。每次仿真運(yùn)行的時間根據(jù)道路長度和車流密度設(shè)置為300～600 s，通過不同仿真情景下的包投遞率、路由跳數(shù)和端到端延遲來評價網(wǎng)絡(luò)的通信性能。

3.2 仿真結(jié)果分析

3.2.1 直道場景

通過控制每個車道的車輛生成率λ（每秒鐘生成車輛的概率，取值0～1）來控制車輛的分布密度，每組仿真運(yùn)行時間為300 s，統(tǒng)計(jì)在不同的車輛密度情況下，不同的最大路由跳數(shù)參數(shù)的選擇對網(wǎng)絡(luò)的平均包投遞率、平均路由跳數(shù)和平均端到端延時的影響。在整個仿真過程中，當(dāng)λ=1時，道路上平均存在的車輛數(shù)量為71輛；λ=0.6時，平均存在車輛46輛；λ=0.2時，平均存在車輛20輛。

由圖3可見，在最大路由跳數(shù)設(shè)置為10及以下時，隨著車輛生成率的增加，包投遞率也會隨之增加，但是當(dāng)最大路由跳數(shù)設(shè)置為15及以上時，車輛生成率由0.2升至0.6時包投遞率隨之增加，而由0.6升至1時導(dǎo)致了包投遞率的降低。這說明在最大路由跳數(shù)參數(shù)數(shù)值較小時，高的車輛密度會增加數(shù)據(jù)包投遞率，但是當(dāng)最大路由跳數(shù)參數(shù)較大時，存在1個車輛密度的閾值。當(dāng)車輛密度低于這個閾值時，包投遞率會隨著車輛密度的增加而增加；但是當(dāng)車輛密度高于這個閾值時，數(shù)據(jù)包投遞率會隨著車輛密度的增加而降低，因?yàn)檫^大的路由跳數(shù)和車輛密度導(dǎo)致了嚴(yán)重的網(wǎng)絡(luò)擁堵。

圖3 不同車輛密度和最大路由跳數(shù)下的包投遞率Fig.3 Packet delivery ratio with different vehicle density and maximum routing hops

還可以觀察到，在車輛生成率一定時，存在1個最大路由跳數(shù)的閾值，當(dāng)最大路由跳數(shù)的數(shù)值低于這個閾值時，增加最大路由跳數(shù)的數(shù)值會增加數(shù)據(jù)包投遞率，但是當(dāng)最大路由跳數(shù)的數(shù)值高于這個閾值時，增加最大路由跳數(shù)的數(shù)值會降低數(shù)據(jù)包投遞率。同時，在車輛生成率一定時，實(shí)驗(yàn)中選擇不同最大路由跳數(shù)造成的包投遞率差異最大可達(dá)約20%，且存在一個最佳的最大路由跳數(shù)參數(shù)使得平均包投遞率最高（例如車輛生成率為0.6時，最佳的最大路由跳數(shù)值為15），并且越小的車輛生成率通常對應(yīng)于越大的最大路由跳數(shù)最佳數(shù)值，這表明可以根據(jù)不同的車輛密度來選擇最佳的最大路由跳數(shù)參數(shù)。

圖4給出了不同車輛密度和最大路由跳數(shù)下接收到的數(shù)據(jù)包的平均路由跳數(shù)?？傮w來說，增加最大路由跳數(shù)的數(shù)值會使平均路由跳數(shù)增加，但是當(dāng)最大路由跳數(shù)和車輛密度均處于較大值時，增加最大路由跳數(shù)的值對平均路由跳數(shù)的增加影響不大，甚至?xí)霈F(xiàn)較小幅度的減小。這是因?yàn)樵谶@種狀態(tài)下網(wǎng)絡(luò)擁堵情況嚴(yán)重，且丟包率會隨著路由跳數(shù)的增加而增加，故雖然增加了允許的最大路由跳數(shù)，但實(shí)際上完成較大路由跳數(shù)傳輸?shù)臄?shù)據(jù)包很少，這種現(xiàn)象在實(shí)時仿真過程中很容易觀察到。另外，在最大路由跳數(shù)一定時，隨著車輛密度的增加，平均路由跳數(shù)總體呈現(xiàn)增加的趨勢，因?yàn)檐囕v密度的增加會增加節(jié)點(diǎn)間的連接概率，為更大的路由跳數(shù)提供了可能性。

圖4 不同車輛密度和最大路由跳數(shù)下的平均路由跳數(shù)Fig.4 Average routing hops with different vehicle density and maximum routing hops

從圖5可以看出，隨著最大路由跳數(shù)數(shù)值的增加，平均端到端延時也會隨之增加。這是因?yàn)槲覀冊诜抡孢^程中計(jì)算的端到端延時為數(shù)據(jù)包生成的時間到被目的節(jié)點(diǎn)成功接收此數(shù)據(jù)包的時間，而當(dāng)最大路由跳數(shù)增加時，AODV路由過程中的可選路徑增加，同時路由過程中的路由請求（Route Request，RREQ）和路由回復(fù)（Route Reply，RREP）數(shù)據(jù)包也會增加，進(jìn)而增加了路由過程中的決策時間。并且平均路由跳數(shù)的增加也會增加一定的數(shù)據(jù)包端到端延時。

圖5 不同車輛密度和最大路由跳數(shù)下的端到端延時Fig.5 End to end delay with different vehicle density and maximum routing hops

3.2.2 城市道路場景

為將研究擴(kuò)展到一般場景，選擇2 500 m×2 500 m的城市道路區(qū)域進(jìn)行實(shí)時仿真數(shù)據(jù)分析，包括紅綠燈、建筑物等道路環(huán)境地設(shè)置，仿真時間為600 s。

圖6為仿真過程中記錄的道路中實(shí)時存在的車輛數(shù)量，圖7為實(shí)時仿真過程中設(shè)置不同的最大路由跳數(shù)參數(shù)對應(yīng)的包投遞率，可觀察不同仿真時間道路中存在車輛的數(shù)量對應(yīng)的包投遞率。為便于觀察，我們對仿真過程中數(shù)量過大的包投遞率數(shù)據(jù)做了窗口平均和指數(shù)加權(quán)平均處理?？梢钥闯?，在約180 s之前，即道路中的車輛數(shù)量約低于85輛時，最大路由跳數(shù)參數(shù)越大，數(shù)據(jù)包投遞率越大；而在180 s之后，即道路中的車輛數(shù)量約高于85輛時，最大路由跳數(shù)參數(shù)越小，數(shù)據(jù)包投遞率越大。

圖6 實(shí)時車輛數(shù)量Fig.6 Number of vehicles in real-time

圖7 實(shí)時數(shù)據(jù)包投遞率Fig.7 Packet delivery ratio in real-time

圖8 和圖9分別列出了城市道路場景仿真過程中的實(shí)時路由跳數(shù)和端到端延遲，由于實(shí)際數(shù)據(jù)量過大，圖中顯示的數(shù)據(jù)已經(jīng)過窗口平均和指數(shù)加權(quán)平均處理?？梢钥吹?，在仿真開始約200 s前，由于車輛密度較小，最大路由跳數(shù)設(shè)置越大，實(shí)時路由跳數(shù)越大；在200 s之后隨著車輛密度的增加，最大路由跳數(shù)為30時的實(shí)時路由跳數(shù)低于其他2組數(shù)據(jù)；在約250～450 s車輛密度最大的區(qū)間，最大路由跳數(shù)為10的實(shí)時路由跳數(shù)大于最大路由跳數(shù)為20時的實(shí)時路由跳數(shù)；在450～600 s之間，車輛密度稍降時，最大路由跳數(shù)為20的實(shí)時路由跳數(shù)大于最大路由跳數(shù)為10時的實(shí)時路由跳數(shù)。這種現(xiàn)象是由于車輛密度和最大路由跳數(shù)均過大時導(dǎo)致了多跳轉(zhuǎn)發(fā)的成功率降低，實(shí)際成功傳輸?shù)臄?shù)據(jù)包多為轉(zhuǎn)發(fā)跳數(shù)較小的數(shù)據(jù)包。圖9中的實(shí)時端到端延時整體隨最大路由跳數(shù)的增加而增加，與直道場景結(jié)論一致。

圖8 實(shí)時路由跳數(shù)Fig.8 Routing hop count in real-time

圖9 實(shí)時端到端延時Fig.9 End-to-end delay in real-time

城市道路場景中所得的整體結(jié)論與直道場景基本一致，根據(jù)交通車輛密度選擇不同的最大路由跳數(shù)能夠進(jìn)一步改善多跳車聯(lián)網(wǎng)的通信質(zhì)量，為智能交通和智能網(wǎng)聯(lián)汽車的應(yīng)用提供基礎(chǔ)。

4 結(jié)束語

研究了在不同的車輛密度情況下，選擇不同的最大路由跳數(shù)參數(shù)對車聯(lián)網(wǎng)各項(xiàng)性能指標(biāo)的影響。利用泊松分布模型，建立了最大路由跳數(shù)和車輛密度的節(jié)點(diǎn)連接性概率及數(shù)據(jù)包投遞率模型?；赩eins仿真平臺，分別對不同車輛密度下的直道場景和城市道路場景做大量仿真實(shí)驗(yàn)，并對數(shù)據(jù)包投遞率、平均路由跳數(shù)和平均端到端延時做統(tǒng)計(jì)分析。仿真結(jié)果表明，同一車輛密度下，實(shí)驗(yàn)設(shè)定的幾種不同最大路由跳數(shù)造成的包投遞率差異在直道場景下最大可達(dá)約20%，在城市場景下最大可達(dá)約6%。根據(jù)不同的車輛密度選擇其對應(yīng)的最佳最大路由跳數(shù)參數(shù)可使得平均包投遞率最高，并且越小的車輛密度通常對應(yīng)于越大的最大路由跳數(shù)最佳數(shù)值。

在進(jìn)一步的工作中可根據(jù)不同的車輛密度自適應(yīng)選取最佳的最大路由跳數(shù)，作為車聯(lián)網(wǎng)路由優(yōu)化策略中的重要組成部分。在建立的數(shù)據(jù)包投遞率模型及不同場景下的仿真研究時未考慮環(huán)境因素造成的物理信道等方面的差異，這在之后的工作中可展開進(jìn)一步的深入研究。另外由于條件限制，文中的實(shí)驗(yàn)還停留在仿真階段，在條件滿足的情況下，可在車聯(lián)網(wǎng)應(yīng)用測試環(huán)境中進(jìn)行測試。