車聯(lián)網(wǎng)下基于模糊邏輯的簇頭選擇與數(shù)據(jù)傳輸策略研究

薛 拯，劉 洋，韓國(guó)軍，閆晶瑩

(廣東工業(yè)大學(xué) 信息工程學(xué)院，廣州 510006)

1 引 言

車載自組織網(wǎng)絡(luò)(VANET)在智能交通系統(tǒng)中扮演著重要角色，而車輛之間建立暢通的通信和穩(wěn)定的數(shù)據(jù)傳輸以支持流媒體應(yīng)用是車聯(lián)網(wǎng)面臨的一個(gè)巨大挑戰(zhàn).分簇能夠有效改善VANET中的數(shù)據(jù)傳輸問題.分簇算法的原理是根據(jù)一些規(guī)則集將移動(dòng)節(jié)點(diǎn)關(guān)聯(lián)為一個(gè)簇，并選擇一個(gè)稱為簇頭(CH)的節(jié)點(diǎn)，以便簇和網(wǎng)絡(luò)的其余部分之間進(jìn)行調(diào)解[1].簇頭CH負(fù)責(zé)融合簇內(nèi)車輛的數(shù)據(jù)，而其他節(jié)點(diǎn)(非簇頭)將自己的數(shù)據(jù)傳輸至各自的簇頭CH.由于簇頭CH承擔(dān)了數(shù)據(jù)融合的任務(wù)，負(fù)責(zé)與外界通信，簇內(nèi)車輛成員的變動(dòng)導(dǎo)致網(wǎng)絡(luò)拓?fù)鋭?dòng)態(tài)變化，加速通信鏈路的斷裂，簇結(jié)構(gòu)的穩(wěn)定性及簇頭的選擇直接影響數(shù)據(jù)傳輸性能[2].

分簇及簇頭選舉用于穩(wěn)定網(wǎng)絡(luò)結(jié)構(gòu)及改善車聯(lián)網(wǎng)通信性能，文獻(xiàn)[3]以減少車輛MAC層競(jìng)爭(zhēng)為目的綜合考慮速度、密度、信道因素來選取簇頭從而提高網(wǎng)絡(luò)吞吐量等性能.文獻(xiàn)[4]指出車載網(wǎng)絡(luò)基本屬于復(fù)雜網(wǎng)絡(luò)模型，復(fù)雜網(wǎng)絡(luò)理論既可以提供準(zhǔn)確的網(wǎng)絡(luò)圖解模型，又可以為網(wǎng)絡(luò)設(shè)計(jì)，優(yōu)化和管理做出重要貢獻(xiàn).文獻(xiàn)[5]提出分布式聚類算法和基于進(jìn)化博弈論的簇頭選舉算法，能夠減輕基站負(fù)載并提高用戶體驗(yàn)質(zhì)量.文獻(xiàn)[6]提出一種帶時(shí)延約束的D2D協(xié)作中繼轉(zhuǎn)發(fā)策略，大幅提升數(shù)據(jù)傳輸速率.文獻(xiàn)[7]針對(duì)荒漠環(huán)境提出一種分簇路由算法，建立可靠路由，提高簇的結(jié)構(gòu)穩(wěn)定性并降低路由開銷.文獻(xiàn)[8]提出一種基于移動(dòng)性的穩(wěn)定聚類方法，利用車輛速度，位置和方向以及鏈路質(zhì)量等度量用于簇頭選擇，該算法在城市和高速公路場(chǎng)景具有可靠的穩(wěn)定性.文獻(xiàn)[9]提出一種計(jì)算節(jié)點(diǎn)穩(wěn)定值的模型，根據(jù)距離、速度和概率參數(shù)的差異來計(jì)算節(jié)點(diǎn)穩(wěn)定性，選取的簇頭具有很高的價(jià)值穩(wěn)定性.此外，基于各種智能方法改善車聯(lián)網(wǎng)及自組織網(wǎng)絡(luò)性能，也是當(dāng)前的研究熱點(diǎn)[10-18].

文獻(xiàn)[19]提出一種基于分布式集群的傳輸調(diào)度，建立無競(jìng)爭(zhēng)傳輸調(diào)度機(jī)制，用來解決最大最小流量分配問題，改善集群內(nèi)車輛數(shù)據(jù)傳輸.文獻(xiàn)[20]提出基于集中式聚類的混合車載網(wǎng)絡(luò)框架，實(shí)現(xiàn)聚類和協(xié)調(diào)消息傳輸，以減少開銷并改善安全數(shù)據(jù)傳輸.文獻(xiàn)[21]提出一種具有選擇性調(diào)制和功率控制的自適應(yīng)傳輸方案，提高簇頭與基站之間的中繼鏈路容量，仿真表明該設(shè)計(jì)大大提高了5G用戶的誤碼率和干線鏈路吞吐率.文獻(xiàn)[22]提出一種新的VANET數(shù)據(jù)傳播策略，選擇最大效用的節(jié)點(diǎn)用作數(shù)據(jù)中繼，所提出的方法在數(shù)據(jù)傳播延遲方面表現(xiàn)更好.

文獻(xiàn)[23]提出車聯(lián)網(wǎng)輔助本地交通信息收集架構(gòu)，用于支持信息流入的有效匯聚節(jié)點(diǎn)選擇方案以及基于通信阻抗的最佳交通信息傳輸模型，以便提高信息傳輸效率.首先建立車聯(lián)網(wǎng)加權(quán)無向圖模型，利用復(fù)雜網(wǎng)絡(luò)技術(shù)分析出租車GPS數(shù)據(jù)庫(kù)構(gòu)建車輛網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，驗(yàn)證車載網(wǎng)絡(luò)的時(shí)間不變性.有效匯聚節(jié)點(diǎn)選擇的標(biāo)準(zhǔn)為最大化節(jié)點(diǎn)網(wǎng)絡(luò)容量，網(wǎng)絡(luò)容量是用節(jié)點(diǎn)峰值負(fù)載容量來量化的，通常承載大量遠(yuǎn)程業(yè)務(wù)負(fù)載的節(jié)點(diǎn)對(duì)整個(gè)網(wǎng)絡(luò)容量具有重大影響，該方案用于改善車聯(lián)網(wǎng)交通信息傳輸性能和降低通信成本.

文獻(xiàn)[24]提出一個(gè)綜合的VANET分析模型，包含MAC協(xié)議操作，PHY層無線信道條件和車輛的移動(dòng)模式，充分表征VANET集群的實(shí)際性能，提出一種泰勒級(jí)數(shù)展開的近似方法，推導(dǎo)出包丟失概率和吞吐量的閉式表達(dá)式.利用新模型設(shè)計(jì)VANET集群發(fā)現(xiàn)數(shù)據(jù)包丟失取決于集群中的車輛數(shù)量，集群太大，大量車輛之間的分組沖突和大地理跨度上的傳輸故障，大型集群分組丟失率高.集群太小，由于集群中生成的流量需求有限，集群的無線電資源將未得到充分利用.該模型分析揭示了集群大小，車輛速度，流量需求和窗口大小之間的內(nèi)在依賴關(guān)系以及對(duì)集群總吞吐量和數(shù)據(jù)包丟失的影響，為VANET設(shè)計(jì)和管理提供指導(dǎo)方面的實(shí)用價(jià)值.

分簇及選擇簇頭雖然改善了簇內(nèi)車輛通信狀況，但簇內(nèi)通信往往是單跳的方式，當(dāng)某一車輛脫離與簇頭的通信范圍時(shí)，可能出現(xiàn)通信鏈路斷裂，重連質(zhì)量不穩(wěn)定的情況，容易導(dǎo)致數(shù)據(jù)分組丟失，特別是在大型城市存在大量業(yè)務(wù)數(shù)據(jù)分發(fā)業(yè)務(wù)時(shí)，容易造成沖突和分組次序混亂，因此對(duì)簇內(nèi)數(shù)據(jù)傳輸優(yōu)化是非常必要的.

針對(duì)上述問題，本文基于復(fù)雜網(wǎng)絡(luò)理論，利用成都市真實(shí)出租車GPS數(shù)據(jù)建立車輛通信無向圖模型.本文提出基于車輛廣義距離的譜聚類分簇算法及基于模糊邏輯的簇頭選擇算法，針對(duì)大量業(yè)務(wù)數(shù)據(jù)傳輸問題提出優(yōu)化模型，仿真結(jié)果表明，所提出的方案比現(xiàn)有算法有效提高了集群內(nèi)系統(tǒng)網(wǎng)絡(luò)吞吐量，降低了數(shù)據(jù)傳輸時(shí)延.

2 系統(tǒng)模型

2.1 數(shù)據(jù)集

本文數(shù)據(jù)集基于成都市出租車2014年8月3日到8月30日真實(shí)GPS數(shù)據(jù).選擇經(jīng)度[103.90，104.20]和緯度[30.55，30.80]范圍內(nèi)的車輛GPS數(shù)據(jù)用于構(gòu)建車聯(lián)網(wǎng)模型.圖 1為某一時(shí)刻車輛GPS坐標(biāo)分布.

2.2 無向圖模型

車輛通信無向圖模型G=(V，E).V為所有車輛集合，E為車輛間通信鏈路集合.假設(shè)所有車輛和路邊單元具有相同的通信能力，一對(duì)節(jié)點(diǎn)只要在最大信息傳輸范圍r內(nèi)就能實(shí)現(xiàn)彼此通信，假設(shè)加性高斯白噪聲(AWGN)，功率為N0.

圖1 成都市出租車GPS坐標(biāo)分布

無向圖模型基于復(fù)雜網(wǎng)絡(luò)理論，節(jié)點(diǎn)度(在最大通信范圍內(nèi)與該節(jié)點(diǎn)通信的鄰居節(jié)點(diǎn)數(shù))，中介中心性，聚類系數(shù)是模型的關(guān)鍵參數(shù).圖 2反映了每個(gè)節(jié)點(diǎn)的中介中心性及所有車輛的聚類系數(shù).

圖2 中介中心性與聚類系數(shù)

中介中心性用于量化節(jié)點(diǎn)的重要性：

(1)

聚類系數(shù)表示車輛節(jié)點(diǎn)聚集程度的系數(shù)：

(2)

式(2)中ki為車輛i的度.Ei為車輛i的所有鄰居車輛通信鏈路總和.

3 分簇算法

基于構(gòu)建的無向圖模型，車輛之間要想形成穩(wěn)定的簇需要考慮車輛周圍鄰居車輛數(shù)以及與鄰居車輛的速度差和實(shí)際距離差，定義車輛之間的廣義距離Dij見式(3)，廣義距離反映了每個(gè)車輛之間的相似度，廣義距離越大，說明兩個(gè)車輛之間形成簇的可能性越小.

Dij=ξ1(kiBi+kjBj)+ξ2vij+ξ3dij

(3)

式(3)中ki，kj為車輛i，j的度.Bi，Bj為車輛i，j的中介中心性.vij為車輛i，j的速度差.dij為車輛i，j的距離.ξ1，ξ2，ξ3為權(quán)重系數(shù).

基于廣義距離分簇算法流程見算法1.

算法1.基于廣義距離分簇

初始化：

1.計(jì)算車輛之間的歐氏距離dij；

2.根據(jù)r=1000m產(chǎn)生鄰接矩陣和度矩陣dM；

3.計(jì)算ki，Bi，vij；

4.計(jì)算廣義距離矩陣Dij(ξ1=ξ2=0.3,ξ3=0.4).

譜聚類：

5.生成拉普拉斯矩陣LM，LM=dM-Dij；

8.使用K-means對(duì)新排序的向量空間進(jìn)行聚類.

輸出：

9.分簇結(jié)果

4 基于模糊邏輯簇頭選擇算法

4.1 模糊邏輯輸入

為了形成穩(wěn)定的分簇以及選擇穩(wěn)定的簇頭本文基于模糊邏輯考慮車輛的領(lǐng)導(dǎo)力、速度、距離三個(gè)因素(LFi,VFi,DFi).領(lǐng)導(dǎo)力因素主要考慮車輛節(jié)點(diǎn)度和中介中心性.速度因素在這里指的是車輛與鄰居車輛的綜合速度差(根據(jù)節(jié)點(diǎn)度所占的權(quán)重計(jì)算).距離因素這里指的是車輛與鄰居車輛的綜合歐式距離.只要車輛周圍鄰居節(jié)點(diǎn)數(shù)多，車輛節(jié)點(diǎn)與周圍鄰居節(jié)點(diǎn)的綜合速度差越小，綜合距離越小，選取的簇頭生存周期更長(zhǎng)，在簇內(nèi)負(fù)責(zé)協(xié)調(diào)與其他車輛的通信會(huì)更加穩(wěn)定可靠.

LFi=kiBi

(4)

(5)

(6)

(7)

4.2 模糊化和模糊規(guī)則

根據(jù)每個(gè)車輛計(jì)算出來的領(lǐng)導(dǎo)力、速度、距離因素，由于沒有一個(gè)具體的閾值來確定該因素對(duì)該節(jié)點(diǎn)選擇為簇頭是否合理，因而將每個(gè)因素模糊劃分為三個(gè)等級(jí)，領(lǐng)導(dǎo)力因素對(duì)應(yīng){好、中、壞}，速度因素對(duì)應(yīng){慢、中、快}，距離因素對(duì)應(yīng){近、中、遠(yuǎn)}.對(duì)于每個(gè)輸入因素采用模糊隸屬函數(shù)來刻畫每個(gè)因素，所有因素在計(jì)算出來后統(tǒng)一進(jìn)行歸一化處理.對(duì)于每一個(gè)因素輸入對(duì)應(yīng)一條IF/THEN規(guī)則，輸出分為{Perfect，Good，Acceptable，Unpreferable，Bad，Very Bad}六個(gè)等級(jí)，輸入輸出隸屬函數(shù)見圖 3.

三個(gè)因素輸入一共對(duì)應(yīng)27條模糊規(guī)則，模糊規(guī)則見表1.由于輸出變量最后為模糊值，最后基于重心法根據(jù)輸出模糊值對(duì)應(yīng)的圖形求解圖形重心的橫坐標(biāo)進(jìn)行去模糊化，其值作為車輛節(jié)點(diǎn)成為簇頭的概率.

圖3 輸入輸出隸屬函數(shù)

根據(jù)文獻(xiàn)[23]中最大化網(wǎng)絡(luò)容量(MNC)來選擇網(wǎng)關(guān)節(jié)點(diǎn)(簇頭)，其問題形式如式(8)所示.P=[p(t),t=1,2,…,N]T,P表示節(jié)點(diǎn)成為簇頭的概率.基于本文通信模型，兩種算法選擇簇頭的概率如圖 4，只有個(gè)別車輛能夠被選擇為簇頭.

min Ω

s.t. RAP-Ω1+y=0

PT1=1

y≥0

P≥0

(8)

圖4 基于兩種方法的簇頭選擇概率(數(shù)據(jù)范圍為經(jīng)度[104.03，104.10]和緯度[30.63，30.67])

5 簇內(nèi)數(shù)據(jù)傳輸優(yōu)化模型

針對(duì)簇內(nèi)大量流媒體數(shù)據(jù)傳輸?shù)男枨?，由于車輛高速移動(dòng)以及物理層信道衰落效應(yīng)會(huì)影響分簇后的集群可靠性以及吞吐量性能，即使在MAC層無傳輸沖突的條件下，物理層信道條件也會(huì)對(duì)系統(tǒng)數(shù)據(jù)包丟失產(chǎn)生很大影響，本文從考慮物理層解碼失敗而引起數(shù)據(jù)包丟失的角度，在基于前面完成分簇及簇頭選擇工作提出簇內(nèi)數(shù)據(jù)傳輸優(yōu)化模型.

在集群Cj(j為簇頭)內(nèi)，第i個(gè)車輛數(shù)據(jù)包到達(dá)簇頭丟失的概率為式(9)[24].

(9)

式(9)中K2為路徑損失指數(shù).

Lpi=φi/[Tc(vi)log2(1+γ0)]，φi為第i個(gè)車輛發(fā)送數(shù)據(jù)包的大小，γ0為接收SNR閾值.

表1 模糊規(guī)則

Table 1 Fuzzy rule

RulesLFVFDFRANKRule1GoodSlowClosePerfectRule2GoodSlowMediumGoodRule3GoodSlowFarUnpreferableRule4GoodMediumCloseGoodRule5GoodMediumMediumAcceptableRule6GoodMediumFarBadRule7GoodFastCloseUnpreferableRule8GoodFastMediumBadRule9GoodFastFarVeryBadRule10FairSlowCloseGoodRule11FairSlowMediumAcceptableRule12FairSlowFarBadRule13FairMediumCloseAcceptableRule14FairMediumMediumUnpreferableRule15FairMediumFarBadRule16FairFastCloseBadRule17FairFastMediumBadRule18FairFastFarVeryBadRule19PoorSlowCloseUnpreferableRule20PoorSlowMediumBadRule21PoorSlowFarVeryBadRule22PoorMediumCloseBadRule23PoorMediumMediumBadRule24PoorMediumFarVeryBadRule25PoorFastCloseBadRule26PoorFastMediumVeryBadRule27PoorFastFarVeryBad

(10)

式(10)中N0為加性噪聲功率，Pt為傳送功率.

(11)

式(11)中λ0=c/f0，Gt、Gr為傳送機(jī)和接收機(jī)的天線增益.

因此集群內(nèi)每個(gè)車輛吞吐量φi的計(jì)算如下：

φi=λi(1-pi)LPi

(12)

式(12)中λi為第i個(gè)車輛的分組到達(dá)率.

簇內(nèi)數(shù)據(jù)傳輸優(yōu)化模型見式(13)，φ0為每個(gè)車輛之間的最大傳輸速率，每個(gè)集群的分組到達(dá)率上限為μ.

s.t.φi≤φ0

(13)

6 數(shù)值仿真與性能分析

利用MATLAB對(duì)所提方案進(jìn)行數(shù)值仿真.φi設(shè)置為400Bytes～500Bytes之間隨機(jī)分布，吞吐量值φ0設(shè)置為400Kbps，每個(gè)簇的分組到達(dá)率上限μ設(shè)置為200packets/s，GtGr設(shè)置為1，f0為5.9GHz，Pt為2W，γ0為3dB，N0為3.98×10-12mW，路徑損失指數(shù)K2為2.

比較基于Fuzzy、基于MNC兩種方法的吞吐量及時(shí)延性能見圖5所示.基于Fuzzy的方案中，吞吐量達(dá)到350kb/s的節(jié)點(diǎn)數(shù)量及吞吐量均值明顯高于基于MNC的方法，時(shí)延高于0.5的節(jié)點(diǎn)數(shù)量及時(shí)延均值明顯少于基于MNC方案，基于Fuzzy方案選出的簇頭能夠維持與簇內(nèi)車輛之間穩(wěn)定的通信，在吞吐量和時(shí)延性能方面優(yōu)于MNC方案.

圖5 基于兩種方法的簇內(nèi)吞吐量與(歸一化)時(shí)延性能比較

當(dāng)簇內(nèi)車輛數(shù)增加時(shí)，簇內(nèi)平均吞吐量性能變化如圖6所示，基于Fuzzy，基于MNC，隨機(jī)選取三種方案隨簇內(nèi)車輛數(shù)增加，平均吞吐量性能變化維持在穩(wěn)定范圍內(nèi)，提出的數(shù)據(jù)傳輸模型能夠適應(yīng)車輛數(shù)的變化并保持穩(wěn)定的通信狀況.當(dāng)簇內(nèi)分組到達(dá)率上限μ=100時(shí)，基于Fuzzy的方案簇內(nèi)平均吞吐量高于MNC和隨機(jī)方案，當(dāng)μ=200時(shí)，簇內(nèi)分組到達(dá)率上限增加，簇內(nèi)通信狀況改善，三種方法的平均吞吐量均有提高，但基于Fuzzy的方案簇內(nèi)平均吞吐量性能依然優(yōu)于其他兩種方案，在保證傳輸質(zhì)量的前提下最大化簇內(nèi)吞吐量.改變通信半徑r后，簇內(nèi)數(shù)據(jù)傳輸優(yōu)化模型仍舊保持較高的平均吞吐量.

簇內(nèi)平均時(shí)延變化見圖6，隨車輛數(shù)增加，基于三種方案的簇內(nèi)平均時(shí)延保持穩(wěn)定，簇內(nèi)傳輸優(yōu)化模型不會(huì)隨簇的變化發(fā)生較大波動(dòng)，當(dāng)簇內(nèi)分組到達(dá)率上限μ=100時(shí)，基于Fuzzy的方案簇內(nèi)平均時(shí)延低于MNC和隨機(jī)方案.當(dāng)μ=200時(shí)，簇內(nèi)分組到達(dá)率上限增加，三種方法的平均時(shí)延均有下降，基于Fuzzy方案的簇內(nèi)平均時(shí)延最低.通信半徑r=2000時(shí)，三種方案的變化趨勢(shì)與r=1000時(shí)相似，數(shù)據(jù)傳輸優(yōu)化模型隨通信半徑變化仍舊保持良好性能，基于Fuzzy方案在保證傳輸質(zhì)量的前提下降低傳輸時(shí)延.

在車聯(lián)網(wǎng)場(chǎng)景中，車輛位置、速度及網(wǎng)絡(luò)拓?fù)淇焖僮兓@種變化具有不確定性，本文提出的基于廣義距離的分簇算法劃分相對(duì)穩(wěn)定的簇，在簇內(nèi)選擇出比其他節(jié)點(diǎn)更加穩(wěn)定的節(jié)點(diǎn)作為簇頭，能夠保持簇頭與簇內(nèi)成員之間數(shù)據(jù)傳輸?shù)姆€(wěn)定性，提高傳輸鏈路的質(zhì)量.

圖6 簇內(nèi)平均吞吐量與平均時(shí)延性能比較

(14)

(15)

7 結(jié)束語

為了改善車輛網(wǎng)簇內(nèi)數(shù)據(jù)傳輸性能，本文基于復(fù)雜網(wǎng)絡(luò)理論構(gòu)建車聯(lián)網(wǎng)通信模型，針對(duì)城市大規(guī)模車輛通信環(huán)境提出一種分簇 及基于模糊邏輯選擇簇頭并優(yōu)化簇內(nèi)數(shù)據(jù)傳輸?shù)哪Ｐ?，模型充分考慮了車聯(lián)網(wǎng)形成穩(wěn)定分簇的條件以及物理層無線信道條件，基于真實(shí)數(shù)據(jù)模擬了大規(guī)模車輛簇內(nèi)通信環(huán)境.仿真結(jié)果表明，本文方案與MNC算法和隨機(jī)算法相比，有效提高了系統(tǒng)吞吐量，降低傳輸時(shí)延.

下一步工作將對(duì)簇內(nèi)傳輸路徑進(jìn)行優(yōu)化，考慮路徑損失等車輛節(jié)點(diǎn)的通信狀況來進(jìn)一步優(yōu)化傳輸模型.