基于模糊邏輯的VANET安全消息路由方法

聶 雷，張全玉，楊 拓

(1.武漢科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，湖北 武漢，430065；2.武漢科技大學(xué)智能信息處理與實(shí)時工業(yè)系統(tǒng)湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢，430065)

隨著物聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)的飛速發(fā)展，車載自組織網(wǎng)絡(luò)(Vehicular Ad Hoc Network, VANET)近年來已成為城市智能交通的重要組成部分，在交通信號控制[1]、車輛路徑規(guī)劃[2]和安全消息廣播[3]等方面都有著廣泛的應(yīng)用，其中作為安全應(yīng)用類的安全消息廣播，對于提高駕駛環(huán)境的安全程度、減少人員傷亡和降低經(jīng)濟(jì)損失具有十分重要的作用。

在VANET環(huán)境中，數(shù)據(jù)傳輸主要基于專用短程通信(Dedicated Short Range Communications, DSRC)或移動蜂窩網(wǎng)絡(luò)，并采用V2X(Vehicle-to-Everything)的無線通信方式進(jìn)行[4]。然而車輛的高速移動性使得VANET拓?fù)渥兓l繁，導(dǎo)致車輛之間難以保持穩(wěn)定的通信鏈路，影響了安全消息傳輸?shù)募皶r性和可靠性，因此亟需建立快速、可靠的VANET路由方法，其關(guān)鍵就是如何有效地發(fā)現(xiàn)鏈路穩(wěn)定性較高、傳播時延較低的車輛間路由。

路由方法的性能受車輛的速度、行駛方向、車間距離等多種因素的影響，所以設(shè)計(jì)路由方法時要權(quán)衡多種度量因素?，F(xiàn)有的路由方法通常采用固定權(quán)重來量化度量因素，導(dǎo)致在動態(tài)的網(wǎng)絡(luò)環(huán)境中性能不佳[5-8]。雖然也存在一些設(shè)置多組固定權(quán)重或動態(tài)調(diào)整權(quán)重比例的方法[9-10]，但是它們往往采用多次實(shí)驗(yàn)后的經(jīng)驗(yàn)值，同時缺乏合理的解釋，因此有必要探索更恰當(dāng)?shù)氖侄斡糜跈?quán)衡多種度量因素。

模糊邏輯是一門研究模糊性思維、語言形式及其規(guī)律的科學(xué)，其通過模擬人腦實(shí)現(xiàn)模糊綜合判斷，有望解決上述不合理量化度量因素的問題。為此，本文提出一種基于模糊邏輯的VANET安全消息路由方法(Fuzzy Logic-based Routing Method for Safety Messages, FLRM-SM)。該方法綜合考慮轉(zhuǎn)發(fā)車輛與鄰居車輛之間的相對速度、鄰居車輛與安全消息目的地的方向偏差以及鄰居車輛所在區(qū)域的車輛密度等度量參數(shù)，利用模糊邏輯對所有候選車輛進(jìn)行鏈路穩(wěn)定性評估。在去除當(dāng)前時刻已離開轉(zhuǎn)發(fā)車輛通信范圍的“邊緣”車輛后，基于最大鏈路穩(wěn)定性選擇中繼車輛；當(dāng)出現(xiàn)多個鏈路穩(wěn)定性數(shù)值相同的候選車輛時，則基于最大歐幾里德距離選出唯一的中繼。本文最后采用MATLAB軟件搭建實(shí)驗(yàn)環(huán)境，對FLRM-SM方法提升安全消息傳輸性能的效果進(jìn)行驗(yàn)證。

1 相關(guān)研究

目前，VANET路由方法主要可以分為基于網(wǎng)絡(luò)拓?fù)?、基于地理位置和基于分簇等幾種類型。①基于網(wǎng)絡(luò)拓?fù)涞穆酚煞椒ǎ褐饕ㄟ^節(jié)點(diǎn)建立并維護(hù)自身路由表來完成數(shù)據(jù)傳輸。文獻(xiàn)[11]提出了動態(tài)源路由方法(Dynamic Source Routing, DSR)，該方法包含按需操作的路由尋找和路由維護(hù)兩部分，利用非周期性的路由消息避免了大范圍的路由更新，然而DSR的路由緩存管理機(jī)制在VANET拓?fù)漕l繁變化的環(huán)境下面臨路由失效的問題。在文獻(xiàn)[12]提出的自組織按需距離矢量路由方法(Ad Hoc On-demand Distance Vector, AODV)中，節(jié)點(diǎn)通過周期性廣播Hello消息保持與鄰居節(jié)點(diǎn)的有效鏈路，與DSR相比較，無需將源路由保存在每個分組中，降低了方法開銷。②基于地理位置的路由方法：主要根據(jù)轉(zhuǎn)發(fā)節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)的當(dāng)前位置信息做出路由決策，節(jié)點(diǎn)無需預(yù)先建立、存儲和維護(hù)轉(zhuǎn)發(fā)路由表，更適合動態(tài)的網(wǎng)絡(luò)環(huán)境。文獻(xiàn)[13]提出了貪婪周邊無狀態(tài)路由方法(Greedy Perimeter Stateless Routing, GPSR)，該方法存在貪婪轉(zhuǎn)發(fā)和周邊轉(zhuǎn)發(fā)兩種模式，并通常使用貪婪轉(zhuǎn)發(fā)模式尋找最接近目的地的一跳鄰居節(jié)點(diǎn)作為中繼，若離目標(biāo)最近的車輛是其本身，則切換到周邊轉(zhuǎn)發(fā)模式。文獻(xiàn)[14]提出了地理源路由方法(Geographic Source Routing, GSR)，該方法利用電子地圖獲取道路拓?fù)?，并使用Dijkstra算法得到傳輸數(shù)據(jù)的最優(yōu)路徑。③基于分簇的路由方法：需要建立簇型的網(wǎng)絡(luò)結(jié)構(gòu)，每個簇中包含簇頭和若干簇內(nèi)成員，簇頭負(fù)責(zé)簇的建立和維護(hù)以及簇內(nèi)和簇間的通信。文獻(xiàn)[15]提出了一種應(yīng)用在荒漠場景的VANET分簇路由方法，該方法主要基于車載通信終端類型和車輛的位置、速度以及行駛方向等信息實(shí)現(xiàn)分簇操作，并由簇頭車輛完成簇成員節(jié)點(diǎn)的路由決策。文獻(xiàn)[16]提出了一種適用于復(fù)雜戰(zhàn)場環(huán)境下的VANET分簇路由方法，該方法基于車載通信終端和車輛運(yùn)動信息選取簇頭并分簇，根據(jù)位置信息、跳數(shù)以及轉(zhuǎn)發(fā)方式完成簇內(nèi)路由，引入等待時間和重發(fā)次數(shù)閾值以及下游簇頭實(shí)現(xiàn)簇間通信。然而，以上路由方法均難以應(yīng)用在城市交通場景中，且基于分簇的路由方法在VANET的動態(tài)網(wǎng)絡(luò)環(huán)境下存在簇結(jié)構(gòu)不穩(wěn)定的問題。

近些年來，模糊邏輯技術(shù)已被用于移動網(wǎng)絡(luò)的路由方法設(shè)計(jì)中。文獻(xiàn)[17]基于模糊邏輯提出了一種改進(jìn)的AODV路由方法，將車輛的速度、當(dāng)前車輛方向與消息發(fā)生方向之差以及車輛與目的地的距離之間的相對差作為模糊邏輯系統(tǒng)的輸入，該系統(tǒng)產(chǎn)生的結(jié)果被認(rèn)為是最佳路徑。文獻(xiàn)[18]提出了一種改進(jìn)的GPSR路由方法，利用模糊邏輯系統(tǒng)在候選車輛中選擇最佳中繼，候選車輛與發(fā)送方的距離用于估測信號衰減程度，方向的相對性確保數(shù)據(jù)包與目標(biāo)車輛一致。該方法在高速公路場景中應(yīng)用效果較好，但并不適用于城市交通場景。模糊邏輯系統(tǒng)基于輸入隸屬函數(shù)和模糊規(guī)則集做出合理判斷，以模擬人腦在解釋不確定信息時的運(yùn)作方式。在動態(tài)的VANET環(huán)境中，模糊邏輯使得路由決策變得更加靈活和高效。

2 基于模糊邏輯的安全消息路由方法設(shè)計(jì)

2.1 系統(tǒng)模型與假設(shè)

圖1展示了一個典型城市交通中的VANET安全消息路由場景。紅色車輛作為源節(jié)點(diǎn)向遠(yuǎn)端目的地傳輸安全消息，圖中箭頭表示安全消息的傳輸路徑。考慮到車輛的行駛方向，源節(jié)點(diǎn)選擇同向的某一鄰居車輛作為安全消息的路由中繼節(jié)點(diǎn)；接著，該中繼節(jié)點(diǎn)繼續(xù)尋找下一跳來協(xié)助完成安全消息的多跳路由，最終到達(dá)遠(yuǎn)端目的地。當(dāng)轉(zhuǎn)發(fā)車輛節(jié)點(diǎn)靠近交叉路口時，其選擇更有可能將消息盡快傳輸?shù)侥康牡氐能囕v作為中繼節(jié)點(diǎn)。

圖1 系統(tǒng)模型

本文研究面向VANET環(huán)境的安全消息路由方法，系統(tǒng)模型滿足以下假設(shè)條件：

(1)車輛行駛在多車道的城市場景中，在交叉路口處可選擇直行、左轉(zhuǎn)、右轉(zhuǎn)和掉頭等多種行駛方向；

(2)車輛上裝配的車載單元(On-Board Unit, OBU)具有一定的數(shù)值計(jì)算和數(shù)據(jù)處理能力，且能夠提供車與車(Vehicle to Vehicle, V2V)通信；

(3)車輛上裝配GPS和電子地圖獲取位置信息；

(4)車輛的有效傳輸距離為R，且在有效通信范圍內(nèi)數(shù)據(jù)能被正確接收。

2.2 FLRM-SM路由方法

車輛的速度、行駛方向和區(qū)域密度等因素是決定車輛間鏈路穩(wěn)定性的重要因素，直接影響了VANET路由方法的性能。尋找鏈路穩(wěn)定性較高、傳播時延較低的車輛間路由是本文基于模糊邏輯的安全消息路由方法FLRM-SM所關(guān)注的重點(diǎn)。圖2所示為FLRM-SM路由方法的主要組成部分，包括數(shù)據(jù)預(yù)處理、基于模糊邏輯的車輛鏈路穩(wěn)定性評估和中繼選擇3個階段，具體描述如下。

圖2 FLRM-SM的組成

(1)數(shù)據(jù)預(yù)處理階段：當(dāng)前轉(zhuǎn)發(fā)節(jié)點(diǎn)通過鄰居車輛的周期性Hello消息包獲取候選中繼車輛信息，這些信息通過數(shù)據(jù)預(yù)處理之后，其結(jié)果作為模糊邏輯系統(tǒng)的輸入?yún)?shù)。

(2)基于模糊邏輯的車輛鏈路穩(wěn)定性評估：本階段是FLRM-SM路由方法的核心部分，根據(jù)轉(zhuǎn)發(fā)車輛與鄰居車輛之間的相對速度、鄰居車輛與安全消息目的地之間的方向偏差以及鄰居車輛所在區(qū)域的車輛密度，得到每個候選中繼車輛鏈路的模糊權(quán)重，并通過去模糊化得到它們的穩(wěn)定性數(shù)值。

(3)中繼選擇階段：去除“邊緣”車輛，并基于最大穩(wěn)定性數(shù)值和最大歐幾里德距離選出唯一的中繼車輛，最終完成安全消息的快速轉(zhuǎn)發(fā)。

2.2.1 數(shù)據(jù)預(yù)處理

根據(jù)圖2可知，在數(shù)據(jù)預(yù)處理階段，當(dāng)前的轉(zhuǎn)發(fā)節(jié)點(diǎn)需要利用一跳鄰居的車輛信息，該信息從鄰居車輛周期性發(fā)送的Hello數(shù)據(jù)包中獲得。Hello數(shù)據(jù)包主要包括時間戳、車輛的ID、速度、行駛方向和區(qū)域密度等信息。每當(dāng)收到新的Hello數(shù)據(jù)包，就對鄰居表信息進(jìn)行以下更新。

(1)相對速度

VANET環(huán)境中車輛的高速移動導(dǎo)致網(wǎng)絡(luò)拓?fù)渥兓l繁，車輛的行駛速度越接近則車輛之間的鏈路穩(wěn)定性就越高。因此，在模糊邏輯系統(tǒng)輸入?yún)?shù)中，需要尋找速度和行駛方向均相同或者相近的車輛，以達(dá)到鏈路穩(wěn)定的目的。本文以相對速度來衡量兩車之間速度的差異。假設(shè)在某時刻，轉(zhuǎn)發(fā)節(jié)點(diǎn)車輛i同其某一鄰居車輛j的距離為r(r

(1)

式中：vmax為車輛的最大速度。Δvij的數(shù)值在[0, 1]之間，值越趨于0表示兩車的相對速度越小，且兩車之間的鏈路越穩(wěn)定，反之則鏈路越不穩(wěn)定。

(2)方向偏差

車輛的行駛方向主要受限于道路的拓?fù)浣Y(jié)構(gòu)。如圖1所示，本文將行駛方向主要設(shè)置為東、南、西、北4個方向。當(dāng)車輛經(jīng)過交叉路口處時，為模擬汽車轉(zhuǎn)彎的過程，增設(shè)東北、西北、西南、東南4個方向。為保證安全消息快速傳輸，轉(zhuǎn)發(fā)車輛在選擇中繼車輛時除了要考慮鏈路穩(wěn)定性以外，還要考慮安全消息的傳播方向，特別是在有多個方向的交叉路口處，需要選擇行駛方向與目的地方向更為接近的車輛。假設(shè)安全消息目的地坐標(biāo)為(x0,y0)，轉(zhuǎn)發(fā)車輛的某一鄰居節(jié)點(diǎn)i的坐標(biāo)和行駛方向分別為(xi,yi)和θi，則兩者的方向偏差通過歸一化后可表示為：

(2)

Δθi的數(shù)值在[0, 1]之間，值越趨于0表示該鄰居車輛的行駛方向與目的地方向越相近，反之則表示該鄰居車輛的行駛方向與目的地方向越偏離。

(3)區(qū)域密度

鄰居車輛的區(qū)域密度也是轉(zhuǎn)發(fā)節(jié)點(diǎn)需要考慮的問題。作為下一跳轉(zhuǎn)發(fā)節(jié)點(diǎn)，當(dāng)前的鄰居車輛區(qū)域密度如果過于稠密，則在進(jìn)行消息通信時會更大概率發(fā)生沖突碰撞；若區(qū)域車輛密度過于稀疏，則可能產(chǎn)生路由空洞的情況，導(dǎo)致安全消息不可達(dá)。因此，在模糊邏輯系統(tǒng)的輸入?yún)?shù)中要考慮鄰居車輛的區(qū)域密度。由于每輛車都可以通過接受周圍鄰居車輛的Hello數(shù)據(jù)包統(tǒng)計(jì)鄰居的數(shù)量，因此可以估算出當(dāng)前的區(qū)域密度，并作為Hello數(shù)據(jù)包的一部分共享給其他車輛。某一鄰居車輛i的區(qū)域密度通過歸一化后可表示為：

(3)

式中：nmax表示車輛可通信范圍內(nèi)能容納的車輛數(shù)量最大值；numi表示鄰居車輛i當(dāng)前可通信范圍內(nèi)的車輛數(shù)量。ρi的數(shù)值在[0, 1]之間，值越趨于1表示車輛越密集，反之則表示車輛越稀疏。在多個鄰居車輛中，轉(zhuǎn)發(fā)車輛應(yīng)該盡可能選擇區(qū)域密度適中的車輛作為最佳的中繼節(jié)點(diǎn)。

2.2.2 基于模糊邏輯的車輛鏈路穩(wěn)定性評估

本節(jié)利用模糊邏輯系統(tǒng)確定鏈路穩(wěn)定性的最佳值。模糊邏輯系統(tǒng)的輸入變量經(jīng)過處理后以語言形式進(jìn)行輸入，并且由模糊程序來確定輸入變量的值屬于不同模糊集的程度。這里采用IF-THEN規(guī)則處理輸入的信息，此過程要求規(guī)則能夠清楚地表示出每個輸入變量和輸出變量之間的關(guān)系。

系統(tǒng)以當(dāng)前轉(zhuǎn)發(fā)車輛與鄰居車輛之間的相對速度、鄰居車輛與安全消息目的地的方向偏差以及鄰居車輛所在區(qū)域的車輛密度作為輸入，輸出值則是鏈路的穩(wěn)定性。為每個輸入?yún)?shù)分別定義2個梯形隸屬函數(shù)和1個三角形隸屬函數(shù)，3個輸入?yún)?shù)和輸出結(jié)果的模糊隸屬函數(shù)如圖3所示。

表1給出了本文的IF-THEN規(guī)則庫，并且使用包含5個三角形隸屬函數(shù)的模糊集對輸出結(jié)果進(jìn)行處理。在計(jì)算出輸入?yún)?shù)的模糊值之后，使用IF-THEN規(guī)則庫中的預(yù)定義組合將模糊值映射到模糊輸出結(jié)果中，輸出的結(jié)果是每個鄰居的鏈路穩(wěn)定性權(quán)重。在表1中一共定義了27條規(guī)則，其中權(quán)重的語言描述為糟糕、差、適中、好和完美。例如，規(guī)則2表示如果車輛的相對速度慢、與目的地的方向偏差小且車輛區(qū)域密度適中，那么鏈路的穩(wěn)定性是完美；規(guī)則25表示如果車輛的相對速度快、與目的地的方向偏差大且車輛區(qū)域密度稀疏，那么鏈路的穩(wěn)定性是糟糕。

(a)相對速度隸屬函數(shù)

(c)區(qū)域密度隸屬函數(shù)

表1 IF-THEN規(guī)則庫

通過IF-THEN規(guī)則庫完成給定輸入到輸出的映射過程后，利用MATLAB提供的面積重心法實(shí)現(xiàn)去模糊化操作，將輸出轉(zhuǎn)換為具體的鏈路穩(wěn)定性數(shù)值z′，去模糊化的公式為：

(4)

式中：z為模糊變量；μ(z)為隸屬函數(shù)。

2.2.3 中繼選擇

理論上來說，去模糊化后具有最大鏈路穩(wěn)定性數(shù)值的車輛就是最優(yōu)中繼車輛。然而，由于Hello消息包中的車輛信息是在時間戳?xí)r刻產(chǎn)生的，具有一定的滯后性，因此處于轉(zhuǎn)發(fā)車輛通信范圍邊緣的鄰居車輛可能在當(dāng)前時刻離開了該通信范圍，因此在選擇中繼之前需要去除這些“邊緣”車輛。

令Δt為當(dāng)前時刻和Hello數(shù)據(jù)包時間戳之差，轉(zhuǎn)發(fā)車輛i的地理位置、速度和方向分別為(xi,yi)、vi和θi，鄰居車輛j的地理位置、速度和方向分別為(xj,yj)、vj和θj，則在當(dāng)前時刻兩車之間的距離Dij為

(5)

其中，參數(shù)a和b的計(jì)算公式為

a=visinθi-vjsinθj

(6)

b=vicosθi-vjcosθj

(7)

若Dij≥R，則將“邊緣”車輛j從候選集中去除。

去除“邊緣”車輛后，還有可能出現(xiàn)不止一個候選車輛的鏈路穩(wěn)定性數(shù)值最大的情況，特別是在車流密度較大時出現(xiàn)概率更大。此時，基于最大歐幾里德距離選擇最佳中繼。

假設(shè)去除“邊緣”車輛后，當(dāng)前轉(zhuǎn)發(fā)車輛i的m個鄰居車輛的鏈路穩(wěn)定性數(shù)值均最大，且它們之間的歐幾里德距離集合為Q={Di1,Di2,…,Dim}(m≥2)。若存在Dik=max{Di1,Di2, …，Dim}(1≤k≤m)，則選取鄰居車輛k作為安全消息的唯一中繼，以達(dá)到快速傳輸安全消息的目的。

當(dāng)車輛密度較為稀疏時，轉(zhuǎn)發(fā)車輛有效通信范圍內(nèi)的候選車輛數(shù)量可能為0，在僅基于V2V通信的交通場景下，此時會發(fā)生路由空洞問題，轉(zhuǎn)發(fā)車輛只能暫時攜帶安全消息，直至有滿足條件的候選車輛進(jìn)入有效通信范圍時才將安全消息傳遞下去。而與同類方法相比，F(xiàn)LRM-SM方法充分考慮了車輛的區(qū)域密度，在車輛密度較為稀疏時會盡量選擇區(qū)域密度較大的車輛作為路由中繼，降低了路由空洞發(fā)生的概率，提高了路由傳輸?shù)姆€(wěn)定性。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

本文基于MATLAB搭建實(shí)驗(yàn)環(huán)境，并利用MATLAB的模糊邏輯工具箱實(shí)現(xiàn)相關(guān)模糊邏輯處理。實(shí)驗(yàn)考慮城市交通場景下的安全消息路由，位于仿真區(qū)域左側(cè)位置的源節(jié)點(diǎn)向鄰居節(jié)點(diǎn)廣播安全消息，并通過路由決策選擇最佳的下一跳中繼，最終將安全消息轉(zhuǎn)發(fā)到仿真區(qū)域右側(cè)位置的目的地。由于位于交叉路口附近的車輛速度往往較慢，因此設(shè)置車輛的正常行駛速度為30～60 km/h，在交叉路口100 m范圍內(nèi)的車輛速度為15～30 km/h。此外，車輛數(shù)量較小時容易產(chǎn)生路由空洞的問題，導(dǎo)致安全消息長時間不可達(dá)，因此設(shè)置車輛數(shù)量為200～440。實(shí)驗(yàn)相關(guān)的主要仿真參數(shù)如表2所示。

表2 主要仿真參數(shù)

3.2 實(shí)驗(yàn)結(jié)果與分析

本節(jié)選取基于網(wǎng)絡(luò)拓?fù)涞腁ODV路由方法[12]、基于地理信息的GPSR路由方法[13]和基于模糊邏輯的FUZZBR路由方法[19]進(jìn)行實(shí)驗(yàn)對比，分別在不同有效傳輸距離、不同車輛速度和不同車輛數(shù)量的條件下，比較4種路由方法的端到端時延和鏈路中斷概率兩種性能指標(biāo)。由于實(shí)驗(yàn)中車輛的分布和運(yùn)動具有一定的隨機(jī)性，因此將多次實(shí)驗(yàn)后的平均值作為實(shí)驗(yàn)結(jié)果。

端到端時延是指安全消息從源節(jié)點(diǎn)傳輸?shù)侥康墓?jié)點(diǎn)的時間開銷。本文在不同的實(shí)驗(yàn)條件下比較了4種路由方法的端到端時延，結(jié)果如圖4所示。具體而言，圖4(a)表明4種方法的端到端時延隨著車輛數(shù)量的增加均有所增大。AODV方法需要節(jié)點(diǎn)不斷維護(hù)路由信息，其時間開銷與車輛數(shù)量正相關(guān)。GPSR方法的貪婪轉(zhuǎn)發(fā)策略會陷入局部最優(yōu)的情況，在車輛數(shù)量較多時該問題更為明顯。FUZZBR方法綜合考慮了候選車輛的距離、移動性和信號強(qiáng)度等因素，并基于模糊邏輯選擇最優(yōu)中繼，但未對通信鏈路的穩(wěn)定性進(jìn)行評估。FLRM-SM方法基于模糊邏輯對候選車輛進(jìn)行了鏈路穩(wěn)定性評估，在車輛數(shù)量較大時仍然能夠快速選出中繼，與性能相對較好的FUZZBR方法相比較，其端到端時延降低5.02%～17.73%。圖4(b)表明4種方法的端到端時延隨著有效傳輸距離的增加均有所增大，這是因?yàn)檐囕v的有效傳輸距離與其有效傳輸范圍內(nèi)的鄰居車輛數(shù)量成正比，因此增加有效傳輸距離帶來的影響如同圖4(a)中的增加車輛數(shù)量。FLRM-SM方法在不同的有效傳輸距離下具有更低的端到端時延，與性能相對較好的FUZZBR方法相比較，其端到端時延降低5.61%～10.52%。圖4(c)表明4種方法的端到端時延隨著車輛速度的增加總體上均略有降低，且FLRM-SM方法在不同的車輛速度下具有更低的端到端時延，與性能相對較好的FUZZBR方法相比較，其端到端時延降低6.26%～14.32%。從圖4的對比結(jié)果可以看出，基于模糊邏輯的兩種方法性能更優(yōu)，且FLRM-SM方法在不同的實(shí)驗(yàn)條件下均具有最低的端到端時延，從而有效提高了安全消息傳輸?shù)募皶r性。

(a)不同車輛數(shù)量下的端到端時延

(b)不同有效傳輸距離下的端到端時延

(c)不同車輛速度下的端到端時延

鏈路中斷概率是指安全消息基于路由方法給出的路由決策從源節(jié)點(diǎn)到目的節(jié)點(diǎn)路由失敗的概率。本文在不同實(shí)驗(yàn)條件下比較了4種路由方法的鏈路中斷概率，結(jié)果如圖5所示。具體而言，圖5(a)表明4種方法的鏈路中斷概率隨著車輛數(shù)量的增加而逐漸降低，主要是因?yàn)檐囕v數(shù)量的增加使得路由空洞問題逐漸消失，4種方法均有更大的概率成功找到下一跳中繼。但是由于安全消息

(a)不同車輛數(shù)量下的鏈路中斷概率

(b)不同有效傳輸距離下的鏈路中斷概率

(c)不同車輛速度下的鏈路中斷概率

的傳輸是一個多跳轉(zhuǎn)發(fā)的過程，且車輛的高速移動性導(dǎo)致車輛鏈路不夠穩(wěn)定，因此鏈路中斷的情況依然存在。與性能相對較好的FUZZBR方法相比較，F(xiàn)LRM-SM方法的鏈路中斷概率降低了10.60%～34.01%。圖5(b)表明，在不同有效傳輸距離下，F(xiàn)LRM-SM具有更小的鏈路中斷概率，與性能相對較好的FUZZBR方法相比較，其鏈路中斷概率降低7.29%～15.47%。由圖5(c)可見，在不同車輛速度下， FLRM-SM同樣具有更小的鏈路中斷概率，與FUZZBR方法相比較，其鏈路中斷概率降低13.02%～29.29%。從圖5的對比結(jié)果可以看出，基于模糊邏輯的兩種方法性能更優(yōu)，且FLRM-SM方法在不同的實(shí)驗(yàn)條件下均具有最低的鏈路中斷概率，從而有效提高了安全消息傳輸?shù)目煽啃浴?/p>

4 結(jié)語

針對現(xiàn)有VANET安全消息路由方法設(shè)置固定權(quán)重的度量因素而導(dǎo)致在動態(tài)車載網(wǎng)絡(luò)環(huán)境中性能不佳的問題，本文提出了一種基于模糊邏輯的VANET安全消息路由方法FLRM-SM。該方法充分考慮當(dāng)前轉(zhuǎn)發(fā)車輛與鄰居車輛之間的相對速度、鄰居車輛與安全消息目的地的方向偏差以及鄰居車輛通信范圍內(nèi)車輛密度等因素，利用模糊邏輯系統(tǒng)對候選車輛進(jìn)行穩(wěn)定性評估，并在去除“邊緣”車輛后基于最大鏈路穩(wěn)定性數(shù)值和最大歐幾里德距離選出唯一中繼。實(shí)驗(yàn)結(jié)果表明，F(xiàn)LRM-SM在不同的車輛數(shù)量和速度以及不同有效傳輸距離下均能選取穩(wěn)定性更好的中繼節(jié)點(diǎn)，在端到端時延和鏈路中斷概率方面表現(xiàn)出比對照方法更優(yōu)的性能。

隨著移動通信技術(shù)的發(fā)展，具有高速率、低時延等優(yōu)勢的5G移動通信網(wǎng)絡(luò)應(yīng)用越來越廣泛，融合5G的異構(gòu)車載自組織網(wǎng)絡(luò)是未來發(fā)展的必然趨勢。下一階段將研究異構(gòu)車載自組織網(wǎng)絡(luò)環(huán)境下基于5G協(xié)助的安全消息分發(fā)機(jī)制。