车联网下基于模糊逻辑的簇头选择与数据传输策略研究

薛 拯，刘 洋，韩国军，闫晶莹

(广东工业大学 信息工程学院，广州 510006)

1 引 言

车载自组织网络(VANET)在智能交通系统中扮演着重要角色，而车辆之间建立畅通的通信和稳定的数据传输以支持流媒体应用是车联网面临的一个巨大挑战.分簇能够有效改善VANET中的数据传输问题.分簇算法的原理是根据一些规则集将移动节点关联为一个簇，并选择一个称为簇头(CH)的节点，以便簇和网络的其余部分之间进行调解[1].簇头CH负责融合簇内车辆的数据，而其他节点(非簇头)将自己的数据传输至各自的簇头CH.由于簇头CH承担了数据融合的任务，负责与外界通信，簇内车辆成员的变动导致网络拓扑动态变化，加速通信链路的断裂，簇结构的稳定性及簇头的选择直接影响数据传输性能[2].

分簇及簇头选举用于稳定网络结构及改善车联网通信性能，文献[3]以减少车辆MAC层竞争为目的综合考虑速度、密度、信道因素来选取簇头从而提高网络吞吐量等性能.文献[4]指出车载网络基本属于复杂网络模型，复杂网络理论既可以提供准确的网络图解模型，又可以为网络设计，优化和管理做出重要贡献.文献[5]提出分布式聚类算法和基于进化博弈论的簇头选举算法，能够减轻基站负载并提高用户体验质量.文献[6]提出一种带时延约束的D2D协作中继转发策略，大幅提升数据传输速率.文献[7]针对荒漠环境提出一种分簇路由算法，建立可靠路由，提高簇的结构稳定性并降低路由开销.文献[8]提出一种基于移动性的稳定聚类方法，利用车辆速度，位置和方向以及链路质量等度量用于簇头选择，该算法在城市和高速公路场景具有可靠的稳定性.文献[9]提出一种计算节点稳定值的模型，根据距离、速度和概率参数的差异来计算节点稳定性，选取的簇头具有很高的价值稳定性.此外，基于各种智能方法改善车联网及自组织网络性能，也是当前的研究热点[10-18].

文献[19]提出一种基于分布式集群的传输调度，建立无竞争传输调度机制，用来解决最大最小流量分配问题，改善集群内车辆数据传输.文献[20]提出基于集中式聚类的混合车载网络框架，实现聚类和协调消息传输，以减少开销并改善安全数据传输.文献[21]提出一种具有选择性调制和功率控制的自适应传输方案，提高簇头与基站之间的中继链路容量，仿真表明该设计大大提高了5G用户的误码率和干线链路吞吐率.文献[22]提出一种新的VANET数据传播策略，选择最大效用的节点用作数据中继，所提出的方法在数据传播延迟方面表现更好.

文献[23]提出车联网辅助本地交通信息收集架构，用于支持信息流入的有效汇聚节点选择方案以及基于通信阻抗的最佳交通信息传输模型，以便提高信息传输效率.首先建立车联网加权无向图模型，利用复杂网络技术分析出租车GPS数据库构建车辆网络拓扑结构，验证车载网络的时间不变性.有效汇聚节点选择的标准为最大化节点网络容量，网络容量是用节点峰值负载容量来量化的，通常承载大量远程业务负载的节点对整个网络容量具有重大影响，该方案用于改善车联网交通信息传输性能和降低通信成本.

文献[24]提出一个综合的VANET分析模型，包含MAC协议操作，PHY层无线信道条件和车辆的移动模式，充分表征VANET集群的实际性能，提出一种泰勒级数展开的近似方法，推导出包丢失概率和吞吐量的闭式表达式.利用新模型设计VANET集群发现数据包丢失取决于集群中的车辆数量，集群太大，大量车辆之间的分组冲突和大地理跨度上的传输故障，大型集群分组丢失率高.集群太小，由于集群中生成的流量需求有限，集群的无线电资源将未得到充分利用.该模型分析揭示了集群大小，车辆速度，流量需求和窗口大小之间的内在依赖关系以及对集群总吞吐量和数据包丢失的影响，为VANET设计和管理提供指导方面的实用价值.

分簇及选择簇头虽然改善了簇内车辆通信状况，但簇内通信往往是单跳的方式，当某一车辆脱离与簇头的通信范围时，可能出现通信链路断裂，重连质量不稳定的情况，容易导致数据分组丢失，特别是在大型城市存在大量业务数据分发业务时，容易造成冲突和分组次序混乱，因此对簇内数据传输优化是非常必要的.

针对上述问题，本文基于复杂网络理论，利用成都市真实出租车GPS数据建立车辆通信无向图模型.本文提出基于车辆广义距离的谱聚类分簇算法及基于模糊逻辑的簇头选择算法，针对大量业务数据传输问题提出优化模型，仿真结果表明，所提出的方案比现有算法有效提高了集群内系统网络吞吐量，降低了数据传输时延.

2 系统模型

2.1 数据集

本文数据集基于成都市出租车2014年8月3日到8月30日真实GPS数据.选择经度[103.90，104.20]和纬度[30.55，30.80]范围内的车辆GPS数据用于构建车联网模型.图 1为某一时刻车辆GPS坐标分布.

2.2 无向图模型

车辆通信无向图模型G=(V，E).V为所有车辆集合，E为车辆间通信链路集合.假设所有车辆和路边单元具有相同的通信能力，一对节点只要在最大信息传输范围r内就能实现彼此通信，假设加性高斯白噪声(AWGN)，功率为N0.

图1 成都市出租车GPS坐标分布

无向图模型基于复杂网络理论，节点度(在最大通信范围内与该节点通信的邻居节点数)，中介中心性，聚类系数是模型的关键参数.图 2反映了每个节点的中介中心性及所有车辆的聚类系数.

图2 中介中心性与聚类系数

中介中心性用于量化节点的重要性：

(1)

聚类系数表示车辆节点聚集程度的系数：

(2)

式(2)中ki为车辆i的度.Ei为车辆i的所有邻居车辆通信链路总和.

3 分簇算法

基于构建的无向图模型，车辆之间要想形成稳定的簇需要考虑车辆周围邻居车辆数以及与邻居车辆的速度差和实际距离差，定义车辆之间的广义距离Dij见式(3)，广义距离反映了每个车辆之间的相似度，广义距离越大，说明两个车辆之间形成簇的可能性越小.

Dij=ξ1(kiBi+kjBj)+ξ2vij+ξ3dij

(3)

式(3)中ki，kj为车辆i，j的度.Bi，Bj为车辆i，j的中介中心性.vij为车辆i，j的速度差.dij为车辆i，j的距离.ξ1，ξ2，ξ3为权重系数.

基于广义距离分簇算法流程见算法1.

算法1.基于广义距离分簇

初始化：

1.计算车辆之间的欧氏距离dij；

2.根据r=1000m产生邻接矩阵和度矩阵dM；

3.计算ki，Bi，vij；

4.计算广义距离矩阵Dij(ξ1=ξ2=0.3,ξ3=0.4).

谱聚类：

5.生成拉普拉斯矩阵LM，LM=dM-Dij；

8.使用K-means对新排序的向量空间进行聚类.

输出：

9.分簇结果

4 基于模糊逻辑簇头选择算法

4.1 模糊逻辑输入

为了形成稳定的分簇以及选择稳定的簇头本文基于模糊逻辑考虑车辆的领导力、速度、距离三个因素(LFi,VFi,DFi).领导力因素主要考虑车辆节点度和中介中心性.速度因素在这里指的是车辆与邻居车辆的综合速度差(根据节点度所占的权重计算).距离因素这里指的是车辆与邻居车辆的综合欧式距离.只要车辆周围邻居节点数多，车辆节点与周围邻居节点的综合速度差越小，综合距离越小，选取的簇头生存周期更长，在簇内负责协调与其他车辆的通信会更加稳定可靠.

LFi=kiBi

(4)

(5)

(6)

(7)

4.2 模糊化和模糊规则

根据每个车辆计算出来的领导力、速度、距离因素，由于没有一个具体的阈值来确定该因素对该节点选择为簇头是否合理，因而将每个因素模糊划分为三个等级，领导力因素对应{好、中、坏}，速度因素对应{慢、中、快}，距离因素对应{近、中、远}.对于每个输入因素采用模糊隶属函数来刻画每个因素，所有因素在计算出来后统一进行归一化处理.对于每一个因素输入对应一条IF/THEN规则，输出分为{Perfect，Good，Acceptable，Unpreferable，Bad，Very Bad}六个等级，输入输出隶属函数见图 3.

三个因素输入一共对应27条模糊规则，模糊规则见表1.由于输出变量最后为模糊值，最后基于重心法根据输出模糊值对应的图形求解图形重心的横坐标进行去模糊化，其值作为车辆节点成为簇头的概率.

图3 输入输出隶属函数

根据文献[23]中最大化网络容量(MNC)来选择网关节点(簇头)，其问题形式如式(8)所示.P=[p(t),t=1,2,…,N]T,P表示节点成为簇头的概率.基于本文通信模型，两种算法选择簇头的概率如图 4，只有个别车辆能够被选择为簇头.

min Ω

s.t. RAP-Ω1+y=0

PT1=1

y≥0

P≥0

(8)

图4 基于两种方法的簇头选择概率(数据范围为经度[104.03，104.10]和纬度[30.63，30.67])

5 簇内数据传输优化模型

针对簇内大量流媒体数据传输的需求，由于车辆高速移动以及物理层信道衰落效应会影响分簇后的集群可靠性以及吞吐量性能，即使在MAC层无传输冲突的条件下，物理层信道条件也会对系统数据包丢失产生很大影响，本文从考虑物理层解码失败而引起数据包丢失的角度，在基于前面完成分簇及簇头选择工作提出簇内数据传输优化模型.

在集群Cj(j为簇头)内，第i个车辆数据包到达簇头丢失的概率为式(9)[24].

(9)

式(9)中K2为路径损失指数.

Lpi=φi/[Tc(vi)log2(1+γ0)]，φi为第i个车辆发送数据包的大小，γ0为接收SNR阈值.

表1 模糊规则

Table 1 Fuzzy rule

RulesLFVFDFRANKRule1GoodSlowClosePerfectRule2GoodSlowMediumGoodRule3GoodSlowFarUnpreferableRule4GoodMediumCloseGoodRule5GoodMediumMediumAcceptableRule6GoodMediumFarBadRule7GoodFastCloseUnpreferableRule8GoodFastMediumBadRule9GoodFastFarVeryBadRule10FairSlowCloseGoodRule11FairSlowMediumAcceptableRule12FairSlowFarBadRule13FairMediumCloseAcceptableRule14FairMediumMediumUnpreferableRule15FairMediumFarBadRule16FairFastCloseBadRule17FairFastMediumBadRule18FairFastFarVeryBadRule19PoorSlowCloseUnpreferableRule20PoorSlowMediumBadRule21PoorSlowFarVeryBadRule22PoorMediumCloseBadRule23PoorMediumMediumBadRule24PoorMediumFarVeryBadRule25PoorFastCloseBadRule26PoorFastMediumVeryBadRule27PoorFastFarVeryBad

(10)

式(10)中N0为加性噪声功率，Pt为传送功率.

(11)

式(11)中λ0=c/f0，Gt、Gr为传送机和接收机的天线增益.

因此集群内每个车辆吞吐量φi的计算如下：

φi=λi(1-pi)LPi

(12)

式(12)中λi为第i个车辆的分组到达率.

簇内数据传输优化模型见式(13)，φ0为每个车辆之间的最大传输速率，每个集群的分组到达率上限为μ.

s.t.φi≤φ0

(13)

6 数值仿真与性能分析

利用MATLAB对所提方案进行数值仿真.φi设置为400Bytes～500Bytes之间随机分布，吞吐量值φ0设置为400Kbps，每个簇的分组到达率上限μ设置为200packets/s，GtGr设置为1，f0为5.9GHz，Pt为2W，γ0为3dB，N0为3.98×10-12mW，路径损失指数K2为2.

比较基于Fuzzy、基于MNC两种方法的吞吐量及时延性能见图5所示.基于Fuzzy的方案中，吞吐量达到350kb/s的节点数量及吞吐量均值明显高于基于MNC的方法，时延高于0.5的节点数量及时延均值明显少于基于MNC方案，基于Fuzzy方案选出的簇头能够维持与簇内车辆之间稳定的通信，在吞吐量和时延性能方面优于MNC方案.

图5 基于两种方法的簇内吞吐量与(归一化)时延性能比较

当簇内车辆数增加时，簇内平均吞吐量性能变化如图6所示，基于Fuzzy，基于MNC，随机选取三种方案随簇内车辆数增加，平均吞吐量性能变化维持在稳定范围内，提出的数据传输模型能够适应车辆数的变化并保持稳定的通信状况.当簇内分组到达率上限μ=100时，基于Fuzzy的方案簇内平均吞吐量高于MNC和随机方案，当μ=200时，簇内分组到达率上限增加，簇内通信状况改善，三种方法的平均吞吐量均有提高，但基于Fuzzy的方案簇内平均吞吐量性能依然优于其他两种方案，在保证传输质量的前提下最大化簇内吞吐量.改变通信半径r后，簇内数据传输优化模型仍旧保持较高的平均吞吐量.

簇内平均时延变化见图6，随车辆数增加，基于三种方案的簇内平均时延保持稳定，簇内传输优化模型不会随簇的变化发生较大波动，当簇内分组到达率上限μ=100时，基于Fuzzy的方案簇内平均时延低于MNC和随机方案.当μ=200时，簇内分组到达率上限增加，三种方法的平均时延均有下降，基于Fuzzy方案的簇内平均时延最低.通信半径r=2000时，三种方案的变化趋势与r=1000时相似，数据传输优化模型随通信半径变化仍旧保持良好性能，基于Fuzzy方案在保证传输质量的前提下降低传输时延.

在车联网场景中，车辆位置、速度及网络拓扑快速变化，这种变化具有不确定性，本文提出的基于广义距离的分簇算法划分相对稳定的簇，在簇内选择出比其他节点更加稳定的节点作为簇头，能够保持簇头与簇内成员之间数据传输的稳定性，提高传输链路的质量.

图6 簇内平均吞吐量与平均时延性能比较

(14)

(15)

7 结束语

为了改善车辆网簇内数据传输性能，本文基于复杂网络理论构建车联网通信模型，针对城市大规模车辆通信环境提出一种分簇 及基于模糊逻辑选择簇头并优化簇内数据传输的模型，模型充分考虑了车联网形成稳定分簇的条件以及物理层无线信道条件，基于真实数据模拟了大规模车辆簇内通信环境.仿真结果表明，本文方案与MNC算法和随机算法相比，有效提高了系统吞吐量，降低传输时延.

下一步工作将对簇内传输路径进行优化，考虑路径损失等车辆节点的通信状况来进一步优化传输模型.