黃 丹，黃 燕，環(huán) 天

(1.中國礦業(yè)大學 計算機科學與技術學院，江蘇 徐州 221116； 2.舟山市定海區(qū)交通運輸局，浙江 舟山 316000)

(*通信作者電子郵箱791843924@qq.com)

基于弱狀態(tài)的車載網(wǎng)數(shù)據(jù)轉發(fā)策略

黃 丹1*，黃 燕2，環(huán) 天1

(1.中國礦業(yè)大學 計算機科學與技術學院，江蘇 徐州 221116； 2.舟山市定海區(qū)交通運輸局，浙江 舟山 316000)

(*通信作者電子郵箱791843924@qq.com)

針對車載網(wǎng)(VANET)中車輛高度移動性、拓撲變化動態(tài)性等特點所導致的數(shù)據(jù)轉發(fā)失敗問題，提出一種基于弱狀態(tài)協(xié)議(WSR)下的數(shù)據(jù)包傳輸算法——WSFD，實現(xiàn)交通控制中心(TCC)到目標車輛之間的高效數(shù)據(jù)傳輸。首先，車輛控制中心將收集到的數(shù)據(jù)包發(fā)送給位于目的車輛方向的接入點(AP)；然后，接入點在其通信范圍內(nèi)將數(shù)據(jù)包轉發(fā)給某車輛，同時數(shù)據(jù)包攜帶上目標車輛位置信息；其次，每次接收到數(shù)據(jù)包的車輛對比自身所持有的映射,篩選出對于目標車輛位置信息確定性最大的映射與數(shù)據(jù)包攜帶的位置信息對比以確定下一步轉發(fā)方向。若映射置信度較大，則將數(shù)據(jù)包方向修正為向此映射對應的地理區(qū)域中心移動，同時數(shù)據(jù)包更新包中所攜帶的目標車輛信息，反之則維持原方向不變。最后經(jīng)過多次轉發(fā)修正數(shù)據(jù)包傳輸方向，逐漸逼近目標車輛所在的區(qū)域，完成最終的數(shù)據(jù)交付。在30 km×30 km方形區(qū)域的數(shù)據(jù)傳輸實驗中，與TSF與GPSR算法相比，WSFD在數(shù)據(jù)包的傳輸延遲上普遍降低至5 s以下，且將數(shù)據(jù)包投遞率提高至0.92。實驗結果表明，WSFD能準確高效地傳輸數(shù)據(jù)包，在增強了駕駛員的人身安全性同時有效緩解了交通堵塞。

車載網(wǎng)；動態(tài)性；數(shù)據(jù)傳輸；位置信息；弱狀態(tài)

0 引言

機動車的普及在為人們出行帶來方便的同時，也帶來了城市道路交通堵塞的問題。以北京為例，城市主干道平均車速較十年前降低了50%以上，且有高達60%以上的交叉路口常發(fā)生嚴重的交通堵塞，嚴重影響了人們的工作效率和社會發(fā)展[1]。研究表明，這一情況通常與駕駛員無法及時掌握當前道路網(wǎng)的詳細狀況密切相關[2]。本文提出的數(shù)據(jù)傳輸算法：一方面有助于駕駛員根據(jù)其接收到的數(shù)據(jù)包(例如：路況信息數(shù)據(jù)包)另辟蹊徑躲避擁堵區(qū)域或可能的危險情況以提高行駛效率和安全性；另一方面，也有助于緩解交通堵塞。當前主流的研究熱點為車輛自組網(wǎng)中的數(shù)據(jù)傳輸[1,3-4]，例如早期的流行路由，它是通過車輛間以隨機交換的方式復制信息,直到車輛有每一個信息的拷貝[5]，但是并未考慮到車輛網(wǎng)的車輛動態(tài)行駛過程中的各種限制條件(比如：道路區(qū)域有限、行車速度受限等)。即使將車輛網(wǎng)中各種限制條件納入考慮之中，現(xiàn)有的相關研究比如“汽車輔助數(shù)據(jù)傳輸(Vehicle-Assisted Data Delivery, VADD)[6]”“中繼節(jié)點輔助(Static-node-assisted Adaptive Data Delivery, SADV)[7-8]”等，其研究對象幾乎都是從一個動態(tài)車輛向一個設施車輛的正向數(shù)據(jù)傳輸,不具有移動性的設施車輛作為目的地，太過理想化而現(xiàn)實意義并不充分。在極少數(shù)的從靜態(tài)設施車輛向動態(tài)車輛之間的反向數(shù)據(jù)傳輸研究，比如TSF(Trajectory-Based Statistical Forwarding for Multihop Infrastructure-to-Vehicle Data Delivery)[3]中，也是局限于務必先在數(shù)據(jù)傳輸過程中尋找到位于目標車輛軌跡上的一個靜態(tài)設施節(jié)點作為數(shù)據(jù)包和目標車輛的交匯點，才能完成整個數(shù)據(jù)交付過程。

本算法主要針對文獻[3]中存在的車輛在靜態(tài)節(jié)點處等待數(shù)據(jù)包問題，采用弱狀態(tài)路由協(xié)議(Weak State Routing, WSR)實現(xiàn)從交通控制中心(Traffic Control Center, TCC)到一個動態(tài)車輛的數(shù)據(jù)傳輸。由于車輛自組網(wǎng)中所有車輛一直處于移動狀態(tài)，更符合車輛自組網(wǎng)的路況信息的傳輸方向。在整個數(shù)據(jù)轉發(fā)過程中，借助道路網(wǎng)中行駛的多個車輛作為數(shù)據(jù)包載體，經(jīng)過多跳性傳輸最終將數(shù)據(jù)包傳送給目標車輛。

1 經(jīng)典TSF算法概述

車載網(wǎng)(Vehicular Ad Hoc Network, VANET)中傳統(tǒng)的TSF數(shù)據(jù)傳輸算法是在TBD(Trajectory-Based Statistical Forwarding for Light-Traffic Vehicle Ad Hoc)[9]的基礎上將一個處于目標車輛行駛軌跡上的路口處的靜態(tài)設施作為數(shù)據(jù)包與目標車輛的最佳交匯點，實現(xiàn)從靜態(tài)節(jié)點到動態(tài)目標車輛的數(shù)據(jù)傳輸，其中目標車輛的未來行駛路線是可以預知的。為了掌握各車輛的行駛軌跡，車載網(wǎng)中所有車輛需要通過GPS設備及DSRC(Dedicated Short Range Communication)設備[9]周期性地向TCC匯報軌跡信息。TSF通過統(tǒng)計數(shù)據(jù)分析數(shù)據(jù)包延遲和目標車輛延遲均服從Gamma分布，預測出延遲最小的路口作為最佳交匯點，暫存數(shù)據(jù)包完成數(shù)據(jù)傳輸。

如圖1所示：數(shù)據(jù)包首先按照物理最短路徑傳輸?shù)浇粎R點；其次數(shù)據(jù)包在交匯點處等待沿著目標軌跡反向行駛的車輛作為數(shù)據(jù)包載體；最后將數(shù)據(jù)包轉發(fā)給目標車輛完成交付。實際上，在大多數(shù)道路網(wǎng)中，由于車輛具有高度自由移動性，車輛軌跡很難獲得，且由于目標車輛軌跡路段不一致，交匯點的選擇范圍并不大。數(shù)據(jù)包在交匯點處等待滿足條件的車輛這一環(huán)節(jié)，導致數(shù)據(jù)包傳輸總延時的增加，影響數(shù)據(jù)傳輸效率。由于交匯點設置為某個靜態(tài)路口，有可能會發(fā)生數(shù)據(jù)包在目標車輛經(jīng)過此路口之后才到達，導致數(shù)據(jù)包交付失敗。針對這些問題，本文引入弱狀態(tài)路由概念，采用了動態(tài)傳輸方法，避免了傳輸過程中的數(shù)據(jù)包等待問題，提高了數(shù)據(jù)包成功交付的概率。

2 改進思路與算法

2.1 改進思路

由于車輛自組網(wǎng)具有高度的動態(tài)移動性，頻繁的網(wǎng)絡分區(qū)與合并導致網(wǎng)絡結構十分復雜。本算法針對網(wǎng)絡的高度動態(tài)性特征，提出是一種基于WSR協(xié)議改進實現(xiàn)車輛自組網(wǎng)無結構化的數(shù)據(jù)包傳輸方法(Weak State Forwarding, WSFD)。在數(shù)據(jù)包傳輸過程中，車輛不受攜帶的數(shù)據(jù)包的限制仍然維持原先的移動狀態(tài)。本算法不同于GPSR(Greedy Perimeter Stateless Routing)[10]將數(shù)據(jù)轉發(fā)和獲取地理位置信息兩個過程分離，引入WSR路由協(xié)議概念[11]，車輛在網(wǎng)絡中周期性地向鄰近車輛傳播自己的地理位置信息，數(shù)據(jù)轉發(fā)和地理查詢兩個過程同時發(fā)生。如圖2所示，車輛控制中心T首先將收集到的路況信息以獨立的數(shù)據(jù)包形式發(fā)送給鄰近的接入點(Access Point, AP)，其次AP賦予數(shù)據(jù)包一個隨機方向，數(shù)據(jù)包沿著此方向傳輸，直到被一個包含有關目標車輛D信息的車輛C1接收，然后車輛C2作為數(shù)據(jù)包載體重新尋找比自身更適合作為數(shù)據(jù)包載體的新車輛,(具體尋找過程會在第三節(jié)詳細解釋)，重復上述步驟，直到將數(shù)據(jù)包轉發(fā)給目標車輛D完成交付。

圖2 數(shù)據(jù)轉發(fā)結構

2.2 改進算法

2.2.1 條件假設

本算法假設道路網(wǎng)無空閑路段，網(wǎng)絡密度足夠高，所有車輛可以通過GPS設備或者其他方法獲取自己當前在二維平面上的位置信息和行駛速度。通過周期性的Beacon消息機制，車輛能獲得通信范圍內(nèi)的鄰居車輛的位置信息。交通TCC能夠及時獲取各路段交通密度和每一車輛當前的行駛狀態(tài)(所處路段、行車速度及具體位置等)。

2.2.2 弱狀態(tài)

1)弱狀態(tài)概念定義。

弱狀態(tài)首先在文獻[11]中被提出，它是一種不同于傳統(tǒng)的強狀態(tài)路由[12]的新概念。傳統(tǒng)的路由狀態(tài)被解釋為一種確定性的信息，而弱狀態(tài)是一種可能性的概率行為。在傳統(tǒng)的強狀態(tài)路由下，當數(shù)據(jù)包方向改變時，即圖3中的狀態(tài)發(fā)生變化時，遠程車輛B的狀態(tài)信息也會隨之改變，那么對應的路由表條目會隨之立即變?yōu)槭?，狀態(tài)有效的持續(xù)性極差，而為了不斷及時更新條目信息必將對當前所在的車輛網(wǎng)造成巨大的網(wǎng)絡負荷。相對于強狀態(tài)而言，弱狀態(tài)路由協(xié)議彌補了這一缺陷。弱狀態(tài)路由協(xié)議包涵“不確定”的非絕對性的概念，遠程車輛B所對應的狀態(tài)是一種帶有置信度數(shù)值θ的信息，隨著時間的延長，車輛B對應的置信度數(shù)值會從1開始逐漸減小，表示相應的狀態(tài)在弱化，當車輛A改變當前狀態(tài)時，車輛B會接收到控制信息隨之改變自己持有的狀態(tài)信息；若車輛A無狀態(tài)更新，則θ一旦降到既定的閾值α以下，對應的條目信息就會變?yōu)槭?，從本地系統(tǒng)中自動刪除。

2)弱狀態(tài)的實現(xiàn)。

一個弱狀態(tài)對應一個車輛ID集合到一個地理區(qū)域的匹配映射，映射會隨著時間弱化，直到最低極限α時便從系統(tǒng)中自動刪除，具體弱化方法會在后面詳細介紹。一個遠程車輛會維持多個映射，每個映射相互獨立，各自的弱狀態(tài)信息就是獲取映射中的不確定性，以一個概率值的方式表示。將ID集合與其對應的地理區(qū)域相匹配后，可用于對數(shù)據(jù)包傳輸方向的修正。

如果目標車輛的ID在某個車輛ID集合中，那么將數(shù)據(jù)包的方向修正為偏向該車輛集合所對應的地區(qū)域中心。隨著距離目標車輛越來越近，數(shù)據(jù)包方向的偏向會得到逐漸加強。

圖3 弱狀態(tài)示意圖

3)弱化方法。

一個映射包含兩個組成元素：車輛ID集合與其對應的地理區(qū)域，如圖4所示。

圖4 集合-區(qū)域映射

由于車輛都處于運動狀態(tài)，因此ID集合與其地理區(qū)域的匹配程度是逐步衰減的。如圖5所示：假設遠程車輛n維持兩個映射，在t時刻確切知道m(xù)1和m2的具體位置，t+δ時刻，車輛n通過計算δ×v可確定m1存在的區(qū)域M1，同理在t+δ時刻，可確定m2存在的區(qū)域M2。從t時刻n車輛確切知道m(xù)1和m2的具體位置信息擴展到只能確定其存在區(qū)域的過程，便是一種狀態(tài)弱化過程。若區(qū)域M1、M2相近即圖3中的β足夠小，可將兩區(qū)域合并為一區(qū)域M，它是以m1和m2的中點m為圓心，同時包涵M1區(qū)域和M2區(qū)域的最小圓。與此同時，對應的車輛集合也隨之合并，此時車輛n所維持的兩個映射合二為一，狀態(tài)進一步弱化。

圖5 地理區(qū)域弱化過程

隨著區(qū)域逐步合并，車輛位置的不確定性不斷增大，這對于數(shù)據(jù)傳輸是越來越不利的。因此此時將弱化狀態(tài)方法從弱化區(qū)域部分轉移到弱化車輛集合部分，這需要通過弱化布隆濾波器(Bloom Filter)機制實現(xiàn)。每一個車輛ID集合，用一個Bloom Filter表示，通過周期性地隨機將Bloom Filter中的某一比特值“1”重置為“0”，以此來達到弱化狀態(tài)目的。

2.2.3BloomFilter

對于每一個剛創(chuàng)建的弱狀態(tài)入口，都設置一個BloomFilter機制表示對應的車輛集合部分。BloomFilter是一種結構簡單而空間復雜很小的隨機數(shù)據(jù)結構，用來檢測元素x是否是集合A的成員[12]。假設映射車ID輛集合A={x1,x2,…,xj}，Bloom Filter設置長度為u的位向量，使用k個獨立的哈希函數(shù)f1,f2,…,fk，將集合A中元素散列到u位上，每一個元素對應的k位均置“1”。查詢元素x是否為集合A的成員時，只有元素x數(shù)組中f1(x),f2(x),…,fk(x)比特位都為“1”，才表示元素x是集合A的成員。隨著集合A中元素增多，Bloom Filter置“1”位數(shù)量增加，會造成將非A集合中的成員誤判成屬于集合A。誤判率為P(error)[13]:

P(error)=([1-(1/u)]kj)k

為了降低誤判率，本文使用弱化式的Bloom Filter，基本思想是，當映射對應的車輛ID集合Bloom Filter中“1”的數(shù)量count(B1)≥u/2時，將已有的Bloom Filter比特位為“1”的每隔δt(s)隨機挑選一位重置為“0”。Bloom Filter中“1”的總數(shù)會隨著時間逐漸減小，目標車輛ID散列對應的“1”的數(shù)量越小，表示此映射信息越舊，狀態(tài)越弱，可信度越低，目標車輛位置的確定性越小。

當Bloom Filter中某一個車輛ID散列對應的“1”位數(shù)量低于某個既定的閾值γ，則將車輛的狀態(tài)從此映射中移除。

2.3 地理位置信息傳播

由于Beacon消息通信距離有限，為傳播遠程車輛的地理位置信息，車輛周期性地通過Announcement消息機制[8]往運動方向的四個正交方向散播自己的地理位置信息。Announcement消息包括了車輛的本地置信度、路段、位置、速度、方向等信息。Announcement消息中的變量描述如表1所示。每一輛車都匹配一個置信度值θ，用它來決定所包涵有關目標車輛位置信息的新舊程度。RoadNo，X，Y，V，D信息都能通過GPS設備獲取。

表1 Announcement信息中的變量描述

在車輛通信范圍內(nèi)的鄰車輛，可通過Beacon消息確定相互具體位置，此時的狀態(tài)置信度為1，一旦鄰車輛移動超出其通信范圍外，則根據(jù)移動速度和鄰車輛最后所在的位置，計算確定其所在區(qū)域，此時的狀態(tài)置信度也隨之下降。對于較遠的車輛，車輛m周期性以隨機方向發(fā)送自己的位置信息，提高與數(shù)據(jù)包傳輸方向相交的概率。當某個車輛接收到來自車輛m的位置信息時，創(chuàng)建一個關于m的映射，其對應的地理區(qū)域是以m為中心、半徑為0的區(qū)域，此時狀態(tài)置信度為1，并判斷此映射是否能夠與已存在的映射合并。

2.4 置信度比較

每一個弱狀態(tài)置信度數(shù)值受兩個因素的影響：1)地理區(qū)域的大??；2)BloomFilter中比特位“1”的數(shù)量。

當車輛A維持的多個映射{ij1,ij2,…,ijk}都包含目標車輛D的位置信息時，首先對每個映射的Bloom Filter中，查詢在總長度u中，表示目標車輛D的“1”的數(shù)量d，計算pj=d/u，選擇p(B1)=max{pj1,pj2,…,pjk}決定數(shù)據(jù)包新的修正方向。

若存在兩個或多個映射的pj相同，則分別比較篩選每一個映射的地理區(qū)域部分半徑，選擇R=min{R1,R2,…,Rk}的區(qū)域，將數(shù)據(jù)包傳輸方向往此區(qū)域中心方向修正。

2.5 算法流程

數(shù)據(jù)傳輸核心算法流程如圖6所示。

圖6 WSFD算法流程

步驟1 交通控制中心TCC將數(shù)據(jù)包沿著目標車輛方向發(fā)送到附近的一個接入點上，接入點以一個隨機角度ψ發(fā)送捎帶目的地車輛信息pD的數(shù)據(jù)包，發(fā)送給在其通信范圍內(nèi)遇到的第一輛車CA。

步驟2 在車輛CA所維持的所有映射中，查詢是否有包含目標車輛D信息的映射：

①若車輛CA所維持的所有映射i={i1,i2,…,ik}都未包含目標車輛D的位置信息，則選擇θA=max{θj1,θj2,…,θjk}的映射ij，數(shù)據(jù)包將攜帶上此映射的置信度數(shù)值θp(θp←θA)，并將數(shù)據(jù)包傳輸方向往映射ij對應的地理區(qū)域中心方向偏轉；

②若車輛CA所維持所有映射中，只有映射ii包含目標車輛D的位置信息，數(shù)據(jù)包將攜帶上此映射的置信度數(shù)值θii，并將數(shù)據(jù)包傳輸方向往映射ii所對應的地理區(qū)域中心方向偏轉；

③若車輛CA所維持所有映射中，多個映射{ij1,ij2,…,ijk}都包含了目標車輛D的位置信息，則θA=max{θj1,θj2,…,θjk}的映射ijj，數(shù)據(jù)包將攜帶上此映射的置信度數(shù)值θA,并將數(shù)據(jù)包傳輸方向往映射ijj對應的地理區(qū)域中心方向偏轉。

步驟3 數(shù)據(jù)包被車輛CA通信范圍內(nèi)的某一車輛CB所接收，查詢車輛CB所維持的所有映射，重復步驟2，并將最終的θB與數(shù)據(jù)包所攜帶的θA對比：

①若θA≤θB，則將數(shù)據(jù)包傳輸方向按照θB對應的映射的地理區(qū)域中心修正,并更新所攜帶的置信度θp(θp←θB)；

②若θA>θB，則維持原有的數(shù)據(jù)包傳輸方向不變，數(shù)據(jù)包會被沿著此方向的下一個車輛CC接收。

步驟4 對于之后每一輛接收數(shù)據(jù)包的中間車輛CC，CD，CE，…,Cn，重復步驟4，直至將數(shù)據(jù)包轉發(fā)給目標車輛D完成數(shù)據(jù)交付。

3 實驗與性能分析

3.1 實驗介紹

為了檢測本算法的性能，本文將使用幾個典型的路由協(xié)議測量指標，如表2所示。

表2 測量指標

本文實現(xiàn)了WSFD與GPSR、TSF的性能比較，實驗數(shù)據(jù)從實時交通數(shù)據(jù)得來。動態(tài)車輛分布在30km×30km方形區(qū)域中，車輛行駛速度最低限速20km/h,最高限速40km/h，每輛車每秒往其他車輛發(fā)送521B的數(shù)據(jù)包信息，實驗時間為100s。

3.2 性能分析

3.2.1 車輛密度的影響

為了方便比較三種協(xié)議在不同車輛密度下的性能，假設當前車輛以20km/h的速度勻速行駛。

數(shù)據(jù)包傳送延遲實驗結果如圖7所示。由于WSFD將數(shù)據(jù)傳輸和位置發(fā)現(xiàn)兩個過程同時進行，因此受車輛數(shù)量影響最小，整個過程中數(shù)據(jù)包傳送延遲都維持在5s左右，性能最優(yōu)。TSF數(shù)據(jù)包傳送延遲隨著車輛數(shù)量的增加逐漸降低，因為道路交通流量越大，可作為數(shù)據(jù)包載體的車輛選擇性就越多。TSF協(xié)議下，數(shù)據(jù)包需要在交匯點處等待車輛，造成總體延遲的增加。GPSR需要額外進行地理位置發(fā)現(xiàn)過程，因此在延遲方面表現(xiàn)不佳。

圖7 不同車輛數(shù)時傳送延遲對比

數(shù)據(jù)包投遞率實驗結果如圖8所示。WSFD和TSF投遞率均在0.85以上并隨著車載網(wǎng)密度的增大逐漸提高,而TSF由于城市道路限速，降低了車輛的路口到達率，影響了數(shù)據(jù)包提前到達交匯點的概率，因此數(shù)據(jù)包投遞率性能方面稍差些；由于車輛數(shù)目增加，GPSR投遞率逐步減小。

圖8 不同車輛數(shù)時投遞率對比

數(shù)據(jù)包平均路徑長度如圖9所示。隨著車輛數(shù)量的增加，TSF和GPSR的數(shù)據(jù)包傳播路徑是逐漸下降的。在TSF協(xié)議中，目標車輛的軌跡是已知的，是一種確定性數(shù)據(jù)傳輸，因此傳播路徑方面性能良好。GPSR在GLS(GridLocationSystem)[10]的幫助下，可尋找最短路徑傳播。由于WSFD是概率性傳播方法，數(shù)據(jù)包在中間節(jié)點處以較大的概率被修正傳輸方向，不可避免繞遠路的情況發(fā)生。

圖9 不同車輛數(shù)時平均路徑長度對比

3.2.2 平均車速的影響

車輛密度維持在400輛保持不變，在平均車速不同的條件下，三種協(xié)議的性能表現(xiàn)也有所差異。

數(shù)據(jù)包傳送延遲實驗結果如圖10所示。由于車輛密度保持不變，隨著平均車速的增加，三種協(xié)議均受車速影響較小。由于車輛網(wǎng)平均車速增加，車輛之間彼此相互通信概率增大，WSFD和TSF及GPSR總體呈下降趨勢，前兩者性能仍然優(yōu)于后者。

圖10 不同平均車速時傳送延遲對比

數(shù)據(jù)包投遞率實驗結果如圖11所示。由于車載網(wǎng)整體速度提高導致網(wǎng)絡動態(tài)性增強，WSFD映射信息更新加快，數(shù)據(jù)包轉發(fā)方向修正率提高，因此數(shù)據(jù)包投遞率逐漸提高，逐漸逼近1。隨著車輛速度提高，TSF在轉發(fā)數(shù)據(jù)包到交匯點的過程中，路口等待比率減小，因此數(shù)據(jù)包投遞率在逐漸遞增。GPSR數(shù)據(jù)包投遞率隨著車速增加而提高，整體性能仍不及WSFD和TSF。

圖11 不同平均車速時投遞率對比

數(shù)據(jù)包平均路徑長度如圖12所示。隨著車載網(wǎng)平均車速的提高，由于TSF和GPSR都是根據(jù)確定性方向轉發(fā)數(shù)據(jù)包，因此受車速影響較小。而WSFD中映射維持的地理區(qū)域擴大速度會隨著車速的增加而提高，使用更大的衰減概率，數(shù)據(jù)包需要多次的傳輸嘗試才能到包含有效信息的中間節(jié)點。

4 結語

本文提出了一種基于弱狀態(tài)的車載網(wǎng)數(shù)據(jù)傳輸算法，此數(shù)據(jù)傳輸算法通過對比篩選對于車輛位置信息確定程度最大的映射，將數(shù)據(jù)包傳輸方向逐步修正，漸漸逼近目標車輛所在區(qū)域，最終完成數(shù)據(jù)交付。通過使用交通數(shù)據(jù)進行網(wǎng)絡模擬與仿真，相比TSF協(xié)議及GPSR路由協(xié)議，本算法能夠以較低的路由負荷提供數(shù)據(jù)包較高的投遞率和較低的傳送延遲。雖然WSFD在各測試指標上顯示了很高的性能，但是其對于路徑的選擇受到了限制，這也是將來研究的方向。

圖12 不同平均車速時平均路徑長度對比

)

[1] 白翔宇,葉新銘,李軍.感知實時車流信息的VANET路由仿真研究[J].系統(tǒng)仿真學報,2012,24(2):429-440.(BAIXY,YEXM,LIJ.SimulationresearchonVANETroutingwithreal-timevehiculartrafficaware[J].JournalofSystemSimulation, 2012, 24(2): 429-440.)

[2] 向勇.基于車載自組網(wǎng)的動態(tài)交通信息的挖掘和利用[J].中興通訊技術,2011,17(3):29-34.(XIANGY.DynamictrafficdataminingbasedonvehicularAdHocnetworking[J].ZTETechnologyJournal, 2011, 17(3): 29-34.)

[3]JEONGJ,GUOS,GUY,etal.Trajectory-basedstatisticalfor-wardingformultihopinfrastructure-to-vehicledatadelivery[J].IEEETransactionsonMobileComputing, 2012, 11(10): 1523-1537.

[4] 馮金生,薛廣濤,李明祿.車輛自組網(wǎng)絡中的被動地理路由算法[J].計算機工程,2009,35(17):115-119.(FENGJS,XUEGT,LIML.PassivegeographicalroutingalgorithminVANET[J].ComputerEngineering, 2009, 35(17): 115-119.)

[5] 孫踐知,張迎新,陳丹,等.具有自適應能力的Epidemic路由算法[J].計算機科學,2012,39(7):104-107.(SUNJZ,ZHANGYX,CHEND,etal.Self-adaptiveepidemicroutingalgorithm[J].ComputerScience, 2012, 39(7): 104-107.)

[6]ZHAOJ,CAOG.Vehicle-assisteddatadeliveryinvehicularAdHocnetworks[J].IEEETransactionsonVehicularTechnology, 2008, 57(3): 1910-1922.

[7]DINGY,XIAOL.Static-node-assistedadaptivedatadisseminationinvehicularnetworks[J].IEEETransactionsonVehicularTechnology, 2010, 59(5): 2445-2455.

[8]NAVEENK,KARUPPANANK.ScalableandadaptivedatadisseminationforVANET[J].CommunicationsinComputerandInformationScience, 2011, 192(10): 615-623.

[9]JEONGJ,GUOS,GUY,etal.Trajectory-basedstatisticalforwardingforlight-trafficvehicularAdHoc[J].IEEETransactionsonParallel&DistributedSystems, 2011, 22(5):734-757.

[10]ZAKISM,NGADIMA,RAZAKSA.LocationserviceprotocolforhighlymobileAdHocnetwork[J].ArabianJournalforScience&Engineering, 2014, 39(2): 861-873.

[11] ACER U G, KALYANARAMAN S, ABOUZEID A A.Weak state routing for large-scale dynamic networks [J].IEEE/ACM Transactions on Networking, 2012, 18(5): 1450-1463.

[12] FU Y G, BIERSACK E.Tree-structured bloom filters for joint optimization of false positive probability and transmission bandwidth [C]// Proceedings of the 2015 ACM SIGMETRICS International Conference on Measurement and Modeling of Computer Systems.New York: ACM, 2015: 437-438.

[13] 朱桂明,郭德科,金士堯.基于衰落Bloom Filter的P2P網(wǎng)絡弱狀態(tài)路由算法[J].軟件學報,2011,22(11):2810-2819.(ZHU G M, GUO D K, JIN S Y.P2P weak state routing scheme based on decaying bloom filters [J].Journal of Software, 2011, 22(11): 2810-2819.)

This work is supported by the Production-Study-Research Joint Innovation Foundation of Jiangsu Province (BY2014028-09).

HUANG Dan, born in 1991, M.S.candidate.Her research interests include data mining, intelligent information processing.

HUANG Yan, born in 1982, Ph.D., engineer.Her research interests include vehicular Ad Hoc network.

HUAN Tian, born in 1992, M.S.candidate.Her research interests include wireless sensor positioning, artificial intelligence.

Data forwarding strategy based on weak state in vehicular Ad Hoc network

HUANG Dan1*, HUANG Yan2, HUAN Tian1

(1.SchoolofComputerScienceandTechnology,ChinaUniversityofMiningandTechnology,XuzhouJiangsu221116,China;2.DinghaiTransportationBureauofZhoushanCity,ZhoushanZhejiang316000,China)

To avoid the failure of data forwarding, brought by some characteristics of Vehicular Ad Hoc Networks (VANET), uniform distribution of vehicles, frequent network partition and mergence, etc., a new data delivery method based on Weak State Routing (WSR) from Traffic Control Center (TCC) to driving vehicles, called Weak State Forwarding (WSFD), was introduced in VANET.Firstly, a data packet collected by TCC was delivered to an Access Point (AP) along the direction of the destination vehicle.Secondly, the data packet was forwarded to the destination vehicle by AP within its communication range, at the same time, the location information of destination vehicle was carried by the data packet.Then, after comparing all the mapping information owned by the vehicle which received the data packet, the most deterministic map information was chosen by the vehicle and compared to the location information carried by the data packet so as to ensure the next forwarding direction.If the confidential level was quite high, the data packet was revised to move towards the mapping’s corresponding central area, meanwhile, the information of destination vehicle carried by the data packet was updated.Otherwise, the original direction would be kept.Lastly, through several times’ forwarding and revising, the data packet would be gradually approached to the area where the destination vehicle located, and the whole data delivery would be finally completed.Compared with Trajectory-based Statistical Forwarding for multihop infrastructure-to-vehicle data delivery (TSF) and Greedy Perimeter Stateless Routing (GPSR) algorithm, the WSFD algorithm could reduce the delivery delay to 5 seconds or less and elevate the delivery rate to 0.92 or more generally in the experiment of data transmission in 30 km*30 km square area.The experimental results show that the WSFD algorithm can improve safety of drivers and alleviate the traffic jam effectively.

Vehicular Ad Hoc Network (VANET); dynamism; data delivery; location information; weak state

2016-08-14;

2016-08-27。 基金項目:江蘇省產(chǎn)學研聯(lián)合創(chuàng)新資金前瞻性聯(lián)合研究項目(BY2014028-09)。

黃丹(1991—)，女，江蘇常州人，碩士研究生，主要研究方向：數(shù)據(jù)挖掘、智能信息處理； 黃燕(1982—)，女，浙江舟山人，工程師，博士，主要研究方向：車載網(wǎng)； 環(huán)天(1992—)，女，江蘇南通人，碩士研究生，主要研究方向：無線傳感器定位、人工智能。

1001-9081(2017)01-0079-05

10.11772/j.issn.1001-9081.2017.01.0079

TP393.01

A