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(shí)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(dòng)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(hào)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(duì)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(dòng)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(dòng)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(shí)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(shí)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(shí)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(dòng)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(dòng)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(shí)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(duì)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(duì)所有候選車輛進(jìn)行鏈路穩(wěn)定性評(píng)估。在去除當(dāng)前時(shí)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(gè)鏈路穩(wěn)定性數(shù)值相同的候選車輛時(shí)，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(duì)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(dòng)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(gè)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(chǔ)和維護(hù)轉(zhuǎn)發(fā)路由表，更適合動(dòng)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(gè)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(chǎng)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(chǎng)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(dòng)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(shí)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(chǎng)景中，且基于分簇的路由方法在VANET的動(dòng)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(dòng)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(duì)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(cè)信號(hào)衰減程度，方向的相對(duì)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(chǎng)景中應(yīng)用效果較好，但并不適用于城市交通場(chǎng)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(shí)的運(yùn)作方式。在動(dòng)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(gè)典型城市交通中的VANET安全消息路由場(chǎng)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?？紤]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(shí)，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(chǎng)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(shí)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(píng)估和中繼選擇3個(gè)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(píng)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(duì)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(gè)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(shí)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(duì)鄰居表信息進(jìn)行以下更新。

(1)相對(duì)速度

VANET環(huán)境中車輛的高速移動(dòng)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(duì)速度來衡量兩車之間速度的差異。假設(shè)在某時(shí)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(duì)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(gè)方向。當(dāng)車輛經(jīng)過交叉路口處時(shí)，為模擬汽車轉(zhuǎn)彎的過程，增設(shè)東北、西北、西南、東南4個(gè)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(shí)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(gè)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(shí)會(huì)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(gè)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(píng)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(gè)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(duì)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(gè)輸入?yún)?shù)分別定義2個(gè)梯形隸屬函數(shù)和1個(gè)三角形隸屬函數(shù)，3個(gè)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(gè)三角形隸屬函數(shù)的模糊集對(duì)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(gè)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(duì)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(duì)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(duì)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(mì)′，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(shí)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(shí)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(shí)刻和Hello數(shù)據(jù)包時(shí)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(shí)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(gè)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(shí)出現(xiàn)概率更大。此時(shí)，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(gè)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(shí)，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(chǎng)景下，此時(shí)會(huì)發(fā)生路由空洞問題，轉(zhuǎn)發(fā)車輛只能暫時(shí)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(shí)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(shí)會(huì)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(chǎng)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(shí)容易產(chǎn)生路由空洞的問題，導(dǎo)致安全消息長時(shí)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(duì)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(shí)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(dòng)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(shí)延是指安全消息從源節(jié)點(diǎn)傳輸?shù)侥康墓?jié)點(diǎn)的時(shí)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(shí)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(shí)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(shí)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(huì)陷入局部最優(yōu)的情況，在車輛數(shù)量較多時(shí)該問題更為明顯。FUZZBR方法綜合考慮了候選車輛的距離、移動(dòng)性和信號(hào)強(qiáng)度等因素，并基于模糊邏輯選擇最優(yōu)中繼，但未對(duì)通信鏈路的穩(wěn)定性進(jìn)行評(píng)估。FLRM-SM方法基于模糊邏輯對(duì)候選車輛進(jìn)行了鏈路穩(wěn)定性評(píng)估，在車輛數(shù)量較大時(shí)仍然能夠快速選出中繼，與性能相對(duì)較好的FUZZBR方法相比較，其端到端時(shí)延降低5.02%～17.73%。圖4(b)表明4種方法的端到端時(shí)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(shí)延，與性能相對(duì)較好的FUZZBR方法相比較，其端到端時(shí)延降低5.61%～10.52%。圖4(c)表明4種方法的端到端時(shí)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(shí)延，與性能相對(duì)較好的FUZZBR方法相比較，其端到端時(shí)延降低6.26%～14.32%。從圖4的對(duì)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(shí)延，從而有效提高了安全消息傳輸?shù)募皶r(shí)性。

(a)不同車輛數(shù)量下的端到端時(shí)延

(b)不同有效傳輸距離下的端到端時(shí)延

(c)不同車輛速度下的端到端時(shí)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(gè)多跳轉(zhuǎn)發(fā)的過程，且車輛的高速移動(dòng)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(duì)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(duì)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(duì)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(duì)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(dòng)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(duì)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(duì)候選車輛進(jìn)行穩(wěn)定性評(píng)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(shí)延和鏈路中斷概率方面表現(xiàn)出比對(duì)照方法更優(yōu)的性能。

隨著移動(dòng)通信技術(shù)的發(fā)展，具有高速率、低時(shí)延等優(yōu)勢(shì)的5G移動(dòng)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(shì)。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。