一种移动性与DSRC/WAVE网络相关反馈的自适应速率控制方法

摘要

一种移动性与DSRC/WAVE网络相关反馈的自适应速率控制方法，其属于车联网通信技术领域。该方法中包括交通流密度预测模块、t+1时刻通信干扰计算模块、SINR计算模块、t+1时刻可用链路带宽计算模块、信道拥塞代价计算模块和自适应消息产生率计算模块的建立。先通过预测下一时刻的交通流密度值，根据下一时刻密度值、发送功率和速率建立通信过程的干扰模型，计算出信噪比，并预测出下一时刻节点的可用链路带宽；再通过传输速率的不匹配和传输队列长度的不匹配建立信道拥塞代价模型，以此来自适应调整下一时刻的消息产生率。该方法通过预测技术提前进行自适应速率调整，避免信道拥塞，以较低的计算时间开销保证较低的通信时延、较高的数据包递送率。

说明书

技术领域

本发明涉及一种移动性与DSRC/WAVE网络相关反馈的自适应速率控制方法，其属于车联网通信技术领域。

背景技术

IntelliDrive联盟预测未来随着车联网的部署可以减少80％的交通事故，减少60％的交通拥堵，降低15％的能源消耗，提高2-3倍的路网通行能力。而协作式车辆安全应用作为车联网中最具有挑战性的应用,受到越来越多学者和研究人员的关注。在协作式车辆安全应用中，每辆车上都安装WAVE无线通信设备，车辆之间通过DSRC协议以100ms的周期通过共享的无线信道和邻居节点相互交换信息，这些信息包括位置、警告、天气信息等等。车辆根据这些周期性的消息来进行位置追踪和探测潜在的碰撞和威胁。车辆通过WAVE设备相互通信所组成的可移动网络中，由于车辆在道路上快速移动，导致网络的拓扑结构频繁改变，加剧了无线信道的信号衰落和噪声。随着节点数目的增加，信道的争用也会越来越严重，当节点数目达到一定程度之后，信道产生拥塞，导致数据包碰撞概率急剧上升，引起网络性能严重下降。因此，必须要设计控制策略，减少应用层消息的产生频率，从而减少竞争信道的消息的数量，减少消息碰撞的概率。

而目前车联网通信环境中的信道拥塞控制存在着诸多问题：(1)传统研究是通过检测信道占有率、信噪比和当前时刻节点数目，当其性能指标超过一定阈值之后进行控制，仅仅是一种粗略的分段控制，不能保证控制精度，也不不适用于多应用同时触发的情况；(2)传统拥塞控制方法都是在检测到信道拥塞之后才设计控制策略来解决拥塞，属于被动拥塞控制，只能控制拥塞而不能避免拥塞，而且需要消耗一定的时间来从拥塞状态进行恢复，具有滞后性；(3)大部分研究人员在建立干扰模型时，仅仅考虑了通信范围内的干扰，而没有考虑探测范围内的干扰对通信的影响，由于车联网所固有的特点，车辆节点在道路上快速移动，密度频繁变化，更加加剧了节点干扰对无线通信过程的影响，因此为了确保安全相关消息的可靠通信，必须建立更准确的信道干扰模型；(4)部分信道拥塞控制采用粒子群算法、遗传算法等计算复杂度高的算法，虽然能获得较好的控制效果，但是时间复杂度太高，不能满足通信过程所要求的实时性需求。

发明内容

针对以上车联网通信环境中信道拥塞控制所出现的问题，本发明提供了一种移动性与DSRC/WAVE网络相关反馈的自适应速率控制方法，该算法首先预测下一时刻的交通流密度值，通过建立的信道干扰模型预测出下一时刻的信噪比，根据香农信息论预测出当前网络状态下每个节点的可用链路带宽；然后通过对消息队列的实时监控，根据传输速率的不匹配和传输队列长度的不匹配建立了下一时刻信道拥塞程度的代价函数，并通过所求得的代价函数自适应调整下一时刻的消息产生率，避免信道拥塞的发生。该方案以较低的计算时间开销，保证较低的时延、较高的数据包递送率，解决了传统拥塞控制的滞后性和不精确性，具有拥塞避免能力。

本发明采用以下技术方案：一种移动性与DSRC/WAVE网络相关反馈的自适应速率控制方法，此方法通过考虑通信范围内的干扰和探测范围内的干扰来建立反应信道状态的干扰模型，与传统只考虑通信范围内的干扰模型相比更准确；通过预测交通流密度值来预测下一时刻的信噪比，与传统的对信道占有率、信噪比等测量方法相比，更容易获取，检测结果更精确；然后通过香农信息理论计算下一时刻的可用链路带宽；根据传输速率的不匹配(应用层的消息产生速率和物理层的输出数据速率之差)和传输队列长度的不匹配(实际队列长度与期望队列长度之差)建立了下一时刻信道拥塞代价，与传统的拥塞控制方法相比较，能通过拥塞代价计算将消息产生率反馈给应用层，去自适应消息产生的速率，确保随着应用层消息的突发增加，而维持高的信道利用，微小的损耗和排队延迟；最后根据下一时刻的信道拥塞代价建立了指数形式的自适应消息产生率模型，来实时反馈给应用层，相比于传统的分段函数形式的自适应调整模型，指数形式的自适应调整过程控制目标更精确，适应于多个应用同时触发所产生突发消息增多的时候，更适合实际情况，具体包括以下步骤：

(1)道路交通环境中的每辆车联合流体力学模型、交通流理论和速率与密度的关系模型通过求解微分方程，并通过迭代求解微分方程得到系统结束前任何时间片、任何路段的交通流密度，即可得出针对每辆车在交通状态中下一时刻的交通流密度；采用交通流密度预测模块来预测下一时刻的邻居节点数目，用于预测下一时刻的信噪比；

(2)考虑到信号强度的不同需求，一个车辆的传输范围基于传输范围的距离被分为三个范围。第一个范围是通信范围，是接收节点的敏感阈值和SINR满足负载需要的区域，发送数据的车辆的通信范围内的车辆能正确解码该数据包。第二个范围是探测范围，表明其他车辆能探测一个正在传输数据包的区域，序列头解码的SINR比通信范围的SINR会低一点，所以接受节点可以解码PLCP头，探测范围通常比通信范围更大。第三个范围是干扰范围，绝对信号功率或者SINR太低以至于不能去解码信息，理论上这个区域是无限制的，但是该范围内的干扰比热噪声所产生的干扰低很多，可以忽略不计。根据上述特征建立通信范围和探测范围的干扰模型，用于较真实的反应信道干扰状态，如图2所示；

(3)通过预测交通流密度、当前时刻功率和速率来预测下一时刻的信噪比，其中通信范围内的干扰为：

$>I\left(t\right)=\underset{i=1}{\overset{N_{CR}}{\Sigma }}\frac{C_i\left(t\right)P_i^t\left(t\right){\gamma }_i\left(t\right)}{{(1+d_{ij}(t\left)\right)}^{\alpha }}$>

其中，I_CR(t)为通信范围内的干扰值，i是干扰节点，j是接收节点，γ_i(t)为干扰增益，C_i(t)是节点i的数据包发送速率，N_CR是通信范围内的干扰节点数。

探测范围内的干扰为：

$>I_{DR}\left(t\right)=\underset{i=1}{\overset{N_{DR}}{\Sigma }}\frac{C_i\left(t\right)P_i^t\left(t\right){\gamma }_i\left(t\right)}{{(d_{sr}+d_{cr})}^k/2^k}$>

其中，I_DR(t)为探测范围内的干扰值，N_DR是探测范围内的节点数目，探测范围为[d_cr,d_sr]，d_sr为感知范围，d_cr为通信范围，其计算模型如下所示：

感知范围的计算模型为：

其中，g为信道增益，α为信道衰减因子(α＞＝2)，P_cs为物理载波感知门限，P_s为发射功率。

通信范围的计算模型为：

其中，γ为接收灵敏度，当信号强度高于该值时，消息才能被成功解析。

则通信过程的信噪比可以通过下述公式求得：

$>SINR=\frac{Signal}{Interference+Noise}$>

在5.9G的无线通信频段中，大气层，宇宙和人为的干扰源对干扰的贡献不大，Interference可以忽略不计；但是，接收节点的天线的噪声对SINR有显著的影响。其热噪声如下：

Noise＝K·T₀·B

其中，B为基本带宽，T₀为当前的温度，K是玻尔兹曼常数K＝1.38·10^-23。VANETs中的地面噪声，假设T₀＝300K(等于26.85),B＝10MHz，热噪声是-104dBm。

(4)通过香农信息论和预测的下一时刻的信噪比，预测出下一时刻的可用链路带宽，如下所示：

C＝B·log₂(1+SINR)

由于车辆网中控制信道的带宽是10MHz，而通信范围内节点的数目可以通过传输功率和交通流密度进行计算，由此可得出每个节点的平均可用链路带宽。

(5)把通信设备上的每个缓冲区抽象为一个M/G/1/∞队列，则可根据排队论计算出当前队列的平均队列长度，用于准确的反应队列的当前长度；

(6)通过引入信道拥塞代价的计算模型，基于传输速率的不匹配(应用层的消息产生速率和物理层的输出数据速率之差)和传输队列长度的不匹配(实际队列长度与期望队列长度之差)建立该链路的拥塞代价模型，来反应信道拥塞状态，其模型如下所示：

$>{\mathrm{CP}}_i(t+1)=[{\mathrm{CP}}_i\left(t\right)+{\gamma }_i\left(a_i\right(L_i^c\left(t\right)-{L_i}^d\left(t\right))+(1-a_i\left)\right({\lambda }_i\left(t\right)-c_i\left(t+1\right)\left)\right)]$>

其中，是节点i的队列在周期t的队列占用长度，是节点i在周期t的理想队列长度；λ_i(t)是节点i在周期t的消息产生速率；c_i(t+1)是节点i在周期t+1的传输链路带宽的预测值；λ_i(t)-c_i(t+1)的差值用于检测消息产生的速率和消息发送的速率是否匹配，是一个典型的生产者-消费者模型；如果生产的速率大于发送的速率，经过一定的时间，消息队列就会因为缓存区满而产生溢出，会导致丢包率急剧上升；的差值用于检测消息队列是否匹配，当前的消息队列的占用量是否达到目标长度，如果当前缓存占用量超过目标长度，说明当前时刻通信网络中产生了信道拥塞，需要进行速率自适应调整。

(7)由于传统的分段形式的自适应调整过程不适用于多应用同时触发的情况，故当多个应用同时触发所产生突发消息增多的时候，指数形式的自适应调整过程能更精确的控制被控对象，更适合实际情况，因此根据信道拥塞代价所建立的下一时刻的消息产生率模型如下所示：

$>{\lambda }_i(t+1)=1-{\theta }^{-(1-{\mathrm{CP}}_i(t+1\left)\right)}$>

θ＞1是一个常数，采用一个指数形式的自适应调整过程，由于当多个应用同时触发所产生突发消息增多的时候，指数形式的自适应调整过程更适合实际情况，而分段形式的自适应调整过程不适用于多应用同时触发的情况。

与现有技术相比较，本发明的有益效果是：该方法中包括交通流密度预测模块、通信干扰计算模块、SINR计算模块、下一时刻可用链路带宽计算模块、信道拥塞代价计算模块和自适应消息产生率计算模块的建立。首先，通过预测下一时刻的交通流密度值，根据下一时刻密度值、发送功率和发送速率建立通信过程的干扰模型，计算出信噪比，并根据香农信息论预测出下一时刻节点的可用链路带宽；其次，通过传输速率的不匹配和传输队列长度的不匹配建立信道信道拥塞代价模型，根据该代价来自适应调整下一时刻的消息产生率。该方法能通过预测技术提前进行自适应速率调整，避免信道拥塞，以较低的计算时间开销来保证较低的通信时延、较高的数据包递送率。

(1)该方法是通过考虑通信范围内的干扰和探测范围内的干扰来建立干扰模型，相比于传统的单单考虑通信范围内的干扰模型，干扰模型更准确，更加真实的反应节点之间的干扰。(2)该方法通过预测交通流密度值来预测下一时刻的信噪比，与传统的对信道占有率、信噪比等测量方法相比，更容易获取，检测结果更精确；(3)该方法采用预测技术，并提前对传输速率进行自适应调整，属于事前主动控制，具有拥塞避免能力。(4)该方法根据传输速率的不匹配和传输队列长度的不匹配建立了下一时刻信道拥塞代价模型，与传统的拥塞控制方法相比较，根据信道拥塞代价去自适应调整下一时刻消息产生的速率，一方面可以通过使消息队列中的长度维持在一个理想值，降低排队时延；另一方面也能保持消息队列不溢出，保持数据包成功递送率；能确保随着应用层消息的突发增加，而维持高的信道利用，微小的损耗和排队延迟；(5)该方法通过预测下一时刻的信道拥塞代价建立了指数形式的自适应消息产生率模型，来实时反馈给应用层，相比于传统的分段函数形式的自适应调整模型，指数形式的调整模型使自适应调整过程更精确，更适合多个应用同时触发所产生突发消息增多的场景。

附图说明

图1是一种移动性与DSRC/WAVE网络相关反馈的自适应速率控制方法原理图。

图2是车联网中干扰范围划分图。

具体实施方式

本实施例提供一种移动性与DSRC/WAVE网络相关反馈的自适应速率控制方法，其主要包括交通流密度预测模块、t+1时刻通信干扰计算模块、SINR计算模块、t+1时刻链路带宽计算模块、信道拥塞代价计算模块和自适应消息产生率计算模块，如图1所示，其具体实施方案如下：

交通流密度预测模块是从宏观方面对交通流密度进行估计，把交通流看作一个演化的整体，使得车辆的平均密度更容易计算。道路交通环境中的每辆车根据自身的自由流状态下的车速和道路拥塞密度，联合流体力学模型、交通流理论和速率与密度的关系模型把速度和时间的变化规律简化为一个偏微分方程，然后将偏微分方程转化为常微分方程，并通过迭代求解常微分方程得到系统结束前任何时间片、任何路段的交通流密度，即可得出针对每辆车在交通状态中下一时刻、下一路段的交通流密度；

t+1时刻通信干扰计算模块是把通信范围内的干扰和通信范围外的干扰相累加所计算出来的干扰值，干扰值的计算通过综合下一时刻的交通流密度值，当前时刻的发送功率和发送速率根据所建立的干扰模型计算出来的；其中通信范围内的干扰为：

$>I_{CR}\left(t\right)=\underset{i=1}{\overset{N_{CR}}{\Sigma }}\frac{C_i\left(t\right)P_i^t\left(t\right){\gamma }_i\left(t\right)}{{(1+d_{ij}(t\left)\right)}^{\alpha }}$>

其中，I_CR(t)为通信范围内的干扰值，i是干扰节点，j是接收节点，γ_i(t)为干扰增益，C_i(t)是节点i的数据包发送速率，N_CR是通信范围内的干扰节点数。

探测范围内的干扰为：

$>I_{DR}\left(t\right)=\underset{i=1}{\overset{N_{DR}}{\Sigma }}\frac{C_i\left(t\right)P_i^t\left(t\right){\gamma }_i\left(t\right)}{{(d_{sr}+d_{cr})}^k/2^k}$>

其中，I_DR(t)为探测范围内的干扰值，N_DR是探测范围内的节点数目，探测范围为[d_cr,d_sr]，d_sr为感知范围，d_cr为通信范围，其计算模型如下所示：

感知范围的计算模型为：

其中，g为信道增益，α为信道衰减因子(α＞＝2)，P_cs为物理载波感知门限，P_s为发射功率。

通信范围的计算模型为：

其中，γ为接收灵敏度，当信号强度高于该值时，消息才能被成功解析。

信号与干扰加噪声比(SignaltoInterferenceplusNoiseRatio，SINR)是指接收到的有用信号的强度与接收到的干扰信号(噪声和干扰)的强度的比值，可以简单的理解为“信噪比”。SINR计算模块是通过通信干扰计算模块所预测的下一时刻的干扰值、和通信设备的白噪声所预测出来的下一时刻的有效信号和干扰信号强度的比值；

$>SINR=\frac{Signal}{Interference+Noise}$>

在5.9G的无线通信频段中，大气层，宇宙和人为的干扰源对干扰的贡献不大，可以忽略不计；但是，接收节点的天线的噪声对SINR有显著的影响。其热噪声如下：

Noise＝K·T₀·B

其中，B为基本带宽，T₀为当前的温度，K是玻尔兹曼常数K＝1.38·10^-23。VANETs中的地面噪声，假设T₀＝300K(等于26.85),B＝10MHz，热噪声是-104dBm。下一时刻链路带宽计算模块主要是将所预测出来的下一时刻的信噪比通过香农信息论所计算出来的下一时刻的可用链路带宽；

C＝B·log₂(1+SINR)

由于车辆网中控制信道的带宽是10MHz，而通信范围内节点的数目可以通过传输功率和交通流密度进行计算，可以得出每个节点的平均的可用链路带宽。

信道拥塞代价计算模块通过传输速率的不匹配(应用层的消息产生速率和物理层的输出数据速率之差)和传输队列长度的不匹配(实际队列长度与期望队列长度之差)来预测下一时刻的信道拥塞代价，速率和队列长度的关系实际上就是市场经济中供需关系，利用“代价”这个度量将他们联系起来。其主要目的是使应用层的消息产生速率与链路带宽相匹配，对于节点i，在周期t它的代价是：

$>{\mathrm{CP}}_i(t+1)=[{\mathrm{CP}}_i\left(t\right)+{\gamma }_i\left(a_i\right(L_i^c\left(t\right)-{L_i}^d\left(t\right))+(1-a_i\left)\right({\lambda }_i\left(t\right)-c_i\left(t+1\right)\left)\right)]$>

常数a_i，每个节点单独进行设置，该常数是的设置其实是在队列利用率和队列延迟的权衡。常数γ_i控制着拥塞对网络情况的敏感度。是节点i的队列在周期t的队列占用长度，是节点i在周期t的理想队列长度。λ_i(t)是节点i在周期t的消息产生速率。c_i(t)是节点i在周期t的传输链路的带宽。λ_i(t)-c_i(t+1)的差值用于检测消息产生的速率和消息发送的速率是否匹配，是一个典型的生产者-消费者模型。如果生产的速率大于发送的速率，经过一定的时间，消息队列就会因为缓存区满而产生溢出，会导致丢包率急剧上升。的差值用于检测消息队列是否匹配，当前的消息队列的占用量是否达到目标长度，如果当前缓存占用量超过目标长度，说明当前时刻通信网络中产生了信道拥塞，需要进行速率自适应调整。在公式中，当权重a_i是正数时，价格随着速率和队列长度的失配而增加，在其他情况下是负。在公式中，如果价格是稳定的，公式的权重和应该为0，例如：只有当消息产生的速率跟节点i的链路容量相匹配的时候(λ_i＝c_i)并且消息队列的长度达到理想的长度价格才会为0。该方式与传统的拥塞控制方法相比较，能通过上述公式将消息产生的数量的相关消息反馈给应用层，去自适应消息产生的速率。能确保随着应用层消息的突发增加，而维持高的信道利用，微小的损耗和排队延迟。

自适应消息产生率计算模块通过当前节点的链路价格作为链路拥塞的测量，并且根据该价格来自适应消息产生的速率。使其保证链路的价格稳定在一个理想状态。指数形式的自适应消息产生率在一个大规模网络中是非常重要的，尤其适用于VANET，这种节点密度比较高的网络。在t+1时刻节点i的消息产生的速率为：

$>{\lambda }_i(t+1)=1-{\theta }^{-(1-{\mathrm{CP}}_i(t+1\left)\right)}$>

θ＞1是一个常数，采用一个指数形式的自适应调整过程，由于当多个应用同时触发所产生突发消息增多的时候，指数形式的自适应调整过程更适合实际情况，而分段形式的自适应调整过程不适用于多应用同时触发的情况。

各模块之间是紧密依赖的过程，其中交通流密度预测模块每100ms预测一次交通流密度值；通信干扰计算模块根据密度预测值、传输功率和当前时刻的传输速率预测出下一时刻的通信干扰值；SINR计算模块根据所预测出来的下一时刻的通信干扰值计算出下一时刻的信噪比；下一时刻链路带宽计算模块通过香农信息论和通信范围内的节点数目计算出每个节点下一时刻的可用链路带宽；然后信道拥塞代价计算模块根据传输速率的不匹配(应用层的消息产生速率和物理层的输出数据速率之差)和传输队列长度的不匹配(实际队列长度与期望队列长度之差)来预测下一时刻的信道拥塞代价；最后自适应消息产生率计算模块通过所预测的下一时刻的信道拥塞代价作为链路拥塞的测量，并且根据该价格来自适应消息产生的速率，然后实时反馈给应用层。上述过程迭代进行即可完成车联网通信过程中的消息自适应，以较低的计算代价解决信道拥塞问题和传统拥塞控制方案的滞后性和不精确性，保证车联网安全应用对数据包递送率和延迟需求。