每周文章分享-62

研究背景

利用短程通信和 LTE 技术，车载网络使智能汽车和无人驾驶汽车能够相互连接。为此，车辆需要执行邻居发现过程广播特定的短消息以宣布其存在并感知周围环境。邻居发现方案的目标是使用尽可能低的开销，每辆车都需要及时发现其所有邻居。但由于车载网络的高移动性和严重的信道衰落引发了三个相互矛盾的问题：

1）准确性和负载：由于车速变化快、链路连接寿命短、移动环境变化快，车载网络呈高度的动态性。

2）服务和发现：相关服务产生的海量数据与邻居发现消息共享极其宝贵的网络资源，用于邻居发现的资源越少，网络服务质量就越好，这不可避免地会导致较大的发现间隔以及发现性能的下降。

3）随机性和不确定性：由于频谱的可用性以及阴影和衰落的影响，无线连接具有随机性、时变性和空域性。

关键技术

本文提出了一种基于移动感知和信道自适应的车载网络最优邻居发现方案。该方法的创新和贡献如下：

1）本文建立了一个分析框架，讨论了发现间隔与车辆移动性和信道随机性之间的定量关系。针对车辆的移动性和信道的随机性，推导了命中概率的封闭表达式。 

2）本文提出了一种基于上述表达式的最优邻居发现方案，发现间隔随车辆移动性的快速变化和严重的信道随机性而自适应变化。

算法介绍

1. 网络模型

本文考虑车辆在双向道路上行驶的情况：车辆分布遵循齐次泊松过程，密度为λ，且具有相同的恒定速度v。车辆通过一跳通信与相邻车辆进行数据交互。每辆车通过广播发现信息来宣告它的存在，并通过接收发现信息来感知周围邻居。发现消息内包含：节点的位置、速度和方向。邻居发现间隔定义为广播频率的倒数，用i表示。由于信道竞争过程的影响，存在信道接入延迟ts，则发现消息的时间间隔表示为：τ = i + ts；

图1 网络模型

2. 理论分析

命中概率：定义为发现的节点数与真实邻居数之间的比率。通过计算T趋于无穷大时的命中概率(ph)函数来揭示网络移动性和信道随机性对命中概率的影响。

如图2所示，邻居发现是一个连续的离散过程。带左箭头的线表示密度为λw和预期速度为Vw的西车道；假设所有车辆从时间0到时间T，每τ秒广播一条发现消息，τ为常量。在时间T=0，参考节点N4广播第一个发现消息。蓝色区域中的所有节点都会收到发现消息，它们是被发现的邻居。

图2 邻居发现过程模型

引理1：假设参考节点在T秒内广播W+1个发现消息，其中T=Wτ+δ，δ∈[0,τ]，W为非负整数，则命中概率满足时间离散化形式：

由于信道随机性导致的通信范围重叠，发现邻居数的表达式难以计算，因此使用引理2将命中概率转化为与未发现的邻居节点数相关的表达式。

引理2：设NG(Wτ)是Wτ秒内未发现的邻居节点数，即在Wτ秒内从参考节点接收到零发现消息的邻居数，则命中概率转化为：

下列公式是通过节点的通信范围以及移动性所计算的未发现的邻居节点数：

因此，一般情况下的命中概率为：

本文考虑节点在不同通信模型下的信道情况，根据上述公式导出了不同通信模型下的命中概率表达。

UDM: the unit disk model

该模型下，当两个节点之间的欧几里得距离小于通信范围时，两个节点直接相连。用常数值R0表示通信范围，则有：

LM: lognormal model

在车载网络中，由于各种障碍物的反射、折射和散射，存在信道的随机性。因此，在车辆场景中，接收到的信号具有小尺度衰落和大尺度衰落的特征。对于大尺度衰落，信号的变化通常用对数正态分布来描述，则有：

NLM: Nakagami-m lognormal composite model 

Nakagami-m对数正态复合衰落模型，是模拟多径衰落和阴影的统计分布。

3. 移动性感知的自适应邻居发现

由于移动性和信道随机性较高，固定的发现间隔下周期性发现方案的性能较差。例如，当车辆从稀疏的高速道路行驶到密集的低速道路时，速度会增加，信道会发生变化。因此，邻居发现应是移动性感知和信道自适应的。在上述公式的基础上，本文提出如下最优邻居发现方案：

步骤1：每个车辆根据获得的相对速度和信道条件设置初始发现间隔。相对速度由车辆与相邻车道的平均速度之间的平均速度差定义。假设命中概率的期望阈值为ph，则可以通过求解函数lim E[ph]=ph来推导初始发现间隔i。所有车辆每隔i秒向邻居广播一次发现信息。

步骤2：每辆车记录从其他节点接收到的发现信息中的所有信息。同时，计算出新的相对速度。如果车辆察觉到移动性或信道的变化，它将移动到步骤3。

步骤3：使用与相对速度和通道相关的新参数，每个车辆求解lim E[ph]=ph来计算新的发现间隔i。然后，车辆按照新的模式广播发现信息。本文假设同一车道上的所有车辆都遵循相同的速度，然后计算出相对速度。这一理想现象与实际交通是一致的。

为了适应真实情况下的车辆情况，本文在此基础上提出了两种新的方法：唯一的区别在于速度差的计算：

1）Version-Maximum：速度差定义为车辆与相邻车道的最大限制速度之差。所有车辆都可以从数字地图上获得最大限速，适用于稀疏流量场景。

2）Version-Real Velocity：速度差定义为每辆车的实际速度。在步骤2中，使用接收到的发现消息，参考车辆提取每个相邻车辆的速度。然后，根据参考车速与相邻车速之差计算出相对车速，适用于车辆自由移动和车速多变的混合场景。

实验结果

本文采用如图3所示的两种模拟场景。场景1是一条笔直的道路，其中存在低、中、高流动性段，所有车辆以预期速度移动。每辆车在一个路段上以相应的预期速度行驶，直到它移动到下一个路段。

图3 模拟场景

图4三种模型下的命中概率,△v = 30m/s,r0=50m, σ=0.161,m=4

图4中，所有节点都在场景1的低移动性部分上移动。这反映出发现邻居的比率随着命中概率的增加而线性增加。此外，一旦命中频率大于阈值，就可以发现所有邻居。此外，较大的发现间隔意味着网络资源的浪费。然后，重点研究了LM和NLM下的概率，发现虽然三条曲线具有相似的趋势，但阈值有所不同，在LM下分别为0.42，在NLM下几乎为1.25。结果表明，为了发现所有邻居，在LM和NLM下，节点应该更频繁地进行邻居发现。因此，对于具有信道随机性的邻居发现，应该使用更多的网络资源。

图5 LM下的命中概率,△v = 30m/s,r0=50m,

图5给出了LM下阴影因素对周期性邻居发现性能的影响。所有节点都在低移动性场景移动，v=30 m/s，r0=50。首先，以ph→1为目标，在σ=0.161、σ=0.391和σ=0.806的条件下，阈值分别为0.42、0.67和1.67。结果表明，为了发现所有邻居，在阴影较重的情况下，节点应该更频繁地广播。此外，曲线的斜率随着遮蔽因子σ的增加而减小。因此，存在相互作用，这导致σ=0.806的稳定命中概率在1/τ < 0.235时总是最大的，而当1/τ > 0.235时所有线路的稳定命中概率都是相反的。这种情况反映出，当发现频率低于阈值时，相同的发现频率增量可以为低跟踪情况带来更高的发现效率。

图6 LM的命中概率, r0=50m, σ=0.806

图6描述了命中概率随相对速度的变化。在场景1中，考虑所有节点在v=30m/s的低移动段、v=60m/s的中移动段和v=80m/s的高移动段上移动，另外，设置R0=50，σ=0.806。在此图中，v=30 m/s的曲线始终高于其他两条曲线。这是因为命中概率与相对速度成反比，定理1揭示了这一点。针对ph→1，在v=30m/s的低移动段、v=60m/s的中等移动段和v=80m/s的高移动段，阈值分别为1.6 7、3.3和3.4，这说明高速场景需要更多的发现消息。

图7 LM下的命中概率, △v = 30m/s,σ=0.161

在图7中研究了命中概率随期望通信范围R0的变化。在场景1中所有节点都在低移动性网段上移动，v=30 m/s，σ=0.161。通信范围标记为R0=5、R0=100和R0=150。显然，通信范围越大，稳定命中概率越高。此外，当R0=50，R0=100时，R0=150时的阈值分别为0.56，0.83和1.67。这意味着当通信范围较小时，节点应该更频繁地广播发现包来发现所有邻居。

表I：N=1000,v=[10 20 40]下周期性方案和本文方案的命中概率和开销 

表I给出了拟议的自适应方案和周期性方案下的模拟结果，模拟时间采用150 s。评价指标为命中概率和开销。开销定义为每个节点的总广播发现数据包。无论r0 = 50还是r0 = 100，周期性方案性能随着发现间隔的增加而变得越来越较低，这与理论分析非常吻合。结果还表明，在开销相同的情况下所提出的方案达到了99％的命中概率，而周期性方案仅有89％的命中概率。通过UDM，LM和NLM下的仿真结果分析可知，所提出的邻居发现方案被证明既是移动性感知的，又是信道自适应的。

总结

本文研究了车载网络邻居发现的命中概率并提出了一种移动感知和信道自适应的邻居发现方法。为了解决车辆移动性和信道随机性引起的问题，首先分析了发现间隔与车辆移动性和信道随机性之间的定量关系，推导命中概率的封闭式表达式，进一步揭示了更高的车辆移动性和更严重的信道衰落导致更低的发现精度。然后提出了一种改进的邻居发现，其中车辆根据车辆移动性和信道随机性自适应地改变发现间隔。仿真结果验证了分析结果以及所提方案的性能。