CN103458482B - Vanet中解决rsu接入问题的演化博弈方法 - Google Patents

Abstract

本发明属于移动通信技术领域，公开了一种VANET中解决RSU接入问题的演化博弈方法。首先确定研究问题为高速移动的车辆在RSU的有限通信范围内，如何选择接入RSU才能保证车辆获得Qos较高的服务。其次确定研究过程为考虑VANET车联网网络拓扑频繁变化、RSU分布不均匀、RSU通信范围有限、RSU覆盖范围内的车辆数较多等特点，本发明提出采用演化博弈论的方法约束车辆在VANET特殊网论环境下车辆无序竞争RSU带宽资源造成的问题。本发明的效果和益处是根据提出的博弈方法选择接入合适的RSU，保证VANET拓扑频繁变化的情况下车辆请求服务的高效性。

Description

VANET中解决RSU接入问题的演化博弈方法

技术领域

本发明属于移动通信技术领域；针对VANET(vehicleAdHocNetwork，车联网)中快速移动的车辆在经过覆盖范围有限的RSU(RoadSideUnit，路边单元)时，根据演化博弈模型解决车辆向RSU请求服务时的QoS(QualityofService，服务质量)低效问题；

背景技术

VANET中车辆经过RSU时，首先通过接入RSU来请求服务，而在车辆接入RSU时主要存在两方面的问题：

问题一：由于车辆的高速移动性使得车辆和RSU间端到端的连接维持困难；

问题二：带宽、信道资源有限导致车辆无序竞争RSU带宽资源；当车辆在多个RSU的重叠覆盖区域时，存在车辆选择RSU的问题，如果RSU的选择策略不当可能导致多辆车同时接入同一个RSU，这会导致网络吞吐量的下降，降低网络性能；为了解决这个问题，研究人员提出了许多方案；

现阶段提出的解决上述两个RSU接入问题时主要存在以下几个挑战：

1、不符合VANET高移动性等特点；VANET是一种特殊的移动自组网，有车辆高速移动、RSU分布不均匀、车辆移动轨迹受限等特点，因此提出的解决方案应该考虑这些特性；(IEEE802.11接入网中AP选择博弈的稳定性和公平性，Li-HsingYen,Jia-JunLi,andChe-MingLin,“StabilityandfairnessofAPselectiongamesinIEEE802.11accessnetworks”,IEEETransactionsOnVehicularTechnology,Vol.60,pp.1150-1160,2011)假定场景中的节点是长期静止的，这显然不符合VANET的移动特定；

2、VANET中的车辆用户都是有限理性群体，如人类、组织等，而现在提出的一些方法往往假定用户是完全理性的；(IEEE802.11无线局域网中的联合博弈，OzgurErcetin,“AssociationGamesinIEEE802.11WirelessLocalAreaNetworks”,IEEETRANSACTIONSONWIRELESSCOMMUNICATIONS,VOL.7,NO.12,2008)提出的博弈模型要求研究对象是完全理性的；

3、研究RSU接入问题时，不应只考虑RSU的收益状况，还要从车辆的角度考虑这个问题(无线网络中利用细胞呼吸技术解决负载均衡问题，YigalBejerano,Seung-JaeHan,”CellBreathingTechniquesforLoadBalancinginWirelessLANs”,IEEETransactionsonMobileComputing,Vol.8No.6,June2009)着重考虑的是RSU的负载状况，而没有考虑车辆的收益；

发明内容

本发明要解决的技术问题是在VANET中，提供一种解决VANET节点快速移动、节点数目众多且分布不均匀等实际问题的RSU接入方法；

具体的演化博弈模型如下：

参与者：在双RSU和多RSU场景下，RSU覆盖范围内所有需要与RSU通信的车辆；

群体：RSU覆盖范围内，所有策略集相同的车辆组成一个群体；

策略集：每个参与者接入RSU的概率，即j＝1,2，…,n表示RSU1，RSU2，…，RSUn，x_j表示车辆接入RSUj的概率，保证所有车辆最终策略不再改变的集合即为ESS(EvolutionaryStableStrategy，演化稳定策略)；

收益：收益函数为该函数是车辆接入RSU获得吞吐量和所需付出代价之差；

本发明分别针对双RSU和多RSU场景提出基于演化博弈的技术方案，具体方案如下；

1.双RSU场景博弈模型

在双RSU场景下，如图2所示，当车辆首先进入S1时，此时车辆只能选择接入RSU2，当进入RSU1和RSU2的重叠覆盖区域S2时，如果车辆的请求服务还未完成，当车辆切换RSU改为选择RSU1，根据效用函数，车辆还需要支付切换代价；如果车辆在RSU2的通信服务已经结束，此时在重叠覆盖范围内重新进行服务请求，车辆需要根据GPS获得的地理位置、RSU带宽条件、文件大小、服务类型、车辆在RSU覆盖范围内的行驶时间、车辆请求文件所需传输时间等因素计算能否在S2范围内完成服务请求，如果不能完成的话则需要考虑支付切换代价；如果在S2内能完成，则根据效用函数进行车辆的选择接入；

表1双RSU场景车辆收益矩阵表

双RSU场景下演化博弈是一个单群体演化博弈，即在同一个群体中所有参与者的策略集是相同的；根据上面描述的车辆在RSU覆盖范围内移动过程中对RSU接入操作，列出收益矩阵如表1所示；

令x和y分别代表接入RSU1、RSU2的概率，则1-x-y表示车辆既不选RSU1也不选RSU2的概率；θ¹表示车辆向RSU1申请服务成功时的收益；P¹表车辆接入RSU1时需要付出的资源代价，P²表示车辆接入RSU2需支付的资源代价，h¹表示车辆接入RSU1后如果进行RSU切换需要付出的切换代价，h²表示车辆接入RSU2后如果需要切换需要付出的切换代价，表RSU的拥塞程度，即当参与者和其他竞争参与者都选择接入同一个RSU时，RSU的拥塞系数增大；

车辆接入RSU1获得的收益为：

车辆接入RSU2获得的收益为：

RSU1和RSU2都不选的收益为0；

则平均收益为

动态演化博弈是一个重复博弈，在博弈的每个阶段，参与者根据其他参与者的收益通过学习、变异不断调整自己的收益，以保证自己获得的收益尽可能的高，最终当所有参与者的策略不变时，即获得ESS；控制收敛速度的参数μ被称为收敛因子；根据效用函数(1)(2)(3)，单群体演化博弈的动态复制方程为:

2.多RSU场景博弈模型

在多RSU场景下，属于不同覆盖区域的车辆策略集不同；如图3，区域1是RSU1和RSU2的重叠通信区域，区域2是RSU1、RSU2和RSU3的重叠通信区域；区域1和2分别是两个不同群体，群体1的策略空间为{RSU1,RSU3}而群体2的策略空间为{RSU1,RSU2,RSU3}，所以图3描述的多RSU场景为两群体演化博弈；多群体内的车辆选择接入RSU时，首先群体内部车辆彼此之间进行竞争，然后再进行群体之间竞争，基于双RSU场景分析，多RSU场景下车辆根据自己的收益和代价不断进行策略调整，直到所有车辆的策略都不再改变，此时达到ESS；

群体i接入RSUj的收益

所有RSU都不选的收益为0

群体i的平均收益为

群体i的动态复制方程为：

其中

表示车辆i接入RSUj时获得的吞吐量；

表示车辆i在RSUj的覆盖范围内的时间长度；

是车辆接入RSU的通信延迟；

是车辆i和RSUj之间的传输速率；

代表车辆i接入RSUj时需要付出的资源代价；

是车辆i完成自己的服务请求需要与RSUj的通信时间，车辆占用RSU带宽资源时间越长，所需付出的代价就越高；

α_i是车辆i请求文件的重要度，文件重要度越高，类似发邮件中的加急邮件，此时需要付出的费用也相应越高(α_i>2时为紧急事故信息：1<α_i<2表明此时存储的是路况等信息，α_i<1，表明此时车辆请求的是音视频流等娱乐信息；

N^j表示所有接入RSU的车辆数；根据演化博弈知，不同群体不同比例的车辆选择接入RSU，因此即为群体1、群体2到群体m选择接入RSUj的总车辆数；

是车辆i的切换代价；

t_left指已经完成传输的请求文件；

T_left是指车辆在RSU的覆盖范围内已经行驶的距离；当车辆请求的文件较小，在一个RSU覆盖范围内即完成时，切换代价为0；

公式中具体参数如表2

表2参数列表

附图说明

图1是车辆接入RSU模型示意图；

图2是双RSU场景模型示意图；

图3是多RSU场景模型示意图；

图4是利用车辆移动仿真工具VanetMobisim生成的实际仿真场景图；

图5(a)是数据包大小size对ESS影响图；

图5(b)是速度大小v对ESS影响图；

图5(c)是群体内车辆数大小N对ESS影响图；

图6(a)是双群体下群体2内车辆数位100时ESS演化图；

群体1中车辆接入RSU1的概率

群体1中车辆接入RSU2的概率

群体2中车辆接入RSU1的概率

群体2中车辆接入RSU2的概率

群体2中车辆接入RSU3的概率

图6(b)是双群体下群体2内车辆数位70时ESS演化图，线条涵义如图6(a)；

图7(a)是群体内车辆数对吞吐量的影响图；

车辆接入RSU1时获得的吞吐量

车辆接入RSU2时获得的吞吐量

车辆接入RSU3时获得的吞吐量

图7(b)是服务类型对吞吐量的影响图，线条涵义如图7(b)；

图8是不同群体内车辆数对平衡指数的影响图；

两个团体群体数量相同时的RSU负载均衡指数；

两个团体群体数量不同时的RSU负载均衡指数

图9是收敛因子对收敛速度的影响图；

具体实施方式

以下结合技术方案和附图详细说明本发明的实施例；

为了研究RSU接入的动态演化过程以及ESS对网络性能的影响，我们设置参数如下：Φ＝0.1，β＝0.15，δ＝0.1，γ＝2，S/N＝30dB，R＝1000；我们主要通过以下三个方面研究基于演化博弈的RSU选择问题：ESS的稳定性、ESS的收敛性、ESS对网络性能的影响；

VANET中，由于车辆节点运动往往受道路、相邻车辆、交通信号等多种因素影响，鉴于此本文利用VanetMobiSim仿真工具模拟车辆行驶方式，并加入交通信号机制，同时结合GoogleEarth得到的城市卫星地图来构造逼真仿真场景；如图4，设置仿真场景区域大小为2.0km*2.0km；RSU的通信范围设置为1000m；利用VanetMobiSim模拟车辆在图4所示的道路上获得较为真实的运动轨迹，以下的仿真都是在导出的车辆行驶轨迹基础上进行的；

图5描述了车辆速度、请求文件大小、群体内车辆数对演化稳定策略ESS的影响；在图5(a)中，我们假定当请求文件大小改变时其他量是保持不变的，由图可知，随着文件增大时，车辆选择接入RSU的概率降低，原因是随着文件大小的增大，车辆在RSU覆盖范围内完成文件服务请求的概率降低，则车辆接入RSU的个概率降低；当RSU覆盖范围内的车辆数增大时，则竞争有限的RSU带宽的车辆增多，每辆车平均获得的带宽降低，此时车辆成功完成自己服务请求的概率降低，车辆接入RSU的概率相应的也会降低；同理，对于随着车辆速度变化、群体内的车辆数对ESS的影响；

图6描述了两群体演化博弈中，群体数量N对ESS的影响，当群体2中车辆数N2减小时，群体2中RSU1、RSU2、RSU3的负载和资源代价都减小，则群体1中的车辆更倾向于接入RSU1和RSU2，使得车辆接入RSU1和RSU2的概率增加；当N²降低时，如图6(a)中ESSx＝(0.07,0.03,0.2,0.23,0.24)变为图6(b)所示x＝(0.68,0.3,0.22,0.33,0.42)；

图7(a)表示群体数量N对吞吐量和收益的影响；当群体数量N增加时，RSU分配给所有车辆的平均带宽减小、车辆上传/下载的延迟增加，使得选择RSU策略的车辆数减小，导致网络平均吞吐量和效用函数都减小；图7(b)表示服务类型对吞吐量的影响；当服务类型α增加时，RSU定价提高，此时选择RSU策略的车辆数减小，而群体数量未发生变化，则RSU分配给车辆的平均带宽增加，此时导致群体平均吞吐量增加；

图8表示RSU的负载均衡状态，当两个团体内车辆数目相同时，RSU对所有车辆的定价、分配的平均带宽相等，此时RSU的负载保持在0.99左右，负载均衡，当两个团体内车辆数目不同时，群体内车辆请求不同RSU的概率发生变化，使得选择不同策略的RSU数量发生变化，RSU的平衡指数降低，如图8所示为0.92左右；

图9表示不同收敛因子η(调整规模)对收敛速度的影响，由图9可知，当η越大，博弈轮数越小，收敛速度越快，这是由于随着η增大，在每轮博弈中执行策略调整的用户比例增加，从而加快收敛速度；

综合可见，本文提出的方法实用性较强，在真实的十字路口场景下AP能保持较优的负载均衡性。

Claims (1)

1.VANET中解决RSU接入问题的演化博弈方法，其特征在于如下步骤：

研究场景中包括n辆车和m个RSU，其中m>1；RSU是目的节点，每辆车都安装有通信设备和GPS全球定位系统，只考虑V2R通信；VANET中，车辆不能接入Internet并且随机进入RSU的覆盖范围；如果某辆车在RSU的覆盖范围内时，它会向RSU发送服务请求；RSU会周期性的向车辆广播beacon信息，车辆根据beacon即可获得当前RSU的状态、车辆所在网络状态；

(一)双RSU场景下基于演化博弈的RSU接入模型

双RSU场景下演化博弈是一个单群体演化博弈，即在同一个群体中所有参与者的策略集是相同的；根据上面描述的车辆在RSU覆盖范围内移动过程中对RSU接入操作，列出收益矩阵如表1所示：

表1双RSU场景车辆收益矩阵表

令x和y分别代表接入RSU1、RSU2的概率，则1-x-y表示车辆既不选RSU1也不选RSU2的概率；θ¹表示车辆向RSU1申请服务成功时的收益；P¹表车辆接入RSU1时需要付出的资源代价，P²表示车辆接入RSU2需支付的资源代价，h¹表示车辆接入RSU1后如果进行RSU切换需要付出的切换代价，h²表示车辆接入RSU2后如果需要切换需要付出的切换代价，表RSU的拥塞程度，即当参与者和其他竞争参与者都选择接入同一个RSU时，RSU的拥塞系数增大；

车辆接入RSU1获得的收益为：

车辆接入RSU2获得的收益为：

RSU1和RSU2都不选的收益为0；

则平均收益为

$\stackrel{\&OverBar;}{F}=x*F(x,1)+y*F(y,2)+(1-x-y)*0---\left(3\right)$

动态演化博弈是一个重复博弈，在博弈的每个阶段，参与者根据其他参与者的收益通过学习、变异不断调整自己的收益，以保证自己获得的收益尽可能的高，最终当所有参与者的策略不变时，即获得ESS演化稳定策略，本发明最终的ESS即为{x,y}，车辆根据ESS接入RSU，保证车辆获得较高的QoS；控制收敛速度的参数μ被称为收敛因子；根据效用函数(1)(2)(3)，单群体演化博弈的动态复制方程为:

$\{\begin{array}{c}\frac{dx}{dt}=\mathrm{\&mu;}\&lsqb;F(x,1)-\stackrel{\&OverBar;}{F}\&rsqb;*x\\ \frac{dy}{dt}=\mathrm{\&mu;}\&lsqb;F(y,2)-\stackrel{\&OverBar;}{F}\&rsqb;*y\end{array}---\left(4\right)$

(二)多RSU场景下基于演化博弈的RSU接入模型

群体i接入RSUj的收益为

$F_i^j={\mathrm{\&theta;}}_i^j-P_i^j---\left(5\right)$

所有RSU都不选的收益为0

群体i的平均收益为

${\stackrel{\&OverBar;}{F}}^i={\&Sigma;}_{j=1}^M{x}_j^i---\left(6\right)$

群体i的动态复制方程为：

$\frac{{\mathrm{dx}}_j^i}{dt}=\mathrm{\&mu;}\&lsqb;F_j^j-{\stackrel{\&OverBar;}{F}}^i\&rsqb;---\left(7\right)$

其中

表示车辆i接入RSUj的概率，所求解即为车辆根据这个概率值接入RSU，可获得较高的QoS；

表示车辆i接入RSUj时获得的吞吐量；

表示车辆i在RSUj的覆盖范围内的时间长度；

是车辆接入RSU的通信延迟；

$c_i^j=w^j*{\log }_2(1+\frac{S/N}{N^j*{\left(d_i^j\right)}^g})$ 是车辆i和RSUj之间的传输速率；

代表车辆i接入RSUj时需要付出的资源代价；

是车辆i完成自己的服务请求需要与RSUj的通信时间，车辆占用RSU带宽资源时间越长，所需付出的代价就越高；

α_i是车辆i请求文件的重要度，文件重要度越高，此时需要付出的费用也相应越高；α_i>2时为紧急事故信息：1<α_i<2表明此时存储的是路况，α_i<1，表明此时车辆请求的是音视频流；

N^j表示所有接入RSU的车辆数；根据演化博弈知，不同群体不同比例的车辆选择接入RSU，因此即为群体1、群体2到群体m选择接入RSUj的总车辆数；

是车辆i的切换代价；

t_left指已经完成传输的请求文件；

T_left是指车辆在RSU的覆盖范围内已经行驶的距离；当车辆请求的文件较小，在一个RSU覆盖范围内即完成时，切换代价为0。