CN110460953A - 一种基于发送方丢包区分机制的车联网退避方法及其装置 - Google Patents
一种基于发送方丢包区分机制的车联网退避方法及其装置 Download PDFInfo
- Publication number
- CN110460953A CN110460953A CN201910739590.2A CN201910739590A CN110460953A CN 110460953 A CN110460953 A CN 110460953A CN 201910739590 A CN201910739590 A CN 201910739590A CN 110460953 A CN110460953 A CN 110460953A
- Authority
- CN
- China
- Prior art keywords
- packet loss
- probability
- collision
- way
- drop probabilities
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 230000006855 networking Effects 0.000 title claims abstract description 70
- 230000007246 mechanism Effects 0.000 title claims abstract description 68
- 230000005540 biological transmission Effects 0.000 claims abstract description 83
- 238000004364 calculation method Methods 0.000 claims description 32
- 230000007704 transition Effects 0.000 claims description 23
- 230000006978 adaptation Effects 0.000 claims description 17
- 238000012546 transfer Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 230000033228 biological regulation Effects 0.000 claims description 7
- 238000005309 stochastic process Methods 0.000 claims description 6
- 230000003827 upregulation Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 41
- 238000004088 simulation Methods 0.000 description 17
- 230000004069 differentiation Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241000212749 Zesius chrysomallus Species 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000004072 C09CA03 - Valsartan Substances 0.000 description 1
- 240000000233 Melia azedarach Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0833—Random access procedures, e.g. with 4-step access
- H04W74/0841—Random access procedures, e.g. with 4-step access with collision treatment
- H04W74/085—Random access procedures, e.g. with 4-step access with collision treatment collision avoidance
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于发送方丢包区分机制的车联网退避方法及其装置,该方法包括:根据车辆的车速,动态调整观测间隔以使观测间隔与车速呈反比变化,并取本次的观测间隔与上次的观测间隔的平均值作为周围节点数目;先构建差错信道下的碰撞概率预测模型和弱信号丢包概率模型,再计算碰撞丢包概率和弱信号丢包概率;将碰撞丢包概率和弱信号丢包概率相等的点连成丢包区分曲线,并将代表上一帧数据发送时的周围节点数目与信噪比的坐标点与丢包区分曲线进行比较,区分上一帧数据的丢包类型;根据上一帧数据的丢包类型,进行数据的发送。本发明的丢包判断准确率高,提高了吞吐量,降低了网络时延,保证信道的稳定性,适应不同车辆密度的场景。
Description
技术领域
本发明涉及车联网技术领域的一种车联网退避方法,尤其涉及一种基于发送方丢包区分 机制的车联网退避方法,还涉及该方法的一种基于发送方丢包区分机制的车联网退避装置。
背景技术
车联网是物联网的一个重要分支,其可以为司机提供路况辅助信息,包括警示盲区来车, 同车道前后车加速度变化等,这些信息能够有效避免交通事故的发生。目前来看车联网主要 是实现车与其他事物相联的网络,包括实现车辆与其它车辆,车辆与道路基础设施,甚至是 车辆与行人等全方面的互联互通。其中V2V(车与车)与V2I(车与道路基础设施)通信技 术被认为是高级驾驶辅助系统的重要基础。车载自组织网络由一组车载无线移动节点组成, 是传统的移动自组织网络在交通道路上的应用。节点通过统一的无线网络制式进行数据交 换,实现车辆信息和安全消息的共享;车辆节点可以任意频繁地加入网络和退出网络,不需 要预先通知,也不会破坏网络中其他车辆节点的通信。
但是,目前的车载自组织网络中进行车联网退避时,由于车辆节点高速移动,节点很难 维持较长时间的通信,并且由于受到非视距传输和多普勒效应的影响,信道质量多变且难以 预测,信道稳定性差,并且在实际交通环境中,车辆节点密度变化频繁,跨度较大,在区分 丢包类型时需要反复交换数据,增加额外网络开销。
发明内容
为解决现有的车联网退避方法信道稳定性差,需要反复交换数据,增加额外网络开销的 技术问题,本发明提供一种基于发送方丢包区分机制的车联网退避方法及其装置。
本发明采用以下技术方案实现:一种基于发送方丢包区分机制的车联网退避方法,其包 括以下步骤:
(1)根据车辆的车速,动态调整观测间隔以使所述观测间隔与所述车速呈反比变化, 并取本次的观测间隔与上次的观测间隔的平均值作为周围节点数目;
(2)先根据周围节点数目,构建差错信道下的碰撞概率预测模型和弱信号丢包概率模 型,再根据所述碰撞概率预测模型和所述弱信号丢包概率模型,计算碰撞丢包概率和弱信号 丢包概率;
(3)将所述碰撞丢包概率和所述弱信号丢包概率相等的点连成丢包区分曲线,并将代 表上一帧数据发送时的周围节点数目与信噪比的坐标点与所述丢包区分曲线进行比较,区分 上一帧数据的丢包类型;
(4)根据上一帧数据的丢包类型,进行数据的发送:
(4.1)在单播模式中,
在上一帧的丢包类型为弱信号丢包时,驱使所述车辆进行速率自适应退避;
在上一帧的丢包类型为碰撞丢包时,判断重传次数是否达到一个规定限制次数,是则驱 使所述车辆进行速率自适应退避,否则驱使所述车辆进行二进制指数退避;
(4.2)在广播模式中,
计算退避窗口值;
根据所述退避窗口值,计算分组碰撞概率,并判断所述分组碰撞概率是否大于连续两次 无法译码的概率且小于一次无法译码的概率,是则连传相同的两帧数据帧,否则发送一帧数 据帧。
本发明通过自身车速动态调整观测间隔改进了周围节点密度探测办法,并进一步计算出 碰撞丢包概率和弱信号丢包概率,进而对丢包类型进行区分,解决了现有技术区分丢包类型 需要反复交换数据,增加额外网络开销的技术问题,同时在广播模式中通过“两帧连传”的 传输方式,解决了现有技术中信道稳定性差的问题,从而得到了能够很好的适应环境变化, 在信道质量变化频繁的网络环境中显著提高了系统性能,而且提高了广播接收率和数据传输 的准确率的技术效果,解决了传统算法在区分丢包类型时需要反复交换数据,增加额外网络 开销以及广播模式无法判断信道环境的问题。
作为上述方案的进一步改进,在单播模式中,所述碰撞丢包概率的计算方法包括以下步 骤:
(2.1)建立二维马尔可夫链模型;其中,所述二维马尔可夫链模型的二维随机过程为 {s(t),b(t)};其中,s(t)表示节点在t时刻的退避级数(0,...,m),m为最大退避级数;b(t)表 示在t时刻退避过程中的等待时间;
(2.2)根据所述二维马尔可夫链模型,列出状态转移方程;其中,所述状态转移方程为:
P(i1,k1|i0,k0)=P{s(t+1)=i1,b(t+1)=k1|s(t)=i0,b(t)=k0}
其中,i是退避阶数,且i∈[0,m],k表示状态;状态(0,Wi-1)代表第i次的退避过程, 且当前退避计数器的选取数值为Wi-1,Wi表示退避窗口值;状态(0,W0-1)转移至(0,W0-2) 代表计数器减1;P为分组发送失败概率;
(2.3)根据马尔可夫链的极限分布及规则,计算任意时隙内发送分组概率以及所述分组 发送失败概率;所述发送分组概率τ和所述分组发送失败概率P的计算公式为:
其中,Pf为所述弱信号丢包概率,CWmin为第0次退避的竞争窗口值;
(2.4)通过所述发送分组概率和所述发送失败概率,计算碰撞丢包概率;所述碰撞丢包 概率的计算公式为:
Pc=1-(1-τ)n-1
其中,Pc为所述碰撞丢包概率,n为所述周围节点数目。
作为上述方案的进一步改进,在广播模式中,所述碰撞丢包概率的计算方法包括以下步 骤:
(2.5)建立一维马尔可夫链模型;
(2.6)根据所述一维马尔可夫链模型,列出一阶马尔可夫状态转移方程;其中,所述一 阶马尔可夫状态转移方程为:
其中,k表示状态,且状态k到状态k-1的转移概率为1;W0表示固定竞争窗口;
(2.7)根据一阶马尔可夫链的极限分布,计算任意时隙内节点发送概率以及所述分组发 送失败概率;所述节点发送概率τ和所述分组发送失败概率P的计算公式为:
其中,Pf为所述弱信号丢包概率;
(2.8)通过所述节点发送概率和所述发送失败概率,计算碰撞丢包概率;所述碰撞丢包 概率的计算公式为:
其中,Pc为所述碰撞丢包概率,n为所述周围节点数目。
作为上述方案的进一步改进,所述弱信号丢包概率的计算公式为:
其中,Pf为所述弱信号丢包概率,为使用调制模式M传输时的误码率,L为数据帧的长度。
作为上述方案的进一步改进,在单播模式中,所述碰撞丢包概率的计算方法包括以下步 骤:
(2.1)建立二维马尔可夫链模型;其中,所述二维马尔可夫链模型的二维随机过程为 {s(t),b(t)};其中,s(t)表示节点在t时刻的退避级数(0,...,m),m为最大退避级数;b(t)表 示在t时刻退避过程中的等待时间;当数据帧通过信道发送失败时,退避阶数维持当前值, 并在退避窗口中随机选择一个状态转移;在节点回退时,节点发生碰撞和失败均会在退避窗 口中随机选择一个数进行重传;
(2.2)根据所述二维马尔可夫链模型,列出状态转移方程;其中,所述状态转移方程为:
其中,i是退避阶数,且i∈[0,m],k表示状态;状态(0,Wi-1)代表第i次的退避过程, 且当前退避计数器的选取数值为Wi-1,Wi表示退避窗口值;状态(0,W0-1)转移至(0,W0-2) 代表计数器减1;P为分组发送失败概率;
(2.3)根据马尔可夫链的极限分布及规则,计算任意时隙内发送分组概率以及所述分组 发送失败概率;所述发送分组概率τ和所述分组发送失败概率P的计算公式为:
其中,Pf为所述弱信号丢包概率,CWmin为第0次退避的竞争窗口值,Pc为所述碰撞丢包概率;
(2.4)通过所述发送分组概率和所述发送失败概率,计算碰撞丢包概率;
所述碰撞丢包概率的计算公式为:
Pc=1-(1-τ)n-1
其中,n为周围节点数。
作为上述方案的进一步改进,在广播模式中,所述退避窗口值的计算公式为:
w=2n-1
n为所述周围节点数目。
作为上述方案的进一步改进,在所述坐标点位于所述丢包区分曲线的下方时,判定上一 帧数据的丢包类型为弱信号丢包;在所述坐标点位于所述丢包区分曲线的上方时,判定上一 帧数据的丢包类型为碰撞丢包。
作为上述方案的进一步改进,在所述车速为0~20km/h时,所述观测间隔调整为8.3s; 在所述车速为20~40km/h时,所述观测间隔调整为6.7s;在所述车速为40~60km/h时,所述 观测间隔调整为5.2s;在所述车速为60~80km/h时,所述观测间隔调整为4.5s;在所述车速 大于80km/h时,所述观测间隔调整为3.6s。
作为上述方案的进一步改进,所述车辆进行速率自适应退避的方法包括以下步骤:
(4.1a)预设速率上调阈值和速率下调阈值;其中,所述速率上调阈值为数据包连续被 正确接收的个数,所述速率下调阈值为连续被丢弃的数据包数;
(4.1b)将节点连续成功传输个数与所述速率上调阈值比较,并将节点连续被丢弃数据 包数与所述速率下调阈值比较;以及
(4.1c)当节点连续成功传输个数达到所述速率上调阈值时,上调数据传输速率,当节 点连续被丢弃数据包数达到所述速率下调阈值时,下调数据传输速率,否则使数据传输速率 保持不变;
所述车辆进行二进制指数退避的方法包括以下步骤:
(4.1A)确定基本退避时间,并定义与冲突次数相关的参数;所述参数在位于一个预设 范围内时,其取值恒定;
(4.1B)从离散的整数集合中随机抽取一个整数;
(4.1C)获取冲突次数;以及
(4.1D)判断所述冲突次数是否位于所述预设范围内,是则将所述整数与所述基本退避 时间的乘积作为等待时间;
判断所述冲突次数是否超过所述预设范围的上限值,是则确定为发送失败,并丢弃传输 的帧并发送错误报告。
本发明还提供一种基于发送方丢包区分机制的车联网退避装置,其应用上述任意所述的 基于发送方丢包区分机制的车联网退避方法,其包括:
周围节点数获取模块,其用于根据车辆的车速,动态调整观测间隔以使所述观测间隔与 所述车速呈反比变化,并取本次的观测间隔与上次的观测间隔的平均值作为周围节点数目;
概率计算模块,其用于先根据周围节点数目,构建差错信道下的碰撞概率预测模型和弱 信号丢包概率模型,再根据所述碰撞概率预测模型和所述弱信号丢包概率模型,计算碰撞丢 包概率和弱信号丢包概率;
丢包区分模块,其用于将所述碰撞丢包概率和所述弱信号丢包概率相等的点连成丢包区 分曲线,并将代表上一帧数据发送时的周围节点数目与信噪比的坐标点与所述丢包区分曲线 进行比较,区分上一帧数据的丢包类型;以及
数据转发模块,其用于据上一帧数据的丢包类型,进行数据的发送;所述数据转发模块 包括单播转发模块和广播转发模块;所述单播转发模块用于单播模式中,并在上一帧的丢包 类型为弱信号丢包时,驱使所述车辆进行速率自适应退避;所述单播转发模块在上一帧的丢 包类型为碰撞丢包时,判断重传次数是否达到一个规定限制次数,是则驱使所述车辆进行速 率自适应退避,否则驱使所述车辆进行二进制指数退避;广播转发模块用于广播模式中,并 先计算退避窗口值,再根据所述退避窗口值,计算分组碰撞概率,并判断所述分组碰撞概率 是否大于连续两次无法译码的概率且小于一次无法译码的概率,是则连传相同的两帧数据 帧,否则发送一帧数据帧。
相较于现有技术,本发明的基于发送方丢包区分机制的车联网退避方法及其装置具有以 下有益效果:
1、该基于发送方丢包区分机制的车联网退避方法,其根据车速来动态调整观测间距, 从而提升对周围节点数探测的准确性,当车辆自身速度较快时,整个网络的节点密度变化剧 烈,此时缩短观测间隔,能够加快邻居节点列表的更新频率,而车速较慢时,节点密度变化 也相对较慢,可增加观测间隔,避免碰撞等因素对探测造成影响,这样获取的周围节点数目 具有较高的连续性和准确性。进一步地,该车联网退避方法构建数学计算模型,进而计算出 了碰撞丢包概率和弱信号丢包概率,并作为区分丢包类型的数据,从而能够判断出上一帧数 据的丢包类型为碰撞丢包还是弱信号丢包,而且由于是发送方独立完成的,解决了传统算法 中需要反复交换数据,额外网络开销的技术问题,同时也可以应用于广播模式中。另外,该 车联网退避方法的仿真结果表明,基于概率的丢包区分算法是可行有效的,而且丢包判断准 确率为95.59%,要高于现有的丢包区分算法的准确率。
2、该基于发送方丢包区分机制的车联网退避方法,在单播模式中,通过区分丢包类型 以进行不同的退避处理,可以在车辆较为密集、信道质量变换剧烈的网络环境中选择合适的 退避窗口,有效地提高了吞吐量,降低了网络时延,同时选择合适的调制编码方式,使得整 个系统性能得到改善。该车联网退避方法在广播模式中,窗口值随着车辆节点密度变化而变 化,而且通过连续传输两次相同数据帧的方式来降低误帧率,降低吞吐量,保证信道的稳定 性和数据的准确性,并且在适当的环境中可以提高广播模式的系统性能,适应不同车辆密度 的场景,同时使得碰撞发生概率减小,提高数据单位时隙内的接收成功率,从而保证了数据 的高效传输,降低了网络接入时延。
附图说明
图1为本发明实施例1的基于发送方丢包区分机制的车联网退避方法的流程图;
图2为图1中的车联网退避方法在单播模式下进行数据的收发的流程图;
图3为图1中的车联网退避方法在广播模式下进行数据的收发的流程图;
图4为本发明实施例1的基于发送方丢包区分机制的车联网退避方法的二维马尔可夫链 模型图;
图5为本发明实施例1的基于发送方丢包区分机制的车联网退避方法的一维马尔可夫链 模型图;
图6为本发明实施例1中基于发送方的丢包区分算法流程示意图;
图7为本发明实施例1的基于发送方丢包区分机制的车联网退避方法区分丢包类型的曲 线图;
图8为本发明实施例1的基于发送方丢包区分机制的车联网退避方法在不同调制编码方 式的参考线的曲线图;
图9为本发明实施例2的基于发送方丢包区分机制的车联网退避方法的二维马尔可夫链 模型图;
图10为本发明实施例2的基于发送方丢包区分机制的车联网退避方法进行两帧连传的 示意图;
图11为本发明实施例2的基于发送方丢包区分机制的车联网退避方法进行两帧连传的 启用规则示意图;
图12为本发明实施例3的基于发送方丢包区分机制的车联网退避方法的链路仿真框图;
图13为本发明实施例3的基于发送方丢包区分机制的车联网退避方法的UrbanNLOS 场景下误包率与信噪比之间的关系对比图;
图14为本发明实施例3的基于发送方丢包区分机制的车联网退避方法的DCF仿真流程 示意图;
图15为本发明实施例3的基于发送方丢包区分机制的车联网退避方法的DCF状态转移 图;
图16为本发明实施例3的基于发送方丢包区分机制的车联网退避方法的单播模式中碰 撞概率与车辆节点数之间的关系对比图;
图17为本发明实施例3的基于发送方丢包区分机制的车联网退避方法的广播模式中碰 撞概率与车辆节点数之间的关系对比图;
图18为本发明实施例3的基于发送方丢包区分机制的车联网退避方法的丢包区分算法 仿真验证图;
图19为本发明实施例4的基于发送方丢包区分机制的车联网退避方法的吞吐量对比图;
图20为本发明实施例4的基于发送方丢包区分机制的车联网退避方法的时延对比图;
图21为本发明实施例4的基于发送方丢包区分机制的车联网退避方法的归一化吞吐量 和车辆密度之间的关系对比图;
图22为本发明实施例4的基于发送方丢包区分机制的车联网退避方法的广播接收率和 车辆密度之间的关系对比图;
图23为本发明实施例4的基于发送方丢包区分机制的车联网退避方法的广播平均到达 时延和车辆密度之间的关系对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发 明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于 限定本发明。
实施例1
请参阅图1、图2以及图3,本实施例提供了一种基于发送方丢包区分机制的车联网退 避方法,该方法可基于IEEE802.11协议,在车联网环境中进行应用。其中,该车联网退避方法包括以下步骤(步骤1-4)。
步骤1、根据车辆的车速,动态调整观测间隔以使车速与观测间隔呈反比变化,并取本 次的观测间隔与上次的观测间隔的平均值作为周围节点数目。传统的车流密度探测方法是在 以车辆为圆心,传输范围为半径的圆内,通过接收广播帧中的MAC地址和GPS消息等信息 来周期性的推算周围节点数。算法核心是在一个观测间隔内无重复地记录接收过数据包中的 MAC地址。由于在实际场景中,节点的离开没有任何消息的传输,节点需要自动将过期的 节点从列表中删除。例如通过维护一个本地的一跳邻居节点列表,以5s为一个观测间隔记 录邻居节点个数,但是由于采用固定的时间周期来记录周围节点,时效性较差。而在本实施 例中,当自身车速较快时,整个网络的运动性也相对较强,节点密度变化剧烈。此时应该缩 短观测间隔,加快邻居节点列表的更新频率;当车速较缓时,整个网络节点运动性较弱,节 点密度变化相对较缓,可以适当增加观测间隔,以避免碰撞等因素对探测的影响。
车辆在城市主干道行驶中,同车道车间距不得小于50m,而对于高速公路而言(车速一 般大于90km/h),同车道车间距不得小于100米。本实施例为保证六车道中相向而行的所 有车辆节点能够至少两次检测到周期广播信号的存在,可以得到车速与观测间隔OI之间对 应关系。在车速为0~20km/h时,观测间隔调整为8.3s;在车速为20~40km/h时,观测间隔 调整为6.7s;在车速为40~60km/h时,观测间隔调整为5.2s;在车速为60~80km/h时,观测 间隔调整为4.5s;在车速大于80km/h时,观测间隔调整为3.6s。为了保证周围节点数探测 的连续性和准确性,最终会将本次观测间隔内记录的结果与上次观测期记录的结果取平均, 作为最终估计的周围节点数目n。
步骤2、先根据周围节点数目,构建差错信道下的碰撞概率预测模型和弱信号丢包概率 模型,再根据碰撞概率预测模型和弱信号丢包概率模型,计算碰撞丢包概率和弱信号丢包概 率。
本实施例接下来介绍弱信号丢包概率的计算过程。
根据Basic传输方式,单播传输模式中,一次成功传输需要同时保证数据帧和确认帧ACK 都被正确的译码和接收,即成功传输的概率表示为:
其中表示长度为L的数据帧出错的概率,表示确认帧ACK出错的概率。由于 ACK帧的长度远小于数据帧,所以传输出错的概率很小,故可忽略不计。因此,成功传输概率可以简化为:
根据PPDU帧格式可知,PLCP Header中有24bits的信息是采用最低调制编码方式进行 发送的,目的是为了尽可能保证这部分数据能够被正确译码,而数据域采用高阶调制方式。 假设数据域调制方式为m,数据长度为L,所以数据帧出错的概率:
其中,为使用模式m传输时的误码率,它随着SNR增大而降低,可得到弱信号丢包概率Pf为:可以看出,弱信号丢包概率作为误帧率,其与误码率BER,调制方式m和数据段长度L有关,而误码率主要是与信噪比和信道有关。
本实施例接下来介绍碰撞丢包概率的计算过程。在单播模式中,碰撞丢包概率的计算方 法包括以下步骤(步骤2.1-2.4)。
步骤2.1、建立二维马尔可夫链模型。请参阅图4,在本实施例中,假设所有竞争到发送 权的车辆节点都有数据要发送,并且每个车辆节点是否发送数据分组是相互独立的。本实施 例定义了二维随机过程{s(t),b(t)},其中,s(t)表示节点在t时刻的退避级数(0,...,m),m为 最大退避级数,即为每一个纵列。b(t)表示在t时刻退避过程中的等待时间。从t+1到t时刻 代表退避计数器在每个时隙起始时刻自减的操作。为了方便表示,采用记号W=1+CWmin, 从而有1+CWmax=2mW。又记Wi=2iW,其中i∈(0,m)为退避级数。这里定义分组传输失败 的概率为p,则发送成功的概率即为1-p。此时,可以建立一个二维随机过程{s(t),b(t)}。 图中状态(i,j),i是退避阶数,i∈[0,m],j是随机选择的退避计数器,j∈[0,Wm-1]。例如 状态(0,W0-1),代表第0次的退避过程,并且当前退避计数器选取数值为W0-1,W0表示退 避窗口值,即为第0次退避的CW大小为CWmin。状态(0,W0-1)转移至(0,W0-2)代表了计数器 减1,由于这个过程不会转移到其他状态所以概率为1。当计数器自减为0后,即转移至状 态(0,0)时,节点发送数据。此时若发送成功,概率为1-p,将会重新在W0窗口内随机选择 一个状态转移,所以到每一个状态的转移概率为(1-p)/W0。若发送失败,概率p,调节CW窗口大小为Wi(扩大为原来的一倍),随机选择一个状态转移,转移概率p/Wi。如果节点 第m次回退后,仍然发送失败,则不再增加CW窗口大小,而是继续以Wm重传一次,其转 移概率为p/Wm。
步骤2.2、根据二维马尔可夫链模型,列出状态转移方程;其中,状态转移方程为:
P(i1,k1|i0,k0)=P{s(t+1)=i1,b(t+1)=k1|s(t)=i0,b(t)=k0}
步骤2.3、根据马尔可夫链的极限分布及规则,计算任意时隙内发送分组概率以及分组 发送失败概率。其中,根据马尔可夫链的性质可以得到:
进而得到:
由马尔可夫链规则,对所有k∈(1,Wi-1),可以得出:
由于则有k∈(0,Wi-1)
从而获得:并进一步得到:
协议规定,如果节点退避计数器自减为0,那么就可以进行发送。由于节点可能处在不 同的退避状态(第一次重传,第二次重传等),定义在任意时隙内发送分组概率为τ,它是 其它随机过程的累加,即:
进而可以获得以下公式:
接下来分析差错信道对DCF机制的影响。由于一次交换包括数据DATA和确认帧ACK两部分组成。任意数据帧的错误都会造成传输的失败。由于协议规定分组确认信息始终按照 最低速率进行发送,所以相对分组数据而言,它的误帧率相对较低,(通常低于分组信息误 包率两个数量级以上)可以将它忽略。这里定义Pf为弱信号丢包概率,PDATA和PACK分别代表数据和ACK帧的丢失概率,可以得到:Pf=1-(1-PDATA)(1-PACK)≈PDATA
综上所述就可以得到发送分组概率τ和分组发送失败概率P的计算公式为:
其中,Pf为弱信号丢包概率,CWmin为第0次退避的竞争窗口值,Pc为碰撞丢包概率;并且在IEEE 802.11p协议中CWmin=32,m=5。
步骤2.4、通过发送分组概率和发送失败概率,计算碰撞丢包概率。而在实际的通信环 境中,如果在某一时隙内有两个或两个以上的节点同时发送分组,就会造成碰撞。因此,碰 撞丢包概率的计算公式为:Pc=1-(1-τ)n-1。其中,n为周围节点数。由于车辆节点数n为整 数,可以通过数量运算的方法计算碰撞丢包概率Pc。
在IEEE 802.11p控制信道上的广播传输模式仅使用固定窗口进行传输,没有重传机制, 发送后也无法判断接收情况。因此,在分析周期性广播消息的退避时并不能直接套用上述分 析模型。而在本实施例的广播模式中,碰撞丢包概率的计算方法包括以下步骤(步骤2.5-2.8)。
步骤2.5、建立一维马尔可夫链模型。请参阅图5,随机过程b(t)表示退避窗口内的退 避过程与单播模式类似。其中W0表示固定竞争窗口,协议规定的固定窗口值有15和32这两个版本。假设每一个状态为{k},中状态k到状态k-1的转移概率为1,表示退避计数器自减操作。当状态转移到{0}时,节点开始广播数据,在传输之后重新以的概率选择退避时隙。
步骤2.6、根据一维马尔可夫链模型,列出一阶马尔可夫状态转移方程;其中,一阶马 尔可夫状态转移方程为:
其中,k表示状态,且状态k到状态k-1的转移概率为1;W0表示固定竞争窗口。
步骤2.7、根据一阶马尔可夫链的极限分布,计算任意时隙内节点发送概率以及分组发 送失败概率。其中,极限分布可以表示为:
由于该极限分布也是稳态分布,可以得到:
这样,可以解出:
节点发送概率τ和分组发送失败概率P的计算公式为:
其中,Pf为弱信号丢包概率。
步骤2.8、通过节点发送概率和发送失败概率,计算碰撞丢包概率;碰撞丢包概率的计 算公式为:
其中,Pc为碰撞丢包概率,n为周围节点数目。分组发送失败的概率与固定退避窗口值 W0、周围节点数n和误帧率Pf有关。在某一具体的信道环境中可以通过周围节点数来预测 碰撞丢包概率和分组发送失败概率。
步骤3、将碰撞丢包概率和弱信号丢包概率相等的点连成丢包区分曲线,并将代表上一 帧数据发送时的周围节点数目与信噪比的坐标点与丢包区分曲线进行比较,区分上一帧数据 的丢包类型。请参阅图6、图7以及图8,本实施例在不与接收端进行“沟通”的情况下, 判断出上一帧数据的丢包类型。具体而言,碰撞丢包是由周围节点数量决定的,通信范围内 邻居节点越多,发生碰撞的可能性就越大;而弱信号丢包,主要是由于信噪比和编码方式造 成的,也就是信噪比越高,误码率越低,弱信号丢包概率也就越低。由于发生碰撞和弱信号 丢包是相对独立的,所以可以通过感知周围节点数n和信噪比SNR分别计算碰撞丢包概率 和弱信号丢包概率,进而判断丢包类型。具体推算过程会在后面小节详细分析。
为了方便理解,这里我们用横坐标表示车辆节点数,纵坐标表示信噪比。发送方在发送 数据帧的同时记录当前信道噪声功率和路由表中维护的通信节点数,算法根据这些信息预测 碰撞丢包概率和弱信号丢包概率。将碰撞丢包概率和弱信号丢包概率相等的点连成一条“参 考线”,即丢包区分曲线。如果消息传输失败,发送方可以直接将上一帧数据发送时的周围 节点数和信噪比以坐标点的形式带入图中。当坐标点位于丢包区分曲线的下方时,判定上一 帧数据的丢包类型为弱信号丢包;当坐标点位于丢包区分曲线的上方时,判定上一帧数据的 丢包类型为碰撞丢包。当然,从原理上来讲,丢包类型还有可能同时受到碰撞和信道干扰的 影响,只是这种情况发生概率较低,并且通常情况下这意味着非常差的通信环境,很难通过 调整退避窗口和MCS的方法得到改善。
对于支持多速率传输的IEEE 802.11p协议来说,协议规定了8种调制与编码策略,每一 种编码方式对应的误码率也是不同的,如果系统采用固定帧长度的传输方式可以得到8个这 样的“参考线”,横坐标同样表示车辆节点数,纵坐标表示信噪比,从左到右,从上到下依 次对应IEEE 802.11p中的8种调制编码方式。可以看出,当发射速率较低时,“参考线”靠 左,也就是大部分情况被判为碰撞丢包,原因是低速率数据帧误码率相对较低,相较于碰撞 丢包,发生弱信号丢包的概率较小;反之,当采用高阶的调制方式时,发射速率增大,发生 弱信号丢包的概率也随之增大。考虑实际情况中节点计算能力有限,节点可以采用固定帧长 的传输方式,在判断过程中直接将周围节点数n和信噪比SNR代到图中相应位置,判断丢 包类型。故本实施例不需要推算具体概率值,保证了算法的响应速度和实用性。
步骤4、根据上一帧数据的丢包类型,进行数据的发送(这包括在单播模式和广播模式 两种模式下的数据收发情况)。
(4.1)在单播模式中,在上一帧的丢包类型为弱信号丢包时,驱使车辆进行速率自适应 退避;在上一帧的丢包类型为碰撞丢包时,判断重传次数是否达到一个规定限制次数,是则 驱使车辆进行速率自适应退避,否则驱使车辆进行二进制指数退避。碰撞丢包主要是由于周 围发送数据的车辆节点较多,而退避窗口设置较小造成的,所以应该增加退避窗口,从而减 少碰撞概率;而弱信号丢包则主要是由于通信链路质量较差造成的,应该尝试降低发射速率, 调整编码方式。所以发送节点在确认上一帧数据传输失败(没有在规定时间内收到ACK帧 回应)时,应该进行丢包类型判断,如果是碰撞造成的丢包,那么启动退避算法(进行二进 制指数退避),调整退避窗口;如果是弱信号造成的丢包,则启动速率自适应算法(进行速 率自适应退避),调整编码方式和发射速率。
(4.2)在广播模式中,先计算退避窗口值,再根据退避窗口值,计算分组碰撞概率,并 判断分组碰撞概率是否大于连续两次无法译码的概率且小于一次无法译码的概率,是则连传 相同的两帧数据帧,否则发送一帧数据帧。由于信道质量造成的弱信号丢包对于系统性能的 影响是相对固定的,并不像单播模式中会干扰退避窗口的判断,浪费退避等待时间。但是由 于没有重传机制,信道或干扰对数据帧造成的破坏是无法挽回的。本实施例在丢包区分算法 的基础上,针对广播传输模式,设计了通过连续传输两次相同数据帧的方式来降低误帧率的 方案,在适当的环境中使用该方法可以提高广播模式的系统性能。广播数据帧连续传输两次, 类似于单播模式的重传机制,两帧数据间隔SIFS。发送方将同一数据帧连续发送两次,组成 一个长帧,接收方可以只选取有效数据帧,丢弃因为信道干扰而无法译码的数据。假设受到 信道干扰造成弱信号丢包是相对独立的,那么连续两次无法译码的概率为为了防止在 车辆节点密集的情况加重网络负担,本实施例设计只有在的情况中才采用两帧 连传的方式。曲线上方的区域从数学上讲为即表示经过重传后仍具有较高误码率, 所以重传没有起到很大的作用;直线下方为pc>pf,表示碰撞是主要丢包原因,周围节点 较多,应该节约信道资源。
综上所述,本实施例的基于发送方丢包区分机制的车联网退避方法具有以下优点:
1、该基于发送方丢包区分机制的车联网退避方法,其根据车速来动态调整观测间距, 从而提升对周围节点数探测的准确性,当车辆自身速度较快时,整个网络的节点密度变化剧 烈,此时缩短观测间隔,能够加快邻居节点列表的更新频率,而车速较慢时,节点密度变化 也相对较慢,可增加观测间隔,避免碰撞等因素对探测造成影响,这样获取的周围节点数目 具有较高的连续性和准确性。进一步地,该车联网退避方法构建数学计算模型,进而计算出 了碰撞丢包概率和弱信号丢包概率,并作为区分丢包类型的数据,从而能够判断出上一帧数 据的丢包类型为碰撞丢包还是弱信号丢包,而且由于是发送方独立完成的,解决了传统算法 中需要反复交换数据,额外网络开销的技术问题,同时也可以应用于广播模式中。
2、该基于发送方丢包区分机制的车联网退避方法,在单播模式中,通过区分丢包类型 以进行不同的退避处理,可以在车辆较为密集、信道质量变换剧烈的网络环境中选择合适的 退避窗口,有效地提高了吞吐量,降低了网络时延,同时选择合适的调制编码方式,使得整 个系统性能得到改善。该车联网退避方法在广播模式中,窗口值随着车辆节点密度变化而变 化,而且通过连续传输两次相同数据帧的方式来降低误帧率,降低吞吐量,保证信道的稳定 性和数据的准确性,并且在适当的环境中可以提高广播模式的系统性能,适应不同车辆密度 的场景,同时使得碰撞发生概率减小,提高数据单位时隙内的接收成功率,从而保证了数据 的高效传输,降低了网络接入时延。
实施例2
本实施例提供了一种基于发送方丢包区分机制的车联网退避方法,其与实施例1的方法 相似,区别在于模型和碰撞丢包概率的计算方法有所不同。在本实施例中,在单播模式中, 碰撞丢包概率的计算方法包括以下步骤。
(2.1)建立二维马尔可夫链模型;请参阅图9,其中,二维马尔可夫链模型的二维随机 过程为{s(t),b(t)}。其中,s(t)表示节点在t时刻的退避级数(0,...,m),m为最大退避级数。 b(t)表示在t时刻退避过程中的等待时间。本实施例增加了维持在该退避窗口不更新的情况, 当数据帧通过信道发送失败时,概率为pf,退避阶数维持当前值,并在退避窗口Wi中随机 选择一个状态转移,其转移概率为pf/Wi。在节点回退时,节点发生碰撞和失败均会在退避 窗口Wm中随机选择一个数进行重传,转移概率为
(2.2)根据二维马尔可夫链模型,列出状态转移方程;其中,状态转移方程为:
其中,i是退避阶数,且i∈[0,m],k表示状态;状态(0,Wi-1)代表第i次的退避过程, 且当前退避计数器的选取数值为Wi-1,Wi表示退避窗口值;状态(0,W0-1)转移至(0,W0-2) 代表计数器减1;P为分组发送失败概率。
(2.3)根据马尔可夫链的极限分布及规则,计算任意时隙内发送分组概率以及分组发送 失败概率。由于为马尔可夫链的极限分布, 可以得到:
从而得到:
由马尔可夫链规则,对所有k∈(1,Wi-1),可以得出:
并且所有状态概率和为1可得:
从而可以确定:
如果节点退避计数器自减为0,那么就可以进行发送。这样,可以知道:
所以,发送分组概率τ和分组发送失败概率P的计算公式为:
其中,Pf为弱信号丢包概率,CWmin为第0次退避的竞争窗口值,Pc为碰撞丢包概率。
(2.4)通过发送分组概率和发送失败概率,计算碰撞丢包概率;
碰撞丢包概率的计算公式为:Pc=1-(1-τ)n-1。其中,n为周围节点数。
在广播模式中,IEEE 802.11p协议的广播模式中没有ACK数据帧回应,所以传统的协 议中只能采用最小退避窗口方式进行退避。由于本实施例可以独立完成丢包判断,从而为调 整广播模式中退避窗口大小提供参考。由于信道错误并不会影响退避窗口的调整,并且广播 模式中数据也没有重传机制,所以第三章推导的退避窗口与发送概率的模型并不需要修改。 对于一个退避窗口为w的退避过程,节点随机选择[0,w]内任意时隙发送数据,其等待时隙 的数学期望为:
而对于退避计数器为0的节点来说,发送成功的概率是:
表示此时n-1个节点同时不发送数据的概率,而发送失败的概率就是1-p,由几何分布 的数学期望可知,数据分组首次发送成功的数学期望是:
也就是说,大约经过E(p)轮退避后,数据首次发送成功。所以数据等待的总时隙长度为:
1.对于系统而言,有某一节点发送广播分组,并且发送成功的概率为:ps=τ·(1-τ)n-1
综上所述可以定义这样一个与w和n有关的二元函数:
函数f(w,n)代表是单位时隙内系统节点发送数据成功的概率,可以理解为广播模式的发 送效率。当n>2时函数有最大值,求函数对w的偏导数令其等于0,可以解得: w=2n-1
由上可知,广播模式下退避窗口值w与周围节点数成正比,本实施例正是利用该公式设 计了广播模式中退避窗口的自适应退避算法,以改进IEEE 802.11p广播模式的性能。广播数 据帧连续传输两次,类似于单播模式的重传机制,两帧数据间隔SIFS,如图10所示。发送 方将同一数据帧连续发送两次,组成一个长帧,接收方可以只选取有效数据帧,丢弃因为信 道干扰而无法译码的数据。假设受到信道干扰造成弱信号丢包是相对独立的,那么连续两次 无法译码的概率为为了防止在车辆节点密集的情况加重网络负担,本实施例设计只有 在的情况中才采用两帧连传的方式。
请参阅图11,横坐标为pc纵坐标为pf,曲线和直线中间部分表示也就是 落在这一区间内的点启用两帧连传机制。曲线上方的区域从数学上讲为即表示经 过重传后仍具有较高误码率,所以重传没有起到很大的作用;直线下方为pc>pf,表示碰 撞是主要丢包原因,周围节点较多,应该节约信道资源。
实施例3
本实施例提供了一种基于发送方丢包区分机制的车联网退避方法,其在实施例2的基础 上进行了仿真分析,并设置了相关参数。
,为了验证碰撞概率预测模型在差错信道条件下的准确性,本实施例采用MATLAB仿真 工具进行蒙特-卡罗统计仿真。其中IEEE 802.11p链路仿真(包括发射机,接收机和信道模 型)采用WLAN System Toolbox 2.0仿真工具箱,该工具箱首次在2015b的版本被添加,专 为WLAN设计、仿真和测试提供模型和示例,依托MATLAB的数字运算能力,提供了符合802.11协议标准的完整收发端模型和信道建模。其中具体的信道编码、调制方法(OFDM、DSSS和CCK)和MIMO波束成形等都封装有专门的函数。随MATLAB 2018b版本一起发布 的WLAN System Toolbox 2.0中,增加了对车联网的进一步支持,包括V2V信道模型和相 关函数的封装。
请参阅图12,其展示了端到端的基于IEEE 802.11p的链路级仿真系统,系统包括3大 主要部分:发射端、信道和接收端。发射端产生一组包含0、1的随机数作为信源消息,根据第二章所介绍的数据帧产生流程分别添加扰码和前向纠错码(FEC),按照对应的编码方式对数据进行调制、卷积编码和删余操作。之后还会加入4个导频子载波信号为了方便接收端的信道估计和剩余相位的跟踪处理。将数据调制到各个子载波上形成OFDM符号,再添 加1.6μg的循环前缀,形成保护间隔。最后进行加窗处理,加上长、短训练序列则构成了完 整的物理层协议数据单元PPDU。
其中信道模型采用WLAN System Toolbox 2.0中提供的V2V信道模型。工具箱提供了 城市交通,城市郊外和高速公路等5种不同的信道模型。仿真在每个SNR点发送多个分组通过V2V信道。接收机收到消息首先恢复时钟信号,由于OFDM系统对频率偏差较为敏感, 考虑到信道中传输所造成的延时和多普勒频移等因素的影响,需要在接收端进行载波同步,载波同步分粗同步和细同步,分别通过短训练序列(STS)和长训练序列(LTS)来完成。 数据经过载波频率偏移校正和相位跟踪。信道跟踪用于补偿多普勒扩展,完成信道估计。接 收机解调并恢复PSDU。将PSDU与发送的PSU进行比较以确定分组错误的数量。
根据上述的链路模型搭建MATLAB仿真系统,可以得到IEEE 802.11p不同调制方式下 误帧率与信噪比之间的关系。其中V2V无线电信道模型定义了五种场景来表示车辆环境中 的衰落条件。对应于车辆在城市道路十字路口的非视距传输情景,在交叉处有建筑物和围栏。 请参阅图13,可以看出,随着信噪比的升高,误帧率逐渐在下降。并且在同一信噪比环境中, 调制方式越高,误帧率也就越高,换言之,较高的发射速率需要更好的信道环境作为支撑, 如果此时周围环境噪声较大,那么需要降低发射速率以保证链路的可靠性。
本实施例进行DCF仿真,本实施例采用的是有限状态机(Finite State Machine、FSM) 的仿真思路,通过时间和对应条件的触发来驱动每一个节点中的状态转移。请参阅图14,流 程包括节点等待发需要发送的数据,选择合适退避窗口,发送数据帧和数据帧接收。
请参阅图15,下面介绍各个状态主要功能和转移条件。IDLE状态是节点在等待数据产 生,数据帧产生时间采用了泊松分布,当有数据帧产生后,等待DIFS时间进入退避等待状 态。退避等待状态是节点每经过一个时隙,退避计数器自减一次。若在此过程中,如果发现 信道忙,则停止计数器操作,直到信道空闲后重新开始。当退避计数器为0时,转移到发送 状态。当转移到发送状态后,节点发送数据帧。将信道设置为“忙”并转移至接收状态。而 在接收状态中,如果传输过程中,没有碰撞发生,且传输没有信道影响(通过调用WLANSystem Toolbox中收发机模型和V2V信道模型进行仿真),即本次传输成功。读取数据帧 长度计算传输时间设置一个计时器(包括ACK帧传输时间),将CW窗口大小至为CWmin, 当仿真时间到达计时器时刻,表示传输完成,将信道置为“空闲”,转移至IDLE状态重新 等待数据产生。
帧丢失状态:如果上一状态数据帧发生碰撞或者没有通过CRC校验则进入该状态。对 于单播模式中需要将发生错误节点的CW窗口大小翻倍,重新选择退避窗口。由于节点可能 发送的数据帧长度不同,所以需要按照最长的数据帧发送完成时间设置计时器(包括ACK 等待超时时间)。而广播模式只需要根据最长的数据帧设置计时器,设置CWmin退避窗口。 最后当仿真时间到达计时器时刻,将信道置为“空闲”,转移至IDLE状态。
在上述基础上,本节中分别对传统DCF机制的单播模式和广播模式进行了仿真,探究 帧丢失概率与节点数之间的关系,通过仿真验证数学模型的准确性。
请参阅图16,从图中可以看出,单播模式的二维马尔可夫链模型,也就是理论值与仿真 结果较为吻合,说明了模型的准确性。随着节点数量的增多,分组丢失的概率呈上升趋势。 广播模式物理层和MAC层参数与单播模式略有不同,其中数据帧负载为200Bytes,采用固 定退避窗口,大小为32,其他参数相同。
请参阅图17,结合单播模式的分组丢失概率可以发现,广播模式碰撞的概率要明显增大 (为了显示清晰,两图的纵坐标范围不同)。这是因为在广播模式中,发送节点始终采用固 定CW窗口传输。在车辆节点密度较高的情况下,数据帧碰撞发生尤为明显。
根据单播模式和广播模式下的丢包概率的仿真图,验证了数学模型通过周围节点数计算 碰撞丢包概率的准确性和可行性。本实施例可以对传统模式下丢包区分算法的性能进行仿真 验证。为了探究IEEE 802.11p协议中8种调制方式下丢包判断的准确性,防止速率自适应算 法造成发射速率分配不均匀,在仿真中将原本的ARF算法改成了随机选取MCS。实验中车 辆节点设置为[2,25],信噪比设置为[0,25](dB)。与之前提到的查表方式类似,仿真中如果数 据包丢失,按照(车辆节点数n,信噪比SNR)的坐标形式标注到对应MCS(从左到右, 从上到下MCS依次增加)所在区域,如果是碰撞丢包,用蓝色圆圈标注,如果是弱信号丢 包,用红色圆点标注。如果丢包类型判断错误,在该位置处打黑色叉号,仿真时间为10s, 结果如图所示。
请参阅图18,可以看出,大部分碰撞丢包(蓝色圆圈)在参考线右边,而弱信号丢包(红 色圆点)在参考线左边,可见基于概率的丢包区分算法是可行有效的。这里定义判断准确率 为:正确判断丢包类型的数据包个数与总的丢包个数的比为丢包判断准确率,仿真结果表明, 本实施例提出的基于概率的丢包区分算法在上述场景中丢包判断准确率为95.59%。与其他 丢包区分算法仿真准确率对比如表所示。
对比了几种丢包区分算法的准确性,可以看出,本实施例提出的基于概率的丢包区分算 法在丢包准确率方面有一定的优势。在加入了ARF速率自适应算法之后,虽然正确率会略 有下降,但是基本与其他丢包区分算法持平,由于本实施例提出的算法仅由发送方独立完成, 所以相较于其他算法,本实施例提出的基于发送方的丢包区分算法在实用性方面有着更强的 优势。
实施例4
本实施例提供了一种基于发送方丢包区分机制的车联网退避方法,其在实施例2的基础 上进行了仿真分析,并设置了相关参数。
在单播模式中,本实施例采用MATLAB作为仿真平台,对IEEE 802.11p的车载自组网 的网络性能进行了仿真,通过观察吞吐量和平均时延对改进后的退避算法进行评估,并与传 统避退避机制进行了性能比较。
请参阅图19,吞吐量是描述网络性能的最常用的性能指标,定义为单位时间内成功传输 的平均比特数。仿真时间设置为200s,所有节点在可通信范围内,并且节点在竞争到发送权 后都有数据发送。图中上半部分显示的是信噪比和车辆节点的变化关系,信噪比变化范围大 约是[5,25],呈正弦波变化,模拟城市中信道环境的变化情况。在每个周期内,车辆节点数 分别设置5、15、25,模拟城市中不同车辆密度场景。从图中可以看出在车辆节点为5(仿 真时间大约是0~66s)的情况下,传统算法与具有丢包区分的算法并没有明显的区别,这是 因为在车辆密度相对较低的情况下,发生碰撞的几率较小,传统方案能够在这种环境中选取 合适的调制编码方式和退避窗口。但是当车辆节点数提升为15(仿真时间大约在66~132s) 时,传统的模式表现出吞吐量的剧烈波动,这主要是因为此时碰撞概率增加,传统模式没有 办法区分碰撞丢包和弱信号丢包,导致ARF算法不能选择正确的发射速率,从而使吞吐量 产生波动;当节点数提升至25(仿真时间大约在132~200s)时,由于碰撞丢包的进一步增 加,ARF速率自适应方法已经基本失效,只能采用最低速率发射。但是在具有丢包区分算法 的改进方案中可以看到,吞吐量在车辆节点数为15和25的情况下,吞吐量明显高于传统方 案,变化趋势也基本与信噪比变化正相关,说明在有丢包区分机制的帮助下,ARF算法在这 种情况中依然能够较为准确判断信道环境,选取合适的发射速率,并没有受到碰撞丢包的影 响。
请参阅图20,网络接入时延是决定网络端到端性能的另一个重要参数,定义为从数据包 产生到接收方正确接收所需的时间。由于车联网的特殊环境,对时延的要求也更为严苛。信 噪比和车辆节点数与之前相同。从中可以看出,在车辆节点密度较低的情况下,两种方案的 时延相差不大。但是在节点数较多同时信道条件较好时(如仿真时间66~100s和132~170s), 改进方案时延相对较低。主要原因是在这种情况下,改进方案选取了合适的发射速率,在不 带来更高误码率的前提下保证了数据的有效传输,降低了网络时延。
综合吞吐量和网络时延的仿真分析可以得到,单播模式中具有丢包区分机制的退避算法 可以在车辆较为密集、信道质量变换剧烈的网络环境中选择合适的退避窗口,有效地提高了 吞吐量,同时也帮助ARF算法选择合适的调制编码方式,使得整个系统性能得到改善。
请参阅图21,在广播模式中,对比了改良后的广播传输模式和传统的基于固定退避窗口 值的传输模式在归一化吞吐量上表现。传统最小竞争窗口的退避算法,无论是窗口值为15 或是32,在车辆节点密集的情况下,吞吐量下降严重,主要是因为固定的竞争窗口值不能反 映网络节点数目的变化情况,许多节点的退避计数器选择了相同的值,导致节点在同一时隙 内进入信道引起碰撞。改良的退避算法,窗口值随着车辆节点密度变化而变化,从仿真图中 可以看出,吞吐量下降幅度较小,算法能够较好的适应不同车辆密度的场景。
请参阅图22,广播接收率定义为:在通信范围内广播数据帧被周围节点成功接收的比率。 其数值大小受到碰撞和信道质量的影响。对于IEEE 802.11p周期广播的安全消息来说,周围 车辆节点可以根据这些信息判断道路和周围车辆信息。可以看出,随着车辆密度的增加,采 用固定CW的退避算法的广播接收率下降严重,主要是因为碰撞和信道干扰导致广播帧丢 失。而在车辆密度增加时,改进的退避算法的广播接收率并没有急剧下降。一方面是因为退 避窗口的动态调整,降低了碰撞概率,另一方面在合适时机启用两帧连传机制降低了误码率 对系统的影响。
请参阅图23,广播平均到达时延是另一个重要的系统性能指标,定义为:在饱和系统中 所有节点的广播报文从产生到被接收机成功接收所经历的平均时间。其数值大小受到退避等 待时间和丢包的影响。可以看出,随着车辆节点数的增加,广播平均到达时延逐渐上升,其 中,固定竞争窗口的时延由于受到碰撞的影响上升较快,而改进后的算法时延上升相对较缓, 可见,两帧连传机制并没有对时延造成太大的影响,而因为采用了动态退避窗口的方案,使 得碰撞发生概率减小,从而保证了数据的高效传输,降低了网络时延。
实施例5
本实施例提供了一种基于发送方丢包区分机制的车联网退避方法,其在实施例1的基础 上对车辆进行速率自适应退避和二进制指数退避进行了说明。
其中,车辆进行速率自适应退避的方法包括以下步骤:
(4.1a)预设速率上调阈值和速率下调阈值;其中,速率上调阈值为数据包连续被正确 接收的个数,速率下调阈值为连续被丢弃的数据包数;
(4.1b)将节点连续成功传输个数与速率上调阈值比较,并将节点连续被丢弃数据包数 与速率下调阈值比较;以及
(4.1c)当节点连续成功传输个数达到速率上调阈值时,上调数据传输速率,当节点连 续被丢弃数据包数达到速率下调阈值时,下调数据传输速率,否则使数据传输速率保持不变。
而车辆进行二进制指数退避的方法包括以下步骤:
(4.1A)确定基本退避时间,并定义与冲突次数相关的参数;参数在位于一个预设范围 内时,其取值恒定;
(4.1B)从离散的整数集合中随机抽取一个整数;
(4.1C)获取冲突次数;以及
(4.1D)判断冲突次数是否位于预设范围内,是则将整数与基本退避时间的乘积作为等 待时间;
判断冲突次数是否超过预设范围的上限值,是则确定为发送失败,并丢弃传输的帧并发 送错误报告。
实施例6
本实施例提供了一种计算机终端,其包括存储器、处理器以及存储在存储器上并可在处 理器上运行的计算机程序。处理器执行程序时实现实施例1的基于发送方丢包区分机制的车 联网退避方法的步骤。
实施例1的基于发送方丢包区分机制的车联网退避方法在应用时,可以软件的形式进行 应用,如设计成独立运行的程序,安装在计算机终端上,计算机终端可以是电脑、智能手机、 控制系统以及其他物联网设备等。实施例1的基于发送方丢包区分机制的车联网退避方法也 可以设计成嵌入式运行的程序,安装在计算机终端上,如安装在单片机上。
实施例7
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序。程序被处理器执行 时,实现实施例1的基于发送方丢包区分机制的车联网退避方法的步骤。
实施例1的基于发送方丢包区分机制的车联网退避方法在应用时,可以软件的形式进行 应用,如设计成计算机可读存储介质可独立运行的程序,计算机可读存储介质可以是U盘, 设计成U盾,通过U盘设计成通过外在触发启动整个方法的程序。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原 则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于发送方丢包区分机制的车联网退避方法,其特征在于,其包括以下步骤:
(1)根据车辆的车速,动态调整观测间隔以使所述观测间隔与所述车速呈反比变化,并取本次的观测间隔与上次的观测间隔的平均值作为周围节点数目;
(2)先根据周围节点数目,构建差错信道下的碰撞概率预测模型和弱信号丢包概率模型,再根据所述碰撞概率预测模型和所述弱信号丢包概率模型,计算碰撞丢包概率和弱信号丢包概率;
(3)将所述碰撞丢包概率和所述弱信号丢包概率相等的点连成丢包区分曲线,并将代表上一帧数据发送时的周围节点数目与信噪比的坐标点与所述丢包区分曲线进行比较,区分上一帧数据的丢包类型;
(4)根据上一帧数据的丢包类型,进行数据的发送:
(4.1)在单播模式中,
在上一帧的丢包类型为弱信号丢包时,驱使所述车辆进行速率自适应退避;
在上一帧的丢包类型为碰撞丢包时,判断重传次数是否达到一个规定限制次数,是则驱使所述车辆进行速率自适应退避,否则驱使所述车辆进行二进制指数退避;
(4.2)在广播模式中,
计算退避窗口值;
根据所述退避窗口值,计算分组碰撞概率,并判断所述分组碰撞概率是否大于连续两次无法译码的概率且小于一次无法译码的概率,是则连传相同的两帧数据帧,否则发送一帧数据帧。
2.如权利要求1所述的基于发送方丢包区分机制的车联网退避方法,其特征在于,在单播模式中,所述碰撞丢包概率的计算方法包括以下步骤:
(2.1)建立二维马尔可夫链模型;其中,所述二维马尔可夫链模型的二维随机过程为{s(t),b(t)};其中,s(t)表示节点在t时刻的退避级数(0,...,m),m为最大退避级数;b(t)表示在t时刻退避过程中的等待时间;
(2.2)根据所述二维马尔可夫链模型,列出状态转移方程;其中,所述状态转移方程为:
P(i1,k1|i0,k0)=P{s(t+1)=i1,b(t+1)=k1|s(t)=i0,b(t)=k0}
其中,i是退避阶数,且i∈[0,m],k表示状态;状态(0,Wi-1)代表第i次的退避过程,且当前退避计数器的选取数值为Wi-1,Wi表示退避窗口值;状态(0,W0-1)转移至(0,W0-2)代表计数器减1;P为分组发送失败概率;
(2.3)根据马尔可夫链的极限分布及规则,计算任意时隙内发送分组概率以及所述分组发送失败概率;所述发送分组概率τ和所述分组发送失败概率P的计算公式为:
其中,Pf为所述弱信号丢包概率,CWmin为第0次退避的竞争窗口值;
(2.4)通过所述发送分组概率和所述发送失败概率,计算碰撞丢包概率;所述碰撞丢包概率的计算公式为:
Pc=1-(1-τ)n-1
其中,Pc为所述碰撞丢包概率,n为所述周围节点数目。
3.如权利要求1所述的基于发送方丢包区分机制的车联网退避方法,其特征在于,在广播模式中,所述碰撞丢包概率的计算方法包括以下步骤:
(2.5)建立一维马尔可夫链模型;
(2.6)根据所述一维马尔可夫链模型,列出一阶马尔可夫状态转移方程;其中,所述一阶马尔可夫状态转移方程为:
其中,k表示状态,且状态k到状态k-1的转移概率为1;W0表示固定竞争窗口;
(2.7)根据一阶马尔可夫链的极限分布,计算任意时隙内节点发送概率以及所述分组发送失败概率;所述节点发送概率τ和所述分组发送失败概率P的计算公式为:
其中,Pf为所述弱信号丢包概率;
(2.8)通过所述节点发送概率和所述发送失败概率,计算碰撞丢包概率;所述碰撞丢包概率的计算公式为:
其中,Pc为所述碰撞丢包概率,n为所述周围节点数目。
4.如权利要求1所述的基于发送方丢包区分机制的车联网退避方法,其特征在于,所述弱信号丢包概率的计算公式为:
其中,Pf为所述弱信号丢包概率,为使用调制模式M传输时的误码率,L为数据帧的长度。
5.如权利要求1所述的基于发送方丢包区分机制的车联网退避方法,其特征在于,在单播模式中,所述碰撞丢包概率的计算方法包括以下步骤:
(2.1)建立二维马尔可夫链模型;其中,所述二维马尔可夫链模型的二维随机过程为{s(t),b(t)};其中,s(t)表示节点在t时刻的退避级数(0,...,m),m为最大退避级数;b(t)表示在t时刻退避过程中的等待时间;当数据帧通过信道发送失败时,退避阶数维持当前值,并在退避窗口中随机选择一个状态转移;在节点回退时,节点发生碰撞和失败均会在退避窗口中随机选择一个数进行重传;
(2.2)根据所述二维马尔可夫链模型,列出状态转移方程;其中,所述状态转移方程为:
其中,i是退避阶数,且i∈[0,m],k表示状态;状态(0,Wi-1)代表第i次的退避过程,且当前退避计数器的选取数值为Wi-1,Wi表示退避窗口值;状态(0,W0-1)转移至(0,W0-2)代表计数器减1;P为分组发送失败概率;
(2.3)根据马尔可夫链的极限分布及规则,计算任意时隙内发送分组概率以及所述分组发送失败概率;所述发送分组概率τ和所述分组发送失败概率P的计算公式为:
其中,Pf为所述弱信号丢包概率,CWmin为第0次退避的竞争窗口值,Pc为所述碰撞丢包概率;
(2.4)通过所述发送分组概率和所述发送失败概率,计算碰撞丢包概率;
所述碰撞丢包概率的计算公式为:
Pc=1-(1-τ)n-1
其中,n为周围节点数。
6.如权利要求1所述的基于发送方丢包区分机制的车联网退避方法,其特征在于,在广播模式中,所述退避窗口值的计算公式为:
w=2n-1
n为所述周围节点数目。
7.如权利要求1所述的基于发送方丢包区分机制的车联网退避方法,其特征在于,在所述坐标点位于所述丢包区分曲线的下方时,判定上一帧数据的丢包类型为弱信号丢包;在所述坐标点位于所述丢包区分曲线的上方时,判定上一帧数据的丢包类型为碰撞丢包。
8.如权利要求1所述的基于发送方丢包区分机制的车联网退避方法,其特征在于,在所述车速为0~20km/h时,所述观测间隔调整为8.3s;在所述车速为20~40km/h时,所述观测间隔调整为6.7s;在所述车速为40~60km/h时,所述观测间隔调整为5.2s;在所述车速为60~80km/h时,所述观测间隔调整为4.5s;在所述车速大于80km/h时,所述观测间隔调整为3.6s。
9.如权利要求1所述的基于发送方丢包区分机制的车联网退避方法,其特征在于,所述车辆进行速率自适应退避的方法包括以下步骤:
(4.1a)预设速率上调阈值和速率下调阈值;其中,所述速率上调阈值为数据包连续被正确接收的个数,所述速率下调阈值为连续被丢弃的数据包数;
(4.1b)将节点连续成功传输个数与所述速率上调阈值比较,并将节点连续被丢弃数据包数与所述速率下调阈值比较;以及
(4.1c)当节点连续成功传输个数达到所述速率上调阈值时,上调数据传输速率,当节点连续被丢弃数据包数达到所述速率下调阈值时,下调数据传输速率,否则使数据传输速率保持不变;
所述车辆进行二进制指数退避的方法包括以下步骤:
(4.1A)确定基本退避时间,并定义与冲突次数相关的参数;所述参数在位于一个预设范围内时,其取值恒定;
(4.1B)从离散的整数集合中随机抽取一个整数;
(4.1C)获取冲突次数;以及
(4.1D)判断所述冲突次数是否位于所述预设范围内,是则将所述整数与所述基本退避时间的乘积作为等待时间;
判断所述冲突次数是否超过所述预设范围的上限值,是则确定为发送失败,并丢弃传输的帧并发送错误报告。
10.一种基于发送方丢包区分机制的车联网退避装置,其应用如权利要求1-9中任意一项所述的基于发送方丢包区分机制的车联网退避方法,其特征在于,其包括:
周围节点数获取模块,其用于根据车辆的车速,动态调整观测间隔以使所述观测间隔与所述车速呈反比变化,并取本次的观测间隔与上次的观测间隔的平均值作为周围节点数目;
概率计算模块,其用于先根据周围节点数目,构建差错信道下的碰撞概率预测模型和弱信号丢包概率模型,再根据所述碰撞概率预测模型和所述弱信号丢包概率模型,计算碰撞丢包概率和弱信号丢包概率;
丢包区分模块,其用于将所述碰撞丢包概率和所述弱信号丢包概率相等的点连成丢包区分曲线,并将代表上一帧数据发送时的周围节点数目与信噪比的坐标点与所述丢包区分曲线进行比较,区分上一帧数据的丢包类型;以及
数据转发模块,其用于据上一帧数据的丢包类型,进行数据的发送;所述数据转发模块包括单播转发模块和广播转发模块;所述单播转发模块用于单播模式中,并在上一帧的丢包类型为弱信号丢包时,驱使所述车辆进行速率自适应退避;所述单播转发模块在上一帧的丢包类型为碰撞丢包时,判断重传次数是否达到一个规定限制次数,是则驱使所述车辆进行速率自适应退避,否则驱使所述车辆进行二进制指数退避;广播转发模块用于广播模式中,并先计算退避窗口值,再根据所述退避窗口值,计算分组碰撞概率,并判断所述分组碰撞概率是否大于连续两次无法译码的概率且小于一次无法译码的概率,是则连传相同的两帧数据帧,否则发送一帧数据帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910739590.2A CN110460953B (zh) | 2019-08-12 | 2019-08-12 | 一种基于发送方丢包区分机制的车联网退避方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910739590.2A CN110460953B (zh) | 2019-08-12 | 2019-08-12 | 一种基于发送方丢包区分机制的车联网退避方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110460953A true CN110460953A (zh) | 2019-11-15 |
CN110460953B CN110460953B (zh) | 2020-11-10 |
Family
ID=68486007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910739590.2A Active CN110460953B (zh) | 2019-08-12 | 2019-08-12 | 一种基于发送方丢包区分机制的车联网退避方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110460953B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111163530A (zh) * | 2019-11-18 | 2020-05-15 | 浙江万胜智能科技股份有限公司 | 一种基于神经网络算法的无线局域网性能增强方法 |
CN113029234A (zh) * | 2021-02-24 | 2021-06-25 | 北京中大科慧科技发展有限公司 | 用于数据中心的机房温湿度环境检测方法及系统 |
CN113034071A (zh) * | 2021-03-09 | 2021-06-25 | 广东便捷神科技股份有限公司 | 一种用于零售终端机的一键补货方法 |
CN115019556A (zh) * | 2022-05-31 | 2022-09-06 | 重庆长安汽车股份有限公司 | 车辆碰撞预警方法、系统、电子设备及可读存储介质 |
CN115278919A (zh) * | 2022-07-27 | 2022-11-01 | 南通大学 | 一种车联网安全消息广播性能改进方法 |
CN116437493A (zh) * | 2023-06-13 | 2023-07-14 | 辰极智航(北京)科技有限公司 | 海上自组网的数据退避发送方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104080190A (zh) * | 2014-07-09 | 2014-10-01 | 南京邮电大学 | 一种基于概率预测的退避方法 |
CN108934081A (zh) * | 2018-06-15 | 2018-12-04 | 扬州大学 | 一种无线车载网信道接入方法 |
-
2019
- 2019-08-12 CN CN201910739590.2A patent/CN110460953B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104080190A (zh) * | 2014-07-09 | 2014-10-01 | 南京邮电大学 | 一种基于概率预测的退避方法 |
CN108934081A (zh) * | 2018-06-15 | 2018-12-04 | 扬州大学 | 一种无线车载网信道接入方法 |
Non-Patent Citations (2)
Title |
---|
杜京涛: "《中国优秀硕士学位论文全文数据库(电子期刊)》", 15 September 2019 * |
祁涛等: "车联网的MAC协议退避算法研究", 《电子测量技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111163530A (zh) * | 2019-11-18 | 2020-05-15 | 浙江万胜智能科技股份有限公司 | 一种基于神经网络算法的无线局域网性能增强方法 |
CN113029234A (zh) * | 2021-02-24 | 2021-06-25 | 北京中大科慧科技发展有限公司 | 用于数据中心的机房温湿度环境检测方法及系统 |
CN113034071A (zh) * | 2021-03-09 | 2021-06-25 | 广东便捷神科技股份有限公司 | 一种用于零售终端机的一键补货方法 |
CN113034071B (zh) * | 2021-03-09 | 2023-11-17 | 广东便捷神科技股份有限公司 | 一种用于零售终端机的一键补货方法 |
CN115019556A (zh) * | 2022-05-31 | 2022-09-06 | 重庆长安汽车股份有限公司 | 车辆碰撞预警方法、系统、电子设备及可读存储介质 |
CN115019556B (zh) * | 2022-05-31 | 2023-09-08 | 重庆长安汽车股份有限公司 | 车辆碰撞预警方法、系统、电子设备及可读存储介质 |
CN115278919A (zh) * | 2022-07-27 | 2022-11-01 | 南通大学 | 一种车联网安全消息广播性能改进方法 |
CN116437493A (zh) * | 2023-06-13 | 2023-07-14 | 辰极智航(北京)科技有限公司 | 海上自组网的数据退避发送方法、装置、设备及存储介质 |
CN116437493B (zh) * | 2023-06-13 | 2023-08-18 | 辰极智航(北京)科技有限公司 | 海上自组网的数据退避发送方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110460953B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110460953A (zh) | 一种基于发送方丢包区分机制的车联网退避方法及其装置 | |
Molina-Masegosa et al. | System level evaluation of LTE-V2V mode 4 communications and its distributed scheduling | |
EP3836441B1 (en) | Method, apparatus, and system for transmitting feedback information between internet of vehicles devices | |
Sepulcre et al. | Why 6 Mbps is not (always) the optimum data rate for beaconing in vehicular networks | |
Farnoud et al. | Reliable broadcast of safety messages in vehicular ad hoc networks | |
CN103259741B (zh) | 车载网络中基于邻居节点数估计的最小竞争窗口调整方法 | |
Ma et al. | SINR-based analysis of IEEE 802.11 p/bd broadcast VANETs for safety services | |
CN109618302B (zh) | 面向车联网分布式mac协议的新型冲突监督避让策略与方法 | |
Song et al. | A survey on how to solve a decentralized congestion control problem for periodic beacon broadcast in vehicular safety communications | |
Roux et al. | System level analysis for ITS-G5 and LTE-V2X performance comparison | |
Bauza et al. | Power-aware link quality estimation for vehicular communication networks | |
Benrhaiem et al. | Bayesian networks based reliable broadcast in vehicular networks | |
Fan et al. | Network Performance Test and Analysis of LTE‐V2X in Industrial Park Scenario | |
Jameel et al. | Impact of co-channel interference on the performance of VANETs under α-μ fading | |
Mosavat-Jahromi et al. | NC–MAC: A distributed MAC protocol for reliable beacon broadcasting in V2X | |
Molina-Masegosa et al. | An IEEE 802.11 p-assisted LTE-V scheduling for reliable multi-link V2X communications | |
CN104080190A (zh) | 一种基于概率预测的退避方法 | |
Roux et al. | Performance evaluation for co-channel coexistence between ITS-G5 and LTE-V2X | |
Wang et al. | Performances of C-V2X communication on highway under varying channel propagation models | |
CN102387601B (zh) | 自适应分布式协作接入方法和节点装置 | |
Vales-Alonso et al. | Optimal configuration of roadside beacons in V2I communications | |
Djilali et al. | Performances evaluation study of VANET communication technologies for smart and autonomous vehicles | |
Mohammed et al. | Adaptive and optimized control channel utilization in vehicular ad hoc networks | |
Bayu et al. | Performance of C-V2X communications for high density traffic highway scenarios | |
JP4291200B2 (ja) | 無線通信シミュレーション方法及び無線通信シミュレータ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |