城市场景中车联网大规模异构网络连通性质的研究方法

城市场景中车联网大规模异构网络连通性质的研究方法
【专利摘要】一种城市场景中车联网大规模异构网络连通性质的研究方法，利用图论对车联网进行建模，利用复杂网络分析技术中相关度量，将它们改造适用于车联网瞬时性质，利用这些性质，在现有的TAPASCologne数据集的基础上，利用复杂网络分析工具等对实际的车联网随时间的演化情况进行仿真测试和数据分析，对大规模车辆移动轨迹TAPASCologne数据集进行了动力学分析，得出车联网大规模异构网络的连通性质的相关结论。本发明是对车联网性质进行深入系统的研究，可以实现对大规模异构网络网元之间的有效集成，保障车联网大规模网络互连互通的实时性。本发明从根本上保障了车联网大规模信息的交换，能满足和支撑大区域环境下的交通拥堵、交通安全、雾霾治理等实时数据采集的应用需求。
【专利说明】
城市场景中车联网大规模异构网络连通性质的研究方法
技术领域
[0001] 本发明设及车联网领域，具体设及城市场景中车联网大规模异构网络连通性质的 分析方法。
【背景技术】
[0002] 目前，中国已成为世界上最大的汽车生产和销售大国，汽车成为人们生活的重要 组成部分，同时也已经成为用户家庭、办公室外的第=个重要空间，通过互联网解决了 "家 庭网"、"办公网"后，汽车网络就成了重要的关注对象。然而，汽车使用率的增加，必将导致 交通拥堵、交通安全、空气污染等严重问题。车联网是一个比较有效的解决方案，其将先进 的信息技术、网络技术、自动控制技术W及计算机技术等高新技术有效地运用于整个数据 传输体系，可降低交通拥堵，减少交通事故，降低环境污染，建立起一种实时、准确、高效的 数据传输体系。
[0003] 车联网的目标和特性决定了车联网是一个庞大、复杂、由不同的分层网络组成的 一个异构网络系统。它的组成包含=部分:①车体域，主要由车内各种传感器和终端节点组 成一个小型车体网络，用来获取车内信息和邻近车辆的实时信息;②物理空间域，主要由物 理环境中的各种网络组成，包括不同类型的路边基础设施网络、车体网W及移动通信网络 等;③信息空间域，主要包括接入网络类型、网络的服务质量、协议类型、网络带宽、终端能 力等。车联网各个组成部分之间不协调运行是影响车联网应用和发展的根源之一。因此，车 联网大规模异构网络的连通性是车联网中一个重要研究领域。在新型车联网大规模网络体 系中，如何从整体角度出发，提供车联网基本属性和分析方法，有效分析在高动态环境下的 网络连通的性能，解决车联网大规模异构网络中的数据实时传输问题，是车联网大规模网 络研究所面临的一个难点。
[0004] 现有的对车联网的连通性技术主要利用仿真和分析法，并且目标对象仅仅针对车 辆自组织网络(VeMCU 1 ar Ad-hoC肥Twork，VANET)，并没有考虑车联网大规模异构网络， 从而难W指导由于车联网大规模异构网络的信道的高度时变性、突出的多普勒效应和网络 拓扑的不确定性等因素带来的大规模异构网络网元之间的有效集成，使得车联网大规模网 络互连互通的实时性存在极大的局限，将会带来效率和性能上的严重不足，从根本上制约 车联网大规模信息的交换，难W支撑大区域环境下的交通拥堵、交通安全、雾靈治理等实时 数据采集的应用需求。

【发明内容】

[0005] 本发明目的在于公开一种城市场景中车联网性质研究方法，对车联网性质进行深 入系统的研究，从而可W实现对大规模异构网络网元之间的有效集成，保障了车联网大规 模网络互连互通的实时性。因此，本发明从根本上保障了车联网大规模信息的交换，能满足 和支撑大区域环境下的交通拥堵、交通安全、雾靈治理等实时数据采集的应用需求。 为此，本发明给出W下技术方案实现： 本发明研究方法，其特征在于，利用图论对车联网进行建模，利用复杂网络分析技术中 相关度量，将它们改造适用于车联网瞬时性质，利用运些性质，在现有的TAPASCologne数据 集（来源于the Institute of Transportation Systems at the German Aerospace Center(口 S-化R)的基础上，利用复杂网络分析工具等对实际的车联网随时间的演化情况 进行仿真测试和数据分析，对大规模车辆移动轨迹TAPASCologne数据集进行了动力学分 析，得出车联网大规模异构网络的连通性质的相关结论。 一种城市场景中车联网大规模异构网络连通性质的研究方法，其特征在于，具体方法 包括如下步骤：
[0006] 步骤1.利用TAPASCologne的Origin/Destination矩阵方法生成新的数据集；
[0007] 步骤2.分析了车联网的相关性质，包括车辆数、链路数、链路与车辆的关系等，利 用仿真实验对无基础设施的车联网网络基本性质进行分析；
[0008] 步骤3.利用仿真实验对无基础设施的车联网网络车群结构基本性质进行分析；
[0009] 步骤4.将基础设施引入车联网网络中，利用仿真实验对有基础设施的车联网网络 基本性质进行分析；
[0010] 步骤5.在车联网车辆中屯、性的研究方面，利用介数和游说指数找出高质量的车 辆；
[0011] 步骤6.比较车联网的直径与剩余车辆数的关系，确定有基础设施的车联网的健壮 性和鲁棒性。
[0012]运6个步骤的具体内容分别如下。
[0013] 所述步骤1中，获取新的数据集采用TAPASCologne数据集(来源于the Institute of Transportation Systems at the German Aerospace Center(ITS-DLR))，它是结合真 实的道路拓扑、准确的微观移动建模、现实的交通需求和先进的交通分配，在德国科隆市 400平方千米的区域内，生成包括超过70万辆车次的24小时合成轨迹文件，该数据集是目前 可在线获取的最完整的大规模车辆移动模型;利用TAPASCologne的Origin/Destination矩 阵方法生成新的数据集。
[0014] 所述步骤2中，车联网相关性质表示与定义 t时刻车辆Vi的度di(t)是在它的通信范围内同样具备车联网通信功能的其他车辆的
数量： (1) 度分布是描述网络性质的一个重要统计量。t时刻车辆的度分布pt(d)定义为在t时刻 的车联网中随机地选择一个车辆，它的度为d的概率，或者等价地描述为车联网中度为d的 车辆数占车辆总数的比例。
[0015] t时刻车联网G(t)密度化(t)为车联网中的实际链路数与可能的最大链路数的比 值：
(2)
[0016] t时刻车联网G(t)的平均最少链路数hG(t)，为车联网中任意一对车辆之间进行通 信所需的最少链路数的平均值：
其中hu(t)为t时刻车辆i，j之间的最短通信链路所需的跳数。所有车辆间的最短通信 链路的跳数中的最大值称为车联网的直径。
[0017]车联网中的车群指的是其中的致密子网，即车群内的链路数大于不同车群间的链 路数。为了找出车群，可W将t时刻车联网G(t)转换为有向图，使得
其中皆城，价是t时刻车辆Ui的入度和出度。 t时刻车联网G(t)的某个子网U(t)构成车群，当它满足：
(4) 即车群U(t)内所有度的和大于朝向车联网G(t)的剩余部分的度的和。
[0016] t时刻车联网中某个车群k的集聚系数cck(t)，它是衡量网络集团化程度的重要参 数：
(5) 其中，I |Ek(t) M是t时刻车群k中存在的链路数，||Nk(t) M是t时刻车群k中的车辆数。
[0017] t时刻车辆Vi的邻近中屯、性Ci(t)，衡量的是网络中某辆车向其他车辆发送信息所 需花费的时间，可表示为该车辆与车联网中其他所有车辆通信所需链路数(跳数)的和的倒 数：
(6) 其中hops (Vi, Vj)是车Vi与车Vj之间的跳数。 车联网中不在相互通信范围内的车辆Vi和Vj之间的通信主要依赖于连接车辆Vi和Vj的 转发路径上所经过的中继车辆，如果某辆车被许多条转发路径经过，则表示该辆车在当前 车联网中具有十分重要的作用，定量地描述某辆车在网络中的影响力或重要性可W用车辆 的介数中屯、性来衡量。
[001引 t时刻车辆Vi的介数中屯、性BCi(t):
其中Sr jk( t)表示t时刻车辆Vj，Vk之间的不同的最短转发路径的数量，Sr j,k(Vi，t)表示 Vj, Vk之间的不同最短转发路径中经过车辆Vi的路径数。车辆中的最大介数与车辆的同步 能力密切相关，车辆的最大介数越大，网络的同步能力越弱。
[0019] t时刻车辆Vi的桥接中屯、性BRi(t)，由该车辆的介数中屯、性乘W-个桥接系数得 到： (8) 其中e(vi)是车辆Vi的桥接系数，Ui表示车辆。桥接系数是车辆的度的倒数除W它的所 有邻接车辆的度的倒数和。桥接中屯、性的目的是找到车联网中处于中屯、的车辆，同时运些 车辆的链路数相比它的邻接车辆要少的多。
[0020] t时刻给定车辆Vi的游说指数^(t)，表示车联网G(t)中车辆Vi的所有邻接车辆中 度至少等于k的数量等于k的最大的正整数k: Li(t) =max{k:dk(t) > k} (9) 其中dk(t)表示车辆m的各辆邻接车Uj的度，并且di(t)含cb(t)含d3(t)…。游说指数可 W视作是车辆的度di(t)的一般化形式，同时表达了车辆的通信范围内所有邻接车辆的信 息。
[0021] 至此，描述车联网大规模异构网络的相关性质的表示与定义完毕。
[00剖无基础设施的车联网网络性质 本发明是对TAPASCologne车联网场景的网络形状规律的研究结果，运其中不包括车联 网通信图在介质访问问题(竞争和干扰)下的的动力学性质。基于W下因素，如：（i)车辆的 移动规律，（ii)给定传输范围，W及（扭）存在路边基础设施，在许多时间点上可W建立多条 通信链路(如果需要的话）。所有运些可能的链路决定了车联网图的性质，而对于运类信息 的知晓是路由和数据分发协议在设计和执行中的关键。
[0023] 无基础设施的车联网车群结构性质 对于需要跨越整个车联网传播消息的服务，它们必须知道整个网络是否连通。此外，对 于需要传送消息到某个特定的地理区域内的服务来说，估计运个区域内的车辆之间的通信 链路的密度会十分有用，因为运样一来可W知道何时进行何时避免洪泛操作。我们对车联 网图进行了车群分析，给出了 TAPASCologne车联网网络中车群的数量和集聚系数随时间 推移的变化情况。可W观察到车群的数量主要受传输范围的影响。
[0024] 有基础设施的车联网网络性质 由于整个TAPASCologne车联网图是不连通的，因此考虑必须引入基础设施(路边单元 Road Side化it,RSU)。为了分析的需要，本发明假设网络通信图中所有不连通的车群之间 可W通过基础设施连通，通过运样的方式就形成了有基础设施的城市车联网，使整个城市 的车联网变成连通的。
[00巧]车联网车辆中屯、性性质 为了对车联网通信图进行更深入的研究，本发明计算了各种中屯、性度量的平均值在不 同传输范围下随着时间推移的变化情况。经过观察，"中屯、车辆"的分布不会受到通信范围 的影响，传输范围在50米和100米时的分布具有相似的形状。中屯、性度量对于交通状况变化 的的反映相当可靠。交通状况即车辆的密度和相对位置。因此，中屯、性不是通讯范围的指 征，而是对车辆的潜在的"行为"的指示，即路网和司机的意图最终决定了车辆在网络中的 位置。
[00%] 车联网大规模异构网络鲁棒性 鲁棒性即网络对于车辆移除的可伸缩性，运一性质对于任何网络来说都非常重要，因 为它直接影响到车联网的内聚性（因此影响了网络中断的可能性），W及车联网对于相关通 信的车辆对于恶意攻击的免疫能力。
[0027]有益效果
[00%] (1)本发明基于车联网无基础设施情况下，有如下重要结论。
[0029] TAPASCologne车联网是不连通的，包含大量的车群；
[0030] 车群的数量受传输范围的影响，但随时间大致保持恒定；
[0031 ]车群的连通性受传输范围的影响；
[0032] 密集车群中同时包含度值较大和较小的车辆；
[0033] 高度值的车辆周围的邻居车辆之间的连接十分稀疏。
[0034] (2)本发明基于车联网有基础设施情况下，有如下重要结论。
[0035] 车联网的图是致密的，其中车辆数与链路数之间遵循致密幕律分布:E(t)KV(t r，其中 aQ2.79;
[0036] 网络直径和平均车辆度随着车辆网络规模的扩大而增加；
[0037] 平均车辆度具有较大的标准差；
[0038] 车联网没有表现出小世界特性，有着较大的车联网直径和平均最少链路数。
[0039] (3)本发明基于车联网车辆中屯、性性质，有如下重要结论。
[0040] 中屯、性是对车辆的潜在的"行为"的指示，运一作用在任何通信范围都是有效的；
[0041] 介数中屯、性和游说中屯、性指数对于识别"高质量"的车辆(更为中屯、的车辆)是充 分的、适当的；
[0042] 车辆度的大小不能够区分网络中车辆质量的高低。
[0043] (4)本发明基于车联网车辆中屯、性性质，有如下重要结论。
[0044] 车联网直径增加或者减少的情况，可W认为车联网直径变化的分布服从幕律，其 失系武为；K义（細化'叫'
[0045] 幕律分布的幕系数a的值决定了车联网的鲁棒性如何，如果a接近1则网络可W被 认为是健壮的。
[0046] 引入基础设施的车联网的通信图是健壮的，当a = 〇. 97时，即使损失了一定数量的 高质量车辆也不会对图的性质造成明显的影响。 本发明研究方法，是对车联网性质进行深入系统的研究，从而可W实现对大规模异构 网络网元之间的有效集成，保障了车联网大规模网络互连互通的实时性。因此，本发明从根 本上保障了车联网大规模信息的交换，能满足和支撑大区域环境下的交通拥堵、交通安全、 雾靈治理等实时数据采集的应用需求。
【附图说明】
[0047] 图1为本发明所提供的新的车联网数据集的获取流程图。 图2车辆数随时间变化情况 图3链路数随时间变化情况 图4双对数坐标系下链路数与车辆数的关系(传输范围=50米） 图5双对数坐标系下链路数与车辆数的关系(传输范围=100米） 图6车群个数随时间变化情况 图7平均集聚系数随时间变化情况 图8最大车群车辆数随时间变化情况 图9平均局部集聚系数与车辆度的关系 图10平均最少链路数随时间变化情况 图11平均最少链路数随车辆数变化情况 图12车联网直径随时间变化情况 图13平均车辆度随时间变化情况 图14车辆的平均中屯、性度量随时间变化情况 图15车辆的平均游说指数随时间变化情况 图16双对数坐标系下车联网直径与车辆数的关系(传输范围=50米） 图17双对数坐标系下车联网直径与车辆数的关系(传输范围= 100米）
[004引图18为本发明方法流程图。
【具体实施方式】
[0049] 本发明的具体实施过程如图18所示，包括如下5个方面：
[0050] ①获取新的车联网数据集
[0051 ]②分析无基础设施情况下的车联网连通性质 [0052]③分析有基础设施情况下的车联网连通性质 [0化3] ④分析车联网中屯、性连通性质 [0054]⑤分析车联网大规模异构网络连通的鲁棒性
[0化5] ①
[0056] 下面首先结合如图1中所示流程，说明新的车联网数据集的获取。 首先利用0/D矩阵确定OSM地图的使用范围并进行提取和过滤，然后转换成SUMO可W识 别的格式输入到运一微观移动仿真器中；同时将0/D矩阵用作Gawron算法的输入，决定初始 的交通分配并提供给SUMO，随后SUMO进行第一次车辆移动仿真，仿真结束后，道路交通密度 作为结果反馈给Gawron算法，根据运些新的信息，计算得出新的交通分配，进行第二次SUMO 仿真，如此循环，直到生成的交通分配可W维持整个交通需求。
[0057] ②
[005引无基础设施的车联网网络性质分析 经过定量研究，车辆数与链路数随着时间演化遵循如下关系式： E(t)KV(t)a (10) 其中传输范围为50米时a□ 2.79，并且根据对在不同的传输范围（例如50米、100米等） 下的运一关系的研究，可W得知运种关系与传输范围的取值无关。根据观察，运一规律在任 何传输范围下均成立。 运一观察结果对于路由协议设计来说具有重要的意义，因为运样一来，就可W对网络 中通信链路的数量进行估计。
[0059]无基础设施的车联网车群结构性质分析 为了研究车辆度和局部连通性之间的关系，采用局部集聚系数量化局部连通情况，结 果表明，局部连通情况与通信范围无关，密集的车群可W同时包含具有较小的度和较大的 度的车辆。然而对于具有较大的度的车辆来说，其局部集聚系数则在0.05到0.1之间，说明 其邻居车辆之间十分稀疏。运是意料之中的，因为对于一个有很多车辆的车群来说，其中的 车辆之间不可能有太多的链路。运一观察意味着，在没有基础设施的车联网中，很难找到包 括许多车辆的"帮派"。运对实际应用会造成巨大的麻烦，因为比如在传播协议中单个广播 就很可能无法到达有效数量的车辆，而在数据分发协议中数据根本无法发送给目标车辆群 体。
[0060]③
[006。有基础设施的车联网网络性质分析 通过车联网网络中平均最少链路数随着时间推移的变化情况，我们发现， TAPASCologne车联网的图没有表现出小世界特性。运一点很重要，因为运一度量提供了一 辆车在获得所需的信息之前所必须等待的平均时间。例如，传输范围为50米时，上午7:00时 的平均最短距离为592跳。我们还观察到传输范围为50米时，两车之间的平均跳数较大并且 随着网络规模的扩大表现出较大的方差。另一方面，传输范围为100米时的最少链路数的变 化相对更平滑，方差较小。网络直径随时间推移的变化情况与平均最少链路数随着时间的 推移的变化情况一致。 通过车联网网络中平均车辆度随时间推移的变化情况，我们发现，平均车辆度随着在 TAPASCologne车联网中的车辆数量的增加而增加，并且具有与链路数类似的趋势。传输范 围为100米时的链路数和平均车辆度均分别是50米时的两倍。我们还观察到平均车辆度值 的方差相当大，但它们的分布是相当均匀的。运意味着网络中有相当一部分比例的车辆具 有较高或较低的度，运些车辆分别是位于路口和处在交通流量较低的位置。
[0062]④
[006引车联网车辆中屯、性性质分析 我们可W得出运样的结论:介数、邻近和桥接中屯、性指数或多或少服从相似的分布。不 管在什么传输范围下，邻近中屯、性实际上是随时间变化保持恒定的。运是由于 TAPASCologne车联网相当稀疏，没有大的致密组件(component )，运也意味着每一辆车到网 络中其余车辆的(平均)距离实际上是相同的。 游说指数则与上述所有的中屯、性度量的变化情况差异较大。根据其定义，它的物理含 义是车辆度的一般化和介数中屯、性某种程度上的简化。值得注意的是大量的车辆具有相同 的游说指数，而介数中屯、性并没有运样的情况，只有相对很少的车辆有相当大的介数中屯、 性。运一观察结果相当有用，因为在一些协议的设计中，我们需要确定所有的"高质量"的车 辆，分配给它们特殊的角色，而在其他一些情况下，我们需要确定的只是"质量"最高的的车 辆。因此，我们可W得出运样的结论，介数中屯、性和游说指数两者对于捕捉车联网通信图的 结构性质是充分的、适当的，它们之中没有一个可W取代另一个。 中屯、性度量是否与度相互关联，即具有较高度的车辆是否也是质量较高的车辆，要回 答运个问题，我们计算了所有车辆在特定的时间点(上午7:00，传输范围为100米)时的皮尔 森相关系数。在一般情况下，皮尔森相关系数的取值范围为-1至1，其中-1或1表示一个"完 美"的关系。系数离0越远，不管其是正是负，两个变量之间关系越强。具有较高的度的车辆 与介数中屯、性和桥接中屯、性无关。另一方面，与邻近中屯、性具有较低的正相关。因此，车辆 的度不能够识别出车联网中"高质量"的车辆，介数和游说指数做得更好。
[0064] ⑤
[0065] 车联网大规模异构网络鲁棒性分析 如果将车辆从车联网中移除，两辆车之间的链路长度将增加。可W采用一种简单但十 分有效的度量来量化车联网的鲁棒性，即观察在删除具有最高介数中屯、性值的车辆的情况 下，车联网直径将会如何变化。当将介数中屯、性指数前10%的车辆删除W后，车联网直径增 加或者减少的情况，可为车联网官径变化的分布服从幕律，其关系式为：
(11) 其中Ni是在第i次去除车辆时剩下的车辆数，diameteri则是运个有Ni辆车的车联网的 直径。a的值决定了车联网的鲁棒性如何，如果a接近1则网络可W被认为是健壮的。根据我 们的研究结果，引入基础设施的车联网的通信图是健壮的，当0 = 0.97时，即使损失了一定 数量的高质量车辆也不会对图的性质造成明显的影响。 实施例 本实施例是对W上【具体实施方式】的详述。 在现有的数据集的基础上利用复杂网络分析工具等对实际的车联网随时间的演化情 况进行仿真测试和数据分析。主要目的是解答W下四个关键问题:车联网图的性质是如何 随时间演化的；中屯、性度量能否用来确定高质量的车辆;车联网图中是否存在致密子图；车 联网是否具有鲁棒性。 (1)车联网相关性质表示与定义 在对车联网整体性质进行研究之前，首先需要使用合适的工具对网络进行描述。本发 明采用无向图刻画车联网网络，无向图G(t)表示t时刻的车联网，其中车辆集合V(t) = {vi} 表示t时刻的所有车辆，1￡{1，2，-|，11}，11表示图的顶点总数，即车辆总数。链路集合6(〇 = {eij}表示当前时刻车辆间的所有通信链路，链路eu(t)当且仅当t时刻时Vi与Vj可W直接相 互通信时存在，其中i，jE{l，2,…，n}且i辛j。 ?车联网网络性质 定义It时刻车辆Vi的度di(t)是在它的通信范围内同样具备车联网通信功能的其他车 辆的数量：
Cl) 度分布是描述网络性质的一个重要统计量。t时刻车辆的度分布pt(d)定义为在t时刻 的车联网中随机地选择一个车辆，它的度为d的概率，或者等价地描述为车联网中度为d的 车辆数占车辆总数的比例。 许多真实的复杂网络的节点度分布都遵循幕律分布，数学形式为:P化)其中k为 节点的度，丫一般介于2到3之间。幕函数在双对数坐标系下是一条下降的直线。与指数函数 相比，幕函数下降速度较慢，使得网络中存在度较大的节点，通常称运些节点为枢纽节点 化Ub node)。研究发现除了幕律分布，真实网络中还存在其它形式的度分布。 定义2t时刻车联网G(t)密度化(t)为车联网中的实际链路数与可能的最大链路数的比 值：
(2) 定义3t时刻车联网G(t)的平均最少链路数hG(t)，为车联网中任意一对车辆之间进行 通信所需的最少链路数的平均值：
其中hu(t)为t时刻车辆i，j之间的最短通信链路所需的跳数。所有车辆间的最短通信 链路的跳数中的最大值称为车联网的直径。 车联网的度度相关性描述了车联网中度大的车辆和度小的车辆之间的关系。如果度大 的车辆倾向于和度大的车辆相连接。则车联网是度度正相关的;反之，如果度大的车辆倾向 于和度小的车辆相连接，则车联网是度度负相关的。可W利用某辆车周围的的邻接车的平 均度兩6。。与该车辆的度d之间的关系来描述度度相关性。当车联网是正相关时，充是 随d递增的曲线；当网络是负相关时，或是随d递减的曲线。 计算链路的两端车辆的度的皮尔森(Pearson)相关系数，r可W描述网络的度度相关 性。其具体定义为：
(4) 其中ji，ki表示第i条链路两端的车辆j，k的度，M表示车联网的总链路数。度度相关系 数r的范围为:0<r<l。当r<0时，车联网是度度负相关的；当r>0时，车联网是度度正相关 的；当r = 0时，网络是度度不相关的。 ?车联网的中屯、性 定义4t时刻车辆Vi的邻近中屯、性Ci(t)，衡量的是网络中某辆车向其他车辆发送信息 所需花费的时间，可表示为该车辆与车联网中其他所有车辆通信所需链路数(跳数)的和的 倒数：
CS) 其中hops (Vi, Vj)是车Vi与车Vj之间的跳数。 车联网中不在相互通信范围内的车辆Vi和Vj之间的通信主要依赖于连接车辆Vi和Vj的 转发路径上所经过的中继车辆，如果某辆车被许多条转发路径经过，则表示该辆车在当前 车联网中具有十分重要的作用，定量地描述某辆车在网络中的影响力或重要性可W用车辆 的介数中屯、性来衡量。
定义5t时刻车細、。的A掀由,1、,、化R。t、. (6> 其中Sr jk( t)表示t时刻车辆Vj，Vk之间的不同的最短转发路径的数量，Sr j,k(Vi，t)表示 Vj, Vk之间的不同最短转发路径中经过车辆Vi的路径数。车辆中的最大介数与车辆的同步能 力密切相关，车辆的最大介数越大，网络的同步能力越弱。
定义61时刻车辆Vi的桥接中屯、性BRi (t )，由该车辆的介数中屯、性乘W -个桥接系数得 到： (7) 其中e(vi)是车辆Vi的桥接系数。桥接系数是车辆的度的倒数除W它的所有邻接车辆 的度的倒数和。桥接中屯、性的目的是找到车联网中处于中屯、的车辆，同时运些车辆的链路 数相比它的邻接车辆要少的多。 定义7t时刻给定车辆Vi的游说指数k(t)，表示车联网G(t)中车辆Vi的所有邻接车辆中 度至少等于k的数量等于k的最大的正整数k: Li(t) =max{k:dk(t) > k} (8) 其中山（t)表示车辆m的各辆邻接车Uj的度，并且di(t)含cb(t)含d3(t)…。游说指数可 W视作是车辆的度di(t)的一般化形式，同时表达了车辆的通信范围内所有邻接车辆的信 息。 ?车联网的车群结构 实证研究表明，许多真实网络呈现一个共同的特征：网络中存在组内的边远远稠密于 组之间的边的结构，运种结构称为网络的群落结构kommunity S化UC化re )，也叫网络的集 团结构。如科学家合作网络中按照不同的研究主题、研究方法可W分成若干不同的研究团 体;WWW网络中按照不同的主题构成网页之间的超级链接;而新陈代谢网络、神经元网络中 的群落结构则反映了网络中不同的功能单元。许多学者提出了识别网络的群落结构的算 法。传统的识别网络群落结构的方法主要有层次聚类算法化ieratical clustering algorithm)和谱分析（spectral analysis)方法W及Girvan和化wman提出的基于边的介数 的方法。 车联网中的车群指的是其中的致密子网，即车群内的链路数大于不同车群间的链路 数。为了找出车群，可W将t时刻车联网G(t)转换为有向图，使得
其中 式"(f)，《"'(〇是t时刻车辆Ui的入度和出度。 定义8t时刻车联网G(t)的某个子网U(t)构成车群，当它满足：
(10) 即车群U(t)内所有度的和大于朝向车联网G(t)的剩余部分的度的和。 定义9t时刻车联网中某个车群k的集聚系数cck(t)，它是衡量网络集团化程度的重要 参数：
(11) 其中，I |Ek(t) M是t时刻车群k中存在的链路数，||Nk(t) M是t时刻车群k中的车辆数。 当车群中每辆车之间都有链路时，该车群的集聚系数取最大值为1。 集聚系数反应的是车群整体的集团化程度，要研究单辆车对于整个车联网的集团化贡 献程度，可W考虑定义它的局部聚集系数。某辆车Ui在t时刻有di(t)辆邻接车辆，且运些邻 接车辆互相之间有Zi(t)条链路，那么， 定义IOt时刻车辆Ui的局部集聚系数lcci(t)的数学表达式为：
(12) 类似于度度相关性，车联网的平均集聚系数与度的关系同样值得研究，运一个关系称 为簇度相关性。大量的实证研究表明，许多真实网络如好莱巧电影演员合作网络、语义网络 中节点的簇度相关性存在近似的倒数关系： (Xk)Qk-I (13) 其中C(d)为度为d的节点的集聚系数。也有研究人员考虑到真实网络同时具有无标度 特性和较大的集聚系数，构造了层次网络模型化ierarcMcal network)。研究表明，具有层 次性的网络还包括万维网、代谢网络等，但是对于具有位置和地理关系的空间网络，如电力 网就不具有运种层次性，其可能原因是由于受到网络费用的制约，节点只能与距离较近的 节点连接。 (2) TAPASCo 1 Ogne 数据集 本发明采用TAPASCologne数据集（来源于the Institute of Transportation Systems at the German Aerospace Center(ITS-DLR)),它是结合真实的道路拓扑、准确 的微观移动建模、现实的交通需求和先进的交通分配，在德国科隆市400平方千米的区域 内，生成包括超过70万辆车次的24小时合成轨迹文件，该数据集是目前可在线获取的最完 整的大规模车辆移动模型;利用TAPASCologne的Origin/Destination矩阵方法生成新的数 据集，具体生成过程如下:首先利用0/D矩阵确定OSM地图的使用范围并进行提取和过滤，然 后转换成SUMO可W识别的格式输入到运一微观移动仿真器中；同时将0/D矩阵用作Gawron 算法的输入，决定初始的交通分配并提供给SUMO，随后SUMO进行第一次车辆移动仿真，仿真 结束后，道路交通密度作为结果反馈给Gawron算法，根据运些新的信息，计算得出新的交通 分配，进行第二次SUMO仿真，如此循环，直到生成的交通分配可W维持整个交通需求，如图1 所示。 (3) 无基础设施的车联网 本发明是对TAPASCologne车联网场景的网络形状规律的研究结果，运其中不包括车联 网通信图在介质访问问题(竞争和干扰)下的的动力学性质。研究表明，基于W下因素，如： (i)车辆的移动规律，（ii)给定传输范围，W及（扭）存在路边基础设施，在许多时间点上可 W建立多条通信链路(如果需要的话）。所有运些可能的链路决定了车联网图的性质，而对 于运类信息的知晓是路由和数据分发协议在设计和执行中的关键。但是，具体运些链路(即 共享介质)如何进行访问，则是MAC协议的工作，不属于技术方案范围内。 ?网络基本分析 我们首先研究运些快照中的车辆数V(t)和链路数E(t)随时间的变化情况。图2和图3分 别展示了车辆数和链路数随着时间的推移的变化情况。正如其他复杂网络那样，车联网的 规模会随着进入地图区域的车辆数的增加和它们的无线天线传输范围的增大而扩大。 随后我们进一步研究了链路和车辆之间的关系：图4和图5描述了车联网图基本服从致 密幕律(Densification Power Law)。经过定量研究，车辆数与链路数随着时间演化遵循如 下关系式： E(t)KV(t)a (14) 其中传输范围为50米时a□ 2.79，并且根据对在不同的传输范围（例如50米、100米等） 下的运一关系的研究，可W得知运种关系与传输范围的取值无关。根据我们的观察，运一规 律在任何传输范围下均成立。运意味着TAPASCologne车联网的图是致密(dense)的。根据文 献，0 = 1表示随着时间推移，平均度保持恒定不变，而0 = 2对应于一个极其致密的图，运意 味着平均来说，每个车辆连接到所有其他车辆的链路的数量是一个常量。运一观察结果对 于路由协议设计来说具有重要的意义，因为运样一来，我们就可W对网络中通信链路的数 量进行估计。 ?车群结构分析 对于需要跨越整个车联网传播消息的服务，它们必须知道整个网络是否连通。此外，对 于需要传送消息到某个特定的地理区域内的服务(地理组播，geocast)来说，估计运个区域 内的车辆之间的通信链路的密度会十分有用，因为运样一来可W知道何时进行何时避免洪 泛操作。 我们对车联网图进行了车群分析，图6和图7给出了 TAPASCologne车联网网络中车群的 数量和集聚系数随时间推移的变化情况。可W观察到车群的数量主要受传输范围的影响。 具体来说，传输范围为50米时车群的数量比100米时多1倍。同时平均集聚系数也受传输范 围影响，传输范围为50米时平均集聚系数比100米时小1.5倍。 而另一方面最大车群包含的车辆数不受传输范围影响，图8显示出了传输范围分别为 100和50米时，最大车群中车辆数占此时车辆总数的百分比，可W看到不管是在哪种传输范 围下，占比的变化情况几乎完全一致。 为了研究车辆度和局部连通性之间的关系，我们采用局部集聚系数量化局部连通情 况，如图9所示。该图表明，局部连通情况与通信范围无关，密集的车群可W同时包含具有较 小的度和较大的度的车辆。然而对于具有较大的度的车辆来说，其局部集聚系数则在0.05 至IjO. 1之间，说明其邻居车辆之间十分稀疏。运是意料之中的，因为对于一个有很多车辆的 车群来说，其中的车辆之间不可能有太多的链路。运一观察意味着，在没有基础设施的车联 网中，我们很难找到包括许多车辆的"帮派"。运对实际应用会造成巨大的麻烦，因为比如在 传播协议中单个广播就很可能无法到达有效数量的车辆，而在数据分发协议中数据根本无 法发送给目标车辆群体。 综上所述，我们提出W下结论： 1 )TAPASCologne车联网是不连通的，包含大量的车群； 2) 车群的数量受传输范围的影响，但随时间大致保持恒定； 3) 车群的连通性受传输范围的影响； 4) 密集车群中同时包含度值较大和较小的车辆； 5) 高度值的车辆周围的邻居车辆之间的连接十分稀疏。 (4)有基础设施的车联网 由于整个TAPASCologne车联网图是不连通的，因此考虑必须引入基础设施(路边单元 Road Side化it,RSU)。为了分析的需要，我们假设网路通信图中所有不连通的车群之间可 W通过基础设施连通，通过运样的方式就形成了有基础设施的城市车联网，使整个城市的 车联网变成连通的。 ?网络分析 图10表示的是网络中平均最少链路数随着时间推移的变化情况。我们的研究结果表 明，TAPASCologne车联网的图没有表现出小世界特性。运一点很重要，因为运一度量提供了 一辆车在获得所需的信息之前所必须等待的平均时间。例如，传输范围为50米时，上午7:00 时的平均最短距离为592跳。我们还观察到传输范围为50米时，两车之间的平均跳数较大并 且随着网络规模的扩大表现出较大的方差(如图11所示）。另一方面，传输范围为100米时的 最少链路数的变化相对更平滑，方差较小。网络直径随时间推移的变化情况与平均最少链 路数随着时间的推移的变化情况一致，如图12所示，并具有相当大的平均值(传输范围为50 米平均车联网直径等于3050.48，100米时为1917.72)。 图13展示了平均车辆度随时间推移的变化情况。可W注意到平均车辆度随着在 TAPASCologne车联网中的车辆数量的增加而增加，并且具有与链路数类似的趋势。传输范 围为100米时的链路数和平均车辆度均分别是50米时的两倍。我们还观察到平均车辆度值 的方差相当大，但它们的分布是相当均匀的。运意味着网络中有相当一部分比例的车辆具 有较高或较低的度，运些车辆分别是位于路口和处在交通流量较低的位置。 综上所述，通过对网络分析可W得到如下观察结果： 1) 车联网的图是致密的，其中车辆数与链路数之间遵循致密幕律分布:E(t)KV(t)a， 其中 aD2.79; 2) 网络直径和平均车辆度随着车辆网络规模的扩大而增加； 3) 平均车辆度具有较大的标准差； 4) 车联网没有表现出小世界特性，有着较大的车联网直径和平均最少链路数。 ?中屯、性分析 为了对车联网通信图进行更深入的研究，我们计算了各种中屯、性度量的平均值在不同 传输范围下随着时间推移的变化情况，结果如图14和图15所示。经过观察，"中屯、车辆"的分 布不会受到通信范围的影响，传输范围在50米和100米时的分布具有相似的形状。中屯、性度 量对于交通状况变化的的反映相当可靠。交通状况即车辆的密度和相对位置。因此，中屯、性 不是通讯范围的指征，而是对车辆的潜在的"行为"的指示，即路网和司机的意图最终决定 了车辆在网络中的位置。 从图14中可W得出运样的结论:介数、邻近和桥接中屯、性指数或多或少服从相似的分 布。不管在什么传输范围下，邻近中屯、性实际上是随时间变化保持恒定的。运是由于 TAPASCologne车联网相当稀疏，没有大的致密组件(component )，运也意味着每一辆车到网 络中其余车辆的(平均)距离实际上是相同的。 游说指数（如图15所示）则与上述所有的中屯、性度量的变化情况差异较大。根据其定 义，它的物理含义是车辆度的一般化和介数中屯、性某种程度上的简化。值得注意的是大量 的车辆具有相同的游说指数，而介数中屯、性并没有运样的情况，只有相对很少的车辆有相 当大的介数中屯、性。运一观察结果相当有用，因为在一些协议的设计中，我们需要确定所有 的"高质量"的车辆，分配给它们特殊的角色，而在其他一些情况下，我们需要确定的只是 "质量"最高的的车辆。因此，我们可W得出运样的结论，介数中屯、性和游说指数两者对于捕 捉车联网通信图的结构性质是充分的、适当的，它们之中没有一个可W取代另一个。 接下来对本发明研究的中屯、性度量是否与度相互关联进行研究，即具有较高度的车辆 是否也是质量较高的车辆。要回答运个问题，我们计算了所有车辆在特定的时间点（上午7: 00,传输范围为100米）时的皮尔森相关系数。在一般情况下，皮尔森相关系数的取值范围 为-1至1，其中-1或1表示一个"完美"的关系。系数离0越远，不管其是正是负，两个变量之间 关系越强。从表1可W很明显的得出，具有较高的度的车辆与介数中屯、性和桥接中屯、性无 关。另一方面，与邻近中屯、性具有较低的正相关。因此，车辆的度不能够识别出车联网中"高 质量"的车辆，介数和游说指数做得更好。 表1中屯、性与车辆度相关系数
综上所述，我们提出W下结论： 1) 中屯、性是对车辆的潜在的"行为"的指示，运一作用在任何通信范围都是有效的； 2) 介数中屯、性和游说中屯、性指数对于识别"高质量"的车辆(更为中屯、的车辆)是充分 的、适当的； 3) 车辆度的大小不能够区分网络中车辆质量的高低。 参鲁棒性分析 鲁棒性即网络对于车辆移除的可伸缩性，运一性质对于任何网络来说都非常重要，因 为它直接影响到车联网的内聚性（因此影响了网络中断的可能性），W及车联网对于相关 通信的车辆对于恶意攻击的免疫能力。
如果将车辆从车联网中移除，两辆车之间的链路长度将增加。可W采用一种简单但十 分有效的度量来量化车联网的鲁棒性，即观察在删除具有最高介数中屯、性值的车辆的情况 下，车联网直径将会如何变化。图16显示了将介数中屯、性指数前10%的车辆删除W后，车联 网直径增加或者减少的情况。根据图16,可W认为车联网直径变化的分布服从幕律，其关系 式为： (巧） 其中Ni是在第i次去除车辆时剩下的车辆数，diameteri则是运个有Ni辆车的车联网的 直径。a的值决定了车联网的鲁棒性如何。如果a接近1则网络可W被认为是健壮的。根据我 们的研究结果，引入基础设施的车联网的通信图是健壮的，如图16中0 = 0.97。即使损失了 一定数量的高质量车辆也不会对图的性质造成明显的影响。 创新点 创新之一:将图论和复杂网络分析技术中的相关度量应用于车联网性质分析中，丰富 和发展了车联网的研究思路。车联网大规模网络客观存在复杂的关联关系，导致网络互连 互通禪合度低、实时性和稳定性难W保证等缺陷，成为阻碍车联网大规模网络应用和产业 发展的瓶颈。现有研究方法主要通过协议转换和路由算法实现应用集成，缺乏开放网络环 境下车联网性质的理论基础和方法，从而不能解析车联网的本质属性，不能很好解决车联 网的核屯、技术问题。本发明将图论和复杂网络分析技术中的相关度量应用于车联网性质分 析中，研究车联网瞬时性质，从而为车联网相关领域的研究提供本质属性的支撑。 创新之二:对大规模车辆移动轨迹TAPASCologne数据集进行动力学分析，给出城市场 景中车联网相关性质的关键结论。首先，在没有基础设施的情况下分析了车联网的基本性 质，包括车辆数、链路数、链路与车辆的关系等，发现链路与车辆服从致密幕律分布，并对其 中簇进行分析，发现整个网络是不连通的，高度值车辆周围的邻居节点互相连接十分稀疏； 其次，将基础设施引入车联网中使得全网得W连通，并得出了该网络没有表现出小世界特 性的结论，对于车联网车辆中屯、性的研究发现，介数和游说指数可W用来找出高质量的车 辆，但是度不能区分;最后，针对车联网的鲁棒性，本发明采用了车联网的直径与剩余车辆 数的关系，确认了有基础设施的车联网是健壮的，可W应对断链和恶意攻击。
【主权项】
1. 一种城市场景中车联网大规模异构网络连通性质的研究方法，其特征在于，利用图 论对车联网进行建模，利用复杂网络分析技术中相关度量，将它们改造适用于车联网瞬时 性质，利用这些性质，在现有的TAPASCologne数据集的基础上，利用复杂网络分析工具等对 实际的车联网随时间的演化情况进行仿真测试和数据分析，对大规模车辆移动轨迹 TAPASCologne数据集进行了动力学分析，得出车联网大规模异构网络的连通性质的相关结 论。2. -种城市场景中车联网大规模异构网络连通性质的研究方法，其特征在于，具体方 法包括如下步骤： 步骤1 ·利用TAPASCologne的Origin/Destination矩阵方法生成新的数据集； 步骤2.分析了车联网的相关性质，包括车辆数、链路数、链路与车辆的关系等，利用仿 真实验对无基础设施的车联网网络基本性质进行分析； 步骤3.利用仿真实验对无基础设施的车联网网络车群结构基本性质进行分析； 步骤4.将基础设施引入车联网网络中，利用仿真实验对有基础设施的车联网网络基本 性质进行分析； 步骤5.在车联网车辆中心性的研究方面，利用介数和游说指数找出高质量的车辆； 步骤6.比较车联网的直径与剩余车辆数的关系，确定有基础设施的车联网的健壮性和 鲁棒性。3. 如权利要求2所述的城市场景中车联网大规模异构网络连通性质的研究方法，其特 征在于，所述步骤1中，利用TAPASCologne的Origin/Destination矩阵方法生成新的数据 集。4. 如权利要求2所述的城市场景中车联网大规模异构网络连通性质的研究方法，其特 征在于，所述步骤2中，车联网相关性质表示与定义 t时刻车辆^的度cU(t)是在它的通信范围内同样具备车联网通信功能的其他车辆的数 量：度分布是描述网络性质的一个重要统计量;t时刻车辆的度分布pt(d)定义为在t时刻的 车联网中随机地选择一个车辆，它的度为d的概率，或者等价地描述为车联网中度为d的车 辆数占车辆总数的比例； t时刻车联网G(t)密度Dc(t)为车联网中的实际链路数与可能的最大链路数的比值：t时刻车联网G(t)的平均最少链路数hc(t)，为车联网中任意一对车辆之间进行通信所 需的最少链路数的平均值：其中hij(t)为t时刻车辆i，j之间的最短通信链路所需的跳数;所有车辆间的最短通信 链路的跳数中的最大值称为车联网的直径； 车联网中的车群指的是其中的致密子网，即车群内的链路数大于不同车群间的链路 数;为了找出车群，可以将t时刻车联网G(t)转换为有向图，使得4"(0=<"(/)=4⑴，其中 ，do是t时刻车辆Ul的入度和出度； t时刻车联网G(t)的某个子网U(t)构成车群，当它满足：即车群u(t)内所有度的和大于朝向车联网G(t)的剩余部分的度的和； t时刻车联网中某个车群k的集聚系数cck(t)，它是衡量网络集团化程度的重要参数：其中，I |Ek(t)| |是t时刻车群k中存在的链路数，| |Nk(t)| |是t时刻车群k中的车辆数； t时刻车辆^的邻近中心性Cdt)，衡量的是网络中某辆车向其他车辆发送信息所需花 费的时间，可表示为该车辆与车联网中其他所有车辆通信所需链路数(跳数)的和的倒数：其中hops (Vi, Vj)是车Vi与车Vj之间的跳数； 车联网中不在相互通信范围内的车辆vdPw之间的通信主要依赖于连接车辆^和^的 转发路径上所经过的中继车辆，如果某辆车被许多条转发路径经过，则表示该辆车在当前 车联网中具有十分重要的作用，定量地描述某辆车在网络中的影响力或重要性可以用车辆 的介数中心性来衡量； t时刻车辆vi的介数中心性BCi(t):其中sr jk(t)表示t时刻车辆vj，vk之间的不同的最短转发路径的数量，sr j, k(Vi，t)表示 Vj，Vk之间的不同最短转发路径中经过车辆^的路径数;车辆中的最大介数与车辆的同步能 力密切相关，车辆的最大介数越大，网络的同步能力越弱； t时刻车辆vi的桥接中心性BRi(t)，由该车辆的介数中心性乘以一个桥接系数得到：其中β(νι)是车辆Vl的桥接系数，m表示车辆;桥接系数是车辆的度的倒数除以它的所 有邻接车辆的度的倒数和;桥接中心性的目的是找到车联网中处于中心的车辆，同时这些 车辆的链路数相比它的邻接车辆要少的多； t时刻给定车辆Vl的游说指数Ldt)，表示车联网G(t)中车辆^的所有邻接车辆中度至 少等于k的数量等于k的最大的正整数k: Li(t) =max{k:dk(t) > k} (9) 其中dk(t)表示车辆m的各辆邻接车的度，并且cU(t) 2 d2(tU d3(t)···;游说指数可 以视作是车辆的度cU(t)的一般化形式，同时表达了车辆的通信范围内所有邻接车辆的信 息。
【文档编号】H04L29/08GK105827688SQ201610011480
【公开日】2016年8月3日
【申请日】2016年1月8日
【发明人】程久军, 程骏路, 徐娟, 臧笛, 陈福臻, 鄢晨丹, 吴潇, 邵剑雨, 廖竞学, 杨阳, 秦鹏宇
【申请人】同济大学