车联社交网络：机遇、挑战和应用

何宗键+曹建农+郑俊浩

中图分类号：TP391 文献标志码：A 文章编号：1009-6868 （2014） 01-0031-004

Vehicular Social Networks： Opportunities， Challenges and Applications

摘要：对车联社交网络根据研究侧重点做了分类，并对车联社交网络中的一些机遇和挑战进行了探讨；提出了一种利用社交网络分享的实时交通信息为车联网进行最短路径规划导航的解决方案。实验数据表明该方案在导航效率上超越了现有的静态路径规划方案。

关键词： 车联网；社交网络；群智计算；无意识协作

Abstract： In this paper， we survey and classify existing works on vehicular social networks. Then， some challenging issues are discussed. Finally， we propose an application that uses socially shared real-time traffic information to find the quickest route to a destination. Our evaluations show that the proposed solution outperforms existing static route-planning solutions.

Key words： vehicular networks； social networks； collective computing； opportunistic sensing

随着通信技术、移动计算技术以及嵌入式技术的发展，传统线上社交网络在不断地向移动化、普适化方面发展。使得用户可以更自由、更方便随时随地通过社交网络分享信息与交流合作。收集并对社交网络中的信息进行提取、分析、挖掘并加以利用已经成为了社交网络研究领域的重要研究课题。目前，经过十多年的发展，智能手机已经相对成熟，能够提供联网能力、移动能力、感知能力和计算能力，从而成为移动社交网络的主要平台载体。如果我们要问，下一个移动社交网络的载体会是什么？下一轮移动社交网络的增长点在哪里？不难预见，智能汽车将有极大的潜力成为未来移动社交网络的另外一个重要载体。

智能汽车是具有网络连接能力、感知能力和计算能力的新型车辆。未来有潜力改变人们的出行和生活方式。之所以预见智能汽车可以成为移动社交网络的新载体，主要原因是它可以满足移动社交网络所要求的多种相关能力。鉴于移动能力是车辆的天性，在此不再赘述。下文着重阐述智能汽车的联网能力、感知能力和计算能力：

（1）联网能力

行驶在路上的车辆将不再是孤立的个体。通过无线网络技术实现车车、车路、车云互联已经成为未来智能汽车发展的必然趋势[1]。当前，部分汽车已经通过3G/LTE技术实现了车云互联。同时，IEEE已经于2010年颁布了车用短距离通信协议IEEE 802.11p，为将来的车车、车路互联提供了底层技术支撑。在企业界，传统汽车厂商（宝马、福特等）和新兴的信息技术公司（谷歌、苹果、特斯拉等）同时都积极展开车联网相关的研发工作。

（2）感知能力

目前的车辆上已经拥有了超过100多种传感器，可以感知车辆速度、油量、引擎转速、外围温度、汽车排放等一系列数据。这些传感器数据可以通过标准车载诊断接口（OBD）[2-3]获取。

（3）计算能力

目前的许多汽车上都已经配备了32位的CPU，与此同时，遍布车身还有超过50个MCU，与处理器通过车身控制器局域网（CAN）总线[4]相连，共同构成了强大的计算系统。更为重要的是，通过智能汽车进行复杂计算能耗将不再是关键问题，因为车身蓄电池可以为计算系统提供持久的电力供应。这与智能手机平台相比是一个巨大的优势。

鉴于以上理由，如果智能汽车与社交网络二者可以有机融合，将会进一步推动推动车联网、移动计算以及群智计算等相关研究领域在广度和深度上的进一步发展。本文将其结合成的系统命名为车联社交网络。

然而，智能汽车与社交网络的结合并不是一蹴而就的。其结合充满着挑战，并且需要解决若干关键科学问题。

1 车联社交网络研究的

相关工作

现阶段，车联社交网络的研究主要集中在两个方面：一方面从社交网络出发，尝试引入车联网的一些特性，来强化社交网络本身；另一方面从车联网络入手，尝试把社交网络中的一些概念等结合进来，其目的是强化车联网络。除此之外，车联网与社交网的结合也产生了一些传统方式难以实现或实现成本过高的应用。本节将依次按照这3类文献介绍相关工作。图1是本节的文献分类图。

车辆辅助的社交网络主要围绕车联网络的构建、驾车信息分享等热点展开。美国麻省理工学院在2006年首次提出了车辆中的社交网络的概念[5]，与此同时，他们在车辆中开发了一套名为Flosser的系统，主要用于驾车好友之间信息分享。此后，各大汽车公司纷纷把社交分享功能融入到自家的车载信息系统中，其中比较知名的有通用公司的OnStar和宝马公司的iDrive[6]。然而，如何在车联网环境下自动构建社交网络依然是一个问题，Drive and Share[7]提出了一套基于IP多媒体和机器到机器通信的社交网络构建方法。文献[8]进一步探讨了如何在车联网环境下解决社交网络的信任问题。

社交辅助的车联网络则主要关注在如何利用社交网络的社交关系来提供可信网络传输；或者把社交网络中的一些理论，如小世界理论，集中性分析等引入车联网来提高时延容忍网络的路由精确度。文献[9]提出了一个车辆之间协作的框架，其目的是通过车辆间的协作，提供更好的多跳消息传递。文献[10]把社交网络中的信任引入了车联网，试图解决车联网中的信任问题。文献[11]把社交网络中的Socially Selfish理论引入车联网，以此提高车联网在时延容忍条件下的路由效率。

除了上文提到的社交信息分享以外，车联社交网络的新应用还主要包含如下内容：（1）即时通信。RoadSpeak[12]是一个车车之间的即时聊天工具。文献[13]更进一步把它扩展为多方实时语音通信，可替代现有的基于无线电的出租车呼叫中心等应用。（2）路径规划。文献[10]、文献[14]提出了一种基于车联社交网络的路径规划方法，用来通过用户分享的简单信息，如交通拥堵，来实现更加实时的车辆导航。（3）实时预警。文献[15]提出了一种通过社交网络对驾驶员进行实时预警的应用，例如前方路段危险等。以供驾驶员更方便的驾驶。

2 车联社交网络面临的

问题及挑战

车联社交网络的发展面临若干关键科学问题及挑战。本节将着重介绍这些问题。

2.1 车联社交网络的构造、维护与

传递

由于车辆的高移动性特点，车车、车路通信的网络呈现出拓扑频繁变化、经常断开等特征。在拓扑高速变化的网络上如何构造与维护社交网络是一个极大的挑战。这其中的研究问题包括：（1）共同兴趣结点的发现，即如何查找、发掘与发现有共同兴趣，或者有关系的结点。（2）结点的加入和离开。在高速变化的网络中，如何低成本的维护一个社交网络的结构，即结点的加入和离开也是一个具有挑战的问题。（3）车联社交网络的信息传递。如何高效、开支更少的通过车联社交网络传递信息，这其中包括了信息的单播，多播和社交群内的广播等研究内容。

2.2 信息感知与获取

与传统社交网络不同，传统社交网络中的信息更多的是用户有意识地产生的（如发照片、发状态等）。而在车载环境下，由于安全原因，驾驶员不方便有意识地共享一些信息。因此，更多的信息需要在用户无意识的情况下去感知和获取。这其中的研究问题包括：（1）机会感知。由于缺少用户主观采集数据，系统需要根据上下文信息，自主地采集数据。（2）数据的预处理。从车辆传感器获取的原始数据往往不包含语义信息（如加速度），需要借助车辆计算平台进行预处理，以获得更加有实际意义的信息（如急刹车）。（3）无意识协作机制。单个用户无意识贡献的数据往往是稀疏的、残缺的，甚至是不准确的。需要借助社交网络，把多个用户的数据整合起来，以推断出实际的情况。

2.3 社交隐私保护

隐私是车联社交网的重要研究内容，主要的挑战来自两个方面：其一，车联社交网络中产生的很多数据都是高度敏感的隐私数据，例如用户的行车轨迹、停车位置、同行人员等；其二，由于车联网的拓扑结构的变化性，数据缓存、多跳等是必然的数据传递手段。而在缓存、多跳的过程中，容易产生数据泄露风险。因此，如何保证用户社交信息安全的前提下进行数据采集、分享和使用是重要研究课题。

2.4 深度整合的应用

现有的车联社交网络研究还停留在用车联网来增强社交网中的原有应用，或反过来用社交网增强车联网的原有应用阶段。缺乏深度整合的、新产生的应用。因此，如何发掘、发现新的车联社交网的应用也是一个亟待解决的挑战。例如，是否可以把社交网络游戏中的好友竞争机制引入到车联网中。激励好友共同节省排放、遵守交规等。

3 基于社交网分享信息的

实时路径规划

基于实时交通信息的路径规划相比基于地图的静态路径规划有极大的优势。但是如何获取实时交通信息是一大难题。传统采用感应线圈或监控探头的方案由于依赖基础设施[16]，造成成本高昂。借助车联社交网络，在临近的好友之间通过无线网络共享交通信息，可以做到低成本的数据收集。

3.1 问题描述

在源车辆准备开始导航前，通过车联网向周围相邻路段上的车辆发送数据收集请求。周围的车辆收到数据请求后，会继续把请求转发给相邻车辆。同时会把自己的周围的交通状态反馈给源车辆。然而，这种方式采集数据带来的最大问题是会造成广播风暴，浪费大量的网络带宽。因此，必须采取措施，限制数据采集的规模。当然，理论上如果要想找到最优导航路径，必须要获得全局交通信息，但是这在现实中是不可能的。我们只能退而求其次，求解相对可以接受的次优方案。该问题等同于在一个初始边权重未知，但可以逐渐探索可知的图中寻找最短路径。该问题在图论及运筹学中被以有源随机最短路径问题（SSPPR）提出。并且已经证明了该问题属于非多项式-完全（NP-Complete）问题[17]。因此，该问题没有多项式时间内的最优解，除非P等同NP。

3.2 解决方案

为了解决这个问题，我们提出了一种启发式搜索算法。该算法基于如下两个观察：经过的道路越长，通常消耗的时间也越长；如果最短路径的拥堵程度可以接受，没必要另辟蹊径。因此，我们在搜索的过程中，设置了两个阈值，一个是最长的路径阈值a，表示当前规划路径为最短路径的倍数。另外一个是拥堵阈值b，表示拥堵程度。搜索的路径长度不得超过阈值a，同时，在当前道路的拥堵程度小于阈值b时，搜索会沿着最短路径前进。如果超过了阈值b，则会搜索当前路段的所有相邻路段。我们把该算法称为Backoff-and-Fork，简称BnF。

图2是该算法的一个实际例子。假设S和E分别为起点和终点。首先算法会把最短路径S-c-h-E设为备选路段，然后搜素沿着备选路段进行。对S-c进行交通状况收集，假设S-c的路况良好。之后，算法对c-h进行交通状况收集，发现该段路况拥堵。这时，算法会回退到结点c，把c的所有相邻路段（即c-d与c-f）设为备选路段。并计算d-E和f-E的最短路径，并把最短路径c-d-g-E和c-f-h-E也设为备选路段。接下来继续沿着备选路段开展搜索，直至抵达终点E。

4 实验与结果分析

为了测试方案的有效性，我们基于香港理工大学自行开发的智能交通平台iTransNet[18]进行了测试。该测试平台的拓扑信息如图3所示。该平台上有一些可编程控制的车辆，并且车辆之间通过ZigBee进行数据通信。因此，我们可以通过ZigBee来获取周围路段的交通信息，并实时控制车辆的行进方向。我们把我们的方案与传统的静态图中寻找最短路径的Dijkstra算法进行对比。

图4、图5是实验结果图。图4的3张是在密集交通的情况下获得，图5的3张图是在稀疏的交通情况下获得。通过实验，我们可以看到，在稀疏的情况下，我们的算法与最短路径算法对比优势不是很明显，因为此时时间最省的路径通常就是最短路径，绕路是不划算的。但是在密集交通下，我们算法的优势相当明显。与最短路径相比，绕开拥堵路段最多可以节省大约60%的时间。当然，在节省时间的同时，绕路是有成本的，那就是行驶的距离变长了。从最右侧的两幅子图中可看出，算法会导致行驶总路径变长，是方案的额外开销。

5 结束语

本文首先对车联社交网络的研究现状做了归类和综述。在此基础上，对车联社交网络中的一些机遇和挑战进行了探讨。然后，提出了一种利用社交网络分享的实时交通信息为车联网进行最短路径规划导航的解决方案。在iTransNet上的实验数据表明该方案在导航效率等方面超越了现有的静态路径规划方案。

参考文献

[1] HARTENSTEIN H， LABERTEAUX K P. A tutorial survey on vehicular ad hoc networks [J]. Communications Magazine， IEEE， 2008，46（6）： 164-171. doi： 10.1109/MCOM.2008.4539481.

[2] ELLISON N B. Social network sites： Definition， history， and scholarship [J]. Journal of Computer - Mediated Communication， 2007，13 （1）： 210-230. doi： 10.1111/j.1083-6101.2007.00393.x.

[3] OBD II Technology. [EB/OL]. （2013-10-20）. http：//www.obdii.com/.

[4] ISO 15765-4：2011. Road vehicles -- Diagnostic communication over Controller Area Network （DoCAN） [S]. 2011.

[5] LIANG P A. Social networking in vehicles [R]. Massachusetts Institute of Technology， 2006.

[6] TSCHELIGI M， MESCHTSCHERJAKOV A， WILFINGER D. Interactive Computing on Wheels [J]. Computer， 2011， 44（8）： 100-102. doi： 10.1109/MC.2011.246.

[7] LEQUERICA I， GARCIAlLONGARON M， RUIZ P M. Drive and share： efficient provisioning of social networks in vehicular scenarios [J]. Communications Magazine， IEEE， 2010，48（11）： 90-97. doi： 10.1109/MCOM.2010.5621973.

[8] ABBANI N， JOMAA M， TARHINI T， et al. Managing Social Networks in vehicular networks using trust rules [C] //Proceedings of Wireless Technology and Applications （ISWTA）， 2011 IEEE Symposium on， 25-28， Sept. 2011， Langkawi， 2011：168-173. doi： 10.1109/ISWTA.2011.6089402.

[9] MOUSANNIF H， KHALIL I， OLARIU S. Cooperation as a service in VANET： implementation and simulation results [J]. Mobile Information Systems， 2012，8（2）： 153-172. doi： 10.3233/MIS-2012-0136.

[10] HUANG D J； HONG X Y， GERLA M. Situation-aware trust architecture for vehicular networks [J]. Communications Magazine， IEEE， 2010，48（11）：128-135. doi： 10.1109/MCOM.2010.5621979.

[11] LI Q H， ZHU S C， CAO G H. Routing in Socially Selfish Delay Tolerant Networks [C] //Proceedings of the INFOCOM， 2010 IEEE， 14-19 March 2010， San Diego， CA， 2010：1-9. doi： 10.1109/INFCOM.2010.5462138.

[12] SMALDONE S， HAN L， SHANKAR P， et al. RoadSpeak： enabling voice chat on roadways using vehicular social networks [C] //Proceedings of the 1st Workshop on Social Network Systems， 2008， New York， NY， USA： ACM， 2008：43-48. doi： 10.1145/1435497.1435505.

[13] HAN L， SMALDONE S， SHANKAR P， et al. Ad-hoc voice-based group communication [C] // Proceedings of the Pervasive Computing and Communications （PerCom）， 2010 IEEE International Conference， March 29 2010-April 2 2010， Mannheim， 2010：190-198. doi： 10.1109/PERCOM.2010.5466977.

[14] SHA W， KWAK D， NATH B， et al. 2013. Social vehicle navigation： integrating shared driving experience into vehicle navigation [C] //Proceedings of the 14th Workshop on Mobile Computing Systems and Applications （HotMobile'13）， April 2013， ACM， New York， NY， USA： ACM， 2013，17（2）：16. doi： 10.1145/2444776.2444798.

[15] HE Z， CAO J， LI T. Mice： A real-time traffic estimation based vehicular path planning solution using vanets [C] //Proceedings of the Connected Vehicles and Expo （ICCVE）， 2012 International Conference， 12-16 Dec. 2012， Beijing， China， 2012：172-178.

[16] SINGH K， LI B. Estimation of traffic densities for multi-lane roadways using a markov model approach [J]. Industrial Electronics， IEEE Transactions， 2011，（99）：1.

[17] ANDREATTA G， ROMEO L. Stochastic shortest paths with recourse [J]. Networks， 1988，18（3）. 193-204.

[18] ZHOU B， CAO J， ZENG X， et al. Adaptive traffic light control in wireless sensor network-based intelligent transportation system [C] //Proceedings of the Vehicular Technology Conference Fall （VTC 2010-Fall）， 2010 IEEE 72nd， 6-9 sept. 2010， Ottawa， 2010：1-5. doi： 10.1109/VETECF.2010.5594435.

作者简介

何宗键，同济大学软件工程本科和计算机科学与技术硕士毕业；香港理工大学计算学系在读博士研究生；主要研究领域为车联网、无线传感器网络与移动计算；已发表论文20余篇，其中被SCI/EI检索10余篇。

曹建农，南京大学计算机科学系本科毕业、美国华盛顿州立大学计算机硕士和博士毕业；香港理工大学计算学系教授、博士生导师、系主任，网络和移动通信实验室主任；主要研究领域为计算机网络、移动和普适计算、并行和分布式计算、容错和中间件等；承担并完成20余项科研项目；已发表论文300余篇，其中SCI收录85篇，EI收录232篇。

郑俊浩，杭州电子科技大学计算机科学与技术专业本科毕业；香港理工大学计算学系在读硕士研究生；主要研究方向是车联网，特别是基于车联社交网络的应用。

[13] HAN L， SMALDONE S， SHANKAR P， et al. Ad-hoc voice-based group communication [C] // Proceedings of the Pervasive Computing and Communications （PerCom）， 2010 IEEE International Conference， March 29 2010-April 2 2010， Mannheim， 2010：190-198. doi： 10.1109/PERCOM.2010.5466977.

[14] SHA W， KWAK D， NATH B， et al. 2013. Social vehicle navigation： integrating shared driving experience into vehicle navigation [C] //Proceedings of the 14th Workshop on Mobile Computing Systems and Applications （HotMobile'13）， April 2013， ACM， New York， NY， USA： ACM， 2013，17（2）：16. doi： 10.1145/2444776.2444798.

[15] HE Z， CAO J， LI T. Mice： A real-time traffic estimation based vehicular path planning solution using vanets [C] //Proceedings of the Connected Vehicles and Expo （ICCVE）， 2012 International Conference， 12-16 Dec. 2012， Beijing， China， 2012：172-178.

[16] SINGH K， LI B. Estimation of traffic densities for multi-lane roadways using a markov model approach [J]. Industrial Electronics， IEEE Transactions， 2011，（99）：1.

[17] ANDREATTA G， ROMEO L. Stochastic shortest paths with recourse [J]. Networks， 1988，18（3）. 193-204.

[18] ZHOU B， CAO J， ZENG X， et al. Adaptive traffic light control in wireless sensor network-based intelligent transportation system [C] //Proceedings of the Vehicular Technology Conference Fall （VTC 2010-Fall）， 2010 IEEE 72nd， 6-9 sept. 2010， Ottawa， 2010：1-5. doi： 10.1109/VETECF.2010.5594435.

作者简介

何宗键，同济大学软件工程本科和计算机科学与技术硕士毕业；香港理工大学计算学系在读博士研究生；主要研究领域为车联网、无线传感器网络与移动计算；已发表论文20余篇，其中被SCI/EI检索10余篇。

曹建农，南京大学计算机科学系本科毕业、美国华盛顿州立大学计算机硕士和博士毕业；香港理工大学计算学系教授、博士生导师、系主任，网络和移动通信实验室主任；主要研究领域为计算机网络、移动和普适计算、并行和分布式计算、容错和中间件等；承担并完成20余项科研项目；已发表论文300余篇，其中SCI收录85篇，EI收录232篇。

郑俊浩，杭州电子科技大学计算机科学与技术专业本科毕业；香港理工大学计算学系在读硕士研究生；主要研究方向是车联网，特别是基于车联社交网络的应用。

[13] HAN L， SMALDONE S， SHANKAR P， et al. Ad-hoc voice-based group communication [C] // Proceedings of the Pervasive Computing and Communications （PerCom）， 2010 IEEE International Conference， March 29 2010-April 2 2010， Mannheim， 2010：190-198. doi： 10.1109/PERCOM.2010.5466977.

[14] SHA W， KWAK D， NATH B， et al. 2013. Social vehicle navigation： integrating shared driving experience into vehicle navigation [C] //Proceedings of the 14th Workshop on Mobile Computing Systems and Applications （HotMobile'13）， April 2013， ACM， New York， NY， USA： ACM， 2013，17（2）：16. doi： 10.1145/2444776.2444798.

[15] HE Z， CAO J， LI T. Mice： A real-time traffic estimation based vehicular path planning solution using vanets [C] //Proceedings of the Connected Vehicles and Expo （ICCVE）， 2012 International Conference， 12-16 Dec. 2012， Beijing， China， 2012：172-178.

[16] SINGH K， LI B. Estimation of traffic densities for multi-lane roadways using a markov model approach [J]. Industrial Electronics， IEEE Transactions， 2011，（99）：1.

[17] ANDREATTA G， ROMEO L. Stochastic shortest paths with recourse [J]. Networks， 1988，18（3）. 193-204.

[18] ZHOU B， CAO J， ZENG X， et al. Adaptive traffic light control in wireless sensor network-based intelligent transportation system [C] //Proceedings of the Vehicular Technology Conference Fall （VTC 2010-Fall）， 2010 IEEE 72nd， 6-9 sept. 2010， Ottawa， 2010：1-5. doi： 10.1109/VETECF.2010.5594435.

作者简介

何宗键，同济大学软件工程本科和计算机科学与技术硕士毕业；香港理工大学计算学系在读博士研究生；主要研究领域为车联网、无线传感器网络与移动计算；已发表论文20余篇，其中被SCI/EI检索10余篇。

曹建农，南京大学计算机科学系本科毕业、美国华盛顿州立大学计算机硕士和博士毕业；香港理工大学计算学系教授、博士生导师、系主任，网络和移动通信实验室主任；主要研究领域为计算机网络、移动和普适计算、并行和分布式计算、容错和中间件等；承担并完成20余项科研项目；已发表论文300余篇，其中SCI收录85篇，EI收录232篇。

郑俊浩，杭州电子科技大学计算机科学与技术专业本科毕业；香港理工大学计算学系在读硕士研究生；主要研究方向是车联网，特别是基于车联社交网络的应用。