基于IEEE 802.11p的自适应主次窗口退避机制及验证*

周兴凯，窦祖芳，杨喜娟，杨乔礼

（1.兰州交通大学自动化与电气工程学院，兰州 730070；2.兰州交通大学电子与信息工程学院，兰州 730070）

前言

车联网（internet of vehicles，IoV）作为汽车驾驶、电子信息、交通运输等行业深度融合的新型产业形态，越来越成为各国竞相发展的重要方向。车联网以车内网、车际网和车载移动互联网为基础，利用先进的人工智能、信息处理、通信传输、电子传感及控制等技术，在车与X（X：车、路、人、服务平台）间进行无线通信和信息交换，是实现智能交通、信息服务和车辆智能控制的一体化网络［1］。

对于V2X技术，目前国际上主要有专用短程通信 技 术（dedicated short range communication，DSRC）［2］和蜂窝网络车联网技术（cellular vehicleto-everything，C-V2X）两种［3］。其中，DSRC的物理层由标准IEEE 802.11p构成，可实现高速数据传输，带宽可达3～27 Mb/s。IEEE 802.11p标准采用的载波侦听多路访问冲突避免（carrier sense multiple access with collision avoidance，CSMA/CA）机制，能很好地保证车辆在移动中的通信效率，但在高密度的场景下现有的指数退避（binary exponential backoff，BEB）算法导致网络的数据传输性能急剧下降。C-V2X是一项利用和提高现有的长期演进技术（long term evolution，LTE）特点及网络要素的信息技术［4］。同时，基于LTE的C-V2X能够与5G、6G进行复用。LTE采用多波技术，主要支持静态场景，对于车辆拥挤的情况可能无法提供所需的效能［5-7］。显然，结合两者的优势，通过两种技术的融合实现车联网通信是未来研究的一个方向［8-9］。然而，在交通密集场景中，两者都不能很好地解决高效数据传输。所以，本文主要探讨在交通密集场景中，如何降低数据通信时延，以提高系统可靠性。

IEEE 802.11p协议 的MAC层 使用CSMA/CA机制，该机制主要基于竞争窗口（contention window，CW）的指数增长来避免节点冲突。然而，在交通密集场景下，大量的节点同时竞争信道资源时，由于CW的固定尺寸大大降低了系统性能。另外，在交通稀疏场景下，CW的指数级增长会引起信道长时间空闲，导致信道资源浪费，信息的实时性得不到保障［10］。针对不同场景的应用，学者们对IEEE 802.11p相关协议做了大量的研究工作以期提高网络性能。Du等［11］提出了一种自适应退避算法，通过连续两帧传输数据最大化单位时隙内的传输成功率。Karaca等［12］通过改变退避计数器的减量来增强传统协议的性能，其中退避计数器的减量取决于信道条件和竞争节点的数量。Syed等［13］设计了竞争窗口自适应退避机制，通过网络负载动态调整CW值，但此类方案均适用于特定场景中。针对在传输成功后最小化退避阶段导致的冲突和短期低公平性的问题，Lee等［14］提出了一种竞争窗口自适应方案，使用单个退避阶段，改善了短期的公平性和吞吐量。随着日常应用环境中节点数量不断增加，传统机制的缺点变得更加明显。为增强传统机制的性能，Lin等［15］提出了一种动态连续波控制方案，通过冲突率来动态调整初始CW值以获得最大吞吐量。然而，该方案没有对冲突和信道访问失败的情况进行区分，忽略了在信道访问失败的情况下对CW值调整的策略。Kefa等［16］提出了一种退避过程和信道清晰评估（clear channel assessment，CCA）的组合机制，由此改善在高度动态的环境中网络的性能。传统的机制中争用期较短，导致冲突加剧，直接影响了网络的可靠性和传输时延，Pressas［17］等设计了一种基于QLearning的奖励机制，能够估计最优的CW值。在IEEE 802.11p协议中车辆节点通过“竞争”获得信道资源，为保障数据及时可靠地传输，Bharati等［18］提出CRB机制，它是基于D-TDMA的协同MAC协议，通过主动对发端报文进行重广播提高系统的可靠性，但由于动态拓扑和主动报文中继的原因，造成了时间槽的浪费，增加了冲突率。IEEE 802.11p标准中缺乏中央协调器，鉴于车辆的高速移动特性，很难实现可靠的多通道协调和自适应资源预留，Cao等［19］提出了一种自适应的高吞吐量多信道MAC协议，解决了系统吞吐量急剧下降的问题。

综合上述文献，目前大多数设计的协议都提出了不同的性能增强机制，通过信息重传、改进竞争窗口、优先级、引入CCA机制等方法来提高信道利用率。然而提出的方法只适用于特定的应用，很难应对通用车联网所面临的挑战，同时探讨交通密集场景下IEEE 802.11p协议的成果极少。

因此，针对交通密集场景，本文提出一种基于IEEE 802.11p的自适应主次窗口退避机制，将退避过程划分为主次窗口，并依据通信状况动态地调整窗口划分，达到提高系统的传输成功率，减少冲突的发生和降低传输时延的目标。仿真结果显示改进后的机制均能够满足交通稀疏和密集环境下数据传输需求。本文的主要贡献总结如下：

（1）主次窗口的划分能够大幅降低数据传输时延。在传统机制中，退避窗口的尺寸根据BEB算法实现。当节点冲突后，退避窗口呈指数级增长，退避时间大幅增加。本文首先通过主次窗口的划分将一个退避过程分为主次退避两个阶段，主退避结束后节点尝试传输数据，冲突后再进入次退避阶段，通过增加一次传输降低系统时延。

（2）自适应窗口划分技术能保证系统可靠性。本文中主次退避阶段的划分占比由参数BP进行控制，BP的取值随着冲突的增加而增加，实现根据冲突状况动态调整主次退避阶段的划分。同时，BEB退避机制改进后为不规则退避，即退避窗口尺寸由常量改进为变量，大大降低了节点冲突的概率，保证了系统的可靠性。

（3）获得车辆密度与系统性能指标的解析关系。以簇内车辆个数及簇头个数为主要参数，建立二维马尔科夫链模型，对提出的基于自适应主次窗口划分的IEEE 802.11p协议进行分析，并获得车辆密度与系统时延、可靠性等各项性能指标的解析关系式。

1 车联网网络架构

本文使用的车联网拓扑如图1所示。该网络中主要包含两个基础模块：车载单元（on board unit，OBU）模块和路边单元（road side unit，RSU）模块。OBU由车辆配备的全球定位系统（global positioning system，GPS）和车载传感器等组成，负责获取本车及附近交通信息。RSU与外部公共网络连接，实现接入互联网的功能，在车辆和外部公共网络之间起到中转作用。车辆间可以通过OBU进行实时的交通信息共享，采用C-V2V技术。

图1 车联网的网络架构

车辆通过RSU将信息上传至智能交通系统云端，实现车辆与外部公共网络之间的信息共享。如果采用C-V2I技术，即每个车辆向RSU预约固定的时间及频带，但车辆的移动性导致其与RSU间通信时长很短，预约机制在浪费较多网络资源的同时也存在资源碰撞。所以在本文中，车辆与RSU间采用IEEE 802.11p标准，即车辆间通过竞争机制与RSU传递信息。

2 基于IEEE 802.11p的自适应主次窗口退避机制

2.1 经典的IEEE 802.11p机制

图2描述了经典的IEEE 802.11p机制的基本流程图。经典的IEEE 802.11p协议较好地缓解了由车辆移动带来的网络拓扑结构多变造成信息传递效率低的问题。但在交通密集场景下，大量车辆节点参与竞争，导致冲突发生的概率增加，退避次数增加，且退避时延呈指数级增长，即车辆节点在退避阶段花费大量时间，使通信资源造成极大的浪费，同时通信效率急剧下降［20］。所以经典的IEEE 802.11p协议不适用于交通密集场景，有必要设计专用于交通密集场景下的V2I数据传输机制。

图2 经典的IEEE 802.11p机制

2.2 基于IEEE 802.11p的自适应主次窗口退避机制的设计

为了提高交通密集场景下车联网的通信性能，本文提出了一种基于IEEE 802.11p的自适应主次窗口退避机制。通过划分退避窗口将退避阶段分为两部分，即主退避阶段（main backoff，MB）和次退避阶段（secondary backoff，SB）。

图3描述了基于自适应主次窗口划分的IEEE 802.11p机制的基本流程，其具体步骤如下。

图3 改进后的IEEE 802.11p机制

步骤1当节点有数据发送时，初始化参数为NB=0，Backoff=2macMaxBE-1。节点执行CCA来持续侦听信道，当侦听到信道空闲时随机选取BP后执行步骤2。

步骤2节点在(0，W0)范围内选择一个随机数作为退避计时器的初值。若信道空闲，则进行一次倒数，计时器减1，若信道被占用，计时器保持不变，不进行倒数。

步骤3当退避计时器下降为0时，节点执行CCA。若信道空闲，则节点可以传输数据包。若信道处于占用状态，表示主退避阶段信道访问失败。进入次退避阶段，执行步骤4。

步骤4节点在(0，W1)范围内选择一个随机数作为退避计时器的初值。若信道空闲，则进行一次倒数，计时器减1。若信道被占用，计时器保持不变，不进行倒数。

步骤5当计时器下降为0时，节点执行CCA。若信道空闲，则节点可以传输数据包。若信道处于占用状态，表示次退避阶段信道访问失败，则进行下一级退避，对BP和NB分别加1，执行步骤6。

步骤6若NB

步骤7当节点成功收到ACK反馈，表示传输成功，结束流程。

其中，参数BP是主退避窗口尺寸与整个退避窗口尺寸之比，表示主窗口的占比。为了有效降低节点的退避时延，通常取较小的主窗口尺寸，即BP的值可以取1，2，3，4，5。用Backoff、W0和W1分别表示整个退避窗口、主窗口和次窗口的尺寸，三者的关系式如式（1）～式（3）。

改进后的机制有以下优点：

（1）通过主次窗口的划分提高数据传输率，降低退避时延。本文通过主次窗口的划分将一个退避过程分为主次退避两个阶段，主退避结束后节点尝试传输数据，冲突后进入次退避阶段，通过增加一次传输提高数据传输率，同时降低系统时延。

（2）主次窗口的线性划分有效降低节点间的冲突。在传统机制中，相同退避阶段节点的退避窗口大小为定量，会出现选择同一退避计时器值的可能。但本文所提出的机制中随机选取主次窗口的划分比例参数BP的初值，导致相同退避阶段节点的主退避窗口大小为变量，极大地降低了节点选择同一退避计时器值的可能性，有效降低节点间的冲突。

（3）自适应主次窗口划分实现机制的动态调整。由于信道冲突或信道占用导致节点退避失败时，在下一级退避中，BP值会增加1个单位来增大主退避阶段的竞争窗口尺寸，进而提高传输成功率。若此后退避失败，则以此类推。通过控制BP值来选择合适的竞争窗口尺寸，进而提高系统性能。也就是说，所提出的机制是依据节点密度动态调整主次窗口的比例，在节点密度较大时增加主窗口，进而降低冲突，节点密度较小时减小主窗口，由此有效地降低退避时延并保持系统的可靠性。

通过以上分析，所提出的机制通过自适应窗口划分方法有效减少节点退避时延，降低节点冲突，提高数据传输率，保证系统可靠性。为了验证所提出机制的有效性，在下一部分中开展了对所提出机制的建模分析。

3 基于IEEE 802.11p的自适应主次窗口退避机制的建模分析

3.1 改进IEEE 802.11p机制的数学建模

为了简化多级退避过程建模，考虑到节点退避，执行CCA以及传输数据成对出现，将这3部分组合为一个Block，记为Block B(i，j)，其中在二维Markov状态Block B(i，j)中，j(j=0，1，2，⋅⋅⋅，m)表示节点的退避级数，i(i=0，1)表示主次退避阶段，i=0表示节点处于主退避阶段。

图4（a）为本文提出的基于IEEE 802.11p的自适应主次窗口退避机制的马尔可夫链模型［21-23］，图4（b）为 图4（a）中 的B块。将Block B(i，j)简 记 为B(i，j)，其包含3部分：退避过程、CCA和传输数据。其中Wi表示主次退避阶段的竞争窗口尺寸。本文中，假设网络中的N个车辆总有数据传输需求，即讨论饱和网络下的系统模型分析。本文所使用的符号如表1所示。

表1 本文所使用的符号

节点处于Block B(i，j)的稳态概率用PB(i，j)表示，由图4（a）可得各Block B(i，j)的状态转移概率：

在备案审查主体方面，要进一步畅通政府规章审查渠道，一是从备案审查机构着手，提升备案审查主体的独立性和权威性，从而提升备案审查工作的整体效能。二是赋予公民参与更大的权重，赋予审查建议和审查要求同等待遇，从而提高公众参与和提起审查建议的积极性，通过外力助推审查工作。三是探索扩大行政复议规范性文件审查范围，将政府规章逐步纳入行政复议受理范围。四是探索规章备案审查与司法机关监督的有效衔接，逐步完善法院有效参与的法律监督体制。

图4 马尔科夫链模型

用Pback(i，j)表示节点处于Block B(i，j)中退避状态的稳态概率，其表达式如下：

式中Wi表示退避阶段的竞争窗口尺寸。

节点处于Block B(i，j)中CCA状态的稳态概率等于对应退避状态B(i，j)的稳态概率，因为退避状态后就执行CCA检查信道。所以CCA过程的概率可以表示为

这里用tb-slot表示倒计时器的单位时间1。为了方便计算，将数据包的传输时延换算成计时器的时间长度L。假设tb-slot等于320 μs，数据包的长度为120 bytes，传输数据包的速率为250 kbps，则发送的持续时间为3.84 ms。数据包的等效传输时延等于384 ms/320 μs，结果为12个单位时间。

节点处于Block B(i，j)的稳态概率之和PSPB(i，j)由3部分求和得到，其表达式为

根据式（10）和归一化原理，得到所有Block B(i，j)的稳态概率和为1，如式（11）和式（12）所示。

3.2 改进机制的系统性能评估

3.2.1 冲突率

冲突率［21］定义为信道内节点传输发生碰撞的概率，由PC表示。碰撞发生表示至少有两个节点向RSU发送数据包，其表达式为

3.2.2 信道占用率

信道占用率表示当节点准备传输数据包时发现信道处于占用状态的概率，由α表示。也就是，当没有节点向信道发送数据包时，信道是空闲的。其表达式为

3.2.3 平均传输时延

平均传输时延表示数据包从退避过程开始执行CCA到数据包传输成功总共花费的平均时间。退避过程的时延定义为节点经历所有主次退避过程花费的时间之和，用DBack表示；CCA的时延定义为节点执行所有CCA所需的时间之和，用DCCA表示；数据传输的时延定义为节点发送数据所花费的时间，用Dtrans表示。

那么总时延D的表达式为

3.2.4 传输成功率

传输成功率（packet delivery ratio，PDR）定义为节点成功发送数据包的概率，表示所有Block B(i，j)中成功传输的概率之和［25］，它的表达式如下：

4 仿真验证

为了验证所提出机制的有效性，本节对所提出机制进行了MATLAB仿真性能评估，并对改进后的机制与经典机制进行了性能比较。同时，用RSU内的车辆节点个数表征车辆密度，分析了车辆密度和BP值与系统传输延迟、传输成功率之间的关系。

仿真场景如图5，设置一段长1 km的双车道公路为一个单位区域，RSU位于道路中部。假设单位区域内车辆数不变，所有车辆均在RSU通信范围内且传输速率相同。车辆配备的OBU设备采用相同的物理层参数和MAC层参数，不存在隐终端问题和捕获效应。具体仿真参数设定如表2所示。

图5 仿真场景

表2 仿真参数

4.1 冲突率和信道占用率

图6中对经典机制与改进机制下的冲突率进行了比较。从图中可以看出，在交通稀疏和交通密集场景下，改进机制其冲突率都低于经典机制。同时，冲突率随着节点个数的增加而增加。在饱和网络中，参与竞争的车辆越多，碰撞的概率越大，冲突率越高。由图6可知，当节点个数不变时，BP初值设定越大，冲突率就越小。这是因为在改进机制中，传输失败后将BP值增加1个单位，通过增加下一级主退避窗口尺寸降低冲突，即主退避窗口占比越大，冲突率越小。

图7中对经典机制和改进机制下的信道占用率进行了比较。从图中可以看出，在交通稀疏和密集场景中，改进机制下的信道占用率都小于经典机制。这是因为改进后的机制采用了动态退避窗口尺寸，有效地降低了冲突发生的概率。同时可以看出，两种机制下的占用率与节点密度呈正比。由图7可知，当节点个数不变时，BP初值设定越大，冲突率就越小，原理与图6相同。

图7 信道占用率随车辆密度的变化

4.2 平均传输延迟（Delay）

图8中对经典机制和改进机制下的传输时延进行了比较。从图中可以看出，在交通稀疏和密集场景下，改进后的机制其时延远远小于前者的时延，相比经典机制，改进后的机制其传输延迟平均降低了49.3%。改进机制降低了占用率及冲突率，进而降低传输时延。显然，二者的传输时延随着节点个数的增加而增加。在改进机制中，节点稀疏场景下，随着节点个数的增加，平均传输延迟的值增速缓慢。但在节点密集场景下，随着参与竞争的节点个数增加，平均传输延迟的增速变大。具体来说，节点个数N的增加增大了节点之间的冲突率，导致信道占用率增加，节点退避级数增加进而增大退避时延，导致传输延迟增加。同时，随着BP初值的增加，平均传输时延也随之增加。因为BP初值的增大意味着更大的竞争窗口，节点的退避时间增加，最终平均传输时延增加。这与图7形成相互验证，BP值越大，竞争窗口尺寸越大，节点冲突率下降，信道占用率降低，但退避时延增加。

图8 传输延迟对比

4.3 传输成功率（PDR）

图9表示在经典机制和改进机制下对传输率进行比较的结果。从图中可以看出，在交通稀疏和密集场景下，改进后的机制其成功率远大于经典机制的时延，相比经典机制，改进后的机制其传输延迟平均提高了26.7%。改进机制降低了占用率和冲突率，同时每级退避增加一次传输，进而提高了传输率。显然，二者的传输率随着节点个数的增加而降低。因为节点个数N增大，意味着更多节点参与竞争，信道占用率和冲突率增大，最终导致传输成功率降低。在改进后的机制中，传输成功率与BP初值呈反比例。因为BP初值越大代表主退避窗口尺寸越大，退避时延越大，冲突概率越低，成功传输率就越大。

图9 传输成功率对比

5 改进机制的优化

仿真结果展示BP初值的设定得到的时延和可靠性是相互矛盾。从图8和图9中可以看出，较大的BP初值可以得到理想的系统传输率，但传输时延最差，而较小的BP初值可以获得理想的传输时延，但传输率最差。所以，在网络系统性能中时延和传输成功率是相互矛盾的。为了获得均衡的系统综合性能，本文以节点密度为主要参数，建立时延最小传输率最大的多目标优化模型，通过遗传算法（genetic algorithm，GA）求解，得到依据节点个数动态变化的最优BP初值。多目标优化模型如式（21）所示。

图10为车辆密度与目标函数的关系，目标函数值越小说明系统综合性能越理想。在图中，当车辆密度为3与5、BP初值为1时，目标函数值最小；当车辆密度为7与9、BP初值为2时，目标函数值最小；当车辆密度为13与18、BP初值为3时，目标函数值最小；当车辆密度为23与27、BP初值为4时，目标函数值最小；当车辆密度为32与36、BP初值为5时，目标函数值最小。

图10 Delay/PDR随车辆密度的变化

因此，在交通稀疏网络中，选择较小的BP初值系统的综合性能更优。例如车辆密度为3、5时，改进后的机制下主退避阶段初值占比为10%后续增长至60%时，系统获得均衡的时延和传输率。显然，车辆密度较小时，较小的主退避窗口可以降低传输时延同时保证了传输可靠性，这正是改进机制所要达到的目标。

同理，在交通密集网络中，选择较大的BP初值系统的综合性能更优。例如车辆密度为32、36时，改进机制下主退避阶段初值占比为50%后续增长至100%时，系统获得均衡的时延和传输率。显然，车辆密度较大时，较大的主退避过程可以降低冲突率进而保证传输可靠性，以牺牲时延为代价获得网络的均衡性能。

6 结论

为解决交通密集场景中V2I通信效率差的问题，本文提出了基于IEEE 802.11p的自适应主次窗口退避机制方案，通过退避窗口尺寸的动态变化及传输次数的增加，降低冲突率增加数据传输率。在此基础上，以节点密度为主要参数，通过建立二维Markov模型对改进机制进行理论分析，获得信道占用率、节点冲突率、传输时延和传输率PDR4个性能指标的解析式。仿真结果表明，与经典机制相比，在交通稀疏和密集场景中，改进机制都能获得更低的系统时延、信道占用率、节点冲突率和更高的数据传输率。为了得到均衡的系统性能，建立多目标优化模型，求解得到最优的BP初值设定并进行仿真验证。然而，改进机制仅考虑有限的退避，没有区分新数据和重传数据，在未来的工作中带有重传策略的自适应窗口划分IEEE 802.11p机制是我们的研究方向。