面向车载自组织网络的基于多准则的稳定聚类技术

《Scientific Reports》：Multi-criteria based stable clustering technique for vehicular ad-hoc networks

　　

车载自组织网络（Vehicular Ad-hoc Network，VANET）在实现智能交通系统（Intelligent Transportation System，ITS）中发挥重要作用，并由此催生了大量新型应用，例如交通/驾驶安全、交通管理以及信息娱乐。然而，道路上车辆的高速移动性与高密度分布会给路由管理和网络可扩展性带来问题。采用聚类技术能够有效解决这些问题；该技术不仅通过抑制由分组泛洪引发的广播风暴来支持网络可扩展性，而且还能简化介质访问控制。尽管聚类具有诸多优势，但在高移动性场景下，簇的形成及其可持续性仍是车载自组织网络中的主要挑战之一。为提升簇稳定性，需要依据车载自组织网络的多种特征，在候选车辆中高效选择簇头（Cluster Head，CH）。

本文提出了一种面向车载自组织网络的基于多准则的稳定聚类技术（Multi Criteria based Stable Clustering，MCSC）。所提出的MCSC技术在高效选择簇头（CH）时，引入了平均历史簇头生存期（Past Cluster head Lifetime，PCL）这一新特征，并结合相对速度、距离以及连接度；同时选举替代簇头（Substitute Cluster Head，SCH）以维持簇结构稳定性。除簇头选择外，该方法还纳入了簇形成、簇维护以及簇合并机制。研究人员通过仿真实验，利用不同参数并与现有先进方法进行基准比较，以评估所提技术的有效性。仿真结果表明，就关键稳定性指标而言，MCSC技术优于现有车载自组织网络聚类技术。具体而言，与现有方法相比，MCSC分别将簇头寿命和簇成员寿命提升了约16%和14.5%。此外，该技术还将重聚类率降低了约13%，表明其在动态车辆环境下能够显著增强簇稳定性。

该论文发表于《Scientific Reports》，聚焦车载自组织网络（Vehicular Ad-hoc Network，VANET）中高动态拓扑条件下的稳定聚类问题。随着智能交通系统（Intelligent Transportation System，ITS）的发展，VANET已成为支撑车车通信、交通管理、驾驶安全与信息服务的重要网络基础。然而，与移动自组织网络（Mobile Ad-hoc Network，MANET）相比，VANET中的车辆具有更高移动性、密度波动更显著、链路变化更频繁，这使得网络拓扑持续震荡，进而导致路由维护困难、系统扩展性下降、控制开销增加。聚类机制能够将扁平网络转化为分层结构，由簇头（Cluster Head，CH）协调簇内与簇间通信，从而减少广播风暴、降低控制负载并提升后续路由、介质访问控制与信任管理的执行效率。但现有研究普遍面临一个核心瓶颈，即在高移动场景中簇头频繁更替、簇成员持续脱离与重连、重聚类率偏高，导致聚类稳定性不足，削弱了聚类架构本应提供的优势。因此，围绕“如何在不依赖基础设施的条件下构建更稳定、持续时间更长、重配置更少的车辆簇结构”开展研究，具有明确的理论价值与应用意义。

针对上述问题，研究人员提出了一种基于多准则的稳定聚类技术（Multi Criteria based Stable Clustering，MCSC）。该方法的核心目标是最大化簇头与簇成员的存续时间，同时最小化重聚类率。与依赖瞬时速度、距离或连接度进行决策的既有方法不同，MCSC将“平均历史簇头生存期”这一稳定性历史指标纳入簇头选择过程，用以表征车辆过往承担簇头角色的持续能力，从而以历史稳定性约束当前选举结果。研究还引入替代簇头（Substitute Cluster Head，SCH）机制，在主簇头暂时失联时维持簇连续性，避免簇立即解体并触发完整重聚类。此外，研究人员还设计了基于稳定性而非单纯空间接近关系的簇合并策略，使重组过程更符合VANET动态环境下的稳定性需求。论文结论显示，该框架在不同车速、传输范围与车辆密度条件下均能取得更优表现：平均簇头寿命提升约16%，平均簇成员寿命提升约14.5%，重聚类率下降约13%，说明该方法能够有效增强高动态车辆环境中的聚类稳定性。

研究人员用于开展本研究的主要技术方法包括：构建分布式车辆聚类模型，假设每辆车配备车载单元、全球定位系统（Global Positioning System，GPS）、专用短程通信（Dedicated Short-Range Communication，DSRC）模块与处理单元；通过周期性Hello消息交换车辆标识、位置、速度、方向及历史簇头生存期信息；提出基于连接持续时间（Connectivity Lifespan，CLS）的稳定邻居筛选方法；设计复合聚类函数（Composite Clustering Function，CCF）以综合平均CLS、连接度与平均历史簇头生存期（PCL）进行簇头选择；设置替代簇头与簇合并机制进行维护；最后在Veins仿真平台上，针对50至300辆车、10次重复实验、200 s时长、双向多车道30.0 km道路场景开展性能评估，并与ECERV和TSC进行对比。

以下结合论文主体结构，对研究内容作进一步解读。

在“Introduction”部分，研究人员首先界定了VANET的应用背景，指出其作为MANET的子类，是由道路车辆自组织形成的无线网络，能够支持车辆间通信（V2V）及与路侧基础设施的信息交互。文中强调，虽然聚类可为VANET提供稳定的分层架构，降低通信开销，支撑更可靠的路由与更有效的介质访问控制，但所有这些上层收益的前提都是簇本身必须足够稳定。为此，论文明确将研究重点限定于稳定聚类本身，而非直接处理路由、MAC或信任机制。研究人员提出的总体思路包括三个层面：第一，利用基于CLS的邻居过滤剔除不稳定邻车；第二，在稳定邻居中基于相对移动性、连接度与历史簇头寿命选择高质量簇头；第三，引入替代簇头应对主簇头暂时不可达情况。论文还特别强调，尽管若干功能模块在表面上与既有聚类范式类似，但其创新点在于以PCL为核心将这些模块统一为一个面向稳定性的整体框架。

在“Related Work”部分，论文系统回顾了VANET聚类研究的发展脉络。研究人员指出，MANET中的聚类技术难以直接适配VANET，因为车辆速度变化快、拓扑转换频繁。现有VANET聚类方法大致可归为几类：一类基于多指标决策，如结合信任、连接度、链路寿命和相对速度进行簇头选择；一类基于链路寿命或链路过期时间（Link Expiration Time，LET）筛选稳定邻居；一类通过设置备用簇头降低簇中断风险；还有一类采用阈值法、加权法或加入信誉、信任等安全因素改进决策。论文认为，这些方法虽在一定程度上改善了稳定性，但仍存在若干不足，包括过度依赖瞬时网络状态、链路寿命预测在高动态情形下失准、引入多指标计算或信任评估带来额外开销、簇合并过程复杂、以及对车辆历史稳定行为刻画不足等。基于此，研究人员提出以PCL衡量车辆作为簇头的持续稳定性，从而弥补仅依赖瞬时指标的不足。

在“Materials and methods”部分，论文给出了MCSC的完整设计。研究假定通信无需依赖路侧单元（Road Side Unit，RSU），适用于城市与高速道路，支持多车道、双向通行但不包含交叉口。系统采用完全分布式机制，每辆车独立运行聚类算法并根据邻居广播消息进行决策。首先，在“Initial cluster formation”与“Neighborhood discovery”中，研究人员定义了车辆状态，包括未聚类状态（UC）、稳定邻居（SN）、簇头（CH）、簇成员（CM）、替代簇头（SCH）和桥接节点（BN）。车辆最初均处于UC状态，通过周期性Hello消息发现邻居，并基于方向先过滤反向行驶车辆。

随后，在“CLS-based neighbor filtration”中，研究人员提出连接持续时间（CLS）作为预测两辆邻近车辆可保持连接时长的量化指标，其计算依赖传输范围、相对距离与相对速度。通过设置阈值，仅将CLS满足要求的车辆保留为稳定邻居。论文同时说明，该表达式采用短期内相对速度恒定、轨迹线性变化的近似假设；虽然现实中车道变换、急加速和转向会影响预测精度，但通过同向过滤、频繁更新、阈值筛选以及后续多指标融合，可在一定程度上缓解单一CLS误差带来的影响。

在“Cluster head selection”中，研究人员进一步提出复合聚类函数（CCF），综合平均CLS、稳定邻居数量即连接度（Degree of Connectivity）以及平均历史簇头生存期（PCL）评估车辆担任簇头的适宜性。其中特别关键的是PCL：若某车辆此前多次担任簇头且持续时间较长，则其PCL值较高，意味着该车辆在历史上更有能力维持稳定簇结构。论文同时给出动态权重计算机制，以使三项指标在不同交通场景中按局部状态自适应分配权重。最终，CCF值最高的车辆被选为簇头；若分值相同，则采用先到先服务机制完成裁决。该设计表明，MCSC并非简单叠加多个指标，而是试图将“当前连接条件”“局部拓扑优势”和“历史稳定经验”统一到同一选举逻辑中。

在“Cluster formation and maintenance”部分，论文讨论了多种动态场景下的簇维护策略。对于新进入网络且处于UC状态的车辆，当其接收到邻近簇头的信标消息后，会发送加入请求，并附带自身CCF；若该车辆CCF高于现任簇头，则其可转而担任新的簇头，原簇头则转为替代簇头，否则新车作为簇成员加入现有簇。对于簇头与簇成员失联情形，系统通过连续两次丢失信标后再触发检测，以提高对瞬时链路波动的容忍度。当簇成员与主簇头失联时，可向替代簇头发起加入请求，在得到响应后维持原簇结构连续性；若响应失败或超时，簇成员则退回UC状态并重新参与聚类。该部分表明，MCSC的维护机制强调“延迟触发”和“平滑接管”，力图在避免误判与降低重组频率之间取得平衡。

在“Clusters merging”中，研究人员针对相邻车道或相近区域簇重叠所造成的管理负担提出了簇合并机制。当两个簇头进入彼此传输范围内时，并不依据固定阈值或单纯距离立即合并，而是比较双方CCF，由适宜性更高的簇头担任合并后簇的领导节点，另一簇向其发送加入请求并通知本簇成员迁移。这一设计使簇合并与前述簇头选择逻辑保持一致，体现出“稳定性优先”的统一原则。

在“Computational complexity and scalability analysis”中，论文指出MCSC完全基于局部邻居信息进行分布式决策。邻居过滤与CLS计算的复杂度为O(N)，自适应权重计算为O(1)，CCF计算及CH/SCH选择为O(N)。由于每辆车独立处理其局部邻域信息，总体上方法具有良好的可扩展性，控制消息也局限于本地广播范围内，因此适于大规模VANET部署。

在“Performance evaluation”部分，研究人员使用Veins仿真器对方法性能进行评估，并与ECERV、TSC两种现有稳定聚类技术比较。仿真采用30.0 km双向道路、每方向三车道、仿真时长200 s的城市环境，车辆数量在50至300之间变化，车速为10 m/s至35 m/s，传输范围为200 m至500 m，每组实验重复10次并取平均。评估指标包括平均簇头寿命、平均簇成员寿命与平均重聚类率，分别用于刻画簇领导稳定性、成员关联稳定性以及整体重构频度。

在“Simulation results and discussion”中，论文依次分析了车速、传输范围和车辆数量对性能的影响。关于“Impact of velocity of vehicles”，结果显示随着车速升高，三种方法的簇头寿命与簇成员寿命均下降，重聚类率上升，说明高移动性会显著削弱簇稳定性。但MCSC受影响较小，研究人员将其归因于PCL参与簇头选择以及SCH提供的备份维护能力。关于“Impact of transmission range of vehicles”，当传输范围增加时，车辆可连接更多邻居，CLS相应提高，因而簇头寿命与簇成员寿命上升，重聚类率下降；MCSC由于先以CLS过滤稳定邻居，因此受益更明显。关于“Impact of number of vehicles”，车辆密度增大会提高竞争与拓扑变化频率，导致簇头寿命和簇成员寿命下降、重聚类率升高；但MCSC借助基于CCF的簇头选举和簇合并策略，仍优于对比方法。总体上，这些结果从多个维度验证了该方法在稳定性指标上的优势。

在“Limitations and future work”部分，研究人员对方法边界作了谨慎说明。研究主要针对无交叉口的双向道路场景，未显式建模复杂城市因素，如路口、信号灯、转向行为及异质通信条件；同时，固定且均匀的聚类指标在极端复杂环境下未必足以完全刻画快速变化的网络状态。未来工作将拓展至含交叉口场景，引入交通信号感知与转向移动模型，并进一步考虑异构车辆、可变传输范围、真实信道损伤以及大规模真实轨迹验证；同时还计划在CH/SCH层面集成轻量级认证与条件隐私保护机制。

对“Conclusions”部分可翻译并概括如下：本文提出了一种多准则稳定聚类技术（MCSC），以提升车载自组织网络中的聚类稳定性。该方法的关键贡献在于构建了一个面向稳定性的聚类框架，将连接持续时间（CLS）与复合聚类函数（CCF）相结合，并在簇头选择中引入新颖的历史簇头生存期（PCL）指标，以增强簇头选举的稳健性。替代簇头（SCH）的设置以及自适应簇合并机制，进一步增强了高移动条件下簇结构的连续性。大量仿真结果表明，在不同车速、传输范围和网络密度下，MCSC相较现有方法可将平均簇头寿命和平均簇成员寿命分别提升约16%和14.5%，并将重聚类率降低约13%。仿真结果支持以下结论：该方法能够在高度动态的车辆环境中显著提升簇稳定性。

综合来看，该研究的学术价值在于，它将历史稳定性信息显式引入VANET簇头选举，使聚类决策从“依赖瞬时状态”转向“结合历史表现与当前局部拓扑”的综合判断；同时以替代簇头和稳定性感知的簇合并策略，构成了较完整的稳定性增强框架。论文并未超出其仿真边界进行扩展性推断，而是在既定实验条件下清晰展示了该方法对簇头寿命、簇成员寿命和重聚类率三类核心稳定性指标的改进效果，因此在VANET稳定聚类研究方向上具有较强的方法学意义。