《Centralized and Localized Data Congestion Control Strategy for Vehicular Ad Hoc Networks Using a Machine Learning Clustering Algorithm》发表于2016年的IEEE Transactions on Intelligent Transportation Systems，由Nasrin Taherkhani 和Samuel Pierre 编写

摘要

在城市环境中，十字路口是关键的位置，因为大部分交通事故和死伤的人员都发生在这里。VANETs可以通过向车辆发送报警信息来减少交通事故。但是VANETs的性能还需要提升特别是在向目的地传输安全信息的时候。其中数据拥塞控制就是解决数据包丢失和延迟的有效方式。

这篇论文提出了一个集中和本地式的数据拥塞控制策略，使用到了路边设备（RSU）。这一策略包括三个方面，分别是检测拥塞，聚类信息和控制数据拥塞。其中使用信道使用率作为检测拥塞的标准。信息被收集过滤，然后使用机器学习K-means算法，根据信息的尺寸、有消息、类型进行聚类。数据拥塞控制单元决定各个类别的传输范围和速率、通信窗口和仲裁帧间间隔的合适值。最后，十字路口的RSU设备将这些通信参数的值发送给停在红灯前的车辆来减少数据冲突。

介绍

这一部分主要描写了车联网的重要用途（节省油耗、减少车辆碰撞等’），VANETs中数据应用的分类（安全应用、便利性应用、商业营业），十字路口的重要性和十字路口易发生数据拥塞，控制数据拥塞方法的分类（基于速率、基于能量、基于CSMA/CA、基于目标优选和调度、混合策略）和它们的优缺点。

本文的方法属于混合策略，策略运行在每个十字路口的RSU中，最终控制方法在每个车辆上，所以叫集中和分布式。由RSU采集拥塞信息，并使用机器学习将这些信息聚类，对不同的类别采用不同的输范围和速率、通信窗口和仲裁帧间间隔，然后将这些通信参数传输给各个车辆来控制拥塞。

相关工作

拥塞控制策略这一部分主要讲了基于速率、基于能量、基于CSMA/CA、基于目标优选和调度、混合策略的方法和优缺点。
拥塞控制策略分为两类，分别是开环策略和闭环策略，开环策略是在拥塞发生前阻止其发生，闭环策略是检测到拥塞发生后采用一定的方法解决拥塞，检测的方法一般是队列长度、信道利用率或者信道占用情况

问题提出和解决方案

由于等待红灯的问题，十字路口的车辆密度很大，所以很容易造成数据的语塞，场景如下：

在本论文中，假定每个路口都安装有RSU设备，针对的范围就是红灯前的一部分冲突区域。方法分为三部分：拥塞检测模块、数据控制模块、拥塞控制模块。

拥塞检测模块：采用信道利用率作为检测拥塞的标准，70%以上认为拥塞

数据控制模块：由数据采集、过滤、聚类组成。数据采集：当检测到拥塞之后，RSU收到100个毫秒的数据，并缓存在RSU中待用。过滤：将收集到的多余信息和部署于冲突区域的信息过滤掉。聚类：使用机器学习K-means算法对收到的信息聚类，步骤是：1）选择初始化k个类的图心，这个图心可以随机选择，在本文中选择RSU中最先的k个信息；2）计算每个数据到图心的欧式距离；3）计算新的图心聚类，使得类之间的距离最小。重复步骤2）和步骤3），知道类成员的数量不再改变或者达到预定的迭代次数，输出聚类结果。伪代码如下：

拥塞控制模块：针对每个簇调整不同的通信参数，通信参数包括传输率、传输距离、内容窗口尺寸、AIFS。根据DSRC的规定已经各种研究，传输率的取值为3, 4.5 6,9, 12, 18, 24, 27 Mbps，传输范围的取值为10, 50, 100, 126, 150, 210, 300,350, 380, 450, 550, 650, 750, 850, 930, 971, 1000 m，内容窗口的尺寸为(3, 7), (7, 15), (15, 1023);AIFS的值为1，2，3，7。为了使得传输延迟最小，通信参数的取值通过一系列公式的计算，这些公式考虑到所有的可能组成，但公式的具体内容没有在论文中提及。

下图展示了拥塞控制策略的流程图

实验结果

试验参数：

K-means取值：


由上图可以看出，当聚类的数目选择4的时候最佳，循环次数设为100

总结

在实际操作者，RSU设备需要一个GPU，因为机器学习的计算和操作需要大量的时间。