1. 项目概述在智能交通系统ITS的宏大蓝图中车联网IoV扮演着连接物理世界与数字世界的神经中枢。想象一下在早晚高峰的城市快速路上成百上千辆汽车需要实时交换位置、速度、紧急制动等信息以协同避免事故、优化交通流。然而现实是骨感的当前主流的专用短程通信DSRC标准仅为车联网预留了区区6个服务信道和1个控制信道。当车辆密度激增时这些信道就像节假日的高速公路收费站瞬间陷入拥堵导致关键的安全消息如前方事故预警无法及时送达其后果不堪设想。频谱资源真的枯竭了吗美国联邦通信委员会FCC的一份报告曾尖锐地指出所谓的“频谱稀缺”很大程度上是一个人为的静态分配问题。大量授权给电视广播、军事通信等业务的频谱在时间和空间上存在着巨大的闲置“空洞”。这就引出了我们今天要深入探讨的核心技术——认知无线电CR。它就像一群聪明的“频谱猎人”能够感知这些授权频段的空闲状态并在不干扰合法“主人”主用户PU的前提下见缝插针地使用这些空闲频谱。将CR的智能与车联网的动态需求相结合便催生了认知车联网CIoV这一前沿方向。我这次要拆解和实现的正是一个面向去中心化CIoV的安全高效通信方案。它不仅仅是将CR简单地“嫁接”到车联网上而是构建了一个从底层频谱感知、主用户行为预测到上层安全认证与动态信道分配的完整闭环系统。其核心目标是在保障通信安全的前提下突破DSRC的频谱瓶颈让车联网在车辆密度极高时依然能保持流畅、低延迟的通信从而真正支撑起未来自动驾驶和智慧交通的苛刻要求。无论你是通信领域的研究者、车联网系统的开发者还是对前沿技术融合应用感兴趣的工程师这篇文章都将带你深入这套方案的肌理理解其每一个设计抉择背后的“为什么”并附上从理论到仿真验证的完整逻辑链条。2. 方案核心架构与设计思路拆解一个成功的系统设计始于对问题本质的深刻理解和对现有技术局限性的清醒认识。我们提出的CIoV方案其架构设计紧密围绕三个核心矛盾展开频谱的静态分配与动态需求之间的矛盾、通信的开放性与安全性之间的矛盾、以及中心化管理的复杂性与车联网分布式特性之间的矛盾。2.1 去中心化网络模型与角色定义传统的车联网架构往往依赖于强大的中心服务器进行全局协调但这在高速移动、拓扑剧变的车载环境中会引入单点故障和巨大延迟。因此我们采用了去中心化的设计思想。整个网络由四种实体构成主用户PU拥有特定频段如电视广播频段使用许可的授权用户。它们是频谱的“主人”CIoV系统必须绝对避免对其造成干扰。车辆次级用户/SU装备了车载单元OBU和认知无线电模块的智能车辆。它们是频谱的“临时租客”核心任务是利用空闲频谱进行V2V车对车和V2I车对基础设施通信。路侧单元RSU部署在道路沿线如高速公路旁、十字路口的固定基础设施。它是本方案中的关键协调者但并非绝对中心。每个RSU负责管理其通信覆盖范围内通常几百米的车辆和频谱资源形成一个自治的“蜂窝”。可信机构TA一个离线或在线的可信第三方负责整个系统的初始化、车辆/RSU的注册以及分发系统级的密码学参数如公钥、证书。TA不参与日常通信仅在初始化阶段发挥作用。这种去中心化模型的好处是显而易见的每个RSU管理局部区域决策快速避免了中心节点的瓶颈即使某个RSU失效也只会影响局部区域系统整体依然健壮。然而挑战也随之而来在缺乏全局视图的情况下如何让车辆和RSU相互信任如何高效、公平地在局部区域内分配动态变化的频谱资源这正是我们后续安全认证和信道分配算法要解决的核心问题。2.2 双模式信道策略DSRC与CR的智能切换本方案没有激进地完全抛弃成熟的DSRC标准而是采取了务实、平滑的演进策略DSRC优先CR补充。我们为系统设计了一套智能的信道使用策略常态低负载当RSU覆盖范围内的车辆密度低于某个预设阈值例如每平方公里车辆数少于20辆时系统优先使用DSRC的6个服务信道。这是因为DSRC协议栈成熟设备兼容性好且在此负载下完全够用。高峰高负载当车辆密度超过阈值DSRC信道出现拥塞迹象如数据包碰撞率升高、延迟增大时系统自动激活CR模式。RSU和车辆开始协作感知并利用授权频段的空闲信道作为额外的通信资源。这种策略的精妙之处在于平衡了性能与复杂性。完全依赖CR需要持续进行高强度的频谱感知和复杂的切换决策能耗和计算开销大。而双模式策略在大部分时间享受DSRC的“安逸”仅在必要时调用CR的“潜能”实现了性能与效率的最佳平衡。阈值的选择需要根据实际道路场景城市道路、高速公路通过仿真或实测来确定这是一个重要的工程调优点。2.3 安全为先的设计哲学在开放无线环境中尤其是涉及频谱争用的CR场景安全威胁被急剧放大。一个恶意节点可以轻易地伪装成合法车辆或RSU假冒攻击窃取频谱资源或发送虚假安全信息。重放之前截获的认证信息重放攻击非法接入网络。发起大量虚假的连接请求拒绝服务攻击耗尽网络资源。因此我们的方案将安全认证提升到与频谱效率同等重要的位置。我们设计了一个轻量级的双向认证协议确保在车辆与RSU进行任何数据通信或信道请求之前双方都能确认对方的合法身份。这个协议基于公钥密码学思想但通过预计算和密钥派生技术避免了每次认证都进行沉重的标量乘法运算非常适合车载OBU这种计算资源受限的环境。认证通过后车辆和RSU会建立一个临时的会话密钥用于加密后续的通信内容保障信息机密性。注意许多CR方案只关注频谱感知效率而忽略了安全接入。在实际部署中没有安全保障的CR网络极易被攻击者利用造成频谱资源被恶意占用甚至整个通信系统瘫痪。安全必须是CIoV设计的基石而非事后补丁。3. 核心模块深度解析与实现要点3.1 基于隐马尔可夫模型的主用户活动预测频谱感知是CR的“眼睛”但简单的“有没有信号”的二元判断能量检测对于车联网来说是远远不够的。因为车辆是高速移动的它们需要预测未来一段时间内信道的可用性而不是仅仅知道当前时刻的状态。这就需要我们对主用户的活动模式进行建模。我们选择了隐马尔可夫模型HMM来完成这项任务。为什么是HMM主用户对授权频段的使用如电视台的节目播出通常不是完全随机的而是存在内在的模式或周期但这些模式我们无法直接观测“隐藏”的。我们能观测到的只是RSU通过能量检测接收到的信号强度序列“观测”序列。HMM正是处理这种“隐藏状态-观测序列”问题的强大工具。HMM的核心是三组参数初始状态分布π主用户信道在初始时刻处于“空闲”或“占用”状态的概率。状态转移概率矩阵A描述了信道状态随时间变化的规律。例如已知当前时刻信道是“空闲”的那么下一时刻它继续保持“空闲”或转变为“占用”的概率各是多少。这个矩阵捕捉了PU活动的时序相关性。观测概率矩阵B在某个隐藏状态下如“占用”观测到特定信号能量值的概率分布。这连接了隐藏状态和我们的实际测量值。在车辆端我们实现了一个HMM预测器。其工作流程如下训练阶段车辆在初始接入网络或空闲时被动接收来自RSU的、关于某个授权信道的长期能量观测序列。利用经典的Baum-Welch算法一种期望最大化算法车辆可以迭代地学习出最能解释这段观测序列的HMM参数π, A, B。这个过程是离线的计算量较大但只需进行一次或周期性更新。预测阶段当车辆需要申请信道时它利用已训练好的HMM和最近一小段观测序列运行前向-后向算法。这个算法能计算出在给定当前观测序列的条件下信道在未来某个时刻处于“空闲”状态的后验概率。如果这个概率超过一个高阈值如0.9车辆就判定该信道在未来一段时间内可用并将这个“预测结果”连同信道ID一起上报给RSU。实操心得HMM的预测精度严重依赖于训练数据的质量和数量。在真实环境中PU的活动模式可能随时间如工作日与周末或位置变化。因此一个健壮的实现应该支持HMM模型的在线更新或拥有多个场景特定的模型库。此外计算“空闲”概率的阈值需要谨慎设置设置过高会导致错过可用信道过低则会增加干扰PU的风险。3.2 轻量级双向认证协议详解安全协议最怕的就是“纸上谈兵”理论完美但无法落地。我们的认证协议设计充分考虑了车联网环境下的约束OBU计算能力有限、认证延迟必须极低关系到行车安全、无线信道容易丢包。协议的核心思想是基于证书的挑战-应答机制并利用了椭圆曲线密码学ECC的高强度、短密钥优势。整个过程分为三个阶段第一阶段系统初始化与预部署TA可信机构选择一条安全的椭圆曲线并生成系统主公钥Ppub和主私钥s。同时TA为每个RSU生成一个数字证书Cert_RSU其中包含RSU的身份ID、两个用于签名和密钥交换的临时公钥点、以及TA对这些内容的签名。这个证书是公开的任何车辆都可以获取并验证。第二阶段车辆注册新车辆Vi出厂或入网时需要到TA处进行“上牌”注册。车辆提供自己的身份IDi和一个自选的密码。TA为车辆生成一组伪随机身份RIDi和对应的私钥PKi这组密钥可以用于多次会话减少与TA的交互并使用车辆密码派生的密钥进行加密后写入车辆的防篡改设备TPD中。从此车辆便拥有了自己的“数字身份证”密钥对。第三阶段车辆与RSU的相互认证握手过程这是协议最精彩的部分发生在车辆驶入RSU覆盖范围时车辆发起挑战车辆Vi从广播中获取RSU的证书Cert_RSU验证TA的签名以确保证书真实。然后它生成一个随机数ξ计算一个临时公钥点χ ξ * GG是椭圆曲线基点。接着它用自己的一个私钥PKi和随机数ξ对时间戳T1等信息进行运算生成一个验证值V1。最后它将{χ, 加密的RIDi, V1, T1}发送给RSU。这里用时间戳T1是为了防止重放攻击。RSU验证车辆RSU收到消息后首先检查时间戳T1是否新鲜如 within 2秒。然后它用自己的私钥解密得到车辆的RIDi并在本地数据库查询该RIDi对应的注册信息。利用查询到的信息和收到的χRSU可以独立计算出一个验证值并与收到的V1比对。如果匹配则证明车辆确实拥有与RIDi对应的私钥PKi认证通过。RSU回应并建立会话密钥RSU认证车辆后生成一个会话密钥SK通常由ξ和RSU的私钥通过密钥协商算法如ECDH派生并用车辆临时公钥χ加密后连同另一个验证值V2和新的时间戳T2一起发回给车辆。车辆验证RSU并完成握手车辆用自己持有的随机数ξ解密得到会话密钥SK并验证V2。验证通过则确认对方是合法的RSU双方成功建立安全连接后续通信使用SK加密。整个协议在三次握手内完成且大部分密码运算如点乘可以预计算极大地减少了实时认证延迟。3.3 基于车辆密度的动态信道分配算法信道分配是资源调度的核心。我们的目标是在避免对PU产生干扰的前提下最大化系统总吞吐量并保证一定的公平性。算法由RSU执行其输入是1) 车辆上报的预测空闲信道列表2) 当前DSRC信道状态3) 实时车辆密度。算法伪代码的精髓可以概括为以下步骤干扰范围计算对于每个候选信道C和每辆请求车辆SRSU计算车辆S在该信道上的通信可能对PU造成的干扰范围dS(S, C)。这取决于车辆的发射功率和信道的传播特性。可用性判断如果dS(S, C)小于保护PU所需的最小安全距离dmin则判定该信道C对车辆S不可用l(S,C)0否则可用l(S,C)1。干扰图构建对于两个都可能使用信道C的车辆S和T计算它们之间的距离Dist(S, T)。如果这个距离小于两者干扰半径之和dS(S, C) dS(T, C)则判定它们在同一信道上会相互干扰I(S,T,C)1。冲突避免分配基于上述干扰图将信道分配给车辆。这是一个典型的图着色问题优化将信道视为颜色车辆视为节点有干扰关系的车辆不能分配同一信道。RSU采用启发式算法如贪婪算法优先满足干扰小的车辆对使用相同信道以提高频谱复用率。模式决策RSU持续监测DSRC信道的平均利用率或排队延迟。当车辆密度低时所有通信需求优先导向DSRC信道。只有当DSRC信道利用率持续超过阈值如80%时才触发CR信道分配流程将部分通信流量分流到已感知到的、可用的授权频段信道上。这个算法的优势在于其自适应性和局部最优性。RSU只根据其覆盖范围内的局部信息进行决策响应速度快。同时通过干扰计算和保护距离严格保障了PU的权益。4. 系统实现与仿真验证全流程理论方案的价值必须通过实践来检验。我们选择了网络仿真这条路径在可控、可重复的环境中评估方案性能。整个实现与验证流程可以概括为“场景生成-网络配置-协议实现-仿真运行-结果分析”五个步骤。4.1 仿真环境搭建与参数配置我们采用了一套成熟的、被学术界广泛认可的仿真工具链来构建一个贴近现实的 vehicular network 环境交通流生成SUMO/MOVE使用SUMO交通仿真和MOVE移动模型生成工具生成一段高速公路景下的车辆移动轨迹文件。我们可以定义车流量、车辆类型轿车、卡车、车速分布、车道数、出入口匝道等模拟出从稀疏到拥堵的各种交通状况。生成的轨迹文件包含了每一时刻每一辆车的ID、位置经纬度或坐标、速度、方向等信息。网络仿真NS-2将SUMO生成的移动轨迹导入网络仿真器NS-2版本2.35。NS-2负责模拟无线信号的传播、数据包的发送与接收、MAC层协议竞争、网络层路由等。我们为车辆和RSU节点配置了以下关键协议栈物理层/数据链路层采用IEEE 802.11p标准这是专为车联网设计的WAVEWireless Access in Vehicular Environments协议的基础。我们修改了其MAC层使其支持在多个信道DSRC的6个SCH和模拟的CR信道间切换。网络层使用AODVAd-hoc On-Demand Distance Vector路由协议。虽然车联网有更先进的地理路由协议但AODV作为经典的按需路由协议足以验证我们方案在单跳和有限多跳场景下的基本性能。传输层使用UDP协议模拟周期性广播的beacon消息如位置、速度和事件驱动的安全消息如紧急制动。应用层我们开发了自定义的代理Agent模拟车辆的信道感知调用HMM预测模块、与RSU的认证握手、以及基于RSU分配的信道进行数据传输的逻辑。核心仿真参数表如下参数类别参数名称取值说明场景参数道路长度5000 米模拟高速公路路段车道数3单向三车道车辆数量10 - 100 辆用于测试不同密度下的性能车辆速度80 - 120 km/h高速公路正常行驶速度通信参数DSRC信道数6 (SCH) 1 (CCH)标准配置CR信道数10模拟的授权频段空闲信道传输范围200 - 600 米测试不同通信距离的影响数据包大小512 字节典型的安全消息大小数据包生成率10 包/秒模拟车辆beacon频率CR参数感知时间5 ms能量检测的采样时长HMM预测窗口100 ms预测未来100ms内的信道状态PU活动模型两状态ON/OFF马尔可夫链ON占用和OFF空闲状态平均持续时间可调误检概率要求 0.1允许的将空闲判为占用的概率虚警概率要求 0.1允许的将占用判为空闲的概率需极低4.2 核心功能模块的实现细节在NS-2中我们主要通过修改和扩展Mac/802_11类和创建新的应用层Agent来实现方案。HMM预测模块的实现 我们在车辆的Agent中实现了一个HMM类。它包含trainModel(vectordouble observationSequence): 接收一段来自RSU的关于某个信道的能量观测值序列使用Baum-Welch算法训练出该信道的HMM参数π, A, B并存储起来。predictChannelState(vectordouble recentObservations): 输入最近一小段如10个采样点能量观测值利用前向-后向算法计算当前信道在下一个时隙处于“空闲”状态的概率。如果概率大于阈值如0.85则返回CHANNEL_IDLE否则返回CHANNEL_BUSY。为了降低计算开销我们为每个车辆维护一个“信道模型库”只对最有可能使用的几个授权信道进行建模和预测。认证协议模块的实现 我们实现了椭圆曲线密码学的基本操作点加、点乘和哈希函数。认证过程被封装在车辆和RSU的Agent中车辆Agent在初始化时从配置文件中加载其预分配的伪身份RIDi和私钥PKi模拟TPD存储。当车辆进入RSU范围通过NS-2的距离计算触发车辆Agent启动认证流程构造并发送认证请求消息。RSU Agent收到后验证时间戳查询本地数据库模拟TA下发的注册列表进行密码运算验证V1。验证通过后生成会话密钥构造应答消息。双方成功认证后会在Agent内部设置一个“已认证”标志并存储会话密钥。后续所有应用层数据包在发送前会用一个简单的异或加密模拟实际加密标记为“已认证数据”。信道分配模块的实现 在RSU Agent中我们实现了一个信道分配调度器它周期性如每100ms运行收集辖区内所有车辆的上报信息位置、预测的空闲信道列表、数据队列状态。评估当前DSRC信道的平均利用率已发送数据包时间 / 总时间。如果利用率低于阈值则为所有车辆分配DSRC信道。如果DSRC利用率超过阈值则启动CR信道分配算法 a. 构建干扰图遍历所有车辆和它们预测可用的CR信道计算两两之间的干扰关系。 b. 执行分配采用一种贪婪算法。首先将所有车辆按数据队列长度待发送数据量降序排序。然后从队列最长的车辆开始尝试分配一个可用的、且与已分配该信道的车辆无干扰的CR信道。如果找不到则将其分配到一个DSRC信道如果还有空闲或放入等待队列。 c. 广播分配结果RSU将信道分配结果车辆ID - 信道号打包成一个控制消息通过CCH广播给所有车辆。4.3 性能评估指标与仿真结果分析我们运行了大量仿真通过系统性地改变车辆数量、传输范围等参数收集了以下关键性能指标的数据并与传统的、仅使用DSRC的IoV方案进行对比1. 数据包投递率PDR与丢包率PLR定义PDR 成功接收的数据包数 / 发送的总数据包数。PLR 1 - PDR。结果分析对照仿真结果图随传输范围变化当传输范围较小时如200米车辆需要多跳中继跳数增加导致丢包累积PDR较低约70%。随着范围增大单跳通信成为可能PDR上升在500米左右达到峰值。超过600米后虽然单跳覆盖更广但MAC层冲突加剧导致PDR反而下降。关键发现在传输范围这个维度上CIoV和纯IoV的曲线趋势几乎重合。这是因为PDR主要受物理层和MAC层冲突影响而我们的方案在信道分配策略上并未改变单跳通信的本质特性所以提升不明显。这说明了方案的有效性边界它主要解决信道数量不足的问题而非改善单跳链路的物理性能。随车辆数量变化这是体现方案优势的关键场景。当车辆数少于20时DSRC的6个信道足够用CIoV和IoV的PDR都很高且接近。当车辆数超过30、50甚至100时IoV的PDR急剧下降因为大量车辆在6个信道上竞争冲突严重。而CIoV的PDR下降曲线则平缓得多。这是因为CIoV在DSRC拥塞时成功地将部分通信流量分流到了额外的10个CR信道上大大缓解了信道竞争压力。例如在100辆车时IoV的PDR可能降至40%以下而CIoV仍能保持在60%以上。2. 端到端延迟定义数据包从发送方应用层产生到接收方应用层成功接收所经历的时间总和包括在各层的排队延迟、MAC层退避延迟、传输延迟和传播延迟。结果分析在IoV中延迟随车辆数增加而显著上升这是因为MAC层冲突导致数据包需要多次重传排队队列变长。CIoV的端到端延迟在所有高密度场景下都明显低于IoV。原因在于更多的可用信道意味着更低的信道访问冲突概率车辆能更快地竞争到信道并发送数据排队延迟和重传延迟大幅减少。这对于需要低延迟保障的安全应用如碰撞预警至关重要。3. 网络吞吐量定义单位时间内通常为1秒网络成功传输的数据总量比特。结果分析在低车辆密度下两者吞吐量相当因为信道资源都未饱和。在高车辆密度下IoV的吞吐量增长很快达到瓶颈并趋于平缓受限于6个DSRC信道的总容量。而CIoV的吞吐量随着车辆增加继续保持线性增长的趋势因为可用的CR信道加入了资源池。这直观地证明了我们的方案有效拓展了车联网的系统容量。仿真经验与避坑指南NS-2的随机数种子NS-2的仿真结果受随机数种子影响很大。为了得到统计上可靠的结果必须对每个参数配置运行多次例如30次仿真每次使用不同的随机数种子然后取平均值和置信区间。只跑一次仿真的结果是没有说服力的。暖机时间仿真开始时网络处于空载状态各项指标不稳定。需要在统计时丢弃最初一段时间如前10秒的数据只收集系统进入稳定状态后的数据。计算复杂度与仿真时间HMM的训练和预测、认证中的密码运算在仿真中都是计算密集型操作。当车辆数量很大如200时仿真速度会显著变慢。在代码实现中需要对HMM的矩阵运算进行优化并注意避免在每次感知时都重新训练模型。认证的密码操作可以使用更轻量的模拟函数。PU活动模型的真实性仿真中我们使用简单的两状态马尔可夫链模拟PU活动。但现实中电视广播、军用雷达等PU的活动模式可能复杂得多。为了增强说服力最好能引用实际测量的频谱占用数据来驱动PU模型或者使用更复杂的模型如ON/OFF周期服从特定分布。5. 常见问题、挑战与未来优化方向在实际部署和深入研究本方案的过程中必然会遇到一系列挑战和值得深入探讨的问题。这里我将结合自己的理解和常见的研究痛点进行一番梳理。5.1 频谱感知的准确性与“隐藏终端”问题我们的方案依赖于RSU和车辆对PU信号的准确感知。然而无线环境的复杂性给感知带来了巨大挑战阴影衰落和多径效应建筑物、地形等因素会导致信号强度剧烈波动可能使得某个位置的车辆错误地认为PU信号很弱空闲而实际上PU正在附近活跃只是信号被遮挡了。这会导致“漏检”车辆接入后对PU产生干扰。感知门限的设定能量检测法需要设定一个判决门限高于门限判为“占用”低于则判为“空闲”。门限设得太高容易漏检设得太低则容易虚警将噪声误判为PU信号导致频谱利用率下降。这个门限需要根据环境噪声水平动态调整。隐藏终端问题这是CR网络的特有问题。假设PU在位置A发射车辆V1在位置B由于障碍物V1感知不到PU信号认为信道空闲。但PU的通信对象在位置C而V1的信号却能到达C从而对PU的接收机造成干扰。单纯依靠本地感知无法解决此问题。应对策略协作感知让多个车辆或RSU同时感知同一信道然后通过投票或数据融合如“与”规则、“或”规则做出最终判决。这可以显著提高感知可靠性但会增加通信开销和决策延迟。我们的方案中车辆将预测结果上报给RSURSU可以综合多个车辆的预测进行决策这本身就是一种简单的协作。数据库辅助感知结合地理信息数据库查询特定地点、特定频段的PU活动时间表如电视塔的广播时间。这可以作为感知的补充尤其适用于活动规律的PU。这需要与频谱管理机构合作。5.2 安全协议的性能与开销权衡我们设计的认证协议是轻量级的但依然引入了计算和通信开销计算开销每辆车与RSU的首次认证涉及椭圆曲线点乘运算这对资源受限的OBU仍是一个负担。虽然预计算可以缓解但在车辆高速移动、频繁切换RSU的场景下城市道路认证频率会很高。通信开销认证消息的交换增加了控制信道的负载。在车辆密度极高时大量车辆同时发起认证可能淹没控制信道CCH。密钥管理车辆预分配的那组伪随机私钥PKi是有使用次数或时间限制的。用完后需要向TA申请更新这涉及到离线或在线更新机制的设计以及旧密钥的撤销问题。优化方向群组认证对于同一车队或相邻的车辆可以设计群组认证协议让一个“头车”代表整个群组与RSU认证然后内部车辆使用更轻量的对称密钥协议。无证书密码学可以考虑采用无证书公钥密码体制完全消除对数字证书的依赖进一步减少通信开销。但需要评估其计算复杂度是否仍然可接受。区块链辅助的身份管理将TA的功能部分下放到区块链上实现车辆身份和信誉的去中心化管理避免单点故障。但这会引入新的延迟和吞吐量问题。5.3 信道分配的公平性与效率我们的分配算法目标是最大化总吞吐量这可能导致“饿死”现象某些处于边缘位置或信号较差的车辆可能因为干扰范围大而长期分配不到好的信道CR或DSRC。公平性问题如何保证所有车辆尤其是那些对安全信息有紧急需求的车辆如正在执行紧急制动的车辆都能获得必要的信道资源信息过时问题车辆上报的预测信息和位置信息有延迟。当RSU做出分配决策时车辆可能已经移动信道状态也可能已变化PU出现。这会导致分配失效或产生干扰。改进思路引入优先级队列在RSU的调度器中为不同类型的数据包如安全消息、娱乐信息设置不同的优先级。高优先级的请求优先分配优质信道。比例公平调度在追求总吞吐量的同时考虑每个车辆的历史吞吐量适当照顾吞吐量低的车辆实现吞吐量与公平性的折衷。预测与决策的联合优化将HMM的预测不确定性概率值纳入信道分配的目标函数中。例如为一个预测“空闲”概率为0.9的信道分配资源时其“价值”应高于一个概率为0.6的信道但同时也要考虑一旦预测错误PU出现的切换成本。5.4 与现有标准及设施的兼容性这是一个非常实际的工程挑战。我们的CIoV方案需要车辆OBU和RSU硬件支持额外的射频前端以感知和接入授权频段如TVWS频段。这增加了硬件成本和复杂性。标准化之路目前IEEE 802.11afWhite-Fi和802.22WRAN是工作在电视空白频段TVWS的CR标准。我们的方案可以看作是在车联网场景下对这些标准的高层协议和应用层适配。推动方案中的关键机制如基于HMM的预测、轻量认证进入相关标准组织如IEEE、3GPP的讨论范畴是走向大规模商用的关键。混合网络部署初期可以采用“增量部署”策略。在新出厂的智能网联汽车中集成CR功能路侧基础设施也逐步升级。传统车辆和RSU仍使用纯DSRC。网络需要具备异构融合的能力让CIoV车辆能在两种模式间无缝切换并能与传统车辆通过DSRC进行基本通信。我个人在实际研究和仿真中的体会是一个理论优美的方案要走向实用必须经历工程化的“淬火”。比如HMM模型参数在实际中如何在线学习和更新认证协议在极端网络延迟下的鲁棒性如何信道分配算法在CPU上的实际运行时间是否满足实时性要求这些问题都需要在原型系统甚至实车测试中寻找答案。未来的工作正如原文作者所言可以探索更复杂的四状态HMM来区分PU的“空闲”、“占用”、“即将占用”、“即将空闲”等状态从而做出更精准的预测。也可以将机器学习方法引入频谱感知和分配让系统具备更强的环境自适应能力。这个领域充满了挑战也正因为如此每一次性能的微小提升都可能为未来更安全、更高效的智能交通带来巨大的价值。
