2016-Centralized and Localized Data Congestion Control Strategy for Vehicular Ad Hoc Networks

《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