基于網絡效用最大化理論的分布式車聯網擁塞控制策略

譚國真，韓國棟，張福新，丁男，劉明劍

（1. 大連理工大學計算機與科學技術學院，遼寧 大連 116024；2. 山東科技大學計算機科學與工程學院，山東 青島 266590；3. 大連海洋大學信息工程學院，遼寧 大連 116023）

1 引言

協同車輛安全性系統（CVSS, cooperative vehicle safety system）[1]作為車聯網中最具挑戰(zhàn)性的車輛安全應用之一，依賴周期性廣播的單跳數據分組來追蹤周圍車輛。數據分組中包含車輛的基本狀態(tài)信息（如速度、加速度、位置等信息），CVSS依賴這些數據分組追蹤鄰居車輛的位置，從而避免車輛之間的碰撞[2]。由 IEEE設計的 802.11p協議和1609.x協議組成的WAVE通信架構專門用于車聯網通信，被美國和歐洲所采用[3]?；谶@些協議，CVSS能夠通過車車通信探測到潛在的危險，并且通過及時告警避免車輛之間的碰撞。協同車輛安全系統在車聯網安全應用中發(fā)揮著重要作用，據統計，該系統可以減少一個國家75%的交通事故[4]。

能否精確地追蹤車輛的位置決定了CVSS的性能。本文用追蹤精度來表示車輛的真實位置和通過數據分組信息計算得到的上一次車輛的位置之間的誤差[5]。當數據分組的數量超過信道最大負載時，數據分組間的碰撞將會增加，從而導致數據分組的接受率下降[6]。由于車輛追蹤依賴于周期性廣播的數據分組，信道擁塞會嚴重影響CVSS的追蹤性能。為了解決該問題，需要相應的信道擁塞控制策略避免信道擁塞。信道擁塞控制策略主要有3種：1）調節(jié)數據分組的發(fā)送速率；2）調節(jié)傳輸功率；3）同時調節(jié)數據分組發(fā)送速率和傳輸功率[7]。上述的 3種方式都可以將信道負載降到最大信道負載（MBL,maximum beaconing load）以下。由于CVSS中的每輛車依賴周期性數據分組追蹤鄰居車輛，因此必須滿足信道資源分配的公平性，公平性確保每輛車均可以獲取有限的信道資源與周圍車輛進行有效通信[8]。傳統的信道擁塞控制策略[9-15]致力于為每輛車分配相同的信道資源，并沒有考慮單個車輛在不同交通場景下的服務需求，因此無法做到信道資源的按需分配。文獻[16-17]在信道擁塞控制中考慮了車輛的安全需求，但是所提出的安全權重無法準確描述車輛的安全需求，同樣無法做到信道資源的按需分配，且在真實的交通場景下，每輛車的安全需求并不相同。為了保證CVSS能夠精確追蹤車輛，應該為危險的交通場景下的車輛分配更多的信道資源，否則由于信道資源分配的不合理，車輛之間可能會因無法及時有效通信而發(fā)生碰撞。

為了根據車輛安全需求按需分配信道資源，本文提出了一種基于網絡效用最大化理論的分布式信道擁塞控制策略。首先，針對 CVSS提出了VANET下信道資源分配的網絡效用最大化模型，并且在該模型中提出了反映車輛安全需求的效用函數；然后基于該模型建立了發(fā)送功率固定條件下無線信道資源分配的優(yōu)化問題，該優(yōu)化問題以實現所有車輛的效用之和最大化為目標；最后為了求解該優(yōu)化問題，設計了分布式擁塞控制 UBRCC。UBRCC算法在避免信道擁塞的同時，實現了面向單個車輛安全需求的信道資源分配。本文的工作主要體現在以下3個方面。

1）針對CVSS提出了VANET下無線信道資源分配的網絡效用最大化模型，并在該模型中提出了反映車輛安全需求的效用函數。

2）基于該模型建立了發(fā)送功率固定條件下無線信道資源分配的優(yōu)化問題，該優(yōu)化問題以實現所有車輛的效用之和最大化為目標，即最大化滿足所有車輛的安全需求。

3）設計了分布式擁塞控制算法UBRCC，解決了無線信道資源的優(yōu)化問題，在避免信道擁塞的同時滿足車輛的安全需求。

2 信道擁塞策略相關研究

對于傳統的信道擁塞控制策略，Torrent-Moren等[9]提出了輕量級信道擁塞控制算法D-FPAV。該算法中優(yōu)先級高的數據分組會被優(yōu)先發(fā)送，可以有效地避免信道擁塞。但是信道最大負載不能自適應于特定的網絡環(huán)境，且該算法不能根據車輛的安全需求調整傳輸功率。Khorakhun等[10]提出了一種基于信道占有率的功率調節(jié)算法，每輛車根據所測量到的信道占有率調節(jié)其傳輸功率。如果信道占有率超過了門限值，傳輸功率會被調低，但是準確測量信道占有率非常困難，如果信道占有率測量不準確，算法的可靠性和性能會受到嚴重影響。Guan等[11]提出了一種基于反饋的功率調節(jié)算法，該算法中每輛車根據其鄰居車輛的傳輸功率來調節(jié)自身的傳輸功率。Bansal等[12]提出了基于線性調節(jié)的擁塞控制算法LIMERIC，該算法中，每輛車根據單跳傳輸范圍內鄰居車輛的數據分組發(fā)送速率對自身的數據分組發(fā)送速率進行線性調整。Tielert等[13]提出了擁塞控制算法PULSAR，該算法根據單跳及兩跳傳輸范圍內鄰居車輛的數據分組發(fā)送速率調節(jié)其發(fā)送速率，從而實現全局公平性。Bansal等[14]提出了基于車輛追蹤精度的擁塞控制算法EMBARC，當追蹤精度超過門限值時，數據分組發(fā)送速率將會被提高，然后再根據LIMERIC算法將信道負載控制在MBL以內。Sepulcre等[15]提出了擁塞控制算法 INTERN，該算法將數據分組發(fā)送速率跟傳輸功率結合起來，首先將傳輸功率設置為所需的最小值，當信道負載超過門限值時根據LIMERIC算法降低數據分組的發(fā)送速率。

上述擁塞控制算法[9-15]主要依賴信道的狀態(tài)信息調節(jié)數據分組發(fā)送速率或者傳輸功率來控制信道擁塞，然而這些算法存在2個缺點：1）只有檢測到信道擁塞之后才能夠采取措施控制信道擁塞，信道擁塞控制存在一定的滯后性，在信道負載從擁塞狀態(tài)恢復之前，CVSS追蹤車輛的誤差可能會很大，導致CVSS的性能受到嚴重影響；2）這些算法主要關注網絡層的性能，沒有考慮單個車輛的安全需求，因此信道不擁塞時，無法確保每輛車的安全需求得到滿足。

近年來，國內外學者對于控制信道擁塞時考慮車輛的安全需求也進行了一定研究。Zhang等[16]引入車輛安全權重的概念來描述交通場景的危險級別，并設計了擁塞控制算法DNUM，其中，安全權重通過兩輛車之間的相對速度和相對位移來計算。該算法基于安全權重還提出了效用函數，通過網絡效用最大化理論計算最優(yōu)數據分組發(fā)送速率，但該效用函數沒有考慮車輛的駕駛方向, 無法準確描述車輛的安全需求，例如兩輛車行駛在不同的車道上，雖然安全權重很大，但實際中的交通場景并不危險，因此無法保證車輛的安全需求得到滿足。Joerer[17]建立了交叉口場景下的車輛碰撞概率模型，該模型使用兩輛車的位移、速度、加速度等來計算碰撞概率，如果碰撞概率超過某個門限值，數據分組發(fā)送速率將會增加。然而兩輛車之間的碰撞概率很難被精確計算，且文獻[17]中提出的計算方法是否精確有待驗證。

針對上述擁塞控制策略存在的問題，本文提出了分布式擁塞控制算法UBRCC。UBRCC算法將單個車輛的安全需求考慮在內，在避免信道擁塞的同時公平地按需分配信道資源。與傳統的擁塞控制策略相比，UBRCC算法可以保證在危險的交通場景下車輛與周圍鄰居車輛之間的有效通信。

3 CVSS下的網絡效用最大化模型

3.1 VANET網絡效用最大化模型

車聯網中，每輛車發(fā)送數據分組占用的信道資源被該車傳輸范圍的所有車輛共享。本文使用數據分組的發(fā)送速率表示每輛車分配的信道資源，通過調節(jié)數據分組的發(fā)送速率來控制信道擁塞，將信道負載控制在 MBL以內。文獻[18]表明，當信道占有率（CBP,channel busy percentage）達到0.6～0.7時，CVSS的吞吐量最大，網絡性能最佳，因此將CBP設置為0.6.

用V表示車輛集合，每輛車v以每秒傳輸rv個數據分組的發(fā)送速率廣播數據分組，用n（v）表示車輛v的所有鄰居車輛，信道負載為每輛車及其鄰居車輛的數據分組發(fā)送速率之和，通過將該值控制在Cmax（MBL）之下來避免信道擁塞。

車聯網下的網絡效用最大化問題可以用式（1）來表示。

約束條件為

其中，Uv（rv）表示車輛v的效用函數。式（1）代表每輛車的效用函數之和的最大值。為了實現比例公平性，單個車輛的效用函數如式（4）所示[19]。

其中，權重wv表示車輛v的安全需求，式（2）將信道負載限制在Cmax（MBL）以下，式（3）將數據分組的發(fā)送速率限制在之間。通過求解式（1）滿足最大值時的數據分組發(fā)送速率，實現按照車輛的安全需求公平地按需分配信道資源。

3.2 車輛安全需求

為了表示安全權重wv，需要計算兩輛車之間的預計碰撞時間，本文考慮車輛在3種交通場景下的碰撞時間[20]，這3種交通場景分別是車輛跟隨場景、車輛相向場景和交叉口場景，基本包含了現實中所有可能的交通場景。針對這3種場景分別給出了車輛可能發(fā)生碰撞的條件以及預計發(fā)生碰撞的時間。

1）車輛跟隨場景

該場景下兩輛車A和B相互跟隨，如圖1所示。Aθ和Bθ分別為車A與車B的駕駛角度，δ表示車A與車B駕駛角度差值的絕對值，當δ足夠小時，可以認為θA≈θB。通過判斷車A與車B是否按照相同方向行駛，兩車之間的安全距離為

其中，dmin表示兩輛車之間的預計最小可接受距離，tr為人的反應時間，vf、vl為車A和車B的速度，af、al為車A和車B減速時的最大加速度。

圖1 車輛跟隨場景

2）車輛相向場景

該場景下兩輛車A和B駛向對方，如圖2所示。θA和θB分別為車A與車B的駕駛角度，通過判斷兩車是否往相反的方向行駛，當δ足夠小時，可以認為車A和車B駛向對方，車A與車B之間的安全距離可以表示為

圖2 車輛相向場景

3）交叉口場景

該場景下兩輛車A和B通過交叉口，Aθ和Bθ分別為車A與車B的駕駛角度，vA和vB分別為車A和車B的速度，如圖3所示，首先通過碰撞預測法[21]判斷兩輛車A和B的行駛路徑是否平行，如果不平行，則兩輛車的行駛路徑存在交叉點P。通過交叉點P來計算兩輛車預計到達交叉點P的時間如式（7）和式（8）所示。

圖3 交叉口行駛場景

其中，rn代表向量（xn,yn），函數sign（?）用來判斷一輛車是否已經駛離交叉點。如果則兩輛車A和B預計大約同時到達交叉點，A與B之間將會發(fā)生碰撞，其中，λ取決于車的尺寸、速度或者其他因素[21]。A與B之間的安全距離可以表示為

其中，dmin表示兩輛車之間的預計最小可接受距離，tr為人的反應時間，vn為車A和車B的速度，an為車A或車B減速時的最大加速度。

對于每輛車v,Cv={c1,c2,c3…} 表示可能與車v發(fā)生碰撞的車輛集合。在車輛跟隨場景下，對于必須滿足以下條件：1）車與車v同方向行駛；2）車與車v行駛路徑有重疊；3）車與車v之間的距離小于dsafe_follow；4）vf＞vl，其中，vf為車的速度，vl為v的速度，da為兩車間的距離。該場景下車與車v的預計碰撞時間為

在車輛相向行駛場景下，對于∈Cv，必須滿足以下條件：1）車與車v反方向行駛；2）車與車v行駛路徑有重疊；3）車與車v之間的距離小于dsafe_opposite。該場景下車與車v的預計碰撞時間為

對于每輛車v，使用車v與車v?的最小預計碰撞時間來描述車輛在該交通場景下的安全需求，顯然碰撞時間越小，交通場景越危險，車輛的安全需求也就越大。

3.3 效用函數

如3.2節(jié)所述，對于每輛車v，存在一個集合Cv表示可能與車v發(fā)生碰撞的車。假設集合Cv存在x輛車，用Tvv?={Tcol1,Tcol2, … ,Tcolx}表示車v與車v?之間的預計碰撞時間，用作為安全權重表示交通環(huán)境的危險程度。顯然對于每輛車v，wv越大則交通場景越危險。為了保證CVSS能夠精確地追蹤鄰居車輛，如果wv越大則應該分配給車輛v更多的信道資源。根據比例公平性[19]，每輛車的效用函數如式（13）所示。

其中，rv為車輛v的數據發(fā)送速率，wv為車輛v的安全權重，V為所有車輛的集合，Cv為可能與車v發(fā)生碰撞的車輛集合。

由式（13）可知，對于車輛v來說，顯然數據分組發(fā)送速率rv越大，Uv（rv）越大。因此根據 CVSS信道資源分配的網絡效用最大化模型，得到如式（14）～式（16）所示的優(yōu)化問題。

式（14）是車輛v與其鄰居車輛的效用函數之和的最大值，本文優(yōu)化的目標是求解每輛車的最優(yōu)數據分組發(fā)送速率，滿足所有車輛的效用函數之和最大，從而滿足車輛的安全需求，使得每輛車在危險的交通場景下可以有效地與周圍鄰居車輛進行通信，從而精確地追蹤鄰居車輛并及時發(fā)起碰撞預警，確保CVSS的性能。式（15）中的Cmax表示車輛v與其傳輸范圍內鄰居車輛的數據分組發(fā)送速率之和，用Cmax表示當前的信道負載，rv′為每輛車的數據分組發(fā)送速率，n（v）為車輛v傳輸范圍內的鄰居車輛的集合。式（15）作為約束條件，將任意車輛v所處無線網絡的信道負載限制在Cmax之下，從而避免信道擁塞。為了避免車輛間的數據分組發(fā)送速率相差太大，式（16）作為約束條件將數據分組的發(fā)送速率限制在之間。

4 分布式擁塞控制算法UBRCC

本節(jié)介紹基于效用函數最大化理論避免信道擁塞的UBRCC算法，該算法使用對偶分解來求解方程式（14）中的效用函數最大化問題，為了消除式（15）和式（16）中的約束，首先構造如式（17）所示的拉格朗日方程。

其中，λv是用于消除約束的拉格朗日乘子，可以被看作車v占用信道資源支付的擁塞“價格”。在車聯網中，該擁塞“價格”反映了信道的擁塞狀態(tài)，如果車輛v所處網絡的信道負載超過Cmax，則擁塞“價格”vλ增大，反之擁塞“價格”減小。給定一組非負價格，最優(yōu)的信道資源分配可以表示為

從式（18）可以看出，對于每輛車v，為了計算其最優(yōu)數據分組發(fā)送速率，需要該車的效用函數Uv（rv）以及其鄰居車輛的擁塞價格λv′。顯然式（17）是帶有線性約束的凹函數，根據庫恩-塔克條件[22]可知，該方程一定存在最優(yōu)解，因此一定存在一組最優(yōu)價格對應式（12）中的最優(yōu)解。如果能找到最優(yōu)價格，由式（13）可以根據最優(yōu)價格求解最優(yōu)的數據分組發(fā)送速率。尋找最優(yōu)價格的問題可以用如式（19）所示的對偶問題表示。

式（19）被稱為對偶方程。由于式（17）是嚴格的凹函數，所以式（19）也是嚴格的凹函數，根據庫恩-塔克條件存在唯一的一組最優(yōu)價格。對于唯一的一組最優(yōu)擁塞價格，存在唯一的一組數據分組發(fā)送速率的最優(yōu)解，此求解最優(yōu)數據分組發(fā)送速率的問題轉化為求解最優(yōu)擁塞價格的問題。

為了計算最優(yōu)的數據分組發(fā)送速率，每輛車需要向其單跳傳輸范圍內的鄰居車輛廣播擁塞價格。每輛車根據單跳傳輸范圍內鄰居車輛的擁塞價格更新數據分組發(fā)送速率和擁塞價格。通過梯度下降法反復迭代更新車輛的擁塞價格，直到得到最優(yōu)的擁塞價格，從而得到最優(yōu)的數據分組發(fā)送速率，如式（20）所示。

基于式（20），本文設計了 UBRCC算法，用來描述擁塞“價格”與數據分組發(fā)送速率迭代更新至最優(yōu)的過程，具體如算法1所示。

算法1UBRCC算法

步驟 1迭代次數k=0：設定每輛車的初始價格為，數據分組的發(fā)送速率為。

步驟2第k次迭代：每輛車接收到鄰居車輛的擁塞“價格”），然后更新數據分組的發(fā)送速率為

其中，算子的分子為車輛v的安全權重，分母為車輛v傳輸范圍內所有鄰居車輛的擁塞價格之和。

步驟 3對于第k次迭代：每輛車v更新其擁塞價格為

步驟4反復進行步驟2和步驟3，直到步驟3中擁塞“價格”不再更新時，則得到最優(yōu)擁塞“價格”，進而根據式（20）得到最優(yōu)數據分組發(fā)送速率，迭代終止。

UBRCC算法中vλ表示車輛v的擁塞“價格”，用來表示信道的擁塞狀態(tài)，如果當前的信道負載大于信道最大負載Cmax，則擁塞“價格”變大，反之則減小。通過應用梯度下降法反復迭代更新車輛的擁塞“價格”和數據分組發(fā)送速率，直到得到最優(yōu)的擁塞“價格”時，通過式（15）得到最優(yōu)的數據分組發(fā)送速率。wv將數據分組的發(fā)送速率與單個車輛的安全權重關聯，用來描述交通場景下車輛v的安全需求。選用作為w，即本文只關注車輛vv與v′∈Cv的最小碰撞時間，并用wv表示車輛v所處交通環(huán)境的危險級別，wv越大則表示車輛v所處的交通環(huán)境越危險。為了保證CVSS能夠準確追蹤鄰居車輛，車v的wv越大則應該分配更多的信道資源。為了避免車輛的數據分組發(fā)送速率差別太大，在仿真實驗中將車輛的碰撞時間限制為[1,10]之間，因此安全權重wv被嚴格限制為[0.1,1]之間。參數β用來控制數據分組發(fā)送速率的收斂速度。在 UBRCC算法中，β必須被設置得足夠小，否則可能導致擁塞價格λ為負值；如果β過大則會導致數據分組發(fā)送速率發(fā)生振蕩。β的界限值在文獻[23]中進行了指定。

5 實驗仿真與性能分析

5.1 實驗條件設定

本節(jié)通過在 NS3[24]中進行仿真實驗以驗證UBRCC算法的性能。在仿真實驗中，車輛的速度每2 s變化一次，所以兩輛車之間可能會發(fā)生碰撞。

在仿真實驗中，車輛均勻分布在500 m長的四車道公路上。如圖4所示，初始車輛數為100輛，在第20 s時車輛數由100輛增加到200輛，即車輛密度由0.2輛/m增加到0.4輛/m。每輛車使用80 dBm（傳輸距離為 500 m）的恒定傳輸功率發(fā)送數據分組，所以每輛車都在彼此的傳輸范圍之內。最大信道負載設置為3 Mbit/s，數據分組的大小為512 B，所以信道最大負載可以表示為Cmax=732數據分組/s。仿真參數的設置和算法參數的設置分別如表 1和表2所示。

圖4 車輛密度的變化

5.2 實驗結果及分析

本節(jié)通過對比UBRCC算法與DNUM算法的實驗結果以驗證算法的性能。DNUM算法首先通過車輛的相對位置xi,j和相對速度vi,j計算出安全權重w，如式（23）所示。

表1 仿真參數

表2 算法參數

然后基于該安全權重通過網絡效用最大化理論計算出最優(yōu)的數據分組發(fā)送速率。

1）信道占有率

信道占有率的收斂過程如圖5所示，2種算法均可以有效控制信道擁塞。在仿真初期由于數據分組發(fā)送速率較低，因此信道占有率也較低。在算法的調節(jié)下，數據分組的發(fā)送速率增大，信道占有率逐漸保持在0.6左右，信道資源得到充分利用。在第20 s時，由于車輛密度由0.2輛/m增大到0.4輛/m，信道占有率迅速增長，在算法的調節(jié)下數據分組的發(fā)送速率降低，信道占有率逐漸降低到0.6左右。從圖5可以看出，UBRCC算法的穩(wěn)定性優(yōu)于DNUM算法，且信道占有率略高于 DNUM 算法，因而信道資源能夠得到更充分的利用。

圖5 信道占有率的收斂過程

2）追蹤精度

本文通過所有車輛追蹤其鄰居車輛的平均追蹤精度來衡量安全應用的性能。2種算法下的跟蹤精度如圖6所示。從圖6可以看出，從0 s到20 s，車輛密度為0.1輛/m，UBRCC算法與DNUM算法均可以將追蹤誤差保持在0.25 m以下，可以滿足安全應用的需求。第20 s時，車輛密度由0.1輛/m增加到0.2輛/m，DNUM算法的追蹤誤差迅速變大至1 m以上，安全應用的性能受到嚴重影響；而UBRCC算法始終將追蹤誤差保持在0.25 m左右。另外，DNUM算法中的安全權重沒有考慮車輛的行駛方向，無法準確描述車輛的安全需求，因而無法保證信道資源按照車輛的安全需求公平分配；而UBRCC算法中的安全權重充分考慮了車輛的行駛方向；安全距離等因素，能夠更加準確描述車輛的安全需求，因而可以實現信道資源的按需分配，滿足車輛的安全需求。

圖6 2種算法下的平均追蹤精度

3）數據分組遞送率

從圖7可以看出在仿真初期，由于車輛密度不是很大，2種算法下的數據分組遞送率均保持在90%以上。在第20 s時，由于車輛密度的增加，數據分組的遞送率開始下降。對于 DNUM 算法，數據分組遞送率降至90%之下，無法保證數據分組的可靠傳輸，安全應用的性能受到影響。而本文的UBRCC算法始終將數據分組遞送率保持在90%之上，能夠保證數據分組的可靠發(fā)送，確保車輛能夠將狀態(tài)信息實時廣播給鄰居車輛，從而滿足車輛的安全需求。

圖7 2種算法下的數據分組遞送率

4）消息傳輸時延

從圖8可以看出，在仿真初期由于車輛密度不是很大，2種算法下的消息傳輸時延均保持在25 ms以下，從而滿足安全應用的需求。在第20 s時，由于車輛密度變大，消息傳輸時延隨之增加。與DNUM算法相比，UBRCC算法始終將消息傳輸時延保持在30 ms以下，從而保證車輛及時接收到鄰居車輛的數據分組，確保車輛安全應用的性能不受影響。

圖8 2種算法下的消息傳輸時延

5）消息產生率

如圖9所示，在2種算法的調節(jié)下，信道資源根據車輛的安全需求按需分配，數據分組產生率最終收斂至最優(yōu)。從0 s到20 s，數據分組產生率收斂為7 packet/s。第20 s時，由于車輛密度增大，為避免信道擁塞，消息產生率最終收斂為4 packet/s。從圖9可以看出，與DNUM算法相比，在UBRCC算法調節(jié)下，數據分組產生率能夠更快地收斂至最優(yōu)，因此性能略優(yōu)于DNUM算法。

圖9 2種算法下的消息產生率

6）算法的收斂性

根據網絡效用最大化理論，當目標函數值即效用函數之和最大時，可以求得每輛車的最優(yōu)數據分組發(fā)送速率，從而滿足每輛車的安全需求。從圖10可以看出，對于 DNUM 算法，目標函數值大約在13次迭代之后收斂至最優(yōu)，而在UBRCC算法下，目標函數值大約在8次迭代之后收斂至最優(yōu)，因而性能優(yōu)于DNUM算法。

圖10 目標函數值的迭代過程

6 結束語

在VANET中，信道擁塞會嚴重影響CVSS的性能。傳統的擁塞控制算法依賴信道狀態(tài)信息將信道負載控制在理想范圍之內，沒有考慮車輛的安全需求，因而無法做到根據車輛的安全應用需求按需分配信道資源。為了解決這個問題，本文提出了基于網絡效用最大化理論的分布式擁塞控制策略。首先，提出了車聯網下信道資源分配的網絡效用最大化模型，并在該模型中提出了反映車輛安全需求的效用函數；然后，基于該模型，建立了在傳輸功率固定條件下無線信道資源分配的優(yōu)化問題，該優(yōu)化問題以實現所有車輛的效用之和最大化為目標；最后，為了求解該優(yōu)化問題設計了分布式擁塞控制算法UBRCC。

與控制信道擁塞算法相比，UBRCC算法更加看重單個車輛的安全需求，所以實際信道負載與理想負載之間有時可能會發(fā)生偏差。未來工作是設計一種更加頑健的算法來避免這些偏差。另外，下一步的工作會將數據分組發(fā)送速率調節(jié)與傳輸功率調節(jié)結合起來，重構網絡效用最大化模型，提出一種更加綜合的信道擁塞控制策略。