基于多属性决策和k-means聚类的车载安全消息中继选择方法

Multi-Attribute Decision-Making and k-Means Clustering Based Relay Selection Method for Vehicular Safety Messages Dissemination

摘要

城市车载网络环境中高效的中继选择有利于保证安全消息传输的及时性和可靠性。针对现有中继选择方法在复杂交通环境下难以准确评估中继，且在车流密集场景下性能不佳的问题，提出一种基于多属性决策和k-means聚类的中继选择方法（multi-attribute decision-making and k-means clustering based relay selection，MKRS）。首先充分考虑当前转发车辆与候选中继之间的相对距离和相对速度，候选中继的接收信号强度和区域密度等4种评估指标，分别基于序关系法和熵权法计算候选中继评估指标的主、客观权重，并利用简单加权法计算其综合权重，进一步得到能够更加准确体现候选中继性能的综合效用值。在此基础上，采用基于k-means聚类和优先级-退避时间的方法选出最佳中继。实验结果表明所提MKRS与对比方法相比，在保证较好一跳距离和一跳时延的同时具有最快的传播速度。

Abstract

Efficient relay selection methods are beneficial to ensure the timeliness and reliability of safety messages dissemination in urban vehicular networks. However, it is hard for the existing vehicular safety messages relay selection methods to evaluate relays accurately in complex traffic environments, and work well in dense scenarios. Aiming at the above problems, an efficient multi-attribute decision-making and k-means clustering based relay selection method, namely MKRS, was proposed. First, it fully considered four evaluation metrics, including the relative distance and speed between the current forwarding vehicle and candidate relays, the received signal strength and area density of each candidate relay. And it calculated the subjective and objective weights of each relay’s evaluation metrics based on order relationship analysis method and entropy weighting method, respectively. Then it used a simple weighting method to obtain corresponding integrated utility values, and comprehensive utility values that can more accurately reflect the performance of candidate relays are further obtained. On this basis, the optimal relay was selected according to a k-means clustering and priority-backoff time based method. The experimental results demonstrate that when compared with the comparative methods, the proposed MKRS has the fastest propagation speed while ensuring good one-hop distance and one-hop delay.

Graphical abstract

0　 引 言

城市交通的现代化和智能化促进了车载自组织网络（vehicular Ad-Hoc network, VANET）的应用与发展。如今，VANET在信号配时、路径规划和协同下载等领域均得到了广泛的研究和应用^[1~3]。在安全通信方面，VANET能够提供快速可靠的安全消息传输^[4，5]，有利于减少交通事故和人员伤亡，它还可结合路径规划缓解日趋严重的交通拥堵，具有重要的研究意义与应用价值。

目前，VANET主要基于LTE-V和专用短程通信（dedicated short range communication, DSRC）等技术提供车与车/车与基础设施（vehicle-to-vehicle/vehicle-to-infrastructure, V2V/V2I）通信，以保证车载网络中高效的数据传输与交互。由于对时间的敏感性，安全消息需要在尽可能短的时间内成功覆盖目标区域或到达目标车辆。然而，车辆之间的通信链路并不完全可靠，且在密集交通场景下容易产生“广播风暴”^[6]，不利于安全消息的快速传输。如何选择中继来保证安全消息传输的及时性和可靠性成为学者们的研究重点。

通常作为中继的车辆需要与当前转发车辆保持良好的链路稳定性，同时保证尽可能远的一跳距离；链路稳定性又与车速、接收信号强度（received signal strength, RSS）和区域密度等多种评估指标有关。然而现有中继选择方法通常重点关注一跳距离，缺少对多个评估指标之间重要性关系的考虑，导致它们在复杂的交通环境中难以准确评估中继性能，并且在车流密集场景中效果不佳。

为解决上述问题，本文提出一种基于多属性决策和k-means聚类的中继选择方法（multi-attribute decision-making and k-means clustering based relay selection, MKRS）。MKRS采用基于多属性决策的方法评估候选中继的性能，综合考虑并分别基于序关系法和熵权法计算候选中继4种评估指标的主、客观权重，利用综合权重计算候选中继的综合效用值评估其性能；MKRS采用k-means聚类解决车流密集场景中的高延迟问题，当车流密集时基于k-means聚类处理性能位于前列的候选中继，并基于其优先级设置退避时间以选出最佳中继。

1　 相关研究

现有的安全消息中继选择方法大体分为基于概率、基于距离和基于链路质量三类。基于概率的方法允许部分车辆参与安全消息的转发，通常为具有合适转发条件的候选中继设置更高的转发概率。文献[7]通过交换Beacon消息获取候选中继的邻居密度，并为距离转发节点更远且邻居密度更小的候选中继设置更高的转发概率。文献[8]提出一种面向消息接受者的广播方法，每个接收消息车辆的转发概率由对称志愿者困境博弈建模和决定。为了减少自组织网络中周期性Beacon消息引起的网络开销，文献[9]提出一种基于节点度估计和静态博弈的消息转发策略，节点度用于估算参与转发的节点数量，同时设计了一个效用函数，通过纳什均衡（Nash equilibrium）求得每个候选中继的转发概率，有效减少冗余的广播消息。基于概率的中继选择方法能够有效缓解“广播风暴”，但是其难点是如何在动态变化的车载环境下为每个车辆分配最佳的转发概率。

基于距离的中继选择方法倾向于在转发车辆的有效信号传输范围内选择距离最远的车辆作为中继。文献[10]提出一种贪婪周边无状态路由（greedy perimeter stateless routing, GPSR）方法，通过寻找距离目标节点或目标区域最近的车辆作为下一跳中继。然而，该方法容易陷入局部最优。文献[11]提出一种基于距离的分布式广播方法（smart broadcast, SB），将有效信号传输范围内的路段划分为多个子路段，并根据距离由远及近依次分配递增的竞争窗口，处于子路段的候选车辆在对应的竞争窗口内设置随机的退避时间。然而在车流密集场景下，由于单个竞争窗口中存在过多竞争中继的车辆，因此容易产生消息冲突。为此，文献[12]提出一种动态分区广播方法（dynamic partitioning scheme, DPS）。该方法根据车辆密度决定划分区域的数量，有利于避免过多车辆位于同一竞争窗口的情况。此外，为了减少因GPS定位不精准带来的问题，文献[13]采用射频识别（radio frequency identification, RFID）标签定位技术获取车辆的精准位置信息，从而便于选择距离最远的车辆。基于距离的中继选择方法通常选择尽可能远的车辆作为中继，此做法虽然保证了一跳距离，但是忽略了车辆之间因链路不稳定导致的链路中断。特别是车辆之间距离越远，其链路越不稳定。

基于链路质量的中继选择方法通常利用邻居车辆信息来预测和评估链路稳定性，减少了传输中断和提高了安全消息传输效率。文献[14]引入一种隐式确认机制，车辆通过检查邻居车辆的Beacon消息中是否包含自身ID确定双向链路的稳定性，并根据指定时间内隐式确认的数量来量化链路质量。由于该过程需要接收足够多的Beacon消息，因此会产生额外的延迟。文献[15]提出一种采用多组选择标准的混合式中继选择方法，高优先级的车辆主要考虑链路质量和距离因素，而低优先级的车辆仅考虑链路质量的稳定性。文献[16]提出一种基于剩余延迟估计的中继选择方法，建立了一个单跳链路模型从理论上计算剩余延迟的期望值，并基于此选择中继车辆。文献[17]利用候选中继的历史链路信息，采用多项式建模进行曲线拟合，用于预测节点未来的链路质量。文献[18]综合考虑候选中继的距离、速度和方向等因素，最小化链路中断的概率。基于链路质量的中继选择是目前最合理有效的方法，其关键是综合多种因素寻找链路质量最佳的中继。

本文提出的一种基于多属性决策和k-means聚类的中继选择方法MKRS，能更为准确地评估候选中继的性能，解决车流密集场景下的高延迟问题。

2　 MKRS方法设计

2.1　系统模型与假设

本文系统模型如图1所示，车辆行驶在多车道的城市场景中，最左侧的红色车辆是产生安全消息的源节点，并基于V2V通信以多跳的形式向右侧车辆传输消息；蓝色车辆是安全消息传输过程中的中继节点，其他白色车辆是仅接受但不转发安全消息的普通节点；场景中建筑物、树木和隔离带等会衰减安全消息的RSS值。该系统模型满足如下假设条件：

1） 车辆行驶在双向四车道的城市交通路段，且初始时车道上车辆之间的距离服从指数分布；

2） 车辆配备利用DSRC接口进行V2V通信的车载端元（on-board unit, OBU），并基于GPS和电子地图获取位置信息；

3） 车辆周期性地发送包含自身相关信息（包括车辆ID、速度、位置、时间戳等）的Beacon消息，同时在接收其他车辆Beacon消息后维护一张邻居信息表；

4） 车辆监测各个邻居车辆的RSS值并记录在邻居信息表中。

2.2　MKRS方法

如图2所示，MKRS的流程包括3个阶段：1）数据预处理；2）评估候选中继；3）选择最佳中继。

第一阶段：数据预处理。在这一阶段，每个车辆通过收集周期性的Beacon消息和监测邻居车辆RSS值来维护一张邻居信息表。若当前车辆成为新的安全消息转发节点，则基于效用函数计算候选中继4种评估指标的效用值，并构建决策矩阵。

第二阶段：评估候选中继。在这一阶段，选取多种指标并采用基于多属性决策的方法对候选节点进行评估。具体而言，当前转发节点分别采用序关系法和熵权法计算候选中继评估指标的主、客观权重，在综合考虑主、客观权重得到各评估指标的综合权重后，计算得到反映候选中继性能的综合效用值。

第三阶段：选择最佳中继。在这一阶段，根据候选中继的综合效用值设置优先级，执行基于优先级-退避时间的中继选择方法；若当前车流密度较大，则先采用k-means聚类处理性能较优的候选中继，再执行基于优先级-退避时间的中继选择方法。

2.2.1　数据预处理

本文选取了当前安全消息转发节点与候选中继的相对距离和相对速度、候选中继的RSS和区域密度这4种指标对候选中继进行评估。

1） 相对距离

当前安全消息转发节点与候选中继的相对距离即为安全消息转发的下一跳距离。若相对距离较小，则安全消息需要更多的跳数覆盖目标区域或到达目的地。假设当前转发节点的位置为（x_i,y_i ），第j个候选中继的位置为（x_j,y_j ），车载消息的传输半径为R，则当前转发节点与候选中继j的相对距离可表示为：

\mathrm{\Delta }{d}_{ij}=\sqrt[]{(x_i-x_j{)}^{\mathrm{2}}+(y_i-y_j{)}^{\mathrm{2}}}（1）

当前转发节点与候选中继j相对距离的效用值为：

U(\mathrm{\Delta }{d}_{ij})=\frac{\mathrm{\Delta }{d}_{ij}}{R}（2）

2） 相对速度

当前转发节点与候选中继的相对速度是影响链路稳定性的又一重要因素，相对速度越小意味着链路稳定性越高。假设当前转发节点的速度为v_i，第j个候选中继的速度为v_j，车辆的最高限速为V_max。仅考虑水平方向的速度大小，令安全消息源节点行驶方向为正方向，则当前转发节点与候选中继j的相对速度可表示为：

\mathrm{\Delta }{v}_{ij}=\left|v_i-v_j\right|（3）

当前转发节点与候选中继j的相对速度的效用值为：

U(\mathrm{\Delta }{v}_{ij})=\mathrm{1}-\frac{\mathrm{\Delta }{v}_{ij}}{\mathrm{2}{V}_{\mathrm{m}\mathrm{a}\mathrm{x}}}（4）

3） 接收信号强度

候选中继的接收信号强度RSS是保证安全消息能否成功接收的关键因素，RSS值越大则表明安全消息更易被成功接收。假设当前转发节点邻居信息表中记录的候选中继j的RSS值为rss _j，则候选中继j的RSS效用值为：

（5）

其中，rss_min和rss_max分别表示无法接收和保证接收安全消息的RSS最小和最大阈值。

4） 区域密度

候选中继的区域密度指单位距离长度上邻居车辆的数量，体现了车道上的车流拥堵程度，过小的区域密度可能会产生链路中断，而过大的区域密度则更易产生消息冲突。假设候选中继j的邻居信息表中记录了m_j 个邻居车辆的信息，则候选中继j的区域密度ρ_j 和区域密度的效用值U(ρ_j )分别为：

{\rho }_j=\frac{m_j}{\mathrm{2}R}（6）

U({\rho }_j)=\mathrm{s}\mathrm{i}\mathrm{n}(\frac{\mathrm{\pi }\cdot {\rho }_j}{{\rho }_{\mathrm{m}\mathrm{a}\mathrm{x}}})（7）

其中，R表示车载消息的传输半径，ρ_max表示最大区域密度。

使用上述效用函数对候选中继评估指标的初始数据进行规约化处理，得到初始判决矩阵 H 如下所示：

\mathit{H}=\left[\begin{array}{ccc}{x}_{\mathrm{11}}& \cdots & x_{\mathrm{1}n}\\ ⋮& \ddots & ⋮\\ x_{m\mathrm{1}}& \cdots & x_{mn}\end{array}\right]（8）

其中，x_ij 表示第i个候选中继的第j（1≤j≤4）个评估指标对应的效用值。为便于后续评估指标主、客观权重的计算，采用min-max标准差法处理 H 得到标准化决策矩阵\mathit{H}\mathit{\text{'}}，如下所示：

x{\mathrm{\text{'}}}_{ij}=\frac{x_{ij}-\mathrm{m}\mathrm{i}\mathrm{n}(x_j)}{\mathrm{m}\mathrm{a}\mathrm{x}(x_j)-\mathrm{m}\mathrm{i}\mathrm{n}(x_j)}（9）

\mathit{H}\mathit{\text{'}}=\left[\begin{array}{ccc}x{\mathrm{\text{'}}}_{\mathrm{11}}& \cdots & x{\mathrm{\text{'}}}_{\mathrm{1}n}\\ ⋮& \ddots & ⋮\\ x{\mathrm{\text{'}}}_{m\mathrm{1}}& \cdots & x{\mathrm{\text{'}}}_{mn}\end{array}\right]（10）

其中，x{\mathrm{\text{'}}}_{ij}表示第i个候选中继的第j个评估指标标准化后的效用值。max(x_j )和min(x_j )分别是候选中继第j个评估指标的最大和最小效用值。

2.2.2　评估候选中继

本文选取了4种评价指标，并采用基于多属性决策的方法评估候选中继的性能。为得到能更加准确反映候选中继性能的综合效用值，综合考虑其主、客观权重，并分别基于序关系法和熵权法进行计算。

1） 评价指标的主观权重

序关系法是一种改进的无须一致性检验的层次分析法（analytic hierarchy process, AHP）^[19]，其被用于计算本文候选中继评估指标的主观权重，且本文中涉及的4种评估指标有如下序关系：相对距离\succRSS\succ区域密度\succ相对速度。

假设n个评价指标之间存在序关系x_{\mathrm{1}}\succ x_{\mathrm{2}}\succ \cdots \succ x_n，其表明相邻的评价指标x_k-1比评价指标x_k 更为重要，记它们之间的重要程度之比为r_k，r_k 与评价指标的主观权重有关，如下所示：

r_k=\frac{w_{\mathrm{s}\mathrm{u}\mathrm{b},k-\mathrm{1}}}{w_{\mathrm{s}\mathrm{u}\mathrm{b},k}}（11）

其中，w_sub,k-1和w_sub,k 分别是评价指标x_k-1和x_k 的主观权重。r_k 的取值说明如表1所示。

第j个评估指标x_j 的主观权重下：

w_{\mathrm{s}\mathrm{u}\mathrm{b},j}={\left(\mathrm{1}+{\displaystyle \sum _{k=\mathrm{2}}^j}{\displaystyle \prod _{i=k}^j}{r}_i\right)}^{-\mathrm{1}}（12）

根据相邻评估指标之间的比例关系，基于公式（12）可推导出任意第k-1个评估指标x_k-1的主观权重，如（13）式所示：

w_{\mathrm{s}\mathrm{u}\mathrm{b},k-\mathrm{1}}=w_{\mathrm{s}\mathrm{u}\mathrm{b},j}\cdot {\displaystyle \prod _{i=k}^j}{r}_i（13）

2） 评价指标的客观权重

信息论中熵值的大小可以表示度量的离散程度。度量的离散程度越大，其所包含的信息就越多，对应的权重也越大。本文采用熵权法^[20]计算评估指标的客观权重，且评估指标x_j 的信息熵E_j 计算如下所示：

p_{ij}=x{\mathrm{\text{'}}}_{ij}/{\displaystyle \sum _{i=\mathrm{1}}^m}x{\mathrm{\text{'}}}_{ij}（14）

E_j=-\frac{\mathrm{1}}{\mathrm{l}\mathrm{n}m}{\displaystyle \sum _{i=\mathrm{1}}^m}{p}_{ij}\mathrm{l}\mathrm{n}{p}_{ij}（15）

其中，m是候选中继的数量。

根据（15）式分别计算n个评估指标的信息熵，则第j个评估指标的客观权重为：

w_{\mathrm{o}\mathrm{b}\mathrm{j},j}=\frac{\mathrm{1}-E_j}{n-{\displaystyle \sum _{j=\mathrm{1}}^n}{E}_j}（16）

3） 评价指标的综合权重

本文从主、客观两方面综合衡量评估指标，采用简单加权法并引入调整系数β（0<β<1）计算综合权重，第j个评估指标的综合权重如下：

w_{\mathrm{s}\mathrm{u}\mathrm{m},j}=\beta \cdot w_{\mathrm{s}\mathrm{u}\mathrm{b},j}+(\mathrm{1}-\beta )\cdot w_{\mathrm{o}\mathrm{b}\mathrm{j},j}（17）

4） 候选中继的综合效用值

最后，结合评价指标的综合权重和标准化决策矩阵\mathit{H}\mathit{\text{'}}计算候选中继的综合效用值 U_sum，如下：

{\mathit{U}}_{\mathbf{s}\mathbf{u}\mathbf{m}}=\mathit{H}\mathit{\text{'}}\cdot {\mathit{w}}_{\mathbf{s}\mathbf{u}\mathbf{m}}=\left[\begin{array}{ccc}x{\mathrm{\text{'}}}_{\mathrm{11}}& \cdots & x{\mathrm{\text{'}}}_{\mathrm{1}n}\\ ⋮& \ddots & ⋮\\ x{\mathrm{\text{'}}}_{m\mathrm{1}}& \cdots & x{\mathrm{\text{'}}}_{mn}\end{array}\right]\left[\begin{array}{c}{w}_{\mathrm{s}\mathrm{u}\mathrm{m},\mathrm{1}}\\ ⋮\\ w_{\mathrm{s}\mathrm{u}\mathrm{m},n}\end{array}\right]（18）

其中， w_sum 为评估指标的综合权重向量。具有较高综合效用值的候选中继表现出更好的性能，体现在保持较远一跳距离的同时具有较好的链路质量。

2.2.3　选择最佳中继

退避时间是选择安全消息中继的一种常见手段，性能更佳的候选中继往往被设置更短的退避时间，从而提高被选中的概率。然而在车流密集场景中，一方面，过多的候选中继往往会产生较高概率的消息冲突；另一方面，过多的候选中继更容易产生和选中“边缘”车辆，即处于转发车辆通信范围边缘的车辆，可能导致通信链路的中断。为解决上述问题，提出一种基于k-means聚类和优先级-退避时间的中继选择方法。该方法首先采用k-means聚类方法对综合效用值位于前z位的候选中继进行聚类处理，接着在每个聚类中随机选择一个车辆参与中继的竞争，最后利用基于优先级-退避时间的中继选择方法选出最佳中继。

基于k-means聚类和优先级-退避时间的中继选择方法过程如下：

步骤1：将候选中继基于综合效用值从大到小进行排序，并从1到m依次设置从高到低的优先级；

步骤2：设置k个初始聚类中心均匀分布在区间[u_min, u_max]上，其中初始聚类中心集合为C={c₁, c₂, …, c_k }，u_min和u_max分别是优先级处于前z位的候选中继的最小和最大综合效用值；

步骤3：依次计算综合效用值位于前z位的候选中继与每个聚类中心的距离，并将其与距离最近的聚类中心合并；

步骤4：依次计算每个新聚类的聚类中心c{\mathrm{\text{'}}}_i，若不存在c{\mathrm{\text{'}}}_i\ne c_i，则输出新聚类中心对应的聚类集合S={s₁, s₂, …, s_k }；否则返回步骤3；

步骤5：从每个新的聚类s_i 中随机选择一个候选中继，将k个选中的候选中继基于综合效用值更新优先级，并依次设置基于新优先级的退避时间，即T_w =(λ-1)⋅T_slot，其中λ表示候选中继的新优先级，T_slot表示两相邻候选中继转发消息的时间间隔；

步骤6：执行基于退避时间的中继选择方法，流程结束。

3　 实 验

3.1　实验环境与参数

本文基于MATLAB搭建双向四车道的城市交通实验场景。车辆的初始位置服从泊松分布，最左侧的车辆为安全消息源节点，安全消息基于V2V通信沿着车道向右侧进行多跳传输。实验相关的主要仿真参数如表2所示。

3.2　参数β的敏感性分析

本文在评估候选中继性能时综合考虑其4种评估指标的主、客观权重，并以调整参数β进行加权。在不同的车流密度条件下以0.1为间隔调整参数β值，取MKRS安全消息的平均传播速度并观察其变化情况。如图3所示，安全消息的平均传播速度刚开始与β值正相关，当β值为0.8时平均传播速度最快，随后呈现下降的趋势，因此，本文对比实验中β的取值为0.8。基于序关系法的主观权重计算方法结合专家经验能够较好地反映出候选中继的性能优劣，随着主观权重占比的增加能够有效提升MKRS的性能；基于熵权法的客观权重计算方法因无法有效体现候选中继性能指标的重要程度，当客观权重占比较高时难以准确地选出综合性能更优的中继，但因其根据候选中继实时的性能指标值进行计算，能够有效地区分主观权重相同或相近的候选中继，因此将客观权重与主观权重相结合能够一定程度上提升对候选中继的评估准确性，从而选出最佳的中继。

3.3　实验结果与分析

为验证所提MKRS的有效性，实验部分选取了基于距离的GPSR^[10]、基于链路质量的Hybrid(LQ×d)^[15]和REMR^[18]，以及在最佳中继选择阶段忽略k-means聚类的MKRS（记作MRS）作对比。在不同车流密度情况下通过多次实验取平均值，对比了5种方法的平均一跳距离、平均一跳时延和平均传播速度3种性能指标。

5种方法在不同车流密度情况下的平均一跳距离和平均一跳时延分别如图4和图5所示。从图4中可以看出基于距离的GPSR具有最远的平均一跳距离，这是因为该方法总是寻找尽可能远的车辆作为中继；然而这种中继选择策略容易选中“边缘”车辆，同时较远的距离意味着更差的链路稳定性。如图5所示，GPSR具有最高的平均一跳时延，且车流密度越大时延越高。Hybrid(LQ×d)优先选择链路质量与一跳距离的乘积更高的中继，使得所选中继虽然不易产生链路中断但距离相对较近，且与其他方法相比较具有最短的平均一跳距离和最低的平均一跳时延。REMR在评估候选中继性能时以相对距离、相对速度和相对方向进行简单加权，通过寻找链路质量更高的中继来降低链路中断的概率，但其并未考虑RSS和区域密度等性能指标。本文所提MKRS综合考虑候选车辆的多个评估指标，在准确评估候选中继性能的同时能选中综合性能最优的中继，即同时保持较优的平均一跳距离和平均一跳时延。由于MKRS与MRS在车流密度较低时（车流密度小于等于130 veh/km）执行了相同的中继选择操作，因此平均一跳距离和平均一跳时延表现相同。而当车流密度较大时，MKRS在以缩小一跳距离为代价的前提下提高了链路稳定性和避免了选中“边缘”车辆，减少了平均一跳时延。结合图4和图5可知，MKRS的平均一跳距离比Hybrid(LQ×d)提高9.48%~18.99%，平均一跳时延比GPSR降低16.74%~25.34%。

5种方法在不同车流密度情况下的平均传播速度如图6所示。可以看出，它们的平均传播速度整体上均随车流密度的增加而降低。其中GPSR的速度最慢，REMR与Hybrid(LQ×d)的平均一跳距离和平均一跳时延不同但速度相当，MKRS的速度最快；且当车流密度为210 veh/km时，MKRS与Hybrid(LQ×d)和REMR相比均提高13.3%以上，与GPSR相比提高22.35%。

4　 结 语

本文提出了一种基于多属性决策和k-means聚类的车载安全消息中继选择方法。该方法综合考虑候选中继4种评估指标的主、客观权重，从而更准确地反映候选中继性能；采用基于k-means聚类和优先级-退避时间的方法选出最佳中继，有利于解决高密集车流下延迟过高的问题。实验结果表明MKRS具有较好的一跳距离和一跳时延，并在传播速度上优于其他方法。然而仅基于V2V通信的中继选择方法在车流稀疏情况下可能遭遇“路由空洞”问题，严重影响安全消息的传输效率，今后的工作中将研究V2I协助的安全消息传输方法。

参考文献

[1] NIE L， WANG Q F， ZHANG M X， et al. FMAA： A flexible signal timing method for an isolated intersection with conflicting traffic flows［J］. Information （Switzerland）， 2022， 13（9）：408. DOI： 10.3390/info13090408 .

[2] GUO C， LI D M， ZHANG G L， et al. Real-time path planning in urban area via VANET-assisted traffic information sharing［J］. IEEE Transactions on Vehicular Technology， 2018， 67（7）：5635-5649. DOI： 10.1109/TVT.2018.2806979 .

[3] CUI J， WEI L， ZHONG H， et al. Edge computing in VANETs—An efficient and privacy-preserving cooperative downloading scheme［J］. IEEE Journal on Selected Areas in Communications， 2020， 38（6）：1191-1204. DOI： 10.1109/JSAC.2020.2986617 .

[4] ZENG H C， PIRAYESH H， SANGDEH P K， et al. VehCom： Delay-guaranteed message broadcast for large-scale vehicular networks［J］. IEEE Transactions on Wireless Communications， 2021， 20（6）：3883-3896. DOI： 10.1109/TWC.2021.3054300 .

[5] CHOI C S， BACCELLI F. Modeling and analysis of vehicle safety message broadcast in cellular networks［J］. IEEE Transactions on Wireless Communications， 2021， 20（7）：4087-4099. DOI： 10.1109/TWC.2021.3055837 .

[6] ULLAH S， ABBAS G， ABBAS Z H， et al. RBO-EM： Reduced broadcast overhead scheme for emergency message dissemination in VANETs［J］. IEEE Access， 2020， 8： 175205-175219. DOI： 10.1109/ACCESS.2020.3025212 .

[7] HAFEEZ K A， ZHAO L， LIAO Z Y， et al. A new broadcast protocol for vehicular Ad-Hoc networks safety applications［C］// 2010 IEEE Global Telecommunications Conference GLOBECOM 2010. New York： IEEE Press， 2010： 1-5. DOI： 10.1109/GLOCOM.2010.5683409 .

[8] LIMOUCHI E， MAHGOUB I. Volunteers dilemma game inspired broadcast scheme for vehicular Ad-Hoc networks［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（12）： 4439-4449. DOI： 10.1109/TITS.2018.2886232 .

[9] 王庆文， 戚茜， 程伟，等. 节点度估计和静态博弈转发策略的Ad-Hoc网络路由协议［J］. 软件学报， 2020， 31（6）：1802-1816. DOI： 10.13328/j.cnki.jos.005703 .

[10] WANG Q W， QI Q， CHENG W， et al. Node degree estimation and static game forwarding strategy based routing protocol for Ad Hoc networks［J］. Journal of Software， 2020， 31（6）： 1802-1816. DOI： 10.13328/j.cnki.jos.005703（Ch ）.

[11] KARP B， KUNG H T. GPSR： Greedy perimeter stateless routing for wireless networks［C］//MobiCOM’00： Proceedings of the 6th Annual International Conference on Mobile Computing and Networking. New York： ACM， 2000： 243-254. DOI： 10.1145/345910.345953 .

[12] FASOLO E， ZANELLA A， ZORZI M. An effective broadcast scheme for alert message propagation in vehicular Ad-Hoc networks［C］//2006 IEEE International Conference on Communications. New York： IEEE Press， 2006： 3960-3965. DOI： 10.1109/ICC.2006.255700 .

[13] RAYENI M S， HAFID A， SAHU P K. Dynamic spatial partition density-based emergency message dissemination in VANETs［J］. Vehicular Communications， 2015， 2（4）： 208-222. DOI： 10.1016/j.vehcom.2015.07.002 .

[14] AFRASHTEH M， BABAIE S. A route segmented broadcast protocol based on RFID for emergency message dissemination in vehicular Ad-Hoc networks［J］. IEEE Transactions on Vehicular Technology， 2020， 69（12）： 16017-16026. DOI： 10.1109/TVT.2020.3041754 .

[15] REHMAN O， OULD-KHAOUA M， BOURDOUCEN H. An adaptive relay nodes selection scheme for multi-hop broadcast in VANETs［J］. Computer Communications， 2016， 87： 76-90. DOI： 10.1016/j.comcom.2016.04.007 .

[16] REHMAN O， OULD-KHAOUA M. A hybrid relay node selection scheme for message dissemination in VANETs［J］. Future Generation Computer Systems， 2019， 93： 1-17. DOI： 10.1016/j.future.2018.10.042 .

[17] ZHANG X M， YAN L， CHEN K H， et al. Fast， efficient broadcast schemes based on the prediction of dynamics in vehicular Ad-Hoc networks［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（2）： 531-542. DOI： 10.1109/TITS.2019.2896627 .

[18] BENRHAIEM W， HAFID A， SAHU P K. Reliable emergency message dissemination scheme for urban vehicular networks［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（3）： 1154-1166. DOI： 10.1109/TITS. 2019.2902850 .

[19] ABBAS G， ULLAH S， WAQAS M， et al. A position-based reliable emergency message routing scheme for road safety in VANETs［J］. Computer Networks， 2022， 213： 109097. DOI： 10.1016/j.comnet.2022.109097 .

[20] 常艳梅， 陈义华. 基于指数标度的G1法及其应用［J］. 重庆理工大学学报（自然科学）， 2013， 27（8）：131-134. DOI： 10.3969/j.issn.1674-8425（z）.2013.08.027 .

[21] CHANG Y M， CHEN Y H. G1 method on the basis of index number scale and its usage［J］. Journal of Chongqing University of Technology （Natural Science）， 2013， 27（8）：131-134. DOI： 10.3969/j.issn.1674-8425（z）.2013.08.027（Ch ）.

[22] ZHU Y X， TIAN D Z， YAN F. Effectiveness of entropy weight method in decision-making［J］. Mathematical Problems in Engineering， 2020， 2020：1-5. DOI： 10.1155/2020/3564835 .