Simulação e Análise de Métodos de Detecção de Congestionamento de Veículos em VANET

Transcrição

1 Simulação e Análise de Métodos de Detecção de Congestionamento de Veículos em VANET Mariana Ramos de Brito 1, Anna Izabel J. Tostes 1, Fátima de L.P. Duarte-Figueiredo 1, Antonio A. F. Loureiro 2 1 Departamento de Ciência da Computação Pontifícia Universidade Católica de Minas Gerais - Belo Horizonte, MG Brasil 2 Departamento de Ciência da Computação Universidade Federal de Minas Gerais (UFMG) - Belo Horizonte, MG Brasil marianaramosbrito@gmail.com, annatostes@gmail.com fatimafig@pucminas.br, loureiro@dcc.ufmg.br Abstract. Vehicular congestion is a problem in urban centers. Vehicular network management allows through communication between vehicles and infrastructure the congestion detection and the information dissemination to help drivers changing their route to a less congested one. This paper proposes a congestion detection method and compares it with one from the literature. Simulations with real traffic data from Belo Horizonte were performed. The results show that the method proposed in this paper presents reductions of up to 17% on the mean time for the vehicles to detect congestion, despite sending approximately 5% more packets through the network, what does not affect its performance. Resumo. O congestionamento de veículos é um problema dos centros urbanos. O gerenciamento de redes veiculares permite, através da comunicação entre veículos e de veículos com a infraestrutura, a detecção de congestionamento e a disseminação dessa informação para ajudar os motoristas a trocarem seu caminho para uma rota mais livre de trânsito. Este trabalho propõe um método de detecção de congestionamento e compara com um método da literatura. Simulações com dados reais do trânsito de Belo Horizonte foram realizadas. Os resultados demonstram que o método proposto neste trabalho apresenta reduções de até 17% no tempo médio para os veículos detectarem o congestionamento, apesar de enviar aproximadamente 5% mais pacotes pela rede, o que não afeta seu desempenho. 1. Introdução O interesse na área de redes veiculares vem aumentando com o passar do tempo. Redes veiculares são formadas por veículos e equipamentos físicos, geralmente localizados às margens das vias de trânsito. Essas redes são caracterizadas por topologias altamente dinâmicas, enlaces intermitentes, o fato de o movimento dos nós (veículos) ser restringido pelos limites das vias, entre outras características [Alves et al. 2009]. Estas características levam a desafios como, por exemplo, a disseminação de dados, o compartilhamento de dados e questões de segurança [Liu et al. 2009]. Algumas das aplicações para as redes 191

2 veiculares incluem a monitoração cooperativa do tráfego, o acesso à Internet e a detecção de congestionamentos. O congestionamento de veículos é um grande problema dos centros urbanos hoje em dia. As pessoas perdem muito tempo presas em congestionamentos, uma grande quantidade de combustível é gasta e a poluição ambiental sofre um aumento por causa dos agentes poluentes liberados pelos veículos [Bauza et al. 2010]. Descobrir um congestionamento e disseminar essa informação pode ajudar os motoristas a se decidirem por rotas mais vazias, reduzindo congestionamentos existentes. Neste trabalho, uma rede simulada que segue dados reais do trânsito de Belo Horizonte foi implementada e um novo método de detecção de congestionamento através da rede veicular foi proposto e comparado com um método da literatura, no qual ele foi baseado. O Método da Árvore, descrito em [Fahmy and Ranasinghe 2008], utiliza uma árvore para contar o número de veículos em um congestionamento. Cada veículo troca mensagens (beacons) com todos os vizinhos para descobrir se está ou não em congestionamento. Entretanto, esse método apresenta algumas desvantagens, sendo elas: precisar da confirmação de todos os vizinhos na área para que um novo veículo passe a indicar congestionamento; continuar executando o algoritmo para descoberta do congestionamento quando os veículos já sabem que se encontram em um; e não levar em consideração se um veículo indica congestionamento antes de inseri-lo na árvore. O método proposto neste artigo utiliza apenas a maioria dos veículos para detectar o congestionamento, o algoritmo para descoberta do congestionamento só é executado enquanto o veículo sabe que não se encontra em um congestionamento e novos veículos só são anexados à árvore se indicam que estão em um congestionamento. Os dois métodos foram simulados. Os resultados foram comparados em termos de quanto tempo o último veículo que chegou à área do congestionamento levou para começar a indicá-lo; o tempo médio que os veículos, em geral, levaram para detectar o congestionamento; o tempo que levou para calcular a quantidade de veículos no congestionamento; a quantidade enviada de beacons; e o número de chamadas realizadas ao algoritmo para detecção do congestionamento. O método proposto se mostrou mais eficiente que o método original. Foram obtidas reduções de 25% no tempo que o último veículo descobriu o congestionamento; 17% no tempo médio para os veículos em geral perceberem o congestionamento; 82% no tempo que a raiz da árvore levou para somar o total de veículos no congestionamento; e até 4% menos chamadas ao algoritmo de verificar a existência de congestionamento foram feitas por cada veículo da rede. O método proposto neste artigo envia 5% mais pacotes pela rede. Entretanto, como os pacotes são todos de controle e não congestionam muito a rede, seu desempenho não foi afetado. Este trabalho está dividido em 7 seções. A seção 2 apresenta os trabalhos relacionados. A seção 3 descreve o método original, encontrado na literatura e usado como base para o método proposto, que está descrito na seção 4. A seção 5 traz detalhes das simulações realizadas, enquanto na seção 6 estão os resultados obtidos e as comparações realizadas. Na seção 7 estão as conclusões tiradas deste trabalho. 2. Trabalhos Relacionados Na estratégia proposta em [Knorr and Schreckenberg 2011], os veículos serão equipados com um aparelho de rádio e passarão a enviar mensagens (beacons) para os outros nós da 192

3 rede periodicamente, com informações sobre o veículo. A partir das mensagens recebidas, um veículo calcula e analisa quando e como é preciso que o motorista mude seu comportamento de condução. De acordo com as análises dos autores, mesmo com uma taxa de apenas 30% de penetração da tecnologia, o congestionamento praticamente desaparece. O sucesso da estratégia proposta, entretanto, depende das escolhas feitas pelos motoristas, que decidem se vão ou não mudar seu comportamento a partir das informações recebidas do sistema. Um trabalho que se assemelha ao [Knorr and Schreckenberg 2011] é o [Fukumoto et al. 2007], no qual os autores propõem um sistema de Comunicação Orientada a Conteúdos (Contents Oriented Communication - COCs). Neste sistema, os veículos estimam a densidade do tráfego com base em mensagens de consciência cooperativa (Cooperative Awareness Messages - CAMs), recebidas dos outros veículos da rede. Um veículo detecta, a partir das informações de densidade do tráfego de determinado local recebidas, situações de congestionamento, comparando as estimativas de densidade do tráfego da estrada com os valores de densidade média para esse mesmo trecho da estrada. Os autores mostraram, através de simulação, que os veículos conseguem detectar e localizar o congestionamento de forma acurada. COoperative Traffic congestion detection - CoTEC é a técnica proposta em [Bauza et al. 2010] e se baseia em comunicação V2V (Vehicle-to-Vehicle) e lógica fuzzy para detectar situações de congestionamento, sendo capaz de informar sua localização, extensão e intensidade. A CoTEC monitora as condições do tráfego como um todo através das mensagens (beacons) que os nós da rede (veículos) enviam randomicamente uns para os outros. Cada veículo monitora as condições locais do tráfego, e, através de lógica fuzzy, detecta uma condição de congestionamento local. Assim que uma condição de congestionamento local é detectada, ou seja, algum veículo estima um nível de congestionamento que ultrapassa um limiar predefinido, a CoTEC utiliza as informações locais coletadas por cada veículo para caracterizar o congestionamento como um todo. Outro trabalho que utiliza a troca de mensagens de estado entre os veículos é o [Lakas and Cheqfah 2009], no qual é proposto um sistema de comunicação veicular para detectar e dissipar congestionamentos através da disseminação de informações da estrada. Essas informações são obtidas de cada veículo, que estima um índice de congestionamento para cada trecho da estrada por onde ele passa, e compartilhadas com os outros veículos da rede. Um algoritmo de Dijkstra dinâmico é usado para computar rotas menos congestionadas para as quais desviar os veículos. As simulações dos autores mostraram que a comunicação entre os veículos pode contribuir bastante para dissipar os congestionamentos nas cidades de hoje em dia. O trabalho [Terroso-Saenz et al. 2012] é diferente dos outros. Os autores criaram uma arquitetura movida por eventos (Event-Driven Architecture - EDA) que funciona com base no processamento de eventos complexos (Complex Event Processing - CEP). A EDA fica nos veículos da rede e também em estações centrais e fica analisando a situação do tráfego. Quando ela encontra grupos de veículos com velocidades baixas, ela infere se aquilo é um congestionamento e, se sim, informa aos veículos da rede. Entretanto, esse sistema proposto não é tão bom, pois sua eficácia depende muito da penetração da tecnologia. Os autores pretendem, futuramente, melhorar o sistema para que ele seja eficaz mesmo com uma baixa penetração. 193

4 Usando as características das VANETs, os autores de [Mohandas et al. 2009] propõem uma abordagem inovadora para lidar com o congestionamento. Os autores notaram uma semelhança entre redes veiculares e redes de comunicação de dados, pois o congestionamento acontece quando a demanda supera a capacidade do caminho, e esse fato motivou-os a gerenciar o congestionamento de veículos usando um algoritmo de controle de congestionamento feito para o tráfego da Internet. Com o uso desse algoritmo, o número de veículos em uma via pode ser controlado para que não exceda a capacidade da via. Os resultados obtidos pelos autores, através de simulações, mostram que o algoritmo é capaz de lidar com o congestionamento de veículos controlando o tamanho da fila, quando o congestionamento é causado por tráfego que excede a capacidade da via. Os autores de [Fahmy and Ranasinghe 2008] propuseram uma alternativa aos sistemas existentes baseados em GPS, já que os mesmos não funcionam em todas as situações. Em vez do GPS, supõe-se que todos os veículos estarão equipados com aparelhos wireless e que cada nó (veículo) da rede tem um número id único. Cada nó envia mensagens (beacons) em intervalos randômicos e, a partir das mensagens recebidas dos vizinhos, o nó decide se está congestionado ou não. Assim que um nó decide que está em um congestionamento, o algoritmo de contagem é executado. Uma árvore onde os nós são os veículos no congestionamento é montada, mas, como na rede veicular a raiz não é conhecida, o algoritmo vai selecionar o nó com o maior id para ser a raiz. A seleção da raiz e a contagem são feitas ao mesmo tempo. Cada nó terá o total da sua subárvore, ou seja, as folhas terão contagem 1 e a raiz terá a contagem total. O congestionamento é inferido com base nas taxas de tempo de chegada e saída dos nós em determinada área. Com os resultados das simulações, os autores mostraram que a ideia proposta pode ser usada em situações reais para descobrir um congestionamento em formação e também para calcular o número de veículos envolvidos. Este trabalho é diferente dos citados, pois propõe um método de identificar um congestionamento de forma simples e mais eficiente que o método proposto em [Fahmy and Ranasinghe 2008], usado para comparação. Com pequenas alterações no método da literatura, foi possível obter melhoras significativas. 3. Método Original: Método da Árvore O método de detecção de congestionamento proposto em [Fahmy and Ranasinghe 2008] foi usado como base para este trabalho. Nele, os autores propuseram um método que monta uma árvore com os veículos envolvidos no congestionamento e consegue contálos. Considerando que todos os veículos têm um número de identificação único (id) e que estão equipados com aparelhos wireless, eles enviam beacons (mensagens de controle) em intervalos randômicos de 3 a 6 segundos. Cada veículo contém listas para guardar os vizinhos antigos e atuais. Sempre que um beacon é recebido, o veículo emissor é inserido nas listas de vizinhos do veículo. Um contador de congestionamento é acrescido de 1 sempre que, no intervalo de enviar um beacon, os vizinhos antigos do veículo estão na lista de atuais. Quando esse contador ultrapassa o limite de 40 intervalos de tempo, ou todos os vizinhos do veículo indicam congestionamento e o contador ultrapassa 2 intervalos de tempo, o veículo muda seu estado para congestionamento e o algoritmo de montar a árvore e somar os nós começa a ser executado. Os 40 ou 2 intervalos de tempo foram definidos pelos autores do trabalho 194

5 original como os mais adequados para identificar o congestionamento. Figura 1. Montagem da árvore Fonte: Elaborado pelos autores Quando o veículo recebe um beacon de um veículo com uma id maior que a dele para a raiz da árvore, ele muda seu parâmetro do id da raiz(rid) da árvore para o recebido e o seu parâmetro de id do pai(pid) para o id do veículo do qual ele recebeu o beacon. Dessa forma o veículo é anexado à árvore. Quando o veículo recebe um beacon vindo de um filho, ele atualiza seu parâmetro de total, somando o total recebido do filho. Assim vai até chegar na raiz da árvore, que saberá, então, o total de veículos no congestionamento. 4. Método Proposto: Método da Árvore Melhorado Algumas alterações no método original foram propostas para tentar melhorar sua eficiência e o resultado dessas alterações resultou no método proposto. A primeira alteração foi só chamar o algoritmo de descobrir o congestionamento se o veículo não está em um congestionamento. No método original, os veículos continuam executando esse algoritmo, mesmo quando já sabem que estão em um, o que leva a um processamento desnecessário. Com a alteração proposta, esse algoritmo só é executado quando necessário. Outra alteração proposta foi considerar as informações da maioria dos vizinhos, não de todos, para um veículo decidir seu estado. Essa alteração torna possível que os veículos se decidam pelo estado de congestionamento mais rapidamente, pois pode ser que dois veículos chegaram juntos a uma área congestionada, por exemplo. Os dois veículos novos, seguindo o método original, teriam que esperar todos os 40 intervalos de tempo antes de aceitarem o congestionamento, pois o veículo que chegou junto ainda não estaria indicando o congestionamento e, portanto, nem todos os vizinhos concordam, o que não permite que um veículo indique o congestionamento em apenas 2 intervalos de tempo. Com a alteração proposta, os dois veículos novos consideram as informações recebidas da maioria dos vizinhos, que indicam congestionamento, e, portanto, um vizinho 195

6 que não concorde não vai afetá-lo, o que torna possível que o veículo novo passe a indicar o congestionamento em apenas 2 intervalos de tempo. A última alteração proposta foi só considerar as informações de um beacon recebido quando seu veículo emissor também indica congestionamento. Essa alteração foi proposta para evitar o problema causado por uma raiz falsa. No método original, os veículos começam a executar o algoritmo de montar a árvore e somar os nós quando passam a indicar congestionamento. Entretanto, não há uma preocupação se os veículos que o veículo atual está anexando à árvore estão realmente no congestionamento, o que leva os veículos executando o algoritmo de montar a árvore a ficarem enganados com um veículo de id alto que apenas passa perto da via congestionada. A alteração proposta evita esse problema, pois se, e apenas se, um veículo indica congestionamento, ele é adicionado à árvore. Portanto, a raiz falsa (veículo de id alto que não participa do congestionamento, mas que entra no alcance de algum veículo no congestionamento) nunca é considerada a raiz da árvore quando os veículos seguem o método proposto. 5. Simulações Realizadas Para este trabalho foi criada uma rede simulada que segue dados reais do trânsito do centro de Belo Horizonte. A Figura 2 exibe o mapa usado para criar a rede. Os dados utilizados para criar o fluxo de veículos foram cedidos pela BH Trans [BHTrans 2013], que é a empresa responsável pelos transportes e pelo trânsito de Belo Horizonte. Figura 2. Mapa de Belo Horizonte utilizado para a rede Fonte: OpenStreetMap, 2013 Simulação foi a forma escolhida para testar os métodos implementados porque testes reais são caros e podem ser perigosos. Os simuladores usados para este trabalho 196

7 foram o SUMO (Simulation of Urban MObility) [SUMO 2012], que é o simulador de mobilidade; o OMNeT++ [OMNeT ], simulador de rede; e o Veins (Vehicle in network simulation) [Veins 2012], que é a plataforma de integração entre os dois simuladores. Como o fluxo de veículos segue dados reais do trânsito, os tempos de simulação foram variados para obter tamanhos diferentes de rede. Para uma rede com 61 veículos no total e 54 no congestionamento, o tempo de simulação foi de 10 minutos. A rede de 62 veículos ao todo e 54 no congestionamento também foram 10 minutos de simulação, com a adição de um veículo especialmente modificado que será explicado. Para 86 veículos ao todo, 75 no congestionamento, as simulações foram de 15 minutos. Com 20 minutos de simulação, a rede foi composta por 111 veículos ao todo, sendo 99 no congestionamento. O veículo especial inserido na rede de 62 veículos não participa do congestionamento, apenas passa em uma rua lateral a qual ele acontece e se conecta brevemente com os veículos no congestionamento. Esse veículo foi modificado para ter o maior número id da rede e foi inserido para testar os efeitos que uma raiz falsa, ou seja, um veículo com id alto suficiente para ser a raiz da árvore, mas que não participa do congestionamento, tem nos dois métodos testados. 6. Resultados Todos os resultados exibidos são os valores médios de 10 execuções do método original e 10 execuções do método proposto, ambos nas mesmas redes. Todos os resultados seguem um intervalo de 95% de confiança, sendo que o desvio padrão é apresentado nos gráficos. Figura 3. Instante no tempo que o último veículo percebeu o congestionamento Fonte: Dados da pesquisa O gráfico da Figura 3 exibe os instantes no tempo da simulação que o último veículo de cada tamanho de rede/método percebeu que estava em um congestionamento. O 197

8 tempo exibido no gráfico é o tempo desde que o veículo saiu da origem até chegar ao congestionamento e percebê-lo. Pelo gráfico, é possível ver que, dos veículos que chegaram por último à área congestionada, os que seguiam o método melhorado conseguiram perceber o congestionamento até 25% mais rapidamente que os veículos seguindo o método original. Isso se deve à alteração de considerar as informações apenas da maioria dos vizinhos, ou seja, os últimos veículos conseguem perceber o congestionamento em apenas 2 intervalos de tempo, enquanto que no método original isso nem sempre acontece. No gráfico da Figura 4 estão os tempos médios que os veículos precisaram, de fato, para perceber o congestionamento. Como é possível perceber, o método proposto foi novamente mais eficiente que o método original, devido à alteração de considerar as informações apenas da maioria dos vizinhos. Figura 4. Tempo médio para os veículos indicarem congestionamento Fonte: Dados da pesquisa A Figura 5 traz o gráfico com os instantes no tempo que a raiz verdadeira da árvore somou o total de veículos no congestionamento. Os veículos raiz seguindo o método proposto conseguem somar o total de veículos mais rapidamente, pois os veículos em geral descobriram o congestionamento de forma mais rápida e a raiz só pode somar os nós que indicam congestionamento. No caso da rede especial, a de 62 veículos, o veículo raiz seguindo o método original demorou consideravelmente mais tempo para somar o total de veículos, pois ele perdeu tempo acreditando que a raiz falsa era a verdadeira. Na Figura 6 estão as quantidades de beacons enviados. O método proposto envia mais beacons que o original, mas isso se deve ao fato de os veículos seguindo o método modificado perceberem o congestionamento mais cedo. No caso da rede de 62 veículos, no método original foram enviados mais beacons, pois a raiz verdadeira demorou mais tempo para perceber que era a raiz da árvore e somar os veículos, portanto o algoritmo de montar a árvore foi mais executado e a quantidade de beacons foi maior, visto que esse algoritmo faz o veículo enviar mais beacons de mudança de estado. 198

9 Figura 5. Instante no tempo que a raiz somou o total de veículos Fonte: Dados da pesquisa Figura 6. Quantidade de beacons enviados Fonte: Dados da pesquisa No gráfico da Figura 7 estão as chamadas que foram feitas ao algoritmo de descobrir o congestionamento. Devido à alteração de parar de chamar esse algoritmo quando o veículo já indica congestionamento, os veículos seguindo o método proposto realizaram muito menos chamadas. Os veículos que seguiam o método original continuaram as chamadas a esse algoritmo mesmo quando já indicam congestionamento, o que torna seu processamento maior. 199

10 Figura 7. Chamadas ao algoritmo de descobrir congestionamento Fonte: Dados da pesquisa 7. Conclusões Neste trabalho foi apresentado um novo método de detecção de congestionamento através de redes veiculares. Este método foi baseado no método proposto em [Fahmy and Ranasinghe 2008], o Método da Árvore, sendo que foram propostas alterações que visavam melhorar sua eficiência. Como foi possível perceber, este objetivo foi alcançado e o método resultante, o Método da Árvore Melhorado, obteve melhoras de 25% no tempo que o último veículo descobriu o congestionamento; 17% no tempo médio para os veículos em geral perceberem o congestionamento; 82% no tempo que a raiz da árvore levou para somar o total de veículos no congestionamento; e até 4% menos chamadas ao algoritmo de verificar a existência de congestionamento foram feitas por veículo. Com o método proposto, aproximadamente 26% mais pacotes foram enviados pela rede no pior caso. Entretanto, como isso se deve ao fato de que os veículos seguindo o método proposto descobrem o congestionamento mais cedo e que todos os pacotes enviados pelo método são de controle, que não congestionam muito a rede, o desempenho do Método da Árvore Melhorado não é afetado. Possíveis trabalhos futuros a este incluem: otimização no envio dos beacons, integração com técnicas de minimização de congestionamentos e avaliação de outros algoritmos. Referências Alves, R. S., Campbell, I. V., Couto, R. S., Campista, M. E. M., Moraes, I. M., Rubinstein, M. G., Costa, L. H. M. K., Duarte, O. C. M. B., and Abdalla, M. (2009). Redes veiculares: Princípios, aplicações e desafios. In 27 0 Simpósio Brasileiro de Redes de 200

11 Computadores e Sistemas Distribuídos, pages , Recife. Minicurso do Simpósio Brasileiro de Redes de Computadores SBRC Bauza, R., Gozalvez, J., and Sanchez-Soriano, J. (2010). Road traffic congestion detection through cooperative vehicle-to-vehicle communications. In Local Computer Networks (LCN), 2010 IEEE 35th Conference on, pages BHTrans (2013). Bhtrans. Disponível em: < br/portal/page/portal/portalpublico>. Acesso em: 21 nov Fahmy, M. F. and Ranasinghe, D. N. (2008). Discovering automobile congestion and volume using vanet s. In ITS Telecommunications, ITST th International Conference on, pages Fukumoto, J., Sirokane, N., Ishikawa, Y., Wada, T., Ohtsuki, K., and Okada, H. (2007). Analytic method for real-time traffic problems by using contents oriented communications in vanet. In Telecommunications, ITST 07. 7th International Conference on ITS, pages 1 6. Knorr, F. and Schreckenberg, M. (2011). Influence of inter-vehicle communication on peak hour traffic flow. PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICA- TIONS, 391(6): Lakas, A. and Cheqfah, M. (2009). Detection and dissipation of road traffic congestion using vehicular communication. In Microwave Symposium (MMS), 2009 Mediterrannean, pages 1 6. Liu, Y., Bi, J., and Yang, J. (2009). Research on Vehicular Ad Hoc Networks. In CCDC 2009: 21ST CHINESE CONTROL AND DECISION CONFERENCE, VOLS 1-6, PRO- CEEDINGS, pages NE Univ; IEEE Ind Elect Singapore Chapter; Guilin Univ Elect Technol; IEEE Control Syst Soc; IEEE Ind Elect Soc. 21st Chinese Control and Decision Conference, Guilin, PEOPLES R CHINA, JUN 17-19, Mohandas, B. K., Liscano, R., and Yang, O. W. W. (2009). Vehicle Traffic Congestion Management in Vehicular ad-hoc networks. In 2009 IEEE 34TH CONFERENCE ON LOCAL COMPUTER NETWORKS (LCN 2009), Conference on Local Computer Networks, pages BBN Technologies; Stadt Zurich; Kanton Zurich; Commun Syst Grp; Univ Turicensis. IEEE 34th Conference on Local Computer Networks, Zurich, SWITZERLAND, OCT 20-23, OMNeT++ (2012). Omnet++. Disponível em: < Acesso em: 08 set SUMO (2012). Sumo - simulation of urban mobility. Disponível em: < sourceforge.net>. Acesso em: 08 set Terroso-Saenz, F., Valdes-Vela, M., Sotomayor-Martinez, C., Toledo-Moreo, R., and Gomez-Skarmeta, A. F. (2012). A Cooperative Approach to Traffic Congestion Detection With Complex Event Processing and VANET. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, 13(2): Veins (2012). Veins - vehicles in network simulation. Disponível em: <http: //veins.car2x.org>. Acesso em: 08 set