覆蓋演算法和貪婪演算法的路側單元選取

在這一節，我們會比較在先前章節所提及，我們藉由覆蓋問題所提出得覆蓋 演算法和單純使用貪婪解法。其中貪婪演算法會依序對於各個使用者所需經過的 路口，去尋找最近並且沒有時間衝突的路側單元來提供服務。我們會去比較在有 限路側單元數目下，其各個演算法的路側單元集合找尋成功率，之後再依照選取 出來得路側單元集合來做網路的模擬，進而比較不同的路側單元集合提供的影像 服務品質。

第一項 影像服務的成功率

在這一節，我們在 1000*2000 的範圍下，根據不同的路側單元數目，隨機生 成 100 次的路側單元分佈，比較在不同的影像撥放截止時間門檻值和不同數量的 使用者的情形下，並且對於使用者路徑上的每一段路，都去尋找兩個路側單元來 服務使用者(K=2)，其演算法可以找到一組完整路側單元集合的成功比例。在此 實驗中，各個使用者其各自的未來路徑是不變的，並且各個使用者的旅程起始時 間是相同的，只有路側單元得分佈會改變，而實驗結果是根據不同數目的路側單

元，在 100 次的隨機分佈中，比較演算法可以找到一組完整的路側單元集合的次 數比例。實驗結果的成功比例越高，代表演算法在其有限數目下的路側單元是較 容易找到一組完整的路側單元，使得系統可以為更多的使用者提供影像服務。

如 Figure 24 所示，隨著路側單元數量的增加，其我們提出的覆蓋演算法和 貪婪演算法的執行成功比例都會上升，又覆蓋演算法得上升幅度較快，故可以知 道，覆蓋演算法在相同數目的路側單元情形下，根據不同路側單元的分佈，其系 統可以較穩定的提供影像服務。若是演算法的執行比例為 1，即代表演算法在 100 次的路側單元分佈中，可以找到 100 次的完整路側單元集合，如路側單元為 10 的情形。若是找不到一組完整的路側單元集合，即代表使用者在其未來路徑上，

找不到一定數量的無時間衝突路側單元來提供影像服務，使得系統提供的影像品 質較差或是無法服務。

Figure 24 Success ratio for different algorithm in 0.25 deadline

那根據 Figure 24 和 Figure 25、Figure 26，可以知道隨著撥放截止時間的上 升，使得路側單元可以服務得路口範圍變得更廣，兩個演算法都變成只需要較少 路側單元即可以到達較高的成功比例。並且如圖所示，覆蓋演算法的成功比例都 會比貪婪演算法的成功比例來的好。

Figure 25 Success ratio for different algorithm in 0.3 deadline

Figure 26 Success ratio for different algorithm in 0.35 deadline

Figure 27 所示，隨著較多的使用者加入，其所需服務的路口也會越來越多，

更容易會有路口沒有無時間衝突的路側單元來服務，使得兩個演算法的成功比例 都會下降。透過數據可以知道覆蓋演算法的成功比例依然會比貪婪演算法的成功 比例來得好，並且我們可以知道，覆蓋演算法和貪婪演算法相比，覆蓋演算法在 相同數目的路側單元下，可以提供更多使用者的影像串流服務。

Figure 27 Success ratio for different algorithm in 0.3 deadline

第二項 規劃路側單元傳送多路徑影像模擬結果

我 們 根 據 1000*2000 的 範 圍 ， 透 過 先 前 章 節 所 提 出 的 覆 蓋 演 算 法 (RSU-Scheduling)和貪婪演算法(RSU-Greedy)求得的結果，來透過 NS2 來做網路 模擬。傳送的影像是 highway，其 PSNR 得上限為 38.019014，每秒得框架數為 30 張。透過不同的使用者數量，不同的車流密度，來比較此兩種演算法對網路 傳輸影像的影響，參數如 Table 3 所示，其中路由協定的 α 和 β 都是 0.5。

Table 3 Simulation parameter with different RSU selection algorithm

覆蓋演算法求得的路側單元集合中，因為是根據使用者的順序去做路側單元 的選取，尋找的順序越高，其求出的路側單元集合也越完整，並且平均路側單元 到各個路口的距離也會較近；反之則較易找不到無時間衝突的路側單元來負責，

容易無完整的路側單元來服務，並且平均路側單元到路口的距離較長。

在車流密度 300 台車下，是相對較稀疏的車流密度環境。在 Figure 28 中，

系統中各個使用者所需的串流路徑為 2(K=2)。在貪婪演算法求得的路側單元集

合中，使用者 1 會有平均較短距離的路側單元集合來服務，使用者 2 的部分路口 會無路側單元所服務，在使用者 2 的旅程中，其中有一部分旅程是只有單一路徑 來做服務的(K=1)。如 Figure 28 所示，因為使用者 1 透過貪婪演算法求出的路側 單元集合有較短的平均距離，距離和封包遺失率成正比，使得影像更有機會被還 原成原來的原始影像，故使用者 1 透過貪婪演算法所求的路側單元集合，其影像 服務的 PSNR 會較覆蓋演算法好。而圖中使用者 2 的部分，因為使用者在貪婪演 算法求得的結果，會有部分服務是單一路徑傳遞的，封包成功抵達率會較低，故 PSNR 值會稍微比覆蓋演算法來得差。

Figure 28 PSNR with different RSUs set in sparse environment

Figure 29，跟上圖所用的設置是一樣的，只是車間密度相對較密集。使用者 1 依然是貪婪演算法的 PSNR 值較好一點。但是在使用者 2 時，其因為有一小段 路是單一路徑串流傳輸，故其覆蓋演算法的 PSNR 會較貪婪演算法來的好。

Figure 29 PSNR with different RSUs set in dense environment

在接下來的實驗，我們是使用三個使用者要求我們提出的系統作服務，透過 更多的使用者使用我們提出的系統，來比較多個使用者在我們系統的可行性。如 Figure 30 所示，我們在車流相對較稀疏的車流密度來比較透過貪婪演算法和覆 蓋演算法所求出的路側單元集合。其中貪婪演算法在使用者 3 時會有部分使用者 的路口其無法找到無時間衝突的路側單元做服務。

圖中使用者 1 的貪婪演算法的 PSNR 會較覆蓋演算法來的好一點。而使用者 2 方面和使用者 3 方面，則是覆蓋演算法的 PSNR 值較好。因為覆蓋演算法，是 由整個路口的觀點來看，所以最大的路口集合交集，並不會坐落在特定的使用者 路口上，所以各個使用者之間的 PSNR 值，主要是根據其道路是否有路徑，和網 路拓樸有關，跟演算法找出的結果沒相關的關係。貪婪演算法是根據各個使用者 的路口，依序去找最近且無時間衝突的路側單元，故隨著使用者的順序下降，其 使用者的影像觀賞品質會和和下降。

Figure 30 PSNR with different RSUs set in sparse environment

Figure 31 是在有較高車流密度環境下，所模擬出來的結果，其趨勢和上圖 相同。和上圖相比，其因為較容易有路徑可以傳遞，其系統中不同使用者的 PSNR 值都有上升。又因為貪婪演算法在使用者 3 找不到完整的路側單元集合，故其 PSNR 會較差。

Figure 31 PSNR with different RSUs set in dense environment

由上面的實驗可以歸納出，因為我們提出的覆蓋演算法，其所需的路側單元 數較少，故被保留下來的無服務路側單元，可以為更多使用者所服務。又覆蓋演 算法所選出得路側單元集合，和使用者的優先順序無關，只會和網路拓樸有關係，

並且透過多路徑的封包傳遞，使得在車載網路下傳遞影像的封包成功傳遞率會上 升。故透過多路徑備份傳遞的方式，使得使用者在對串流做解碼時，會得到較高 品質的影像。