基于虚拟分区的SUMO自适应分布式微观交通仿真框架

《Simulation Modelling Practice and Theory》：Adaptive distributed traffic simulation with virtual partitioning in SUMO

　　

微观交通仿真（microscopic traffic simulations）是智能交通系统（Intelligent Transportation Systems, ITS）和城市数字孪生（Digital Twins, DTs）的关键使能技术，可支撑战略规划以及近实时交通监测与优化。然而，在大规模场景下同时实现高保真与低时延仍具挑战，原因在于逐车辆动力学仿真的计算需求以及传统单体执行模型（monolithic execution models）的可扩展性有限。分布式与并行仿真方法提供了有前景的解决途径，但常受交通时空演化引起的工作负载不均衡（workload imbalance）影响，从而显著降低资源效率。本文提出一种基于虚拟网络分区（virtual network partitioning）的分布式交通仿真框架；其中并行仿真实例保持路网完整表示，仅主动仿真被分配的部分。该全副本设计（full-replica design）以更高的单节点内存换取低成本的运行时重构，进而支持一种自适应负载均衡机制（adaptive load-balancing mechanism）：该机制监测计算负载，并在不均衡超过可配置阈值时触发重分区。该架构保持跨不同仿真器的适用性与可移植性，同时作为SUMO微观交通仿真器的开源扩展实现并评估；SUMO原生不支持并行执行。在真实城市网络上的实验结果表明，研究人员构建的系统在小到中等部署中加速比超过2×，交通指标在轻微偏差范围内得以保持。此外，研究人员的研究表明，在交通分布不均条件下，自适应负载均衡可恢复原本会损失的并行优势，前提是其配置参数得到适当调优；这表明谨慎的参数选择对于在异构ITS场景中维持性能至关重要。

研究背景方面，城市人口集聚与城市化带来交通量增长和拥堵，进而造成出行延误、经济损失、燃料消耗与CO₂排放增加以及道路事故风险上升。智能交通系统（Intelligent Transportation Systems, ITS）通过信息通信技术与城市规划协同应对交通管理复杂性，数字孪生（Digital Twins, DTs）则通过融合实时感知数据支持离线战略管理与实时运行控制。交通仿真是安全、经济、可控地分析与优化交通网络的关键工具，可在部署前开展情景评估并支持快速响应。然而，城市尺度研究使微观仿真逐车辆计算的可扩展性问题凸显；介观与宏观仿真以精度换性能，分布式离散事件仿真（Distributed Discrete Event Simulation, DDES）将单次仿真划分为并发任务并交换信息以保持正确性，但当交通负载在分区之间分布不均时，过载分区会成为瓶颈并决定整体仿真节奏，从而削弱并行收益甚至接近单体架构的性能限制。因此，研究人员提出虚拟分区与全副本设计，以低运行时重构成本支持自适应重分区，并解决交通演化导致的工作负载不均衡问题。研究人员开展了面向SUMO的分布式并行交通仿真框架研究，使每个分区保存完整路网状态但仅主动仿真所分配子集，并以协调节点与工作节点构成逻辑上集中协调、执行上去中心化的架构；同时引入负载均衡器监测各分区计算负载并在线重分配网络边。研究结论表明，该系统在小到中等部署中可获得超过2×的加速比并保持交通指标至轻微且依赖网络规模的偏差；自适应负载均衡在参数适当调优时可恢复不均匀交通分布下原本损失的并行优势，说明参数选择对异构ITS场景中的性能维持至关重要。其重要意义在于，高保真微观仿真此前多局限于离线分析，而该框架有望在普通分布式基础设施上支持及时决策。
关键技术方法概括（不超过250字）：研究人员采用虚拟网络分区与全副本设计，使每个工作节点加载完整路网并仅激活所分配边；协调节点通过分区管理器使用METIS图分区套件（METIS）进行初始划分，并维护工作节点注册与通信端点。仿真线程基于SUMO的交通控制接口（Traffic Control Interface, TraCI）控制仿真，并利用TraCI订阅检测边界边车辆迁移；分区之间采用用户数据报协议（User Datagram Protocol, UDP）自定义消息进行同步与状态交换，并实现分片按序重组。负载均衡器周期性收集各边车辆数，在超过阈值时以车辆数加权调用METIS重分区，并在同步边界应用边归属更新与车辆迁移。实验使用曼哈顿A、B、C三类真实路网拓扑及SUMO randomTrips生成的10、20、30 veh/h/km合成交通需求；无样本队列来源。部署为五台虚拟机集群，含1个协调节点与4个工作节点，通过1 Gbps以太网和UDP通信；以单线程基线、2–4分区配置、十次重复运行评估总仿真时间、步时间、内存、累积分布函数（Cumulative Distribution Function, CDF）、Kolmogorov–Smirnov（KS）统计量、等待车辆与瞬移车辆（teleported vehicles），并开展balancer_pace敏感性分析。
研究结果方面：
5.1 实验设置：通过曼哈顿A、B、C网络在10、20、30 veh/h/km三种交通密度下开展5000仿真步、每配置十次重复的实验，并在五虚拟机集群上评估总仿真时间、步时间、内存、CDF/KS、等待车辆与瞬移车辆；该设置用于可重复地比较并行多分区与单线程基线。
5.2 系统验证：通过比较单线程基线与2–4分区并行仿真，得出总仿真时间随网络复杂度与密度增加而更显著降低，加速比可超过2×，但边际收益随分区数增加而趋于饱和；步时间下降主要来自每分区处理车辆数减少，通信时间低于25%且同步屏障等待占通信主要部分；内存随网络规模主增、受分区数与密度次之影响，协调节点约160 MB至300 MB以上、工作节点约50–100 MB；CDF与KS结果表明分布总体一致，网络C在更大更密场景偏差更明显，KS峰值达0.1529，等待车辆均为0，瞬移车辆随网络规模、密度和分区数增加，网络C最高近4%。
5.3 负载均衡机制：通过将交通需求集中于特定区域的两分区实验，得出无负载均衡时一个分区处理车辆数超过另一分区两倍，慢分区经同步屏障拖累全局并使步时间超过单线程基线；启用负载均衡（balancer_pace=500、balancer_threshold=0.20）后，负载均衡器在仿真步1000检测不平衡并触发重分区，负载快速收敛且步时间低于基线；参数敏感性分析表明，较低balancer_pace导致高频监测与同步开销，使系统慢于无负载均衡基线，较高值减少开销但降低响应性并带来净收益，且净收益出现阈值随交通密度增加而降低；汇总统计显示，随balancer_pace增大，重分区事件减少、重分区前不平衡增大、重分区后不平衡总体降低而平均重分配边数增加。
5.4 讨论：通过综合评估，得出并行收益强依赖网络特征，大而密网络受益更大，小网络通信开销可能超过每分区计算减少；分区数增加使边界/内部链接比与跨边界车辆迁移频率上升，同步屏障每步强制导致通信成本随分区数增长，从而形成可扩展性上限；全副本使每节点内存主要随网络规模而非分区数变化，添加节点不能缓解该内存成本，但实测内存对边缘部署仍属适中；UDP覆盖层假设无损链路，单包丢失会静默丢弃其逻辑消息状态；参数需依据网络规模、密度与通信基础设施调优。
讨论部分总结：讨论部分强调，系统通过并行执行降低总仿真时间，但通信与同步开销决定性能边界；负载均衡通过运行时重分区缓解动态交通导致的不平衡，其效果由balancer_pace与balancer_threshold控制，前者影响响应性与开销，后者影响重分区频率与重构开销。全副本设计以内存换低重构成本，使每节点内存随网络规模增长；UDP原型面向专用本地或边缘基础设施，需未来加入选择性重传或冗余以应对有损链路。参数不能静态统一选择，需针对网络规模、交通密度与通信条件进行调优，可考虑解析估计或基于重复仿真的迭代优化。
研究结论翻译：本研究通过提出一种分布式并行执行框架，解决微观交通仿真的可扩展性挑战；该框架利用虚拟分区技术将仿真路网分解为可在多个计算节点上并发处理的组件。由此带来的低重构成本支持动态负载均衡机制，该机制在运行时调整分区边界，维持均衡工作负载并防止原本会抵消并行执行收益的瓶颈。中等规模部署的实验结果表明，所提出的架构在先进SUMO仿真器之上实现后，可显著减少仿真时间，同时将交通指标保持在依赖网络规模的轻微偏差范围内。这些结果在确定运行区间内成立，该区间受参数适当调优、每节点内存随网络规模增长以及逐步限制可实现加速比的同步开销所界定。在该区间内，结果表明，高保真微观仿真此前主要局限于离线分析，而该框架可使其在普通分布式基础设施上服务于及时决策。未来工作可扩展框架以支持弹性伸缩，通过在运行时动态调整参与节点数与仿真分区数；启用动态节点准入可使系统适应过载条件，而允许创建或移除分区可提高对变化交通密度与网络条件的响应性。补充方向包括增强UDP通信层，面向更有损链路部署加入选择性重传或冗余。文末作者：Alessandro Calvio|Andrea Sabbioni|Armir Bujari|Luca Foschini。