车联网信道特性综述

信道建模是设计无线通信系统的基础,为设计智慧交通系统,必须对车联网(vehicle to everything,V2X)信道进行深入研究.文中首先总结了 V2X标准化信道的特点,讨论了天线设置、非平稳特性以及毫米波对V2X信道的影响;然后对车与车(vehicle to vehicle,V2V)信道参数进行了描述,并分析...     

离散时间系统中的噪声辅助信号传输

 基于一种平均信噪比讨论了离散时间系统中的三种典型噪声辅助信号传输的问题.仿真得到:当输入周期信号在阈下时,噪声能辅助信号的传输,随机谐振现象存在.存在一个噪声强度范围,其间系统的输出平均信噪比大于其输入平均信噪比,即输出输入平均信噪比增益大于1.随机谐振的功效随着系统阈值的增加,或噪声概率密度函数的拖尾变厚、零均值周边脉冲变窄而降低.这些结果同样说明了离散时间系统中随机谐振的复杂性,它的存在和功效也依赖于系统性能的测度和噪声类型.这些结果拓广了随机谐振在数字信号处理中的应用.     

基于车路协同的车联网体系架构及关键技术分析

梳理车联网的发展,单车智能的不足映衬出车路协同的必然性.比较国内外车联网发展的两条技术路线:DSRC(专用短程通信)与C-V2X(蜂窝车联网),得出C-V2X更具有优势.剖析基于车路协同的C-V2X的"端边云用"四层架构,分析每层的构成及功能.归纳基于车路协同的车联网的关键技术,包括交通状况的全面感知、亚米级甚至厘米级...     

基于射线跟踪的车联网毫米波信道准平稳区间研究

针对28 GHz车联网中车对基础设施（Vehicle-to-Infrastructure,V2I）毫米波信道,开展了准平稳区间的研究.首先,分析了信道准平稳区间的理论基础和计算方法.其次,利用功率相关（Correlation of Power,CP）算法和谱散度（Spectral Divergence,SD）算法进行准平稳区间的计算.结果表明,CP算法复杂度低且精度较高,更适合用于计算V2I通信场景下的准平稳区间.最后,利用CP算法计算出的准平稳区间作为新的采样间隔,从而减少了射线跟踪仿真器的采样点数.通过原始采样和减少采样点后的信道特性的比较,在合理的门限值下,利用信道准平稳区间的方法加速了射线跟踪仿真器,并且不会造成信道参数的失真.另外,对于信道特性的分析结果也对车联网在毫米波频段的仿真和设计具有重要意义.     

一种基于网络切片的车联网联合资源分配算法

针对V2I下行链路不同文件传输的差异化服务质量需求问题,提出了一种基于网络切片的联合资源分配算法。该算法以优化系统车辆下载文件平均时延为目标,通过将优化问题拆解为通信资源分配优化子问题和缓存资源分配与文件放置选择优化子问题进行单独求解,再结合两步迭代算法获得一个较好的次优解。仿真结果表明,该算法在满足文件最低性能要求下有效地降低系统车辆下载文件的平均时延。     

面向C-V2I的基于边缘计算的智能信道估计

车联网对于超高可靠与低时延通信(Ultra-Reliable and Low Latency Communications,URLLC)具有严格的要求,特别对于车到基础设施(Vehicle to Infrastructure,V2I)场景,URLLC对传输管理交通状况至关重要.3GPP Cel-lular-V2X(C-...     

车联网V2I场景下基于GNN的SC-FDMA智能信道估计

随着车联网的迅猛发展,车对路基础设施（Vehicle to Infrastructure,V2I）通信对车联网的可靠性和时延提出了更高的要求,而信道估计是接收机高可靠低时延通信的重要保障.为解决传统信道插值算法不能有效拟合V2I信道快时变特性、自适应多普勒频移能力弱和传统神经网络可解释性不强的问题,本文提出基于图神经网络（Graph Neural Network,GNN）的单载波频分多址（Single Carrier-Frequency Division Multiple Access,SC-FDMA）智能信道估计算法.该算法将信道频率响应中的数据点作为图的节点、符号间时域相关性作为边,将图化后的数据送入GraphSAGE信道插值器（GraphSAGE Channel Interpolator,GCI）中,通过边更新、聚合操作、节点更新三大模块进行网络训练,同时采用多普勒频移矢量作为节点特征控制网络拟合不同多普勒条件的信道,使得网络具备可解释性.最后,系统仿真验证了在不同速度环境下算法的有效性和鲁棒性,较线性插值、样条插值以及全连接网络,本文所提GCI在低、中和高速移动环境下具有最优的...     

两种隧道场景下车对车无线信道衰落特性的测量与分析

针对车-车(vehicle to rechicle,V2V)通信系统对无线电信道衰落特性和模型的需求,分别在两种隧道场景中5.9 GHz和5.2 GHz频段下进行了 V2V无线电信道测量活动,并对隧道外、隧道内和两者之间的连接部分场景进行了小尺度衰落特性分析.基于近距离(close-in,CI)对数模型和ABG(α-β...     

基于时间门方法的随机耦合模型在复杂腔体电磁预测中的应用

利用随机耦合模型(random coupling model,RCM)预测复杂腔体电磁效应时,通常要通过测量辐射阻抗来实现,但实验过程中满足混沌腔体以及耦合通道的腔体加工、实验过程模拟等条件要求较高,且实验步骤繁琐.为了克服上述问题,文中采用时间门方法(time gating method,TGM),通过对散射参数进行...     

认知无线电网络中次用户平均吞吐量的优化

协作频谱感知的认知无线电网络中,已有研究表明增加参与协作频谱感知的次用户数量能够提高感知性能,进而提高信道吞吐量。然而,由于信道容量的限制,不断增加参与协作感知的次用户数量并不会使信道吞吐量无限提高,反而会使次用户平均可获得的吞吐量不断降低。针对上述问题,该文以次用户平均吞吐量为优化目标,证明多信道条件下,对于任意给定的融合参数,次用户的平均吞吐量是感知时间的凸函数,并提出交叉迭代算法进行2维优化。仿真结果表明,当信噪比为-10 dB时,次用户使用交叉迭代算法获得的平均吞吐量较已有算法可提高20%以上。     

车联网中基于NOMA-MEC的卸载策略研究

随着车联网(IoV)的迅猛发展,请求进行任务卸载的汽车终端用户也逐渐增长,而基于移动边缘计算(MEC)的通信网络能够有效地解决任务卸载在上行传输时延较高的挑战,但是该网络模型同时也面临着信道资源不足的问题。该文引入的非正交多址(NOMA)技术相较于正交多址(OMA)能够在相同的信道资源条件下为更多的用户提供任务卸载,同时考虑到任务卸载过程中多方面的影响因子,提出了混合NOMA-MEC卸载策略。该文设计了一种基于深度学习网络(DQN)的博弈算法,帮助车辆用户进行信道选择,并通过神经网络多次迭代学习,为用户提供最优的功率分配策略。仿真结果表明,该文所提出的混合NOMA-MEC卸载策略能够有效地优化多用户卸载的时延以及能耗,最大限度保证用户效益。     

车联网中基于NOMA-MEC的卸载策略研究

随着车联网(IoV)的迅猛发展,请求进行任务卸载的汽车终端用户也逐渐增长,而基于移动边缘计算(MEC)的通信网络能够有效地解决任务卸载在上行传输时延较高的挑战,但是该网络模型同时也面临着信道资源不足的问题。该文引入的非正交多址(NOMA)技术相较于正交多址(OMA)能够在相同的信道资源条件下为更多的用户提供任务卸载,同...     

车联网中可证安全的分布式匿名高效边缘认证协议

针对当前车联网(IoV)中的分布式认证协议直接依赖于半可信路边单元(RSU)的问题,该文提出一种新的分布式认证模型。该模型中的RSU通过3阶段广播自发建立边缘认证区,利用区域内的RSU同步保存车辆的认证记录,RSU可以通过校验节点同步保存的认证记录来防止恶意RSU的异常认证行为。然后,利用切比雪夫混沌映射设计了IoV中的分布式匿名认证协议,通过车辆发送消息不直接携带身份信息的方式来避免假名机制所带来的存储负担。最后,利用随机预言机对协议安全性进行了证明。仿真结果表明所提方案具有更低的认证时延和通信成本。     

车联网场景下基于内容中心网络的优化缓存策略

车联网中,如何有效选择缓存位置和缓存内容对于提高整体网络性能至关重要。针对上述问题,引入了内容中心网络技术,提出了一种新的优化缓存策略——缓存位置和缓存内容的选择取决于车辆节点值和内容流行度(Vehicle Node Value and Content Popularity,VNVCP)。首先,定义了连通性、中间中心性和特征向量中心性3个车辆节点属性用来评估车辆节点的值,具有不同值的车辆节点缓存具有不同流行度的内容,内容的重要性由其受欢迎程度决定。其次,该策略利用不同类型内容受欢迎程度的差异确保缓存内容分布均匀,同时评估来自多个属性的车辆节点的值以提高车辆节点利用率。仿真结果表明,VNVCP在缓存命中率、平均跳数和传输延迟方面明显优于传统的LCE(Leave Copy Every where)、Prob(0.5)和MPC(Most Popular Content)。     

基于GRU和LSTM组合模型的车联网信道分配方法

针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle, V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit, GRU)和长短期记忆网络(Long Short-Term Memory, LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure, V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。     

车联网环境下无证书匿名认证方案

通过信息共享,车联网(IoV)为车辆提供各种应用,以提高道路安全和交通效率。然而,车辆之间的公开通信导致了车辆隐私泄露和各种攻击。因而,安全且保护隐私的信息共享方法是非常必要的,并且对车辆间通信的安全性和保密性提出了更高的要求,所以该文提出了一种支持批量验证的非线性对的无证书匿名认证方案。在该方案中,首先,采用无证书签名机制避免了证书管理和密钥托管问题;其次结合区域管理局生成的长期伪身份和自己生成的短期伪身份保证车辆的强匿名性和签名的新鲜性,避免路侧单元计算伪身份造成的身份泄露和时延;再次,采用无对的聚合签名提供批验证,减少车联网环境中路侧单元的计算量;最后,当发生恶意事件时,区域管理局可以追踪车辆的真实身份并由可信中心撤销该用户。安全性证明和分析表明,该方案具有高的安全性,并满足完整性、可追踪性、匿名性、可撤销性等安全要求。将该方案与现有的方案进行了比较,效率分析表明该方案更有效。     

Data-centric approaches in the Internet of Vehicles: A systematic review on techniques,open issues,and future directions

The Internet of Vehicles (IoV) is an emerging network of connected vehicles as a branch of dynamic objects in the Internet of Things (IoT) ecosystem. With the rapid development of IoV, real-time data-centric applications would be a significant concern in academia and industry to promote efficiency and realize modern services in such high dynamic networks. In this paper, we aim to present a systematic literature review (SLR) for the IoV networks to investigate the different attitudes in the field of data-centric approaches. This paper systematically categorizes the 48 recent articles on data-driven techniques in the IoV field published from 2017 to March 2022. A complete technical taxonomy is presented for the data-centric approaches in IoV according to the content of current studies. Collected methods are chosen with the SLR process, and they are investigated considering some technical classifications including IoV security, data traffic, vehicular social network, data propagation, energy, and multimedia categories. The achievements, drawbacks, and new findings of studies are carefully investigated for addressing the deficiencies, as well as emphasizing future research direction and open issues of data-driven approaches in IoV.     

车联网中基于BP神经网络的智能协同频谱感知算法

针对传统信噪比加权频谱感知方法在车联网(Internet of Vehicles,IoV)环境中受噪声影响较大、感知准确率较低的问题,提出了一种基于反向传播(Back Propagation,BP)神经网络的IoV协同频谱感知(Cooperative Spectrum Sensing based on BP Neura...     

车联网中基于网络编码的优先级信息分发方案

车联网中信息的共享尤其是紧急信息的分发至关重要。然而,传统的广播方式易引起网络风暴,导致信息传输时延高,预警效果差。为了实现海量信息的共享以及紧急信息的快速分发,提出了一种基于优先级的信息网络编码算法（Priority-based Information Network Coding Algorithm,PINCA）,根据信息类别确定优先级别,优先对高优先级数据包进行线性网络编码与传输。仿真结果表明,相同仿真环境下,采用所提的PINCA时,紧急信息传输时延比现有传输方案下的时延减小了至少23.494 4 ms,同时算法的时间复杂度也低于现有方案,可应用于路边设备稀疏的车联网系统中。