异构网络融合场景下车联网的移动性管理和资源管理

摘要：针对异构网络融合场景下车联网的特点,研究了车联网中的移动性管理技术和资源管理技术。在介绍物联网及车联网基本概念的基础上,分析了车联网中异构网络融合的应用场景,通过研究车联网中的通信设备、通信形式、组网方式等,提出了车联网的网络架构。与一般异构网络相比,车联网中车辆移动速度快,造成车辆接入公共网络时频繁切换的问题,为此,研究了车联网中的移动性管理技术。车联网中通信设备以及通信形式的多样化带来了多样化的业务需求,针对不同优先级业务提出了车联网中基于优先级的资源管理技术,即在异构网络的资源管理中必须保证高优先级业务在资源分配、接入控制、网络选择等方面始终处于优先状态。     

一种车载服务的快速深度Q学习网络边云迁移策略

智能网联交通系统中车载用户的高速移动，不可避免地造成了数据在边缘服务器之间频繁迁移，产生了额外的通信回传时延，对边缘服务器的实时计算服务带来了巨大的挑战。为此，该文提出一种基于车辆运动轨迹的快速深度Q学习网络(DQN-TP)边云迁移策略，实现数据迁移的离线评估和在线决策。车载决策神经网络实时获取接入的边缘服务器网络状态和通信回传时延，根据车辆的运动轨迹进行虚拟机或任务迁移的决策，同时将实时的决策信息和获取的边缘服务器网络状态信息发送到云端的经验回放池中；评估神经网络在云端读取经验回放池中的相关信息进行网络参数的优化训练，定时更新车载决策神经网络的权值，实现在线决策的优化。最后仿真验证了所提算法与虚拟机迁移算法和任务迁移算法相比能有效地降低时延。     

一种面向车联网网络切片的资源分配方案

为了满足车联网中不同类型的应用对服务质量的不同需求，提出了一种基于深度强化学习的车联网资源分配方案。根据车联网服务对时延和数据传输速率的要求，把车联网服务分成两种切片方式。切片1是要求低时延的V2V链路的服务；切片2是要求高数据传输速率的V2I链路的服务。通过设计动作空间、状态空间、奖励函数，训练出一个可以在车联网动态环境下实时调整，给出当下最优资源分配策略的网络，使得设计出的网络能够在保证切片1时延约束的前提下提高切片2的数据传输速率，以解决基于V2V通信和V2I通信的车联网资源分配问题。     

基于北斗和边缘计算的车联网导航技术研究

随着车辆保有量的不断增长和车联网应用的普及,车辆终端会产生大量需要实时处理的数据消息。在车辆高速移动场景下,传统的车联网导航系统由于车辆差分定位数据存在传输时延,导致车辆定位结果存在一定的偏差,无法及时获得高精度定位结果。基于此,文中提出了一种基于北斗定位和边缘计算的车联网导航技术方案,采用改进的遗传算法进行终端定位请求的资源分配,有效降低整个边缘网络的服务时延,并利用基于边缘节点的优化无损卡尔曼滤波算法来提高车联网节点的定位精度。实验表明,文中所提出的方法能够为大规模车联网终端提供实时精准、低延迟和高精度的定位服务,具有较高的实际应用价值。     

面向5G的MEC系统关键技术

移动边缘计算(MEC)是未来5G移动通信系统提升服务应用能力的重要技术手段之一。通过在无线接入网络的边缘节点处部署具备计算、存储和通信能力的服务应用平台,MEC能够有效处理终端用户的高时效性业务需求,大幅度缩短端到端时延,并解决核心网络的数据流量瓶颈等相关问题。     

基于移动边缘计算的V2X任务卸载方案

移动边缘计算(MEC)通过在移动网络边缘提供IT服务环境和云计算能力带来高带宽、低时延优势,从而在下一代移动网络的研究中引起了广泛的关注。该文研究车载网络中车辆卸载请求任务时搜寻服务节点为其服务的匹配问题,构建一个基于MEC的卸载框架,任务既可以卸载到MEC服务器以车辆到基础设施(V2I)形式通信,也可以卸载到邻近车辆进行车辆到车辆(V2V)通信。考虑到资源有限性、异构性,任务多样性,建模该框架为组合拍卖模式,提出一种多轮顺序组合拍卖机制,由层次分析法(AHP)排序、任务投标、获胜者决策3个阶段组成。仿真结果表明,所提机制可以在时延和容量约束下,使请求车辆效益提高的同时最大化服务节点的效益。     

基于路径时延模型的车联网数据分发方案

针对车联网的容迟特性造成通信资源受限的问题,提出了满足副本抑制要求的数据分发方案.方案利用马尔可夫链,通过交通网络的车辆概率分布建立路段的期望传输时延,并结合车辆的轨迹与目标位置的匹配度确定车辆的转发优先级.车辆为转发的每个数据包插入转发参数字段并通过同步反馈机制确定最终的转发车辆,确保由优先级最高的车辆完成转发.考虑到链路的稳定性,还推导了当前丢包率前提下,车辆接收数据包与发送次数之比,避免不必要的发送尝试产生大量副本.实验结果显示,提出的方案与基于轨迹预测的算法相比,有效提高了网络吞吐量和时延性能.     

车联网中整合移动边缘计算与内容分发网络的移动性管理策略

由于车载应用的普及和车辆数量的增加,路边基础设施的物理资源有限,当大量车辆接入车联网时能耗与时延同时增加,通过整合内容分发网络(CDN)和移动边缘计算(MEC)的框架可以降低时延与能耗。在车联网中,车辆移动性对云服务的连续性提出了重大挑战。因此,该文提出了移动性管理(MM)来处理该问题。采用开销选择的动态信道分配(ODCA)算法避免乒乓效应且减少车辆在小区间的切换时间。采用基于路边单元(RSU)调度的合作博弈算法进行虚拟机迁移并开发基于学习的价格控制机制,以有效地处理MEC的计算资源。仿真结果表明,所提算法相比于现有的算法能够提高资源利用率且减少开销。     

基于车辆行为分析的智能车联网关键技术研究

车联网通信系统中通信节点的高移动性、移动行为的复杂性,使得此场景下通信业务呈现数据实时交互性强、空时分布不均、尺度多变、规律复杂的特征,导致传统的车联网网络部署、资源调配难以有效满足用户的差异化服务质量需求。因此,迫切需要设计“车-人-路-云”泛在互联的智能异构车联网网络,通过充分挖掘车辆行为数据的潜在价值,精准预测、刻画车辆行为的空时分布特性,以提升车联网资源利用率、改善车联网服务性能。该文全面梳理了国内外在车辆行为分析、网络部署与接入以及资源优化方面的相关工作,重点阐述了智能车联网关键使能技术,即如何借助先进的人工智能、数据分析技术,探索车联网中车辆行为的空时分布特性,建立车辆行为预测模型,进行智能化网络部署与多网接入、动态资源优化管理,实现高容量、高效率的智能车联网通信。     

优先级控制轮询在变电站通信网络中的应用

变电站通信网络是变电站实现综合自动化的前提,变电站内部设备可划分成3个层次,其中第二层的数据和控制信息传送到与远方调度中心通信的站级PC机,该过程属于计算机通信网络的范畴,针对变电站通信网络的这个特点,将两级优先级控制轮询系统用在变电站通信网络中。提出了在站级PC通信接口(主节点)采用完全服务的轮询方式,第二层设备通信接口内部的数据缓冲区(子节点)采用门限服务的轮询方式的新模型。完全服务的优先级比门限服务的高,对新模型进行了仿真和理论计算,得出新系统的平均时延和平均排队队长与负载之间的关系、平均时延和平均排队队长与子节点数之间的关系,这些参数对于提高变电站通信网络的性能至关重要。     

面向实时感知的车联网业务监控应用研究

基于车联网的数据实时采集和人车交互的基础是可靠的网络接入服务和良好的通信保证,为此文中研究了车联网中车辆接入车联网的通信可靠性保证策略和网络质量优化方法。首先,由于车辆节点的通信不稳定性和动态性,研究了动态的车联网网络质量评估方案。其次,这项工作研究了基于车辆轨迹的对车辆接入网络的数据交互时间预测算法,以应对车联网不稳定的网络拓扑和高断开率。最后,提出了一种实时通信质量感知的网络接入策略,用于为道路上的车辆提供车联网服务。仿真结果证明了该方案在不同的通信距离下具有相对较高的网络接入成功率和较好的通信质量。     

车联网云边协同计算场景下的多目标优化卸载决策

车联网场景下的计算任务对时延非常敏感,需要云边协同计算来满足这类需求。针对车联网云边协同计算场景下如何高效地进行服务卸载并同时考虑服务的卸载决策以及边缘服务器和云服务器的协同资源分配问题,设计了基于云边协同的车辆计算网络架构,在该架构下,车载终端、云服务器和边缘服务器都可以提供计算服务;通过对缓存任务进行分类并将缓存策略引入车联网场景,依次设计了缓存模型、时延模型、能耗模型、服务质量模型以及多目标优化问题模型;给出了一种基于改进的多目标优化免疫算法的卸载决策方案。最后,通过对比实验验证了所提卸载决策方案的有效性。     

车辆网络多平台卸载智能资源分配算法

为了降低计算任务的时延和系统的成本,移动边缘计算(MEC)被用于车辆网络,以进一步改善车辆服务。该文在考虑计算资源的情况下对车辆网络时延问题进行研究,提出一种多平台卸载智能资源分配算法,对计算资源进行分配,以提高下一代车辆网络的性能。该算法首先使用K临近(KNN)算法对计算任务的卸载平台(云计算、移动边缘计算、本地计算)进行选择,然后在考虑非本地计算资源分配和系统复杂性的情况下,使用强化学习方法,以有效解决使用移动边缘计算的车辆网络中的资源分配问题。仿真结果表明,与任务全部卸载到本地或MEC服务器等基准算法相比,提出的多平台卸载智能资源分配算法实现了时延成本的显著降低,平均可节省系统总成本达80%。     

机载多跳波分复用网络时间确定性分析方法

波分复用技术有望应用于航空电子系统的综合化互连,特别是传感器前端处理部分的实时网络互连。根据机载多跳波分复用网络的关键部件波长路由器的结构,对实时通信流量特性和优先级排队的服务特性进行建模,给出突发度、服务时延等参数指标的计算方法,并在高优先级时间触发流量的压力下,提出了在机载多跳波分复用网络中事件触发流量的最坏情况下,端到端延迟的网络演算方法;使用该方法计算得到的结果可以作为机载波分复用网络时间确定性分析的依据。将最坏情况下的分析结果与软件仿真结果相对比,发现两者变化规律相符,验证了该方法的有效性。     

基于数据块优先级的无线多跳Mesh网络数据分发算法

为了解决当前无线多跳Mesh网络数据分发算法大都使用Mesh-Pull分发策略,导致其传输性能较弱,以及较大的数据分发时延的不足,设计了基于数据块优先级的无线多跳Mesh网络数据分发算法。首先,基于Mesh-Pull方法,考虑其吞吐量与时延的干扰作用,定义了最优化择取机制,并引入数据块的优先级,确定网络中的待传输数据块的请求排序,并通过评估Mesh网络的带宽和SNR值,寻找出最优邻居节点。实验数据显示,与当前Mesh-Pull数据分发算法相比,该算法具有更低的网络时延与更高的吞吐量。     

5G车联网资源优化分配方案综述

车联网作为智慧交通发展的必要组成部分，可加快我国智慧交通基础建设，对于智慧城市建设具有重要的现实意义。汽车数量及其产生的海量数据使得通信车辆节点之间的传输冲突率大幅上升，导致通信资源、计算资源短缺等问题，因此，有效的资源分配方案可以保证车联网的通信质量，从而提高车辆通信的可靠性，降低时延。首先分析了国内外车联网对智慧交通发展现状的影响以及当前车联网发展瓶颈；然后针对智慧交通通行效率、安全性方面，分析了当前车联网的资源分配问题；接着通过总结5G技术的优点，分析了5G在车联网资源优化分配管理上的贡献；最后，在车联网通信、计算和存储资源优化分配管理的应用背景下，结合人工智能技术提出了基于5G+V2X的智慧交通发展前景。     

基于多优先级时延预留的接入控制机制

该文提出一种多优先级时延预留的呼叫接入控制机制,通过对不同的优先级业务采用不同的时延门限来控制业务的接入来保证网络服务质量(QoS)。仿真结果表明,该机制不但较好地提供了对高优先级业务的服务率,也保证了对低优先级业务的服务,同时网络利用率也相应得到了提高。     

车载边缘计算中多任务部分卸载方案研究

现有车载应用设备对时延有更严苛的要求,车载边缘计算(VEC)能够充分利用网络边缘设备,如路边单元(RSU)进行协作处理,可有效地降低时延。现有研究多假设RSU计算资源充足,可提供无限的服务,但实际其计算资源会随着所需处理任务数量的增加而受限,对时延敏感的车载应用造成限制。该文针对此问题,提出一种车载边缘计算中多任务部分卸载方案,该方案在充分利用RSU的计算资源条件下,考虑邻近车辆的剩余可用计算资源,以最小化总任务处理时延。首先在时延限制和资源约束下分配各任务在本地、RSU和邻近车辆的最优卸载决策变量比例,其次以最小处理时延为目的在一跳通信范围内选择合适的空闲车辆作为处理部分任务的邻近车辆。仿真结果表明所提车载边缘计算中多任务部分卸载方案相较现有方案能较好地降低时延。     

CRSN中基于随机网络演算的拥塞控制协议QoS边界分析

为了保证认知无线电传感器网络(CRSN)的服务质量(QoS),需精确求解所采用协议的性能边界,为此提出了一种基于随机网络演算(SNC)的QoS性能边界分析方法.以CRSN中的和式增加积式减少(AIMD)拥塞控制机制为评估对象,以通信时延和数据积压为QoS性能指标.根据CR资源传感器的发送速率分布,利用基于矩量母函数(MGF)的随机网络演算推导出AIMD机制的时延和积压边界模型.实验结果表明,不同CRSN场景中的模型计算值都在理论边界范围之内,证明了该边界分析模型具有良好的性能.     

一种基于聚合流的端到端统计时延界的新算法

为分析融合网络中聚合业务的端到端时延性能,提出一种基于聚合流的融合网络端到端统计时延界的新算法.该算法利用MGF(矩母函数)重新表征了网络端到端时延界的MGF形式的概率模型.数值分析结果表明了该算法的有效性和优越性,该算法很大程度上提高了独立统计复用,对融合网络性能评价具有参考意义.