基于LTE-V车辆密集场景的车联网资源分配算法

LTE-V可以为车辆提供可靠、高效的通信能力.在LTE-V中,车辆用户(VehicleUserEquipment,VUE)有集中式(Mode 3)和分布式(Mode 4)两种通信模式.针对密集场景中两种模式由于VUE数目过多产生的数据包碰撞问题,本文依据通信时延、距离等指标对车联网应用进行划分,提出一种车辆自主调度算法...     

LTE-V2X协议栈开发及通信测试

目前推出的V2X通信技术相关标准中存在技术要求细节不够明确等问题, 导致车联网通信终端产品存在差异, 通信协议栈之间不能实现全面互联互通. 针对这一问题, 通过分析LTE-V2X协议栈的性能要求及总体分层, 提出了LTE-V2X协议栈的软硬件解决方案并完善协议栈各层设计细节, 完成消息数据填充与编解码、构建各层数据帧并设计逐层封装机制. 在此基础上, 基于真实道路场景对协议栈进行通信性能测试, 测试结果显示该协议栈满足设计要求, 符合协议栈顶层应用规范.     

基于数字签名的车联网安全体系研究

车联网以智能网联汽车为信息交互感知主体,通过建立车-云-路-人消息互联传输体系,实现智慧交通智能管理、高效控制和及时调度.然而非法网络入侵与攻击导致车联网多通信场景存在安全隐患,为了解决通信各端身份识别问题和复杂通信场景下消息安全传输机制,身份认证技术成为车联网安全体系的重要保障.综述了国内外车联网研究现状和成果,说明...     

车联网中自适应联合计算卸载资源分配算法

为降低车联网(C-V2 X)中计算任务的时延与能耗,提出一种自适应的联合计算卸载资源分配算法.考虑多因素,多平台(本地计算、云计算、移动边缘计算(MEC)、空闲车辆计算)卸载,将计算卸载决策和资源分配建模为多约束优化问题.在粒子群算法基础上,提出粒子矩阵编码方式,联合优化车辆卸载决策、各平台任务卸载比例、MEC资源分配.提出粒子修正算法,结合罚函数法,解决多约束优化问题.仿真结果表明,与其它算法相比,该算法能在满足最大容忍时延的同时,最小化系统总成本.     

C‑V2X车联网中基于模拟退火算法的任务卸载与资源分配

网联车辆节点产生的不同属性的大数据流量计算任务进行传输并卸载时,通常引起通信系统中时延抖动、计算能耗与系统开销大等问题,因此,根据实际通信环境,提出一种C-V2X车联网（IoV）中基于模拟退火算法（SAA）的任务卸载与资源分配方案。首先,根据任务处理优先程度,对处理优先程度较高的任务进行协同卸载计算处理;其次,通过全局搜索最优卸载比例因子的方式,制定了一种基于SAA的任务卸载策略,且分析并优化了任务卸载比例因子;最后,在任务卸载比例因子更新过程中,将系统开销最小化问题转化为功率和计算资源分配凸优化问题,并利用拉格朗日乘子法获取最优解。通过对所提算法与本地卸载、自适应遗传算法等作比较可知,随着计算任务的数据量不断增加,自适应遗传算法比本地卸载的时延、能耗、系统开销分别降低了5.97%、49.40%、49.36%,在此基础上基于SAA的方案较自适应遗传算法的时延、能耗、系统开销再降低了6.35%、92.27%、91.7%;随着计算任务CPU周期数不断增加,自适应遗传算法比本地卸载的时延、能耗、系统开销分别降低了16.4%、49.58%、49.23%,在此基础上基于SAA的方案较自适应遗传算法的时延、能耗、系统开销再降低了19.61%、94.39%、89.88%。实验结果表明,SAA不仅能降低通信系统时延、能耗及系统开销,还可以使结果加速收敛。     

部分CSI下C-V2X资源分配算法研究

针对蜂窝车联网（C-V2X）环境中,车辆高速移动导致无法获取完备信道状态信息（channel state information,CSI）,干扰车辆复用蜂窝网络资源的问题。在已知部分CSI下,在满足车辆到设施（vehicle to infrastructure,V2I）和车辆到车辆（vehicle to vehicle,V2V）的可靠性约束的条件下,研究最大化系统遍历总速率的资源分配优化问题,提出联合功率控制和信道复用的资源分配算法。该算法根据可靠性约束,使用几何规划分析功率可行域,求出任意单个复用对的最优功率控制。该算法将信道复用转换为最大权重二分图匹配问题,将复用对的遍历速率作为二分图的权重,并使用KM（Kuhn Munkres）算法进行求解。仿真结果表明,所提资源分配算法较其他算法,可以在保证车辆可靠通信下,优化资源分配,有效控制干扰,并提高系统遍历总速率。     

V2V通信中基于超图理论的资源分配算法

在基于LTE-V2V下密集的车辆通信网络中,车辆在每个传输周期中向邻域广播安全消息,为提高车辆传输数据的可靠性,提出基于超图理论的资源分配算法。基站执行半静态资源调度减轻负载,每次调度主要有3个部分组成:为减轻频率复用带来的累积干扰,根据超图理论构建干扰超图;为避免半双工约束导致的数据包丢失,通过二重着色原理进一步改进干扰超图;为使信道资源得到充分的利用,提出基于超图的二重着色算法。实验结果表明,该算法可以有效提高数据传输的可靠性。     

基于SAC强化学习的车联网频谱资源动态分配

针对车联网频谱资源稀缺问题,提出一种基于柔性致动-评价（SAC）强化学习算法的多智能体频谱资源动态分配方案。以最大化信道总容量与载荷成功交付率为目标,建立车辆-车辆（V2V）链路频谱资源分配模型。将每条V2V链路作为单个智能体,构建多智能体马尔科夫决策过程模型。利用SAC强化学习算法设计神经网络,通过最大化熵与累计奖励和以训练智能体,使得V2V链路经过不断学习优化频谱资源分配。仿真结果表明,与基于深度Q网络和深度确定性策略梯度的频谱资源分配方案相比,该方案可以更高效地完成车联网链路之间的频谱共享任务,且信道传输速率和载荷成功交付率更高。     

Design of Semipersistent Resource Allocation in LTE-V Network

Radio network access technology currently used in 4G/5G is Long Term Evolution-Advanced (LTE-A), which was developed by 3rd Generation Partnership Project (3GPP). Device-to-device (D2D) communication is a technology enabling direct communications among wireless devices without forwarding through an evolved Node B (eNB). Moreover, D2D transmission can support vehicles as a vehicle-to-vehicle (V2V) environment. It is possible to avoid accidents via exchanging movement-related information among vehicles and effectively increase driving safety (and efficiency). However, radio resources are limited in radio networks. A vehicle transmits through D2D in Long Term Evolution-Vehicle (LTE-V) mode-3 standard, and an eNB can allocate the same spectrum radio resources for cellular and V2V links simultaneously. When using the same radio resources, the probability of interference may increase. This study designed a semipersistent resource allocation algorithm based on different cycles in an LTE-V network. Moreover, resource allocation under different cycles was analyzed, and a scheme for resource selection is proposed based on cycle size. The proposed Semi Persistent Gain Aware Resource Allocation (SP-GARA) scheme selects resources based on the expected sum rate of the cycle size and analyzes and discusses the results of the total sum rate at different cycles and speeds for an improved performance.     

车联网D2D通信中最大化频谱资源利用率分配算法

无线通信技术快速发展,终端设备不断增多,为缓解这一现象,提升系统网络容量,针对车联网蜂窝D2D(device to device)通信资源分配问题,提出了一种最大化频谱资源利用率分配算法.该算法以最大化频谱资源利用率为优化目标,在满足车联网通信的基本服务质量(quality of service,QoS)下,通过V2V(vehicle to vehi-cle)和V2P(vehicle to people)共享信道资源来提高频谱资源利用率.首先利用信道状态信息定义的链路增益因子为终端用户找到潜在的通信链路集合;然后证明终端用户复用链路资源时功率分配问题为一个凸优化问题,利用凸优化理论求得最优传输功率;随后求解最优的信道匹配问题,此问题为多对一的加权匹配问题,为降低算法复杂度用KM(Kuhn Munkres)算法来求解.仿真结果表明,所提算法较其他算法能够有效地提升系统吞吐量、提高频谱资源利用率、提升网络性能,优化车联网通信资源分配问题.     

车联网安全标准综述

车联网(IoV)安全标准是保障车联网产业发展的压舱石。为了让研究者全面清晰的了解IoV产业的安全需求,基于IoV的“云-管-端”三层体系架构,从IoV安全标准视角出发,统计分析了IoV的安全标准和政策文件,对比分析了国际和国内标准化组织发布的IoV安全标准的侧重点、总结了各层的安全需求、防护技术和安全标准之间的对应关系,给出了IoV安全标准的发展趋势和建设建议。     

基于多重指标拍卖机制的车联网任务卸载策略

在5G移动边缘计算(MEC)的车联网场景中, 针对车辆任务卸载目标的选择问题, 设计了一种基于任务优先级的服务器选择方案. 综合考虑时间、能耗、成本等因素对卸载位置选择的影响, 提出了基于多重指标拍卖博弈的解决方法. 通过多重指标拍卖机制, 选择最优的MEC服务器为车辆提供任务卸载服务, 实现车辆与RSU协作的贝叶斯纳什均衡. 仿真结果表明, 该方案能在保障车辆任务卸载时间和能耗的约束条件下, 降低任务卸载的总费用, 满足多个性能指标.     

基于区块链的车联网安全通信策略

为完善车联网信任评估机制并建立车辆间的信任关系,提出一种基于区块链技术的车联网安全通信策略。利用椭圆曲线加密算法进行车辆身份注册与验证,结合基于Beta分布的直接信任值与基于PageRank算法的推荐信任值求得车辆综合信任值。通过智能合约技术对车辆综合信任值及交互信息进行管控,实现车辆综合信任值的上链、更改与更新。仿真结果表明,该策略能够有效抵御车联网内部与外部攻击,保证数据传输的安全性,且满足车联网车辆在高速移动环境下的高吞吐量及低时延通信需求。     

面向车联网的多智能体强化学习边云协同卸载

车联网边缘计算是实现车联网系统低时延和高可靠性的关键技术,但现有方法普遍存在场景趋同和系统建模局限的问题,同时包含复杂的训练过程并面临维灾风险.通过结合云计算技术,提出一种基于多智能体强化学习的边云协同卸载方案.依据随机几何理论计算卸载节点覆盖概率,对车辆节点与卸载对象进行预配对.利用线性Q函数分解方法反映每个智能体多...