车联网数据聚集研究综述

当今,车联网是实现智能交通应用的平台。车联网有着特殊的网络特征,使得其上的数据聚集算法不同现有的无线传感器网络数据聚集。数据聚集可以有效地降低传输过程中的数据量,但同时亦会引起数据时延的增加和数据精度的降低。因此聚集算法往往考虑聚集数据的时延和精度。本文对现有的车联网聚集算法进行综述分析。     

基于NOMA-MEC的车联网任务卸载、迁移与缓存策略

在移动边缘计算(MEC)与非正交多路接入(NOMA)技术相结合的车联网系统中,针对用户处理计算密集型和时延敏感型任务时面临的高时延问题,提出了一种基于博弈论和Q学习的任务卸载、迁移与缓存优化策略.首先,对基于NOMA-MEC的车联网任务卸载时延、迁移时延与缓存时延进行建模;其次,采用合作博弈算法获得最优用户分组,以实现...     

基于深度强化学习的认知车联网频谱接入算法

先前的研究仅考虑仅仅存在认知车联网单一通信环境的问题,这样不能充分利用频谱资源。为了提高频谱利用率,提出一种适用于同时存在多个认知车辆的认知车联网环境的方法。同时为了提高认知车辆频谱接入的成功率,通过结合不同情况下的授权车辆和认知车辆的吞吐量设计了不同的反馈函数提出了一种改进的深度强化学习方法。所提出方法的性能明显优于传统的Q学习算法,能够更明显地提高频谱利用率,满足日益增长的车联网通信需求。     

智能网联汽车的安全风险及对策

智能网联汽车集人工智能、车联网、大数据、移动互联等新技术于一身,给人们带来了许多传统汽车无法提供的新功能,让用户获得了比传统汽车更智能、舒适、便捷的用车体验。但是,智能网联汽车需要实时联网,深度依赖网络,存在诸多安全风险,需要予以重视。文中分析了智能网联汽车的安全风险,并提出了制定智能网联汽车信息安全标准、构建智能网联汽车数据安全防护体系、建立常态化的风险评估机制、提升车企技术水平、应用标识密钥技术、确保数据跨境流动安全等对策,以提升智能网联汽车的安全性。     

IEEE 802.15.4非信标使能模式在车联网中的性能评估

车联网是车与车之间广泛使用的网络技术,是车与车之间经济、高效的通讯渠道。IEEE 802.15.4由一层简单物理层和一层节能型介质访问控制层所组成,是当前所有通讯标准中车联网网络的最佳选择。基于此,这里选择适合车联网的IEEE 802.15.4非信标使能模式作为分析模型,将其应用于车联网中,具体包含非饱和通讯量模式和大型网络,并分别研究了IEEE 802.15.4适合车联网的非信标使能模式的性能,这对车辆积极调整广播速度,在车与车之间联网通讯中取得更高的成功具有一定的参考价值。     

基于安全距离和时空网格的交叉路口车辆防碰撞安全预警

为保证交叉路口车辆行驶不出现碰撞问题,提出一种基于安全距离和时空网格的交叉路口车辆防碰撞安全预警方法。将交叉路口划分为多个网格,利用路侧单元并根据车辆所占的网格数,初步判断是否存在两车共用同一网格的情况。若在某一时刻两车占用相同的网格则会发生碰撞,故依据交叉路口车辆防碰撞安全距离,计算交叉路口前车未启动、前车匀速驾驶、前车均匀减速驾驶三种工况的临界行驶安全距离,结合此距离,将预警级别分为黄、绿、红三级,进行分级安全预警。实验结果显示：采用所提方法后,交叉路口车辆均安全通行,能够降低交叉路口车辆防碰撞安全预警的误警率、预警虚报率,提高交叉路口车辆防碰撞安全预警精度。     

基于区块链的车联网矩阵计算安全卸载方案

为了保护任务数据的机密性,验证计算结果的正确性,提出基于区块链的车联网矩阵计算安全卸载方案.该方案利用编写在区块链上的智能合约自动执行计算结果验证过程,保证验证过程的安全性和结果的不可篡改.方案提出的基于矩阵加法的轻量级矩阵加密方法,简化了矩阵计算卸载加解密的复杂度.通过与现有方案比较可知,本文方案能够在有效保护车辆的敏感信息的同时,实现对矩阵计算结果正确性的验证.利用所构建的矩阵加密方法,能够有效地降低车辆侧矩阵加解密的计算开销.     

一种抗伪造攻击的车联网无证书聚合签密方案

车联网给现代交通系统带来了极大的便利并受到人们的广泛关注。在车联网中,车辆访问控制的身份认证和发送消息的隐私性是两个关键问题。同时,由于有限的带宽以及车辆的高移动特性,验证效率也至关重要。聚合签密方案可以有效解决上述问题。但现有部分基于Schnorr签名的聚合签密方案未对密钥进行正确的哈希绑定,而无法抵御两类公钥替换攻击;且在进行聚合签密时,用户间交换部分签密信息生成的单个无效签密仍能通过聚合签密验证,故无法抵御合谋攻击。基于上述问题提出了一种新的面向车联网的无证书聚合签密方案。该方案利用密钥原像保护技术抵御公钥替换攻击,利用哈希抗碰撞特性抵御合谋攻击。在随机预言机模型下,证明了该方案的机密性与不可伪造性。与现有方案相比,该方案增强安全性的同时并未增加计算开销,整个验证阶段仍只需要6n+1次点乘操作。性能分析表明,该方案完全适用于车联网。     

基于公交轨迹和定位信息的地域群播算法研究

传统的地域群播算法大多数在WSN中使用,没有考虑到道路路网和车辆轨迹信息,没有很好地适用于车联网中的群播需求。基于目前的一些商业需求,引入了公交车的轨迹信息,提出了一种基于公交轨迹的地域群播算法。第一阶段先建立公交节点的轨迹树以及相遇模型,再根据相遇图计算公交节点对目标区域的消息转发能力,选择具有更高消息转发能力的节点转发消息到目的区域。第二阶段使用稳定性指数来估计两辆车的稳定性,在目的区域的每条街道上建立一个车辆集,通过建立和维护车辆集达到群播的目的。在联合仿真平台SUMO和OMNET++下仿真,其实验结果分析表明,随着车辆数目增加,该算法在维持高的数据包投递率情况下可以将整网的传输开销降低,达到预期的目标。     

车联网中改进粒子群算法的任务卸载策略

当前,多数车联网任务卸载工作仅考虑时延因素将任务卸载至边缘服务器执行(LOCAL-MEC),但是,车载单元仍有一定的计算能力可以利用.针对上述问题,研究了任务卸载的总代价即时延和能耗两个目标,提出一个将车辆自身的计算单元、附近车辆的计算单元与边缘服务器协同计算的任务卸载模型.该模型既考虑了任务的优先关系,又同时考虑了系统的时延和能耗.通过借鉴模拟退火算法思想并引入压缩因子改进粒子群算法来实现任务卸载.实验结果表明:与其他任务卸载策略相比,提出的任务卸载策略优化效果明显,TPSO算法的总代价为传统粒子群算法的53.8％、LOCAL-MEC策略的27.1％、DCOS(distributed computation offloading scheme)算法的78％,并且适用于多种现实场景.