基于小波蚊子的车联网性能评价方法

数据传输可靠性已成为车联网研究的热点问题,首先给出了车辆之间数据传输可靠性的评价方法,并结合小波变换和群蚊子算法对数据评估模型进行求解,同时通过引入分类机制和决策权来引导搜索方向,以此加快算法收敛速度.最后利用仿真实验平台深入研究了影响该算法的关键因素,并讨论了数据包大小、车辆间距、发送功率和车辆速度与数据成功发送率之间的关系.与其他算法比较,该算法显示出较好适应性.     

边缘计算下基于深度强化学习的车联网任务调度

针对边缘计算下车联网中时延约束型计算任务的卸载执行问题，提出一种基于深度强化学习的任务调度方法。在多边缘服务器场景下，构建软件定义网络辅助的车联网任务卸载系统，给出车辆计算卸载的任务调度模型；根据任务调度的特点，设计一种基于改进指针网络的调度方法，综合考虑任务调度和计算资源分配的复杂性，采用深度强化学习算法对指针网络进行训练；运用训练好的指针网络对车辆卸载任务进行调度。仿真结果表明：在边缘服务器计算资源相同的情况下，该方法在处理时延约束型计算任务的数量方面优于其他方法，有效提高了车联网任务卸载系统的服务能力。     

云计算在智能交通系统中的应用研究

作为一种新兴的计算范式和服务模式,云计算具有高扩展性的特点使其成为智能交通系统的实现技术手段。提出一个基于云计算的智能交通系统,并设计了一个低能耗的自适应资源调度器。该系统部署在边缘车联网,通过路侧单元等基础设施与车辆连接。系统利用TCP/IP的连接状态,以最大化整体的通信和计算能效、同时满足应用程序最低传输速率等Qo S需求为目标。采用真实数据流量对系统性能进行评估,实验结果显示该系统具有较高的有效性。     

车联网环境下匝道汇入区瓶颈换道优化

高快速路汇入区（即合流区）瓶颈是交通流运行的咽喉，汇入瓶颈交通流失效会加剧拥堵，诱发交通振荡以及事故率上升等一系列问题。与现有研究大都通过调节匝道汇入车辆行为或主线车辆速度进而试图改善汇入区交通流问题不同，该研究聚焦于瓶颈汇入区上游主线车辆，通过动态调节汇入区上游主线车道车辆分布，提升汇入区通行能力。具体而言，研究提出一种可以对网联车（CV）进行双向换道建议的混合整数线性规划模型，该方法不依赖于交通流基本图设定的临界密度，通过实时计算每一辆个体CV的向左、向右或保持车道决策以优化车道流量分布，减少汇入车辆干扰，提升汇入效率。基于VISSIM交通仿真软件，通过二次开发搭建了汇入区瓶颈换道优化实时仿真评估系统，并对该方法进行了验证，测试不同流量组合和不同CV渗透率下算法的有效性。各车道时空轨迹表明该换道建议优化方法可以有效减小汇入车辆冲突，车均延误分析结果表明在单车道平均流量1 550 ~1 800 veh·h^-1区间，即汇入瓶颈失效关键流量区段，换道建议优化方案相比原方案能显著改善汇入区的运行效率，车均延误可降低10 %~50 %左右。CV渗透率敏感性分析表明，在较低的0.2~0.5渗透率下即可达到减小延误的目标。     

一种基于强化学习的车联网边缘计算卸载策略

计算密集型、时延敏感型车载应用的不断涌现导致资源受限的车载终端设备无法在短时间内处理大量的应用任务,而且卸载节点的动态变化特性在复杂多变的车联网场景中会导致任务候选卸载节点存在不确定性。针对上述问题,提出一种基于强化学习的计算卸载策略来实现任务卸载预判和计算资源分配。结合设备链接时间与通信半径等因素制定卸载节点发现机制,通过考虑时延与成本对车联网移动边缘计算卸载系统的影响建立效用函数,并以最大化效用作为优化目标将车联网中的卸载问题转化为优化问题,基于卸载节点发现机制采用Q-learning方法提出一种智能节点选择卸载算法求解优化问题,实现任务的智能卸载。仿真结果表明,在车联网场景中,提出的计算卸载策略可实现更高的系统效用。     

基于稀疏栅格优化的蜂窝车联网定位算法

蜂窝车联网（cellular-V2X,C-V2X）中的定位方案是车路协同与车联网业务发展的重要技术途径之一。目前基于基站、卫星等诸多定位方案,在车联网业务以及车路协同场景中常会遇到定位精度、定位处理时延、部署成本等诸多方面的挑战。针对这些问题,文章对已有栅格定位算法进行优化,提出一种基于统计信息网格（statistical information grid,STING）的稀疏栅格优化算法和基于极端梯度提升（extreme gradient boosting decision tree,XGBoost）进行指纹定位的车联网指纹定位算法。从栅格优化的角度出发,相较于传统指纹定位方法在定位精度和计算速率方面进行了优化,使其更适应于车路协同场景。该算法为目前的车联网定位提供了一种有效的定位方法。     

适用于车联网的无证书强匿名聚合签名方案

车联网(Internet of vehicles,IoV)正在为车辆用户提供更高效的数据通信服务.在大数据环境下,车辆用户身份信息的可用性使得车辆用户的安全成为一个重要问题.如果用户的身份信息被泄露,可能会导致他的行程被追踪,甚至造成生命危险.因此,实现车辆的匿名认证成为车联网亟需解决的问题.此外,及时处理大量数据也是...     

面向车联网边缘计算的智能计算迁移研究

为了满足车联网中车载任务所面临的服务迁移时间优化与边缘设备的资源负载优化需求，提出了一种面向车联网边缘计算的智能计算迁移方法（intelligent computingoffloading method，ICOM）.首先构建了车联网边缘计算系统资源模型、执行时间模型、边缘设备负载均衡模型；然后利用非支配排序遗传算法（non-dominant sorting genetic algorithm，NSGA-II）实现了对车载计算任务的迁移时间和边缘设备的负载均衡进行联合优化，从而为车载计算任务找到有效的计算迁移策略；最后根据多目标决策准则（multi-criteria decisionmaking，MCDM）和逼近理想解排序法（technique for order preference by similarity to anideal solution，TOPSIS）选择出最优的计算迁移策略.实验结果表明，ICOM方法能够使车载计算任务在期望时间内完成，同时也保证边缘设备的负载均衡.     

MEC架构下基于DDPG的车联网任务卸载和资源分配

为了缓解车联网中个体车辆计算资源配置过低而导致的任务处理时延较大的问题,提出了一种移动边缘计算(mobile edge computing, MEC)架构下的动态任务卸载策略和资源分配方案。以最小化全网任务处理时延为目标,将车联网中的任务卸载和资源分配问题建模为马尔可夫决策过程(Markov decision process, MDP),并利用深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法进行了问题求解。仿真结果表明,与执行者-评价者(actor-critic, AC)和深度Q网络(deep Q-network, DQN)这2种算法相比,DDPG算法以最快的算法收敛特性获得最小的全网任务处理时延。     

基于CP-ABE和区块链的车联网匿名身份认证算法

车联网匿名身份认证技术是向用户提供有效服务的基础,能够保证车联网通信过程的安全性。针对现有的匿名身份认证方案在认证效率、计算开销等方面存在的不足,提出了一种基于CP-ABE和区块链的匿名身份认证算法。采用动态属性和静态属性相结合的认证策略,认证机构为车辆分配假名,实现了车联网中的细粒度匿名身份认证,减少冗余认证,提高时间效率,保护用户隐私。同时,结合区块链技术,对认证策略进行管理,防止身份认证过程中认证策略被恶意篡改。实验结果表明,该算法能够实现快速的加解密,满足车联网身份安全、高效认证的需求。