路侧装置修正位置预测模型在Vanet混合路由算法中的应用

在Vanet应用场景中,由于车辆高速运动导致车辆节点构成的网络拓扑不断变化,多数路由协议需要及时维护自己的邻居表来选择路由。邻居选择出错会出现数据频繁重发,导致传输时延高且不可靠等现象。为此本文提出了一种基于高速公路应用场景的高效的邻居发现方法NDK(Vanet Neighbor Discovery method By Kalman filter)。该方法利用经典的地理位置路由算法GPSR思想,借助于卡尔曼滤波(Kalman filter)预测模型来预测节点的邻居表,同时周期性的使用路侧装置(RSU,Road Side Unit)修正预测值。通过NS-3的仿真实验表明,该算法较经典的GPSR算法和其他基于时间、移动预测邻居表的算法能更好判断节点的加入和离开,并有更好的邻居正确率和更轻的网络负载。

基于隐马尔科夫模型的高速公路场景SDVN路由算法

在高速公路车联网场景下,由于车辆节点运行速度快,导致传统车联网网络拓扑结构不稳定,容易造成数据传输中断或重传。使用隐马尔科夫模型预测目的车辆节点下一时刻的位置信息,以便精准规划路由;同时选取行驶较为缓慢的卡车作为移动路侧装置(RSU),以增大信号覆盖范围。集中管理下发路由算法(CMR-SDVN)是指收集各RSU覆盖范围内的所有车辆节点信息,并将其传输至控制器,由控制器创建网络拓扑。车辆节点将传输请求发送给控制器,控制器计算出安全链路并下发至车辆节点,车辆节点根据安全链路进行数据传输。经仿真实验证明,即使在RSU信号未完全覆盖的场景下,CMR-SDVN算法比GPSR算法和JRRS算法更优。