车载异构网络中基于前向时延的多径传输路径调度优化

为了解决多径传输中数据分组在接收端乱序从而导致传输性能大大降低问题,提出了车载异构网络中基于前向时延的多径传输路径调度优化算法。所提算法的主要思想是,根据发送方估计的前向时延和吞吐量差异,通过并发路径调度数据分组。在NS-3上进行了仿真实验,仿真结果表明,所提算法在重新排序缓冲区占用密度(RBD)和吞吐量的表现都优于其他算法,接收端的数据分组乱序问题明显降低,系统的总吞吐量和网络利用率得到了提高。

车载异构网络网关数据封装方法

车载异构网络之间需要利用网关进行数据交换,数据封装方法关系到网络协议转发效率,决定了网关的实时性和可靠性。为提高网关数据转发效率,提出一种新的CAN/FlexRay网络网关数据封装方法。将CAN和FlexRay网络中通过网关的信号封装到帧,使得每个信号帧中包含更多的有效信号,提高数据利用率,同时使用改进的BCBFD_LFS算法确定最佳静态时隙,减少消息处理时间。实验结果表明,该方法能提高车载异构网络中的消息可调度性、网络带宽利用率以及网关的数据转发能力。

车载异构网络中基于PSRBP的多径TCP路径调度优化

车载异构网络使用多路径传输控制协议(multipath transmission control protocol,MPTCP)进行传输时,由于路径差异性会引起接收缓冲区阻塞问题,导致MPTCP传输性能不佳.针对MPTCP接收缓冲区阻塞问题,提出一种基于路径选择和接收缓冲区预测(path selection and receive buffer prediction, PSRBP)的MPTCP路径调度优化方法.该方法引入吞吐量预测模型,同时引入各条路径和最大吞吐量路径的相似性参数与既定阈值对比分析,从而选择出可以使用MPTCP传输的路径.所提算法通过判断无序包的数量来预测缓冲区阻塞问题,并停止不良路径上的数据传输以提高MPTCP的性能.仿真结果表明,该算法能够提高系统整体的吞吐量,并使网络利用率有所改善.

考虑网络拥堵与系统公平的车载异构网络选择方法

利用演化博弈的有限理智特性执行网络选择,以实现车载异构网络系统中网络资源的均衡分配;利用双层博弈对演化博弈方法进行优化,保证极端拥堵中部分车辆消息传输的同时,维持系统公平;设计了专用短程通信、长期演进和无线局域网融合的车载异构网络仿真场景,对比了基于多准则决策的传统方法、基于演化博弈的网络选择方法和基于双层博弈的网络选择方法。仿真结果表明:采用基于演化博弈和双层博弈的车载异构网络选择方法首次解决了动态网络环境中车载异构网络切换时出现的大规模乒乓效应,利用双层博弈能够实现拥堵抑制和系统公平;采用基于双层博弈的网络选择方法能够驱动异构网络系统在2~3个切换周期内实现网络系统状态的稳定;在预设的动态网络评价条件下与80个终端的一般场景中,双层博弈终端平均网络评价指标高于演化博弈19.5%,为3种网络协同工作提供可靠服务;在190个终端极端拥堵场景中,终端合理分配,共享专用短程通信网络资源,双层博弈终端平均网络评价指标高于演化博弈10.3%,双层博弈专用短程通信网络评价指标为演化博弈的2.18倍,可以保证车联网基本安全信息的广播、系统的公平并维系基本车联网服务。

基于多智能体Q学习的异构车载网络选择方法

异构车载网络环境下如何选择接入网络对于车载终端用户的服务体验而言至关重要,目前基于Q学习的网络选择方法利用智能体与环境的交互来迭代学习网络选择策略,从而实现较优的网络资源分配。然而该类方法通常存在状态空间过大引起迭代效率低下和收敛速度较慢的问题,同时由于Q值表更新产生的过高估计现象容易导致网络资源利用不均衡。针对上述问题,基于多智能体Q学习提出一种适用于融合5G通信异构车载网络的选择方法MQSM。该方法采用多智能体协作学习的思想,利用双Q值表交替更新的方式来获得动作选择的总回报值,最终实现异构车载网络环境下长期有效的最优网络切换决策集合。实验结果表明,与同类型方法相比较,MQSM在系统总切换次数、平均总折扣值和网络容量利用率方面表现出更好的性能。

车载余度异构总线网络可靠性建模研究

为了提高车载余度异构总线网络的传输链路传输信道均衡配置性能,需要进行网络的可靠性建模,提出一种基于随机链路转发控制和动态均衡控制的车载余度异构总线网络可靠性建模方法。构建车载余度异构总线网络的信道模型和节点优化部署模型,采用链路均衡配置方法进行车载余度异构总线网络的自适应链路转发协议设计,提取车载余度异构总线网络输出链路集的相关性特征量,采用自适应加权学习算法实现车载余度异构总线网络的随机链路转控制和动态均衡。仿真结果表明,采用该方法进行车载余度异构总线网络建模的可靠性较好,链路均衡性较高。

基于自适应切换阈值的异构车载网络选择方法

异构车载网络环境中的网络选择策略对于保障车辆的网络服务质量极为重要,目前基于多属性决策的网络选择方法通过多种网络属性综合评估候选网络的性能,从而实现最佳网络的接入。然而,该类方法在执行网络切换时通常存在盲目选择最佳网络或网络切换阈值相对固定的问题,容易导致“切换阻塞”现象的发生,也难以满足动态变化的车载环境和用户需求。针对上述问题,提出一种基于自适应切换阈值的异构车载网络选择方法AHT-NSM。首先基于车辆的网络驻留时间进行候选网络的预筛选,接着利用结合主客观权重的效用函数评估候选网络的性能,最后设计一种自适应切换阈值提高网络选择方法在动态车载网络中的适应性。对比实验结果表明所提出的AHT-NSM方法在降低网络切换阻塞概率和提高网络资源利用率方面表现更优。

车载异构网中基于最优停止算法的垂直切换

目前,传统的车载Ad Hoc网络正朝着车载异构网发展;这就迫切需要为车辆用户提供一个高效、智能的网络接口进行切换,以满足其QoS要求。在本文中,我们针对车载异构网络存在的切换问题提出了一个优化算法,该策略整合了多个指标,包括价格成本、可用带宽和数据传输延迟等。利用最优停止理论,能最大限度提高用户满意度。仿真结果表明,基于最优停止的策略是可行的。

基于自适应分簇和演化博弈的异构车载网络选择方法

高效的网络选择方法是异构车载网络环境中保证多用户服务质量体验的关键。针对现有方法从优化车辆个体出发选择最佳接入网络,导致网络资源分配不均和部分网络拥塞的问题,提出一种基于自适应分簇和演化博弈的异构车载网络选择方法(adaptive clustering and evolutionary game based network selection method,AENS)。首先,采用自适应分簇减少直接接入网络的车辆数量,有效降低车流密集情况下的网络拥塞概率;接着,分别基于模糊层次分析法和指标相关性权重法计算候选网络属性的主、客观权重,得到更加准确评估候选网络性能的综合效用值;最后,将车辆对网络的选择抽象成基于复制动态的演化博弈模型,并引入记忆效应以加快其收敛速度,最终通过策略更新获得系统最优的网络选择策略集合。实验结果表明,在融合5G/6G的异构车载网络环境下AENS方法能够有效减少网络切换次数、提升网络吞吐量和平衡网络负载,在提高网络资源利用率的同时实现了负载均衡,且在车流密集情况下优势更为明显。