文摘

VANET是自发的发展建立一个无线网络,这些网络和集群是一个具有挑战性的任务,由于快速变化的拓扑和频繁的断开网络。集群头(CH)稳定起着重要的作用在网络的健壮性和可扩展性。稳定的CH确保最低内部和intercluster沟通,从而减少开销。这些挑战导致作者寻找CH选择方法基于加权融合的四个指标:适合因素,社区附近,怪癖,和信任。CH的稳定性取决于车辆的速度,距离,速度,加速度的变化。这些都是包含在适合的因素。同时,车辆的准确位置变化的模型非常重要。因此,与卡尔曼滤波器的预测位置的帮助是用来评估CH稳定。结果显示更好的性能比现有的适合的艺术状态的因素。动态的变化和频繁的断开通信链路由于车辆的高速是不可避免的。 To comprehend this problem, a graphing approach is used to evaluate the eccentricity and the community neighborhood. The link reliability is calculated using the eigengap heuristic. The last metric is trust; this is one of the concepts that has not been included in the weighted approach to date as per the literature. An adaptive spectrum sensing is designed for evaluating the trust values specifically for the primary users. A deep recurrent learning network, commonly known as long short-term memory (LSTM), is trained for the probability of detection with various signals and noise conditions. The false rate has drastically reduced with the usage of LSTM. The proposed scheme is tested on the real map of Chengdu, southwestern China’s Sichuan province, with different vehicular mobilities. The comparative study with the individual and weighted metric has shown significant improvement in the cluster head stability during high vehicular density. Also, there is a considerable increase in network performance in energy, packet delay, packet delay ratio, and throughput.

1。介绍

车辆临时网络,俗称VANET,是一种特定类型的移动ad hoc网络(MANET),被认为是车辆在路上移动,移动节点(1]。VANET的出现发展开辟了一种智能交通系统(ITS)的发展应用。这些大致分为面向安全应用程序旨在提高安全性和降低致命的交通事故。另一种是nonsafety,旨在为乘客提供额外的服务如交通管理,信息共享,等等(2- - - - - -4]。车辆通过车载通信单元(下文),被称为车辆到车辆(V2V)。这是至关重要的对于大多数应用由于低成本和可用性(5]。同样,车辆可以与辅助设施(或安装基础设施)像路边单元(限制),使用Vehicle-to-Infrastructure (V2I)通信。VANET的完整模型设计沟通如图1。

通常,V2V通信协议,使用两种方法:洪水和传送数据通过网络传播。在洪水中,每个节点收到广播数据包的邻居收到从源。重复这个过程与动机实现数据包的源。在一个公寓里,密集的网络,这种方法会导致风暴问题[6]。继电保护方法,消息广播从源转发给所有相邻的车辆,然后几个选择向前。数据交付成功的概率增加的传送方法但高开销和延迟。解决这样一个问题,集群在VANET是著名的解决方案之一。一些符号表中列出1,这将用于进一步分级。

通过集群VANETs,信息收集、聚合和传播。聚类用于网络分割成更小的组移动车辆。通常,动态聚类完成,车辆动态组之间没有物理连接,和他们都是移动。像高效带宽有几个好处,适当的资源分配,和可伸缩性的聚类方法可以提供(7]。有许多方法用于集群VANETs [8,9]。城市道路是复杂的车辆位置经常变化;他们分布不均;因此,他们的路由和转发功能改变他们的立场。这些问题导致网络不稳定,需要一个集群模型,提供高稳定动态VANET的场景。特别是为集群的稳定性设计方法比较表2。

通过这个分析,我们可以发现,大部分的方案构思对稳定性的影响稳定的配方参数。加权方案还考虑了参数,如速度、距离、加速度,或链接。这些计划包括任何信息类型的车辆出现在交通场景。与邻居的连通性也不是探索。这些都是专为高速公路车辆的速度太高,所以静态集群形成关于速度和位置将变化动态,这会影响集群的稳定性。与所有这些文献分析,作者设计了一种基于multimetric加权簇头选择。适合因素、社区邻里、偏心率和信任值。同时,信任的概念并没有被利用。以下是本文作者所做的贡献:(我)设计的适合于因素tuthorshe作者(19)是基于 ,由车辆所需的时间来完成剩下的部分车道。这是根据车辆的速度计算。任何车辆的速度变化量;在这种情况下,获得准确的速度对集群头稳定至关重要。这个问题已经被解决本文;作者预测每个车辆的当前位置,这个位置已经被用于计算适合因素。作者展示了通过比较结果验证。(2)作者也旨在提高VANET的性能使用一个辅助设施,路边单元(限制),提高网络的性能。然而,之间的权衡的数量限制为更好的覆盖和高的安装和维护成本解决本文通过考虑角暂停的车道。十字路口的影响还包括避免模棱两可的方向的车道。(3)作者提出了频谱感知作为一个分类问题,提出了基于递归神经网络的遥感方法采用LSTM。根据输入信号的功率谱是LSTM和使用各种信号噪声数据类型来训练网络。决定根据噪声类的信心。设计方法是基于深度学习,网络自动学习参数和可以很好的适应不同的噪音水平。这个概念进一步扩展到隔离车辆分为两类:一级(PU)和二级用户。主要包括汽车像救护车,公民服务,需要立即援助。给出了聚氨酯访问网络带宽和提高VANET的稳定性。(iv)VANET的动态拓扑的车辆在高速和频繁的到来一个不规则的间隔。有一个稳定的集群中,他们必须在自然进化。作者设计了基于集群的演进图模型,计算指标,可以选择一个稳定的集群解决这个问题用。

作者设计了一种新的multimetric加权CH选择方案,考虑不同选择指标,提高集群的稳定性和效率。设计方案以及测试真正的数据地图,为该地区的成都,中国西南部的四川省。聚类效率检测各种车辆密度,以及网络性能评估使用的参数。剩下的纸是组织如下:在部分2、网络模型和位置预测使用卡尔曼滤波器和RSU放置。节3multimetric加权CH选择方案讨论与它所有的指标。部分5介绍了模拟工作,比较了该方案与现有的艺术状态。在最后一节中,作者得出结论的工作前景的工作。

2。网络模型预测和RSU部署

该方案主要集中在高速公路上的环境。模型是专门为车辆都配备了定位系统(例如,一个GPS),获得当前位置信息和IEEE 802.11 p-compliant无线电收发器,使其他车辆之间的通信和RSU(路边单元)。汽车通常分享不同的地理距离信息,可以利用有效的交通管理和组织。设计加权、动态、自适应和模糊聚类算法是体现在同一意识形态(20.- - - - - -22]。这里的车辆被分组在小集群基于邻近有关RSU车道附近部署。一簇头选择(CH)是基于四个组件适合的融合,信任,社区附近,偏心。其余的都是集群成员(CM)。有一个成员之间的信息交换使用Vehicle-to-Vehicle (V2V)通信。完整的知识就像参数速度、加速度、行驶距离、位置、维护等等,在每一厘米。CH发挥广播范围内重要信息RSU和CM。

在本节中,详细讨论的设计模型。每个参数的CH选择检查和建模不增加延迟的网络的复杂性和开销。

2.1。网络模型

网络模型如图2(一个)显示VANET中的节点在一个未聚集的时尚。在图2 (b),现在在每个集群节点连续与RSU通信。网络模型的考虑如下:(1)实时研究路线图。(2)车辆流动被认为是一个固定的时间间隔进行研究。(3)每辆车被认为是一个节点,该节点是变量随着时间的推移,和每辆车拥有一个惟一的ID。(4)限制实际上是放置在每个车道与正确的分析的一个相同的通信范围。(5)每辆车和RSU装有缓冲存储器和一个GPS设备的实时数据采集和同步。(6)厘米之间的沟通,通过V2V CH-CM启用。(7)每辆车的位置是通过卡尔曼滤波器估计密友RSU关于车辆的范围,确保noninterruptible沟通RSU之间的平滑过渡。(8)网络随时间演变成几个动态集群;簇头之间的最大的啤酒花和CM尽最大努力跳。(9)数据包大小64比特的数据。

2.2。RSU部署

克服的缺点开销延迟和更少的储存设施,车辆需要一个辅助设备如路边单元(限制)来提高网络性能。总有地区的总覆盖率之间的权衡与足够数量的限制最小安装和维护成本。这导致了搜索最优位置RSU可以维持低价高效的沟通渠道。位置影响沟通任何空隙面积会减少车辆和RSU中传输的数据包。在这个部署,莱恩从相扑仿真获得的坐标。假设每个RSU固定循环传播范围 。有放在路边。这样可以确保没有干涉RSU,每个车道足够的覆盖范围覆盖没有任何空白区域(23]。部署坐标计算使用的特定方向车道通过几何方法。在开始任何巷,RSU巷曲率是放置下一个位置这是使用。让车道上任意一点的位置表示为 。下一个位置计算

考虑RSU传播范围。角系数的引入,cross-lane将不足以制定这样的条件。很少有检查点设计能够确保cross-lane将利用RSU不断的地方。的部署RSU图所示3。

2.3。位置预测

优化后将RSU所需的区域地图,下一个任务是减少RSU之间的通信的下降率和CH。这将确保更好的网络性能,增加VANET的可靠性。使这一切成为可能,RSU必须事先了解车辆的下一个邮票的位置。在这部作品中,作者利用卡尔曼提出的工作(24,25]预测车辆的位置和地理路由。预测车辆的位置取决于方向和速度。同时,已经观察到车辆的角度发挥着至关重要的作用在预测位置随时间变化。使用卡尔曼滤波器预测了。每辆车跑一个卡尔曼滤波器预测,预测车辆的位置、速度和方向。位置矢量是 和每个参数的预测值在下一个瞬间

个人车辆RSU扫描的范围;然后使用以下判断方程,预测新职位。过去和预测位置的区别是用于获取信息的新的更新值由巷角暂停。

3所示。动态加权集群头稳定算法

设计聚类模型大致分为两个部分:(1)集群形成和(2)CH的选择。在集群形成,车辆被隔离成小团体,然后基于加权方法,四个指标的加权公式适合于因素 ,社区附近 ,偏心 ,和信任设计选择簇头,这些参数保证簇头的稳定时间。所有这些指标都是规范化,避免覆盖的效果。

3.1。集群的形成

RSU引导集群的形成。算法1封装了集群形成,每个车辆进入车道的时间戳广播和与所有的RSU通信范围。形成一个稳定的集群,两个条件观察时间戳,距离汽车的速度和相对变化在时间戳。RSU和那辆车之间的距离计算。如果这个距离小于一个阈值 ,这辆车是RSU暂时连接到。这个过程是对所有车辆进行了出现在附近,朝着同一个方向。在实时场景中,每辆车的速度水平可能会有所不同,这种变化可以严重影响集群的形成。对于稳定的集群形成,相对速度的变化也观察到如果小于一个阈值然后,车辆被允许得到RSU永久连接。现在,RSU存储的车辆和成为一个集群成员(CM)。

3.2。簇头的选择

下一步是选择簇头,节点在VANET坐标或集群。需要的责任广播、发现和维护的路由路径。尚的接触RSU可持续维护内部和内部通信通道。任何聚类算法设计的主要动机是集群在VANET的稳定性。车辆的高动态流动会导致频繁的重新集群和最终减少集群的稳定性。本文方法设计的簇头选择四个因素的加权组合,如上所述。所有这些参数直接向寻找一个稳定的CH。所有这些和他们融合为选择一个合适的CH将在下面讨论。

3.2.1之上。适合的因素

这个参数定义最大化集群结构的稳定性。为了确保这一点,当选的CH预计将与所有集群成员呆更长的时间。因此,来源于三个指标设计(19] 在哪里 ,和中相应的权重不同范围吗满足的条件 并且可以新配方由地方当局根据路况和集群成员的行为。第一个指标是 ,这是离开时间;这是一辆汽车所需的时间完成车道的剩余部分。这个因素选择CH确保有足够的时间去完成,使它更长的时间。计算使用 ,线的长度 ,覆盖距离的车辆在路上,和 ,被车辆驾驶的时间消耗部分的车道。

第二个指标是定义为相对平均速度;这个参数决定了车辆的速度是它的邻国。奖励函数是构思,考虑长期车辆的速度。每辆车的速度是评估。因此,他们的速度与绝对值奖励或处罚 ;相应地,相对平均速度递增或递减,如图所示 在哪里的参数,确保了车辆移动速度几乎以同样的速度旅行的邻居。的初始值使用TraCI参数计算,被认为是0.01。最后一个指标是社区的程度 ,它被定义为邻居的数目与车辆的速度差小于一个阈值 。

3.2.2。偏心

下一个参数是偏心;实时通信链路中断由于车辆的高速更频繁。保持联系,有一个要求一个集群演化模型。通常,reclsutering将成为不可避免的一旦CH辞职或失去其适用性继续CH。以确保稳定性,离心率的概念。在这里,一个不断发展的基于模型设计利用谱聚类。目的是成为车辆图拓扑 ,在哪里现在汽车的数量在时间戳 , 的有序对车辆之间的链接,然后呢是链接的可靠性。亲和矩阵构建为维度代表图拓扑结构 。

该工具用于光谱聚类是拉普拉斯算子图。拉普拉斯算子图关联矩阵的计算: 在哪里对角矩阵的元素。同时,

在光谱聚类特征向量的相似性/亲和矩阵来源于原始数据集。图的eigendecomposition将作为模型降维的移动车辆。最优数量的集群计算通过使用拉普拉斯算子的特征值图。基于eigenmap启发式(26),特征值 在升序排序的被作为集群的时间戳。

获取集群的数量之后,特征向量提取一个矩阵的维数 。在过去,k - means应用最优数量的集群。是均值/每组的平均eigenscore计算(27]

的最大价值确保一个稳定的簇头选择基于进化图设计。

3.2.3。社区附近

拉普拉斯算子的进化图还提供了关于邻居的信息。邻居的重要性,确保CH的稳定作为集群成员不会改变对于一个给定的时间戳,将建立一个可靠的链接。有设计的使用透射因数 ;它代表了两辆车之间的连接的可靠性,满足以下条件: 在哪里是最大的传输范围的车辆和这两辆车之间的距离在时间戳 。之间存在负相关的距离和传输范围。这使,如果两辆车更接近,那么势必更可靠连接。你的邻居节点被定义为那些满足条件的车辆 。然后,下一步是计数的邻居连接中心定义如下:

最后一步是得到的 ,的加权平均在时间戳(28]。 在哪里在每个时间戳加权相关。

3.2.4。信任

车辆的类型也在集群稳定中扮演着重要的角色;这是一个有效的方法来处理恶意和妥协节点(29日]。为了解决这个问题,作者包括频谱感知的概念。这里,概念是解决能够显著提高网络中簇头的稳定。第一个是频谱感知技术,有助于有效地利用频谱。这里,频谱感知是使用长作为一个分类问题的短期记忆(LSTM)。网络训练使用各种类型的信号和噪声数据。数据可以由被称为大数据处理的使用最新的技术30.,31日),尽管这一决定了噪声类的信心。自从方法包括一个递归神经网络,它会自动学习的能量特性和适应任何未经训练的噪声或信号在一个真正的和动态的环境。这使得检测主用户(PU),像医疗车,警车,或任何其他类型的公务员,优先使用频谱是否有紧急情况。其他被认为是次级用户(SU)。在下一节中,讨论了制定解决上述问题。

LSTM模型设计。LSTM的内部结构如图4。在这里,是细胞结构的输入和输出是用 。前面的单元作为输入 ,当前和以前的细胞状态是由 。 , ,和显示的值有三门忘记门,更新门,分别和输出门。阿达玛函数用 ,和显示与elementwise激活函数 。

任何LSTM细胞构成三个主要盖茨:更新门,忘记门,门输出。每个门的功能说明如下:(我)更新门 :决定何时更新当前电池状态(2)忘记门 :丢弃当前单元格的函数(3)输出门 :提供给输出通过输出门

为每个状态是通过更新后的向量 在哪里是偏见,是激活函数。所有三个盖茨得到更新使用个人偏见和乙状结肠函数。 在哪里 权重矩阵。偏差术语是用的 ,和 。elementwise产品是在前面的细胞状态而忘记门以及更新门和候选向量更新 。elementwise产品输出门之一和双曲正切向量如下:

架构设计在这个研究微不足道的100节点和一个完全连接层每层随后SoftMax层作为决定没有二进制基地。网络训练了500时代,学习速率的0.01,一次批处理数据块的大小是500。

数据建模。数据是通过理想的捕获概率的主要用户。我们考虑到每辆车参加认知无线电(CR)网络传输信息。带宽分配给网络有限,所以有限的频谱使用CR。PU的自由光谱可以利用次要用户,减少开销的问题。在聚氨酯的存在,频谱将发布的车辆如果它接收信号能量高于阈值的信号能量。信任的因素增加如果主用户和属于社区;别的,信任值递减。聚氨酯的行为是通过量化能量向量映射称为传感报告。聚氨酯的实际状态估计通过确认信号的融合可靠的CR地方决定。清洁PU信号获得,及其功率测量 。添加了高斯噪声的计算功率信号PU实现信噪比(信噪比)和评估使用的关系 。

自适应感应车辆在个体水平如下: 在哪里接收到的信号包络的吗 - - - - - -th时间即时感应车辆,使用事业单位信号失真加性高斯白噪声与零均值和方差 , 从聚氨酯发射机是信噪比的信号传输,然后呢是信道增益32]。这个假设可以被看作是一个分类问题,那里是一个信号从主用户或噪音的存在。接收到的信号在任何即时反映在一般形式与以前的样本大小的感应事件美联储当前传感事件: 在哪里是样本容量考虑这些时间戳的车辆数量吗和一个向量用的转置 。这里,检测和假警报的概率的概率是用来检测的频谱感知算法的性能,它被定义为

聚氨酯的存在信号用而没有了在这种情况下,唯一的噪音检测。在给定的遥感样本,检验统计量的能量所代表的能量计算测试数据在时域进行比较,它遵循Neyman-Pearson标准。

测试数据与卡方随机变量概率分布函数与的自由度。它也可以表示为 。在这里, 对于复数的情况 绝对值。阈值可以定义使用中心极限定理。检测概率可以被定义为(33] 在哪里在本质上是互补分布函数和高斯;也就是说,

如果我们把方程的逆(21),那么可以计算概率检测的阈值

错误的检测是计算

瑞利传输通道,将载波频带信号传递: 在哪里几种路径,是信道增益,是延迟路径。信号波动的视线(LOS)认为一个空间传播路径损耗模型和接收功率计算如下:

接收和发射功率的建议和与波长 。《距离是用 ,和依赖因素定义字段PU和苏在天线的辐射 。聚氨酯和苏之间的距离的平方的接收功率成反比。噪声方差被添加到接收功率和更新实际功率值。在噪声信道建模为瑞利信道响应的卷积和噪声方差噪声方差。

这就完成了光谱传感结构的设计。

训练LSTM, CR用户的行为的改变活动PU操作环境中习得的。传感CR用户生成的报告是基于它的能量,使得当地的一个决定。根据结果,确认信号状态,该报告是分配给一个传感类。主用户的信息转发到数据中心决定频谱感知。传输信号的带宽分为副载波和传输块。这些副载波频率间隔 在哪里是时候来传输信号。信号多路复用使用逆离散傅里叶变换(IDFT)

每一次要节点由聚氨酯感官传播信号的能量,和基于阈值的比较从方程(23),它决定是否从主用户和撤离通道。这种能量得到支持的信任值的计算。图4描绘了完整的模型训练使用光谱遥感的概念,然后获取信任值。和在方案评估LSTM-based光谱传感检测。收集到的信号是美联储LSTM网络,和相应的值的检测和假警报概率计算。的主要信号向量值是LSTM网络处理。它的次数正确分类的信号除以总数量的主用户信号的网络决定 。同样,噪声序列是转发到LSTM网络和概率计算假警报 。假设是除以总数量的噪声序列用于预测。完整的模型用于预测车辆的信任值使用LSTM如图5。

正如上面所讨论的,自适应频谱感知是实现形成信任基于能量探测器的阈值。阈值设置为所需的恒定的目标检测概率。

限制为从方程(23)。车辆的能量得到了训练LSTM网络。网络决定车辆主要用户,反过来,和信任的价值分配如果它成功经光谱。这样做自适应频谱感知使用LSTM使用训练数据。在图6,训练曲线LSTM阐明,损失函数,以及准确性,绘制3500时代。损失定义的实际值和预测值之间的区别主要用户的信号在各种数据和噪声信号。

训练有素的分析LSTM被描述的混淆矩阵,如图7。在这里,自适应频谱感知的问题是制定作为一个分类问题见方程(17)。这个预测是总共4000辆。这个二元分类器的精度是89%的正确检测没有任何聚氨酯PU和83.5%出现在网络。这个设计LSTM模型是有效的,可以足够精确地预测,即使在各种噪声条件和混合信号。之间的比较产生的理论分析为设计34),训练有素的LSTM如图8。自 ,概率越高,越信任分数,,因此,被认为是值得信赖的。这就完成了设计和评估的信任度量。现在,提出加权CH选择将在下面详细讨论。

完整的CH选择算法在算法说明2。所有以上参数讨论合并,加权指标制定的选择一个稳定的集群头最大时间(35]。汽车的数量在一个时间即时使用RSU首先集中讨论的算法1。然后,对所有成员(CM),上面的四个参数计算,然后加权计算选择集群头作为讨论的算法2。

3.3。设计完成了算法的计算复杂度

在本节中,讨论了动态加权算法的计算复杂度。聚类算法分为两个部分,集群形成和簇头的选择。因此,总时间复杂度的算法可以表示为 在哪里的时间复杂度是集群形成和簇头的选择。

在集群的形成,已经部分中讨论3所示。1,作者只找到车辆和RSU之间的距离。车辆的最大数量是最坏情况分析。因此,这是最坏的时间复杂度

在簇头选择,有四个参数考虑在内。的总时间复杂性为簇头选择

男朋友的复杂性是一个线性方程,计算了三件事,离开的时候,相对平均速度,和附近的程度。离开时间和相对平均速度只有常量值获取和计算。相比之下,在附近,车辆之间的距离在附近通过他们的坐标计算。因此,

第二是偏心,计算使用谱聚类方法,涉及关联矩阵和特征值分解。完整的谱聚类的复杂性

在社区附近,附近的一个关联矩阵生成的相邻车辆。因此,这是给定的复杂性

度量的信任,主要的角色是由LSTM光谱传感;的理论时间复杂度LSTM给出 在哪里输入的数量,是输出的数量,和是隐藏层的数量。在这项研究中,模型训练一次,然后对于一个给定的车辆信号,LSTM,通过其频谱感知,感知车辆作为主要或次要用户。因此,时间复杂度瓶子了

因此,完整的时间复杂度降低到删除所有的复杂性与低于立方和二次项。

因此,总时间复杂度

4所示。仿真结果和讨论

本节讨论的成果在不同阶段的集群模型设计。分岔分为以下部分:(1)仿真环境和工具;(2)网络性能评价;(3)实验评价与现有的和类似的其他情况。

4.1。模拟环境和工具

仿真实验都使用MATLAB (R2020a),执行与英特尔®处理器核心TM i3, 1.98 GHz,模拟城市流动36)(相扑0.25.0;相扑0.12.0),TraCI [37]。相扑是一个开源显微镜下许可的道路交通模拟器通用公共许可证(GPL)。这是通过一个中心之间的协作开发应用信息学研究所的科隆(ZAIK)和运输系统(ITS)在德国航空航天中心(DLR)。虽然TraCI代表交通控制接口专门设计来获得交通道路上运行模拟,提取的嵌入特性模拟对象的值。网络性能指标如吞吐量、能源、封包延迟、数据包延迟比率通过MATLAB进行评估。模拟区域是成都,中国西南部的四川省的首都。模拟的区域采取经度和纬度= 30.6598628°N = 104.0633717°E。该地区是繁忙的,因为是一个旅游的地方毛主席雕像。总结在表提供总交通环境3。

原始的模拟部分区域如图9;这是一个巨大的区域高的城市和公路机动模型。该地区还包括著名的旅游景点,保证周围密集的车辆运动峰值工作时间。作者部署RSU,额外的设施网络稳定性按照讨论的算法算法3节中,2。2。部署后的映射如图10。从图很明显,总面积已有效覆盖。也足够RSU集中在cross-lane提供足够的报道没有任何开销延迟或堵塞的问题,这最终会导致更少的数据包的下降和影响网络的稳定性。

4.2。网络性能评价

该方案使用四个网络性能指标测试的重要性在下面讨论。车辆之间的通信是通过Nakagmi建模的渠道,代表障碍与现实生活中的数据传输媒介。这里两跳模型,通过任何随机选择数据包传输启动车辆,作为源CH和CH发送数据包到目标名称。这个数据包通过网络的延迟使作者计算所需的网络参数。的大小和数据速率下表中指定。数据包传输所花费的时间是衡量使用MATLAB的内部时钟。包包含一个随机序列的1和0。通信网络参数表中列出4。

评估参数提出了VANET稳定性能评估如下:(1)能源(E):每个节点的能量消耗进行通信以焦耳。能源消费的直接跳之间的距离成正比。 (2)包交货率(PDR): PDR成功收到数据包的平均比例在生成目标车辆在总包的来源。交货率减少,增加数据速率。 (3)封包延迟(PD):它是指所花费的时间通过传播媒体发送一个数据包从源到目标车辆。数据包的延迟交付取决于网络堵塞,噪音,和跳旅行距离。 (4)吞吐量:它所代表的数据量成功地从源车辆转移到目标车辆在一个给定的时期,通常以千比特/秒(kbps)。可以实现更高的吞吐量和更少的跳数和网络稳定性。 (5)集群头稳定性:它代表的次数相同的车辆选择簇头的总解决方案的时间跨度。

4.3。实验评价

该方案测试与仿真环境设置如下:(我)不同车辆的密度(2)车辆的位置在一个集群中由卡尔曼滤波器估计,计算基于其当前位置

完整的评估为不同的车辆密度列在下表中5。本研究评估完成集群的稳定不同的车辆密度和动态场景。车辆都聚集在地上的几个限制。每个RSU覆盖区域被认为是一个集群,和车辆在区域集群成员。空集群的限制是省略的评价参数。能量的耗散车辆密度也有类似的模式。这样可以确保稳定的集群。同时,集群成员的集群有数量或密集的集群构成挑战集群头稳定经常这些条件的变化。两两跳吞吐量进行了分析,模型。的吞吐量将更加密集的集群而人烟稀少的集群。 The other two parameters, packet delay and packet delay ratio, solemnly depend on the density and the distance of the nodes selected.

作者比较了适合评价因素两个方面。首先,作者使用车辆的当前位置计算适合因素的建议(19)和其他预测方法和修正车辆的位置使用卡尔曼滤波器作为讨论的部分2。3就业。图11展示和车辆的当前位置纠正位置总模拟的一个时间戳。我们可以分析,用动态发展的网络和车辆速度变化频繁,车辆的确切位置是微不足道的VANET的稳定性。同时,车辆的评估依赖于运动的方向和速度。已经观察到车辆的移动角可能会有所不同,而不是恒定在某个点。这些因素大大影响了适合选择簇头的因素分析及其稳定性。这个评估可以从图完成12,1000车辆密度和11集群形成。簇头的稳定是算作计数的连续时间戳任何车辆ID总是担任簇首。在这里,更多的稳定性预测方法所提供的,我们可以观察到的频率单一车辆成为集群头一段180倍的评估。

4.4。基线比较

基线算法的算法设计在文献中个别指标。在这个分析中,三个基线算法包括如上所述和部分中讨论3。100年的分析是进行车辆密度。结果如图所示13在总仿真时间的瞬间;在这方面,我们可以观察到,CH选择最高的方案相比,个人的一个艺术设计的不同状态。所有的模拟进行了在同一平台,作为描述为文学的比较。模型是城市,最终导致动态网络车辆的速度和密度的变化。所有这三个指标的累积效应是明显的个体相比速度变化量,社区附近,或偏心独立不能反映变化的加权方法。因此,需要一种加权方法,可以评估网络的进化变化从时间到时间和过渡的CH更少。

不同的网络指标也提出的1000车辆密度测试方案。传输的数据包从一个集群成员集群头,和CH传送到目标集群成员。每个节点的平均能量消耗在一个集群中不同数据速率图所示14。观察到的消费减少或特定集群为每个数据速率常数;这可以作为集群拓扑结构没有改变,或者是CH没有改变。能量的增加就是集群的数量更少的成员和一个更大的距离,这需要更多的耗散的能量。

封包延迟比率和封包延迟中演示了数据15和16,分别。数据包的延迟可以与缺乏集群的形成;被选中的节点之间的距离是远,网络拥塞是由于稠密的人口。吞吐量也进行了分析,如图17。吞吐量的指标设计网络的效率。吞吐量的高价值与更好的性能与集群成员之间更好的沟通。数据包的下降和损失最终影响网络的吞吐量。只有一个集群成员的集群应该放下包。

5。结论

在本文中,作者设计了一个新的方案选择一个稳定的集群使用加权方法。这个配方是由包括四个不同的指标包括起草地址所需的所有参数提高动态网络的稳定性。作者设计了一个实用方法的部署RSU工作作为一个额外的设施来提高网络基于车道的角度。有关RSU集群形成。这些集群进一步提高选择一个稳定的集群头使用指标:适合因素,怪癖,社区附近,和信任。适合因素依赖于车辆的速度。VANET是一个网络与高速车辆和动态拓扑。确切位置的精度和速度在这种网络简单的应对这种情况。作者采用卡尔曼滤波器预测车辆的位置在下一个瞬间,它可以改善适合于计算和,反过来,满足集群的稳定。结果展示了更好的结果比原制定适合的因素。 The next two metrics are designed on the evolving graph structure as they are scalable and eliminate the need for recalculating in case of a change in the network’s topology. The last is the trust value included for the primary users for multiple reasons; the primary users get hidden in the network. The detection of the primary users’ energy is resolved using an LSTM, deep learning trained for different signals and noises. The accuracy is around 80%, with a misclassification rate of around 14%. The cluster head’s stability is measured in terms of mode, where the number of times a vehicle is selected as cluster head is noted. The results show the weighted approach’s supremacy compared to the cluster head stability achieved through a single metric. The designed method is tested on the real map for the region of Chengdu, southwestern China’s Sichuan province, for the different vehicle mobility densities. Also, the scheme is tested for various integrated network parametric analyses with a two-hop structure. The results regarding throughput, packet delay, energy, and packet delay ratio have shown the proposed scheme’s domination for different data rates.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者承认个人在手稿的研究和准备提供帮助。