基于模糊逻辑和数据传播网络编码在车载网络

文摘

车载网络,作为一个重要的技术在智能交通系统中,提高方便,效率,安全驾驶的智能城市。然而,因为速度高,拓扑变化频繁,且带宽有限,很难有效地传播车载网络中的数据。本文提出了基于模糊逻辑的数据传播方案和网络编码为车载网络,SFN命名。它使用模糊逻辑来计算每个车辆的传输能力综合考虑三个因素的影响:速度变化率,速度优化程度,和信道质量。然后,高能力的两个节点被选中作为主要骨干和奴隶骨干在每一条路,在这段数据传播到其他车辆和转发他们的脊椎下一段。骨干网络有助于提高交货率,避免无效的传输。此外,网络编码是用来减少传输开销和加速interbackbone转发和intrasegment广播重传的数据。实验表明,与现有方案相比,SFN交货率高和短传播延迟,而中枢网络可靠性高。

1。介绍

车载网络,作为智能交通系统的一种很有前途的技术,通常利用vehicle-to-vehicle (V2V)通信来支持数据服务时没有固定的基础设施部署。他们是为了提高驾驶安全性和增强驾驶体验通过支持智能应用程序如碰撞警告,交通堵塞报警,共享停车信息(1- - - - - -3]。当碰撞发生时,这个警告信息应立即传播到那些可能受影响的车辆,为了避免新这次事故后追尾事故和潜在的交通堵塞。一个示例场景的安全警报传播图所示1。

数据在车载网络传播面临着许多挑战,包括车辆密度的变化,拓扑变化频繁,和有限的无线通信带宽(4,5]。为了设计一个高效的数据传播计划的目标交货率高,短的传播延迟,和低资源消耗,需要考虑两个方面:驾驶环境和内容广播。复杂的驾驶环境中,作为第一个方面,设计有效的数据传播计划,导致多个车辆间通信性能的影响因素。现有研究分析一些参数在中继节点选择,但车辆间距离的综合影响,信道质量,和其他因素仍然需要进一步的研究。为广播内容,设计高效的数据传播计划的第二个方面,一些方案选择不同的转发节点不同的数据流。由于无线信号可能会重叠与他人在一个地理区域,洪水传播在车载网络的数据很容易导致严重的冗余,争用,和碰撞6]。随着传输需求增加,广播风暴的概率可能大幅上升。为了解决这个问题,一些研究选择几个节点传播数据具有良好的沟通能力,解决广播风暴问题在密集的场景。然而,仍然有很多工作要做如何选择合适的节点和提高数据在车载网络中传播的效率。

本文基于模糊逻辑的数据传播方案和网络编码在车载网络,提出了SFN命名。选择的主要支柱和一个奴隶骨干在每个公路段构建骨干网络,通过它所有的数据包不同路段之间传播。骨干节点稳定一段时间和为不同的数据流。因此,SFN方案避免过于频繁的中继节点选择和减少数据资源争用的可能性。具体来说,骨干节点选择根据这段中的所有车辆的传输能力,由模糊逻辑计算和综合考虑车辆的速度变化率,速度优化程度,和信道质量。此外,基于网络编码,一种有效的转发和重传算法是为两段间和intrasegment通信而设计的。它有助于减少,加快重发;因此,资源消耗降低和传播延迟是缩短。

这个提议的主要贡献是在三个方面。

构造一个骨干网由两个骨干节点在每个道路段支持路段之间的数据传输。骨干网络利用模糊逻辑选择骨干基于三个因素:速度变化率,速度优化程度,和信道质量。这样做是为了提高骨干网络的稳定性和可靠性。

网络编码数据转发和重传算法提高了backbone-to-member和interbackbone传输。这种改善是由于骨干节点编码和解码数据包,导致小传输开销和快速的数据恢复。

进行充分的实验来评估这一建议的表现和分析一些参数。特别是,真正在三亚出租车轨迹数据,中国用于构造车辆的场景。实验结果表明,SFN交货率更高和更短的传播延迟比计划相比。

本文的其余部分组织如下。节2的相关工作数据介绍了车载网络传播。节3,SFN计划提供的概述。讨论了骨干网络建设的细节部分4。部分的编码和转发算法5。然后,实验结果与分析部分所示6。最后,部分7提供了本文的结论。

2。相关工作

目前,一个巨大的挑战在车载网络是实现稳定可靠的数据传输场景拓扑变化频繁,有限的带宽。一些早期的研究使用洪水进行数据传输,节点的重播周边车辆一旦接收到数据包。当有交通堵塞在路上,很容易引起广播风暴和信息堵塞,因此传播延迟大幅增加。然后,一些研究试图减少冗余数据包的传输。为了提高信息传输的可靠性和解决广播风暴问题,Korkmaz等人只允许从发送方到最远节点广播数据包(7]。在[8),接收方计算转发概率根据发送者和接收者之间的距离和等待时间设置转发传输检查根据当前时间槽。选择下一跳节点考虑单一因素,可能导致速度不稳定,降低信道质量。沈等人设计一个数据调度框架,它避免了碰撞,提高传播效率,提供节点的传输机会最大的公用事业公司(9]。

一些研究分析相关因素对传播的影响在车辆应用程序性能。朱等人提出一种数据转发策略基于相对速度和车辆之间的距离,提高转发效率(10]。在[11),车辆停放在人行道上或在停车场选为骨干,扩展网络的覆盖率。一个计划12)引入了一个延迟模型和一种改进的贪婪的广播算法以及覆盖消除规则,考虑道路拓扑和交通信号。具体来说,车辆密度被认为是在一些路由方案。在[13),路由协议是用于车辆应用程序实时的方式,根据目前的车辆密度。对于高速公路或城市场景,支持多向数据传播协议结合广义时间槽方案基于定向部门和store-carry-forward算法(14]。

近年来,随着一个经典的数学方法,模糊逻辑是用来改善车辆的数据传播网络。在[15),一个协议包含了模糊逻辑与地理路由转发决策。需要移动的方向和距离的输入模糊逻辑,提高交货率。无缝的流媒体分发系统车载网络的目的是(16]。它使用模糊逻辑来检查是否一个路边单位或车辆节点可以是一个候选人将流数据为用户。在[17),吴等人提出一个fuzzy-logic-based算法考虑链路质量、车辆间距离,和车辆移动和设计冗余传输方法来提高可靠性。

除此之外,在无线通讯网络编码可以提高数据交付以来,一些现有研究关注它的好处在数据传播18]。摘要(19重播消息]使用网络编码,提高了整体的可靠性和交货率。在[20.),缓存解决方案利用网络编码以减少带宽成本和缩短延迟。一般的网络编码过程的抽象模型是开发支持分布在车载网络的内容。此外,一些研究将模糊逻辑与网络编码在车载网络。SBN方案的因素包括车辆速度、车辆密度、和信道质量考虑在模糊逻辑,同时它还使用网络编码以改善传输效率(21]。然而,由于这个方案更愿意选择慢速度的车辆作为骨干节点,其性能大大影响当大多数车辆的速度远高于骨干。FUZZBR计划(22模型基于距离的转发能力,速度和通信质量和选择两个继电器使用模糊逻辑在特定的范围内。在[23),利用模糊逻辑来选择转发节点,考虑因素,如车辆和车辆速度和密度之间的距离。

为了提高数据在车载网络中传播,如何选择适当的骨干节点和如何充分探索网络编码都需要进一步研究。因此,该方案应用于本文使用模糊逻辑综合考虑旅游车辆的状态和V2V通信的信道质量。此外,两个骨干节点在每个道路段选择构建一个可靠的骨干网络,使用网络编码数据转发缩短传播延迟和降低带宽消耗。

3所示。SFN方案概述

在SFN,重点是数据传播场景中,数据(如碰撞警告消息)有一个源(如车辆相撞)和几个目的地(如可能影响后面的车辆)。这个方案的目的是将数据从源到目的地很快用一个小的开销。值得注意的是,提供骨干网络,这个方案也适用于单播传输应用中各有一个源和一个目的地,通过一些简单的调整。

收集旅游车辆的实时信息,每个车辆节点的位置和速度等机载设备的GPS和速度计。假设所有车辆节点有相同的通信半径,用。有效的多次反射数据传输,很长的路分为多个部分,每个部分的长度 ,这保证了骨干网络的连接(20.]。应该注意的是,道路宽度与传输半径相比可以忽略不计。

在方案中,有两种类型的车辆节点:骨干节点和成员节点。在每一个细分,选择两个骨干节点,命名的主要支柱和奴隶骨干,是成员节点和其他节点。不同路段骨干节点之间传输数据包和传播包成员节点在同一段,而成员节点仅产生和接收数据包。在每个部分中,主要骨干传输能力高于奴隶骨干,和需要更多的数据传输任务。有两个骨干节点在每个片段,而不是一个骨干节点,有两个主要的好处。首先,如果一个支柱失去或者得到不正确的数据,另一个可以立即正确传输数据到下一段。此外,缺失或不正确的数据可以恢复通过脊椎之间交换数据包。通过这种方式,该方案减少了传输开销和缩短了传播延迟。

当一个数据包生成如碰撞警告消息,愿在特定区域传播,发送方传送到骨干节点在同一段第一。在下一步中,通过骨干网络传播到所有的目标段。在一个示例场景如图2高速公路有四个部分:,,,。在,是主要的骨干和是奴隶骨干。同样的,,,主要骨干的片段,而和是奴隶骨干。源生成两个数据包和需要播放的所有四个部分。首先,骨干传输原始数据和在它的领域。然后,编码他们 和 并将编码数据包转发到脊椎和在接下来的部分。如果失去了 和失去了 ,他们首先将接收到的数据包发送到下一个骨干节点然后自己恢复丢失的数据包通过之间的数据包交换。脊椎和以类似的方式获得的数据通过骨干网络。此外,主要的骨干,,,解码和播放数据节点成员的群体。

如果只有一个车辆在一段,等在,它被选中作为一个独特的骨干,主要骨干。数据传播稀疏场景将在稍后讨论。本文运用线性网络编码(24在示例和实验);然而,这个建议方案还支持其他网络代码。

很明显,如何选择骨干节点大大影响了数据传播性能。在SFN,骨干节点选择定期根据车辆的传输能力。具体来说,每个车辆计算其传输能力和股票与他人在同一段。最高的两个节点能力工作骨干节点,其中主要骨干能力高于奴隶骨干。

这里的方法计算骨干的传播能力是关键的选择。因为驾驶状态之间的关系和沟通质量不清楚,它是具有挑战性的设计一个简单的和准确的模型。考虑到模糊逻辑模型是一种有效的方法复杂的关系25),在这项研究中用于计算传输能力。通过这样做,考虑三个因素:速度变化率,速度优化程度,和信道质量。对骨干的循环选择,从实验结果部分6,SFN的骨干网比相比更稳定的方案。因此,骨干选择周期可以更长,因此它是低成本的维护骨干网络。

在车辆的数据服务,车辆可能会收到一些消息,需要从不同的邻居转发给其他人。在传统的方案中,发送方发送的原始信息在不同的方向,无论现有的包在接收器。此外,一旦失去了几包,发送方重新发送这些包,没有考虑到不同的丢包在不同的接收器。通过这种方式,网络有巨大的传输开销在大量数据的情况下尤其如此。然而,网络编码能够很好地在这些情况下,减少了传输消耗。SFN的骨干节点编码原始数据包编码的数据包,从而提高通信性能。这是节中详细解释5。

在密集的车载网络中,骨干网络有助于有效地传输数据,减少广播风暴的概率。然而,在稀疏的车辆的情况下,很难在每段选择两个骨干,因此传播的数据可能被打断。为了支持数据稀疏地区的传播,在SFN,如果有一个独特的车辆节点在一段,它被认为是主支柱保持连接。如果没有车辆在一个段发送方在前面的部分试图找到另一个货代在接下来的部分。因为每段的长度 中,两个节点和可能是彼此的传播范围。此外,如果几个节点能与发件人沟通吗选择两个节点,正朝着同一个方向与发件人和最大传输能力的骨干。虽然交付概率可能会减少由于节点之间的距离和骨干网络的连通性增强。以防车辆密度太低,发送者不能与任何车辆在接下来的两段,它携带包,继续旅行,直到出现跳车。

4所示。骨干网络建设

在本节中,骨干节点的选择和建设骨干网络进行了讨论。骨干节点的选择是决定车辆节点的传输能力。这些能力计算根据三个传播因素:速度变化率,速度优化程度,和信道质量。这些因素并不是独立的;例如,一个大速度变化率会导致较低的信道质量。考虑到这些因素之间复杂的关系和传播能力,利用模糊逻辑模型传输能力。在细节中,有四个步骤如下所示。

(1)计算的传播因素。每辆车的驾驶和沟通信息的传感器和你好消息,然后计算其速度变化率,速度优化程度,信道质量。

(2)模糊化。每个因素的隶属函数是用来将一个原始值几个模糊值。

(3)计算传输能力等级。所有非零模糊值的组合的三个因素。对于每一个组合,它是排名根据预设规则映射到传输能力。

(4)去模糊化。函数图和去模糊化方法设计转换传输能力排名和价值观总体传输能力的价值。

4.1。传播的因素

在车载网络中,车辆速度和通道质量的传输性能影响很大。在这里,介绍了三个变量来表示相关因素。

(1)速度变化率。车载网络的相对速度是一个重要的因素(26]。高速抖动通常会导致间歇性相应通信和传输失败。因此,车辆高速度抖动是不适合被选中作为一个骨干节点。为了表明车辆的速度抖动,速度变化率介绍,用和计算 在这里,是当前车辆的速度,最近一短时间内平均速度吗,是平均速度在最近长时间吗 。

自和暗示最近的车辆和流动特性显示当前状态,显示最近的速度变化率。因为频繁的更换速度,这里使用两个平均速度,而不是过去的速度在两个特定的时间。在(1),一个很大的区别和之间或和,这意味着高速抖动,结果在一个大的。显然,更大的价值机会越少,车辆必须选为骨干。因此,为了方便地使用模糊逻辑,只有这些车辆在0 1是骨干的候选人。本研究的实验表明,SFN时表现良好 和 ,在那里是你好消息循环。

(2)速度的优化程度。速度变化率骨干选择的因素是不够的。这是因为车辆以一个稳定的速度可能不是一个好的骨干如果它的速度是非常不同于其他车辆在同一段。速度优化程度显示车辆的平均速度之间的关系和最优速度的车辆在同一段,用和计算 在这里,在这段最优车辆速度。

只有车辆的速度小于或等于什么被认为是骨干的候选人。通过这种方式,价值的领域是0 1可以很容易地分析了模糊逻辑,和类似的车辆速度有一个高。换句话说,一个高意味着车辆应该有一个高概率的骨干。这是因为它与其他车辆保持同样的速度,并长时间遇到传输数据。与此同时,上述方程可以表示为

有许多因素影响车辆的速度,和[27)提出了一种最优速度模型通过调查的性质拥堵,汽车运动的延迟时间。最优速度是由车辆密度,车道,交通事故,以及其他一些因素。尽管这是一个复杂的问题,选择一个适当的值,目前的综合分析和预测交通信息可能提供了一些线索。为进一步的信息,请参考[28,29日]。在这个研究的仿真,相同的最优速度是集段除了两个较小的值,由于交通碰撞。

(3)信道质量。信道质量反映了车辆间通道的可靠性,用。它是与很多因素有关,包括网络技术、当地环境,穿越的信号通道和背后的基础物理无线传输。更大的信道质量提供了一个更高的概率。很难估计信道条件在车载网络准确由于网络拓扑的频繁变化和复杂的环境因素,如天气和附近的建筑30.]。因此,你好消息的交货率,这是定期交换在所有车辆在同一段,用于实验表示信道质量。

4.2。模糊化

成员函数提出了一个元素的值是否落在特定的范围内,表明模糊集的隶属度31日]。模糊集是通过将值分配给每一层代表其等级的隶属函数。SFN的模糊逻辑使用隶属函数将模糊集的每一个因素的价值。合适的隶属度函数是通过数据分析和仿真实验获得了传播因素,如图3。例如,如果通常的速度范围100公里/小时,速度的极值优化程度时 和 作为 。因此,隶属函数的0.3(0)是“坏”的概率为1。一些额外的实验说明不同的隶属度函数部分6.3。

如图3显示,速度变化率有三个水平 ,而速度的优化程度和信道质量都有三个层次 。在图3(一个),当速度变化率通过映射为0.1,其模糊集吗 。同样的,当速度优化程度是0.74和信道质量是1,他们的模糊集 和 ,分别。

基于三个模糊集,得到好几种组合,每一个都包含三个非零模糊值与三个因素有关。在上面的示例中所示图3,四个组合表中列出1。

4.3。传输能力排名

首先,传播的影响因素对输电能力理论以及反馈实验进行了分析。在下一步中,27个规则集来确定传输能力等级,用,如表中列出2。按照规定,三个传播因素的模糊集映射到传输能力等级。总的来说,有六个等级的传输能力,很好,可以接受的,不能接受的,坏,非常。

每个模糊值组合映射到传输能力排名根据规则。与此同时,等级值的最小模糊值的组合。当多个组合映射到相同的等级与不同等级值,最大秩值被选中。总之,极大极小方法(32)是用来计算传输能力等级。在上面的例子中,组合映射结果如表所示3,最终传输能力等级表中列出4。

4.4。去模糊化

接下来,几个传输能力等级转换成一个数字号码,即传输能力值,用根据一个函数图。SFN方案的功能图如图4。的重心坐标的一个影子吗,这是由排名和它们的值。通过计算

还在上面的例子中,阴影图4符合表中列出的传输能力排名4。因此,输电能力值 计算。

每个节点广播给别人自己的传输能力价值的道路段。传输能力值越高,越好节点作为支柱。因此,每个节点接收到的值按升序和选择与骨干节点和最大值。例如,在图2段,有六个车辆,这是,,,,,,他们的传播能力值是0.91,0.88,0.75,0.85,0.66,和0.76,分别。每辆车接收和传输能力的价值观和选择作为主要骨干和作为奴隶的骨干。

5。数据编码和转发算法

在数据传输过程中,SFN使用网络编码以减少带宽消耗和支持包损失发生时快速恢复。有两种主要情况如下。

在无线通信中,当有几个数据包在不同的方向,转发中继节点可以发送少量的编码数据包完成交付。如图5,和分别发送数据包和彼此通过中继节点。没有网络编码,需要发送来和来,因此传输的总数是4。相比之下,与网络编码,只需要广播 来和。因此,传输的总数量是3。这个例子表明,网络编码减少了传输开销导致提高带宽利用率。

网络编码也适用于高效的数据恢复。在图5,主要骨干想要播放两个原始数据包和其成员节点。首先,编码和编码的数据包 和 ,这是线性无关的。如果只收到 和只收到 正确,需要重新发送数据和。使用网络编码,不需要重新发送吗 和 一次。相反,它创建并发送一个新的编码包 一个新的系数矩阵。然后,和分别两个编码数据包解码得到的原始数据包。这个例子演示了改善传输效率和节省网络资源通过网络编码。

在SFN,每个主要骨干使用网络编码传输数据包骨干在下一段和成员节点在同一段,而每一个奴隶只骨干传输编码的数据包骨干节点。收到数据包后,主要骨干解码恢复原始数据。然后,它编码这些包有自己的系数矩阵,最后广播他们成员节点在同一段下段和骨干。如果一些数据包丢失,接收者发送一个请求消息到脊椎在同一段或上游段。在下一阶段,当另一个节点收到这个请求时,它编码数据包并传送请求发送者。数据编码和转发的骨干的一个例子在一段,当它接收到一个数据包算法中所示1。

的算法,是包刚收到,和是原始数据包和编码由数据包,分别。NOP是新的原始数据包解码得到的和其他现有的数据包;DP是一种新的编码包创建;的骨干部分吗组成的主要支柱和奴隶骨干;和成员节点在同一段。

同时,原始数据包被用来生成一个编码的数据包;现有的包在哪里,生成的原始数据包的全部或部分;和数据包的转发方向吗。有两个转发路边的方向; 意味着数据传输从来和 意味着数据传输从来。此外,是一个请求数据包。

根据数据编码和转发算法,当收到一个数据包NOP正确,它试图得到原始数据包。然后,生成并将NOP的编码数据包转发到下一跳骨干,提供他们的成员节点。如果接收到的数据包并不正确,发送一个请求这些数据的奴隶骨干数据共享。当接收请求的一些数据,如果该数据,它编码和回复请求发送者;否则,它将请求转发给last-hop骨干。

在SFN,模糊逻辑是用来选择两个骨干节点在每个道路段,构造一个骨干网络,使用网络编码数据包传播到目标道路段。骨干节点以合适的速度和良好的信道质量有助于提高传输效率,而intrasegment广播和段间转发的网络编码可以提高有限的通信资源的利用率。

6。绩效评估

6.1。网络配置

为了评估SFN的性能计划,机会网络环境模拟器(一33])是用来进行仿真实验。场景配置表中列出5。关于流动模型中,前后车模型(34)是利用,从而导致不同的车辆速度和不同密度在路上段。为计算,模拟不同的最优速度段,一个小优60 km / h的速度设置为两段,300 - 450和1350 - 1500,而其他部分有更高的最佳速度90公里/小时。此外,不同的主干网选择周期的影响,速度范围,传播因素的隶属度函数进行了部分6.3。

SBN [21]和FUZZBR [22)选择数据相比在车载网络传播方案。与SBN相比,该方案SFN有几个优点。虽然他们两人利用骨干节点转发数据,SFN提高主干网选择和骨干网络建设。首先,SBN喜欢与低速车辆骨干道路段,无论其他车辆传动速度;SFN选择的车辆速度接近最优速度在每一段。因此,SFN的脊椎可能以相似的速度,从而导致更多的车辆间通信的机会。其次,考虑到频繁变化速度的影响无线传输的质量,SFN选择车辆与脊椎相对稳定的速度,提高效率的数据交付。第三,SFN使用模糊逻辑计算车辆的传输能力,以及大量的实验来找出合适的隶属度函数。第四,对于稀疏车辆的场景,SFN维护骨干网络的连通性捡脊椎从远段而不是下一个。最后但并非最不重要,SBN每个段只有一个支柱,有两个骨干,主要骨干和奴隶骨干,在SFN的每一部分,这不仅提高骨干网络的可靠性,而且加速数据交付网络编码的结果。 Overall, SFN is an innovative scheme with several advantages over SBN.

比较SFN FUZZBR,他们利用模糊逻辑来选择转发节点。然而,因素和模糊逻辑的隶属度函数是不同的,和那些选择节点的任务也不同。一方面,就像上面所讨论的,SFN使用深度的速度因素,这有助于选择合适的骨干节点。另一方面,FUZZBR选择继电器为每个数据交付要求,而SFN构造一个骨干网的在一段时间内的数据服务,从而减少货代选择的开销,提高传播效率的数据。

实验评估四个标准:交货率、传输的数量,传播延迟和骨干稳定。交付率的比值的数量交付数据包传输的总数在传播从源到目标的数据段。交货率越高,性能越好方案。此外,传输的数量计算成功的和失败的传输以及重发,这表明该方案的通信开销。此外,传播延迟的延迟时间数据生成数据传播完成。计划与短延迟对延迟敏感应用程序中运行良好。骨干稳定的比率作为骨干节点的数目在一段特定的时间内骨干的总数。更高的骨干稳定意味着少骨干重新选择,因此一个更小的骨干网的更新成本。

6.2。仿真结果

本研究SFN的方案相比,SBN FUZZBR,结果如图所示6。

(1)交货率。在图6(一),三个方案的数据交付率上升当车辆密度增加,和SFN保持高和相对稳定的比率与SBN和FUZZBR相比。在稀疏网络20辆汽车,SFN的比率高于SBN FUZZBR约25%,由于两个部分之间的数据转发和当不存在任何车辆。在场景中高密度(100辆),SFN的交货率也比别人高约10%,因为它的稳定和高效的骨干网络。

(2)数量的传输。如图6 (b)显示,当节点密度低,SFN FUZZBR传输数据低于SBN,反之亦然。正如上面所讨论的,SFN的作品当很少有节点,而在其他方案发送方寻找下一跳中继,导致大量传输开销。在图6 (b),SBN有最小的传输开销方案相比,当有40多辆。的主要原因在于两个方面。首先,因为相对甚至车辆分布在所有的部分,车辆间通信是相对可靠的。少量的重发使两个脊椎和网络编码的优势SFN不明显。第二,在密集的情况下,SBN骨干网,每个段组成的一个支柱,连接。因为它避免了交换骨干中相同的部分,传输小于SFN的数量。然而,如果车辆的数量有点少,SBN的传输开销急剧上升。然而,SFN保持一个相对较小的通信成本,尽管小学和奴隶骨干之间的数据共享,这可能是可接受的在大多数车辆应用程序。

(3传播延迟。根据图6 (c)在稀疏网络,传播延迟的计划时间比那些密集的网络,由于车辆之间的接触的机会越少。SBN有最长的延迟,因为在每一个部分都有独特的骨干等重发的包丢失,之前转发到下一个环节。一般来说,SFN的短暂停留,FUZZBR相似。

(4)骨干稳定。SFN SBN使用骨干节点转发数据包,这有助于避免广播风暴。因此,骨干网的维护影响这些性能的方案。骨干稳定SFN的结果和SBN见图6 (d)。此图显示了节点选为骨干的比例连续1 - 5轮(圆是1 s)所有的脊椎。很明显,在SBN方案中,只有一半的骨干节点为一轮工作,这表明大部分骨干节点随时都在改变。相比之下,比SBN SFN更稳定的骨干。详细,超过70%的骨干为2到4轮工作。因此,SFN的骨干更新成本很小。

总之,在车辆的情况下有不同的车辆密度,SFN保持更高的交货率和较短的传播延迟比SBN FUZZBR并维护一个可接受的传输开销和骨干网络的稳定性好。

6.3。参数分析

考虑到骨干选择周期和速度分布的影响表现的数据传播计划,在本部分中,分析了两个主要标准:交货率和传播延迟。此外,为了选择合适的隶属度函数的传播因素(如图3),进行大量的实验。由于空间限制,这里只是中等水平的山峰的坐标并给出了隶属度函数。应该提到,在这些实验中,汽车的数量一直是80。

在第一组实验中,骨干选择周期范围从1到6年代,结果见图7。如图7(一),当骨干选择周期短于4 s, SFN的交货率稳定在87%左右。然而,长周期5 s和6 s等导致降低交付比率近4%和8%,因为网络拓扑变化在很长一段时间和很多骨干并不总是合适的。SBN,当骨干选择周期增加,交货率逐渐降低。在图7 (b)当,SFN的传播延迟会略微下降周期从1到4年代然后随着循环上升。原因是太频繁的骨干选择导致大量控制成本,和太长的时间周期对骨干网络的性能有害的影响由于不合适的骨干。总的来说,为了达到传播延迟交货率高和短,4 s是一个不错的选择,选择循环SFN支柱。

在第二个系列的实验中,最大速度的差异范围从0到40 km / h与标准速度80公里/小时。换句话说,速度范围80年,80年,75年,85年,70年,90年,65年,95年,100,分别。结果如图所示8。显然,以很大的速度范围内,交货率降低和传播延迟增加,因为各种各样的流动加剧不可靠的无线频道。值得注意的是当速度范围变化时,SFN保持交货率高于SBN FUZZBR,同时保持短的延迟。

在第三组实验中,SFN的表演不同的隶属度函数的三个因素,,表中列出6。在图3的值,,,在中等水平的峰值点0.2,0.65,和0.5,分别。在这里,结果与其他值。表6表明,在一般情况下,交货率、传输开销,和传播延迟时最好使用本文的选择值。实际上,做了一系列的实验,对典型值指导确定复杂变量的赋值。

在一个词,一个适当的骨干更新频率和合适的隶属度函数影响SFN的整体性能,可以选择通过样品分析的初步实验。此外,SFN执行比方案相比在场景中以不同的速度范围。

6.4。绩效评估使用真实的出租车轨迹

除了模拟车辆的场景中,一组实验是进行基于真实出租车轨迹。开放获取的数据集是由中国交通运输部(35]。它包括4600年的实时轨迹出租车在三亚,海南,从9点到10点11月15日,2016年。GPS数据收集周期是10年代。

在实验中,以提高数据的可靠性,选择五公路创建数据传播场景,用,,,,。他们是显示在图9,时间是从上午9点到10点。在这些场景中,有15个,14日,20日,255年,15辆旅游选择的道路上,分别。对于一些缺失的数据,根据现有的估计位置和下一个条目之前以及速度插入。

仿真场景之间的主要区别和真正的轨迹场景是车辆分布在模拟相对甚至在所有领域,在车辆分布不均在现实场景。因此,表演的三个方案在现实场景仿真结果的不同。

结果如图所示10。相比之下,结果在模拟场景中,一般来说,SFN仍然可以看到执行最好的,并且比FUZZBR SBN具有更好的性能。这是因为非均匀流量分布和不同的车辆移动模式大大降低FUZZBR的性能。

从图10 (b),而仿真结果图6 (b),SBN不会显示最小的传输开销在大多数的情况下在实际轨迹实验。原因是各种各样的移动模式的车辆会导致不稳定的通信,因此削弱了SBN的性能。与此同时,由于可靠的骨干网络和网络编码,SFN显示明显的优势超过其他。

总之,SFN的可靠的骨干网由两个脊椎在每一段和network-coding-based数据转发交货率高和短传播延迟,模拟车辆网络和真实车辆的场景基于出租车轨迹数据。

7所示。结论

为了提高数据在车载网络中传播,提出SFN方案利用模糊逻辑构建骨干网络和网络编码有效数据转发。在每个道路段,主要骨干和一个奴隶骨干选择根据车辆的传输能力,由模糊逻辑计算和考虑三个传播因素:速度变化率,速度优化程度,和信道质量。然后,这些骨干构造一个骨干网络支持段间数据传播。此外,当传输几包在不同方向或电源多个数据包,SFN使用网络编码以减少传输开销,因此节省无线带宽,达到快速恢复。特别是,对于稀疏场景,一个特定的解决方案提出了加速数据传播。实验结果表明,SFN交货率更高和更短的传播延迟比其他方案,同时保持稳定的支柱。

然而,无线通信的质量改进的MAC层和物理可能进一步提高数据传播方案的性能(36]。此外,汽车模型的传输能力在理论上彻底将是一个具有挑战性但将来重要的尝试。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

作者欣然承认中国的国家自然科学基金的支持(61502320和61502320),北京市教育委员会科技项目在中国(KM201410028015),北京优秀青年骨干工程人才培养项目(2014000020124 g133),和培养对象的年轻燕京首都师范大学的学者。

引用

1. m . Hu z中,m .倪,a . Baiocchi”beacon-less路由协议的设计和分析大量内容在车载ad hoc网络传播,”传感器(瑞士),16卷,不。11日,第1834条,2016年。视图:出版商的网站|谷歌学术搜索
2. x, j . Pu、k . Ma和z,“合作传输控制使用擦除全新车辆实现容忍延迟网络编码方案,“《超级计算,卷68,不。3、1462 - 1486年,2014页。视图:出版商的网站|谷歌学术搜索
3. x l .唐·d·h·香港w·l·陈和j . h .聚氨酯“分布式存储方案为车辆使用两偶图匹配网络,”软件学报。Ruanjian学报,27卷,不。9日,第2388 - 2377页,2016年。视图:谷歌学术搜索|MathSciNet
4. n Gupta, a·普拉卡什和r·特里帕西”自适应报警在流动意识到集群基于MAC协议的安全消息传播在VANET,”无线通信和移动计算卷,2017年,页1 - 15,2017。视图:出版商的网站|谷歌学术搜索
5. x唐、d .香港和w·陈,“数据采集基于合作稳定的偶图匹配汽车基础设施系统、“传感器,17卷,不。6,1327年,页2017。视图:出版商的网站|谷歌学术搜索
6. S.-Y。倪,研究。曾,Y.-S。陈,j。张文雄,“移动ad hoc网络广播风暴的问题,”学报》第五届ACM和IEEE移动计算和网络国际会议(99年MobiCom”),页151 - 162,西雅图,华盛顿,美国,1999年8月。视图:出版商的网站|谷歌学术搜索
7. g . Korkmaz大肠Ekici f . Ozguner,“一个有效的完全配备专门种广播协议车际通信系统,”学报2006年IEEE国际会议交流,国际商会2006年病重,页423 - 428年,2006年7月。视图:出版商的网站|谷歌学术搜索
8. n . Wisitpongphan o . k . Tonguz j·s·帕里克说,p . Mudalige f·巴姨,诉Sadekar,“广播风暴减排技术在车辆临时网络,”IEEE无线通信,14卷,不。6,84 - 94年,2007页。视图:出版商的网站|谷歌学术搜索
9. 沈x, x Cheng l .杨r·张,娇,“数据传播VANETs:调度的方法,”IEEE智能交通系统,15卷,不。5,2213 - 2223年,2014页。视图:出版商的网站|谷歌学术搜索
10. w·朱、d高和c . h .呸,”一个高效Prediction-Based在车载Ad Hoc网络数据转发策略”国际期刊的分布式传感器网络文章ID 128725卷,2015年,2015年。视图:出版商的网站|谷歌学术搜索
11. y . j .朱m . Liu, c . Ma和b·刘,“停车支柱:向高效覆盖在VANETs路由,”国际期刊的分布式传感器网络文章ID 291308卷,2014年,13页,2014。视图:出版商的网站|谷歌学术搜索
12. l .张和b·金,“天枢星:VANETs可靠和低延迟数据传播机制,“国际期刊的分布式传感器网络文章ID 581821卷,2013年,2013年。视图:出版商的网站|谷歌学术搜索
13. 雷耶斯,c . Barrado m·洛佩兹和c . Excelente车辆密度在VANET应用程序中,“环境智能和智能环境杂志》上》第六卷,没有。4、469 - 481年,2014页。视图:出版商的网站|谷歌学术搜索
14. r·s·施瓦茨h . Scholten, p .真的,做出“一个可伸缩的数据传播协议对于高速公路和城市车辆的环境,”EURASIP无线通讯和网络》杂志上,卷2013,不。1,第257条,2013。视图:出版商的网站|谷歌学术搜索
15. k . z Ghafoor k . a . Bakar s Salleh et al .,“模糊logic-assisted地理路由通过车载ad hoc网络,”国际期刊的创新计算、信息和控制,8卷,不。7,5095 - 5120年,2012页。视图:谷歌学术搜索
16. C.-J。黄,Y.-W。王,小时。Chen等人“车载网络的自适应多媒体流媒体分发系统,”应用软计算杂志,13卷,不。12日,第4518 - 4508页,2013年。视图:出版商的网站|谷歌学术搜索
17. c .吴x, y霁et al .,“包size-aware广播与模糊逻辑VANETs RL-based参数适应,”IEEE访问,3卷,第2491 - 2481页,2015年。视图:出版商的网站|谷歌学术搜索
18. 李,工程学系。李,K.-W。李,m . Gerla”理解处理开销vanets coding-based内容分发网络的“IEEE并行和分布式系统,24卷,不。11日,第2318 - 2304页,2013年。视图:出版商的网站|谷歌学术搜索
19. b . Hassanabadi和美国Valaee定期安全可靠消息广播VANETs使用网络编码,“IEEE无线通信,13卷,不。3、1284 - 1297年,2014页。视图:出版商的网站|谷歌学术搜索
20. s . a . m . Ahmed, s . h . s . Ariffin和n . Fisal“VANET广告应用网络编码技术,”Eurasip无线通讯和网络》杂志上,卷2015,不。1,第200条,2015。视图:出版商的网站|谷歌学术搜索
21. c .吴x, y, s . Ohzahata t·加藤,“高效的广播VANETs使用动态骨干和网络编码,“IEEE无线通信,14卷,不。11日,第6071 - 6057页,2015年。视图:出版商的网站|谷歌学术搜索
22. c, s . Ohzahata y霁,t·加藤”联合模糊继电器和network-coding-based转发多次反射在vanets广播,”IEEE智能交通系统,16卷,不。3、1415 - 1427年,2015页。视图:出版商的网站|谷歌学术搜索
23. c, s . Ohzahata, t·加藤”VANET广播协议基于模糊逻辑和轻量级的重传机制,“IEICE交易通讯,E95-B卷,不。2、415 - 425年,2012页。视图:出版商的网站|谷歌学术搜索
24. s r, r·w·杨和n .蔡“线性网络编码”电气和电子工程师学会。交易信息理论卷,49号2、371 - 381年,2003页。视图:出版商的网站|谷歌学术搜索|MathSciNet
25. a·拉什德德,法希姆,和m·金迪“车辆系统神经网络和模糊逻辑应用程序:文献调查,“国际汽车设计杂志》上,18卷,不。2、132 - 193年,1997页。视图:谷歌学术搜索
26. 荣格,公园,和李,“MAC吞吐量的影响根据车辆相对速度特设网络”《2007年国际会议上融合信息技术(ICCIT 2007)韩国庆北,页1183 - 1182年,韩国,2007年11月。视图:出版商的网站|谷歌学术搜索
27. m .免不了k .周年、k .录像和a . Nakayama”分析的最优速度模型明确的延迟,”物理评论E:统计物理学、等离子体、液体,和相关的跨学科主题,卷。58岁的没有。5,5429 - 5435年,1998页。视图:谷歌学术搜索
28. t . Tang y王,杨x, y,“一个新的车辆模型占不同的道路条件下,“非线性动力学。一个国际期刊工程系统的非线性动力学和混乱,卷70,不。2、1397 - 1405年,2012页。视图:出版商的网站|谷歌学术搜索|MathSciNet
29. l . Fangxun c . Rongjun g .红霞,l . Siuming”一种改进车辆模型考虑的影响最优速度领先的汽车,”非线性动力学,2016年,页1 - 10。视图:出版商的网站|谷歌学术搜索
30. j . Yoo b . s . c . Choi和m . Gerla”的机会中继协议车辆通道枯干的偶遇街头访问,”学报18 IEEE国际会议网络协议,ICNP 10《京都议定书》,页233 - 242年,日本,2010年10月。视图:出版商的网站|谷歌学术搜索
31. g . j . Klir和b .元,模糊集和模糊逻辑理论和应用程序普伦蒂斯霍尔,新泽西,新泽西,美国,1995年。视图:MathSciNet
32. 石川,m . Amagasa t .志贺g . Tomizawa r . Tatsuta和h . Mieno“不等式性质的德尔菲法和模糊德尔菲法通过模糊集成,”模糊集和系统,55卷,不。3、241 - 253年,1993页。视图:出版商的网站|谷歌学术搜索
33. 答:Keranen、j . Andott和t . Karkkainen“DTN协议评估一个模拟器,”第二届国际会议上仿真工具和技术(Simutools ' 09),页1 - 10,罗马,意大利,2009年3月。视图:出版商的网站|谷歌学术搜索
34. f .呗。Narayanan萨达高潘,a . Helmy”重要:一个框架,系统地分析流动性的影响对特定的网络,路由协议的性能”IEEE INFOCOM学报》2003。第二十二届联席会议的IEEE计算机和通信的社会,页825 - 835年,旧金山,加州,美国。视图:出版商的网站|谷歌学术搜索
35. k音响喇叭,h Liangmin、t . Yehui和y Jianqiang,“珊瑚礁地区浮游生物群落结构和多样性的三亚湾,海南省,中国,“生物多样性科学,19卷,不。6,696 - 701年,2011页。视图:出版商的网站|谷歌学术搜索
36. k·库马尔,A·普拉卡什和r·特里帕西“尼莫的频谱切换方案最优网络选择基于认知无线电车载网络,”无线通信和移动计算卷,2017篇文章ID 6528457, 16页,2017年。视图:出版商的网站|谷歌学术搜索

版权

版权©2017小兰唐等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。