面向用户兴趣的高效车联网数据转发方法文献综述

 2022-11-26 16:25:02

文 献 综 述

  1. 研究背景

以物联网、大数据以及人工智能等为代表的新一轮科技革命正推动着智能网联汽车产业的快速发展[1]。在这个过程中，物联网连接设备数量的井喷、联网设备以紧密的方式相互连接，引起了用户对于数据的和信息的共享的新需。在传统移动基础上，智能汽车有了在联网、计算能力的新发展[2]。这使得车联网成为了智能网联汽车技术体系的重要组成部分，借助新一代信息通信技术，实现车与X（即车与车、人、路、服务平台等）之间的网络连接，提高智能计算技术高度，为用户提供安全、舒适、环保的驾驶感受，提升社会交通服务的智能化水平[3][4]，具有广阔的发展前景。然而，在车联网移动传输转发状态下，受到传统设备模式和网络结构的影响，传统传输方式和拥塞控制办法难以适用，需要开发适应新传输环境特征和状态的办法。因此，在动态广域车联网环境下研究高效自适应的数据转发机制，以满足智慧城市中智能网联汽车信息交互应用需求，具有重要科研意义与经济价值，是智能物联时代对于智慧开发迫在眉睫的需求，成为当前研究热点。

  1. 国内外车联网数据转发策略现状

国内外学者在车联网数据转发策略研究领域已取得较好成果。在基于模型驱动的方法中，贪婪转发算法[5]是一种被广泛应用的中继节点选择算法，但该方法丢包问题严重。为了解决这个问题，Hassan等人[6]在开展数据转发节点选择过程中，考虑了链路连接质量、转发距离、车辆移动方向以及网络负荷等因素，有效提升了数据传输投递率。但是上述算法要求所有节点周期性的广播hello包以获取相邻移动节点实时信息，这需要消耗宝贵的网络资源，易导致网络拥塞。Mehdi[7]等人针对城市车联网提出了EIPG2算法，采用优先无限制贪婪转发及基于交叉点的周边转发方式，利用了环路检测和进位转发技术，在包裹传输率、延迟和网络开销上都有了显著进步。于家培等[8]针对 V2V 链路不稳定的问题，提出了一种基于信道感知的转发链路增强算法 FLEA (Forward Link Enhanced Algorithm)。基于对周边车辆的历史位置及速度信息的采集对车辆进行记忆性位置预测，结合信道感知计算当前时刻通信覆盖范围，预测车辆通信链路可靠性，结合贪婪转发算法与 FLEA算法以提升数据包投递率，并且有效降低端到端时延。Tian等人[9]提出基于细胞吸引子选择模型的自适应数据转发算法，同时设计了一种多属性决策算法，以减少候选的下一跳数据转发节点数目，进一步增强吸引子选择策略性能。Lu等人[10]提出基于无人机辅助的三维空间数据转发机制，有力提升了异构车联网的无线链路性能和可扩展性。但是，以上算法构建的单跳无线链路性能数学模型通常是在一些较为理想的假设前提下实现的，一般难以完全准确地反映复杂多变的车联网数据传输环境，从而影响数据转发节点的高效选择。提出了一种使用存储转发分集方案的多跳无线车辆网络的优化框架。

在基于数据驱动的数据转发算法中，Su等人[11]设计了基于深度强化学习的数据传输中继节点选择算法，以提升无线链路利用效率与传输网络整体吞吐量。Qian等[12]提出了一种中继选择算法，以提高基于社交网络结合Q-Learning的D2D（设备到设备）用户车载网络通信系统的通信速率。Gulati等人[13]利用卷积神经网络来评估数据转发通信节点的兴趣匹配等级，并考虑单跳链路连接性和车辆可用能量，在此基础上选出了合适的数据转发节点，有效降低了投递时延，但是该算法忽略了车辆驾驶人的社会可信度，从而降低了数据转发的安全隐私性。为解决相关问题，石峻岭[14]等人将移动社交网络中使用社交关系进行路由的方法应用于车联自组织网络中，文利用节点间的兴趣匹配程度对网络内节点进行社区划分，考虑节点的兴趣匹配度对消息的引导作用及节点间的信号强度与贡献值，同时为了有效管理节点的消息缓存，设计了基于人类社会关系的缓存处理机制，以达到信息高效传输的目的。钱贵文[15]指出，VANET（车载自组织网络）属于社会网络的一部分，有社会网络的特性，融合社会属性和传统车载网络属性提出采用分情况路由策略的SARP算法，结合贪婪算法、角度筛选和模糊推理选择下一跳转发节点。陶敏等[16]提出基于人为因素的车辆信任估计算法（HFTE）通过在线社会网络( OSNs) 估计驾驶员的忠诚。并融合车间信任和基于OSN-信任，综合地估计车辆的总体信任值，对于社交网络和车联网络的结合具有重要意义。另外，为了提升高动态5G车联网环境中数据转发算法的自适应性，Sim等人[17]将波束选择问题转化为多臂赌博机问题，并提出了基于快速机器学习的在线学习算法，一定程度上解决了数据投递过程中的环境自主感知问题。

  1. 总结

综上所述，国内外学者在车联网数据投递策略研究领域已取得较好成果，但依然面临很多挑战，包括自适应能力受限、安全可靠性欠佳、无线链路性能评估不准确等问题，主要体现在：（1）现有算法难以自适应地选择最佳中继转发车辆通信节点，或难以对计算任务进行合理的分割和分配，以动态满足智能网联汽车数据投递服务质量的多元化需求；（2）现有车联网数据转发算法存在忽略/难以准确评估数据转发车辆驾驶人员的社会属性（比如是否愿意转发数据以及是否存在恶意修改或者故意泄露待转发数据的行为/可能性等）的问题，影响了数据投递的可靠性和安全性；（3）构建的无线链路模型通常是在一些假设条件下实现的，难以精确地描述复杂多变的实际车联网环境，从而影响数据转发节点的高效选择。显然，如何设计高效自适应的车联网数据转发机制，以满足不同应用服务质量的多元化数据传输性能需求，增强数据投递的安全可靠性，具有重要研究价值。同时，发现社会关系网络对于车联网安全性和传输选择高效性的契合特征和信息利用的必要。考虑到技术安全可靠要求和社会属性和社交关系网络评估在这一问题解决的高度有效性，本项目主要针对准确评估数据转发车辆驾驶人员的社会属性（对于转发数据的意愿，兴趣导致信息重复出现概率，相关恶意修改或者故意泄露待转发数据的可能性等）的问题，在车联网络与社交网络的相似性基础出发，拟研究面向用户兴趣的高效车联网数据转发方法，以实现下一跳中继节点的最优选择，相关研究成果将为智能网联汽车发展提供理论与技术支持。

主要参考文献目录

  1. 常雪阳, 许庆, 李克强, et al. 通信时延与丢包下智能网联汽车控制性能分析[J]. 中国公路学报, 2019, 32(6) : 216-255.
  2. 何宗键,曹建农,郑俊浩.车联社交网络：机遇、挑战和应用[J].中兴通讯技术,2014,(1):31-34.
  3. Khelifi H, Luo S, Nour B, et al. Named data networking in vehicular ad hoc networks: state-of-the-art and challenges[J]. IEEE Communications Surveys amp; Tutorials, 2020, 22(1): 320-351.
  4. Misra S, Bera S. Soft-van: mobility-aware task offloading in software-defined vehicular network[J]. IEEE Transactions on Vehicular Technology, 2020, 69(2): 2071-2078.
  5. Luo G, Zhou H, Cheng N, et al. Software defined cooperative data sharing in edge computing assisted 5g-vanet[J]. IEEE Transactions on Mobile Computing, 2019: 1-18.
  6. Hassan A, Kaiwartya O, Abdullah A, et al. Inter vehicle distance based connectivity aware routing in vehicular ad hoc networks[J]. Wireless Personal Communications, 2018, 98(1): 33-54.
  7. Garrosi, Mehdi Tavakoli , X. Xiang , and M. Noroozi . 'Loop-Free Enhanced Intersection-Based Perimeter Geo-Routing with Carry-and-Forward for Urban VANETs.' 2017 IEEE 86th Vehicular Technology Conference (VTC-Fall) IEEE, 2018.
  8. 于家培, 王萍, 祝捷. 面向车联网路由的转发链路增强算法[J]. 软件, 2019, 40(01):158-163.
  9. Tian D, Zheng K, Zhou J, et al. A microbial inspired routing protocol for vanets[J]. IEEE Internet of Things Journal, 2018, 5(4): 2293-2303.
  10. Lu R, Zhang R, Cheng X, et al. Relay in the sky: a uav-aided cooperative data dissemination scheduling strategy in vanets[C]. IEEE International Conference on Communications, 2019: 1-6.
  11. Su Y, Lu X, Zhao Y, et al. Cooperative communications with relay selection based on deep reinforcement learning in wireless sensor networks[J]. IEEE Sensors Journal, 2019, 19(20): 9561-9569.
  12. Qian H , Yu J , Hua L . Relay selection algorithm based on social network combined with Q-learning for vehicle D2D communication[J]. IET Communications, 2019, 13(20):3582-3587.
  13. Gulati A, Aujla G, Chaudhary R, et al. Deep learning-based content centric data dissemination scheme for internet of vehicles[C]. IEEE International Conference on Communications, 2018: 1-6.
  14. 石峻岭.面向车联网的社交型路由机制设计与仿真实现[D].辽宁:东北大学,2014.
  15. 钱贵文.基于社会属性的车联网路由算法研究[D].陕西:西安理工大学,2016.
  16. 陶敏, 周雄. 车联网中基于社会网络的车辆信任估计方案[J]. 中国电子科学研究院学报, 2019, v.14;No.89(09):81-85.
  17. Sim H, Klos S, Asadi A, et al. An online context-aware machine learning algorithm for 5g mmwave vehicular communications[J]. ACM Transactions on Networking, 2018, 26(6): 2487-2500.

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章