CN107592212B - 基于流体力学的车联网数据流网络模型的车辆自组织网网络容量计算模型构造方法 - Google Patents
基于流体力学的车联网数据流网络模型的车辆自组织网网络容量计算模型构造方法 Download PDFInfo
- Publication number
- CN107592212B CN107592212B CN201710650197.7A CN201710650197A CN107592212B CN 107592212 B CN107592212 B CN 107592212B CN 201710650197 A CN201710650197 A CN 201710650197A CN 107592212 B CN107592212 B CN 107592212B
- Authority
- CN
- China
- Prior art keywords
- network
- vehicle
- network capacity
- data
- capacity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
Abstract
基于流体力学的车联网数据流网络模型的车辆自组织网络容量计算模型构造方法,其特征在于,利用与网络容量相关的网络特性的描述方程,推导出车辆自组网网络容量计算模型。从而可以从理论角度指导车联网应用的设计与运行,为评价网络协议的高效性提供指标。同时也可以让我们更深入地理解车联网的基本性质,改善车联网网络性能,为车联网大规模容量的提高提供了理论基础。
Description
技术领域
本发明涉及车联网领域。
背景技术
由于车辆节点通信时共享无线网络资源,所以节点间同时传输数据会相互干扰,降低通信质量。由此可知,车联网的网络容量,即车联网能够承载的最大的数据量是有限的。车联网应用服务的实施需要通过车联网交换大量的数据,只有当车辆节点的发送速率达到一定值后才能正常运行。但是若节点发送的数据超过了车联网能够承载的极限,会大量地出现拥塞和丢包的现象,甚至还有可能导致整个网络瘫痪。由此产生一个自然而基本的问题:车联网能够提供多大的网络容量?人们迫切地需要一个能够准确评估车联网网络容量的计算模型来指导车联网应用的设计和运行。目前对车联网网络容量的研究只是分析了车联网的网络容量与网络规模的渐进关系,该研究结果只反映了车联网在网络规模趋于无穷大时所具有的网络容量,而不能准确计算某个具体场景下车联网所具有的网络容量,其并不能作为衡量网络容量的指标。
网络容量是评价网络性能的一个重要指标。车联网应用服务的实施需要通过车联网在车辆节点间交换大量的数据,但根据CSMA/CA机制,距离较近的节点同时发送数据会发生碰撞,导致数据传输失败,这说明车联网的网络容量是有限的,车联网应用随意地发送数据可能会导致整个网络瘫痪。对车联网网络容量的研究,是车联网研究的关键问题之一,一个能够严格评估不同网络规模下车联网网络容量的计算模型可以指导应用的设计与运行,并为评价具体协议的高效性提供指标。
发明内容
本发明是利用《表征车联网复杂网络特征的基于流体力学的数据流网络模型方法》(申请人:同济大学,专利申请号201710303301.5)此专利申请的数据流网络模型,对车联网自组织网络容量的计算模型进行深入研发。
本发明目的在于公开一种车辆自组织网网络容量计算模型构造方法,对车联网自组织网络容量计算模型构造方法进行深入系统的研究,从而从理论角度指导车联网应用的设计与运行,为评价网络协议的高效性提供衡量指标。
为此,本发明给出以下技术方案实现:
本发明研究方法,其特征在于,基于目前已有关于车联网网络容量的研究只是分析了网络容量关于网络规模的渐进行为,缺乏能够准确评估车联网网络容量的计算模型等问题,基于提出的表征车联网复杂网络特征的基于流体力学的数据流网络模型(在先专利申请已披露,专利申请号201710303301.5),利用与网络容量相关的网络特性的描述方程,推导出车辆自组织网网络容量计算模型,从而可以从理论角度指导车联网应用的设计与运行,为评价网络协议的高效性提供指标。同时也可以让我们更深入地理解车联网的基本性质,改善车联网网络性能,为车联网大规模容量的提高提供了理论基础。
一种基于流体力学的车联网数据流网络模型的车辆自组织网网络容量计算模型构造方法,其特征在于,包括两部分,
一、给出车辆自组织网网络容量定义
(1)车辆自组织网聚合网络容量:对于一个有n个车辆节点的车辆自组织网络,其通过车辆节点间多跳转发数据,若存在一种传输方案,使得在时间[it,(i+1)t]内,整个车辆自组织网络成功传输的数据量为tT(n)bits,那么在该时间段内,车辆自组织网络的平均聚合网络容量为T(n)bits/sec。聚合网络容量是车辆自组织网络中所有车辆节点网络容量的总量。
(2)车辆自组织网网络容量:对于一个有n个车辆节点的车辆自组织网络,其通过车辆节点间多跳转发数据,若其聚合网络容量为T(n)bits/sec,且车辆节点发送数据事件满足独立同分布,则车辆自组织网网络容量为T(n)/nbits/sec。
二、给出车辆自组织网网络容量计算模型
步骤1.在车辆自组织网络中,网络中的数据包密度ρ和数据传输速度v之间的关系:
其中,λ、ρf、vf、ρb都是常数。
步骤2.车辆自组织网网络容量与网络规模关系:
步骤3.车辆自组织网的网络容量与传输速度的关系:
车联网应用服务的实施需要在车辆节点之间传输大量数据,然而,由于车辆节点共享无线网络资源,使得节点间传输数据时可能因相互干扰导致车联网网络通信质量下降问题。因此,为了确保车联网应用层服务顺利实施,需要一个能够指导应用服务数据传输的衡量指标,即车联网网络容量。目前已有关于车联网网络容量的研究只是分析了网络容量关于网络规模的渐进行为,缺乏能够准确评估车联网网络容量的计算模型。针对以上问题,本发明基于车联网数据流网络模型(程久军等发明人于2017年5月3日申请的《表征车联网复杂网络特征的基于流体力学的数据流网络模型方法》(申请人:同济大学,专利申请号201710303301.5),该专利申请给出的技术方案为:基于车联网数据流和流体具有一定的相似性,首先把车联网数据流比拟成流体,抽象成车联网数据流,并利用流体力学理论来研究车联网复杂网络规律,推导出车联网网络特性的描述方程,进一步得到车联网复杂网络的数据流模型。)
本发明利用与网络容量相关的网络特性的描述方程,推导出车辆自组织网网络容量计算模型,分析了网络容量随网络规模和网络延迟的变化规律,得出了导致网络容量下降的原因。车联网网络容量的计算模型可以从理论角度指导车联网应用的设计与运行,为评价网络协议的高效性提供指标。同时也可以让我们更深入地理解车联网的基本性质,改善车联网网络性能,为车联网大规模容量的提高提供了理论基础。
附表说明
表1车辆自组织网络仿真实验参数
附图说明
图1车联网数据流传输速度和网络中数据包密度关系模型分析
图2车联网数据流的传输速度和网络中数据包密度的关系曲线
图3车联网数据流网络中数据包密度和传输速度的关系曲线
图4车辆自组织网网络容量与网络规模的关系曲线
图5车辆自组织网网路容量扩展率分析
图6车辆自组织网网络容量与传输速度的关系曲线
图7TAPASCologne数据集拓扑结构
图8网络容量与网络规模
图9投递率与网络规模
图10网络容量与网络延迟
图11真实场景下不同时刻的网络容量
图12真实场景下不同时刻的投递率
图13为本发明方法流程图
具体实施方式
本发明的具体实施过程如图13所示,包括如下8个方面:
①车辆自组织网网络容量定义
②车辆自组织网网络容量计算模型
③实验方法
④网络容量与网络规模的关系进行验证
⑤投递率与网络规模的关系进行验证
⑥网络容量与网络延迟的关系进行验证
⑦真实场景下大规模车联网自组织网络的网络容量进行验证
⑧真实场景下大规模车联网自组织网络的投递率进行验证
①
车辆自组织网网络容量定义
(1)车辆自组织网聚合网络容量:对于一个有n个车辆节点的车辆自组织网络,其通过车辆节点间多跳转发数据,若存在一种传输方案,使得在时间[it,(i+1)t]内,整个车辆自组织网络成功传输的数据量为tT(n)bits,那么在该时间段内,车辆自组织网络的平均聚合网络容量为T(n)bits/sec。聚合网络容量是车辆自组织网络中所有车辆节点网络容量的总量。
(2)车辆自组织网网络容量:对于一个有n个车辆节点的车辆自组织网络,其通过车辆节点间多跳转发数据,若其聚合网络容量为T(n)bits/sec,且车辆节点发送数据事件满足独立同分布,则车辆自组织网网络容量为T(n)/nbits/sec。
②车辆自组织网网络容量计算模型
(1)引理:在车辆自组织网络中,网络中的数据包密度ρ和数据传输速度v满足:
其中,λ、ρf、vf、ρb都是常数。
证明:
根据数据包的源节点、目的节点和途经的路由节点,可以把车联网数据流划分成不同的集合。只有源节点、目的节点和途经的路由节点都完全相同的数据包才属于同一集合。当车联网数据流密度较低时,节点间的相互干扰较小,可以忽略不计,集合的速度主要由节点发送速度和节点转发延迟决定。由于此时的速度和密度之间不存在一一对应的关系,把这种状态称为自由流。随着数据流密度增大,节点之间的干扰作用逐渐凸显,当密度增加到一定程度时,无法再忽视节点间干扰的作用,此时,由于节点间的相互干扰,数据流的速度会降低,数据流速度和密度之间开始具有对应关系。把数据流处于自由流的最大密度称为自由流密度ρf,此时的数据流速度为自由流速度vf。随着数据流密度继续增加,当达到某一个阈值后,数据流速度会降为0,称此时的数据流密度为阻塞密度ρb。
根据车联网复杂网络特征的基于流体力学的数据流网络模型(在先专利申请已披露,专利申请号201710303301.5)和q=ρv,(q是指流体力学中的流量)可得
把式(3)代入根据车联网复杂网络特征的基于流体力学的数据流网络模型(在先专利申请已披露,专利申请号201710303301.5),可得
化简,得
根据车联网复杂网络特征的基于流体力学的数据流网络模型(在先专利申请已披露,专利申请号201710303301.5),可得
把式(6)代入式(7),得
把τf代入式(7),得
当ρ<ρf时,式(8)取-号,当ρ≥ρf时,式(8)取+号。
因为流速v是密度ρ的函数,即v=v(ρ),所以
把式(9)代入式(8),得
当ρ<ρf时,式(10)取-号,当ρ≥ρf时,式(10)取+号。
式(10)的解为
或
q=ρv=c(c是指信道数量) (13)
由式(13),可得
对式(12)进行形式转换,可得
首先考虑数据流作为理想流体的情况,即数据流始终不会受到粘性的作用。此时,v1=0,取+号,式(15)变为
当数据流处于自由流状态时,速度vf对应的密度为ρf,所以此时(ρf,vf)是一个已知点,对式(16)进行积分求解,得
分析式(17)可知,当数据流作为理想流体时,即不考虑节点间的相互干扰时,其以定流量状态运行,其中q=vfρf。(q是指流体力学中的流量)
接着考虑数据流始终受到粘性作用的情况,此时v1=vf,原式变为
当数据流密度达到阻塞密度ρb时,数据流速度为0。所以此时(ρb,0)是一个已知点。对式(18)进行积分求解,可得
现在来讨论一般情况,即当数据流的密度和速度处于某一区间时,数据流所受的粘性作用较小,可以忽略不计;而当数据流的密度和速度处于另一区间时,数据流受到粘性作用的影响。此时,0≤v1≤vf,ρf≤ρ1≤ρb。
当v>v1,ρ<ρ1,时,式(15)取-号,即
因为点(ρf,vf)在v>v1,ρ<ρ1的范围内,所以点(ρf,vf)是一个已知点。对式(20)进行积分求解,得
当v<v1,ρ>ρ1时,式(15)取+号,即
因为点(ρj,0)在v<v1,ρ>ρ1的范围内,所以点(ρj,0)是一个已知点。对式(22)进行积分求解,得
随着数据流密度增加,由于节点间相互干扰,数据流速度会下降,在某一个区间,它们会达到一种动态平衡,即数据流处于定流量状态。设该区间的端点为点A和点B,则当vA≤v≤vB,ρA≤ρ≤ρB时,
综上,可得数据流的速度-密度关系为
下面来确定点A和点B所处的位置。令v1=λvf,则式(25)可变为
如图1所示,首先可以作出曲线和曲线 的图像所在的位置。设点A为曲线和曲线相交的位置,设点B为曲线和曲线相交的位置。因为B点是曲线流量达到最大的极值点,所以曲线和曲线v=λvf-应该在B点相切,由此求得求出B点后,可以作出曲线的图像所在的位置,并求出其与曲线的交点A的位置为
将A点和B点的位置代入式(26),得
车联网数据流的传输速度和网络中数据包密度的关系曲线如图2所示。
根据式(27),可求得车联网数据流的密度-速度关系为
车联网数据流网络中数据包密度和传输速度的关系曲线如图3所示。
至此,证明完毕。
(2)定理1:车辆自组织网网络容量与网络规模关系:
证明:
根据T=vρ和式(27),可得
由于ρ=cn,其中,n表示车辆自组织网络中的节点数量,c为一个常数,其值由节点数据传输速度决定。带入式(30),可得
车辆自组织网网络容量与网络规模的关系曲线如图4所示。
至此,证明完毕。
由此定理可知,车辆自组织网的网络容量随网络规模的变化规律可分为三个阶段:线性增长阶段、容量保持阶段、幂下降阶段。网络中正在通信的节点对数量和不同节点之间同时传输数据时冲突的概率是影响网络容量的两个主要因素。车辆自组织网网络容量扩展率的不同阶段正是这两个主要因素相互作用的结果。
1)线性增长阶段
如图5所示,曲线的AB段表示了网络容量的线性增长阶段。在该阶段中,网络规模从零开始增长。此时,不同节点间同时传输数据发生碰撞的概率极低,可忽略不计。由于网络中传输的数据量还远未达到网络能够承载的最大量,而网络规模的增大会增加网络中通信的节点对,所以网络容量随网络规模线性增长,直至最大值。
2)容量保持阶段
如图5所示,曲线的BC段表示网络容量的保持阶段。在经过了线性增长阶段后,网络已经具备一定规模,此时,不同节点间同时传输数据时发生冲突带来的后果开始凸显。网络规模增大使得节点对增加带来的正收益和碰撞概率增加带来的负收益达到一种动态平衡,相互抵消。网络容量保持着一种较稳定的状态。
3)幂下降阶段
如图5所示,曲线的CD段表示网络容量的幂下降阶段。此时,网络规模已经相当庞大。不同节点之间同时传输数据时的碰撞作用成为了影响网络容量的主导因素,并且碰撞概率随网络规模幂级增长,网络容量急剧下降。大规模车辆自组织网的网络容量接近为零,此时网络已经瘫痪,网络中的节点无法相互通信。
由以上的分析可知,为了得到最大的网络容量,最好使得网络规模处于网络容量保持阶段。在线性增长阶段,网络的各种资源没能得到充分利用,而在幂下降阶段,网络容量会由于节点间对网络资源的争夺而迅速下降。此外,由于存在幂下降阶段,所以依靠单纯的车辆自组织网络构建大规模车联网并不可行,因为当网络规模增大到一定程度后,网络资源都被消耗在节点的竞争中,网络容量几乎为零,网络不再具备通信能力。
(3)定理2:车辆自组织网的网络容量与传输速度的关系:
证明:
把式(28)代入T=vρ,得
车辆自组织网网络容量与传输速度的关系曲线如图5所示。
至此,证明完毕。
由此定理可知网络容量与传输速度的关系,由于传输速度和网络延迟成反比关系,其也反应了网络容量和网络延迟的关系。传输速度越高,网络延迟越低,但传输速度越高,节点需要更快地把数据转发出去而无法做一些优化处理,使得对网络资源的利用率降低,导致网络容量降低。如图6所示,随着传输速度由低到高,网络延迟相应的由高到低,网络容量可分为增长、保持、降低三个阶段。起初的增长阶段是由于传输速度过低,延迟过高,导致许多数据滞留在中继节点中,网络资源得不到充分利用,此时,适当增加传输速度可以增大网络容量。随后的保持阶段中,由于传输速度提高使得滞留数据大大减少,而且延迟也比较合理,大多数转发数据得到了优化处理,网络容量达到最大值。最后的下降阶段是由于传输速度过高,中继节点来不及优化处理转发数据导致网络资源利用率下降所致。综上可知,网络容量和网络延迟是一对矛盾体,无法做到在这两个参数之间都取得最优值,为了充分地利用网络资源,只能对这两个参数综合考虑选择一个折衷值。保持阶段是网络容量和网络延迟的一个较好的折衷点。
③实验方法
1)交通仿真
本发明首先模拟了一条20km长的双车道高速公路来研究车辆自组织网网络容量随网络规模和网络延迟的变化规律。为了避免边缘效应,其中开始路段和结束路段各2.5km不计入考虑。道路上车辆节点的起始位置采用泊松分布。为了使得仿真更加符合实际情况,对驾驶者的行为进行模拟。其中,驾驶者的行为限制为加速、减速和变道三种行为。每个驾驶者都被赋予一个期望速度,该期望速度服从平均值为120km/s,方差为10的分布。当车道上没有其他车辆时,驾驶者以期望速度行驶,当车道上有其他车辆时,驾驶者会根据跟驰模型调整车速。如果另一车道行驶条件更好,则驾驶者会进行变道。这种驾驶行为模型称为微仿真,其已经过真实数据验证。然后本发明利用TAPASCologne数据集来模拟真实场景下的大规模车联网自组织网络并研究其网络容量,如图7所示。
2)网络仿真
仿真实验中,车辆自组织网的车辆节点均装载IEEE802.11p接口,每个节点都会周期性地随机寻找另一个节点进行通信,此时,该节点作为源节点以固定的比特率(ConstantBit Rate,CBR)发送数据,该传输速度接近802.11p规定的速率。统计节点作为目的节点时正确接收的数据量以计算仿真时间内网络的网络容量。统计源节点发出的数据包数和被目的节点正确接收的数据包数可以计算出网络的投递率。源节点发出数据包时给其打上时间戳,目的节点接收到数据包时也给其打上时间戳。通过这两个时间戳可以计算出该数据包从被源节点发送到被目的节点接收的延迟。统计所有数据包的延迟可计算出仿真时间内网络的平均延迟。仿真实验的参数设置如表1所示。
④网络容量与网络规模的关系进行验证
在20km长的双车道高速公路场景下,使车辆节点从0依次增长到1000并分别做仿真实验,统计车辆节点作为目的节点成功接收到的数据量并计算得到网络容量,实验结果如图8所示。图中每个点为仿真100次所取得平均值所得,置信区间为95%。直线表示根据仿真实验数据所得的车辆自组织网网络容量随网络规模的变化规律。虚线表示通过本发明定理1计算所得的理论网络容量,从图中可以看出,该理论结果和实验数据的拟合度很高,正确地反映了网络容量随网络规模的变化规律。点划线表示无线自组网的网络容量,无线自组网的研究得出网络容量的界限为其为渐进表达式,只能表示网络规模趋于无穷大时的网络容量,从图中可以看出,在网络规模较小时,其与实验数据的差别很大。点线表示移动自组网的网络容量,移动自组网的研究得出节点的移动性可以使网络容量保持为常数阶Θ(1),从图中可以看出,这与实验数据并不符合,这是因为车辆自组织网络并不满足移动自组织网络中高延迟容忍性、节点缓存空间巨大的假设,并且车辆自组织网络的拓扑结构比移动自组织网络要快得多。对比无线自组网和移动自组网网络容量的研究结果,本发明的计算模型不仅能够反应车辆自组织网网络容量的变化规律,而且在各个阶段算得的网络容量理论值和实际值都较为接近,把其作为评估车辆自组织网网络容量的指标是可行的。
⑤投递率与网络规模的关系进行验证
在20km长的双车道高速公路场景下,使车辆节点从0依次增长到1000并分别做仿真实验,统计车辆节点作为源节点发出的数据包数和车辆节点作为目的节点成功接收到的数据包数并计算得到投递率,实验结果如图9所示。图中每个点为仿真100次所取得平均值所得,置信区间为95%。从图中可以看出,在网络规模从零开始增长时,投递率会短暂地上升,这是由于网络连通性的提高引起的。投递率增长到最高后会保持一段时间,此时对应网络容量的线性增长阶段,由于此时网络资源并没有被充分利用,所以网络规模增大对投递率影响不大。随着网络规模进一步增大,节点传输数据的相互干扰作用开始凸显,投递率逐渐下降,此时对应网络容量的保持阶段。而到了网络容量的幂下降阶段,大量网络资源被浪费在节点竞争中,投递率随着网络规模增大迅速下降。
⑥网络容量与网络延迟的关系进行验证
在20km长的双车道高速公路场景下,研究了网络规模分别为200、500和800时网络容量和网络延迟的关系,通过设置节点的转发速度和优化处理等级可以得到不同的网络延迟对应的网络容量,实验结果如图10所示。从图中可以看出,在网络延迟较高时,适当地提高传输速度,降低网络延迟可以提高网络容量。而在网络延迟较低时,提高传输速度反而会降低网络容量,这与本发明推导的结论相一致。对比不同网络规模的网络容量可知,当网络规模较小时,即使网络延迟很低,也可以得到较高的网络容量,而当网络规模较大时,为得到稳到的网络容量,需要把网络延迟设置得更高。
⑦真实场景下大规模车联网自组织网络的网络容量进行验证
利用TAPASCologne数据集模拟真实场景下大规模车联网自组织网络,由于6:00am-8:00am时间段包含了车辆稀疏、车辆密集和正常车辆密度场景,本发明截取6:00am-8:00am的数据进行仿真实验,得到的各个时间段的网络容量如图11所示。由图可知,在清晨6:00的时候,道路上的车辆较少,网络容量也较低,随着时间经过,人们准备上班,道路上的车辆开始增多,网络容量也随着增长。7:00到7:45属于上班高峰期,道路上的车辆突然增多好几十倍,由于网络规模的增大,超过了车联网自组织网络能够承载的范围,网络容量急剧下降,这时网络近乎瘫痪。7:45过后,上班高峰过去,道路上的车辆开始减少,逐渐恢复正常,网络容量也随着回涨。
⑧真实场景下大规模车联网自组织网络的投递率进行验证
利用TAPASCologne数据集模拟真实场景下大规模车联网自组织网络,由于6:00am-8:00am时间段包含了车辆稀疏、车辆密集和正常车辆密度场景,本章截取6:00am-8:00am的数据进行仿真实验,得到的各个时间段数据包的投递率如图12所示。由图可知,在6:00-6:30时段,道路上的车辆较少,节点通信之间相互干扰的概率也较小,投递率一直保持较高值。在6:30-7:00时段,道路上的车辆已经形成较大规模,节点间相互干扰作用开始凸显,投递率逐渐下降。7:00到7:45属于上班高峰期,道路上的车辆形成大规模网络,网络资源几乎全被浪费在节点竞争中,投递率急剧下降,这时网络近乎瘫痪。7:45-8:00时段,上班高峰过去,道路上的车辆开始减少,逐渐恢复正常,投递率也恢复了较高值。
创新点:利用在先专利申请的推导的基于流体力学的数据流网络模型(《表征车联网复杂网络特征的基于流体力学的数据流网络模型方法》,申请人:同济大学,专利申请号:201710303301.5),本发明提出了一种车辆自组织网网络容量计算模型,从而为评价网络协议的高效性提供指标。
在先专利申请的推导的基于流体力学的数据流网络模型(《表征车联网复杂网络特征的基于流体力学的数据流网络模型方法》,申请人:同济大学,专利申请号:201710303301.5)公开内容视为本发明说明书组成部分。
本发明基于车联网数据流网络模型(程久军等发明人于2017年5月3日申请的《表征车联网复杂网络特征的基于流体力学的数据流网络模型方法》(申请人:同济大学,专利申请号201710303301.5),利用与网络容量相关的网络特性的描述方程,推导出车辆自组织网网络容量计算模型,分析了网络容量随网络规模和网络延迟的变化规律,得出了导致网络容量下降的原因。车联网网络容量的计算模型可以从理论角度指导车联网应用的设计与运行,为评价网络协议的高效性提供指标。同时也可以让我们更深入地理解车联网的基本性质,改善车联网网络性能,为车联网大规模容量的提高提供了理论基础。
说明书附表
表1
Claims (1)
1.基于流体力学的车联网数据流网络模型的车辆自组织网网络容量计算模型构造方法,其特征在于,利用与网络容量相关的网络特性的描述方程,推导出车辆自组织网网络容量计算模型;
包括步骤
一、给出车辆自组织网网络容量定义
(1)车辆自组织网聚合网络容量:对于一个有n个车辆节点的车辆自组织网络,其通过车辆节点间多跳转发数据,若存在一种传输方案,使得在时间s[it,(i+1)t]内,整个车辆自组织网络成功传输的数据量为tT(n)bits,那么在该时间段内,车辆自组织网络的平均聚合网络容量为T(n)bits/sec;所述聚合网络容量是车辆自组织网络中所有车辆节点网络容量的总量;
(2)车辆自组织网网络容量:对于一个有n个车辆节点的车辆自组织网络,其通过车辆节点间多跳转发数据,若其聚合网络容量为T(n)bits/sec,且车辆节点发送数据事件满足独立同分布,则车辆自组织网网络容量为T(n)/nbits/sec;
二、给出车辆自组织网网络容量计算模型
步骤1.在车辆自组织网络中,网络中的数据包密度ρ和数据传输速度v之间的关系:
其中,λ、ρf、vf、ρb都是常数,把数据流处于自由流的最大密度称为自由流密度ρf,此时的数据流速度为自由流速度vf;随着数据流密度继续增加,当达到某一个阈值后,数据流速度会降为0,称此时的数据流密度为阻塞密度ρb;
步骤2.车辆自组织网网络容量与网络规模关系:
步骤3.车辆自组织网的网络容量与传输速度的关系:
c为一个常数,其值由节点数据传输速度决定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710650197.7A CN107592212B (zh) | 2017-08-02 | 2017-08-02 | 基于流体力学的车联网数据流网络模型的车辆自组织网网络容量计算模型构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710650197.7A CN107592212B (zh) | 2017-08-02 | 2017-08-02 | 基于流体力学的车联网数据流网络模型的车辆自组织网网络容量计算模型构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107592212A CN107592212A (zh) | 2018-01-16 |
CN107592212B true CN107592212B (zh) | 2020-08-14 |
Family
ID=61042123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710650197.7A Active CN107592212B (zh) | 2017-08-02 | 2017-08-02 | 基于流体力学的车联网数据流网络模型的车辆自组织网网络容量计算模型构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107592212B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113099419B (zh) * | 2021-04-18 | 2022-09-13 | 温州大学 | 基于双车道格子流体力学的提高车联网通信连通性的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8001365B2 (en) * | 2007-12-13 | 2011-08-16 | Telefonaktiebolaget L M Ericsson (Publ) | Exchange of processing metric information between nodes |
FR3011159B1 (fr) * | 2013-09-25 | 2015-09-04 | Green Comm | Systeme et procede de partage de capacite distribue dans un reseau ad-hoc |
CN104735683B (zh) * | 2015-03-24 | 2018-05-22 | 浙江大学 | 一种城市道路网络中面向信息收集时延保障的rsu布置方法 |
CN105827688A (zh) * | 2016-01-08 | 2016-08-03 | 同济大学 | 城市场景中车联网大规模异构网络连通性质的研究方法 |
CN106160993B (zh) * | 2016-08-12 | 2019-03-05 | 江苏大学 | 一种基于its中d2d通信模型的系统容量扩容方法 |
-
2017
- 2017-08-02 CN CN201710650197.7A patent/CN107592212B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107592212A (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101958833B (zh) | 一种基于随机早期侦测red的网络拥塞控制方法 | |
CN105515880A (zh) | 一种适合融合网络的令牌桶流量整形方法 | |
CN101075960A (zh) | 高速网络中基于路由器显式虚拟负载反馈的流量控制方法 | |
Singh | Comparative study between unicast and Multicast Routing Protocols in different data rates using vanet | |
CN107592212B (zh) | 基于流体力学的车联网数据流网络模型的车辆自组织网网络容量计算模型构造方法 | |
CN115665227B (zh) | 一种普适的异构融合算网资源智慧适配网络架构及方法 | |
Tang et al. | Understanding CHOKe: throughput and spatial characteristics | |
Mottahedi et al. | IBCAV: Intelligent based clustering algorithm in VANET | |
Thaina et al. | A study of adaptive beacon transmission on Vehicular Ad-Hoc Networks | |
Poojary et al. | An asymptotic approximation for TCP CUBIC | |
Abrantes et al. | XCP for shared-access multi-rate media | |
Zhang et al. | Application of manet routing protocol in vehicular ad hoc network based on NS3 | |
CN107592213B (zh) | 有基础设施的车联网大规模异构网络容量扩展率模型构造方法 | |
CN101997776A (zh) | 基于拥塞辨识的路由器队列控制系统及其控制方法 | |
Ohsaki et al. | On scalable modeling of TCP congestion control mechanism for large-scale IP networks | |
Elbery et al. | VANET communication impact on a dynamic eco-routing system performance: Preliminary results | |
Yung et al. | Integration of fluid-based analytical model with packet-level simulation for analysis of computer networks | |
Gamess et al. | Analyzing routing protocol performance with NCTUns for vehicular networks | |
CN113783941A (zh) | 基于大规模MIMO-MEC中最小化平均AoI的方法 | |
Sakumoto et al. | Design and implementation of flow-level simulator for performance evaluation of large scale networks | |
Caruntu et al. | TrueTime testing of inter-vehicular communications for cooperative vehicles using distributed generalized predictive control | |
CN106454941A (zh) | 一种无线网络的最优拥塞控制方法 | |
CN103516502B (zh) | 专用控制信道多信道协议吞吐量的计算系统及方法 | |
CN103095601A (zh) | 一种用于通信网络拥塞控制的主动队列管理方法 | |
Melakessou et al. | On the road towards the comprehension of the internet traffic behavior: simulation and analysis of an end-to-end connection with ns-2 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |