CN107592213B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107592213B CN107592213B CN201710702923.5A CN201710702923A CN107592213B CN 107592213 B CN107592213 B CN 107592213B CN 201710702923 A CN201710702923 A CN 201710702923A CN 107592213 B CN107592213 B CN 107592213B
- Authority
- CN
- China
- Prior art keywords
- network
- infrastructure
- community
- vehicle
- vehicle networking
- 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)
Abstract
基于流体力学的车联网数据流网络模型的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,考虑路边基础设施节点,推导出车联网大规模异构网络的网络容量扩展率模型,以利于促进有基础设施的车联网大规模网络保持网络容量稳定性分析研究。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有基础设施的车联网大规模异构网络的基本性质,改善车联网网络性能,为有基础设施的车联网大规模异构网络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
由于车辆自组网网络容量扩展率中幂下降阶段的存在,大规模车联网自组织网络的网络容量接近于零,无法提供基本的通信功能。所以单纯依靠V2V的通信方式无法支持大规模车联网的互联互通。要构建大规模车联网,需要设法提高车联网的网络容量。在车辆自组织网络中,若进行通信的两个车辆节点间距离较远,则其数据传输过程中需要多个车辆节点作为中继节点进行数据转发,导致了更多的传输数量,这是限制车辆自组网网络容量的一个重要因素。此外,无线环境中的长距离传输会引入较大干扰,而且无线信号也会随着传输距离的增大而衰减,从而导致传输速率低下,使得网络容量减低。针对这些情况,考虑引入路边基础设施来协助转发数据以提高网络容量。有基础设施的车联网由大量的车辆节点和少量的路边基础设施共同构成,可称其为异构网络。在车联网异构网络中,可通过车辆节点间多跳转发数据或通过路边基础设施进行中继转发数据,不同路由策略对传输模式的侧重各不相同。
最接近现有技术:
在车辆自组织网络中,网络容量扩展率存在幂下降阶段,该阶段下车辆自组网网络容量会随着网络规模的增大而迅速降低直至为零,导致车联网大规模异构网络无法提供基本通信功能。针对以上问题,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。)
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,对有基础设施的车联网大规模异构网络容量扩展率进行深入研究。
本发明目的在于公开一种有基础设施的车联网大规模异构网络容量扩展率构造方法,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,基于目前在车辆自组织网络中,网络容量扩展率存在幂下降阶段,该阶段下车辆自组网网络容量会随着网络规模的增大而迅速降低直至为零,导致车联网大规模异构网络无法提供基本通信功能等问题,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),考虑路边基础设施节点,推导出车联网大规模异构网络的网络容量扩展率,给出了有基础设施的车联网大规模网络保持网络容量稳定的方法。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有基础设施的车联网大规模异构网络的基本性质,改善车联网网络性能,为有基础设施的车联网大规模异构网络容量的提高提供了理论基础。
附表说明
表1有基础设施车联网仿真实验参数
附图说明
图1有基础设施的车联网异构网络干扰小区示意图
图2基础社区图结构
图3有基础设施的车联网网络容量扩展率图像
图4车联网的网络容量与网络规模的关系曲线
图5车联网异构网络的网络容量与基础设施规模的关系曲线
图6网络容量与车辆节点数量
图7网络容量与基础设施数量
图8投递率与网络规模
图9真实场景下不同时刻的网络容量
图10真实场景下不同时刻的投递率
图11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11所示,包括如下9个方面:
①有基础设施的车联网网络容量定义
②有基础设施的车联网网络容量扩展率
③有基础设施的车联网网络容量分析
④实验方法
⑤网络容量随车辆节点数量的变化规律
⑥网络容量随基础设施数量的变化规律
⑦投递率与网络规模的关系
⑧真实场景下大规模车联网异构网络的网络容量
⑨真实场景下大规模车联网异构网络的投递率
①有基础设施的车联网网络容量定义
(1)有基础设施的车联网聚合网络容量:对于一个有n个车辆节点和m个基础设施的车联网异构网络,其通过车辆自组织网络多跳转发数据或通过基础设施中继转发数据,若存在一种传输方案,使得在时间[it,(i+1)t]内,整个车联网异构网络成功传输的数据量为tT(n,m)bits,那么在该时间段内,车联网异构网络的平均聚合网络容量为T(n,m)bits/sec。聚合网络容量是车联网异构网络中所有车辆节点网络容量的总量。
(2)有基础设施的车联网网络容量:对于一个有n个车辆节点和m个基础设施的车联网异构网络,其通过车辆自组织网络多跳转发数据或通过基础设施中继转发数据,若其聚合网络容量为T(n,m)bits/sec且节点发送数据事件服从独立同分布,则其网络容量为T(n,m)/n bits/sec。
②有基础设施的车联网网络容量扩展率
在基础设施中继转发模式中,车辆节点与基础设施间也需要通过无线网络传输数据。在车联网异构网络中,这两种传输模式同时运行,为防止不同传输模式之间相互干扰,不同的传输模式使用不同的传输频率。设整个无线信道的带宽为W,车辆自组织网络多跳转发模式占用带宽Wv,基础设施中继转发模式占用带宽Wi,则W=Wv+Wi。因为两种传输方式不会相互冲突,分析有基础设施的车联网网络容量时,可以先独立分析每种传输方式能够提供的网络容量,然后再结合得到车联网异构网络的网络容量。
(1)基础设施中继转发传输模式提供的网络容量
把一个基础设施的通信覆盖范围定义为一个社区,可以把有基础设施的车联网异构网络分隔成一个个离散的社区。因为不同传输模式之间采用不同的通信频率,所以车辆节点间传输数据不会与车辆节点和基础设施间的传输数据相互干扰。基础设施中继转发传输模式的干扰主要来源于不同社区间车辆节点与基础设施间的同时通信,为此,这里提出干扰社区的概念。
定义1:干扰社区
令Ai表示社区A中节点i的位置,Bj表示社区B中节点j的位置,|Ai-Bj|表示节点i和节点j的距离,r表示节点的通信距离,Δ表示通信保护带范围,若在社区A中存在节点i,在社区B中存在节点j,使得
|Ai-Bj|<=(2+Δ)r (1)
则社区A和社区B互为干扰社区。干扰社区中的节点与基础设施通信时可能相互干扰。
根据定义1可知,如果两个节点分别处于两个不同的社区,并且这两个社区不互为干扰社区,则这两个节点可以同时与基础设施通信而不会发生冲突。
引理1每个社区最多有c个干扰小区,其中c是一个常数,并且其值只由通信保护带范围Δ决定。
证明:
如图1所示,每个社区表示为以基础设施为中心的一个六边形,设该六边形的边长为l,令l=c1r,r为节点的通信距离,则该六边形的外接圆半径为c1r,内接圆半径所以每个社区都被包含在一个以基础设施为圆心,半径为c1r的圆中,且每个社区都包含一个以基础设施为圆心,半径为的圆。如果社区A和社区B互为干扰社区,则社区A中存在点i且社区B中存在点j,使得点i和点j的距离|Xi-Xj|<=(2+Δ)r。由此可得,社区A所有的干扰社区都被包含在一个以社区A的基础设施为圆心,3c1r+(2+Δ)r为半径的圆内。因为社区包含一个以为半径的内切圆,所以社区的面积肯定大于该圆的面积。综上,一个社区所具有的干扰社区的数量c最多为
至此,证明完毕。
引理2存在一种调度方式,使得在(1+c)的时间周期中,车联网异构网络中的每个社区都可以得到至少一个时间间隙来传输数据,其中c是一个常数,表示车联网异构网络中每个社区最多可拥有的干扰小区的数量。
证明:
如图2所示,可以构造一个无向图结构G来表示车联网异构网络。其中,图的每个节点代表一个社区,如果两个社区互为干扰社区,则其相应的两个图节点间有边连接。根据图理论可知,若一个图中所有节点的最大的度为d,则只需使用至多(1+d)种颜色,就可对图上色,使得图中任意两个相邻节点间不具有相同的颜色。由引理1可知,有基础设施的车联网异构网络中一个社区的干扰社区最多有常数c个,所以图G中所有节点的最大的度为c。由此可知,只需使用至多(1+c)中颜色,就可以对图G上色,使得图G中任意两个相邻节点的颜色都不一样。由图G的定义可知,具有相同颜色的节点肯定不会互为干扰社区,它们可以同时发送数据而不会相互干扰,若每种颜色的社区依次传输数据,则只需(1+c)的时隙就可让所有的社区都进行过数据传输。由此可得,存在某种调度算法,使得在(1+c)的时间周期内,每个社区都能得到至少一个时隙来进行数据传输。
至此,证明完毕。
定理1基础设施中继转发传输模式提供的网络容量只与基础设施的数量和基础设施传输数据的能力相关,与车联网异构网络中车辆节点的数量无关。
证明:
根据引理1,车联网异构网络中每个社区的干扰社区数量不会超过c个,其中,c1是一个常数,Δ是通信保护带范围。根据引理2,存在某种调度方式,使得在(1+c)个时间周期中,车联网异构网络中的每个社区都至少能够得到一个时隙成功传输数据。由此可知,在任一时刻,有基础设施的车联网异构网络中能够同时与基础设施通信的节点数量最多为因为基础设施中继转发模式占用带宽Wi,故该传输模式能够提供的最大网络容量为
由式(3)可知,基础设施中继转发模式能够提供的网络容量只与基础设施的数量m和基础设施传输模式所占带宽Wi有关。
至此,证明完毕。
(2)有基础设施车联网的网络容量扩展率
计算出了车辆自组织网络多跳转发模式和基础设施中
继转发模式所能提供的网络容量后,根据两种传输模式所占的网络通信的比例可以得到有基础设施车联网异构网络的网络容量。
定理2有基础设施的车联网网络容量的期望E(T(n,m))为
E(T(n,m))=Tv(np)+Ti
其中,n表示车联网异构网络中车辆节点的数量,m表示车联网异构网络中基础设施的数量,p表示选择车辆自组织网络多跳转发传输模式的概率。
证明:
首先计算车辆自组织网络多跳转发传输模式所贡献的网络容量。令Xi为一个随机变量,其表示车辆节点i是否通过车辆自组织网络转发数据,即
由此可得车辆自组织网络多跳转发传输模式所贡献的网络容量为
接下来求解基础设施中继转发传输模式贡献的网络容量。因为车辆节点采用基础设施来转发的概率小于1,而路边基础设施只作为中继节点转发数据,所以如果社区内如果没有车辆节点选择基础设施转发的传输方式,则这部分带宽就被浪费了。但是随着车辆节点数量的增加,至少有一个车辆节点使用基础设施转发数据的概率也会越来越接近1。令随机变量表示车辆节点i是否通过路边基础设施传输数据,即
令随机变量Yj表示能够与基础设施j直接通信的车辆节点,则
由此可得,基础设施j贡献的网络容量为
令随机变量Zj表示基础设施j是否正在传输数据,即
结合式(7)和式(14)可得有基础设施车联网异构网络的网络容量为
E(T(n,m))=Tv(np)+Ti
其函数图像如图3所示。
③有基础设施的车联网网络容量分析
根据定理2可知,在有基础设施的车联网异构网络中,确定了两种传输模式分别占用的带宽和节点通信选择两种传输模式的概率之后,网络容量只与车联网中的车辆节点数量n和基础设施数量m有关。
令基础设施数量m保持不变可得有基础设施的车联网网络容量随车辆节点数量n的变化规律,其函数图像如图4所示,从图中可以看出,车联网异构网络的网络容量有着和车联网自组织网络的网络容量相似的变化规律。它们都有线性增长、容量保持和幂下降三个变化阶段。但是,由于基础设施所提供的额外的网络容量,在相同的网络规模下车联网异构网络相比于车联网自组织网络有着更高的网络容量。此外,由于概率路由策略的作用,车联网异构网络中通过车辆自组织网络多跳转发数据的通信节点相对于车联网自组织网络中的通信节点成比例减少,这不仅延长了车联网异构网络容量保持阶段的范围,还大大提高了网络容量达到幂下降状态时的车联网异构网络的网络规模。
令车辆节点数量n保持不变可得有基础设施的车联网网络容量随基础设施数量m的变化规律。其函数图像如图5所示。此时,车联网异构网络的网络容量随基础设施的数量线性增长。这表明可以通过部署更多的路边基础设施来增加车联网异构网络的网络容量。其增长斜率由车辆节点的通信范围,基础设施的通信范围和通信保护带范围共同决定。
综上可知,引入路边基础设施可以有效地增加车联网的网络容量。当基础设施数量和车辆节点数量的比例保持稳定时,即基础设施的增长速度和车辆节点的增长速度同阶时,车联网异构网络的网络容量不会随着网络规模的增大而降低,这为构建大规模车联网提供了理论基础。
④实验方法
由定理2可知,有基础设施车联网的网络容量有两个自变量:车辆节点数量n和基础设施数量m。通过仿真实验研究有基础设施车联网的网络容量扩展率时,可以先令基础设施m保持不变,得到网络容量随车辆节点数量n的变化规律。再令车辆节点数n保持不变,得到网络容量随基础设施数量m的变化规律。
有在网络仿真部分,给车辆节点装置V2I通信接口,基础设施按照均匀分布部署在道路上。网络仿真的参数设置如表1所示。
⑤网络容量随车辆节点数量的变化规律
在20km长的双车道高速公路场景下,均匀部署10个路边基础设施到道路上,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6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联网异构网络的网络容量随网络规模的变化规律。虚线表示通过本章定理2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。点划线表示根据仿真实验数据所得的车联网自组织网络的网络容量随网络规模的变化规律,从图中可以看出,在网络规模相同时,有基础设施的车联网网络容量比车辆自组网的网络容量高得多,高出来的这部分网络容量即由基础设施提供。而且车辆网异构网络中,网络容量保持阶段更长,开始幂下降阶段的网络规模更大,这是因为在概率路由策略的作用,经由车辆自组网转发的车辆节点成比例减少。
⑥网络容量随基础设施数量的变化规律
在20km长的双车道高速公路场景下,车辆节点数量为500,使路边基础设施数量从0依次增长到1000并均匀部署到道路上分别做仿真实验,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7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联网异构网络的网络容量随基础设施数量的变化规律。虚线表示通过式(14)计算所得的理论网络容量。从图中可以看出,网络容量基本随基础设施的增长呈线性增长,和本专利分析的结论一致。
⑦投递率与网络规模的关系
在20km长的双车道高速公路场景下,均匀部署10个路边基础设施到道路上,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%。从图中可以看出,引入了路边基础设施后,投递率保持稳定的区间变大,而且下降速度减慢了许多。
⑧真实场景下大规模车联网异构网络的网络容量
利用TAPASCologne数据集模拟真实场景下大规模车联网异构网络,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,得到的各个时间段的网络容量如图9所示。由图可知,在6:00-6:30时段,道路上的车辆较少,此时网络容量主要受制于通信节点对数量,车联网异构网络和车联网自组织网络的网络容量差别不大。在6:30-7:00时段,车辆规模逐渐变大,由于节点间的相互干扰,车联网自组织网络的网络容量开始下降,但车联网异构网络因有基础设施提供的额外的网络容量,网络容量继续上升。在7:00-7:45的上班高峰期,由于网络规模超过了车联网自组织网络能够承载的范围,其网络容量降到最低,此时网络已近乎瘫痪,但车联网异构网络仍能保持稳定,这说明通过部署适量的基础设施,可以使得大规模车联网的网络容量保持可用,满足节点间的通信需求。
⑨真实场景下大规模车联网异构网络的投递率
利用TAPASCologne数据集模拟真实场景下大规模车联网异构网络,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,得到的各个时间段的投递率如图10所示。由图可知,在道路上车辆较少的时段,节点间通信时发生碰撞的概率不高,车联网异构网络和车联网自组织网络都能保持较高值。但在7:00-7:45的上班高峰期,网络规模较大时,车联网自组织网络的投递率迅速下降,只有差不多10%,而车联网异构网络的投递率仍然能够维持在80%以上,这是因为路边基础设施协助远距离节点通信的中继转发,令网络中同时传输数据的节点数大大减少,使得网络规模较大时,节点间通信时也能保持较低的碰撞概率。
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),提出了一种有基础设施的车辆大规模异构网络容量扩展率,从而为评价网络协议的高效性提供指标。
《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)该申请文件内容,视为本发明说明书的组成部分。
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),考虑路边基础设施节点,推导出车联网大规模异构网络的网络容量扩展率,给出了有基础设施的车联网大规模网络保持网络容量稳定的方法。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有基础设施的车联网大规模异构网络的基本性质,改善车联网网络性能,为有基础设施的车联网大规模异构网络容量的提高提供了理论基础。
说明书附表
表1
Claims (5)
1.一种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,其特征在于,考虑路边基础设施节点,构建车联网大规模异构网络的网络容量扩展率模型;
步骤一、给出有基础设施的车联网网络容量定义
包括定义出有基础设施的车联网聚合网络容量:对于一个有n个车辆节点和m个基础设施的车联网异构网络,其通过车辆自组织网络多跳转发数据或通过基础设施中继转发数据,若存在一种传输方案,使得在时间段[it,(i+1)t]内,整个车联网异构网络成功传输的数据量为tT(n,m)bits,那么在该时间段内,车联网异构网络的平均聚合网络容量为T(n,m)bits/sec;聚合网络容量是指车联网异构网络中所有车辆节点网络容量的总量;
包括定义出有基础设施的车联网网络容量:对于一个有n个车辆节点和m个基础设施的车联网异构网络,其通过车辆自组织网络多跳转发数据或通过基础设施中继转发数据,若其聚合网络容量为T(n,m)bits/sec且节点发送数据事件服从独立同分布,则车联网的网络容量为T(n,m)/nbits/sec;
包括定义出干扰社区:令Ai表示社区A中节点i的位置,Bj表示社区B中节点j的位置,|Ai-Bj|表示节点i和节点j的距离,r表示节点的通信距离,Δ表示通信保护带范围,若在社区A中存在节点i,在社区B中存在节点j,使得
|Ai-Bj|<=(2+Δ)r (1)
则社区A和社区B互为干扰社区;
如果两个节点分别处于两个不同的社区,并且这两个社区不互为干扰社区,则这两个节点可以同时与基础设施通信而不会发生冲突;
包括定义出基础设施中继转发传输模式提供的网络容量:在基础设施中继转发模式中,车辆节点与基础设施间也需要通过无线网络传输数据;在车联网异构网络中,车辆自组织网络多跳转发模式和基础设施中继转发模式同时运行,为防止不同传输模式之间相互干扰,不同的传输模式使用不同的传输频率;设整个无线信道的带宽为W,车辆自组织网络多跳转发模式占用带宽Wv,基础设施中继转发模式占用带宽Wi,则W=Wv+Wi;
步骤二、表征出有基础设施的车联网网络容量扩展率模型
把一个基础设施的通信覆盖范围确立为一个社区,把有基础设施的车联网异构网络分隔成一个个离散的社区;不同传输模式之间采用不同的通信频率;基础设施中继转发传输模式的干扰来源于不同社区间车辆节点与基础设施间的同时通信;
引理1每个社区最多有c个干扰小区,其中c是一个常数,并且其值只由通信保护带范围Δ决定;
其中,c1是一个常数;
引理2存在一种调度方式,使得在(1+c)个时间间隙中,车联网异构网络中的每个社区都得到至少一个时间间隙来传输数据,其中c是一个常数,表示车联网异构网络中每个社区最多可拥有的干扰小区的数量;
步骤三、计算出车辆自组织网络多跳转发模式和基础设施中继转发模式所能提供的网络容量后,根据两种传输模式所占的网络通信的比例得到有基础设施车联网异构网络的网络容量;
网络容量最大为
由式(3)可知,基础设施中继转发模式能够提供的网络容量只与基础设施的数量m和基础设施传输模式所占带宽Wi有关。
2.如权利要求1所述的构造方法,其特征在于,所述引理1证明步骤:
每个社区表示为以基础设施为中心的一个六边形,设该六边形的边长为l,令l=c1r,c1是一个常数,r为节点的通信距离,则该六边形的外接圆半径为c1r,内接圆半径所以每个社区都被包含在一个以基础设施为圆心,半径为c1r的圆中,且每个社区都包含一个以基础设施为圆心,半径为的圆;如果社区A和社区B互为干扰社区,则社区A中存在节点i且社区B中存在节点j,使得节点i和节点j的距离|Ai-Bj|<=(2+Δ)r;由此可得,社区A所有的干扰社区都被包含在一个以社区A的基础设施为圆心,3c1r+(2+Δ)r为半径的圆内;因为社区包含一个以为半径的内切圆,所以社区的面积肯定大于该圆的面积;综上,一个社区所具有的干扰社区的数量c最多为
至此,证明完毕。
3.如权利要求1所述的构造方法,其特征在于,所述引理2证明步骤:
构造一个结构无向图G来表示车联网异构网络;其中,结构无向图的每个节点代表一个社区,如果两个社区互为干扰社区,则结构无向图中相应的两个节点间有边连接;根据图理论可知,若一个结构无向图中所有节点的最大的度为d,则只需使用至多(1+d)种颜色,就可对结构无向图上色,使得结构无向图中任意两个相邻节点间不具有相同的颜色;由引理1可知,有基础设施的车联网异构网络中一个社区的干扰社区最多有常数c个,所以结构无向图G中所有节点的最大的度为c;由此可知,只需使用至多(1+c)种颜色,就可以对结构无向图G上色,使得结构无向图G中任意两个相邻节点的颜色都不一样;由结构无向图G的定义可知,具有相同颜色的节点不会互为干扰社区,它们可以同时发送数据而不会相互干扰,若每种颜色的社区依次传输数据,则只需(1+c)个时间间隙就可让所有的社区都进行过数据传输;由此可得,存在某种调度算法,使得在(1+c)个时间间隙内,每个社区都能得到至少一个时间间隙来进行数据传输;
至此,证明完毕。
4.如权利要求1所述的构造方法,其特征在于,给出定理1:
定理1基础设施中继转发传输模式提供的网络容量只与基础设施的数量和基础设施传输数据的能力相关,与车联网异构网络中车辆节点的数量无关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710702923.5A CN107592213B (zh) | 2017-08-16 | 2017-08-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710702923.5A CN107592213B (zh) | 2017-08-16 | 2017-08-16 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107592213A CN107592213A (zh) | 2018-01-16 |
CN107592213B true CN107592213B (zh) | 2021-02-26 |
Family
ID=61043148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710702923.5A Active CN107592213B (zh) | 2017-08-16 | 2017-08-16 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107592213B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109327821B (zh) * | 2018-11-16 | 2021-06-04 | 武汉科技大学 | 一种结合车联网车辆社交性的消息传播方法 |
CN110290503B (zh) * | 2019-06-21 | 2020-12-18 | 北京邮电大学 | 车辆数据分发的方法、装置、电子设备及可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014007693A1 (en) * | 2012-07-03 | 2014-01-09 | Telefonaktiebolaget L M Ericsson (Publ) | Transport network relaying in energy efficient networks |
CN105553780B (zh) * | 2016-01-08 | 2018-10-26 | 同济大学 | 一种城市场景中有基础设施的车联网连通性模型推演方法 |
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 |
CN105722176B (zh) * | 2016-01-29 | 2019-04-02 | 同济大学 | 城市场景中有基础设施的车联网大规模异构网络的连通性方法 |
CN106304147B (zh) * | 2016-07-25 | 2019-07-09 | 北京航空航天大学 | 车联网环境下一种基于交通基础设施的协作缓存方法 |
-
2017
- 2017-08-16 CN CN201710702923.5A patent/CN107592213B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107592213A (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ni et al. | Q-CSMA: Queue-length-based CSMA/CA algorithms for achieving maximum throughput and low delay in wireless networks | |
Liu et al. | On the capacity of hybrid wireless networks | |
Ma et al. | Dynamic optimization of IEEE 802.11 CSMA/CA based on the number of competing stations | |
Meghanathan | A comprehensive review and performance analysis of data gathering algorithms for wireless sensor networks | |
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 | |
Chakraborty et al. | IEEE 802.11 s mesh backbone for vehicular communication: Fairness and throughput | |
Coelho et al. | Traffic-aware gateway placement for high-capacity flying networks | |
Narayanan et al. | On the advantages of multi-hop extensions to the IEEE 802.11 infrastructure mode | |
CN104754589A (zh) | 基于流量感知的动态组网方法 | |
Liu et al. | Adaptive scheduling MAC protocol in underwater acoustic broadcast communications for AUV formation | |
CN117098192A (zh) | 一种基于容量和时延优化的城轨自组网资源分配方法 | |
Somarriba et al. | Transmission control for spatial TDMA in wireless radio networks | |
Wang et al. | Adaptive flow-level resource allocation for wireless mesh networks | |
CN103096483A (zh) | 一种Ad Hoc网络的MAC层信道动态分配方法 | |
Blaszczyszyn et al. | Performance of MAC protocols in linear VANETs under different attenuation and fading conditions | |
van Kleunen et al. | Mac scheduling in large-scale underwater acoustic networks | |
Kirsch et al. | Improving the performance of vehicular networks in high traffic density conditions with cognitive radios | |
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 | |
Kuroiwa et al. | A multi-channel bulk data collection for structural health monitoring using wireless sensor networks | |
Tang et al. | Low complexity stable link scheduling for maximizing throughput in wireless networks | |
CN107071846B (zh) | Ad Hoc单向链路网络无中心分布式快速共识方法 | |
Cano et al. | Group mobility impact over TCP and CBR traffic in Mobile Ad Hoc Networks | |
Liu et al. | Delay analysis of IEEE 802.11 e EDCA under unsaturated conditions | |
Deng et al. | A load balance link layer protocol for multi-channel multi-interface wireless mesh networks | |
CN103516502A (zh) | 专用控制信道多信道协议吞吐量的计算系统及方法 |
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 |