CN109600712B - 一种基于软件定义车联网的自适应路由方法 - Google Patents
一种基于软件定义车联网的自适应路由方法 Download PDFInfo
- Publication number
- CN109600712B CN109600712B CN201811610373.5A CN201811610373A CN109600712B CN 109600712 B CN109600712 B CN 109600712B CN 201811610373 A CN201811610373 A CN 201811610373A CN 109600712 B CN109600712 B CN 109600712B
- Authority
- CN
- China
- Prior art keywords
- local
- local controller
- routing
- vehicle
- controller
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/14—Routing performance; Theoretical aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/10—Connection setup
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于软件定义车联网的自适应路由方法,通过本地控制器可以获取车辆节点的ID、位置和速度信息,上述信息结合本地的电子地图可以提取出用于表征实时交通状况的特征数据,通过中央控制器和本地控制器的协同,可以构建用于选择路由策略的决策模型并实时对决策模型进行更新,进而实现为特定交通场景选择最优的路由策略。
Description
技术领域
本发明涉及车联网无线通信技术领域,特别提供了一种基于软件定义车联网的自适应路由方法。
背景技术
车辆通信对于实现智能交通至关重要。V2X是车辆与一切可能影响车辆的实体实现信息交互,目的是减少事故发生,减缓交通拥堵以及提供其他的信息服务。车辆自组织网络(VANET)是过去20年的研究热点,基于车载设备和路边单元等硬件设备,通过一定的路由策略,实现车辆通信。软件定义网络(SDN)最初被用于有线网络,由于SDN架构将控制平面和数据转发平面分离,可以实现网络的灵活控制和管理,所以近些年被逐渐应用于无线网络。软件定义车联网(SDVN)成为实现车辆通信的一种更优的解决方案。
在本领域的公知技术中,研究人员一般是基于传统的车辆自组织网络架构并且针对特定的场景进行路由策略的制定。部分研究人员针对路由策略的自适应能力做了改进,主要分为以下几类:⑴考虑了几种交通场景,根据一些参数的变化进行路由策略的转换,提出混合式的自适应路由方案;⑵应用了智能优化算法优化路由度量的选择;⑶使用机器学习算法对路由算法进行改进,提高自适应能力。另外,还有研究人员基于软件定义网络架构提出集中式的路由方案。由于拓扑的高动态性,有效地预测拓扑的变化是一个难点。
在公知技术中,M.Al-Rabayah等人在《A New Scalable Hybrid RoutingProtocol for VANETs》提出了一种混合式路由方案,结合了反应式路由以及基于地理位置的路由协议,当位置信息无法有效获取时则切换到反应式路由协议。D.Tian等人在《AMicrobial Inspired Routing Protocol for VANETs》中提出了使用细胞吸引子的选择机制来选择路由中的下一跳节点,通过路由反馈数据包,它可以自我调整以适应动态变化的环境。J.Wu等人在《Reinforcement Learning Based Mobility Adaptive Routing forVehicular Ad-Hoc Networks》中提出了一种基于强化学习的自适应路由协议,该路由协议使用分布式Q-learning,以Q表更新的形式,通过周期性的HELLO数据包,主动学习并获得网络链路最新状态。这种方式提高了路由策略的自适应能力。
另外,在公知的技术中,Huma Ghafoor等人在《CR-SDVN:A Cognitive RoutingProtocol for Software-Defined Vehicular Networks》中提出了一种基于混合式软件定义车联网架构的认知路由协议,主控制器和本地控制器分别用于构建全局网络拓扑结构和本地网络拓扑结构,分别考虑了源节点在本地控制器通信范围内和不在本地控制器通信范围内的两种情况。X.Ji等人在《SDGR:An SDN-Based Geographic Routing Protocol forVANET》中提出了一种基于软件定义车联网架构的地理位置路由协议(SDGR)。SDGR在控制器全局视图的基础上,利用电子地图、节点位置、车辆密度等信息计算出最优路径,减少了车辆通信出现拥塞的情况。S B.Dong等人在《Software Defined Networking Based On-Demand Routing Protocol in Vehicle Ad Hoc Networks》中提出了一种基于软件定义网络架构的按需路由协议(SVAO)。SVAO采用了两级结构,全局模式是本地控制器之间的数据包转发,本地模式是本地车辆之间的数据包转发。刘凯等人提出了一种基于软件定义车联网的路由方法,车辆节点周期地向控制器上传位置信息、运动信息以及邻居节点信息,控制器由此生成全局路由表,车辆节点向控制器请求其通往目标节点的路由信息,控制器根据请求并向该节点发送路由信息,车辆节点根据路由信息与下一跳节点通过短程无线通信技术连接并传输数据报文。
现有的公知技术大致可以分为基于传统车辆自组织网络的自适应路由和基于软件定义网络架构的路由策略。基于传统VANET的自适应路由的适应能力具有一定的局限性,不能够很好的应对网络拓扑的快速变化,而现有的基于软件定义网络的路由策略则大都采用集中式的路由策略,会给中央控制器带来极大的开销,而且在控制平面预测网络拓扑的变化会导致较大的端到端时延。
发明内容
鉴于此,本发明的目的在于提供一种基于软件定义车联网的自适应路由方法,以解决现有的车联网由于单一路由策略不能适应快速变化的车辆网络拓扑及中央处理器开销大的问题。
本发明提供的技术方案是:一种基于软件定义车联网的自适应路由方法,包括如下步骤:
S1:车辆节点定期向管理其所在区域的本地控制器发送车辆ID、位置和速度信息;
S2:本地控制器根据车辆节点上传的数据及本地电子地图,提取用于表征实时交通情况的特征数据,接着,根据一段时间内收集的节点位置信息以及本地电子地图构建车辆节点移动轨迹,并据此构建仿真模型,之后,对多种待评价的路由策略进行性能测试,选出最优路由策略作为该特征数据的标签并存储;
S3:本地控制器定期将已经打好标签的特征数据传送至中央控制器,中央控制器将各个本地控制器传来的数据融合并进行在线训练,之后,将训练好的决策模型分发给各个本地控制器;
S4:本地控制器结合当前时刻表征实时交通情况的特征数据及接收到的决策模型选择本地最优的路由策略,并以广播的形式分发至本地车辆节点。
优选,本地控制器分别部署在由Geohash划分的区域的中心。
进一步优选,S2中,所述用于表征实时交通情况的特征数据包括RNt,Ni,Ntl,Nv,Ras,Rtl,Nrl,Sm,Dc,Dr,其中,RNt表示路网的类型,Ni为本地控制器管理区域内的路口数量,Nv表示本地控制器管理区域内车辆节点的数量,Ras表示本地控制器管理区域内路段的平均速度,Rtl表示本地控制器管理区域内道路的总长度,Nrl表示本地控制器管理区域内平均的车道数,Sm表示本地控制器管理区域的面积,Dc表示本地控制器管理区域内的车辆密度。
进一步优选,S2中,对路由策略进行测试时考虑的性能指标包括平均端到端时延和丢包率。
进一步优选,S3中,本地控制器将已经打好标签的特征数据传送至中央控制器的时间间隔大于收集一条本地特征数据并完成打标签的时间间隔。
进一步优选,S4中,本地控制器选择最优路由策略后,若选择的路由策略与前一时段相同,则不向本地车辆节点分发路由策略消息,若路由策略发生变化,则本地控制器通过广播的形式将表征路由策略的数据包发送给本地车辆节点。
本发明提供的基于软件定义车联网的自适应路由方法通过本地控制器可以获取车辆节点的ID、位置和速度信息,上述信息结合本地的电子地图可以提取出用于表征实时交通状况的特征数据,通过中央控制器和本地控制器的协同,可以构建用于选择路由策略的决策模型并实时对决策模型进行更新,进而实现为特定交通场景选择最优的路由策略。
本发明将传统的车辆自组织网络和软件定义网路架构结合,地理上分布而逻辑上集中的控制平面减少了中央控制器的开销,不同于全集中式的基于软件定义车联网的路由协议,与传统车辆自组织网络的结合也减少了中央控制器的开销。
附图说明
下面结合附图及实施方式对本发明作进一步详细的说明:
图1为本发明提供的基于软件定义车联网的自适应路由方法的流程图;
图2为本发明提供的软件定义车联网架构及应用场景;
图3为四种典型的路网结构示意图。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释,但并不局限本发明。
如图1所示,本发明提供了一种基于软件定义车联网的自适应路由方法,包括如下步骤:
S1:车辆节点定期向管理其所在区域的本地控制器发送车辆ID、位置和速度信息;
S2:本地控制器根据车辆节点上传的数据及本地电子地图,提取用于表征实时交通情况的特征数据,接着,根据一段时间内收集的节点位置信息以及本地电子地图构建车辆节点移动轨迹,并据此构建仿真模型,之后,对多种待评价的路由策略进行性能测试,选出最优路由策略作为该特征数据的标签并存储;
S3:本地控制器定期将已经打好标签的特征数据传送至中央控制器,中央控制器将各个本地控制器传来的数据融合并进行在线训练,之后,将训练好的决策模型分发给各个本地控制器;
S4:本地控制器结合当前时刻表征实时交通情况的特征数据及接收到的决策模型选择本地最优的路由策略,并以广播的形式分发至本地车辆节点。
该基于软件定义车联网的自适应路由方法,采用了混合式的软件定义网络架构,控制平面包括中央控制器和本地控制器,分别用于处理全局和本地事务,本地控制器可以获取车辆节点的ID、位置和速度信息,上述信息结合本地的电子地图可以提取出用于表征实时交通状况的特征数据,通过中央控制器和本地控制器的协同,可以构建用于选择路由策略的决策模型并实时对决策模型进行更新,进而实现为特定交通场景选择最优的路由策略。
本发明的应用环境如图2所示,在公路网上行驶的车辆节点通过无线短程通信技术进行连接,形成车辆自组织网络,车辆节点间进行数据流的传输,中央控制器通过有线连接各个本地控制器,本地控制器与车辆节点之间的通信采用无线形式。
图2展示了本发明中软件定义车联网的整体架构,可以划分为控制平面和数据转发平面。控制平面由中央控制器和本地控制器构成,本地控制器负责收集车辆节点的ID、位置信息及速度数据,将数据进行处理,构建表征本地交通状况的特征数据,接着,根据一段时间内收集的节点位置信息以及本地电子地图构建车辆节点移动轨迹以还原真实路况,并据此构建仿真模型,之后,对多种待评价的路由策略进行性能测试,选出最优路由策略作为该特征数据的标签并存储,然后传送到中央控制器,中央控制器则负责使用来自本地控制器的数据进行决策模型的训练,并将训练好的模型定期的分发给本地控制器,本地控制器会结合本地的交通状况选择合适的路由策略。数据转发平面则是由车辆节点构成,通过短程无线通信技术连接并传输数据报文。
本地控制器分别部署在由Geohash划分的区域的中心,其中,Geohash可以将二维的经纬度转换成一个字符串,字符串的长短可以指示区域的大小,车辆节点在上传位置时,Geohash编码可以唯一的确定车辆节点所在的区域。
S2中,所述用于表征实时交通情况的特征数据包括RNt,Ni,Ntl,Nv,Ras,Rtl,Nrl,Sm,Dc,Dr,其中,RNt表示路网的类型,常见的路网类型有4种,如图3所示,左上角为环形放射式路网,右上角为条带状路网,左下角为混合式路网,右下角为网格状路网;Ni为本地控制器管理区域内的路口数量,Nv表示本地控制器管理区域内车辆节点的数量,Ras表示本地控制器管理区域内路段的平均速度,Rtl表示本地控制器管理区域内道路的总长度,Nrl表示本地控制器管理区域内平均的车道数,Sm表示本地控制器管理区域的面积,Dc表示本地控制器管理区域内的车辆密度,通过公式Dc=Nv/Rtl求得,Dr表示本地控制器管理区域内的道路密度,根据公式Dr=Rtl/Sm求得。
S2中,对路由策略进行测试时考虑的性能指标包括平均端到端时延和丢包率。
为了避免频繁地交互带来不必要的开销,S3中,本地控制器将已经打好标签的特征数据传送至中央控制器的时间间隔大于收集一条本地特征数据并完成打标签的时间间隔。
S3中,中央控制器在线训练采用的方法可根据不同的需求具体设计,为适应本发明这种高动态场景,本发明采用了黄广斌先生提出的OS-ELM作为中央控制器中的在线学习方法,该方法训练速度快,精度高,具体步骤如下:
S31:中央控制器将来自于各个本地控制器的已标记的特征数据合并,并对每一项特征数据进行归一化处理,归一化公式如下:
将数据归一化到[-1,1]这个区间,避免因数据项差异过大导致训练效果不好,其中,Xnormal表示归一化后的数据,X表示原始数据,Xmax表示这列数据中的最大值,Xmin表示这列数据中的最小值。
S32:对归一化后的特征数据进行在线训练
其中,若处在初始化训练阶段(即:第一次分发训练决策模型),OS-ELM对初始化数据进行训练:
当处在初始化训练阶段,根据极限学习机原理,可以得到:
Hβ=T (2)
其中,H是隐藏层的输出矩阵,β是隐藏层到输出层之间的权重矩阵,T为由数据标签转化得到的矩阵。由此可以得到:
由此求出的隐藏层到输出层之间的权重矩阵即可用于预测新数据的标签。
若处于非初始化训练阶段,则使用新得到的数据集极性决策模型的训练,对上一阶段的决策模型进行调整。
当处在非初始化训练阶段,初始化已完成,当新的数据集到达时,需要使用新数据对原有的训练模型进行更新,问题转化为使得公式(4)最小化,
其中,H0和T0分别是上一时段的矩阵,H1和T1则是由新数据集构成的矩阵,
之后,通过矩阵运算,可以得到在线学习的公式:
公式(6)为隐藏层到输出层的权重矩阵的迭代公式,作为决策模型的基础,将求得的β应用于新的数据集,即可进行标签的预测,而这里的标签即为在下一时段所采取的路由策略。
之后,中央控制器将训练好的决策模型分发到各个本地控制器。
H是由输入层到隐藏层的权重矩阵W,激活函数g(x),以及偏置Bias计算得到的,所以中央控制器将W、g(x)、Bias以及β发送给本地控制器。
S4中,本地控制器选择最优路由策略后,若选择的路由策略与前一时段相同,则不向本地车辆节点分发路由策略消息,若路由策略发生变化,则本地控制器通过广播的形式将表征路由策略的数据包发送给本地车辆节点,之后,本地车辆节点会进行路由策略的切换,其中,本地控制器向车辆节点下发路由策略时,可以根据Geohash编码找到本地的车辆节点。
本发明的具体实施方式是按照递进的方式进行撰写的,着重强调各个实施方案的不同之处,其相似部分可以相互参见。
上面结合附图对本发明的实施方式做了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种基于软件定义车联网的自适应路由方法,其特征在于,包括如下步骤:
S1:车辆节点定期向管理其所在区域的本地控制器发送车辆ID、位置和速度信息;
S2:本地控制器根据车辆节点上传的数据及本地电子地图,提取用于表征实时交通情况的特征数据,其中,所述用于表征实时交通情况的特征数据包括RNt,Ni,Nt1,Nv,Ras,Rt1,Nr1,Sm,Dc,Dr,其中,RNt表示路网的类型,Ni为本地控制器管理区域内的路口数量,Nv表示本地控制器管理区域内车辆节点的数量,Ras表示本地控制器管理区域内路段的平均速度,Rt1表示本地控制器管理区域内道路的总长度,Nr1表示本地控制器管理区域内平均的车道数,Sm表示本地控制器管理区域的面积,Dc表示本地控制器管理区域内的车辆密度,接着,根据一段时间内收集的节点位置信息以及本地电子地图构建车辆节点移动轨迹,并据此构建仿真模型,之后,对多种待评价的路由策略进行性能测试,选出最优路由策略作为该特征数据的标签并存储,其中,对路由策略进行测试时考虑的性能指标包括平均端到端时延和丢包率;
S3:本地控制器定期将已经打好标签的特征数据传送至中央控制器,中央控制器将各个本地控制器传来的数据融合并进行在线训练,之后,将训练好的决策模型分发给各个本地控制器;
S4:本地控制器结合当前时刻表征实时交通情况的特征数据及接收到的决策模型选择本地最优的路由策略,并以广播的形式分发至本地车辆节点。
2.按照权利要求1所述基于软件定义车联网的自适应路由方法,其特征在于:本地控制器分别部署在由Geohash划分的区域的中心。
3.按照权利要求1所述基于软件定义车联网的自适应路由方法,其特征在于:S3中,本地控制器将已经打好标签的特征数据传送至中央控制器的时间间隔大于收集一条本地特征数据并完成打标签的时间间隔。
4.按照权利要求1所述基于软件定义车联网的自适应路由方法,其特征在于:S4中,本地控制器选择最优路由策略后,若选择的路由策略与前一时段相同,则不向本地车辆节点分发路由策略消息,若路由策略发生变化,则本地控制器通过广播的形式将表征路由策略的数据包发送给本地车辆节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811610373.5A CN109600712B (zh) | 2018-12-27 | 2018-12-27 | 一种基于软件定义车联网的自适应路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811610373.5A CN109600712B (zh) | 2018-12-27 | 2018-12-27 | 一种基于软件定义车联网的自适应路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109600712A CN109600712A (zh) | 2019-04-09 |
CN109600712B true CN109600712B (zh) | 2020-11-20 |
Family
ID=65963549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811610373.5A Active CN109600712B (zh) | 2018-12-27 | 2018-12-27 | 一种基于软件定义车联网的自适应路由方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109600712B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110139334B (zh) * | 2019-04-28 | 2023-09-22 | 沈阳航空航天大学 | 一种基于软件定义车载网的影响力最大化的集群路由方法 |
CN116996965B (zh) * | 2023-09-27 | 2024-01-12 | 之江实验室 | 一种基于多模态网络的车联网系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964941A (zh) * | 2010-08-25 | 2011-02-02 | 吉林大学 | 基于动态信息的智能导航与位置服务系统及方法 |
CN102426784A (zh) * | 2011-11-03 | 2012-04-25 | 北京世纪高通科技有限公司 | 路况信息获取方法和装置 |
CN102903240A (zh) * | 2012-10-09 | 2013-01-30 | 潮州市创佳电子有限公司 | 一种基于车载北斗定位终端的实时路况感知系统 |
CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
CN107171958A (zh) * | 2017-05-24 | 2017-09-15 | 中山大学 | 一种sdn车载网络的路段分区选路方法 |
CN107567606A (zh) * | 2015-02-19 | 2018-01-09 | 弗朗西斯科·瑞奇 | 用于交通工具的引导系统及自动控制 |
-
2018
- 2018-12-27 CN CN201811610373.5A patent/CN109600712B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964941A (zh) * | 2010-08-25 | 2011-02-02 | 吉林大学 | 基于动态信息的智能导航与位置服务系统及方法 |
CN102426784A (zh) * | 2011-11-03 | 2012-04-25 | 北京世纪高通科技有限公司 | 路况信息获取方法和装置 |
CN102903240A (zh) * | 2012-10-09 | 2013-01-30 | 潮州市创佳电子有限公司 | 一种基于车载北斗定位终端的实时路况感知系统 |
CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
CN107567606A (zh) * | 2015-02-19 | 2018-01-09 | 弗朗西斯科·瑞奇 | 用于交通工具的引导系统及自动控制 |
CN107171958A (zh) * | 2017-05-24 | 2017-09-15 | 中山大学 | 一种sdn车载网络的路段分区选路方法 |
Non-Patent Citations (2)
Title |
---|
《A Fast and Accurate Online Sequential Learning》;Guang-Bin Huang;《IEEE TRANSACTIONS ON NEURAL NETWORKS》;20061130;全文 * |
《SDGR:An SDN-based Geographic Routing Protocol for VANET》;Xiang Ji;《2016 IEEE International Conference on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData)》;20161218;第3-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109600712A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A novel adaptive routing and switching scheme for software-defined vehicular networks | |
CN105307232A (zh) | 一种车载自组织网络的基于连通概率的路由优化方法 | |
CN104080056B (zh) | 基于连通度概率感知的车载自组织网络的消息分发方法 | |
CN101431468B (zh) | 车载网络中基于方向的贪婪数据转发方法 | |
CN107105389B (zh) | 车载网络中基于道路拓扑结构的地理信息路由方法 | |
CN109600712B (zh) | 一种基于软件定义车联网的自适应路由方法 | |
Stefanović et al. | Urban infrastructure-to-vehicle traffic data dissemination using UEP rateless codes | |
Vafaei et al. | A new QoS adaptive multi-path routing for video streaming in urban VANETs integrating ant colony optimization algorithm and fuzzy logic | |
CN103338441B (zh) | 基于车辆轨迹的数据传输方法及系统 | |
CN109803342A (zh) | 一种面向能量均衡高可靠传输的无人机自组织网络路由方法 | |
Naresh et al. | Link prediction algorithm for efficient routing in VANETs | |
CN101808275A (zh) | 一种基于车辆移动趋势预测的车载网络数据转发方法 | |
CN103095592B (zh) | 车辆自组织网络的区域多播路由系统及方法 | |
Wu et al. | A novel routing protocol based on mobile social networks and internet of vehicles | |
Dumitrescu et al. | Context assisted routing protocols for inter-vehicle wireless communication | |
Boussedjra et al. | Map-based location service for VANET | |
Zhao et al. | Multi-path routing protocol for the video service in UAV-assisted VANETs | |
Hsieh et al. | Road layout adaptive overlay multicast for urban vehicular ad hoc networks | |
CN113301534A (zh) | 一种应用于多智能车通信的路由方法 | |
Brahmi et al. | Road connectivity-based routing for vehicular ad hoc networks | |
Wang et al. | A traffic flow phase adaptive routing for vehicular communication on highways | |
Sun et al. | A GIS-Based Optimize Routing Algorithm for VANET in Urban Scenarios | |
Saleet et al. | QoS support in delay tolerant vehicular ad hoc networks | |
Xu et al. | Detecting urban road condition and disseminating traffic information by VANETs | |
CN110139334B (zh) | 一种基于软件定义车载网的影响力最大化的集群路由方法 |
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 |