CN112203258A - 一种高速公路自由流状态下的车联网缓存部署方法 - Google Patents

一种高速公路自由流状态下的车联网缓存部署方法 Download PDF

Info

Publication number
CN112203258A
CN112203258A CN202011268116.5A CN202011268116A CN112203258A CN 112203258 A CN112203258 A CN 112203258A CN 202011268116 A CN202011268116 A CN 202011268116A CN 112203258 A CN112203258 A CN 112203258A
Authority
CN
China
Prior art keywords
vehicles
vehicle
cache
content
internet
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.)
Granted
Application number
CN202011268116.5A
Other languages
English (en)
Other versions
CN112203258B (zh
Inventor
赵庶源
朱永东
吴迎笑
刘云涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202011268116.5A priority Critical patent/CN112203258B/zh
Publication of CN112203258A publication Critical patent/CN112203258A/zh
Application granted granted Critical
Publication of CN112203258B publication Critical patent/CN112203258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—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]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种高速公路自由流状态下的车联网缓存部署方法，该方法将某一时段内高速公路上自由流状态下的车辆即时位置建模为一维泊松点过程，采用高斯混合模型计算此时的车流密度作为上述泊松点过程的密度。根据不同缓存内容的流行度，该方法在车载单元中采用概率缓存策略来部署缓存，并借助随机几何数学工具对车联网的缓存命中率进行建模分析。最后，该方法建立优化模型求得车联网缓存命中率最高时的缓存部署方法。本发明通过在车载单元预先存储流行内容，可以缓解回程链路的带宽压力，减少内容的重复传输并降低数据的传输时延，大大提高车联网用户的服务体验。

Description

一种高速公路自由流状态下的车联网缓存部署方法
技术领域
本发明涉及车联网资源管理技术领域，尤其涉及一种高速公路自由流状态下的车联网缓存部署方法。
背景技术
车联网涉及交通运输、信息通信、互联网等多个产业，是信息化与工业化深度融合的重要领域，具有巨大的产业发展潜力、应用市场空间和可观的社会效益，对于带动交通行业、电子信息行业的产业转型升级、技术创新和融合发展具有重要意义。随着5G通信技术的演进和车辆智能化的发展，车联网对信息传输质量的要求也越来越高，超低时延超高可靠的通信服务保障是未来车联网诸多智能化应用落地的关键。然而，对于高速公路场景，车辆自身的高速移动性导致无线信道环境变差，车载通信的可靠性下降；而且，车辆与核心网物理距离较远，不同车辆在高速移动中请求相同业务时会导致网络资源重复配置，容易造成网络拥塞，影响通信时延。
近年来，随着硬件技术的飞速发展，车载单元（On Board Unit，OBU）的存储能力大大提升并且成本较低。借鉴内容分发网络（Content Delivery Network，CDN）和内容中心网络（Content Centric Networking，CCN）的应用和发展，考虑无线网络热门业务的异步内容复用的特性，移动边缘缓存技术成为研究热点。因此，在车载单元合理部署缓存，使得车辆可以借助V2V通信获得请求内容，能够有效地缓解回程链路的带宽压力，减少内容的重复传输并降低业务时延，大大提高用户的服务体验。
目前关于车联网缓存的研究较少，而且都没有从全局的角度分析缓存策略对车联网缓存性能的影响，因此需要一种系统的分析方法来指导车联网缓存的部署。
发明内容
本发明的目的在于针对现有技术的不足，提供一种高速公路自由流状态下的车联网缓存部署方法。
本发明的目的是通过以下技术方式来实现的：一种高速公路自由流状态下的车联网缓存部署方法，该方法包括以下步骤：
S1：构建某一时段内高速公路自由流状态下的交通流模型；
S2：根据车辆功能、发动机排量、长度、重量等因素将高速公路上的行驶车辆划分为N种类型，采用高斯混合模型计算平均车流密度；
S3：构建基于随机几何的车联网缓存部署模型，包括缓存内容请求模型和缓存内容放置模型，其中缓存内容放置模型采用概率缓存策略来实现，即车载单元以不同的概率缓存不同的内容，车辆之间通过V2V直连通信传输缓存内容；
S4：构建车联网的V2V无线信道传输模型，定义缓存命中率作为车联网缓存性能的分析 指标，即发起内容请求的车辆能够从自身或者其他车辆获得所需内容，并且链路性能满足 信干噪比要求的概率，推导车联网的缓存命中率
Figure 206772DEST_PATH_IMAGE001
；
S5：以最大化车联网的缓存命中率为目标构建优化问题，求取最优的缓存部署方法。
进一步地，所述的S1具体通过如下子步骤来实现：
S1.1：根据交通流理论，将单位时间内车辆的到达率建模为均值为
Figure 883741DEST_PATH_IMAGE002
的泊松分布；
S1.2：自由流状态下，高速公路上各车辆的即时位置可看作是随机分布的，将其近似建 模为密度为
Figure 541249DEST_PATH_IMAGE003
的一维泊松点过程，
Figure 430708DEST_PATH_IMAGE003
的值等于平均车流密度。
进一步地，所述的S2具体为：
在自由流状态下，车辆的运动与其它车辆无关，将混合交通流中N种不同类型的车辆的 速度数据用N个高斯分布模型来拟合；高斯混合模型下的车辆平均速度表示为：
Figure 575381DEST_PATH_IMAGE004
，其中，
Figure 436633DEST_PATH_IMAGE005
代表不同类型车辆的平均速度，
Figure 283236DEST_PATH_IMAGE006
代表某类型 车辆所占的比例；对于第
Figure 241964DEST_PATH_IMAGE007
类车辆，考虑到高速公路车辆速率的限制，将其速度区间设为
Figure 37882DEST_PATH_IMAGE008
；根据高斯分布的定义，
Figure 510450DEST_PATH_IMAGE009
的概率密度函数
Figure 860660DEST_PATH_IMAGE010
计算如下：
Figure 278872DEST_PATH_IMAGE011
其中
Figure 194875DEST_PATH_IMAGE012
表示初始高斯分布的概率密度函数，
Figure 869701DEST_PATH_IMAGE013
表示均值，
Figure 441628DEST_PATH_IMAGE014
表示标准差；利用高 斯分布性质，设定
Figure 476580DEST_PATH_IMAGE015
分别作为车辆速度的最小值和最大 值，能够覆盖99.7%的取值区间；因此，
Figure 496358DEST_PATH_IMAGE016
， 第
Figure 591353DEST_PATH_IMAGE017
类车辆的平均速度为
Figure 447313DEST_PATH_IMAGE018
；以此类推，在统计不同类型车辆比例
Figure 971442DEST_PATH_IMAGE006
的 基础上，所有车辆速度的平均值
Figure 596458DEST_PATH_IMAGE019
便可获得；因此，平均车流密度表示为
Figure 862355DEST_PATH_IMAGE020
。
进一步地，所述的S3具体为：
首先，构建缓存内容请求模型；将所有可能请求的内容组成集合
Figure 205611DEST_PATH_IMAGE021
，序 号代表了每个内容流行度的降序排名；不失一般性，假设所有内容具有同样的大小并且归一 化，不同大小的内容可以采用编码技术构成大小相同的数据块；内容的请求规律服从独立参 考模型，即车辆请求的内容集合和内容流行度分布在一段时间内保持不变，并且不同车辆 请求内容的活动相互独立，同一车辆在不同时刻请求内容的活动也相互独立；对于任意车 联网用户，第
Figure 97213DEST_PATH_IMAGE022
流行的内容的请求概率服从Zipf分布，即：
Figure 576736DEST_PATH_IMAGE023
，其中
Figure 482375DEST_PATH_IMAGE024
是偏斜系数；
其次，构建缓存内容放置模型；定义车载单元的缓存容量一致且为
Figure 798081DEST_PATH_IMAGE025
，发射功率为
Figure 712947DEST_PATH_IMAGE026
， 车载单元采用概率缓存策略来选择预存储的内容，即以不同的概率缓存不同的内容；定义 向量
Figure 312556DEST_PATH_IMAGE027
为车载单元缓存向量，
Figure 920255DEST_PATH_IMAGE028
表示车载单元缓存第
Figure 221792DEST_PATH_IMAGE029
个内容的概率， 满足
Figure 143611DEST_PATH_IMAGE030
；
Figure 597727DEST_PATH_IMAGE031
。
进一步地，所述的S4具体为：
首先，根据缓存命中率定义，将车联网的缓存命中率表示为：
Figure 118270DEST_PATH_IMAGE032
，其中
Figure 923415DEST_PATH_IMAGE033
代表车辆能够通过V2V模式获取缓存并满足信干噪比要求的概率；
其次，分析V2V通信的信道特性求得
Figure 445663DEST_PATH_IMAGE033
；设定车联网中所有车辆时刻保持通信状态 交互信息，并且使用相同的频带资源（即频率复用因子为1），网络的小尺度衰落服从均值为 1的瑞利分布；根据随机几何数学工具，
Figure 754285DEST_PATH_IMAGE033
计算公式为：
Figure 953054DEST_PATH_IMAGE034
其中
Figure 917599DEST_PATH_IMAGE035
表示信干噪比门限，
Figure 243538DEST_PATH_IMAGE036
表示路径损耗指数，
Figure 157398DEST_PATH_IMAGE037
表示噪声功率，
Figure 543380DEST_PATH_IMAGE038
表示V2V的最 大有效通信距离，
Figure 57538DEST_PATH_IMAGE039
表示平均车流密度，
Figure 921589DEST_PATH_IMAGE040
表示车辆之间的通信距离，
Figure 188491DEST_PATH_IMAGE041
表示请求者到缓存 内容
Figure 745375DEST_PATH_IMAGE029
的干扰源的距离。
进一步地，所述的
Figure 481249DEST_PATH_IMAGE033
具体推导过程为：
当任意车辆请求内容
Figure 834477DEST_PATH_IMAGE029
时，考虑到V2V的有效通信距离较短，将车辆之间的通信距离
Figure 972197DEST_PATH_IMAGE042
近似为路径距离，信干噪比计算如下：
Figure 965561DEST_PATH_IMAGE043
，其中
Figure 923153DEST_PATH_IMAGE044
表示小尺度衰落；缓 存网络的干扰源分为两种：缓存了内容
Figure 643853DEST_PATH_IMAGE029
的车辆的干扰
Figure 636080DEST_PATH_IMAGE045
和未缓存内容
Figure 269186DEST_PATH_IMAGE029
的车辆的干扰
Figure 979653DEST_PATH_IMAGE046
， 表示为：
Figure 943192DEST_PATH_IMAGE047
，
Figure 789926DEST_PATH_IMAGE048
；根据泊松点过程的稀疏定理，
Figure 125092DEST_PATH_IMAGE049
代表缓存了内容
Figure 306544DEST_PATH_IMAGE029
的车辆构成的密度为
Figure 119779DEST_PATH_IMAGE050
的泊松点过程，该点过程不包含发送车辆本身，
Figure 86598DEST_PATH_IMAGE051
代表未缓存内容
Figure 18432DEST_PATH_IMAGE029
的车辆构成的密度为
Figure 703491DEST_PATH_IMAGE052
的泊松点过程，
Figure 54838DEST_PATH_IMAGE053
和
Figure 141742DEST_PATH_IMAGE054
代表车辆距 离干扰源的距离；因此，借助随机几何数学工具，
Figure 536821DEST_PATH_IMAGE055
推导如下：
Figure 443597DEST_PATH_IMAGE056
其中，
Figure 801897DEST_PATH_IMAGE057
表示信干噪比达到门限概率的均值，
Figure 228461DEST_PATH_IMAGE058
表示所有发起内容请求的车辆通信状 态的均值，
Figure 810752DEST_PATH_IMAGE059
为内容
Figure 204825DEST_PATH_IMAGE060
的请求者与发送内容车辆之间距离
Figure 897974DEST_PATH_IMAGE061
的概率密度函数，
Figure 208739DEST_PATH_IMAGE062
和
Figure 961931DEST_PATH_IMAGE063
分别是
Figure 577720DEST_PATH_IMAGE045
和
Figure 74560DEST_PATH_IMAGE064
的拉普拉斯变换，而最后一步的推导则是 利用了瑞利衰落的性质；
Figure 472787DEST_PATH_IMAGE065
根据定义如下计算：
Figure 396881DEST_PATH_IMAGE066
对于
Figure 765545DEST_PATH_IMAGE067
，有：
Figure 800498DEST_PATH_IMAGE068
最后一步的推导同样利用了瑞利衰落的性质，
Figure 757958DEST_PATH_IMAGE069
；借助泊松点过程的概率生 成母泛函，上式化简为：
Figure 118532DEST_PATH_IMAGE070
积分从
Figure 708914DEST_PATH_IMAGE040
开始的原因是根据接入准则，请求者到缓存内容
Figure 298289DEST_PATH_IMAGE029
的干扰源的距离必定大于 到发送内容车辆的距离；类似的，对于
Figure 657726DEST_PATH_IMAGE071
，由于未缓存内容
Figure 923622DEST_PATH_IMAGE029
的车辆与请求者的 距离无约束，有：
Figure 266879DEST_PATH_IMAGE072
因此，可得到：
Figure 892901DEST_PATH_IMAGE073
进一步地，所述的S5具体为：
根据车联网的缓存命中率，构造优化问题如下：
Figure 372424DEST_PATH_IMAGE074
由于目标函数形式复杂，不方便化简求解，采用基于模拟退火的启发式算法来求取最 优解
Figure 809222DEST_PATH_IMAGE075
，并按照
Figure 342839DEST_PATH_IMAGE075
在车联网的所有车辆上部署缓存；当内容流行度、车辆密度等发生变化 时，按照上述步骤及时更新
Figure 523284DEST_PATH_IMAGE075
及缓存部署方法。
本发明的有益效果如下：
本发明的高速公路自由流状态下的车联网缓存部署方法，通过在车载单元预先存储流行内容，使车联网用户可以通过V2V直连通信获得请求的内容，能够缓解回程链路的带宽压力，减少内容的重复传输并降低数据的传输时延，大大提高车联网用户的服务体验并提高系统吞吐量。
附图说明
图1是车联网缓存部署方法实施流程图；
图2是基于模拟退火的启发式算法流程图。
具体实施方式
下面根据附图详细说明本发明。
本发明提出一种高速公路自由流状态下的车联网缓存部署方法，该方法基于V2V直连通信，具体实施流程如图1所示，包括以下步骤：
S1：构建某一时段内高速公路自由流状态下的交通流模型，具体内容为：
首先，根据交通流理论，将单位时间内车辆的到达率建模为均值为
Figure 122893DEST_PATH_IMAGE002
的泊松分布；其 次，考虑自由流状态下，高速公路上各车辆的即时位置可看作是随机分布的，将其近似建模 为密度为
Figure 730592DEST_PATH_IMAGE003
的一维泊松点过程，
Figure 766550DEST_PATH_IMAGE003
的值等于平均车流密度。
S2：根据车辆功能、发动机排量、长度、重量等因素将高速公路上的行驶车辆划分为N种类型，采用高斯混合模型计算平均车流密度，具体内容为：
在自由流状态下，车辆的运动与其它车辆无关，将混合交通流中N种不同类型的车辆的 速度数据用N个高斯分布模型来拟合。高斯混合模型下的车辆平均速度可以表示为：
Figure 750686DEST_PATH_IMAGE004
。其中，
Figure 470380DEST_PATH_IMAGE005
代表不同类型车辆的平均速度，
Figure 248981DEST_PATH_IMAGE006
代表某类型 车辆所占的比例；对于第
Figure 273700DEST_PATH_IMAGE007
类车辆，考虑到高速公路车辆速率的限制，将其速度区间设为
Figure 795948DEST_PATH_IMAGE008
；根据高斯分布的定义，
Figure 104569DEST_PATH_IMAGE009
的概率密度函数
Figure 54071DEST_PATH_IMAGE010
可以表示为：
Figure 330200DEST_PATH_IMAGE076
其中
Figure 593822DEST_PATH_IMAGE012
表示初始高斯分布的概率密度函数，
Figure 22530DEST_PATH_IMAGE013
表示均值，
Figure 890735DEST_PATH_IMAGE014
表示标准差。利用高 斯分布性质，设定
Figure 404893DEST_PATH_IMAGE015
分别作为车辆速度的最小值和最大 值，可覆盖99.7%的取值区间。因此，
Figure 268944DEST_PATH_IMAGE016
， 第
Figure 552158DEST_PATH_IMAGE017
类车辆的平均速度为
Figure 92729DEST_PATH_IMAGE018
。以此类推，在统计不同类型车辆比例
Figure 828604DEST_PATH_IMAGE077
的 基础上，所有车辆速度的平均值
Figure 496346DEST_PATH_IMAGE078
便可获得。因此，平均车流密度可表示为
Figure 634066DEST_PATH_IMAGE079
。
S3：构建基于随机几何的车联网缓存部署模型，包括缓存内容请求模型和缓存内容放置模型，其中缓存内容放置模型采用概率缓存策略来实现，即车载单元以不同的概率缓存不同的内容，车辆之间通过V2V直连通信传输缓存内容，具体内容为：
首先，构建缓存内容请求模型。将所有可能请求的内容组成集合
Figure 847004DEST_PATH_IMAGE080
， 序号代表了每个内容流行度的降序排名。不失一般性，假设所有内容具有同样的大小并且 归一化，不同大小的内容可以采用编码技术构成大小相同的数据块。内容的请求规律服从独 立参考模型，即车辆请求的内容集合和内容流行度分布在一段时间内保持不变，并且不同车 辆请求内容的活动相互独立，同一车辆在不同时刻请求内容的活动也相互独立。对于任意车 联网用户，第
Figure 273437DEST_PATH_IMAGE081
流行的内容的请求概率服从Zipf分布，即：
Figure 744870DEST_PATH_IMAGE082
。 其中，
Figure 986364DEST_PATH_IMAGE083
是偏斜系数，与内容的类型（比如文字、视频、音频等等）息息相关，用来描述该内容 的流行度差异。
Figure 619471DEST_PATH_IMAGE083
越大，排序靠前的内容被请求的概率越大。
其次，构建缓存内容放置模型；定义车载单元的缓存容量一致且为
Figure 329938DEST_PATH_IMAGE084
，发射功率为
Figure 339482DEST_PATH_IMAGE085
，车载单元采用概率缓存策略来选择预存储的内容，即以不同的概率缓存不同的内容；定 义向量
Figure 205457DEST_PATH_IMAGE086
为车载单元缓存向量，
Figure 275044DEST_PATH_IMAGE087
表示车载单元缓存第
Figure 207228DEST_PATH_IMAGE088
个内容的概 率，易知：
Figure 20463DEST_PATH_IMAGE089
；
Figure 970971DEST_PATH_IMAGE090
。当某一车辆发起内容请求（称之为请求 者）时，获取内容的途径可以分为三种：（1）从本地缓存获取，即车辆请求的内容在自身车载 单元中已经预先存储，无需通过V2V链路或者蜂窝网络获取，传输时延为0；（2）V2V模式，即 在V2V链路的最大有效通信距离
Figure 211459DEST_PATH_IMAGE091
之内，存在缓存了请求内容的其他车辆，并且二者之间的 V2V链路性能满足内容可靠传输的信干噪比要求。如果存在多个满足要求的车辆，选择距离 最近的建立V2V链路进行数据传输；（3）蜂窝模式，即V2V最大通信距离
Figure 630939DEST_PATH_IMAGE091
范围之内没有其他 车辆缓存请求的内容，或者与所有缓存该内容的车辆之间的V2V链路性能都达不到要求，请 求者选择接入基站获取内容。
S4：构建车联网的V2V无线信道传输模型，定义缓存命中率作为车联网缓存性能的 分析指标，即发起内容请求的车辆能够从自身或者其他车辆获得所需内容，并且链路性能 满足信干噪比要求的概率，推导车联网的缓存命中率
Figure 982286DEST_PATH_IMAGE092
，具体内容为：
首先，根据缓存命中率定义，将车联网的缓存命中率表示为：
Figure 554344DEST_PATH_IMAGE093
，其中
Figure 965734DEST_PATH_IMAGE094
代表车辆能够通过V2V模式获取缓存并满足信干噪比要求的概率。
其次，分析V2V通信的信道特性求得
Figure 872510DEST_PATH_IMAGE094
。假设车联网中所有车辆时刻保持通信 状态交互信息，并且使用相同的频带资源（即频率复用因子为1），网络的小尺度衰落服从均 值为1的瑞利分布。根据随机几何数学工具，
Figure 480078DEST_PATH_IMAGE094
具体推导过程为：
当任意车辆请求内容
Figure 155909DEST_PATH_IMAGE088
时，考虑到V2V的有效通信距离较短，将车辆之间的通信距离
Figure 738201DEST_PATH_IMAGE095
近似为路径距离，信干噪比计算如下：
Figure 132273DEST_PATH_IMAGE096
，其中
Figure 573225DEST_PATH_IMAGE097
表示小尺度衰落，
Figure 369143DEST_PATH_IMAGE098
表示路径损耗指数，
Figure 856756DEST_PATH_IMAGE099
表示噪声功率。缓存网络的干扰源可分为两种：缓存了内容
Figure 738124DEST_PATH_IMAGE088
的车 辆的干扰
Figure 484232DEST_PATH_IMAGE100
和未缓存内容
Figure 134656DEST_PATH_IMAGE088
的车辆的干扰
Figure 58750DEST_PATH_IMAGE101
，表示为：
Figure 161835DEST_PATH_IMAGE102
，
Figure 947520DEST_PATH_IMAGE103
。根据泊松点过程的稀疏定理，
Figure 718030DEST_PATH_IMAGE104
代表缓存了内容
Figure 813025DEST_PATH_IMAGE088
的车辆构成的 密度为
Figure 403406DEST_PATH_IMAGE105
的泊松点过程（不包含发送车辆本身），
Figure 491317DEST_PATH_IMAGE106
代表未缓存内容
Figure 116333DEST_PATH_IMAGE088
的车辆构成的密度 为
Figure 382229DEST_PATH_IMAGE107
的泊松点过程，
Figure 459907DEST_PATH_IMAGE108
和
Figure 844184DEST_PATH_IMAGE109
代表车辆距离干扰源的距离。因此，
Figure 323707DEST_PATH_IMAGE094
可推导如 下：
Figure 760504DEST_PATH_IMAGE110
其中，
Figure 325478DEST_PATH_IMAGE111
表示信干噪比达到门限概率的均值，
Figure 755191DEST_PATH_IMAGE112
表示所有发起内容请求的车辆通信状 态的均值，
Figure 823641DEST_PATH_IMAGE113
表示信干噪比门限，
Figure 696919DEST_PATH_IMAGE114
表示V2V的最大有效通信距离，
Figure 749189DEST_PATH_IMAGE115
为内容
Figure 484058DEST_PATH_IMAGE088
的请求 者与发送内容车辆之间距离
Figure 672594DEST_PATH_IMAGE116
的概率密度函数，
Figure 451194DEST_PATH_IMAGE117
和
Figure 990760DEST_PATH_IMAGE118
分别是
Figure 762275DEST_PATH_IMAGE100
和
Figure 70897DEST_PATH_IMAGE119
的拉普拉斯变换，而最后一步的推导则是利用了瑞利衰落的性质。
Figure 20398DEST_PATH_IMAGE120
可根据定 义如下计算：
Figure 47260DEST_PATH_IMAGE121
对于
Figure 58685DEST_PATH_IMAGE122
，有：
Figure 18551DEST_PATH_IMAGE123
最后一步的推导同样利用了瑞利衰落的性质，
Figure 607795DEST_PATH_IMAGE124
。借助泊松点过程的概率生 成母泛函，上式可以化简为：
Figure 653112DEST_PATH_IMAGE125
其中，
Figure 766430DEST_PATH_IMAGE126
表示请求者到缓存内容
Figure 252906DEST_PATH_IMAGE088
的干扰源的距离。积分从
Figure 544210DEST_PATH_IMAGE127
开始的原因是根据接入准 则，请求者到缓存内容
Figure 30818DEST_PATH_IMAGE088
的干扰源的距离必定大于到发送内容车辆的距离。类似的，对于
Figure 698559DEST_PATH_IMAGE128
，由于未缓存内容
Figure 836280DEST_PATH_IMAGE088
的车辆与请求者的距离无约束，有：
Figure 298485DEST_PATH_IMAGE129
因此，可得到：
Figure 770923DEST_PATH_IMAGE130
S5：以最大化车联网的缓存命中率为目标构建优化问题，求取最优的缓存部署方法，具体内容为：
根据车联网的缓存命中率，构造优化问题如下：
Figure 976777DEST_PATH_IMAGE131
由于目标函数形式复杂，不方便化简求解，因此采用基于模拟退火的启发式算法来求 取最优解
Figure 969004DEST_PATH_IMAGE132
，并按照此概率向量在车联网的所有车辆上部署缓存。当内容流行度、车辆密 度等发生变化时，按照上述步骤及时更新
Figure 867689DEST_PATH_IMAGE133
及缓存部署方法。
基于模拟退火的启发式算法具体流程如图2所示，包括以下步骤：
（1）定义模拟退火的启发式算法的起始温度Tem1、终止温度Tem2和最大迭代次数L；
（2）初始化车载单元缓存向量
Figure 331819DEST_PATH_IMAGE134
，将其作为当前最优值
Figure 75784DEST_PATH_IMAGE133
，初始化当前温度Tem=Tem1， 计算相应的缓存命中率作为初始最优值S；
（3）当前温度Tem下执行L次迭代过程，每一次过程的内容是：第一步，在
Figure 188096DEST_PATH_IMAGE134
值附近随机 扰动进行更新，计算更新后的缓存命中率，记为f(k)；第二步，判断f(k)与S值的大小，如果f (k)>S，则更新
Figure 992104DEST_PATH_IMAGE135
，S=f(k)，如果f(k)<S，则判断是否满足Metropolis准则，如果满足则 更新
Figure 439135DEST_PATH_IMAGE135
，S=f(k)，否则不更新；
（4）当前温度Tem迭代过程执行完毕后，更新Tem=Tem*0.98，循环步骤（3）中操作，直到Tem低于终止温度Tem2；
（5）输出最优缓存向量
Figure 986791DEST_PATH_IMAGE133
和最优缓存命中率S。
以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (7)

1.一种高速公路自由流状态下的车联网缓存部署方法，其特征在于，包括以下步骤：
S1：构建某一时段内高速公路自由流状态下的交通流模型；
S2：将高速公路上的行驶车辆划分为N种类型，采用高斯混合模型计算平均车流密度；
S3：构建基于随机几何的车联网缓存部署模型，包括缓存内容请求模型和缓存内容放置模型，其中缓存内容放置模型采用概率缓存策略来实现，即车载单元以不同的概率缓存不同的内容，车辆之间通过V2V直连通信传输缓存内容；
S4：构建车联网的V2V无线信道传输模型，定义缓存命中率作为车联网缓存性能的分析 指标，即发起内容请求的车辆能够从自身或者其他车辆获得所需内容，并且链路性能满足 信干噪比要求的概率，推导车联网的缓存命中率
Figure 363888DEST_PATH_IMAGE001
；
S5：以最大化车联网的缓存命中率为目标构建优化问题，求取最优的缓存部署方法。
2.根据权利要求1所述的高速公路自由流状态下的车联网缓存部署方法，其特征在于，所述的S1具体通过如下子步骤来实现：
S1.1：根据交通流理论，将单位时间内车辆的到达率建模为均值为
Figure 749870DEST_PATH_IMAGE002
的泊松分布；
S1.2：自由流状态下，高速公路上各车辆的即时位置可看作是随机分布的，将其近似建 模为密度为
Figure 998449DEST_PATH_IMAGE003
的一维泊松点过程，
Figure 816494DEST_PATH_IMAGE003
的值等于平均车流密度。
3.根据权利要求2所述的高速公路自由流状态下的车联网缓存部署方法，其特征在于，所述的S2具体为：
在自由流状态下，车辆的运动与其它车辆无关，将混合交通流中N种不同类型的车辆的 速度数据用N个高斯分布模型来拟合；高斯混合模型下的车辆平均速度表示为：
Figure 99708DEST_PATH_IMAGE004
，其中，
Figure 656591DEST_PATH_IMAGE005
代表不同类型车辆的平均速度，
Figure 641734DEST_PATH_IMAGE006
代表某类型 车辆所占的比例；对于第
Figure 512738DEST_PATH_IMAGE007
类车辆，考虑到高速公路车辆速率的限制，将其速度区间设为
Figure 650458DEST_PATH_IMAGE008
；根据高斯分布的定义，
Figure 866325DEST_PATH_IMAGE009
的概率密度函数
Figure 89496DEST_PATH_IMAGE010
计算如下：
Figure 295350DEST_PATH_IMAGE011
其中
Figure 553156DEST_PATH_IMAGE012
表示初始高斯分布的概率密度函数，
Figure 701109DEST_PATH_IMAGE013
表示均值，
Figure 411576DEST_PATH_IMAGE014
表示标准差；利用高斯 分布性质，设定
Figure 155541DEST_PATH_IMAGE015
分别作为车辆速度的最小值和最大 值，能够覆盖99.7%的取值区间；因此，
Figure 221849DEST_PATH_IMAGE016
， 第
Figure 25857DEST_PATH_IMAGE007
类车辆的平均速度为
Figure 223620DEST_PATH_IMAGE017
；平均车流密度表示为
Figure 771276DEST_PATH_IMAGE018
。
4.根据权利要求1所述的高速公路自由流状态下的车联网缓存部署方法，其特征在于，所述的S3具体为：
首先，构建缓存内容请求模型；将所有可能请求的内容组成集合
Figure 252942DEST_PATH_IMAGE019
， 序号代表了每个内容流行度的降序排名；假设所有内容具有同样的大小并且归一化；内容 的请求规律服从独立参考模型，即车辆请求的内容集合和内容流行度分布在一段时间内保 持不变，并且不同车辆请求内容的活动相互独立，同一车辆在不同时刻请求内容的活动也 相互独立；对于任意车联网用户，第
Figure 493430DEST_PATH_IMAGE020
流行的内容的请求概率服从Zipf分布，即：
Figure 116172DEST_PATH_IMAGE021
，其中
Figure 215322DEST_PATH_IMAGE022
是偏斜系数；
其次，构建缓存内容放置模型；定义车载单元的缓存容量一致且为
Figure 36647DEST_PATH_IMAGE023
，发射功率为
Figure 713616DEST_PATH_IMAGE024
， 车载单元采用概率缓存策略来选择预存储的内容，即以不同的概率缓存不同的内容；定义 向量
Figure 620393DEST_PATH_IMAGE025
为车载单元缓存向量，
Figure 759119DEST_PATH_IMAGE026
表示车载单元缓存第
Figure 700530DEST_PATH_IMAGE027
个内容的概率， 满足
Figure 282821DEST_PATH_IMAGE028
；
Figure 630888DEST_PATH_IMAGE029
。
5.根据权利要求4所述的高速公路自由流状态下的车联网缓存部署方法，其特征在于，所述的S4具体为：
首先，根据缓存命中率定义，将车联网的缓存命中率表示为：
Figure 324038DEST_PATH_IMAGE030
，其中
Figure 854376DEST_PATH_IMAGE031
代表车辆能够通过V2V模式获取缓存并满足信干噪 比要求的概率；
其次，分析V2V通信的信道特性求得
Figure 873148DEST_PATH_IMAGE031
；设定车联网中所有车辆时刻保持通信状态交 互信息，并且使用相同的频带资源，网络的小尺度衰落服从均值为1的瑞利分布；根据随机 几何数学工具，
Figure 3784DEST_PATH_IMAGE031
计算公式为：
Figure 500624DEST_PATH_IMAGE032
其中
Figure 354310DEST_PATH_IMAGE033
表示信干噪比门限，
Figure 754768DEST_PATH_IMAGE034
表示路径损耗指数，
Figure 389012DEST_PATH_IMAGE035
表示噪声功率，
Figure 423964DEST_PATH_IMAGE036
表示V2V的最大 有效通信距离，
Figure 647004DEST_PATH_IMAGE037
表示平均车流密度，
Figure 476420DEST_PATH_IMAGE038
表示车辆之间的通信距离，
Figure 332380DEST_PATH_IMAGE039
表示请求者到缓存内 容
Figure 171023DEST_PATH_IMAGE027
的干扰源的距离。
6.根据权利要求5所述的高速公路自由流状态下的车联网缓存部署方法，其特征在于， 所述的
Figure 281193DEST_PATH_IMAGE040
具体推导过程为：
当任意车辆请求内容
Figure 812668DEST_PATH_IMAGE027
时，考虑到V2V的有效通信距离较短，将车辆之间的通信距离
Figure 890346DEST_PATH_IMAGE041
近似为路径距离，信干噪比计算如下：
Figure 532680DEST_PATH_IMAGE042
，其中
Figure 464732DEST_PATH_IMAGE043
表示小尺度衰落；缓 存网络的干扰源分为两种：缓存了内容
Figure 901530DEST_PATH_IMAGE027
的车辆的干扰
Figure 732083DEST_PATH_IMAGE044
和未缓存内容
Figure 660331DEST_PATH_IMAGE027
的车辆的干扰
Figure 463202DEST_PATH_IMAGE045
， 表示为：
Figure 70901DEST_PATH_IMAGE046
，
Figure 575700DEST_PATH_IMAGE047
；根据泊松点过程的稀疏定理，
Figure 559837DEST_PATH_IMAGE048
代表缓存了内容
Figure 13952DEST_PATH_IMAGE027
的车辆构成的密度为
Figure 543285DEST_PATH_IMAGE049
的泊松点过程，该点过程不包含发送车辆本身，
Figure 82850DEST_PATH_IMAGE050
代表未缓存内容
Figure 808361DEST_PATH_IMAGE027
的车辆构成的密度为
Figure 366250DEST_PATH_IMAGE051
的泊松点过程，
Figure 581331DEST_PATH_IMAGE052
和
Figure 342613DEST_PATH_IMAGE053
代表车辆距 离干扰源的距离；因此，借助随机几何数学工具，
Figure 668552DEST_PATH_IMAGE040
推导如下：
Figure 585343DEST_PATH_IMAGE054
其中，
Figure 909008DEST_PATH_IMAGE055
表示信干噪比达到门限概率的均值，
Figure 423166DEST_PATH_IMAGE056
表示所有发起内容请求的车辆通信状 态的均值，
Figure 536484DEST_PATH_IMAGE057
为内容
Figure 554119DEST_PATH_IMAGE027
的请求者与发送内容车辆之间距离
Figure 376581DEST_PATH_IMAGE058
的概率密度函数，
Figure 112456DEST_PATH_IMAGE059
和
Figure 530930DEST_PATH_IMAGE060
分别是
Figure 403071DEST_PATH_IMAGE044
和
Figure 334118DEST_PATH_IMAGE045
的拉普拉斯变换，而最后一步的推导则是 利用了瑞利衰落的性质；
Figure 806557DEST_PATH_IMAGE061
根据定义如下计算：
Figure 12410DEST_PATH_IMAGE062
对于
Figure 4637DEST_PATH_IMAGE063
，有：
Figure 168902DEST_PATH_IMAGE064
最后一步的推导同样利用了瑞利衰落的性质，
Figure 361592DEST_PATH_IMAGE065
；借助泊松点过程的概率生 成母泛函，上式化简为：
Figure 371137DEST_PATH_IMAGE066
对于
Figure 483449DEST_PATH_IMAGE067
，由于未缓存内容
Figure 287457DEST_PATH_IMAGE027
的车辆与请求者的距离无约束，有：
Figure 937750DEST_PATH_IMAGE068
因此，得到：
Figure 485406DEST_PATH_IMAGE069
。
7.根据权利要求4所述的高速公路自由流状态下的车联网缓存部署方法，其特征在于，所述的S5具体为：
根据车联网的缓存命中率，构造优化问题如下：
Figure 717804DEST_PATH_IMAGE070
采用基于模拟退火的启发式算法来求取最优解
Figure 443446DEST_PATH_IMAGE071
，并按照
Figure 128505DEST_PATH_IMAGE071
在车联网的所有车辆上 部署缓存；当内容流行度、车辆密度发生变化时，更新
Figure 683115DEST_PATH_IMAGE071
及缓存部署方法。
CN202011268116.5A 2020-11-13 2020-11-13 一种高速公路自由流状态下的车联网缓存部署方法 Active CN112203258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011268116.5A CN112203258B (zh) 2020-11-13 2020-11-13 一种高速公路自由流状态下的车联网缓存部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011268116.5A CN112203258B (zh) 2020-11-13 2020-11-13 一种高速公路自由流状态下的车联网缓存部署方法

Publications (2)

Publication Number Publication Date
CN112203258A true CN112203258A (zh) 2021-01-08
CN112203258B CN112203258B (zh) 2021-10-08

Family

ID=74033585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011268116.5A Active CN112203258B (zh) 2020-11-13 2020-11-13 一种高速公路自由流状态下的车联网缓存部署方法

Country Status (1)

Country Link
CN (1) CN112203258B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362602A (zh) * 2021-06-29 2021-09-07 山东旗帜信息有限公司 一种基于门架通行数据的拥堵分析方法及设备
CN113993108A (zh) * 2021-12-27 2022-01-28 江苏移动信息系统集成有限公司 基于车载网络边缘的缓存内容放置方法及系统
CN115396419A (zh) * 2021-05-21 2022-11-25 中国科学院上海高等研究院 边缘端缓存文件分配方法及系统、存储介质及基站

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109391681A (zh) * 2018-09-14 2019-02-26 重庆邮电大学 基于mec的v2x移动性预测与内容缓存卸载方案
CN109617962A (zh) * 2018-12-11 2019-04-12 电子科技大学 一种基于内容关联度的车联网雾节点内容缓存方法
CN110312231A (zh) * 2019-06-28 2019-10-08 重庆邮电大学 一种车联网中基于移动边缘计算的内容缓存决策和资源分配联合优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109391681A (zh) * 2018-09-14 2019-02-26 重庆邮电大学 基于mec的v2x移动性预测与内容缓存卸载方案
CN109617962A (zh) * 2018-12-11 2019-04-12 电子科技大学 一种基于内容关联度的车联网雾节点内容缓存方法
CN110312231A (zh) * 2019-06-28 2019-10-08 重庆邮电大学 一种车联网中基于移动边缘计算的内容缓存决策和资源分配联合优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘可欣: "基于移动边缘计算的车联网缓存策略研究", 《计算机应用研究》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115396419A (zh) * 2021-05-21 2022-11-25 中国科学院上海高等研究院 边缘端缓存文件分配方法及系统、存储介质及基站
CN113362602A (zh) * 2021-06-29 2021-09-07 山东旗帜信息有限公司 一种基于门架通行数据的拥堵分析方法及设备
CN113993108A (zh) * 2021-12-27 2022-01-28 江苏移动信息系统集成有限公司 基于车载网络边缘的缓存内容放置方法及系统

Also Published As

Publication number Publication date
CN112203258B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN112203258B (zh) 一种高速公路自由流状态下的车联网缓存部署方法
Ndikumana et al. Deep learning based caching for self-driving cars in multi-access edge computing
Tian et al. CoPace: Edge computation offloading and caching for self-driving with deep reinforcement learning
Qi et al. Traffic-aware task offloading based on convergence of communication and sensing in vehicular edge computing
US10375618B2 (en) Wireless communication apparatus and wireless communication method
CN115277845B (zh) 基于多智能体近端策略的车联网分布式边缘缓存决策方法
CN113283177B (zh) 一种基于异步联邦学习的移动感知缓存方法
CN114449477B (zh) 一种基于边缘缓存和免疫克隆策略的车联网内容分发方法
CN112565377B (zh) 车联网中一种面向用户服务体验的内容分级优化缓存方法
CN111479238B (zh) 一种车联网信息处理时延优化方法
Hieu et al. irdrc: An intelligent real-time dual-functional radar-communication system for automotive vehicles
CN115297171A (zh) 一种蜂窝车联网分级决策的边缘计算卸载方法及系统
Xing et al. Deep reinforcement learning for cooperative edge caching in vehicular networks
CN116634396A (zh) 基于图注意力的车联网多智能体边缘计算内容缓存决策方法
Hazarika et al. AFL-DMAAC: Integrated resource management and cooperative caching for URLLC-IoV networks
AlNagar et al. Proactive caching for vehicular ad hoc networks using the city model
Feng et al. Proactive content caching scheme in urban vehicular networks
Seliem et al. Accurate probability distribution calculation for drone-based highway-VANETs
Park et al. Applying DQN solutions in fog-based vehicular networks: Scheduling, caching, and collision control
Zhang et al. Federated learning-assisted vehicular edge computing: Architecture and research directions
Tong et al. Adaptive on-ramp merging strategy under imperfect communication performance
Liu et al. Multi-User Computation Offloading and Resource Allocation Algorithm in a Vehicular Edge Network
Khanal et al. Proactive content caching at self-driving car using federated learning with edge cloud
Zhou et al. Reliable content dissemination in internet of vehicles using social big data
Wu et al. Collaborative caching relay algorithm based on recursive deep reinforcement learning in mobile vehicle edge network

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