CN112887933A - 一种基于K-means聚类的车联网拥塞控制方法 - Google Patents
一种基于K-means聚类的车联网拥塞控制方法 Download PDFInfo
- Publication number
- CN112887933A CN112887933A CN202110097087.9A CN202110097087A CN112887933A CN 112887933 A CN112887933 A CN 112887933A CN 202110097087 A CN202110097087 A CN 202110097087A CN 112887933 A CN112887933 A CN 112887933A
- Authority
- CN
- China
- Prior art keywords
- congestion
- vehicle
- node
- congestion control
- means clustering
- 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.)
- Pending
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]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
-
- 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
- H04W28/0289—Congestion control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W56/00—Synchronisation arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于K‑means聚类的车联网拥塞控制方法,包括如下步骤:S1、建立车联网拥塞模型;S2、基于车联网拥塞模型判断信道是否发生拥塞,若是则执行步骤S3;S3、收集拥塞数据,所述拥塞数据为车辆节点的特征信息;S4、基于拥塞数据,利用K‑means聚类算法对车辆节点进行分类;S5、针对不同类别的车辆节点,制定最优解决方案并分发给各车辆节点;该发明在通信协议802.11P模型中引入拥塞控制模块同步处理高并发数据,满足高密度车辆下的同步计算,改善了标准模型中因计算时延导致的通信拥塞情况,并通过K‑means聚类算法对帧进行分类完成最优解决方案的计算。
Description
技术领域
本发明涉及网络通信技术领域,具体的说是一种基于K-means聚类的车联网拥塞控制方法。
背景技术
随着我国车辆的保有量不断增加,给交通安全和社会带了一系列的问题。车联网和管理部门对驾驶安全的关注度也越来越高。而车联网技术的是解决这些问题的有效途径。车联网系统,是指利用先进传感技术、网络技术、计算技术、控制技术、智能技术,对道路和交通进行全面感知,实现多个系统间大范围、大容量数据的交互,对每一辆汽车进行交通全程控制,对每一条道路进行交通全时空控制,以提供交通效率和交通安全为主的网络与应用。
在车联网运行中,车辆节点动态变化,路边设施RSU固定不动。在十字路口由于道路的时分复用,道路拥堵导致暂停车辆产生大量数据,迫使网络拥塞性能退化。近年来,业界有利用车辆发送信息的发射功率,公平性和优先性提出了静态D-FPAV方法和动态D-FPAV方法进行车联网拥塞控制方法,有基于车辆发送信息的发射速率的算法提高网络可靠性等方法,以及通过线性增加相邻车辆的数量来获得最小的争用窗口等算法。但上述算法均没有考虑信息的传输范围和网络冲突概率,在发生车联网拥塞状况时难以确保网络的可靠性。
发明内容
本发明的目的在于提供一种基于K-means聚类的车联网拥塞控制方法,该车联网中基于K均值聚类的拥塞控制方法在通信协议802.11P模型中引入拥塞控制模块同步处理高并发数据,满足高密度车辆下的同步计算,改善了标准模型中因计算时延导致的通信拥塞情况,并通过K-means聚类算法对帧进行分类完成最优解决方案的计算。
为实现上述目的,本发明采用以下技术方案:
一种基于K-means聚类的车联网拥塞控制方法,包括如下步骤:
S1、建立车联网拥塞模型;
S2、基于车联网拥塞模型判断信道是否发生拥塞,若是则执行步骤S3;
S3、收集拥塞数据,所述拥塞数据为车辆节点的特征信息;
S4、基于拥塞数据,利用K-means聚类算法对车辆节点进行分类;
S5、针对不同类别的车辆节点,制定最优解决方案并分发给各车辆节点。
优选地,所述步骤S1包括以下分步骤:
S11、构建车联网仿真系统架构,所述车联网仿真系统架构包括物理层、MAC层、RSU单元、信道状态管理模块及拥塞控制模块,所述物理层包括功率监控器及物理层状态管理器,所述MAC层包括接收模块、接收控制模块、传输模块及传输控制模块,所述信道状态管理模块用于监听信道,所述拥塞控制模块用于执行高并发数据处理模式采集拥塞数据;
S12、建立车联网拥塞模型。
优选地,所述车联网仿真系统架构的具体工作过程如下:
物理层将接受到的车辆信息经过地址过滤提供给MAC层接收模块;
MAC层查看帧间距,将帧间距不符的信息丢弃,完成分组交换到接收控制模块;
接收控制模块将CTS和ACK帧发送到传输模块来响应接受到的RTS和DATA帧,并将CTS和ACK帧发送给传输控制模块;
信道状态管理模块保持对信道的监听,接收帧的持续时间域和物理层信道状态,若监听到拥塞,则触发拥塞控制模块启动高并发数据处理模式;
传输模块利用接收到的通信参数控制数据传输。
优选地,所述步骤S12具体通过以下步骤实现:
S121、建立累积噪声计算模型:
其中,Cr(t)为接收节点r在当前时刻的累积噪声,N为白噪声,Ir(t)为车联网节点r在当前时刻通信范围内的干扰值,i为干扰节点,Fr(t)为当前时刻所有在接收节点r相互干扰帧的集合,Pr(t)为接收节点r在当前时刻接收的信号功率;
S122、基于信噪比模型建立SINR计算模型:
其中,Pr(f)为接收节点r接收的来自发送节点f的信号功率,Pr(i)为接收节点r接收的来自发送节点i的信号功率;
S123、基于Nakagami分布确定单跳广播分组的接收功率计算模型:
S124、在考虑通信密度的情况下,确定最终的车联网拥塞模型:
优选地,所述步骤S2包括以下分步骤:
S21、利用信道状态管理模块对信道进行监听,获得接收帧的持续时间域和物理层信道状态;
S22、利用车联网拥塞模型计算拥塞值;
S23、判断拥塞值是否大于预先设定的拥塞阈值,若是则认定信道发生拥塞并执行步骤S3。
优选地,所述步骤S4通过以下方法:
在MAC层使用K-means聚类算法进行帧分类,将拥塞数据按照不同特征进行分类,划分为K个N={nk,i=1,2,…,k}类,每个类的聚类中心通过N次循环迭代,使每一个节点到聚类中心的相对距离欧氏距离及聚类平方和最小。
优选地,所述步骤S4中聚类分析选取的特征为信息大小、信息种类、信息有效性、车辆和RSU单元之间的距离及车辆行驶方向。
优选地,所述步骤S4中聚类分析选取的K值为4。
优选地,所述步骤S5包括以下分步骤:
S51、通过拥塞控制模块选取通信参数,并对通信参数的取值进行组合形成多个拥塞控制解决方案;
S52、针对每类车辆节点,选择最小时延和最小丢包率的拥塞控制解决方案作为最优解决方案;
S53、将最优解决方案及对应的类别生成列表存入寄存器中;
S54、针对各类车辆节点,分发对应的最优解决方案。
优选地,所述拥塞阈值为0.7。
采用上述技术方案后,本发明具有如下有益效果:
本发明一种基于K-means聚类的车联网拥塞控制方法,车联网仿真系统架构中MAC层和物理层的每个功能均可以独立实现;由于每个车辆信息只是提取聚类算法所需的特征,所以利用多线程方法进行高并发模式下的特征提取;在通信协议802.11P模型中引入拥塞控制模块同步处理高并发数据,满足高密度车辆下的同步计算,改善了标准模型中因计算时延导致的通信拥塞情况,并通过K-means聚类算法对帧进行分类完成最优解决方案的计算,可将最优方案与对应类别生成列表存入寄存器中,再次碰到相同种类节点信息时可直接分配最优方案。
附图说明
图1为本发明的流程图;
图2为本发明的车联网仿真系统架构的示意图;
图3为本发明的车联网拥塞情形的示意图;
图4为本发明的K-means聚类算法的流程框图;
图5为本发明的不同状态的丢包率图;
图6为本发明的不同状态的平均时延图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
请参阅图1至图6,一种基于K-means聚类的车联网拥塞控制方法,包括如下步骤:
S1、建立车联网拥塞模型;
所述步骤S1包括以下分步骤:
S11、构建车联网仿真系统架构,所述车联网仿真系统架构包括物理层、MAC层、RSU单元、信道状态管理模块及拥塞控制模块,所述物理层包括功率监控器及物理层状态管理器,所述MAC层包括接收模块、接收控制模块、传输模块及传输控制模块,所述信道状态管理模块用于监听信道,所述拥塞控制模块用于执行高并发数据处理模式采集拥塞数据;
车联网仿真系统架构中,MAC层和物理层的每个功能均可以独立实现。由于每个车辆信息只是提取聚类算法所需的特征,所以利用多线程方法进行高并发模式下的特征提取,满足高密度车辆下的同步计算,改善了标准模型中因计算时延导致的通信拥塞情况,车联网仿真系统架构如图2所示。
所述车联网仿真系统架构的具体工作过程如下:
物理层将接受到的车辆信息经过地址过滤提供给MAC层接收模块;
MAC层查看帧间距,将帧间距不符的信息丢弃,完成分组交换到接收控制模块;
接收控制模块将CTS和ACK帧发送到传输模块来响应接受到的RTS和DATA帧,并将CTS和ACK帧发送给传输控制模块;
信道状态管理模块保持对信道的监听,接收帧的持续时间域和物理层信道状态,若监听到拥塞,则触发拥塞控制模块启动高并发数据处理模式;
传输模块利用接收到的通信参数控制数据传输。
S12、建立车联网拥塞模型;
所述步骤S12具体通过以下步骤实现:
S121、建立累积噪声计算模型:
其中,Cr(t)为接收节点r在当前时刻的累积噪声,N为白噪声,Ir(t)为车联网节点r在当前时刻通信范围内的干扰值,i为干扰节点,Fr(t)为当前时刻所有在接收节点r相互干扰帧的集合,Pr(t)为接收节点r在当前时刻接收的信号功率;
S122、基于信噪比模型建立SINR计算模型:
其中,Pr(f)为接收节点r接收的来自发送节点f的信号功率,Pr(i)为接收节点r接收的来自发送节点i的信号功率;
S123、基于Nakagami分布确定单跳广播分组的接收功率计算模型:
S124、在考虑通信密度的情况下,确定最终的车联网拥塞模型:
S2、基于车联网拥塞模型判断信道是否发生拥塞,若是则执行步骤S3;
所述步骤S2包括以下分步骤:
S21、利用信道状态管理模块对信道进行监听,获得接收帧的持续时间域和物理层信道状态;
S22、利用车联网拥塞模型计算拥塞值;
S23、判断拥塞值是否大于预先设定的拥塞阈值,若是则认定信道发生拥塞并执行步骤S3;本实施例的拥塞阈值为0.7。
S3、收集拥塞数据,所述拥塞数据为车辆节点的特征信息;
在检测到网络发生拥塞后,可以采用两种方法进行拥塞数据的收集,第一种是在检测到拥塞后100μs内RSU收集到的所有车辆节点信息,第二种是红灯亮了以后RSU收集到的以及缓冲池中的所有数据,两种情况都会产生图3所示拥塞区域。将帧校验序列错误的信息过滤后进行聚类,在同一网络分别进行仿真,丢包率性能如图5所示,平均时延性能如图6所示。
根据上述仿真结果表明,红灯亮后的丢包率及平均时延较好,主要原因在于红灯亮后车辆处于有序的静止状态,数据转发时簇头稳定,所以该发明优选采用红灯亮后采集到的车辆节点信息作为拥塞模型的数据。
S4、基于拥塞数据,利用K-means聚类算法对车辆节点进行分类;
所述步骤S4通过以下方法:
在MAC层使用K-means聚类算法进行帧分类,将拥塞数据按照不同特征进行分类,划分为K个N={nk,i=1,2,…,k}类,每个类的聚类中心通过N次循环迭代,使每一个节点到聚类中心的相对距离欧氏距离及聚类平方和最小。在802.11p协议中的数据转发机制为通信范围内的节点信息先进行分簇,形成稳定的簇拓扑,再由簇头转发各簇中的节点信息。本发明在网络层数据转发的过程中根据V2V的相对距离进行分簇,因此在MAC层使用K-me ans聚类算法进行帧分类,节省了计算车辆间的相对距离,提高了平均时延性能。K-means聚类算法分类过程如图4所示。
所述步骤S4中聚类分析选取的特征为信息大小、信息种类、信息有效性、车辆和RSU单元之间的距离及车辆行驶方向。在车联网中,安全信息大小为300bytes,信标信息大小为400bytes,服务信息的大小可能为1000bytes,1024bytes,1400bytes这3种情况。信息有效性指在自组织网络中信息允许的最大跳数。车联网中发送的位置信息来自于GPS定位,精度为厘米级。本发明进行仿真时,分别使用0001,0010和0100表示安全信息、信令信息和服务信息。使用0001,0010,0100,1000分别表示东、南、西、北4个不同行驶方向。
本发明对类别个数K使用贪婪准则进行选择。当网络产生冲突时最少为两类信息,所以初始化类别个数K最小为2,随着K的增大分别计算网络丢包率和平均时延,结果分别如表1和表2所示。
表1系统丢包率与种类个数
表2系统平均时延/ms与种类个数
由表1结果可知,随着种类个数增加,相同车辆个数下丢包率减小。由表2可知,当车辆数不大于200时,平均时延随着种类个数增加而减小,当车辆数大于200时,在种类个数为4时平均时延为最小值。因此,本发明选取种类个数设置为4,即所述步骤S4中聚类分析选取的K值为4。
根据上述仿真结果表明,丢包率在相同数目的车辆节点下,随着种类个数的增加而减小。平均时延在大于300个车辆节点时,在种类个数为4时达到最优,主要原因为种类个数过小时,产生过多无效分组,导致多次迭代增加计算时延。种类个数过大时,计算车辆节点间的区分度复杂增加计算时延。因此,本发明K-means聚类算法采用4个节点特征进行分类。
S5、针对不同类别的车辆节点,制定最优解决方案并分发给各车辆节点。
所述步骤S5包括以下分步骤:
S51、通过拥塞控制模块选取通信参数,并对通信参数的取值进行组合形成多个拥塞控制解决方案;
S52、针对每类车辆节点,选择最小时延和最小丢包率的拥塞控制解决方案作为最优解决方案;
S53、将最优解决方案及对应的类别生成列表存入寄存器中;
S54、针对各类车辆节点,分发对应的最优解决方案。
本发明决定网络性能的参数为信息传输速率、传输范围、竞争窗口和仲裁帧间间隔AIFS。其中,传输速率和传输范围是影响网络性能的主要因素,传输速率过大时,使网络传输信道负载过大导致网络拥塞;传输速率过小时,不能及时传递网络拓扑动态变化情况。传输范围过大时,信道争用性增大,且冲突概率增大影响网络可靠性;传输范围过小时,导致网络边缘车辆收到的拥塞信息无效。另外,竞争窗口和AIFS的大小对网络性能也会产生影响。
根据IEEE802.11p的DSRC规定,传输速率标准值为3Mb/s,4.5Mb/s,6Mb/s,9Mb/s,12Mb/s,18Mb/s,24Mb/s,27Mb/s,传输范围的标准值为10m,50m,100m,150m,210m,300m,350m,380m,450m,550m,650m,750m,850m,930m,971m,1000m,竞争窗口标准值为(3,7),(7,15),(15,1023),仲裁帧间间隔AIFS标准值为1,2,3,7。将上述4个通信参数的组合生成拥塞控制解决方案,对各类车辆节点选择最小时延和最小丢包率的解决方案,将最优方案与对应类别生成列表存入寄存器中,再次碰到相同种类节点信息直接分配最优方案。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于K-means聚类的车联网拥塞控制方法,其特征在于,包括如下步骤:
S1、建立车联网拥塞模型;
S2、基于车联网拥塞模型判断信道是否发生拥塞,若是则执行步骤S3;
S3、收集拥塞数据,所述拥塞数据为车辆节点的特征信息;
S4、基于拥塞数据,利用K-means聚类算法对车辆节点进行分类;
S5、针对不同类别的车辆节点,制定最优解决方案并分发给各车辆节点。
2.如权利要求1所述的一种基于K-means聚类的车联网拥塞控制方法,其特征在于,所述步骤S1包括以下分步骤:
S11、构建车联网仿真系统架构,所述车联网仿真系统架构包括物理层、MAC层、RSU单元、信道状态管理模块及拥塞控制模块,所述物理层包括功率监控器及物理层状态管理器,所述MAC层包括接收模块、接收控制模块、传输模块及传输控制模块,所述信道状态管理模块用于监听信道,所述拥塞控制模块用于执行高并发数据处理模式采集拥塞数据;
S12、建立车联网拥塞模型。
3.如权利要求2所述的一种基于K-means聚类的车联网拥塞控制方法,其特征在于,所述车联网仿真系统架构的具体工作过程如下:
物理层将接受到的车辆信息经过地址过滤提供给MAC层接收模块;
MAC层查看帧间距,将帧间距不符的信息丢弃,完成分组交换到接收控制模块;
接收控制模块将CTS和ACK帧发送到传输模块来响应接受到的RTS和DATA帧,并将CTS和ACK帧发送给传输控制模块;
信道状态管理模块保持对信道的监听,接收帧的持续时间域和物理层信道状态,若监听到拥塞,则触发拥塞控制模块启动高并发数据处理模式;
传输模块利用接收到的通信参数控制数据传输。
4.如权利要求2所述的一种基于K-means聚类的车联网拥塞控制方法,其特征在于,所述步骤S12具体通过以下步骤实现:
S121、建立累积噪声计算模型:
其中,Cr(t)为接收节点r在当前时刻的累积噪声,N为白噪声,Ir(t)为车联网节点r在当前时刻通信范围内的干扰值,i为干扰节点,Fr(t)为当前时刻所有在接收节点r相互干扰帧的集合,Pr(t)为接收节点r在当前时刻接收的信号功率;
S122、基于信噪比模型建立SINR计算模型:
其中,Pr(f)为接收节点r接收的来自发送节点f的信号功率,Pr(i)为接收节点r接收的来自发送节点i的信号功率;
S123、基于Nakagami分布确定单跳广播分组的接收功率计算模型:
S124、在考虑通信密度的情况下,确定最终的车联网拥塞模型:
5.如权利要求1-4任一项所述的一种基于K-means聚类的车联网拥塞控制方法,其特征在于,所述步骤S2包括以下分步骤:
S21、利用信道状态管理模块对信道进行监听,获得接收帧的持续时间域和物理层信道状态;
S22、利用车联网拥塞模型计算拥塞值;
S23、判断拥塞值是否大于预先设定的拥塞阈值,若是则认定信道发生拥塞并执行步骤S3。
6.如权利要求1所述的一种基于K-means聚类的车联网拥塞控制方法,其特征在于,所述步骤S4通过以下方法:
在MAC层使用K-means聚类算法进行帧分类,将拥塞数据按照不同特征进行分类,划分为K个N={nk,i=1,2,…,k}类,每个类的聚类中心通过N次循环迭代,使每一个节点到聚类中心的相对距离欧氏距离及聚类平方和最小。
7.如权利要求6所述的一种基于K-means聚类的车联网拥塞控制方法,其特征在于,所述步骤S4中聚类分析选取的特征为信息大小、信息种类、信息有效性、车辆和RSU单元之间的距离及车辆行驶方向。
8.如权利要求6所述的一种基于K-means聚类的车联网拥塞控制方法,其特征在于,所述步骤S4中聚类分析选取的K值为4。
9.如权利要求5所述的一种基于K-means聚类的车联网拥塞控制方法,其特征在于,所述步骤S5包括以下分步骤:
S51、通过拥塞控制模块选取通信参数,并对通信参数的取值进行组合形成多个拥塞控制解决方案;
S52、针对每类车辆节点,选择最小时延和最小丢包率的拥塞控制解决方案作为最优解决方案;
S53、将最优解决方案及对应的类别生成列表存入寄存器中;
S54、针对各类车辆节点,分发对应的最优解决方案。
10.如权利要求5所述的一种基于K-means聚类的车联网拥塞控制方法,其特征在于,所述拥塞阈值为0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110097087.9A CN112887933A (zh) | 2021-01-25 | 2021-01-25 | 一种基于K-means聚类的车联网拥塞控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110097087.9A CN112887933A (zh) | 2021-01-25 | 2021-01-25 | 一种基于K-means聚类的车联网拥塞控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112887933A true CN112887933A (zh) | 2021-06-01 |
Family
ID=76051003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110097087.9A Pending CN112887933A (zh) | 2021-01-25 | 2021-01-25 | 一种基于K-means聚类的车联网拥塞控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112887933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113660050A (zh) * | 2021-06-28 | 2021-11-16 | 南京邮电大学 | 一种车联网无线信道v2x仿真方法及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105847177A (zh) * | 2016-03-15 | 2016-08-10 | 同济大学 | 一种基于功率和速率联合调整的车联网拥塞控制方法 |
KR102124955B1 (ko) * | 2019-11-29 | 2020-06-19 | 세종대학교산학협력단 | 시각적 분석을 통한 교통 혼잡 원인 식별 방법 및 서버 |
-
2021
- 2021-01-25 CN CN202110097087.9A patent/CN112887933A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105847177A (zh) * | 2016-03-15 | 2016-08-10 | 同济大学 | 一种基于功率和速率联合调整的车联网拥塞控制方法 |
KR102124955B1 (ko) * | 2019-11-29 | 2020-06-19 | 세종대학교산학협력단 | 시각적 분석을 통한 교통 혼잡 원인 식별 방법 및 서버 |
Non-Patent Citations (1)
Title |
---|
李国钦等: "车联网中基于K均值聚类的拥塞控制方法" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113660050A (zh) * | 2021-06-28 | 2021-11-16 | 南京邮电大学 | 一种车联网无线信道v2x仿真方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sommer et al. | How shadowing hurts vehicular communications and how dynamic beaconing can help | |
CN108010307B (zh) | 车队控制 | |
CN108282502B (zh) | 基于动态优先级的车辆网络消息优化广播方法 | |
Eckhoff et al. | A performance study of cooperative awareness in ETSI ITS G5 and IEEE WAVE | |
Zou et al. | A near collision free reservation based MAC protocol for VANETs | |
CN109640290B (zh) | 车联网中基于edca机制的区分服务方法、装置及设备 | |
CN109474897B (zh) | 基于隐马尔可夫模型的车联网安全消息单跳协作广播方法 | |
CN107277855B (zh) | 一种保障安全类业务的车联网媒体接入方法 | |
Prakaulya et al. | Network performance in IEEE 802.11 and IEEE 802.11 p cluster based on VANET | |
Salvo et al. | Investigating VANET dissemination protocols performance under high throughput conditions | |
Ram et al. | Mobility adaptive density connected clustering approach in vehicular ad hoc networks | |
CN109889994B (zh) | 一种车联网ieee 802.11广播性能分析方法 | |
CN112887933A (zh) | 一种基于K-means聚类的车联网拥塞控制方法 | |
Deng et al. | Implementing distributed TDMA using relative distance in vehicular networks | |
CN110691349B (zh) | 一种车联网中面向安全应用的联合功率和竞争窗口的自适应控制方法 | |
CN106304237B (zh) | 基于无线协议的终端车辆通信方法 | |
Abumansoor et al. | Preventing a dos threat in vehicular ad-hoc networks using adaptive group beaconing | |
Etemadi et al. | Throughput analysis of IEEE 802.11-based vehicular ad hoc networks | |
CN106604395B (zh) | 一种基于车流密度和跨层信息的有效广播周期信息的方法 | |
CN111556465B (zh) | 一种基于tdma技术的分布式车联网mac层时隙接入方法及系统 | |
CN111163454B (zh) | 一种车联网邻节点发现方法及系统 | |
Jyostna et al. | A Comprehensive Survey on Spectrum Sensing Techniques for the Implementation of Cognitive Vehicular Networks | |
Zang et al. | Full Duplex-Based Scheduling Protocol for Latency Enhancement in 5G EV2X VANETs | |
Sun et al. | An extensible frame structure for time division multiple access medium access control in vehicular ad‐hoc networks | |
Ingrachen et al. | A collaborative environment perception approach for vehicular ad hoc networks |
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 |