CN112929944A - 一种基于模糊逻辑和联盟图博弈的车联网协作内容分发方法 - Google Patents
一种基于模糊逻辑和联盟图博弈的车联网协作内容分发方法 Download PDFInfo
- Publication number
- CN112929944A CN112929944A CN202110166963.9A CN202110166963A CN112929944A CN 112929944 A CN112929944 A CN 112929944A CN 202110166963 A CN202110166963 A CN 202110166963A CN 112929944 A CN112929944 A CN 112929944A
- Authority
- CN
- China
- Prior art keywords
- node
- vehicle
- rsu
- communication
- nodes
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000006855 networking Effects 0.000 title claims abstract description 8
- 230000006854 communication Effects 0.000 claims abstract description 116
- 238000004891 communication Methods 0.000 claims abstract description 114
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims description 43
- 230000009471 action Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 2
- 208000001613 Gambling Diseases 0.000 claims 1
- 230000006978 adaptation Effects 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008092 positive effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Small-Scale Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于模糊逻辑和联盟图博弈的车联网协作内容分发方法,属于边缘车辆网络领域,通过以下步骤实现,第1、系统模型与构架的构建;第2、利用模糊逻辑筛选中继车辆;第3、联盟图博弈。本发明首先采用模糊逻辑来计算RSU(Road Side Unit,路侧单元)通信范围内车辆作为中继车辆的能力,并根据车辆的密度来决定选择中继车辆的比例;然后将道路分段,在每个路段中并行执行联盟图合作博弈算法,使得车辆之间的V2V(Vehicle to Vehicle,车辆与车辆)通信在当前时间片形成一个最优的网络链路结构,从而进行内容分发。结果表明本方法所提出的策略在降低延迟和能耗以及扩大内容分发范围等方面都表现出较好的性能。
Description
技术领域
本发明属于边缘车辆网络领域,具体涉及一种基于模糊逻辑和联盟图博弈的协作内容分发策略。
背景技术
在边缘车辆计算(Vehicular Edge Computing,VEC)中,V2R通信即移动车辆节点通过车载无线通信装置与周围的RSU之间的通信,RSU一般都具有计算和存储能力,通过V2R通信,车辆节点可以直接与RSU进行信息交互。在V2R内容分发阶段,RSU通常采用广播的通信方式,这种方式在道路中的车辆密度较大时,每条链路的带宽减小,链路质量下降,而且当网络中充斥着大量的数据包时,碰撞和丢包现象更容易发生,产生网络拥塞,造成大量的资源和带宽浪费。另外,RSU的广播信息只能分发给其通信范围内的车辆,当车辆驶出RSU覆盖范围时,便无法接收到信息。而且,车联网中无线链路的状态不稳定,影响通信速率的因素较多。因此,如何在异构的车联网系统中,减少通信开销,扩大分发范围,来满足用户的服务需求是一个急需解决的问题。
发明内容
本发明的目的是在资源受限的VEC网络中为连接的车辆提供可靠和高效的内容分发的问题,提出了基于模糊逻辑和联盟图博弈的协作内容分发策略。本发明考虑了由于RSU的通信范围有限,超出其覆盖范围的车辆不能收到该内容,而且,RSU设施部署经济成本昂贵,为了使得内容分发的范围更广,通过V2V协作来辅助内容分发,任何有车辆行驶的地方都能构成V2V通信场景。以往大多数内容分发策略中,在车辆密度较大的区域,之前的方式可能会造成一定的数据碰撞,使得网络拥塞现象出现。针对这一问题,本方法提出在V2R通信中,采用模糊逻辑来从RSU覆盖范围内的车辆中选择最优的中继车辆来分发内容,然后借助车辆的移动,通过联盟合作博弈建立V2V通信链路分发内容。
本发明基于模糊逻辑和联盟博弈的车联网协作内容分发方法,主要包括如下关键步骤:
第1、系统模型与构架的构建:
第1.1、建立系统构架;
第1.2、建立网络模型;
第1.3、建立通信模型;
第2、利用模糊逻辑筛选中继车辆:
第2.1、模糊化;
第2.2、建立模糊规则;
第2.3、反模糊化;
第3、联盟图博弈:
第3.1、建立效用函数;
第3.2、建立节点策略;
第3.3、博弈;
第3.4、基于模糊逻辑和联盟博弈的内容分发方法的描述。
步骤第1.1中建立了系统架构,整个框架分为两个阶段,在V2R(vehicle toroadside unit,车辆与路侧单元)通信阶段筛选出中继节点,RSU分发内容给中继节点,当车辆驶出RSU覆盖区域时,进入V2V通信阶段分发内容。
步骤第1.2中建立网络模型的方法如下,将内容分为M个数据包,每个数据包大小为Sq,在每一个时间片内,RSU获取其通信范围内所有车辆节点的基本信息,并利用模糊逻辑和当前节点的密度来选择中继车辆,之后RSU分发内容给中继节点,假设在每个时间片内节点位置是相对静止的,在成功或不成功的接收到内容分组之后,节点不发送确认信息给RSU,RSU不知道任何分组传输信息,每隔一段时间,RSU便重复的发送数据包给中继车辆,以保证节点获取到全部的内容,如果节点再次接收到重复的数据包时,便丢弃;如果第一次接收到该数据包,节点便检查自己的缓存空间,若缓存空间大于Sq则收下该内容,反之丢弃,并向RSU报告“缓存不足”,随后RSU将该节点从中继节点集中删除。进入下一个时间片,RSU重新筛选中继节点,随着车辆的行驶,来自不同RSU覆盖范围的中继车辆在某一路段中相遇,它们携着不同的内容信息,为了经济效益最大化和分发范围最大化,在V2V通信阶段,通过路段划分,每一个路段中的节点在时间片开始时并行执行联盟图博弈,形成一个最优的V2V通信网络结构来分发内容。
步骤第1.3中通信模型的方法如下:使用Bv来表示车辆v的总缓存容量,Bv(t)是t时刻开始,车辆剩余的缓存容量,不考虑相邻RSU之间的数据交互行为,所有的车辆都定期的广播自己信息,RSU获取其通信范围内所有车辆的基本信息,用于进一步筛选车辆。假设广播信标的信道和数据传输的信道是相互独立的、互不干扰。
在V2R通信阶段,使用包成功传输概率来衡量车辆v和RSUr之间的链路传输质量的优劣。利用Nakagami-m分布来描述无线信号传输的衰减,车辆v和RSU r之间数据包成功传输的概率Psuccess(dv,r)由下式计算得出:
RSU r在道路中的坐标记为(xr,yr),车辆v在t时刻的坐标表示为(xv(t),yv(t)),车辆的行驶速度为Vspeed(v),行驶角度为θv(t),所以t时刻车辆v与r的距离为:
如果dv,r大于最大通信范围R,则车辆不在RSU覆盖范围内;
车辆位置随着时间更新如下:
Vspeed(v)为Δt时间内移动的速度,θv(t)为Δt时间内移动方向,Δt为变化的时间;
考虑到噪音干扰n0的存在,RSU r和车辆v之间的数据传输速率计算如下:
此处wr表示RSU的带宽,N*是与RSU通信的节点数,pr和α分别代表RSU的传输功率和路径损耗因子。
步骤第2.1中模糊化,采用trapezoidal隶属度函数,关于车辆的行驶速度函数(Vehicle velocity function,VVF)、车辆的剩余缓存大小函数(Vehicle cachefunction,VCF)、车辆的链路质量函数(vehicle link quality function,VLF)的模糊值分别用{slow,medium,fast},{small,medium,large},{good,medium,bad}来表示,
VVF:RSU根据节点的速度计算其通信范围内车辆的VVF函数如下
其中Vspeed(v)为车辆v的行驶速度,N*为与RSUr通信的车辆集,VVF(v)越小,表示速度等级越低,车辆在RSU覆盖范围内停留时间越长,进而节点间的通信时间越长;
VCF:RSU计算其通信范围内车辆的VCF函数如下
VCF(v)值越大,表示该节点缓存能力越高,能携带较多内容进行下一步分发;
VLF:RSU根据节点通信过程中包成功概率来计算其通信范围内车辆的VLF;
其中VLF(v)的值越大,表示该链路状态越稳定,更有助于数据包的成功分发,减少时延。
步骤第2.2中根据IF/THEN规则来计算每个车辆的RANK值,其中RANK也是个模糊值,用语言描述为{very bad,bad,medium,good,very good},如果同时应用多个规则,使用Min-Max方法来计算它们的评估结果。
步骤第2.3中反模糊化,采用centroid方法来进行反模糊化,其表达式为:
其中x是输出变量,ξ(x)是模糊推理的输出结果,Frank为节点的最终适应值,用来衡量一个车辆作为中继车辆的性能,反模糊化的隶属度函数,采用trapezoidal函数;
RSU通过模糊逻辑推理,得到其覆盖范围内各个车辆节点的Frank值,并建立一个从大到小的递减顺序的有序表,来存放该值,其次,RSU动态地设置一个筛选概率pselect,来决定参与内容分发的中继车辆的数量具体pselect的值,根据当前RSU覆盖范围内车辆的密度来决定,当车辆密度较高,网络负载较大时,pselect的取值应当较小,当车辆密度较低,网络负载较小时,为了保证内容分发量,pselect的值应设置大一点,
步骤第3.1中效用函数对于V2V通信,本方法假设每个车辆节点发送的数据只能被小于其通信范围的节点接收,当联盟中的节点接收/发送数据给其未接收该内容的可通信节点时,会产生正效用来鼓励车辆参与分发,同时由于其他节点的干扰会产生一定的通信代价来影响内容分发,为了保证车辆间通信的正常进行,减少数据冲撞,假设车辆在同一时刻只能与一辆车通信,即对有向图G中节点的入度和出度做出规定:对于节点i∈V,效用函数如下:
其中,γin,γout分别是价格因子,Sq是每次传输的数据块的大小,Tj,i是节点j向节点i分发数据块的通信时间,Ti,j是节点i向j分发数据块的通信时间;
任意一个节点,传输速率计算方式如下
w(t)为节点在时间片t时的带宽,p为传输功率,d(t)为发送方与接收方的距离;
同理,节点j的传输速率为:
那么数据传输时间Tj,i、Ti,j分别为:
步骤第3.2中在给定的图G(V,E)中,对于任何一个节点i,i∈V(t),它采取的动作:当时,添加一个从i到j的链路。当时,删除一个从i到j的链路,当时,添加一个从j到i的链路;当时,删除一个从j到i的链路;不采取任何行动,
V(t)为t时间片内参与博弈的节点数,随着时间变化,一些车辆驶出或入该联盟,即:
步骤第3.3所述博弈,即在每个时间片内,RSU根据联盟博弈筛选出中继车辆,进而中继车辆进一步分发内容,通过获取路段信息,在每一个路段当中的车辆形成一个联盟,参与博弈的每一个车辆节点,通过选择可行策略集中的最优策略,并采取行动,来最大化效用,直至时间片截至或经过有限次迭代后网络结构达到稳定状态;
利用所提出的联盟图博弈内容分发方法,针对于初始网络结构图G0,它将在有限次迭代后收敛到最终的网络结构图G*,参与博弈的节点在每次迭代中都选择的是最优策略,因此,每一个节点的效用值从一次迭代到另一次迭代都不会降低,另外由(12)、(13)和(19)中定义的效用函数中的每个项都是有限的,所以每个节点的效用不可能是无限的,因此,当每个节点的效用都收敛了,在加上可能图的个数是有限的,图也就收敛了,即当网络结构图G,其中没有一个节点i通过单方面改变其可行的局部策略来提高其效用而且不降低其他节点的效用时,博弈图就达到了纳什均衡状态,由所提出的方法得到的最终V2V通信链路结构图是一个局部纳什均衡网络。
步骤第3.4所述基于模糊逻辑和联盟博弈的内容分发方法描述如下:
算法1筛选中继节点的步骤描述如下:
步骤1:每个时间片开始,RSU覆盖范围内的每个车辆都向RSU发送信标;
步骤3:RSU筛选出中继节点,并将其信息存储在中继节点表中;
算法2V2V通信的步骤描述如下:
步骤1:每个时间片开始时,每个节点初始化网络构架图,计算策略集,计算可行集,选择最优策略。节点采取行动,更新网络构架图;
步骤2:在时间片截止前,路段当中的节点按照博弈所形成的网络结构图来分发数据。本
发明的优点和积极效果:
本文提出了一个基于模糊逻辑和联盟图博弈的车联网协作内容分发策略来解决车辆中的内容分发问题。首先为了有效减少了RSU通信车辆较多时所带来的网络拥塞现象的发生,将模糊逻辑应用于V2R内容分发阶段,充分考虑车辆的行驶速度、缓存大小、以及通信链路质量这三个指标来筛选中继节点,并根据节点的密度来设置中继车辆的筛选比例。此外,采用V2V辅助分发,这使得车辆驶出RSU的覆盖范围时仍可获取到内容,在此基础上,将路段划分,在每个路段执行联盟图博弈算法,在时间片截止时,每个路段中的车辆都可以在最佳网络结构下执行协同V2V传输。理想实验结果和实际场景实验结果表明,本文提出的方法在平均传输时延、系统能耗以及内容覆盖率等方面表现出很好的效果。
附图说明
图1是输入隶属度函数;
图2是输出模糊函数;
图3是理想情况下V2R分发延迟随节点变化;
图4是迭代5次获取内容节点数随节点变化;
图5迭代10次获取内容节点数随节点变化;
图6包成功接收时间随节点变化图
图7传输数据包数量随时间片大小变化图
图8迭代1次获取内容节点占比图
图9迭代100次获取内容节点占比图
图10迭代次数与获取内容的节点数对比图
图11是基于模糊逻辑和联盟图博弈的协作内容分发策略的流程图。
具体实施方式
实施例1:
本实施例设计的方法是基于Matlab 2019a来构建本方法的仿真实验。性能评估的主要目标是查看本方法在时延、能耗、包成功接收时间、获取内容车辆数等方面的性能。将该策略与RSU随机选择中继节点(RanSelect)、RSU广播分发(BroSelect)、随机V2V内容分发、基于地理位置的V2V通信进行比较。
参见附图11,本实施例基于模糊逻辑和联盟图博弈的协作内容分发策略,主要包括如下关键步骤:
第1、系统模型与构架的构建:
第1.1、建立系统构架;
第1.2、建立网络模型;
第1.3、建立通信模型;
第2、利用模糊逻辑筛选中继车辆:
第2.1、模糊化;
第2.2、建立模糊规则;
第2.3、反模糊化;
第3、联盟图博弈:
第3.1、建立效用函数;
第3.2、建立节点策略;
第3.3、博弈;
第3.4、基于模糊逻辑和联盟博弈的内容分发方法的描述。
步骤第1.1中建立了系统架构,整个框架分为两个阶段,在V2R(vehicle toroadside unit,车辆与路侧单元)通信阶段筛选出中继节点,RSU分发内容给中继节点,当车辆驶出RSU覆盖区域时,进入V2V通信阶段分发内容。
步骤第1.2中建立网络模型的方法如下,将内容分为M个数据包,每个数据包大小为Sq,在每一个时间片内,RSU获取其通信范围内所有车辆节点的基本信息,并利用模糊逻辑和当前节点的密度来选择中继车辆,之后RSU分发内容给中继节点,假设在每个时间片内节点位置是相对静止的,在成功或不成功的接收到内容分组之后,节点不发送确认信息给RSU,RSU不知道任何分组传输信息,每隔一段时间,RSU便重复的发送数据包给中继车辆,以保证节点获取到全部的内容,如果节点再次接收到重复的数据包时,便丢弃;如果第一次接收到该数据包,节点便检查自己的缓存空间,若缓存空间大于Sq则收下该内容,反之丢弃,并向RSU报告“缓存不足”,随后RSU将该节点从中继节点集中删除。进入下一个时间片,RSU重新筛选中继节点,随着车辆的行驶,来自不同RSU覆盖范围的中继车辆在某一路段中相遇,它们携着不同的内容信息,为了经济效益最大化和分发范围最大化,在V2V通信阶段,通过路段划分,每一个路段中的节点在时间片开始时并行执行联盟图博弈,形成一个最优的V2V通信网络结构来分发内容。
步骤第1.3中通信模型的方法如下:使用Bv来表示车辆v的总缓存容量,Bv(t)是t时刻开始,车辆剩余的缓存容量,不考虑相邻RSU之间的数据交互行为,所有的车辆都定期的广播自己信息,RSU获取其通信范围内所有车辆的基本信息,用于进一步筛选车辆。假设广播信标的信道和数据传输的信道是相互独立的、互不干扰。
在V2R通信阶段,使用包成功传输概率来衡量车辆v和RSUr之间的链路传输质量的优劣。利用Nakagami-m分布来描述无线信号传输的衰减,车辆v和RSU r之间数据包成功传输的概率Psuccess(dv,r)由下式计算得出:
RSU r在道路中的坐标记为(xr,yr),车辆v在t时刻的坐标表示为(xv(t),yv(t)),车辆的行驶速度为Vspeed(v),行驶角度为θv(t),所以t时刻车辆v与r的距离为:
如果dv,r大于最大通信范围R,则车辆不在RSU覆盖范围内;
车辆位置随着时间更新如下:
Vspeed(v)为Δt时间内移动的速度,θv(t)为Δt时间内移动方向,Δt为变化的时间;
考虑到噪音干扰n0的存在,RSU r和车辆v之间的数据传输速率计算如下:
此处wr表示RSU的带宽,N*是与RSU通信的节点数,pr和α分别代表RSU的传输功率和路径损耗因子。
步骤第2.1中模糊化,采用trapezoidal隶属度函数,关于车辆的行驶速度函数(Vehicle velocity function,VVF)、车辆的剩余缓存大小函数(Vehicle cachefunction,VCF)、车辆的链路质量函数(vehicle link quality function,VLF)的模糊值分别用{slow,medium,fast},{small,medium,large},{good,medium,bad}来表示,
VVF:RSU根据节点的速度计算其通信范围内车辆的VVF函数如下
其中Vspeed(v)为车辆v的行驶速度,N*为与RSUr通信的车辆集,VVF(v)越小,表示速度等级越低,车辆在RSU覆盖范围内停留时间越长,进而节点间的通信时间越长;
VCF:RSU计算其通信范围内车辆的VCF函数如下
VCF(v)值越大,表示该节点缓存能力越高,能携带较多内容进行下一步分发;
VLF:RSU根据节点通信过程中包成功概率来计算其通信范围内车辆的VLF;
其中VLF(v)的值越大,表示该链路状态越稳定,更有助于数据包的成功分发,减少时延。
步骤第2.2中根据IF/THEN规则来计算每个车辆的RANK值,其中RANK也是个模糊值,用语言描述为{very bad,bad,medium,good,very good},如果同时应用多个规则,使用Min-Max方法来计算它们的评估结果。
步骤第2.3中反模糊化,采用centroid方法来进行反模糊化,其表达式为:
其中x是输出变量,ξ(x)是模糊推理的输出结果,Frank为节点的最终适应值,用来衡量一个车辆作为中继车辆的性能,反模糊化的隶属度函数,采用trapezoidal函数;
RSU通过模糊逻辑推理,得到其覆盖范围内各个车辆节点的Frank值,并建立一个从大到小的递减顺序的有序表,来存放该值,其次,RSU动态地设置一个筛选概率pselect,来决定参与内容分发的中继车辆的数量具体pselect的值,根据当前RSU覆盖范围内车辆的密度来决定,当车辆密度较高,网络负载较大时,pselect的取值应当较小,当车辆密度较低,网络负载较小时,为了保证内容分发量,pselect的值应设置大一点,
步骤第3.1中效用函数对于V2V通信,本方法假设每个车辆节点发送的数据只能被小于其通信范围的节点接收,当联盟中的节点接收/发送数据给其未接收该内容的可通信节点时,会产生正效用来鼓励车辆参与分发,同时由于其他节点的干扰会产生一定的通信代价来影响内容分发,为了保证车辆间通信的正常进行,减少数据冲撞,假设车辆在同一时刻只能与一辆车通信,即对有向图G中节点的入度和出度做出规定:对于节点i∈V,效用函数如下:
其中,γin,γout分别是价格因子,Sq是每次传输的数据块的大小,Tj,i是节点j向节点i分发数据块的通信时间,Ti,j是节点i向j分发数据块的通信时间;
任意一个节点,传输速率计算方式如下
w(t)为节点在时间片t时的带宽,p为传输功率,d(t)为发送方与接收方的距离;
同理,节点j的传输速率为:
那么数据传输时间Tj,i、Ti,j分别为:
步骤第3.2中在给定的图G(V,E)中,对于任何一个节点i,i∈V(t),它采取的动作:当时,添加一个从i到j的链路。当时,删除一个从i到j的链路,当时,添加一个从j到i的链路;当时,删除一个从j到i的链路;不采取任何行动,
V(t)为t时间片内参与博弈的节点数,随着时间变化,一些车辆驶出或入该联盟,即:
步骤第3.3所述博弈,即在每个时间片内,RSU根据联盟博弈筛选出中继车辆,进而中继车辆进一步分发内容,通过获取路段信息,在每一个路段当中的车辆形成一个联盟,参与博弈的每一个车辆节点,通过选择可行策略集中的最优策略,并采取行动,来最大化效用,直至时间片截至或经过有限次迭代后网络结构达到稳定状态;
利用所提出的联盟图博弈内容分发方法,针对于初始网络结构图G0,它将在有限次迭代后收敛到最终的网络结构图G*,参与博弈的节点在每次迭代中都选择的是最优策略,因此,每一个节点的效用值从一次迭代到另一次迭代都不会降低,另外由(12)、(13)和(19)中定义的效用函数中的每个项都是有限的,所以每个节点的效用不可能是无限的,因此,当每个节点的效用都收敛了,在加上可能图的个数是有限的,图也就收敛了,即当网络结构图G,其中没有一个节点i通过单方面改变其可行的局部策略来提高其效用而且不降低其他节点的效用时,博弈图就达到了纳什均衡状态,由所提出的方法得到的最终V2V通信链路结构图是一个局部纳什均衡网络。
步骤第3.4所述基于模糊逻辑和联盟博弈的内容分发方法描述如下:
算法1筛选中继节点的步骤描述如下:
步骤1:每个时间片开始,RSU覆盖范围内的每个车辆都向RSU发送信标;
步骤3:RSU筛选出中继节点,并将其信息存储在中继节点表中;
算法2V2V通信的步骤描述如下:
步骤1:每个时间片开始时,每个节点初始化网络构架图,计算策略集,计算可行集,选择最优策略。节点采取行动,更新网络构架图;
步骤2:在时间片截止前,路段当中的节点按照博弈所形成的网络结构图来分发数据。本实例中将该策略与RSU随机选择中继节点(RanSelect)、RSU广播分发(BroSelect)、随机V2V内容分发、基于地理位置的V2V通信进行比较。
基于位置的V2V内容分发(PositionV2V):每一个携带内容的车辆在时间片内选择距离自己地理位置最近的邻居节点来分发内容。
随机策略的V2V内容分发(Random V2V):每一个携带内容的车辆在当前时间片内随机选择一个邻居节点来分发内容。
将进行两个模拟实验。
实验A:首先在理想情况下分析所提出的策略的性能,即假设无丢包。
实验B:将实际场景设置在车流量变化较大的街区道路,RSU坐落在每个路口拐角处,车辆随机分布在道路上,通过路段划分将街区道路划分为500m×200m的块,另外,在此不考虑RSU之间的协作通信行为。RSU的最大通信范围为200m,RSU的带宽为12MHZ,车辆节点带宽为6MHZ,路径损耗因子为4,价格因子γin,γout,γcost分别为0.9,0.5,0.3。
本实例的仿真实验结果如下:
1.理想情况下
1)V2R分发延迟随节点变化
附图3展示了当数据块大小分别为50和100时,V2R通信在理想情况下,三种选择策略传输数据的平均时延。从图中可以看出,参与通信的节点越来越多,三种策略的通信时间也呈现出上升趋势,其中所提出的基于模糊逻辑来选择中继车辆(FLSelect)的通信时间增加趋势较缓,这是因为RSU在筛选中继节点时,考虑到了通信的链路质量。
2)迭代不同次获取内容节点数随节点变化
附图4和附图5分别表明了在理想情况下,迭代次数为5和10时,三种策略随着节点数量变化,获取内容的车辆节点数。从图中可以看出,当随着节点密度变大,所提出的联盟图博弈分发的范围明显高于另外两种策略。
2.实际场景情况下
3)包成功接收时间随节点变化
附图6表示了节点数量与包成功分发时间的关系,可以看出,三种策略中数据包成功分发时间随着节点数量的增加,都有一定程度的上升,当节点数量较少时,几种策略的延迟都接近相等,随着参与通信的节点越来越多,三种策略的通信时间也呈现出上升趋势。FLSelect策略,因为考虑到节点数量对于中继车辆选择比例的影响,一定程度上避免了网络拥塞的发生,上升趋势较缓,而且当数据包较大时,分发时间也会相应变大。
4)传输数据包数量随时间片大小变化
附图7显示了当节点数为200时,随着时间片的变化,传输的包数的变化。在同一节点数量下,可以看出FLSelect所成功处理的数据包数量明显高于另外两种策略。
5)不同时间片获取内容节点占比
附图8反映了在时间片T=10时,三种内容分发策略在节点数量发生变化时,一次迭代后获取内容的车辆节点数占路段中车辆总数的比例。附图9则反映了迭代100次时,获取内容的车辆节点数占路段中车辆总数的比例。从图中可以看出,在相同节点密度下,基于联盟图博弈的内容分发策所达到的接受内容百分比明显高于另外两种方案,这是因为在一个时间片内,本策略使得路段中的每一个节点都参与联盟图博弈,来达到当前时间片最优的V2V通信链路结构图,因而获得内容的节点数较多。
6)迭代次数与获取内容的节点数对比
在附图10中,显示了三种方案在同一节点密度(150)下,随迭代次数变化,已获取到内容的车辆数量。首先,与其他两个方案相比,FLSelect更早的完成路段内的内容分发。第二,与基于位置和随机分发策略相比,FLSelect在更少的迭代中使得更多的节点获取到内容。第三,从图中也可以看出来,FLSelect的分发率也比其他方案要高。另外,FLSelect相比,其他两种方案最终获取内容的车辆只有120~130之间。
仿真结果表明,在所有测试中,所提出的策略在降低延迟和能耗以及扩大内容分发范围等方面都表现出较好的性能。
Claims (10)
1.一种基于模糊逻辑和联盟图博弈的车联网协作内容分发方法,其特征在于该方法主要包括如下步骤:
第1、系统模型与构架的构建:
第1.1、建立系统构架;
第1.2、建立网络模型;
第1.3、建立通信模型;
第2、利用模糊逻辑筛选中继车辆:
第2.1、模糊化;
第2.2、建立模糊规则;
第2.3、反模糊化;
第3、联盟图博弈:
第3.1、建立效用函数;
第3.2、建立节点策略;
第3.3、博弈;
第3.4、基于模糊逻辑和联盟博弈的内容分发方法的描述。
2.如权利要求1所述的基于模糊逻辑和联盟图博弈的车联网协作内容分发方法,其特征在于,步骤第1.1中建立了系统架构,整个框架分为两个通信阶段,在V2R通信阶段筛选出中继节点,RSU分发内容给中继节点,当车辆驶出RSU覆盖区域时,进入V2V通信阶段分发内容;
步骤第1.2中建立网络模型的方法如下,将内容分为M个数据包,每个数据包大小为Sq,在每一个时间片内,RSU获取其通信范围内所有车辆节点的基本信息,并利用模糊逻辑和当前节点的密度来选择中继车辆,之后RSU分发内容给中继节点,假设在每个时间片内节点位置是相对静止的,在成功或不成功的接收到内容分组之后,节点不发送确认信息给RSU,RSU不知道任何分组传输信息,每隔一段时间,RSU便重复的发送数据包给中继车辆,以保证节点获取到全部的内容,如果节点再次接收到重复的数据包时,便丢弃;如果第一次接收到该数据包,节点便检查自己的缓存空间,若缓存空间大于Sq则收下该内容,反之丢弃,并向RSU报告“缓存不足”,随后RSU将该节点从中继节点集中删除,进入下一个时间片,RSU重新筛选中继节点,随着车辆的行驶,来自不同RSU覆盖范围的中继车辆在某一路段中相遇,它们携着不同的内容信息,为了经济效益最大化和分发范围最大化,在V2V通信阶段,通过路段划分,每一个路段中的节点在时间片开始时并行执行联盟图博弈,形成一个最优的V2V通信网络结构来分发内容。
3.如权利要求1所述的基于模糊逻辑和联盟图博弈的车联网协作内容分发方法,其特征在于,
步骤第1.3中通信模型的方法如下:使用Bv来表示车辆v的总缓存容量,Bv(t)是t时刻开始,车辆剩余的缓存容量,不考虑相邻RSU之间的数据交互行为,所有的车辆都定期的广播自己信息,RSU获取其通信范围内所有车辆的基本信息,用于进一步筛选车辆,假设广播信标的信道和数据传输的信道是相互独立的、互不干扰;
在V2R通信阶段,使用包成功传输概率来衡量车辆v和RSUr之间的链路传输质量的优劣,利用Nakagami-m分布来描述无线信号传输的衰减,车辆v和RSU r之间数据包成功传输的概率Psuccess(dv,r)由下式计算得出:
RSU r在道路中的坐标记为(xr,yr),车辆v在t时刻的坐标表示为(xv(t),yv(t)),车辆的行驶速度为Vspeed(v),行驶角度为θv(t),所以t时刻车辆v与r的距离为:
如果dv,r大于最大通信范围R,则车辆不在RSU覆盖范围内;
车辆位置随着时间更新如下:
Vspeed(v)为Δt时间内移动的速度,θv(t)为Δt时间内移动方向,Δt为变化的时间;
考虑到噪音干扰n0的存在,RSU r和车辆v之间的数据传输速率计算如下:
此处wr表示RSU的带宽,N*是与RSU通信的节点数,pr和α分别代表RSU的传输功率和路径损耗因子。
4.如权利要求1所述的基于模糊逻辑和联盟图博弈的车联网协作内容分发方法,其特征在于,步骤第2.1中模糊化,采用trapezoidal隶属度函数,车辆的行驶速度函数(VVF)、车辆的剩余缓存大小函数(VCF)、车辆的链路质量函数(VLF)的模糊值分别用{slow,medium,fast},{small,medium,large},{good,medium,bad}来表示,
VVF:RSU根据节点的速度计算其通信范围内车辆的VVF函数如下
其中Vspeed(v)为车辆v的行驶速度,N*为与RSUr通信的车辆集,VVF(v)越小,表示速度等级越低,车辆在RSU覆盖范围内停留时间越长,进而节点间的通信时间越长;
VCF:RSU计算其通信范围内车辆的VCF函数如下
VCF(v)值越大,表示该节点缓存能力越高,能携带较多内容进行下一步分发;
VLF:RSU根据节点通信过程中包成功概率来计算其通信范围内车辆的VLF,
其中VLF(v)的值越大,表示该链路状态越稳定,更有助于数据包的成功分发,减少时延。
5.如权利要求1所述的基于模糊逻辑和联盟图博弈的车联网协作内容分发方法,其特征在于,
步骤第2.2中根据IF/THEN规则来计算每个车辆的RANK值,其中RANK也是个模糊值,用语言描述为{very bad,bad,medium,good,very good},如果同时应用多个规则,使用Min-Max方法来计算它们的评估结果。
6.如权利要求1所述的基于模糊逻辑和联盟图博弈的车联网协作内容分发方法,其特征在于,
步骤第2.3中反模糊化,采用centroid方法来进行反模糊化,其表达式为:
其中x是输出变量,ξ(x)是模糊推理的输出结果,Frank为节点的最终适应值,用来衡量一个车辆作为中继车辆的性能,反模糊化的隶属度函数,采用trapezoidal函数;
RSU通过模糊逻辑推理,得到其覆盖范围内各个车辆节点的Frank值,并建立一个从大到小的递减顺序的有序表,来存放该值,其次,RSU动态地设置一个筛选概率pselect,来决定参与内容分发的中继车辆的数量具体pselect的值,根据当前RSU覆盖范围内车辆的密度来决定,当车辆密度较高,网络负载较大时,pselect的取值应当较小,当车辆密度较低,网络负载较小时,为了保证内容分发量,pselect的值应设置大一点,
7.如权利要求1所述的基于模糊逻辑和联盟图博弈的车联网协作内容分发方法,其特征在于,步骤第3.1中效用函数对于V2V通信,假设每个车辆节点发送的数据只能被小于其通信范围的节点接收,当联盟中的节点接收/发送数据给其未接收该内容的可通信节点时,会产生正效用来鼓励车辆参与分发,同时由于其他节点的干扰会产生一定的通信代价来影响内容分发,为了保证车辆间通信的正常进行,减少数据冲撞,假设车辆在同一时刻只能与一辆车通信,即对有向图G中节点的入度和出度做出规定:对于节点i∈V,效用函数如下:
其中,γin,γout分别是价格因子,Sq是每次传输的数据块的大小,Tj,i是节点j向节点i分发数据块的通信时间,Ti,j是节点i向j分发数据块的通信时间;
任意一个节点,传输速率计算方式如下
w(t)为节点在时间片t时的带宽,p为传输功率,d(t)为发送方与接收方的距离;
同理,节点j的传输速率为:
那么数据传输时间Tj,i、Ti,j分别为:
8.如权利要求1所述的基于模糊逻辑和联盟图博弈的车联网协作内容分发方法,其特征在于,步骤第3.2中在给定的图G(V,E)中,对于任何一个节点i,i∈V(t),它采取的动作:当时,添加一个从i到j的链路,当时,删除一个从i到j的链路,当时,添加一个从j到i的链路;当时,删除一个从j到i的链路;不采取任何行动,
V(t)为t时间片内参与博弈的节点数,随着时间变化,一些车辆驶出或入该联盟,即:
V(t+▽t)=V(t)+D(▽t)-L(▽t) (20)
D(▽t)为▽t这个时间加入该联盟的车辆数,L(▽t)为驶出该联盟区域的节点数;
9.如权利要求1所述的基于模糊逻辑和联盟图博弈的车联网协作内容分发方法,其特征在于,
步骤第3.3所述博弈,即在每个时间片内,RSU根据联盟博弈筛选出中继车辆,进而中继车辆进一步分发内容,通过获取路段信息,在每一个路段当中的车辆形成一个联盟,参与博弈的每一个车辆节点,通过选择可行策略集中的最优策略,并采取行动,来最大化效用,直至时间片截至或经过有限次迭代后网络结构达到稳定状态;
利用所提出的联盟图博弈内容分发方法,针对于初始网络结构图G0,它将在有限次迭代后收敛到最终的网络结构图G*,参与博弈的节点在每次迭代中都选择的是最优策略,因此,每一个节点的效用值从一次迭代到另一次迭代都不会降低,另外由(12)、(13)和(19)中定义的效用函数中的每个项都是有限的,所以每个节点的效用不可能是无限的,因此,当每个节点的效用都收敛了,在加上可能图的个数是有限的,图也就收敛了,即当网络结构图G,其中没有一个节点i通过单方面改变其可行的局部策略来提高其效用而且不降低其他节点的效用时,博弈图就达到了纳什均衡状态,由所提出的方法得到的最终V2V通信链路结构图是一个局部纳什均衡网络。
10.如权利要求1所述的基于模糊逻辑和联盟图博弈的车联网协作内容分发方法,其特征在于,
步骤第3.4所述基于模糊逻辑和联盟博弈的内容分发方法描述如下:
算法1筛选中继节点的步骤描述如下:
步骤1:每个时间片开始,RSU覆盖范围内的每个车辆都向RSU发送信标;
步骤3:RSU筛选出中继节点,并将其信息存储在中继节点表中;
算法2V2V通信的步骤描述如下:
步骤1:每个时间片开始时,每个节点初始化网络构架图,计算策略集,计算可行集,选择最优策略,节点采取行动,更新网络构架图;
步骤2:在时间片截止前,路段当中的节点按照博弈所形成的网络结构图来分发数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166963.9A CN112929944B (zh) | 2021-02-04 | 2021-02-04 | 一种基于模糊逻辑和联盟图博弈的车联网协作内容分发方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166963.9A CN112929944B (zh) | 2021-02-04 | 2021-02-04 | 一种基于模糊逻辑和联盟图博弈的车联网协作内容分发方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112929944A true CN112929944A (zh) | 2021-06-08 |
CN112929944B CN112929944B (zh) | 2022-07-22 |
Family
ID=76171051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110166963.9A Expired - Fee Related CN112929944B (zh) | 2021-02-04 | 2021-02-04 | 一种基于模糊逻辑和联盟图博弈的车联网协作内容分发方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112929944B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114449477A (zh) * | 2022-03-08 | 2022-05-06 | 天津理工大学 | 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 |
CN115175133A (zh) * | 2022-07-08 | 2022-10-11 | 天津理工大学 | 一种基于模糊逻辑与信号博弈策略的车辆协作通信方法 |
CN116017348A (zh) * | 2022-12-08 | 2023-04-25 | 深圳创源互动科技有限公司 | 一种基于5g通信的大数据云计算实时分发运维系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080095134A1 (en) * | 2006-10-23 | 2008-04-24 | Wai Chen | Roadside network unit and method of organizing, managing and maintaining local network using local peer groups as network groups |
US20090322652A1 (en) * | 2008-06-20 | 2009-12-31 | Peter Adderton | System for projecting user input on multiple third party viewable screens simultaneously |
CN103458482A (zh) * | 2013-05-28 | 2013-12-18 | 大连理工大学 | Vanet中解决rsu接入问题的演化博弈方法 |
CN104320789A (zh) * | 2014-11-05 | 2015-01-28 | 安徽大学 | 一种基于博弈论的车联网rsu最优配置方法 |
CN107182114A (zh) * | 2017-04-20 | 2017-09-19 | 桂林电子科技大学 | 一种车联网中车辆与路侧单元通信的功率分配方法 |
CN107634837A (zh) * | 2017-11-01 | 2018-01-26 | 安徽大学 | 基于边缘计算的车联网高效消息认证方法 |
CN107852763A (zh) * | 2015-07-13 | 2018-03-27 | 英特尔公司 | 用于配置车辆到万物通信的技术 |
CN110139245A (zh) * | 2019-05-20 | 2019-08-16 | 重庆邮电大学 | 一种基于模糊逻辑的车联网中继节点选择方法 |
-
2021
- 2021-02-04 CN CN202110166963.9A patent/CN112929944B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080095134A1 (en) * | 2006-10-23 | 2008-04-24 | Wai Chen | Roadside network unit and method of organizing, managing and maintaining local network using local peer groups as network groups |
US20090322652A1 (en) * | 2008-06-20 | 2009-12-31 | Peter Adderton | System for projecting user input on multiple third party viewable screens simultaneously |
CN103458482A (zh) * | 2013-05-28 | 2013-12-18 | 大连理工大学 | Vanet中解决rsu接入问题的演化博弈方法 |
CN104320789A (zh) * | 2014-11-05 | 2015-01-28 | 安徽大学 | 一种基于博弈论的车联网rsu最优配置方法 |
CN107852763A (zh) * | 2015-07-13 | 2018-03-27 | 英特尔公司 | 用于配置车辆到万物通信的技术 |
CN107182114A (zh) * | 2017-04-20 | 2017-09-19 | 桂林电子科技大学 | 一种车联网中车辆与路侧单元通信的功率分配方法 |
CN107634837A (zh) * | 2017-11-01 | 2018-01-26 | 安徽大学 | 基于边缘计算的车联网高效消息认证方法 |
CN110139245A (zh) * | 2019-05-20 | 2019-08-16 | 重庆邮电大学 | 一种基于模糊逻辑的车联网中继节点选择方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114449477A (zh) * | 2022-03-08 | 2022-05-06 | 天津理工大学 | 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 |
CN115175133A (zh) * | 2022-07-08 | 2022-10-11 | 天津理工大学 | 一种基于模糊逻辑与信号博弈策略的车辆协作通信方法 |
CN115175133B (zh) * | 2022-07-08 | 2024-04-30 | 天津理工大学 | 一种基于模糊逻辑与信号博弈策略的车辆协作通信方法 |
CN116017348A (zh) * | 2022-12-08 | 2023-04-25 | 深圳创源互动科技有限公司 | 一种基于5g通信的大数据云计算实时分发运维系统及方法 |
CN116017348B (zh) * | 2022-12-08 | 2024-01-30 | 深圳创源互动科技有限公司 | 一种基于5g通信的大数据云计算实时分发运维系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112929944B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112929944B (zh) | 一种基于模糊逻辑和联盟图博弈的车联网协作内容分发方法 | |
Mlika et al. | Network slicing with MEC and deep reinforcement learning for the Internet of Vehicles | |
Saad et al. | Coalition formation games for distributed cooperation among roadside units in vehicular networks | |
CN104080176A (zh) | 车联网中基于资源共享的资源管理和接入方案 | |
Pressas et al. | A Q-learning approach with collective contention estimation for bandwidth-efficient and fair access control in IEEE 802.11 p vehicular networks | |
Vu et al. | Multi-agent reinforcement learning for channel assignment and power allocation in platoon-based c-v2x systems | |
CN106211260B (zh) | 一种车联网中基于位置信息自适应的机会路由方法 | |
Niyato et al. | Coalition formation games for bandwidth sharing in vehicle-to-roadside communications | |
Vafaei et al. | A new QoS adaptive multi-path routing for video streaming in urban VANETs integrating ant colony optimization algorithm and fuzzy logic | |
Mekki et al. | Vehicular cloud networking: evolutionary game with reinforcement learning-based access approach | |
CN107659911A (zh) | 一种稳定的车联网中继节点选择方法 | |
CN113709701A (zh) | 一种毫米波车联网联合波束分配和中继选择方法 | |
CN103209434A (zh) | 一种车载通信网中基于模糊控制的tcp拥塞控制方法 | |
Limouchi et al. | Volunteers dilemma game inspired broadcast scheme for vehicular ad hoc networks | |
Shafigh et al. | Cross layer scheme for quality of service aware multicast routing in mobile ad hoc networks | |
CN110248392A (zh) | 一种车联网中基于节点效能的机会转发方法 | |
Yacheur et al. | DRL-based RAT Selection in a Hybrid Vehicular Communication Network | |
Mezher et al. | G-3MRP: A game-theoretical multimedia multimetric map-aware routing protocol for vehicular ad hoc networks | |
Yacheur et al. | Efficient DRL-Based Selection Strategy in Hybrid Vehicular Networks | |
CN108650698B (zh) | 一种机会网络数据转发方法 | |
Zhang et al. | A new method of content distribution based on fuzzy logic and coalition graph games for VEC | |
Suleiman et al. | Adaptive incentive-compatible routing in VANETs for highway applications | |
Deng et al. | Global Resource Allocation for High Throughput and Low Delay in High-Density VANETs | |
Abada et al. | Improving relay selection scheme for connecting VANET to internet over IEEE 802.11 p | |
Farzanullah et al. | Platoon Leader Selection, User Association and Resource Allocation on a C-V2X based highway: A Reinforcement Learning Approach |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220722 |