CN114979145B - 一种车联网中集成感知、通信与缓存的内容分发方法 - Google Patents

一种车联网中集成感知、通信与缓存的内容分发方法 Download PDF

Info

Publication number
CN114979145B
CN114979145B CN202210564398.6A CN202210564398A CN114979145B CN 114979145 B CN114979145 B CN 114979145B CN 202210564398 A CN202210564398 A CN 202210564398A CN 114979145 B CN114979145 B CN 114979145B
Authority
CN
China
Prior art keywords
content
edge node
vehicles
vehicle
caching
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
Application number
CN202210564398.6A
Other languages
English (en)
Other versions
CN114979145A (zh
Inventor
惠一龙
邱逸
赵高升
汪蔷蔷
胡洁
黄远浩
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202210564398.6A priority Critical patent/CN114979145B/zh
Publication of CN114979145A publication Critical patent/CN114979145A/zh
Application granted granted Critical
Publication of CN114979145B publication Critical patent/CN114979145B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • 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
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks
    • 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

Abstract

本发明提出了一种车联网中集成感知、通信与缓存的内容分发方法，属于车联网技术领域，实现步骤为：1)构建异构车联网系统；2)云服务器计算每两个待分发内容之间的相似度；3)边缘节点感知为车辆推荐的内容；4)边缘节点转发小组信息；5)边缘节点计算每个待分发内容的总期望收益；6)边缘节点获取车载内容分发结果。本发明通过集成边缘节点感知车辆请求为车辆推荐内容、边缘节点间建立通信转发车辆信息、边缘节点结合内容效益预缓存内容等步骤为车辆进行内容分发，旨在充分利用边缘节点的缓存资源，在优化边缘节点的缓存效益的同时，降低为车辆进行内容分发的平均时延，可用于智能交通系统中车联网内容分发服务。

Description

一种车联网中集成感知、通信与缓存的内容分发方法
技术领域
本发明属于车联网技术领域，涉及一种车联网内容分发方法，具体涉及一种集成感知、通信与缓存的车联网内容分发方法，可用于智能交通系统。
背景技术
车联网是实现未来智能交通的关键技术，其通过构建车与车(Vehicle-to-Vehicle，V2V)、车与道路基础设施(Vehicle-to-Infrastructure，V2I)、车与云(Vehicle-to-Cloud，V2C)等互联网络进行实时数据交互，实现信息交换和决策制定来控制智能交通系统，助力智能交通系统从理论到实际应用的发展。现有的车联网应用主要分为安全信息类和非安全服务类应用，一方面为车辆用户的出行提供安全预警、交通监控等安全保障，另一方面为车辆用户带来影音视频、在线游戏等丰富的娱乐应用服务。
车联网内容分发通过V2I与V2V通信技术、智能驾驶技术和车联网络缓存技术等实现数据互通与共享，是支持智能网联车辆各种非安全服务类车载应用的重要手段之一。车联网内容分发是一种依赖于节点之间的相互配合为车联网中某一节点或多个节点分发内容信息的数据传输过程，主要包括边缘节点的内容预缓存、内容转发阶段，这两个阶段关注于充分利用边缘节点有限的缓存资源对待分发内容进行预缓存，以降低车辆从远程云请求和下载内容的时延和成本。高效的内容分发方案在满足智能网联车辆用户对内容的个性化需求的同时，也能够设计优化边缘节点缓存资源利用率的内容缓存方法来降低内容分发时延。现有车联网中的内容分发机制根据通信方式主要分为两类，一类是基于V2I通信的内容分发机制，关注于多路设协作、车辆接入路侧单元方法、内容预取等问题；另一类是基于V2V通信的内容分发机制，即车辆节点从邻居节点获取内容下载，研究问题集中在非协作车辆对网络性能的影响、协作车辆的激励等问题。
基于V2I通信的内容分发机制克服了车辆需要从内容服务中心请求内容时延较长的缺陷，例如，申请公布号为CN113012013A，名称为“一种在车联网中基于深度强化学习的协同边缘缓存方法”的专利申请，公开了一种在车联网中用于内容分发的基于深度强化学习的协同边缘缓存方法，该方法首先根据移动车辆、边缘设备RSU和基站的结构建立系统缓存模型；构建系统吞吐量计算模型；基于深度强化学习的问题求解算法：利用真实的仿真环境，从而保证仿真结果的性能能够对真实场景中的性能进行估计和近似。该方法根据历史内容请求记录预测内容流行度，提出一种RSU间的协同内容缓存策略，以最大限度地提高车辆从RSU获得的数据吞吐量，使边缘设备的缓存资源得以充分利用，能够降低内容分发的时延。
该方法考虑了边缘节点间协作进行内容预缓存，但未考虑车辆间进行协作下载内容，当多个车辆同时接入边缘节点请求内容时，影响到边缘节点为所有车辆分发内容的平均时延的进一步缩短；同时该方法考虑了内容的流行度，但未考虑内容之间的关联性和车辆用户对内容的个人偏好，容易导致车辆用户对分发内容的满意度降低；另外该方法中进行内容分发的边缘节点为通信覆盖范围有限的RSU和基站，当车辆处于高速移动场景下与RSU和基站的网络接入时断时续，容易导致车辆下载内容的服务中断。
发明内容
本发明的目的在于针对车联网中现有内容分发方法的不足，提出一种车联网中集成感知、通信与缓存的内容分发方法，旨在充分利用边缘节点的缓存资源，在优化边缘节点的缓存效益的同时，降低为车辆进行内容分发的平均时延，提高车联网络服务性能。
为实现上述目的，本发明采取的技术方案包括如下步骤：
(1)构建异构车联网系统：
构建包括缓存有Q个待分发内容C＝{C1,C2,...,Cq,...,CQ}的云服务器、导航卫星、K个由基站和无人机组成的边缘节点R＝{R1,R2,...,Rk,...,RK}和I个车辆V＝{V1,V2,...,Vi,...,VI}的异构车联网系统，其中，Q≥2，Cq表示第q个待分发内容，K≥2，Rk表示第k个边缘节点，I≥2，Vi表示第i个车辆；
(2)云服务器计算每两个待分发内容之间的相似度：
云服务器根据每个车辆Vi历史下载每个待分发内容Cq的时间
Figure BDA0003657248140000021
和位置
Figure BDA0003657248140000022
计算第q个内容Cq和第q'个内容Cq'的相似度sim(Cq,Cq')，并将
Figure BDA0003657248140000023
个相似度组成内容信息列表，分发至每个边缘节点Rk，其中，q'∈[1,Q]，q'≠q；
(3)边缘节点Rk感知为车辆Vi推荐的内容
Figure BDA00036572481400000325
每个边缘节点Rk应车辆Vi发送的对每个待分发内容Cq的请求，根据云服务器分发的内容信息列表、车辆Vi的个人偏好
Figure BDA0003657248140000031
及内容Cq的流行度
Figure BDA0003657248140000032
计算每两个内容Cq与Cq'的关联度
Figure BDA0003657248140000033
并根据
Figure BDA0003657248140000034
为车辆Vi推荐的内容
Figure BDA00036572481400000326
然后向Vi发送包含推荐内容
Figure BDA00036572481400000324
的请求响应信息，其中：
Figure BDA0003657248140000035
Figure BDA0003657248140000036
其中，
Figure BDA0003657248140000037
(4)边缘节点Rk转发小组信息：
每个边缘节点Rk统计回复接受推荐内容
Figure BDA00036572481400000327
的车辆的数量，并将其中驾驶路径和推荐内容均相同的车辆分为一组，得到一个或多个车辆编组，然后将每个小组包含的驾驶路径和推荐内容的信息转发给该小组驾驶路径上部署的最后一个边缘节点Rk'；
(5)边缘节点Rk'计算每个待分发内容Cq的总期望收益
Figure BDA0003657248140000038
(5a)边缘节点Rk'根据内容Cq的流行度
Figure BDA0003657248140000039
计算Cq对Rk'期望效益
Figure BDA00036572481400000310
Figure BDA00036572481400000311
Figure BDA00036572481400000312
Figure BDA00036572481400000313
Figure BDA00036572481400000314
其中，
Figure BDA00036572481400000315
表示边缘节点Rk'通信覆盖范围内的车辆数量，
Figure BDA00036572481400000316
是边缘节点Rk'的通信覆盖半径，
Figure BDA00036572481400000317
是每一个车道的车辆密度，
Figure BDA00036572481400000318
是车道数，
Figure BDA00036572481400000319
表示内容Cq的价格，
Figure BDA00036572481400000320
是内容Cq的数据大小，且
Figure BDA00036572481400000321
服从[x,y]上的均匀分布，x≥1，y≥1，
Figure BDA00036572481400000322
表示边缘节点Rk'将内容Cq分发给车辆Vi的成本，
Figure BDA00036572481400000323
是边缘节点Rk'的单位容量缓存成本，
Figure BDA0003657248140000041
为边缘节点Rk'和车辆Vi之间的单位时间传输成本，
Figure BDA0003657248140000042
表示云服务器和边缘节点Rk'之间的单位时间传输成本，
Figure BDA0003657248140000043
分别表示边缘节点Rk'与车辆Vi之间的传输速率、云服务器与边缘节点Rk'之间的传输速率，
Figure BDA0003657248140000044
是表示二进制变量，
Figure BDA0003657248140000045
表示车辆Vi请求的内容Cq没有被边缘节点Rk'缓存，
Figure BDA0003657248140000046
表示车辆Vi请求的内容Cq被边缘节点Rk'缓存；
(5b)边缘节点Rk'判断接受推荐服务的车辆编组是否下载内容Cq，若是，计算内容Cq带来的额外期望收益
Figure BDA0003657248140000047
并执行步骤(5c)，否则执行步骤(5d)，其中：
Figure BDA0003657248140000048
其中，
Figure BDA0003657248140000049
表示二进制变量，
Figure BDA00036572481400000410
表示边缘节点Rk将请求内容Cq的小组信息转发给边缘节点Rk'，
Figure BDA00036572481400000411
表示边缘节点Rk没有将请求内容Cq的小组信息转发给边缘节点Rk'；
(5c)边缘节点Rk'计算内容Cq的总期望收益
Figure BDA00036572481400000412
Figure BDA00036572481400000413
(5d)边缘节点Rk'计算内容Cq的总期望收益
Figure BDA00036572481400000414
Figure BDA00036572481400000415
(6)边缘节点Rk'获取车载内容分发结果：
(6a)边缘节点Rk'根据每个内容Cq的数据大小
Figure BDA00036572481400000416
内容Cq的总期望效益
Figure BDA00036572481400000417
Rk'的缓存容量
Figure BDA00036572481400000418
建立用于最优化边缘节点Rk'的总缓存效益
Figure BDA00036572481400000419
的背包问题：
Figure BDA00036572481400000420
Figure BDA00036572481400000421
其中，
Figure BDA0003657248140000051
表示二进制变量，
Figure BDA0003657248140000052
表示边缘节点Rk'缓存内容q，
Figure BDA0003657248140000053
表示边缘节点Rk'不缓存内容q；
(6b)边缘节点Rk'建立其缓存容量为
Figure BDA0003657248140000054
时存储前q个内容能得到的最大缓存效益Γ(q,fk')的状态转移方程；
(6c)对状态转移方程进行求解，得到使边缘节点Rk'缓存效益
Figure BDA0003657248140000055
最大的缓存策略
Figure BDA0003657248140000056
并根据此缓存策略进行内容缓存，然后根据缓存的内容为每个车辆进行内容分发。
本发明与现有技术相比，具有如下优点：
1.本发明每个边缘节点将每个小组包含的驾驶路径和推荐内容的信息转发给该小组驾驶路径上部署的最后一个边缘节点，并通过最后一个边缘节点所计算的待分发内容的总期望收益，建立总缓存效益的背包问题，然后通过求解背包问题所获取的使最后一个边缘节点缓存效益最大的缓存策略进行内容缓存，每个车辆小组只需下载一次内容并在组内进行转发，且所有车辆能够最大限度地从边缘节点而不是云端下载内容，在优化边缘节点的缓存效益的同时，能够降低所有车辆下载内容的平均时延。
2.本发明在边缘节点感知为车辆推荐的内容时，边缘节点根据云服务器分发的内容信息列表、车辆的个人偏好及内容的流行度计算每两个内容的关联度，并根据内容间的关联度为车辆推荐内容，避免了现有技术在感知车辆的内容请求时只计算内容流行度的缺陷，满足了车辆用户的个性化需求。
3.本发明所构建异构车联网系统，多个边缘节点既包含有基站，又包含有无人机，可以借助空间、空中、地面的异构网络设备对移动车辆进行数据采集，并为其提供稳定可靠的通信连接，避免了现有技术在车辆处于高速移动场景时下载内容容易中断的缺陷，增强了高速移动场景下车辆接入网络的灵活性和可靠性。
附图说明
图1是本发明的实现流程图。
图2是本发明异构车联网系统的结构示意图。
图3是本发明与现有技术内容缓存效益和下载时延的仿真结果对比图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步详细描述。
参照图1，本发明包括如下步骤。
步骤1)构建异构车联网系统，其结构如图2所示：
构建包括缓存有Q个待分发内容C＝{C1,C2,...,Cq,...,CQ}的云服务器、导航卫星、K个由基站和无人机组成的边缘节点R＝{R1,R2,...,Rk,...,RK}和I个车辆V＝{V1,V2,...,Vi,...,VI}的异构车联网系统，其中，Q≥2，Cq表示第q个待分发内容，K≥2，Rk表示第k个边缘节点，I≥2，Vi表示第i个车辆。
本实施例中，Q＝100，K＝5，I＝150，K个边缘节点包括基站、无人机，通过基站和无人机的协同工作，能够避免高速的移动车辆无法接入基站时断时续的缺陷，并减轻基站的通信、缓存负担。
步骤2)云服务器计算每两个待分发内容之间的相似度：
云服务器根据每个车辆Vi历史下载每个待分发内容Cq的时间
Figure BDA0003657248140000061
和位置
Figure BDA0003657248140000062
计算第q个内容Cq和第q'个内容Cq'的相似度sim(Cq,Cq')，并将
Figure BDA0003657248140000063
个相似度组成内容信息列表，分发至每个边缘节点Rk，其中，q'∈[1,Q]，q'≠q，sim(Cq,Cq')的计算公式为：
Figure BDA0003657248140000064
Figure BDA0003657248140000065
其中，L(Cq)和L(Cq')分别为请求过内容q和内容q'的车辆集合，|L(Cq)|和|L(Cq')|分别为集合L(Cq)和L(Cq')中车辆的数量，α和β分别是时间衰减系数和距离衰减系数，
Figure BDA0003657248140000066
是车辆Vi请求内容Cq和内容Cq'的时间差，
Figure BDA0003657248140000067
是车辆Vi请求内容Cq和内容Cq'时所在位置之间的距离。
步骤3)边缘节点Rk感知为车辆Vi推荐的内容
Figure BDA0003657248140000068
每个边缘节点Rk应车辆Vi发送的对每个待分发内容Cq的请求，根据云服务器分发的内容信息列表、车辆Vi的个人偏好
Figure BDA0003657248140000071
及内容Cq的流行度
Figure BDA0003657248140000072
计算每两个内容Cq与Cq'的关联度
Figure BDA0003657248140000073
并根据
Figure BDA0003657248140000074
为车辆Vi推荐的内容
Figure BDA00036572481400000715
然后向Vi发送包含推荐内容
Figure BDA00036572481400000714
的请求响应信息，其中：
Figure BDA0003657248140000075
Figure BDA0003657248140000076
其中，
Figure BDA0003657248140000077
内容Cq的流行度
Figure BDA0003657248140000078
的计算公式为：
Figure BDA0003657248140000079
其中，θ和Ω是Zipf分布的参数，
Figure BDA00036572481400000710
为内容Cq在网络中基于总请求次数的排名。
边缘节点Rk接收到车辆Vi发送的每个待分发内容Cq的请求，为车辆Vi完成内容Cq的分发，然后车辆Vi根据内容信息列表、车辆Vi的个人偏好
Figure BDA00036572481400000711
及内容Cq的流行度
Figure BDA00036572481400000712
计算出每两个内容Cq与Cq'的关联度
Figure BDA00036572481400000713
根据内容间的关联度为车辆Vi下一次请求内容进行预测并将计算出的内容
Figure BDA00036572481400000716
推荐给车辆Vi，该推荐内容
Figure BDA00036572481400000717
即边缘节点Rk对车辆Vi的请求做出感知的结果。
步骤4)边缘节点Rk转发小组信息：
每个边缘节点Rk统计回复接受推荐内容
Figure BDA00036572481400000718
的车辆的数量，并将其中驾驶路径和推荐内容均相同的车辆分为一组，得到一个或多个车辆编组，然后将每个小组包含的驾驶路径和推荐内容的信息转发给该小组驾驶路径上部署的最后一个边缘节点Rk'。
车辆回复边缘节点表示车辆接受边缘节点推荐的内容，否则不给出回复。所有接受推荐内容的车辆被分为一个或多个车辆编组，每个车辆编组中包含多个车辆，不接受推荐内容的车辆不进行分组，将车辆进行编组是为了让驾驶路径和推荐内容相同的车辆之间进行协作下载内容，可以避免多个车辆同时接入边缘节点下载内容造成的网络拥塞，也能够降低所有车辆下载内容的平均时延，然后边缘节点之间建立通信连接，互相转发车辆编组的信息来协助边缘节点对车辆即将下载的内容进行预缓存。
步骤5)边缘节点Rk'计算每个内容Cq的总期望收益
Figure BDA0003657248140000081
(5a)边缘节点Rk'根据内容Cq的流行度
Figure BDA0003657248140000082
计算期望效益
Figure BDA0003657248140000083
Figure BDA0003657248140000084
Figure BDA0003657248140000085
Figure BDA0003657248140000086
Figure BDA0003657248140000087
其中，
Figure BDA0003657248140000088
表示边缘节点Rk'通信覆盖范围内的车辆数量，
Figure BDA0003657248140000089
是边缘节点Rk'的通信覆盖半径，
Figure BDA00036572481400000810
是每一个车道的车辆密度，
Figure BDA00036572481400000811
是车道数，
Figure BDA00036572481400000812
表示内容Cq的价格，
Figure BDA00036572481400000813
是内容Cq的数据大小，且
Figure BDA00036572481400000814
服从[x,y]上的均匀分布，x≥1，y≥1，
Figure BDA00036572481400000815
表示边缘节点Rk'将内容Cq分发给车辆Vi的成本，
Figure BDA00036572481400000816
是边缘节点Rk'的单位容量缓存成本，
Figure BDA00036572481400000817
为边缘节点Rk'和车辆Vi之间的单位时间传输成本，
Figure BDA00036572481400000818
表示云服务器和边缘节点Rk'之间的单位时间传输成本，
Figure BDA00036572481400000819
分别表示边缘节点Rk'与车辆Vi之间的传输速率、云服务器与边缘节点Rk'之间的传输速率，
Figure BDA00036572481400000820
是表示二进制变量，
Figure BDA00036572481400000821
表示车辆Vi请求的内容Cq被边缘节点Rk'缓存，此时车辆Vi从边缘节点Rk'下载内容Cq的时延和成本都较小；
Figure BDA00036572481400000822
表示车辆Vi请求的内容Cq没有被边缘节点Rk'缓存，此时车辆Vi需要从远程云下载内容Cq，此时车辆Vi下载内容Cq的时延和成本都会大大增加。本实施例中，x＝1，y＝9。
(5b)边缘节点Rk'判断接受推荐服务的小组是否下载内容Cq，若是，计算内容Cq带来的额外期望收益
Figure BDA00036572481400000823
并执行步骤(5c)，否则执行步骤(5d)，其中：
Figure BDA00036572481400000824
其中，
Figure BDA00036572481400000825
是一个二进制变量，是对内容Cq是否为车辆小组要请求的推荐内容进行判断，
Figure BDA0003657248140000091
表示内容Cq是车辆小组要请求的推荐内容且边缘节点Rk将请求内容Cq的小组信息转发给边缘节点Rk'，此时，内容Cq由于是被车辆小组默认下载的内容会给边缘节点Rk'带来额外期望收益；
Figure BDA0003657248140000092
表示内容Cq不是车辆小组要请求的推荐内容且边缘节点Rk没有将请求内容Cq的小组信息转发给边缘节点Rk'。
(5c)边缘节点Rk'计算内容Cq的总期望收益
Figure BDA0003657248140000093
Figure BDA0003657248140000094
(5d)边缘节点Rk'计算内容Cq的总期望收益
Figure BDA0003657248140000095
Figure BDA0003657248140000096
步骤6)边缘节点Rk'获取车载内容分发结果：
(6a)边缘节点Rk'根据每个内容Cq的数据大小
Figure BDA0003657248140000097
内容Cq的总期望效益
Figure BDA0003657248140000098
Rk'的缓存容量
Figure BDA0003657248140000099
建立背包问题来最优化边缘节点Rk'的总缓存效益
Figure BDA00036572481400000910
Figure BDA00036572481400000911
Figure BDA00036572481400000912
其中，
Figure BDA00036572481400000913
为一个二进制变量，
Figure BDA00036572481400000914
表示边缘节点Rk'缓存内容q，
Figure BDA00036572481400000915
表示边缘节点Rk'不缓存内容q。
(6b)边缘节点Rk'建立其缓存容量为
Figure BDA00036572481400000916
时存储前q个内容能得到的最大缓存效益Γ(q,fk')的状态转移方程，表示为：
Figure BDA00036572481400000917
(6c)求解状态转移方程得出使边缘节点Rk'缓存效益
Figure BDA00036572481400000918
最大的缓存策略
Figure BDA00036572481400000919
根据此缓存策略进行内容缓存并为所有车辆进行内容分发。
步骤(6c)中缓存策略
Figure BDA0003657248140000101
是指在边缘节点Rk'缓存容量有限的约束下，根据每个内容的总期望收益
Figure BDA0003657248140000102
数据大小
Figure BDA0003657248140000103
来决策如何将Q个待分发内容选择性地缓存在边缘节点Rk'中，并使所缓存的内容为边缘节点Rk'带来最高的期望效益。边缘节点Rk'缓存内容完毕将为所有车辆进行内容分发。
下面结合仿真实验，对本发明的技术效果作进一步说明。
1.仿真条件和内容：
仿真实验的平台为：Windows 10操作系统和Matlab 2021a。仿真实验参数设置如表1所示：
表1
设置项 取值
内容总数 100
每个内容大小 [1,9]MB
边缘节点数量 5
每个边缘节点下车数 30
边缘节点k'到车辆传输速率r<sub>k'</sub> 100Mbps
云端到边缘节点k'传输速率r<sub>k′</sub>′ 50Mbps
边缘节点k'缓存容量 [50,300]MB
对本发明与现有的一种在车联网中基于深度强化学习的协同边缘缓存方法的内容缓存效益、内容平均下载时延进行对比仿真，其结果如图3所示。
2.仿真结果分析：
参照图3，其中图3(a)为本发明与现有技术内容缓存效益的仿真结果对比图，图中的横坐标表示边缘节点缓存容量，纵坐标表示边缘节点缓存效益。当边缘节点缓存容量从50MB增加到300MB时，本发明的边缘节点缓存效益从193.96逐渐增加到236.38，现有技术的边缘节点缓存效益从175.17逐渐增加到220.83，本发明的边缘节点缓存效益高于现有技术的边缘节点缓存效益，这是因为本发明为车辆提供内容推荐服务并充分利用边缘节点的缓存资源来缓存内容，有效地提高了车辆从边缘节点下载内容的概率，从而为边缘节点带来更高的效益。
图3(b)为本发明与现有技术内容平均下载时延的仿真结果对比图，图中的横坐标表示边缘节点缓存容量，纵坐标表示。当边缘节点缓存容量从50MB增加到300MB时，本发明的平均时延从17.33ms逐渐降低到12.67ms，现有技术的平均时延从18.48ms逐渐降低到13.15ms，本发明的平均时延低于现有技术的平均时延，这是因为本发明使车辆最大限度地从边缘节点下载内容，并由车辆小组下载内容在组内进行转发，有效地降低了车辆从边缘节点下载内容的平均时延。
综上，本发明提出的方法与现有技术相比，具有更高的边缘节点内容缓存效益和内容下载平均时延。

Claims (4)

1.一种车联网中集成感知、通信与缓存的内容分发方法，其特征在于，包括如下步骤：
(1)构建异构车联网系统：
构建包括缓存有Q个待分发内容C＝{C1,C2,...,Cq,...,CQ}的云服务器、导航卫星、K个由基站和无人机组成的边缘节点R＝{R1,R2,...,Rk,...,RK}和I个车辆V＝{V1,V2,...,Vi,...,VI}的异构车联网系统，其中，Q≥2，Cq表示第q个待分发内容，K≥2，Rk表示第k个边缘节点，I≥2，Vi表示第i个车辆；
(2)云服务器计算每两个待分发内容之间的相似度：
云服务器根据每个车辆Vi历史下载每个待分发内容Cq的时间
Figure FDA0003657248130000011
和位置
Figure FDA0003657248130000012
计算第q个内容Cq和第q'个内容Cq'的相似度sim(Cq,Cq')，并将
Figure FDA0003657248130000013
个相似度组成内容信息列表，分发至每个边缘节点Rk，其中，q'∈[1,Q]，q'≠q；
(3)边缘节点Rk感知为车辆Vi推荐的内容
Figure FDA0003657248130000014
每个边缘节点Rk应车辆Vi发送的对每个待分发内容Cq的请求，根据云服务器分发的内容信息列表、车辆Vi的个人偏好
Figure FDA0003657248130000015
及内容Cq的流行度
Figure FDA0003657248130000016
计算每两个内容Cq与Cq'的关联度
Figure FDA0003657248130000017
并根据
Figure FDA0003657248130000018
为车辆Vi推荐的内容
Figure FDA0003657248130000019
然后向Vi发送包含推荐内容
Figure FDA00036572481300000110
的请求响应信息，其中：
Figure FDA00036572481300000111
Figure FDA00036572481300000112
其中，
Figure FDA00036572481300000113
(4)边缘节点Rk转发小组信息：
每个边缘节点Rk统计回复接受推荐内容
Figure FDA00036572481300000114
的车辆的数量，并将其中驾驶路径和推荐内容均相同的车辆分为一组，得到一个或多个车辆编组，然后将每个小组包含的驾驶路径和推荐内容的信息转发给该小组驾驶路径上部署的最后一个边缘节点Rk'；
(5)边缘节点Rk'计算每个待分发内容Cq的总期望收益
Figure FDA0003657248130000021
(5a)边缘节点Rk'根据内容Cq的流行度
Figure FDA0003657248130000022
计算Cq对Rk'期望效益
Figure FDA0003657248130000023
Figure FDA0003657248130000024
Figure FDA0003657248130000025
Figure FDA0003657248130000026
Figure FDA0003657248130000027
其中，
Figure FDA0003657248130000028
表示边缘节点Rk'通信覆盖范围内的车辆数量，
Figure FDA0003657248130000029
是边缘节点Rk'的通信覆盖半径，
Figure FDA00036572481300000210
是每一个车道的车辆密度，
Figure FDA00036572481300000211
是车道数，
Figure FDA00036572481300000212
表示内容Cq的价格，
Figure FDA00036572481300000213
是内容Cq的数据大小，且
Figure FDA00036572481300000214
服从[x,y]上的均匀分布，x≥1，y≥1，
Figure FDA00036572481300000215
表示边缘节点Rk'将内容Cq分发给车辆Vi的成本，
Figure FDA00036572481300000216
是边缘节点Rk'的单位容量缓存成本，
Figure FDA00036572481300000217
为边缘节点Rk'和车辆Vi之间的单位时间传输成本，
Figure FDA00036572481300000218
表示云服务器和边缘节点Rk'之间的单位时间传输成本，
Figure FDA00036572481300000219
分别表示边缘节点Rk'与车辆Vi之间的传输速率、云服务器与边缘节点Rk'之间的传输速率，
Figure FDA00036572481300000220
是表示二进制变量，
Figure FDA00036572481300000221
表示车辆Vi请求的内容Cq没有被边缘节点Rk'缓存，
Figure FDA00036572481300000222
表示车辆Vi请求的内容Cq被边缘节点Rk'缓存；
(5b)边缘节点Rk'判断接受推荐服务的车辆编组是否下载内容Cq，若是，计算内容Cq带来的额外期望收益
Figure FDA00036572481300000223
并执行步骤(5c)，否则执行步骤(5d)，其中：
Figure FDA00036572481300000224
其中，
Figure FDA0003657248130000031
表示二进制变量，
Figure FDA0003657248130000032
表示边缘节点Rk将请求内容Cq的小组信息转发给边缘节点Rk'，
Figure FDA0003657248130000033
表示边缘节点Rk没有将请求内容Cq的小组信息转发给边缘节点Rk'；
(5c)边缘节点Rk'计算内容Cq的总期望收益
Figure FDA0003657248130000034
Figure FDA0003657248130000035
(5d)边缘节点Rk'计算内容Cq的总期望收益
Figure FDA0003657248130000036
Figure FDA0003657248130000037
(6)边缘节点Rk'获取车载内容分发结果：
(6a)边缘节点Rk'根据每个内容Cq的数据大小
Figure FDA0003657248130000038
内容Cq的总期望效益
Figure FDA0003657248130000039
Rk'的缓存容量
Figure FDA00036572481300000310
建立用于最优化边缘节点Rk'的总缓存效益
Figure FDA00036572481300000311
的背包问题：
Figure FDA00036572481300000312
Figure FDA00036572481300000313
其中，
Figure FDA00036572481300000314
表示二进制变量，
Figure FDA00036572481300000315
表示边缘节点Rk'缓存内容q，
Figure FDA00036572481300000316
表示边缘节点Rk'不缓存内容q；
(6b)边缘节点Rk'建立其缓存容量为
Figure FDA00036572481300000317
时存储前q个内容能得到的最大缓存效益Γ(q,fk')的状态转移方程；
(6c)对状态转移方程进行求解，得到使边缘节点Rk'缓存效益
Figure FDA00036572481300000318
最大的缓存策略
Figure FDA00036572481300000319
并根据此缓存策略进行内容缓存，然后根据缓存的内容为每个车辆进行内容分发。
2.根据权利要求1所述的一种车联网中集成感知、通信与缓存的内容分发方法，其特征在于，步骤(2)中所述计算第q个内容Cq和第q'个内容Cq'的相似度sim(Cq,Cq')，计算公式为：
Figure FDA0003657248130000041
Figure FDA0003657248130000042
其中，L(Cq)和L(Cq')分别为请求过内容q和内容q'的车辆集合，L(Cq)和|L(Cq')|分别为集合L(Cq)和L(Cq')中车辆的数量，α和β分别是时间衰减系数和距离衰减系数，
Figure FDA0003657248130000043
是车辆Vi请求内容Cq和内容Cq'的时间差，
Figure FDA0003657248130000044
是车辆Vi请求内容Cq和内容Cq'时所在位置之间的距离。
3.根据权利要求1所述的一种车联网中集成感知、通信与缓存的内容分发方法，其特征在于，步骤(3)中所述内容Cq的流行度
Figure FDA0003657248130000045
计算公式为：
Figure FDA0003657248130000046
其中，θ和Ω是Zipf分布的参数，
Figure FDA0003657248130000047
为内容Cq在网络中基于总请求次数的排名。
4.根据权利要求1所述的一种车联网中集成感知、通信与缓存的内容分发方法，其特征在于，步骤(6b)中所述Γ(q,fk')的状态转移方程，表示为：
Figure FDA0003657248130000048
CN202210564398.6A 2022-05-23 2022-05-23 一种车联网中集成感知、通信与缓存的内容分发方法 Active CN114979145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210564398.6A CN114979145B (zh) 2022-05-23 2022-05-23 一种车联网中集成感知、通信与缓存的内容分发方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210564398.6A CN114979145B (zh) 2022-05-23 2022-05-23 一种车联网中集成感知、通信与缓存的内容分发方法

Publications (2)

Publication Number Publication Date
CN114979145A CN114979145A (zh) 2022-08-30
CN114979145B true CN114979145B (zh) 2023-01-20

Family

ID=82984594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210564398.6A Active CN114979145B (zh) 2022-05-23 2022-05-23 一种车联网中集成感知、通信与缓存的内容分发方法

Country Status (1)

Country Link
CN (1) CN114979145B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115665804B (zh) * 2022-11-21 2023-03-14 昆明理工大学 一种协同无人机-智能车群的缓存优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328397A (zh) * 2020-11-10 2021-02-05 西安电子科技大学 5g异构网络系统及其协同车辆计算任务卸载方法
CN112565377A (zh) * 2020-11-30 2021-03-26 北京邮电大学 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
CN113012013A (zh) * 2021-02-09 2021-06-22 北京工业大学 一种在车联网中基于深度强化学习的协同边缘缓存方法
CN113543071A (zh) * 2021-06-30 2021-10-22 南京邮电大学 一种车联网环境下异构节点协作边缘缓存方法
CN114374741A (zh) * 2022-01-13 2022-04-19 南昌工程学院 Mec环境下基于强化学习的动态分组车联网缓存方法
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11657266B2 (en) * 2018-11-16 2023-05-23 Honda Motor Co., Ltd. Cooperative multi-goal, multi-agent, multi-stage reinforcement learning
US20210117860A1 (en) * 2019-10-17 2021-04-22 Ambeent Wireless Method and system for distribution of computational and storage capacity using a plurality of moving nodes in different localities: a new decentralized edge architecture

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328397A (zh) * 2020-11-10 2021-02-05 西安电子科技大学 5g异构网络系统及其协同车辆计算任务卸载方法
CN112565377A (zh) * 2020-11-30 2021-03-26 北京邮电大学 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
CN113012013A (zh) * 2021-02-09 2021-06-22 北京工业大学 一种在车联网中基于深度强化学习的协同边缘缓存方法
CN113543071A (zh) * 2021-06-30 2021-10-22 南京邮电大学 一种车联网环境下异构节点协作边缘缓存方法
CN114374741A (zh) * 2022-01-13 2022-04-19 南昌工程学院 Mec环境下基于强化学习的动态分组车联网缓存方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Trust Based Secure Content Delivery in Vehicular Networks: A Bargaining Game Theoretical Approach;Jiliang Li，Yilong Hui等;《IEEE》;20200107;3267 - 3279 *

Also Published As

Publication number Publication date
CN114979145A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN110312231B (zh) 车联网中基于mec的内容缓存决策和资源分配优化方法
Zhang et al. Deep reinforcement learning for social-aware edge computing and caching in urban informatics
CN111385734B (zh) 一种车联网内容缓存决策优化方法
CN113543074B (zh) 一种基于车路云协同的联合计算迁移和资源分配方法
CN114827198B (zh) 一种应用于车联网的多层中心异步联邦学习方法
CN111339554A (zh) 基于移动边缘计算的用户数据隐私保护方法
CN114143346A (zh) 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN114979145B (zh) 一种车联网中集成感知、通信与缓存的内容分发方法
CN114374741A (zh) Mec环境下基于强化学习的动态分组车联网缓存方法
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
CN113543071A (zh) 一种车联网环境下异构节点协作边缘缓存方法
Al-Hilo et al. Vehicle-assisted RSU caching using deep reinforcement learning
CN112929849A (zh) 一种基于强化学习的可靠车载边缘计算卸载方法
CN113905354B (zh) 一种基于区域内容流行度的车载网络内容传递方法及系统
CN115297170A (zh) 一种基于异步联邦和深度强化学习的协作边缘缓存方法
Sun et al. Task offloading method of internet of vehicles based on cloud-edge computing
CN115052262A (zh) 一种基于势博弈的车联网计算卸载与功率优化方法
CN113490181B (zh) 一种基于lstm神经网络的车辆传输时延优化方法
CN115883601A (zh) 一种车联网协作资源分配方法、系统、设备及介质
CN115587266A (zh) 一种空天地一体化互联网智能边缘缓存方法
CN115174481A (zh) 一种无人机辅助边缘车联网服务和内容混合缓存的方法
Cai et al. Cooperative content caching and delivery in vehicular networks: A deep neural network approach
Rivero-Angeles et al. Data Dissemination Performance in P2P-Based Vehicular Communications for Smart City Environments
Ma Communication Resource Allocation Strategy of Internet of Vehicles Based on MEC.
CN113676519B (zh) 车辆内容预缓存和宽带分配的联合优化方法及装置

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