CN115515198B - 基于博弈论和自适应跳跃的异构车载网络选择方法及系统 - Google Patents
基于博弈论和自适应跳跃的异构车载网络选择方法及系统 Download PDFInfo
- Publication number
- CN115515198B CN115515198B CN202210919836.6A CN202210919836A CN115515198B CN 115515198 B CN115515198 B CN 115515198B CN 202210919836 A CN202210919836 A CN 202210919836A CN 115515198 B CN115515198 B CN 115515198B
- Authority
- CN
- China
- Prior art keywords
- network
- weight
- state attribute
- network state
- matrix
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 title claims description 12
- 238000000034 method Methods 0.000 claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005303 weighing Methods 0.000 claims abstract description 6
- 230000003993 interaction Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 230000009699 differential effect Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 241000235648 Pichia Species 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/14—Reselecting a network or an air interface
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/16—Performing reselection for specific purposes
- H04W36/22—Performing reselection for specific purposes for handling the traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/30—Reselection being triggered by specific parameters by measured or perceived connection quality data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/32—Reselection being triggered by specific parameters by location or mobility data, e.g. speed data
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于博弈论和自适应跳跃的异构车载网络选择方法及系统,首先路侧单元实时监测和收集车辆信息和网络状态属性信息,上传至云服务器后构建网络状态属性参数初始化决策矩阵,并进行标准化和归一化处理;接着采用毕达哥拉斯模糊层次分析法计算网络状态属性的主观权重,采用熵权法计算网络状态属性的客观权重,基于博弈论权衡主、客观权重,计算网络状态属性的综合权重,基于马尔科夫计算候选网络的综合效用值;最后提出一种基于网络负载的自适应跳跃机制,通过动态调整网络切换阈值,减少不必要的网络切换。本发明能适应复杂异构车载网络环境下的动态车流变化,有效减少网络的平均切换次数,避免“乒乓效应”和提高网络资源利用率。
Description
技术领域
本发明属于车联网技术领域,涉及一种面向异构车载环境的网络选择方法及系统,特别是一种城市交通环境下基于博弈论和自适应跳跃的异构车载网络选择方法及系统。
背景技术
近年来,随着城市化进程的加快,城市车辆数量也在迅速增长,交通问题俨然已成为关注的重点,依靠智能交通系统(Intelligent Transportation System ITS)解决交通问题势在必行。车联网(Vehicular Ad hoc Network,VANET)是物联网在ITS领域的应用,作为一种面向汽车的新兴移动互联网,通过车与车/车与基础设施(Vehicle-to-Vehicle/Vehicle-to-Infrastructure,V2V/V2I)之间进行信息交互,实现智能化交通管理。
由于单一类型的网络难以满足用户多样化的通信需求,随着无线通信技术的快速发展,融合多种无线通信技术的异构车载网络成为车联网发展的必然趋势。然而,由于车载通信终端的移动性,导致车辆更加频繁地进行网络切换,甚至形成“乒乓效应”;另一方面,车辆数量的不均匀分布会造成网络拥塞和资源紧缺问题。因此,在异构车载网络下如何选择合适的接入网络、缓解网络拥塞和“乒乓效应”是亟待解决的问题。
在复杂的决策过程中,基于单属性的网络选择方法只考虑例如信号强度一个因素,其应用场景和效果具有较大的局限性,因此越来越多的研究基于多属性决策(MultipleAttribute Decision Making,MADM)。基于多属性决策的网络选择方法综合考虑网络的多种属性对网络的性能进行评估,从而为用户寻找最佳的接入网络,但依然存在许多的问题。例如现有的基于多属性决策的网络选择方法通常从单个车辆出发盲目选择最佳接入网络,一方面会导致网络资源的负载不均,严重时会引起部分网络的拥塞问题;另一方面当多个候选网络的性能难分伯仲时容易产生“乒乓效应”,降低网络资源的利用效率。
发明内容
本发明针对现有异构车载网络选择方法的不足,提出了一种基于博弈论和自适应跳跃的异构车载网络选择方法及系统。为了提高对候选网络性能评估的准确性,该方法从主、客观两方面分别进行评估,同时基于博弈论权衡主、客观评估结果,具体而言,该方法使用毕达哥拉斯模糊层次分析法计算网络状态属性的主观权重,使用熵权法计算网络状态属性的客观权重,利用博弈论组合赋权法计算网络状态属性的综合权重,基于马尔科夫得到候选网络的综合效用值。最终,该方法利用一种自适应跳跃机制选择并接入最大综合效用值网络。
本发明的方法所采用的技术方案是:一种基于博弈论和自适应跳跃的异构车载网络选择方法,用于由双向车道、多种类型网络的路侧单元和云服务器构成的交通环境中,交通环境中车辆之间以及车辆和路侧单元之间进行信息交互;
包括以下步骤:
步骤1:所述路侧单元实时监测和收集车辆信息和网络状态属性信息,并将车辆信息和网络状态属性信息上传给所述云服务器;
所述车辆信息包括车辆标识符、速度、位置和业务类型,其中业务类型包括语音对话、实时流媒体、网络交互和后台下载四种类型;
所述网络状态属性信息包括带宽、时延、时延抖动、丢包率和价格成本;
步骤2:所述云服务器利用网络状态属性信息构建初始化判决矩阵H,将判决矩阵H进行标准化和归一化处理;
所述云服务器利用网络状态属性信息构建初始化判决矩阵H,记候选网络集合N={N1,N2,…,Nm},每个网络状态属性集合F={F1,F2,…,Fn},m是候选网络数量,n是属性数量,初始化判决矩阵H为:
其中,hij是第i个候选网络的第j个状态属性值,1≤i≤m,1≤j≤n;
步骤3:计算网络状态属性的主观权重Wsub,计算网络状态属性的客观权重Wobj;
步骤4:基于博弈论权衡主观权重、客观权重,计算网络状态属性的综合权重W;
步骤5:计算候选网络的综合效用值C;
步骤6:基于自适应跳跃机制选择并接入最大综合效用值网络。
本发明的系统所采用的技术方案是:一种基于博弈论和自适应跳跃的异构车载网络选择系统,用于由双向车道、多种类型网络的路侧单元和云服务器构成的交通环境中,交通环境中车辆之间以及车辆和路侧单元之间进行信息交互;
包括以下模块:
模块1,用于所述路侧单元实时监测和收集车辆信息和网络状态属性信息,并将车辆信息和网络状态属性信息上传给所述云服务器;
所述车辆信息包括车辆标识符、速度、位置和业务类型,其中业务类型包括语音对话、实时流媒体、网络交互和后台下载四种类型;
所述网络状态属性信息包括带宽、时延、时延抖动、丢包率和价格成本;
模块2,用于所述云服务器利用网络状态属性信息构建初始化判决矩阵H,将判决矩阵H进行标准化和归一化处理;
所述云服务器利用网络状态属性信息构建初始化判决矩阵H,记候选网络集合N={N1,N2,…,Nm},每个网络状态属性集合F={F1,F2,…,Fn},m是候选网络数量,n是属性数量,初始化判决矩阵H为:
其中,hij是第i个候选网络的第j个状态属性值,1≤i≤m,1≤j≤n;
模块3,用于计算网络状态属性的主观权重Wsub,计算网络状态属性的客观权重Wobj;
模块4,用于基于博弈论权衡主观权重、客观权重,计算网络状态属性的综合权重W;
模块5,用于计算候选网络的综合效用值C;
模块6,用于基于自适应跳跃机制选择并接入最大综合效用值网络。
本发明首先基于收集的网络状态属性信息构建初始化判决矩阵,并对判决矩阵进行标准化和归一化处理;接着采用毕达哥拉斯模糊层次分析法计算网络状态属性的主观权重,采用熵权法计算网络状态属性的客观权重,基于博弈论计算网络状态属性的综合权重,基于马尔科夫计算候选网络的综合效用值;最后基于自适应跳跃机制进行最优接入网络决策。本发明能适应复杂异构车载网络环境下的动态车流变化,有效减少网络的平均切换次数,有利于避免“乒乓效应”和提高网络资源利用率。
附图说明
图1为本发明实施例的交通环境示意图;
图2为本发明实施例的方法流程图;
图3为本发明实施例的方法与其他两种方法在不同车辆数量情况下的网络平均切换次数对比图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
现有的基于多属性决策的网络选择方法通常从单个车辆出发盲目选择最佳网络,一方面会导致网络资源的负载不均,严重时会引起网络拥塞问题;另一方面当多个候选网络的性能难分伯仲时容易产生“乒乓效应”。本发明据此提供了新的城市交通环境下的异构车载网络选择切换方法,用于高效地进行网络选择切换,实现网路负载均衡。方法的基本思想是:利用车辆信息和当前网络状态属性信息进行处理,分别计算网络状态属性的主、客观权重,根据博弈论兼顾主、客观权重的优点得到最优的综合权重向量,通过计算综合效用值对候选网络进行性能评估,采用自适应跳跃机制进行最优网络决策。
如图1所示,本实施所述交通系统模型由双向车道、多种类型网络的路侧单元和云服务器构成;模型中行驶车辆的数量和速度随着时间不断变化,行驶方向包括直行和调头;所述路侧单元用于提供语音对话、实时流媒体、网络交互和后台下载等多种类型的无线通信服务,车辆之间以及车辆和路侧单元之间进行信息交互;所述云服务器用于处理路侧单元上传的车辆信息和网络状态信息。
由于车载通信终端具有移动性,车辆会更加频繁地进行网络切换,因此在保证用户当前业务需求的前提下快速高效地选择合适的网络进行切换是亟待解决的问题。但是现有的基于多属性决策的网络选择方法通常从单个车辆出发盲目选择最佳网络,容易引起如下问题:
(1)导致网络资源的负载不均,严重时会引起部分网络的拥塞问题;
(2)当多个候选网络的性能难分伯仲时容易产生“乒乓效应”,降低网络资源的利用效率。
因此,本发明提出一种基于博弈论和自适应跳跃的异构车载网络选择方法。方法的关键是利用博弈论组合赋权法来计算网络综合权重,将具有互补作用的主客观赋权法结合,找到主、客观赋权法的纳什均衡点,兼顾两者优点,得到最优的权重向量,最后根据候选网络状态属性与属性综合权重向量评估候选网络性能并进行排序。
请见图2,本发明提供的一种基于博弈论和自适应跳跃的异构车载网络选择方法,包括以下步骤:
步骤1:路侧单元实时监测和收集车辆信息和网络状态属性信息,并将车辆信息和网络状态属性信息上传给云服务器;
本实施例的车辆信息主要包括车辆标识符、速度、位置和业务类型,其中业务类型包括语音对话、实时流媒体、网络交互和后台下载四种类型;
本实施例的网络状态属性信息主要包括带宽、时延、时延抖动、丢包率和价格成本;
步骤2:云服务器利用网络状态信息构建初始化判决矩阵H,将判决矩阵H进行标准化和归一化处理;
本实施例中,云服务器利用网络状态属性信息构建初始化判决矩阵H,记候选网络集合N={N1,N2,…,Nm},每个网络状态属性集合F={F1,F2,…,Fn},m是候选网络数量,n是属性数量,初始化判决矩阵H为:
其中,hij是第i个候选网络的第j个状态属性值,1≤i≤m,1≤j≤n;
本实施例中,对判决矩阵H采用min-max标准差法进行标准化;
对于带宽属性,则有:
对于延迟、延迟抖动、丢失率和价格成本属性,则有:
其中,min(hij)和max(hij)分别表示hij的最小值和最大值;
接着对标准化后的判决矩阵参数进行归一化处理,得到归一化判决矩阵H′=(hij′)m×b,且有:
步骤3:计算网络状态属性的主观权重Wsub和网络状态属性的客观权重Wobj;
本实施例采用毕达哥拉斯模糊层次分析法计算候选网络状态属性的主观权重Wsub,具体实现包括以下子步骤:
(1)定义毕达哥拉斯模糊集G:
其中,μG(z)是元素z的隶属度,νG(z)是元素z的非隶属度,μG(z)和νG(z)的值由毕达哥拉斯模糊层次分析法区间值量表所确定;z表示两个网络状态属性之间的相对重要程度值,Z表示两个网络状态属性之间的相对重要程度值的集合。
(2)计算元素z的不确定性程度πG(z):
(3)根据毕达哥拉斯模糊层次分析法区间值量表,构建业务流量类型的判决矩阵R=(rjk)n×n:
其中,rjk表示第j个属性和第k个属性之间的相对重要程度,1≤j,k≤n;
本实施例采用的毕达哥拉斯模糊层次分析法区间值量表,请见下表1:
表1
(4)计算隶属和非隶属函数上下界值之间的差分矩阵D=(djk)n×n,djk的取值范围为[djkL,djkU],且有:
其中,djkL表示差分矩阵D的下界值,μjkL表示隶属度下界值,vjkU表示非隶属度上界值,djkU表示差分矩阵D的上界值,μjkU表示隶属度上界值,vjkL表示非隶属度下界值;
(5)计算区间乘法矩阵S=(sjk)n×n,sjk的取值范围为[sjkL,sjkU],且有:
(6)计算rjk的确定值τ=(τjk)n×n;
(7)将确定值τ与矩阵S相乘,得到归一化前的权值矩阵T=(tjk)n×n;
(8)计算网络状态属性Fj的主观权重Wsub,j;
本实施例采用熵权法计算网络状态属性的客观权重Wobj,具体实现包括以下子步骤:
(1)利用归一化判决矩阵H′=(hij′)m×m计算网络状态属性Fj的熵值;
其中,Ej表示归一化判决矩阵H′第j列属性的熵值,
(2)计算网络状态属性Fj的客观权重Wobj,j,则有:
步骤4:基于博弈论权衡主观权重、客观权重,计算网络状态属性的综合权重W;
本实施例计算网络状态属性Fj的综合权重Wj;
Wj=a1·Wsub,j+a2·Wobj,j (18)
其中,a1和a2分别是网络状态属性Fj主观权重Wsub,j和客观权重Wobj,j的系数。
本实施例基于博弈论最小化综合权重与主观权重、客观权重之间的偏差,可以得到最优的综合权值向量;
本实施例优化后的系数为:
基于矩阵的微分性质,结合毕达哥拉斯模糊层次分析法和熵权法计算得到的网络状态属性主观权重、客观权重,得到具有相同解的式(20);
计算出组合系数集{a1,a2},并进行归一化处理:
最后,将和/>代入式(18),获得网络状态属性Fj的综合权重Wj:
步骤5:计算候选网络的综合效用值C;
本实施例基于马尔科夫计算候选网络的综合效用值C,步骤5的具体实现包括以下子步骤:
步骤5.1:记网络状态空间集合为Q={Q1,Q2,…,Qm},且Qi=hi1hi2hij…hin。令L为车辆终端的服务时间,Ql为l时刻的网络状态,且对于任意随机整数l∈L和任意随机Ql∈Q,网络状态转移概率均符合p[Ql+1|Q1,Q2,…,Ql]=p[Ql+1|Ql],上述随机过程为马尔可夫过程;
步骤5.2:令决策时刻第i个网络处于状态x,车辆终端接入该网络后的状态转移为y的概率为p[y|x,i],则有:
其中,a(x,i)为第i个候选网络进行决策时处于状态x的效用值,hij(x)是第i个候选网络处于状态x的第j个状态属性值,1≤i≤m,1≤j≤n;Wj为网络状态属性Fj的综合权重;
步骤5.3:计算第i个候选网络的综合效用值Ci:
Ci=a(x,i)+∑y∈sp[y|x,i]a(y,i) (25)
其中,a(y,i)为车辆终端选择第i个候选网络切换后该网络处于状态y时的效用值。
步骤6:基于自适应跳跃机制选择并接入最大综合效用值网络;
本实施例中,步骤6的具体实现包括以下子步骤:
步骤6.1:引入负载平衡因子γ计算切换阈值T的值;
T=γTf (26)
其中,Tf为常数,loadt表示具有最大综合效用值的网络的负载,loadi表示第i个网络的负载。
步骤6.2:当前接入网络记为Naccess,具有最大综合效用值的网络记为Nmax;若Naccess=Nmax,则执行步骤6.3,否则执行步骤6.4;
步骤6.3:保持当前网络接入状态,跳过本次网络切换操作,本流程结束;
步骤6.4:当前接入网络的综合效用值记为Caccess,最大综合效用值记为Cmax;若(Caccess<Cmax)&&(Cmax-Caccess)>T,则执行步骤6.5,否则执行步骤6.3;
步骤6.5:进行网络切换操作,接入最大效用值网络Nmax,本流程结束。
为了验证本发明方法的性能,本实施例提供如下两种方法进行对比:
方法1:V2I-MHA,一种基于多属性决策的网络选择方法;
方法2:LBQoS-NSS,一种基于负载平衡与QoS的网络选择方法。
基于MATLAB进行对比实验,在不同的车流量情况下比较三种网络选择方法的平均切换次数。请见图3,为本发明实施例的方法与其他两种方法在不同车辆数量情况下的网络平均切换次数对比图,图3表明所提网络选择方法的平均切换次数明显低于其他两种算法,跟性能较好的V2I-MHA相比较,在车辆数量为120时平均切换次数减少了49.43%。
本发明通过博弈论找到主、客观赋权法的纳什均衡点,从而得到更优的网络状态属性综合权重,更加准确地评估网络性能,通过自适应跳跃方法,根据网络负载动态调整切换阈值,进行最优接入网络决策,不仅解决静态阈值灵活度低的问题,还有利于平衡网络负载。本发明有效减少平均切换次数,降低切换阻塞概率,从而提高网络资源利用率。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种基于博弈论和自适应跳跃的异构车载网络选择方法,用于由双向车道、多种类型网络的路侧单元和云服务器构成的交通环境中,交通环境中车辆之间以及车辆和路侧单元之间进行信息交互;
其特征在于,包括以下步骤:
步骤1:所述路侧单元实时监测和收集车辆信息和网络状态属性信息,并将车辆信息和网络状态属性信息上传给所述云服务器;
所述车辆信息包括车辆标识符、速度、位置和业务类型,其中业务类型包括语音对话、实时流媒体、网络交互和后台下载四种类型;
所述网络状态属性信息包括带宽、时延、时延抖动、丢包率和价格成本;
步骤2:所述云服务器利用网络状态属性信息构建初始化判决矩阵H,将判决矩阵H进行标准化和归一化处理;
所述云服务器利用网络状态属性信息构建初始化判决矩阵H,记候选网络集合N={N1,N2,…,Nm},每个网络状态属性集合F={F1,F2,…,Fn},m是候选网络数量,n是属性数量,初始化判决矩阵H为:
其中,hij是第i个候选网络的第j个状态属性值,1≤i≤m,1≤j≤n;
步骤3:计算网络状态属性的主观权重Wsub,计算网络状态属性的客观权重Wobj;
其中,采用毕达哥拉斯模糊层次分析法计算候选网络状态属性的主观权重Wsub,具体实现包括以下子步骤:
(1)定义毕达哥拉斯模糊集G:
其中,μG(z)是元素z的隶属度,νG(z)是元素z的非隶属度,μG(z)和νG(z)的值由毕达哥拉斯模糊层次分析法区间值量表所确定;z表示两个网络状态属性之间的相对重要程度值,Z表示两个网络状态属性之间的相对重要程度值的集合;
(2)计算元素z的不确定性程度πG(z):
(3)根据毕达哥拉斯模糊层次分析法区间值量表,构建业务流量类型的判决矩阵R=(rjk)n ×n:
其中,rjk表示第j个属性和第k个属性之间的相对重要程度,1≤j,k≤n;
(4)计算隶属和非隶属函数上下界值之间的差分矩阵D=(djk)n×n,djk的取值范围为[djkL,djkU],且有:
其中,djkL表示差分矩阵D的下界值,μjkL表示隶属度下界值,vjkU表示非隶属度上界值,djkU表示差分矩阵D的上界值,μjkU表示隶属度上界值,vjkL表示非隶属度下界值;
(5)计算区间乘法矩阵S=(sjk)n×n,sjk的取值范围为[sjkL,sjkU],且有:
(6)计算rjk的确定值τ=(τjk)n×n;
(7)将确定值τ与矩阵S相乘,得到归一化前的权值矩阵T=(tjk)n×n;
(8)计算网络状态属性Fj的主观权重Wsub,j;
采用熵权法计算网络状态属性的客观权重Wobj;具体实现包括以下子步骤:
(1)利用归一化判决矩阵H′=(ij′)m×n计算网络状态属性Fj的熵值;
其中,Ej表示归一化判决矩阵H′第j列属性的熵值,
(2)计算网络状态属性Fj的客观权重Wobj,j,则有:
步骤4:基于博弈论权衡主观权重、客观权重,计算网络状态属性的综合权重W;
其中计算网络状态属性Fj的综合权重Wj;
Wj=a1·Wsub,j+a2·Wobj,j (18)
其中,a1和a2分别是网络状态属性Fj主观权重Wsub,j和客观权重Wobj,j的系数;
基于博弈论最小化综合权重与主观权重、客观权重之间的偏差,得到最优的综合权值向量;
优化后的系数为:
基于矩阵的微分性质,结合毕达哥拉斯模糊层次分析法和熵权法计算得到的网络状态属性主观权重、客观权重,得到具有相同解的式(20);
计算出组合系数集{a1,a2},并进行归一化处理:
最后,将和/>代入式(18),获得网络状态属性Fj的综合权重Wj:
步骤5:计算候选网络的综合效用值C;
其中,基于马尔科夫计算候选网络的综合效用值C,具体实现包括以下子步骤:
步骤5.1:记网络状态空间集合为Q={Q1,Q2,…,Qm},且Qi=hi1hi2hij…hin;令L为车辆终端的服务时间,Ql为l时刻的网络状态,且对于任意随机整数l∈L和任意随机Ql∈Q,网络状态转移概率均符合p[Ql+1|Q1,Q2,…,Ql]=p[Ql+1|Ql],上述随机过程为马尔可夫过程;
步骤5.2:令决策时刻第i个网络处于状态x,车辆终端接入该网络后的状态转移为y的概率为p[y|x,i],则有:
其中,a(x,i)为第i个候选网络进行决策时处于状态x的效用值,hij(x)是第i个候选网络处于状态x的第j个状态属性值,1≤i≤m,1≤j≤n;Wj为网络状态属性Fj的综合权重;
步骤5.3:计算第i个候选网络的综合效用值Ci:
Ci=a(x,i)+∑y∈Sp[y|x,i]a(y,i) (24)
其中,a(y,i)为车辆终端选择第i个候选网络切换后该网络处于状态y时的效用值;
步骤6:基于自适应跳跃机制选择并接入最大综合效用值网络;
具体实现包括以下子步骤:
步骤6.1:引入负载平衡因子γ计算切换阈值T的值;
T=γTf (25)
其中,Tf为常数,loadt表示具有最大综合效用值的网络的负载,loadi表示第i个网络的负载;
步骤6.2:当前接入网络记为Naccess,具有最大综合效用值的网络记为Nmax;若Naccess=Nmax,则执行步骤6.3,否则执行步骤6.4;
步骤6.3:保持当前网络接入状态,跳过本次网络切换操作,本流程结束;
步骤6.4:当前接入网络的综合效用值记为Caccess,最大综合效用值记为Cmax;若(Caccess<Cmax)&&(Cmax-Caccess)>T,则执行步骤6.5,否则执行步骤6.3;
步骤6.5:进行网络切换操作,接入最大效用值网络Nmax,本流程结束。
2.根据权利要求1所述的基于博弈论和自适应跳跃的异构车载网络选择方法,其特征在于:步骤2中,对判决矩阵H采用min-max标准差法进行标准化;
对于带宽属性,则有:
对于延迟、延迟抖动、丢失率和价格成本属性,则有:
其中,min(hij)和max(hij)分别表示hij的最小值和最大值;
接着对标准化后的判决矩阵参数进行归一化处理,得到归一化判决矩阵H′=(ij′)m×n,且有:
3.一种基于博弈论和自适应跳跃的异构车载网络选择系统,用于由双向车道、多种类型网络的路侧单元和云服务器构成的交通环境中,交通环境中车辆之间以及车辆和路侧单元之间进行信息交互;
其特征在于,包括以下模块:
模块1,用于所述路侧单元实时监测和收集车辆信息和网络状态属性信息,并将车辆信息和网络状态属性信息上传给所述云服务器;
所述车辆信息包括车辆标识符、速度、位置和业务类型,其中业务类型包括语音对话、实时流媒体、网络交互和后台下载四种类型;
所述网络状态属性信息包括带宽、时延、时延抖动、丢包率和价格成本;
模块2,用于所述云服务器利用网络状态属性信息构建初始化判决矩阵H,将判决矩阵H进行标准化和归一化处理;
所述云服务器利用网络状态属性信息构建初始化判决矩阵H,记候选网络集合N={N1,N2,…,Nm},每个网络状态属性集合F={F1,F2,…,Fn},m是候选网络数量,n是属性数量,初始化判决矩阵H为:
其中,hij是第i个候选网络的第j个状态属性值,1≤i≤m,1≤j≤n;
模块3,用于计算网络状态属性的主观权重Wsub,计算网络状态属性的客观权重Wobj;
其中,采用毕达哥拉斯模糊层次分析法计算候选网络状态属性的主观权重Wsub,具体实现包括以下子步骤:
(1)定义毕达哥拉斯模糊集G:
其中,μG(z)是元素z的隶属度,νG(z)是元素z的非隶属度,μG(z)和νG(z)的值由毕达哥拉斯模糊层次分析法区间值量表所确定;z表示两个网络状态属性之间的相对重要程度值,Z表示两个网络状态属性之间的相对重要程度值的集合;
(2)计算元素z的不确定性程度πG(z):
(3)根据毕达哥拉斯模糊层次分析法区间值量表,构建业务流量类型的判决矩阵R=(rjk)n×n:
其中,rjk表示第j个属性和第k个属性之间的相对重要程度,1≤j,k≤n;
(4)计算隶属和非隶属函数上下界值之间的差分矩阵D=(djk)n×n,djk的取值范围为[djkL,djkU],且有:
其中,djkL表示差分矩阵D的下界值,μjkL表示隶属度下界值,vjkU表示非隶属度上界值,djkU表示差分矩阵D的上界值,μjkU表示隶属度上界值,vjkL表示非隶属度下界值;
(5)计算区间乘法矩阵S=(sjk)n×n,sjk的取值范围为[sjkL,sjkU],且有:
(6)计算rjk的确定值τ=(τjk)n×n;
(7)将确定值τ与矩阵S相乘,得到归一化前的权值矩阵T=(tjk)n×n;
(8)计算网络状态属性Fj的主观权重Wsub,j;
采用熵权法计算网络状态属性的客观权重Wobj;具体实现包括以下子步骤:
(1)利用归一化判决矩阵H′=(ij′)m×n计算网络状态属性Fj的熵值;
其中,Ej表示归一化判决矩阵H′第j列属性的熵值,
(2)计算网络状态属性Fj的客观权重Wobj,j,则有:
模块4,用于基于博弈论权衡主观权重、客观权重,计算网络状态属性的综合权重W;
其中计算网络状态属性Fj的综合权重Wj;
Wj=a1·Wsub,j+a2·Wobj,j (18)
其中,a1和a2分别是网络状态属性Fj主观权重Wsub,j和客观权重Wobj,j的系数;
基于博弈论最小化综合权重与主观权重、客观权重之间的偏差,得到最优的综合权值向量;
优化后的系数为:
基于矩阵的微分性质,结合毕达哥拉斯模糊层次分析法和熵权法计算得到的网络状态属性主观权重、客观权重,得到具有相同解的式(20);
计算出组合系数集{a1,a2},并进行归一化处理:
最后,将和/>代入式(18),获得网络状态属性Fj的综合权重Wj:
模块5,用于计算候选网络的综合效用值C;
其中,基于马尔科夫计算候选网络的综合效用值C,具体包括以下子模块:
模块5.1,用于记网络状态空间集合为Q={Q1,Q2,…,Qm},且Qi=hi1hi2hij…hin;令L为车辆终端的服务时间,Ql为l时刻的网络状态,且对于任意随机整数L∈L和任意随机Ql∈Q,网络状态转移概率均符合p[Ql+1|Q1,Q2,…,Ql]=p[Ql+1|Ql],上述随机过程为马尔可夫过程;
模块5.2,用于令决策时刻第i个网络处于状态x,车辆终端接入该网络后的状态转移为y的概率为p[y|x,i],则有:
其中,a(x,i)为第i个候选网络进行决策时处于状态x的效用值,hij(x)是第i个候选网络处于状态x的第j个状态属性值,1≤i≤m,1≤j≤n;Wj为网络状态属性Fj的综合权重;
模块5.3,用于计算第i个候选网络的综合效用值Ci:
Ci=a(x,i)+∑y∈Sp[y|x,i]a(y,i) (24)
其中,a(y,i)为车辆终端选择第i个候选网络切换后该网络处于状态y时的效用值;
模块6,用于基于自适应跳跃机制选择并接入最大综合效用值网络;
具体包括以下子模块:
模块6.1,用于引入负载平衡因子γ计算切换阈值T的值;
T=γTf (25)
其中,Tf为常数,loadt表示具有最大综合效用值的网络的负载,loadi表示第i个网络的负载;
模块6.2,用于当前接入网络记为Naccess,具有最大综合效用值的网络记为Nmax;若Naccess=Nmax,则执行模块6.3,否则执行模块6.4;
模块6.3,用于保持当前网络接入状态,跳过本次网络切换操作,本流程结束;
模块6.4,用于当前接入网络的综合效用值记为Caccess,最大综合效用值记为Cmax;若(Caccess<Cmax)&&(Cmax-Caccess)>T,则执行模块6.5,否则执行模块6.3;
模块6.5,用于进行网络切换操作,接入最大效用值网络Nmax,本流程结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919836.6A CN115515198B (zh) | 2022-08-01 | 2022-08-01 | 基于博弈论和自适应跳跃的异构车载网络选择方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919836.6A CN115515198B (zh) | 2022-08-01 | 2022-08-01 | 基于博弈论和自适应跳跃的异构车载网络选择方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115515198A CN115515198A (zh) | 2022-12-23 |
CN115515198B true CN115515198B (zh) | 2024-04-16 |
Family
ID=84501701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210919836.6A Active CN115515198B (zh) | 2022-08-01 | 2022-08-01 | 基于博弈论和自适应跳跃的异构车载网络选择方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115515198B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006029297A2 (en) * | 2004-09-10 | 2006-03-16 | Hoftberg Steven | Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference |
WO2020029411A1 (zh) * | 2018-08-10 | 2020-02-13 | 北京邮电大学 | 一种异构网络的切换方法及装置 |
CN111510879A (zh) * | 2020-04-20 | 2020-08-07 | 武汉科技大学 | 基于多约束效用函数的异构车联网网络选择方法及系统 |
CN114025331A (zh) * | 2021-10-20 | 2022-02-08 | 武汉科技大学 | 基于异构网络的交通系统及异构网络环境下网络选择方法 |
CN114521024A (zh) * | 2022-02-23 | 2022-05-20 | 江南大学 | 无线网络中多用户信道的认知分配方法 |
-
2022
- 2022-08-01 CN CN202210919836.6A patent/CN115515198B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006029297A2 (en) * | 2004-09-10 | 2006-03-16 | Hoftberg Steven | Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference |
WO2020029411A1 (zh) * | 2018-08-10 | 2020-02-13 | 北京邮电大学 | 一种异构网络的切换方法及装置 |
CN111510879A (zh) * | 2020-04-20 | 2020-08-07 | 武汉科技大学 | 基于多约束效用函数的异构车联网网络选择方法及系统 |
CN114025331A (zh) * | 2021-10-20 | 2022-02-08 | 武汉科技大学 | 基于异构网络的交通系统及异构网络环境下网络选择方法 |
CN114521024A (zh) * | 2022-02-23 | 2022-05-20 | 江南大学 | 无线网络中多用户信道的认知分配方法 |
Non-Patent Citations (4)
Title |
---|
5G技术背景下通信客户服务模式研究;杨斌;王琳;;山东社会科学;20200205(02);全文 * |
An improved multi-attribute decision-making based network selection algorithm for heterogeneous vehicular network;Lei Nie et al.;FCS;20211020;全文 * |
一种小型动态迭代分区紧急消息广播方法;聂雷等;小型微型计算机系统;20190809;全文 * |
车辆异构网络中预测垂直切换算法;马彬;谢显中;廖晓峰;;电子与信息学报;20150415(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115515198A (zh) | 2022-12-23 |
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 | |
CN109191896B (zh) | 个性化停车位推荐方法和系统 | |
CN111385734B (zh) | 一种车联网内容缓存决策优化方法 | |
Jiang et al. | Resource allocation of video streaming over vehicular networks: A survey, some research issues and challenges | |
Song et al. | QoE-driven edge caching in vehicle networks based on deep reinforcement learning | |
CN111510879B (zh) | 基于多约束效用函数的异构车联网网络选择方法及系统 | |
CN111711666B (zh) | 一种基于强化学习的车联网云计算资源优化方法 | |
CN106102099B (zh) | 一种基于驻留时间的异构车联网切换方法 | |
CN115209426B (zh) | 一种边缘车联网内数字孪生服务器动态部署方法 | |
CN108769926B (zh) | 基于群体感知层的车联网隐私保护方法及车联网构架 | |
CN114973673B (zh) | 车路协同系统中结合noma和内容缓存的任务卸载方法 | |
CN116782296A (zh) | 一种基于数字孪生的车联网边缘计算卸载多目标决策方法 | |
CN113676513A (zh) | 一种深度强化学习驱动的网内缓存优化方法 | |
CN114025331B (zh) | 基于异构网络的交通系统及异构网络环境下网络选择方法 | |
CN115515198B (zh) | 基于博弈论和自适应跳跃的异构车载网络选择方法及系统 | |
CN113918829A (zh) | 一种雾计算网络中基于联邦学习的内容缓存和推荐方法 | |
Shinkuma et al. | Data assessment and prioritization in mobile networks for real-time prediction of spatial information using machine learning | |
Desogus et al. | Remiot: Reputation-based network selection in multimedia iot | |
CN112867092A (zh) | 一种面向移动边缘计算网络的数据智能路由方法 | |
CN117580063A (zh) | 一种车联网络中多维资源协同管理方法 | |
CN106535226A (zh) | 一种基于协同学理论的多网络协同选择和聚合方法 | |
CN116321351A (zh) | 基于区域路由算法的车联网优化方法、系统和车辆 | |
CN114900870A (zh) | 一种基于车辆聚类的缓存内容更新算法 | |
CN114979145A (zh) | 一种车联网中集成感知、通信与缓存的内容分发方法 | |
CN113992560A (zh) | 一种活跃度感知的社交车辆分簇方法、装置及计算机设备 |
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 |