CN117202242B - 一种基于粒子滤波模型的车联网中节点失效检测方法 - Google Patents
一种基于粒子滤波模型的车联网中节点失效检测方法 Download PDFInfo
- Publication number
- CN117202242B CN117202242B CN202311477207.3A CN202311477207A CN117202242B CN 117202242 B CN117202242 B CN 117202242B CN 202311477207 A CN202311477207 A CN 202311477207A CN 117202242 B CN117202242 B CN 117202242B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- internet
- node
- heartbeat message
- vehicles
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Abstract
本发明公开了一种基于粒子滤波模型的车联网中节点失效检测方法,用于检测车联网中车辆节点是否失效,包括:步骤S1、车辆周期性地广播心跳消息;步骤S2、判断路侧单元是否收到心跳消息,若是,则进行步骤S3,若否,则判定发生失效;步骤S3、从心跳消息中提取信息,通过粒子滤波模型预测车辆下一时刻位置;步骤S4、根据预测的位置计算未来心跳消息到达时间;步骤S5、判断路侧单元是否接收到新的心跳消息,若是,则进行步骤S6,若否,则判定发生失效;步骤S6、判定心跳消息到达时间是否超时,若是,则判定发生失效,若否,则判定未发生失效。在车辆高速移动造成系统拓扑快速变化的同时仍能具有高的检测准确性与实时性,且具有良好地可扩展性。
Description
技术领域
本发明涉及失效检测技术领域,尤其涉及一种基于粒子滤波模型的车联网中节点失效检测方法。
背景技术
车联网(Vehicular Ad Hoc Networks,VANETs)被认为是移动自组织网络(MobileAd Hoc Networks,MANETs)一种子类,它具有动态的、无结构的、自组织、异步以及分布式的特点。随着网络技术的发展,车联网的服务能力也与日俱增,通过车辆与路侧单元的全面连接以及充分的信息流通,越来越多的基于车联网的新型应用涌现出来。因此,车联网正常运行的前提是车辆与路侧单元的可靠、稳定运行。但是由于车联网中大规模的车辆不可避免的会发生软件、硬件的故障,致使它们无法保证随时随地的可靠运行。对于基于车联网的应用而言,其通常运行在多台车辆及路侧单元之上,如果无法弄清这些设备的运行状况,将严重影响应用的可用性。综上所述,及时、准确地掌握车辆的实时运行状况,是车联网中应用可靠运行的保障。而失效检测技术能够及时发现系统中节点存在的故障,可以保障车联网中应用的高可靠运行。
失效检测技术作为高可用分布式系统的基础服务之一,能够通过周期性地发送心跳消息监测系统中各组成部分的状态,可以及时、准确地发现系统中发生故障的部分,以便为后续系统中的路由恢复及更新、数据传输、任务调度、负载均衡提供有力的支持。对于车联网而言,失效检测能够及时发现系统中发生失效的车辆,确保基于车联网的应用可以在可靠的设备之上运行,从而保障应用的高可用性。由此可知,失效检测可以作为保障车联网高可用的基础服务。目前,针对大规模分布式系统的失效检测方法主要包括自适应失效检测和共享失效检测。其中,自适应失效检测需要对网络环境的变化做前提假设,现有的概率假设方法无法满足对车联网多变环境的描述;而共享失效检测需要系统具有特殊的拓扑结构,而车联网中高速移动侧车辆,造成拓扑结构变化频繁,难以使用现有的共享失效检测机制进行检测。
基于上述技术问题,本申请人提出一种基于粒子滤波模型的车联网中节点失效检测方法。
发明内容
本发明的目的是提供一种基于粒子滤波模型的车联网中节点失效检测方法,以解决背景技术中提到的技术问题,本发明的目的是通过以下技术方案实现的:
一种基于粒子滤波模型的车联网中节点失效检测方法,用于检测车联网中车辆节点是否失效,包括以下步骤:
步骤S1、车辆周期性地广播心跳消息;
步骤S2、判断路侧单元是否收到心跳消息,若是,则进行步骤S3,若否,则判定车联网节点发生失效;
步骤S3、从心跳消息中提取车辆的位置信息、速度信息和方向信息,通过粒子滤波模型预测车辆下一时刻位置;
步骤S4、根据步骤S3预测的位置信息计算未来心跳消息到达时间;
步骤S5、判断路侧单元是否接收到新的心跳消息,若是,则进行步骤S6,若否,则判定车联网节点发生失效;
步骤S6、根据失效检测模型判定心跳消息到达时间是否超过超时值,若是,则判定车联网节点发生失效,若否,则判定车联网节点未发生失效。
进一步地,步骤S31、在整个区域随机散布粒子集中的所有粒子/>;
步骤S32、让所有粒子与车辆在相同的控制模型下做运动;
步骤S33、用一个独立于控制模型的观测值去计算所有粒子的权重值/>;
步骤S34、将所有粒子的坐标和权重值进行加权平均运算,得出车辆位置的后验估计;
步骤S35、对所有粒子按照权重值大小进行随机重采样,重采样的粒子总数保持不变;
步骤S36、将所有粒子权重调整为相同;
步骤S37、循环步骤S32-步骤S36。
进一步地,步骤S6中所述车辆节点失效模型为fail-stop模型。
进一步地,车辆节点之间的通信链路为fair-lossy链路。
本申请实施例提供的技术方案,至少具有如下技术效果或优点:
1、本申请通过车联网中车辆位置的预测实现车辆节点的失效检测,能够处理车辆快速移动对车辆节点失效检测准确性的影响。
2、提出一种以粒子滤波模型为基础对车联网中的车辆动态行为进行预测的方法,并且可以根据车辆的预测位置计算车辆与路侧单元之间心跳消息的交互时间,实现车辆节点及时、准确的失效检测。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本申请实施例工作原理图;
图2为本申请实施例失效检测方法流程图;
图3为本申请实施例粒子滤波模型预测车辆位置流程图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图和具体实施方式对上述技术方案进行详细的说明,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-3所示的一种基于粒子滤波模型的车联网中节点失效检测方法,用于检测车联网中车辆节点是否失效,该方法在路侧单元中部署失效检测模块,当车辆节点进入网络后会周期性地发送心跳消息,心跳消息包含车辆的位置信息,速度信息,方向信息等,失效检测模块根据收到的心跳消息所包含的内容对车辆的未来位置进行预测,从而实现对未来心跳消息到达时间的预测,从而实现车辆的失效检测,包括以下步骤:
步骤S1、车辆周期性地广播心跳消息;
首先,车辆节点以固定周期广播发送心跳消息,覆盖车辆节点的路侧单元会接收到这些心跳消息以便进行车辆节点状态的判断。
失效节点的消息传播机制为广播模型。在车联网中,系统中各个节点需要尽快知道某失效节点的信息,以便快速的处理数据恢复、迁移和启动备用节点的工作。采用广播模型实现消息传播,当有失效检测模块发现失效节点的时候,会立即广播到周围邻居节点,由于只有发现失效节点才会广播消息,所以并不会占用过多网络负载。
节点之间的通信链路为fair-lossy链路,即消息不可以被复制或修改,也不可以凭空产生,即节点之间的通信不存在拜占庭故障的可能。
步骤S2、判断路侧单元是否收到心跳消息,若是,则进行步骤S3,若否,则判定车联网节点发生失效,从邻居列表中删除此车辆节点信息;
步骤S3、从心跳消息中提取车辆的位置信息、速度信息和方向信息,通过粒子滤波模型预测车辆下一时刻位置;
通过对已接收到的最近心跳消息的信息提取,利用其中的车辆位置信息(分别用经纬度坐标x,y表示),速度信息(分别用,/>表示),以及方向信息,作为粒子滤波模型的输入,从而预测出下一时刻车辆所处位置、速度以及方向。
粒子滤波算法源于蒙特卡洛原理,是贝叶斯滤波的非参数化实现。它通过大量随机分布的粒子来代表每一台车辆位置的可能假设,在车辆的运动满足马尔科夫假设的前提下,通过对粒子的权重值的迭代计算来代替概率密度函数的推演计算,并由此来得到车辆所在位置的估计结果。
粒子滤波器的工作原理:用一个粒子数量为m的粒子集来近似后验置信度,在理想情况下,假设粒子集/>所代表的状态与贝叶斯滤波的后验/>成正比,即满足:
式中,x为预测位置,z为独立测量结果,u为车辆的运动控制模型。
从理想的情况分析,状态空间的某个子区域被填充得越密集,车辆的真实状态落入该区域的可能性越大。但只有当m趋近于无穷大时才能满足,因为只有这样才能保证粒子的覆盖区域无遗漏。在实际中,通过产生大量的粒子来近似模拟这种情况。
尽管每个粒子可能服从于某种类型的分布,但是由于粒子数量足够多,分布无序,因此粒子群在整体上并不呈现明显的分布特征,所以粒子滤波可以处理各种类型的概率分布函数。也就是说粒子滤波算法能够适用于各种应用场合,可以应用于任何类型的车辆上。
本申请实施例采用重采样(SIR)算法,具体包括以下步骤:
步骤S31、在整个区域随机散布粒子集中的所有粒子/>;
步骤S32、让所有粒子与车辆在相同的控制模型下做运动;
车辆在k时刻的状态向量可表示为,其中x和y表示车辆的横纵坐标,/>表示车辆方位角度。那么它的概率密度函数(PDF)可通过一组M个粒子的集合(j=1.....M)进行表示,其中/>为每个粒子的权重值,通常需要进行归一化处理/>。因此,车辆在k+1时刻的状态向量的估计值可由以下公式计算:
那么每个粒子的状态向量能够计算通过以下等式:
其中,运动模型的输入向量可以通过以下等式进行计算:
其中,和/>分别表示在k时刻车辆的位移以及方位角度,可以通过车辆传感器获取。
对于任意一粒子j,可通过以下等式计算状态向量的预测值:
其中,
步骤S33、用一个独立于控制模型的观测值去计算所有粒子的权重值/>;
根据车辆GPS所提供的位置信息,以及实际观测值/>与GPS位置信息之间的偏差/>,可计算两者之间的差值为:
可以根据来自车辆GPS数据的似然函数计算粒子的权重值,如下式所示:
其中,/>。
步骤S34、将所有粒子的坐标和权重值进行加权平均运算,得出车辆位置的后验估计;
步骤S35、对所有粒子按照权重值大小进行随机重采样,重采样的粒子总数保持不变;
考虑到粒子过滤模型中粒子在多次迭代后退化问题,造成许多粒子离真实位置太远,对于模型的更新作用不大。我们通过粒子权重去计算阈值的方法,衡量粒子的可用性。其中,阈值/>的计算方法如下:
如果此阈值变得太小,则对粒子集进行重新采样,消除低权重的粒子,并随机复制高权重的粒子。
步骤S36、将所有粒子权重调整为相同;
步骤S37、循环步骤S32-步骤S36。
步骤S4、根据步骤S3预测的位置信息计算未来心跳消息到达时间;
根据步骤S3预测得到的信息,可以计算车辆在下一时刻发送的心跳消息达到路侧单元的时间。
首先,通过欧几里得法计算下一时刻车辆与路侧单元之间的距离:
其中,代表通过粒子滤波模型得到的车辆下一时刻所在位置的横纵坐标值,代表路侧单元的所在位置的横纵坐标值。
然后,根据车辆所发送心跳消息在环境中所传播的速度,可计算车辆发出的心跳消息到达路侧单元所需的时间/>为
最后,可以根据心跳消息的传播时间计算未来心跳消息的到达时间/>
其中,代表上一心跳消息到达时间。
步骤S5、判断路侧单元是否接收到新的心跳消息,若是,则进行步骤S6,若否,则判定车联网节点发生失效;
步骤S6、根据失效检测模型判定心跳消息到达时间是否超过超时值,若是,则判定车联网节点发生失效,若否,则判定车联网节点未发生失效:
根据车辆发送心跳消息的时间间隔,以及安全边界SM计算超时值。
其中,安全边界SM是为了改善失效检测的准确性,其计算方法为:
其中,为调整参数。
如果,那么认为车联网节点正常,未发生失效故障。
如果,那么认为车联网节点发生失效,路侧单元将车辆节点加入怀疑列表。
其中,车辆节点失效模型为fail-stop模型,若进程失败则如同宕机,不再处理任何消息,因而不会产生错误消息。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
1、本申请通过车联网中车辆位置的预测实现车辆节点的失效检测,能够处理车辆快速移动对车辆节点失效检测准确性的影响。
2、提出一种以粒子滤波模型为基础对车联网中的车辆动态行为进行预测的方法,并且可以根据车辆的预测位置计算车辆与路侧单元之间心跳消息的交互时间,实现车辆节点及时、准确的失效检测。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于粒子滤波模型的车联网中节点失效检测方法,用于检测车联网中车辆节点是否失效,其特征在于,包括以下步骤:
步骤S1、车辆周期性地广播心跳消息;
步骤S2、判断路侧单元是否收到心跳消息,若是,则进行步骤S3,若否,则判定车联网节点发生失效;
步骤S3、从心跳消息中提取车辆的位置信息、速度信息和方向信息,通过粒子滤波模型预测车辆下一时刻位置;
步骤S4、根据步骤S3预测的位置信息计算未来心跳消息到达时间;
步骤S5、判断路侧单元是否接收到新的心跳消息,若是,则进行步骤S6,若否,则判定车联网节点发生失效;
步骤S6、根据失效检测模型判定心跳消息到达时间是否超过超时值,若是,则判定车联网节点发生失效,若否,则判定车联网节点未发生失效;
其中,步骤S6中所述失效检测模型为fail-stop模型。
2.根据权利要求1所述的一种基于粒子滤波模型的车联网中节点失效检测方法,其特征在于,步骤S3具体包括以下步骤:
步骤S31、在整个区域随机散布粒子集Xt中的所有粒子x0[m];
步骤S32、让所有粒子与车辆在相同的控制模型ut下做运动;
步骤S33、用一个独立于控制模型的观测值zt去计算所有粒子的权重值ωt[m];
步骤S34、将所有粒子的坐标和权重值进行加权平均运算,得出车辆位置的后验估计;
步骤S35、对所有粒子按照权重值大小进行随机重采样,重采样的粒子总数保持不变;
步骤S36、将所有粒子权重调整为相同;
步骤S37、循环步骤S32-步骤S36。
3.根据权利要求1所述的一种基于粒子滤波模型的车联网中节点失效检测方法,其特征在于,车辆节点之间的通信链路为fair-lossy链路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477207.3A CN117202242B (zh) | 2023-11-08 | 2023-11-08 | 一种基于粒子滤波模型的车联网中节点失效检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477207.3A CN117202242B (zh) | 2023-11-08 | 2023-11-08 | 一种基于粒子滤波模型的车联网中节点失效检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117202242A CN117202242A (zh) | 2023-12-08 |
CN117202242B true CN117202242B (zh) | 2024-02-06 |
Family
ID=88998289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311477207.3A Active CN117202242B (zh) | 2023-11-08 | 2023-11-08 | 一种基于粒子滤波模型的车联网中节点失效检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117202242B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104754592A (zh) * | 2013-12-31 | 2015-07-01 | 北京大唐高鸿软件技术有限公司 | 一种适用于城市道路环境的车载短距离通信网络分簇方法 |
CN106211339A (zh) * | 2016-07-18 | 2016-12-07 | 中国科学院计算技术研究所 | 车联网系统中的资源分配的方法及设备 |
CN107302576A (zh) * | 2017-06-19 | 2017-10-27 | 长安大学 | 车联网环境下基于机会通信的自适应服务数据分发方法 |
CN108269395A (zh) * | 2016-12-30 | 2018-07-10 | 大唐高鸿信息通信研究院(义乌)有限公司 | 适用于车载短距离通信网络交通拥塞预测和处理方法 |
CN108388947A (zh) * | 2018-02-06 | 2018-08-10 | 大唐高鸿信息通信研究院(义乌)有限公司 | 适用于车载短距离通信网安全预警的改进机器学习方法 |
CN108650656A (zh) * | 2018-06-25 | 2018-10-12 | 电子科技大学 | 一种基于交叉路口的分布式城市车联网路由方法 |
CN109062539A (zh) * | 2017-10-30 | 2018-12-21 | 上海寒武纪信息科技有限公司 | 人工智能处理器及使用处理器执行向量乘加指令的方法 |
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 |
CN111526496A (zh) * | 2020-05-12 | 2020-08-11 | 北京踏歌智行科技有限公司 | 一种基于集团式指挥调度的c-v2x通信异常检测方法 |
EP3695783A1 (en) * | 2019-02-15 | 2020-08-19 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
CN112188442A (zh) * | 2020-11-16 | 2021-01-05 | 西南交通大学 | 基于移动边缘计算的车联网数据驱动任务卸载系统和方法 |
CN116170749A (zh) * | 2022-12-12 | 2023-05-26 | 重庆邮电大学 | 一种基于车路协同的融合感知定位系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7848278B2 (en) * | 2006-10-23 | 2010-12-07 | Telcordia Technologies, Inc. | Roadside network unit and method of organizing, managing and maintaining local network using local peer groups as network groups |
-
2023
- 2023-11-08 CN CN202311477207.3A patent/CN117202242B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104754592A (zh) * | 2013-12-31 | 2015-07-01 | 北京大唐高鸿软件技术有限公司 | 一种适用于城市道路环境的车载短距离通信网络分簇方法 |
CN106211339A (zh) * | 2016-07-18 | 2016-12-07 | 中国科学院计算技术研究所 | 车联网系统中的资源分配的方法及设备 |
CN108269395A (zh) * | 2016-12-30 | 2018-07-10 | 大唐高鸿信息通信研究院(义乌)有限公司 | 适用于车载短距离通信网络交通拥塞预测和处理方法 |
CN107302576A (zh) * | 2017-06-19 | 2017-10-27 | 长安大学 | 车联网环境下基于机会通信的自适应服务数据分发方法 |
CN109062539A (zh) * | 2017-10-30 | 2018-12-21 | 上海寒武纪信息科技有限公司 | 人工智能处理器及使用处理器执行向量乘加指令的方法 |
CN108388947A (zh) * | 2018-02-06 | 2018-08-10 | 大唐高鸿信息通信研究院(义乌)有限公司 | 适用于车载短距离通信网安全预警的改进机器学习方法 |
CN108650656A (zh) * | 2018-06-25 | 2018-10-12 | 电子科技大学 | 一种基于交叉路口的分布式城市车联网路由方法 |
EP3695783A1 (en) * | 2019-02-15 | 2020-08-19 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
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 |
CN111526496A (zh) * | 2020-05-12 | 2020-08-11 | 北京踏歌智行科技有限公司 | 一种基于集团式指挥调度的c-v2x通信异常检测方法 |
CN112188442A (zh) * | 2020-11-16 | 2021-01-05 | 西南交通大学 | 基于移动边缘计算的车联网数据驱动任务卸载系统和方法 |
CN116170749A (zh) * | 2022-12-12 | 2023-05-26 | 重庆邮电大学 | 一种基于车路协同的融合感知定位系统 |
Non-Patent Citations (3)
Title |
---|
Hang Yu ; Zhiqiang He ; Kai Niu."STDMA for vehicle-to-vehicle communication in a highway scenario".《2013 5th IEEE International Symposium on Microwave, Antenna, Propagation and EMC Technologies for Wireless Communications》.2013,全文. * |
一种车辆云计算中共享失效检测器;刘家希;董剑;吴智博;吴晋;温东新;赵耀;;哈尔滨工业大学学报(第05期);全文 * |
车联网认证机制和信任模型;刘宴兵;宋秀丽;肖永刚;;北京邮电大学学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117202242A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Uav-assisted task offloading for iot in smart buildings and environment via deep reinforcement learning | |
Wang et al. | Mobile edge-enabled trust evaluation for the Internet of Things | |
Singh et al. | Optimized Node Clustering based on Received Signal Strength with Particle Ordered-filter Routing Used in VANET. | |
JPWO2012117549A1 (ja) | 障害解析装置、そのシステム、およびその方法 | |
Collotta et al. | A fuzzy data fusion solution to enhance the QoS and the energy consumption in wireless sensor networks | |
CN117202242B (zh) | 一种基于粒子滤波模型的车联网中节点失效检测方法 | |
Li et al. | Layered fault management scheme for end-to-end transmission in internet of things | |
Sharshembiev et al. | Protocol misbehavior detection framework using machine learning classification in vehicular Ad Hoc networks | |
Selamnia et al. | Edge computing-enabled intrusion detection for c-v2x networks using federated learning | |
KR101112191B1 (ko) | 에이전트 기반 실시간 통행시간 산정장치 및 그 방법 | |
Dev et al. | Guest editorial special issue on green communication and networking for connected and autonomous vehicles | |
Naghash Asadi et al. | Evaluation of the functionality of mobile wireless sensor networks using stochastic reward nets | |
Faramondi et al. | Distributed c-means clustering via broadcast-only token passing | |
CN112399483B (zh) | 基于GNs图预测器的约束路由控制系统 | |
Robinson et al. | Enhanced Border and Hole Detection for Energy utilization in wireless sensor networks | |
Zaki et al. | A Review of Location Prediction Techniques in Mobile Ad Hoc Networks. | |
Srinidhi et al. | Establishing self-healing and seamless connectivity among IoT networks using Kalman Filter. | |
Anwar et al. | Prediction System For QoS Level of Network Infrastructure Using Naive Bayes Classifier | |
Nahar et al. | Sptframe: A framework for spatio-temporal information aware message dissemination in software defined vehicular networks | |
CN116566841B (zh) | 一种基于网络流量查询的流量趋势预测方法 | |
CN113783788B (zh) | 一种基于流量预测的网络优化系统及方法 | |
Abbes et al. | Reinforcement Learning-based Virtual Sensors Provision in Internet of Vehicles (IoV) | |
CN117768925A (zh) | 一种基于lstm的车联网节点失效检测方法及系统 | |
Zeng et al. | Deployment Optimization of Roadside Unit With Failure Probability Based on Stochastic Mixed Traffic Equilibrium | |
CN115242706B (zh) | 电力系统信息网络仿真平台的运行管理方法 |
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 |