Vehicular Cloud Computing: A cost-effective alternative to Edge Computing in 5G networks
本文首次系统研究车载云计算(VCC)能否替代边缘计算(EC)支持5G低延迟应用,通过SUMO和NS3 5G-LENA仿真表明VCC在大多数场景下可有效替代EC,仅在延迟低于16毫秒的极端情况下仍需EC。
2025-07-21 cs.NI
Cell-less Communications in 5G Vehicular Networks Based on Vehicle-Installed Access Points
智能交通系统的发展对现有的车载网络提出了更高的要求。例如,为了确保车辆之间的安全通信,车辆网络需要低延迟、高连接性和高数据率。为了满足这些要求,用于车辆网络的5G通信系统应该相应地改进。本文提出了一种5G车载网络的通信方案,在该方案中,移动接入点部署在车辆上,以方便车辆用户的访问。此外,相邻的车载移动接入点可以通过联合发送和接收与车辆用户协作通信。以这种方式,车辆用户以无小区方式与一个或多个未指定的协作接入点通信,而不是与单个接入点相关联。为了管理这种无小区网络,采用本地移动软件定义的云来执行传输和调度管理。仿真结果表明,该方案在显著降低时延的同时,提高了车联网的连通性,可作为5G车联网解决方案的一个研究方向。
2018-01-28 cs.NI
SD-VEC: Software-Defined Vehicular Edge Computing with Ultra-Low Latency
车辆服务的新范式转变和6G技术革命已经出现,转向无人驾驶,自动运输和自动驾驶车辆。随着自动驾驶汽车技术的成熟,真正的挑战来自于可靠、安全、实时的互联交通运营,以实现与大规模互联和自动驾驶汽车的无处不在和及时的信息交换。本文旨在介绍新型无线分布式架构,该架构将边缘计算能力嵌入软件定义的车辆网络基础设施中。这种边缘网络由开环免授权通信和基于计算的控制框架组成,可以实现具有超低延迟和移动数据驱动编排的动态生态路由。因此,这项工作推进了机器学习潜力和下一代移动系统实现在车联网应用的前沿。
2021-03-26 cs.DC cs.NI cs.SY
Reinforcement Learning for Resource Allocation in Vehicular Multi-Fog Computing
Jeju National University(济州国立大学)
针对车载多雾计算中动态车辆移动和波动负载导致的资源分配难题,本文将其建模为马尔可夫决策过程,应用Q-learning、DQN和Actor-Critic等强化学习算法实现自适应任务分配,有效降低了延迟并提升了负载平衡与任务成功率。
2025-10-31 cs.NI
A Deep Reinforcement Learning Approach for Service Migration in MEC-enabled Vehicular Networks
多路访问边缘计算(MEC)是降低车辆网络延迟的关键使能器。由于车辆的机动性,他们所要求的服务(例如,信息娱乐服务)应当频繁地跨不同的MEC服务器迁移,以保证它们严格的服务质量要求。在本文中,我们研究了在MEC使能的车辆网络中的服务迁移问题,以最大限度地减少总的服务延迟和迁移成本。这个问题被制定为一个非线性整数规划,并线性化,以帮助获得最佳的解决方案,使用现成的求解器。然后,为了获得有效的解决方案,将其建模为多智能体马尔可夫决策过程,并利用深度Q学习(DQL)算法进行求解。建议的DQL计划进行主动服务迁移,同时确保其连续性下的高流动性限制。最后,仿真结果表明,所提出的DQL方案达到接近最优的性能。
2022-01-27 cs.NI
Low-Latency High-Level Data Sharing for Connected and Autonomous Vehicular Networks
自动驾驶汽车可以将自己的数据与其他车辆的数据相结合,以增强其感知能力,从而提高检测精度和驾驶安全性。然而,由于车辆上的各种类型的传感器生成的数据量巨大,因此自动驾驶车辆之间的数据共享是一个具有挑战性的问题。在本文中,我们提出了一个低延迟,高层次(L3)数据共享协议连接和自主车辆网络。基于L3协议,单个车辆产生的传感结果将在有限的传感区域内同时广播。L3协议通过利用车辆之间发生的无线传输的捕获效应来减少联网延迟。根据提出的设计原则,我们在模拟环境中实现并测试了L3协议。仿真结果表明,L3协议能够实现自主车辆间可靠、快速的数据共享。
2019-12-02 cs.NI eess.SP
On-Dyn-CDA: A Real-Time Cost-Driven Task Offloading Algorithm for Vehicular Networks with Reduced Latency and Task Loss
针对车联网实时任务处理,提出成本驱动的在线动态卸载算法On-Dyn-CDA,在复杂场景下0.05秒完成执行,任务丢失降低3.42%,延迟减少29.22%,无需数据集和训练。
2025-09-07 cs.NI
Low-Latency and Fresh Content Provision in Information-Centric Vehicular Networks
本文从移动边缘缓存的角度研究了信息中心车辆网络(ICVNs)的内容服务提供问题,考虑了动态驾驶相关的上下文信息。为了提供最新的信息与低延迟,两个方案被设计用于高速缓存更新和内容交付在路边单元(RSU)。路边单元中心(RSUC)方案通过带宽分割来并行缓存更新和内容递送,其中缓存的内容项以循环方式定期更新。请求自适应(ReA)方案根据用户请求以一定概率更新缓存的内容项。这两种方案的性能进行了分析,从而得出的平均年龄的信息(AoI)和服务延迟的封闭形式。令人惊讶的是,AoI延迟权衡并不总是存在,频繁的缓存更新会降低这两种性能。因此,RSUC和ReA方案被进一步优化以平衡AoI和延迟。在SUMO和OMNeT++仿真器上进行了大量的仿真,结果表明,所提出的方案在保证内容新鲜度的同时,可以将服务延迟降低80%.
2020-05-09 cs.IT cs.NI math.IT
A Deep Learning Based Resource Allocation Scheme in Vehicular Communication Systems
在车辆通信中,小区内干扰和严格的延迟要求是具有挑战性的问题。针对混合车辆到车辆(V2V)和车辆到基础设施(V2I)通信,提出了一种联合频谱重用和功率分配问题。分别认识到V2I和V2V链路的高容量和低延迟要求,我们的目标是最大化容量和延迟要求的加权和。通过将原始问题分解为分类子问题和回归子问题,开发了基于卷积神经网络(CNN)的方法来获得关于频谱重用和功率分配的实时决策。数值结果进一步表明,所提出的CNN可以达到类似的性能穷举方法,而只需要其CPU运行时间的3.62%。
2019-03-10 cs.NI eess.SP
A Reliable and Efficient 5G Vehicular MEC: Guaranteed Task Completion with Minimal Latency
本文提出一种结合任务分区与调度算法的5G车载MEC方案,在保证零任务丢弃的同时最小化延迟,并对比了带宽分配策略。
2025-03-25 cs.NI
Latency and Resource Utilization Analysis for V2X Communication over LTE MBSFN Transmission
在本文中,我们研究了LTE多播广播单频网络(MBSFN)的性能。LTE-MBSFN被认为是用于车辆通信的最有前途的候选者之一,其可以增强车辆应用业务的可靠性。这是由于通过采用多媒体广播/多播服务(MBMS)将信息并行地多播(点对多点传输)到若干车辆来有效地支持车辆之间的消息交换的可能性而实现的。我们研究了两个度量来衡量MBMS/MBSFN传输与用于车辆通信的标准单播传输相比的性能:分组递送的延迟和由车辆流量引起的开销,即,网络利用率此外,我们提出了技术的预测系统的行为和探讨的影响,传输带宽和传输速率上提到的指标。
2015-10-22 cs.IT cs.NI math.IT
Meeting Deadlines in Motion: Deep RL for Real-Time Task Offloading in Vehicular Edge Networks
University of Ottawa(渥太华大学)
本文提出利用深度强化学习优化车载边缘网络中的实时任务卸载,通过实验验证DQN模型在减少任务执行时间和延迟方面的有效性。
2025-07-12 cs.NI
Energy Efficient Orchestration in Multiple-Access Vehicular Aerial-Terrestrial 6G Networks
Oulu University(奥卢大学);Ruhr University Bochum (RUB)(鲁尔大学波鸿分校);ICTFICIAL Oy(ICTFICIAL公司);Universitat Politècnica de València(瓦伦西亚理工大学)
本文提出一种新型框架,整合无人机轨迹规划、多接入控制和服务放置,以实现高效能服务覆盖和超低延迟通信,解决动态车载环境中的干扰、资源稀缺和移动性挑战。
2026-03-29 cs.NI
FoggyEdge: An Information Centric Computation Offloading and Management Framework for Edge-based Vehicular Fog Computing
本文提出基于命名数据网络和微服务的四层 FoggyEdge 框架,融合车辆雾计算与路侧边缘计算,以降低车联网服务时延和卸载传输成本,并通过 SUMO 实验验证其有效性。
2023-04-20 cs.NI
BEVCooper: Accurate and Communication-Efficient Bird's-Eye-View Perception in Vehicular Networks
Huazhong University of Science and Technology(华中科技大学);The Chinese University of Hong Kong(香港中文大学);The State Grid Hubei Electric Power Research Institute(国网湖北省电力有限公司电力科学研究院);Xidian University(西安电子科技大学)
BEVCooper通过协作感知框架提升车联网中鸟瞰图感知的准确性和通信效率,减少延迟并优化特征融合。
2025-12-22 cs.NI
Optimized Age of Information Tail for Ultra-Reliable Low-Latency Communications in Vehicular Networks
虽然最近提出了信息时代(AoI)的概念来分析超可靠低延迟通信(URLLC),但大多数现有的工作都集中在平均AoI测量上。基于平均AoI设计无线网络将无法表征URLLC系统的性能,因为它不能解释以非常低的概率发生的极端AoI事件。相比之下,本文超越了平均AoI,以改善URLLC在车载通信网络的特征和控制的AoI尾部分布。特别是,传输功率最小化问题进行了研究,严格的URLLC的约束条件下的概率AoI确定性和马尔可夫交通到达。因此,提出了一种有效的新的映射之间的AoI和与时间相关的分布。随后,极值理论(EVT)和李雅普诺夫优化技术制定和解决的问题,同时考虑长和短的数据包传输。仿真结果表明,在缩短AoI分布尾部方面,除了到达率和AoI之间的权衡之外,与模拟最大队列长度分布的基线相比,有了两倍的改进。
2019-12-17 cs.NI eess.SP
TULVCAN: Terahertz Ultra-broadband Learning Vehicular Channel-Aware Networking
由于频谱稀缺和不断增长的无线容量需求,出现了0.1- 10 THz的太赫兹(THz)通信和相应的频谱特性,以满足未来5G和6 G无线系统的各种服务需求。然而,传统的压缩感知技术重建原始宽带频谱与欠采样测量变得低效,因为本地频谱相关性被故意省略。最近的工作扩展了基于深度学习的算法的通信方法,但缺乏与THz信道特性的紧密联系。本文介绍了新的太赫兹信道感知频谱学习解决方案,充分揭示了太赫兹信道的独特性时,在车辆环境中执行这样的超宽带传感。具体而言,提出了一种联合设计的频谱压缩和重建,通过一个结构化的传感矩阵和两个阶段的重建的基础上高扩展损耗和分子吸收在太赫兹频率。一个端到端的学习框架,即压缩和重建网络(CRNet),进一步开发与均方误差损失函数,以提高传感精度,同时显着降低计算复杂性。数值结果表明,CRNet解决方案的性能优于最新的生成对抗网络(GAN)实现,具有更高的余弦和结构相似性度量,更小的学习错误,以及56%的训练开销。这种THz超宽带学习车辆感知网络(TULVCAN)工作成功地实现了有效的THz频谱学习,从而允许频率捷变接入。
2021-03-28 cs.NI
Ultra-Reliable and Low-Latency Vehicular Communication: An Active Learning Approach
University of Oulu(奥卢大学);Kyung Hee University(庆熙大学);Virginia Tech(弗吉尼亚理工学院暨州立大学)
在这封信中,提出了一种用于车载通信网络的信息时代(AoI)感知传输功率和资源块(RB)分配技术。由于车辆网络的高度动态性质,获得关于网络动态的先验知识,即,为了分配资源,无线信道和干扰是具有挑战性的。因此,为了有效地分配功率和RB,所提出的方法允许网络通过在最小化车辆的AoI超过预定义阈值的概率和最大化关于网络动态的知识之间进行平衡来主动学习其动态。在这方面,使用高斯过程回归(GPR)方法,提出了一种在线分散策略,以主动学习网络动态,估计车辆未来的AoI,并主动分配资源。仿真结果表明,与几个基线相比,AoI违规概率有了显着改善,至少减少了50%。
2019-11-27 cs.LG cs.NI stat.ML
Virtualization-based Evaluation of Backhaul Performance in Vehicular Applications
基于SDN和NFV的下一代网络预计将支持广泛的服务,包括车辆安全应用。这些服务具有严格的延迟限制,本文的目标是确定基于SDN/NFV的网络能够在多大程度上满足这些要求。为此,我们建立和模拟车辆碰撞检测系统,使用流行的Mininet和Docker工具,在现实世界的拓扑结构与移动信息。使用不同的核心网络拓扑和开源SDN控制器,我们测量(i)车辆信标处理的延迟以及(ii)相关的开销和能耗。我们发现,我们确实可以满足与车辆安全应用相关的延迟约束,SDN控制器对整体能耗的贡献不大,但却是额外延迟的重要来源。
2018-01-22 cs.NI
Deadline-Aware Multi-Agent Reinforcement Learning for TSN-Based Vehicular Edge Networks
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学);University of Ottawa(渥太华大学);University of Antwerp - imec(安特卫普大学-imec)
本文提出基于MAPPO的多智能体强化学习框架,用于TSN车载边缘网络的队列级调度,联合优化服务顺序与时隙,显著降低延迟并提高可靠性。
2026-10-08 cs.AI cs.NI
A Seamless Flow Mobility Management Architecture for Vehicular Communication Networks
车载自组织网络是一种自组织、自修复的网络,它在车载设备和路边设备之间提供无线通信。这种网络中的应用可以利用同时连接的使用,从而最大化吞吐量并降低延迟。为了充分利用车辆的所有无线接口,并为车辆应用提供良好的服务质量,提出了一种基于车辆网络应用类的无缝流移动性管理体系结构,并进行了基于网络的移动性管理。我们的目标是最大限度地减少流连接交换的时间,以符合车辆应用程序类的最低要求,以及最大限度地提高其吞吐量。NS3模拟进行了分析我们的架构的行为,通过比较它与其他三个场景。作为这项工作的结果,我们观察到,所提出的架构提出了一个低切换时间,具有较低的数据包丢失和较低的延迟。
2013-04-03 cs.NI
Experimental measurements of a joint 5G-VLC communication for future vehicular networks
5G网络的主要革命性特征之一是超低延迟,这将为未来的智能汽车提供新服务。5G技术将能够支持极低的延迟。得益于新技术和广泛灵活的架构,集成了新的频谱和接入技术。特别地,可见光通信(VLC)被设想为用于车辆通信的非常有前途的技术,因为信息可以通过使用灯(如交通灯和汽车灯)来流动。本文描述了联合使用5G和VLC网络为汽车提供实时信息的首批实验之一。应用范围从道路安全到紧急报警。
2020-06-29 cs.NI eess.SP
Global mibility and handover management for heterogeneous network in VANET
车载自组织网络是一种新兴的技术.移动性管理是车载自组织网络支持各种智能交通系统应用的最具挑战性的研究课题之一。车载Ad hoc网络对于车辆间通信越来越重要,因为它们允许车辆之间的通信,而无需任何基础设施、配置工作,并且没有蜂窝网络的高成本。除了本地数据交换,车辆应用程序可以用于访问互联网服务。访问由位于路边站点的互联网网关提供。然而,互联网集成需要车载自组织网络的相应移动性支持。在本文中,我们将研究在车载自组网的网络移动性的方法,该模型将描述车辆从一个网络到另一个网络的运动。提出的切换方案减少了切换延迟,分组丢失信令开销。
2013-10-18 cs.NI
Fuzzy Q-Learning-Based Opportunistic Communication for MEC-Enhanced Vehicular Crowdsensing
本文针对MEC增强车联网众包系统,提出一种结合Q-learning与模糊逻辑的机会通信卸载策略,在保证99%数据包时延达标的同时降低30-40%的4G通信成本。
2024-05-02 cs.NI
Joint Sensing, Communication, and Computation Resource Allocation for Cooperative Perception in Fog-Based Vehicular Networks
为了扩大自主车辆的感知范围和可靠性,协同感知受到了广泛的关注。然而,考虑到大量的共享消息,有限的带宽和计算资源在车辆网络成为瓶颈。在本文中,我们研究如何平衡共享消息和有限的资源在基于雾的车辆网络的体积。为此,我们首先考虑其时空价值和延迟性能的合作感知的总满意度的特征。然后,在满足车辆最大延迟和逗留时间约束的前提下,联合分配感知块消息、通信资源块和计算资源,以最大化协作感知的满意度和.由于其非凸性,我们将原问题解耦成两个独立的子问题,并设计相应的解决方案。仿真结果表明,与现有的基线相比,我们提出的方案可以有效地提高合作感知的总满意度。
2021-12-12 cs.NI eess.SP
Network Slicing for Vehicular Communication
超可靠的车联网(V2X)通信对于实现下一代智能车辆至关重要。V2X通信是一个不断增长的通信领域,它将车辆连接到相邻车辆(V2 V),基础设施(V2 I)和行人(V2 P)。网络切片是下一代设备连接的有前途的技术之一,在公共和可编程的物理基础设施上创建多个逻辑网络。网络切片提供了一种有效的方式,通过利用共享物理基础设施的好处来满足不同的用例需求。在这方面,我们提出了一种基于网络切片的车载网络通信解决方案。在这项工作中,我们模拟了一个高速公路的情况下,具有异构的交通需求的车辆。自动驾驶切片(安全信息)和信息娱乐切片(视频流)是在公共基础设施上创建的两个逻辑切片。我们制定了一个网络聚类和切片算法划分成不同的集群的车辆和分配切片领导人到每个集群。Slice leaders为其集群车辆提供高质量的V2 V链路,并以低延迟转发安全信息。另一方面,路边单元使用高质量的V2 I链路提供信息娱乐服务。一个广泛的长期演进高级(LTE-A)系统级仿真与蜂窝V2X(C-V2X)标准的增强被用来评估所提出的方法的性能,其中它表明,所提出的网络切片技术实现了低延迟和高可靠性的通信。
2019-05-23 cs.NI
Cross-layer scheme for low latency multiple description video streaming over Vehicular Ad-hoc NETworks (VANETs)
Univ. Polytechnique Hauts-de-France(上法兰西理工大学);CNRS(法国国家科学研究中心);Univ. Lille(里尔大学);YNCREA(法国北部高等电子、自动化与机械学院联盟);Centrale Lille(里尔中央理工学院);Badji Mokhtar University Annaba(巴吉·莫赫塔尔-安纳巴大学)
针对VANETs低延迟视频流传输中AI编码结构导致高码率的问题,提出一种基于多描述编码和IEEE 802.11p MAC层自适应映射机制的低复杂度跨层系统,显著提升了接收端的视频质量。
2023-11-05 cs.CV cs.MM cs.NI
Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line and Off-policy Bandit Solutions
University of Bologna(博洛尼亚大学);Lancaster University(兰卡斯特大学);University of Tübingen(蒂宾根大学);University of Manitoba(曼尼托巴大学)
随着智能交通系统(ITS)和车辆通信的快速发展,车辆边缘计算(VEC)正在成为支持低延迟ITS应用和服务的有前途的技术。在本文中,我们考虑的计算卸载问题,从移动车辆/用户在异构VEC的情况下,并专注于网络和基站的选择问题,不同的网络有不同的流量负载。在快速变化的车辆环境中,用户的计算卸载体验受到由于与基站共处的边缘计算服务器处的拥塞而引起的延迟的强烈影响。然而,由于这种环境的非平稳特性以及信息短缺,预测这种拥塞是一项复杂的任务。为了解决这一问题,我们提出了一个在线学习算法和一个基于多臂强盗理论的离策略学习算法。为了在分段静态环境中动态地选择最不拥塞的网络,这些算法使用卸载历史来预测卸载任务经历的延迟。此外,为了最大限度地减少由于车辆的移动性造成的任务损失,我们开发了一种用于基站选择的方法。此外,我们提出了一个中继机制,选定的网络,它的基础上的逗留时间的车辆。通过密集的数值分析,我们证明了所提出的基于学习的解决方案通过选择最不拥塞的网络来适应网络的流量变化,从而减少了卸载任务的延迟。此外,我们证明了建议的联合基站选择和中继机制,最大限度地减少在车辆环境中的任务损失。
2023-03-15 cs.LG cs.NI eess.SP
Wi-Fi Assist: Enhancing Vehicular Wi-Fi Connectivity with an Infrastructure-driven Approach
车辆通过蜂窝网络而不是Wi-Fi网络访问互联网。这种选择主要是由于蜂窝网络的无处不在的覆盖:过去,即使在城市地区,Wi-Fi覆盖也被证明是不足的。我们认为,通过Wi-Fi为车辆提供互联网连接值得重新审视。受近年来Wi-Fi网络覆盖范围改善的推动,我们提出了Wi-Fi辅助,这是当前Wi-Fi基础设施的附加组件,与现有解决方案在两个关键方面不同:(1)它是由基础设施驱动的;(2)定义了由不同服务提供商管理的不同WLAN服务集之间的低延迟合作接口。
2022-07-10 cs.NI
Simulation of Mixed Critical In-vehicular Networks
从高级驾驶员辅助到自动驾驶的未来汽车应用将大大增加对车载网络的需求。高带宽或低延迟要求的数据流,特别是许多额外的通信关系将给车内通信系统引入新的复杂度。预计未来将传感器和执行器与汽车ECU互连的通信主干将建立在以太网技术之上。然而,来自不同应用域的信令需要定制属性的网络服务,包括在TSN以太网扩展中定义的实时传输协议。这些QoS约束将进一步增加网络复杂性。基于事件的仿真是解决车载网络设计难题的关键技术。本章介绍车载网络的特定领域和仿真模型,并概述以汽车为中心的网络设计过程。从特定领域的描述语言开始,我们涵盖了相应的仿真模型及其工作流程,并将我们的方法应用于高级汽车车载网络的相关案例研究。
2018-08-09 cs.NI
Security Schemes in Vehicular Ad hoc Networks with Cognitive Radios
车载自组织网络(VANETworks,VANETworks)作为互联车辆的基础设施,可以为互联车辆的应用和服务提供便利。认知无线电技术是对无线局域网的有效补充和增强。它可以减少频谱资源不足对VAN的影响。虽然CR-VANcraft可以有效地利用未使用的授权频谱,但CR-VANcraft的分布式特性可能为不同的攻击打开大门,例如频谱感知数据伪造攻击。在本文中,我们提出了一个联合RSU和车辆为基础的轻量级云CR-VANcraft。在此云计算模型的基础上,提出了一种新的频谱感知服务(Spectrum Sensing as a Service,SSaas),该服务可以在CR-VAN中进行协作频谱感知,并在云计算的协助下确保频谱感知过程的安全。因此,可以在CR-VAN中获得可靠的服务。仿真结果表明,CR-VAN中的云计算可以有效降低延迟,提高CR-VAN的安全性。
2016-11-21 cs.NI
Knowledge Base Aware Semantic Communication in Vehicular Networks
针对车联网语义通信中的知识库构建与车辆服务配对问题,本文建立知识匹配排队时延模型并提出带最优性保证的 S⁴ 方案,显著降低时延并提升吞吐与偏好满意度。
2023-09-21 cs.NI cs.SY eess.SY
A View on Edge caching Applications
具有连接到互联网的能力的设备的数量每天都在增长,因此需要一种新的方式来管理所产生的流量通过数据网的方式。智能城市、车载内容网络、医疗保健和虚拟现实视频是需要大量数据同时保持低延迟的几个示例。在这种情况下,边缘缓存实践是一种有前途的解决方案,以满足高容量流量中的低延迟要求。本文是对四个指示性领域的调查,智能城市,车载内容网络,医疗保健和利用边缘缓存的虚拟现实视频。
2019-07-18 cs.NI
Diffusion-based Auction Mechanism for Efficient Resource Management in 6G-enabled Vehicular Metaverses
School of Automation, Guangdong University of Technology(广东工业大学自动化学院);School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院);Department of Electrical and Computer Engineering, Auburn University(奥本大学电气与计算机工程系)
针对6G车辆元宇宙中VT任务卸载的资源分配问题,提出基于学习的改进第二价格拍卖机制与扩散强化学习算法,优化无人机与地面基站间的资源分配,降低延迟并提升服务质量。
2024-11-01 cs.AI cs.NI
Rate Maximization in Vehicular uRLLC with Optical Camera Communications
光学相机通信(OCC)已成为未来自动驾驶汽车无缝操作的关键技术。通过利用OCC的卓越性能,我们可以满足车辆OCC中超可靠和低延迟通信(uRLLC)的严格要求。在本文中,我们介绍了一种速率优化方法,在车辆OCC通过最佳的功率分配,同时尊重uRLLC的要求。首先,我们制定了一个离散速率优化问题作为一个混合整数规划(MIP)的平均发射功率和uRLLC的约束,为一组给定的调制方案。为了降低求解MIP问题的复杂度,我们将离散速率问题转化为连续速率优化方案。然后,我们提出了一种基于拉格朗日松弛和二分法的算法来解决优化问题。考虑到所提出的算法,我们驱动的离散速率和连续速率优化方案的速率优化和功率分配方案,同时满足uRLLC约束。我们首先通过仿真分析所提出的系统模型的性能。然后,我们调查的平均速率和延迟为不同的目标位出错率的功率分配和速率优化方案的影响。结果表明,增加发射功率分配提高了平均速率和延迟性能。
2022-05-13 cs.NI cs.PF eess.SP
Low-Latency Relay Selection in NR-V2X Vehicular Communications via Graph Isomorphism Networks with Edge Features
研究NR-V2X车辆通信低延迟中继选择问题,提出基于带边特征的图同构网络的边缘感知学习优化框架,通过离线MILP预言机监督GINE,还提出GP-MILP策略,实验证明该方法能紧密匹配MILP决策且降低延迟。
2026-07-17 cs.LG cs.NI
Experimental Insights into UDP-Based Video and Control Traffic over IEEE 802.11p ITS-G5
通过Raspberry Pi和商用路侧单元测试平台,实验评估了UDP传输在ITS-G5上的性能,分析了调制编码方案、网络层配置和主动队列管理对延迟的影响。
2026-06-12 cs.NI
PPO-Based Hybrid Optimization for RIS-Assisted Semantic Vehicular Edge Computing
本文提出基于PPO的混合优化方法,用于RIS辅助的语义车载边缘计算,有效降低端到端时延,相比GA和QPSO提升40%-50%。
2026-03-10 cs.LG cs.NI
Optimized Distributed Processing in a Vehicular Cloud Architecture
云数据中心的引入为数据的存储和处理开辟了新的可能性,增强了外围设备的有限能力。大型数据中心往往远离最终用户,这增加了互连网络中的延迟和功耗。这些限制导致了边缘处理的引入,其中小型分布式数据中心或雾单元位于靠近最终用户的网络边缘。车辆可以在其车载单元(OBU)中具有大量的处理能力,通常未使用。这些可以用于增强网络边缘处理能力。在本文中,我们扩展了我们以前的工作,并开发了一个混合整数线性规划(MILP)配方,优化网络和处理资源的分配,以最大限度地降低功耗。我们的边缘处理架构包括车辆处理节点、边缘处理和云基础设施。此外,在本文中,我们的优化配方包括延迟。与功率最小化相比,我们的新配方显着降低了延迟,同时导致功耗增加非常有限。
2020-04-11 cs.NI
Multiple Access in Cellular V2X: Performance Analysis in Highly Congested Vehicular Networks
车联网(V2X)通信使车辆、路边易受攻击的用户和基础设施能够以点对点的方式进行通信。在第三代合作伙伴计划(3GPP)第14版标准中引入的蜂窝V2X(C-V2X)最近受到了极大的关注,这是由于其被认为能够解决车辆安全应用的可扩展性和可靠性要求。在本文中,我们提供了一个全面的研究的资源分配的C-V2X多址接入机制的高密度车辆网络,因为它可以强烈影响的关键性能指标,如延迟和数据包交付率。可能影响通信性能的现象进行了调查,并详细分析的情况下,可能导致性能下降或系统的限制,提供。结果表明,统一的系统配置可能是必要的所有车辆,因为它是强制性的IEEE 802.11p,以获得最佳性能。最后,我们展示了不同的参数之间的相互依赖关系的资源分配过程与我们的高保真模拟器的帮助。
2018-10-27 cs.NI
Multi-Objective Offloading Optimization in MEC and Vehicular-Fog Systems: A Distributed-TD3 Approach
针对MEC与车载雾系统中的多目标卸载优化,提出分布式TD3方法,通过强化学习环境实现近乎最优卸载决策,以最小化延迟和能耗,仿真验证了其高效性。
2024-04-19 cs.NI eess.SP
Enhancing Video Streaming in Vehicular Networks via Resource Slicing
车联网(V2X)通信是将车辆与相邻车辆、基础设施和行人连接起来的关键推动因素。在过去的几年中,多媒体服务已经经历了巨大的增长,并且随着未来更多的设备(即,车载设备)将利用信息娱乐服务,多媒体服务预计将增加。因此,重要的是关注以用户为中心的测量,即体验质量(QoE),诸如视频质量(分辨率)及其波动。本文提出了一种新的联合视频质量选择和资源分配技术,以提高车辆设备的QoE。所提出的方法利用车辆设备的排队动态和信道状态,以最大限度地提高QoE,同时确保最终用户以高概率进行无缝视频播放。网络范围的QoE最大化问题被解耦为两个子部分。首先,基于网络切片的聚类算法被应用到划分成多个逻辑网络的车辆。其次,车辆调度和质量选择被制定为一个随机优化问题,使用李雅普诺夫漂移加惩罚方法来解决。数值结果表明,该算法确保高质量的视频体验相比,基线。仿真结果也表明,该技术实现了低延迟和高可靠性的通信。
2020-02-17 cs.NI
Adaptive Semantic Communication with Residual Quantization for Resilient Vehicular Networks
North Carolina State University(北卡罗来纳州立大学);New York University(纽约大学)
针对车载网络视觉数据传输难题,提出带残差量化的自适应语义通信架构,可在线调整传输策略,提升率失真性能、传输可靠性及下游感知性能。
2026-10-09 cs.NI
Defending Against Network Attacks for Secure AI Agent Migration in Vehicular Metaverses
本文针对车载元宇宙中AI智能体在RSU间迁移时面临的DDoS攻击和恶意RSU攻击,提出基于POMDP与多智能体近端策略优化的防御方法及信任评估机制,将迁移总延迟降低约43.3%。
2024-12-28 cs.NI
Computation Offloading and Content Caching Delivery in Vehicular Edge Computing: A Survey
自动驾驶汽车(AV)在支持各种车辆应用之前会生成大量数据。因此,大存储和高计算平台是必要的,并且这通过云计算(CC)的存在而成为可能。然而,由于邻近问题,在云计算处的车辆网络的计算遭受若干缺点,诸如延迟和成本。作为一种解决方案,最近已经提出了在车辆网络的边缘处的计算能力,这被称为车辆边缘计算(VEC)。这导致了车辆在边缘节点卸载和计算数据的其他开放问题,以及数据如何在边缘节点中缓存然后传播到其他车辆。在本文中,我们首先提出了一个概述的VEC架构,包括类型的层,雾节点,通信技术和车辆应用程序,这是用于数据卸载和传播的情况。由于移动性对VEC性能至关重要,因此还讨论了VEC场景中使用的移动性模型。我们广泛审查计算卸载(ComOf)技术以及内容缓存和交付(CachDel)的方法VEC。最后,我们强调了一些关键的研究挑战,问题和未来的工作在文件中
2019-12-17 cs.NI
tinyLTE: Lightweight, Ad-Hoc Deployable Cellular Network for Vehicular Communication
LTE技术的应用已经从授权频带中的基于基础设施的部署演进到覆盖自组织、设备到设备通信和未授权频带操作的新用例。车载通信是LTE特别感兴趣的新兴领域,在我们的理解中涵盖汽车(汽车)以及无人机。现有的商用设备被设计用于基础设施,使得其不适合于需要低重量和未许可频带支持(例如,5.9GHz ITS频带)的车辆应用。在这项工作中,我们提出了tinyLTE,系统设计,提供完全自主,多用途和超紧凑的LTE小区,利用现有的开源eNB和EPC实现。由于其小形状因子和低重量,tinyLTE系统可以在汽车和无人机上进行移动部署,并与现有的路边基础设施顺利集成。此外,独立设计允许系统以多跳配置链接。本文介绍了精益和低成本的设计概念和实施,其次是性能评估单跳和两跳配置在5.9 GHz。实验室和现场实验的结果验证了tinyLTE方法的可行性,并证明了其支持实时车辆应用的潜力(例如,在实验室实验中,平均端到端延迟最低约为7 ms)。
2018-02-26 cs.NI
Time synchronization in vehicular ad-hoc networks: A survey ontheory and practice
通信网络中的时间同步在所有节点之间提供一个公共的时间帧,从而实时、正确地支持消息传输、信道调度和资源共享等各种网络功能。在用于连接和自动化车辆的车辆自组织网络(VANELS)中,网络节点必须同步以交换用于各种道路安全应用的时间关键的车辆位置和警告消息。然而,这是具有挑战性的,因为通信系统需要在高用户动态和密度的条件下实现低延迟和高可靠性。针对一般通信网络的时间同步技术已经有很多种,但有必要了解VANET时间同步的要求以及现有的时间同步技术在VANET应用中的适用性。阐述了车载自组网时间同步的需求分析、精度、准确度、可用性、可扩展性和兼容性等关键因素,突出了全球导航卫星系统(GNSS)在车载自组网时间同步中的优势。通过这次调查,一些见解发展到现有的和新兴的协议,时间同步在温哥华。
2018-11-12 cs.NI
Enhanced adaptive cross-layer scheme for low latency HEVC streaming over Vehicular Ad-hoc Networks (VANETs)
Univ. Polytechnique Hauts-de-France(上法兰西理工大学);CNRS(法国国家科学研究中心);Univ. Lille(里尔大学);YNCREA;Centrale Lille(里尔中央理工学院);IEMN(电子、微电子与纳米技术研究所);Badji Mokhtar University Annaba(安纳巴巴吉莫赫塔尔大学)
针对车载自组织网络信道多变、带宽有限导致的低时延HEVC视频传输质量难保障的问题,提出一种结合视频编码结构、帧重要性和网络负载的低复杂度跨层队列分配机制,相较802.11p的EDCA机制显著提升了视频质量并降低了端到端时延。
2023-11-05 cs.CV cs.MM cs.NI
QoS-Aware Radio Access Technology (RAT) Selection in Hybrid Vehicular Networks
针对混合车载网络中多RAT选择难题,提出一种QoS感知的RAT选择算法,通过负载和QoS要求切换IEEE 802.11p与LTE,减少垂直切换并提升分组投递率、时延和吞吐量。
2025-01-21 cs.NI
Towards Decentralized Predictive Quality of Service in Next-Generation Vehicular Networks
University of Padova(帕多瓦大学);Delart Technology Services LLC(德拉特技术服务有限责任公司);University of Bologna(博洛尼亚大学)
为了确保远程驾驶场景的安全性,车辆和远程驾驶员之间的通信必须满足严格的延迟和可靠性要求。在这种情况下,预测性服务质量(PQoS)被研究为预测服务质量(QoS)意外降级的工具,并允许网络做出相应的反应。在这项工作中,我们设计了一个强化学习(RL)代理实现PQoS的车载网络。为此,基于在无线电接入网络(RAN)和/或终端车辆收集的数据以及QoS预测,我们的框架能够确定在低延迟和可靠性约束下发送汽车数据的最佳压缩级别。我们考虑了不同的学习方案,包括集中式,完全分布式和联邦学习。我们通过ns-3模拟证明,虽然集中式学习通常优于任何其他解决方案,但分散式学习,特别是联邦学习,在收敛时间和可靠性之间提供了良好的权衡,在隐私和复杂性方面具有积极的影响。
2023-02-22 cs.AI cs.NI
Dimensioning of V2X Services in 5G Networks through Forecast-based Scaling
随着智能交通系统的日益采用和自动驾驶汽车时代的到来,车辆服务(例如远程驾驶、协作感知和危险预警)将面临不断变化和动态的环境。道路上的交通流量是这些服务的关键条件,因此,预测它们将如何随着时间的推移而变化至关重要。通过了解未来事件(如交通堵塞),可以按需确定车辆服务的规模,以最大限度地减少违反服务水平协议(SLA)的情况,从而降低车祸的几率。本研究从传统的时间序列技术与最近的机器学习(ML)为基础的解决方案,以预测交通流量的都灵(意大利)的道路进行评估。鉴于所选择的预测技术的准确性,提出了一个基于预测的缩放算法,并在一组具有严格的延迟要求的三个不同的车辆服务的尺寸实验进行评估。结果表明,所提出的缩放算法,使资源节省高达5%的成本,在引起的延迟违规增加不到0.4%。
2021-05-26 cs.NI
Coverage and Connectivity Analysis of Millimeter Wave Vehicular Networks
下一代汽车将需要每行驶小时TB级的数据传输速率,以支持先进的汽车服务。这种前所未有的数据交换量超出了现有车载通信技术的能力,需要新的解决方案。对于这种对超高传输速度的日益增长的需求的可能答案可以在毫米波(mmWave)频带中找到,然而,毫米波频带受到高信号衰减和具有挑战性的传播特性的影响。特别地,毫米波链路通常是定向的,以受益于所得到的波束成形增益,并且需要发射器和接收器波束的精确对准,该操作可能增加通信的延迟并且由于波束未对准而导致耳聋。在本文中,我们提出了一个随机模型,用于表征毫米波汽车网络中的波束覆盖和连接概率。其目的是解释在设计基于毫米波链路的车辆场景解决方案时必须考虑的一些复杂和有趣的权衡。结果表明,在高度移动毫米波系统中的汽车节点的性能严格取决于车辆部署的特定环境,并且必须考虑几个汽车特定的特征,如节点速度,波束对准周期,基站密度和天线几何形状。
2018-03-03 cs.NI
A Novel OMNeT++-based Simulation Tool for Vehicular Cloud Computing in ETSI MEC-compliant 5G Environments
本文提出了一种基于OMNeT++和Simu5G扩展的仿真工具,实现了兼容ETSI MEC的架构,支持在5G环境中设计和测试车载云计算应用,并通过用例验证了其在MEC应用组件分布算法设计中的有效性。
2024-01-09 cs.NI
AdaPTwin: Adaptive Multi-Fidelity Predictive Digital Twin for Proactive Radio Resource Management in Vehicular Networks
The University of British Columbia(不列颠哥伦比亚大学);Université Laval(拉瓦尔大学)
本文提出AdaPTwin,一种自适应多保真度预测数字孪生,用于车辆网络中的前瞻性无线资源管理,通过动态调整数字孪生保真度以适应网络条件,结合云边协同架构和持续迁移学习模型,实现高保真度的无线资源管理,并在实际车辆环境中验证了其在不同场景下的优越性能。
2026-05-21 cs.NI cs.SY eess.SY