Lightweight Joint Simulation of Vehicular Mobility and Communication with LIMoSim
提供可靠和高效的通信是部署自动驾驶汽车以及智能城市中未来智能交通系统(ITS)的关键要求。在车联网(V2X)环境下,新型通信技术将不得不面对高度复杂且极其动态的网络拓扑,并需要在路由、切换和资源分配的决策过程中考虑移动性信息。因此,研究人员和开发人员需要能够为两个组件提供逼真的表示以及利用移动性和通信的融合的手段的仿真工具。在本文中,我们提出了一个轻量级的框架,用于模拟车辆的移动性,它具有面向通信的角度设计,并打算与网络模拟器结合使用。与现有方法相比,它的工作原理不需要使用集成方法的进程间通信(IPC),因此能够大大降低仿真设置的复杂性。由于移动性和通信共享相同的代码库,因此它能够对这两个组件之间高度相互依赖的场景进行建模。在一个概念验证的研究中,我们评估了所提出的模拟器在不同的示例场景中的长期演进(LTE)的背景下,使用现实世界的地图数据。
2018-02-21 cs.NI
Multi-Agent Meta-Advisor for UAV Fleet Trajectory Design in Vehicular Networks
National Laboratory of Wireless Communications of CNIT (Wilab, CNIT)(CNIT无线通信国家实验室);University of Bologna(博洛尼亚大学)
本文提出多智能体元顾问框架,用于解决车联网中无人机编队轨迹设计问题,通过联合学习的元策略实现高效探索,提升网络性能。
2026-02-18 cs.NI
Software Defined Space-Air-Ground Integrated Vehicular Networks: Challenges and Solutions
本文提出了一种软件定义的空-空-地一体化网络架构,以无缝、高效、低成本的方式支持各种车载服务。首先,回顾了空间-空中-地面网络一体化的动机和挑战。其次,提出了一种分层结构的软件定义网络体系结构。为了保护卫星、空中和地域段中的遗留服务,通过网络切片对每个段中的资源进行切片以实现服务隔离。然后,可用的资源被放入一个共同的和动态的空间-空中-地面资源池,这是由分层控制器管理,以适应车辆服务。最后,进行了一个案例研究,然后讨论了一些开放的研究课题。
2017-05-15 cs.NI
DDPG-based Resource Management for MEC/UAV-Assisted Vehicular Networks
在本文中,我们研究联合车辆关联和多维资源管理的车辆网络辅助多访问边缘计算(MEC)和无人机(UAV)。为了有效地管理MEC安装的基站和UAV的可用频谱、计算和缓存资源,在中央控制器处制定并执行资源优化问题。考虑到规划问题求解时间过长和车辆应用对延迟的敏感要求,本文采用强化学习对优化问题进行转化,设计了基于深度确定性策略梯度(DDPG)的解决方案。通过离线训练基于DDPG的资源管理模型,可以快速获得最优的车辆关联和资源分配决策。仿真结果表明,基于DDPG的资源管理方案可以收敛在200集内,并实现更高的延迟/服务质量的满意度比比随机方案。
2020-08-19 cs.NI
Lightweight privacy-preserving truth discovery for vehicular air quality monitoring
针对城市车辆空气质量监测中的数据稀疏与隐私保护问题,提出两种轻量级隐私保护真值发现框架,利用时空相关性及匿名通信与数据扰动提升性能,优于现有密码学方法。
2023-05-14 cs.CR cs.NI
Blockchain-based Lightweight Authentication Mechanism for Vehicular Fog Infrastructure
随着先进通信技术的不断发展,汽车变得越来越智能和互联。由于各种车辆应用的巨大增长,通过先进的车载设备产生了大量的数据,这些数据被认为对提高驾驶安全和增强车辆服务至关重要。然而,基于云的模型在延迟和移动性至关重要的应用中往往不足。为了充分发挥车载网络的潜力,需要解决高效通信和计算的挑战。在这个方向上,出现了车辆雾计算(VFC),它将雾计算的概念扩展到传统的车辆网络。它是一种地理上分布式的范例,有可能通过在终端车辆附近推送智能(即计算资源,存储和应用服务)来执行时间关键和数据密集型任务。然而,安全和可靠的传输是非常重要的,在高度移动的车辆网络,以确保最佳的服务质量(QoS)。在这个方向上,已经提出了一些认证机制在文献中,但他们中的大多数被发现不适合由于缺乏分散性,匿名性和信任特性。因此,本文提出了一种有效的跨数据中心认证和密钥交换方案,基于区块链和椭圆曲线密码(ECC)。在这里,区块链的分布式账本用于维护网络信息,而高度安全的ECC用于车辆和路边单元(RSU)之间的相互认证。此外,所提出的方案是轻量级的,可扩展的考虑VFC设置。针对现有技术水平的性能评估结果表明,该方案实现了增强的安全功能。
2019-04-02 cs.CR cs.NI
A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach for UAV-Assisted Vehicular Networks with Delayed CSI Feedback
针对延迟CSI下无人机辅助车载网络的资源、功率与高度联合优化问题,提出Lyapunov引导的D3PG扩散强化学习算法,在能量约束下提升和速率。
2025-07-28 cs.NI
Ready Player One: UAV Clustering based Multi-Task Offloading for Vehicular VR/AR Gaming
随着无人机技术的快速发展,利用无人机进行任务卸载越来越受到学术界的关注。然而,一个无人机和移动边缘计算(MEC)节点之间的实时交互需要处理移动终端用户的任务,这大大增加了系统开销,无法满足大规模人工智能(AI)应用的需求。为了解决这个问题,在这篇文章中,我们提出了一种新的无人机集群架构,以实现高效的多模式多任务任务卸载。通过所提出的架构,计算,缓存和通信资源协同优化使用基于AI的决策。这不仅提高了无人机集群的效率,还为计算和通信的融合提供了见解。
2019-04-08 cs.NI
UAV/HAP-Assisted Vehicular Edge Computing in 6G: Where and What to Offload?
针对6G动态车载环境中地面车辆资源有限的问题,研究通过非地面网络(NTNs)将任务卸载到无人机(UAVs)和高空平台(HAPs)的方案,建模优化卸载因子,结果表明高容量平台下空中辅助VEC在密集网络中可行。
2022-02-22 cs.NI eess.SP
AirFogSim: A Light-Weight and Modular Simulator for UAV-Integrated Vehicular Fog Computing
本文提出轻量级模块化空地协作仿真平台AirFogSim,用于建模无人机融合车载雾计算,并通过涵盖轨迹、卸载、资源分配和区块链的用例验证其有效性。
2024-09-04 cs.NI cs.SE
Optimal Beam Association for High Mobility mmWave Vehicular Networks: Lightweight Parallel Reinforcement Learning Approach
University of Technology Sydney(悉尼科技大学)
在智能交通系统(ITS)中,期望车辆具有要求超高数据率和低延迟通信的高级应用和服务。为此,毫米波(mmWave)通信已经成为非常有前途的解决方案。然而,由于车辆的高机动性和毫米波波束对动态阻塞的固有敏感性,将毫米波纳入ITS特别具有挑战性。本文通过为高移动性下的毫米波车载网络开发最佳波束关联框架来解决这些问题。具体来说,我们使用半马尔可夫决策过程来捕捉环境的动态性和不确定性。Q-学习算法通常用于寻找最优策略。然而,Q学习因其收敛速度慢而臭名昭著。我们没有采用深度强化学习结构(如文献中的大多数作品),而是利用道路上通常有多辆车的事实来加速学习过程。为此,我们开发了一个轻量级的,但非常有效的并行Q-学习算法,快速获得最佳的政策,同时学习各种车辆。大量的模拟表明,我们提出的解决方案可以提高数据率的47%,减少断开概率的29%,相比其他解决方案。
2021-06-07 cs.LG cs.NI eess.SP
Memory-aware Online Compression of CAN Bus Data for Future Vehicular Systems
车辆从其内部传感器生成大量数据。该数据不仅对车辆的正常操作有用,而且它为汽车制造商提供了优化单个车辆和具有车队的公司的性能的能力(例如,卡车、出租车、拖拉机),以优化其运营,降低燃料成本并计划维修。本文提出了CAN总线数据压缩算法,具体地说,封装成MDF4文件。特别是,我们提出了轻量级,在线和可配置的压缩算法,允许有限的设备选择分配给他们的RAM和闪存的数量。我们表明,我们的建议可以优于LZW相同的RAM占用空间,甚至可以提供相当或更好的性能,以DEFLATE相同的RAM限制。
2020-07-20 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
Performance Evaluation and Optimization of B.A.T.M.A.N. V Routing for Aerial and Ground-based Mobile Ad-hoc Networks
由于信道特性和由此产生的网状网络拓扑结构的移动性相关动态,在基于地面和空中的移动网状网络内提供可靠且高效的端到端通信是路由协议的主要挑战。在本文中,我们评估了新的更好的方法移动自组网(B.A.T.M.A.N.)的性能。V路由协议的车辆网状网络,并提出了一个移动性预测的扩展,明确地解决了高度动态的通信网络。为了能够进行大规模的仿真分析,我们提出了一个开源的仿真模型,并通过现场实验进行了验证。在车辆到一切(V2X)和无人机(UAV)场景中的综合评估活动中,显示了预测B.A.T.M.A.N.基于V的方法比现有的路由协议更适合于在高度移动的网状网络中保持可靠的连接。
2019-11-21 cs.NI
Continual Meta-Reinforcement Learning for UAV-Aided Vehicular Wireless Networks
University of Bologna(博洛尼亚大学);King’s College London(伦敦国王学院)
无人空中基站(UABS)可以部署在车载无线网络中,以支持诸如通过车联网(V2X)服务的扩展感测等应用。在这样的系统中的一个关键问题是设计算法,可以有效地优化轨迹的UABS,以最大限度地提高覆盖率。在现有的解决方案中,通常通过传统的强化学习(RL),对于任何新的业务配置从头开始执行这种优化。在本文中,我们建议使用连续元RL作为一种手段,将信息从以前经历的交通配置转移到新的条件下,目标是减少优化UABS的政策所需的时间。采用连续Meta策略搜索(CoMPS)策略,我们证明了显着的效率提高相比,传统的RL,以及天真的迁移学习方法。
2022-10-05 cs.LG cs.NI
DBSCAN-based Vehicle Clustering and UAV Placement for NOMA-based Resource Management in Cellular V2X Communications
本文研究C-V2X网络中的无线资源管理,提出两阶段方法:先基于DBSCAN和车辆状态聚类并部署UAV,再在簇内构建NOMA分组分配资源,仿真证明其在频谱效率等指标上表现优越。
2025-04-30 cs.NI
Light commodity devices for building vehicular ad hoc networks: An experimental study
本文通过室外实测,利用智能手机、平板和笔记本等商用轻量设备,评估了IEEE 802.11g/a下车载短距通信性能,发现2.4GHz下通信距离达75-150米,5GHz下达100米,为自组网移动通信应用提供了实验依据。
2025-01-21 cs.NI
A Service-Based Architecture for enabling UAV enhanced Network Services
本文概述了增强型网络服务,同时强调了无人机(UAV)作为具有无线电和回程功能的核心网络设备的作用。首先,我们阐述了各种部署选项,重点是无人机作为机载无线电,回程和核心网络设备,指出其优点和局限性。然后,我们分析了基于服务的架构(SBA)所需的增强功能,以支持无人机服务,包括无人机导航和空中交通管理,天气预报和无人机连接管理。通过定性手段评估机载无人机网络服务的使用,考虑对车载应用的影响。最后,通过测试平台实施进行了评估,以探索无人机作为边缘云节点的性能,托管负责无人机机队控制和编排的空中控制系统(ACS)功能。
2022-01-05 cs.NI
Predictive Lightweight MARL for Resilient Coverage in Sparse-Signaling Aerial Networks
National Chung Cheng University(国立中正大学);Feng Chia University(逢甲大学)
针对带宽受限无人机群的弹性覆盖问题,提出PL-MARL框架,引入运动感知推理引擎应对稀疏信号等问题,实现计算与通信权衡。仿真显示其在极端情况下能保持良好性能,验证了主动推理是鲁棒空中协调的有效方案。
2026-07-27 cs.MA cs.NI cs.SY
Dynamic Mask Enhanced Intelligent Multi-UAV Deployment for Urban Vehicular Networks
University of Science and Technology of China(中国科学技术大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院)
本文提出Q-SDAM算法,通过动态动作掩码机制提升多无人机部署效率,有效增强车联网连接并降低能耗。
2026-03-19 cs.AI cs.NI
Lightweight Mobile Ad-hoc Network Routing Protocols for Smartphones
移动自组织网络是一种很有前途的无线组网方式,一组无线设备可以在没有任何基础设施的情况下相互通信。移动自组织网络已经成功地应用于应急通信、战场和车载自组织网络等领域。最近,移动自组织网络也被研究用于使用移动电话(智能手机)建立村级离网电话系统。随着移动电话和其他现代电子设备越来越多地配备高效的无线Wi-Fi设备,基于电话的MANET实现将为电话的自助服务以及物联网实现开辟新的视野。然而,目前的移动自组网路由协议在实现移动电话之间的移动自组网时,由于需要高存储器、高交换功率和高能量消耗,表现出较差的性能。当网络中的电话数量增加时,性能严重下降。因此,一个轻量级的路由协议是成功实现移动电话移动自组网的关键要求。这份报告提出了相关的路由协议设计和它们的适用性,开发轻量级移动自组网路由协议的手机。最后,提出了该领域面临的挑战和研究方向
2018-04-06 cs.NI
Lightweight AI for UAV-Mounted RIS: An Overview
RIKEN-AIP;Nuclear Research center, Egyptian Atomic Energy Authority(埃及原子能机构核研究中心);Department of Informatics, Kyushu University(九州大学信息学部);University of Bremen(不来梅大学);Faculty of Electronic Engineering, Menoufia University(明乌菲亚大学电子工程学院);Kuwait College of Science and Technology(科威特科学与技术学院);Benha University(本哈大学);The University of Osaka(大阪大学)
本文综述用于无人机搭载RIS的轻量级AI技术,涵盖RL、FL等方法,分析现有工作与权衡,确定研究挑战并通过案例展示MAB方案对系统性能的影响。
2026-08-27 cs.NI
NIMSA: Non-Interactive Multihoming Security Authentication Scheme for vehicular communications in Mobile Heterogeneous Networks
在车载通信中,车载设备的移动性和多宿主性给设备安全认证带来了新的要求。现有的网络层认证方法一方面依赖于PKI体系,另一方面密钥协商需要交互。这两点决定了传统的安全认证方法需要消耗带宽和额外的延迟。它不适用于具有高分组丢失率和有限带宽资源的异构无线场景。此外,安全关联状态的建立与网络层仅提供转发功能的原始设计相反。提出了一种非交互式多宿主安全认证方案(NIMSA),它是一种由数据转发触发的无状态网络层安全认证方案。该方案采用基于身份的非交互式密钥协商策略,避免了信令信息的交互,具有轻量级的特点,对移动和多径并行传输场景有很好的支持。与IKEv2及其移动性和多宿主扩展方案(MOBIKE)的比较表明,该方案具有更短的认证切换时延和数据传输时延,在多径并行传输的场景下能带来更好的带宽聚合效果。
2022-02-08 cs.CR cs.NI
Hierarchical Online Optimization Approach for IRS-enabled Low-altitude MEC in Vehicular Networks
Jilin University(吉林大学);Nanyang Technological University(南洋理工大学);Beihang University(北京航空航天大学);Auburn University(奥本大学)
研究车载网络中基于IRS的低空MEC架构,提出分层在线优化方法HOOA,通过将多目标优化问题重构为Stackelberg博弈,结合多对一匹配机制和GDMTD3算法,有效降低任务完成延迟和能耗,提升收敛稳定性、鲁棒性和可扩展性。
2026-07-22 cs.NI
Air-Ground Integrated Vehicular Network Slicing with Content Pushing and Caching
提出了一种空地一体化车载网络(AGIVEN)架构,空中高空平台(HAP)通过大面积广播主动向车载推送内容,地面路侧单元(RSU)按需提供高速单播服务。为了有效地管理多维异构资源,引入了面向服务的网络切片方法,将AGIVEN虚拟地划分为多个切片,每个切片支持特定的应用,并保证服务质量(QoS)。具体而言,多资源供应AGIVEN切片的基本问题进行了研究,考虑到典型的车辆应用程序的基于位置的地图和基于流行度的内容服务。对于基于位置的地图服务,相对于HAP广播速率和车辆缓存大小导出HAP车辆主动推送的能力,其中存在指示最优通信缓存资源交易的鞍点。对于共同感兴趣的热门内容,获得平均板载内容命中率,HAP推送新生成的内容以保持板载缓存新鲜。然后,最小RSU传输速率推导出满足平均延迟要求的每个切片。分析结果揭示了RSU传输速率、HAP广播速率和车辆缓存大小之间的服务相关资源配置和交易关系,为实际多资源网络切片提供了指导。仿真结果表明,所提出的AGIVEN网络切片方法匹配多资源跨切片,从而RSU传输速率可以节省40%,而保持相同的QoS。
2018-06-11 cs.IT cs.NI math.IT
Blockchain-based Trust Management in Security Credential Management System for Vehicular Network
针对车联网SCMS信任管理去中心化需求,提出基于区块链的BBTM机制,替代策略生成器并实现策略管理、证书链聚合等功能,经Hyperledger Fabric实验验证其轻量高效且安全透明。
2025-02-21 cs.CR cs.DC cs.NI
Reliable Traffic Monitoring Mechanisms Based on Blockchain in Vehicular Networks
实时交通监控是智慧城市的基本任务,可以了解交通状况,避免危险事件。在本文中,我们提出了一个可靠而高效的交通监控系统,该系统有效地集成了区块链和车辆互联网技术。它可以将交通信息收集任务众包给在路上行驶的车辆,而不是在每个角落安装摄像头。首先,我们设计了一个轻量级的基于区块链的信息交易框架,以模拟交通管理和车辆之间的交互。它保证了执行交易过程中的可靠性,效率和安全性。其次,我们定义了该系统中的实体的效用函数,并提出了一个预算拍卖机制,激励车辆积极承担收集任务。在我们的算法中,它不仅确保了所选车辆的总付款不超过给定的预算,而且还保持了拍卖过程的真实性,避免了一些车辆提供不真实的出价,以获得更大的效用。最后,我们进行了一组数值模拟,以评估我们的交易框架的可靠性和我们的算法的性能,其结果证明了他们的正确性和效率完美。
2020-08-20 cs.GT cs.NI
A Thorough Analysis of Radio Resource Assignment for UAV-Enhanced Vehicular Sidelink Communications
针对联网自动驾驶车辆向毫米波频段演进中侧行通信面临严重路径与穿透损耗的问题,本文提出部署具波束成形能力的无人机作为中继,构建分析框架并引入平均接入概率指标,进而提出两种无线资源分配方法,通过按交通密度控制无人机高度优化该指标,数值结果验证了模型能保障服务质量。
2024-01-19 cs.NI eess.SP
Distributed Learning for Vehicular Dynamic Spectrum Access in Autonomous Driving
Institute of Radiocommunications(无线电通信研究所);Poznan University of Technology(波兹南理工大学)
自动驾驶汽车之间的可靠无线通信是保证乘客安全和舒适的基本需求之一。然而,当通信车辆的数量增加时,传输质量可能由于所使用频带的过高占用无线电而显著劣化。在本文中,我们专注于自主车辆排队用例,其中队列内通信是在动态选择的频带中完成的,而不是名义上专用于此类目的。在位于路边单元(无线通信基础设施的边缘)处的上下文数据库的支持下,以灵活的方式进行载波选择。然而,由于数据库仅向排的领导者提供上下文信息,因此最终决策由各个排根据人工智能算法提出的建议单独做出。在这项工作中,我们专注于一个轻量级的Q学习解决方案,可以成功地在每辆车中实现动态通道选择。
2022-03-22 cs.IT cs.LG cs.NI
Targeted Attacks and Defenses for Distributed Federated Learning in Vehicular Networks
Nexcepta Inc.(Nexcepta公司);RTX BBN Technologies(RTX BBN技术公司)
针对车载网络中分布式联邦学习(DFL)的脆弱性,设计定向数据投毒与后门攻击,分析DFL相较个体学习的韧性,并提出有效防御机制以增强安全性。
2025-10-16 cs.AI cs.DC cs.LG
CAR-BRAINet: Sub-6GHz Aided Spatial Adaptive Beam Prediction with Multi Head Attention for Heterogeneous Vehicular Networks
Department of Electronics and Communication Engineering, National Institute of Technology Karnataka, Surathkal(电子与通信工程系,卡纳塔克国家理工学院,苏拉塔卡尔)
本文提出轻量级深度学习模型CAR-BRAINet,结合卷积神经网络与多头注意力机制,在模拟真实复杂场景的城市、乡村和高速公路数据集上实现了精确波束预测,频谱效率提升17.9422%,且无需依赖用户位置和天线信息。
2025-09-02 cs.AI cs.NI eess.SP
Connecting flying backhauls of UAVs to enhance vehicular networks with fixed 5G NR infrastructure
本文研究了无人机(如无人机)的移动网络,作为5G带来的创新机遇之一。无人机的主要目的是扩展连接性并保证数据率,由于飞行时间和覆盖面等限制,无人机需要悬停位置。我们提供了分析边界上的要求,在连接扩展的车辆网络服务的固定增强型移动宽带(eMBB)基础设施,其中车辆网络和基础设施建模使用随机和分形几何作为城市环境的模型。我们证明,假设$n$移动节点(根据尺寸$d_F$的超分形分布分布)和$ρ$下一代节点B(gNB)的平均值,分布像一个超分形的尺寸$d_r$,如果$ρ=n^θ$与$θ>d_r/4$,让$n$趋于无穷大(反映特大城市),那么没有被gNB覆盖的移动节点的平均分数趋于零一样$O\left(n^{-\frac{(d_F-2)}{d_r}(2θ-\frac{d_r}{2})}\right)$。有趣的是,我们证明了连接每个未被gNB覆盖的移动节点所需的无人机的平均数量与孤立的移动节点的数量相当。我们完成的表征证明,当$θ<d_r/4$覆盖的移动节点的比例趋于零。我们提供关于“无人机车库”的智能放置的见解,这些游牧基础设施节点的家庭位置,例如最大限度地减少我们所说的“飞行到覆盖时间”。我们提供了一个快速的程序来选择将成为车库(和存储无人机)的继电器,以最大限度地减少车库的数量并最大限度地减少延迟。最后,我们确认我们的分析结果,在Matlab中进行模拟。
2021-02-05 cs.DC cs.IT cs.NI
Privacy Leakage in Federated Learning: Gradient-Based Client Identity Inference and Defenses for Inertial Sensing in Vehicular Edge Networks
King Fahd University of Petroleum and Minerals(法赫德国王石油与矿产大学)
该研究针对车载边缘网络联邦学习,发现服务器可通过梯度近乎完美推断客户端身份,提出轻量级防御与集成联邦学习方案,实现隐私-效用平衡并验证了方法有效性。
2026-09-09 cs.CR cs.LG cs.NI