Uplinks Analysis and Optimization of Hybrid Vehicular Networks
5G车载通信是下一代智能交通系统（ITS）的关键推动因素之一，需要超可靠和低延迟通信（URLLC）。针对这一需求，本文提出了一种既支持集中式网络结构又支持分布式网络结构的混合车载网络结构。在此基础上，基于欧几里德范数理论，提出了一种考虑时延和可靠性的车载网络效用模型。基于经济学中的帕累托改进理论，提出了一种车辆网络上行链路优化算法，以优化道路上车辆的上行链路效用。仿真结果表明，该方案可以显着提高上行车载网络的效用，满足URLLC的要求。
2018-12-07 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
Latency Reduction in Vehicular Sensing Applications by Dynamic 5G User Plane Function Allocation with Session Continuity
本文针对5G车辆传感场景中的低时延需求，提出基于SDN的动态UPF分配优化框架，在保持会话连续性的同时减少网络跳数，并通过实验证明其能支持静态或集中式方案无法实现的时延关键型应用。
2024-03-28 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
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
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
Ultra-Reliable Low-Latency Vehicular Networks: Taming the Age of Information Tail
虽然信息时代（AoI）的概念最近已经成为分析超可靠低延迟通信（URLLC）的一个重要概念，但大多数现有的工作都集中在平均AoI测量上。然而，基于平均AoI的设计在适当地表征URLLC系统的性能方面是不足的，因为它不能解释以非常低的概率发生的极端事件。相比之下，在本文中，主要目标是超越传统的平均AoI的概念，通过表征和优化URLLC系统，同时捕获AoI尾部分布。特别是，研究了车辆功率最小化同时确保概率AoI方面严格的延迟和可靠性约束的问题。为此，提出了一种新的和有效的AoI和队列长度分布之间的映射。随后，极值理论（EVT）和李雅普诺夫优化技术，制定和解决问题。仿真结果表明，当车辆用户设备（VUE）对的数量为80时，与其设计基于车辆之间的最大队列长度的基线相比，在缩短AoI分布的尾部方面有近两倍的改进。结果还表明，随着VUE对数量的增加，这种性能增益显著增加。
2018-11-09 cs.NI
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
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
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
Negotiating strict latency limits for dynamic real-time services in vehicular time-sensitive networks
TU Eindhoven（埃因霍温理工大学）
本文提出一种QoS协商方案，通过与TSN网络控制器交互，确保动态部署实时服务时的延迟限制，验证了唯一有效的预留方案。
2025-12-01 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
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
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
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
Reinforcement Learning for Resource Allocation in Vehicular Multi-Fog Computing
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
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
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
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
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
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
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
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
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
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
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
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
Federated Learning for Ultra-Reliable Low-Latency V2V Communications
University of Oulu（奥卢大学）；Virginia Tech（弗吉尼亚理工学院暨州立大学）；Huawei France R&D（华为法国研发中心）
本文提出了一种新的联合发射功率和资源分配的方法，使超可靠的低延迟通信（URLLC）的车辆网络。我们的目标是最大限度地减少车辆用户（VUE）的网络范围内的功耗，同时确保高可靠性的概率排队延迟。特别地，定义可靠性度量以表征极端事件（即，当车辆的队列长度以不可忽略的概率超过预定义的阈值时）使用极值理论（EVT）。利用联邦学习（FL）的原理，VUE以分散的方式估计与队列尾部分布对应的这些极端事件的分布。最后，李雅普诺夫优化被用来找到联合发射功率和资源分配政策，为每个VUE在分布式的方式。所提出的解决方案是通过广泛的模拟使用曼哈顿移动模型进行验证。结果表明，FL使所提出的分布式方法来估计尾部分布的队列的准确性，是非常接近的集中式解决方案，减少高达79%的数据量，需要交换。此外，所提出的方法产生高达60%的减少VUE与大的队列长度，没有额外的功耗，相比，平均基于队列的基线。相对于固定功耗的系统，集中在队列稳定性，同时最大限度地减少平均功耗，所提出的方法的极端事件的减少约两个数量级。
2018-05-11 cs.LG cs.NI stat.ML
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
Using Machine Learning for Handover Optimization in Vehicular Fog Computing
McGill University（麦吉尔大学）
智能移动管理将是未来雾计算系统的重要先决条件。在这项研究中，我们提出了一种基于学习的车联网切换优化，这将有助于设备连接的平滑过渡和雾节点之间的卸载任务。为了实现这一点，我们利用机器学习算法来学习车辆与雾节点的交互。我们的方法使用三层前馈神经网络来预测在给定位置和时间的正确雾节点，在测试集上的准确率为99.2%。我们还实现了一个双栈递归神经网络（RNN），它具有长短期记忆（LSTM）单元，能够学习与这些服务请求相关的延迟或成本。我们使用真实世界车辆运动的数据集在JAMScript中创建模拟，以创建数据集来训练这些网络。我们进一步提出了使用这种预测系统在一个更聪明的请求路由机制，以尽量减少服务中断期间雾节点之间的切换，并通过一系列的实验和测试模型的性能测试低覆盖率的地区。
2018-12-18 cs.LG cs.NI stat.ML
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
Deep Reinforcement Learning for Adaptive Network Slicing in 5G for Intelligent Vehicular Systems and Smart Cities
University of South Florida（南佛罗里达大学）；Electrical Engineering Department, University of South Florida（南佛罗里达大学电气工程系）；University of South Florida, Tampa, FL 33620, USA（南佛罗里达大学，美国佛罗里达州坦帕市，邮编33620）
智能车辆系统和智慧城市应用是增长最快的物联网（IoT）应用，复合年增长率为30%。鉴于物联网设备的最新进展和人工智能（AI）驱动的新兴物联网应用，最近已为第五代（5G）无线通信引入雾无线电接入网络（F-RAN），以克服云RAN（C-RAN）的延迟限制。我们认为网络切片问题分配有限的资源在网络边缘（雾节点）的车辆和智能城市用户异构的延迟和计算需求在动态环境中。我们开发了一种基于与边缘控制器（EC）协调的雾节点（FN）集群的网络切片模型，以有效地利用网络边缘的有限资源。对于集群中的每个服务请求，EC决定哪个FN执行任务，即，在边缘本地服务请求，或者拒绝任务并将其提交给云。我们将问题表示为无限时域马尔可夫决策过程（MDP），并提出了一种深度强化学习（DRL）解决方案来自适应地学习最优切片策略。建议的DRL为基础的切片方法的性能进行评估，通过比较它与其他切片方法在动态环境中，并为不同的情况下的设计目标。综合仿真结果证实，提出的基于DRL的EC通过与环境的交互快速学习最优策略，从而实现自适应和自动化的网络切片，以在动态车辆和智能城市环境中实现高效的资源分配。
2020-10-19 cs.AI cs.LG cs.NI
Low-Latency Spatial-Provenance Recovery Methods for Privacy-Constrained Vehicular Networks
Department of Electrical Engineering, Indian Institute of Technology Delhi（印度德里印度理工学院电气工程系）
针对隐私受限且需低延迟的车载网络，提出双段嵌入与三段嵌入两种协议，实现联合数据与空间溯源，在保证隐私的同时降低端到端延迟，提升溯源可靠性。
2026-08-18 cs.CR cs.IT cs.NI
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
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
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
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
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
Structural Knowledge-Driven Meta-Learning for Task Offloading in Vehicular Networks with Integrated Communications, Sensing and Computing
Xidian University（西安电子科技大学）；Chongqing University of Posts and Telecommunications（重庆邮电大学）
本文针对通信、感知与计算一体化车载网络中的任务卸载问题，提出结构知识驱动元学习方法，借鉴交替最小化算法的迭代结构并用LSTM元学习自适应优化器，以降低计算复杂度并避免局部最优。
2024-02-25 cs.LG cs.NI
A Multi-Agent DRL-Based Framework for Optimal Resource Allocation and Twin Migration in the Multi-Tier Vehicular Metaverse
Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Qatar University（卡塔尔大学）；École de Technologie Supérieure (ÉTS)（高等技术学院）；Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
提出一种集成GCN、Stackelberg博弈与MADRL的多层级车载元宇宙框架，通过MO-MADDPG算法联合优化资源分配与孪生迁移，显著提升延迟、资源利用率、迁移成本及用户体验。
2025-02-26 cs.AI cs.GT cs.NI
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
Decentralized Power Allocation for MIMO-NOMA Vehicular Edge Computing Based on Deep Reinforcement Learning
车载边缘计算（VEC）被认为是处理车载用户（VU）爆炸性计算任务的一种很有前途的方法。在VEC系统中，每个VU通过卸载来分配功率以处理部分任务，并且通过本地执行来处理剩余的任务。在卸载过程中，每个VU采用多入多出非正交多址（MIMO-NOMA）信道，以提高信道频谱效率和容量。然而，由于MIMO-NOMA信道引起的VU之间的信道干扰和每个VU的移动性引起的时变路径损耗，信道条件是不确定的。此外，在现实世界中，每个VU的任务到达是随机的。任务到达的随机性和信道条件的不确定性对每个VU的功耗和延迟有很大影响。在MIMO-NOMA VEC中，考虑随机任务到达和信道变化，设计最优的功率分配方案，以优化包括功耗和延迟在内的长期回报是至关重要的。与传统的集中式深度强化学习（DRL）方案不同，本文构建了一个分散式深度强化学习框架，将局部观测值作为状态来表达功率分配优化问题。采用深度确定性策略梯度（DDPG）算法学习基于分散式DRL框架的最优功率分配方案。仿真结果表明，我们提出的功率分配方案优于现有的计划。
2021-12-29 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
SPIN: Simulated Poisoning and Inversion Network for Federated Learning-Based 6G Vehicular Networks
University of Sindh（信德大学）；Munster Technological University（芒斯特理工大学）；Nearby Computing（Nearby Computing公司）
关于车载网络的应用受益于超5G和6G技术的愿景，例如超密集网络拓扑、低延迟和高数据率。车载网络一直面临着数据隐私保护的问题，这导致了分布式学习技术的出现，如联邦学习。虽然联邦学习在一定程度上解决了数据隐私保护问题，但该技术很容易受到模型反演和模型中毒攻击。我们假设防御机制的设计和攻击是同一枚硬币的两面。设计一种方法来减少漏洞需要攻击是有效的和具有挑战性的现实世界的影响。在这项工作中，我们提出了模拟中毒和反演网络（SPIN），利用优化方法从车辆节点训练的差分模型中重建数据，并在传输到路边单元（RSU）时拦截。然后，我们训练一个生成对抗网络（GAN），以提高数据的生成与每个通过轮和全局更新从RSU，相应地。评价结果表明，所提出的方法的定性和定量的有效性。SPIN发起的攻击可以在公共数据集上降低高达22%的准确性，而只需使用单个攻击者。我们认为，揭示这种攻击的模拟将有助于我们找到一种有效的防御机制。
2022-11-21 cs.CR cs.LG cs.NI
Self-Sustaining Caching Stations: Towards Cost-Effective 5G-Enabled Vehicular Networks
在本文中，我们研究了具有成本效益的5G车载网络，以支持新兴的车载应用，如自动驾驶、车载信息娱乐和基于位置的道路服务。为此，引入了自持缓存站（SCS），以将道路基站从电力线和有线回程的约束中解放出来。具体而言，支持缓存的SCS由可再生能源供电，并通过无线回程连接到核心网络，可以实现“即插即用”部署，绿色运营和低延迟服务。通过集成SCS，进一步提出了支持5G的异构车辆网络架构，其中SCS沿着路边部署用于流量卸载，而传统的宏基站（MBS）为车辆提供无处不在的覆盖。此外，一个分层的网络管理框架的设计，以处理高动态的车辆交通和可再生能源，内容缓存，能源管理和交通导向联合调查，以优化服务能力的SCS与平衡的电力需求和供应在不同的时间尺度。案例研究，以说明SCS部署和操作设计，并讨论了一些开放的研究问题。
2017-06-26 cs.IT cs.NI math.IT
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
Secure and Ultra-Reliable Provenance Recovery in Sparse Networks: Strategies and Performance Bounds
起源嵌入算法是众所周知的用于跟踪无线网络中的信息流的足迹。最近，低延迟的出处嵌入算法在车辆网络中受到了关注，这是由于对数据包的交付有严格的截止日期。虽然现有的低延迟起源嵌入方法专注于减少数据包延迟，但由于参与节点的移动性，它们假设底层拓扑结构上的完整图。我们确定，完整的图的假设导致次优性能的起源恢复，特别是当车辆网络是稀疏的，这通常是在高峰时段的交通状况之外观察。因此，我们提出了一个两部分的方法来设计稀疏车辆网络的出处嵌入算法。在第一部分中，我们提出了安全和实用的拓扑学习策略，而在第二部分中，我们设计的起源嵌入算法，保证超可靠性，在起源恢复过程中，将在目的地的拓扑知识。除了使用拓扑知识进行起源恢复的新颖思想之外，实现超可靠性的一个显着特征是在数据包中使用哈希链，该哈希链将数据包的通信开销与目的地的复杂性开销进行交易。我们推导出我们的策略的性能上紧的上限，并表明导出的界限，当优化与适当的约束，提供优于现有方法的设计参数。最后，我们还在基于OMNeT++的仿真环境中实现了我们的想法，以证明它们的延迟优势确实使它们适合于车载网络应用。
2022-04-01 cs.IT cs.NI math.IT
Enabling Intelligent Vehicular Networks Through Distributed Learning in the Non-Terrestrial Networks 6G Vision
Alma Mater Studiorum - Università di Bologna（博洛尼亚大学）；Department of Electrical, Electronic and Information Engineering “Guglielmo Marconi”（古列尔莫·马可尼电气、电子与信息工程系）
针对6G智能交通系统资源受限场景，提出联合空中地面网络的联邦分割迁移学习（FSTL）方法，利用高空平台提升学习效率，仿真验证其有效性。
2023-09-07 cs.AI cs.DC cs.NI
