Exploiting Moving Intelligence: Delay-Optimized Computation Offloading in Vehicular Fog Networks
未来的汽车将拥有丰富的计算资源，以支持自动驾驶，并通过无线技术连接。因此，出现了车载雾网络（VeFN），通过计算任务卸载实现计算资源共享，提供广泛的雾应用。然而，车辆的高机动性使得很难保证整个任务卸载过程中的通信和计算延迟。在本文中，我们首先回顾了VeFN中任务卸载的最新技术，并认为移动性不仅是VeFN中及时计算的障碍，而且还可以提高延迟性能。然后，我们将机器学习和编码计算确定为解决和利用VeFN移动性的关键技术。通过案例研究，说明了如何调整学习算法以适应VeFN中的动态环境，以及如何利用机会计算卸载和任务复制的移动性。
2019-02-07 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
Grey Wolf-Based Task Scheduling in Vehicular Fog Computing Systems
本文提出一种基于灰狼优化的车载雾计算任务调度算法，通过多目标优化降低完工时间和货币成本，实验证明其成本最低。
2024-12-15 cs.NI
Message Dissemination in Connected Vehicles
近年来，基于车辆自组织网络（VANESTs）的连接车辆的进展在以有效方式传播消息方面在智能交通系统（ITS）中获得了显著关注。VANET使用专用短程通信（DSRC）在车辆之间和基础设施之间传播消息。虽然基于DSRC的通信是可行的，但当车辆不在彼此的传输范围内时，及时传播消息仍然具有挑战性。此外，当道路上的车辆密度增加时，DSRC通信信道严重拥塞。为了解决这些限制，采用两种新兴范例：1）车辆云计算和2）车辆雾计算以在连接的车辆环境中在车辆之间传播消息。车辆雾计算使用雾节点在车辆之间传播消息。任何真实世界的对象都可以通过获取1）网络连接性，2）计算性和3）存储性等属性来形成雾节点。在本书的这一章中，我们强调了基于DSRC、车载云计算和车载雾计算等技术的互联车辆中的消息传播的重要性。我们的目标是帮助读者更好地了解互联车辆和通信技术的基本原理，同时在车辆之间和基础设施之间传播信息。
2020-09-03 cs.NI
DFCV: A Novel Approach for Message Dissemination in Connected Vehicles using Dynamic Fog
车载自组织网络（VANET）已成为一个有前途的解决方案，以提高道路安全。由于车辆的高移动性、频繁变化的拓扑结构和车辆的高密度所引起的分组延迟，导致频繁的路由中断和分组丢失，VANET中的消息的路由是具有挑战性的。以前的研究人员已经使用车辆雾计算或云计算中的移动性来解决路由问题，但他们遭受大的数据包延迟和频繁的数据包丢失。我们提出了动态雾联网车辆（DFCV），雾计算为基础的计划，根据通信需求动态创建，增量和销毁雾节点。DFCV的新颖之处在于在高车辆密度下提供较低的延迟和有保证的消息传递。使用由ns-2、SUMO和Cloudsim组成的混合模拟进行模拟。结果表明，DFCV在高车辆密度下保证了有效的资源利用率、较低的分组延迟和丢失率。
2018-05-30 cs.NI
A Q-Learning Approach for Dynamic Resource Management in Three-Tier Vehicular Fog Computing
Razi University（拉齐大学）；Kermanshah University of Technology（克尔曼沙赫理工大学）
本文提出基于Q学习的动态资源管理方法，用于优化车载雾计算环境中的资源分配，通过强化学习提升系统性能和任务处理效率。
2026-02-16 cs.NI
Deep Reinforcement Learning for Delay-Optimized Task Offloading in Vehicular Fog Computing
针对车雾计算中任务卸载的延迟优化问题，本文构建含新型车辆移动模型的仿真环境，提出基于深度强化学习的卸载算法，在最小化全局任务延迟与缓解队列拥塞上均优于传统方法，具备自扩展能力。
2024-10-08 cs.NI
Fog Computing for Detecting Vehicular Congestion, An Internet of Vehicles based Approach: A review
交通拥堵直接影响交通部门的效率。用于车辆客户端的无线传感器网络用于交通管理应用的基于车辆互联网的解决方案中。研究发现，使用基于车联网的联网车辆技术进行车辆拥堵检测对于拥堵处理实际上是可行的。结果发现，通过在车载无线传感器网络中使用基于雾计算的原理，可以改善系统中的通信，以支持更大数量的节点而不影响性能。本文研究了基于互联车辆技术的车辆拥堵识别技术。研究了可用于车辆网络的计算范例，以开发实际可行的车辆拥塞检测系统，该系统可以准确地执行大覆盖区域和多种场景。所设计的系统预计将检测拥堵，以满足交通管理目标，是智能交通系统中的首要任务。
2019-10-31 cs.NI eess.SP
Delay Sensitive Task Offloading in the 802.11p Based Vehicular Fog Computing Systems
车雾计算（VFC）被认为是一种很有前途的解决方案，以处理自主车辆网络中的爆炸性任务。在VFC系统中，任务卸载是高效处理计算密集型任务的关键技术。在任务卸载中，任务根据802.11p标准被传送到VFC系统，并由VFC系统中的计算资源处理。任务卸载的延迟，包括传输延迟和计算延迟，是非常关键的，特别是对于一些延迟敏感的应用。此外，系统的长期奖励（即，联合考虑传输延迟、计算延迟、可用资源以及车辆和任务的多样性）对于提供商来说变得非常重要。因此，在这篇文章中，我们提出了一个最佳的任务卸载方案，以最大限度地提高系统的长期回报，其中802.11p是作为车辆之间的通信传输协议。具体来说，一个任务卸载问题的半马尔可夫决策过程（SMDP）的基础上制定。为了解决这个问题，我们利用基于Bellman方程的迭代算法来逼近期望的解。所提出的方案的性能已被证明了大量的数值结果。
2020-12-02 cs.NI
Fogbanks: Future Dynamic Vehicular Fog Banks for Processing, Sensing and Storage in 6G
固定边缘处理已成为5G网络的一个关键功能，同时在减少延迟、提高能效和按需引入灵活的计算资源利用方面发挥着关键作用，并节省了额外的成本。预计自动驾驶汽车将拥有更多的车载处理能力，并具有更好的连接性。车辆继续在一天中的一小部分时间内使用，因此，当车辆处于短期和长期停车场、道路和道路交叉口时，有可能通过利用这些资源来提高处理能力。这些停车场和路段可以通过6G网络转变为车辆雾群或雾库，可以提供处理，存储和传感功能，从而利用未充分利用的车辆资源。我们介绍了Fogbanks的概念，概述了目前在车辆云方面正在进行的研究工作，并提出了在自动驾驶将变得司空见惯的世界中6G的前景方向。此外，我们研究了基于云的Fogbank架构中的处理分配问题。我们解决这个问题，使用混合编程（MILP），以最大限度地减少总功耗的建议架构，考虑到两个分配策略，单一分配的任务和分布式分配。最后，我们描述了建立可靠性、安全性、虚拟化、能源效率、商业模式和标准化所需的其他未来方向。
2020-05-10 cs.NI eess.SP
The Impact of Vehicular Traffic Demand on 5G Caching Architectures: a Data-Driven Study
车载娱乐系统和自动驾驶汽车的出现，以及后者对高分辨率、最新地图的需求，将进一步增加汽车消耗的数据量。考虑到车载环境中WiFi卸载的困难程度，大部分额外负载将由蜂窝网络提供。反过来，蜂窝网络将在网络边缘进行缓存，以减少其核心网络的压力，这种方法也称为移动边缘计算或雾计算。在这项工作中，我们利用来自We-Fi应用程序用户的真实世界的大规模跟踪，以便（i）了解车辆用户对全球交通需求的贡献有多重要;（ii）比较不同缓存架构的性能;以及（iii）研究推荐系统和内容局部性如何影响这种性能。我们通过一个名为price-of-fog的指标来表示雾计算的价格，与传统的集中式方法相比，考虑到要部署的额外缓存。我们发现，雾计算允许一个非常显着的减少核心网络上的负载，其价格在所有情况下都很低，变得可以忽略不计，如果内容的需求是位置特定的。因此，我们可以得出结论，车载网络是过渡到移动边缘缓存的绝佳案例：由于车辆需求的特殊特征，我们可以获得雾计算的所有好处，包括减少核心网络上的负载，将缺点降至最低。
2016-11-24 cs.NI
Enhancing Security in VANETs with Efficient Sybil Attack Detection using Fog Computing
车载自组织网络（VANESTs）促进车辆广播信标消息以确保道路安全。VANGAN中的流氓节点通过广播恶意信息导致灾难性后果（例如车辆碰撞），从而引发Sybil攻击，以制造虚假交通拥堵的假象。以前的研究人员使用密码学，信任分数或过去的车辆数据来检测流氓节点，但他们遭受高处理延迟，开销和误报率（FPR）。我们提出了一个雾计算为基础的Sybil攻击检测VANESTs（FSDV），它利用车载单元（OBU）的所有车辆在该地区创建一个动态的雾流氓节点检测。我们的目标是减少数据处理延迟，开销和FPR在检测流氓节点导致Sybil攻击在高车辆密度。我们的框架的性能进行了模拟使用OMNET++和SUMO模拟器。结果表明，我们的框架，确保43%的处理延迟降低，13%的开销降低，并在高车辆密度降低FPR 35%相比，现有的Sybil攻击检测方案。
2021-08-23 cs.CR cs.NI
Efficient 3D Road Map Data Exchange for Intelligent Vehicles in Vehicular Fog Networks
通过连接智能车辆以及路边基础设施，可以显著扩展车辆的感知范围，并可以有效地检测和避免盲点处的隐藏物体。为了实现这一点，必须将精确的道路地图数据实时的下载到这些智能车辆中，以用于导航和定位目的。此外，云还必须随着道路网络中发生的动态变化而更新。这些涉及到传输高清3D道路地图数据，以准确地表示物理环境。在这项工作中，我们提出了解决方案下的雾计算架构在异构车辆网络，以优化智能车辆，路边基础设施，以及区域数据库之间的数据交换。具体而言，在路边雾节点的3D道路地图数据传播的效率是通过利用索引编码技术来实现的，以减少整体数据负载，而异构传输的机会主义调度可以做明智地管理网络资源，并最大限度地减少运营成本。此外，3D点云编码和哈希技术被应用于加快网络中的各种动态变化的更新。我们根据车辆的真实移动轨迹和城市街道的3D光检测和测距（LIDAR）数据对所提出的解决方案进行了经验评估。所提出的系统也实现了多机器人试验台的实际评估。
2020-01-13 cs.NI
5G Software Defined Vehicular Networks
随着第五代（5G）移动通信系统和软件定义网络的出现，不仅可以提高车辆网络的性能，而且未来车辆对车辆网络的新应用提出了要求，例如，无人驾驶汽车针对智能交通系统的需求，提出了一种融合5G移动通信技术和软件定义网络的新型车载网络架构。此外，已经提出了雾单元以灵活地覆盖车辆并避免车辆和路边单元（RSU）之间的频繁切换。基于所提出的5G软件定义车载网络，分析和比较了传输延迟和吞吐量。仿真结果表明，考虑不同车辆密度时，5G软件定义车联网存在一个最小传输时延。此外，5G软件定义车辆网络中雾小区的吞吐量优于传统交通管理系统的吞吐量。
2017-02-13 cs.NI
A Comprehensive Survey on the Convergence of Vehicular Social Networks and Fog Computing
Ontario Tech University（安大略理工大学）
近年来，物联网设备的数量一直在快速增长，这导致了对来自不同物联网设备的原始数据进行管理、存储、分析和决策的挑战性任务，特别是对于延迟敏感的应用。在车辆网络（VANET）环境中，车辆的动态特性使得当前开放的研究问题更具挑战性，由于频繁的拓扑变化，可能导致车辆之间的断开。为此，已经在5G基础设施上的云和雾计算的背景下提出了许多研究工作。另一方面，有各种各样的研究建议，旨在延长车辆之间的连接时间。车辆社交网络（VSN）已经被定义为减少车辆之间的连接时间的负担。本调查报告首先提供了有关雾、云和相关范例（如5G和SDN）的必要背景信息和定义。然后，它向读者介绍了车辆社交网络，不同的度量标准以及VSN和在线社交网络之间的主要区别。最后，本调查调查了在VANESCO背景下的相关工作，这些工作展示了不同的架构来解决雾计算中的不同问题。此外，它提供了不同的方法的分类，并讨论了雾和云的背景下所需的指标，并将它们与车辆社交网络进行比较。讨论了相关工作的比较以及VSN和雾计算领域的新的研究挑战和趋势。
2021-11-30 cs.AI cs.NI
Energy Efficient Processing Allocation in Opportunistic Cloud-Fog-Vehicular Edge Cloud Architectures
本文研究车辆边缘云（VECs）中的分布式处理，在车辆边缘云中，停车场、充电站或道路交通交叉口的一组车辆通过组合集群中的计算资源而聚集并形成临时车辆云。研究了VEC中的节能处理任务分配问题，通过建立混合线性规划（MILP）模型，优化不同处理任务在可用网络资源、云资源、雾资源和车载处理节点资源上的分配，以最小化功耗。研究了加工分配的三个维度。第一个维度比较了集中式处理（在中央云中）和分布式处理（在多层雾节点中）。第二个维度引入了低和高车辆节点密度的车辆节点中的机会性处理。第三个维度考虑了不可分割的任务（单一分配）和可分割的任务（分布式分配），分别代表实时和非实时应用程序。结果表明，通过将处理分配给车辆，可以实现高达70%的节能。然而，许多因素对节能有影响，例如车辆处理能力、车辆密度、工作负载大小和生成的任务数量。据观察，通过利用可用车辆之间的任务分配所提供的灵活性，可以提高节能效果。
2020-06-25 cs.NI eess.SP
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
Joint Computing Resource Allocation and Task Offloading in Vehicular Fog Computing Systems Under Asymmetric Information
针对车辆雾计算中信息不对称、资源有限及任务卸载效率低的问题，提出融合RSU与雾车辆能力的分层架构，设计基于凸优化、契约理论和匹配博弈的联合资源分配与任务卸载方法，有效提升系统多方面性能。
2025-10-30 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
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
Optimization of End-to-End AoI in Edge-Enabled Vehicular Fog Systems: A Dueling-DQN Approach
本文针对车载雾系统中端到端信息年龄优化问题，提出基于深度强化学习的Dueling-DQN算法，并通过仿真验证其优于DQN和解析方法，从而提升信息新鲜度和决策效率。
2024-10-02 cs.NI eess.SP
LLM-Empowered Cooperative Content Caching in Vehicular Fog Caching-Assisted Platoon Networks
School of Internet of Things Engineering, Jiangnan University（江南大学物联网工程学院）；School of Information Engineering, Jiangxi Provincial Key Laboratory of Advanced Signal Processing and Intelligent Communications, Nanchang University（江西省级先进信号处理与智能通信重点实验室，南昌大学信息工程学院）；Department of Electronic Engineering, State Key Laboratory of Space Network and Communications, and the Beijing National Research Center for Information Science and Technology, Tsinghua University（电子工程系，空间网络与通信国家重点实验室，信息科学与技术国家研究中心，清华大学）；Department of Computer Science, Brunel University（计算机科学系，布鲁内尔大学）；State Key Laboratory of ISN and the School of Telecommunications Engineering, Xidian University（信息与通信国家重点实验室，西安电子科技大学电信工程学院）
本文提出利用大语言模型实现车辆雾缓存辅助车列网络中的协同内容缓存，通过智能决策提升缓存效率与内容检索性能。
2026-02-04 cs.AI cs.NI
Delay-sensitive Task Offloading in Vehicular Fog Computing-Assisted Platoons
针对车辆雾计算辅助车队中计算资源不足导致的任务处理时延问题，本文提出一种基于半马尔可夫决策过程的卸载策略，以最小化卸载时延并最大化长期回报，仿真实验验证了其有效性。
2023-09-19 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
Energy Efficient Resource Allocation in Vehicular Cloud based Architecture
车载处理单元在车辆中的可用性越来越高，这导致了一种新的有前途的移动边缘计算（MEC）概念，该概念在车辆云（VC）概念下集成了云和VANELS的理想功能。在本文中，我们提出了一种架构，将VC与城域雾节点和中央云集成，以确保服务的连续性。我们解决了能源效率的资源分配在这个架构中的问题，通过开发一个混合线性规划（MILP）模型，以最大限度地减少功耗，通过优化分配不同的任务，在这个架构中的可用资源。我们研究服务供应考虑不同的分配策略，根据不同的应用需求，并分析这些策略的VC资源的利用率，因此，整体功耗的影响。结果表明，与处理需求的影响相比，业务需求对功耗的影响更大。在基于云的架构中集成地铁雾节点和车辆边缘节点可以节省电力，平均节省电力高达54%。与将整个任务分配给单个处理节点相比，通过在VC层中将任务分配分配给多个车辆可以节省12%的功率。
2019-04-29 cs.NI
ESIA: An Efficient and Stable Identity Authentication for Internet of Vehicles
本文提出 ESIA 方案，通过分层区块链与车载雾计算结合，以自下而上的 B2UHChain 共识机制实现车联网中高效、稳定且安全的身份认证，显著提升可扩展性并降低开销。
2023-05-27 cs.CR cs.NI
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
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
Energy Efficient and Delay Aware Vehicular Edge Cloud
车辆边缘云（VECs）是一种新的分布式处理范例，其利用车辆处理能力的革命来提供节能服务和改进的QoS。在本文中，我们解决了在云雾VEC架构的处理分配问题，通过开发一个联合优化混合线性规划（MILP）模型，以最小化功耗，传播延迟，和排队延迟。结果表明，虽然VEC处理可以降低功耗和传播延迟，但由于车辆和数据源节点之间的低数据率连接，VEC处理会增加排队延迟。
2020-04-15 cs.NI eess.SP
Graph-based Heuristic Solution for Placing Distributed Video Processing Applications on Moving Vehicle Clusters
车载雾计算（VFC）被设想为云和移动边缘计算的扩展，以利用车辆中丰富的传感和处理资源。我们专注于在城市交通拥堵中花费大量时间的缓慢行驶的汽车，作为车载传感器，摄像机和处理能力的潜在池。为了利用动态网络和处理资源，我们利用随机移动模型来选择具有相似移动模式的节点。然后，我们设计了两个分布式应用程序，实时缩放，并放置在选定的车辆雾节点上的多个实例。我们通过a）处理不稳定的车辆环境，使用真实的车辆密度数据来构建一个现实的移动性模型，该模型有助于选择用于服务部署的节点b），使用社区检测算法来使用车辆的预测移动性行为来选择鲁棒的车辆集群。使用图中心性度量来验证所选择的集群的稳定性，以及c）基于图的放置算法被开发以基于多目标约束优化问题以有效资源利用为目标来找到服务图的最优放置。该启发式算法通过平衡增加服务实例的数量以具有足够的处理实例冗余以在节点或链路故障的情况下增加服务中的弹性与减少它们的数量以最小化资源使用之间的权衡来解决处理从分布式设备生成的数据的重要问题。我们比较我们的启发式的整数线性规划的解决方案和首次适合启发式。我们的方法在资源利用率和/或具有更小的服务延迟方面比这些类似的方案表现得更好，这是安全相关应用程序的关键要求。
2021-10-26 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
Performance Analysis of Message Dissemination Techniques in VANET using Fog Computing
车载自组织网络（VANET）是以车辆为移动节点的移动自组织网络（MANET）的衍生子类。VANET通过消息的方式促进车辆之间的安全和非安全信息共享。安全信息包括道路事故、自然灾害、路障等。非安全信息包括收费信息、旅行者信息等。共享这些信息的主要目的是通过提醒驾驶员注意意外危险来提高道路安全并减少道路事故。然而，在VANET中的消息的路由是具有挑战性的，由于车辆的高移动性，频繁变化的拓扑结构和高密度的车辆所产生的分组延迟，导致频繁的路由中断和分组丢失。本文基于雾计算技术对VANET中安全和非安全消息分发技术进行了性能分析。提高消息分发性能的三个主要指标是：1）延迟，2）消息传递的概率，以及3）吞吐量。这些指标的分析起着重要的作用，以提高现有的消息传播技术的性能。仿真通常使用ns-2和Java离散事件仿真器基于度量进行。上述三个性能指标和结果发表在文献中帮助一个理解和提高性能的各种消息传播技术在VANET环境中。
2020-03-09 cs.NI
SACRIFICE: A Secure Road Condition Monitoring Scheme over Fog-based VANETs
随着车载自组织网络的快速发展，大量的路况数据不断产生并发送到云端进行处理。然而，这在网络带宽上引入了显著的负载，导致网络中的延迟，并且对于像VANET这样的时间关键应用，这种延迟可能对实时流量管理产生严重影响。这种延迟可以通过将一些计算任务卸载到尽可能靠近车辆的设备来减少。此外，车辆的安全性和隐私性是此类应用中的另一个重要问题。因此，本文提出了一种基于雾的车辆网络的安全路况监测方案。它考虑了具有计算能力的路边单元（RSU），这些单元充当车辆和云之间的中间雾节点，以减少决策延迟，从而提高可扩展性。除了满足基本的安全功能，我们的计划还支持先进的功能，如不可链接性和不可追溯性。详细的安全性分析证明，该方案可以处理内部和外部的对手。我们还证明了我们的计划，通过理论开销分析的效率。最后，该方案进行了模拟使用一个集成的SUMO和NS-3平台，以显示其可行性的实际实现，而不影响网络性能。实验结果表明，与现有方案相比，该方案在保证数据包投递率的同时，执行时间和端到端延迟分别平均提高了80.96%和37.5%.
2021-11-23 cs.CR cs.NI
Minimising Delay and Energy in Online Dynamic Fog Systems
物联网（IoT）设备的使用越来越多，对数据传输产生了更大的需求，并给网络带来了更大的压力。此外，与云服务的连接可能成本高昂且效率低下。雾计算在用户设备附近提供资源以克服这些缺点。然而，物联网应用中的服务质量（QoS）优化和雾资源管理正成为具有挑战性的问题。本文介绍了一种动态在线卸载计划在车辆交通应用程序，需要执行延迟敏感的任务。本文提出了两种算法的组合：动态任务调度（DynamicTaskScheduling，简称TQM）和动态能量控制（DynamicEnergyControl，简称DEC），旨在最大限度地减少总体延迟，提高用户任务的吞吐量，最大限度地减少雾层的能耗，同时最大限度地利用资源受限的雾节点。实验结果表明，与其他方案相比，这些算法可以减少高达80.79%的延迟，并减少高达66.39%的能量消耗在雾节点。此外，这种方法将任务执行吞吐量提高了40.88%。
2020-12-23 cs.DC cs.NI
A Fog Computing Framework for Autonomous Driving Assist: Architecture, Experiments, and Challenges
自动驾驶有望带来一系列深远的经济、环境和安全效益。在这项研究中，我们提出了一个雾计算为基础的框架，以协助自动驾驶。我们的框架依赖于来自摄像头的俯视图和来自车辆传感器的数据流，在雾机上创建一个分布式数字孪生网络，称为边缘孪生。Edge Twin将随着自动驾驶和人类驾驶车辆在路段上的位置不断更新。车辆位置将从头顶摄像机以及车辆本身的位置馈送中获得。虽然边缘双胞胎可以从全局角度进行公平的道路空间分配，但从摄像机和车辆传感器到达它时存在通信成本（延迟）。为了解决这个问题，我们引入了一个机器学习预测器作为边缘孪生模型的一部分，负责预测车辆的未来位置。最后，我们引入了一个框算法，该算法将使用预测值为路段创建危险地图，该地图将被框架用于为自动驾驶车辆建议安全操作，例如车道变换和加速。我们提出了完整的雾计算框架，自动驾驶辅助和评估的关键部分，建议框架使用模拟的基础上，在高速公路上的车辆位置轨迹的真实世界的数据集
2019-07-16 cs.NI eess.SP
The state-of-the-art review on resource allocation problem using artificial intelligence methods on various computing paradigms
University of Birjand（比尔詹德大学）；Mazandaran University of Science and Technology（马赞达兰科技大学）；Qom University of Technology（库姆理工大学）；Deakin University（迪肯大学）；Singapore University of Social Sciences（新加坡社会科学大学）；Ngee Ann Polytechnic（义安理工学院）；Asia University（亚洲大学）
随着通过智能设备的信息的日益增长，提高人类生活的质量水平需要各种计算范式的呈现，包括物联网，雾和云。在这三种范式之间，云计算范式作为一种新兴技术，将云层服务添加到网络边缘，使得资源分配操作发生在终端用户附近，以减少资源处理时间和网络流量开销。因此，通过使用计算范例，其提供商在呈现合适的平台方面的资源分配问题被认为是一个挑战。一般来说，资源分配方法分为两种方法，包括基于拍卖的方法（目标，增加服务提供商的利润-增加用户满意度和可用性）和基于优化的方法（能量，成本，网络开发，带宽，减少时延）。本文根据最新的科学成果，提供了关于各种计算环境中基于资源分配优化而不考虑基于拍卖的方法的人工智能方法的综合文献研究（CLS），例如云计算，车载雾计算，无线，物联网，车载网络，5G网络，车载云架构，机器对机器通信（M2M），列车对训练（T2 T）通信网络、对等（P2P）网络。由于基于人工智能的深度学习方法被用作资源分配问题中最重要的方法;因此，在本文中，基于深度学习的资源分配方法也被用于所提到的计算环境中，如深度强化学习、Q学习技术、强化学习、在线学习，以及经典学习方法，如贝叶斯学习、康明斯聚类、马尔可夫决策过程
2022-11-04 cs.AI cs.NI
Vehicle Collision Detection & Prevention Using VANET Based IoT With V2V
紧急警报在任何事故的情况下是至关重要的，以拯救受害者。因此，本文提出了与碰撞时的紧急警报条件有关的主要分析结果（汽车）。在这项研究中，作者研究了现代物联网（IoT）和VANET（车载自组织网络）技术，并开发了一系列现代和专业技术及其特点。它具有传感器，可以检测不平衡的情况，并在发生碰撞时向微控制器发出警告。此外，该技术可以以这样的方式实现，即警告车辆可能关闭障碍物。车对车通信（V2V）具有巨大的影响，因为它允许车辆在接近时相互通信，蜂鸣器与LED一起用作安全功能。该系统的主要目标是在各种环境中执行微控制器功能，此外，该概念指的是检测和防止碰撞，特别是在雾天以及夜间和其他奇怪的情况下。物联网（IoT）和车载自组网（VANET）现已融合为智能交通系统（ITS）的基础和核心组件。此外，虽然获得保险的程序对某些人来说可能更长。另一方面，其他人在卷入严重冲突后可能会逃避法律，这使得当局难以区分刑事证据和非刑事证据。
2022-05-16 cs.NI
Practical Evaluation of Wize and Bluetooth 5 Assisted RFID for an Opportunistic Vehicular Scenario
针对严苛环境下RFID通信难的问题，本文对比Bluetooth 5与Wize用于低成本SBC构建的机会边缘计算识别系统的性能，测试路边节点与行驶车辆节点通信的延迟与丢包率，给出两种技术的实测表现。
2024-10-30 cs.ET cs.NI
