Optimizing System Latency for Blockchain-Encrypted Edge Computing in Internet of Vehicles
本研究针对车联网边缘计算的任务卸载安全问题，提出融合区块链Raft共识机制的安全框架，通过推导延迟公式与凸优化方案降低区块链引入的额外延迟，仿真验证其可有效减小时延且波动稳定，为未来网络安全效率提升提供参考。
2025-06-17 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
Secure and Reliable Transfer Learning Framework for 6G-enabled Internet of Vehicles
在即将到来的6G时代，车联网（IoV）已经向具有超高数据率、无缝联网覆盖和人工智能（AI）的泛在智能的6G车联网演进。迁移学习（TL）具有巨大的潜力，可以为智能驾驶辅助等有前景的6G车联网提供支持，其突出特点包括提高训练数据的质量和数量，加快学习过程并减少计算需求。虽然TL已经被广泛地采用在无线应用中（例如，频谱管理和缓存），其在6G车联网中的可靠性和安全性仍然没有得到很好的研究。例如，源域中的恶意车辆可以传输和共享不可信模型（即，知识）有关目标域的连接可用性，从而对学习过程的性能产生不利影响。因此，重要的是要选择和激励值得信赖的车辆参与TL。在本文中，我们首先介绍了TL和6G赋能的车联网的集成，并为6G赋能的车联网提供TL应用。然后，我们设计了一个安全可靠的迁移学习框架，通过使用信誉来评估预训练模型的可靠性，并利用联盟区块链来实现安全高效的去中心化信誉管理。此外，基于深度学习的TL车型市场拍卖方案被设计用于激励高信誉车辆参与车型共享。最后，仿真结果表明，所提出的框架是安全和可靠的，具有良好的设计激励TL在6G使能车联网。
2021-11-10 cs.NI
A Cooperative Content Dissemination Framework for Fog-Based Internet of Vehicles
基于雾的车联网（IoV）具有丰富的感知、计算、通信和存储资源，为海量数据处理提供了新的解决方案。然而，车辆的移动性带来的冲击给内容分发服务的内容调度和资源分配带来了挑战。在本文中，我们提出了一个随时间变化的资源关系图模型的感知，计算，通信和存储资源在多个快照上的内容传播过程的车联网的相互交织的影响。基于该图模型，将内容分发过程建模为一个数学优化问题，同时考虑了延迟容忍服务和延迟敏感服务的服务质量。由于其NP完全性，优化问题被分解为一个联合链路和子信道调度子问题，以及一个联合功率和流量控制子问题。针对链路和子信道联合调度子问题，提出了一种级联的低复杂度调度算法。此外，针对功率和流量控制子问题开发了一种鲁棒的资源管理算法，该算法充分考虑了未来快照中的信道不确定性。最后，我们进行模拟，以表明所提出的方法的有效性优于其他国家的最先进的方法。
2023-02-20 cs.NI
Electric Vehicles Charging Control based on Future Internet Generic Enablers
在本文中，未来的互联网为基础的应用在电动汽车（EV）智能充电领域的部署的基本原理。重点是连接设备接口（CDI）通用使能器（GE）和网络信息和控制器（NetIC）GE，它们被认为对充电控制问题和可重新配置的充电点集群内的通信网络配置具有潜在影响。CDI GE可用于在充电功率由于短期电网需求而突然受限的情况下捕获驾驶员在体验质量（QoE）方面的反馈，例如输电系统运营商向配电系统运营商要求的旨在清除由于输电线路损失或大的风力波动引起的网络意外事件的甩负荷动作。NetIC GE可在主电动车辆供电设备（EVSE）托管负载区域控制器时使用，该负载区域控制器负责管理给定负载区域（LA）内的同时充电会话;配电网拓扑的重新配置导致EVSE在LA之间转移，然后需要重新分配从EVSE。通过智能电网架构模型（SGAM）提供的标准化框架，确定参与者、设备、通信和流程。
2015-03-04 cs.NI
Efficient Rate-Splitting Multiple Access for the Internet of Vehicles: Federated Edge Learning and Latency Minimization
速率分离多址（RSMA）最近在多天线辅助的无线下行链路中得到青睐，因为其益处在于放松发射机处的信道状态信息（CSIT）的准确性，同时实现高频谱效率并提供安全保证。这些好处是特别重要的高速车辆排，因为他们的高多普勒影响的CSIT的估计精度。为了应对这一挑战，我们提出了一种基于RSMA的车联网（IoV）解决方案，该解决方案在下行链路中联合考虑了队列控制和FEEL边缘学习（FEEL）。具体地，所提出的框架被设计用于在IoV排内发送单播控制消息，以及用于隐私保护FEEL辅助的下行链路非正交单播和多播（NOUM）。鉴于这个复杂的框架，多目标优化问题，制定最小化的FEEL下行链路的延迟和车队内的车辆的偏差。为了有效地解决这个问题，块坐标下降（BCD）框架的主要多目标问题解耦成两个子问题。然后，为解决这些非凸子问题，连续凸逼近（SCA）和模型预测控制（MPC）方法被开发用于解决基于FEEL的下行链路问题和队列控制问题，分别。我们的仿真结果表明，所提出的基于RSMA的车联网系统优于传统的系统。
2022-12-13 cs.NI
On the Feasibility of 4.9 GHz Public Safety Band as Spectrum Option for Internet of Vehicles
汽车互联网（IoV）的发展有着前所未有的动力。车联网（V2X）通信被公认为构成车联网的关键技术。尽管如此，V2X通信的频谱在美国正在经历巨大的变化：大部分带宽已经重新分配给Wi-Fi，留给V2X的带宽甚至不到一半。这激发了对用于V2X通信操作的其他候选频谱带的调查，作为保证IoV的有效操作的紧急努力。针对这条线路，本文研究了在现有系统和V2X用户之间共享4.9 GHz公共安全频段的可行性。
2021-12-25 cs.NI eess.SP
Cyber-physical risks of hacked Internet-connected vehicles
汽车技术与互联网连接的整合有望极大地改善交通运输，同时也带来了新的未知风险。互联网连接的车辆就像数字数据，因为它们可能成为恶意黑客的目标。然而，与数字数据不同的是，互联网连接的车辆是网络物理系统，它们相互之间以及与环境进行物理交互。因此，将网络安全问题扩展到网络物理领域，为交通流量中的自组织现象带来了新的可能性。在这里，我们研究了网络安全专家设想的一种情况，导致大量互联网连接的车辆突然同时被禁用。我们使用基于代理的模拟来调查黑客攻击后的流量，并发现渗流的关键相关性，用于在针对车辆的网络攻击发生后立即概率性地预测多车道道路上的结果。我们开发了一个基于分析的模型，以快速评估道路状况的残疾人车辆的密度，并将其应用于研究曼哈顿（纽约州，美国）的街道网络，揭示城市的脆弱性，这种特殊的网络物理攻击。
2019-02-28 cs.CR cs.NI physics.soc-ph
Mobile Edge Intelligence and Computing for the Internet of Vehicles
车联网（IoV）是一种新兴的模式，由车辆通信和网络的最新进展驱动。研究的进步现在可以通过车辆到车辆通信在车辆之间提供可靠的通信链路，以及通过车辆到基础设施通信在车辆和路边基础设施之间提供可靠的通信链路。与此同时，车辆的能力和智能正在迅速增强，这将有可能支持大量新的令人兴奋的应用，这些应用将集成全自动驾驶汽车，物联网（IoT）和环境。这些趋势将带来智能车联网时代，这将严重依赖通信、计算和数据分析技术。为了存储和处理智能车联网产生的大量数据，车载处理和云计算将不足以分别由于资源/功率限制和通信开销/延迟。通过在无线网络边缘部署存储和计算资源，无线接入点，边缘信息系统（EIS），包括边缘缓存，边缘计算和边缘AI，将在未来智能车联网中发挥关键作用。这样的系统将不仅提供低延迟的内容交付和计算服务，而且还提供本地化的数据采集、聚合和处理。本文综述了智能车联网EIS的最新发展。主要设计问题，方法和硬件平台进行了介绍。特别是，说明了智能车辆的典型用例，包括边缘辅助感知，映射和定位。此外，各种开放的研究问题被确定。
2019-06-02 cs.NI eess.SP
Towards a High Efficiency of Native NDN over Wi-Fi 6 for the Internet of Vehicles
命名数据网络（NDN）是一个顶级的体系结构，用于处理Internet上的内容分发。随着视频流传输的爆炸式增长和未来大规模的物联网和车联网（IoT/IoV）流量，不断发展的Wi-Fi网络将在此类生态系统中发挥重要作用。然而，通过无线网络的本机NDN部署可能执行得不好。Wi-Fi广播/多播由于使用基本服务模式而导致吞吐量降低。尽管最近的初步工作解决这个问题，需要进一步的研究和建议，以促进采用本地NDN。我们主张，在无线网络上设计一个可行的本地NDN的第一步应该是了解新兴场景中的挑战，并提供一个统一的基线来比较和推进提案。为此，首先，我们强调了一些挑战和方向，以提高吞吐量和能源效率，减少处理开销和安全问题。接下来，我们提出了一个变种的NDN，最大限度地减少通过单播执行传输，以避免在无线网络中的风暴所确定的问题。最后，我们进行了性能评估，以比较标准原生NDN与我们在Wi-Fi 6车载网络上的建议。结果表明，我们的建议优于标准NDN在评估的情况下，达到接近89%的满意请求的值，实现超过200%的数据接收比标准NDN。
2022-04-27 cs.NI
An Energy-Efficient Transaction Model for the Blockchain-enabled Internet of Vehicles (IoV)
区块链是一种安全，可靠和创新的机制，用于管理众多寻求连接的车辆。然而，根据区块链的原则，更新账本所需的交易数量对车辆构成了严重的问题，因为这些车辆可能会消耗最大的可用能源。为了解决这个问题，本文提出了一个有效的模型，该模型能够通过分布式集群优化控制交易数量，从而处理支持区块链的车联网（IoV）的能源需求。数值结果表明，与传统区块链相比，该方法在节能方面提高了40.16%，在共享整个区块链数据所需的交易数量方面提高了82.06%。
2018-11-30 cs.IR cs.NI stat.AP
Robust Predictive Routing for Internet of Vehicles Leveraging Both V2I and V2V Links
针对车联网中V2I链路易受阻塞和覆盖不足影响的问题，提出ROPE鲁棒预测路由框架，通过预警、虚拟路由和路径验证机制，利用V2V和V2I链路构建持续路径，满足云服务QoS并提升鲁棒性。
2025-03-31 cs.NI
6D Movable Antenna for Internet of Vehicles: CSI-Free Dynamic Antenna Configuration
Jiangnan University（江南大学）；Nanchang University（南昌大学）；Tsinghua University（清华大学）；Brunel University（布鲁内尔大学）；Shanghai Jiao Tong University（上海交通大学）；the Hong Kong University of Science and Technology（香港科技大学）
本文提出一种低复杂度、无CSI的动态天线配置方法，通过整合车辆运动预测与方向响应先验知识，优化天线位置和方向以提升平均总速率。
2026-03-25 cs.NI eess.SP
Generative AI-Enhanced Multi-Modal Semantic Communication in Internet of Vehicles: System Design and Methodologies
本文提出G-MSC框架，利用生成式人工智能增强多模态语义通信，通过优化语义编解码和信道鲁棒性，在车联网预测任务中实现可靠高效通信。
2024-12-29 cs.NI
DRLD-SP: A Deep Reinforcement Learning-based Dynamic Service Placement in Edge-Enabled Internet of Vehicles
National University of Singapore（新加坡国立大学）
5G和边缘计算的发展使车联网的出现成为可能。它支持具有不同资源和服务要求的不同类型的服务。然而，有限的资源在边缘，高流动性的车辆，不断增长的需求，和动态的服务请求类型，使服务安置一个具有挑战性的任务。典型的静态放置解决方案并不有效，因为它没有考虑流量移动性和服务动态性。在车联网中处理动态服务放置是一个重要的和具有挑战性的问题，这是我们的工作在本文中的主要重点。我们提出了一个基于深度强化学习的动态服务放置（DRLD-SP）框架，其目标是最大限度地减少边缘资源使用和服务延迟，同时考虑车辆的移动性，不同的需求，以及不同类型的服务请求的动态性。我们使用SUMO和MATLAB进行仿真实验。实验结果表明，DRLD-SP方法是有效的，优于其他静态和动态布局方法。
2021-09-08 cs.LG cs.NI
Green Internet of Vehicles (IoV) in the 6G Era: Toward Sustainable Vehicular Communications and Networking
车联网作为未来物联网最有前景的应用之一，已被公认为是发展智慧城市智能交通系统的基础技术。随着第六代（6G）通信技术的出现，大量网络基础设施将密集部署，网络节点数量将呈指数级增长，导致极高的能耗。在6G时代，人们对开发绿色车联网以实现可持续的车辆通信和网络的兴趣激增。在本文中，我们提出了绿色车联网的主要考虑因素，从五个不同的场景，包括通信，计算，交通，电动汽车（EV）和能量收集管理。从能量优化的角度比较了与每种情景相关的文献（例如，关于资源分配、工作负载调度、路由设计、业务控制、充电管理、能量收集和共享等）以及影响能量效率的相关因素（例如，资源限制、信道状态、网络拓扑、业务状况等）。此外，我们还介绍了6G中开发绿色车联网系统的潜在挑战和新兴技术。最后，我们讨论了设计节能车联网系统的研究趋势。
2021-08-26 cs.NI eess.SP
Learning Based Task Offloading in Digital Twin Empowered Internet of Vehicles
Xidian University（西安电子科技大学）；Deakin University（迪肯大学）；University of Macau（澳门大学）
移动边缘计算已经成为未来自动驾驶汽车卸载计算任务的有效和基本范例。然而，由于车辆的高机动性、无线条件的动态性以及到达计算任务的不确定性，单个车辆很难确定最优卸载策略。在本文中，我们提出了一个数字孪生（DT）授权的车联网任务卸载框架。作为驻留在云中的软件代理，DT可以通过使用DT之间的通信来获得全局网络信息，并且通过使用Twin内的通信来获得车辆的历史信息。全球网络信息和历史车辆信息可以显著地促进卸载。具体来说，为了在不同级别上为最合适的计算任务保留宝贵的计算资源，我们在DT中集成了一个基于未来计算任务预测的学习方案。因此，我们将卸载调度过程建模为马尔可夫决策过程（MDP），以最大限度地减少任务延迟，能耗和云租赁成本之间的权衡方面的长期成本。仿真结果表明，与现有方法相比，该算法能有效地找到最优卸载策略，并具有较快的收敛速度和较高的性能。
2021-12-28 cs.AI cs.NI
Network Slicing with MEC and Deep Reinforcement Learning for the Internet of Vehicles
未来第五代（5G）无线生态系统中的车辆互联形成了所谓的车联网（IoV）。车联网提供了需要延迟敏感、计算密集和带宽需求服务的新型应用。移动边缘计算（MEC）和网络切片（NS）是5G网络中的两项关键使能技术，可用于优化网络资源分配并保证车联网应用的多样化需求。由于传统的基于模型的优化技术通常以NP难、强非凸和非线性数学规划公式告终，本文引入了一种基于深度强化学习（DRL）的无模型方法来解决基于网络切片的MEC使能车联网中的资源分配问题。此外，该解决方案使用非正交多址接入（NOMA），使稀缺的信道资源的更好的利用。所考虑的问题共同解决的信道和功率分配，切片选择和车辆的选择（车辆分组）。我们建模的问题作为一个单一的代理马尔可夫决策过程。然后，我们使用DRL使用著名的DQL算法来解决它。我们表明，我们的方法是强大的和有效的，在不同的网络条件下相比，基准解决方案。
2022-01-27 cs.NI eess.SP
Digital Twin-Assisted Task Offloading and Resource Allocation in ISAC-Enabled Internet of Vehicles
针对车联网通信频谱效率低、资源优化难等问题，本文提出ISAC赋能的数字孪生辅助任务卸载与资源分配方案，通过李雅普诺夫优化分解问题并设计Ly-DTMPPO算法，实现系统成本最小化与队列稳定，仿真显示其性能优于现有基准。
2025-11-08 cs.NI
Making a Case for Federated Learning in the Internet of Vehicles and Intelligent Transportation Systems
University of Western Ontario（西安大略大学）
随着5G网络的引入和技术的进步，例如网络功能虚拟化和软件定义网络，新的和新兴的网络技术和用例正在形成。其中一项技术是车辆互联网（IoV），它描述了车辆和基础设施的互联系统。再加上人工智能和机器学习的最新发展，车联网将转变为智能交通系统（ITS）。然而，有几个操作上的考虑因素阻碍了ITS系统的采用，包括可扩展性、高可用性和数据隐私。为了应对这些挑战，联邦学习，一个协作和分布式智能技术，建议。通过ITS案例研究，强调了部署在整个网络路边基础设施上的联合模型通过利用组智能从故障中恢复的能力，同时减少了恢复时间并恢复了可接受的系统性能。联邦学习具有众多用例和优势，是ITS的关键推动因素，并有望在5G及其他网络和应用中实现广泛应用。
2021-02-19 cs.LG cs.NI
A Transfer Learning and Optimized CNN Based Intrusion Detection System for Internet of Vehicles
Western University（韦仕敦大学）
现代车辆，包括自动驾驶车辆和联网车辆，与外部世界的连接越来越多，从而实现了各种功能和服务。然而，不断改善的连接性也增加了车联网（IoV）的攻击面，导致其易受网络威胁。由于车辆网络缺乏认证和加密过程，入侵检测系统（IDS）是保护现代车辆系统免受网络攻击的重要方法。针对车联网系统，提出了一种基于迁移学习和集成学习的入侵检测系统，该系统采用卷积神经网络（CNN）和超参数优化技术。在实验中，所提出的IDS在两个著名的公共基准车联网安全数据集（Car-Hacking数据集和CICIDS 2017数据集）上表现出超过99.25%的检测率和F1分数。这表明了所提出的IDS在车内和车外网络中的网络攻击检测的有效性。
2022-01-27 cs.AI cs.CR cs.CV
Task Offloading and Resource Allocation for MEC-assisted Consumer Internet of Vehicle Systems
针对MEC辅助消费级车联网中资源与计算需求不匹配等挑战，提出多MEC辅助架构，构建系统成本最小化优化问题，设计基于MADDPG的联合任务卸载与资源分配方法JTOCRA，仿真证明其性能和可扩展性更优。
2025-08-13 cs.NI eess.SP
LSTM-Based Proactive Congestion Management for Internet of Vehicle Networks
Mississippi State University（密西西比州立大学）；Arab Academy for Science, Technology, and Maritime Transport（阿拉伯科学、技术与海事运输学院）
本文提出一种基于LSTM的IoV网络主动拥塞管理框架，通过构建拥塞场景与数据集预测网络拥塞，并利用SUMO与NS3仿真验证了其在拥塞预测及数据包聚类与优先级排序上的有效性。
2024-10-12 cs.AI cs.NI cs.SY
AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles
随着车联网数据传输量的快速增长，如何有效缓解接入拥塞成为一个重要的问题。近年来，人们研究了许多交通控制方案。然而，现有的研究大多没有考虑流量的动态变化和不同车联网应用的异构需求，这对随机接入资源分配具有重要意义。本文提出了一种基于近端策略优化（PPO）的混合流量控制方案。建立了在成功率约束下最大化分组成功传输的目标。然后，将优化目标转化为马尔可夫决策过程（MDP）模型。最后，接入类禁止（ACB）因素的基础上获得的PPO方法，以最大限度地提高成功接入设备的数量。通过仿真验证了该算法在成功事件和延迟方面与现有方案的性能。
2022-04-12 cs.LG 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
LCCDE: A Decision-Based Ensemble Framework for Intrusion Detection in The Internet of Vehicles
Western University（韦仕敦大学）；S2E Technologies（S2E科技公司）
现代车辆，包括自动驾驶车辆和联网车辆，通过与其他车辆、智能设备和基础设施的连接和通信，采用了越来越多的功能。然而，车联网（IoV）的连接性不断增长，也增加了网络攻击的脆弱性。为了保护IoV系统免受网络威胁，已经使用机器学习（ML）方法开发了可以识别恶意网络攻击的入侵检测系统（IDS）。为了准确检测车联网网络中的各种类型的攻击，我们提出了一种新的集成IDS框架命名为领导类和信心决策Entrance（LCCDE）。它是通过为每种攻击类别或类型确定三种高级ML算法（XGBoost，LightGBM和CatBoost）中性能最佳的ML模型来构建的。然后利用具有预测置信度值的类领导模型来做出关于检测各种类型的网络攻击的准确决策。在两个公共车联网安全数据集（Car-Hacking和CICIDS 2017数据集）上的实验证明了所提出的LCCDE对车内和外部网络入侵检测的有效性。
2022-09-01 cs.AI cs.CR cs.LG
Internet of Autonomous Vehicles: Architecture, Features, and Socio-Technological Challenges
流动性是城市生活的支柱，也是世界发展的重要经济因素。快速的城市化和特大城市的发展正在给车辆的性能带来巨大的变化。自动化、电气化和连接性等创新解决方案即将出现。那么，我们如何为传统和自动驾驶汽车提供无处不在的连接呢？本文试图回答这个问题，结合最近的飞跃创新，在网络虚拟化与无线通信的显着壮举。为此，本文提出了一种称为自动驾驶汽车互联网（IoAV）的新范式。我们首先通过讨论IoAV的显著特征和应用来描绘IoAV的图景，然后详细讨论关键的支持技术。接下来，我们描述了IoAV的分层架构，并揭示了每一层的一些关键功能。随后对IoAV进行了性能评估，结果表明该架构在传输时间和能耗方面具有显著优势。最后，为了最好地抓住物联网自动驾驶的好处，我们列举了一些社会和技术挑战，并解释了一些未解决的问题如何在未来破坏自动驾驶汽车的广泛使用。
2019-06-24 cs.CY cs.NI eess.SP
URLLC-Aware Proactive UAV Placement in Internet of Vehicles
New Jersey Institute of Technology（新泽西理工学院）；Maynooth University（梅努斯大学）；University of Peradeniya（佩拉德尼亚大学）；University of Oulu（奥卢大学）；Khalifa University of Science and Technology（哈利法科学技术大学）；CentraleSupélec, Université Paris-Saclay（巴黎萨克雷大学中央理工-高等电力学院）
针对车联网无人机部署问题，提出结合EVT与GPR的主动分辨率选择及自适应部署方法，可在车辆不同分布下降低999个1000分位数延迟，接近最优性能。
2026-08-11 cs.NI eess.SP
Security, Privacy and Trust: Cognitive Internet of Vehicles
云技术的最新进展提供了无与伦比的力量来支持智能计算和高级服务，以帮助自动化决策，提高道路运输安全性和舒适性。此外，机器智能的兴起进一步推动了交通系统的技术发展，并导致了一种称为认知车联网（C-IoV）的新框架。与其前身车联网（IoV）框架相比，该框架中重新定义的认知技术有望显着增强和优化网络容量。CIoV提供了额外的安全措施，并引入了安全和隐私问题，例如规避攻击、数据投毒的额外威胁和学习错误，这可能导致系统故障和道路使用者死亡。与许多其他公共企业系统类似，交通对人口有重大影响。因此，了解演变过程至关重要，同样重要的是识别潜在的安全漏洞和问题，以提供成功的缓解措施。本章讨论了以下两个问题的答案，1）最新技术的渗透如何以及以何种方式重塑交通系统？2)进化后的系统是否能够解决网络安全问题？因此，本章首先介绍交通系统的演变，然后快速概述演变的CIoV，强调演变的认知设计。随后，它介绍了认知引擎如何克服传统的安全问题，并受到进一步的潜在安全，隐私和信任问题，这个基于云的演进的交通系统可能会遇到。
2021-04-26 cs.CR cs.NI
Blockchain for the Internet of Vehicles towards Intelligent Transportation Systems: A Survey
车联网（IoV）是一个新兴的概念，被认为有助于实现智能交通系统（ITS）的愿景。近年来，由于车辆技术、高吞吐量卫星通信、物联网和网络物理系统的快速发展，车联网已成为具有影响力的应用的重要研究领域。车联网使智能车辆能够与互联网和系统组件集成，这些组件归因于其环境，如公共基础设施，传感器，计算节点，行人和其他车辆。通过允许车辆和异构车辆网络之间开发通用信息交换平台，这种集成旨在为人们创造更好的环境和公共空间，并提高所有道路使用者的安全。作为一种参与式的数据交换和存储，车联网的底层信息交换平台需要安全、透明和不可变，以实现ITS的预期目标。在这方面，已探索采用区块链作为系统平台，以支持车联网的信息交换需求。由于其分散和不可变的性质，区块链支持的IoV应用程序被认为具有许多理想的属性，例如分散性，安全性，透明度，不变性和自动化。在本文中，我们对物联网区块链的最新进展进行了当代调查。特别是，我们强调了不同的应用场景的车联网后，仔细回顾了最近的文献。我们还调查了区块链在车联网中应用的几个关键挑战。此外，我们提出了未来的机会，并探讨了车联网作为ITS的关键使能器的进一步研究方向。
2020-10-03 cs.CR cs.NI cs.SI
Building Automotive Security on Internet Standards: In-Car Service Authentication with DNSSEC, DANE, and DANCE
Faculty of Computer Science, Dresden University of Technology（德累斯顿工业大学计算机学院）；Department of Computer Science, Hamburg University of Applied Sciences（汉堡应用科技大学计算机系）
针对联网汽车全生命周期的服务认证与授权问题，本文提出将 DNSSEC、DANE、DANCE 与汽车中间件集成，利用 TLSA 记录解耦服务与部署认证，并经 STRIDE 分析和实车评估验证。
2026-10-27 cs.CR cs.NI
Towards Federated Learning in UAV-Enabled Internet of Vehicles: A Multi-Dimensional Contract-Matching Approach
再加上深度学习的兴起，车联网（IoV）组件的丰富数据和增强的计算能力使有效的人工智能（AI）模型得以构建。除了地面数据源，基于无人机（UAV）的数据收集和人工智能模型训练服务提供商，即，无人机即服务，近年来越来越受欢迎。然而，管理数据隐私的严格规定可能会阻碍独立拥有的无人机之间的数据共享。为此，我们建议采用基于联合学习（FL）的方法，以在独立DaaS提供商的联合中实现隐私保护的协作机器学习，以开发IoV应用程序，例如，用于交通预测和停车场占用管理。考虑到无人机和模型所有者之间的信息不对称和激励不匹配，我们利用多维合同的自我揭示属性来确保无人机类型的真实报告，同时考虑异质性的多种来源，例如，传感、计算和传输成本。然后，我们采用Gale-Shapley算法匹配最低成本的无人机到每个子区域。仿真结果验证了契约设计的激励相容性，表明了契约匹配的有效性，从而保证了信息不对称条件下模型所有者的利润最大化。
2020-04-08 cs.NI eess.SP
Large-Scale Characterization and Segmentation of Internet Path Delays with Infinite HMMs
往返时间是计算机网络中最常收集的性能指标之一。RIPE Atlas等测量平台为研究人员和网络运营商提供了前所未有的历史互联网延迟测量数据。这将是非常有用的自动化处理这些测量（统计表征的路径性能，变化检测，识别重复模式等）。人类非常擅长在网络测量中发现模式，但很难自动化，以便同时处理多个时间序列。在这篇文章中，我们介绍了一种新的模型，HDP-HMM或无限隐马尔可夫模型，其在跟踪分割的性能非常接近人类的认知。这是以更大的复杂性为代价的，本文的目标是使网络监控和管理研究人员能够使用该理论。我们证明，该模型提供了非常准确的结果标记的数据集和RIPE Atlas和CAIDA MANIC数据。该方法已在Atlas中实现，我们引入了可公开访问的Web API。
2019-10-28 cs.NI stat.ML
Unmanned Aerial Vehicle for Internet of Everything: Opportunities and Challenges
信息和通信技术（ICT）的最新进展使物联网（IoT）从单一的“物”方面进一步扩展到“物的智能连接”的全能角色。同时，万物互联（IoE）的概念被提出作为物联网的万能扩展。然而，IoE的实现遇到了关键的挑战，包括有限的网络覆盖和现有网络技术的有限资源。近年来，无人机（UAV）由于其高机动性、低成本和灵活部署等优点而受到广泛关注。因此，无人机可能会克服IoE的挑战。本文对无人机支持的万物互联的机遇和挑战进行了全面调查。我们首先提出了万物互联的三个关键期望：1）可扩展性，需要具有无处不在覆盖的可扩展网络架构; 2）智能化，需要实现智能事物的全球计算平面; 3）多样性，需要提供不同的应用程序。此后，我们将回顾实现这些期望的支持技术，并讨论万物互联的四个内在限制（即，覆盖约束、电池约束、计算约束和安全问题）。然后，我们介绍了无人机的概述。接下来，我们将讨论无人机为万物互联带来的机遇。此外，我们还介绍了一种利用无人机的移动性来实现无人机万物互联（Ue-IoE）的解决方案，在该方案中，我们表明Ue-IoE可以大大增强万物互联的可扩展性、智能性和多样性。最后，我们概述了Ue-IoE的未来发展方向。
2020-04-12 cs.NI eess.SP
Optimizing Age of Information in Internet of Vehicles Over Error-Prone Channels
本文针对车辆互联网中错误信道下的信息年龄优化问题，基于M/M/1和D/M/1排队模型推导AoI表达式，提出在线优化算法动态调整数据提取速率，仿真验证可显著降低系统AoI。
2025-06-19 cs.IT cs.NI math.IT
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
Mobility, Communication and Computation Aware Federated Learning for Internet of Vehicles
Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室）；Information Technology R&D Center, Mitsubishi Electric Corporation（三菱电机株式会社信息技术研发中心）；NC State University（北卡罗来纳州立大学）
虽然隐私问题吸引互联和自动驾驶汽车采用车载联邦学习（FL）解决方案，但迫切需要一个具有异构计算能力感知学习平台的集成车辆到一切的通信，以使其成为现实。出于这一动机，我们提出了一种新的移动性，通信和计算意识的在线FL平台，使用道路上的车辆作为学习代理。由于现代车辆的先进功能，车载传感器可以在车辆沿其轨迹行驶时收集数据，而车载处理器可以使用收集的数据训练机器学习模型。考虑到车辆的高流动性，我们认为延迟作为一个学习参数，并限制它小于一个可容忍的阈值。为了满足该阈值，中央服务器接受部分训练的模型，分布式路边单元（a）执行下行链路多播波束成形以最小化全局模型分发延迟，以及（b）分配最佳上行链路无线电资源以最小化局部模型卸载延迟，并且车辆代理进行异构局部模型训练。使用真实世界的车辆跟踪数据集，我们验证我们的FL解决方案。仿真结果表明，所提出的综合FL平台是强大的，优于基线模型。通过合理的局部训练集，它可以有效地满足所有约束，并提供接近地面真实的多水平速度和车辆特定功率的预测。
2022-05-17 cs.LG cs.NI eess.SP
Wireless Laser Power Transfer for Low-altitude Uncrewed Aerial Vehicle-assisted Internet of Things: Paradigms, Challenges, and Solutions
本文探讨了无线激光功率传输（WLPT）作为低空无人机辅助物联网可持续能量供应的变革性解决方案，系统研究了其基本原理与比较优势，提出了三种运行范式及潜在解决方案，并构建多智能体强化学习框架，仿真证明其显著提升了能量可持续性与数据新鲜度。
2025-11-05 cs.NI cs.SY eess.SY
Performance Analysis of Internet of Vehicles Mesh Networks Based on Actual Switch Models
针对现有车联网Mesh网络性能研究存在的不足，提出基于实际交换机的性能分析模型，通过构建架构数学模型、任务生成与转发模型及指标体系，可有效评估不同流量状态下的网络性能，为网络建设优化提供参考。
2024-07-16 cs.DC cs.NI
Joint Auction-Coalition Formation Framework for Communication-Efficient Federated Learning in UAV-Enabled Internet of Vehicles
由于车辆、路边单元（RSU）和智能设备等车联网（IoV）组件的先进功能以及生成的数据量不断增加，联邦学习（FL）成为一种很有前途的工具，因为它支持可以在车联网中实现的隐私保护机器学习。然而，FL的性能受到通信链路故障和节点丢失的影响，特别是当需要连续交换模型参数时。因此，我们建议使用无人机（UAV）作为无线中继，以促进车联网组件和FL服务器之间的通信，从而提高FL的准确性。然而，单个UAV可能没有足够的资源为FL过程的所有迭代提供服务。在本文中，我们提出了一个联合拍卖联盟形成框架，以解决无人机联盟的分配到组的车联网组件。具体而言，联盟形成游戏制定的最大化的无人机的个人利润之和。提出了联合拍卖-联盟形成算法，实现了无人机联盟的稳定划分，并将拍卖机制应用于无人机联盟的分配。拍卖方案的设计考虑了车联网组件对异构无人机的偏好。仿真结果表明，大联盟，其中所有的无人机加入一个单一的联盟，并不总是稳定的，由于利润最大化的行为的无人机。此外，我们表明，随着无人机的合作成本的增加，无人机更喜欢独立地支持车联网组件，而不是形成任何联盟。
2020-07-13 cs.NI eess.SP
EC-SAGINs: Edge Computing-enhanced Space-Air-Ground Integrated Networks for Internet of Vehicles
Sun Yat-sen University（中山大学）；Auburn University（奥本大学）；Tianjin University（天津大学）
边缘计算增强型车联网（EC-IoV）能够在车辆和地面边缘计算（TEC）基础设施（例如，5G基站和路边单元）很少或没有人为干预，在智能交通系统中发挥着关键作用。然而，EC-IoV严重依赖于车辆和TEC基础设施之间的连接和交互，因此在TEC基础设施不可用的一些偏远地区（例如，沙漠、孤岛和受灾地区）。在无处不在的连接和全球区域覆盖的驱动下，空间-空中-地面集成网络（SAGIN）有效地支持无缝覆盖和高效的资源管理，代表了边缘计算的下一个前沿。有鉴于此，我们首先回顾了本文中SAGIN的最新边缘计算研究。在讨论了几种现有的轨道和空中边缘计算架构后，我们提出了一个支持边缘计算的空间-空中-地面集成网络（EC-SAGIN）框架，以支持偏远地区车辆的各种车联网服务。该框架的主要目标是尽量减少任务完成时间和卫星资源的使用。为此，提出了一种预分类方案以减小动作空间的大小，并提出了一种深度模仿学习（DIL）驱动的卸载和缓存算法以实现实时决策。仿真结果表明了该方案的有效性。最后，我们还讨论了一些技术挑战和未来的发展方向。
2021-01-15 cs.AI cs.DC cs.NI
Cognitive Internet of Vehicles: Motivation, Layered Architecture and Security Issues
在过去几年中，我们在信息和通信领域经历了巨大的技术进步，这大大有助于重塑智能交通系统（ITS）的概念。从旨在收集数据的传感器集合的平台发展而来，车辆之间的数据交换模式从本地网络转移到云端。随着云计算和边缘计算以及无处不在的5G移动网络的引入，预计人工智能（AI）在数据处理和智能决策中的作用将迫在眉睫。为了充分了解工业革命4.0边缘的未来汽车场景，首先有必要清楚地了解汽车生态系统中将要发生的尖端技术，以便测量对交通系统的网络物理影响。CIoV（Cognitive Internet of Vehicle）是近年来提出的交通技术演进体系结构之一，受到了广泛关注。它将基于云的人工智能和机器学习引入交通系统。未来对CIoV的期望是什么？为了充分考虑这种架构的未来潜力，以及要实现的里程碑，关键是要了解所有倾向于它的技术。此外，安全问题，以满足其实际实施的安全要求。针对这一点，本文介绍了CIoV的演变以及层抽象，以概述所提出的架构的独特功能部分。它还调查了与技术发展相关的主要安全和隐私问题，以采取措施。
2019-11-20 cs.CR cs.NI
MTH-IDS: A Multi-Tiered Hybrid Intrusion Detection System for Internet of Vehicles
Western University（韦仕敦大学）
现代车辆，包括联网车辆和自动驾驶车辆，现在涉及通过车内网络连接的许多电子控制单元，以实现各种功能并执行动作。现代车辆还通过车联网技术连接到外部网络，使其能够与其他车辆，基础设施和智能设备进行通信。然而，现代车辆的功能和连接性的改善也增加了它们对针对车内和外部网络的网络攻击的脆弱性，因为攻击面很大。为了保护车辆网络，许多研究人员都集中在开发入侵检测系统（IDS），利用机器学习方法来检测恶意的网络攻击。在本文中，车内和外部网络的脆弱性进行了讨论，并提出了一个多层的混合IDS，结合基于特征的IDS和基于异常的IDS检测已知和未知的攻击车辆网络。实验结果表明，该系统可以检测各种类型的已知攻击，在代表车内网络数据的CAN入侵数据集上的准确率为99.99%，在说明外部车辆网络数据的CICIDS2017数据集上的准确率为99.88%。对于零日攻击检测，所提出的系统在上述两个数据集上分别实现了0.963和0.800的高F1分数。每个数据包在车辆级机器上的平均处理时间小于0.6 ms，这表明该系统在实时车辆系统中实现的可行性。这强调了所提出的入侵检测系统的有效性和效率。
2021-05-26 cs.AI cs.CR cs.LG
Integration of Mixture of Experts and Multimodal Generative AI in Internet of Vehicles: A Survey
Nanyang Technological University（南洋理工大学）；Guangdong University of Technology（广东工业大学）；Singapore University of Technology and Design（新加坡科技设计大学）；University of Sydney（悉尼大学）；City University of Hong Kong（香港城市大学）；Sungkyunkwan University（成均馆大学）；University of Waterloo（滑铁卢大学）
本综述探讨了混合专家与生成式人工智能在车联网中的集成，以实现最小人为干预的通用人工智能，涵盖基础原理、分布式感知、协作决策等应用及未来研究方向。
2024-04-25 cs.AI cs.LG cs.NI
Emotion Controlled Spectrum Mobility Scheme for Efficient Syntactic Interoperability In Cognitive Radio Based Internet of Vehicles
Iqra University（伊克拉大学）；COMSATS（COMSATS 大学）
盲点是丘陵和平坦地区道路事故的原因之一。这些盲点事故可以通过使用车对车（V2 V）和车对车结构（V2 I）通信系统建立车联网（IoV）来减少。但这些车联网的问题在于，它们中的大多数都使用DSRC或单一无线电接入技术（RAT）作为无线技术，这已被证明无法实现车辆之间的有效通信。近年来，基于认知无线电（CR）的车联网已被证明是最好的无线通信系统的车辆网络。然而，频谱移动性是一个具有挑战性的任务，以保持CR为基础的车辆网络的互操作性，并没有得到充分解决，在现有的研究。在我们以前的研究工作中，认知无线电站点（CR-Site）已被提出作为车载CR设备，可以用来建立高效的车联网系统。H在本文中，我们介绍了情感启发认知代理（EIC_Agent）的频谱移动机制在CR站点，并提出了一种新的情感控制的频谱移动方案，有效的句法车辆之间的互操作性。为此，提出了一种使用恐惧因子的概率确定性有限自动机，以使用模糊逻辑执行有效的频谱移动性。此外，还利用模糊逻辑对不同恐惧强度水平进行了定量计算。该系统已经过测试，使用来自不同的GSM服务提供商在曼格拉米尔普尔道路上的活动数据。这是补充广泛的仿真实验，验证CR为基础的高速车载网络的建议方案。与现有技术的定性比较证明了所提出的情感控制的语法互操作频谱移动性方案在基于认知无线电的车联网系统中的优越性。
2017-08-06 cs.AI cs.GT cs.MA
Leveraging Edge Intelligence and LLMs to Advance 6G-Enabled Internet of Automated Defense Vehicles
School of Electrical Engineering and Computer Science University of Ottawa（电气工程与计算机科学学院渥太华大学）
本文探讨了在6G和超可靠低延迟通信支持下，结合边缘智能与预训练生成式大型语言模型（LLM）优化军事自动驾驶决策与通信，以推进自动化防御车辆互联网（IoADV）在关键防御应用中的潜力、机遇与挑战。
2025-02-23 cs.AI cs.CL cs.NI
Traffic Road Congestion System using by the internet of vehicles (IoV)
本文通过系统文献综述分析2014-2023年间121篇论文，研究车联网（IoV）在交通拥堵控制中的应用，并基于SUMO仿真和车辆云提出比传统模型更高效的IoV交通控制模型。
2023-06-01 cs.CY cs.NI
Distributed Cache Enabled V2X Networks: Proposals, Research Trends and Challenging Issues
如今，车联网（IoV）已经发展到车到万物（V2X）阶段。然而，现有的大部分工作集中在汽车上。相比之下，共享自行车系统作为最后一英里问题的可行物联网（IoT）应用场景（例如，从车站到家庭/办公室）。此外，当前V2X的互联网接入依赖于回程到路边单元（RSU）的连接。在本文中，除了以前的工作，我们提出了一个通用的V2X系统的分布式框架和异构缓存方法。道路上的所有车辆和设备（机动车、非机动车、行人等）已全面纳入拟议的网络。我们进一步介绍了一种异构缓存方法，有效的无线传输，同时利用大量连接的设备。重点介绍了实现高速传输、深度编程专用网络切片以及基于大数据、机器学习（ML）、雾计算的图像识别与重建等方面的潜在研究趋势，为未来的研究提供参考。最后，挑战性的问题，即，讨论了城市街道峡谷路径损耗和信道模型、超可靠通信和低延迟要求。
2018-07-17 cs.NI eess.SP
UAV-assisted Internet of Vehicles: A Framework Empowered by Reinforcement Learning and Blockchain
Concordia University（康考迪亚大学）；Khalifa University（哈利法大学）
针对无人机辅助车联网中继选择与协调的局限，提出融合双向中继选择、去中心化MDRL协调与区块链的框架，经PPO训练验证可提升中继稳定性与网络覆盖连通性。
2025-01-22 cs.AI cs.NI
Dynamic Federated Learning-Based Economic Framework for Internet-of-Vehicles
University of Technology Sydney（悉尼科技大学）；Universitas Gadjah Mada（加查马达大学）；University College Dublin（都柏林大学学院）；Sun Yat-sen University（中山大学）
联邦学习（FL）可以通过利用智能车辆（SV）以最少的数据交换和隐私泄露参与学习过程来增强车联网（IoV）网络。收集的数据和学习的知识可以帮助车辆服务提供商（VSP）提高全局模型准确性，例如，为了道路安全以及VSP和参与SV的更好利润。然而，在车联网网络中实施FL时存在重大挑战，例如来自大量SV的动态活动和不同的信息质量（QoI）、VSP有限的支付预算以及SV之间的利润竞争。在本文中，我们提出了一个新的动态FL为基础的经济框架的车联网网络，以解决这些挑战。具体而言，VSP首先实现SV选择方法，以根据它们当前位置的重要性和每个学习轮的信息历史来确定用于FL过程的最佳SV的集合。然后，每个选定的SV可以收集道路信息，并基于其收集的QoI向VSP提供支付合同。为此，我们开发了一个多主体的单代理合同为基础的政策，以最大限度地提高利润的VSP和学习SV的VSP的有限的支付预算和VSP和SV之间的信息不对称。通过使用真实世界的道路数据集的实验结果，我们表明，我们的框架可以收敛速度提高57%（即使在网络中只有10%的活动SV），并获得更高的社会福利的网络（高达27.2倍）相比，其他基线FL方法。
2021-03-11 cs.LG cs.NI
QoS-SLA-Aware Adaptive Genetic Algorithm for Multi-Request Offloading in Integrated Edge-Cloud Computing in Internet of Vehicles
United Arab Emirates University（阿联酋大学）
车载自组织网络车联网是一项新兴技术，可实现智能城市应用的开发，重点是改善交通安全、交通效率和整体驾驶体验。这些应用程序有严格的要求，详见服务水平协议。由于车辆具有有限的计算和存储能力，因此应用请求被卸载到集成的边缘云计算系统上。现有的卸载解决方案集中于在执行时间方面优化应用的服务质量（QoS），并且遵守单个SLA约束。他们没有考虑重叠多请求处理的影响，也没有考虑车辆速度变化的影响。提出了一种新的人工智能QoS-SLA-aware自适应遗传算法（QoS-SLA-AGA）来优化异构边缘云计算系统中多请求卸载的应用程序执行时间，该算法考虑了处理多请求重叠和动态车辆速度的影响。建议的遗传算法集成了一个自适应的惩罚函数来同化SLA的延迟，处理时间，截止日期，CPU和内存的要求的约束。数值实验和分析比较我们的QoS-SLA-AGA随机卸载，和基线基于遗传的方法。结果表明，QoS-SLA-AGA执行请求的速度平均比随机卸载方法快1.22倍，SLA违规减少59.9%。相比之下，基于基因的基线方法将请求的性能提高了1.14倍，SLA违规增加了19.8%。
2022-03-01 cs.AI cs.DC cs.NA
Transportation Internet: Concepts, Models, and Architectures
自动化、互联、电气化和共享移动性引发了车辆和交通的颠覆性变化。自动驾驶汽车与互联网数据包一样，通过道路网络从一个地址传输到另一个地址。互联网已经成为一种通用的网络传输范式，能源互联网就是这种范式在能源领域的成功应用。本文将互联网范式引入交通领域，首次提出交通互联网。基于交通互联网的概念，建立了交通互联网的交换模型、路由模型、层次模型等基础模型，形成了交通互联网的基本理论;提出了交通路由器、软件定义交通等新的体系结构，实现了交通互联网的开放性;通过原型和仿真等系统验证，证明了交通互联网的可行性和先进性。在科学和产业上具有深远意义的交通互联网，带来了理论、架构、技术等方面的系统性突破，探索了创新性的研究方向，为新一代交通提供了类互联网的解决方案。
2021-09-29 cs.NI cs.SI cs.SY
A Survey on Semantic Communications in Internet of Vehicles
School of Internet of Things Engineering, Jiangnan University（物联网工程学院）；Qualcomm（高通公司）
本文综述车联网中的语义通信，涵盖其关键技术（语义提取、架构、资源管理）及在交通感知、驾驶决策等场景的应用，指出其前景与挑战。
2025-06-18 cs.LG cs.NI eess.SP
qIoV: A Quantum-Driven Internet-of-Vehicles-Based Approach for Environmental Monitoring and Rapid Response Systems
本研究提出了一种将量子计算与车联网结合的 qIoV 框架，利用量子传感器、量子网格网络结构（QMF）和变分量子分类器（VQC）进行环境监测，在 IBM OpenQSAM 3 平台上实现了超过 90% 的分类指标和 83% 的检测速度提升。
2024-03-27 cs.ET cs.NI
