车载通信中基于边缘智能的安全预测技术研究

发布时间：2020-07-14 11:28

【摘要】：物联网的日新月异促使了以服务为驱动的网络智能化快速发展,其中车载通信作为智能交通系统的重要应用而备受关注。然而,目前车载通信的边缘计算环境中采用的任务分配算法和行车安全预测算法并不能满足智能交通中诸如安全预测,信号灯控制等服务对低时延和低容错的要求。因此,本文围绕车载通信中的边缘计算环境,着重研究面向车辆自组织网络的基于边缘深度学习的行车安全预测技术,通过提出一种边缘计算环境下的深度学习任务分配算法和一种基于深度学习的行车安全预测算法,降低了行车安全预测的时延,提高了预测的效率和准确性,本文主要研究工作如下:(1)针对目前边缘计算环境中采用的任务分配算法在对深度学习任务进行分配时产生的时延过高,效率低下等问题,研究了一种车辆自组织网络中边缘计算环境下的深度学习任务分配算法,该算法根据深度学习任务产生的计算开销,带宽需求来综合考虑确定云服务器分配到边缘服务器中的神经网络的层数,从而更有效地利用边缘服务器的计算资源,提高深度学习任务的处理效率,仿真结果表明,较目前边缘计算环境下采用的任务分配算法来说,本文提出的深度学习任务分配算法有效地减少了边缘端传输到云端的数据,释放了网络的带宽资源,减少了传输时延,且本文提出的分配算法能在满足时延要求的基础上提高行车安全预测的效率。(2)针对现有的行车安全预测算法难以考虑到驾驶信息,路况信息和驾驶员信息之间的特征交叉带来的预测准确度降低以及需要大量特征工程所造成的预测效率低下的问题,提出了一种因子分解机组合的神经网络(FMCNN)来对车载自组织网络中车辆的行车安全进行预测。FMCNN通过在预训练阶段使用因子分解机和深度神经网络对驾驶信息,交通信息和驾驶员信息之间的复杂特征交叉进行学习,提高了深度学习模型对特征交叉的学习能力,在FMCNN的预训练阶段之后,由深度神经网络的最后隐藏层提取的高阶特征交叉和由因子分解机器训练得到的低阶特征交叉将被输入到一个新的深度神经网络进行训练,并最终根据神经网络的输出对车辆的行车安全进行预测。仿真结果表明,本文提出的FMCNN具有更高的预测准确度,且FMCNN在AUC和Logloss两种评价指标下均优于DNN和FM算法。
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U495;TN929.5;U463.67
【图文】：

论文,驾驶安全,因子分解,学习结构

配算法从而提高边缘计算环行车安全预测的深度学习任预测的新的深度学习结构 F到 VANET 中大量特征之采用因子分解机（FM, Fac，DNN）分别学习低阶和测的准确率。.1 所示。车载通信中基于边缘深度学习的驾驶安全预测技术研究

框架图,框架,学习任务

本节首先对车联网中的边缘计算环境进行建模，同时，通过提出的深度学习任务分配算法将具有不同结构和不同计算开销的深度神经网络的部分层的计算任务分配到边缘服务器中，从而减少了传输到云端的数据，并在满足时延要求的基础上，提高了深度学习任务的处理效率。VANET 中边缘深度学习建模本文通过深度学习算法对车辆的行车安全进行预测，车辆上传感器收集到的大量数据首先需要传输到边缘服务器运行部分深度学习任务，在任务处理完成后再将数据传输到云以进行余下的深度学习任务，并根据神经网络的输出对车辆的行车安全进行预测，在本文考虑的行车安全预测的场景中，车辆收集的数据主要包括天气情况，路面平坦度，车辆速度，车辆种类，光线情况，道路类型，驾驶员年龄，驾驶员性别，驾驶时长等，在通过深度学习算法对这些数据进行训练和处理后，就能通过车辆采集的实时数据来预测车辆发生交通事故的可能性，从而在一定程度上减少交通事故的发生，本文的边缘深度学习模型如图 3.1 所示。

层数,神经网络,比例,数据

图 3.3 减少的数据比例与神经网络层数的关系图 3.4 计算开销与神经网络层数的关系在此之后，本文首先测试提出的离线分配算法的性能，在仿真中，将边缘服务器的数量按照 10 的步长从 20 均匀变化到 90，并设置了五种固定的分配模式（分别将一层，两层，三层，四层，五层隐含层安排在边缘服务器中进行处理）与本文所提的离线分配算法比较，仿真结果如图 3.5 所示。由图 3.5 可以看出，在不同的边缘服务器数量下，采用离线分配算法对不同的深度学习任务进行不同的分配和固定边缘服务器中处理的深度学习的层数相比，离线调度算法在边缘服务器中处理的深度学习任务的数量要更多，这证明了本文所提离线算法的优越性，若要固定边缘服务器中处理的深度学习任务的隐含层的个数，则由仿真结果可知，对每个边缘服务器分配两层隐含层可使得边缘服务器处理的深度学习的任务数量最大。

【相似文献】