基于雾计算和自评估的VANET聚类与协作感知

发布时间：2024-11-02 01:35

　　 集群是提高车联网群智感知质量和降低成本的有效方法,但如何在车辆高机动性的同时提高集群稳定性是一个具有挑战性的问题。基于VANET(Vehicular Ad-Hoc Network)的通信特点,文中提出了基于雾计算和自评估的VANET聚类算法FCSAC(Fog Computing and Self-Assessment Clustering),将VANET分为多个集群,集群内车辆协作感知结果由主簇头(Master Cluster Head,MCH)发给雾节点;引入车辆移动率(Velocity Mobility Rate,VMR)来改进簇头选举方法,该参数是根据移动性指标来计算的,以满足VANET动态变化的需求;通过定义缩放函数和加权机制来量化评估车辆的加入对集群稳定性的影响。同时,选举辅助群头(Slave Cluster Head,SCH)来增强集群的稳定性。其次,为提高拥堵区域感知的准确性,在雾计算的基础上通过主簇头间的有序链式协作交通态势感知,形成局部交通态势感知准确、全面的视图。最后,使用Veins车联网仿真平台评估所提算法的性能。结果表明,与CBRSDN(Cluster base...

【文章页数】：8 页

【部分图文】：

基于集群和雾计算的车联网群智感知模型由三层组成,具体如图1所示。定义1假设城市VANET场景由v辆车(节点)组成,每辆车都有自己的身份(i∈[1,n]),用集合V={V1,V2,…,Vn}表示。每个车辆Vi∈V通过GPS定位系统获取位置Li(x,y),车载单元(OnBoard....

令p为车辆得到LoC消息后改变原来路线的比例,根据道路拥堵情况,设p=30%(较低)、p=50%(中等)、p=80%(较高)。假设发生交通事件时占据一半的道路容量,待交通事件处理完后容量恢复。使用和未使用FCSAC消息机制的车辆排队长度如图3所示。从图3可以看出,随着拥堵时间的增....

为了验证簇头选举方案的合理性,对不同车速下的集群稳定性和覆盖率进行了验证,实验结果如图4和图5所示。图5不同车速下的集群覆盖率

图4不同车速下的集群稳定性由图4和图5可以看出:较低的车速有利于集群的稳定性。当MCH速度较低时,该车辆在集群中的停留时间长,集群结构相对稳定。同理,覆盖率也随着车速的增加而降低,当MCH速度较高时,车辆将更快地从集群中驶出。

本文编号：4008813