基于雾计算和自评估的VANET聚类与协作感知
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(Mas-ter 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 based Routing for Sparse and Dense Networks)算法和SACBR(Self-Assessment Cluster based Routing)算法相比,所提算法在集群稳定性方面表现优越,并且有效提高了VANET的吞吐量;与FCM(Fuzzy C-Means)算法相比,其交通分流能力更好,并减少了网络通信的消耗.
车联网、群智感知、集群、雾计算、协作感知、车载自组织网络
47
TP393(计算技术、计算机技术)
国家自然科学基金;辽宁省自然科学基金;大连市科技计划项目
2020-10-28（万方平台首次上网日期，不代表论文的发表时间）
共8页
55-62
