集群是提高車聯(lián)網(wǎng)群智感知質量和降低成本的有效方法,但如何在車輛高機動性的同時提高集群穩(wěn)定性是一個具有挑戰(zhàn)性的問題。基于VANET(Vehicular Ad-Hoc Network)的通信特點,文中提出了基于霧計算和自評估的VANET聚類算法FCSAC(Fog Computing and Self-Assessment Clustering),將VANET分為多個集群,集群內車輛協(xié)作感知結果由主簇頭(Master Cluster Head,MCH)發(fā)給霧節(jié)點;引入車輛移動率(Velocity Mobility Rate,VMR)來改進簇頭選舉方法,該參數(shù)是根據(jù)移動性指標來計算的,以滿足VANET動態(tài)變化的需求;通過定義縮放函數(shù)和加權機制來量化評估車輛的加入對集群穩(wěn)定性的影響。同時,選舉輔助群頭(Slave Cluster Head,SCH)來增強集群的穩(wěn)定性。其次,為提高擁堵區(qū)域感知的準確性,在霧計算的基礎上通過主簇頭間的有序鏈式協(xié)作交通態(tài)勢感知,形成局部交通態(tài)勢感知準確、全面的視圖。最后,使用Veins車聯(lián)網(wǎng)仿真平臺評估所提算法的性能。結果表明,與CBRSDN(Cluster base...

【文章頁數(shù)】：8 頁

【部分圖文】：

基于集群和霧計算的車聯(lián)網(wǎng)群智感知模型由三層組成,具體如圖1所示。定義1假設城市VANET場景由v輛車(節(jié)點)組成,每輛車都有自己的身份(i∈[1,n]),用集合V={V1,V2,…,Vn}表示。每個車輛Vi∈V通過GPS定位系統(tǒng)獲取位置Li(x,y),車載單元(OnBoard....

令p為車輛得到LoC消息后改變原來路線的比例,根據(jù)道路擁堵情況,設p=30%(較低)、p=50%(中等)、p=80%(較高)。假設發(fā)生交通事件時占據(jù)一半的道路容量,待交通事件處理完后容量恢復。使用和未使用FCSAC消息機制的車輛排隊長度如圖3所示。從圖3可以看出,隨著擁堵時間的增....

為了驗證簇頭選舉方案的合理性,對不同車速下的集群穩(wěn)定性和覆蓋率進行了驗證,實驗結果如圖4和圖5所示。圖5不同車速下的集群覆蓋率

圖4不同車速下的集群穩(wěn)定性由圖4和圖5可以看出:較低的車速有利于集群的穩(wěn)定性。當MCH速度較低時,該車輛在集群中的停留時間長,集群結構相對穩(wěn)定。同理,覆蓋率也隨著車速的增加而降低,當MCH速度較高時,車輛將更快地從集群中駛出。

本文編號：4008813