论文部分内容阅读
车辆命名数据网络(Vehicular Named Data Networking,V-NDN)是一种采用命名数据网络(Named Data Networking,NDN)架构的车载自组织网络(Vehicular Ad-hoc Network,VANET),存在着兴趣包路由低效,数据冗余控制困难的不足。为此,本文针对不同的数据内容对V-NDN网络模型进行优化,研究了数据的转发与缓存问题。针对感知数据在V-NDN通信中存在不同连通区域间车辆通信困难的问题,本文构建了一种基于RSU(Road Side Unit,路侧单元)辅助的V-NDN网络模型。利用RSU之间高速的有线信道,以地理位置为依据辅助兴趣包和数据包的转发,从而提高V2V(vehicle-to-vehicle communication)通信的数据请求成功率和降低成功请求数据的平均时延。此外,针对RSU辅助的V-NDN网络模型中RSU节点兴趣包命中率低和缓存空间不够的问题,提出了一种基于决策树的数据缓存策略。RSU通过决策树算法对接收的数据包进行分类和学习,缓存当前局部网络中的热点数据以提高兴趣包的命中率,从而达到高效的利用存储空间的目的。仿真分析表明,基于RSU辅助的V-NDN较传统的V-NDN数据请求成功率提高了63.5%,较基于蜂窝网络辅助的V-NDN成功获取数据的平均时延降低了 59.3%。针对V-NDN提供流媒体服务时存在的传输中断和时延较大的问题,本文建立了一种基于V-NDN的协助下载网络模型,同时利用同向和对向车辆协助目标车辆下载数据。车辆进入盲区前半段,利用同向车辆进行多跳通信下载数据;车辆进入盲区后半段,利用对向车辆通过V2V下载数据。针对对向协助车辆的选择,在保证用户播放体验的前提下以最大化网络吞吐量为目标,将其建模成最优化问题,并提出了一种基于时延容忍的协助车辆选择算法(SSDT)进行求解。考虑到因频繁的发送兴趣包带来的资源浪费,本文采用了一种基于对象级别的数据请求方式提高了数据包传输效率。仿真分析表明,本文提出的流媒体数据下载策略相比于基于剩余文件序列决策算法(SSRF)的V-NDN协助下载策略在平均下载时间上减少了 10.4%,在流媒体服务质量上平均提高了 7.3%。