论文部分内容阅读
随着信息技术的进步,道路环境增强现实、人车动态交互、行驶安全预警等时延敏感型应用层出不穷,对车载通信中低延时高可靠的数据转发要求造成了巨大的挑战。此外,传统云计算已经不能满足毫秒级时延的处理要求,将移动边缘计算技术应用至车联网环境是发展的趋势与方向。在这种情况下,如何设计出一种适用于车联边缘网络的高效车辆聚类算法来提升网络的鲁棒性、降低车辆的整体功耗成为了亟待解决的问题。本文围绕车联边缘网络环境,重点研究面向车载自组织网络的车辆聚类技术,通过提出一种自适应的能耗最优模型和一种新的车辆聚类算法,降低车辆的整体功耗并提升车载自组网的稳定性,本文主要研究工作如下:(1)针对车辆可被考虑作为边缘服务节点为邻近车辆或乘客提供边缘云服务所带来的能耗过高问题,提出一种适用于车联边缘网络的自适应能耗最优模型,根据到达车载边缘服务器的任务请求流具有不同的流行度,自适应多类型请求的流行度来动态调整智能车辆中虚拟机的计算资源,取代平均分配CPU的方式,从而最小化车辆服务器的整体功率损耗。仿真结果表明,较目前的边缘服务器能耗优化模型,本文提出的自适应能耗最优模型能够有效降低服务器的整体功耗,最高可节省5.74%的能耗,并将时延控制在可接受的范围内。(2)针对现有的车辆聚类算法并未考虑车辆作为边缘服务器而产生能耗的问题,提出一种基于模糊C均值的自适应能耗最优车辆聚类(SAPMVC)算法。该算法首先根据车辆行驶角度来确定车辆的潜在邻居列表,然后通过自适应能耗最优模型确定车辆聚类的最佳聚类簇值,采用模糊C均值聚类算法对车辆进行划分成簇。最后,以车辆移动方向、加权移动性值、熵值作为加权聚类算法的指标来选择簇头车辆。仿真结果表明,本文提出的聚类算法能够有效降低车辆的整体能耗,延长簇、簇头车辆的平均生命周期,从而提升网络的稳定性。