车辆网络中，因为RSU部署成本高，所以应期待RSU可以尽可能稀疏部署，另一方面因为RSU覆盖范围有限，因此两个相邻的RSU之间存在一定的未覆盖区域，当车辆在这些区域内过度时服务将会被中断。为此，本文提出了一种结合V2V的V2I通信方法，这是一种车辆间多跳转发方法，当车辆离开一个RSU的覆盖范围时，将搜索来自后一个邻车的最远转发器，如果该转发器也未被BS覆盖，则对邻车使用相同的策略形成一个连接到某个RSU覆盖范围的多跳路径。因此，总会有一个通过V2V通信的多跳链路可以到达未覆盖区域的车辆。本文推导了目标车辆的平均吞吐量和平均服务中断次数的解析表达式，并通过仿真验证了相比单一V2I网络性能的提升。

概要

从V2I出发，提出结合V2V辅助V2I（蛮符合我的需求的），当V无法与I通信时，通过多跳V2V维持V与I的通信。文章首先列举了三个已有的数据转发机制，然后提出自己的机制：让同向的在上一个RSU范围内的最远的车做自己的中继，该车走到RSU覆盖外时用同样的机制找下一个中继。

性能分析方面，考虑两个指标：平均吞吐量和平均中断次数。平均吞吐量分成V2V和V2I在求和，影响因素考虑平均信息传输速率、包被V接收的成功率。平均中断次数=包不够大的概率*时间/一次中断的时长，总的平均中断次数为RSU内的平均中断次数+RSU外的平均中断次数。由此得解。

CODE;D

结论

本文解决了RSU覆盖范围外车辆通信中断的问题。提出了一种结合V2V的V2I方案，通过V2V的多跳转发，在保证服务连续性的前提下，最大限度提高目标车辆的接收数据吞吐量。我们得到了平均吞吐量和服务中断次数的解析表达式。数值结果表明，所提出的合作方案优于单独使用V2I通信的方案。

介绍

车辆网络中，有时需要为乘客提供多样化的信息娱乐服务（如社交网络和多媒体下载等），这就要求车辆网络中的通信具备较高的吞吐量。为满足上述要求，V2V和V2I通信是目前所使用的两种基本技术，但其各有弊端。V2V由于车辆移动性高、交通流的时变性强、不同路段通信环境差别大，其通常是不可靠的；V2I依赖RSU的支持，而RSU的部署和维护费用高使得在路边密集部署RSU有些困难，此外RSU的覆盖范围在0.5-0.6km不等，当车辆快速移动时会频繁到达无RSU覆盖的区域，由此造成的断连会很大程度影响用户的体验。

V2I与V2V之间的协同通信被称作V2X，其可以帮助通信实现连续服务因此受到了广泛关注。数据的转发机制是这方面的一个重点，[1]展示了一个使车辆与反方向的RSU和车进行协作的数据转发机制，使车辆的可达吞吐量得到了提高，但是因为两辆异向车道的车的接触时长很短，因此无法保持车辆的长时间链接，这限制了目标车辆的吞吐量。此外上述方法中数据需要先下载到中转再发给V也是弊端。当车辆超出了RSU覆盖范围时，断连对于延迟受限的服务（如在线视频和文件下载）是无法容忍的，为了最小化车辆的断连时间，[2]提出了协同存-携-转发（CSCF）机制，对于车A，选择同向形式的一辆车B的作为第一中继，数据从RSU通过B发送到A，通过RSU间合作，选择相反方向的另一辆车C作为第二中继为A服务。此方法仅适用于RSU密度较高的场景。高速公路的VANET使用同一方向的车组成大量内容传播的集群，如[3]中将沿同一直线运动的车视作一个链簇，每个链簇成员负责下载目标车辆从RSU请求文件的不同部分，离开RSU的覆盖范围后，链簇成员将下载的部分转发给目标车辆。这种方法中下载数据的量取决于链簇成员的数量，因此低车辆密度时效果不佳，此外在链簇成员向目标车辆传输数据的过程中发生的竞争和碰撞也会降低目标车辆的吞吐量。

针对以上工作的补足，我们设计了一个V2V辅助V2I通信的在RSU部署不密集的高速公路场景下的合作方案。具体来说，通过在V2V的多跳转发来扩展RSU覆盖外的V2I连接，本文主要贡献如下

提出一种V2I和V2V协同的通信机制，能同时提高目标车辆的平均可达吞吐量又能保持服务的连续性。为了在RSU覆盖范围外构建一个能连接RSU的V2V多跳链路，目标车辆A首先搜索最远的车辆B作为第一中继，当A移出RSU覆盖范围时，向A的方向移动。这个中继将重复这个寻找中继的策略进而保持一个多条转发的路ing，支持目标车辆能始终维持与RSU的通信。
提出一个分析模型，其可以研究V2I和V2V协同下的数据包的传输。[1]中的工作之分析了科大吞吐量和两个相邻RSU间距之间的关系，而没有考虑优其他车辆辅助的情况。本文模型展示了三个参数的相互作用，即 RSU间距、车辆的辅助意愿、目标车辆的缓存大小与数据包传输的关系。此外，优于信息娱乐应用对高吞吐量和服务连续性的要求，模型推到了平均吞吐量和平均服务中断次数的闭合表达式
分析结果与仿真结果吻合较好，说明该方案具有平均吞吐量高、业务连续性好等优点。同时与V2I网络相比，本方案有明显改进

系统模型即问题陈述

网络模型

如上图我们考虑一个一维的网络拓扑结构，其中RSU稀疏地部署在一条双向路上，D为两个连续RSU的间距，每个RSU的平均覆盖直径为2R，假设道路的宽度与r相比可忽略不计，一个中心服务器与所有RSU通过有限backhaul连路相连。目标车辆V以v_V(m/s)匀速行驶。与此同时，与V同向的其他车辆以 $\rho$ (辆/m)部署，这些车以不同的速度行驶，其在行驶中也可以改变速度。由于只考虑每辆车的移动性，因此采用一些显示驾驶的约束条件的运动学方程模拟车辆的围观移动，比如：朝同一方向行驶的车辆速度被限制在[ $v_{min};v_{max}$ ] ，车间距离被限制在安全距离 $s_{Safe}$ (m)和跟车距离之间 $s_{Follow}$ （ $s_{Safe}$ < $s_{Follow}$ ）。

设定研究对象为车辆V，其在基站U_n的覆盖范围内。此车辆通过U_n情求并下载存储在中央服务器上的文件。当V从 $U_{n}$ 的覆盖范围移动带 $U_{n+1}$ 的覆盖范围时，我们希望其中断最小。RSU和车辆通过DSRC操作收发器，其中服务信道通过V2I和V2V传播数据。每辆车配备了一个GPS设备来共享位置信息[3]。本文采用无线信道衰落模型[5]来计算V2I和V2V通信的物理层传输速率。

问题陈述

主要问题有两个：1.因为RSU覆盖范围有限而且车辆停留在单一RSU覆盖内的时间很短，因此车在单个RSU覆盖内不太可能完全下载数据量大的文件；2.RSU部署稀疏时，车经常会运动到RSU覆盖范围内，由此经历下载中断，RSU越稀疏覆盖范围越小，中断时间越长。

本文致力于开发一个传输方案，最大限度地提高目标车辆V的总吞吐量，同时最小化V在覆盖范围外的下载中断。为此使用V2V辅助，将通信链路扩展回刚断连的RSU。设计挑战包括：1.选择哪辆邻车做中转？2.为了达到既定目标，数据下载和转发的机制是什么？

中继选择和数据传输机制

本文提出一个动态的中继选择和数据传输机制来辅助V在RSU覆盖外的传输。我们只在与V同向的车中选择一个作中继，下面将详细阐述

【经由单跳V2I通信的数据下行传输】

如图2(b)所示，V位于 $U_n$ 的覆盖范围，并且向 $U_n$ 发送数据下载请求， $U_n$ 将情求转发到中央处理器，处理器将V所请求的文件将在发送给 $U_n$ 之前被分成了多个小数据包。假设中央处理器与 $U_n$ 之间的传输时延忽略不计，V从 $U_n$ 获取数据直到V到达 $U_n$ 覆盖范围的边缘。

【动态前传中继选择】

为了在覆盖外继续下载数据，V首先在其邻居中选择一个中继，通过该中继连接 $U_n$ 继续下载。车V将作为广播”请求转发“信息，如果在V的传输范围内有车愿意充当中继，则通过”确认“信息将其移动信息（速度和位置等）回复给V，V根据此信息对其邻居列表进行删减。V将选择列表中的距它最远的车作为转发器，在图2(c)中将这辆车记为F1。

下面将中继的选择标准列举如下：

C1：在requester的通信覆盖范围内（在目标车辆V2V直连范围内）
C2：在 $U_n$ 的覆盖范围内（在 $U_n$ 的V2I直连范围内）
C3：与requester同向（以最大化与目标车辆的连接时间）
C4：与requester距离最远（以最小化中继的数量）

【经由多条V2I-V2V通信的数据下行传输和中继】

如图2(c)所示，中转F1通过V2I从 $U_n$ 下载第二个数据包，并且通过V2V将其转发给车V。这个下载过程直到F1也到达 $U_n$ 的覆盖边界。此时F1将充当requester进而以相同的流程选择下一个中继F2，如图2(d)所示。注意，每个中继使用已经建立的V2V链路转发接收到的数据包，即便他超出了 $U_n$ 的覆盖。此外，因为中继在现实中是可以改变他们的速度的，为了克服现实世界拓扑的变化，若当前的多条路径被破坏，V将再次使用上述的策略找到新的中继。由图2(e)可知，该方案可以保证V和 $U_n$ 之间一直存在一条通信链路，该链路由两个组成：1.一个RSU到最后一个中转的单跳V2I链路；2.转发器到V的多跳V2V链路。

终极选择和数据传输的过程将持续到V到达 $U_{n+1}$ 的覆盖范围或者文件被V完全下载。在前一种情况下，中央服务器将通知RSU $U_{n+1}$ 发送下一个数据包，V将通过V2I链路连接 $U_{n+1}$ 继续文件的下载。

性能分析

平均吞吐量

【数据包丢失】

数据包丢失的原因有二，首先是由车辆的缓存区大小有限造成的。这里的数据包丢失发生在目标车辆V上而非中继上，因为中继虽然缓存区也有限，但是它直接将数据转发给V而不进行存储的过程。根据[6]的假设，无线信道造成的丢包率在这类可以忽略不计。另一方面，如果缓存区中下载的数据需要大于阈值以服务的，若数据量不足时服务也将中断。此外，本文采用服务速率大于到达速率的假设。

因为数据包通过单跳/多跳到达V的间隔不是静态的，而缓冲区中的数据以动态的速率进行处理，因此使用 G/G/1/b 对缓冲区中包的数量和t时刻的丢包数进行建模。假设以x表示缓存中大小为b的包的数量。利用扩散近似和稳态解，得到稳态下的pdf $p(x, t|p_{min})$ 为：

其中 $\alpha_{L}=\sigma_{a}^{2} \lambda^{3}+\sigma_{s}^{2} \mu_{s}^{3} \text { and } \beta_{L}=\lambda-\mu_{s}(\lambda < \mu_s)$ 为漂移和扩散系数，，U_F是缓冲区出现小于服务阈值的数据包的概率，O_F是缓冲区溢出导致丢包的概率。 $\lambda$ (packets/s)为平均到达间隔， $\mu_s$ (packets/s)为平均服务速率， $p_{min}$ 为服务阈值， $\sigma_a^2$ 和 $\sigma_s^2$ 分别为到达间隔和服务时长的方差。均值 $1/\mu_s$ 和方差 $\sigma_s^2$ 是定值并且预先设置好。假设车辆V的的到达间隔服从指数分布，其均值和方差为：

由于传输速度和通信载荷的影响，平均到达间隔可以通过[8]得到：

其中E[C]为车辆V的平均传输速率；S为数据包大小， $\xi$ （0< $\xi$ <1）为交通负载。因此，通过[7]可以得到稳态的两个概率 $O_F$ 和 $U_F$ ：

【平均可达吞吐量】

这部分涉及公式较多，目标是计算车从一个RSU到另一个RSU这个过程中的吞吐量，上一届的式(4)也参与了运算，整理数据流框图如下

考虑一个更新回报过程，两个相邻RSU之间的车辆V的可达吞吐量通过[1]可知：

其中E[d]为乘凉V在E[T]内收到的数据包的平均期望。为了说明本文所述方法的优越性，D[d]由两部分组成：通过V2I传输的数据和通过多跳V2V传输的数据。因此，V接受数据的总时长为 $D/v_y$ 。车V在时间E[T]内的平均数据总量为：

(6)中第一项为V通过V2I下载的平均数据量，第二项为V在RSU覆盖外接受的来自中继Fh的平均数据量。

在 $U_n$ 的覆盖内，平均传输速率为 $E[C_{U_{n}\rightarrow V}]$ ，其中 $C_{U_{n}\rightarrow V}$ 表示一秒内RSU到V的数据量。V在 $U_n$ 覆盖内的时间为 $2R/v_V$ ，因此平均V2I传输率为：

根据(3)，覆盖范围内V的数据包平均到达间隔率为：

当V接收到来自 $U_n$ 的数据时，丢包以概率 $O_{F_{U_{n} \rightarrow V}}=f_{1}\left(\lambda_{U_{n} \rightarrow V}\right)$ 发生在V处。因此RSU向V发送的包以以下概率到达V：

当车到达覆盖范围外时，从中继Fn到车V的平均传输率为 $E[C_{F_{h}\rightarrow V}]$ ， $C_{F_{h}\rightarrow V}$ 的为一秒内中继到达V的瞬时数据量，因此：

其中F_h, ...,F_1为从 $U_n$ 到V建立的多条路径中的中转， $C_{U_{n}\rightarrow F_{h,j}}$ 表示U_n到中转F_h一秒的传输速率。与此同时 $C_{F_{h}\rightarrow F_{h-1}}$ 表示两个连续多跳之间的V2V传输速率。

当车在RSU覆盖范围外时，中转从 $U_n$ 转发数据到V的时长为： $(D-2R)/v_V$ ，因此中转F_n到车辆V的平均转发速率为：

在多跳转发的过程中，每个车辆以一定意愿参与转发，将这个意愿表示为随机变量X_W，其为伯努利分布，表示为：

其中P_W（<=1）是表示车辆愿意做中继的概率，x_W=1表示其愿意。因此X_W的期望为：

与覆盖范围内的到达间隔速率不同，未覆盖区域的到达间隔率收到转发车辆意愿的影响，因此在未覆盖区域的平均到达间隔速率为 $\lambda_{F_h\rightarrow V}$ ：

因为车辆V缓存区有限，将从中继接收数据的丢包率定义为 $O_{F_{F}_{h} \rightarrow V}=f_{1}\left(\lambda_{F_{h} \rightarrow V}\right)$ ，所以从中继F_h接收到的数据成功到达V的概率为：

因此，由中继F_n转发向V的平均数据量为：

总体而言，目标车辆在两个连续RSU之间移动时的吞吐量为：

平均服务中断次数

服务中断次数是评估服务连续性的重要指标。平均中断次数越低，服务中断时间越长，为了保证服务连续性，期望服务中断持续时间尽可能地短，因此需要平均中断次数高。本文中当目标车辆下载的数据包不够多（即没有到达启动数据处理的阈值）时，就会发生中断。因此V需要下载足够多的包以保持服务的连续性。用 $E[X_F]$ 表示在 $E[T]$ 内的平均中断次数，用 $E[X_T]$ 表示单次中断时长的期望。在 $E[T]$ 内的平均中断次数公式化为：（包不够大的概率*时间/一次中断的时长）

单次中断的平均时长由[7]为：

(18)是一个样板，下面对其进行细化：平均中断次数由RSU覆盖内和RSU覆盖外的平均中断次数组成，下面分别求解。首先，车辆在覆盖范围内的中断次数为：

其中是到达V的数据包未到达服务阈值的概率，是在 $U_n$ 覆盖范围内单次中断的持续时间的期望。

车辆在RSU覆盖范围外的平均中断次数为：

其中是未到达阈值的概率，是覆盖范围外单次中断的持续时间的期望。

综上可以得到总的平均中断次数为：

仿真结果

【仿真设置】

仿真中取双车道公路中的一段，其相关参数整理如下

参数	数值
RSU间距	2km~6km
车辆作为中继的意愿E[ $X_W$ ]	0.8
目标车辆V的车速	17m/s(60km/h)
同向行驶的其他车辆车速	24m/s(86.4km/h)
车辆密度 $\rho$	0.003~0.005
IP数据包的大小 $S_{pkt}$	1400bytes
缓存区大小	8000（个数据包）
启动数据处理的阈值	1000（个数据包）

缓存的平均服务时间 $1/\mu_s$ 和方差 $\sigma^2$ 均为0.667ms。在每个场景中，仿真30次，绘制与分析结果相比差距小于4%的平均结果。在模拟时，车辆总数为（D+2R）。服务速率服从泊松分布，在每次仿真时进行一次采样。信道参数和车辆移动模型总结到下表中

【结果分析】

(3a)描述了平均吞吐量和RSU间距的关系，RSU间距增加时，平均吞吐量下降。RSU密度增加时，平均吞吐量到达峰值，但是因为车辆的移动性，RSU密度对于平均吞吐量的影响不是很明显。相比纯V2I网络，平均吞吐量有7.5%~9.4%的改进。

(3b)描述了平均中断次数与RSU间距的关系，从中可以看出，本文所述方案在服务连续性方面由于纯V2I网络，服务中断数量的增加说明缓冲区仍在以某种方式断断续续地处理数据。但是纯V2I架构因为无法将数据传输到目标车辆上，因此服务中断次数保持不变。

[论文笔记]Combining V2I with V2V Communications for Service Continuity in Vehicular Networks相关推荐

小样本论文笔记5：Model Based - [6] One-shot learning with memory-augmented neural networks.
小样本论文笔记5:Model Based - [6] One-shot learning with memory-augmented neural networks 文章目录小样本论文笔记5:Mod ...
[论文笔记]Trajectory Data Driven V2V/V2I Mode Switching and Bandwidth Allocation for Vehicle Networks
车辆的高机动性给车辆网络中高效可靠的通信带来挑战,其中的关键是如何实时处理大量的信道反馈信息以及如何更好地进行资源分配.本文提出一种利用轨迹数据的资源分配方法,其特点为减少CSI信息的反馈量并使V2V ...
论文笔记（FCN网络，语义分割）：Fully Convolutional Networks for Semantic Segmentation
FCN论文笔记:Fully Convolutional Networks for Semantic Segmentation 语义分割模型结构时序: FCN SegNet Dilated Convol ...
（未完）论文笔记——深层网络的公理化属性（Axiomatic Attribution for Deep Networks）
论文--Axiomatic Attribution for Deep Networks 1. 介绍 2. 基本公理 2.1 公理:敏感性(a) 2.2 公理:实现不变性 Axiomatic Attri ...
论文笔记2：Video-based Person Re-identification with Spatial and Temporal Memory Networks
本文是韩国延世大学,电气与电子工程学院所发表的基于视频行人重识别的文章. 文章地址:https://openaccess.thecvf.com/content/ICCV2021/papers/Eom_ ...
【论文笔记】An End-to-End Model for QA over KBs with Cross-Attention Combining Global Knowledge
一.概要该文章发于ACL 2017,在Knowledge base-based question answering (KB-QA)上,作者针对于前人工作中存在没有充分考虑候选答案的相关信息来训 ...
【文献阅读03】Deep Reinforcement Learning Based Resource Allocation for V2V Communications
Deep Reinforcement Learning Based Resource Allocation for V2V Communications(点击可见原文) p.s.此文19年发表,到20 ...
论文笔记（八）：360 VR Based Robot Teleoperation Interface for Virtual Tour
360 VR Based Robot Teleoperation Interface for Virtual Tour 文章概括摘要 1. 介绍 2. 方法和系统设计 2.1 系统结构 2.2 远程 ...
论文笔记【A Comprehensive Study of Deep Video Action Recognition】
论文链接:A Comprehensive Study of Deep Video Action Recognition 目录 A Comprehensive Study of Deep Video A ...

[论文笔记]Combining V2I with V2V Communications for Service Continuity in Vehicular Networks

概要

结论

介绍