针对车联网场景下多入多出-正交时频空(Multiple-Input Multiple-Output-Orthogonal Time Frequency Space,MIMO-OTFS)系统的信道状态信息(Channel State Information,CSI)反馈问题,提出了一种面向时延-多普勒(Delay-Dopler,DD)域CSI反...针对车联网场景下多入多出-正交时频空(Multiple-Input Multiple-Output-Orthogonal Time Frequency Space,MIMO-OTFS)系统的信道状态信息(Channel State Information,CSI)反馈问题,提出了一种面向时延-多普勒(Delay-Dopler,DD)域CSI反馈的时间差分架构Transformer网络(Time-differencing Architecture Delay-Doppler Transformer Network,TA-DD-TransNet),引入分时反馈机制,将残差信息建模与压缩反馈相结合。网络结构融合Transformer的全局建模能力与卷积神经网络的局部特征提取优势,在保持CSI重构精度的同时显著降低了反馈比特数与计算复杂度。在不同车速、信噪比及非完美信道估计条件下的仿真实验结果表明,所提方法在归一化均方误差(Normalized Mean Squared Error,NMSE)和余弦相似度指标上均优于CsiNet、CsiNet+和BCsiNet。在60 km/h、30 dB信噪比、1/4压缩率下,TA-DD-TransNet的NMSE约-27 dB,余弦相似度达0.96。复杂度分析显示,TA-DD-TransNet在1/4压缩率下的编码器和解码器浮点运算次数分别为1.809×10^(7)和2.281×10^(7),参数量均为8.4×10~6左右,显著低于CsiNet+。所提方法能满足车联网中对高可靠低时延通信的实际需求。展开更多
随着低空经济与智能交通系统的快速发展,以无人机(Unmanned Aerial Vehicle,UAV)为核心的低空通信网络(Low-altitude Communication Networks,LACN)已成为车联网(Internet of Vehicles,IoV)智能化演进的关键支撑技术。通过融合5G-A通感...随着低空经济与智能交通系统的快速发展,以无人机(Unmanned Aerial Vehicle,UAV)为核心的低空通信网络(Low-altitude Communication Networks,LACN)已成为车联网(Internet of Vehicles,IoV)智能化演进的关键支撑技术。通过融合5G-A通感一体化、星地一体化网络及移动边缘计算等前沿技术,低空通信网络为车联网提供了高可靠、低时延、广覆盖的通信与计算能力,有效解决了传统地面网络在复杂交通场景下面临的通信盲区、服务质量瓶颈和算力不足等问题。综述了低空通信网络在车联网中的应用,沿着技术纵向演进与应用横向拓展两条主线,从移动边缘计算、协同定位与感知以及信息娱乐服务3个核心维度深入剖析了现有研究的技术脉络、核心挑战与发展趋势。通过梳理分析发现,当前研究呈现出两大趋势:一是从传统模型驱动优化向数据驱动的智能决策模式转变,深度强化学习等人工智能技术被广泛应用;二是从单点技术优化向“空-地-云”一体化协同架构演进,数字孪生、多无人机协作等成为研究热点。进一步指出,发展无需外部设施支持的自主协同网络、实现空地资源的智能一体化调度,是未来实现全域无缝高精度服务的关键突破口。展开更多
针对车联网数据共享场景存在的单点故障、合谋攻击、低吞吐量及高计算成本等问题,提出了一种基于双区块链的隐私保护车联网数据共享方案(A Privacy-preserving and Blockchain-based Data Sharing Scheme for IoV,PBDSS),其核心创新体...针对车联网数据共享场景存在的单点故障、合谋攻击、低吞吐量及高计算成本等问题,提出了一种基于双区块链的隐私保护车联网数据共享方案(A Privacy-preserving and Blockchain-based Data Sharing Scheme for IoV,PBDSS),其核心创新体现在三方面:首先,利用区块链存储数据和管理密钥,防止车联网数据被篡改,并有效抵抗合谋攻击;其次,通过将复杂的解密计算外包给边缘节点,同时实现数据在线/离线加密,降低了用户端计算代价;最后,设计数据分级共享机制,实现了安全性和效率之间的平衡。安全性分析与实验结果表明,相较于现有典型车联网数据共享方案,PBDSS在安全性与性能方面均具有显著优势。展开更多
针对车联网(IoV)的V2N(vehicle to network)环境中车辆安全接入应用服务器场景,提出一种基于物理不可克隆函数(physical unclonable function,PUF)的Kerberos扩展协议PuKE-V2N,实现车辆与远程应用服务器之间的双向认证和与密钥协商,保障...针对车联网(IoV)的V2N(vehicle to network)环境中车辆安全接入应用服务器场景,提出一种基于物理不可克隆函数(physical unclonable function,PUF)的Kerberos扩展协议PuKE-V2N,实现车辆与远程应用服务器之间的双向认证和与密钥协商,保障V2N数据传输的保密性与认证性.利用PUF产生的激励响应对代替标准Kerberos的口令认证,从而防止攻击者通过入侵、半入侵或侧信道攻击等物理攻击造成的密钥泄露威胁.而Kerberos的轻量级双向认证协议,可以克服公钥认证算法计算复杂度高、速度慢的缺陷,高效实现车辆与应用服务器之间的安全数据传输.展开更多
车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决...车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决的难题.联邦学习采用“数据不动模型动”的方式,为保护用户隐私和实现良好性能提供了可行方案.然而,受限于采集设备、地域环境、个人习惯的差异,多台车辆采集的数据通常表现为非独立同分布(non-independent and identically distributed,non-IID)数据,而传统的联邦学习算法在non-IID数据环境中,其模型收敛速度较慢.针对这一挑战,提出了一种面向non-IID数据的车联网多阶段联邦学习机制,称为FedWO.第1阶段采用联邦平均算法,使得全局模型快速达到一个基本的模型准确度;第2阶段采用联邦加权多方计算,依据各车辆的数据特性计算其在全局模型中的权重,聚合后得到性能更优的全局模型,同时采用传输控制策略,减少模型传输带来的通信开销;第3阶段为个性化计算阶段,车辆利用各自的数据进行个性化学习,微调本地模型获得与本地数据更匹配的模型.实验采用了驾驶行为数据集进行实验评估,结果表明相较于传统方法,在non-IID数据场景下,FedWO机制保护了数据隐私,同时提高了算法的准确度.展开更多
针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型...针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure,V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。展开更多
文摘针对车联网场景下多入多出-正交时频空(Multiple-Input Multiple-Output-Orthogonal Time Frequency Space,MIMO-OTFS)系统的信道状态信息(Channel State Information,CSI)反馈问题,提出了一种面向时延-多普勒(Delay-Dopler,DD)域CSI反馈的时间差分架构Transformer网络(Time-differencing Architecture Delay-Doppler Transformer Network,TA-DD-TransNet),引入分时反馈机制,将残差信息建模与压缩反馈相结合。网络结构融合Transformer的全局建模能力与卷积神经网络的局部特征提取优势,在保持CSI重构精度的同时显著降低了反馈比特数与计算复杂度。在不同车速、信噪比及非完美信道估计条件下的仿真实验结果表明,所提方法在归一化均方误差(Normalized Mean Squared Error,NMSE)和余弦相似度指标上均优于CsiNet、CsiNet+和BCsiNet。在60 km/h、30 dB信噪比、1/4压缩率下,TA-DD-TransNet的NMSE约-27 dB,余弦相似度达0.96。复杂度分析显示,TA-DD-TransNet在1/4压缩率下的编码器和解码器浮点运算次数分别为1.809×10^(7)和2.281×10^(7),参数量均为8.4×10~6左右,显著低于CsiNet+。所提方法能满足车联网中对高可靠低时延通信的实际需求。
文摘随着低空经济与智能交通系统的快速发展,以无人机(Unmanned Aerial Vehicle,UAV)为核心的低空通信网络(Low-altitude Communication Networks,LACN)已成为车联网(Internet of Vehicles,IoV)智能化演进的关键支撑技术。通过融合5G-A通感一体化、星地一体化网络及移动边缘计算等前沿技术,低空通信网络为车联网提供了高可靠、低时延、广覆盖的通信与计算能力,有效解决了传统地面网络在复杂交通场景下面临的通信盲区、服务质量瓶颈和算力不足等问题。综述了低空通信网络在车联网中的应用,沿着技术纵向演进与应用横向拓展两条主线,从移动边缘计算、协同定位与感知以及信息娱乐服务3个核心维度深入剖析了现有研究的技术脉络、核心挑战与发展趋势。通过梳理分析发现,当前研究呈现出两大趋势:一是从传统模型驱动优化向数据驱动的智能决策模式转变,深度强化学习等人工智能技术被广泛应用;二是从单点技术优化向“空-地-云”一体化协同架构演进,数字孪生、多无人机协作等成为研究热点。进一步指出,发展无需外部设施支持的自主协同网络、实现空地资源的智能一体化调度,是未来实现全域无缝高精度服务的关键突破口。
文摘针对车联网数据共享场景存在的单点故障、合谋攻击、低吞吐量及高计算成本等问题,提出了一种基于双区块链的隐私保护车联网数据共享方案(A Privacy-preserving and Blockchain-based Data Sharing Scheme for IoV,PBDSS),其核心创新体现在三方面:首先,利用区块链存储数据和管理密钥,防止车联网数据被篡改,并有效抵抗合谋攻击;其次,通过将复杂的解密计算外包给边缘节点,同时实现数据在线/离线加密,降低了用户端计算代价;最后,设计数据分级共享机制,实现了安全性和效率之间的平衡。安全性分析与实验结果表明,相较于现有典型车联网数据共享方案,PBDSS在安全性与性能方面均具有显著优势。
文摘针对车联网(IoV)的V2N(vehicle to network)环境中车辆安全接入应用服务器场景,提出一种基于物理不可克隆函数(physical unclonable function,PUF)的Kerberos扩展协议PuKE-V2N,实现车辆与远程应用服务器之间的双向认证和与密钥协商,保障V2N数据传输的保密性与认证性.利用PUF产生的激励响应对代替标准Kerberos的口令认证,从而防止攻击者通过入侵、半入侵或侧信道攻击等物理攻击造成的密钥泄露威胁.而Kerberos的轻量级双向认证协议,可以克服公钥认证算法计算复杂度高、速度慢的缺陷,高效实现车辆与应用服务器之间的安全数据传输.
文摘车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决的难题.联邦学习采用“数据不动模型动”的方式,为保护用户隐私和实现良好性能提供了可行方案.然而,受限于采集设备、地域环境、个人习惯的差异,多台车辆采集的数据通常表现为非独立同分布(non-independent and identically distributed,non-IID)数据,而传统的联邦学习算法在non-IID数据环境中,其模型收敛速度较慢.针对这一挑战,提出了一种面向non-IID数据的车联网多阶段联邦学习机制,称为FedWO.第1阶段采用联邦平均算法,使得全局模型快速达到一个基本的模型准确度;第2阶段采用联邦加权多方计算,依据各车辆的数据特性计算其在全局模型中的权重,聚合后得到性能更优的全局模型,同时采用传输控制策略,减少模型传输带来的通信开销;第3阶段为个性化计算阶段,车辆利用各自的数据进行个性化学习,微调本地模型获得与本地数据更匹配的模型.实验采用了驾驶行为数据集进行实验评估,结果表明相较于传统方法,在non-IID数据场景下,FedWO机制保护了数据隐私,同时提高了算法的准确度.
文摘针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure,V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。
