一种车联网中集成感知、通信与缓存的内容分发方法

1.本发明属于车联网技术领域，涉及一种车联网内容分发方法，具体涉及一种集成感知、通信与缓存的车联网内容分发方法，可用于智能交通系统。


背景技术：

2.车联网是实现未来智能交通的关键技术，其通过构建车与车(vehicle-to-vehicle，v2v)、车与道路基础设施(vehicle-to-infrastructure，v2i)、车与云(vehicle-to-cloud，v2c)等互联网络进行实时数据交互，实现信息交换和决策制定来控制智能交通系统，助力智能交通系统从理论到实际应用的发展。现有的车联网应用主要分为安全信息类和非安全服务类应用，一方面为车辆用户的出行提供安全预警、交通监控等安全保障，另一方面为车辆用户带来影音视频、在线游戏等丰富的娱乐应用服务。
3.车联网内容分发通过v2i与v2v通信技术、智能驾驶技术和车联网络缓存技术等实现数据互通与共享，是支持智能网联车辆各种非安全服务类车载应用的重要手段之一。车联网内容分发是一种依赖于节点之间的相互配合为车联网中某一节点或多个节点分发内容信息的数据传输过程，主要包括边缘节点的内容预缓存、内容转发阶段，这两个阶段关注于充分利用边缘节点有限的缓存资源对待分发内容进行预缓存，以降低车辆从远程云请求和下载内容的时延和成本。高效的内容分发方案在满足智能网联车辆用户对内容的个性化需求的同时，也能够设计优化边缘节点缓存资源利用率的内容缓存方法来降低内容分发时延。现有车联网中的内容分发机制根据通信方式主要分为两类，一类是基于v2i通信的内容分发机制，关注于多路设协作、车辆接入路侧单元方法、内容预取等问题；另一类是基于v2v通信的内容分发机制，即车辆节点从邻居节点获取内容下载，研究问题集中在非协作车辆对网络性能的影响、协作车辆的激励等问题。
4.基于v2i通信的内容分发机制克服了车辆需要从内容服务中心请求内容时延较长的缺陷，例如，申请公布号为cn113012013a，名称为“一种在车联网中基于深度强化学习的协同边缘缓存方法”的专利申请，公开了一种在车联网中用于内容分发的基于深度强化学习的协同边缘缓存方法，该方法首先根据移动车辆、边缘设备rsu和基站的结构建立系统缓存模型；构建系统吞吐量计算模型；基于深度强化学习的问题求解算法：利用真实的仿真环境，从而保证仿真结果的性能能够对真实场景中的性能进行估计和近似。该方法根据历史内容请求记录预测内容流行度，提出一种rsu间的协同内容缓存策略，以最大限度地提高车辆从rsu获得的数据吞吐量，使边缘设备的缓存资源得以充分利用，能够降低内容分发的时延。
5.该方法考虑了边缘节点间协作进行内容预缓存，但未考虑车辆间进行协作下载内容，当多个车辆同时接入边缘节点请求内容时，影响到边缘节点为所有车辆分发内容的平均时延的进一步缩短；同时该方法考虑了内容的流行度，但未考虑内容之间的关联性和车辆用户对内容的个人偏好，容易导致车辆用户对分发内容的满意度降低；另外该方法中进行内容分发的边缘节点为通信覆盖范围有限的rsu和基站，当车辆处于高速移动场景下与
rsu和基站的网络接入时断时续，容易导致车辆下载内容的服务中断。


技术实现要素：

6.本发明的目的在于针对车联网中现有内容分发方法的不足，提出一种车联网中集成感知、通信与缓存的内容分发方法，旨在充分利用边缘节点的缓存资源，在优化边缘节点的缓存效益的同时，降低为车辆进行内容分发的平均时延，提高车联网络服务性能。
7.为实现上述目的，本发明采取的技术方案包括如下步骤：
8.(1)构建异构车联网系统：
9.构建包括缓存有q个待分发内容c＝{c1,c2,...,cq,...,cq}的云服务器、导航卫星、k个由基站和无人机组成的边缘节点r＝{r1,r2,...,rk,...,rk}和i个车辆v＝{v1,v2,...,vi,...,vi}的异构车联网系统，其中，q≥2，cq表示第q个待分发内容，k≥2，rk表示第k个边缘节点，i≥2，vi表示第i个车辆；
10.(2)云服务器计算每两个待分发内容之间的相似度：
11.云服务器根据每个车辆vi历史下载每个待分发内容cq的时间和位置计算第q个内容cq和第q'个内容c
q'
的相似度sim(cq,c
q'
)，并将个相似度组成内容信息列表，分发至每个边缘节点rk，其中，q'∈[1,q]，q'≠q；
[0012]
(3)边缘节点rk感知为车辆vi推荐的内容
[0013]
每个边缘节点rk应车辆vi发送的对每个待分发内容cq的请求，根据云服务器分发的内容信息列表、车辆vi的个人偏好及内容cq的流行度计算每两个内容cq与c
q'
的关联度并根据为车辆vi推荐的内容然后向vi发送包含推荐内容的请求响应信息，其中：
[0014][0015][0016]
其中，
[0017]
(4)边缘节点rk转发小组信息：
[0018]
每个边缘节点rk统计回复接受推荐内容的车辆的数量，并将其中驾驶路径和推荐内容均相同的车辆分为一组，得到一个或多个车辆编组，然后将每个小组包含的驾驶路径和推荐内容的信息转发给该小组驾驶路径上部署的最后一个边缘节点r
k'
；
[0019]
(5)边缘节点r
k'
计算每个待分发内容cq的总期望收益
[0020]
(5a)边缘节点r
k'
根据内容cq的流行度计算cq对r
k'
期望效益
[0021][0022][0023]
[0024][0025]
其中，表示边缘节点r
k'
通信覆盖范围内的车辆数量，是边缘节点r
k'
的通信覆盖半径，是每一个车道的车辆密度，是车道数，表示内容cq的价格，是内容cq的数据大小，且服从[x,y]上的均匀分布，x≥1，y≥1，表示边缘节点r
k'
将内容cq分发给车辆vi的成本，是边缘节点r
k'
的单位容量缓存成本，为边缘节点r
k'
和车辆vi之间的单位时间传输成本，表示云服务器和边缘节点r
k'
之间的单位时间传输成本，分别表示边缘节点r
k'
与车辆vi之间的传输速率、云服务器与边缘节点r
k'
之间的传输速率，是表示二进制变量，表示车辆vi请求的内容cq没有被边缘节点r
k'
缓存，表示车辆vi请求的内容cq被边缘节点r
k'
缓存；
[0026]
(5b)边缘节点r
k'
判断接受推荐服务的车辆编组是否下载内容cq，若是，计算内容cq带来的额外期望收益并执行步骤(5c)，否则执行步骤(5d)，其中：
[0027][0028]
其中，表示二进制变量，表示边缘节点rk将请求内容cq的小组信息转发给边缘节点r
k'
，表示边缘节点rk没有将请求内容cq的小组信息转发给边缘节点r
k'
；
[0029]
(5c)边缘节点r
k'
计算内容cq的总期望收益
[0030][0031]
(5d)边缘节点r
k'
计算内容cq的总期望收益
[0032][0033]
(6)边缘节点r
k'
获取车载内容分发结果：
[0034]
(6a)边缘节点r
k'
根据每个内容cq的数据大小内容cq的总期望效益r
k'
的缓存容量建立用于最优化边缘节点r
k'
的总缓存效益的背包问题：
[0035][0036][0037]
其中，表示二进制变量，表示边缘节点r
k'
缓存内容q，表示边缘节点r
k'
不缓存内容q；
[0038]
(6b)边缘节点r
k'
建立其缓存容量为时存储前q个内容能得到的最大缓存效益
γ(q,f
k'
)的状态转移方程；
[0039]
(6c)对状态转移方程进行求解，得到使边缘节点r
k'
缓存效益最大的缓存策略并根据此缓存策略进行内容缓存，然后根据缓存的内容为每个车辆进行内容分发。
[0040]
本发明与现有技术相比，具有如下优点：
[0041]
1.本发明每个边缘节点将每个小组包含的驾驶路径和推荐内容的信息转发给该小组驾驶路径上部署的最后一个边缘节点，并通过最后一个边缘节点所计算的待分发内容的总期望收益，建立总缓存效益的背包问题，然后通过求解背包问题所获取的使最后一个边缘节点缓存效益最大的缓存策略进行内容缓存，每个车辆小组只需下载一次内容并在组内进行转发，且所有车辆能够最大限度地从边缘节点而不是云端下载内容，在优化边缘节点的缓存效益的同时，能够降低所有车辆下载内容的平均时延。
[0042]
2.本发明在边缘节点感知为车辆推荐的内容时，边缘节点根据云服务器分发的内容信息列表、车辆的个人偏好及内容的流行度计算每两个内容的关联度，并根据内容间的关联度为车辆推荐内容，避免了现有技术在感知车辆的内容请求时只计算内容流行度的缺陷，满足了车辆用户的个性化需求。
[0043]
3.本发明所构建异构车联网系统，多个边缘节点既包含有基站，又包含有无人机，可以借助空间、空中、地面的异构网络设备对移动车辆进行数据采集，并为其提供稳定可靠的通信连接，避免了现有技术在车辆处于高速移动场景时下载内容容易中断的缺陷，增强了高速移动场景下车辆接入网络的灵活性和可靠性。
附图说明
[0044]
图1是本发明的实现流程图。
[0045]
图2是本发明异构车联网系统的结构示意图。
[0046]
图3是本发明与现有技术内容缓存效益和下载时延的仿真结果对比图。
具体实施方式
[0047]
下面结合附图和具体实施例，对本发明作进一步详细描述。
[0048]
参照图1，本发明包括如下步骤。
[0049]
步骤1)构建异构车联网系统，其结构如图2所示：
[0050]
构建包括缓存有q个待分发内容c＝{c1,c2,...,cq,...,cq}的云服务器、导航卫星、k个由基站和无人机组成的边缘节点r＝{r1,r2,...,rk,...,rk}和i个车辆v＝{v1,v2,...,vi,...,vi}的异构车联网系统，其中，q≥2，cq表示第q个待分发内容，k≥2，rk表示第k个边缘节点，i≥2，vi表示第i个车辆。
[0051]
本实施例中，q＝100，k＝5，i＝150，k个边缘节点包括基站、无人机，通过基站和无人机的协同工作，能够避免高速的移动车辆无法接入基站时断时续的缺陷，并减轻基站的通信、缓存负担。
[0052]
步骤2)云服务器计算每两个待分发内容之间的相似度：
[0053]
云服务器根据每个车辆vi历史下载每个待分发内容cq的时间和位置计
算第q个内容cq和第q'个内容c
q'
的相似度sim(cq,c
q'
)，并将个相似度组成内容信息列表，分发至每个边缘节点rk，其中，q'∈[1,q]，q'≠q，sim(cq,c
q'
)的计算公式为：
[0054][0055][0056]
其中，l(cq)和l(c
q'
)分别为请求过内容q和内容q'的车辆集合，|l(cq)|和|l(c
q'
)|分别为集合l(cq)和l(c
q'
)中车辆的数量，α和β分别是时间衰减系数和距离衰减系数，是车辆vi请求内容cq和内容c
q'
的时间差，是车辆vi请求内容cq和内容c
q'
时所在位置之间的距离。
[0057]
步骤3)边缘节点rk感知为车辆vi推荐的内容
[0058]
每个边缘节点rk应车辆vi发送的对每个待分发内容cq的请求，根据云服务器分发的内容信息列表、车辆vi的个人偏好及内容cq的流行度计算每两个内容cq与c
q'
的关联度并根据为车辆vi推荐的内容然后向vi发送包含推荐内容的请求响应信息，其中：
[0059][0060][0061]
其中，内容cq的流行度的计算公式为：
[0062][0063]
其中，θ和ω是zipf分布的参数，为内容cq在网络中基于总请求次数的排名。
[0064]
边缘节点rk接收到车辆vi发送的每个待分发内容cq的请求，为车辆vi完成内容cq的分发，然后车辆vi根据内容信息列表、车辆vi的个人偏好及内容cq的流行度计算出每两个内容cq与c
q'
的关联度根据内容间的关联度为车辆vi下一次请求内容进行预测并将计算出的内容推荐给车辆vi，该推荐内容即边缘节点rk对车辆vi的请求做出感知的结果。
[0065]
步骤4)边缘节点rk转发小组信息：
[0066]
每个边缘节点rk统计回复接受推荐内容的车辆的数量，并将其中驾驶路径和推荐内容均相同的车辆分为一组，得到一个或多个车辆编组，然后将每个小组包含的驾驶路径和推荐内容的信息转发给该小组驾驶路径上部署的最后一个边缘节点r
k'
。
[0067]
车辆回复边缘节点表示车辆接受边缘节点推荐的内容，否则不给出回复。所有接受推荐内容的车辆被分为一个或多个车辆编组，每个车辆编组中包含多个车辆，不接受推荐内容的车辆不进行分组，将车辆进行编组是为了让驾驶路径和推荐内容相同的车辆之间
进行协作下载内容，可以避免多个车辆同时接入边缘节点下载内容造成的网络拥塞，也能够降低所有车辆下载内容的平均时延，然后边缘节点之间建立通信连接，互相转发车辆编组的信息来协助边缘节点对车辆即将下载的内容进行预缓存。
[0068]
步骤5)边缘节点r
k'
计算每个内容cq的总期望收益
[0069]
(5a)边缘节点r
k'
根据内容cq的流行度计算期望效益
[0070][0071][0072][0073][0074]
其中，表示边缘节点r
k'
通信覆盖范围内的车辆数量，是边缘节点r
k'
的通信覆盖半径，是每一个车道的车辆密度，是车道数，表示内容cq的价格，是内容cq的数据大小，且服从[x,y]上的均匀分布，x≥1，y≥1，表示边缘节点r
k'
将内容cq分发给车辆vi的成本，是边缘节点r
k'
的单位容量缓存成本，为边缘节点r
k'
和车辆vi之间的单位时间传输成本，表示云服务器和边缘节点r
k'
之间的单位时间传输成本，分别表示边缘节点r
k'
与车辆vi之间的传输速率、云服务器与边缘节点r
k'
之间的传输速率，是表示二进制变量，表示车辆vi请求的内容cq被边缘节点r
k'
缓存，此时车辆vi从边缘节点r
k'
下载内容cq的时延和成本都较小；表示车辆vi请求的内容cq没有被边缘节点r
k'
缓存，此时车辆vi需要从远程云下载内容cq，此时车辆vi下载内容cq的时延和成本都会大大增加。本实施例中，x＝1，y＝9。
[0075]
(5b)边缘节点r
k'
判断接受推荐服务的小组是否下载内容cq，若是，计算内容cq带来的额外期望收益并执行步骤(5c)，否则执行步骤(5d)，其中：
[0076][0077]
其中，是一个二进制变量，是对内容cq是否为车辆小组要请求的推荐内容进行判断，表示内容cq是车辆小组要请求的推荐内容且边缘节点rk将请求内容cq的小组信息转发给边缘节点r
k'
，此时，内容cq由于是被车辆小组默认下载的内容会给边缘节点r
k'
带来额外期望收益；表示内容cq不是车辆小组要请求的推荐内容且边缘节点rk没有将请求内容cq的小组信息转发给边缘节点r
k'
。
[0078]
(5c)边缘节点r
k'
计算内容cq的总期望收益
[0079]
[0080]
(5d)边缘节点r
k'
计算内容cq的总期望收益
[0081][0082]
步骤6)边缘节点r
k'
获取车载内容分发结果：
[0083]
(6a)边缘节点r
k'
根据每个内容cq的数据大小内容cq的总期望效益r
k'
的缓存容量建立背包问题来最优化边缘节点r
k'
的总缓存效益
[0084][0085][0086]
其中，为一个二进制变量，表示边缘节点r
k'
缓存内容q，表示边缘节点r
k'
不缓存内容q。
[0087]
(6b)边缘节点r
k'
建立其缓存容量为时存储前q个内容能得到的最大缓存效益γ(q,f
k'
)的状态转移方程，表示为：
[0088][0089]
(6c)求解状态转移方程得出使边缘节点r
k'
缓存效益最大的缓存策略根据此缓存策略进行内容缓存并为所有车辆进行内容分发。
[0090]
步骤(6c)中缓存策略是指在边缘节点r
k'
缓存容量有限的约束下，根据每个内容的总期望收益数据大小来决策如何将q个待分发内容选择性地缓存在边缘节点r
k'
中，并使所缓存的内容为边缘节点r
k'
带来最高的期望效益。边缘节点r
k'
缓存内容完毕将为所有车辆进行内容分发。
[0091]
下面结合仿真实验，对本发明的技术效果作进一步说明。
[0092]
1.仿真条件和内容：
[0093]
仿真实验的平台为：windows 10操作系统和matlab 2021a。仿真实验参数设置如表1所示：
[0094]
表1
[0095]
设置项取值内容总数100每个内容大小[1,9]mb边缘节点数量5每个边缘节点下车数30边缘节点k'到车辆传输速率r
k'
100mbps云端到边缘节点k'传输速率rk′
′
50mbps边缘节点k'缓存容量[50,300]mb
[0096]
对本发明与现有的一种在车联网中基于深度强化学习的协同边缘缓存方法的内容缓存效益、内容平均下载时延进行对比仿真，其结果如图3所示。
[0097]
2.仿真结果分析：
[0098]
参照图3，其中图3(a)为本发明与现有技术内容缓存效益的仿真结果对比图，图中的横坐标表示边缘节点缓存容量，纵坐标表示边缘节点缓存效益。当边缘节点缓存容量从50mb增加到300mb时，本发明的边缘节点缓存效益从193.96逐渐增加到236.38，现有技术的边缘节点缓存效益从175.17逐渐增加到220.83，本发明的边缘节点缓存效益高于现有技术的边缘节点缓存效益，这是因为本发明为车辆提供内容推荐服务并充分利用边缘节点的缓存资源来缓存内容，有效地提高了车辆从边缘节点下载内容的概率，从而为边缘节点带来更高的效益。
[0099]
图3(b)为本发明与现有技术内容平均下载时延的仿真结果对比图，图中的横坐标表示边缘节点缓存容量，纵坐标表示。当边缘节点缓存容量从50mb增加到300mb时，本发明的平均时延从17.33ms逐渐降低到12.67ms，现有技术的平均时延从18.48ms逐渐降低到13.15ms，本发明的平均时延低于现有技术的平均时延，这是因为本发明使车辆最大限度地从边缘节点下载内容，并由车辆小组下载内容在组内进行转发，有效地降低了车辆从边缘节点下载内容的平均时延。
[0100]
综上，本发明提出的方法与现有技术相比，具有更高的边缘节点内容缓存效益和内容下载平均时延。