Neighbor discovery (ND) is a key initial step of network configuration and prerequisite of vehicular ad hoc network (VANET). However, the convergence efficiency of ND is facing the requirements of multi-vehicle fast networking of VANET with frequent topology changes. This paper proposes gossip-based information dissemination and sensing information assisted ND with MPR (GSIM-ND) algorithm for VANET. GSIM-ND algorithm leverages efficient gossip-based information dissemination in the case of multi-packet reception (MPR). Besides, through multi-target detection function of multiple sensors installed in roadside unit (RSU), RSU can sense the distribution of vehicles and help vehicles to obtain the distribution of their neighbors. Thus, GSIM-ND algorithm leverages the dissemination of sensing information as well. The expected number of discovered neighbors within a given period is theoretically derived and used as the critical metric to evaluate the performance of GSIM-ND algorithm. The expected bounds of the number of time slots when a given number of neighbors needs to be discovered is derived as well. The simulation results verify the correctness of theoretical derivation. It is discovered that GSIM-ND algorithm proposed in this paper can always reach the short-term convergence quickly. Moreover, GSIM-ND algorithm is more efficient and stable compared with completely random algorithm (CRA), scan-based algorithm (SBA) and gossip-based algorithm. The convergence time of GSIM-ND algorithm is 40\%-90\% lower than that of these existing algorithms for both low density and high density networks. Thus, GSIM-ND can improve the efficiency of ND algorithm.


翻译:邻里发现(ND)是网络配置的关键初始步骤和车辆临时网络(VANET)的先决条件,然而,ND的趋同效率正面临VANET多车辆快速联网的要求,并经常发生地形变化;本文件提出,利用VANET的MPR(GSIM-ND)算法,提供八卦信息传播和遥感信息,协助ND进行VANET的MPR(GSIM-ND)算法。GSIM-ND算法在多包接收(MPR)的情况下利用基于八卦的高效率信息传播。此外,通过路边单位安装的多个传感器的多目标检测功能,RSU能够感知车辆网络的分布,并帮助车辆获得邻居的分布。因此,GSIM-ND算法在一定的一段时间内利用基于八卦实信息传播的八卦实传播。在发现,在需要发现某个邻居的某个特定数目时,预期的时间档数的界限也可以计算出来。 模拟结果可以核实短期的GSAIM算法(GIM-NL-80)的理论推算法和GSAIM算法中,与SAL-L-al-al-al-LALALAL-LAMA-总算法之间总算算算算法之间总总的算算算法是比较。

0
下载
关闭预览

相关内容

《计算机信息》杂志发表高质量的论文,扩大了运筹学和计算的范围,寻求有关理论、方法、实验、系统和应用方面的原创研究论文、新颖的调查和教程论文,以及描述新的和有用的软件工具的论文。官网链接:https://pubsonline.informs.org/journal/ijoc
专知会员服务
6+阅读 · 2021年9月22日
专知会员服务
14+阅读 · 2021年7月4日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
VIP会员
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员