为了解决车载自组织网络(vehicular ad hoc network, VANET)上的通信协议可能存在的节点冒充、数据伪造、真实身份泄露等问题,同时考虑到现有隐私保护认证协议存在身份管理成本大、协议性能与用户数量呈负相关、签名长度长等不足,提出...为了解决车载自组织网络(vehicular ad hoc network, VANET)上的通信协议可能存在的节点冒充、数据伪造、真实身份泄露等问题,同时考虑到现有隐私保护认证协议存在身份管理成本大、协议性能与用户数量呈负相关、签名长度长等不足,提出一种车联网中格上基于身份的隐私保护协议。通过数字签名实现身份认证和数据鉴别,基于环上容错学习(ring learning with errors, RLWE)困难问题对用户身份进行匿名化保护,基于小整数解(small integer solution, SIS)困难问题和拒绝采样技术对消息进行数字签名认证。理论分析证明,提出的协议具有抗量子攻击的特性,满足车联网中的安全需求,在提高计算和通信效率的同时减小了签名长度。仿真结果表明,提出的协议性能满足国内车联网通信相关指标要求。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
车联网(Vehicle to Everything,V2X)通信被认为是未来无线通信网络最重要的应用之一。然而,车辆在高速移动时引起的高多普勒频移会严重恶化V2X通信链路的性能。正交时频空(Orthogonal Time Frequency Space,OTFS)调制技术可以将时间和...车联网(Vehicle to Everything,V2X)通信被认为是未来无线通信网络最重要的应用之一。然而,车辆在高速移动时引起的高多普勒频移会严重恶化V2X通信链路的性能。正交时频空(Orthogonal Time Frequency Space,OTFS)调制技术可以将时间和频率选择性信道转换为时延-多普勒(Delay-Doppler,DD)域的非选择性信道,从而显著提高无线通信系统在高移动性场景下的性能,在V2X通信中具有重要的应用价值。但OTFS调制技术极大地增加了系统接收端的复杂度,研究低复杂度信号检测算法成为了新一代无线通信系统采用OTFS调制的关键问题之一。为此,综述了面向车联网V2X通信的OTFS信号检测算法。首先介绍了OTFS系统模型,然后概述了现有的低复杂度OTFS信号检测算法,并将其分为线性检测算法、消息传递(Message Passing,MP)检测算法及其改进算法、基于神经网络的检测算法3类,最后探讨了V2X通信中OTFS信号检测目前所面临的技术挑战与未来的发展趋势。展开更多
文摘为了解决车载自组织网络(vehicular ad hoc network, VANET)上的通信协议可能存在的节点冒充、数据伪造、真实身份泄露等问题,同时考虑到现有隐私保护认证协议存在身份管理成本大、协议性能与用户数量呈负相关、签名长度长等不足,提出一种车联网中格上基于身份的隐私保护协议。通过数字签名实现身份认证和数据鉴别,基于环上容错学习(ring learning with errors, RLWE)困难问题对用户身份进行匿名化保护,基于小整数解(small integer solution, SIS)困难问题和拒绝采样技术对消息进行数字签名认证。理论分析证明,提出的协议具有抗量子攻击的特性,满足车联网中的安全需求,在提高计算和通信效率的同时减小了签名长度。仿真结果表明,提出的协议性能满足国内车联网通信相关指标要求。
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%。
文摘车联网(Vehicle to Everything,V2X)通信被认为是未来无线通信网络最重要的应用之一。然而,车辆在高速移动时引起的高多普勒频移会严重恶化V2X通信链路的性能。正交时频空(Orthogonal Time Frequency Space,OTFS)调制技术可以将时间和频率选择性信道转换为时延-多普勒(Delay-Doppler,DD)域的非选择性信道,从而显著提高无线通信系统在高移动性场景下的性能,在V2X通信中具有重要的应用价值。但OTFS调制技术极大地增加了系统接收端的复杂度,研究低复杂度信号检测算法成为了新一代无线通信系统采用OTFS调制的关键问题之一。为此,综述了面向车联网V2X通信的OTFS信号检测算法。首先介绍了OTFS系统模型,然后概述了现有的低复杂度OTFS信号检测算法,并将其分为线性检测算法、消息传递(Message Passing,MP)检测算法及其改进算法、基于神经网络的检测算法3类,最后探讨了V2X通信中OTFS信号检测目前所面临的技术挑战与未来的发展趋势。
