面向车联网大规模网络动态演化过程的通达性机理研究

There objectively exist some defects on the complex relationship of high-dimensional data, low coupling on interconnection, real-time and stability can't be difficultly guaranteed in the large-scale network of Vehicle to Vehicle(V2V), that is accessibility problem, it has become an obstacle to large-scale applications and industrial development. The current researches mainly realized application integration by protocol conversion and routing algorithm, it lacks of theoretical principle and methods of network interconnection and keeping network be stability in an open-loop conditions. This project breaks through the current research idea in the small-scaled closed-loop system, and considering the large-scale network of V2V, we proposed the theoretical system on "data analysis→network interconnection→state stability". The research content are as following, we introduced deep learning to analyze the complex relationship of high-dimensional data of V2V for the first time, on this basis, the theory model of network process evolution which solves network interconnection problems; With the help of Lyapunov stability theory, network stability conditions will be given, and combined with population competition, network steady state conversion methods are proposed; The optimization mechanism on accessibility mechanism of a large-scale network of V2V are given. After solved the above scientific problems, the theoretical system and methods which can support accessibility in the large-scale network of V2V will be established, and it can provide the theoretical support for network layer, and can provide real-time data for application layer, and can also provide the theoretical and applied basis for the development of intelligent services on V2V for the future.

车联网大规模网络客观存在高维数据的复杂关系、互连互通耦合度低、实时性和稳定性难以保证等缺陷，即通达性问题，成为阻碍车联网大规模网络应用和产业发展的瓶颈。现有研究方法主要通过协议转换和路由算法实现应用集成，缺乏开放网络环境下实现网络互连互通并保持网络稳定的理论基础和方法，本课题突破现有小尺度闭环系统的研究思路，从车联网大规模网络环境出发，提出"数据解析→网络连通→状态稳定"的理论体系。具体包括：首次引入深度学习解析车联网高维数据的复杂关系，在此基础上，提出解决互连互通问题的网络进程演化理论模型；借助李雅普诺夫稳定性理论，给出网络稳定性条件，结合种群竞争，提出网络稳定状态转换方法；给出车联网大规模网络通达性机理的优化机制。解决上述科学问题，建立一套能支持车联网大规模网络通达性的理论体系和方法，为网络层提供理论支撑，为应用层提供实时数据保障，同时也为未来车联网服务智能化发展奠定理论和应用基础。

本课题突破现有小尺度闭环系统的研究思路，从车联网大规模网络环境出发，提出不同车联网场景下的"数据解析→网络连通→状态稳定"的通达性理论模型及其路由方法，以及能够准确评估车联网网络容量的计算模型，等等。主要成果如下：.（1）利用深度学习技术处理高维复杂数据的优势，分别给出基于自编码网络以及BS-TS和自编码网络的车联网网络节点筛选方法；.（2）针对网络演化中的不均匀活跃度分布问题，深入研究节点活跃度的相关性质，结合对不同改变点的特征分析，给出基于决策函数的改变点检测和量化方法；.（3）给出了一种车联网网络拓扑结构，即车联网连通基，结合平滑高斯-半马尔科夫移动模型，给出车联网通达性理论模型；基于车联网大规模网络通达性理论模型，给出了面向车联网大规模网络的通达性路由方法；.（4）给出了车联网链路数与车辆数服从致密幂律分布；研究了形成车联网互联互通时的四种连通性质，根据这些性质提出了城市场景中有基础设施的车联网连通性模型；给出了解决城市场景中基于路口基础设施的车联网大规模异构网络连通性问题的方法；.（5）给出了基于车辆状态预测的以链路生存时间为指标的城市道路中车联网连通性模型；分别给出无基础设施的VANET网络和有基础设施的VINET异构网络的连通性路由机制；.（6）给出基于噪声去除和数据填充的源数据处理方法，构建基于张量因子聚合的神经网络模型，用来预测车辆节点之间的连通强度。分别给出无基础设施和有基础设施情况下的通达性方法；.（7）结合深度学习技术，挖掘车辆行驶影响因素与车辆位置的关系，给出车辆位置的预测模型；分别给出车辆自组织网络和大规模异构网络的多角色分类社区聚类方法；.（8）提出了一种包含VANET和RSU且基于相似度归并的车联网社区模型；将学习自动机理论应用于具有社区结构的车联网信息转发中，提出了一种基于学习自动机与社区演化的车联网通达性方法；.（9）基于流体力学的思想，推导出网络容量相关参数的基本方程，给出车联网数据流网络模型；基于车联网数据流网络模型，推导出车辆自组网网络容量计算模型；推导出车联网异构网络的网络容量扩展率，给出了有基础设施的车联网大规模网络保持网络容量稳定的方法。. 取得了上述成果，建立了一套能支持车联网大规模网络通达性的理论体系和方法，为网络层提供理论支撑，为应用层提供实时数据保障，同时也为未来车联网服务智能化发展奠定理论和应用基础。