دسته بندی:

یادگیری ماشین - machine learning

---

سال انتشار:

2016

---

ترجمه فارسی عنوان مقاله:

راهکار کنترل ازدحام محلی و متمرکز داده ها برای شبکه های خودرویی تک کاره با استفاده از یک الگوریتم خوشه بندی یادگیری ماشین

---

عنوان انگلیسی مقاله:

Centralized and Localized Data Congestion Control Strategy for Vehicular Ad Hoc Networks Using a Machine Learning Clustering Algorithm

---

منبع:

IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS 2016

---

نویسنده:

Nasrin Taherkhani and Samuel Pierre, Senior Member, IEEE

---

چکیده انگلیسی:

In an urban environment, intersections are critical locations in terms of road crashes and number of killed or injured people. Vehicular ad hoc networks (VANETs) can help reduce the traffic collisions at intersections by sending warning messages to the vehicles. However, the performance of VANETs should be enhanced to guarantee delivery of the messages, particularly safety messages to the destination. Data congestion control is an efficient way to decrease packet loss and delay and increase the reliability of VANETs. In this paper, a centralized and localized data congestion control strategy is proposed to control data congestion using roadside units (RSUs) at intersections. The proposed strategy consists of three units for detecting congestion, clustering messages, and controlling data congestion. In this strategy, the channel usage level is measured to detect data congestion in the channels. The messages are gathered, filtered, and then clustered by machine learning algorithms. K-means algorithm clusters the messages based on message size, validity of messages, and type of messages. The data congestion control unit determines appropriate values of transmission range and rate, contention window size, and arbitration interframe spacing for each cluster. Finally, RSUs at the intersections send the determined communication parameters to the vehicles stopped before the red traffic lights to reduce communication collisions. Simulation results show that the proposed strategy significantly improves the delay, throughput, and packet loss ratio in comparison with other congestion control strategies using the proposed congestion control strategy.
Index Terms: Congestion control | machine learning algorithms | K-means algorithm | quality of service | vehicular ad hoc networks.

---

چکیده فارسی:

در یک محیط شهری، تقاطع ها محل هایی کلیدی به لحاظ تصادفات جاده ای و تعداد افراد کشته شده یا مصدوم در تصادفات هستند. شبکه های خودرویی تک کاره (VANET ها) می توانند با ارسال پیام های هشدار به خودروها به کاهش تصادفات ترافیکی در تقاطع ها کمک کنند. با اینحال، عملکرد VANET ها بایستی ارتقا یابد تا تحویل پیام ها، بویژه پیام های ایمنی به مقصد تضمین شود. کنترل ازدحام داده، شیوه ای کارآمد برای کاهش تأخیر و افت بسته ها و افزایش قابلیت اطمینان VANET ها است. در این مقاله، یک راهکار کنترل ازدحام محلی و متمرکز داده ها برای کنترل ازدحام داده ها با استفاده از واحدهای کنار جاده ای (RSU ها) در تقاطع ها پیشنهاد می شود. راهکار پیشنهادی از سه واحد برای تشخیص ازدحام، خوشه بندی پیام ها، و کنترل کردن ازدحام داده ها تشکیل شده است. در این راهکار، سطح استفاده از کانال برای تشخیص ازدحام داده ها در کانال ها سنجیده می شود. این پیام ها گردآوری و فیلتر شده و سپس توسط الگوریتم های یادگیری ماشین، خوشه بندی می شوند. الگوریتم K-means، پیام ها را مبتنی بر اندازه ی پیام، اعتبار پیام ها،و نوع پیام ها، خوشه بندی می کنند. واحد کنترل ازدحام داده، مقادیر مناسب دامنه ی انتقال و نرخ انتقال، انداز ه ی پنجره ی رقابت، و فاصله بندی داوری درون فریمی برای هر خوشه را تعیین می کند. نهایتاً RSU ها در تقاطع ها، پارامترهای ارتباطی مشخص شده را به خودروهای متوقف شده در جلوی چراف قرمز ارسال می کنند تا از تصادفات ارتباطی کاسته شود. نتایج شبیه-سازی نشان می دهد که راهکار پیشنهادی بطور قابل ملاحظه موجب بهبود تأخیر، توان خروجی، و نسبت افت بسته در مقایسه با سایر راهکارهای کنترل ازدحام با استفاده از راهکار پیشنهادی برای کنترل ازدحام، می شود.
کلمات کلیدی: کنترل ازدحام | الگوریتم های یادگیری ماشین | الگوریتم K-means | کیفیت سرویس | شبکه های خودرویی تک کاره

---

---

---

---

حجم فایل: 387 کیلوبایت

---

قیمت: 54600 تومان   

---

توضیحات اضافی:

---

---

---